CN117057634B - 储能电站参与电力现货市场的低碳运行优化方法及系统 - Google Patents
储能电站参与电力现货市场的低碳运行优化方法及系统 Download PDFInfo
- Publication number
- CN117057634B CN117057634B CN202311326739.7A CN202311326739A CN117057634B CN 117057634 B CN117057634 B CN 117057634B CN 202311326739 A CN202311326739 A CN 202311326739A CN 117057634 B CN117057634 B CN 117057634B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power station
- storage power
- price
- scheduling 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.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 255
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 230000005611 electricity Effects 0.000 claims abstract description 122
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 96
- 230000006870 function Effects 0.000 claims description 35
- 239000002245 particle Substances 0.000 claims description 30
- 238000007599 discharging Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 19
- 210000000349 chromosome Anatomy 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012843 least square support vector machine Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 108010014172 Factor V Proteins 0.000 claims 2
- 238000005259 measurement Methods 0.000 claims 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 230000035772 mutation Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种储能电站参与电力现货市场的低碳运行优化方法及系统,该方法先将储能电站的储能参数数据、运行日电价和碳价预测数据输入充放电策略预测模型,求解得到储能电站运行日的原始充放电策略,并基于原始充放电策略计算得到运行日的预估运营价格,然后计算当前调度时段储能电站的实时运营价格与预估运营价格的偏差值,若偏差值大于阈值,则更换充放电策略预测模型的目标函数以形成新的充放电策略预测模型,将当前调度时段储能电站的储能参数数据、电价和碳价预测数据输入新的充放电策略预测模型,求解得到之后各调度时段储能电站的充放电策略,实现储能电站充放电策略的优化更新。本发明在保证储能电站低碳运行的同时实现了经济性最优化。
Description
技术领域
本发明属于电力系统调度领域,具体涉及一种储能电站参与电力现货市场的低碳运行优化方法及系统。
背景技术
随着新能源装机容量的大幅增长,新能源消纳压力巨大,储能参与现货市场将有利于新能源消纳和提升电力供应保障能力。由于新能源的随机性和波动性,储能电站在不同时空下充放电所蕴含的碳排放量将有较大区别,再加上碳交易市场的波动性,储能电站应将低碳视为交易策略制定的重要因素。
现有储能电站参与电力现货市场的运行优化策略多聚焦于优化储能电站的节点电价预测或优化独立储能在电力现货市场中的运行日发电计划,这些策略导致储能电站难以在实现低碳运行目标下的经济性最优化。
发明内容
本发明的目的是针对现有技术存在的上述问题,提供一种储能电站参与电力现货市场的低碳运行优化方法及系统。
为实现以上目的,本发明的技术方案如下:
第一方面,本发明提出一种储能电站参与电力现货市场的低碳运行优化方法,包括:
S1、将储能电站的储能参数数据、运行日电价预测数据、运行日碳价预测数据输入充放电策略预测模型,求解得到储能电站运行日的原始充放电策略,并基于储能电站运行日的原始充放电策略计算得到储能电站运行日的预估运营价格,其中,所述充放电策略预测模型的目标函数为:
;
上式中,为储能电站在运行日的收益,/>为储能电站在第t个调度时段的充放电量,/>为运行日内的调度时段数量,/>、/>分别为第t个调度时段的电价预测值、碳价预测值,/>为储能电站所在节点的平均电力碳排放因子,/>为储能电站在第t个调度时段的充放电损耗成本;
S2、计算运行日当前调度时段储能电站的实时运营价格与预估运营价格之间的偏差值,若偏差值大于阈值,则进入S3进行储能电站充放电策略的优化更新,否则储能电站执行原始充放电策略;
S3、更换充放电策略预测模型的目标函数以形成新的充放电策略预测模型,将当前调度时段储能电站的储能参数数据、电价预测数据、碳价预测数据输入新的充放电策略预测模型,求解得到当前调度时段之后的各调度时段储能电站的充放电策略,其中,更换后的目标函数为:
;
上式中,为当前调度时段的编号,/>为上一调度时段储能电站的收益;
S4、基于S3得到的充放电策略确定当前调度时段之后的各调度时段储能电站的预估运营价格,并在下一调度时段返回S2进行下一次循环。
所述、/>根据以下公式计算得到:
;
;
上式中,为储能电站在第t个调度时段的充放电功率,/>为第t个调度时段的时长,/>为充放电效率,/>为储能电站的度电成本。
所述充放电策略预测模型的约束条件包括:
储能电站充放电功率约束:
;
上式中,、/>分别为储能设备的最大放、充电功率;
储能电站荷电状态约束:
;
上式中,为储能电站在第t个调度时段的容量,/>、/>分别为储能电站最小、最大容量。
所述S1中,储能电站的预估运营价格根据以下公式计算得到:
;
上式中,为储能电站在第t个调度时段的预估运营价格,/>、/>分别为储能电站在第t个调度时段的预估可出售、购买电量;
所述S2中,储能电站的实时运营价格根据以下公式计算得到:
;
;
上式中,为储能电站在第t个调度时段的实时运营价格,/>、/>分别为储能电站在第t个调度时段的实时可出售、购买电量,/>为电力现货市场在第t个调度时段的实时电价,/>为储能电站所在节点的实时电力碳排放因子,/>为碳交易市场第t个调度时段的实时碳价,/>为第t个调度时段流入储能电站所处节点的等效碳排放总量,/>为第t个调度时段流出储能电站所处节点的总电量。
所述S2中,储能电站的实时运营价格与预估运营价格之间的偏差值根据以下公式计算得到:
;
上式中,为第t个调度时段储能电站的实时运营价格与预估运营价格之间的偏差值,/>、/>分别为储能电站在第t个调度时段的实时运营价格、预估运营价格。
所述运行日电价预测数据的获取方法包括:
A、将统调负荷历史值、运行日统调负荷预测值和节点电价历史值输入到如下模型中,得到运行日的电价预测值:
;
上式中,为人工神经网络的多元非线性映射关系函数,/>为第t天的节点电价历史值,/>为第t天的统调负荷历史值,/>、/>分别为第t+1天即运行日的电价预测值和统调负荷预测值,/>为随机电价分量;
B、随机产生一个由不同权重和阈值的染色体组成的种群,基于得到的运行日电价预测值,将电价预测值与节点电价历史值间的误差作为适应度值,根据适应度值对染色体进行选择、交叉、变异操作,形成新的染色体种群,再重新计算适应度值,不断迭代至权重和阈值最佳,将得到的最优电价预测值作为运行日电价预测数据,其中,所述适应度值的计算公式如下:
;
上式中,、/>分别为第k组电价预测值和节点电价历史值,/>为训练样本个数;
所述运行日碳价预测数据的获取方法包括:
a、基于经验模态分解将各碳价分解为若干本征模函数IMF和一个残差,约束条件如下:
;
上式中,、/>分别为碳价的模态分量集合、中心频率集合,/>为分解的IMF数量,/>为脉冲函数,/>为虚数单位,/>为碳价历史值;
b、采用最小二乘支持向量机模型分别对IMF和残差进行预测,通过随机初始化每个粒子的位置和速度,不断迭代和更新粒子在运动过程中的运动参数,当得到两次迭代之间适应值的差值最小时停止迭代,并将该最优解作为最小二乘支持向量机模型的最优参数,其中,粒子的位置和速度更新如下:
;
上式中,、/>分别为粒子i在第 k 次迭代中第d 维的速度向量、位置向量,/>为惯性权重,/>、/>分别为个体学习因子、群体学习因子,/>、/>为区间 [0,1]内的随机数,、/>分别为粒子i和群体在第 k 次迭代中第d 维的速度向量;
c、将IMF和残差的预测值合成得到运行日碳价预测值:
;
上式中,、/>分别为第k个模态分量的预测值和残差预测值。
第二方面,本发明提出储能电站参与电力现货市场的低碳运行优化系统,包括运行日充放电策略生成和更新模块、运营价格及偏差值计算模块;
所述运行日充放电策略生成和更新模块用于接收储能电站的储能参数数据、运行日电价预测数据、运行日碳价预测数据,调用充放电策略预测模型一生成储能电站运行日的原始充放电策略;接收运行日当前调度时段储能电站的储能参数数据、电价预测数据、碳价预测数据,调用充放电策略预测模型二生成当前调度时段之后的各调度时段储能电站的充放电策略,其中,所述充放电策略预测模型一的目标函数为:
;
上式中,为储能电站在运行日的收益,/>为储能电站在第t个调度时段的充放电量,/>为运行日内的调度时段数量,/>、/>分别为第t个调度时段的电价预测值、碳价预测值,/>为储能电站所在节点的平均电力碳排放因子,/>为储能电站在第t个调度时段的充放电损耗成本;
所述充放电策略预测模型二的目标函数为:
;
上式中,为当前调度时段的编号,/>为上一调度时段储能电站的收益;
所述运营价格及偏差值计算模块用于基于储能电站运行日的原始充放电策略计算储能电站运行日的预估运营价格;基于当前调度时段之后的各调度时段的充放电策略计算对应的预估运营价格;计算当前调度时段储能电站的实时运营价格与预估运营价格之间的偏差值,并在偏差值大于阈值时控制运行日充放电策略生成模块调用充放电策略预测模型二生成新的充放电策略。
所述充放电策略预测模型一、二的目标函数中,、/>根据以下公式计算得到:
;
;
上式中,为储能电站在第t个调度时段的充放电功率,/>为第t个调度时段的时长,/>为充放电效率,/>为储能电站的度电成本;
所述充放电策略预测模型一、二的约束条件包括:
储能电站充放电功率约束:
;
上式中,、/>分别为储能设备的最大放、充电功率;
储能电站荷电状态约束:
;
上式中,为储能电站在第t个调度时段的容量,/>、/>分别为储能电站最小、最大容量。
所述运营价格及偏差值计算模块根据以下公式计算储能电站的预估运营价格:
;
上式中,为储能电站在第t个调度时段的预估运营价格,/>、/>分别为储能电站在第t个调度时段的预估可出售、购买电量;
根据以下公式计算储能电站的实时运营价格:
;
;
上式中,为储能电站在第t个调度时段的实时运营价格,/>、/>分别为储能电站在第t个调度时段的实时可出售、购买电量,/>为电力现货市场在第t个调度时段的实时电价,/>为储能电站所在节点的实时电力碳排放因子,/>为碳交易市场第t个调度时段的实时碳价,/>为第t个调度时段流入储能电站所处节点的等效碳排放总量,/>为第t个调度时段流出储能电站所处节点的总电量。
根据以下公式储能电站的实时运营价格与预估运营价格之间的偏差值:
;
上式中,为第t个调度时段储能电站的实时运营价格与预估运营价格之间的偏差值,/>、/>分别为储能电站在第t个调度时段的实时运营价格、预估运营价格。
所述系统还包括电价预测模块、碳价预测模块;
所述电价预测模块基于以下方法得到运行日电价预测数据:
A、将统调负荷历史值、运行日统调负荷预测值和节点电价历史值输入到如下模型中,得到运行日的电价预测值:
;
上式中,为人工神经网络的多元非线性映射关系函数,/>为第t天的节点电价历史值,/>为第t天的统调负荷历史值,/>、/>分别为第t+1天即运行日的电价预测值和统调负荷预测值,/>为随机电价分量;
B、随机产生一个由不同权重和阈值的染色体组成的种群,基于得到的运行日电价预测值,将电价预测值与节点电价历史值间的误差作为适应度值,根据适应度值对染色体进行选择、交叉、变异操作,形成新的染色体种群,再重新计算适应度值,不断迭代至权重和阈值最佳,将得到的最优电价预测值作为运行日电价预测数据,其中,所述适应度值的计算公式如下:
;
上式中,、/>分别为第k组电价预测值和节点电价历史值,/>为训练样本个数;
所述碳价预测模块基于以下方法得到运行日碳价预测数据:
a、基于经验模态分解将各碳价分解为若干本征模函数IMF和一个残差,约束条件如下:
;
上式中,、/>分别为碳价的模态分量集合、中心频率集合,/>为分解的IMF数量,/>为脉冲函数,/>为虚数单位,/>为碳价历史值;
b、采用最小二乘支持向量机模型分别对IMF和残差进行预测,通过随机初始化每个粒子的位置和速度,不断迭代和更新粒子在运动过程中的运动参数,当得到两次迭代之间适应值的差值最小时停止迭代,并将该最优解作为最小二乘支持向量机模型的最优参数,其中,粒子的位置和速度更新如下:
;
上式中,、/>分别为粒子i在第 k 次迭代中第d 维的速度向量、位置向量,/>为惯性权重,/>、/>分别为个体学习因子、群体学习因子,/>、/>为区间 [0,1]内的随机数,、/>分别为粒子i和群体在第 k 次迭代中第d 维的速度向量;
c、将IMF和残差的预测值合成得到运行日碳价预测值:
;
上式中,、/>分别为第k个模态分量的预测值和残差预测值。
与现有技术相比,本发明的有益效果为:
1、本发明提出的一种储能电站参与电力现货市场的低碳运行优化方法先将储能电站的储能参数数据、运行日电价预测数据、运行日碳价预测数据输入充放电策略预测模型,求解得到储能电站运行日的原始充放电策略,并基于储能电站运行日的原始充放电策略计算得到储能电站运行日的预估运营价格,然后计算运行日当前调度时段储能电站的实时运营价格与预估运营价格之间的偏差值,若偏差值大于阈值,则更换充放电策略预测模型的目标函数以形成新的充放电策略预测模型,将当前调度时段储能电站的储能参数数据、电价预测数据、碳价预测数据输入新的充放电策略预测模型,求解得到当前调度时段之后的各调度时段储能电站的充放电策略,实现储能电站充放电策略的优化更新,该方法将储能所隐含的跨时空碳排放转移纳入低碳运行策略的考量中,且充分考虑电力现货市场和碳交易市场,基于交易预估偏差实时调整储能电站的充放电策略,从而在保证储能电站低碳运行的同时实现经济性最优。
2、本发明提出的一种储能电站参与电力现货市场的低碳运行优化方法采用神经网络结合遗传算法进行运行日电价预测,基于经验模态分解和进化最小二乘支持向量回归进行运行日碳价预测,为后期的低碳运行优化提供了精准的预测数据。
附图说明
图1为实施例1所述方法的流程图。
图2为实施例4所述系统的框架图。
具体实施方式
下面结合具体实施方式以及附图对本发明作进一步详细的说明。
实施例1:
如图1所示,一种储能电站参与电力现货市场的低碳运行优化方法,依次按照以下步骤进行:
1、获取运行日电价预测数据、运行日碳价预测数据。
2、将储能电站的储能参数数据、运行日电价预测数据、运行日碳价预测数据输入充放电策略预测模型,求解得到储能电站运行日的原始充放电策略,其中,所述充放电策略预测模型的目标函数为:
;
;
;
上式中,为储能电站在运行日的收益,/>为储能电站在第t个调度时段的充放电量,/>为运行日内的调度时段数量,/>、/>分别为第t个调度时段的电价预测值、碳价预测值,/>为储能电站所在节点的平均电力碳排放因子,本实施例取0.5703tCO2/MWh,/>为储能电站在第t个调度时段的充放电损耗成本,/>为储能电站在第t个调度时段的充放电功率,/>为第t个调度时段的时长,/>为充放电效率,/>为储能电站的度电成本。
充放电策略预测模型的约束条件包括:
储能电站充放电功率约束:
;
上式中,、/>分别为储能设备的最大放、充电功率;
储能电站荷电状态约束:
;
上式中,为储能电站在第t个调度时段的容量,/>、/>分别为储能电站最小、最大容量。
3、基于下式计算储能电站运行日的预估运营价格:
;
上式中,为储能电站在第t个调度时段的预估运营价格,/>、/>分别为储能电站在第t个调度时段的预估可出售、购买电量,/>、/>、/>、/>均由原始充放电策略得到。
4、基于下式计算储能电站的实时运营价格:
;
;
上式中,为储能电站在第t个调度时段的实时运营价格,/>、/>分别为储能电站在第t个调度时段的实时可出售、购买电量,/>为电力现货市场在第t个调度时段的实时电价,/>为储能电站所在节点的实时电力碳排放因子,/>为碳交易市场第t个调度时段的实时碳价,/>为第t个调度时段流入储能电站所处节点的等效碳排放总量,/>为第t个调度时段流出储能电站所处节点的总电量。
5、计算运行日当前调度时段储能电站的实时运营价格与预估运营价格之间的偏差值,若偏差值大于阈值,则进入步骤6进行储能电站充放电策略的优化更新,否则储能电站执行原始充放电策略,其中,所述储能电站的实时运营价格与预估运营价格之间的偏差值根据以下公式计算得到:
;
上式中,为第t个调度时段储能电站的实时运营价格与预估运营价格之间的偏差值,/>、/>分别为储能电站在第t个调度时段的实时运营价格、预估运营价格。
6、更换充放电策略预测模型的目标函数以形成新的充放电策略预测模型,将当前调度时段储能电站的储能参数数据、电价预测数据、碳价预测数据输入新的充放电策略预测模型,求解得到当前调度时段之后的各调度时段储能电站的充放电策略,其中,更换后的目标函数为:
;
;
;
上式中,为当前调度时段的编号,/>为上一调度时段储能电站的收益。
7、基于得到的充放电策略确定当前调度时段之后的各调度时段储能电站的预估运营价格,并在下一调度时段返回步骤4进行下一次循环。
8、在运行日结束时,更新储能电站的储能参数、电价预测数据、碳价预测数据。
实施例2:
与实施例1的不同之处在于:
步骤1基于智能算法得到运行日电价预测数据、运行日碳价预测数据,其中,所述运行日电价预测数据基于以下方法得到:
A、将统调负荷历史值、运行日统调负荷预测值和节点电价历史值输入到如下模型中,得到运行日的电价预测值:
;
上式中,为人工神经网络的多元非线性映射关系函数,/>为第t天的节点电价历史值,/>为第t天的统调负荷历史值,/>、/>分别为第t+1天即运行日的电价预测值和统调负荷预测值,/>为随机电价分量;
B、随机产生一个由不同权重和阈值的染色体组成的种群,基于得到的运行日电价预测值,将电价预测值与节点电价历史值间的误差作为适应度值,根据适应度值对染色体进行选择、交叉、变异操作,形成新的染色体种群,再重新计算适应度值,不断迭代至权重和阈值最佳,将得到的最优电价预测值作为运行日电价预测数据,其中,所述适应度值的计算公式如下:
;
上式中,、/>分别为第k组电价预测值和节点电价历史值,/>为训练样本个数。
所述运行日碳价预测数据基于以下方法得到:
a、基于经验模态分解将各碳价分解为若干本征模函数IMF和一个残差,约束条件如下:
;
上式中,、/>分别为碳价的模态分量集合、中心频率集合,/>为分解的IMF数量,/>为脉冲函数,/>为虚数单位,/>为碳价历史值;
b、采用最小二乘支持向量机模型分别对IMF和残差进行预测,通过随机初始化每个粒子的位置和速度,不断迭代和更新粒子在运动过程中的运动参数,当得到两次迭代之间适应值的差值最小时停止迭代,并将该最优解作为最小二乘支持向量机模型的最优参数,其中,粒子的位置和速度更新如下:
;/>
上式中,、/>分别为粒子i在第 k 次迭代中第d 维的速度向量、位置向量,/>为惯性权重,/>、/>分别为个体学习因子、群体学习因子,/>、/>为区间 [0,1]内的随机数,、/>分别为粒子i和群体在第 k 次迭代中第d 维的速度向量;
c、将IMF和残差的预测值合成得到运行日碳价预测值:
;
上式中,、/>分别为第k个模态分量的预测值和残差预测值。
实施例3:
如图2所示,一种储能电站参与电力现货市场的低碳运行优化系统,包括运行日充放电策略生成和更新模块、运营价格及偏差值计算模块。
所述运行日充放电策略生成模块用于接收储能电站的储能参数数据、运行日电价预测数据、运行日碳价预测数据,调用充放电策略预测模型一生成储能电站运行日的原始充放电策略;接收运行日当前调度时段储能电站的储能参数数据、电价预测数据、碳价预测数据,调用充放电策略预测模型二生成当前调度时段之后的各调度时段储能电站的充放电策略,其中,所述充放电策略预测模型一的目标函数为:
;
;
;
上式中,为储能电站在运行日的收益,/>为储能电站在第t个调度时段的充放电量,/>为运行日内的调度时段数量,/>、/>分别为第t个调度时段的电价预测值、碳价预测值,/>为储能电站所在节点的平均电力碳排放因子,/>为储能电站在第t个调度时段的充放电损耗成本,/>为储能电站在第t个调度时段的充放电功率,/>为第t个调度时段的时长,/>为充放电效率,/>为储能电站的度电成本;
所述充放电策略预测模型二的目标函数为:
;
;
;/>
上式中,为当前调度时段的编号,/>为上一调度时段储能电站的收益;
所述充放电策略预测模型一、二的约束条件包括:
储能电站充放电功率约束:
;
上式中,、/>分别为储能设备的最大放、充电功率;
储能电站荷电状态约束:
;
上式中,为储能电站在第t个调度时段的容量,/>、/>分别为储能电站最小、最大容量。
所述运营价格及偏差值计算模块用于基于储能电站运行日的原始充放电策略计算储能电站运行日的预估运营价格;基于当前调度时段之后的各调度时段的充放电策略计算对应的预估运营价格;计算当前调度时段储能电站的实时运营价格与预估运营价格之间的偏差值,并在偏差值大于阈值时控制运行日充放电策略生成模块调用充放电策略预测模型二生成新的充放电策略,其中,所述储能电站的预估运营价格计算公式如下:
;
上式中,为储能电站在第t个调度时段的预估运营价格,/>、/>分别为储能电站在第t个调度时段的预估可出售、购买电量;
所述储能电站的实时运营价格的计算公式:
;
;
上式中,为储能电站在第t个调度时段的实时运营价格,/>、/>分别为储能电站在第t个调度时段的实时可出售、购买电量,/>为电力现货市场在第t个调度时段的实时电价,/>为储能电站所在节点的实时电力碳排放因子,/>为碳交易市场第t个调度时段的实时碳价,/>为第t个调度时段流入储能电站所处节点的等效碳排放总量,/>为第t个调度时段流出储能电站所处节点的总电量。
所述储能电站的实时运营价格与预估运营价格之间的偏差值的计算公式如下:
;/>
上式中,为第t个调度时段储能电站的实时运营价格与预估运营价格之间的偏差值,/>、/>分别为储能电站在第t个调度时段的实时运营价格、预估运营价格。
实施例4:
与实施例3所述系统的不同之处在于:
本实施例系统还包括电价预测模块、碳价预测模块。
所述电价预测模块用于根据以下方法得到运行日电价预测数据:
A、将统调负荷历史值、运行日统调负荷预测值和节点电价历史值输入到如下模型中,得到运行日的电价预测值:
;
上式中,为人工神经网络的多元非线性映射关系函数,/>为第t天的节点电价历史值,/>为第t天的统调负荷历史值,/>、/>分别为第t+1天即运行日的电价预测值和统调负荷预测值,/>为随机电价分量;
B、随机产生一个由不同权重和阈值的染色体组成的种群,基于得到的运行日电价预测值,将电价预测值与节点电价历史值间的误差作为适应度值,根据适应度值对染色体进行选择、交叉、变异操作,形成新的染色体种群,再重新计算适应度值,不断迭代至权重和阈值最佳,将得到的最优电价预测值作为运行日电价预测数据,其中,所述适应度值的计算公式如下:
;
上式中,、/>分别为第k组电价预测值和节点电价历史值,/>为训练样本个数。
所述碳价预测模块基于以下方法得到运行日碳价预测数据:
a、基于经验模态分解将各碳价分解为若干本征模函数IMF和一个残差,约束条件如下:
;
上式中,、/>分别为碳价的模态分量集合、中心频率集合,/>为分解的IMF数量,/>为脉冲函数,/>为虚数单位,/>为碳价历史值;
b、采用最小二乘支持向量机模型分别对IMF和残差进行预测,通过随机初始化每个粒子的位置和速度,不断迭代和更新粒子在运动过程中的运动参数,当得到两次迭代之间适应值的差值最小时停止迭代,并将该最优解作为最小二乘支持向量机模型的最优参数,其中,粒子的位置和速度更新如下:
;
上式中,、/>分别为粒子i在第 k 次迭代中第d 维的速度向量、位置向量,/>为惯性权重,/>、/>分别为个体学习因子、群体学习因子,/>、/>为区间 [0,1]内的随机数,、/>分别为粒子i和群体在第 k 次迭代中第d 维的速度向量;
c、将IMF和残差的预测值合成得到运行日碳价预测值:
;
上式中,、/>分别为第k个模态分量的预测值和残差预测值。/>
Claims (4)
1.一种储能电站参与电力现货市场的低碳运行优化方法,其特征在于:
所述方法包括:
S1、将储能电站的储能参数数据、运行日电价预测数据、运行日碳价预测数据输入充放电策略预测模型,求解得到储能电站运行日的原始充放电策略,并基于储能电站运行日的原始充放电策略计算得到储能电站运行日的预估运营价格,其中,所述充放电策略预测模型的目标函数为:
Ut=p(t)×ΔT×η;
上式中,C为储能电站在运行日的收益,Ut为储能电站在第t个调度时段的充放电量,T为运行日内的调度时段数量,n(t)、m(t)分别为第t个调度时段的电价预测值、碳价预测值,A0为储能电站所在节点的平均电力碳排放因子,Vt为储能电站在第t个调度时段的充放电损耗成本,p(t)为储能电站在第t个调度时段的充放电功率,ΔT为第t个调度时段的时长,η为充放电效率,γ为储能电站的度电成本;
所述储能电站运行日的预估运营价格根据以下公式计算得到:
c(t)=(uf(t)-ue(t))×(n(t)-A0m(t));
上式中,c(t)为储能电站在第t个调度时段的预估运营价格,uf(t)、ue(t)分别为储能电站在第t个调度时段的预可出售、购买电量;
S2、计算运行日当前调度时段储能电站的实时运营价格与预估运营价格之间的偏差值,若偏差值大于阈值,则进入S3进行储能电站充放电策略的优化更新,否则储能电站执行原始充放电策略,其中,储能电站的实时运营价格根据以下公式计算得到:
cr(t)=(ufr(t)-uer(t))×(nr(t)-Atmr(t));
上式中,cr(t)为储能电站在第t个调度时段的实时运营价格,ufr(t)、uer(t)分别为储能电站在第t个调度时段的实时可出售、购买电量,nr(t)为电力现货市场在第t个调度时段的实时电价,At为储能电站所在节点的实时电力碳排放因子,mr(t)为碳交易市场第t个调度时段的实时碳价,F(t)为第t个调度时段流入储能电站所处节点的等效碳排放总量,W(t)为第t个调度时段流出储能电站所处节点的总电量;
储能电站的实时运营价格与预估运营价格之间的偏差值根据以下公式计算得到:
上式中,G(t)为第t个调度时段储能电站的实时运营价格与预估运营价格之间的偏差值,cr(t)、c(t)分别为储能电站在第t个调度时段的实时运营价格、预估运营价格;
S3、更换充放电策略预测模型的目标函数以形成新的充放电策略预测模型,将当前调度时段储能电站的储能参数数据、电价预测数据、碳价预测数据输入新的充放电策略预测模型,求解得到当前调度时段之后的各调度时段储能电站的充放电策略,其中,更换后的目标函数为:
上式中,x为当前调度时段的编号,C0为上一调度时段储能电站的收益;
S4、基于S3得到的充放电策略确定当前调度时段之后的各调度时段储能电站的预估运营价格,并在下一调度时段返回S2进行下一次循环;
所述充放电策略预测模型的约束条件包括:
储能电站充放电功率约束:
上式中,分别为储能设备的最大放、充电功率;
储能电站荷电状态约束:
上式中,为储能电站在第t个调度时段的容量,Umin、Umax分别为储能电站最小、最大容量。
2.根据权利要求1所述的一种储能电站参与电力现货市场的低碳运行优化方法,其特征在于:
所述运行日电价预测数据的获取方法包括:
A、将统调负荷历史值、运行日统调负荷预测值和节点电价历史值输入到如下模型中,得到运行日的电价预测值:
nt+1=f(t,Nt,Nt-1,…,N1,Qt,Qt-1,…,Q1,qt+1)+σ;
上式中,f(·)为人工神经网络的多元非线性映射关系函数,Nt为第t天的节点电价历史值,Qt为第t天的统调负荷历史值,nt+1、qt+1分别为第t+1天即运行日的电价预测值和统调负荷预测值,σ为随机电价分量;
B、随机产生一个由不同权重和阈值的染色体组成的种群,基于得到的运行日电价预测值,将电价预测值与节点电价历史值间的误差作为适应度值,根据适应度值对染色体进行选择、交叉、变异操作,形成新的染色体种群,再重新计算适应度值,不断迭代至权重和阈值最佳,将得到的最优电价预测值作为运行日电价预测数据,其中,所述适应度值θ的计算公式如下:
上式中,nk、Nk分别为第k组电价预测值和节点电价历史值,Z为训练样本个数;
所述运行日碳价预测数据的获取方法包括:
a、基于经验模态分解将各碳价分解为若干本征模函数IMF和一个残差,约束条件如下:
上式中,mk、wk分别为碳价的模态分量集合、中心频率集合,K为分解的IMF数量,δ(t)为脉冲函数,j为虚数单位,M为碳价历史值;
b、采用最小二乘支持向量机模型分别对IMF和残差进行预测,通过随机初始化每个粒子的位置和速度,不断迭代和更新粒子在运动过程中的运动参数,当得到两次迭代之间适应值的差值最小时停止迭代,并将该最优解作为最小二乘支持向量机模型的最优参数,其中,粒子的位置和速度更新如下:
上式中,分别为粒子i在第k次迭代中第d维的速度向量、位置向量,w为惯性权重,c1、c2分别为个体学习因子、群体学习因子,r1、r2为区间[0,1]内的随机数,/> 分别为粒子i和群体在第k次迭代中第d维的速度向量;
c、将IMF和残差的预测值合成得到运行日碳价预测值:
上式中,IMFk(t)、R(t)分别为第k个模态分量的预测值和残差预测值。
3.一种储能电站参与电力现货市场的低碳运行优化系统,其特征在于:
包括运行日充放电策略生成和更新模块、运营价格及偏差值计算模块;
所述运行日充放电策略生成模块用于接收储能电站的储能参数数据、运行日电价预测数据、运行日碳价预测数据,调用充放电策略预测模型一生成储能电站运行日的原始充放电策略;接收运行日当前调度时段储能电站的储能参数数据、电价预测数据、碳价预测数据,调用充放电策略预测模型二生成当前调度时段之后的各调度时段储能电站的充放电策略,其中,所述充放电策略预测模型一的目标函数为:
Ut=p(t)×ΔT×η;
上式中,C为储能电站在运行日的收益,Ut为储能电站在第t个调度时段的充放电量,T为运行日内的调度时段数量,n(t)、m(t)分别为第t个调度时段的电价预测值、碳价预测值,A0为储能电站所在节点的平均电力碳排放因子,Vt为储能电站在第t个调度时段的充放电损耗成本,p(t)为储能电站在第t个调度时段的充放电功率,ΔT为第t个调度时段的时长,η为充放电效率,γ为储能电站的度电成本;
所述充放电策略预测模型二的目标函数为:
上式中,x为当前调度时段的编号,C0为上一调度时段储能电站的收益;
所述充放电策略预测模型一、二的约束条件包括:
储能电站充放电功率约束:
上式中,分别为储能设备的最大放、充电功率;
储能电站荷电状态约束:
上式中,为储能电站在第t个调度时段的容量,Umin、Umax分别为储能电站最小、最大容量;
所述运营价格及偏差值计算模块用于:
基于储能电站运行日的原始充放电策略,采用以下公式计算储能电站运行日的预估运营价格:
c(t)=(uf(t)-ue(t))×(n(t)-A0m(t));
上式中,c(t)为储能电站在第t个调度时段的预估运营价格,uf(t)、ue(t)分别为储能电站在第t个调度时段的预估可出售、购买电量;
基于当前调度时段之后的各调度时段的充放电策略,采用以下公式计算对应的预估运营价格:
cr(t)=(ufr(t)-uer(t))×(nr(t)-Atmr(t));
上式中,cr(t)为储能电站在第t个调度时段的实时运营价格,ufr(t)、uer(t)分别为储能电站在第t个调度时段的实时可出售、购买电量,nr(t)为电力现货市场在第t个调度时段的实时电价,At为储能电站所在节点的实时电力碳排放因子,mr(t)为碳交易市场第t个调度时段的实时碳价,F(t)为第t个调度时段流入储能电站所处节点的等效碳排放总量,W(t)为第t个调度时段流出储能电站所处节点的总电量;
根据以下公式计算当前调度时段储能电站的实时运营价格与预估运营价格之间的偏差值:
上式中,G(t)为第t个调度时段储能电站的实时运营价格与预估运营价格之间的偏差值,cr(t)、c(t)分别为储能电站在第t个调度时段的实时运营价格、预估运营价格;
并在偏差值大于阈值时控制运行日充放电策略生成模块调用充放电策略预测模型二生成新的充放电策略。
4.根据权利要求3所述的一种储能电站参与电力现货市场的低碳运行优化系统,其特征在于:
所述系统还包括电价预测模块、碳价预测模块;
所述电价预测模块基于以下方法得到运行日电价预测数据:
A、将统调负荷历史值、运行日统调负荷预测值和节点电价历史值输入到如下模型中,得到运行日的电价预测值:
nt+1=f(t,Nt,Nt-1,…,N1,Qt,Qt-1,…,Q1,qt+1)+σ;
上式中,f(·)为人工神经网络的多元非线性映射关系函数,Nt为第t天的节点电价历史值,Qt为第t天的统调负荷历史值,nt+1、qt+1分别为第t+1天即运行日的电价预测值和统调负荷预测值,σ为随机电价分量;
B、随机产生一个由不同权重和阈值的染色体组成的种群,基于得到的运行日电价预测值,将电价预测值与节点电价历史值间的误差作为适应度值,根据适应度值对染色体进行选择、交叉、变异操作,形成新的染色体种群,再重新计算适应度值,不断迭代至权重和阈值最佳,将得到的最优电价预测值作为电价预测数据,其中,所述适应度值θ的计算公式如下:
上式中,nk、Nk分别为第k组电价预测值和节点电价历史值,Z为训练样本个数;
所述碳价预测模块基于以下方法得到运行日碳价预测数据:
a、基于经验模态分解将各碳价分解为若干本征模函数IMF和一个残差,约束条件如下:
上式中,mk、wk分别为碳价的模态分量集合、中心频率集合,K为分解的IMF数量,δ(t)为脉冲函数,j为虚数单位,M为碳价历史值;
b、采用最小二乘支持向量机模型分别对IMF和残差进行预测,通过随机初始化每个粒子的位置和速度,不断迭代和更新粒子在运动过程中的运动参数,当得到两次迭代之间适应值的差值最小时停止迭代,并将该最优解作为最小二乘支持向量机模型的最优运动参数,其中,粒子的位置和速度更新如下:
上式中,分别为粒子i在第k次迭代中第d维的速度向量、位置向量,w为惯性权重,c1、c2分别为个体学习因子、群体学习因子,r1、r2为区间[0,1]内的随机数,/> 分别为粒子i和群体在第k次迭代中第d维的速度向量;
c、将IMF和残差的预测值合成得到碳价预测值:
上式中,IMFk(t)、R(t)分别为第k个模态分量的预测值和残差预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311326739.7A CN117057634B (zh) | 2023-10-13 | 2023-10-13 | 储能电站参与电力现货市场的低碳运行优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311326739.7A CN117057634B (zh) | 2023-10-13 | 2023-10-13 | 储能电站参与电力现货市场的低碳运行优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117057634A CN117057634A (zh) | 2023-11-14 |
CN117057634B true CN117057634B (zh) | 2024-01-02 |
Family
ID=88667832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311326739.7A Active CN117057634B (zh) | 2023-10-13 | 2023-10-13 | 储能电站参与电力现货市场的低碳运行优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057634B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117937474A (zh) * | 2024-03-20 | 2024-04-26 | 保定博堃元信息科技有限公司 | 一种新能源场站储能管理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013152188A1 (en) * | 2012-04-04 | 2013-10-10 | 24M Technologies, Inc. | Energy storage modeling and control |
CN112862221A (zh) * | 2021-03-26 | 2021-05-28 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于实时电价的储能系统充放电决策方法 |
CN114662762A (zh) * | 2022-03-24 | 2022-06-24 | 浙江大学 | 一种电力现货市场背景下储能电站调控方法 |
CN114792201A (zh) * | 2022-04-21 | 2022-07-26 | 国网河北省电力有限公司经济技术研究院 | 电力系统低碳经济调度方法及装置 |
CN115102159A (zh) * | 2022-06-17 | 2022-09-23 | 国网浙江省电力有限公司电力科学研究院 | 计及碳排放流的共享储能优化运行方法 |
CN115409347A (zh) * | 2022-08-22 | 2022-11-29 | 东南大学 | 一种考虑新能源接入的共享储能在日内市场的优化调度策略 |
WO2023272957A1 (zh) * | 2021-07-02 | 2023-01-05 | 福建时代星云科技有限公司 | 一种储充站的控制策略优化方法及终端 |
CN116663933A (zh) * | 2023-06-09 | 2023-08-29 | 广东电网有限责任公司 | 一种储能系统的充放电策略确定方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6554410B2 (ja) * | 2015-12-14 | 2019-07-31 | 株式会社日立製作所 | 電力貯蔵システム管理装置、電力貯蔵システム管理方法、電力貯蔵システム |
-
2023
- 2023-10-13 CN CN202311326739.7A patent/CN117057634B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013152188A1 (en) * | 2012-04-04 | 2013-10-10 | 24M Technologies, Inc. | Energy storage modeling and control |
CN112862221A (zh) * | 2021-03-26 | 2021-05-28 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于实时电价的储能系统充放电决策方法 |
WO2023272957A1 (zh) * | 2021-07-02 | 2023-01-05 | 福建时代星云科技有限公司 | 一种储充站的控制策略优化方法及终端 |
CN114662762A (zh) * | 2022-03-24 | 2022-06-24 | 浙江大学 | 一种电力现货市场背景下储能电站调控方法 |
CN114792201A (zh) * | 2022-04-21 | 2022-07-26 | 国网河北省电力有限公司经济技术研究院 | 电力系统低碳经济调度方法及装置 |
CN115102159A (zh) * | 2022-06-17 | 2022-09-23 | 国网浙江省电力有限公司电力科学研究院 | 计及碳排放流的共享储能优化运行方法 |
CN115409347A (zh) * | 2022-08-22 | 2022-11-29 | 东南大学 | 一种考虑新能源接入的共享储能在日内市场的优化调度策略 |
CN116663933A (zh) * | 2023-06-09 | 2023-08-29 | 广东电网有限责任公司 | 一种储能系统的充放电策略确定方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117057634A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104200297B (zh) | 实时电价环境下的家居混合供电系统能量优化调度方法 | |
CN112614009B (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
CN109103912B (zh) | 考虑电网调峰需求的工业园区主动配电系统调度优化方法 | |
CN108875992B (zh) | 一种考虑需求响应的虚拟电厂日前优化调度方法 | |
CN112117760A (zh) | 基于双q值网络深度强化学习的微电网能量调度方法 | |
CN108376989B (zh) | 一种基于多智能体的电池储能电站分区控制方法及系统 | |
CN117057634B (zh) | 储能电站参与电力现货市场的低碳运行优化方法及系统 | |
CN110929964B (zh) | 一种基于近似动态规划算法的含储能配电网优化调度方法 | |
CN109878369B (zh) | 一种基于模糊pid实时电价的电动汽车充放电优化调度方法 | |
CN112491094B (zh) | 一种混合驱动的微电网能量管理方法、系统及装置 | |
CN112713618A (zh) | 基于多场景技术的主动配电网源网荷储协同优化运行方法 | |
CN112217195B (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 | |
CN113361715B (zh) | 一种基于遗传算法的风-储混合电站日运行策略优化方法 | |
CN114243797A (zh) | 一种分布式电源优化调度方法、系统、设备及存储介质 | |
CN111553750A (zh) | 一种计及电价不确定性和损耗成本的储能竞价策略方法 | |
CN116436019B (zh) | 一种多资源协调优化方法、装置及存储介质 | |
Bazmohammadi et al. | Optimal operation management of a microgrid based on MOPSO and Differential Evolution algorithms | |
CN112238781A (zh) | 一种基于分层架构的电动汽车有序充电控制方法 | |
CN114899856A (zh) | 一种电动汽车充电桩功率调节方法、系统、设备及介质 | |
CN111833205A (zh) | 一种大数据场景下的移动充电桩群体智能调度方法 | |
CN113972645A (zh) | 基于多智能体深度确定策略梯度算法的配电网优化方法 | |
CN115293803A (zh) | 电力现货市场下基于电价预测的独立储能运营系统及方法 | |
CN116502747A (zh) | 一种基于概率预测的计及新能源多时间尺度不确定性的电力系统备用量化方法 | |
CN116054270A (zh) | 电网调度优化方法、装置和非易失性存储介质 | |
CN110298456A (zh) | 集群系统中设备维护排程方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |