CN107862160A - 压缩空气储能***的未来电网演化模型的生成方法及装置 - Google Patents
压缩空气储能***的未来电网演化模型的生成方法及装置 Download PDFInfo
- Publication number
- CN107862160A CN107862160A CN201711279290.8A CN201711279290A CN107862160A CN 107862160 A CN107862160 A CN 107862160A CN 201711279290 A CN201711279290 A CN 201711279290A CN 107862160 A CN107862160 A CN 107862160A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power grid
- power
- model
- branch
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种压缩空气储能***的未来电网演化模型的生成方法及装置，其中，方法包括以下步骤：采集收集电网数据，并生成传输功率分布因子矩阵和电网的拓扑结构；通过多时间段的生产模拟对各种电源、储能设备以及需求侧管理进行建模；通过灵敏度引导构建电网生长演化模型。该方法可以对已有的电网演化模型进行改进，在考虑高比例可再生能源渗透率的基础上，加入压缩空气储能单元，更好的在现有的储能技术水平下刻画和模拟电网演化，从而使得未来电网演化模型的生成更加具有正式性，全面性，更加符合实际情况。
Description
技术领域
本发明涉及新能源发电***技术领域，特别涉及一种压缩空气储能***的未来电网演化模型的生成方法及装置。
背景技术
储能技术被认为是一种能够弥补清洁能源时空不确定性的技术，能有效缓解可再生能源对电网的冲击，提高电网的灵活调节能力。储能技术的引入，可降低清洁能源接入对电网结构的要求。CAES(Compressed Air Energy Storage，压缩空气储能)***具有能量密度高、储能效率高、低成本、无地理条件限制等突出优点，被认为是极具潜力的未来储能技术之一。其中，先进绝热压缩空气储能具有***效率高等优势，不仅能对电能进行存储并在需要时对用户进行供电，***发电后排出的余热还能向用户供热、供冷，实现冷热电三联供。
可再生能源的波动性在高比例情境下会对电网造成一系列冲击，如弃风、弃光、并网成本等。对于可再生能源机组来说，弃风、弃光等限电问题会影响可再生能源机组的经济效率，需要在运行时判断是否对可再生能源发电量进行弃风弃光的内部逻辑。此外，热电联产部门与电力部门的整合可为电力***提供更大的灵活性，从而实现热电联产记住在电力***和热力***之间的桥接，使得热力***作为瞬时功率平衡要求较低的部门为电力***提供最大范围的调峰能力，从而促进可再生能源消纳。
然而，大部分现有模型仅考虑了抽水储能对新能源消纳的情况，没有把现有的储能技术刻画完整，也没有在运行时判断是否对可再生能源发电量进行弃风弃光的内部逻辑。以上这些因素均导致了现有的模型不能很好地刻画和模拟高比例清洁能源下电网的演化。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种压缩空气储能***的未来电网演化模型的生成方法，该方法可以使得未来电网演化模型的生成更加具有正式性，全面性，更加符合实际情况。
本发明的另一个目的在于提出一种压缩空气储能***的未来电网演化模型的生成装置。
为达到上述目的，本发明一方面实施例提出了一种压缩空气储能***的未来电网演化模型的生成方法，包括以下步骤：采集收集电网数据，并生成传输功率分布因子矩阵和电网的拓扑结构；通过多时间段的生产模拟对各种电源、储能设备以及需求侧管理进行建模；通过灵敏度引导构建电网生长演化模型。
本发明实施例的压缩空气储能***的未来电网演化模型的生成方法，可以根据基年已有的装机量、传输容量等输入基年电力和热力***已有生产和传输数据，下一步根据现有研究假设未来电力和热力能源消费及技术成本与表现，设定优化年后驱动模型进行逐年优化，最后以***整体成本最小为优化目标输出电力和热电***发电装机和输电容量的扩容路径，对高比例清洁能源下电网的发展进行更合理的预测，从而使得未来电网演化模型的生成更加具有正式性，全面性，更加符合实际情况。
另外，根据本发明上述实施例的压缩空气储能***的未来电网演化模型的生成方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述生成传输功率分布因子矩阵和电网的拓扑结构，进一步包括：构建目标电网的拓扑图，确定电网中的发电机节点、负荷节点和各线路的参数；确定电网中所述传输功率分布因子的矩阵H，所述矩阵H的表达式为：
H＝B′B-1＝DC[CTDC]-1，
其中，B为可逆的电网导纳矩阵，C为划去参考节点的节点-支路关联矩阵，D＝diag(y1,…,yl)，yi为支路导纳。
进一步地，在本发明的一个实施例中，，所述通过多时间段的生产模拟对各种电源、储能设备以及需求侧管理进行建模，包括：潮流和线路容量约束条件：
-F≤H(Agg(t)+All(t))≤F，
其中，F为支路容量组成的列向量，H为网络的传输功率分布因子组成的矩阵，Agg(t)为节点的发电功率，All(t)为节点负荷功率；发电模型，其包括最小启动时间约束、最小停机时间约束和机组的爬坡约束；旋转备用：
其中，是时间断面t上分区K所需要的最小旋转备用量，ri，i∈K是分区K中各机组贡献的旋转备用量；清洁能源；储能设备：
其中，ci(t)为充电功率，di(t)为放电功率，ηci为储能设备i的充电效率，放电效率为ηdi，和分别为设备的储能下限和储能上限，ci(0)为设备的初始储能；
负荷模型和需求侧管理，包括负荷节点处的约束和需求侧管理约束；目标函数：
C＝Cfuel+Cstart+P1Crigid+P2Cflexible，
其中，P1和P2为惩罚因子，P1>P2＞＞0，Cfuel为燃料成本，Cstart为启停费用；P1Crigid是“刚性”负荷被切除造成的惩罚项，P2Cflexible是“柔性”负荷的总量不能被满足造成的惩罚项。
进一步地，在本发明的一个实施例中，所述通过灵敏度引导构建电网生长演化模型，进一步包括：从电网中所有可能的两点间连线中筛选出满足预设条件的候选支路，并且求出每条支路的灵敏度，并将所述灵敏度大于预设阈值的支路选入候选支路集；对所述候选支路集进行基本搜索，获取网络生长演化的最优解。
进一步地，在本发明的一个实施例中，所述灵敏度为
其中，λ为新增导纳，Fl为线路容量，πi(t)为节点i的价格；并且，获取所述网络生长演化的最优解时，目标函数f(x)为：
其中，Z(x)是年运行成本，ci是支路i的建设成本，A是折合年限，xi表示在x的基础上新建线路i所导致的目标函数的下降量的预判值。
为达到上述目的，本发明另一方面实施例提出了一种压缩空气储能***的未来电网演化模型的生成装置，包括：采集模块，用于采集收集电网数据，并生成传输功率分布因子矩阵和电网的拓扑结构；模拟模块，用于通过多时间段的生产模拟对各种电源、储能设备以及需求侧管理进行建模；生成模块，用于通过灵敏度引导构建电网生长演化模型。
本发明实施例的压缩空气储能***的未来电网演化模型的生成装置，可以根据基年已有的装机量、传输容量等输入基年电力和热力***已有生产和传输数据，下一步根据现有研究假设未来电力和热力能源消费及技术成本与表现，设定优化年后驱动模型进行逐年优化，最后以***整体成本最小为优化目标输出电力和热电***发电装机和输电容量的扩容路径，对高比例清洁能源下电网的发展进行更合理的预测，从而使得未来电网演化模型的生成更加具有正式性，全面性，更加符合实际情况。
另外，根据本发明上述实施例的压缩空气储能***的未来电网演化模型的生成装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述采集模块还用于构建目标电网的拓扑图，确定电网中的发电机节点、负荷节点和各线路的参数，以及确定电网中所述传输功率分布因子的矩阵H，所述矩阵H的表达式为：
H＝B′B-1＝DC[CTDC[-1，
其中，B为可逆的电网导纳矩阵，C为划去参考节点的节点-支路关联矩阵，D＝diag(y1,…,yl)，yi为支路导纳。
进一步地，在本发明的一个实施例中，所述模拟模块还用于潮流和线路容量约束条件：
-F≤H(Agg(t)+All(t))≤F，
其中，F为支路容量组成的列向量，H为网络的传输功率分布因子组成的矩阵，Agg(t)为节点的发电功率，All(t)为节点负荷功率；发电模型，其包括最小启动时间约束、最小停机时间约束和机组的爬坡约束；旋转备用：
其中，是时间断面t上分区K所需要的最小旋转备用量，ri，i∈K是分区K中各机组贡献的旋转备用量；清洁能源；储能设备：
其中，ci(t)为充电功率，di(t)为放电功率，ηci为储能设备i的充电效率，放电效率为ηdi，和分别为设备的储能下限和储能上限，ci(0)为设备的初始储能；
负荷模型和需求侧管理，包括负荷节点处的约束和需求侧管理约束；目标函数：
C＝Cfuel+Cstart+P1Crigid+P2Cflexible，
其中，P1和P2为惩罚因子，P1>P2＞＞0，Cfuel为燃料成本，Cstart为启停费用；P1Crigid是“刚性”负荷被切除造成的惩罚项，P2Cflexible是“柔性”负荷的总量不能被满足造成的惩罚项。
进一步地，在本发明的一个实施例中，所述生成模块还用于从电网中所有可能的两点间连线中筛选出满足预设条件的候选支路，并且求出每条支路的灵敏度，并将所述灵敏度大于预设阈值的支路选入候选支路集，以及对所述候选支路集进行基本搜索，获取网络生长演化的最优解。
进一步地，在本发明的一个实施例中，所述灵敏度为
其中，λ为新增导纳，Fl为线路容量，πi(t)为节点i的价格；并且，获取所述网络生长演化的最优解时，目标函数f(x)为：
其中，Z(x)是年运行成本，ci是支路i的建设成本，A是折合年限，xi表示在x的基础上新建线路i所导致的目标函数的下降量的预判值。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明一个实施例的压缩空气储能***的未来电网演化模型的生成方法的流程图；
图2为根据本发明另一个实施例的压缩空气储能***的未来电网演化模型的生成方法的流程图；
图3为根据本发明一个实施例的基本搜索算法的流程图；
图4为根据本发明一个实施例的压缩空气储能***的未来电网演化模型的生成装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的压缩空气储能***的未来电网演化模型的生成方法及装置，首先将参照附图描述根据本发明实施例提出的压缩空气储能***的未来电网演化模型的生成方法。
图1是本发明一个实施例的压缩空气储能***的未来电网演化模型的生成方法的流程图。
如图1所示，该压缩空气储能***的未来电网演化模型的生成方法包括以下步骤：
在步骤S101中，采集收集电网数据，并生成传输功率分布因子矩阵和电网的拓扑结构。
可以理解的是，如图2所示，本发明实施例可以通过收集电网数据，生成PTDF(power transfer distribution factors，传输功率分布因子)矩阵和电网的拓扑结构。
进一步地，在本发明的一个实施例中，生成传输功率分布因子矩阵和电网的拓扑结构，进一步包括：构建目标电网的拓扑图，确定电网中的发电机节点、负荷节点和各线路的参数；确定电网中传输功率分布因子的矩阵H，矩阵H的表达式为：
H＝B′B-1＝DC[CTDC]-1，
其中，B为可逆的电网导纳矩阵，C为划去参考节点的节点-支路关联矩阵，D＝diag(y1,…,yl)，yi为支路导纳。
具体而言，步骤如下：
(1)构建目标电网的拓扑图，确定电网中的发电机节点、负荷节点和各线路的参数(阻抗、导纳等)。
(2)确定电网中传输功率分布因子(PTDF)矩阵H，其的表达式为：
H＝B′B-1＝DC[CTDC]-1，
其中，B为可逆的电网导纳矩阵，C为划去参考节点的节点-支路关联矩阵，D＝diag(y1,…,yl)，yi为支路导纳。
在步骤S102中，通过多时间段的生产模拟对各种电源、储能设备以及需求侧管理进行建模。
可以理解的是，本发明实施例可以进行多时间段的生产模拟。模型将对各种电源、储能设备以及需求侧管理进行一定详细程度的建模，模型以受电费用、发电成本与负荷损失成本之和最小为目标，可以对机组启停、机组出力、弃风弃光、区外受电、储能设备的充放电、需求侧相应、切负荷量进行决策。
进一步地，在本发明的一个实施例中，通过多时间段的生产模拟对各种电源、储能设备以及需求侧管理进行建模，包括：潮流和线路容量约束条件：
-F≤H(Agg(t)+All(t))≤F，
其中，F为支路容量组成的列向量，H为网络的传输功率分布因子组成的矩阵，Agg(t)为节点的发电功率，All(t)为节点负荷功率；发电模型，其包括最小启动时间约束、最小停机时间约束和机组的爬坡约束；旋转备用：
其中，是时间断面t上分区K所需要的最小旋转备用量，ri，i∈K是分区K中各机组贡献的旋转备用量；清洁能源；储能设备：
其中，ci(t)为充电功率，di(t)为放电功率，ηci为储能设备i的充电效率，放电效率为ηdi，和分别为设备的储能下限和储能上限，ci(0)为设备的初始储能；
负荷模型和需求侧管理，包括负荷节点处的约束和需求侧管理约束；目标函数：
C＝Cfuel+Cstart+P1Crigid+P2Cflexible，
其中，P1和P2为惩罚因子，P1>P2＞＞0，Cfuel为燃料成本，Cstart为启停费用；P1Crigid是“刚性”负荷被切除造成的惩罚项，P2Cflexible是“柔性”负荷的总量不能被满足造成的惩罚项。
具体而言，基于MILP(Mixed-integer linear programming，混合整数线性规划)的多时间段生产模拟模型参数列表1所示。其中，表1为混合整数线性规划的多时间段生产模拟模型参数列表，
表1
本发明实施例可以通过多时间段的生产模拟对各种电源、储能设备以及需求侧管理进行建模，包括以下几个部分：
(1)潮流和线路容量约束条件为：
-F≤H(Agg(t)+All(t))≤F，
其中，F为支路容量组成的列向量，公式中H是步骤一所求得的网络的传输功率分布因子(PTDF)组成的矩阵，Agg(t)为节点的发电功率，All(t)为节点负荷功率。
1Tg(t)+1Tl(t)＝0，
其中，g(t)＝(g1(t),…,g|G|(t))T，l(t)＝(l1(t),…,l|D|(t))T
(2)发电模型
最小启动时间约束为：
最小停机时间约束为：
机组的爬坡约束为：
其中，zi(t),i∈G为每台发电机组的启停状态，和为机组的有功出力有上下限，ki 1≤ki 2≤…≤ki m是各分段的斜率，共有m个分段,
(3)旋转备用
式中，是时间断面t上，分区K所需要的最小旋转备用量；ri,i∈K是分区K中各机组贡献的旋转备用量，它们受到机组出力和爬坡特性的限制：
式中，R′i表征机组i的短时爬坡能力，一般不同于每小时的爬坡能力Ri。R′i可以取为机组的10分钟爬坡能力。
(4)清洁能源
假设风电、光伏、水电的发电成本为零，风电、光伏的最大可用发电功率Pi max由历史曲线给出，Pi min恒等于零。清洁能源的弃置量，等于最大可用发电功率Pi max减去实际发电功率gi(t)。水蓄能电站，压缩空气储能电站按储能设备建模。
(5)储能设备
其中，ci(t)为充电功率和di(t)为放电功率ηci为储能设备i的充电效率，放电效率为ηdi，Cmaxi和Cmini分别为设备的储能下限和储能上限，Ci(0)为设备的初始储能。
(6)负荷模型和需求侧管理
负荷节点处的约束为：
需求侧管理约束
其中lrigid和lflexible分别为节点“刚性”和“柔性”负荷。
(7)目标函数
C＝Cfuel+Cstart+P1Crigid+P2Cflexible，
其中，P1和P2是惩罚因子，P1>P2＞＞0；燃料成本启停费用P1Crigid是“刚性”负荷被切除造成的惩罚项；P2Cflexible是“柔性”负荷的总量不能被满足造成的惩罚项；
在步骤S103中，通过灵敏度引导构建电网生长演化模型。
可以理解的是，本发明实施例可以基于灵敏度引导构建电网生长演化模型，这个模型以步骤S101的网架数据和步骤S102的生产模拟为工具，处理新增支路的情况。
进一步地，在本发明的一个实施例中，通过灵敏度引导构建电网生长演化模型，进一步包括：从电网中所有可能的两点间连线中筛选出满足预设条件的候选支路，并且求出每条支路的灵敏度，并将灵敏度大于预设阈值的支路选入候选支路集；对候选支路集进行基本搜索，获取网络生长演化的最优解。
可选地，在本发明的一个实施例中，灵敏度为
其中，λ为新增导纳，Fl为线路容量，πi(t)为节点i的价格；并且，获取网络生长演化的最优解时，目标函数f(x)为：
其中，Z(x)是年运行成本，ci是支路i的建设成本，A是折合年限，xi表示在x的基础上新建线路i所导致的目标函数的下降量的预判值。
具体而言，本发明实施例可以通过灵敏度引导构建电网生长演化模型，可以包括以下步骤：
步骤3-1：从步骤S102电网中所有可能的两点间连线中筛选出可行且有吸引力的候选支路。求出每条可行支路的灵敏度，并将灵敏度大于一定阈值的支路选入候选支路集。其中，达到容量约束的线路的灵敏度为：
其中λ为新增导纳，Fl为线路容量，为节点i的价格。
步骤3-2：在给定了候选支路集后，进行基本搜索，如图3所示，得到网络生长演化的最优解。其中，目标函数f(x)为全年运行成本与折算到年的建设费用之和，即
式中，Z(x)是年运行成本，ci是支路i的建设成本，A是折合年限，xi表示在x的基础上新建线路i所导致的目标函数的下降量的预判值。
举例而言，基本搜索算法的流程如图3所示，包括以下步骤：
在步骤S1中，开始。
在步骤S2中，给定初始迭代点x。
在步骤S3中，计算目标函数值和灵敏度。
在步骤S4中，判断F(x)当前是否为最优，如是，则进行最优解更新，并执行步骤S5；若否，直接执行步骤S5。
在步骤S5中，确定下一个迭代点。
在步骤S6中，是否搜索完毕，若是，则执行步骤S7；若否，返回继续执行步骤S3。
在步骤S7中，结束。
另外，本发明实施例的目的是提出一种考虑压缩空气储能***的未来电网演化模型，对已有的电网演化模型进行改进，并在考虑高比例可再生能源渗透率的基础上，加入压缩空气储能单元，更好的在现有的储能技术水平下刻画和模拟电网演化。同时，本发明实施例针对高比例可再生能源下电网不确定性、波动性、传输需求都大大增加的特点，结合压缩空气储能的优势，模型对可再生能源、储能等发电技术进行重点描述，并考虑了电力***和热电联产***的联合。
综上而言，本发明实施例可以结合最优潮流模型以及复杂网络演化模型，提出了一种考虑压缩空气储能***的未来电网演化实际情况的模型，其中最优潮流模型负责计算模型快动态过程中电网的潮流分布情况，而电网的拓扑演化模型负责模拟实际电网在时间和空间尺度上的繁衍更新,旨在更长的时间范围内描述电网的演化规律。所以新的改进模型更加符合电力***的实际情况。建模过程中，对各种电源、储能设备以及需求侧管理进行一定详细程度的建模，以充分反映这些电网元件的时间特性，真正将清洁能源的不确定性纳入到电网演化的研究中，可以很好地反映电网拓扑的演化规律。本发明实施例中的改进模型在模拟电网连锁故障和电网升级演化过程中更加具有正式性、全面性，更加符合实际情况。
根据本发明实施例提出的压缩空气储能***的未来电网演化模型的生成方法，可以根据基年已有的装机量、传输容量等输入基年电力和热力***已有生产和传输数据，下一步根据现有研究假设未来电力和热力能源消费及技术成本与表现，设定优化年后驱动模型进行逐年优化，最后以***整体成本最小为优化目标输出电力和热电***发电装机和输电容量的扩容路径，对高比例清洁能源下电网的发展进行更合理的预测，从而使得未来电网演化模型的生成更加具有正式性，全面性，更加符合实际情况。
其次参照附图描述根据本发明实施例提出的压缩空气储能***的未来电网演化模型的生成装置。
图4是本发明一个实施例的压缩空气储能***的未来电网演化模型的生成装置结构示意图
如图4所示，该压缩空气储能***的未来电网演化模型的生成装置10包括：采集模块100、模拟模块200和生成模块300。
其中，采集模块100用于采集收集电网数据，并生成传输功率分布因子矩阵和电网的拓扑结构。模拟模块200用于通过多时间段的生产模拟对各种电源、储能设备以及需求侧管理进行建模。生成模块300用于通过灵敏度引导构建电网生长演化模型。本发明实施例的装置10可以对已有的电网演化模型进行改进，在考虑高比例可再生能源渗透率的基础上，加入压缩空气储能单元，更好的在现有的储能技术水平下刻画和模拟电网演化，从而使得未来电网演化模型的生成更加具有正式性，全面性，更加符合实际情况。
进一步地，在本发明的一个实施例中，采集模块100还用于构建目标电网的拓扑图，确定电网中的发电机节点、负荷节点和各线路的参数，以及确定电网中传输功率分布因子的矩阵H，矩阵H的表达式为：
H＝B′B-1＝DC[CTDC]-1，
其中，B为可逆的电网导纳矩阵，C为划去参考节点的节点-支路关联矩阵，D＝diag(y1,…,yl)，yi为支路导纳。
进一步地，在本发明的一个实施例中，模拟模块200还用于潮流和线路容量约束条件：
-F≤H(Agg(t)+All(t))≤F，
其中，F为支路容量组成的列向量，H为网络的传输功率分布因子组成的矩阵，Agg(t)为节点的发电功率，All(t)为节点负荷功率；发电模型，其包括最小启动时间约束、最小停机时间约束和机组的爬坡约束；旋转备用：
其中，是时间断面t上分区K所需要的最小旋转备用量，ri，i∈K是分区K中各机组贡献的旋转备用量；清洁能源；储能设备：
其中，ci(t)为充电功率，di(t)为放电功率，ηci为储能设备i的充电效率，放电效率为ηdi，和分别为设备的储能下限和储能上限，ci(0)为设备的初始储能；
负荷模型和需求侧管理，包括负荷节点处的约束和需求侧管理约束；目标函数：
C＝Cfuel+Cstart+P1Crigid+P2Cflexible，
其中，P1和P2为惩罚因子，P1>P2＞＞0，Cfuel为燃料成本，Cstart为启停费用；P1Crigid是“刚性”负荷被切除造成的惩罚项，P2Cflexible是“柔性”负荷的总量不能被满足造成的惩罚项。
进一步地，在本发明的一个实施例中，生成模块300还用于从电网中所有可能的两点间连线中筛选出满足预设条件的候选支路，并且求出每条支路的灵敏度，并将灵敏度大于预设阈值的支路选入候选支路集，以及对候选支路集进行基本搜索，获取网络生长演化的最优解。
进一步地，在本发明的一个实施例中，灵敏度为
其中，λ为新增导纳，Fl为线路容量，πi(t)为节点i的价格；并且，获取网络生长演化的最优解时，目标函数f(x)为：
其中，Z(x)是年运行成本，ci是支路i的建设成本，A是折合年限，xi表示在x的基础上新建线路i所导致的目标函数的下降量的预判值。
需要说明的是，前述对压缩空气储能***的未来电网演化模型的生成方法实施例的解释说明也适用于该实施例的压缩空气储能***的未来电网演化模型的生成装置，此处不再赘述。
根据本发明实施例提出的压缩空气储能***的未来电网演化模型的生成装置，可以根据基年已有的装机量、传输容量等输入基年电力和热力***已有生产和传输数据，并根据现有研究假设未来电力和热力能源消费及技术成本与表现，设定优化年后驱动模型进行逐年优化，最后以***整体成本最小为优化目标输出电力和热电***发电装机和输电容量的扩容路径，对高比例清洁能源下电网的发展进行更合理的预测，从而使得未来电网演化模型的生成更加具有正式性，全面性，更加符合实际情况。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种压缩空气储能***的未来电网演化模型的生成方法，其特征在于，包括以下步骤：
采集收集电网数据，并生成传输功率分布因子矩阵和电网的拓扑结构；
通过多时间段的生产模拟对各种电源、储能设备以及需求侧管理进行建模；以及
通过灵敏度引导构建电网生长演化模型。
2.根据权利要求1所述的压缩空气储能***的未来电网演化模型的生成方法，其特征在于，所述生成传输功率分布因子矩阵和电网的拓扑结构，进一步包括：
构建目标电网的拓扑图，确定电网中的发电机节点、负荷节点和各线路的参数；
确定电网中所述传输功率分布因子的矩阵H，所述矩阵H的表达式为：
H＝B′B-1＝DC[CTDC]-1，
其中，B为可逆的电网导纳矩阵，C为划去参考节点的节点-支路关联矩阵，D＝diag(y1,…,yl)，yi为支路导纳。
3.根据权利要求1所述的压缩空气储能***的未来电网演化模型的生成方法，其特征在于，所述通过多时间段的生产模拟对各种电源、储能设备以及需求侧管理进行建模，包括：
潮流和线路容量约束条件：
-F≤H(Agg(t)+All(t))≤F，
其中，F为支路容量组成的列向量，H为网络的传输功率分布因子组成的矩阵，Agg(t)为节点的发电功率，All(t)为节点负荷功率；
发电模型，其包括最小启动时间约束、最小停机时间约束和机组的爬坡约束；
旋转备用：
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>K</mi>
</mrow>
</munder>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msubsup>
<mi>r</mi>
<mi>K</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中，是时间断面t上分区K所需要的最小旋转备用量，ri，i∈K是分区K中各机组贡献的旋转备用量；
清洁能源；
储能设备：
<mrow>
<msubsup>
<mi>c</mi>
<mi>i</mi>
<mi>min</mi>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>&tau;</mi>
</munderover>
<mo>&lsqb;</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<msubsup>
<mi>&eta;</mi>
<mi>i</mi>
<mi>d</mi>
</msubsup>
</mfrac>
<mo>+</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&eta;</mi>
<mi>i</mi>
<mi>c</mi>
</msubsup>
<mo>&rsqb;</mo>
<mo>&le;</mo>
<msup>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mi>max</mi>
</msup>
<mo>,</mo>
<mi>&tau;</mi>
<mo>&Element;</mo>
<mi>&Gamma;</mi>
<mo>,</mo>
</mrow>
其中，ci(t)为充电功率，di(t)为放电功率，ηci为储能设备i的充电效率，放电效率为ηdi，和分别为设备的储能下限和储能上限，ci(0)为设备的初始储能；
负荷模型和需求侧管理，包括负荷节点处的约束和需求侧管理约束；
目标函数：
C＝Cfuel+Cstart+P1Crigid+P2Cflexible，
其中，P1和P2为惩罚因子，P1>P2＞＞0，Cfuel为燃料成本，Cstart为启停费用；P1Crigid是“刚性”负荷被切除造成的惩罚项，P2Cflexible是“柔性”负荷的总量不能被满足造成的惩罚项。
4.根据权利要求1所述的压缩空气储能***的未来电网演化模型的生成方法，其特征在于，所述通过灵敏度引导构建电网生长演化模型，进一步包括：
从电网中所有可能的两点间连线中筛选出满足预设条件的候选支路，并且求出每条支路的灵敏度，并将所述灵敏度大于预设阈值的支路选入候选支路集；
对所述候选支路集进行基本搜索，获取网络生长演化的最优解。
5.根据权利要求4所述的压缩空气储能***的未来电网演化模型的生成方法，其特征在于，所述灵敏度为
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>z</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>&lambda;</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&pi;</mi>
<mi>k</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>&pi;</mi>
<mi>m</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mi>k</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mi>m</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>&pi;</mi>
<mi>l</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>F</mi>
<mi>l</mi>
</msub>
</mrow>
<msub>
<mi>x</mi>
<mi>l</mi>
</msub>
</mfrac>
<mo>,</mo>
</mrow>
其中，λ为新增导纳，Fl为线路容量，πl(t)为节点l的价格；
并且，获取所述网络生长演化的最优解时，目标函数f(x)为：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mi>A</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
</mrow>
其中，Z(x)是年运行成本，ci是支路i的建设成本，A是折合年限，xi表示在x的基础上新建线路i所导致的目标函数的下降量的预判值。
6.一种压缩空气储能***的未来电网演化模型的生成装置，其特征在于，包括：
采集模块，用于采集收集电网数据，并生成传输功率分布因子矩阵和电网的拓扑结构；
模拟模块，用于通过多时间段的生产模拟对各种电源、储能设备以及需求侧管理进行建模；以及
生成模块，用于通过灵敏度引导构建电网生长演化模型。
7.根据权利要求6所述的压缩空气储能***的未来电网演化模型的生成装置，其特征在于，所述采集模块还用于构建目标电网的拓扑图，确定电网中的发电机节点、负荷节点和各线路的参数，以及确定电网中所述传输功率分布因子的矩阵H，所述矩阵H的表达式为：
H＝B′B-1＝DC[CTDC]-1，
其中，B为可逆的电网导纳矩阵，C为划去参考节点的节点-支路关联矩阵，D＝diag(y1,…,yl)，yi为支路导纳。
8.根据权利要求6所述的压缩空气储能***的未来电网演化模型的生成装置，其特征在于，所述模拟模块还用于潮流和线路容量约束条件：
-F≤H(Agg(t)+All(t))≤F，
其中，F为支路容量组成的列向量，H为网络的传输功率分布因子组成的矩阵，Agg(t)为节点的发电功率，All(t)为节点负荷功率；
发电模型，其包括最小启动时间约束、最小停机时间约束和机组的爬坡约束；
旋转备用：
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>K</mi>
</mrow>
</munder>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msubsup>
<mi>r</mi>
<mi>K</mi>
<mi>min</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中，是时间断面t上分区K所需要的最小旋转备用量，ri，i∈K是分区K中各机组贡献的旋转备用量；
清洁能源；
储能设备：
<mrow>
<msubsup>
<mi>c</mi>
<mi>i</mi>
<mi>min</mi>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>&tau;</mi>
</munderover>
<mo>&lsqb;</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<msubsup>
<mi>&eta;</mi>
<mi>i</mi>
<mi>d</mi>
</msubsup>
</mfrac>
<mo>+</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&eta;</mi>
<mi>i</mi>
<mi>c</mi>
</msubsup>
<mo>&rsqb;</mo>
<mo>&le;</mo>
<msubsup>
<mi>c</mi>
<mi>i</mi>
<mi>max</mi>
</msubsup>
<mo>,</mo>
<mi>&tau;</mi>
<mo>&Element;</mo>
<mi>&Gamma;</mi>
</mrow>
其中，ci(t)为充电功率，di(t)为放电功率，ηci为储能设备i的充电效率，放电效率为ηdi，和分别为设备的储能下限和储能上限，ci(0)为设备的初始储能；
负荷模型和需求侧管理，包括负荷节点处的约束和需求侧管理约束；
目标函数：
C＝Cfuel+Cstart+P1Crigid+P2Cflexible，
其中，P1和P2为惩罚因子，P1>P2＞＞0，Cfuel为燃料成本，Cstart为启停费用；P1Crigid是“刚性”负荷被切除造成的惩罚项，P2Cflexible是“柔性”负荷的总量不能被满足造成的惩罚项。
9.根据权利要求6所述的压缩空气储能***的未来电网演化模型的生成装置，其特征在于，所述生成模块还用于从电网中所有可能的两点间连线中筛选出满足预设条件的候选支路，并且求出每条支路的灵敏度，并将所述灵敏度大于预设阈值的支路选入候选支路集，以及对所述候选支路集进行基本搜索，获取网络生长演化的最优解。
10.根据权利要求9所述的压缩空气储能***的未来电网演化模型的生成装置，其特征在于，所述灵敏度为
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>z</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>&lambda;</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&pi;</mi>
<mi>k</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>&pi;</mi>
<mi>m</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mi>k</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mi>m</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>&pi;</mi>
<mi>l</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>F</mi>
<mi>l</mi>
</msub>
</mrow>
<msub>
<mi>x</mi>
<mi>l</mi>
</msub>
</mfrac>
<mo>,</mo>
</mrow>
其中，λ为新增导纳，Fl为线路容量，πi(t)为节点i的价格；
并且，获取所述网络生长演化的最优解时，目标函数f(x)为：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mi>A</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
</mrow>
其中，Z(x)是年运行成本，ci是支路i的建设成本，A是折合年限，xi表示在x的基础上新建线路i所导致的目标函数的下降量的预判值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711279290.8A CN107862160B (zh) | 2017-12-06 | 2017-12-06 | 压缩空气储能***的未来电网演化模型的生成方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711279290.8A CN107862160B (zh) | 2017-12-06 | 2017-12-06 | 压缩空气储能***的未来电网演化模型的生成方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107862160A true CN107862160A (zh) | 2018-03-30 |
| CN107862160B CN107862160B (zh) | 2020-08-11 |
Family
ID=61705268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711279290.8A Active CN107862160B (zh) | 2017-12-06 | 2017-12-06 | 压缩空气储能***的未来电网演化模型的生成方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107862160B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109861301A (zh) * | 2018-11-27 | 2019-06-07 | 国网能源研究院有限公司 | 一种源网荷储协调电力***生产模拟方法 |
| CN110323779A (zh) * | 2019-06-21 | 2019-10-11 | 中国电力科学研究院有限公司 | 一种分布式发电与储能装置的功率动态聚合的方法和*** |
| CN111797496A (zh) * | 2020-05-21 | 2020-10-20 | 中国电力科学研究院有限公司 | 一种新能源场站发电出力时间序列构建方法和装置 |
| CN113705874A (zh) * | 2021-08-19 | 2021-11-26 | 国家电网有限公司 | 新能源电网演化预测方法、装置、计算机设备和存储介质 |
| CN115511312A (zh) * | 2022-02-15 | 2022-12-23 | 天津大学 | 电网规划方法、装置及可读存储介质 |
| CN117252046A (zh) * | 2023-11-20 | 2023-12-19 | 中国电力工程顾问集团有限公司 | 压缩空气储能***动态仿真方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102355057A (zh) * | 2011-09-25 | 2012-02-15 | 国网电力科学研究院 | 微电网***计算机监控方法 |
| WO2014144078A3 (en) * | 2013-03-15 | 2015-01-22 | General Compression, Inc. | Horizontal actuation compressed air energy storage system |
| CN104933481A (zh) * | 2015-06-16 | 2015-09-23 | 国网山东省电力公司经济技术研究院 | 用于电力***评估与渐进规划的参考电网模型及求解方法 |
| CN106339773A (zh) * | 2016-08-11 | 2017-01-18 | 中国电力科学研究院 | 基于灵敏度的主动配电网分布式电源定容规划方法 |
-
2017
- 2017-12-06 CN CN201711279290.8A patent/CN107862160B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102355057A (zh) * | 2011-09-25 | 2012-02-15 | 国网电力科学研究院 | 微电网***计算机监控方法 |
| WO2014144078A3 (en) * | 2013-03-15 | 2015-01-22 | General Compression, Inc. | Horizontal actuation compressed air energy storage system |
| CN104933481A (zh) * | 2015-06-16 | 2015-09-23 | 国网山东省电力公司经济技术研究院 | 用于电力***评估与渐进规划的参考电网模型及求解方法 |
| CN106339773A (zh) * | 2016-08-11 | 2017-01-18 | 中国电力科学研究院 | 基于灵敏度的主动配电网分布式电源定容规划方法 |
Non-Patent Citations (4)
| Title |
|---|
| 梅生伟等: "压缩空气储能技术及其应用探讨", 《南方电网技术》 * |
| 田崇翼等: "含压缩空气储能的微网复合储能技术及其成本分析", 《电力***自动化》 * |
| 薛小代等: "基于压缩空气储能的社区微能源网设计", 《中国电机工程学报》 * |
| 郭思琪等: "多时间尺度协调控制的独立微网能量管理策略", 《电工技术学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109861301A (zh) * | 2018-11-27 | 2019-06-07 | 国网能源研究院有限公司 | 一种源网荷储协调电力***生产模拟方法 |
| CN110323779A (zh) * | 2019-06-21 | 2019-10-11 | 中国电力科学研究院有限公司 | 一种分布式发电与储能装置的功率动态聚合的方法和*** |
| CN110323779B (zh) * | 2019-06-21 | 2022-03-04 | 中国电力科学研究院有限公司 | 一种分布式发电与储能装置的功率动态聚合的方法和*** |
| CN111797496A (zh) * | 2020-05-21 | 2020-10-20 | 中国电力科学研究院有限公司 | 一种新能源场站发电出力时间序列构建方法和装置 |
| CN111797496B (zh) * | 2020-05-21 | 2023-05-23 | 中国电力科学研究院有限公司 | 一种新能源场站发电出力时间序列构建方法和装置 |
| CN113705874A (zh) * | 2021-08-19 | 2021-11-26 | 国家电网有限公司 | 新能源电网演化预测方法、装置、计算机设备和存储介质 |
| CN113705874B (zh) * | 2021-08-19 | 2024-03-15 | 国家电网有限公司 | 新能源电网演化预测方法、装置、计算机设备和存储介质 |
| CN115511312A (zh) * | 2022-02-15 | 2022-12-23 | 天津大学 | 电网规划方法、装置及可读存储介质 |
| CN115511312B (zh) * | 2022-02-15 | 2023-10-10 | 天津大学 | 电网规划方法、装置及可读存储介质 |
| CN117252046A (zh) * | 2023-11-20 | 2023-12-19 | 中国电力工程顾问集团有限公司 | 压缩空气储能***动态仿真方法及装置 |
| CN117252046B (zh) * | 2023-11-20 | 2024-02-27 | 中国电力工程顾问集团有限公司 | 压缩空气储能***动态仿真方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107862160B (zh) | 2020-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107862160B (zh) | 压缩空气储能***的未来电网演化模型的生成方法及装置 | |
| Firouzmakan et al. | A comprehensive stochastic energy management system of micro-CHP units, renewable energy sources and storage systems in microgrids considering demand response programs | |
| Nguyen et al. | Stochastic optimization of renewable-based microgrid operation incorporating battery operating cost | |
| Schram et al. | On the trade-off between environmental and economic objectives in community energy storage operational optimization | |
| Xu et al. | Designing a standalone wind-diesel-CAES hybrid energy system by using a scenario-based bi-level programming method | |
| Elnozahy et al. | Efficient metaheuristic Utopia-based multi-objective solutions of optimal battery-mix storage for microgrids | |
| Cheng et al. | A particle swarm optimization based power dispatch algorithm with roulette wheel re-distribution mechanism for equality constraint | |
| CN116151486B (zh) | 含储能***的光伏充电站多时间尺度随机优化方法及装置 | |
| Onaolapo et al. | Reliability evaluation and financial viability of an electricity power micro-grid system with the incorporation of renewable energy sources and energy storage: case study of KwaZulu-Natal, South Africa | |
| Abd El-Sattar et al. | Optimal design of hybrid stand-alone microgrids using tunicate swarm algorithm | |
| Yousefi et al. | Energy management strategies for smart home regarding uncertainties: State of the art, trends, and challenges | |
| Thang | Optimal sizing of distributed energy resources and battery energy storage system in planning of islanded micro-grids based on life cycle cost | |
| Wang et al. | Optimal modeling and analysis of microgrid lithium iron phosphate battery energy storage system under different power supply states | |
| Ahlawat et al. | Optimal sizing and scheduling of battery energy storage system with solar and wind DG under seasonal load variations considering uncertainties | |
| Mozafari et al. | Optimal sizing of energy storage system for microgrids | |
| Fan et al. | A conditional depreciation balancing strategy for the equitable operation of extended hybrid energy storage systems | |
| US20240088655A1 (en) | Methods and systems for controlling a chp device in a microgrid | |
| Varshnry et al. | Fuzzy Markov-EPO: an energy management scheme for the integration of hybrid RES with DC microgrid | |
| Heo et al. | Energy resource capacity optimization for zero-energy housing complex | |
| Soykan et al. | Evaluation of the effect of weather conditions on optimal sizing of an isolated microgrid | |
| Mohiti et al. | A risk-averse energy management system for optimal heat and power scheduling in local energy communities | |
| Ntomaris et al. | Integration of a hybrid power station in the insular power system of Crete | |
| Vaičys et al. | A case study of optimising energy storage dispatch: Convex optimisation approach with degradation considerations | |
| López et al. | On the Energy Management for a Stand-Alone Hybrid System in Isolated Area | |
| Xue et al. | Economic analysis of deep offshore wind power based on load similarity |
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 | ||
| GR01 | Patent grant |