CN112072655A - 一种并网风储发电系统混合储能优化配置方法 - Google Patents

一种并网风储发电系统混合储能优化配置方法 Download PDF

Info

Publication number
CN112072655A
CN112072655A CN202010947812.2A CN202010947812A CN112072655A CN 112072655 A CN112072655 A CN 112072655A CN 202010947812 A CN202010947812 A CN 202010947812A CN 112072655 A CN112072655 A CN 112072655A
Authority
CN
China
Prior art keywords
energy storage
power
wind
wind power
generation system
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
CN202010947812.2A
Other languages
English (en)
Other versions
CN112072655B (zh
Inventor
马超
杜睿
庞秀岚
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN202010947812.2A priority Critical patent/CN112072655B/zh
Publication of CN112072655A publication Critical patent/CN112072655A/zh
Priority to US17/386,628 priority patent/US11862969B2/en
Application granted granted Critical
Publication of CN112072655B publication Critical patent/CN112072655B/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
    • H02J3/008—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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • 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
    • H02J3/28—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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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

本发明公开了一种并网风储发电系统混合储能优化配置方法，对历史风电输出功率进行频域分解，统计历史风电输出功率的高、低频分量，并基于概率分布函数确定混合储能额定功率；构建以全年成本净现值最小和目标出力满足率最大为目标的风电场全生命周期混合储能容量优化模型；基于聚类算法提取风电输出功率日典型场景，统计各典型场景的时间占比，作为风电场全生命周期混合储能容量优化模型的输入场景；采用多目标优化算法求解，得到最优的并网风储发电系统混合储能容量配置方案。本发明通过优化高低频波动分量在混合储能之间的分配，延长电池寿命的同时可有效提高波动平抑效果。

Description

一种并网风储发电系统混合储能优化配置方法
技术领域
本发明涉及一种，特别涉及一种并网风储发电系统混合储能优化配置方法。
背景技术
目前，风电有间歇性、波动性等特点，如果不受控制的功率直接注入电网，这种高频、高幅功率波动会引起电压波动，从而降低电网可靠性和电能质量、影响敏感的生产设备。储能系统集成到风储发电系统中可以消除风能相关的一些挑战。储能发挥着补偿预测误差、跟踪响应、频率控制等重要的作用，使不稳定的风能具有稳定性、高价值。现有的研究中，马伟针对可再生能源的限电与波动情况，建立了考虑系统净利润和储能荷电状态的多目标模型，并提出运行的优化校正策略。宋子由以延长电池寿命和减小成本为综合目标实现了的容量优化，并验证了优化策略对储能价格的鲁棒性。庞明采用遗传算法优化了最小化成本的风电混合储能系统的功率和容量配置，实现了平抑波动的需求。因此，为了提高风电的输出功率稳定性、满足电网调度要求的灵活性，需要为风电系统配备合适的储能装置。依照一些特性，例如放电速率和能量、功率密度等，可将储能装置分为Ⅰ型功率储能装置和Ⅱ型能量储能装置两大类，Ⅰ型功率储能装置适用于提供长时间低而稳定的负载，Ⅱ型能量储能装置适用于频繁地充放电切换而做出短期和快速的响应。风电输出功率波动频率高、幅度大，单一的储能类型很难满足其多方面需求，如何在提高风电输出功率稳定性的同时最大节省储能容量配置的成本是亟待解决的问题。
发明内容
本发明为解决公知技术中存在的技术问题而提供一种并网风储发电系统混合储能优化配置方法。
本发明为解决公知技术中存在的技术问题所采取的技术方案是：一种并网风储发电系统混合储能优化配置方法，对历史风电输出功率进行频域分解，统计历史风电输出功率的高、低频分量，并基于概率分布函数确定混合储能额定功率；构建以全年成本净现值最小和目标出力满足率最大为目标的风电场全生命周期混合储能容量优化模型；基于聚类算法提取风电输出功率日典型场景，统计各典型场景的时间占比，作为风电场全生命周期混合储能容量优化模型的输入场景；采用多目标优化算法求解，得到最优的并网风储发电系统混合储能容量配置方案。
进一步地，对风电输出功率进行频域分解的方法为：小波分解、卡尔曼滤波和/或经验模态分解。
进一步地，聚类算法为：K-means聚类方法、层次聚类方法和/或混合高斯模型方法。
进一步地，设F1为全年成本净现值最小的目标函数，F1的计算公式如下：
Figure BDA0002675906520000021
其中：
Figure BDA0002675906520000022
CRk＝α·βn·CIk＝α·βn·Ak·Ck；
式中：CIk表示第k个储能装置的初始成本，单位元；CRk表示第k个储能装置的更换成本，单位元；Nk是第k个储能装置的更换时间，单位小时；r表示将未来资金转换为现值的折现率；I表示通货膨胀率；nk,t表示第k次储能装置被更换的年期；α表示置换成本与初始安装成本的比率；βn表示第n年储能材料的成本降低系数；Sj,k表示第j种典型情况下的第k个储能装置的蓄电量，单位MWh；pj表示第j个典型场景的时间比例；L表示风电场的使用寿命，单位年；dk表示第k个储能装置的放电深度；Ck表示第k个储能装置的容量，单位MWh；cyk表示储能装置的循环次数；Ak表示第k个储能装置的单位系统成本，单位元/MWh。
进一步地，设F2为目标出力满足率最大的目标函数，F2的计算公式如下：
Figure BDA0002675906520000023
其中：
Figure BDA0002675906520000024
Figure BDA0002675906520000025
式中：TSRj表示第j种典型场景下混合储能系统的目标满意度；T表示总运行时间，单位min；ωi,j表示在第j个典型场景的第i分钟，系统输出功率是否等于目标功率的判定系数；Pi,j表示第j个典型场景的第i分钟的系统输出功率；
Figure BDA0002675906520000031
表示第j个典型场景的第i分钟的目标功率；J表示典型场景的总个数；pj表示第j个典型场景的时间比例。
进一步地，风电场全生命周期混合储能容量优化模型的约束条件包括：
储能充放电功率约束：
Figure BDA0002675906520000032
功率平衡约束：
Figure BDA0002675906520000033
储能SOC约束：SOCmin≤SOCt≤SOCmax；
式中：Pc,t表示t时刻的储能充电功率，单位MW；Pd,t表示t时刻的储能放电功率，单位MW；Pc,min表示储能充电功率的下限；单位MW；Pd,min表示储能放电功率的下限；单位MW；Pc,max表示储能充电功率的上限；单位MW；Pd,max表示储能放电功率的上限；单位MW；ηc表示储能的充电效率；ηd表示储能的放电电效率；Δt表示控制间隔，单位min；SWh表示储能的额定容量，单位MW；SOCt表示t时刻储能；SOCt-1表示t-1时刻储能；SOCmin表示储能的下限；SOCmax表示储能的上限。
进一步地，设PRRΔt为风电目标功率曲线的平滑指标，通过PRRΔt对风电目标功率曲线波动平抑效果进行评价，PRRΔt的计算方法为：
Figure BDA0002675906520000034
式中：Pmax,Δt在Δt时间内的最大风电输出功率，单位MW；Pmin,Δt在Δt时间内的最小风电输出功率，单位MW；PR表示风储发电系统的额定功率。
进一步地，多目标优化算法采用动态规划算法或启发式算法。
进一步地，所述启发式算法包括遗传算法、人工神经网络和蚁群算法。
本发明具有的优点和积极效果是：
本发明提出一种并网风储发电系统混合储能优化配置方法，分解风电输出功率过程以得到目标功率曲线及高、低频波动分量，并通过分析高、低频波动分量确定混合储能功率，进而模拟风电典型场景中“风-储”系统的优化运行，最后采用多目标优化算法求得混合储能最优容量配置方案。
本发明可根据所在区域风储发电系统历史资料分析，确定风电典型场景及时间占比，并依据风电典型场景数据进行概率可靠性分析，适用于任何有一定实测历史数据的风储发电系统，具有良好的移植性。
本发明考虑并合理的利用了储能特性差异以达到很好的优势互补效果，通过优化高低频波动分量在混合储能之间的分配，延长电池寿命的同时可有效提高波动平抑效果。
本发明所得出的风电场全生命周期混合储能容量优化模型，可实现在提高风电输出功率稳定性的同时最大节省容量配置的成本，相较单一储能方式有更好的经济适用性，为风储发电系统的广泛应用提供了理论依据和技术支持。
附图说明
图1是本发明的一种并网风储发电系统混合储能优化配置方法工作流程简图。
图2是本发明实施例中风电典型场景出力分解图。
图3是本发明实施例中高频波动功率概率分布图。
图4是本发明实施例中低频波动功率概率分布图。
图5是本发明实施例中高频波动功率累计概率分布图。
图6是本发明实施例中低频波动功率累计概率分布图。
图7是本发明实施例中各季度风电输出功率日典型场景。
图8是实施本发明前后风储发电系统输出功率曲线对照图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹列举以下实施例，并配合附图详细说明如下：
请参见图1至图8，一种并网风储发电系统混合储能优化配置方法，对历史风电输出功率进行频域分解，统计历史风电输出功率的高、低频分量，并基于概率分布函数确定混合储能额定功率；构建以全年成本净现值最小和目标出力满足率最大为目标的风电场全生命周期混合储能容量优化模型；基于聚类算法提取风电输出功率日典型场景，统计各典型场景的时间占比，作为风电场全生命周期混合储能容量优化模型的输入场景；采用多目标优化算法求解，得到最优的并网风储发电系统混合储能容量配置方案。
可对优化后的风电目标功率曲线进行波动平抑效果评价，根据评价结果可调整优化算法中的参数，进一步求解优化风电场全生命周期混合储能容量优化模型。
优选地，对风电输出功率进行频域分解的方法可为：小波分解、卡尔曼滤波和/或经验模态分解。小波分解、卡尔曼滤波及经验模态分解均可采用相应现有技术中的算法。
优选地，聚类算法可为：K-means聚类方法、层次聚类方法和/或混合高斯模型方法。K-means聚类方法、层次聚类方法及混合高斯模型方法均可采用相应现有技术中的算法。
风电场全生命周期混合储能容量优化模型由目标函数、决策变量、约束条件构成。
决策变量为储能容量，储能容量可分为功率型储能容量和能量型储能的容量Ck(k＝1,2)，MWh。
优选地，可设F1为全年成本净现值最小的目标函数，F1的计算公式可如下：
Figure BDA0002675906520000051
其中：
Figure BDA0002675906520000052
CRk＝α·βn·CIk＝α·βn·Ak·Ck；
式中：CIk表示第k个储能装置的初始成本，单位元；CRk表示第k个储能装置的更换成本，单位元；Nk是第k个储能装置的更换时间，单位小时；r表示将未来资金转换为现值的折现率；I表示通货膨胀率；nk,t表示第k次储能装置被更换的年期；α表示置换成本与初始安装成本的比率；βn表示第n年储能材料的成本降低系数；Sj,k表示第j种典型情况下的第k个储能装置的蓄电量，单位MWh；pj表示第j个典型场景的时间比例；L表示风电场的使用寿命，单位年；dk表示第k个储能装置的放电深度；Ck表示第k个储能装置的容量，单位MWh；cyk表示储能装置的循环次数；Ak表示第k个储能装置的单位系统成本，单位元/MWh。
优选地，可设F2为目标出力满足率最大的目标函数，F2的计算公式可如下：
Figure BDA0002675906520000061
其中：
Figure BDA0002675906520000062
Figure BDA0002675906520000063
式中：TSRj表示第j种典型场景下混合储能系统的目标满意度；T表示总运行时间，单位min；ωi,j表示在第j个典型场景的第i分钟，系统输出功率是否等于目标功率的判定系数；Pi,j表示第j个典型场景的第i分钟的系统输出功率；
Figure BDA0002675906520000064
表示第j个典型场景的第i分钟的目标功率；J表示典型场景的总个数；pj表示第j个典型场景的时间比例。
优选地，风电场全生命周期混合储能容量优化模型的约束条件可包括：
储能充放电功率约束：
Figure BDA0002675906520000065
功率平衡约束：
Figure BDA0002675906520000066
储能SOC约束：SOCmin≤SOCt≤SOCmax；
以上所涉及变量均为非负值。
式中：Pc,t表示t时刻的储能充电功率，单位MW；Pd,t表示t时刻的储能放电功率，单位MW；Pc,min表示储能充电功率的下限；单位MW；Pd,min表示储能放电功率的下限；单位MW；Pc,max表示储能充电功率的上限；单位MW；Pd,max表示储能放电功率的上限；单位MW；ηc表示储能的充电效率；ηd表示储能的放电电效率；Δt表示控制间隔，单位min；SWh表示储能的额定容量，单位MW；SOCt表示t时刻储能；SOCt-1表示t-1时刻储能；SOCmin表示储能的下限；SOCmax表示储能的上限。
优选地，可设PRRΔt为风电目标功率曲线的平滑指标，可通过PRRΔt对风电目标功率曲线波动平抑效果进行评价，PRRΔt的计算方法可为：
Figure BDA0002675906520000071
式中：Pmax,Δt在Δt时间内的最大风电输出功率，单位MW；Pmin,Δt在Δt时间内的最小风电输出功率，单位MW；PR表示风储发电系统的额定功率。
优选地，多目标优化算法可采用动态规划算法或启发式算法。动态规划算法及启发式算法均可采用相应现有技术中的算法。
优选地，所述启发式算法可包括遗传算法、人工神经网络和蚁群算法。遗传算法、人工神经网络和蚁群算法均可采用相应现有技术中的算法。
下面以本发明的一个优选实施例来进一步说明本发明的工作原理及工作流程：
该实施例选取某风储发电系统(总装机99MW，运行期20年)，该风储发电系统的储能可包括Ⅰ型功率型储能和Ⅱ型能量型储能，Ⅰ型功率型储能和Ⅱ型能量型储能的划分依据主要为储能放电速率和能量、功率密度等储能材料特性。
按照图1的简化流程图，具体实施步骤如下：
步骤1，基于风电波动的变化频幅，采用小波分解信号处理方法对风电输出功率进行分解，对风电1分钟级输出功率数据进行分解，分离出高、低频波动分量以分配给混合储能进行平抑，并得到满足并网要求的风储发电系统目标功率曲线，请参见图2。
步骤2，通过统计历史风电输出功率的高、低频波动分量的概率分布函数，请参见图3、图4；进而统计高低频波动分量的累计分布函数，并基于置信度分别合理确定能量型储能、功率型储能的额定功率，请参见图5、图6。本例中功率型储能额定功率为0.5MW，能量型储能额定功率为10MW。
步骤3，根据风储发电系统历史运行数据，基于k-means聚类算法得到每个季节的四个典型场景的1分钟级输出功率过程，请参见图7；统计得到每个季度风电典型场景的时间占比，以此作为风储发电系统规划年各季度典型场景的时间占比，请参见下表1。
表1每个季节典型场景下的天数百分比
Figure BDA0002675906520000072
Figure BDA0002675906520000081
步骤4，设风储发电系统运行20年，考虑建设成本、输出功率稳定性等因素，构建以全生命周期总成本净现值最小和目标出力满足率最大为目标的风电场全生命周期混合储能容量优化模型；风电场全生命周期混合储能容量优化模型由目标函数、决策变量、约束条件构成，具体如下所示：
a.目标函数
目标函数F1：混合储能全生命周期总成本净现值最小。具体形式如下：
Figure BDA0002675906520000082
其中：
Figure BDA0002675906520000083
CRk＝α·βn·CIk＝α·βn·Ak·Ck (3)；
式中：CIk表示第k个储能装置的初始成本，单位元；CRk表示第k个储能装置的更换成本，单位元；Nk是第k个储能装置的更换时间，单位小时；r表示将未来资金转换为现值的折现率；I表示通货膨胀率；nk,t表示第k次储能装置被更换的年期；α表示置换成本与初始安装成本的比率；βn表示第n年储能材料的成本降低系数；Sj,k表示第j种典型情况下的第k个储能装置的蓄电量，单位MWh；pj表示第j个典型场景的时间比例；L表示风电场的使用寿命，单位年；dk表示第k个储能装置的放电深度；Ck表示第k个储能装置的容量，单位MWh；cyk表示储能装置的循环次数；Ak表示第k个储能装置的单位系统成本，单位元/MWh。
目标函数F2：最大化系统的输出功率目标满意度。具体形式如下：
Figure BDA0002675906520000091
Figure BDA0002675906520000092
Figure BDA0002675906520000093
式中：TSRj表示第j种典型场景下混合储能系统的目标满意度；T表示总运行时间，单位min；ωi,j表示在第j个典型场景的第i分钟，系统输出功率是否等于目标功率的判定系数；Pi,j表示第j个典型场景的第i分钟的系统输出功率；
Figure BDA0002675906520000094
表示第j个典型场景的第i分钟的目标功率；J表示典型场景的总个数；pj表示第j个典型场景的时间比例。
b.决策变量
决策变量为储能容量Ck，单位MWh。可设储能装置为2种，功率型储能装置及能量型储能装置。决策变量可对应包括功率型储能容量和能量型储能的容量。
c.约束条件
①储能充放电功率约束：
Figure BDA0002675906520000095
②功率平衡约束：
Figure BDA0002675906520000096
③储能SOC约束：SOCmin≤SOCt≤SOCmax；(9)
④非负约束：以上所涉及变量均为非负值。
式中：Pc,t表示t时刻的储能充电功率，单位MW；Pd,t表示t时刻的储能放电功率，单位MW；Pc,min表示储能充电功率的下限；单位MW；Pd,min表示储能放电功率的下限；单位MW；Pc,max表示储能充电功率的上限；单位MW；Pd,max表示储能放电功率的上限；单位MW；ηc表示储能的充电效率；ηd表示储能的放电电效率；Δt表示控制间隔，单位min；SWh表示储能的额定容量，单位MW；SOCt表示t时刻储能；SOCt-1表示t-1时刻储能；SOCmin表示储能的下限；SOCmax表示储能的上限。
步骤5，采用多目标优化算法求解，得到风储发电系统混合储能容量配置，请参见表3，其中最优配置为：超级电容(500kW/93kWh)+全钒液流电池(10MW/7.53MWh)。将步骤1中所得的风电目标功率曲线、高低频功率波动曲线，步骤2中所得的混合储能的额定功率，步骤3中确定的各典型场景的时间占比，以及表2中的储能材料特性参数等资料作为输入，典型场景的风电输出功率优化结果为输出，优化前后风储发电系统输出功率曲线请参见图8。
表2储能材料特性参数
储能参数 超级电容 飞轮储能 全钒液流电池 锂电池
系统成本(元/kWh) 12000 6500 3500 2300
循环次数 100000 20年 16000 5000
转换效率 95％ 85％ 80％ 95％
放电深度 100％ 100％ 90％ 95％
表3该风储发电系统混合储能容量优化配置方案
Figure BDA0002675906520000101
可设PRRΔt为风电目标功率曲线的平滑指标，可通过PRRΔt对风电功率曲线波动平抑效果进行评价，PRRΔt的计算方法可为：
Figure BDA0002675906520000111
式中：Pmax,Δt在Δt时间内的最大风电输出功率，单位MW；Pmin,Δt在Δt时间内的最小风电输出功率，单位MW；PR表示风储发电系统的额定功率。PRR的值越低，表示平滑效果越好。
Δt在本例中分别取1min和10min。风储发电系统的波动幅度的降幅效果明显(见表4)，并且可将风电输出波动的次数降低71.25％。因此优化后的并网发电系统的波幅和频次都得到了改善，同时提高了并网电源的稳定性。
表4优化后风储发电系统的波动效果
Figure BDA0002675906520000112
为了对比混合储能方案与蓄电池单一储能方案的优越性，单储能方案使用全钒液流电池作为参考。结果显示采用单一蓄电池的操作条件下，由于频繁的充电和放电，全钒液流电池的寿命迅速下降至仅为7.1年，远远少于其设计寿命，并且更换成本增加，总成本净现值增加104.6万。混合储能的参与，使得储能系统的工作状态得到了极大的优化，并且使用寿命得到了延长。
以上所述的实施例仅用于说明本发明的技术思想及特点，其目的在于使本领域内的技术人员能够理解本发明的内容并据以实施，不能仅以本实施例来限定本发明的专利范围，即凡本发明所揭示的精神所作的同等变化或修饰，仍落在本发明的专利范围内。

Claims (9)

1.一种并网风储发电系统混合储能优化配置方法，其特征在于，对历史风电输出功率进行频域分解，统计历史风电输出功率的高、低频分量，并基于概率分布函数确定混合储能额定功率；构建以全年成本净现值最小和目标出力满足率最大为目标的风电场全生命周期混合储能容量优化模型；基于聚类算法提取风电输出功率日典型场景，统计各典型场景的时间占比，作为风电场全生命周期混合储能容量优化模型的输入场景；采用多目标优化算法求解，得到最优的并网风储发电系统混合储能容量配置方案。
2.根据权利要求1所述的并网风储发电系统混合储能优化配置方法，其特征在于，对风电输出功率进行频域分解的方法为：小波分解、卡尔曼滤波和/或经验模态分解。
3.根据权利要求1所述的并网风储发电系统混合储能优化配置方法，其特征在于，聚类算法为：K-means聚类方法、层次聚类方法和/或混合高斯模型方法。
4.根据权利要求1所述的并网风储发电系统混合储能优化配置方法，其特征在于，设F1为全年成本净现值最小的目标函数，F1的计算公式如下：
Figure FDA0002675906510000011
其中：
Figure FDA0002675906510000012
CRk＝α·βn·CIk＝α·βn·Ak·Ck；
式中：CIk表示第k个储能装置的初始成本，单位元；CRk表示第k个储能装置的更换成本，单位元；Nk是第k个储能装置的更换时间，单位小时；r表示将未来资金转换为现值的折现率；I表示通货膨胀率；nk,t表示第k次储能装置被更换的年期；α表示置换成本与初始安装成本的比率；βn表示第n年储能材料的成本降低系数；Sj,k表示第j种典型情况下的第k个储能装置的蓄电量，单位MWh；pj表示第j个典型场景的时间比例；L表示风电场的使用寿命，单位年；dk表示第k个储能装置的放电深度；Ck表示第k个储能装置的容量，单位MWh；cyk表示储能装置的循环次数；Ak表示第k个储能装置的单位系统成本，单位元/MWh。
5.根据权利要求1所述的并网风储发电系统混合储能优化配置方法，其特征在于，设F2为目标出力满足率最大的目标函数，F2的计算公式如下：
Figure FDA0002675906510000021
其中：
Figure FDA0002675906510000022
Figure FDA0002675906510000023
式中：TSRj表示第j种典型场景下混合储能系统的目标满意度；T表示总运行时间，单位min；ωi,j表示在第j个典型场景的第i分钟，系统输出功率是否等于目标功率的判定系数；Pi,j表示第j个典型场景的第i分钟的系统输出功率；
Figure FDA0002675906510000024
表示第j个典型场景的第i分钟的目标功率；J表示典型场景的总个数；pj表示第j个典型场景的时间比例。
6.根据权利要求1所述的并网风储发电系统混合储能优化配置方法，其特征在于，风电场全生命周期混合储能容量优化模型的约束条件包括：
储能充放电功率约束：
Figure FDA0002675906510000025
功率平衡约束：
Figure FDA0002675906510000026
储能SOC约束：SOCmin≤SOCt≤SOCmax；
式中：Pc,t表示t时刻的储能充电功率，单位MW；Pd,t表示t时刻的储能放电功率，单位MW；Pc,min表示储能充电功率的下限；单位MW；Pd,min表示储能放电功率的下限；单位MW；Pc,max表示储能充电功率的上限；单位MW；Pd,max表示储能放电功率的上限；单位MW；ηc表示储能的充电效率；ηd表示储能的放电电效率；Δt表示控制间隔，单位min；SWh表示储能的额定容量，单位MW；SOCt表示t时刻储能；SOCt-1表示t-1时刻储能；SOCmin表示储能的下限；SOCmax表示储能的上限。
7.根据权利要求1所述的并网风储发电系统混合储能优化配置方法，其特征在于，设PRRΔt为风电目标功率曲线的平滑指标，通过PRRΔt对风电目标功率曲线波动平抑效果进行评价，PRRΔt的计算方法为：
Figure FDA0002675906510000031
式中：Pmax,Δt在Δt时间内的最大风电输出功率，单位MW；Pmin,Δt在Δt时间内的最小风电输出功率，单位MW；PR表示风电场的额定功率。
8.根据权利要求1所述的并网风储发电系统混合储能优化配置方法，其特征在于，多目标优化算法采用动态规划算法或启发式算法。
9.根据权利要求8所述的并网风储发电系统混合储能优化配置方法，其特征在于，所述启发式算法包括遗传算法、人工神经网络和蚁群算法。
CN202010947812.2A 2020-09-10 2020-09-10 一种并网风储发电系统混合储能优化配置方法 Active CN112072655B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010947812.2A CN112072655B (zh) 2020-09-10 2020-09-10 一种并网风储发电系统混合储能优化配置方法
US17/386,628 US11862969B2 (en) 2020-09-10 2021-07-28 Optimal configuration method for hybrid energy storage of grid-connected wind storage power generation system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010947812.2A CN112072655B (zh) 2020-09-10 2020-09-10 一种并网风储发电系统混合储能优化配置方法

Publications (2)

Publication Number Publication Date
CN112072655A true CN112072655A (zh) 2020-12-11
CN112072655B CN112072655B (zh) 2022-05-27

Family

ID=73663624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010947812.2A Active CN112072655B (zh) 2020-09-10 2020-09-10 一种并网风储发电系统混合储能优化配置方法

Country Status (2)

Country Link
US (1) US11862969B2 (zh)
CN (1) CN112072655B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668764A (zh) * 2020-12-22 2021-04-16 国网福建省电力有限公司 一种基于云模型和fcm算法的海上风电场储能系统优化配置方法
CN113162091A (zh) * 2021-05-13 2021-07-23 北方工业大学 一种提升风电平滑的储能系统配置方法
CN113178880A (zh) * 2021-03-25 2021-07-27 浙江大学 一种基于风电功率概率预测的混合储能优化定容与调控方法

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113131525B (zh) * 2021-04-01 2022-08-12 清华大学 一种基于发电功率计划区间分解的电网调度方法
WO2023122601A1 (en) 2021-12-20 2023-06-29 Flower Turbines, Inc. A shaftless generator for a fluid turbine
US11891980B2 (en) 2022-02-08 2024-02-06 Flower Turbines, Inc. Coordinating blade orientation to optimize cluster power output
US20230324866A1 (en) * 2022-04-12 2023-10-12 Mark Daniel Farb Dual mode turbine collects energy during low wind conditions
CN114784907B (zh) * 2022-04-24 2023-03-24 南京工程学院 一种考虑电池运行状态的风电场储能容量配置方法
CN114997467B (zh) * 2022-05-05 2023-07-25 国网江苏省电力有限公司镇江供电分公司 一种考虑状态转移模型的储能优化配置方法
CN115065078B (zh) * 2022-05-06 2023-07-04 合肥工业大学 微网环境下储能容量配置方法及系统
CN115207947B (zh) * 2022-06-17 2023-04-07 南方电网能源发展研究院有限责任公司 电网节点储能配置方法、装置、计算机设备和存储介质
CN115036914B (zh) * 2022-06-17 2024-04-30 国家电网公司华中分部 考虑灵活性与新能源消纳的电网储能双层优化方法及系统
CN114912848B (zh) * 2022-06-27 2023-05-26 南通大学 一种基于自适应滤波的全生命周期混合储能容量配置方法
CN115117906B (zh) * 2022-07-06 2024-04-26 湖南大学 一种基于动态约束区间的双电池储能控制方法
CN114928054B (zh) * 2022-07-18 2022-11-08 国网江西省电力有限公司经济技术研究院 考虑新能源不确定性的储能多目标协调优化方法及系统
CN114971088A (zh) * 2022-07-26 2022-08-30 中国华能集团清洁能源技术研究院有限公司 一种风电场储能最优配置方法、装置及存储介质
WO2024050317A1 (en) * 2022-08-28 2024-03-07 Flower Turbines, Inc. Systems and methods for operating a cluster of fluid turbines
CN115577925A (zh) * 2022-09-28 2023-01-06 广东电网有限责任公司 风电储能调用方法、装置设备及介质
CN116388279B (zh) * 2023-05-23 2024-01-23 安徽中超光电科技有限公司 太阳能光伏发电系统中的电网并网控制方法及其控制系统
CN116388299B (zh) * 2023-05-30 2023-08-01 华北电力大学 一种风光储场站群功率跟踪优化控制方法、系统及设备
CN116632880B (zh) * 2023-07-25 2024-04-30 深圳量云能源网络科技有限公司 风电场储能系统多功能协调控制方法、装置及终端设备
CN117175637A (zh) * 2023-08-25 2023-12-05 哈尔滨工业大学 一种基于混合密度网络未来态场景的源网荷储配置方法
CN117375049B (zh) * 2023-10-13 2024-04-09 华能山东发电有限公司 用于风电场多维考核标准的混合储能优化配置方法和系统
CN117543706A (zh) * 2024-01-08 2024-02-09 国网江西省电力有限公司经济技术研究院 一种基于微电网风光储系统的混合储能配置方法及系统
CN117910836B (zh) * 2024-03-19 2024-05-28 浙江大学 一种提升大电网灵活性的储能电站规划方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080245587A1 (en) * 2007-03-30 2008-10-09 The Regents Of The University Of Michigan Vehicle Hybrid Energy System
US20110274950A1 (en) * 2011-07-19 2011-11-10 Aquion Energy Inc. High Voltage Battery Composed of Anode Limited Electrochemical Cells
JP2016049008A (ja) * 2014-08-28 2016-04-07 新神戸電機株式会社 蓄電池システム、データベース及び記録媒体
WO2017044658A1 (en) * 2015-09-08 2017-03-16 The Regents Of The University Of California Low-cost hybrid energy storage system
CN107423852A (zh) * 2017-07-24 2017-12-01 华北电力大学（保定） 一种计及典型场景的光储联合电站优化运营方法
CN108470231A (zh) * 2018-01-24 2018-08-31 天津大学 考虑储能系统量化特征的配电网分布式储能选址定容方法
CN108599206A (zh) * 2018-04-28 2018-09-28 国网湖南省电力有限公司 高比例不确定电源场景下的配电网混合储能配置方法
CN109861256A (zh) * 2019-01-20 2019-06-07 天津大学 一种计及全寿命周期成本的配电网储能优化配置方法
CN110071505A (zh) * 2019-06-04 2019-07-30 清华大学 含大规模风电接入的输电网扩建与储能配置联合规划方法
CN110311396A (zh) * 2019-07-30 2019-10-08 太原理工大学 一种交直流混合微电网混合储能容量优化配置方法
CN110797896A (zh) * 2019-11-28 2020-02-14 国网江苏电力设计咨询有限公司 一种微网风光储系统中混合储能容量优化配置方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080245587A1 (en) * 2007-03-30 2008-10-09 The Regents Of The University Of Michigan Vehicle Hybrid Energy System
US20110274950A1 (en) * 2011-07-19 2011-11-10 Aquion Energy Inc. High Voltage Battery Composed of Anode Limited Electrochemical Cells
JP2016049008A (ja) * 2014-08-28 2016-04-07 新神戸電機株式会社 蓄電池システム、データベース及び記録媒体
WO2017044658A1 (en) * 2015-09-08 2017-03-16 The Regents Of The University Of California Low-cost hybrid energy storage system
CN107423852A (zh) * 2017-07-24 2017-12-01 华北电力大学（保定） 一种计及典型场景的光储联合电站优化运营方法
CN108470231A (zh) * 2018-01-24 2018-08-31 天津大学 考虑储能系统量化特征的配电网分布式储能选址定容方法
CN108599206A (zh) * 2018-04-28 2018-09-28 国网湖南省电力有限公司 高比例不确定电源场景下的配电网混合储能配置方法
CN109861256A (zh) * 2019-01-20 2019-06-07 天津大学 一种计及全寿命周期成本的配电网储能优化配置方法
CN110071505A (zh) * 2019-06-04 2019-07-30 清华大学 含大规模风电接入的输电网扩建与储能配置联合规划方法
CN110311396A (zh) * 2019-07-30 2019-10-08 太原理工大学 一种交直流混合微电网混合储能容量优化配置方法
CN110797896A (zh) * 2019-11-28 2020-02-14 国网江苏电力设计咨询有限公司 一种微网风光储系统中混合储能容量优化配置方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHAO MA 等: ""Multi-Objective Sizing of Hybrid Energy Storage System for Large-Scale Photovoltaic Power Generation System"", 《SUSTAINABILITY》 *
YI ZHANG 等: ""A hybrid energy storage system with optimized operating strategy for mitigating wind power fluctuations"", 《RENEWABLE ENERGY》 *
杨珺 等: ""并网风光发电中混合储能系统容量优化配置"", 《电网技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668764A (zh) * 2020-12-22 2021-04-16 国网福建省电力有限公司 一种基于云模型和fcm算法的海上风电场储能系统优化配置方法
CN113178880A (zh) * 2021-03-25 2021-07-27 浙江大学 一种基于风电功率概率预测的混合储能优化定容与调控方法
CN113178880B (zh) * 2021-03-25 2022-06-21 浙江大学 基于风电功率概率预测的混合储能优化定容与调控方法
CN113162091A (zh) * 2021-05-13 2021-07-23 北方工业大学 一种提升风电平滑的储能系统配置方法
CN113162091B (zh) * 2021-05-13 2022-09-02 北方工业大学 一种提升风电平滑的储能系统配置方法

Also Published As

Publication number Publication date
CN112072655B (zh) 2022-05-27
US20220077686A1 (en) 2022-03-10
US11862969B2 (en) 2024-01-02

Similar Documents

Publication Publication Date Title
CN112072655B (zh) 一种并网风储发电系统混合储能优化配置方法
CN109325608B (zh) 考虑储能并计及光伏随机性的分布式电源优化配置方法
CN108667052B (zh) 一种面向虚拟电厂优化运行的多类型储能系统规划配置方法及系统
CN107370170B (zh) 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
Arias et al. Multi-objective sizing of battery energy storage systems for stackable grid applications
CN103485977B (zh) 风力发电系统实时功率预测的修正方法
CN109995063B (zh) 一种用户侧储能控制策略
CN108551176B (zh) 一种结合储能均衡技术的储能电池系统容量配置方法
Nykamp et al. Storage operation for peak shaving of distributed PV and wind generation
CN103248065B (zh) 一种风电场中电池储能系统的充放电控制方法
CN110165698B (zh) 一种实现前瞻性误差资产转换的风电场平滑并网方法
Feng et al. Performance analysis of hybrid energy storage integrated with distributed renewable energy
CN110034561A (zh) 一种基于云储能租赁服务的风电场储能容量优化方法
CN110956324A (zh) 基于改进的moea/d的主动配电网日前高维目标优化调度方法
Li et al. Optimal planning of Electricity–Hydrogen hybrid energy storage system considering demand response in active distribution network
CN112290568A (zh) 一种“光-储”发电系统混合储能配置方法
CN116388213A (zh) 含新能源和充电站的主动配电网动态无功优化方法及系统
CN115759623A (zh) 一种储能参与电力市场交易特征关系的调度方法
CN115000985A (zh) 一种用户侧分布式储能设施聚合管控方法及系统
Du et al. Multi-objective optimal sizing of hybrid energy storage systems for grid-connected wind farms using fuzzy control
Esmaeili et al. Market-oriented optimal control strategy for an integrated energy storage system and wind farm
CN116488218A (zh) 工业园区储能配置方法、装置、电子设备及存储介质
Wang et al. Research on Evaluation ofMulti-Timescale Flexibility and Energy Storage Deployment for the High-Penetration Renewable Energy of Power Systems.
CN112861376B (zh) 一种基于单元调度模型的评估方法及装置
CN114498690A (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

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