CN114094609B - 电网储能系统的优化配置方法 - Google Patents

Abstract

本发明公开了一种电网储能系统的优化配置方法，包括获取目标电网的运行参数；构建确定性条件下的电网储能配置模型；设定约束条件；对电网储能配置模型和约束条件进行凸化处理得到凸化约束条件下的规划模型；建立基于数据驱动的电网储能鲁棒优化配置模型并求解得到最终的电网储能系统的优化配置结果。本发明方法不仅建立了精确可靠且实用的优化模型，而且对确定性条件下的电网储能配置模型进行了凸化处理，既能保证模型精度又能保证求解效率，而且采用数据驱动的方法描述了风电的不确定性，使其能够更准确地包络所有可能的风电场景，此外本发明的求解方法能够使模型快速找到最优解；因此本发明方法的精确性好，而且实施简单方便，科学可靠。

Description

电网储能系统的优化配置方法

技术领域

本发明属于电气自动化领域，具体涉及一种电网储能系统的优化配置方法。

背景技术

随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保证电能的稳定可靠供应，就成为了电力系统最重要的任务之一。

而随着环境问题的日益突出，风力发电的并网规模越来越大。但是，风力发电的不确定性也将对电力系统的安全可靠运行产生严重影响。为了保证电力系统的运行安全与供电质量，电力系统通常采取弃风的方式应对风电出力的不确定性对系统运行的冲击，但是这无疑造成了风电资源的浪费与系统运行成本的增加。

储能装置能够进行灵活的功率吞吐，实现电能在时间上的转移，平滑风电出力曲线，提升电力系统运行可靠性。通过充分考虑风电出力的不确定性并在电网中进行相应储能配置，能够有效降低甚至消除系统的弃风。但是，目前针对储能系统的配置问题，则尚未有较好的解决方法。储能系统配置过小，则无法充分发挥储能系统的优势，同样会造成电力系统弃风的出现；储能系统配置过大，不仅成本高昂且造成资源浪费，且过大的储能系统的控制性能和安全性能也相对较低。

发明内容

本发明的目的在于提供一种精确性好、实施简单方便且科学可靠的电网储能系统的优化配置方法。

本发明提供的这种电网储能系统的优化配置方法，包括如下步骤：

S1.获取目标电网的运行参数；

S2.以规划周期内系统综合损耗最小为优化目标，构建确定性条件下的电网储能配置模型；

S3.根据步骤S2构建的电网储能配置模型，设定约束条件；

S4.对步骤S2构建的电网储能配置模型和步骤S3设定的约束条件进行凸化处理，从而得到凸化约束条件下的规划模型；

S5.根据步骤S4得到的凸化约束条件下的规划模型，建立基于数据驱动的电网储能鲁棒优化配置模型；

S6.对步骤S5建立的基于数据驱动的电网储能鲁棒优化配置模型进行求解，从而得到最终的电网储能系统的优化配置结果。

步骤S2所述的以规划周期内系统综合损耗最小为优化目标，构建确定性条件下的电网储能配置模型，具体为采用如下算式作为电网储能配置模型：

min f＝C_coal+C_UD+C_inv+C_loss+C_wind

式中f为系统综合损耗；C_coal为火电机组煤耗，C_UD为火电机组启停次数损耗，C_inv为电池储能损耗，C_loss为线路损耗，C_wind为弃风损耗；C_coal的计算公式式中k_coal为进行量纲统一的煤耗调节系数，N_day为规划周期内典型日的天数，T为规划单日内小时数，N_g为火电机组台数，F_g,C为机组g的煤耗调节系数，P_g,t,d为机组g在d天t时刻的出力水平，F_g,C(P_g,t,d)的计算公式为a_g、b_g和c_g均为系数；C_UD的计算公式为k_UD为进行量纲统一的启停调节系数，为机组启动调节系数，u_g,t,d为记录机组g在d天t时刻启动动作的0-1变量，为机组停机调节系数，v_g,t,d为记录机组g在d天t时刻停机动作的0-1变量；C_inv的计算公式为式中k_inv为进行量纲统一的储能调节系数，N_node为节点总数，Q_BS,j为节点j配置的电池储能单元个数，C_BS为电池储能单元等效单日损耗且η_P为电池储能单元的单位功率损耗调节系数，P_BS为电池储能单元的额定功率容量，η_E为电池储能单元的单位能量容量损耗调节系数，E_BS为电池储能单元的额定能量容量，T_life为以天数表示的电池储能单元预期寿命；C_loss的计算公式为式中k_loss为进行量纲统一的线路调节系数，N_br为线路总数，k_LOSS为线损惩罚系数，为线路i在d天t时刻的线损且V_{i_h,t,d}为线路i首端节点电压，V_{i_e,t,d}为线路i末端节点电压，R_{i_h,i_e}为线路i的电阻；C_wind为计算公式为式中k_wind为进行量纲统一的弃风调节系数，N_w为风电场总数，k_WIND为弃风惩罚系数，为风电场wi在d天t时刻的弃风。

步骤S3所述的根据步骤S2构建的电网储能配置模型，设定约束条件，具体包括如下步骤：

A.采用如下算式作为节点功率平衡约束：

式中λ(j)为系统中与节点j相连的所有节点集合；P_br,ij,t为t时刻由节点i通过线路传递至节点j的功率，V_j,t为t时刻节点j处电压，V_i,t为t时刻节点i处电压，R_i,j为节点i和节点j间线路的电阻；P_wind,j,t为t时刻节点j处风电并网功率；P_gen,j,t为t时刻节点j处火电机组出力；为t时刻节点j处抽水蓄能电站的放电功率；为t时刻节点j处电池储能系统的放电功率；P_L,j,t为t时刻节点j处负荷功率；为t时刻节点j处抽水蓄能电站的充电功率；为t时刻节点j处电池储能系统的充电功率；

B.采用如下算式作为节点电压约束：

V_i,min≤V_i,t≤V_i,max

式中V_i,min为节点i处的电压下限值；V_i,max为节点i处的电压上限值；

C.采用如下算式作为线路容量约束：

|P_br,ij,t|≤P_br,ij，max

式中P_br,ij，max为节点i和节点j间线路的最大传输功率；

D.采用如下算式作为旋转备用约束：

式中为考虑爬坡后的t时刻机组g的出力上限；P_g,t为考虑爬坡后的t时刻机组g的出力下限；为系统t时刻的正旋转备用容量；为系统t时刻的负旋转备用容量；P_g,t为t时刻机组g出力；

E.采用如下算式作为机组处理约束：

式中I_g,t为t时刻机组g的运行状态的0-1变量；为机组g的出力下限值；为机组g的出力上限值；

F.采用如下算式作为机组爬坡及启停机功率约束：

式中为机组g的上爬坡限值；为机组g的下爬坡限值；为机组g的启动时最大功率；为机组g的停机时最大功率；

G.采用如下算式作为开停机时间约束：

式中为机组g最小的连续运行时间；为机组g最小的连续停机时间；

H.采用如下算式作为机组启停状态切换约束：

式中u_g,t为记录机组g在t时刻启动动作的0-1变量；v_g,t为记录机组g在t时刻停机动作的0-1变量；

I.采用如下算式作为电池储能布点约束：

式中Q_BS,i为整数变量，表示节点i电池储能单元配置数目；为节点i处电池储能单元允许配置数目的最大值；为节点i处电池储能的能量上限；E_BS为电池储能单元额定能量容量；为节点i处电池储能的功率上限；P_BS为电池储能单元额定功率容量；

J.采用如下算式作为电池储能功率约束：

式中为节点i处电池储能系统的功率最大值；为节点i处电池储能系统在t时刻的放电状态0-1变量；为节点i处电池储能系统在t时刻的充电状态0-1变量；

K.采用如下算式作为电池储能能量状态约束：

式中η_BS,c为电池储能系统的充电效率；η_BS,dic为电池储能的放电效率；E_BS,i0为节点i处储能系统的初始能量状态；

L.采用如下算式作为抽蓄电站功率约束：

式中为抽水蓄能电站t时刻的充电状态的0-1变量；为抽水蓄能电站t时刻的放电状态的0-1变量；为抽水蓄能电站的最小发电功率；为抽水蓄能电站的最大发电功率；为抽水蓄能电站的最小蓄水功率；为抽水蓄能电站的最大蓄水功率；

M.采用如下算式作为抽蓄电站能量状态约束：

式中η_PS,c为储能电站的充电效率；η_PS,dic为储能电站的放电效率；E_PS0为抽水蓄能电站在规划周期初始时刻的能量状态；为抽水蓄能电站的最大能量容量。

步骤S4所述的对步骤S2构建的电网储能配置模型和步骤S3设定的约束条件进行凸化处理，从而得到凸化约束条件下的规划模型，具体包括如下步骤：

a.将F_g,C(P_g,t,d)的计算公式采用如下步骤进行凸化处理：

将曲线F_g,C(P_g,t,d)分割为N段，分段的间隔δ为P_max为P_g,t,d的最大值，P_min为P_g,t,d的最小值，N为自然数；第ii段的斜率K_i为F(P_min+ii*δ)为曲线F_g,C(P_g,t,d)在点P_min+ii*δ的值；从而将F_g,C(P_g,t,d)等效线性化为和ΔP_ii为火电机组在分段ii上对应的出力且ΔP_ii≤δ；

b.将的计算公式和P_br,ij,t的计算公式采用如下步骤进行锥松弛：

换元变换：设定节点i与节点j通过某条线路相连，将t时刻节点i与节点j处的电压乘积用Y_i,j,t表示，t时刻节点j处电压的平方用X_j,t表示，得到算式且存在代入的计算式得到代入P_br,ij,t的计算式得到X_{i_h,t,d}为d天t时刻节点i首端处电压的平方，X_{i_e,t,d}为d天t时刻节点i末端处电压的平方，Y_{i_h，i_e,t,d}为d天t时刻节点i首端与节点i末端处的电压乘积，R_{i_h,i_e}为线路i的电阻；对应得到节点电压约束V_i,min≤V_i,t≤V_i,max为

锥松弛：算式建立了换元后变量间的数值关系；通过锥松弛对该数值关系进行凸化，得到旋转二阶锥约束

c.对电池储能功率约束和采用如下步骤进行大M法处理：

对乘积引入双线性项，并通过大M法进行线性化处理，得到M₁为足够大的正数；

对乘积引入双线性项，并通过大M法进行线性化处理，得到M₂为足够大的正数；

d.得到如下线性约束条件下的规划模型：

minF＝c(x,y)

式中x表示储能配置方案；y表示系统运行的相关变量；ω表示风电出力场景；h(x,y)≤0表示与储能配置方案有关的不等式约束；g₁(y,ω)＝0表示与储能配置方案无关的等式约束；g₂(y,ω)≤0表示与储能配置方案无关的不等式约束。

步骤S5所述的根据步骤S4得到的凸化约束条件下的规划模型，建立基于数据驱动的电网储能鲁棒优化配置模型，具体包括如下步骤：

(1)将考虑风电不确定性的储能配置模型表示如下：

minF＝c(x,y^b)

式中ω^b表示基准场景下的风电出力情况；y^b表示基准场景下的系统运行变量；ω^s表示基于数据驱动的风电出力不确定集合χ内任意的风电出力场景；y^s表示风电出力为ω^s时的系统运行变量；

(2)考虑风电的完全消纳，则弃风功率在y^b与y^s中的对应变量均为0；以基准场景下系统综合损耗最低为目标，若满足对任意的风电出力场景ω^s均存在对应的y^s，则此时求取的x就是充分考虑风电不确定性后该系统实现风电完全消纳的最优储能配置方案；

(3)得到基于数据驱动的电网储能鲁棒优化配置模型表示如下：

min F＝c(x,y^b)

式中表示提取到的第iz个风电出力极限场景，为提取到的第iz个风电出力极限场景时所对应的系统运行变量；N_s为提取到的风电出力极限场景个数。

步骤S6所述的对步骤S5建立的基于数据驱动的电网储能鲁棒优化配置模型进行求解，从而得到最终的电网储能系统的优化配置结果，具体包括如下步骤：

采用CC&G算法提升模型的求解效率：将模型进行分解后迭代求解；分解后的模型由一个主问题和若干个子问题组成；对于模型，分解所得的主问题为基准场景与最坏场景下的储能配置问题，初次迭代时最坏场景集合为空，完成主问题求解后，将所得储能配置方案作为参数传递给各子问题，在子问题中基于接收到的储能配置方案求解各极限场景下的电力系统运行问题；各子问题的优化目标为违反约束的程度最小，完成子问题求解后，挑选目标函数值最大且违反约束最严重的子问题对应的风电出力极限场景，作为最坏场景添加到主问题的最坏场景集合中，反复迭代，直到所有子问题均满足约束；

基于CC&G算法对模型进行分解，得到对应的主问题表示如下：

min F＝c(x,y^b)

式中ω_kz表示由子问题经第kz次迭代返回的风电出力最坏场景；y_kz为由子问题经第kz次迭代返回的风电出力最坏场景时对应的系统运行变量；

得到对应的子问题表示如下：

min f_iy＝sum(λ_iy)

式中λ_iy为第iy个子问题中非负松弛变量构成的向量，用于反映子问题违反约束的程度；当f_iy等于0，说明子问题iy对应的风电出力场景在主问题提供的储能配置方案下可以实现风电的完全消纳；当f_iy大于0，说明子问题iy对应的风电出力场景在主问题提供的储能配置方案下无法实现风电的完全消纳；当子问题iy无解，说明无论怎样调整储能配置方案，系统在子问题iy应的风电出力场景下均无法实现风电完全消纳。

本发明提供的这种电网储能系统的优化配置方法，不仅建立了精确可靠且实用的优化模型，而且对确定性条件下的电网储能配置模型进行了凸化处理，既能保证模型精度又能保证求解效率，而且采用数据驱动的方法描述了风电的不确定性，使其能够更准确地包络所有可能的风电场景，此外本发明的求解方法能够使模型快速找到最优解；因此本发明方法的精确性好，而且实施简单方便，科学可靠。

附图说明

图1为本发明方法的方法流程示意图。

图2为本发明方法实施例的基准场景风电曲线示意图。

图3为本发明方法实施例的基准场景负荷曲线示意图。

图4为本发明方法实施例的最坏场景风电曲线示意图。

具体实施方式

如图1所示为本发明方法的方法流程示意图：本发明提供的这种电网储能系统的优化配置方法，包括如下步骤：

S1.获取目标电网的运行参数；

S2.以规划周期内系统综合损耗最小为优化目标，构建确定性条件下的电网储能配置模型；具体为采用如下算式作为电网储能配置模型：

min f＝C_coal+C_UD+C_inv+C_loss+C_wind

式中f为系统综合损耗；C_coal为火电机组煤耗，C_UD为火电机组启停次数损耗，C_inv为电池储能损耗，C_loss为线路损耗，C_wind为弃风损耗；C_coal的计算公式式中k_coal为进行量纲统一的煤耗调节系数，N_day为规划周期内典型日的天数，T为规划单日内小时数，N_g为火电机组台数，F_g,C为机组g的煤耗调节系数，P_g,t,d为机组g在d天t时刻的出力水平，F_g,C(P_g,t,d)的计算公式为a_g、b_g和c_g均为系数；C_UD的计算公式为k_UD为进行量纲统一的启停调节系数，为机组启动调节系数，u_g,t,d为记录机组g在d天t时刻启动动作的0-1变量，为机组停机调节系数，v_g,t,d为记录机组g在d天t时刻停机动作的0-1变量；C_inv的计算公式为式中k_inv为进行量纲统一的储能调节系数，N_node为节点总数，Q_BS,j为节点j配置的电池储能单元个数，C_BS为电池储能单元等效单日损耗且η_P为电池储能单元的单位功率损耗调节系数，P_BS为电池储能单元的额定功率容量，η_E为电池储能单元的单位能量容量损耗调节系数，E_BS为电池储能单元的额定能量容量，T_life为以天数表示的电池储能单元预期寿命；C_loss的计算公式为式中k_loss为进行量纲统一的线路调节系数，N_br为线路总数，k_LOSS为线损惩罚系数，为线路i在d天t时刻的线损且V_{i_h,t,d}为线路i首端节点电压，V_{i_e,t,d}为线路i末端节点电压，R_{i_h,i_e}为线路i电阻；C_wind为计算公式为式中k_wind为进行量纲统一的弃风调节系数，N_w为风电场总数，k_WIND为弃风惩罚系数，为风电场wi在d天t时刻的弃风；

S3.根据步骤S2构建的电网储能配置模型，设定约束条件；具体包括如下步骤：

A.采用如下算式作为节点功率平衡约束：

式中λ(j)为系统中与节点j相连的所有节点集合；P_br,ij,t为t时刻由节点i通过线路传递至节点j的功率，V_j,t为t时刻节点j处电压，V_i,t为t时刻节点i处电压，R_i,j为节点i和节点j间线路的电阻；P_wind,j,t为t时刻节点j处风电并网功率；P_gen,j,t为t时刻节点j处火电机组出力；为t时刻节点j处抽水蓄能电站的放电功率；为t时刻节点j处电池储能系统的放电功率；P_L,j,t为t时刻节点j处负荷功率；为t时刻节点j处抽水蓄能电站的充电功率；为t时刻节点j处电池储能系统的充电功率；

B.采用如下算式作为节点电压约束：

V_i,min≤V_i,t≤V_i,max

式中V_i,min为节点i处的电压下限值；V_i,max为节点i处的电压上限值；

C.采用如下算式作为线路容量约束：

|P_br,ij,t|≤P_br,ij，max

式中P_br,ij，max为节点i和节点j间线路的最大传输功率；

D.采用如下算式作为旋转备用约束：

式中为考虑爬坡后的t时刻机组g的出力上限；P_g,t为考虑爬坡后的t时刻机组g的出力下限；为系统t时刻的正旋转备用容量；为系统t时刻的负旋转备用容量；P_g,t为t时刻机组g出力；

E.采用如下算式作为机组处理约束：

式中I_g,t为t时刻机组g的运行状态的0-1变量；为机组g的出力下限值；为机组g的出力上限值；

F.采用如下算式作为机组爬坡及启停机功率约束：

式中为机组g的上爬坡限值；为机组g的下爬坡限值；为机组g的启动时最大功率；为机组g的停机时最大功率；

G.采用如下算式作为开停机时间约束：

式中为机组g最小的连续运行时间；为机组g最小的连续停机时间；

H.采用如下算式作为机组启停状态切换约束：

式中u_g,t为记录机组g在t时刻启动动作的0-1变量；v_g,t为记录机组g在t时刻停机动作的0-1变量；

I.采用如下算式作为电池储能布点约束：

式中Q_BS,i为整数变量，表示节点i电池储能单元配置数目；为节点i处电池储能单元允许配置数目的最大值；为节点i处电池储能的能量上限；E_BS为电池储能单元额定能量容量；为节点i处电池储能的功率上限；P_BS为电池储能单元额定功率容量；

J.采用如下算式作为电池储能功率约束：

式中为节点i处电池储能系统的功率最大值；为节点i处电池储能系统在t时刻的放电状态0-1变量；为节点i处电池储能系统在t时刻的充电状态0-1变量；

K.采用如下算式作为电池储能能量状态约束：

式中η_BS,c为电池储能系统的充电效率；η_BS,dic为电池储能的放电效率；E_BS,i0为节点i处储能系统的初始能量状态；

L.采用如下算式作为抽蓄电站功率约束：

式中为抽水蓄能电站t时刻的充电状态的0-1变量；为抽水蓄能电站t时刻的放电状态的0-1变量；为抽水蓄能电站的最小发电功率；为抽水蓄能电站的最大发电功率；为抽水蓄能电站的最小蓄水功率；为抽水蓄能电站的最大蓄水功率；

M.采用如下算式作为抽蓄电站能量状态约束：

式中η_PS,c为储能电站的充电效率；η_PS,dic为储能电站的放电效率；E_PS0为抽水蓄能电站在规划周期初始时刻的能量状态；为抽水蓄能电站的最大能量容量；

S4.对步骤S2构建的电网储能配置模型和步骤S3设定的约束条件进行凸化处理，从而得到凸化约束条件下的规划模型；具体包括如下步骤：

a.将F_g,C(P_g,t,d)的计算公式采用如下步骤进行凸化处理：

将曲线F_g,C(P_g,t,d)分割为N段，分段的间隔δ为P_max为P_g,t,d的最大值，P_min为P_g,t,d的最小值，N为自然数；第ii段的斜率K_i为F(P_min+ii*δ)为曲线F_g,C(P_g,t,d)在点P_min+ii*δ的值；从而将F_g,C(P_g,t,d)等效线性化为和ΔP_ii为火电机组在分段ii上对应的出力且ΔP_ii≤δ；

b.将的计算公式和P_br,ij,t的计算公式采用如下步骤进行锥松弛：

换元变换：设定节点i与节点j通过某条线路相连，将t时刻节点i与节点j处的电压乘积用Y_i,j,t表示，t时刻节点j处电压的平方用X_j,t表示，得到算式且存在代入的计算式得到代入P_br,ij,t的计算式得到X_{i_h,t,d}为d天t时刻节点i首端处电压的平方，X_{i_e,t,d}为d天t时刻节点i末端处电压的平方，Y_{i_h，i_e,t,d}为d天t时刻节点i首端与节点i末端处的电压乘积，R_{i_h,i_e}为线路i的电阻；对应得到节点电压约束

V_i,min≤V_i,t≤V_i,max为

锥松弛：算式建立了换元后变量间的数值关系；通过锥松弛对该数值关系进行凸化，得到旋转二阶锥约束

c.对电池储能功率约束和采用如下步骤进行大M法处理：

对乘积引入双线性项，并通过大M法进行线性化处理，得到M₁为足够大的正数；

对乘积引入双线性项，并通过大M法进行线性化处理，得到M₂为足够大的正数；

d.得到如下线性约束条件下的规划模型：

minF＝c(x,y)

式中x表示储能配置方案；y表示系统运行的相关变量；ω表示风电出力场景；h(x,y)≤0表示与储能配置方案有关的不等式约束；g₁(y,ω)＝0表示与储能配置方案无关的等式约束；g₂(y,ω)≤0表示与储能配置方案无关的不等式约束；

S5.根据步骤S4得到的凸化约束条件下的规划模型，建立基于数据驱动的电网储能鲁棒优化配置模型；具体包括如下步骤：

(1)将考虑风电不确定性的储能配置模型表示如下：

min F＝c(x,y^b)

式中ω^b表示基准场景下的风电出力情况；y^b表示基准场景下的系统运行变量；ω^s表示基于数据驱动的风电出力不确定集合χ内任意的风电出力场景；y^s表示风电出力为ω^s时的系统运行变量；

(2)考虑风电的完全消纳，则弃风功率在y^b与y^s中的对应变量均为0；以基准场景下系统综合损耗最低为目标，若满足对任意的风电出力场景ω^s均存在对应的y^s，则此时求取的x就是充分考虑风电不确定性后该系统实现风电完全消纳的最优储能配置方案；

(3)本发明方法采用基于数据驱动的线性凸包不确定集合表征风电出力不确定性，通过提取凸包顶点对应的风电出力情况作为极限场景，将含随机变量的模型转换为确定性模型；因此，得到基于数据驱动的电网储能鲁棒优化配置模型表示如下：

min F＝c(x,y^b)

式中表示提取到的第iz个风电出力极限场景，为提取到的第iz个风电出力极限场景时所对应的系统运行变量；N_s为提取到的风电出力极限场景个数；

S6.对步骤S5建立的基于数据驱动的电网储能鲁棒优化配置模型进行求解，从而得到最终的电网储能系统的优化配置结果；具体包括如下步骤：

采用CC&G算法提升模型的求解效率：将模型进行分解后迭代求解；分解后的模型由一个主问题和若干个子问题组成；对于模型，分解所得的主问题为基准场景与最坏场景下的储能配置问题，初次迭代时最坏场景集合为空，完成主问题求解后，将所得储能配置方案作为参数传递给各子问题，在子问题中基于接收到的储能配置方案求解各极限场景下的电力系统运行问题；各子问题的优化目标为违反约束的程度最小，完成子问题求解后，挑选目标函数值最大且违反约束最严重的子问题对应的风电出力极限场景，作为最坏场景添加到主问题的最坏场景集合中，反复迭代，直到所有子问题均满足约束；

基于CC&G算法对模型进行分解，得到对应的主问题表示如下：

min F＝c(x,y^b)

式中ω_kz表示由子问题经第kz次迭代返回的风电出力最坏场景；y_kz为由子问题经第kz次迭代返回的风电出力最坏场景时对应的系统运行变量；

得到对应的子问题表示如下：

min f_iy＝sum(λ_iy)

式中λ_iy为第iy个子问题中非负松弛变量构成的向量，用于反映子问题违反约束的程度；当f_iy等于0，说明子问题iy对应的风电出力场景在主问题提供的储能配置方案下可以实现风电的完全消纳；当f_iy大于0，说明子问题iy对应的风电出力场景在主问题提供的储能配置方案下无法实现风电的完全消纳；当子问题iy无解，说明无论怎样调整储能配置方案，系统在子问题iy应的风电出力场景下均无法实现风电完全消纳。

以下结合一个实施例，对本发明方法进行进一步说明：

实施例所用的基准负荷及风电场景如图2和图3所示，由子问题返回的最坏场景如图4所示；采用本发明方法进行建模并求解，得到的储能配置方案如下表1所示：

表1电池储能配置方案

基于该配置方案对各单日场景进行时序运行仿真，得到了风电完全消纳的运行结果，证明了本发明方法的有效性。

Claims (3)

1.一种电网储能系统的优化配置方法，包括如下步骤：

S1.获取目标电网的运行参数；

S2.以规划周期内系统综合损耗最小为优化目标，构建确定性条件下的电网储能配置模型；具体为采用如下算式作为电网储能配置模型：

min f＝C_coal+C_UD+C_inv+C_loss+C_wind

式中f为系统综合损耗；C_coal为火电机组煤耗，C_UD为火电机组启停次数损耗，C_inv为电池储能损耗，C_loss为线路损耗，C_wind为弃风损耗；C_coal的计算公式式中k_coal为进行量纲统一的煤耗调节系数，N_day为规划周期内典型日的天数，T为规划单日内小时数，N_g为火电机组台数，F_g,C为机组g的煤耗调节系数，P_g,t,d为机组g在d天t时刻的出力水平，F_g,C(P_g,t,d)的计算公式为a_g、b_g和c_g均为系数；C_UD的计算公式为k_UD为进行量纲统一的启停调节系数，为机组启动调节系数，u_g,t,d为记录机组g在d天t时刻启动动作的0-1变量，为机组停机调节系数，v_g,t,d为记录机组g在d天t时刻停机动作的0-1变量；C_inv的计算公式为式中k_inv为进行量纲统一的储能调节系数，N_node为节点总数，Q_BS,j为节点j配置的电池储能单元个数，C_BS为电池储能单元等效单日损耗且η_P为电池储能单元的单位功率损耗调节系数，P_BS为电池储能单元的额定功率容量，η_E为电池储能单元的单位能量容量损耗调节系数，E_BS为电池储能单元的额定能量容量，T_life为以天数表示的电池储能单元预期寿命；C_loss的计算公式为式中k_loss为进行量纲统一的线路调节系数，N_br为线路总数，k_LOSS为线损惩罚系数，为线路i在d天t时刻的线损且V_{i_h,t,d}为线路i首端节点电压，V_{i_e,t,d}为线路i末端节点电压，R_{i_h,i_e}为线路i电阻；C_wind为计算公式为式中k_wind为进行量纲统一的弃风调节系数，N_w为风电场总数，k_WIND为弃风惩罚系数，为风电场wi在d天t时刻的弃风；

S3.根据步骤S2构建的电网储能配置模型，设定约束条件；具体包括如下步骤：

A.采用如下算式作为节点功率平衡约束：

式中λ(j)为系统中与节点j相连的所有节点集合；P_br,ij,t为t时刻由节点i通过线路传递至节点j的功率，V_j,t为t时刻节点j处电压，V_i,t为t时刻节点i处电压，R_i,j为节点i和节点j间线路的电阻；P_wind,j,t为t时刻节点j处风电并网功率；P_gen,j,t为t时刻节点j处火电机组出力；为t时刻节点j处抽水蓄能电站的放电功率；为t时刻节点j处电池储能系统的放电功率；P_L,j,t为t时刻节点j处负荷功率；为t时刻节点j处抽水蓄能电站的充电功率；为t时刻节点j处电池储能系统的充电功率；

B.采用如下算式作为节点电压约束：

V_i,min≤V_i,t≤V_i,max

式中V_i,min为节点i处的电压下限值；V_i,max为节点i处的电压上限值；

C.采用如下算式作为线路容量约束：

|P_br,ij,t|≤P_br,ij，max

式中P_br,ij，max为节点i和节点j间线路的最大传输功率；

D.采用如下算式作为旋转备用约束：

式中为考虑爬坡后的t时刻机组g的出力上限；P _g,t为考虑爬坡后的t时刻机组g的出力下限；为系统t时刻的正旋转备用容量；为系统t时刻的负旋转备用容量；P_g,t为t时刻机组g出力；

E.采用如下算式作为机组处理约束：

式中I_g,t为t时刻机组g的运行状态的0-1变量；为机组g的出力下限值；为机组g的出力上限值；

F.采用如下算式作为机组爬坡及启停机功率约束：

式中为机组g的上爬坡限值；为机组g的下爬坡限值；为机组g的启动时最大功率；为机组g的停机时最大功率；

G.采用如下算式作为开停机时间约束：

式中为机组g最小的连续运行时间；为机组g最小的连续停机时间；

H.采用如下算式作为机组启停状态切换约束：

式中u_g,t为记录机组g在t时刻启动动作的0-1变量；v_g,t为记录机组g在t时刻停机动作的0-1变量；

I.采用如下算式作为电池储能布点约束：

式中Q_BS,i为整数变量，表示节点i电池储能单元配置数目；为节点i处电池储能单元允许配置数目的最大值；为节点i处电池储能的能量上限；E_BS为电池储能单元额定能量容量；为节点i处电池储能的功率上限；P_BS为电池储能单元额定功率容量；

J.采用如下算式作为电池储能功率约束：

式中为节点i处电池储能系统的功率最大值；为节点i处电池储能系统在t时刻的放电状态0-1变量；为节点i处电池储能系统在t时刻的充电状态0-1变量；

K.采用如下算式作为电池储能能量状态约束：

式中η_BS,c为电池储能系统的充电效率；η_BS,dic为电池储能的放电效率；E_BS,i0为节点i处储能系统的初始能量状态；

L.采用如下算式作为抽蓄电站功率约束：

式中为抽水蓄能电站t时刻的充电状态的0-1变量；为抽水蓄能电站t时刻的放电状态的0-1变量；为抽水蓄能电站的最小发电功率；为抽水蓄能电站的最大发电功率；为抽水蓄能电站的最小蓄水功率；为抽水蓄能电站的最大蓄水功率；

M.采用如下算式作为抽蓄电站能量状态约束：

式中η_PS,c为储能电站的充电效率；η_PS,dic为储能电站的放电效率；E_PS0为抽水蓄能电站在规划周期初始时刻的能量状态；为抽水蓄能电站的最大能量容量；

S4.对步骤S2构建的电网储能配置模型和步骤S3设定的约束条件进行凸化处理，从而得到凸化约束条件下的规划模型；具体包括如下步骤：

a.将F_g,C(P_g,t,d)的计算公式采用如下步骤进行凸化处理：

将曲线F_g,C(P_g,t,d)分割为N段，分段的间隔δ为P_max为P_g,t,d的最大值，P_min为P_g,t,d的最小值，N为自然数；第ii段的斜率K_i为F(P_min+ii*δ)为曲线F_g,C(P_g,t,d)在点P_min+ii*δ的值；从而将F_g,C(P_g,t,d)等效线性化为和ΔP_ii为火电机组在分段ii上对应的出力且ΔP_ii≤δ；

b.将的计算公式和P_br,ij,t的计算公式采用如下步骤进行锥松弛：

换元变换：设定节点i与节点j通过某条线路相连，将t时刻节点i与节点j处的电压乘积用Y_i,j,t表示，t时刻节点j处电压的平方用X_j,t表示，得到算式且存在代入的计算式得到代入P_br,ij,t的计算式得到X_{i_h,t,d}为d天t时刻节点i首端处电压的平方，X_{i_e,t,d}为d天t时刻节点i末端处电压的平方，Y_{i_h，i_e,t,d}为d天t时刻节点i首端与节点i末端处的电压乘积，R_{i_h,i_e}为线路i的电阻；对应得到节点电压约束V_i,min≤V_i,t≤V_i,max为

锥松弛：算式建立了换元后变量间的数值关系；通过锥松弛对该数值关系进行凸化，得到旋转二阶锥约束

c.对电池储能功率约束和采用如下步骤进行大M法处理：

对乘积引入双线性项，并通过大M法进行线性化处理，得到M₁为足够大的正数；

对乘积引入双线性项，并通过大M法进行线性化处理，得到M₂为足够大的正数；

d.得到如下线性约束条件下的规划模型：

min F＝c(x,y)

式中x表示储能配置方案；y表示系统运行的相关变量；ω表示风电出力场景；h(x,y)≤0表示与储能配置方案有关的不等式约束；g₁(y,ω)＝0表示与储能配置方案无关的等式约束；g₂(y,ω)≤0表示与储能配置方案无关的不等式约束；

S5.根据步骤S4得到的凸化约束条件下的规划模型，建立基于数据驱动的电网储能鲁棒优化配置模型；

S6.对步骤S5建立的基于数据驱动的电网储能鲁棒优化配置模型进行求解，从而得到最终的电网储能系统的优化配置结果。

2.根据权利要求1所述的电网储能系统的优化配置方法，其特征在于步骤S5所述的根据步骤S4得到的凸化约束条件下的规划模型，建立基于数据驱动的电网储能鲁棒优化配置模型，具体包括如下步骤：

(1)将考虑风电不确定性的储能配置模型表示如下：

min F＝c(x,y^b)

式中ω^b表示基准场景下的风电出力情况；y^b表示基准场景下的系统运行变量；ω^s表示基于数据驱动的风电出力不确定集合χ内任意的风电出力场景；y^s表示风电出力为ω^s时的系统运行变量；

(2)考虑风电的完全消纳，则弃风功率在y^b与y^s中的对应变量均为0；以基准场景下系统综合损耗最低为目标，若满足对任意的风电出力场景ω^s均存在对应的y^s，则此时求取的x就是充分考虑风电不确定性后该系统实现风电完全消纳的最优储能配置方案；

(3)得到基于数据驱动的电网储能鲁棒优化配置模型表示如下：

min F＝c(x,y^b)

式中表示提取到的第iz个风电出力极限场景，为提取到的第iz个风电出力极限场景时所对应的系统运行变量；N_s为提取到的风电出力极限场景个数。

3.根据权利要求2所述的电网储能系统的优化配置方法，其特征在于步骤S6所述的对步骤S5建立的基于数据驱动的电网储能鲁棒优化配置模型进行求解，从而得到最终的电网储能系统的优化配置结果，具体包括如下步骤：

采用CC&G算法提升模型的求解效率：将模型进行分解后迭代求解；分解后的模型由一个主问题和若干个子问题组成；对于模型，分解所得的主问题为基准场景与最坏场景下的储能配置问题，初次迭代时最坏场景集合为空，完成主问题求解后，将所得储能配置方案作为参数传递给各子问题，在子问题中基于接收到的储能配置方案求解各极限场景下的电力系统运行问题；各子问题的优化目标为违反约束的程度最小，完成子问题求解后，挑选目标函数值最大且违反约束最严重的子问题对应的风电出力极限场景，作为最坏场景添加到主问题的最坏场景集合中，反复迭代，直到所有子问题均满足约束；

基于CC&G算法对模型进行分解，得到对应的主问题表示如下：

min F＝c(x,y^b)

式中ω_kz表示由子问题经第kz次迭代返回的风电出力最坏场景；y_kz为由子问题经第kz次迭代返回的风电出力最坏场景时对应的系统运行变量；

得到对应的子问题表示如下：

min f_iy＝sum(λ_iy)

式中λ_iy为第iy个子问题中非负松弛变量构成的向量，用于反映子问题违反约束的程度；当f_iy等于0，说明子问题iy对应的风电出力场景在主问题提供的储能配置方案下可以实现风电的完全消纳；当f_iy大于0，说明子问题iy对应的风电出力场景在主问题提供的储能配置方案下无法实现风电的完全消纳；当子问题iy无解，说明无论怎样调整储能配置方案，系统在子问题iy应的风电出力场景下均无法实现风电完全消纳。