CN113435730B - 一种变电站储能容量的协同配置方法、装置及系统 - Google Patents
一种变电站储能容量的协同配置方法、装置及系统 Download PDFInfo
- Publication number
- CN113435730B CN113435730B CN202110699141.7A CN202110699141A CN113435730B CN 113435730 B CN113435730 B CN 113435730B CN 202110699141 A CN202110699141 A CN 202110699141A CN 113435730 B CN113435730 B CN 113435730B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- storage capacity
- photovoltaic
- charging
- preset
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012216 screening Methods 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000010276 construction Methods 0.000 claims description 53
- 238000007599 discharging Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000005855 radiation Effects 0.000 claims description 10
- 238000009434 installation Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012614 Monte-Carlo sampling Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 101150067055 minC gene Proteins 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种变电站储能容量的协同配置方法、装置及系统。该装置包括数据获取单元、特征获取单元、模型建立单元以及优化筛选单元。该系统包括如前所述的变电站储能容量的协同配置装置、光伏设备以及充电桩。通过计算获得多个具有不同光伏出力特征的光伏出力特征曲线以及日负荷特征曲线,根据光伏出力特征曲线以及日负荷特征曲线建立并筛选出最优的变电站储能容量的协同配置方案,该方法、装置及系统充分考虑了不同场景下的光伏出力特性以及电动车充电规律,从而提升了多站融合的变电站储能的实际配置与实际需求的匹配度,在实际工程应用中提升了储能容量利用率。
Description
技术领域
本发明涉及适用于多站融合的变电站储能容量的协同配置领域,涉及一种变电站储能容量的协同配置方法、装置及系统。
背景技术
“多站融合”是在“三站合一”(即变电站、充换电(储能)站和数据中心站)的基础上,增加5G基站、北斗地面增强站、光伏站以及综合能源站等,从而促成多站分布式逻辑融合、结构式相辅相成、数据式横向贯通,变电站的可利用资源主要为闲置的地面空地和屋顶空间,有利于储能、光伏和充电桩模块的融合接入。
在现有技术中,多站融合的光储充协同配置尚未有成熟的技术方案和工程经验,光伏、充电桩和储能的模块一般采用的是独立建设运行方式,三者之间均按照自身需求进行容量配置;储能的容量配置往往仅依据单一典型日场景进行优化配置,配置方案也采用高容量配置,裕度较大。也正因为如此,现有技术还存在如下缺陷:1、未能充分考虑到实际运行中可能出现的不同场景,储能往往容量配置偏大,实际系统运行过程中无法充分利用储能容量,实际工程中容易导致容量浪费的问题;2、未能将电动汽车充电规律纳入模型进行考虑。
因此,当前需要一种变电站储能容量的协同配置方法、装置及系统,从而在多站融合情景下解决上述问题。
发明内容
针对现存的上述技术问题,本发明的目的在于提供一种变电站储能容量的协同配置方法、装置及系统,该方法、装置及系统提升了多站融合的变电站的实际配置与实际需求的匹配度,从而在实际工程应用中提升了能量利用率。
本发明提供了一种变电站储能容量的协同配置方法,包括:获取待配置站点的建设参数组以及原始充放电数据组;其中,所述建设参数组包括光伏建设参数组以及充电桩参数组;所述原始充放电数据组包括光伏出力数据组以及历史充电数据组;通过预设的充放电特征获取方法,根据所述建设参数组、所述光伏出力数据组以及所述历史充电数据组,计算获得多个具有不同光伏出力特征的光伏出力特征曲线以及日负荷特征曲线;通过预设的储能模型建立方法,根据所述建设参数组分别建立与多个光伏出力特征曲线一一对应的第一储能容量配置模型;通过预设的优化筛选方法,根据预设的充放电约束条件、所述多个光伏出力特征曲线以及所述日负荷特征曲线,从多个第一储能容量配置模型中计算筛选获得变电站储能容量的协同配置方案。
在一个实施例中,所述通过预设的充放电特征计算方法,根据所述光伏出力数据组以及所述历史充电数据组,计算获得多个光伏出力特征曲线以及日负荷特征曲线,具体为:通过预设的光伏出力特征分类方法,根据所述建设参数组以及所述光伏出力数据组进行计算分类,从而获取多个光伏出力特征曲线;通过预设的日负荷特征拟合方法,根据所述历史充电数据组进行计算拟合,从而获取日负荷特征曲线。
在一个实施例中,所述通过预设的光伏出力特征分类方法,根据所述建设参数组以及所述光伏出力数据组进行计算分类,从而获取多个光伏出力特征曲线,具体为:从所述光伏出力数据组中获取全年太阳辐照度值序列,并从所述建设参数组中获取所述待配置站点的光伏设备的额定功率以及温度系数;
根据所述全年太阳辐照度值序列、所述额定功率、所述实际温度以及所述温度系数,计算获得所述光伏设备的日功率曲线组;利用预设的聚类算法对所述日功率曲线组进行迭代聚类,从而获得多个光伏出力特征曲线。
在一个实施例中,所述通过预设的日负荷特征拟合方法,根据所述历史充电数据组进行计算拟合,从而获取日负荷特征曲线,具体为:从所述历史充电数据组中获取充电时长、电池容量以及初始荷电状态均值;通过预设的抽样模拟方法,根据所述充电时长、电池容量以及初始电量均值,拟合出日负荷特征曲线。
在一个实施例中,所述通过预设的优化筛选方法,根据预设的充放电约束条件、所述多个光伏出力特征曲线以及所述日负荷特征曲线,从多个第一储能容量配置模型中计算筛选获得变电站储能容量的协同配置方案,具体为:从所述充放电约束条件中获取预设的功率平衡约束条件、预设的荷电状态约束条件以及预设的充放功率约束条件;利用预设的优化求解算法,根据所述功率平衡约束条件、所述荷电状态约束条件以及所述充放功率约束条件,从多个第一储能容量配置模型中筛选出一个或多个第二储能容量配置模型。
在一个实施例中,所述获取待配置站点的建设参数组以及原始充放电数据组,具体为:获取所述待配置站点的光伏建设要求,从而根据所述光伏建设要求,确定光伏设备的第一型号、第一规格以及光伏接入的第一功率容量,并将所述第一型号、所述第一规格以及所述第一功率容量作为光伏建设参数组;获取所述待配置站点的负载安装要求,从而根据所述负载安装要求,确定充电桩设备的第二型号、第二规格以及整体安装的第二功率容量,并将所述第二型号、所述第二规格以及所述第二功率容量作为充电桩参数组;获取所述待配置站点的年度太阳辐照度数据,根据年度太阳辐照度数据,建立光辐射能均值概率模型,根据所述光辐射能均值概率模型生成全年太阳辐照度值序列,并将所述全年太阳辐照度值序列作为光伏出力数据组;获取所述待配置站点的全站电动车的充电时长、电池容量以及初始荷电状态均值,并将所述充电时长、所述电池容量以及所述初始荷电状态均值作为历史充电数据组。
本发明还提供了一种变电站储能容量的协同配置装置,所述协同配置装置用于执行如前所述的变电站储能容量的协同配置方法。
在一个实施例中,所述协同配置装置包括数据获取单元、特征获取单元、模型建立单元以及优化筛选单元,其中,所述数据获取单元用于获取待配置站点的建设参数以及原始充放电数据;其中,所述建设参数包括光伏建设参数以及充电桩参数;所述原始充放电数据包括光伏出力数据以及历史充电数据;所述特征获取单元用于通过预设的充放电特征获取方法,根据所述光伏出力数据以及所述历史充电数据,计算获得多个具有不同光伏出力特征的光伏出力特征曲线以及日负荷特征曲线;所述模型建立单元用于通过预设的储能模型建立方法,根据所述建设参数分别建立与多个光伏出力特征曲线一一对应的第一储能容量配置模型;所述优化筛选单元用于通过预设的优化筛选方法,根据预设的功率约束条件、所述多个光伏出力特征曲线以及所述日负荷特征曲线,从多个第一储能容量配置模型中计算筛选获得变电站储能容量的协同配置方案。
本发明还提供了一种变电站储能容量的协同配置系统,所述协同配置系统包括如前所述的变电站储能容量的协同配置装置、光伏设备以及充电桩,其中,所述光伏设备以及充电桩根据所述协同配置装置所输出的变电站储能容量的协同配置方案进行配置。
相比于现有技术,本发明实施例具有如下有益效果:
本发明提供了一种变电站储能容量的协同配置方法、装置及系统,通过计算获得多个具有不同光伏出力特征的光伏出力特征曲线以及日负荷特征曲线,根据光伏出力特征曲线以及日负荷特征曲线建立并筛选出最优的变电站储能容量的协同配置方案,该方法、装置及系统充分考虑了不同场景下的光伏出力特性以及电动车充电规律,从而提升了多站融合的变电站的实际配置与实际需求的匹配度,在实际工程应用中提升了能量利用率。
附图说明
下文将结合说明书附图对本发明进行进一步的描述说明,其中:
图1示出了根据本发明的一种变电站储能容量的协同配置方法的一个实施例的流程图;
图2示出了根据本发明的一种变电站储能容量的协同配置装置的一个实施例的结构图;
图3示出了根据本发明的一种变电站储能容量的协同配置系统的一个实施例的结构图。
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作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。
具体实施例一
本发明提供了一种变电站储能容量的协同配置方法的一个实施例。图1示出了根据本发明的一种变电站储能容量的协同配置方法的一个实施例的流程图。如图1所示,该方法包括如下步骤:
S1:获取待配置站点的建设参数组以及原始充放电数据组。
要想储能容量的配置达到最优,需要根据实际情况下光伏设备(产生电能)与充电桩的建设配置和工作情况来进行拟合筛选,因此,需要获取二者的建设参数以及原始数据。其中,所述建设参数组包括光伏建设参数组以及充电桩参数组,所述原始充放电数据组包括光伏出力数据组以及历史充电数据组。
其中,获取建设参数组具体为:获取所述待配置站点的光伏建设要求,从而根据所述光伏建设要求,确定光伏设备的第一型号、第一规格以及光伏接入的第一功率容量,并将所述第一型号、所述第一规格以及所述第一功率容量作为光伏建设参数组;并获取所述待配置站点的年度太阳辐照度数据,根据年度太阳辐照度数据,建立光辐射能均值概率模型,根据所述光辐射能均值概率模型生成全年太阳辐照度值序列,并将所述全年太阳辐照度值序列存储入光伏出力数据组中。
在一个实施例中,光伏设备的第一规格包括:光伏设备的综合可利用面积S1、综合占地面积SPV、单元容量cPV,在获取第一规格后,根据该第一规格构建优化模型以获取光伏设备的单元数量NPV,并进一步计算确定光伏接入的第一功率容量CPV。
其中,优化模型公式如下:
max NPV
s.t.NPVSPV≤S1
第一功率容量公式如下:
CPV=NPVcPV
在一个实施例中,光伏设备的第一规格还包括光伏设备的额定功率以及温度系数。
在一个实施例中,全年太阳辐照度值序列的获取包括如下流程:收集待建的多站合一站点的天气气象参数数据;根据天气气象参数数据生成光辐射能均值概率模型;构建任意时间点的太阳辐照度Beta分布模型,可得出每小时的太阳辐照度值。
其中,天气气象参数数据包括待配置站点所处的纬度、当前时间、晴天概率、阴天概率、日照晴空因子、阴天衰减因子,某区域一年中第m月第d日h时的光辐射能均值概率模型为:
式中,为待配置站点所处的纬度,为晴天对应时刻的太阳辐照度小时均值,α(m)为阴天衰减因子;离散随机变量R(m)表示该地每年第m(m=1,2…,12)月的天气状况,第m月晴天的概率为ps(m),阴天的概率为pr(m)=1-ps(m)。
式中,δ为日偏角,单位为rad,ωsr为日升时的小时角(单位为rad),I0为地外辐照度基值(单位为W/m2),Cs为日照晴空因子,hsr、hss分别为日出时间、日落时间。其中,地外辐照度基值I0、日偏角δ、日升时的小时角ωsr、日出时间hsr以及日落时间hss的计算公式分别为:
I0=1367[1+0.033cos(360N/365)]
hss=24-hsr+2Δtm
其中,α中为一年中第N日太阳直射的纬度;△tm为时间修正系数。
在获得太阳辐照度小时均值后,对太阳辐照度小时均值进行归一化以使得太阳辐照度小时均值呈现Beta分布。
其中,获取原始充放电数据组具体为:获取所述待配置站点的负载安装要求,从而根据所述负载安装要求,确定充电桩的第二型号、第二规格以及整体安装的第二功率容量,并将所述第二型号、所述第二规格以及所述第二功率容量作为充电桩参数组;并获取所述待配置站点的全站电动车的充电时长、电池容量以及初始荷电状态均值,并将所述充电时长、所述电池容量以及所述初始荷电状态均值作为历史充电数据组。
在一个实施例中,充电桩的第二规格包括:待配置站点的停车位数目N1、充电位需求数目N2、快充桩占比k1、慢充桩占比k2、快充桩功率P1以及慢充桩功率P2,在获取上述参数后,根据充电桩建设约束条件获得实际安装充电桩N、快充桩的数量NF以及慢充桩的数量NS,进而计算获得第二功率容量。
其中,充电桩建设约束条件如下:
S2:通过预设的充放电特征获取方法,根据所述建设参数组、所述光伏出力数据组以及所述历史充电数据组,计算获得多个具有不同光伏出力特征的光伏出力特征曲线以及日负荷特征曲线。
通过预设的光伏出力特征分类方法,根据所述建设参数组以及所述光伏出力数据组进行计算分类,从而获取多个光伏出力特征曲线;通过预设的日负荷特征拟合方法,根据所述历史充电数据组进行计算拟合,从而获取日负荷特征曲线。
上述过程是为了在后续过程中,使得建立的储能容量配置模型能将不同场景下的光伏出力特征和日负荷特征充分纳入考虑范围内,从而更好地贴合不同场景下变电站的发电情况和用电情况,从而获得与实际需求更贴合的容量配置。
在一个实施例中,多个光伏出力特征曲线的获取方法具体为:从所述光伏出力数据组中获取全年太阳辐照度值序列以及实际温度,并从所述建设参数组中获取所述待配置站点的光伏设备的额定功率以及温度系数;接着,根据所述全年太阳辐照度值序列、所述额定功率、所述实际温度以及所述温度系数,计算获得所述光伏设备的日功率曲线组;随后,利用预设的聚类算法对所述日功率曲线组进行迭代聚类,从而获得多个光伏出力特征曲线。
其中,功率PPV的计算公式为:
随后,根据计算得出的功率PPV,绘制出多条光伏设备的日功率曲线,从而形成日功率曲线组。
在一个实施例中,预设的聚类算法包括k-means算法。
假定聚类的场景数为k,随机生成初始均值相量为μi,则划分标准的最小化平方误差可表示如下:
不断更新当前均值向量,通过迭代优化求解上式,在满足平方误差要求时停止算法,即得到典型场景下的光伏出力特征曲线,从而得到最终的分类划分:
μ=[μ1,μ2,...,μk]T
其中,μi为第i类样本的均值向量,即聚类中心。
在一个实施例中,日负荷特征曲线的获取方法具体为:从所述历史充电数据组中获取充电时长、电池容量以及初始荷电状态均值;随后,通过预设的抽样模拟方法,根据所述充电时长、电池容量以及初始电量均值,拟合出日负荷特征曲线。
在一个实施例中,预设的抽样模拟方法包括蒙特卡洛抽样模拟方法,在获取电动车的充电时长f(t)、电池容量Cbat以及初始荷电状态均值SOC后,通过蒙特卡洛抽样模拟方法生成日负荷特征曲线。
S3:通过预设的储能模型建立方法,根据所述建设参数组分别建立与多个光伏出力特征曲线一一对应的第一储能容量配置模型。
具体地,第一储能容量配置模型的建立公式如下:
minC=Cinstall+Com+Closs
其中,建立公式中的各项变量计算公式如下:
其中,Cinstall为折算初始储能系统的建设成本;cbat为储能系统建设单位成本;Ebat为蓄电池容量;η为贴现率;Y为微网规划运行年限;Com为储能系统的维护费用;com为蓄电池维护运行单位成本;Closs为储能在微网运行过程中的使用损耗成本;N为规划年限内储能电池需要置换的次数;Crep为蓄电池更换成本;Dbat为蓄电池使用度。
其中,Cinstall、cbat、Ebat、η、Y、Com、com、Closs、N、Crep以及Dbat可从前述过程中获得或通过建设参数组计算得出。
S4:通过预设的优化筛选方法,根据预设的充放电约束条件、多个所述光伏出力特征曲线以及所述日负荷特征曲线,从多个第一储能容量配置模型中计算筛选获得变电站储能容量的协同配置方案。
在获取多个第一储能容量配置模型后,为了在实现功率平衡、满足蓄电池荷电状态约束以及蓄电池充放电功率约束的前提下,筛选出最优的储能容量配置方案,还需要通过优化算法计算最优解。在此步骤中,计算筛选获得的变电站储能容量的协同配置方案即为最优的储能容量协同配置方案。
在一个实施例中,筛选过程具体为:从所述充放电约束条件中获取预设的功率平衡约束条件、预设的荷电状态约束条件以及预设的充放功率约束条件;随后,利用预设的优化求解算法,根据所述功率平衡约束条件、所述荷电状态约束条件以及所述充放功率约束条件,从多个第一储能容量配置模型中筛选出一个或多个第二储能容量配置模型。
其中,预设的功率平衡约束条件为:
Ppv,i(t)=Pbat,i(t)+Pcar(t)+Pgrid,i(t)
其中,Ppv,i(t)为聚类所得的场景i下光伏出力特征曲线;Pbat,i(t)为场景i下储能充放电功率,当充电时为正值,放电时为负值;Pcar(t)为日负荷特征曲线;Pgrid,i为场景i下电网交换功率,当输入电网为正,当输出电网为负。
其中,预设的荷电状态约束条件为:
SOCmin≤SOCi(t)≤SOCmax
其中,预设的充放功率约束条件为:
Pbat,min≤Pbat,i(t)≤Pbat,max
在一个实施例中,预设的优化求解算法包括PSO(粒子群算法)或GA(遗传算法)等智能算法。
本发明提供了一种变电站储能容量的协同配置方法,通过计算获得多个具有不同光伏出力特征的光伏出力特征曲线以及日负荷特征曲线,根据光伏出力特征曲线以及日负荷特征曲线建立并筛选出最优的变电站储能容量的协同配置方案,该方法充分考虑了不同场景下的光伏出力特性以及电动车充电规律,从而提升了多站融合的变电站的实际配置与实际需求的匹配度,在实际工程应用中提升了能量利用率。
具体实施例二
除上述方法外,本发明还提供了一种变电站储能容量的协同配置装置,以用于执行如上所述的协同配置方法。图2示出了根据本发明的一种变电站储能容量的协同配置装置的一个实施例的结构图。
如图2所示,协同配置装置11包括数据获取单元111、特征获取单元112、模型建立单元113以及优化筛选单元114。
数据获取单元111用于获取待配置站点的建设参数以及原始充放电数据。其中,所述建设参数包括光伏建设参数以及充电桩参数;所述原始充放电数据包括光伏出力数据以及历史充电数据。
特征获取单元112用于通过预设的充放电特征获取方法,根据所述光伏出力数据以及所述历史充电数据,计算获得多个具有不同光伏出力特征的光伏出力特征曲线以及日负荷特征曲线。
模型建立单元113用于通过预设的储能模型建立方法,根据所述建设参数分别建立与所述多个光伏出力特征曲线一一对应的第一储能容量配置模型。
优化筛选单元114用于通过预设的优化筛选方法,根据预设的功率约束条件、所述多个光伏出力特征曲线以及所述日负荷特征曲线,从多个第一储能容量配置模型中计算筛选获得变电站储能容量的协同配置方案。
当需要获取最优的协同配置方案时,首先由数据获取单元111获取待配置站点的建设参数以及原始充放电数据;接着,特征获取单元112通过预设的充放电特征获取方法,根据所述光伏出力数据以及所述历史充电数据,计算获得多个光伏出力特征曲线以及日负荷特征曲线;随后,模型建立单元113通过预设的储能模型建立方法,根据所述建设参数分别建立与所述多个光伏出力特征曲线一一对应的第一储能容量配置模型;最后,优化筛选单元114通过预设的优化筛选方法,根据预设的功率约束条件、所述多个光伏出力特征曲线以及所述日负荷特征曲线,从多个第一储能容量配置模型中计算筛选获得变电站储能容量的协同配置方案。
本发明提供了一种变电站储能容量的协同配置装置,通过计算获得多个具有不同光伏出力特征的光伏出力特征曲线以及日负荷特征曲线,根据光伏出力特征曲线以及日负荷特征曲线建立并筛选出最优的变电站储能容量的协同配置方案,该装置充分考虑了不同场景下的光伏出力特性以及电动车充电规律,从而提升了多站融合的变电站的实际配置与实际需求的匹配度,在实际工程应用中提升了能量利用率。
具体实施例三
除上述方法和装置外,本发明还提供了一种变电站储能容量的协同配置系统。图3示出了根据本发明的一种变电站储能容量的协同配置系统的一个实施例的结构图。
如图3所示,该协同配置系统1包括如前所述的变电站储能容量的协同配置装置11、光伏设备12以及充电桩13,其中,所述光伏设备12以及充电桩13根据所述协同配置装置11所输出的变电站储能容量的协同配置方案进行配置。
当需要对多站融合的变电站的储能容量进行配置时,协同配置装置11执行如前所述的协同配置方法,从而输出一个最优的储能容量系统配置方案,在获取该储能容量配置方案后,光伏设备12以及充电桩13根据该储能容量配置方案进行配置。
本发明提供了一种变电站储能容量的协同配置系统,通过计算获得多个具有不同光伏出力特征的光伏出力特征曲线以及日负荷特征曲线,根据光伏出力特征曲线以及日负荷特征曲线建立并筛选出最优的变电站储能容量的协同配置方案,该系统充分考虑了不同场景下的光伏出力特性以及电动车充电规律,从而提升了多站融合的变电站的实际配置与实际需求的匹配度,在实际工程应用中提升了能量利用率。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种变电站储能容量的协同配置方法,其特征在于,包括:
获取待配置站点的建设参数组以及原始充放电数据组;其中,所述建设参数组包括光伏建设参数组以及充电桩参数组;所述原始充放电数据组包括光伏出力数据组以及历史充电数据组;
通过预设的充放电特征计算方法,根据所述光伏出力数据组以及所述历史充电数据组,计算获得多个光伏出力特征曲线以及日负荷特征曲线;所述通过预设的充放电特征计算方法,根据所述光伏出力数据组以及所述历史充电数据组,计算获得多个光伏出力特征曲线以及日负荷特征曲线,具体包括:从所述光伏出力数据组中获取全年太阳辐照度值序列,并从所述建设参数组中获取所述待配置站点的光伏设备的额定功率以及温度系数;根据所述全年太阳辐照度值序列、所述额定功率、实际温度以及所述温度系数,计算获得所述光伏设备的日功率曲线组;利用预设的聚类算法对所述日功率曲线组进行迭代聚类,从而获得多个光伏出力特征曲线;通过预设的日负荷特征拟合方法,根据所述历史充电数据组进行计算拟合,从而获取日负荷特征曲线;
通过预设的储能模型建立方法,根据所述建设参数组分别建立与所述多个光伏出力特征曲线一一对应的第一储能容量配置模型;
通过预设的优化筛选方法,根据预设的充放电约束条件、所述多个光伏出力特征曲线以及所述日负荷特征曲线,从多个第一储能容量配置模型中计算筛选获得变电站储能容量的协同配置方案。
2.根据权利要求1所述的变电站储能容量的协同配置方法,其特征在于,所述通过预设的日负荷特征拟合方法,根据所述历史充电数据组进行计算拟合,从而获取日负荷特征曲线,具体为:
从所述历史充电数据组中获取充电时长、电池容量以及初始荷电状态均值;
通过预设的抽样模拟方法,根据所述充电时长、电池容量以及初始电量均值,拟合出日负荷特征曲线。
3.根据权利要求2所述的变电站储能容量的协同配置方法,其特征在于,所述通过预设的优化筛选方法,根据预设的充放电约束条件、所述多个光伏出力特征曲线以及所述日负荷特征曲线,从多个第一储能容量配置模型中计算筛选获得变电站储能容量的协同配置方案,具体为:
从所述充放电约束条件中获取预设的功率平衡约束条件、预设的荷电状态约束条件以及预设的充放功率约束条件;
利用预设的优化求解算法,根据所述功率平衡约束条件、所述荷电状态约束条件以及所述充放功率约束条件,从多个第一储能容量配置模型中筛选出一个或多个第二储能容量配置模型。
4.根据权利要求3所述的变电站储能容量的协同配置方法,其特征在于,所述获取待配置站点的建设参数组以及原始充放电数据组,具体为:
获取所述待配置站点的光伏建设要求,从而根据所述光伏建设要求,确定光伏设备的第一型号、第一规格以及光伏接入的第一功率容量,并将所述第一型号、所述第一规格以及所述第一功率容量作为光伏建设参数组;
获取所述待配置站点的负载安装要求,从而根据所述负载安装要求,确定充电桩的第二型号、第二规格以及整体安装的第二功率容量,并将所述第二型号、所述第二规格以及所述第二功率容量作为充电桩参数组;
获取所述待配置站点的年度太阳辐照度数据,根据年度太阳辐照度数据,建立光辐射能均值概率模型,根据所述光辐射能均值概率模型生成全年太阳辐照度值序列,并将所述全年太阳辐照度值序列作为光伏出力数据组;
获取所述待配置站点的充电时长、电池容量以及初始荷电状态均值,并将所述充电时长、所述电池容量以及所述初始荷电状态均值作为历史充电数据组。
5.一种变电站储能容量的协同配置装置,其特征在于,所述协同配置装置用于执行如权利要求1-4任一项所述的变电站储能容量的协同配置方法。
6.根据权利要求5所述的变电站储能容量的协同配置装置,其特征在于,所述协同配置装置包括数据获取单元、特征获取单元、模型建立单元以及优化筛选单元,其中,
所述数据获取单元用于获取待配置站点的建设参数以及原始充放电数据;其中,所述建设参数包括光伏建设参数以及充电桩参数;所述原始充放电数据包括光伏出力数据以及历史充电数据;
所述特征获取单元用于从所述光伏出力数据组中获取全年太阳辐照度值序列,并从所述建设参数组中获取所述待配置站点的光伏设备的额定功率以及温度系数;根据所述全年太阳辐照度值序列、所述额定功率、实际温度以及所述温度系数,计算获得所述光伏设备的日功率曲线组;利用预设的聚类算法对所述日功率曲线组进行迭代聚类,从而获得多个光伏出力特征曲线;
所述模型建立单元用于通过预设的储能模型建立方法,根据所述建设参数分别建立与多个光伏出力特征曲线一一对应的第一储能容量配置模型;
所述优化筛选单元用于通过预设的优化筛选方法,根据预设的功率约束条件、所述多个光伏出力特征曲线以及所述日负荷特征曲线,从多个第一储能容量配置模型中计算筛选获得变电站储能容量的协同配置方案。
7.一种变电站储能容量的协同配置系统,其特征在于,所述协同配置系统包括如权利要求5或6所述的变电站储能容量的协同配置装置、光伏设备以及充电桩,其中,所述光伏设备以及充电桩根据所述协同配置装置所输出的变电站储能容量的协同配置方案进行配置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110699141.7A CN113435730B (zh) | 2021-06-23 | 2021-06-23 | 一种变电站储能容量的协同配置方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110699141.7A CN113435730B (zh) | 2021-06-23 | 2021-06-23 | 一种变电站储能容量的协同配置方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435730A CN113435730A (zh) | 2021-09-24 |
CN113435730B true CN113435730B (zh) | 2022-03-29 |
Family
ID=77753658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110699141.7A Active CN113435730B (zh) | 2021-06-23 | 2021-06-23 | 一种变电站储能容量的协同配置方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435730B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114374229A (zh) * | 2021-11-10 | 2022-04-19 | 温州电力建设有限公司 | 一种多场景下的光储协同控制方法及系统 |
CN117057626A (zh) * | 2023-08-15 | 2023-11-14 | 深圳橙电新能源科技有限公司 | 基于大数据的光储充能收益转化分析方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156921B (zh) * | 2015-04-10 | 2021-11-09 | 华北电力大学(保定) | 基于Copula理论的电动汽车光伏充电站储能配置选择方法 |
CN109659927B (zh) * | 2018-10-24 | 2022-06-17 | 国网天津市电力公司电力科学研究院 | 一种考虑储能参与度的综合能源微网储能容量配置方法 |
CN109713673B (zh) * | 2019-02-25 | 2022-12-09 | 上海电力学院 | 售电环境下并网型微电网系统配置及优化运行的方法 |
CN110751368B (zh) * | 2019-09-18 | 2021-12-24 | 清华大学 | 一种考虑充电负荷灵活性的电动汽车储充站规划方法 |
CN111224414A (zh) * | 2019-10-23 | 2020-06-02 | 中国电力科学研究院有限公司 | 一种光储电站储能容量配置方法和装置 |
CN110867853B (zh) * | 2019-11-26 | 2021-08-31 | 广东电网有限责任公司广州供电局 | 变电站储能容量配置方法、装置、计算机设备及存储介质 |
CN111191820B (zh) * | 2019-12-17 | 2023-05-09 | 国网浙江省电力有限公司 | 一种综合能源系统中储能装置的选址定容优化规划方法 |
CN112467722B (zh) * | 2020-09-30 | 2022-05-13 | 国网福建省电力有限公司 | 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法 |
-
2021
- 2021-06-23 CN CN202110699141.7A patent/CN113435730B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113435730A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113435730B (zh) | 一种变电站储能容量的协同配置方法、装置及系统 | |
Xu et al. | Optimal sizing of standalone hybrid wind/PV power systems using genetic algorithms | |
CN108879793B (zh) | 一种风光蓄能水电站互补的离网式混合能源系统优化方法 | |
CN105680474B (zh) | 一种储能抑制光伏电站快速功率变化的控制方法 | |
CN106295853B (zh) | 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 | |
CN112734098B (zh) | 一种基于源-荷-网平衡的配电网电力调度方法及系统 | |
CN109802396B (zh) | 一种基于电压灵敏度配置的光伏台区电能质量治理系统 | |
CN103077429A (zh) | 含风光发电与电动汽车换电站的孤立微电网容量优化方法 | |
CN109599856A (zh) | 一种微网多楼宇中电动汽车充放电管理优化方法及装置 | |
CN111092451B (zh) | 一种基于配电网网格的光伏消纳预警方法 | |
CN110135662B (zh) | 一种考虑减小峰谷差的储能选址定容多目标优化方法 | |
Cen et al. | Demonstration study of hybrid solar power generation/storage micro-grid system under Qatar climate conditions | |
CN115062930A (zh) | 一种配电网源网荷储协调规划方法 | |
CN103414201B (zh) | 电动公交车动力电池集群参与海岛微网运行的调控方法 | |
CN115907385A (zh) | 一种考虑水光不确定性的源网储双层协同规划方法及装置 | |
CN110165715B (zh) | 一种将电动汽车储能式充电站接入虚拟电厂的方法 | |
CN109038655B (zh) | 限电要求下大型光伏电站的配套储能容量计算方法 | |
CN113555908B (zh) | 一种智能配电网储能优化配置方法 | |
CN108448574B (zh) | 一种风电场与光伏电场并网发电的容量优化配置方法 | |
CN108173291B (zh) | 一种基于天气因素的分布式新能源智能配电方法 | |
CN107611970B (zh) | 分布式光伏和电动汽车的不确定性配网的优化方法 | |
CN106503865A (zh) | 一种基于机会约束规划的混合储能容量优化配置方法 | |
CN110098623B (zh) | 一种基于智能负载的Prosumer单元控制方法 | |
Wijesinghe | Optimized Integration of Solar PV Energy on to Telecom Power Systems for DC and A/C buses or Energy Storages with proposed Converters to make them as profit centers | |
Zahedi et al. | Optimal sizing of floating photovoltaic system equipped with hydrogen tank and battery ESS |
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 |