CN114336762A - 风光发电及电网负荷波动日前调度储能配置优化方法 - Google Patents

风光发电及电网负荷波动日前调度储能配置优化方法 Download PDF

Info

Publication number
CN114336762A
CN114336762A CN202210024705.1A CN202210024705A CN114336762A CN 114336762 A CN114336762 A CN 114336762A CN 202210024705 A CN202210024705 A CN 202210024705A CN 114336762 A CN114336762 A CN 114336762A
Authority
CN
China
Prior art keywords
power generation
power
wind
load
trend
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
CN202210024705.1A
Other languages
English (en)
Other versions
CN114336762B (zh
Inventor
朱建红
徐人杰
顾菊平
吴敏
张鹏坤
谭立坤
张新松
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.)
Nantong University
Original Assignee
Nantong University
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 Nantong University filed Critical Nantong University
Priority to CN202210024705.1A priority Critical patent/CN114336762B/zh
Publication of CN114336762A publication Critical patent/CN114336762A/zh
Application granted granted Critical
Publication of CN114336762B publication Critical patent/CN114336762B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种风光发电及电网负荷波动日前调度储能配置优化方法，首先，从发电运营商角度，对风力、光伏发电情况按日统计功率预测偏差分布，统计日发电预测偏差补偿所需储能容量配置情况；在此基础上，利用模糊熵理论分析风电、光伏的预测偏差累积值统计数据的分布特性，确定风力、光伏的发电功率变化趋势；同时基于模糊熵理论分析负荷的变化趋势系数，考虑不同时段电网负荷变化特性，由发电与负荷的变化趋势系数比较得到最终的发电计划修正系数，优化储能容量配置，确定修正后的储能容量配置。本发明储能容量配置在合理考虑电网负荷变化与发电情况因素下获得，选定最终的容量配置量能满足并网调度计划预报准确度、可靠性要求。

Description

风光发电及电网负荷波动日前调度储能配置优化方法
技术领域
本发明涉及新能源发电技术领域，具体涉及一种风光发电及电网负荷波动日前调度储能配置优化方法。
背景技术
随着可再生能源渗透率上升，大规模的可再生能源并网增加了电网调度的困难；可再生能源并网预报计划多直接采用预测模型制定，预测方案可以简单快捷的运用到预报计划之中，但预测技术也有其局限性，例如波动情况、误差分布等方面很难调整；单一的预测模型也无法完全适应所有的场景，随着计算机数据处理能力的提升，模型可能结合了分解、优化、重构等一系列数据处理技术，力争性能指标的不断提升。
尽管预测精度提升一定程度上可以降低储能容量配置，但是随着预测技术精度的不断降低，反而使得储能最优配置遇到了瓶颈。从误差分布的角度来说，精度越低，误差的分布对储能容量影响越大；现有的预测技术多以追求精度为准则，实际上精度高不完全等价于储能配置最优。现今，学者们多将降低储能配置的方案寄托于目标函数求解之中，通过建立系统的经济最优、污染排放最小等目标函数，运用优化算法迭代求解最优的储能配置。虽然利用目标函数可以取得较为合理的结果，但其构建的模型不进行相应简化措施的话，则可能会出现收敛较慢、计算时间长等诸多问题。若进行简化操作的话，难免会影响最终求解结果；因此，为避免上述不利因素，采用一种求解效率高、配置效果较优的方法十分必要。
储能容量的有效配置及调度方法合理设计能保证可再生能源的充分利用，可以降低公用电网的供电压力；鉴于发电的核心目的是维持供需平衡，所以研究用电场景显得十分重要，考虑好用电场景的发电计划才能有效降低可再生能源的发电计划偏差，进而优化储能配置，降低储能配置所需的相关费用。可靠的容量配置提高了风光互补发电并网运行的可调度能力，一定程度降低新能源并网发电对储能容量的需求量。
发明内容
发明目的：本发明的目的是为了解决现有技术中的不足，提供一种风光发电及电网负荷波动日前调度储能配置优化方法；基于历史数据，在风光预测偏差补偿统计样本处理中，引进模糊熵对风光发电累积偏差及负荷趋势走向进行描述，通过给负荷设置置信度调整不同场景下的负荷趋势系数，结合二者对应时段抵消叠加效应，确定最终修正系数优化最终的储能容量配置量，有效避免新能源发电计划不准确对公用电网调度造成的不利影响。
为了实现以上目的，本发明提供一种风光发电及电网负荷波动日前调度储能配置优化方法，包括如下步骤：
步骤1、统计风力、光伏发电一年内日发电预测功率与实际功率数据，统计每天0时至24时的预测偏差，对连续采样周期的功率偏差数据进行功率时间积分统计，初次得到一年内计划偏差补偿用储能容量配置量；
步骤2、采样分辨率为分钟级，将风力、光伏的一年内日发电累积偏差数据以每15min为间隔划分，利用模糊熵衡量计划发电过剩和计划不足的变化趋势情况，确定所有时段下的风力、光伏发电功率累积计划偏差量的变化趋势系数具体值；
步骤3、统计负荷变化量分布情况，将负荷的一年内耗电量数据以每15min为间隔划分，利用模糊熵衡量其耗电趋势情况，确定所有时段负荷变化趋势系数具体值；
步骤4、首先比较风光发电计划偏差累积系数和负荷变化趋势系数的极性，根据系数变化正负极性确定需要修正系数，初次优化储能容量配置；然后，分电网用电高峰、谷峰和过渡时段考虑负荷分布的特殊性；考虑三种负荷时段下的负荷变化跨度较大，设置相应的置信度以增强负荷变化趋势系数的适应性；最后将更新后的负荷趋势系数，结合相应的风光发电计划累积偏差趋势系数，最终确定修正后的储能容量配置。
进一步的，所述步骤2、3中利用模糊熵概念分别描述风光发电计划累积偏差曲线趋势系数和电网负荷变化曲线的趋势系数，具体步骤如下:
2.1、选取相关时序样本数据，数据源包括风光发电功率计划累积偏差数据及电网负荷耗电量变化数据；特定时段一般为风光发电计划最小时间分辨率即15min，其余采样点时间分辨率则以1min为标准；对相应数据不同日况下特定时段内固定M个采样点定义{u(j):1≤j≤M}，u(j)是不同维度下的矢量，该矢量是按照时序顺序重构生成的，其中M、j属于整数；
2.2、选取2.1定义生成一组n维矢量，n为整数；
令
Figure BDA0003462668070000031
其中{u(j),u(j+1),…u(j+n--1)}，代表第j个点开始连续n个u的值，u0(j)表示均值，n个u的值与u0(j)分别作差得到n个相对应的差值即
Figure BDA0003462668070000032
其中i为整数；
Figure BDA0003462668070000033
上述步骤求解差值的主要目的为确定相邻时间分辨率内的变化量，2.3距离比较提供参考标准；
2.3、在不同日况下定义两个n维矢量
Figure BDA0003462668070000034
和
Figure BDA0003462668070000035
之间的距离
Figure BDA0003462668070000036
为两者对应元素中差值最大的一个，即
Figure BDA0003462668070000037
其中，在处理风光发电计划累积偏差数据时，选取两个在天气条件上相似的日况；在处理电网负荷变化趋势时，考虑电网负荷变化的周期性，选取同为工作日或者同为非周末日的时段数据；依据上式定义的矢量之间的相对距离
Figure BDA0003462668070000038
可确定不同日间特定时段的差异程度，以此可以判断固定区域内时序数据的走向情况，相对距离越小说明偏离程度越小，相对距离越大说明偏离程度越大；当然相对距离的值决定了模糊熵值，也作用到后续的偏差补偿具体值；
2.4、用模糊函数
Figure BDA0003462668070000041
定义两个向量
Figure BDA0003462668070000042
和
Figure BDA0003462668070000043
的相似度
Figure BDA0003462668070000044
即
Figure BDA0003462668070000045
上式中函数
Figure BDA0003462668070000046
为指数函数，m,r分别是指数函数的边界的梯度和宽度，根据步骤2.3中定义的最大差值，利用定义的指数函数反向确定其时序数据之间的相似度；其中，梯度主要表示数据维度，数据维度过小，则波动性较小，很难寻找规律，描述的相似度不可靠；数据维度过大，时间跨度过长，整体波动拉低，描述的相似度同样不可靠；数据维度取值范围在[10～50]之间，此处取为15。指数函数的宽度用来限制相似度的范围，相似度控制在[0,1]之间，此处指数函数的宽度取值为0.2倍的标准差u0(j)；
2.5、定义函数
Figure BDA0003462668070000047
则模糊熵定义为
Figure BDA0003462668070000048
当M值为有限值时，按照上述步骤得到模糊熵的估计
FuzzyEn(n,m,r,N)＝lnon(m,r)--lnon+1(m,r)
模糊熵表示的主要是特定时段内相邻维度间相似度取均值后的差值，最终在特定时段有M-n-1个模糊熵值，取均值以表示该时段的趋势走向的偏离程度；
2.6、风光发电计划累积偏差本身包含了储能需求变化量的信息，但趋势性难以简单的用特定数值去描述，同时对电网负荷的变化趋势可以更好的确认储能需求变化趋势性情况；通过上述2.1至2.5可确定一个时段曲线走势，此时段，曲线的趋势完全一致时则模糊熵值为1，若曲线走势波动较大，完全不一致时则为0；循环进行上述2.1至2.5步骤即可得到日内所有时段的趋势系数；当得到风光发电计划累积偏差和电网负荷的日内变化所有趋势系数后，最终比较两者趋势系数，以此来确认偏差补偿的具体值。
进一步的，所述步骤4中初次优化储能容量配置后的处理：考虑对应不同时段电网负荷变化特性，根据对应时段电网供电需求变化特性，分负荷需求高峰、低谷及过渡时段，对负荷变化趋势系数设置置信度，分别为5％、10％、15％和20％，对负荷变化趋势系数进行量化调整，再结合风光发电变化趋势系数，最终确定修正后的储能容量配置。
本发明的上述技术方案相比现有技术具有以下优点：
(1)通过模糊熵值量化描述风光联合发电计划偏差及电网负荷用电变化走势，能够较为准确的确定配电系统的能量需求情况，可以科学合理的对储能容量进行配置，有效的缓和电网供需平衡，增强可再生能源并网发电能力，同时也有效避免兼顾储能系统过充过放而缩短使用寿命；
(2)考虑到负荷用电的高峰、谷峰及过渡时段，设置了置信度，让风光发电计划偏差更适应电网负荷的变化趋势走向，从而降低储能配置需求量，提升配电系统整体经济效益；
(3)本发明中，储能容量确定方法考虑了其与用电场景的关系，相对复杂的系统模型构建而言，计算量小且通用性强，有较强的工程应用价值。
附图说明
下面结合附图，通过对本发明的具体实施方式详细描述，将使本发明的技术方案及其有益效果显而易见。
图1所示为本发明一实施例的一种考虑风光发电计划偏差、电网负荷变化趋势度以及负荷置信度的储能配置优化方法示意图；
图2所示为本发明一实施例的典型日风力、光伏及风光联合功率曲线示意图；
图3所示为本发明一实施例的典型日风光联合发电实际功率与计划功率曲线示意图；
图4为本发明一实施例考虑发电计划偏差变化趋势修正系数优化及针对电网负荷变化趋势系数及考虑置信度更新二次优化的典型日功率计划偏差时间积分的功率曲线，也即储能容量需求曲线。
具体实施方式
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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了风光发电及电网负荷波动日前调度储能配置优化方法，如图1所示，方法具有如下步骤：
步骤1、统计风力、光伏发电一年内日发电预测功率与实际功率数据，统计每天0时至24时的预测偏差，对连续采样周期的功率偏差数据进行功率时间积分统计，初次得到一年内计划偏差补偿用储能容量配置量；
步骤2、采样分辨率为分钟级，将风力、光伏的一年内日发电累积偏差数据以每15min为间隔划分，利用模糊熵衡量计划发电过剩和计划不足的变化趋势情况，确定所有时段下的风力、光伏发电功率累积计划偏差量的变化趋势系数具体值；
步骤3、统计负荷变化量分布情况，将负荷的一年内耗电量数据以每15min为间隔划分，利用模糊熵衡量其耗电趋势情况，确定所有时段负荷变化趋势系数具体值；
步骤4、首先比较风光发电计划偏差累积系数和负荷变化趋势系数的极性，根据系数变化正负极性确定需要修正系数，初次优化储能容量配置；然后，分电网用电高峰、谷峰和过渡时段考虑负荷分布的特殊性；考虑三种负荷时段下的负荷变化跨度较大，设置相应的置信度以增强负荷变化趋势系数的适应性；最后将更新后的负荷趋势系数，结合相应的风光发电计划累积偏差趋势系数，最终确定修正后的储能容量配置。
步骤3中，考虑计划累积偏差系数和负荷趋势系数的主要依据是在特定时段模糊熵的标准差值，一般变化越明显，标准差越大，即说明波动性越大；同时n-1维和n维的相似性越高则说明上升下降的趋势越明显；实际情况下，累计偏差是围绕0基准线波动，负荷却不是，所以实际修正时受到负荷基准值的影响还会有所差异，所以引入置信度进行调整。
具体实施时，首先在日前结合天气情况针对下一日0时至24时，对风光总发电量进行预测，制定风光不同时段相应的发电计划，统计不同时段的风光计划总偏差情况，对连续24小时的风光总偏差积分统计，计算出风光计划的偏差累积量；然后分别计算风光计划偏差累积量和负荷的相应模糊熵值，循环计算得出所有需求时段的值；最后并将相应值作为风光计划偏差累积量趋势系数与负荷趋势系数，两者相结合以得到最终的修正系数。
其次，在储能系统运行中，设定荷电状态为[0.2,0.8]之间安全界限，在实际补偿中考虑储能可吞吐的能量最大值。主要从两个方面，一方面即储能自身的最大充放电功率，另一方面根据荷电状态到安全界限的差值量，若差值大于储能本身的最大充放电功率则维持原值；若差值低于储能本身的最大充放电功率则以差值为准。
最后，由当前风速与光照强度实际产生的总功率即实际值，对比风光日前计划值，得到相应的风光实际偏差，由实际偏差与储能可吞吐量进行比较，此处可分三种情况，实际偏差值表示需求能量状态且当储能接近上限时，放电幅度为100％；实际偏差值表示能量过剩状态且当储能接近下限时，充电幅度为100％；其余时段遵循原本设置的修正系数。
Figure BDA0003462668070000071
其中，△P为储能系统功率给定值，
Figure BDA0003462668070000072
为风光联合计划，
Figure BDA0003462668070000073
为风光实际联合发电，
Figure BDA0003462668070000074
为优化计划曲线。rn为修正系数。
如图2和图3所示，图2中展示了典型日的风光曲线情况，表现了风电功率全天24小时的不确定性以及光伏功率围绕中午12时呈现的正态性。图3展示了风光实际总功率曲线和风光计划总曲线。
如图4所示，当给定负荷趋势系数设置的置信度为10％时，储能的容量配置下降幅度十分明显，约下降18％左右，且风光计划总偏差依旧满足国家的接入标准。
本发明涉及风光发电计划累积偏差变化趋势及电网负荷变化趋势的因子确定，结合二者趋势对应时段抵消叠加的因素，比较二者模糊熵值得到最终的修正系数。采用依托历史数据构建发电计划模型，实际数据验证的方法可靠性，依靠储能系统实现能量吞吐流动，有助于实现微电网负荷可靠运行的控制目标。
以上所述仅为本发明的示例性实施例，并非因此限制本发明专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (3)

1.一种风光发电及电网负荷波动日前调度储能配置优化方法，其特征在于，包括如下步骤：
步骤1、统计风力、光伏发电一年内日发电预测功率与实际功率数据，统计每天0时至24时的预测偏差，对连续采样周期的功率偏差数据进行功率时间积分统计，初次得到一年内计划偏差补偿用储能容量配置量；
步骤2、采样分辨率为分钟级，将风力、光伏的一年内日发电累积偏差数据以每15min为间隔划分，利用模糊熵衡量计划发电过剩和计划不足的变化趋势情况，确定所有时段下的风力、光伏发电功率累积计划偏差量的变化趋势系数具体值；
步骤3、统计负荷变化量分布情况，将负荷的一年内耗电量数据以每15min为间隔划分，利用模糊熵衡量其耗电趋势情况，确定所有时段负荷变化趋势系数具体值；
步骤4、首先比较风光发电计划偏差累积系数和负荷变化趋势系数的极性，根据系数变化正负极性确定需要修正系数，初次优化储能容量配置；然后，分电网用电高峰、谷峰和过渡时段考虑负荷分布的特殊性；考虑三种负荷时段下的负荷变化跨度较大，设置相应的置信度以增强负荷变化趋势系数的适应性；最后将更新后的负荷趋势系数，结合相应的风光发电计划累积偏差趋势系数，最终确定修正后的储能容量配置。
2.根据权利要求1所述一种考风光发电及电网负荷波动日前调度储能配置优化方法，其特征在于，所述步骤2、3中利用模糊熵概念分别描述风光发电计划累积偏差曲线趋势系数和电网负荷变化曲线的趋势系数，具体步骤如下:
2.1、选取相关时序样本数据，数据源包括:风光发电功率计划累积偏差数据及电网负荷耗电量变化数据；特定时段一般为风光发电计划最小时间分辨率即15min，其余采样点时间分辨率则以1min为标准；对相应数据不同日况下特定时段内固定M个采样点定义{u(j):1≤j≤M}，u(j)是不同维度下的矢量，该矢量是按照时序顺序重构生成的，其中M、j属于整数；
2.2、选取2.1定义生成一组n维矢量，n为整数；
令
Figure FDA0003462668060000021
其中{u(j),u(j+1),…u(j+n-1)}，代表第j个点开始连续n个u的值，u0(j)表示均值，n个u的值与u0(j)分别作差得到n个相对应的差值即
Figure FDA0003462668060000022
其中i为整数；
Figure FDA0003462668060000023
上述步骤求解差值，即标准差的u0(j)，主要目的为确定相邻时间分辨率内的变化量，为2.3距离比较提供参考标准；
2.3、在不同日况下定义两个n维矢量
Figure FDA0003462668060000024
和
Figure FDA0003462668060000025
之间的距离
Figure FDA0003462668060000026
为两者对应元素中差值最大的一个，即
Figure FDA0003462668060000027
其中，在处理风光发电计划累积偏差数据时，选取两个在天气条件上相似的日况；在处理电网负荷变化趋势时，考虑电网负荷变化的周期性，选取同为工作日或者同为非周末日的时段数据；依据上式定义的矢量之间的相对距离
Figure FDA0003462668060000028
可确定不同日间特定时段的差异程度，以此可以判断固定区域内时序数据的走向情况，相对距离越小说明偏离程度越小，相对距离越大说明偏离程度越大；相对距离的值决定了模糊熵值，也作用到后续的偏差补偿具体值；
2.4、用模糊函数
Figure FDA0003462668060000029
定义两个向量
Figure FDA00034626680600000210
和
Figure FDA00034626680600000211
的相似度
Figure FDA00034626680600000212
即
Figure FDA00034626680600000213
上式中函数
Figure FDA00034626680600000214
为指数函数，m,r分别是指数函数的边界的梯度和宽度，根据步骤2.3中定义的最大差值，利用定义的指数函数反向确定其时序数据之间的相似度，其中，梯度主要表示数据维度，数据维度过小，则波动性较小，很难寻找规律，描述的相似度不可靠；数据维度过大，时间跨度过长，整体波动拉低，描述的相似度同样不可靠；数据维度取值范围在[10～50]之间，此处取为15。指数函数的宽度用来限制相似度的范围，相似度控制在[0,1]之间，此处指数函数的宽度取值为0.2倍的标准差u0(j)；
2.5、定义函数
Figure FDA0003462668060000031
则模糊熵定义为
Figure FDA0003462668060000032
当M值为有限值时，按照上述步骤得到模糊熵的估计
FuzzyEn(n,m,r,N)＝lnon(m,r)-lnon+1(m,r)
模糊熵表示的主要是特定时段内相邻维度间相似度取均值后的差值，最终在特定时段有M-n-1个模糊熵值，取均值以表示该时段的趋势走向的偏离程度；
2.6、风光发电计划累积偏差本身包含了储能需求变化量的信息，但趋势性难以简单的用特定数值去描述，同时对电网负荷的变化趋势可以更好的确认储能需求变化趋势性情况；通过上述2.1至2.5可确定一个时段曲线走势，此时段，曲线的趋势完全一致时则模糊熵值为1，若曲线走势波动较大，完全不一致时则为0；循环进行上述2.1至2.5步骤即可得到日内所有时段的趋势系数；当得到风光发电计划累积偏差和电网负荷的日内变化所有趋势系数后，最终比较两者趋势系数，以此来确认偏差补偿的具体值。
3.根据权利要求1所述一种风光发电及电网负荷波动日前调度储能配置优化方法，其特征在于，所述步骤4中初次优化储能容量配置后的处理：考虑对应不同时段电网负荷变化特性，根据对应时段电网供电需求变化特性，分负荷需求高峰、低谷及过渡时段，对负荷变化趋势系数设置置信度，分别为5％、10％、15％和20％，对负荷变化趋势系数进行量化调整，再结合风光发电变化趋势系数，最终确定修正后的储能容量配置。
CN202210024705.1A 2022-01-10 2022-01-10 风光发电及电网负荷波动日前调度储能配置优化方法 Active CN114336762B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210024705.1A CN114336762B (zh) 2022-01-10 2022-01-10 风光发电及电网负荷波动日前调度储能配置优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210024705.1A CN114336762B (zh) 2022-01-10 2022-01-10 风光发电及电网负荷波动日前调度储能配置优化方法

Publications (2)

Publication Number Publication Date
CN114336762A true CN114336762A (zh) 2022-04-12
CN114336762B CN114336762B (zh) 2023-08-25

Family

ID=81026148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210024705.1A Active CN114336762B (zh) 2022-01-10 2022-01-10 风光发电及电网负荷波动日前调度储能配置优化方法

Country Status (1)

Country Link
CN (1) CN114336762B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063003A (zh) * 2022-06-30 2022-09-16 华北电力大学（保定） 基于多元负荷时序分析的综合能源系统分时段调度方法
CN117175657A (zh) * 2023-09-04 2023-12-05 广东永光新能源设计咨询有限公司 光伏储能系统的容量配置方法、装置、介质及设备
CN118472946A (zh) * 2024-07-10 2024-08-09 湖南西来客储能装置管理系统有限公司 智能电网ai联调峰决策方法、系统、设备和介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111030150A (zh) * 2019-12-30 2020-04-17 南通大学 一种微电网系统负荷可靠供电的混合储能容量确定方法
CN113078643A (zh) * 2021-05-13 2021-07-06 南通大学 一种考虑电网经济运行风电计划优化及偏差补偿用储能容量配置方法
CN113610374A (zh) * 2021-07-29 2021-11-05 南通大学 一种风光互补功率计划偏差动态补偿储能能量管理方法
CN113659627A (zh) * 2021-08-25 2021-11-16 中南大学 一种含光伏发电和液态空气储能的微电网优化调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111030150A (zh) * 2019-12-30 2020-04-17 南通大学 一种微电网系统负荷可靠供电的混合储能容量确定方法
CN113078643A (zh) * 2021-05-13 2021-07-06 南通大学 一种考虑电网经济运行风电计划优化及偏差补偿用储能容量配置方法
CN113610374A (zh) * 2021-07-29 2021-11-05 南通大学 一种风光互补功率计划偏差动态补偿储能能量管理方法
CN113659627A (zh) * 2021-08-25 2021-11-16 中南大学 一种含光伏发电和液态空气储能的微电网优化调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIPING PAN 等: "Integrated Control of Smoothing Power Fluctuations and Peak Shaving in Wind/PV/Energy Storage System", 2016 8TH INTERNATIONAL CONFERENCE ON INTELLIGENT HUMAN-MACHINE SYSTEMS AND CYBERNETICS (IHMSC), pages 586 - 591 *
方磊 等: "微网可转移负荷调度与储能控制策略", 华东理工大学学报(自然科学版), vol. 44, no. 04, pages 588 - 594 *
李浩博 等: "考虑风电计划跟踪的储能调度模糊控制系统研究", 电力系统保护与控制, vol. 49, no. 01, pages 125 - 132 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063003A (zh) * 2022-06-30 2022-09-16 华北电力大学（保定） 基于多元负荷时序分析的综合能源系统分时段调度方法
CN115063003B (zh) * 2022-06-30 2023-01-24 华北电力大学（保定） 基于多元负荷时序分析的综合能源系统分时段调度方法
CN117175657A (zh) * 2023-09-04 2023-12-05 广东永光新能源设计咨询有限公司 光伏储能系统的容量配置方法、装置、介质及设备
CN117175657B (zh) * 2023-09-04 2024-02-06 广东永光新能源设计咨询有限公司 光伏储能系统的容量配置方法、装置、介质及设备
CN118472946A (zh) * 2024-07-10 2024-08-09 湖南西来客储能装置管理系统有限公司 智能电网ai联调峰决策方法、系统、设备和介质

Also Published As

Publication number Publication date
CN114336762B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
Li et al. Stratified optimization strategy used for restoration with photovoltaic-battery energy storage systems as black-start resources
CN109599861B (zh) 考虑本地负荷调峰能力的送端电网电源结构规划方法
CN114336762B (zh) 风光发电及电网负荷波动日前调度储能配置优化方法
CN110474339B (zh) 一种基于深度发电负荷预测的电网无功控制方法
CN107423852A (zh) 一种计及典型场景的光储联合电站优化运营方法
CN112488362A (zh) 一种协调电动汽车参与辅助服务市场的储能优化配置方法
CN108054790B (zh) 基于预测出力逐次逼近的风光发电集群有功实时优化控制方法
CN114884108B (zh) 源网荷储一体化的微电网多时间尺度能量管理优化方法
CN113078643B (zh) 一种考虑电网经济运行风电计划优化及偏差补偿用储能容量配置方法
CN116231765B (zh) 一种虚拟电厂出力控制方法
CN111525552A (zh) 一种基于特征信息的三阶段短期风电场群功率预测方法
CN111092451A (zh) 一种基于配电网网格的光伏消纳预警方法
Gao Application of improved grey theory prediction model in medium-term load forecasting of distribution network
CN115912351A (zh) 光伏日内日前模型预测方法、系统、设备及介质
CN108075471B (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
CN114498690B (zh) 支持大规模可再生能源消纳的多元复合储能优化配置方法
CN115566741A (zh) 基于lstm预测校正的储能多时间尺度优化控制方法
CN114611957B (zh) 一种用于供需预测偏差二次修正储能能量管理方法
CN117060474A (zh) 一种新能源充电站的调度方法、系统、设备及存储介质
CN115423153A (zh) 基于概率预测的光伏储能系统能量管理方法
CN116843066A (zh) 基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法
CN114626604B (zh) 一种基于基准站感知的分布式光伏观测方法及系统
CN115940252A (zh) 一种基于时序生产模拟的零碳工业园区调峰资源配置方法
CN114530848A (zh) 一种光储虚拟电厂多时间尺度动态划分方法
Liang et al. Three-stage scheduling scheme for hybrid energy storage systems to track scheduled feed-in PV power

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