CN116667406A - 基于非线性规划的储能充放电策略优化方法 - Google Patents
基于非线性规划的储能充放电策略优化方法 Download PDFInfo
- Publication number
- CN116667406A CN116667406A CN202310548548.9A CN202310548548A CN116667406A CN 116667406 A CN116667406 A CN 116667406A CN 202310548548 A CN202310548548 A CN 202310548548A CN 116667406 A CN116667406 A CN 116667406A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power
- discharging
- charging
- day
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 220
- 238000007599 discharging Methods 0.000 title claims abstract description 83
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000005611 electricity Effects 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 230000008901 benefit Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 102000002423 Octamer Transcription Factor-6 Human genes 0.000 claims description 3
- 108010068113 Octamer Transcription Factor-6 Proteins 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 abstract 1
- 239000000203 mixture Substances 0.000 abstract 1
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
-
- 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
- H02J15/00—Systems for storing electric 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0068—Battery or charger load switching, e.g. concurrent charging and load 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/007—Regulation of charging or discharging current or voltage
-
- 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/02—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries for charging batteries from ac mains by converters
- H02J7/04—Regulation of charging current or voltage
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于非线性规划的储能充放电策略优化方法，包括：获取运行日当天96时点预测电价；设定储能运行特性参数；构建储能充放电优化模型，包括：以运行日当天储能收益最大为优化目标，考虑预测电价以及储能充放电阈值，构建储能目标函数；构建储能充放电功率上下限约束、储能容量上下限约束、储能充放电功率非线性约束以及储能收益约束；优化求解得到运行日当天96时点对应的最优放电功率以及最优充电功率，从而获取运行日当天储能充放电优化策略；本发明可实现充放电策略高效自动生成，避免依靠经验制定带来的主观性和不确定性，可提升储能电站的运行效率，降低成本，实现收益最大化。
Description
技术领域
本发明涉及储能技术领域，具体涉及一种基于非线性规划的储能充放电策略优化方法。
背景技术
储能技术是解决可再生能源波动性和电网负荷平衡的重要手段之一。目前，储能设备已经广泛应用于电力系统中，包括风电、光伏、水电等可再生能源发电系统、电网调峰、备用电源等领域。然而，储能设备的充放电策略对于电站的收益和电池寿命有着至关重要的影响。目前大多数的储能设备都是以固定的充放电策略运行，无法根据实际电价和用电情况进行调整，在电站参与电力现货交易的大环境下，固定的充放电策略已经无法满足电站赚取峰谷价差，实现收益最大化的需求。因此，优化现有的充放电策略成为当前亟待解决的问题。
另外，大多数电站都是依靠操作人员根据经验手工设定储能设备的充放电时间和功率，具有极大的主观性和不确定性。在大多数电站依靠不同方法实现日前和实时电价预测的基础上，传统经验方式制定的充放电策略无法有效利用预测的结果。依靠经验制定的充放电策略往往只考虑到电价和充放时间，对电池本身的容量、SOC等因素无法充分考虑，无法兼顾收益与电池寿命。
因此，如何利用先进的算法和技术，根据实时电价和用电情况，优化储能设备的充放电策略，实现收益最大化和电池寿命的平衡，成为当前研究的热点和难点。基于机器学习、深度学习、强化学习等算法的优化方法，以及基于电池模型、电网模型等技术的建模和仿真方法及技术的应用，将有助于提高储能设备的利用效率和经济性，促进可再生能源的大规模应用和电力系统的可持续发展。
发明内容
为克服现有技术的缺陷，本发明提出了一种基于非线性规划的储能充放电策略优化方法，该优化方法考虑储能电池自身特性参数，根据自主预测电价以及储能实际用电情况构建储能充放电功率上下限约束、储能容量上下限约束、储能充放电功率非线性约束以及储能收益约束，通过采用非线性规划，获取运行日当天储能充放电优化策略，实现充放电策略高效、自动生成，避免了依靠经验制定带来的主观性和不确定性，提升储能电站的运行效率，从而降低成本，实现收益最大化。
本发明的目的可以通过以下技术方案来实现：
基于非线性规划的储能充放电策略优化方法，包括以下几个步骤：
S1：在电力现货市场下，观测若干个日期的电力交易市场信息，通过自主预测方式获取运行日当天96时点的预测电价；
S2：设定储能运行特性参数，所述储能运行特性参数至少包括储能总容量、储能总可用功率、储能充电效率、储能放电效率以及储能充放电阈值；
根据储能设备的技术规格和实际运行情况，确定所述储能总容量和储能总可用功率；
通过实验或者模拟计算，确定所述储能充电效率和储能放电效率；
根据储能设备的技术规格和运行要求，确定所述储能充放电阈值；
S3：根据储能特性和运行要求，构建储能充放电优化模型，包括：
以运行日当天储能收益最大为优化目标，考虑所述预测电价以及储能充放电阈值，构建储能目标函数；
确定储能约束条件，包括构建储能充放电功率上下限约束、储能容量上下限约束、储能充放电功率非线性约束以及储能收益约束；
S4：在满足所述储能约束条件的情况下，以运行日当天96时点的放电功率以及运行日当天96时点的充电功率为优化变量，求解所述储能目标函数的优化解，得到运行日当天96时点对应的最优放电功率以及最优充电功率，从而获取运行日当天储能充放电优化策略。
进一步的，所述自主预测方式包括利用BP神经网络、模式识别以及XGboost，通过基于电力市场的公开信息、耦合信息以及经验参考信息，进行日前电价预测。
进一步的，所述储能充放电阈值ESthreshold用于衡量成本与电池生命周期的关系，其计算如式(1)所示：
式(1)中，Cinve表示储能单位千瓦时的投资成本，至少包括考虑电池、控制器、逆变器、电缆等设备的成本，nblife表示电池全寿命循环次数，其中ESthreshold>0。
其中，储能单位千瓦时的投资成本除考虑电池、控制器、逆变器、电缆等设备的成本外，还包括安装、维护、管理等方面的成本，因此，在计算储能充放电阈值时，将其纳入到投资成本中进行计算。
另外，在计算电池全寿命循环次数时，需要考虑电池的使用环境、充放电策略等因素对电池寿命的影响，因此，在实际应用中，需要根据具体情况对电池寿命进行评估，并将评估结果纳入到计算中，以更准确地计算储能充放电阈值。
进一步的，所述储能目标函数如式(2)所示：
式(2)中，Epricet表示运行日当天第t时点的预测电价，dpowert表示运行日当天第t时点的放电功率，cpowert表示运行日当天第t时点的充电功率。
进一步的，所述储能充放电功率上下限约束包括如式(3)所示储能放电约束以及式(4)所示储能充电约束：
0≤dpowert≤Totalpower (3)
-Totalpower≤cpowert≤0 (4)
式(3)～(4)中，Totalpower表示储能总可用功率；储能可用功率为电池能承受的最大充放电功率，超出这一功率充放电会严重影响电池寿命甚至可能造成电池起火爆炸等危险情况。
进一步的，所述储能容量EScap上下限约束如式(5)所示：
0≤EScap≤Totalcap (5)
式(5)中，Totalcap表示储能总容量，储能总容量为整个储能系统电池的容量总和，该值会随着电站投入使用的时间增加而减少；
所述储能容量EScap的计算步骤包括根据电力市场电价时点信息选取储能放电容量系数以及储能充电容量系数，其计算方法如式(6)所示：
式(6)中，discheta表示储能放电效率，discheff表示储能放电容量系数，recheta表示储能充电效率，recheff表示储能充电容量系数；其中，储能充电效率和储能放电效率与储能电池的品牌有关，因电池品牌的不同会有所差异。
进一步的，所述储能充放电功率非线性约束如式(7)所示：
dpowert×cpowert＝0 (7)
进一步的，所述储能收益约束如式(8)所示：
FUNESOBJ≥0 (8)
进一步的，所述非线性规划的储能充放电策略优化算法采用Python编程语言实现，通过调用Python优化工具箱以及SCIP求解器，对所述储能目标函数进行优化求解，得到运行日当天96时点各时点对应的最优放电功率以及最优充电功率，从而获取运行日当天储能充放电优化策略。
与现有技术相比，本发明具有以下技术效果：
(1)本发明考虑将储能电池在同一时刻的储能状态分成两部分：储能充电功率及储能放电功率，并在约束条件中添加了同一时刻充电功率与放电功率的积等于0，通过这种方式构建储能充放电功率非线性约束约束条件，满足实现非线性规划的原则，且符合储能实际充放电情况；
(2)根据预测电价和实际用电情况构建储能充放电功率上下限约束，通过若干次实验选取储能充放电容量系数，构建储能容量上下限约束，实现充放电策略高效、自动生成，无需人工干预；本发明构造的约束条件充分考虑到了电池自身的内在因素，如容量、最大充放功率等，能够有效延长电池寿命；另外，避免了依靠经验制定带来的主观性和不确定性，提升储能电站的运行效率，从而降低成本，实现收益最大化。
附图说明
图1为本发明结构框图；
图2为最优充放电策略曲线以及储能电池SOC变化趋势图；
图3为日前电价预测曲线图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
基于非线性规划的储能充放电策略优化方法，如图1所示，具体包括：
S1：在电力现货市场下，观测若干个日期的电力交易市场信息，通过自主预测方式获取运行日当天96时点的预测电价，本发明中电力交易市场信息的总天数优选为45天；
所述自主预测方式包括利用BP神经网络、模式识别以及XGboost，通过基于电力市场的公开信息、耦合信息以及经验参考信息，进行日前电价预测；
其中，电力市场的公开信息可通过电力交易市场信息直接获取，至少包括：直调负荷、地方电厂发电负荷、风电负荷、光伏负荷、核电负荷、自备机组负荷、常规机组负荷、华北来电、银东来电、鲁固来电、昭沂来电、机组检修容量、必开机组、必停机组、正备用、负备用、非市场机组出力、全网发电预测以及新能源参加市场容量；
耦合信息至少包括竞价机组空间，风电灵活性，光伏灵活性，灵活性爬坡，竞价容量比例，新能源出力占比，新能源竞价空间占比，最大开机容量占比，机组切换，风电最大出力占比，风电降坡差占比，风电最小出力占比以及风电爬坡差占比；
经验参考信息至少包括最大开机比，参考价格比率，时点开机容量，时点参考价格比率，负电价状态。
S2：设定储能运行特性参数，所述储能运行特性参数至少包括储能总容量、储能总可用功率、储能充电效率、储能放电效率以及储能充放电阈值；
根据储能设备的技术规格和实际运行情况，确定所述储能总容量和储能总可用功率；
通过实验或者模拟计算，确定所述储能充电效率和储能放电效率；
根据储能设备的技术规格和运行要求，确定所述储能充放电阈值；
所述储能充放电阈值ESthreshold用于衡量成本与电池生命周期的关系，其计算如式(1)所示：
式(1)中，Cinve表示储能单位千瓦时的投资成本，至少包括考虑电池、控制器、逆变器、电缆等设备的成本，nblife表示电池全寿命循环次数，其中ESthreshold>0。
其中，储能单位千瓦时的投资成本除考虑电池、控制器、逆变器、电缆等设备的成本外，还包括安装、维护、管理等方面的成本，因此，在计算储能充放电阈值时，将其纳入到投资成本中进行计算。
另外，在计算电池全寿命循环次数时，需要考虑电池的使用环境、充放电策略等因素对电池寿命的影响，因此，在实际应用中，需要根据具体情况对电池寿命进行评估，并将评估结果纳入到计算中，以更准确地计算储能充放电阈值。
S3：根据储能特性和运行要求，构建储能充放电优化模型，包括：
以运行日当天储能收益最大为优化目标，考虑所述预测电价以及储能充放电阈值，构建储能目标函数；
确定储能约束条件，包括构建储能充放电功率上下限约束、储能容量上下限约束、储能充放电功率非线性约束以及储能收益约束；
所述储能目标函数如式(2)所示：
式(2)中，Epricet表示运行日当天第t时点的预测电价，dpowert表示运行日当天第t时点的放电功率，cpowert表示运行日当天第t时点的充电功率。
所述储能充放电功率上下限约束包括如式(3)所示储能放电约束以及式(4)所示储能充电约束：
0≤dpowert≤Totalpower (3)
-Totalpower≤cpowert≤0 (4)
式(3)～(4)中，Totalpower表示储能总可用功率；储能可用功率为电池能承受的最大充放电功率，超出这一功率充放电会严重影响电池寿命甚至可能造成电池起火爆炸等危险情况。
所述储能容量EScap上下限约束如式(5)所示：
0≤EScap≤Totalcap (5)
式(5)中，Totalcap表示储能总容量，储能总容量为整个储能系统电池的容量总和，该值会随着电站投入使用的时间增加而减少；
所述储能容量EScap的计算步骤包括根据电力市场电价时点信息选取储能放电容量系数以及储能充电容量系数，其计算方法如式(6)所示：
式(6)中，discheta表示储能放电效率，discheff表示储能放电容量系数，recheta表示储能充电效率，recheff表示储能充电容量系数；其中，储能充电效率和储能放电效率与储能电池的品牌有关，因电池品牌的不同会有所差异；储能放电容量系数discheff以及储能充电容量系数recheff均优选取值为0.25。
正常情况下，储能电池在同一时点只能有充电或放电一种状态，在同一时点只有一个功率，因此利用非线性规划构造约束条件较为困难，本发明将同一时点的储能电池状态分成两部分，即假设储能电池在同一时点拥有充电和放电两种功率，为了符合真实情况，添加了一个非线性约束条件：运行日当天任一时点的放电功率与充电功率的积等于0，即在任一时点有充电功率时，放电功率为0，反之亦然；
所述储能充放电功率非线性约束如式(7)所示：
dpowert×cpowert＝0 (7)
运用该构造方式，既符合实际储能充放电情况，又能满足进行非线性规划的原则，即至少包括一个非线性约束条件。
所述储能收益约束如式(8)所示：
FUNESOBJ≥0 (8)
S4：在满足所述储能约束条件的情况下，以运行日当天96时点的放电功率以及运行日当天96时点的充电功率为优化变量，求解所述储能目标函数的优化解，得到运行日当天96时点对应的最优放电功率以及最优充电功率，从而获取运行日当天储能充放电优化策略。
所述非线性规划的储能充放电策略优化算法采用Python编程语言实现，通过调用Python优化工具箱以及SCIP求解器，对所述储能目标函数进行优化求解，得到运行日当天96时点各时点对应的最优放电功率以及最优充电功率，从而获取运行日当天储能充放电优化策略。
根据优化获取的运行日当天96时点各时点对应的最优放电功率以及最优充电功率，可得到预测运行日当日96个时刻的充放电功率曲线即最优充放电策略曲线和SOC变化趋势图，其中SOC表示储能电池的荷电状态，用来衡量储能电池剩余的百分比，计算过程如式(9)所示：
式(9)中，SOCt表示储能电池在t时刻的SOC值，SOC0表示储能电池的初始SOC值，一般为0，SOC可以直观的反应电池的充放电状态，SOC＝0表示储能电池放电完全，SOC＝1表示储能电池完全充满。
如图2所示为预测运行日采用本发明所提出的储能充放电策略优化算法所得出的最优充放电策略曲线以及储能电池SOC变化趋势图，图3为对应时刻的日前电价预测曲线图。
由图2可以看出，采用本发明所提出的储能充放电策略优化算法获得的优化策略下，两次充电均不是选择在价格最低点时开始充电，而是选择在充电过程中逐步靠近最低点，形成平滑的价格曲线和SOC曲线，使得充电成本最小化，同时，在放电时，选择多个时间段进行放电，既考虑到电价波动的实际情况，将电价峰值时的放电时长最大化，又兼顾了电池寿命，多段放电避免了满充满放对电池寿命的影响，做到了收益最大化和延长电池寿命的合理统一。
在图3所示的日前电价预测曲线下，如利用传统人工经验法设定充放电功率，假设总容量为200MWh，最大可用功率为100MW，在“低充高放”的指导下，会先找到当日预测电价的最低点和最高点分别为9:15时的56元/MWh以及11:45的437.94元/MWh，在找到价格的最高最低点后，就会在最低点进行满功率充电，由于总容量和最大可用功率的限制，经过2小时电池充满，即在11:15时充满，随后在11:45时进行满功率放电，经过2小时电池放电完毕，当天充放电操作结束。以上即为人工经验法制定的充放电策略，可以看到，只利用了预测电价的最高最低点，对电价的变化趋势无法进行有效反馈，同时，由于容量和功率的限制，实际充放电无法在最低点和最高点时满充和满放，在充放电过程中，电价也已发生变化，因此该策略灵活性较差。在不考虑实际充放电过程中的损耗成本和效率的前提下，人工经验法制定的策略收益为80745.25元；但使用本发明所提出的优化策略后的收益为94536.95元，该收益计算方式如式(10)：
式(10)中，dpowert opt表示得到的运行日第t时点的最优放电功率，cpowert opt表示得到的运行日第t时点的最优充电功率。
对图2和图3进行对比可以看出，采用本发明所提出的储能充放电策略优化算法后，储能电池经过充电过程后才能进行放电，这既保证了在低谷电价时充电，在高峰电价时放电，又保证了充放时间为最优，因此能最大程度赚取峰谷价差，实现收益最大化；另外，可以看出SOC曲线变化平滑且稳定，能够有效延长电池使用寿命，减少因长时间连续最高功率充电造成的电池损耗，从而可降低电站的成本。
Claims (9)
1.基于非线性规划的储能充放电策略优化方法，其特征在于，所述储能充放电策略优化算法包括以下几个步骤：
S1：在电力现货市场下，获取运行日当天96时点的预测电价；
S2：设定储能运行特性参数，所述储能运行特性参数至少包括储能总容量、储能总可用功率、储能充电效率、储能放电效率以及储能充放电阈值；
S3：根据储能特性和运行要求，构建储能充放电优化模型，包括：
以运行日当天储能收益最大为优化目标，考虑所述预测电价以及储能充放电阈值，构建储能目标函数；
确定储能约束条件，包括构建储能充放电功率上下限约束、储能容量上下限约束、储能充放电功率非线性约束以及储能收益约束；
S4：在满足所述储能约束条件的情况下，以运行日当天96时点的放电功率以及运行日当天96时点的充电功率为优化变量，求解所述储能目标函数的优化解，得到运行日当天96时点对应的最优放电功率以及最优充电功率，从而获取运行日当天储能充放电优化策略。
2.根据权利要求1所述基于非线性规划的储能充放电策略优化方法，其特征在于，通过自主预测方式获取所述运行日当天96时点的预测电价，所述自主预测方式包括利用BP神经网络、模式识别和XGboost，通过基于电力市场的公开信息、耦合信息以及经验参考信息，进行日前电价预测。
3.根据权利要求2所述基于非线性规划的储能充放电策略优化方法，其特征在于，所述储能充放电阈值ESthreshold用于衡量成本与电池生命周期的关系，其计算如式(1)所示：
式(1)中，Cinve表示储能单位千瓦时的投资成本，包括考虑电池、控制器、逆变器、电缆等设备的成本，nblife表示电池全寿命循环次数，其中ESthreshold>0。
4.根据权利要求3所述基于非线性规划的储能充放电策略优化方法，其特征在于，所述储能目标函数如式(2)所示：
式(2)中，Epricet表示运行日当天第t时点的预测电价，dpowert表示运行日当天第t时点的放电功率，cpowert表示运行日当天第t时点的充电功率。
5.根据权利要求4所述基于非线性规划的储能充放电策略优化方法，其特征在于，所述储能充放电功率上下限约束包括如式(3)所示储能放电约束以及式(4)所示储能充电约束：
0≤dpowert≤Totalpower (3)
-Totalpower≤cpowert≤0 (4)
式(3)～(4)中，Totalpower表示储能总可用功率。
6.根据权利要求5所述基于非线性规划的储能充放电策略优化方法，其特征在于，所述储能容量EScap上下限约束如式(5)所示：
0≤EScap≤Totalcap (5)
式(5)中，Totalcap表示储能总容量，所述储能容量EScap的计算步骤包括根据电力市场电价时点信息选取储能放电容量系数以及储能充电容量系数，其计算方法如式(6)所示：
式(6)中，discheta表示储能放电效率，discheff表示储能放电容量系数，recheta表示储能充电效率，recheff表示储能充电容量系数。
7.根据权利要求6所述基于非线性规划的储能充放电策略优化方法，其特征在于，所述储能充放电功率非线性约束如式(7)所示：
dpowert×cpowert＝0 (7)。
8.根据权利要求7所述基于非线性规划的储能充放电策略优化方法，其特征在于，所述储能收益约束如式(8)所示：
FUNESOBJ≥0 (8)。
9.根据权利要求8所述基于非线性规划的储能充放电策略优化方法，其特征在于，所述非线性规划的储能充放电策略优化算法采用Python编程语言实现，通过调用Python优化工具箱以及SCIP求解器，对所述储能目标函数进行优化求解，得到运行日当天96时点各时点对应的最优放电功率以及最优充电功率，从而获取运行日当天储能充放电优化策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310548548.9A CN116667406A (zh) | 2023-05-16 | 2023-05-16 | 基于非线性规划的储能充放电策略优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310548548.9A CN116667406A (zh) | 2023-05-16 | 2023-05-16 | 基于非线性规划的储能充放电策略优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116667406A true CN116667406A (zh) | 2023-08-29 |
Family
ID=87718238
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310548548.9A Pending CN116667406A (zh) | 2023-05-16 | 2023-05-16 | 基于非线性规划的储能充放电策略优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116667406A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117728472A (zh) * | 2023-12-29 | 2024-03-19 | 日新鸿晟智慧能源(上海)有限公司 | 一种用户侧储能做功天数精算方法及精算模型 |
-
2023
- 2023-05-16 CN CN202310548548.9A patent/CN116667406A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117728472A (zh) * | 2023-12-29 | 2024-03-19 | 日新鸿晟智慧能源(上海)有限公司 | 一种用户侧储能做功天数精算方法及精算模型 |
| CN117728472B (zh) * | 2023-12-29 | 2024-05-28 | 日新鸿晟智慧能源(上海)有限公司 | 一种用户侧储能做功天数精算方法及精算模型 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110544935B (zh) | 一种电-氢多能互补直流微电网协调调度方法 | |
| CN107565607B (zh) | 一种基于实时电价机制的微电网多时间尺度能量调度方法 | |
| CN109217290B (zh) | 计及电动汽车充放电的微网能量优化管理方法 | |
| CN111293691A (zh) | 基于模型预测控制的微电网多时间尺度优化调度方法 | |
| CN111525627B (zh) | 含抽蓄与新能源发电的柔性直流输电系统日前调度方法 | |
| CN109948823B (zh) | 一种光储充电塔自适应鲁棒日前优化调度方法 | |
| CN113988444A (zh) | 一种光储系统的电费优化控制系统及方法 | |
| CN111049198A (zh) | 考虑储能寿命和调频性能的风储联合运行优化方法及系统 | |
| CN112736952A (zh) | 考虑日历寿命的海上风电配置储能系统容量优化方法 | |
| CN114123280B (zh) | 一种考虑系统效率的电池储能电站能量管理方法 | |
| CN114884108B (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 | |
| CN112366684A (zh) | 一种海岛微电网系统 | |
| CN116667406A (zh) | 基于非线性规划的储能充放电策略优化方法 | |
| CN115115130A (zh) | 一种基于模拟退火算法的风光储制氢系统日前调度方法 | |
| Ahmed et al. | Grid Integration of PV Based Electric Vehicle Charging Stations: A Brief Review | |
| 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 | |
| Han et al. | Energy storage frequency response control considering battery aging of electric vehicle | |
| Zhu et al. | Research on capacity optimization of PV-wind-diesel-battery hybrid generation system | |
| CN109245143B (zh) | 一种考虑锂离子电池寿命的储能调峰电站优化运行方法 | |
| CN114498769B (zh) | 一种高比例风光孤岛微电网群能量调度方法及系统 | |
| CN114611957B (zh) | 一种用于供需预测偏差二次修正储能能量管理方法 | |
| CN116073376A (zh) | 一种电-氢-热耦合系统多时间尺度调度控制方法及系统 | |
| 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 | |
| CN115940284A (zh) | 一种考虑分时电价的新能源制氢系统的运行控制策略 | |
| CN114418453A (zh) | 一种基于电力市场的微电网多时间尺度能量管理系统 |
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 |