CN114336702A - 基于双层随机规划的风光储场站群功率分配协同优化方法 - Google Patents

基于双层随机规划的风光储场站群功率分配协同优化方法 Download PDF

Info

Publication number
CN114336702A
CN114336702A CN202111458720.9A CN202111458720A CN114336702A CN 114336702 A CN114336702 A CN 114336702A CN 202111458720 A CN202111458720 A CN 202111458720A CN 114336702 A CN114336702 A CN 114336702A
Authority
CN
China
Prior art keywords
wind
power
energy storage
time
light
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
Application number
CN202111458720.9A
Other languages
English (en)
Other versions
CN114336702B (zh
Inventor
姚维为
邹祖冰
刘瑞阔
李伟
谷昱君
吴海飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Three Gorges Land New Energy Investment Co ltd
China Three Gorges Corp
Original Assignee
China Three Gorges Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Three Gorges Corp filed Critical China Three Gorges Corp
Priority to CN202111458720.9A priority Critical patent/CN114336702B/zh
Publication of CN114336702A publication Critical patent/CN114336702A/zh
Application granted granted Critical
Publication of CN114336702B publication Critical patent/CN114336702B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02BCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225Demand response systems, e.g. load shedding, peak shaving
    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS 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
    • Y04S20/00Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20End-user application control systems
    • Y04S20/222Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及基于双层随机规划的风光储场站群功率分配协同优化方法,包括:获取并分析风光储场站群及负荷的参数数据;建立考虑投资和运行成本的风光储场站群出力特性的决策模型,即外层模型;建立考虑风、光、负荷不确定性和多时间尺度特性的风光储场站群出力优化模型,即内层模型;对双层随机规划模型进行求解,得到多种场景下备选的风光储联合运行方案集;根据实际场景,选择确定风光储场站群系统的最优出力分配。本发明充分考量风光储场站群系统的不确定性以及电源、负荷的多时间尺度特性,实现了风光储场站群功率的最优化分配,最大程度上降低风光储场站群系统的投资和运维成本,使不同调峰场景、不同系统运行方式下系统的功率分配均达到最优。

Description

基于双层随机规划的风光储场站群功率分配协同优化方法
技术领域
本发明属于新能源发电优化控制领域,具体涉及一种基于双层随机规划的风光储场站群功率分配协同优化方法。
背景技术
近年来新能源发电得到了大力发展,有利于落实国家“碳达峰、碳中和”目标。但风、光等新能源发电的出力特性具有一定程度的随机性和波动性。因此要想进一步提高大规模风、光发电的平抑和消纳水平,提升新能源发电的渗透率,通常都会搭配一定容量的储能系统,最终以风光储一体化联合电站的方式整体对外上网供电。实现风光储联合电站集群优化运行,提升风光储联合电站集群与区域电网的协调互动能力,实现新能源电站友好并网,将为国家“碳达峰、碳中和”目标提供有力保障。
储能系统是调节风光储联合电站集群的关键系统,其中电化学蓄能由于动态响应性能极佳、寿命长、可靠性高,常用来承担电网调节的任务。国内外已有一些成功的工程应用经验。目前,国内外关于风光储联合电站集群功率优化方面的研究有:
2012年第32卷《中国电机工程学报》刊登的徐林等的论文“风光蓄互补发电系统容量的改进优化配置方法”公开了一种风光储互补发电系统,考虑了独立和并网两种模式,采用分时优化策略对风电、光伏发电和蓄电池系统进行容量优化配置。但是,该方法并未考虑不同种类电源和负荷的多时间尺度特性,然而参与不同时间尺度响应的调节所对应的辅助服务价值却是不同的,有必要进行更细分辨率的优化模拟。
2015年第67卷《International Journal of Electrical Power&EnergySystems》刊登的Sfikas E E等的论文“Simultaneous capacity optimization ofdistributed generation and storage in medium voltage microgrids”基于顺序二次规划法,以年度总能源损失最低和平均化能源成本最低为多目标函数,对一个含风、光和生物质能的分布式电源和储能系统进行同步优化。但是,该方法虽然考虑了成本因子,但同样未考虑电源和负荷的多时间尺度特性。
2011年第35期《电网技术》刊登的李碧辉等的论文“风光储联合发电系统储能容量对有功功率的影响及评价指标”公开了一种储能充放电优化模型,该模型以有功功率波动最小为目标,其约束考虑了每个步长的储能初始容量和储能充放电控制策略。基于该策略,提出了3个衡量风光储联合发电系统的有功功率波动指标,并结合评价风光储联合系统供电可靠性指标,综合评价总输出功率特性。该方法所提模型考虑了不同步长储能参与系统有功功率响应的差异性,但缺乏对负荷需求侧资源响应的描述,不够全面。
综上所述,现有的风光储一体化联合发电技术发展至今,其基本通用功能已日趋完善,但是细节优化等方面仍然有很大提升空间,比如进一步考虑风、光等新能源出力的不确定性对功率优化的影响,又比如根据各类新能源电源的响应速率的不同和负荷需求响应的多时间尺度特性,进一步统筹协调风光储场站群的精细化功率分配问题等。
发明内容
本发明的技术问题是现有的风光储联合发电系统的功率分配方法没有反应不同种类的新能源电源的响应速率的多样性,也没有考虑负荷需求响应的多时间尺度特性,难以实现风光储联合发电系统的最优化运行,实际优化效果有待提升。
本发明的目的是针对上述问题,提供一种基于双层随机规划的风光储场站群功率分配协同优化方法,双层随机规划的外层采用成本控制的投资决策模型,双层随机规划的内层采用针对风电、光伏发电和负荷短期、超短期预测不确定性的优化决策模型;将负荷侧需求响应也作为可调节资源,用于风光储场站群系统的运行优化;求解双层随机规划模型,得到多种场景下备选的风光储联合运行方案集,再根据实际调峰场景确定风光储场站群系统的最优出力分配,实现风光储场站群系统运行最优化,并满足不同弃风弃光率要求。
本发明的技术方案是基于双层随机规划的风光储场站群功率分配协同优化方法,所述方法包括以下步骤:
步骤1:获取并分析风光储场站群及负荷侧需求的特性;
步骤2:建立考虑投资和运行成本的风光储场站群出力特性的决策模型,即外层模型;
步骤3:建立考虑风、光、负荷的不确定性和多时间尺度特性的风光储场站群出力的内层优化模型;
步骤4:对双层随机规划模型进行求解,得到多种场景下备选的风光储联合运行方案集;
步骤5:计算得到不同调峰场景、不同弃风弃光率、不同系统运行方式下,风光储场站群系统的最优出力分配。
步骤1中,风光储场站群及负荷侧需求的特性具体包括:
(一)风电出力同时具备规律性和随机性,在中、长期时间尺度上,风电出力具有显著季节差异;从短期看,风电具有显著的时序波动特征;就具体的一个时刻看,受预测误差等因素影响,风电具有显著的随机性;
(二)光伏发电同理具备规律性和随机性,但是在短期时间尺度来看,其随机性比风电更加显著,受预测误差影响很大;
(三)储能电池动态响应特性极佳,可以在毫秒级、秒级短时间内改变出力来响应外部出力的改变,适应功率需求的紧急变化,可以用于平滑秒级至分钟级的风功率;
(四)与各类新能源电源的多尺度特性一样,负荷侧需求响应也可作为一种可调节资源,并用于风光储场站群系统的运行优化。负荷侧需求响应根据用户响应方式不同分为电价型需求响应(Price-based Demand Response,PDR)和激励型需求响应(Incentive-based Demand Response,IDR)两种,其中电价型需求响应是指用户根据不同电价政策自发地调节用电计划;激励型需求响应是指需求响应聚合商响应电网企业的需求,在运行过程中直接调用部分激励型需求响应资源;
(五)电价型需求响应PDR采用日前定价模式;
(六)激励型需求响应IDR根据响应电网指令时间的长短来分类,具体为:
1)A类IDR,响应时长大于1小时;
2)B类IDR,响应时长为15分钟至120分钟;
3)C类IDR,响应时长为5分钟至15分钟。
进一步地,负荷侧需求响应资源的时间尺度如下:
1)多场景日前优化时间尺度为1小时,执行周期为24小时,用于确定光伏发电场站出力、PDR响应量以及A类IDR调用量;
2)多场景日内滚动优化时间尺度为15分钟,执行周期为4小时,用于确定风电场站出力、储能系统出力和B类IDR调用量;
3)机会约束实时优化的时间尺度为5分钟,执行周期为15分钟,用于确定C类IDR调用量。
步骤2中,决策模型的目标函数为
minf1=Cv.c+Cv.o+Csys (1)
Cv.c=AP(r,n)cv.cPv.c (2)
Cv.o=ov.cPv.c (3)
Figure BDA0003387376790000031
Figure BDA0003387376790000032
式中f1为系统总成本;Cv.c为储能系统投资成本;Cv.o为储能系统运维成本;Csys为风光储总系统的运行成本;AP(r,n)为资金回收系数,与利率r和设计年限n有关;cv.c为储能系统的单位投资成本;Pv.c为储能容量;ov.c为储能系统的单位容量维护费用;αw表示实际弃风率,
Figure BDA0003387376790000041
表示最大允许弃风率,t=1,2…T表示系统运行周期时间内的采样时刻点,T为系统运行周期时间内的采样时刻点数,Δt为采样时间间隔;PC,t为t时刻风电的弃风功率,PR,t为t时刻风电的实际出力功率;αs表示实际弃光率;
Figure BDA0003387376790000042
表示最大允许弃光率;PC',t为t时刻光伏发电的弃光功率,PR',t为t时刻光伏发电的实际出力功率。
进一步地,步骤3包括以下子步骤:
步骤3-1:建立日前短期优化模型,采用了适用于大不确定性的多场景随机规划方法应对不同负荷、风电出力预测误差,目标函数为
Figure BDA0003387376790000043
式中f2为系统总的运行成本;fES,t表示t时刻储能系统的成本函数;fwind,t表示t时刻风电的成本函数;fpv,t表示t时刻光伏发电的成本函数;fload,t代表t时刻用户负荷成本函数;
其中,有
Figure BDA0003387376790000044
Figure BDA0003387376790000045
Figure BDA0003387376790000046
Figure BDA0003387376790000047
式中Ns为场景数;Nes为储能单元数目;ps为场景s发生的概率;C(PESi,t,s)为储能电站i在t时刻在s场景下的建设成本函数,自变量为储能输出功率PESi,t,s;W(PESi,t,s)为储能电站i在t时刻在s场景下的运维成本函数,自变量为储能输出功率PESi,t,s;Nwind为风电场数目;C(Pwindi,t,s)为风电场i在t时刻在s场景下的建设成本函数;kc,wind为弃风惩罚成本系数;
Figure BDA0003387376790000048
为风电系统在t时刻s场景下的预测出力值;Pwind,t,s为风电系统在t时刻s场景下的实际出力值;Npv为光伏电站的数目;C(Ppvi,t,s)为光伏电站i在t时刻在s场景下的建设成本函数,自变量为光伏输出功率Ppvi,t,s;kc,pv为弃光惩罚成本系数;
Figure BDA0003387376790000049
为光伏系统在t时刻s场景下的预测出力值;Ppv,t,s为风电系统在t时刻s场景下的实际出力值;kIDRA、kIDRB分别为A类、B类IDR成本系数;|ΔPIDRA,t,s|、|ΔPIDRB,t,s|分别为t时刻s场景下A类、B类激励型需求响应的负荷的调用量;kc,load为负荷失电惩罚系数;Ploss,t,s为负荷t时刻s场景下的失电功率。
步骤3-2:采用滚动的方法处理日内超短期优化问题,建立日内超短期优化模型,以日前短期规划得到的数据为基础,结合未来4小时内时间尺度为15分钟的可再生能源和负荷的预测数据来求解,目标函数同样为运行成本最小,即
Figure BDA0003387376790000051
与式(10)不同,此时fload,t的计算式如下
Figure BDA0003387376790000052
式中kIDRC为C类IDR调用成本系数;|ΔPIDRC,t,s|为C类IDR在t时刻s场景的调用量。
进一步地,步骤4包括以下子步骤:
步骤4-1:将风光储场站群系统的负荷、常规机组功率、最大弃风率、最大弃光率作为外层的决策模型的输入;
步骤4-2:求解决策模型,得到多场景的电力生产、储能方案集合M={Mi,1≤i≤N},其中Mi表示第i个候选的电力生产、储能方案,N表示电力生产、储能方案的数量;
步骤4-3:进行风电、光伏发电和负荷的短期预测;
步骤4-4:求解日前短期优化模型,确定候选方案Mi的光伏出力、PDR响应量和A类IDR调用量,求解过程初始i的初值为i=1;
步骤4-5:进行风电、光伏发电和负荷超短期预测;
步骤4-6:求解日内超短期优化模型,确定候选方案Mi的风电出力、B类IDR调用量、储能系统出力;
步骤4-7:记录最优成本、弃风率、弃光率,形成风光储联合运行方案;
步骤4-8:判断形成的风光储联合运行方案是否满足弃风、弃光率要求,若满足弃风、弃光率要求,则执行步骤4-9,否则舍弃当前方案Mi,令i=i+1,执行步骤4-4;
步骤4-9:将得到的风光储联合运行方案作为风光储场站群系统运行的备选方案之一,判断i<N是否成立,若i<N,则令i=i+1,执行步骤4-4,否则执行步骤4-10;
步骤4-10:针对不同调峰场景、不同弃风弃光率、不同系统运行方式,对风光储场站群系统运行的备选方案进行比较,选出风光储场站群系统的最优出力分配的方案。
本发明的有益效果包括:
1)本发明采用双层随机规划模型,外层模型实现成本控制的优化决策,内层模型实现针对风电、光伏发电以及负荷需求不确定性的优化控制,相比传统的功率优化方法,本发明的方法充分考量风光储场站群系统的不确定性以及电源、负荷的多时间尺度特性,实现了风光储场站群功率的最优化分配,最大程度上降低风光储场站群系统的成本,使得不同调峰场景、不同系统运行方式下风光储场站群系统的功率分配均达到最优,能满足不同的弃风弃光率要求,为新能源发电友好并网提供良好支撑作用;
2)本发明计及负荷侧需求响应的多时间尺度特性,将负荷侧需求响应也作为可调节资源用于风光储场站群系统的运行优化,增加了风光储场站群系统控制的灵活性,有利于实现风光储场站群系统的最优化运行;
3)本发明的双层随机规划模型的内层采用适用于大不确定性的多场景随机规划模型即日前短期优化模型应对不同负荷、风电、光伏发电出力预测误差,并在此基础上采用日内超短期优化模型实现日内超短期滚动优化,充分利用储能系统的动态响应特性,平滑风电出力的不稳定性,使风光储场站群系统的功率分配均达到最优。
4)本发明提出的模型,其中内层模型考虑了不同电源和负荷特性的多时间尺度特性,能够充分挖掘储能系统和负荷需求响应的调节潜力。
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为本发明实施例的风光储场站群功率分配协同优化方法的流程示意图。
具体实施方式
如图1所示,基于双层随机规划的风光储场站群功率分配协同优化方法,包括以下步骤:
步骤1:收集风光储场站群的原始数据,分析风光储场站群及负荷侧需求的特性;
风光储场站群的数据包括电网参数、储能单位投资费用、年运行维护费用、设计使用年限、贴现率、系统的弃风率和弃光率、单位电量的弃风和弃光惩罚费用、储能的初始SOC值、迭代步长、极限装机容量以及区域内负荷PDR响应量的变化范围、A类、B类和C类IDR的补偿成本系数以及机组的技术经济参数等信息。
风光储场站群及负荷侧需求的特性如下:
(一)风电出力同时具备规律性和随机性,在中长期时间尺度上,风电出力具有显著季节差异;从短期看,风电具有显著的时序波动特征;就具体的一个时刻看,受预测误差等因素影响,风电具有显著的随机性;
(二)光伏发电同理具备规律性和随机性,但是在日时间尺度来看,其随机性比风电更加显著,受预测误差影响很大;
(三)储能电池动态响应特性极佳,可以在极短时间内改变出力来适应外部变化,适应功率需求的紧急变化,甚至可以平滑秒级至分钟级的风功率;
(四)与电源的多尺度特性一样,负荷侧需求响应也作为一种可调节资源参与到系统的运行优化中来。负荷侧需求响应根据用户响应方式不同分为电价型需求响应和激励型需求响应两种,其中PDR电价型需求响应是指用户根据不同电价政策自发地调节用电计划;IDR激励型需求响应是指需求响应聚合商DR响应电网企业的需求,在运行过程中直接调用部分激励型需求响应资源;
(五)电价型需求响应PDR采用日前定价模式;
(六)激励型需求响应IDR根据响应电网指令时间的长短来分类,具体包括:
1)A类IDR,响应时长大于1小时;
2)B类IDR,响应时长为15~120分钟;
3)C类IDR,响应时长为5~15分钟。
步骤2:建立考虑投资和运行成本的风光储场站群出力特性的决策模型,即外层模型;
决策模型如下:
minf1=Cv.c+Cv.o+Csys (1)
Cv.c=AP(r,n)cv.cPv.c (2)
Cv.o=ov.cPv.c (3)
Figure BDA0003387376790000071
Figure BDA0003387376790000072
式中f1为系统总成本;Cv.c为储能系统投资成本;Cv.o为储能系统运维成本;Csys为风光储总系统的运行成本;AP(r,n)为资金回收系数,与利率r和设计年限n有关;cv.c为储能系统的单位投资成本;Pv.c为储能容量;ov.c为储能系统的单位容量维护费用;αw表示实际弃风率,
Figure BDA0003387376790000073
表示最大允许弃风率,t=1,2…T表示系统运行周期时间内的采样时刻点,T为系统运行周期时间内的采样时刻点数,Δt为采样时间间隔;PC,t为t时刻风电的弃风功率,PR,t为t时刻风电的实际出力功率;αs表示实际弃光率;
Figure BDA0003387376790000074
表示最大允许弃光率;PC',t为t时刻光伏发电的弃光功率,PR',t为t时刻光伏发电的实际出力功率。
步骤3:建立考虑风、光、负荷的不确定性和多时间尺度特性的风光储场站群出力的内层优化模型;
步骤3-1:建立日前短期优化模型,采用了适用于大不确定性的多场景随机规划方法应对不同负荷、风电出力预测误差,目标函数为
Figure BDA0003387376790000081
式中f2为系统总的运行成本;fES,t表示t时刻储能系统的成本函数;fwind,t表示t时刻风电的成本函数;fpv,t表示t时刻光伏发电的成本函数;fload,t代表t时刻用户负荷成本函数;
其中,有
Figure BDA0003387376790000082
Figure BDA0003387376790000083
Figure BDA0003387376790000084
Figure BDA0003387376790000085
式中Ns为场景数;Nes为储能单元数目;ps为场景s发生的概率;C(PESi,t,s)为储能电站i在t时刻在s场景下的建设成本函数,自变量为储能输出功率PESi,t,s;W(PESi,t,s)为储能电站i在t时刻在s场景下的运维成本函数,自变量为储能输出功率PESi,t,s;Nwind为风电场数目;C(Pwindi,t,s)为风电场i在t时刻在s场景下的建设成本函数;kc,wind为弃风惩罚成本系数;
Figure BDA0003387376790000086
为风电系统在t时刻s场景下的预测出力值;Pwind,t,s为风电系统在t时刻s场景下的实际出力值;Npv为光伏电站的数目;C(Ppvi,t,s)为光伏电站i在t时刻在s场景下的建设成本函数,自变量为光伏输出功率Ppvi,t,s;kc,pv为弃光惩罚成本系数;
Figure BDA0003387376790000087
为光伏系统在t时刻s场景下的预测出力值;Ppv,t,s为风电系统在t时刻s场景下的实际出力值;kIDRA、kIDRB分别为A类、B类IDR成本系数;|ΔPIDRA,t,s|、|ΔPIDRB,t,s|分别为t时刻s场景下A类、B类激励型需求响应的负荷的调用量;kc,load为负荷失电惩罚系数;Ploss,t,s为负荷t时刻s场景下的失电功率。
步骤3-2:对于日内超短期滚动优化,建立日内超短期优化模型,将上一阶段已确定数据为基础,结合未来4小时内时间尺度为15分钟的可再生能源和负荷的预测数据来求解,目标函数同样为运行成本最小,即
Figure BDA0003387376790000091
与式(10)不同,fload,t的计算式如下
Figure BDA0003387376790000092
式中kIDRC为C类IDR调用成本系数;|ΔPIDRC,t,s|为C类IDR在t时刻s场景的调用量。
步骤4:对双层随机规划模型进行求解,得到多种场景下备选的风光储联合运行方案集;
步骤4-1:将风光储场站群系统的负荷、常规机组功率、最大弃风率、最大弃光率作为外层的决策模型的输入;
步骤4-2:求解决策模型,得到多场景的电力生产、储能方案集合M={Mi,1≤i≤N},其中Mi表示第i个候选的电力生产、储能方案,N表示电力生产、储能方案的数量;
步骤4-3:进行风电、光伏发电和负荷的短期预测;
步骤4-4:求解日前短期优化模型,确定候选方案Mi的光伏出力、PDR响应量和A类IDR调用量,求解过程初始i的初值为i=1;
步骤4-5:进行风电、光伏发电和负荷超短期预测;
步骤4-6:求解日内超短期优化模型,确定候选方案Mi的风电出力、B类IDR调用量、储能系统出力;
步骤4-7:记录最优成本、弃风率、弃光率,形成风光储联合运行方案;
步骤4-8:判断形成的风光储联合运行方案是否满足弃风、弃光率要求,若满足弃风、弃光率要求,则执行步骤4-9,否则舍弃当前方案Mi,令i=i+1,执行步骤4-4;
步骤4-9:将得到的风光储联合运行方案作为风光储场站群系统运行的备选方案之一,判断i<N是否成立,若i<N,则令i=i+1,执行步骤4-4,否则执行步骤4-10;
步骤4-10:针对不同调峰场景、不同弃风弃光率、不同系统运行方式,对风光储场站群系统运行的备选方案进行比较,选出风光储场站群系统的最优出力分配的方案。
步骤5:计算得到不同调峰场景、不同弃风弃光率、不同系统运行方式下,风光储场站群系统的最优出力分配。
实施例中,负荷侧需求响应资源的时间尺度如下:
1)多场景日前优化时间尺度为1小时,执行周期为24小时,将确定光伏发电场站出力、PDR响应量以及A类IDR调用量,并代入日内滚动优化;
2)多场景日内滚动优化时间尺度为15分钟,执行周期为4小时,最终将确定风电场站出力、储能电池出力、B类IDR调用量;
3)机会约束实时优化的时间尺度为5分钟,执行周期为15分钟,最终将确定C类IDR调用量。
采用智能优化算法对双层随机规划模型进行求解,考虑到这是一个多变量混合整数规划问题,此类问题的求解方法主要有内点法、梯度下降法等和分支定界法等。为提高求解效率且保证计算精度,通本发明过YALMIP程序包调用GUROBI采用分支定界法对模型求解,得到不同风电调峰场景、不同弃风弃光率、不同系统运行方式下,风光储场站群系统的最优出力分配方案。
分支定界法是求解整数线性规划最优解的经典方法。对有约束条件的可行解为有限数的最优化问题的所有可行解空间恰当地进行系统搜索,这就是分支与界定。把全部解空间反复地分割为越来越小的子集,即分枝;以最小值问题为例,定界是指对每个子集内的解集计算一个目标下界。在每次分枝后,若某个已知可行解集的目标值不能达到当前的界限,则将这个子集舍去,筛选去除子集的过程称为剪枝。
以某地区实际数据作为算例,各节点负荷和风、光功率预测值均根据实测数据加上白噪声生成。实测功率曲线的时间尺度从1小时的基础上拓展到15分钟,即每小时内取4个数据,共96个数据点。负荷的日前、日内、实时的预测误差分别为3%、1%、0.5%,风电、光伏的日前、日内、实时的预测误差分别为5%、3%、1%。
采用本发明的方法,在正调峰、反调峰不同调峰场景下的系统运行成本收益如表1所示。其中正调峰是指风、光出力与负荷曲线大致呈相同的变化趋势,反调峰是指风电、光伏发电出力与负荷曲线呈现相反的变化趋势;调度方案1表示无储能系统和负荷需求响应参与调节,调度方案2表示有储能系统但无负荷需求响应参与调节,调度方案3为本发明得到的既有储能系统也有负荷需求响应参与调节的方案。
表1不同调峰场景和调度方案下的成本收益对比表
Figure BDA0003387376790000101
根据实施情况,得到如下结论:
1)无储能电站参与的调度方案1,特别是在反调峰场景下,无需求响应负荷参与调用,无法满足对风电的大规模消纳,导致严重的弃风弃光现象,弃风弃光率达到15.3%;
2)由于调度方案2中负荷需求响应参与调度,弃风弃光现象得到很大缓解;
3)调度方案3中进一步加入储能电站,可参与多时间尺度优化模拟,再辅以负荷需求响应资源的小幅调节,能够实现在正、反调峰场景下最大程度减少弃风,确保系统总的运行成本最小。
综上所述,本发明所提方法模型能够有效消除可再生能源和负荷预测的不确定性,提升新能源消纳能力,实现了风光储场站群功率最优分配,达到不同调峰场景、不同调度运行方式下的最优运行的目的。

Claims (7)

1.基于双层随机规划的风光储场站群功率分配协同优化方法,其特征在于,双层随机规划模型的外层采用成本控制的投资决策模型,双层随机规划模型的内层采用针对短期、超短期预测不确定性的优化决策模型;将负荷侧需求响应也作为可调节资源,用于风光储场站群系统的运行优化;求解双层随机规划模型,得到多种场景下备选的风光储联合运行方案集,根据实际调峰场景确定风光储场站群系统的最优出力分配,所述方法包括以下步骤:
步骤1:获取并分析风光储场站群及负荷的参数数据;
步骤2:建立考虑投资和运行成本的风光储场站群出力特性的投资决策模型,即外层模型;
步骤3:建立考虑风、光、负荷的不确定性和多时间尺度特性的风光储场站群出力的优化决策模型,即内层模型;
步骤4:对双层随机规划模型进行求解,得到多种场景下备选的风光储联合运行方案集;
步骤5:根据实际的不同调峰场景、不同弃风弃光率、不同的系统运行方式,确定风光储场站群系统的最优出力分配。
2.根据权利要求1所述的基于双层随机规划的风光储场站群功率分配协同优化方法,其特征在于,步骤1中,分析风光储场站群及负荷的参数数据,得到的风光储场站群及负荷侧需求的特性包括:
(一)风电出力同时具备规律性和随机性,在中、长期时间尺度上,风电出力具有显著季节差异;短期时间尺度上,风电具有显著的时序波动特征;具体的一个时刻,受预测误差因素影响,风电具有显著的随机性;
(二)光伏发电同理具备规律性和随机性,但是在短期时间尺度来看,其随机性比风电更加显著,受预测误差影响很大;
(三)储能系统的储能电池动态响应特性极佳,可在秒级、毫秒级短时间内改变出力来响应外部出力的改变,适应功率需求的紧急变化,可以用于平滑秒级至分钟级的风功率;
(四)与各类新能源电源的多尺度特性一样,负荷侧需求响应也可作为一种可调节资源,并用于电力系统的运行优化;负荷侧需求响应根据用户响应方式分为电价型需求响应和激励型需求响应两种,其中电价型需求响应是指用户根据不同电价政策自发地调节用电计划,激励型需求响应是指需求响应聚合商响应电网企业的需求,在运行过程中直接调用部分需求响应资源。
3.根据权利要求2所述的基于双层随机规划的风光储场站群功率分配协同优化方法,其特征在于,激励型需求响应根据响应电网指令时间的长短来分类,具体包括:
1)A类激励型需求响应,响应时长大于1小时;
2)B类激励型需求响应,响应时长为15分钟至120分钟;
3)C类激励型需求响应,响应时长5分钟至15分钟。
4.根据权利要求3所述的基于双层随机规划的风光储场站群功率分配协同优化方法,其特征在于,划分负荷侧需求响应资源的时间尺度,具体包括:
1)多场景日前优化时间尺度为1小时,执行周期为24小时,此时间尺度用于确定光伏发电场站出力、电价型需求响应以及A类激励型需求响应调用量;
2)多场景日内滚动优化时间尺度为15分钟,执行周期为4小时,此时间尺度用于确定风电场站出力、储能电池出力、B类激励型需求响应调用量;
3)机会约束实时优化的时间尺度为5分钟,执行周期为15分钟,此时间尺度用于确定C类激励型需求响应调用量。
5.根据权利要求4所述的基于双层随机规划的风光储场站群功率分配协同优化方法,其特征在于,步骤2中,决策模型的目标函数为
minf1=Cv.c+Cv.o+Csys (1)
Cv.c=AP(r,n)cv.cPv.c (2)
Cv.o=ov.cPv.c (3)
Figure FDA0003387376780000021
Figure FDA0003387376780000022
式中f1为系统总成本;Cv.c为储能系统投资成本;Cv.o为储能系统运维成本;Csys为风光储总系统的运行成本;AP(r,n)为资金回收系数,与利率r和设计年限n有关;cv.c为储能系统的单位投资成本;Pv.c为储能容量;ov.c为储能系统的单位容量维护费用;αw表示实际弃风率,
Figure FDA0003387376780000023
表示最大允许弃风率,t=1,2…T表示系统运行周期时间内的采样时刻点,T为系统运行周期时间内的采样时刻点数,Δt为采样时间间隔;PC,t为t时刻风电的弃风功率,PR,t为t时刻风电的实际出力功率;αs表示实际弃光率;
Figure FDA0003387376780000024
表示最大允许弃光率;P′C,t为t时刻光伏发电的弃光功率,P′R,t为t时刻光伏发电的实际出力功率。
6.根据权利要求5所述的基于双层随机规划的风光储场站群功率分配协同优化方法,其特征在于,步骤3包括以下子步骤:
步骤3-1:建立日前短期优化模型,采用适用于大不确定性的多场景随机规划,应对不同负荷、风电出力预测误差,目标函数为
Figure FDA0003387376780000031
式中f2为系统总的运行成本;fES,t为t时刻储能系统的成本函数;fwind,t为t时刻风电的成本函数;fpv,t为t时刻光伏发电的成本函数;fload,t为t时刻用户负荷成本函数;
具体而言,储能、风力发电、光伏发电和用户负荷成本计算式如下:
Figure FDA0003387376780000032
Figure FDA0003387376780000033
Figure FDA0003387376780000034
Figure FDA0003387376780000035
式中Ns为场景的数量;Nes为储能单元的数量;ps为场景s发生的概率;C(PESi,t,s)为储能电站i在t时刻s场景下的建设成本函数,自变量为储能输出功率PESi,t,s;W(PESi,t,s)为储能电站i在t时刻s场景下的运维成本函数,自变量为储能输出功率PESi,t,s;Nwind为风电场的数量;C(Pwindi,t,s)为风电场i在t时刻s场景下的建设成本函数;kc,wind为弃风惩罚成本系数;
Figure FDA0003387376780000036
为风电系统在t时刻s场景下的预测出力值;Pwind,t,s为风电系统在t时刻s场景下的实际出力值;Npv为光伏电站的数量;C(Ppvi,t,s)为光伏电站i在t时刻s场景下的建设成本函数,自变量为光伏输出功率Ppvi,t,s;kc,pv为弃光惩罚成本系数;
Figure FDA0003387376780000037
为光伏系统在t时刻s场景下的预测出力值;Ppv,t,s为风电系统在t时刻s场景下的实际出力值;kIDRA为A类激励型需求响应的成本系数;kIDRB为B类激励型需求响应的成本系数;|ΔPIDRA,t,s|为t时刻s场景下A类激励型需求响应的负荷的调用量,|ΔPIDRB,t,s|为t时刻s场景下B类激励型需求响应的负荷的调用量;kc,load为负荷失电惩罚系数;Ploss,t,s为负荷t时刻s场景下的失电功率;
步骤3-2:采用滚动的方法处理日内超短期优化问题,建立日内超短期优化模型,以日前短期规划得到的数据为基础,结合未来4小时内时间尺度为15分钟的可再生能源和负荷的预测数据来求解,目标函数同样为运行成本最小,即
Figure FDA0003387376780000041
与式(10)不同,此时fload,t的计算式如下
Figure FDA0003387376780000042
式中kIDRC为C类激励型需求响应的调用成本系数;|ΔPIDRC,t,s|为C类激励型需求响应在t时刻s场景的调用量。
7.根据权利要求6所述的基于双层随机规划的风光储场站群功率分配协同优化方法,其特征在于,步骤4包括以下子步骤:
步骤4-1:将风光储场站群系统的负荷、常规机组功率、最大弃风率、最大弃光率作为外层的决策模型的输入;
步骤4-2:求解决策模型,得到多场景的电力生产、储能方案集合M={Mi,1≤i≤N},其中Mi表示第i个候选的电力生产、储能方案,N表示电力生产、储能方案的数量;
步骤4-3:进行风电、光伏发电和负荷的短期预测;
步骤4-4:求解日前短期优化模型,确定候选方案Mi的光伏出力、PDR响应量和A类IDR调用量,求解过程初始i的初值为i=1;
步骤4-5:进行风电、光伏发电和负荷超短期预测;
步骤4-6:求解日内超短期优化模型,确定候选方案Mi的风电出力、B类IDR调用量、储能系统出力;
步骤4-7:记录最优成本、弃风率、弃光率,形成风光储联合运行方案;
步骤4-8:判断形成的风光储联合运行方案是否满足弃风、弃光率要求,若满足弃风、弃光率要求,则执行步骤4-9,否则舍弃当前方案Mi,令i=i+1,执行步骤4-4;
步骤4-9:将得到的风光储联合运行方案作为风光储场站群系统运行的备选方案之一,判断i<N是否成立,若i<N,则令i=i+1,执行步骤4-4,否则执行步骤4-10;
步骤4-10:得到多种场景下备选的风光储联合运行方案集,结束。
CN202111458720.9A 2021-12-01 2021-12-01 基于双层随机规划的风光储场站群功率分配协同优化方法 Active CN114336702B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111458720.9A CN114336702B (zh) 2021-12-01 2021-12-01 基于双层随机规划的风光储场站群功率分配协同优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111458720.9A CN114336702B (zh) 2021-12-01 2021-12-01 基于双层随机规划的风光储场站群功率分配协同优化方法

Publications (2)

Publication Number Publication Date
CN114336702A true CN114336702A (zh) 2022-04-12
CN114336702B CN114336702B (zh) 2023-12-15

Family

ID=81048159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111458720.9A Active CN114336702B (zh) 2021-12-01 2021-12-01 基于双层随机规划的风光储场站群功率分配协同优化方法

Country Status (1)

Country Link
CN (1) CN114336702B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114649820A (zh) * 2022-04-15 2022-06-21 中国长江三峡集团有限公司 一种风光储场站多环节容量分配方法及系统
CN115566701A (zh) * 2022-08-26 2023-01-03 中国长江三峡集团有限公司 确定定速抽蓄容量和变速抽蓄容量的方法及装置
CN115659595A (zh) * 2022-09-26 2023-01-31 中国华能集团清洁能源技术研究院有限公司 基于人工智能的新能源场站的储能控制方法及装置
CN115842359A (zh) * 2022-08-26 2023-03-24 华北电力大学 考虑动态调频性能的风光储场站一次调频备用整定方法
CN117117925A (zh) * 2023-10-24 2023-11-24 国网山东省电力公司东营供电公司 新能源场站内储能功率分配优化方法、系统、终端及介质
CN117200342A (zh) * 2023-09-06 2023-12-08 上海勘测设计研究院有限公司 跨时间尺度的风光储一体化运行方法、系统、介质及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354626A (zh) * 2015-10-15 2016-02-24 华南理工大学 一种双层电力经济调度快速优化方法
CN109508857A (zh) * 2018-09-28 2019-03-22 国网浙江省电力有限公司经济技术研究院 一种主动配电网多阶段规划方法
CN110752600A (zh) * 2019-11-04 2020-02-04 国网四川省电力公司经济技术研究院 基于多能互补的清洁能源系统优化调度模型的构建方法
CN111277005A (zh) * 2020-02-19 2020-06-12 东北电力大学 考虑源-荷协调优化的多源电力系统多时间尺度调度方法
US20210044117A1 (en) * 2019-08-09 2021-02-11 Changsha University Of Science & Technology Method for dynamically and economically dispatching power system based on optimal load transfer ratio and optimal grid connection ratio of wind power and photovoltaic power

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354626A (zh) * 2015-10-15 2016-02-24 华南理工大学 一种双层电力经济调度快速优化方法
CN109508857A (zh) * 2018-09-28 2019-03-22 国网浙江省电力有限公司经济技术研究院 一种主动配电网多阶段规划方法
US20210044117A1 (en) * 2019-08-09 2021-02-11 Changsha University Of Science & Technology Method for dynamically and economically dispatching power system based on optimal load transfer ratio and optimal grid connection ratio of wind power and photovoltaic power
CN110752600A (zh) * 2019-11-04 2020-02-04 国网四川省电力公司经济技术研究院 基于多能互补的清洁能源系统优化调度模型的构建方法
CN111277005A (zh) * 2020-02-19 2020-06-12 东北电力大学 考虑源-荷协调优化的多源电力系统多时间尺度调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马静 等: "基于功率多频率尺度分析的风光水气储联合系统日前调度策略", 《电网技术》, vol. 37, no. 06 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114649820A (zh) * 2022-04-15 2022-06-21 中国长江三峡集团有限公司 一种风光储场站多环节容量分配方法及系统
CN114649820B (zh) * 2022-04-15 2024-04-05 中国长江三峡集团有限公司 一种风光储场站多环节容量分配方法及系统
CN115566701A (zh) * 2022-08-26 2023-01-03 中国长江三峡集团有限公司 确定定速抽蓄容量和变速抽蓄容量的方法及装置
CN115842359A (zh) * 2022-08-26 2023-03-24 华北电力大学 考虑动态调频性能的风光储场站一次调频备用整定方法
CN115842359B (zh) * 2022-08-26 2024-01-02 华北电力大学 考虑动态调频性能的风光储场站一次调频备用整定方法
CN115566701B (zh) * 2022-08-26 2024-05-10 中国长江三峡集团有限公司 确定定速抽蓄容量和变速抽蓄容量的方法及装置
CN115659595A (zh) * 2022-09-26 2023-01-31 中国华能集团清洁能源技术研究院有限公司 基于人工智能的新能源场站的储能控制方法及装置
CN115659595B (zh) * 2022-09-26 2024-02-06 中国华能集团清洁能源技术研究院有限公司 基于人工智能的新能源场站的储能控制方法及装置
CN117200342A (zh) * 2023-09-06 2023-12-08 上海勘测设计研究院有限公司 跨时间尺度的风光储一体化运行方法、系统、介质及装置
CN117117925A (zh) * 2023-10-24 2023-11-24 国网山东省电力公司东营供电公司 新能源场站内储能功率分配优化方法、系统、终端及介质
CN117117925B (zh) * 2023-10-24 2024-01-26 国网山东省电力公司东营供电公司 新能源场站内储能功率分配优化方法、系统、终端及介质

Also Published As

Publication number Publication date
CN114336702B (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
CN114336702B (zh) 基于双层随机规划的风光储场站群功率分配协同优化方法
CN109492815B (zh) 一种市场机制下面向电网的储能电站选址定容优化方法
CN107301472B (zh) 基于场景分析法和电压调节策略的分布式光伏规划方法
CN110112767B (zh) 广域多形态需求侧负荷参与系统调峰的荷源优化控制方法
CN107895221B (zh) 市场环境下梯级水电站中长期调度与检修计划优化方法
CN112163687B (zh) 一种基于负荷聚合商的用户侧两阶段调峰响应方法
CN112465181A (zh) 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法
CN111697578B (zh) 多目标含储能区域电网运行控制方法
CN114156870B (zh) 一种储能系统参与多应用领域优化调度方法
CN117239740B (zh) 一种虚拟电厂系统的优化配置与灵活性提升方法及系统
CN114819373A (zh) 一种基于合作博弈的共享混合储能电站的储能规划方法
CN108009672B (zh) 基于双层优化模型的水光互补电站日发电计划编制方法
CN116316567A (zh) 一种阶梯碳交易机制下综合能源需求响应优化方法
CN117578537A (zh) 基于碳交易和需求响应的微电网优化调度方法
CN116191493A (zh) 一种火电机组深度调峰和复合储能协同规划方法与装置
CN115293457A (zh) 基于分布式协同优化策略的综合能源系统季节性氢储优化配置方法
CN114723230A (zh) 面向新能源发电和储能的微电网双层调度方法及系统
CN116995741A (zh) 考虑容量共享的新能源-电网-用户侧储能优化配置方法及系统
CN115907393A (zh) 一种含长时储能虚拟电厂的多时间尺度调度方法
CN114977158A (zh) 面向高比例分布式光伏消纳的复合型需求侧响应控制方法
CN115940284A (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
CN114723278A (zh) 一种考虑光伏储能的社区微电网调度方法及系统
CN114400652A (zh) 一种计及核电主动参与调峰的多能源发电优化调度方法
CN114725961A (zh) 平抑风电波动的制氢系统容量分层优化配置方法
CN114530848A (zh) 一种光储虚拟电厂多时间尺度动态划分方法

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
TR01 Transfer of patent right

Effective date of registration: 20231220

Address after: 430010 No.1, Liuhe Road, Jiang'an District, Wuhan City, Hubei Province

Patentee after: CHINA THREE GORGES Corp.

Patentee after: Three Gorges Land New Energy Investment Co.,Ltd.

Address before: 430010 No.1, Liuhe Road, Jiang'an District, Wuhan City, Hubei Province

Patentee before: CHINA THREE GORGES Corp.

TR01 Transfer of patent right