CN115065075B - 风储集群中储能站优化调度方法、系统及存储介质 - Google Patents

风储集群中储能站优化调度方法、系统及存储介质 Download PDF

Info

Publication number
CN115065075B
CN115065075B CN202210888022.0A CN202210888022A CN115065075B CN 115065075 B CN115065075 B CN 115065075B CN 202210888022 A CN202210888022 A CN 202210888022A CN 115065075 B CN115065075 B CN 115065075B
Authority
CN
China
Prior art keywords
energy storage
storage station
power
scheduling
wind
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
CN202210888022.0A
Other languages
English (en)
Other versions
CN115065075A (zh
Inventor
黄纯
申亚涛
欧阳志国
马芳
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.)
Hunan Huada Electrician Hi Tech Co ltd
Original Assignee
Hunan Huada Electrician Hi Tech 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 Hunan Huada Electrician Hi Tech Co ltd filed Critical Hunan Huada Electrician Hi Tech Co ltd
Priority to CN202210888022.0A priority Critical patent/CN115065075B/zh
Publication of CN115065075A publication Critical patent/CN115065075A/zh
Application granted granted Critical
Publication of CN115065075B publication Critical patent/CN115065075B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H02J3/24—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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • H02J3/241—The oscillation concerning frequency
    • 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
    • H02J2300/28—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

Abstract

本发明公开了一种风储集群中储能站优化调度方法、系统及存储介质，其中调度方法包括：获取储能站运行当日的基本充放电功率计划曲线；在实时运行阶段，滚动预测未来一个调度时段内的风电功率，建立平抑风电波动的优化模型，求解得到用于平抑风电波动的功率；获取来自电网调度的AGC指令；基于基本充放电功率计划曲线、用于平抑风电波动的功率、AGC指令计算得到储能站的功率指令值，并根据储能站的功率指令值进行调度。本发明可以利用储能提供削峰填谷、二次调频和平抑风电等功能，充分利用了储能在经济和技术方面的价值；不同功能之间得到了有效的协同和优化，使得储能既可以同时提供前述三种功能，又可以在不同时间分别提供前述功能。

Description

风储集群中储能站优化调度方法、系统及存储介质
技术领域
本发明涉及储能的综合应用技术领域，尤其涉及一种应用于风储集群中储能站参与网-源协同应用的优化调度方法、系统及存储介质。
背景技术
大规模风、光等分布式可再生能源在电网中的接入增加了能源供给，在一定程度上改善了能源结构，对环境污染问题也有一定的缓解。但是大量具有间歇性、随机性的分布式发电系统接入电网，极大地增加了电网复杂性和管控难度，对电网的安全、可靠和经济运行产生重大影响。储能技术，特别是以电化学储能为代表的新型储能技术，具有功率双向调节、响应速率快、充放电灵活等优势，既可以辅助风、光等分布式发电系统的有功控制，平滑潮流曲线，改善系统频率特性，又可以利用储能变流器的无功容量，提供无功补偿功能，改善系统的电压分布，在实现大规模分布式发电的友好接入与消纳，稳定电网电压频率等方面获得了越来越多的重视。但是由于储能自身功率和能量有限，现有的调度方法中在同一时段只能提供单一功能，如何在能力范围内，同一时间尽可能多的提供不同的服务，以实现储能的综合高效利用是一个极具经济和技术研究价值的问题。
发明内容
本发明的目的在于提供了一种风储集群中储能站优化调度方法、系统及存储介质，使得储能可以同时提供削峰填谷、二次调频和平抑风电的功能，又可以在不同时间分别提供前述功能，克服了传统调度方法中在同一时段只能提供单一功能的不足。
第一方面，提供了一种风储集群中储能站优化调度方法，包括：
获取储能站运行当日的基本充放电功率计划曲线；
在实时运行阶段，按照预设步长滚动预测未来一个调度时段对应时长内的风电功率，以储能站累计充放电能量最小为目标建立平抑风电波动的优化模型，求解得到储能站用于平抑风电波动的功率；
在实时运行阶段，获取来自电网调度的AGC（Automatic Generation Control）指令；
在实时运行过程中的每个时刻，基于基本充放电功率计划曲线、储能站用于平抑风电波动的功率、AGC指令计算得到储能站的功率指令值，并根据储能站的功率指令值进行调度。
进一步地，储能站运行当日的基本充放电功率计划曲线通过如下方法得到：
在日前通过对比风电场出力预测曲线和系统负荷预测曲线的特征，以净负荷波动 最小为目标，建立削峰填谷优化模型，确定储能站参与削峰填谷的时段和容量，得到储能站 在运行当日的基本充放电功率计划曲线
Figure 195553DEST_PATH_IMAGE001
和剩余SOC基准曲线
Figure 206366DEST_PATH_IMAGE002
(
Figure 816339DEST_PATH_IMAGE003
)，
Figure 845475DEST_PATH_IMAGE003
表示 第
Figure 882701DEST_PATH_IMAGE003
个调度时段的编号。
进一步地，所述以净负荷波动最小为目标，建立削峰填谷优化模型，确定储能站参与削峰填谷的时段和容量，包括：
计算净负荷
Figure 364498DEST_PATH_IMAGE004
，即将系统负荷预测曲线
Figure 263315DEST_PATH_IMAGE005
减去风电场出力预测曲线
Figure 146957DEST_PATH_IMAGE006
：
式中，
Figure 355085DEST_PATH_IMAGE003
表示第
Figure 324178DEST_PATH_IMAGE003
个调度时段，一天24小时共计有
Figure 10374DEST_PATH_IMAGE007
个调度时段，
Figure 764834DEST_PATH_IMAGE007
为正整数；
计算净负荷的波动曲线
Figure 143863DEST_PATH_IMAGE008
，计算方法为：
Figure 600252DEST_PATH_IMAGE009
式中，
Figure 355719DEST_PATH_IMAGE010
表示
Figure 948374DEST_PATH_IMAGE004
的均值；
建立以净负荷波动最小为目标，以储能功率限制、能量限制和充放电功率平衡为约束条件的优化模型，表示如下：
Figure 511686DEST_PATH_IMAGE011
Figure 189792DEST_PATH_IMAGE012
式中，
Figure 483370DEST_PATH_IMAGE003
表示第
Figure 930532DEST_PATH_IMAGE003
个调度时段，
Figure 916942DEST_PATH_IMAGE007
表示调度时段总数，
Figure 833077DEST_PATH_IMAGE013
和
Figure 664767DEST_PATH_IMAGE014
分别表示储能站对应 调度时段的放电和充电状态，为0-1变量，
Figure 232014DEST_PATH_IMAGE015
和
Figure 389326DEST_PATH_IMAGE016
分别表示储能站对应调度时段的放 电和充电功率，
Figure 42024DEST_PATH_IMAGE017
表示储能站的额定功率，
Figure 411826DEST_PATH_IMAGE018
和
Figure 849892DEST_PATH_IMAGE019
分别表示储能站的充电和放电效率，
Figure 178105DEST_PATH_IMAGE020
表示储能站的额定容量，SOC (0)表示储能站的初始SOC，
Figure 318099DEST_PATH_IMAGE002
表示储能站在对应调 度时段的SOC，
Figure 22750DEST_PATH_IMAGE021
和
Figure 315322DEST_PATH_IMAGE022
分别表示储能站SOC的上下限值，
Figure 548857DEST_PATH_IMAGE023
表示每个调度时段 的时长；
求解得到储能站在运行当日的基本充放电功率计划曲线
Figure 176148DEST_PATH_IMAGE001
为：
Figure 153331DEST_PATH_IMAGE024
。
进一步地，所述按照预设步长滚动预测未来一个调度时段对应时长内的风电功率，包括：
利用EMD算法对历史风电功率数据进行分解；
对分解后的各分量分别按照预设步长滚动预测未来一个调度时段对应时长
Figure 549677DEST_PATH_IMAGE023
内 的值；
将各分量的预测结果进行叠加，得到未来一个调度时段对应时长内的风电功率。
进一步地，以储能站累计充放电能量最小为目标建立的平抑风电波动的优化模型表示如下：
Figure 973355DEST_PATH_IMAGE025
其中，
Figure 822362DEST_PATH_IMAGE026
表示第
Figure 603237DEST_PATH_IMAGE003
个调度时段中的第
Figure 119669DEST_PATH_IMAGE027
个步长，Γ表示一个调度时段中总步长数 量，
Figure 695006DEST_PATH_IMAGE028
表示对应步长中储能站用于平抑风电波动的功率。
进一步地，储能站的功率指令值计算公式如下
Figure 47622DEST_PATH_IMAGE029
：
Figure 897766DEST_PATH_IMAGE030
式中，
Figure 3125DEST_PATH_IMAGE031
表示基本充放电功率计划曲线，
Figure 749364DEST_PATH_IMAGE032
表示储能站用于平抑风电 波动的功率，
Figure 323696DEST_PATH_IMAGE033
表示AGC指令；参数
Figure 711952DEST_PATH_IMAGE034
和
Figure 671818DEST_PATH_IMAGE035
的取值原则为：如果
Figure 588958DEST_PATH_IMAGE031
、
Figure 165433DEST_PATH_IMAGE032
和
Figure 842533DEST_PATH_IMAGE033
的代数和小于等于储能站的功率容量，则取值均为1，否则以储能收益最大为目 标，建立线性优化模型确定
Figure 656906DEST_PATH_IMAGE034
和
Figure 276106DEST_PATH_IMAGE035
的值。
进一步地，所述以储能收益最大为目标，建立线性优化模型确定
Figure 808718DEST_PATH_IMAGE034
和
Figure 273198DEST_PATH_IMAGE035
的值，包 括：
建立线性优化模型如下：
Figure 207656DEST_PATH_IMAGE036
Figure 745560DEST_PATH_IMAGE037
其中，p1和p2分别表示储能站完全响应指令值
Figure 765468DEST_PATH_IMAGE031
+
Figure 33639DEST_PATH_IMAGE032
和
Figure 88182DEST_PATH_IMAGE033
)时对 应的收益，
Figure 518027DEST_PATH_IMAGE026
表示第
Figure 41543DEST_PATH_IMAGE003
个调度时段中的第
Figure 847825DEST_PATH_IMAGE027
个步长，Γ表示一个调度时段中总步长数量，
Figure 756875DEST_PATH_IMAGE038
表示对应步长中风电的功率，
Figure 623200DEST_PATH_IMAGE028
表示对应步长中储能站用于平抑风电波动的功率，
Figure 617701DEST_PATH_IMAGE039
表示风电波动限值，
Figure 978406DEST_PATH_IMAGE040
表示储能站对应调度时段的基本充放电功率计划，SOC (0) 表 示储能站的初始SOC，SOC (
Figure 7542DEST_PATH_IMAGE026
)表示储能在滚动优化调度中第
Figure 44768DEST_PATH_IMAGE003
个调度时段中的第
Figure 526565DEST_PATH_IMAGE027
个步 长下的SOC，
Figure 940229DEST_PATH_IMAGE041
表示滚动优化调度中的时间步长，
Figure 309025DEST_PATH_IMAGE017
表示储能站的额定功率，
Figure 517152DEST_PATH_IMAGE042
表示储 能站的额定容量；
对线性优化模型进行求解，得到
Figure 220666DEST_PATH_IMAGE034
和
Figure 438020DEST_PATH_IMAGE035
的值。
第二方面，提供了一种风储集群中储能站优化调度系统，包括：
基本充放电功率计划曲线获取模块，用于获取储能站运行当日的基本充放电功率计划曲线；
平抑风电波动功率获取模块，用于在实时运行阶段，按照预设步长滚动预测未来一个调度时段对应时长内的风电功率，以储能站累计充放电能量最小为目标建立平抑风电波动的优化模型，求解得到储能站用于平抑风电波动的功率；
AGC指令获取模块，用于在实时运行阶段，获取来自电网调度的AGC指令；
优化调度模块，用于在实时运行过程中的每个时刻，基于基本充放电功率计划曲线、储能站用于平抑风电波动的功率、AGC指令计算得到储能站的功率指令值，并根据储能站的功率指令值进行调度。
第三方面，提供了一种风储集群中储能站优化调度系统，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，所述处理器执行所述计算机程序时实现如上所述的风储集群中储能站优化调度方法的步骤。
第四方面，提供了一种计算机可读存储介质，其存储有计算机程序，该计算机程序还处理器执行时实现如上所述的风储集群中储能站优化调度方法的步骤。
本发明提出了一种风储集群中储能站优化调度方法、系统及存储介质，针对时间尺度和应用目的不同采取了不同的策略。首先在时间尺度上，本发明设计了日前调度和日内滚动调度两种优化模型，其中日前调度中，主要用于削峰填谷，减小系统的峰谷差；日内滚动调度中，主要针对二次调频和平抑波动等快速变化的需求。其次，由于削峰填谷和二次调频主要为电网的需求，而平抑波动为风电场的需求，在有限的储能容量下，为了兼顾不同需求方的利益，实现储能的多目标应用，以储能经济效益最大为目标，优化不同目标之间的权重系数，确定储能站最终的功率指令值进行出力控制。其优点在于：1）可以利用储能提供削峰填谷、二次调频和平抑风电等多种功能，充分利用了储能在经济和技术方面的价值；2）不同功能之间得到了有效的协同和优化，使得储能既可以同时提供前述三种功能，又可以在不同时间分别提供前述功能，克服了传统方法中在同一时段只能提供其中一种功能的不足。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的风储集群中储能站优化调度方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，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得到的所有其它实施方式，都属于本发明所保护的范围。
实施例1
如图1所示，本实施例提供了一种风储集群中储能站优化调度方法，包括：
S1：获取储能站运行当日的基本充放电功率计划曲线。
具体地，在日前（即运行当日的前一日）通过对比风电场出力预测曲线和系统负荷 预测曲线的特征，以净负荷波动最小为目标，建立削峰填谷优化模型，确定储能站参与削峰 填谷的时段和容量，得到储能站在次日（即运行当日）的基本充放电功率计划曲线
Figure 910590DEST_PATH_IMAGE031
和剩余SOC基准曲线
Figure 320579DEST_PATH_IMAGE002
(
Figure 511389DEST_PATH_IMAGE003
)，
Figure 266855DEST_PATH_IMAGE003
表示第
Figure 859511DEST_PATH_IMAGE003
个调度时段的编号，每个调度时段的时长为
Figure 675020DEST_PATH_IMAGE023
，共有T个调度时段。
其中，所述以净负荷波动最小为目标，建立削峰填谷优化模型，确定储能站参与削峰填谷的时段和容量，包括：
S11：计算净负荷
Figure 87547DEST_PATH_IMAGE004
，即将系统负荷预测曲线
Figure 397436DEST_PATH_IMAGE005
减去风电场出力预测曲线
Figure 844598DEST_PATH_IMAGE006
：
Figure 831009DEST_PATH_IMAGE043
式中，
Figure 996411DEST_PATH_IMAGE003
表示第
Figure 93680DEST_PATH_IMAGE003
个调度时段，一天24小时共计有
Figure 146081DEST_PATH_IMAGE007
个调度时段，
Figure 303393DEST_PATH_IMAGE007
为正整数，取值 通常为24、48或96，对应的每个调度时段时长为1h、30min或15min。
S12：计算净负荷的波动曲线
Figure 690512DEST_PATH_IMAGE008
，计算方法为：
Figure 591471DEST_PATH_IMAGE009
式中，
Figure 13225DEST_PATH_IMAGE010
表示
Figure 92171DEST_PATH_IMAGE004
的均值。
S13：建立以净负荷波动最小为目标，以储能功率限制、能量限制和充放电功率平衡为约束条件的优化模型，表示如下：
Figure 966586DEST_PATH_IMAGE011
Figure 405658DEST_PATH_IMAGE044
式中，
Figure 681918DEST_PATH_IMAGE003
表示第
Figure 181033DEST_PATH_IMAGE003
个调度时段，
Figure 542744DEST_PATH_IMAGE007
表示调度时段总数，
Figure 533309DEST_PATH_IMAGE013
和
Figure 929655DEST_PATH_IMAGE014
分别表示储能站对应 调度时段的放电和充电状态，
Figure 599671DEST_PATH_IMAGE015
和
Figure 183099DEST_PATH_IMAGE016
分别表示储能站对应调度时段的放电和充电功 率，
Figure 963974DEST_PATH_IMAGE017
表示储能站的额定功率，
Figure 231138DEST_PATH_IMAGE018
和
Figure 806476DEST_PATH_IMAGE019
分别表示储能站的充电和放电效率，
Figure 142779DEST_PATH_IMAGE020
表示储 能站的额定容量，SOC (0)表示储能站的初始SOC，
Figure 461765DEST_PATH_IMAGE002
表示储能站在对应调度时段的 SOC，
Figure 832704DEST_PATH_IMAGE021
和
Figure 578943DEST_PATH_IMAGE022
分别表示储能站SOC的上下限值，
Figure 418854DEST_PATH_IMAGE023
表示每个调度时段的时长；模 型中决策变量为：
Figure 275951DEST_PATH_IMAGE045
，
Figure 766976DEST_PATH_IMAGE045
，
Figure 684116DEST_PATH_IMAGE015
(
Figure 11323DEST_PATH_IMAGE003
)，
Figure 937691DEST_PATH_IMAGE016
(
Figure 17642DEST_PATH_IMAGE003
)和
Figure 371263DEST_PATH_IMAGE002
(
Figure 903876DEST_PATH_IMAGE003
)。
S14：该模型为混合整数二次规划模型可以利用成熟的商用求解器快速求解，求解 得到储能站在运行当日的基本充放电功率计划曲线
Figure 368355DEST_PATH_IMAGE001
为：
Figure 322055DEST_PATH_IMAGE024
。
S2：在实时运行阶段，按照预设步长滚动预测未来一个调度时段对应时长
Figure 846577DEST_PATH_IMAGE023
内的 风电功率
Figure 866485DEST_PATH_IMAGE038
(
Figure 400235DEST_PATH_IMAGE026
)，以储能站累计充放电能量最小为目标建立平抑风电波动的优化模型， 求解得到储能站用于平抑风电波动的功率
Figure 189199DEST_PATH_IMAGE028
(
Figure 635355DEST_PATH_IMAGE026
)，
Figure 142560DEST_PATH_IMAGE026
表示第
Figure 214421DEST_PATH_IMAGE003
个调度时段中第
Figure 857892DEST_PATH_IMAGE027
个步 长，总步长数量为Γ。
具体地，所述未来一个调度时段对应时长
Figure 989796DEST_PATH_IMAGE023
内的风电功率通过如下方法得到：
S21：利用EMD（经验模态分解）算法对历史风电功率数据进行分解；
S22：对分解后的各分量分别按照预设步长滚动预测未来一个调度时段对应时长
Figure 469450DEST_PATH_IMAGE023
内的值；
S23：将各分量的预测结果进行叠加，得到未来一个调度时段对应时长
Figure 345002DEST_PATH_IMAGE023
内的风 电功率
Figure 842980DEST_PATH_IMAGE038
(
Figure 145785DEST_PATH_IMAGE026
)。
其中，以储能站累计充放电能量最小为目标建立的平抑风电波动的优化模型中， 约束条件包括：1）基本充放电功率与平抑风电波动的功率代数和在储能站额定功率范围 内；2）储能SOC在相邻两个步长之间的状态转移关系；3）储能SOC的最大和最小值限制；4）储 能SOC在第
Figure 362003DEST_PATH_IMAGE003
个调度时段的起始值和终末值与基本SOC曲线相等。平抑风电波动的优化模型 表示如下：
Figure 526399DEST_PATH_IMAGE025
其中，
Figure 144462DEST_PATH_IMAGE026
表示第
Figure 618169DEST_PATH_IMAGE003
个调度时段中的第
Figure 321683DEST_PATH_IMAGE027
个步长，Γ表示一个调度时段中总步长数 量，
Figure 273458DEST_PATH_IMAGE028
表示对应步长中储能站用于平抑风电波动的功率。由于平抑波动的时间尺度相 对较短，因此忽略储能效率的影响，该模型为基本的二次规划模型，可以利用成熟的商用求 解器求解得到储能站用于平抑风电波动的功率
Figure 11607DEST_PATH_IMAGE028
(
Figure 404018DEST_PATH_IMAGE026
)。
S3：在实时运行阶段，获取来自电网调度的AGC指令。
S4：在实时运行过程中的每个时刻，基于基本充放电功率预测曲线、储能站用于平抑风电波动的功率、AGC指令计算得到储能站的功率指令值，并根据储能站的功率指令值进行调度。
具体地，储能站的功率指令值计算公式如下
Figure 594828DEST_PATH_IMAGE029
：
Figure 84715DEST_PATH_IMAGE030
式中，
Figure 942949DEST_PATH_IMAGE031
表示基本充放电功率计划曲线，
Figure 227300DEST_PATH_IMAGE032
表示储能站用于平抑风电 波动的功率，
Figure 921718DEST_PATH_IMAGE033
表示AGC指令；参数
Figure 215296DEST_PATH_IMAGE034
和
Figure 928037DEST_PATH_IMAGE035
的取值原则为：如果
Figure 648868DEST_PATH_IMAGE031
、
Figure 814271DEST_PATH_IMAGE032
和
Figure 645960DEST_PATH_IMAGE033
的代数和小于等于储能站的功率容量，则取值均为1，否则以储能收益最大为目 标，建立线性优化模型确定
Figure 229520DEST_PATH_IMAGE034
和
Figure 121252DEST_PATH_IMAGE035
的值。
更具体地，所述以储能收益最大为目标，建立线性优化模型确定
Figure 508371DEST_PATH_IMAGE034
和
Figure 409331DEST_PATH_IMAGE035
的值，包 括：
建立线性优化模型如下：
Figure 96664DEST_PATH_IMAGE036
Figure 910031DEST_PATH_IMAGE046
其中，p1和p2分别表示储能站完全响应指令值
Figure 50025DEST_PATH_IMAGE031
+
Figure 223517DEST_PATH_IMAGE032
和
Figure 499778DEST_PATH_IMAGE033
时对 应的收益，
Figure 998892DEST_PATH_IMAGE026
表示第
Figure 360604DEST_PATH_IMAGE003
个调度时段中的第
Figure 345309DEST_PATH_IMAGE027
个步长，Γ表示一个调度时段中总步长数量，
Figure 741656DEST_PATH_IMAGE038
表示对应步长中风电的功率，
Figure 146092DEST_PATH_IMAGE028
表示对应步长中储能站用于平抑风电波动的功率，
Figure 260679DEST_PATH_IMAGE039
表示风电波动限值，
Figure 41553DEST_PATH_IMAGE040
表示储能站对应调度时段的基本充放电功率计划，SOC (0) 表 示储能站的初始SOC，SOC (
Figure 777559DEST_PATH_IMAGE026
)表示储能在滚动优化调度中第
Figure 618476DEST_PATH_IMAGE003
个调度时段中的第
Figure 220359DEST_PATH_IMAGE027
个步 长下的SOC，
Figure 539345DEST_PATH_IMAGE041
表示滚动优化调度中的时间步长，
Figure 910283DEST_PATH_IMAGE017
表示储能站的额定功率，
Figure 407255DEST_PATH_IMAGE042
表示储 能站的额定容量；
对线性优化模型进行求解，得到
Figure 230854DEST_PATH_IMAGE034
和
Figure 353531DEST_PATH_IMAGE035
的值。该模型是一个线性优化模型，而且 优化变量只有两个，所以在实时控制中也能够满足对求解速度的要求。
实施例2
本实施例提供了一种风储集群中储能站优化调度系统，包括：
基本充放电功率计划曲线获取模块，用于获取储能站运行当日的基本充放电功率计划曲线；
平抑风电波动功率获取模块，用于在实时运行阶段，按照预设步长滚动预测未来一个调度时段对应时长内的风电功率，以储能站累计充放电能量最小为目标建立平抑风电波动的优化模型，求解得到储能站用于平抑风电波动的功率；
AGC指令获取模块，用于在实时运行阶段，获取来自电网调度的AGC指令；
优化调度模块，用于在实时运行过程中的每个时刻，基于基本充放电功率计划曲线、储能站用于平抑风电波动的功率、AGC指令计算得到储能站的功率指令值，并根据储能站的功率指令值进行调度。
应当理解，本发明各个实施例中的功能单元模块可以集中在一个处理单元中，也可以是各个单元模块单独物理存在，也可以是两个或两个以上的单元模块集成在一个单元模块中，可以采用硬件或软件的形式来实现。
实施例3
本实施例提供了一种风储集群中储能站优化调度系统，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，所述处理器执行所述计算机程序时实现如实施例1所述的风储集群中储能站优化调度方法的步骤。
其中，存储器可能包含高速RAM存储器，也可能还包括非易失性除颤器，例如至少一个磁盘存储器。
如果存储器、处理器和通信接口独立实现，则存储器、处理器和通信接口可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构总线，外部设备互联总线或扩展工业标准体系结构总线等。所述总线可以分为地址总线、数据总线、控制总线等。
可选的，在具体实现上，如果存储器、处理器和通信接口集成在一块芯片上，则存储器、处理器即通信接口可以通过内部接口完成相互之间的通信。
各个步骤的具体实现过程请参照前述方法的阐述。
应当理解，在本发明实施例中，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
实施例4
本实施例一种计算机可读存储介质，其存储有计算机程序，该计算机程序还处理器执行时实现如实施例1所述的风储集群中储能站优化调度方法的步骤。
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。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种风储集群中储能站优化调度方法，其特征在于，包括：
获取储能站运行当日的基本充放电功率计划曲线；
在实时运行阶段，按照预设步长滚动预测未来一个调度时段对应时长内的风电功率，以储能站累计充放电能量最小为目标建立平抑风电波动的优化模型，求解得到储能站用于平抑风电波动的功率；
在实时运行阶段，获取来自电网调度的AGC指令；
在实时运行过程中的每个时刻，基于基本充放电功率计划曲线、储能站用于平抑风电波动的功率、AGC指令计算得到储能站的功率指令值，并根据储能站的功率指令值进行调度；
储能站运行当日的基本充放电功率计划曲线通过如下方法得到：
在日前通过对比风电场出力预测曲线和系统负荷预测曲线的特征，以净负荷波动最小为目标，建立削峰填谷优化模型，确定储能站参与削峰填谷的时段和容量，得到储能站在运行当日的基本充放电功率计划曲线和剩余SOC基准曲线；
储能站的功率指令值计算公式如下
Figure 881405DEST_PATH_IMAGE001
：
Figure 329704DEST_PATH_IMAGE002
式中，
Figure 640600DEST_PATH_IMAGE003
表示基本充放电功率计划曲线，
Figure 301388DEST_PATH_IMAGE004
表示储能站用于平抑风电波动 的功率，
Figure 397651DEST_PATH_IMAGE005
表示AGC指令；参数
Figure 485693DEST_PATH_IMAGE006
和
Figure 283885DEST_PATH_IMAGE007
的取值原则为：如果
Figure 748364DEST_PATH_IMAGE008
、
Figure 682822DEST_PATH_IMAGE004
和
Figure 207344DEST_PATH_IMAGE005
的代数和小于等于储能站的功率容量，则取值均为1，否则以储能收益最大为目 标，建立线性优化模型确定
Figure 258213DEST_PATH_IMAGE006
和
Figure 260804DEST_PATH_IMAGE007
的值。
2.根据权利要求1所述的风储集群中储能站优化调度方法，其特征在于，所述以净负荷波动最小为目标，建立削峰填谷优化模型，确定储能站参与削峰填谷的时段和容量，包括：
计算净负荷
Figure 315348DEST_PATH_IMAGE009
，即将系统负荷预测曲线
Figure 276350DEST_PATH_IMAGE010
减去风电场出力预测曲线
Figure 783555DEST_PATH_IMAGE011
：
Figure 340569DEST_PATH_IMAGE012
式中，
Figure 249620DEST_PATH_IMAGE013
表示第
Figure 115945DEST_PATH_IMAGE013
个调度时段；
计算净负荷的波动曲线
Figure 110445DEST_PATH_IMAGE014
，计算方法为：
Figure 720418DEST_PATH_IMAGE015
式中，
Figure 234707DEST_PATH_IMAGE016
表示
Figure 537513DEST_PATH_IMAGE009
的均值；
建立以净负荷波动最小为目标，以储能功率限制、能量限制和充放电功率平衡为约束条件的优化模型，表示如下：
Figure 753730DEST_PATH_IMAGE017
Figure 167394DEST_PATH_IMAGE018
式中，
Figure 785457DEST_PATH_IMAGE013
表示第
Figure 9896DEST_PATH_IMAGE013
个调度时段，
Figure 978989DEST_PATH_IMAGE019
表示调度时段总数，
Figure 930765DEST_PATH_IMAGE020
和
Figure 668914DEST_PATH_IMAGE021
分别表示储能站对应调度 时段的放电和充电状态，
Figure 313522DEST_PATH_IMAGE022
和
Figure 517714DEST_PATH_IMAGE023
分别表示储能站对应调度时段的放电和充电功率，
Figure 7601DEST_PATH_IMAGE024
表示储能站的额定功率，
Figure 600256DEST_PATH_IMAGE025
和
Figure 150186DEST_PATH_IMAGE026
分别表示储能站的充电和放电效率，
Figure 93871DEST_PATH_IMAGE027
表示储能站 的额定容量，SOC (0)表示储能站的初始SOC，
Figure 138182DEST_PATH_IMAGE028
表示储能站在对应调度时段的SOC，
Figure 850923DEST_PATH_IMAGE029
和
Figure 571754DEST_PATH_IMAGE030
分别表示储能站SOC的上下限值，
Figure 737156DEST_PATH_IMAGE031
表示每个调度时段的时长；
求解得到储能站在运行当日的基本充放电功率计划曲线
Figure 568846DEST_PATH_IMAGE008
为：
Figure 152405DEST_PATH_IMAGE032
。
3.根据权利要求1所述的风储集群中储能站优化调度方法，其特征在于，所述按照预设步长滚动预测未来一个调度时段对应时长内的风电功率，包括：
利用EMD算法对历史风电功率数据进行分解；
对分解后的各分量分别按照预设步长滚动预测未来一个调度时段对应时长
Figure 44138DEST_PATH_IMAGE031
内的 值；
将各分量的预测结果进行叠加，得到未来一个调度时段对应时长内的风电功率。
4.根据权利要求1所述的风储集群中储能站优化调度方法，其特征在于，以储能站累计充放电能量最小为目标建立的平抑风电波动的优化模型表示如下：
Figure 696836DEST_PATH_IMAGE033
其中，
Figure 597796DEST_PATH_IMAGE034
表示第
Figure 19550DEST_PATH_IMAGE013
个调度时段中的第
Figure 832917DEST_PATH_IMAGE035
个步长，Γ表示一个调度时段中总步长数量，
Figure 972911DEST_PATH_IMAGE036
表示对应步长中储能站用于平抑风电波动的功率。
5.根据权利要求1所述的风储集群中储能站优化调度方法，其特征在于，所述以储能收 益最大为目标，建立线性优化模型确定
Figure 411983DEST_PATH_IMAGE006
和
Figure 504222DEST_PATH_IMAGE007
的值，包括：
建立线性优化模型如下：
Figure 737757DEST_PATH_IMAGE037
Figure 365048DEST_PATH_IMAGE038
其中，p1和p2分别表示储能站完全响应指令值
Figure 342231DEST_PATH_IMAGE008
+
Figure 738577DEST_PATH_IMAGE004
和
Figure 143014DEST_PATH_IMAGE005
时对应的 收益，
Figure 8333DEST_PATH_IMAGE034
表示第
Figure 523628DEST_PATH_IMAGE013
个调度时段中的第
Figure 40060DEST_PATH_IMAGE035
个步长，Γ表示一个调度时段中总步长数量，
Figure 615398DEST_PATH_IMAGE039
表 示对应步长中风电的功率，
Figure 217280DEST_PATH_IMAGE036
表示对应步长中储能站用于平抑风电波动的功率，
Figure 286999DEST_PATH_IMAGE040
表示 风电波动限值，
Figure 657937DEST_PATH_IMAGE041
表示储能站对应调度时段的基本充放电功率计划，SOC (0) 表示储能 站的初始SOC，SOC (
Figure 669755DEST_PATH_IMAGE034
)表示储能在滚动优化调度中第
Figure 227776DEST_PATH_IMAGE013
个调度时段中的第
Figure 616032DEST_PATH_IMAGE035
个步长下的 SOC，
Figure 326630DEST_PATH_IMAGE042
表示滚动优化调度中的时间步长，
Figure 509349DEST_PATH_IMAGE024
表示储能站的额定功率，
Figure 820245DEST_PATH_IMAGE043
表示储能站的 额定容量；
对线性优化模型进行求解，得到
Figure 746613DEST_PATH_IMAGE006
和
Figure 560985DEST_PATH_IMAGE007
的值。
6.一种风储集群中储能站优化调度系统，其特征在于，包括：
基本充放电功率计划曲线获取模块，用于获取储能站运行当日的基本充放电功率计划曲线；
平抑风电波动功率获取模块，用于在实时运行阶段，按照预设步长滚动预测未来一个调度时段对应时长内的风电功率，以储能站累计充放电能量最小为目标建立平抑风电波动的优化模型，求解得到储能站用于平抑风电波动的功率；
AGC指令获取模块，用于在实时运行阶段，获取来自电网调度的AGC指令；
优化调度模块，用于在实时运行过程中的每个时刻，基于基本充放电功率计划曲线、储能站用于平抑风电波动的功率、AGC指令计算得到储能站的功率指令值，并根据储能站的功率指令值进行调度；
储能站运行当日的基本充放电功率计划曲线通过如下方法得到：
在日前通过对比风电场出力预测曲线和系统负荷预测曲线的特征，以净负荷波动最小为目标，建立削峰填谷优化模型，确定储能站参与削峰填谷的时段和容量，得到储能站在运行当日的基本充放电功率计划曲线和剩余SOC基准曲线；
储能站的功率指令值计算公式如下
Figure 927988DEST_PATH_IMAGE001
：
Figure 726180DEST_PATH_IMAGE002
式中，
Figure 190659DEST_PATH_IMAGE003
表示基本充放电功率计划曲线，
Figure 125117DEST_PATH_IMAGE004
表示储能站用于平抑风电波动 的功率，
Figure 649639DEST_PATH_IMAGE005
表示AGC指令；参数
Figure 685860DEST_PATH_IMAGE006
和
Figure 954030DEST_PATH_IMAGE007
的取值原则为：如果
Figure 742994DEST_PATH_IMAGE008
、
Figure 703997DEST_PATH_IMAGE004
和
Figure 945623DEST_PATH_IMAGE005
的代数和小于等于储能站的功率容量，则取值均为1，否则以储能收益最大为目 标，建立线性优化模型确定
Figure 564954DEST_PATH_IMAGE006
和
Figure 474004DEST_PATH_IMAGE007
的值。
7.一种风储集群中储能站优化调度系统，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计算机程序时实现如权利要求1至5任一项所述的风储集群中储能站优化调度方法的步骤。
8.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该计算机程序还处理器执行时实现如权利要求1至5任一项所述的风储集群中储能站优化调度方法的步骤。
CN202210888022.0A 2022-07-27 2022-07-27 风储集群中储能站优化调度方法、系统及存储介质 Active CN115065075B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210888022.0A CN115065075B (zh) 2022-07-27 2022-07-27 风储集群中储能站优化调度方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210888022.0A CN115065075B (zh) 2022-07-27 2022-07-27 风储集群中储能站优化调度方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN115065075A CN115065075A (zh) 2022-09-16
CN115065075B true CN115065075B (zh) 2022-11-29

Family

ID=83206643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210888022.0A Active CN115065075B (zh) 2022-07-27 2022-07-27 风储集群中储能站优化调度方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN115065075B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115811098B (zh) * 2023-02-09 2023-10-20 南方电网数字电网研究院有限公司 考虑功率裕度的风储电站agc指令优化方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110011344A (zh) * 2019-04-22 2019-07-12 中国电建集团江西省电力建设有限公司 一种储能系统及其控制方法
CN111049167A (zh) * 2018-10-12 2020-04-21 中国电力科学研究院有限公司 一种储能系统功率控制方法及系统
CN113541171A (zh) * 2021-06-22 2021-10-22 国网湖南省电力有限公司 一种规模化储能电站统一调度的控制方法及系统
CN114156870A (zh) * 2021-11-23 2022-03-08 特变电工西安电气科技有限公司 一种储能系统参与多应用领域优化调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111049167A (zh) * 2018-10-12 2020-04-21 中国电力科学研究院有限公司 一种储能系统功率控制方法及系统
CN110011344A (zh) * 2019-04-22 2019-07-12 中国电建集团江西省电力建设有限公司 一种储能系统及其控制方法
CN113541171A (zh) * 2021-06-22 2021-10-22 国网湖南省电力有限公司 一种规模化储能电站统一调度的控制方法及系统
CN114156870A (zh) * 2021-11-23 2022-03-08 特变电工西安电气科技有限公司 一种储能系统参与多应用领域优化调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
平抑风电功率波动及负荷调峰的VRB储能应用;林琳等;《浙江电力》;20190522(第05期);全文 *
电网侧储能技术研究综述;李建林等;《电力建设》;20200601(第06期);全文 *

Also Published As

Publication number Publication date
CN115065075A (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
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
CN107248751A (zh) 一种实现配电网负荷功率削峰填谷的储能站调度控制方法
CN107492901B (zh) 一种分布式储能系统实时优化方法及装置
Geng et al. A two-stage scheduling optimization model and corresponding solving algorithm for power grid containing wind farm and energy storage system considering demand response
CN110649598B (zh) 一种计及区域内虚拟电厂调节节点电价的方法及系统
CN112583017A (zh) 考虑储能运行约束的混合微电网能量分配方法及系统
CN112491039A (zh) 一种主网与家庭光储系统功率交换的控制方法
CN115065075B (zh) 风储集群中储能站优化调度方法、系统及存储介质
CN110932296B (zh) 一种储能控制方法、装置及虚拟电厂
CN111030101B (zh) 一种基于多元化大数据清洁能源消纳联动调控方法及系统
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
CN117039881A (zh) 一种计及用户参与不确定性的虚拟电厂聚合方法及系统
CN111817296A (zh) 一种微电网用电能调度方法及系统
CN115776125A (zh) 一种储能与新能源场站的协同运行优化方法及装置
CN115189423A (zh) 一种风火储系统的多能协调优化调度方法及装置
CN113410900B (zh) 基于自适应差分鲸鱼优化的微电网hess优化配置方法及系统
CN116131297A (zh) 一种面向新能源消纳的源网荷储省地协同调控方法及系统
CN113629736A (zh) 一种基于配电网氢储能系统日内滚动优化方法
CN107453409B (zh) 一种基于短周期均值方差的新能源储能配置优化方法
CN110401210A (zh) 需求响应参与下风电储能系统调度方法
CN113346514B (zh) 一种基于agc的发电机组最优里程调度方法
CN110690719B (zh) 一种微电网电池储能配置方法及可读存储介质
CN109617139B (zh) 一种基于两阶段模糊控制的微电网供冷系统能量分配方法
CN115764947A (zh) 一种电力出清方法、装置、设备及存储介质
CN116613796A (zh) 一种电动汽车聚合体充放电方法、系统、设备及介质

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