CN111313445A - 一种基于模型预测控制的储能设备优化配置方法 - Google Patents
一种基于模型预测控制的储能设备优化配置方法 Download PDFInfo
- Publication number
- CN111313445A CN111313445A CN202010193847.1A CN202010193847A CN111313445A CN 111313445 A CN111313445 A CN 111313445A CN 202010193847 A CN202010193847 A CN 202010193847A CN 111313445 A CN111313445 A CN 111313445A
- Authority
- CN
- China
- Prior art keywords
- power
- energy storage
- distribution network
- equipment
- optimization
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明提供了一种基于模型预测控制的储能设备优化配置方法,包括:步骤1,构建综合能源配网电力网络模型:IEEE33节点配网结构、支路及节点数据信息;步骤2,以生命全周期总成本最低为目标,建立日前长时间尺度下的优化目标函数,使资的总和最小;步骤3,设定综合能源配网优化约束:设备运行区间约束、电网潮流约束、配网节点电压约束及功率平衡约束;步骤4,基于模型预测控制法,根据机组的特性方程构建预测模型,在线优化滚动求解,最后根据扰动偏差进行反馈校正;步骤5,利用求解器解决储能设备优化配置问题:求取最佳变量使优化目标函数最小,实现储能设备优化配置。
Description
技术领域
本发明涉及电力系统技术领域,具体涉及一种基于模型预测控制的储能设备优化配置方法。
背景技术
由于能源危机和资源浪费问题日益严重,人们积极拓展新能源渠道。人们通过分布式光伏发电技术高效利用清洁绿色的太阳能,逐步提高配电网中分布式电源(DG,distributed generation)的渗透率。目前,含DG的综合能源系统因其较高的社会经济效益以及能源效率受到人们的青睐,成为构建低碳社会的战略关键。
然而,由于外界环境的影响,高密度光伏的随机性和波动性会影响系统电压的波形质量,干扰压控设备的保护动作,难以控制调节,影响用户电能质量,增加系统网损,对综合能源配网台区侧的安全稳定性造成巨大危害。此外,负荷侧用户的需求在时间分布也呈现出不确定性,对综合能源系统的优化产生影响。因此,为有效消纳分布式光伏,降低用户用电行为的不确定性对综合能源系统优化的影响,引入储能设备,根据光伏出力和负荷需求进行较为准确的功率预测和运行调度。
将储能设备引入配电网,能够落实配网需求侧的高效管理,削峰填谷,平滑负荷,提升核心设备的利用率,减少供电资本投入。还能平抑光伏的出力波动,降低冲击电网的可能性,提升配网消纳光伏的能力,大大提高供电可靠性,更好地保障综合能源系统的安全稳定,充分体现新能源发电的优势。未来,储能设备的发展应用会给传统的电力系统模式带来巨大革新,综合能源系统中储能设备的使用将变成我国分布式能源发展重要的产业形式。
发明内容
本发明的目的在于提供一种基于模型预测控制的储能设备优化配置方法,以解决现有技术的缺陷,为实现上述目的,本发明提供如下的的技术方案,包括:
步骤1:构建综合能源配网电力网络模型;
该综合能源配网电力网络模型考虑了IEEE33节点配网结构、支路数据信息以及节点数据信息,符合国际统一标准和电网实际情形,现实价值突出;IEEE33节点配网结构描述了综合能源配网各节点间的连接关系;支路数据信息具体指的是网络线路的阻抗;节点数据信息具体包括综合能源配网各节点的负荷大小、光伏发电设备的容量、安装位置以及储能电站的位置;
步骤2:日前长时间尺度下的优化目标函数建立;
所述日前长时间尺度下的优化目标函数以内燃机为原动机,基于光伏输出功率及用户负荷的随机波动,将生命全周期总投资成本最低作为最优目标,对综合能源系统储能设备进行优化配置,目的是使建造资本、运行资本及维护资本的总和最小;
所述步骤2包含2个步骤,如下:
步骤2.1:选定1h为长时间尺度下的时间间隔;
步骤2.2:将分布式光伏发电系统的随机性模型引入综合能源配电网模型中,再结合储能、内燃机等核心设备,将生命全周期总投资成本最低作为目标函数;包含所有设备的建造成本、运行成本以及维护成本,目标函数为:
C=min(∑Cb+∑Cop+∑Cm) (1)
式中:Cb为建造资本;Cop为运行资本;Cm为维护资本。各部分具体表达式为:
1)考虑到储能设备的建造及折旧率,Cb是将设备折算到每年的装机成本:
式中:IntRate为利率,取0.03;Ny为全寿命周期,取20,单位为年;t为当下年份;Rco,t为将第t年费用折算到当前年份的系数;Rre为折旧率;S、G分别为储能和内燃机的建造单价;RS、RG分别为储能和内燃机的容量;
2)储能设备工作时要按功率收取相应费用,Cop为储能费、从上级电网购买的电能花费以及内燃机的燃料费:
Cop=Cs+Ce+Cg (4)
式中:Cs为储能资本;EESD是存储能量;FESD为储能单位时间内吸收能量的成本系数,取0.13元/(kWh·h-1);Ce为与上级电网交易的购电资本;采用峰谷电价制度,Te是分时电价;Pbuy是购电功率;Cg是内燃机的燃料资本;Tg是燃料价格;Nday是30,单位为天;
3)Cm是设备的维护费用:
Cm=(RsS+RGG)BmNy (6)
式中:Bm是设备的维护成本系数,取0.02;
步骤3:设定综合能源配网优化约束;
该综合能源配网优化约束包括设备运行区间约束、电网潮流约束、配网节点电压约束、功率平衡约束,所述步骤3包含3个步骤,如下:
步骤3.1:功率平衡约束;
此台区侧配电网系统必须符合总体电负荷的供需平衡,约束条件如下:
PPV+PICE+PESD_out+Pbuy=Pload+PLoss+PESD_in (7)
式中:PPV为光伏设备的输出功率;PESD_out和PESD_in分别是储能设备输出和吸收的功率;Pload是负荷功率;PLoss是整个系统损耗的功率;
步骤3.2:设备运行区间约束;
为了保障电力设备运行的安全稳定,使用寿命最大化,所有设备都应有功率、电压限制,即Pi、Qi、Vi都要满足各自设备允许的上下限:
步骤3.3:潮流约束;
为保证电力系统的稳定运行,潮流分布需满足如下条件:
式中:Pkj、Qkj分别为节点k、j间线路的有功功率和无功功率;Rkj、Xkj为对应线路的阻抗;u(j)、v(j)分别为与节点j相连接的上游节点k集合和下游节点l集合;Uk、Uj分别为节点k、j的电压幅值;
步骤4:模型预测控制日内滚动优化求解;
所述基于模型预测控制的优化求解主要由预测模型、滚动优化和反馈校正构成,可以尽量消除日前预测误差过大造成的日内实际计划偏离现象;
所述步骤4包含4个步骤,如下:
步骤4.1:根据机组的特性方程构建预测模型,将当下时间的测量值做为初始状态。针对含高密度光伏、储能设备、内燃机及热电负荷的综合能源配网,在采样时段,将t0时刻光伏输出、储能充放电功率及内燃机出力的测量初值做为初始状态,建立功率状态向量:
P0(t0)=[PPV(t0),PESD(t0),PICE(t0)] (10)
t0时刻预测的K+△T时刻的模型如下:
式中:K为预测步长;△T为调度时长;△P(t0+t)为未来时段各机组出力增量的短时预测;
步骤4.2:将日前优化结果做为参考,以机组出力增量最小为目标,利用均方根量化相对误差,尽可能减少所有设备输出功率的偏差。目标函数如下:
式中,P*(t0+t)为日前计划结果,n为高密度光伏、储能设备、内燃机的机组集合;
步骤4.3:综合考虑当前时段内的诸多不确定因素,把实际信息与预测结果的偏差当做反馈量,以当下时刻的实际状态量作为初始值,通过持续的在线滚动校正,保证未来的结果输出与预设参考轨迹的偏差量最小;日内滚动修正模型如下:
P0(t0+KΔT)=Ptrue(t0+KΔT) (13)
步骤4.4:结合需求侧响应即用户负荷需求,实现光伏设备、配电网络、内燃机及储能系统的协调调度、优化运行,落实“自发用电、余量上网、电网调剂”的高效模式;对于客户端负荷不确定性的问题,政府应当结合日前优化调度结果,实施相关政策调整配网内部电价,积极引导用户用电情势,促使需求侧负荷曲线接近光伏系统出力曲线,尽力减少综合能源配网对储能设备选址定容的要求;
步骤5:求解器计算解决综合能源系统储能设备优化配置问题;
结合步骤3的综合能源配网优化约束,利用求解器求取步骤2的综合能源系统储能设备优化目标函数,再根据步骤4中模型预测控制思想的滚动优化及反馈校正,求取最佳变量使优化目标函数最小,实现综合能源系统储能设备的优化配置。
与最接近的现有技术相比,本发明的有益效果是:
1、通过储能设备稳定光伏出力,结合内燃机运行工况,热电联合,构建各单元模型,减小光伏输出的不确定性对电网造成的冲击,提高综合能源系统供电可靠性;
2、将生命全周期总投资成本最低作为日前长时间尺度优化的目标函数,预测高密度光伏、联供设备的有功出力和储能需求,求解获取最佳容量,验证该计划的合理性,为日内优化提供参考量;
3、基于MPC的思路,由于外界扰动会造成影响,以日前调度值与实际信息的偏差最小为目标,进行日内滚动优化和反馈校正,尽可能减少出力增量,平滑机组功率输出,解决光伏发电间歇性强及负荷形式多样的问题,降低DG和负荷不确定性特征对系统的影响。
附图说明
图1为本发明的流程图。
图2是本发明实施案例中采用的IEEE33节点结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施案例对本发明进行深入地详细说明。应当理解,此处所描述的具体实施案例仅仅用以解释本发明,并不用于限定发明。
如图1所示,本发明所述的一种基于模型预测控制的储能设备优化配置方法,流程如图1所示,具体包括以下步骤:
步骤1:构建综合能源配网电力网络模型
该综合能源配网电力网络模型考虑了IEEE33节点配网结构、支路数据信息以及节点数据信息,符合国际统一标准和电网实际情形,现实价值突出。IEEE33节点配网结构描述了综合能源配网各节点间的连接关系;支路数据信息具体指的是网络线路的阻抗;节点数据信息具体包括综合能源配网各节点的负荷大小、光伏发电设备的容量、安装位置以及储能电站的位置。
步骤2:日前长时间尺度下的优化目标函数建立
所述日前长时间尺度下的优化目标函数以内燃机为原动机,基于光伏输出功率及用户负荷的随机波动,将生命全周期总投资成本最低作为最优目标,对综合能源系统储能设备进行优化配置,目的是使建造资本、运行资本及维护资本的总和最小;
所述步骤2包含2个步骤,如下:
步骤2.1:选定1h为长时间尺度下的时间间隔;
步骤2.2:将分布式光伏发电系统的随机性模型引入综合能源配电网模型中,再结合储能、内燃机等核心设备,将生命全周期总投资成本最低作为目标函数。包含所有设备的建造成本、运行成本以及维护成本,目标函数为:
C=min(∑Cb+∑Cop+∑Cm) (1)
式中:Cb为建造资本;Cop为运行资本;Cm为维护资本。各部分具体表达式为:
1)考虑到储能设备的建造及折旧率,Cb是将设备折算到每年的装机成本:
式中:IntRate为利率,取0.03;Ny为全寿命周期,取20,单位为年;t为当下年份;Rco,t为将第t年费用折算到当前年份的系数;Rre为折旧率;S、G分别为储能和内燃机的建造单价;RS、RG分别为储能和内燃机的容量;
2)储能设备工作时要按功率收取相应费用,Cop为储能费、从上级电网购买的电能花费以及内燃机的燃料费:
Cop=Cs+Ce+Cg (4)
式中:Cs为储能资本;EESD是存储能量;FESD为储能单位时间内吸收能量的成本系数,取0.13元/(kWh.h-1);Ce为与上级电网交易的购电资本;采用峰谷电价制度,Te是分时电价;Pbuy是购电功率;Cg是内燃机的燃料资本;Tg是燃料价格;Nday是30,单位为天;
3)Cm是设备的维护费用:
Cm=(RsS+RGG)BmNy (6)
式中:Bm是设备的维护成本系数,取0.02。
步骤3:设定综合能源配网优化约束
该综合能源配网优化约束包括设备运行区间约束、电网潮流约束、配网节点电压约束、功率平衡约束,所述步骤3包含3个步骤,如下:
步骤3.1:功率平衡约束
此台区侧配电网系统必须符合总体电负荷的供需平衡,约束条件如下:
PPV+PICE+PESD_out+Pbuy=Pload+PLoss+PESD_in (7)
式中:PPV为光伏设备的输出功率;PESD_out和PESD_in分别是储能设备输出和吸收的功率;Pload是负荷功率;PLoss是整个系统损耗的功率;
步骤3.2:设备运行区间约束
为了保障电力设备运行的安全稳定,使用寿命最大化,所有设备都应有功率、电压限制,即Pi、Qi、Vi都要满足各自设备允许的上下限:
步骤3.3:潮流约束
为保证电力系统的稳定运行,潮流分布需满足如下条件:
式中:Pkj、Qkj分别为节点k、j间线路的有功功率和无功功率;Rkj、Xkj为对应线路的阻抗;u(j)、v(j)分别为与节点j相连接的上游节点k集合和下游节点l集合;Uk、Uj分别为节点k、j的电压幅值。
步骤4:模型预测控制日内滚动优化求解
所述基于模型预测控制的优化求解主要由预测模型、滚动优化和反馈校正构成,可以尽量消除日前预测误差过大造成的日内实际计划偏离现象;
所述步骤4包含4个步骤,如下:
步骤4.1:根据机组的特性方程构建预测模型,将当下时间的测量值做为初始状态。针对含高密度光伏、储能设备、内燃机及热电负荷的综合能源配网,在采样时段,将t0时刻光伏输出、储能充放电功率及内燃机出力的测量初值做为初始状态,建立功率状态向量:
P0(t0)=[PPV(t0),PESD(t0),PICE(t0)] (10)
t0时刻预测的K+△T时刻的模型如下:
式中:K为预测步长;△T为调度时长;△P(t0+t)为未来时段各机组出力增量的短时预测;
步骤4.2:将日前优化结果做为参考,以机组出力增量最小为目标,利用均方根量化相对误差,尽可能减少所有设备输出功率的偏差。目标函数如下:
式中,P*(t0+t)为日前计划结果,n为高密度光伏、储能设备、内燃机的机组集合;
步骤4.3:综合考虑当前时段内的诸多不确定因素,把实际信息与预测结果的偏差当做反馈量,以当下时刻的实际状态量作为初始值,通过持续的在线滚动校正,保证未来的结果输出与预设参考轨迹的偏差量最小。日内滚动修正模型如下:
P0(t0+KΔT)=Ptrue(t0+KΔT) (13)
步骤4.4:结合需求侧响应即用户负荷需求,实现光伏设备、配电网络、内燃机及储能系统的协调调度、优化运行,落实“自发用电、余量上网、电网调剂”的高效模式。对于客户端负荷不确定性的问题,政府应当结合日前优化调度结果,实施相关政策调整配网内部电价,积极引导用户用电情势,促使需求侧负荷曲线接近光伏系统出力曲线,尽力减少综合能源配网对储能设备选址定容的要求。
步骤5:求解器计算解决综合能源系统储能设备优化配置问题
结合步骤3的综合能源配网优化约束,利用求解器求取步骤2的综合能源系统储能设备优化目标函数,再根据步骤4中模型预测控制思想的滚动优化及反馈校正,求取最佳变量使优化目标函数最小,实现综合能源系统储能设备的优化配置。
实施案例
1)构建综合能源配网电力网络模型
采用IEEE33节点配电网示例,外部电网及内燃机安装在1号节点附近,储能设备安装在2号节点。图2为综合能源配电网的系统拓扑结构以及光伏安装节点图;
2)日前长时间尺度下的优化目标函数建立
建立日前长时间尺度下的优化目标函数,系统价格参数如下表:
表1设备成本费用
设备名称 | 单位成本 | 运行维护成本 |
储能 | 350元/kWh | 每年3%的初期投资 |
内燃机 | 2000元/kW | 每年5%的初期投资 |
表2分时电价表
时段 | 购电电价(元/kWh) | 时间 |
峰 | 0.978 | 7:00-19:00 |
谷 | 0.583 | 19:00-7:00 |
3)设定综合能源配网优化约束
针对IEEE33节点配电网的优化约束如下:
式中:Pkj、Qkj分别为节点k、j间线路的有功功率和无功功率;Rkj、Xkj为对应线路的阻抗;u(j)、v(j)分别为与节点j相连接的上游节点k集合和下游节点,集合;Uk、Uj分别为节点k、j的电压幅值;
为了保障电力设备运行的安全稳定,使用寿命最大化,所有设备都应有功率、电压限制,即Pi、Qi、Vi都要满足各自设备允许的上下限:
4)求解器计算综合能源系统储能设备优化配置问题
使用求解器计算解决此优化问题,得到全寿命周期内的最低成本是6.0119e+07元,需配置2台储能设备,每台容量为10kw。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行同等替换,凡在本发明的精神和原则之内,所做的任何修改、同等替换、改进等、均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于模型预测控制的储能设备优化配置方法,所述方法包括:
步骤1:构建综合能源配网电力网络模型;
该综合能源配网电力网络模型考虑了IEEE33节点配网结构、支路数据信息以及节点数据信息,符合国际统一标准和电网实际情形,现实价值突出;IEEE33节点配网结构描述了综合能源配网各节点间的连接关系;支路数据信息具体指的是网络线路的阻抗;节点数据信息具体包括综合能源配网各节点的负荷大小、光伏发电设备的容量、安装位置以及储能电站的位置;
步骤2:日前长时间尺度下的优化目标函数建立;
所述日前长时间尺度下的优化目标函数以内燃机为原动机,基于光伏输出功率及用户负荷的随机波动,将生命全周期总投资成本最低作为最优目标,对综合能源系统储能设备进行优化配置,目的是使建造资本、运行资本及维护资本的总和最小;所述步骤2包含2个步骤,如下:
步骤2.1:选定1h为长时间尺度下的时间间隔;
步骤2.2:将分布式光伏发电系统的随机性模型引入综合能源配电网模型中,再结合储能、内燃机等核心设备,将生命全周期总投资成本最低作为目标函数;包含所有设备的建造成本、运行成本以及维护成本,目标函数为:
C=min(∑Cb+∑Cop+∑Cm) (1)
式中:Cb为建造资本;Cop为运行资本;Cm为维护资本;各部分具体表达式为:
1)考虑到储能设备的建造及折旧率,Cb是将设备折算到每年的装机成本:
式中:IntRate为利率,取0.03;Ny为全寿命周期,取20,单位为年;t为当下年份;Rco,t为将第t年费用折算到当前年份的系数;Rre为折旧率;S、G分别为储能和内燃机的建造单价;RS、RG分别为储能和内燃机的容量;
2)储能设备工作时要按功率收取相应费用,Cop为储能费、从上级电网购买的电能花费以及内燃机的燃料费:
Cop=Cs+Ce+Cg (4)
式中:Cs为储能资本;EESD是存储能量;FESD为储能单位时间内吸收能量的成本系数,取0.13元/(kWh·h-1);Ce为与上级电网交易的购电资本;采用峰谷电价制度,Te是分时电价;Pbuy是购电功率;Cg是内燃机的燃料资本;Tg是燃料价格;Nday是30,单位为天;
3)Cm是设备的维护费用:
Cm=(RSS+RGG)BmNy (6)
式中:Bm是设备的维护成本系数,取0.02;
步骤3:设定综合能源配网优化约束;
该综合能源配网优化约束包括设备运行区间约束、电网潮流约束、配网节点电压约束、功率平衡约束,所述步骤3包含3个步骤,如下:
步骤3.1:功率平衡约束;
此台区侧配电网系统必须符合总体电负荷的供需平衡,约束条件如下:
PPV+PICE+PESD_out+Pbuy=Pload+PLoss+PESD_in (7)
式中:PPV为光伏设备的输出功率;PESD_out和PESD_in分别是储能设备输出和吸收的功率;Pload是负荷功率;PLoss是整个系统损耗的功率;
步骤3.2:设备运行区间约束;
为了保障电力设备运行的安全稳定,使用寿命最大化,所有设备都应有功率、电压限制,即Pi、Qi、Vi都要满足各自设备允许的上下限:
步骤3.3:潮流约束;
为保证电力系统的稳定运行,潮流分布需满足如下条件:
式中:Pkj、Qkj分别为节点k、j间线路的有功功率和无功功率;Rkj、Xkj为对应线路的阻抗;u(j)、v(j)分别为与节点j相连接的上游节点k集合和下游节点l集合;Uk、Uj分别为节点k、j的电压幅值;
步骤4:模型预测控制日内滚动优化求解;
所述基于模型预测控制的优化求解主要由预测模型、滚动优化和反馈校正构成,可以尽量消除日前预测误差过大造成的日内实际计划偏离现象;
所述步骤4包含4个步骤,如下:
步骤4.1:根据机组的特性方程构建预测模型,将当下时间的测量值做为初始状态;针对含高密度光伏、储能设备、内燃机及热电负荷的综合能源配网,在采样时段,将t0时刻光伏输出、储能充放电功率及内燃机出力的测量初值做为初始状态,建立功率状态向量:
P0(t0)=[PPV(t0),PESD(t0),PICE(t0)] (10)
t0时刻预测的K+△T时刻的模型如下:
式中:K为预测步长;△T为调度时长;△P(t0+t)为未来时段各机组出力增量的短时预测;
步骤4.2:将日前优化结果做为参考,以机组出力增量最小为目标,利用均方根量化相对误差,尽可能减少所有设备输出功率的偏差;目标函数如下:
式中,P*(t0+t)为日前计划结果,n为高密度光伏、储能设备、内燃机的机组集合;
步骤4.3:综合考虑当前时段内的诸多不确定因素,把实际信息与预测结果的偏差当做反馈量,以当下时刻的实际状态量作为初始值,通过持续的在线滚动校正,保证未来的结果输出与预设参考轨迹的偏差量最小;日内滚动修正模型如下:
P0(t0+KΔT)=Ptrue(t0+KΔT) (13)
步骤4.4:结合需求侧响应即用户负荷需求,实现光伏设备、配电网络、内燃机及储能系统的协调调度、优化运行,落实“自发用电、余量上网、电网调剂”的高效模式;对于客户端负荷不确定性的问题,政府应当结合日前优化调度结果,实施相关政策调整配网内部电价,积极引导用户用电情势,促使需求侧负荷曲线接近光伏系统出力曲线,尽力减少综合能源配网对储能设备选址定容的要求;
步骤5:求解器计算解决综合能源系统储能设备优化配置问题;
结合步骤3的综合能源配网优化约束,利用求解器求取步骤2的综合能源系统储能设备优化目标函数,再根据步骤4中模型预测控制思想的滚动优化及反馈校正,求取最佳变量使优化目标函数最小,实现综合能源系统储能设备的优化配置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010193847.1A CN111313445A (zh) | 2020-03-19 | 2020-03-19 | 一种基于模型预测控制的储能设备优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010193847.1A CN111313445A (zh) | 2020-03-19 | 2020-03-19 | 一种基于模型预测控制的储能设备优化配置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111313445A true CN111313445A (zh) | 2020-06-19 |
Family
ID=71162255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010193847.1A Pending CN111313445A (zh) | 2020-03-19 | 2020-03-19 | 一种基于模型预测控制的储能设备优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111313445A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111769601A (zh) * | 2020-07-08 | 2020-10-13 | 湖北省电力装备有限公司 | 一种基于mpc策略的微电网能量调度方法 |
CN112448396A (zh) * | 2020-11-17 | 2021-03-05 | 海南省电力学校(海南省电力技工学校) | 一种虚拟电厂自趋优负荷跟踪控制方法 |
CN114243800A (zh) * | 2021-11-17 | 2022-03-25 | 国网浙江省电力有限公司 | 事故备用储能电站接入点与接入容量优化协调配置方法 |
CN116167192A (zh) * | 2023-04-23 | 2023-05-26 | 北京和瑞储能科技有限公司 | 一种基于局域电网模型的储能配置方法及系统 |
CN116345564A (zh) * | 2023-02-17 | 2023-06-27 | 国网山东省电力公司德州供电公司 | 综合能源系统多时间尺度分布式协同优化调度方法及系统 |
-
2020
- 2020-03-19 CN CN202010193847.1A patent/CN111313445A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111769601A (zh) * | 2020-07-08 | 2020-10-13 | 湖北省电力装备有限公司 | 一种基于mpc策略的微电网能量调度方法 |
CN112448396A (zh) * | 2020-11-17 | 2021-03-05 | 海南省电力学校(海南省电力技工学校) | 一种虚拟电厂自趋优负荷跟踪控制方法 |
CN112448396B (zh) * | 2020-11-17 | 2023-11-10 | 海南省电力学校(海南省电力技工学校) | 一种虚拟电厂自趋优负荷跟踪控制方法 |
CN114243800A (zh) * | 2021-11-17 | 2022-03-25 | 国网浙江省电力有限公司 | 事故备用储能电站接入点与接入容量优化协调配置方法 |
CN114243800B (zh) * | 2021-11-17 | 2024-04-02 | 国网浙江省电力有限公司 | 事故备用储能电站接入点与接入容量优化协调配置方法 |
CN116345564A (zh) * | 2023-02-17 | 2023-06-27 | 国网山东省电力公司德州供电公司 | 综合能源系统多时间尺度分布式协同优化调度方法及系统 |
CN116167192A (zh) * | 2023-04-23 | 2023-05-26 | 北京和瑞储能科技有限公司 | 一种基于局域电网模型的储能配置方法及系统 |
CN116167192B (zh) * | 2023-04-23 | 2023-09-15 | 北京和瑞储能科技有限公司 | 一种基于局域电网模型的储能配置方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111313445A (zh) | 一种基于模型预测控制的储能设备优化配置方法 | |
CN107958300A (zh) | 一种考虑互动响应的多微网互联运行协调调度优化方法 | |
Zaree et al. | An MILP formulation for centralized energy management strategy of microgrids | |
CN110930188A (zh) | 一种考虑资源互补特性的新能源与火电打捆交易定价方法 | |
CN111799794B (zh) | 一种考虑输电阻塞盈余的输电网扩展规划方法 | |
Ju et al. | A dynamic risk aversion model for virtual energy plant considering uncertainties and demand response | |
CN113690877A (zh) | 一种考虑能源消纳的有源配电网与集中能源站互动方法 | |
Tan et al. | Joint scheduling optimization of virtual power plants and equitable profit distribution using shapely value theory | |
CN116961008A (zh) | 计及电力弹簧与负荷需求响应的微电网容量双层优化方法 | |
Che et al. | Coordinated planning of source-grid-load-storage power system to promote large-scale renewable energy consumption | |
Jiang et al. | Low-carbon economic optimal dispatch strategy of integrated energy system considering electric-heat flexible load and carbon trading | |
CN113013881B (zh) | 考虑能源站的配电网分布式光伏并网接纳能力计算方法 | |
Huang et al. | A multi-time scale scheduling method for wind-PV-pumped storage-electrochemical energy storage integrated generation system | |
Sevilla et al. | Limiting transformer overload on distribution systems with high penetration of PV using energy storage systems | |
CN114696352A (zh) | 一种新能源配电网中电池储能系统的运行控制方法 | |
Zhang et al. | A Two-Stage Optimization Model of Capacity Allocation and Regulation Operation for Virtual Power Plant | |
Gang et al. | Optimal stochastic scheduling in residential micro energy grids considering pumped-storage unit and demand response | |
Zhu et al. | Whole life cycle optimal Allocation of the energy storage systems in a distributed network | |
Li et al. | Optimization strategy for CHP with heat storage participating in deep peak regulation market | |
Yang et al. | Positive-Sum Game-Based Capacity Configuration Planning Method of Solar-Wind-Battery System Designed for Black-Start | |
Ling et al. | Bi-level Optimization of Energy Storage Considering Flexibility and New Energy Consumption | |
Feng et al. | Market mechanism involving Carbon Trading of Integrated Energy System based on Stackelberg game | |
Sui et al. | Optimization of Monthly Power Generation Plan for Thermal Power Units Considering Access of Large-scale New Energy | |
Zhang et al. | Two-Stage Optimization Model of Centralized Energy Storage Participating in Peak Shaving with Maximum Reserve Capacity and Minimum Carbon Emission of the System | |
Li et al. | Analysis of Typical Application Scenarios of Electrochemical Energy Storage Participating in Auxiliary Service of Power System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200619 |