CN114418232A - 储能***运行优化方法、***、服务器及存储介质 - Google Patents

储能***运行优化方法、***、服务器及存储介质 Download PDF

Info

Publication number
CN114418232A
CN114418232A CN202210096555.5A CN202210096555A CN114418232A CN 114418232 A CN114418232 A CN 114418232A CN 202210096555 A CN202210096555 A CN 202210096555A CN 114418232 A CN114418232 A CN 114418232A
Authority
CN
China
Prior art keywords
energy storage
storage system
load
power
output
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.)
Pending
Application number
CN202210096555.5A
Other languages
English (en)
Inventor
李煜阳
李相俊
贾学翠
赵波
倪筹帷
章雷其
靳文涛
修晓青
马会萌
全慧
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
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Zhejiang 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, China Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210096555.5A priority Critical patent/CN114418232A/zh
Publication of CN114418232A publication Critical patent/CN114418232A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

一种储能***运行优化方法、***、服务器及存储介质，方法包括获取总负荷预测偏差的概率分布作为负荷侧的不确定因素输入；获取配网侧多点分布储能***允许的最大荷电状态与最小荷电状态以及充放功率约束作为功率输出的约束条件；设置储能***出力为不考虑负荷不确定因素的决策出力与承担负荷预测偏差的决策出力两部分，针对多点分布的储能***，设置各储能***的负荷预测偏差承担系数，全部承担系数的加和为1；设置储能***出力的概率约束；设置储能***运行优化的目标函数为最小化主网注入功率的峰值；得到概率约束下的储能***的运行优化控制模型，进行等效转化并求解得到储能***出力计划。本发明能减少负荷侧不确定因素对主网带来的冲击。

Description

储能***运行优化方法、***、服务器及存储介质
技术领域
本发明涉及电力***运行规划技术领域，具体涉及一种储能***运行优化方法、***、服务器及存储介质。
背景技术
传统视角下电能无法大规模存储，电力***的运行需时刻保持供需平衡，即各时刻负荷侧的偏差需由电源侧调整出力来保证电力平衡，避免切负荷现象发生。但近年来，储能技术的蓬勃发展正逐渐颠覆这一特点，因其具有的双向充放能力能够进行能量的时空转移。
以往针对储能的研究主要聚焦于源侧平抑新能源波动、消纳弃风弃光，但较少聚焦于负荷侧不确定因素的平衡。近年来随着电动汽车等大功率负荷规模化地接入配网，负荷侧的波动性与不确定性逐渐加剧，对主网造成的冲击愈发明显，如何在用户侧或电压等级较低的配网侧采用储能***作为灵活性调节资源手段并在计及负荷不确定性因素的基础上实现就地平衡，避免将更多的不确定性因素引入主网是本技术领域要解决的技术问题。
传统基于确定性思想的控制优化理论无法在决策过程中计及不确定性因素的影响，然而电力***的运行是一个多时间尺度的过程。例如，调度部门会根据次日的负荷预测情况与新能源发电情况编制火电机组的日前出力计划，但负荷与新能源的实际情况通常会与预测有一定的偏差，此时，基于确定性思想的控制优化理论便无法计及不确定因素的影响，这可能会导致电网运行裕度不足或经济性并非最优。为解决上述问题，已有其他技术方案应用基于随机规划的思想进行运行控制，即首先进行场景生成，得到不同场景下的负荷情况及该场景对应的期望，然后研究计及所有场景的优化控制策略进行加权。但运行场景无法准确生成，且当场景过多时求解时间会过长，无法满足很多工程对计算时间的需求。
发明内容
本发明的目的在于针对上述现有技术中的问题，提供一种储能***运行优化方法、***、服务器及存储介质，能够计及负荷的预测偏差对电力供需平衡的影响，并以储能作为灵活性调节资源对负荷进行就地平衡，增加区域电网运行的自治性，减少负荷侧不确定因素对主网带来的冲击，增加***运行裕度。
为了实现上述目的，本发明有如下的技术方案：
第一方面，提供一种储能***运行优化方法，包括以下步骤：
根据历史负荷预测与实际数据获取总负荷预测偏差的概率分布，作为储能***负荷侧的不确定因素输入；
获取配网侧多点分布储能***允许的最大荷电状态
Figure BDA0003491013660000021
与最小荷电状态
Figure BDA0003491013660000022
以及充放功率约束
Figure BDA0003491013660000023
作为储能***功率输出的约束条件；
设置储能***出力为不考虑负荷不确定因素的决策出力与承担负荷预测偏差的决策出力两部分，针对多点分布的储能***，设置各储能***的负荷预测偏差承担系数，全部负荷预测偏差承担系数的加和为1；
根据储能***负荷侧的不确定因素输入、储能***功率输出的约束条件、储能***出力及多点分布的储能***全部负荷预测偏差承担系数设置储能***出力的概率约束；
设置储能***运行优化的目标函数为最小化主网注入功率的峰值；
整合所述储能***出力的概率约束以及储能***运行优化的目标函数得到概率约束下的储能***的运行优化控制模型；
对所述概率约束下的储能***的运行优化控制模型进行等效转化，并进行求解，得到储能***出力计划。
作为优选，在所述根据历史负荷预测与实际数据获取总负荷预测偏差的概率分布，作为储能***负荷侧的不确定因素输入的步骤中，得到各节点i在各时段t的负荷预测偏差概率分布的期望μi,t与方差
Figure BDA0003491013660000031
基于数据驱动的方式得到负荷预测偏差的概率期望
Figure BDA0003491013660000032
与负荷预测偏差的概率方差Var[ωi,t]，且
Figure BDA0003491013660000033
总负荷预测偏差
Figure BDA0003491013660000034
总负荷预测偏差的期望为：
Figure BDA0003491013660000035
总负荷预测偏差的方差为：
Figure BDA0003491013660000036
得到总负荷预测偏差的概率分布Ω作为储能***负荷侧的不确定因素输入。
更进一步的，在所述获取配网侧多点分布储能***允许的最大荷电状态
Figure BDA0003491013660000037
与最小荷电状态
Figure BDA0003491013660000038
以及充放功率约束
Figure BDA0003491013660000039
作为储能***功率输出的约束条件的步骤中，若节点i不连接任何储能***则设定最大荷电状态
Figure BDA00034910136600000310
为0，充放功率约束
Figure BDA00034910136600000311
为0。
作为优选，在所述设置储能***出力为不考虑负荷不确定因素的决策出力与承担负荷预测偏差的决策出力两部分，针对多点分布的储能***，设置各储能***的负荷预测偏差承担系数，全部负荷预测偏差承担系数的加和为1的步骤中，设置每个有功源实际出力为：
Figure BDA00034910136600000312
式中，p0,t为上级电网各时段t的注入功率，
Figure BDA00034910136600000313
为各时段不考虑负荷预测偏差时上级电网注入功率，α0,tΩt为各时段上级电网承担的平衡负荷预测偏差功率；
Figure BDA00034910136600000314
为考虑负荷预测偏差下各节点不同时段的储能***充电功率，
Figure BDA00034910136600000315
为不考虑负荷预测偏差的储能***充电功率，
Figure BDA00034910136600000316
为各时段储能***充电功率承担的负荷预测偏差功率；
Figure BDA00034910136600000317
为考虑负荷预测偏差下各节点不同时段的储能***放电功率，
Figure BDA0003491013660000041
为不考虑负荷预测偏差的储能***放电功率，
Figure BDA0003491013660000042
为各时段储能***放电功率承担的负荷预测偏差功率；
所述全部负荷预测偏差承担系数的加和为1的表达式为：
Figure BDA0003491013660000043
更进一步的，所述储能***出力的概率约束为：
Figure BDA0003491013660000044
Figure BDA0003491013660000045
Figure BDA0003491013660000046
Figure BDA0003491013660000047
式中，1-εch、1-εdis分别为储能***充放电功率步越限的置信系数；
SOCi,t为各节点储能***各时段的荷电状态，SOCi,t-1为各节点储能***上一时段的荷电状态，ηi为储能***充放电转化效率，pessmax为储能***最大充放功率，
Figure BDA0003491013660000048
为满足约束的概率分布，
Figure BDA0003491013660000049
为满足约束的概率分布期望。
更进一步的，所述储能***运行优化的目标函数为：
Figure BDA00034910136600000410
式中，p0,t为上级电网各时段t的注入功率，t∈T为时段的集合，T为日内总时段数。
更进一步的，所述储能***运行优化的目标函数按照如下方式进行等效转化：
Figure BDA00034910136600000411
则储能***运行优化的目标函数等效转化后的表达式为：
Figure BDA00034910136600000412
更进一步的，所述储能***出力的概率约束当中对表达式
Figure BDA00034910136600000413
以及
Figure BDA00034910136600000414
利用负荷预测偏差概率分布的反函数进行等效转化，得到等效转化后的表达式如下：
Figure BDA0003491013660000051
Figure BDA0003491013660000052
Figure BDA0003491013660000053
Figure BDA0003491013660000054
式中，Φ-1(1-εch)、Φ-1(1-εdis)分别为储能***充放功率在相应置信区间的概率分布的反函数，
Figure BDA0003491013660000055
为负荷预测偏差的标准差；
对表达式
Figure BDA0003491013660000056
进行等效转化之后得到：
Figure BDA0003491013660000057
第二方面，提供一种储能***运行优化***，包括：
不确定因素输入模块，用于根据历史负荷预测与实际数据获取总负荷预测偏差的概率分布，作为储能***负荷侧的不确定因素输入；
功率输出约束条件获取模块，用于获取配网侧多点分布储能***允许的最大荷电状态
Figure BDA0003491013660000058
与最小荷电状态
Figure BDA0003491013660000059
以及充放功率约束
Figure BDA00034910136600000510
作为储能***功率输出的约束条件；
***出力设置模块，用于设置储能***出力为不考虑负荷不确定因素的决策出力与承担负荷预测偏差的决策出力两部分，针对多点分布的储能***，设置各储能***的负荷预测偏差承担系数，全部负荷预测偏差承担系数的加和为1；
***出力概率约束设置模块，用于根据储能***负荷侧的不确定因素输入、储能***功率输出的约束条件、储能***出力及多点分布的储能***全部负荷预测偏差承担系数设置储能***出力的概率约束；
目标函数设置模块，用于设置储能***运行优化的目标函数为最小化主网注入功率的峰值；
运行优化控制模型建立模块，用于整合所述储能***出力的概率约束以及储能***运行优化的目标函数得到概率约束下的储能***的运行优化控制模型；
模型求解模块，用于对所述概率约束下的储能***的运行优化控制模型进行等效转化，并进行求解，得到储能***出力计划。
作为优选，所述不确定因素输入模块得到各节点i在各时段t的负荷预测偏差概率分布的期望μi,t与方差
Figure BDA0003491013660000061
基于数据驱动的方式得到负荷预测偏差的概率期望
Figure BDA0003491013660000062
与负荷预测偏差的概率方差Var[ωi,t]，且
Figure BDA0003491013660000063
总负荷预测偏差
Figure BDA0003491013660000064
总负荷预测偏差的期望为：
Figure BDA0003491013660000065
总负荷预测偏差的方差为：
Figure BDA0003491013660000066
得到总负荷预测偏差的概率分布Ω作为储能***负荷侧的不确定因素输入。
更进一步的，所述功率输出约束条件获取模块若节点i不连接任何储能***则设定最大荷电状态
Figure BDA0003491013660000067
为0，充放功率约束
Figure BDA0003491013660000068
为0。
作为优选，所述***出力设置模块设置每个有功源实际出力为：
Figure BDA0003491013660000069
式中，p0,t为上级电网各时段t的注入功率，
Figure BDA00034910136600000610
为各时段不考虑负荷预测偏差时上级电网注入功率，α0,tΩt为各时段上级电网承担的平衡负荷预测偏差功率；
Figure BDA00034910136600000611
为考虑负荷预测偏差下各节点不同时段的储能***充电功率，
Figure BDA00034910136600000612
为不考虑负荷预测偏差的储能***充电功率，
Figure BDA0003491013660000071
为各时段储能***充电功率承担的负荷预测偏差功率；
Figure BDA0003491013660000072
为考虑负荷预测偏差下各节点不同时段的储能***放电功率，
Figure BDA0003491013660000073
为不考虑负荷预测偏差的储能***放电功率，
Figure BDA0003491013660000074
为各时段储能***放电功率承担的负荷预测偏差功率；
所述全部负荷预测偏差承担系数的加和为1的表达式为：
Figure BDA0003491013660000075
更进一步的，所述***出力概率约束设置模块设置的储能***出力的概率约束为：
Figure BDA0003491013660000076
Figure BDA0003491013660000077
Figure BDA0003491013660000078
Figure BDA0003491013660000079
式中，1-εch、1-εdis分别为储能***充放电功率步越限的置信系数；
SOCi,t为各节点储能***各时段的荷电状态，SOCi,t-1为各节点储能***上一时段的荷电状态，ηi为储能***充放电转化效率，pessmax为储能***最大充放功率，
Figure BDA00034910136600000710
为满足约束的概率分布，
Figure BDA00034910136600000711
为满足约束的概率分布期望。
更进一步的，所述目标函数设置模块设置储能***运行优化的目标函数为：
Figure BDA00034910136600000712
式中，p0,t为各时段上级电网注入功率，t∈T为时段的集合，T为一日内全部时段。
更进一步的，所述模型求解模块对储能***运行优化的目标函数按照如下方式进行等效转化：
Figure BDA00034910136600000713
则储能***运行优化的目标函数等效转化后的表达式为：
Figure BDA00034910136600000714
更进一步的，所述模型求解模块对储能***出力的概率约束当中的表达式
Figure BDA0003491013660000081
以及
Figure BDA0003491013660000082
利用负荷预测偏差概率分布的反函数进行等效转化，得到等效转化后的表达式如下：
Figure BDA0003491013660000083
Figure BDA0003491013660000084
Figure BDA0003491013660000085
Figure BDA0003491013660000086
式中，Φ-1(1-εch)、Φ-1(1-εdis)分别为储能***充放功率在相应置信区间的概率分布的反函数，
Figure BDA0003491013660000087
为负荷预测偏差的标准差；
对表达式
Figure BDA0003491013660000088
进行等效转化之后得到：
Figure BDA0003491013660000089
第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的一种储能***运行优化方法。
第四方面，提供一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的一种储能***运行优化方法。
相较于现有技术，本发明的第一方面至少具有如下的有益效果：
本发明基于历史负荷预测与实际数据，通过数据驱动与曲线拟合的方式得到负荷预测偏差的概率分布，考虑配网侧多点分布储能***允许的最大与最小荷电状态将其作为储能***功率输出的约束条件进行输入，同时设置储能***出力为不考虑负荷不确定因素的决策出力与承担负荷预测偏差的决策出力两部分，针对多点分布的储能***，设置各储能***的负荷预测偏差承担系数，全部负荷预测偏差承担系数的加和为1，据此设置储能***出力的概率约束，得到概率约束下的储能***的运行优化控制模型能够计及负荷的预测偏差对电力供需平衡的影响，基于概率理论对概率约束下的储能***的运行优化控制模型进行等效转化，并进行求解，得到储能***出力计划，本发明实现的是一种考虑负荷不确定因素的储能***运行优化策略，能够以储能作为灵活性调节资源对负荷进行就地平衡，增加区域电网运行的自治性，减少负荷侧不确定因素对主网带来的冲击，从而增加***运行裕度。
可以理解的是，上述本发明第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1本发明实施例的一种储能***运行优化方法流程图；
图2本发明实施例的一种储能***运行优化***结构框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请的实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
请参阅图1，图1示出了本发明实施例一种储能***运行优化方法流程，主要包括：
步骤1、根据历史负荷预测与实际数据获取总负荷预测偏差的概率分布，作为储能***负荷侧的不确定因素输入；
步骤2、获取配网侧多点分布储能***允许的最大荷电状态
Figure BDA0003491013660000101
与最小荷电状态
Figure BDA0003491013660000102
以及充放功率约束
Figure BDA0003491013660000103
作为储能***功率输出的约束条件；
步骤3、设置储能***出力为不考虑负荷不确定因素的决策出力与承担负荷预测偏差的决策出力两部分，针对多点分布的储能***，设置各储能***的负荷预测偏差承担系数，全部负荷预测偏差承担系数的加和为1；
步骤4、根据储能***负荷侧的不确定因素输入、储能***功率输出的约束条件、储能***出力及多点分布的储能***全部负荷预测偏差承担系数设置储能***出力的概率约束；
步骤5、设置储能***运行优化的目标函数为最小化主网注入功率的峰值；
步骤6、整合所述储能***出力的概率约束以及储能***运行优化的目标函数得到概率约束下的储能***的运行优化控制模型；
步骤7、对所述概率约束下的储能***的运行优化控制模型进行等效转化，并进行求解，得到储能***出力计划。
在一种可能的实施方式中，在所述步骤1中通过数据驱动与曲线拟合的方式得到负荷预测偏差的概率分布，得到各节点i在各时段t的负荷预测偏差概率分布的期望μi,t与方差
Figure BDA0003491013660000104
基于数据驱动的方式得到负荷预测偏差的概率期望
Figure BDA0003491013660000105
与负荷预测偏差的方差Var[ωi,t]，且
Figure BDA0003491013660000106
总负荷预测偏差
Figure BDA0003491013660000107
由于各负荷预测偏差间相互独立，因此其具有可加性。
总负荷预测偏差的期望为：
Figure BDA0003491013660000108
总负荷预测偏差的方差为：
Figure BDA0003491013660000111
得到总负荷预测偏差的概率分布Ω作为储能***负荷侧的不确定因素输入。
在一种可能的实施方式中，在所述步骤2中，若节点i不连接任何储能***则设定最大荷电状态
Figure BDA0003491013660000112
为0，充放功率约束
Figure BDA0003491013660000113
为0。该步骤主要为避免储能***的过度充放。
在一种可能的实施方式中，在所述步骤3中，设置每个有功源实际出力为：
Figure BDA0003491013660000114
式中，p0,t为上级电网各时段t的注入功率，
Figure BDA0003491013660000115
为各时段不考虑负荷预测偏差时上级电网注入功率，α0,tΩt为各时段上级电网承担的平衡负荷预测偏差功率；
Figure BDA0003491013660000116
为考虑负荷预测偏差下各节点不同时段的储能***充电功率，
Figure BDA0003491013660000117
为不考虑负荷预测偏差的储能***充电功率，
Figure BDA0003491013660000118
为各时段储能***充电功率承担的负荷预测偏差功率；
Figure BDA0003491013660000119
为考虑负荷预测偏差下各节点不同时段的储能***放电功率，
Figure BDA00034910136600001110
为不考虑负荷预测偏差的储能***放电功率，
Figure BDA00034910136600001111
为各时段储能***放电功率承担的负荷预测偏差功率；
为保证为负荷侧不确定因素预留的额外功率恰好能够平衡负荷预测偏差，所有有功源的承担系数加和需为1。根据式(3)，所述全部负荷预测偏差承担系数的加和为1的表达式为：
Figure BDA00034910136600001112
在一种可能的实施方式中，所述步骤4设置储能***出力的概率约束如下：
Figure BDA00034910136600001113
Figure BDA00034910136600001114
Figure BDA00034910136600001115
Figure BDA00034910136600001116
式中，式(5)、(6)约束储能***充放功率在一定置信区间内不越限，1-εch、1-εdis分别为储能***充放电功率步越限的置信系数，其取值可由区域电网自治程度进行选择；
SOCi,t为各节点储能***各时段的荷电状态，SOCi,t-1为各节点储能***上一时段的荷电状态，ηi为储能***充放电转化效率，pessmax为储能***最大充放功率，
Figure BDA0003491013660000121
为满足约束的概率分布，
Figure BDA0003491013660000122
为满足约束的概率分布期望。
在一种可能的实施方式中，所述步骤5设置的储能***运行优化的目标函数为：
Figure BDA0003491013660000123
式中，p0,t为上级电网各时段t的注入功率，t∈T为时段的集合，T为日内总时段数。
更进一步的，所述步骤6整合所述储能***出力的概率约束以及储能***运行优化的目标函数得到概率约束下的储能***的运行优化控制模型，为式(4)～(9)。
在一种可能的实施方式中，所述步骤7对式(4)～(9)进行等效转化，具体如下：
所述储能***运行优化的目标函数按照如下方式进行等效转化：
Figure BDA0003491013660000124
则式(9)储能***运行优化的目标函数等效转化后的表达式为：
Figure BDA0003491013660000125
对所述储能***出力的概率约束当中的式(5)、(6)利用负荷预测偏差概率分布的反函数进行等效转化，得到等效转化后的表达式如下：
Figure BDA0003491013660000126
Figure BDA0003491013660000127
Figure BDA0003491013660000128
Figure BDA0003491013660000129
式中，Φ-1(1-εch)、Φ-1(1-εdis)分别为储能***充放功率在相应置信区间的概率分布的反函数，
Figure BDA0003491013660000131
为负荷预测偏差的标准差；
同理，对式(7)进行等效转化之后得到：
Figure BDA0003491013660000132
更进一步的，所述步骤7基于概率理论对概率约束下的储能***的运行优化控制模型进行等效转化，并进行求解，得到储能***出力计划。得到目标函数为式(11)，约束条件为(4)、(8)，(12)～(16)的运行优化控制模型，该模型为线性模型，可直接通过求解器进行求解。
本发明提出一种考虑负荷不确定因素的储能***运行优化策略，能够计及负荷的预测偏差对电力供需平衡的影响，并以储能作为灵活性调节资源对负荷进行就地平衡，增加区域电网运行的自治性，减少负荷侧不确定因素对主网带来的冲击，增加***运行裕度。
实施例2
请参阅图2，本实施例给出了一种储能***运行优化***，包括不确定因素输入模块1、功率输出约束条件获取模块2、***出力设置模块3、***出力概率约束设置模块4、目标函数设置模块5、运行优化控制模型建立模块6以及模型求解模块7，各个模块的主要功能及用途体现在以下方面：
不确定因素输入模块1，用于根据历史负荷预测与实际数据获取总负荷预测偏差的概率分布，作为储能***负荷侧的不确定因素输入；
功率输出约束条件获取模块2，用于获取配网侧多点分布储能***允许的最大荷电状态
Figure BDA0003491013660000133
与最小荷电状态
Figure BDA0003491013660000134
以及充放功率约束
Figure BDA0003491013660000135
作为储能***功率输出的约束条件；
***出力设置模块3，用于设置储能***出力为不考虑负荷不确定因素的决策出力与承担负荷预测偏差的决策出力两部分，针对多点分布的储能***，设置各储能***的负荷预测偏差承担系数，全部负荷预测偏差承担系数的加和为1；
***出力概率约束设置模块4，用于根据储能***负荷侧的不确定因素输入、储能***功率输出的约束条件、储能***出力及多点分布的储能***全部负荷预测偏差承担系数设置储能***出力的概率约束；
目标函数设置模块5，用于设置储能***运行优化的目标函数为最小化主网注入功率的峰值；
运行优化控制模型建立模块6，用于整合所述储能***出力的概率约束以及储能***运行优化的目标函数得到概率约束下的储能***的运行优化控制模型；
模型求解模块7，用于对所述概率约束下的储能***的运行优化控制模型进行等效转化，并进行求解，得到储能***出力计划。
更进一步的，不确定因素输入模块1得到各节点i在各时段t的负荷预测偏差概率分布的期望μi,t与方差
Figure BDA0003491013660000141
基于数据驱动的方式得到负荷预测偏差的概率期望
Figure BDA0003491013660000142
与负荷预测偏差的概率方差Var[ωi,t]，且
Figure BDA0003491013660000143
总负荷预测偏差
Figure BDA0003491013660000144
总负荷预测偏差的期望为：
Figure BDA0003491013660000145
总负荷预测偏差的方差为：
Figure BDA0003491013660000146
得到总负荷预测偏差的概率分布Ω作为储能***负荷侧的不确定因素输入。
更进一步的，功率输出约束条件获取模块2若节点i不连接任何储能***则设定最大荷电状态
Figure BDA0003491013660000147
为0，充放功率约束
Figure BDA0003491013660000148
为0。
更进一步的，***出力设置模块3设置每个有功源实际出力为：
Figure BDA0003491013660000151
式中，p0,t为上级电网各时段t的注入功率，
Figure BDA0003491013660000152
为各时段不考虑负荷预测偏差时上级电网注入功率，α0,tΩt为各时段上级电网承担的平衡负荷预测偏差功率；
Figure BDA0003491013660000153
为考虑负荷预测偏差下各节点不同时段的储能***充电功率，
Figure BDA0003491013660000154
为不考虑负荷预测偏差的储能***充电功率，
Figure BDA0003491013660000155
为各时段储能***充电功率承担的负荷预测偏差功率；
Figure BDA0003491013660000156
为考虑负荷预测偏差下各节点不同时段的储能***放电功率，
Figure BDA0003491013660000157
为不考虑负荷预测偏差的储能***放电功率，
Figure BDA0003491013660000158
为各时段储能***放电功率承担的负荷预测偏差功率；
全部负荷预测偏差承担系数的加和为1的表达式为：
Figure BDA0003491013660000159
更进一步的，***出力概率约束设置模块4设置的储能***出力的概率约束为：
Figure BDA00034910136600001510
Figure BDA00034910136600001511
Figure BDA00034910136600001512
Figure BDA00034910136600001513
式中，1-εch、1-εdis分别为储能***充放电功率步越限的置信系数；
SOCi,t为各节点储能***各时段的荷电状态，SOCi,t-1为各节点储能***上一时段的荷电状态，ηi为储能***充放电转化效率，pessmax为储能***最大充放功率，
Figure BDA00034910136600001514
为满足约束的概率分布，
Figure BDA00034910136600001515
为满足约束的概率分布期望。
更进一步的，目标函数设置模块5设置储能***运行优化的目标函数为：
Figure BDA00034910136600001516
式中，p0,t为各时段上级电网注入功率，t∈T为时段的集合，T为一日内全部时段。
更进一步的，模型求解模块7对储能***运行优化的目标函数按如下方式进行等效转化：
Figure BDA0003491013660000161
则储能***运行优化的目标函数等效转化后的表达式为：
Figure BDA0003491013660000162
另一方面，模型求解模块7对储能***出力的概率约束当中的表达式
Figure BDA0003491013660000163
以及
Figure BDA0003491013660000164
利用负荷预测偏差概率分布的反函数进行等效转化，得到等效转化后的表达式如下：
Figure BDA0003491013660000165
Figure BDA0003491013660000166
Figure BDA0003491013660000167
Figure BDA0003491013660000168
式中，Φ-1(1-εch)、Φ-1(1-εdis)分别为储能***充放功率在相应置信区间的概率分布的反函数，
Figure BDA0003491013660000169
为负荷预测偏差的标准差；
同理，对表达式
Figure BDA00034910136600001610
进行等效转化之后得到：
Figure BDA00034910136600001611
本发明提出了计及负荷预测偏差的储能***优化运行模型构建以及等效模型转化方法，避免将不确定性因素引入主网，可应用于计及负荷预测偏差的储能***出力计划编制。
实施例3
本发明的另一实施例还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例1所述的储能***运行优化方法。所述计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。为了便于说明，以上内容仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质是非暂时性的，可以存储在各种电子设备形成的存储装置当中，能够实现本发明实施例方法记载的执行过程。
实施例4
本发明的另一实施例还提出一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例1所述的储能***运行优化方法。同样，为了便于说明，以上内容仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备(***)和计算机程序产品的流程图和/或方框图来描述的。应理解为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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (18)

1.一种储能***运行优化方法，其特征在于，包括以下步骤：
根据历史负荷预测与实际数据获取总负荷预测偏差的概率分布，作为储能***负荷侧的不确定因素输入；
获取配网侧多点分布储能***允许的最大荷电状态
Figure FDA0003491013650000011
与最小荷电状态
Figure FDA0003491013650000012
以及充放功率约束
Figure FDA0003491013650000013
作为储能***功率输出的约束条件；
设置储能***出力为不考虑负荷不确定因素的决策出力与承担负荷预测偏差的决策出力两部分，针对多点分布的储能***，设置各储能***的负荷预测偏差承担系数，全部负荷预测偏差承担系数的加和为1；
根据储能***负荷侧的不确定因素输入、储能***功率输出的约束条件、储能***出力及多点分布的储能***全部负荷预测偏差承担系数设置储能***出力的概率约束；
设置储能***运行优化的目标函数为最小化主网注入功率的峰值；
整合所述储能***出力的概率约束以及储能***运行优化的目标函数得到概率约束下的储能***的运行优化控制模型；
对所述概率约束下的储能***的运行优化控制模型进行等效转化，并进行求解，得到储能***出力计划。
2.根据权利要求1所述的一种储能***运行优化方法，其特征在于，在所述根据历史负荷预测与实际数据获取总负荷预测偏差的概率分布，作为储能***负荷侧的不确定因素输入的步骤中，得到各节点i在各时段t的负荷预测偏差概率分布的期望μi,t与方差
Figure FDA0003491013650000014
基于数据驱动的方式得到负荷预测偏差的概率期望
Figure FDA0003491013650000015
与负荷预测偏差的方差Var[ωi,t]，且
Figure FDA0003491013650000016
总负荷预测偏差
Figure FDA0003491013650000017
总负荷预测偏差的期望为：
Figure FDA0003491013650000021
总负荷预测偏差的方差为：
Figure FDA0003491013650000022
得到总负荷预测偏差的概率分布Ω作为储能***负荷侧的不确定因素输入。
3.根据权利要求2所述的一种储能***运行优化方法，其特征在于，在所述获取配网侧多点分布储能***允许的最大荷电状态
Figure FDA0003491013650000023
与最小荷电状态
Figure FDA0003491013650000024
以及充放功率约束
Figure FDA0003491013650000025
作为储能***功率输出的约束条件的步骤中，若节点i不连接任何储能***则设定最大荷电状态
Figure FDA0003491013650000026
为0，充放功率约束
Figure FDA0003491013650000027
为0。
4.根据权利要求3所述的一种储能***运行优化方法，其特征在于，在所述设置储能***出力为不考虑负荷不确定因素的决策出力与承担负荷预测偏差的决策出力两部分，针对多点分布的储能***，设置各储能***的负荷预测偏差承担系数，全部负荷预测偏差承担系数的加和为1的步骤中，设置每个有功源实际出力为：
Figure FDA0003491013650000028
式中，p0,t为上级电网各时段t的注入功率，
Figure FDA0003491013650000029
为各时段不考虑负荷预测偏差时上级电网注入功率，α0,tΩt为各时段上级电网承担的平衡负荷预测偏差功率；
Figure FDA00034910136500000210
为考虑负荷预测偏差下各节点不同时段的储能***充电功率，
Figure FDA00034910136500000211
为不考虑负荷预测偏差的储能***充电功率，
Figure FDA00034910136500000212
为各时段储能***充电功率承担的负荷预测偏差功率；
Figure FDA00034910136500000213
为考虑负荷预测偏差下各节点不同时段的储能***放电功率，
Figure FDA00034910136500000214
为不考虑负荷预测偏差的储能***放电功率，
Figure FDA00034910136500000215
为各时段储能***放电功率承担的负荷预测偏差功率；
所述全部负荷预测偏差承担系数的加和为1的表达式为：
Figure FDA00034910136500000216
5.根据权利要求4所述的一种储能***运行优化方法，其特征在于，所述储能***出力的概率约束为：
Figure FDA0003491013650000031
Figure FDA0003491013650000032
Figure FDA0003491013650000033
Figure FDA0003491013650000034
式中，1-εch、1-εdis分别为储能***充放电功率步越限的置信系数；
SOCi,t为各节点储能***各时段的荷电状态，SOCi,t-1为各节点储能***上一时段的荷电状态，ηi为储能***充放电转化效率，pessmax为储能***最大充放功率，
Figure FDA0003491013650000035
为满足约束的概率分布，
Figure FDA0003491013650000036
为满足约束的概率分布期望。
6.根据权利要求5所述的一种储能***运行优化方法，其特征在于，所述储能***运行优化的目标函数为：
Figure FDA0003491013650000037
式中，p0,t为上级电网各时段t的注入功率，t∈T为时段的集合，T为日内总时段数。
7.根据权利要求6所述的一种储能***运行优化方法，其特征在于，所述储能***运行优化的目标函数按照如下方式进行等效转化：
Figure FDA0003491013650000038
则储能***运行优化的目标函数等效转化后的表达式为：
Figure FDA0003491013650000039
8.根据权利要求5所述的一种储能***运行优化方法，其特征在于，所述储能***出力的概率约束当中对表达式
Figure FDA00034910136500000310
以及
Figure FDA00034910136500000311
利用负荷预测偏差概率分布的反函数进行等效转化，得到等效转化后的表达式如下：
Figure FDA0003491013650000041
Figure FDA0003491013650000042
Figure FDA0003491013650000043
Figure FDA0003491013650000044
式中，Φ-1(1-εch)、Φ-1(1-εdis)分别为储能***充放功率在相应置信区间的概率分布的反函数，
Figure FDA0003491013650000045
为负荷预测偏差的标准差；
对表达式
Figure FDA0003491013650000046
进行等效转化之后得到：
Figure FDA0003491013650000047
9.一种储能***运行优化***，其特征在于，包括：
不确定因素输入模块，用于根据历史负荷预测与实际数据获取总负荷预测偏差的概率分布，作为储能***负荷侧的不确定因素输入；
功率输出约束条件获取模块，用于获取配网侧多点分布储能***允许的最大荷电状态
Figure FDA0003491013650000048
与最小荷电状态
Figure FDA0003491013650000049
以及充放功率约束
Figure FDA00034910136500000410
作为储能***功率输出的约束条件；
***出力设置模块，用于设置储能***出力为不考虑负荷不确定因素的决策出力与承担负荷预测偏差的决策出力两部分，针对多点分布的储能***，设置各储能***的负荷预测偏差承担系数，全部负荷预测偏差承担系数的加和为1；
***出力概率约束设置模块，用于根据储能***负荷侧的不确定因素输入、储能***功率输出的约束条件、储能***出力及多点分布的储能***全部负荷预测偏差承担系数设置储能***出力的概率约束；
目标函数设置模块，用于设置储能***运行优化的目标函数为最小化主网注入功率的峰值；
运行优化控制模型建立模块，用于整合所述储能***出力的概率约束以及储能***运行优化的目标函数得到概率约束下的储能***的运行优化控制模型；
模型求解模块，用于对所述概率约束下的储能***的运行优化控制模型进行等效转化，并进行求解，得到储能***出力计划。
10.根据权利要求9所述的一种储能***运行优化***，其特征在于：所述不确定因素输入模块得到各节点i在各时段t的负荷预测偏差概率分布的期望μi,t与方差
Figure FDA0003491013650000051
基于数据驱动的方式得到负荷预测偏差的概率期望
Figure FDA0003491013650000052
与负荷预测偏差的概率方差Var[ωi,t]，且
Figure FDA0003491013650000053
总负荷预测偏差
Figure FDA0003491013650000054
总负荷预测偏差的期望为：
Figure FDA0003491013650000055
总负荷预测偏差的方差为：
Figure FDA0003491013650000056
得到总负荷预测偏差的概率分布Ω作为储能***负荷侧的不确定因素输入。
11.根据权利要求10所述的一种储能***运行优化***，其特征在于：所述功率输出约束条件获取模块若节点i不连接任何储能***则设定最大荷电状态
Figure FDA0003491013650000057
为0，充放功率约束
Figure FDA0003491013650000058
为0。
12.根据权利要求11所述的一种储能***运行优化***，其特征在于：所述***出力设置模块设置每个有功源实际出力为：
Figure FDA0003491013650000059
式中，p0,t为上级电网各时段t的注入功率，
Figure FDA00034910136500000510
为各时段不考虑负荷预测偏差时上级电网注入功率，α0,tΩt为各时段上级电网承担的平衡负荷预测偏差功率；
Figure FDA00034910136500000511
为考虑负荷预测偏差下各节点不同时段的储能***充电功率，
Figure FDA0003491013650000061
为不考虑负荷预测偏差的储能***充电功率，
Figure FDA0003491013650000062
为各时段储能***充电功率承担的负荷预测偏差功率；
Figure FDA0003491013650000063
为考虑负荷预测偏差下各节点不同时段的储能***放电功率，
Figure FDA0003491013650000064
为不考虑负荷预测偏差的储能***放电功率，
Figure FDA0003491013650000065
为各时段储能***放电功率承担的负荷预测偏差功率；
所述全部负荷预测偏差承担系数的加和为1的表达式为：
Figure FDA0003491013650000066
13.根据权利要求12所述的一种储能***运行优化***，其特征在于，所述***出力概率约束设置模块设置的储能***出力的概率约束为：
Figure FDA0003491013650000067
Figure FDA0003491013650000068
Figure FDA0003491013650000069
Figure FDA00034910136500000610
式中，1-εch、1-εdis分别为储能***充放电功率步越限的置信系数；
SOCi,t为各节点储能***各时段的荷电状态，SOCi,t-1为各节点储能***上一时段的荷电状态，ηi为储能***充放电转化效率，pessmax为储能***最大充放功率，
Figure FDA00034910136500000611
为满足约束的概率分布，
Figure FDA00034910136500000612
为满足约束的概率分布期望。
14.根据权利要求13所述的一种储能***运行优化***，其特征在于，所述目标函数设置模块设置储能***运行优化的目标函数为：
Figure FDA00034910136500000613
式中，p0,t为各时段上级电网注入功率，t∈T为时段的集合，T为一日内全部时段。
15.根据权利要求14所述的一种储能***运行优化***，其特征在于，所述模型求解模块对储能***运行优化的目标函数按照如下方式进行等效转化：
Figure FDA0003491013650000071
则储能***运行优化的目标函数等效转化后的表达式为：
Figure FDA0003491013650000072
16.根据权利要求13所述的一种储能***运行优化***，其特征在于，所述模型求解模块对储能***出力的概率约束当中的表达式
Figure FDA0003491013650000073
以及
Figure FDA0003491013650000074
利用负荷预测偏差概率分布的反函数进行等效转化，得到等效转化后的表达式如下：
Figure FDA0003491013650000075
Figure FDA0003491013650000076
Figure FDA0003491013650000077
Figure FDA0003491013650000078
式中，Φ-1(1-εch)、Φ-1(1-εdis)分别为储能***充放功率在相应置信区间的概率分布的反函数，
Figure FDA0003491013650000079
为负荷预测偏差的标准差；
对表达式
Figure FDA00034910136500000710
进行等效转化之后得到：
Figure FDA00034910136500000711
17.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的一种储能***运行优化方法。
18.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的一种储能***运行优化方法。
CN202210096555.5A 2022-01-26 2022-01-26 储能***运行优化方法、***、服务器及存储介质 Pending CN114418232A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210096555.5A CN114418232A (zh) 2022-01-26 2022-01-26 储能***运行优化方法、***、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210096555.5A CN114418232A (zh) 2022-01-26 2022-01-26 储能***运行优化方法、***、服务器及存储介质

Publications (1)

Publication Number Publication Date
CN114418232A true CN114418232A (zh) 2022-04-29

Family

ID=81276346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210096555.5A Pending CN114418232A (zh) 2022-01-26 2022-01-26 储能***运行优化方法、***、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN114418232A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115207950A (zh) * 2022-07-27 2022-10-18 中国华能集团清洁能源技术研究院有限公司 一种基于随机扰动的储能***控制方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115207950A (zh) * 2022-07-27 2022-10-18 中国华能集团清洁能源技术研究院有限公司 一种基于随机扰动的储能***控制方法及装置
CN115207950B (zh) * 2022-07-27 2024-02-06 中国华能集团清洁能源技术研究院有限公司 一种基于随机扰动的储能***控制方法及装置

Similar Documents

Publication Publication Date Title
Khodabakhsh et al. Optimal control of energy storage in a microgrid by minimizing conditional value-at-risk
Wu et al. A multi-agent-based energy-coordination control system for grid-connected large-scale wind–photovoltaic energy storage power-generation units
CN110929964A (zh) 一种基于近似动态规划算法的含储能配电网优化调度方法
Alfaverh et al. Optimal vehicle-to-grid control for supplementary frequency regulation using deep reinforcement learning
Zhang et al. Efficient design of energy microgrid management system: a promoted Remora optimization algorithm-based approach
Harasis et al. Reliable islanded microgrid operation using dynamic optimal power management
CN113852135B (zh) 一种虚拟电厂能源调度方法、装置、存储介质及平台
KR20210100699A (ko) 하이브리드 발전소
CN111682529A (zh) 一种基于节点电价信息的移动储能车灵活调度方法
CN115940213A (zh) 考虑碳排放的配电网源网荷储协同优化规划方法及装置
CN115345380A (zh) 一种基于人工智能的新能源消纳电力调度方法
Zhu et al. Energy optimal dispatch of the data center microgrid based on stochastic model predictive control
Zhang et al. Grouping consistency control strategy based on DMPC and energy storage unit constraints
CN114418232A (zh) 储能***运行优化方法、***、服务器及存储介质
Huang et al. Distributed real-time economic dispatch for islanded microgrids with dynamic power demand
CN117039881A (zh) 一种计及用户参与不确定性的虚拟电厂聚合方法及***
CN115360768A (zh) 基于muzero和深度强化学习的电力调度方法、装置及存储介质
CN116454944A (zh) 一种基于随机生产模拟的储能装置优化配置方法及***
CN115936313A (zh) 一种基于碳责任因子的新能源电力***源荷碳税分摊方法
Yu et al. A fuzzy Q-learning algorithm for storage optimization in islanding microgrid
US11128166B2 (en) Predictive operational planning in a microgrid taking into account high-load time windows of a main electricity grid
Chen et al. Leaky bucket-inspired power output smoothing with load-adaptive algorithm
Liu et al. Optimal Aggregation Method of a Virtual Power Plant Based on a Nash-Stackelberg Game
CN116073377B (zh) 基于双向调节的主配网交互协同方法及***
Liu et al. Stochastic energy management for microgrids with constraints under uncertainty

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