CN117154736A - 一种混合储能系统参与火电机组深度调峰优化方法及系统 - Google Patents
一种混合储能系统参与火电机组深度调峰优化方法及系统 Download PDFInfo
- Publication number
- CN117154736A CN117154736A CN202311119191.9A CN202311119191A CN117154736A CN 117154736 A CN117154736 A CN 117154736A CN 202311119191 A CN202311119191 A CN 202311119191A CN 117154736 A CN117154736 A CN 117154736A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- battery energy
- cost
- storage system
- thermal power
- 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 303
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000005457 optimization Methods 0.000 claims abstract description 61
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 49
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 230000001629 suppression Effects 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 83
- 230000033228 biological regulation Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 238000007599 discharging Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 239000002699 waste material Substances 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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
- 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
- H02J3/241—The oscillation concerning frequency
-
- 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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Biodiversity & Conservation Biology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明属于电力系统优化技术领域,具体提出一种混合储能系统参与火电机组深度调峰优化方法及系统,该方法包括构建目标电池储能寿命损耗模型;获取历史电站电网数据以预测得到预测电站电网数据;基于目标电池储能寿命损耗模型获得电池储能寿命损耗成本,基于弃风弃光成本、削负荷成本、碳排放成本和电池储能寿命损耗成本构建目标函数;基于预测电站电网数据确定运行场景,针对运行场景基于目标函数的最小值确定适应度函数,采用多目标飞蛾扑火优化算法求解得到火电机组状态参数最优解和电池储能系统状态参数最优解进而生成最优调度指令以控制机组和电池储能系统的运行。根据本发明的方法能够提高火电机组深度调峰与混合储能协调的效率和经济性。
Description
技术领域
本发明属于电力系统优化技术领域,尤其涉及一种混合储能系统参与火电机组深度调峰优化方法及系统。
背景技术
近年来,由于可再生能源的广泛应用,以及对减少碳排放和环境保护的强烈要求,储能技术在电力系统中得到了广泛的应用。电池储能作为一种成熟的储能技术,被广泛应用于电力系统的调峰、频率调节、电压稳定等场景。然而,电池储能的寿命损耗问题一直是限制其发展的重要因素。另一方面,火电机组的深度调峰能力对于解决可再生能源输出波动问题具有重要的作用,但是也会带来更高的设备磨损和碳排放。
在这个背景下,如何优化电池储能的寿命损耗以及如何应用混合储能技术在火电机组的深度调峰中,以提高火电机组深度调峰与混合储能协调的效率和经济性,成为了一个重要的问题。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明提供了一种混合储能系统参与火电机组深度调峰优化方法及系统,主要目的在于提高火电机组深度调峰与混合储能协调的效率和经济性。
根据本发明的第一方面,提供了一种混合储能系统参与火电机组深度调峰优化方法,包括:
构建目标电池储能寿命损耗模型以确定目标电池储能寿命损耗系数;
获取设定时间段的历史电站电网数据,基于所述历史电站电网数据预测未来设定时间段的预测电站电网数据;
基于所述目标电池储能寿命损耗系数获得电池储能寿命损耗,进而获得电池储能寿命损耗成本,利用所述预测电站电网数据,基于弃风弃光成本、削负荷成本、碳排放成本和所述电池储能寿命损耗成本的和构建目标函数;
基于所述预测电站电网数据确定运行场景,针对所述运行场景,基于所述目标函数的最小值确定适应度函数,采用多目标飞蛾扑火优化算法求解得到火电机组状态参数最优解和电池储能系统状态参数最优解;
基于所述火电机组状态参数最优解和电池储能系统状态参数最优解生成最优调度指令,以控制机组和电池储能系统的运行。
在本发明的第一方面提供的混合储能系统参与火电机组深度调峰优化方法中,所述构建目标电池储能寿命损耗模型以确定目标电池储能寿命损耗系数,包括:针对不同的放电深度,对电池储能系统中的电池进行充放电试验;基于充放电试验的结果建立放电深度-循环寿命曲线;基于所述放电深度-循环寿命曲线建立初始电池储能寿命损耗模型;对所述初始电池储能寿命损耗模型进行线性化处理得到目标电池储能寿命损耗模型,从而确定目标电池储能寿命损耗系数。
在本发明的第一方面提供的混合储能系统参与火电机组深度调峰优化方法中,所述预测电站电网数据包括风电光伏输出功率预测值以及负荷需求预测值、火电机组出力预测值、火电机组未参与深度调峰的出力预测值、混合储能系统出力预测值。
在本发明的第一方面提供的混合储能系统参与火电机组深度调峰优化方法中,所述利用所述预测电站电网数据,基于弃风弃光成本、削负荷成本、碳排放成本和所述电池储能寿命损耗成本的和构建目标函数,包括:基于所述风电光伏输出功率预测值以及负荷需求预测值构建所述弃风弃光成本;基于所述火电机组出力预测值构建削负荷成本;基于所述火电机组未参与深度调峰的出力预测值、混合储能系统出力预测值构建碳排放成本;计算弃风弃光成本、削负荷成本、碳排放成本和所述电池储能寿命损耗成本的和获得目标函数。
在本发明的第一方面提供的混合储能系统参与火电机组深度调峰优化方法中,所述针对所述运行场景,基于所述目标函数的最小值确定适应度函数,采用多目标飞蛾扑火优化算法求解得到火电机组状态参数最优解和电池储能系统状态参数最优解,包括:获得所述运行场景下的状态参数解集,所述状态参数解集包括多个状态参数解,每个状态参数解包括火电机组状态参数和电池储能系统状态参数;飞蛾种群中每个个体的位置为状态参数解集中的一个状态参数解,适应度函数基于所述目标函数的最小值确定;采用多目标飞蛾扑火优化算法求解得到火电机组状态参数最优解和电池储能系统状态参数最优解。
在本发明的第一方面提供的混合储能系统参与火电机组深度调峰优化方法中,所述火电机组状态参数包括机组的启停状态、输出功率;所述电池储能系统状态参数包括电池的充放电状态、电池的充放电功率。
根据本发明的第二方面,还提供了一种混合储能系统参与火电机组深度调峰优化系统,包括:
建模模块,用于构建目标电池储能寿命损耗模型以确定目标电池储能寿命损耗系数;
数据获得模块,用于获取设定时间段的历史电站电网数据,基于所述历史电站电网数据预测未来设定时间段的预测电站电网数据;
目标函数构建模块,用于基于所述目标电池储能寿命损耗系数获得电池储能寿命损耗,进而获得电池储能寿命损耗成本,利用所述预测电站电网数据,基于弃风弃光成本、削负荷成本、碳排放成本和所述电池储能寿命损耗成本的和构建目标函数;
计算模块,用于基于所述预测电站电网数据确定运行场景,针对所述运行场景,基于所述目标函数的最小值确定适应度函数,采用多目标飞蛾扑火优化算法求解得到火电机组状态参数最优解和电池储能系统状态参数最优解;
控制模块,用于基于所述火电机组状态参数最优解和电池储能系统状态参数最优解生成最优调度指令,以控制机组和电池储能系统的运行。
在本发明的第二方面提供的混合储能系统参与火电机组深度调峰优化系统中,所述建模模块,具体用于:针对不同的放电深度,对电池储能系统中的电池进行充放电试验;基于充放电试验的结果建立放电深度-循环寿命曲线;基于所述放电深度-循环寿命曲线建立初始电池储能寿命损耗模型;对所述初始电池储能寿命损耗模型进行线性化处理得到目标电池储能寿命损耗模型,从而确定目标电池储能寿命损耗系数。
在本发明的第二方面提供的混合储能系统参与火电机组深度调峰优化系统中,在数据获得模块中,所述预测电站电网数据包括风电光伏输出功率预测值以及负荷需求预测值、火电机组出力预测值、火电机组未参与深度调峰的出力预测值、混合储能系统出力预测值;所述目标函数构建模块,具体用于:基于所述风电光伏输出功率预测值以及负荷需求预测值构建所述弃风弃光成本;基于所述火电机组出力预测值构建削负荷成本;基于所述火电机组未参与深度调峰的出力预测值、混合储能系统出力预测值构建碳排放成本;计算弃风弃光成本、削负荷成本、碳排放成本和所述电池储能寿命损耗成本的和获得目标函数。
根据本发明的第三方面,还提供了一种混合储能系统参与火电机组深度调峰优化设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明的第一方面提出的混合储能系统参与火电机组深度调峰优化方法。
在本发明一个或多个方面中,构建目标电池储能寿命损耗模型以确定目标电池储能寿命损耗系数;获取设定时间段的历史电站电网数据,基于历史电站电网数据预测未来设定时间段的预测电站电网数据;基于目标电池储能寿命损耗系数获得电池储能寿命损耗,进而获得电池储能寿命损耗成本,利用预测电站电网数据,基于弃风弃光成本、削负荷成本、碳排放成本和电池储能寿命损耗成本的和构建目标函数;基于预测电站电网数据确定运行场景,针对运行场景,基于目标函数的最小值确定适应度函数,采用多目标飞蛾扑火优化算法求解得到火电机组状态参数最优解和电池储能系统状态参数最优解;基于火电机组状态参数最优解和电池储能系统状态参数最优解生成最优调度指令,以控制机组和电池储能系统的运行。在这种情况下,在火电机组深度调峰场景中考虑电池储能的寿命损耗特性,通过构建目标电池储能寿命损耗模型以得到电池储能寿命损耗成本,结合弃风弃光成本、削负荷成本、碳排放成本构建目标函数,利用多目标飞蛾扑火优化算法,获得在基于预测电站电网数据确定的运行场景下,目标函数最小时的火电机组状态参数最优解和电池储能系统状态参数最优解,目标函数最小对应效益最大,故提高了火电机组深度调峰与混合储能协调的经济性,另外,基于火电机组状态参数最优解和电池储能系统状态参数最优解生成最优调度指令,以控制机组和电池储能系统的运行,能够使得机组和电池储能系统的运行在效益最大时的最优状态,由此,能够提高火电机组深度调峰与混合储能协调的效率。
本发明附加的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
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1示出本发明实施例提供的一种混合储能系统参与火电机组深度调峰优化方法的流程示意图;
图2示出本发明实施例提供的多目标飞蛾扑火优化算法的流程图;
图3示出本发明实施例提供的混合储能系统参与火电机组深度调峰优化系统的框图;
图4是用来实现本发明实施例的混合储能系统参与火电机组深度调峰优化方法的混合储能系统参与火电机组深度调峰优化设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明实施例的一些方面相一致的装置和方法的例子。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,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。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。还应当理解,本发明中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
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,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明提供了一种混合储能系统参与火电机组深度调峰优化方法及系统,主要目的在于提高火电机组深度调峰与混合储能协调的效率和经济性。
在第一个实施例中,图1示出本发明实施例提供的一种混合储能系统参与火电机组深度调峰优化方法的流程示意图。如图1所示,该混合储能系统参与火电机组深度调峰优化方法,包括:
步骤S11,构建目标电池储能寿命损耗模型以确定目标电池储能寿命损耗系数。
在步骤S11中,目标电池储能寿命损耗模型是针对电池储能寿命损耗特性建立的模型。
具体地,在步骤S11中,构建目标电池储能寿命损耗模型以确定目标电池储能寿命损耗系数,包括:针对不同的放电深度,对电池储能系统中的电池进行充放电试验(步骤S111);基于充放电试验的结果建立放电深度-循环寿命曲线(步骤S112);基于放电深度-循环寿命曲线建立初始电池储能寿命损耗模型(步骤S113);对初始电池储能寿命损耗模型进行线性化处理得到目标电池储能寿命损耗模型,从而确定目标电池储能寿命损耗系数(步骤S114)。
在步骤S111中,对电池进行充放电试验包括:在不同的放电深度(Depth ofDischarge,DOD)下,对电池进行不断的充放电试验。例如,设定DOD=80%,即从SOC(Stateof Charge,荷电状态)为100%放电至20%,再从20%充电至100%,这样的过程记为一次充放电循环。重复该过程直到电池容量衰减至额定容量的80%,记录总计的循环次数。
在步骤S112中,建立DOD-循环寿命曲线包括:基于充放电试验的结果(即实验得到的多个DOD及对应的循环次数),建立电池储能的DOD-循环寿命曲线。该曲线通常通过自然指数函数进行拟合,以描述电池在不同DOD下的寿命损耗特性。
在步骤S113中,建立初始电池储能寿命损耗模型包括:基于DOD-循环寿命曲线,建立精细化的电池储能寿命损耗模型。该模型可以预测电池在任意时刻SOC状态变化后对应的寿命损耗。初始电池储能寿命损耗模型对应的电池储能寿命损耗系数F0(SOC)可表示为式(1):
其中,λloss(SOC)为电池寿命损耗系数;SOC为荷电状态;Erate为电池额定容量;Nlife为拟合电池循环寿命与放电深度关系的自然指数函数。
在步骤S114中,目标电池储能寿命损耗模型获取方法包括:考虑到DOD-循环寿命曲线的复杂性,难以直接嵌入到后续过程进行分析。因此,采用分段线性化的方法,将初始电池储能寿命损耗模型进行线性化处理,再将线性化后的电池储能寿命损耗模型(即目标电池储能寿命损耗模型)嵌入到后续过程中进行分析。线性化后的电池储能寿命损耗模型满足:
其中,F(SOC)为目标电池储能寿命损耗系数;为荷电状态最小值对应的目标电池储能寿命损耗系数;A为分段数;λ为分段序号;/>对应分段的斜率;/>为对应分段长度;/>为分段长度上限;/>为荷电状态最大值;/>为荷电状态最小值;式(6)在保证后一段长度取非零值的情况下,前面每一段长度都取为最大值,从而得到可以参与后续计算的目标电池储能寿命损耗模型。
步骤S12,获取设定时间段的历史电站电网数据,基于历史电站电网数据预测未来设定时间段的预测电站电网数据。
在步骤S12中,历史电站电网数据是当前时刻之前的设定时间段的电站电网数据,预测电站电网数据是当前时刻之后的设定时间段的电站电网数据。
在步骤S12中,电站电网数据是风电站、光伏电站的发电数据和电网负荷数据。具体地,电站电网数据包括风电光伏输出功率以及负荷需求、火电机组出力、火电机组未参与深度调峰的出力、混合储能系统出力。故历史电站电网数据风电光伏输出功率历史值以及负荷需求历史值、火电机组出力历史值、火电机组未参与深度调峰的出力历史值、混合储能系统出力历史值。预测电站电网数据包括风电光伏输出功率预测值以及负荷需求预测值、火电机组出力预测值、火电机组未参与深度调峰的出力预测值、混合储能系统出力预测值。
在步骤S12中,基于历史电站电网数据预测未来设定时间段的预测电站电网数据。该预测方法可以利用现有的发电数据和电网负荷数据的预测方法。
在步骤S12中,还获取其他相关数据,其他相关数据包括单位功率弃风弃光成本系数、单位功率削负荷成本系数、火电机组单位碳排放强度、火电机组单位碳排放成本、混合储能放电带来的火电减少系数、火电机组正常运行下单位碳排放增量系数、电池单位容量投资成本、电池额定容量、单位功率变流器投资成本、电池额定功率。
步骤S13,基于目标电池储能寿命损耗系数获得电池储能寿命损耗,进而获得电池储能寿命损耗成本,利用预测电站电网数据,基于弃风弃光成本、削负荷成本、碳排放成本和电池储能寿命损耗成本的和构建目标函数。
具体地,在步骤S13中,利用预测电站电网数据,基于弃风弃光成本、削负荷成本、碳排放成本和电池储能寿命损耗成本的和构建目标函数,包括:基于风电光伏输出功率预测值以及负荷需求预测值构建弃风弃光成本(步骤S131);基于火电机组出力预测值构建削负荷成本(步骤S132);基于火电机组未参与深度调峰的出力预测值、混合储能系统出力预测值构建碳排放成本(步骤S133);计算弃风弃光成本、削负荷成本、碳排放成本和电池储能寿命损耗成本的和获得目标函数(步骤S134)。
在步骤S131中,考虑到电网无法消纳所有的风电和光伏发电量而产生惩罚成本。故弃风弃光成本F1满足:
F1=cw*(Pwind+Ppv-Pload) (7)
式中,Pwind为风电输出功率预测值、Ppv为光伏输出功率预测值、Pload为负荷需求预测值;cw为单位功率弃风弃光成本系数。
在步骤S132中,削负荷成本由于电网无法满足所有负荷需求而产生的成本。削负荷成本F2满足:
F2=cl*(PG+Pwind+Ppv-Pload) (8)
式中,PG为火电机组出力预测值;cl为单位功率削负荷成本系数。
在步骤S133中,碳排放成本是由火电机组深度调峰产生的碳排放成本与混合储能参与调峰减少的碳排放收益。碳排放成本F3满足:
F3=(PG-Pf)*kc*cG-Phess*khess*kG*cG(9)
式中,Pf为火电机组未参与深度调峰的出力预测值;kc为火电机组单位碳排放强度;cG为火电机组单位碳排放成本;Phess为混合储能出力预测值;khess为混合储能放电带来的火电减少系数;kG为火电机组正常运行下单位碳排放增量系数。
另外,电池储能寿命损耗成本是由于电池充放电过程中寿命损耗产生的成本。电池储能寿命损耗成本基于步骤S11中得到的目标电池储能寿命损耗系数确定,电池储能寿命损耗成本F4满足:
F4=Lbat*(Cbat+Cpcs) (10)
式中,Lbat为电池储能寿命损耗,T为优化的总时段数;F(SOC(t))为t时刻的目标电池储能寿命损耗系数,由步骤S11中的模型得到;Cbat为电池投资成本,Cbat=cE*Ebat,cE为电池单位容量投资成本,Ebat为电池额定容量;Cpcs为变流器投资成本,Cpcs=cp*Pbat,cp为单位功率变流器投资成本,Pbat为电池额定功率。
在步骤S134中,计算弃风弃光成本、削负荷成本、碳排放成本和电池储能寿命损耗成本的和为总成本,将总成本作为目标函数。
综上,步骤S13中,构建的目标函数是一种考虑电池损耗的火电机组深度调峰与混合储能协调的多目标规划模型,以弃风弃光成本、削负荷成本、碳排放成本以及电池储能寿命损耗成本的和的最小值为目标函数,配置火电机组调峰深度和混合储能容量。
步骤S14,基于预测电站电网数据确定运行场景,针对运行场景,基于目标函数的最小值确定适应度函数,采用多目标飞蛾扑火优化算法求解得到火电机组状态参数最优解和电池储能系统状态参数最优解。
在步骤S14中,基于预测电站电网数据,构建未来设定时间段内的风电、光伏电站的发电量以及电网负荷的时间序列,为后续配置火电机组和混和储能提供运行场景。
在步骤S14中,针对运行场景,基于目标函数的最小值确定适应度函数,采用多目标飞蛾扑火优化算法求解得到火电机组状态参数最优解和电池储能系统状态参数最优解,包括:获得运行场景下的状态参数解集,状态参数解集包括多个状态参数解,每个状态参数解包括火电机组状态参数和电池储能系统状态参数;飞蛾种群中每个个体的位置为状态参数解集中的一个状态参数解,适应度函数基于目标函数的最小值确定;采用多目标飞蛾扑火优化算法求解得到火电机组状态参数最优解和电池储能系统状态参数最优解。
在步骤S14中,火电机组状态参数包括机组的启停状态、输出功率等;电池储能系统状态参数包括电池的充放电状态、电池的充放电功率等。
图2示出本发明实施例提供的多目标飞蛾扑火优化算法的流程图。
如图2所示,使用多目标飞蛾扑火优化算法进行求解的具体步骤包括:
1)算法初始化、设置算法参数:设置飞蛾种群搜索规模n,最大迭代次数Tmax,以及对数螺旋形状常数b等参数。输入最优潮流控制变量维度d,该维度包括火电机组的状态参数(如机组的启停状态、输出功率等)和电池储能系统的状态参数(如电池的充放电状态、电池的充放电功率等)。
2)变量初始化,随机生成飞蛾并计算其对应适应度值:在搜索空间中随机生成一群飞蛾(解集),每一只飞蛾代表一个可能的火电机组和电池储能系统的运行状态。每个飞蛾的位置由两部分组成,一部分是火电机组的状态参数,包括机组的启停状态、输出功率等;另一部分是电池储能系统的状态参数,包括电池的充放电状态、电池的充放电功率等。对每一只飞蛾的位置进行评价,评价标准为目标函数,即步骤S13的总成本。适应度越高(总成本越低),飞蛾的位置就越好。
3)将飞蛾空间位置按适应度值递增顺序排序,作为第一代火焰空间位置:将飞蛾空间位置以适应度值递增的顺序排序后赋值给火焰,作为第一代中火焰的空间位置。
4)更新飞蛾位置,重新排序,选取更优值作为下一代火焰位置:根据飞蛾扑火算法的位置更新公式,更新当前代飞蛾的位置。每只飞蛾相对火焰的位置更新机制可采用下式表示:
Mi=S(Mi,Fj) (12)
式中,Mi表示第i只飞蛾;Fj表示第j个火焰;S表示螺旋函数。该函数满足以下条件:螺旋函数的初始点应从飞蛾开始;螺旋的终点为火焰的位置;螺旋的波动范围不应超过其搜索空间。将更新后的飞蛾位置与火焰位置的适应度值重新排序,选取适应度值更优的空间位置更新为下一代火焰的位置。
5)根据自适应机制减少火焰数量:根据飞蛾扑火算法的自适应机制,减少火焰的数量。若n只飞蛾每一次的位置更新均基于搜索空间中n个不同的位置,则会降低算法的局部开发能力。为了解决这个问题,针对火焰的数量提出了一种自适应机制,使得在迭代过程中火焰的数量flame.no可以自适应地减少,从而平衡了算法在搜索空间中的全局搜索能力与局部开发能力,公式如下:
式中,l是当前迭代次数;N为最大火焰数;Tmax表示最大迭代次数,round(·)表示四舍五入取整数。同时,由于火焰的减少,每一代中与序列中所减少的火焰所对应的飞蛾则根据当前适应度值最差的火焰更新其自身位置。
6)返回上一步继续计算,直至迭代次数满足算法要求。
7)输出结果:输出具有最低总成本(即最高适应度)的火焰位置,作为火电机组和电池储能系统的最优运行状态,并显示优化结果。该优化结果包括火电机组状态参数最优解和电池储能系统状态参数最优解。
在本实施例中,通过步骤14能够确定一种最优的火电机组和电池储能系统的调度策略,使得弃风弃光成本、削负荷成本、碳排放成本以及电池储能寿命损耗成本的总和达到最小。
步骤S15,基于火电机组状态参数最优解和电池储能系统状态参数最优解生成最优调度指令,以控制机组和电池储能系统的运行。
具体地,步骤S15中,在利用步骤S14确定了最优运行状态后,可以按照以下步骤实施最优调度策略:
1)解析最优解:首先,解析由多目标飞蛾扑火算法输出的最优解。这个最优解中包含了火电机组和电池储能系统的最优运行状态。火电机组的最优运行状态(即火电机组状态参数最优解)可能包括机组的启停状态、输出功率等,而电池储能系统的最优运行状态(即电池储能系统状态参数最优解)可能包括电池的充放电状态、电池的充放电功率等。
2)设置调度指令:根据解析出的最优运行状态,设置相应的调度指令。如果最优运行状态要求某个机组开启并输出特定功率,那么设置相应的启动指令和设定功率指令。如果最优运行状态要求电池进行充电或放电,那么设置相应的充电或放电指令。
3)发送调度指令:将设置好的调度指令发送给相应的设备,以控制相应的设备进行调度。
在步骤S15中,当设备接收到调度指令后,开始按照指令进行操作。火电机组开始调整运行状态,电池储能系统开始进行充电或放电。
步骤S15中,还监控和调整调度过程,具体地,在实施调度的过程中,需要不断监控设备的运行状态,以确保其按照最优运行状态进行操作。如果发现设备的实际运行状态与最优运行状态有较大偏差,需要进行调整,修改调度指令或手动调整设备状态。
在本实施例中,通过步骤15可以将通过多目标飞蛾扑火算法求解得到的最优解转化为具体的设备操作,实现火电机组深度调峰与混合储能协调的目标。
在本实施例中,还可以对利用本发明的方法进行深度调峰后的效果进行验证和优化,从而得到优化后的目标电池储能寿命损耗系数或求解算法,基于优化后的目标电池储能寿命损耗系数或求解算法得到优化后的方法,并及时应用到实际的深度调峰中。
具体地,在实施最优调度策略之后,对其效果进行验证和优化。具体的验证过程如下:
1)数据收集:首先,收集运行数据。包括火电机组的实际运行状态(例如启停状态、输出功率等)、电池储能系统的实际运行状态(例如充放电状态、电池的充放电功率等)、风光资源的消纳情况、碳排放量等。
2)结果评估:评估实施最优调度策略的效果。通过对比实际运行数据和最优运行状态,以及计算实际的弃风弃光成本、削负荷成本、碳排放成本以及电池储能寿命损耗成本来实现。
3)效果分析:对结果进行分析,找出存在的问题和可能的改进措施。如果发现实际运行状态和最优运行状态有较大偏差,则需要进一步分析其原因,如设备故障、系统误差、环境变化等。如果发现某些成本高于预期,则需要寻找相应的优化策略。
4)模型和策略优化:根据效果分析的结果,进行模型和策略的优化。对于电池储能寿命损耗成本高于预期,需要调整电池储能寿命损耗模型或者改进电池充放电策略。对于火电机组的调峰效果不佳,则需要调整火电机组深度调峰与混合储能协调的多目标模型或者改进调度策略。
在本实施例中,通过效果验证和优化,能够不断地验证和优化最优调度策略的效果,不算提高优化后的方法在火电机组深度调峰与混合储能协调方面的效率和经济性。
在本发明实施例的混合储能系统参与火电机组深度调峰优化方法中,构建目标电池储能寿命损耗模型以确定目标电池储能寿命损耗系数;获取设定时间段的历史电站电网数据,基于历史电站电网数据预测未来设定时间段的预测电站电网数据;基于目标电池储能寿命损耗系数获得电池储能寿命损耗,进而获得电池储能寿命损耗成本,利用预测电站电网数据,基于弃风弃光成本、削负荷成本、碳排放成本和电池储能寿命损耗成本的和构建目标函数;基于预测电站电网数据确定运行场景,针对运行场景,基于目标函数的最小值确定适应度函数,采用多目标飞蛾扑火优化算法求解得到火电机组状态参数最优解和电池储能系统状态参数最优解;基于火电机组状态参数最优解和电池储能系统状态参数最优解生成最优调度指令,以控制机组和电池储能系统的运行。在这种情况下,在火电机组深度调峰场景中考虑电池储能的寿命损耗特性,通过构建目标电池储能寿命损耗模型以得到电池储能寿命损耗成本,结合弃风弃光成本、削负荷成本、碳排放成本构建目标函数,利用多目标飞蛾扑火优化算法,获得在基于预测电站电网数据确定的运行场景下,目标函数最小时的火电机组状态参数最优解和电池储能系统状态参数最优解,目标函数最小对应效益最大,故提高了火电机组深度调峰与混合储能协调的经济性,另外,基于火电机组状态参数最优解和电池储能系统状态参数最优解生成最优调度指令,以控制机组和电池储能系统的运行,能够使得机组和电池储能系统的运行在效益最大时的最优状态,由此,能够提高火电机组深度调峰与混合储能协调的效率。
本发明的方法是一种考虑电池寿命损耗的混合储能系统参与火电机组深度调峰优化方法,该发明的方法涉及到了混合储能系统在火电机组深度调峰中的应用以及电池储能寿命损耗的优化。具体通过研究电池储能的寿命损耗特性,建立了精细的分段线性化电池储能寿命损耗模型。然后将这个模型加入到火电机组深度调峰场景中,考虑混合储能技术在提高风光资源消纳率以及减少碳排放量方面的作用。接着以最小化弃风弃光成本、削负荷成本、碳排放成本以及电池储能寿命损耗成本为目标函数,构建了火电机组深度调峰和混合储能协调的多目标模型。还基于目标函数的最小值确定适应度函数,采用多目标飞蛾扑火优化算法求解得到火电机组状态参数最优解和电池储能系统状态参数最优解,确定了一种最优的火电机组和电池储能系统的调度策略,使得弃风弃光成本、削负荷成本、碳排放成本以及电池储能寿命损耗成本的总和达到最小。还基于最优解控制具体的设备操作,实现了火电机组深度调峰与混合储能协调的目标。实施最优调度策略后,还进一步验证和优化效果,以进一步提高火电机组深度调峰与混合储能协调的效率和经济性。本发明为电力系统的高效、环保运行提供了新的理论依据和技术方案。
下述为本发明系统实施例,可以用于执行本发明方法实施例。对于本发明系统实施例中未披露的细节,请参照本发明方法实施例。
请参见图3,图3示出本发明实施例提供的混合储能系统参与火电机组深度调峰优化系统的框图。该混合储能系统参与火电机组深度调峰优化系统可以通过软件、硬件或者两者的结合实现成为系统的全部或一部分。该混合储能系统参与火电机组深度调峰优化系统10包括建模模块11、数据获得模块12、目标函数构建模块13、计算模块14和控制模块15,其中:
建模模块11,用于构建目标电池储能寿命损耗模型以确定目标电池储能寿命损耗系数;
数据获得模块12,用于获取设定时间段的历史电站电网数据,基于历史电站电网数据预测未来设定时间段的预测电站电网数据;
目标函数构建模块13,用于基于目标电池储能寿命损耗系数获得电池储能寿命损耗,进而获得电池储能寿命损耗成本,利用预测电站电网数据,基于弃风弃光成本、削负荷成本、碳排放成本和电池储能寿命损耗成本的和构建目标函数;
计算模块14,用于基于预测电站电网数据确定运行场景,针对运行场景,基于目标函数的最小值确定适应度函数,采用多目标飞蛾扑火优化算法求解得到火电机组状态参数最优解和电池储能系统状态参数最优解;
控制模块15,用于基于火电机组状态参数最优解和电池储能系统状态参数最优解生成最优调度指令,以控制机组和电池储能系统的运行。
可选地,建模模块11,具体用于:针对不同的放电深度,对电池储能系统中的电池进行充放电试验;基于充放电试验的结果建立放电深度-循环寿命曲线;基于放电深度-循环寿命曲线建立初始电池储能寿命损耗模型;对初始电池储能寿命损耗模型进行线性化处理得到目标电池储能寿命损耗模型,从而确定目标电池储能寿命损耗系数。
可选地,在数据获得模块12中,预测电站电网数据包括风电光伏输出功率预测值以及负荷需求预测值、火电机组出力预测值、火电机组未参与深度调峰的出力预测值、混合储能系统出力预测值;
可选地,目标函数构建模块13,具体用于:基于风电光伏输出功率预测值以及负荷需求预测值构建弃风弃光成本;基于火电机组出力预测值构建削负荷成本;基于火电机组未参与深度调峰的出力预测值、混合储能系统出力预测值构建碳排放成本;计算弃风弃光成本、削负荷成本、碳排放成本和电池储能寿命损耗成本的和获得目标函数。
可选地,计算模块14,具体用于:获得运行场景下的状态参数解集,状态参数解集包括多个状态参数解,每个状态参数解包括火电机组状态参数和电池储能系统状态参数;飞蛾种群中每个个体的位置为状态参数解集中的一个状态参数解,适应度函数基于目标函数的最小值确定;采用多目标飞蛾扑火优化算法求解得到火电机组状态参数最优解和电池储能系统状态参数最优解。
可选地,火电机组状态参数包括机组的启停状态、输出功率;电池储能系统状态参数包括电池的充放电状态、电池的充放电功率。
要说明的是,上述实施例提供的混合储能系统参与火电机组深度调峰优化系统在执行混合储能系统参与火电机组深度调峰优化方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将混合储能系统参与火电机组深度调峰优化设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的混合储能系统参与火电机组深度调峰优化系统与混合储能系统参与火电机组深度调峰优化方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明实施例的混合储能系统参与火电机组深度调峰优化系统,建模模块用于构建目标电池储能寿命损耗模型以确定目标电池储能寿命损耗系数;数据获得模块用于获取设定时间段的历史电站电网数据,基于历史电站电网数据预测未来设定时间段的预测电站电网数据;目标函数构建模块用于基于目标电池储能寿命损耗系数获得电池储能寿命损耗,进而获得电池储能寿命损耗成本,利用预测电站电网数据,基于弃风弃光成本、削负荷成本、碳排放成本和电池储能寿命损耗成本的和构建目标函数;计算模块用于基于预测电站电网数据确定运行场景,针对运行场景,基于目标函数的最小值确定适应度函数,采用多目标飞蛾扑火优化算法求解得到火电机组状态参数最优解和电池储能系统状态参数最优解;控制模块用于基于火电机组状态参数最优解和电池储能系统状态参数最优解生成最优调度指令,以控制机组和电池储能系统的运行。在这种情况下,在火电机组深度调峰场景中考虑电池储能的寿命损耗特性,通过构建目标电池储能寿命损耗模型以得到电池储能寿命损耗成本,结合弃风弃光成本、削负荷成本、碳排放成本构建目标函数,利用多目标飞蛾扑火优化算法,获得在基于预测电站电网数据确定的运行场景下,目标函数最小时的火电机组状态参数最优解和电池储能系统状态参数最优解,目标函数最小对应效益最大,故提高了火电机组深度调峰与混合储能协调的经济性,另外,基于火电机组状态参数最优解和电池储能系统状态参数最优解生成最优调度指令,以控制机组和电池储能系统的运行,能够使得机组和电池储能系统的运行在效益最大时的最优状态,由此,能够提高火电机组深度调峰与混合储能协调的效率。
根据本发明的实施例,本发明还提供了一种混合储能系统参与火电机组深度调峰优化设备、一种可读存储介质和一种计算机程序产品。
图4是用来实现本发明实施例的混合储能系统参与火电机组深度调峰优化方法的混合储能系统参与火电机组深度调峰优化设备的框图。混合储能系统参与火电机组深度调峰优化设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。混合储能系统参与火电机组深度调峰优化设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴电子设备和其它类似的计算装置。本发明所示的部件、部件的连接和关系、以及部件的功能仅仅作为示例,并且不意在限制本发明中描述的和/或者要求的本发明的实现。
如图4所示,混合储能系统参与火电机组深度调峰优化设备20包括计算单元21,其可以根据存储在只读存储器(ROM)22中的计算机程序或者从存储单元28加载到随机存取存储器(RAM)23中的计算机程序,来执行各种适当的动作和处理。在RAM 23中,还可存储混合储能系统参与火电机组深度调峰优化设备20操作所需的各种程序和数据。计算单元21、ROM22以及RAM 23通过总线24彼此相连。输入/输出(I/O)接口25也连接至总线24。
混合储能系统参与火电机组深度调峰优化设备20中的多个部件连接至I/O接口25,包括:输入单元26,例如键盘、鼠标等;输出单元27,例如各种类型的显示器、扬声器等;存储单元28,例如磁盘、光盘等,存储单元28与计算单元21通信连接;以及通信单元29,例如网卡、调制解调器、无线通信收发机等。通信单元29允许混合储能系统参与火电机组深度调峰优化设备20通过诸如因特网的计算机网络和/或各种电信网络与其他混合储能系统参与火电机组深度调峰优化设备交换信息/数据。
计算单元21可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元21的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元21执行上述所描述的各个方法和处理,例如执行混合储能系统参与火电机组深度调峰优化方法。例如,在一些实施例中,混合储能系统参与火电机组深度调峰优化方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元28。在一些实施例中,计算机程序的部分或者全部可以经由ROM 22和/或通信单元29而被载入和/或安装到混合储能系统参与火电机组深度调峰优化设备20上。当计算机程序加载到RAM 23并由计算单元21执行时,可以执行上述描述的混合储能系统参与火电机组深度调峰优化方法的一个或多个步骤。备选地,在其他实施例中,计算单元21可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行混合储能系统参与火电机组深度调峰优化方法。
本发明中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑电子设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或混合储能系统参与火电机组深度调峰优化设备使用或与指令执行系统、装置或混合储能系统参与火电机组深度调峰优化设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或电子设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储电子设备、磁储存电子设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明公开的技术方案所期望的结果,本发明在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种混合储能系统参与火电机组深度调峰优化方法,其特征在于,包括:
构建目标电池储能寿命损耗模型以确定目标电池储能寿命损耗系数;
获取设定时间段的历史电站电网数据,基于所述历史电站电网数据预测未来设定时间段的预测电站电网数据;
基于所述目标电池储能寿命损耗系数获得电池储能寿命损耗,进而获得电池储能寿命损耗成本,利用所述预测电站电网数据,基于弃风弃光成本、削负荷成本、碳排放成本和所述电池储能寿命损耗成本的和构建目标函数;
基于所述预测电站电网数据确定运行场景,针对所述运行场景,基于所述目标函数的最小值确定适应度函数,采用多目标飞蛾扑火优化算法求解得到火电机组状态参数最优解和电池储能系统状态参数最优解;
基于所述火电机组状态参数最优解和电池储能系统状态参数最优解生成最优调度指令,以控制机组和电池储能系统的运行。
2.如权利要求1所述的混合储能系统参与火电机组深度调峰优化方法,其特征在于,所述构建目标电池储能寿命损耗模型以确定目标电池储能寿命损耗系数,包括:
针对不同的放电深度,对电池储能系统中的电池进行充放电试验;
基于充放电试验的结果建立放电深度-循环寿命曲线;
基于所述放电深度-循环寿命曲线建立初始电池储能寿命损耗模型;
对所述初始电池储能寿命损耗模型进行线性化处理得到目标电池储能寿命损耗模型,从而确定目标电池储能寿命损耗系数。
3.如权利要求2所述的混合储能系统参与火电机组深度调峰优化方法,其特征在于,所述预测电站电网数据包括风电光伏输出功率预测值以及负荷需求预测值、火电机组出力预测值、火电机组未参与深度调峰的出力预测值、混合储能系统出力预测值。
4.如权利要求3所述的混合储能系统参与火电机组深度调峰优化方法,其特征在于,所述利用所述预测电站电网数据,基于弃风弃光成本、削负荷成本、碳排放成本和所述电池储能寿命损耗成本的和构建目标函数,包括:
基于所述风电光伏输出功率预测值以及负荷需求预测值构建所述弃风弃光成本;
基于所述火电机组出力预测值构建削负荷成本;
基于所述火电机组未参与深度调峰的出力预测值、混合储能系统出力预测值构建碳排放成本;
计算弃风弃光成本、削负荷成本、碳排放成本和所述电池储能寿命损耗成本的和获得目标函数。
5.如权利要求4所述的混合储能系统参与火电机组深度调峰优化方法,其特征在于,所述针对所述运行场景,基于所述目标函数的最小值确定适应度函数,采用多目标飞蛾扑火优化算法求解得到火电机组状态参数最优解和电池储能系统状态参数最优解,包括:
获得所述运行场景下的状态参数解集,所述状态参数解集包括多个状态参数解,每个状态参数解包括火电机组状态参数和电池储能系统状态参数;
飞蛾种群中每个个体的位置为状态参数解集中的一个状态参数解,适应度函数基于所述目标函数的最小值确定;
采用多目标飞蛾扑火优化算法求解得到火电机组状态参数最优解和电池储能系统状态参数最优解。
6.如权利要求5所述的混合储能系统参与火电机组深度调峰优化方法,其特征在于,所述火电机组状态参数包括机组的启停状态、输出功率;所述电池储能系统状态参数包括电池的充放电状态、电池的充放电功率。
7.一种混合储能系统参与火电机组深度调峰优化系统,其特征在于,包括:
建模模块,用于构建目标电池储能寿命损耗模型以确定目标电池储能寿命损耗系数;
数据获得模块,用于获取设定时间段的历史电站电网数据,基于所述历史电站电网数据预测未来设定时间段的预测电站电网数据;
目标函数构建模块,用于基于所述目标电池储能寿命损耗系数获得电池储能寿命损耗,进而获得电池储能寿命损耗成本,利用所述预测电站电网数据,基于弃风弃光成本、削负荷成本、碳排放成本和所述电池储能寿命损耗成本的和构建目标函数;
计算模块,用于基于所述预测电站电网数据确定运行场景,针对所述运行场景,基于所述目标函数的最小值确定适应度函数,采用多目标飞蛾扑火优化算法求解得到火电机组状态参数最优解和电池储能系统状态参数最优解;
控制模块,用于基于所述火电机组状态参数最优解和电池储能系统状态参数最优解生成最优调度指令,以控制机组和电池储能系统的运行。
8.如权利要求7所述的混合储能系统参与火电机组深度调峰优化系统,其特征在于,所述建模模块,具体用于:
针对不同的放电深度,对电池储能系统中的电池进行充放电试验;
基于充放电试验的结果建立放电深度-循环寿命曲线;
基于所述放电深度-循环寿命曲线建立初始电池储能寿命损耗模型;
对所述初始电池储能寿命损耗模型进行线性化处理得到目标电池储能寿命损耗模型,从而确定目标电池储能寿命损耗系数。
9.如权利要求8所述的混合储能系统参与火电机组深度调峰优化系统,其特征在于,在数据获得模块中,所述预测电站电网数据包括风电光伏输出功率预测值以及负荷需求预测值、火电机组出力预测值、火电机组未参与深度调峰的出力预测值、混合储能系统出力预测值;所述目标函数构建模块,具体用于:基于所述风电光伏输出功率预测值以及负荷需求预测值构建所述弃风弃光成本;基于所述火电机组出力预测值构建削负荷成本;基于所述火电机组未参与深度调峰的出力预测值、混合储能系统出力预测值构建碳排放成本;计算弃风弃光成本、削负荷成本、碳排放成本和所述电池储能寿命损耗成本的和获得目标函数。
10.一种混合储能系统参与火电机组深度调峰优化设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的混合储能系统参与火电机组深度调峰优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311119191.9A CN117154736A (zh) | 2023-09-01 | 2023-09-01 | 一种混合储能系统参与火电机组深度调峰优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311119191.9A CN117154736A (zh) | 2023-09-01 | 2023-09-01 | 一种混合储能系统参与火电机组深度调峰优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117154736A true CN117154736A (zh) | 2023-12-01 |
Family
ID=88900213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311119191.9A Pending CN117154736A (zh) | 2023-09-01 | 2023-09-01 | 一种混合储能系统参与火电机组深度调峰优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117154736A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993639A (zh) * | 2018-12-17 | 2019-07-09 | 广西电网有限责任公司电力科学研究院 | 一种虚拟电厂参与日前电力市场的优化投标策略 |
CN112465181A (zh) * | 2020-09-11 | 2021-03-09 | 国网天津市电力公司电力科学研究院 | 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法 |
CN113285490A (zh) * | 2021-06-07 | 2021-08-20 | 中国南方电网有限责任公司 | 电力系统调度方法、装置、计算机设备和存储介质 |
CN114204550A (zh) * | 2021-11-24 | 2022-03-18 | 国网天津市电力公司电力科学研究院 | 一种含多类型新能源的电力系统绿色调度方法 |
WO2022100091A1 (zh) * | 2020-11-10 | 2022-05-19 | 中国能源建设集团湖南省电力设计院有限公司 | 一种广义源储系统调度的集中控制方法 |
CN114741960A (zh) * | 2022-03-31 | 2022-07-12 | 河北工业大学 | 一种综合能源经济环境调度优化方法及系统 |
-
2023
- 2023-09-01 CN CN202311119191.9A patent/CN117154736A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993639A (zh) * | 2018-12-17 | 2019-07-09 | 广西电网有限责任公司电力科学研究院 | 一种虚拟电厂参与日前电力市场的优化投标策略 |
CN112465181A (zh) * | 2020-09-11 | 2021-03-09 | 国网天津市电力公司电力科学研究院 | 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法 |
WO2022100091A1 (zh) * | 2020-11-10 | 2022-05-19 | 中国能源建设集团湖南省电力设计院有限公司 | 一种广义源储系统调度的集中控制方法 |
CN113285490A (zh) * | 2021-06-07 | 2021-08-20 | 中国南方电网有限责任公司 | 电力系统调度方法、装置、计算机设备和存储介质 |
CN114204550A (zh) * | 2021-11-24 | 2022-03-18 | 国网天津市电力公司电力科学研究院 | 一种含多类型新能源的电力系统绿色调度方法 |
CN114741960A (zh) * | 2022-03-31 | 2022-07-12 | 河北工业大学 | 一种综合能源经济环境调度优化方法及系统 |
Non-Patent Citations (4)
Title |
---|
MOHAMMAD ZEESHAN ET AL.: "Adaptive Moth Flame Optimization based Load Shifting Technique for Demand Side Management in Smart Grid", 《IETE JOURNAL OF RESEARCH》, 23 February 2021 (2021-02-23), pages 778 - 789 * |
刘世宇: "考虑储能资源的风电富集电力系统环境经济调度方法研究", 《中国优秀硕士学位论文全文数据库》, 15 August 2018 (2018-08-15), pages 042 - 155 * |
朱健宇等: "兼顾碳减排和新能源消纳的火电机组深度调峰与复合储能协调规划", 《电力自动化设备》网络首发, 26 March 2023 (2023-03-26), pages 1 - 9 * |
赵 诣等: "考虑电池储能寿命损耗的风光储微网随机日前调度策略", 《电气工程学报》, vol. 17, no. 3, 30 September 2022 (2022-09-30), pages 210 - 218 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Optimal sizing of a wind-energy storage system considering battery life | |
US8884579B2 (en) | Storage battery management system | |
CN110070292B (zh) | 基于交叉变异鲸鱼优化算法的微网经济调度方法 | |
James et al. | Optimal V2G scheduling of electric vehicles and unit commitment using chemical reaction optimization | |
CN110854932A (zh) | 一种交直流配电网多时间尺度优化调度方法及系统 | |
CN113285490B (zh) | 电力系统调度方法、装置、计算机设备和存储介质 | |
CN112884270A (zh) | 一种考虑不确定性因素的多场景配电网规划方法及系统 | |
CN117039895B (zh) | 一种用于储能辅助黑启动的风功率预测方法及系统 | |
CN113988384A (zh) | 一种提高配电网可靠性的储能容量优化配置方法 | |
CN110766239A (zh) | 基于烟花算法的微电网优化调度方法 | |
Zhang et al. | Sequence control strategy for hybrid energy storage system for wind smoothing | |
CN110518634A (zh) | 基于改进指数平滑法的蓄电池储能系接入风电场控制方法 | |
CN117114718B (zh) | 碳排放管理方法、装置、电子设备和存储介质 | |
Zhang et al. | Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach | |
CN113435659A (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 | |
CN115511386B (zh) | 基于多目标混合非洲秃鹫优化算法的多能系统调度方法 | |
CN112186808A (zh) | 一种微网能量优化调度方法 | |
CN115459310A (zh) | 基于改进变分模态分解的混合储能容量优化方法及系统 | |
CN117154736A (zh) | 一种混合储能系统参与火电机组深度调峰优化方法及系统 | |
Chandrasekaran et al. | Tuned fuzzy adapted firefly lambda algorithm for solving unit commitment problem | |
Tongyu et al. | Based on deep reinforcement learning algorithm, energy storage optimization and loss reduction strategy for distribution network with high proportion of distributed generation | |
CN117575175B (zh) | 碳排放评估方法、装置、电子设备和存储介质 | |
CN113555887B (zh) | 电网能源控制方法、装置、电子设备及存储介质 | |
CN113507134B (zh) | 一种规划目标年新能源电源装机容量的优化规划方法 | |
CN116961188B (zh) | 基站电源的调度方法、装置、电子设备和可读存储介质 |
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 |