CN112508287A - 基于用户侧bess全寿命周期的储能优化配置方法 - Google Patents
基于用户侧bess全寿命周期的储能优化配置方法 Download PDFInfo
- Publication number
- CN112508287A CN112508287A CN202011461656.5A CN202011461656A CN112508287A CN 112508287 A CN112508287 A CN 112508287A CN 202011461656 A CN202011461656 A CN 202011461656A CN 112508287 A CN112508287 A CN 112508287A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- bess
- soc
- load
- constraint
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000012423 maintenance Methods 0.000 claims description 16
- 230000005611 electricity Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 238000011084 recovery Methods 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 239000013256 coordination polymer Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 238000002360 preparation method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000003139 buffering effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- 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]
-
- 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
- Y02E40/10—Flexible AC transmission systems [FACTS]
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
基于用户侧BESS全寿命周期的储能优化配置方法,涉及电池储能系统的功率和容量优化配置技术以及机器学习领域内的Fuzzy C‑Means聚类方法,本发明包括数据准备、典型日的获取、优化配置模型约束条件选取、建立用户侧储能优化配置模型、评估指标的选取和求解,典型日的选取采取了Fuzzy C‑Means聚类方法,将得到的聚类中心作典型日,为每个数据点指定对各个类簇的模糊隶属度并迭代更新,该方法聚类结果稳定,波动性小,初值敏感性低,模型求解中,将模型巧妙的转化为LP(线性规划)问题,求解速度快,得到的解为全局最优解,算例结果表明该模型具有比较强的实际意义,能够有效促进储能商业化的发展。
Description
技术领域
本发明涉及电池储能系统的功率和容量优化配置技术以及机器学习领域内的FuzzyC-Means聚类方法,具体涉及基于用户侧BESS全寿命周期的储能优化配置方法。
背景技术
储能配置及运行优化分为电网侧和用户侧。目前,电网中的新能源渗透率逐步提升,而以风电、光伏为代表的新能源发电出力具有较强的波动性及不确定性,储能可以起到发电不确定性和负荷无序性之间的缓冲作用,因此在电力系统中扮演越来越重要的角色。但是,配置储能成本非常高,加上用户侧的储能配置往往是分布式的,难以形成规模效应来减低成本,这些原因使得储能虽然有一定发展,但是大都集中在电网侧。
大工业用户的电费成本占比比较高,尤其是对于一些高耗能企业,其为了减少电费支出,将主要工作时间平移到夜间。近年来中国出台了一系列政策,不仅大力支持用户侧储能的发展,而且提出要适当扩大销售侧峰谷电价差,未来用户峰谷价差有望继续拉大,并且随着储能成本的逐步降低,用户侧储能配置得到越来越广泛地关注。用户侧储能可通过“低储高放”策略,即在用户电力负荷及电价较低的时候存储电能,在用户电力负荷及电价较高的时候放出电能,在不改变用户用电行为的情况下,削减用户负荷每月最大需量值,减少基本电费的同时产生削峰填谷收益,是降低电力大用户经营成本的重要手段。由于电力大用户具有不同负荷特征,其是否适合配置储能以及配置多大功率及容量的储能不尽相同。因此,为大工业用户提出一套科学有效的储能配置方法显得迫在眉睫。
现有的针对用户侧储能优化配置的研究主要目的在于提高电网安全稳定性且典型日的选取尚未形成一套令人信服的方法。如已公开专利《一种基于调峰效果的负荷侧储能优化配置方法》(授权公告号:CN 107800148 B)依据负荷数据的标准差和平均单向持续时长生成候选配置集合,然后将配置集合中每一个配置元素作为边界条件,修改计算储能调峰效果的不等式约束,以混合整数规划求新负荷曲线的方差最优值,最后将每一个候选配置点的成本按照功率和容量进行计算,进行候选集合中最优配置的选择。已公开专利《一种综合储能优化配置方法和系统》(授权公告号:CN 111064209 A)构建了用户侧综合能源系统的架构,给定各时段系统的能源需求、各时段系统内能量生产,建立以负荷方差最小、可再生能源削减量最小、综合储能容量最小为目标的综合储能优化配置模型。
以上公开的专利在构建储能优化配置模型时,未充分考虑用户侧配置储能的收益以及在得到典型日的过程中的初值敏感性等情况,典型日的选取过于简单粗暴失去了典型日的意义,且在求解的问题要么是非线性问题,要么虽然已经转换成线性问题,但仍然是混合整数规划问题。
发明内容
本发明的目的在于:为解决背景技术中提出的技术问题,本发明提供基于用户侧BESS全寿命周期的储能优化配置方法。
本发明为了实现上述目的具体采用以下技术方案:
基于用户侧BESS全寿命周期的储能优化配置方法,包括以下步骤:
步骤一、数据准备:设置储能成本参数和特性参数,上传实时电价数据和大工业用户一年的历史负荷数据,并且将负荷数据还原成12个月的负荷数据;
步骤二、典型日的获取:采用Fuzzy C-Means对每个月的负荷数据进行聚类得到聚类中心,将聚类中心作为当月的典型日负荷曲线,同时输出每个月的聚类中心所占该月天数的权重;
步骤三、优化配置模型约束条件选取:选择荷电状态(SOC)、储能SOC连续性约束、SOC循环初始与结束相等约束、充/放电功率约束、充/放电状态约束、削峰负荷约束;
步骤四、建立用户侧储能优化配置模型:以BESS全寿命周期净收益最大为目标函数,对储能配置功率和容量进行优化,具体表述为:
Umax=U1+U2-C1-C2
其中,Umax为BESS全寿命周期内的净收益最大值,U1为BESS“低储高放”的套利收益,U2为减少用户基本电费收益,C1为BESS初始投资成本,C2为运行维护成本;
步骤五、评估指标的选取:以BESS全寿命周期内的净收益、投资回收年限和投资回报率作为决策指标为评估指标对建立的优化配置方法结果进行评估;
步骤六、求解:调用gurobi求解器进行求解,并输出求解结果,即储能配置功率、容量、BESS全寿命周期内的净收益、投资回收年限和投资回报率作为决策指标。
进一步地,所述步骤二采用的聚类方法为Fuzzy C-Means,其模糊水平m和聚类中心的数目c均设置为2。
进一步地,步骤二中具体的算法如下:
(1)初始化c个聚类中心v,指定各数据点x对于中心v的模糊隶属度μ;
(2)计算目标函数:
(3)迭代更新聚类中心及模糊隶属度:
其中,m为模糊水平,m>1,m越大最终聚类结果模糊程度越高,本申请中m取2;
(4)重复(2)、(3)直至算法收敛,收敛标志为当次迭代与上次迭代之间目标函数值的变化小于预设阈值。
进一步地,所述步骤三中选择荷电状态(SOC)约束、储能SOC连续性约束、SOC循环初始与结束相等约束、充/放电功率约束、充/放电状态约束、削峰负荷约束的计算方式分别如下:
(1)荷电状态(SOC)约束:在一个BESS充/放电周期内,BESS各时刻储能容量值应保持在一定的范围内,SOCmin和SOCmax分别对应BESS可调度储能容量上限和下限,具体为:
SOCmin≤SOCi,j≤SOCmax;
(2)储能SOC连续性约束,具体为:
其中,ηc和ηd为BESS的充/放电效率;
(3)SOC循环初始与结束相等约束,具体为:
(4)充/放电功率约束,具体为:
其中,Pdis,min为最小放电功率,Pdis,max为最大放电功率,Pch,min为最小充电功率,Pch,max最大充电功率;
(5)充/放电状态约束,BESS不能同时充电和放电,应满足:
Bout,j(i)+Bin,j(i)≤1
其中,Bin,j(i)和Bout,j(i)都是0-1变量,分别表示BESS充放电状态;
(6)削峰负荷约束:储能进行削峰后,系统等效负荷应小于削峰后负荷峰值,即:
Pload(i,j)+Pch(i,j)-Pdis(i,j)≤Pmax,y-ΔPy
其中,Pload(i,j)为未配置储能时的实际负荷,Pmax,y为每月峰值负荷。
进一步地,所述步骤四中U1可表示为:
其中,Dj为每种典型负荷天数,Sj,1为第j种典型负荷下一天内BESS的套利收入,Sj,1的计算方式如下:
其中,πj(i)为第j种典型负荷下第i时刻的电价,Pdis,j(i)和Pch,j(i)为第j种典型负荷下第i时刻的实际放/充电功率,Δt为时段持续时间,nd为典型日当中时间段的数量。
进一步地,所述步骤四中C1为:
进一步地,所述步骤四中C2为:
进一步地,所述步骤五中评估指标具体为:
(1)BESS全寿命周期内净收益,具体为:
Umax=U1+U2-C1-C2
其中,U1为BESS“低储高放”的套利收益,U2为减少用户基本电费收益,C1为BESS初始投资成本;C2为运行维护成本。
(2)投资回收年限,具体为:
其中,C1为BESS初始投资成本;C2为运行维护成本,f1为每年的峰谷套利,f2为每年需量电费减少带来的收益。
(3)投资回报率,具体为:
其中,U为BESS全寿命周期内的净收益,C1为BESS初始投资成本;C2为运行维护成本。
进一步地,用户侧储能优化配置模型求解过程中将整个模型转化为LP(LP:Linearprogramming线性规划)问题,具体地:
其中,z为储能电池的电量。
本发明的工作原理及有益效果:首先,考虑由Fuzzy C-Means方法得到聚类中心,然后再将聚类中心作为典型日,它为每个数据点指定对各个类簇的模糊隶属度并迭代更新,经过多次尝试,该方法聚类结果稳定,波动性小,具有较低的初值敏感性;其次,以BESS全寿命周期净收益最大为目标函数建立用户侧储能优化配置模型,在模型求解过程中,将整个模型巧妙地由非线性问题转化成线性规划(LP)问题,具有求解速度快、得到的解为全局最优解的优点,同时算例结果表明该模型具有比较强的实际意义,能够有效促进储能商业化的发展。
附图说明
图1为本发明涉及的分时电价信息;
图2为本发明中对储能相关参数的设置;
图3为本发明中算例所用55个用户的最大负荷、以及求解结果——储能功率和储能容量;
图4为本发明中算例所用55个用户的配置储能之后的净收益;
图5为本发明中算例所用55个用户的回收年限与投资回报率。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明实施方式的描述中,需要说明的是,术语“内”、“外”、“上”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例1
如图1所示,基于用户侧BESS全寿命周期的储能优化配置方法,包括以下步骤:
步骤一、数据准备:设置储能成本参数和特性参数,上传实时电价数据和大工业用户一年的历史负荷数据,并且将负荷数据还原成12个月的负荷数据,本申请中选择了55个用户进行试验处理;
步骤二、典型日的获取:采用Fuzzy C-Means对每个月的负荷数据进行聚类得到聚类中心,将聚类中心作为当月的典型日负荷曲线,同时输出每个月的聚类中心所占该月天数的权重。
步骤三、优化配置模型约束条件选取:选择荷电状态(SOC)、储能SOC连续性约束、SOC循环初始与结束相等约束、充/放电功率约束、充/放电状态约束、削峰负荷约束;
步骤四、建立用户侧储能优化配置模型:以BESS全寿命周期净收益最大为目标函数,对储能配置功率和容量进行优化,具体表述为:
Umax=U1+U2-C1-C2
其中,Umax为BESS全寿命周期内的净收益最大值,U1为BESS“低储高放”的套利收益,U2为减少用户基本电费收益,C1为BESS初始投资成本,C2为运行维护成本,设置目标函数,即用每个典型日下每个时刻的储能充电功率减去放电功率得到的功率差作为峰谷套利的功率,再乘以相应的时间以及实时电价得到每个典型日的峰谷套利,由每日峰谷套利结合对应的权重计算得出每个月的峰谷套利,对每个月的峰谷套利在一年内进行求和并且考虑复利现系数得出BESS全寿命周期内的峰谷套利收益。以典型日的负荷峰值作为配置储能之前的峰值,以原典型日负荷曲线叠加上储能充放电功率之后得到的最大值为配置储能之后的负荷峰值,由此计算每月的需量电费减少带来的收益,考虑BESS单位充放电功率造价和单位容量造价,由此计算初始投资成本,考虑BESS单位充放电功率年运行维护成本,由此计算运行维护成本。
步骤五、评估指标的选取:以BESS全寿命周期内的净收益、投资回收年限和投资回报率作为决策指标为评估指标对建立的优化配置方法结果进行评估;
步骤六、求解:调用gurobi求解器进行求解,并输出求解结果,即储能配置功率、容量、BESS全寿命周期内的净收益、投资回收年限和投资回报率作为决策指标。
进一步地,所述步骤二采用的聚类方法为Fuzzy C-Means,其模糊水平m和聚类中心的数目c均设置为2。
进一步地,步骤二中具体的算法如下:
(1)初始化c个聚类中心u,指定各数据点x对于中心u的模糊隶属度μ;
(2)计算目标函数:
(3)迭代更新聚类中心及模糊隶属度:
其中,m为模糊水平,m>1,m越大最终聚类结果模糊程度越高,本申请中m取2;
(4)重复(2)、(3)直至算法收敛,收敛标志为当次迭代与上次迭代之间目标函数值的变化小于预设阈值。
进一步地,所述步骤三中选择荷电状态(SOC)约束、储能SOC连续性约束、SOC循环初始与结束相等约束、充/放电功率约束、充/放电状态约束、削峰负荷约束的计算方式分别如下:
(1)荷电状态(SOC)约束:在一个BESS充/放电周期内,BESS各时刻储能容量值应保持在一定的范围内,SOCmin和SOCmax分别对应BESS可调度储能容量上限和下限,具体为:
SOCmin≤SOCi,j≤SOCmax
设置荷电状态(SOC)约束可保证电池不过充过放。
(2)储能SOC连续性约束,具体为:
其中,ηc和ηd为BESS的充/放电效率,通过设置储能SOC连续性约束可保证电池电量的连续性变化。
(3)SOC循环初始与结束相等约束,具体为:
设置SOC循环初始与结束相等约束可保证电池第二天的正常运行。
(4)充/放电功率约束,具体为:
其中,Pdis,min为最小放电功率,Pdis,max为最大放电功率,Pch,min为最小充电功率,Pch,max最大充电功率,通过充/放电功率约束可保证电池充放电功率不超过其额定值。
(5)充/放电状态约束,BESS不能同时充电和放电,应满足:
Bout,j(i)+Bin,j(i)≤1
其中,Bin,j(i)和Bout,j(i)都是0-1变量,分别表示BESS充放电状态。
(6)削峰负荷约束:储能进行削峰后,系统等效负荷应小于削峰后负荷峰值,即:
Pload(i,j)+Pch(i,j)-Pdis(i,j)≤Pmax,y-ΔPy
其中,Pload(i,j)为未配置储能时的实际负荷,Pmax,y为每月峰值负荷,设置削峰负荷约束,保证储能进行削峰后,系统等效负荷应小于削峰后负荷峰值。
进一步地,所述步骤四中U1可表示为:
其中,Dj为每种典型负荷天数,Sj,1为第j种典型负荷下一天内BESS的套利收入,Sj,1的计算方式如下:
其中,πj(i)为第j种典型负荷下第i时刻的电价,Pdis,j(i)和Pch,j(i)为第j种典型负荷下第i时刻的实际放/充电功率,Δt为时段持续时间,nd为典型日当中时间段的数量。
进一步地,所述步骤四中C1为:
进一步地,所述步骤四中C2为:
进一步地,所述步骤五中评估指标具体为:
(1)BESS全寿命周期内净收益,具体为:
Umax=U1+U2-C1-C2
其中,U1为BESS“低储高放”的套利收益,U2为减少用户基本电费收益,C1为BESS初始投资成本;C2为运行维护成本。
(2)投资回收年限,具体为:
其中,C1为BESS初始投资成本;C2为运行维护成本,f1为每年的峰谷套利,f2为每年需量电费减少带来的收益。
(3)投资回报率,具体为:
其中,U为BESS全寿命周期内的净收益,C1为BESS初始投资成本;C2为运行维护成本。
进一步地,用户侧储能优化配置模型求解过程中将整个模型转化为LP(LP:Linearprogramming线性规划)问题,具体地:
其中,z为储能电池的电量。
(2)充/放电功率约束含有非线性项,处理方式为:先将Bout,j(i)+Bin,j(i)≤1删除,删去的原因在于模型的目标函数是净收益最大化,在模型求解过程中求解器自然会避开电池同时充放电的状态,否则不能达到净收益最大的目标,进而可以避免二进制变量Bin和Bout的引入,充/放电功率约束进而转化为
本发明在得到每月典型日的基础上,根据两部制工业用电电价计量方法,并考虑电价的日内分时段变化及季节性变化,由此计算每月的峰谷套利。并且以典型日的负荷峰值作为配置储能之前的峰值,以原典型日负荷曲线叠加上模型计算得出的储能充放电功率之后得到的最大值为配置储能之后的负荷峰值,由此计算每月的需量电费减少带来的收益。考虑BESS单位充放电功率造价和单位容量造价,由此计算初始投资成本。考虑BESS单位充放电功率年运行维护成本,由此计算运行维护成本。
本发明的工作原理及有益效果:首先,考虑由Fuzzy C-Means方法得到聚类中心,然后再将聚类中心作为典型日,它为每个数据点指定对各个类簇的模糊隶属度并迭代更新,经过多次尝试,该方法聚类结果稳定,波动性小,具有较低的初值敏感性;其次,以BESS全寿命周期净收益最大为目标函数建立用户侧储能优化配置模型,在模型求解过程中,将整个模型巧妙地由非线性问题转化成线性规划(LP)问题,具有求解速度快、得到的解为全局最优解的优点,同时算例结果表明该模型具有比较强的实际意义,能够有效促进储能商业化的发展,图2为本发明对存能相关参数的设置,图3为本发明所选择的55个用户的最大负荷以及求解结果——储能功率和储能容量曲线,图4中可看出本申请中所选择的55个用户的净收益情况,图5为本发明中可以看出采用本发明的方法计算得到的55个用户的回收年限与投资回报率。
由技术常识可知,本发明可以通过其他的不脱离其精神实质或必要特征的实施方案来实现。因此,上述公开的实施方案,就各方面而言,都只是举例说明,并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (10)
1.基于用户侧BESS全寿命周期的储能优化配置方法,其特征在于,包括以下步骤:
步骤一、设置储能成本参数和特性参数,上传实时电价数据和大工业用户一年的历史负荷数据,并且将负荷数据还原成12个月的负荷数据;
步骤二、对每个月的负荷数据进行聚类得到聚类中心,将聚类中心作为当月的典型日负荷曲线,同时输出每个月的聚类中心所占该月天数的权重,以计算目标函数;
步骤三、选择荷电状态SOC、储能SOC连续性约束、SOC循环初始与结束相等约束、充/放电功率约束、充/放电状态约束和削峰负荷约束这六个约束条件来优化通过目标函数建立的模型:
步骤四、以BESS全寿命周期净收益最大为目标函数来建立模型,对储能配置功率和容量进行优化;
步骤五、以BESS全寿命周期内的净收益、投资回收年限和投资回报率作为决策指标为评估指标对步骤四中储能配置功率和容量优化结果进行评估;
步骤六、求解,并输出求解结果。
3.根据权利要求2所述的基于用户侧BESS全寿命周期的储能优化配置方法,其特征在于,模糊水平m和聚类中心的数目c均设置为2。
4.根据权利要求1所述的基于用户侧BESS全寿命周期的储能优化配置方法,其特征在于,所述步骤三中选择荷电状态(SOC)约束、储能SOC连续性约束、SOC循环初始与结束相等约束、充/放电功率约束、充/放电状态约束、削峰负荷约束的计算方式分别如下:
(1)在一个BESS充/放电周期内,BESS各时刻储能容量值应保持在一定的范围内,具体为:
SOCmin≤SOCi,j≤SOCmax
其中,SOCmin和SOCmax分别对应BESS可调度储能容量上限和下限,SOCi,j为i时刻第j种典型负荷下的储能容量值;
(2)储能SOC连续性约束,具体为:
其中,ηc和ηd为BESS的充/放电效率,SOCi,j为i时刻第j中典型负荷下的储能容量值,SOCi+1,j为i+1时刻第j种典型负荷下的储能容量值,Pdis,j(i)和Pch,j(i)分别为第j种典型负荷下第i时刻的实际放电功率和充电功率,Δt为时段的持续时间;
(3)SOC循环初始与结束相等约束,具体为:
(4)充/放电功率约束,具体为:
其中,Pdis,min为最小放电功率,Pdis(i)第i时刻的放电功率,Pdis,max为最大放电功率,Pch,min为最小充电功率,Pch(i)第i时刻的充电功率,Pch,max最大充电功率;
(5)充/放电状态约束,BESS不能同时充电和放电,应满足:
Bout,j(i)+Bin,j(i)≤1
其中,Bin,j(i)和Bout,j(i)都是0-1变量,分别表示BESS充放电状态;
(6)储能进行削峰后,系统等效负荷应小于削峰后负荷峰值,即:
Pload(i,j)+Pch(i,j)-Pdis(i,j)≤Pmax,y-ΔPy
其中,Pload(i,j)为未配置储能时的实际负荷,Pmax,y为每月峰值负荷。
5.根据权利要求1所述的基于用户侧BESS全寿命周期的储能优化配置方法,其特征在于,目标函数具体表述为:
Umax=U1+U2-C1-C2
其中,Umax为BESS全寿命周期内的净收益最大值,U1为BESS“低储高放”的套利收益,U2为减少用户基本电费收益,C1为BESS初始投资成本,C2为运行维护成本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011461656.5A CN112508287B (zh) | 2020-12-11 | 2020-12-11 | 基于用户侧bess全寿命周期的储能优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011461656.5A CN112508287B (zh) | 2020-12-11 | 2020-12-11 | 基于用户侧bess全寿命周期的储能优化配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508287A true CN112508287A (zh) | 2021-03-16 |
CN112508287B CN112508287B (zh) | 2023-10-13 |
Family
ID=74972528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011461656.5A Active CN112508287B (zh) | 2020-12-11 | 2020-12-11 | 基于用户侧bess全寿命周期的储能优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508287B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113315148A (zh) * | 2021-07-08 | 2021-08-27 | 傲普(上海)新能源有限公司 | 机组系统调频中储能系统的容量配置方法和系统 |
CN113469436A (zh) * | 2021-06-30 | 2021-10-01 | 深圳供电局有限公司 | 一种城市电网侧储能规划方法 |
CN113629705A (zh) * | 2021-08-06 | 2021-11-09 | 河海大学 | 一种用户侧储能优化配置方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20190079473A1 (en) * | 2017-09-13 | 2019-03-14 | Johnson Controls Technology Company | Building energy system with stochastic model predictive control and demand charge incorporation |
CN112001598A (zh) * | 2020-07-28 | 2020-11-27 | 四川大学 | 基于储能选型的不同用户储能配置评估与运行优化方法 |
-
2020
- 2020-12-11 CN CN202011461656.5A patent/CN112508287B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20190079473A1 (en) * | 2017-09-13 | 2019-03-14 | Johnson Controls Technology Company | Building energy system with stochastic model predictive control and demand charge incorporation |
CN112001598A (zh) * | 2020-07-28 | 2020-11-27 | 四川大学 | 基于储能选型的不同用户储能配置评估与运行优化方法 |
Non-Patent Citations (1)
Title |
---|
修晓青;唐巍;马健;: "用于储能容量配置的典型负荷曲线提取方法", 太阳能学报, no. 08 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469436A (zh) * | 2021-06-30 | 2021-10-01 | 深圳供电局有限公司 | 一种城市电网侧储能规划方法 |
CN113315148A (zh) * | 2021-07-08 | 2021-08-27 | 傲普(上海)新能源有限公司 | 机组系统调频中储能系统的容量配置方法和系统 |
CN113629705A (zh) * | 2021-08-06 | 2021-11-09 | 河海大学 | 一种用户侧储能优化配置方法 |
CN113629705B (zh) * | 2021-08-06 | 2023-08-01 | 河海大学 | 一种用户侧储能优化配置方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112508287B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738497B (zh) | 计及需求侧响应的虚拟电厂双层优化调度方法 | |
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 | |
CN112103946B (zh) | 一种基于粒子群算法的微电网储能优化配置方法 | |
CN112508287A (zh) | 基于用户侧bess全寿命周期的储能优化配置方法 | |
CN112465181A (zh) | 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法 | |
CN111525627B (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 | |
CN112564152B (zh) | 一种面向充电站运营商的储能优化配置方法 | |
CN112270433B (zh) | 考虑可再生能源不确定性和用户满意度的微电网优化方法 | |
CN110796373B (zh) | 面向风电消纳的多阶段场景生成电热系统优化调度方法 | |
CN114938035B (zh) | 考虑储能退化成本的共享储能能量调度方法及系统 | |
CN112288130B (zh) | 一种基于两阶段多目标优化的新能源消纳计算方法 | |
CN114358378A (zh) | 一种用于考虑需量管理的用户侧储能优化配置系统及方法 | |
CN111082446B (zh) | 一种考虑电池自消耗的储能优化配置方法 | |
CN116244567B (zh) | 基于激励的配电网多阶段增量规划方法及系统 | |
CN112801343A (zh) | 一种计及多气象场景适应成本的储能系统容量规划方法 | |
Han et al. | Analysis of economic operation model for virtual power plants considering the uncertainties of renewable energy power generation | |
CN115600757A (zh) | 海上风电共享储能参与现货市场交易协调优化方法及系统 | |
CN115829141A (zh) | 一种基于短期智能电表数据的储能系统优化配置方法 | |
CN113283166B (zh) | 一种退役动力电池剩余价值优化方法 | |
CN115204944A (zh) | 一种计及全寿命周期的储能最优峰谷价差测算方法及装置 | |
CN112865101A (zh) | 一种考虑可再生能源出力不确定性的线性化交易方法 | |
CN111859605A (zh) | 一种计及全寿命周期经济性的梯次电池储能容量配置方法 | |
CN113158412A (zh) | 一种基于布谷鸟算法的光储电站协同优化方法 | |
CN111027757A (zh) | 一种基于皮亚诺曲线降维的用户侧储能优化配置方法 | |
CN113725917B (zh) | 一种抽蓄电站向电网提供多时间尺度备用的优化建模方法 |
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 |