WO2023274425A1 - 一种风光水火储系统的多能容量优化配置方法 - Google Patents

一种风光水火储系统的多能容量优化配置方法 Download PDF

Info

Publication number
WO2023274425A1
WO2023274425A1 PCT/CN2022/115334 CN2022115334W WO2023274425A1 WO 2023274425 A1 WO2023274425 A1 WO 2023274425A1 CN 2022115334 W CN2022115334 W CN 2022115334W WO 2023274425 A1 WO2023274425 A1 WO 2023274425A1
Authority
WO
WIPO (PCT)
Prior art keywords
wind
power
energy
energy storage
output
Prior art date
Application number
PCT/CN2022/115334
Other languages
English (en)
French (fr)
Inventor
周强
赵龙
张彦琪
王定美
吕清泉
马志程
张金平
高鹏飞
张睿骁
韩旭杉
马彦宏
沈渭程
张珍珍
李津
刘丽娟
沈荟云
王明松
Original Assignee
国网甘肃省电力公司电力科学研究院
国网甘肃省电力公司
国家电网有限公司
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 国网甘肃省电力公司电力科学研究院, 国网甘肃省电力公司, 国家电网有限公司 filed Critical 国网甘肃省电力公司电力科学研究院
Publication of WO2023274425A1 publication Critical patent/WO2023274425A1/zh

Links

Images

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
    • H02J3/38—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]
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/10—Photovoltaic [PV]
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Definitions

  • the invention relates to the field of power system planning, in particular to a multi-energy capacity optimization configuration method of a wind-solar-water-fired storage system.
  • the sub-objectives are usually normalized, and the linear weighting method is used to convert the multi-objective optimization problem into a single-objective problem, and then solve it.
  • most studies have not clearly given the maximum and minimum values of each sub-objective in the normalization process, or used the optimal solution obtained in the optimization process of each individual sub-objective as the normalization process.
  • the maximum value and minimum value of each sub-objective in the normalization process or select the maximum value and minimum value of each sub-objective in the normalization process based on inaccurate experience. Therefore, there is an urgent need for a means that can quickly and reliably provide the maximum and minimum values of each sub-objective in the normalization process.
  • the technical problem to be solved by the present invention is to provide a multi-energy capacity optimization configuration method of wind, water, fire storage system, which involves more types of power sources, comprehensively considers more objectives, and simplifies the maximum and minimum values of each sub-objective
  • the analysis and calculation of the system improves the calculation efficiency of the entire optimal configuration process.
  • a multi-energy capacity optimal configuration method of a wind, water and fire storage system includes:
  • the energy storage includes several energy battery
  • the optimal solution of the multi-energy capacity optimization configuration model is searched and solved by genetic algorithm; the optimal solution includes the number of wind turbines, the number of photovoltaic arrays, the number of thermal power units and the number of energy storage batteries ;
  • the result obtained by the last iteration is determined to be the optimal solution and output.
  • the preset operation strategy includes: aiming at maximizing wind power output and maximizing photovoltaic output, if hydropower, thermal power and energy storage participate in the regulation, output power in sequence according to the order of hydropower, thermal power and energy storage.
  • the calculation formula of the minimum min C of the cost C is:
  • C 1 is the fixed investment cost of the system
  • C 2 is the operation and maintenance cost of the system
  • C 3 is the fuel cost of thermal power
  • N w , N pv , N s , N h , and N bat are the numbers of wind turbines, photovoltaic arrays, hydropower stations, thermal power units, and energy storage batteries;
  • C w , C pv , and Ch are the numbers of wind turbines and photovoltaic arrays, respectively.
  • C bat is the unit price of energy storage battery
  • S w , S pv , S h are the total capacity of wind turbine, photovoltaic array and thermal power unit
  • C′ w , C′ pv , C′ s , C′ h , C′ bat are the operation and maintenance costs of wind turbines , photovoltaic arrays , hydropower , thermal power, and energy storage units
  • P s.sum (t) is the output power of all hydropower at time t
  • P bat (t) is the output power or input power of the unit energy storage battery at time t
  • T is the number of operating cycle periods
  • D(t) is the coal consumption of the unit thermal power unit t time
  • C" h is the unit coal consumption cost.
  • the calculation formula of the minimum value min D LE of the load shortage rate D LE is:
  • E L is the total power consumption of the load within T time
  • P LE (t) is the power shortage of the load at time t
  • the preset constraints include: power balance constraints and battery state of charge constraints, energy waste rate constraints, energy quantity constraints, and hydropower output constraints and thermal power output constraints;
  • the power balance constraint and the battery state of charge constraint are:
  • N bat P bat (t) N w P w (t) + N pv P pv (t) + P s.sum (t) + N h P h (t) - P L (t);
  • P L (t) is the load demand power at time t
  • N bat P bat (t) -N w P w (t)-N pv P pv (t)-P s.sum (t)-N h P h (t)+P L (t);
  • the energy waste rate constraint is:
  • P WE (t) is the energy waste power at time t
  • N w.min , N pv.min , N h.min , and N bat.min are the minimum allowable numbers of wind turbines, photovoltaic arrays, thermal power units, and energy storage batteries, respectively;
  • N w.max , N pv.max , N h.max and N bat.max are the maximum allowable numbers of wind turbines, photovoltaic arrays, thermal power units and energy storage batteries, respectively;
  • hydropower output constraints and thermal power output constraints are:
  • D h and U h are the rate of rise and fall of the output of a single thermal power unit, respectively
  • P s.min and P h.min are the minimum allowable output of a unit of hydropower and a single thermal power unit, respectively
  • P s.max , P h.max is the maximum allowable output of unit hydropower and single thermal power unit respectively.
  • the present invention has the following advantages:
  • the present invention involves more types of power sources, including five power sources including wind power, photovoltaic power, hydropower, thermal power and energy storage, and comprehensively considers many goals, including the best system economy, the best system reliability and the largest wind power generation
  • a new method for determining the maximum and minimum values of the normalized sub-objectives is introduced by using the genetic algorithm, which simplifies the analysis and calculation of the maximum and minimum values of each sub-objective without introducing additional analysis and calculation.
  • the maximum and minimum values of each sub-objective are automatically updated according to the searched state space information, which improves the computational efficiency of the entire optimal configuration process.
  • the present invention establishes a multi-energy capacity optimization configuration model of wind power, photovoltaic, thermal power and energy storage capacity for wind power, photovoltaic, thermal power and energy storage capacity, thereby ensuring wind power and While increasing the scale of photovoltaic power generation, it can achieve higher quality power output, improve power supply reliability and reduce economic costs.
  • Fig. 1 is a schematic flowchart of a multi-energy capacity optimal configuration method for a wind-solar-water-fired-storage system provided by an embodiment of the present invention.
  • an embodiment of the present invention provides a multi-energy capacity optimal configuration method of a wind, water, thermal storage system, which is applied to the planning and construction of a wind, water, thermal storage combined power generation system.
  • the configuration method includes:
  • Step S100 taking the minimum cost C, the minimum load and electricity shortage rate D LE , and the maximum total wind power generation f P as targets, respectively establish three corresponding sub-targets f 1 , f 2 , and f 3 .
  • the optimization objectives are the optimal economy, the best system reliability, and the maximum total power generation of wind and solar, as described below.
  • min C C 1 +C 2 +C 3 ;
  • C 1 is the fixed investment cost of the system
  • C 2 is the operation and maintenance cost of the system
  • C 3 is the fuel cost of thermal power
  • N w , N pv , N s , N h , and N bat are the numbers of wind turbines, photovoltaic arrays, hydropower stations, thermal power units, and energy storage batteries;
  • C w , C pv , and Ch are the numbers of wind turbines, photovoltaic arrays, and Investment cost per unit capacity of thermal power unit;
  • C bat is the unit price of energy storage battery;
  • S w , S pv , S h are the total capacity of wind turbine, photovoltaic array and thermal power unit;
  • C′ w , C′ pv , C′ s , C′ h , C′ bat are the operation and maintenance costs of wind turbines, photovoltaic arrays, hydropower, thermal power, and energy storage units;
  • P w (t), P pv ( t ), and Ph (t) are the cost , the output power of a single thermal power unit at time t;
  • P s.sum (t) is the output
  • E L is the total power consumption of the load within T time
  • P LE (t) is the power shortage of the load at time t; from the above formula, the smaller the power shortage rate D LE of the load, the higher the reliability of the system power supply.
  • the multi-objective optimization objective function of multi-energy complementary capacity optimization configuration is min (f 1 ,f 2 ,f 3 ).
  • Step S101 respectively perform linear (min-max) normalization processing on the three sub-objectives f 1 , f 2 , and f 3 , and then perform linear weighted summation to obtain a single objective function min F.
  • the min-max normalization method is used to normalize the three sub-objectives, so that each sub-objective can be unified under the same dimension and order of magnitude. comparability.
  • f′ 1 , f′ 2 , and f′ 3 are the normalized values of cost, load shortage rate, and wind and solar output; f 1.max , f 2.max , and f 3.max are cost, load shortage The maximum value of electricity rate and total power generation of wind and wind; f 1.min , f 2.min , and f 3.min are the minimum values of cost, load power shortage rate, and total power generation of wind and wind, respectively.
  • the maximum and minimum values of each sub-objective are updated according to the objective function value of the individual in this generation until the kth generation (k ⁇ N); then the maximum and minimum values of each sub-objective will no longer be updated and changed. Therefore, during the optimization process, the maximum and minimum values of each sub-objective before the kth generation change dynamically with the number of iterations, so that the fitness value before the kth generation fluctuates continuously. Since all generations after the kth generation use The maximum and minimum values of each sub-goal before the kth generation, so the fitness curve does not stop dynamic change and gradually converge until the kth generation, which can better reflect the convergence of the algorithm.
  • the multi-objective optimization problem is transformed into single-objective optimization using different weight coefficients according to preference:
  • the weight coefficients ⁇ 1 , ⁇ 2 , and ⁇ 3 can be set to 0.3, 0.4, and 0.3, respectively.
  • Step S102 based on the multi-energy complementary characteristics and preset operation strategies, as well as preset constraints and single objective function min F, construct a multi-energy capacity optimization configuration model.
  • the energy storage includes several energy storage batteries.
  • the preset operation strategy is: taking into account the complementary characteristics of wind, water, thermal storage and the characteristics of different types of energy, with the goal of maximizing wind power output and maximizing photovoltaic output, when hydropower, thermal power and energy storage are required to participate in the adjustment, according to the hydropower, thermal power and energy storage in sequence, see below for details.
  • the first one is the time-complementary characteristic.
  • the sum of the wind and wind output is less than the load demand.
  • the thermal power unit is used sequentially to further compensate for the difference in load demand at this time.
  • the thermal power station still cannot meet the load demand after participating in the adjustment, and the energy storage battery still has residual power at this time, start the energy storage battery with fast response capability to participate in the adjustment to supplement the remaining load demand difference, and the energy storage battery will be at discharge state.
  • the state of charge SOC of the energy storage battery reaches the minimum value during the discharge process, the discharge process of the energy storage battery will be terminated.
  • the second type is the time-complementary characteristic.
  • the sum of the wind and wind output is greater than the load demand.
  • the hydropower station and thermal power unit are adjusted separately so that the output of water and fire is controlled at the minimum output that maintains the normal operation of the hydropower station and thermal power unit.
  • the excess energy is used to charge the energy storage battery, that is, the excess electric energy is stored in the energy storage battery, so that the energy storage battery is in a charging state .
  • the state of charge SOC of the energy storage battery reaches the maximum value during the charging process, the charging of the energy storage battery is terminated.
  • Step S103 on the premise that the total capacity of hydropower is fixed, the genetic algorithm is used to search for the optimal number of wind turbines, photovoltaic arrays, thermal power units and energy storage batteries for the model.
  • the optimal solution of the multi-energy capacity optimal configuration model is searched and solved by genetic algorithm; the optimal solution includes the number of wind turbines, the number of photovoltaic arrays, the number of thermal power units and the energy storage number of batteries.
  • step S101 for the process of obtaining the optimal solution by the genetic algorithm, refer to the relevant description in step S101 and the detailed description below.
  • Step S104 substituting the optimal solution into the calculation formulas of the minimum and maximum values of each sub-objective, and the calculation results are used for the capacity optimization configuration of wind-thermal energy storage.
  • the optimal solution is substituted into the calculation formulas of the minimum and maximum values of each sub-objective to obtain the capacity optimization configuration parameters of wind-thermal energy storage, so as to regulate the wind-thermal energy storage system according to the capacity optimization configuration parameters.
  • the preset constraints include:
  • the energy storage battery When the total output of wind, water, fire and fire reaches the load demand, the energy storage battery will participate in the adjustment, that is, the excess electric energy will be stored in the energy storage battery.
  • the energy storage battery is in the charging state, and the charging power of the energy storage battery needs to meet:
  • N bat P bat (t) N w P w (t) + N pv P pv (t) + P s.sum (t) + N h P h (t) - P L (t);
  • P L (t) is the load demand power at time t; it should be noted that when the SOC of the energy storage battery reaches the maximum value of 0.9 during the charging process, in order to ensure the life and safety of the energy storage battery, stop For energy storage batteries, to some extent lead to energy waste.
  • the energy storage battery When the sum of the total output of wind, water and fire has not yet reached the load demand, the energy storage battery is in a discharge state, and the discharge power of the energy storage battery needs to meet:
  • N bat P bat (t) -N w P w (t)-N pv P pv (t)-P s.sum (t)-N h P h (t)+P L (t);
  • P WE (t) is the energy waste power at time t; from the above formula, the smaller the energy waste rate D WE is, the better the energy utilization rate of the system is.
  • N w.min , N pv.min , N h.min , and N bat.min are the minimum allowable numbers of wind turbines, photovoltaic arrays, thermal power units, and energy storage batteries, respectively;
  • N w.max , N pv.max , N h.max and N bat.max are the maximum allowable numbers of wind turbines, photovoltaic arrays, thermal power units and energy storage batteries, respectively;
  • D h and U h are the rate of rise and fall of the output of a single thermal power unit, respectively
  • P s.min and P h.min are the minimum allowable output of a unit of hydropower and a single thermal power unit, respectively
  • P s.max , P h.max is the maximum allowable output of unit hydropower and single thermal power unit respectively.
  • the genetic algorithm is chosen to realize the optimal allocation of the capacity of wind power, photovoltaic, thermal power and energy storage, that is, the total capacity of hydropower is fixed
  • the optimal number of wind turbines, the number of photovoltaic arrays, the number of thermal power units and the number of energy storage batteries are configured through genetic algorithms. Therefore, according to the characteristics of the problem, the number of genes in the chromosome in the genetic algorithm is 4, and the corresponding genes represent the number of wind turbines, photovoltaic arrays, thermal power units and energy storage batteries respectively.
  • the specific optimization process is detailed as follows:
  • Initialization Set algorithm parameter values. First, according to the range of the number of wind turbines, the range of photovoltaic arrays, the range of thermal power units and the range of energy storage batteries, the four decision variables are initialized respectively. Then, in order to ensure that the initial value of the decision variable on each chromosome satisfies the constraint conditions, after each chromosome completes the initialization operation, it first needs to judge whether the number of power configurations represented by the chromosome satisfies each constraint condition, if not, set a loop, Re-initialize until a chromosome that satisfies the constraints is generated.
  • Variation operation Select the mutated individual, and change some gene values of the chromosome according to the mutation probability. Similarly, after each chromosome mutation operation, it is necessary to judge whether the power configuration result corresponding to the chromosome satisfies the constraint condition. If it is not satisfied, a cycle is set, and the mutation operation is performed again until a new chromosome that satisfies each constraint condition is generated. Similarly, if the chromosomes that meet the requirements cannot be produced after 600 consecutive cycles, the cycle will be terminated, and corresponding penalties will be carried out in the subsequent fitness calculation. The population evolves into a new population through selection, crossover and mutation operations, and the best individuals of the previous generation are retained in the new population. Then, the fitness value of the total objective function F is calculated, and when the power configuration result corresponding to a certain chromosome still does not meet the constraint conditions, the fitness value is punished accordingly.
  • Termination condition determination Determine whether the algorithm has reached the specified number of iterations. If it is satisfied, the optimization search is ended, and the optimal number of wind turbines, photovoltaic arrays, thermal power units and energy storage batteries are output; if not, go to step (2) and continue iterative search.

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种风光水火储系统的多能容量优化配置方法，包括：以成本最小、负荷缺电率最小、风光总发电量最大为目标，分别建立相应的三个子目标；对三个子目标分别进行线性归一化处理，然后线性加权求和，得到单目标函数；基于风电、光电、水电、火电和储能之间的互补特性、预设运行策略、预设约束条件和单目标函数，构建多能容量优化配置模型；在水电总容量固定不变的前提下，通过遗传算法搜索求解最优的风机数量、光伏阵列数量、火电机组数量和储能电池数量，用于计算各子目标的最小值、最大值。本发明利用遗传算法简化了各子目标最大值、最小值的分析与计算，提高了整个优化配置过程的计算效率。

Description

一种风光水火储系统的多能容量优化配置方法 技术领域
本发明涉及电力系统规划领域，尤其涉及一种风光水火储系统的多能容量优化配置方法。
背景技术
随着化石燃料的不断消耗和环境污染的日趋加剧，风能、太阳能等可再生能源逐步引起了人们的高度关注。然而，风能和太阳能的随机性和间歇性使得其发电功率存在较强的波动性及不确定性，大规模的风电和光电并入电网将为电网的安全稳定和运行调度带来不可忽视的问题与挑战。
在此背景下，利用不同可再生能源及常规能源的天然互补特性，对各能源的容量进行合理的优化配置，在保证风电和光电发电规模的同时，实现更高质量的电力输出，提高供电可靠性并降低经济成本，是解决这一问题并应对这一挑战的重要途径之一。
目前，很多学者已经开展了多能容量优化配置模型和优化配置算法研究，但是现有联合发电系统容量配置的研究成果大多只考虑了3或4种电源，鲜有涉及5种及以上电源的发电系统。而且在现有研究中，考虑单一经济性目标的研究成果较多，虽然一些学者考虑了经济性和供电可靠性两个主要目标，以及将经济性和可再生能源比例两个指标作为目标，但综合考虑多目标的研究较少。
现有研究在求解多目标优化问题时，通常将各子目标进行归一化处理，利用线性加权法将多目标优化问题转化为单目标问题，然后再求解。但大多数研究都未明确给出归一化处理过程中各子目标最大值与最小值取法，或较为繁琐地采用各单独的子目标优化过程中所获得的最优解作为归一化处理过程中各个子目标的最大值与最小值，或根据不准确的经验选取归一化处理过程中各个子目标的最大值与最小值。因此，亟需一种能够快速、可靠提供归一化处理过程中各个子目标的最大值与最小值的手段。
发明内容
本发明所要解决的技术问题是提供一种风光水火储系统的多能容量优化配置方法，其涉及了较多种类的电源、综合考虑了较多目标，并且简化了各子目标最大值、最小值的分析与计算，提高了整个优化配置过程的计算效率。
为解决上述问题，本发明所述的一种风光水火储系统的多能容量优化配置方法，包括：
以成本C最小、负荷缺电率D LE最小、风光总发电量f P最大为目标，分别建立相应的三个子目标f 1、f 2、f 3；其中，f 1＝C，f 2＝D LE，f 3＝-f P；
分别对三个子目标f 1、f 2、f 3进行线性归一化处理，然后对处理后的三个子目标进行线性加权求和，得到单目标函数min F：
min F＝λ 1f′ 1+λ 2f′ 2+λ 3f′ 3；
Figure PCTCN2022115334-appb-000001
其中，f′ 1、f′ 2、f′ 3分别为成本、负荷缺电率、风光出力的归一化值；f 1.max、f 2.max、f 3.max分别为成本、负荷缺电率、风光总发电量的最大值；f 1.min、f 2.min、f 3.min分别为成本、负荷缺电率、风光总发电量的最小值；λ 1、λ 2、λ 3分别为成本、负荷缺电率、风光总发电量的权重系数，λ 1+λ 2+λ 3＝1；
基于风电、光电、水电、火电和储能之间的互补特性、预设运行策略、预设约束条件和所述单目标函数min F，构建多能容量优化配置模型；所述储能包括若干储能电池；
在水电总容量固定不变的前提下，通过遗传算法搜索求解所述多能容量优化配置模型的最优解；所述最优解包括风机数量、光伏阵列数量、火电机组数量和储能电池数量；
将所述最优解代入各子目标最小值以及最大值的计算公式，得到风光火储能的容量优化配置参数，以根据所述容量优化配置参数对所述风光火储能系统进行调控。
优选地，在所述遗传算法经过预设迭代数的搜索求解后，确定最 后一次迭代计算得到的结果为所述最优解并输出。
优选地，所述预设运行策略包括：以最大化风电出力和最大化光电出力为目标，若水电、火电和储能参与调节，则按照水电、火电和储能的顺序依次出力。
优选地，所述成本C的最小值min C的计算公式为：
min C＝C 1+C 2+C 3；
其中，C 1为系统固定投资成本，C 2为系统运行维护成本，C 3为火电燃料成本；
C 1＝C wN wS w+C pvN pvS pv+C batN bat+C hN hS h；
Figure PCTCN2022115334-appb-000002
Figure PCTCN2022115334-appb-000003
上式中：N w、N pv、N s、N h、N bat分别为风机、光伏阵列、水电站、火电机组和储能电池的数量；C w、C pv、C h分别为风机、光伏阵列和火电机组单位容量投资成本；C bat为储能电池单价；S w、S pv、S h分别为风机、光伏阵列和火电机组总容量；C′ w、C′ pv、C′ s、C′ h、C′ bat分别为风机、光伏阵列、水电、火电和储能单位发电量运行维护成本；P w(t)、P pv(t)、P h(t)分别为单台风机、单位光伏阵列、单台火电机组t时刻输出功率；P s.sum(t)为全部水电t时刻输出功率；P bat(t)为单位储能电池t时刻输出功率或输入功率；T为运行周期时段数；D(t)为单位火电机组t时间的煤耗量；C" h为单位煤耗成本。
优选地，所述负荷缺电率D LE的最小值min D LE的计算公式为：
Figure PCTCN2022115334-appb-000004
式中：E L为T时间内负荷总消耗电量，P LE(t)为t时刻负荷缺电功率；
所述风光总发电量f P的最大值maxf P的计算公式为：
Figure PCTCN2022115334-appb-000005
优选地，所述预设约束条件包括：功率平衡约束与电池荷电状态 约束、能源浪费率约束、各能源数量约束以及水电出力约束与火电出力约束；
所述功率平衡约束与电池荷电状态约束为：
当风光水火总出力之和达到负荷需求时，
N batP bat(t)＝N wP w(t)+N pvP pv(t)+P s.sum(t)+N hP h(t)-P L(t)；
式中，P L(t)为t时刻负荷需求功率；
当风光水火总出力之和仍未达到负荷需求时，
N batP bat(t)＝-N wP w(t)-N pvP pv(t)-P s.sum(t)-N hP h(t)+P L(t)；
并且，储能电池荷电状态SOC满足0.25≤SOC≤0.9；
所述能源浪费率约束为：
Figure PCTCN2022115334-appb-000006
式中P WE(t)为t时刻能源浪费功率；
所述各能源数量约束为：
Figure PCTCN2022115334-appb-000007
式中N w.min、N pv.min、N h.min、N bat.min分别为风机、光伏阵列、火电机组和储能电池的最小允许数；N w.max、N pv.max、N h.max、N bat.max分别为风机、光伏阵列、火电机组和储能电池的最大允许数；
所述水电出力约束与火电出力约束为：
P s.min≤P s(t)≤P s.max；
Figure PCTCN2022115334-appb-000008
式中D h、U h分别为单台火电机组出力的上升速率、下降速率，P s.min、P h.min分别为单位水电和单台火电机组的最小允许出力，P s.max、P h.max分别为单位水电和单台火电机组的最大允许出力。
本发明与现有技术相比具有以下优点：
本发明涉及了较多种类的电源，共包含风电、光电、水电、火电和储能五种电源，综合考虑了较多目标，包括系统经济性最好、系统可靠性最佳和风光发电量最大三个目标，利用遗传算法引入了一种新的归一化子目标最大值与最小值取值方法，简化了各子目标最大值、最小值的分析与计算，毋须引入额外的分析与计算，各子目标的最大和最小值根据搜索过的状态空间信息自动更新，提高了整个优化配置过程的计算效率。
本发明基于多能互补特性及运行策略，建立了风光水火储多能联合发电系统的多能容量优化配置模型，可以实现风电、光伏、火电和储能的容量的优化配置，从而在保证风电和光电发电规模的同时，实现更高质量的电力输出，提高供电可靠性并降低经济成本。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1为本发明实施例提供的风光水火储系统的多能容量优化配置方法的流程示意图。
具体实施方式
参考图1，本发明实施例提供了一种风光水火储系统的多能容量优化配置方法，应用于风光水火储联合发电系统规划建设，该配置方法包括：
步骤S100、以成本C最小、负荷缺电率D LE最小、风光总发电量f P最大为目标，分别建立相应的三个子目标f 1、f 2、f 3。
在一定的约束条件下，以经济性最优、系统可靠性最佳以及风光总发电量最大为优化目标，具体描述如下。
(1)系统经济性最优
成本C的最小值min C的计算公式为：min C＝C 1+C 2+C 3；
式中：C 1为系统固定投资成本，C 2为系统运行维护成本，C 3为火电燃料成本；
C 1＝C wN wS w+C pvN pvS pv+C batN bat+C hN hS h；
Figure PCTCN2022115334-appb-000009
Figure PCTCN2022115334-appb-000010
式中：N w、N pv、N s、N h、N bat分别为风机、光伏阵列、水电站、火电机组和储能电池的数量；C w、C pv、C h分别为风机、光伏阵列和火电机组单位容量投资成本；C bat为储能电池单价；S w、S pv、S h分别为风机、光伏阵列和火电机组总容量；C′ w、C′ pv、C′ s、C′ h、C′ bat分别为风机、光伏阵列、水电、火电和储能单位发电量运行维护成本；P w(t)、P pv(t)、P h(t)分别为单台风机、单位光伏阵列、单台火电机组t时刻输出功率；P s.sum(t)为全部水电t时刻输出功率；P bat(t)为单位储能电池t时刻输出(输入)功率；T为运行周期时段数；D(t)为单位火电机组t时间的煤耗量；C" h为单位煤耗成本。
(2)系统可靠性最佳
为了保证系统对负荷的供电质量，定义如下的负荷缺电率D LE以描述系统可靠性：
负荷缺电率D LE的最小值min D LE的计算公式为：
Figure PCTCN2022115334-appb-000011
式中：E L为T时间内负荷总消耗电量，P LE(t)为t时刻负荷缺电功率；由上式可知，负荷缺电率D LE越小，系统供电可靠性越高。
(3)风光总发电量最大
为最大程度地利用风电和光伏能源，将风光总发电量f P最大作为目标函数之一：
风光总发电量f P的最大值maxf P的计算公式为：
Figure PCTCN2022115334-appb-000012
(4)构建多目标优化目标函数
令f 1＝C，f 2＝D LE，f 3＝-f P，为保证经济性最优、系统可靠性最佳以及风光出力最大，多能互补容量优化配置的多目标优化目标函数为min(f 1,f 2,f 3)。
步骤S101、分别对三个子目标f 1、f 2、f 3分别进行线性(min-max)归一化处理，然后线性加权求和，得到单目标函数min F。
由于各子目标函数，即经济性、系统供电可靠性目标和风光总发电量最优相互冲突，故不存在使得这三个目标同时最优的绝对最优解。为此，先统一各目标函数的量纲和变化范围(数量级)，然后按照偏好采用不同的权重系数将多目标优化问题转化为单目标优化，最后应用遗传算法进行求解。
首先，为统一各目标函数的量纲和数量级，采用min-max归一化处理方法，对三个子目标分别进行了归一化处理，从而使得各个子目标统一在同一量纲和数量级下，具备了可比性。
Figure PCTCN2022115334-appb-000013
其中，f′ 1、f′ 2、f′ 3分别为成本、负荷缺电率、风光出力的归一化值；f 1.max、f 2.max、f 3.max分别为成本、负荷缺电率、风光总发电量的最大值；f 1.min、f 2.min、f 3.min分别为成本、负荷缺电率、风光总发电量的最小值。
为简化各子目标最大值、最小值的分析与计算，提高整个优化配置过程的计算效率，在归一化过程中利用遗传算法引入了较为简洁的子目标最大值与最小值计算方法，各自目标的最大和最小值根据搜索过的状态空间信息自动更新。同时，为实现计算效率和计算稳定性的平衡，经过一定迭代数(次数)的搜索后，子目标的最大、最小值将不再更新，则将最后一次迭代计算得到的结果作为最优解并输出。
举例来说，设进化算法的总迭代次数为N，在进化算法的每代结束后，根据本代个体的目标函数值，更新各子目标的最大值和最小值，直到第k代(k<N)为止；随后各子目标的最大值和最小值不再更新和变化。因此，优化过程中，第k代之前的各子目标最大最小值均随 迭代次数的变化而动态变化，从而使得第k代之前的适应度值不断波动，由于第k代之后的所有代均采用第k之前的各子目标的最大值和最小值，故直到第k代之后其适应度曲线才停止动态变化并逐步收敛，才能较好地反映算法收敛性。
其次，按照偏好采用不同的权重系数将多目标优化问题转化为单目标优化：
min F＝λ 1f′ 1+λ 2f′ 2+λ 3f′ 3；
式中：λ 1、λ 2、λ 3分别为成本、负荷缺电率、风光总发电量的权重系数(偏好)，λ 1+λ 2+λ 3＝1；由上式可知，权重系数越大，目标函数受到的偏好越大。为实现在系统供电可靠的前提下，保证系统的经济效益和风光总发电量最大，可将权重系数λ 1、λ 2、λ 3分别设置为0.3、0.4、0.3。
步骤S102、基于多能互补特性及预设运行策略，以及预设约束条件和单目标函数min F，构建多能容量优化配置模型。
详细的，基于风电、光电、水电、火电和储能之间的互补特性、预设运行策略、预设约束条件和单目标函数min F，构建多能容量优化配置模型。储能包括若干储能电池。
其中，预设运行策略为：考虑到风光水火储互补特性和不同类型能源的特点，以最大化风电出力和最大化光电出力为目标，需要水电、火电和储能参与调节时，按照水电、火电和储能的顺序依次出力，具体见下。
第一种、时间互补特性风光出力之和小于负荷需求。
此时，由于风光出力之和未达到负荷需求，考虑到具备一定的水库库容的水电站具有良好的调节能力，优先通过调节水电站库容的方法提高各水电机组出力，从而补充负荷需求的差值。
如果增加水电站出力后仍不能达到负荷需求，又由于火电机组有较好的调峰能力，则顺序利用火电机组进一步补偿此时负荷需求的差值。
如果火电站参与调节后也仍无法达到负荷需求，且此时储能电池仍有剩余电能，则启动具备快速响应能力的储能电池参与调节以补充 剩余的负荷需求差值，储能电池将处于放电状态。为保证储能电池的寿命和安全性，当储能电池荷电状态SOC在放电过程中达到最小值时，储能电池放电过程将终止。
第二种、时间互补特性风光出力之和大于负荷需求。
此时，由于风光出力之和已达到负荷需求，则分别调节水电站和火电机组，使水火出力均控制在维持水电站和火电机组正常运行的最低出力。
若此时的储能电池还未达到满电状态，为降低系统的能源浪费，利用多余的能量对储能电池进行充电，即将多余的电能储存在储能电池中，使储能电池处于充电状态。在此过程中，需要检测储能电池的工作状态。当储能电池荷电状态SOC在充电过程中达到最大值时，终止储能电池充电。
步骤S103、在水电总容量固定不变的前提下，通过遗传算法搜索求解模型最优的风机数量、光伏阵列数量、火电机组数量和储能电池数量。
详细的，在水电总容量固定不变的前提下，通过遗传算法搜索求解所述多能容量优化配置模型的最优解；该最优解包括风机数量、光伏阵列数量、火电机组数量和储能电池数量。
其中，遗传算法求解最优解过程参考步骤S101中的相关说明和下文详细说明。
步骤S104、将最优解代入各子目标最小值、最大值的计算公式，计算结果用于风光火储能的容量优化配置。
详细的，将最优解代入各子目标最小值、最大值的计算公式，得到风光火储能的容量优化配置参数，以根据所述容量优化配置参数对所述风光火储能系统进行调控。
本发明中，预设约束条件包括：
(1)功率平衡约束与电池荷电状态约束
当风光水火总出力之和达到负荷需求时，储能电池参与调节，即将多余的电能存入储能电池中，储能电池处于充电状态，储能电池充电功率需满足：
N batP bat(t)＝N wP w(t)+N pvP pv(t)+P s.sum(t)+N hP h(t)-P L(t)；
式中，P L(t)为t时刻负荷需求功率；需要注意的是，当储能电池荷电状态SOC在充电过程中达到最大值0.9时，为保证储能电池的寿命和安全性，停止给储能电池，某种程度上导致了能源浪费。
当风光水火总出力之和仍未达到负荷需求时，储能电池处于放电状态，储能电池放电功率需满足：
N batP bat(t)＝-N wP w(t)-N pvP pv(t)-P s.sum(t)-N hP h(t)+P L(t)；
同样需要注意的是，当储能电池荷电状态SOC在放电过程中达到最小值0.25时，为保证储能电池的寿命和安全性，停止储能电池放电，从而使得风光水火储总出力达到负荷需求。
综上，储能电池荷电状态SOC需满足：
0.25≤SOC≤0.9。
(2)能源浪费率约束
为了减少资源的浪费率，能源浪费率D WE需要满足：
Figure PCTCN2022115334-appb-000014
式中P WE(t)为t时刻能源浪费功率；从上式可知，能源浪费率D WE越小，系统能源利用率越好。
(3)各能源数量约束
考虑到各能源数量并非无限，则各能源数量需满足：
Figure PCTCN2022115334-appb-000015
式中N w.min、N pv.min、N h.min、N bat.min分别为风机、光伏阵列、火电机组和储能电池的最小允许数；N w.max、N pv.max、N h.max、N bat.max分别为风机、光伏阵列、火电机组和储能电池的最大允许数；
(4)水电出力约束与火电出力约束
水电出力和火电出力分别需要满足如下约束：
P s.min≤P s(t)≤P s.max；
Figure PCTCN2022115334-appb-000016
式中D h、U h分别为单台火电机组出力的上升速率、下降速率，P s.min、P h.min分别为单位水电和单台火电机组的最小允许出力，P s.max、P h.max分别为单位水电和单台火电机组的最大允许出力。
以下针对步骤S103使用遗传算法进行求解最优的风机数量、光伏阵列数量、火电机组数量和储能电池数量，进行详细说明。
考虑到遗传算法优异的寻优能力，对于前述的风光水火储多能联合发电系统优化问题，选择应用遗传算法实现风电、光伏、火电和储能的容量的优化配置，即在水电总容量固定不变的前提下，通过遗传算法配置最优的风机数量、光伏阵列数量、火电机组数量和储能电池数量。为此，根据问题的特点，在遗传算法中的染色体的基因数为4，对应的基因分别表示风机数量、光伏阵列数量、火电机组数量和储能电池数量。具体优化过程详述如下：
(1)初始化。设定算法参数值。首先，根据风机数量范围、光伏阵列数量范围、火电机组数量范围和储能电池数量范围，分别对这四个决策变量进行初始化。然后，为保证每个染色体上决策变量初值均满足约束条件，每个染色体完成初始化操作后，首先需要判断该染色体表示的各电源配置数是否满足各约束条件，若不满足，则设置循环，重新进行初始化操作，直到产生满足约束条件的染色体为止。需要说明的是，为保证计算速度，若在连续600次循环后仍不能产生满足约束的新染色体，则终止循环，在随后的适应度计算中进行相应的惩罚函数处理。接着，计算总目标函数F的适应度值。当该染色体表示的各电源配置结果仍不满足约束条件时，对适应度值进行相应的惩罚处理，使其易于在进化过程中被环境淘汰。
(2)选择操作。根据适应度值的大小对种群中的所有个体排序， 淘汰适应度值排名后三分之一的个体，并用适应度值排名前三分之一的个体代替。
(3)交叉操作。选择交叉个体，按照交叉概率交换其部分染色体。在完成每对染色体交叉操作后，都需要判断该对染色体对应的各电源配置结果是否满足各约束条件。若不满足，则设置循环，重新进行交叉操作，直到产生满足约束条件的新染色体为止。同样，若连续循环600次后仍不能产生满足要求的新染色体，则停止循环，在随后的适应度计算中进行相应的惩罚处理。
(4)变异操作。选择变异个体，根据变异概率改变该染色体的部分基因值。同理，在每个染色体变异操作后，都需要判断该染色体对应的电源配置结果是否满足约束条件。若不满足，则设置循环，重新进行变异操作，直到产生满足各约束条件的新染色体为止。同理，若连续循环600次后仍未能产生满足要求的染色体，则终止循环，在随后的适应度计算中进行相应的惩罚处理。种群经过选择、交叉和变异操作进化为新的种群，并把上一代的最优个体保留在新种群中。然后，计算总目标函数F的适应度值，当某染色体对应的电源配置结果仍不满足约束条件时，对适应度值进行相应的惩罚处理。
(5)终止条件判定。判断算法是否达到了规定的迭代次数。若满足，则结束优化搜索，并输出最优的风机数量、光伏阵列数量、火电机组数量和储能电池数量；若未达到，则转到步骤(2)，继续进行迭代搜索。
以上对本发明所提供的技术方案进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (6)

  1. 一种风光水火储系统的多能容量优化配置方法，其特征在于，所述方法包括：
    以成本C最小、负荷缺电率D LE最小、风光总发电量f P最大为目标，分别建立相应的三个子目标f 1、f 2、f 3；其中，f 1＝C，f 2＝D LE，f 3＝-f P；
    分别对三个子目标f 1、f 2、f 3进行线性归一化处理，然后对处理后的三个子目标进行线性加权求和，得到单目标函数min F：
    min F＝λ 1f′ 1+λ 2f′ 2+λ 3f′ 3；
    Figure PCTCN2022115334-appb-100001
    其中，f 1′、f′ 2、f′ 3分别为成本、负荷缺电率、风光出力的归一化值；f 1.max、f 2.max、f 3.max分别为成本、负荷缺电率、风光总发电量的最大值；f 1.min、f 2.min、f 3.min分别为成本、负荷缺电率、风光总发电量的最小值；λ 1、λ 2、λ 3分别为成本、负荷缺电率、风光总发电量的权重系数，λ 1+λ 2+λ 3＝1；
    基于风电、光电、水电、火电和储能之间的互补特性、预设运行策略、预设约束条件和所述单目标函数min F，构建多能容量优化配置模型；所述储能包括若干储能电池；
    在水电总容量固定不变的前提下，通过遗传算法搜索求解所述多能容量优化配置模型的最优解；所述最优解包括风机数量、光伏阵列数量、火电机组数量和储能电池数量；
    将所述最优解代入各子目标最小值以及最大值的计算公式，得到风光火储能的容量优化配置参数，以根据所述容量优化配置参数对所述风光火储能系统进行调控。
  2. 如权利要求1所述的风光水火储系统的多能容量优化配置方法，其特征在于，在所述遗传算法经过预设迭代数的搜索求解后，确定最后一次迭代计算得到的结果为所述最优解并输出。
  3. 如权利要求1所述的风光水火储系统的多能容量优化配置方法，其特征在于，所述预设运行策略包括：以最大化风电出力和最大 化光电出力为目标，若水电、火电和储能参与调节，则按照水电、火电和储能的顺序依次出力。
  4. 如权利要求1所述的风光水火储系统的多能容量优化配置方法，其特征在于，所述成本C的最小值min C的计算公式为：
    min C＝C 1+C 2+C 3；
    其中，C 1为系统固定投资成本，C 2为系统运行维护成本，C 3为火电燃料成本；
    C 1＝C wN wS w+C pvN pvS pv+C batN bat+C hN hS h；
    Figure PCTCN2022115334-appb-100002
    Figure PCTCN2022115334-appb-100003
    上式中：N w、N pv、N s、N h、N bat分别为风机、光伏阵列、水电站、火电机组和储能电池的数量；C w、C pv、C h分别为风机、光伏阵列和火电机组单位容量投资成本；C bat为储能电池单价；S w、S pv、S h分别为风机、光伏阵列和火电机组总容量；C′ w、C′ pv、C′ s、C′ h、C′ bat分别为风机、光伏阵列、水电、火电和储能单位发电量运行维护成本；P w(t)、P pv(t)、P h(t)分别为单台风机、单位光伏阵列、单台火电机组t时刻输出功率；P s.sum(t)为全部水电t时刻输出功率；P bat(t)为单位储能电池t时刻输出功率或输入功率；T为运行周期时段数；D(t)为单位火电机组t时间的煤耗量；C" h为单位煤耗成本。
  5. 如权利要求4所述的风光水火储系统的多能容量优化配置方法，其特征在于，所述负荷缺电率D LE的最小值min D LE的计算公式为：
    Figure PCTCN2022115334-appb-100004
    式中：E L为T时间内负荷总消耗电量，P LE(t)为t时刻负荷缺电功率；
    所述风光总发电量f P的最大值max f P的计算公式为：
    Figure PCTCN2022115334-appb-100005
  6. 如权利要求4所述的风光水火储系统的多能容量优化配置方法，其特征在于，所述预设约束条件包括：功率平衡约束与电池荷电状态约束、能源浪费率约束、各能源数量约束以及水电出力约束与火电出力约束；
    所述功率平衡约束与电池荷电状态约束为：
    当风光水火总出力之和达到负荷需求时，
    N batP bat(t)＝N wP w(t)+N pvP pv(t)+P s.sum(t)+N hP h(t)-P L(t)；
    式中，P L(t)为t时刻负荷需求功率；
    当风光水火总出力之和仍未达到负荷需求时，
    N batP bat(t)＝-N wP w(t)-N pvP pv(t)-P s.sum(t)-N hP h(t)+P L(t)；
    并且，储能电池荷电状态SOC满足0.25≤SOC≤0.9；
    所述能源浪费率约束为：
    Figure PCTCN2022115334-appb-100006
    式中P WE(t)为t时刻能源浪费功率；
    所述各能源数量约束为：
    Figure PCTCN2022115334-appb-100007
    式中N w.min、N pv.min、N h.min、N bat.min分别为风机、光伏阵列、火电机组和储能电池的最小允许数；N w.max、N pv.max、N h.max、N bat.max分别为风机、光伏阵列、火电机组和储能电池的最大允许数；
    所述水电出力约束与火电出力约束为：
    P s.min≤P s(t)≤P s.max；
    Figure PCTCN2022115334-appb-100008
    式中D h、U h分别为单台火电机组出力的上升速率、下降速率，P s.min、P h.min分别为单位水电和单台火电机组的最小允许出力，P s.max、P h.max分别为单位水电和单台火电机组的最大允许出力。
PCT/CN2022/115334 2021-06-28 2022-08-27 一种风光水火储系统的多能容量优化配置方法 WO2023274425A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110720331.2A CN113394817B (zh) 2021-06-28 2021-06-28 一种风光水火储系统的多能容量优化配置方法
CN202110720331.2 2021-06-28

Publications (1)

Publication Number Publication Date
WO2023274425A1 true WO2023274425A1 (zh) 2023-01-05

Family

ID=77624191

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/115334 WO2023274425A1 (zh) 2021-06-28 2022-08-27 一种风光水火储系统的多能容量优化配置方法

Country Status (2)

Country Link
CN (1) CN113394817B (zh)
WO (1) WO2023274425A1 (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112736899A (zh) * 2020-12-23 2021-04-30 国网冀北电力有限公司秦皇岛供电公司 一种微电网规划方案评价指标计算方法以及装置
CN115775054A (zh) * 2023-02-10 2023-03-10 国网山东省电力公司威海供电公司 考虑需求响应的海洋牧场综合能源系统的规划方法及系统
CN115879746A (zh) * 2023-02-23 2023-03-31 国网江西省电力有限公司经济技术研究院 一种园区综合能源的规划策略分析方法、系统及电子设备
CN115912409A (zh) * 2023-01-13 2023-04-04 华能济宁运河发电有限公司 一种多元协同的火电机组负荷运行快速调整方法
CN115912431A (zh) * 2023-02-03 2023-04-04 南京盛之华能源科技有限公司 含多类型储能和新能源接入的能量优化管理方法
CN115953012A (zh) * 2023-03-13 2023-04-11 国网江西省电力有限公司电力科学研究院 一种基于多主体双层博弈的乡村光储系统优化调度方法
CN116154926A (zh) * 2023-04-18 2023-05-23 苏州时代华景新能源有限公司 一种基于锂电池储能特征的电源控制方法及系统
CN116402295A (zh) * 2023-04-06 2023-07-07 中国矿业大学 一种电转气掺混煤层气的矿山综合能源系统优化调度方法及系统
CN116454946A (zh) * 2023-04-13 2023-07-18 南通大学 考虑储能损耗成本的火-储混合电站容量优化方法及装置
CN116780657A (zh) * 2023-08-17 2023-09-19 长江三峡集团实业发展(北京)有限公司 一种水风蓄互补发电系统的调度方法、装置、设备及介质
CN116780665A (zh) * 2023-04-28 2023-09-19 国网河北省电力有限公司电力科学研究院 基于光伏逆变器与智能控制终端的无功功率补偿方法
CN116914860A (zh) * 2023-09-12 2023-10-20 中国电建集团西北勘测设计研究院有限公司 多能互补发电系统电源容量配置优化方法及系统
CN116956593A (zh) * 2023-07-24 2023-10-27 中交第二公路勘察设计研究院有限公司 一种公路隧道用电的风光水储互补系统容量配置方法
CN117013535A (zh) * 2023-09-28 2023-11-07 长江勘测规划设计研究有限责任公司 一种兼顾生态调度需求的水风光火互补容量配置方法
CN117111451A (zh) * 2023-10-24 2023-11-24 湘江实验室 基于源网荷储拓扑的多能源系统智能调控方法及装置
CN117277444A (zh) * 2023-11-17 2023-12-22 中国电力科学研究院有限公司 一种新能源基地电源容量优化配置方法及装置
CN117332991A (zh) * 2023-11-24 2024-01-02 国网天津市电力公司电力科学研究院 一种基于综合能源需求的系统能效优化方法及装置
CN117556549A (zh) * 2024-01-08 2024-02-13 山东大学 一种面向风光氢储充综合能源的时空联合运行优化方法
CN117728474A (zh) * 2024-02-08 2024-03-19 河海大学 清洁能源基地储能容量优化配置方法、装置、设备及介质
CN117879015A (zh) * 2024-03-08 2024-04-12 宁德时代新能源科技股份有限公司 储能容量确定方法、装置、介质及产品

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114285087B (zh) * 2021-11-29 2023-09-22 中国华能集团清洁能源技术研究院有限公司 基于最小成本的风光火储一体化系统配置方法和装置
CN114188961B (zh) * 2021-12-13 2023-08-01 三峡大学 一种风光互补系统容量配置优化方法
CN116256972B (zh) * 2022-11-29 2024-01-23 哈尔滨理工大学 一种六足机器人人机指令组合优选方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105610199A (zh) * 2016-01-22 2016-05-25 华北电力科学研究院有限责任公司 考虑网架约束的风光配比确定方法及其装置
US20180196456A1 (en) * 2017-01-12 2018-07-12 Johnson Controls Technology Company Building energy storage system with peak load contribution cost optimization
CN109347151A (zh) * 2018-11-30 2019-02-15 国家电网公司西南分部 一种新能源参与调峰的送端电网电源结构优化方法
CN109767105A (zh) * 2018-12-29 2019-05-17 东北电力大学 一种基于风光水火储联合系统的多能互补协调发电调度方法
CN109858711A (zh) * 2019-03-07 2019-06-07 东北电力大学 一种计及价格型需求响应与csp电站参与的风电消纳日前调度方法
CN112134271A (zh) * 2019-06-24 2020-12-25 中国电力科学研究院有限公司 一种多能互补系统装机容量优化方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103023035B (zh) * 2012-11-26 2015-01-28 华北水利水电大学 一种多能互补发电系统的优化配置方法
CN103269091B (zh) * 2013-06-06 2015-03-11 山东电力工程咨询院有限公司 一种基于风光平均出力曲线的风光储容量配置方法
KR102572795B1 (ko) * 2016-10-24 2023-08-31 한국전기연구원 독립형 마이크로그리드에서 에너지저장장치의 최적용량을 산정하기 위한 장치 및 그 방법
CN109599861B (zh) * 2018-11-30 2022-09-16 国家电网公司西南分部 考虑本地负荷调峰能力的送端电网电源结构规划方法
CN109598433A (zh) * 2018-11-30 2019-04-09 国家电网公司西南分部 考虑弃能成本和调峰需求的送端电网电源结构规划方法
CN109377108A (zh) * 2018-12-12 2019-02-22 国网内蒙古东部电力有限公司通辽供电公司 一种自然灾害下的独立微电网可靠性评价方法
CN110365013B (zh) * 2019-07-18 2020-12-08 青海格尔木鲁能新能源有限公司 一种光热-光伏-风电联合发电系统的容量优化方法
CN111160636B (zh) * 2019-12-19 2023-01-17 广东工业大学 一种cchp型微电网调度优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105610199A (zh) * 2016-01-22 2016-05-25 华北电力科学研究院有限责任公司 考虑网架约束的风光配比确定方法及其装置
US20180196456A1 (en) * 2017-01-12 2018-07-12 Johnson Controls Technology Company Building energy storage system with peak load contribution cost optimization
CN109347151A (zh) * 2018-11-30 2019-02-15 国家电网公司西南分部 一种新能源参与调峰的送端电网电源结构优化方法
CN109767105A (zh) * 2018-12-29 2019-05-17 东北电力大学 一种基于风光水火储联合系统的多能互补协调发电调度方法
CN109858711A (zh) * 2019-03-07 2019-06-07 东北电力大学 一种计及价格型需求响应与csp电站参与的风电消纳日前调度方法
CN112134271A (zh) * 2019-06-24 2020-12-25 中国电力科学研究院有限公司 一种多能互补系统装机容量优化方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GAO FENG;YAN TAO;TANG WEI;ZHANG XIAOHUI;ZAI HONGBIN;QIAO XIAODONG: "Multi-objective Optimal Capacity Configuration of Standalone Wind-solar-battery Hybrid Microgrid", SMART GRID, no. 8, 10 August 2016 (2016-08-10), pages 802 - 810, XP093020148, ISSN: 2095-5944, DOI: 10.14171/j.2095-5944.sg.2016.08.014 *

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112736899B (zh) * 2020-12-23 2024-05-24 国网冀北电力有限公司秦皇岛供电公司 一种微电网规划方案评价指标计算方法以及装置
CN112736899A (zh) * 2020-12-23 2021-04-30 国网冀北电力有限公司秦皇岛供电公司 一种微电网规划方案评价指标计算方法以及装置
CN115912409A (zh) * 2023-01-13 2023-04-04 华能济宁运河发电有限公司 一种多元协同的火电机组负荷运行快速调整方法
CN115912431A (zh) * 2023-02-03 2023-04-04 南京盛之华能源科技有限公司 含多类型储能和新能源接入的能量优化管理方法
CN115912431B (zh) * 2023-02-03 2023-11-07 南京盛之华能源科技有限公司 含多类型储能和新能源接入的能量优化管理方法
CN115775054A (zh) * 2023-02-10 2023-03-10 国网山东省电力公司威海供电公司 考虑需求响应的海洋牧场综合能源系统的规划方法及系统
CN115879746A (zh) * 2023-02-23 2023-03-31 国网江西省电力有限公司经济技术研究院 一种园区综合能源的规划策略分析方法、系统及电子设备
CN115953012A (zh) * 2023-03-13 2023-04-11 国网江西省电力有限公司电力科学研究院 一种基于多主体双层博弈的乡村光储系统优化调度方法
CN116402295B (zh) * 2023-04-06 2023-10-27 中国矿业大学 一种电转气掺混煤层气的矿山综合能源系统优化调度方法及系统
CN116402295A (zh) * 2023-04-06 2023-07-07 中国矿业大学 一种电转气掺混煤层气的矿山综合能源系统优化调度方法及系统
CN116454946A (zh) * 2023-04-13 2023-07-18 南通大学 考虑储能损耗成本的火-储混合电站容量优化方法及装置
CN116454946B (zh) * 2023-04-13 2023-10-10 南通大学 考虑储能损耗成本的火-储混合电站容量优化方法及装置
CN116154926A (zh) * 2023-04-18 2023-05-23 苏州时代华景新能源有限公司 一种基于锂电池储能特征的电源控制方法及系统
CN116780665A (zh) * 2023-04-28 2023-09-19 国网河北省电力有限公司电力科学研究院 基于光伏逆变器与智能控制终端的无功功率补偿方法
CN116956593A (zh) * 2023-07-24 2023-10-27 中交第二公路勘察设计研究院有限公司 一种公路隧道用电的风光水储互补系统容量配置方法
CN116780657A (zh) * 2023-08-17 2023-09-19 长江三峡集团实业发展(北京)有限公司 一种水风蓄互补发电系统的调度方法、装置、设备及介质
CN116780657B (zh) * 2023-08-17 2024-01-19 长江三峡集团实业发展(北京)有限公司 一种水风蓄互补发电系统的调度方法、装置、设备及介质
CN116914860A (zh) * 2023-09-12 2023-10-20 中国电建集团西北勘测设计研究院有限公司 多能互补发电系统电源容量配置优化方法及系统
CN116914860B (zh) * 2023-09-12 2024-01-05 中国电建集团西北勘测设计研究院有限公司 多能互补发电系统电源容量配置优化方法及系统
CN117013535A (zh) * 2023-09-28 2023-11-07 长江勘测规划设计研究有限责任公司 一种兼顾生态调度需求的水风光火互补容量配置方法
CN117013535B (zh) * 2023-09-28 2023-12-26 长江勘测规划设计研究有限责任公司 一种兼顾生态调度需求的水风光火互补容量配置方法
CN117111451B (zh) * 2023-10-24 2024-02-02 湘江实验室 基于源网荷储拓扑的多能源系统智能调控方法及装置
CN117111451A (zh) * 2023-10-24 2023-11-24 湘江实验室 基于源网荷储拓扑的多能源系统智能调控方法及装置
CN117277444A (zh) * 2023-11-17 2023-12-22 中国电力科学研究院有限公司 一种新能源基地电源容量优化配置方法及装置
CN117277444B (zh) * 2023-11-17 2024-03-19 中国电力科学研究院有限公司 一种新能源基地电源容量优化配置方法及装置
CN117332991A (zh) * 2023-11-24 2024-01-02 国网天津市电力公司电力科学研究院 一种基于综合能源需求的系统能效优化方法及装置
CN117332991B (zh) * 2023-11-24 2024-03-19 国网天津市电力公司电力科学研究院 一种基于综合能源需求的系统能效优化方法及装置
CN117556549A (zh) * 2024-01-08 2024-02-13 山东大学 一种面向风光氢储充综合能源的时空联合运行优化方法
CN117556549B (zh) * 2024-01-08 2024-04-19 山东大学 一种面向风光氢储充综合能源的时空联合运行优化方法
CN117728474A (zh) * 2024-02-08 2024-03-19 河海大学 清洁能源基地储能容量优化配置方法、装置、设备及介质
CN117728474B (zh) * 2024-02-08 2024-04-26 河海大学 清洁能源基地储能容量优化配置方法、装置、设备及介质
CN117879015A (zh) * 2024-03-08 2024-04-12 宁德时代新能源科技股份有限公司 储能容量确定方法、装置、介质及产品

Also Published As

Publication number Publication date
CN113394817A (zh) 2021-09-14
CN113394817B (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
WO2023274425A1 (zh) 一种风光水火储系统的多能容量优化配置方法
CN109325608B (zh) 考虑储能并计及光伏随机性的分布式电源优化配置方法
CN104065072B (zh) 一种基于动态电价的微电网运行优化方法
CN112465181A (zh) 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法
CN108206543A (zh) 一种基于能源梯级利用的能源路由器及其运行优化方法
CN110350523A (zh) 基于需求响应的多能源互补优化调度方法
CN112508221A (zh) 一种有限储能下考虑源-荷不确定性的日前调度决策方法
CN110571863B (zh) 一种考虑配电网灵活性的分布式电源最大接纳能力评估方法
CN112069720A (zh) 一种综合能源系统及其运行优化方法
CN108551176B (zh) 一种结合储能均衡技术的储能电池系统容量配置方法
CN110994694A (zh) 计及差异化需求响应的微电网源荷储协调优化调度方法
CN116667325B (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
CN114330827B (zh) 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用
CN111668878A (zh) 一种可再生微能源网的优化配置方法和系统
CN113469412A (zh) 一种综合能源系统实时运行策略优化方法及系统
CN107565880B (zh) 优化型风光互补混合发电系统
CN116402210A (zh) 一种综合能源系统多目标优化方法、系统、设备和介质
CN111224432A (zh) 微电网优化调度方法和装置
CN112883630B (zh) 用于风电消纳的多微网系统日前优化经济调度方法
CN116645089A (zh) 一种考虑退役电池容量退化的储能系统双层优化配置方法
CN115912421A (zh) 一种配电网储能选址定容多目标优化方法及系统
CN115796533A (zh) 考虑清洁能源消纳的虚拟电厂双层优化调度方法及装置
CN111311032B (zh) 一种基于扇形雷达图模型的微网系统容量优化配置方法
CN115147245A (zh) 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法
CN114519249A (zh) 考虑用户体验的虚拟电厂运行优化方法及其应用

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22832237

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE