CN111654045B - 一种电力现货市场下储能系统充放电优化方法 - Google Patents

一种电力现货市场下储能系统充放电优化方法 Download PDF

Info

Publication number
CN111654045B
CN111654045B CN202010267931.3A CN202010267931A CN111654045B CN 111654045 B CN111654045 B CN 111654045B CN 202010267931 A CN202010267931 A CN 202010267931A CN 111654045 B CN111654045 B CN 111654045B
Authority
CN
China
Prior art keywords
energy storage
storage system
charge
discharge
particle
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
CN202010267931.3A
Other languages
English (en)
Other versions
CN111654045A (zh
Inventor
刘强
李磊
冯澎湃
郭松
刘敦楠
许小峰
刘明光
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.)
Wuhan Energy Efficiency Evaluation Co Ltd Of State Grid Electric Power Research Institute
State Grid Zhejiang Electric Power Co Ltd
North China Electric Power University
Original Assignee
Wuhan Energy Efficiency Evaluation Co Ltd Of State Grid Electric Power Research Institute
State Grid Zhejiang Electric Power Co Ltd
North China Electric Power 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 Wuhan Energy Efficiency Evaluation Co Ltd Of State Grid Electric Power Research Institute, State Grid Zhejiang Electric Power Co Ltd, North China Electric Power University filed Critical Wuhan Energy Efficiency Evaluation Co Ltd Of State Grid Electric Power Research Institute
Priority to CN202010267931.3A priority Critical patent/CN111654045B/zh
Publication of CN111654045A publication Critical patent/CN111654045A/zh
Application granted granted Critical
Publication of CN111654045B publication Critical patent/CN111654045B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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—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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及一种电力现货市场下储能系统充放电优化方法，包括以下步骤：步骤1、构建在电力现货市场下，电力用户净负荷的峰谷差和波动程度最小的储能系统充放电策略优化模型的目标函数；步骤2、构建储能系统充放电策略优化模型的约束条件；步骤3、基于粒子群算法求解储能系统充放电策略优化模型，输出储能系统充放电策略优化模型的目标函数最大值和和最优解，得到储能系统最优充放电策略。本发明能够有效激发电力用户削峰填谷和需求响应的潜力。

Description

一种电力现货市场下储能系统充放电优化方法
技术领域
本发明属于电力储能系统优化技术领域，涉及电力储能系统充放电优化方法，尤其是一种电力现货市场下储能系统充放电优化方法。
背景技术
储能系统是电力系统的重要组成部分和关键支撑技术。储能系统不但是提升电力系统灵活性、经济性和安全性的重要手段，而且能够促进能源生产消费开放共享和灵活交易，是推动电力体制改革和促进能源新业态发展的核心基础。在电力用户侧建设储能系统，能够有效实现电力用户负荷的削峰填谷和需求侧管理，是当前储能系统的重要应用场景和运营模式之一。
现有的储能系统充放电优化方法主要具有以下目的：
1、快速跟踪可再生能源出力，平抑可再生能源随机波动性。
2、调节电力系统频率和电压，保障电力系统实时运行安全。
3、削峰填谷和需求侧管理，提升供电可靠性和电能质量。
其中，削峰填谷是储能系统充放电优化方法的重要目的之一，但是现有储能系统充放电优化方法具有以下不足：
1、现有储能系统充放电优化方法以传统峰谷电价为依据，但是传统峰谷电价相对固定、粗犷。根据现有充放电优化方法制定的充放电策略也相对简单、粗犷，无法有效激发电力用户削峰填谷和需求响应的潜力。
2、随着电力市场的建设，将形成市场化的电力电量平衡机制，向电力现货市场转变，在较短时段内为电力用户提供反映市场供需和生产成本的价格信号。但是，电力现货市场出清电价不确定性高、波动幅度大，现有充放电优化方法较难有效应对市场化环境下的较大风险。
因此，本发明针对现有的储能系统充放电优化方法相对简单、粗犷，无法有效激发电力用户削峰填谷和需求响应的潜力、无法有效应对电力现货市场下电价不确定性高、波动幅度大等问题，提出一种电力现货市场下储能系统充放电优化方法。
发明内容
本发明的目的在于克服现有技术的不足，提出一种设计合理、精细准确的且能够有效激发电力用户削峰填谷和需求响应的潜力的电力现货市场下储能系统充放电优化方法。
本发明解决其现实问题是采取以下技术方案实现的：
一种电力现货市场下储能系统充放电优化方法，包括以下步骤：
步骤1、构建在电力现货市场下，电力用户净负荷的峰谷差和波动程度最小的储能系统充放电策略优化模型的目标函数；
步骤2、构建储能系统充放电策略优化模型的约束条件；
步骤3、基于粒子群算法求解储能系统充放电策略优化模型，输出储能系统充放电策略优化模型的目标函数最大值和和最优解，得到储能系统最优充放电策略。
而且，所述步骤1的具体方法为：
构建储能系统充放电策略优化模型的目标函数为
PL＝(PL,1,PL,2，…,PL,M)T (1)
PC＝(PC,1,PC,2，...,PC,M)T (2)
PD＝(PD,1,PD,2，...,PD,M)T (3)
PN＝PL+PC-PD (4)
pE＝(pE,1,pE,2，...,pE,M)T (5)
Figure BDA0002442034710000021
式中，PL为电力用户负荷向量，PL,t为时段t的电力用户负荷，M为时段数量，PC为储能系统充电负荷向量，PC,t为时段t的储能系统充电负荷，PD为储能系统放电负荷向量，PD,t为时段t的储能系统放电负荷，pE为电量电价向量，pE,t为时段t的电量电价，PN为电力用户净负荷向量，F为目标函数，Δt为时段间隔，max()为最大值函数，pC为容量电价；
其中，电量电价为电力现货市场出清电价，电力现货市场的出清电价服从一定均值和标准差的概率分布，电力现货市场的出清电价均值以电力现货市场负荷为自变量的线性回归方程表示：
Figure BDA0002442034710000031
μt＝aQt+b,t＝1,2,...,M (8)
式中，pt为时段t的电力现货市场出清电价，f(pt)为时段t的电力现货市场出清电价的概率密度函数，π为圆周率，e为自然底数，σt、μt为时段t的电力现货市场出清电价的标准差和均值，Qt为时段t的电力现货市场负荷，a、b为线性回归方程的系数和常数项。
而且，所述步骤2的储能系统充放电策略优化模型的约束条件包括荷电状态动态约束、荷电状态静态约束、充放电功率约束和充放电次数约束：
(1)荷电状态动态约束：
不同时段的储能系统荷电状态满足充放电能量平衡方程：
S＝(S1,S2，...,SM)T (9)
S-1＝(ST,S1，...,SM-1)T (10)
uC＝(u1,u2，...,uM)T (11)
uD＝(1,1，...，1)T-(u1,u2，...,uM)T (12)
D＝(DB,DB，...,DB)T (13)
Figure BDA0002442034710000032
式中，S为储能系统荷电状态向量，S-1为循环移位1个时段的储能系统荷电状态向量，St为时段t的储能系统荷电状态，uC为储能系统放电状态向量，ut为时段t的储能系统充放电状态变量，ut仅取值0或1，1表示充电，0表示放电，
Figure BDA0002442034710000041
为储能系统充电状态向量，D为储能系统自放电率向量，DB为储能系统自放电率，ηC为储能系统充电效率，P0为储能系统额定容量，ηD为储能系统放电效率；
(2)荷电状态静态约束：
储能系统荷电状态在其上下限之间：
Smin≤St≤Smax,t＝1,2,...,M (15)
式中，Smin为储能系统荷电状态下限，Smax为储能系统荷电状态上限；
(3)充放电功率约束：
储能系统充放电功率在其上下限之间：
utPC,min≤PC,t≤utPC,max,t＝1,2,...,M (16)
(1-ut)PD,min≤PD,t≤(1-ut)PD,max,t＝1,2,...,M (17)
式中，PC,max为储能系统充电功率上限，PC,min为储能系统充电功率下限，PD,max为储能系统放电功率上限，PD,min为储能系统放电功率下限；
(4)充放电次数约束：
在本实施例中，定义储能系统由充电状态转变为放电状态，或者放电状态转变为充电状态为1次充放电，一定时段内储能系统充放电次数不超过充放电次数上限：
Figure BDA0002442034710000042
Figure BDA0002442034710000043
式中，
Figure BDA0002442034710000044
为循环移位1个时段的储能系统放电状态向量，|| ||2为向量的L2范数，L2范数为向量所有元素的平方和的算术平方根，NCD为储能系统充放电次数上限。
而且，所述步骤3的具体步骤包括：
(1)设置粒子群初始速度和初始位置；
Figure BDA0002442034710000051
Figure BDA0002442034710000052
式中，
Figure BDA0002442034710000053
为粒子i的初始位置向量，
Figure BDA0002442034710000054
为粒子i在维度k的初始位置，n为粒子数量，
Figure BDA0002442034710000055
为粒子i的初始速度向量，
Figure BDA0002442034710000056
为粒子i在维度k的初始速度。
(2)计算粒子个体极值和个体极值位置；
Figure BDA0002442034710000057
Figure BDA0002442034710000058
Figure BDA0002442034710000059
式中，
Figure BDA00024420347100000510
为第r次迭代粒子i的适应度，
Figure BDA00024420347100000511
为当前粒子位置代入储能系统充放电策略优化模型的目标函数后计算得到的数值，pPB,i为粒子i的个体极值，xPB,i为粒子i的个体极值位置向量，
Figure BDA00024420347100000512
表示第r次迭代粒子i的适应度等于粒子i的个体极值时的位置向量；
(3)计算全局极值和全局极值位置；
pGB＝max(pPB,1,pPB,2,...,pPB,n) (25)
Figure BDA00024420347100000513
式中，pGB为全局极值，xGB为全局极值位置向量，
Figure BDA00024420347100000514
表示粒子i的适应度等于全局极值时的位置向量。
(4)判断是否满足迭代次数达到最大迭代次数或者全局极值达到阈值的收敛条件，若不满足收敛条件，转至步骤(5)，否则转至步骤(6)；
r≤R (27)
Figure BDA00024420347100000515
式中，R为最大迭代次数，min()为最小值函数，Δp为全局极值阈值。
(5)如不满足收敛条件，则更新粒子位置和速度后转至步骤(2)；
Figure BDA0002442034710000061
Figure BDA0002442034710000062
式中，
Figure BDA0002442034710000063
为第r+1次迭代粒子i在维度k的速度，ω为惯性权重，
Figure BDA0002442034710000064
为第r次迭代粒子i在维度k的速度，c1为学习因子1，r1为范围为[0,1]的随机数1，c2为学习因子2，r2为范围为[0,1]的随机数2，xPB,i,k为粒子i在维度k的个体极值位置，
Figure BDA0002442034710000065
为第r次迭代粒子i在维度k的位置，xGB,k为在维度k的全局极值位置，
Figure BDA0002442034710000066
为第r+1次迭代粒子i在维度k的位置。
(6)输出储能系统充放电策略优化模型的最优值pGB和最优解xGB；
其中，最优值pGB为储能系统充放电策略优化模型的目标函数最大值；最优解xGB不同维度的数值为储能系统不同时段的充电负荷、放电负荷和充放电状态，即为储能系统最优充放电策略。
本发明的优点和有益效果：
1、本发明提供一种电力现货市场下储能系统充放电优化方法，构建储能系统充放电策略优化模型的目标函数和约束条件，基于粒子群算法求解储能系统充放电策略优化模型，得到电力现货市场下储能系统充放电策略，能够有效激发电力用户削峰填谷和需求响应的潜力。
2、本发明不局限于传统峰谷电价，综合考虑电力现货市场下电价较大的不确定性和波动性，使储能系统的充放电策略的制定更加准确、精细，进而能够有效应对和规避市场化环境下的风险，为能源服务商在电力现货市场下开展售电、综合能源服务等业务提供有效的决策支撑。
附图说明
图1是本发明的一种电力现货市场下储能系统充放电优化方法流程图；
图2是本发明的粒子群算法流程图；
图3是本发明的电力现货市场负荷示意图；
图4是本发明的电力现货市场下储能系统充放电负荷以及储能系统充放电前后电力用户负荷变化示意图。
具体实施方式
以下结合附图对本发明实施例作进一步详述：
一种电力现货市场下储能系统充放电优化方法，如图1所示，包括以下步骤：
步骤1、构建储能系统充放电策略优化模型的目标函数。储能系统充放电策略优化模型的目标函数为电力用户的电量电费和容量电费总和；其中，电量电价为电力现货市场出清电价均值，以电力现货市场负荷为自变量的一元线性回归方程表示。
所述步骤1的具体方法为：
构建储能系统充放电策略优化模型的目标函数为在电力现货市场下，电力用户净负荷的峰谷差和波动程度最小，对电力系统削峰填谷的效果最好。
PL＝(PL,1,PL,2，...,PL,M)T (1)
PC＝(PC,1,PC,2，...,PC,M)T (2)
PD＝(PD,1,PD,2，...,PD,M)T (3)
PN＝PL+PC-PD (4)
pE＝(pE,1,pE,2，...,pE,M)T (5)
Figure BDA0002442034710000071
式中，PL为电力用户负荷向量，PL,t为时段t的电力用户负荷，M为时段数量，PC为储能系统充电负荷向量，PC,t为时段t的储能系统充电负荷，PD为储能系统放电负荷向量，PD,t为时段t的储能系统放电负荷，pE为电量电价向量，pE,t为时段t的电量电价，PN为电力用户净负荷向量，F为目标函数，Δt为时段间隔，max()为最大值函数，pC为容量电价；
其中，电量电价为电力现货市场出清电价均值；电力现货市场出清电价近似服从正态分布，正态分布的均值与电力现货市场负荷强相关，以电力现货市场负荷为自变量的线性回归方程表示：
Figure BDA0002442034710000081
pt＝μt＝aQt+b,t＝1,2,...,M (8)
式中，pt为时段t的电力现货市场出清电价，f(pt)为时段t的电力现货市场出清电价的概率密度函数，π为圆周率，e为自然底数，σt、μt为时段t的电力现货市场出清电价的标准差和均值，Qt为时段t的电力现货市场负荷，a、b为线性回归方程的系数和常数项。
步骤2、构建储能系统充放电策略优化模型的约束条件。
所述步骤2的储能系统充放电策略优化模型的约束条件包括荷电状态动态约束、荷电状态静态约束、充放电功率约束和充放电次数约束。
(1)荷电状态动态约束：
不同时段的储能系统荷电状态满足充放电能量平衡方程。
S＝(S1,S2，...,SM)T (9)
S-1＝(ST,S1，...,SM-1)T (10)
uC＝(u1,u2，...,uM)T (11)
uD＝(1,1，...，1)T-(u1,u2，...,uM)T (12)
D＝(DB,DB，...,DB)T (13)
Figure BDA0002442034710000082
式中，S为储能系统荷电状态向量，S-1为循环移位1个时段的储能系统荷电状态向量，St为时段t的储能系统荷电状态，uC为储能系统放电状态向量，ut为时段t的储能系统充放电状态变量，ut仅取值0或1，1表示充电，0表示放电，
Figure BDA0002442034710000091
为储能系统充电状态向量，D为储能系统自放电率向量，DB为储能系统自放电率，ηC为储能系统充电效率，P0为储能系统额定容量，ηD为储能系统放电效率；
(2)荷电状态静态约束：
储能系统荷电状态在其上下限之间：
Smin≤St≤Smax,t＝1,2,...,M (15)
式中，Smin为储能系统荷电状态下限，Smax为储能系统荷电状态上限。
(3)充放电功率约束：
储能系统充放电功率在其上下限之间：
utPC,min≤PC,t≤utPC,max,t＝1,2,...,M (16)
(1-ut)PD,min≤PD,t≤(1-ut)PD,max,t＝1,2,...,M (17)
式中，PC,max为储能系统充电功率上限，PC,min为储能系统充电功率下限，PD,max为储能系统放电功率上限，PD,min为储能系统放电功率下限。
(4)充放电次数约束：
在本实施例中，定义储能系统由充电状态转变为放电状态，或者放电状态转变为充电状态为1次充放电，一定时段内储能系统充放电次数不超过充放电次数上限：
Figure BDA0002442034710000092
Figure BDA0002442034710000093
式中，
Figure BDA0002442034710000094
为循环移位1个时段的储能系统放电状态向量，|| ||2为向量的L2范数，L2范数为向量所有元素的平方和的算术平方根，NCD为储能系统充放电次数上限。
步骤3、基于粒子群算法求解储能系统充放电策略优化模型。设置粒子初始速度和初始位置；计算粒子个体极值和个体极值位置；计算全局极值和全局极值位置；判断是否满足收敛条件，若不满足收敛条件，更新粒子位置和速度，否则输出目标值和最优解。
所述步骤3的具体步骤包括：
电力现货市场下储能系统充放电策略优化模型为混合整数规划模型，基于粒子群算法进行求解，如图2所示。
(1)设置粒子群初始速度和初始位置；
储能系统充放电策略优化模型的优化变量包括储能系统充电负荷向量、放电负荷向量和充放电状态向量的所有元素。粒子群的维度为3M，粒子群在不同维度的位置对应储能系统充电负荷向量、放电负荷向量和充放电状态向量的不同元素的数值。
Figure BDA0002442034710000101
Figure BDA0002442034710000102
式中，
Figure BDA0002442034710000103
为粒子i的初始位置向量，
Figure BDA0002442034710000104
为粒子i在维度k的初始位置，n为粒子数量，
Figure BDA0002442034710000105
为粒子i的初始速度向量，
Figure BDA0002442034710000106
为粒子i在维度k的初始速度。
(2)计算粒子个体极值和个体极值位置；
粒子的适应度为当前粒子位置代入储能系统充放电策略优化模型的目标函数后计算得到的数值。个体极值为粒子当前迭代过程中的最大适应度，个体极值位置为个体极值所在位置。
Figure BDA0002442034710000107
Figure BDA0002442034710000108
Figure BDA0002442034710000109
式中，
Figure BDA0002442034710000111
为第r次迭代粒子i的适应度，
Figure BDA0002442034710000112
为当前粒子位置代入储能系统充放电策略优化模型的目标函数后计算得到的数值，pPB,i为粒子i的个体极值，xPB,i为粒子i的个体极值位置向量，
Figure BDA0002442034710000113
表示第r次迭代粒子i的适应度等于粒子i的个体极值时的位置向量。
(3)计算全局极值和全局极值位置；
全局极值为所有粒子当前迭代过程中的最大适应度，全局极值位置为全局极值所在位置。
pGB＝max(pPB,1,pPB,2,...,pPB,n) (25)
Figure BDA0002442034710000114
式中，pGB为全局极值，xGB为全局极值位置向量，
Figure BDA0002442034710000115
表示粒子i的适应度等于全局极值时的位置向量。
(4)判断是否满足迭代次数达到最大迭代次数或者全局极值达到阈值的收敛条件，若不满足收敛条件，转至步骤(5)，否则转至步骤(6)；
r≤R (27)
Figure BDA0002442034710000116
式中，R为最大迭代次数，min()为最小值函数，Δp为全局极值阈值。
(5)如不满足收敛条件，则更新粒子位置和速度后转至步骤(2)；
Figure BDA0002442034710000117
Figure BDA0002442034710000118
式中，
Figure BDA0002442034710000119
为第r+1次迭代粒子i在维度k的速度，ω为惯性权重，
Figure BDA00024420347100001110
为第r次迭代粒子i在维度k的速度，c1为学习因子1，r1为范围为[0,1]的随机数1，c2为学习因子2，r2为范围为[0,1]的随机数2，xPB,i,k为粒子i在维度k的个体极值位置，
Figure BDA0002442034710000121
为第r次迭代粒子i在维度k的位置，xGB,k为在维度k的全局极值位置，
Figure BDA0002442034710000122
为第r+1次迭代粒子i在维度k的位置。
(6)输出最优解和最优值。
输出优化函数的最优值pGB和最优解xGB。
在本实施例中，最优值pGB为储能系统充放电策略优化模型的目标函数最大值；最优解xGB不同维度的数值为储能系统不同时段的充电负荷、放电负荷和充放电状态，即为储能系统最优充放电策略。
下面结合具体实施案例，对本发明进行进一步描述：
设储能系统的额定容量为15MW，荷电状态上限和荷电状态下限分别为0.9和0.1，充电效率和放电效率均为90％，充电功率上限和充电功率下限分别为5.25MW和0.00MW，放电功率上限和放电功率下限分别为5.25MW和0.00MW，自放电率为0.001，充放电次数上限为2。电力现货市场负荷如图3所示，市场时间间隔为30min，容量电价为40元/MWh/月，电力现货市场出清电价均值的一元回归方程如下：
pt＝μt＝1.6444Qt+68.3602,t＝1,2,...,M
根据本发明优化得到的储能系统充放电策略，电力现货市场下储能系统充放电负荷和储能系统充放电前后电力用户负荷变化如图4所示，储能系统充放电前后电力用户净负荷的峰谷差和波动程度变化如表1所示。
表1储能系统充放电前后电力用户净负荷的峰谷差和波动程度变化
储能系统充放电前 储能系统充放电后
峰谷差 29.24MW 26.54MW
波动程度 9.80MW 8.51MW
根据结果表明，本发明提出的电力现货市场下储能系统充放电优化方法，具有以下优点：
1、不局限于传统峰谷电价，充放电策略的制定更加准确、精细，能够有效激发电力用户削峰填谷和需求响应的潜力。
2、综合考虑电力现货市场下电价较大的不确定性和波动性，能够有效应对和规避市场化环境下的风险。
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。

Claims (3)

1.一种电力现货市场下储能系统充放电优化方法，其特征在于：包括以下步骤：
步骤1、构建在电力现货市场下，电力用户净负荷的峰谷差和波动程度最小的储能系统充放电策略优化模型的目标函数；
步骤2、构建储能系统充放电策略优化模型的约束条件；
步骤3、基于粒子群算法求解储能系统充放电策略优化模型，输出储能系统充放电策略优化模型的目标函数最小值和最优解，得到储能系统最优充放电策略；
所述步骤1的具体方法为：
构建储能系统充放电策略优化模型的目标函数为：
PL＝(PL,1,PL,2，...,PL,M)T (1)
PC＝(PC,1,PC,2，...,PC,M)T (2)
PD＝(PD,1,PD,2，...,PD,M)T (3)
PN＝PL+PC-PD (4)
pE＝(pE,1,pE,2，...,pE,M)T (5)
Figure FDA0003635614340000011
式中，PL为电力用户负荷向量，PL,t为时段t的电力用户负荷，M为时段数量，PC为储能系统充电负荷向量，PC,t为时段t的储能系统充电负荷，PD为储能系统放电负荷向量，PD,t为时段t的储能系统放电负荷，pE为电量电价向量，pE,t为时段t的电量电价，PN为电力用户净负荷向量，F为目标函数，Δt为时段间隔，max()为最大值函数，pC为容量电价；
其中，电量电价为电力现货市场出清电价，电力现货市场的出清电价服从一定均值和标准差的概率分布，电力现货市场的出清电价均值以电力现货市场负荷为自变量的线性回归方程表示：
Figure FDA0003635614340000012
μt＝aQt+b,t＝1,2,...,M (8)
式中，pt为时段t的电力现货市场出清电价，f(pt)为时段t的电力现货市场出清电价的概率密度函数，π为圆周率，e为自然底数，σt、μt为时段t的电力现货市场出清电价的标准差和均值，Qt为时段t的电力现货市场负荷，a、b为线性回归方程的系数和常数项。
2.根据权利要求1所述的一种电力现货市场下储能系统充放电优化方法，其特征在于：所述步骤2的储能系统充放电策略优化模型的约束条件包括荷电状态动态约束、荷电状态静态约束、充放电功率约束和充放电次数约束：
(1)荷电状态动态约束：
不同时段的储能系统荷电状态满足充放电能量平衡方程：
S＝(S1,S2，...,SM)T (9)
S-1＝(ST,S1，...,SM-1)T (10)
uC＝(u1,u2，...,uM)T (11)
uD＝(1,1，...，1)T-(u1,u2，...,uM)T (12)
D＝(DB,DB，...,DB)T (13)
Figure FDA0003635614340000021
式中，S为储能系统荷电状态向量，S-1为循环移位1个时段的储能系统荷电状态向量，St为时段t的储能系统荷电状态，uC为储能系统放电状态向量，ut为时段t的储能系统充放电状态变量，ut仅取值0或1，1表示充电，0表示放电，
Figure FDA0003635614340000022
为储能系统充电状态向量，D为储能系统自放电率向量，DB为储能系统自放电率，ηC为储能系统充电效率，P0为储能系统额定容量，ηD为储能系统放电效率；
(2)荷电状态静态约束：
储能系统荷电状态在其上下限之间：
Smin≤St≤Smax,t＝1,2,...,M (15)
式中，Smin为储能系统荷电状态下限，Smax为储能系统荷电状态上限；
(3)充放电功率约束：
储能系统充放电功率在其上下限之间：
utPC,min≤PC,t≤utPC,max,t＝1,2,...,M (16)
(1-ut)PD,min≤PD,t≤(1-ut)PD,max,t＝1,2,...,M (17)
式中，PC,max为储能系统充电功率上限，PC,min为储能系统充电功率下限，PD,max为储能系统放电功率上限，PD,min为储能系统放电功率下限；
(4)充放电次数约束：
在本实施例中，定义储能系统由充电状态转变为放电状态，或者放电状态转变为充电状态为1次充放电，一定时段内储能系统充放电次数不超过充放电次数上限：
Figure FDA0003635614340000031
Figure FDA0003635614340000032
式中，
Figure FDA0003635614340000033
为循环移位1个时段的储能系统放电状态向量，|| ||2为向量的L2范数，L2范数为向量所有元素的平方和的算术平方根，NCD为储能系统充放电次数上限。
3.根据权利要求1所述的一种电力现货市场下储能系统充放电优化方法，其特征在于：所述步骤3的具体步骤包括：
(1)设置粒子群初始速度和初始位置；
Figure FDA0003635614340000034
Figure FDA0003635614340000035
式中，
Figure FDA0003635614340000036
为粒子i的初始位置向量，
Figure FDA0003635614340000037
为粒子i在维度k的初始位置，n为粒子数量，
Figure FDA0003635614340000041
为粒子i的初始速度向量，
Figure FDA0003635614340000042
为粒子i在维度k的初始速度；
(2)计算粒子个体极值和个体极值位置；
Figure FDA0003635614340000043
Figure FDA0003635614340000044
Figure FDA0003635614340000045
式中，
Figure FDA0003635614340000046
为第r次迭代粒子i的适应度，Fi r为当前粒子位置代入储能系统充放电策略优化模型的目标函数后计算得到的数值，pPB,i为粒子i的个体极值，xPB,i为粒子i的个体极值位置向量，
Figure FDA0003635614340000047
表示第r次迭代粒子i的适应度等于粒子i的个体极值时的位置向量；
(3)计算全局极值和全局极值位置；
pGB＝min(pPB,1,pPB,2,...,pPB,n) (25)
Figure FDA0003635614340000048
式中，pGB为全局极值，xGB为全局极值位置向量，
Figure FDA0003635614340000049
表示粒子i的适应度等于全局极值时的位置向量；
(4)判断是否满足迭代次数达到最大迭代次数或者全局极值达到阈值的收敛条件，若不满足收敛条件，转至步骤(5)，否则转至步骤(6)；
r≤R (27)
Figure FDA00036356143400000410
式中，R为最大迭代次数，min()为最小值函数，Δp为全局极值阈值；
(5)如不满足收敛条件，则更新粒子位置和速度后转至步骤(2)；
Figure FDA00036356143400000411
Figure FDA00036356143400000412
式中，
Figure FDA0003635614340000051
为第r+1次迭代粒子i在维度k的速度，ω为惯性权重，
Figure FDA0003635614340000052
为第r次迭代粒子i在维度k的速度，c1为学习因子1，r1为范围为[0,1]的随机数1，c2为学习因子2，r2为范围为[0,1]的随机数2，xPB,i,k为粒子i在维度k的个体极值位置，
Figure FDA0003635614340000053
为第r次迭代粒子i在维度k的位置，xGB,k为在维度k的全局极值位置，
Figure FDA0003635614340000054
为第r+1次迭代粒子i在维度k的位置；
(6)输出储能系统充放电策略优化模型的最优值pGB和最优解xGB；
其中，最优值pGB为储能系统充放电策略优化模型的目标函数最大值；最优解xGB不同维度的数值为储能系统不同时段的充电负荷、放电负荷和充放电状态，即为储能系统最优充放电策略。
CN202010267931.3A 2020-04-08 2020-04-08 一种电力现货市场下储能系统充放电优化方法 Active CN111654045B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010267931.3A CN111654045B (zh) 2020-04-08 2020-04-08 一种电力现货市场下储能系统充放电优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010267931.3A CN111654045B (zh) 2020-04-08 2020-04-08 一种电力现货市场下储能系统充放电优化方法

Publications (2)

Publication Number Publication Date
CN111654045A CN111654045A (zh) 2020-09-11
CN111654045B true CN111654045B (zh) 2022-07-29

Family

ID=72350381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010267931.3A Active CN111654045B (zh) 2020-04-08 2020-04-08 一种电力现货市场下储能系统充放电优化方法

Country Status (1)

Country Link
CN (1) CN111654045B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257945B (zh) * 2020-10-29 2024-06-25 江苏电力交易中心有限公司 一种基于储能用户的电力出清自动优化方法及系统
CN112711895B (zh) * 2020-12-30 2022-08-23 上海电机学院 一种基于时段划分及改进粒子群算法的配电网重构方法
CN112883566B (zh) * 2021-02-02 2024-02-20 华北电力大学 一种基于虚拟电池模型的光伏产消者能量建模方法及系统
CN115051361B (zh) * 2022-07-20 2024-09-17 华北电力大学 考虑5g基站负荷特性的共享储能调控方法与管理系统
CN115425669A (zh) * 2022-09-27 2022-12-02 国网河北省电力有限公司雄安新区供电公司 一种分布式储能配置方法、介质和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105023053A (zh) * 2015-04-27 2015-11-04 中国南方电网有限责任公司电网技术研究中心 电量分配方法及系统
CN107370170A (zh) * 2017-06-23 2017-11-21 浙江大学 一种考虑容量电价和负荷预测误差的储能系统容量配置方法
CN108199369A (zh) * 2017-12-29 2018-06-22 国网浙江省电力有限公司 面向多种电力市场准入关联的地域性微电网低成本优化运营方法
CN109245093A (zh) * 2018-09-28 2019-01-18 上海电力学院 一种冷热电联供分布式能源站协同优化调度方法
CN109995063A (zh) * 2019-04-02 2019-07-09 常州大学 一种用户侧储能控制策略

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105023053A (zh) * 2015-04-27 2015-11-04 中国南方电网有限责任公司电网技术研究中心 电量分配方法及系统
CN107370170A (zh) * 2017-06-23 2017-11-21 浙江大学 一种考虑容量电价和负荷预测误差的储能系统容量配置方法
CN108199369A (zh) * 2017-12-29 2018-06-22 国网浙江省电力有限公司 面向多种电力市场准入关联的地域性微电网低成本优化运营方法
CN109245093A (zh) * 2018-09-28 2019-01-18 上海电力学院 一种冷热电联供分布式能源站协同优化调度方法
CN109995063A (zh) * 2019-04-02 2019-07-09 常州大学 一种用户侧储能控制策略

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PJM日前市场电价的统计分析;朱兆霞等;《电力系统自动化》;20061215(第23期);全文 *
基于改进粒子群算法的储能系统优化运行;戴航等;《华北电力大学学报(自然科学版)》;20200330(第02期);全文 *

Also Published As

Publication number Publication date
CN111654045A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN111654045B (zh) 一种电力现货市场下储能系统充放电优化方法
Shafiee et al. Developing bidding and offering curves of a price-maker energy storage facility based on robust optimization
CN109146320B (zh) 一种考虑配电网安全性的虚拟电厂优化调度方法
CN108599144B (zh) 一种提高电力系统新能源利用率且最小化发电成本的方法
CN108510212A (zh) 一种交互式能源系统的分布式能源调度方法及系统
CN110633854A (zh) 一种考虑储能电池多重分段服务全生命周期优化规划方法
CN113688567A (zh) 一种考虑冲击负荷的虚拟电厂两阶段优化调度方法
CN114204550A (zh) 一种含多类型新能源的电力系统绿色调度方法
KR102672397B1 (ko) 전력거래 중개 시스템 및 방법
CN113538066A (zh) 虚拟电厂参与电力市场的控制方法、系统、设备及介质
Yu et al. Residential microgrids energy trading with plug-in electric vehicle battery via stochastic games
CN105930919A (zh) 基于两阶段随机规划的虚拟电厂风险规避优化运行方法
CN116402223A (zh) 一种配电网协同调度方法、系统及设备
CN117094849A (zh) 储能电站参与多类电力市场的优化运行方法、装置及设备
Park et al. Prosumer energy management considering contract with consumers under progressive pricing policy
CN111047093A (zh) 一种电动汽车典型快充站优化运行配置方法
CN114358378A (zh) 一种用于考虑需量管理的用户侧储能优化配置系统及方法
CN117526339A (zh) 负荷资源收益分配方法、装置、计算机设备及存储介质
CN117039881A (zh) 一种计及用户参与不确定性的虚拟电厂聚合方法及系统
CN116845907A (zh) 微电网源荷调度方法、系统、电子设备及介质
CN109214624B (zh) 一种基于蒙特卡洛法的储能容量优化方法、装置及系统
CN111242438A (zh) 自备电厂发用电资源灵活性调节能力的评估方法及系统
Wehinger et al. Assessing the effect of storage devices and a PHEV cluster on German spot prices by using model predictive and profit maximizing agents
CN115102201A (zh) 面向5g基站的共享储能优化配置方法、装置和存储介质
Zuo et al. Distributionally robust optimization for virtual power plant clusters considering carbon emission-based dynamic dispatch priority

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