CN113241803B - 一种基于新能源消纳的储能调度方法及计算机介质 - Google Patents
一种基于新能源消纳的储能调度方法及计算机介质 Download PDFInfo
- Publication number
- CN113241803B CN113241803B CN202110580304.XA CN202110580304A CN113241803B CN 113241803 B CN113241803 B CN 113241803B CN 202110580304 A CN202110580304 A CN 202110580304A CN 113241803 B CN113241803 B CN 113241803B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power
- output
- representing
- power generation
- 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
Links
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
- H02J3/38—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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
Abstract
本发明公开了一种基于新能源消纳的储能调度方法及计算机介质,其中,所述方法包括:提取电网运行数据,以风光发电联合出力最大且火电机组运行成本最小为目标函数,基于电网运行数据建立电网储能调度模型;设置电网储能调度模型的约束条件,所述约束条件包括储能装置约束条件、电网稳定运行约束条件和发电机组约束条件;使用多目标遗传算法分别对目标函数设置权重,将目标函数转化为单目标函数,求解单目标函数,得到储能装置的最优充放电曲线;根据最优充放电曲线确定储能装置的调度方案。上述方法采用基于帕累托前缘的多目标遗传算法,并引入权重将多目标函数转为单目标函数,有效避免了寻优过程中陷入局部最优解的情况,并提高计算速度。
Description
技术领域
本发明涉及电力系统优化调度领域,特别是涉及一种基于新能源消纳的储能调度方法及计算机介质。
背景技术
随着新能源装机容量急剧增加,现有的常规机组所提供的备用容量比例明显不足,无法兼顾新能源出力的消纳效果和电网系统的稳定运行,造成了大量新能源出力弃用。储能装置具备响应速度快且充放电灵活的优势,可以弥补常规机组的不足,及时响应新能源的波动性和随机性,从而促进新能源消纳,降低弃电效益,缓解新能源大规模并网的调峰调频压力,有效提高电网安全稳定性。
目前,对储能装置进行新能源消纳的调度方法主要通过引入风电和光电以及负荷预测偏差的概率分布,综合考虑各个因素之间的关联性,从而建立风光荷风险预测模型和经济调度模型。
然而,这种调度方法需要大量电网及机组历史数据,庞大的数据量易使求解大型复杂的电力系统调度模型时陷入计算量过大且难以收敛的问题。
发明内容
本发明提供一种基于新能源消纳的储能调度方法及计算机介质,用于解决上述技术问题。
本发明所提供的基于新能源消纳的储能调度方法,包括:
提取电网运行数据,以风光发电联合出力最大且火电机组运行成本最小为目标函数,基于所述电网运行数据建立电网储能调度模型,其中,所述风光发电联合出力包括风力发电出力和光伏发电出力;
设置所述电网储能调度模型的约束条件,所述约束条件包括储能装置约束条件、电网稳定运行约束条件和发电机组约束条件;
使用多目标遗传算法分别对所述目标函数设置权重,将所述目标函数转化为单目标函数,求解所述单目标函数,得到储能装置的最优充放电曲线;
根据所述最优充放电曲线确定储能装置的调度方案。
可选的,所述风光发电联合出力最大表示为:
其中,表示t时刻风力发电输出功率,/>表示t时刻光伏发电输出功率,T表示调度总小时数。
可选的,所述火电机组运行成本最小表示为:
其中,an、bn、cn表示火电机组的煤量方程的拟合系数,表示第n台火电机组在t时刻的实际输出功率,N表示总火电机组数,T表示调度总小时数。
可选的,所述储能装置约束条件包括SOC限制,充放电容量限制和充放电状态限制,表示为:
其中,0≤Pt,d≤Pd,max,0≤Pt,ch≤Pch,max;
上式中,SOCt、SOC0分别表示储能装置在t时刻和初始时刻的荷电状态,Q表示电池容量,Pt,d、Pt,ch分别表示储能装置在t时刻充放电功率,Pd,max、Pch,max分别表示充放电功率最大值,ηd、ηch分别表示储能装置充放电效率,Δt表示时间间隔,T表示充放电总时长。
可选的,所述电网稳定运行约束条件是指功率平衡约束,表示为:
其中,表示t时刻风力发电输出功率,/>表示t时刻光伏发电输出功率,/>表示第n台火电机组在t时刻的实际输出功率,Pt,d、Pt,ch分别表示储能装置在t时刻充放电功率,表示t时刻节点i的负荷需求,Rn表示线路电阻值,Ii,t表示线路电流幅值。
在本发明一些实施例中,所述发电机组约束条件具体包括:火电机组约束条件、风电机组和光电机组出力约束条件。
可选的,所述火电机组约束条件包括火电机组出力约束和火电机组爬坡率约束,具体表示为:
其中,分别表示第n台火电机组的最大最小输出功率,/>表示第n台火电机组在t时刻的实际输出功率,riu、rid分别表示第n台火电机组t时刻的上下爬坡速率。
可选的,所述风电机组和光电机组出力约束条件分别表示为:
其中,表示t时刻风力发电输出功率,/>表示t时刻光伏发电输出功率。
在本发明一些实施例中,所述权重用于表示所述电网储能调度模型中各目标函数的重要程度。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上述任一个实施例所述的基于新能源消纳的储能调度方法。
相比现有技术,本发明的有益效果在于:
本发明提供的基于新能源消纳的储能调度方法结合电网运行数据,通过确定两个目标函数,同时考虑储能装置、发电机组出力以及电网稳定运行三个约束条件,建立电网储能调度模型,并协同帕累托最优将电网储能调度模型的多目标函数转为单目标函数,求得储能最优充放电方案,确定储能装置的调度方案,本发明提供的调度方法有效避免了传统多目标优化方法在寻优过程中陷入局部最优解的问题,并通过简化计算复杂度提高了计算速度。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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是本发明实施例提供的基于新能源消纳的储能调度方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如图1所示,本发明一个实施例提供一种基于新能源消纳的储能调度方法,包括下述步骤。
S11:提取电网运行数据,以风光发电联合出力最大且火电机组运行成本最小为目标函数,基于所述电网运行数据建立电网储能调度模型,其中,所述风光发电联合出力包括风力发电出力和光伏发电出力。
电网运行数据包括电网当前运行的实时数据和所存储的历史数据。
电力系统中的发电厂和变电站内往往有大量设备,各设备产生的大量运行数据能够提供场站自身监控和电网监控使用,通过电网监控系统中的数据采集与控制系统(SCADA)可以采集包括发电出力和负荷变化情况、电网中发电机和变压器的运行状态、网络结构和潮流分布情况、电网的动态变化和事故情况等在内的实时数据,同时还可存储历史数据。
获取了电网系统的运行数据后,需建立电网目标函数,第一个目标函数考虑风光发电不确定性的前提下,使其联合出力最大,具体表示为:
其中,表示t时刻风力发电输出功率,/>表示t时刻光伏发电输出功率,T表示调度总小时数。
为了考虑风力发电和光伏发电的不确定性,本实施例采用鲁棒优化算法,使目标函数的最终解满足可能出现的所有情况以及约束条件,并使最坏情况下的目标函数值最优。
具体地,本实施例在目标函数求解过程中引入不确定因子zt,zt的取值范围限定为:
其中,Γp表示鲁棒优化算法中人为定义的时间间隔总和。
同时,本实施例使用鲁棒优化算法求解目标函数,以将目标函数原始问题以一定的近似程度转化为一个具有多项式计算复杂度的凸优化问题,以下将分三类情况对目标函数进行讨论。
当仅考虑风力发电的不确定性时,目标函数表示为:
当仅考虑光伏发电的不确定性时,目标函数表示为:
当同时考虑风力发电和光伏发电的不确定性,此时目标函数表示为:
上式中,和/>分别表示风电和光电出力功率历史数据的95%置信区间取值上限,zt,1、zt,2则分别表示风电和光电出力功率的不确定因子,可用于限定出力功率的波动范围。
针对和/>的不确定集Λw和Λp,可分别表示为:
式中,和/>分别表示风光发电出力的历史平均值。
上式表明,对于任意时间t的或/>二者均属于实数集,且均被包括于/>或/>的95%置信区域/>或/>之中,且其时间间隔系数Γw和Γp受风光发电出力的历史平均值、最大值以及实际值约束。
上述限制条件共同构成了风光发电出力的不确定集Λw和Λp。
第二个目标函数则考虑火电机组运行成本最小,即:
其中,an、bn、cn表示火电机组的煤量方程的拟合系数,可从机组边际煤耗曲线数据中拟合得到;表示第n台火电机组在t时刻的实际输出功率,N表示总火电机组数,T表示调度总小时数。
S12:设置所述电网储能调度模型的约束条件,所述约束条件包括储能装置约束条件、电网稳定运行约束条件和发电机组约束条件。
对于储能装置约束条件,其包括SOC限制,充放电容量限制和充放电状态限制,表示为:
其中,0≤Pt,d≤Pd,max,0≤Pt,ch≤Pch,max;式中,SOCt、SOC0分别表示储能装置在t时刻和初始时刻的荷电状态,Q表示电池容量,Pt,d、Pt,ch分别表示储能装置在t时刻充放电功率,Pd,max、Pch,max分别表示充放电功率最大值,ηd、ηch分别表示储能装置充放电效率,Δt表示时间间隔,T表示充放电总时长。
对于电网稳定运行约束条件,本实施例可等同为功率平衡约束,具体表示为:
其中,表示t时刻风力发电输出功率,/>表示t时刻光伏发电输出功率,/>表示第n台火电机组在t时刻的实际输出功率,Pt,d、Pt,ch分别表示储能装置在t时刻充放电功率,表示t时刻节点i的负荷需求,Rn表示线路电阻值,Ii,t表示线路电流幅值。
对于发电机组约束条件,其具体包括火电机组约束条件、风电机组和光电机组出力约束条件。
具体地,火电机组约束条件包括火电机组出力约束和火电机组爬坡率约束,具体表示为:
其中,分别表示第n台火电机组的最大最小输出功率,/>表示第n台火电机组在t时刻的实际输出功率,riu、rid分别表示第n台火电机组t时刻的上下爬坡速率。
风电机组和光电机组出力约束条件则分别表示为:
其中,表示t时刻风力发电输出功率,/>表示t时刻光伏发电输出功率。
通过S11和S12所确定的两个目标函数和四个约束条件,可建立电网储能调度模型。
在本实施例中,通过将所提取的电网系统运行数据与电网储能调度模型相结合,即:使用SCADA系统采集的实时数据代入模型变量,得到待求解的电网储能调度模型。
具体地,实时节点负荷波动数据代入参数实时节点线路电流幅值代入参数Ii,t;根据风光发电机组的历史数据所求得的机组出力范围确定不确定集Λw和Λp,并利用Λw和Λp限定/>和/>的取值范围。
同时,原电网储能调度模型中的另一部分变量则使用配合电网设备数据取代,如:SOCt为储能装置的初始荷电状态,Q为储能装置电池容量,再分别确定火电机组总台数N,电网总节点数i以及线路电阻值Rn等参数。
将上述各节点、各机组实时数据、历史数据和参数指标代入模型后,待求解的电网储能调度模型中的变量确定为:储能装置出力曲线Pt,d和Pt,ch,以及在不同储能装置出力曲线下的发电机组变量,包括火电机组出力曲线风电机组出力曲线/>和光电机组出力曲线/>
S13:使用多目标遗传算法分别对所述目标函数设置权重,将所述目标函数转化为单目标函数,求解所述单目标函数,得到储能装置的最优充放电曲线。
待求解的电网储能调度模型为多目标函数优化模型,对于多目标优化问题,其解通常是一个非劣解的集合,即帕累托(Pareto)解集,所有非劣解对应的目标函数构成多目标优化问题的非劣最优目标域,也称为帕累托前缘。
考虑通过帕累托前缘只能解得一系列的帕累托最优解集,因此,本实施例通过利用多目标遗传算法找到帕累托前缘后,再对电网储能调度模型的各个目标函数分别设置权重wk,将所述目标函数转化为单目标函数,其中,权重wk用于表示各目标函数的重要程度。
引入权重wk后,多目标函数转化为下述单目标函数的线性组合:
求解上式,得到与帕累托前缘对应的帕累托最优目标域的解,既:储能装置的最优充放电曲线(或称为储能装置的最优出力曲线),以及在最优充放电曲线下的发电机组出力对比和火电机组运行成本对比。
S14:根据所述最优充放电曲线确定储能装置的调度方案。
在指定时间t内,按照所求得的储能装置最优充放电曲线确定储能装置的调度方案,即安排储能装置的充放电计划,便能够达到增加新能源消纳且降低火电机组运行成本的调度目的。
本发明实施例提供的储能调度方法不光考虑了新能源消纳,还将火电机组的运行成本纳入模型中,从而具备多目标协同优化的优点,还可满足风光机组发电的不确定性问题、各类机组的运行限额、储能的充放电限制以及电网功率平衡限制。
同时,本发明使用的综合控制策略融合了计算量小、迭代速度快的鲁棒优化算法,极大程度上降低了模型对变量历史数据的需求,减少优化迭代的计算量,简化了系统模型,另一方面,本发明还运用基于帕累托前缘的多目标遗传算法,通过引入不确定因子(权重)将多目标函数转变为单目标函数,使目标函数求解简化为一个具有多项式计算复杂度的凸优化问题,不再含有复杂约束条件,避免了传统多目标优化方法在寻优过程中陷入局部最优解问题,从而提升系统的计算速度,加快控制流程,实现多目标协同优化。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上述任一个实施例所述的方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可监听存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种基于新能源消纳的储能调度方法,其特征在于,包括:
提取电网运行数据,以风光发电联合出力最大且火电机组运行成本最小为目标函数,基于所述电网运行数据建立电网储能调度模型,其中,所述风光发电联合出力包括风力发电出力和光伏发电出力,所述目标函数通过鲁棒优化算法求解;
设置所述电网储能调度模型的约束条件,所述约束条件包括储能装置约束条件、电网稳定运行约束条件和发电机组约束条件;
使用多目标遗传算法确定帕累托前缘后,分别对所述目标函数设置权重,将所述目标函数转化为单目标函数的线性组合,求解所述单目标函数的线性组合,得到储能装置的最优充放电曲线;其中,所述权重用于表示所述电网储能调度模型中各目标函数的重要程度;其中,所述目标函数转化为单目标函数的线性组合,通过以下公式表示:
其中,μ表示所述目标函数转化为单目标函数的线性组合,wk表示所述目标函数的权重,fk(xk)表示目标函数,k表示所述目标函数转化为单目标函数的个数;
根据所述最优充放电曲线确定储能装置的调度方案。
2.根据权利要求1所述的基于新能源消纳的储能调度方法,其特征在于,还包括:
所述风光发电联合出力最大表示为:
其中,表示t时刻风力发电输出功率,/>表示t时刻光伏发电输出功率,T表示调度总小时数。
3.根据权利要求1所述的基于新能源消纳的储能调度方法,其特征在于,还包括:
所述火电机组运行成本最小表示为:
其中,an、bn、cn表示火电机组的煤量方程的拟合系数,表示第n台火电机组在t时刻的实际输出功率,N表示总火电机组数,T表示调度总小时数。
4.根据权利要求1所述的基于新能源消纳的储能调度方法,其特征在于,还包括:
所述储能装置约束条件包括SOC限制,充放电容量限制和充放电状态限制,表示为:
其中,0≤Pt,d≤Pd,max,0≤Pt,ch≤Pch,max;
上式中,SOCt、SOC0分别表示储能装置在t时刻和初始时刻的荷电状态,Q表示电池容量,Pt,d、Pt,ch分别表示储能装置在t时刻充放电功率,Pd,max、Pch,max分别表示充放电功率最大值,ηd、ηch分别表示储能装置充放电效率,Δt表示时间间隔,T表示充放电总时长。
5.根据权利要求1所述的基于新能源消纳的储能调度方法,其特征在于,还包括:
所述电网稳定运行约束条件是指功率平衡约束,表示为:
其中,表示t时刻风力发电输出功率,/>表示t时刻光伏发电输出功率,/>表示第n台火电机组在t时刻的实际输出功率,Pt,d、Pt,ch分别表示储能装置在t时刻充放电功率,/>表示t时刻节点i的负荷需求,Rn表示线路电阻值,Ii,t表示线路电流幅值。
6.根据权利要求1所述的基于新能源消纳的储能调度方法,其特征在于,所述发电机组约束条件具体包括:火电机组约束条件、风电机组和光电机组出力约束条件。
7.根据权利要求6所述的基于新能源消纳的储能调度方法,其特征在于,所述火电机组约束条件包括火电机组出力约束和火电机组爬坡率约束,具体表示为:
其中,分别表示第n台火电机组的最大最小输出功率,/>表示第n台火电机组在t时刻的实际输出功率,/>表示第n台火电机组在t-1时刻的实际输出功率,riu、rid分别表示第n台火电机组t时刻的上下爬坡速率。
8.根据权利要求6所述的基于新能源消纳的储能调度方法,其特征在于,还包括:
所述风电机组和光电机组出力约束条件分别表示为:
其中,表示t时刻风力发电输出功率,/>分别表示t时刻风力发电输出的最大最小功率,/>表示t时刻光伏发电输出功率,/>分别表示t时刻光伏发电输出的最大最小功率。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令用于执行上述权利要求1至8中任一项所述的基于新能源消纳的储能调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110580304.XA CN113241803B (zh) | 2021-05-26 | 2021-05-26 | 一种基于新能源消纳的储能调度方法及计算机介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110580304.XA CN113241803B (zh) | 2021-05-26 | 2021-05-26 | 一种基于新能源消纳的储能调度方法及计算机介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113241803A CN113241803A (zh) | 2021-08-10 |
CN113241803B true CN113241803B (zh) | 2023-07-25 |
Family
ID=77138981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110580304.XA Active CN113241803B (zh) | 2021-05-26 | 2021-05-26 | 一种基于新能源消纳的储能调度方法及计算机介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113241803B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113937820B (zh) * | 2021-09-03 | 2023-07-21 | 广东电网有限责任公司 | 一种基于深度学习的主动配电网优化调度方法 |
CN114118579B (zh) * | 2021-11-26 | 2023-06-09 | 南方电网调峰调频发电有限公司 | 一种新能源场站储能配置规划方法、装置及计算机设备 |
CN114156893B (zh) * | 2021-12-02 | 2022-07-26 | 中国电力科学研究院有限公司 | 面向新能源消纳场景的电网调度方法、装置、设备及介质 |
CN114938011B (zh) * | 2022-07-07 | 2022-10-14 | 中国长江三峡集团有限公司 | 一种考虑储能优化配置的风光火储系统联合运行方法 |
CN115563815B (zh) * | 2022-11-11 | 2023-11-28 | 国网江苏省电力有限公司电力科学研究院 | 双高电力系统碳排放流时空演变模拟计算方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110212586A (zh) * | 2019-07-04 | 2019-09-06 | 国网辽宁省电力有限公司电力科学研究院 | 基于消纳态势划分的源-网-储多阶段风电消纳优化方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295853B (zh) * | 2016-07-28 | 2020-09-25 | 华北电力大学(保定) | 基于储能调度模式的分布式光伏两阶段多目标就地消纳法 |
CN106602584B (zh) * | 2017-02-06 | 2020-01-10 | 上海电力设计院有限公司 | 一种基于双层优化模型的多能互补微网储能优化配置方法 |
CN109888806B (zh) * | 2019-02-28 | 2023-01-03 | 武汉大学 | 一种含电动汽车的微电网储能优化配置方法 |
CN110350541B (zh) * | 2019-06-30 | 2023-01-20 | 南京理工大学 | 考虑可再生能源出力不确定性的电压控制策略优化方法 |
CN112701721A (zh) * | 2020-12-18 | 2021-04-23 | 国网辽宁省电力有限公司经济技术研究院 | 一种综合能源系统的协调规划方法 |
CN112636373A (zh) * | 2020-12-23 | 2021-04-09 | 国网江苏省电力有限公司无锡供电分公司 | 一种电气热综合能源系统优化调度方法 |
-
2021
- 2021-05-26 CN CN202110580304.XA patent/CN113241803B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110212586A (zh) * | 2019-07-04 | 2019-09-06 | 国网辽宁省电力有限公司电力科学研究院 | 基于消纳态势划分的源-网-储多阶段风电消纳优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113241803A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113241803B (zh) | 一种基于新能源消纳的储能调度方法及计算机介质 | |
WO2023065552A1 (zh) | 一种新能源耦合背景下的源网荷储协同调度方法 | |
Astero et al. | Improving hosting capacity of rooftop PVs by quadratic control of an LV-central BSS | |
CN108599206B (zh) | 高比例不确定电源场景下的配电网混合储能配置方法 | |
CN105680474B (zh) | 一种储能抑制光伏电站快速功率变化的控制方法 | |
CN110581571A (zh) | 一种主动配电网动态优化调度方法 | |
CN107437824A (zh) | 一种基于遗传算法的地区分布式电源准入容量的计算方法 | |
CN112053035B (zh) | 考虑经济性与灵活性的输电通道与储能联合规划方法 | |
CN112072711A (zh) | 基于动态优先级的配电网灵活性优化调度方法 | |
CN113962159A (zh) | 一种基于合理弃光的配电网光伏最大接入容量的评估方法 | |
CN115173453A (zh) | 一种储能辅助电网调峰的优化配置方法 | |
CN111614110B (zh) | 一种基于改进多目标粒子群算法的受端电网储能优化配置方法 | |
CN112736973A (zh) | 平抑风电、光伏电站出力波动的电池储能容量配置方法及系统 | |
CN114050609B (zh) | 一种高比例新能源电力系统自适应鲁棒日前优化调度方法 | |
CN111932012A (zh) | 储能系统-分布式电源-电容器综合控制无功优化方法 | |
CN110854910B (zh) | 一种高比例光伏并网下火电机组爬坡压力缓解方法 | |
CN110336308B (zh) | 一种基于机会约束的主动配电网经济调度方法 | |
CN202167861U (zh) | 基于灰色模型控制的风力发电储能装置 | |
CN110098623B (zh) | 一种基于智能负载的Prosumer单元控制方法 | |
CN112084629A (zh) | 一种基于两阶段鲁棒优化的多能虚拟电厂聚合方法 | |
CN114676921A (zh) | 一种考虑源荷储协调优化的系统风电可接纳能力计算方法 | |
CN113572168B (zh) | 一种考虑风光水能源多重不确定性风险的优化调度方法 | |
CN106602592B (zh) | 一种垂直轴风电系统中变流器与蓄电池容量优化配置方法 | |
CN115392565A (zh) | 一种多能园区低碳运行优化方法及装置 | |
CN115114854A (zh) | 一种虚拟电厂分布式资源两级自组织优化聚合方法及系统 |
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 |