CN114301089A - 一种风光联合发电系统储能容量配置优化方法 - Google Patents
一种风光联合发电系统储能容量配置优化方法 Download PDFInfo
- Publication number
- CN114301089A CN114301089A CN202111550568.7A CN202111550568A CN114301089A CN 114301089 A CN114301089 A CN 114301089A CN 202111550568 A CN202111550568 A CN 202111550568A CN 114301089 A CN114301089 A CN 114301089A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power
- storage system
- wind
- storage capacity
- 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.)
- Granted
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 308
- 238000005457 optimization Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010248 power generation Methods 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 claims abstract description 67
- 230000006870 function Effects 0.000 claims abstract description 24
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 230000036541 health Effects 0.000 claims description 20
- 230000005611 electricity Effects 0.000 claims description 18
- 238000007599 discharging Methods 0.000 claims description 17
- 238000012423 maintenance Methods 0.000 claims description 15
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 14
- 229910052799 carbon Inorganic materials 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 9
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000005622 photoelectricity Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 210000000352 storage cell Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 abstract description 5
- 239000010410 layer Substances 0.000 description 67
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/20—Climate change mitigation technologies for sector-wide applications using renewable energy
-
- 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
-
- 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
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种风光联合发电系统储能容量配置优化方法,首先获取目标区域的历史样本数据,再基于历史样本数据利用生成对抗网络无监督学习历史样本数据的特征并生成新样本数据,接着根据新样本数据建立储能容量配置优化模型,并基于建立的储能容量配置优化模型,再通过内层模型求得源储系统的最大净利润,随后内层模型通过优化储能充放电功率以源储系统的最大净利润为目标函数并得到储能系统充放电曲线;本发明能够根据历史数据生成对抗网络对风光出力采样数据进行扩充,并在此基础上进行生产模拟,且兼顾技术特性和经济特性,还实现了储能容量的优化配置,能够有效的辅助电网企业经济和配置储能资源,降低了成本费用。
Description
技术领域
本发明涉及电力系统技术领域,具体涉及一种风光联合发电系统储能容量配置优化方法。
背景技术
随着社会工业的不断发展,全球经济快速增长,世界各国对能源的需求量越来越大,风能、太阳能作为可持续的清洁能源,被开发利用得越来越多,但其输出功率波动问题给可再生能源并网的安全稳定运行带来了巨大威胁。
目前,通过配置储能系统来降低出力波动并且有效提高出力稳定性是一种行之有效的方法,但不同容量的储能系统对于风电的功率波动消纳能力有所不同,这对于系统运行的经济性有一定影响;如何通过合理的配置策略对间歇性较大的可再生能源发电进行配置调控以满足负荷需求,并使风光发电输出功率波动得到平抑也有待进一步进行研究;当前对于储能容量的优化配置尚未形成统一的方法,且在模型设定上多以单一层的目标函数求解为主,并不符合实际应用,也不具有实际可行性;因此,需要设计一种风光联合发电系统储能容量配置优化方法。
发明内容
本发明的目的是克服现有技术的不足,为更好的有效解决背景技术中的问题,提供了一种风光联合发电系统储能容量配置优化方法,其能够根据历史数据生成对抗网络对风光出力采样数据进行扩充,并在此基础上进行生产模拟,且兼顾技术特性和经济特性,还实现了储能容量的优化配置,能够有效的辅助电网企业经济和配置储能资源,降低了成本费用。
为了达到上述目的,本发明所采用的技术方案是:
一种风光联合发电系统储能容量配置优化方法,包括以下步骤,
步骤(A),获取目标区域的历史样本数据;
步骤(B),基于历史样本数据,利用生成对抗网络无监督学习历史样本数据的特征并生成新样本数据;
步骤(C),根据新样本数据建立储能容量配置优化模型;
步骤(D),基于建立的储能容量配置优化模型,再通过内层模型求得源储系统的最大净利润;
步骤(E),内层模型通过优化储能充放电功率以源储系统的最大净利润为目标函数并得到储能系统充放电曲线,再得到投资回报率;
步骤(F),基于内层模型优化的储能系统充放电曲线,评估决策变量下储能功率和容量的储能系统寿命年限,并得到最大投资回报率下配置的储能容量;
步骤(G),建立基于三层决策部署的储能容量配置模型;
步骤(H),根据储能容量配置模型计算得到多时段储能系统功率容量,完成对系统储能容量配置的优化。
前述的一种风光联合发电系统储能容量配置优化方法,步骤(A),获取目标区域的历史样本数据,其中历史样本数据包括风光出力数据、负荷功率和风光装机容量。
前述的一种风光联合发电系统储能容量配置优化方法,步骤(B),基于历史样本数据,利用生产对抗网络无监督学习历史样本数据的特征并生成新样本数据,其中利用生成对抗网络无监督学习历史样本数据的特征的生成过程是利用GAN,且GAN是由一个生成器和一个判别器构成,而生成器和判别器是结构对称的卷积神经网络;新样本数据包括光伏装机容量、风电装机容量、最大负荷、联络线最大功率限制和反送电功率限制。
前述的一种风光联合发电系统储能容量配置优化方法,步骤(C),根据风光出力信息建立储能容量配置优化模型,其中建立的过程中储能装置电池的健康状态具有影响,如公式(1)所示,
其中,NPV表示源储系统净利润,i0为预期的收益率,Ij(n)表示第n年源储系统的第j项收益,Ck(n)表示第n年源储系统的第k项成本。
前述的一种风光联合发电系统储能容量配置优化方法,步骤(D),基于建立的储能容量配置优化模型,再通过内层模型求得源储系统的最大净利润,其中储能容量配置优化模型即内层模型,而源储系统的收益项目包括储能系统低储高放运行利润、储能系统运营补贴、储能系统售电利润、延缓联络线升级改造带来的利润和碳减排利润,且源储系统的成本项目包括一次性投资成本、运维成本、电池更换成本和惩罚成本,求得源储系统的最大净利润具体步骤如下,
步骤(D1),求得储能系统低储高放运行利润,根据风光联合系统的功率输出状态、负荷功率需求和电网分时电价,再配置储能系统后从时间上对风电、光电和负荷进行调节,因此根据分时电价降低系统电费成本的储能系统低储高放运行利润如公式(2)所示,
其中,Nday表示年计数天数,ρ1(t)表示t时刻峰谷分时电价,PLoad(t)表示未配置储能容量时系统的负荷功率需求,P'Load(t)表示配置储能容量后系统的负荷功率需求;
步骤(D2),求得储能系统运营补贴,根据国家出台的补贴政策,储能系统运营补贴如公式(3)所示,
其中,ρc表示储能补贴标准,Pc(t)表示储能系统放电功率;为鼓励各类市场主体投资建设和运营参与新能源调峰的储能系统,充分发挥储能对新能源消纳外送的支持能力,国家出台了补贴政策,推动储能产业发展;
步骤(D3),求得储能系统售电利润,当风光联合系统配置储能后能将风光联合系统多余的电量售给电网,并参考燃煤机组标杆上网电价,这样计算源储系统售电利润如公式(4)所示,
其中,ρ2表示标杆上网电价,Pg(t)表示源储系统与电网的交换功率;
步骤(D4),求得延缓联络线升级改造带来的利润,由于储能参与经济运行,这在源储系统中配置储能后能降低联络线的功率需求,设负荷年增长率为μ,储能系统的削峰率为γ,则延缓联络线升级改造的年限如公式(5)所示,
而储能系统延缓联络线升级改造带来的利润如公式(6)所示,
其中,Cr表示联络线升级改造投资成本,ΔPLoad表示储能减少的负荷峰值需求;
步骤(D5),求得碳减排利润,在配置储能系统后,能减少从电网购置的燃煤机组发电量,获得的碳减排利润如公式(7)所示,
I5=Ndayρ3Qc (7)
其中,ρ3表示碳交易价格,Qc表示配置储能后少从电网购置的电量;为力争二氧化碳排放于2030年前达到峰值,努力争取2060年前实现碳中和,需要控制碳排放总量;
步骤(D6),求得一次性投资成本,其中储能系统投资成本包括储能电池组、储能电池管理系统、储能双向变流器和源储监控系统的支出,配置储能系统后一次性投资成本如公式(8)所示,
C1=CpPbess+CEEbess,Ebess=PbessT (8)
其中,Cp为单位功率储能双向变流器的成本,CE为单位容量储能电池组的成本,Pbess为储能装置额定功率,Ebess为储能装置额定容量,T为储能装置持续放电时间;
步骤(D7),求得运维成本,在储能装置在正常运行时,要对设备进行日常维护,运维成本如公式(9)所示,
C2=CcQbess (9)
其中,Cc为单位发电量储能电池运维成本,Qbess为储能装置发电量;
步骤(D8),求得电池更换成本,电池的使用寿命小于储能系统项目周期,而在项目运行周期内要考虑电池更换成本,电池更换成本如公式(10)所示,
C3=εCEEbess (10)
其中,ε为电池更换率;电池内部具有内阻不一致性、时变性、非线性等特点,在长期运行过程中,随着放电深度的增大、充放电循环次数的增多,电池单体间特性会更加离散化,加速储能电池容量的衰减;
步骤(D9),求得惩罚成本,若弃风弃光的功率超过标准时,电网将对越限的弃风弃光量收取一定的惩罚费用,如公式(11)所示,
其中,b(t)为惩罚函数,α为惩罚系数,ΔPG为弃风弃光功率,Lim为弃风弃光标准值,r(t)为弃风弃光电价,为了在风光联合系统净利润中体现电池储能系统消纳风光资源,引入弃风弃光惩罚成本。
前述的一种风光联合发电系统储能容量配置优化方法,步骤(E),内层模型通过优化储能充放电功率以源储系统的最大净利润为目标函数并得到储能系统充放电曲线,再得到投资回报率,其中配置储能容量限值来自外层模型优化,且优化后的储能充放电功率和SOC曲线输出至外层模型,并用于评估电池健康状态和计算储能使用寿命年限,而外层模型优化目标是投资回报率ROI,投资回报率ROI定义为年收益与投资成本的比值如公式(12)所示,
其中,N为依据内层模型优化得出的储能装置使用寿命。
前述的一种风光联合发电系统储能容量配置优化方法,步骤(F),基于内层模型优化的储能系统充放电曲线,评估决策变量下储能功率和容量的储能系统寿命年限,并得到最大投资回报率下配置的储能容量,其具体步骤如下,
步骤(F1),根据储能系统充放电曲线,划分充放电深度区间,并基于雨流计数法统计分析不同充放电循环次数得到电池的健康状态,如公式(13)所示,
步骤(F2),设定负荷需求限制和储能系统限制为约束条件,在满足负荷需求约束后,配置储能后的风光联合系统要满足负荷的功率需求,如公式(14)所示,
Ppv(t)+Pwt(t)+Pc(t)+Pg(t)=Pl(t) (14)
其中,Ppv(t)为风力发电机输出功率,Pwt(t)为光伏电池发电功率,Pc(t)为储能电池输出功率,Pg(t)为源储系统与电网的交换功率,Pl(t)为负荷需求功率;
步骤(F3),满足储能系统约束,配置储能系统的充放电功率不超过功率限值Pbess,如公式(15)所示,同时为提高储能电池的正常使用寿命年限,要对储能电池的荷电状态SOC(t)进行约束,如公式(16)所示,
-Pbess≤Pc(t)≤Pbess (15),
SOCmin≤SOC(t)≤SOCmax (16);
步骤(F4),外层模型通过优化储能限制容量以投资回报率最大为目标函数,并根据内层模型优化的储能充放电功率和SOC曲线,再对储能装置运行过程中电池健康状态进行评估,而在当衰减到设定值时退出循环,并基于全寿命周期分析配置储能容量。
前述的一种风光联合发电系统储能容量配置优化方法,步骤(G),建立基于三层决策部署的储能容量配置模型,其中三层决策部署包括第一决策层、第二决策层和第三决策层,所述第一决策层设定风光系统的联络线功率波动最低为第一目标函数,所述第二决策层设定源储系统的净利润最大为第二目标函数,所述第三决策层设定所述系统投资回报率最大为最终目标函数。
前述的一种风光联合发电系统储能容量配置优化方法,步骤(H),根据储能容量配置模型计算得到多时段储能系统功率容量,完成对系统储能容量配置的优化,其中计算的具体步骤如下,
步骤(H1),对第一决策层进行求解得到以联络线功率波动最低为目标的第一策略集合;
步骤(H2),基于所述第一策略集合,对第二决策层进行求解得到以源储系统的净利润最大为目标的第二策略集合;
步骤(H3),基于所述第二策略集合,对第三决策层进行求解得到以系统投资回报率最大为目标的多时段储能系统功率容量配置策略。
本发明的有益效果是:本发明的一种风光联合发电系统储能容量配置优化方法,首先获取目标区域历史的风光出力数据、负荷功率和风光装机参数信息,再利用生成对抗网络(GAN)进行无监督学习历史数据样本的特征并生成符合数据分布规律的新样本数据,接着基于新样本数据进行实际生产模拟过程,同时考虑储能电池健康状态、运行收益、运行成本等因素建立储能容量双层配置优化模型,其中内层模型优化目标为源储系统的最大净利润,决策变量为储能系统的充放电曲线,而外层模型基于内层优化的充放电曲线,随后通过储能系统电池健康状态评估模型对储能系统寿命年限进行评估,得到最大系统投资回报率,并根据储能容量配置模型计算得到储能容量配置结果;本发明能够根据历史数据生成对抗网络对风光出力采样数据进行扩充,并在此基础上进行生产模拟,且兼顾技术特性和经济特性,还实现了储能容量的优化配置,能够有效的辅助电网企业经济和配置储能资源,降低了成本费用,该方法具有科学合理、适用性强和效果佳等优点。
附图说明
图1是本发明的一种风光联合发电系统储能容量配置优化方法的流程图;
图2是本发明的系统储能容量优化配置方法示意图;
图3是本发明的基于双层规划的储能容量优化配置流程图;
图4是本发明的考虑弃风弃光惩罚成本最优充放电功率曲线示意图;
图5是本发明的不考虑弃风弃光惩罚成本最优充放电功率曲线示意图;
图6是本发明的不同配置储能容量下源储系统净利润与弃风弃光量关系示意图。
图7是本发明的配置储能容量与系统投资回报率关系图。
具体实施方式
下面将结合说明书附图,对本发明作进一步的说明。
如图1-7所示,本发明的一种风光联合发电系统储能容量配置优化方法,包括以下步骤,
步骤(A),获取目标区域的历史样本数据,其中历史样本数据包括风光出力数据、负荷功率和风光装机容量。
步骤(B),基于历史样本数据,利用生产对抗网络无监督学习历史样本数据的特征并生成新样本数据,其中利用生成对抗网络无监督学习历史样本数据的特征的生成过程是利用GAN,且GAN是由一个生成器和一个判别器构成,而生成器和判别器是结构对称的卷积神经网络;新样本数据包括光伏装机容量、风电装机容量、最大负荷、联络线最大功率限制和反送电功率限制;
其中,GAN由一个生成器和一个判别器构成,生成器将低维空间的噪声向量映射至高维空间,再通过不断的训练生成样本分布拟合真实样本分布,且生成尽可能接近真实数据的新样本,判别器主要负责判断输入数据是否为真实数据;生成器和判别器是结构对称的卷积神经网络,并利用卷积网络较强的特征提取能力可以提升数据质量,再通过两个网络的对抗学习,最终生成模型学习到历史数据的分布特征,并且能生成符合真实规律的数据。
步骤(C),根据风光出力信息建立储能容量配置优化模型,其中建立的过程中储能装置电池的健康状态具有影响,如公式(1)所示,
其中,NPV表示源储系统净利润,i0为预期的收益率,Ij(n)表示第n年源储系统的第j项收益,Ck(n)表示第n年源储系统的第k项成本。
步骤(D),基于建立的储能容量配置优化模型,再通过内层模型求得源储系统的最大净利润,其中储能容量配置优化模型即内层模型,而源储系统的收益项目包括储能系统低储高放运行利润、储能系统运营补贴、储能系统售电利润、延缓联络线升级改造带来的利润和碳减排利润,且源储系统的成本项目包括一次性投资成本、运维成本、电池更换成本和惩罚成本,求得源储系统的最大净利润具体步骤如下,
步骤(D1),求得储能系统低储高放运行利润,根据风光联合系统的功率输出状态、负荷功率需求和电网分时电价,再配置储能系统后从时间上对风电、光电和负荷进行调节,因此根据分时电价降低系统电费成本的储能系统低储高放运行利润如公式(2)所示,
其中,Nday表示年计数天数,ρ1(t)表示t时刻峰谷分时电价,PLoad(t)表示未配置储能容量时系统的负荷功率需求,P'Load(t)表示配置储能容量后系统的负荷功率需求;
步骤(D2),求得储能系统运营补贴,根据国家出台的补贴政策,储能系统运营补贴如公式(3)所示,
其中,ρc表示储能补贴标准,Pc(t)表示储能系统放电功率;
步骤(D3),求得储能系统售电利润,当风光联合系统配置储能后能将风光联合系统多余的电量售给电网,并参考燃煤机组标杆上网电价,这样计算源储系统售电利润如公式(4)所示,
其中,ρ2表示标杆上网电价,Pg(t)表示源储系统与电网的交换功率;
步骤(D4),求得延缓联络线升级改造带来的利润,由于储能参与经济运行,这在源储系统中配置储能后能降低联络线的功率需求,设负荷年增长率为μ,储能系统的削峰率为γ,则延缓联络线升级改造的年限如公式(5)所示,
而储能系统延缓联络线升级改造带来的利润如公式(6)所示,
其中,Cr表示联络线升级改造投资成本,ΔPLoad表示储能减少的负荷峰值需求;
步骤(D5),求得碳减排利润,在配置储能系统后,能减少从电网购置的燃煤机组发电量,获得的碳减排利润如公式(7)所示,
I5=Ndayρ3Qc (7)
其中,ρ3表示碳交易价格,Qc表示配置储能后少从电网购置的电量;
步骤(D6),求得一次性投资成本,其中储能系统投资成本包括储能电池组、储能电池管理系统、储能双向变流器和源储监控系统的支出,配置储能系统后一次性投资成本如公式(8)所示,
C1=CpPbess+CEEbess,Ebess=PbessT (8)
其中,Cp为单位功率储能双向变流器的成本,CE为单位容量储能电池组的成本,Pbess为储能装置额定功率,Ebess为储能装置额定容量,T为储能装置持续放电时间;
步骤(D7),求得运维成本,在储能装置在正常运行时,要对设备进行日常维护,运维成本如公式(9)所示,
C2=CcQbess (9)
其中,Cc为单位发电量储能电池运维成本,Qbess为储能装置发电量;
步骤(D8),求得电池更换成本,电池的使用寿命小于储能系统项目周期,而在项目运行周期内要考虑电池更换成本,电池更换成本如公式(10)所示,
C3=εCEEbess (10)
其中,ε为电池更换率;
步骤(D9),求得惩罚成本,若弃风弃光的功率超过标准时,电网将对越限的弃风弃光量收取一定的惩罚费用,如公式(11)所示,
其中,b(t)为惩罚函数,α为惩罚系数,ΔPG为弃风弃光功率,Lim为弃风弃光标准值,r(t)为弃风弃光电价。
步骤(E),内层模型通过优化储能充放电功率以源储系统的最大净利润为目标函数并得到储能系统充放电曲线,再得到投资回报率,其中配置储能容量限值来自外层模型优化,且优化后的储能充放电功率和SOC曲线输出至外层模型,并用于评估电池健康状态和计算储能使用寿命年限,而外层模型优化目标是投资回报率ROI,投资回报率ROI定义为年收益与投资成本的比值如公式(12)所示,
其中,N为依据内层模型优化得出的储能装置使用寿命。
步骤(F),基于内层模型优化的储能系统充放电曲线,评估决策变量下储能功率和容量的储能系统寿命年限,并得到最大投资回报率下配置的储能容量,其具体步骤如下,
步骤(F1),根据储能系统充放电曲线,划分充放电深度区间,并基于雨流计数法统计分析不同充放电循环次数得到电池的健康状态,如公式(13)所示,
步骤(F2),设定负荷需求限制和储能系统限制为约束条件,在满足负荷需求约束后,配置储能后的风光联合系统要满足负荷的功率需求,如公式(14)所示,
Ppv(t)+Pwt(t)+Pc(t)+Pg(t)=Pl(t) (14)
其中,Ppv(t)为风力发电机输出功率,Pwt(t)为光伏电池发电功率,Pc(t)为储能电池输出功率,Pg(t)为源储系统与电网的交换功率,Pl(t)为负荷需求功率;
步骤(F3),满足储能系统约束,配置储能系统的充放电功率不超过功率限值Pbess,如公式(15)所示,同时为提高储能电池的正常使用寿命年限,要对储能电池的荷电状态SOC(t)进行约束,如公式(16)所示,
-Pbess≤Pc(t)≤Pbess (15),
SOCmin≤SOC(t)≤SOCmax (16);
步骤(F4),外层模型通过优化储能限制容量以投资回报率最大为目标函数,并根据内层模型优化的储能充放电功率和SOC曲线,再对储能装置运行过程中电池健康状态进行评估,而在当衰减到设定值时退出循环,并基于全寿命周期分析配置储能容量。
步骤(G),建立基于三层决策部署的储能容量配置模型,其中三层决策部署包括第一决策层、第二决策层和第三决策层,所述第一决策层设定风光系统的联络线功率波动最低为第一目标函数,所述第二决策层设定源储系统的净利润最大为第二目标函数,所述第三决策层设定所述系统投资回报率最大为最终目标函数;
其中,提出的基于三层决策部署的储能容量配置模型,将第三决策层的决策变量设定为储能的功率和容量配置,目标为源储系统的投资回报率最大,进而可求解出最终的储能配置结果;通过多层递阶结构的方式,使每层决策层均有各自的目标函数和约束条件,最外层的即为最终关心的条件,内层或中间层是其他需要考虑的条件,使外层的决策依赖于内层问题的优化,实际上更符合现实情况的应用需要;需要说明的是,第二决策层设定源储系统获得的纯利润最大是本发明的中间层,定义参考输出功率与经储能作用后的输出功率之间的相关系数,以评价储能系统平抑输出功率的总体效果,相关系数越大,则平滑效果越好,这是在联合系统配置储能容量时所必须考虑的问题。
步骤(H),根据储能容量配置模型计算得到多时段储能系统功率容量,完成对系统储能容量配置的优化,其中计算的具体步骤如下,
步骤(H1),对第一决策层进行求解得到以联络线功率波动最低为目标的第一策略集合;
步骤(H2),基于所述第一策略集合,对第二决策层进行求解得到以源储系统的净利润最大为目标的第二策略集合;
步骤(H3),基于所述第二策略集合,对第三决策层进行求解得到以系统投资回报率最大为目标的多时段储能系统功率容量配置策略。
为了更好的说明本发明的使用效果,下面介绍本发明的一个具体实施例,本实施例是以某风光基地实际电负荷和风光出力为依据,并通过配置不同的储能容量进行算例分析,再以验证本方法所构建模型的有效性;
本实施例应用本发明方法的优化调度结果如图4-7所示:
由图4和图5对比可以看出,考虑弃风弃光惩罚成本后,储能电池存在多充多放的情况,这是为提高新能源消纳,减少弃风弃光量;
由图6可以看出,当储能限制容量在70MW和90MW时净利润较高,随着储能限制容量的增大,收益成不规则变化,主要原因为当储能容量变大时,储能充放电所带来的收益将提高,然而由此产生的投资成本与运行成本也在提高,且随着储能限制容量的增大,弃风弃光量也成不规则变化,主要原因为当储能容量增大时,当弃风弃光成本低于储能投资与运行成本时,储能会偏向于降低投资与运行成本,由此会降低新能源的消纳水平;
由图7可以看出,随着储能限制容量的增大,储能全寿命周期下的投资回报率呈非线性变化,这是由储能充放电收益与储能的运行/投资成本相互制衡导致的;即储能容量上升,充放电收益提高,由此产生的运行成本与投资成本也将变大。
综上所述,本发明的一种风光联合发电系统储能容量配置优化方法,首先获取目标区域的历史样本数据,再基于历史样本数据利用生成对抗网络无监督学习历史样本数据的特征并生成新样本数据,接着根据新样本数据建立储能容量配置优化模型,并基于建立的储能容量配置优化模型,再通过内层模型求得源储系统的最大净利润,随后内层模型通过优化储能充放电功率以源储系统的最大净利润为目标函数并得到储能系统充放电曲线,再得到投资回报率,然后基于内层模型优化的储能系统充放电曲线,评估决策变量下储能功率和容量的储能系统寿命年限,并得到最大投资回报率下配置的储能容量,最后建立基于三层决策部署的储能容量配置模型,再根据储能容量配置模型计算得到多时段储能系统功率容量,完成对系统储能容量配置的优化;能够根据历史数据生成对抗网络对风光出力采样数据进行扩充,并在此基础上进行生产模拟,且兼顾技术特性和经济特性,还实现了储能容量的优化配置,能够有效的辅助电网企业经济和配置储能资源,降低了成本费用。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种风光联合发电系统储能容量配置优化方法,其特征在于:包括以下步骤,
步骤(A),获取目标区域的历史样本数据;
步骤(B),基于历史样本数据,利用生成对抗网络无监督学习历史样本数据的特征并生成新样本数据;
步骤(C),根据新样本数据建立储能容量配置优化模型;
步骤(D),基于建立的储能容量配置优化模型,再通过内层模型求得源储系统的最大净利润;
步骤(E),内层模型通过优化储能充放电功率以源储系统的最大净利润为目标函数并得到储能系统充放电曲线,再得到投资回报率;
步骤(F),基于内层模型优化的储能系统充放电曲线,评估决策变量下储能功率和容量的储能系统寿命年限,并得到最大投资回报率下配置的储能容量;
步骤(G),建立基于三层决策部署的储能容量配置模型;
步骤(H),根据储能容量配置模型计算得到多时段储能系统功率容量,完成对系统储能容量配置的优化。
2.根据权利要求1所述的一种风光联合发电系统储能容量配置优化方法,其特征在于:步骤(A),获取目标区域的历史样本数据,其中历史样本数据包括风光出力数据、负荷功率和风光装机容量。
3.根据权利要求1所述的一种风光联合发电系统储能容量配置优化方法,其特征在于:步骤(B),基于历史样本数据,利用生产对抗网络无监督学习历史样本数据的特征并生成新样本数据,其中利用生成对抗网络无监督学习历史样本数据的特征的生成过程是利用GAN,且GAN是由一个生成器和一个判别器构成,而生成器和判别器是结构对称的卷积神经网络;新样本数据包括光伏装机容量、风电装机容量、最大负荷、联络线最大功率限制和反送电功率限制。
5.根据权利要求4所述的一种风光联合发电系统储能容量配置优化方法,其特征在于:步骤(D),基于建立的储能容量配置优化模型,再通过内层模型求得源储系统的最大净利润,其中储能容量配置优化模型即内层模型,而源储系统的收益项目包括储能系统低储高放运行利润、储能系统运营补贴、储能系统售电利润、延缓联络线升级改造带来的利润和碳减排利润,且源储系统的成本项目包括一次性投资成本、运维成本、电池更换成本和惩罚成本,求得源储系统的最大净利润具体步骤如下,
步骤(D1),求得储能系统低储高放运行利润,根据风光联合系统的功率输出状态、负荷功率需求和电网分时电价,再配置储能系统后从时间上对风电、光电和负荷进行调节,因此根据分时电价降低系统电费成本的储能系统低储高放运行利润如公式(2)所示,
其中,Nday表示年计数天数,ρ1(t)表示t时刻峰谷分时电价,PLoad(t)表示未配置储能容量时系统的负荷功率需求,P'Load(t)表示配置储能容量后系统的负荷功率需求;
步骤(D2),求得储能系统运营补贴,根据国家出台的补贴政策,储能系统运营补贴如公式(3)所示,
其中,ρc表示储能补贴标准,Pc(t)表示储能系统放电功率;
步骤(D3),求得储能系统售电利润,当风光联合系统配置储能后能将风光联合系统多余的电量售给电网,并参考燃煤机组标杆上网电价,这样计算源储系统售电利润如公式(4)所示,
其中,ρ2表示标杆上网电价,Pg(t)表示源储系统与电网的交换功率;
步骤(D4),求得延缓联络线升级改造带来的利润,由于储能参与经济运行,这在源储系统中配置储能后能降低联络线的功率需求,设负荷年增长率为μ,储能系统的削峰率为γ,则延缓联络线升级改造的年限如公式(5)所示,
而储能系统延缓联络线升级改造带来的利润如公式(6)所示,
其中,Cr表示联络线升级改造投资成本,ΔPLoad表示储能减少的负荷峰值需求;
步骤(D5),求得碳减排利润,在配置储能系统后,能减少从电网购置的燃煤机组发电量,获得的碳减排利润如公式(7)所示,
I5=Ndayρ3Qc (7)
其中,ρ3表示碳交易价格,Qc表示配置储能后少从电网购置的电量;
步骤(D6),求得一次性投资成本,其中储能系统投资成本包括储能电池组、储能电池管理系统、储能双向变流器和源储监控系统的支出,配置储能系统后一次性投资成本如公式(8)所示,
C1=CpPbess+CEEbess,Ebess=PbessT (8)
其中,Cp为单位功率储能双向变流器的成本,CE为单位容量储能电池组的成本,Pbess为储能装置额定功率,Ebess为储能装置额定容量,T为储能装置持续放电时间;
步骤(D7),求得运维成本,在储能装置在正常运行时,要对设备进行日常维护,运维成本如公式(9)所示,
C2=CcQbess (9)
其中,Cc为单位发电量储能电池运维成本,Qbess为储能装置发电量;
步骤(D8),求得电池更换成本,电池的使用寿命小于储能系统项目周期,而在项目运行周期内要考虑电池更换成本,电池更换成本如公式(10)所示,
C3=εCEEbess (10)
其中,ε为电池更换率;
步骤(D9),求得惩罚成本,若弃风弃光的功率超过标准时,电网将对越限的弃风弃光量收取一定的惩罚费用,如公式(11)所示,
其中,b(t)为惩罚函数,α为惩罚系数,ΔPG为弃风弃光功率,Lim为弃风弃光标准值,r(t)为弃风弃光电价。
7.根据权利要求6所述的一种风光联合发电系统储能容量配置优化方法,其特征在于:步骤(F),基于内层模型优化的储能系统充放电曲线,评估决策变量下储能功率和容量的储能系统寿命年限,并得到最大投资回报率下配置的储能容量,其具体步骤如下,
步骤(F1),根据储能系统充放电曲线,划分充放电深度区间,并基于雨流计数法统计分析不同充放电循环次数得到电池的健康状态,如公式(13)所示,
步骤(F2),设定负荷需求限制和储能系统限制为约束条件,在满足负荷需求约束后,配置储能后的风光联合系统要满足负荷的功率需求,如公式(14)所示,
Ppv(t)+Pwt(t)+Pc(t)+Pg(t)=Pl(t) (14)
其中,Ppv(t)为风力发电机输出功率,Pwt(t)为光伏电池发电功率,Pc(t)为储能电池输出功率,Pg(t)为源储系统与电网的交换功率,Pl(t)为负荷需求功率;
步骤(F3),满足储能系统约束,配置储能系统的充放电功率不超过功率限值Pbess,如公式(15)所示,同时为提高储能电池的正常使用寿命年限,要对储能电池的荷电状态SOC(t)进行约束,如公式(16)所示,
-Pbess≤Pc(t)≤Pbess (15),
SOCmin≤SOC(t)≤SOCmax (16);
步骤(F4),外层模型通过优化储能限制容量以投资回报率最大为目标函数,并根据内层模型优化的储能充放电功率和SOC曲线,再对储能装置运行过程中电池健康状态进行评估,而在当衰减到设定值时退出循环,并基于全寿命周期分析配置储能容量。
8.根据权利要求7所述的一种风光联合发电系统储能容量配置优化方法,其特征在于:步骤(G),建立基于三层决策部署的储能容量配置模型,其中三层决策部署包括第一决策层、第二决策层和第三决策层,所述第一决策层设定风光系统的联络线功率波动最低为第一目标函数,所述第二决策层设定源储系统的净利润最大为第二目标函数,所述第三决策层设定所述系统投资回报率最大为最终目标函数。
9.根据权利要求8所述的一种风光联合发电系统储能容量配置优化方法,其特征在于:步骤(H),根据储能容量配置模型计算得到多时段储能系统功率容量,完成对系统储能容量配置的优化,其中计算的具体步骤如下,
步骤(H1),对第一决策层进行求解得到以联络线功率波动最低为目标的第一策略集合;
步骤(H2),基于所述第一策略集合,对第二决策层进行求解得到以源储系统的净利润最大为目标的第二策略集合;
步骤(H3),基于所述第二策略集合,对第三决策层进行求解得到以系统投资回报率最大为目标的多时段储能系统功率容量配置策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111550568.7A CN114301089B (zh) | 2021-12-17 | 2021-12-17 | 一种风光联合发电系统储能容量配置优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111550568.7A CN114301089B (zh) | 2021-12-17 | 2021-12-17 | 一种风光联合发电系统储能容量配置优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114301089A true CN114301089A (zh) | 2022-04-08 |
CN114301089B CN114301089B (zh) | 2023-11-03 |
Family
ID=80968064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111550568.7A Active CN114301089B (zh) | 2021-12-17 | 2021-12-17 | 一种风光联合发电系统储能容量配置优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114301089B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116298935A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 |
CN116581805A (zh) * | 2023-07-12 | 2023-08-11 | 华电电力科学研究院有限公司 | 一种电力储能的管控优化方法和电池网络 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107492903A (zh) * | 2017-04-08 | 2017-12-19 | 东北电力大学 | 一种基于统计学模型的混合储能系统容量优化配置方法 |
CN109740786A (zh) * | 2018-11-15 | 2019-05-10 | 国网江苏省电力有限公司电力科学研究院 | 一种多端柔性互联配电网规划方法及系统 |
CN110797896A (zh) * | 2019-11-28 | 2020-02-14 | 国网江苏电力设计咨询有限公司 | 一种微网风光储系统中混合储能容量优化配置方法 |
CN111293691A (zh) * | 2020-03-19 | 2020-06-16 | 华北电力大学 | 基于模型预测控制的微电网多时间尺度优化调度方法 |
WO2020143104A1 (zh) * | 2019-01-08 | 2020-07-16 | 南京工程学院 | 一种考虑阻塞和储能分时电价的电网混合滚动调度方法 |
CN111614087A (zh) * | 2020-06-09 | 2020-09-01 | 国网吉林省电力有限公司电力科学研究院 | 一种参与电网调峰的储能双层优化配置方法 |
CN112564183A (zh) * | 2020-12-02 | 2021-03-26 | 中国电力工程顾问集团华北电力设计院有限公司 | 电网规划中风光火储的容量优化配置方法 |
CN112994115A (zh) * | 2019-12-18 | 2021-06-18 | 华北电力大学(保定) | 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法 |
CN113159412A (zh) * | 2021-04-16 | 2021-07-23 | 南京工程学院 | 一种基于用户需求响应的多层级储能优化配置方法及装置 |
CN113328451A (zh) * | 2021-06-15 | 2021-08-31 | 华北电力大学 | 一种基于风光联合系统的储能容量优化配置方法和系统 |
-
2021
- 2021-12-17 CN CN202111550568.7A patent/CN114301089B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107492903A (zh) * | 2017-04-08 | 2017-12-19 | 东北电力大学 | 一种基于统计学模型的混合储能系统容量优化配置方法 |
CN109740786A (zh) * | 2018-11-15 | 2019-05-10 | 国网江苏省电力有限公司电力科学研究院 | 一种多端柔性互联配电网规划方法及系统 |
WO2020143104A1 (zh) * | 2019-01-08 | 2020-07-16 | 南京工程学院 | 一种考虑阻塞和储能分时电价的电网混合滚动调度方法 |
CN110797896A (zh) * | 2019-11-28 | 2020-02-14 | 国网江苏电力设计咨询有限公司 | 一种微网风光储系统中混合储能容量优化配置方法 |
CN112994115A (zh) * | 2019-12-18 | 2021-06-18 | 华北电力大学(保定) | 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法 |
CN111293691A (zh) * | 2020-03-19 | 2020-06-16 | 华北电力大学 | 基于模型预测控制的微电网多时间尺度优化调度方法 |
CN111614087A (zh) * | 2020-06-09 | 2020-09-01 | 国网吉林省电力有限公司电力科学研究院 | 一种参与电网调峰的储能双层优化配置方法 |
CN112564183A (zh) * | 2020-12-02 | 2021-03-26 | 中国电力工程顾问集团华北电力设计院有限公司 | 电网规划中风光火储的容量优化配置方法 |
CN113159412A (zh) * | 2021-04-16 | 2021-07-23 | 南京工程学院 | 一种基于用户需求响应的多层级储能优化配置方法及装置 |
CN113328451A (zh) * | 2021-06-15 | 2021-08-31 | 华北电力大学 | 一种基于风光联合系统的储能容量优化配置方法和系统 |
Non-Patent Citations (2)
Title |
---|
仇成;李亦农;宋若晨;王敏;: "风光联合发电系统的储能容量优化配置方法", 水电能源科学, no. 05, pages 208 - 212 * |
李凯;秦文萍;张海涛;许振波;: "含混合储能的微电网能量管理系统控制策略", 电力系统及其自动化学报, no. 10, pages 85 - 91 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116298935A (zh) * | 2023-05-19 | 2023-06-23 | 河南科技学院 | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 |
CN116298935B (zh) * | 2023-05-19 | 2023-09-19 | 河南科技学院 | 一种基于对抗编码器网络的锂离子电池健康状态估计方法 |
CN116581805A (zh) * | 2023-07-12 | 2023-08-11 | 华电电力科学研究院有限公司 | 一种电力储能的管控优化方法和电池网络 |
CN116581805B (zh) * | 2023-07-12 | 2023-09-29 | 华电电力科学研究院有限公司 | 一种电力储能的管控优化方法和电池网络 |
Also Published As
Publication number | Publication date |
---|---|
CN114301089B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107634518B (zh) | 一种“源-网-荷”相协调的主动配电网经济调度方法 | |
CN111404206B (zh) | 考虑投资回报约束的风光储发电系统容量双层规划方法 | |
CN112564109B (zh) | 一种基于储能系统参与含大规模海上风电的调频优化运行方法 | |
CN103683326A (zh) | 一种区域电网风电多点接入最佳接纳能力的计算方法 | |
CN114301089A (zh) | 一种风光联合发电系统储能容量配置优化方法 | |
CN104239967A (zh) | 一种含风电场的电力系统多目标经济调度方法 | |
CN109670694B (zh) | 一种多能源供给系统负荷预测方法 | |
CN103226735A (zh) | 一种基于风电分段的电力系统优化调度方法 | |
CN110994606A (zh) | 一种基于复杂适应系统理论的多能源电源容量配置方法 | |
CN112072643A (zh) | 一种基于深度确定性梯度策略的光-蓄系统在线调度方法 | |
CN116914821A (zh) | 一种基于改进粒子群算法的微电网低碳优化调度方法 | |
CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
CN115759361A (zh) | 基于双层规划的交通能源调度方法、系统、设备和介质 | |
CN114123313B (zh) | 一种时序生产模拟新能源电力系统消纳方法 | |
Wu et al. | Economic analysis of power grid interconnections among Europe, North-East Asia, and North America with 100% renewable energy generation | |
CN108075471A (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
CN105305485A (zh) | 一种消纳大规模间歇性能源的安全约束经济调度方法 | |
CN111082446B (zh) | 一种考虑电池自消耗的储能优化配置方法 | |
CN112801343A (zh) | 一种计及多气象场景适应成本的储能系统容量规划方法 | |
CN117252425A (zh) | 一种考虑碳排放和电力平衡风险的电源规划和火电改造决策建模方法 | |
CN110165699B (zh) | 基于个体优化及系统多能互补的光热电站优化配置方法 | |
CN116683461A (zh) | 一种考虑不确定性的虚拟电厂随机鲁棒调度控制方法 | |
CN115600757A (zh) | 海上风电共享储能参与现货市场交易协调优化方法及系统 | |
CN114444955A (zh) | 综合能源用关键参数数据挖掘及长期配置预测方法及系统 |
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 |