CN111626645A - 一种未来年储能配置容量测算方法及系统 - Google Patents

一种未来年储能配置容量测算方法及系统 Download PDF

Info

Publication number
CN111626645A
CN111626645A CN202010618739.4A CN202010618739A CN111626645A CN 111626645 A CN111626645 A CN 111626645A CN 202010618739 A CN202010618739 A CN 202010618739A CN 111626645 A CN111626645 A CN 111626645A
Authority
CN
China
Prior art keywords
new energy
year
future
time sequence
historical
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.)
Granted
Application number
CN202010618739.4A
Other languages
English (en)
Other versions
CN111626645B (zh
Inventor
张锋
郑华
印欣
李渝
常喜强
王诗铭
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.)
North China Electric Power University
State Grid Xinjiang Electric Power Co Ltd
Original Assignee
North China Electric Power University
State Grid Xinjiang Electric Power Co Ltd
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 North China Electric Power University, State Grid Xinjiang Electric Power Co Ltd filed Critical North China Electric Power University
Priority to CN202010618739.4A priority Critical patent/CN111626645B/zh
Publication of CN111626645A publication Critical patent/CN111626645A/zh
Application granted granted Critical
Publication of CN111626645B publication Critical patent/CN111626645B/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种未来年储能配置容量测算方法及系统。该未来年储能配置容量测算方法包括：由历史年新能源时序出力数据计算历史年新能源弃电功率；依据历史年新能源弃电功率对历史年新能源时序出力数据进行聚类，并将各类别中距离对应的聚类中心最近的日新能源时序出力数据作为典型日场景数据，得到典型日场景数据集合以及对应的场景概率集合；依据典型日场景数据集合预测测算地区的未来年新能源弃电功率；依据未来年新能源弃电功率和场景概率集合，以电池充电功率和电池充电时长为自变量，以收入成本比最大为目标构建储能配置容量测算目标函数；求解储能配置容量测算目标函数，得到未来年储能配置容量。本发明能够提高测算效率。

Description

一种未来年储能配置容量测算方法及系统
技术领域
本发明涉及储能配置领域，特别是涉及一种未来年储能配置容量测算方法及系统。
背景技术
储能是国家战略性新兴产业，是能源互联网的重要组成部分和关键支撑技术，具有快速响应、双向调节、环境适应性强、建设周期短等技术优势，规模化应用将对能源转型、电网格局、电源结构产生重大影响。近年来，我国电化学储能技术应用快速发展，已在电力系统各个环节得到了示范应用，基本具备了大规模应用条件。
储能技术能将新能源发电过剩电量储存起来，有效提高系统对间歇性可再生能源的接纳能力。储能电站能否在电力系统内大幅应用，一方面与其在电力系统中的关键作用息息相关，另一方面也受其经济性影响，这也是一些投资商十分重视的指标。目前，国内外学者及专家对于储能配置容量的测算大多是在新能源以及电力系统的历史数据上进行的，仅适用于已经成型的、电源负荷结构变化不大的电力系统。当前国民经济依旧成高速发展态势，新能源装机、负荷规模增长快，电力系统结构变化大，若不进行计算量庞大的电力系统精细化生产模拟，得到未来年份的新能源时序生产模拟曲线，则当前的储能配置测算方法无法有效开展，从而无法为全面评估储能电站的经济性和合理性提出科学指导。
当前储能配置容量测算方法对于时序数据要求高，在进行未来年的储能配置容量测算时，现有的储能配置容量测算方法，一方面电力系统精细化运行模拟计算量庞大，另一方面精细化运行模拟所需要的数据也十分庞大，测算过程十分艰巨，因此存在测算效率低的问题。
发明内容
基于此，有必要提供一种未来年储能配置容量测算方法及系统，以提高测算效率，实现科学化、高效化的未来年储能配置容量测算。
为实现上述目的，本发明提供了如下方案：
一种未来年储能配置容量测算方法，包括：
获取待测算地区的历史年新能源时序出力数据；所述历史年新能源时序数据包括历史年中所有天的日新能源时序出力数据；所述日新能源时序出力数据包括新能源理论出力、新能源实际出力和所属季节；
由所述历史年新能源时序出力数据计算历史年新能源弃电功率；
依据所述历史年新能源弃电功率对所述历史年新能源时序出力数据进行聚类，并将各类别中距离对应的聚类中心最近的日新能源时序出力数据作为典型日场景数据，得到典型日场景数据集合以及对应的场景概率集合；
基于未来年的设定新增负荷、未来年的设定装机容量和未来年的外送通道状况，依据所述典型日场景数据集合预测所述测算地区的未来年新能源弃电功率；
依据所述未来年新能源弃电功率和所述场景概率集合，以电池充电功率和电池充电时长为自变量，以收入成本比最大为目标构建储能配置容量测算目标函数；
求解所述储能配置容量测算目标函数，得到未来年储能配置容量；所述未来年储能配置容量包括最优电池充电功率和最优电池充电时长。
可选的，所述储能配置容量测算目标函数为：
Figure BDA0002564492890000021
其中，f(x,y)表示收入成本比，x表示储能电站配置的电池充电功率，y表示储能电站配置的电池充电时长，pi表示第i个典型日的场景概率，price表示充放电差价，unit表示储能电池单位造价，K表示储能电站经营成本，ABi-end表示未来年新能源弃电功率。
可选的，所述基于未来年的设定新增负荷、未来年的设定装机容量和未来年的外送通道状况，依据所述典型日场景数据集合预测所述测算地区的未来年新能源弃电功率，具体为：
Figure BDA0002564492890000031
其中，i表示典型日序号，TPi-end表示测算地区的未来年第i个典型日的新能源理论出力，TPi-start表示测算地区的历史年第i个典型日的新能源理论出力，ICend表示未来年的设定装机容量，ICstart表示历史年的装机容量，APi-end表示测算地区的未来年第i个典型日的新能源实际出力，APi-start表示测算地区的历史年第i个典型日的新能源实际出力，LGR表示历史年到未来年的负荷增长率，NC表示历史年到未来年的新增通道容量，TICend代表未来年的电源总装机容量，ABi-end表示测算地区的未来年第i个典型日的新能源弃电功率。
可选的，所述由所述历史年新能源时序出力数据计算历史年新能源弃电功率，具体包括：
将所述历史年新能源时序出力数据按照季节划分为第一时间段新能源时序出力数据和第二时间段新能源时序出力数据；
将所述第一时间段新能源时序出力数据中的新能源理论出力与新能源实际出力做差，得到第一新能源弃电功率；
将所述第二时间段新能源时序出力数据中的新能源理论出力与新能源实际出力做差，得到第二新能源弃电功率；所述历史年新能源弃电功率包括第一新能源弃电功率和第二新能源弃电功率。
可选的，所述依据所述历史年新能源弃电功率对所述历史年新能源时序出力数据进行聚类，并将各类别中距离对应的聚类中心最近的日新能源时序出力数据作为典型日场景数据，得到典型日场景数据集合以及对应的场景概率集合，具体包括：
依据所述第一新能源弃电功率对所述第一时间段新能源时序出力数据进行聚类得到第一时间段对应的多个类别，并将第一时间段对应的各类别中距离对应的聚类中心最近的日新能源时序出力数据作为第一典型日场景数据；
依据所述第二新能源弃电功率对所述第二时间段新能源时序出力数据进行聚类得到第二时间段对应的多个类别，并将第二时间段对应的各类别中距离对应的聚类中心最近的日新能源时序出力数据作为第二典型日场景数据；
将所述第一典型日场景数据和所述第二典型日场景数据构成的集合确定为典型日场景数据集合；
计算所述典型日场景数据集合中各典型日场景数据对应的典型日的场景概率，得到场景概率集合。
本发明还提供了一种未来年储能配置容量测算系统，包括：
数据获取模块，用于获取待测算地区的历史年新能源时序出力数据；所述历史年新能源时序数据包括历史年中所有天的日新能源时序出力数据；所述日新能源时序出力数据包括新能源理论出力、新能源实际出力和所属季节；
历史弃电功率计算模块，用于由所述历史年新能源时序出力数据计算历史年新能源弃电功率；
聚类模块，用于依据所述历史年新能源弃电功率对所述历史年新能源时序出力数据进行聚类，并将各类别中距离对应的聚类中心最近的日新能源时序出力数据作为典型日场景数据，得到典型日场景数据集合以及对应的场景概率集合；
未来弃电功率计算模块，用于基于未来年的设定新增负荷、未来年的设定装机容量和未来年的外送通道状况，依据所述典型日场景数据集合预测所述测算地区的未来年新能源弃电功率；
目标函数构建模块，用于依据所述未来年新能源弃电功率和所述场景概率集合，以电池充电功率和电池充电时长为自变量，以收入成本比最大为目标构建储能配置容量测算目标函数；
配置容量确定模块，用于求解所述储能配置容量测算目标函数，得到未来年储能配置容量；所述未来年储能配置容量包括最优电池充电功率和最优电池充电时长。
可选的，所述目标函数构建模块中的所述储能配置容量测算目标函数为：
Figure BDA0002564492890000041
其中，f(x,y)表示收入成本比，x表示储能电站配置的电池充电功率，y表示储能电站配置的电池充电时长，pi表示第i个典型日的场景概率，price表示充放电差价，unit表示储能电池单位造价，K表示储能电站经营成本，ABi-end表示未来年新能源弃电功率。
可选的，所述未来弃电功率计算模块中的所述未来年新能源弃电功率具体为：
Figure BDA0002564492890000051
其中，i表示典型日序号，TPi-end表示测算地区的未来年第i个典型日的新能源理论出力，TPi-start表示测算地区的历史年第i个典型日的新能源理论出力，ICend表示未来年的设定装机容量，ICstart表示历史年的装机容量，APi-end表示测算地区的未来年第i个典型日的新能源实际出力，APi-start表示测算地区的历史年第i个典型日的新能源实际出力，LGR表示历史年到未来年的负荷增长率，NC表示历史年到未来年的新增通道容量，TICend代表未来年的电源总装机容量，ABi-end表示测算地区的未来年第i个典型日的新能源弃电功率。
可选的，所述历史弃电功率计算模块，具体包括：
划分单元，用于将所述历史年新能源时序出力数据按照季节划分为第一时间段新能源时序出力数据和第二时间段新能源时序出力数据；
第一计算单元，用于将所述第一时间段新能源时序出力数据中的新能源理论出力与新能源实际出力做差，得到第一新能源弃电功率；
第二计算单元，用于将所述第二时间段新能源时序出力数据中的新能源理论出力与新能源实际出力做差，得到第二新能源弃电功率；所述历史年新能源弃电功率包括第一新能源弃电功率和第二新能源弃电功率。
可选的，所述聚类模块，具体包括：
第一聚类单元，用于依据所述第一新能源弃电功率对所述第一时间段新能源时序出力数据进行聚类得到第一时间段对应的多个类别，并将第一时间段对应的各类别中距离对应的聚类中心最近的日新能源时序出力数据作为第一典型日场景数据；
第二聚类单元，用于依据所述第二新能源弃电功率对所述第二时间段新能源时序出力数据进行聚类得到第二时间段对应的多个类别，并将第二时间段对应的各类别中距离对应的聚类中心最近的日新能源时序出力数据作为第二典型日场景数据；
场景数据集合确定单元，用于将所述第一典型日场景数据和所述第二典型日场景数据构成的集合确定为典型日场景数据集合；
场景概率集合确定单元，用于计算所述典型日场景数据集合中各典型日场景数据对应的典型日的场景概率，得到场景概率集合。
与现有技术相比，本发明的有益效果是：
本发明提出了一种未来年储能配置容量测算方法及系统。该未来年储能配置容量测算方法通过对历史年新能源时序出力数据进行日典型场景提取，解决了长期以来针对未来年储能配置容量测算过于依赖精细化运行生产模拟结果的问题，提高了测算效率；以电池充电功率和电池充电时长为自变量，以收入成本比最大为目标构建储能配置容量测算目标函数，目标函数中考虑了储能电池的充放电特性，并引入了典型场景，保证了未来年储能配置容量测算结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的未来年储能配置容量测算方法的流程图；
图2为本发明实施例提供的未来年储能配置容量测算系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的未来年储能配置容量测算方法的流程图。
参见图1，本实施例的未来年储能配置容量测算方法，包括：
步骤101：获取待测算地区的历史年新能源时序出力数据；所述历史年新能源时序数据包括历史年中所有天的日新能源时序出力数据；所述日新能源时序出力数据包括新能源理论出力、新能源实际出力和所属季节。
在具体实例中，新能源可以为风电和/或光伏，因此，获取的日新能源时序出力数据可以包括当天的风电理论出力、风电实际出力、光伏理论出力、光伏实际出力和所属季节等数据。
步骤102：由所述历史年新能源时序出力数据计算历史年新能源弃电功率。该步骤具体包括：
将所述历史年新能源时序出力数据按照季节划分为第一时间段新能源时序出力数据和第二时间段新能源时序出力数据。将所述第一时间段新能源时序出力数据中的新能源理论出力与新能源实际出力做差，得到第一新能源弃电功率。将所述第二时间段新能源时序出力数据中的新能源理论出力与新能源实际出力做差，得到第二新能源弃电功率；所述历史年新能源弃电功率包括第一新能源弃电功率和第二新能源弃电功率。
在具体实例中，首先，将所述历史年新能源时序出力数据分成夏季(4-9月)新能源时序出力数据和冬季(1-3月、10-12月)新能源时序出力数据两部分；然后，修正其中不合理的数据(例如，将新能源理论出力中的负值、新能源实际出力的负值、光伏夜间时段的理论出力、光伏夜间时段的实际出力置零)；再采用各部分中的新能源理论出力值减去新能源实际出力值得到对应部分的新能源弃电功率；最后以日数据的形式分别构建183天的夏季待聚类数据集和182天的冬季待聚类数据集。
步骤103：依据所述历史年新能源弃电功率对所述历史年新能源时序出力数据进行聚类，并将各类别中距离对应的聚类中心最近的日新能源时序出力数据作为典型日场景数据，得到典型日场景数据集合以及对应的场景概率集合。其中，各类别中距离对应的聚类中心最近的日新能源时序出力数据对应的日期为典型日。
该步骤具体包括：
依据所述第一新能源弃电功率对所述第一时间段新能源时序出力数据进行聚类得到第一时间段对应的多个类别，并将第一时间段对应的各类别中距离对应的聚类中心最近的日新能源时序出力数据作为第一典型日场景数据。
依据所述第二新能源弃电功率对所述第二时间段新能源时序出力数据进行聚类得到第二时间段对应的多个类别，并将第二时间段对应的各类别中距离对应的聚类中心最近的日新能源时序出力数据作为第二典型日场景数据。
将所述第一典型日场景数据和所述第二典型日场景数据构成的集合确定为典型日场景数据集合。
计算所述典型日场景数据集合中各典型日场景数据对应的典型日的场景概率，得到场景概率集合。
在具体实例中，选择待聚类数据集中的新能源弃电功率作为聚类的特征变量，采用K-means算法分别对夏季待聚类数据集和冬季待聚类数据集两部分进行聚类，将夏季待聚类数据集分成n1类，夏季待聚类数据集分成n2类。选择距离聚类中心最近的日数据作为测算地区夏季对应的典型日场景数据和冬季所对应的典型日场景数据，再合并得到典型日场景集合S＝{s1,s2,…,sn}，及其场景概率集合P＝{p1,p2,…,pn}，其中，n＝n1+n2。
步骤104：基于未来年的设定新增负荷、未来年的设定装机容量和未来年的外送通道状况，依据所述典型日场景数据集合预测所述测算地区的未来年新能源弃电功率。具体为：
Figure BDA0002564492890000081
其中，i表示典型日序号，TPi-end表示测算地区的未来年第i个典型日的新能源理论出力，TPi-start表示测算地区的历史年第i个典型日的新能源理论出力，ICend表示未来年的设定装机容量，ICstart表示历史年的装机容量，APi-end表示测算地区的未来年第i个典型日的新能源实际出力，APi-start表示测算地区的历史年第i个典型日的新能源实际出力，LGR表示历史年到未来年的负荷增长率，NC表示历史年到未来年的新增通道容量，TICend代表未来年的电源总装机容量，ABi-end表示测算地区的未来年第i个典型日的新能源弃电功率。在具体实例中，新能源可以为风电和/或光伏。
步骤105：依据所述未来年新能源弃电功率和所述场景概率集合，以电池充电功率和电池充电时长为自变量，以收入成本比最大为目标构建储能配置容量测算目标函数。所述储能配置容量测算目标函数为：
Figure BDA0002564492890000091
其中，f(x,y)表示收入成本比，x表示储能电站配置的电池充电功率，y表示储能电站配置的电池充电时长，pi表示第i个典型日的场景概率，price表示充放电差价，unit表示储能电池单位造价，K表示储能电站经营成本，ABi-end表示未来年新能源弃电功率。
上述储能配置容量测算目标函数中分子代表储能电站年收入，受储能电池充电特性影响(充电功率不能大于电池充电功率x，充电量不能大于储能电池总容量x*y)，因此单一典型日场景下储能一天的充电量为min{∑min{ABi-end,x},x*y}，考虑到多个典型日场景数据及其场景概率，故储能电站年收入如公式中的分子所示；公式中分母表示储能电站的成本，由储能电池成本和电站经营成本两部分构成。当目标函数求得最优解时，对应的电池充电功率和充电时长即为所求的未来年储能配置容量。
步骤106：求解所述储能配置容量测算目标函数，得到未来年储能配置容量；所述未来年储能配置容量包括最优电池充电功率和最优电池充电时长。
本发明还提供了一种未来年储能配置容量测算系统，图2为本发明实施例提供的未来年储能配置容量测算系统的结构示意图。
本实施例的未来年储能配置容量测算方法具有以下优点：
(1)该方法通过对历史年新能源时序出力数据进行日典型场景提取，填补了数据挖掘方法在储能配置测算领域的空缺，解决了长期以来针对未来年储能配置容量测算过于依赖精细化运行生产模拟结果的问题，提高了测算效率。
(2)新能源历史出力数据具由随机性和不确定性，本发明先将数据集合初步区分为夏季和冬季两部分，然后以弃电功率作为聚类属性提取日典型场景(分别针对不同季节的新能源数据进行基于弃电曲线的聚类分析，选择距离聚类中心最近的相似日作为测算地区该季节所对应的典型日)，保证了日典型场景的代表性，大幅降低了储能配置测算所需的数据维数。
(3)本发明以收入成本比最优为配置思路，将储能电站存储电量作为目标函数，目标函数中考虑了储能电池的充放电特性，并引入了典型场景，保证了未来年储能配置容量测算结果的科学性与准确性。
参见图2，本实施例的未来年储能配置容量测算系统包括：
数据获取模块201，用于获取待测算地区的历史年新能源时序出力数据；所述历史年新能源时序数据包括历史年中所有天的日新能源时序出力数据；所述日新能源时序出力数据包括新能源理论出力、新能源实际出力和所属季节。
历史弃电功率计算模块202，用于由所述历史年新能源时序出力数据计算历史年新能源弃电功率。
聚类模块203，用于依据所述历史年新能源弃电功率对所述历史年新能源时序出力数据进行聚类，并将各类别中距离对应的聚类中心最近的日新能源时序出力数据作为典型日场景数据，得到典型日场景数据集合以及对应的场景概率集合。
未来弃电功率计算模块204，用于基于未来年的设定新增负荷、未来年的设定装机容量和未来年的外送通道状况，依据所述典型日场景数据集合预测所述测算地区的未来年新能源弃电功率。
目标函数构建模块205，用于依据所述未来年新能源弃电功率和所述场景概率集合，以电池充电功率和电池充电时长为自变量，以收入成本比最大为目标构建储能配置容量测算目标函数。
配置容量确定模块206，用于求解所述储能配置容量测算目标函数，得到未来年储能配置容量；所述未来年储能配置容量包括最优电池充电功率和最优电池充电时长。
作为一种可选的实施方式，所述目标函数构建模块中的所述储能配置容量测算目标函数为：
Figure BDA0002564492890000111
其中，f(x,y)表示收入成本比，x表示储能电站配置的电池充电功率，y表示储能电站配置的电池充电时长，pi表示第i个典型日的场景概率，price表示充放电差价，unit表示储能电池单位造价，K表示储能电站经营成本，ABi-end表示未来年新能源弃电功率。
作为一种可选的实施方式，所述未来弃电功率计算模块中的所述未来年新能源弃电功率具体为：
Figure BDA0002564492890000112
其中，i表示典型日序号，TPi-end表示测算地区的未来年第i个典型日的新能源理论出力，TPi-start表示测算地区的历史年第i个典型日的新能源理论出力，ICend表示未来年的设定装机容量，ICstart表示历史年的装机容量，APi-end表示测算地区的未来年第i个典型日的新能源实际出力，APi-start表示测算地区的历史年第i个典型日的新能源实际出力，LGR表示历史年到未来年的负荷增长率，NC表示历史年到未来年的新增通道容量，TICend代表未来年的电源总装机容量，ABi-end表示测算地区的未来年第i个典型日的新能源弃电功率。
作为一种可选的实施方式，所述历史弃电功率计算模块，具体包括：
划分单元，用于将所述历史年新能源时序出力数据按照季节划分为第一时间段新能源时序出力数据和第二时间段新能源时序出力数据。
第一计算单元，用于将所述第一时间段新能源时序出力数据中的新能源理论出力与新能源实际出力做差，得到第一新能源弃电功率。
第二计算单元，用于将所述第二时间段新能源时序出力数据中的新能源理论出力与新能源实际出力做差，得到第二新能源弃电功率；所述历史年新能源弃电功率包括第一新能源弃电功率和第二新能源弃电功率。
作为一种可选的实施方式，所述聚类模块，具体包括：
第一聚类单元，用于依据所述第一新能源弃电功率对所述第一时间段新能源时序出力数据进行聚类得到第一时间段对应的多个类别，并将第一时间段对应的各类别中距离对应的聚类中心最近的日新能源时序出力数据作为第一典型日场景数据。
第二聚类单元，用于依据所述第二新能源弃电功率对所述第二时间段新能源时序出力数据进行聚类得到第二时间段对应的多个类别，并将第二时间段对应的各类别中距离对应的聚类中心最近的日新能源时序出力数据作为第二典型日场景数据。
场景数据集合确定单元，用于将所述第一典型日场景数据和所述第二典型日场景数据构成的集合确定为典型日场景数据集合。
场景概率集合确定单元，用于计算所述典型日场景数据集合中各典型日场景数据对应的典型日的场景概率，得到场景概率集合。
本实施例的未来年储能配置容量测算系统，通过对新能源时序数据进行日典型场景提取，解决了长期以来针对未来年储能配置容量测算过于依赖精细化运行生产模拟结果的问题，提高了测算效率；将储能电站存储电量作为目标函数，目标函数中考虑了储能电池的充放电特性，并引入了典型场景，保证了未来年储能配置容量测算结果的科学性与准确性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种未来年储能配置容量测算方法，其特征在于，包括：
获取待测算地区的历史年新能源时序出力数据；所述历史年新能源时序数据包括历史年中所有天的日新能源时序出力数据；所述日新能源时序出力数据包括新能源理论出力、新能源实际出力和所属季节；
由所述历史年新能源时序出力数据计算历史年新能源弃电功率；
依据所述历史年新能源弃电功率对所述历史年新能源时序出力数据进行聚类，并将各类别中距离对应的聚类中心最近的日新能源时序出力数据作为典型日场景数据，得到典型日场景数据集合以及对应的场景概率集合；
基于未来年的设定新增负荷、未来年的设定装机容量和未来年的外送通道状况，依据所述典型日场景数据集合预测所述测算地区的未来年新能源弃电功率；
依据所述未来年新能源弃电功率和所述场景概率集合，以电池充电功率和电池充电时长为自变量，以收入成本比最大为目标构建储能配置容量测算目标函数；
求解所述储能配置容量测算目标函数，得到未来年储能配置容量；所述未来年储能配置容量包括最优电池充电功率和最优电池充电时长。
2.根据权利要求1所述的一种未来年储能配置容量测算方法，其特征在于，所述储能配置容量测算目标函数为：
Figure FDA0002564492880000011
其中，f(x,y)表示收入成本比，x表示储能电站配置的电池充电功率，y表示储能电站配置的电池充电时长，pi表示第i个典型日的场景概率，price表示充放电差价，unit表示储能电池单位造价，K表示储能电站经营成本，ABi-end表示未来年新能源弃电功率。
3.根据权利要求1所述的一种未来年储能配置容量测算方法，其特征在于，所述基于未来年的设定新增负荷、未来年的设定装机容量和未来年的外送通道状况，依据所述典型日场景数据集合预测所述测算地区的未来年新能源弃电功率，具体为：
Figure FDA0002564492880000021
其中，i表示典型日序号，TPi-end表示测算地区的未来年第i个典型日的新能源理论出力，TPi-start表示测算地区的历史年第i个典型日的新能源理论出力，ICend表示未来年的设定装机容量，ICstart表示历史年的装机容量，APi-end表示测算地区的未来年第i个典型日的新能源实际出力，APi-start表示测算地区的历史年第i个典型日的新能源实际出力，LGR表示历史年到未来年的负荷增长率，NC表示历史年到未来年的新增通道容量，TICend代表未来年的电源总装机容量，ABi-end表示测算地区的未来年第i个典型日的新能源弃电功率。
4.根据权利要求1所述的一种未来年储能配置容量测算方法，其特征在于，所述由所述历史年新能源时序出力数据计算历史年新能源弃电功率，具体包括：
将所述历史年新能源时序出力数据按照季节划分为第一时间段新能源时序出力数据和第二时间段新能源时序出力数据；
将所述第一时间段新能源时序出力数据中的新能源理论出力与新能源实际出力做差，得到第一新能源弃电功率；
将所述第二时间段新能源时序出力数据中的新能源理论出力与新能源实际出力做差，得到第二新能源弃电功率；所述历史年新能源弃电功率包括第一新能源弃电功率和第二新能源弃电功率。
5.根据权利要求4所述的一种未来年储能配置容量测算方法，其特征在于，所述依据所述历史年新能源弃电功率对所述历史年新能源时序出力数据进行聚类，并将各类别中距离对应的聚类中心最近的日新能源时序出力数据作为典型日场景数据，得到典型日场景数据集合以及对应的场景概率集合，具体包括：
依据所述第一新能源弃电功率对所述第一时间段新能源时序出力数据进行聚类得到第一时间段对应的多个类别，并将第一时间段对应的各类别中距离对应的聚类中心最近的日新能源时序出力数据作为第一典型日场景数据；
依据所述第二新能源弃电功率对所述第二时间段新能源时序出力数据进行聚类得到第二时间段对应的多个类别，并将第二时间段对应的各类别中距离对应的聚类中心最近的日新能源时序出力数据作为第二典型日场景数据；
将所述第一典型日场景数据和所述第二典型日场景数据构成的集合确定为典型日场景数据集合；
计算所述典型日场景数据集合中各典型日场景数据对应的典型日的场景概率，得到场景概率集合。
6.一种未来年储能配置容量测算系统，其特征在于，包括：
数据获取模块，用于获取待测算地区的历史年新能源时序出力数据；所述历史年新能源时序数据包括历史年中所有天的日新能源时序出力数据；所述日新能源时序出力数据包括新能源理论出力、新能源实际出力和所属季节；
历史弃电功率计算模块，用于由所述历史年新能源时序出力数据计算历史年新能源弃电功率；
聚类模块，用于依据所述历史年新能源弃电功率对所述历史年新能源时序出力数据进行聚类，并将各类别中距离对应的聚类中心最近的日新能源时序出力数据作为典型日场景数据，得到典型日场景数据集合以及对应的场景概率集合；
未来弃电功率计算模块，用于基于未来年的设定新增负荷、未来年的设定装机容量和未来年的外送通道状况，依据所述典型日场景数据集合预测所述测算地区的未来年新能源弃电功率；
目标函数构建模块，用于依据所述未来年新能源弃电功率和所述场景概率集合，以电池充电功率和电池充电时长为自变量，以收入成本比最大为目标构建储能配置容量测算目标函数；
配置容量确定模块，用于求解所述储能配置容量测算目标函数，得到未来年储能配置容量；所述未来年储能配置容量包括最优电池充电功率和最优电池充电时长。
7.根据权利要求6所述的一种未来年储能配置容量测算系统，其特征在于，所述目标函数构建模块中的所述储能配置容量测算目标函数为：
Figure FDA0002564492880000041
其中，f(x,y)表示收入成本比，x表示储能电站配置的电池充电功率，y表示储能电站配置的电池充电时长，pi表示第i个典型日的场景概率，price表示充放电差价，unit表示储能电池单位造价，K表示储能电站经营成本，ABi-end表示未来年新能源弃电功率。
8.根据权利要求6所述的一种未来年储能配置容量测算系统，其特征在于，所述未来弃电功率计算模块中的所述未来年新能源弃电功率具体为：
Figure FDA0002564492880000042
其中，i表示典型日序号，TPi-end表示测算地区的未来年第i个典型日的新能源理论出力，TPi-start表示测算地区的历史年第i个典型日的新能源理论出力，ICend表示未来年的设定装机容量，ICstart表示历史年的装机容量，APi-end表示测算地区的未来年第i个典型日的新能源实际出力，APi-start表示测算地区的历史年第i个典型日的新能源实际出力，LGR表示历史年到未来年的负荷增长率，NC表示历史年到未来年的新增通道容量，TICend代表未来年的电源总装机容量，ABi-end表示测算地区的未来年第i个典型日的新能源弃电功率。
9.根据权利要求6所述的一种未来年储能配置容量测算系统，其特征在于，所述历史弃电功率计算模块，具体包括：
划分单元，用于将所述历史年新能源时序出力数据按照季节划分为第一时间段新能源时序出力数据和第二时间段新能源时序出力数据；
第一计算单元，用于将所述第一时间段新能源时序出力数据中的新能源理论出力与新能源实际出力做差，得到第一新能源弃电功率；
第二计算单元，用于将所述第二时间段新能源时序出力数据中的新能源理论出力与新能源实际出力做差，得到第二新能源弃电功率；所述历史年新能源弃电功率包括第一新能源弃电功率和第二新能源弃电功率。
10.根据权利要求9所述的一种未来年储能配置容量测算系统，其特征在于，所述聚类模块，具体包括：
第一聚类单元，用于依据所述第一新能源弃电功率对所述第一时间段新能源时序出力数据进行聚类得到第一时间段对应的多个类别，并将第一时间段对应的各类别中距离对应的聚类中心最近的日新能源时序出力数据作为第一典型日场景数据；
第二聚类单元，用于依据所述第二新能源弃电功率对所述第二时间段新能源时序出力数据进行聚类得到第二时间段对应的多个类别，并将第二时间段对应的各类别中距离对应的聚类中心最近的日新能源时序出力数据作为第二典型日场景数据；
场景数据集合确定单元，用于将所述第一典型日场景数据和所述第二典型日场景数据构成的集合确定为典型日场景数据集合；
场景概率集合确定单元，用于计算所述典型日场景数据集合中各典型日场景数据对应的典型日的场景概率，得到场景概率集合。
CN202010618739.4A 2020-07-01 2020-07-01 一种未来年储能配置容量测算方法及系统 Active CN111626645B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010618739.4A CN111626645B (zh) 2020-07-01 2020-07-01 一种未来年储能配置容量测算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010618739.4A CN111626645B (zh) 2020-07-01 2020-07-01 一种未来年储能配置容量测算方法及系统

Publications (2)

Publication Number Publication Date
CN111626645A true CN111626645A (zh) 2020-09-04
CN111626645B CN111626645B (zh) 2023-04-18

Family

ID=72261007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010618739.4A Active CN111626645B (zh) 2020-07-01 2020-07-01 一种未来年储能配置容量测算方法及系统

Country Status (1)

Country Link
CN (1) CN111626645B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114039350A (zh) * 2021-11-23 2022-02-11 中国科学院电工研究所 一种提升新能源场站群消纳能力的储能选点方法及系统
CN114118579A (zh) * 2021-11-26 2022-03-01 南方电网调峰调频发电有限公司 一种新能源场站储能配置规划方法、装置及计算机设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107834596A (zh) * 2017-11-10 2018-03-23 东南大学 基于电网运行状态感知的分布式光伏集群动态划分方法
CN108985515A (zh) * 2018-07-24 2018-12-11 国网河南省电力公司电力科学研究院 一种基于独立循环神经网络的新能源出力预测方法及系统
EP3471029A1 (en) * 2017-10-13 2019-04-17 Schneider Electric IT Corporation Method for automatic cloud control of energy storage systems
CN109687441A (zh) * 2018-12-27 2019-04-26 广州穗华能源科技有限公司 一种基于场景分解-协调的独立微电网灵活性资源容量配置方法
CN110111003A (zh) * 2019-05-08 2019-08-09 东南大学 一种基于改进fcm聚类算法的新能源典型场景构建方法
CN110717688A (zh) * 2019-10-16 2020-01-21 云南电网有限责任公司 考虑新能源出力不确定性的水风光短期联合优化调度方法
CN111262264A (zh) * 2020-03-12 2020-06-09 常州大学 一种基于嵌入式的用户侧储能优化控制器及控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3471029A1 (en) * 2017-10-13 2019-04-17 Schneider Electric IT Corporation Method for automatic cloud control of energy storage systems
CN107834596A (zh) * 2017-11-10 2018-03-23 东南大学 基于电网运行状态感知的分布式光伏集群动态划分方法
CN108985515A (zh) * 2018-07-24 2018-12-11 国网河南省电力公司电力科学研究院 一种基于独立循环神经网络的新能源出力预测方法及系统
CN109687441A (zh) * 2018-12-27 2019-04-26 广州穗华能源科技有限公司 一种基于场景分解-协调的独立微电网灵活性资源容量配置方法
CN110111003A (zh) * 2019-05-08 2019-08-09 东南大学 一种基于改进fcm聚类算法的新能源典型场景构建方法
CN110717688A (zh) * 2019-10-16 2020-01-21 云南电网有限责任公司 考虑新能源出力不确定性的水风光短期联合优化调度方法
CN111262264A (zh) * 2020-03-12 2020-06-09 常州大学 一种基于嵌入式的用户侧储能优化控制器及控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
肖凯;刘鹏;车建峰;刘镇京;: "基于电力大数据平台的海量风电数据处理架构与应用研究" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114039350A (zh) * 2021-11-23 2022-02-11 中国科学院电工研究所 一种提升新能源场站群消纳能力的储能选点方法及系统
CN114039350B (zh) * 2021-11-23 2024-08-23 中国科学院电工研究所 一种提升新能源场站群消纳能力的储能选点方法及系统
CN114118579A (zh) * 2021-11-26 2022-03-01 南方电网调峰调频发电有限公司 一种新能源场站储能配置规划方法、装置及计算机设备

Also Published As

Publication number Publication date
CN111626645B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN110474339B (zh) 一种基于深度发电负荷预测的电网无功控制方法
CN102945508B (zh) 一种基于模型校正的风电功率预测预报方法
CN112488362A (zh) 一种协调电动汽车参与辅助服务市场的储能优化配置方法
CN110648249B (zh) 年度电力平衡测算方法、装置及设备
Sun et al. Research on ultra-short-term wind power prediction considering source relevance
CN115693757A (zh) 一种基于数字孪生技术的光伏能源优化调控方法
CN109978242A (zh) 基于统计升尺度的光伏发电集群功率预测方法及装置
CN111626645B (zh) 一种未来年储能配置容量测算方法及系统
CN105552969A (zh) 基于功率预测的分布式光伏发电输出功率平滑方法和系统
CN110601250A (zh) 一种基于新能源电站接入点静态电压稳定性评估方法
CN107204615A (zh) 一种实现功率预测的方法及系统
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
CN115441447B (zh) 一种新能源发电功率预测方法
CN111177278A (zh) 一种网格用户短期负荷预测实时处理工具
CN115481772A (zh) 一种光伏发电量预测方法及装置
CN116128167A (zh) 一种基于云计算实时监测的分布式光伏发电分析方法
CN106712081A (zh) 一种具有一体化功能的风电场监控系统
CN114498690B (zh) 支持大规模可再生能源消纳的多元复合储能优化配置方法
CN116581792A (zh) 一种基于数据模型驱动的风光储系统容量规划方法
CN106096807A (zh) 一种考虑小水电的互补微网经济运行评价方法
CN118432044A (zh) 一种电力系统机组灵活性改造的源网协同规划方法及系统
CN109586309B (zh) 基于大数据自由熵理论和场景匹配的配电网无功优化方法
CN108183498B (zh) 一种含风光储配电网背景下的车储混合配置方法
CN114362220B (zh) 储能电站调峰辅助决策方法
Rao et al. Research of Wind Power Generation Characteristics in Southern China Based on Improved Non-Parametric Kernel Density Estimation

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