CN115459358A - 一种考虑多类新能源不同配比的储能容量优化配置方法 - Google Patents

一种考虑多类新能源不同配比的储能容量优化配置方法 Download PDF

Info

Publication number
CN115459358A
CN115459358A CN202211021155.4A CN202211021155A CN115459358A CN 115459358 A CN115459358 A CN 115459358A CN 202211021155 A CN202211021155 A CN 202211021155A CN 115459358 A CN115459358 A CN 115459358A
Authority
CN
China
Prior art keywords
energy storage
power
capacity
energy
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
Application number
CN202211021155.4A
Other languages
English (en)
Inventor
张珍珍
吕清泉
高鹏飞
沈渭程
张健美
张睿骁
张彦琪
周强
赵龙
王定美
张金平
李津
刘丽娟
郑翔宇
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.)
STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Original Assignee
STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE
State Grid Corp of China SGCC
State Grid Gansu Electric Power 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 STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE, State Grid Corp of China SGCC, State Grid Gansu Electric Power Co Ltd filed Critical STATE GRID GASU ELECTRIC POWER RESEARCH INSTITUTE
Priority to CN202211021155.4A priority Critical patent/CN115459358A/zh
Publication of CN115459358A publication Critical patent/CN115459358A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/16—Mechanical energy storage, e.g. flywheels or pressurised fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于电力储能技术领域，尤其涉及一种考虑多类新能源不同配比的储能容量优化配置方法。针对可再生能源的日常运行情况，构建spearman秩相关系数求解不同新能源的配比；构造多能源系统储能容量最优和经济性最大的双层调度模型；考虑模型迭代最初建立种群的多样性，运算的收敛精度及速度，构建改进鲸鱼算法进行求解。一种考虑多类新能源不同配比的储能容量优化配置方法实现了最优容量配置，在考虑风力和光伏两种新能源不同配置比例的情况下，结合系统的经济性建立双层储能优化配置模型，使得储能系统在满足需求的情况下能够实现年收益最大。

Description

一种考虑多类新能源不同配比的储能容量优化配置方法
技术领域
本发明属于电力储能技术领域，尤其涉及一种考虑多类新能源不同配比的储能容量优化配置方法。
背景技术
目前甘肃720MWh储能电站试验示范项目开始实施，正泰嘉峪关二期70MW光储一体化发电项目已顺利实施，中广核太阳能嘉峪关等公司其它新建风光电站都配置一定比例的储能，为风光等新能源并网容量持续增长下的电网调峰和频率稳定提供支撑，同时对进一步解决嘉峪关地区弃风弃光具有积极促进作用。
储能类型主要有机械储能、电气类储能、电化学类储能三种。机械储能的应用形式为抽水蓄能、压缩空气储能和飞轮储能，抽水蓄能是最主要的储能方式，它的优点是规模大、技术成熟，缺点就是需要特定的地理条件，截至到2020年底抽水蓄能累计装机规模为31.8GW。飞轮储能是指利用电动机带动飞轮高速旋转，在需要的时候再用飞轮带动发电机发电，飞轮储能的优点就是寿命长，效率高，缺点就是能量密度低，只能持续几秒几分钟。压缩空气储能优点是适合风场，可削峰填谷，缺点是能选择的合适地点非常有限。
电磁储能分为超级电容储能和超导储能。超导储能系统利用超导线图将电磁能直接储存起来，需要时再将电磁能返回电网或其它负载的一种电力设施，其优点是功率密度高，响应速度极快，缺点是原材料价格昂贵，维持低温制冷运行需要大量能量。超级电容储能优点是寿命长，循环次数多，响应速度快等，缺点是电介质耐压很低，储存能量较少，投资成本高。
电化学储能主要包括铅酸电池、铅炭电池、锂离子电池、钠硫电池和液流电池，电化学储能是除抽水蓄能之外装机规模最大的储能方式，截至到2020年国内累计装机规模达到3.27GW。铅酸电池发展成熟，但是有污染，锂电池效率高，应用广泛，是电化学储能中应用最广泛的，钠硫电池最大优点在于资源禀赋较高，其原材料钠、硫比较容易获得，缺点是生产成本高，液流电池中全钒液流电池已比较成熟，其寿命长，循环次数可超过一万次以上，但其能量密度和功率密度比较低。
目前，常见的储能设备可分为功率型储能设备和能量型储能设备。前者具有功率密度大，响应速度快等优点，但能量密度较小，如超级电容器、超导储能、飞轮储能等；后者能量密度大，但功率响应较慢，不适于频繁充放电。就目前的储能技术看，单一的储能技术很难同时满足能量密度、功率密度、储能效率、使用寿命、环境特性以及成本等多项指标，而两种或多种储能设备在技术上具有较好的互补性。为了更好地满足电网的运行要求，复合储能系统应运而生。复合储能系统就是将能量型储能和功率型储能联合使用、协调控制，从而最大限度地发挥储能技术的性能。
发明内容
本发明的目的是提出一种针对由风、光伏和储能构成的多能互补发电系统，在多种新能源不同的配置比例下建立储能的最优容量配置模型，以解决现有技术中单一的储能方法很难同时满足能量密度、功率密度、储能效率、使用寿命、环境特性以及成本等多项指标的问题。
为实现上述目的，本发明采用的技术方案具体步骤如下：
一种考虑多类新能源不同配比的储能容量优化配置方法，包括以下步骤：
S1.在实现储能经济最优、弃风弃光率最低和系统总成本最低的基础上，建立在多种新能源不同的配置比例下的目标函数；
S2.在步骤S1的基础上全面考虑储能系统的荷电状态以及动作深度，基于容量配比和储能剩余可调动态容量建立约束函数；
S3.根据步骤S1设定的目标函数以及步骤S2给出的约束条件，构建以储能容量最小，系统总收益最大的双层优化模型；
S4.引入核模糊聚类和levy飞行的改进鲸鱼算法对风力、光伏与储能互补发电系统的储能最优容量配置模型进行求解。
进一步地，步骤S1中，所述目标函数包括储能容量最小和设备投入的总收益最大目标函数。
进一步地，所述储能容量最小目标函数为：
Eess＝max[E-s(t)-minE-s(t1)]t1≥t (1)
式中，Eess为电网所配置的储能容量；E-s(t)为不计及荷电状态和充放电约束下的的储能容量；minE-s(t1)为不计及荷电状态和充放电约束下的的储能容量的最小值。
进一步地，所述储能容量最小目标函数的建立方法包括：
S1.1.设风、光每小时的输出功率及负荷所消耗的功率分别为Pw(t)、PS(t)、PL(t)，则不考虑充放电效率时的储能净容量如下：
ΔP(t)＝α[k1PW(t)+k2PS(t)]-PL(t)k1+k2＝1 (2)
式中，ΔP(t)为不考虑充放电效率时的储能净容量；α为新能源占全部电源的比例；k1和k2分别为风电和光伏的比例因子；
S1.2.利用风、光资源的互补特性来配置风电、光伏的装机及并网容量，使两种能源的联合出力变得平稳且减少风光资源的浪费，引入Spearman秩相关系数计算风光出力的比例因子；
Figure BDA0003814237220000031
式中，R为风力发电的秩统计量，S为光伏发电的秩统计量，k1和k2分别为风电和光伏的比例因子。
S1.3.当储能净容量为正值时，表示多发的电量能够被储能装置所存储，其存储的效率为ηc；当功率失配为负值时，欠发电量能够通过储能装置释放出来，其释放电能的效率为ηf；将不计及荷电状态和充放电约束下的的储能容量的表达式记为；
Figure BDA0003814237220000041
式中，E-s(t)为不计及荷电状态和充放电约束下的的储能容量；ΔP(t)为不考虑充放电效率时的储能净容量。
进一步地，所述设备投入的总收益最大目标函数：
maxCp,ess＝CA-Cess (5)
式中，maxCp,ess为储能年运行最大收益；CA为储能年套利收益；Cess为储能年套利收益。
进一步地，所述设备投入的总收益最大目标函数的建立方法包括：
S1.1.1.建立储能系统年套利收益：
Figure BDA0003814237220000042
式中，CSALE为储能在负荷高峰时放电的收益；CBUY为储能在负荷低谷时充电的费用；Tou为主电网的分时电价；Pc(t)和Pf(t)分别为充放电功率；
S1.1.2.建立储能系统投运成本：
CESS＝CINV-COM
Figure BDA0003814237220000043
COM＝cOM(Pf(t)+Pc(t))Δt
式中，CINV为储能初始成本；COM为储能维修成本；ce和cOM为储能的单位容量成本和单位功率成本；Pess，i和Eess，i分别为第i个系统的额定容量和额定功率。
进一步地，步骤S2中，所述约束函数约包括：储能电站充放电约束，储能电站荷电状态约束以及供需稳定性约束；
储能电站充放电约束：
Figure BDA0003814237220000051
式中：St为t时刻蓄电池的储电量；
Figure BDA0003814237220000052
为储电能量损失率；Pc、Pf分别表示蓄电池充电、放电功率；ηc、ηf分别表示蓄电池的充电、放电效率；Pc-max和Pf-max分别为蓄电池的最大充电功率和最大放电功率；SSOC-max和SSOC-min为蓄电池容量约束；
储能电站荷电状态约束：
Figure BDA0003814237220000053
QSOC-min≤QSOC≤QSOC-max
QSOC∈[0,1] (9)
式中：QSOC为蓄电池的荷电状态，Eess为储电实际容量，Eess,N表示蓄电池额定容量；QSOC-max和QSOC-min为蓄电池荷电状态上下限；
供需稳定性约束：
定义能量不均衡量为Ui，
Ui≥0
Ui＝EB(i-1)ηf+EW(i)+ES(i)-EL(i) (10)
式中：EB(i-1)为蓄电池上一时刻的剩余电量；EW(i)为风电当时发电总量；ES(i)为光伏当时发电总量；EL(i)为当时所需负荷量。
进一步地，所述系统总收益最大的双层优化模型：
上层：
Figure BDA0003814237220000061
下层：
maxCp,ess＝CA-Cess
CA＝CSALE-CBUY
Figure BDA0003814237220000062
Figure BDA0003814237220000063
CESS＝CINV-COM
Figure BDA0003814237220000071
COM＝cOM(Pf(t)+Pc(t))Δt
进一步地，步骤S4中，所述改进鲸鱼算法：
1).利用tent混沌映射初始化种群规模M，并随机产生X只鲸鱼的位置，设定参数A和C，设定的最大迭代次数tmax，初始化种群；
2).引入核模糊聚类将现有个体划分为N个子种群，计算所有个体的适应度值，并选出每个子种群的最优鲸鱼(领头鲸)个体的位置X*；
3).进入算法主循环，对于每一个子种群中的每一个个体，如果|A|<1,每只鲸鱼个体按照公式X(t+1)＝X*-AD更新当前位置；如果A≥1，则每只鲸鱼个体依据公式X(t+1)＝Xran-AD更新位置；
4).对鲸鱼种群再计算适应度值，找到全局最优的鲸鱼个体及位置，如果此时适应度小于最优个体的适应度，将其替换之前的个体；
5).每间隔T次迭代，重新使用核模糊聚类算法划分子种群；
6).若满足算法的终止条件(最大迭代次数)，进行步骤5)；否则转到步骤2)，继续进行算法迭代；
7).输出全局最优解X*。
且综上所述，由于采用了上述技术方案，发明的有益技术效果是：
一种考虑多类新能源不同配比的储能容量优化配置方法，首先在实现储能经济最优、弃风弃光率最低和系统总成本最低的基础上，建立在多种新能源不同的配置比例下的目标函数，其次全面考虑储能系统的荷电状态以及动作深度，基于容量配比和储能剩余可调动态容量建立约束函数，最终引入核模糊聚类和levy飞行的改进鲸鱼算法对风力、光伏与储能互补发电系统的储能最优容量配置模型进行求解。实现了最优容量配置，在考虑风力和光伏两种新能源不同配置比例的情况下，结合系统的经济性建立双层储能优化配置模型，使得储能系统在满足需求的情况下能够实现年收益最大。
附图说明
图1为本发明的方法流程图。
图2为本发明中改进鲸鱼算法流程图。
具体实施方式
为了使发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释发明，并不用于限定发明。
针对由风发、光伏和储能构成的多能互补发电系统，在多种新能源不同的配置比例下建立储能的最优容量配置模型。首先在实现储能经济最优、弃风弃光率最低和系统总成本最低的基础上，建立在多种新能源不同的配置比例下的目标函数，其次全面考虑储能系统的荷电状态以及动作深度，基于容量配比和储能剩余可调动态容量建立约束函数，最终引入核模糊聚类和levy飞行的改进鲸鱼算法对风力、光伏与储能互补发电系统的储能最优容量配置模型进行求解。
目标函数
建立储能的最优容量配置模型时需要全面考虑系统在多种新能源不同的配置比例下对储能的需求和设备的总体收益，因此在优化配置时，目标函数包括两个部分：满足系统需求下的储能容量最小和设备投入的总收益最大。
储能容量的配置
Eess＝max[E_s(t)-minE_s(t1)]t1≥t
式中，Eess为电网所配置的储能容量；E-s(t)为不计及荷电状态和充放电约束下的的储能容量；minE-s(t1)为不计及荷电状态和充放电约束下的的储能容量的最小值。
设风、光每小时的输出功率及负荷所消耗的功率分别为Pw(t)、PS(t)、PL(t)，则不考虑充放电效率时的储能净容量如下：
ΔP(t)＝α[k1PW(t)+k2PS(t)]-PL(t)k1+k2＝1
式中，ΔP(t)为不考虑充放电效率时的储能净容量；α为新能源占全部电源的比例；k1和k2分别为风电和光伏的比例因子。
2)合理利用风、光资源的互补特性来配置风电、光伏的装机及并网容量，能够使两种能源的联合出力变得平稳且减少风光资源的浪费，引入Spearman秩相关系数计算风光出力的比例因子。
Figure BDA0003814237220000091
Figure BDA0003814237220000092
k1+k2＝1
式中，R为风力发电的秩统计量；S为光伏发电的秩统计量；k1和k2分别为风电和光伏的比例因子。
3)当储能净容量为正值时，表示多发的电量能够被储能装置所存储，其存储的效率为ηc。当功率失配为负值时，欠发电量能够通过储能装置释放出来，其释放电能的效率为ηf。这里将不计及荷电状态和充放电约束下的的储能容量的表达式记为：
Figure BDA0003814237220000093
式中，E-s(t)为不计及荷电状态和充放电约束下的的储能容量；ΔP(t)为不考虑充放电效率时的储能净容量。
(2)设备的整体收益：
由于配电网功率倒送的时刻出现在一天内的负荷低谷时刻，基于储能系统低储高发的特性，利用储能系统存储低谷时刻倒送至主网的功率，在负荷高峰时刻释放功率获得相应的售电收益，同时提升配电网运行的经济性。本发明将考虑到储能系统的初始投资、运维成本及其售电收益，从而构建储能系统日运行收益最大的目标函数，获得储能系统的最优配置。
maxCp,ess＝CA-Cess
式中，maxCp,ess为储能年运行最大收益；CA为储能年套利收益；Cess为储能年套利收益。
储能系统年套利收益
CA＝CSALE-CBUY
Figure BDA0003814237220000101
Figure BDA0003814237220000102
式中，CSALE为储能在负荷高峰时放电的收益；CBUY为储能在负荷低谷时充电的费用；Tou为主电网的分时电价；Pc(t)和Pf(t)分别为充放电功率。
储能系统投运成本
CESS＝CINV-COM
Figure BDA0003814237220000103
COM＝cOM(Pf(t)+Pc(t))Δt
式中，CINV为储能初始成本；COM为储能维修成本；ce和cOM为储能的单位容量成本和单位功率成本；Pess，i和Eess，i分别为第i个系统的额定容量和额定功率。
2.约束条件
以下从储能电站充放电约束，储能电站荷电状态约束以及供需稳定性约束3个方面给出双层容量优化调度的约束条件。
储能电站充放电约束
Figure BDA0003814237220000111
Pf-max≤Pn，t≤Pc-max n＝1，2，...，N
SSOC-min≤St≤SSOC-max
式中：St为t时刻蓄电池的储电量；
Figure BDA0003814237220000112
为储电能量损失率；Pc、Pf分别表示蓄电池充电、放电功率；ηc、ηf分别表示蓄电池的充电、放电效率；Pc-max和Pf-max分别为蓄电池的最大充电功率和最大放电功率；SSOC-max和SSOC-min为蓄电池容量约束。
储能电站荷电状态约束
Figure BDA0003814237220000113
QSOC-min≤QSOC≤QSOC-max
QSOC∈[0,1]
式中：QSOC为蓄电池的荷电状态；Eess为储电实际容量；Eess,N表示蓄电池额定容量；QSOC-max和QSOC-min为蓄电池荷电状态上下限。
供需稳定性约束
定义能量不均衡量为Ui，
Ui≥0
Ui＝EB(i-1)ηf+EW(i)+ES(i)-EL(i)
式中：EB(i-1)为蓄电池上一时刻的剩余电量；EW(i)为风电当时发电总量；ES(i)为光伏当时发电总量；EL(i)为当时所需负荷量。
3.调度模型
由1节设定的目标函数以及2节给出的约束条件，构建以储能容量最小，系统总收益最大的双层优化模型。
上层：
Eess＝max[E_s(t)-minE_s(t1)]t1≥t
ΔP(t)＝α[k1PW(t)+k2PS(t)]-PL(t)k1+k2＝1
Figure BDA0003814237220000121
Figure BDA0003814237220000122
Pf-max≤Pn，t≤Pc-max n＝1，2，...，N
SSOC-min≤St≤SSOC-max
Figure BDA0003814237220000123
QSOC-min≤QSOC≤QSOC-max
QSOC∈[0,1]
Ui≥0
Ui＝EB(i-1)ηf+EW(i)+ES(i)-EL(i)
下层：
maxCp,ess＝CA-Cess
CA＝CSALE-CBUY
Figure BDA0003814237220000124
Figure BDA0003814237220000125
CESS＝CINV-COM
Figure BDA0003814237220000131
COM＝cOM(Pf(t)+Pc(t))Δt
该模型可令电网调度人员制定调度的策略最小化系统整体成本，该调度策略为基于新能源发电比和系统经济性的储能容量双层调度策略，在满足电网需求的情况下使得储能实现容量最优化配置。
4.改进鲸鱼算法
采用改进鲸鱼算法，将最大化自然策略作为约束条件，对多能源系统调度策略进行优化，其算法可以有效的提高收敛精度和缩短收敛时间。求解步骤如下：
Step1：首先利用tent混沌映射初始化种群规模M，并随机产生X只鲸鱼的位置。设定参数A和C，设定的最大迭代次数tmax，初始化种群。
Step2：引入核模糊聚类将现有个体划分为N个子种群，计算所有个体的适应度值，并选出每个子种群的最优鲸鱼(领头鲸)个体的位置X*。
Step3：进入算法主循环，对于每一个子种群中的每一个个体，如果|A|<1,每只鲸鱼个体按照公式X(t+1)＝X*-AD更新当前位置；如果A≥1，则每只鲸鱼个体依据公式X(t+1)＝Xran-AD更新位置；
Step4：对鲸鱼种群再计算适应度值，找到全局最优的鲸鱼个体及位置，如果此时适应度小于最优个体的适应度，将其替换之前的个体；
Step5：每间隔T次迭代，重新使用核模糊聚类算法划分子种群；
Step6：若满足算法的终止条件(最大迭代次数)，进行Step5；否则转到Step2，继续进行算法迭代。
Step7：输出全局最优解X*。
该协调控制系统控制流程图如图1所示。首先考虑储能在风光这两种新能源在不同的配比情况下的容量，根据spearman秩相关系数求出风光互补最优的比例因子，建立在多种新能源不同的配置比例下的储能容量目标函数，同时虑储能系统的初始投资、运维成本及其售电收益，在经济最优的情况下建立年收益最大目标函数；其次全面考虑储能系统的荷电状态以及充放电功率约束，基于容量配比和储能供需能量均衡建立约束函数；最终引入核模糊聚类和tent混沌映射来改进鲸鱼算法，从而对风力、光伏与储能互补发电系统的储能双层容量最优配置模型进行求解。
以上所述为发明的较佳实施例，并不用以限制发明，凡在发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在发明的保护范围之内。

Claims (8)

1.一种考虑多类新能源不同配比的储能容量优化配置方法，其特征在于：包括以下步骤：
S1.在实现储能经济最优、弃风弃光率最低和系统总成本最低的基础上，建立在多种新能源不同的配置比例下的目标函数；
S2.在步骤S1的基础上全面考虑储能系统的荷电状态以及动作深度，基于容量配比和储能剩余可调动态容量建立约束函数；
S3.根据步骤S1设定的目标函数以及步骤S2给出的约束条件，构建以储能容量最小，系统总收益最大的双层优化模型；
S4.引入核模糊聚类和levy飞行的改进鲸鱼算法对风力、光伏与储能互补发电系统的储能最优容量配置模型进行求解。
2.根据权利要求1所述的一种考虑多类新能源不同配比的储能容量优化配置方法，其特征在于：步骤S1中，所述目标函数包括储能容量最小和设备投入的总收益最大目标函数。
3.根据权利要求2所述的一种考虑多类新能源不同配比的储能容量优化配置方法，其特征在于，所述储能容量最小目标函数为：
Eess＝max[E_s(t)-minE_s(t1)] t1≥t (1)
式中，Eess为电网所配置的储能容量；E-s(t)为不计及荷电状态和充放电约束下的的储能容量；minE-s(t1)为不计及荷电状态和充放电约束下的的储能容量的最小值。
4.根据权利要求2、3任意一项所述的一种考虑多类新能源不同配比的储能容量优化配置方法，其特征在于，所述储能容量最小目标函数的建立方法包括：
S1.1.设风、光每小时的输出功率及负荷所消耗的功率分别为Pw(t)、PS(t)、PL(t)，则不考虑充放电效率时的储能净容量如下：
ΔP(t)＝α[k1PW(t)+k2PS(t)]-PL(t) k1+k2＝1 (2)
式中，ΔP(t)为不考虑充放电效率时的储能净容量；α为新能源占全部电源的比例；k1和k2分别为风电和光伏的比例因子；
S1.2.利用风、光资源的互补特性来配置风电、光伏的装机及并网容量，使两种能源的联合出力变得平稳且减少风光资源的浪费，引入Spearman秩相关系数计算风光出力的比例因子；
Figure FDA0003814237210000021
Figure FDA0003814237210000022
式中，R为风力发电的秩统计量，S为光伏发电的秩统计量，k1和k2分别为风电和光伏的比例因子。
S1.3.当储能净容量为正值时，表示多发的电量能够被储能装置所存储，其存储的效率为ηc；当功率失配为负值时，欠发电量能够通过储能装置释放出来，其释放电能的效率为ηf；将不计及荷电状态和充放电约束下的的储能容量的表达式记为；
Figure FDA0003814237210000023
式中，E-s(t)为不计及荷电状态和充放电约束下的的储能容量；ΔP(t)为不考虑充放电效率时的储能净容量。
5.根据权利要求2所述的一种考虑多类新能源不同配比的储能容量优化配置方法，其特征在于，所述设备投入的总收益最大目标函数：
maxCp,ess＝CA-Cess (5)
式中，maxCp,ess为储能年运行最大收益；CA为储能年套利收益；Cess为储能年套利收益。
6.根据权利要求2、5任意一项所述的一种考虑多类新能源不同配比的储能容量优化配置方法，其特征在于，所述设备投入的总收益最大目标函数的建立方法包括：
S1.1.1.建立储能系统年套利收益：
Figure FDA0003814237210000031
式中，CSALE为储能在负荷高峰时放电的收益；CBUY为储能在负荷低谷时充电的费用；Tou为主电网的分时电价；Pc(t)和Pf(t)分别为充放电功率；
S1.1.2.建立储能系统投运成本：
Figure FDA0003814237210000032
式中，CINV为储能初始成本；COM为储能维修成本；ce和cOM为储能的单位容量成本和单位功率成本；Pess，i和Eess，i分别为第i个系统的额定容量和额定功率。
7.根据权利要求1所述的一种考虑多类新能源不同配比的储能容量优化配置方法，其特征在于，步骤S2中，所述约束函数约包括：储能电站充放电约束，储能电站荷电状态约束以及供需稳定性约束；
储能电站充放电约束：
Figure FDA0003814237210000033
式中：St为t时刻蓄电池的储电量；
Figure FDA0003814237210000034
为储电能量损失率；Pc、Pf分别表示蓄电池充电、放电功率；ηc、ηf分别表示蓄电池的充电、放电效率；Pc-max和Pf-max分别为蓄电池的最大充电功率和最大放电功率；SSOC-max和SSOC-min为蓄电池容量约束；
储能电站荷电状态约束：
Figure FDA0003814237210000041
QSOC-min≤QSOC≤QSOC-max
QSOC∈[0,1] (9)
式中：QSOC为蓄电池的荷电状态，Eess为储电实际容量，Eess,N表示蓄电池额定容量；QSOC-max和QSOC-min为蓄电池荷电状态上下限；
供需稳定性约束：
定义能量不均衡量为Ui，
Ui≥0
Ui＝EB(i-1)ηf+EW(i)+ES(i)-EL(i) (10)
式中：EB(i-1)为蓄电池上一时刻的剩余电量；EW(i)为风电当时发电总量；ES(i)为光伏当时发电总量；EL(i)为当时所需负荷量。
8.根据权利要求1所述的一种考虑多类新能源不同配比的储能容量优化配置方法，其特征在于，所述步骤S3中系统总收益最大的双层优化模型：
上层：
Eess＝max[E-s(t)-minE-s(t1)] t1≥t
ΔP(t)＝α[k1PW(t)+k2PS(t)]-PL(t) k1+k2＝1
Figure FDA0003814237210000042
Figure FDA0003814237210000043
Pf-max≤Pn，t≤Pc-max n＝1，2，...，N
SSOC-min≤St≤SSOC-max
Figure FDA0003814237210000051
QSOC-min≤QSOC≤QSOC-max
QSOC∈[0,1]
Ui≥0
Ui＝EB(i-1)ηf+EW(i)+ES(i)-EL(i)
下层：
maxCp,ess＝CA-Cess
CA＝CSALE-CBUY
Figure FDA0003814237210000052
Figure FDA0003814237210000053
CESS＝CINV-COM
Figure FDA0003814237210000054
COM＝cOM(Pf(t)+Pc(t))Δt
进一步地，根据权利要求1所述的一种考虑多类新能源不同配比的储能容量优化配置方法，其特征在于，所述步骤S4中，所述改进鲸鱼算法：
1).利用tent混沌映射初始化种群规模M，并随机产生X只鲸鱼的位置，设定参数A和C，设定的最大迭代次数tmax，初始化种群；
2).引入核模糊聚类将现有个体划分为N个子种群，计算所有个体的适应度值，并选出每个子种群的最优鲸鱼(领头鲸)个体的位置X*；
3).进入算法主循环，对于每一个子种群中的每一个个体，如果|A|<1,每只鲸鱼个体按照公式X(t+1)＝X*-AD更新当前位置；如果A≥1，则每只鲸鱼个体依据公式X(t+1)＝Xran-AD更新位置；
4).对鲸鱼种群再计算适应度值，找到全局最优的鲸鱼个体及位置，如果此时适应度小于最优个体的适应度，将其替换之前的个体；
5).每间隔T次迭代，重新使用核模糊聚类算法划分子种群；
6).若满足算法的终止条件(最大迭代次数)，进行步骤5)；否则转到步骤2)，继续进行算法迭代；
7).输出全局最优解X*。
CN202211021155.4A 2022-08-24 2022-08-24 一种考虑多类新能源不同配比的储能容量优化配置方法 Pending CN115459358A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211021155.4A CN115459358A (zh) 2022-08-24 2022-08-24 一种考虑多类新能源不同配比的储能容量优化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211021155.4A CN115459358A (zh) 2022-08-24 2022-08-24 一种考虑多类新能源不同配比的储能容量优化配置方法

Publications (1)

Publication Number Publication Date
CN115459358A true CN115459358A (zh) 2022-12-09

Family

ID=84298546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211021155.4A Pending CN115459358A (zh) 2022-08-24 2022-08-24 一种考虑多类新能源不同配比的储能容量优化配置方法

Country Status (1)

Country Link
CN (1) CN115459358A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703009A (zh) * 2023-08-08 2023-09-05 深圳航天科创泛在电气有限公司 一种光伏发电储能系统的运营参考信息生成方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703009A (zh) * 2023-08-08 2023-09-05 深圳航天科创泛在电气有限公司 一种光伏发电储能系统的运营参考信息生成方法
CN116703009B (zh) * 2023-08-08 2024-01-09 深圳航天科创泛在电气有限公司 一种光伏发电储能系统的运营参考信息生成方法

Similar Documents

Publication Publication Date Title
CN109687444B (zh) 一种微电网电源多目标双层优化配置方法
Hemmati et al. Emergence of hybrid energy storage systems in renewable energy and transport applications–A review
CN103217900A (zh) 基于实时电价的中压微网混沌pso最优潮流实现方法
CN111490554A (zh) 分布式光伏-储能系统多目标优化配置方法
Gupta et al. Economic analysis and design of stand-alone wind/photovoltaic hybrid energy system using Genetic algorithm
CN110796373B (zh) 面向风电消纳的多阶段场景生成电热系统优化调度方法
CN106779250B (zh) 一种基于新型优化模型的孤立分布式电网配置方法
CN115173453A (zh) 一种储能辅助电网调峰的优化配置方法
CN107273968A (zh) 一种基于动态模糊混沌粒子群的多目标调度方法及装置
CN111762057B (zh) 一种区域微网中v2g电动汽车智能充放电管理方法
CN115936244A (zh) 考虑可再生能源发电不确定性的虚拟电厂优化调度方法
CN106096807A (zh) 一种考虑小水电的互补微网经济运行评价方法
CN115459358A (zh) 一种考虑多类新能源不同配比的储能容量优化配置方法
CN112269966B (zh) 一种考虑备用需求的通信基站虚拟电厂发电容量测量方法
CN104616071A (zh) 一种风光储互补发电系统优化配置方法
CN113644674A (zh) 基于量子粒子群的氢混合储能容量配置系统、方法及应用
CN117114281A (zh) 一种灵活资源多阶段规划方案的确定方法
CN112260274A (zh) 一种基于全景理论的虚拟电厂组建方法
CN115940284B (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
CN114094608B (zh) 一种面向光伏电站的多类型储能容量优化配置方法及装置
Han et al. Analysis of economic operation model for virtual power plants considering the uncertainties of renewable energy power generation
CN111654028A (zh) 一种基于优化算法的最终效益混合储能优化容量配置比
Luo et al. The multi-objective day-ahead optimal dispatch of islanded micro grid
Yao et al. Planning Scheme Design for Multi-time Scale Energy Storage at the City Level
Basyarach et al. A Mixed-Integer Linear Programming-Based Power Allocation of Supercapacitor-Battery Energy Storage for Off-Grid Applications

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication