CN112671035A - 一种基于风电预测的虚拟电厂储能容量配置方法 - Google Patents
一种基于风电预测的虚拟电厂储能容量配置方法 Download PDFInfo
- Publication number
- CN112671035A CN112671035A CN202011517754.6A CN202011517754A CN112671035A CN 112671035 A CN112671035 A CN 112671035A CN 202011517754 A CN202011517754 A CN 202011517754A CN 112671035 A CN112671035 A CN 112671035A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power
- power plant
- wind power
- wind
- 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.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010248 power generation Methods 0.000 claims abstract description 54
- 230000008901 benefit Effects 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims abstract description 9
- 238000013178 mathematical model Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000005611 electricity Effects 0.000 claims description 16
- 238000012423 maintenance Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 239000003344 environmental pollutant Substances 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 231100000719 pollutant Toxicity 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 238000009833 condensation Methods 0.000 claims description 8
- 239000003245 coal Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000005494 condensation Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000000356 contaminant Substances 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000007599 discharging Methods 0.000 claims description 2
- 238000005485 electric heating Methods 0.000 claims description 2
- 230000014509 gene expression Effects 0.000 claims description 2
- 238000005067 remediation Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于风电预测的虚拟电厂储能容量配置方法，包括以下步骤，分析虚拟电厂各主体的运行特性，包括热电联产机组、储能装置、风光发电，建立各主体运行的数学模型；使用场景法模拟描述风力发电不确定性，作为风电实际出力参与储能装置配置优化；采用粒子群算法求解，进行虚拟电厂储能装置容量优化配置；能够预测各时段风力大小的情况下，为热电机组在各时段的出力情况的如何分配也提供了依据；在满足供热需求的情况下，将风力发电与火力发电结合同时满足供电需求也提高了风电的上网空间；储能装置容量合理的配置，使整个虚拟电厂的经济效益达到最高。
Description
技术领域
本发明属于包含清洁能源出力的电网系统调度领域，特别是涉及一种基于风电预测的虚拟电厂储能容量配置方法
背景技术
我国环境污染、气候变化和能源短缺等问题日益严重，如何高效解决这些问题，减少不可再生能源的消耗，以及如何加大风电机组和光伏等新能源的发电，已经成为现代电力发展的主流研究方向。根据我国目前电力系统的发展现状，火电机组仍是主要发电方式，大量的可再生能源被废弃不能并网使用。随着风电等新能源发电的发展速度加快、规模迅速扩大，将新能源高效接入电网已经成为未来新能源发展取得进一步成就的关键，这就需要解决电力系统过度依赖传统能源的问题，提高能源的利用效率和加大风电等可再生能源的消纳。利用通讯系统突破地域限制的虚拟电厂就是解决新能源消纳问题和提高新能源利用效率的有效方式，虚拟电厂将多种分布式能源整合成一个整体，既能发挥每种分布式能源的特性，又可以发挥他们相互协调配合后对配电网和输电网的管理和辅助作用。在保证电力能源供应稳定的前提下，可以减少对传统不可再生能源的消耗，提高电力系统调峰的灵活性。
虚拟电厂(virtual power plant，VPP)技术可为热电联合调度问题提供解决方法，通过聚集CHP机组、储能系统、清洁能源发电以及各种负荷，将电力系统与热力系统融合统一调度，实现热、电系统之间的协调优化，可同时减少清洁能源发电的波动，充分消纳风力发电和光伏发电，提高可再生能源的利用率，提高系统的经济效益，促进电力系统的安全稳定运行。
热电解耦是改变热电联产机组传统的“以热定电”工作模式的重要方法，对虚拟电厂的热电联合优化调度有着关键作用,配置储能装置可以实现热电解耦，对优化调度有着重要意义。
通过对风力发电功率和所需热负荷进行对比可以发现：在风力发电功率最大值出现的时段恰好为热负荷需求最大出现的时段，同时，电负荷需求也是全天最低的时期。由于热电机组工作在“以热定电”的模式下，所以当热负荷需求增大，会同时导致电功率增加，在电网电负荷处于低谷的情况下，热电机组的电功率增加，必然会导致风力发电的上网空间被压缩，大量风电不能并网，导致弃风现象严重。现有虚拟电厂热电联合系统配置时还未能充分考虑风光能源的不确定性，配置储能装置技术尚不完善。
发明内容
为了克服以上现有生产中技术的不足，提供了一种基于风电预测的虚拟电厂储能容量配置方法。
一种基于风电预测的虚拟电厂储能容量配置方法，其特征在于，包括以下步骤，
步骤1：建立电网架构包含风力发电设备、热电联产机组、储能装置的虚拟电厂和同时具备电需求响应及热需求响应的用户侧；
步骤2：分析虚拟电厂各主体的运行特性，包括热电联产机组、储能装置、风力发电，建立各主体运行的数学模型；
步骤3：使用场景法模拟描述风力发电不确定性，得到若干风力模拟误差的场景以及相应的场景概率，并将各个场景分别与场景概率加权相加得到预测风力，作为风电实际出力参与储能装置配置优化；
步骤4：确定系统目标函数以及约束条件；
步骤5：采用粒子群算法求解，进行虚拟电厂储能装置容量优化配置。
本发明的有益效果是：采用场景分析法建立风力发电的模型，描述风电的不确定性,能够预测各时段风力大小的情况下，为热电机组在各时段的出力情况的如何分配也提供了依据；在满足供热需求的情况下，将风力发电与火力发电结合同时满足供电需求也提高了风电的上网空间。储能装置容量合理的配置，使整个虚拟电厂的经济效益达到最高。
附图说明
图1为配置方法流程图；
图2为供热机组参数曲线图；
图3为场景法流程图；
图4为风力模拟误差场景集；
图5为风力预测曲线；
具体实施方式
下面结合附图对本发明作进一步描述，应当理解，此处所描述的内容仅用于说明和解释本发明，并不用于限定本发明。
配置方法流程包括以下步骤：
步骤1：建立电网架构包含风力发电设备、热电联产机组、储能装置的虚拟电厂和同时具备电需求响应及热需求响应的用户侧；
步骤2：分析虚拟电厂各主体的运行特性，包括热电联产机组、储能装置、风力发电，建立各主体运行的数学模型；
步骤3：使用场景法模拟描述风力发电不确定性，得到若干风力模拟误差的场景以及相应的场景概率，并将各个场景分别与场景概率加权相加得到预测风力，作为风电实际出力参与储能装置配置优化；
步骤4：确定系统目标函数以及约束条件；
步骤5：采用粒子群算法求解，进行虚拟电厂储能装置容量优化配置。
所述步骤2中对各主体进行建模。
进行供能侧主体建模。包括抽凝式供热机组、蓄电池组、风力发电。
1)抽凝式供热机组
如图2所示运行特性曲线，当热出力一定时，其电出力可在一定范围内波动。
2)蓄电池组
蓄电池组作为储能装置，在电与热之间相互转换能量，储存其多余的电能，在储能装置内储存起来，经一系列转化释放出热量，使在风力发电丰富的时期，可以减少对热电机组的供热需求，即降低了热电机组的出力，增大了风电的并入电网空间。
蓄电池运行时，其荷电状态(SOC)值可计算建模。
蓄电池在运行过程中产生的成本来自于电池老化造成的损失，电池的运行寿命由电池的放电深度(DoD)值决定，放电深度(DoD)值可计算建模。
蓄电池循环寿命可计算建模。
3)风力发电模拟
风速受到季节、地形、天气等复杂原因的影响而具有随机性和波动性，从而导致风电机组出力的不确定性。通过大量风速测量历史数据的统计研究表明，虽然风速具有随机性和间歇性，但某一段时间内的风速大小可以近似用威布尔分布来描述，因此风速概率密度函数可以用威布尔分布函数表示如下：
针对第i台风电机组t时刻的输出功率可计算建模。
所述步骤3中使用场景法进行风力不确定性描述。
研究风电机组的出力特点和规律，针对风电的不确定性，对风电的发电能力进行预测。风电预测精度越高,虚拟电厂的经济效益越好。在能够预测各时段风力大小的情况下，为热电机组在各时段的出力情况的分配方法提供依据，在满足供热需求的情况下，将风力发电与火力发电结合，同时满足供电需求，提高风电的上网空间。
在统计大量的历史数据的基础上，考虑对天气预测等因素，对风力发电进行预测，风力发电的预测值往往和实际发电情况存在着不可避免的随机误差。场景生成根据风电不确定性的概率模型通过随机抽样，获得用于电力系统分析的大规模风力发电场景，随机抽样的过程就是场景生成的过程。但采用随机抽样会得到大量的场景，将会显著增加热电联合优化调度的计算量，使系统变得较为复杂，不利于优化，需要削减场景的数量。但是场景的减少同时降低了风力发电预测的精确性，把大量的风电场景集合缩减为少量具有代表性的场景集合，该较小的场景集合中含有较大概率发生的场景，这个过程是场景削减的过程，可以降低计算的复杂程度。通过小样本的分析和优化，尽可能得到较为准确的不确定性风力发电预测值，在最大程度上满足对电网调度的提前规划。
如图3所示，场景法包括如下过程：
1)采用LHS采集技术初始化生成样本矩阵A。
Step1：将风出力模拟误差概率分布函数F等分为N个概率区间，即
Step2：在每个概率区间中随机抽取一个采样点得到一个概率值，记为：
r为[0,1]的随机值。
Step3：利用分布函数F反函数求解得到样本值，即xi＝F-1(R)，生成样本矩阵A。
Step4：判断样本值与模拟均值两者代数相加是否超过上下限，若超过上下限，则样本值置为上下限值。
2)采用Cholesky分解样本矩阵，得到相到独立的场景矩阵B。
Step1：每小时对应随机生成并打乱的N个序列号，即L＝randperm(N)。
Step2：求解由风出力各个小时打乱的序列号所组成的矩阵L2T×N的相关系数矩阵S，并对矩阵S进行Cholesky分解，即S＝DDT。
Step3：生成单位矩阵G，G＝D-1L2T×N，此时单位矩阵G中每行元素都是相互独立的。
Step4：对生成的独立矩阵G进行排序，按照G矩阵的排序方式重新对采样矩阵A排序得到相互独立的场景矩阵B。
3)基于同步回代法削减场景
理论上将生成的场景越多，模拟的结果越准确，但同时也加大了系统计算的时间，占用系统过多的计算资源。为同时保证计算精确度和计算效率，将相似场景合并，用较少的场景模拟随机变量的分布情况，这样既保证所选场景反映原样本集合元素的分布情况，又提高了计算效率。可采用同步回代法进行削减场景。
同步回代法削减场景具体实现方法如下：
Step1：计算经LHS采样技术得到的场景矩阵B中不同场景向量之间的欧式距离
DTi,j＝||Bi-Bj||,i≠j
Step2：设定每个场景概率为
计算最小欧氏距离的两个场景之间的概率距离
ρDTi＝min{DTi,j|i≠j}×ρi
Step3:选择两个最小概率距离的场景进行削减并更新场景矩阵和场景概率，ρi＝ρi+ρj，N＝N-1，重复上述步骤直到场景数达到目标值。
运算结果如图4所示，利用场景法描述了风力的不确定性，得到10个风力模拟误差场景集以及场景概率，将各个场景分别与场景概率加权相加得到期望风力。
所述步骤4中确定系统目标函数、以及约束条件；
1、目标函数
传统调度模式以整个系统消耗的煤量最少为优化目标，而非经济效益，即没有考虑利益收入和其他损耗的成本，但虚拟电厂作为一个利益整体，以虚拟电厂在一个运行周期内的经济效益最大为目标，更能凸显虚拟电厂的特点。虚拟电厂的成本包含：发电和供热时消耗的燃料成本、投资建设热电厂的成本、投资建设储能装置的成本、风电场的发电成本、各设备日常运行维护的成本和运行过程中处理污染物的成本；虚拟电厂的收益主要为向供热用户收取的供热费用和向电网公司收取的售电费用。综合考虑以上因素，建立以一个以抽汽凝汽式热电机组为主的热电厂、一个风电厂和一个储能装置聚合成的虚拟电厂，其收益为目标函数，如下：
式中，F为虚拟电厂在一天中的净收益；k表示时间序列，其余各项表示的含义如下：
(1)
为虚拟电厂的总收入，包括了售电收入和售热收入：
式中，β为虚拟电厂向电网售电的价格；η为虚拟电厂向出售热能的价格；
(2)
为虚拟电厂运行时煤耗所需的成本：
式中，σ为煤炭的实际价格；
(3)
为虚拟电厂运行时，排放污染物的环保成本，将该成本抽象为与电功率和热功率有关的表达式：
式中，n为污染物种类，vi为第i项污染物的环境治理成本，di为热电机组单位出力的第i项污染物的排放量，vci为热电机组排放第i项污染物的惩罚成本；
(4)
为风电机组的发电成本：
式中，cw为风电经济寿命期内的平均发电成本，单位为RMB/Mwh，该成本不仅包含风电厂的建设投资成本，还包括运行维护成本，综合反映风力发电的经济性；
(5)Cei为储能装置日运行的维护成本：
式中，ρe为建造储能装置的单位容量的成本，单位为万RMB/Mwh；x为储能装置的容量大小，m为储能装置所使用的年限；
(6)Cci为热电厂日运行的维护成本，电厂运行的维护成本是发电成本中的一部分,电厂所消耗的水、用于电锅炉的电费、职工的工资、福利等都是电厂的运行维护成本所需要考虑的问题，电厂的投资建设也需要成本，都应该考虑在运行维护成本的范围内。
n为电厂的经济适用寿命；ρc是建设热电厂的单位容量成本，单位为万RMB/Mwh；Pc为热电厂的总装机容量；s为电能从发电机末端到售电结算点之间的损失率；χ为电厂发电总成本中运行维护成本所占的比例。
2、约束条件
(1)供电平衡：
式中，
为热电机组k时段内的发电功率，
为风电场k时段内的发电功率，Pk为系统k时段内的电负荷预测值，
为储能装置k时段内的消耗的电量；
(2)供热平衡：
式中，
为k时段内的储能装置的提供的热量，
为k时段内的热电机组提供的热量，Qk为k时段内热负荷的预测值；
(3)风电平衡：
式中，
为k时段内的弃风量，
为k时段内的预测风电功率；
(4)热电机组电出力约束：
(5)热电机组热出力约束：
(6)储能转换：
式中，α为储能装置的热电转换效率；
(7)储能装置容量约束：
(8)抽凝式热电机组热功率、电功率运行特性约束：
目前，对于抽凝式热电机组，电网调度侧通常根据热电机组“以热定电”的工作方式安排其出力情况，在热负荷需求确定的情况下，在热电机组安全运行的区间内，满足热电比的要求，分配各抽凝式热电机组的发电情况。此时，机组电热出力之间的关系为：
式中，m为电网调度侧对抽凝式热电机组要求的热电比，即为cm，为了使抽凝式热电机组的能源利用效率最高，将热电机组的运行约束设为效率最高的最小凝汽运行曲线上。
下面提供一优化实施例，虚拟电厂包含一个热电厂、一个风电场和一个储能装置，为了简化算法，设置热电厂为一台抽凝式热电机组，风电场中包含20台风电机组，总容量为50MW，储能装置的容量待确定，它可以将多余的热量储存起来，在风电丰富的时候释放热量，减少电出力，增大风电的上网空间，在容量配置合理时可以在能源利用效率达到最优的同时，虚拟电厂的整体经济效益也达到最好。
相关计算参数：
表1污染物的环保成本计算参数
抽凝汽式热电机组的装机容量为100MW，机组的煤耗量、电功率、热功率的出力区间如下：
70≤Pchp≤100
28≤Qchp≤140
虚拟电厂向供热网络售热的单价为90RMB/Mwh，虚拟电厂向电网售电的单价为350RMB/Mwh，煤的实际价格为0.5RMB/kg，抽凝汽式热电机组的热电比取通常值3.463；风力发电机组的平均发电成本取430RMB/Mwh，储能装置的转换效率为90％，储能装置的单位容量造价大约为300万RMB/Mwh，热电厂单位容量造价为458.9万RMB/Mwh，经济寿命为60年，运行维护费用比例为15％。
针对已构建的目标函数和约束函数，将各参数带入方程中，运用粒子群算法，利用随机函数，从任意随机解出发，跟踪个体极值和全局极值，根据每个粒子适应度值不断更新自身的速度和位置，迭代寻找最优解，通过适应度来判断解的品质，追随当前解搜索到全局最优解。根据求解所需要的特性：将惯性权重设置较大值发挥粒子群算法的全局搜索能力，使求得的解为全局最优解，且在0.8时也具有较好的收敛速度；将自我学习因子与群体学习因子设置为相同的数值，确保个体经验与群体经验同等影响。
优化算法参数设置为：种群规模为50，迭代次数为500，惯性权重为1，自我学习因子为2，群体学习因子为2。
通过以上优化方法，可以得出当经济效益达到最大时的储能装置最佳容量，储能装置容量小会牺牲风电场的输出功率的稳定性，储能装置容量大可以实现风电场的稳定输出，但相应成本增大。
可验证储能装置容量对经济效益的影响，进行对比分析，得出如下表所示：
表2不同容量时虚拟电厂经济效益
由上述表格分析可知，在储能装置容量配置合理的时候，既可以合理利用能源，又可以提高虚拟电厂的经济效益。通过对比容量过大时的经济效益，可以发现：储能装置中过多的部分很少被使用，但依旧要承担高昂的制造费用和维护费用，未能从整个宏观大局的角度考虑配置，造成了不必要的浪费；对比容量过低时的经济效益，可以发现：储能装置的容量较少，会使新能源和火力发电剩余部分的电能未能进入电网，亦不可被存储起来，未达到利用储能装置提高能源的利用，使多余的能源得以流通起来。储能装置的合理配置对新能源并网空间的提高起着重要的作用。
最后应说明的是：以上所述仅为本发明的解释，并不用于限制本发明，尽管对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于风电预测的虚拟电厂储能容量配置方法，其特征在于，包括以下步骤，
步骤1：建立电网架构包含风力发电设备、热电联产机组、储能装置的虚拟电厂和同时具备电需求响应及热需求响应的用户侧；
步骤2：分析虚拟电厂各主体的运行特性，包括热电联产机组、储能装置、风力发电，建立各主体运行的数学模型；
步骤3：使用场景法模拟描述风力发电不确定性，得到若干风力模拟误差的场景以及相应的场景概率，并将各个场景分别与场景概率加权相加得到预测风力，作为风电实际出力参与储能装置配置优化；
步骤4：确定系统目标函数以及约束条件；
步骤5：采用粒子群算法求解，进行虚拟电厂储能装置容量优化配置。
2.根据权利要求1所述的考基于风电预测的虚拟电厂储能容量配置方法，其特征在于，步骤2中模型构建包括，抽凝式供热机组、蓄电池组、风力发电。
3.根据权利要求1所述的基于风电预测的虚拟电厂储能容量配置方法，其特征在于，
使用场景法描述风力不确定性包括如下步骤：
步骤1)采用LHS采集技术初始化生成样本矩阵A；
步骤2)采用Cholesky分解样本矩阵，得到相到独立的场景矩阵B；
步骤3)基于同步回代法削减场景。
4.根据权利要求3所述的基于风电预测的虚拟电厂储能容量配置方法，其特征在于，
步骤1)中包括：
Step1：将风光出力模拟误差概率分布函数F等分为N个概率区间，即
Step2：在每个概率区间中随机抽取一个采样点得到一个概率值，记为：
r为[0,1]的随机值。
Step3：利用分布函数F反函数求解得到样本值，即xi＝F-1(R)，生成样本矩阵A。
Step4：判断样本值与模拟均值两者代数相加是否超过上下限，若超过上下限，则样本值置为上下限值。
5.根据权利要求3所述的基于风电预测的虚拟电厂储能容量配置方法，其特征在于，
步骤2)中包括：
Step1：每小时对应随机生成并打乱的N个序列号，即L＝randperm(N)。
Step2：求解由风光出力各个小时打乱的序列号所组成的矩阵L2T×N的相关系数矩阵S，并对矩阵S进行Cholesky分解，即S＝DDT。
Step3：生成单位矩阵G，G＝D-1L2T×N，此时单位矩阵G中每行元素都是相互独立的。
Step4：对生成的独立矩阵G进行排序，按照G矩阵的排序方式重新对采样矩阵A排序得到相互独立的场景矩阵B。
6.根据权利要求3所述的基于风电预测的虚拟电厂储能容量配置方法，其特征在于，
步骤3)中包括：
Step1：计算经LHS采样技术得到的场景矩阵B中不同场景向量之间的欧式距离
DTi,j＝||Bi-Bj||,i≠j
Step2：设定每个场景概率为
计算最小欧氏距离的两个场景之间的概率距离
ρDTi＝min{DTi,j|i≠j}×ρi
Step3:选择两个最小概率距离的场景进行削减并更新场景矩阵和场景概率，ρi＝ρi+ρj，N＝N-1，重复上述步骤直到场景数达到目标值。
7.根据权利要求1所述的基于风电预测的虚拟电厂储能容量配置方法，其特征在于，
目标函数如下：
式中，F为虚拟电厂在一天中的净收益；k表示时间序列，其余各项表示的含义如下：
(1)
为虚拟电厂的总收入，包括了售电收入和售热收入：
式中，β为虚拟电厂向电网售电的价格；η为虚拟电厂向出售热能的价格；
(2)
为虚拟电厂运行时煤耗所需的成本：
式中，σ为煤炭的实际价格；
(3)
为虚拟电厂运行时，排放污染物的环保成本，将该成本抽象为与电功率和热功率有关的表达式：
式中，n为污染物种类，vi为第i项污染物的环境治理成本，di为热电机组单位出力的第i项污染物的排放量，vci为热电机组排放第i项污染物的惩罚成本；
(4)
为风电机组的发电成本：
式中，cw为风电经济寿命期内的平均发电成本，单位为RMB/Mwh，该成本不仅包含风电厂的建设投资成本，还包括运行维护成本，综合反映风力发电的经济性；
(5)Cei为储能装置日运行的维护成本：
式中，ρe为建造储能装置的单位容量的成本，单位为万RMB/Mwh；x为储能装置的容量大小，m为储能装置所使用的年限；
(6)Cci为热电厂日运行的维护成本，电厂运行的维护成本是发电成本中的一部分,电厂所消耗的水、用于电锅炉的电费、职工的工资、福利等都是电厂的运行维护成本所需要考虑的问题，电厂的投资建设也需要成本，都应该考虑在运行维护成本的范围内。
n为电厂的经济适用寿命；ρc是建设热电厂的单位容量成本，单位为万RMB/Mwh；Pc为热电厂的总装机容量；s为电能从发电机末端到售电结算点之间的损失率；χ为电厂发电总成本中运行维护成本所占的比例。
8.根据权利要求1所述的基于风电预测的虚拟电厂储能容量配置方法，其特征在于，
约束条件如下：
(1)供电平衡：
式中，
为热电机组k时段内的发电功率，
为风电场k时段内的发电功率，Pk为系统k时段内的电负荷预测值，
为储能装置k时段内的消耗的电量；
(2)供热平衡：
式中，
为k时段内的储能装置的提供的热量，
为k时段内的热电机组提供的热量，Qk为k时段内热负荷的预测值；
(3)风电平衡：
式中，
为k时段内的弃风量，
为k时段内的预测风电功率；
(4)热电机组电出力约束：
(5)热电机组热出力约束：
(6)储能转换：
式中，α为储能装置的热电转换效率；
(7)储能装置容量约束：
(8)抽凝式热电机组热功率、电功率运行特性约束：
机组电热出力之间的关系为：
式中，m为电网调度侧对抽凝式热电机组要求的热电比，即为cm，为了使抽凝式热电机组的能源利用效率最高，将热电机组的运行约束设为效率最高的最小凝汽运行曲线上。
9.根据权利要求1所述的基于风电预测的虚拟电厂储能容量配置方法，其特征在于，步骤5中采用粒子群算法实现算法求解，优化算法参数设置为：种群规模为50，迭代次数为500，惯性权重为1，自我学习因子为2，群体学习因子为2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011517754.6A CN112671035A (zh) | 2020-12-21 | 2020-12-21 | 一种基于风电预测的虚拟电厂储能容量配置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011517754.6A CN112671035A (zh) | 2020-12-21 | 2020-12-21 | 一种基于风电预测的虚拟电厂储能容量配置方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112671035A true CN112671035A (zh) | 2021-04-16 |
Family
ID=75406662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011517754.6A Pending CN112671035A (zh) | 2020-12-21 | 2020-12-21 | 一种基于风电预测的虚拟电厂储能容量配置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112671035A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113315242A (zh) * | 2021-05-31 | 2021-08-27 | 天津大学 | 基于氢能经济促进弃风消纳的虚拟弃风-制氢联合体 |
| CN113553714A (zh) * | 2021-07-27 | 2021-10-26 | 国网河南省电力公司电力科学研究院 | 限风情况下基于预测信息的风电场切风量计算方法及装置 |
| CN114336591A (zh) * | 2021-11-24 | 2022-04-12 | 华能新能源股份有限公司 | 一种风电场混合储能综合优化配置方法 |
| CN116992242A (zh) * | 2023-09-26 | 2023-11-03 | 华北电力大学 | 一种火电-储能联合检修优化方法、系统及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180240048A1 (en) * | 2015-09-30 | 2018-08-23 | China Electric Power Research Institute Company Limited | Method and device for modeling a long-time-scale photovoltaic output time sequence |
| CN108960510A (zh) * | 2018-07-04 | 2018-12-07 | 四川大学 | 一种基于两阶段随机规划的虚拟电厂优化交易策略模型 |
| CN109066769A (zh) * | 2018-07-20 | 2018-12-21 | 国网四川省电力公司经济技术研究院 | 风电全消纳下虚拟电厂内部资源调度控制方法 |
| CN110516851A (zh) * | 2019-08-05 | 2019-11-29 | 华北电力大学 | 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法 |
| CN110571867A (zh) * | 2019-09-18 | 2019-12-13 | 东北大学 | 一种计及风电不确定性的虚拟电厂日前优化调度系统方法 |
| CN111262242A (zh) * | 2020-03-03 | 2020-06-09 | 上海电力大学 | 基于多场景技术的冷热电虚拟电厂运行方法 |
| CN111327048A (zh) * | 2020-02-26 | 2020-06-23 | 华北电力大学 | 一种含三端snop的配电网鲁棒运行优化方法 |
-
2020
- 2020-12-21 CN CN202011517754.6A patent/CN112671035A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180240048A1 (en) * | 2015-09-30 | 2018-08-23 | China Electric Power Research Institute Company Limited | Method and device for modeling a long-time-scale photovoltaic output time sequence |
| CN108960510A (zh) * | 2018-07-04 | 2018-12-07 | 四川大学 | 一种基于两阶段随机规划的虚拟电厂优化交易策略模型 |
| CN109066769A (zh) * | 2018-07-20 | 2018-12-21 | 国网四川省电力公司经济技术研究院 | 风电全消纳下虚拟电厂内部资源调度控制方法 |
| CN110516851A (zh) * | 2019-08-05 | 2019-11-29 | 华北电力大学 | 一种基于虚拟电厂的源荷双侧热电联合随机优化调度方法 |
| CN110571867A (zh) * | 2019-09-18 | 2019-12-13 | 东北大学 | 一种计及风电不确定性的虚拟电厂日前优化调度系统方法 |
| CN111327048A (zh) * | 2020-02-26 | 2020-06-23 | 华北电力大学 | 一种含三端snop的配电网鲁棒运行优化方法 |
| CN111262242A (zh) * | 2020-03-03 | 2020-06-09 | 上海电力大学 | 基于多场景技术的冷热电虚拟电厂运行方法 |
Non-Patent Citations (2)
| Title |
|---|
| 袁桂丽等: "基于虚拟电厂"热电解耦"的负荷优化调度及经济效益分析", 《中国电机工程学报》 * |
| 袁桂丽等: "虚拟电厂源荷双侧热电联合随机优化调度", 《电网技术》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113315242A (zh) * | 2021-05-31 | 2021-08-27 | 天津大学 | 基于氢能经济促进弃风消纳的虚拟弃风-制氢联合体 |
| CN113315242B (zh) * | 2021-05-31 | 2023-04-07 | 天津大学 | 基于氢能经济促进弃风消纳的虚拟弃风-制氢联合体 |
| CN113553714A (zh) * | 2021-07-27 | 2021-10-26 | 国网河南省电力公司电力科学研究院 | 限风情况下基于预测信息的风电场切风量计算方法及装置 |
| CN114336591A (zh) * | 2021-11-24 | 2022-04-12 | 华能新能源股份有限公司 | 一种风电场混合储能综合优化配置方法 |
| CN114336591B (zh) * | 2021-11-24 | 2023-08-29 | 华能新能源股份有限公司 | 一种风电场混合储能综合优化配置方法 |
| CN116992242A (zh) * | 2023-09-26 | 2023-11-03 | 华北电力大学 | 一种火电-储能联合检修优化方法、系统及电子设备 |
| CN116992242B (zh) * | 2023-09-26 | 2023-12-22 | 华北电力大学 | 一种火电-储能联合检修优化方法、系统及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | A new clustering approach for scenario reduction in multi-stochastic variable programming | |
| CN112069734B (zh) | 一种电热泵-热电联合系统的优化调控方法及系统 | |
| CN105048516B (zh) | 一种风光水火多源互补优化调度方法 | |
| Mei et al. | Game approaches for hybrid power system planning | |
| CN112671035A (zh) | 一种基于风电预测的虚拟电厂储能容量配置方法 | |
| CN111681130B (zh) | 一种考虑条件风险价值的综合能源系统优化调度方法 | |
| CN103138256A (zh) | 一种新能源电力消纳全景分析系统及方法 | |
| Song et al. | Multi-objective configuration optimization for isolated microgrid with shiftable loads and mobile energy storage | |
| CN106786977B (zh) | 一种电动汽车充电站的充电调度方法 | |
| CN114707289B (zh) | 基于机会约束的电热耦合综合能源系统多目标优化方法 | |
| CN109636056A (zh) | 一种基于多智能体技术的多能源微网去中心化优化调度方法 | |
| CN110188915A (zh) | 基于场景集的虚拟电厂中储能系统优化配置方法及系统 | |
| CN114519543B (zh) | 一种乡村多能源系统边缘自治运行方法及系统 | |
| CN111626527A (zh) | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 | |
| Cheng et al. | Adaptive robust method for dynamic economic emission dispatch incorporating renewable energy and energy storage | |
| CN111445107A (zh) | 冷热电联供型微电网多目标优化配置方法 | |
| CN103455729A (zh) | 一种光储并网联合发电调度值的计算方法 | |
| CN110994606A (zh) | 一种基于复杂适应系统理论的多能源电源容量配置方法 | |
| CN112418488A (zh) | 一种基于两阶段能量优化的综合能源系统调度方法及装置 | |
| Azizivahed et al. | Multi-area dynamic economic dispatch considering water consumption minimization, wind generation, and energy storage system | |
| CN113364043A (zh) | 一种基于条件风险价值的微电网群优化方法 | |
| CN113158547A (zh) | 计及经济性和可靠性的区域综合能源系统优化配置方法 | |
| Suresh et al. | Stochastic economic dispatch incorporating commercial electric vehicles and fluctuating energy sources | |
| CN112186808A (zh) | 一种微网能量优化调度方法 | |
| CN112994087B (zh) | 基于条件风险约束的多源电力系统中期优化调度方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |