CN109713666A - 一种基于K-means聚类的电力市场下分布式储能经济性调控方法 - Google Patents

Abstract

本发明公开了一种基于K‑means聚类的电力市场下分布式储能经济性调控方法，包括以下步骤：步骤1：采集电网数据、负荷数据和分布式储能数据。步骤2：建立分布式储能经济性模型，分析其运行成本与收益。步骤3：输入分布式储能的参数，随进确定初始聚类中心。步骤4：使用K‑means聚类算法对分布式储能进行聚类分组。步骤5：以提高分布式储能经济性并最大程度保存其可调控潜力为目标函数，以聚类完成的分组为控制单位，对分布式储能的充放电功率进行优化。步骤6：下达分布式储能的充放电指令。本发明能够平衡运行过程中分布式储能个体之间寿命损耗的差异，降低总运行成本，并提高运行过程中分布式储能总体的调控潜力。

Description

一种基于K-means聚类的电力市场下分布式储能经济性调控 方法

技术领域

本发明属于储能技术领域，涉及分布式储能，尤其是一种基于K-means聚类的电力市场下分布式储能经济性调控方法。

背景技术

过去几年，随着负荷高峰需求的稳步增长以及间歇性可再生能源资源的大规模使用，电网变得更加脆弱。分布式储能可以将电能转化为更为稳定的形式储存在装置内，在需要时释放出来。这种特性使分布式储能在电网中同时承担了“源”、“荷”的作用，能够有效地缓解分布式电源接入和负荷快速增长给电力***的带来的问题。

影响分布式储能推广的一个重要原因是其运行成本较高。国外学者在期刊Officeof Scientific&Technical Information Technical Reports上发表的文献[Energystorage systems cost update:a study for the DOE Energy Storage SystemsProgram]通过量化储能的成本和收益表明使用独立的分布式储能成本非常高，独立运行的分布式储能尚不具备经济上的可行性。因此，提供合理的解决方案来减少使用储能设备所带来的费用将是十分必要的。就单个分布式储能而言，其容量有限，且功率较小，相比之下，聚合的分布式储能具有数量可观，调度方式灵活，参与***调度潜力巨大，这就需要一种合适的调控策略来对分布式储能进行控制。研究人员在会议Decision and Control发表的文献[Ledwich G.Estimating benefits of energy storage for aggregate storageapplications in electricity distribution networks in Queensland]提出了一种新型的分布式算法，用于优化包含储能的能源共享网络，通过最大限度地提高消费者之间的合作以及资源共享提高可调度潜力，然而该算法只将分散的储能简单地看作一个整体，没有考虑到分布式储能内部的优化，并不能充分利用分布式储能的可调度潜力。因此，一种能够最小化分布式储能运行成本并最大化其经济收益的资源调度方案是十分必要的。

发明内容：

为了克服上述现有技术的不足，本发明提供了一种基于K-means聚类的电力市场下分布式储能经济性调控方法。

本发明采用如下技术方案：

一种基于K-means聚类的电力市场下分布式储能经济性调控方法，所述方法包括以下步骤：

步骤1：采集电网数据、负荷数据和分布式储能数据。

步骤2：建立分布式储能经济性模型，分析其运行成本与收益。

步骤3：输入分布式储能的参数，随进确定初始聚类中心。

步骤4：使用K-means聚类算法对分布式储能进行聚类分组。

步骤5：以提高分布式储能经济性并最大程度保存其可调控潜力为目标函数，以聚类完成的分组为控制单位，对分布式储能的充放电功率进行优化。

步骤6：下达分布式储能的充放电指令。

所述步骤5中，分布式储能运行目标函数为：

f＝max(w₁f₁+w₂f₂)

其中，

f₂＝min(min(|p^max,c(t)|,|p^max,d(t)|))，t＝1,2,...,24

式中，f₁表示储能的经济收益，f₂表示储能的可调控潜力，w₁,w₂是权重，由于储能运行时以获益最高为主要目标，取值时w₁＞w₂，表示t时刻第i个分布式储能的充电功率，表示t时刻第i个分布式储能的放电功率，R(t)表示t时刻电网的电价，Δt表示预设的时间间隔，B_cap分布式储能参与电网辅助服务得到的收益，是第i个储能一天的寿命损耗， p^max,c(t),p^max,d(t)分别表示t时刻分布式储能的最大充放电潜力。

f₁的第一项是能源贩卖收益，第二项是能源购买成本，两者共同构成了分布式储能的运行收益，第三项B_cap是帮助电网削峰填谷得到的收益，第四项是储能运行时产生的寿命损耗；f₂表示分布式储能在各时刻的可调度潜力。

目标函数的约束条件为：

(1)分布式储能能量和功率约束：

e_i＝SoC_i×E_i

其中，是储能容量的上下界，是储能的最大充放电功率，上能量边界对应于吸收能量的最快路径，而下能量边界对应于消耗能量的最快路径。SoC_i是第i个电池的荷电状态，E_i是第i个电池的容量。

容量和功率之间的关系为：

e_i(t+1)＝e_i(t)+p_i(t)Δt

其中，e_i(t),e_i(t+1)表示t时刻及其下一时刻储能i内部的能量，p(t)表示t时刻储能i的功率，Δt表示时间间隔。

(2)分布式储能当前最大充放电功率：

储能的充放电潜力可以通过下式计算：

其中，表示t时刻储能的可充电容量以及可放电容量，表示储能i的内部能量储量的最大值和最小值。

通过当前分布式储能聚合总体的可充电潜力，评估最大充电功率P^max,c(t)，最大充电功率应至少持续一个调度的时间间隔Δt。

e^pc(t)+P^max,c(t)×Δt≤e^max

分布式储能最大充电功率可以表示为：

其中，P⁺表示储能本身的充电极限，e^max表示储能的最大能量储量，e(t)表示t时刻储能的能量储量。

通过分布式储能聚合总体的可放电潜力，评估最大放电功率P^max,d(t)，最大放电功率应至少持续一个调度的时间间隔Δt。

e^pd(t)+P^max,d(t)×Δt≥e^min

分布式储能最大放电功率可以表示为：

其中，P-表示储能本身的放电极限，e^min表示储能的最小能量储量。

因此，分布式储能的当前最大充放电功率为：

(3)电网功率约束：

其中P^max,P^min表示电网可以接受的最大充放电功率。

所述步骤2中1分布式储能经济性模型如下：

目前储能收益基本来自两个部分。其中一部分是电量收益，另一部分是通过服务电网，帮助电网削峰填谷得到的收益。这两部分收益可以表示为：

B_mar＝p_selle_sell-p_buye_buy

B_cap＝b_capP_cap

其中，B_mar表示储能的电量收益，p_sell,e_sell表示售电价格以及售电量，p_buy,e_buy表示购电价格以及购电量，B_cap表示储能参与辅助服务得到的收益，b_cap表示单位调峰量的补贴，P_cap表示总调峰量。

储能的总收益可以表示为这两部分收益的和：

B_t＝B_mar+B_cap

电池储能由储能装置、能量转换装置构成，因此储能装置的成本可以表示为：

C_t＝C_bat+C_PCS

其中C_bat表示储能装置的成本，C_PCS表示能量转换装置的成本。

C_bat＝C_eE_t

C_PCS＝C_pP_t

其中，C_e表示储能装置单位容量价格(元/kW·h)，E_t表示储能安装的总容量(kW·h)， C_p表示能量转换装置单位功率价格(元/kW)，P_t表示安装的总功率。

进行放电深度为D_a的循环一次产生的寿命损耗成本为：

其中N'_a是进行放电深度为D_a的充放电行为时的折算循环次数。

在市场经济环境下，分布式储能每天的净收益B_d为：

其中n表示实际循环次数。

步骤5所述的一种基于K-means聚类的电力市场下分布式储能经济性调控策略如下：

在实际运行时，放任储能自由充放电不仅会导致储能的寿命受到不必要的损耗，其可调度潜力也会下降；而逐一对其进行控制成本高、工作量大。因此，考虑对参与运行的分布式储能进行聚类分组，以聚合小组为单位参与调控。

对大量分布式储能进行聚类分组的根本目的是通过将具有相近调控潜力和可操作空间的分布式储能聚类为一组，从而在调度的过程中充分发挥储能的需求响应调控能力。储能参与电力***调度的运行状态是一个多维变量，包括功率、荷电状态、可用容量等。

K-means聚类是目前常用的聚类算法，其具有聚类思想简单清晰，可操作性高的优点，已广泛应用于电力***负荷分类中。

调控时需要将分布式储能聚类为拥有相似可调度潜力的K组数据：

其中，以D_k表示第K个聚类组的样本集，C_k表示第K个聚类组的聚类中心，则聚类目标函数为整个聚类的均方差最小：

对于大量储能负荷聚类的实际问题，分类数过少将使得实际调度情况偏移预期调控目标，分类数过大虽然有利于各个聚类组内调控潜力的一致性和相似性，但是增大了聚合商的调控难度。因此在实际调控过程中，负荷代理商可以基于自身调控能力确定最大K值范围，并进一步通过穷举法确定最佳聚类组数。

综上所述，基于储能调控潜力和参数差异性的聚类分组方法流程如下。

步骤1：确定聚类数目K。

步骤2：将所有分布式储能的参数进行排序，确定初始聚类中心。

步骤3：从编号i＝1的分布式储能开始，求其到第K个聚类中心的距离，并将样本聚类到相距聚类中心最近的分组中。

步骤4：求每个聚类组的参数之和并求其平均数，并将其更新为新的聚类中心。

步骤5：重复步骤3至4，直至聚类中心满足迭代收敛条件。

在每次调度开始前，聚合商需要获取负荷需求和可再生能源发电量，计算储能当前的可调控潜力，并制定储能运行目标，通过对所辖若干储能聚合小组出力进行优化调整，最大程度地达到运行目标。

本发明的优点和有益效果：

1、本发明提供一种基于K-means聚类的电力市场下分布式储能优化调控模型，该模型能够平衡运行过程中分布式储能个体之间寿命损耗的差异，降低总运行成本，并提高运行过程中分布式储能总体的调控潜力。

2、本发明基于典型日负荷曲线，采用基于K-means聚类的调控方法对分布式储能的充放电功率进行优化。兼顾了电网和储能用户的利益，不仅降低了配电网的负荷峰谷差，还提高了储能用户的经济收益。

附图说明

图1为本发明方法流程示意图；

图2为本发明提出的调控策略基本原理示意图；

图3为使用不同K值时单个储能每日净收益对比图；

图4为使用提出的策略前后分布式储能一天运行产生的寿命损耗对比图；

图5为使用提出的策略前后试验当天典型时刻分布式储能可调控潜力对比图。

具体实施方式

下面结合附图对本发明做进一步详细说明。

如图1所示为本发明所提出的一种基于分时电价的分布式储能的优化运行方法，所述方法包括以下步骤：

步骤1：采集电网数据、负荷数据和分布式储能数据。

步骤2：建立分布式储能经济性模型，分析其运行成本与收益。

步骤3：输入分布式储能的参数，随进确定初始聚类中心。

步骤4：使用K-means聚类算法对分布式储能进行聚类分组。

步骤5：以提高分布式储能经济性并最大程度保存其可调控潜力为目标函数，以聚类完成的分组为控制单位，对分布式储能的充放电功率进行优化。

步骤6：下达分布式储能的充放电指令。

所述步骤5中，分布式储能运行目标函数为：

f＝max(w₁f₁+w₂f₂)

其中，

f₂＝min(min(|p^max,c(t)|,|p^max,d(t)|))，t＝1,2,...,24

式中，f₁表示储能的经济收益，f₂表示储能的可调控潜力，w₁,w₂是权重，由于储能运行时以获益最高为主要目标，取值时w₁＞w₂，表示t时刻第i个分布式储能的充电功率，表示t时刻第i个分布式储能的放电功率，R(t)表示t时刻电网的电价，Δt表示预设的时间间隔，B_cap分布式储能参与电网辅助服务得到的收益，是第i个储能一天的寿命损耗， p^max,c(t),p^max,d(t)分别表示t时刻分布式储能的最大充放电潜力。

f₁的第一项是能源贩卖收益，第二项是能源购买成本，两者共同构成了分布式储能的运行收益，第三项B_cap是帮助电网削峰填谷得到的收益，第四项是储能运行时产生的寿命损耗；f₂表示分布式储能在各时刻的可调度潜力。

目标函数的约束条件为：

(1)分布式储能能量和功率约束：

e_i＝SoC_i×E_i

其中，是储能容量的上下界，是储能的最大充放电功率，上能量边界对应于吸收能量的最快路径，而下能量边界对应于消耗能量的最快路径。SoC_i是第i个电池的荷电状态，E_i是第i个电池的容量。

容量和功率之间的关系为：

e_i(t+1)＝e_i(t)+p_i(t)Δt

(2)分布式储能当前最大充放电功率：

储能的充放电潜力可以通过下式计算：

通过当前分布式储能聚合总体的可充电潜力，评估最大充电功率P^max,c(t)，最大充电功率应至少持续一个调度的时间间隔Δt。

e^pc(t)+P^max,c(t)×Δt≤e^max

分布式储能最大充电功率可以表示为：

通过分布式储能聚合总体的可放电潜力，评估最大放电功率P^max,d(t)，最大放电功率应至少持续一个调度的时间间隔Δt。

e^pd(t)+P^max,d(t)×Δt≥e^min

分布式储能最大放电功率可以表示为：

因此，分布式储能的当前最大充放电功率为：

(3)电网功率约束：

其中P^max，P^min表示电网可以接受的最大充放电功率。

所述步骤2中1分布式储能经济性模型如下：

目前储能收益基本来自两个部分。其中一部分是电量收益，另一部分是通过服务电网，帮助电网削峰填谷得到的收益。这两部分收益可以表示为：

B_mar＝p_selle_sell-p_buye_buy

B_cap＝b_capP_cap

储能的总收益可以表示为这两部分收益的和：

B_t＝B_mar+B_cap

电池储能由储能装置、能量转换装置构成，因此储能装置的成本可以表示为：

C_t＝C_bat+C_PCS

其中C_bat表示储能装置的成本，C_PCS表示能量转换装置的成本。

C_bat＝C_eE_t

C_PCS＝C_pP_t

其中，C_e表示储能装置单位容量价格(元/kW·h)，E_t表示储能安装的总容量(kW·h)， C_p表示能量转换装置单位功率价格(元/kW)，P_t表示安装的总功率。

进行放电深度为D_a的循环一次产生的寿命损耗成本为：

其中N'_a是进行放电深度为D_a的充放电行为时的折算循环次数。

在市场经济环境下，分布式储能每天的净收益B_d为：

其中n表示实际循环次数。

步骤5所述的一种基于K-means聚类的电力市场下分布式储能经济性调控策略，其特征如下：

在实际运行时，放任储能自由充放电不仅会导致储能的寿命受到不必要的损耗，其可调度潜力也会下降，见图3；而逐一对其进行控制成本高、工作量大。因此，考虑对参与运行的分布式储能进行聚类分组，以聚合小组为单位参与调控。

对大量分布式储能进行聚类分组的根本目的是通过将具有相近调控潜力和可操作空间的分布式储能聚类为一组，从而在调度的过程中充分发挥储能的需求响应调控能力。储能参与电力***调度的运行状态是一个多维变量，包括功率、荷电状态、可用容量等。

K-means聚类是目前常用的聚类算法，其具有聚类思想简单清晰，可操作性高的优点，已广泛应用于电力***负荷分类中。

调控时需要将分布式储能聚类为拥有相似可调度潜力的K组数据，以D_k表示第K个聚类组的样本集，C_k表示第K个聚类组的聚类中心，则聚类目标函数为整个聚类的均方差最小：

对于大量储能负荷聚类的实际问题，分类数过少将使得实际调度情况偏移预期调控目标，分类数过大虽然有利于各个聚类组内调控潜力的一致性和相似性，但是增大了聚合商的调控难度。因此在实际调控过程中，负荷代理商可以基于自身调控能力确定最大K值范围，并进一步通过穷举法确定最佳聚类组数。

综上所述，基于储能调控潜力和参数差异性的聚类分组方法流程如下。

步骤1：确定聚类数目K。

步骤2：将所有分布式储能的参数进行排序，确定初始聚类中心。

步骤3：从编号i＝1的分布式储能开始，求其到第K个聚类中心的距离，并将样本聚类到相距聚类中心最近的分组中。

步骤4：求每个聚类组的参数之和并求其平均数，并将其更新为新的聚类中心。

步骤5：重复步骤3至4，直至聚类中心满足迭代收敛条件。

在每次调度开始前，聚合商需要获取负荷需求和可再生能源发电量，计算储能当前的可调控潜力，并制定储能运行目标，通过对所辖若干储能聚合小组出力进行优化调整，最大程度地达到运行目标。

实例分析

***中设置500个储能进行聚合分析，储能的容量分别为100MW·h的储能150个、150MW·h的储能150个、200MW·h的储能200个，额定充放电功率均为1MW，充放电效率为95％，接入时各储能的参数如图5所示，能量转换装置单位功率价格为3224×103(元 /(MW))，储能装置单位容量价格为1085×103(元/(MW·h))，电网售电价格选取北京市峰谷分时电价标准(见表1)。按照我国《关于开展电力需求响应市场试点工作的通知》规定，每响应1千瓦负荷给予最高不超过30元的补偿费用，对此我国某省的限制标准是8次，每千瓦一次的补偿为3.75元，一天高峰时段补偿2次。为了保护电池的使用寿命，储能运行时一般取0.9为荷电状态最大值，取0.1为荷电状态最小值。储能容量按指数模型计算，电池容量下降到60％报废，总循环次数为2511次。

表1北京市峰谷分时电价标准

假设储能聚合商需要对其控制范围内的500台储能进行调控，分布式储能初始荷电状态在0.1-0.9之间随机取值。使用步骤4的聚类方法对这500个储能进行分组，结果见表2。

表2分布式储能经济收益

可以看出，提出的方法可以有效地降低储能运行时的总成本，提高储能的经济收益。同时，由于聚合小组内各储能参数相近，使得每一组具有相似的可操作空间，有利于聚合商进行决策。当分组数达到10时，再提高分组数储能净收益也不会出现明显提高，而由此增加的操作复杂程度却会大大提升，因此本次实验选择将储能分为10组进行调控。

通过图3的对比可以看出，当分组数达到10时，个别储能的净收益有所下降，储能之间的收益波动增大，但储能的总收益获得了较大提升。这是因为通过优化调控策略的控制，年轻的、荷电状态充足的储能将更为频繁地动作，这些储能不可避免的承担了主要盈利的作用。

储能各观察一天运行产生的寿命损耗，见图4。可以看到，不考虑优化调控的运行策略其储能的寿命损耗比较大，这是不利于分布式储能长期运行的。相对的，考虑优化调控的运行策略其储能的寿命损耗比较小，说明本文提出的调控策略有助于分布式储能压缩成本，提高经济效益。

对比聚合前后的储能可调控潜力可以看出：未聚类的储能运行死板，可调度潜力小，聚类的储能运行灵活，可调度潜力大，这是因为有的储能的可用容量不足，使用后在重新放电 (充电)前会暂时丧失充电(放电)能力，导致可调度潜力下降，严重时将导致聚合商不能满足电力***需求。观察图5可以看到，当天11时，由于各储能几乎满电，随机运行的储能中很大一部分丧失了充电能力，可调度潜力大幅下降；而聚合后的储能由于优先使用剩余容量较大的小组进行充电，可调度潜力得到了保存，此时还有一定的充电能力。

综上所述，本文提出的储能聚合模型可以有效地优化提高聚合后储能装置的经济收益，同时分布式储能的充放电潜力也将大大提高。

应理解，本实施例仅用于说明本发明而不用于限制本发明的范围，本领域技术人员根据本发明的技术指示，不脱离本发明范围所做的改进和修改都应在本发明的保护范围之内。

Claims (7)

1.一种基于K-means聚类的电力市场下分布式储能经济性调控方法，其特征在于：包括以下步骤：

步骤1：采集电网数据、负荷数据和分布式储能数据；

步骤2：建立分布式储能经济性模型，分析其运行成本与收益；

步骤3：输入分布式储能的参数，随进确定初始聚类中心；

步骤4：使用K-means聚类算法对分布式储能进行聚类分组；

步骤5：以提高分布式储能经济性并最大程度保存其可调控潜力为目标函数，以聚类完成的分组为控制单位，对分布式储能的充、放电功率进行优化；

步骤6：下达分布式储能的充、放电指令。

2.根据权利要求1所述的基于K-means聚类的电力市场下分布式储能经济性调控方法，其特征在于：

所述步骤5中，分布式储能运行目标函数为：

f＝max(w₁f₁+w₂f₂)

其中：

f₂＝min(min(|p^max,c(t)|,|p^max,d(t)|))，t＝1,2,...,24

式中，f₁表示储能的经济收益，f₂表示储能的可调控潜力，w₁,w₂是权重，由于储能运行时以获益最高为主要目标，取值时w₁＞w₂，表示t时刻第i个分布式储能的充电功率，表示t时刻第i个分布式储能的放电功率，R(t)表示t时刻电网的电价，Δt表示预设的时间间隔，B_cap分布式储能参与电网辅助服务得到的收益，是第i个储能一天的寿命损耗，p^max,c(t),p^max,d(t)分别表示t时刻分布式储能的最大充电功率、最大放电功率；

f₁的第一项是能源贩卖收益，第二项是能源购买成本，两者共同构成了分布式储能的运行收益，第三项B_cap是帮助电网削峰填谷得到的收益，第四项是储能运行时产生的寿命损耗；f₂表示分布式储能在各时刻的可调度潜力。

3.根据权利要求2所述的基于K-means聚类的电力市场下分布式储能经济性调控方法，其特征在于：

目标函数的分布式储能能量和功率约束为：

e_i＝SoC_i×E_i

其中，e_i是第i个分布式储能运行时内部的能量，是储能容量的上、下界，p_i是第i个分布式储能运行时的的功率，是储能的最大充、放电功率，上能量边界对应于吸收能量的最快路径，而下能量边界对应于消耗能量的最快路径；SoC_i是第i个电池的荷电状态，E_i是第i个电池的容量。

4.根据权利要求2所述的基于K-means聚类的电力市场下分布式储能经济性调控方法，其特征在于：

t时刻分布式储能最大充电功率表示为：

其中，P⁺表示储能本身的充电极限，e^max表示储能的最大能量储量，e(t)表示t时刻储能的能量储量；

t时刻分布式储能最大放电功率表示为：

其中，P^-表示储能本身的放电极限，e^min表示储能的最小能量储量；

t时刻分布式储能的当前最大充、放电功率为：

5.根据权利要求2所述的基于K-means聚类的电力市场下分布式储能经济性调控方法，其特征在于：电网功率约束：

其中P^max,P^min表示电网接受的最大充、放电功率，表示t时刻第i个分布式储能的充电功率，表示t时刻第i个分布式储能的放电功率。

6.根据权利要求2所述的基于K-means聚类的电力市场下分布式储能经济性调控方法，其特征在于：步骤2分布式储能经济性模型如下：

储能的总收益B_t表示为：

B_t＝B_mar+B_cap

B_mar＝p_selle_sell-p_buye_buy

B_cap＝b_capP_cap

其中，B_mar表示储能的电量收益，p_sell,e_sell表示售电价格以及售电量，p_buy,e_buy表示购电价格以及购电量，B_cap表示储能参与辅助服务得到的收益，b_cap表示单位调峰量的补贴，P_cap表示总调峰量；

储能装置的成本C_t表示为：

C_t＝C_bat+C_PCS

其中C_bat表示储能装置的成本，C_PCS表示能量转换装置的成本；

C_bat＝C_eE_t

C_PCS＝C_pP_t

其中，C_e表示储能装置单位容量价格，E_t表示储能安装的总容量，C_p表示能量转换装置单位功率价格，P_t表示安装的总功率；

进行放电深度为D_a的循环一次产生的寿命损耗成本C_loss表示为：

其中N_a是进行放电深度为D_a的充、放电行为时的折算循环次数；

在市场经济环境下，分布式储能每天的净收益B_d为：

其中n表示实际循环次数。

7.根据权利要求1所述的一种基于K-means聚类的电力市场下分布式储能经济性调控策略，其特征在于：步骤4所述的使用K-means聚类算法对分布式储能进行聚类分组的方法流程如下：

步骤1：确定聚类数目K；

步骤2：将所有分布式储能的参数进行排序，确定初始聚类中心；

步骤3：从编号i＝1的分布式储能开始，求其到第K个聚类中心的距离，并将样本聚类到相距聚类中心最近的分组中；

步骤4：求每个聚类组的参数之和并求其平均数，并将其更新为新的聚类中心；

步骤5：重复步骤3至4，直至聚类中心满足迭代收敛条件。