CN111130099A - 一种低压台区内分布式光伏与储能的最优配比方法及系统 - Google Patents
一种低压台区内分布式光伏与储能的最优配比方法及系统 Download PDFInfo
- Publication number
- CN111130099A CN111130099A CN201911402113.3A CN201911402113A CN111130099A CN 111130099 A CN111130099 A CN 111130099A CN 201911402113 A CN201911402113 A CN 201911402113A CN 111130099 A CN111130099 A CN 111130099A
- Authority
- CN
- China
- Prior art keywords
- power
- distributed photovoltaic
- energy storage
- capacity
- storage battery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000009826 distribution Methods 0.000 claims abstract description 48
- 238000010248 power generation Methods 0.000 claims abstract description 47
- 238000004088 simulation Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims description 78
- 238000007599 discharging Methods 0.000 claims description 14
- 238000005265 energy consumption Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 230000035699 permeability Effects 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000002253 acid Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000165 glow discharge ionisation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种低压台区内分布式光伏与储能的最优配比方法及系统，所述方法包括：基于台区内的用能数据以及分布式光伏与储能的运行模式，模拟台区内的发电系统状态和配电系统状态；在模拟过程中逐步增加分布式光伏接入容量和储能配置容量，并计算对应的可靠性指标；基于分布式光伏接入容量和储能配置容量绘制可靠性指标曲线，在所述可靠性指标曲线上寻找所述可靠性指标的饱和点，将所述饱和点对应的分布式光伏接入容量与储能配置容量作为分布式光伏与储能的最优配比容量。本发明提供的技术方案最大化的提高了台区内变电站的利用率。
Description
技术领域
本发明涉及分布式供电领域，具体涉及一种低压台区内分布式光伏与储能的最优配比方法及系统。
背景技术
当前，很多台区用电负荷快速增长，特别是空调负荷,使配电系统短时容量超限和利用率普遍偏低。夏季尖峰时段空调负荷超过30％，部分变压器的负荷率接近90％，急需扩容，但年均负荷率大多在30％左右，利用率低，空载损耗高。
随着大规模分布式光伏高比例接入低压台区电网，分布式光伏将逐渐成为重要的替代能源，使得能源向清洁低碳、安全高效的方向发展，分布式光伏、电动汽车、储能已经走进千家万户，但由于分布式光伏的出力更具明显的昼夜性和季节性，导致台区内变电站的利用率降低。
发明内容
为了解决现有技术中所存在的上述不足，本发明提供一种低压台区内分布式光伏与储能的最优配比方法及系统，本发明为了提高台变的利用率,减小峰谷差，在分布式光伏系统中配置容量与之相匹配用户储能装置，能够在一定程度上弥补光伏出力的不足，使分布式光伏发电容量最大化。
本发明提供的一种低压台区内分布式光伏与储能的最优配比方法，包括：
基于台区内的用能数据以及分布式光伏与储能的运行模式，模拟台区内的发电系统状态和配电系统状态；
在模拟过程中逐步增加分布式光伏接入容量和储能配置容量，并计算对应的可靠性指标；
基于分布式光伏接入容量和储能配置容量绘制可靠性指标曲线，在所述可靠性指标曲线上寻找所述可靠性指标的饱和点，将所述饱和点对应的分布式光伏接入容量与储能配置容量作为分布式光伏与储能的最优配比容量。
优选的，所述基于台区内的用能数据以及分布式光伏与储能的运行模式，模拟台区内的发电系统状态和配电系统状态，包括：
基于台区内的用能数据生成负荷曲线；
基于预先构建的光伏出力曲线、储能充放电模型和所述负荷曲线，采用分布式光伏与储能的运行模式模拟台区内的发电系统状态和配电系统状态。
优选的，所述分布式光伏与储能的运行模式，包括：
当分布式光伏出力过剩时，则由过剩功率为蓄电池充电；否则判断分布式光伏和蓄电池最大释放功率之和与所有负荷的关系；
当所述分布式光伏和蓄电池最大释放功率之和无法满足所有负荷时，发电系统先供应负荷，然后为蓄电池充电则充至指定的荷电状态；
其中，所述储能为蓄电池。
优选的，所述在模拟过程中逐步增加分布式光伏接入容量和储能配置容量，并计算对应的可靠性指标，包括：
在模拟过程中逐步增加光伏接入容量和储能配置容量；
基于模拟的发电系统状态获得台区的缺电时间和缺供电量；
基于模拟的配电系统状态获得台区内负荷点的停电次数、停电时间和缺供电量；
基于所述缺电时间和缺供电量计算发电系统对应的可靠性指标；
基于所述负荷点的停电次数、停电时间和缺供电量计算配电系统对应的可靠性指标。
优选的，所述基于模拟的发电系统状态获得台区的缺电时间和缺供电量，包括：
获取发电系统在当前模拟次数下所有分布式光伏的总出力和各蓄电池组荷电状态；
基于各蓄电池组的荷电状态计算各蓄电池组对外提供的最大功率和对外最大可接受的持续充电功率；
当所述所有分布式光伏总出力与上级变电站的最大功率之和大于当前配电系统的总负荷与总损耗之和时，基于所述各蓄电池组对外最大可接受的持续充电功率为各蓄电池组充电；否则各蓄电池组基于对应的荷电状态进行放电并计算所有蓄电池组的实际释放功率；
当所有蓄电池组的实际释放功率、所有分布式光伏的总出力和上级变电站的最大功率之和小于当前配电系统的总负荷与总损耗之和时，计算台区缺电时间和缺供电量。
优选的，所述各蓄电池组基于对应的荷电状态进行放电，包括：
当分布式光伏出力无法供应所有负荷且各蓄电池组内荷电状态充足，可以为所有负荷供电而不启用上级变电站时，各蓄电池组放电；或当分布式光伏出力无法供应所有负荷且依靠上级变电站或各蓄电池组，都无法弥补当前的功率缺额时，需各蓄电池组放电。
优选的，所述基于所述缺电时间和缺供电量计算发电系统对应的可靠性指标，包括：
基于所述缺点时间计算缺电时间期望；
基于所述缺供电量计算电量不足期望；
所述发电系统对应的可靠性指标包括所述缺电时间期望和电量不足期望。
优选的，所述基于所述负荷点的停电次数、停电时间和缺供电量计算配电系统对应的可靠性指标，包括：
基于所述负荷点的停电次数计算平均停电频率；
基于所述负荷点的停电时间计算平均停电持续时间；
基于所述负荷点的缺供电量计算期望缺供电量；
所述配电系统对应的可靠性指标包括平均停电频率、平均停电持续时间和期望缺供电量。
优选的，所述配电系统对应的可靠性指标还包括：
基于配电系统中实际供电总时户和要求供电总时户计算平均供电可用度指标。
优选的，所述平均供电可用度指标，按下式计算：
式中：ASAI为平均供电可用度指标；Ni为负荷点i的用户数；Ui为负荷点i的年平均停电时间。
基于同一发明构思，本发明还提供了一种低压台区内分布式光伏与储能的最优配比系统，包括：
模拟模块，用于基于台区内的用能数据以及分布式光伏与储能的运行模式，模拟台区内的发电系统状态和配电系统状态；
计算模块，用于在模拟过程中逐步增加分布式光伏接入容量和储能配置容量，并计算对应的可靠性指标；
结果模块，用于基于分布式光伏接入容量和储能配置容量绘制可靠性指标曲线，在所述可靠性指标曲线上寻找所述可靠性指标的饱和点，将所述饱和点对应的分布式光伏接入容量与储能配置容量作为分布式光伏与储能的最优配比容量。
优选的，所述模拟模块，包括：
生成单元，用于基于台区内的用能数据生成负荷曲线；
模拟单元，基于预先构建的光伏出力曲线、储能充放电模型和所述负荷曲线，采用分布式光伏与储能的运行模式模拟台区内的发电系统状态和配电系统状态。
与现有技术相比，本发明的有益效果为：
本发明提供的技术方案，基于台区内的用能数据以及分布式光伏与储能的运行模式，模拟台区内的发电系统状态和配电系统状态；在模拟过程中逐步增加分布式光伏接入容量和储能配置容量，并计算对应的可靠性指标；基于分布式光伏接入容量和储能配置容量绘制可靠性指标曲线，在所述可靠性指标曲线上寻找所述可靠性指标的饱和点，将所述饱和点对应的分布式光伏接入容量与储能配置容量作为分布式光伏与储能的最优配比容量。本发明在分布式光伏中配置容量与之相匹配的储能装置，能够弥补光伏出力的不足，使分布式光伏发电容量最大化从而提高了台区内变电站的利用率。
附图说明
图1为本发明中可靠性指标与负荷等级关系曲线示意图；
图2为本发明的一种低压台区内分布式光伏与储能的最优配比方法流程图；
图3为本发明的典型负荷曲线示意图；
图4为本发明中发电系统状态的可靠性模拟流程图。
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1
研究光伏发电的容量效益，首先研究光伏发电置信容量，又称有效容量，是衡量其容量价值的有效指标。世界上已经研究出的关于光伏发电系统置信容量的定量评估指标大约有10余种，这些种类的定量评估指标按照性质来区分共可分为4类，其一是对置信等效容量进行评估的指标；其二是对特定时段置信容量系数进行评估的指标；其三是对置信容量附加措施进行评估的指标；其四是对置信容量中ELCC(Effective Load CarryCapability，ELCC)进行评估的指标。这四类评估指标中，以最后一种评估指标为最佳，这是因为ELCC评估指标能够对发电效用进行直接描述，并且评估结果不会出现较大差异，计算量适中，具有可靠的理论依据，能够有效弥补其他三种评估指标的不足，因此在对光伏发电系统的置信容量进行评估时，通常都是优先采用ELCC评估指标来进行评估工作的。
对分布式光伏容量可信度的理解方式主要有两类：(1)从负荷侧考虑：保持给定系统可靠性水平，新增光伏能够额外承担的负荷量，即有效载荷能力(Effective Load CarryCapability，ELCC)；(2)从发电侧考虑：等供电可靠性水平下，新增光伏能够替代的常规机组容量(Equivalent conventional Capacity，ECC)。台区分布式光伏高渗透率接入，以有效载荷能力评估置信容量，系统可靠性水平是总装机容量和负荷水平的函数。上级变电站的供电能力一定时，可靠性随负荷水平升高单调递减。台区变电站容量等效常规发电机组总装机容量为G，负荷水平为L，可靠性曲线为f0(G)，原始可靠性为R0。台区内负荷越大，可靠性水平越低。加入分布式光伏后，可靠性曲线为f1(G+GD)。在同一负荷水平L下，系统可靠性得以改善，可靠性为R1。此时，若逐渐提高负荷水平，系统可靠性逐渐降低。当负荷水平为L'时，可靠性水平恢复为R0，如图1所示。其数学表达式为：
R0＝f0(G,L)＝f1(G+GD,L')
对上式两边求逆函数，得：L'＝f1 -1(G+GD,R0),所以，新增分布式光伏的置信容量，及等效载荷能力为：GC＝ELCC＝△L＝L'-L＝f1 -1(G+GD,R0)-L
此时，容量置信度为：
式中，GD是分布式光伏装机容量，GC为分布式光伏置信容量，CC为分布式光伏的容量置信度。容量置信度是以ELCC为评价标准。
对于一定容量的储能，光伏装机量过小时，无法充分发挥储能的作用；光伏装机量过大时，储能无法充分平滑其出力；即存最优装机量，使得单位光伏装机量等效的系统容量大。
储能设备能够抑制分布式光伏出力的间歇性，通过对储能系统的充放电控制，能够在系统净负荷较低、充裕度较大时储存分布式光伏产生的电能，而在系统净负荷较高，充裕度较低时释放电能。从系统充裕度的角度而言，在谷荷充电时对系统充裕度的降低作用并不明显，而在峰荷时放电对系统充裕度提升效应十分明显。因此，考虑光储设备联合运行时，其容量可信度将比分布式光伏发电单独运行时明显升高效应在孤岛系统中尤为明显。
如图2所示，本发明提供的一种低压台区多场景分布式光伏与储能最优配比方法，包括：
S1、基于台区内的用能数据以及分布式光伏与储能的运行模式，模拟台区内的发电系统状态和配电系统状态；
S2、在模拟过程中逐步增加分布式光伏接入容量和储能配置容量，并计算对应的可靠性指标；
S3、基于分布式光伏接入容量和储能配置容量绘制可靠性指标曲线，在所述可靠性指标曲线上寻找所述可靠性指标的饱和点，将所述饱和点对应的分布式光伏接入容量与储能配置容量作为分布式光伏与储能的最优配比容量。
S1、基于台区内的用能数据以及分布式光伏与储能的运行模式，模拟台区内的发电系统状态和配电系统状态，具体包括：
步骤1：通过贝塔分布(Beta Distribution)描述太阳光照强度的概率特性，研究光照强度与分布式光伏出力的关系；
太阳能电池输出功率与光照强度密切相关，光照强度是指太阳辐射经过大气层后到达地球表面上单位面积单位时间内的辐射能量。其单位为：瓦特/平方米(W/㎡)。影响太阳辐照度的两个因素：1、太阳辐射穿过大气圈时的衰减作用，包括散射、吸收、反射等，因此它受气候、气象因素的制约；2、太阳辐照度明显受太阳高度角的控制，它影响到太阳辐射的传播路径，因此与区域纬度、季节更迭及一日内太阳的东升西落有关。太阳辐照度与大气辐照度一起构成了对大地的总辐照度。二者所占的比例不仅因地而异，而且因时而异，还和气候、气象状况有关。其中，太阳高度角对二者比重起到很重要的控制作用，太阳辐照度的比重与太阳高度角呈正相关。据统计，在一定时间段内太阳光照强度可近似看成贝塔分布(Beta Distribution)，其密度函数如下式所示：
式中：r和rmax(W/m2)分别为这一时间段内的实际光强和大光强。α和β是beta分布的形状参数。其中:
式中：μ和σ为一定时段内光照强度的平均值和方差。
光伏功率输出大小的决定因素是光伏面板的能量转换效率和太阳辐照强度，光伏电站的输出功率为：
式中：PPV为光伏电站的实际输出功率；YPV为光伏电站的额定功率；fPV为损耗系数；rt为t时刻实际光辐射强度；rSTC为标准测试条件下的光辐射强度，为1kW/m2；ap为光伏电站中电池板的功率温度系数；TC为电站中的电池温度；TSTC为标准测试条件下的电池温度，为25℃(在25℃的温度下工作。因为太阳能电池板效率会随温度升高而有一定下降，因为温度升高的时候开路电压下降，其幅度比短路电流升高的幅度要大，所以功率与温度也成反比例关系。每升高一度，功率降低0.3％)。
只要确定计算某小区，就可以获得YPV、损耗系数为模拟某小区光伏固有参数fPV；t时刻实际光辐射强度rt，以及电站中的电池温度TC。
光伏电站正常发电时间区间为白天，夜间无功率输出，华北地区冬季昼最短7:00～17:00,10小时；夏季昼最长5:00～19:00,14小时。在晴天无云天气下，太阳辐照度强，光伏电站日出力曲线“两头小，中间高”，与正态分布曲线相类似，出力平滑波动小。光伏峰值出现时刻在12:00-15:00，高出力可接近满功率输出。光伏电站受天气影响具有很强的不确定性，呈现波动性和随机性特点。光伏电站的出力范围主要集中在20％～80％的装机容量范围之内。
步骤2：以铅酸蓄电池为代表，建立用于可靠性评估的蓄电池模型；蓄电池的状态可以通过其荷电状态(State of Charge,Soc)来表征，荷电状态是指蓄电池的剩余容量与额定容量的比值，荷电状态为1代表蓄电池电量全满，荷电状态为0代表净放电量达到额定容量。在理想情况下，充放电功率与仿真步长的乘积就是蓄电池吸收或释放的电量，其模型为：
式中，ΔWt为t时段内蓄电池外部充放电电量(充放电功率与时段t的乘积)；Bt为充放电前蓄电池的剩余容量，Bt＝Bnorm×Soc(t)，其中Bnorm为蓄电池额定容量，Soc(t)为充放电前的荷电状态，Bt+1为充放电结束后蓄电池的剩余容量；Bmin、Bmax分别为蓄电池的大、小容量。
步骤3：分析区域内的工业负荷，商业负荷及居民负荷三种负荷的典型负荷曲线，如图3所示建立负荷的时序模型；分析负荷特性，首先采集一个家庭、多个家庭或者一个台区一年365天的用能规律，每天的峰荷时刻及峰谷差等用能数据并将数据规范化。
工业负荷与商业负荷日负荷曲线较为规律，早8:00至晚18:00负荷率高，峰荷出现在白天，低谷时段负荷很低，峰谷差极大。居民负荷一般会出现两个高峰即早高峰、晚高峰。峰谷差较大，早高峰出现在12:00点左右，大负荷出现在晚上20:00点左右，基本上与人们的日常生活规律相一致。全年最大负荷出现在8月份，最低负荷出现在2月份，呈现出了明显的季节性，其中的主要影响因素是空调负荷以及春节放假。
步骤4：基于循环充电运行策略，分析分布式光伏与储能容量配比关系；光伏与储能联合运行模式：当分布式光伏出力过剩时，由过剩功率为蓄电池充电；分布式光伏出力不足时，若分布式光伏和蓄电池最大释放功率之和仍无法满足所有负荷时，系统首先供应剩余负荷，其次为蓄电池充电。为防止蓄电池一直处于较低的荷电状态水平，一旦蓄电池开始充电，则需充至某一指定的荷电状态Socset。发电系统状态的可靠性模拟流程如图4所示，包括以下步骤：
步骤101：获得系统在当前状态下的持续时间Tk和当前状态下系统内各个分布式光伏和蓄电池组的运行状态。
步骤102：设置系统的充电标识S，S＝1代表前一时刻上级变电站为蓄电池充电且部分蓄电池组荷电状态小于Socset。初始化系统缺电时间LLD＝0和蓄电池组充电标识S＝0。
步骤103：判断模拟时钟t与Tk的关系。如果t<Tk，执行步骤104；反之，执行步骤113。
步骤104：应用KiBaM模型，结合t时刻各个蓄电池组的荷电状态，计算各个蓄电池组在模拟步长△t内能够对外提供的最大功率
max(t)和对外最大可接受的持续充电功率
max(t)。本实施例中的KiBaM模型为铅酸蓄电池的两池模型(Kinetic Battery Model，KiBaM)能够较为全面地反映上述充放电约束，是蓄电池研究中的经典模型。
步骤105：判断系统充电标识S的值，若S＝1，执行步骤106；反之，执行步骤111。
步骤106：判断所有分布式光伏总出力PDG(t)与上级变电站能够提供的最大功率Ps(t)之和是否小于当前系统总负荷与总损耗之和PL(t)。如果小于说明此时系统面临缺电风险，蓄电池需要放电，执行步骤110；反之则说明分布式光伏和上级变电站可以继续为蓄电池充电，执行步骤107。
步骤107：由于t时刻系统内各个蓄电池组的荷电状态可能有所不同，部分蓄电池组的荷电状态可能接近或超过Socset，但是没有达到荷电状态上限Socmax。为了令SOC较低的蓄电池组可以吸收更多的功率以迅速接近Socset，需要修正各个蓄电池组对外最大可接受的持续充电功率
其中，
为t时刻第i个蓄电池组的荷电状态，
为各蓄电池组对外最大可接受的持续充电功率；
为KiBaM模型所描述的蓄电池充电特性约束，
为蓄电池的大充电率约束，
为蓄电池的大允许充电电流约束，
为大容量约束，即蓄电池的高荷电状态，ηc为充电效率。
式中
和
按下式计算：
Pmcr＝(1-e-k△t)(Qmax-Q)/△t
Pmcc＝ImaxVnom/1000
步骤108：上级变电站将参与蓄电池充电过程，故系统内的净交换功率为Pex(t)＝PL(t)-PDG(t)-Ps(t)。计算与每个蓄电池组对应的净交换功率Pex(t)，进而计算每个蓄电池组的实际吸收功率
步骤109：判断系统内所有蓄电池组荷电状态的大小，若存在任一Soci<Socset，则令系统充电标识S＝1；否则，令S＝0。此后，跳转步骤112。
步骤110：系统内的净交换功率仍为Pex(t)＝PL(t)-PDG(t)-Ps(t)，计算与每个蓄电池组对应的净交换功率
进而计算每个蓄电池组实际释放功率
如果
说明上级变电站、分布式光伏与蓄电池组所能提供的最大功率之和仍无法满足当前负荷，系统在该时间段缺电，缺电时间LLD＝LLD+△t，缺供电量为
此后，跳转步骤112。
步骤111：判断蓄电池需要放电抑或充电。蓄电池需要放电：1)虽然分布式光伏出力无法供应所有负荷，但蓄电池内电量充足，可以为所有负荷供电而不启用上级变电站；2)分布式光伏出力无法供应所有负荷，且依靠上级变电站或蓄电池，都无法弥补当前的功率缺额，需要上级变电站和蓄电池同时供电。如果满足上述情况中的一种，则蓄电池放电，执行步骤110；否则，蓄电池充电，执行步骤108。
步骤112：令t＝t+Δt，利用式Socend＝(Q1,end+Q2,end)/Qmax
更新t时刻各个蓄电池组的荷电状态，并返回步骤103。
步骤113：统计系统在Tk内的缺电时间LLD和缺供电量ENS＝∑Ens(t)。
台区分布式光伏发电和储能设备联合运行的置信容量算例分析
S2、在模拟过程中逐步增加分布式光伏接入容量和储能配置容量，并计算对应的可靠性指标，具体包括：
步骤5：选取一定容量值为步长，逐步增加光伏接入容量，储能配置容量进行可靠性计算。非序贯蒙特卡洛模拟，计算原始系统可靠性指标。加入光伏电站，计算新的可靠性指标。当分布式光伏渗透率不断提高时，系统可靠性得以提升，且渗透率足够高时，其提升效果趋于饱和，即可靠性指标不在随着分布式光伏接入容量的增加而增加。按照可靠性指标相等法则，调整系统负荷水平，得到系统ELCC值ΔLy。
当有源配电网中DG的渗透率高时，需要考虑分布式电源退出运行的影响。因此，需要对发电系统状态和配电系统状态都进行模拟。采用以下系统可靠性指标：
缺电时间期望LOLE(小时/年)：
电量不足期望LOEE(MWh/年)：
系统平均停电频率SAIFI(次/户×年)：
系统平均停电持续时间SAIDI(小时/户×年)：
期望缺供电量EENS(MWh/年)：
平均供电可用度指标：
其中，P为发电系统状态模拟次数，Q为配电系统状态模拟次数，LLDk和ENSk为第k次发电系统模拟的缺电时间和缺供电量；
和
分别为第k次配电系统模拟负荷点i的停电次数、停电时间和缺供电量；Ci为每个负荷点的用户数，n为负荷点总数；Ni为负荷点i的用户数；Ui为负荷点i的年平均停电时间。
S3、基于分布式光伏接入容量和储能配置容量绘制可靠性指标曲线，在所述可靠性指标曲线上寻找所述可靠性指标的饱和点，将所述饱和点对应的分布式光伏接入容量与储能配置容量作为分布式光伏与储能的最优配比容量，具体包括：
步骤6：对步骤5中选取一定容量值为步长，逐步增加光伏接入容量，储能配置容量，寻找饱和点，即为最佳配比容量。
步骤7：采用机器学习的方法，对不同场景形成样本库，如每日高峰出现时刻，不同负荷的特性，峰谷差大小，不断丰富样本库。
本发明在光伏与储能最佳配比容量下的置信容量也是最高的。
1、本发明基于一个家庭、多个家庭或者一个台区，保证分布式光伏接入后可靠性不变的要求，研究分布式光伏的替代容量，配置与之匹配的储能容量，使方案最佳，弃光最小，投资最省。
2、本发明基于循环充电运行策略，光伏与储能联合运行模式：当分布式光伏出力过剩时，由过剩功率为蓄电池充电；分布式光伏出力不足时，若分布式光伏和蓄电池最大释放功率之和仍无法满足所有负荷时，系统首先供应剩余负荷，其次为蓄电池充电。为防止蓄电池一直处于较低的荷电状态水平，一旦蓄电池开始充电，则需充至某一指定的荷电状态。
3、本发明采用非序贯蒙特卡洛模拟，计算系统可靠性指标。选取一定容量值为步长，逐步增加光伏接入容量，储能配置容量，寻找饱和点，得出最佳配比容量。
4、以铅酸蓄电池为代表，建立用于可靠性评估的蓄电池模型；
5、本发明针对有源配电网中分布式光伏的渗透率高时，需考虑分布式电源退出运行的影响，建立了配电网的可靠性指标。
6、采用机器学习的方法，对不同场景形成样本库，如每日高峰出现时刻，不同负荷的特性，峰谷差大小，不断丰富样本库。
实施例2
基于同一发明构思，本发明还提供了一种低压台区内分布式光伏与储能的最优配比系统，包括：
模拟模块，用于基于台区内的用能数据以及分布式光伏与储能的运行模式，模拟台区内的发电系统状态和配电系统状态；
计算模块，用于在模拟过程中逐步增加分布式光伏接入容量和储能配置容量，并计算对应的可靠性指标；
结果模块，用于基于分布式光伏接入容量和储能配置容量绘制可靠性指标曲线，在所述可靠性指标曲线上寻找所述可靠性指标的饱和点，将所述饱和点对应的分布式光伏接入容量与储能配置容量作为分布式光伏与储能的最优配比容量。
实施例中，所述模拟模块，包括：
生成单元，用于基于台区内的用能数据生成负荷曲线；
模拟单元，基于预先构建的光伏出力曲线、储能充放电模型和所述负荷曲线，采用分布式光伏与储能的运行模式模拟台区内的发电系统状态和配电系统状态。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (12)
1.一种低压台区内分布式光伏与储能的最优配比方法，其特征在于，包括：
基于台区内的用能数据以及分布式光伏与储能的运行模式，模拟台区内的发电系统状态和配电系统状态；
在模拟过程中逐步增加分布式光伏接入容量和储能配置容量，并计算对应的可靠性指标；
基于分布式光伏接入容量和储能配置容量绘制可靠性指标曲线，在所述可靠性指标曲线上寻找所述可靠性指标的饱和点，将所述饱和点对应的分布式光伏接入容量与储能配置容量作为分布式光伏与储能的最优配比容量。
2.如权利要求1所述的方法，其特征在于，所述基于台区内的用能数据以及分布式光伏与储能的运行模式，模拟台区内的发电系统状态和配电系统状态，包括：
基于台区内的用能数据生成负荷曲线；
基于预先构建的光伏出力曲线、储能充放电模型和所述负荷曲线，采用分布式光伏与储能的运行模式模拟台区内的发电系统状态和配电系统状态。
3.如权利要求2所述的方法，其特征在于，所述分布式光伏与储能的运行模式，包括：
当分布式光伏出力过剩时，则由过剩功率为蓄电池充电；否则判断分布式光伏和蓄电池最大释放功率之和与所有负荷的关系；
当所述分布式光伏和蓄电池最大释放功率之和无法满足所有负荷时，发电系统先供应负荷，然后为蓄电池充电则充至指定的荷电状态；
其中，所述储能为蓄电池。
4.如权利要求1所述的方法，其特征在于，所述在模拟过程中逐步增加分布式光伏接入容量和储能配置容量，并计算对应的可靠性指标，包括：
在模拟过程中逐步增加光伏接入容量和储能配置容量；
基于模拟的发电系统状态获得台区的缺电时间和缺供电量；
基于模拟的配电系统状态获得台区内负荷点的停电次数、停电时间和缺供电量；
基于所述缺电时间和缺供电量计算发电系统对应的可靠性指标；
基于所述负荷点的停电次数、停电时间和缺供电量计算配电系统对应的可靠性指标。
5.如权利要求4所述的方法，其特征在于，所述基于模拟的发电系统状态获得台区的缺电时间和缺供电量，包括：
获取发电系统在当前模拟次数下所有分布式光伏的总出力和各蓄电池组荷电状态；
基于各蓄电池组的荷电状态计算各蓄电池组对外提供的最大功率和对外最大可接受的持续充电功率；
当所述所有分布式光伏总出力与上级变电站的最大功率之和大于当前配电系统的总负荷与总损耗之和时，基于所述各蓄电池组对外最大可接受的持续充电功率为各蓄电池组充电；否则各蓄电池组基于对应的荷电状态进行放电并计算所有蓄电池组的实际释放功率；
当所有蓄电池组的实际释放功率、所有分布式光伏的总出力和上级变电站的最大功率之和小于当前配电系统的总负荷与总损耗之和时，计算台区缺电时间和缺供电量。
6.如权利要求5所述的方法，其特征在于，所述各蓄电池组基于对应的荷电状态进行放电，包括：
当分布式光伏出力无法供应所有负荷且各蓄电池组内荷电状态充足，可以为所有负荷供电而不启用上级变电站时，各蓄电池组放电；或当分布式光伏出力无法供应所有负荷且依靠上级变电站或各蓄电池组，都无法弥补当前的功率缺额时，需各蓄电池组放电。
7.如权利要求5所述的方法，其特征在于，所述基于所述缺电时间和缺供电量计算发电系统对应的可靠性指标，包括：
基于所述缺点时间计算缺电时间期望；
基于所述缺供电量计算电量不足期望；
所述发电系统对应的可靠性指标包括所述缺电时间期望和电量不足期望。
8.如权利要求5所述的方法，其特征在于，所述基于所述负荷点的停电次数、停电时间和缺供电量计算配电系统对应的可靠性指标，包括：
基于所述负荷点的停电次数计算平均停电频率；
基于所述负荷点的停电时间计算平均停电持续时间；
基于所述负荷点的缺供电量计算期望缺供电量；
所述配电系统对应的可靠性指标包括平均停电频率、平均停电持续时间和期望缺供电量。
9.如权利要求8所述的方法，其特征在于，所述配电系统对应的可靠性指标还包括：
基于配电系统中实际供电总时户和要求供电总时户计算平均供电可用度指标。
10.如权利要求9所述的方法，其特征在于，所述平均供电可用度指标，按下式计算：
式中：ASAI为平均供电可用度指标；Ni为负荷点i的用户数；Ui为负荷点i的年平均停电时间。
11.一种低压台区内分布式光伏与储能的最优配比系统，其特征在于，包括：
模拟模块，用于基于台区内的用能数据以及分布式光伏与储能的运行模式，模拟台区内的发电系统状态和配电系统状态；
计算模块，用于在模拟过程中逐步增加分布式光伏接入容量和储能配置容量，并计算对应的可靠性指标；
结果模块，用于基于分布式光伏接入容量和储能配置容量绘制可靠性指标曲线，在所述可靠性指标曲线上寻找所述可靠性指标的饱和点，将所述饱和点对应的分布式光伏接入容量与储能配置容量作为分布式光伏与储能的最优配比容量。
12.如权利要求11所述的系统，其特征在于，所述模拟模块，包括：
生成单元，用于基于台区内的用能数据生成负荷曲线；
模拟单元，基于预先构建的光伏出力曲线、储能充放电模型和所述负荷曲线，采用分布式光伏与储能的运行模式模拟台区内的发电系统状态和配电系统状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911402113.3A CN111130099A (zh) | 2019-12-30 | 2019-12-30 | 一种低压台区内分布式光伏与储能的最优配比方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911402113.3A CN111130099A (zh) | 2019-12-30 | 2019-12-30 | 一种低压台区内分布式光伏与储能的最优配比方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111130099A true CN111130099A (zh) | 2020-05-08 |
Family
ID=70505857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911402113.3A Pending CN111130099A (zh) | 2019-12-30 | 2019-12-30 | 一种低压台区内分布式光伏与储能的最优配比方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111130099A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113536205A (zh) * | 2021-07-09 | 2021-10-22 | 国电南瑞科技股份有限公司 | 低压台区用能优化潜力评价方法及用能优化台区筛选系统 |
| CN113570267A (zh) * | 2021-08-02 | 2021-10-29 | 福州万山电力咨询有限公司 | 一种确定分布式光伏发电自发自用比例的方法及终端 |
| CN114155116A (zh) * | 2021-11-10 | 2022-03-08 | 北京市腾河智慧能源科技有限公司 | 低压分布式光伏出力异常的诊断方法及系统、设备、存储介质 |
| CN116599163A (zh) * | 2023-04-27 | 2023-08-15 | 华能烟台风力发电有限公司 | 基于调频控制的高可靠性风电场功率控制系统 |
| CN117096955A (zh) * | 2023-10-08 | 2023-11-21 | 南京允能日新智慧能源有限公司 | 一种分布式光伏集群运行控制系统 |
| CN117895546A (zh) * | 2024-03-15 | 2024-04-16 | 国网山东省电力公司东营供电公司 | 基于农机电气化改造的新能源一体化站点配置方法 |
-
2019
- 2019-12-30 CN CN201911402113.3A patent/CN111130099A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113536205A (zh) * | 2021-07-09 | 2021-10-22 | 国电南瑞科技股份有限公司 | 低压台区用能优化潜力评价方法及用能优化台区筛选系统 |
| CN113536205B (zh) * | 2021-07-09 | 2024-05-28 | 国电南瑞科技股份有限公司 | 低压台区用能优化潜力评价方法及用能优化台区筛选系统 |
| CN113570267A (zh) * | 2021-08-02 | 2021-10-29 | 福州万山电力咨询有限公司 | 一种确定分布式光伏发电自发自用比例的方法及终端 |
| CN114155116A (zh) * | 2021-11-10 | 2022-03-08 | 北京市腾河智慧能源科技有限公司 | 低压分布式光伏出力异常的诊断方法及系统、设备、存储介质 |
| CN116599163A (zh) * | 2023-04-27 | 2023-08-15 | 华能烟台风力发电有限公司 | 基于调频控制的高可靠性风电场功率控制系统 |
| CN116599163B (zh) * | 2023-04-27 | 2024-01-23 | 华能烟台风力发电有限公司 | 基于调频控制的高可靠性风电场功率控制系统 |
| CN117096955A (zh) * | 2023-10-08 | 2023-11-21 | 南京允能日新智慧能源有限公司 | 一种分布式光伏集群运行控制系统 |
| CN117096955B (zh) * | 2023-10-08 | 2024-03-19 | 南京允能日新智慧能源有限公司 | 一种分布式光伏集群运行控制系统 |
| CN117895546A (zh) * | 2024-03-15 | 2024-04-16 | 国网山东省电力公司东营供电公司 | 基于农机电气化改造的新能源一体化站点配置方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111130099A (zh) | 一种低压台区内分布式光伏与储能的最优配比方法及系统 | |
| CN104319768B (zh) | 一种微电网供电及监控方法 | |
| Spertino et al. | Toward the complete self-sufficiency of an NZEBS microgrid by photovoltaic generators and heat pumps: Methods and applications | |
| Feng et al. | Capacity fade-based energy management for lithium-ion batteries used in PV systems | |
| CN104851053A (zh) | 一种含风光储的配电网供电可靠性评估方法 | |
| CN102904288B (zh) | 一种用于含风光柴储孤立微电网的稳态运行策略 | |
| CN110659788A (zh) | 一种用户侧综合能源系统的供需平衡分析方法和系统 | |
| CN107453402B (zh) | 一种降低含风储一体化电站电力系统运行风险的调度方法 | |
| Farinet et al. | Battery lifetime analysis for residential PV-battery system used to optimize the self consumption-a Danish scenario | |
| CN103577891A (zh) | 一种含分布式电源的多孤岛微网优化合作运行方法 | |
| CN111313444A (zh) | 一种面向高密度光伏配网台区侧的储能系统优化配置方法 | |
| Hua et al. | Application of valve-regulated lead-acid batteries for storage of solar electricity in stand-alone photovoltaic systems in the northwest areas of China | |
| Patarau et al. | Analysis and optimization of a geothermal, biomass, solar hybrid system: An application of PV* Sol software | |
| Rossi et al. | Real-time optimization of the battery banks lifetime in hybrid residential electrical systems | |
| CN107359611B (zh) | 考虑多种随机因素的配电网等值方法 | |
| Monteiro et al. | Long-term sizing of lead–acid batteries in order to reduce technical losses on distribution networks: A distributed generation approach | |
| CN106096807A (zh) | 一种考虑小水电的互补微网经济运行评价方法 | |
| CN112736899B (zh) | 一种微电网规划方案评价指标计算方法以及装置 | |
| CN111224422A (zh) | 一种基于可靠性的微电网分布式电源配置方法及系统 | |
| Spertino et al. | A smart battery management system for photovoltaic plants in households based on raw production forecast | |
| Zhou | Simulation and optimum design of hybrid solar-wind and solar-wind-diesel power generation systems | |
| Penangsang et al. | Operation optimization stand-alone microgrid using firefly algorithm considering lifetime characteristics of battery | |
| Jahromi et al. | Battery Energy storage requirements for mitigating PV output fluctuations | |
| Saengprajak | Efficiency of demand side management measures in small village electrification systems | |
| Barzegar et al. | Energy flexibility analysis for photovoltaic solar system with battery |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |