CN111325393B - 风电场作为黑启动电源的储能配置方法及系统 - Google Patents

风电场作为黑启动电源的储能配置方法及系统 Download PDF

Info

Publication number
CN111325393B
CN111325393B CN202010098968.8A CN202010098968A CN111325393B CN 111325393 B CN111325393 B CN 111325393B CN 202010098968 A CN202010098968 A CN 202010098968A CN 111325393 B CN111325393 B CN 111325393B
Authority
CN
China
Prior art keywords
energy storage
configuration
capacity
power plant
wind power
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
Application number
CN202010098968.8A
Other languages
English (en)
Other versions
CN111325393A (zh
Inventor
刘玉田
刘威鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202010098968.8A priority Critical patent/CN111325393B/zh
Priority to PCT/CN2020/084027 priority patent/WO2021164112A1/zh
Publication of CN111325393A publication Critical patent/CN111325393A/zh
Application granted granted Critical
Publication of CN111325393B publication Critical patent/CN111325393B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开提供了一种风电场作为黑启动电源的储能配置方法及系统，确定作为黑启动电源的风电场的目标出力，根据风电场出力场景，分别采集储能功率和容量配置样本，制作样本数据的散点图和统计分布直方图；确定候选非对称copula函数，利用极大似然估计法依次对候选非对称copula函数进行参数估计；以经验copula函数作为参考，通过拟合度测试选定最合适的非对称copula函数作为储能功率和容量配置的联合概率分布函数；利用核密度估计分别拟合储能功率和容量的边缘概率分布；给定储能配置置信水平，建立机会约束规划模型，求解储能功率和容量的最优配置，得到配置方案。

Description

风电场作为黑启动电源的储能配置方法及系统
技术领域
本公开属于电网控制领域，涉及一种风电场作为黑启动电源的储能配置方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
随着新能源渗透率的不断提高、电力系统的网架结构和动态行为日益复杂，由于故障导致区域电网停电的风险不断增加。例如2003年北美大停电、2011年印度大停电，都造成了巨大的经济损失。因此为减少经济损失，必须缩短停电的时间，在停电区域快速恢复供电。在新能源发电占比较高的局域电网中，尤其当以风电为代表的新能源发电占主导时，仅依靠水电机组等传统黑启动电源难以满足快速恢复供电的需求；而且风电场作为主导电源应承担更多责任，更加积极主动地为系统提供辅助服务。因此采用风电场作为黑启动电源将成为必然选择。
在黑启动过程中，黑启动电源应能够提供稳定的功率，并且保持系统频率和电压的稳定。现在风电场中风机一般为双馈感应电机和全功率换流器的永磁同步电机，具有一定的有功和无功功率调节能力。风电场作为黑启动电源的主要挑战来自风速的不确定性，配置储能设备作为平滑风电场出力波动的能量缓存已经得到了广泛的工程应用，并且能够显著地改善风电场的频率响应特性。电压稳定可以通过风机和SVC、SVG等无功补偿设备的协调控制来保持。黑启动过程与小系统孤立运行情况类似，针对储能配置和频率控制的研究已经表明储能在自主运行中发挥的重要作用。随着近些年储能设备单位成本的不断下降和风电场、储能控制技术的不断发展，风电场配置储能设备的风储系统已经具有作为黑启动电源的潜力。
由于黑启动过程通常需要较长时间，储能配置一般需要考虑功率和容量两方面。据发明人了解，现在关于储能配置的研究大多只考虑其中一方面或者是独立地考虑这两个方面，没有考虑储能功率配置和容量配置之间的相关性，不利于降低储能配置的成本。
发明内容
本公开为了解决上述问题，提出了一种风电场作为黑启动电源的储能配置方法及系统，本公开基于非对称copula函数拟合联合概率分布，通过极大似然估计和拟合度测试选择最佳copula函数，提高拟合准确性，降低储能配置的成本。
根据一些实施例，本公开采用如下技术方案：
一种风电场作为黑启动电源的储能配置方法，包括以下步骤：
确定作为黑启动电源的风电场的目标出力，根据风电场出力场景，分别采集储能功率和容量配置样本，制作样本数据的散点图和统计分布直方图；
确定候选非对称copula函数，利用极大似然估计法依次对候选非对称copula函数进行参数估计；
以经验copula函数作为参考，通过拟合度测试(goodness of fit,GOF)选定最合适的非对称copula函数作为储能功率和容量配置的联合概率分布函数；
利用核密度估计(kernel density estimation,KDE)分别拟合储能功率和容量的边缘概率分布；
给定储能配置置信水平，建立机会约束规划模型，求解储能功率和容量的最优配置，得到配置方案。
作为可选择实施方式，所述风电场的目标出力选为被启动机组的辅机正常运行所需功率之和；对任意一个风电场出力场景，储能输出功率为风电场出力和目标出力的差值。
作为可选择实施方式，根据风电场出力场景，分别采集储能功率和容量配置样本时，设风电场出力场景样本的容量为n，对于每一个场景都得到一对储能的功率和能量配置，对于n维场景集合就可以得到储能功率配置和容量配置的样本数据；将这两者看作随机变量，分别用
Figure BDA0002386209280000031
表示功率配置，用
Figure BDA0002386209280000032
表示容量配置。
作为可选择实施方式，制作样本数据的散点图和统计分布直方图时，对样本数据做归一化秩变换，并根据变换后的样本数据作出散点图和统计分布直方图。
作为可选择实施方式，非对称copula函数形式为：
Figure BDA0002386209280000041
其中α,β∈(0,1)，α≠0.5,β≠0.5,
Figure BDA0002386209280000042
C1和C2都是对称copula函数，φ在这里代表参数集合，包括α，β和C1，C2中的相关性控制参数θ。
作为可选择实施方式，根据样本在得到的散点图和统计分布直方图中的尾部相关性特点，划定候选对称copula函数C1和C2的范围。
作为可选择实施方式，利用极大似然估计法进行参数估计实际上是一个带约束的非线性优化问题，优化目标为似然函数最大，约束条件包括α,β和θ的取值范围约束。极大似然估计值
Figure BDA0002386209280000043
为：
Figure BDA0002386209280000044
其中arg表示目标函数l(φ)取最大时控制变量的取值。
作为可选择实施方式，拟合度测试中以经验copula函数作为参考，以欧几里得距离作为衡量拟合度的指标，选择和经验copula函数欧氏距离最小的copula函数为储能功率和容量配置的联合概率分布函数。
作为可选择实施方式，给定储能配置置信水平，建立机会约束规划模型，给定储能配置的置信水平α，储能配置的机会约束规划模型为：
(PESS,EESS)＝argmin CpPESS+CeEESS
s.t.Copt(Fp(PESS),Ge(EESS))≥α
其中Cp和Ce分别为储能设备的单位功率和单位容量成本。
一种风电场作为黑启动电源的储能配置系统，包括：
被配置为确定作为黑启动电源的风电场的目标出力，根据风电场出力场景，分别采集储能功率和容量配置样本，制作样本数据的散点图和统计分布直方图的模块；
被配置为确定候选非对称copula函数，利用极大似然估计法依次对候选非对称copula函数进行参数估计的模块；
被配置为以经验copula函数作为参考，通过拟合度测试选定最合适的非对称copula函数作为储能功率和容量配置的联合概率分布函数的模块；
被配置为利用核密度估计分别拟合储能功率和容量的边缘概率分布的模块；
被配置为基于给定储能配置置信水平，建立机会约束规划模型，求解储能功率和容量的最优配置，得到配置方案的模块。
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所述的一种风电场作为黑启动电源的储能配置方法。
一种终端设备，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所述的一种风电场作为黑启动电源的储能配置方法。
与现有技术相比，本公开的有益效果为：
(1)针对黑启动过程中风电场出力的波动性，提出了一种基于非对称copula函数的储能配置方法，考虑到储能功率和容量配置之间的不对称相关性，通过极大似然估计和拟合度测试提高了联合概率分布函数拟合的准确性。
(2)对于给定的置信水平，所提储能配置方法能够以较少的投资成本使风电场具有作为黑启动电源的能力，提高电网在大停电后的恢复速度。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是风电场-储能系统作为黑启动电源系统结构图；
图2是风电场出力和目标出力图；
图3是样本数据分布图(a)散点图，(b)统计分布直方图；
图4是非对称copula函数图(a)概率密度函数图，(b)等高线图；
图5是本实施例的流程示意图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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。
如图5所示，一种基于非对称copula函数的风电场黑启动储能优化配置方法，包括：
步骤1：确定作为黑启动电源的风电场的目标出力PL，根据风电场出力场景，分别采集储能功率和容量配置样本，作出样本数据的散点图和统计分布直方图；
步骤2：确定候选非对称copula函数，利用极大似然估计法依次对候选非对称copula函数进行参数估计；
步骤3：以经验copula函数作为参考，通过拟合度测试选定最合适的非对称copula函数作为储能功率和容量配置的联合概率分布函数；
步骤4：利用核密度估计分别拟合储能功率和容量的边缘概率分布；
步骤5：给定储能配置置信水平，建立机会约束规划模型，求解储能功率和容量的最优配置。
进一步地，在所述步骤1中，PL选为被启动机组的辅机正常运行所需功率之和。对任意一个风电场出力场景，储能输出功率为：
Pb(t)＝PWF-PL (1)
PWF是风电场出力，PL是目标出力，即辅机正常运行需要的总功率。Pb(t)>0说明储能在充电状态，Pb(t)<0说明储能在放电状态。类似地，储能的输出能量为：
Figure BDA0002386209280000081
Eb(t)>0时表示储能的净充电能量，Eb(t)<0时表示储能的净放电能量。
进一步地，在所述步骤1中，设风电场出力场景样本的容量为n，对于每一个场景都可以得到一对储能的功率和能量配置
Figure BDA0002386209280000082
对于n维场景集合就可以得到储能功率配置和容量配置的样本数据。为方便分析相关性，将这两者看作随机变量，分别用
Figure BDA0002386209280000083
表示功率配置，用
Figure BDA0002386209280000084
表示容量配置。
进一步地，在所述步骤1中，对样本数据做归一化秩(Normalized Ranks)变换，并根据变换后的样本数据作出散点图和统计分布直方图。
进一步地，在所述步骤2中，非对称copula函数形式如(3)所示：
Figure BDA0002386209280000085
其中α,β∈(0,1)，α≠0.5,β≠0.5,
Figure BDA0002386209280000086
C1和C2都是对称copula函数。φ在这里代表参数集合，包括α，β和C1，C2中的相关性控制参数θ。
进一步地，在所述步骤2中，根据样本在步骤1得到的散点图和统计分布直方图中的尾部相关性特点，划定候选对称copula函数C1和C2的范围。
进一步地，在所述步骤2中，利用极大似然估计法进行参数估计实际上是一个带约束的非线性优化问题，优化目标为似然函数最大，约束条件包括α,β和θ的取值范围约束。极大似然估计值
Figure BDA0002386209280000091
为：
Figure BDA0002386209280000092
其中arg表示目标函数l(φ)取最大时控制变量的取值。
进一步地，在所述步骤3中，拟合度测试中以经验copula函数作为参考，以欧几里得距离作为衡量拟合度的指标，选择和经验copula函数欧氏距离最小的copula函数为储能功率和容量配置的联合概率分布函数，记作Copt。
进一步地，在所述步骤4中，根据步骤1得到的p和e的原始样本，利用核密度估计法分别得到随机变量p和e的概率密度函数Fp(PESS)和Ge(EESS)。
进一步地，在所述步骤5中，给定储能配置的置信水平α，储能配置的机会约束规划模型为：
Figure BDA0002386209280000093
其中Cp和Ce分别为储能设备的单位功率和单位容量成本。
提供以下的产品实施例：
一种风电场作为黑启动电源的储能配置系统，包括：
被配置为确定作为黑启动电源的风电场的目标出力，根据风电场出力场景，分别采集储能功率和容量配置样本，制作样本数据的散点图和统计分布直方图的模块；
被配置为确定候选非对称copula函数，利用极大似然估计法依次对候选非对称copula函数进行参数估计的模块；
被配置为以经验copula函数作为参考，通过拟合度测试选定最合适的非对称copula函数作为储能功率和容量配置的联合概率分布函数的模块；
被配置为利用核密度估计分别拟合储能功率和容量的边缘概率分布的模块；
被配置为基于给定储能配置置信水平，建立机会约束规划模型，求解储能功率和容量的最优配置，得到配置方案的模块。
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所述的一种风电场作为黑启动电源的储能配置方法。
一种终端设备，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所述的一种风电场作为黑启动电源的储能配置方法。
下面以国网冀北公司的桃山湖风电场的一个样本为例说明本发明的具体实施方式。风电场作为黑启动电源的系统结构图如图1所示。风电场容量33×1.5MW，风电场景样本容量2310。每个风电场出力场景有60个数据点，每个数据点之间的时间间隔为1分钟。被启动机组为一台300MW的燃煤机组，热启动时间设为60分钟。在这段时间内，风储系统需要为所有的辅机提供稳定的功率输出。这实际上是一个关于风电出平滑的储能配置问题。图2给出了一个典型的风电场景，其中PWF是风电场出力，PL＝0.15是目标出力，即所有辅机正常运行需要的总功率。
假设共有n个风电出力场景，第i个场景的储能功率配置为该场景中最大放电功率；相应地，容量配置为该场景中最大净放电能量。每一个场景都可以得到一对储能的功率和能量配置
Figure BDA0002386209280000111
对n维场景集合就可以得到两随机变量p和e的统计数据：
Figure BDA0002386209280000114
Figure BDA0002386209280000112
令Si表示pi在p1,…,pn中的秩，令Ri表示ei在e1,…,en中的秩，则样本数据的归一化秩表示为：
Figure BDA0002386209280000113
变换后样本数据剔除了原始样本数据量纲的影响，根据u和v做出的散点图和统计分布直方图如图3所示。从图3中可以看出，样本点分布具有以下特征：
1、样本数据的分布具有不对称性，散点图中红色对角线的上方明显存在一条包络线。
2、样本数据的尾部相关性不对称。尾部相关性指当一个随机变量取较大(或较小)的值时，另一个变量的取值是否受其影响。统计分布直方图中，样本数据在坐标(0,0)附近和(1,1)附近概率密度较大，分别对应下尾部相关性和上尾部相关性。明显下尾部的概率密度稍大于上尾部，即下尾部相关性更强。
选定7个对称阿基米德copula函数作为C1和C2的候选，表达式和参数θ取值范围如表1所示。考虑C1和C2不同的情况，对这7个copula进行排列组合共有
Figure BDA0002386209280000121
种组合。再加上考虑C1和C2选择相同的阿基米德copula的情况7种，共有28种组合。
表1对称阿基米德copula函数表
Figure BDA0002386209280000122
Figure BDA0002386209280000131
其中A＝1+(θ-1)(u+v)，S＝u+v-1-θ(1/u+1/v-1)。
通过极大似然估计依次确定28种非对称copula函数的参数，参数估计优化模型如(7)所示：
Figure BDA0002386209280000132
28种候选非对称copula函数的参数估计和拟合度测试结果表2所示，最终选定的不对称copula函数用粗体标出。
表2非对称copula函数的参数估计和拟合度测试
Figure BDA0002386209280000133
Figure BDA0002386209280000141
Figure BDA0002386209280000151
Figure BDA0002386209280000161
非对称copula函数(3,3)的概率密度函数图和等高线图如图4所示。容易看出考虑非对称性的相关结构可以更准确地拟合联合概率分布函数，表2中的拟合度测试也表明了这一点。
设置信区间α＝0.9，储能设备为锂离子电池，单位成本为Cp＝8400￥/kW和Ce＝5600￥/kWh。根据p和e的原始样本数据，利用核密度估计法求变量边缘概率分布Fp(PESS)和Ge(EESS)，代入机会约束规划模型并求解，储能配置结果如表3所示。陆上风电场成本在4000￥/kW以上，所提储能配置方法的成本约占风电场投资成本的9.6％。
表3储能配置结果
Figure BDA0002386209280000162
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开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，本公开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。
本公开是参照根据本公开实施例的方法、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。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开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公开的保护范围以内。

Claims (8)

1.一种风电场作为黑启动电源的储能配置方法，其特征是：包括以下步骤：
确定作为黑启动电源的风电场的目标出力，根据风电场出力场景，分别采集储能功率和容量配置样本，对样本数据做归一化秩变换，根据变换后的样本数据制作样本数据的散点图和统计分布直方图；
选定7个对称阿基米德Copula函数作为C1和C2的候选，表达式和参数θ取值范围如下表所示；考虑C1和C2不同的情况，对这7个Copula进行排列组合共有
Figure FDA0003265982480000011
种组合，再加上考虑C1和C2选择相同的阿基米德Copula的情况7种，共有28种组合；
Figure FDA0003265982480000012
其中A＝1+(θ-1)(u+v)，S＝u+v-1-θ(1/u+1/v-1)，θ是相关性控制参数；
通过极大似然估计依次确定28种非对称Copula函数的参数，参数估计优化模型如下式所示：
Figure FDA0003265982480000021
，
确定候选非对称Copula函数，利用极大似然估计法依次对候选非对称Copula函数进行参数估计；
以经验Copula函数作为参考，通过拟合度测试选定最合适的非对称Copula函数作为储能功率和容量配置的联合概率分布函数；
利用核密度估计分别拟合储能功率和容量的边缘概率分布；
给定储能配置置信水平，建立机会约束规划模型，求解储能功率和容量的最优配置，得到配置方案；
所述非对称Copula函数的形式为：
Figure FDA0003265982480000022
其中，α,β∈(0,1)，α≠0.5,β≠0.5,
Figure FDA0003265982480000023
C1和C2都是对称copula函数，φ代表参数集合，包括α，β和C1，C2中的相关性控制参数θ1和θ2；
所述建立机会约束规划模型为
Figure FDA0003265982480000024
其中，设风电场出力场景样本的容量为n，用
Figure FDA0003265982480000025
表示功率配置，用
Figure FDA0003265982480000026
表示容量配置，利用核密度估计法分别得到随机变量p和e的概率密度函数Fp(PESS)和Ge(EESS)，给定储能配置的置信水平为ζ，Cp和Ce分别为储能设备的单位功率和单位容量成本。
2.如权利要求1所述的一种风电场作为黑启动电源的储能配置方法，其特征是：所述风电场的目标出力选为被启动机组的辅机正常运行所需功率之和；对任意一个风电场出力场景，储能输出功率为风电场出力和目标出力的差值。
3.如权利要求1所述的一种风电场作为黑启动电源的储能配置方法，其特征是：根据风电场出力场景，分别采集储能功率和容量配置样本时，设风电场出力场景样本的容量为n，对于每一个场景都得到一对储能的功率和能量配置，对于n维场景集合就可以得到储能功率配置和容量配置的样本数据；将这两者看作随机变量，分别用
Figure FDA0003265982480000031
表示功率配置，用
Figure FDA0003265982480000032
表示容量配置。
4.如权利要求1所述的一种风电场作为黑启动电源的储能配置方法，其特征是：根据样本在得到的散点图和统计分布直方图中的尾部相关性特点，划定候选对称Copula函数C1和C2的范围。
5.如权利要求1所述的一种风电场作为黑启动电源的储能配置方法，其特征是：利用极大似然估计法进行参数估计实际上是一个带约束的非线性优化问题，优化目标为似然函数最大，约束条件包括α,β和θ的取值范围约束；极大似然估计值
Figure FDA0003265982480000033
为：
Figure FDA0003265982480000034
其中arg表示目标函数l(φ)取最大时控制变量的取值；
或，拟合度测试中以经验Copula函数作为参考，以欧几里得距离作为衡量拟合度的指标，选择和经验Copula函数欧氏距离最小的Copula函数为储能功率和容量配置的联合概率分布函数。
6.一种风电场作为黑启动电源的储能配置系统，采用了如权利要求1中所述的风电场作为黑启动电源的储能配置方法，其特征是：包括：
被配置为确定作为黑启动电源的风电场的目标出力，根据风电场出力场景，分别采集储能功率和容量配置样本，制作样本数据的散点图和统计分布直方图的模块；
被配置为确定候选非对称Copula函数，利用极大似然估计法依次对候选非对称Copula函数进行参数估计的模块；
被配置为以经验Copula函数作为参考，通过拟合度测试选定最合适的非对称Copula函数作为储能功率和容量配置的联合概率分布函数的模块；
被配置为利用核密度估计分别拟合储能功率和容量的边缘概率分布的模块；
被配置为基于给定储能配置置信水平，建立机会约束规划模型，求解储能功率和容量的最优配置，得到配置方案的模块。
7.一种计算机可读存储介质，其特征是：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权利要求1-5中任一项所述的一种风电场作为黑启动电源的储能配置方法。
8.一种终端设备，其特征是：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权利要求1-5中任一项所述的一种风电场作为黑启动电源的储能配置方法。
CN202010098968.8A 2020-02-18 2020-02-18 风电场作为黑启动电源的储能配置方法及系统 Active CN111325393B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010098968.8A CN111325393B (zh) 2020-02-18 2020-02-18 风电场作为黑启动电源的储能配置方法及系统
PCT/CN2020/084027 WO2021164112A1 (zh) 2020-02-18 2020-04-09 风电场优化配置储能作为黑启动电源的频率控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010098968.8A CN111325393B (zh) 2020-02-18 2020-02-18 风电场作为黑启动电源的储能配置方法及系统

Publications (2)

Publication Number Publication Date
CN111325393A CN111325393A (zh) 2020-06-23
CN111325393B true CN111325393B (zh) 2022-02-08

Family

ID=71172742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010098968.8A Active CN111325393B (zh) 2020-02-18 2020-02-18 风电场作为黑启动电源的储能配置方法及系统

Country Status (1)

Country Link
CN (1) CN111325393B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102801157A (zh) * 2012-07-24 2012-11-28 江苏省电力设计院 基于Copula理论的风光互补发电系统可靠性评估方法
CN102945223A (zh) * 2012-11-21 2013-02-27 华中科技大学 一种构建多个风电场出力联合概率分布函数的方法
CN110311420A (zh) * 2019-06-29 2019-10-08 南京理工大学 一种风光联合出力时序场景的生成方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102801157A (zh) * 2012-07-24 2012-11-28 江苏省电力设计院 基于Copula理论的风光互补发电系统可靠性评估方法
CN102945223A (zh) * 2012-11-21 2013-02-27 华中科技大学 一种构建多个风电场出力联合概率分布函数的方法
CN110311420A (zh) * 2019-06-29 2019-10-08 南京理工大学 一种风光联合出力时序场景的生成方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Energy storage sizing by copula modeling joint distribution for wind farm to be black-start source";Weipeng Liu等;《IET Renewable Power Generation》;20190808;第13卷(第11期);第1882页-第1889页 *
二维非对称copula函数在干旱特性联合概率中的应用;李亦凡等;《水资源与水工程学报》;20161031;第27卷(第5期);第236页-第240页 *

Also Published As

Publication number Publication date
CN111325393A (zh) 2020-06-23

Similar Documents

Publication Publication Date Title
WO2021164112A1 (zh) 风电场优化配置储能作为黑启动电源的频率控制方法及系统
WO2017186178A1 (zh) 储能电站自适应动态规划的控制方法、系统和存储介质
CN109038614A (zh) 一种光伏电站参与系统调频的控制方法和系统
CN111224425A (zh) 基于分层预测控制的风储系统黑启动频率控制方法及系统
CN108767906A (zh) 一种考虑集群电动汽车的风光一次调频备用容量确定方法
CN110173308A (zh) 一种核电站汽轮机的一次调频控制方法及其装置
CN112260326A (zh) 一种新能源集群的等效短路比计算方法及系统
CN110544960B (zh) 一种提升孤岛微电网无功均分能力的分布式控制方法
CN115833227A (zh) 基于分布式光伏逆变器的低压配电网电压控制方法和装置
CN115564142A (zh) 一种混合储能系统的选址定容优化方法及系统
CN114400660A (zh) 一种风电光伏制氢系统配比确定方法及系统
CN111325393B (zh) 风电场作为黑启动电源的储能配置方法及系统
CN108460228B (zh) 一种基于多目标优化算法进行风电场等值的方法
CN116979619A (zh) 一种微电网储能配置方法、装置、计算机设备及存储介质
CN105976046B (zh) 一种考虑需求侧管理的低碳电网规划方法
CN117094746A (zh) 一种虚拟发电厂优化方法、装置、设备及介质
CN108039717B (zh) 一种多端柔性直流电网中换流站的容量配置方法和装置
CN112800625B (zh) 一种区域电网全清洁供电运行边界确定方法和系统
CN114690633B (zh) 一种光伏逆变器控制器参数辨识方法
CN116054273A (zh) 新能源电站在主站agc系统中的控制建模方法、装置及介质
CN110717694B (zh) 基于新能源消纳期望值的储能配置随机决策方法及装置
CN115085227A (zh) 一种微电网源储容量配置方法及装置
US11605946B2 (en) Autonomous restoration of power systems after natural disasters
CN105262126A (zh) 一种用于风储系统的协调控制策略方法
CN112332422A (zh) 一种基于节点脆弱度的新能源负荷调整方法及装置

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