CN114757548A - 一种采用场景构建的风电储能设备调节性能评估方法 - Google Patents
一种采用场景构建的风电储能设备调节性能评估方法 Download PDFInfo
- Publication number
- CN114757548A CN114757548A CN202210432708.9A CN202210432708A CN114757548A CN 114757548 A CN114757548 A CN 114757548A CN 202210432708 A CN202210432708 A CN 202210432708A CN 114757548 A CN114757548 A CN 114757548A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power
- soc
- wind power
- time
- 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 241
- 238000011156 evaluation Methods 0.000 title claims abstract description 14
- 238000010276 construction Methods 0.000 title claims description 15
- 238000009826 distribution Methods 0.000 claims abstract description 34
- 238000003860 storage Methods 0.000 claims abstract description 24
- 238000007599 discharging Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000000034 method Methods 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 10
- 230000009194 climbing Effects 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000008859 change Effects 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
- 238000002790 cross-validation Methods 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 2
- 238000010248 power generation Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出一种采用场景构建的风电储能设备调节性能评估方法，首先，通过已有计及误差的时序风电预测场景，估计出风电功率预测误差范围。计及误差的场景为储能预测、储能出力预测时能够考虑误差的影响。而后，通过场景构建出的时序数据进行滤波，得到不同时序下的日前储能出力预测，日前储能出力预测只是确定电池储能电站在某时刻下的充放电状态、得到储能与初始误差的概率分布曲线、设置当日储能上限和下限限定储能充放电深度。通过日前风电预测功率与实时调度模型进行储能出力预测。其采用改进非参数核密度估计概率分布，无需进行概率分布的任何假设，有效提高概率分布的准确度,提出风储联合调度模型调节性能指标。
Description
技术领域
本发明属于风电储能设备技术领域，尤其涉及一种采用场景构建的风电储能设备调节性能评估方法。
背景技术
电网中新能源发电占比不断增加，对电网的稳定性是一个巨大的考验。作为清洁发电技术之一的风力发电技术得到了广泛的应用，装机规模不断增加。但是，由于风力发电尚未解决的波动性问题，大规模的风力发电并网给电力系统带来频率波动、功率波动等问题，影响电网的稳定运行。随着风力比例的增加，电网调度可能会在一定程度上“弃风限电”，不仅浪费了无污染的风力发电，而且降低了风力发电企业的收入。鉴于此，研究辅助风力发电跟踪计划出力的储能性能评估方法非常重要。
而现有储能性能评估方法相关的技术存在以下明显不足之处：
(1)已有方法在进行场景构建时仅考虑风电场实际出力，并未考虑风电功率预测数据与实际风电出力偏差以及其时序关系。
(2)已有方法在预测储能SOC时通过风电功率超短期预测修正控制策略参数的方法，但未考虑日前风电功率预测与风电场出力误差对储能SOC控制的影响。
(3)已有方法仅对各时段下SOC进行概率分布的计算，未考虑时序SOC与初始SOC偏差的概率分布计算。
(4)已有方法对于SOC概率密度分布一般采用传统参数估计方法，如果假设概率分布与实际情况不符，会导致偏差较大。
发明内容
为了克服现有技术存在的缺陷和不足，本发明提出一种采用场景构建的风电储能设备调节性能评估方法，首先，通过已有计及误差的时序风电预测场景，估计出风电功率预测误差范围。计及误差的场景为储能预测、储能出力预测时能够考虑误差的影响。而后，通过场景构建出的时序数据进行滤波，得到不同时序下的日前储能出力预测，日前储能出力预测只是确定电池储能电站在某时刻下的充放电状态、得到储能与初始误差的概率分布曲线、设置当日储能上限和下限限定储能充放电深度。通过日前风电预测功率与实时调度模型进行储能出力预测。其采用改进非参数核密度估计概率分布，无需进行概率分布的任何假设，有效提高概率分布的准确度,提出风储联合调度模型调节性能指标。
其具体采用以下技术方案：
一种采用场景构建的风电储能设备调节性能评估方法，其特征在于，包括以下步骤：
步骤S1：通过已有计及误差的时序风电预测场景，估计出日前风电功率预测误差范围；
步骤S2：通过场景构建出的时序数据进行低通滤波，得到不同时序下的日前储能功率预测值；
步骤S3：由得到的电池储能电站功率预测值，根据时序排列，得到其时序矩阵，并计算出各个预测功率下的储能SOC预测值；并采用改进非参数核密度估计预测储能SOC 与初始SOC差值的概率分布；
步骤S4：获得计及日前风电预测功率与实时调度序列的辅助调度策略，通过日前风电、储能电站预测值与实时调度序列相配合，得到储能电站实时出力数据；
步骤S5：根据得到储能电站实时出力数据，构建风储联合调度模型调节性能指标，用以评估储能电站在风储联合调度预测模型的调节性能。
进一步地，在步骤S1中，从每个时间段的风电预测功率与风电预测功率误差采用拉丁超立方抽样LHS产生多个场景，将各个时段的场景按照时间顺序存放在一个矩阵中，得到初始时序场景；再利用Cholesky分解排序法对产生的多个场景进行重新排序，从而获得计及多个风电预测功率与风电预测功率误差相关性的多个时序场景。
进一步地，在步骤S1中，根据日前风电功率预测时间尺度，将日前预测时间划分为i 个时段，每个i时段为一个预测时间分辨率，已知第i时段的风电预测功率的累积分布函数、风电预测误差的累积分布函数，对其进行采样和抽样，其过程如下：
步骤S11：采样：
①假设有N个随机变量，Xn(n＝1,2,…,N)为其中任意一个随机变量，其累积函数分布为Yn＝Fn(Xn)，M代表采样规模，区间[0,1]分为M个不会重叠的等间隔区间；
②在每个子区间里随机选取一个Y；
③利用反函数法得到采样值
其中
为Fn(·)的反函数；
利用拉丁超立方抽样LHS采样方法在i时段对个N个随机变量进行采样，得到一个N×M阶的初始样本矩阵；
最终采样得到的样本矩阵Xi表达式为：
式(1)中，Xi为i时段经过采样得到的矩阵，
为i时段第k个场景矩阵，
为i 时段第k个场景下风电预测功率，
为i时段第k个场景下风电预测功率误差；
步骤S12：生成时序场景：
将i个时段的场景样本矩阵按照时间顺序存放到一个矩阵中，得到初始时序矩阵X：
X＝(X1 X2 … Xi)T (2)；
步骤S13：排序：采用基于Cholesky分解法进行排序；
根据日前风电预测各个时段的功率和功率误差累积分布函数，利用LHS和Cholesky 分解排序法的多场景构建方法，得到考虑风电预测功率和风电预测功率误差相关性的时序场景矩阵X＝(X1 X2 … Xi)T，其中：
Xi表示在i时段场景，
表示在i时段第k个场景下风电预测功率及其误差。
进一步地，步骤S2具体为：
通过已有场景在给定日前风电预测功率确定其误差范围，经过低通滤波之后得到储能电站出力预测范围，其中：
风电平滑后注入电网的功率设计为：
式(7)中，
fc为低通滤波器截止频率，PW为风电场功率；
在不考虑本地负荷的情况下，由功率平衡可知，整个风电场系统的功率关系为：
PW＝Pp+Pb (8)
式(8)中，Pb为电池储能电站发出或吸收的功率，Pb＞0为发出功率，Pb＜0为吸收功率；
对式(7)进行离散化处理，设t为一个控制周期，在tk＝kt(k＝1，2，3…n)时刻：
得到：
Pb(k)＝PW(k)-Pp(k) (11)
式(10)中，Pp(k)，Pp(k-1)分别为k，k-1时刻注入电网的功率，PW(k)为k时刻风电场输出功率；
由式(10)、(11)得出已知tk时刻风电场的输出功率、tk-1时刻注入电网的功率和τ值，得到经储能平抑后注入电网的目标功率Pp(k)和电池储能电站在tk时刻发出或吸收的功率Pb(k)；
经过LHS和Cholesky分解排序得到风电预测功率PWp与风电功率预测误差eWp的时序场景；在已有场景的基础上，给定一组风电预测功率PWp1，即可以知道PWp1在日前的误差范围；通过式(11)得到在风电预测功率为PWp1下计及电池储能电站发出或吸收功率误差的时序储能出力分布。
进一步地，步骤S3具体为：
设荷电状态的时序模型为：
由式(11)所得到的电池储能电站功率预测值Pbk，根据时序排列，得到其时序矩阵，并计算出各个预测功率下的储能SOCpk：
根据场景构建得到的数据估计出计及误差限的电池储能SOC；
预测储能SOC与初始SOC差值概率分布采用引入改进非参数核密度估计算法，具体步骤如下：
步骤S31：预测储能SOC与初始SOC差值记为x1,x2…xn一共n个样本，取电池储能电站正常运行时荷电状态的上边界SOChigh、下边界SOClow与初始SOC的差值作为定义域 [l,h]，设概率密度函数为f(x)，则非参数核概率密度估计为：
式(14)中，记
k(A)为核函数，
h为带宽；
步骤S32：为了防止边界偏差问题的出现，引入带有边界的核函数B(A)：
式(15)中pi(x)表达式为：
使用式(15)核函数对式(14)进行修正，则概率密度为：
步骤S33：更新式(17)为：
h(xi)＝hvf(xi)-1/2 (18)
式(18)中，f(xi)取式(14)的估计值作为先导估计，hv是由交叉验证得到的最优带宽；
则改进概率密度分布为：
进一步地，步骤S4具体为：
取电池储能电站SOC预测值最大值SOCpmax和最小值SOCpmin，设为储能SOC控制上限SOCLh与控制下限SOCLl，同时引入电池储能电站正常运行时荷电状态上边界SOChigh与下边界SOClow，由储能本身性能所确定；将电池储能电站SOC在0到1之间设立四个节点，满足下式：
0＜SOClow＜SOCLl＜SOCLh＜SOChigh＜1 (20)
由实时调度序列与日前预测所确定的风电功率范围、储能SOC进行比较，确定某时刻下的电池储能电站出力，其中，需要比较的是：k时刻下风电功率PW(k)与日前风电预测功率的上下限值PWph(k)、PWpl(k)，储能SOC(k)与预测储能上下限SOCLh(k)、SOCLl(k)：
(1)当PW(k)<PWpl(k)时
①SOC(k)<SOCLl，储能电站不动作；
②SOCLl(k)≤SOC(k)≤SOCLh(k)，储能电站出力为：
式(21)中P为储能电站额定功率；
③SOC(k)＞SOCLh，储能出力为：
(2)当PWpl(k)≤PW(k)≤PWph(k)时
①SOC(k)<SOCLl，储能电站出力为：
②SOCLl(k)≤SOC(k)≤SOCLh(k)，储能电站不动作；
③SOC(k)＞SOCLh，储能电站出力为：
(3)当PW(k)≥PWph(k)时
①SOC(k)<SOCLl，储能电站出力为：
②SOCLl(k)≤SOC(k)≤SOCLh(k)，储能电站出力为：
③SOC(k)＞SOCLh，储能电站不动作；
通过日前风电、储能电站预测值与实时调度序列相配合，得到储能电站实时出力数据。
进一步地，步骤S5具体包括：
通过由日前与实时模型得到的数据，计算储能电站充放电效率、储能能量稳定性、响应时间、爬坡率、参考信号跟踪能力：
(1)储能预测模型充放电效率性能指标
由储能预测模型充电过程中输入系统的电能Whc与放电过程中输出的电能WhD得到充放电效率RTE：
储能充放电效率用于确定储能系统输出能量相对于前一次充电过程中输入能量的比值；
(2)储能预测模型能量稳定性性能指标
由储能电站在某一时刻的储能能量WN与储能系统额定能量Ws，得到储能能量稳定性 w；
(3)储能预测模型响应时间和爬坡率性能指标
储能电站开始响应预测模型放电指令时，记录此时时刻T1、功率
并记录完成储能放电指令时刻T2、功率
根据储能系统额定功率PR可以得到以下关系式：
储能预测放电响应时间RTD为：
RTD＝T2-T1 (29)
放电斜率RRD为：
放电爬坡率PPpet为：
(4)储能预测模型参考信号跟踪能力性能指标
由指令信号Psignal与实际所吸收或释放的功率Pess的均方差EMSE，以及平均绝对偏差 EMAD评估储能系统跟踪参考信号的能力：
均方差EMSE为：
均绝对偏差EMAD为：
通过以上可以描述储能电站能量的变化情况、响应参考信号的能力，评价储能电站在风储联合调度预测模型的调节性能。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的一种采用场景构建的风电储能设备调节性能评估方法的步骤。
一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上所述的一种采用场景构建的风电储能设备调节性能评估方法的步骤。
相比于现有技术，本发明及其优选方案的有益效果至少包括：
(1)通过已有计及误差的时序风电预测场景，估计出风电功率预测误差范围。计及误差的场景为储能SOC预测、储能出力预测时能够考虑误差的影响。
(2)通过场景构建出的时序数据进行滤波，得到不同时序下的日前储能出力预测，日前储能出力预测只是确定电池储能电站在某时刻下的充放电状态、得到储能SOC与初始SOC误差的概率分布曲线、设置当日储能SOC上限和下限限定储能充放电深度。通过日前风电预测功率与实时调度模型进行储能出力预测。
(3)采用改进非参数核密度估计SOC概率分布，无需进行概率分布的任何假设，有效提高概率分布的准确度。
(4)构建了风储联合调度模型调节性能指标，以能够有效客观定量地评估储能电站在风储联合调度预测模型的调节性能。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1是本发明实施例方法实现流程示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本说明书使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，为了解决现有技术存在的问题，本实施例提出的采用场景构建的风电储能设备调节性能评估方法可以归纳为以下基本步骤：
步骤S1：通过已有计及误差的时序风电预测场景，估计出风电功率预测误差范围；
步骤S2：通过场景构建出的时序数据进行低通滤波，得到不同时序下的日前储能功率预测值；
步骤S3：由得到的电池储能电站功率预测值，根据时序排列，得到其时序矩阵，并计算出各个预测功率下的储能SOC预测值；并采用改进非参数核密度估计预测储能SOC 与初始SOC差值的概率分布；
步骤S4：获得计及日前风电预测功率与实时调度序列的辅助调度策略，通过日前风电、储能电站预测值与实时调度序列相配合，得到储能电站实时出力数据；
步骤S5：根据得到储能电站实时出力数据，构建风储联合调度模型调节性能指标，用以评估储能电站在风储联合调度预测模型的调节性能。
其具体包括以下设计要点：
1、基于LHS的时序场景生成法。
由于风电受各种自然因素的影响而具有强烈的随机性和波动性，为了准确地建立风电出力的随机模型，在场景划分时有必要考虑风电预测功率与风电预测功率误差的时序性关系。日前风电短期预测数据的预测时间尺度为24h，预测时间分辨率为15min，从每个时间段的风电预测功率与风电预测功率误差采用拉丁超立方抽样(Latin hypercubesampling，LHS)产生多个场景，将各个时段的场景按照时间顺序存放在一个矩阵中，就可以得到初始时序场景，利用Cholesky分解排序法对产生的多个场景进行重新排序，从而获得计及多个风电预测功率与风电预测功率误差相关性的多个时序场景。
根据日前风电功率预测时间尺度，将日前预测时间划分为i个时段，每个i时段为一个预测时间分辨率，已知第i时段的风电预测功率的累积分布函数、风电预测误差的累积分布函数，对其进行采样和抽样，其过程如下。
(1)采样
①假设有N个随机变量，Xn(n＝1,2,…,N)为其中任意一个随机变量，其累积函数分布为Yn＝Fn(Xn)，M代表采样规模，区间[0,1]分为M个不会重叠的等间隔区间。
②在每个子区间里随机选取一个Yn，通常选取区间中点值。
③利用反函数法可以得到采样值
其中
为Fn(·)的反函数。
利用LHS采样方法在i时段对个N个随机变量进行采样，即可得到一个N×M阶的初始样本矩阵。
最终采样得到的样本矩阵Xi表达式为：
式(1)中，Xi为i时段经过采样得到的矩阵，
为i时段第k个场景矩阵，
为i 时段第k个场景下风电预测功率，
为i时段第k个场景下风电预测功率误差。
(2)生成时序场景
将i个时段的场景样本矩阵按照时间顺序存放到一个矩阵中，就可以得到初始时序矩阵X：
X＝(X1 X2 … Xi)T (2)。
(3)排序
若多个随机变量具有相关性，则产生的样本矩阵也应该是相关的，因此需要对初始样本矩阵进行重新排序，以此来降低不同场景之间的相关性，增强同一场景之间的相关性。基于Cholesky分解法的排序过程如下：
①首先随机生成一个N×M的矩阵L。矩阵中的每个列向量都是由整数1～N随机排列而成。
②计算矩阵L各列之间的相关系数矩阵RL。
RL＝[ρi,j],i＝1,2...K；j＝1,2…,K (3)
式(4)中，Li、Lj分别为矩阵L的第i列和矩阵第j列，ρi,j为Li和Lj的相关系数， cov为协方差算子。
③由于相关系数矩阵RL是正定对称矩阵，可以通过Cholesky分解排序法将其分解成非奇异下三角矩阵D：
RL＝DDT (5)
④按照式(6)计算矩阵G：
G＝D-1L (6)
⑤矩阵L中的每一行的元素根据矩阵G中相应位置行的元素的大小排列顺序替代。
⑥矩阵X中每一行元素同样按照更新后的矩阵L中相应的行元素进行位置互换。
经过以上步骤①～⑥之后，矩阵X的每个行向量之间的相关性被削弱了，即每个场景之间的相关性减弱了。
根据日前风电预测各个时段的功率和功率误差累积分布函数，利用LHS和Cholesky 分解排序法的多场景构建方法，得到考虑风电预测功率和风电预测功率误差相关性的时序场景矩阵X＝(X1 X2 … Xi)T，其中：
Xi表示在i时段场景，
表示在i时段第k个场景下风电预测功率及其误差。构建出的场景既考虑了风电预测功率的不确定性，又计及了风电预测功率及其误差时序性，同时也能够反应出其相关性，使得到的数据更加符合实际要求。
2、基于低通滤波的储能出力预测方法
通过已有场景在给定日前风电预测功率则可以确定其误差范围，经过低通滤波之后可以得到储能电站出力预测范围。
风电平滑后注入电网的功率设计为：
式(7)中，
fc为低通滤波器截止频率，PW为风电场功率。
在不考虑本地负荷的情况下，由功率平衡可知，整个风电场系统的功率关系为：
PW＝Pp+Pb (8)
式(8)中，Pb为电池储能电站发出或吸收的功率，Pb＞0为发出功率，Pb＜0为吸收功率。
对式(7)进行离散化处理，设t为一个控制周期，在tk＝kt(k＝1，2，3…n)时刻：
可以得到：
Pb(k)＝PW(k)-Pp(k) (11)
式(10)中，Pp(k)，Pp(k-1)分别为k，k-1时刻注入电网的功率，PW(k)为k时刻风电场输出功率。
由式(10)、(11)可以看出已知tk时刻风电场的输出功率、tk-1时刻注入电网的的功率和τ值，就可以得到经储能平抑后注入电网的目标功率Pp(k)和电池储能电站在tk时刻发出或吸收的功率Pb(k)。
经过LHS和Cholesky分解排序得到风电预测功率PWp与风电功率预测误差eWp的时序场景。在已有场景的基础上，给定一组风电预测功率PWp1，即可以知道PWp1在日前的误差范围。通过式(14)即可以得到在风电预测功率为PWp1下计及电池储能电站发出或吸收功率误差的时序储能出力分布。
3、预测储能荷电状态偏差概率密度分布
由于日前风电预测精度不高，根据日前风电功率来确定电池储能电站当日发出或吸收的功率是误差比较大的方法。因此由日前风电预测功率计算得到的电池储能电站功率，只是确定电池储能电站在某时刻下的充放电状态、得到储能SOC与初始SOC误差的概率分布曲线、设置当日储能SOC上限和下限限定储能充放电深度。设置充放电深度，防止电池储能过充或者过放。根据由日前预测得到的SOC限定范围与实时调度模型确定储能的出力。
荷电状态的时序模型为：
由式(11)所得到的电池储能电站功率预测值Pbk，根据时序排列，得到其时序矩阵，并计算出各个预测功率下的储能SOCpk。
根据场景构建得到的数据估计出计及误差限的电池储能SOC，通过统计学方法可以获得预测储能SOC与规定初始SOC两者差值的概率分布曲线。预测储能SOC优化能量管理、防止电池的过充与过放、延长电池寿命、保障电池的安全使用和提高电池的能量利用率的前提与基础。
本实施例预测储能SOC与初始SOC差值概率分布采用引入改进非参数核密度估计算法，具体步骤如下：
①两者差值记为x1,x2…xn一共n个样本，取电池储能电站正常运行时荷电状态的上边界SOChigh、下边界SOClow与初始SOC的差值作为定义域[l,h]，设概率密度函数为f(x)，则非参数核概率密度估计为：
式(14)中，记
k(A)为核函数，
h为带宽。
②为了防止边界偏差问题的出现，引入带有边界的核函数B(A)：
式(15)中pi(x)表达式为：
使用式(15)核函数对式(14)进行修正，则概率密度为：
③引入式(15)的核函数虽然解决了边界偏差的问题，但是由于采用的宽带是固定的，因此并不能根绝局部区域的样本数据调节带宽，降低了适应性，对此更新式(17)为：
h(xi)＝hvf(xi)-1/2 (18)
式(18)中，f(xi)取式(14)的估计值作为先导估计，hv是由交叉验证得到的最优带宽。
则改进概率密度分布为：
4、计及日前风电预测功率与实时调度序列的辅助调度策略
取电池储能电站SOC预测值最大值SOCpmax和最小值SOCpmin，设为储能SOC控制上限SOCLh与控制下限SOCLl，同时引入电池储能电站正常运行时荷电状态上边界SOChigh与下边界SOClow，由储能本身性能所确定。将电池储能电站SOC在0到1之间设立四个节点，满足下式：
0＜SOClow＜SOCLl＜SOCLh＜SOChigh＜1 (20)
由实时调度序列与日前预测所确定的风电功率范围、储能SOC进行比较，确定某时刻下的电池储能电站出力。需要比较的是：k时刻下风电功率PW(k)与日前风电预测功率的上下限值PWph(k)、PWpl(k)，储能SOC(k)与预测储能上下限SOCLh(k)、SOCLl(k)。
(1)当PW(k)<PWpl(k)时
①SOC(k)<SOCLl，储能电站不动作。
②SOCLl(k)≤SOC(k)≤SOCLh(k)，储能电站出力为：
式(21)中P为储能电站额定功率。
③SOC(k)＞SOCLh，储能出力为：
(2)当PWpl(k)≤PW(k)≤PWph(k)时
①SOC(k)<SOCLl，储能电站出力为：
②SOCLl(k)≤SOC(k)≤SOCLh(k)，储能电站不动作。③SOC(k)＞SOCLh，储能电站出力为：
(3)当PW(k)≥PWph(k)时
①SOC(k)<SOCLl，储能电站出力为：
②SOCLl(k)≤SOC(k)≤SOCLh(k)，储能电站出力为：
③SOC(k)＞SOCLh，储能电站不动作。
通过日前风电、储能电站预测值与实时调度序列相配合，得到储能电站实时出力数据。
5、风储联合调度储能预测模型性能指标
通过由日前与实时模型得到的数据，计算此数据下的储能电站充放电效率、储能能量稳定性、响应时间、爬坡率、参考信号跟踪能力，分析风储联合调度模型的调节性能。
(1)储能预测模型充放电效率性能指标
由储能预测模型充电过程中输入系统的电能Whc与放电过程中输出的电能WhD可以得到充放电效率RTE。
储能充放电效率用来确定储能系统输出能量相对于前一次充电过程中输入能量的比值。
(2)储能预测模型能量稳定性性能指标
由储能电站在某一时刻的储能能量WN与储能系统额定能量Ws，可以得到储能能量稳定性w。
(3)储能预测模型响应时间和爬坡率性能指标
储能电站开始响应预测模型放电指令时，记录此时时刻T1、功率
并记录完成储能放电指令时刻T2、功率
根据储能系统额定功率PR可以得到以下关系式。
储能预测放电响应时间RTD为：
RTD＝T2-T1 (29)
放电斜率RRD为：
放电爬坡率PPpet为：
储能电站充电响应时间和爬坡率计算与放电采用同一计算模型。
(4)储能预测模型参考信号跟踪能力性能指标
由指令信号Psignal与实际所吸收或释放的功率Pess的均方差EMSE以及平均绝对偏差EMAD评估储能系统跟踪参考信号的能力。
均方差EMSE为：
均绝对偏差EMAD为：
通过以上可以描述储能电站能量的变化情况、响应参考信号的能力，评价储能电站在风储联合调度预测模型的调节性能。
本实施例提供的以上涉及算法的程序设计方案可以代码化的形式存储在计算机可读取存储介质中，并以计算机程序的方式进行实现，并通过计算机硬件输入计算所需的基本参数信息，并输出计算结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程、以及流程图中的流程结合。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图中指定的功能。
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中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的一种采用场景构建的风电储能设备调节性能评估方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。
Claims (9)
1.一种采用场景构建的风电储能设备调节性能评估方法，其特征在于，包括以下步骤：
步骤S1：通过已有计及误差的时序风电预测场景，估计出日前风电功率预测误差范围；
步骤S2：通过场景构建出的时序数据进行低通滤波，得到不同时序下的日前储能功率预测值；
步骤S3：由得到的电池储能电站功率预测值，根据时序排列，得到其时序矩阵，并计算出各个预测功率下的储能SOC预测值；并采用改进非参数核密度估计预测储能SOC与初始SOC差值的概率分布；
步骤S4：获得计及日前风电预测功率与实时调度序列的辅助调度策略，通过日前风电、储能电站预测值与实时调度序列相配合，得到储能电站实时出力数据；
步骤S5：根据得到储能电站实时出力数据，构建风储联合调度模型调节性能指标，用以评估储能电站在风储联合调度预测模型的调节性能。
2.根据权利要求1所述的一种采用场景构建的风电储能设备调节性能评估方法，其特征在于：在步骤S1中，从每个时间段的风电预测功率与风电预测功率误差采用拉丁超立方抽样LHS产生多个场景，将各个时段的场景按照时间顺序存放在一个矩阵中，得到初始时序场景；再利用Cholesky分解排序法对产生的多个场景进行重新排序，从而获得计及多个风电预测功率与风电预测功率误差相关性的多个时序场景。
3.根据权利要求1所述的一种采用场景构建的风电储能设备调节性能评估方法，其特征在于：
在步骤S1中，根据日前风电功率预测时间尺度，将日前预测时间划分为i个时段，每个i时段为一个预测时间分辨率，已知第i时段的风电预测功率的累积分布函数、风电预测误差的累积分布函数，对其进行采样和抽样，其过程如下：
步骤S11：采样：
①假设有N个随机变量，Xn(n＝1,2,…,N)为其中任意一个随机变量，其累积函数分布为Yn＝Fn(Xn)，M代表采样规模，区间[0,1]分为M个不会重叠的等间隔区间；
②在每个子区间里随机选取一个Yn；
③利用反函数法得到采样值
其中
为Fn(·)的反函数；
利用拉丁超立方抽样LHS采样方法在i时段对个N个随机变量进行采样，得到一个N×M阶的初始样本矩阵；
最终采样得到的样本矩阵Xi表达式为：
式(1)中，Xi为i时段经过采样得到的矩阵，
为i时段第k个场景矩阵，
为i时段第k个场景下风电预测功率，
为i时段第k个场景下风电预测功率误差；
步骤S12：生成时序场景：
将i个时段的场景样本矩阵按照时间顺序存放到一个矩阵中，得到初始时序矩阵X：
X＝(X1 X2…Xi)T (2)；
步骤S13：排序：采用基于Cholesky分解法进行排序；
根据日前风电预测各个时段的功率和功率误差累积分布函数，利用LHS和Cholesky分解排序法的多场景构建方法，得到考虑风电预测功率和风电预测功率误差相关性的时序场景矩阵X＝(X1 X2…Xi)T，其中：
Xi表示在i时段场景，
表示在i时段第k个场景下风电预测功率及其误差。
4.根据权利要求3所述的一种采用场景构建的风电储能设备调节性能评估方法，其特征在于：
步骤S2具体为：
通过已有场景在给定日前风电预测功率确定其误差范围，经过低通滤波之后得到储能电站出力预测范围，其中：
风电平滑后注入电网的功率设计为：
式(7)中，
fc为低通滤波器截止频率，PW为风电场功率；
在不考虑本地负荷的情况下，由功率平衡可知，整个风电场系统的功率关系为：
PW＝Pp+Pb (8)
式(8)中，Pb为电池储能电站发出或吸收的功率，Pb＞0为发出功率，Pb＜0为吸收功率；
对式(7)进行离散化处理，设t为一个控制周期，在tk＝kt(k＝1，2，3…n)时刻：
得到：
Pb(k)＝PW(k)-Pp(k) (11)
式(10)中，Pp(k)，Pp(k-1)分别为k，k-1时刻注入电网的功率，PW(k)为k时刻风电场输出功率；
由式(10)、(11)得出已知tk时刻风电场的输出功率、tk-1时刻注入电网的功率和τ值，得到经储能平抑后注入电网的目标功率Pp(k)和电池储能电站在tk时刻发出或吸收的功率Pb(k)；
经过LHS和Cholesky分解排序得到风电预测功率PWp与风电功率预测误差eWp的时序场景；在已有场景的基础上，给定一组风电预测功率PWp1，即可以知道PWp1在日前的误差范围；通过式(11)得到在风电预测功率为PWp1下计及电池储能电站发出或吸收功率误差的时序储能出力分布。
5.根据权利要求4所述的一种采用场景构建的风电储能设备调节性能评估方法，其特征在于：
步骤S3具体为：
设荷电状态的时序模型为：
由式(11)所得到的电池储能电站功率预测值Pbk，根据时序排列，得到其时序矩阵，并计算出各个预测功率下的储能SOCpk：
根据场景构建得到的数据估计出计及误差限的电池储能SOC；
预测储能SOC与初始SOC差值概率分布采用引入改进非参数核密度估计算法，具体步骤如下：
步骤S31：预测储能SOC与初始SOC差值记为x1,x2…xn一共n个样本，取电池储能电站正常运行时荷电状态的上边界SOChigh、下边界SOClow与初始SOC的差值作为定义域[l,h]，设概率密度函数为f(x)，则非参数核概率密度估计为：
式(14)中，记
k(A)为核函数，
h为带宽；
步骤S32：为了防止边界偏差问题的出现，引入带有边界的核函数B(A)：
式(15)中pi(x)表达式为：
使用式(15)核函数对式(14)进行修正，则概率密度为：
步骤S33：更新式(17)为：
h(xi)＝hvf(xi)-1/2 (18)
式(18)中，f(xi)取式(14)的估计值作为先导估计，hv是由交叉验证得到的最优带宽；
则改进概率密度分布为：
6.根据权利要求5所述的一种采用场景构建的风电储能设备调节性能评估方法，其特征在于：步骤S4具体为：
取电池储能电站SOC预测值最大值SOCpmax和最小值SOCpmin，设为储能SOC控制上限SOCLh与控制下限SOCLl，同时引入电池储能电站正常运行时荷电状态上边界SOChigh与下边界SOClow，由储能本身性能所确定；将电池储能电站SOC在0到1之间设立四个节点，满足下式：
0＜SOClow＜SOCLl＜SOCLh＜SOChigh＜1 (20)
由实时调度序列与日前预测所确定的风电功率范围、储能SOC进行比较，确定某时刻下的电池储能电站出力，其中，需要比较的是：k时刻下风电功率PW(k)与日前风电预测功率的上下限值PWph(k)、PWpl(k)，储能SOC(k)与预测储能上下限SOCLh(k)、SOCLl(k)：
(1)当PW(k)<PWpl(k)时
①SOC(k)<SOCLl，储能电站不动作；
②SOCLl(k)≤SOC(k)≤SOCLh(k)，储能电站出力为：
式(21)中P为储能电站额定功率；
③SOC(k)＞SOCLh，储能出力为：
(2)当PWpl(k)≤PW(k)≤PWph(k)时
①SOC(k)<SOCLl，储能电站出力为：
②SOCLl(k)≤SOC(k)≤SOCLh(k)，储能电站不动作；
③SOC(k)＞SOCLh，储能电站出力为：
(3)当PW(k)≥PWph(k)时
①SOC(k)<SOCLl，储能电站出力为：
②SOCLl(k)≤SOC(k)≤SOCLh(k)，储能电站出力为：
③SOC(k)＞SOCLh，储能电站不动作；通过日前风电、储能电站预测值与实时调度序列相配合，得到储能电站实时出力数据。
7.根据权利要求6所述的一种采用场景构建的风电储能设备调节性能评估方法，其特征在于：
步骤S5具体包括：
通过由日前与实时模型得到的数据，计算储能电站充放电效率、储能能量稳定性、响应时间、爬坡率、参考信号跟踪能力：
(1)储能预测模型充放电效率性能指标
由储能预测模型充电过程中输入系统的电能Whc与放电过程中输出的电能WhD得到充放电效率RTE：
储能充放电效率用于确定储能系统输出能量相对于前一次充电过程中输入能量的比值；
(2)储能预测模型能量稳定性性能指标
由储能电站在某一时刻的储能能量WN与储能系统额定能量Ws，得到储能能量稳定性w；
(3)储能预测模型响应时间和爬坡率性能指标
储能电站开始响应预测模型放电指令时，记录此时时刻T1、功率
并记录完成储能放电指令时刻T2、功率
根据储能系统额定功率PR得到以下关系式：
储能预测放电响应时间RTD为：
RTD＝T2-T1 (29)
放电斜率RRD为：
放电爬坡率PPpet为：
(4)储能预测模型参考信号跟踪能力性能指标
由指令信号Psignal与实际所吸收或释放的功率Pess的均方差EMSE，以及平均绝对偏差EMAD评估储能系统跟踪参考信号的能力：
均方差EMSE为：
均绝对偏差EMAD为：
通过以上可以描述储能电站能量的变化情况、响应参考信号的能力，评价储能电站在风储联合调度预测模型的调节性能。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7其中任一所述的一种采用场景构建的风电储能设备调节性能评估方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7其中任一所述的一种采用场景构建的风电储能设备调节性能评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210432708.9A CN114757548A (zh) | 2022-04-22 | 2022-04-22 | 一种采用场景构建的风电储能设备调节性能评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210432708.9A CN114757548A (zh) | 2022-04-22 | 2022-04-22 | 一种采用场景构建的风电储能设备调节性能评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114757548A true CN114757548A (zh) | 2022-07-15 |
Family
ID=82334109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210432708.9A Pending CN114757548A (zh) | 2022-04-22 | 2022-04-22 | 一种采用场景构建的风电储能设备调节性能评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114757548A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522012A (zh) * | 2023-11-02 | 2024-02-06 | 长江水利委员会水文局 | 一种基于季节周期特性的径流场景生成方法 |
-
2022
- 2022-04-22 CN CN202210432708.9A patent/CN114757548A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522012A (zh) * | 2023-11-02 | 2024-02-06 | 长江水利委员会水文局 | 一种基于季节周期特性的径流场景生成方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107591844B (zh) | 考虑节点注入功率不确定性的主动配电网鲁棒重构方法 | |
| CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
| Meng et al. | Lithium polymer battery state-of-charge estimation based on adaptive unscented Kalman filter and support vector machine | |
| CN107425520B (zh) | 一种含节点注入功率不确定性的主动配电网三相区间状态估计方法 | |
| CN112034356B (zh) | 基于gp-ukf的电动汽车动力电池在线soh估算方法 | |
| CN110854932B (zh) | 一种交直流配电网多时间尺度优化调度方法及系统 | |
| Wang et al. | Optimization of battery charging strategy based on nonlinear model predictive control | |
| CN102130454B (zh) | 基于计算机辅助设计的电力系统动态稳定控制方法及系统 | |
| CN113064093A (zh) | 储能电池荷电状态与健康状态联合估算方法及系统 | |
| CN111200293A (zh) | 基于电池损耗和分布式电网电池储能日前随机调度的方法 | |
| He et al. | Stochastic model predictive control of hybrid energy storage for improving AGC performance of thermal generators | |
| Yao et al. | Management of cascading outage risk based on risk gradient and Markovian tree search | |
| CN110783918A (zh) | 一种基于线性模型的配电三相区间状态估计求解算法 | |
| Taylor et al. | Optimal operation of grid-tied energy storage systems considering detailed device-level battery models | |
| CN114757548A (zh) | 一种采用场景构建的风电储能设备调节性能评估方法 | |
| Guo et al. | An Adaptive Approach for Battery State of Charge and State of Power Co-Estimation With a Fractional-Order Multi-Model System Considering Temperatures | |
| CN114757340A (zh) | 基于神经网络集成的锂电池健康状态预测方法及系统 | |
| CN112182835A (zh) | 一种考虑风电不确定性和储能调节的电力系统可靠性评估方法及系统 | |
| CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
| CN109728607B (zh) | 一种风电消纳评估方法及装置 | |
| CN116577686A (zh) | 一种基于局部阶段充电数据的多工况soh估计方法和系统 | |
| CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
| CN114626207A (zh) | 一种构建面向工业负荷的谐波发射水平的通用模型的方法 | |
| Hayes et al. | Viable computation of the largest Lyapunov characteristic exponent for power systems | |
| Liu et al. | TSCW-GAN Based FDIAs Defense for State-of-Charge Estimation of Battery Energy Storage Systems in Smart Distribution Networks |
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 |