CN112801343A - 一种计及多气象场景适应成本的储能系统容量规划方法 - Google Patents

一种计及多气象场景适应成本的储能系统容量规划方法 Download PDF

Info

Publication number
CN112801343A
CN112801343A CN202110006023.3A CN202110006023A CN112801343A CN 112801343 A CN112801343 A CN 112801343A CN 202110006023 A CN202110006023 A CN 202110006023A CN 112801343 A CN112801343 A CN 112801343A
Authority
CN
China
Prior art keywords
energy storage
storage system
scene
cost
follows
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
Application number
CN202110006023.3A
Other languages
English (en)
Inventor
黄森
程瑜
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202110006023.3A priority Critical patent/CN112801343A/zh
Publication of CN112801343A publication Critical patent/CN112801343A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明公开了一种计及多气象场景适应成本的储能系统容量规划方法，步骤包括：S1：对研究区域气象场景进行信息收集；S2：对气象场景聚类分析，获得典型气象场景集合；S3：确定某气象场景下，以储能运行成本最小求解确定容量储能系统的运行优化；S4：确定某气象场景下，以储能系统总成本最小求解储能系统的容量配置及运行优化；S5：多气象场景下，计算储能系统的最优容量配置及场景适应成本。本发明充分考虑多气象场景对储能系统容量规划及运行优化的影响，考虑储能设备适应多气象场景的适应成本，有利于储能投资方精细了解储能设备的投资经济性。

Description

一种计及多气象场景适应成本的储能系统容量规划方法
技术领域
本发明涉及配电网规划领域，具体地，涉及一种计及多气象场景适应成本的储能系统容量规划方法。
背景技术
储能产业在现代电网中的作用日益凸显，尤其是电化学储能在电网的削峰填谷、提高电网稳定性和分布式电源发电方面已得到广泛应用。伴随我国分布式光伏、储能原来相对高昂的成本平稳下降，且配合峰谷分时电价、需量电价政策激励，用户侧投资分布式光储系统的经济驱动力增强。2017年我国颁布《关于促进储能技术与产业发展的指导意见》进一步加强支持和鼓励用户侧储能发展。用户侧光储系统有利于实现光伏与负荷就地协调，提高可再生电源渗透率，并可通过参与电网削峰填谷及调频辅助服务提高经济性。
目前针对用户侧光储系统储能容量优化配置的研究相对较少。储能成本相对高昂，用户级业主决策储能投资时，需细化了解外部条件变化对投资方案经济性的影响。概率分布函数常用于描述光伏出力的不确定性，但如Beta分布、核密度分布等概率分布函数仅针对某一时点的光伏出力，无法有效反映中长期的光伏出力随机性，不适用于长时间尺度的不确定规划建模。而基于聚类形成的多场景集合刻画光伏出力不确定性，建立多场景不确定优化规划模型对光伏场景刻画良好；可场景化细粒度分析储能规划方案应对光伏出力变化因容量缺额或容量闲置付出的经济代价。
发明内容
有鉴于此，本发明的目的是针对现有技术的不足，提供一种计及多气象场景适应成本的储能系统容量规划方法，解决传统储能容量规划无法计及气象场景适应成本的问题。
为达到上述目的，本发明采用以下技术方案：
一种计及多气象场景适应成本的储能系统容量规划方法，包括以下步骤：
S1：对研究区域气象场景进行信息收集；
S2：对气象场景聚类分析，获得典型气象场景集合；
S3：确定某气象场景下，以储能运行成本最小求解确定容量储能系统的运行优化；
S4：确定某气象场景下，以储能系统总成本最小求解储能系统的容量配置及运行优化；
S5：多气象场景下，计算储能系统的最优容量配置及场景适应成本。
进一步地，在步骤S1中，所述气象场景指气象的温度、光照、适度、晴雨情况、光伏发电有功出力。
进一步地，在步骤S2中，所述聚类分析步骤如下：
1）采用K—means算法作为日光伏曲线的聚类划分方法，选取两个表征类内距离与类间距离差异度的指标BWP和DB，其表达式如下：
Figure 100002_DEST_PATH_IMAGE001
式中，n表示日光伏出力样本总数；
Figure 969444DEST_PATH_IMAGE004
代表第j类所包含的样本数；K为聚类数；
Figure 749181DEST_PATH_IMAGE006
为聚类数K的加权
Figure 82073DEST_PATH_IMAGE008
指标值；
Figure 896446DEST_PATH_IMAGE010
为第j类的第i个样本的BWP值，表示样本i与其它类的最小类间平均距离与第j类样本类内平均距离的商，其表达式如下：
Figure DEST_PATH_IMAGE011
式中，
Figure DEST_PATH_IMAGE013
表示j类的第i个样本；d代表两个样本间的欧式距离，其表达式如下：
Figure DEST_PATH_IMAGE015
其中
Figure DEST_PATH_IMAGE017
，
Figure DEST_PATH_IMAGE019
代表两个d i 维的样本；
2）DB指标表示为类内误差与类间距离的商，DB值越小，说明类内误差越小而类间距离越大，从而判断出聚类效果越好，其表达式如下：
Figure DEST_PATH_IMAGE021
Figure DEST_PATH_IMAGE023
为聚类数K的指标值；
Figure DEST_PATH_IMAGE025
为第j类的类内误差，表示簇类的凝聚度，为j类内的所有样本i与类中心
Figure DEST_PATH_IMAGE027
的平均距离，表达式如下：
Figure DEST_PATH_IMAGE029
3）形成光伏场景集合，
Figure DEST_PATH_IMAGE031
，
Figure DEST_PATH_IMAGE033
为集合中单个典型光伏场景；
Figure DEST_PATH_IMAGE035
为聚类形成的场景数。
进一步地，在步骤S3中，以储能运行成本最小求解确定容量储能系统的运行优化过程如下：
1）光伏场景
Figure DEST_PATH_IMAGE037
下，用户侧光储系统运行优化模块的优化目标函数为用户系统与电网结算的日运行成本净支出最小构建储能系统运行目标函数，其表达式如下：
Figure DEST_PATH_IMAGE039
式中，
Figure DEST_PATH_IMAGE041
是
Figure DEST_PATH_IMAGE043
时刻电网向用户光储系统输送的功率，
Figure DEST_PATH_IMAGE045
，
Figure DEST_PATH_IMAGE047
；
Figure DEST_PATH_IMAGE049
是
Figure 282690DEST_PATH_IMAGE043
时刻用户侧光储系统富余电能返送给电网的功率，
Figure DEST_PATH_IMAGE051
；
Figure DEST_PATH_IMAGE053
为
Figure 487406DEST_PATH_IMAGE043
时刻用户系统从电网购电的购电价格，
Figure DEST_PATH_IMAGE055
为
Figure 889569DEST_PATH_IMAGE043
时刻自发自用的用户侧光储系统将剩余电量倒送电网的售电价，根据我国鼓励分布式清洁电源上网的政策，富余光伏上网电量按照火电机组的脱硫标杆电价结算；
2）构建储能系统与电网的交互约束模型，其表达式如下：
Figure DEST_PATH_IMAGE057
式中，
Figure DEST_PATH_IMAGE059
为
Figure DEST_PATH_IMAGE061
时刻储能系统的充电功率；
Figure DEST_PATH_IMAGE063
为
Figure 241004DEST_PATH_IMAGE061
时刻储能系统的放电功率；
Figure DEST_PATH_IMAGE065
是
Figure DEST_PATH_IMAGE067
时刻用户负荷需求，
Figure DEST_PATH_IMAGE069
；
Figure DEST_PATH_IMAGE071
是
Figure 109734DEST_PATH_IMAGE067
时刻光伏系统的预测出力，
Figure DEST_PATH_IMAGE073
；
3）构建储能系统充电约束模型，其表达式如下：
Figure DEST_PATH_IMAGE075
Figure DEST_PATH_IMAGE077
式中，
Figure DEST_PATH_IMAGE079
为0、1变量，
Figure 473850DEST_PATH_IMAGE080
时刻从电网购电为1，向电网返送电能为0；
Figure 414124DEST_PATH_IMAGE082
为可传输功率的极限；
4）构建储能充放电能量约束模型，其表达式如下：
Figure 937509DEST_PATH_IMAGE084
式中，
Figure 367354DEST_PATH_IMAGE086
为
Figure DEST_PATH_IMAGE087
时刻的储电量，
Figure DEST_PATH_IMAGE089
为储能系统额定容量，
Figure DEST_PATH_IMAGE091
和
Figure DEST_PATH_IMAGE093
分别为
Figure 422029DEST_PATH_IMAGE080
时刻充、放电功率，
Figure DEST_PATH_IMAGE095
为充电效率；
5）构建储能充放电功率约束模型，其表达式如下：
Figure DEST_PATH_IMAGE097
Figure DEST_PATH_IMAGE099
式中，
Figure DEST_PATH_IMAGE101
为储能系统最大充放电倍率，E为最大充放电功率，
Figure DEST_PATH_IMAGE103
为0、1变量，充电为1，放电为0；
6）构建储能始末时刻能量守恒约束模型，其表达式如下：
Figure DEST_PATH_IMAGE105
式中，T为终止时刻，t为运行各时刻；
7）构建储能能量损耗约束模型，其表达式如下：
Figure DEST_PATH_IMAGE107
Figure DEST_PATH_IMAGE109
式中，
Figure DEST_PATH_IMAGE111
为
Figure 510201DEST_PATH_IMAGE080
时刻的容量损耗，
Figure DEST_PATH_IMAGE113
为容量损耗系数，
Figure DEST_PATH_IMAGE115
为最大放电深度；
8）构建储能优先供给负荷约束模型，其表达式如下：
Figure DEST_PATH_IMAGE117
式中，
Figure 85496DEST_PATH_IMAGE118
是
Figure 358346DEST_PATH_IMAGE067
时刻用户负荷需求，
Figure 87267DEST_PATH_IMAGE069
。
进一步地，在步骤S4中，以储能系统总成本最小求解储能系统的容量配置及运行优化包括以下步骤：
1）构建在确定光伏场景
Figure 166082DEST_PATH_IMAGE120
下，储能系统综合成本最小的目标函数：
Figure 601742DEST_PATH_IMAGE122
式中，
Figure 373389DEST_PATH_IMAGE124
为储能容量折算到天的投资成本，
Figure 324028DEST_PATH_IMAGE126
为用户系统日运行成本净支出的成本，其表达式如下：
Figure 144216DEST_PATH_IMAGE128
Figure 496700DEST_PATH_IMAGE130
式中，
Figure 439248DEST_PATH_IMAGE132
为储能电池单位容量投资成本，
Figure 814866DEST_PATH_IMAGE134
为一年的天数，
Figure 235483DEST_PATH_IMAGE136
为光伏场景
Figure DEST_PATH_IMAGE137
下的最佳储能容量配置规模，
Figure DEST_PATH_IMAGE139
为投资成本折算到年的年化值算子；
2）确定光伏场景下，储能系统综合成本最小的约束条件包括上述：储能系统与电网的交互约束、储能系统充电约束、储能充放电能量约束、储能充放电功率约束、储能始末时刻能量守恒约束、储能能量损耗约束、储能优先供给负荷约束。
进一步地，在步骤S5中，计算储能系统的最优容量配置及场景适应成本包括以下步骤：
1）构建储能系统适应多气象场景的适应成本函数模型，其表达式如下：
Figure DEST_PATH_IMAGE141
式中，
Figure DEST_PATH_IMAGE143
为配置了储能容量
Figure 645736DEST_PATH_IMAGE089
的用户系统的最小运行成本，
Figure DEST_PATH_IMAGE145
为储能容量
Figure 696868DEST_PATH_IMAGE146
的投资成本；
Figure 185881DEST_PATH_IMAGE148
为用户系统在最佳储能配置规模下可实现的期望最小综合成本，三者的表达式如下：
Figure 347872DEST_PATH_IMAGE150
Figure 409369DEST_PATH_IMAGE152
Figure 693720DEST_PATH_IMAGE154
式中，各量均已表述；
2）以典型光伏场景集合
Figure 43929DEST_PATH_IMAGE156
中所有场景的总场景适应成本最小为目标函数构建适应成本模型，其表达式如下：
Figure 71928DEST_PATH_IMAGE158
式中，
Figure 253511DEST_PATH_IMAGE160
为聚类场景集合
Figure 398445DEST_PATH_IMAGE156
中场景
Figure 298268DEST_PATH_IMAGE162
的概率；
3）多光伏场景下，储能系统综合成本最小的约束条件包括上述：储能系统与电网的交互约束、储能系统充电约束、储能充放电能量约束、储能充放电功率约束、储能始末时刻能量守恒约束、储能能量损耗约束、储能优先供给负荷约束。
附图说明
图1 本发明的整体流程示意图
具体实施方式
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
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的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
如图所示，本发明提供一种计及多气象场景适应成本的储能系统容量规划方法，包括以下步骤：
S1：对研究区域气象场景进行信息收集：
所述气象场景指气象的温度、光照、适度、晴雨情况、光伏发电有功出力。
S2：对气象场景聚类分析，获得典型气象场景集合：
所述聚类分析步骤如下：
1）采用K—means算法作为日光伏曲线的聚类划分方法，选取两个表征类内距离与类间距离差异度的指标BWP和DB，其表达式如下：
Figure 864378DEST_PATH_IMAGE002
式中，n表示日光伏出力样本总数；
Figure 103730DEST_PATH_IMAGE004
代表第j类所包含的样本数；K为聚类数；
Figure 464304DEST_PATH_IMAGE006
为聚类数K的加权
Figure 851423DEST_PATH_IMAGE008
指标值；
Figure 158908DEST_PATH_IMAGE010
为第j类的第i个样本的BWP值，表示样本i与其它类的最小类间平均距离与第j类样本类内平均距离的商，其表达式如下：
Figure 49503DEST_PATH_IMAGE011
式中，
Figure 846558DEST_PATH_IMAGE013
表示j类的第i个样本；d代表两个样本间的欧式距离，其表达式如下：
Figure DEST_PATH_IMAGE163
其中
Figure 393077DEST_PATH_IMAGE017
，
Figure 566569DEST_PATH_IMAGE019
代表两个d i 维的样本。
2）DB指标表示为类内误差与类间距离的商，DB值越小，说明类内误差越小而类间距离越大，从而判断出聚类效果越好，其表达式如下：
Figure 514934DEST_PATH_IMAGE021
Figure 482890DEST_PATH_IMAGE023
为聚类数K的指标值；
Figure 579022DEST_PATH_IMAGE025
为第j类的类内误差，表示簇类的凝聚度，为j类内的所有样本i与类中心
Figure 228309DEST_PATH_IMAGE027
的平均距离，表达式如下：
Figure 93497DEST_PATH_IMAGE029
3）形成光伏场景集合，
Figure 232354DEST_PATH_IMAGE031
，
Figure 753465DEST_PATH_IMAGE033
为集合中单个典型光伏场景；
Figure 3181DEST_PATH_IMAGE035
为聚类形成的场景数。
S3：确定某气象场景下，以储能运行成本最小求解确定容量储能系统的运行优化步骤如下：
1）光伏场景
Figure 988455DEST_PATH_IMAGE037
下，用户侧光储系统运行优化模块的优化目标函数为用户系统与电网结算的日运行成本净支出最小构建储能系统运行目标函数，其表达式如下：
Figure 235896DEST_PATH_IMAGE039
式中，
Figure 306620DEST_PATH_IMAGE041
是
Figure 360027DEST_PATH_IMAGE043
时刻电网向用户光储系统输送的功率，
Figure 137490DEST_PATH_IMAGE045
，
Figure 618150DEST_PATH_IMAGE047
；
Figure 910591DEST_PATH_IMAGE049
是
Figure 705372DEST_PATH_IMAGE043
时刻用户侧光储系统富余电能返送给电网的功率，
Figure 399658DEST_PATH_IMAGE051
；
Figure 51220DEST_PATH_IMAGE053
为
Figure 34219DEST_PATH_IMAGE043
时刻用户系统从电网购电的购电价格，
Figure 429428DEST_PATH_IMAGE055
为
Figure 978221DEST_PATH_IMAGE043
时刻自发自用的用户侧光储系统将剩余电量倒送电网的售电价，根据我国鼓励分布式清洁电源上网的政策，富余光伏上网电量按照火电机组的脱硫标杆电价结算；
2）构建储能系统与电网的交互约束模型，其表达式如下：
Figure 3946DEST_PATH_IMAGE057
式中，
Figure 270979DEST_PATH_IMAGE059
为
Figure 469880DEST_PATH_IMAGE061
时刻储能系统的充电功率；
Figure 810862DEST_PATH_IMAGE063
为
Figure 69805DEST_PATH_IMAGE061
时刻储能系统的放电功率；
Figure 824135DEST_PATH_IMAGE065
是
Figure 498830DEST_PATH_IMAGE067
时刻用户负荷需求，
Figure 22215DEST_PATH_IMAGE069
；
Figure 452059DEST_PATH_IMAGE071
是
Figure 365789DEST_PATH_IMAGE067
时刻光伏系统的预测出力，
Figure 906491DEST_PATH_IMAGE073
；
3）构建储能系统充电约束模型，其表达式如下：
Figure 549962DEST_PATH_IMAGE075
Figure 822812DEST_PATH_IMAGE077
式中，
Figure 551733DEST_PATH_IMAGE079
为0、1变量，
Figure 630548DEST_PATH_IMAGE080
时刻从电网购电为1，向电网返送电能为0；
Figure 60349DEST_PATH_IMAGE082
为可传输功率的极限；
4）构建储能充放电能量约束模型，其表达式如下：
Figure 566417DEST_PATH_IMAGE084
式中，
Figure 782634DEST_PATH_IMAGE086
为
Figure 602823DEST_PATH_IMAGE087
时刻的储电量，
Figure 955307DEST_PATH_IMAGE089
为储能系统额定容量，
Figure 897855DEST_PATH_IMAGE091
和
Figure 273473DEST_PATH_IMAGE093
分别为
Figure 694090DEST_PATH_IMAGE080
时刻充、放电功率，
Figure 166659DEST_PATH_IMAGE095
为充电效率；
5）构建储能充放电功率约束模型，其表达式如下：
Figure 952213DEST_PATH_IMAGE097
Figure 877443DEST_PATH_IMAGE099
式中，
Figure 101751DEST_PATH_IMAGE101
为储能系统最大充放电倍率，E为最大充放电功率，
Figure 366511DEST_PATH_IMAGE103
为0、1变量，充电为1，放电为0；
6）构建储能始末时刻能量守恒约束模型，其表达式如下：
Figure 650861DEST_PATH_IMAGE105
式中，T为终止时刻，t为运行各时刻；
7）构建储能能量损耗约束模型，其表达式如下：
Figure 63388DEST_PATH_IMAGE107
Figure 825808DEST_PATH_IMAGE109
式中，
Figure 945074DEST_PATH_IMAGE111
为
Figure 400326DEST_PATH_IMAGE080
时刻的容量损耗，
Figure 300149DEST_PATH_IMAGE113
为容量损耗系数，
Figure 803942DEST_PATH_IMAGE115
为最大放电深度；
8）构建储能优先供给负荷约束模型，其表达式如下：
Figure 840031DEST_PATH_IMAGE117
式中，
Figure 403868DEST_PATH_IMAGE118
是
Figure 790987DEST_PATH_IMAGE067
时刻用户负荷需求，
Figure 895209DEST_PATH_IMAGE069
。
S4：确定某气象场景下，以储能系统总成本最小求解储能系统的容量配置及运行优化，步骤如下：
1）构建在确定光伏场景
Figure 51384DEST_PATH_IMAGE120
下，储能系统综合成本最小的目标函数：
Figure 786122DEST_PATH_IMAGE122
式中，
Figure 394958DEST_PATH_IMAGE124
为储能容量折算到天的投资成本，
Figure 568450DEST_PATH_IMAGE126
为用户系统日运行成本净支出的成本，其表达式如下：
Figure 516814DEST_PATH_IMAGE128
Figure 484770DEST_PATH_IMAGE130
式中，
Figure 580902DEST_PATH_IMAGE132
为储能电池单位容量投资成本，
Figure 964610DEST_PATH_IMAGE134
为一年的天数，
Figure 95377DEST_PATH_IMAGE136
为光伏场景
Figure 234235DEST_PATH_IMAGE137
下的最佳储能容量配置规模，
Figure 755346DEST_PATH_IMAGE139
为投资成本折算到年的年化值算子。
2）构建储能系统与电网的交互约束模型，其表达式如下：
Figure 5062DEST_PATH_IMAGE057
式中，
Figure 990335DEST_PATH_IMAGE059
为
Figure 237777DEST_PATH_IMAGE061
时刻储能系统的充电功率；
Figure 308501DEST_PATH_IMAGE063
为
Figure 361908DEST_PATH_IMAGE061
时刻储能系统的放电功率；
Figure 139371DEST_PATH_IMAGE065
是
Figure 620031DEST_PATH_IMAGE067
时刻用户负荷需求，
Figure 912472DEST_PATH_IMAGE069
；
Figure 707253DEST_PATH_IMAGE071
是
Figure 401539DEST_PATH_IMAGE067
时刻光伏系统的预测出力，
Figure 53100DEST_PATH_IMAGE073
；
3）构建储能系统充电约束模型，其表达式如下：
Figure 36100DEST_PATH_IMAGE075
Figure 431309DEST_PATH_IMAGE077
式中，
Figure 980102DEST_PATH_IMAGE079
为0、1变量，
Figure 999967DEST_PATH_IMAGE080
时刻从电网购电为1，向电网返送电能为0；
Figure 267001DEST_PATH_IMAGE082
为可传输功率的极限；
4）构建储能充放电能量约束模型，其表达式如下：
Figure 200322DEST_PATH_IMAGE084
式中，
Figure 806884DEST_PATH_IMAGE086
为
Figure 65827DEST_PATH_IMAGE087
时刻的储电量，
Figure 554577DEST_PATH_IMAGE089
为储能系统额定容量，
Figure 494851DEST_PATH_IMAGE091
和
Figure 18236DEST_PATH_IMAGE093
分别为
Figure 182501DEST_PATH_IMAGE080
时刻充、放电功率，
Figure 361810DEST_PATH_IMAGE095
为充电效率；
5）构建储能充放电功率约束模型，其表达式如下：
Figure 902513DEST_PATH_IMAGE097
Figure 280404DEST_PATH_IMAGE099
式中，
Figure 818833DEST_PATH_IMAGE101
为储能系统最大充放电倍率，E为最大充放电功率，
Figure 282175DEST_PATH_IMAGE103
为0、1变量，充电为1，放电为0；
6）构建储能始末时刻能量守恒约束模型，其表达式如下：
Figure 626569DEST_PATH_IMAGE105
式中，T为终止时刻，t为运行各时刻；
7）构建储能能量损耗约束模型，其表达式如下：
Figure 62230DEST_PATH_IMAGE107
Figure 568297DEST_PATH_IMAGE109
式中，
Figure 784515DEST_PATH_IMAGE111
为
Figure 604703DEST_PATH_IMAGE080
时刻的容量损耗，
Figure 957187DEST_PATH_IMAGE113
为容量损耗系数，
Figure 634156DEST_PATH_IMAGE115
为最大放电深度；
8）构建储能优先供给负荷约束模型，其表达式如下：
Figure 9774DEST_PATH_IMAGE117
式中，
Figure 695970DEST_PATH_IMAGE118
是
Figure 902961DEST_PATH_IMAGE067
时刻用户负荷需求，
Figure 954093DEST_PATH_IMAGE069
。
S5：多气象场景下，计算储能系统的最优容量配置及场景适应成本，步骤如下：
1）构建储能系统适应多气象场景的适应成本函数模型，其表达式如下：
Figure 879324DEST_PATH_IMAGE141
式中，
Figure 103632DEST_PATH_IMAGE143
为配置了储能容量
Figure 368391DEST_PATH_IMAGE089
的用户系统的最小运行成本，
Figure 652742DEST_PATH_IMAGE145
为储能容量
Figure 799690DEST_PATH_IMAGE146
的投资成本；
Figure 827688DEST_PATH_IMAGE148
为用户系统在最佳储能配置规模下可实现的期望最小综合成本，三者的表达式如下：
Figure 946954DEST_PATH_IMAGE150
Figure 402206DEST_PATH_IMAGE152
Figure 302029DEST_PATH_IMAGE154
式中，各量均已表述；
2）以典型光伏场景集合
Figure 805823DEST_PATH_IMAGE156
中所有场景的总场景适应成本最小为目标函数构建适应成本模型，其表达式如下：
Figure 841912DEST_PATH_IMAGE158
式中，
Figure 468065DEST_PATH_IMAGE160
为聚类场景集合
Figure 527288DEST_PATH_IMAGE156
中场景
Figure 897090DEST_PATH_IMAGE162
的概率。
2）构建储能系统与电网的交互约束模型，其表达式如下：
Figure 53265DEST_PATH_IMAGE057
式中，
Figure 788002DEST_PATH_IMAGE059
为
Figure 396838DEST_PATH_IMAGE061
时刻储能系统的充电功率；
Figure 304751DEST_PATH_IMAGE063
为
Figure 253116DEST_PATH_IMAGE061
时刻储能系统的放电功率；
Figure 221072DEST_PATH_IMAGE065
是
Figure 317204DEST_PATH_IMAGE067
时刻用户负荷需求，
Figure 966491DEST_PATH_IMAGE069
；
Figure 97258DEST_PATH_IMAGE071
是
Figure 236115DEST_PATH_IMAGE067
时刻光伏系统的预测出力，
Figure 485788DEST_PATH_IMAGE073
；
3）构建储能系统充电约束模型，其表达式如下：
Figure 1083DEST_PATH_IMAGE075
Figure 986356DEST_PATH_IMAGE077
式中，
Figure 233798DEST_PATH_IMAGE079
为0、1变量，
Figure 38943DEST_PATH_IMAGE080
时刻从电网购电为1，向电网返送电能为0；
Figure 92350DEST_PATH_IMAGE082
为可传输功率的极限；
4）构建储能充放电能量约束模型，其表达式如下：
Figure 869813DEST_PATH_IMAGE084
式中，
Figure 350473DEST_PATH_IMAGE086
为
Figure 908493DEST_PATH_IMAGE087
时刻的储电量，
Figure 437695DEST_PATH_IMAGE089
为储能系统额定容量，
Figure 397560DEST_PATH_IMAGE091
和
Figure 49121DEST_PATH_IMAGE093
分别为
Figure 766542DEST_PATH_IMAGE080
时刻充、放电功率，
Figure 161751DEST_PATH_IMAGE095
为充电效率；
5）构建储能充放电功率约束模型，其表达式如下：
Figure 976123DEST_PATH_IMAGE097
Figure 736269DEST_PATH_IMAGE099
式中，
Figure 3302DEST_PATH_IMAGE101
为储能系统最大充放电倍率，E为最大充放电功率，
Figure 202202DEST_PATH_IMAGE103
为0、1变量，充电为1，放电为0；
6）构建储能始末时刻能量守恒约束模型，其表达式如下：
Figure 808764DEST_PATH_IMAGE105
式中，T为终止时刻，t为运行各时刻；
7）构建储能能量损耗约束模型，其表达式如下：
Figure 802128DEST_PATH_IMAGE107
Figure 556457DEST_PATH_IMAGE109
式中，
Figure 496732DEST_PATH_IMAGE111
为
Figure 20117DEST_PATH_IMAGE080
时刻的容量损耗，
Figure 184382DEST_PATH_IMAGE113
为容量损耗系数，
Figure 363690DEST_PATH_IMAGE115
为最大放电深度；
8）构建储能优先供给负荷约束模型，其表达式如下：
Figure 904393DEST_PATH_IMAGE117
式中，
Figure 282285DEST_PATH_IMAGE118
是
Figure 820714DEST_PATH_IMAGE067
时刻用户负荷需求，
Figure 284056DEST_PATH_IMAGE069
。

Claims (6)

1.一种计及多气象场景适应成本的储能系统容量规划方法，所述方法包括步骤：
S1：对研究区域气象场景进行信息收集；
S2：对气象场景聚类分析，获得典型气象场景集合；
S3：确定某气象场景下，以储能运行成本最小求解确定容量储能系统的运行优化；
S4：确定某气象场景下，以储能系统总成本最小求解储能系统的容量配置及运行优化；
S5：多气象场景下，计算储能系统的最优容量配置及场景适应成本。
2.根据权利要求1中所述的配电网规划方案适应性综合评价方法，其特征在于，所述步骤S1中，所述气象场景指气象的温度、光照、适度、晴雨情况、光伏发电有功出力。
3.根据权利要求1中所述的配电网规划方案适应性综合评价方法，其特征在于，所述步骤S2中，所述聚类分析步骤如下：
1）采用K—means算法作为日光伏曲线的聚类划分方法，选取两个表征类内距离与类间距离差异度的指标BWP和DB，其表达式如下：
Figure DEST_PATH_IMAGE001
式中，n表示日光伏出力样本总数；
Figure 23830DEST_PATH_IMAGE002
代表第j类所包含的样本数；K为聚类数；
Figure DEST_PATH_IMAGE003
为聚类数K的加权
Figure 51829DEST_PATH_IMAGE004
指标值；
Figure DEST_PATH_IMAGE005
为第j类的第i个样本的BWP值，表示样本i与其它类的最小类间平均距离与第j类样本类内平均距离的商，其表达式如下：
Figure 295728DEST_PATH_IMAGE006
式中，
Figure DEST_PATH_IMAGE007
表示j类的第i个样本；d代表两个样本间的欧式距离，其表达式如下：
Figure 813297DEST_PATH_IMAGE008
其中
Figure DEST_PATH_IMAGE009
，
Figure 509858DEST_PATH_IMAGE010
代表两个d i 维的样本；
2）DB指标表示为类内误差与类间距离的商，DB值越小，说明类内误差越小而类间距离越大，从而判断出聚类效果越好，其表达式如下：
Figure 75968DEST_PATH_IMAGE011
Figure 439954DEST_PATH_IMAGE012
为聚类数K的指标值；
Figure 66107DEST_PATH_IMAGE013
为第j类的类内误差，表示簇类的凝聚度，为j类内的所有样本i与类中心
Figure 187647DEST_PATH_IMAGE014
的平均距离，表达式如下：
Figure 619765DEST_PATH_IMAGE015
3）形成光伏场景集合，
Figure 775940DEST_PATH_IMAGE016
，
Figure 635311DEST_PATH_IMAGE017
为集合中单个典型光伏场景；
Figure 244147DEST_PATH_IMAGE018
为聚类形成的场景数。
4.根据权利要求1中所述的配电网规划方案适应性综合评价方法，其特征在于，所述步骤S3中，以储能运行成本最小求解确定容量储能系统的运行优化过程如下：
1）光伏场景
Figure 152061DEST_PATH_IMAGE019
下，用户侧光储系统运行优化模块的优化目标函数为用户系统与电网结算的日运行成本净支出最小构建储能系统运行目标函数，其表达式如下：
Figure 219199DEST_PATH_IMAGE020
式中，
Figure 187155DEST_PATH_IMAGE021
是
Figure 345604DEST_PATH_IMAGE022
时刻电网向用户光储系统输送的功率，
Figure 57208DEST_PATH_IMAGE023
，
Figure 922396DEST_PATH_IMAGE024
；
Figure 123570DEST_PATH_IMAGE025
是
Figure 706998DEST_PATH_IMAGE022
时刻用户侧光储系统富余电能返送给电网的功率，
Figure 284610DEST_PATH_IMAGE026
；
Figure 4305DEST_PATH_IMAGE027
为
Figure 314063DEST_PATH_IMAGE022
时刻用户系统从电网购电的购电价格，
Figure 447104DEST_PATH_IMAGE028
为
Figure 500511DEST_PATH_IMAGE022
时刻自发自用的用户侧光储系统将剩余电量倒送电网的售电价，根据我国鼓励分布式清洁电源上网的政策，富余光伏上网电量按照火电机组的脱硫标杆电价结算；
2）构建储能系统与电网的交互约束、储能系统充电约束、储能充放电能量约束、储能充放电功率约束、储能始末时刻能量守恒约束、储能能量损耗约束、储能优先供给负荷约束模型。
5.根据权利要求1中所述的配电网规划方案适应性综合评价方法，其特征在于，所述步骤S4中，以储能系统总成本最小求解储能系统的容量配置及运行优化包括以下步骤：
1）构建在确定光伏场景
Figure 340291DEST_PATH_IMAGE029
下，储能系统综合成本最小的目标函数：
Figure 883268DEST_PATH_IMAGE030
式中，
Figure 441288DEST_PATH_IMAGE031
为储能容量折算到天的投资成本，
Figure 95123DEST_PATH_IMAGE032
为用户系统日运行成本净支出的成本，其表达式如下：
Figure 789410DEST_PATH_IMAGE033
Figure 706550DEST_PATH_IMAGE034
式中，
Figure 548604DEST_PATH_IMAGE035
为储能电池单位容量投资成本，
Figure 943814DEST_PATH_IMAGE036
为一年的天数，
Figure 758186DEST_PATH_IMAGE037
为光伏场景
Figure 642965DEST_PATH_IMAGE038
下的最佳储能容量配置规模，
Figure 972315DEST_PATH_IMAGE039
为投资成本折算到年的年化值算子；
2）确定光伏场景下，储能系统综合成本最小的约束条件包括上述：储能系统与电网的交互约束、储能系统充电约束、储能充放电能量约束、储能充放电功率约束、储能始末时刻能量守恒约束、储能能量损耗约束、储能优先供给负荷约束。
6.根据权利要求1中所述的配电网规划方案适应性综合评价方法，其特征在于，所述步骤S5中，计算储能系统的最优容量配置及场景适应成本包括以下步骤：
1）构建储能系统适应多气象场景的适应成本函数模型，其表达式如下：
Figure 171216DEST_PATH_IMAGE040
式中，
Figure 840094DEST_PATH_IMAGE041
为配置了储能容量
Figure 895775DEST_PATH_IMAGE042
的用户系统的最小运行成本，
Figure 650104DEST_PATH_IMAGE043
为储能容量
Figure 387116DEST_PATH_IMAGE044
的投资成本；
Figure 972818DEST_PATH_IMAGE045
为用户系统在最佳储能配置规模下可实现的期望最小综合成本，三者的表达式如下：
Figure 402663DEST_PATH_IMAGE046
Figure 706605DEST_PATH_IMAGE047
Figure 981729DEST_PATH_IMAGE048
式中，各量均已表述；
2）以典型光伏场景集合
Figure 625199DEST_PATH_IMAGE049
中所有场景的总场景适应成本最小为目标函数构建适应成本模型，其表达式如下：
Figure 22683DEST_PATH_IMAGE050
式中，
Figure 751604DEST_PATH_IMAGE051
为聚类场景集合
Figure 892736DEST_PATH_IMAGE049
中场景
Figure 390713DEST_PATH_IMAGE052
的概率。
CN202110006023.3A 2021-01-05 2021-01-05 一种计及多气象场景适应成本的储能系统容量规划方法 Pending CN112801343A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110006023.3A CN112801343A (zh) 2021-01-05 2021-01-05 一种计及多气象场景适应成本的储能系统容量规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110006023.3A CN112801343A (zh) 2021-01-05 2021-01-05 一种计及多气象场景适应成本的储能系统容量规划方法

Publications (1)

Publication Number Publication Date
CN112801343A true CN112801343A (zh) 2021-05-14

Family

ID=75808098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110006023.3A Pending CN112801343A (zh) 2021-01-05 2021-01-05 一种计及多气象场景适应成本的储能系统容量规划方法

Country Status (1)

Country Link
CN (1) CN112801343A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114336605A (zh) * 2021-12-29 2022-04-12 西安交通大学 一种柔性电氢制储注一体站容量配置方法及系统
CN117117926A (zh) * 2023-10-25 2023-11-24 国网江西省电力有限公司经济技术研究院 一种配电网储能配置方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114336605A (zh) * 2021-12-29 2022-04-12 西安交通大学 一种柔性电氢制储注一体站容量配置方法及系统
CN117117926A (zh) * 2023-10-25 2023-11-24 国网江西省电力有限公司经济技术研究院 一种配电网储能配置方法及系统
CN117117926B (zh) * 2023-10-25 2024-04-09 国网江西省电力有限公司经济技术研究院 一种配电网储能配置方法及系统

Similar Documents

Publication Publication Date Title
CN109359389B (zh) 基于典型负荷动态博弈的城市电动汽车充电决策方法
CN111738497B (zh) 计及需求侧响应的虚拟电厂双层优化调度方法
WO2023010759A1 (zh) 基于配售电竞争态势下区域配电网网格化负荷区间预测方法
CN111404206B (zh) 考虑投资回报约束的风光储发电系统容量双层规划方法
CN112103946A (zh) 一种基于粒子群算法的微电网储能优化配置方法
US20230070151A1 (en) Hierarchical energy management for community microgrids with integration of second-life battery energy storage systems and photovoltaic solar energy
CN112290592B (zh) 一种风光储联合发电系统的容量优化规划方法、系统及可读存储介质
CN110245794B (zh) 考虑灵活性的多能源汇集中心火储容量双层优化方法
CN110932299A (zh) 一种光氢储耦合微电网中电池储能系统的容量优化方法
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
CN108460525A (zh) 一种多能互补配用电系统的综合能源利用效率评估方法
CN115759623A (zh) 一种储能参与电力市场交易特征关系的调度方法
CN114938035B (zh) 考虑储能退化成本的共享储能能量调度方法及系统
CN116388245A (zh) 光储充一体化电站储能容量配置方法及相关设备
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
CN115205068A (zh) 计及净负荷需求分布式的储能最优峰谷时段划分方法
CN114638124A (zh) 一种电力系统优化方法、系统及计算机可读存储介质
CN114301089A (zh) 一种风光联合发电系统储能容量配置优化方法
CN111082446B (zh) 一种考虑电池自消耗的储能优化配置方法
CN109586309B (zh) 基于大数据自由熵理论和场景匹配的配电网无功优化方法
CN116914821A (zh) 一种基于改进粒子群算法的微电网低碳优化调度方法
CN108683211B (zh) 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型
CN116488218A (zh) 工业园区储能配置方法、装置、电子设备及存储介质
CN112865101B (zh) 一种考虑可再生能源出力不确定性的线性化交易方法
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

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication