CN115313516A - 一种光伏发电和储能微电网结合的随机优化运行策略 - Google Patents
一种光伏发电和储能微电网结合的随机优化运行策略 Download PDFInfo
- Publication number
- CN115313516A CN115313516A CN202211086841.XA CN202211086841A CN115313516A CN 115313516 A CN115313516 A CN 115313516A CN 202211086841 A CN202211086841 A CN 202211086841A CN 115313516 A CN115313516 A CN 115313516A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- storage system
- battery energy
- photovoltaic
- charge
- 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
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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
- 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
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
随着可再生能源的发展,微电网中的光伏发电的比例正在逐步提高。电池储能系统减少了太阳能间歇性和可用性引起的光伏输出波动。尽管电池储能系统对于稳定的微电网运行是有利的,但它们仍然相对昂贵。考虑到微电网系统的成本,需要进一步优化电池储能系统的尺寸以维持安全。本发明公开了一种用于微电网中基于光伏出力预测误差的电池储能系统的容量优化方法。首先,输入微电网的历史光伏出力、负荷以及发电数据;然后,根据所输入的历史数据预测未来的光伏出力情况并计算出光伏出力的预测误差;为了解决这些误差,通过应用控制策略来平滑光伏出力波动和最小化电池寿命老化,对组合的光伏和电池储能系统进行建模。在一定补偿程度下,电池储能系统的容量优化使光伏系统的惩罚成本和电池储能系统的运行成本最小化,最后获得微电网的最优化电池储能系统的容量和调度。本发明所提出的光伏发电和储能微电网结合的随机优化运行配置策略可以有效地解决微电网中考虑光伏出力误差情况下的储能容量配置问题,得到使得光伏‑储能系统成本最优化的储能容量配置和运行方法,为光伏‑储能系统的设计和运行提供了参考。
Description
技术领域
本发明涉及一种分布式能源发电领域,尤其涉及一种光伏发电和储能微电网结合的随机优化运行策略。
背景技术
可再生能源系统如光伏和风能预计将成为未来的主要电力来源。在过去十年的时间里,光伏发电和陆上风电的平均化能源成本分别降低了多达77%和30%,可再生能源在电力市场上作为一种清洁且具有竞争力的替代方案脱颖而出。尽管其平均化能源成本相对较低,但可再生能源的大规模集成在电网的平衡供需方面带来了新的挑战。同时,储能系统的应用在技术改进和成本降低方面都取得了重大进展,储能系统在平衡电力系统方面发挥重要作用。
传统的电力系统是分层组织的,只有相对较少的集中式可调度发电机运行以满足几乎不可灵活调节的电力需求。此外,当今系统中的市场价格通常针对大多数的地理区域设定,无法应对与分布式发电相关的挑战。随着分布式能源的比例逐渐增加,一个可行的选择是转向分散控制以管理系统复杂性。微电网提供了一种将分布式可再生能源和储能系统集成到电力系统中的可能方式。微电网能够在有限时间内或永久性地与主电网断开连接运行,偏远地区也可以组织为微电网,以避免昂贵的电网建设。
在容量受限的电力系统中,可再生能源的容量很高,储能取代了一些可调度的容量,储能必须有助于在可再生能源发电量较低的时期确保供电。系统的储能必须在电力需求较高时运行且具有足够高的荷电状态,并且它们还应在可再生能源出力较高的时候具有足够低的初始荷电状态减少可再生能源系统的容量削减风险。这些决策必须考虑电力需求和光伏发电的每日变化和不确定性,以及所配置的储能系统的功率和容量。
除此之外,不同储能技术的功率和能量限制以及效率也不同。锂离子电池可以在低损耗的情况下提供和吸收较高的功率,但由于容量限制,时间有限。电力和能源限制、效率损失以及不确定的发电量和需求使运行优化问题非常复杂。尽管储能发展前景广阔毋庸置疑,但面临的挑战也越来越多。当前,最主要的技术挑战体现在:如何通过优化储能系统的容量以最优化结合光伏-电池储能系统的运行控制中来实现储能净收益的最大化。
发明内容
本发明的目的在于提供一种光伏发电和储能微电网结合的随机优化运行策略,以解决上述背景技术中提出的问题。
为了实现上述目的,本发明采用了如下技术方案:
一种光伏发电和储能微电网结合的随机优化运行配置策略,其特征在于,包括以下步骤以用于实现所提出的光伏发电和储能微电网结合的随机优化运行配置策略:
S1:首先,输入微电网的历史光伏出力、负荷以及发电数据;然后,根据所输入的历史数据预测未来的光伏出力情况;根据光伏出力的预测值和实际值,计算出光伏出力的预测误差;
S2:设置置信水平α%(α的初始值为0),根据所获得光伏出力的预测误差获得误差的置信区间[eαhigh,eαlow];
S3:考虑到光伏-电池储能系统的运行特性和整体经济指标,设置目标函数是最小化置信率成本(fα),该置信率成本由光伏的惩罚成本fpenalty和电池储能系统fBESS在置信率α%下的运行成本组成。
S4:置信水平α是否大于100,不大于的话则使得α=α+1并回到步骤S2再次进行计算;大于的话则统计所有置信水平下的最优化光伏-电池储能系统的最小化置信率成本,获得在置信水平为α'%下的最优化的光伏-电池储能系统的容量配置和最小化置信率成本。
进一步地,计算光伏系统中光伏出力预测误差以及相应的置信区间的方法包括:
光伏出力的预测误差可归因于光伏出力的预测和实际出力之间的差异,电池储能系统的额定功率和容量取决于光伏出力的预测误差。光伏出力的预测的误差(e)表示为:
e=PPV,actual-PPV,forecast
其中,PPV,actual表示光伏系统的实际出力,PPV,forecast表示光伏系统的预测出力。
假设光伏出力的误差服从常用的正态分布。通过分析光伏出力的历史数据,可以找到预测误差的分布,然后可以获得不同置信率下误差的置信区间。置信区间的上下界表示为eαlow和eαhigh。置信率α%意味着预测误差落入置信区间的概率为α%。
进一步地,所述的考虑光伏出力预测误差的电池储能系统的运行规则包括:
S1:首先,获取电池储能系统的额定功率。
当跟踪光伏发电的计划出力时,电池储能系统可用于补偿光伏发电的预测误差。当误差大于0时,也就是说如果实际光伏出力大于预测出力时,电池储能系统充电,而光伏系统避免了光伏容量削减的惩罚。相反,当误差小于0时,也就是说如果实际光伏出力小于预测出力时,电池储能系统放电,这避免了电力不足造成的电力短缺惩罚。在光伏系统的出口安装适当的电池储能系统可确保光伏发电的出力尽可能接近计划出力。
仅从统计角度考虑,出现较大的光伏出力的预测误差的概率很小。为了补偿发生可能性较小的大误差,需要安装具有较高额定功率的电池储能系统,但这导致成本大量地增加。因此,在选择最优电池储能系统的容量时应考虑误差补偿率。误差补偿率α%定义为电池储能系统补偿光伏出力的预测误差的α%。当电池储能系统补偿所有预测误差时,误差补偿率为100%,电池储能系统的额定功率为预测误差的最大绝对值。
当电池储能系统的补偿α%的误差时,误差补偿率为α%,同时误差补偿为(eαlow,eαhigh)。则所需电池储能系统的额定功率是置信区间上下界的最大绝对值,即
Prate=max(|eαlow|,|eαhigh|)
其中,eαhigh和eαlow表示置信区间的上/下边界,Prate表示电池储能系统所需的额定功率。
S2:然后,获取电池储能系统的容量。由于微电网中不同的调度和运行规划,最优的电池储能系统的额定容量可能会有所不同。在一天内通过累积每个采样时间的电池储能系统充电和放电情况,不同采样时间内电池储能系统相对于初始状态的能量波动可以定义为:
其中,PBESS表示电池储能系统的实际的充/放电功率,E表示相对于初始状态下采样时电池储能系统的能量波动,n表示调度周期中的样本数,△t表示采样周期。
通过考虑整个数据采样周期内的能量波动,可以计算电池储能系统在运行期间最大和最小的能量波动之间的差异。考虑荷电状态的约束,可获得所需电池储能系统的容量,即电池储能系统的额定容量。
其中,Erate表示电池储能系统的额定容量,SOCup和SOClow表示荷电状态的上/下限。
在实际工况中,这些值应适当地被选择为整数0或1,以避免电池储能系统实际运行期间的过充电和过放电。当补偿率为100%时,电池储能系统可以完全补偿光伏出力的预测误差;PBESS(i)表示每个采样时间的预测误差e。α%的补偿度意味着电池储能系统补偿了α%的误差。
S3:进一步地,考虑到电池储能系统的老化,构建电池储能系统的寿命老化模型。由于电池在电化学动力学和物理方面的特性,很难精确地检查其内部的状态。为了估计由于光伏系统的充/放电引起的电池老化的影响,电池储能系统的循环老化模型定义如下,
其中,Qcycle表示瞬时容量损耗,Eα表示活化能,Rgas表示气体常数,TK表示环境温度,η表示充/放电效率,拟合系数γ和β与电池储能系统的荷电状态相关。
为了研究电池储能系统在试验时间段内的充电周期,可确定循环老化的离散模型,如下所示:
以安时为单位的电量变化ΔAh被定义为能量除以标称电压,
Ahn+1=Ahn+ΔAh
其中,CBESS表示充电的电池电流,Vnominal表示标称电压。
电池储能系统最重要的特性是影响电池老化状态的荷电状态和荷电波动幅度。电池储能系统的荷电状态表示已充电容量的比率,同时荷电波动幅度被定义为充电和放电循环期间荷电状态的变化。基于这些电池储能系统的老化特性,具有较低的平均荷电状态和荷电波动幅度的电池储能系统具有较高的预期循环寿命,这允许在微电网系统中建立最有效的电池储能系统的运行策略。
S4:最后,针对光伏-电池储能系统的运行方法可以描述为:
在传统的策略中,如果光伏功率超过阈值,电池储能系统充电或放电以满足应用要求。然而,当荷电状态达到其阈值时,电池储能系统无法执行指令。因此,通过设计平滑光伏出力波动的实时控制策略以提高平滑能力,其设计用于确定光伏出力波动是否超过阈值,并且需要充电或放电以将功率波动保持在预定义的适当边界内,如下所示:
其中,PG表示系统的组合输出功率。
同时,设置基于短期预测的荷电状态的调节策略,用于确定电池储能系统的荷电状态是否超过正常边界。当光伏出力波动不超过正常边界时,动态调节荷电状态。如果荷电状态超过正常边界,电池储能系统充电或放电以将荷电状态恢复到更合适的范围。为了更合理地计算电池储能系统的调节功率,考虑了基于动态荷电状态调节的光伏出力预测。
为了便于执行策略,定义了两个状态变量S1和S2。S1表示用于指示电池储能系统是否需要首要充电或放电的状态值,S2表示用于指示电池储能系统是否在整个周期内动作的状态值。S1=1表示电池储能系统的第一行为是放电,而S1=0表示电池储能系统第一行为是充电。相反,S2=1意味着电池储能系统在整个周期内不起作用,而S2=0意味着电池储能系统在整个周期中起作用。电池储能系统的充电和放电表示如下:
当SOC大于SOChigh时,电池储能系统在预测周期内首先充电(S1=1)或不动作(S2=1),并且电池储能系统必须放电以获得更多的充电容量。当SOC小于SOClow时,电池储能系统在预测周期内首先放电(S1=1)或不动作(S2=1),并且电池储能系统进行充电。
进一步地,获取光伏-电池储能系统的目标函数,即最小化置信率成本(fα)的方法包括:
该置信率成本由光伏的惩罚成本和电池储能系统在置信率α%下的运行成本组成。
min fα=fα,penalty+fα,BESS
其中:fα为目标函数,fα,penalty为光伏系统的惩罚成本,fα,BESS为电池储能系统的运行成本。
fα,penalty=fα,curtail+fα,reserve
fα,BESS=fα,install+fα,LC
fα,penalty=c1×Ecurtail+c2×Ereserve
其中,fα,curtail表示置信水平α%下的光伏消减成本,fα,reserve表示置信水平α%下的备用成本,fα,install表示置信水平α%下的电池储能系统的安装成本,fα,LC表示置信水平α%下的电池储能系统的循环寿命,Ecurtail表示光伏消减的容量,Ereserve表示备用容量,c1和c2分别表示光伏削减的单位成本和备用容量的单位成本。
进一步地,根据置信区间(eαlow,eαhigh)可确定Ecurtait和Ereserve。
在执行上述优化目标的约束条件可以表示为,
0≤Prate≤max|e|
F(eαhigh)-F(eαlow)=α%
其中,F表示误差的概率分布函数。
第一个式子表示对电池储能系统额定功率的约束,第二个式子表示对误差置信区间的上限和下限的约束。
与现有技术相比,本发明的有益效果是:
本发明公开了一种用于微电网中基于光伏出力预测误差的电池储能系统的容量优化方法。首先,输入微电网的历史光伏出力、负荷以及发电数据;然后,根据所输入的历史数据预测未来的光伏出力情况并计算出光伏出力的预测误差;为了解决这些误差,通过应用控制策略来平滑光伏出力波动和最小化电池寿命老化,对组合的光伏和电池储能系统进行建模。在一定补偿程度下,电池储能系统的容量优化使光伏系统的惩罚成本和电池储能系统的运行成本最小化,最后获得微电网的最优化电池储能系统的容量和调度。本发明所提出的光伏发电和储能微电网结合的随机优化运行配置策略可以有效地解决微电网中考虑光伏出力误差情况下的储能容量配置问题,得到使得光伏-储能系统成本最优化的储能容量配置和运行方法,为光伏-储能系统的设计和运行提供了参考。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明研究的基于光伏-储能系统的微电网系统结构图;
图2为本发明研究的光伏出力的误差服从常用的正态分布图;
图3为本发明研究的光伏-电池储能系统中电池的荷电状态和荷电状态波动幅度对于可循环寿命的影响;
图4为本发明提出的一种光伏发电和储能微电网结合的随机优化运行配置策略控制框图;
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。在下列段落中参照附图以举例方式更具体地描述本发明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
本实施例根据图1所示的基于光伏-储能系统的微电网系统结构图,分析所述的光伏发电和储能微电网结合的随机优化运行配置策略。
一种光伏发电和储能微电网结合的随机优化运行配置策略,包括以下步骤用于实现所提出的光伏发电和储能微电网结合的随机优化运行配置策略:
S1:首先,输入微电网的历史光伏出力、负荷以及发电数据;然后,根据所输入的历史数据预测未来的光伏出力情况;根据光伏出力的预测值和实际值,计算出光伏出力的预测误差;
S2:设置置信水平α%(α的初始值为0),根据所获得光伏出力的预测误差获得误差的置信区间[eαhigh,eαlow];
S3:考虑到光伏-电池储能系统的运行特性和整体经济指标,设置目标函数是最小化置信率成本(fα),该置信率成本由光伏的惩罚成本fpenalty和电池储能系统fBESS在置信率α%下的运行成本组成。
S4:置信水平α是否大于100,不大于的话则使得α=α+1并回到步骤S2再次进行计算;大于的话则统计所有置信水平下的最优化光伏-电池储能系统的最小化置信率成本,获得在置信水平为α'%下的最优化的光伏-电池储能系统的容量配置和最小化置信率成本。
进一步地,计算光伏系统中光伏出力预测误差以及相应的置信区间的方法包括:
在光伏发电系统中配置适当的电池储能可以使得电网的运行更加灵活。电池储能系统可以减少光伏发电的预测误差引起的不确定性,从而达到跟踪计划出力的目标。光伏出力的预测误差可归因于光伏出力的预测和实际出力之间的差异,电池储能系统的额定功率和容量取决于光伏出力的预测误差。光伏出力的预测的误差(e)表示为:
e=PPV,actual-PPV,forecast
其中,PPV,actual表示光伏系统的实际出力,PPV,forecast表示光伏系统的预测出力。
假设光伏出力的误差服从常用的正态分布,如图2所示。通过分析光伏出力的历史数据,可以找到预测误差的分布,然后可以获得不同置信率下误差的置信区间。置信区间的上下界表示为eαlow和eαhigh。置信率α%意味着预测误差落入置信区间的概率为α%。
进一步地,所述的考虑光伏出力预测误差的电池储能系统的运行规则包括:
S1:首先,获取电池储能系统的额定功率。
当跟踪光伏发电的计划出力时,电池储能系统可用于补偿光伏发电的预测误差。当误差大于0时,也就是说如果实际光伏出力大于预测出力时,电池储能系统充电,而光伏系统避免了光伏容量削减的惩罚。相反,当误差小于0时,也就是说如果实际光伏出力小于预测出力时,电池储能系统放电,这避免了电力不足造成的电力短缺惩罚。在光伏系统的出口安装适当的电池储能系统可确保光伏发电的出力尽可能接近计划出力。
仅从统计角度考虑,出现较大的光伏出力的预测误差的概率很小。为了补偿发生可能性较小的大误差,需要安装具有较高额定功率的电池储能系统,但这导致成本大量地增加。因此,在选择最优电池储能系统的容量时应考虑误差补偿率。误差补偿率α%定义为电池储能系统补偿光伏出力的预测误差的α%。当电池储能系统补偿所有预测误差时,误差补偿率为100%,电池储能系统的额定功率为预测误差的最大绝对值。
当电池储能系统的补偿α%的误差时,误差补偿率为α%,同时误差补偿为(eαlow,eαhigh)。则所需电池储能系统的额定功率是置信区间上下界的最大绝对值,即
Prate=max(|eαlow|,|eαhigh|)
其中,eαhigh和eαlow表示置信区间的上/下边界,Prate表示电池储能系统所需的额定功率。
S2:然后,获取电池储能系统的容量。由于微电网中不同的调度和运行规划,最优的电池储能系统的额定容量可能会有所不同。在一天内通过累积每个采样时间的电池储能系统充电和放电情况,不同采样时间内电池储能系统相对于初始状态的能量波动可以定义为:
其中,PBESS表示电池储能系统的实际的充/放电功率,E表示相对于初始状态下采样时电池储能系统的能量波动,n表示调度周期中的样本数,△t表示采样周期。
通过考虑整个数据采样周期内的能量波动,可以计算电池储能系统在运行期间最大和最小的能量波动之间的差异。考虑荷电状态的约束,可获得所需电池储能系统的容量,即电池储能系统的额定容量。
其中,Erate表示电池储能系统的额定容量,SOCup和SOClow表示荷电状态的上/下限。
在实际工况中,这些值应适当地被选择为整数0或1,以避免电池储能系统实际运行期间的过充电和过放电。当补偿率为100%时,电池储能系统可以完全补偿光伏出力的预测误差;PBESS(i)表示每个采样时间的预测误差e。α%的补偿度意味着电池储能系统补偿了α%的误差。
S3:进一步地,考虑到电池储能系统的老化,构建电池储能系统的寿命老化模型。由于电池在电化学动力学和物理方面的特性,很难精确地检查其内部的状态。为了估计由于光伏系统的充/放电引起的电池老化的影响,电池储能系统的循环老化模型定义如下,
其中,Qcycle表示瞬时容量损耗,Eα表示活化能,Rgas表示气体常数,TK表示环境温度,η表示充/放电效率,拟合系数γ和β与电池储能系统的荷电状态相关。
为了研究电池储能系统在试验时间段内的充电周期,可确定循环老化的离散模型,如下所示:
以安时为单位的电量变化ΔAh被定义为能量除以标称电压,
Ahn+1=Ahn+ΔAh
其中,CBESS表示充电的电池电流,Vnominal表示标称电压。
电池储能系统最重要的特性是影响电池老化状态的荷电状态和荷电波动幅度。电池储能系统的荷电状态表示已充电容量的比率,同时荷电波动幅度被定义为充电和放电循环期间荷电状态的变化。图3描述了基于实验结果的荷电状态和荷电波动幅度与电池储能系统的可用循环数之间的关系。基于这些电池储能系统的老化特性,具有较低的平均荷电状态和荷电波动幅度的电池储能系统具有较高的预期循环寿命,这允许在微电网系统中建立最有效的电池储能系统的运行策略。
S4:最后,针对光伏-电池储能系统的运行方法可以描述为:
传统的用于平滑电池储能系统中光伏出力波动的控制策略通常首先确定功率波动的幅度,然后向电池储能系统提供指令。在该策略中,如果光伏功率超过阈值,电池储能系统充电或放电以满足应用要求。然而,当荷电状态达到其阈值时,电池储能系统无法执行指令。因此,通过设计平滑光伏出力波动的实时控制策略以提高平滑能力,其设计用于确定光伏出力波动是否超过阈值,并且需要充电或放电以将功率波动保持在预定义的适当边界内,如下所示:
其中,PG表示系统的组合输出功率。
同时,设置基于短期预测的荷电状态的调节策略,用于确定电池储能系统的荷电状态是否超过正常边界。当光伏出力波动不超过正常边界时,动态调节荷电状态。如果荷电状态超过正常边界,电池储能系统充电或放电以将荷电状态恢复到更合适的范围。为了更合理地计算电池储能系统的调节功率,考虑了基于动态荷电状态调节的光伏出力预测。
为了便于执行策略,定义了两个状态变量S1和S2。S1表示用于指示电池储能系统是否需要首要充电或放电的状态值,S2表示用于指示电池储能系统是否在整个周期内动作的状态值。S1=1表示电池储能系统的第一行为是放电,而S1=0表示电池储能系统第一行为是充电。相反,S2=1意味着电池储能系统在整个周期内不起作用,而S2=0意味着电池储能系统在整个周期中起作用。电池储能系统的充电和放电表示如下:
当SOC大于SOChigh时,电池储能系统在预测周期内首先充电(S1=1)或不动作(S2=1),并且电池储能系统必须放电以获得更多的充电容量。当SOC小于SOClow时,电池储能系统在预测周期内首先放电(S1=1)或不动作(S2=1),并且电池储能系统进行充电。
进一步地,获取光伏-电池储能系统的目标函数,即最小化置信率成本(fα)的方法包括:
该置信率成本由光伏的惩罚成本和电池储能系统在置信率α%下的运行成本组成。
min fα=fα,penalty+fα,BESS
其中:fα为目标函数,fα,penalty为光伏系统的惩罚成本,fα,BESS为电池储能系统的运行成本。
fα,penalty=fα,curtail+fα,reserve
fα,BESS=fα,install+fα,LC
fα,penalty=c1×Ecurtail+c2×Ereserve
其中,fα,curtail表示置信水平α%下的光伏消减成本,fα,reserve表示置信水平α%下的备用成本,fα,install表示置信水平α%下的电池储能系统的安装成本,fα,LC表示置信水平α%下的电池储能系统的循环寿命,Ecurtail表示光伏消减的容量,Ereserve表示备用容量,c1和c2分别表示光伏削减的单位成本和备用容量的单位成本。
进一步地,根据置信区间(eαlow,eαhigh)可确定Ecurtait和Ereserve。
在执行上述优化目标的约束条件可以表示为,
0≤Prate≤max|e|
F(eαhigh)-F(eαlow)=α%
其中,F表示误差的概率分布函数。
第一个式子表示对电池储能系统额定功率的约束,第二个式子表示对误差置信区间的上限和下限的约束。
附图4给出了本发明所提出的光伏发电和储能微电网结合的随机优化运行配置策略控制框图。
以上所述,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上所述而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (4)
1.一种光伏发电和储能微电网结合的随机优化运行配置策略,其特征在于,包括以下步骤以用于实现所提出的光伏发电和储能微电网结合的随机优化运行配置策略:
S1:首先,输入微电网的历史光伏出力、负荷以及发电数据;然后,根据所输入的历史数据预测未来的光伏出力情况;根据光伏出力的预测值和实际值,计算出光伏出力的预测误差;
S2:设置置信水平α%(α的初始值为0),根据所获得光伏出力的预测误差获得误差的置信区间[eαhigh,eαlow];
S3:考虑到光伏-电池储能系统的运行特性和整体经济指标,设置目标函数是最小化置信率成本(fα),该置信率成本由光伏的惩罚成本fpenalty和电池储能系统fBESS在置信率α%下的运行成本组成。
S4:置信水平α是否大于100,不大于的话则使得α=α+1并回到步骤S2再次进行计算;大于的话则统计所有置信水平下的最优化光伏-电池储能系统的最小化置信率成本,获得在置信水平为α'%下的最优化的光伏-电池储能系统的容量配置和最小化置信率成本。
2.根据权利要求1所述的一种光伏发电和储能微电网结合的随机优化运行配置策略,其特征在于,计算光伏系统中光伏出力预测误差以及相应的置信区间的方法包括:
光伏出力的预测误差可归因于光伏出力的预测和实际出力之间的差异,电池储能系统的额定功率和容量取决于光伏出力的预测误差。光伏出力的预测的误差(e)表示为:
e=PPV,actual-PPV,forecast
其中,PPV,actual表示光伏系统的实际出力,PPV,forecast表示光伏系统的预测出力。
假设光伏出力的误差服从常用的正态分布。通过分析光伏出力的历史数据,可以找到预测误差的分布,然后可以获得不同置信率下误差的置信区间。置信区间的上下界表示为eαlow和eαhigh。置信率α%意味着预测误差落入置信区间的概率为α%。
3.根据权利要求1所述的一种光伏发电和储能微电网结合的随机优化运行配置策略,其特征在于,所述的考虑光伏出力预测误差的电池储能系统的运行规则包括:
S1:首先,获取电池储能系统的额定功率。
当跟踪光伏发电的计划出力时,电池储能系统可用于补偿光伏发电的预测误差。当误差大于0时,也就是说如果实际光伏出力大于预测出力时,电池储能系统充电,而光伏系统避免了光伏容量削减的惩罚。相反,当误差小于0时,也就是说如果实际光伏出力小于预测出力时,电池储能系统放电,这避免了电力不足造成的电力短缺惩罚。在光伏系统的出口安装适当的电池储能系统可确保光伏发电的出力尽可能接近计划出力。
仅从统计角度考虑,出现较大的光伏出力的预测误差的概率很小。为了补偿发生可能性较小的大误差,需要安装具有较高额定功率的电池储能系统,但这导致成本大量地增加。因此,在选择最优电池储能系统的容量时应考虑误差补偿率。误差补偿率α%定义为电池储能系统补偿光伏出力的预测误差的α%。当电池储能系统补偿所有预测误差时,误差补偿率为100%,电池储能系统的额定功率为预测误差的最大绝对值。
当电池储能系统的补偿α%的误差时,误差补偿率为α%,同时误差补偿为(eαlow,eαhigh)。则所需电池储能系统的额定功率是置信区间上下界的最大绝对值,即
Prate=max(|eαlow|,|eαhigh|)
其中,eαhigh和eαlow表示置信区间的上/下边界,Prate表示电池储能系统所需的额定功率。
S2:然后,获取电池储能系统的容量。由于微电网中不同的调度和运行规划,最优的电池储能系统的额定容量可能会有所不同。在一天内通过累积每个采样时间的电池储能系统充电和放电情况,不同采样时间内电池储能系统相对于初始状态的能量波动可以定义为:
其中,PBESS表示电池储能系统的实际的充/放电功率,E表示相对于初始状态下采样时电池储能系统的能量波动,n表示调度周期中的样本数,△t表示采样周期。
通过考虑整个数据采样周期内的能量波动,可以计算电池储能系统在运行期间最大和最小的能量波动之间的差异。考虑荷电状态的约束,可获得所需电池储能系统的容量,即电池储能系统的额定容量。
其中,Erate表示电池储能系统的额定容量,SOCup和SOClow表示荷电状态的上/下限。
在实际工况中,这些值应适当地被选择为整数0或1,以避免电池储能系统实际运行期间的过充电和过放电。当补偿率为100%时,电池储能系统可以完全补偿光伏出力的预测误差;PBESS(i)表示每个采样时间的预测误差e。α%的补偿度意味着电池储能系统补偿了α%的误差。
S3:进一步地,考虑到电池储能系统的老化,构建电池储能系统的寿命老化模型。由于电池在电化学动力学和物理方面的特性,很难精确地检查其内部的状态。为了估计由于光伏系统的充/放电引起的电池老化的影响,电池储能系统的循环老化模型定义如下,
其中,Qcycle表示瞬时容量损耗,Eα表示活化能,Rgas表示气体常数,TK表示环境温度,η表示充/放电效率,拟合系数γ和β与电池储能系统的荷电状态相关。
为了研究电池储能系统在试验时间段内的充电周期,可确定循环老化的离散模型,如下所示:
以安时为单位的电量变化ΔAh被定义为能量除以标称电压,
Ahn+1=Ahn+ΔAh
其中,CBESS表示充电的电池电流,Vnominal表示标称电压。
电池储能系统最重要的特性是影响电池老化状态的荷电状态和荷电波动幅度。电池储能系统的荷电状态表示已充电容量的比率,同时荷电波动幅度被定义为充电和放电循环期间荷电状态的变化。基于这些电池储能系统的老化特性,具有较低的平均荷电状态和荷电波动幅度的电池储能系统具有较高的预期循环寿命,这允许在微电网系统中建立最有效的电池储能系统的运行策略。
S4:最后,针对光伏-电池储能系统的运行方法可以描述为:
在传统的策略中,如果光伏功率超过阈值,电池储能系统充电或放电以满足应用要求。然而,当荷电状态达到其阈值时,电池储能系统无法执行指令。因此,通过设计平滑光伏出力波动的实时控制策略以提高平滑能力,其设计用于确定光伏出力波动是否超过阈值,并且需要充电或放电以将功率波动保持在预定义的适当边界内,如下所示:
其中,PG表示系统的组合输出功率。
同时,设置基于短期预测的荷电状态的调节策略,用于确定电池储能系统的荷电状态是否超过正常边界。当光伏出力波动不超过正常边界时,动态调节荷电状态。如果荷电状态超过正常边界,电池储能系统充电或放电以将荷电状态恢复到更合适的范围。为了更合理地计算电池储能系统的调节功率,考虑了基于动态荷电状态调节的光伏出力预测。
为了便于执行策略,定义了两个状态变量S1和S2。S1表示用于指示电池储能系统是否需要首要充电或放电的状态值,S2表示用于指示电池储能系统是否在整个周期内动作的状态值。S1=1表示电池储能系统的第一行为是放电,而S1=0表示电池储能系统第一行为是充电。相反,S2=1意味着电池储能系统在整个周期内不起作用,而S2=0意味着电池储能系统在整个周期中起作用。电池储能系统的充电和放电表示如下:
当SOC大于SOChigh时,电池储能系统在预测周期内首先充电(S1=1)或不动作(S2=1),并且电池储能系统必须放电以获得更多的充电容量。当SOC小于SOClow时,电池储能系统在预测周期内首先放电(S1=1)或不动作(S2=1),并且电池储能系统进行充电。
4.根据权利要求1所述的一种光伏发电和储能微电网结合的随机优化运行配置策略,其特征在于,获取光伏-电池储能系统的目标函数,即最小化置信率成本(fα)的方法包括:
该置信率成本由光伏的惩罚成本和电池储能系统在置信率α%下的运行成本组成。
min fα=fα,penalty+fα,BESS
其中:fα为目标函数,fα,penalty为光伏系统的惩罚成本,fα,BESS为电池储能系统的运行成本。
fα,penalty=fα,curtail+fα,reserve
fα,BESS=fα,install+fα,LC
fα,penalty=c1×Ecurtail+c2×Ereserve
其中,fα,curtail表示置信水平α%下的光伏消减成本,fα,reserve表示置信水平α%下的备用成本,fα,install表示置信水平α%下的电池储能系统的安装成本,fα,LC表示置信水平α%下的电池储能系统的循环寿命,Ecurtail表示光伏消减的容量,Ereserve表示备用容量,c1和c2分别表示光伏削减的单位成本和备用容量的单位成本。
进一步地,根据置信区间(eαlow,eαhigh)可确定Ecurtait和Ereserve。
在执行上述优化目标的约束条件可以表示为,
0≤Prate≤max|e|
F(eαhigh)-F(eαlow)=α%
其中,F表示误差的概率分布函数。
第一个式子表示对电池储能系统额定功率的约束,第二个式子表示对误差置信区间的上限和下限的约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211086841.XA CN115313516A (zh) | 2022-09-06 | 2022-09-06 | 一种光伏发电和储能微电网结合的随机优化运行策略 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211086841.XA CN115313516A (zh) | 2022-09-06 | 2022-09-06 | 一种光伏发电和储能微电网结合的随机优化运行策略 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115313516A true CN115313516A (zh) | 2022-11-08 |
Family
ID=83867321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211086841.XA Pending CN115313516A (zh) | 2022-09-06 | 2022-09-06 | 一种光伏发电和储能微电网结合的随机优化运行策略 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115313516A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116667346A (zh) * | 2023-08-02 | 2023-08-29 | 国网山东省电力公司广饶县供电公司 | 分布式光伏源网荷储协同优化方法、系统、终端及介质 |
CN117713238A (zh) * | 2023-12-14 | 2024-03-15 | 国网青海省电力公司清洁能源发展研究院 | 光伏发电和储能微电网结合的随机优化运行策略 |
-
2022
- 2022-09-06 CN CN202211086841.XA patent/CN115313516A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116667346A (zh) * | 2023-08-02 | 2023-08-29 | 国网山东省电力公司广饶县供电公司 | 分布式光伏源网荷储协同优化方法、系统、终端及介质 |
CN116667346B (zh) * | 2023-08-02 | 2023-09-26 | 国网山东省电力公司广饶县供电公司 | 分布式光伏源网荷储协同优化方法、系统、终端及介质 |
CN117713238A (zh) * | 2023-12-14 | 2024-03-15 | 国网青海省电力公司清洁能源发展研究院 | 光伏发电和储能微电网结合的随机优化运行策略 |
CN117713238B (zh) * | 2023-12-14 | 2024-05-07 | 国网青海省电力公司清洁能源发展研究院 | 光伏发电和储能微电网结合的随机优化运行策略 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moghaddam et al. | Predictive operation and optimal sizing of battery energy storage with high wind energy penetration | |
Cao et al. | Battery energy storage sizing based on a model predictive control strategy with operational constraints to smooth the wind power | |
Datta et al. | A review of key functionalities of battery energy storage system in renewable energy integrated power systems | |
CN115313516A (zh) | 一种光伏发电和储能微电网结合的随机优化运行策略 | |
CN110581571A (zh) | 一种主动配电网动态优化调度方法 | |
CN107425534B (zh) | 一种基于优化蓄电池充放电策略的微电网调度方法 | |
KR20130104771A (ko) | 에너지 저장 시스템 및 그의 제어 방법 | |
CN113919620B (zh) | 一种风光储微电网日前能量调度算法 | |
US20120228939A1 (en) | Power supply method, a recording medium which is computer readable and a power generation system | |
CN108695871B (zh) | 含有电力弹簧的孤岛微电网降低储能容量需求的配置方法 | |
US20230294544A1 (en) | Method of Controlling of Battery Energy Storage System of Power System with High Dynamic Loads | |
CN115036963A (zh) | 一种提升配电网韧性的两阶段需求响应策略 | |
KR102503382B1 (ko) | 신재생 에너지 발전설비와 연계된 에너지 저장시스템의 관리방법 | |
Nakamura et al. | Green base station using robust solar system and high performance lithium ion battery for next generation wireless network (5G) and against mega disaster | |
Javadi et al. | Battery energy storage technology in renewable energy integration: A review | |
CN114418453B (zh) | 一种基于电力市场的微电网多时间尺度能量管理系统 | |
Lin et al. | Hybrid energy storage system control and capacity allocation considering battery state of charge self-recovery and capacity attenuation in wind farm | |
CN116384655A (zh) | 面向新能源消纳的源网荷侧储能系统优化规划方法及系统 | |
KR20200129555A (ko) | 충전율 제어가 가능한 에너지 저장 시스템 및 이의 제어 방법 | |
CN115796492A (zh) | 一种混合储能系统的微电网调度方法及终端 | |
Roy et al. | Cost optimization of battery and Supercapacitor Hybrid Energy Storage System for dispatching solar PV Power | |
JP7252116B2 (ja) | 再生可能エネルギー発電システム | |
CN110417002B (zh) | 一种孤岛微电网能量模型的优化方法 | |
Datta | Battery Energy Storage System for Renewable Energy Integrated Power System Stability Enhancement | |
Haiyun et al. | Optimal Capacity Allocation Method of Multi-types of Energy Storage for Wind Power Plant |
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 |