CN115062811A - 综合经济因素和能源因素的新能源规划方案的优化方法及系统 - Google Patents

综合经济因素和能源因素的新能源规划方案的优化方法及系统 Download PDF

Info

Publication number
CN115062811A
CN115062811A CN202210434234.1A CN202210434234A CN115062811A CN 115062811 A CN115062811 A CN 115062811A CN 202210434234 A CN202210434234 A CN 202210434234A CN 115062811 A CN115062811 A CN 115062811A
Authority
CN
China
Prior art keywords
energy
power
optimization
optimal
economic
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
CN202210434234.1A
Other languages
English (en)
Other versions
CN115062811B (zh
Inventor
陈奥夏
陈晓雷
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.)
Harbin Huasheng Energy Technology Co ltd
Original Assignee
Harbin Huasheng Energy Technology Co ltd
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 Harbin Huasheng Energy Technology Co ltd filed Critical Harbin Huasheng Energy Technology Co ltd
Priority to CN202210434234.1A priority Critical patent/CN115062811B/zh
Publication of CN115062811A publication Critical patent/CN115062811A/zh
Application granted granted Critical
Publication of CN115062811B publication Critical patent/CN115062811B/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
    • G06Q10/04—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

综合经济因素和能源因素的新能源规划方案的优化方法及系统，涉及到电力系统的优化技术领域。解决了现有优化策略考虑因素单一而导致所述优化结果不能兼顾所有指标的问题。本发明所述方法包括：用电负载预测：使用时间序列及机器学习相互辅助的方法对项目有效期内的用电负载进行预测，获得用电负载预测值；非线性优化：依据用电负载预测值，使用多项约束条件进行非线性优化处理，获得能源系统最佳充电方案、最佳功率以及最佳位置；经济学评估：依据非线性优化结果，并结合经济参数以及风险规避概率进行经济学评估；反复非线性优化与经济学评估步骤进行迭代处理，直到获得最大NVP期望值为止完成优化。本发明适用于对新能源建设方案的优化技术领域中。

Description

综合经济因素和能源因素的新能源规划方案的优化方法及 系统
技术领域
本发明属于电力系统，具体涉及到电力系统的优化技术领域。
背景技术
现有储能系统相关的技术报告和论文中，一般都侧重于讨论电网储能的好 处和市场潜力，以及侧重于储能系统的两个应用，即电网平衡和能源套利。现 有技术中，相关论文中多是公开电动汽车与电网之间的相互作用以及将插电式 电动汽车(PEV)部署为储能的方法以及它们的充电拓扑和基础设施。
例如：专利文献CN109787259A公开了一种基于新能源随机波动的多类型储 能联合规划方法，提出多类型储能的联合规划方法相比于单一类型储能规划方 法具有更优的经济性和储能利用效率，其能够更好的满足系统运行的多方面需 求，从而极大地提高了新能源的消纳水平。该方案从经济和能源利用率角度出 发，实现了将多类型的储能系统进行联合规划。
例如，专利文献CN109492815A公开了一种市场机制下面向电网的储能电站 选址定容优化方法，其公开的技术方案是从面向电网的储能出发，提出了首先 从直接收益和间接收益两个方面分析储能参与电力市场的成本效益，在此基础 上，建立了综合考虑规划和运行的储能优化配置多目标双层规划模型，实现了 储能选址与定容。
例如，专利文献CN112821397B公开了一种“源-荷-储”协调的低碳经济调 度方法及装置，该发明依据价格型需求响应模型和激励型需求响应模型对某一 时刻的负荷进行计算，并将得到的负荷输入至考虑合理弃能和储能设备变工况 特性的上层优化调度模型中，使获取个时段的剩余负荷和储能充放电功率，实 现了将源侧合理弃能与荷侧多类型需求响应共同引入至电力系统调度工作，能 够有效提高低碳经济调度模型的经济性与计算的精确度。
综上，现有的优化策略大多是考虑单一因素，例如：仅从储能系统的经济 和利用率角度考虑优化策略，仅从选址因素和经济效益最大化角度来考虑优化 策略，或者仅从价格等经济因素来考虑优化策略等等。由于该种优化策略考虑 的因素单一，会导致规划结果仅能符合某一种或两种指标，不能兼顾所有指标， 随着社会的发展，对能源系统的要求越来越高，这些只考虑单一因素的规划方 法已经不适应社会需求。
众所周知，随着新一轮电力体制改革以来，电力市场建设稳步有序推进，多 元竞争主体格局初步形成，市场在资源优化配置中作用明显增强。而选址和价格 等经济因素可以有效的优化电力资源配置。通过本发明的优化算法，电池储存系 统可以帮助电网根据发电机组的运营成及稳定性和用电额度来辅助调配发电机 组，从而更有效的降低区域内的平均发电成本和电力价格。同时还可以通过选址 来更有效的解决高压传输线区域内阻塞的问题，从而更有效的进行资源优化配 置。
发明内容
本发明解决了现有优化策略考虑因素单一，导致所述优化结果不能兼顾所 有指标，不适于实施的问题。
本发明提供的方案为：
一种综合经济因素和能源因素的新能源规划方案的优化方法，包括：
步骤1，用电负载预测：使用时间序列及机器学习相互辅助的方法对项目有 效期内的用电负载进行预测，获得用电负载预测值；
步骤2，非线性优化：依据用电负载预测值，使用多项约束条件进行非线性 优化处理，获得能源系统最佳充电方案、最佳功率以及最佳位置；
步骤3，经济学评估：依据非线性优化结果，并结合经济参数以及风险规避 概率进行经济学评估，然后获得NVP期望值；
将获得的NVP期望值作为非线性优化步骤的一个输入条件，返回执行步骤2， 然后循环执行步骤2和3进行迭代处理，直到获得最大NVP期望值为止，将该 最大NVP期望值对应的最优能源系统最佳充电方案、最佳功率以及最佳位置作 为优化结果。
优选地，在步骤3、经济学评估中，包括对电力现货市场价格进行评估，所 述评估方法是通过建模来实现的，所述过程为根据构建改进的GARCH模型：
Figure BDA0003612333610000031
其中，ω、α和β是使用最大似然法计算获得的GARCH模型的参数，rt表示时 间t时电力套利的对数收益率，σt表示电力价格在时间t的波动率；
然后利用上一时间段的电价回报和标准差，计算获得预测的标准差，PT为 现阶段电力的节点电价：
Figure BDA0003612333610000032
ε表示时间段0和T之间的电力价格的上涨率，
Figure BDA0003612333610000033
表示布朗运动进程， 其中∈是逆正态分布，均值为0，标准差为1～N(0,1)。
进一步地，所述非线性优化中，设计的目标函数为：
最小化(F)＝(资本成本+运维固定成本+运维可变成本-能源套利收入)。
进一步地，所述约束条件包括能源储存系统的额定能量。
进一步地，所述的约束条件还包括位置边际定价约束条件LMP:
LMP＝系统参考总线边际价格-系统损耗分量-拥塞分量。
本发明所述的方法是能够采用计算机软件实现的，因此对应的，本发明还包 括与上述方法对应的一种综合经济因素和能源因素的新能源规划方案的优化 系统，所述系统包括：
用电负载预测单元：用于使用时间序列及机器学习相互辅助的方法对项目 有效期内的用电负载进行预测，获得用电负载预测值；
非线性优化单元：用于依据用电负载预测值，使用多项约束条件进行非线 性优化处理，获得能源系统最佳充电方案、最佳功率以及最佳位置；
经济学评估单元：用于依据非线性优化结果，并结合经济参数以及风险规 避概率进行经济学评估，然后获得NVP期望值；
迭代单元：用于将获得的NVP期望值作为非线性优化单元的一个输入条件， 启动所述非线性优化单元和经济学评估单元进行迭代处理，直到获得最大NVP 期望值为止，将该最大NVP期望值对应的最优能源系统最佳充电方案、最佳功 率以及最佳位置作为优化结果。
本发明所述的方法是能够采用计算机软件实现的，因此对应的，本发明还 保护一种计算机储存介质，用于储存计算机程序，所述的储存介质被计算机运 行时，执行本发明所述的任意一种新能源规划方案的优化方法。
本发明还保护一种计算机设备，包括存储器和处理器，所述存储器中存储 有计算机程序，当所述处理器运行所述存储器存储的计算机程序时执行本发明 所述的任意一种新能源规划方案的优化方法。
本发明与现有技术相比较，在规划时就同时考虑了以下多方面的因素：
1)新能源以及电池储存系统的成本、造价、损耗等经济因素；
2)通过机器学习的方法对负载及风能、太阳能发电站进行预测；
3)通过优化来对新能源及电池储存系统在电网内部进行最佳选址，从而达 到经济效益最大化；
4)分析电力市场交易主要包括电力中长期交易和电力现货交易，并通过电 池优化充放电来对电网提供调频、调峰、备用等辅助服务并考虑其与新能源发 电站对电网的协同作用。
本发明科学合理的考虑了影响储能系统的各方面的因素，综合电气工程、 经济学、能源学、化学等多个学科领域的知识来对新能源的规划方案进行优化， 因此，采用本发明所述的方法获得的优化方案能够在提高能源利用率的同时提 高经济效益、降低投资人的投资风险。
在新能源建设技术领域中，在本发明所述方法的辅助下获得能源建设的优 化规划方案，优化方案中的电池储能系统能够极大地规避新能源运行过程中的 风险、实现利益最大化，对新能源项目的投资建设起到指导性作用。
采用本发明所述的方法，能够更有利于合理的去规划和开发太阳能、风能 和潮汐能的新能源开发，并且本发明所述方法由于考虑到的经济因素，因此所 属的优化方案更能吸引投资者去投资实施，吸引投资建设，加快新能源的开发 利用，达到优化地区的能源利用结构并改善生态环境的效果。
采用本发明所述的方法获得的优化方案，进行电池储能系统建设，为解决 能源危机、新能源的开发建设和普及提供了新思路，能够有效的利用电池优化 充放电来对电网提供调频、调峰、备用等辅助服务提高电网的稳定性。
本发明适用于对新能源建设方案的优化技术领域中。
附图说明
图1是本发明所述的新能源优化规划及经济预测方法的数据处理流程图。
图2是实施方式七所述的储能电池最优充放电方案。
具体实施方式
实施方式一.参见图1，说明本实施方式所述的一种新能源优化规划方法， 所述规划方法包括：
步骤1，用电负载预测：使用时间序列及机器学习相互辅助的方法对项目有 效期内的用电负载进行预测，获得用电负载预测值；
该步骤中，可以采用ISO/RTO电网的历史用电负载数据作为基础数据进行 预测。
步骤2，非线性优化：依据用电负载预测值，使用多项约束条件进行非线性 优化处理，获得能源系统最佳充电方案、最佳功率以及最佳位置；
上述过程采用现有非线性优化方法即可实现。
所述多项约束条件可以根据实际情况来设计，一般可以包括：电网市场数 据、区位边际定价参考值、电网的导纳矩阵、发电机输入功率、风能、太阳能 发电站及电池能源储存系统参数。依据这些参数来获得最佳充电方案、各个发 电站和储能系统的最佳功率以及对应的最佳地理位置。
步骤3，经济学评估：依据非线性优化结果，以及随机输入的NVP期望值， 并结合经济参数以及风险规避概率进行经济学评估，获得NVP期望值；
将获得的经济学评估结果和NVP期望值作为非线性优化步骤的一个输入条 件，返回执行步骤2，然后循环执行步骤2和3进行迭代处理，直到获得最大 NVP期望值为止，将该最大NVP期望值对应的最优能源系统最佳充电方案、最佳 功率以及最佳位置作为优化结果。
所述NVP是指净现值。
所述经济学参数是指与新能源供电系统相关的经济参数，例如：无风险利 率、升级率税率、折价方式等因素，投资者输入的风险规避率以及WACC(加权 平均资本成本)等因素。这些因素是为了评价新能源系统的经济效益、投资风 险。
用随机方式计算净现值的期望值，使用蒙特卡洛模拟和科列斯基分解，所 提出的蒙特卡洛风险分析算法能够从预定分布中随机生成相关参数。
本实施方式中，对NVP期望值的获取方法为采用随机方式抽取期望值来进 行计算，使用科列斯基分解(Cholesky)技术对不同参数的相关性矩阵进行分 解之后，采用蒙特卡洛模拟(Monte Carlo)产生出相关联的随机参数。然后利 用这些参数来得到NPV的分布。
在步骤3中的经济学评估步骤中，需要外部数据风能、太阳能发电站及电 池能源储存系统的参数，还需要输入经济学相关的无风险利率、升级率税率、 折价方式相关信息，还需要投资者输入风险规避率和WACC相关信息，根据这些 新型进行经济学评估、获得净现值期望值。根据这些输入的参数所获得的优化 方案是综合考虑了宏观和微观经济波动因素的前提下做出的，因此获得的优化 方案更接近于实际情况，并能够能够有效的帮助投资人规避投资风险。
上述过程中，通过返回步骤2进行迭代、获得下一个可行的优化方案，及 下一个能源系统最佳充电方案、功率以及接入位置。
通过多次迭代，获得多种优化方案，然后优中择优，获得最佳方案。
本方法首先收集历史数据包括无风险利率、升级率税率、折价方式等因素， 投资者输入的风险规避率以及WACC(加权平均资本成本)等参数。然后讲收集 到的历史数据整合成不同的分布。之后来计算不同分布之间的相关系数的矩阵。 下一步运用科列斯基分解法来提取科列斯基矩阵。然后用蒙特卡洛的方法从历 史数据的矩阵中随机抽取参数作为向量矩阵。然后通过讲这个向量矩阵与科列 斯基矩阵相乘来取了新的相互关联的随机参数的向量矩阵。
实施方式二.本实施方式是对实施方式一所述的新能源优化规划方法的进 一步说明，本实施方式中，步骤3、经济学评估中，包括对电力现货市场价格进 行评估，所述评估方法是通过建模来实现的，对电力现货市场价格建模的方法 为，根据构建改进的GARCH模型计算获得电价波动率：
Figure BDA0003612333610000071
其中，ω、α和β是使用最大似然法计算获得的GARCH模型的参数，rt表示 时间t的电力套利的对数收益率，即：表示电价ln(Pt/Pt-1)在时间t的对数 回报；σt表示电力价格在时间t的波动率；
然后利用上一时间段的电价回报和标准差，计算获得预测的标准差，PT为 现阶段电力的节点电价：
Figure BDA0003612333610000072
ε表示时间段0和T之间的电力价格的上涨率，
Figure BDA0003612333610000073
表示布朗运动进程， 其中∈是逆正态分布，均值为0，标准差为1～N(0,1)。T是计算周期，例如： 可以是计算全年8760小时。
在实际情况中，电力现货价格表现出过度的波动性，并且在无条件和条件方 差中都存在异方差，这就导致采用现有典型的GARCH模型使用常数σ，不能够 准确的反应未来现货市场价格情况。为了弥补漂移模型随机游走的不足，本实 施方式采用改进的GARCH模型来预测未来电价的波动，预测结果比原有方法 更准确。
实施方式三.本实施方式是对实施方式一中所述的新能源优化规划方法的 进一步说明，本实施方式对步骤2进行举例说明，本实施方式中，所述非线性 优化中，设计的目标函数为：
最小化(F)＝(资本成本+运维固定成本+运维可变成本-能源套利收入)。
现有的非线性优化的目标函数是采用最大化能源套利收益减去总成本，相当 于最小化总成本减去能源套利收益。本实施方式所述的目标函数是在原目标函 数前加减号，原因是为了使目标方程成为最小化的问题凸函数，以便于求最优 解。
本实施方式所述的目标函数通过对离散优化函数求和来计算N个电池贮 存系统的每日利润(24小时)，该函数具有一小时的时间步长。具体的，所述 目标函数可以写成：
Figure BDA0003612333610000081
其中
Figure BDA0003612333610000082
为资本成本，
Figure BDA0003612333610000083
为运维固定成本，
Figure BDA0003612333610000084
为运维可变成本，
Figure BDA0003612333610000085
为第h小时、第i个能源贮存系统的充电功率，
Figure BDA0003612333610000086
为第h小时，第i个能源贮存 系统的放电功率。LMPi,h为第h小时、第i个能源贮存系统的节点电力价格；ESS 表示Energy Storage Systems即储能系统。
实施方式四.本实施方式是对实施方式一中所述的新能源优化规划方法的 进一步说明，本实施方式对步骤2中所述的约束条件的举例说明，所述约束条 件包括能源储存系统的额定能量。
具体的约束条件为：
Figure BDA0003612333610000087
Figure BDA0003612333610000088
Figure BDA0003612333610000089
Figure BDA00036123336100000810
Figure BDA00036123336100000811
其中
Figure BDA00036123336100000812
为电池贮存系统的额定功率，
η+为充电效率，η-为放电效率，
Ei,h为第h小时、第i个能源贮存系统的储存能量，
Ei,h1为第h-1小时、第i个能源贮存系统的储存能量，
Figure BDA00036123336100000813
为第i个电池贮存系统的额定能量。
实施方式五.本实施方式是对实施方式一中所述的新能源优化规划方法的 进一步说明，本实施方式对步骤2进行举例说明，本实施方式中所述约束条件 包括发电站的功率参数，具体为：
Figure BDA0003612333610000091
Figure BDA0003612333610000092
Figure BDA0003612333610000093
Figure BDA0003612333610000094
Figure BDA0003612333610000095
Figure BDA0003612333610000096
Figure BDA0003612333610000097
Figure BDA0003612333610000098
公式中P表示有功发电功率，Q表示无功功率，下角标i、j表示节点的序 号，下角标h表示第h个小时，下角标g表示发电站的序号，d表示负载的序号， 具体的：
Pgi，h为第h小时、电网中的第i个节点中第g个发电站的有功发电功率，
Pdi,h为第h小时、电网中的第i个节点中第d个负载的有功耗电功率，
Pgi,min为电网中的第i个节点第g个发电站的有功发电功率的最小值，
Pgi,max为电网中的第i个节点第g个发电站的有功发电功率的最大值，
Qgi,h为第h小时、电网中第i个节点的第g个发电站的无功功率，
Qgi,min为电网中的第i个节点第g个发电站的无功发电功率的最小值，
Qgi,max为电网中的第i个节点第g个发电站的无功发电功率的最大值，
Qdi,h为第h小时、电网中第i个节点中第d个负载的无功耗电功率，
V,h为第h小时、电网中的第i个节点的电压，
Vmin为第h小时、电网中的第i个节点的电压的最小值，
Vmax为第h小时、电网中的第i个节点的电压的最大值，
δi,h为第h小时、电网中的第i个节点的角度，
Gij为电网中第i个节点和第j个节点的间的电导率，
Bij为电网中第i个节点和第j个节点的间的电纳。
电网中第i个节点的第g个发电站与节点有线对应关系。电网中为一个节点 可以有多个发电站，但也有的节点只有负载和没有发电站。
实施方式六.本实施方式是对实施方式一中所述的新能源优化规划方法的 进一步说明，本实施方式对步骤2中所述的约束条件的举例说明，本实施方式 所述的约束条件包括位置边际定价约束条件LMP：
LMP＝系统参考总线边际价格-系统损耗分量-拥塞分量。
本实施方式所述的位置边际定价(LMP)是一种包含基于市场的价格以管 理输电拥堵的机制。系统在负载总线上额外提供一兆瓦的成本的边际增加量 LMPk表示为：
Figure BDA0003612333610000101
其中NLL表示处于负载极限的高压电连线的线数，
Figure BDA0003612333610000104
是线路
Figure BDA0003612333610000105
的拉格朗日乘数；
LMPref为系统参考边际公交价格，可以通过公式(1)和(2)中计算获得。
Figure BDA0003612333610000106
是线路
Figure BDA0003612333610000107
上的线路流量对母线k处一兆瓦变化的敏感性，用于对母线进 行调整以保持系统负载和发电机平衡。
Figure BDA0003612333610000102
代表输电线路上每增加一兆瓦的负荷流而产生的输电线路功率损耗，为 线损敏感系数，该系数为：
Figure BDA0003612333610000103
公式中，电阻resistance的单位为欧姆每公里，线长line length的单位为公里，功率的单位为兆瓦，电压Voltage的单位为千伏。
实施方式七.本实施方式是举例说明本发明所述的新能源优化规划方法获 得的最佳充电方案：
参见图2所示，是采用本发明所述的方法获得的一种最佳充电方案，图中 显示的是在150兆瓦、持续时间为2小时的储能系统额度最佳充放电方案，其 中右侧向下延申的较深颜色的柱状条表示放电功率，左侧向上延申的较浅颜色 的柱状条表示充电功率，带有“X”标记的曲线SOC表示是电池的荷电状态，另 一条曲线Electricity Price代表预测的节点电力市场的实时电价。根据该图 能够获知，储能系统能够在节点电力市场的实时电价低时充电，在价格高时放 电，从而实现套利并达到经济效用最大化。

Claims (8)

1.一种综合经济因素和能源因素的新能源规划方案的优化方法，其特征在于，所述方法包括：
步骤1，用电负载预测：使用时间序列及机器学习相互辅助的方法对项目有效期内的用电负载进行预测，获得用电负载预测值；
步骤2，非线性优化：依据用电负载预测值，使用多项约束条件进行非线性优化处理，获得能源系统最佳充电方案、最佳功率以及最佳位置；
步骤3，经济学评估：依据非线性优化结果，并结合经济参数以及风险规避概率进行经济学评估，然后获得NVP期望值；
将获得的NVP期望值作为非线性优化步骤的一个输入条件，返回执行步骤2，然后循环执行步骤2和3进行迭代处理，直到获得最大NVP期望值为止，将该最大NVP期望值对应的最优能源系统最佳充电方案、最佳功率以及最佳位置作为优化结果。
2.根据权利要求1所述的一种新能源规划方案的优化方法，其特征在于，在步骤3、经济学评估中，包括对电力现货市场价格进行评估，所述评估方法是通过建模来实现的，所述过程为根据构建改进的GARCH模型：
Figure FDA0003612333600000011
其中，ω、α和β是使用最大似然法计算获得的GARCH模型的参数，rt表示时间t的电力套利的对数收益率，σt表示电力价格在时间t的波动率；
然后利用上一时间段的电价回报和标准差，计算获得预测的标准差，PT为现阶段电力的节点电价：
Figure FDA0003612333600000012
ε表示时间段0和T之间的电力价格的上涨率，
Figure FDA0003612333600000013
表示布朗运动进程，其中∈是逆正态分布，均值为0，标准差为1～N(0,1)。
3.根据权利要求1所述的一种新能源规划方案的优化方法，其特征在于，所述非线性优化中，设计的目标函数为：
最小化(F)＝(资本成本+运维固定成本+运维可变成本-能源套利收入)。
4.根据权利要求1所述的一种新能源规划方案的优化方法，其特征在于，所述约束条件包括能源储存系统的额定能量。
5.根据权利要求1所述的一种新能源规划方案的优化方法，其特征在于，所述的约束条件包括位置边际定价约束条件LMP:
LMP＝系统参考总线边际价格-系统损耗分量-拥塞分量。
6.一种综合经济因素和能源因素的新能源规划方案的优化系统，其特征在于，所述系统包括：
用电负载预测单元：用于使用时间序列及机器学习相互辅助的方法对项目有效期内的用电负载进行预测，获得用电负载预测值；
非线性优化单元：用于依据用电负载预测值，使用多项约束条件进行非线性优化处理，获得能源系统最佳充电方案、最佳功率以及最佳位置；
经济学评估单元：用于依据非线性优化结果，并结合经济参数以及风险规避概率进行经济学评估，然后获得NVP期望值；
迭代单元：用于将获得的NVP期望值作为非线性优化单元的一个输入条件，启动所述非线性优化单元和经济学评估单元进行迭代处理，直到获得最大NVP期望值为止，将该最大NVP期望值对应的最优能源系统最佳充电方案、最佳功率以及最佳位置作为优化结果。
7.一种计算机储存介质，用于储存计算机程序，其特征在于，所述的储存介质被计算机运行时，执行权利要求1-5任意一项所述的新能源规划方案的优化方法。
8.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，当所述处理器运行所述存储器存储的计算机程序时执行权利要求1-5任意一项所述的新能源规划方案的优化方法。
CN202210434234.1A 2022-04-24 2022-04-24 综合经济因素和能源因素的新能源规划方案的优化方法及系统 Active CN115062811B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210434234.1A CN115062811B (zh) 2022-04-24 2022-04-24 综合经济因素和能源因素的新能源规划方案的优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210434234.1A CN115062811B (zh) 2022-04-24 2022-04-24 综合经济因素和能源因素的新能源规划方案的优化方法及系统

Publications (2)

Publication Number Publication Date
CN115062811A true CN115062811A (zh) 2022-09-16
CN115062811B CN115062811B (zh) 2024-03-12

Family

ID=83197037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210434234.1A Active CN115062811B (zh) 2022-04-24 2022-04-24 综合经济因素和能源因素的新能源规划方案的优化方法及系统

Country Status (1)

Country Link
CN (1) CN115062811B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108448636A (zh) * 2018-05-10 2018-08-24 合肥工业大学 一种考虑线路因素的交直流混合微电网优化规划方法
CN110119886A (zh) * 2019-04-18 2019-08-13 深圳供电局有限公司 一种主动配网动态规划方法
CN110428103A (zh) * 2019-07-31 2019-11-08 广东电网有限责任公司 一种综合能源系统中可再生能源储能系统协同规划方法
CN111490554A (zh) * 2020-04-16 2020-08-04 国网江苏省电力有限公司淮安供电分公司 分布式光伏-储能系统多目标优化配置方法
CN111614087A (zh) * 2020-06-09 2020-09-01 国网吉林省电力有限公司电力科学研究院 一种参与电网调峰的储能双层优化配置方法
CN112163700A (zh) * 2020-09-22 2021-01-01 清华大学 一种考虑储能电池循环寿命的电化学储能电站规划方法
CN113255957A (zh) * 2021-04-02 2021-08-13 国网山东省电力公司济南供电公司 综合服务站不确定因素的定量优化分析方法及系统
CN113344732A (zh) * 2021-04-21 2021-09-03 神华科学技术研究院有限责任公司 电化学储能的运营评估方法、装置、终端设备及存储介质
CN114142461A (zh) * 2021-11-24 2022-03-04 国网湖北省电力有限公司电力科学研究院 考虑电网形态演变和结构发展的新能源差异化配置方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108448636A (zh) * 2018-05-10 2018-08-24 合肥工业大学 一种考虑线路因素的交直流混合微电网优化规划方法
CN110119886A (zh) * 2019-04-18 2019-08-13 深圳供电局有限公司 一种主动配网动态规划方法
CN110428103A (zh) * 2019-07-31 2019-11-08 广东电网有限责任公司 一种综合能源系统中可再生能源储能系统协同规划方法
CN111490554A (zh) * 2020-04-16 2020-08-04 国网江苏省电力有限公司淮安供电分公司 分布式光伏-储能系统多目标优化配置方法
CN111614087A (zh) * 2020-06-09 2020-09-01 国网吉林省电力有限公司电力科学研究院 一种参与电网调峰的储能双层优化配置方法
CN112163700A (zh) * 2020-09-22 2021-01-01 清华大学 一种考虑储能电池循环寿命的电化学储能电站规划方法
CN113255957A (zh) * 2021-04-02 2021-08-13 国网山东省电力公司济南供电公司 综合服务站不确定因素的定量优化分析方法及系统
CN113344732A (zh) * 2021-04-21 2021-09-03 神华科学技术研究院有限责任公司 电化学储能的运营评估方法、装置、终端设备及存储介质
CN114142461A (zh) * 2021-11-24 2022-03-04 国网湖北省电力有限公司电力科学研究院 考虑电网形态演变和结构发展的新能源差异化配置方法

Also Published As

Publication number Publication date
CN115062811B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
Khalid et al. On maximizing profit of wind-battery supported power station based on wind power and energy price forecasting
Du et al. A cooperative game approach for coordinating multi-microgrid operation within distribution systems
Alharbi et al. Stochastic optimal planning of battery energy storage systems for isolated microgrids
Sandgani et al. Coordinated optimal dispatch of energy storage in a network of grid-connected microgrids
Niknam et al. An efficient scenario-based stochastic programming framework for multi-objective optimal micro-grid operation
Ghadimi et al. PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives
Varkani et al. A new self-scheduling strategy for integrated operation of wind and pumped-storage power plants in power markets
Borozan et al. Strategic network expansion planning with electric vehicle smart charging concepts as investment options
Saber et al. A scenario-based planning framework for energy storage systems with the main goal of mitigating wind curtailment issue
Machlev et al. A review of optimal control methods for energy storage systems-energy trading, energy balancing and electric vehicles
Akbari-Dibavar et al. Two-stage robust energy management of a hybrid charging station integrated with the photovoltaic system
CN111082451B (zh) 基于场景法的增量配电网多目标优化调度模型
Lee et al. Stochastic optimal control of the storage system to limit ramp rates of wind power output
Vonsien et al. Li-ion battery storage in private households with PV systems: Analyzing the economic impacts of battery aging and pooling
Jiao et al. Online optimal dispatch based on combined robust and stochastic model predictive control for a microgrid including EV charging station
Bhattacharjee et al. Benefits of strategically sizing wind-integrated energy storage and transmission
Fioriti et al. Multi-year stochastic planning of off-grid microgrids subject to significant load growth uncertainty: overcoming single-year methodologies
Dong et al. A strategic day-ahead bidding strategy and operation for battery energy storage system by reinforcement learning
Lai et al. Profit maximization for large-scale energy storage systems to enable fast EV charging infrastructure in distribution networks
Vitor et al. Operation planning and decision-making approaches for Volt/Var multi-objective optimization in power distribution systems
Lei et al. Bridging electricity market and carbon emission market through electric vehicles: Optimal bidding strategy for distribution system operators to explore economic feasibility in China's low-carbon transitions
Ananth et al. A review of different optimisation techniques for solving single and multi-objective optimisation problem in power system and mostly unit commitment problem
Zhang et al. Bidding strategy for wind power and Large-scale electric vehicles participating in Day-ahead energy and frequency regulation market
Mohseni et al. Stochastic, resilience-oriented optimal sizing of off-grid microgrids considering EV-charging demand response: An efficiency comparison of state-of-the-art metaheuristics
Zamzam et al. Energy storage management via deep Q-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
GR01 Patent grant
GR01 Patent grant