CN114358378A - 一种用于考虑需量管理的用户侧储能优化配置系统及方法 - Google Patents
一种用于考虑需量管理的用户侧储能优化配置系统及方法 Download PDFInfo
- Publication number
- CN114358378A CN114358378A CN202111453500.7A CN202111453500A CN114358378A CN 114358378 A CN114358378 A CN 114358378A CN 202111453500 A CN202111453500 A CN 202111453500A CN 114358378 A CN114358378 A CN 114358378A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- load
- user
- peak
- clustering
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000005611 electricity Effects 0.000 claims abstract description 22
- 238000007599 discharging Methods 0.000 claims abstract description 12
- 238000010248 power generation Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003139 buffering effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 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
- 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
本发明公开了储能技术领域的一种用于考虑需量管理的用户侧储能优化配置系统及方法,包括:获取用户历史负荷数据;基于用户历史负荷数据进行负荷曲线聚类,得到典型负荷曲线;建立考虑负荷削峰率的用户侧储能配置模型和基于两部制电价的用户侧储能收益模型;基于典型负荷曲线和用户侧储能收益目标函数,计算用户侧储能配置模型中的最佳配置参数。本发明能够通过科学配置储能,补偿或缓冲峰值负载以实现用户需求侧管理,可降低部分基本电价支出;同时在低谷充电高峰放电,利用峰谷价差获得套利,实现储能系统经济运行。
Description
技术领域
本发明涉及一种用于考虑需量管理的用户侧储能优化配置系统及方法,属于储能技术领域。
背景技术
近年来,随着我国经济的迅速发展,用户侧用电量显著增多,用户侧负荷峰谷差异也会逐渐加大,可能会出现电力系统供需不平衡,即负荷高峰时段用电需求无法满足,而负荷低谷时段电网电能大量浪费的现象。因此,随着用户用电负荷峰谷差进一步扩大,如何鼓励用户主动参与到负荷调节中来,并结合现有的电力设备为电网公司设计更为合理、精准的电价制度,从而实现用户侧用电负荷的削峰填谷,电网公司资源的合理配置。为了应对用户侧负荷峰谷差异加大的问题,电网公司一般在用户侧投资建设用于调峰的大容量变电站,因此收取的电费也会有所改变。
我国供电部门对大工业用户实行两部制电价,即用户需要上交的电费一部分是确实用掉的电量电费,单位为kWh,而另一部分是按照一定的收费周期内用户负荷的最大需量进行收费,单位为kW,收费周期一般有按月收费和按季度收费。
近年来,电量电费的价格没有显著变化,而单位需量电费的价格却在逐年上涨,对于很多大型工业用户来说,需量电费已经占据其上交总电费的10%-20%。因此,通过削减用户负荷峰值,从而降低用户的需量电价具有巨大的经济价值。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种用于考虑需量管理的用户侧储能优化配置系统及方法,通过科学配置储能,补偿或缓冲峰值负载以实现用户需求侧管理,可降低部分基本电价支出;同时在低谷充电高峰放电,利用峰谷价差获得套利,实现储能系统经济运行。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种用于考虑需量管理的用户侧储能优化配置方法,包括:
获取用户历史负荷数据;
基于用户历史负荷数据进行负荷曲线聚类,得到典型负荷曲线;
建立考虑负荷削峰率的用户侧储能配置模型和基于两部制电价的用户侧储能收益模型;
基于典型负荷曲线和用户侧储能收益目标函数,计算用户侧储能配置模型中的最佳配置参数。
进一步的,基于用户历史负荷数据进行负荷曲线聚类,得到典型负荷曲线,包括:
获取用户负荷曲线,从用户负荷曲线中随机选择若干条负荷曲线作为初始的负荷聚类中心;
计算各负荷曲线到各聚类中心的欧式距离;
对于每一条负荷曲线,比较其到各聚类中心之间的欧式距离,并找出其中的最小值后进行归类;
计算各类负荷数据的平均值,将平均后的负荷曲线作为每一类新的聚类中心;
比较新的聚类中心与上一个聚类中心之间的距离;
响应于该距离大于初始设定的阈值时,重新计算各负荷曲线到各聚类中心的欧式距离后,比较新的聚类中心与上一个聚类中心之间的距离;
响应于所有的聚类中心的距离均小于设定的阈值时,输出聚类曲线以及最终的聚类中心;
通过遍历法得到最终的聚类中心中DBI指标最小的最佳聚类个数,所述最佳聚类个数对应的聚类曲线即为典型负荷曲线。
进一步的,所述DBI指标的计算表达式为:
其中,IDBI为DBI指标,N为聚类个数,d(Xi)和d(Xj)为分别为Xi和Xj内部数据到聚类中心的距离,d(ci,cj)代表第i个聚类中心与第j个聚类中心之间的距离,Ti是簇类i中数据的个数,Xi为簇类编号(i∈1、2…N),Xj代表簇类i中的第j个数据点,Ai是簇类i的聚类中心,p=2,Ai是簇类i的聚类中心,Aj是簇类j的聚类中心,ak,i代表第i个负荷类型的聚类中心点的第k个值,ak,j代表第j个负荷类型的聚类中心点的第k个值。
进一步的,所述用户侧储能配置模型包括:储能系统功率平衡模型、储能装置充放电功率模型、储能荷电状态模型、储能充放电损耗模型和储能削峰模型。
进一步的,所述储能系统功率平衡模型为:
P′load(t)=Pload(t)+PESS(t)
P′peak,m=Ppeak,m-δmPpeak,m=(1-δm)Ppeak,m
式中,Pload(t)为用户负荷,PESS(t)为储能装置功率,PESS(t)>0时为储能充电,PESS(t)<0时为储能放电,P′load(t)为用户并网点功率,δm为加入储能后的月负荷削峰率,Ppeak,m为增加储能前用户并网点功率的月峰值,P′peak,m为增加储能后用户并网点功率的月峰值;
所述储能装置充放电功率模型为:
式中,PESS(t)为储能装置功率,Pc(t)为储能充电功率,Pd(t)为储能放电功率,Pcmax为储能额定充电功率,Pdmax为储能额定放电功率,Bd(t)和Bc(t)为布尔型变量;
所述储能荷电状态模型为:
式中:SOC(t)为储能荷电状态,ηc为储能充电效率,ηd为储能放电效率,Pc(t)为储能充电功率,Pd(t)为储能放电功率,Δt为采样间隔,t为调度周期时间长度,E为储能容量,SOClow、SOChigh为分别为荷电状态上下限;
所述储能充放电损耗模型为:
T=t
式中:Closs为电池储能损耗,SOCinit为调度时段开始时刻的储能荷电状态,PESS为储能充放电功率,E为储能容量;
所述储能削峰模型为:
Pload(t)+PESS(t)≤(1-δm)Ppeak,m
进一步的,基于两部制电价的用户侧储能收益模型包括用户侧储能收益目标函数,该目标函数以用户侧储能收益最大化为目标,表达式为:
max F=Cprice+Ctrans-Cinv-Coper
式中:Cprice表示储能用于需量节费后用户的电费收益,Ctrans为峰值负荷减少所降低的变压器成本,Cinv表示用户储能的投资成本,Coper表示全寿命周期内储能的运行维护成本,F为用户侧储能收益。
进一步的,基于典型负荷曲线和用户侧储能收益目标函数,计算用户侧储能配置模型中的最佳配置参数,包括:基于典型负荷曲线,以用户侧储能收益最大化为目标,优化用户侧储能配置模型中的储能配置容量及负荷削峰率。
第二方面,本发明提供了一种用于考虑需量管理的用户侧储能优化配置系统,包括:
负荷数据获取模块:用于获取用户历史负荷数据;
负荷曲线聚类模块:用于基于用户历史负荷数据进行负荷曲线聚类,得到典型负荷曲线;
模型建立模块:用于建立考虑负荷削峰率的用户侧储能配置模型和基于两部制电价的用户侧储能收益模型;
最佳配置参数计算模块:用于基于典型负荷曲线和用户侧储能收益目标函数,计算用户侧储能配置模型中的最佳配置参数。
第三方面,本发明提供了一种用于考虑需量管理的用户侧储能优化配置装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
本发明为解决两部制电价的背景下,大工业用户电费过高的问题,提供一种考虑需量管理的用户侧储能优化配置方法,通过科学配置储能,补偿或缓冲峰值负载以实现用户需求侧管理,可降低部分基本电价支出;同时在低谷充电高峰放电,利用峰谷价差获得套利,实现储能系统经济运行。
附图说明
图1是本发明实施例一提供的考虑需量管理的用户侧储能优化配置方法流程示意图;
图2是本发明实施例一提供的负荷曲线聚类流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
一种用于考虑需量管理的用户侧储能优化配置方法,通过一种自适应负荷曲线聚类算法进行负荷聚类,其输入数据为一段时间内的户日负荷数据曲线,可自动判别输出聚类个数,并给出对于的典型日负荷曲线。建立考虑容量电费的用户侧储能配置模型,构建考虑容量费的用户侧储能收益为目标函数,引入负荷削峰率的概念作为其优化参数变量,以用户侧储能收益最大化为目标,得到储能优化配置容量及负荷削峰率。包括如下步骤:
第一步,获取用户历史负荷数据,进行负荷曲线聚类,得到典型负荷曲线:
使用经典聚类方法中基于划分的K均值聚类算法进行算例的聚类,具体步骤如下:
(1)用户负荷曲线为n条,从这n条用户负荷曲线中随机选择m条负荷曲线作为初始的负荷聚类中心;
(2)分别计算这n条负荷曲线到这m个聚类中心的欧式距离;
(3)对于每一条(i=1,2,...n)负荷曲线比较其到m个聚类中心之间的欧式距离,并找出其中的最小值,若到这个聚类中心的距离最小,则将归为第j类;
(4)将m类分好之后,计算每一个类别所有负荷数据的平均值,将平均后的负荷曲线作为每一类新的聚类中心;
(5)比较新的聚类中心与上一个聚类中心之间的距离,若该距离大于初始设定的阈值,则返回到步骤(2);若所有的聚类中心的距离均小于设定的阈值,则输出聚类结果以及最终的聚类中心,算法结束。
在K均值聚类算法中,所输出结果的聚类个数m是需要进行人为设定的,是一种非自适应型的算法,因此需要通过聚类有效性指标,找出负荷数据的最佳聚类个数,从而获得最为有效的聚类。
采用Davies-Bould指标(Davies-BouldinIndex,DBI),验证聚类个数m的有效性,它计算的是每个类簇与其最相似类簇的相似性度量的系统范围平均值,其计算公式为:
式中:IDBI为DBI指标,Xi为簇类编号(i∈1、2…N),Xj代表簇类i中的第j个数据点,N为聚类个数,d(Xi)和d(Xj)为某一类内部数据到聚类中心的距离,d(ci,cj)为两不同类之间的距离。DBI指标越小,则表示聚类效果越好。DBI指标的计算步骤具体如下:
1、首先需要计算的是某一类中的数据点到聚类中心的平均距离变量d(Xi),代表了簇类i中各数据点的分散程度,计算公式为:
其中:Ti是簇类i中数据的个数,Xi为簇类编号(i∈1、2…N),Xj代表簇类i中的第j个数据点,也就是一个负荷的时间序列,Ai是簇类i的聚类中心,p在通常情况下取2,这样就可以计算独立的数据点和聚类中心的欧氏距离。
2、其次计算d(ci,cj),分子之和计算完成后,需要计算公式d(ci,cj),d(ci,cj)为第i个负荷类型与第j个负荷类型之间的距离,其计算公式为:
其中,d(ci,cj)代表第i个聚类中心与第j个聚类中心之间的距离,Ai是簇类i的聚类中心,Aj是簇类j的聚类中心,ak,i代表第i个负荷类型的聚类中心点的第k个值,ak,j代表第j个负荷类型的聚类中心点的第k个值。
3、再次计算Rij,Rij是为簇类i与簇类j的相似度,式为:
最后计算DBI指标,根据以上公式的计算,接下来就可以利用基于聚类数n的n^2的嵌套循环,对于每一个簇类i计算其最大值的Rij,记为Di,即
Di为簇类i与其它簇类的最大相似度值,即取最不相似的结果,然后对所有簇类的最大相似度取均值就得到了DBI指标,计算公式为:
计算聚类个数为m的DBI指标,采用遍历法(穷举法)得到DBI指标最小的n值,即最佳聚类个数,此时最佳聚类个数对应的聚类曲线即为典型负荷曲线。
第二步,引入负荷削峰率,建立考虑负荷削峰率的用户侧储能配置模型;
建立用户侧储能配置模型,用户侧储能配置模型包括:储能系统功率平衡模型、储能装置充放电功率模型、储能荷电状态模型、储能充放电损耗模型和储能削峰模型。
1、储能系统功率平衡模型:
P′load(t)=Pload(t)+PESS(t)
式中,Pload(t)为用户负荷,PESS(t)为储能装置功率,PESS(t)>0为储能充电,PESS(t)<0为储能放电,P′load(t)为用户并网点功率,月P′load(t)的月峰值Ppeak,m决定当月容量费,增加储能前后主变容量Ppeak,m和P′peak,m的关系为:
P′peak,m=Ppeak,m-δmPpeak,m=(1-δm)Ppeak,m
式中,δm为加入储能后的月负荷削峰率,Ppeak,m为增加储能前用户并网点功率的月峰值,P′peak,m为增加储能后用户并网点功率的月峰值。
2、储能装置充放电功率模型:
式中,PESS(t)为储能装置功率,Pc(t)为储能充电功率,Pd(t)为储能放电功率,Pcmax为储能额定充电功率,Pdmax为储能额定放电功率,通常这两个值相等,可统一用Pmax表示。Bd(t)和Bc(t)为布尔型变量,用以约束储能冲放电状态。
3、储能荷电状态模型:
式中:SOC(t)为储能荷电状态,ηc为储能充电效率,ηd为储能放电效率,Pc(t)为储能充电功率,Pd(t)为储能放电功率,Δt为采样间隔,本文取15min,t为调度周期时间长度,本文取24h,E为储能容量,SOClow、SOChigh为分别为荷电状态上下限。
4、储能充放电损耗模型:
T=t
式中:Closs为电池储能损耗,SOCinit为调度时段开始时刻的储能荷电状态,PESS为储能充放电功率,E为储能容量。
5、储能削峰模型:
Pload(t)+PEss(t)≤(1-δm)Ppeak,m
第三步,考虑两部制电价机制,建立基于两部制电价的用户侧储能收益模型;
建立用户侧储能收益目标函数,该目标函数以用户侧储能收益最大化为目标,用户侧储能通常参与削峰填谷、峰谷套利,考虑投资运维成本,用户侧储能收益目标函数可表示为:
max F=Cprice+Ctrans-Cinv-Coper
式中:Cprice表示储能用于需量节费后用户的电费收益,Ctrans为峰值负荷减少所降低的变压器成本,Cinv表示用户储能的投资成本,Coper表示全寿命周期内储能的运行维护成本,F为用户侧储能收益。
第四步,基于典型负荷曲线及用户侧储能收益目标函数,计算用户侧储能配置模型中的最佳配置参数;
基于典型负荷曲线,以用户侧储能收益最大化为目标,优化用户侧储能配置模型中的储能配置容量E及负荷削峰率δ。
实施例二:
一种用于考虑需量管理的用户侧储能优化配置系统,可实现实施例一中一种用于考虑需量管理的用户侧储能优化配置方法,包括:
负荷数据获取模块:用于获取用户历史负荷数据;
负荷曲线聚类模块:用于基于用户历史负荷数据进行负荷曲线聚类,得到典型负荷曲线;
模型建立模块:用于建立考虑负荷削峰率的用户侧储能配置模型和基于两部制电价的用户侧储能收益模型;
最佳配置参数计算模块:用于基于典型负荷曲线和用户侧储能收益目标函数,计算用户侧储能配置模型中的最佳配置参数。
实施例三:
本发明实施例还提供了一种用于考虑需量管理的用户侧储能优化配置装置,可实现实施例一中一种用于考虑需量管理的用户侧储能优化配置方法,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行下述方法的步骤:
获取用户历史负荷数据;
基于用户历史负荷数据进行负荷曲线聚类,得到典型负荷曲线;
建立考虑负荷削峰率的用户侧储能配置模型和基于两部制电价的用户侧储能收益模型;
基于典型负荷曲线和用户侧储能收益目标函数,计算用户侧储能配置模型中的最佳配置参数。
实施例四:
本发明实施例还提供了一种计算机可读存储介质,可实现实施例一中一种用于考虑需量管理的用户侧储能优化配置方法,其上存储有计算机程序,该程序被处理器执行时实现下述方法的步骤:
获取用户历史负荷数据;
基于用户历史负荷数据进行负荷曲线聚类,得到典型负荷曲线;
建立考虑负荷削峰率的用户侧储能配置模型和基于两部制电价的用户侧储能收益模型;
基于典型负荷曲线和用户侧储能收益目标函数,计算用户侧储能配置模型中的最佳配置参数。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种用于考虑需量管理的用户侧储能优化配置方法,其特征是,包括:
获取用户历史负荷数据;
基于用户历史负荷数据进行负荷曲线聚类,得到典型负荷曲线;
建立考虑负荷削峰率的用户侧储能配置模型和基于两部制电价的用户侧储能收益模型;
基于典型负荷曲线和用户侧储能收益目标函数,计算用户侧储能配置模型中的最佳配置参数。
2.根据权利要求1所述的用于考虑需量管理的用户侧储能优化配置方法,其特征是,基于用户历史负荷数据进行负荷曲线聚类,得到典型负荷曲线,包括:
获取用户负荷曲线,从用户负荷曲线中随机选择若干条负荷曲线作为初始的负荷聚类中心;
计算各负荷曲线到各聚类中心的欧式距离;
对于每一条负荷曲线,比较其到各聚类中心之间的欧式距离,并找出其中的最小值后进行归类;
计算各类负荷数据的平均值,将平均后的负荷曲线作为每一类新的聚类中心;
比较新的聚类中心与上一个聚类中心之间的距离;
响应于该距离大于初始设定的阈值时,重新计算各负荷曲线到各聚类中心的欧式距离后,比较新的聚类中心与上一个聚类中心之间的距离;
响应于所有的聚类中心的距离均小于设定的阈值时,输出聚类曲线以及最终的聚类中心;
通过遍历法得到最终的聚类中心中DBI指标最小的最佳聚类个数,所述最佳聚类个数对应的聚类曲线即为典型负荷曲线。
4.根据权利要求1所述的用于考虑需量管理的用户侧储能优化配置方法,其特征是,所述用户侧储能配置模型包括:储能系统功率平衡模型、储能装置充放电功率模型、储能荷电状态模型、储能充放电损耗模型和储能削峰模型。
5.根据权利要求4所述的用于考虑需量管理的用户侧储能优化配置方法,其特征是,所述储能系统功率平衡模型为:
P′load(t)=Pload(t)+PESS(t)
P′peak,m=Ppeak,m-δmPpeak,m=(1-δm)Ppeak,m
式中,Pload(t)为用户负荷,PESS(t)为储能装置功率,PESS(t)>0时为储能充电,PESS(t)<0时为储能放电,P′load(t)为用户并网点功率,δm为加入储能后的月负荷削峰率,Ppeak,m为增加储能前用户并网点功率的月峰值,P′peak,m为增加储能后用户并网点功率的月峰值;
所述储能装置充放电功率模型为:
式中,PESS(t)为储能装置功率,Pc(t)为储能充电功率,Pd(t)为储能放电功率,Pcmax为储能额定充电功率,Pdmax为储能额定放电功率,Bd(t)和Bc(t)为布尔型变量;
所述储能荷电状态模型为:
式中:SOC(t)为储能荷电状态,ηc为储能充电效率,ηd为储能放电效率,Pc(t)为储能充电功率,Pd(t)为储能放电功率,Δt为采样间隔,t为调度周期时间长度,E为储能容量,SOClow、sochigh为分别为荷电状态上下限;
所述储能充放电损耗模型为:
T=t
式中:Closs为电池储能损耗,SOCinit为调度时段开始时刻的储能荷电状态,PESS为储能充放电功率,E为储能容量;
所述储能削峰模型为:
Pload(t)+PESS(t)≤(1-δm)Ppeak,m
6.根据权利要求1所述的用于考虑需量管理的用户侧储能优化配置方法,其特征是,基于两部制电价的用户侧储能收益模型包括用户侧储能收益目标函数,该目标函数以用户侧储能收益最大化为目标,表达式为:
maxF=Cprice+Ctrans-Cinv-Coper
式中:Cprice表示储能用于需量节费后用户的电费收益,Ctrans为峰值负荷减少所降低的变压器成本,Cinv表示用户储能的投资成本,Coper表示全寿命周期内储能的运行维护成本,F为用户侧储能收益。
7.根据权利要求1所述的用于考虑需量管理的用户侧储能优化配置方法,其特征是,基于典型负荷曲线和用户侧储能收益目标函数,计算用户侧储能配置模型中的最佳配置参数,包括:基于典型负荷曲线,以用户侧储能收益最大化为目标,优化用户侧储能配置模型中的储能配置容量及负荷削峰率。
8.一种用于考虑需量管理的用户侧储能优化配置系统,其特征在于,包括:
负荷数据获取模块:用于获取用户历史负荷数据;
负荷曲线聚类模块:用于基于用户历史负荷数据进行负荷曲线聚类,得到典型负荷曲线;
模型建立模块:用于建立考虑负荷削峰率的用户侧储能配置模型和基于两部制电价的用户侧储能收益模型;
最佳配置参数计算模块:用于基于典型负荷曲线和用户侧储能收益目标函数,计算用户侧储能配置模型中的最佳配置参数。
9.一种用于考虑需量管理的用户侧储能优化配置装置,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~7任一项所述方法的步骤。
10.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111453500.7A CN114358378A (zh) | 2021-12-01 | 2021-12-01 | 一种用于考虑需量管理的用户侧储能优化配置系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111453500.7A CN114358378A (zh) | 2021-12-01 | 2021-12-01 | 一种用于考虑需量管理的用户侧储能优化配置系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358378A true CN114358378A (zh) | 2022-04-15 |
Family
ID=81096494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111453500.7A Pending CN114358378A (zh) | 2021-12-01 | 2021-12-01 | 一种用于考虑需量管理的用户侧储能优化配置系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358378A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116361674A (zh) * | 2023-04-07 | 2023-06-30 | 山东理工大学 | 基于期望成本最小化的光储型园区负荷曲线最优聚类方法 |
CN116683499A (zh) * | 2023-08-04 | 2023-09-01 | 国网山西电力勘测设计研究院有限公司 | 一种用户侧储能装置功率的计算方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027757A (zh) * | 2019-11-26 | 2020-04-17 | 广西电网有限责任公司 | 一种基于皮亚诺曲线降维的用户侧储能优化配置方法 |
CN111241463A (zh) * | 2020-03-03 | 2020-06-05 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于双层优化模型的用户侧储能装置容量配置方法 |
CN112085394A (zh) * | 2020-09-11 | 2020-12-15 | 广西电网有限责任公司电力科学研究院 | 一种计及需求侧响应的用户侧储能评估方法及系统 |
-
2021
- 2021-12-01 CN CN202111453500.7A patent/CN114358378A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027757A (zh) * | 2019-11-26 | 2020-04-17 | 广西电网有限责任公司 | 一种基于皮亚诺曲线降维的用户侧储能优化配置方法 |
CN111241463A (zh) * | 2020-03-03 | 2020-06-05 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于双层优化模型的用户侧储能装置容量配置方法 |
CN112085394A (zh) * | 2020-09-11 | 2020-12-15 | 广西电网有限责任公司电力科学研究院 | 一种计及需求侧响应的用户侧储能评估方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116361674A (zh) * | 2023-04-07 | 2023-06-30 | 山东理工大学 | 基于期望成本最小化的光储型园区负荷曲线最优聚类方法 |
CN116361674B (zh) * | 2023-04-07 | 2023-09-19 | 山东理工大学 | 基于期望成本最小化的光储型园区负荷曲线最优聚类方法 |
CN116683499A (zh) * | 2023-08-04 | 2023-09-01 | 国网山西电力勘测设计研究院有限公司 | 一种用户侧储能装置功率的计算方法 |
CN116683499B (zh) * | 2023-08-04 | 2023-12-08 | 国网山西电力勘测设计研究院有限公司 | 一种用户侧储能装置功率的计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816171B (zh) | 一种电动汽车区域微网群双层分布式优化调度方法 | |
CN111753431B (zh) | 综合能源系统中最优配置的计算方法和计算设备 | |
CN114358378A (zh) | 一种用于考虑需量管理的用户侧储能优化配置系统及方法 | |
CN110994694A (zh) | 计及差异化需求响应的微电网源荷储协调优化调度方法 | |
CN113537562B (zh) | 一种新能源场站储能配置计算方法及系统 | |
CN113644651A (zh) | 一种电价竞价场景下的储能配置优化方法 | |
Tang et al. | Multi-stage sizing approach for development of utility-scale BESS considering dynamic growth of distributed photovoltaic connection | |
CN115733178A (zh) | 基于成本和风险多目标的光储充电站容量配置方法及系统 | |
CN116470543A (zh) | 一种虚拟电厂的运行控制方法、装置、设备及介质 | |
CN113488995B (zh) | 基于储能成本的共享储能容量优化配置方法和装置 | |
CN111523204A (zh) | 一种并网型综合能源网电-气储能系统优化配置求解方法 | |
CN110932296A (zh) | 一种储能控制方法、装置及虚拟电厂 | |
CN114154790A (zh) | 基于需量管理和柔性负荷的工业园区光储容量配置方法 | |
CN115776138A (zh) | 一种考虑多维不确定性和能量管理策略的微电网容量规划方法及装置 | |
CN111027757A (zh) | 一种基于皮亚诺曲线降维的用户侧储能优化配置方法 | |
CN116914847A (zh) | 一种虚拟电厂内多台发电机组聚合互补及优化调度方法 | |
CN113283654B (zh) | 基于聚合解列机制的微网群优化控制方法及系统 | |
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 | |
CN114638125A (zh) | 计及源-网-荷-储的复杂电网投资决策方法 | |
CN114629135A (zh) | 风储调频容量的调节方法、装置、计算机设备及存储介质 | |
CN114372608A (zh) | 一种面向新能源就地消纳的园区储能与电价协调优化方法 | |
CN114741943A (zh) | 一种基于粒子群算法的储能容量配置优化方法 | |
CN109149644B (zh) | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 | |
CN112928755A (zh) | 光伏储能系统的控制方法、装置及存储介质 | |
CN115528687B (zh) | 一种有限成本约束下的电力系统柔性响应能力优化方法 |
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 |