CN115619441B - 一种储能电站参与日前电力交易的申报方法、介质和设备 - Google Patents
一种储能电站参与日前电力交易的申报方法、介质和设备 Download PDFInfo
- Publication number
- CN115619441B CN115619441B CN202211638271.0A CN202211638271A CN115619441B CN 115619441 B CN115619441 B CN 115619441B CN 202211638271 A CN202211638271 A CN 202211638271A CN 115619441 B CN115619441 B CN 115619441B
- Authority
- CN
- China
- Prior art keywords
- charge
- discharge
- time
- soc
- charging
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000007599 discharging Methods 0.000 claims abstract description 119
- 238000005457 optimization Methods 0.000 claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000005611 electricity Effects 0.000 claims description 76
- 239000002245 particle Substances 0.000 claims description 37
- 238000013507 mapping Methods 0.000 claims description 24
- 230000011218 segmentation Effects 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims description 13
- 230000001149 cognitive effect Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 63
- 230000002354 daily effect Effects 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种储能电站参与日前电力交易的申报方法、介质和设备,包括以下步骤:获取参与电力交易市场的全生命周期限制参数;根据获取的全生命周期限制参数,建立参与日前电力交易市场的寻优收益模型;以最大收益作为目标函数,采用智能优化算法对寻优收益模型进行寻优求解,获得日前各时刻对应的充放电状态和充放电量;根据获得的日前各时刻对应的充放电状态和充放电量,确定日前各时刻对应的充放电功率的申报策略。本发明可在提高了参与交易的储能电站的经济型收益的同时可实现充放电功率的优化配置,更为有效地协助电网调频调峰,缓解了电网波动;并且采用智能优化算法进行求解,能够快速确定充放电功率的申报策略。
Description
技术领域
本发明涉及储能电力技术领域,尤其涉及一种储能电站参与日前电力交易的申报方法、介质和设备。
背景技术
目前,国内储能电站参与日前现货交易,以某省为例每日12点之前需要申报明天一整天的计划功率96个点(每15分钟一个点),但行业里面还采用较为原始的一个团队盯盘的方式,确定申报计划中参与日前现货市场的96点的过程中人为的因素影响较大,同时成本较高,收益型也可能得不到保证。
其中,公开号为CN106773715A的中国专利提出了基于电力现货价格预测与跟踪的储能运行控制方法及***,其主要用于指导储能单元参与日内市场的电能量交易及实时市场的电力辅助服务,根据电价预测结果,指导储能设备选择合适的时间节点进行充放电操作,始终对当前时刻进行判断,输出1小时后储能设备动作以及与之配套的电量交易计划调整。但这个专利参与日内市场,仅仅输出未来1小时的曲线,不能解决参与日前电力交易市场的申报问题。
发明内容
为解决背景技术中存在的技术问题,本发明提出一种储能电站参与日前电力交易的申报方法、介质和设备。
本发明提出的一种储能电站参与日前电力交易的申报方法,包括以下步骤:
S1、获取参与电力交易市场的全生命周期限制参数;
S2、根据获取的全生命周期限制参数,建立参与日前电力交易市场的寻优收益模型;
S3、以最大收益作为目标函数,采用智能优化算法对寻优收益模型进行寻优求解,获得日前各时刻对应的充放电状态和充放电量;
S4、根据获得的日前各时刻对应的充放电状态和充放电量,确定日前各时刻对应的充放电功率的申报策略。
进一步地,在 S1中,全生命周期限制参数包括:储能容量、储能额定功率、储能soc上限值、储能soc下限值,以及当前的储能soc值、日前预测电价、每天的充放电次数限制和每度电的最低充放电价差。
进一步地,S3中获得的日前各时刻的充放电状态的函数表达式如下式所示:
Xi=f(min_cost, countLimit, soc,soc_up, soc_down, capacity, pricei, RP)
式中,i表示处于第i时刻,Xi表示第i时刻的充放电状态; Xi=1表示处于放电状态;Xi=-1表示处于充电状态;Xi=0表示处于不充不放状态; countLimit表示每天的充放电次数限制,min_cost表示每度电的最低充放电价差,capacity表示储能容量,RP表示储能额定功率,soc_down表示储能soc下限值,soc_up 表示储能soc上限值,soc表示荷电状态,pricei表示第i时刻的日前预测电价。
进一步地,S2中建立参与日前电力交易市场的寻优收益模型的方法具体包括:
S21、判断当前时刻的充放电状态,并根据当前时刻的充放电状态和全生命周期限制参数,计算当前时刻的收益和当前时刻的充放电量;
S22、根据储能容量、储能额定功率和充放电次数限制,确定当前时刻的收益;
S23、将S21-S22 迭代执行N次,获得日前各时刻的充放电状态、充放电量和收益;其中,N=24/T,T为出清电价计算单位时间;
S24、根据获得的日前各时刻的充放电状态、充放电量和日前预测电价,更新每个时刻对应的充放电状态和充放电量;
S25、根据更新后的每个时刻对应的充放电状态和充放电量以及日前预测电价,计算总收益。
进一步地,在S21中,判断当前时刻的充放电状态,并根据当前时刻的充放电状态和全生命周期限制参数,计算当前时刻的收益和当前时刻的充放电量,具体包括:
假设当前时刻处于充电状态时
若soc[i]≥soc_up,则profit[i]=profit[i-1]-PenaltyProfit;
式中,soc[i]表示第i时刻的soc,soc_up 表示储能soc上限值,profit[i]表示到第i时刻的总收益,profit[i-1]表示到第i-1时刻的总收益,PenaltyProfit表示惩罚收益;
若soc[i]<soc_up,则charge[i]=charge[i-1]+1,
soc[i]’=soc[i]-Xi×RP/capcity;
式中,charge[i]表示到第i时刻的总充电次数,charge[i-1]表示到第i-1时刻的总充电次数,soc[i]’表示第i时刻的预测soc,Xi表示第i时刻的充放电状态,capacity表示储能容量,RP表示储能额定功率;
当soc[i]’≤soc_up时,则profit[i]=profit[i-1]+Xi×RP×T×pricei;
令soc[i]=soc[i]’,计算ChareCapacity[i]=RP×T;
式中,ChareCapacity[i]表示第i时刻的充电电量,T表示出清电价计算单位时间,pricei表示第i时刻的日前预测电价;
当soc[i]’>soc_up时,
则profit[i]=profit[i-1]+Xi×(soc_up-soc[i])×capacity×pricei,soc[i]=soc_up;
假设当前时刻为放电状态
若soc[i]≤soc_down,则profit[i]=profit[i-1]-PenaltyProfit;
若soc[i]>soc_down,则discharge[i]=discharge[i-1]+1,
并计算soc[i]’=soc[i]-Xi×RP/capacity;
式中,discharge[i]表示到第i时刻的总放电次数,discharge[i-1]表示到第i-1时刻的总放电次数,soc_down表示储能soc下限值;
当soc[i]’ ≥soc_down时,
则profit[i]=profit[i-1]+Xi×RP×T×(pricei-ABH),令soc[i]=soc[i]’,计算DischareCapacity[i]=RP×T;
式中,DischareCapacity[i]表示第i时刻的放电电量;
当soc[i]’<soc_down时,
则profit[i]=profit[i-1]+Xi×soc_down×capacity×(pricei-ABH);
令soc[i]=soc_down,则 DischareCapacity[i]=soc_down×capacity;
式中,ABH为防寻优异常值;
假设当前时刻处于不放不充电状态,则profit[i]=profit[i-1],discharge[i]=discharge[i-1],charge[i]=charge[i-1],ChareCapacity[i]=0;DischareCapacity[i]=0。
进一步地,在S22中、根据储能容量、储能额定功率和充放电次数限制,更新当前时刻的收益,具体包括:
当MIN(charge[i],discharge[i])>countLimit×(capacity/RP)时,则profit[i]’=profit[i]-PenaltyProfit;式中,charge[i]表示到第i时刻的总充电次数,discharge[i]表示到第i时刻的总放电次数,profit[i]’表示更新后的到第i时刻的总收益,profit[i]表示到第i时刻的总收益,countLimit表示每天的充放电次数限制,PenaltyProfit表示惩罚收益,capacity表示储能容量,RP表示储能额定功率。
进一步地,在S24中,根据获得的日前各时刻的充放电状态、充放电量和日前预测电价,更新每个时刻对应的充放电状态和充放电量,具体包括:
S241、将各个时刻中的充电时刻作为时间切分点进行切分处理,查找每相邻的两个充电时刻之间是否存在m个放电时刻;其中,m为大于或等于2的整数,充电时刻表示处于充电状态的时刻,放电时刻表示处于放电状态的时刻;
当存在m个放电时刻时,将该m个放电时刻记为Tm,并将Tm对应的m个放电量按照从大到小的顺序排序,得到放电量序列;
获取相邻的两个充电时刻之间各个放电时刻的日前预测电价,并根据获取的相邻的两个充电时刻之间各个放电时刻的日前预测电价,将最大的m个日前预测电价对应的m个放电时刻记为Tm’;
将Tm’对应的充放电状态更新为放电状态,并将该相邻的两个充电时刻之间的其他放电时刻对应的充放电状态更新为不充不放状态;将Tm’按照其对应的日前预测电价从大到小的顺序排序,得到第一时刻序列;
建立放电量序列和第一时刻序列之间的映射关系;
根据放电量序列和第一时刻序列之间的映射关系,更新第一时刻序列中各个放电时刻对应的充放电状态和放电量;
当不存在m个放电时刻时,该相邻的两个充电时刻之间的放电时刻对应的充放电状态和充放电量均不更新;
S242、将各时刻中的放电时刻作为切分点进行切分处理,查找每相邻的两个放电时刻之间否存在n个的充电时刻,n为大于或等于2的整数;
其中,当存在n个的充电时刻,将该n个的充电时刻记为Tn,并将Tn对应的n 个充电量按照从大到小的顺序排序,得到充电量序列;
获取相邻的两个放电时刻之间各个充电时刻的日前预测电价;根据获取的相邻的两个放电时刻之间各个充电时刻的日前预测电价,将最小的n个日前预测电价对应的n个时刻记为Tn’;
将Tn’对应的充放电状态更新为充电状态,并将该相邻的两放电时刻之间的其他充电时刻的充放电状态更新为不充不放状态;将Tn’按照其对应的日前预测电价从小到大的顺序排序,得到第二时刻序列;
建立充电量序列和第二时刻序列之间的映射关系;
根据充电量序列和第二时刻序列之间的映射关系,更新第二时刻序列中各个充电时刻对应的充电量;
当不存在n个充电时刻时,该相邻的两个放电时刻之间的充电时刻对应的充放电状态和充放电量均不更新。
进一步地,S241中建立放电量序列和第一时刻序列之间的映射关系,具体包括:
将放电量序列中的放电量映射到第一时刻序列中的排序位置相同的放电时刻上。
进一步地,S242中建立充电量序列和第二时刻序列之间的映射关系,具体包括:
将充电量序列中的充电量映射到第二时刻序列中的排序位置相同的充电时刻上。
进一步地,在S25中,根据更新后的每个时刻对应的充放电状态和充放电量以及日前预测电价,计算总收益,具体包括:
S251、根据更新后的每个时刻对应的充放电状态、充放电量和电价计算寻优收益和;
其中,寻优收益和的计算式如下
Benifit=BenifitC[imax]+BenifitDC[imax];
式中,Benifit为寻优收益和,imax表示i的最大值,BenifitC[imax]表示到第imax时刻的充电总收益,BenifitDC[imax]表示到第imax时刻的放电总收益;
其中,BenifitC[i]=BenifitC[i-1]-ChareCapacity[i]×pricei;
式中,BenifitC[i]表示到第i时刻的充电总收益,BenifitC[i-1] 表示到第i-1时刻的充电总收益,ChareCapacity[i]表示第i时刻的充电电量,pricei表示第i时刻的日前预测电价;
其中,BenifitDC[i]=BenifitDC[i-1]+DischareCapacity[i]×(pricei-ABH);
式中,BenifitDC[i]表示到第i时刻的放电总收益,BenifitC[i-1] 表示到第i时刻的放电总收益,DischareCapacity[i]表示第i时刻的放电电量,ABH为防寻优异常值;
S252、根据更新后的每个时刻对应的充放电状态和充放电量计算真实理论收益和每度电的实际最低充放电价差,并根据每度电的最低充放电价差和实际最低充放电价差,更新寻优收益和;
其中,真实理论收益的计算式如下
RCBenifit=BenifitC[imax]+Benifit2[imax];
式中,RCBenifit表示真实理论收益,BenifitC[imax]表示到第imax时刻的充电总收益,Benifit2[imax]表示到第imax时刻的理论放电总收益;
Benifit2[i]=Benifit2[i-1]+DischareCapacity[i]×pricei;
式中,Benifit2[i]表示到第i时刻的理论放电总收益;Benifit2[i]表示到第i-1时刻的理论放电总收益,DischareCapacity[i]表示第i时刻的放电电量,pricei表示第i时刻的日前预测电价;
每度电的实际最低充放电价差的计算式如下
real_min_cost=RCBenifit/(DischareCapacity);
式中,real_min_cost 表示每度电的实际最低充放电价差,RCBenifit表示真实理论收益,DischareCapacity表示总放电量;
其中,DischareCapacity=∑DischareCapacity[i];式中,DischareCapacity[i]表示第i时刻的放电电量;
其中,当real_min_cost≤min_cost时,则Benifit’= Benifit -PenaltyProfit;式中,min_cost表示每度电的最低充放电价差,Benifit 表示寻优收益和,Benifit’表示更新后的寻优收益和。
进一步地,S4中,根据各时刻对应的充放电状态和充放电量,确定日前各时刻对应的充放电功率的申报策略,具体包括:
计算日前各时刻对应的充放电功率;
若当前时刻处于充电状态时,则Power[i]=Charecapacity[i]/ChargeE;
其中,Power[i]表示第i时刻的申报的功率,ChareCapacity[i]表示第i时刻的充电电量,ChargeE表示储能电站的充电效率;
若当前时刻处于放电状态时,则Power[i]=DischareCapacity[i]/DischargeE;
其中,Power[i]表示第i时刻的申报的功率,DischareCapacity[i]表示第i时刻的放电电量,DischargeE表示储能电站的放电效率。
进一步地,在S4中计算日前各时刻对应的充放电功率,还包括:
根据时间插值法对日前各时刻对应的充放电功率进行时间插值,得到时间插值估算值。
进一步地,S3中,采用智能优化算法对寻优收益模型进行寻优求解中,引入粒子群优化算法对寻优收益模型进行寻优求解,粒子群优化算法具体如下:
S31、初始化设置粒子群优化算法参数,包括:种群规模、粒子维度、加速因子、粒子的最大和最小飞行速度和最大迭代次数;
S32、在规定的搜索范围内对粒子的速度和位置进行随机初始化;
S33、依据惯性权重和加速因子改进的计算公式对粒子下一次迭代前的惯性权重和加速因子进行计算;
其中,惯性权重采用分段策略,惯性权重的改进公式如下式所示:
式中,ωd i表示第i时刻第d次迭代时的惯性权重,ωmin表示最小惯性权重,ωmax表示最大惯性权重,d表示当前迭代次数;fd average表示第d次迭代时所有粒子的平均适应度;fd max=max{f(x1 d),f(x2 d),…,f(xn d)},即表示第d次迭代时所有粒子的最大适应度。
其中,加速因子采用动态学习因子,加速因子的改进公式如下式所示:
c1=c1 start+(c1 end-c1 start) ×(d/dmax);
式中,c1表示自身学习因子,c1 start表示自身学习因子所取的最小值,c1 end表示自身学习因子所取的最大值,dmax表示最大迭代次数;
c2=c2 start+(c2 end-c2 start) ×(d/dmax);
式中,c2表示社会认知学习因子,c2 start表示社会认知学习因子所取的最小值,c2 end表示社会认知学习因子所取的最大值;
S34、计算粒子的速度和位置;
S35、依据设定的适应度函数,求出每个粒子的适应度值fi,并依据fi求出个体极值Pbest和全局极值Gbest,并将其与个体极值Pbest进行比较,若结果优于个体极值,则Pbest=fi;
S36、将每个粒子的个体极值Pbest与种群中的全局极值Gbest进行比较,若结果优于全局极值,则Gbest=Pbest;
S37、判断是否满足终止条件或达到预设的最大迭代次数,若满足终止条件,则算法停止运算,进入Step38,若不满足终止条件,则返回Step33;
S38、输出全局最优值以及各时刻对应的充放电状态和充放电量。
本发明还提出了一种储能电站参与日前电力交易的申报***,包括:
获取模块,用于获取参与电力交易市场的全生命周期限制参数;
寻优模型建模模块,用于建立参与日前电力交易市场的寻优收益模型;
优化模块,用于以最大收益作为目标函数并采用智能优化算法对寻优收益模型进行寻优求解来获得日前各时刻对应的充放电状态和充放电量;
分析模块,用于根据获得的各时刻对应的充放电状态和充放电量确定日前各时刻对应的充放电功率的申报策略。
本发明还提出了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述中任一项所述的储能电站参与日前电力交易的申报方法。
本发明还提出了一种电子设备,包括:处理器和存储器,所述存储器用于存储一个或多个程序;当所述一个或多个程序被所述处理器执行时,实现如上述任一项所述的储能电站参与日前电力交易的申报方法。
本发明中,所提出的储能电站参与日前电力交易的申报方法、介质和设备,构建了基于参与电力交易市场的全生命周期限制参数并以最大收益作为目标函数构建的寻优收益模型,可在提高了参与交易的储能电站的经济型收益的同时可实现充放电功率的优化配置,更为有效地协助电网调频调峰,缓解了电网波动;并且采用智能优化算法进行求解,能够快速确定充放电功率的申报策略,且可适用于预测未来多日的充放电功率的申报策略。
附图说明
图1为本发明一实施例中储能电站参与日前电力交易的申报方法流程意图。
图2为本发明提出的一实施例中S2的流程意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明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发明。
参照图1和图2,本发明提出的一种储能电站参与日前电力交易的申报方法,包括以下步骤:
S1、获取参与电力交易市场的全生命周期限制参数;
S2、根据获取的全生命周期限制参数,建立参与日前电力交易市场的寻优收益模型;
S3、以最大收益作为目标函数,采用智能优化算法对寻优收益模型进行寻优求解,获得日前各时刻对应的充放电状态和充放电量;
S4、根据获得的日前各时刻对应的充放电状态和充放电量,确定日前各时刻对应的充放电功率的申报策略。
本发明中的寻优收益模型是基于参与电力交易市场的全生命周期限制参数并以最大收益作为目标函数构建的寻优收益模型,可在提高了参与交易的储能电站的经济型收益的同时可实现充放电功率的优化配置,更为有效地协助电网调频调峰,缓解了电网波动;并且采用智能优化算法进行求解,能够快速确定充放电功率的申报策略。
在本实施方式中,S1中的全生命周期限制参数包括:储能容量、储能额定功率、储能soc上限值、储能soc下限值、当前的储能soc值、日前预测电价、每天的充放电次数限制和每度电的最低充放电价差。
在本实施方式中,S3中获得的日前各时刻的充放电状态的函数表达式如下式所示:
Xi=f(min_cost, countLimit, soc,soc_up, soc_down, capacity, pricei, RP)
式中,i表示处于第i时刻,Xi表示第i时刻的充放电状态;Xi=1表示处于放电状态;Xi=-1表示处于充电状态;Xi =0表示处于不充不放状态; countLimit表示每天的充放电次数限制,min_cost表示每度电的最低充放电价差,capacity表示储能容量,RP表示储能额定功率,soc_down表示储能soc下限值,soc_up 表示储能soc上限值,soc表示荷电状态,pricei表示第i时刻的日前预测电价。
在本实施方式中,S2中建立参与日前电力交易市场的寻优收益模型的方法具体包括:
S21、判断当前时刻的充放电状态,并根据当前时刻的充放电状态和全生命周期限制参数,计算当前时刻的收益和当前时刻的充放电量;
S22、根据储能容量、储能额定功率和充放电次数限制,确定当前时刻的收益;
S23、将S21-S22 迭代执行N次,获得日前各时刻的充放电状态、充放电量和收益;其中,N=24/T,T为出清电价计算单位时间;
S24、根据获得的日前各时刻的充放电状态、充放电量和日前预测电价,更新每个时刻对应的充放电状态和充放电量;
S25、根据更新后的每个时刻对应的充放电状态和充放电量以及日前预测电价,计算总收益。
如此设置,寻优收益模型能够结合日前预测电价的波动,有利于后续求解在取得的收益最大的同时得到最优的充放电功率的申报策略。
需要理解的是,当出清电价计算单位时间T为1小时,N等于24,则i最大取值,即imax=24;当出清电价计算单位时间为0.5h,N等于48,则imax=48;
当出清电价计算单位时间为15min,N等于96,则imax=96。
在本实施方式中,在S21中,判断当前时刻的充放电状态,并根据当前时刻的充放电状态和全生命周期限制参数,计算当前时刻的收益和当前时刻的充放电量,具体包括:
假设当前时刻处于充电状态时
若soc[i]≥soc_up,则profit[i]=profit[i-1]-PenaltyProfit;
式中,soc[i]表示第i时刻的soc,soc_up 表示储能soc上限值,profit[i]表示到第i时刻的总收益,profit[i-1]表示到第i-1时刻的总收益,PenaltyProfit表示惩罚收益;
若soc[i]<soc_up,则charge[i]=charge[i-1]+1,
soc[i]’=soc[i]-Xi×RP/capcity;
式中,charge[i]表示到第i时刻的总充电次数,charge[i-1]表示到第i-1时刻的总充电次数,soc[i]’表示第i时刻的预测soc,Xi表示第i时刻的充放电状态,capacity表示储能容量,RP表示储能额定功率;
当soc[i]’≤soc_up时,则profit[i]=profit[i-1]+Xi×RP×T×pricei;更新soc[i]=soc[i]’,计算ChareCapacity[i]=RP×T;
式中,ChareCapacity[i]表示第i时刻的充电电量,T表示出清电价计算单位时间;
当soc[i]’>soc_up时,
则profit[i]=profit[i-1]+Xi×(soc_up-soc[i])×capacity×pricei,soc[i]=soc_up;
假设当前时刻为放电状态
若soc[i]≤soc_down,则profit[i]=profit[i-1]-PenaltyProfit;
若soc[i]>soc_down,则discharge[i]=discharge[i-1]+1;
并计算soc[i]’=soc[i]-Xi×RP/capacity;
式中,discharge[i]表示到第i时刻的总放电次数,discharge[i-1]表示到第i-1时刻的总放电次数, soc_down表示储能soc下限值;
当soc[i]’ ≥soc_down时,
则profit[i]=profit[i-1]+Xi×RP×T×(pricei-ABH),令soc[i]=soc[i]’,计算DischareCapacity[i]=RP×T;
式中,DischareCapacity[i]表示第i时刻的放电电量,ABH为防寻优异常值;
当soc[i]’<soc_down时,
则profit[i]=profit[i-1]+Xi×soc_down×capacity×(pricei-ABH);
令soc[i]=soc_down,则 DischareCapacity[i]=soc_down×capacity;
假设当前时刻处于不放不充电状态,则profit[i]=profit[i-1];charge[i]=charge[i-1];discharge[i]=discharge[i-1];ChareCapacity[i]=0;DischareCapacity[i]=0。
需要理解的是,ABH的设置是在防止电价相同时寻优出现充放的场景。
为了提升寻优速度,在本实施方式中,在S22中、根据储能容量、储能额定功率和充放电次数限制,更新当前时刻的收益,具体包括:
当MIN(charge[i],discharge[i])>countLimit×(capacity/RP)时,则profit[i]’=profit[i]-PenaltyProfit;
式中,charge[i]表示到第i时刻的总充电次数,discharge[i]表示到第i时刻的总放电次数,profit[i]’表示更新后的到第i时刻的总收益,profit[i]表示到第i时刻的总收益,countLimit表示每天的充放电次数限制,PenaltyProfit表示惩罚收益,capacity表示储能容量,RP表示储能额定功率。
由于日前预测电价是波动的,为了有效地缓解协助电网调频调峰,在本实施方式中,在S24中,根据获得的日前各时刻的充放电状态、充放电量和日前预测电价,更新每个时刻对应的充放电状态和充放电量,具体包括:
S241、将各个时刻中的充电时刻作为时间切分点进行切分处理,查找每相邻的两个充电时刻之间是否存在m个放电时刻;其中,m为大于或等于2的整数,充电时刻表示处于充电状态的时刻,放电时刻表示处于放电状态的时刻;
当存在m个放电时刻时,将该m个放电时刻记为Tm,并将Tm对应的m个放电量按照从大到小的顺序排序,得到放电量序列;
获取相邻的两个充电时刻之间各个放电时刻的日前预测电价,并根据获取的相邻的两个充电时刻之间各个放电时刻的日前预测电价,将最大的m个日前预测电价对应的m个放电时刻记为Tm’;
将Tm’对应的充放电状态更新为放电状态,并将该相邻的两个充电时刻之间的其他放电时刻对应的充放电状态更新为不充不放状态;
将Tm’按照其对应的日前预测电价从大到小的顺序排序,得到第一时刻序列;
建立放电量序列和第一时刻序列之间的映射关系;
根据放电量序列和第一时刻序列之间的映射关系,更新第一时刻序列中各个放电时刻对应的充放电状态和放电量;
当不存在m个放电时刻时,该相邻的两个充电时刻之间的放电时刻对应的充放电状态和充放电量不更新;
S242、将各时刻中的放电时刻作为切分点进行切分处理,查找每相邻的两个放电时刻之间否存在n个的充电时刻,n为大于或等于2的整数;
其中,当存在n个的充电时刻,将该n个的充电时刻记为Tn,并将Tn对应的n 个充电量按照从大到小的顺序排序,得到充电量序列;
获取相邻的两个放电时刻之间各个充电时刻的日前预测电价;根据获取的相邻的两个放电时刻之间各个充电时刻的日前预测电价,将最小的n个日前预测电价对应的n个时刻记为Tn’;
将Tn’对应的充放电状态更新为充电状态,并将该相邻的两放电时刻之间的其他充电时刻的充放电状态更新为不充不放状态;
将Tn’按照其对应的日前预测电价从小到大的顺序排序,得到第二时刻序列;
建立充电量序列和第二时刻序列之间的映射关系;
根据充电量序列和第二时刻序列之间的映射关系,更新第二时刻序列中各个充电时刻对应的充电量;
当不存在n个充电时刻时,该相邻的两个放电时刻之间的充电时刻对应的充放电状态和充放电量不更新。
需要注意的是,在N=24时,当第1时刻,即零点对应的充放点状态为不充不放状态时,若零点后的第一个非不充不放状态的时刻为放电时刻时,则零点按照S241进行切分处理;若零点后的第一个非不充不放状态的时刻为充电时刻时,则零点按照S242的进行切分处理;若最后一个时刻,即 23点的充放电状态为不充不放状态时,该时刻按照S241进行切分处理。
由于寻优过程是按照时间进行寻优的,而SOC与时间是强相关的,收益又与SOC相关,因此,假设放电时对应的最高电价的时刻为T时刻,按照时间顺序寻优会存在T时刻以最大功率放电,T+1时刻小功率放电,这种情况下的收益比T-1时刻以最大功率放电且T时刻以小功率放电时的收益大,这是因为soc原因寻的点为T,T+1,其实应该为T-1,T时刻(这里的T-1时刻电价大于T+1时刻),因此,为了解决这一问题,在本实施方式中,S241中建立放电量序列和第一时刻序列之间的映射关系,具体包括:
将放电量序列中的放电量映射到第一时刻序列中的排序位置相同的放电时刻上。
由此可知,第一时刻序列中的各时刻对应的放电量更新为放电量序列中排序位置相同的放电量。
同样,由于寻优过程是按照时间进行寻优的,而SOC与时间是强相关的,收益又与SOC相关,因此,假设充电时最低电价对应的时刻为T,按照时间顺序寻优会存在T-1时刻以最大功率充电且T时刻以小功率充电的情况,虽然寻的充电时刻正常,但是每个充电时刻对应的充电功率不对,同时也存在因为SOC限制导致的选点局部最优的情况。为了解决这一问题,在本实施方式中,S242中建立充电量序列和第二时刻序列之间的映射关系,具体包括:
将充电量序列中的充电量映射到第二时刻序列中的排序位置相同的充电时刻上。
如此设置,第二时刻序列中的各时刻对应的充电量更新为充电量序列中排序位置相同的充电量。
在本实施方式中,在S25中,根据更新后的每个时刻对应的充放电状态和充放电量以及日前预测电价,计算总收益,具体包括:
S251、根据更新后的每个时刻对应的充放电状态、充放电量和电价计算寻优收益和;
其中,寻优收益和的计算式如下
Benifit=BenifitC[imax]+BenifitDC[imax];
式中,Benifit表示寻优收益和,imax表示i的最大值,BenifitC[imax]表示到第imax时刻的充电总收益,BenifitDC[imax]表示到第imax时刻的放电总收益;
其中,BenifitC[i]=BenifitC[i-1]-ChareCapacity[i]×pricei;
式中,BenifitC[i]表示到第i时刻的充电总收益,BenifitC[i-1] 表示到第i-1时刻的充电总收益,ChareCapacity[i]表示第i时刻的充电电量,pricei表示第i时刻的日前预测电价;
其中,BenifitDC[i]=BenifitDC[i-1]+DischareCapacity[i]×(pricei-ABH);
式中,BenifitDC[i]表示到第i时刻的放电总收益,BenifitC[i-1]表示到第i时刻的放电总收益,DischareCapacity[i]表示第i时刻的放电电量,ABH为防寻优异常值;
S252、根据更新后的每个时刻对应的充放电状态和充放电量计算真实理论收益和每度电的实际最低充放电价差,并根据每度电的最低充放电价差和实际最低充放电价差,更新寻优收益和;
其中,真实理论收益的计算式如下
RCBenifit=BenifitC[imax]+Benifit2[imax];
式中,RCBenifit表示真实理论收益,BenifitC[imax]表示到第imax时刻的充电总收益,Benifit2[imax]表示到第imax时刻的理论放电总收益;
其中,Benifit2[i]=Benifit2[i-1]+DischareCapacity[i]×pricei ;
式中,Benifit2[i]表示到第i时刻的理论放电总收益;Benifit2[i]表示到第i-1时刻的理论放电总收益,DischareCapacity[i]表示第i时刻的放电电量,pricei表示第i时刻的日前预测电价;
每度电的实际最低充放电价差的计算式如下
real_min_cost=RCBenifit/(DischareCapacity);
式中,real_min_cost 表示每度电的实际最低充放电价差,DischareCapacity表示总放电量;
其中,DischareCapacity=∑DischareCapacity[i];式中,DischareCapacity[i]表示第i时刻的放电电量;
其中,当real_min_cost≤min_cost时,则Benifit’= Benifit -PenaltyProfit;
式中,min_cost表示每度电的最低充放电价差,Benifit 表示寻优收益和,Benifit’表示更新后的寻优收益和,PenaltyProfit表示惩罚收益。
当然,本领域技术人员应当理解的是,当real_min_cost>min_cost时,则Benifit’= Benifit 。应当理解的是,imax =N=24/T。
在本实施方式中,S4中,根据各时刻对应的充放电状态和充放电量,确定日前各时刻对应的充放电功率的申报策略,具体包括:
计算日前各时刻对应的充放电功率;
若当前时刻处于充电状态时,则Power[i]=Charecapacity[i]/ChargeE;
其中,Power[i]表示第i时刻的申报的功率,ChareCapacity[i]表示第i时刻的充电电量,ChargeE表示储能电站的充电效率;
若当前时刻处于放电状态时,则Power[i]=DischareCapacity[i]/DischargeE;
其中,Power[i]表示第i时刻的申报的功率,DischareCapacity [i]表示第i时刻的放电电量,DischargeE表示储能电站的放电效率。
在进一步地实施方式中,在S4中计算日前各时刻对应的充放电功率之后,还包括:根据时间插值法对日前各时刻对应的充放电功率进行时间插值,得到时间插值估算值。
本实施方式中采用插值法对充放电功率进行修正,可提高申报后储能具体执行的准确度,间接提高收益。
具体地,若当前方法以1小时为出清电价计算单位时间,则生成24个Power[i],但当电网要求按照15min申报,则根据时间插值法对1小时进行拆分,将原有Power[i]扩展为4个点进行申报,每个功率值一样都为Power[i]。
在本实施方式中,在S3中采用智能优化算法对寻优收益模型进行寻优求解,引入粒子群优化算法对寻优收益模型进行寻优求解,粒子群优化算法具体如下:
S31、初始化设置粒子群优化算法的参数,包括:种群规模、粒子维度加速因子、粒子的最大和最小飞行速度、最大迭代次数;
S32、在规定的搜索范围内对粒子的速度和位置进行随机初始化;
S33、依据惯性权重和加速因子改进的计算公式对粒子下一次迭代前的惯性权重和加速因子进行计算;
其中,惯性权重采用分段策略,惯性权重的改进公式如下式所示:
式中,ωd i表示第i时刻第d次迭代时的惯性权重,ωmin表示最小惯性权重,ωmax表示最大惯性权重,d表示当前迭代次数;fd average表示第d次迭代时所有粒子的平均适应度;fd max=max{f(x1 d),f(x2 d),…,f(xn d)},即表示第d次迭代时所有粒子的最大适应度;
其中,加速因子采用动态学习因子,加速因子的改进公式如下式所示:
c1=c1 start+(c1 end-c1 start) ×(d/dmax);
式中,c1表示自身学习因子,c1 start表示最小自身学习因子,c1 end表示最大自身学习因子,dmax表示最大迭代次数;
c2=c2 start+(c2 end-c2 start) ×(d/dmax);
式中,c2表示社会认知学习因子,c2 start表示最小社会认知学习因子,c2 end表示最大社会认知学习因子;
S34、计算粒子的速度和位置;
S35、依据设定的适应度函数,求出每个粒子的适应度值fi,并依据fi求出个体极值Pbest和全局极值Gbest,并将其与个体极值Pbest进行比较,若结果优于个体极值,则Pbest=fi;
S36、将每个粒子的个体极值Pbest与种群中的全局极值Gbest进行比较,若结果优于全局极值,则Gbest=Pbest;
S37、判断是否终止条件或达到预设的最大迭代次数,若满足终止条件,则算法停止运算,进入Step38,若不满足终止条件,则返回Step33;
S38、输出全局最优值以及各时刻对应的充放电状态和充放电量。
本实施方式采用分段式随机惯性及认知因子和动态调整的方法,解决了粒子群过于早熟或者准确率较差的问题,可以快速的找到模型的最优解。
在进一步地具体实施方式中,c1 start=1.2,c1 end=0.4,c2 start=0.4,c2 end=1.2。在进一步地具体实施方式中,ωmin=0.4,ωmax=0.9。
当然,在其他实施方式中,在S3中采用智能优化算法对寻优收益模型进行寻优求解,引入模拟退火或遗传算法对寻优收益模型进行寻优求解。
本发明还提出了一种储能电站参与日前电力交易的申报***,包括:
获取模块,用于获取参与电力交易市场的全生命周期限制参数;
寻优模型建模模块,用于建立参与日前电力交易市场的寻优收益模型;
优化模块,用于以最大收益作为目标函数并采用智能优化算法对寻优收益模型进行寻优求解来获得日前各时刻对应的充放电状态和充放电量;
分析模块,用于根据获得的各时刻对应的充放电状态和充放电量确定日前各时刻对应的充放电功率的申报策略。
本发明还提出了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述中任一项所述的储能电站参与日前电力交易的申报方法。
本发明还提出了一种电子设备,包括:处理器和存储器,所述存储器用于存储一个或多个程序;当所述一个或多个程序被所述处理器执行时,实现如上述任一项所述的储能电站参与日前电力交易的申报方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (13)
1.一种储能电站参与日前电力交易的申报方法,其特征在于,包括以下步骤:
S1、获取参与电力交易市场的全生命周期限制参数;
S2、根据获取的全生命周期限制参数,建立参与日前电力交易市场的寻优收益模型;
其中,S2中建立参与日前电力交易市场的寻优收益模型的方法具体包括:
S21、判断当前时刻的充放电状态,并根据当前时刻的充放电状态和全生命周期限制参数,计算当前时刻的收益和当前时刻的充放电量;
S22、根据储能容量、储能额定功率和充放电次数限制,确定当前时刻的收益;
S23、将S21-S22 迭代执行N次,获得日前各时刻的充放电状态、充放电量和收益;其中,N=24/T,T为出清电价计算单位时间;
S24、根据获得的日前各时刻的充放电状态、充放电量和日前预测电价,更新每个时刻对应的充放电状态和充放电量;
S25、根据更新后的每个时刻对应的充放电状态和充放电量以及日前预测电价,计算总收益;
S3、以最大收益作为目标函数,采用智能优化算法对寻优收益模型进行寻优求解,获得日前各时刻对应的充放电状态和充放电量;其中,采用智能优化算法对寻优收益模型进行寻优求解中,引入粒子群优化算法对寻优收益模型进行寻优求解;
S4、根据获得的日前各时刻对应的充放电状态和充放电量,确定日前各时刻对应的充放电功率的申报策略;
其中,S4中根据各时刻对应的充放电状态和充放电量,确定日前各时刻对应的充放电功率的申报策略,具体包括:
计算日前各时刻对应的充放电功率;
若当前时刻处于充电状态时,则Power[i]=Charecapacity[i]/ChargeE;
其中,Power[i]表示第i时刻的申报的功率,ChareCapacity[i]表示第i时刻的充电电量,ChargeE表示储能电站的充电效率;
若当前时刻处于放电状态时,则Power[i]=DischareCapacity[i]/DischargeE;
其中,Power[i]表示第i时刻的申报的功率,DischareCapacity[i]表示第i时刻的放电电量,DischargeE表示储能电站的放电效率。
2.根据权利要求1所述的储能电站参与日前电力交易的申报方法,其特征在于,在 S1中,全生命周期限制参数包括:储能容量、储能额定功率、储能soc上限值、储能soc下限值,以及当前的储能soc值、日前预测电价、每天的充放电次数限制和每度电的最低充放电价差。
3.根据权利要求1所述的储能电站参与日前电力交易的申报方法,其特征在于,S3中获得的日前各时刻的充放电状态的函数表达式如下式所示:
Xi=f(min_cost, countLimit, soc,soc_up, soc_down, capacity, pricei, RP)
式中,i表示处于第i时刻,Xi表示第i时刻的充放电状态;Xi=1表示处于放电状态; Xi=-1表示处于充电状态;Xi =0表示处于不充不放状态; countLimit表示每天的充放电次数限制,min_cost表示每度电的最低充放电价差,capacity表示储能容量,RP表示储能额定功率,soc表示荷电状态,soc_down表示储能soc下限值,soc_up 表示储能soc上限值,pricei表示第i时刻的日前预测电价。
4.根据权利要求1所述的储能电站参与日前电力交易的申报方法,其特征在于,在S21中,判断当前时刻的充放电状态,并根据当前时刻的充放电状态和全生命周期限制参数,计算当前时刻的收益和当前时刻的充放电量,具体包括:
假设当前时刻处于充电状态时
若soc[i]≥soc_up,则profit[i]=profit[i-1]-PenaltyProfit;
式中,soc[i]表示第i时刻的soc,soc_up 表示储能soc上限值,profit[i]表示到第i时刻的总收益,profit[i-1]表示到第i-1时刻的总收益,PenaltyProfit表示惩罚收益;
若soc[i]<soc_up,则charge[i]=charge[i-1]+1,
soc[i]’=soc[i]-Xi×RP/capcity;
式中,charge[i]表示到第i时刻的总充电次数,charge[i-1]表示到第i-1时刻的总充电次数,soc[i]’表示第i时刻的预测soc,capacity表示储能容量,RP表示储能额定功率,Xi表示第i时刻的充放电状态;
当soc[i]’≤soc_up时,则profit[i]=profit[i-1]+ Xi×RP×T×pricei;
更新soc[i]=soc[i]’,计算ChareCapacity[i]=RP×T;
式中,ChareCapacity[i]表示第i时刻的充电电量,pricei表示第i时刻的日前预测电价,T表示出清电价计算单位时间;
当soc[i]’>soc_up时,
则profit[i]=profit[i-1]+ Xi×(soc_up-soc[i])×capacity×pricei,soc[i]=soc_up;
假设当前时刻为放电状态
若soc[i]≤soc_down,则profit[i]=profit[i-1]-PenaltyProfit;
若soc[i]>soc_down,则discharge[i]=discharge[i-1]+1,并计算soc[i]’=soc[i]- Xi×RP/capacity;
式中,discharge[i]表示到第i时刻的总放电次数,discharge[i-1]表示到第i-1时刻的总放电次数,soc_down表示储能soc下限值;
当soc[i]’ ≥soc_down时,
则profit[i]=profit[i-1]+ Xi×RP×T×(pricei-ABH),soc[i]=soc[i]’,DischareCapacity[i]=RP×T;
式中,DischareCapacity[i]表示第i时刻的放电电量;
当soc[i]’<soc_down时,
则profit[i]=profit[i-1]+ Xi×soc_down×capacity×(pricei-ABH);
令soc[i]=soc_down,则 DischareCapacity[i]=soc_down×capacity;
式中,ABH为防寻优异常值;
假设当前时刻处于不放不充电状态,则profit[i]=profit[i-1];
discharge[i]=discharge[i-1];charge[i]=charge[i-1];
ChareCapacity[i]=0;DischareCapacity[i]=0。
5.根据权利要求1所述的储能电站参与日前电力交易的申报方法,其特征在于,在S22中、根据储能容量、储能额定功率和充放电次数限制,更新当前时刻的收益,具体包括:
当MIN(charge[i],discharge[i])> countLimit×(capacity/RP)时,
则profit[i]’=profit[i]-PenaltyProfit;
式中,charge[i]表示到第i时刻的总充电次数,discharge[i]表示到第i时刻的总放电次数,profit[i]’表示更新后的到第i时刻的总收益,profit[i]表示到第i时刻的总收益,countLimit表示每天的充放电次数限制,PenaltyProfit表示惩罚收益,capacity表示储能容量,RP表示储能额定功率。
6.根据权利要求1所述的储能电站参与日前电力交易的申报方法,其特征在于,在S24中,根据获得的日前各时刻的充放电状态、充放电量和日前预测电价,更新每个时刻对应的充放电状态和充放电量,具体包括:
S241、将各个时刻中的充电时刻作为时间切分点进行切分处理,查找每相邻的两个充电时刻之间是否存在m个放电时刻;其中,m为大于或等于2的整数,充电时刻表示处于充电状态的时刻,放电时刻表示处于放电状态的时刻;
当存在m个放电时刻时,将该m个放电时刻记为Tm,并将Tm对应的m个放电量按照从大到小的顺序排序,得到放电量序列;
获取相邻的两个充电时刻之间各个放电时刻的日前预测电价,并根据获取的相邻的两个充电时刻之间各个放电时刻的日前预测电价,将最大的m个日前预测电价对应的m个放电时刻记为Tm’;将Tm’对应的充放电状态更新为放电状态,并将该相邻的两个充电时刻之间的其他放电时刻对应的充放电状态更新为不充不放状态;将Tm’按照其对应的日前预测电价从大到小的顺序排序,得到第一时刻序列;
建立放电量序列和第一时刻序列之间的映射关系;根据放电量序列和第一时刻序列之间的映射关系,更新第一时刻序列中各个放电时刻对应的充放电状态和放电量;
当不存在m个放电时刻时,该相邻的两个充电时刻之间的放电时刻对应的充放电状态和充放电量均不更新;
S242、将各时刻中的放电时刻作为切分点进行切分处理,查找每相邻的两个放电时刻之间否存在n个的充电时刻,n为大于或等于2的整数;
其中,当存在n个的充电时刻,将该n个的充电时刻记为Tn,并将Tn对应的n 个充电量按照从大到小的顺序排序,得到充电量序列;
获取相邻的两个放电时刻之间各个充电时刻的日前预测电价;根据获取的相邻的两个放电时刻之间各个充电时刻的日前预测电价,将最小的n个日前预测电价对应的n个时刻记为Tn’;将Tn’对应的充放电状态更新为充电状态,并将该相邻的两放电时刻之间的其他充电时刻的充放电状态更新为不充不放状态;将Tn’按照其对应的日前预测电价从小到大的顺序排序,得到第二时刻序列;
建立充电量序列和第二时刻序列之间的映射关系;根据充电量序列和第二时刻序列之间的映射关系,更新第二时刻序列中各个充电时刻对应的充电量;
当不存在n个充电时刻时,该相邻的两个放电时刻之间的充电时刻对应的充放电状态和充放电量均不更新。
7.根据权利要求6所述的储能电站参与日前电力交易的申报方法,其特征在于,S241中建立放电量序列和第一时刻序列之间的映射关系,具体包括:
将放电量序列中的放电量映射到第一时刻序列中的排序位置相同的放电时刻上。
8.根据权利要求6所述的储能电站参与日前电力交易的申报方法,其特征在于,S242中建立充电量序列和第二时刻序列之间的映射关系,具体包括:
将充电量序列中的充电量映射到第二时刻序列中的排序位置相同的充电时刻上。
9.根据权利要求1所述的储能电站参与日前电力交易的申报方法,其特征在于,在S25中,根据更新后的每个时刻对应的充放电状态和充放电量以及日前预测电价,计算总收益,具体包括:
S251、根据更新后的每个时刻对应的充放电状态、充放电量和电价计算寻优收益和;
其中,寻优收益和的计算式如下
Benifit=BenifitC[imax]+BenifitDC[imax];
式中,Benifit表示寻优收益和,imax表示i的最大值,BenifitC[imax]表示到第imax时刻的充电总收益,BenifitDC[imax]表示到第imax时刻的放电总收益;
其中,BenifitC[i]=BenifitC[i-1]-ChareCapacity[i]×pricei;
式中,BenifitC[i]表示到第i时刻的充电总收益,BenifitC[i-1] 表示到第i-1时刻的充电总收益,ChareCapacity[i]表示第i时刻的充电电量,pricei表示第i时刻的日前预测电价;
其中,BenifitDC[i]=BenifitDC[i-1]+DischareCapacity[i]×(pricei-ABH);
式中,BenifitDC[i]表示到第i时刻的放电总收益,BenifitC[i-1] 表示到第i时刻的放电总收益,DischareCapacity[i]表示第i时刻的放电电量,ABH为防寻优异常值;
S252、根据更新后的每个时刻对应的充放电状态和充放电量计算真实理论收益和每度电的实际最低充放电价差,并根据每度电的最低充放电价差和实际最低充放电价差,更新寻优收益和;
其中,真实理论收益的计算式如下
RCBenifit=BenifitC[imax]+Benifit2[imax];
式中,RCBenifit表示真实理论收益,BenifitC[imax]表示到第imax时刻的充电总收益,Benifit2[imax]表示到第imax时刻的理论放电总收益;
其中,Benifit2[i]=Benifit2[i-1]+DischareCapacity[i]×pricei;
式中,Benifit2[i]表示到第i时刻的理论放电总收益 ;Benifit2[i]表示到第i-1时刻的理论放电总收益,DischareCapacity[i]表示第i时刻的放电电量,pricei表示第i时刻的日前预测电价;
每度电的实际最低充放电价差的计算式如下
real_min_cost=RCBenifit/(DischareCapacity);
式中,real_min_cost 表示每度电的实际最低充放电价差,RCBenifit表示真实理论收益,DischareCapacity表示总放电量;
其中,DischareCapacity=∑DischareCapacity[i];式中,DischareCapacity[i]表示第i时刻的放电电量;
其中,当real_min_cost≤min_cost时,则Benifit’= Benifit -PenaltyProfit;式中,min_cost表示每度电的最低充放电价差,Benifit 表示寻优收益和,Benifit’表示更新后的寻优收益和。
10.根据权利要求1所述的储能电站参与日前电力交易的申报方法,其特征在于,在S4中计算日前各时刻对应的充放电功率,还包括:
根据时间插值法对日前各时刻对应的充放电功率进行时间插值,得到时间插值估算值。
11.根据权利要求1所述的储能电站参与日前电力交易的申报方法,其特征在于,S3中,粒子群优化算法具体如下:
S31、初始化设置粒子群优化算法参数,包括:种群规模、粒子维度、加速因子、粒子的最大和最小飞行速度和最大迭代次数;
S32、在规定的搜索范围内对粒子的速度和位置进行随机初始化;
S33、依据惯性权重和加速因子改进的计算公式对粒子下一次迭代前的惯性权重和加速因子进行计算;
其中,惯性权重采用分段策略,惯性权重的改进公式如下式所示:
式中,ωd i表示第i时刻第d次迭代时的惯性权重,ωmin表示最小惯性权重,ωmax表示最大惯性权重,d表示当前迭代次数;fd average表示第d次迭代时所有粒子的平均适应度;fd max=max{f(x1 d),f(x2 d),…,f(xn d)},即表示第d次迭代时所有粒子的最大适应度;
其中,加速因子采用动态学习因子,加速因子的改进公式如下式所示:
c1=c1 start+(c1 end-c1 start) ×(d/dmax);
式中,c1表示自身学习因子,c1 start表示自身学习因子所取的最小值,c1 end表示自身学习因子所取的最大值,dmax表示最大迭代次数;
c2=c2 start+(c2 end-c2 start) ×(d/dmax);
式中,c2表示社会认知学习因子,c2 start表示社会认知学习因子所取的最小值,c2 end表示社会认知学习因子所取的最大值;
S34、计算粒子的速度和位置;
S35、依据设定的适应度函数,求出每个粒子的适应度值fi,并依据fi求出个体极值Pbest和全局极值Gbest,并将其与个体极值Pbest进行比较,若结果优于个体极值,则Pbest=fi;
S36、将每个粒子的个体极值Pbest与种群中的全局极值Gbest进行比较,若结果优于全局极值,则Gbest=Pbest;
S37、判断是否满足终止条件或达到预设的最大迭代次数,若满足终止条件,则算法停止运算,进入Step38,若不满足终止条件,则返回Step33;
S38、输出全局最优值以及各时刻对应的充放电状态和充放电量。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-11中任一项所述的储能电站参与日前电力交易的申报方法。
13.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器用于存储一个或多个程序;当所述一个或多个程序被所述处理器执行时,实现如权利要求1-11中任一项所述的储能电站参与日前电力交易的申报方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211638271.0A CN115619441B (zh) | 2022-12-20 | 2022-12-20 | 一种储能电站参与日前电力交易的申报方法、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211638271.0A CN115619441B (zh) | 2022-12-20 | 2022-12-20 | 一种储能电站参与日前电力交易的申报方法、介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115619441A CN115619441A (zh) | 2023-01-17 |
CN115619441B true CN115619441B (zh) | 2023-03-10 |
Family
ID=84880525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211638271.0A Active CN115619441B (zh) | 2022-12-20 | 2022-12-20 | 一种储能电站参与日前电力交易的申报方法、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115619441B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553608A (zh) * | 2020-05-06 | 2020-08-18 | 国网河北省电力有限公司沧州供电分公司 | 一种用于城市配网综合能源***的效益评价方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160384B (zh) * | 2019-11-21 | 2023-03-24 | 南京国电南自电网自动化有限公司 | 一种移动储能车调度优化方法、***及装置 |
CN114429370A (zh) * | 2022-02-10 | 2022-05-03 | 国网浙江省电力有限公司电力科学研究院 | 电力现货市场下的光-储联合电站报价方法 |
CN114662762A (zh) * | 2022-03-24 | 2022-06-24 | 浙江大学 | 一种电力现货市场背景下储能电站调控方法 |
CN114926254A (zh) * | 2022-06-10 | 2022-08-19 | 哈尔滨工业大学 | 储能电站参与调频辅助服务市场的竞价方法 |
-
2022
- 2022-12-20 CN CN202211638271.0A patent/CN115619441B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553608A (zh) * | 2020-05-06 | 2020-08-18 | 国网河北省电力有限公司沧州供电分公司 | 一种用于城市配网综合能源***的效益评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115619441A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960510B (zh) | 一种基于两阶段随机规划的虚拟电厂优化交易策略装置 | |
CN107132490B (zh) | 一种实现锂电池组荷电状态估计的方法 | |
CN113219343A (zh) | 基于弹性网的锂电池健康状态预测方法、***、设备及介质 | |
JP2005143218A (ja) | エネルギーシステムの制御装置および制御方法 | |
CN113011101B (zh) | 一种储能参与调频辅助服务优化的控制方法及其*** | |
CN112865190A (zh) | 计及光伏和充电需求的光储充电站优化调度方法和*** | |
CN111553750A (zh) | 一种计及电价不确定性和损耗成本的储能竞价策略方法 | |
CN117057634B (zh) | 储能电站参与电力现货市场的低碳运行优化方法及*** | |
CN112238781A (zh) | 一种基于分层架构的电动汽车有序充电控制方法 | |
CN114662762A (zh) | 一种电力现货市场背景下储能电站调控方法 | |
CN114971899A (zh) | 新能源参与下的日前、日内和实时市场电能交易优化方法 | |
CN117094849A (zh) | 储能电站参与多类电力市场的优化运行方法、装置及设备 | |
CN111532150A (zh) | 基于自学习的电动汽车充电控制策略优化方法及*** | |
CN114256882A (zh) | 一种基于风险控制的风储联合***调度方法及*** | |
CN114723230A (zh) | 面向新能源发电和储能的微电网双层调度方法及*** | |
CN115422728A (zh) | 基于随机规划的鲁棒优化的虚拟电厂优化控制*** | |
CN115663804A (zh) | 基于深度强化学习的电力***调控方法 | |
CN113715669B (zh) | 电动汽车有序充电控制方法、***、设备及可读存储介质 | |
CN113972645A (zh) | 基于多智能体深度确定策略梯度算法的配电网优化方法 | |
CN115619441B (zh) | 一种储能电站参与日前电力交易的申报方法、介质和设备 | |
CN117394404A (zh) | 考虑碳效益和辅助调频的风电场储能容量配置方法 | |
CN115953012B (zh) | 一种基于多主体双层博弈的乡村光储***优化调度方法 | |
CN115600757A (zh) | 海上风电共享储能参与现货市场交易协调优化方法及*** | |
CN113555887B (zh) | 电网能源控制方法、装置、电子设备及存储介质 | |
CN115860382A (zh) | 一种储能电站与常规电源协调调峰的多目标优化配置方法 |
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 |