CN114050608B - 光伏系统储能容量的优化配置方法、装置、设备及介质 - Google Patents
光伏系统储能容量的优化配置方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114050608B CN114050608B CN202111264741.7A CN202111264741A CN114050608B CN 114050608 B CN114050608 B CN 114050608B CN 202111264741 A CN202111264741 A CN 202111264741A CN 114050608 B CN114050608 B CN 114050608B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- data
- energy storage
- power
- clustering
- 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 147
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000009826 distribution Methods 0.000 claims abstract description 96
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 230000005684 electric field Effects 0.000 claims abstract description 30
- 238000010276 construction Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 19
- 238000009434 installation Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 13
- 238000007599 discharging Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 239000002699 waste material Substances 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 4
- 239000002609 medium Substances 0.000 description 11
- 238000000342 Monte Carlo simulation Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 101150067055 minC gene Proteins 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
-
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例公开了光伏系统储能容量的优化配置方法、装置、设备及介质。该方法包括：根据待建配电台区的光伏系统对应的太阳辐照度数据以聚类的方式获取多个光伏数据分类；根据光伏系统的总功率计算每个光伏数据分类的光伏出力功率；根据至少两个用电场景下的参数，确定每个光伏数据分类对应的至少两个用电场景下的负荷功率；根据每个光伏数据分下的光伏出力功率、负荷功率、光伏系统的储能优化模型以及优化条件，确定光伏系统储能容量的优化配置结果。通过采用上述技术方案，考虑到了待建配电台区多种场景参数，提高了光伏系统储能配置结果的适用程度，可以达到提高配电台区建设的经济性，避免储能容量浪费的技术效果。
Description
技术领域
本发明实施例涉及电力工程技术领域，尤其涉及光伏系统储能容量的优化配置方法、装置、设备及介质。
背景技术
配电台区是配电网服务用户的关键一环，随着对土地利用率要求的逐步提高，配电房一般采用垂直设计，增加了配电房的闲置空间。为避免配电房闲置空间的浪费，可在配电房的闲置屋顶上建设太阳能光伏发电系统，以实现将太阳光辐射能转换为电能的有效利用。
在关于配电台区的光伏储能配置方案中，一般仅针对单一典型场景进行优化配置，例如多模块融合的光伏场景、充电桩场景或具备单一储能模块的场景，以上场景在方案实施的过程中均采用独立建设的方式。
在使用现有方案进行光伏储能优化配置时，只能根据单一场景需求进行容量配置，往往容量配置偏大，导致容量浪费。
发明内容
本发明实施例提供了一种光伏系统储能容量的优化配置方法、装置、设备及介质，可以优化现有的光伏系统储能容量的实现方案。
第一方面，本发明实施例提供了一种光伏系统储能容量的优化配置方法，包括：
根据待建配电台区的光伏系统对应的太阳辐照度数据以聚类的方式获取多个光伏数据分类；
其中，所述待建配电台区包括至少两个用电场景；
根据所述光伏系统的总功率计算每个所述光伏数据分类的光伏出力功率；
根据所述至少两个用电场景下的参数，确定每个光伏数据分类对应的所述至少两个用电场景下的负荷功率；
根据每个光伏数据分下的所述光伏出力功率、所述负荷功率、光伏系统的储能优化模型以及优化条件，确定所述光伏系统储能容量的优化配置结果；
其中，所述优化条件基于所述每个光伏数据分类包含的负荷功率确定。
第二方面，本发明实施例提供了一种光伏系统储能容量的优化配置装置，包括：
聚类模块，用于根据待建配电台区的光伏系统对应的太阳辐照度数据以聚类的方式获取多个光伏数据分类；
其中，所述待建配电台区包括至少两个用电场景；
计算模块，用于根据所述光伏系统的总功率计算每个所述光伏数据分类的光伏出力功率；
获取模块，用于根据所述至少两个用电场景下的参数，确定每个光伏数据分类对应的所述至少两个用电场景下的负荷功率；；
确定模块，用于根据每个光伏数据分下的所述所述光伏出力功率、所述负荷功率、光伏系统的储能优化模型以及优化条件，确定所述光伏系统储能容量的优化配置结果；
其中，所述优化条件基于所述每个光伏数据分类包含的负荷功率确定。
第三方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例提供的光伏系统储能容量的优化配置方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例提供的光伏系统储能容量的优化配置方法。
本发明实施例中提供的光伏系统储能容量的优化配置方案，首先根据待建配电台区的光伏系统对应的太阳辐照度数据以聚类的方式获取多个光伏数据分类；然后根据光伏系统的总功率计算每个光伏数据分类的光伏出力功率；再根据至少两个用电场景下的参数，确定每个光伏数据分类对应的至少两个用电场景下的负荷功率；最后根据每个光伏数据分下的光伏出力功率、负荷功率、光伏系统的储能优化模型以及优化条件，确定光伏系统储能容量的优化配置结果。通过采用上述技术方案，考虑到了待建配电台区多种场景参数，提高了光伏系统储能配置结果的适用程度，可以达到提高配电台区建设的经济性，避免储能容量浪费的技术效果。
附图说明
图1为本发明实施例一提供的一种光伏系统储能容量的优化配置方法的流程示意图；
图2为本发明实施例二提供的一种光伏系统储能容量的优化配置方法的流程示意图；
图3为本发明实施例三提供的一种光伏系统储能容量的优化配置装置的结构框图；
图4为本发明实施例四提供的一种计算机设备的结构框图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例提供的一种光伏系统储能容量的优化配置实现方法的流程示意图，该方法可以由光伏系统储能容量的优化配置装置执行，其中该装置可由软件和/或硬件实现，一般可集成在服务器等计算机设备中。如图1所示，该方法包括：
S110、根据待建配电台区的光伏系统对应的太阳辐照度数据以聚类的方式获取多个光伏数据分类。
在电力系统领域，配电台区是连接高低压电网的中间环节，是智能化配网建设的重点。为实现配电台区闲置面积的有效利用，一般在配电房的闲置屋顶或其他空闲区域上建设太阳能光伏系统，以实现将太阳光辐射能转换为电能的有效利用。
在根据待建配电台区的光伏系统对应的太阳辐照度数据以聚类的方式获取多个光伏数据分类之前，可首先获取当前待建配电台区的光伏系统在预设时间段产生的太阳辐照度数据，所述预设时间段可以为6个月，或1年等，在此不作限制。
太阳辐照度是指太阳辐射经过大气层的吸收、散射以及反射等作用后到达固体地球表面上单位面积单位时间内的辐射能量，可以通过分析太阳辐照度数据的变化，获得对光伏系统储能的影响。
优选地，为考虑较为全面的太阳辐照度数据对光伏系统的影响，可获取一年的太阳辐照度数据进行聚类，从而获得多个光伏数据分类。此处进行聚类的目的是为了便于将对全年的太阳辐照度数据进行分析，获知一年中太阳辐照度数据的照射情况，从而获得待建配电台区的光伏系统基于太阳辐照度数据产生的电能情况。其中，上述聚类的方式可以为K-Means(K均值)聚类、均值漂移聚类、凝聚层次聚类或者模糊C均值(fuzzy C-means,FCM)聚类等方式，在此不作限制。
本发明实施例提供的方法，目的为考虑在光伏系统所产生的电能应用在多种场景时的光伏系统储能容量的配置方案。因此，待建配电台区包括至少两个用电场景。示例性的，用电场景可以为：充电桩安装场景、电动汽车充电场景以及楼宇用户用电场景等，在此不作限制。
S120、根据光伏系统的总功率计算每个光伏数据分类的光伏出力功率。
进一步地，需要对步骤S110通过聚类方式获得的多个光伏数据分类计算对应的光伏出力功率。
其中，计算多个光伏数据分类对应的光伏出力功率需要根据光伏系统的总功率仿真获得。光伏系统的总功率可根据待建配电台区安装的光伏系统所能产生的总功率确定，从而使用相关仿真软件依据光伏系统所产生的总功率对多个光伏数据分类进行仿真，以获得多个光伏数据分类对应的光伏出力功率。这样做的目的是为了通过研究光伏系统获得的太阳光能所产生的光伏出力功率，来确定光伏系统储能容量，从而在后续步骤研究光伏系统结合其余场景的储能容量的配置方案。
需要说明的是，上述相关仿真软件可以为EasyPower、Matlab或simulink等，在此不作限制，具体根据研发人员需求为准。
S130、根据至少两个用电场景下的参数，确定每个光伏数据分类对应的至少两个用电场景下的负荷功率。
本发明实施例提供的光伏系统储能容量的优化配置方案，考虑了待建配电台区的光伏系统产生电能的相关应用场景，例如，以当前应用场景包括第一类场景和第二类场景为例，根据第一类场景和第二类场景的消耗和/或产生电能的情况来综合考虑光伏系统储能容量的配置方案，从而对当前光伏系统形成较优的储能容量配置方案。本方案结合了待建配电台区的相关用电场景，以实现对光伏系统储能容量协同配置，提高待建配电台区的清洁能源接入水平，避免了储能容量的浪费。
进一步地，可以通过确定待建配电台区的第一类场景的参数和第二类场景的参数，获得对应的第一类场景和第二类场景下的负荷功率。这样做的目的是，分析将步骤S120获得的光伏数据分类的光伏出力功率转换为第一类场景和第二类场景下的负荷功率，从而获得光伏系统储能容量在当前光伏数据分类下关于第一类场景和第二类场景储能的配置方案。
示例性的，本发明实施例所提供的第一类场景可以为待建配电台区的充电桩安装场景，由于充电桩为电动汽车充电时，可以依靠光伏系统所产生的电能，为电动汽车进行充电。因此，可以获取与充电桩安装场景有关的参数，从而根据相关参数获得与充电桩安装场景相关的负荷功率，示例性的，该场景下的参数可以包括：充电桩型号、充电桩安装规模和充电桩安装数量等，在此不作限制。
相应地，本发明实施例所提供的第二类场景可以为待建配电台区附近电动汽车充电场景，由于电动汽车在充电时，会消耗光伏系统所产生的电能。因此，可以获取电动汽车充电需求的相关参数，来获取与电动汽车充电场景下的负荷功率。示例性的，电动汽车充电需求的相关参数可以为：电动汽车充电需求接入时间的分布情况、车辆电池的容量以及初始荷电状态均值等，在此不作限制。
需要说明的是，本发明考虑的待建配电台区的光伏系统储能容量的配置方案，与光伏系统储能有关的应用场景并不以上述的第一类场景和第二类场景为限制，还可以包括其他多个场景，例如，第三场景、第四场景等，具体地，主要根据待建配电台区周边有关的消耗和/或产生电能的场景为准。示例性的，上述其他多个场景可以包括：待建配电台区的楼宇为办公场景下的电能消耗场景和\或待建配电台区的楼宇为居民场景下的电能消耗情况等。若考虑上述多种不同的应用场景，那么获得对应场景下的负荷功率后，在获得光伏系统储能容量在当前光伏数据分类下的配置方案时，可通过叠加的方式进行分析。具体场景的个数以及实现场景的方式在此不作限制。
S140、根据每个光伏数据分类下的光伏出力功率、负荷功率、光伏系统的储能优化模型以及优化条件，确定光伏系统储能容量的优化配置结果。
建立有关光伏系统的储能优化模型，根据步骤S120获得的多个光伏数据分类对应的光伏出力功率，根据步骤S130考虑光伏数据分类对应的相关场景下的负荷功率，建立相关的优化条件，综合确定当前光伏系统储能容量的优化配置结果。
则优化条件基于每个光伏数据分类包含的负荷功率确定。优化条件可以包括：功率平衡条件、储能荷电状态约束条件、储能充放电功率约束条件、储能建设空间约束条件等，其中，功率平衡条件与每个光伏数据分类下对应的场景下的负荷功率相关，储能荷电状态约束条件与当前光伏数据分类对应的储能荷电状态有关，储能充放电功率约束条件与当前光伏数据分类对应储能各时刻的充放电功率有关，储能建设空间约束条件与光伏系统建设时的建设空间有关。
在确定当前光伏系统储能容量的优化配置结果时，步骤S130确定的是在每个光伏数据分类下对应的用电场景的负荷功率。相应地，可以理解到，根据步骤S110获得几个聚类场景，则当前可获得几个光伏数据分类下对应的用电场景的负荷功率。若要确定光伏系统储能容量的优化配置结果，可将几个光伏数据分类下对应的用电场景的负荷功率进行加和计算，以获得光伏系统储能容量关于相关用电场景的优化配置结果。
本发明实施例中提供光伏系统储能容量的优化配置方法，首先根据待建配电台区的光伏系统对应的太阳辐照度数据以聚类的方式获取多个光伏数据分类；然后根据光伏系统的总功率计算每个光伏数据分类的光伏出力功率；再根据至少两个用电场景下的参数，确定每个光伏数据分类对应的至少两个用电场景下的负荷功率；最后根据每个光伏数据分下的光伏出力功率、负荷功率、光伏系统的储能优化模型以及优化条件，确定光伏系统储能容量的优化配置结果。通过采用上述技术方案，考虑到了待建配电台区多种场景参数，提高了光伏系统储能配置结果的适用程度，可以达到提高配电台区建设的经济性，避免储能容量浪费的技术效果。
实施例二
本发明实施例在上述实施例的基础上进行了进一步优化，优化了所述根据待建配电台区的光伏系统对应的太阳辐照度数据以聚类的方式获取多个光伏数据分类步骤，包括：使用光伏出力模型对第一预设时间段的太阳辐照度数据进行预设处理，生成对应的第一预设时间段的光伏曲线；将所述光伏曲线以第二预设时间段为单位进行分组，获得关于所述预设时间段的光伏曲线数据；使用预设聚类算法对所述第二预设时间段的光伏曲线数据进行聚类，获得多个光伏数据分类。这样设置的好处在于通过聚类的方式获得与光伏系统对应的太阳辐照度数据相关的多个光伏数据分类，便于对光伏数据分类相关的光伏出力功率进行分析。
还优化了所述根据所述光伏系统的总功率计算每个所述光伏数据分类的光伏出力功率之前，包括：根据所述待建配电台区的有效利用面积，确定所述待建配电台区的光伏系统的总功率。这样做的好处在于，根据待建配电台区的有效利用面积确定光伏系统的总功率，便于确定与光伏数据分类相关的光伏出力功率。
如图2所示，图2为本发明实施例提供的另一种光伏系统储能容量的优化配置方法的流程示意图，具体的，该方法包括如下步骤：
S210、根据待建配电台区的有效利用面积，确定待建配电台区的光伏系统的总功率。
由于本发明提供的光伏系统储能容量的优化配置方案，是为了实现配电台区闲置面积的有效利用，在配电房的闲置屋顶上建设太阳能光伏系统，因此，确定待建配电台区的光伏系统的总功率，与待建配电台区的有效利用面积有关。
则根据待建配电台区的有效利用面积，确定待建配电台区的光伏系统的总功率，具体包括如下步骤：
a)根据待建配电台区的有效利用面积，确定光伏系统中待安装光伏组件的安装参数。
将待建配电台区的有效利用面积记为S，在当前有效利用面积记S已知的情况下，可对光伏系统中待安装光伏组件进行选择，从而确定待安装光伏组件的安装参数。
其中，安装参数包括：单个光伏组件的容量Cpv和单个光伏组件的占地面积Spv。
b)根据有效利用面积和单个光伏组件的占地面积，确定有效利用面积中待安装光伏组件的最大数量。
在有效利用面积S为约束的情况下，按最大化利用屋顶有效里面面积建设光伏系统的角度出发，可得待安装光伏组件的最大数量NPV，并满足如下关系：
NPV.Spv,<S (1)
c)根据单个光伏组件的容量和待安装光伏组件的最大数量确定待安装光伏系统的总功率。
则确定的安装光伏系统的总功率P满足如下关系：
P＝NPV.Cpv (2)
S220、使用光伏出力模型对第一预设时间段的太阳辐照度数据进行预设处理，生成对应的第一预设时间段的光伏曲线。
收集光伏系统的太阳辐照度数据。示例性的，所述第一预设时间段为一年时，可收集当前待建配电台区的光伏系统一年内每小时的太阳辐照度数据。当然，也可收集一年内每日、每周或每月的太阳辐照度数据，在此不作限制。
需要说明的是，本发明实施例为体现样本数据的多样性，在后续根据太阳辐照度数据进行分析的有关步骤，均是以收集光伏系统一年内每小时的太阳辐照度数据为例。
为便于对数据分析，可将所获取的当前待建配电台区光伏系统一年内每小时的太阳辐照度数据进行标度变换，转换为[0,1]区间后，将获得的每小时的太阳辐照度经过归一化处理，则当前待建配电台区光伏系统一年内每小时的太阳辐照度数据呈现Beta(贝塔)分布。
进一步，可构建任意时间点的太阳辐照度数据有关的Beta分布模型，可通过抽样结合变换得出待建配电台区光伏系统每小时的太阳辐照度值。
在通过Beta分布模型将抽样结果还原为实际太阳辐照度时需要正确的给定参数rmin、rmax，则根据Beta分布的特点可得出待建配电台区一年内某小时的太阳辐照度值μ与参数rmin和rmax的关系如下：
上式中，α、β表示Beta分布中的参数。
一般而言，若μ≤300瓦/平方米(W/m2)，可取rmin＝0；否则应根据实际太阳辐照度分布样本先确定辐照度的分布范围，即rmax-rmin的值。
进一步地，所述光伏出力模型为Beta分布模型，可通过Beta分布模型对收集的待建配电台区光伏系统一年的每小时的太阳辐照度值进行抽样结合处理，生成对应的一年的光伏曲线。
其中，将上述获得全年每小时的太阳辐照度值序列曲线，合成8760h(一年)的光伏年功率曲线样本，表达式如下：
式中：Ppv表示光伏系统的实际输出，单位为千瓦(kW)；Pstc表示光伏系统的额定功率，单位为kW；Gr表示光伏系统所在位置的实际的辐照强度，单位为千瓦/平方米(1000W/m2)，Gstc表示标准太阳辐照度1000W/m2；k表示光伏系统的温度系数。Tr表示光伏系统所在位置的实际温度，单位摄氏度(℃)；Tstc表示标准条件下的光伏电池表面实际温度，一般取25℃。
S230、将光伏曲线以第二预设时间段为单位进行分组，获得关于第二预设时间段的光伏曲线数据。
在将所得的光伏曲线以第二预设时间段为单位进行分组时，第二预设时间段可以为每日、每周或每月等，在此不作限制。
需要说明得是，本发明实施例优选第二预设时间段为以每日为单位进行分组，在后续步骤中有关第二预设时间段的部分，均是以将所得的光伏曲线以每日为单位进行分组为例，后续步骤不在特别说明。
相应地，对所得到的光伏曲线按每日为单位进行分组，则得到的每日光伏曲线数据P可表示为：
P＝[P1,P2,...,Pi,...,P365]T (3)
Pi＝[Pi,1,Pi,2,...,Pi,24] (4)
上式中，Pi为第i日的光伏曲线数据。
S240、使用预设聚类算法对第二预设时间段的光伏曲线数据进行聚类，获得多个光伏数据分类。
所述预设聚类算法可以为模糊聚类算法。
则利用模糊聚类算法对以每日为单位进行分组的光伏曲线数据进行聚类，得到多个光伏数据分类包括如下步骤：
步骤一、计算当前模糊聚类分组对应的聚类中心。
假设光伏曲线可得到的聚类数量为c，可将当前光伏曲线数据集分为c个模糊组，分别计算每一组的聚类中心，它的模糊划分可用矩阵U＝[uij]表示。其中，当前模糊聚类分组中包括：多个光伏曲线数据点。
其中，[uij]表示的是第j个数据点属于第i类的隶属度(j＝1,2,…，n；i＝1,2,…,c)。[uij]满足以下条件：
步骤二、在多个光伏曲线数据点中，确定任意两个数据点之间的最小距离。
此处在多个光伏曲线数据点中，确定任意两个数据点之间的最小距离的目的为，在同一个聚类分组中相同数据间的相似度要越高，则寓意两个数据点之间的距离尽可能最小。
相应地，确定任意两个数据点之间的最小距离需满足以下条件：
式中，n是样本数据集的个数；c是聚类中心数；m为模糊加权指数；dij表示各数据点和聚类中心之间的欧氏距离。
步骤三、根据多个光伏曲线数据点中各数据点的隶属度、以及各数据点和聚类中心之间的欧氏距离，确定目标函数。
目标函数是各点的隶属度和该点与聚类中心的欧氏距离的乘积之和，模糊C均值聚类算法就是求使聚类目标函数最小化的划分矩阵U和聚类中心矩阵C，即：
dij(xj,ci)＝||xj-ci|| (9)
步骤四、根据最小距离和目标函数对光伏曲线数据进行聚类，获得当前模糊聚类分组中的光伏数据分类。
可通过公式(6)-公式(7)对模糊聚类分组进行聚类，以获得最终的光伏数据分类。
可选地，根据最小距离和目标函数对光伏曲线数据进行聚类，获得当前模糊聚类分组中的光伏数据分类，包括：更新模糊聚类分组和对应的聚类中心，直至目标函数满足预设关系，获得当前模糊聚类分组中的光伏数据分类。
上述假设模糊聚类分组c，最终获得的光伏数据分类结果并不一定为c组，可能大于或小于c，在聚类过程中，会不断更新模糊聚类分组和聚类中心，直至达到最大迭代次数或目标函数变化小于设定阈值，则最终获得当前模糊聚类分组中的光伏数据分类。
需要说明的是，所述最大迭代次数或目标函数变化小于设定阈值具体以研发人员需求为准，在此不作限制。
步骤五、将下一个模糊聚类分组确定为当前模糊聚类分组，重复上述步骤一至步骤五，直至对所有的模糊聚类分组中的光伏曲线数据完成聚类。
不断更新通过迭代优化求解上式，在满足收敛误差要求时停止算法，得到最终的分类划分：
μ＝[μ1,μ2,...,μk]T (10)
式中，μi为第i类样本的均值向量，即聚类中心。
S250、根据光伏系统的总功率计算每个光伏数据分类的光伏出力功率。
S260、根据至少两个用电场景下的参数，确定每个光伏数据分类对应的至少两个用电场景下的负荷功率。
可通过使用根据蒙特卡洛模拟算法，结合两个用电场景下的参数，获得每个光伏数据分类对应的至少两个用电场景下的负荷功率。
蒙特卡洛(Monte Carlo)模拟算法是一种通过设定随机过程，反复生成时间序列，计算相关参数的估计量和统计量，进而研究对象分布特征的算法。其原理可以理解为，当研究对象本身具有概率特征时，可以用计算机模拟的方法产生抽样结果，根据抽样计算统计量或者参数的值，随着模拟次数的增多，可以通过对各次统计量或参数的估计值求平均值的方法得到稳定的结论。
在使用蒙特卡洛模拟算法对待建配电台区的第一类场景的参数和待建配电台区的第二类场景的参数进行模型，获得第一类场景和第二类下的负荷功率之前，需要确定蒙特卡洛模拟算法的算法参数，其中，蒙特卡洛模拟算法的算法参数可以包括：蒙特卡洛模拟仿真次数，仿真的日内时段数，仿真间隔和仿真时段数。
在通过确定蒙特卡洛模拟算法的算法参数之后，将第一类场景的参数和第二类场景的参数分别输入至蒙特卡洛模拟算法中，可获得当前光伏数据分类下对应的第一类场景负荷功率和第二类场景下的模拟负荷功率。
相应地，有几个光伏数据分类，则在执行几次蒙特卡洛模拟算法，以获得每个光伏数据分类下对应场景的模拟符合功率。
S270、根据每个光伏数据分下的光伏出力功率、负荷功率、光伏系统的储能优化模型以及优化条件，确定光伏系统储能容量的优化配置结果。
建立光伏系统的储能优化模型，当前储能优化模型结合了上述步骤考虑到的多个场景的相关参数。则储能优化模型可表示为：
minC＝Cinstall+Com+Closs (11)
上式中：Cinstall表示折算初始储能系统的建设成本；cbat表示光伏系统建设单位成本。Ebat表示光伏系统的储能容量；η表示贴现率；Y表示微网规划运行年限；Com表示光伏系统的维护费用；com表示光伏系统维护运行单位成本；Closs表示光伏系统在微网运行过程中的使用损耗成本。N为规划年限内光伏组件需要置换的次数；Crep为光伏组件的更换成本。Dbat为光伏组件的使用度。
可选地，优化条件可以包括：功率平衡条件、储能荷电状态约束条件、储能充放电功率约束条件、储能建设空间约束条件。
其中，功率平衡条件根据光伏出力数据分类下至少两个用电场景下的负荷功率，以及光伏出力数据分类下电网交换功率确定。可表示为如下公式：
Ppv,i(t)＝Pbat,i(t)+Pcar(t)+Pgrid,i(t) (17)
式中：Ppv,i(t)表示聚类所得的光伏数据分类i下光伏出力；Pbat,i(t)表示第一场景下光伏数据分类i对应的储能充放电功率，当充电时为正值，放电时为负值；Pcar(t)表示第二场景下负荷功率；Pgrid,i表示光伏数据分类i下电网交换功率，当输入电网为正，当输出电网为负。
储能电荷状态约束条件根据光伏数据分类下的储能各时刻的电荷状态、电荷状态允许最小值和最大值确定，可表示为：
SOCmin≤SOCi(t)≤SOCmax (18)
式中：SOCi(t)表示光伏数据分类i下的储能各时刻的荷电状态；SOCmin表示荷电状态允许最小值；SOCmax表示荷电状态允许最大值。
储能充放电功率约束条件根据光伏数据分类下的储能各时刻的充放电功率、充放电功率允许最小值和最大值确定，可表示为：
Pbat,min≤Pbat，i(t)≤Pbat,max (19)
式中：Pbat,i(t)表示第一场景下的储能各时刻的充放电功率；Pbat,min表示第一场景下充放电功率最小值；Pbat,max表示第一场景下充放电功率最大值。
储能建设空间约束条件根据面积系数和可提供给储能装置利用的闲置空间确定。其中，光伏系统安装面积K、光伏系统安装容量C和屋顶有效利用面积S，满足如下关系：
KC≤S (20)
通过公式(17)-公式(20)所提供的约束条件，对公式(11)-公式(16)所建立的储能优化模型进行优化求解，最终可获得光伏系统储能容量关于考虑光伏系统多种使用场景下的优化配置结果。
本发明实施例提供的光伏系统储能容量的优化配置方法，在对储能优化模型进行优化求解时，优化条件考虑到了光伏系统所产生能量的多种应用场景，最终产生的光伏系统储能容量的优化配置方案，为与当前场景相关的配置方案，提高储能配置结果的适用程度，方法泛化能力提高。还可有效对实现配电台区光伏利用最大化和最优储能容量配置，提高配电台区建设的经济性，避免储能容量浪费。
实施例三
图3为本发明实施例提供一种光伏系统储能容量的优化配置装置结构框图，该装置可由软件和/或硬件实现，一般可集成在服务器等计算机设备中，可通过执行光伏系统储能容量的优化配置方法来实现对光伏系统储能容量的配置。如图3所示，该装置包括：聚类模块31、计算模块32、获取模块33和确定模块34，其中：
聚类模块31，用于根据待建配电台区的光伏系统对应的太阳辐照度数据以聚类的方式获取多个光伏数据分类，其中，所述待建配电台区包括至少两个用电场景；
计算模块32，用于根据所述多个光伏数据分类计算每个所述光伏数据分类的光伏出力功率；
获取模块33，用于根据所述至少两个用电场景下的参数，确定每个光伏数据分类对应的所述至少两个用电场景下的负荷功率；
确定模块34，用于根据每个光伏数据分下的所述光伏出力功率、所述负荷功率、光伏系统的储能优化模型以及优化条件，确定所述光伏系统储能容量的优化配置结果，其中，所述优化条件基于所述每个光伏数据分类包含的负荷功率确定。
本发明实施例中提供的伏系统储能容量的优化配置装置，首先根据待建配电台区的光伏系统对应的太阳辐照度数据以聚类的方式获取多个光伏数据分类；然后根据光伏系统的总功率计算每个光伏数据分类的光伏出力功率；再根据至少两个用电场景下的参数，确定每个光伏数据分类对应的至少两个用电场景下的负荷功率；最后根据每个光伏数据分下的光伏出力功率、负荷功率、光伏系统的储能优化模型以及优化条件，确定光伏系统储能容量的优化配置结果。通过采用上述技术方案，考虑到了待建配电台区多种场景参数，提高了光伏系统储能配置结果的适用程度，可以达到提高配电台区建设的经济性，避免储能容量浪费的技术效果。
可选地，所述聚类模块31包括：生成单元和获得单元，其中：
生成单元，用于使用光伏出力模型对第一预设时间段的太阳辐照度数据进行预设处理，生成对应的第一预设时间段的光伏曲线；
获得单元，用于将所述光伏曲线以第二预设时间段为单位进行分组，获得关于所述预设时间段的光伏曲线数据；使用预设聚类算法对所述第二预设时间段的光伏曲线数据进行聚类，获得多个光伏数据分类。
可选地，所述获得单元还包括：计算子单元、确定子单元、聚类子单元和分组子单元，其中：
计算子单元，用于计算当前模糊聚类分组对应的聚类中心，其中，所述当前模糊聚类分组中包括：多个光伏曲线数据点；
确定子单元，用于在所述多个光伏曲线数据点中，确定任意两个数据点之间的最小距离；
确定子单元，还用于根据所述多个光伏曲线数据点中各数据点的隶属度、以及各数据点和所述聚类中心之间的欧氏距离，确定目标函数；
聚类子单元，用于根据所述最小距离和所述目标函数对所述光伏曲线数据进行聚类，获得所述当前模糊聚类分组中的光伏数据分类；
分组子单元，用于将下一个模糊聚类分组确定为所述当前模糊聚类分组，重复上述步骤一至步骤五，直至对所有的模糊聚类分组中的光伏曲线数据完成聚类。
可选地，所述聚类子单元还用于更新所述模糊聚类分组和对应的聚类中心，直至所述目标函数满足预设关系，获得所述当前模糊聚类分组中的光伏数据分类。
可选地，所述确定模块34，还用于根据所述待建配电台区的有效利用面积，确定所述待建配电台区的光伏系统的总功率。
可选地，所述确定子单元，还用于根据所述待建配电台区的有效利用面积，确定所述光伏系统中待安装光伏组件的安装参数，其中，所述安装参数包括：单个光伏组件的容量和单个光伏组件的占地面积；根据所述有效利用面积和所述单个光伏组件的占地面积，确定所述有效利用面积中待安装光伏组件的最大数量；根据所述单个光伏组件的容量和所述待安装光伏组件的最大数量确定所述光伏系统的总功率。
可选地，所述优化条件包括：功率平衡条件、储能荷电状态约束条件、储能充放电功率约束条件、储能建设空间约束条件；
其中，所述功率平衡条件根据所述光伏出力数据分类下至少两个用电场景下的负荷功率，以及所述光伏出力数据分类下电网交换功率确定；
所述储能电荷状态约束条件根据光伏数据分类下的储能各时刻的电荷状态、电荷状态允许最小值和最大值确定；
所述储能充放电功率约束条件根据光伏数据分类下的储能各时刻的充放电功率、充放电功率允许最小值和最大值确定；
所述储能建设空间约束条件根据面积系数和可提供给储能装置利用的闲置空间确定。
本发明实施例提供的光伏系统储能容量的优化配置装置，可执行本发明任意实施例所提供的光伏系统储能容量的优化配置方法，具备执行该方法相应的功能模块和有益效果。
实施例四
本发明实施例提供了一种计算机设备，该计算机设备中可集成本发明实施例提供的光伏系统储能容量的优化配置装置。图4为本发明实施例提供的一种计算机设备的结构框图。计算机设备40可以包括：存储器41，处理器42及存储在存储器41上并可在处理器运行的计算机程序，所述处理器42执行所述计算机程序时实现如本发明实施例所述的光伏系统储能容量的优化配置方法。
本发明实施例提供的计算机设备，可执行本发明任意实施例所提供的光伏系统储能容量的优化配置方法，具备执行该方法相应的功能模块和有益效果。
实施例五
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于光伏系统储能容量的优化配置方法，该方法包括：
根据待建配电台区的光伏系统对应的太阳辐照度数据以聚类的方式获取多个光伏数据分类；
其中，所述待建配电台区包括至少两个用电场景；
根据所述光伏系统的总功率计算每个所述光伏数据分类的光伏出力功率；
根据所述至少两个用电场景下的参数，确定每个光伏数据分类对应的所述至少两个用电场景下的负荷功率；
根据每个光伏数据分下的所述光伏出力功率、所述负荷功率、光伏系统的储能优化模型以及优化条件，确定所述光伏系统储能容量的优化配置结果；
其中，所述优化条件基于所述每个光伏数据分类包含的负荷功率确定。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDRRAM、SRAM、EDORAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的光伏系统储能容量的优化配置操作，还可以执行本发明任意实施例所提供的光伏系统储能容量的优化配置方法中的相关操作。
上述实施例中提供的光伏系统储能容量的优化配置装置、设备及存储介质可执行本发明任意实施例所提供的光伏系统储能容量的优化配置方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的光伏系统储能容量的优化配置方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种光伏系统储能容量的优化配置方法，其特征在于，包括：
根据待建配电台区的光伏系统对应的太阳辐照度数据以聚类的方式获取多个光伏数据分类；
其中，所述待建配电台区包括至少两个用电场景；
根据所述光伏系统的总功率计算每个所述光伏数据分类的光伏出力功率；
根据所述至少两个用电场景下的参数，确定每个光伏数据分类对应的所述至少两个用电场景下的负荷功率；
根据所述每个光伏数据分下的所述光伏出力功率、所述负荷功率、光伏系统的储能优化模型以及优化条件，确定所述光伏系统储能容量的优化配置结果；
其中，所述优化条件基于所述每个光伏数据分类包含的负荷功率确定；
其中，所述根据待建配电台区的光伏系统对应的太阳辐照度数据以聚类的方式获取多个光伏数据分类，包括：
使用光伏出力模型对第一预设时间段的太阳辐照度数据进行预设处理，生成对应的第一预设时间段的光伏曲线；
将所述光伏曲线以第二预设时间段为单位进行分组，获得关于所述第二预设时间段的光伏曲线数据；
使用预设聚类算法对所述第二预设时间段的光伏曲线数据进行聚类，获得多个光伏数据分类；
其中，所述使用预设聚类算法对所述第二预设时间段的光伏曲线数据进行聚类，获得多个光伏数据分类，包括：
步骤一：计算当前模糊聚类分组对应的聚类中心，其中，所述当前模糊聚类分组中包括：多个光伏曲线数据点；
步骤二：在所述多个光伏曲线数据点中，确定任意两个数据点之间的最小距离；
步骤三：根据所述多个光伏曲线数据点中各数据点的隶属度、以及各数据点和所述聚类中心之间的欧氏距离，确定目标函数；
步骤四：根据所述最小距离和所述目标函数对所述光伏曲线数据进行聚类，获得所述当前模糊聚类分组中的光伏数据分类；
步骤五：将下一个模糊聚类分组确定为所述当前模糊聚类分组，重复上述步骤一至步骤五，直至对所有的模糊聚类分组中的光伏曲线数据完成聚类。
2.根据权利要求1所述的方法，其特征在于，所述根据所述最小距离和所述目标函数对所述光伏曲线数据进行聚类，获得所述当前模糊聚类分组中的光伏数据分类，包括：
更新所述模糊聚类分组和对应的聚类中心，直至所述目标函数满足预设关系，获得所述当前模糊聚类分组中的光伏数据分类。
3.根据权利要求1所述的方法，其特征在于，所述根据待建配电台区的光伏系统对应的太阳辐照度数据以聚类的方式获取多个光伏数据分类之前，包括：
根据所述待建配电台区的有效利用面积，确定所述待建配电台区的光伏系统的总功率。
4.根据权利要求3所述的方法，其特征在于，所述根据所述待建配电台区的有效利用面积，确定所述待建配电台区的光伏系统的总功率，包括：
根据所述待建配电台区的有效利用面积，确定所述光伏系统中待安装光伏组件的安装参数，其中，所述安装参数包括：单个光伏组件的容量和单个光伏组件的占地面积；
根据所述有效利用面积和所述单个光伏组件的占地面积，确定所述有效利用面积中待安装光伏组件的最大数量；
根据所述单个光伏组件的容量和所述待安装光伏组件的最大数量确定所述光伏系统的总功率。
5.根据权利要求1所述的方法，其特征在于，
所述优化条件包括：功率平衡条件、储能荷电状态约束条件、储能充放电功率约束条件、储能建设空间约束条件；
其中，所述功率平衡条件根据所述光伏数据分类下至少两个用电场景下的负荷功率，以及所述光伏数据分类下的电网交换功率确定；
所述储能电荷状态约束条件根据光伏数据分类下的储能各时刻的电荷状态、电荷状态允许最小值和最大值确定；
所述储能充放电功率约束条件根据光伏数据分类下的储能各时刻的充放电功率、充放电功率允许最小值和最大值确定；
所述储能建设空间约束条件根据面积系数和可提供给储能装置利用的闲置空间确定。
6.一种光伏系统储能容量的优化配置装置，其特征在于，包括：
聚类模块，用于根据待建配电台区的光伏系统对应的太阳辐照度数据以聚类的方式获取多个光伏数据分类；
其中，所述待建配电台区包括至少两个用电场景；
计算模块，用于根据所述光伏系统的总功率计算每个所述光伏数据分类的光伏出力功率；
获取模块，用于根据所述至少两个用电场景下的参数，确定每个光伏数据分类对应的所述至少两个用电场景下的负荷功率；
确定模块，用于根据所述每个光伏数据分下的所述光伏出力功率、所述负荷功率、光伏系统的储能优化模型以及优化条件，确定所述光伏系统储能容量的优化配置结果；
其中，所述优化条件基于所述每个光伏数据分类包含的负荷功率确定；
其中，所述聚类模块包括：生成单元和获得单元；
生成单元，用于使用光伏出力模型对第一预设时间段的太阳辐照度数据进行预设处理，生成对应的第一预设时间段的光伏曲线；
获得单元，用于将所述光伏曲线以第二预设时间段为单位进行分组，获得关于所述预设时间段的光伏曲线数据；使用预设聚类算法对所述第二预设时间段的光伏曲线数据进行聚类，获得多个光伏数据分类；
所述获得单元还包括：计算子单元、确定子单元、聚类子单元和分组子单元；
计算子单元，用于计算当前模糊聚类分组对应的聚类中心，其中，所述当前模糊聚类分组中包括：多个光伏曲线数据点；
确定子单元，用于在所述多个光伏曲线数据点中，确定任意两个数据点之间的最小距离；
确定子单元，还用于根据所述多个光伏曲线数据点中各数据点的隶属度、以及各数据点和所述聚类中心之间的欧氏距离，确定目标函数；
聚类子单元，用于根据所述最小距离和所述目标函数对所述光伏曲线数据进行聚类，获得所述当前模糊聚类分组中的光伏数据分类；
分组子单元，用于将下一个模糊聚类分组确定为所述当前模糊聚类分组，直至对所有的模糊聚类分组中的光伏曲线数据完成聚类。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111264741.7A CN114050608B (zh) | 2021-10-28 | 2021-10-28 | 光伏系统储能容量的优化配置方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111264741.7A CN114050608B (zh) | 2021-10-28 | 2021-10-28 | 光伏系统储能容量的优化配置方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114050608A CN114050608A (zh) | 2022-02-15 |
| CN114050608B true CN114050608B (zh) | 2024-05-03 |
Family
ID=80206393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111264741.7A Active CN114050608B (zh) | 2021-10-28 | 2021-10-28 | 光伏系统储能容量的优化配置方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114050608B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117411048A (zh) * | 2023-12-15 | 2024-01-16 | 珠海广控新能源有限公司 | 一种用于光伏储能的容量配置系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104600713A (zh) * | 2014-12-25 | 2015-05-06 | 国家电网公司 | 含风力/光伏发电配电网日前无功调度的生成装置及方法 |
| WO2017161785A1 (zh) * | 2016-03-23 | 2017-09-28 | 严利容 | 基于储能运行状态的光伏功率稳定输出控制方法 |
| CN109524991A (zh) * | 2018-12-07 | 2019-03-26 | 国网浙江省电力有限公司杭州供电公司 | 一种分布式光伏接入方法 |
| CN109755967A (zh) * | 2019-03-26 | 2019-05-14 | 安徽工程大学 | 一种配电网中光储系统的优化配置方法 |
| CN110661246A (zh) * | 2019-10-15 | 2020-01-07 | 北方国际合作股份有限公司 | 一种城市轨道交通光伏储能系统的容量优化配置方法 |
| CN112785027A (zh) * | 2020-06-22 | 2021-05-11 | 国网江苏省电力有限公司经济技术研究院 | 风光储联合发电系统置信容量评估方法及系统 |
| CN112910012A (zh) * | 2021-01-21 | 2021-06-04 | 国网电力科学研究院有限公司 | 一种配电系统弹性提升评估方法、存储介质及计算设备 |
| CN113113927A (zh) * | 2021-05-13 | 2021-07-13 | 北方工业大学 | 一种综合多典型天气场景的储能系统容量配置方法 |
| CN113435730A (zh) * | 2021-06-23 | 2021-09-24 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种变电站储能容量的协同配置方法、装置及系统 |
-
2021
- 2021-10-28 CN CN202111264741.7A patent/CN114050608B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104600713A (zh) * | 2014-12-25 | 2015-05-06 | 国家电网公司 | 含风力/光伏发电配电网日前无功调度的生成装置及方法 |
| WO2017161785A1 (zh) * | 2016-03-23 | 2017-09-28 | 严利容 | 基于储能运行状态的光伏功率稳定输出控制方法 |
| CN109524991A (zh) * | 2018-12-07 | 2019-03-26 | 国网浙江省电力有限公司杭州供电公司 | 一种分布式光伏接入方法 |
| CN109755967A (zh) * | 2019-03-26 | 2019-05-14 | 安徽工程大学 | 一种配电网中光储系统的优化配置方法 |
| CN110661246A (zh) * | 2019-10-15 | 2020-01-07 | 北方国际合作股份有限公司 | 一种城市轨道交通光伏储能系统的容量优化配置方法 |
| CN112785027A (zh) * | 2020-06-22 | 2021-05-11 | 国网江苏省电力有限公司经济技术研究院 | 风光储联合发电系统置信容量评估方法及系统 |
| CN112910012A (zh) * | 2021-01-21 | 2021-06-04 | 国网电力科学研究院有限公司 | 一种配电系统弹性提升评估方法、存储介质及计算设备 |
| CN113113927A (zh) * | 2021-05-13 | 2021-07-13 | 北方工业大学 | 一种综合多典型天气场景的储能系统容量配置方法 |
| CN113435730A (zh) * | 2021-06-23 | 2021-09-24 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种变电站储能容量的协同配置方法、装置及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114050608A (zh) | 2022-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A novel combined model based on hybrid optimization algorithm for electrical load forecasting | |
| Shadmand et al. | Multi-objective optimization and design of photovoltaic-wind hybrid system for community smart DC microgrid | |
| Su et al. | Performance evaluation of an EDA-based large-scale plug-in hybrid electric vehicle charging algorithm | |
| Su et al. | Computational intelligence-based energy management for a large-scale PHEV/PEV enabled municipal parking deck | |
| Li et al. | Optimization of bi-directional V2G behavior with active battery anti-aging scheduling | |
| Daghi et al. | Factor analysis based optimal storage planning in active distribution network considering different battery technologies | |
| CN107480825B (zh) | 一种计及容量可信度的光伏电站优化规划方法 | |
| Vosoogh et al. | An intelligent day ahead energy management framework for networked microgrids considering high penetration of electric vehicles | |
| CN110247428B (zh) | 一种基于源网荷协同优化的配电网光储联合配置方法 | |
| Tayab et al. | Energy management system for microgrids using weighted salp swarm algorithm and hybrid forecasting approach | |
| Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
| Han et al. | An optimization scheduling method of electric vehicle virtual energy storage to track planned output based on multiobjective optimization | |
| CN114050608B (zh) | 光伏系统储能容量的优化配置方法、装置、设备及介质 | |
| Yi et al. | A data-driven framework for residential electric vehicle charging load profile generation | |
| Ye et al. | A data driven multi-state model for distribution system flexible planning utilizing hierarchical parallel computing | |
| CN116404630A (zh) | 一种考虑源荷互补特性的配电能源网格优化划分方法 | |
| CN116822719A (zh) | 一种配电网的多目标规划方法及装置 | |
| Rouhani et al. | Soft clustering based probabilistic power flow with correlated inter temporal events | |
| Singh et al. | Optimization of levelized cost of hybrid wind-solar-diesel-battery system using political optimizer | |
| CN117172486A (zh) | 一种基于强化学习的虚拟电厂光储资源聚合调控方法 | |
| CN115693787B (zh) | 考虑源荷随机性的光储配电网新能源接纳能力分析方法 | |
| Chang et al. | Optimal tilt angle for PV modules considering the uncertainty of temperature and solar radiation | |
| CN116054286A (zh) | 一种考虑多元弹性资源的居民台区容量优化配置方法 | |
| CN115544871A (zh) | 考虑可再生电源空间相关性的分布鲁棒型储能规划方法 | |
| Zandi et al. | An automatic learning framework for smart residential communities |
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 |