CN115205068A - 计及净负荷需求分布式的储能最优峰谷时段划分方法 - Google Patents
计及净负荷需求分布式的储能最优峰谷时段划分方法 Download PDFInfo
- Publication number
- CN115205068A CN115205068A CN202210778821.2A CN202210778821A CN115205068A CN 115205068 A CN115205068 A CN 115205068A CN 202210778821 A CN202210778821 A CN 202210778821A CN 115205068 A CN115205068 A CN 115205068A
- Authority
- CN
- China
- Prior art keywords
- load
- peak
- valley
- time
- period
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004146 energy storage Methods 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000007599 discharging Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 230000005611 electricity Effects 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000008901 benefit Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000003203 everyday effect Effects 0.000 claims 1
- 238000012821 model calculation Methods 0.000 claims 1
- 230000004044 response Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 8
- 238000010248 power generation Methods 0.000 description 5
- 238000013439 planning Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011234 economic evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000012559 user support system 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
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
计及净负荷需求分布式的储能最优峰谷时段划分方法，该方法的主要步骤包括：(1)净负荷测算建模；(2)测算净负荷需求分布；(3)数据样本集构建；(4)峰谷时段聚类优化模型构建。本发明相比原始负荷曲线，若扣除新能源出力，净负荷需求曲线的峰、谷负荷差距明显，峰谷比较大；本发明可以联合形成的时段划分模型：基于阈值优化的储能充放电峰谷时段划分模糊聚类模型，确立负荷需求分布，利用所提峰谷时段划分聚类模型，能够确立适应储能运行的峰、谷、平时段。
Description
技术领域
本发明涉及一种方法，尤其是涉及一种计及净负荷需求分布式的储能最优峰谷时段划分方法。
背景技术
电力系统作为一个集发、输、变、配及用电于一体的大规模复杂能源供应网络，电能的生产和使用都具有较为明显的即时性。为保证电力系统经济高效且稳定地运行，需要保持电能生产和消费环节的平衡。合理、准确的负荷预测是保证电能产销平衡的关键。电力系统负荷预测是能量管理系统的重要组成部分，是在了解系统运行特性、负荷本身等规律的基础上，通过历史数据对未来负荷发展变化进行的可靠预测。
现有负荷预测方法主要有:时间序列法、灰色预测法、神经网络组合预测法等。负荷具有非线性及周期性，时间序列法、灰色预测法等方法均难以适用。虽然相比于传统方法，聚类分析与神经网络预测法在预测精度上有所提升，但对于非周期性的负荷预测效果仍有待提升。
文献《基于高维数据优化聚类的长周期峰谷时段划分模型研究》(李娜,王磊,张文月,王玉玮,舒艳,张超.现代电力,2016,33(04):67-71.)采用k-means聚类的方法来为全年的负荷需求划分时段，虽然能以较高的效率将负荷需求划分为峰、谷、平时段，但把每个时刻的负荷需求严格划分到某类中,具有非此即彼的性质。而本发明采用的模糊聚类通过隶属度函数构建了每个时刻负荷需求被划分到各个时段的概率模型,更能客观地反映负荷分布特征。而文献《基于模糊聚类的峰谷时段划分》(郑成,田宇,陈一怀.电气技术,2016(06):13-17.)虽然同样采用了模糊聚类的方法，但采用的是总负荷需求分布。本文采用净负荷分布来为负荷需求划分时段，能够更加客观地反映负荷供需关系。
此外，诸如现有技术，公开号：CN111241480A，公开一种利用负荷差异及其演化博弈规律设计定制化电价套餐的方法，其特点是，包括：建立考虑负荷差异的需求响应模型、基于熵权法的负荷满意度分析、建立基于演化博弈论的负荷变化模型、基于负荷变化行为的定制化电价套餐设计等内容，能够综合考虑负荷差异及负荷的套餐合同满意度，揭示负荷差异及其演化博弈规律对售电企业设计电价套餐的影响且表明需求响应效果与购电成本的关系，以达到售电商盈利最大的效果，实现负荷削峰填谷、节省电网运行成本、缓解电网建设改造压力。公开号：CN105787588A，公开了一种用于提升新能源消纳能力的动态峰谷分时电价方法，动态引导用户理性用电，建立了考虑动态峰谷电价的需求响应评估模型，模拟用户根据新能源预测出力的变化而动态响应，从而促进新能源消纳。本发明所达到的有益效果：(1)通过对系统日前净负荷进行聚类分析，动态划分峰平谷时段，从而得到峰谷分时电价；(2)采用FCM聚类算法，根据最大隶属度原则判断每一个数据样本所属分类，从而有效地对各时段的系统净负荷进行峰平谷模糊分类；(3)建立了考虑动态峰谷电价的需求响应评估模型，以机组运行费用和弃风最小为优化目标，引入相应约束，可得到相应的系统弃风电量。公开号：CN113971530A，公开了面向新型电力系统源网荷储协同的电力平衡方法，包括以下步骤：S10：叠加总负荷，总负荷包括常规负荷和电能替代负荷，对其进行叠加计算，电能替代负荷预测时采用自然增长和专项负荷相结合的方法，在总负荷叠加后拟合总负荷曲线；S20：净负荷曲线；S30：自然削峰后曲线；S40：电网侧调峰后曲线；S50、平衡曲线；S60、电力需求。本发明建立清晰、操作性强的面向新型电力系统源网荷储协同的电力平衡流程，理清了新能源大量接入电网后源网荷储相互作用的关系，在完全消纳大量新能源接入情况下即保障电网安全性的基础上又能提高电网利用效率。公开号：CN109038631A，公开一种分布式发电和储能的容量配置方法。该配置方法包括：设置对微网内分布式发电和储能单元的配置目标为，微网联络线功率的峰谷差分别降低到目标值之下；以经济性评价标准为目标函数，在满足配置目标和负荷需求的情况下，最小化系统一次设备投资、安装和维护综合成本；划分约束条件；获取微网内的电网数据；根据所述约束条件优化配置所述电网数据。公开号：CN103679299A，涉及一种兼顾车主满意度的电动汽车最优峰谷分时电价定价方法，具体包括以下步骤：(1)建立最后一次行程结束时刻和日行驶里程的概率模型；(2)建立电动汽车充放电的需求响应模型：(2a)A类电动汽车的需求响应模型；(2b)B类电动汽车的需求响应模型；(2c)C类电动汽车的需求响应模型；(3)建立最优峰谷分时电价求解模型。本发明从影响电动汽车功率需求的两大因素，即充电开始时刻以及日行驶里程入手，建立了电动汽车的充、放电功率模型，然后基于电动汽车车主满意度以及电网利益的考虑，建立了一套适用于电动汽车充、放电的最优峰谷分时电价求解方案，在一定程度上减少了对峰荷机组以及线路的投资。公开号：CN113128844A，公开了一种基于供电设备容量限制下分布式电源规划方法，包括以下步骤：基于分时电价建立用户侧负荷响应模型；根据用户负荷需求，结合微网运行策略，建立以微网规划的总收益最大为目标的目标函数；结合约束条件，对目标函数进行优化，根据优化结果进行分布式电源规划；本发明在不进行输电网络全面改造的前提下，通过增加光伏/风力/储能系统满足用户用电需求和降低供电企业基建成本；考虑不同天气对于光伏发电的影响进行光伏、风力和储能微网的规划配置，提高分布式能源分布的合理性；考虑分时电价对微网收益最大的影响，提高企业受益，降低电力成本。公开号：CN111242702A，公开了一种考虑系统峰谷差最小的电网峰谷分时电价的制定方法，包括针对电网电价问题构建整数规划模型；求解所述整数规划模型的最优解；确定峰谷平电价；确定负荷参与调度策略；根据分析峰谷分时电价对网荷收益的影响，确定负荷建模方式和建立负荷电价响应模型；考虑系统峰谷差最小的模型参与调度，并建立考虑系统峰谷差最小的电网电价模型。本发明的有益效果：考虑峰谷分时电价和多类型负荷的电网公司盈利模型能够在充分考虑各类型用户对电价响应差异性的基础上，提高电网盈利的同时能更好得到用户支持，并得到各类型用户最优的峰谷平电价。公开号：CN111353820A，公开了一种考虑柔性负荷机组的电网峰谷分时电价的制定方法，包括针对电网电价问题构建整数规划模型；求解所述整数规划模型的最优解；确定峰谷平电价；确定负荷参与调度策略；根据分析峰谷分时电价对网荷收益的影响，确定负荷建模方式和建立负荷电价响应模型；考虑柔性负荷的机组组合模型参与调度，并建立考虑负荷机组组合的电网电价模型。此外，如公开号：CN111598612A，CN103401257A，CN114022038A，CN105024432A，CN113452077A，CN112564152A，CN105405061A，CN111738773A，CN114362219A等现有技术虽然都与本发明技术领域相同，但是，经过工程技术人员实际分析和应用发现，上述现有技术都没有通过核算净负荷需求曲线反映系统真实的负荷供需关系，同时也没有联合形成的时段划分模型确立负荷需求分布，从而利用所提峰谷时段划分聚类模型，确立适应储能运行的峰、谷、平时段的缺陷。
发明内容
新能源发展形势要求更深入分析用能特性与规律，做到负荷的精准预测，提升负荷预测的效率和精度，适应分布式的储能最优峰谷。因此，本发明提出了一种计及净负荷需求分布式的储能最优峰谷时段划分方法，以解决背景技术中存在的缺陷，其技术方案如下：
一种计及净负荷需求分布式的储能最优峰谷时段划分方法，该方法的主要步骤包括：(1)净负荷测算建模；(2)测算净负荷需求分布；(3)数据样本集构建；(4)峰谷时段聚类优化模型构建。
本发明还公开一种电力系统，其特征为：包括控制系统，所述控制系统通过中央处理器运行所述运行计及净负荷需求分布式的储能最优峰谷时段划分方法。
有益效果
本发明相比原始负荷曲线，若扣除新能源出力，净负荷需求曲线的峰、谷负荷差距明显，峰谷比较大，也就是说，通过核算净负荷需求曲线，能够反映系统真实的负荷供需关系；
本发明可以联合形成的时段划分模型——基于阈值优化的储能充放电峰谷时段划分模糊聚类模型，确立负荷需求分布，利用所提峰谷时段划分聚类模型，能够确立适应储能运行的峰、谷、平时段。
附图说明
图1为本发明提出方法的流程图。
图2为根据本发明方法提出的净负荷需求分布曲线示意图：
该图展示了原始负荷曲线、新能源出力曲线和净负荷曲线在一个调度周期内的分布，反映了原始负荷曲线和净负荷曲线的峰谷差距较为明显，净负荷分布曲线能更客观地反映负荷供需关系。
图3为根据本发明方法测算的青海电网典型负荷日负荷需求分布：
该图中包括青海电网春、夏、秋、冬4个典型日的负荷需求分布，选取典型日的具体日期为2016年3月15日、2016年6月15日、2016年9月15日、2016年12月15日。该图为划分储能峰、平、谷时段提供了基础。
图4为根据本发明方法测算的青海电网典型负荷日净负荷需求分布：
该图展示了图3中青海电网春、夏、秋、冬4个典型负荷日的净负荷需求分布。相比于原始负荷需求分布，净负荷需求分布，峰谷负荷差拉大至4000MW以上，峰谷特征更加明显，且与总负荷峰谷分布特征相反，进一步说明净负荷分布能更客观地反映负荷供需关系。
图5为根据本发明实施例的青海电网总负荷趋势图：
该图展示了青海电网全年的总负荷趋势，反映了青海电网总负荷变化趋势较为明显，但是负荷在各个月份、季度之间具有不同的规律。说明需要将一年的负荷数据划分为四个季节分别进行研究，进一步分析不同季节变化下的负荷规律。
图6为根据本发明实施例的青海电网负荷趋势图(单位：MW；(a)：春；(b)2：秋；(c)一夏；(d)：冬)。该图显示了青海电网春、夏、秋、冬四个季节的负荷变化趋势。其中，夏季、秋季的负荷规律较为一致，负荷峰谷差较大，削峰填谷的需求较大。春季负荷规律性明显，负荷较为平稳，没有表现出明显的谷时段，冬季负荷峰谷差不大，部分天数负荷平稳。对比四个季节整体的规律来看，波峰负荷明显，分布在7点-10点之间。
图7为本发明实施例的青海电网负荷趋势图(单位：MW)。该图在青海电网总负荷趋势的基础上展示了青海电网全年的净负荷趋势。
图8为根据本发明实施例的总负荷曲线的峰谷时段划分。该图以总负荷分布为输入数据，采用本文提出的时段划分方法确定的总负荷分布的峰时段、谷时段或平时段。其中，0-7:30、13:30-22:30为平时段；7:30-9：30点为峰时段；9:30-1:30为谷时段。
图9为根据本发明实施例的净负荷曲线的峰谷时段划分。该图以净负荷分布为输入数据，采用本文提出的时段划分方法确定的净负荷分布的峰谷时段。其中，0-10点、18-23点为峰时段；10-18点为谷时段。
具体实施方式
本发明提出了一种计及净负荷需求分布式的储能最优峰谷时段划分方法，该方法的主要步骤包括：(1)净负荷测算建模；(2)测算净负荷需求分布；(3)数据样本集构建；(4)峰谷时段聚类优化模型构建。方法的具体流程图如下：
该方法的具体内容如下所示：
(1)净负荷测算建模
大规模的新能源装机，导致风电、光伏发电、光热发电等随机性电源，给系统稳定运行带来较大冲击。因此，在进行负荷峰谷时段划分前，需计算扣除新能源出力的净负荷需求曲线，具体计算如下：
式中，Lt为在时刻t的净负荷需求。
为在时刻t的总负荷需求。
表示新能源在时刻t的预测出力。根据公式(1)可知，当
分布较为平缓时，当
越大，净负荷需求Lt越小，反之，净负荷需求Lt越大。此时，净负荷曲线分布与新能源可用出力呈逆向分布，具体如图2所示。
(2)测算净负荷需求分布
在计算净负荷需求分布之前，我们首先需要获取全年的总负荷需求分布和新能源出力分布。然后，根据公式(1)来计算每个样本日内各个时刻t的净负荷需求，从而得到全年地净负荷需求分布曲线。
(3)数据样本集构建
1.数据来源分析
清洁能源发电受到外部自然环境的影响，具有较强的随机特性。若仅选择24(或48)个时点的荷数据作为峰、平、谷时段划分的数据样本，划分结果难以在1个较长的时间周期内适用(一致性原则)。以1年为例，因为不同日内用户负荷存在差异，以某个典型日一天的负荷曲线不能象征性代表一年的电能消耗情况。一般情况下，可以增加与所选典型日相距比较久的记录日负荷数据，其与典型日的负荷曲线存在明显的差异，从而使按照记录日负荷数据划分的峰谷时段与按照典型日划分的结果不同，甚至可能出现记录日与典型日峰谷时段相反的现象。
根据上述分析，以净负荷需求曲线为基础，研究储能的峰谷分时电价。在进行电价划分时，将单日负荷信息作为数据样本集来进行峰谷时段划分，所得到的峰谷分时电价难以在相对较长的时间周期内固定不变。因此，还需要考虑距离典型日较近或者较远的其他日内的实时负荷数据，以此为样本采集数据研究一天内负荷峰时段、谷时段、平时段的划分。
2.净负荷需求时间向量及其范数
为保证对储能峰谷时段划分结果的普适性和有效性，需要根据下面的两个步骤处理样本数据。
1)设向量xt∈R365(t＝1,2,K,24)表示时点t上，储能所匹配的净负荷需求曲线在全年(365天)各日的负荷数值所组成的向量，即时点负荷向量为
xt＝(xt1,xt2,L,xti,L,xt365) (2)
式中：xti∈R。向量xt中包含了时点t上，全年内所有的负荷数据。
2)定义集合S为
S＝{xt|t＝1,2,3,K,24} (3)
集合之间的隶属关系为S∈R365，采用的数据样本集作为峰谷平时段划分的依据主要优势体现在：①S集合中包含了一年内各个时点的负荷数据，增加了分析数据的全面性；②S集合有限并且可以列出，仅有日内的24个数据，可以简化研究过程，减少峰谷平时段划分时的迭代次数。
为了清晰表示集合间的关系S∈R365，定义欧式范数为：
根据公式(3)可知，向量xt∈R365的可以解释为：向量xt中的分量xti∈R表示在i日的时间t上的负荷数据，根据物理意义这些数值均为正数，也就是说集合S∈R365里面的数据都位于R365中的第一象限。所以，一年内在时间t的用电负荷需求越高，平方和后再开根号得到的欧式范数||xt||越小，那么时间t被划分为负荷谷时段的可能性越大。相反，欧式范数越大，被划分为负荷峰时段的概率越大。
(4)峰谷时段聚类优化模型
储能充放电峰平谷时段划分的原理就是，基于聚类的原理整理数据样本集合，通过利用上述提出的净负荷需求时间向量以及欧式范数计算方法，为了便于分析，把一年负荷数据聚类转变为和一年等效的单日负荷数据聚类。即在每一个等效单日内，每个时点t的实时负荷xt∈R365都包含了一年内每天t时点的负荷数据，是一个具有丰富信息量的高维向量。通常情况下，欧式范数越大，那么此时的负荷需求越大。
根据上述数据来源分析确立的净负荷曲线，运用模糊聚类的原理，需要满足以下隶属度约束条件：(1)如果在t时点的负荷数据计算出的欧式范数||xt||是最大值，那么t时点为负荷高峰时段的概率为百分百；如果计算出的欧式范数||xt||是最小值，那么t时点为负荷高峰时段的概率为零；(2)同理，如果在t时点的负荷数据计算出的欧式范数||xt||是最小值，那么t时点为负荷低谷时段的概率为百分百；如果计算出的欧式范数||xt||是最大值，那么t时点为负荷低谷时段的概率为零；(3)其余欧式范数不是最大或者最小的时点，基于模糊数学相关理论，用半梯形隶属度函数表示处于高峰时段或者低谷时段的概率大小。进一步，对青海省储能充放电负荷峰、谷时段进行划分，主要步骤如下：
首先，定义如下隶属度函数：
分别表示青海省净负荷需求的最大值和最小值，则隶属度函数计算如下：
式中：第一个式子表示如果t时点的负荷向量xt划分为高峰时段对应的隶属度，其值为1则表示t时点绝对处于峰时段；第二个式子表示如果t时点的负荷向量xt划分为低谷时段的隶属度，其值为1则表示t时点绝对处于谷时段。
基于上述分析，考虑将时段划分为峰(peak)、平(flat)和谷(valley)3类：Sp、Sf、Sv。引入阈值λp,λv(λp,λv∈[0,1])来辅助分析，需要满足条件：若A(xt)≥λp，那么可以将xt判断为负荷高峰时段；若B(xt)≥λv，那么可以将xt判断为负荷低谷时段；上述两个条件以外，那么可以将xt判断为负荷平时段，计算如下：
本发明为了提高峰、平、谷时段划分的准确性和合理性，需要保证同一类型时段下的各个时点的负荷||xt||差距尽可能小，另外，还需要保证不同类型时段下的各个时点的负荷||xt||差距尽可能大。假定λ1,λ2的取值已经确定，引入分类效果评价函数，目标函数具体如下：
式中：min(Sp)表示高峰时段Sp里面欧式范数最小的向量；max(Sf)和min(Sf)分别表示平时段Sf里面欧式范数最大和最小的向量；max(Sv)表示低谷时段Sv里面范数最大的向量。||(xp,i)-(xp,j)||、||(xf,i)-(xf,j)||和||(xv,i)-(xv,j)||分别为峰时段子集合Sp、平时段子集合Sf和谷时段子集合中Sv中任意两点之间的距离。
因此，寻求最优的阈值λp、λv等价于求解maxJ(λp,λv)，当公式(7)取值最大时，根据公式(6)划分出的峰、平、谷时段集合即为最优的时段划分结果。
公式(5)、(6)、(7)可以联合形成的时段划分模型——基于阈值优化的储能充放电峰谷时段划分模糊聚类模型。根据第1部分确立的负荷需求分布，利用所提峰谷时段划分聚类模型，能够确立适应储能运行的峰、谷、平时段。
本发明提出的峰谷时段划分方法采用净负荷分布作为时段划分依据，能更加客观的反映负荷供需关系。该方法构建的样本数据集涵盖全年365天中24小时的负荷数据，能综合考虑全年四个季节的负荷变化趋势。同时，本发明还采用模糊聚类的方法来进行峰谷时段划分，划分结果的准确性和客观性较高。
实施例1
本发明以青海2015年9月1日-2016年8月31日的全网的负荷、光伏的出力数据、风电的出力数据为基础进行分析。使用Matlab程序读取2015年9月1日-2016年8月31全年共366天，每天24个小时的负荷曲线图。
(1)净负荷测算建模
由公式(1)可知，净负荷由总负荷分布减去新能源出力得到，图5为青海电网的总负荷分布。从图5可以看出，青海电网总负荷变化趋势较为明显，但是负荷在各个月份、季度之间具有不同的规律。
将以上一年的负荷数据划分为四个季节进行研究，进一步分析不同季节变化下的负荷规律。四季的时间划分如下：春季的时间段为4月1日-6月30日，夏季的时间段为7月1日-8月31日，秋季时间段为9月1日-9月30日，冬季时间段为10月1日-3月31日。
对比图6中青海电网春、夏、秋、冬四个季节的负荷趋势图，夏季、秋季的负荷规律较为一致，负荷峰谷差较大，削峰填谷的需求较大。春季与冬季相比，春季负荷规律性明显，负荷较为平稳，没有表现出明显的谷时段，冬季负荷峰谷差不大，部分天数负荷平稳。对比四个季节整体的规律来看，波峰负荷明显，分布在7点-10点之间。
(2)测算净负荷需求分布
通过图5的青海电网全年总负荷分布减去新能源出力，就能得到青海电网全年的净负荷需求分布，如图7所示。由于净负荷是总负荷减去了光伏、风电的出力，净负荷的数据变化规律将风电和光伏的随机性出力因素削弱，负荷分布的规律性增强，负荷变化具有明显的峰谷特征，峰时段负荷在6000-7200MW之间、谷时段负荷3000-3800MW之间。
(3)样本数据集构建
在进行峰谷时段划分之前，首先要根据本发明步骤三中所提出的方法，对基础的24点负荷数据进行范数化处理。
(4)峰谷时段聚类优化模型
利用本发明提出的峰谷时段聚类优化模型进行峰谷时段划分。根据隶属度函数原理，表达出每个时点对于峰、平、谷时段的隶属度，借助于智能优化算法，求解分类效果评价函数最大时的隶属度阈值，进而确定各个时点是峰时段、谷时段或平时段。
基于电网的总负荷数据，计算得到的结果如图8所示。
模型计算得到的峰谷时段的划分为：(1)0-7:30、13:30-22:30为平时段；(2)7:30-9：30点为峰时段；(3)9:30-1:30为谷时段。若以净负荷为模型的输入数据，则计算的峰谷时段如图9所示。根据模型计算的峰谷时段的划分为：(1)0-10点、18-23点为峰时段；(2)10-18点为谷时段。
本发明考虑距离典型日较近或者较远的其他日内的实时负荷数据，以此为样本采集数据研究一天内负荷峰时段、谷时段、平时段的划分的方法。
本发明采用的数据样本集作为峰谷平时段划分的依据主要优势体现在：①S集合中包含了一年内各个时点的负荷数据，增加了分析数据的全面性；②S集合有限并且可以列出，仅有日内的24个数据，可以简化研究过程，减少峰谷平时段划分时的迭代次数。
本发明考虑将时段划分为峰(peak)、平(flat)和谷(valley)3类：Sp、Sf、Sv。引入阈值λp,λv(λp,λv∈[0,1])来辅助分析，需要满足条件：若A(xt)≥λp，那么可以将xt判断为负荷高峰时段；若B(xt)≥λv，那么可以将xt判断为负荷低谷时段；上述两个条件以外，那么可以将xt判断为负荷平时段。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (9)
1.一种计及净负荷需求分布式的储能最优峰谷时段划分方法，其特征为，该方法包括如下步骤：
步骤1：净负荷测算建模；电力负荷需求与可再生能源生产的时间分布是不一致的，事实上，新能源中的风电呈现出“反调峰”特性；因此，通过总负荷分布减去新能源出力，来计算净负荷分布；
步骤2：测算净负荷需求分布：净负荷的需求分布是划分峰谷时段的有效依据，在进行负荷峰谷时段划分前，需要对净负荷的需求分布进行测算；首先获得总负荷分布曲线和新能源出力曲线，再通过步骤一的净负荷模型测算得到净负荷需求分布；
步骤3：数据样本集构建；为保证对储能峰谷时段划分结果的普适性和有效性，需要构建覆盖全年的数据样本集，并通过计算净负荷需求时间向量的范数对数据进行处理；
步骤4：峰谷时段聚类优化模型构建：将一年的负荷数据聚类为等效的单日负荷数据，即每一个等效单日都包含了一年内的负荷分布特征，具有丰富信息量的高维向量；再根据步骤二测算的净负荷分布曲线，运用模糊聚类的原理，将时段划分为峰、平、谷三类。
2.根据权利要求1所述的计及净负荷需求分布式的储能最优峰谷时段划分方法，其特征为：所述步骤1净负荷测算建模包括如下内容：
进行负荷峰谷时段划分前，需计算扣除新能源出力的净负荷需求曲线，具体计算如下：
式中，Lt为在时刻t的净负荷需求，
为在时刻t的总负荷需求；
表示新能源在时刻t的预测出力；根据公式(1)可知，当
分布较为平缓时，当
越大，净负荷需求Lt越小，反之，净负荷需求Lt越大。
3.根据权利要求2所述的计及净负荷需求分布式的储能最优峰谷时段划分方法，其特征为：所述步骤2测算净负荷需求分布进一步包括如下内容：
首先，获取全年的总负荷需求分布和新能源出力分布，然后，根据公式(1)来计算每个样本日内各个时刻t的净负荷需求，从而得到全年地净负荷需求分布曲线。
4.根据权利要求1所述的计及净负荷需求分布式的储能最优峰谷时段划分方法，其特征为：所述步骤3数据样本集构建包括数据来源分析：
以净负荷需求曲线为基础，在进行电价划分时，将单日负荷信息作为数据样本集来进行峰谷时段划分，所得到的峰谷分时电价难以在相对较长的时间周期内固定不变；还需要考虑距离典型日较近或者较远的其他日内的实时负荷数据，以此为样本采集数据研究一天内负荷峰时段、谷时段、平时段的划分。
5.根据权利要求4所述的计及净负荷需求分布式的储能最优峰谷时段划分方法，其特征为：所述步骤3数据样本集构建还包括净负荷需求时间向量及其范数：
为保证对储能峰谷时段划分结果的普适性和有效性，参考去年365天中每天24小时的负荷数据，共8760个数值，丰富样本数量，然后根据下面的两个步骤搜集处理样本数据：
1)设向量xt∈R365(t＝1,2,K,24)表示时点t上，储能所匹配的净负荷需求曲线在全年365天各日的负荷数值所组成的向量，即时点负荷向量为
xt＝(xt1,xt2,L,xti,L,xt365) (2)
式中：xti∈R，向量xt中包含了时点t上，全年内所有的负荷数据；
2)定义集合S为：
S＝{xt|t＝1,2,3,K,24} (3)
集合之间的隶属关系为S∈R365，采用的数据样本集作为峰谷平时段划分的依据主要优势体现在：①S集合中包含了一年内各个时点的负荷数据，增加了分析数据的全面性；②S集合有限并且可以列出，仅有日内的24个数据，可以简化研究过程，减少峰谷平时段划分时的迭代次数；
为了清晰表示集合间的关系S∈R365，定义欧式范数为：
根据公式(3)可知，向量xt∈R365的可以解释为：向量xt中的分量xti∈R表示在i日的时间t上的负荷数据，根据物理意义这些数值均为正数，也就是说集合S∈R365里面的数据都位于R365中的第一象限；所以，一年内在时间t的用电负荷需求越高，平方和后再开根号得到的欧式范数||xt||越小，那么时间t被划分为负荷谷时段的可能性越大；相反，欧式范数越大，被划分为负荷峰时段的概率越大。
6.根据权利要求1所述的计及净负荷需求分布式的储能最优峰谷时段划分方法，其特征为：所述步骤4中峰谷时段聚类优化模型包括如下内容：根据净负荷曲线，运用模糊聚类的原理，需要满足以下隶属度约束条件：(1)如果在t时点的负荷数据计算出的欧式范数||xt||是最大值，那么t时点为负荷高峰时段的概率为百分百；如果计算出的欧式范数||xt||是最小值，那么t时点为负荷高峰时段的概率为零；(2)同理，如果在t时点的负荷数据计算出的欧式范数||xt||是最小值，那么t时点为负荷低谷时段的概率为百分百；如果计算出的欧式范数||xt||是最大值，那么t时点为负荷低谷时段的概率为零；(3)其余欧式范数不是最大或者最小的时点，基于模糊数学相关理论，用半梯形隶属度函数表示处于高峰时段或者低谷时段的概率大小。
7.根据权利要求6所述的计及净负荷需求分布式的储能最优峰谷时段划分方法，其特征为：所述步骤4中峰谷时段聚类优化模型进一步包括如下内容：
对储能充放电负荷峰、谷时段进行划分，步骤如下：
首先，定义如下隶属度函数：
分别表示青海省净负荷需求的最大值和最小值，则隶属度函数计算如下：
式中：第一个式子表示如果t时点的负荷向量xt划分为高峰时段对应的隶属度，其值为1则表示t时点绝对处于峰时段；第二个式子表示如果t时点的负荷向量xt划分为低谷时段的隶属度，其值为1则表示t时点绝对处于谷时段。
8.根据权利要求7所述的计及净负荷需求分布式的储能最优峰谷时段划分方法，其特征为：考虑将时段划分为峰(peak)、平(flat)和谷(valley)3类：Sp、Sf、Sv；引入阈值λp,λv(λp,λv∈[0,1])来辅助分析，需要满足条件：若A(xt)≥λp，那么可以将xt判断为负荷高峰时段；若B(xt)≥λv，那么可以将xt判断为负荷低谷时段；上述两个条件以外，那么可以将xt判断为负荷平时段，计算如下：
为了提高峰、平、谷时段划分的准确性和合理性，需要保证同一类型时段下的各个时点的负荷||xt||差距尽可能小，另外，还需要保证不同类型时段下的各个时点的负荷||xt||差距尽可能大；假定λ1,λ2的取值已经确定，引入分类效果评价函数，目标函数具体如下：
式中：min(Sp)表示高峰时段Sp里面欧式范数最小的向量；max(Sf)和min(Sf)分别表示平时段Sf里面欧式范数最大和最小的向量；max(Sv)表示低谷时段Sv里面范数最大的向量；||(xp,i)-(xp,j)||、||(xf,i)-(xf,j)||和||(xv,i)-(xv,j)||分别为峰时段子集合Sp、平时段子集合Sf和谷时段子集合中Sv中任意两点之间的距离。
9.一种电力系统，其特征为：包括控制系统，所述控制系统通过中央处理器运行所述权利要求1-8任一所述的计及净负荷需求分布式的储能最优峰谷时段划分方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210778821.2A CN115205068A (zh) | 2022-07-04 | 2022-07-04 | 计及净负荷需求分布式的储能最优峰谷时段划分方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210778821.2A CN115205068A (zh) | 2022-07-04 | 2022-07-04 | 计及净负荷需求分布式的储能最优峰谷时段划分方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115205068A true CN115205068A (zh) | 2022-10-18 |
Family
ID=83577217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210778821.2A Pending CN115205068A (zh) | 2022-07-04 | 2022-07-04 | 计及净负荷需求分布式的储能最优峰谷时段划分方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115205068A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116187099A (zh) * | 2023-04-24 | 2023-05-30 | 山东理工大学 | 一种基于双层迭代的用户侧储能配置方法 |
| CN116345507A (zh) * | 2023-04-17 | 2023-06-27 | 长沙学院 | 适应变储能周期储能电站容量多目标优化配置方法与系统 |
| CN118596922A (zh) * | 2024-08-08 | 2024-09-06 | 国网江西省电力有限公司经济技术研究院 | 一种基于Elman神经网络算法的居民电动汽车负荷分析方法 |
-
2022
- 2022-07-04 CN CN202210778821.2A patent/CN115205068A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116345507A (zh) * | 2023-04-17 | 2023-06-27 | 长沙学院 | 适应变储能周期储能电站容量多目标优化配置方法与系统 |
| CN116345507B (zh) * | 2023-04-17 | 2023-09-05 | 长沙学院 | 适应变储能周期储能电站容量多目标优化配置方法与系统 |
| CN116187099A (zh) * | 2023-04-24 | 2023-05-30 | 山东理工大学 | 一种基于双层迭代的用户侧储能配置方法 |
| CN116187099B (zh) * | 2023-04-24 | 2023-07-28 | 山东理工大学 | 一种基于双层迭代的用户侧储能配置方法 |
| CN118596922A (zh) * | 2024-08-08 | 2024-09-06 | 国网江西省电力有限公司经济技术研究院 | 一种基于Elman神经网络算法的居民电动汽车负荷分析方法 |
| CN118596922B (zh) * | 2024-08-08 | 2024-10-22 | 国网江西省电力有限公司经济技术研究院 | 一种基于Elman神经网络算法的居民电动汽车负荷分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11581740B2 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
| CN109359389B (zh) | 基于典型负荷动态博弈的城市电动汽车充电决策方法 | |
| CN115205068A (zh) | 计及净负荷需求分布式的储能最优峰谷时段划分方法 | |
| CN110222882A (zh) | 一种电力系统中长期负荷的预测方法和装置 | |
| CN107423852A (zh) | 一种计及典型场景的光储联合电站优化运营方法 | |
| CN104598986A (zh) | 基于大数据的电力负荷预测方法 | |
| CN108596242A (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
| CN106651473A (zh) | 考虑日前小时电价和多种需求响应促进风电接纳水平方法 | |
| CN108053057A (zh) | 一种基于CVaR的虚拟电厂优化调度建模方法 | |
| CN113450031B (zh) | 居民智慧用能服务潜在台区选取方法及装置 | |
| Kim et al. | Probabilistic solar power forecasting based on bivariate conditional solar irradiation distributions | |
| CN112217195A (zh) | 一种基于gru多步预测技术的云储能充放电策略形成方法 | |
| CN114884108A (zh) | 源网荷储一体化的微电网多时间尺度能量管理优化方法 | |
| Li et al. | A scheduling framework for VPP considering multiple uncertainties and flexible resources | |
| CN112348287A (zh) | 基于lstm分位数回归的电力系统短期负荷概率密度预测方法 | |
| CN111798333A (zh) | 一种用能评估与用电安全分析方法和系统 | |
| Wang et al. | Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system | |
| Kim et al. | Economical energy storage systems scheduling based on load forecasting using deep learning | |
| CN112801343A (zh) | 一种计及多气象场景适应成本的储能系统容量规划方法 | |
| US20240097444A1 (en) | Hybrid system and method for distributed virtual power plants integrated intelligent net zero | |
| Jiang et al. | Monthly electricity purchase and decomposition optimization considering wind power accommodation and day-ahead schedule | |
| CN115829141A (zh) | 一种基于短期智能电表数据的储能系统优化配置方法 | |
| CN108615091A (zh) | 基于聚类筛选和神经网络的电力气象负荷数据预测方法 | |
| CN113255957A (zh) | 综合服务站不确定因素的定量优化分析方法及系统 | |
| Li et al. | Influence on Stability Analysis in Distributed Smart Grids Using Computer Aimed Digital Decision Trees |
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 |