CN112365089B - 考虑分时电价的长时间尺度储能容量配置与控制优化方法 - Google Patents
考虑分时电价的长时间尺度储能容量配置与控制优化方法 Download PDFInfo
- Publication number
- CN112365089B CN112365089B CN202011366595.4A CN202011366595A CN112365089B CN 112365089 B CN112365089 B CN 112365089B CN 202011366595 A CN202011366595 A CN 202011366595A CN 112365089 B CN112365089 B CN 112365089B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- time
- cost
- distributed
- optimization model
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 130
- 238000005457 optimization Methods 0.000 title claims abstract description 112
- 230000005611 electricity Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000010248 power generation Methods 0.000 claims abstract description 55
- 230000004044 response Effects 0.000 claims abstract description 55
- 238000011217 control strategy Methods 0.000 claims abstract description 15
- 239000000446 fuel Substances 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 31
- 238000012423 maintenance Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000002068 genetic effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—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
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
-
- 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
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种考虑分时电价的长时间尺度储能容量配置与控制优化方法，包括：获取目标区域的历史负荷数据和分布式发电数据；根据所述历史负荷数据和所述分布式发电数据，分别构建目标区域内层优化模型的目标函数和目标区域外层优化模型的目标函数；构建约束条件，并对所述内层优化模型和所述外层优化模型进行迭代运算，直到迭达运算的结果符合预设的判定条件时，输出结果并得到储能配置方案和控制策略。本发明不仅可以实现储能装置的容量和控制联合优化，实现装置运行控制的效益最大化，还进一步考虑基于分时电价的需求响应对储能控制、配置的影响，提高对储能优化配置的优化能力和经济性。
Description
技术领域
本发明涉及电网储能技术领域，特别是涉及一种考虑分时电价的长时间尺度储能容量配置与控制优化方法及装置。
背景技术
随着我国和全球清洁能源发电的不断发展，可再生能源发电占比不断提高，接入电网的分布式发电设备越来越多，这些都给电网的安全稳定运行带来了挑战。储能设备可以存储和释放电能，是解决电网短时间供需不平稳问题的有效方法，大容量的储能装置虽然可以保障装置的安全稳定性、调整负荷曲线，但是自身高昂的造价使装置运行失去了经济性，储能装置容量太小，又不足以保护装置的安全。同时，储能的控制策略很大程度上决定了储能的在装置中的作用，一方面，储能的控制需要统筹装置之前和未来一段时间内的供需状态，另一方面，储能的控制收到储能自身容量的限制。
目前，关于储能容量配置的研究是将容量配置与能量管理策略同时进行优化，得出的优化结果不仅包括储能的容量配置，还包括每个时段储能的充放电策略。虽然联合优化实现了储能配置和运行全局优化，但是受限于现有数学模型和算法工具，通常只采用较短的时间(数天或一周为时间周期)进行优化配置，这显然达不到工程应用要求，工程应用需要对数月乃至年为时间周期的长时间尺度下的储能优化。但是长时间尺度下的优化存在大量优化变量，同时引入非线性目标以及非线性约束，使求解变得极其困难，因此长时间尺度下的联合优化有待改善。
发明内容
本发明的目的是：提供一种考虑分时电价的长时间尺度储能容量配置与控制优化方法及装置，所述方法不仅可以实现储能装置的容量和控制联合优化，实现装置运行控制的效益最大化，还进一步考虑基于分时电价的需求响应对储能控制、配置的影响，提高对储能优化配置的优化能力和经济性。
为了实现上述目的，本发明提供了一种考虑分时电价的长时间尺度储能容量配置与控制优化方法，包括：
获取目标区域的历史负荷数据和分布式发电数据；
根据所述历史负荷数据和所述分布式发电数据，分别构建目标区域内层优化模型的目标函数和目标区域外层优化模型的目标函数；
构建约束条件，并对所述内层优化模型和所述外层优化模型进行迭代运算，直到迭达运算的结果符合预设的判定条件时，输出结果并得到储能配置方案和控制策略。
进一步地，所述内层优化模型的目标函数，具体采用如下公式：
其中中，NPV为该地区电力日运行成本；
为分摊到日的分布式投资成本；
为分摊到日的储能投资成本；
分别为该日的燃料成本、启动成本、购电成本、分布式发电和储能的维护及人工成本。
进一步地，所述外层优化模型的目标函数，具体采用如下公式：
其中，ROI为投资回报率；
分别为分布式发电和储能的投资回收系数，即在考虑复利的情况下，在预计投资期内的投资成本；BLA为运行收益，等于用户支付的用电费用减去向电网的购电成本；
分别为每日的燃料成本、启动成本、购电成本、分布式发电和储能的维护及人工成本。
进一步地，所述约束条件包括：功率平衡约束、储能装置约束、分布式发电约束、燃料发电约束和需求响应约束。
进一步地，所述功能平衡约束采用如下公式：
其中，Puser(t)为t时刻用户负荷；Pg,in(t)为t时刻对大电网的用电需求；PDG(t)为t时刻对分布式发电的出力；PES(t)为t时刻储能的出力；Pf,i(t)为第i台燃料机组在t时刻的出力；
所述储能装置约束采用如下公式：
其中，SOC(t)、SOCmin和SOCmax分别为储能的实时剩余电量、最低剩余电量和最高剩余电量；PESmin、PESmax分别为储能的出力下限和上限；
所述分布式发电约束，采用如下公式：
其中，PDG(t)为t时刻对分布式发电的出力；PDGmax为分布式发电的出力上限；
所述燃料发电约束，采用如下公式：
其中，Pf,i(t)为第i台燃料机组在t时刻的出力；Pf,imin、Pf,imax为第i台燃料机组的出力下限与上限；
所述需求响应约束，采用如下公式：
其中，Puser(t)为t时刻用户负荷；Cc,user(t)、CDR,c，user(t)分别为t时刻
需求响应前后的用户电价；PDR,user(t)为t时刻用户参与需求响应后的负荷。
进一步地，所述内层优化模型还包括：
计算需求响应前后的负荷变化，具体计算采用如下公式：
其中，E为弹性系数矩阵，Q1、Q、P分别为需求响应后的负荷量、需求响应前的负荷量、电价。
进一步地，所述预设的判定条件，具体为：
当两次运算的结果的差值小于预设值时，停止迭代，输出结果；其中，所述预设值为根据实际情况进行设定。
本发明实施例还提供一种考虑分时电价的长时间尺度储能容量配置与控制优化装置，包括：数据获取模块、模型构建模块和数据处理模块；
所述数据获取模块，用于获取目标区域的历史负荷数据和分布式发电数据；
所述模型构建模块，用于根据所述历史负荷数据和所述分布式发电数据，分别构建目标区域内层优化模型的目标函数和目标区域外层优化模型的目标函数；
所述数据处理模块，用于构建约束条件，并对所述内层优化模型和所述外层优化模型进行迭代运算，直到迭达运算的结果符合预设的判定条件时，输出结果并得到储能配置方案和控制策略。
本发明实施例还提供一种计算机终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一项所述的考虑分时电价的长时间尺度储能容量配置与控制优化方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述的考虑分时电价的长时间尺度储能容量配置与控制优化方法。
本发明实施例一种考虑分时电价的长时间尺度储能容量配置与控制优化方法及装置与现有技术相比，其有益效果在于：
1、所提出的双层模型可以考虑分时电价的影响，模型具有可求解性；
2、所提出的双层模型可以求解实现长时间尺度优化问题，通过双层模型，实现了对优化问题的降阶；
3、通过协调储能控制与实时电价方案，降低系统对储能容量和功率的需求，提高系统运行经济性。
附图说明
图1为本发明某一实施例提供的一种考虑分时电价的长时间尺度储能容量配置与控制优化方法的流程示意图；
图2为本发明某一实施例提供的一种考虑分时电价的长时间尺度储能容量配置与控制优化方法的双层优化模型流程图；
图3为本发明某一实施例提供的某地区负荷曲线与分布式发电出力曲线；
图4为本发明某一实施例提供的某地区一种未考虑储能和需求响应时该地区与电网间的功率交换示意图；
图5为本发明某一实施例提供的某地区一种运用所提出的双层优化模型，在不考虑分时电价的需求响应下的优化结果示意图；
图6为本发明某一实施例提供的某地区一种运用所提出的双层优化模型，在考虑分时电价的需求响应下的优化结果示意图；
图7为本发明某一实施例提供的某地区一种考虑储能不考虑需求响应时典型日源荷变化曲线示意图；
图8为本发明某一实施例提供的某地区一种为考虑储能和需求响应时典型日源荷变化曲线示意图；
图9为本发明某一实施例提供的某地区典型日的分时电价方案和负荷响应情况示意图；
图10为本发明某一实施例提供的某地区典型日下储能出力情况和电网节点功率交换情况，对比了不考虑需求响应的情形和考虑需求响应的情形效果示意图；
图11为本发明某一实施例提供的一种考虑分时电价的长时间尺度储能容量配置与控制优化装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本发明第一实施例：
如图1所示，本发明实施例提供的考虑分时电价的长时间尺度储能容量配置与控制优化方法，至少包括如下步骤：
S101、获取目标区域的历史负荷数据和分布式发电数据；
需要说明的是，负荷数据是在电力系统中各类电力负荷随时间变化的数据，用于构建负荷曲线，所述负荷曲线是调度电力系统的电力和进行电力系统规划的依据。电力系统的负荷涉及广大地区的各类用户，每个用户的用电情况很不相同，且事先无法确知在什么时间、什么地点、增加哪一类负荷。因此，电力系统的负荷变化带有随机性。人们用负荷曲线记述负荷随时间变化的情况，并据此研究负荷变化的规律性。
分布式发电指的是在用户现场或靠近用电现场配置较小的发电机组(一般低于30MW)，以满足特定用户的需要，支持现存配电网的经济运行，或者同时满足这两个方面的要求。这些小的机组包括燃料电池，小型燃气轮机，小型光伏发电，小型风光互补发电，或燃气轮机与燃料电池的混合装置。由于靠近用户提高了服务的可靠性和电力质量。技术的发展，公共环境政策和电力市场的扩大等因素的共同作用使得分布式发电成为新世纪重要的能源选择。
S102、根据所述历史负荷数据和所述分布式发电数据，分别构建目标区域内层优化模型的目标函数和目标区域外层优化模型的目标函数；
需要说明的是，所述目标区域内层优化模型是以最低日运行成本为目标函数，储能装置充放电控制策略和分时电价方案为优化变量；
所述目标区域外层优化模型是以最大投资回报率目标函数，储能装置容量为优化变量。
S103、构建约束条件，并对所述内层优化模型和所述外层优化模型进行迭代运算，直到迭达运算的结果符合预设的判定条件时，输出结果并得到储能配置方案和控制策略。
需要说明的是，所述约束条件包括：功率平衡约束、储能装置约束、分布式发电约束、燃料发电约束和需求响应约束；
所述功率平衡约束，即有功功率和无功功率在每个时刻保持平衡关系；
所述储能系统约束，包括储能系统的SOC约束(0－1之间)和充放电功率约束(界于最高值与最低值之间)；
所述分布式发电约束，即分布式发电的出力需小于分布式发电出力的最大能力；
所述燃料发电约束，即燃料发电机出力需界于最大出力与最小出力之间；
所述需求响应约束，即用户参与需求响应不得增加用户的用电成本。
需要说明的是，所述迭代运算，具体为：外层优化模型基于遗传算法求解，将遗传算法生成的储能容量值传递至内层模型，内层模型基于线性规划算法求解，将优化结果－储能的充放电策略传递至外层模型，如此循环往复，直至完成优化计算，输出结果，得到储能的容量配置方案和控制策略。
在本发明的某一个实施例中，所述内层优化模型的目标函数，具体采用如下公式：
其中，NPV为该地区电力日运行成本；
为分摊到日的分布式投资成本；
为分摊到日的储能投资成本；
分别为该日的燃料成本、启动成本、购电成本、分布式发电和储能的维护及人工成本。
在本发明的某一个实施例中，所述外层优化模型的目标函数，具体采用如下公式：
其中，ROI为投资回报率；
分别为分布式发电和储能的投资回收系数，即在考虑复利的情况下，在预计投资期内的投资成本；BLA为运行收益，等于用户支付的用电费用减去向电网的购电成本；
分别为每日的燃料成本、启动成本、购电成本、分布式发电和储能的维护及人工成本。
在本发明的某一个实施例中，所述约束条件包括：功率平衡约束、储能装置约束、分布式发电约束、燃料发电约束和需求响应约束。
在本发明的某一个实施例中，所述功能平衡约束采用如下公式：
其中，Puser(t)为t时刻用户负荷；Pg,in(t)为t时刻对大电网的用电需求；PDG(t)为t时刻对分布式发电的出力；PES(t)为t时刻储能的出力；Pf,i(t)为第i台燃料机组在t时刻的出力；
所述储能装置约束采用如下公式：
其中，SOC(t)、SOCmin和SOCmax分别为储能的实时剩余电量、最低剩余电量和最高剩余电量；PESmin、PESmax分别为储能的出力下限和上限；
所述分布式发电约束，采用如下公式：
其中，PDG(t)为t时刻对分布式发电的出力；PDGmax为分布式发电的出力上限；
所述燃料发电约束，采用如下公式：
其中，Pf,i(t)为第i台燃料机组在t时刻的出力；Pf,imin、Pf,imax为第i台燃料机组的出力下限与上限；
所述需求响应约束，采用如下公式：
其中，Puser(t)为t时刻用户负荷；Cc,user(t)、CDR,c，user(t)分别为t时刻
需求响应前后的用户电价；PDR,user(t)为t时刻用户参与需求响应后的负荷。
在本发明的某一个实施例中，其特征在于，所述内层优化模型还包括：
计算需求响应前后的负荷变化，具体计算采用如下公式：
其中，E为弹性系数矩阵，Q1、Q、P分别为需求响应后的负荷量、需求响应前的负荷量、电价。
在本发明的某一个实施例中，所述预设的判定条件，具体为：
当两次运算的结果的差值小于预设值时，停止迭代，输出结果；其中，所述预设值为根据实际情况进行设定。
本发明实施例一种考虑分时电价的长时间尺度储能容量配置与控制优化方法及装置与现有技术相比，其有益效果在于：
1、所提出的双层模型可以考虑分时电价的影响，模型具有可求解性；
2、所提出的双层模型可以求解实现长时间尺度优化问题，通过双层模型，实现了对优化问题的降阶；
3、通过协调储能控制与实时电价方案，降低系统对储能容量和功率的需求，提高系统运行经济性。
为了更好的理解本发明，具体采用如下案例进行阐述：
该案例具体背景如下：某新区拟建立主动配电网示范区，建设了一批分布式风光发电，并承诺大幅降低对配网的依赖性，以减轻和避免因快速发展而产生的配网容量拓增的需求，具体合约如下：基本使用电价为0.8元/kWh，负荷越高，单位电价越高，过剩分布式发电基本上网电价为0.8元/kWh，上网功率越高，单位上网电价越低，当上网功率超过40MW时，因为对配网节点影响较大，不给予上网电价补偿。同时用户电价保持0.8元/kWh不变，浮动电价由电力运营商承担。现根据本发明所提方法配置储能容量功率、储能控制策略和分时电价方案。
采用的方案如下：
步骤1：采集该地区历史负荷数据、分布式发电数据
步骤2：建立该地区内层优化模型目标函数，内层优化模型以最低日运行成本为目标函数，储能装置充放电控制策略和分时电价方案为优化变量，内层优化模型的目标函数如下式所示：
式中，NPV为该地区电力日运行成本；
为分摊到日的分布式投资成本；
为分摊到日的储能投资成本；
分别为该日的燃料成本、启动成本、购电成本、分布式发电和储能的维护及人工成本。
步骤3：建立该地区外层优化模型目标函数，外层优化模型以为最大投资回报率目标函数，储能装置容量为优化变量，外层优化模型的目标函数如下式所示：
其中ROI为投资回报率；
分别为分布式发电和储能的投资回收系数，即在考虑复利的情况下，在预计投资期内的投资成本；BLA为运行收益，等于用户支付的用电费用减去向电网的购电成本；
分别为每日的燃料成本、启动成本、购电成本、分布式发电和储能的维护及人工成本。
步骤4：建立约束条件，本模型约束条件主要有：
功率平衡约束，即有功功率和无功功率在每个时刻保持平衡关系。
储能系统约束，包括储能系统的SOC约束(0－1之间)和充放电功率约束(界于最高值与最低值之间)。
分布式发电约束，即分布式发电的出力需小于分布式发电出力的最大能力。
燃料发电约束，即燃料发电机出力需界于最大出力与最小出力之间。
需求响应约束，即用户参与需求响应不得增加用户的用电成本。
以上约束条件的公式可分别表达为：
式中，Puser(t)为t时刻用户负荷；Pg,in(t)为t时刻对大电网的用电需求；PDG(t)为t时刻对分布式发电的出力；PES(t)为t时刻储能的出力；Pf,i(t)为第i台燃料机组在t时刻的出力；SOC(t)、SOCmin和SOCmax分别为储能的实时剩余电量、最低剩余电量和最高剩余电量；PESmin、PESmax分别为储能的出力下限和上限；PDGmax为分布式发电的出力上限；Pf,imin、Pf,imax为第i台燃料机组的出力下限与上限；Cc,user(t)、CDR,c,user(t)分别为t时刻需求响应前后的用户电价；PDR,user(t)为t时刻用户参与需求响应后的负荷。
步骤5：计算需求响应前后的负荷变化。对基于分时电价的需求响应，利用价格弹性模型计算负荷变化，具体计算方式如下式所示：
式中，E为弹性系数矩阵，Q1、Q、P分别为需求响应后的负荷量、需求响应前的负荷量、电价，该步骤内置于内层优化模型中，根据分时电价计算需求响应后的负荷值。
步骤6：模型求解。外层优化模型基于遗传算法求解，将遗传算法生成的储能容量值传递至内层模型，内层模型基于线性规划算法求解，将优化结果－储能的充放电策略传递至外层模型，如此循环往复，直至完成优化计算，输出结果，得到储能的容量配置方案和控制策略。
在本实施例中，选取300天共7200个小时的历史数据进行优化，配电网参数如下表所示：
表1配电网参数
如图3所示；该地区分布式发电装机容量上已基本满足该地区的用电需求，但是由于分布式发电和负荷存在时间分布上的差异，分布式发电并不能满足该地区的实时用电需求，且从图中可知分布式发电的弃电现象较为严重。
如图4所示，为未考虑储能和需求响应时该地区与电网间的功率交换，从图4中可以看出，该地区与电网的功率交换较为频繁，分布式发电总体富余，但一方面出现供大于求，需要将多余的电量上网的情况，另一方面出现需要从电网购电的情况。另外，从图中可以看出，与电网的功率交换峰值超过79MW，这将导致高昂的配电容量成本，降低了分布式发电可以减小系统对电网的依懒性的优势。
如图5所示，在不考虑分时电价的需求响应下的优化结果，图中显示的是该地区与电网的功率交换曲线，对比图4可以发现，引入储能装置后，可以有效改善负荷曲线和分布式发电曲线，减少该地区对电网的依赖，大大减小与电网功率交换的峰值。但总的来说，该地区仍需与电网进行频繁的功率交换，对电网存在较强的依赖性。
如图6所示，在考虑分时电价的需求响应下的优化结果，图中显示的是该地区与电网的功率交换曲线，对比图3、图4可以发现，在协调基于分时电价的需求响应和储能控制后，无论是与电网的功率交换峰值还是交换频率，都进一步得到降低，减弱该地区对电网的依赖性，避免了大量分布式发电接入对电网造成的冲击和风险。
如图7所示，为考虑储能不考虑需求响应时典型日源荷变化曲线(储能与电网节点参照左坐标轴、负荷与分布式出力参照右坐标轴)，从图7中可以看出，通过储能改善分布式发电和负荷的功率曲线，使得该日该地区与电网的功率交换始终稳定在－9.65MW。
如图8所示，为考虑储能和需求响应时典型日源荷变化曲线(储能与电网节点参照左坐标轴、负荷与分布式出力参照右坐标轴)，从图8中可以看出，通过储能和需求响应的协调配合，使得该日该地区与电网的功率交换始终稳定在－10.9MW。对比图6，增加了分布式发电的上网功率。
如图9所示，为典型日的分时电价方案和负荷响应情况，从图9中可以看出，通过分时电价设置，负荷从高电价时段向低电价时段转移，形成了和储能相似的效果。
如图10所示，为为典型日下储能出力情况和电网节点功率交换情况，对比了不考虑需求响应的情形(储能1)和考虑需求响应的情形(储能2)，从图10中可以看出，通过提出的双层优化模型，可以协调分时电价方案和储能控制方案，降低对储能输出功率的需求，增加分布式发电上网电量，减小弃电现象。
如表2显示了两种情形下的储能最优容量配置与运行效益，从表中可以看出，通过所提出的双层优化模型，可以实现考虑分时电价的长时间尺度储能容量配置与控制优化，优化结果显示，协调分时电价方案和储能控制，可以减小系统对储能的容量和功率需求，避免大量的弃风弃光现象，降低系统运行成本和用户的用电成本。
表2两种情形下的储能最优容量配置与运行效益
本发明所提出的考虑分时电价的储能容量配置－控制运行双层优化模型，通过遗传算法对容量配置的外层优化求解，以及通过线性规划对储能控制、分时电价方案的内存优化求解，得到考虑长时间尺度下的储能容量配置以及日前控制策略。所提出的方法实现了长时间尺度下的储能容量－控制优化问题，并可以协调分时电价方案的优化，降低系统对储能容量和功率的需求，降低系统的运行成本。
其优化目标—储能容量除了与本身储能装置的约束、参量有关，还受内层优化结果的影响。充放电控制策略是内层优化，不仅与内层的约束、参量有关，还受上层容量的状态值影响。其中在内层考虑基于分时电价的需求响应对储能控制优化的影响。本发明在未来大力推广需求侧响应技术和储能协同控制的过程中具有非常好的应用价值。
本发明第二实施例：
如图11所示，本发明实施例还提供的一种考虑分时电价的长时间尺度储能容量配置与控制优化装置200，包括：数据获取模块201、模型构建模块202和数据处理模块203；
所述数据获取模块201，用于获取目标区域的历史负荷数据和分布式发电数据；
所述模型构建模块202，用于根据所述历史负荷数据和所述分布式发电数据，分别构建目标区域内层优化模型的目标函数和目标区域外层优化模型的目标函数；
所述数据处理模块203，用于构建约束条件，并对所述内层优化模型和所述外层优化模型进行迭代运算，直到迭达运算的结果符合预设的判定条件时，输出结果并得到储能配置方案和控制策略。
本发明第三实施例：
本发明实施例还提供一种计算机终端设备，包括：一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一项所述的考虑分时电价的长时间尺度储能容量配置与控制优化方法。
需要说明的是，所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field－ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(SmartMediaCard，SMC)、安全数字(SecureDigital，SD)卡和闪存卡(FlashCard)等，或所述存储器也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。
本发明第四实施例：
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述的考虑分时电价的长时间尺度储能容量配置与控制优化方法。
需要说明的是，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种考虑分时电价的长时间尺度储能容量配置与控制优化方法，其特征在于，包括：
获取目标区域的历史负荷数据和分布式发电数据；
根据所述历史负荷数据和所述分布式发电数据，分别构建目标区域内层优化模型的目标函数和目标区域外层优化模型的目标函数；其中，所述内层优化模型的目标函数，具体采用如下公式：
其中，NPV为目标区域电力日运行成本；
为分摊到日的分布式投资成本；
为分摊到日的储能投资成本；
Cg、
分别为该日的燃料成本、启动成本、购电成本、分布式发电和储能的维护及人工成本；
所述外层优化模型的目标函数，具体采用如下公式：
其中，ROI为投资回报率；
分别为分布式发电和储能的投资回收系数，即在考虑复利的情况下，在预计投资期内的投资成本；BLA为运行收益，等于用户支付的用电费用减去向电网的购电成本；
Cg、
分别为每日的燃料成本、启动成本、购电成本、分布式发电和储能的维护及人工成本；
构建约束条件，并对所述内层优化模型和所述外层优化模型进行迭代运算，直到迭达运算的结果符合预设的判定条件时，输出结果并得到储能配置方案和控制策略。
2.根据权利要求1所述的考虑分时电价的长时间尺度储能容量配置与控制优化方法，其特征在于，所述约束条件包括：功率平衡约束、储能装置约束、分布式发电约束、燃料发电约束和需求响应约束。
3.根据权利要求2所述的考虑分时电价的长时间尺度储能容量配置与控制优化方法，其特征在于，所述功率平衡约束采用如下公式：
其中，Puser(t)为t时刻用户负荷；Pg,in(t)为t时刻对大电网的用电需求；PDG(t)为t时刻对分布式发电的出力；PES(t)为t时刻储能的出力；Pf,i(t)为第i台燃料机组在t时刻的出力；
所述储能装置约束采用如下公式：
其中，SOC(t)、SOCmin和SOCmax分别为储能的实时剩余电量、最低剩余电量和最高剩余电量；PESmin、PESmax分别为储能的出力下限和上限；
所述分布式发电约束，采用如下公式：
其中，PDG(t)为t时刻对分布式发电的出力；PDGmax为分布式发电的出力上限；
所述燃料发电约束，采用如下公式：
其中，Pf,i(t)为第i台燃料机组在t时刻的出力；Pf,imin、Pf,imax为第i台燃料机组的出力下限与上限；
所述需求响应约束，采用如下公式：
其中，Puser(t)为t时刻用户负荷；Cc,user(t)、CDR,c,user(t)分别为t时刻需求响应前后的用户电价；PDR,user(t)为t时刻用户参与需求响应后的负荷。
4.根据权利要求1所述的考虑分时电价的长时间尺度储能容量配置与控制优化方法，其特征在于，所述内层优化模型还包括：
计算需求响应前后的负荷变化，具体计算采用如下公式：
其中，E为弹性系数矩阵，Q1、Q、P分别为需求响应后的负荷量、需求响应前的负荷量、电价。
5.根据权利要求1所述的考虑分时电价的长时间尺度储能容量配置与控制优化方法，其特征在于，所述预设的判定条件，具体为：
当两次运算的结果的差值小于预设值时，停止迭代，输出结果；其中，所述预设值为根据实际情况进行设定。
6.一种考虑分时电价的长时间尺度储能容量配置与控制优化装置，其特征在于，包括：数据获取模块、模型构建模块和数据处理模块；
所述数据获取模块，用于获取目标区域的历史负荷数据和分布式发电数据；
所述模型构建模块，用于根据所述历史负荷数据和所述分布式发电数据，分别构建目标区域内层优化模型的目标函数和目标区域外层优化模型的目标函数；其中，所述内层优化模型的目标函数，具体采用如下公式：
其中，NPV为目标区域电力日运行成本；
为分摊到日的分布式投资成本；
为分摊到日的储能投资成本；
Cg、
分别为该日的燃料成本、启动成本、购电成本、分布式发电和储能的维护及人工成本；
所述外层优化模型的目标函数，具体采用如下公式：
其中，ROI为投资回报率；
分别为分布式发电和储能的投资回收系数，即在考虑复利的情况下，在预计投资期内的投资成本；BLA为运行收益，等于用户支付的用电费用减去向电网的购电成本；
Cg、
分别为每日的燃料成本、启动成本、购电成本、分布式发电和储能的维护及人工成本；
所述数据处理模块，用于构建约束条件，并对所述内层优化模型和所述外层优化模型进行迭代运算，直到迭达运算的结果符合预设的判定条件时，输出结果并得到储能配置方案和控制策略。
7.一种计算机终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5任一项所述的考虑分时电价的长时间尺度储能容量配置与控制优化方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的考虑分时电价的长时间尺度储能容量配置与控制优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011366595.4A CN112365089B (zh) | 2020-11-26 | 2020-11-26 | 考虑分时电价的长时间尺度储能容量配置与控制优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011366595.4A CN112365089B (zh) | 2020-11-26 | 2020-11-26 | 考虑分时电价的长时间尺度储能容量配置与控制优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112365089A CN112365089A (zh) | 2021-02-12 |
| CN112365089B true CN112365089B (zh) | 2022-12-02 |
Family
ID=74536232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011366595.4A Active CN112365089B (zh) | 2020-11-26 | 2020-11-26 | 考虑分时电价的长时间尺度储能容量配置与控制优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112365089B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408886B (zh) * | 2021-06-11 | 2022-09-13 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种储能容量的配置方法及装置 |
| CN117879018B (zh) * | 2024-03-12 | 2024-06-21 | 国网安徽省电力有限公司经济技术研究院 | 面向新能源消纳的储能系统的配置运行方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030187853A1 (en) * | 2002-01-24 | 2003-10-02 | Hensley Roy Austin | Distributed data storage system and method |
| CN105846423B (zh) * | 2016-03-28 | 2018-10-16 | 华北电力大学 | 一种计及需求响应的光伏微电网储能多目标容量配置方法 |
| CN107294120B (zh) * | 2017-08-25 | 2020-05-08 | 广东电网有限责任公司电力科学研究院 | 一种主动配电网混合储能容量优化配置方法及装置 |
| CN108599146B (zh) * | 2018-04-09 | 2021-09-21 | 华南理工大学 | 考虑阶梯电价的家庭光伏和电池储能系统容量配置方法 |
| CN108321826A (zh) * | 2018-04-10 | 2018-07-24 | 阳光电源股份有限公司 | 储能系统容量配置方法、装置以及系统 |
| CN109217364A (zh) * | 2018-09-10 | 2019-01-15 | 国网冀北电力有限公司张家口供电公司 | 大规模分布式电源消纳的光伏-储能容量优化配置策略 |
| CN109842158A (zh) * | 2019-03-28 | 2019-06-04 | 广东工业大学 | 一种微电网优化配置方法 |
| CN111898805B (zh) * | 2020-07-14 | 2023-09-26 | 智光研究院(广州)有限公司 | 一种储能系统容量配置方法、装置、配置设备和存储介质 |
-
2020
- 2020-11-26 CN CN202011366595.4A patent/CN112365089B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112365089A (zh) | 2021-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Optimal voltage regulation for distribution networks with multi-microgrids | |
| CN110188950B (zh) | 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法 | |
| Hu et al. | Agent-based coordinated operation strategy for active distribution network with distributed energy resources | |
| Li et al. | The capacity allocation method of photovoltaic and energy storage hybrid system considering the whole life cycle | |
| CN111882111A (zh) | 一种源网荷储协同互动的电力现货市场出清方法 | |
| Ma et al. | Benefit evaluation of the deep peak-regulation market in the northeast China grid | |
| CN112365089B (zh) | 考虑分时电价的长时间尺度储能容量配置与控制优化方法 | |
| Hou et al. | Multi-time scale optimization scheduling of microgrid considering source and load uncertainty | |
| Feng et al. | Optimization analysis of energy storage application based on electricity price arbitrage and ancillary services | |
| CN107658867B (zh) | 多主体参与的交直流混合配电网动态重构方法 | |
| Ouédraogo et al. | Impact of electricity tariffs and energy management strategies on PV/Battery microgrid performances | |
| CN115423260A (zh) | 一种电力市场及政策服务新能源利用的量化分析方法 | |
| Michael et al. | Economic scheduling of virtual power plant in day-ahead and real-time markets considering uncertainties in electrical parameters | |
| Nikpour et al. | Hybrid stochastic risk-based approach for a microgrid participating in coupled active and reactive power market | |
| TWI725606B (zh) | 電動車充電站分散式電能管理方法 | |
| Seervi et al. | Centralize energy storage scheduling for prosumers in residential microgrid | |
| CN117332937A (zh) | 一种考虑需求响应的多能互补虚拟电厂经济调度方法 | |
| CN116707016A (zh) | 基于场景生成和削减的风光氢储日前随机优化调度方法 | |
| Garella et al. | Provision of flexibility services through energy communities | |
| Zhang et al. | Joint optimal operation and bidding strategy of scenic reservoir group considering energy storage sharing | |
| Elgamal et al. | Optimal operation of a hybrid-energy microgrid with energy storage system | |
| Heydarian-Forushani et al. | A comprehensive smart energy management strategy for TVPP, CVPP, and energy communities | |
| Qing et al. | Trading model of virtual power plant considering shapley contribution based revenue distribution | |
| Cheng et al. | Distributed hierarchically optimal schedule of distribution network with multiple virtual power plant | |
| Che et al. | An energy optimization and control strategy of microgrids considering the hybrid energy storage system |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhou Xiao Inventor after: Zhang Zhen Inventor after: Sun Siyang Inventor after: Rao Zhi Inventor after: Xiao Tianying Inventor after: Li Lifeng Inventor after: Chen Xiang Inventor before: Zhang Zhen Inventor before: Zhou Xiao Inventor before: Sun Siyang Inventor before: Rao Zhi Inventor before: Xiao Tianying Inventor before: Li Lifeng Inventor before: Chen Xiang |