CN111725826B - 一种基于高比例光伏接入电力系统的储能综合定容方法 - Google Patents

一种基于高比例光伏接入电力系统的储能综合定容方法 Download PDF

Info

Publication number
CN111725826B
CN111725826B CN202010628711.9A CN202010628711A CN111725826B CN 111725826 B CN111725826 B CN 111725826B CN 202010628711 A CN202010628711 A CN 202010628711A CN 111725826 B CN111725826 B CN 111725826B
Authority
CN
China
Prior art keywords
energy storage
photovoltaic
capacity
planning
under
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
CN202010628711.9A
Other languages
English (en)
Other versions
CN111725826A (zh
Inventor
范越
古宸嘉
王建学
刘子拓
王学斌
张舒捷
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.)
Xian Jiaotong University
State Grid Qinghai Electric Power Co Ltd
Electric Power Research Institute of State Grid Qinghai Electric Power Co Ltd
Original Assignee
Xian Jiaotong University
State Grid Qinghai Electric Power Co Ltd
Electric Power Research Institute of State Grid Qinghai 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 Xian Jiaotong University, State Grid Qinghai Electric Power Co Ltd, Electric Power Research Institute of State Grid Qinghai Electric Power Co Ltd filed Critical Xian Jiaotong University
Priority to CN202010628711.9A priority Critical patent/CN111725826B/zh
Publication of CN111725826A publication Critical patent/CN111725826A/zh
Application granted granted Critical
Publication of CN111725826B publication Critical patent/CN111725826B/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
    • 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
    • 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
    • H02J3/381—Dispersed generators
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic 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
    • 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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于高比例光伏接入电力系统的储能综合定容方法，从电力系统规划部门获取数据构建储能综合定容方法所需优化函数及约束；基于步优化函数及约束条件，以最大化单位容量储能消纳光伏量为目标；以提升光伏消纳率且储能效益为正为目标；以保障光伏消纳率为目标分别建立评估规划模型；求解不同规划目标下的系统储能设备投建电量/容量，系统光伏消纳率，系统运行成本及储能投建成本；根据储能规划容量及电量结果，通过熵权法生成各目标权重，并基于综合评分得出储能容量最优决策。本发明以储能投建作为规划主体，实现了对储能投建容量的多方面最优决策；对于储能方案的实用化决策及储能的实际建设具有更强的指导意义。

Description

一种基于高比例光伏接入电力系统的储能综合定容方法
技术领域
本发明属于电源规划技术领域，具体涉及一种基于高比例光伏接入电力系统的储能综合定容方法。
背景技术
随着光伏产业的迅速发展，由于光伏具有的随机性、波动性特点，以及我国呈现出的规模型、集中式并网的发展特征，其装机规模的不断增加给电力系统规划带来了新的需求，迫切需要投建快速调节电源等系统灵活性资源，以实现对光伏的保障性消纳。因此，需要一种储能规划方法，来合理规划其投建规模。
现有的应对光伏消纳的储能规划研究通常只是以最小化系统投建运行成本为目标，确定各类型设备的投建位置及规模。在规划中，光伏被视为多种类型电源的一种。其问题在于，此类建模方法及求解手段更多的侧重于经济的合理性，而忽略了储能投建决策过程中的诸多关键考量，如方案比选的便捷性，成本回收的可行性以及政策或计划影响下的预期光伏消纳目标等，这样得到的储能投建结果对光伏发展的引导作用不足。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种高比例光伏接入电力系统的储能综合定容方法，通过设立多重规划目标，简化评估方法，实现了对储能投建容量的快速优化决策，对于高比例光伏接入系统下的储能实际建设具有更强的指导意义。
本发明采用以下技术方案：
一种基于高比例光伏接入电力系统的储能综合定容方法，包括以下步骤：
S1、获取储能规划数据、系统基本技术数据、系统运行约束条件数据、系统运行预测数据；
S2、构建储能综合定容方法所需优化函数及约束；
S3、基于步骤S2建立的优化函数及约束条件，以最大化单位容量储能消纳光伏量为目标；以提升光伏消纳率且储能效益为正为目标；以保障光伏消纳率为目标分别建立评估规划模型；
S4、将步骤S1得到的数据输入到步骤S3中构建的三种评估规划模型中，求解不同规划目标下的系统储能设备投建电量/容量ESto,n/PSto,n,n＝1,2,3，系统光伏消纳率γR，系统运行成本及储能投建成本COM/CInv；
S5、根据步骤S4所得储能规划容量及电量结果，通过熵权法生成各目标权重，并基于综合评分得出储能容量最优决策。
具体的，步骤S1中，储能规划数据包括储能设备单位电量/容量投建成本cE/cp；最大投建容量ESto；储能设备投建成本的等年值折算系数γSto；储能充/放电效率ηC/ηD；系统基本技术数据包括典型场景k下负荷数据PL,k(t)；发电机数据；系统运行约束条件数据包括各发电机组i的出力上下限
Figure BDA0002567631380000021
各发电机组i的最大爬坡速率
Figure BDA0002567631380000022
光伏保障消纳率参数γS；系统运行预测数据包括运行场景总数K，各典型日光伏电站i的预测曲线PS,ik(t)。
具体的，步骤S2中，优化函数及约束具体为：
储能综合定容方法待选指标，包括最大化系统接纳光伏发电容量V1，最小化系统运行成本V2，最小化系统规划及运行成本V3；
规划决策约束条件，包括储能设备投建容量限制；
系统运行评估约束条件，包括系统功率平衡约束、常规发电机出力约束和储能运行约束；
面向光伏消纳的约束条件，包括光伏消纳保障约束和光伏消纳保障约束；
保障收益的约束条件，包括储能收益保障约束。
进一步的，最大化系统接纳光伏发电容量V1，优化函数为：
Figure BDA0002567631380000031
其中，pk为不同日运行场景的概率，Pim,k为日运行场景k中可接纳光伏发电容量；
最小化系统运行成本V2，优化函数为：
Figure BDA0002567631380000032
其中，Ψ为日运行场景集，pk为不同日运行场景的概率，CG,k为日运行场景k下常规发电机组的燃料成本；CLoss为弃新能源惩罚项，T为全年天数；
最小化系统规划及运行成本V3，优化函数为：
Figure BDA0002567631380000033
其中，Ψ为日运行场景集，CCap为折算至年的储能设备规划投建成本；CFOM为折算至年的储能设备固定运行维护成本；CVOM,k为日运行场景k下储能的可变运行维护成本；CG,k为日运行场景k下常规发电机组的燃料成本；CLoss为弃新能源惩罚项，T为全年天数。
储能设备投建容量限制为：
Figure BDA0002567631380000034
其中，ESto为储能设备在整个系统中的投建电量上限；
用于系统消纳能力评估模型为：
Figure BDA0002567631380000041
用于储能投资决策模型为：
Figure BDA0002567631380000042
其中，ΩG/ΩS/ΩSto分别为常规机组/光伏电站/储能集合，PS,ik(t)为日运行场景k下，新能源机组i在时刻t的实际出力；Pim,k为日运行场景k下系统在任意时刻可接纳的电力；PL,k(t)为日运行场景k下，时刻t的负荷需求；PSC,ik(t)/PSD,ik(t)为为日运行场景k下，储能电站i在时刻t的充放电功率；
常规发电机出力上下限约束为：
Figure BDA0002567631380000043
Figure BDA0002567631380000044
其中，PG,ik(t)为日运行场景k下，常规发电机组i在时刻t的出力；
Figure BDA0002567631380000045
为常规发电机组i的最小出力参数；
Figure BDA0002567631380000046
为常规发电机组i在线性分段α上的最大出力参数；
各常规发电机向上/向下爬坡速率限制为：
Figure BDA0002567631380000047
其中，
Figure BDA0002567631380000048
为位于常规发电机组i在单位时段内的最大爬坡速率；
储能最大充放电功率约束为：
Figure BDA0002567631380000051
其中，γC,ik(t)/γD,ik(t)为0～1决策变量，表征日运行场景k下，储能电站i在时刻t的充电/放电状态；
储能充放电状态互斥约束为：
Figure BDA0002567631380000052
储能荷电状态约束为：
Figure BDA0002567631380000053
其中，SOCik(t)为日运行场景k下，储能电站i在时刻t的荷电状态，
Figure BDA0002567631380000054
为储能投建决策变量，ERi为位于储能电站i的待投建储能电站的投建电量；
储能荷电状态与充放电功率间的时序耦合约束为：
Figure BDA0002567631380000055
其中，ηC,i为储能电站i的充电效率，ηD,i为储能电站i的放电效率，ΩSto为常规发电机组的集合，Γ为日运行场景时段的集合，PSC,ik(t)为日运行场景k下，储能电站i在时刻t的充电功率，PSD,ik(t)为日运行场景k下，储能电站i在时刻t的放电功率，Ψ为日运行场景集；
光伏出力约束为：
Figure BDA0002567631380000056
其中，
Figure BDA0002567631380000057
为光伏电站i在时刻t的预测出力；
光伏消纳保障约束为：
Figure BDA0002567631380000061
其中，γS为光伏保障消纳率；
储能收益保障约束为：
Figure BDA0002567631380000062
其中，ΩS为光伏电站集合，Ψ为日运行场景集，λ为光伏上网电价，pk为不同日运行场景的概率，PS,ik(t)为日运行场景k中光伏电站i的出力，
Figure BDA0002567631380000063
为无储能参与情况下日运行场景k中光伏电站i的出力；CCap为折算至逐年的储能设备规划投建成本；CFOM为储能设备年固定运行维护成本；CVOM,k为日运行场景k下储能的可变运行维护成本，T为全年天数。
具体的，步骤S3中，评估规划模型包括消纳能力评估模型A、保障储能效益为正的储能投建决策模型B和保障光伏消纳的储能投资决策模型C；消纳能力评估模型A用于实现在已有电源组合及储能投建配置的情况下，系统所能接纳光伏能力Pim的评估，保障储能效益为正的储能投建决策模型B和保障光伏消纳的储能投资决策模型C用于实现在已有电源组合及光伏资源情况下，不同规划目标指导的储能最优投建。
进一步的，消纳能力评估模型A具体为：
min V1
st:
con:(9),(10a),(11)-(16)；
Figure BDA0002567631380000064
其中，V1为最大化系统接纳光伏发电容量；
保障储能效益为正的储能投建决策模型B具体为：
min V2
st:
con:(3)-(9),(10b),(11)-(17)，(20)；
其中，V2为最小化系统运行成本；
保障光伏消纳的储能投资决策模型C具体为：
min V3
st:
con:(3)-(9),(10b),(11)-(18)
其中，V3为最小化系统规划及运行成本。
进一步的，以最大化单位容量储能消纳光伏量为目标的求解模型及方法具体为：
将系统消纳能力评估模型记为模型A，设置N种不同储能投建方案An,n＝1…N，求解模型A，得到在不同储能配置方案下的系统光伏接纳能力Rn,n＝1…N；假设当前及未来计划光伏装机容量分别为Cappre,Capfut，根据输入的光伏预测信息，得到对应装机下系统逐时刻的光伏预测值分别为
Figure BDA0002567631380000071
则对储能方案n，新增光伏消纳量Yn为
Figure BDA0002567631380000072
得到点对(Rn,Yn),n＝1…N，通过进行曲线逼近及拟合，选取斜率最大点对应的储能容量配置，为储能容量配置方案X1。
进一步的，以提升光伏消纳率且储能效益为正为目标的求解模型及方法具体为：
将保障储能效益为正的储能投建决策模型记为模型B，基于当前系统的边界条件，在模型B的基础上，略去储能收益保障约束，同时设置储能投建上限为0，求得无储能参与情况下日运行场景k中光伏电站i的出力
Figure BDA0002567631380000073
将无储能参与下的光伏电站出力代入储能收益保障约束，在此基础上求解允许储能投建的模型B中，所得结果为储能容量配置方案X2。
进一步的，以保障光伏消纳率为目标的求解模型及方法具体为：
将保障光伏消纳的储能投资决策模型记为模型C，基于当前系统的边界条件，以目标光伏消纳率为参数，代入求解模型C，所得结果为储能容量配置方案X3。
具体的，步骤S5具体为：
S501、建立评价指标体系，包含不同类型的评价指标Ij,j＝1…J，J为指标个数，依据不同指标所对应的评价手段，求得不同规划目标n所相应的评价指标，即评价指标系数矩阵R＝(rnj)N×J，rnj为第j个指标下第n个方案的指标值；
S502、确定各指标值权重，采用熵权法进行各指标权重核算
设第j个指标下第n个方案指标权重为
Figure BDA0002567631380000081
则第j个指标的熵值ej为：
Figure BDA0002567631380000082
指标j的熵权wj为：
Figure BDA0002567631380000083
其中，ej为第j个指标的熵值；
S503、确定各方案综合评分；
由各方案所对应的各项指标评分值rnj以及相应指标权重wj，得到各方案的综合评分
Figure BDA0002567631380000084
选取综合评分最大者为最终决策方案。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种基于高比例光伏接入电力系统的储能综合定容方法，以应对高比例光伏接入的电力系统中光伏消纳问题。通过按照本发明所设立的步骤进行建模计算，可以实现在三种不同规划目标下的储能容量最优决策。基于此，可进一步评选出适用于当前电力系统的最优储能投建决策。
进一步的，按照所列数据清单搜集数据，可以完成对本发明所需数据的全面采集，确保后续步骤的顺利进行。
进一步的，基于储能定容方法的需求，进行优化函数及各类运行约束的建模，通过设置不同的优化函数以及对应的运行约束，可以方便后续有针对性地建立所需的具体实施模型。
进一步的，考虑到当前以及未来预期的光伏情况，实现了以最大化单位容量储能消纳光伏量为目标的储能快速定容方法。
进一步的，为了在促进光伏消纳的同时，保障储能投资的经济性，本发明建立了兼顾光伏消纳率提升以及储能投建成本回收的模型及方法。
进一步的，为了保障对现有光伏资源的充分利用，本发明以保障光伏消纳率为目标，实现了对光伏资源的保障性消纳。
进一步的，考虑到依据上述方法所决策获得的多种储能投建方案具有不同的适用性，本发明基于所建立的评价指标体系，设计出综合指标计算方法，得以进一步评估出最优投建决策方案。
综上所述，本发明以储能投建作为规划主体，基于不同的规划目标，实现了对储能投建容量的多方面最优决策；同时，在评估过程中，采用了启发式算法加速方案评估及比选；这对于储能方案的实用化决策及储能的实际建设具有更强的指导意义。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明流程图。
具体实施方式
本发明提供了一种高比例光伏接入的电力系统中储能综合定容方法，从电力系统规划部门获取储能规划数据、系统基本技术数据、系统运行约束条件数据、系统运行预测数据；然后构建储能综合定容方法所需优化函数及约束；基于建立的优化函数及约束条件，分别形成以最大化单位容量储能消纳光伏量为目标，以提升光伏消纳率且储能效益为正为目标以及以保障光伏消纳率为目标的三种求解模型及方法；将从电力系统规划部门获得的数据输入构建的三种评估规划模型中进行求解得到储能规划容量及电量结果，通过熵权法生成各目标权重，并基于综合评分得出储能容量最优决策，完成储能综合定容。
本发明适用于高比例光伏接入的电力系统，也即电力系统中的光伏装机容量占整体装机容量的比例较高；对应此类应用场景，本发明所提的储能容量配置方法更具针对性及有效性。
请参阅图1，本发明一种高比例光伏接入的电力系统中储能综合定容方法，包括以下步骤：
S1、获取储能规划数据、系统基本技术数据、系统运行约束条件数据、系统运行预测数据；
储能规划数据：储能设备单位电量/容量投建成本cE/cp；最大投建容量ESto；储能设备投建成本的等年值折算系数γSto；储能充/放电效率ηC/ηD。
系统基本技术数据：典型场景k下负荷数据PL,k(t)；发电机数据(含光伏)。
系统运行约束条件数据：各发电机组i的出力上下限
Figure BDA0002567631380000101
各发电机组i的最大爬坡速率
Figure BDA0002567631380000111
光伏保障消纳率参数γS。
系统运行预测数据：运行场景总数K，各典型日光伏电站i的预测曲线PS,ik(t)。
S2、构建储能综合定容方法所需优化函数及约束；
S201、构建确定储能综合定容方法待选指标：包含：
1)最大化系统接纳光伏发电容量V1，优化函数为：
Figure BDA0002567631380000112
其中，pk为不同日运行场景的概率，Pim,k为日运行场景k中可接纳光伏发电容量。
2)最小化系统运行成本V2，优化函数为：
Figure BDA0002567631380000113
其中，Ψ为日运行场景集，pk为不同日运行场景的概率，CG,k为日运行场景k下常规发电机组的燃料成本；CLoss为弃新能源惩罚项，T为全年天数。
3)最小化系统规划及运行成本V3，优化函数为：
Figure BDA0002567631380000114
其中，Ψ为日运行场景集，CCap为折算至年的储能设备规划投建成本；CFOM为折算至年的储能设备固定运行维护成本；CVOM,k为日运行场景k下储能的可变运行维护成本；CG,k为日运行场景k下常规发电机组的燃料成本；CLoss为弃新能源惩罚项，T为全年天数。
储能设备规划投建成本CCap为：
Figure BDA0002567631380000115
其中，ΩSto为常规发电机组的集合，γSto为储能设备投建成本的等年值折算系数；
Figure BDA0002567631380000121
为0～1决策变量，表征位于储能电站i的待投建储能电站的投建状态；ERi为位于储能电站i的待投建储能电站的投建电量；cE/cP为储能设备的单位电量/容量投建成本参数；Ti为位于储能电站i的待投建储能电站的典型持续充放电时间。
储能固定运行维护成本CFOM为：
Figure BDA0002567631380000122
其中，cF为储能设备的年固定运行维护成本参数。
储能可变运行维护成本CVOM,k为：
Figure BDA0002567631380000123
其中，Γ为日运行场景时段的集合，PSD,ik(t)为日运行场景k下，储能电站i在时刻t的放电功率；cV为储能设备的日可变运行维护成本参数。
常规发电机组的燃料成本CG,k为：
Figure BDA0002567631380000124
其中，ΩG为常规发电机组的集合，
Figure BDA0002567631380000125
为常规发电机组i的最小发电成本参数；
Figure BDA0002567631380000126
为常规发电机组在线性分段α上单位出力的燃料成本参数；
Figure BDA0002567631380000127
为规划场景k下，常规发电机组在线性分段α、时刻t上的机组出力。
弃新能源惩罚成本CLoss为
CLoss＝cLoss·CN
其中，CN为弃光量，表征所有场景下不满足光伏保障消纳量的部分。
S202、构建规划决策约束条件，包括储能设备投建容量限制；
Figure BDA0002567631380000128
其中，ESto为储能设备在整个系统中的投建电量上限。
S203、构建系统运行评估约束条件，包括系统功率平衡约束、常规发电机出力约束和储能运行约束；
系统功率平衡约束包括如下：
用于系统消纳能力评估模型：
Figure BDA0002567631380000131
用于储能投资决策模型：
Figure BDA0002567631380000132
其中，ΩG/ΩS/ΩSto分别为常规机组/光伏电站/储能集合，PS,ik(t)为日运行场景k下，新能源机组i在时刻t的实际出力；Pim,k为日运行场景k下系统在任意时刻可接纳的电力；PL,k(t)为日运行场景k下，时刻t的负荷需求；PSC,ik(t)/PSD,ik(t)为为日运行场景k下，储能电站i在时刻t的充放电功率。
常规发电机出力约束包括：各常规发电机出力上下限约束；各常规发电机向上/向下爬坡速率限制；
常规发电机出力上下限约束为：
Figure BDA0002567631380000133
Figure BDA0002567631380000134
其中，PG,ik(t)为日运行场景k下，常规发电机组i在时刻t的出力；
Figure BDA0002567631380000135
为常规发电机组i的最小出力参数；
Figure BDA0002567631380000136
为常规发电机组i在线性分段α上的最大出力参数。
各常规发电机向上/向下爬坡速率限制为：
Figure BDA0002567631380000141
其中，
Figure BDA0002567631380000142
为位于常规发电机组i在单位时段内的最大爬坡速率。
储能运行约束包括：储能最大放电功率限制；储能充/放电状态限制；储能荷电状态限制；储能荷电状态与充放电功率的时序耦合关系；
储能最大充放电功率约束
Figure BDA0002567631380000143
其中，γC,ik(t)/γD,ik(t)为0～1决策变量，表征日运行场景k下，储能电站i在时刻t的充电/放电状态。
储能充放电状态互斥约束为：
Figure BDA0002567631380000144
约束规定上述表征储能充电/放电状态的两个0～1决策变量为互斥变量，确保各类型储能设备自身及相互之间不会发生同时充放电行为。
储能荷电状态约束为：
Figure BDA0002567631380000145
其中，SOCik(t)为日运行场景k下，储能电站i在时刻t的荷电状态，
Figure BDA0002567631380000146
为储能投建决策变量，ERi为位于储能电站i的待投建储能电站的投建电量。
储能荷电状态与充放电功率间的时序耦合约束为：
Figure BDA0002567631380000147
其中，ηC,i为储能电站i的充电效率，ηD,i为储能电站i的放电效率，ΩSto为常规发电机组的集合，Γ为日运行场景时段的集合，PSC,ik(t)为日运行场景k下，储能电站i在时刻t的充电功率，PSD,ik(t)为日运行场景k下，储能电站i在时刻t的放电功率，Ψ为日运行场景集。
S204、构建面向光伏消纳的约束条件，包括光伏消纳保障约束和光伏消纳保障约束；
光伏出力约束为：
Figure BDA0002567631380000151
其中，
Figure BDA0002567631380000152
为光伏电站i在时刻t的预测出力。
光伏消纳保障约束为：
Figure BDA0002567631380000153
其中，γS为光伏保障消纳率。
S205、构建保障收益的约束条件，包括储能收益保障约束。
Figure BDA0002567631380000154
其中，ΩS为光伏电站集合，Ψ为日运行场景集，λ为光伏上网电价，pk为不同日运行场景的概率，PS,ik(t)为日运行场景k中光伏电站i的出力，
Figure BDA0002567631380000155
为无储能参与情况下日运行场景k中光伏电站i的出力；CCap为折算至逐年的储能设备规划投建成本；CFOM为储能设备年固定运行维护成本；CVOM,k为日运行场景k下储能的可变运行维护成本，T为全年天数。
S3、基于步骤S2建立的优化函数及约束条件建立模型；
模型分为两类，第一类包含如下模型A，为消纳能力评估模型，其实现了在已有电源组合及储能投建配置的情况下，系统所能接纳光伏能力Pim的评估；第二类包含如下模型B、C，为储能投建模型，其实现了在已有电源组合及光伏资源情况下，不同规划目标指导的储能最优投建。
系统消纳能力评估模型，记为模型A：
min V1
st:
con:(9),(10a),(11)-(16)；
Figure BDA0002567631380000161
保障储能效益为正的储能投建决策模型，记为模型B：
min V2
st:
con:(3)-(9),(10b),(11)-(17)，(20)；
保障光伏消纳的储能投资决策模型，记为模型C
min V3
st:
con:(3)-(9),(10b),(11)-(18)；
基于上述两类模型，分别形成以下目标：
1、以最大化单位容量储能消纳光伏量为目标的求解模型及方法；
设置N种不同储能投建方案An,n＝1…N，求解模型A，得到在不同储能配置方案下的系统光伏接纳能力Rn,n＝1…N。假设当前及未来计划光伏装机容量分别为Cappre,Capfut，根据输入的光伏预测信息，可以得到对应装机下系统逐时刻的光伏预测值分别为
Figure BDA0002567631380000162
则对储能方案n，新增光伏消纳量Yn为
Figure BDA0002567631380000163
为此，可以得到点对(Rn,Yn),n＝1…N，通过进行曲线逼近及拟合，选取斜率最大点对应的储能容量配置，为储能容量配置方案X1，该方法所设立的启发式求解思路，可以极大减少多储能方案评选的复杂性及计算耗时性，从而得以实现储能的快速定容。
2、以提升光伏消纳率且储能效益为正为目标的求解模型及方法；
基于当前系统的边界条件，在模型B的基础上，略去储能收益保障约束，同时设置储能投建上限为0，求得无储能参与情况下日运行场景k中光伏电站i的出力
Figure BDA0002567631380000171
将无储能参与下的光伏电站出力代入储能收益保障约束，在此基础上求解允许储能投建的模型B中，所得结果为储能容量配置方案X2。
3、以保障光伏消纳率为目标的求解模型及方法。
基于当前系统的边界条件，以目标光伏消纳率为参数，代入求解模型C，所得结果为储能容量配置方案X3。
S4、将步骤S1得到的数据输入到步骤S3中构建的三种评估规划模型中，进行求解；
求解结果包括：三种不同规划目标下的系统储能设备投建电量/容量ESto,n/PSto,n,n＝1,2,3，系统光伏消纳率γR，系统运行成本及储能投建成本COM/CInv等。
S5、根据步骤S4所得储能规划容量及电量结果，通过熵权法生成各目标权重，并基于综合评分得出储能容量最优决策。
S501、建立评价指标体系，包含不同类型的评价指标Ij,j＝1…J，J为指标个数，依据不同指标所对应的评价手段，求得不同规划目标n所相应的评价指标，即评价指标系数矩阵R＝(rnj)N×J，rnj为第j个指标下第n个方案的指标值。
S502、确定各指标值权重，采用熵权法进行各指标权重核算：
设第j个指标下第n个方案指标权重为
Figure BDA0002567631380000172
则第j个指标的熵值ej为：
Figure BDA0002567631380000181
指标j的熵权wj为：
Figure BDA0002567631380000182
其中，ej为第j个指标的熵值。
S503、确定各方案综合评分。
由各方案所对应的各项指标评分值rnj以及相应指标权重wj，得到各方案的综合评分
Figure BDA0002567631380000183
选取综合评分最大者为最终决策方案。
基于决策所得的储能方案，在实际系统中进行投建部署，可以有效提升高比例光伏接入的电力系统的运行经济性及可靠性，同时也可以一定程度上提升对光伏资源的消纳，促进清洁能源的深度利用。
综上所述，本发明一种高比例光伏接入的电力系统中储能综合定容方法，通过设立多重规划目标，简化评估方法，实现了对储能投建容量的快速优化决策，从而提升了高比例光伏接入电力系统的光伏消纳能力，保障了系统运行的经济性及可靠性，对引导电力系统清洁化及低碳化转变具有更强的指导意义。
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。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (7)

1.一种基于高比例光伏接入电力系统的储能综合定容方法，其特征在于，包括以下步骤：
S1、获取储能规划数据、系统基本技术数据、系统运行约束条件数据、系统运行预测数据；
S2、构建储能综合定容方法所需优化函数及约束，优化函数及约束具体为：
储能综合定容方法待选指标，包括最大化系统接纳光伏发电容量V1，最小化系统运行成本V2，最小化系统规划及运行成本V3；
规划决策约束条件，包括储能设备投建容量限制；
系统运行评估约束条件，包括系统功率平衡约束、常规发电机出力约束和储能运行约束；
面向光伏消纳的约束条件，包括光伏消纳保障约束和光伏消纳保障约束；
保障收益的约束条件，包括储能收益保障约束，最大化系统接纳光伏发电容量V1，优化函数为：
Figure FDA0003163412630000011
其中，pk为不同日运行场景的概率，Pim,k为日运行场景k中可接纳光伏发电容量；
最小化系统运行成本V2，优化函数为：
Figure FDA0003163412630000012
其中，Ψ为日运行场景集，pk为不同日运行场景的概率，CG,k为日运行场景k下常规发电机组的燃料成本；CLoss为弃新能源惩罚项，T为全年天数；
最小化系统规划及运行成本V3，优化函数为：
Figure FDA0003163412630000013
其中，Ψ为日运行场景集，CCap为折算至年的储能设备规划投建成本；CFOM为折算至年的储能设备固定运行维护成本；CVOM,k为日运行场景k下储能的可变运行维护成本；CG,k为日运行场景k下常规发电机组的燃料成本；CLoss为弃新能源惩罚项，T为全年天数；
储能设备投建容量限制为：
Figure FDA0003163412630000021
其中，ESto为储能设备在整个系统中的投建电量上限；
用于系统消纳能力评估模型为：
Figure FDA0003163412630000022
用于储能投资决策模型为：
Figure FDA0003163412630000023
其中，ΩG/ΩS/ΩSto分别为常规机组/光伏电站/储能集合，PS,ik(t)为日运行场景k下，新能源机组i在时刻t的实际出力；Pim,k为日运行场景k下系统在任意时刻可接纳的电力；PL,k(t)为日运行场景k下，时刻t的负荷需求；PSC,ik(t)/PSD,ik(t)为为日运行场景k下，储能电站i在时刻t的充放电功率；
常规发电机出力上下限约束为：
Figure FDA0003163412630000024
Figure FDA0003163412630000025
其中，PG,ik(t)为日运行场景k下，常规发电机组i在时刻t的出力；
Figure FDA0003163412630000026
为常规发电机组i的最小出力参数；
Figure FDA0003163412630000027
为常规发电机组i在线性分段α上的最大出力参数；
各常规发电机向上/向下爬坡速率限制为：
Figure FDA0003163412630000028
其中，
Figure FDA0003163412630000029
为位于常规发电机组i在单位时段内的最大爬坡速率；
储能最大充放电功率约束为：
Figure FDA0003163412630000031
其中，γC,ik(t)/γD,ik(t)为0～1决策变量，表征日运行场景k下，储能电站i在时刻t的充电/放电状态；
储能充放电状态互斥约束为：
Figure FDA0003163412630000037
储能荷电状态约束为：
Figure FDA0003163412630000032
其中，SOCik(t)为日运行场景k下，储能电站i在时刻t的荷电状态，
Figure FDA0003163412630000033
为储能投建决策变量，ERi为位于储能电站i的待投建储能电站的投建电量；
储能荷电状态与充放电功率间的时序耦合约束为：
Figure FDA0003163412630000034
其中，ηC,i为储能电站i的充电效率，ηD,i为储能电站i的放电效率，ΩSto为常规发电机组的集合，Γ为日运行场景时段的集合，PSC,ik(t)为日运行场景k下，储能电站i在时刻t的充电功率，PSD,ik(t)为日运行场景k下，储能电站i在时刻t的放电功率，Ψ为日运行场景集；
光伏出力约束为：
Figure FDA0003163412630000035
其中，
Figure FDA0003163412630000036
为光伏电站i在时刻t的预测出力；
光伏消纳保障约束为：
Figure FDA0003163412630000041
其中，γS为光伏保障消纳率；
储能收益保障约束为：
Figure FDA0003163412630000042
其中，ΩS为光伏电站集合，Ψ为日运行场景集，λ为光伏上网电价，pk为不同日运行场景的概率，PS,ik(t)为日运行场景k中光伏电站i的出力，
Figure FDA0003163412630000043
为无储能参与情况下日运行场景k中光伏电站i的出力；CCap为折算至逐年的储能设备规划投建成本；CFOM为储能设备年固定运行维护成本；CVOM,k为日运行场景k下储能的可变运行维护成本，T为全年天数；
S3、基于步骤S2建立的优化函数及约束条件，以最大化单位容量储能消纳光伏量为目标；以提升光伏消纳率且储能效益为正为目标；以保障光伏消纳率为目标分别建立评估规划模型；
S4、将步骤S1得到的数据输入到步骤S3中构建的三种评估规划模型中，求解不同规划目标下的系统储能设备投建电量/容量ESto,n/PSto,n,n＝1,2,3，系统光伏消纳率γR，系统运行成本及储能投建成本COM/CInv；
S5、根据步骤S4所得储能规划容量及电量结果，通过熵权法生成各目标权重，并基于综合评分得出储能容量最优决策。
2.根据权利要求1所述的方法，其特征在于，步骤S1中，储能规划数据包括储能设备单位电量/容量投建成本cE/cp；最大投建容量ESto；储能设备投建成本的等年值折算系数γSto；储能充/放电效率ηC/ηD；系统基本技术数据包括典型场景k下负荷数据PL,k(t)；发电机数据；系统运行约束条件数据包括各发电机组i的出力上下限
Figure FDA0003163412630000044
各发电机组i的最大爬坡速率
Figure FDA0003163412630000045
光伏保障消纳率参数γS；系统运行预测数据包括运行场景总数K，各典型日光伏电站i的预测曲线PS,ik(t)。
3.根据权利要求1所述的方法，其特征在于，步骤S3中，评估规划模型包括消纳能力评估模型A、保障储能效益为正的储能投建决策模型B和保障光伏消纳的储能投资决策模型C；消纳能力评估模型A用于实现在已有电源组合及储能投建配置的情况下，系统所能接纳光伏能力Pim的评估，保障储能效益为正的储能投建决策模型B和保障光伏消纳的储能投资决策模型C用于实现在已有电源组合及光伏资源情况下，不同规划目标指导的储能最优投建。
4.根据权利要求3所述的方法，其特征在于，以最大化单位容量储能消纳光伏量为目标的求解模型及方法具体为：
将系统消纳能力评估模型记为模型A，设置N种不同储能投建方案An,n＝1…N，求解模型A，得到在不同储能配置方案下的系统光伏接纳能力Rn,n＝1…N；假设当前及未来计划光伏装机容量分别为Cappre,Capfut，根据输入的光伏预测信息，得到对应装机下系统逐时刻的光伏预测值分别为
Figure FDA0003163412630000051
则对储能方案n，新增光伏消纳量Yn为
Figure FDA0003163412630000052
得到点对(Rn,Yn),n＝1…N，通过进行曲线逼近及拟合，选取斜率最大点对应的储能容量配置，为储能容量配置方案X1。
5.根据权利要求3所述的方法，其特征在于，以提升光伏消纳率且储能效益为正为目标的求解模型及方法具体为：
将保障储能效益为正的储能投建决策模型记为模型B，基于当前系统的边界条件，在模型B的基础上，略去储能收益保障约束，同时设置储能投建上限为0，求得无储能参与情况下日运行场景k中光伏电站i的出力
Figure FDA0003163412630000053
将无储能参与下的光伏电站出力代入储能收益保障约束，在此基础上求解允许储能投建的模型B中，所得结果为储能容量配置方案X2。
6.根据权利要求3所述的方法，其特征在于，以保障光伏消纳率为目标的求解模型及方法具体为：
将保障光伏消纳的储能投资决策模型记为模型C，基于当前系统的边界条件，以目标光伏消纳率为参数，代入求解模型C，所得结果为储能容量配置方案X3。
7.根据权利要求1所述的方法，其特征在于，步骤S5具体为：
S501、建立评价指标体系，包含不同类型的评价指标Ij,j＝1…J，J为指标个数，依据不同指标所对应的评价手段，求得不同规划目标n所相应的评价指标，即评价指标系数矩阵R＝(rnj)N×J，rnj为第j个指标下第n个方案的指标值；
S502、确定各指标值权重，采用熵权法进行各指标权重核算
设第j个指标下第n个方案指标权重为
Figure FDA0003163412630000061
则第j个指标的熵值ej为：
Figure FDA0003163412630000062
指标j的熵权wj为：
Figure FDA0003163412630000063
其中，ej为第j个指标的熵值；
S503、确定各方案综合评分；
由各方案所对应的各项指标评分值rnj以及相应指标权重wj，得到各方案的综合评分
Figure FDA0003163412630000064
选取综合评分最大者为最终决策方案。
CN202010628711.9A 2020-07-02 2020-07-02 一种基于高比例光伏接入电力系统的储能综合定容方法 Active CN111725826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010628711.9A CN111725826B (zh) 2020-07-02 2020-07-02 一种基于高比例光伏接入电力系统的储能综合定容方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010628711.9A CN111725826B (zh) 2020-07-02 2020-07-02 一种基于高比例光伏接入电力系统的储能综合定容方法

Publications (2)

Publication Number Publication Date
CN111725826A CN111725826A (zh) 2020-09-29
CN111725826B true CN111725826B (zh) 2021-08-20

Family

ID=72571472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010628711.9A Active CN111725826B (zh) 2020-07-02 2020-07-02 一种基于高比例光伏接入电力系统的储能综合定容方法

Country Status (1)

Country Link
CN (1) CN111725826B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112258024B (zh) * 2020-10-20 2022-06-10 齐鲁工业大学 一种基于熵权法的混合储能容量配置方法及系统
CN112734253A (zh) * 2021-01-15 2021-04-30 上海交通大学 机组组合嵌入的储能规划方法、电子终端及存储介质
CN112766579B (zh) * 2021-01-22 2022-07-29 国电南瑞南京控制系统有限公司 一种基于自适应算法的充电系统规划方法和装置
CN112861376B (zh) * 2021-03-10 2023-07-14 广东电网有限责任公司 一种基于单元调度模型的评估方法及装置
CN113346489B (zh) * 2021-06-09 2023-04-28 国网山西省电力公司经济技术研究院 一种新能源空间耦合性建模评估方法及系统
CN113570203B (zh) * 2021-07-05 2023-11-14 西安交通大学 光伏发电储能储热一体化系统及其规划方法
CN114725971B (zh) * 2022-06-10 2022-09-06 北京大学 一种基于混合储能系统的运行决策方法及系统
CN115293468B (zh) * 2022-10-10 2022-12-27 佰聆数据股份有限公司 电网区域分布式光伏消纳潜力长期预测方法、系统及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700322A (zh) * 2015-03-27 2015-06-10 国网上海市电力公司 多种智能设备接入系统的配电网综合效益评估方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295853B (zh) * 2016-07-28 2020-09-25 华北电力大学（保定） 基于储能调度模式的分布式光伏两阶段多目标就地消纳法
US20190036341A1 (en) * 2017-07-26 2019-01-31 Nec Laboratories America, Inc. Method for Operation of Energy Storage Systems to Reduce Demand Charges and Increase Photovoltaic (PV) Utilization
CN109787259B (zh) * 2019-01-23 2020-10-27 西安交通大学 一种基于新能源随机波动的多类型储能联合规划方法
CN109728605A (zh) * 2019-03-01 2019-05-07 西安交通大学 基于机会约束igdt的风电场-输电网-储能联合规划方法
CN110556847B (zh) * 2019-09-19 2021-04-30 山东大学 含光伏配电网中储能系统规划运行联合优化方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700322A (zh) * 2015-03-27 2015-06-10 国网上海市电力公司 多种智能设备接入系统的配电网综合效益评估方法

Also Published As

Publication number Publication date
CN111725826A (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
CN111725826B (zh) 一种基于高比例光伏接入电力系统的储能综合定容方法
CN103793758B (zh) 含光伏发电系统的电动汽车充电站的多目标优化调度方法
CN109787261B (zh) 电网侧及用户侧储能系统容量优化配置方法
CN109740846A (zh) 智能小区需求响应调度方法和系统
CN111626527B (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
Qi et al. Low-carbon community adaptive energy management optimization toward smart services
CN107491845B (zh) 一种电网规划建设精准投资方法
CN111525627A (zh) 含抽蓄与新能源发电的柔性直流输电系统日前调度方法
Chen et al. Optimal scheduling of FTPSS with PV and HESS considering the online degradation of battery capacity
CN113435793A (zh) 一种基于强化学习的微电网优化调度方法
CN112671035A (zh) 一种基于风电预测的虚拟电厂储能容量配置方法
CN116599151A (zh) 基于多源数据的源网储荷安全管理方法
CN115117940A (zh) 考虑风电、光伏及负荷不确定的风光水火储系统低碳调度模型建模方法
CN112928767A (zh) 一种分布式储能协同控制方法
Abedinia et al. Synergizing efficient optimal energy hub design for multiple smart energy system players and electric vehicles
CN116316567A (zh) 一种阶梯碳交易机制下综合能源需求响应优化方法
CN115759610A (zh) 一种电力系统源网荷储协同的多目标规划方法及其应用
CN111641233A (zh) 一种考虑新能源及负荷不确定性的电力系统日内灵活调峰方法
CN109038668B (zh) 一种基于弃风利用的塔筒电梯供电方法及储能系统
Qu et al. Optimization research on hybrid energy storage system of high‐speed railway
CN112510690B (zh) 考虑风火储联合和需求响应奖惩的优化调度方法及系统
Li et al. Optimization scheduling model based on source-load-energy storage coordination in power systems
CN112365034A (zh) 一种电热综合能源系统调度方法及系统
CN114285093B (zh) 一种源网荷储互动调度方法及系统
Chang et al. Bi‐level scheduling of large‐scale electric vehicles based on the generation side and the distribution side

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