CN114188961B - 一种风光互补系统容量配置优化方法 - Google Patents
一种风光互补系统容量配置优化方法 Download PDFInfo
- Publication number
- CN114188961B CN114188961B CN202111518066.6A CN202111518066A CN114188961B CN 114188961 B CN114188961 B CN 114188961B CN 202111518066 A CN202111518066 A CN 202111518066A CN 114188961 B CN114188961 B CN 114188961B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power
- wind
- capacity
- waste
- 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
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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- 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
-
- 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
-
- 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
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
一种风光互补系统容量配置优化方法,它包括以下步骤:步骤1:建立风光互补系统的技术指标;步骤2:建立电池储能功率需求模型;步骤3:建立电池储能的容量需求模型;步骤4:建立风光储能系统约束;步骤5:以初始投资年均成本最小为目标函数建立模型;步骤6:求解储能最优容量配置。本发明的目的是为了解决在现有储能容量配置方法中,绝大多数是以系统运行成本最低为单目标函数进行优化,这种技术一味追求经济性却忽略了系统本身的可靠性与稳定性的技术问题。
Description
技术领域
本发明属于新能源技术领域,尤其涉及风光互补技术,具体涉及一种风光互补系统容量配置优化方法。
背景技术
目前风能和太阳能已经得到广泛应用,也是新能源领域中最具开发规模的能源,但是风能和太阳能具有一定的随机性和波动性,这是在任何时候都避免不了的,虽然风光在一定程度上具有天然的耦合性,但是在常规火电机组调峰能力、备用容量以及爬坡能力的约束,还是产生了大量的弃风弃光,由此含储能装置的风光互补系统得到了广泛的应用。
在目前含储能单元的风光互补系统中,大多数研究者只是针对单目标进行储能容量的优化,比较主流的技术是以储能投资运行成本最低为目标函数,采用遗传算法或者粒子群算法进行优化。例如在《风光储微网系统蓄电池容量优化配置方法研究》中采用了三种方法进行储能容量优化,但是这三种方法中或是就技术性或是就经济性进行优化,这种单纯的以经济性指标进行系统的优化会导致系统的可靠性降低,所以,在考虑风光互补系统可接入储能容量的时首先要保证系统的可靠性与稳定性,本文在第一阶段以负荷缺电率作为约束,首先在保证了系统稳定性的前提下进行了系统储能容量的优化,从而为这类系统的优化设计提供科学指导。
发明内容
本发明的目的是为解决在现有储能容量配置方法中,绝大多数是以系统运行成本最低为单目标函数进行优化,这种技术一味追求经济性却忽略了系统本身的可靠性与稳定性。负荷缺电率作为衡量系统稳定性的指标之一,本发明在第一阶段中以负荷缺电率为约束,首先保证了系统地可靠性与稳定性,第二阶段模型确定储能容量的同时降低了系统的成本,在降低系统成本的同时保证系统的可靠性与稳定性,从而为这类系统的安全稳定运行提供一种全新的技术方案。
一种风光互补系统容量配置优化方法,它包括以下步骤:
步骤1:建立风光互补系统的技术指标;
步骤2:建立电池储能功率需求模型;
步骤3:建立电池储能的容量需求模型;
步骤4:建立风光储能系统约束;
步骤5:以初始投资年均成本最小为目标函数建立模型;
步骤6:求解储能最优容量配置。
在步骤1中,建立的风光互补系统技术指标如下:
(1)负荷缺电率表示为:
QQD(t)=[PFH(t)-PPV(t)η1-PPW(t)η2]Δt;
式中:PFH(t)为t时刻系统负荷需求;PPV(t)η1为t时刻光伏组件发出的平均功率;PPW(t)η2为风电发出的平均功率;η1为逆变器C1效率;η2为逆变器C2的效率。
负荷缺电量QQD(t)一般为正值,定义负荷缺电率QQDL为:
式中:t0为初始时刻;n为时间序列;QQDL的取值范围为[0-1],取0时表面在所求时间序列范围内风光互补系统所发出的功率满足负荷需求,取1时表明在所求时间段内风光互补系统所发出的功率不能满足负荷需求。
(2)新能源弃用率为:
QQY(t)=[PPV(t)η1+PPW(t)η2-PFH(t)]Δt;
新能源弃用量一般为正值,定义新能源弃用率QQYL为:
在步骤2中,所建立的电池储能功率需求模型为:
ΔP(t)=PFH(t)-PPV(t)η1-PPW(t)η2;
式中ΔP(t)的正负值具有随机性,当ΔP(t)>0时表示储能需要放电,ΔP(t)<0时表示储能需要充电;
在进行功率配置时,需要储能单元能够满足或者吸纳所求时间段内出现的最大功率缺额P1,或者最大剩余功率P2,所以储能的定额功率PED为:
式中η3为储能变换器的效率。
在步骤3中,所建立的电池储能的容量需求模型如下:
当风光互补系统的发电功率小于负荷时,储能系统向电网释放的容量ΔE为:
ΔE=Δt[PFH(t)-PPV(t)η1-PPW(t)η2]/η4;
式中η4为储能系统放电效率。
当风光互补系统的发电功率大于负荷时,储能系统从电网吸收的容量ΔE为:
ΔE=Δt[PPV(t)η1+PPW(t)η2-PFH(t)]/η5;
式中η5为储能系统充电效率。
系统中可以引入荷电状态SOC来反映电池剩余电量的大小,某一时刻t的荷电状态值Soc(t)可通过下式计算:
Soc(t)=[ΔE(t-Δt)+ΔE]/EED;
式中EED为储能的额定容量,ΔE(t-Δt)为(t-Δt)时刻储能单元的剩余电量,ΔE为Δt时间内储能吸收或者释放的电量。
计及储能单元后负荷缺电率QQDL、新能源弃用率QQYL可以表示成如下方式:
在步骤4中,所建立的风光储能系统约束如下:
(1)风光出力约束
式中:为风电出力,/>为光伏出力,Sw表示风电的实际装机容量,Sv表示光伏的实际装机容量
(2)负荷平衡约束
式中:为风电出力,/>为光伏出力,/>为储能放电,/>为负荷序列,/>为储能充电。
(3)弃风弃光约束
式中:为弃风总量,/>为弃光总量。α为弃风比例,β为弃光比例,/>为风电t时刻装机容量,/>为光伏t时刻装机容量;
(4)电储能约束
式中:SOCd,t为电储能当前容量,Emax电储能最大装机容量,为电储能功率约束。电储能放电速率,/>电储能充电速率,/>电储能放电状态,/>电储能充电状态,/>电储能前一时刻充电容量状态,/>电储能前一时刻放电容量状态,SOCd,t-1为电储能前一时刻容量。/>为储能释放状态,/>为储能充能状态。/>为0-1待优化变量;
(5)新能源弃用成本
式中:λw、λv分别在t时段的弃风、弃光的惩罚费用;表示在t时刻风电场弃风功率、光伏电站弃光功率;
(6)储能单元现值因子
式中:r表示为储能单元贴现率,n表示储能单元的寿命。
在步骤5中,所建立的模型如下:
式中:CXT为新能源弃用年惩罚与储能初始投资年均成本,ERATE为储能容量,CE为储能容量单位投资成本,Fqy为新能源弃用惩罚成本。年均成本投资因子。
在步骤6中,在求解储能最优容量配置时,采用以下步骤:
步骤1)收集风光互补系统中光伏和风力的功率输出数据、当地负荷数据;
步骤2)建立以年度为考核时间周期的调度模型;
步骤3)选定储能步长,从初值ERATE(rnin)到充能最大容量ERATE(max)循环选取;
步骤4)第一阶段,求解优化调度模型,确定储能容量优化区间;
步骤5)更新储能容量优化区间端点值;
步骤6)判断在优化区间内是否有确定值使模型目标函数存在最小值;
步骤7)是则输出储能容量最优配置,计算系统年均总成本费用。否则返回步骤4)。
与现有技术相比,本发明具有如下技术效果:
在所建立的两阶段优化模型中,第一阶段是以衡量系统可靠性与稳定性的技术指标为约束。在保证系统可靠性的前提下获取储能单元的优化区间,如图1,图2所示分别为负荷缺电率与新能源弃用率随储能容量的变化曲线。第二阶段以系统总投资年均成本最低为目标函数,在第一阶段中获取的储能容量优化区间内求解系统最优储能容量配置。既保证了系统的可靠性又提升了系统的经济性。图3为系统储能容量最优时调度曲线。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1是负荷缺电率随储能容量变化特性曲线。
图2是新能源弃用率随储能容量变化特性曲线。
图3是系统储能容量最优时系统调度曲线。
具体实施方式
如图1和图2所示,一种风光互补系统容量配置优化方法,它包括以下步骤:
步骤1:建立风光互补系统的技术指标;
步骤2:建立电池储能功率需求模型;
步骤3:建立电池储能的容量需求模型;
步骤4:建立风光储能系统约束;
步骤5:以初始投资年均成本最小为目标函数建立模型;
步骤6:求解储能最优容量配置。
在步骤1中,建立的风光互补系统技术指标如下:
(1)负荷缺电率表示一定时间内系统发电功率不能满足负荷需求的概率。在评价周期T内负荷缺电率可表示为该时段内的负荷缺电量与负荷总需求的比率。它是衡量系统的可靠性与稳定性的指标之一,负荷缺电率表示为:
QQD(t)=[PFH(t)-PPV(t)η1-PPW(t)η2]Δt;
式中:PFH(t)为t时刻系统负荷需求;PPV(t)η1为t时刻光伏组件发出的平均功率;PPW(t)η2为风电发出的平均功率;η1为逆变器C1效率;η2为逆变器C2的效率。
负荷缺电量QQD(t)一般为正值,定义负荷缺电率QQDL为:
式中:t0为初始时刻;n为时间序列;QQDL的取值范围为[0-1],取0时表面在所求时间序列范围内风光互补系统所发出的功率满足负荷需求,取1时表明在所求时间段内风光互补系统所发出的功率不能满足负荷需求。
(2)新能源弃用率指在时间T内系统弃用的新能源能量与可再生能源发出总能量的比值,常用作衡量可再生能源消纳水平,工程一般取5%-30%之间。新能源弃用率为:
QQY(t)=[PPV(t)η1+PPW(t)η2-PFH(t)]Δt;
新能源弃用量一般为正值,定义新能源弃用率QQYL为:
在步骤2中,所建立的电池储能功率需求模型为:
ΔP(t)=PFH(t)-PPV(t)η1-PPW(t)η2;
式中ΔP(t)的正负值具有随机性,当ΔP(t)>0时表示储能需要放电,ΔP(t)<0时表示储能需要充电;
在进行功率配置时,需要储能单元能够满足或者吸纳所求时间段内出现的最大功率缺额P1,或者最大剩余功率P2,所以储能的定额功率PED为:
式中η3为储能变换器的效率。
在步骤3中,所建立的电池储能的容量需求模型如下:
当风光互补系统的发电功率小于负荷时,储能系统向电网释放的容量ΔE为:
ΔE=Δt[PFH(t)-PPV(t)η1-PPW(t)η2]/η4;
式中η4为储能系统放电效率。
当风光互补系统的发电功率大于负荷时,储能系统从电网吸收的容量ΔE为:
ΔE=Δt[PPV(t)η1+PPW(t)η2-PFH(t)]/η5;
式中η5为储能系统充电效率。
系统中可以引入荷电状态SOC来反映电池剩余电量的大小,某一时刻t的荷电状态值Soc(t)可通过下式计算:
Soc(t)=[ΔE(t-Δt)+ΔE]/EED;
式中EED为储能的额定容量,ΔE(t-Δt)为(t-Δt)时刻储能单元的剩余电量,ΔE为Δt时间内储能吸收或者释放的电量。
计及储能单元后负荷缺电率QQDL、新能源弃用率QQYL可以表示成如下方式:
在步骤4中,所建立的风光储能系统约束如下:
(1)风光出力约束
式中:为风电出力,/>为光伏出力,Sw表示风电的实际装机容量,Sv表示光伏的实际装机容量
(2)负荷平衡约束
式中:为风电出力,/>为光伏出力,/>为储能放电,/>为负荷序列,/>为储能充电。
(3)弃风弃光约束
式中:为弃风总量,/>为弃光总量。α为弃风比例,β为弃光比例,/>为风电t时刻装机容量,/>为光伏t时刻装机容量;
(4)电储能约束
式中:SOCd,t为电储能当前容量,Emax电储能最大装机容量,为电储能功率约束。电储能放电速率,/>电储能充电速率,/>电储能放电状态,/>电储能充电状态,电储能前一时刻充电容量状态,/>电储能前一时刻放电容量状态,SOCd,t-1为电储能前一时刻容量。/>为储能释放状态,/>为储能充能状态。/>为0-1待优化变量;
(5)新能源弃用成本
式中:λw、λv分别在t时段的弃风、弃光的惩罚费用;表示在t时刻风电场弃风功率、光伏电站弃光功率;
(6)储能单元现值因子为:
式中:r表示为储能单元贴现率,n表示储能单元的寿命。
在步骤5中,所建立的模型如下:
式中:CXT为新能源弃用年惩罚与储能初始投资年均成本,ERATE为储能容量,CE为储能容量单位投资成本,Fqy为新能源弃用惩罚成本。年均成本投资因子。
在步骤6中,在求解储能最优容量配置时,采用以下步骤:
步骤1)收集风光互补系统中光伏和风力的功率输出数据、当地负荷数据;
步骤2)建立以年度为考核时间周期的调度模型;
步骤3)选定储能步长,从初值ERATE(min)到充能最大容量ERATE(max)循环选取;
步骤4)第一阶段,求解优化调度模型,确定储能容量优化区间;
步骤5)更新储能容量优化区间端点值;
步骤6)判断在优化区间内是否有确定值使模型目标函数存在最小值;
步骤7)是则输出储能容量最优配置,计算系统年均总成本费用。否则返回步骤4)。
经过以上求解步骤可以得到系统投资成本随储能容量变化的情况,如下表所示:
由该表可以看出:在风光互补系统没有配置储能的情况下,新能源年均弃用成本为5727.4万元,负荷缺电率更是达到了百分之二十,这严重影响力系统的稳定性。当系统中配备的储能容量超过332MW时,由于储能系统功率的限制负荷缺电率与新能源弃用率几乎不再降低,但是随着储能容量的增加,新能源弃用惩罚成本不再降低而储能建设投资成本在增加,这就导致了系统总的成本在增加。当储能容量为332MW时,负荷缺电率与新能源弃用率也基本达到了最低,系统新能源弃用惩罚成本和储能初始投资年均成本最低,系统的稳定性和可靠性也大大提高。
Claims (5)
1.一种风光互补系统容量配置优化方法,其特征在于,它包括以下步骤:
步骤1:建立风光互补系统的技术指标;
步骤2:建立电池储能功率需求模型;
步骤3:建立电池储能的容量需求模型;
步骤4:建立风光储能系统约束;
步骤5:以初始投资年均成本最小为目标函数建立模型;
步骤6:求解储能最优容量配置;
在步骤1中,建立的风光互补系统技术指标如下:
(1)负荷缺电量表示为:
QQD(t)=[PFH(t)-PPV(t)η1-PPW(t)η2]Δt;
式中:PFH(t)为t时刻系统负荷需求;PPV(t)η1为t时刻光伏组件发出的平均功率;PPW(t)η2为风电发出的平均功率;η1为逆变器C1效率;η2为逆变器C2的效率;
负荷缺电量QQD(t)为正值,定义负荷缺电率QQDL为:
式中:t0为初始时刻,t为时间变量;n为时间序列;QQDL的取值范围为[0-1],取0时表面在所求时间序列范围内风光互补系统所发出的功率满足负荷需求,取1时表明在所求时间段内风光互补系统所发出的功率不能满足负荷需求;
(2)新能源弃用量为:
QQY(t)=[PPV(t)η1+PPW(t)η2-PFH(t)]Δt;
新能源弃用量一般为正值,定义新能源弃用率QQYL为:
在步骤3中,所建立的电池储能的容量需求模型如下:
当风光互补系统的发电功率小于负荷时,储能系统向电网释放的容量ΔE为:
ΔE=Δt[PFH(t)-PPV(t)η1-PPW(t)η2]/η4;
式中η4为储能系统放电效率;
当风光互补系统的发电功率大于负荷时,储能系统从电网吸收的容量ΔE为:
ΔE=Δt[PPV(t)η1+PPW(t)η2-PFH(t)]/η5;
式中η5为储能系统充电效率;
系统中可以引入荷电状态SOC来反映电池剩余电量的大小,某一时刻t的荷电状态值Soc(t)可通过下式计算:
Soc(t)=[ΔE(t-Δt)+ΔE]/EED;
式中EED为储能的额定容量,ΔE(t-Δt)为(t-Δt)时刻储能单元的剩余电量,ΔE为Δt时间内储能吸收或者释放的电量,Δt为目标时间段;
计及储能单元后负荷缺电率QQDL、新能源弃用率QQYL可以表示成如下方式:
2.根据权利要求1所述的方法,其特征在于,在步骤2中,所建立的电池储能功率需求模型为:
ΔP(t)=PFH(t)-PPV(t)η1-PPW(t)η2;
式中ΔP(t)的正负值具有随机性,当ΔP(t)>0时表示储能需要放电,ΔP(t)<0时表示储能需要充电;
在进行功率配置时,需要储能单元能够满足或者吸纳所求时间段内出现的最大功率缺额P1,或者最大剩余功率P2,储能的定额功率PED为:
式中η3为储能变换器的效率,t为时间变量,t0为初始时刻,T为一段时间。
3.根据权利要求1所述的方法,其特征在于,在步骤4中,所建立的风光储能系统约束如下:
(1)风光出力约束
式中:为风电出力,/>为光伏出力,Sw表示风电的实际装机容量,Sv表示光伏的实际装机容量;
(2)负荷平衡约束
式中:为风电出力,/>为光伏出力,/>为电储能放电功率,/>为负荷,/>为电储能充电功率,d为任意日期;
(3)弃风弃光约束
式中:表示在t时刻风电场弃风功率、光伏电站弃光功率,α为弃风比例,β为弃光比例,/>为风电t时刻装机容量,/>为光伏t时刻装机容量;
(4)电储能约束
0≤SOCd,t≤Emax;
式中:SOCd,t为电储能当前容量,Emax为电储能最大装机容量,为电储能功率约束,为电储能放电功率,/>为电储能充电功率,/>为电储能放电状态变量,/>为电储能充电状态变量,/>为电储能前一时刻充电功率,/>为电储能前一时刻放电功率,SOCd,t-1为电储能前一时刻容量,/>为储能释放状态变量,/>为储能充能状态变量,所述状态变量为0-1待优化变量;
(5)新能源弃用成本
式中:λw、λv分别在t时段的弃风、弃光的惩罚费用;表示在t时刻风电场弃风功率、光伏电站弃光功率;
(6)储能单元现值因子
式中:r表示为储能单元贴现率,n表示储能单元的寿命。
4.根据权利要求1所述的方法,其特征在于,在步骤5中,所建立的模型如下:
式中:CXT为新能源弃用年惩罚与储能初始投资年均成本,ERATE为储能容量,CE为储能容量单位投资成本,Fqy为新能源弃用惩罚成本,年均成本投资因子。
5.根据权利要求1所述的方法,其特征在于,在步骤6中,在求解储能最优容量配置时,采用以下步骤:
步骤1)收集风光互补系统中光伏和风力的功率输出数据、当地负荷数据;
步骤2)建立以年度为考核时间周期的调度模型;
步骤3)选定储能步长,从初值ERATE(min)到充能最大容量ERATE(max)循环选取;
步骤4)第一阶段,求解优化调度模型,确定储能容量优化区间;
步骤5)更新储能容量优化区间端点值;
步骤6)判断在优化区间内是否有确定值使模型目标函数存在最小值;
步骤7)是则输出储能容量最优配置,计算系统年均总成本费用,否则返回步骤4)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111518066.6A CN114188961B (zh) | 2021-12-13 | 2021-12-13 | 一种风光互补系统容量配置优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111518066.6A CN114188961B (zh) | 2021-12-13 | 2021-12-13 | 一种风光互补系统容量配置优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114188961A CN114188961A (zh) | 2022-03-15 |
CN114188961B true CN114188961B (zh) | 2023-08-01 |
Family
ID=80543451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111518066.6A Active CN114188961B (zh) | 2021-12-13 | 2021-12-13 | 一种风光互补系统容量配置优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114188961B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723278B (zh) * | 2022-04-06 | 2024-05-31 | 山东大学 | 一种考虑光伏储能的社区微电网调度方法及系统 |
CN114997753B (zh) * | 2022-08-03 | 2022-10-14 | 中国科学院地理科学与资源研究所 | 一种考虑风光资源属性的互补发电潜力评估方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5539654A (en) * | 1991-11-04 | 1996-07-23 | Asea Brown Boveri Ab | Control of power network |
CN106992549A (zh) * | 2017-05-22 | 2017-07-28 | 河南森源电气股份有限公司 | 一种独立微电网系统的容量优化配置方法及装置 |
CN109888803A (zh) * | 2019-01-28 | 2019-06-14 | 江苏理工学院 | 风光发电系统中混合储能电源容量配置的优化方法 |
CN110245794A (zh) * | 2019-06-06 | 2019-09-17 | 云南电网有限责任公司 | 考虑灵活性的多能源汇集中心火储容量双层优化方法 |
CN113394817A (zh) * | 2021-06-28 | 2021-09-14 | 国网甘肃省电力公司电力科学研究院 | 一种风光水火储系统的多能容量优化配置方法 |
-
2021
- 2021-12-13 CN CN202111518066.6A patent/CN114188961B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5539654A (en) * | 1991-11-04 | 1996-07-23 | Asea Brown Boveri Ab | Control of power network |
CN106992549A (zh) * | 2017-05-22 | 2017-07-28 | 河南森源电气股份有限公司 | 一种独立微电网系统的容量优化配置方法及装置 |
CN109888803A (zh) * | 2019-01-28 | 2019-06-14 | 江苏理工学院 | 风光发电系统中混合储能电源容量配置的优化方法 |
CN110245794A (zh) * | 2019-06-06 | 2019-09-17 | 云南电网有限责任公司 | 考虑灵活性的多能源汇集中心火储容量双层优化方法 |
CN113394817A (zh) * | 2021-06-28 | 2021-09-14 | 国网甘肃省电力公司电力科学研究院 | 一种风光水火储系统的多能容量优化配置方法 |
Non-Patent Citations (2)
Title |
---|
基于遗传算法的独立型风光互补发电容量优化;刘艳平;贾春娟;;电力系统及其自动化学报;第27卷(第10期);69-74 * |
基于风光互补的独立微网系统容量优化;李成;杨秀;何海国;汪志浩;唐伟;;电源技术;第40卷(第03期);610-614 * |
Also Published As
Publication number | Publication date |
---|---|
CN114188961A (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114188961B (zh) | 一种风光互补系统容量配置优化方法 | |
CN109325608B (zh) | 考虑储能并计及光伏随机性的分布式电源优化配置方法 | |
CN110311458B (zh) | 一种燃料电池复合电源系统及控制方法 | |
CN111276960B (zh) | 一种光-储直流微电网系统中储能模块预测控制方法 | |
CN111244988B (zh) | 考虑分布式电源的电动汽车和储能优化调度方法 | |
CN112060982B (zh) | 一种动态平衡的燃料电池无人机能量管理方法 | |
CN102214934A (zh) | 基于兆瓦级电池储能电站的风光发电出力平滑控制方法 | |
CN111327053A (zh) | 一种适用于极地气候下的多源微电网容量优化配置方法 | |
CN112380730A (zh) | 一种考虑多能耦合交互的综合能源微网优化运行方法 | |
CN115001038A (zh) | 一种基于随机规划的风光柴储容量配比优化方法 | |
CN111762057B (zh) | 一种区域微网中v2g电动汽车智能充放电管理方法 | |
CN115296321A (zh) | 一种离网式光伏制氢耦合控制系统 | |
CN116613725A (zh) | 一种光伏电站直流制氢优化配置方法 | |
CN114462889A (zh) | 一种氢-电耦合多能源跨区域优化配置方法及系统 | |
CN117153278A (zh) | 考虑多类型电解槽差异化的电热氢系统优化方法及系统 | |
CN114156920A (zh) | 一种多能互补综合能源系统中电-热储能的容量配置方法 | |
CN117601722A (zh) | 一种多堆燃料电池混合发电系统能量管理方法 | |
Xu et al. | Multi-objective optimization configuration of wind-solar coupling hydrogen production system | |
CN116845983A (zh) | 一种基于电解槽功率连续的风光制氢功率预分配方法 | |
CN116054250A (zh) | 一种储能分组的风光储耦合制氢系统调度方法 | |
CN112152257B (zh) | 一种分布式能源系统及其控制方法 | |
CN114633663A (zh) | 基于云端数据管理的集成动力电池充电管理系统 | |
CN112564147A (zh) | 离网型微电网储能容量工程计算方法 | |
Qin et al. | Optimal allocation of hydrogen-electric hybrid energy storage capacity in microgrid considering capacity degradation | |
CN117408091B (zh) | 考虑安全性风险的电-氢储能系统优化设计方法及系统 |
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 |