CN117060461A - 一种基于典型场景的跨省区储能配置方法及系统 - Google Patents

一种基于典型场景的跨省区储能配置方法及系统 Download PDF

Info

Publication number
CN117060461A
CN117060461A CN202310797323.7A CN202310797323A CN117060461A CN 117060461 A CN117060461 A CN 117060461A CN 202310797323 A CN202310797323 A CN 202310797323A CN 117060461 A CN117060461 A CN 117060461A
Authority
CN
China
Prior art keywords
provincial
energy storage
cross
storage configuration
time sequence
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
CN202310797323.7A
Other languages
English (en)
Inventor
刘双全
王艺澎
谢一工
朱欣春
陈宗源
邵其专
潘振宁
吴洋
李家鹏
成于思
陈凯
周涵
张琳波
符凯祥
杨泽泰
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.)
Yunnan Power Grid Co Ltd
Original Assignee
Yunnan Power Grid 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 Yunnan Power Grid Co Ltd filed Critical Yunnan Power Grid Co Ltd
Priority to CN202310797323.7A priority Critical patent/CN117060461A/zh
Publication of CN117060461A publication Critical patent/CN117060461A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于典型场景的跨省区储能配置方法及系统包括：收集电网数据与时序数据；利用基于所述时序数据以及改进轮廓系数的聚类算法提取跨省区储能配置典型场景；根据电网规划工作中确定的储能装置的安装地区和容量构建跨省区储能配置目标函数与跨省区储能配置约束条件；将所述跨省区储能配置目标函数和所述跨省区储能配置约束条件进行组合，构建跨省区储能配置数学模型并求解。本发明弥补了相关研究领域的空白，在规划工作中为跨省区大电网的储能规划提供详细指导，降低了跨省区大电网储能规划工作中的人力成本和计算成本，提升了储能规划工作的效率和精度。

Description

一种基于典型场景的跨省区储能配置方法及系统
技术领域
本发明涉及储能优化配置的技术领域，尤其涉及一种基于典型场景的跨省区储能配置方法及系统。
背景技术
近年来随着新型电力系统建设的加快推进，以风电、光伏为代表的新能源接入电网的比例不断提升，新能源渗透率逐年增高。由于风电、光伏的发电功率具有很强的随机性和波动性，电网电力电量平衡将出现严峻挑战，同时，如何进一步消纳新能源，充分利用风、光等可再生资源也成为新型电力系统发展的一道难题。储能的配置可以在一定程度上保障电网电力电量平衡，提升电网新能源消纳能力，是构建新型电力系统的重要步骤。
现有技术方案针对储能配置的研究主要分为基于典型场景的储能配置和基于时序生产模拟的储能配置。目前，基于典型场景的储能配置研究采用k-means、层次聚类等聚类算法进行典型场景的提取，基于提取的典型场景进行储能配置方案的求解；基于时序生产模拟的储能配置研究通常难以求解问题对应的大规模混合整数优化模型，往往采用近似计算进行储能配置方案的求解。此外，现有技术方案的关注点集中在储能选址定容问题和单区域储能配置问题，通常设定经济性成本或新能源消纳率为目标，考虑功率平衡约束、机组运行约束、储能运行约束等约束条件建立数学优化模型进行求解。
发明内容
鉴于上述现有存在的问题，提出了本发明。
因此，本发明目的是提供一种基于典型场景的跨省区储能配置方法及系统，解决现有技术中，难以保证在一定时间内给出确定的储能配置方案、能配置方案的全局最优性难以保障、对典型场景的提取时代表性和有效性有限，储能配置优化较低以及无法适用于跨省区大电网的储能配置问题。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，本发明实施例提供了一种基于典型场景的跨省区储能配置方法，包括：
收集电网数据与时序数据；
利用基于所述时序数据以及改进轮廓系数的聚类算法提取跨省区储能配置典型场景；
根据电网规划工作中确定的储能装置的安装地区和容量构建跨省区储能配置目标函数与跨省区储能配置约束条件；
将所述跨省区储能配置目标函数和所述跨省区储能配置约束条件进行组合，构建跨省区储能配置数学模型并求解；
根据所述跨省区储能配置数学模型的求解结果获得跨省区储能配置方案、各省区火电机组的经济运行方案和各省区储能的经济运行方案，完成基于典型场景的跨省区储能配置。
作为本发明所述的一种基于典型场景的跨省区储能配置方法，其中：收集电网数据与时序数据包括，
所述电网数据包括各省区电网的风电机组、光伏机组、火电机组的位置信息、成本信息和限值信息以及各省区电网间直流联络线的位置信息和限值信息；
所述时序数据包括各省区电网风机发电功率、光伏发电功率和负荷功率全年的时序数据。
作为本发明所述的一种基于典型场景的跨省区储能配置方法，其中：基于所述时序数据以及改进轮廓系数的聚类算法提取跨省区储能配置典型场景包括，
设定每日24小时的时序数据为一个样本；
设定最小聚类数量和最大聚类数量Nmin、Nmax，聚类数量n初始化为Nmin；
在样本中随机选择K个样本作为初始聚类中心；
计算剩余样本同各聚类中心的欧氏距离，将各样本归入欧氏距离最近的聚类中心所代表的类别；
重复对各类别进行类内平均并更新聚类中心，直到聚类中心收敛即前后两次迭代的聚类中心距离小于阈值ε；
按照下式计算每个样本的轮廓系数，并标定该样本是否为重要日：
其中，SC(x)为样本x的轮廓系数，Dout(x)为样本x距离其他类的最小距离，Din(x)为样本x距离类内其他样本的平均距离，label(x)为重要日标识，当样本为重要日时，重要日标识设为2，当样本为非重要日时，重要日标识设为1。
作为本发明所述的一种基于典型场景的跨省区储能配置方法，其中：还包括，
按照下式计算聚类数量n下的评价系数作为聚类数量n下聚类效果的评价指标：
其中，Value(n)为聚类数量n下的评价系数，其值越大代表聚类效果越好；
若n＝Nmax，则选取评价系数最大的聚类数量作为最优聚类数量，输出对应的聚类中心作为跨省区储能配置典型场景，输出各类别的样本数量，结束算法；
若n≠Nmax，则令n＝n+1，重新重复上述样本中随机选择K个样本作为初始聚类中心计算评价指标直至n＝Nmax；
通过所述改进轮廓系数的聚类算法提取得到跨省区储能配置典型场景集合ΩTypical，以及各典型场景d所代表的样本数量Nd，其中d∈ΩTypical。
作为本发明所述的一种基于典型场景的跨省区储能配置方法，其中：根据电网规划工作中确定的储能装置的安装地区和容量构建跨省区储能配置目标函数包括，
构建跨省区储能配置目标函数F如下式所示：
minF＝Cinv+Cop
其中，Cinv为储能投资建设成本，Cop为电网运行成本，ΩArea为省区集合，i为省区集合中的某个省区，为省区i建设的储能能量容量，/>为省区i建设的储能功率容量，/>为省区i储能单位能量容量建设成本，/>为省区i储能单位功率容量建设成本，r为折现率，yi为省区i储能的使用年限，ΩTypical为跨省区储能配置典型场景集合，d为典型场景集合中的某个典型场景，Nd为典型场景d的代表的样本数量，T为典型场景的时序分段数，t为典型场景的某一时序分段，Gi为省区i内的火电机组集合，g为省区i内的某个火电机组，/>为省区i内火电机组g在典型场景d下时序分段t的发电功率，/>为省区i内火电机组g在典型场景d下时序分段t-1的发电功率，/>和/>为省区i内火电机组g的发电成本系数，/>为省区i内火电机组g在典型场景d下时序分段t的开停0-1变量，/>为省区i内火电机组g在典型场景d下时序分段t-1的开停0-1变量，开停0-1变量开机时取1，关机时取0，/>为省区i内火电机组g的单次启停成本。
作为本发明所述的一种基于典型场景的跨省区储能配置方法，其中：根据电网规划工作中确定的储能装置的安装地区和容量构建跨省区储能配置约束条件包括，
构建跨省区储能配置约束条件C1对跨省区电网的功率平衡进行约束如下式所示：
其中，为省区i内风电机组wd在典型场景d下时序分段t的发电功率，/>为省区i内光伏机组pv在典型场景d下时序分段t的发电功率，/>分别为省区i储能在典型场景d下时序分段t的放电功率和充电功率，NBi为省区i相连跨省区直流联络线集合，l为集合NBi包括的某条直流联络线，Pl,d,t为直流联络线l在典型场景d下时序分段t的传输功率，/>为省区i负荷在典型场景d下时序分段t的负荷功率；
构建跨省区储能配置约束条件C2对储能的运行状态进行约束如下式所示：
其中，Ei,d,t为省区i储能在典型场景d下时序分段t的能量状态，Ei，d，t-1为省区i储能在典型场景d下时序分段t的能量状态，Δt为一个时序分段的时间长度，本方法中取1小时，ηc、ηd为储能充电和放电效率，为省区i储能在典型场景d下时序分段t的充电0-1变量，当储能处于充电状态时取1，否则取0，/>为省区i储能在典型场景d下时序分段t的放电0-1变量，当储能处于放电状态时取1，否则取0。
作为本发明所述的一种基于典型场景的跨省区储能配置方法，其中：还包括，
构建跨省区储能配置约束条件C3对火电机组的运行状态进行约束如下式所示：
其中，Pi g,min、Pi g,max为省区i内火电机组g的最小和最大发电功率，为省区i内火电机组g的功率最大变化值，/>为省区i内火电机组g在典型场景d下截止到时序分段t-1的持续开机、关机的时序分段数量，/>为省区i内火电机组g持续开机、关机的最小时序分段数量；
构建跨省区储能配置约束条件C4对直流联络线的运行状态进行约束如下式所示：
Pl min≤Pl,d,t≤Pl max
其中，Pl min、Pl max为直流联络线l的最小传输功率和最大传输功率，为直流联络线l在典型场景d下时序分段t的传输功率下调0-1变量，在直流联络线传输功率下调时取1，其余情况下取0，/>为直流联络线l在典型场景d下时序分段t的传输功率上调0-1变量，在直流联络线传输功率上调时取1，其余情况下取0，/>为直流联络线l的传输功率最大变化值，Xl为直流联络线l在典型场景的时序分段数内的最大调整次数。
第二方面，本发明实施例提供了一种基于典型场景的跨省区储能配置系统，包括，
采集模块，收集电网数据与时序数据；
计算模块，利用基于所述时序数据以及改进轮廓系数的聚类算法提取跨省区储能配置典型场景；
目标函数构建模块，根据电网规划工作中确定的储能装置的安装地区和容量构建跨省区储能配置目标函数与跨省区储能配置约束条件；
模型搭建模块，将所述跨省区储能配置目标函数和所述跨省区储能配置约束条件进行组合，构建跨省区储能配置数学模型并求解；
输出模块，根据所述跨省区储能配置数学模型的求解结果获得跨省区储能配置方案、各省区火电机组的经济运行方案和各省区储能的经济运行方案，完成基于典型场景的跨省区储能配置。
第三方面，本发明实施例提供了一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的一种基于典型场景的跨省区储能配置方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述一种基于典型场景的跨省区储能配置方法。
本发明的有益效果：本发明提出了基于改进轮廓系数的聚类算法对典型场景进行提取，融入规划人员知识对轮廓系数进行改进，在传统方法的基础上进一步提升了聚类效果，增强了提取出的典型场景的代表性和有效性，保障储能配置优化结果的实际效益；本发明构建了跨省区储能配置目标函数和约束条件，建立起跨省区储能配置数学模型，对跨省区储能配置问题进行数学刻画并进行求解，弥补了现有技术在跨省区储能配置方面的空白，在规划工作中为跨省区大电网的储能规划提供详细指导，降低了跨省区大电网储能规划工作中的人力成本和计算成本，提升了储能规划工作的效率和精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明基于典型场景的跨省区储能配置方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
实施例1
参照图1，为本发明的一个实施例，提供了一种基于典型场景的跨省区储能配置方法，包括：
如图1所示，本发明的具体流程如下：
S1：收集电网数据与时序数据。应说明的是：
电网数据包括各省区电网的风电机组、光伏机组、火电机组的位置信息、成本信息和限值信息；
其中，限值信息包括各省区电网间直流联络线的位置信息和限值信息。
时序数据包括各省区电网风机发电功率、光伏发电功率和负荷功率全年的时序数据。
S2：利用基于时序数据以及改进轮廓系数的聚类算法提取跨省区储能配置典型场景。应说明的是：
将每日24小时的时序数据视为一个样本；
设定最小聚类数量和最大聚类数量Nmin、Nmax，聚类数量n初始化为Nmin；
在样本中随机选择K个样本作为初始聚类中心；
计算剩余样本同各聚类中心的欧氏距离，将各样本归入欧氏距离最近的聚类中心所代表的类别；
按照下式对各类别进行类内平均并更新聚类中心：
其中，zp为类p更新后的聚类中心，Wp为类p的样本集合，|Wp|为类p的样本数量，x为单个样本；
重复对各类别进行类内平均并更新聚类中心，直到聚类中心收敛即前后两次迭代的聚类中心距离小于阈值ε；
按照下式计算每个样本的轮廓系数，并标定该样本是否为重要日：
其中，SC(x)为样本x的轮廓系数，Dout(x)为样本x距离其他类的最小距离，Din(x)为样本x距离类内其他样本的平均距离，label(x)为重要日标识，当样本为重要日时，重要日标识设为2，当样本为非重要日时，重要日标识设为1；
按照下式计算聚类数量n下的评价系数作为聚类数量n下聚类效果的评价指标：
其中，Value(n)为聚类数量n下的评价系数，其值越大代表聚类效果越好；
若n＝Nmax，选取评价系数最大的聚类数量作为最优聚类数量，输出对应的聚类中心作为跨省区储能配置典型场景，输出各类别的样本数量，结束算法；
若n≠Nmax，则令n＝n+1，重新重复上述样本中随机选择K个样本作为初始聚类中心计算评价指标直至n＝Nmax；
通过改进轮廓系数的聚类算法提取得到跨省区储能配置典型场景集合ΩTypical，以及各典型场景d所代表的样本数量Nd，其中d∈ΩTypical。
S3：根据电网规划工作中确定的储能装置的安装地区和容量构建跨省区储能配置目标函数与跨省区储能配置约束条件。应说明的是：
构建跨省区储能配置目标函数F如下式所示：
minF＝Cinv+Cop
其中，Cinv为储能投资建设成本，Cop为电网运行成本，ΩArea为省区集合，i为省区集合中的某个省区，为省区i建设的储能能量容量，/>为省区i建设的储能功率容量，/>为省区i储能单位能量容量建设成本，/>为省区i储能单位功率容量建设成本，r为折现率，yi为省区i储能的使用年限，ΩTypical为跨省区储能配置典型场景集合，d为典型场景集合中的某个典型场景，Nd为典型场景d的代表的样本数量，T为典型场景的时序分段数，t为典型场景的某一时序分段，Gi为省区i内的火电机组集合，g为省区i内的某个火电机组，/>为省区i内火电机组g在典型场景d下时序分段t的发电功率，/>和/>为省区i内火电机组g的发电成本系数，/>为省区i内火电机组g在典型场景d下时序分段t的开停0-1变量，/>为省区i内火电机组g在典型场景d下时序分段t-1的开停0-1变量，开停0-1变量开机时取1，关机时取0，/>为省区i内火电机组g的单次启停成本。
构建跨省区储能配置约束条件C1对跨省区电网的功率平衡进行约束如下式所示：
其中，为省区i内风电机组wd在典型场景d下时序分段t的发电功率，/>为省区i内光伏机组pv在典型场景d下时序分段t的发电功率，/>分别为省区i储能在典型场景d下时序分段t的放电功率和充电功率，NBi为省区i相连跨省区直流联络线集合，l为集合NBi包括的某条直流联络线，Pl,d,t为直流联络线l在典型场景d下时序分段t的传输功率，/>为省区i负荷在典型场景d下时序分段t的负荷功率，
构建跨省区储能配置约束条件C2对储能的运行状态进行约束如下式所示：
其中，Ei,d,t为省区i储能在典型场景d下时序分段t的能量状态，Δt为一个时序分段的时间长度，本方法中取1小时，ηc、ηd为储能充电和放电效率，为省区i储能在典型场景d下时序分段t的充电0-1变量，当储能处于充电状态时取1，否则取0，/>为省区i储能在典型场景d下时序分段t的放电0-1变量，当储能处于放电状态时取1，否则取0；
构建跨省区储能配置约束条件C3对火电机组的运行状态进行约束如下式所示：
式中，Pi g,min、Pi g,max为省区i内火电机组g的最小和最大发电功率，为省区i内火电机组g的功率最大变化值，/>为省区i内火电机组g在典型场景d下截止到时序分段t-1的持续开机、关机的时序分段数量，/>为省区i内火电机组g持续开机、关机的最小时序分段数量；
构建跨省区储能配置约束条件C4对直流联络线的运行状态进行约束如下式所示：
Pl min≤Pl,d,t≤Pl max
其中，Pl min、Pl max为直流联络线l的最小传输功率和最大传输功率，为直流联络线l在典型场景d下时序分段t的传输功率下调0-1变量，在直流联络线传输功率下调时取1，其余情况下取0，/>为直流联络线l在典型场景d下时序分段t的传输功率上调0-1变量，在直流联络线传输功率上调时取1，其余情况下取0，/>为直流联络线l的传输功率最大变化值，Xl为直流联络线l在典型场景的时序分段数内的最大调整次数。
S4：将跨省区储能配置目标函数和跨省区储能配置约束条件进行组合，构建跨省区储能配置数学模型并求解。应说明的是：
采用商业求解器Gurobi进行求解跨省区储能配置数学模型的结果，获得跨省区储能配置方案、各省区火电机组的经济运行方案和各省区储能的经济运行方案，完成基于典型场景的跨省区储能配置。
本实施例还提供一种基于典型场景的跨省区储能配置系统，包括：
采集模块，收集电网数据与时序数据；
计算模块，利用基于时序数据以及改进轮廓系数的聚类算法提取跨省区储能配置典型场景；
目标函数构建模块，根据电网规划工作中确定的储能装置的安装地区和容量构建跨省区储能配置目标函数与跨省区储能配置约束条件；
模型搭建模块，将跨省区储能配置目标函数和跨省区储能配置约束条件进行组合，构建跨省区储能配置数学模型并求解；
输出模块，根据跨省区储能配置数学模型的求解结果获得跨省区储能配置方案、各省区火电机组的经济运行方案和各省区储能的经济运行方案，完成基于典型场景的跨省区储能配置。
本实施例还提供一种计算设备，适用于一种基于典型场景的跨省区储能配置方法的情况，包括：
存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的一种基于典型场景的跨省区储能配置方法。
该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现一种基于典型场景的跨省区储能配置方法。
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
实施例2
本实施例为本发明的另一个实施例，该实施例不同于第一个实施例的是，提供了一种基于典型场景的跨省区储能配置方法的验证测试，对本方法中采用的技术效果加以验证说明。
本实施例通过基于传统典型场景提取方法的跨省区储能配置、现有未考虑跨省区的储能配置方法以及本发明所提出的方法，分别从储能配置年折算成本、典型场景下年运行成本以及轮廓系数进行对比，具体结果如下表。
表1：对比结果
由表1可知，相比基于传统典型场景提取方法的跨省区储能配置模型，本发明提出了基于改进轮廓系数的聚类算法对典型场景进行提取，融入规划人员知识，在传统方法的基础上进一步提升了聚类效果，增强了提取出的典型场景的代表性和有效性，保障储能配置优化结果的实际效益。实际指标显示，本发明提取到的典型场景的轮廓系数更高，聚类效果更好，储能配置年折算成本和典型场景下年运行成本均低于传统方法。
相比于现有未考虑跨省区的储能配置方法，本发明对跨省区储能配置问题进行数学刻画并进行求解，弥补了现有技术在跨省区储能配置方面的空白，在规划工作中为跨省区大电网的储能规划提供详细指导，降低了跨省区大电网储能规划工作中的人力成本和计算成本，提升了储能规划工作的效率和精度。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于典型场景的跨省区储能配置方法，其特征在于：包括，
收集电网数据与时序数据；
利用基于所述时序数据以及改进轮廓系数的聚类算法提取跨省区储能配置典型场景；
根据电网规划工作中确定的储能装置的安装地区和容量构建跨省区储能配置目标函数与跨省区储能配置约束条件；
将所述跨省区储能配置目标函数和所述跨省区储能配置约束条件进行组合，构建跨省区储能配置数学模型并求解；
根据所述跨省区储能配置数学模型的求解结果获得跨省区储能配置方案、各省区火电机组的经济运行方案和各省区储能的经济运行方案，完成基于典型场景的跨省区储能配置。
2.如权利要求1所述的基于典型场景的跨省区储能配置方法，其特征在于：收集电网数据与时序数据包括，
所述电网数据包括各省区电网的风电机组、光伏机组、火电机组的位置信息、成本信息和限值信息以及各省区电网间直流联络线的位置信息和限值信息；
所述时序数据包括各省区电网风机发电功率、光伏发电功率和负荷功率全年的时序数据。
3.如权利要求2所述的基于典型场景的跨省区储能配置方法，其特征在于：基于所述时序数据以及改进轮廓系数的聚类算法提取跨省区储能配置典型场景包括，
设定每日24小时的时序数据为一个样本；
设定最小聚类数量和最大聚类数量Nmin、Nmax，聚类数量n初始化为Nmin；
在样本中随机选择K个样本作为初始聚类中心；
计算剩余样本同各聚类中心的欧氏距离，将各样本归入欧氏距离最近的聚类中心所代表的类别；
重复对各类别进行类内平均并更新聚类中心，直到聚类中心收敛即前后两次迭代的聚类中心距离小于阈值ε；
按照下式计算每个样本的轮廓系数，并标定该样本是否为重要日：
其中，SC(x)为样本x的轮廓系数，Dout(x)为样本x距离其他类的最小距离，Din(x)为样本x距离类内其他样本的平均距离，label(x)为重要日标识，当样本为重要日时，重要日标识设为2，当样本为非重要日时，重要日标识设为1。
4.如权利要求3所述的基于典型场景的跨省区储能配置方法，其特征在于：还包括，
按照下式计算聚类数量n下的评价系数作为聚类数量n下聚类效果的评价指标：
其中，Value(n)为聚类数量n下的评价系数，其值越大代表聚类效果越好；
若n＝Nmax，则选取评价系数最大的聚类数量作为最优聚类数量，输出对应的聚类中心作为跨省区储能配置典型场景，输出各类别的样本数量，结束算法；
若n≠Nmax，则令n＝n+1，重新重复上述样本中随机选择K个样本作为初始聚类中心计算评价指标直至n＝Nmax；
通过所述改进轮廓系数的聚类算法提取得到跨省区储能配置典型场景集合ΩTypical，以及各典型场景d所代表的样本数量Nd，其中d∈ΩTypical。
5.如权利要求4所述的基于典型场景的跨省区储能配置方法，其特征在于：根据电网规划工作中确定的储能装置的安装地区和容量构建跨省区储能配置目标函数包括，
构建跨省区储能配置目标函数F如下式所示：
minF＝Cinv+Cop
其中，Cinv为储能投资建设成本，Cop为电网运行成本，ΩArea为省区集合，i为省区集合中的某个省区，为省区i建设的储能能量容量，/>为省区i建设的储能功率容量，/>为省区i储能单位能量容量建设成本，/>为省区i储能单位功率容量建设成本，r为折现率，yi为省区i储能的使用年限，ΩTypical为跨省区储能配置典型场景集合，d为典型场景集合中的某个典型场景，Nd为典型场景d的代表的样本数量，T为典型场景的时序分段数，t为典型场景的某一时序分段，Gi为省区i内的火电机组集合，g为省区i内的某个火电机组，/>为省区i内火电机组g在典型场景d下时序分段t的发电功率，/>为省区i内火电机组g在典型场景d下时序分段t-1的发电功率，/>和/>为省区i内火电机组g的发电成本系数，/>为省区i内火电机组g在典型场景d下时序分段t的开停0-1变量，/>为省区i内火电机组g在典型场景d下时序分段t-1的开停0-1变量，开停0-1变量开机时取1，关机时取0，/>为省区i内火电机组g的单次启停成本。
6.如权利要求1所述的基于典型场景的跨省区储能配置方法，其特征在于：根据电网规划工作中确定的储能装置的安装地区和容量构建跨省区储能配置约束条件包括，
构建跨省区储能配置约束条件C1对跨省区电网的功率平衡进行约束如下式所示：
其中，为省区i内风电机组wd在典型场景d下时序分段t的发电功率，/>为省区i内光伏机组pv在典型场景d下时序分段t的发电功率，/>分别为省区i储能在典型场景d下时序分段t的放电功率和充电功率，NBi为省区i相连跨省区直流联络线集合，l为集合NBi包括的某条直流联络线，Pl,d,t为直流联络线l在典型场景d下时序分段t的传输功率，为省区i负荷在典型场景d下时序分段t的负荷功率；
构建跨省区储能配置约束条件C2对储能的运行状态进行约束如下式所示：
其中，Ei,d,t为省区i储能在典型场景d下时序分段t的能量状态，Ei，d，t-1为省区i储能在典型场景d下时序分段t的能量状态，Δt为一个时序分段的时间长度，本方法中取1小时，ηc、ηd为储能充电和放电效率，为省区i储能在典型场景d下时序分段t的充电0-1变量，当储能处于充电状态时取1，否则取0，/>为省区i储能在典型场景d下时序分段t的放电0-1变量，当储能处于放电状态时取1，否则取0。
7.如权利要求6所述的基于典型场景的跨省区储能配置方法，其特征在于：还包括，
构建跨省区储能配置约束条件C3对火电机组的运行状态进行约束如下式所示：
其中，Pi g,min、Pi g,max为省区i内火电机组g的最小和最大发电功率，为省区i内火电机组g的功率最大变化值，/>为省区i内火电机组g在典型场景d下截止到时序分段t-1的持续开机、关机的时序分段数量，/>为省区i内火电机组g持续开机、关机的最小时序分段数量；
构建跨省区储能配置约束条件C4对直流联络线的运行状态进行约束如下式所示：
其中，Pl min、Pl max为直流联络线l的最小传输功率和最大传输功率，为直流联络线l在典型场景d下时序分段t的传输功率下调0-1变量，在直流联络线传输功率下调时取1，其余情况下取0，/>为直流联络线l在典型场景d下时序分段t的传输功率上调0-1变量，在直流联络线传输功率上调时取1，其余情况下取0，/>为直流联络线l的传输功率最大变化值，Xl为直流联络线l在典型场景的时序分段数内的最大调整次数。
8.一种基于典型场景的跨省区储能配置系统，其特征在于，包括，
采集模块，收集电网数据与时序数据；
计算模块，利用基于所述时序数据以及改进轮廓系数的聚类算法提取跨省区储能配置典型场景；
目标函数构建模块，根据电网规划工作中确定的储能装置的安装地区和容量构建跨省区储能配置目标函数与跨省区储能配置约束条件；
模型搭建模块，将所述跨省区储能配置目标函数和所述跨省区储能配置约束条件进行组合，构建跨省区储能配置数学模型并求解；
输出模块，根据所述跨省区储能配置数学模型的求解结果获得跨省区储能配置方案、各省区火电机组的经济运行方案和各省区储能的经济运行方案，完成基于典型场景的跨省区储能配置。
9.一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述一种基于典型场景的跨省区储能配置方法的步骤。
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述一种基于典型场景的跨省区储能配置方法的步骤。
CN202310797323.7A 2023-06-30 2023-06-30 一种基于典型场景的跨省区储能配置方法及系统 Pending CN117060461A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310797323.7A CN117060461A (zh) 2023-06-30 2023-06-30 一种基于典型场景的跨省区储能配置方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310797323.7A CN117060461A (zh) 2023-06-30 2023-06-30 一种基于典型场景的跨省区储能配置方法及系统

Publications (1)

Publication Number Publication Date
CN117060461A true CN117060461A (zh) 2023-11-14

Family

ID=88652477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310797323.7A Pending CN117060461A (zh) 2023-06-30 2023-06-30 一种基于典型场景的跨省区储能配置方法及系统

Country Status (1)

Country Link
CN (1) CN117060461A (zh)

Similar Documents

Publication Publication Date Title
Zhao et al. A geometric approach to aggregate flexibility modeling of thermostatically controlled loads
Amer et al. Optimization of hybrid renewable energy systems (HRES) using PSO for cost reduction
CN103559655B (zh) 基于数据挖掘的微网新型馈线负荷的预测方法
Wang et al. Two-stage multi-objective unit commitment optimization under hybrid uncertainties
CN113285490B (zh) 电力系统调度方法、装置、计算机设备和存储介质
CN103020423A (zh) 基于copula函数获取风电场出力相关特性的方法
Khatib et al. Optimal sizing of hybrid pv/wind systems for Malaysia using loss of load probability
CN110247397B (zh) 一种储能配置方法、系统、装置及可读存储介质
Liu et al. Time series forecasting method of building energy consumption using support vector regression
CN103955521A (zh) 一种风电场机群划分方法
Tahir et al. Optimal ESS size calculation for ramp rate control of grid-connected microgrid based on the selection of accurate representative days
CN112994115A (zh) 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法
CN104978605A (zh) 基于深度学习网络的大规模风电功率预测系统及方法
CN114221353B (zh) 电网调控方法、装置、设备、存储介质和计算机程序产品
CN115759467A (zh) 一种误差修正的分时刻集成学习光伏预测方法
CN113435659B (zh) 基于场景分析的综合能源系统两阶段优化运行方法及系统
Wu et al. Regional assessment of virtual battery potential from building loads
CN103714400A (zh) 一种任意输入参数的风能预测系统和方法
CN117332963A (zh) 一种源网荷储协同的虚拟电厂动态优化调度方法及系统
CN117060461A (zh) 一种基于典型场景的跨省区储能配置方法及系统
Chen et al. Robust optimal dispatching of wind fire energy storage system based on equilibrium optimization algorithm
CN106651163A (zh) 基于Copula函数的多风电场容量可信度评估方法
CN111382501A (zh) 一种智能电表的配置方法、装置及计算设备
CN115776138A (zh) 一种考虑多维不确定性和能量管理策略的微电网容量规划方法及装置
CN115130842A (zh) 风光火一体化基地配置方法及装置

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