CN113178880A - 一种基于风电功率概率预测的混合储能优化定容与调控方法 - Google Patents

一种基于风电功率概率预测的混合储能优化定容与调控方法 Download PDF

Info

Publication number
CN113178880A
CN113178880A CN202110320427.XA CN202110320427A CN113178880A CN 113178880 A CN113178880 A CN 113178880A CN 202110320427 A CN202110320427 A CN 202110320427A CN 113178880 A CN113178880 A CN 113178880A
Authority
CN
China
Prior art keywords
energy storage
wind power
hybrid
power
battery
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
Application number
CN202110320427.XA
Other languages
English (en)
Other versions
CN113178880B (zh
Inventor
万灿
钱韦廷
赵长飞
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110320427.XA priority Critical patent/CN113178880B/zh
Publication of CN113178880A publication Critical patent/CN113178880A/zh
Application granted granted Critical
Publication of CN113178880B publication Critical patent/CN113178880B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in 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
    • H02J3/28—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
    • 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
    • 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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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
    • H02J2300/28—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
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于风电功率概率预测的混合储能优化定容与调控方法。该方法根据风电概率预测结果生成具有时间相关性的风电典型场景；然后提出一种自适应变分模态分解算法，从风电场景中提取满足风电并网要求的风电功率低频分量和符合电池储能和超级电容储能工作特性的风电功率中、高频分量；最后，建立包含风储混合系统有功功率平衡约束、储能功率约束、储能容量约束、电池储能循环寿命约束和超级电容荷电状态机会约束的混合储能优化定容与调控模型，求解出混合储能优化定容与调控结果。本发明在保证混合储能有效平抑风电波动的情况下，实现对混合储能进行经济优化定容，可减少风电功率波动对电网安全稳定运行的影响，提高电网的风电接入能力。

Description

一种基于风电功率概率预测的混合储能优化定容与调控方法
技术领域
本发明涉及一种基于风电功率概率预测的混合储能优化定容与调控方法，属于可再生能源优化并网领域。
背景技术
随着风电装机容量逐年增大，电网中风电渗透率不断上升，风电的波动性、随机性和反调峰特性给电网的运行控制、调度管理带来了巨大挑战。为有效应对电网中风电渗透率不断上升的情况，如何减小并网风电波动对电力系统的影响，提高风电并网运行能力，从而保证系统的安全稳定运行成为了当前研究的热门问题。随着储能技术不断发展，各种类型的储能设备被运用于电力系统中，储能系统灵活充/放电的运行特性使其可以有效应对风力发电的不确定性，平抑风电有功功率波动，让电网可以应对风电渗透率不断增加的趋势。现有考虑储能平抑风电波动优化定容和调控的研究多只考虑使用一种储能设备，不能获得最佳的风电波动平抑效果；此外，已有的储能平抑风电波动优化定容和调控的研究都基于风电历史数据或风电点预测数据，未有效量化风电不确定性，所获得的优化定容和调控结果不能满足电网实际运行的需要。因此，有必要提出一种基于概率预测的混合储能优化定容和调控方法。
发明内容
为了克服现有技术的不足，本发明的目的是提出一种基于风电功率概率预测的混合储能优化定容与调控方法。该方法首先根据风电概率预测结果生成具有时间相关性的风电典型场景从而有效量化风电不确定性；然后提出一种自适应变分模态分解算法，实现从风电场景中提取出满足风电并网要求的风电功率低频分量和符合电池储能和超级电容储能工作特性的风电功率中、高频分量。最后，建立包含风储混合系统有功功率平衡约束、储能功率约束、储能容量约束、电池储能循环寿命约束和超级电容荷电状态机会约束的混合储能优化定容与调控模型，并求解出混合储能优化定容与调控结果。
本发明采用的技术方案如下：
一种基于风电功率概率预测的混合储能优化定容与调控方法，包括以下步骤：
步骤1：考虑到储能技术类型较多，不同类型储能的特点、性能各异，采用能量型储能电池储能和功率型储能超级电容储能组成混合储能系统，并将混合储能系统安装于风电场中，从而构建成风储混合系统。风电机组的发电功率汇集到风电场中，混合储能系统安装于风电场中并通过充/放电对风电功率波动进行平抑，经平抑后的风电功率再并入电网。有序控制混合储能系统中的电池储能和超级电容储能充/放电可以减小风电场输出风电的有功功率波动，使得风储混合系统的并网风电功率变得平滑。
步骤2：使用直接分位数回归的非参概率预测方法预测得到风电功率的一组预测分位点，表示为:
Figure BDA0002992582000000021
其中，
Figure BDA0002992582000000022
为实际分位点
Figure BDA0002992582000000023
的估计值；
Figure BDA0002992582000000024
是分位水平从0到1的预测分位点序列，对应风电累积分布函数曲线上离散点的横坐标值；R为分位点个数。在每个时刻，根据直接分位数回归的非参概率预测得到的预测分位点序列采用线性插值方法处理得到完整的风电累积分布函数Ft(·)。根据基于概率预测所得到的风电累积分布函数Ft(·)，可通过x1＝F1 -1(y1),…,xt＝Ft -1(yt),…xT＝FT -1(yT)计算求得以y＝[y1,...,yt,...,yT]T为累积概率的不同时刻的风电功率x1,...,xt,...,xT，其中，yt为服从[0,1]均匀分布的随机变量，T为一个预测周期的时长，其取值为正整数。
为了对累积分布函数Ft(·)之间的时间相关性进行建模，引入多元高斯Copula函数。采用有T个随机变量的多元高斯Copula函数C(·)，并根据基于概率预测所得到的风电累积分布函数Ft(·)，即可构造出满足风电功率时序相关性的多元高斯Copula函数F(x1,…,xT)，即
F(x1,…,xT)＝C(F1(x1),…,FT(xT))＝C(y1,…,yT)
通过对多元高斯Copula函数进行蒙特卡罗抽样，可以得到N个具有时间相关性的风电场景，这些场景组成了原始风电场景集
Figure BDA0002992582000000025
以反映风电功率的随机特性，并用于量化风电不确定性。采用k-means聚类算法对原始风电场景进行削减，从而获得具有N*个典型风电场景的风电场景集
Figure BDA0002992582000000026
其中
Figure BDA0002992582000000027
为第i个典型风电场景，
Figure BDA0002992582000000028
为典型风电场景i在时刻t时的风电功率值。
步骤3：使用自适应变分模态分解方法来确定合适的模态分量数K以及风电功率中频和高频分量之间的频率分界点l，实现从风电功率中提取出满足并网要求的目标并网风电功率，并根据混合储能中不同储能设备的运行特性分配其充/放电功率。
对于所获得的典型风电场景集中的第i个典型风电场景
Figure BDA0002992582000000029
经变分模态分解后得到的结果表示如下：
Figure BDA0002992582000000031
其中，
Figure BDA0002992582000000032
是第i个典型风电场景
Figure BDA0002992582000000033
的第j个模态分量，Ki为典型风电场景i的模态分量数。
对于第i个典型风电场景，其模态分量数Ki和风电功率中频分量与高频分量之间的频率分界点li通过以下规则自适应地确定：
(1)与目标并网风电功率相对应的低频分量(即第一个模态分量
Figure BDA0002992582000000034
)要满足电网对风电并网有功功率波动的安全运行要求；
(2)中频分量符合容量密度大、持续充/放电时间长的能量型储能电池储能的运行特性(电池储能的容量密度、持续充/放电时间可根据需要自行确定)，并作为电池储能的预调度充/放电功率；
(3)高频分量符合功率密度较大、持续充/放电时间较短的功率型储能超级电容储能的运行特性(超级电容储能的容量密度、持续充/放电时间可根据需要自行确定)，并作为超级电容储能的预调度充/放电功率。若超级电容储能的持续充放电时间选定为5分钟，则高频分量包括中心频率高于1/(5·60)Hz的模态分量，而中频分量包括除了低频分量所对应的模态分量以外的中心频率低于1/(5·60)Hz的所有模态分量。
自适应变分模态分解方法所提取的典型风电场景i的风电低、中和高频分量表示如下：
Figure BDA0002992582000000035
Figure BDA0002992582000000036
Figure BDA0002992582000000037
其中，模态分量
Figure BDA0002992582000000038
提取了风电波动中需要被电池储能平抑的中频分量，而模态分量
Figure BDA0002992582000000039
则提取了风电波动中需要被超级电容储能平抑的高频分量。
Figure BDA00029925820000000310
为典型风电场景i的目标并网风电功率的预调度值，Pt w为时刻t时的并网风电功率预调度目标值；
Figure BDA00029925820000000311
为典型风电场景i下电池储能充/放电功率的预调度计划，
Figure BDA00029925820000000312
为典型风电场景i在时刻t时电池储能的充/放电功率预调度值；
Figure BDA00029925820000000313
为典型风电场景i下超级电容储能充/放电功率的预调度计划，
Figure BDA00029925820000000314
为典型风电场景i在时刻t时超级电容储能的充/放电功率预调度值；
步骤4：提出的混合储能随机优化定容和调控模型的目标函数包括储能投资成本、储能运行/维护成本和风电波动的惩罚。混合储能随机优化定容模型的目标函数表示为:
Figure BDA0002992582000000041
上式中fs(x)为：
Figure BDA0002992582000000042
其中，
Figure BDA0002992582000000043
和
Figure BDA0002992582000000044
为电池储能和超级电容储能的单位容量日分摊成本；
Figure BDA0002992582000000045
和
Figure BDA0002992582000000046
为电池储能的额定容量和额定功率；
Figure BDA0002992582000000047
和
Figure BDA0002992582000000048
为电池储能和超级电容储能的单位功率日分摊成本；
Figure BDA0002992582000000049
和
Figure BDA00029925820000000410
为超级电容储能的额定容量和额定功率；Cpun为优化后的并网风电功率与目标并网风电功率之间功率偏差的惩罚系数；Pt BESS为时刻t时电池储能的充/放电功率；Pt SC为时刻t时超级电容储能的充/放电功率；CBESS为电池储能的单位运行成本系数；CSC为超级电容储能的单位运行成本系数；Pt w为时刻t时的并网风电功率预调度目标值；
Figure BDA00029925820000000411
为时刻t时随机优化后的风储混合系统并网风电功率；Δt为时间间隔；x为风电功率随机变量。
目标函数中的期望项
Figure BDA00029925820000000412
可以根据典型风电场景下fs的加权平均进行近似：
Figure BDA00029925820000000413
其中，N*为典型风电场景数；πi为典型风电场景i的发生概率；
Figure BDA00029925820000000414
为典型风电场景i在时刻t时的并网风电功率预调度目标值；
Figure BDA00029925820000000415
为典型风电场景i在时刻t时优化后的风储混合系统并网风电功率。
混合储能的固定投资成本包括额定功率成本
Figure BDA00029925820000000416
和额定容量成本
Figure BDA00029925820000000417
m表示集合
Figure BDA00029925820000000418
中包含的储能设备类型，其中BESS表示电池储能，SC表示超级电容储能；在混合储能被安装后，其固定投资成本按日进行分摊，储能的单位容量日分摊成本
Figure BDA00029925820000000419
和单位功率日分摊成本
Figure BDA00029925820000000420
定义如下:
Figure BDA00029925820000000421
Figure BDA00029925820000000422
其中，
Figure BDA00029925820000000423
为储能设备m的单位容量成本；
Figure BDA00029925820000000424
为储能设备m的单位功率成本；Wm为储能设备m的年平均运行天数；Tm为储能设备m的预期寿命。
(1)风储混合系统有功功率平衡约束
风储混合系统的有功功率平衡表达式如下：
Figure BDA0002992582000000051
Figure BDA0002992582000000052
Figure BDA0002992582000000053
Figure BDA0002992582000000054
其中，
Figure BDA0002992582000000055
和
Figure BDA0002992582000000056
为典型风电场景i时刻t时电池储能和超级电容储能充/放电功率的优化调整量；
Figure BDA0002992582000000057
为典型风电场景i时刻t时的风电功率值。考虑到实际运行时储能的充/放电功率为一个确定的值，因此随机优化调控模型任意时刻下所有场景对应的储能充/放电功率相等，Pt BESS和Pt SC是只与时刻t有关的变量，但Pt BESS和Pt SC是基于所有典型风电场景优化求解得到的。
(2)能量转换约束
混合储能系统中储能设备所存储的能量采用下式计算：
Figure BDA0002992582000000058
其中，
Figure BDA0002992582000000059
表示储能设备m在时刻t时所存储的能量，集合
Figure BDA00029925820000000510
中包含电池储能BESS和超级电容储能SC；
Figure BDA00029925820000000511
为0-1整数变量，如果储能设备m在时刻t时工作于充电状态则
Figure BDA00029925820000000512
如果工作于放电状态则
Figure BDA00029925820000000513
ηm为储能设备m的充电效率。能量转换约束中的非线性项
Figure BDA00029925820000000514
可以通过以下公式进行线性化：
Figure BDA00029925820000000515
Figure BDA00029925820000000516
Figure BDA00029925820000000517
Figure BDA00029925820000000518
Figure BDA00029925820000000519
其中，Pt L,m是代替
Figure BDA00029925820000000520
和Pt m乘积项的连续变量；M是一个足够大的常数(其数量级为106)。
(3)混合储能的荷电状态约束
混合储能系统中各储能设备的荷电状态要确保在其上限
Figure BDA0002992582000000061
和下限
Figure BDA0002992582000000062
范围之内：
Figure BDA0002992582000000063
Figure BDA0002992582000000064
其中，
Figure BDA0002992582000000065
为储能设备m的额定容量；
Figure BDA0002992582000000066
是储能设备m在时刻t时的荷电状态。
Figure BDA0002992582000000067
和
Figure BDA0002992582000000068
为储能设备m的荷电状态的上限值和下限值。
此外，储能设备在一个调度周期结束时存储的能量要与调度周期开始时存储的能量相同，该约束表示为：
Figure BDA0002992582000000069
其中，下标“start”和“end”表示一个调度周期开始和结束的时刻。
(4)混合储能系统功率约束
储能的充/放电功率存在上下极限：
Figure BDA00029925820000000610
其中，
Figure BDA00029925820000000611
和
Figure BDA00029925820000000612
为储能设备m的充/放电功率上限和下限，所述储能设备的储能充/放电功率的上下限由其额定功率
Figure BDA00029925820000000613
决定，即
Figure BDA00029925820000000614
和
Figure BDA00029925820000000615
(5)混合储能优化充/放电功率约束
混合储能中电池储能和超级电容储能优化后的充/放电功率的约束为：
Figure BDA00029925820000000616
Figure BDA00029925820000000617
(6)电池储能的循环寿命约束
作为能量型储能的电池储能具有的循环寿命相较于高功率密度、只有较短持续充/放电时间的功率型储能小，所以电池储能不能频繁地改变充/放电状态，因此需要限制电池储能在优化周期T内的循环次数：
Figure BDA00029925820000000618
Figure BDA00029925820000000619
Figure BDA0002992582000000071
其中，rt是电池储能充/放电状态转换的标志，rt＝1表示电池储能在时刻t时从放电状态变为充电状态，rt＝0表示时刻t时电池储能的充/放电状态没有改变，rt＝-1则表示电池储能在时刻t时从充电状态变为放电状态；N0为电池储能的循环寿命，即电池储能以100％放电深度充/放电时的循环次数；WBESS为电池储能一年内的平均运行天数；TBESS是电池储能的预期寿命；qt的总数就是电池储能在一个优化周期内的循环次数。电池储能的循环寿命约束可以通过引入两个0-1整数变量进行线性化：
Figure BDA0002992582000000072
Figure BDA0002992582000000073
Figure BDA0002992582000000074
其中，
Figure BDA0002992582000000075
和
Figure BDA0002992582000000076
为0-1整数变量，M为一个数量级为106的常数。
(7)超级电容储能荷电状态的机会约束
超级电容储能相比于电池储能具有更大的循环寿命，所以超级电容储能可以频繁地改变充/放电状态。但由于超级电容储能的能量密度较小，因此考虑增加对超级电容储能荷电状态的机会约束，从而保证超级电容储能在运行时不会长时间处于过度充/放电状态，但在极端情况下可以短时间过度充/放电运行以更好地平抑风电波动。对于超级电容储能荷电状态的机会约束表示如下：
Figure BDA0002992582000000077
Figure BDA0002992582000000078
和
Figure BDA0002992582000000079
为超级电容储能正常状态下荷电状态的最大值和最小值，即如果超级电容的荷电状态在该范围内则为正常状态，否则处于告警状态；ε为机会约束的置信水平，即要求机会约束以100·ε％的置信水平被满足。为了使机会约束易于求解，上式可以通过抽样平均近似的方法变换为:
Figure BDA00029925820000000710
Figure BDA00029925820000000711
Figure BDA0002992582000000081
其中，
Figure BDA0002992582000000082
说明超级电容储能的荷电状态在时刻t时刻处于正常状态，相反则处于告警状态。超级电容储能荷电状态的机会约束可以通过引入0-1整数变量和连续变量进行线性化：
Figure BDA0002992582000000083
Figure BDA0002992582000000084
Figure BDA0002992582000000085
Figure BDA0002992582000000086
其中，
Figure BDA0002992582000000087
和
Figure BDA0002992582000000088
为0-1整数变量；zt为连续变量；μ为常数，μ∈(1,2)。
步骤5：结合风储混合系统的预调度结果、混合储能随机优化定容与调控模型的目标函数和包括电池储能循环寿命约束和超级电容荷电状态机会约束在内的混合整数线性约束，混合储能随机优化定容与调控模型被构建为混合整数二次规划模型，可以通过优化求解器对其进行求解。
本发明的主要优点和效果如下：
1)提出了一种基于概率预测的典型风电场景生成方法；根据风电概率预测得到不同时刻风电功率的累积分布曲线，并基于此构造多元高斯Copula函数，对所构造的多元高斯Copula函数进行蒙特卡洛抽样，可以获得考虑时间相关性的风电场景以量化风电不确定性。
2)提出了一种风储混合系统并网风电功率和储能充/放电功率的预调度方法。使用自适应变分模态分解方法在考虑平抑风电波动的情况下获得典型风电场景的低、中和高频分量，从而确定风储混合系统并网风电功率、混合储能充/放电功率的预调度计划。
3)提出了基于风电功率概率预测的混合储能优化定容与调控方法，所提方法可以在考虑混合储能平抑风电波动的情况下对混合储能进行定容和调控，定容结果具有经济性且满足混合储能系统实际运行的需求，调控结果可以有效平抑风电波动。
附图说明
图1是基于风电功率概率预测的混合储能优化定容与调控方法的流程图。
具体实施方式
以下结合附图作进一步说明。
如图1是基于风电功率概率预测的混合储能优化定容与调控方法的流程图，其主要流程如下：
1)采用电池储能和超级电容储能组成混合储能系统，并将混合储能安装于风电场中建成风储混合系统；
2)基于风电概率预测结果生成原始风电场景集；
3)使用场景削减方法对原始风电场景集中的风电场景进行削减，提取典型风电场景以量化风电不确定性；
4)使用自适应变分模态分解方法提取风储混合系统的预调度计划；
5)建立混合储能随机优化定容与调控模型；
6)引入辅助变量对约束条件中的非线性约束进行线性化；
7)求解混合储能随机优化调控与定容模型；
8)得到混合储能随机优化调控与定容结果。
下面介绍具体的执行流程。建立包含风储混合系统有功功率平衡约束、储能功率约束、储能容量约束、电池储能循环寿命约束和超级电容荷电状态机会约束的混合储能优化定容与调控模型。基于概率预测的混合储能优化定容与调控模型目标函数为：
Figure BDA0002992582000000091
上式中fs(x)为：
Figure BDA0002992582000000092
期望项
Figure BDA0002992582000000093
可以根据通过概率预测得到的典型风电场景下fs的加权平均进行近似：
Figure BDA0002992582000000094
约束条件为：
Figure BDA0002992582000000095
Figure BDA0002992582000000096
Figure BDA0002992582000000097
Figure BDA0002992582000000098
Figure BDA0002992582000000099
Figure BDA00029925820000000910
Figure BDA0002992582000000101
Figure BDA0002992582000000102
Figure BDA0002992582000000103
Figure BDA0002992582000000104
Figure BDA0002992582000000105
Figure BDA0002992582000000106
Figure BDA0002992582000000107
Figure BDA0002992582000000108
最后，求解基于概率预测的混合储能优化定容与调控模型。该方法不仅保证了通过调控混合储能可以有效平抑风电波动，而且实现了对混合储能的经济优化定容。

Claims (5)

1.一种基于风电功率概率预测的混合储能优化定容与调控方法，其特征在于：该混合储能优化定容与调控方法包括以下步骤：
步骤1：采用电池储能和超级电容储能组成混合储能系统，并将混合储能系统安装于风电场中，从而构建成风储混合系统；
步骤2：使用直接分位数回归的非参概率预测方法预测得到风电功率的一组预测分位点，表示为:
Figure RE-FDA0003102128850000011
其中，
Figure RE-FDA0003102128850000012
为实际分位点
Figure RE-FDA0003102128850000013
的估计值；
Figure RE-FDA0003102128850000014
是分位水平从0到1的预测分位点序列，对应风电累积分布函数曲线上离散点的横坐标值；R为分位点个数；在每个时刻，采用线性插值方法对预测分位点序列进行处理得到完整的风电累积分布函数Ft(·)；根据风电累积分布函数Ft(·)，通过x1＝F1 -1(y1),…,xt＝Ft -1(yt),…xT＝FT -1(yT)计算求得以y＝[y1,…,yt,…,yT]T为累积概率的不同时刻的风电功率x1,…,xt,…,xT，其中，yt为服从[0,1]均匀分布的随机变量，T为一个预测周期的时长，其取值为正整数；
引入多元高斯Copula函数对累积分布函数Ft(·)之间的时间相关性进行建模；采用有T个随机变量的多元高斯Copula函数C(·)，并根据风电累积分布函数Ft(·)构造出满足风电功率时序相关性的多元高斯Copula函数F(x1,…,xT)，即
F(x1,…,xT)＝C(F1(x1),…,FT(xT))＝C(y1,…,yT)
通过对多元高斯Copula函数进行蒙特卡罗抽样，得到N个具有时间相关性的风电场景，这些场景组成原始风电场景集
Figure RE-FDA0003102128850000015
采用k-means聚类算法对原始风电场景进行削减，从而获得具有N*个典型风电场景的风电场景集
Figure RE-FDA0003102128850000016
其中
Figure RE-FDA0003102128850000017
为第i个典型风电场景，
Figure RE-FDA0003102128850000018
为典型风电场景i在时刻t时的风电功率值；
步骤3：使用自适应变分模态分解方法来确定合适的模态分量数K以及风电功率中频和高频分量之间的频率分界点l，实现从风电功率中提取出满足并网要求的目标并网风电功率，并根据混合储能中不同储能设备的运行特性分配其充/放电功率；
对于所获得的典型风电场景集中的第i个典型风电场景
Figure RE-FDA0003102128850000021
经变分模态分解后得到的结果表示如下：
Figure RE-FDA0003102128850000022
其中，
Figure RE-FDA0003102128850000023
是第i个典型风电场景
Figure RE-FDA0003102128850000024
的第j个模态分量，Ki为典型风电场景i的模态分量数；
自适应变分模态分解方法所提取的典型风电场景i的风电低、中和高频分量表示如下：
Figure RE-FDA0003102128850000025
Figure RE-FDA0003102128850000026
Figure RE-FDA0003102128850000027
其中，模态分量
Figure RE-FDA0003102128850000028
提取了风电波动中需要被电池储能平抑的中频分量，而模态分量
Figure RE-FDA0003102128850000029
则提取了风电波动中需要被超级电容储能平抑的高频分量；
Figure RE-FDA00031021288500000210
为典型风电场景i的目标并网风电功率的预调度值，Pt w为时刻t时的并网风电功率预调度目标值；
Figure RE-FDA00031021288500000211
为典型风电场景i下电池储能充/放电功率的预调度计划，
Figure RE-FDA00031021288500000212
为典型风电场景i在时刻t时电池储能的充/放电功率预调度值；
Figure RE-FDA00031021288500000213
为典型风电场景i下超级电容储能充/放电功率的预调度计划，
Figure RE-FDA00031021288500000214
为典型风电场景i在时刻t时超级电容储能的充/放电功率预调度值；
步骤4：提出的混合储能随机优化定容和调控模型的目标函数包括储能投资成本、储能运行/维护成本和风电波动的惩罚；混合储能随机优化定容和调控模型的目标函数表示为:
Figure RE-FDA00031021288500000215
上式中fs(x)为：
Figure RE-FDA00031021288500000216
其中，
Figure RE-FDA00031021288500000217
和
Figure RE-FDA00031021288500000218
为电池储能和超级电容储能的单位容量日分摊成本；
Figure RE-FDA00031021288500000219
和
Figure RE-FDA00031021288500000220
为电池储能的额定容量和额定功率；
Figure RE-FDA00031021288500000221
和
Figure RE-FDA00031021288500000222
为电池储能和超级电容储能的单位功率日分摊成本；
Figure RE-FDA00031021288500000223
和
Figure RE-FDA00031021288500000224
为超级电容储能的额定容量和额定功率；Cpun为优化后的并网风电功率与目标并网风电功率之间功率偏差的惩罚系数；Pt BESS为时刻t时电池储能的充/放电功率；Pt SC为时刻t时超级电容储能的充/放电功率；CBESS为电池储能的单位运行成本系数；CSC为超级电容储能的单位运行成本系数；
Figure RE-FDA0003102128850000031
为时刻t时随机优化后的风储混合系统并网风电功率；Δt为时间间隔；x为风电功率随机变量；
混合储能的固定投资成本包括额定功率成本
Figure RE-FDA0003102128850000032
和额定容量成本
Figure RE-FDA0003102128850000033
m表示集合
Figure RE-FDA0003102128850000034
中包含的储能设备类型，其中BESS表示电池储能，SC表示超级电容储能；在混合储能被安装后，其固定投资成本按日进行分摊，储能的单位容量日分摊成本
Figure RE-FDA0003102128850000035
和单位功率日分摊成本
Figure RE-FDA0003102128850000036
定义如下:
Figure RE-FDA0003102128850000037
Figure RE-FDA0003102128850000038
其中，
Figure RE-FDA0003102128850000039
为储能设备m的单位容量成本；
Figure RE-FDA00031021288500000310
为储能设备m的单位功率成本；Wm为储能设备m的年平均运行天数；Tm为储能设备m的预期寿命；
(1)风储混合系统有功功率平衡约束
风储混合系统的有功功率平衡表达式如下：
Figure RE-FDA00031021288500000311
Figure RE-FDA00031021288500000312
Figure RE-FDA00031021288500000313
Figure RE-FDA00031021288500000314
其中，
Figure RE-FDA00031021288500000315
和
Figure RE-FDA00031021288500000316
为典型风电场景i时刻t时电池储能和超级电容储能充/放电功率的优化调整量；
Figure RE-FDA00031021288500000317
为典型风电场景i时刻t时的风电功率值；
(2)能量转换约束
混合储能系统中储能设备所存储的能量采用下式计算：
Figure RE-FDA00031021288500000318
其中，
Figure RE-FDA0003102128850000041
表示储能设备m在时刻t时所存储的能量，集合
Figure RE-FDA0003102128850000042
中包含电池储能BESS和超级电容储能SC；
Figure RE-FDA0003102128850000043
为0-1整数变量，如果储能设备m在时刻t时工作于充电状态则
Figure RE-FDA0003102128850000044
如果工作于放电状态则
Figure RE-FDA0003102128850000045
ηm为储能设备m的充电效率；
(3)混合储能的荷电状态约束
混合储能系统中各储能设备的荷电状态需确保在其上限
Figure RE-FDA0003102128850000046
和下限
Figure RE-FDA0003102128850000047
范围之内：
Figure RE-FDA0003102128850000048
Figure RE-FDA0003102128850000049
其中，
Figure RE-FDA00031021288500000410
为储能设备m的额定容量；
Figure RE-FDA00031021288500000411
和
Figure RE-FDA00031021288500000412
为储能设备m的荷电状态的上限值和下限值；
Figure RE-FDA00031021288500000413
是储能设备m在时刻t时的荷电状态；
储能设备在一个调度周期结束时存储的能量需与调度周期开始时存储的能量相同，该约束表示为：
Figure RE-FDA00031021288500000414
其中，下标“start”和“end”表示一个调度周期开始和结束的时刻；
(4)混合储能系统功率约束
储能的充/放电功率存在上下极限：
Figure RE-FDA00031021288500000415
其中，
Figure RE-FDA00031021288500000416
和
Figure RE-FDA00031021288500000417
为储能设备m的充/放电功率上限和下限，所述储能设备的充/放电功率的上下限由其额定功率
Figure RE-FDA00031021288500000418
决定，即
Figure RE-FDA00031021288500000419
和
Figure RE-FDA00031021288500000420
(5)混合储能优化充/放电功率约束
混合储能中电池储能和超级电容储能优化后的充/放电功率的约束为：
Figure RE-FDA00031021288500000421
Figure RE-FDA00031021288500000422
(6)电池储能的循环寿命约束
限制电池储能在优化周期T内的循环次数：
Figure RE-FDA00031021288500000423
Figure RE-FDA0003102128850000051
Figure RE-FDA0003102128850000052
其中，rt是电池储能充/放电状态转换的标志，rt＝1表示电池储能在时刻t时从放电状态变为充电状态，rt＝0表示时刻t时电池储能的充/放电状态没有改变，rt＝-1则表示电池储能在时刻t时从充电状态变为放电状态；N0为电池储能的循环寿命，即电池储能以100％放电深度充/放电时的循环次数；WBESS为电池储能一年内的平均运行天数；TBESS是电池储能的预期寿命；qt的总数为电池储能在一个优化周期内的循环次数；
(7)超级电容储能荷电状态的机会约束
超级电容储能荷电状态的机会约束表示如下：
Figure RE-FDA0003102128850000053
Figure RE-FDA0003102128850000054
和
Figure RE-FDA0003102128850000055
为超级电容储能正常状态下荷电状态的最大值和最小值，即如果超级电容的荷电状态在该范围内则为正常状态，否则处于告警状态；ε为机会约束的置信水平；
步骤5：结合风储混合系统的预调度结果、混合储能随机优化定容与调控模型的目标函数和包括电池储能循环寿命约束和超级电容荷电状态机会约束在内的混合整数线性约束，混合储能随机优化定容与调控模型被构建为混合整数二次规划模型，通过优化求解器对其进行求解。
2.根据权利要求1所述的一种基于风电功率概率预测的混合储能优化定容与调控方法，其特征在于，所构建的风储混合系统的运行方式为：风电机组的发电功率汇集到风电场中，混合储能系统安装于风电场中，通过有序控制混合储能系统中的电池储能和超级电容储能充/放电对风电功率波动进行平抑，经平抑后的风电功率再并入电网。
3.根据权利要求1所述的一种基于风电功率概率预测的混合储能优化定容与调控方法，其特征在于，所述自适应变分模态分解方法确定风电功率各频率分量的规则为：对于第i个典型风电场景，其模态分量数Ki和风电功率中频分量与高频分量之间的频率分界点li通过以下规则自适应地确定：(1)与目标并网风电功率相对应的低频分量，即第一个模态分量
Figure RE-FDA0003102128850000056
要满足电网对风电并网有功功率波动的安全运行要求；(2)中频分量符合电池储能的运行特性，并作为电池储能的预调度充/放电功率；(3)高频分量符合超级电容储能的运行特性，并作为超级电容储能的预调度充/放电功率。
4.根据权利要求1所述的一种基于风电功率概率预测的混合储能优化定容与调控方法，其特征在于，所述基于风电功率概率预测的混合储能优化定容与调控方法的目标函数中的期望项
Figure RE-FDA0003102128850000061
根据典型风电场景下fs的加权平均进行近似：
Figure RE-FDA0003102128850000062
其中，N*为典型风电场景数；πi为典型风电场景i的发生概率；
Figure RE-FDA0003102128850000063
为典型风电场景i在时刻t时的并网风电功率预调度目标值；
Figure RE-FDA0003102128850000064
为典型风电场景i在时刻t时优化后的风储混合系统并网风电功率。
5.根据权利要求1所述的一种基于风电功率概率预测的混合储能优化定容与调控方法，其特征在于，所述能量转换约束中的非线性项
Figure RE-FDA0003102128850000065
通过以下公式进行线性化：
Figure RE-FDA0003102128850000066
Figure RE-FDA0003102128850000067
Figure RE-FDA0003102128850000068
Figure RE-FDA0003102128850000069
Figure RE-FDA00031021288500000610
其中，Pt L,m是代替
Figure RE-FDA00031021288500000611
和Pt m乘积项的连续变量；M为一个数量级为106的常数；
所述的电池储能的循环寿命约束通过引入两个0-1整数变量进行线性化：
Figure RE-FDA00031021288500000612
Figure RE-FDA00031021288500000613
Figure RE-FDA00031021288500000614
其中，
Figure RE-FDA00031021288500000615
和
Figure RE-FDA00031021288500000616
为0-1整数变量；
将超级电容荷电状态的机会约束通过抽样平均近似的方法变换为:
Figure RE-FDA00031021288500000617
Figure RE-FDA0003102128850000071
Figure RE-FDA0003102128850000072
其中，
Figure RE-FDA0003102128850000073
说明超级电容储能的荷电状态在时刻t时刻处于正常状态，相反则处于告警状态；约束超级电容储能荷电状态的机会约束通过引入0-1整数变量和连续变量进行线性化：
Figure RE-FDA0003102128850000074
Figure RE-FDA0003102128850000075
Figure RE-FDA0003102128850000076
Figure RE-FDA0003102128850000077
其中，
Figure RE-FDA0003102128850000078
和
Figure RE-FDA0003102128850000079
为0-1整数变量；zt为连续变量；μ为常数，μ∈(1,2)。
CN202110320427.XA 2021-03-25 2021-03-25 基于风电功率概率预测的混合储能优化定容与调控方法 Active CN113178880B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110320427.XA CN113178880B (zh) 2021-03-25 2021-03-25 基于风电功率概率预测的混合储能优化定容与调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110320427.XA CN113178880B (zh) 2021-03-25 2021-03-25 基于风电功率概率预测的混合储能优化定容与调控方法

Publications (2)

Publication Number Publication Date
CN113178880A true CN113178880A (zh) 2021-07-27
CN113178880B CN113178880B (zh) 2022-06-21

Family

ID=76922280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110320427.XA Active CN113178880B (zh) 2021-03-25 2021-03-25 基于风电功率概率预测的混合储能优化定容与调控方法

Country Status (1)

Country Link
CN (1) CN113178880B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114268126A (zh) * 2021-12-02 2022-04-01 浙江大学 自适应的波动性可再生能源稳定输出及并网方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049798A (zh) * 2012-12-05 2013-04-17 浙江大学城市学院 一种应用于光伏发电系统的短期发电功率预测方法
US20160092622A1 (en) * 2013-05-20 2016-03-31 State Grid Corporation Of China Method for modeling medium and long term wind power output model of medium and long term optimal operationof power system
US20160241031A1 (en) * 2015-02-18 2016-08-18 Nec Laboratories America, Inc. Dynamic probability-based power outage management system
CN109888770A (zh) * 2019-01-24 2019-06-14 福州大学 基于机会约束规划和波动成本的风电场装机容量优化方法
CN110348606A (zh) * 2019-06-14 2019-10-18 浙江大学 一种考虑系统不确定性的微能源网随机区间协同调度方法
CN110676870A (zh) * 2019-04-30 2020-01-10 国网新疆电力有限公司经济技术研究院 一种适用于风电并网的混合储能容量配置方法
CN111600300A (zh) * 2020-05-21 2020-08-28 云南电网有限责任公司大理供电局 考虑风电功率多元相关性椭球集合的鲁棒优化调度方法
CN112072655A (zh) * 2020-09-10 2020-12-11 天津大学 一种并网风储发电系统混合储能优化配置方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049798A (zh) * 2012-12-05 2013-04-17 浙江大学城市学院 一种应用于光伏发电系统的短期发电功率预测方法
US20160092622A1 (en) * 2013-05-20 2016-03-31 State Grid Corporation Of China Method for modeling medium and long term wind power output model of medium and long term optimal operationof power system
US20160241031A1 (en) * 2015-02-18 2016-08-18 Nec Laboratories America, Inc. Dynamic probability-based power outage management system
CN109888770A (zh) * 2019-01-24 2019-06-14 福州大学 基于机会约束规划和波动成本的风电场装机容量优化方法
CN110676870A (zh) * 2019-04-30 2020-01-10 国网新疆电力有限公司经济技术研究院 一种适用于风电并网的混合储能容量配置方法
CN110348606A (zh) * 2019-06-14 2019-10-18 浙江大学 一种考虑系统不确定性的微能源网随机区间协同调度方法
CN111600300A (zh) * 2020-05-21 2020-08-28 云南电网有限责任公司大理供电局 考虑风电功率多元相关性椭球集合的鲁棒优化调度方法
CN112072655A (zh) * 2020-09-10 2020-12-11 天津大学 一种并网风储发电系统混合储能优化配置方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WEITING QIAN: "Probabilistic Forecasting Based Adaptive Power Smoothing Framework for Hybrid Wind-Storage Systems", 《2020 12TH IEEE PES ASIA-PACIFIC POWER AND ENERGY ENGINEERING CONFERENCE (APPEEC)》 *
朱炳铨: "考虑风电消纳的电热混合储能系统优化定容方法", 《电力建设》 *
钱韦廷: "基于概率预测的混合储能平抑风电波动随机优化调控方法", 《电力系统自动化》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114268126A (zh) * 2021-12-02 2022-04-01 浙江大学 自适应的波动性可再生能源稳定输出及并网方法和系统

Also Published As

Publication number Publication date
CN113178880B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN108667052B (zh) 一种面向虚拟电厂优化运行的多类型储能系统规划配置方法及系统
CN107947231B (zh) 一种面向配电网优化运行的混合储能系统控制方法
Nguyen et al. Cost-optimized battery capacity and short-term power dispatch control for wind farm
CN113688567B (zh) 一种考虑冲击负荷的虚拟电厂两阶段优化调度方法
CN111244988B (zh) 考虑分布式电源的电动汽车和储能优化调度方法
Rodriguez et al. Fuzzy logic-based energy management for isolated microgrid using meta-heuristic optimization algorithms
CN112928767B (zh) 一种分布式储能协同控制方法
Guo et al. Two‐stage optimal MPC for hybrid energy storage operation to enable smooth wind power integration
Wang et al. A hierarchical control algorithm for managing electrical energy storage systems in homes equipped with PV power generation
Zhang et al. Sequence control strategy for hybrid energy storage system for wind smoothing
CN114819373A (zh) 一种基于合作博弈的共享混合储能电站的储能规划方法
CN103248065A (zh) 一种风电场中电池储能系统的充放电控制方法
CN113178880B (zh) 基于风电功率概率预测的混合储能优化定容与调控方法
CN115566741A (zh) 基于lstm预测校正的储能多时间尺度优化控制方法
CN115000985A (zh) 一种用户侧分布式储能设施聚合管控方法及系统
CN105470947B (zh) 一种基于量子行为粒子群算法的微电网调度方法
CN113113916B (zh) 一种舰船综合电力系统中多目标能量调控方法
Saber et al. Smart micro-grid optimization with controllable loads using particle swarm optimization
CN110350541B (zh) 考虑可再生能源出力不确定性的电压控制策略优化方法
CN104979850B (zh) 一种储能参与备用的含风电的电力系统调度方法
CN115663849B (zh) 一种水电厂与工业温控负荷协同快速调控的方法及控制器
CN116341241A (zh) 电力市场调度需求下混合储能多时间尺度优化调度策略
Chang et al. A dual-layer cooperative control strategy of battery energy storage units for smoothing wind power fluctuations
Daud et al. An optimal state of charge feedback control strategy for battery energy storage in hourly dispatch of PV sources
Jusoh et al. Control strategy of a grid-connected photovoltaic with battery energy storage system for hourly power dispatch

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