CN114298393A - 考虑不确定性的储能电站动态配置方法、系统及设备 - Google Patents
考虑不确定性的储能电站动态配置方法、系统及设备 Download PDFInfo
- Publication number
- CN114298393A CN114298393A CN202111592255.8A CN202111592255A CN114298393A CN 114298393 A CN114298393 A CN 114298393A CN 202111592255 A CN202111592255 A CN 202111592255A CN 114298393 A CN114298393 A CN 114298393A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power
- formula
- node
- constraint
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明的一种考虑不确定性的储能电站动态配置方法、系统及设备,方法包括S100、基于模糊机会约束规划方法构建风电出力模型,以及基于不确定度集合构建光伏出力模型;S200、采用PV曲线确定储能电站的选址定容策略;S300、考虑用户需求响应的随机性,建立基于价格的用户需求响应不确定模型;S400、基于所构建的风电出力模型、光伏出力模型、用户需求响应不确定模型、选址定容策略和电网储能方式与用户需求响应之间的对应关系,建立储能动态规划模型,并基于所述储能动态规划模型求解储能电站配置方式。本发明通过不同季节、时间段,电网运行场景更替情况,动态更新储能的配置方式,及时增减储能设备,实现储能的灵活分布,动态布局,提升系统的稳定性。
Description
技术领域
本发明涉及储能配置技术领域,具体涉及一种考虑不确定性的储能电站动态配置方法、系统及设备。
背景技术
当前,我国能源与环境危机日益严重,能源需求量显著提升与一次能源日渐枯竭的矛盾不断加深。随着世界各国能源系统逐步向清洁化、可再生化转型,清洁电能在社会用能中的占比不断提高,以风电、光伏等清洁能源发电为主的新型电力系统将逐步取代以传统化石能源发电为主的高碳排放电力系统。
新能源出力具有随机性、波动性、间歇性及弱调节能力等特点,使得电网潮流分布不均匀,大规模的风电、光伏等可再生能源的飞快发展对电网的安全稳定运行带来极大影响,主要包括:弃风弃光、调峰调频、功角与电压稳定等问题。传统电网设施已经跟不上越来越大的用户需求和高比例可再生能源渗透电网带来的调峰调频问题。
在电网侧配置储能系统是解决新能源并网的有效途径,能够显著提高风、光等可再生能源的消纳水平,支撑分布式发电和微网,是推动能源消费结构低碳化更替的重要技术。储能也是智能电网和能源互联网的重要组成部分和关键支撑技术,能够为电网运行提供调峰、调频、备用等多种辅助服务,是提升传统电力系统灵活性、经济性和安全性的重要手段。
传统储能配置方式大多采用集中式储能,方式较为单一,没有考虑用户侧响应的灵活作用,灵活性不高,新能源消纳效果不够明显。
发明内容
本发明提出的一种考虑不确定性的储能电站动态配置方法、系统及设备,可至少解决背景技术中的技术问题之一。
为实现上述目的,本发明采用了以下技术方案:
一种考虑不确定性的储能电站动态配置方法,
包括以下步骤:
S100、基于模糊机会约束规划方法构建风电出力模型,以及基于不确定度集合构建光伏出力模型;
S200、采用PV曲线确定储能电站的选址定容策略;
S300、考虑用户需求响应的随机性,建立基于价格的用户需求响应不确定模型;
S400、基于所构建的风电出力模型、光伏出力模型、用户需求响应不确定模型、选址定容策略和电网储能方式与用户需求响应之间的对应关系,建立储能动态规划模型,并基于所述储能动态规划模型求解储能电站配置方式。
进一步的,所述步骤S100具体包括,
S101、采用基于模糊机会约束规划方法构建风电出力模型,包括:包括
M[g(x,ξ)≤0]≥α (1)
式中:α为置信水平;g为约束条件集合;ξ为模糊变量;x为决策变量;M为测度函数;
模糊事件A的可信性测度表示为
M(A)=Cr(A)(2)
式中Cr为可信度,μ为模糊变量ξ的隶属度函数,sup为上界限;
在风电机组出力的预测值为确定数据时,采用模糊理论对预测误差建模,通过风电机组出力预测误差的不确定性间接描述风电机组出力的不确定性,设风电机组出力预测误差的百分数为εwind,函数表达式如下所示:
式中p'wind、pwind分别表示风电预测出力和实际出力;预测误差包括两种表现形式:若实际出力高于预测出力,则为正误差,若实际出力低于预测出力,则为负误差;
用柯西分布表示其隶属度μwind:
S102、基于不确定度集合分析光伏出力,包括:
对光伏出力的历史数据进行统计分析,选取确定的时间段,在该时间段内选定涵盖光伏出力全部场景的连续范围,以生成一定半径约束下的不确定集,如下:
式中:为光伏出力的不确定集;为光伏机组在T时段的实际出力;和分别代表光伏机组在T时段出力的最小值与最大值;T为一天划分的时段数;Λ为鲁棒因子,取值范围为[0,24],用于控制不确定集的区间范围,数值越大表示不确定度集合所涵盖的范围越大。
进一步的,所述S200、基于PV曲线对储能电站进行选址定容,具体包括:
S201、基于PV曲线对集中配置的大容量储能电站进行定容;
将储能电站依次接入简单辐射网络的不同节点,分析储能在出力方式下的节点静态电压稳定裕度,分析储能电站并网容量对系统静态电压稳定的影响机理;
S202、基于PV曲线对集中配置的大容量储能电站进行选址;
将储能电站依次接入简单辐射网络节点,分析储能在不同出力方式Pe<0,Qe=0;Pe>0,Qe=0;Pe=0,Qe>0;Pe=0,Qe<0;|Pe|>0,|Qe|>0;Pe≤0,Qe≤0下的系统风光并网容量极限,分析储能电站并网位置对系统风光消纳能力的影响机理。
进一步的,所述S300、建立基于价格的需求响应不确定模型,搭建可削减/转移/中断负荷数学模型,具体包括:
S301、考虑用户需求响应的随机性,建立需求响应不确定性模型,通过价格激励,在一定范围内控制负荷主动参与需求响应,协助消纳可再生能源;
基于价格激励的用户需求响应不确定模型,纵坐标为需求侧响应系数ρ,横坐标为激励价格x;
当激励价格为x时,负荷参与需求侧响应的上下界分别为ρup和ρdown,函数表达式如下:
将用户在激励价格为x时的响应波动记为R(x):
设用户参与需求侧响应为事件j,参与的用户数量为Nj,激励价格为xj,则参与需求响应的总容量S表示为:
设能源公司为鼓励用户参与需求响应所支出的总激励成本为Cs,其数学表达式如下所示:
S302、搭建可削减/转移/中断负荷受激励价格影响的数学模型;
将一天分为N个可削减负荷时段T,可削减负荷模型如下:
式中,ρLAr,t为t时刻负荷可削减的系数;St为t时刻用户负荷容量;PLAr,t为t时刻负荷削减功率;WLAr,T为可削减负荷在T时段的削减量;tLAr与分别为负荷削减的起始和终止时间;W LAr,T与分别为T时段负荷可削减容量的下限和上限;
可转移负荷模型如下所示:
ρLAs,t为t时刻负荷的可转移系数;PLAs,t为t时刻负荷可转移功率;tLAs与为负荷转移的起止时刻,WLAs,T为T时段负荷的可转移量;与W LAs,T分别为T时段负荷可转移容量的上下限,负荷转移时间应不少于最短持续时间Tmin;
可中断负荷模型如下所示:
PLAt,t为t时刻负荷的可中断功率;ρLAt,t为t时刻负荷的可中断系数;t LAt与为负荷中断的起止时刻;WLAt,T为T时段负荷的可中断量;与为可中断负荷中断容量的上下限,负荷中断时间不少于最短持续时间;
进一步的,所述S400具体步骤如下:
S401、储能动态配置方法;
采用集中式储能、分布式动态储能与用户侧响应相结合的配置方式,在电网侧集中配置大功率储能,同时配置分布式储能,通过价格激励控制用户参与需求响应;
S402、储能动态配置模型;
将储能为电网带来的净经济效益作为储能动态配置规划的目标函数:
式中:Fmax表示规划期内的总收益;Y表示规划期年数;y代表第y年;ir表示通货膨胀率;dr表示贴现率;Cs为用户需求响应补贴,可由式(15)计算,Fcost为规划期内储能的总成本,由式(21)计算;
式中:FC为储能设备安装费;γ为回收系数;CS为储能单位额定容量造价;Smax为不同季节接入电网储能最大总容量;OM为储能设备年运营维护成本;m表示储能配置更新的次数,且m=4*Y;第j次更新储能配置相应的运输费用为TCj;
OM=cop·Pmax (22)
式中:Pmax为四个季节中接入电网的储能最大总额定功率;cop为单位储能额定功率的年运行维护成本;
式中:P和S均为n×1维向量,分别表示第s季节电网中各节点储能的额定功率和容量配置;Psi、Ssi分别表示第s季节的节点i接入的储能额定功率和容量;当Psi与Ssi均为0时,代表节点i上没有安装储能;
式(21)中TCj代表电网运行场景或季节更替时,储能配置更新所产生的费用;
在每个节点到调度中心的最短路径已知时,第j次更新储能配置的TCj可以由式(24)表示如下:
TCj=d·|Safter(j)-Sbefore(j)|·DS (24)
式中:d表示节点1-节点n到调度中心的最短径构成的向量;Sbefore(j)Safter(j)分别表示第j次更新前、后对应季节的储能容量配置;DS表示单位距离运输单位容量的储能的费用;
储能动态配置规划模型的约束条件包括配电网运行约束和储能运行约束和需求响应约束三部分:
配电网运行约束包括节点功率平衡、线路载流和配电网节点电压约束;其中:
节点功率平衡表示为:
式中:Pij,s,h和Qij,s,h分别表示线路ij在第s季、第h小时的首端有功功率和无功功率;C表示与节点j相连线路的集合;fij,s,h为线路ij在第s季、第h小时流过电流的平方;xij和rij分别表示线路ij的电抗和电阻;pD,j,s,h和qD,j,s,h分别为节点j在第s季、第h小时的有功和无功负荷;pDG,j,s,h和qDG,j,s,h分别表示节点j在第s季、第h小时的分布式发电有功和无功出力;pE,j,s,h和qE,j,s,h分别表示节点j在第s季、第h小时储能的运行功率;
线路载流约束表示为:
节点电压约束表示为:
式中,vmin和vmax分别代表节点电压平方的下限和上限;
储能运行约束包括容量约束和荷电状态约束,其中:
容量约束表示为:
式中:Pi,E,s和Si,E,s分别表示某次配置中节点i接入储能的额定功率和额定容量;和分别为接入电网的储能装置额定总功率和总容量;ui为0/1变量,表示节点i上不接入/接入储能;PE,min、PE,max分别为能够接入电网的最小、最大储能总功率;SE,min、SE,max分别为能够接入电网的最小、最大储能总容量;
荷电状态约束表示为:
当储能处于日循环运行方式,即
SE,i,s,0=SE,i,s,24 (30)
式中,SE,i,s,0为节点i的储能设备在第s季节、第h小时的荷电状态;
式中:ch为储能设备充电效率;dis为储能设备放电效率;根据峰谷电价提前确定储能的充电或放电时刻,Hp为储能放电时段;Ho为储能充电时段;Hn为其余的时段;
以及,需考虑储能装置的充放电深度:
式中,DC为储能的允许充放电深度;
用户需求响应约束:
需求响应约束包含响应容量约束、响应系数约束和可靠度约束;
0≤ρ≤α (35)
式(33)为用户参与需求响应的容量范围约束;式(34)为可靠度约束,Prj为系统可靠度;式(35)为用户需求响应系数约束,α为园区综合能源系统需求响应系数的最大值;
储能动态配置规划模型表示为:
Max式(20);
s.t.式(25)-式(35)。
进一步的,采用CPLEX、GUROBI求解器对储能动态配置规划模型进行求解。
另一方面,本发明还公开一种考虑不确定性的储能电站动态配置系统,包括以下单元;
模型构建单元,用于基于模糊机会约束规划方法构建风电出力模型,以及基于不确定度集合构建光伏出力模型;
选址定容单元,采用PV曲线确定储能电站的选址定容策略;
用户需求响应不确定模型构建单元,用于考虑用户需求响应的随机性,建立基于价格的用户需求响应不确定模型;
储能动态规划模型构建单元,用于基于所构建的风电出力模型、光伏出力模型、用户需求响应不确定模型、选址定容策略和电网储能方式与用户需求响应之间的对应关系,建立储能动态规划模型,并基于所述储能动态规划模型求解储能电站配置方式。
进一步的,所述储能动态规划模型构建单元实现具体步骤如下,
S401、储能动态配置方法;
采用集中式储能、分布式动态储能与用户侧响应相结合的配置方式,在电网侧集中配置大功率储能,同时配置分布式储能,通过价格激励控制用户参与需求响应;
S402、储能动态配置模型及求解;
将储能为电网带来的净经济效益作为储能动态配置规划的目标函数:
式中:Fmax表示规划期内的总收益;Y表示规划期年数;y代表第y年;ir表示通货膨胀率;dr表示贴现率;Cs为用户需求响应补贴,可由式(15)计算,Fcost为规划期内储能的总成本,由式(21)计算;
式中:FC为储能设备安装费;γ为回收系数;CS为储能单位额定容量造价;Smax为不同季节接入电网储能最大总容量;OM为储能设备年运营维护成本;m表示储能配置更新的次数,且m=4*Y;第j次更新储能配置相应的运输费用为TCj;
OM=cop·Pmax (22)
式中:Pmax为四个季节中接入电网的储能最大总额定功率;cop为单位储能额定功率的年运行维护成本;
式中:P和S均为n×1维向量,分别表示第s季节电网中各节点储能的额定功率和容量配置;Psi、Ssi分别表示第s季节的节点i接入的储能额定功率和容量;当Psi与Ssi均为0时,代表节点i上没有安装储能;
式(21)中TCj代表电网运行场景或季节更替时,储能配置更新所产生的费用;
在每个节点到调度中心的最短路径已知时,第j次更新储能配置的TCj可以由式(24)表示如下:
TCj=d·|Safter(j)-Sbefore(j)|·DS (24)
式中:d表示节点1-节点n到调度中心的最短径构成的向量;Sbefore(j)、Safter(j)分别表示第j次更新前、后对应季节的储能容量配置;DS表示单位距离运输单位容量的储能的费用;
储能动态配置规划模型的约束条件包括配电网运行约束和储能运行约束和需求响应约束三部分:
配电网运行约束包括节点功率平衡、线路载流和配电网节点电压约束;其中:
节点功率平衡表示为:
式中:Pij,s,h和Qij,s,h分别表示线路ij在第s季、第h小时的首端有功功率和无功功率;C表示与节点j相连线路的集合;fij,s,h为线路ij在第s季、第h小时流过电流的平方;xij和rij分别表示线路ij的电抗和电阻;pD,j,s,h和qD,j,s,h分别为节点j在第s季、第h小时的有功和无功负荷;pDG,j,s,h和qDG,j,s,h分别表示节点j在第s季、第h小时的分布式发电有功和无功出力;pE,j,s,h和qE,j,s,h分别表示节点j在第s季、第h小时储能的运行功率;
线路载流约束表示为:
节点电压约束表示为:
式中,vmin和vmax分别代表节点电压平方的下限和上限;
储能运行约束包括容量约束和荷电状态约束,其中:
容量约束表示为:
式中:Pi,E,s和Si,E,s分别表示某次配置中节点i接入储能的额定功率和额定容量;和分别为接入电网的储能装置额定总功率和总容量;ui为0/1变量,表示节点i上不接入/接入储能;PE,min、PE,max分别为能够接入电网的最小、最大储能总功率;SE,min、SE,max分别为能够接入电网的最小、最大储能总容量;
荷电状态约束表示为:
当储能处于日循环运行方式,即
SE,i,s,0=SE,i,s,24 (30)
式中,SE,i,s,0为节点i的储能设备在第s季节、第h小时的荷电状态;
式中:ch为储能设备充电效率;dis为储能设备放电效率;根据峰谷电价提前确定储能的充电或放电时刻,Hp为储能放电时段;Ho为储能充电时段;Hn为其余的时段;
以及,需考虑储能装置的充放电深度:
式中,DC为储能的允许充放电深度;
用户需求响应约束:
需求响应约束包含响应容量约束、响应系数约束和可靠度约束;
0≤ρ≤α (35)
式(33)为用户参与需求响应的容量范围约束;式(34)为可靠度约束,Prj为系统可靠度;式(35)为用户需求响应系数约束,α为园区综合能源系统需求响应系数的最大值;
储能动态配置规划模型表示为:
Max式(20);
s.t.式(25)-式(35)。
又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上方法的步骤。
由上述技术方案可知,本发明的考虑不确定性的储能电站动态配置方法及系统,考虑可再生能源出力的不确定性,采用基于模糊机会约束规划方法描述风电出力,基于不确定度集合分析光伏出力。基于PV曲线对储能电站进行选址定容。挖掘用户主动响应的潜力,建立需求响应不确定模型,通过价格激励,在一定范围内控制用户参与需求响应,作为用户侧灵活储能,协助储能电站消纳可再生能源。采用集中式、分布式储能与用户侧响应相结合的储能配置方法,伴随负荷需求和可再生能源出力场景变化,在电网侧动态配置储能,以储能在不同场景下的接入点、容量、运行方式为决策变量,以储能为电网带来的净经济效益最大为目标函数,考虑节点功率平衡、线路载流约束、配电网节点电压约束、容量约束、荷电状态约束、需求响应约束建立储能动态规划模型并求解,有效提升电网对可再生能源的消纳能力,实现电网-新能源-储能-用户之间的实时调度,互补平衡。希望为消纳可再生能源,构建新型电力系统提供参考依据。
具体的说,与现有技术相比,本发明有益效果体现在:
传统储能配置方式大多采用集中式储能,方式较为单一,没有考虑用户侧响应的灵活作用,灵活性不高,新能源消纳效果不够明显,本发明考虑可再生能源出力的不确定性,集中配置大容量储能、同时动态配置分布式储能,同时,用户主动参与需求响应,通过不同季节,不同时间段,电网运行场景发生更替,动态更新储能的配置方式,及时增减分布式储能设备,实现储能的灵活分布,动态布局,提升系统的稳定性。充分发挥用户侧资源,通过价格激励鼓励用户参与需求响应,使用户也成为灵活储能的有效资源,极大提升了系统的灵活性,实现电网-新能源-储能-用户之间的实时调度,互补平衡,最大限度消纳可再生能源出力,为新能源并网保驾护航。
附图说明
图1是本发明的储能动态配置方法流程图;
图2为本发明实施例的基于价格激励的需求响应不确定模型;
图3为本发明实施例的储能动态配置原理示意图;
图4为本发明实施例的风光24小时出力情况;
图5为本发明实施例的夏季典型日负荷情况。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
如图1所示,本实施例所述的考虑不确定性的储能电站动态配置方法,通过计算机设备执行以下步骤,
S100、基于模糊机会约束规划方法构建风电出力模型,以及基于不确定度集合构建光伏出力模型;
S200、采用PV曲线分析储能电站的选址定容策略;
S300、建立基于价格的用户需求响应不确定模型,搭建支持削减/转移/中断负荷数学模型;
S400、基于S100所搭建的风电出力模型、光伏出力模型和S300的用户需求响应不确定模型,采用集中配置大容量储能以及灵活配置分布式储能的原则,考虑用户主动参与需求响应的情况,伴随负荷需求和可再生能源出力场景的变化,在电网侧动态配置储能,采用S200方法对集中配置的大容量储能进行选址定容,以储能在不同场景下的接入点、容量、运行方式为决策变量,建立储能动态规划模型,求解各种场景下集中式储能与分布式储能的配置情况。
以下结合具体应用具体说明:
以亳州地区某110kv线路为研究对象,假设配置1MW储能电站1座,分布式储能若干,采用夏季典型日进行分析,以1h为单位,将典型日划分为24个时段。分析夏季风光出力历史数据,拟合得到风光24小时出力情况如图4所示,夏季典型日基准电价为某区域夏季(7~9月)10kV工商业分时电价,其电价在高峰、平段和低谷时分别为1.15元/kWh、0.73元/kWh和0.45元/kWh。激励价格采用电价高峰时段补贴价格为0.3元/kWh,电价平段时补贴价格为0.2元/kWh,电价低谷时段补贴价格为0.1元/kWh的激励方案。夏季典型日负荷曲线如图5所示。
步骤1采用基于模糊机会约束规划方法描述风电出力,基于不确定度集合分析光伏出力;
步骤1.1采用基于模糊机会约束规划方法描述风电出力;
M[g(x,ξ)≤0]≥α (1)
式中:α为置信水平;g为约束条件集合;ξ为模糊变量;x为决策变量;M为测度函数。
模糊事件A的可信性测度表示为
M(A)=Cr(A)(2)
式中Cr为可信度,μ为模糊变量ξ的隶属度函数,sup为上界限。
将风电机组出力不确定问题转化为出力预测误差的不确定问题。即假设风电机组出力的预测值为确定数据,从新的角度出发,采用模糊理论对预测误差建模,通过风电机组出力预测误差的不确定性间接描述风电机组出力的不确定性,假设风电机组出力预测误差的百分数为εwind,函数表达式如下所示
式中p'wind、pwind分别表示风电预测出力和实际出力。预测误差有两种表现形式:若实际出力高于预测出力,则为正误差;若实际出力低于预测出力,则为负误差。可用柯西分布表示其隶属度μwind
步骤1.2基于不确定度集合分析光伏出力;
对光伏出力的历史数据进行统计分析,选取一个确定的时间段,在该时段内选定一个涵盖光伏出力全部场景的连续范围,从而生成一定半径约束下的不确定集;
式中:为光伏出力的不确定集;为光伏机组在T时段的实际出力;和分别代表光伏机组在T时段出力的最小值与最大值;T为一天划分的时段数,本发明以1小时为单位,将每天分解为24个时段;Λ为鲁棒因子,取值范围为[0,24],用于控制不确定集的区间范围,数值越大表示不确定度集合所涵盖的范围越大。
步骤2以简单辐射网络为例,基于PV曲线对储能电站进行选址定容,通过分析储能出力情况,确定储能电站定容选址机理;
步骤2.1基于PV曲线对集中配置的大容量储能电站定容;
将储能电站依次接入简单辐射网络的不同节点,分析储能在不同出力方式(Pe<0,Qe=0;Pe>0,Qe=0;Pe=0,Qe>0;Pe=0,Qe<0;|Pe|>0,|Qe|>0;Pe≤0,Qe≤0)下的节点静态电压稳定裕度,论证储能电站并网容量对系统静态电压稳定的影响机理。
步骤2.2基于PV曲线对集中配置的大容量储能电站选址;
将储能电站依次接入简单辐射网络节点,分析储能在不同出力方式(Pe<0,Qe=0;Pe>0,Qe=0;Pe=0,Qe>0;Pe=0,Qe<0;|Pe|>0,|Qe|>0;Pe≤0,Qe≤0)下的系统风光并网容量极限,论证储能电站并网位置对系统风光消纳能力的影响机理。
基于储能电站选址方案,针对相应风光消纳最优情况下的储能电站出力方式进行搜索,对应风光并网容量极限越大,储能电站选址方案效果越好。
步骤3挖掘用户主动响应的潜力,考虑用户需求响应的随机性,建立需求响应不确定性模型,搭建可削减/转移/中断负荷数学模型;
步骤3.1建立需求响应不确定性模型,通过价格激励,在一定范围内控制负荷主动参与需求响应;
在一定范围内,用户参与响应的随机性随激励价格的增加而减小,用户参与响应的能力随激励价格的增加而增大,反之亦然。激励价格控制了用户响应强度和不确定性两个特征量,从而决定了用户的需求响应水平。根据以上特点,提出基于价格激励的需求响应不确定模型,描述激励价格与需求响应系数之间的关系。
基于价格激励的园区综合能源系统需求响应不确定模型如图2所示,纵坐标为需求侧响应系数ρ,横坐标为激励价格x。
当激励价格为0时,用户虽然具有一定的响应空间ρ0,但是具有很强的不确定性;随着激励价格不断增加,需求响应系数增大,用户会倾向于减少负荷使用,负荷量增加的随机性降低,波动范围降低;当激励价格到达临界点B时,用户可以保证不会增加用能负荷,B点由负荷削减/转移/中断成本的最大值确定;当激励价格达到饱和点C时,用户需求响应系数最大,波动范围近似忽略,是模型的最大有效激励强度,C点由响应系数最大时的成本确定。
当激励价格为x时,负荷参与需求侧响应的上下界分别为ρup和ρdown,函数表达式如下:
将用户在激励价格为x时的响应波动记为R(x):
设用户参与需求侧响应为事件j,参与的用户数量为Nj,激励价格为xj,则参与需求响应的总容量S可表示为:
设能源公司为鼓励用户参与需求响应所支出的总激励成本为Cs,其数学表达式如下所示。
步骤3.2搭建可削减/转移/中断负荷受激励价格影响的数学模型;
从用户角度出发,将一天分为N个可削减负荷时段T,可削减负荷模型如下
式中,ρLAr,t为t时刻负荷可削减的系数;St为t时刻用户负荷容量;PLAr,t为t时刻负荷削减功率;WLAr,T为可削减负荷在T时段的削减量;t LAr与分别为负荷削减的起始和终止时间;W LAr,T与分别为T时段负荷可削减容量的下限和上限。
可转移负荷模型如下所示:
ρLAs,t为t时刻负荷的可转移系数;PLAs,t为t时刻负荷可转移功率;tLAs与为负荷转移的起止时刻,WLAs,T为T时段负荷的可转移量;与W LAs,T分别为T时段负荷可转移容量的上下限,负荷转移时间应不少于最短持续时间Tmin。
可中断负荷模型如下所示:
PLAt,t为t时刻负荷的可中断功率;ρLAt,t为t时刻负荷的可中断系数;t LAt与为负荷中断的起止时刻;WLAt,T为T时段负荷的可中断量;与W LAt,T为可中断负荷中断容量的上下限,负荷中断时间不少于最短持续时间。
步骤4基于步骤1、2、3所搭建的模型基础,采用集中式、分布式储能与用户侧响应相结合的储能配置方法,伴随负荷需求和可再生能源出力场景变化,在电网侧动态配置储能,以储能在不同场景下的接入点、容量、运行方式为决策变量,建立储能动态规划模型并求解;
步骤4.1储能动态配置方法;
如图3所示,采用集中式储能、分布式动态储能与用户侧响应相结合的配置方式,在电网侧集中配置大功率储能,同时灵活配置分布式储能,通过价格激励控制用户参与需求响应,多措并举消纳可再生能源。
分布式储能可以利用高能量密度电池储能,其具备体积小,便于运输及安装的优势,如4MW/24MWh微电网硫酸钠电池,结构模块化,易于扩展及拆卸,可实现储能在电网中简便、灵活的移动布置。不同季节,不同时间段,电网运行场景发生更替,储能的配置方式需要随之变化,调度中心实时监测,及时增减每个节点上的储能设备,相应地从调度中心运出需要增加的储能设备,或将节点上多余的储能设备运回调度中心,实现储能的灵活分布,动态布局,提升系统的稳定性。
用户通过调度中心的价格激励主动参与需求响应,在负荷高峰时段通过价格补贴鼓励用户减少电能使用;在可再生能源并网时段,通过价格激励,鼓励用户优先消纳可再生能源产出的电能,削峰填谷,缓解弃风弃光现象;需求响应也作为用户侧的一种灵活储能形式得到合理应用。
调度中心实时监测电网数据,根据不同季节不同时段设置储能出力场景,根据出力场景对分布式储能进行灵活调动,同时通过价格激励控制用户在一定范围内参与下需求响应,使电网-可再生能源-储能-用户之间实时互补,高效融合,最大限度消纳可再生能源出力,为新能源并网保驾护航。
步骤4.2储能动态配置模型;
将储能为电网带来的净经济效益作为储能动态配置规划的目标函数
式中:Fmax表示规划期内的总收益;Y表示规划期年数;y代表第y年;ir表示通货膨胀率;dr表示贴现率;Cs为用户需求响应补贴,可由式(15)计算,Fcost为规划期内储能的总成本,可由式(21)计算。
式中:FC为储能设备安装费;γ为回收系数;CS为储能单位额定容量造价;Smax为不同季节接入电网储能最大总容量;OM为储能设备年运营维护成本;m表示储能配置更新的次数,且m=4*Y;第j次更新储能配置相应的运输费用为TCj。
OM=cop·Pmax (22)
式中:Pmax为四个季节中接入电网的储能最大总额定功率;cop为单位储能额定功率的年运行维护成本。
式中:P和S均为n×1维向量,分别表示第s季节电网中各节点储能的额定功率和容量配置;Psi、Ssi分别表示第s季节的节点i接入的储能额定功率和容量;当Psi与Ssi均为0时,代表节点i上没有安装储能。
式(21)中TCj代表电网运行场景或季节更替时,储能配置更新所产生的费用。每次场景更换时,从调度中心运出储能设备到需要增加储能的节点,将某些节点需要减少的储能运回调度中心,该过程产生的运输费用与路程公里数以及储能重量体积有关。假设每个节点到调度中心的最短路径已知,第j次更新储能配置的TCj可以由式(24)表示。
TCj=d·|Safter(j)-Sbefore(j)|·DS (24)
式中:d表示节点1-节点n到调度中心的最短径构成的向量;Sbefore(j)、Safter(j)分别表示第j次更新前、后对应季节的储能容量配置;DS表示单位距离运输单位容量的储能的费用。
储能动态配置规划模型的约束条件包括配电网运行约束和储能运行约束和需求响应约束三部分。
配电网运行约束包括节点功率平衡、线路载流和配电网节点电压约束;
1)节点功率平衡:
式中:Pij,s,h和Qij,s,h分别表示线路ij在第s季、第h小时的首端有功功率和无功功率;C表示与节点j相连线路的集合;fij,s,h为线路ij在第s季、第h小时流过电流的平方;xij和rij分别表示线路ij的电抗和电阻;pD,j,s,h和qD,j,s,h分别为节点j在第s季、第h小时的有功和无功负荷;pDG,j,s,h和qDG,j,s,h分别表示节点j在第s季、第h小时的分布式发电有功和无功出力;pE,j,s,h和qE,j,s,h分别表示节点j在第s季、第h小时储能的运行功率。
2)线路载流约束:
3)节点电压约束:
式中,vmin和vmax分别代表节点电压平方的下限和上限。
储能运行约束包括容量约束和荷电状态约束,其中:
1)容量约束
式中:Pi,E,s和Si,E,s分别表示某次配置中节点i接入储能的额定功率和额定容量;和分别为接入电网的储能装置额定总功率和总容量;ui为0/1变量,表示节点i上不接入/接入储能;PE,min、PE,max分别为能够接入电网的最小、最大储能总功率;SE,min、SE,max分别为能够接入电网的最小、最大储能总容量。
2)荷电状态约束
假设储能处于日循环运行方式,即
SE,i,s,0=SE,i,s,24 (30)
式中,SE,i,s,0为节点i的储能设备在第s季节、第h小时的荷电状态。
式中:ch为储能设备充电效率;dis为储能设备放电效率;根据峰谷电价提前确定储能的充电或放电时刻,Hp为储能放电时段;Ho为储能充电时段;Hn为其余的时段。
同时,需考虑储能装置的充放电深度:
式中,DC为储能的允许充放电深度。
用户需求响应约束:
需求响应约束包含响应容量约束、响应系数约束和可靠度约束。
0≤ρ≤α (35)
式(33)为用户参与需求响应的容量范围约束;式(34)为可靠度约束,Prj为系统可靠度;式(35)为用户需求响应系数约束,α为园区综合能源系统需求响应系数的最大值。
步骤4.3规划模型求解;
综上所述,储能动态配置规划模型可表示为
Max式(20)
s.t.式(25)-式(35)
上述模型属于混合整数二阶锥规划,可用CPLEX、GUROBI等求解器有效求解。本发明在Matlab平台上,借助YALMIP工具包编写相关程序,并调用GUROBI求解器对模型进行求解。
将传统集中式储能与本发明的动态储能方法进行对比,对比储能净收益和可再生能源消纳量两个指标,结果如表1所示。
表1:集中式储能与动态储能结果对比
方法 | 净收益(万元) | 可再生能源消纳量(kW) |
集中储能 | 30 | 1048 |
动态储能 | 16 | 1480 |
动态储能在集中储能的基础上需要另外考虑分布式储能调度费用,需求响应补贴,成本较高,净收益低于集中式储能。但是动态储能的可再生能源消纳量远高于集中储能,能够有效缓解可再生能源并网带来的冲击,极大提升了电网的稳定性,能够有效促进新型电力系统的发展,大力促进电网转型升级,为提升可再生能源消纳能力而牺牲部分收益也是值得的。
综上所述,本发明考虑可再生能源出力的不确定性,采用基于模糊机会约束规划方法描述风电出力,基于不确定度集合分析光伏出力。基于PV曲线对储能电站进行选址定容。挖掘用户主动响应的潜力,建立需求响应不确定模型,通过价格激励,在一定范围内控制用户参与需求响应,作为用户侧灵活储能,协助储能电站消纳可再生能源。采用集中式、分布式储能与用户侧响应相结合的储能配置方法,伴随负荷需求和可再生能源出力场景变化,在电网侧动态配置储能,以储能在不同场景下的接入点、容量、运行方式为决策变量,以储能为电网带来的净经济效益最大为目标函数,考虑节点功率平衡、线路载流约束、配电网节点电压约束、容量约束、荷电状态约束、需求响应约束建立储能动态规划模型,在Matlab平台上,借助YALMIP工具包编写相关程序,并调用GUROBI求解器对模型进行求解,有效提升电网对可再生能源的消纳能力,实现电网-新能源-储能-用户之间的实时调度,互补平衡。
另一方面,本发明还公开一种考虑不确定性的储能电站动态调度系统,包括以下单元:
模型构建单元,基于模糊机会约束规划方法构建风电出力模型,以及基于不确定度集合构建光伏出力模型;
选址定容单元,采用PV曲线确定储能电站的选址定容策略;
负荷数学模型构建单元,考虑用户需求响应的随机性,建立基于价格的用户需求响应不确定模型;
储能动态规划模型构建单元,基于所构建的风电出力模型、光伏出力模型、用户需求响应不确定模型、选址定容策略和电网储能方式与用户需求响应之间的对应关系,建立储能动态规划模型,并基于所述储能动态规划模型求解储能电站配置方式。
总的来说,本系统采用集中式、分布式储能与用户侧响应相结合的储能配置方法,伴随负荷需求和可再生能源出力场景变化,在电网侧动态配置储能,以储能在不同场景下的接入点、容量、运行方式为决策变量,以储能为电网带来的净经济效益最大为目标函数,考虑节点功率平衡、线路载流约束、配电网节点电压约束、容量约束、荷电状态约束、需求响应约束建立储能动态规划模型,在Matlab平台上,借助YALMIP工具包编写相关程序,并调用GUROBI求解器对模型进行求解。
又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述的考虑不确定性的储能电站动态配置方法的步骤。
再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述的考虑不确定性的储能电站动态配置方法的步骤。
可理解的是,本发明实施例提供的系统与本发明实施例提供的方法相对应,相关内容的解释、举例和有益效果可以参考上述的考虑不确定性的储能电站动态配置方法中的相应部分。
本申请实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述考虑不确定性的储能电站动态配置方法。
上述电子设备提到的通信总线可以是外设部件互连标准(英文:PeripheralComponent Interconnect,简称:PCI)总线或扩展工业标准结构(英文:Extended IndustryStandardArchitecture,简称:EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(英文:RandomAccess Memory,简称:RAM),也可以包括非易失性存储器(英文:Non-Volatile Memory,简称:NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(英文:Central ProcessingUnit,简称:CPU)、网络处理器(英文:Network Processor,简称:NP)等;还可以是数字信号处理器(英文:Digital Signal Processing,简称:DSP)、专用集成电路(英文:ApplicationSpecific Integrated Circuit,简称:ASIC)、现场可编程门阵列(英文:Field-Programmable GateArray,简称:FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一考虑不确定性的储能电站动态配置方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一考虑不确定性的储能电站动态配置方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本发明中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种考虑不确定性的储能电站动态配置方法,其特征在于,包括以下步骤:
S100、基于模糊机会约束规划方法构建风电出力模型,以及基于不确定度集合构建光伏出力模型;
S200、采用PV曲线确定储能电站的选址定容策略;
S300、考虑用户需求响应的随机性,建立基于价格的用户需求响应不确定模型;
S400、基于所构建的风电出力模型、光伏出力模型、用户需求响应不确定模型、选址定容策略和电网储能方式与用户需求响应之间的对应关系,建立储能动态规划模型,并基于所述储能动态规划模型求解储能电站配置方式。
2.根据权利要求1所述的考虑不确定性的储能电站动态配置方法,其特征在于:所述步骤S100具体包括S101和S102,其中:
S101、采用基于模糊机会约束规划方法建立描述风电出力不确定性的模型,包括:
M[g(x,ξ)≤0]≥α (1)
式中:α为置信水平;g为约束条件集合;ξ为模糊变量;x为决策变量;M为测度函数;
模糊事件A的可信性测度表示为:
M(A)=Cr(A) (2)
式中Cr为可信度,μ为模糊变量ξ的隶属度函数,sup为上界限;
在风电机组出力的预测值为确定数据时,采用模糊理论对预测误差建模,通过风电机组出力预测误差的不确定性描述风电机组出力的不确定性,设风电机组出力预测误差的百分数为εwind,函数表达式如下所示:
式中p'wind、pwind分别表示风电预测出力和实际出力;预测误差包括两种表现形式:若实际出力高于预测出力,则为正误差,若实际出力低于预测出力,则为负误差;
用柯西分布表示其隶属度μwind:
S102、基于不确定度集合建立描述光伏出力的不确定性模型,包括:
对光伏出力的历史数据进行统计分析,选取确定的时间段,在该时间段内选定涵盖光伏出力全部场景的连续范围,以生成一定半径约束下的不确定集,如下:
3.根据权利要求1所述的考虑不确定性的储能电站动态配置方法,其特征在于:所述S200、基于PV曲线确定储能电站的选址定容策略,具体包括S201和S202,其中:
S201、基于PV曲线对集中配置的大容量储能电站进行定容,包括:
将储能电站依次接入简单辐射网络的不同节点,分析储能在出力方式下的节点静态电压稳定裕度,分析储能电站并网容量对系统静态电压稳定的影响机理;
S202、基于PV曲线对集中配置的大容量储能电站进行选址,包括:
将储能电站依次接入简单辐射网络节点,分析储能在不同出力方式下的系统风光并网容量极限,分析储能电站并网位置对系统风光消纳能力的影响机理。
4.根据权利要求1所述的考虑不确定性的储能电站动态配置方法,其特征在于:所述S300、根据用户响应特性,建立基于价格的需求响应不确定模型,具体包括S301和S302,其中:
S301、考虑用户需求响应的随机性,建立需求响应不确定性模型,通过价格激励,在一定范围内控制负荷主动参与需求响应,以基于价格激励确定用户需求响应不确定模型,其中,纵坐标为需求侧响应系数ρ,横坐标为激励价格x;
当激励价格为x时,负荷参与需求侧响应的上下界分别为ρup和ρdown,函数表达式如下:
将用户在激励价格为x时的响应波动记为R(x):
设用户参与需求侧响应为事件j,参与的用户数量为Nj,激励价格为xj,则参与需求响应的总容量S表示为:
设能源公司为鼓励用户参与需求响应所支出的总激励成本为Cs,其数学表达式如下所示:
S302、搭建可削减/转移/中断负荷受激励价格影响的数学模型;
将一天分为N个可削减负荷时段T,可削减负荷模型如下:
式中,ρLAr,t为t时刻负荷可削减的系数;St为t时刻用户负荷容量;PLAr,t为t时刻负荷削减功率;WLAr,T为可削减负荷在T时段的削减量;t LAr与分别为负荷削减的起始和终止时间;W LAr,T与分别为T时段负荷可削减容量的下限和上限;
可转移负荷模型如下所示:
ρLAs,t为t时刻负荷的可转移系数;PLAs,t为t时刻负荷可转移功率;t LAs与为负荷转移的起止时刻,WLAs,T为T时段负荷的可转移量;与W LAs,T分别为T时段负荷可转移容量的上下限,负荷转移时间应不少于最短持续时间Tmin;
可中断负荷模型如下所示:
PLAt,t为t时刻负荷的可中断功率;ρLAt,t为t时刻负荷的可中断系数;t LAt与为负荷中断的起止时刻;WLAt,T为T时段负荷的可中断量;与W LAt,T为可中断负荷中断容量的上下限,负荷中断时间不少于最短持续时间;
5.根据权利要求4所述的考虑不确定性的储能电站动态配置方法,其特征在于:所述S400具体步骤如下:
S401、储能动态配置方法;
采用集中式储能、分布式动态储能与用户侧响应相结合的配置方式,在电网侧集中配置大功率储能,同时配置分布式储能,通过价格激励控制用户参与需求响应;
S402、储能动态配置模型;
将储能为电网带来的净经济效益作为储能动态配置规划的目标函数:
式中:Fmax表示规划期内的总收益;Y表示规划期年数;y代表第y年;ir表示通货膨胀率;dr表示贴现率;Cs为用户需求响应补贴,可由式(15)计算,Fcost为规划期内储能的总成本,由式(21)计算;
式中:FC为储能设备安装费;γ为回收系数;CS为储能单位额定容量造价;Smax为不同季节接入电网储能最大总容量;OM为储能设备年运营维护成本;m表示储能配置更新的次数,且m=4*Y;第j次更新储能配置相应的运输费用为TCj;
OM=cop·Pmax (22)
式中:Pmax为四个季节中接入电网的储能最大总额定功率;cop为单位储能额定功率的年运行维护成本;
P=[P1,P2,P3,…,Pn-1,Pn]T
S=[S1,S2,S3,…Sn-1,Sn]T (23)
式中:P和S均为n×1维向量,分别表示第s季节电网中各节点储能的额定功率和容量配置;Psi、Ssi分别表示第s季节的节点i接入的储能额定功率和容量;当Psi与Ssi均为0时,代表节点i上没有安装储能;
式(21)中TCj代表电网运行场景或季节更替时,储能配置更新所产生的费用;
在每个节点到调度中心的最短路径已知时,第j次更新储能配置的TCj可以由式(24)表示如下:
TCj=d·|Safter(j)-Sbefore(j)|·DS (24)
式中:d表示节点1-节点n到调度中心的最短径构成的向量;Sbefore(j)、Safter(j)分别表示第j次更新前、后对应季节的储能容量配置;DS表示单位距离运输单位容量的储能的费用;
储能动态配置规划模型的约束条件包括配电网运行约束和储能运行约束和需求响应约束三部分:
配电网运行约束包括节点功率平衡、线路载流和配电网节点电压约束;其中:
节点功率平衡表示为:
式中:Pij,s,h和Qij,s,h分别表示线路ij在第s季、第h小时的首端有功功率和无功功率;C表示与节点j相连线路的集合;fij,s,h为线路ij在第s季、第h小时流过电流的平方;xij和rij分别表示线路ij的电抗和电阻;pD,j,s,h和qD,j,s,h分别为节点j在第s季、第h小时的有功和无功负荷;pDG,j,s,h和qDG,j,s,h分别表示节点j在第s季、第h小时的分布式发电有功和无功出力;pE,j,s,h和qE,j,s,h分别表示节点j在第s季、第h小时储能的运行功率;
线路载流约束表示为:
节点电压约束表示为:
vmin≤vi,s,h≤vmax
式中,vmin和vmax分别代表节点电压平方的下限和上限;
储能运行约束包括容量约束和荷电状态约束,其中:
容量约束表示为:
μi·Pi,E,min≤Pi,E,s≤μi·Pi,E,max
μi·Si,E,min≤Si,E,s≤μi·Si,E,max
式中:Pi,E,s和Si,E,s分别表示某次配置中节点i接入储能的额定功率和额定容量;和分别为接入电网的储能装置额定总功率和总容量;ui为0/1变量,表示节点i上不接入/接入储能;PE,min、PE,max分别为能够接入电网的最小、最大储能总功率;SE,min、SE,max分别为能够接入电网的最小、最大储能总容量;
荷电状态约束表示为:
当储能处于日循环运行方式,即
SE,i,s,0=SE,i,s,24 (30)
式中,SE,i,s,0为节点i的储能设备在第s季节、第h小时的荷电状态;
(pE,i,s,h)2+(qE,i,s,h)2≤(PE,s,i)2
sE,i,s,h+βchpE,i,s,h+1=sE,i,s,h+1,h∈Ho
式中:ch为储能设备充电效率;dis为储能设备放电效率;根据峰谷电价提前确定储能的充电或放电时刻,Hp为储能放电时段;Ho为储能充电时段;Hn为其余的时段;
以及,需考虑储能装置的充放电深度:
式中,DC为储能的允许充放电深度;
用户需求响应约束:
需求响应约束包含响应容量约束、响应系数约束和可靠度约束;
0≤ρ≤α (35)
式(33)为用户参与需求响应的容量范围约束;式(34)为可靠度约束,Prj为系统可靠度;式(35)为用户需求响应系数约束,α为园区综合能源系统需求响应系数的最大值;
储能动态配置规划模型表示为:
Max式(20);s.t.式(25)-式(35)。
6.根据权利要求1所述的考虑不确定性的储能电站动态配置方法,其特征在于:采用CPLEX、GUROBI求解器对储能动态配置规划模型进行求解。
7.一种考虑不确定性的储能电站动态配置系统,其特征在于:包括以下单元;
模型构建单元,用于基于模糊机会约束规划方法构建风电出力模型,以及基于不确定度集合构建光伏出力模型;
选址定容单元,采用PV曲线确定储能电站的选址定容策略;
用户需求响应不确定模型构建单元,用于考虑用户需求响应的随机性,建立基于价格的用户需求响应不确定模型;
储能动态规划模型构建单元,用于基于所构建的风电出力模型、光伏出力模型、用户需求响应不确定模型、选址定容策略和电网储能方式与用户需求响应之间的对应关系,建立储能动态规划模型,并基于所述储能动态规划模型求解储能电站配置方式。
8.根据权利要求7所述的一种考虑不确定性的储能电站动态配置系统,其特征在于:
所述储能动态规划模型构建单元实现具体步骤如下,
S401、储能动态配置方法;
采用集中式储能、分布式动态储能与用户侧响应相结合的配置方式,在电网侧集中配置大功率储能,同时配置分布式储能,通过价格激励控制用户参与需求响应;
S402、储能动态配置模型;
将储能为电网带来的净经济效益作为储能动态配置规划的目标函数:
式中:Fmax表示规划期内的总收益;Y表示规划期年数;y代表第y年;ir表示通货膨胀率;dr表示贴现率;Cs为用户需求响应补贴,可由式(15)计算,Fcost为规划期内储能的总成本,由式(21)计算;
式中:FC为储能设备安装费;γ为回收系数;CS为储能单位额定容量造价;Smax为不同季节接入电网储能最大总容量;OM为储能设备年运营维护成本;m表示储能配置更新的次数,且m=4*Y;第j次更新储能配置相应的运输费用为TCj;
OM=cop·Pmax (22)
式中:Pmax为四个季节中接入电网的储能最大总额定功率;cop为单位储能额定功率的年运行维护成本;
P=[P1,P2,P3,…,Pn-1,Pn]T
S=[S1,S2,S3,…,Sn-1,Sn]T (23)
式中:P和S均为n×1维向量,分别表示第s季节电网中各节点储能的额定功率和容量配置;Psi、Ssi分别表示第s季节的节点i接入的储能额定功率和容量;当Psi与Ssi均为0时,代表节点i上没有安装储能;
式(21)中TCj代表电网运行场景或季节更替时,储能配置更新所产生的费用;
在每个节点到调度中心的最短路径已知时,第j次更新储能配置的TCj可以由式(24)表示如下:
TCj=d·|Safter(j)-Sbefore(j)|·DS (24)
式中:d表示节点1-节点n到调度中心的最短径构成的向量;Sbefore(j)、Safter(j)分别表示第j次更新前、后对应季节的储能容量配置;DS表示单位距离运输单位容量的储能的费用;
储能动态配置规划模型的约束条件包括配电网运行约束和储能运行约束和需求响应约束三部分:
配电网运行约束包括节点功率平衡、线路载流和配电网节点电压约束;其中:
节点功率平衡表示为:
式中:Pij,s,h和Qij,s,h分别表示线路ij在第s季、第h小时的首端有功功率和无功功率;C表示与节点j相连线路的集合;fij,s,h为线路ij在第s季、第h小时流过电流的平方;xij和rij分别表示线路ij的电抗和电阻;pD,j,s,h和qD,j,s,h分别为节点j在第s季、第h小时的有功和无功负荷;pDG,j,s,h和qDG,j,s,h分别表示节点j在第s季、第h小时的分布式发电有功和无功出力;pE,j,s,h和qE,j,s,h分别表示节点j在第s季、第h小时储能的运行功率;
线路载流约束表示为:
节点电压约束表示为:
vmin≤vi,s,h≤vmax
式中,vmin和vmax分别代表节点电压平方的下限和上限;
储能运行约束包括容量约束和荷电状态约束,其中:
容量约束表示为:
μi·Pi,E,min≤Pi,E,s≤μi·Pi,E,max
μi·Si,E,min≤Si,E,s≤μi·Si,E,max
式中:Pi,E,s和Si,E,s分别表示某次配置中节点i接入储能的额定功率和额定容量;和分别为接入电网的储能装置额定总功率和总容量;ui为0/1变量,表示节点i上不接入/接入储能;PE,min、PE,max分别为能够接入电网的最小、最大储能总功率;SE,min、SE,max分别为能够接入电网的最小、最大储能总容量;
荷电状态约束表示为:
当储能处于日循环运行方式,即
SE,i,s,0=SE,i,s,24 (30)
式中,SE,i,s,0为节点i的储能设备在第s季节、第h小时的荷电状态;
(pE,i,s,h)2+(qE,i,s,h)2≤(PE,s,i)2
sE,i,s,h+βchpE,i,s,h+1=sE,i,s,h+1,h∈Ho
式中:ch为储能设备充电效率;dis为储能设备放电效率;根据峰谷电价提前确定储能的充电或放电时刻,Hp为储能放电时段;Ho为储能充电时段;Hn为其余的时段;
以及,需考虑储能装置的充放电深度:
式中,DC为储能的允许充放电深度;
用户需求响应约束:
需求响应约束包含响应容量约束、响应系数约束和可靠度约束;
0≤ρ≤α (35)
式(33)为用户参与需求响应的容量范围约束;式(34)为可靠度约束,Prj为系统可靠度;式(35)为用户需求响应系数约束,α为园区综合能源系统需求响应系数的最大值;
储能动态配置规划模型表示为:
Max式(20);s.t.式(25)-式(35)。
9.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
10.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111592255.8A CN114298393A (zh) | 2021-12-23 | 2021-12-23 | 考虑不确定性的储能电站动态配置方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111592255.8A CN114298393A (zh) | 2021-12-23 | 2021-12-23 | 考虑不确定性的储能电站动态配置方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298393A true CN114298393A (zh) | 2022-04-08 |
Family
ID=80970390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111592255.8A Pending CN114298393A (zh) | 2021-12-23 | 2021-12-23 | 考虑不确定性的储能电站动态配置方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298393A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115423388A (zh) * | 2022-11-04 | 2022-12-02 | 国网浙江省电力有限公司金华供电公司 | 一种电网侧独立储能站容量动态分配方法 |
CN115882523A (zh) * | 2023-02-08 | 2023-03-31 | 四川大学 | 含分布式储能的电力系统优化运行方法、系统及设备 |
-
2021
- 2021-12-23 CN CN202111592255.8A patent/CN114298393A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115423388A (zh) * | 2022-11-04 | 2022-12-02 | 国网浙江省电力有限公司金华供电公司 | 一种电网侧独立储能站容量动态分配方法 |
CN115882523A (zh) * | 2023-02-08 | 2023-03-31 | 四川大学 | 含分布式储能的电力系统优化运行方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Robust model of electric vehicle charging station location considering renewable energy and storage equipment | |
Zhang et al. | Voltage regulation-oriented co-planning of distributed generation and battery storage in active distribution networks | |
Deeba et al. | Evaluation of technical and financial benefits of battery‐based energy storage systems in distribution networks | |
He et al. | A bi-layer optimization based temporal and spatial scheduling for large-scale electric vehicles | |
Abdolahi et al. | Probabilistic multi-objective arbitrage of dispersed energy storage systems for optimal congestion management of active distribution networks including solar/wind/CHP hybrid energy system | |
Ju et al. | A Tri-dimensional Equilibrium-based stochastic optimal dispatching model for a novel virtual power plant incorporating carbon Capture, Power-to-Gas and electric vehicle aggregator | |
CN114298393A (zh) | 考虑不确定性的储能电站动态配置方法、系统及设备 | |
Ma et al. | Decentralized and coordinated scheduling model of interconnected multi-microgrid based on virtual energy storage | |
Wang et al. | Robust multi-objective optimization for energy production scheduling in microgrids | |
CN107482679B (zh) | 考虑储能系统充放电次数的主动配电网日前优化调度方法 | |
CN112564102B (zh) | 多微网负荷优化调度方法和系统 | |
Huanna et al. | Flexible‐regulation resources planning for distribution networks with a high penetration of renewable energy | |
CN110956324A (zh) | 基于改进的moea/d的主动配电网日前高维目标优化调度方法 | |
Jiao et al. | An optimization model and modified harmony search algorithm for microgrid planning with ESS | |
Shen et al. | Multi-timescale rolling optimization dispatch method for integrated energy system with hybrid energy storage system | |
Zhao et al. | Day-ahead robust optimal dispatch of integrated energy station considering battery exchange service | |
Wen et al. | Stochastic optimization for security-constrained day-ahead operational planning under pv production uncertainties: Reduction analysis of operating economic costs and carbon emissions | |
Wu et al. | An Optimal Charging Strategy for PV‐Based Battery Swapping Stations in a DC Distribution System | |
Alobaidi et al. | Stochastic expansion planning of battery energy storage for the interconnected distribution and data networks | |
Yu et al. | Improved triangle splitting based bi-objective optimization for community integrated energy systems with correlated uncertainties | |
CN108448628A (zh) | 交直流混合系统中优化配置分布式可再生能源方法及系统 | |
Song et al. | Planning shared energy storage systems for the spatio-temporal coordination of multi-site renewable energy sources on the power generation side | |
Yin et al. | Collaborative decision-making model for capacity allocation of photovoltaics energy storage system under Energy Internet in China | |
Wei et al. | Coupled dispatching of regional integrated energy system under an electric-traffic environment considering user equilibrium theory | |
Song et al. | Multi-objective battery energy storage optimization for virtual power plant applications |
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 |