CN111146793B - 基于功率特征提取的光伏-储能系统容量优化设计方法及系统 - Google Patents
基于功率特征提取的光伏-储能系统容量优化设计方法及系统 Download PDFInfo
- Publication number
- CN111146793B CN111146793B CN201911311157.5A CN201911311157A CN111146793B CN 111146793 B CN111146793 B CN 111146793B CN 201911311157 A CN201911311157 A CN 201911311157A CN 111146793 B CN111146793 B CN 111146793B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power
- photovoltaic
- capacity
- storage system
- 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.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013461 design Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 title claims abstract description 49
- 238000000605 extraction Methods 0.000 title claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 238000007599 discharging Methods 0.000 claims abstract description 8
- 238000010248 power generation Methods 0.000 claims description 33
- 238000003860 storage Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 11
- 239000003990 capacitor Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance 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
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 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
- 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
-
- 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
本发明公开了一种基于功率特征提取的光伏‑储能系统容量优化设计方法及系统，包括：划分不同的天气类型，根据天气类型确定不同的光伏出力类型；采用经验模式分解方法将每种类型的光伏出力分解为若干IMF分量；确定用于设计混合储能容量的高频分量和低频分量；得到不同天气类型下混合储能系统的设计容量和最大充放电功率；以能量存储单元的功率流最小以及优化的综合价值与原始调度计划之间的偏差最小为目标，建立多目标优化模型；对模型进行求解，得到最优的混合储能系统容量设计方案。本发明通过经验模式分解，可以将太阳能光伏电站出力输出数据分解为几个组分，并通过多种组合方法，根据分类的天气状况获得最经济的HESS容量和充放电功率。
Description
技术领域
本发明涉及光伏-储能联合发电技术领域，尤其涉及一种基于功率特征提取的光伏-储能系统容量优化设计方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
近年来，随着以光伏发电为主体的分布式电源的广泛应用，使得配电网正逐渐从被动式接入转变成主动式接入，这对于优化电力调度、改进发电计划提供了新的选择。在多样性的分布式发电模式下，光伏与储能的联合运行与相互融合成为一种重要的发展趋势。其中，光储联合发电系统就是光伏与储能相结合的最好应用形式。由于光储联合发电系统具有电网冲击小、可调度高、并网电能质量优、能向电力系统提供惯量和阻尼等优点，既可以作为分布式电源主动抑制电网频率波动而提高配网安全稳定性的关键手段，也可以作为解决分布式发电的随机性及波动性问题的研究方向，进而提高分布式电源并网消纳的能力。
光储联合发电装置作为光储联合发电系统的核心设备，是实现光伏阵列、储能元件与电网之间能量转换的核心电力电子设备，对电能质量、电网适配性和转换效率等方面产生诸多影响。由于其具有模块化设计、成本低维护便利、开发周期短等特点，进而得到了大范围推广。
随着分布式光伏发电技术的发展，国内外对于光储联合发电技术的研究也逐渐深入。人们目前主要针对光储联合发电系统控制策略、储能系统容量优化、储能电池光储系统输出功率三个方向来进行研究。
在国外的诸多发达国家，光伏发电技术广泛应用于生产生活中，储能技术更是进一步与光伏发电技术结合，组成光储联合发电技术。目前，我国的光储联合发电项目主要以示范工程为主，现阶段储能没有大规模推广的主要原因是成本问题。
光伏储能的问题关键在于怎样在平抑光伏出力波动的基础上兼顾成本和效率的问题。“成本”是指电池损耗量(充放电次数最少化和充放电功率最小化)；“效率”是指光伏+储能的联合出力能最大限度的满足出力计划的要求。目前，尚未见与超短期光储联合出力调度相关的研究。
发明内容
本发明为了解决上述问题，提出了一种基于功率特征提取的光伏-储能系统容量优化设计方法及系统，能够在设定的调度周期内通过天气情况分类得到功率波动性最大的条件下得到最经济的储能容量的同时得到最大的充放电功率。
在一些实施方式中，采用如下技术方案：
一种基于功率特征提取的光伏-储能系统容量优化设计方法，包括：
划分不同的天气类型，根据天气类型确定不同的光伏出力类型；
采用经验模式分解方法将每种类型的光伏出力分解为若干IMF分量；
确定用于设计混合储能容量的高频分量和低频分量；
得到不同天气类型下混合储能系统的设计容量和最大充放电功率；
以能量存储单元的功率流最小以及优化的综合价值与原始调度计划之间的偏差最小为目标，建立多目标优化模型；
对所述模型进行求解，得到最优的混合储能系统容量设计方案。
在另一些实施方式中，采用如下技术方案：
一种基于功率特征提取的光伏-储能系统容量优化设计系统，包括：
划分不同的天气类型，根据天气类型确定不同的光伏出力类型；
采用经验模式分解方法将每种类型的光伏出力分解为若干IMF分量；
确定用于设计混合储能容量的高频分量和低频分量；
得到不同天气类型下混合储能系统的设计容量和最大充放电功率；
以能量存储单元的功率流最小以及优化的综合价值与原始调度计划之间的偏差最小为目标，建立多目标优化模型；
对所述模型进行求解，得到最优的混合储能系统容量设计方案。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的基于功率特征提取的光伏-储能系统容量优化设计方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于功率特征提取的光伏-储能系统容量优化设计方法。
与现有技术相比，本发明的有益效果是：
本发明提出了组合经验模式分解(CEMD)方法用于HESS的设计。通过经验模式分解(EMD)，可以将太阳能光伏电站出力输出数据分解为几个组分，并通过多种组合方法，根据分类的天气状况获得最经济的HESS容量和充放电功率。因此，容量设计的结果表明节省了成本。
本发明提出了基于CEMD和HESS的调度优化模型。算例研究证明，所提出的模型比原模型能够更好地帮助系统进行功率输出跟踪调度。另外，该模型可以为储能单元的健康安全做出贡献。
附图说明
图1是本发明实施例一中光伏功率的EMD分解结果示意图；
图2是本发明实施例一中每个IMF组分和余项的分解结果图；
图3是本发明实施例一中基于功率特征提取的光伏-储能系统容量优化设计方法流程图；
图4(a)、图4(b)、图4(c)、图4(d)是本发明实施例一中基于BPNN 功率预测算法的算例光伏电站的发电调度结果；
图5是本发明实施例一中用于发电计划调度的储能装置功率流向。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
在一个或多个实施方式中，公开了一种基于功率特征提取的光伏-储能系统容量优化设计方法，参照图3，包括以下过程：
划分不同的天气类型，根据天气类型确定不同的光伏出力类型；
采用经验模式分解方法将每种类型的光伏出力分解为若干IMF分量；
确定用于设计混合储能容量的高频分量和低频分量；
得到不同天气类型下混合储能系统的设计容量和最大充放电功率；
以能量存储单元的功率流最小以及优化的综合价值与原始调度计划之间的偏差最小为目标，建立多目标优化模型；
对所述模型进行求解，得到最优的混合储能系统容量设计方案。
下面对本实施例方法进行详细说明。
一、基于经验模式分解的光伏-储能联合系统的设计优化
1、基于经验模式分解的光伏功率分类
根据不同天气情况光伏出力可以分为不同种类，对于每种出力形式，光伏出力可以看成一组信号，经验模式分解(EMD)是希尔伯特黄变换(HHT)的初始步骤，可将功率分成多个IMF分量，再由希尔伯特谱分析得到每个IMF分量的组分固有频率。
EMD是HHT的重要过程，假设每个信号由线性和非线性的IMF组分组成，这些组分满足如下两个要求：
(1)极值点的数量和零值点的数量相等；
(2)数据上限与下限是关于时间轴局部对称。
式中，rn(t)是EMD过程后的余项，c1(t)…cn(t)包括了不同时间尺度的组分。
经过EMD后，HSA被用来产生每个IMF组分的固有频率和谱分析。
式中，PV代表柯西参数，待分解的信号可以定义如下：
z(t)＝c(t)+jH[c(t)]＝a(t)ejΦ(T) (3)
式中，a(t)是IMF组分的幅度函数，Φ(t)为相函数。基于相函数，固有频率可以定义如下：
从上述公式中可以看出，固有频率是时间的函数，表明了能量和频率集中程度。图1表示光伏功率的EMD分解结果。
从图1可以看出原始信号分为11个组分，包括10个IMF分量和1个余项。所以原始的具有波动性和间歇性的光伏出力被分解为若干组分，每个组分体现出连续性和周期性。EMD结束后，IMF组分和余项被用来做混合储能的容量设计优化。
2、基于组合经验模式的混合储能系统设计
基于天气情况和EMD分解进行混合储能系统设计。光伏电站的功率输出可以分为两部分：低频和高频。余项和若干IMF分量的加和被认为是低频部分，其它的IMF分量加和被认为是高频部分。
另外，HESS(混合储能系统)的设计一般来说分为两部分：容量(MWh)和最大充放电功率(kW)。在调度周期内，有了HESS的帮助，上网电量应该是保持稳定的。所以，HESS设计过程应该满足在特定的调度周期内并网组合系统要求。
常规计算方法取决于非常短期的太阳能发电量预测，但是，由于太阳能发电量的不确定性，预测准确性仍需要改进。为了解决这个问题，首先将EMD过程用于功率预测，然后提出CEMD(组合经验模式分解)方法来分析和找出基于不同天气条件的HESS的最经济的容量规模。
图2显示了综合功率输出和三种不同天气状况的分量的分解性能。从图2 可以清楚地看到，与左侧模块中集成的功率输出相比，右侧的分类功率输出可以表现出更高的一致性，尤其是对于高频分量而言。因此，太阳能首先根据晴天，阴天和雨天等天气状况分为三部分，然后在每一部分中，将原始数据分解为准备用于超级电容器的高频分量和为电池设计的低频分量。由于根据每个组的频率和幅度特征选择不同的储能类型，从而在每个调度周期内使太阳能功率平滑。
在分解过程之后，研究了基于各种天气条件的3种组合方案的HESS设计结果，以找到最经济的HESS大小(容量和最大/最小功率流)。根据储能单元的不同特点，选择电池作为HESS的低频分量，而选择功率密度大但成本高的超级电容器作为高频分量。最大功率流和最小功率流都减小，这对健康和寿命都有好处。由于HESS的所需容量小于ESS的容量，因此HESS的最大功率流也较小，这可以提高整个系统的寿命。另外，在HESS的高频分量中，功率波动相对较大，因此适合在这里应用超级电容器。去除了高频成分，其余的低频电流部分的波动小于原始数据，因此周期时间更短，可以改善电池的健康状况并降低安装成本。
在对HESS进行大小调整之后，可以找出最经济的混合模式，该模式至少可以保证功率输出的“最差”性能，该模式基于所建议的CEMD方法由超级电容器和电池组成。在本节中，首先介绍组合模型以及发电调度过程。然后将不同的功率预测算法应用于调度优化，以说明所提出方法的性能。
二、对于超短期出力计划优化的改进
1、光伏-储能联合发电系统出力计划的模型结构
PV-ES组合系统的模型配置总结了光伏电站和储能单元。面对高频和低频的太阳能输出的各个组成部分，分别选择超级电容器和电池。每个调度时间间隔中组合系统的功率和能量可以视为离散的时间序列数据样本。调度时间间隔是根据不同的天气条件确定的，晴天的时间间隔可能会延长，因为晴天的数据波动要小于阴天和雨天的数据。
用于预测模型训练的太阳能数据还包含前三个时间步长(每个步长为15分钟)中的历史太阳能，辐射和温度。
2、基于NSGA II的超短期发电计划的多目标优化
为了优化系统生成计划，在所有调度持续时间(由于不同的天气类别，需要10分钟至30分钟)中都需要将集成的功率输出数据作为恒定值，因此应用了多目标方法。多目标优化包括至少两个目标以及一些约束。发电调度过程有两个目标：能量存储单元的最小功率流和优化的综合价值与原始调度计划之间的最小偏差。另外，功能的约束来自每个能量存储单元的相应特征。
根据选型结果，计算出HESS的容量。在发电调度过程中，存储单元的充电状态(SOC)表示充电/放电功率流。对象的详细功能如下所示：
其中，y(k+t)是下一个调度周期的实际功率输出PG；r(k+t)是发电计划PD；p 是预测时域，m是控制时域；目标函数的约束如方程式(9)所示，其中
和
是充放电系数，用于说明优化周期T中每个时刻的潮流方向。SOCmin＝0.2， SOCmax＝0.8；并且在时刻t正在充电和放电。其中，
和
分别是充电过程最小功率(充电为负)和放电过程的最大功率(放电为正)；SOCt、SOCt-1分别表示t时刻、t-1时刻的电池荷电状态；ΔT表示发电计划上报周期；
分别表示时刻充电功率和放电功率；Cap表示电池容量MWh；η表示电池转换效率； SOCmin、SOCmax分别表示荷电状态最小值和荷电状态最大值。
三、算例分析
本实施例选取光伏电站的装机容量为20MW，位于华东。太阳能数据的持续时间为2017年1月1日至2017年3月31日，包括电力历史数据，辐射和温度，每日日照时间为6：00-19：00。数据的时间步长为1分钟，调度时间为10 分钟。
1、基于天气情况分类的HESS设计对比
表I说明了HESS参数的比较，包括容量，最大/最小功率流，循环时间和安装成本。所有测试数据都分为两类：基于所有天气情况的数据和基于历史天气数据的相关天气条件的数据。两组都考虑了HESS设计，包括用于高频组件的超级电容器和用于低频组件的电池。从表I中可以看到以下信息：
1)在每种情况下，电池的容量和功率流都比超级电容器大。
2)分类天气条件的HESS小于所有天气条件下的HESS。事实证明，使用提出的设计方法比混合气候条件下的普通方案更加经济。
3)对于三种分类的天气条件，功率波动越大，则需要的HESS尺寸就越大。因此，雨天的太阳能波动最大，因此可以根据此分类确定HESS大小，从而使该容量和功率流在所有分类条件中最大，可以满足功率平抑的所有要求。
此外在雨天，HESS的循环时间在超级电容器中为291，在电池中为82，比在所有天气情况下的HESS短。最好缩短电池的循环时间。超级电容器有超过一百万次，但是电池只有2000～7000次循环。
从表中可以看出，除了HESS的优先级与常规ESS相比，不同的组件方案可以生成各种容量和HESS的功率流以进行发电调度。超级电容器的成本为 10000-20000€/kWh，NaS电池的成本为500-700€/kWh，成本比较如表I所示。在这种情况下，设计了用于分类天气条件的HESS根据“阴雨天”的计算结果，对高频部件进行功率平抑时，容量为15.1MWh，最大/最小功率流为5.45MW/ 0.01MW(超级电容器)。对于低频剃须组件，容量为21.19MWh，最大/最小功率流为7.9MW/0.23MW(电池)。
表I天气分类和不考虑天气分类的HESS定容结果
2、混合储能系统(HESS)和常规储能系统(ESS)在超短期光伏-储能联合系统出力调度上的性能对比
在通过NSGA II进行优化之前，根据超短期太阳能光伏功率预测确定发电计划。在本文中，为了评估所提出的调度方法的性能研究了几种方案。神经网络是最流行的预测算法之一，在核函数中，径向基函数神经网络(RBFNN)和误差反向传播神经网络(BPNN)具有较好的预测性能。因此，这里应用这两种算法来完成优化模型。
情况1基于BP神经网络光伏预测的优化效果对比
图4(a)、图4(b)、图4(c)、图4(d)是基于BPNN功率预测算法的算例光伏电站的发电调度结果。图4(a)是不进行天气分类条件下的太阳能发电优化结果，图4(b)、图4(c)、图4(d)是基于不同天气条件下HESS的优化结果。从这些图可以清楚地看出，这两种方案都将调度计划从蓝色优化为红色，而图4(b)中在原始计划和优化结果之间的偏差小于图4(a)的偏差。这是因为在CEMD之后，波动小于原始风数据。超级电容器和电池都有相似的组件模式，如图4(b)所示。
情况II基于RBF神经网络光伏预测的优化效果对比
为了评估所提出模型的性能及其适应性，本实施例采用RBFNN预测算法。算例研究表明，所提出的调度方法在RBFNN预测模型中具有更好的性能，其结果与算例I相似。
图5分别显示了具有集成储能系统(ESS)和混合储能系统(HESS)的储能单元的功率流。如图5所示，本实施例采用EMD方法后，能量存储单元的功率流减小，以红色显示。功率变化较小意味着能量存储单元的健康状况。因此，图5显示了所提出的方法在保持储能单元健康安全方面的优势。
本实施例将储能系统集成到光伏电站中以形成光伏-储能系统是大规模可再生能源并网的有效解决方案。本实施例将ESS替换为HESS以降低安装成本。 HESS由电池和超级电容器组成。电池用于减少低频变化但幅度较大的电源波动，超级电容器用于平滑高频变化但幅度较小的电源。
综上，本实施例提出了组合经验模式分解(CEMD)方法用于HESS的设计。通过经验模式分解(EMD)，可以将太阳能光伏电站出力输出数据分解为几个组分，并通过多种组合方法，根据分类的天气状况获得最经济的HESS容量和充放电功率。因此，容量设计的结果表明节省了成本。
本实施例提出了基于CEMD和HESS的调度优化模型。算例研究证明，所提出的模型比原模型能够更好地帮助系统进行功率输出跟踪调度。另外，该模型可以为储能单元的健康安全做出贡献。
实施例二
在一个或多个实施方式中，公开了一种基于功率特征提取的光伏-储能系统容量优化设计系统，包括：
划分不同的天气类型，根据天气类型确定不同的光伏出力类型；
采用经验模式分解方法将每种类型的光伏出力分解为若干IMF分量；
确定用于设计混合储能容量的高频分量和低频分量；
得到不同天气类型下混合储能系统的设计容量和最大充放电功率；
以能量存储单元的功率流最小以及优化的综合价值与原始调度计划之间的偏差最小为目标，建立多目标优化模型；
对所述模型进行求解，得到最优的混合储能系统容量设计方案。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的基于功率特征提取的光伏-储能系统容量优化设计方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的基于功率特征提取的光伏-储能系统容量优化设计方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于功率特征提取的光伏-储能系统容量优化设计方法，其特征在于，包括：
划分不同的天气类型，根据天气类型确定不同的光伏出力类型；
采用经验模式分解方法将每种类型的光伏出力分解为若干IMF分量；
确定用于设计混合储能容量的高频分量和低频分量；
得到不同天气类型下混合储能系统的设计容量和最大充放电功率；
再利用组合经验模式分解方法分析和找出基于不同天气条件的混合储能系统的最经济的容量规模；
以能量存储单元的功率流最小以及优化的综合价值与原始调度计划之间的偏差最小为目标，建立多目标优化模型；
对所述模型进行求解，得到最优的混合储能系统容量设计方案；
针对超短期光伏-储能联合系统出力调度，能够在设定的调度周期内通过天气情况分类得到功率波动性最大的条件下得到最经济的储能容量的同时得到最大的充放电功率。
2.如权利要求1所述的一种基于功率特征提取的光伏-储能系统容量优化设计方法，其特征在于，划分不同的天气类型，具体为：将天气类型至少划分为晴天，阴天和雨天三种类型。
3.如权利要求1所述的一种基于功率特征提取的光伏-储能系统容量优化设计方法，其特征在于，采用经验模式分解方法将每种类型的光伏出力分解为若干IMF分量，具体为：
其中，s(t)表示光伏出力信号，rn(t)是EMD过程后的余项，c1(t)…cn(t)表示不同时间尺度的组分。
4.如权利要求1所述的一种基于功率特征提取的光伏-储能系统容量优化设计方法，其特征在于，确定用于设计混合储能容量的高频分量和低频分量，具体为：
将经验模式分解后的余项和若干设定的IMF分量的加和作为低频部分，用于蓄电池的容量设计；将剩余的IMF分量的加和作为高频部分，用于超级电容器的容量设计。
5.如权利要求1所述的一种基于功率特征提取的光伏-储能系统容量优化设计方法，其特征在于，得到不同天气类型下混合储能系统的设计容量和最大充放电功率之后，选取至少能够满足功率输出最差的性能所对应的容量设计方案。
6.如权利要求1所述的一种基于功率特征提取的光伏-储能系统容量优化设计方法，其特征在于，以能量存储单元的功率流最小以及优化的综合价值与原始调度计划之间的偏差最小为目标，建立多目标优化模型，具体为：
其中，y(k+t)是下一个调度周期的实际功率输出PG；r(k+t)是发电计划PD；p是预测时域，m是控制时域；u(k+t-1)表示k+t-1时刻每一个能量存储单元的功率流。
7.如权利要求6所述的一种基于功率特征提取的光伏-储能系统容量优化设计方法，其特征在于，所述多目标优化模型的约束条件包括：
其中，
和
是充放电系数，T为优化周期，
和
分别是充电过程最小功率和放电过程的最大功率；SOCt、SOCt-1分别表示t时刻、t-1时刻的电池荷电状态；ΔT表示发电计划上报周期；Pt ch、Pt dis分别表示时刻充电功率和放电功率；Cap表示电池容量MWh；η表示电池转换效率；SOCmin、SOCmax分别表示荷电状态最小值和荷电状态最大值。
8.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于功率特征提取的光伏-储能系统容量优化设计方法。
9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于功率特征提取的光伏-储能系统容量优化设计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911311157.5A CN111146793B (zh) | 2019-12-18 | 2019-12-18 | 基于功率特征提取的光伏-储能系统容量优化设计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911311157.5A CN111146793B (zh) | 2019-12-18 | 2019-12-18 | 基于功率特征提取的光伏-储能系统容量优化设计方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111146793A CN111146793A (zh) | 2020-05-12 |
| CN111146793B true CN111146793B (zh) | 2021-11-26 |
Family
ID=70518747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911311157.5A Active CN111146793B (zh) | 2019-12-18 | 2019-12-18 | 基于功率特征提取的光伏-储能系统容量优化设计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111146793B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112290568A (zh) * | 2020-09-27 | 2021-01-29 | 天津大学 | 一种“光-储”发电系统混合储能配置方法 |
| CN112734464A (zh) * | 2020-12-31 | 2021-04-30 | 晶科能源股份有限公司 | 项目成本预测方法、装置以及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103178538A (zh) * | 2013-04-11 | 2013-06-26 | 华北电力大学 | 混合储能型风力发电系统的风电功率波动抑制方法 |
| CN105260797A (zh) * | 2015-10-22 | 2016-01-20 | 华北电力大学 | 一种计及经济性评估的微网储能电站规划控制方法 |
| CN106230012A (zh) * | 2016-09-19 | 2016-12-14 | 华北电力大学（保定） | 并网光伏系统中超级电容器与蓄电池容量的优化配置方法 |
| CN106385044A (zh) * | 2016-09-30 | 2017-02-08 | 安徽工程大学 | 用于风电场发电计划跟踪的复合储能控制系统及其控制方法 |
| CN106780136A (zh) * | 2016-12-13 | 2017-05-31 | 湖南省德沃普储能有限公司 | 一种用户侧电池储能系统参与电网辅助服务的净收益计算方法 |
| CN106998072A (zh) * | 2017-05-15 | 2017-08-01 | 国网江苏省电力公司电力科学研究院 | 一种面向配电网优化运行的混合储能系统容量优化配置方法 |
| CN108985521A (zh) * | 2018-08-02 | 2018-12-11 | 广东工业大学 | 光伏发电系统的输出功率预测方法、装置、设备及介质 |
| CN109167391A (zh) * | 2018-10-11 | 2019-01-08 | 珠海吉瓦科技有限公司 | 一种基于集合经验模态分解的梯次电池储能电站能量管理方法及系统 |
-
2019
- 2019-12-18 CN CN201911311157.5A patent/CN111146793B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103178538A (zh) * | 2013-04-11 | 2013-06-26 | 华北电力大学 | 混合储能型风力发电系统的风电功率波动抑制方法 |
| CN105260797A (zh) * | 2015-10-22 | 2016-01-20 | 华北电力大学 | 一种计及经济性评估的微网储能电站规划控制方法 |
| CN106230012A (zh) * | 2016-09-19 | 2016-12-14 | 华北电力大学（保定） | 并网光伏系统中超级电容器与蓄电池容量的优化配置方法 |
| CN106385044A (zh) * | 2016-09-30 | 2017-02-08 | 安徽工程大学 | 用于风电场发电计划跟踪的复合储能控制系统及其控制方法 |
| CN106780136A (zh) * | 2016-12-13 | 2017-05-31 | 湖南省德沃普储能有限公司 | 一种用户侧电池储能系统参与电网辅助服务的净收益计算方法 |
| CN106998072A (zh) * | 2017-05-15 | 2017-08-01 | 国网江苏省电力公司电力科学研究院 | 一种面向配电网优化运行的混合储能系统容量优化配置方法 |
| CN108985521A (zh) * | 2018-08-02 | 2018-12-11 | 广东工业大学 | 光伏发电系统的输出功率预测方法、装置、设备及介质 |
| CN109167391A (zh) * | 2018-10-11 | 2019-01-08 | 珠海吉瓦科技有限公司 | 一种基于集合经验模态分解的梯次电池储能电站能量管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111146793A (zh) | 2020-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111009895B (zh) | 一种微网优化调度方法、系统以及设备 | |
| CN115117931A (zh) | 考虑电动汽车灵活性和光伏接入的配电网规划方法及系统 | |
| CN107482679B (zh) | 考虑储能系统充放电次数的主动配电网日前优化调度方法 | |
| CN113541166B (zh) | 一种分布式储能优化配置方法、系统、终端和存储介质 | |
| CN111146793B (zh) | 基于功率特征提取的光伏-储能系统容量优化设计方法及系统 | |
| CN111915161B (zh) | 基于可调鲁棒算法的区域光储充系统短期调度方法和系统 | |
| CN112994092B (zh) | 一种基于功率预测的独立风光储微电网系统尺寸规划方法 | |
| CN111934344A (zh) | 一种基于动态规划的园区光伏与储能多目标优化调度方法 | |
| CN113794244A (zh) | 含多微网主动配电系统的定价与最优能量调度方法和系统 | |
| CN114819373A (zh) | 一种基于合作博弈的共享混合储能电站的储能规划方法 | |
| CN105914769A (zh) | 离网状态下光储微电网的能量管理方法及系统 | |
| CN114529100A (zh) | 一种面向区域电网风光消纳的储能优化配置方法及系统 | |
| CN116562657B (zh) | 基于物联网的光伏储能管理方法、装置、介质、电子设备 | |
| CN115065075B (zh) | 风储集群中储能站优化调度方法、系统及存储介质 | |
| CN112821451B (zh) | 基于需求侧管理与储能的城镇配电网光伏接入应对方法 | |
| CN113178896B (zh) | 一种固定出力光储联合电站装机容量配置方法及系统 | |
| CN114709852A (zh) | 一种微能源网能量管理响应特性快速计算分析方法及系统 | |
| CN115065097A (zh) | 计及不确定性的光-储场站日内功率上报方法及装置 | |
| CN114723278A (zh) | 一种考虑光伏储能的社区微电网调度方法及系统 | |
| Wu et al. | Study on distributed generators optimization system in island microgrid | |
| CN115473251B (zh) | 一种电池储能系统的功率优化控制方法、装置及电子设备 | |
| Pan et al. | Energy storage system planning based on cost analysis in distribution network | |
| Okoye et al. | Determination of Energy Storage Capacity Requirement for a Hybrid Renewable Power Generation System | |
| CN118589549A (zh) | 一种配电网储能双层优化配置方法、系统、设备及介质 | |
| CN114256884A (zh) | 考虑光伏不确定性柴油机储能微网车优化配置方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200512 Assignee: Shandong Green Energy Environmental Protection Technology Co.,Ltd. Assignor: University of Jinan Contract record no.: X2022980016371 Denomination of invention: Capacity optimization design method and system of photovoltaic energy storage system based on power feature extraction Granted publication date: 20211126 License type: Common License Record date: 20220928 |