CN112785027B - 风光储联合发电系统置信容量评估方法及系统 - Google Patents

风光储联合发电系统置信容量评估方法及系统 Download PDF

Info

Publication number
CN112785027B
CN112785027B CN202010573531.5A CN202010573531A CN112785027B CN 112785027 B CN112785027 B CN 112785027B CN 202010573531 A CN202010573531 A CN 202010573531A CN 112785027 B CN112785027 B CN 112785027B
Authority
CN
China
Prior art keywords
power generation
wind
energy storage
scene
typical
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
CN202010573531.5A
Other languages
English (en)
Other versions
CN112785027A (zh
Inventor
李睿
宋海旭
郭莉
谈健
马莉
吴晨
陈琛
吴垠
张晓萱
张笑峰
薛松
李晓冬
宋海云
高国伟
范孟华
张凡
杨素
胡源
陈珂宁
赵铮
唐程辉
李景
武泽辰
廖建辉
徐杨
林晓彬
曲昊源
冯昕欣
田士君
张高
张寒
阮文静
肖汉雄
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.)
State Grid Energy Research Institute Co Ltd
Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Energy Research Institute Co Ltd
Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd
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 State Grid Energy Research Institute Co Ltd, Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Energy Research Institute Co Ltd
Priority to CN202010573531.5A priority Critical patent/CN112785027B/zh
Publication of CN112785027A publication Critical patent/CN112785027A/zh
Application granted granted Critical
Publication of CN112785027B publication Critical patent/CN112785027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/10—Photovoltaic [PV]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Wind Motors (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种风光储联合发电系统置信容量评估方法及系统，该方法包括：建立全场景集并构建全场景矩阵，根据全场景集和全场景矩阵，选取典型场景集并构建典型场景矩阵，记录每个典型场景的发生概率；构建风力发电、光伏发电功率输出模型，构建储能系统优化运行策略及所对应的多目标优化模型，基于风力发电、光伏发电功率输出模型，计算每个典型场景下风力发电和光伏发电功率输出曲线，基于储能系统优化运行策略及多目标优化模型，计算每个典型场景下储能系统功率输出曲线；计算接入风光储联合系统的整体可靠性水平；采用弦截法对接入风光储联合发电系统的电力系统可靠性水平进行多次迭代计算，获取风光储联合发电系统置信容量和置信率。

Description

风光储联合发电系统置信容量评估方法及系统
技术领域
本发明涉及风光储联合发电技术领域，尤其是涉及一种风光储联合发电系统置信容量评估方法及系统。
背景技术
为了应对化石燃料的日益枯竭与全球环境不断恶化等突出问题，全球范围内非化石能源持续大规模开发利用，风、光等可再生能源加速发展，能源清洁低碳化转型升级步伐加快。据国际可再生能源署预测，到2040年，可再生能源将在全球能源消费总量和发电总量的占比分别达到66％和86％。
可再生能源发电给电力发展与能源转型带来了巨大效益与发展机遇，但其所具有的波动性、间歇性和随机性对电力系统的运行带来巨大挑战，同时也对可再生能源发电系统的容量价值造成极大影响。利用储能系统构成风光储联合发电系统，通过提升风、光可再生能源出力的稳定性和可调节性，既能够有效利用风光资源的时空互补特性，同时还能够有效提升其对系统的容量支撑能力。
目前，普遍采用置信容量概念对可再生能源的容量价值进行评估，但现有置信容量评估方法的诸多弊端日益突出。(1)现有置信容量评估方法主要针对单种清洁能源进行评估并往往采用非时序模型对可再生能源进行建模，缺乏对风、光等多种可再生能源在季节、昼夜的时序互补性的充分考量。同时，也未对可再生能源与负荷的时序相关性进行充分考虑。(2)现有置信容量评估方法往往未对储能系统纳入评估范围，并缺乏对储能系统灵活调节能力和优化运行策略进行的充分考虑。(3)现有置信容量评估方法多基于蒙特卡洛方法进行评估，对基础数据规模具有较高的要求。同时，计算耗时、评估低效等问题突出。
发明内容
本发明的目的在于提供一种风光储联合发电系统置信容量评估方法及系统，旨在解决现有技术中的上述问题。
本发明提供一种风光储联合发电系统置信容量评估方法，包括：
建立全场景集并构建全场景矩阵，根据所述全场景集和所述全场景矩阵，选取典型场景集并构建典型场景矩阵，记录每个典型场景的发生概率；
构建风力发电、光伏发电功率输出模型，构建储能系统优化运行策略及所对应的多目标优化模型，基于所述的风力发电、光伏发电功率输出模型，计算每个典型场景下风力发电和光伏发电功率输出曲线，基于所述储能系统优化运行策略及多目标优化模型，利用智能优化算法，计算每个典型场景下储能系统功率输出曲线；
根据风力发电功率输出曲线、光伏发电功率输出曲线、储能系统功率输出曲线、以及每个典型场景的发生概率，计算接入风光储联合系统的整体可靠性水平；
采用弦截法对接入风光储联合发电系统的电力系统可靠性水平进行多次迭代计算，获取风光储联合发电系统置信容量和置信率。
本发明提供一种风光储联合发电系统置信容量评估系统，包括：
构建模块，用于建立全场景集并构建全场景矩阵，根据所述全场景集和所述全场景矩阵，选取典型场景集并构建典型场景矩阵，记录每个典型场景的发生概率；
功率输出曲线模块，用于构建风力发电、光伏发电功率输出模型，构建储能系统优化运行策略及所对应的多目标优化模型，基于所述的风力发电、光伏发电功率输出模型，计算每个典型场景下风力发电和光伏发电功率输出曲线，基于所述储能系统优化运行策略及多目标优化模型，利用智能优化算法，计算每个典型场景下储能系统功率输出曲线；
可靠性水平模块，用于根据风力发电功率输出曲线、光伏发电功率输出曲线、储能系统功率输出曲线、以及每个典型场景的发生概率，计算接入风光储联合系统的整体可靠性水平；
置信容量和置信率模块，用于采用弦截法对接入风光储联合发电系统的电力系统可靠性水平进行多次迭代计算，获取风光储联合发电系统置信容量和置信率。采用本发明实施例，克服了现有可再生能源置信容量评估方法的多方面不足，能够考虑风光资管的时序互补特性和储能系统多种运行策略，对风光储联合发电系统置信容量进行快速、高效评估，有效支撑电力系统电源规划，适应能源系统清洁低碳发展需要。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的风光储联合发电系统置信容量评估方法的流程图；
图2是本发明实施例的风光储联合发电系统置信容量评估方法的详细流程图；
图3是本发明实施例的系统是否发生弃风、弃光情况评估方法示意图；
图4是本发明实施例的弦截法求解过程的示意图；
图5是本发明实施例的风光储联合发电系统置信容量评估系统的示意图。
具体实施方式
为了克服上述现有置信容量评估方法与技术的不足，本发明提供一种风光储联合发电系统置信容量快速评估方法。该方法通过场景分析技术，能够科学选取典型运行场景，在充分考虑风、光资源互补特性和储能系统优化运行策略的同时，有效提升置信容量评估效率。同时，通过对储能系统运行策略的建模分析，能够充分考虑储能系统在不同运行场景中的多种作用。
下面将结合实施例对本发明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。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。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“坚直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”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，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。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
方法实施例
根据本发明实施例，提供了一种风光储联合发电系统置信容量评估方法，图1是本发明实施例的风光储联合发电系统置信容量评估方法的流程图，如图1所示，根据本发明实施例的风光储联合发电系统置信容量评估方法具体包括：
步骤101，建立全场景集并构建全场景矩阵，根据全场景集和全场景矩阵，选取典型场景集并构建典型场景矩阵，记录每个典型场景的发生概率；步骤101包括：
将风速、光照强度、地表温度、负荷需求作为场景构成基本元素，分别获取被研究区域的风速、光照强度、地表温度、及电力负荷需求全年小时级预测数据，并建立全场景集，并根据公式1构建全场景矩阵Sfull-sc：
Figure BDA0002550498140000051
综合采用多种聚类方法对全场景集进行聚类操作，对全场景集进行削减，并采用指标对聚类数量n进行选取，获得典型场景集，并根据公式2构建典型场景矩阵Stypical-sc，记录每个典型场景的发生概率ωsc：
Figure BDA0002550498140000061
其中，Vt，It，Tt，Lt分别为时刻t的风速数据，光照强度数据，地表温度数据和负荷需求数据。
步骤102，构建风力发电、光伏发电功率输出模型，构建储能系统优化运行策略及所对应的多目标优化模型，基于所述的风力发电、光伏发电功率输出模型，计算每个典型场景下风力发电和光伏发电功率输出曲线，基于所述储能系统优化运行策略及多目标优化模型，利用智能优化算法，计算每个典型场景下储能系统功率输出曲线；步骤102包括：
根据如公式3至公式5的风力发电功率输出模型，计算典型场景下风力发电功率输出曲线：
Figure BDA0002550498140000062
Figure BDA0002550498140000063
Figure BDA0002550498140000064
其中，
Figure BDA0002550498140000065
为风力发电在典型日场景sc中t时刻输出功率，PrWG为风力发电系统额定输出功率，vco，vci和vr分别为风力发电的切除风速、切入风速、额定风速，a和b均为风力发电功率模型系数；
根据如公式6的光伏发电功率输出模型，计算典型场景下光伏发电功率输出曲线：
Figure BDA0002550498140000071
其中，式中
Figure BDA0002550498140000072
和PrPV分别为太阳电池组件在典型日场景sc中t时刻的实际输出功率和额定功率，Gsc,t和GSTC分别为典型日场景sc中t时刻际太阳辐射强度和标准测试条件下的太阳辐射强度，αT为1kW/m2太阳电池组件的功率温度系数，TSTC为标准测试条件下的太阳辐射强度；
构建储能系统优化运行策略：
根据公式7、公式8，充分利用储能系统进行削峰填谷、平抑波动：
Figure BDA0002550498140000073
Figure BDA0002550498140000074
其中，
Figure BDA0002550498140000075
与
Figure BDA0002550498140000076
分别为联合发电系统在典型日场景sc中时刻t的输出功率与联合发电系统在典型日sc中的日均输出功率，
Figure BDA0002550498140000077
为储能系统在典型日场景sc中时刻t的输出功率，T＝24；
根据公式9、公式10充分利用储能系统的备用支持能力：
Figure BDA0002550498140000078
Figure BDA0002550498140000079
其中，
Figure BDA00025504981400000710
是储能系统在典型日场景sc中时刻t的可发出最大功率，即储能系统备用支持能力，PrESS是储能系统额定输出功率，
Figure BDA00025504981400000711
是储能系统在典型日场景sc中时刻t-1时的能量水平，EESS,min是储能系统能量水平的最小值，ηC与ηD分别为储能系统的充放电效率；
基于风力发电与光伏发电出力情况，结合系统约束，判断系统是否存在弃风、弃光情况发生，当判断系统发生弃风、弃光时，根据公式11，利用储能系统降低弃风弃光电量：
Figure BDA0002550498140000081
其中，
Figure BDA0002550498140000082
是联合发电系统的在在典型日场景sc中时刻t的弃风弃光电量；
根据公式12，对公式7、公式10、公式11所示的储能系统运行策略优化目标进行归一化处理：
Figure BDA0002550498140000083
其中，fi min，fi max，fi，分别为目标函数i的最小值、最大值和实际取值；
根据公式13以两个或当发生弃风弃光现象时为三个隶属度函数μ的最小值构成的模糊满意度μ(fESS)、以及根据公式14的模糊目标满意度μ(fESS)取最大作为储能系统运行优化目标：
Figure BDA0002550498140000084
Figure BDA0002550498140000085
根据公式15和公式16确定储能运行逻辑约束条件，根据公式17和公式18确定储能系统安全运行约束条件；
Figure BDA0002550498140000086
Figure BDA0002550498140000091
Figure BDA0002550498140000092
Figure BDA0002550498140000093
其中，
Figure BDA0002550498140000094
为储能系统在典型日场景sc中时刻t时刻的荷电状态，SOCmin与SOCmax分别为储能系统荷电状态的最小值与最大值；
根据储能系统优化运行策略及其数学模型，在保证解的质量的前提下，采用人工智能智能算法对模型进行求解，得到储能系统在不同典型日场景下的功率输出情况。
步骤103，根据风力发电功率输出曲线、光伏发电功率输出曲线、储能系统功率输出曲线、以及每个典型场景的发生概率，计算接入风光储联合系统的整体可靠性水平；步骤103包括：
根据风力发电功率输出曲线、光伏发电功率输出曲线、以及储能系统功率输出曲线，计算典型日场景sc的EENS可靠性指标数据
Figure BDA0002550498140000095
综合考虑发电机、线路故障情况，根据公式19，利用序贯蒙特卡洛法对每个典型场景下的年可靠性数据进行评估，并结合各场景的发生概率计算风光储联合发电系统电力不足期望IEENS：
Figure BDA0002550498140000096
其中，
Figure BDA0002550498140000097
为典型日场景sc的EENS可靠性指标数据，ωsc为典型场景的发生概率。
步骤104，采用弦截法对接入风光储联合发电系统的电力系统可靠性水平进行多次迭代计算，获取风光储联合发电系统置信容量和置信率。步骤104包括：
采用弦截法，根据公式20和公式21，当增加额定容量为ΔGHGS的风光储联合发电系统，增加负荷需求为ΔL的负荷的系统可靠性与原始系统可靠性相同时，ΔGHGS的风光储联合发电系统的置信容量即为ΔL，此时，根据公式22，ΔGHGS的风光储联合发电系统的容量置信率为λCV：
IEENS(G,L)＝IEENS(G+ΔGHGS,L+ΔL) 公式20；
GCV(ΔGHGS)＝ΔL 公式21；
Figure BDA0002550498140000101
以下结合附图，对本发明实施例的上述技术方案进行详细说明。
图2是本发明实施例的风光储联合发电系统置信容量评估方法的详细处理的流程图，如图2所示，具体包括如下处理：
(1)建立全场景集并构建全场景矩阵。将风速、光照强度、地表温度、负荷需求作为场景构成基本元素，分别获取被研究区域的风速、光照强度、温度、及电力负荷需求全年8760小时预测数据，并建立全场景集。在此基础上，构建维度为4×8760的全场景矩阵Sfull-sc，如式(1)所示。式中，Vt，It，Tt，Lt分别为时刻t的风速数据，光照强度数据，地标温度数据和负荷需求数据。
Figure BDA0002550498140000102
(2)选取典型场景集并构建典型场景矩阵。综合考虑k均值聚类算法效率高、理论可信度强等多重优点，本实施例中采用k均值聚类对全场景集进行聚类，实现对典型场景削减。同时综合考虑典型场景的代表性、多样性等因素，本实施例中采用DB聚类有效性函数指标对聚类数量n进行选取，当DB指标取最小值时，以实现典型场景选取效果最佳。DB有效性函数如式(2)至式(6)所示。
Figure BDA0002550498140000111
Figure BDA0002550498140000112
Figure BDA0002550498140000113
duv＝||cu-cv|| (5)
式中，NC为生成典型运行场景数目；Nu为属于聚类中心u的向量数量；duv为聚类中心u与聚类中心v之间的欧式距离；Su与Sv分别为聚类中心Cu与聚类中心Cv的分离程度。
进一步地，构建典型场景矩阵，Stypical-sc，如式(6)所示。同时，记录每个典型场景的发生概率，形成向量并记为ωsc。
Figure BDA0002550498140000114
(3)求取典型场景下风力发电、光伏发电功率输出曲线。本步骤中所需的风力发电功率输出模型，如式(7)至式(9)所示。
Figure BDA0002550498140000115
Figure BDA0002550498140000116
Figure BDA0002550498140000121
式中，
Figure BDA0002550498140000122
为风力发电在典型日场景sc中t时刻输出功率，PrWG为风力发电系统额定输出功率，vco，vci和vr分别为风力发电的切除风速、切入风速、额定风速，a和b均为风力发电功率模型系数，分别如式(8)和式(9)所示。
光伏发电功率输出模型如式(10)所示。
Figure BDA0002550498140000123
式中，
Figure BDA0002550498140000124
和PrPV分别为太阳电池组件在典型日场景sc中t时刻的实际输出功率和额定功率，Gsc,t和GSTC分别为典型日场景sc中t时刻际太阳辐射强度和标准测试条件下的太阳辐射强度，αT为1kW/m2太阳电池组件的功率温度系数，TSTC为标准测试条件下的太阳辐射强度。
(4)求取典型日场景下储能系统功率输出曲线。步骤中，储能系统共有三方面优化目标，一是充分利用储能系统实现削峰填谷、平抑波动，进而提升风光储联合发电系统并网友好性，其目标函数如式(11)与式(12)所示。
Figure BDA0002550498140000125
Figure BDA0002550498140000126
式中
Figure BDA0002550498140000127
与
Figure BDA0002550498140000128
分别为联合发电系统在典型日场景sc中时刻t的输出功率与联合发电系统在典型日sc中的日均输出功率，
Figure BDA0002550498140000129
为储能系统在典型日场景sc中时刻t的输出(吸收)功率。
二是充分利用储能系统的容量价值，进而提升风光储联合发电系统对系统的可靠性支撑作用，其目标函数如式(13)与式(14)所示。
Figure BDA0002550498140000131
Figure BDA0002550498140000132
式中
Figure BDA0002550498140000133
是储能系统在典型日场景sc中时刻t的可发出最大功率，PrWG是储能系统额定输出功率，
Figure BDA0002550498140000134
是储能系统在典型日场景sc中时刻t-1时的能量水平，EESS,min是储能系统能量水平的最小值，ηC与ηD分别为储能系统的充放电效率。
三是基于风力发电与光伏发电出力情况，结合输电容量约束与系统调峰能力约束，判断系统是否存在弃风、弃光情况发生，如附图3所示。当判断系统因为线路输送容量限制或系统调峰不足而导致弃风、弃光时，启用优化目标三，即利用储能系统降低弃风弃光电量，实现提升弃风弃光提升清洁能源利用率，目标函数如式(15)所示。
Figure BDA0002550498140000135
式中
Figure BDA0002550498140000136
是联合发电系统的在在典型日场景sc中时刻t的弃风弃光电量。
进一步地，在步骤(4)中，为协调处理储能系统三个不同优化目标，采用隶属度函数三个不同优化目标进行归一化处理，如式(16)所示。
Figure BDA0002550498140000137
式中fi min，fi max，fi，分别为目标函数i的最小值、最大值和实际取值。
Figure BDA0002550498140000138
Figure BDA0002550498140000139
然后，以两个(当发生弃风弃光现象时，为三个)隶属度函数μ的最小值构成的模糊满意度μ(fESS)，如式(17)所示。以模糊目标满意度μ(fESS)取最大作为储能系统运行优化目标，如式(18)所示。
进一步地，在步骤(4)中，储能系统运行模型还需考虑储能系统的运行约束条件。一是涉及储能运行逻辑约束条件，即时序约束条件与单日充放电循环约束条件，分别如式(19)与式(20)。二是涉及储能系统安全运行约束条件，即最大充放电约束条件与放电深度约束条件，分别如式(21)与式(22)所示，式中，
Figure BDA0002550498140000141
为储能系统在典型日场景sc中时刻t-1时的荷电状态，SOCmin与SOCmax分别为储能系统荷电状态的最小值与最大值。
Figure BDA0002550498140000142
Figure BDA0002550498140000143
Figure BDA0002550498140000144
Figure BDA0002550498140000145
进一步地，在步骤(4)中，针对储能系统运行策略及数学模型，综合考虑粒子群算法的精确性与高效性，本实施例中，采用粒子群算法对储能系统优化运行策略进行求解，进而能够得到储能系统在不同典型日场景下的功率输出情况，其计算迭代过程中，下一代种群更新公式如式(23)与(24)所示。
Figure BDA0002550498140000146
Figure BDA0002550498140000147
式中，ω为惯性权重；c1与c2为非负常数，称为加速因子或学习因子；r1与r2为在[0,1]区间均匀分布的随机数，D维向量
Figure BDA0002550498140000151
用于表示第k次迭代时，第i个粒子在D维搜索空间中的具体位置。第k次迭代时，第i个粒子的速度表示为
Figure BDA0002550498140000152
为第i个粒子个体速度更新的当前个体极值，
Figure BDA0002550498140000153
为种群的群体极值。
(5)求取接入风光储系统的整体可靠性水平。以年电力不足期望(ExpectedEnergy Not Supplied,EENS)作为可靠性评估指标。利用序贯蒙特卡洛法对每个典型场景下的年可靠性数据进行评估，并结合各场景的发生概率求取风光储联合发电系统电力不足期望，如式(25)所示，式中
Figure BDA0002550498140000154
为典型日场景sc的EENS可靠性指标数据。
Figure BDA0002550498140000155
进一步地，在步骤(5)中，采用两阶段马尔科夫链模型，利用失效率和修复率对系统中发电设备、输电线路等系统设备正常运行状态与故障检修状态进行模拟，并根据各发电设备、输电线路在运行状态(正常/故障)形成设备运行状态矩阵，如式(26)所示，式中trun与trepair分别是设备运行时间和维修时间，tMTTF与tMTTR分别是设备平均运行时间与平均修复时间；λ与μ分别为失效率和修复率；γ为服从[0,1]之间的均匀分布随机数。
Figure BDA0002550498140000156
(6)求取风光储联合发电系统置信容量与置信率。以额外有效载荷能力(Effective Load Carrying Capability,ELCC)作为置信容量评估方法，即当增加额定容量为ΔGHGS的风光储联合发电系统，增加需求为ΔL的负荷的系统可靠性与原始系统可靠性相同时，ΔGHGS的风光储联合发电系统的置信容量即为ΔL，如式(27)与式(28)所示。
IEENS(G,L)＝IEENS(G+ΔGHGS,L+ΔL) (27)
GCV(ΔGHGS)＝ΔL (28)
此时，ΔGHGS的风光储联合发电系统的容量置信率为λCV，如式(29)所示。采用弦截法对置信容量和置信率进行求取，如附图4所示。
Figure BDA0002550498140000161
进一步地，步骤(6)中所采用弦截法迭代求解过程如下。首先，求取初始负荷水平为L0时，接入额定容量为ΔGHGS风光储联合发电系统后整个系统的可靠性水平，并记作fA。其次，求取当负荷水平为L0+ΔGHGS时，接入额定容量为ΔGHGS风光储联合发电系统后整个系统的可靠性水平，并记作fB。再次，通过A、B两点进行弦截，求取线段AB与原始系统可靠性f0的交点C点，进而以C点横坐标L0+ΔL1求取点D的坐标数据。以此为基本流程迭代计算，直至曲线上所求取点所对应的系统可靠性水平与原始系统可靠性f0相同。此时，所求取点的横坐标与原始负荷L0的差值ΔL即为额定容量为ΔGHGS风光储联合发电系统的置信容量。
本发明实施例的有益效果如下：
1.通过风光储联合发电系统置信容量快速评估方法能有充分将风、光多种发电系统的时序互补特性进行考量，能够更加真实有效的对可再生能源的容量价值进行有效评估，对电源规划，尤其是在未来高比例可再生能源并网的情况下具有非常重要作用。
2.通过将储能系统优化运行策略进行建模，并纳入置信容量评估过程，能够有效将储能系统的多种作用纳入到联合发电系统的容量价值评估过程中，能够就储能系统不同运行策略对系统可靠性提升作用进行充分评估。
3.通过利用聚类指数配合均值聚类算法，能够在置信容量评估过程中充分考虑场景多样性和代表性的同时，对场景数量实现有效削减，大幅提升置信容量的评估效率。
系统实施例
根据本发明实施例，提供了一种风光储联合发电系统置信容量评估系统，图3是本发明实施例的示意图，如图5所示，根据本发明实施例的风光储联合发电系统置信容量评估系统具体包括：
构建模块50，用于建立全场景集并构建全场景矩阵，根据所述全场景集和所述全场景矩阵，选取典型场景集并构建典型场景矩阵，记录每个典型场景的发生概率；构建模块50具体用于：
将风速、光照强度、地表温度、负荷需求作为场景构成基本元素，分别获取被研究区域的风速、光照强度、地表温度、及电力负荷需求全年小时级预测数据，并建立全场景集，并根据公式1构建全场景矩阵Sfull-sc：
Figure BDA0002550498140000171
综合采用多种聚类方法对全场景集进行聚类操作，对全场景集进行削减，并采用指标对聚类数量n进行选取，获得典型场景集，并根据公式2构建典型场景矩阵Stypical-sc，记录每个典型场景的发生概率ωsc：
Figure BDA0002550498140000172
其中，Vt，It，Tt，Lt分别为时刻t的风速数据，光照强度数据，地表温度数据和负荷需求数据。
功率输出曲线模块52，用于构建风力发电、光伏发电功率输出模型，构建储能系统优化运行策略及所对应的多目标优化模型，基于所述的风力发电、光伏发电功率输出模型，计算每个典型场景下风力发电和光伏发电功率输出曲线，基于所述储能系统优化运行策略及多目标优化模型，利用智能优化算法，计算每个典型场景下储能系统功率输出曲线；功率输出曲线模块52具体用于：
根据如公式3至公式5所述的风力发电功率输出模型，计算典型场景下风力发电功率输出曲线：
Figure BDA0002550498140000181
Figure BDA0002550498140000182
Figure BDA0002550498140000183
其中，
Figure BDA0002550498140000184
为风力发电在典型日场景sc中t时刻输出功率，PrWG为风力发电系统额定输出功率，vco，vci和vr分别为风力发电的切除风速、切入风速、额定风速，a和b均为风力发电功率模型系数；
根据如公式6所述的光伏发电功率输出模型，计算典型场景下光伏发电功率输出曲线：
Figure BDA0002550498140000185
其中，式中
Figure BDA0002550498140000186
和PrPV分别为太阳电池组件在典型日场景sc中t时刻的实际输出功率和额定功率，Gsc,t和GSTC分别为典型日场景sc中t时刻际太阳辐射强度和标准测试条件下的太阳辐射强度，αT为1kW/m2太阳电池组件的功率温度系数，TSTC为标准测试条件下的太阳辐射强度；
构建储能系统优化运行策略：
根据公式7、公式8，充分利用储能系统进行削峰填谷、平抑波动：
Figure BDA0002550498140000191
Figure BDA0002550498140000192
其中，
Figure BDA0002550498140000193
与
Figure BDA0002550498140000194
分别为联合发电系统在典型日场景sc中时刻t的输出功率与联合发电系统在典型日sc中的日均输出功率，
Figure BDA0002550498140000195
为储能系统在典型日场景sc中时刻t的输出功率，T＝24；
根据公式9、公式10充分利用储能系统的备用支持能力：
Figure BDA0002550498140000196
Figure BDA0002550498140000197
其中，
Figure BDA0002550498140000198
是储能系统在典型日场景sc中时刻t的可发出最大功率，即储能系统备用支持能力，PrESS是储能系统额定输出功率，
Figure BDA0002550498140000199
是储能系统在典型日场景sc中时刻t-1时的能量水平，EESS,min是储能系统能量水平的最小值，ηC与ηD分别为储能系统的充放电效率；
基于风力发电与光伏发电出力情况，结合系统约束，判断系统是否存在弃风、弃光情况发生，当判断系统发生弃风、弃光时，根据公式11，利用储能系统降低弃风弃光电量：
Figure BDA00025504981400001910
其中，
Figure BDA00025504981400001911
是联合发电系统的在在典型日场景sc中时刻t的弃风弃光电量；
根据公式12，对公式7、公式10、公式11所示的储能系统运行策略优化目标进行归一化处理：
Figure BDA0002550498140000201
其中，fi min，fi max，fi，分别为目标函数i的最小值、最大值和实际取值；
根据公式13以两个或当发生弃风弃光现象时为三个隶属度函数μ的最小值构成的模糊满意度μ(fESS)、以及根据公式14的模糊目标满意度μ(fESS)取最大作为储能系统运行优化目标：
Figure BDA0002550498140000202
Figure BDA0002550498140000203
根据公式15和公式16确定储能运行逻辑约束条件，根据公式17和公式18确定储能系统安全运行约束条件；
Figure BDA0002550498140000204
Figure BDA0002550498140000205
Figure BDA0002550498140000206
Figure BDA0002550498140000207
其中，
Figure BDA0002550498140000208
为储能系统在典型日场景sc中时刻t时刻的荷电状态，SOCmin与SOCmax分别为储能系统荷电状态的最小值与最大值；
根据储能系统优化运行策略及其数学模型，在保证解的质量的前提下，采用人工智能智能算法对模型进行求解，得到储能系统在不同典型日场景下的功率输出情况。
可靠性水平模块54，用于根据风力发电功率输出曲线、光伏发电功率输出曲线、储能系统功率输出曲线、以及每个典型场景的发生概率，计算接入风光储联合系统的整体可靠性水平；可靠性水平模块54具体用于：
根据风力发电功率输出曲线、光伏发电功率输出曲线、以及储能系统功率输出曲线，计算典型日场景sc的EENS可靠性指标数据
Figure BDA0002550498140000211
综合考虑发电机、线路故障情况，根据公式19，利用序贯蒙特卡洛法对每个典型场景下的年可靠性数据进行评估，并结合各场景的发生概率计算风光储联合发电系统电力不足期望IEENS：
Figure BDA0002550498140000212
其中，
Figure BDA0002550498140000213
为典型日场景sc的EENS可靠性指标数据，ωsc为典型场景的发生概率。
置信容量和置信率模块56，用于采用弦截法对接入风光储联合发电系统的电力系统可靠性水平进行多次迭代计算，获取风光储联合发电系统置信容量和置信率。置信容量和置信率模块56具体用于：
采用弦截法，根据公式20和公式21，当增加额定容量为ΔGHGS的风光储联合发电系统，增加负荷需求为ΔL的负荷的系统可靠性与原始系统可靠性相同时，ΔGHGS的风光储联合发电系统的置信容量即为ΔL，此时，根据公式22，ΔGHGS的风光储联合发电系统的容量置信率为λCV：
IEENS(G,L)＝IEENS(G+ΔGHGS,L+ΔL) 公式20；
GCV(ΔGHGS)＝ΔL 公式21；
Figure BDA0002550498140000214
本发明实施例是与上述方法实施例对应的系统实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。
本发明实施例的有益效果如下：
1.通过风光储联合发电系统置信容量快速评估方法能有充分将风、光多种发电系统的时序互补特性进行考量，能够更加真实有效的对可再生能源的容量价值进行有效评估，对电源规划，尤其是在未来高比例可再生能源并网的情况下具有非常重要作用。
2.通过将储能系统优化运行策略进行建模，并纳入置信容量评估过程，能够有效将储能系统的多种作用纳入到联合发电系统的容量价值评估过程中，能够就储能系统不同运行策略对系统可靠性提升作用进行充分评估。
3.通过利用聚类指数配合均值聚类算法，能够在置信容量评估过程中充分考虑场景多样性和代表性的同时，对场景数量实现有效削减，大幅提升置信容量的评估效率。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种风光储联合发电系统置信容量评估方法，其特征在于，包括：
建立全场景集并构建全场景矩阵，根据所述全场景集和所述全场景矩阵，选取典型场景集并构建典型场景矩阵，记录每个典型场景的发生概率；
构建风力发电、光伏发电功率输出模型，构建储能系统优化运行策略及所对应的多目标优化模型，基于所述的风力发电、光伏发电功率输出模型，计算每个典型场景下风力发电和光伏发电功率输出曲线，基于所述储能系统优化运行策略及多目标优化模型，利用智能优化算法，计算每个典型场景下储能系统功率输出曲线；
根据风力发电功率输出曲线、光伏发电功率输出曲线、储能系统功率输出曲线、以及每个典型场景的发生概率，计算接入风光储联合系统的整体可靠性水平；
采用弦截法对接入风光储联合发电系统的电力系统可靠性水平进行多次迭代计算，获取风光储联合发电系统置信容量和置信率；
其中，构建风力发电、光伏发电功率输出模型，构建储能系统优化运行策略及所对应的多目标优化模型，基于所述的风力发电、光伏发电功率输出模型，计算每个典型场景下风力发电和光伏发电功率输出曲线，基于所述储能系统优化运行策略及多目标优化模型，利用智能优化算法，计算每个典型场景下储能系统功率输出曲线具体包括：
根据如公式3至公式5所述的风力发电功率输出模型，计算典型场景下风力发电功率输出曲线：
Figure FDA0003663045460000011
Figure FDA0003663045460000021
Figure FDA0003663045460000022
其中，
Figure FDA0003663045460000023
为风力发电在典型日场景sc中t时刻输出功率，PrWG为风力发电系统额定输出功率，vco，vci和vr分别为风力发电的切除风速、切入风速、额定风速，a和b均为风力发电功率模型系数；
根据如公式6所述的光伏发电功率输出模型，计算典型场景下光伏发电功率输出曲线：
Figure FDA0003663045460000024
其中，式中
Figure FDA0003663045460000025
和PrPV分别为太阳电池组件在典型日场景sc中t时刻的实际输出功率和额定功率，Gsc,t和GSTC分别为典型日场景sc中t时刻际太阳辐射强度和标准测试条件下的太阳辐射强度，αT为1kW/m2太阳电池组件的功率温度系数，TSTC为标准测试条件下的太阳辐射强度；
构建储能系统优化运行策略：
根据公式7、公式8，充分利用储能系统进行削峰填谷、平抑波动：
Figure FDA0003663045460000026
Figure FDA0003663045460000027
其中，
Figure FDA0003663045460000028
与
Figure FDA0003663045460000029
分别为联合发电系统在典型日场景sc中时刻t的输出功率与联合发电系统在典型日sc中的日均输出功率，
Figure FDA00036630454600000210
为储能系统在典型日场景sc中时刻t的输出功率，T＝24；
根据公式9、公式10充分利用储能系统的备用支持能力：
Figure FDA0003663045460000031
Figure FDA0003663045460000032
其中，
Figure FDA0003663045460000033
是储能系统在典型日场景sc中时刻t的可发出最大功率，即储能系统备用支持能力，PrESS是储能系统额定输出功率，
Figure FDA0003663045460000034
是储能系统在典型日场景sc中时刻t-1时的能量水平，EESS,min是储能系统能量水平的最小值，ηC与ηD分别为储能系统的充放电效率；
基于风力发电与光伏发电出力情况，结合系统约束，判断系统是否存在弃风、弃光情况发生，当判断系统发生弃风、弃光时，根据公式11，利用储能系统降低弃风弃光电量：
Figure FDA0003663045460000035
其中，
Figure FDA0003663045460000036
是联合发电系统的在典型日场景sc中时刻t的弃风弃光电量；
根据公式12，对公式7、公式10、公式11所示的储能系统运行策略优化目标进行归一化处理：
Figure FDA0003663045460000037
其中，fi min，fi max，fi，分别为目标函数i的最小值、最大值和实际取值；
根据公式13以两个或当发生弃风弃光现象时为三个隶属度函数μ的最小值构成的模糊满意度μ(fESS)、以及根据公式14的模糊目标满意度μ(fESS)取最大作为储能系统运行优化目标：
Figure FDA0003663045460000041
Figure FDA0003663045460000042
根据公式15和公式16确定储能运行逻辑约束条件，根据公式17和公式18确定储能系统安全运行约束条件；
Figure FDA0003663045460000043
Figure FDA0003663045460000044
Figure FDA0003663045460000045
Figure FDA0003663045460000046
其中，
Figure FDA0003663045460000047
为储能系统在典型日场景sc中时刻t时刻的荷电状态，SOCmin与SOCmax分别为储能系统荷电状态的最小值与最大值；
根据储能系统优化运行策略及其数学模型，在保证解的质量的前提下，采用人工智能算法对模型进行求解，得到储能系统在不同典型日场景下的功率输出情况。
2.根据权利要求1所述的方法，其特征在于，建立全场景集并构建全场景矩阵，根据所述全场景集和所述全场景矩阵，选取典型场景集并构建典型场景矩阵具体包括：
将风速、光照强度、地表温度、负荷需求作为场景构成基本元素，分别获取被研究区域的风速、光照强度、地表温度、及电力负荷需求全年小时级预测数据，并建立全场景集，并根据公式1构建全场景矩阵Sfull-sc：
Figure FDA0003663045460000051
综合采用多种聚类方法对全场景集进行聚类操作，对全场景集进行削减，并采用指标对聚类数量n进行选取，获得典型场景集，并根据公式2构建典型场景矩阵Stypical-sc，记录每个典型场景的发生概率ωsc：
Figure FDA0003663045460000052
其中，Vt，It，Tt，Lt分别为时刻t的风速数据，光照强度数据，地表温度数据和负荷需求数据。
3.根据权利要求1所述的方法，其特征在于，根据风力发电功率输出曲线、光伏发电功率输出曲线、储能系统功率输出曲线、以及每个典型场景的发生概率，计算接入风光储联合系统的整体可靠性水平具体包括：
根据风力发电功率输出曲线、光伏发电功率输出曲线、以及储能系统功率输出曲线，计算典型日场景sc的EENS可靠性指标数据
Figure FDA0003663045460000053
综合考虑发电机、线路故障情况，根据公式19，利用序贯蒙特卡洛法对每个典型场景下的年可靠性数据进行评估，并结合各场景的发生概率计算风光储联合发电系统电力不足期望IEENS：
Figure FDA0003663045460000061
其中，
Figure FDA0003663045460000062
为典型日场景sc的EENS可靠性指标数据，ωsc为典型场景的发生概率。
4.根据权利要求1所述的方法，其特征在于，采用弦截法对接入风光储联合发电系统的电力系统可靠性水平进行多次迭代计算，获取风光储联合发电系统置信容量和置信率具体包括：
采用弦截法，根据公式20和公式21，当增加额定容量为ΔGHGS的风光储联合发电系统，增加负荷需求为ΔL的负荷的系统可靠性与原始系统可靠性相同时，ΔGHGS的风光储联合发电系统的置信容量即为ΔL，此时，根据公式22，ΔGHGS的风光储联合发电系统的容量置信率为λCV：
IEENS(G，L)＝IEENS(G+ΔGHGS，L+ΔL) 公式20；
GCV(ΔGHGS)＝ΔL 公式21；
Figure FDA0003663045460000063
5.一种风光储联合发电系统置信容量评估系统，其特征在于，包括：
构建模块，用于建立全场景集并构建全场景矩阵，根据所述全场景集和所述全场景矩阵，选取典型场景集并构建典型场景矩阵，记录每个典型场景的发生概率；
功率输出曲线模块，用于构建风力发电、光伏发电功率输出模型，构建储能系统优化运行策略及所对应的多目标优化模型，基于所述的风力发电、光伏发电功率输出模型，计算每个典型场景下风力发电和光伏发电功率输出曲线，基于所述储能系统优化运行策略及多目标优化模型，利用智能优化算法，计算每个典型场景下储能系统功率输出曲线；所述功率输出曲线模块具体用于：
根据如公式3至公式5所述的风力发电功率输出模型，计算典型场景下风力发电功率输出曲线：
Figure FDA0003663045460000071
Figure FDA0003663045460000072
Figure FDA0003663045460000073
其中，
Figure FDA0003663045460000074
为风力发电在典型日场景sc中t时刻输出功率，PrWG为风力发电系统额定输出功率，vco，vci和vr分别为风力发电的切除风速、切入风速、额定风速，a和b均为风力发电功率模型系数；
根据如公式6所述的光伏发电功率输出模型，计算典型场景下光伏发电功率输出曲线：
Figure FDA0003663045460000075
其中，式中
Figure FDA0003663045460000076
和PrPV分别为太阳电池组件在典型日场景sc中t时刻的实际输出功率和额定功率，Gsc,t和GSTC分别为典型日场景sc中t时刻际太阳辐射强度和标准测试条件下的太阳辐射强度，αT为1kW/m2太阳电池组件的功率温度系数，TSTC为标准测试条件下的太阳辐射强度；
构建储能系统优化运行策略：
根据公式7、公式8，充分利用储能系统进行削峰填谷、平抑波动：
Figure FDA0003663045460000077
Figure FDA0003663045460000081
其中，
Figure FDA0003663045460000082
与
Figure FDA0003663045460000083
分别为联合发电系统在典型日场景sc中时刻t的输出功率与联合发电系统在典型日sc中的日均输出功率，
Figure FDA0003663045460000084
为储能系统在典型日场景sc中时刻t的输出功率，T＝24；
根据公式9、公式10充分利用储能系统的备用支持能力：
Figure FDA0003663045460000085
Figure FDA0003663045460000086
其中，
Figure FDA0003663045460000087
是储能系统在典型日场景sc中时刻t的可发出最大功率，即储能系统备用支持能力，PrESS是储能系统额定输出功率，
Figure FDA0003663045460000088
是储能系统在典型日场景sc中时刻t-1时的能量水平，EESS,min是储能系统能量水平的最小值，ηC与ηD分别为储能系统的充放电效率；
基于风力发电与光伏发电出力情况，结合系统约束，判断系统是否存在弃风、弃光情况发生，当判断系统发生弃风、弃光时，根据公式11，利用储能系统降低弃风弃光电量：
Figure FDA0003663045460000089
其中，
Figure FDA00036630454600000810
是联合发电系统的在典型日场景sc中时刻t的弃风弃光电量；
根据公式12，对公式7、公式10、公式11所示的储能系统运行策略优化目标进行归一化处理：
Figure FDA0003663045460000091
其中，fi min，fi max，fi，分别为目标函数i的最小值、最大值和实际取值；
根据公式13以两个或当发生弃风弃光现象时为三个隶属度函数μ的最小值构成的模糊满意度μ(fESS)、以及根据公式14的模糊目标满意度μ(fESS)取最大作为储能系统运行优化目标：
Figure FDA0003663045460000092
Figure FDA0003663045460000093
根据公式15和公式16确定储能运行逻辑约束条件，根据公式17和公式18确定储能系统安全运行约束条件；
Figure FDA0003663045460000094
Figure FDA0003663045460000095
Figure FDA0003663045460000096
Figure FDA0003663045460000097
其中，
Figure FDA0003663045460000098
为储能系统在典型日场景sc中时刻t时刻的荷电状态，SOCmin与SOCmax分别为储能系统荷电状态的最小值与最大值；
根据储能系统优化运行策略及其数学模型，在保证解的质量的前提下，采用人工智能算法对模型进行求解，得到储能系统在不同典型日场景下的功率输出情况；
可靠性水平模块，用于根据风力发电功率输出曲线、光伏发电功率输出曲线、储能系统功率输出曲线、以及每个典型场景的发生概率，计算接入风光储联合系统的整体可靠性水平；
置信容量和置信率模块，用于采用弦截法对接入风光储联合发电系统的电力系统可靠性水平进行多次迭代计算，获取风光储联合发电系统置信容量和置信率。
6.根据权利要求5所述的系统，其特征在于，所述构建模块具体用于：
将风速、光照强度、地表温度、负荷需求作为场景构成基本元素，分别获取被研究区域的风速、光照强度、地表温度、及电力负荷需求全年小时级预测数据，并建立全场景集，并根据公式1构建全场景矩阵Sfull-sc：
Figure FDA0003663045460000101
综合采用多种聚类方法对全场景集进行聚类操作，对全场景集进行削减，并采用指标对聚类数量n进行选取，获得典型场景集，并根据公式2构建典型场景矩阵Stypical-sc，记录每个典型场景的发生概率ωsc：
Figure FDA0003663045460000102
其中，Vt，It，Tt，Lt分别为时刻t的风速数据，光照强度数据，地表温度数据和负荷需求数据。
7.根据权利要求5所述的系统，其特征在于，所述可靠性水平模块具体用于：
根据风力发电功率输出曲线、光伏发电功率输出曲线、以及储能系统功率输出曲线，计算典型日场景sc的EENS可靠性指标数据
Figure FDA0003663045460000111
综合考虑发电机、线路故障情况，根据公式19，利用序贯蒙特卡洛法对每个典型场景下的年可靠性数据进行评估，并结合各场景的发生概率计算风光储联合发电系统电力不足期望IEENS：
Figure FDA0003663045460000112
其中，
Figure FDA0003663045460000113
为典型日场景sc的EENS可靠性指标数据，ωsc为典型场景的发生概率。
8.根据权利要求5所述的系统，其特征在于，所述置信容量和置信率具体用于：
采用弦截法，根据公式20和公式21，当增加额定容量为ΔGHGS的风光储联合发电系统，增加负荷需求为ΔL的负荷的系统可靠性与原始系统可靠性相同时，ΔGHGS的风光储联合发电系统的置信容量即为ΔL，此时，根据公式22，ΔGHGS的风光储联合发电系统的容量置信率为λCv：
IEENS(G，L)＝IEENS(G+ΔGHGS，L+ΔL) 公式20；
GCV(ΔGHGS)＝ΔL 公式21；
Figure FDA0003663045460000114
CN202010573531.5A 2020-06-22 2020-06-22 风光储联合发电系统置信容量评估方法及系统 Active CN112785027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010573531.5A CN112785027B (zh) 2020-06-22 2020-06-22 风光储联合发电系统置信容量评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010573531.5A CN112785027B (zh) 2020-06-22 2020-06-22 风光储联合发电系统置信容量评估方法及系统

Publications (2)

Publication Number Publication Date
CN112785027A CN112785027A (zh) 2021-05-11
CN112785027B true CN112785027B (zh) 2022-07-15

Family

ID=75750091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010573531.5A Active CN112785027B (zh) 2020-06-22 2020-06-22 风光储联合发电系统置信容量评估方法及系统

Country Status (1)

Country Link
CN (1) CN112785027B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609746B (zh) * 2021-05-11 2023-04-28 四川大学 基于蒙特卡洛树搜索及强化学习算法的配电网规划方法
CN113609686B (zh) * 2021-08-09 2023-08-29 国网浙江省电力有限公司经济技术研究院 一种新能源置信容量分析方法及系统
CN114050608B (zh) * 2021-10-28 2024-05-03 广东电网有限责任公司 光伏系统储能容量的优化配置方法、装置、设备及介质
CN114123258A (zh) * 2021-11-11 2022-03-01 国网宁夏电力有限公司经济技术研究院 一种风光储容量配置并行优化方法及系统
CN114744687B (zh) * 2022-06-13 2022-09-23 深圳市科中云技术有限公司 一种虚拟电厂的能源调控方法及系统
CN116706892B (zh) * 2023-06-15 2023-12-29 华北电力大学 一种轨道交通光储配置方法、系统及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
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
CN111144668A (zh) * 2020-01-19 2020-05-12 河海大学 考虑场景模拟的综合能源系统随机优化模型的建立方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
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
CN111144668A (zh) * 2020-01-19 2020-05-12 河海大学 考虑场景模拟的综合能源系统随机优化模型的建立方法

Also Published As

Publication number Publication date
CN112785027A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN112785027B (zh) 风光储联合发电系统置信容量评估方法及系统
Liang et al. Probability-driven transmission expansion planning with high-penetration renewable power generation: A case study in northwestern China
US10956993B2 (en) Method and device for determining energy system operating scenario
CN108364117B (zh) 一种考虑光伏电站元件可靠性的电网风险评估方法
CN112994092B (zh) 一种基于功率预测的独立风光储微电网系统尺寸规划方法
CN113256033B (zh) 基于模态互补的发电站选址定容方法、装置、系统及介质
CN109672215A (zh) 基于负荷可时移特性的分布式光伏消纳控制方法
CN114243791A (zh) 风光氢蓄系统的多目标优化配置方法、系统及存储介质
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
CN115021331A (zh) 基于贡献系数法的清洁能源基地水风光一体化补偿方法
CN114037209A (zh) 分布式光伏接入直流配电系统综合效益分析方法及装置
CN115693787B (zh) 考虑源荷随机性的光储配电网新能源接纳能力分析方法
CN110059840B (zh) 一种受端电网中电池储能系统选址方法及系统
CN113937767B (zh) 一种基于改进鲸鱼算法的微电网容量优化配置方法
CN113283492B (zh) 基于Catboost算法的光伏出力场景生成方法及场景生成装置
CN115912421A (zh) 一种配电网储能选址定容多目标优化方法及系统
CN115765044A (zh) 风光水电系统联合运行及风险分析方法和系统
CN113033136B (zh) 简化的光伏电池物理参数提取优化方法及系统
CN115347590A (zh) 基于可逆固体氧化物电池的混合储能微电网寻优控制方法
Huang et al. Power Prediction Method of Distributed Photovoltaic Digital Twin System Based on GA-BP
CN112600248A (zh) 一种光柴储复合供电控制方法
Liu et al. PSO-BP-Based Optimal Allocation Model for Complementary Generation Capacity of the Photovoltaic Power Station
Zhang et al. Simulation Evaluation Method of Power Grid Operation Considering High Proportion New Energy Grid Connection
CN117559488A (zh) 一种优化能源系统容量配置方法及装置
CN117117982A (zh) 一种基于配电网运行模拟的用户侧储能需求评估方法

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