CN113536581A - 一种计及运行策略的储能系统多状态可靠性建模方法 - Google Patents
一种计及运行策略的储能系统多状态可靠性建模方法 Download PDFInfo
- Publication number
- CN113536581A CN113536581A CN202110830225.XA CN202110830225A CN113536581A CN 113536581 A CN113536581 A CN 113536581A CN 202110830225 A CN202110830225 A CN 202110830225A CN 113536581 A CN113536581 A CN 113536581A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- storage system
- state
- wind
- soc
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 238
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013486 operation strategy Methods 0.000 title claims abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 70
- 238000005315 distribution function Methods 0.000 claims abstract description 23
- 238000010248 power generation Methods 0.000 claims description 63
- 230000007704 transition Effects 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000007599 discharging Methods 0.000 claims description 23
- 238000005286 illumination Methods 0.000 claims description 21
- 230000005611 electricity Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000035699 permeability Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种计及运行策略的储能系统多状态可靠性建模方法。首先,该方法基于马尔可夫状态模型,建立了马尔科夫双状态模型;然后,根据风能和太阳能资源的分布概率密度函数,将风能和太阳能系统的输出表示为n个状态,通过储能系统的充放电策略估计SOC的概率密度分布函数;然后结合马尔科夫双状态模型,预测风光时序出力以及储能系统SOC时序状态。伴随着智能电网的发展,电网中可再生能源占比不断提高以及储能设备的使用,传统配电网可靠性将面临着巨大的挑战,作为一种计及运行策略的储能系统多状态可靠性建模方法,本发明方法具有广阔的应用前景。
Description
技术领域
本发明属于储能系统可靠性分析领域,具体涉及一种计及运行策略的储能系统多状态可靠性建模方法。
背景技术
能源是人们生存和发展的基础,也是社会经济运行的动力与核心。随着传统化石能源的广泛利用快速消耗,以及因为消耗化石能源而造成的污染日益严重,开发新能源并改善能源结构成为世界各国的共识,智能电网逐渐兴起,以光伏和风电为代表的可再生能源也得到了快速的发展。
伴随着智能电网的发展和分布式新能源发电的推广应用,储能技术的重要性也日益明显。储能技术在提高电网对新能源的消纳能力、电网调频、削峰填谷、提高电能质量和电力可靠性等方面起到了重要作用。作为未来电网发展的重要环节,储能技术得到了全世界的广泛关注。
与此同时,随着配电网中可再生能源渗透率的提高以及储能设备的应用,电网中的机组发电功率不再完全可控,因此其对配电系统的运行状态也会产生影响,而供电可靠性就是其中的一个重要方面,因此对考虑储能的高渗透率配电网可靠性进行分析研究是十分必要且有意义的。
发明内容
本发明的目的是为了针对考虑储能策略的高渗透率配电网进行可靠性分析,提出的一种计及运行策略的储能系统多状态可靠性建模方法。
本发明基于马尔科夫状态模型,考虑风光出力以及储能系统荷电状态(SOC)的状态变换应当是从当前状态只能转移到它相邻的状态或保持状态不变,而很少会跳过相邻状态进行状态转移,同时结合马尔科夫双状态模型对风光出力以及储能系统荷电状态进行预测。在此基础上,本发明提出一种计及运行策略的储能系统多状态可靠性建模方法。
首先,该方法基于马尔可夫状态模型,建立了马尔科夫双状态模型;然后,根据风能和太阳能资源的分布概率密度函数,将风能和太阳能系统的输出表示为n个状态,通过储能系统的充放电策略估计SOC的概率密度分布函数;然后结合马尔科夫双状态模型,预测风光时序出力以及储能系统SOC时序状态。
本发明基于以下设备布局:
本发明根据风光出力状态以及储能系统SOC状态变化的特点,提出一种计及运行策略的储能系统多状态可靠性建模方法,步骤如下:
步骤(1)、获取光伏数据、风速数据以及峰谷电价时间分布和峰谷平电价时间分布。
步骤(2)、建立考虑设备故障的风光储系统多状态模型:
步骤(3)、建立风光储系统多状态模型的状态转移矩阵:
根据马尔科夫方程中的状态转移矩阵建立风光储系统状态转移矩阵。
步骤(4)、建立风光储系统潜在出力多状态模型;
所述的风光储系统潜在出力多状态模型由光伏发电系统潜在出力多状态模型、风能发电系统潜在出力多状态模型和储能系统SOC多状态模型组成。
步骤(5)、将光伏数据和风速数据分别输入光伏发电系统潜在出力多状态模型以及风能系统潜在出力多状态模型,然后分别得出光伏发电系统和风能发电系统的状态转移矩阵,并结合风光储系统多状态模型预测出光伏发电的时序出力以及风能发电的时序出力。
步骤(6)、将预测的风光时序出力带入所选择的配电网系统中,得到储能系统SOC各个状态的概率,并计算得到储能系统SOC状态转移矩阵,最后结合风光储系统多状态模型推导出储能系统SOC时序状态。
步骤(2)具体方法如下:
风光储系统多状态模型由系统设备状态和风光储系统的潜在出力组成。对于风光储系统设备状态模型,采用马尔可夫双状态模型,即正常运行状态和故障状态,假设设备的故障率分布式能源站为λ,修复率为μ,根据式(1)和式(2)得到风光储系统的正常工作时间和故障修复时间。
同时针对分布式能源固有的间歇性和随机性,风光储系统的潜在出力采用多状态进行描述,状态数量根据资源特征和可靠性分析精度确定。因此风光储系统多状态模型由风光储系统设备状态模型和风光储系统潜在出力多状态模型联合组成,如式(3)所示。
式中,S表示风光储系统多状态矩阵,m为潜在出力状态数,γi为潜在出力状态i的概率,i∈(1-m)。
步骤(3)具体方法如下:
根据马尔科夫方程中的状态转移矩阵建立风光储系统状态转移矩阵,矩阵的维数即系统的状态数。如果从状态i向状态j有转移,则该转移率作为第i行,第j列的元素填入,否则该元素为0,同时,每行元素之和为1。其矩阵如下式所述。
qij代表状态i转移到状态j的概率,n代表系统状态数。
根据马尔科夫的逼近原理:极限状态概率在进一步的转移过程中保持不变,得出:
由上式推导出的有效公式如下:
设原始数据中的状态转移概率如下式所示
由上述两式得到以下多目标优化模型,用以求出预测的风光储系统状态转移矩阵:
对于上述多目标优化模型采用matlab中的YALMIP工具箱以及Gurobi求解器进行求解,得出结果即预测的风光储系统状态转移矩阵。
步骤(4)具体方法如下:
所述的风光储系统潜在出力多状态模型由光伏发电系统潜在出力多状态模型、风能发电系统潜在出力多状态模型和储能系统SOC多状态模型组成。
1、光伏发电系统潜在出力多状态模型:
光伏发电系统的输出功率模型如下式表示:
式中,Pb代表光伏系统的发电功率;Ps代表光伏系统的额定功率;Gi代表第i个时刻的光照强度,单位为(W/m2);Gs表示标准环境下的光照强度;Rc表示特定大小的光照强度。
光照强度的分布概率密度分布使用贝塔分布来进行描述,如下式所示:
其中,x代表光照强度,α,β为系统参数。
光照强度的累计概率分布:
式中,Bx(α,β)为不完全B函数,Ix(α,β)为正则不完全B函数。
根据式(9)和式(10)得到光伏出力为P的连续概率分布函数,为了提高计算效率,将光伏出力曲线简化为有限的离散功率,与之对应的光照强度为xi,则光伏出力为Pi的概率为:
式中,npv为简化后的离散功率数。
2、风能发电系统潜在出力多状态模型;
风力发电系统功率模型如下:
式中,Pw为风电机组的输出功率,Vs表示风机的启动风速,Vo表示额定风速,Vc表示切除风速,Pc表示风电机组的额定输出功率。
采用威布尔分布模型描述风速的概率分布,其概率密度函数以及累计概率分布函数分别如式(14)和式(15)所示。
式中,k为威布尔分布的状态参数,λ为尺度参数,反映了风电场的平均风速。
式中,nw为简化后的风能系统潜在出力离散功率数,也是风能系统潜在出力状态数。
3、储能系统SOC多状态模型;
储能系统SOC的变化由储能系统模型进行推导。
储能系统模型:储能系统模型采用容量上下限、充放电功率、荷电状态(SOC)变化三个参数进行描述。
1)储能系统SOC变化
St+1=(1-δ*Δt)*St+(Uc,t*Pc,t*ηc-Ud,t*Pd,t*ηd)*Δt (17)
St代表t时刻储能系统的SOC状态;δ代表储能系统单位时间的自放电率;Uc,t,Ud,t分别代表储能系统充放电标志位,若系统处于充电状态则Uc,t=1,Ud,t=0,反之则Uc,t=0,Ud,t=1;Pc,t代表储能系统的实际充电功率,Pd,t代表储能系统的实际放电功率;ηc和ηd分别代表储能系统的充电效率和放电效率。
2)SOC容量上下限;
考虑到储能系统的寿命问题,在储能系统的充放电过程中,储能系统的SOC状态不能超过设定的上下限。
Smin≤St≤Smax (18)
Smin代表储能系统的最小荷电状态;Smax代表储能系统最大荷电状态。
3)充放电功率;
Pc,max代表储能系统最大充电功率,Pd,max代表储能系统最大放电功率。
储能系统SOC的概率密度函数会根据储能系统的充放电策略的不同而呈现出不同的状态,具体如下:
(a)平滑风光系统出力策略:
为了减少风光发电系统出力的波动性,以储能系统的出力平滑风光发电系统出力,即:以预测所得未来四个小时的风光发电系统的平均出力作为基准出力,当风光发电系统的出力大于平均出力时,多出部分为储能系统供电;当风光发电系统的出力小于平均出力时,储能系统进行放电。
使用matlab模拟得出该策略下的储能SOC概率密度分布情况基本符合正态分布。
储能系统SOC累计概率分布函数:
(b)一充两放策略:
根据电价的高低对储能系统进行“一冲一放”的充放电策略,即:在电价低价区的0点至4点对储能系统进行充电,并且充满;然后在高价区的上午10点至12点进行第一次放电,下午6点到8点进行第二次放电,以达到控制高峰负荷、充分利用电网低谷电量的目的。
使用matlab进行模拟得到该策略下储能系统SOC概率密度分布函数。
其中,St代表某一特定值的SOC状态,a代表当x=Smin的概率,b代表x=Smax的概率,c代表x=St时的概率。
(c)两充两放策略
针对储能系统进行“两充两放”的充放电策略,即:在低谷段23点至3点期间,对储能系统进行充电,并将其充满,在高峰段7点至11点期间,储能系统按照设定的功率进行放电,随后在平段12点至15点期间对储能系统进行充电,储能系统再度充满,然后在第二个高峰段19点至23点按照设定功率进行放电。
使用matlab进行模拟得到该策略下储能系统SOC概率密度分布函数。
其中,a代表x=Smin时的概率,b代表x=Smax时的概率
得到储能系统SOC概率密度分布函数后,将其离散化,即可得到储能系统SOC多状态模型。
步骤(5)具体方法如下:
将步骤(1)中所得的光伏数据和风速数据分别导入公式(12)和公式(16)中得到光伏发电系统潜在出力多状态模型以及风能系统潜在出力多状态模型,然后通过式(8)分别得出光伏发电系统和风能发电系统的状态转移矩阵,并结合公式(3)预测出光伏发电的时序出力以及风能发电的时序出力。
步骤(6)具体方法如下:
将步骤(5)中所预测的风光时序出力带入所选择的配电网系统中,然后根据储能系统模型,使用matlab进行仿真分析,推导出储能系统的SOC分布数据,根据所选策略的SOC概率密度分布函数,将所得的SOC分布数据进行拟合,得到SOC分布情况,最后将其离散化,得到储能系统SOC各个状态的概率,最后通过公式(8)得到储能系统SOC状态转移矩阵,最后结合公式(3)推导出储能系统SOC时序状态。
本发明有益效果如下:
本发明基于风光出力以及储能SOC的状态转移的特点提出一种计及运行策略的储能系统多状态可靠性建模方法。伴随着智能电网的发展,电网中可再生能源占比不断提高以及储能设备的使用,传统配电网可靠性将面临着巨大的挑战,作为一种计及运行策略的储能系统多状态可靠性建模方法,本发明具有广阔的应用前景。
附图说明
图1为本发明实施例方法流程图。
具体实施方式
以下结合附图与实施例对本发明方法进行进一步描述。
参考图1,本发明所述的提供一种计及运行策略的储能系统多状态可靠性建模方法,考虑风光出力变化以及储能系统SOC状态变化不能随意转移,而只能转移到自己相邻的状态或保持状态不变的一种多状态建模方法,具体操作步骤如下:
步骤(1)、获取光伏数据、风速数据以及峰谷电价时间分布和峰谷平电价时间分布。
步骤(2)、建立考虑设备故障的风光储系统多状态模型:
风光储系统多状态模型由系统设备状态和风光储系统的潜在出力组成。对于风光储系统设备状态模型,采用马尔可夫双状态模型,即正常运行状态和故障状态,假设设备的故障率分布式能源站为λ,修复率为μ,根据式(1)和式(2)得到风光储系统的正常工作时间和故障修复时间。
同时针对分布式能源固有的间歇性和随机性,风光储系统的潜在出力采用多状态进行描述,状态数量根据资源特征和可靠性分析精度确定。因此风光储系统多状态模型由风光储系统设备状态模型和风光储系统潜在出力多状态模型联合组成,如式(3)所示。
式中,S表示风光储系统多状态矩阵,m为潜在出力状态数,γi为潜在出力状态i的概率,i∈(1-m)。
步骤(3)、建立风光储系统多状态模型的状态转移矩阵:
根据马尔科夫方程中的状态转移矩阵建立风光储系统状态转移矩阵,矩阵的维数即系统的状态数。如果从状态i向状态j有转移,则该转移率作为第i行,第j列的元素填入,否则该元素为0,同时,每行元素之和为1。其矩阵如下式所示。
qij代表状态i转移到状态j的概率,n代表系统状态数。
根据马尔科夫的逼近原理:极限状态概率在进一步的转移过程中保持不变,得出:
由上式推导出的有效公式如下:
设原始数据中的状态转移概率如下式所示
由上述两式得到以下多目标优化模型,用以求出预测的风光储系统状态转移矩阵:
对于上述多目标优化模型采用matlab中的YALMIP工具箱以及Gurobi求解器进行求解,得出结果即预测的风光储系统状态转移矩阵。
步骤(4)、建立风光储系统潜在出力多状态模型;
所述的风光储系统潜在出力多状态模型由光伏发电系统潜在出力多状态模型、风能发电系统潜在出力多状态模型和储能系统SOC多状态模型组成。
1、光伏发电系统潜在出力多状态模型:
光伏发电系统的输出功率模型如下式表示:
式中,Pb代表光伏系统的发电功率;Ps代表光伏系统的额定功率;Gi代表第i个时刻的光照强度,单位为(W/m2);Gs表示标准环境下的光照强度;Rc表示特定大小的光照强度。
光照强度的分布概率密度分布使用贝塔分布来进行描述,如下式所示:
其中,x代表光照强度,α,β为系统参数。
光照强度的累计概率分布:
式中,Bx(α,β)为不完全B函数,Ix(α,β)为正则不完全B函数。
根据式(9)和式(10)得到光伏出力为P的连续概率分布函数,为了提高计算效率,将光伏出力曲线简化为有限的离散功率,与之对应的光照强度为xi,则光伏出力为Pi的概率为:
式中,npv为简化后的离散功率数。
2、风能发电系统潜在出力多状态模型;
风力发电系统功率模型如下:
式中,Pw为风电机组的输出功率,Vs表示风机的启动风速,Vo表示额定风速,Vc表示切除风速,Pc表示风电机组的额定输出功率。
采用威布尔分布模型描述风速的概率分布,其概率密度函数以及累计概率分布函数分别如式(14)和式(15)所示。
式中,k为威布尔分布的状态参数,λ为尺度参数,反映了风电场的平均风速。
式中,nw为简化后的风能系统潜在出力离散功率数,也是风能系统潜在出力状态数。
3、储能系统SOC多状态模型;
储能系统SOC的变化由储能系统模型进行推导。
储能系统模型:储能系统模型采用容量上下限、充放电功率、荷电状态(SOC)变化三个参数进行描述。
1)储能系统SOC变化
St+1=(1-δ*Δt)*St+(Uc,t*Pc,t*ηc-Ud,t*Pd,t*ηd)*Δt (17)
St代表t时刻储能系统的SOC状态;δ代表储能系统单位时间的自放电率;Uc,t,Ud,t分别代表储能系统充放电标志位,若系统处于充电状态则Uc,t=1,Ud,t=0,反之则Uc,t=0,Ud,t=1;Pc,t代表储能系统的实际充电功率,Pd,t代表储能系统的实际放电功率;ηc和ηd分别代表储能系统的充电效率和放电效率。
2)SOC容量上下限;
考虑到储能系统的寿命问题,在储能系统的充放电过程中,储能系统的SOC状态不能超过设定的上下限。
Smin≤St≤Smax (18)
Smin代表储能系统的最小荷电状态;Smax代表储能系统最大荷电状态。
3)充放电功率;
Pc,max代表储能系统最大充电功率,Pd,max代表储能系统最大放电功率。
储能系统SOC的概率密度函数会根据储能系统的充放电策略的不同而呈现出不同的状态,具体如下:
(a)平滑风光系统出力策略:
为了减少风光发电系统出力的波动性,以储能系统的出力平滑风光发电系统出力,即:以预测所得未来四个小时的风光发电系统的平均出力作为基准出力,当风光发电系统的出力大于平均出力时,多出部分为储能系统供电;当风光发电系统的出力小于平均出力时,储能系统进行放电。
以5台1MW光伏阵列,5台750KW风机,以及容量为4000KWh的储能系统组合为例,并参考西北某地的风光数据,使用matlab模拟得出该策略下的储能SOC概率密度分布情况基本符合正态分布。
储能系统SOC累计概率分布函数:
(b)一充两放策略:
峰谷电价制是为了碾平电力系统的高峰,填平低谷,促进用户的计划用电和节约用电,充分发挥价格的经济杠杆作用。因此,可以根据电价的高低对储能系统进行“一冲一放”的充放电策略,即:在电价低价区的0点至4点对储能系统进行充电,并且充满;然后在高价区的上午10点至12点进行第一次放电,下午6点到8点进行第二次放电,以达到控制高峰负荷、充分利用电网低谷电量的目的。
使用matlab进行模拟得到该策略下储能系统SOC概率密度分布函数。
其中,St代表某一特定值的SOC状态,a代表当x=Smin的概率,b代表x=Smax的概率,c代表x=St时的概率。
(c)两充两放策略
除了将一天负荷分为高峰段和低谷段,还可再增加平段,平谷段负荷基于高峰段负荷和低谷段负荷之间,针对高峰段、平段、低谷段三个时段分别制定不同的电价水平,基于此,我们可以针对储能系统进行“两充两放”的充放电策略,即:在低谷段23点至3点期间,对储能系统进行充电,并将其充满,在高峰段7点至11点期间,储能系统按照设定的功率进行放电,随后在平段12点至15点期间对储能系统进行充电,储能系统再度充满,然后在第二个高峰段19点至23点按照设定功率进行放电。
由于两充两放策略下,SOC的状态分布与风光出力情况无关,只与峰谷平电价时间有关,因此可以直接使用matlab进行模拟得到该策略下储能系统SOC概率密度分布函数。
其中,a代表x=Smin时的概率,b代表x=Smax时的概率
得到储能系统SOC概率密度分布函数后,将其离散化,即可得到储能系统SOC多状态模型。
步骤(5)、将步骤(1)中所得的光伏数据和风速数据分别导入公式(12)和公式(16)中得到光伏发电系统潜在出力多状态模型以及风能系统潜在出力多状态模型,然后通过式(8)分别得出光伏发电系统和风能发电系统的状态转移矩阵,并结合公式(3)预测出光伏发电的时序出力以及风能发电的时序出力。
步骤(6)、将步骤(5)中所预测的风光时序出力带入所选择的配电网系统中,然后根据储能系统模型,使用matlab进行仿真分析,推导出储能系统的SOC分布数据,根据所选策略的SOC概率密度分布函数,将所得的SOC分布数据进行拟合,得到SOC分布情况,最后将其离散化,得到储能系统SOC各个状态的概率,最后通过公式(8)得到储能系统SOC状态转移矩阵,最后结合公式(3)推导出储能系统SOC时序状态。
最后,通过matlab使用故障模式结果分析(FMEA)表和蒙特卡洛法仿真两个案例,案例一的系统中没有加储能设备,方案二的系统加了储能设备。本发明提出一种基于风光系统出力状态和储能系统SOC状态的状态间转移的特点,即当前状态只能转移到其相邻的状态或保持不变,所建立的一种考虑储能的高渗透率配电网可靠性分析的多状态建模方法。通过仿真对比,加了储能系统的案例二的各项可靠性指标均优于没有加储能系统的案例一,验证了所提方法的正确性,随着可再生能源设备和储能装置在传统配电网中的占比不断提高,传统配电网的供电可靠性面临着巨大的挑战,因此本方法拥有着广阔的应用前景。
本发明基于马尔科夫状态模型,考虑风光出力以及储能系统荷电状态(SOC)的状态变换应当是从当前状态只能转移到它相邻的状态或保持状态不变,而很少会跳过相邻状态进行状态转移,同时结合马尔科夫双状态模型对风光出力以及储能系统荷电状态进行预测。
Claims (6)
1.一种计及运行策略的储能系统多状态可靠性建模方法,其特征在于,步骤如下:
步骤(1)、获取光伏数据、风速数据以及峰谷电价时间分布和峰谷平电价时间分布;
步骤(2)、建立考虑设备故障的风光储系统多状态模型:
步骤(3)、建立风光储系统多状态模型的状态转移矩阵:
根据马尔科夫方程中的状态转移矩阵建立风光储系统状态转移矩阵;
步骤(4)、建立风光储系统潜在出力多状态模型;
所述的风光储系统潜在出力多状态模型由光伏发电系统潜在出力多状态模型、风能发电系统潜在出力多状态模型和储能系统SOC多状态模型组成;
步骤(5)、将光伏数据和风速数据分别输入光伏发电系统潜在出力多状态模型以及风能系统潜在出力多状态模型,然后分别得出光伏发电系统和风能发电系统的状态转移矩阵,并结合风光储系统多状态模型预测出光伏发电的时序出力以及风能发电的时序出力;
步骤(6)、将预测的风光时序出力带入所选择的配电网系统中,得到储能系统SOC各个状态的概率,并计算得到储能系统SOC状态转移矩阵,最后结合风光储系统多状态模型推导出储能系统SOC时序状态。
2.根据权利要求1所述的一种计及运行策略的储能系统多状态可靠性建模方法,其特征在于,步骤(2)具体方法如下:
风光储系统多状态模型由系统设备状态和风光储系统的潜在出力组成;对于风光储系统设备状态模型,采用马尔可夫双状态模型,即正常运行状态和故障状态,假设设备的故障率分布式能源站为λ,修复率为μ,根据式(1)和式(2)得到风光储系统的正常工作时间和故障修复时间;
同时针对分布式能源固有的间歇性和随机性,风光储系统的潜在出力采用多状态进行描述,状态数量根据资源特征和可靠性分析精度确定;因此风光储系统多状态模型由风光储系统设备状态模型和风光储系统潜在出力多状态模型联合组成,如式(3)所示;
式中,S表示风光储系统多状态矩阵,m为潜在出力状态数,γi为潜在出力状态i的概率,i∈(1-m)。
3.根据权利要求2所述的一种计及运行策略的储能系统多状态可靠性建模方法,其特征在于,步骤(3)具体方法如下:
根据马尔科夫方程中的状态转移矩阵建立风光储系统状态转移矩阵,矩阵的维数即系统的状态数;如果从状态i向状态j有转移,则该转移率作为第i行,第j列的元素填入,否则该元素为0,同时,每行元素之和为1;其矩阵如下式所示;
qij代表状态i转移到状态j的概率,n代表系统状态数;
根据马尔科夫的逼近原理:极限状态概率在进一步的转移过程中保持不变,得出:
由上式推导出的有效公式如下:
设原始数据中的状态转移概率如下式所示
由上述两式得到以下多目标优化模型,用以求出预测的风光储系统状态转移矩阵:
对于上述多目标优化模型采用matlab中的YALMIP工具箱以及Gurobi求解器进行求解,得出结果即预测的风光储系统状态转移矩阵。
4.根据权利要求3所述的一种计及运行策略的储能系统多状态可靠性建模方法,其特征在于,步骤(4)具体方法如下:
所述的风光储系统潜在出力多状态模型由光伏发电系统潜在出力多状态模型、风能发电系统潜在出力多状态模型和储能系统SOC多状态模型组成;
1、光伏发电系统潜在出力多状态模型:
光伏发电系统的输出功率模型如下式表示:
式中,Pb代表光伏系统的发电功率;Ps代表光伏系统的额定功率;Gi代表第i个时刻的光照强度,单位为(W/m2);Gs表示标准环境下的光照强度;Rc表示特定大小的光照强度;
光照强度的分布概率密度分布使用贝塔分布来进行描述,如下式所示:
其中,x代表光照强度,α,β为系统参数;
光照强度的累计概率分布:
式中,Bx(α,β)为不完全B函数,Ix(α,β)为正则不完全B函数;
根据式(9)和式(10)得到光伏出力为P的连续概率分布函数,为了提高计算效率,将光伏出力曲线简化为有限的离散功率,与之对应的光照强度为xi,则光伏出力为Pi的概率为:
式中,npv为简化后的离散功率数;
2、风能发电系统潜在出力多状态模型;
风力发电系统功率模型如下:
式中,Pw为风电机组的输出功率,Vs表示风机的启动风速,Vo表示额定风速,Vc表示切除风速,Pc表示风电机组的额定输出功率;
采用威布尔分布模型描述风速的概率分布,其概率密度函数以及累计概率分布函数分别如式(14)和式(15)所示;
式中,k为威布尔分布的状态参数,λ为尺度参数,反映了风电场的平均风速;
式中,nw为简化后的风能系统潜在出力离散功率数,也是风能系统潜在出力状态数;
3、储能系统SOC多状态模型;
储能系统SOC的变化由储能系统模型进行推导;
储能系统模型:储能系统模型采用容量上下限、充放电功率、荷电状态(SOC)变化三个参数进行描述;
1)储能系统SOC变化
St+1=(1-δ*Δt)*St+(Uc,t*Pc,t*ηc-Ud,t*Pd,t*ηd)*Δt (17)
St代表t时刻储能系统的SOC状态;δ代表储能系统单位时间的自放电率;Uc,t,Ud,t分别代表储能系统充放电标志位,若系统处于充电状态则Uc,t=1,Ud,t=0,反之则Uc,t=0,Ud,t=1;Pc,t代表储能系统的实际充电功率,Pd,t代表储能系统的实际放电功率;ηc和ηd分别代表储能系统的充电效率和放电效率;
2)SOC容量上下限;
考虑到储能系统的寿命问题,在储能系统的充放电过程中,储能系统的SOC状态不能超过设定的上下限;
Smin≤St≤Smax (18)
Smin代表储能系统的最小荷电状态;Smax代表储能系统最大荷电状态;
3)充放电功率;
Pc,max代表储能系统最大充电功率,Pd,max代表储能系统最大放电功率;
储能系统SOC的概率密度函数会根据储能系统的充放电策略的不同而呈现出不同的状态,具体如下:
(a)平滑风光系统出力策略:
为了减少风光发电系统出力的波动性,以储能系统的出力平滑风光发电系统出力,即:以预测所得未来四个小时的风光发电系统的平均出力作为基准出力,当风光发电系统的出力大于平均出力时,多出部分为储能系统供电;当风光发电系统的出力小于平均出力时,储能系统进行放电;
使用matlab模拟得出该策略下的储能SOC概率密度分布情况基本符合正态分布;
储能系统SOC累计概率分布函数:
(b)一充两放策略:
根据电价的高低对储能系统进行“一冲一放”的充放电策略,即:在电价低价区的0点至4点对储能系统进行充电,并且充满;然后在高价区的上午10点至12点进行第一次放电,下午6点到8点进行第二次放电,以达到控制高峰负荷、充分利用电网低谷电量的目的;
使用matlab进行模拟得到该策略下储能系统SOC概率密度分布函数;
其中,St代表某一特定值的SOC状态,a代表当x=Smin的概率,b代表x=Smax的概率,c代表x=St时的概率;
(c)两充两放策略
针对储能系统进行“两充两放”的充放电策略,即:在低谷段23点至3点期间,对储能系统进行充电,并将其充满,在高峰段7点至11点期间,储能系统按照设定的功率进行放电,随后在平段12点至15点期间对储能系统进行充电,储能系统再度充满,然后在第二个高峰段19点至23点按照设定功率进行放电;
使用matlab进行模拟得到该策略下储能系统SOC概率密度分布函数;
其中,a代表x=Smin时的概率,b代表x=Smax时的概率
得到储能系统SOC概率密度分布函数后,将其离散化,即可得到储能系统SOC多状态模型。
5.根据权利要求4所述的一种计及运行策略的储能系统多状态可靠性建模方法,其特征在于,步骤(5)具体方法如下:
将步骤(1)中所得的光伏数据和风速数据分别导入公式(12)和公式(16)中得到光伏发电系统潜在出力多状态模型以及风能系统潜在出力多状态模型,然后通过式(8)分别得出光伏发电系统和风能发电系统的状态转移矩阵,并结合公式(3)预测出光伏发电的时序出力以及风能发电的时序出力。
6.根据权利要求5所述的一种计及运行策略的储能系统多状态可靠性建模方法,其特征在于,步骤(6)具体方法如下:
将步骤(5)中所预测的风光时序出力带入所选择的配电网系统中,然后根据储能系统模型,使用matlab进行仿真分析,推导出储能系统的SOC分布数据,根据所选策略的SOC概率密度分布函数,将所得的SOC分布数据进行拟合,得到SOC分布情况,最后将其离散化,得到储能系统SOC各个状态的概率,最后通过公式(8)得到储能系统SOC状态转移矩阵,最后结合公式(3)推导出储能系统SOC时序状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110830225.XA CN113536581B (zh) | 2021-07-22 | 一种计及运行策略的储能系统多状态可靠性建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110830225.XA CN113536581B (zh) | 2021-07-22 | 一种计及运行策略的储能系统多状态可靠性建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113536581A true CN113536581A (zh) | 2021-10-22 |
CN113536581B CN113536581B (zh) | 2024-10-15 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997467A (zh) * | 2022-05-05 | 2022-09-02 | 国网江苏省电力有限公司镇江供电分公司 | 一种考虑状态转移模型的储能优化配置方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217113A (zh) * | 2014-09-03 | 2014-12-17 | 广西电网有限责任公司 | 基于储能概率模型的独立风光储系统可靠性评估方法 |
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217113A (zh) * | 2014-09-03 | 2014-12-17 | 广西电网有限责任公司 | 基于储能概率模型的独立风光储系统可靠性评估方法 |
Non-Patent Citations (1)
Title |
---|
朱良管等: "一种考虑孤岛运行和可再生能源出力不确定性的有源配电网供电可靠性分析方法", 《电测与仪表》, pages 1 - 12 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997467A (zh) * | 2022-05-05 | 2022-09-02 | 国网江苏省电力有限公司镇江供电分公司 | 一种考虑状态转移模型的储能优化配置方法 |
CN114997467B (zh) * | 2022-05-05 | 2023-07-25 | 国网江苏省电力有限公司镇江供电分公司 | 一种考虑状态转移模型的储能优化配置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104578157B (zh) | 一种分布式电源接入电网的潮流计算方法 | |
CN109103929A (zh) | 基于改进动态克里丝金模型的配电网经济优化调度方法 | |
CN112365021A (zh) | 一种基于混合储能的区域综合能源系统规划优化方法 | |
CN112821463B (zh) | 基于风、光随机性的主动配电网多目标日前优化调度方法 | |
CN111934360A (zh) | 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法 | |
CN109474007B (zh) | 一种基于大数据云技术的能源互联网调度方法 | |
CN111668878A (zh) | 一种可再生微能源网的优化配置方法和系统 | |
CN103326388A (zh) | 基于功率预测的微电网储能系统及容量配置方法 | |
CN110994606A (zh) | 一种基于复杂适应系统理论的多能源电源容量配置方法 | |
CN103326389A (zh) | 基于功率预测的微电网储能系统及容量配置方法 | |
CN117674292A (zh) | 一种虚拟电厂优化调度方法 | |
CN106712060B (zh) | 一种基于多代理的百兆瓦级电池储能系统控制方法及系统 | |
CN118412929A (zh) | 一种考虑调度响应能力的虚拟电厂运行控制方法 | |
Sun et al. | Review on pumped storage power station in high proportion renewable energy power system | |
CN112994087B (zh) | 基于条件风险约束的多源电力系统中期优化调度方法 | |
CN116885840A (zh) | 一种基于实时数据的分布式新能源在线监测方法及系统 | |
CN112186808A (zh) | 一种微网能量优化调度方法 | |
CN109546647B (zh) | 一种用于含风光水储的电力系统的安全稳定评估方法 | |
Ran et al. | Economic dispatch of off-grid photovoltaic generation system with hybrid energy storage | |
Han et al. | Analysis of economic operation model for virtual power plants considering the uncertainties of renewable energy power generation | |
CN113536581B (zh) | 一种计及运行策略的储能系统多状态可靠性建模方法 | |
CN113536581A (zh) | 一种计及运行策略的储能系统多状态可靠性建模方法 | |
Xiangyu et al. | Optimal control and configuration of energy storage devices in regional distribution network with renewable energy sources | |
CN114188942A (zh) | 一种包含大规模新能源基地的电网调度方法 | |
Liu et al. | Micro grid energy management based on two-stage robust optimization |
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 |