CN112084652B - 一种风光储互补发电系统容量配置计算方法及系统 - Google Patents

一种风光储互补发电系统容量配置计算方法及系统 Download PDF

Info

Publication number
CN112084652B
CN112084652B CN202010931088.4A CN202010931088A CN112084652B CN 112084652 B CN112084652 B CN 112084652B CN 202010931088 A CN202010931088 A CN 202010931088A CN 112084652 B CN112084652 B CN 112084652B
Authority
CN
China
Prior art keywords
energy storage
photovoltaic
power
wind power
annual
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
CN202010931088.4A
Other languages
English (en)
Other versions
CN112084652A (zh
Inventor
王磊
冯斌
王昭
杨欣
傅旭
范丽霞
黄明良
杨攀峰
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.)
Northwest Electric Power Design Institute of China Power Engineering Consulting Group
Original Assignee
Northwest Electric Power Design Institute of China Power Engineering Consulting Group
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 Northwest Electric Power Design Institute of China Power Engineering Consulting Group filed Critical Northwest Electric Power Design Institute of China Power Engineering Consulting Group
Priority to CN202010931088.4A priority Critical patent/CN112084652B/zh
Publication of CN112084652A publication Critical patent/CN112084652A/zh
Application granted granted Critical
Publication of CN112084652B publication Critical patent/CN112084652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • H02J3/28—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
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • 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
    • Y02E10/50—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
    • 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
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出了一种风光储互补发电系统容量配置计算方法及系统，方法包括以下步骤：获取所需的原始数据；基于原始数据并以风电‑光伏‑储能互补发电系统年净收益最大化为目标，生成初始化风电‑光伏‑储能容量配置方案；根据生成的初始化的风电‑光伏‑储能容量配置方案进行生产模拟，得出年外送电量以及储能SOC年曲线；利用不同风电‑光伏‑储能容量配置方案计算模块所求得的风电、光伏、储能年外送电量以及储能SOC年曲线及对应的年净收益指标，对风电‑光伏‑储能容量配置方案进行寻优；根据寻优输出最优的风电‑光伏‑储能容量配置方案。本发明优化综合考虑了建设资本金折现、贷款还本付息、储能寿命损耗等因素，更加符合工程建设实际。

Description

一种风光储互补发电系统容量配置计算方法及系统
技术领域
本发明涉及电力系统规划领域，特别涉及一种风光储互补发电系统容量配置计算方法及系统。
背景技术
大型集中并网的风电、光伏由于其各自的随机性、波动性，易对电网造成冲击，同时受调峰能力不足等因素影响，已出现不同程度弃风、弃光问题。风电-光伏-储能互补发电系统可利用风光资源在昼夜和季节的自然互补性，同时配合储能充放电，可以在一定程度优化并网特性、提高消纳能力，在风光储互补电源规划阶段需考虑如下问题：(1)在允许的总投资金额上限确定的前提下，风电、光伏、储能配比如何确定；(2)在允许的总建设用地上限确定的前提下，风电、光伏、储能配比如何确定；(3)如何通过合理的风电、光伏、储能配比，提高间歇性电源并网特性。
发明内容
为解决现有技术风电、光伏、储能配比问题，本发明提出了一种风光储互补发电系统容量配置计算方法及系统，采用双层优化结构，外层优化以互补发电系统年净收益最大化为目标，通过量子粒子群算法优化风电-光伏-储能容量配置；内层优化以互补发电系统日出力波动率和日出力峰谷差最小化为目标，通过8760h生产模拟优化储能充放电功率。外层容量优化综合考虑了建设资本金折现、贷款还本付息、储能寿命损耗等因素，更加符合工程建设实际。
为了实现上述目的，本发明采用如下技术方案：
一种风光储互补发电系统容量配置计算方法，包括以下步骤：
获取风电-光伏-储能容量计算所需的原始数据；
基于原始数据并以风电-光伏-储能互补发电系统年净收益最大化为目标，生成初始化的风电-光伏-储能容量配置方案；
根据生成的初始化的风电-光伏-储能容量配置方案进行生产模拟，以互补发电系统日出力波动率和日出力峰谷差最小化为目标，通过生产模拟优化储能充放电功率，得出风电、光伏、储能年外送电量以及储能SOC年曲线；
利用不同风电-光伏-储能容量配置方案计算模块所求得的风电、光伏、储能年外送电量以及储能SOC年曲线及对应的年净收益指标，对风电-光伏-储能容量配置方案进行寻优；
根据寻优输出最优的风电-光伏-储能容量配置方案。
作为本发明的进一步改进，所述风电-光伏-储能互补发电系统年净收益最大化目标函数为：
FEX＝max[(EWA+ESA+EEA)-(CPA+CEA)] (1)
式中，EWA、ESA、EEA分别为风电、光伏、储能年电量收益；CPA、CEA分别为电源、储能年成本费用。
作为本发明的进一步改进，所述电源、储能年成本费用具体计算公式为：
Figure BDA0002670270380000021
式中，CP-IN为电源建设资本金折算的年成本费用；CP-IC为电源建设贷款产生的年还本付息费用；CP-OM为电源年运行维护费用；α为电源建设资本金占总投资的比例；CP为电源建设总投资额；C(r,n)为资本回收系数，r为折现率；n为电源项目运营期；i为年贷款利率；m为电源投资贷款年限；γ为电源年运行维护费占总投资额的比例；CW为风电单位造价；PW为风电装机；CS为光伏单位造价；PS为光伏装机。
Figure BDA0002670270380000022
式中，CE-IN为储能建设资本金折算的年投资成本费用；CE-IC为储能建设贷款产生的年还本付息费用；CE-OM为储能年运行维护费用；CE-R为互补发电系统运营期内储能年均更换成本；PD为储能价格年降幅；
Figure BDA0002670270380000023
表示向上取整；β为储能建设资本金占总投资额的比例；CE为储能建设总投资额；x为储能寿命；y为储能投资贷款年限；δ为储能年运行维护费占总投资额的比例；CEP为储能功率单位造价；PE为储能功率；CES为储能容量单位造价；EE为储能容量。
作为本发明的进一步改进，所述储能寿命采用等效循环寿命法对储能的寿命进行测算，测算过程中根据储能SOC年曲线、采用雨流计数法提取和统计每个实际循环周期。
作为本发明的进一步改进，所述风电-光伏-储能互补发电系统年净收益的经济性指标的约束条件为：
①投资约束：允许的总投资金额上限为Cmax，则风电、光伏、储能装机约束为：
Figure BDA0002670270380000031
式中，PWmax为风电装机上限；PSmax为光伏装机上限；PEmax为储能功率上限；TEmin为储能允许最短时长。
②土地约束：允许的建设用地面积上限为Smax，则风电、光伏、储能建设用地约束为：
Figure BDA0002670270380000032
式中，SWmax为风电建设用地上限；SUW为风电单位占地；SSmax为光伏建设用地上限；SUS为光伏单位占地；SEmax为储能建设用地上限；SUE为储能单位占地；SW、SS、SE分别为风电、光伏、储能实际建设用地；SA为其他辅助设施实际建设用地。
作为本发明的进一步改进，所述互补发电系统日出力波动率、日出力峰谷差最小化目标函数为：
Figure BDA0002670270380000041
Figure BDA0002670270380000042
式中，PW(d,t)、PS(d,t)、PESS(d,t)分别为第d天第t小时风电、光伏、储能出力；Pave(d)分别为第d天不考虑储能调节的日平均出力。
构建聚合多目标函数为：
Figure BDA0002670270380000043
式中，权重因子λ的取值将直接影响复合目标函数FIN值的大小，采用目标函数适应度离差排序法来确定λ1、λ2的参数值。
作为本发明的进一步改进，间歇性电源并网特性指标考虑的约束条件为：
①8760h生产模拟过程有功平衡约束；
②储能充放电功率及SOC约束；
③弃电率约束。
作为本发明的进一步改进，风电-光伏-储能容量配置方案中储能充放电策略及约束条件如下：
定义d天t小时不平衡功率ΔP(d,t)：正值表示需要充电、负值表示需要放电、零值表示不需要动作；风电、光伏d天t小时理论可发功率为PG(d,t)＝PW(d,t)+PS(d,t)；Pex(d,t)为d天t小时电网可接纳功率上限；储能实时可用容量为EA(d,t)；实时SOC为EE(d,t)，代表储能实时剩余电量，其上下限分别为Emax和Emin；储能额定功率为PESS；ηS和ηR分别为储能的充/放电效率，d天t小时储能的实时功率为PE(d,t)，充电为正、放电为负，则储能充放电功率约束为：
①储能理论功率需求：
Figure BDA0002670270380000051
②储能理论可用容量及充/放电功率：
Figure BDA0002670270380000052
Figure BDA0002670270380000053
③储能SOC约束(EA(d,t)≥|PE(d,t)Δt)：
Figure BDA0002670270380000054
④储能SOC约束(EA(d,t)＜|PE(d,t)Δt)：
Figure BDA0002670270380000055
⑤储能自放电修正：
定义KD为储能自放电率：
EE(d,t+Δt)＝EE(d,t)·(1-KD) (14)
作为本发明的进一步改进，所述寻优终止条件是重复处理直到达到算法收敛条件或设定的迭代次数为止。
一种风光储互补发电系统容量配置计算系统，包括：
获取模块，用于获取风电-光伏-储能容量计算所需的原始数据；
方案初始化模块，用于基于原始数据并以互补发电系统年净收益最大化为目标，生成初始化的风电-光伏-储能容量配置方案；
计算模块，用于根据风电-光伏-储能容量配置方案进行生产模拟，以互补发电系统日出力波动率和日出力峰谷差最小化为目标，通过生产模拟优化储能充放电功率，得出风电、光伏、储能年外送电量以及储能SOC年曲线；
方案寻优模块，用于利用不同风电-光伏-储能容量配置方案计算模块所求得的风电、光伏、储能年外送电量以及储能SOC年曲线及对应的年净收益指标，对风电-光伏-储能容量配置方案进行寻优；
输出模块，用于输出最优的风电-光伏-储能容量配置方案。
与现有技术相比，本发明具有以下优点：
本发明一种风光储互补发电系统容量配置计算方法，进行风光储互补发电系统优化配置方法，兼顾经济性和并网友好性；外层优化以互补发电系统年净收益最大化为目标，通过量子粒子群算法优化风电-光伏-储能容量配置；内层优化以互补发电系统日出力波动率和日出力峰谷差最小化为目标，通过8760h生产模拟优化储能充放电功率。外层优化综合考虑了建设资本金折现、贷款还本付息、储能寿命损耗等因素，更加符合工程建设实际。
本发明一种风光储互补发电系统容量配置计算系统。获取模块，用于获取风电-光伏-储能容量计算所需的原始数据；方案初始化模块，用于基于原始数据并以互补发电系统年净收益最大化为目标，生成初始化的风电-光伏-储能容量配置方案；计算模块，用于根据风电-光伏-储能容量配置方案进行生产模拟，以互补发电系统日出力波动率和日出力峰谷差最小化为目标，通过生产模拟优化储能充放电功率，得出风电、光伏、储能年外送电量以及储能SOC年曲线；方案寻优模块，用于利用不同风电-光伏-储能容量配置方案计算模块所求得的风电、光伏、储能年外送电量以及储能SOC年曲线及对应的年净收益指标，对风电-光伏-储能容量配置方案进行寻优；输出模块，用于输出最优的风电-光伏-储能容量配置方案。计算模块属于内层优化；方案初始化模块和方案寻优模块属于外层优化。
附图说明
图1为本发明计算流程图；
图2为本发明双层优化结构示意图；
图3-1为内层F1随PESS、TESS变化趋势；
图3-2为内层F1随PESS、TESS变化趋势；
图4为内层F2随PESS、TESS变化趋势；
图5为外层FEX随PESS、TESS变化趋势；
图6为外层FEX随PESS、TESS变化趋势；
图7为外层FEX随光伏装机变化趋势；(横坐标单位为10MW)
图8为内层F1随风光装机容量变化趋势；(横坐标单位为10MW)
图9为内层F2随风光装机容量变化趋势(横坐标单位为10MW)。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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的前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
如图1所示，本发明一种风光储互补发电系统容量配置计算方法，包括以下步骤：
1)利用QPSO算法生成/优化风电-光伏-储能容量配置方案；
2)利用步骤1)生成的风电-光伏-储能容量配置方案进行8760h生产模拟，计算得出风电、光伏、储能年外送电量以及储能SOC年曲线；
3)利用步骤2)中的风电、光伏、储能年外送电量以及储能SOC年曲线计算步骤1)中风电-光伏-储能容量配置方案对应的年净收益指标，返回步骤1)对风电-光伏-储能容量配置方案进行寻优；
4)重复步骤1)～3)，直到达到算法收敛条件或设定的迭代次数为止；
5)输出风电-光伏-储能容量配置方案。
步骤1)为外层优化、步骤2)为内层优化。
外层优化以互补发电系统年净收益最大化为目标，通过量子粒子群算法优化风电-光伏-储能容量配置；内层优化以互补发电系统日出力波动率和日出力峰谷差最小化为目标，通过8760h生产模拟优化储能充放电功率。外层容量优化综合考虑了建设资本金折现、贷款还本付息、储能寿命损耗等因素，更加符合工程建设实际。双层优化结构如图2所示。
双层优化结构的求解中，外层生成方案传递给内层、内层求得对应的局部最优解再传递给外层、外层根据内层反馈结果再次优化方案重新传递给内层，最终通过内外两层多次迭代，求解出兼顾内外层目标的全局最优解。
本发明原理为采用双层优化结构，外层优化以互补发电系统年净收益最大化为目标，通过量子粒子群算法优化风电-光伏-储能容量配置；内层优化以互补发电系统日出力波动率和日出力峰谷差最小化为目标，通过8760h生产模拟优化储能充放电功率。外层容量优化综合考虑了建设资本金折现、贷款还本付息、储能寿命损耗等因素，更加符合工程建设实际。
步骤1)中外层优化评价指标如下：
FEX＝max[(EWA+ESA+EEA)-(CPA+CEA)] (1)
式中，EWA、ESA、EEA分别为风电、光伏、储能年电量收益，万元；CPA、CEA分别为电源、储能年成本费用，万元。
Figure BDA0002670270380000081
式中，CP-IN为电源建设资本金折算的年成本费用，万元；CP-IC为电源建设贷款产生的年还本付息费用，万元；CP-OM为电源年运行维护费用，万元；α为电源建设资本金占总投资的比例，％；CP为电源建设总投资额，万元；C(r,n)为资本回收系数，r为折现率，％；n为电源项目运营期，年；i为年贷款利率，％；m为电源投资贷款年限，年；γ为电源年运行维护费占总投资额的比例，％；CW为风电单位造价，万元/MW；PW为风电装机，MW；CS为光伏单位造价，万元/MW；PS为光伏装机，MW。
Figure BDA0002670270380000082
式中，CE-IN为储能建设资本金折算的年投资成本费用，万元；CE-IC为储能建设贷款产生的年还本付息费用，万元；CE-OM为储能年运行维护费用，万元；CE-R为互补发电系统运营期内储能年均更换成本(其中PD为储能价格年降幅，％；
Figure BDA0002670270380000083
表示向上取整)，万元；β为储能建设资本金占总投资额的比例，％；CE为储能建设总投资额，万元；x为储能寿命，年；y为储能投资贷款年限，年；δ为储能年运行维护费占总投资额的比例，％；CEP为储能功率单位造价，万元/MW；PE为储能功率，MW；CES为储能容量单位造价，万元/MWh；EE为储能容量，MWh。
式(3)中储能寿命采用等效循环寿命法对储能的寿命进行测算，测算过程中根据储能SOC年曲线、采用雨流计数法提取和统计每个实际循环周期。储能SOC年曲线由步骤2)中8760h模拟优化求得。
考虑的约束条件为：
①投资约束：允许的总投资金额上限为Cmax，则风电、光伏、储能装机约束为：
Figure BDA0002670270380000091
式中，PWmax为风电装机上限，MW；PSmax为光伏装机上限，MW；PEmax为储能功率上限，MW；TEmin为储能允许最短时长，h。
②土地约束：允许的建设用地面积上限为Smax，则风电、光伏、储能建设用地约束为：
Figure BDA0002670270380000092
式中，SWmax为风电建设用地上限，km2；SUW为风电单位占地，km2/MW；SSmax为光伏建设用地上限，km2；SUS为光伏单位占地，km2/MW；SEmax为储能建设用地上限，km2；SUE为储能单位占地，km2/MW；SW、SS、SE分别为风电、光伏、储能实际建设用地，km2；SA为其他辅助设施实际建设用地(升压站、道路等)，km2。
步骤1)中QPSO算法简述如下：
QPSO算法用波函数表示粒子的“位置”，采用蒙特卡罗法确定粒子的波函数位置：
Figure BDA0002670270380000093
Figure BDA0002670270380000101
Figure BDA0002670270380000102
式中，i为第i个粒子；j为粒子的维度；Xi,j为第i个粒子在j维度方向的位置；k为粒子代数；Pi,j为第i个粒子在j维度上个体历史最优“位置”；Cj为粒子种群在j维度上历史最优“位置”；M为种群规模；u和φ服从0-1之间的均匀分布，ui,j(k)和φj(k)为0-1之间的随机数。
ρ为扩张-收缩因子，是QPSO算法除种群规模和迭代次数之外，唯一需要确定的参数，其大小直接关系到整个算法的收敛速度，一般采取1～0.5之间随迭代次数线性递减的确定方法：
Figure BDA0002670270380000103
QPSO算法流程如下：
①给定算法边界条件，确定种群规模M、维度j、迭代次数、收敛条件等初始参数；
②粒子种群初始化；设置粒子个体最优初值和种群最优初值；
③计算每个粒子的适应度(目标函数)；
④根据适应度，更新粒子个体的最优“位置”和种群最优“位置”；
⑤根据式(6)～(9)更新每个粒子的“位置”；
⑥计算满足算法收敛条件或达到设定的迭代次数则输出计算结果，否则返回③。
步骤2)中内层优化评价指标如下：
内层优化进行风电-光伏-储能互补发电系统满足设定目标函数的8760h生产模拟。由于风电和光伏均为随机间歇性不可控电源，其出力的数学模型可视为随机分布的时间序列，因此优化的决策变量实质为储能SOC年曲线，即储能按照一定的策略进行充/放电，目标函数为互补发电系统日出力波动率、日出力峰谷差最小化：
Figure BDA0002670270380000104
Figure BDA0002670270380000111
式中，PW(d,t)、PS(d,t)、PESS(d,t)分别为第d天第t小时风电、光伏、储能出力，MW；Pave(d)为第d天不考虑储能调节的日平均出力，MW。
由于两个目标函数同时优化可能会相互制约甚至冲突，即一个目标函数的减小或将导致另一个目标函数的增大。不同于单目标优化问题的解为有限解，多目标优化问题的解通常是一组均衡解，采用常规单目标优化的方法在此类问题上难以为继。因此采用线性加权聚合的方法将多目标优化转变为单目标优化问题，根据各子目标的重要程度分别分配一个正系数的权重因子λ，再在约束集合X上进行最优求解。
构建聚合多目标函数为：
Figure BDA0002670270380000112
式(12)中权重因子λ的取值将直接影响复合目标函数FIN值的大小，本发明采用目标函数适应度离差排序法来确定λ1、λ2的参数值。计算步骤如下：
①采用单目标优化的方法，分别求出子目标函数minF1、minF2的所对应的最优解x1、x2；
②将求出的最优解x1、x2分别代入F2和F1中得到对应的目标函数值F2(x1)和F1(x2)；
③计算子目标最优解x1、x2所对应各目标函数的离差μ1、μ2，与目标函数F2和F1的最优解相比，必然存在F1(x2)≥F1(x1)和F2(x1)≥F2(x2)，即μ1与μ2均为非负值，离差μ的大小反映出目标函数F为计算解与最优解之间的偏差：
Figure BDA0002670270380000113
式中，μ1反映为目标函数F1计算解x2与最优解x1之间的差值，μ2反映为目标函数F2计算解x1与最优解x2之间的差值，差值越小说明越接近最优值，即该目标函数越重要，所对应的权重因子λ也应越大。利用离差μ1和μ2构建权重系数
Figure BDA0002670270380000114
和/>
Figure BDA0002670270380000115
Figure BDA0002670270380000121
④通过计算F1和F2所对应的离差μ1和μ2，对离差小的目标函数分配
Figure BDA0002670270380000122
对离差大的目标函数分配/>
Figure BDA0002670270380000123
即可构建出(12)式，将双目标优化问题转换为单目标优化问题。
考虑的约束条件为：
①8760h生产模拟过程有功平衡约束；
②储能充放电功率及SOC约束；
③弃电率约束。
步骤2)中储能充放电策略及约束条件如下：
定义d天t小时不平衡功率ΔP(d,t)：“+”表示需要充电、“－”表示需要放电、“0”值表示不需要动作；风电、光伏d天t小时理论可发功率为PG(d,t)＝PW(d,t)+PS(d,t)；Pex(d,t)为d天t小时电网可接纳功率上限；储能实时可用容量为EA(d,t)；实时SOC为EE(d,t)，代表储能实时剩余电量，其上下限分别为Emax和Emin；储能额定功率为PESS；ηS和ηR分别为储能的充/放电效率，d天t小时储能的实时功率为PE(d,t)，充电为“+”、放电为“－”，则储能充放电功率约束为：
①储能理论功率需求：
Figure BDA0002670270380000124
②储能理论可用容量及充/放电功率：
Figure BDA0002670270380000125
/>
Figure BDA0002670270380000126
③储能SOC约束(EA(d,t)≥|PE(d,t)Δt)：
Figure BDA0002670270380000131
④储能SOC约束(EA(d,t)＜|PE(d,t)Δt|)：
Figure BDA0002670270380000132
⑤储能自放电修正：
定义KD为储能自放电率：
EE(d,t+Δt)＝EE(d,t)·(1-KD) (20)
式(15)～式(20)共同组成储能充放电策略及约束条件。
下面以我国北方某风光储示范项目为例，作详细说明。应该强调的是，下述说明仅仅是实例性的，而不是为了限制本发明的范围及其应用。
实施算例：
以我国北方某风光储示范项目为例，该项目规划阶段拟建风电光伏总装机为500MW、项目总投资概算不超过320000万元、建设用地不超过32km2。该项目实际建设方案为300MW风电+200MW光伏+40MW×2h储能。
采用本发明计算该项目风光储容量配置方案，即该问题的实质是：按照风电光伏总装机为500MW、总投资不超过320000万元、总建设用地不超过32km2，进行风电、光伏、储能容量优化配置问题。
采用本发明的方法进行计算的具体步骤如下：
1)读入计算所需的原始数据，包括项目拟建地区风电、光伏全年8760h出力特性曲线，项目总投资上限和总建设用地上限，电源/储能建设资本金占总投资的比重，折现率和贷款利率，项目运营年限和贷款年限，风电、光伏、储能单位造价，储能造价年均降幅，风电、光伏、储能上网电价，风电、光伏、储能单位占地，电源/储能年运行维护费占总投资的比重，储能充放电效率，储能SOC允许上下限，储能SOC初始容量，储能自放电率，储能DOD与最大循环次数N的实测数据，建设资本金占总投资的比重，运行过程中弃电率和运行指标约束，粒子群种群数量和终止条件等；
2)利用QPSO算法生成/优化风电-光伏-储能容量配置方案；
3)利用步骤2)生成的风电-光伏-储能容量配置方案进行8760h生产模拟，计算得出风电、光伏、储能年外送电量以及储能SOC年曲线；
4)利用步骤3)中的风电、光伏、储能年外送电量以及储能SOC年曲线计算步骤2)中风电-光伏-储能容量配置方案对应的年净收益指标，返回步骤2)对风电-光伏-储能容量配置方案进行寻优；
5)重复步骤2)～4)，直到达到算法收敛条件或设定的迭代次数为止；
6)输出风电-光伏-储能容量配置方案。
具体输入条件如下：
1)电源建设资本金占总投资额的30％，折现率4.41％、贷款利率4.9％，项目运营期20年，建设贷款年限20年，风电造价650万元/MW，光伏造价450万元/MW，年运行维护费占总投资额的1％；
2)储能建设资本金占总投资额的30％，折现率4.41％、贷款利率4.9％，建设贷款年限20年，功率价格120万元/MW、容量价格160万元/MWh，年运行维护费占总投资额的2％，储能造价年均降幅为10％；储能充电/放电效率均按95％，SOC初始容量为10％、下限为10％、上限为90％，储能自放电率为0.5％/天；
3)风电、光伏、储能上网电价分别0.29元/kWh、0.4元/kWh、0.7元/kWh；
4)风电单位占地0.8km2/MW、光伏单位占地0.272km2/MW、储能单位占地0.015km2/MW、其他辅助设施建设用地占风光储总建设用地的5％；
5)新能源弃电率不高于5％；运行指标F1和F2不高于实际建设方案指标；
6)储能功率寻优范围设定为10～100MW、储能时长寻优范围设定为0.5～3h，粒子群种群数量200，终止条件为进化代数达到100代或目标函数值连续50代变化小于10-5。
7)储能采用磷酸铁锂电池，其DOD与最大循环次数N的实测数据见表1、实测数据经幂函数进行数据拟合后得到N与DOD的函数关系见式(21)。
计算结果如下：
1)采用本发明求得的互补发电系统容量配置方案为风电290MW、光伏210MW、储能30MW×3h，结果详见表2。
由表2可以看出，该示范项目实际建设方案总投资302600万元，总用地30.98km2，年费用合计29010.22万元、年收益合计31916.24万元、年净收益2906.02万元，新能源弃电率5.25％，储能寿命6.63年，运行指标F1和F2分别为35.94和18.41。
本发明算法求得的优化方案与实际建设方案相比：总投资301000万元、减少了1600万元；总用地30.40km2、减少了0.58km2；年费用合计28392.72万元、减少了617.5万元；年收益合计32104.96万元、增加了188.72万元；年净收益3712.24万元、增加了806.22万元；新能源弃电率4.98％、减少了0.27％；储能寿命7.09年、增加了0.46年；运行指标F1和F2也均有所下降。
2)依据本发明算例结果推荐的风电290MW、光伏210MW不变时，对储能功率(PESS)、储能时长(TESS)与内层优化目标函数F1仿真三维图详见图3-1、图3-2所示(图3-1和图3-2为同一个图，旋转了三维视角)，与内层优化目标函数F2仿真三维图详见图4所示(图4旋转了三维视角)。本发明内层优化目标函数F1和F2的优化目标均为最小化。
由图3-1、图3-2(由于旋转了视角，图3-2更清楚一些)可以看出，储能功率越大、时长越长，F1越小。由图4同样可以看出，储能功率越大、时长越长，F2越小。以上结论容易理解，内层目标函数主要用来衡量互补发电系统的运行指标F1和F2，F1用来衡量互补发电系统日出力波动率、F2用来衡量互补发电系统日出力峰谷差，由于风光电源均为不可控电源，因此互补发电系统并网特性调节主要依赖储能充放电进行，由此体现出在本发明设定的寻优范围储能功率10～100MW、储能时长0.5～3h内，储能容量越大、调节能力越强，运行指标F1和F2越优。
储能功率(PESS)、储能时长(TESS)与外层优化目标函数FEX(互补发电系统年净收益)仿真三维图详见图5、图6所示。本发明外层优化目标函数FEX的优化目标为最大化。
由图5、图6可以看出，大体趋势上储能功率越大、时长越长，外层优化目标函数FEX(互补发电系统年净收益)越小，该趋势同样较为容易理解，主要原因是储能本身并不产生电能，只是通过充放电过程进行并网指标调节，由于储能充放电过程中的损耗以及现阶段储能投资成本仍然较高，仅依靠优化并网特性带来的收益(如弃电率减少、上网电量增加带来的收益)不足以抵扣安装储能折算的年费用成本，因此反映出上述趋势。
3)依据本发明算例结果推荐的储能功率30MW、储能时长3h不变时，光伏装机(由于本发明算例中风光总装机确定，因此确定其中一个、另一个也随之明确)与外层优化目标函数FEX(互补发电系统年净收益)仿真三维图详见图6所示，与内层优化目标函数F1、F2关系详见图8、图9所示。本发明外层优化目标函数FEX的优化目标为最大化、内层优化目标函数F1和F2的优化目标均为最小化。
由图6～图9可以看出，光伏装机在400MW(相当于此时风电100MW)左右，外层优化目标函数FEX达到峰值，但此时对应的内层优化目标函数F1和F2均属于较高水平；而对应光伏200MW(相当于此时风电300MW)左右内层优化目标函数F1和F2均属于较低水平，此时相应的外层优化目标函数FEX也未达到峰值。但由于本发明设计的双层优化，是求取兼顾内外目标函数同时最优的解，一味单独追求外层或内层目标最优是不合适的。因此图6～图9表现出本发明算例求取的光伏装机210MW、风电装机290MW，是兼顾内外层目标函数的优化解。
4)以上计算结果表明，本发明能够有效解决风电-光伏-储能互补发电系统在规划阶段的容量优化配置问题，在获得更好经济效益的同时，进一步优化投资、用地、新能源弃电率、储能寿命、并网特性等指标。
表1某磷酸铁锂电池DOD与最大循环次数N实测数据
Figure BDA0002670270380000161
N与DOD的函数关系式为：
N＝f(DOD)＝3452·DOD-0.9942-1030 (21)
表2互补发电系统容量优化配置结果
Figure BDA0002670270380000171
本发明还提供一种风光储互补发电系统容量配置计算系统，包括：
获取模块，用于获取风电-光伏-储能容量计算所需的原始数据；
方案初始化模块，用于基于原始数据并以互补发电系统年净收益最大化为目标，生成初始化的风电-光伏-储能容量配置方案；
计算模块，用于根据风电-光伏-储能容量配置方案进行生产模拟，以互补发电系统日出力波动率和日出力峰谷差最小化为目标，通过生产模拟优化储能充放电功率，得出风电、光伏、储能年外送电量以及储能SOC年曲线；
方案寻优模块，用于利用不同风电-光伏-储能容量配置方案计算模块所求得的风电、光伏、储能年外送电量以及储能SOC年曲线及对应的年净收益指标，对风电-光伏-储能容量配置方案进行寻优；
输出模块，用于输出最优的风电-光伏-储能容量配置方案。
本发明的另一目的在于提出风光储互补发电系统容量配置计算的设备，包括：
存储器，
处理器，
所述处理器被配置为：执行所述的风光储互补发电系统容量配置计算方法。
本发明还提供一种计算机可读存储介质，当所述存储介质中的指令由处理器执行时，使得处理器能够执行风光储互补发电系统容量配置计算方法。
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。
以上内容是对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定发明的保护范围。

Claims (7)

1.一种风光储互补发电系统容量配置计算方法，其特征在于，包括以下步骤：
获取风电-光伏-储能容量计算所需的原始数据；
基于原始数据并以风电-光伏-储能互补发电系统年净收益最大化为目标，生成初始化的风电-光伏-储能容量配置方案；
根据生成的初始化的风电-光伏-储能容量配置方案进行生产模拟，以互补发电系统日出力波动率和日出力峰谷差最小化为目标，通过生产模拟优化储能充放电功率，得出风电、光伏、储能年外送电量以及储能SOC年曲线；
利用不同风电-光伏-储能容量配置方案计算模块所求得的风电、光伏、储能年外送电量以及储能SOC年曲线及对应的年净收益指标，对风电-光伏-储能容量配置方案进行寻优；
根据寻优输出最优的风电-光伏-储能容量配置方案；
所述风电-光伏-储能互补发电系统年净收益最大化目标函数为：
FEX＝max[(EWA+ESA+EEA)-(CPA+CEA)] (1)
式中，EWA、ESA、EEA分别为风电、光伏、储能年电量收益；CPA、CEA分别为电源、储能年成本费用；
所述电源、储能年成本费用具体计算公式分别为：
Figure FDA0004206373640000011
式中，CP-IN为电源建设资本金折算的年成本费用；CP-IC为电源建设贷款产生的年还本付息费用；CP-OM为电源年运行维护费用；α为电源建设资本金占总投资的比例；CP为电源建设总投资额；C(r,n)为资本回收系数，r为折现率；n为电源项目运营期；i为年贷款利率；m为电源投资贷款年限；γ为电源年运行维护费占总投资额的比例；CW为风电单位造价；PW为风电装机；CS为光伏单位造价；PS为光伏装机；
Figure FDA0004206373640000021
式中，CE-IN为储能建设资本金折算的年投资成本费用；CE-IC为储能建设贷款产生的年还本付息费用；CE-OM为储能年运行维护费用；CE-R为互补发电系统运营期内储能年均更换成本；PD为储能价格年降幅；
Figure FDA0004206373640000022
表示向上取整；β为储能建设资本金占总投资额的比例；CE为储能建设总投资额；x为储能寿命；y为储能投资贷款年限；δ为储能年运行维护费占总投资额的比例；CEP为储能功率单位造价；PE为储能功率；CES为储能容量单位造价；EE为储能容量；
所述互补发电系统日出力波动率、日出力峰谷差最小化目标函数为：
Figure FDA0004206373640000023
Figure FDA0004206373640000024
式中，PW(d,t)、PS(d,t)、PESS(d,t)分别为第d天第t小时风电、光伏、储能出力；Pave(d)分别为第d天不考虑储能调节的日平均出力；
构建聚合多目标函数为：
Figure FDA0004206373640000025
式中，权重因子λ的取值将直接影响复合目标函数FIN值的大小，采用目标函数适应度离差排序法来确定λ1、λ2的参数值。
2.根据权利要求1所述的计算方法，其特征在于，所述储能寿命采用等效循环寿命法对储能的寿命进行测算，测算过程中根据储能SOC年曲线、采用雨流计数法提取和统计每个实际循环周期。
3.根据权利要求1所述的计算方法，其特征在于，所述风电-光伏-储能互补发电系统年净收益的经济性指标的约束条件为：
①投资约束：允许的总投资金额上限为Cmax，则风电、光伏、储能装机约束为：
Figure FDA0004206373640000031
式中，PWmax为风电装机上限；PSmax为光伏装机上限；PEmax为储能功率上限；TEmin为储能允许最短时长；
②土地约束：允许的建设用地面积上限为Smax，则风电、光伏、储能建设用地约束为：
Figure FDA0004206373640000032
式中，SWmax为风电建设用地上限；SUW为风电单位占地；SSmax为光伏建设用地上限；SUS为光伏单位占地；SEmax为储能建设用地上限；SUE为储能单位占地；SW、SS、SE分别为风电、光伏、储能实际建设用地；SA为其他辅助设施实际建设用地。
4.根据权利要求3所述的计算方法，其特征在于，间歇性电源并网特性指标考虑的约束条件为：
①8760h生产模拟过程有功平衡约束；
②储能充放电功率及SOC约束；
③弃电率约束。
5.根据权利要求1所述的计算方法，其特征在于，风电-光伏-储能容量配置方案中储能充放电策略及约束条件如下：
定义d天t小时不平衡功率ΔP(d,t)：正值表示需要充电、负值表示需要放电、零值表示不需要动作；风电、光伏d天t小时理论可发功率为PG(d,t)＝PW(d,t)+PS(d,t)；Pex(d,t)为d天t小时电网可接纳功率上限；储能实时可用容量为EA(d,t)；实时SOC为EE(d,t)，代表储能实时剩余电量，其上下限分别为Emax和Emin；储能额定功率为PESS；ηS和ηR分别为储能的充/放电效率，d天t小时储能的实时功率为PE(d,t)，充电为正、放电为负，则储能充放电功率约束为：
①储能理论功率需求：
Figure FDA0004206373640000041
②储能理论可用容量及充/放电功率：
Figure FDA0004206373640000042
Figure FDA0004206373640000043
③储能SOC约束(EA(d,t)≥|PE(d,t)Δt|)：
Figure FDA0004206373640000044
④储能SOC约束(EA(d,t)＜|PE(d,t)Δt|)：
Figure FDA0004206373640000045
⑤储能自放电修正：
定义KD为储能自放电率：
EE(d,t+Δt)＝EE(d,t)·(1-KD) (14)。
6.根据权利要求1所述的计算方法，其特征在于，所述寻优终止条件是重复处理直到达到算法收敛条件或设定的迭代次数为止。
7.一种风光储互补发电系统容量配置计算系统，基于权利要求1所述的计算方法，其特征在于，包括：
获取模块，用于获取风电-光伏-储能容量计算所需的原始数据；
方案初始化模块，用于基于原始数据并以互补发电系统年净收益最大化为目标，生成初始化的风电-光伏-储能容量配置方案；
计算模块，用于根据风电-光伏-储能容量配置方案进行生产模拟，以互补发电系统日出力波动率和日出力峰谷差最小化为目标，通过生产模拟优化储能充放电功率，得出风电、光伏、储能年外送电量以及储能SOC年曲线；
方案寻优模块，用于利用不同风电-光伏-储能容量配置方案计算模块所求得的风电、光伏、储能年外送电量以及储能SOC年曲线及对应的年净收益指标，对风电-光伏-储能容量配置方案进行寻优；
输出模块，用于输出最优的风电-光伏-储能容量配置方案。
CN202010931088.4A 2020-09-07 2020-09-07 一种风光储互补发电系统容量配置计算方法及系统 Active CN112084652B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010931088.4A CN112084652B (zh) 2020-09-07 2020-09-07 一种风光储互补发电系统容量配置计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010931088.4A CN112084652B (zh) 2020-09-07 2020-09-07 一种风光储互补发电系统容量配置计算方法及系统

Publications (2)

Publication Number Publication Date
CN112084652A CN112084652A (zh) 2020-12-15
CN112084652B true CN112084652B (zh) 2023-06-20

Family

ID=73732139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010931088.4A Active CN112084652B (zh) 2020-09-07 2020-09-07 一种风光储互补发电系统容量配置计算方法及系统

Country Status (1)

Country Link
CN (1) CN112084652B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734093B (zh) * 2020-12-30 2022-06-21 国网甘肃省电力公司电力科学研究院 基于计算机的制氢装置容量优化配置方法
CN113178896B (zh) * 2021-05-08 2023-06-16 中国电力工程顾问集团西北电力设计院有限公司 一种固定出力光储联合电站装机容量配置方法及系统
CN113852136B (zh) * 2021-09-24 2023-07-25 广东电网有限责任公司 一种新能源基地外送方案的电源配置方法及装置
CN113644670B (zh) * 2021-10-14 2022-01-25 中国电力科学研究院有限公司 一种储能容量优化配置的方法及系统
CN114240104B (zh) * 2021-12-03 2022-08-30 中广核太阳能开发有限公司 光伏弃电储能功率和储能容量配置方法和装置
CN114444814A (zh) * 2022-03-01 2022-05-06 阳光电源股份有限公司 包含多能源子系统的微网设备选型寻优方法、装置
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109347151A (zh) * 2018-11-30 2019-02-15 国家电网公司西南分部 一种新能源参与调峰的送端电网电源结构优化方法
CN110020743A (zh) * 2018-12-29 2019-07-16 国网新疆电力有限公司经济技术研究院 一种互联输电通道容量规划方法
CN110717694A (zh) * 2019-10-28 2020-01-21 国网河南省电力公司电力科学研究院 基于新能源消纳期望值的储能配置随机决策方法及装置
WO2020140743A1 (zh) * 2018-12-30 2020-07-09 国网天津市电力公司电力科学研究院 配电台区源-荷协同接入方法、终端、存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109347151A (zh) * 2018-11-30 2019-02-15 国家电网公司西南分部 一种新能源参与调峰的送端电网电源结构优化方法
CN110020743A (zh) * 2018-12-29 2019-07-16 国网新疆电力有限公司经济技术研究院 一种互联输电通道容量规划方法
WO2020140743A1 (zh) * 2018-12-30 2020-07-09 国网天津市电力公司电力科学研究院 配电台区源-荷协同接入方法、终端、存储介质
CN110717694A (zh) * 2019-10-28 2020-01-21 国网河南省电力公司电力科学研究院 基于新能源消纳期望值的储能配置随机决策方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
风光火大型能源基地联合外送优化配置;吴志明;杨天蒙;;广东电力(第06期);全文 *

Also Published As

Publication number Publication date
CN112084652A (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN112084652B (zh) 一种风光储互补发电系统容量配置计算方法及系统
CN105846461B (zh) 一种大规模储能电站自适应动态规划的控制方法和系统
WO2023274425A1 (zh) 一种风光水火储系统的多能容量优化配置方法
CN108388973B (zh) 一种虚拟电厂自适应鲁棒调度优化方法
CN104993522B (zh) 一种基于mpc的主动配电网多时间尺度协调优化调度方法
CN113095791B (zh) 一种综合能源系统运行方法及系统
CN115693757A (zh) 一种基于数字孪生技术的光伏能源优化调控方法
CN111404206B (zh) 考虑投资回报约束的风光储发电系统容量双层规划方法
CN110365013A (zh) 一种光热-光伏-风电联合发电系统的容量优化方法
CN111934360B (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN113688567A (zh) 一种考虑冲击负荷的虚拟电厂两阶段优化调度方法
CN104156789B (zh) 计及储能寿命损耗的孤立微电网最优经济运行方法
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
CN112583017A (zh) 考虑储能运行约束的混合微电网能量分配方法及系统
CN102855592A (zh) 多目标调峰优化方法和系统
Zhang et al. Improved MOEA/D approach to many-objective day-ahead scheduling with consideration of adjustable outputs of renewable units and load reduction in active distribution networks
CN115173453A (zh) 一种储能辅助电网调峰的优化配置方法
CN112072643A (zh) 一种基于深度确定性梯度策略的光-蓄系统在线调度方法
CN111654045A (zh) 一种电力现货市场下储能系统充放电优化方法
CN114362153A (zh) 一种并网型风光储系统多目标容量优化配置方法及系统
CN114154790A (zh) 基于需量管理和柔性负荷的工业园区光储容量配置方法
Yu et al. Energy management of wind turbine-based DC microgrid utilizing modified differential evolution algorithm
CN115940284B (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
CN114938040B (zh) 源-网-荷-储交直流系统综合优化调控方法和装置
CN109840621A (zh) 考虑储能系统影响的并网型微电网日前多目标优化方法

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