CN117154808A - 考虑电力交易的分布式新能源和多元储能聚合建模方法 - Google Patents

Abstract

本发明涉及一种考虑电力交易的分布式新能源和多元储能聚合建模方法，包括以下步骤：步骤1、整合并分析现有配电网、用户侧系统中获得的数据，研究风电、光伏发电的聚合预测，构建基于数据驱动的用户侧风/光新能源的聚合预测模型；步骤2、考虑多类型能源转换设备的非线性特性，对锂电、铅酸、氢储能等技术中常用储能的特性进行分析，建立锂电、铅酸、氢储能等多元储能数据驱动聚合模型；步骤3、分析本地区微气象分布特征和光伏分散特征，构建基于数据驱动的分布式能源的多元储能混合运行模型。本发明构建基于数据驱动的分布式新能源和多元储能聚合模型，为用户侧分布式新能源和多元储能的网源协调奠定基础。

Description

考虑电力交易的分布式新能源和多元储能聚合建模方法

技术领域

本发明属于配电网用户侧网源协调领域，尤其是一种考虑电力交易的分布式新能源和多元储能聚合建模方法。

背景技术

分布式新能源的接入对电网稳定性产生诸多不确定性影响，尤其分布式新能源接入系统的影响在地区级电网中影响已经有所表现。然而，分布式新能源电源接入系统影响的研究还停留在表面定性研究层面，以及脱离实际测试数据的空洞简单模型上，导致相关研究与仿真结果脱离实际。

发明内容

本发明的目的在于考虑分布式新能源和多元储能的不同运行特性，构建基于数据驱动的分布式新能源和多元储能聚合模型，为用户侧分布式新能源和多元储能的网源协调奠定基础。

本发明的技术方案：

一种考虑电力交易的分布式新能源和多元储能聚合建模方法，包括以下步骤：

步骤1、整合并分析现有配电网、用户侧系统中获得的数据，研究风电、光伏发电的聚合预测，研究分布式光伏发电的电力交易，构建基于数据驱动的用户侧风/光新能源的电力交易聚合预测模型；

步骤2、考虑多类型能源转换设备的非线性特性，对锂电、铅酸、氢储能储能的特性进行分析，建立锂电、铅酸、氢储能多元储能数据驱动聚合模型；

步骤3、分析本地区微气象分布特征和光伏分散特征，构建基于数据驱动的分布式能源电力交易和多元储能混合运行模型。

优选的，所述步骤1的具体步骤包括：

步骤1.1：通过对移动互联网、智慧电网、用户侧系统获得的数据进行整合和提炼，获得电网拓扑结构、潮流计算、负荷预测数据；

步骤1.2：分析风电、光伏发电特性，研究风电、光伏的聚合预测；

步骤1.3：建立分布式光伏发电的电力交易模型，分析分布式电源参与电力交易的优势；

步骤1.4：运用数据驱动方法构建基于人工神经网络的用户侧风/光新能源的聚合预测模型。

优选的，聚合预测方法包括以下步骤：

首先提取历史数值天气中的气象因素记录，并将记录中的各个因素数据进行标准化处理；再以预测时间点的气象为核心对标准化历史气象记录进行相似聚合，筛选原始样本；然后对相似聚合中记录的气象因素进行降维，得到独立因素；最后建立独立因素和风电/光伏功率的映射关系，实现聚合预测。

优选的，气象因素包括：包括风速、风向、光照强度、气压、温度和湿度气象因素。

优选的，所述步骤1.2包括以下步骤：

步骤1.2.1：提取历史数值天气中的气象因素记录，并将记录中的各个因素数据进行标准化处理，剔除异常点并将数据线性映射到[0,1]区间内；

步骤1.2.2：以预测时间点的气象为核心对标准化历史气象记录进行相似聚合；

步骤1.2.3：对相似聚合中记录的气象因素运用主成分分析法进行降维，得到独立因素；

步骤1.2.4：建立独立因素和风电/光伏功率的映射关系，实现聚合预测。

优选的，所述步骤2的具体步骤包括：

步骤2.1：考虑多类型能源转换设备的非线性特性，对锂电、铅酸、氢储能等储能技术的启停响应速度、功率密度、能量转化效率以及成本特性进行分析总结；

步骤2.2：利用量测装置获得锂电、铅酸、氢储能等储能设备的历史能量流动数据，采用神经网络模型拟合上述储能设备的历史数据集，得到初步的储能设备非线性黑盒模型；

步骤2.3：根据具体选用的锂电池、铅酸电池、氢储能设备，通过对步骤2.2得到的初步的储能设备非线性黑盒模型进行最大荷电量额定值、极限功率等参数的调整，建立相应的储能模型。

优选的，神经网络算法是由输入层、隐含层以及输出层组成，输入层使用n个神经元，输入信号使用向量X＝[x₁,x₂,...,x_n]^Τ；隐含层包含n个神经元节点，隐含层输出向量为G＝[g₁,g₂,...,g_n]^Τ；输出层中包含的向量为D＝[d₁,d₂,...,d_n]^Τ。

优选的，所述步骤3的具体步骤包括：

步骤3.1：掌握本地区的微气象分布特征和该区域内分散光伏特征；

步骤3.2：对数据进行建模，并利用K-中心点方法对微气象分布特征和光伏分散特征进行聚类；

步骤3.3：基于需求响应策略，以分布式能源出力为约束条件，研究计及需求响应策略的分布式能源优化运行模型；

步骤3.4：基于多元储能设备平抑风光电源出力的能量调度原则，将构建的分布式能源与多元储能的数据驱动模型进行串联，得到当地风光资源分布特性下，风光出力预测与多元储能运行特性的动态模型，构建基于数据驱动的分布式能源和多元储能混合运行模型。

优选的，掌握本地区的微气象分布特征和该区域内分散光伏特征的途径包括文献检索以及通过气象局或电网公司获得。

优选的，所述K-中心点方法为:

在n个数据对象中随机选择k个中心，集合中其他数据对象被划分到与中心最近的数据集合中去，形成了k个初始的数据集合；对于每个数据集合，计算新的中心，然后根据新的中心重新分配其他数据集合，这样不断迭代，直到所有的数据中心不再变化；该算法的具体步骤：

(1)随机选择k个初始聚类中心C＝{c₁,c₂…c_k}；

(2)如果s与聚类中心c_i之间的距离小于该对象到c_j的距离，则将s划分到聚类簇C_i中；

(3)重新计算聚类簇C_i的中心：/>重复步骤(2)和(3)直到聚类中心C不再变化。

本发明的有益效果：

1、本发明构建了基于数据驱动的分布式新能源和多元储能聚合模型，充分考虑风/光分布式新能源、水/电/气/热等多类型能源转换设备的非线性特性以及锂电/铅酸/氢储能等多元储能的运行特点，基于数据驱动构建了更全面的聚合预测模型，符合用户侧网源接入系统的实际运行情况。

2、本发明考虑到分布式能源和多元储能单元单独运行以及混合运行的不同特性，并且利用聚类技术分析运行特点，建立了区域范围内分布式能源和多元储能混合运行特性的模型，为分析用户侧网源接入对电网稳定性的不确定影响和确定网源协调运行策略提供模型基础。

附图说明

图1聚合预测方法流程图；图2神经网络算法模型图；图3K-中心点方法算法流程图；图4为本发明实施例预测精度与真实值图；图5为本发明实施例多元储能系统的特性模型结果图；图6为本发明实施多元储能系统的能效特性模型结果图；图7为本发明实施多元储能系统的运行精度图；图8本发明实施例风力发电机组模型图；图9为本发明实施例光伏电池原理图；图10为本发明实施例光伏发电系统结构图；图11为本发明实施例区域水电气热综合能源系统能量流通示意图；图12为本发明实施例电转气设备运行过程图；图13为本发明实施例热电联产机组工作原理图；图14为本发明实施例风光储联合发电系统结构图；

图8中：v—自然风速；T—风轮的转矩；ω—风轮的角速度；β—桨距角，控制有功出力的大小；P_set—为满足电网运行要求制定的当前风光系统的设定功率参考值；P_seti—第i台风电机组的设定有功参考值；P_ref—每台风电机组预期发的有功。

具体实施方式

如图1-3所示，本发明的具体实施例如下：

1.1风电场聚合预测模型

风力发电的原理是：自然风首先吹向机组，使得叶轮转动，然后带动轮毂转动，风力机组的叶轮将空气流动所产生的动能转化为机械能，其次由传动结构将转化后的机械能传递到转子上，使得转子旋转发出电能，最后通过变电站将电能注入电网。其能量转换过程是：风能→机械能→电能。

风电机组的结构模型主要包括:模拟风速输入的风速模型、模拟风能转换为机械能的风力机模型、模拟传动装置的机械传动模型、模拟机械能转换为电能的风力发电机模型和风力发电机组功率控制模型，机组各模型之间的传递关系如图8所示：

首先，风光储能量分配系统根据电网调度制定的调节和控制模式得到P_set，其次，根据当前区域的风速预测结果和预先制定的能量分配策略，得到P_seti，然后对风力机的桨距角和转矩进行控制,实现风电机组的有功控制，最终输出P_ref。

风能转化为机械能的风力发电机模型为:

式中：P为风轮的机械输出功率；ρ为空气密度；η为风能利用系数；S为叶片扫过的面积。

风力发电机输出的有功功率与风速的大小密切相关，所以在确定其输出功率前，对风速变化以及分布情况的研究至关重要。在实际应用中，一般有两种方法可以得到风速。一种是直接法，即直接参考某实际电厂或电站某一段时间的风速，这样所得到的数据较为准确，但可能达不到预期的效果；第二种是间接计算法，由于风速具有高度的随机性，所以我们可通过风速的概率分布来描述其统计特征，这类方法在实际应用中的研究较为广泛。

模拟风速分布的模型很多，主要有皮尔逊分布、瑞利分布和双参数威布尔(Weibull)分布等，但大量的实验数据表明精度较高的模型是Wuibull分布，其概率密度函数表达式为：

式中：v—实际风速；k—威布尔形状参数，描述函数的形状；c—威布尔尺度系数，

体现某时段的平均风速。

本文基于Weibull分布，提出使用Monte Carlo方法来模拟实际风速。

对式(1.2)进行积分，得到v的累积分布函数F(v)如式(1.3)所示:

对式(1.3)进行反演计算，则使用计算机模拟实际风速v的函数表达式为:

由于F(v)～(0,1)，因此1-F(v)～(0,1)，故随机抽样风速v：

当实时风速低于切入风速时，风力机组的有功出力为零；如果实时风速大于切入风速小于额定风速，风力机组的输出功率与风速成非线性关系；如果实时风速大于额定风速小于切出风速，风力机组输出额定功率，且保持不变；如果实时风速高于切出风速,风力机组的有功出力为零。

根据上述原理，可知风力发电机组的功率模型为输出功率与风速之间的分段函数：

式中：P_wt—风机额定出力；P_r—风机额定功率；v_r—额定风速；v_in—切入风速；v_out—切出风速；

参数α、β、γ为风力发电机有功出力曲线的多项式拟合系数，其计算表达式如下所示：

1.2光伏聚合预测模型

光伏发电的原理是：我们利用电池中半导体的光生伏打效应，将辐射到电池板的太阳能转化成直流电能，再经过逆变器转化为交流电能后输出，最终注入电网中。其能量转换过程是：太阳能→电能。

其中，太阳能转换为电能的具体过程为：自然光首先照射到光伏电池上并被吸收，然后Р区和N区中的价电子在受到冲击后被释放，形成电子-空穴对。最后在内部E作用下分离，出现不同电量Q的积累，即产生光生U。如果此时接入负载，则会有Ⅰ流过，因此产生电能，这一过程可由图9表示。

光伏发电系统主要由太阳能光伏阵列、DC/DC变换器、控制器、逆变控制系统和滤波及升压电路组成，其组成结构及传递关系如图10所示。

光伏电池板通过串并联的方式组成光伏阵列，通过DC/DC变换器实现MPPT控制，然后将输出的直流电通过逆变器转换为交流电，接着经过滤波及升压电路，最终接入到三相交流电网中。

光伏发电系统的输出功率大小与光照辐照强度E，太阳能电池阵列总面积s及光电转换效率n有着直接的关系，其出力模型为:

P_st＝ESη(1.10)

在电力系统的实际应用中，电池阵列总面积S及转换效率η是可以人为假定的，但是由于E是随机变化的，所以其输出功率也是随机变化的。因此，若要计算光伏发电的功率，首先要得到E的数值大小。

在实际应用中，一般有两种方法可以求得太阳光照强度。一种是直接法，即直接参考某实际电厂或电站某一段时间的太阳光照强度，这样所得到的数据较为准确，但可能达不到预期的效果；第二种是计算机模拟法,

由于光照强度具有高度的随机性，所以我们可通过计算机来模拟太阳光辐照度E，这类方法在工程实践中应用的较为广泛。

模拟太阳光辐照度E的分布很多，但贝塔分布使用最为广泛，其概率密度函数f(E)为：

式中：E_m为太阳光辐照度E的最大值，λ和μ表示贝塔分布的两个形状参数。对式(1.11)积分太阳光辐照度E的概率累积分布函数F(E)如式(1.12)示:

对式(1.12)进行反演计算，则使用计算机模拟实际太阳光辐照度E的强度函数表达式为:

E＝E_m*F^-1(E)(1.13)

由式(1.13)就可以得到太阳光辐照度E，从而求得光伏发电的输出功率。

1.3分布式电源参与电力交易模型

分布式电源的机组容量通常较小，并且发电曲线很难预测，这导致分布式电源直接参与电力市场交易在费用结算中会产生偏差考核费用。因此，分布式电源可探索由分布式电源运营商代理，聚合成1个主体参与电力市场竞争。假设聚合后的分布式电源电能量偏差结算至分布式电源运营商，其1天可以分为T个时间段，分布式电源运营商的偏差考核费用为：

式中：R^t、和a_c分别为分布式绿电运营商在t时间段内的实际出力、合约电量和合约偏差系数；A、B分别为发生负偏差和正偏差时的惩罚系数；λ_θ为市场中平均成交价格。

分布式电源运营商(distributed generation operator，DGO)主要通过分布式光伏机组和分布式风机进行发电，在电力市场中进行电量交易获得相应的收益。在合作运行模式下，DGO不仅可以在电力市场中进行电量交易，也可以将电量卖给云储能运营商(energy storage operator，ESO)和柔性负荷聚合商(flexible load aggregator，FLA)来获得更高收益。因此1天内第个DGO主体的效益的最大化运行模型可表示为：

maxF_i,DGO＝U_i,g+U_i，CESO+U_i，FLA-C_i，DGO (1.16)

式中：U_i,g、U_i,ESO、U_i,FLA分别为第个DGO主体参与电力市场的收益、向ESO售电的收益、向FLA售电的收益；C_i,DGO为分布式光伏机组以及分布式风电机组的运行维护成本；为时间段内市场电能量出清价格；/>为绿色电力环境溢价；/>为分布式绿电参与电力市场的交易电量；/>分别为时段内DGO与ESO、FLA的交易电价，/>分别为时段内DGO与各个ESO、FLA的总交易电量；K_W、K_pv分别为分布式风机和分布式光伏的单位发电量成本维护系数；/>分别为时段内DGO中分布式风机和分布式光伏的总发电功率；分别为t时段内DGO中分布式风机与光伏的发电量。当/>和当/>时，上述模型优化的结果为DGO单独参与市场交易时的收益。

1.4基于数据驱动的用户侧风/光新能源的聚合预测模型

风电和光伏受全年风速和光照的影响，其出力具有随机性、波动性和间歇性的特点，但又有一定规律性。风电和光伏的出力具有明显的季节性，如果直接将每个季节作为一个场景，场景划分的精确度不足，为此本文采用聚类方法为每个季度生成多个场景，提高场景精确度。首先提取表示风电、光伏出力特征的日特征值，然后把所有区域日特征值所构成的日特征向量作为聚类对象，进而根据改进的K-means算法进行场景缩减。风光出力曲线的日特征值包括日平均值、日最大值，日峰值时刻和日峰谷差。设共有n块聚合区域，d代表日期，则日特征向量可表示为：

式中，为第i块区域风电的日特征向量，/>为第i块区域光伏的日特征向量，a_i,1,a_i,2,a_i,3和a_i,4分别代表第i块区域风电和光伏的日平均值、日最大值，日峰值时刻和日峰谷差。

设某个季节共有D天，则每季节共有D个日特征向量即为D个初始场景，日特征向量是1×(n*4*2)维行向量。本文采用改进K-means算法对日特征向量

进行聚类分析，达到场景缩减的目的。

K-means是一种迭代聚类算法，通过不断更新聚类中心和分配给每类的对象来实现。为了确定最优聚类个数K，引入轮廓系数以评估聚类结果的好坏。轮廓系数的取值范围为[-1,1],越接近于1代表内聚度和分离度都相对较优。用a(i)代表第i个聚类向量的簇内不相似度，b(i)代表第i个聚类向量的簇间不相似度，则第i个聚类向量的轮廓系数为:

则通过改进K-means算法生成多场景的步骤如下:

(1)初始化日特征向量和聚类个数，日特征向量共有D个；

(2)从D个聚类对象中随机选取K个作为初始聚类中心，记为C_1,0,C_2,0,…C_k,0；

(3)对任意一个聚类对象，计算其到各个聚类中心的欧式距离，并将该对象归到距离最短的聚类中心所在类；

(4)利用均值法更新每类聚类对象的聚类中心，新的聚类中心记为C₁,C₂,…C_k若max||c_i,0-c_i||≤ε，则进行下一步，否则，更新聚类中心，返回(3)。其中ε是判断迭代是否终止的阈值；

(5)计算D个聚类对象所对应的轮廓系数，取D个轮廓系数的平均值作为聚类结果的轮廓系数，记为S_k；

(6)K＝K+1，若K>9，进行下一步，否则返回(2)；

(7)求取聚类结果轮廓系数的最小值S_k.min，则该K值对应最终聚类结果，并根据每类的聚类对象个数确定场景概率，记为P_k.min。

本文通过降低聚类向量的维度来降低计算复杂度。日出力曲线构成的聚类向量的维度为n*24*2，日特征值构成的聚类向量的维度为n*4*2，其中n代表聚合区域的个数，24是一天的小时数，2是资源的种类数。后者聚类向量的维度是前者的1/6，所以采用日特征向量进行聚类分析能降低计算复杂度。

2多元储能数据驱动的聚合建模

研究考虑水/电/气/热等多类型能源转换设备的非线性特性；研究锂电/铅酸/氢储能等快速响应机理数据驱动分析方法；研究锂电、铅酸、氢储能等多元储能数据驱动聚合建模技术。

2.1水/电/气/热等多类型能源转换设备的非线性特性

区域电-气-热-水综合能源系统是由电网、天然气网、热网和水网通过耦合元件耦合而成的联合供能系统。在综合能源系统中，耦合元件的作用是将某种形式的能源转换成另一种形式的能源，通俗一点来说就是需要以耦合设备为媒介，将电与冷、热、气、水等多能源建立更直观的联系，这样可将其他能源转为电力再去计算其成本，更直观也更有效。本文耦合设备主要包括电驱动水泵、废水利用装置、电转气设备(Power to Gas，PtG)、电锅炉、燃气锅炉、热电联产机组、水电联产机组等。以区域电-气-热综合能源系统能量流通为基础，结合水网模型及耦合设备可构成区域电-气-热-水综合能源系统能量流通示意图如图11所示:

(1)热电联产机组模型

热电联产机组(Combined heat and power，CHP)在工作时可以逐级利用各阶段能量，实现对电负荷、热负荷的联合供给，提高了能源利用率，减少碳排放量。其工作原理如图13所示。

其中热电联产机组燃烧天然气后，向区域综合能源系统所转移的电功率的数学模型如下：

式中，V_MT,t—t时刻天然气的消耗量；R_LHV—t时刻天然气的热值；η_MT—热电联产机组的发电效率。

其中热电联产机组产生的余热量H_MT,t的表达式如下：

式中，η_L—机组的散热损失率。

热量传输效率模型：

H_MT,h,t＝η_MT×H_MT,in,t(2.3)

式中，η_MT—交换器的传输效率；H_MT,h,t—t时刻热交换器输入热能；H_MT,in,t-t时刻热交换器输出热能。

热电联产机组的运行成本可以用下式表示:

式中，C_MT,t—机组在1时刻的供能成本；c_NG—天然气气价。

(2)供热锅炉

电制热锅炉(Electric Boiler，EB)主要以电流流通产生的损耗发热或电磁感应原理产生热能，进一步将可利用的热能通过热交换部分输出，进而供负荷侧用户使用。电制热锅炉与常规燃煤锅炉相比具有体积小、无污染等优点，同时在效率方面，电制热锅炉的电转热效率达98％以上。其数学模型可用下式表示：

H_GB,t＝Q_gas,t×η_GB×R_LHV (2.5)

H_eb,t＝P_eb,t×η_eb (2.6)

C_gas，t＝c_NG×Q_gas,t×Δt (2.7)

式中，H_GB，t—t时段燃气锅炉t时刻所产生的热量；H_eb，t—t时段电制热锅炉t时刻所产生的热量；η_GB—燃气锅炉制热效率；η_eb——制热锅炉制热效率；C_gas,t—燃气锅炉耗能成本；Q_gas,t—t时段天然气的消耗量。

(3)电转气设备

电转气设备可以生成氢气和氧气，氢气也可以传输给加氢站，提供给燃料电池汽车使用，氢气也可以进一步合成甲烷，引入天然气管道，这样可以更大程度的消纳清洁能源，其运行过程如图12所示。该设备一方面可以利用能源供应富足时刻清洁能源产生的多余电能将水电解生成大量的氧气和氢气，还可以电转甲烷设备吸收二氧化碳，生成甲烷燃料和水。

在电解设备中，电解水生产的氢气可表示为：

式中，—电转气设备ptg的输入功率；/>—电转气设备ptg中电制氢气效率；—电转气设备ptg制取氢气量；ξ_e,g—电能转换为等值热能系数；HHV_H2—氢气的高热值。

电转气设备中的电解水设备的功率通常被限制在一定的范围内:

式中，—电转气设备ptg中电解设备的最小和最大输入功率；/>—电转气设备ptg中电解设备的运行状态。

在甲烷化设备中，消耗的二氧化碳与合成的甲烷可分别表示为：

式中，—电转气设备ptg中消耗的二氧化碳；/>—电转气设备ptg中反应合成甲烷量；/>—氢气与二氧化碳之间的反应系数；/>—氢气与甲烷之间的反应系数。

(4)水电联产机组模型

由于水网系统的引入，能源系统耦合模型中新增了水泵、水电联产机组以及废水利用装置设备，其中水泵为水网中的独立元件，仅产生水资源供水，水电联产机组与废水利用装置属于水-电耦合装置。水电联产机组能够同时产生水功率与电功率，二者之间具有较强的约束，废水利用装置能够将多余的废水进行发电，产生电功率，能够实现水资源到电能的转换。以下介绍水电联产机组与废水利用装置两类耦合元件模型。

与热电联产机组类似,水电联产能够通过消耗一定的燃料,同时产生水能与电能。具体原理为:水电联产机组主要由废水利用装置与电力联产装置组成，水电联产机组通过燃烧燃料产生电能，同时将多余产生的水蒸气通过废水利用装置进行处理，进而产生水资源，从而实现水能与电能的协同产出。

通常水电联产机组的燃料成本与输出的水功率与电功率相关，其燃料成本表示如下：

式中，α_c、β_c、y_c、ζ_c、ζ_c、ξ_c——分别为水电联产机组c的燃料消耗特性系数；P_c,t—表示为第t时段水电联产机组c的发电功率；W_c,t—表示为第t时段水电联产机组c的产水率；U_c,t—表示为二进制变量，当水电联产机组c开启时为1，否则为0。

2.2研究锂电/铅酸/氢储能等快速响应机理数据驱动分析方法

以锂电、铅酸、氢储能等为代表的化学储能系统，其充放电过程就是储能系统与电网完成能量交互的过程，而且它们之间的能量是双向流动的。当储能系统充电时，风电系统和光伏系统发出的多余电能被储能系统从电网中吸收；当储能系统放电时，将多发的电能向电网释放。

对于化学储能系统，其充放电能力与当前剩余电量有关，而当前剩余电量不仅与上一时刻的剩余电量有关，还与储能系统的充放电功率、充放电效率、额定容量及自放电率有关。

充电过程：

放电过程：

式中：S(t)、S(t-1)表示第t时刻、t-1时刻蓄电池的剩余电量；σ表示蓄电池的自放电率；η_c、η_d表示蓄电池的充电效率和放电效率；P_c、P_d表示蓄电池的充电功率和放电功率；E₀表示储能系统的额定容量；Δt为时段t与时段t+1间的时间间隔。

除此之外，还可得到储能系统的能量公式：

E(t)＝S(t-1)·E₀(2.15)

根据储能系统对风电、光伏发电系统的控制作用的不同，储能系统主要分为以下四种控制模式:

(1)平滑功率输出模式

风、光的波动性和间歇性会导致其出力波动较大，给系统带来消极的作用。在该模式下，储能元件利用其秒级的充放电特性，能够平滑联合系统的总有功出力曲线，从而使得其并入电网时满足安全、可靠、稳定的运行要求。

(2)跟踪计划出力模式

在该模式下，监控系统会依照人们提前预测的出力曲线，严格调节和控制储能元件的充放电过程，使得系统发出的总有功出力曲线与计划出力曲线相似。计划出力曲线不仅可以依照系统所处区域的气候以及自然环境等预测得到，而且还可以通过负荷预测情况获得。

(3)负荷曲线削峰填谷模式

在该控制模式下，依照负荷峰谷特性的变化情况，储能元件也随之变换充放电方式。夜晚，系统负荷较低，储能元件处于充电状态，从电网中吸收并储存多余的风能和光能；白天，系统负荷较高，储能元件处于放电状态，向电网释放一定的能量，缓解负荷压力，使系统出力更加平稳。

(4)系统调频模式

在实际应用中，风力和光伏发电的有功功率随风速和太阳光照影响较大，其出力难以有效预测和控制，所以一般选用火电或水电机组来进行系统的调频。但是随着风光等新能源规模的不断扩大，用于电力系统调频的机组容量也不断降低，导致我们需要开发和研究新的调频方式。然而，储能系统具有秒级快速调节作用，可以快速地调节系统频率。

2.3研究锂电、铅酸、氢储能等多元储能数据驱动聚合建模技术

储能系统实现了同种能量在时间上的错位分布，能够调节供能在时间上的供需不匹配性，因此可以作为功能区综合能源系统的二次调节手段，弥补由于多能互补造成的能源供需不匹配性。

在区域综合能源系统运行时，以锂电、铅酸、氢储能为代表的电化学储能主要发挥平抑可再生能源出力不确定性、提高系统运行经济性的作用，可以在电网负荷低的时候储存电能，在电网负荷高的时候释放电能，用于削峰填谷，减轻电网波动，目前在可再生能源并网、分布式发电及微网领域已实现兆瓦级的示范应用。蓄热式电锅炉中的电锅炉是能量形式转换的耦合单元，一般利用光伏、风电等新能源作为电源，通过电磁感应或电阻方式发热，输出热水或高温蒸汽，加装储热罐可打破常规的“以热定电”运行模式，使得电锅炉的电负荷即具有可控性，在负荷低谷时段可增加电负荷，将多余的电量转化成热能储存起来；在负荷高峰期则降低电负荷需求，利用储存的热能进行供热。这样不仅使低谷时段的风电得到更有效的利用，而且起到削峰填谷的作用，极端情况下甚至可以将CHP机组停机，完全使用电锅炉供热，实现供热零排放。在各种冷储能方式中，冰蓄冷以将水制成冰的方式，进行冷量的储存。与水蓄冷相比，储存同样多的冷量，冰蓄冷所需的体积将比水蓄冷所需的体积小得多。

本课题假设采用化学储能、储热罐和蓄冷罐作为存储电热冷的实体设备，编号x分别为1～3，三种实体储能模型具有相似的运行特征，如充放过程存在损耗等，时段t功能区r实体储能x的存储能量E_t,r,x与充/放功率间的关系为：

式中：k_x为实体储能x的自损系数；Δt为调度时间间隔；和/>为实体储能x的充、放能效率。

3基于数据驱动的分布式能源电力交易和多元储能混合运行特性建模

研究基于数据驱动的微气象分布特征分析方法；研究基于数据驱动的区域内分散光伏特征聚类技术；研究计及需求响应策略的分布式能源优化运行方法；研究区域范围内分布式能源和多元储能混合运行特性建模分析方法。

3.1研究基于数据驱动的微气象分布特征分析方法

(1)山地微地形对气象参数的影响：

山地微地形对温度的影响

如果地面植被相同，在辐射型天气下，不同地形上的温度差异主要由辐射的差异引起，接受太阳辐射多的地形温度高，接受太阳辐射少的地形温度低。因此，温度分布随地形而变化的特点和规律基本与地形的辐射分布相类似的。同时，由于不同地形上的风速和湿度不同，也会在不同程度上加强或减弱这种由辐射分布特点所造成的温度差异。由于风速增大有使近地面层中温度降低的作用，冬季当有北方冷空气侵袭时，在迎风地形风速大，降温快。

在周围有山地环绕的山谷中，由于风速小和湍流交换弱，对白天增热和夜间冷却都造成有利条件，而且夜间周围山坡上的冷空气向谷底注泻，加强了谷中的冷却。在高地的顶部和坡地上，因为风速较大，湍流交换较强，且夜间地面附近的冷空气可以沿坡下拽，换来自由大气中较暖的空气，所以一般情况下，在夜间谷地的温度比高地顶部和坡地要低。

在自由大气中，热量的供应主要来源于地面的长波辐射，而大气直接吸收太阳的短波辐射相对较少，因此随着离地面高度增加，自由大气的温度一般是递减的。在中纬度地区，自由大气的年平均气温大约是每上升100m降低0.6℃。但在山区，由于地形、山体高度、干湿状况和盛行风向等影响，气温随高度的变化远比在自由大气中复杂得多。在冬季，华北地区平均气温的直减率为1.66℃。

山地微地形对湿度的影响

空气湿度的大小主要是决定于地面保水情况以及消耗水分蒸发的强弱，在微地形中，坡向对空气湿度的影响与天气和气候条件有关。一般是向风坡因降水和云雾多，空气和土壤湿度大，背风坡因降水和云雾少，空气和土壤湿度小。在比较湿润的气候条件下，因为土壤湿润，坡地上的蒸发主要决定于热力条件，所以接受太阳辐射多的坡地，随着被蒸发到空气中的水汽多，空气湿度大。接受太阳辐射少的坡地，因蒸发到空气中的水汽少，空气湿度低。在干燥的气候条件下，由于接受太阳辐射多的坡地土壤干燥，其蒸发能力虽强，但实际蒸发到空气中去的水汽少，空气湿度就反比接受太阳辐射少而土壤湿度较大的坡地低。

此外，微地形区域相对湿度的大小也决定于空气温度和水汽压的变化，并在很大程度上与云雾分布的特点有关。一般说来，凡是云雾多的地方，其相对湿度大，同时，在不同坡地上和不同高度上，由于风和温度分布的差异，也会引起空气湿度的不同。云雾随风场的运动在山谷中流动，并沿山体坡面抬升，气温按递减率下降，直到水汽达到饱和。

山地微地形对风速的影响

在一些微地形区域，中小地形能改变气流的速度和方向，同时因为各种因素所引起的增热差异或温度差异，会造成局部气压的差异，产生各种各样的局地环流，所以微地形区域的风场状况比温度和湿度的分布复杂得多。在两端开口的平直谷地内，风速的变化主要决定于自然风向与谷地走向的夹角，当风近乎平行谷地吹时，由于产生狭管效应，谷内风速比平地加强。

(2)微气象预测模型建立：

如果因变量y与自变量x之间没有确定性的函数关系，而根据知识、经验或观察，它们有一定的关联性，又有众多的、不可预测的随机因素影响着它们之间的关系，那么可以建立回归模型。由前面分析可知，影响微地形气象因子的因素有很多，而且气象因子温度、湿度、风速之间也相互影响。

因此可先将3个气象因子当中的1个因子作为因变量，其他2个量作为自变量，由此建立3者之间的回归模型为

Y_i＝β₁+β₂X_2i+…+β_jX_ki+u_i(3.1)

式中，β_j为偏回归系数。

多元回归分析的核心方法是利用最小二乘法求出偏回归系数。

样本回归函数为

式中，e为随机误差项。

寻求剩余平方和最小的参数估计式，即

令偏导数为0，则：

将式(3.2)两边同乘X′：

根据式(3.6)得出X′e＝0，则偏回归系数的计算式为

度量回归方程整体拟合优度的统计量是可决系数R²，可以表达因变量与所有自变量之间的总体关系，即

3.2研究基于数据驱动的区域内分散光伏特征聚类技术

本课题设计了一种适用于负荷数据深度挖掘的二次聚类法。在聚类过程中，使用系统聚类法对区域内分散光伏特征进行一次聚类，并根据一次聚类得到的初始聚类中心，使用k-means聚类法对其进行二次聚类。通过设计的二次聚类法，不仅可以防止聚类效果受到初始聚类中心选择好坏的影响，而且能够使得聚类过程变得更加快速，提高分类效率。

此外，由于受到信号干扰、软件故障、设备性能等情况的影响，数据经常会出现未全面采集或者失真的现象。因此，为了避免其对后面的数据挖掘工作产生影响，需要先对获得的数据进行预处理。本课题研究主要采用不良数据识别和数据归一化的方法来对数据进行预处理。

系统聚类法：

在聚类分析中，我们假定某一类G中含有n个元素，可以通过列向量xi(i＝1,2...,h)来表示，并用dij表示元素xi与xj之间的距离，用DKL表示类GK与类GK之间的距离。由于类与类之间的距离可以通过不同的方法来进行定义，因此就出现了不一样的系统聚类方法。其中常见的系统聚类法一共有六种，分别是最短距离法、最长距离法、中间距离法、重心法、类平均法和离差平方和法。在这六种系统聚类法中，离差平方和法的聚类效果最好。

离差平方和法又称为Ward法，它是把方差分析的思想用于分类上，同一个类内的离差平方和小，而类间的离差平方和应当大。类中各元素到类重心(即类均值)的平方欧氏距离之和称为类内离差平方和。设某一步GK和GL聚成一个新类GM，则GK、GL和GM的类内离差平方和分别如式(3.9)、(3.10)和(3.11)所示：

类内离差平方和反映了类内元素的分散程度。将GK与GL合并成新类GM时，类内离差平方和会有所增加，即W_M-(W_K+W_L)>0。若GK与GL距离比较近，则增加的离差平方和应较小，于是定义GK与GL平方距离如式(3.12)所示：

类间平方距离的递推公式如式(3.13)所示：

系统聚类法的优点是原理简便，不需要进行初始参数设定。不过，在处理大数据样本时，计算量比较大，导致其计算速度比较慢。

k-means聚类：

k-means聚类给定D维空间内的n个数据点以及整数k，聚类问题为确定相同空间内(称为中心)k点的集合，使得其他数据点距离该中心的距离最小，步骤如下：

a.筛选数据点、聚类数和最大迭代数目；

b.选择k数据点作为初始聚类中心；

c.计算数据点与中心的距离，将数据按距离进行归类。利用欧氏距离进行判断：

d.计算每类的平均距离：

其中，a_jm为m维数据在j类的均值；n_j为j类的数据点数目；x为聚类中的数据点。

e.聚类的均值作为新的聚类中心，重复步骤3，直到达到最大迭代次数后类保持不变。

3.3研究计及需求响应策略的分布式能源优化运行方法

目前主流的需求响应策略分为基于价格的需求响应和基于激励的需求响应。基于价格的需求响应决定性因素在于需求弹性，需求响应的核心思想以实时电力供需关系为依据来调整电力价格，同时让用户以自身用电需求为前提，根据供电方所提供的实时电价来制定最优生产成本的用电模式，通常以激励电价或惩罚电价来表明供电方给出的电力价格是相对下降还是上涨。以现有的需求响应策略应用实践结果来看，当用户接受这样的用电策略时，他们的固有用电习惯将发生改变。本方法建立的计及需求响应策略的分布式能源优化运行模型如下：

能源服务商以净利润最大化为优化目标，优化运行的目标函数可以描述为：

式中T为优化周期；为t时刻能源服务商经济收益(元)；/>为t时刻能源服务商运行成本(元)；/>为t时刻能源服务商需求响应成本(元)；/>为t时刻能源服务商环境成本(元)。

在日中，能源服务商需要下发激励来引导居民进行需求响应，其需求响应成本由下式所示：

式中N_U为总用户数量(户)；I_i,t为t时刻i下发用户的激励价格(元/kWh)。 为i用户在t时刻基础负荷、电热水器负荷、空调负荷、电冰箱负荷、洗衣机负荷、新能源汽车负荷的削减量。

约束条件：

式中为分布式光伏设备出力上限；/>为分布式风电设备出力上限；

3.4研究区域范围内分布式能源和多元储能混合运行特性建模分析方法

风光储系统主要包括能量管理系统、风力发电系统、光伏发电系统、储能系统、变流器、并网逆变器、直流母线和负荷。如图14所示为典型的风光储联合发电系统的结构示意图。组成部分的功能如下:

能量管理系统:对整个系统起控制作用，它依照风速情况和光照强度情况对风能和光伏发电的输出功率进行预测，与预测的负荷数据相结合，并调节储能系统的充放电，从而确保电力系统稳定运行。

风力发电系统:在风速较大的情况下，作为整个系统的主要能量来源，为电网提供一定的能源支持。

光伏发电系统:在光照较充足的情况下，作为整个发电系统的主要能量来源,除了提供给负荷外，多余的电能储存在储能元件里。

储能系统:具有平抑功率波动的作用，可以改善系统的总有功输出特性。此外，当风光充足时，储存多余的能量；当风光不足时，向负荷提供电能。

变流器:将风力、光伏和储能装置的出力转换为直流电压，并汇集到直流母线上。

并网逆变器:将直流电压转换为交流电压，并且作为风力、光伏和储能系统与电网相连的主要枢纽通道。

风光储联合发电系统的工作原理为:首先由能量管理系统根据当前风速、光照强度和负荷情况对风能和光伏发电的出力进行预测，对储能系统的充放电进行控制。然后风力、光伏和储能发电单元通过变流器将能量汇集到直流母线上，再经过并网逆变器将直流电压转换成与电网匹配的交流电压，最后经过升压变压器注入到电力网络中。

风光储联合发电系统的数学模型是以风光功率预测为基础,以风、光、储总有功功率输出与系统中发电机的有功功率输出之和等于负荷所需功率为约束，以稳定有功出力为目标，对储能单元按照一定的控制策略进行充放电。因此,建立风光储系统数学模型的关键就是控制好储能单元的充放电。其中，储能单元的充放电策略为:当风力、光伏与系统中发电机输出的有功功率之和小于负荷所需的功率时，有功功率缺额由储能系统放电补充；反之，当风力、光伏与系统中发电机输出的有功功率之和大于负荷所需的功率时，根据节约能量的原则，储能系统此时处于充电状态，将剩余的能量储存起来。

风光储系统并入电网后对系统的影响：

1)对系统有功功率波动的影响

风光储联合发电利用风光的互补特性以及储能平波的功能，当风、光、储容量配置合理的情况下，可以缓解系统的功率波动。但是在穿透率较高的情况下，虽然水电机组或燃气轮机等快速响应机组可以缓解可再生能源造成的有功功率波动，但是由于水电受资源分布等地域限制较大，而燃气轮机仍会使用化石能源，这将使得系统的经济性和环境效益受到了一定的影响。

2)对系统可靠性的影响

根据风能和太阳能间隙性和随机性的特点，加上由于目前功率预测水平还不是十分成熟，使得大量的新能源接入电网时将会对系统的可靠性造成严重的影响，而这一影响也是多方面的。

首先，由于风、光出力波动性和间隙性的特点，为了尽可能地减小负荷波动和潜在的停电事故，我们可以增大系统备用容量。其次，风光储联合发电系统中使用了大量的逆变器和变流器，这使得电网的电能质量也受到了影响。再次，输电线路的传输效率也受到消极的影响，其传输的电能还达不到需要的一半。

3)对电能质量的影响

风、光并网发电受气候因素的影响较为严重，随机波动性较大，导致系统的潮流分布发生变化，系统各点的电压也难以控制，对电能质量的影响较为严重，其影响主要包括以下几个方面:

a.电网频率

系统并网时对电网频率影响主要是由于风能、太阳能间隙性的特点。当电网容量比较大时，风光储系统并网产生的功率波动比较小，此时电网可以自身调节频率，因此也不会对电网频率造成较大的影响；而当风光储系统大量接入电网时，其所占的发电比重越来越大，产生的功率波动也较大。当供电电源与系统间的负荷平衡受到影响时，电网频率就会改变并达到一个新的稳定状态。

b.谐波污染

系统并网时会应用大量的电力电子装置来进行能量传递等功能，然而在进行操控时会造成-一系列的电网电压和电流畸变问题，这将导致谐波污染。除此之外，当这些电力电子装置的开关操作过于频繁时，开关频率附近将会产生谐波分量，这也会导致谐波污染。对于储能系统，在其并网充放电时，双向变流器的死区特性以及管压降等非线性特性也会造成谐波污染，从而影响电网的电能质量。

本发明所提方法应用于河北省张家口某新能源示范区，当地全年风力、光伏资源充足，主要分布与夏季。根据量测数据得到用户侧风/光新能源的聚合预测模型，预测精度与真实值如图4所示。

将分布式新能源与多元储能混合运行，并进行动态的能量输入/输出调节，得到多元储能系统的特性模型结果如图5(a)所示。

为提高系统能量利用率，本发明测试了多元储能系统数据模型的能效特性。搜索算法采用穷举法，以600W微型燃料电池为基础，设置分辨率为1W，极限容量为3000W，搜索目标为使燃料电池-尾气回收燃气轮机的极限功率最大。搜索结果如图6所示。从图6可看出，在燃料电池与尾气回收燃气轮机功率配比为600:1562时，多元储能的能量释放获得最大出力。由于燃料电池为了保证尾气回收燃气轮机的输出功率而在一定程度上提高电流密度增加产热量，且燃气轮机负荷率对其效率的影响，因此在最大功率点时燃料电池与尾气回收燃气轮机都并非满负荷运行，总能量利用率约为80％。考虑到燃料电池的温度限定，燃料电池、尾气回收燃气轮机与燃料电池-尾气回收燃气轮机在可行域内的运行情况分别如图5(b)、(c)、(d)所示。

为了验证所提方法并网运行的合理性，以IEEE-33节点系统为算例进行仿真分析。IEEE-33系统运行状态如图7所示。可以看到系统内各线路区段线损在理论值附近存在一定的波动幅度，验证了本文所提方法对于网络运行的安全性和经济性有可靠的保证。可以看出实际线损最大、最小值分别可比理论值高73.2％，低78.6％。其中，13号支路的精度欠佳；然而线损功率最高的2号和5号支路，受模型精度的影响并不大。这主要是因为13号支路后续节点负荷功率较小，线路传输电流不大，因此微小的数据驱动模型变化造成电流高比例波动，从而导致线损波动幅度较大；而2号、5号支路位于线路首段附近，传输功率大，数据驱动模型精准程度对其电流影响幅度较小，因此，网络运行真实状态与计算结果差异极小。

Claims (10)

1.一种考虑电力交易的分布式新能源和多元储能聚合建模方法，其特征在于：包括以下步骤：

步骤1、整合并分析现有配电网、用户侧系统中获得的数据，研究风电、光伏发电的聚合预测，构建基于数据驱动的用户侧风/光新能源电力交易的聚合预测模型；

步骤2、考虑多类型能源转换设备的非线性特性，对锂电、铅酸、氢储能储能的特性进行分析，建立锂电、铅酸、氢储能多元储能数据驱动聚合模型；

步骤3、分析本地区微气象分布特征和光伏分散特征，构建基于数据驱动的分布式能源的多元储能混合运行模型。

2.根据权利要求1所述的考虑电力交易的分布式新能源和多元储能聚合建模方法，其特征在于：所述步骤1的具体步骤包括：

步骤1.1：通过对移动互联网、智慧电网、用户侧系统获得的数据进行整合和提炼，获得电网拓扑结构、潮流计算、负荷预测数据；

步骤1.2：分析风电、光伏发电特性，研究风电、光伏的聚合预测；

步骤1.3：建立分布式光伏发电的电力交易模型，分析分布式电源参与电力交易的优势；

步骤1.4：运用数据驱动方法构建基于人工神经网络的用户侧风/光新能源的聚合预测模型。

3.根据权利要求2所述的考虑电力交易的分布式新能源和多元储能聚合建模方法，其特征在于：聚合预测方法包括以下步骤：

首先提取历史数值天气中的气象因素记录，并将记录中的各个因素数据进行标准化处理；再以预测时间点的气象为核心对标准化历史气象记录进行相似聚合，筛选原始样本；然后对相似聚合中记录的气象因素进行降维，得到独立因素；最后建立独立因素和风电/光伏功率的映射关系，实现聚合预测。

4.根据权利要求3所述的考虑电力交易的分布式新能源和多元储能聚合建模方法，其特征在于：气象因素包括：包括风速、风向、光照强度、气压、温度和湿度气象因素。

5.根据权利要求2所述的考虑电力交易的分布式新能源和多元储能聚合建模方法，其特征在于：所述步骤1.2包括以下步骤：

步骤1.2.1：提取历史数值天气中的气象因素记录，并将记录中的各个因素数据进行标准化处理，剔除异常点并将数据线性映射到[0,1]区间内；

步骤1.2.2：以预测时间点的气象为核心对标准化历史气象记录进行相似聚合；

步骤1.2.3：对相似聚合中记录的气象因素运用主成分分析法进行降维，得到独立因素；

步骤1.2.4：建立独立因素和风电/光伏功率的映射关系，实现聚合预测。

6.根据权利要求1所述的考虑电力交易的分布式新能源和多元储能聚合建模方法，其特征在于：所述步骤2的具体步骤包括：

步骤2.1：考虑多类型能源转换设备的非线性特性，对锂电、铅酸、氢储能等储能技术的启停响应速度、功率密度、能量转化效率以及成本特性进行分析总结；

步骤2.2：利用量测装置获得锂电、铅酸、氢储能等储能设备的历史能量流动数据，采用神经网络模型拟合上述储能设备的历史数据集，得到初步的储能设备非线性黑盒模型；

步骤2.3：根据具体选用的锂电池、铅酸电池、氢储能设备，通过对步骤2.2得到的初步的储能设备非线性黑盒模型进行最大荷电量额定值、极限功率等参数的调整，建立相应的储能模型。

7.根据权利要求6所述的一种考虑电力交易的分布式新能源和多元储能聚合建模方法，其特征在于：神经网络算法是由输入层、隐含层以及输出层组成，输入层使用n个神经元，输入信号使用向量X＝[x₁,x₂,...,x_n]^T；隐含层包含n个神经元节点，隐含层输出向量为G＝[g₁,g₂,...,g_n]^T；输出层中包含的向量为D＝[d₁,d₂,...,d_n]^T。

8.根据权利要求1所述的考虑电力交易的分布式新能源和多元储能聚合建模方法，其特征在于：所述步骤3的具体步骤包括：

步骤3.1：掌握本地区的微气象分布特征和该区域内分散光伏特征；

步骤3.2：对数据进行建模，并利用K-中心点方法对微气象分布特征和光伏分散特征进行聚类；

步骤3.3：基于多元储能设备平抑风光电源出力的能量调度原则，将构建的分布式能源与多元储能的数据驱动模型进行串联，得到当地风光资源分布特性下，风光出力预测与多元储能运行特性的动态模型，构建基于数据驱动的分布式能源和多元储能混合运行模型。

9.根据权利要求8所述的考虑电力交易的分布式新能源和多元储能聚合建模方法，其特征在于：掌握本地区的微气象分布特征和该区域内分散光伏特征的途径包括文献检索以及通过气象局或电网公司获得。

10.根据权利要求8所述的考虑电力交易的分布式新能源和多元储能聚合建模方法，其特征在于：所述K-中心点方法为:

在n个数据对象中随机选择k个中心，集合中其他数据对象被划分到与中心最近的数据集合中去，形成了k个初始的数据集合；对于每个数据集合，计算新的中心，然后根据新的中心重新分配其他数据集合，这样不断迭代，直到所有的数据中心不再变化；该算法的具体步骤：

(1)随机选择k个初始聚类中心C＝{c₁,c₂…c_k}；

(2)如果s与聚类中心c_i之间的距离小于该对象到c_j的距离，则将s划分到聚类簇C_i中；

(3)重新计算聚类簇C_i的中心：/>

重复步骤(2)和(3)直到聚类中心C不再变化。