CN117439097A - 高比例可再生能源电力系统极热少风场景的负荷管理方法 - Google Patents
高比例可再生能源电力系统极热少风场景的负荷管理方法 Download PDFInfo
- Publication number
- CN117439097A CN117439097A CN202311385893.1A CN202311385893A CN117439097A CN 117439097 A CN117439097 A CN 117439097A CN 202311385893 A CN202311385893 A CN 202311385893A CN 117439097 A CN117439097 A CN 117439097A
- Authority
- CN
- China
- Prior art keywords
- power
- load
- wind
- extremely hot
- power system
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 72
- 230000005611 electricity Effects 0.000 claims abstract description 55
- 238000004146 energy storage Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000007599 discharging Methods 0.000 claims abstract description 12
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 238000013486 operation strategy Methods 0.000 claims description 4
- 230000000052 comparative effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- 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
Abstract
本发明公开了一种高比例可再生能源电力系统极热少风场景的负荷管理方法,管理步骤包括:S1、选择极热少风出现场景较多的地理城市,在选择的位置进行管理方法的数据收集与试验分析;S2、分析极热少风的风光出力水平,筛选该场景下的风光出力曲线;S3、获取基于电力系统地区特性的负荷特征分类;S4、利用蒙特卡洛模拟生成带有不确定性的负荷曲线;S5、建立该场景下的负荷管理策略与储能充放电策略;S6、获取到当地人们用电的详细数据,根据数据分析当地人们用电习惯。本发明通过生成的负荷管理方法,能更细致地研究电力系统极热少风场景下储能的运行方式与负荷的管理模式,对含高比例可再生能源的电力系统极端场景运行方式有重要意义。
Description
技术领域
本发明属于电力系统技术领域,具体为一种高比例可再生能源电力系统极热少风场景的负荷管理方法。
背景技术
在新型电力系统建设背景下,电力系统电源结构发生根本性变换,可再生能源装机比例逐步提高,可再生能源利用率逐步提升,尤其是风能和光伏等技术成熟性高、清洁的能源发电利用率。
电力负荷的管理方法能够优化电力系统运行,通过合理调度和控制电力负荷,可以优化电力系统的运行方式,提高电能的利用效率,减少电力系统的热损耗和能源浪费;
保障供电可靠性,电力负荷管理可以确保电网供电的可靠性。通过对负荷的实时监测和合理调度,可以避免电力系统的过负荷运行,减少设备的故障和事故的发生,保障电力供应的连续性和稳定性;
节约用电成本,合理管理电力负荷可以实现电力需求和供应的平衡,避免因电力的浪费和过度消耗而造成的额外用电成本。通过对高峰期负荷进行调峰,还可以降低电力购买成本;
光伏、风电等新能源出力从发电机理特性上就决定了其出力具有强间歇性、随机性,该特性给电网的调度运行上带来很大风险和挑战。由于天气状态变化将直接影响风电、光伏等不可控电源出力,且极端天气场景下风电、光伏的出力比较处于较低状态,因此需要从电力系统供需平衡的角度出发,进行合理的负荷管理并协调机组与储能间的出力配合;
对此我们提出了一种高比例可再生能源电力系统极热少风场景的负荷管理方法。
发明内容
针对现有技术的不足,本发明提供了一种高比例可再生能源电力系统极热少风场景的负荷管理方法,该方法能更细致地研究电力系统极热少风场景下储能的运行方式与负荷的管理模式,对含高比例可再生能源的电力系统极端场景运行方式有重要意义。
为实现上述目的,本发明提供如下技术方案:一种高比例可再生能源电力系统极热少风场景的负荷管理方法,管理步骤包括:
S1、选择极热少风出现场景较多的地理城市,在选择的位置进行管理方法的数据收集与试验分析;
S2、分析极热少风的风光出力水平,筛选该场景下的风光出力曲线;
S3、获取基于电力系统地区特性的负荷特征分类;
S4、利用蒙特卡洛模拟生成带有不确定性的负荷曲线;
S5、建立该场景下的负荷管理策略与储能充放电策略;
S6、获取到当地人们用电的详细数据,根据数据分析当地人们用电习惯;
S7、利用储电系统,在风力较大时,将电力供应超过负荷需求时多余的能量储存起来,在人们电力负荷需求超过供应时再次释放出来;
S8、获取当地区域内历史的天气情况,将S2-S5步骤中的分析方法、天气预测系统与当地用电习惯相互结合,进行长期的调度管理计划。
优先地,S1步骤中极热少风的地理城市选择有武汉、兰州、昆明与四川其中的一处,S2步骤中获取当地历史数据分析极热少风的风光出力水平。
优先地,S3步骤中根据当地特性获取基于电力系统地区特性的负荷特征分类,分解负荷曲线为:
Pt load=Pt I-L+Pt II-L+Pt III-L
式中,表示t时刻该区域的所有负荷,/>分别表示t时刻的一类、二类、三类负荷。
优先地,S4步骤中利用蒙特卡洛模拟生成负荷大量不确定性场景,并利用k-means算法削减至所需数量的场景。
优先地,S5步骤中建立储能接入的相关充放电模型为:
Pess.min≤Pess,t≤Pess.max
Sess.min≤S(t)≤Sess.max
μess_c+μess_d≤1
式中,Pess,t表示储能的充放功率,S(t)表示储能的荷电状态,μess_c和μess_d为充放电状态系数,为0/1变量;
建立电力系统极热少风场景储能的充放电策略,包括在极热少风下的优先满足一类、二类负荷电量的储能运行策略;
式中,t表示因极热少风发生缺电的时间,Δt表示发生的确定的时间段;表示t时刻储能的容量需求;pt表示t时刻下总电源功率;
式中,分别表示t时刻下总电源功率、风电机组功率、光伏功率、直流送入功率和火电机组出力。
优先地,S5步骤中建立高比例可再生能源电力系统极热少风场景的负荷管理策略,建立经济性负荷管理最小化目标,建立公式为:
min-pI-L·min{0,pt-Pt I-L}-pII-L·min{0,pt-Pt II-L}-pIII-L·min{0,pt-Pt III-L}
式中,pI-L、pII-L、pIII-L表示一类、二类、三类负荷管理的成本。
优先地,S6步骤中通过获取电力公司权限,进入电力公司后台,获取到当地人们用电的数据情况,并根据数据对当地用电情况分析;
用电情况根据用电的量划分时间,划分的时间为早晨、上午、中午、下午、晚上与凌晨,观察各个时间段内用电的数值,得出用电高峰的范围时间段,分析得出当地人们用电的习惯。
优先地,S7步骤中通过如下计算公式得出详细的用电负荷:
有功计算负荷P=C*E*U;无功计算负荷Q=C*Usin;视在功率Y=C*U;
其中C为电压,U为电流,E为功率因数,sin为阻抗角,P为有功功率,Q为无功功率,Y为视在功率。
优先地,S8步骤中通过气象局官网查询到当地的历史天气情况。
优先地,S8步骤中通过结合分析,得到当地区域内大致的用电情况,调度管理计划制定步骤为:
A1、预测推算得到用电情况;
A2、根据用电情况对电力进行分配,输送;
A3、针对意外情况,存储备用电源;
A4、对用电情况进行实时监测,记录数据情况。
与现有技术相比,本发明的有益效果如下:
本发明通过生成的负荷管理方法,能更细致地研究电力系统极热少风场景下储能的运行方式与负荷的管理模式,通过负荷管理模式降低负荷管理的经济成本,降低一类二类重要负荷的管理量,对含高比例可再生能源的电力系统极端场景运行方式有重要意义。
附图说明
图1是本发明实施的流程图;
图2是本发明实施的极热少风场景下电力系统场景;
图3是本发明实施的分解负荷曲线结果;
图4是本发明实施的原始负荷曲线与生成削减后的负荷曲线;
图5是本发明实施的三类负荷管理功率对比图;
图6是本发明实施的二类负荷管理功率对比图;
图7是本发明实施的不同方法的储能荷电状态图;
图8是本发明当地区域典型负荷曲线。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
一种高比例可再生能源电力系统极热少风场景的负荷管理方法,管理步骤包括:
S1、选择极热少风出现场景较多的地理城市,在选择的位置进行管理方法的数据收集与试验分析;
S2、分析极热少风的风光出力水平,筛选该场景下的风光出力曲线;
S3、获取基于电力系统地区特性的负荷特征分类;
S4、利用蒙特卡洛模拟生成带有不确定性的负荷曲线;
S5、建立该场景下的负荷管理策略与储能充放电策略;
S6、获取到当地人们用电的详细数据,根据数据分析当地人们用电习惯;
S7、利用储电系统,在风力较大时,将电力供应超过负荷需求时多余的能量储存起来,在人们电力负荷需求超过供应时再次释放出来;
S8、获取当地区域内历史的天气情况,将S2-S5步骤中的分析方法、天气预测系统与当地用电习惯相互结合,进行长期的调度管理计划。
S1步骤中选择极热少风的场景便于快速的进行数据收集,让周围的环境更快的处于在极热少风的环境之中。
进一步的,S1步骤中极热少风的地理城市选择有武汉、兰州、昆明与四川其中的一处,S2步骤中获取当地历史数据分析极热少风的风光出力水平;
S2步骤中筛选方法通过获取到当地风光的装机容量水平,通过每日风电平均出力低于20%的情况筛选极热少风场景,获取到当地的历史数据的方法是通过电网调度公司机器采用,并通过人工调出进行获取;
S3步骤中的当地特性包括有一类、二类与三类,选取其中比例进行分解;
S5步骤中储能充放电的策略为:可能发生一类、二类重要负荷前,对储能进行充电,减少一类、二类重要负荷的管理;
由于本专利所需三天的负荷场景,确定所需场景数量为3,通过迭代3个类的中心使得每类场景的欧几里得距离平均值最小,并选取距离类中心最近的的场景为选取场景进行削减。
分析极热少风的风光出力特征,筛选极热少风场景下的风光出力曲线,极热少风的环境下风电出力明显处于低水平状态,光伏出力受影响较小,本文选取区域光伏装机100MW、风电装机230MW、直流送入功率250MW、火电装机400MW,发生极热少风气象时风电出力基本低于20%,选取两日极热少风与前一日的场景具体如图2所示。
如图3所示,S3步骤中根据当地特性获取基于电力系统地区特性的负荷特征分类,分解负荷曲线为:
Pt load=Pt I-L+Pt II-L+Pt III-L
式中,Pt load表示t时刻该区域的所有负荷,Pt I-L、Pt II-L、Pt III-L分别表示t时刻的一类、二类、三类负荷。
如图4所示,S4步骤中利用蒙特卡洛模拟生成负荷大量不确定性场景,并利用k-means算法削减至所需数量的场景。
进一步的,S5步骤中建立储能接入的相关充放电模型为:
Pess.min≤Pess,t≤Pess.max
Sess.min≤S(t)≤Sess.max
μess_c+μess_d≤1
式中,Pess,t表示储能的充放功率,S(t)表示储能的荷电状态,μess_c和μess_d为充放电状态系数,为0/1变量;
建立电力系统极热少风场景储能的充放电策略,包括在极热少风下的优先满足一类、二类负荷电量的储能运行策略;
式中,t表示因极热少风发生缺电的时间,Δt表示发生的确定的时间段;表示t时刻储能的容量需求;pt表示t时刻下总电源功率;
式中,分别表示t时刻下总电源功率、风电机组功率、光伏功率、直流送入功率和火电机组出力。
进一步的,S5步骤中建立高比例可再生能源电力系统极热少风场景的负荷管理策略,建立经济性负荷管理最小化目标,建立公式为:
min-pI-L·min{0,pt-Pt I-L}-pII-L·min{0,pt-Pt II-L}-pIII-L·min{0,pt-Pt III-L}
式中,pI-L、pII-L、pIII-L表示一类、二类、三类负荷管理的成本。
进一步的,S6步骤中通过获取电力公司权限,进入电力公司后台,获取到当地人们用电的数据情况,并根据数据对当地用电情况分析;
用电情况根据用电的量划分时间,划分的时间为早晨、上午、中午、下午、晚上与凌晨,观察各个时间段内用电的数值,得出用电高峰的范围时间段,分析得出当地人们用电的习惯;
下表为当地人们不同时间段内一周内用电的数值表
组别 | 周一(kwh) | 周二 | 周三 | 周四 | 周五 | 周六 | 周日 |
早晨 | 0.2 | 0.1 | 0.2 | 0.1 | 0 | 0 | 0.2 |
上午 | 0.3 | 0.3 | 0.2 | 0.1 | 0.1 | 0.3 | 0.2 |
中午 | 0.3 | 0.2 | 0.1 | 0.2 | 0.3 | 1.6 | 1.2 |
下午 | 0.5 | 0.7 | 0.4 | 0.9 | 0.9 | 1.5 | 1.9 |
晚上 | 1.5 | 1.6 | 1.9 | 1.8 | 2.0 | 2.6 | 2.3 |
凌晨 | 0.2 | 0.1 | 0 | 0 | 1.3 | 1.2 | 0.8 |
合计 | 3 | 3 | 2.8 | 3.1 | 4.6 | 7.2 | 6.6 |
由上表可得出当地人们在一周的时间内,下午与晚上的时间段内,用电数值较大,得知到在用电高峰时间段后,通过开发的放电策略来对电力进行合理输送分配;
用电峰值是指用电高峰时间段内的用电情况,测算公式为:P=U+S;
其中P为具体用电量,U为峰值电量,S为谷值电量。
进一步的,S7步骤中通过如下计算公式得出详细的用电负荷:
有功计算负荷P=C*E*U;无功计算负荷Q=C*Usin;视在功率Y=C*U;
其中C为电压,U为电流,E为功率因数,sin为阻抗角,P为有功功率,Q为无功功率,Y为视在功率。
进一步的,S8步骤中通过气象局官网查询到当地的历史天气情况;
查询的天气为进一年内的当地天气情况,合理的分析当地出现极热少风出现的频率;
下表为当地极热少风出现的情况表
组别 | 次数 |
1月 | 0天 |
2月 | 0天 |
3月 | 0天 |
4月 | 1天 |
5月 | 2天 |
6月 | 4天 |
7月 | 3天 |
8月 | 2天 |
9月 | 1天 |
10月 | 0天 |
11月 | 0天 |
12月 | 0天 |
由上表可看出夏季出现极热少风的天数较多。
进一步的,S8步骤中通过结合分析,得到当地区域内大致的用电情况,调度管理计划制定步骤为:
A1、预测推算得到用电情况;
A2、根据用电情况对电力进行分配,输送;
A3、针对意外情况,存储备用电源;
A4、对用电情况进行实时监测,记录数据情况。
A1步骤中根据天气、用电峰值来进行推算,通过ARIMA模型进行分析;
计算公式为yt=c+mi=O+pi=C*J,其中yt为时间序列数据在t时间内的数值,c为常数,O为移动平均数,pi为加权平均数,C为自回归系数,J为时间序列;
A2步骤中分配电力的方式为根据用电量的时间段来进行分配,根据推算得出的用电情况,来进行合理分配;
A4步骤中通过各个设备的能耗情况与电网的流量流动情况,来进行数据记录。
图5所示为三类负荷管理功率对比图,图6所示为二类负荷管理功率对比图,图7所示为不同方法的储能荷电状态,可见本专利采用形成的储能运行策略与负荷管理策略可以有效降低二类负荷的管理功率,通过利用公式的逻辑储能策略进行充放电管理,并对目标进行优化负荷管理,可见储能在一些时刻,尤其如第二天中午与第三天中午,发生三类负荷需要大量管理的情况下,储能仍然不放电并进行能量保存,极大的满足了二类负荷的用电需求,如图6所示,专利所提方法仅在第二日16时发生了负荷管理,而常规的基于负荷缺失与电源经济性方法在多个时刻发生大量切负荷的情况,由此可见专利方法可以有效缓解极热少风场景下的电力系统重要负荷保供问题,为极热少风场景下高比例可再生能源电力系统运行提供一种有效方案。
对比例1
一种用电的负荷管理方法,管理步骤包括:
B1、负荷调度:通过负荷调度控制器,根据实时负荷需求和可再生能源的供应情况,动态调整负荷的分配和使用;
B2、储能系统的利用:利用储能系统将在可再生能源供应超过重要负荷需求时多余的能量储存起来;
B3、软件控制策略:采用软件控制策略,通过对整个电力系统进行优化调度,最大限度地利用可再生能源,并确保能源的高效利用和供需平衡;
B4、鼓励负荷侧的灵活性参与,通过根据电价或奖励机制,引导用户在极热少风的场景下灵活调整用电负荷,以适应可再生能源供需的波动。
下表为实施例1与对比例1中的方案效果表
组别 | 实施例1 | 对比例1 |
供电可靠性 | 可靠并实时进行检测 | 可靠 |
规划预测时间 | 长期 | 短期 |
通过上表可看出本发明中实施例1的方案带来的供电可靠性与规划的预测时间更为长久稳定。
实验方式
通过划分2个供电区域,并采用实施例1中的方案进行电力的负荷管理,与对比例1的方案进行电力的负荷管理,持续的观察时间段内供电的可靠性。
综上而言,上述实施例1中方法在其步骤执行的过程中较为全面的数据分析,为电力负荷管理方式带来了可靠的安全评估,且还能够对电力进行一定程度的安全管理,使得供电安全可靠,优化电力系统运行,提高电能的利用效率,减少电力系统的热损耗和能源浪费,保障供电可靠性,电力负荷管理可以确保电网供电的可靠性,通过对负荷的实时监测和合理调度,可以避免电力系统的过负荷运行,减少设备的故障和事故的发生,保障电力供应的连续性和稳定性;节约用电成本,合理管理电力负荷可以实现电力需求和供应的平衡,避免因电力的浪费和过度消耗而造成的额外用电成本,为用户带来了更进一步的安全保障。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种高比例可再生能源电力系统极热少风场景的负荷管理方法,其特征在于,管理步骤包括:
S1、选择极热少风出现场景较多的地理城市,在选择的位置进行管理方法的数据收集与试验分析;
S2、分析极热少风的风光出力水平,筛选该场景下的风光出力曲线;
S3、获取基于电力系统地区特性的负荷特征分类;
S4、利用蒙特卡洛模拟生成带有不确定性的负荷曲线;
S5、建立该场景下的负荷管理策略与储能充放电策略;
S6、获取到当地人们用电的详细数据,根据数据分析当地人们用电习惯;
S7、利用储电系统,在风力较大时,将电力供应超过负荷需求时多余的能量储存起来,在人们电力负荷需求超过供应时再次释放出来;
S8、获取当地区域内历史的天气情况,将S2-S5步骤中的分析方法、天气预测系统与当地用电习惯相互结合,进行长期的调度管理计划。
2.根据权利要求1所述的高比例可再生能源电力系统极热少风场景的负荷管理方法,其特征在于:S1步骤中极热少风的地理城市选择有武汉、兰州、昆明与四川其中的一处,S2步骤中获取当地历史数据分析极热少风的风光出力水平。
3.根据权利要求1所述的高比例可再生能源电力系统极热少风场景的负荷管理方法,其特征在于:S3步骤中根据当地负荷特性获取基于电力系统地区特性的负荷特征分类比例,分解负荷曲线为:
Pt load=Pt I-L+Pt II-L+Pt III-L
式中,Pt load表示t时刻该区域的所有负荷,Pt I-L、Pt II-L、Pt III-L分别表示t时刻的一类、二类、三类负荷。
4.根据权利要求1所述的高比例可再生能源电力系统极热少风场景的负荷管理方法,其特征在于:S4步骤中利用蒙特卡洛模拟生成负荷大量不确定性场景,并利用k-means算法削减至所需数量的场景;
蒙特卡洛:Pt WP=Pt WP,pred+αΔPt WP,pred
式中,Pt WP,pred表示t时刻的风电预测出力,ΔPt WP,pred表示t时刻的风电预测出力误差取10%,α服从标准正态分布N(0,1);
k-means算法:分析计算每个负荷场景间的欧几里得距离:
式中,xi1和xj1是第i个生成场景与第j个生成场景,d(i,j)为两个场景间的欧几里得距离。
5.根据权利要求1所述的高比例可再生能源电力系统极热少风场景的负荷管理方法,其特征在于:S5步骤中建立储能接入的相关充放电模型为:
Pess.min≤Pess,t≤Pess.max
Sess.min≤S(t)≤Sess.max
μess_c+μess_d≤1
式中,Pess,t表示储能的充放功率,S(t)表示储能的荷电状态,μess_c和μess_d为充放电状态系数,为0/1变量;
建立电力系统极热少风场景储能的充放电策略,包括在极热少风下的优先满足一类、二类负荷电量的储能运行策略;
式中,t表示因极热少风发生缺电的时间,Δt表示发生的确定的时间段;表示t时刻储能的容量需求;pt表示t时刻下总电源功率;
式中,分别表示t时刻下总电源功率、风电机组功率、光伏功率、直流送入功率和火电机组出力。
6.根据权利要求1所述的高比例可再生能源电力系统极热少风场景的负荷管理方法,其特征在于:S5步骤中建立高比例可再生能源电力系统极热少风场景的负荷管理策略,建立经济性负荷管理最小化目标,建立公式为:
min-pI-L·min{0,pt-Pt I-L}-pII-L·min{0,pt-Pt II-L}-pIII-L·min{0,pt-Pt III-L}
式中,pI-L、pII-L、pIII-L表示一类、二类、三类负荷管理的成本。
7.根据权利要求1所述的高比例可再生能源电力系统极热少风场景的负荷管理方法,其特征在于:S6步骤中通过获取电力公司权限,进入电力公司后台,获取到当地人们用电的数据情况,并根据数据对当地用电情况分析;
用电情况根据用电的量划分时间,划分的时间为早晨、上午、中午、下午、晚上与凌晨,观察各个时间段内用电的数值,得出用电高峰的范围时间段,分析得出当地人们用电的习惯。
8.根据权利要求1所述的高比例可再生能源电力系统极热少风场景的负荷管理方法,其特征在于:S7步骤中通过如下计算公式得出详细的用电负荷:
有功计算负荷P=C*E*U;无功计算负荷Q=C*Usin;视在功率Y=C*U;
其中C为电压,U为电流,E为功率因数,sin为阻抗角,P为有功功率,Q为无功功率,Y为视在功率。
9.根据权利要求1所述的高比例可再生能源电力系统极热少风场景的负荷管理方法,其特征在于:S8步骤中通过气象局官网查询到当地的历史天气情况。
10.根据权利要求1所述的高比例可再生能源电力系统极热少风场景的负荷管理方法,其特征在于:S8步骤中通过结合分析,得到当地区域内大致的用电情况,调度管理计划制定步骤为:
A1、预测推算得到用电情况;
A2、根据用电情况对电力进行分配,输送;
A3、针对意外情况,存储备用电源;
A4、对用电情况进行实时监测,记录数据情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311385893.1A CN117439097A (zh) | 2023-10-23 | 2023-10-23 | 高比例可再生能源电力系统极热少风场景的负荷管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311385893.1A CN117439097A (zh) | 2023-10-23 | 2023-10-23 | 高比例可再生能源电力系统极热少风场景的负荷管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117439097A true CN117439097A (zh) | 2024-01-23 |
Family
ID=89552775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311385893.1A Pending CN117439097A (zh) | 2023-10-23 | 2023-10-23 | 高比例可再生能源电力系统极热少风场景的负荷管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117439097A (zh) |
-
2023
- 2023-10-23 CN CN202311385893.1A patent/CN117439097A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Begovic et al. | Impact of renewable distributed generation on power systems | |
Li et al. | The capacity allocation method of photovoltaic and energy storage hybrid system considering the whole life cycle | |
Yang et al. | Optimal two-stage dispatch method of household PV-BESS integrated generation system under time-of-use electricity price | |
CN110783959B (zh) | 一种新能源发电系统的稳定状态控制系统 | |
CN112907129A (zh) | 储能综合效益评估指标体系 | |
Wang et al. | A hierarchical control algorithm for managing electrical energy storage systems in homes equipped with PV power generation | |
KR20130074045A (ko) | 마이크로그리드 기반의 수용가 에너지 관리 방법 및 시스템 | |
CN115864376A (zh) | 一种多时间尺度电力保供分析方法及系统 | |
CN113746105A (zh) | 电力需求响应的优化控制方法、装置、设备和存储介质 | |
CN112699562B (zh) | 一种构建配电网架构的方法及终端 | |
Aboshady et al. | Reactive Power Control of PV Inverters in Active Distribution Grids with High PV Penetration | |
Kimata et al. | Operation planning for heat pump in a residential building | |
Tian et al. | Coordinated RES and ESS Planning Framework Considering Financial Incentives Within Centralized Electricity Market | |
Yang et al. | Inverse Proportion Technique Based Scheduling Strategy for Energy Storage System Considering Load Demand Differences | |
Bai et al. | An online multi-level energy management system for commercial building microgrids with multiple generation and storage systems | |
CN117439097A (zh) | 高比例可再生能源电力系统极热少风场景的负荷管理方法 | |
Hashimoto et al. | Optimal operation of fuel cell and electrolyzer in household hybrid system by stochastic programming | |
Mu et al. | Risk-constrained multi-period planning for park-level integrated energy system based on CVaR method | |
Hu et al. | Demand Response Optimization Strategy for Multi-Level Intelligent Regulation under the Power Internet of Things | |
Yao et al. | Planning Scheme Design for Multi-time Scale Energy Storage at the City Level | |
Nisa et al. | Integrated Energy and Economic Model for Rooftop Photovoltaics on Distribution System | |
Hu et al. | Generation-Load Coordinative Scheduling considering the Demand-Response Uncertainty of Inverter Air Conditioners | |
Zhang et al. | Coordinated Scheduling Algorithm for Grid-connected Photovoltaic Power Generation and Energy Storage Systems | |
Okwu et al. | An Integrated Framework for A Hybrid Smart Micro Grid for 1000 Units Estate | |
Zhang et al. | Two-Stage Optimization Model of Centralized Energy Storage Participating in Peak Shaving with Maximum Reserve Capacity and Minimum Carbon Emission of the System |
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 |