CN115811074A - 牵引变电所混合储能容量配置方法、装置及相关介质 - Google Patents

牵引变电所混合储能容量配置方法、装置及相关介质 Download PDF

Info

Publication number
CN115811074A
CN115811074A CN202211694816.XA CN202211694816A CN115811074A CN 115811074 A CN115811074 A CN 115811074A CN 202211694816 A CN202211694816 A CN 202211694816A CN 115811074 A CN115811074 A CN 115811074A
Authority
CN
China
Prior art keywords
energy storage
power
wind
output
traction substation
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
CN202211694816.XA
Other languages
English (en)
Inventor
郭祺
涂春鸣
王鑫
侯玉超
肖凡
兰征
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 University
Original Assignee
Hunan University
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 University filed Critical Hunan University
Priority to CN202211694816.XA priority Critical patent/CN115811074A/zh
Publication of CN115811074A publication Critical patent/CN115811074A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种牵引变电所混合储能容量配置方法、装置及相关介质，针对牵引供电系统接入风力发电和光伏发电系统及混合储能系统的场景，基于双层模糊控制对风光出力与列车负荷的功率差值进行功率分配，确定各储能介质能的最优容量配置，提高了风力、光伏和再生制动能量的利用率，减少了电气化铁路的电费成本，在考虑“源”出力及“车”负荷存在不确定性的情况下，合理分配三种储能模块的输入输出功率，求解出牵引变电所混合储能的容量配置及功率分配，使得混合储能成本最小，最大化地促进新能源的消纳和补偿列车负荷的波动。

Description

牵引变电所混合储能容量配置方法、装置及相关介质
技术领域
本发明涉及牵引变电站混合储能配置领域领域，特别涉及一种牵引变电所混合储能容量配置方法、装置及相关介质。
背景技术
电气化铁路牵引供电系统具有功率波动大、分布范围广、规律性强等特点，随着我国电气化铁路网络规模的持续扩大，带来了巨大的能源需求。同时，风电、光电为代表的清洁能源及储能介质的快速发展，为构建新型的“源-网-荷-储”交通供电系统提供了坚实的基础。其中，储能在整个交通供电系统中担任能量载体的重要作用，既可平抑新能源间歇性和波动性等特性的出力，提高风、光等再生能源的消纳率；又可在列车运行过程中发挥“削峰填谷”的作用，降低牵引负荷对系统的冲击。
在考虑“源”侧风、光清洁能源与“荷”侧电气化铁路负荷的不确定性情况下，储能模块需要具备较大的功率密度、能量密度，较高的充放电次数和充放电效率，也需要对储能介质进行合理的搭配，适应于不同的运行场景。现有的牵引变电所没有实现混合储能容量的合理的配置，导致混合储能的成本高、补偿列车负荷的波动大，没有促进新能源的消纳。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种牵引变电所混合储能容量配置方法、装置及相关介质，能够降低混合储能的成本、补偿列车负荷的波动小并且促进新能源的消纳。
根据本发明第一方面实施例的牵引变电所混合储能容量配置方法，包括以下步骤：
S100、构建风力发电功率和光伏发电功率的不确定性模型，通过所述不确定性模型预测风光出力曲线；
S200、获取牵引变电所对应的列车运行数据，根据牵引变电所对应的列车运行数据预测牵引变电所的负荷曲线，根据牵引变电所的负荷曲线和风光出力曲线计算列车负荷与风光出力的偏差功率曲线，根据风光出力的偏差功率曲线进行混合储能充放电的功率分配；
S300、构建混合储能充放电的优先级策略，基于双层模糊控制优化混合储能充放电的功率分配；
S400、构建牵引变电所协同运行总成本最低的目标函数；
S500、求解目标函数，获得混合储能配置的最佳容量与功率配比；
S600、按照混合储能配置的最佳容量与功率配比进行牵引变电所混合储能的容量配置。
根据本发明的一些实施例，所述步骤100的具体步骤为
S101、构建风电机组出力功率和风速的关系式
Figure BDA0004022148710000021
其中，Pi(t)是风电机组i在t时段的出力功率；
Figure BDA0004022148710000022
是风电机组i的额定功率；vi(t)是风电机组i在日前t时刻轮毂处的风速；vin,i和vout,i是风电机组i的切入风速和切出风速；vN,i是风电机组i的额定风速；
S102、采集风电机组所在区域的气象数据，根据日前气象数据预测风速曲线，根据预测的风速曲线结合风电机组出力功率和风速的关系式得到风电机组输出功率的预测值；
S103、构建光伏发电设备出力功率和光照强度的关系式
Figure BDA0004022148710000023
其中，Pl(t)是光伏发电设备l在t时段的出力功率，
Figure BDA0004022148710000024
是光伏发电设备l的额定功率；
S104、采集光伏发电设备所在区域的气象数据，根据气象数据预测光强曲线，根据预测的光强曲线结合光伏发电设备出力功率和光照强度的关系式得到光伏发电设备输出功率的预测值；
S105、根据风电机组输出功率的预测值和光伏发电设备输出功率的预测值得到预测的风光出力曲线。
根据本发明的一些实施例，所述步骤S200的具体步骤为：
S201、构建列车负荷功率计算公式
Figure BDA0004022148710000025
P(t)＝F(t)v(t)1000/3.6
其中，PT是列车负荷功率；v(t)是列车运行速度；Paux(t)是辅助绕组消耗的功率；F(t)是列车在t时刻的牵引力或制动力；η是车载变压器至车轮的的功率传输效率；
S202、根据列车运行数据和列车负荷功率预测牵引变电所的负荷功率，负荷功率的计算公式为；
Figure BDA0004022148710000031
其中，Ptr,d,t是第d天t时刻牵引变电所的实际负荷功率；Ktr,d,t是随机变量；ΔPtr,d,t是负荷功率的波动值；
Figure BDA0004022148710000032
是负荷功率的波动最大值；Γtr是负荷功率波动的不确定预算；
S203、根据预测牵引变电所的负荷功率得到预测牵引变电所的负荷曲线，将预测牵引变电所的列车负荷曲线与风光出力曲线相减得到列车负荷与风光出力的偏差功率曲线；
S204、根据列车负荷与风光出力的偏差功率曲线进行混合储能充放电的功率分配。
根据本发明的一些实施例，所述步骤S300中混合储能包括超级电容储能、蓄电池储能和飞轮储能。
根据本发明的一些实施例，所述步骤S300中基于双层模糊控制优化混合储能充放电的功率分配的具体步骤为
S301、选择模糊隶属度函数，根据模糊隶属度函数构建输入输出模糊集，包括第一输入模糊量和第一输出模糊量，第二输入模糊量和第二输出模糊量；
S302、根据第一输入模糊量和第一输出模糊量构建第一层模糊控制规则，根据第二输入模糊量和第二输出模糊量构建第二层模糊控制规则；
S303、根据第一层模糊控制规则对大功率储能模块和蓄电池储能模块进行功率初次分配，确定蓄电池储能模块及大功率储能模块的输出功率，所述大功率储能模块包括超级电容储能模块和飞轮储能模块；
S304、根据第二层模糊控制规则对大功率储能模块分配到的功率进行二次分配，确定飞轮储能模块和超级电容储能模块的输出功率。
根据本发明的一些实施例，所述步骤S400中目标函数为
Figure BDA0004022148710000033
其中，Ctotal是牵引变电所的混合储能系统日运行成本；Tplan是混合储能系统的全寿命周期；Cfly为飞轮的储能成本；Cbat为蓄电池的储能成本；Csc为超级电容的储能成本；Csy为混合储能配套设备成本；Cwh,total为混合储能的维护成本；Cbuy是牵引变电所的购电成本。
根据本发明的一些实施例，所述目标函数的约束条件包括电功率平衡的约束、蓄电池储能模块、超级电容储能模块和飞轮储能模块的约束和储能模块充放电状态的约束；
电功率平衡的约束公式为：
Pbuy+Pf+Pc+Pb+Pnew＝Ptrain+Ploss
其中，Pbuy是从电网中取得的功率；Pnew是风、光出力功率；Ptrain是列车牵引用电；Ploss是系统损耗功率；
蓄电池储能模块、超级电容储能模块和飞轮储能模块的约束公示为：
Figure BDA0004022148710000041
其中，i＝1代表蓄电池储能模块，i＝2代表超级电容储能模块，i＝3代表飞轮储能模块；OCi(t)是t时刻内各储能元件的荷电状态；SOCi,min和SOCi,max分别为储能元件荷电状态的下限和上限；
Figure BDA0004022148710000042
和
Figure BDA0004022148710000043
分别表示对应储能模块的充放电状态；
Figure BDA0004022148710000044
为t时刻对应储能模块的功率；
Figure BDA0004022148710000045
和
Figure BDA0004022148710000046
分别为对应储能模块的额定充放电功率；
储能模块充放电状态的约束公式为；
Figure BDA0004022148710000047
根据本发明第一方面实施例的牵引变电所混合储能容量配置装置，包括：
预测单元，用于构建风力发电功率和光伏发电功率的不确定性模型，通过所述不确定性模型预测风光出力曲线；
第一计算单元，用于获取牵引变电所对应的列车运行数据，根据牵引变电所对应的列车运行数据预测日内牵引变电所的列车负荷曲线，根据预测牵引变电所的列车负荷曲线和风光出力曲线计算列车负荷与风光出力的偏差功率曲线，根据列车负荷与风光出力的偏差功率曲线进行混合储能充放电的功率分配；
优化单元，用于建混合储能充放电的优先级策略，基于双层模糊控制优化混合储能充放电的功率分配；
目标函数单元，用于构建牵引变电所协同运行总成本最低的目标函数；
第二计算单元，用于求解目标函数，获得储能配置的最佳容量与功率配比；
配置单元，用于按照储能配置的最佳容量与功率配比进行牵引变电所混合储能的容量配置。
根据本发明第三方面实施例的电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如上述的方法的步骤。
根据本发明第四方面实施例的存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述的方法的步骤。
根据本发明实施例的牵引变电所混合储能容量配置方法、装置及相关介质，至少具有如下有益效果：
本发明公开了一种考虑“源-车”不确定性的牵引变电所混合储能容量配置方法，通过构建“源”侧的风力发电功率和光伏发电功率的不确定性模型，通过不确定性模型预测风光出力曲线；获取牵引变电所对应的列车运行数据，根据牵引变电所对应的列车运行数据预测预测“荷”的日内牵引变电所的列车负荷曲线，根据预测牵引变电所的列车负荷曲线和风光出力曲线计算列车负荷与风光出力的偏差功率曲线，根据列车负荷与风光出力的偏差功率曲线进行混合储能充放电的功率分配；结合“储”侧超级电容、蓄电池和飞轮的储能特性，构建混合储能充放电的优先级策略，基于双层模糊控制优化混合储能充放电的功率分配；构建牵引变电所协同运行总成本最低的目标函数；求解目标函数，获得储能配置的最佳容量与功率配比；按照储能配置的最佳容量与功率配比进行牵引变电所混合储能的容量配置。
本发明提高了风力、光伏和再生制动能量的利用率，减少了电气化铁路的电费成本，使得混合储能成本最小，最大化地促进新能源的消纳和补偿列车负荷的波动。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
下面结合附图和实施例对本发明做进一步的说明，其中：
图1为本发明实施例中牵引变电所混合储能容量配置方法的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，多个指的是两个以上。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1所示，一种牵引变电所混合储能容量配置方法，包括以下步骤：
S100、构建风力发电功率和光伏发电功率的不确定性模型，通过不确定性模型预测风光出力曲线；
需要说明的是，风力发电和光伏发电都属于“源”侧，风力发电功率和光伏发电功率的不确定性模型包括风电机组出力功率和风速的关系式、光伏发电设备出力功率和光照强度的关系式；步骤100的具体步骤为
S101、因为风电机组出力和风速之间存在近分段线性的关系，因此构建风电机组出力功率和风速的关系式
Figure BDA0004022148710000061
其中，Pi(t)是风电机组i在t时段的出力功率；
Figure BDA0004022148710000062
是风电机组i的额定功率；vi(t)是风电机组i在日前t时刻轮毂处的风速；vin, i和vout,i是风电机组i的切入风速和切出风速；vN,i是风电机组i的额定风速。
S102、采集风电机组所在区域的气象数据，根据日前气象数据预测日内风速曲线，根据预测的日内风速曲线结合风电机组出力功率和风速的关系式得到风电机组日内输出功率的预测值。
应能理解的是，步骤S102中的气象数据包括风电机组所在地区的风速、温度和湿度等,按每小时采集一次数据，然后日前风速和气象因素数据预测日内的风速曲线v(t)，得到风电机组日内输出功率的预测值
Figure BDA0004022148710000063
根据预测值
Figure BDA0004022148710000064
可以算出风电机组日内输出功率实际值Pwt,d,t，Pwt,d,t的表达式为
Figure BDA0004022148710000065
其中，Pwt,d,t是第d天t时刻风电机组的实际输出功率；Kwt,d,t是随机变量，取值为[-1，1]；ΔPwt,d,t是风电机组输出功率的波动值；
Figure BDA0004022148710000066
是风电机组输出功率的波动最大值；Γpv是风电机组输出功率波动的不确定预算。
S103、构建光伏发电设备出力功率和光照强度的关系式，
Figure BDA0004022148710000071
其中，Pl(t)是光伏发电设备l在t时段的出力功率，
Figure BDA0004022148710000072
是光伏发电设备l的额定功率，Il(t)为光伏发电设备l在t时段的光强，Ilmax为最大光强。
S104、采集光伏发电设备所在区域的气象数据，根据日前气象数据预测日内光强曲线，根据预测的日内光强曲线结合光伏发电设备出力功率和光照强度的关系式得到光伏发电设备日内输出功率的预测值；
应能理解的是，步骤S104中的气象数据包括光伏发电设备所在地区的光照强度、环境温度和湿度等，按每小时采集一次气象数据计算，根据日前光照和气象数据预测日内的光强曲线I(t)，得到光伏发电设备日内输出功率的预测值
Figure BDA0004022148710000073
实际值Ppv,d,t可表示为
Figure BDA0004022148710000074
其中，Ppv,d,t是第d天t时刻光伏机组的实际输出功率；Kpv,d,t是随机变量，取值为[-1，1]；ΔPpv,d,t是光伏机组输出功率的波动值；
Figure BDA0004022148710000075
是光伏机组输出功率的波动最大值；Γpv是光伏机组输出功率波动的不确定预算。
S105、根据风电机组日内输出功率的预测值和光伏发电设备日内输出功率的预测值得到预测的风光出力曲线。
S200、获取牵引变电所对应的列车运行数据，根据牵引变电所对应的列车运行数据预测牵引变电所的负荷曲线，根据牵引变电所的负荷曲线和风光出力曲线计算列车负荷与风光出力的偏差功率曲线，根据风光出力的偏差功率曲线进行混合储能充放电的功率分配；
需要说明的是，牵引变电所的列车负荷曲线属于“荷”侧，本发明实施例中步骤S200的具体步骤为：
S201、构建列车负荷功率计算公式
Figure BDA0004022148710000076
P(t)＝F(t)v(t)1000/3.6
其中，PT是列车负荷功率；v(t)是列车运行速度；Paux(t)是辅助绕组消耗的功率；F(t)是列车在t时刻的牵引力或制动力；η是车载变压器至车轮的的功率传输效率；
S202、根据列车运行数据预测日内牵引变电所的负荷功率，列车运行数据包括列车运行图和日前列车运行速度数据，根据列车运行图和日前列车运行速度数据预测牵引变电所的负荷功率预测值
Figure BDA0004022148710000081
根据负荷功率的预测值
Figure BDA0004022148710000082
可以计算出负荷功率的实际值Ptr,d,t，Ptr,d,t的计算公式为；
Figure BDA0004022148710000083
其中，Ptr,d,t是第d天t时刻牵引变电所的实际负荷功率；Ktr,d,t是随机变量；ΔPtr,d,t是负荷功率的波动值；
Figure BDA0004022148710000084
是负荷功率的波动最大值；Γtr是负荷功率波动的不确定预算；
S203、根据预测日内牵引变电所的列车负荷功率得到预测日内牵引变电所的列车负荷曲线，将预测日内牵引变电所的列车负荷曲线与风光出力曲线相减得到列车负荷与风光出力的偏差功率曲线；
具体的，将牵引变电所负荷功率与风光出力功率相减，得到功率差值ΔP(t)，根据功率差值ΔP(t)得到列车负荷与风光出力的偏差功率曲线；
S204、根据列车负荷与风光出力的偏差功率曲线进行混合储能充放电的功率分配，即根据偏差功率曲线确定各储能所分担的功率。
S300、构建混合储能充放电的优先级策略，基于双层模糊控制优化混合储能充放电的功率分配。
需要说明的是，本发明实施例中混合储能包括超级电容储能、蓄电池储能和飞轮储能，当然也可以采用其他的混合储能组合。
构建混合储能充放电的优先级策略，具体包括基于超级电容、蓄电池和飞轮储能的功率Pi、容量Qi特性构建混合储能充放电的优先级策略。
需要说明的是，双层模糊控制方法是利用MATLAB的Fuzzy logic Designer模块，对混合储能的功率进行优化分配，步骤S300的具体步骤为：
S301、选择模糊隶属度函数，根据模糊隶属度函数构建输入输出模糊集，包括第一输入模糊量和第一输出模糊量，第二输入模糊量和第二输出模糊量；
具体的，当功率差值ΔP>0时，列车处于牵引工况。设定3个功率阈值，Pth1为第一放电阈值，大小等于混合储能系统的最大输出功率PH,max；Pth2为第二放电阈值，大小等于超级电容的最大输出功率Psc,max；Pth3为第三放电阈值，大小等于蓄电池储能的最大输出功率Pb,max。根据三个功率阈值将ΔP(t)划分为四个工况，表示为：
Figure BDA0004022148710000091
当功率差值ΔP<0时，列车处于制动工况。设定一个功率阈值Pre，大小等于超级电容的最大储能功率，将ΔP(t)划分为两个工作域，表示为：
Figure BDA0004022148710000092
混合储能模块输出功率PHESS与T时刻功率差值ΔP(T)的关系如下式：
PHESS＝ΔP(T)-Pt
其中，Pt是牵引变电所从电网获取的功率。
将混合储能模块输出功率PHESS对应ΔP(t)的工况划分为六个工作域，并投影到[-1，1]，超出上界或下界分别取1或-1。混合储能模块输出功率模糊量P’HESS论域取为[-1，1]，模糊子集表示为{NBNSXSSMB}，选用矩形型隶属度函数。
Figure BDA0004022148710000093
Figure BDA0004022148710000094
其中，Pth1是设定的第一放电阈值，；Pth2是设定的第二放电阈值，大小等于大功率模块的最大输出功率Pf,max；Pth3是设定的第三放电阈值，大小等于蓄电池储能的最大输出功率Pb,max。
S302、根据第一输入模糊量和第一输出模糊量构建第一层模糊控制规则，根据第二输入模糊量和第二输出模糊量构建第二层模糊控制规则；
S303、根据第一层模糊控制规则对大功率储能模块和蓄电池储能模块进行功率初次分配，确定蓄电池储能模块及大功率储能模块的输出功率，大功率储能模块包括超级电容储能模块和飞轮储能模块；
具体的，第一输出模糊量包括包括T时刻混合储能模块输出功率P’HESS、大功率模块荷电状态SOCfc和蓄电池荷电状态SOCbat，第一输出模糊量为大容量模块与蓄电池模块所分配到的功率之比Km,cp。荷电状态和Km,cp的隶属函数均选用三角形隶属函数，选取{SMB}三个模糊子集进行描述。
大功率储能模块的荷电状态SOCfc表示为
Figure BDA0004022148710000095
Figure BDA0004022148710000101
其中，SOCsc是超级电容的荷电状态；SOCfly是飞轮储能的荷电状态；Ef,N是飞轮储能的额定容量；Esc,N是超级电容的额定容量；kN是飞轮储能与超级电容额定容量的比值。
第一层模糊控制规则具体如下：
a1).当混合储能模块输出功率PHESS属于XS子集，且蓄电池模块荷电状态SOCbat属于[0.2，0.8]，蓄电池工作在安全荷电范围，仅蓄电池单元输出功率。
a2).当混合储能模块输出功率PHESS属于S和M子集，且大功率模块的荷电状态SOCfc属于[0.1，0.9]，大功率模块工作在安全荷电范围，大功率模块优先输出功率，蓄电池输出补充功率缺额。
a3).当混合储能模块输出功率PHESS属于B子集，且大功率模块和蓄电池荷电状态都在工作范围内，则各储能模块都输出功率。
a4).当混合储能模块任意输出功率下，若大功率储能模块荷电状态SOCfc小于等于下限值SOCfc,min，但蓄电池模块工作在安全荷电范围，则仅蓄电池模块输出功率。
a5).当混合储能模块任意输出功率下，若蓄电池荷电状态SOCbat小于等于下限值SOCbat,min，但大功率储能模块工作在安全荷电范围，则仅大功率模块输出功率。
a6).当混合储能模块储能输入功率PHESS属于NS子集，且大功率模块荷电状态都小于上限值，则设置大功率模块优先充电。
a7).当混合储能模块储能输入功率PHESS属于NB子集，且储能模块荷电状态都在工作范围内，则蓄电池和大容量模块以最大储能功率吸收电能。
将第一层模糊控制输出模糊量Km,cp去模糊化，转化为实际量Kcp，得到大功率模块和蓄电池模块所分配的功率：
Figure BDA0004022148710000102
其中，ΔP(T)是T时刻的列车负荷与清洁能源的功率差值；Php是大功率模块所分配到的功率；Pbat是蓄电池模块所分配到的功率。
S304、根据第二层模糊控制规则对大功率储能模块分配到的功率Php进行二次分配，确定飞轮储能模块和超级电容储能模块的输出功率。
具体的，第二输入模糊量包括大功率模块所分配到的功率P’hp、超级电容的荷电状态SOCsc和飞轮储能的荷电状态SOCfly；第二输出模糊量为超级电容与飞轮储能所分配到的功率之比Km,sf。P’hp选用三角形隶属函数，选取{NSSMB}四个模糊子集进行描述。荷电状态和Km,sf的隶属函数均选用三角形隶属函数，选取{SMB}三个模糊子集进行描述。
第二层模糊控制规则具体如下：
b1).当大功率储能模块输入功率属于NS子集，由超级电容吸收功率。仅当超级电容荷电状态大于上限值，设置飞轮储能吸收功率。
b2).当大功率模块输出功率属于S子集，由飞轮储能输出功率，仅当飞轮储能荷电状态小于下限值，设置超级电容输出功率。
b3).当大功率模块输出功率属于M子集，由超级电容输出功率，仅当超级电容荷电状态小于下限值，设置飞轮储能输出功率。
b4).当大功率模块输出功率属于B子集，且飞轮储能和超级电容荷电状态都在工作范围内，则都输出功率。
将第二层模糊控制输出模糊量Km,sf去模糊化，转化为实际量Ksf，得到超级电容和飞轮储能所分配的功率：
Figure BDA0004022148710000111
其中，Pfly是飞轮储能模块所分配到的功率；Psc是超级电容模块所分配到的功率。
S400、构建牵引变电所协同运行总成本最低的目标函数。
需要说明的是，本发明实施例中目标函数为
Figure BDA0004022148710000112
其中，Ctotal是牵引变电所的混合储能系统日运行成本；Tplan是混合储能系统的全寿命周期；Cfly为飞轮的储能成本；Cbat为蓄电池的储能成本；Csc为超级电容的储能成本；Csy为混合储能配套设备成本；Cwh,total为混合储能的维护成本；Cbuy是牵引变电所的购电成本。
具体的，蓄电池、超级电容和飞轮的储能成本计算公式为
Figure BDA0004022148710000113
其中，上式中的下标i为1、2、3时，分别表示为蓄电池、超级电容和飞轮储能模块；
Figure BDA0004022148710000115
Figure BDA0004022148710000114
分别是对应储能模块单位功率成本和单位容量成本；Pi,N、Ei,N分别是对应储能模块的额定功率与容量。
具体的，混合储能配套设备成本Csy的计算公式为
Csy＝Ksy(Psc,N+Pf,N+Pb,N)
其中，Ksy是系统单位功率配套设备成本，Psc,N为超级电容的额定功率与容量，Pf,N为飞轮的的额定功率与容量，Pb,N为蓄电池的额定功率与容量。
具体的，混合储能维护成本Cwh,total的计算公式为
Cwh,total＝Cp,batEb,N+Cp,scEsc,N+Cp,flyEf,N
其中，Cp,bat、Cp,sc和Cp,fly分别是蓄电池、超级电容和飞轮储能的单位容量年均维护成本。
具体的，牵引变电所的购电成本Cbuy的计算公式为
Figure BDA0004022148710000121
其中，Pbuy是牵引变电所从电网获取的功率；Cp是单位电价。
需要说明的是，步骤S400中目标函数的约束条件包括电功率平衡的约束、蓄电池储能模块、超级电容储能模块和飞轮储能模块的约束和储能模块充放电状态的约束，具体如下：
电功率平衡的约束公式为：
Pbuy+Pf+Pc+Pb+Pnew＝Ptrain+Ploss
其中，Pbuy是从电网中取得的功率；Pnew是风、光出力功率；Ptrain是列车牵引用电；Ploss是系统损耗功率；
蓄电池储能模块、超级电容储能模块和飞轮储能模块的约束公示为：
Figure BDA0004022148710000122
其中，i＝1代表蓄电池储能模块，i＝2代表超级电容储能模块，i＝3代表飞轮储能模块；OCi(t)是t时刻内各储能元件的荷电状态；SOCi,min和SOCi,max分别为储能元件荷电状态的下限和上限；Xi t和Yi t分别表示对应储能模块的充放电状态；
Figure BDA0004022148710000123
为t时刻对应储能模块的功率；
Figure BDA0004022148710000124
和
Figure BDA0004022148710000125
分别为对应储能模块的额定充放电功率；
储能模块充放电状态的约束公式为；
Figure BDA0004022148710000126
S500、求解目标函数，获得混合储能配置的最佳容量与功率配比；
需要说明的是，步骤S500中采用Cplex求解器优化求解目标函数，获得三种储能配置的最佳容量与功率配比，除了Cplex求解器也可以采用其他的求解器进行求解运算。
S600、按照混合储能配置的最佳容量与功率配比进行牵引变电所混合储能的容量配置。
本发明实施例还涉及一种牵引变电所混合储能容量配置装置，包括：
预测单元，用于构建风力发电功率和光伏发电功率的不确定性模型，通过所述不确定性模型预测风光出力曲线；
第一计算单元，用于获取牵引变电所对应的列车运行数据，根据牵引变电所对应的列车运行数据预测日内牵引变电所的列车负荷曲线，根据预测牵引变电所的列车负荷曲线和风光出力曲线计算列车负荷与风光出力的偏差功率曲线，根据列车负荷与风光出力的偏差功率曲线进行混合储能充放电的功率分配；
优化单元，用于建混合储能充放电的优先级策略，基于双层模糊控制优化混合储能充放电的功率分配；
目标函数单元，用于构建牵引变电所协同运行总成本最低的目标函数；
第二计算单元，用于求解目标函数，获得储能配置的最佳容量与功率配比；
配置单元，用于按照储能配置的最佳容量与功率配比进行牵引变电所混合储能的容量配置。
本发明实施例还涉及一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如上述实施例的方法的步骤。
本发明实施例还涉及一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例的方法的步骤。
本发明公开了一种考虑“源-车”不确定性的牵引变电所混合储能容量配置方法，通过构建“源”侧的风力发电功率和光伏发电功率的不确定性模型，通过不确定性模型预测风光出力曲线；获取牵引变电所对应的列车运行数据，根据牵引变电所对应的列车运行数据预测预测“荷”的日内牵引变电所的列车负荷曲线，根据预测牵引变电所的列车负荷曲线和风光出力曲线计算列车负荷与风光出力的偏差功率曲线，根据列车负荷与风光出力的偏差功率曲线进行混合储能充放电的功率分配；结合“储”侧超级电容、蓄电池和飞轮的储能特性，构建混合储能充放电的优先级策略，基于双层模糊控制优化混合储能充放电的功率分配；构建牵引变电所协同运行总成本最低的目标函数；求解目标函数，获得储能配置的最佳容量与功率配比；按照储能配置的最佳容量与功率配比进行牵引变电所混合储能的容量配置。
本发明针对牵引供电系统接入风力发电和光伏发电系统及混合储能系统的场景，基于双层模糊控制对风光出力与列车负荷的功率差值进行功率分配，确定各储能介质能的最优容量配置，提高了风力、光伏和再生制动能量的利用率，减少了电气化铁路的电费成本，在考虑“源”出力及“车”负荷存在不确定性的情况下，合理分配三种储能模块的输入输出功率，求解出牵引变电所混合储能的容量配置及功率分配，使得混合储能成本最小，最大化地促进新能源的消纳和补偿列车负荷的波动。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (10)

1.一种牵引变电所混合储能容量配置方法，其特征在于，包括以下步骤：
S100、构建风力发电功率和光伏发电功率的不确定性模型，通过所述不确定性模型预测风光出力曲线；
S200、获取牵引变电所对应的列车运行数据，根据牵引变电所对应的列车运行数据预测牵引变电所的负荷曲线，根据牵引变电所的负荷曲线和风光出力曲线计算列车负荷与风光出力的偏差功率曲线，根据风光出力的偏差功率曲线进行混合储能充放电的功率分配；
S300、构建混合储能充放电的优先级策略，基于双层模糊控制优化混合储能充放电的功率分配；
S400、构建牵引变电所协同运行总成本最低的目标函数；
S500、求解目标函数，获得混合储能配置的最佳容量与功率配比；
S600、按照混合储能配置的最佳容量与功率配比进行牵引变电所混合储能的容量配置。
2.根据权利要求1所述的牵引变电所混合储能容量配置方法，其特征在于，所述步骤100的具体步骤为
S101、构建风电机组出力功率和风速的关系式
Figure FDA0004022148700000011
其中，Pi(t)是风电机组i在t时段的出力功率；Pi N是风电机组i的额定功率；vi(t)是风电机组i在日前t时刻轮毂处的风速；vin,i和vout,i是风电机组i的切入风速和切出风速；vN,i是风电机组i的额定风速；
S102、采集风电机组所在区域的气象数据，根据日前气象数据预测风速曲线，根据预测的风速曲线结合风电机组出力功率和风速的关系式得到风电机组输出功率的预测值；
S103、构建光伏发电设备出力功率和光照强度的关系式
Figure FDA0004022148700000012
其中，Pl(t)是光伏发电设备l在t时段的出力功率，Pl N是光伏发电设备l的额定功率，Il(t)为光伏发电设备l在t时段的光强，Ilmax为最大光强；
S104、采集光伏发电设备所在区域的气象数据，根据气象数据预测光强曲线，根据预测的光强曲线结合光伏发电设备出力功率和光照强度的关系式得到光伏发电设备输出功率的预测值；
S105、根据风电机组输出功率的预测值和光伏发电设备输出功率的预测值得到预测的风光出力曲线。
3.根据权利要求1所述的牵引变电所混合储能容量配置方法，其特征在于，所述步骤S200的具体步骤为：
S201、构建列车负荷功率计算公式
Figure FDA0004022148700000021
P(t)＝F(t)v(t)1000/3.6
其中，PT是列车负荷功率；v(t)是列车运行速度；Paux(t)是辅助绕组消耗的功率；F(t)是列车在t时刻的牵引力或制动力；η是车载变压器至车轮的的功率传输效率；
S202、根据列车运行数据和列车负荷功率预测牵引变电所的负荷功率，负荷功率的计算公式为；
Figure FDA0004022148700000022
其中，Ptr,d,t是第d天t时刻牵引变电所的实际负荷功率；Ktr,d,t是随机变量；ΔPtr,d,t是负荷功率的波动值；
Figure FDA0004022148700000023
是负荷功率的波动最大值；Γtr是负荷功率波动的不确定预算；
S203、根据预测牵引变电所的负荷功率得到预测牵引变电所的负荷曲线，将预测牵引变电所的列车负荷曲线与风光出力曲线相减得到列车负荷与风光出力的偏差功率曲线；
S204、根据列车负荷与风光出力的偏差功率曲线进行混合储能充放电的功率分配。
4.根据权利要求1所述的牵引变电所混合储能容量配置方法，其特征在于，所述步骤S300中混合储能包括超级电容储能、蓄电池储能和飞轮储能。
5.根据权利要求4所述的牵引变电所混合储能容量配置方法，其特征在于，所述步骤S300中基于双层模糊控制优化混合储能充放电的功率分配的具体步骤为
S301、选择模糊隶属度函数，根据模糊隶属度函数构建输入输出模糊集，包括第一输入模糊量和第一输出模糊量，第二输入模糊量和第二输出模糊量；
S302、根据第一输入模糊量和第一输出模糊量构建第一层模糊控制规则，根据第二输入模糊量和第二输出模糊量构建第二层模糊控制规则；
S303、根据第一层模糊控制规则对大功率储能模块和蓄电池储能模块进行功率初次分配，确定蓄电池储能模块及大功率储能模块的输出功率，所述大功率储能模块包括超级电容储能模块和飞轮储能模块；
S304、根据第二层模糊控制规则对大功率储能模块分配到的功率进行二次分配，确定飞轮储能模块和超级电容储能模块的输出功率。
6.根据权利要求4所述的牵引变电所混合储能容量配置方法，其特征在于，所述步骤S400中目标函数为
Figure FDA0004022148700000031
其中，Ctotal是牵引变电所的混合储能系统日运行成本；Tplan是混合储能系统的全寿命周期；Cfly为飞轮的储能成本；Cbat为蓄电池的储能成本；Csc为超级电容的储能成本；Csy为混合储能配套设备成本；Cwh,total为混合储能的维护成本；Cbuy是牵引变电所的购电成本。
7.根据权利要求6所述的牵引变电所混合储能容量配置方法，其特征在于，所述目标函数的约束条件包括电功率平衡的约束、蓄电池储能模块、超级电容储能模块和飞轮储能模块的约束和储能模块充放电状态的约束；
电功率平衡的约束公式为：
Pbuy+Pf+Pc+Pb+Pnew＝Ptrain+Ploss
其中，Pbuy是从电网中取得的功率；Pnew是风、光出力功率；Ptrain是列车牵引用电；Ploss是系统损耗功率；
蓄电池储能模块、超级电容储能模块和飞轮储能模块的约束公示为：
Figure FDA0004022148700000032
其中，i＝1代表蓄电池储能模块，i＝2代表超级电容储能模块，i＝3代表飞轮储能模块；OCi(t)是t时刻内各储能元件的荷电状态；SOCi,min和SOCi,max分别为储能元件荷电状态的下限和上限；Xi t和Yi t分别表示对应储能模块的充放电状态；Pi t为t时刻对应储能模块的功率；
Figure FDA0004022148700000033
和
Figure FDA0004022148700000034
分别为对应储能模块的额定充放电功率；
储能模块充放电状态的约束公式为；
Figure FDA0004022148700000035
8.一种牵引变电所混合储能容量配置装置，其特征在于，包括：
预测单元，用于构建风力发电功率和光伏发电功率的不确定性模型，通过所述不确定性模型预测风光出力曲线；
第一计算单元，用于获取牵引变电所对应的列车运行数据，根据牵引变电所对应的列车运行数据预测日内牵引变电所的列车负荷曲线，根据预测牵引变电所的列车负荷曲线和风光出力曲线计算列车负荷与风光出力的偏差功率曲线，根据列车负荷与风光出力的偏差功率曲线进行混合储能充放电的功率分配；
优化单元，用于建混合储能充放电的优先级策略，基于双层模糊控制优化混合储能充放电的功率分配；
目标函数单元，用于构建牵引变电所协同运行总成本最低的目标函数；
第二计算单元，用于求解目标函数，获得储能配置的最佳容量与功率配比；
配置单元，用于按照储能配置的最佳容量与功率配比进行牵引变电所混合储能的容量配置。
9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的方法的步骤。
10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的方法的步骤。
CN202211694816.XA 2022-12-28 2022-12-28 牵引变电所混合储能容量配置方法、装置及相关介质 Pending CN115811074A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211694816.XA CN115811074A (zh) 2022-12-28 2022-12-28 牵引变电所混合储能容量配置方法、装置及相关介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211694816.XA CN115811074A (zh) 2022-12-28 2022-12-28 牵引变电所混合储能容量配置方法、装置及相关介质

Publications (1)

Publication Number Publication Date
CN115811074A true CN115811074A (zh) 2023-03-17

Family

ID=85487077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211694816.XA Pending CN115811074A (zh) 2022-12-28 2022-12-28 牵引变电所混合储能容量配置方法、装置及相关介质

Country Status (1)

Country Link
CN (1) CN115811074A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116365592A (zh) * 2023-06-01 2023-06-30 湖南大学 一种光储柔系统设计与运行协同优化方法、装置、介质
CN117039961A (zh) * 2023-10-09 2023-11-10 广州菲利斯太阳能科技有限公司 一种微电网混合储能系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116365592A (zh) * 2023-06-01 2023-06-30 湖南大学 一种光储柔系统设计与运行协同优化方法、装置、介质
CN116365592B (zh) * 2023-06-01 2023-08-15 湖南大学 一种光储柔系统设计与运行协同优化方法、装置、介质
CN117039961A (zh) * 2023-10-09 2023-11-10 广州菲利斯太阳能科技有限公司 一种微电网混合储能系统及方法
CN117039961B (zh) * 2023-10-09 2024-01-30 广州菲利斯太阳能科技有限公司 一种微电网混合储能系统及方法

Similar Documents

Publication Publication Date Title
CN104518563B (zh) 基于新能源应用的电动汽车充电系统的控制方法
CN115811074A (zh) 牵引变电所混合储能容量配置方法、装置及相关介质
CN109146201A (zh) 基于合作博弈的充换储一体化电站微电网优化调度方法
CN109256800A (zh) 一种区域充换储一体化电站微电网群协调优化调度方法
CN109948823B (zh) 一种光储充电塔自适应鲁棒日前优化调度方法
CN105226689A (zh) 考虑运行和维护的多类型储能系统能量管理方法和系统
CN113300395B (zh) 一种柔性牵引供电系统混合储能最优容量配置方法
CN110370951B (zh) 电车供电控制方法、系统及电车
CN107846043B (zh) 一种考虑电动汽车充电影响的微网能量管理方法
CN109849694B (zh) 一种基于在线凸规划的混合储能式有轨电车能量管理方法
CN111762057B (zh) 一种区域微网中v2g电动汽车智能充放电管理方法
CN110474321A (zh) 组合式清洁能源发电系统及其运行方法
CN110571855A (zh) 含储能设备和ev充电站的园区微电网联合功率响应控制方法
CN115473285A (zh) 基于合作博弈论的多类型储能系统最优容量配置方法
CN115102160A (zh) 一种薄弱电网条件下牵引供电系统日前能量优化调度方法
CN107846035B (zh) 一种考虑电动汽车充电特性的风光储并网型微网
CN110707736B (zh) 一种智能小区用户需求侧响应的微电网运行方法
Cui et al. Research on impact and utilization of electric vehicle integration into power grid
CN112583035A (zh) 一种区域电动汽车入网管理系统及充放电调度方法
CN116488220A (zh) 考虑光伏消纳的混合储能ev换电站两阶段协同优化方法
CN115622104A (zh) 一种有源配电网移动储能规划配置方法
CN115021329A (zh) 一种基于电动汽车聚合商的多功能电网调度系统
Hongli et al. Day-ahead optimal dispatch of regional power grid based on electric vehicle participation in peak shaving pricing strategy
CN114977182B (zh) 计及光伏接入的柔性牵引供电系统区间最优潮流优化方法
CN215944338U (zh) 光伏耦合风电驱动充电桩蓄电池智能共享系统

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