CN117559507B - 一种构网型储能电站定容选址优化配置方法及系统 - Google Patents

一种构网型储能电站定容选址优化配置方法及系统 Download PDF

Info

Publication number
CN117559507B
CN117559507B CN202410010304.XA CN202410010304A CN117559507B CN 117559507 B CN117559507 B CN 117559507B CN 202410010304 A CN202410010304 A CN 202410010304A CN 117559507 B CN117559507 B CN 117559507B
Authority
CN
China
Prior art keywords
energy storage
conventional unit
power station
optimization model
cost
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.)
Active
Application number
CN202410010304.XA
Other languages
English (en)
Other versions
CN117559507A (zh
Inventor
黄云辉
杨天鑫
王栋
何珍玉
赵鹏
陈永康
唐金锐
周克亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202410010304.XA priority Critical patent/CN117559507B/zh
Publication of CN117559507A publication Critical patent/CN117559507A/zh
Application granted granted Critical
Publication of CN117559507B publication Critical patent/CN117559507B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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]
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J3/388—Islanding, i.e. disconnection of local power supply from the 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种构网型储能电站定容选址优化配置方法及系统，包括以下步骤：设定常规机组与储能电站的约束条件；在约束条件下，建立常规机组与储能电站的联合优化模型，包括内层优化模型和外层优化模型；对内层优化模型进行求解，得到最优运行成本，将最优运行成本代入外层优化模型，并采用粒子群算法对外层优化模型求解，得到优化储能配置容量；设置固定迭代次数，当当前迭代次数小于固定迭代次数时，将外层优化模型的求解结果反馈至内层优化模型，对储能配置容量进行更新，直到当前迭代次数等于固定迭代次数，得到最优储能配置容量；根据最优储能配置容量计算区域电网惯性常数的标准差，当标准差最小时，得到构网型储能电站的最优配置位置。

Description

一种构网型储能电站定容选址优化配置方法及系统
技术领域
本发明属于储能优化配置领域，具体涉及一种构网型储能电站定容选址优化配置方法及系统。
背景技术
近年来，随着风电、光伏等新能源大量接入，一方面，新能源的波动性与随机性将增加调峰与二次调频难度，另一方面，系统等效惯性时间常数不断下降，扰动事件下频率变化程度增加。随着新能源占比不断增加，系统中惯量分布不均的现象更加突出。而储能作为电力储存装置，可用来平衡电能在时间上的供需关系以实现调峰与二次调频，同时采用虚拟同步机构网型变流器控制方法可用来提高系统惯量分布的均匀性，故构网型储能电站可以有效解决当前高比例新能源电力系统所面临的问题。
然而，目前仍有以下三个关键问题需要解决。其一，为了对储能容量进行更为准确的配置，如何选取调峰典型场景及如何表征源荷不确定性是一个难题。其二，储能技术的高成本是制约储能发展的关键因素之一，故如何确定合适的储能电站配置方案，使其保证经济性的同时又具有较好的调峰与二次调频效果是目前研究的关键。其三，如何量化区域电网惯量分布的均匀性并通过含虚拟同步控制的构网型储能电站选址对其进行优化。
目前有不少发明专利也涉及了构网型储能电站的优化配置方法。例如，公告号为CN116054218A通过计算并网和孤网运行方式下，源网荷储系统在多种备选构网型储能容量下对应的新能源并网点短路比和新能源多场站短路比，在此基础上，得到并网和孤网运行方式各自最佳的构网型储能容量。所述方法可以有效提高系统的新能源并网点的电压稳定性，但该方法储能配置目标单一，没有将构网型储能的优势高效利用。因此，现有技术往往忽视了高比例新能源系统面临的多种问题，未能发掘出合适的多目标下构网型储能电站定容选址优化配置方法。
发明内容
本发明提出了一种构网型储能电站定容选址优化配置方法及系统，解决了现有技术储能配置目标单一，没有将构网型储能的优势高效利用的问题。
为解决上述技术问题，本发明提供了一种构网型储能电站定容选址优化配置方法，包括以下步骤：
步骤S1：设定常规机组与储能电站的约束条件，所述约束条件包括功率平衡约束、常规机组及储能出力约束、常规机组爬坡约束、常规机组及储能二次调频备用容量约束、常规机组启停成本约束和储能SOC约束；
步骤S2：在所述约束条件下，建立常规机组与储能电站的联合优化模型，所述联合优化模型包括内层优化模型和外层优化模型，所述内层优化模型以常规机组与储能电站的运行成本最小为目标，所述外层优化模型以常规机组与储能电站的投资成本最小为目标，所述投资成本包括运行成本和建设成本；
步骤S3：对所述内层优化模型进行求解，得到最优运行成本，将所述最优运行成本代入外层优化模型，并采用粒子群算法对外层优化模型求解，得到优化储能配置容量；
步骤S4：设置固定迭代次数，当当前迭代次数小于固定迭代次数时，将外层优化模型的求解结果反馈至内层优化模型，对储能配置容量进行更新，直到当前迭代次数等于固定迭代次数，得到最优储能配置容量；
步骤S5：根据所述最优储能配置容量计算区域电网惯性常数的标准差，当所述标准差最小时，得到构网型储能电站的最优配置位置。
优选地，步骤S1中所述功率平衡约束的表达式为：
；
式中，为系统常规机组总数；/>是常规机组m的有功输出；/>和为上下备用功率分别对储能进行调峰；/>表示第i天采样点j处的预测净负荷；/>、/>和/>为风光荷弃用功率；/>和/>分别为常规机组的上下调频功率；/>和/>分别为储能的上下调频功率；/>为系统调频需求功率；/>表示对该值求偏导；
所述常规机组及储能出力约束的表达式为：
；
式中，为常规机组m的启停状态；/>和/>分别为常规机组m的最大功率和最小功率；/>和/>分别为储能允许最小和最大荷电状态；P e为储能的功率容量；
所述常规机组爬坡约束的表达式为：
；
式中，为第t-1秒时常规机组m的有功输出；/>和/>分别是常规机组i的最大上爬坡率和下爬坡率；
所述常规机组及储能二次调频备用容量约束的表达式为：
；
式中，和/>分别为常规机组i的上下备用容量；/>和/>分别是储能的上下频率调整储备的功率；
所述常规机组启停成本约束的表达式为：
；
式中，和/>分别是常规机组的启动和关闭的成本函数；/>和分别为常规机组m的启停成本；
所述储能SOC约束的表达式为：
；
式中，、/>和/>分别为储能的SOC变化量、最终值和初始值；/>和/>分别为储能充电、放电效率；/>和/>为储能SOC的最小值与最大值；S d和S u为储能当日最后时刻SOC的最小值与最大值；E e为储能的能量容量；/>为步长大小。
优选地，步骤S2中所述运行成本F的表达式为：
；
；
；
；
；
；
；
；
上式中，为典型日i调频场景j对应概率；/>、/>、/>、/>分别是常规机组的运行、调峰、启停、备用的成本函数；/>和/>分别是储能的调峰和调频备用的成本函数；/>为新能源和负荷弃用惩罚函数；a m 、b m 、c m是常规机组m的发电成本系数；d 1,t和d 2,t是传统单元i的不同峰值深度的成本系数；/>和/>为常规机组峰值深度表征值；/>和/>分别为常规机组m输出有功功率的调峰临界值和最大值；/>和/>分别为常规单元上下备用的成本系数；/>和/>分别是储能的上下调峰的成本系数；/>和/>分别是储能的上下频率调整的成本系数；/>是调峰阶段t中的一组调频时间序列；k 1、k 1和k 3分别是风光荷弃用成本系数。
优选地，步骤S2中所述投资成本的表达式为：
；
；
上式中，为初期投资成本年值，K P、K E分别为储能功率容量和能量容量的单位成本；r为基准折现率；n为储能的运行寿命。
优选地，步骤S3中所述粒子群算法，将储能的功率容量与能量容量作为粒子的位置，将储能的功率容量与能量容量的变化值作为粒子的速度，包括以下步骤：
步骤S31：初始化粒子群算法的迭代次数、各粒子的初始位置和速度；
步骤S32：根据各粒子的位置和速度计算各粒子的投资成本；
步骤S33：对每个粒子，将当前投资成本与历史最优投资成本进行比较，取所述投资成本较小的作为最优投资成本，将各粒子的最优投资成本进行比较，取所述投资成本最小的作为全局最优投资成本；
步骤S34：判断当前迭代次数是否达到设定迭代次数，当当前迭代次数小于设定迭代次数时，进入步骤S35，否则输出全局最优投资成本对应的粒子的位置作为最优储能配置容量；
步骤S35：更新各粒子的速度和位置后，进入步骤S32，对各粒子的速度和位置进行更新的表达式为：
；
式中，i表示已经迭代的次数；d表示粒子编号；、/>分别为粒子d更新前的速度、位置；/>、/>分别为更新后的速度、位置；/>、/>分别为粒子d和群体的最佳位置；/>为惯性权重；c 1、c 2表示学习因子；r 1、r 2表示0~1之间的随机数。
优选地，步骤S5包括以下步骤：
步骤S51：配置构网型储能电站的惯性常数H E：
；
式中，为储能电站最终配置的功率容量；(df/dt)max为系统允许最大的频率偏差；
步骤S52：计算区域电网节点的惯量：
；
式中，和/>为导纳矩阵中的常数；/>为发电机j与节点k之间的电纳；/>为发电机的惯性常数；
步骤S53：以区域电网惯性常数的标准差最小为目标对含虚拟惯量控制的储能电站进行配置位置，所述区域电网惯性常数的标准差的表达式为：
；
式中，n为该区域总的节点数，为区域电网节点的惯量均值。
本发明还提供一种构网型储能电站定容选址优化配置系统，适用于上述的一种构网型储能电站定容选址优化配置方法，包括建模模块、求解模块和优化模块；
所述建模模块用于建立常规机组与储能电站联合优化模型，所述联合优化模型包括内层优化模型和外层优化模型，所述内层优化模型以常规机组与储能电站的运行成本最小为目标，所述外层优化模型以常规机组与储能电站的投资成本最小为目标；
所述求解模块用于求解常规机组与储能电站联合优化模型；
所述优化模块将所述联合优化模型的求解结果用于优化构网型储能电站的容量和位置。
本发明还提供一种电子设备，包括：存储器、处理器和计算机程序，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现上述的一种构网型储能电站定容选址优化配置方法。
本发明另外提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行以实现上述的一种构网型储能电站定容选址优化配置方法。
本发明的有益之处至少包括：建立常规机组与储能电站的内外层优化模型，以其运行成本与建设成本之和最小为目标，采用粒子群算法进行综合求解，得到储能配置容量，并提出一种衡量区域电网惯量均匀性的方法，对储能配置容量进行优化，最终确定构网型储能电站的配置位置；综合了储能调峰、二次调频和惯量对储能进行配置，保证了规划结果长期的稳定性与优越性。
附图说明
图1为本发明实施例的方法流程图；
图2为本发明实施例的构网型储能电站并网图；
图3为本发明实施例的调峰与二次调频典型场景图；
图4为本发明实施例中构网型储能电站容量优化迭代示意图；
图5为本发明实施例的区域电网结构图；
图6为本发明实施例的构网型储能电站中各节点惯量优化效果图。
具体实施方式
下面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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
如图1所示，本发明实施例提供了一种构网型储能电站定容选址优化配置方法，包括以下步骤：
步骤S1：设定常规机组与储能电站的约束条件，约束条件包括功率平衡约束、常规机组及储能出力约束、常规机组爬坡约束、常规机组及储能二次调频备用容量约束、常规机组启停成本约束和储能SOC约束。
具体地，功率平衡约束的表达式为：
；
式中，为系统常规机组总数；/>是常规机组m的有功输出；/>和为上下备用功率分别对储能进行调峰；/>表示第i天采样点j处的预测净负荷；/>、/>和/>为风光荷弃用功率；/>和/>分别为常规机组的上下调频功率；/>和/>分别为储能的上下调频功率；/>为系统调频需求功率；/>表示对该值求偏导。
常规机组及储能出力约束的表达式为：
；
式中，为常规机组m的启停状态；/>和/>分别为常规机组m的最大功率和最小功率；/>和/>分别为储能允许最小和最大荷电状态；P e为储能的功率容量。
常规机组爬坡约束的表达式为：
；
式中，为第t-1秒时常规机组m的有功输出；/>和/>分别是常规机组i的最大上爬坡率和下爬坡率。
常规机组及储能二次调频备用容量约束的表达式为：
；
式中，和/>分别为常规机组i的上下备用容量；/>和/>分别是储能的上下频率调整储备的功率。
常规机组启停成本约束的表达式为：
；
式中，和/>分别是常规机组的启动和关闭的成本函数；/>和分别为常规机组m的启停成本。
储能SOC约束的表达式为：
；
式中，、/>和/>分别为储能的SOC变化量、最终值和初始值；/>和/>分别为储能充电、放电效率；/>和/>为储能SOC的最小值与最大值；S d和S u为储能当日最后时刻SOC的最小值与最大值；E e为储能的能量容量；/>为步长大小。
步骤S2：在约束条件下，建立常规机组与储能电站的联合优化模型，联合优化模型包括内层优化模型和外层优化模型，内层优化模型以常规机组与储能电站的运行成本最小为目标，外层优化模型以常规机组与储能电站的投资成本最小为目标，投资成本包括运行成本和建设成本。
具体地，建立常规机组与储能电站内层优化模型，旨在最大限度地降低发电、调峰和调频的总成本，对储能与常规机组进行调度。并在MATLAB平台上运用YALMIP+CPLEX对该问题进行求解。步骤S2中运行成本F的表达式为：
；
；
；
；
；
；
；
；
上式中，为典型日i调频场景j对应概率；/>、/>、/>、/>分别是常规机组的运行、调峰、启停、备用的成本函数；/>和/>分别是储能的调峰和调频备用的成本函数；/>为新能源和负荷弃用惩罚函数；a m 、b m 、c m是常规机组m的发电成本系数；d 1,t和d 2,t是传统单元i的不同峰值深度的成本系数；/>和/>为常规机组峰值深度表征值；/>和/>分别为常规机组m输出有功功率的调峰临界值和最大值；和/>分别为常规单元上下备用的成本系数；/>和/>分别是储能的上下调峰的成本系数；/>和/>分别是储能的上下频率调整的成本系数；/>是调峰阶段t中的一组调频时间序列；k 1、k 1和k 3分别是风光荷弃用成本系数。
外层优化模型考虑储能初期建造成本，旨在最大化储能经济性，投资成本的表达式为：
；
；
上式中，为初期投资成本年值，K P、K E分别为储能功率容量和能量容量的单位成本；r为基准折现率；n为储能的运行寿命。
步骤S3：对内层优化模型进行求解，得到最优运行成本，将最优运行成本代入外层优化模型，并采用粒子群算法对外层优化模型求解，得到优化储能配置容量。
具体地，粒子群算法将储能的功率容量与能量容量作为粒子的位置，将储能的功率容量与能量容量的变化值作为粒子的速度，包括以下步骤：
步骤S31：初始化粒子群算法的迭代次数、各粒子的初始位置和速度；
步骤S32：根据各粒子的位置和速度计算各粒子的投资成本；
步骤S33：对每个粒子，将当前投资成本与历史最优投资成本进行比较，取投资成本较小的作为最优投资成本，将各粒子的最优投资成本进行比较，取投资成本最小的作为全局最优投资成本；
步骤S34：判断当前迭代次数是否达到设定迭代次数，当当前迭代次数小于设定迭代次数时，进入步骤S35，否则输出全局最优投资成本对应的粒子的位置作为最优储能配置容量；
步骤S35：更新各粒子的速度和位置后，进入步骤S32，对各粒子的速度和位置进行更新的表达式为：
；
式中，i表示已经迭代的次数；d表示粒子编号；、/>分别为粒子d更新前的速度、位置；/>、/>分别为更新后的速度、位置；/>、/>分别为粒子d和群体的最佳位置；/>为惯性权重；c 1、c 2表示学习因子；r 1、r 2表示0~1之间的随机数。
步骤S4：设置固定迭代次数，当当前迭代次数小于固定迭代次数时，将外层优化模型的求解结果反馈至内层优化模型，对储能配置容量进行更新，直到当前迭代次数等于固定迭代次数，得到最优储能配置容量。
步骤S5：根据最优储能配置容量计算区域电网惯性常数的标准差，当标准差最小时，得到构网型储能电站的最优配置位置。
具体地，将步骤S4得到的储能配置能量容量和功率容量带入至步骤S5中，并根据区域电网计算惯量配置构网型储能电站的位置，包括以下步骤：
步骤S51：配置构网型储能电站的惯性常数H E：
；
式中，为储能电站最终配置的功率容量；(df/dt)max为系统允许最大的频率偏差。
步骤S52：计算区域电网节点的惯量：
；
式中，和/>为导纳矩阵中的常数；/>为发电机j与节点k之间的电纳；/>为发电机的惯性常数。
步骤S53：以区域电网惯性常数的标准差最小为目标对含虚拟惯量控制的储能电站进行配置位置，区域电网惯性常数的标准差的表达式为：
；
式中，n为该区域总的节点数，为区域电网节点的惯量均值。
本发明还包括一种构网型储能电站定容选址优化配置系统，适用于上述的一种构网型储能电站定容选址优化配置方法，包括建模模块、求解模块和优化模块。
建模模块用于建立常规机组与储能电站联合优化模型，联合优化模型包括内层优化模型和外层优化模型，内层优化模型以常规机组与储能电站的运行成本最小为目标，外层优化模型以常规机组与储能电站的投资成本最小为目标。
求解模块用于求解常规机组与储能电站联合优化模型。
优化模块将联合优化模型的求解结果用于优化构网型储能电站的容量和位置。
基于上述一种构网型储能电站定容选址优化配置方法，以某构网型储能电站的数据为例，对本发明做详细说明。如图2所示，为本发明实施例中含虚拟惯量控制的构网型储能电站并网图，包括输入信号、虚拟惯量控制系统、储能电站与并网变流器和外部电网，其中输入信号为调峰或二次调频储能出力。
根据该储能电站的数据生成调峰时间尺度与二次调频时间尺度下的典型场景，包括以下步骤：
1）设定迭代自组织算法、分位数回归算法和高斯混合模型聚类算法的参数；导入系统运行数据，包括全年15分钟为采样点的预测与实际净负荷，此外还有储能电站和火电机组调度相关运行参数及成本系数。
2）采用改进迭代自组织聚类算法生成调峰时间尺度下的净负荷典型场景，采用分位数回归和高斯混合模型聚类算法生成调频时间尺度下的净负荷典型场景。
改进迭代自组织聚类算法使原始净负荷数据映射到合适的高维空间，在这个空间中，净负荷曲线将更容易分离和结构化，更进一步，采用核函数可实现在不计算映射函数的前提下直接计算高维空间内积，如下式所示：
；
其中，K为核函数；为高维映射函数；y i、y j为净负荷样本。
因此，两个样本之间的高维空间中的距离d(y i,y j)可以用核函数简化计算，如下式所示：
；
利用该方法计算两个样本在高维空间中的距离d(y i, y j)以对全年净负荷曲线进行无监督分类，将使簇内净负荷曲线相似性大，簇间净负荷曲线差异性大，且由于各聚类中心在各簇中具有典型性，因此选取离各聚类中心最近的样本为调峰时间尺度下典型净负荷场景。
采用分位数回归和高斯混合模型聚类算法生成调频时间尺度下的净负荷典型场景的详细过程如下：假设实际功率和预测净负荷之间存在以下线性拟合关系，如下式所示：
；
其中，表示第i天采样点j处的预测净负荷；/>表示τ分位数下第i天采样点j处的拟合实际净负荷；a τ和b τ是τ分位数线性拟合方程的参数。
分位数越接近0.5其对应的净负荷不确定性越低，于是可以通过不同分位数回归曲线对净负荷的不确定性进行描述。本发明实施例中采用插值法，将全年预测净负荷与实际净负荷用分位数矩阵τ ij表示。最后，采用高斯混合模型对所生成的全年分位数日变化曲线进行场景聚类。高斯混合模型具有鲁棒性强的特征，其将样本数据划分为D类，即高斯混合模型的D个高斯分布分量。每个样本数据可以估计为属于D类高维高斯分布概率的线性叠加，且将该样本数据划分至对应概率最大的高斯分量簇类，将这D个多维高斯分布的中心作为调频时间尺度的典型场景：
其中，ω s是第Σ s个高斯分布分量的权重系数也即分配给该类的概率；g(x|μ s,Σ s)是具有均值μ s和协方差Σ s的高斯分布的概率密度函数。
如图3所示为本发明实施例的调峰与二次调频典型场景图，基于以上场景，通过所建立的双层优化模型对储能容量进行求解，本发明实施例的构网型储能电站容量优化的迭代过程如图4所示，最终配置储能的能量容量为464.5MW·h，功率容量为370.2MW。如图5所示，1至31为本发明实施例的含虚拟同步控制构网型储能电站的配置节点，计算储能配置在各个节点下的惯量均匀性指标如图6所示，可知最终配置节点为31，惯量均匀性指标为0.485s。
本发明还提供了一种电子设备，包括：存储器、处理器和计算机程序，计算机程序存储在存储器中，并被配置为由处理器执行以实现上述的一种构网型储能电站定容选址优化配置方法。
本发明另外提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行以实现上述的一种构网型储能电站定容选址优化配置方法。
本发明首先通过改进迭代自组织算法、分位数回归与高斯混合模型聚类生成储能配置的典型场景，其表征了净负荷的波动性与随机性。其次，建立常规机组与储能联合优化运行模型，以其运行成本与储能初期建设成本之和最小为目标采用粒子算法进行综合求解出储能配置容量。最后，提出一种衡量区域电网惯量均匀性的方法并通过含虚拟同步控制的构网型储能对其进行优化，最终确定构网型储能电站的配置位置。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，仅表达了本发明的较佳实施例而已，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种构网型储能电站定容选址优化配置方法，其特征在于，包括以下步骤：
步骤S1：设定常规机组与储能电站的约束条件，所述约束条件包括功率平衡约束、常规机组及储能出力约束、常规机组爬坡约束、常规机组及储能二次调频备用容量约束、常规机组启停成本约束和储能SOC约束；
步骤S2：在所述约束条件下，建立常规机组与储能电站的联合优化模型，所述联合优化模型包括内层优化模型和外层优化模型，所述内层优化模型以常规机组与储能电站的运行成本最小为目标，所述外层优化模型以常规机组与储能电站的投资成本最小为目标，所述投资成本包括运行成本和建设成本；
步骤S3：对所述内层优化模型进行求解，得到最优运行成本，将所述最优运行成本代入外层优化模型，并采用粒子群算法对外层优化模型求解，得到优化储能配置容量；
步骤S4：设置固定迭代次数，当当前迭代次数小于固定迭代次数时，将外层优化模型的求解结果反馈至内层优化模型，对储能配置容量进行更新，直到当前迭代次数等于固定迭代次数，得到最优储能配置容量；
步骤S5：根据所述最优储能配置容量计算区域电网惯性常数的标准差，当所述标准差最小时，得到构网型储能电站的最优配置位置；
步骤S51：配置构网型储能电站的惯性常数HE：
式中，PE为储能电站最终配置的功率容量；(df/dt)max为系统允许最大的频率偏差；
步骤S52：计算区域电网节点的惯量Hck：
式中，rkj和rkk为导纳矩阵中的常数；Bkj为发电机j与节点k之间的电纳；Hj为发电机的惯性常数；
步骤S53：以区域电网惯性常数的标准差Hσ最小为目标对含虚拟惯量控制的储能电站进行配置位置，所述区域电网惯性常数的标准差的表达式为：
式中，n为该区域总的节点数，为区域电网节点的惯量均值。
2.根据权利要求1所述的一种构网型储能电站定容选址优化配置方法，其特征在于：步骤S1中所述功率平衡约束的表达式为：
式中，NG为系统常规机组总数；是常规机组m的有功输出；/>和/>为上下备用功率分别对储能进行调峰；/>表示第i天采样点j处的预测净负荷；/>和/>为风光荷弃用功率；/>和/>分别为常规机组的上下调频功率；/>和分别为储能的上下调频功率；/>为系统调频需求功率；Δ表示对该值求偏导；
所述常规机组及储能出力约束的表达式为：
式中，为常规机组m的启停状态；/>和/>分别为常规机组m的最大功率和最小功率；Smin和Smax分别为储能允许最小和最大荷电状态；Pe为储能的功率容量；
所述常规机组爬坡约束的表达式为：
式中，为第t-1秒时常规机组m的有功输出；/>和/>分别是常规机组i的最大上爬坡率和下爬坡率；
所述常规机组及储能二次调频备用容量约束的表达式为：
式中，和/>分别为常规机组i的上下备用容量；/>和/>分别是储能的上下频率调整储备的功率；
所述常规机组启停成本约束的表达式为：
式中，和/>分别是常规机组的启动和关闭的成本函数；/>和/>分别为常规机组m的启停成本；
所述储能SOC约束的表达式为：
式中，Sij,tk、Sij,end和S0分别为储能的SOC变化量、最终值和初始值；ηdown和ηup分别为储能充电、放电效率；SOCmin和SOCmax为储能SOC的最小值与最大值；Sd和Su为储能当日最后时刻SOC的最小值与最大值；Ee为储能的能量容量；Δt为步长大小。
3.根据权利要求2所述的一种构网型储能电站定容选址优化配置方法，其特征在于：步骤S2中所述运行成本F的表达式为：
上式中，ρij为典型日i调频场景j对应概率； 分别是常规机组的运行、调峰、启停、备用的成本函数；/>和/>分别是储能的调峰和调频备用的成本函数；/>为新能源和负荷弃用惩罚函数；am、bm、cm是常规机组m的发电成本系数；d1,t和d2,t是传统单元i的不同峰值深度的成本系数；/>和/>为常规机组峰值深度表征值；/>和/>分别为常规机组m输出有功功率的调峰临界值和最大值；eup,m和edown,m分别为常规单元上下备用的成本系数；zup和zdown分别是储能的上下调峰的成本系数；kup和kdown分别是储能的上下频率调整的成本系数；Λt是调峰阶段t中的一组调频时间序列；k1、k1和k3分别是风光荷弃用成本系数。
4.根据权利要求3所述的一种构网型储能电站定容选址优化配置方法，其特征在于：步骤S2中所述投资成本的表达式为：
f＝365×F+min(CIn)；
上式中，CIn为初期投资成本年值，KP、KE分别为储能功率容量和能量容量的单位成本；r为基准折现率；n为储能的运行寿命。
5.根据权利要求4所述的一种构网型储能电站定容选址优化配置方法，其特征在于：步骤S3中所述粒子群算法，将储能的功率容量与能量容量作为粒子的位置，将储能的功率容量与能量容量的变化值作为粒子的速度，包括以下步骤：
步骤S31：初始化粒子群算法的迭代次数、各粒子的初始位置和速度；
步骤S32：根据各粒子的位置和速度计算各粒子的投资成本；
步骤S33：对每个粒子，将当前投资成本与历史最优投资成本进行比较，取所述投资成本较小的作为最优投资成本，将各粒子的最优投资成本进行比较，取所述投资成本最小的作为全局最优投资成本；
步骤S34：判断当前迭代次数是否达到设定迭代次数，当当前迭代次数小于设定迭代次数时，进入步骤S35，否则输出全局最优投资成本对应的粒子的位置作为最优储能配置容量；
步骤S35：更新各粒子的速度和位置后，进入步骤S32，对各粒子的速度和位置进行更新的表达式为：
式中，i表示已经迭代的次数；d表示粒子编号；Vd i、分别为粒子d更新前的速度、位置；Vd i+1、/>分别为更新后的速度、位置；/>分别为粒子d和群体的最佳位置；ω为惯性权重；c1、c2表示学习因子；r1、r2表示0～1之间的随机数。
6.一种构网型储能电站定容选址优化配置系统，适用于如权利要求1至5所述的一种构网型储能电站定容选址优化配置方法，其特征在于：包括建模模块、求解模块和优化模块；
所述建模模块用于建立常规机组与储能电站联合优化模型；
所述求解模块用于求解常规机组与储能电站联合优化模型；
所述优化模块将所述联合优化模型的求解结果用于优化构网型储能电站的容量和位置。
7.根据权利要求6所述的一种构网型储能电站定容选址优化配置系统，其特征在于：所述联合优化模型包括内层优化模型和外层优化模型，所述内层优化模型以常规机组与储能电站的运行成本最小为目标，所述外层优化模型以常规机组与储能电站的投资成本最小为目标。
8.一种电子设备，包括：存储器、处理器和计算机程序，其特征在于：所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现权利要求1～5任一项所述的一种构网型储能电站定容选址优化配置方法。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行以实现权利要求1～5任一项所述的一种构网型储能电站定容选址优化配置方法。
CN202410010304.XA 2024-01-04 2024-01-04 一种构网型储能电站定容选址优化配置方法及系统 Active CN117559507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410010304.XA CN117559507B (zh) 2024-01-04 2024-01-04 一种构网型储能电站定容选址优化配置方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410010304.XA CN117559507B (zh) 2024-01-04 2024-01-04 一种构网型储能电站定容选址优化配置方法及系统

Publications (2)

Publication Number Publication Date
CN117559507A CN117559507A (zh) 2024-02-13
CN117559507B true CN117559507B (zh) 2024-05-24

Family

ID=89818770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410010304.XA Active CN117559507B (zh) 2024-01-04 2024-01-04 一种构网型储能电站定容选址优化配置方法及系统

Country Status (1)

Country Link
CN (1) CN117559507B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108695868A (zh) * 2018-06-26 2018-10-23 上海交通大学 基于电力电子变压器的配电网储能选址定容方法
CN109492815A (zh) * 2018-11-15 2019-03-19 郑州大学 一种市场机制下面向电网的储能电站选址定容优化方法
CN112821432A (zh) * 2021-03-30 2021-05-18 南京工程学院 一种风光接入下储能系统的双层多位置配置方法
CN115441470A (zh) * 2022-08-22 2022-12-06 国网山东省电力公司电力科学研究院 一种微电网自适应虚拟同步控制方法、装置、介质、设备
CN115622101A (zh) * 2022-09-29 2023-01-17 国网河南省电力公司经济技术研究院 一种促进可再生能源消纳的储能优化配置双层规划方法
CN116706950A (zh) * 2023-05-26 2023-09-05 国网江苏省电力有限公司南京供电分公司 基于htl-mopso算法的有源配电网储能多目标优化配置方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108695868A (zh) * 2018-06-26 2018-10-23 上海交通大学 基于电力电子变压器的配电网储能选址定容方法
CN109492815A (zh) * 2018-11-15 2019-03-19 郑州大学 一种市场机制下面向电网的储能电站选址定容优化方法
CN112821432A (zh) * 2021-03-30 2021-05-18 南京工程学院 一种风光接入下储能系统的双层多位置配置方法
CN115441470A (zh) * 2022-08-22 2022-12-06 国网山东省电力公司电力科学研究院 一种微电网自适应虚拟同步控制方法、装置、介质、设备
CN115622101A (zh) * 2022-09-29 2023-01-17 国网河南省电力公司经济技术研究院 一种促进可再生能源消纳的储能优化配置双层规划方法
CN116706950A (zh) * 2023-05-26 2023-09-05 国网江苏省电力有限公司南京供电分公司 基于htl-mopso算法的有源配电网储能多目标优化配置方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Han Wang等.Modeling and control strategy of reactive power coordination in the combined system of new energy plant and energy storage station.《2023 9th international conference on electrical engineering,control and robotics》.2023,全文. *
一种考虑可再生能源不确定性的分布式储能电站选址定容规划方法;丁倩;曾平良;孙轶恺;徐辰婧;徐振超;;储能科学与技术;20200131;第9卷(第1期);全文 *
基于改进多目标粒子群算法的储能电站定容选址优化配置研究;肖厦颖等;《储能科学与技术》;20231110;全文 *

Also Published As

Publication number Publication date
CN117559507A (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN111884213B (zh) 一种基于深度强化学习算法的配电网电压调节方法
CN107887903B (zh) 考虑元件频率特性的微电网鲁棒优化调度方法
CN105680474B (zh) 一种储能抑制光伏电站快速功率变化的控制方法
CN112103980B (zh) 一种联合火电机组agc调频的混合储能系统能量管理方法
CN110956324B (zh) 基于改进的moea/d的主动配电网日前高维目标优化调度方法
CN112381375B (zh) 一种基于潮流分配矩阵的电网经济运行域快速生成方法
CN110474348B (zh) 一种配电网的调峰方法及装置
CN111786417A (zh) 一种面向分布式新能源消纳的主动配电网多目标区间优化调度的方法
CN112785027A (zh) 风光储联合发电系统置信容量评估方法及系统
CN115036914A (zh) 考虑灵活性与新能源消纳的电网储能双层优化方法及系统
CN115423153A (zh) 基于概率预测的光伏储能系统能量管理方法
CN113629775B (zh) 一种基于模糊逻辑的氢储能系统集群出力决策方法
CN112821463B (zh) 基于风、光随机性的主动配电网多目标日前优化调度方法
CN117559507B (zh) 一种构网型储能电站定容选址优化配置方法及系统
CN111817329A (zh) 光伏电站优化运行方法及装置
CN116191421A (zh) 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法
Ji et al. A electric power optimal scheduling study of hybrid energy storage system integrated load prediction technology considering ageing mechanism
Romero et al. Fast charge of Li-ion batteries using a two-layer distributed MPC with electro-chemical and thermal constraints
CN116523279B (zh) 一种计及调频需求的灵活性资源配置方案的确定方法
CN115912331B (zh) 一种智能风光互补发电系统的功率调节方法
CN112952869B (zh) 一种计及风电接入的交直流混联系统扩展规划方法及系统
CN115511215A (zh) 一种新型配电网系统的协调规划方法
Chen et al. Energy Storage Backup Power Control Strategy Based on Improved Deep Reinforcement Learning Algorithm
CN117810976A (zh) 面向光伏规模接入的配电网电压调度系统及其方法
CN114386703A (zh) 新能源电站发电上网辅助决策方法

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
GR01 Patent grant