CN113991711A - 一种光伏电站储能系统容量配置方法 - Google Patents

Abstract

本发明涉及一种光伏电站储能系统容量配置方法，该方法包括以下步骤：⑴收集目标区域光伏电站的原始数据，并对该原始数据进行预处理；⑵以历史实测环境数据作为输入，以实测功率数据作为输出，建立光伏功率预测模型；⑶利用核分布概率密度函数拟合储能系统功率和每日最大容量的分布；⑷计算不同概率p%满足度下储能系统的功率P _ESS , _p% 和容量配置E _max,p% ；⑸引入电池容量温度补偿系数η _T，修正储能系统容量和功率配置结果。本发明不但能够利用储能系统补偿光伏功率预测的误差，而且提高光伏系统输出功率的可控性和接入电网的可靠性，对追踪光伏发电计划出力。

Description

一种光伏电站储能系统容量配置方法

技术领域

本发明涉及光伏发电技术领域，尤其涉及一种光伏电站储能系统容量配置方法。

背景技术

近年来，光伏发电发展迅速，越来越多的大型光伏电站建成并网。然而，高比例的光伏发电系统接入电网会给电力系统的经济调度和安全稳定运行带来巨大的挑战。准确的光伏功率预测可以为电网调度计划提供参考，减轻光伏发电大规模并网带来的不利影响。但由于光伏发电受外部环境的影响较大，现有的光伏功率预测方法难以做到高精度预测，储能设备的应用能够有效缓解光伏功率预测误差带来的影响，已逐渐成为光伏发电高渗透率接入电网的关键技术之一。

储能系统在光伏发电中的应用主要在于平滑光伏出力波动、提高光伏发电的可靠性、追踪光伏计划出力等方面，然而现阶段储能设备的高成本限制了其大规模应用，合理的配置储能容量对于提高光伏储能系统的经济效益有着重要意义。对光伏发电功率预测误差进行分析，利用储能系统补偿功率差额是目前储能容量配置的一个重要依据。但目前对光伏电站储能容量的合理配置较难；且温度对电池性能有一定影响，少有研究考虑到当地气候条件对储能容量进行修正。而为了满足某天极端天气带来的极大误差值可能会使储能容量配置较高，造成一定程度的浪费，因此，需要考虑采用合适的概率密度函数拟合功率预测误差，并选取合适的置信度确定容量，同时，环境温度对电池的性能也有着较大的影响，考虑传统蓄电池在不同温度下的特性，对储能容量的配置进行修正也有着重要意义。

发明内容

本发明所要解决的技术问题是提供一种提高可控性、可靠性的光伏电站储能系统容量配置方法。

为解决上述问题，本发明所述的一种光伏电站储能系统容量配置方法，包括以下步骤：

⑴收集目标区域光伏电站的原始数据，并对该原始数据进行预处理；

⑵以历史实测环境数据作为输入，以实测功率数据作为输出，建立光伏功率预测模型；

⑶利用核分布概率密度函数拟合储能系统功率和每日最大容量的分布：

①计算功率预测误差；

②确定核分布的概率密度函数f；

③利用核分布对储能系统瞬时功率绝对值的分布进行拟合，并作出其累计分布函数F；

④确定每日最大容量E _max，并作出每日最大容量分布直方图；

⑷计算不同概率p%满足度下储能系统的功率P _ESS , _p% 和容量配置E _max,p% ；

⑸引入电池容量温度补偿系数η _T，修正储能系统容量和功率配置结果。

所述步骤②中核分布的概率密度函数f表示为：

式中：n为样本数量，x…x _i 为样本数据；h为带宽；K为核函数，其表达式为：

。

所述步骤③中累计分布函数F的定义如下：对于所有实数k，有：

式中：P ₀ 为满足K≤k条件的概率值，K为变量。

所述步骤④中每日最大容量E _max的定义如下：

式中：E ₁为每日容量变化曲线最大波峰值；E ₂为每日容量曲线最大波谷值。

所述步骤⑸中温度补偿系数η _T表征不同温度下电池实际容量与额定容量之间的关系，其关系式为：

；

式中：E _real 为实际容量，单位MWh；E _full 为额定容量，单位MWh；a，b，c为模型参数；T为环境温度，单位℃。

本发明与现有技术相比具有以下优点：

本发明通过对光伏功率预测误差的概率统计分析，利用参数估计和拟合的方式计算设定的置信水平下的储能设备的容量和功率，同时考虑温度对储能电池的影响，引入温度补偿系数，进一步修正储能设备的容量，不但能够利用储能系统补偿光伏功率预测的误差，而且提高光伏系统输出功率的可控性和接入电网的可靠性，对追踪光伏发电计划出力。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1为本发明的流程图。

图2为本发明 ELM功率预测模型示意图。

图3为本发明不同概率密度函数拟合曲线。

图4为本发明储能容量拟合曲线。

图5为本发明两种拟合方法的CDF曲线。

具体实施方式

如图1所示，一种光伏电站储能系统容量配置方法，包括以下步骤：

⑴收集目标区域光伏电站的原始数据，并对该原始数据整理,删除不合理数据。

其中：原始数据是指实测运行数据、实测环境数据以及NWP天气数据。

实测运行数据包括光伏电站实测功率数据；NWP天气数据包括辐照度、环境温度等气象数据。

⑵以历史实测环境数据作为输入，以实测功率数据作为输出，根据环境因素和光伏发电功率的映射关系，建立光伏功率预测模型。

采用ELM极限学习机算法建立光伏功率预测模型，以光伏电站历史实测的环境数据为输入，历史实测的功率数据为输出，训练预测模型，如图2所示。将NWP数值天气预报数据输入模型，即可实现未来一段时间内的功率预测。

其中：ELM的数学模型为：

式中：N为训练样本数；x _i =[x _i1,x _i2…x _in ]^T为样本输入值；t _i =[t _i1,t _i2…t _in ]^T为样本的期望输出值；g(x)为激励函数；

是连接输入样本与第

个隐藏节点的权值向量，

是连接第

个隐藏节点与输出样本的权值向量，b _i 是第

个隐藏节点的偏置量；β _i 为输出权重。

将N个方程的矩阵形式写为：

其解表示为：

式中：β为输出权重，T为期望输出；H ⁺是隐含层输出矩阵的广义逆。

⑶利用核分布概率密度函数拟合储能系统功率和每日最大容量的分布。

①计算功率预测误差：

利用储能系统补偿功率误差，功率预测误差即为储能系统的瞬时输出功率。

②作出预测误差概率分布直方图，采用不同的概率密度函数对预测误差的分布进行拟合。

概率密度函数包括正态分布(Normal)、t-分布(t-Locationscale)、核分布(Kernel)，极值分布(Extremevalue)，稳定分布(Stable)等典型的概率密度分布函数。设定指标A评价拟合程度，选取拟合程度最高的概率密度函数做下一步计算分析。

拟合精度指标A计算公式如下：

式中：n为概率分布直方图的组数；a _i 为第i个直方柱的中心位置，h _i 为第i个直方柱的高度，f为用于拟合的概率密度函数，f(a _i )为中心位置上拟合的数值。拟合精度指标A越小，说明拟合的程度越高。

图3为不同概率密度函数拟合的效果，从图上可以看出，核分布拟合具有更好的效果。表1为拟合精度指标的计算结果。从评价指标A的量化分析结果来看，核分布具有更好的拟合精度，故本发明的计算均采用核分布的概率密度函数进行拟合。

表1 不同的概率密度函数拟合精度指标

其中：核分布的概率密度函数f表示为：

式中：n为样本数量，x…x _i 为样本数据；h为带宽；K为核函数，有很多种核函数，本发明采用高斯核函数，其表达式为：

③储能系统功率的正负只决定了储能设备的充放电形式，为了方便计算，利用核分布对储能系统瞬时功率绝对值的分布进行拟合，并作出其累计分布函数。

累积分布函数是指随机变量小于或等于某个数值的概率P ₀，表示沿概率密度函数的每个值的累计概率。累计分布函数F的定义如下：对于所有实数k，有：

式中：P ₀ 为满足K≤k条件的概率值，K为变量。即对于离散变量而言，累积分布函数表示所有小于等于k的值出现概率的和。

④将储能功率在时间上的积分即可得到储能容量的变化曲线。取一天容量变化曲线的最大波峰和最大波谷之差的绝对值作为该日储能设备所需的最大容量，即每日最大容量，记作E _max。

式中：E ₁为每日容量变化曲线最大波峰值；E ₂为每日容量曲线最大波谷值。

然后作出每日最大容量分布直方图。

⑷计算不同概率p%满足度下储能系统的功率P _ESS , _p% 和容量配置E _max,p% 。

将储能系统的每日最大容量E _max视为累积分布函数的变量K，将以p%概率满足度时储能系统所需求的每日最大容量视为实数k（记为E _max,p% ），则上述累积分布函数可写为：

则p%概率满足率的储能容量配置计算公式如下：

式中：F ^-1 为累积分布函数的反函数。

同理，将储能系统的功率P _ESS 视为累积分布函数的变量K，将以p%概率满足度时储能系统所需求的功率视为实数k（记为P _ESS ,p%），则p%概率满足率的储能功率计算公式如下：

⑸考虑温度对电池容量的影响，引入电池容量温度补偿系数η _T，修正储能系统容量和功率配置结果。

温度补偿系数η _T表征不同温度下电池实际容量与额定容量之间的关系。

；

式中：E _real 为实际容量，单位MWh；E _full 为额定容量，单位MWh；a，b，c为模型参数；T为环境温度，单位℃。

实施例 一种光伏电站储能系统容量配置方法，包括以下步骤：

⑴选取青海某光伏电站一年实际运行数据进行分析。

⑵建立光伏功率预测模型：

采用ELM极限学习机算法建立光伏功率预测模型。以历史实测环境数据作为输入，以实测功率数据作为输出，训练模型。将NWP数值天气预报的环境数据输入训练好的模型，即可实现未来一段时间的功率预测。

⑶利用核分布概率密度函数拟合储能系统功率和每日最大容量的分布。

计算功率预测误差，功率预测误差即为储能系统功率。储能系统的瞬时功率变化在时间上的积分即可得到储能系统容量的变换。分别对储能系统功率和每日最大容量做统计分析，利用核分布概率密度函数拟合储能系统功率分布和最大容量的分布，并作出其累积分布函数。

选取第四季度的计算结果展示，拟合结果如图4和图5所示。图4为该电站第四季度的功率分布的拟合结果，图5为该电站第四季度的每日最大容量拟合结果。

⑷计算不同概率p%满足度下储能系统的功率P _ESS , _p% 和容量配置E _max,p% .

p%取70%，75%，80%，85%，90%，95%，100%，即可求得上述7种概率满足度时储能系统的容量和功率的计算结果，结果如表2所示。

表2 第四季度不同概率满足度下储能系统的功率和容量配置结果

从计算结果看出，100%满足的情况下，所需要的功率和容量非常大，这可能会导致一定程度上成本的浪费。因此选择95%满足度的配置方法，在满足大部分储能需求的同时，减少一定的储能配置成本。

⑸引入电池容量温度补偿系数η _T，修正储能系统容量和功率配置结果。

计算每个季度的平均温度，并计算温度补偿系数，对每个季度的95%满足度的储能容量配置进行修正。温度修正模型的参数a取0.95，b取6.55，c取29.49。修正结果如表3，

表3 每个季度的温度补偿系数及储能容量计算结果

根据功率预测误差及考虑温度修正，该电站的储能装机容量计算得到为11.9MW/64.4MWh。

Claims (5)

1.一种光伏电站储能系统容量配置方法，包括以下步骤：

⑴收集目标区域光伏电站的原始数据，并对该原始数据进行预处理；

⑵以历史实测环境数据作为输入，以实测功率数据作为输出，建立光伏功率预测模型；

⑶利用核分布概率密度函数拟合储能系统功率和每日最大容量的分布：

①计算功率预测误差；

②确定核分布的概率密度函数f；

③利用核分布对储能系统瞬时功率绝对值的分布进行拟合，并作出其累计分布函数F；

④确定每日最大容量E _max，并作出每日最大容量分布直方图；

⑷计算不同概率p%满足度下储能系统的功率P _ESS , _p% 和容量配置E _max,p% ；

⑸引入电池容量温度补偿系数η _T，修正储能系统容量和功率配置结果。

2.如权利要求1所述的一种光伏电站储能系统容量配置方法，其特征在于：所述步骤②中核分布的概率密度函数f表示为：

式中：n为样本数量，x…x _i 为样本数据；h为带宽；K为核函数，其表达式为：

。

3.如权利要求1所述的一种光伏电站储能系统容量配置方法，其特征在于：所述步骤③中累计分布函数F的定义如下：对于所有实数k，有：

式中：P ₀ 为满足K≤k条件的概率值，K为变量。

4.如权利要求1所述的一种光伏电站储能系统容量配置方法，其特征在于：所述步骤④中每日最大容量E _max的定义如下：

式中：E ₁为每日容量变化曲线最大波峰值；E ₂为每日容量曲线最大波谷值。

5.如权利要求1所述的一种光伏电站储能系统容量配置方法，其特征在于：所述步骤⑸中温度补偿系数η _T表征不同温度下电池实际容量与额定容量之间的关系，其关系式为：

；

式中：E _real 为实际容量，单位MWh；E _full 为额定容量，单位MWh；a，b，c为模型参数；T为环境温度，单位℃。

Images