CN117239792A - 一种区域化分布式储能选址定容方法及装置 - Google Patents
一种区域化分布式储能选址定容方法及装置 Download PDFInfo
- Publication number
- CN117239792A CN117239792A CN202311037840.0A CN202311037840A CN117239792A CN 117239792 A CN117239792 A CN 117239792A CN 202311037840 A CN202311037840 A CN 202311037840A CN 117239792 A CN117239792 A CN 117239792A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- annual
- cost
- power
- model
- 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 276
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000009826 distribution Methods 0.000 claims abstract description 86
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000012423 maintenance Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000004513 sizing Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 8
- 238000009434 installation Methods 0.000 description 8
- 230000001932 seasonal effect Effects 0.000 description 7
- 238000010521 absorption reaction Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 6
- 230000029087 digestion Effects 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 238000010248 power generation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012983 electrochemical energy storage Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供的一种区域化分布式储能选址定容方法及装置，通过从电网储能配置的经济性和电网安全稳定运行的角度出发，依次建立上层规划模型以及下层调度模型组成配电网储能配置双层综合优化模型，在保障配电网安全稳定运行的同时，最大化可再生能源利用效率；同时，还基于特定应用场景下分析获取对应的典型场景数据对双层综合优化模型进行修正优化，使得分布式储能与典型应用场景相贴合，满足区域化的储能需求差异，提高储能效果。
Description
技术领域
本发明涉及能源系统储能技术领域，特别是涉及一种区域化分布式储能选址定容方法及装置。
背景技术
目前，光伏、风电等清洁能源成为新型电力系统的主要电源。其中采用分布式接入中低压配电网的光伏规模将呈爆发式增长。与此同时，电动汽车、电化学储能等柔性负荷广泛接入配电网，使得配电网呈现源荷随机波动、多元交互的特点，对配电网的清洁能源消纳能力和综合承载力提出更高的要求。同时，新能源高比例并网增加了电网安全稳定运行风险。当消纳不足时可能会出现电网电压稳定性降低、电压越限、系统峰谷差过大等问题。因此，在高比例新能源并网系统中加入储能装置，能够起到削峰填谷的作用，提高送端电网调峰能力，进而提升新能源消纳、稳定输出电力。但目前的分布式储能方法无法针对特定的场景进行设置，使得分布式储能成本较高，无法达到理想的储能效果。
发明内容
本发明所要解决的技术问题是：提供一种区域化分布式储能选址定容方法及装置，使分布式储能与典型应用场景相贴合，满足区域化的储能需求差异，提高储能效果。
为了解决上述技术问题，本发明采用的技术方案为：
一种区域化分布式储能选址定容方法，包括：
以配电网年规划总费用最低为目标，并以变电站的年投资成本为约束构建上层规划模型；
在所述上层规划模型的基础上，以配电网年运行总费用最低为目标，并以电网运行成本为约束构建下层调度模型；
获取特定应用场景下的典型场景数据，并根据所述典型场景数据优化所述上层规划模型以及下层调度模型；
求解优化后的所述上层规划模型，得到储能配置方案；基于所述储能配置方案求解优化后的所述下层调度模型，得到调度配置方案；判断是否达到预设的迭代次数，若否，则继续求解直至达到所述预设的迭代次数；
若是，则输出最终迭代生成的所述储能配置方案以及调度配置方案。
为了解决上述技术问题，本发明采用的另一技术方案为：
一种区域化分布式储能选址定容装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的一种区域化分布式储能选址定容方法中的各个步骤。
本发明的有益效果在于：通过从电网储能配置的经济性和电网安全稳定运行的角度出发，依次建立上层规划模型以及下层调度模型组成配电网储能配置双层综合优化模型，在保障配电网安全稳定运行的同时，最大化可再生能源利用效率；同时，还基于特定应用场景下分析获取对应的典型场景数据对双层综合优化模型进行修正优化，使得分布式储能与典型应用场景相贴合，满足区域化的储能需求差异，提高储能效果。
附图说明
图1为本发明实施例中的一种区域化分布式储能选址定容方法的步骤流程图；
图2为本发明实施例中的一种区域化分布式储能选址定容方法的算法步骤流程图；
图3为本发明实施例中的一种区域化分布式储能选址定容方法中场景一对应的拓扑结构图；
图4为本发明实施例中的一种区域化分布式储能选址定容方法中场景一对应的线路负荷特性图；
图5为本发明实施例中的一种区域化分布式储能选址定容装置的结构示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
请参照图1，一种区域化分布式储能选址定容方法，包括：
以配电网年规划总费用最低为目标，并以变电站的年投资成本为约束构建上层规划模型；
在所述上层规划模型的基础上，以配电网年运行总费用最低为目标，并以电网运行成本为约束构建下层调度模型；
获取特定应用场景下的典型场景数据，并根据所述典型场景数据优化所述上层规划模型以及下层调度模型；
求解优化后的所述上层规划模型，得到储能配置方案；基于所述储能配置方案求解优化后的所述下层调度模型，得到调度配置方案；判断是否达到预设的迭代次数，若否，则继续求解直至达到所述预设的迭代次数；
若是，则输出最终迭代生成的所述储能配置方案以及调度配置方案。
由上述描述可知，本发明的有益效果在于：通过从电网储能配置的经济性和电网安全稳定运行的角度出发，依次建立上层规划模型以及下层调度模型组成配电网储能配置双层综合优化模型，在保障配电网安全稳定运行的同时，最大化可再生能源利用效率；同时，还基于特定应用场景下分析获取对应的典型场景数据对双层综合优化模型进行修正优化，使得分布式储能与典型应用场景相贴合，满足区域化的储能需求差异，提高储能效果。
进一步地，所述变电站的年投资成本约束包括：变电站集中储能的年投资成本、线路分散储能的年投资成本以及配电网年优化调度成本；
所述以配电网年规划总费用最低为目标，并以变电站的年投资成本为约束构建上层规划模型包括：
以配电网年规划总费用最低为目标，根据所述变电站集中储能的年投资成本、线路分散储能的年投资成本以及配电网年优化调度成本构建所述上层规划模型，具体的：
式中，F为配电网年规划总费用；为变电站集中储能的年投资成本；为线路分散储能的年投资成本；Co为配电网年优化调度成本，由所述下层调度模型求解得到。
由上述描述可知，考虑变电站集中储能的年投资成本、线路分散储能的年投资成本以及配电网年优化调度成本构建上层规划模型，即综合考虑了配电网储能配置的经济性要求，优化集中储能容量、分散储能容量，实现以最低的规划费用得到最佳的集中储能容量、分散储能容量方案。
进一步地，所述变电站集中储能的年投资成本包括：
式中，分别为变电站储能单位容量、功率造价；分别为变电站储能额定容量、功率；r为折现率；TS为变电站储能的寿命周期。
所述线路分散储能的年投资成本包括：
式中，为第m座分散储能单位容量造价；为第m座分散储能额定容量；为第m座分散储能单位功率造价；为第m座分散储能额定功率；为第m座分散储能单位用地投资；Sl,m为第m座分散储能占地面积；TL为分散储能的寿命周期。
由上述描述可知，基于变电站储能单位容量、功率造价，变电站储能额定容量、功率，折现率以及变电站储能的寿命周期能够精确的计算变电站集中储能的年投资成本；同时，基于分散储能的单位容量造价、额定容量、单位功率造价、额定功率、单位用地投资、占地面积以及寿命周期能够精确的计算线路分散储能的年投资成本，从而根据变电站集中储能的年投资成本以及线路分散储能的年投资成本得到精确的年投资成本。
进一步地，所述电网运行成本约束包括：集中储能的年运行维护成本、集中储能向上级电网高峰放电低谷充电的价格套利年收益、分散储能的年运行维护成本、配电线路的年运行维护成本以及配电线路的年网络损耗成本；
所述以配电网年运行总费用最低为目标，并以电网运行成本为约束构建下层调度模型包括：
以配电网年运行总费用最低为目标，根据所述集中储能的年运行维护成本、集中储能向上级电网高峰放电低谷充电的价格套利年收益、分散储能的年运行维护成本、配电线路的年运行维护成本以及配电线路的年网络损耗成本构建下层调度模型，具体的：
式中，为集中储能的年运行维护成本；Cinc为集中储能向上级电网高峰放电低谷充电的价格套利年收益；为分散储能的年运行维护成本；为配电线路的年运行维护成本；为配电线路的年网络损耗成本。
由上述描述可知，综合考虑了分时电价、设备运行维护、网络损耗等因素对优化调度的影响，从而实现以最低的配电网年优化调度成本得到最佳的优化调度方案。
进一步地，所述获取特定应用场景下的典型场景数据，并根据所述典型场景数据优化所述上层规划模型以及下层调度模型包括：
选取储能典型应用场景；
根据所述储能典型应用场景获取所述特定应用场景下对应的节点负荷曲线以及光伏出力曲线；
分析所述储能典型应用场景，得到其对应的生产特点以及区域特点；
根据所述生产特点以及区域特点优化所述上层规划模型以及下层调度模型。
由上述描述可知，基于选定的储能典型应用场景获取对应的节点负荷曲线以及光伏出力曲线，从而根据节点负荷曲线以及光伏出力曲线对模型进行训练计算，以及对储能典型应用场景进行分析得到生产特点以及区域特点，再根据生产特点以及区域特点优化双层综合优化模型，使得最终得到的模型更贴合对应的储能典型应用场景，满足区域化的储能需求差异，提高储能效果。
进一步地，所述求解优化后的所述上层规划模型，得到储能配置方案包括：
通过精英保留遗传算法求解所述上层规划模型，得到多组所述储能配置方案，并将多组所述储能配置方案输入所述下层调度模型。
由上述描述可知，采用精英保留遗传算法能够生成多组变电站集中储能配置、线路分散储能配置方案，并用于下层调度模型的求解，使得求解模型更加精确。
进一步地，所述基于所述储能配置方案求解优化后的所述下层调度模型，得到调度配置方案包括：
通过配电线路潮流约束对所述下层调度模型进行约束；
通过前推回代法求解所述下层调度模型，得到线路潮流，以及通过线性规划法求解所述下层调度模型，得到储能优化调度结果；
根据所述线路潮流以及所述储能优化调度结果得到所述调度配置方案。
由上述描述可知，采用前推回代法、线性规划法分别获取下层调度模型中的线路潮流、储能优化调度结果，从而基于线路潮流以及所述储能优化调度结果得到最佳的调度配置方案。
本发明另一实施例提供了一种区域化分布式储能选址定容装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的一种区域化分布式储能选址定容方法中的各个步骤。
本发明上述区域化分布式储能选址定容方法及装置能够适用于不同区域的分布式储能选址定容，满足区域化的储能配置需求差异，特别是针对在山区光伏消纳、季节差异、偏远地区低电压、削峰填谷以及海岛供电5种储能典型应用场景下的应用，以下通过具体实施方式进行说明：
实施例一
请参照图1，一种区域化分布式储能选址定容方法，包括：
S1、以配电网年规划总费用最低为目标，并以变电站的年投资成本为约束构建上层规划模型，具体的：
以配电网年规划总费用最低为目标，根据变电站集中储能的年投资成本、线路分散储能的年投资成本以及配电网年优化调度成本构建所述上层规划模型：
式中，F为配电网年规划总费用；为变电站集中储能的年投资成本；为线路分散储能的年投资成本；Co为配电网年优化调度成本，由所述下层调度模型求解得到；
其中，所述变电站集中储能的年投资成本包括：
式中，分别为变电站储能单位容量、功率造价；分别为变电站储能额定容量、功率；r为折现率；TS为变电站储能的寿命周期；
所述线路分散储能的年投资成本包括：
式中，为第m座分散储能单位容量造价；为第m座分散储能额定容量；为第m座分散储能单位功率造价；为第m座分散储能额定功率；为第m座分散储能单位用地投资；Sl,m为第m座分散储能占地面积；TL为分散储能的寿命周期；
同时，所述上层规划模型中还包括：线路分散储能可行安装位置约束；根据线路潮流分布及时序特性，按照抑制峰谷差效果最佳率先进行安装位置优化，并考虑地理位置、安装成本等因素影响确定分散储能的可行安装位置，分散储能只能安装在给定的可行位置上，并采用布尔变量表示可行位置的分散储能安装情况：
式中，为位置m处是否安装分散储能的布尔变量，其值为0时表示不安装，其值为1时表示安装。
S2、在所述上层规划模型的基础上，以配电网年运行总费用最低为目标，并以电网运行成本为约束构建下层调度模型，得到双层综合优化模型，具体的：
以配电网年运行总费用最低为目标，根据所述集中储能的年运行维护成本、集中储能向上级电网高峰放电低谷充电的价格套利年收益、分散储能的年运行维护成本、配电线路的年运行维护成本以及配电线路的年网络损耗成本构建下层调度模型：
式中，为集中储能的年运行维护成本；Cinc为集中储能向上级电网高峰放电低谷充电的价格套利年收益；为分散储能的年运行维护成本；为配电线路的年运行维护成本；为配电线路的年网络损耗成本；
其中，a)所述集中储能运行维护年成本为：
式中，y为年度；为变电站储能单位充、放电功率的运行维护成本；为变电站储能的最大充、放功率；ir为通货膨胀率；dr为贴现率；
b)所述集中储能向上级电网高峰放电低谷充电的价格套利年收益Cinc为：
式中，为购电的分时电价；为变电站安装储能前t时刻从上级电网的购电功率；为变电站安装储能后t时刻从上级电网的购电功率；
c)所述分散储能的年运行维护成本为：
式中，为第m座分散储能单位充/放电功率的运行维护成本；为第m座分散储能的最大充/放功率；
d)所述配电线路的年运行维护成本为：
式中，为配电线路维护费用；λline为设备维护成本系数；
e)所述配电线路的年网络损耗成本为：
式中，Ploss,t为t时刻的网络损耗；
同时，通过配电线路潮流约束对所述下层调度模型进行约束，具体的：所述下层规划模型中还包括：储能运行约束、上级电网高压进线峰谷差率约束以及配电线路潮流约束，具体的：
1)所述储能运行约束包括：
式中，Pch(t)、Pdis(t)分别为变电站储能在t时刻的充、放电功率；Pout为变电站储能的最大充/放功率；Bdis(t)、Bch(t)为0-1变量，且满足Bdis(t)+Bch(t)≤1；变电站储能的荷电状态约束即储能运行的数学模型。
2)所述上级电网高压进线峰谷差率约束包括：
P0(1-δ)≤Pe≤P0(1+δ)； (12)
式中，P0为规划后获取的变电站10kV侧所接线路总功率的期望值(将典型日的线路总功率曲线作为样本，采用模糊聚类算法获取功率期望值)；Pe为变电站高压进线的实际功率；λ为变电站高压进线传输功率最大允许峰谷差；δ为变电站高压进线传输功率的偏差率，即变电站高压进线功率峰值与功率期望值的差值占功率期望值的占比，可依据公共电网的峰谷差要求确定；
3)所述配电线路潮流约束(配电网出线应保证网络各节点的功率平衡与安全稳定运行)包括：
Ui,min≤Ui≤Ui,max； (16)
式中，Pi、Qi分别为节点i注入的有功功率和无功功率；Gij、Bij、δij分别为节点i、j之间的电导、电纳和电压相角差；n为系统节点总数；Ui、Uj分别为节点i、j的电压幅值；Ui,min、Ui,max分别为节点允许的最小、最大值；Pij为支路ij的传输功率；为支路ij的传输功率极限。
S3、获取特定应用场景下的典型场景数据，并根据所述典型场景数据优化所述上层规划模型以及下层调度模型；如将一年按照农业生产特征分为若干个典型场景，每个典型场景抽取一个典型日；以及根据区域配电网的特点，总结分布式储能典型应用场景包括：山区光伏消纳、季节差异、偏远地区低电压、削峰填谷、海岛供电，分析对应的应用场景优化由所述上层规划模型以及下层调度模型组成的双层综合优化模型。
S4、求解优化后的所述上层规划模型，得到储能配置方案；基于所述储能配置方案求解优化后的所述下层调度模型，得到调度配置方案；判断是否达到预设的迭代次数，若否，则继续求解直至达到所述预设的迭代次数；若是，则输出最终迭代生成的所述储能配置方案以及调度配置方案；其中，以上模型均在Matlab+Cplex+Yalmip环境下进行求解；如采用精英保留遗传算法获取上层规划模型中储能配置与线路型号；采用前推回代法、线性规划法分别获取下层调度模型中的线路潮流、储能优化调度结果，从而得到储能配置方案以及调度配置方案。
实施例二
本实施例与实施例一的不同在于，具体限定了对典型场景数据分析和处理过程；
请参照图2，其中，步骤S3包括：
S31、选取储能典型应用场景；如将一年按照农业生产特征分为若干个典型场景，每个典型场景抽取一个典型日；以及选择山区光伏消纳、季节差异、偏远地区低电压、削峰填谷以及海岛供电等应用场景；
S32、根据所述储能典型应用场景获取所述特定应用场景下对应的节点负荷曲线以及光伏出力曲线；如获取典型日的节点负荷曲线、光伏出力曲线、含光伏发电负荷点的净功率曲线；
S33、分析所述储能典型应用场景，得到其对应的生产特点以及区域特点，并根据所述生产特点以及区域特点优化所述上层规划模型以及下层调度模型，具体的：
1)场景一，山区光伏消纳
场景分析：山区光伏装机容量比较大，负荷需求较小，存在一定的光伏消纳困难；偏远山区新能源资源富足，但同时电网网架薄弱，现有电网结构尚不能完全满足大规模新能源接入的需要；同时山区耕地资源稀缺，在国土资源规划日趋加严、输电通道走廊资源愈加稀缺；
储能配置方法：山区的光伏消纳困难，主要是由负荷少不集中，且网架薄弱等问题造成；在光伏大发时段容易因为电压越限等问题而切机，从而产生浪费；因此，应该分析网架薄弱点和风险点，结合光伏容量和负荷曲线差异配置储能；
储能配置模型：在目标函数中增加光伏切机的惩罚函数，即发生光伏切机时，该场景下的规划总费用会产生较大提升，以此来排除无法有效进行光伏消纳的储能规划结果；即目标函数改为：
式中，为储能配置年规划费用；Co为配电网年运行费用；Cε为光伏切机费用；其中，
ΔPcut为光伏切机功率，ε为惩罚系数。
2)场景二，季节差异
场景分析：各季节性负荷明显，四季负荷及光伏出力情况各有不同，光伏发电季节性差异明显，夏高峰，冬季低谷，季节性差异在20％以上；用电负荷对气温变化更加敏感，夏季冬季空调负荷需求较大，尖峰负荷较大，年负荷曲线呈现夏冬“双高峰”形态；
储能配置方法：负荷在不同季节下受温度、负荷特点、节假日、天气等因素具有不同的时序特性和波动特性，部分区域曲线叠加或与光伏曲线叠加作用后，可能会造成周期性电压质量问题；因此，应重点考虑储能的长时间尺度及更大空间范围作用能力，针对“迎峰度夏”、“冬季保电供暖”等典型的季节性工况进行储能配置；
储能配置模型：充分考虑多季节下的典型工况，如“迎峰度夏”、“冬季保电供暖”等，对多场景下储能的配置情况与运行情况进行模拟；选取储能配置的最大值作为最终结果。
3)场景三，偏远地区低电压
场景分析：偏远地区的电网基础建设薄弱，且用电负荷分散度较高；农村设备陈旧，线路损耗大，以及大功率电器普及，导致变压器出现过载情况，末端配电网存在电压偏低的问题，偏远电网改造成本高，长期以往影响用电质量和电网稳定，生产生活用电困难；
储能配置方法：用电量小，位置偏远，新建线路经济性差，采用低电压等级线路供电可能存在末端电压低的问题；因此，应针对负荷密集区域，配置线路侧储能，缓解设备重过载与欠电压；
储能配置模型：低电压问题通常出现在线路末端；在末端选取合适的储能拟配置位置，根据电网供电需求确定节点电压约束，进行储能配置规划方案的求解，即Umin<Uj<Umax。
4)场景四，削峰填谷
场景分析：近年来随着尖峰负荷幅值上升，尖峰电量有所增加，但由于尖峰负荷持续时间短、出现频次低，相较于总电量，尖峰负荷电量仍呈现占比较低的特征；面向短时尖峰负荷所导致的配电网线路负荷峰谷差过大的场景，探索储能配置效果；线路上电压越限、设备短时重过载等问题亟待解决；
储能配置方法：传统的通过配置更大容量的电气设备来解决短时尖峰负荷所导致的设备重过载问题的配电网改造手段，往往会导致资产利用率低，投资回报率低的问题，且无法有效应对尖峰负荷所带来的电压越限问题；因此，要满足如“早晚高峰”等场景所带来的线路负荷削峰填谷的需求，配置重点在于投资与运维的经济性，以及定容问题中如何考虑常见工况；
储能配置模型：选取该场景下的典型工况，针对线路净负荷的峰值谷值设定一定的区间范围约束，可以实现削峰填谷，即Pmin<Pij<Pmax。
5)场景五：海岛供电
场景分析：部分岛屿总体用电量不大，远距离架设输电网络不具有经济效益，尤其是外海岛屿远离大陆，敷设海底电缆的前期投入和后期维护费用巨大；岛屿上同时存在风电与光伏，如何根据可再生能源发电规律以及岛上负荷特点，通过储能配置实现功率的平滑输出是亟待解决的问题；
储能配置方法：可再生能源出力与负荷都具有间歇性、随机性和波动性特点，且可能存在一定的时序不匹配问题；因此，应考虑网架特性与重要负荷位置，兼顾离网运行需求，结合光伏-负荷匹配度，实现选址定容；
储能配置模型：充分考虑离网运行状态下储能保供电的能力需求，进行储能的选址定容，并在目标函数中增添停电损失等因素的经济性指标，即目标函数改为：
其中Ccut为停电损失。
其中，步骤S4包括：
S41、求解优化后的所述上层规划模型，得到储能配置方案；具体的，通过精英保留遗传算法求解所述上层规划模型，得到多组所述储能配置方案，并将多组所述储能配置方案输入所述下层调度模型；即以年规划费用最小为目标，采用精英保留遗传算法生成多组变电站集中储能配置、线路分散储能配置方案；并对解集进行选择、交叉以及变异，将方案传给下层调度模型；
S42、基于所述储能配置方案求解优化后的所述下层调度模型，得到调度配置方案；具体的，通过前推回代法求解所述下层调度模型，得到线路潮流，以及通过线性规划法求解所述下层调度模型，得到储能优化调度结果；即计算各线路分散储能安装点处的支路功率，通过储能设备调节该功率使线路所有电压、功率不越限，完成分散储能的优化调度并获取调节后的变电站负荷需求曲线；利用集中储能调节变电站购电功率，保证变电站高压进线峰谷差率小于允许值，完成集中储能的优化调度；
S43、判断是否达到预设的迭代次数，若否，则继续求解直至达到所述预设的迭代次数；若是，则输出最终迭代生成的所述储能配置方案以及调度配置方案；即循环求解，直至收敛为止，获取费用最低值与相对应的储能配置，输出集中储能、分散储能最优配置结果。
实施例三
本实施例基于实施例一和二中的步骤，提供一具体的应用实例；
选取储能典型应用场景一(山区光伏消纳)，展开具体算例分析，对所提出的储能配置模型进行修正，并对每个场景的规划结果与规划效果进行分析；
1)场景背景
如以福建地区为例，福建地区一半山，一半沿海，沿海光伏有一定消纳能力，但是山区光伏装机容量特别大，当地经济性较差，存在一定的光伏消纳困难；
请参照图3，为场景所对应的拓扑：如该线路总长度13km，最大负荷2000kW，光伏装机容量4000kW，光伏渗透率200％；基于山区配电网的历史数据，分析网架薄弱点与历史电压越限最严重的节点；综合考虑场地所有权及网架薄弱点、节点电压越限风险等因素，选取了储能配置的3个候选位置；获取该线路的典型场景数据，包括：如图4所示的线路负荷特性曲线、该出线根据IEEE33节点系统进行改进，线路上各节点负荷基准值以及各节点光伏安装容量：
表1.节点负荷基准值表
各节点光伏安装容量如下：
表2.节点光伏安装容量表
| 节点编号 | 光伏安装容量/kW |
| 3 | 700 |
| 6 | 700 |
| 8 | 600 |
| 11 | 700 |
| 13 | 700 |
| 15 | 300 |
| 19 | 300 |
2)模型修改
为提升山区光伏的消纳能力，在目标函数中增加光伏切机的惩罚函数，即发生光伏切机时，该场景下的规划总费用会产生较大提升，以此来排除无法有效进行光伏消纳的储能规划结果，即目标函数改为：
式中，Cε为光伏切机补偿，ΔPcut为光伏切机功率，ε为惩罚系数；求解模型得到对应的储能配置方案。
3)规划结果与规划效果分析
山区光伏装机容量较大，但对光伏消纳困难，主要原因是负荷少不集中，且网架薄弱；中午时段可能因过电压造成弃光；在节点6-7之间的可行位置处配置150kWh容量的储能，足以应对该拓扑与负荷水平下高比例光伏并网带来的问题，改造效果如下表所示：
表3.场景一改造效果汇总表
综上所述，综合考虑山区线路上分布式光伏的容量与位置，在线路的中后段安装一定容量的光伏可以实现对线路功率的削峰填谷，消纳光伏出力，解决电压越限问题。
实施例四
请参照图5，一种区域化分布式储能选址定容装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如实施例一、二和三中所述的一种区域化分布式储能选址定容方法中的各个步骤。
综上所述，本发明提供的一种区域化分布式储能选址定容方法及装置，从储能配置的经济性和配电网安全稳定运行的角度出发，建立配电网储能配置双层综合优化模型。上层规划模型以配电网年规划总费用最低为目标，以变电站集中储能、线路分散储能的年投资成本为约束，优化集中储能容量、分散储能容量；下层调度模型以配电网年运行总费用最低为目标，以储能运行、上级电网高压进线峰谷差率、配电线路潮流为约束，优化年运行调度成本。在保障配电网安全稳定运行的同时提高了配电网的光伏消纳能力；同时，基于五种储能典型应用场景的特性分析结果，对所提出的储能配置模型进行进一步修正，以满足区域差异化的储能配置需求。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种区域化分布式储能选址定容方法，其特征在于，包括：
以配电网年规划总费用最低为目标，并以变电站的年投资成本为约束构建上层规划模型；
在所述上层规划模型的基础上，以配电网年运行总费用最低为目标，并以电网运行成本为约束构建下层调度模型；
获取特定应用场景下的典型场景数据，并根据所述典型场景数据优化所述上层规划模型以及下层调度模型；
求解优化后的所述上层规划模型，得到储能配置方案；基于所述储能配置方案求解优化后的所述下层调度模型，得到调度配置方案；判断是否达到预设的迭代次数，若否，则继续求解直至达到所述预设的迭代次数；
若是，则输出最终迭代生成的所述储能配置方案以及调度配置方案。
2.根据权利要求1所述的一种区域化分布式储能选址定容方法，其特征在于，所述变电站的年投资成本约束包括：变电站集中储能的年投资成本、线路分散储能的年投资成本以及配电网年优化调度成本；
所述以配电网年规划总费用最低为目标，并以变电站的年投资成本为约束构建上层规划模型包括：
以配电网年规划总费用最低为目标，根据所述变电站集中储能的年投资成本、线路分散储能的年投资成本以及配电网年优化调度成本构建所述上层规划模型。
3.根据权利要求2所述的一种区域化分布式储能选址定容方法，其特征在于，所述根据所述变电站集中储能的年投资成本、线路分散储能的年投资成本以及配电网年优化调度成本构建所述上层规划模型包括：
式中，F为配电网年规划总费用；为变电站集中储能的年投资成本；为线路分散储能的年投资成本；Co为配电网年优化调度成本，由所述下层调度模型求解得到。
4.根据权利要求3所述的一种区域化分布式储能选址定容方法，其特征在于，所述变电站集中储能的年投资成本包括：
式中，分别为变电站储能单位容量、功率造价；分别为变电站储能额定容量、功率；r为折现率；TS为变电站储能的寿命周期；
所述线路分散储能的年投资成本包括：
式中，为第m座分散储能单位容量造价；为第m座分散储能额定容量；为第m座分散储能单位功率造价；为第m座分散储能额定功率；为第m座分散储能单位用地投资；Sl,m为第m座分散储能占地面积；TL为分散储能的寿命周期。
5.根据权利要求1所述的一种区域化分布式储能选址定容方法，其特征在于，所述电网运行成本约束包括：集中储能的年运行维护成本、集中储能向上级电网高峰放电低谷充电的价格套利年收益、分散储能的年运行维护成本、配电线路的年运行维护成本以及配电线路的年网络损耗成本；
所述以配电网年运行总费用最低为目标，并以电网运行成本为约束构建下层调度模型包括：
以配电网年运行总费用最低为目标，根据所述集中储能的年运行维护成本、集中储能向上级电网高峰放电低谷充电的价格套利年收益、分散储能的年运行维护成本、配电线路的年运行维护成本以及配电线路的年网络损耗成本构建下层调度模型。
6.根据权利要求5所述的一种区域化分布式储能选址定容方法，其特征在于，所述根据所述集中储能的年运行维护成本、集中储能向上级电网高峰放电低谷充电的价格套利年收益、分散储能的年运行维护成本、配电线路的年运行维护成本以及配电线路的年网络损耗成本构建下层调度模型包括：
式中，为集中储能的年运行维护成本；Cinc为集中储能向上级电网高峰放电低谷充电的价格套利年收益；为分散储能的年运行维护成本；为配电线路的年运行维护成本；为配电线路的年网络损耗成本。
7.根据权利要求1所述的一种区域化分布式储能选址定容方法，其特征在于，所述获取特定应用场景下的典型场景数据，并根据所述典型场景数据优化所述上层规划模型以及下层调度模型包括：
选取储能典型应用场景；
根据所述储能典型应用场景获取所述特定应用场景下对应的节点负荷曲线以及光伏出力曲线；
分析所述储能典型应用场景，得到其对应的生产特点以及区域特点；
根据所述生产特点以及区域特点优化所述上层规划模型以及下层调度模型。
8.根据权利要求1所述的一种区域化分布式储能选址定容方法，其特征在于，所述求解优化后的所述上层规划模型，得到储能配置方案包括：
通过精英保留遗传算法求解所述上层规划模型，得到多组所述储能配置方案，并将多组所述储能配置方案输入所述下层调度模型。
9.根据权利要求1所述的一种区域化分布式储能选址定容方法，其特征在于，所述基于所述储能配置方案求解优化后的所述下层调度模型，得到调度配置方案包括：
通过配电线路潮流约束对所述下层调度模型进行约束；
通过前推回代法求解所述下层调度模型，得到线路潮流，以及通过线性规划法求解所述下层调度模型，得到储能优化调度结果；
根据所述线路潮流以及所述储能优化调度结果得到所述调度配置方案。
10.一种区域化分布式储能选址定容装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任一项所述的一种区域化分布式储能选址定容方法中的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311037840.0A CN117239792A (zh) | 2023-08-17 | 2023-08-17 | 一种区域化分布式储能选址定容方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311037840.0A CN117239792A (zh) | 2023-08-17 | 2023-08-17 | 一种区域化分布式储能选址定容方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117239792A true CN117239792A (zh) | 2023-12-15 |
Family
ID=89086943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311037840.0A Pending CN117239792A (zh) | 2023-08-17 | 2023-08-17 | 一种区域化分布式储能选址定容方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117239792A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118017563A (zh) * | 2024-04-08 | 2024-05-10 | 太湖能谷(杭州)科技有限公司 | 一种用户侧共享储能系统的配置方法和系统 |
-
2023
- 2023-08-17 CN CN202311037840.0A patent/CN117239792A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118017563A (zh) * | 2024-04-08 | 2024-05-10 | 太湖能谷(杭州)科技有限公司 | 一种用户侧共享储能系统的配置方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103353979B (zh) | 一种分布式电源的优化选址与定容方法 | |
| Gu et al. | Placement and capacity selection of battery energy storage system in the distributed generation integrated distribution network based on improved NSGA-II optimization | |
| CN108376996B (zh) | 一种实用的配电网分布式光伏接纳能力估算方法 | |
| Kayal et al. | A multi-objective approach to integrate solar and wind energy sources with electrical distribution network | |
| CN115081693A (zh) | 一种能源不确定性的水风光互补系统两阶段容量配置方法 | |
| CN111144655A (zh) | 一种分布式电源选址定容与配电网网架联合优化方法 | |
| CN113937825A (zh) | 一种基于E-C-Kmeans聚类和SOP优化的DG双层优化配置方法 | |
| CN106803130A (zh) | 分布式电源接入配电网的规划方法 | |
| CN117239792A (zh) | 一种区域化分布式储能选址定容方法及装置 | |
| Dejamkhooy et al. | Fuel consumption reduction and energy management in stand-alone hybrid microgrid under load uncertainty and demand response by linear programming | |
| Saberi et al. | Optimal sizing of hybrid PV and wind energy system with backup of redox flow battery to postpone grid expansion investments | |
| Nehrir et al. | Impact of wind power distributed generation on distribution systems | |
| Zhang et al. | Multi–objective cluster partition method for distribution network considering uncertainties of distributed generations and loads | |
| Ma et al. | Coordination of generation and transmission planning for power system with large wind farms | |
| CN116029197A (zh) | 以变电站为落点的综合能源搭载及容量优化配置方法 | |
| CN114240203A (zh) | 一种包含热泵的配电网与分布式风电协同规划方法和装置 | |
| Jamahori et al. | IMPACT AND EVALUATION OF OPTIMIZED PV GENERATION IN THE DISTRIBUTION SYSTEM WITH VARYING LOAD DEMANDS | |
| Varshnry et al. | Fuzzy Markov-EPO: an energy management scheme for the integration of hybrid RES with DC microgrid | |
| CN114154279A (zh) | 含蓄热式电采暖接入的配网承载能力的机会约束评估方法 | |
| Cui et al. | ADN multi-objective planning considering collaborative optimization of rdg and GAEP | |
| Eid et al. | Management of electric vehicle charging stations in low-voltage distribution networks integrated with wind turbine–battery energy storage systems using metaheuristic optimization | |
| Hashimov et al. | Assessment and optimal combined utilization of renewable energy sources in the remote inhabited locations | |
| CN112487752A (zh) | 一种基于最优潮流的储能电站选址方法 | |
| CN106877385A (zh) | 一种直流跟随风电功率波动的范围分析方法 | |
| DSouza et al. | Maximizing the benefits of dynamic VAR compensators on distribution systems with high penetration PV |
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 |