CN114912848B - 一种基于自适应滤波的全生命周期混合储能容量配置方法 - Google Patents

一种基于自适应滤波的全生命周期混合储能容量配置方法 Download PDF

Info

Publication number
CN114912848B
CN114912848B CN202210732535.2A CN202210732535A CN114912848B CN 114912848 B CN114912848 B CN 114912848B CN 202210732535 A CN202210732535 A CN 202210732535A CN 114912848 B CN114912848 B CN 114912848B
Authority
CN
China
Prior art keywords
grid
power generation
power
energy 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.)
Active
Application number
CN202210732535.2A
Other languages
English (en)
Other versions
CN114912848A (zh
Inventor
朱建红
任浩锋
顾菊平
张鹏坤
檀立昆
李鹏昊
张思续
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 CN202210732535.2A priority Critical patent/CN114912848B/zh
Publication of CN114912848A publication Critical patent/CN114912848A/zh
Application granted granted Critical
Publication of CN114912848B publication Critical patent/CN114912848B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)

Abstract

本发明涉及新能源发电技术领域，尤其涉及一种基于自适应滤波的全生命周期混合储能容量配置方法，包括如下步骤：首先，基于风力发电、光伏发电历史数据、负荷需求历史数据对分布式电源数学模型、负荷数学模型进行曲线拟合，构造概率密度函数，以提供全生命周期内混合储能运行场景；其次，基于净负荷历史数据以及傅里叶变换频谱分析，确定滤波方法以及其滤波窗口的上下限；然后以交换功率、混合储能荷电状态和并网功率波动率为多约束因子的容量配置多目标优化模型，最后采用改进的非支配排序遗传算法(NSGA‑II)求解模型最优解。本发明可以在保证容量可靠性和新能源利用率的基础上降低系统运行的经济成本，有效保证微电网系统的稳定运行。

Description

一种基于自适应滤波的全生命周期混合储能容量配置方法
技术领域
本发明涉及新能源发电技术领域，尤其涉及一种基于自适应滤波的全生命周期混合储能容量配置方法。
背景技术
风力发电、光伏发电以及负荷需求的不确定性对微电网的稳定运行产生了很大的影响。风光互补发电系统可以在考虑风力发电、光伏发电的特点上降低输出功率波动性给负荷带来的影响；然而，风能、太阳能与生俱来的不确定性以及间歇性的特点限制了风光互补发电系统的推广和利用。风光互补发电系统与储能系统相结合可以有效缓解风力发电、光伏发电所带来的影响，提高系统运行的可靠性，改善系统的经济收益。然而，电池的寿命的限制仍然是限制微电网推广普及的重要因素。为改善储能系统对经济收益所带来的影响，逐渐出现了由超级电容和蓄电池组成的混合储能系统。其中，功率不平衡所引起的中低频偏差部分由蓄电池补偿，高频部分由超级电容补偿。这种储能结构可以有效减少蓄电池充放电的次数，提高系统的经济收益。
在混合储能结构中，不同的滤波技术的使用得到的滤波效果也不一样，滑动平均滤波利用滤波窗口采用加权平均的方式可以实时地对功率偏差进行修正。然而，固定频段的滤波技术会使得混合储能功率分配的过程中缺少一定的灵活性。当采用固定频段技术以及容量累积偏差绝对值持续走高的情况下，会使得储能系统的容量配置成本提升，间接带动诸如维护成本、处置成本的提升。超级电容因其超高的充放电次数、频率响应速度而可以实现与蓄电池混合使用。采用自适应滤波技术可以在电池累积偏差绝对值持续走高的情况下，将部分的中高频能量由超级电容承担，利用超级电容充放电次数多，响应速度快的特点，可以降低蓄电池的配置成本，间接带动微电网中混合储能系统配置成本的降低。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于自适应滤波的全生命周期混合储能容量配置方法，能够确保负荷稳定运行，提升新能源利用率以及经济收益。
为了实现上述目的，本发明采用了如下技术方案：
一种基于自适应滤波的全生命周期混合储能容量配置方法，包括如下步骤：
步骤1：统计风力发电、光伏发电历史数据和负荷需求历史数据，根据可再生能源以及负荷变化的特性对风速模型采用双参数韦布尔分布概率密度函数进行曲线拟合，对光伏发电模型采用beta分布的概率密度函数进行曲线拟合，对负荷模型采用正态分布概率密度函数进行拟合，得到全生命周期内微电网系统的各种运行场景；
步骤2：基于风力发电、光伏发电以及负荷需求历史数据构造净负荷历史数据，利用傅里叶变换对净负荷历史数据进行频谱分析，考虑蓄电池的响应速度，确定滑动平均滤波的窗口上下限；
步骤3：基于风力发电、光伏发电以及负荷需求概率密度函数拟合得出的全生命周期内的运行场景数据，对该部分数据进行自适应滤波，得到蓄电池和超级电容的能量吞吐参考功率曲线；
步骤4：确定微电网内分布式发电单元的能量调度策略，具体运行策略如下：
4.1：当微电网内风力发电、光伏发电盈余时，优先至混合储能系统存储，当混合储能系统无法全部吸收时，将该部分能量传输至电网，考虑电网供需波动性因素，当电网无法吸收剩余产能时，采取弃风与弃光的操作；
4.2：当微电网内风力发电、光伏发电不足时，优先由混合储能系统弥补缺失能量，当混合储能系统无法全部补足能量时，由电网补偿剩余缺失能量；
步骤5：以微电网运行经济性、可靠性及新能源利用率多指标为目标，考虑交换功率约束、混合储能荷电状态约束、并网功率波动率约束，构建混合储能容量配置的多目标优化模型，并采用改进的非支配排序遗传算法(NSGA-II)求解模型。
优选地，在步骤3中，具体包括如下步骤：
步骤3.1：基于净负荷历史数据分析，考虑蓄电池的响应速度，确定滑动平均滤波窗口算法中滤波窗口的上限以及下限值，以滤波窗口的上限以及下限之和的平均值作为自适应滤波的初始滤波窗口；构建滤波窗口上限值、下限值及自适应值各自对应的蓄电池交换功率序列以及蓄电池容量变化序列；
步骤3.2：基于净负荷历史数据，采用穷举法，对不同窗口调节步长下的混合储能功率分解情况进行分析，选取蓄电池容量变化范围最小对应的窗口调节步长，滤波窗口调节的具体方式为：
首先比较滤波窗口上限及下限值对应的容量累积绝对值，同时确定滤波窗口变化的方向；
当自适应滤波窗口容量累积值大于上限或下限滤波窗口容量累积值时，对自适应滤波窗口进行调整；
此时若来源于自适应滤波容量累积偏差值大于0且呈现上升趋势时或自适应滤波容量累积偏差值小于0且呈现下降趋势时，对滤波窗口进行修正操作；
步骤3.3：基于概率密度函数生成的全生命周期内的场景数据，对净负荷数据进行自适应滤波，分解得到蓄电池和超级电容的交换功率曲线。
通过采用上述技术方案：本发明根据净负荷历史数据确定滤波窗口调节的最佳步长，然后基于场景生成的数据对其净负荷数据进行自适应滤波分解，充分考虑蓄电池的响应速度因素，发挥超级电容响应速度快、维护成本低的特点，在保证系统可靠性和新能源利用率的同时，提高系统的经济效益，降低系统的配置及管理成本。
与现有技术相比，本发明具有以下有益效果：
1、本发明采用自适应滤波技术，在考虑蓄电池和超级电容响应速度的基础上，适时的将部分中高频能量由超级电容进行补偿，缓解蓄电池容量问题引起的微电网装机容量、运行维护以及替换成本上升。
2、本发明在微电网中考虑公用电网的影响，提高了分布式发电单元运行调度的灵活性，在提高系统经济收益的同时兼顾了系统的可靠性。此外，考虑到公用电网的稳定运行，在微电网并入电网的过程中加入自平滑率指标，缓解并网联络线输出功率上的波动。
附图说明
图1为本发明的整体流程图；
图2为本发明中自适应滤波主程序的流程图；
图3为本发明中滤波程序的流程图；
图4为本发明中滤波窗口调节程序的流程图；
图5为本发明中曲线拟合部分结果图；
图6为本发明中关于负荷缺电率-成本改进前后结果图；
图7为本发明中关于新能源利用率-成本改进前后结果图。
具体实施方式
下面结合附图将对本发明实施例中的技术方案进行清楚、完整地描述，以使本领域的技术人员能够更好的理解本发明的优点和特征，从而对本发明的保护范围做出更为清楚的界定。本发明所描述的实施例仅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，本领域普通技术人员在没有做出创造性劳动的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。
参照图1-7，一种基于自适应滤波的全生命周期混合储能容量配置方法，包括如下步骤：
步骤1：统计风力发电、光伏发电历史数据和负荷需求历史数据，根据可再生能源以及负荷变化的特性对风速模型采用双参数韦布尔分布概率密度函数进行曲线拟合，对光伏发电模型采用beta分布的概率密度函数进行曲线拟合，对负荷模型采用正态分布概率密度函数进行拟合，部分拟合结果如图5所示，得到全生命周期内微电网系统的各种运行场景。
具体公式如(1)-(3)所示：
Figure BDA0003714233780000041
σ——风速标准差；
μ——平均风速；
Г——伽玛函数；
Figure BDA0003714233780000042
α，β——beta分布的形状参数；
μ，σ——光伏发电的平均值以及标准差；
Г——伽玛函数；
Figure BDA0003714233780000051
ηL——负荷波动期望；
σL——负荷波动标准差；
风机模型以及储能模型分别如式(4)和(5)所示：
Figure BDA0003714233780000052
vci、vr、vco——风机切入风速、风机额定风速、风机切出风速；
Pr——风机额定功率；
Figure BDA0003714233780000053
Eb,m(t+Δt)、Esc,m(t+Δt)——锂电池、超级电容在第m年t+Δt的累积容量；
Eb,m(t)、Esc,m(t)——锂电池、超级电容在第m年t时刻的累积容量；
Capb、Capsc——锂电池、超级电容额定容量。
步骤2：基于风力发电、光伏发电以及负荷需求历史数据构造净负荷历史数据，利用傅里叶变换对净负荷历史数据进行频谱分析，考虑蓄电池的响应速度，确定滑动平均滤波的窗口上下限。
步骤3：基于风力发电、光伏发电以及负荷需求概率密度函数拟合得出的全生命周期内的运行场景数据，对该部分数据进行自适应滤波，得到蓄电池和超级电容的能量吞吐参考功率曲线。
步骤3.1：基于净负荷历史数据分析，考虑蓄电池的响应速度，确定滑动平均滤波窗口算法中滤波窗口的上限以及下限值，以滤波窗口的上限以及下限之和的平均值作为自适应滤波的初始滤波窗口；构建滤波窗口上限值、下限值及自适应值各自对应的蓄电池交换功率序列以及蓄电池容量变化序列；
步骤3.2：基于净负荷历史数据，采用穷举法，对不同窗口调节步长下的混合储能功率分解情况进行分析，选取蓄电池容量变化范围最小对应的窗口调节步长，滤波窗口调节的具体方式为：
首先比较滤波窗口上限及下限值对应的容量累积绝对值，同时确定滤波窗口变化的方向；
当自适应滤波窗口容量累积值大于上限或下限滤波窗口容量累积值时，对自适应滤波窗口进行调整；
此时若来源于自适应滤波容量累积偏差值大于0且呈现上升趋势时或自适应滤波容量累积偏差值小于0且呈现下降趋势时，对滤波窗口进行修正操作；
窗口变化方向以及滤波窗口调节公式如(8)-(9)所示：
Figure BDA0003714233780000061
win＝win+sig*step (9)
Edown(t),Eup(t)——滤波窗口上限值、下限值在t时刻对应容量偏差值；
win——自适应滤波窗口值。
步骤3.3：基于概率密度函数生成的全生命周期内的场景数据，对净负荷数据进行自适应滤波，分解得到蓄电池和超级电容的交换功率曲线。
步骤4：确定微电网内分布式发电单元的能量调度策略，具体运行策略如下：
4.1：当微电网内风力发电、光伏发电盈余时，优先至混合储能系统存储，当混合储能系统无法全部吸收时，将该部分能量传输至电网，考虑电网供需波动性因素，当电网无法吸收剩余产能时，采取弃风与弃光的操作；
4.2：当微电网内风力发电、光伏发电不足时，优先由混合储能系统弥补缺失能量，当混合储能系统无法全部补足能量时，由电网补偿剩余缺失能量。
步骤5：以微电网运行经济性、可靠性及新能源利用率多指标为目标，考虑交换功率约束、混合储能荷电状态约束、并网功率波动率约束，构建混合储能容量配置的多目标优化模型，并采用改进的非支配排序遗传算法(NSGA-II)求解模型。
模型及其约束条件如(6)(7)所示，其中微电网运行的全生命周期一般为20年。
Figure BDA0003714233780000071
Ctotal——系统总投资成本；
Cm——第m年系统总投资成本；
Bm——第m年系统收入收益；
r——贴现率；
Cini,n——第n种分布式电源单位安装容量初始投资成本；
Cope,n——第n种分布式电源单位安装容量年运行维护成本；Crep,n——第n种分布式电源单位安装容量替换成本；
CGrid_pur——电网购电成本；
Bm——电网售电成本；
Ppv,m(t),Pw,m(t)——第m年第t时段光伏、风机输出功率；
Ph,m(t),Pg,m(t)——第m年第t时段混合储能、电网交换功率；PL,m(t)——第m年第t时段负荷需求；
rcu——新能源利用率；
LPSP——负荷缺电率；
Figure BDA0003714233780000072
δline，δline,set——并网自平滑率，自平滑率期望值；
Pline,i——第i时刻的并网联络线功率；
Pline,ave——评估周期内并网联络线平均输送功率；
Ploss,m(t)——第m年第t时段缺失功率。
模型的参数如表1所示，其中系统的直流母线电压为700V。采取固定窗口滤波以及自自适应窗口滤波结果如图6和7所示。可以发现随着负荷缺电率的降低，系统的运行成本急剧增加，但同比负荷缺电率的情况下，采用自适应滤波技术后，系统配置成本较固定窗口滤波有一定的下降。随着新能源利用率的升高，系统运行成本增加，但同比新能源利用率的情况下，采用自适应滤波技术后，系统配置成本较固定窗口滤波有一定的下降。
表1系统参数
Figure BDA0003714233780000081
综上所述，本发明根据净负荷历史数据确定滤波窗口调节的最佳步长，然后基于场景生成的数据对其净负荷数据进行自适应滤波分解，充分考虑蓄电池的响应速度因素，发挥超级电容响应速度快、维护成本低的特点，在保证系统可靠性和新能源利用率的同时，提高系统的经济效益，降低系统的配置及管理成本。
本发明中披露的说明和实践，对于本技术领域的普通技术人员来说，都是易于思考和理解的，且在不脱离本发明原理的前提下，还可以做出若干改进和润饰。因此，在不偏离本发明精神的基础上所做的修改或改进，也应视为本发明的保护范围。

Claims (2)

1.一种基于自适应滤波的全生命周期混合储能容量配置方法，其特征在于，包括如下步骤：
步骤1：统计风力发电、光伏发电历史数据和负荷需求历史数据，根据可再生能源以及负荷变化的特性对风速模型采用双参数韦布尔分布概率密度函数进行曲线拟合，对光伏发电模型采用beta分布的概率密度函数进行曲线拟合，对负荷模型采用正态分布概率密度函数进行拟合，得到全生命周期内微电网系统的各种运行场景；
步骤2：基于风力发电、光伏发电以及负荷需求历史数据构造净负荷历史数据，利用傅里叶变换对净负荷历史数据进行频谱分析，考虑蓄电池的响应速度，确定滑动平均滤波的窗口上下限；
步骤3：基于风力发电、光伏发电以及负荷需求概率密度函数拟合得出的全生命周期内的运行场景数据，对该数据进行自适应滤波，得到蓄电池和超级电容的能量吞吐参考功率曲线；
步骤4：确定微电网内分布式发电单元的能量调度策略，具体运行策略如下：
4.1：当微电网内风力发电、光伏发电盈余时，优先至混合储能系统存储，当混合储能系统无法全部吸收时，将剩余产能传输至电网，考虑电网供需波动性因素，当电网无法吸收剩余产能时，采取弃风与弃光的操作；
4.2：当微电网内风力发电、光伏发电不足时，优先由混合储能系统弥补缺失能量，当混合储能系统无法全部补足能量时，由电网补偿剩余缺失能量；
步骤5：以微电网运行经济性、可靠性及新能源利用率多指标为目标，考虑交换功率约束、混合储能荷电状态约束、并网功率波动率约束，构建混合储能容量配置的多目标优化模型，并采用改进的非支配排序遗传算法求解模型；
其中，多目标优化模型及其约束条件如(6)(7)所示：
Figure FDA0004178928870000021
Ctotal——系统总投资成本；
Cm——第m年系统总投资成本；
Bm——第m年系统收入收益；
r——贴现率；
Cini,n——第n种分布式电源单位安装容量初始投资成本；
Cope,n——第n种分布式电源单位安装容量年运行维护成本；
Crep,n——第n种分布式电源单位安装容量替换成本；
CGrid_pur——电网购电成本；
Bm——电网售电成本；
Ppv,m(t)——第m年第t时段光伏输出功率；
Pw,m(t)——第m年第t时段风机输出功率；
Ph,m(t)——第m年第t时段混合储能交换功率；
Pg,m(t)——第m年第t时段电网交换功率；
PL,m(t)——第m年第t时段负荷需求；
rcu——新能源利用率；
LPSP——负荷缺电率；
Figure FDA0004178928870000031
δline，δline,set——并网自平滑率，自平滑率期望值；
Pline,i——第i时刻的并网联络线功率；
Pline,ave——评估周期内并网联络线平均输送功率；
Ploss,m(t)——第m年第t时段缺失功率。
2.根据权利要求1所述的一种基于自适应滤波的全生命周期混合储能容量配置方法，其特征在于，在步骤3中，具体包括如下步骤：
步骤3.1：基于净负荷历史数据分析，考虑蓄电池的响应速度，确定滑动平均滤波窗口算法中滤波窗口的上限以及下限值，以滤波窗口的上限以及下限之和的平均值作为自适应滤波的初始滤波窗口；构建滤波窗口上限值、下限值及自适应值各自对应的蓄电池交换功率序列以及蓄电池容量变化序列；
步骤3.2：基于净负荷历史数据，采用穷举法，对不同窗口调节步长下的混合储能功率分解情况进行分析，选取蓄电池容量变化范围最小对应的窗口调节步长，滤波窗口调节的具体方式为：
首先比较滤波窗口上限及下限值对应的容量累积绝对值，同时确定滤波窗口变化的方向；
当自适应滤波窗口容量累积值大于上限或下限滤波窗口容量累积值时，对自适应滤波窗口进行调整；
此时若来源于自适应滤波容量累积偏差值大于0且呈现上升趋势时或自适应滤波容量累积偏差值小于0且呈现下降趋势时，对滤波窗口进行修正操作；
步骤3.3：基于概率密度函数生成的全生命周期内的场景数据，对净负荷数据进行自适应滤波，分解得到蓄电池和超级电容的交换功率曲线。
CN202210732535.2A 2022-06-27 2022-06-27 一种基于自适应滤波的全生命周期混合储能容量配置方法 Active CN114912848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210732535.2A CN114912848B (zh) 2022-06-27 2022-06-27 一种基于自适应滤波的全生命周期混合储能容量配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210732535.2A CN114912848B (zh) 2022-06-27 2022-06-27 一种基于自适应滤波的全生命周期混合储能容量配置方法

Publications (2)

Publication Number Publication Date
CN114912848A CN114912848A (zh) 2022-08-16
CN114912848B true CN114912848B (zh) 2023-05-26

Family

ID=82772979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210732535.2A Active CN114912848B (zh) 2022-06-27 2022-06-27 一种基于自适应滤波的全生命周期混合储能容量配置方法

Country Status (1)

Country Link
CN (1) CN114912848B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109888803A (zh) * 2019-01-28 2019-06-14 江苏理工学院 风光发电系统中混合储能电源容量配置的优化方法
CN110311396A (zh) * 2019-07-30 2019-10-08 太原理工大学 一种交直流混合微电网混合储能容量优化配置方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107229987A (zh) * 2016-03-23 2017-10-03 国网青海省电力公司 基于光储系统运行优化的混合储能配比计算方法
CN110676870B (zh) * 2019-04-30 2021-09-21 国网新疆电力有限公司经济技术研究院 一种适用于风电并网的混合储能容量配置方法
CN112072655B (zh) * 2020-09-10 2022-05-27 天津大学 一种并网风储发电系统混合储能优化配置方法
CN112636367B (zh) * 2020-12-09 2023-05-23 南京工程学院 一种平抑风电波动的混合储能容量优化配置方法
CN113141006A (zh) * 2021-04-14 2021-07-20 国家能源费县发电有限公司 一种考虑成本约束及平抑功率波动的混合储能配置的方法
CN114649822A (zh) * 2022-03-31 2022-06-21 上海电力大学 一种考虑风光三状态的微电网混合储能双层容量配置方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109888803A (zh) * 2019-01-28 2019-06-14 江苏理工学院 风光发电系统中混合储能电源容量配置的优化方法
CN110311396A (zh) * 2019-07-30 2019-10-08 太原理工大学 一种交直流混合微电网混合储能容量优化配置方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于离散傅里叶变换的微电网混合储能容量优化;武志锴;许言路;蒋理;李占军;李成;孟明;吴亚帆;;华北电力大学学报(自然科学版)(第02期);全文 *

Also Published As

Publication number Publication date
CN114912848A (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN110071505B (zh) 含大规模风电接入的输电网扩建与储能配置联合规划方法
CN103986190B (zh) 基于发电功率曲线的风光储联合发电系统平滑控制方法
CN109378846B (zh) 储能电站中储能变流器的电池模块充放电控制方法与装置
CN108923446B (zh) 一种光伏/储能一体化系统中储能容量的配置方法
CN107453402B (zh) 一种降低含风储一体化电站电力系统运行风险的调度方法
Chen et al. Energy storage sizing for dispatchability of wind farm
CN112736973A (zh) 平抑风电、光伏电站出力波动的电池储能容量配置方法及系统
CN115882486A (zh) 一种基于双层模型的配电网综合效益最优储能配置方法
CN114580180A (zh) 基于自适应模态数vmd算法的混合储能容量配置方法
CN107492903B (zh) 一种基于统计学模型的混合储能系统容量优化配置方法
CN114050609B (zh) 一种高比例新能源电力系统自适应鲁棒日前优化调度方法
CN110061492B (zh) 考虑配电网供电可靠性的储能系统容量优化配置方法
CN111313444A (zh) 一种面向高密度光伏配网台区侧的储能系统优化配置方法
CN115000985A (zh) 一种用户侧分布式储能设施聚合管控方法及系统
CN107919683B (zh) 一种储能减少风电场弃风电量的优化决策方法
CN112699562B (zh) 一种构建配电网架构的方法及终端
Kryonidis et al. Impact of power smoothing techniques on the long-term performance of battery energy storage systems
CN114912848B (zh) 一种基于自适应滤波的全生命周期混合储能容量配置方法
Liqun et al. Capacity optimization of hybrid energy storage in wind/PV complementary power generation system based on improved particle swarm optimization
CN114977182B (zh) 计及光伏接入的柔性牵引供电系统区间最优潮流优化方法
CN116169701A (zh) 一种基于最大化光伏消纳率的储能容量配置方法
Pingping et al. Improved wavelet packet of hybrid energy storage to smooth wind power fluctuation
Prakash et al. Optimal coordination of photovoltaics and electric vehicles for ancillary services in low voltage distribution networks
Chen et al. Optimal Configuration of Wind Turbine Hybrid Energy Storage Based on Wavelet Packet-double Fuzzy Control
Kordkheili et al. Managing high penetration of renewable energy in MV grid by electric vehicle storage

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