CN110717694B - 基于新能源消纳期望值的储能配置随机决策方法及装置 - Google Patents

基于新能源消纳期望值的储能配置随机决策方法及装置 Download PDF

Info

Publication number
CN110717694B
CN110717694B CN201911028187.5A CN201911028187A CN110717694B CN 110717694 B CN110717694 B CN 110717694B CN 201911028187 A CN201911028187 A CN 201911028187A CN 110717694 B CN110717694 B CN 110717694B
Authority
CN
China
Prior art keywords
energy storage
storage configuration
new energy
new
energy
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
CN201911028187.5A
Other languages
English (en)
Other versions
CN110717694A (zh
Inventor
司学振
饶宇飞
杨海晶
李朝晖
谷青发
周宁
宋宁希
施涛
徐鹏煜
王建波
高泽
孙鑫
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.)
State Grid Corp of China SGCC
State Grid Henan Electric Power Co Ltd
Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Henan Electric Power Co Ltd
Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
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 State Grid Corp of China SGCC, State Grid Henan Electric Power Co Ltd, Electric Power Research Institute of State Grid Henan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911028187.5A priority Critical patent/CN110717694B/zh
Publication of CN110717694A publication Critical patent/CN110717694A/zh
Application granted granted Critical
Publication of CN110717694B publication Critical patent/CN110717694B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0637Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0631Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315Needs-based resource requirements planning or analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28Arrangements for balancing of the load in a network by storage of energy

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及一种基于新能源消纳期望值的储能配置随机决策方法及装置,针对新能源消纳中的灵活调节需求的不确定性,通过基于出力场景历史样本数据建立新能源消纳典型场景及其分布概率。之后针对每个典型场景分别求取所需的储能配置,综合考虑分别概率与各典型场景的储能配置,得到最终的储能配置方案。本申请的方法及装置能够很好地量化新能源功率波动带来的需求场景不确定性,实现目标期望值的最优化,对提高储能配置的量化决策水平,促进新能源消纳具有积极作用。

Description

基于新能源消纳期望值的储能配置随机决策方法及装置
技术领域
本申请属于电力***规划设计领域,尤其是涉及一种基于新能源消纳期望值的储能配置随机决策方法及装置。
背景技术
近年来,我国新能源发电迅猛发展,装机容量逐年递增。截止2018年12月底,我国风电装机容量达1.46亿千瓦,太阳能发电装机容量达1.53亿千瓦。在新能源大规模发展的同时,新能源的消纳问题也逐渐凸显,某些地区受电网外送能力和***灵活调节能力的影响,弃风/弃光限电现象频发。为此,电力部门从电网建设、调度运行、市场交易等各个方面对风电、光伏发电等新能源发电技术的大规模推广和应用,新能源装机容量占电力***总装机容量的比例也不断增长。截止2019年底,我国风电装机容量达1.8亿千瓦,太阳能发电装机容量达1.7亿千瓦。由于新能源发电受风速、光照等自然资源条件的影响,其出力呈间歇性、随机性和波动性。新能源发电装机容量大规模增长的同时,对电力***的灵活调节需求也不断增长。为提高***的灵活调节能力,促进新能源的消纳,除兴建大型抽水蓄能电站外,以电池为代表的新型电力储能技术也在用户侧、场站侧得到了广泛的应用。而在电网侧,目前在河南、江苏等地相继开展了电网侧储能电站的建设和示范运行,旨在通过合理布局和优化配置,充分挖掘和利用多点分散式储能电站的聚合效应,进而满足不同场景下电网的灵活调节需求。关于储能的优化配置问题,目前主要集中于用户侧、场站侧等独立应用场景下的储能配置问题,对如何进行电网侧储能的配置则无相关技术。
发明内容
本发明要解决的技术问题是:为解决现有技术中的不足,从而提供一种基于新能源消纳期望值的储能配置随机决策方法及装置。
本发明解决其技术问题所采用的技术方案是:一种基于新能源消纳期望值的储能配置随机决策方法,
S1:采集新能源发电***的出力场景历史样本数据,对历史样本数据进行聚类分析建立若干新能源消纳典型场景,并获取每个典型场景对应的分布概率;
S2:针对每个典型场景,将储能***配置到新能源消纳典型场景中得到新能源并网消纳生产模拟模型,并求解所述模型下的储能配置需求,得到包含所有场景的储能配置方案集;
S3:基于储能配置方案集,根据每个典型场景额分布概率,计算储能配置期望值,确定最终储能配置方案。
优选地,本发明的基于新能源消纳期望值的储能配置随机决策方法,所述S1步骤中,聚类分析方法为k均值聚类算法或者中心点聚类算法。
优选地,本发明的基于新能源消纳期望值的储能配置随机决策方法,所述S1步骤中,所述典型场景为一段时间内风电出力数据及负荷数据。
优选地,本发明的基于新能源消纳期望值的储能配置随机决策方法,所述S2步骤中,求解储能配置需求时,所需的储能***容量和储能***功率为:符合功率平衡约束、机组出力约束、爬坡约束、旋转备用约束、储能电池充放电约束的条件下,新能源发电***中新能源实际发电量最大化时所需的储能***容量和储能***功率。
优选地,本发明的基于新能源消纳期望值的储能配置随机决策方法,所述S3步骤中,所述最终储能配置方案由储能配置期望值与大于等于1的修正系数的乘积得到。
本发明还提供一种基于新能源消纳期望值的储能配置随机决策装置,包括:
典型场景获取模块:采集新能源发电***的出力场景历史样本数据,对历史样本数据进行聚类分析建立若干新能源消纳典型场景,并获取每个典型场景对应的分布概率;
储能配置方案集获取模块:针对每个典型场景,将储能***配置到新能源消纳典型场景中得到新能源并网消纳生产模拟模型,并求解所述模型下的储能配置需求,得到包含所有场景的储能配置方案集;
储能配置方案确定模块:基于储能配置方案集,根据每个典型场景的分布概率,计算储能配置期望值,确定最终储能配置方案。
优选地,本发明的基于新能源消纳期望值的储能配置随机决策装置,典型场景获取模块中,聚类分析方法为k均值聚类算法或者中心点聚类算法。
优选地,本发明的基于新能源消纳期望值的储能配置随机决策装置,典型场景获取模块中,所述典型场景为一段时间内风电出力数据及负荷数据。
优选地,本发明的基于新能源消纳期望值的储能配置随机决策装置,储能配置方案集获取模块中,求解储能配置需求时,所需的储能***容量和储能***功率为:符合功率平衡约束、机组出力约束、爬坡约束、旋转备用约束、储能电池充放电约束的条件下,新能源发电***中新能源实际发电量最大化时所需的储能***容量和储能***功率。
优选地,本发明的基于新能源消纳期望值的储能配置随机决策装置,储能配置方案确定模块中,所述最终储能配置方案由储能配置期望值与大于等于1的修正系数的乘积得到。
本发明的有益效果是:
本发明的基于新能源消纳期望值的储能配置随机决策方法及装置,针对新能源消纳中的灵活调节需求的不确定性,通过基于出力场景历史样本数据建立新能源消纳典型场景及其分布概率。之后针对每个典型场景分别求取所需的储能配置,综合考虑分别概率与各典型场景的储能配置,得到最终的储能配置方案。本申请的方法及装置能够很好地量化新能源功率波动带来的需求场景不确定性,实现目标期望值的最优化,对提高储能配置的量化决策水平,促进新能源消纳具有积极作用。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本效果实验例中IEEE 30节点***的结构图(提供图片);
图2是本效果实验例中4种典型出力场景下风电处理与时间的关系图;
图3是本效果实验例中IEEE 30节点***的负荷特性曲线;
图4是实施例中基于新能源消纳期望值的储能配置随机决策方法的流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例
本实施例提供一种基于新能源消纳期望值的储能配置随机决策方法,如图1所示,包括:
S1:采集新能源发电***的出力场景历史样本数据,对历史样本数据进行聚类分析建立若干新能源消纳典型场景,并获取每个典型场景对应的分布概率;
典型的聚类分析方法有k均值聚类算法(K-MEANS),中心点聚类算法(K-MEDOIDS)等。所述典型场景为一段时间内风电出力及负荷数据,一段时间通常是一天,但也可以是多天。
S2:针对每个典型场景,将储能***配置到新能源消纳典型场景中得到新能源并网消纳生产模拟模型,并求解所述模型下的储能配置需求,得到包含所有场景的储能配置方案集;
求解储能配置需求时,所需的储能***容量和储能***功率为:符合功率平衡约束、机组出力约束、爬坡约束、旋转备用约束、储能电池充放电约束的条件下,新能源发电***中新能源实际发电量最大化时所需的储能***容量和储能***功率。
储能配置需求的求解具体方法步骤为:
S21:建立目标函数
以新能源实际发电量最大化为目标,建立新能源并网消纳生产模拟模型,数学表达式为:
Figure GDA0003834321350000061
式中:N为时间周期包含的单位时段的数目;M为新能源场站的数目;Pij为第j个新能源场站在第i个时段的实际出力;Δt为典型场景中单位时段的时长(如图2和图3中为1小时)。
S22:约束条件
新能源并网消纳生产模拟考虑的约束条件主要包括:功率平衡约束、机组出力约束、爬坡约束、旋转备用约束、储能电池充放电约束等。
功率平衡约束
Figure GDA0003834321350000062
式中:G为常规机组数目;Pik为第k台常规机组在第i时段的实际出力;PiD为第i时段的***负荷;PiL为第i时段的***网损。
常规机组出力约束
Pk,min≤Pik≤Pk,max (3)
式中:Pk,max为第k台常规机组出力上限;Pk,min为第k台常规机组出力下限。
(原为调节电源)储能***爬坡约束
-Rk,-·tmax≤Pik-P(i-1),k≤Rk,+·tmax (4)
式中:tmax为最大允许爬坡时间;Rk,-为第k台储能***向下调节速率;Rk,+为第k台储能***向上调节速率。
旋转备用约束
Figure GDA0003834321350000071
Figure GDA0003834321350000072
式中:PiR,+为***在第i时段向上旋转备用要求;PiR,-为***在第i时段向下旋转备用要求。
储能***充放电约束
Pe,min≤|Pie|≤Pe,max (7)
式中:Pe,min为第e储能***充放电功率下限;Pe,max为储能***充放电功率上限;Pie为储能设施在第i时段充放电功率;放电为正、充电为负。
Figure GDA0003834321350000073
SOCmin≤SOC≤SOCmax (9)
式中:Ei为储能***当前的能量状态;Erate为储能***的额定能量状态;SOCmin,SOCmax为储能***充放电深度上下限。
S3:基于储能配置方案集,根据每个典型场景的分布概率,计算储能配置期望值,确定最终储能配置方案。
根据各类典型场景的随机概率和每个场景下通过生产模拟获得的配置方案参考值,计算储能配置方案期望值,即:
Figure GDA0003834321350000081
Figure GDA0003834321350000082
Ps,ref为第S个典型场景下满足新能源消纳目标所需的储能***容量;Es,ref为第S个典型场景下满足新能源消纳目标所需的储能***功率;qs为第S个典型场景的分布概率。
在实际工程应用中,储能配置除需满足场景需求外,还考虑一定的备用和可靠性要求。因此,最终储能配置方案选取应满足:
Pref=Pref·cp,cp>1 (12)
Er'ef=Eref·ce,ce>1 (13)
式中为cp,ce为修正系数,具体数值视实际工程应用要求而定。
本实施例还提供一种基于新能源消纳期望值的储能配置随机决策装置,与本实施例的方法对应,包括:
典型场景获取模块:采集新能源发电***的出力场景历史样本数据,对历史样本数据进行聚类分析建立若干新能源消纳典型场景,并获取每个典型场景对应的分布概率;典型的聚类分析方法有k均值聚类算法(K-MEANS),中心点聚类算法(K-MEDOIDS)等。所述典型场景为一段时间内风电出力及负荷数据,一段时间通常是一天,但也可以是多天。
储能配置方案集获取模块:针对每个典型场景,将储能***配置到新能源消纳典型场景中得到新能源并网消纳生产模拟模型,并求解所述模型下的储能配置需求,得到包含所有场景的储能配置方案集;求解储能配置需求时,所需的储能***容量和储能***功率为:符合功率平衡约束、机组出力约束、爬坡约束、旋转备用约束、储能电池充放电约束的条件下,新能源发电***中新能源实际发电量最大化时所需的储能***容量和储能***功率。
储能配置方案确定模块:基于储能配置方案集,根据每个典型场景的分布概率,计算储能配置期望值,确定最终储能配置方案。
储能配置方案确定模块中,所述最终储能配置方案由储能配置期望值与大于等于1的修正系数的乘积得到。修正系数的具体数值视实际工程应用要求而定。
效果实验例
本效果实验例采用IEEE 30节点***,以验证基于新能源消纳期望值的储能配置随机决策方法的有效性。IEEE 30节点***的基准容量100MVA;无特殊标注情况下,各设备的参数均采用标幺值(pu)。设1号节点为平衡节点;20号节点为风电场并网点,装机容量1pu;旋转备用系数和网损系数均取***负荷的5%。根据某地风力发电历史数据,通过场景聚类和合并,建立风电场典型日出力样本集。本实施例最终聚类了四种典型日风电出力场景,其对应的分布概率分别为:0.3,0.2,0.2,0.3(随机概率为聚类为每种典型场景的数量与样本集总数的比值),如图2所示。***负荷特性如图3所示。
典型场景下各时段的风电出力特性及负荷需求如表1所示:
表1 典型场景下各时段出力数据(pu)及负荷数据(pu)
Figure GDA0003834321350000101
Figure GDA0003834321350000111
各常规机组参数如表1所示。其中,“H”表示水电机组;“G”表示燃煤火电机组;“M”表示燃气机组;“E”表示电池储能设施,其容量待定。
表2 常规机组参数
Figure GDA0003834321350000112
假设风电消纳目标是弃风限电率控制在5%以下,则基于上述各典型场景参数,按照图1中算法流程,进行典型场景下的生产模拟及储能配置需求的求解,结果如表3所示。
表3 不同场景下的储能配置需求
Figure GDA0003834321350000121
在实际工程中,储能配置还需要考虑一定的备用和可靠性要求以及储能模块化设计中单位容量/能量的定值,并对储能配置方案予以修正。本算例中为修正系数bp取1.02,be取1.05,则最终的储能配置需求方案为24MW/192MWh。
以上述依据本申请的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项申请技术思想的范围内,进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (10)

1.一种基于新能源消纳期望值的储能配置随机决策方法,其特征在于,
S1:采集新能源发电***的出力场景历史样本数据,对历史样本数据进行聚类分析建立若干新能源消纳典型场景,并获取每个典型场景对应的分布概率;
S2:针对每个典型场景,将储能***配置到新能源消纳典型场景中得到新能源并网消纳生产模拟模型,并求解所述模型下的储能配置需求,得到包含所有场景的储能配置方案集;
S3:基于储能配置方案集,根据每个典型场景的分布概率,计算储能配置期望值,确定最终储能配置方案。
2.根据权利要求1所述的基于新能源消纳期望值的储能配置随机决策方法,其特征在于,所述S1步骤中,聚类分析方法为k均值聚类算法或者中心点聚类算法。
3.根据权利要求2所述的基于新能源消纳期望值的储能配置随机决策方法,其特征在于,所述S1步骤中,所述典型场景为一段时间内风电出力数据及负荷数据。
4.根据权利要求1-3任一项所述的基于新能源消纳期望值的储能配置随机决策方法,其特征在于,所述S2步骤中,求解储能配置需求时,所需的储能***容量和储能***功率为:符合功率平衡约束、机组出力约束、爬坡约束、旋转备用约束、储能电池充放电约束的条件下,新能源发电***中新能源实际发电量最大化时所需的储能***容量和储能***功率。
5.根据权利要求1-3任一项所述的基于新能源消纳期望值的储能配置随机决策方法,其特征在于,所述S3步骤中,所述最终储能配置方案由储能配置期望值与大于等于1的修正系数的乘积得到。
6.一种基于新能源消纳期望值的储能配置随机决策装置,其特征在于,包括:
典型场景获取模块:采集新能源发电***的出力场景历史样本数据,对历史样本数据进行聚类分析建立若干新能源消纳典型场景,并获取每个典型场景对应的分布概率;
储能配置方案集获取模块:针对每个典型场景,将储能***配置到新能源消纳典型场景中得到新能源并网消纳生产模拟模型,并求解所述模型下的储能配置需求,得到包含所有场景的储能配置方案集;
储能配置方案确定模块:基于储能配置方案集,根据每个典型场景的分布概率,计算储能配置期望值,确定最终储能配置方案。
7.根据权利要求6所述的基于新能源消纳期望值的储能配置随机决策装置,其特征在于,典型场景获取模块中,聚类分析方法为k均值聚类算法或者中心点聚类算法。
8.根据权利要求7所述的基于新能源消纳期望值的储能配置随机决策装置,其特征在于,典型场景获取模块中,所述典型场景为一段时间内风电出力数据及负荷数据。
9.根据权利要求6-8任一项所述的基于新能源消纳期望值的储能配置随机决策装置,其特征在于,储能配置方案集获取模块中,求解储能配置需求时,所需的储能***容量和储能***功率为:符合功率平衡约束、机组出力约束、爬坡约束、旋转备用约束、储能电池充放电约束的条件下,新能源发电***中新能源实际发电量最大化时所需的储能***容量和储能***功率。
10.根据权利要求6-8任一项所述的基于新能源消纳期望值的储能配置随机决策装置,其特征在于,储能配置方案确定模块中,所述最终储能配置方案由储能配置期望值与大于等于1的修正系数的乘积得到。
CN201911028187.5A 2019-10-28 2019-10-28 基于新能源消纳期望值的储能配置随机决策方法及装置 Active CN110717694B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911028187.5A CN110717694B (zh) 2019-10-28 2019-10-28 基于新能源消纳期望值的储能配置随机决策方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911028187.5A CN110717694B (zh) 2019-10-28 2019-10-28 基于新能源消纳期望值的储能配置随机决策方法及装置

Publications (2)

Publication Number Publication Date
CN110717694A CN110717694A (zh) 2020-01-21
CN110717694B true CN110717694B (zh) 2023-02-03

Family

ID=69213347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911028187.5A Active CN110717694B (zh) 2019-10-28 2019-10-28 基于新能源消纳期望值的储能配置随机决策方法及装置

Country Status (1)

Country Link
CN (1) CN110717694B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084652B (zh) * 2020-09-07 2023-06-20 中国电力工程顾问集团西北电力设计院有限公司 一种风光储互补发电***容量配置计算方法及***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104092241A (zh) * 2014-07-14 2014-10-08 国家电网公司 一种考虑备用需求的风电消纳能力分析方法
CN108233357A (zh) * 2016-12-15 2018-06-29 中国电力科学研究院 基于非参数概率预测及风险期望的风电日前消纳优化方法
CN108879741A (zh) * 2018-06-29 2018-11-23 中国电力科学研究院有限公司 一种分布式电源就地消纳的储能容量配置方法及***
CN109149571A (zh) * 2018-09-21 2019-01-04 国网福建省电力有限公司 一种考虑***燃气和火电机组特性的储能优化配置方法
CN109217364A (zh) * 2018-09-10 2019-01-15 国网冀北电力有限公司张家口供电公司 大规模分布式电源消纳的光伏-储能容量优化配置策略
CN110224393A (zh) * 2019-05-24 2019-09-10 广东电网有限责任公司阳江供电局 一种基于最小切负荷模型的新能源消纳评估方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2518665A1 (en) * 2011-04-28 2012-10-31 Vestas Wind Systems A/S Renewable energy configurator

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104092241A (zh) * 2014-07-14 2014-10-08 国家电网公司 一种考虑备用需求的风电消纳能力分析方法
CN108233357A (zh) * 2016-12-15 2018-06-29 中国电力科学研究院 基于非参数概率预测及风险期望的风电日前消纳优化方法
CN108879741A (zh) * 2018-06-29 2018-11-23 中国电力科学研究院有限公司 一种分布式电源就地消纳的储能容量配置方法及***
CN109217364A (zh) * 2018-09-10 2019-01-15 国网冀北电力有限公司张家口供电公司 大规模分布式电源消纳的光伏-储能容量优化配置策略
CN109149571A (zh) * 2018-09-21 2019-01-04 国网福建省电力有限公司 一种考虑***燃气和火电机组特性的储能优化配置方法
CN110224393A (zh) * 2019-05-24 2019-09-10 广东电网有限责任公司阳江供电局 一种基于最小切负荷模型的新能源消纳评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Study on the key factors of regional power grid renewable energy accommodating capability;Li Yan et al.;《2016 IEEE PES Asia-Pacific Power and Energy Engineering Conference (APPEEC)》;20161212;第790-794页 *
考虑功率预测不确定性的风电消纳随机调度;施涛等;《电网与清洁能源》;20190430;第35卷(第4期);第55-59页 *

Also Published As

Publication number Publication date
CN110717694A (zh) 2020-01-21

Similar Documents

Publication Publication Date Title
CN105846461B (zh) 一种大规模储能电站自适应动态规划的控制方法和***
Reddy Optimal scheduling of thermal-wind-solar power system with storage
CN109103926A (zh) 基于多辐照特性年气象场景的光伏发电接纳能力计算方法
CN109767078B (zh) 一种基于混合整数规划的多类型电源检修安排方法
CN112583017B (zh) 考虑储能运行约束的混合微电网能量分配方法及***
CN107800153B (zh) 一种电蓄热消纳风电的电热能量滚动鲁棒调度方法
CN103077430A (zh) 风火协调调度模式下日前调度计划优化辅助分析方法
CN111934360B (zh) 基于模型预测控制的虚拟电厂-储能***能量协同优化调控方法
CN104299173B (zh) 一种适用于多种能源接入的鲁棒优化日前调度方法
CN111555281A (zh) 一种电力***灵活性资源配置仿真方法及装置
CN111092451B (zh) 一种基于配电网网格的光伏消纳预警方法
US20240006891A1 (en) Two-stage self-organizing optimized aggregation method and system for distributed resources of virtual power plant (vpp)
CN114154790A (zh) 基于需量管理和柔性负荷的工业园区光储容量配置方法
CN116388278A (zh) 一种微电网群协同控制方法、装置、设备及介质
CN116111597A (zh) 一种中长期调度计划的潮流断面场景集构建方法、***、存储器及设备
CN109711605B (zh) 一种多类型电源并网容量确定方法和装置
CN108879741B (zh) 一种分布式电源就地消纳的储能容量配置方法及***
Ma et al. Long-term coordination for hydro-thermal-wind-solar hybrid energy system of provincial power grid
CN110717694B (zh) 基于新能源消纳期望值的储能配置随机决策方法及装置
CN117913914A (zh) 基于电量分类的一体化项目并网多时段调度方法及装置
CN114884101B (zh) 一种基于自适应模型控制预测的抽水蓄能调度方法
CN108683211B (zh) 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型
CN114819573A (zh) 新能源***的日前调度方法、装置和计算机设备
CN108418213B (zh) 一种基于源荷互动电力***调度的方法
CN112989279A (zh) 含风电的电热联合***的调度方法及装置

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