CN115764936A - 电网储能配置的优化方法、装置、设备及存储介质 - Google Patents
电网储能配置的优化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115764936A CN115764936A CN202211099800.4A CN202211099800A CN115764936A CN 115764936 A CN115764936 A CN 115764936A CN 202211099800 A CN202211099800 A CN 202211099800A CN 115764936 A CN115764936 A CN 115764936A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- grid
- power grid
- power
- data
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 266
- 238000005457 optimization Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 239000002245 particle Substances 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000010248 power generation Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 238000007599 discharging Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 239000000243 solution Substances 0.000 description 9
- 238000004088 simulation Methods 0.000 description 8
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种电网储能配置的优化方法、装置、设备及存储介质，通过获取电网所在区域在未来时间段内的气候数据，基于气候数据，预测在未来时间段内的风机出力数据和光伏出力数据，利用预设储能优化配置模型，根据风机出力数据和光伏出力数据，确定电网中的储能并网位置和储能出力曲线，降低优化过程复杂度，基于储能并网位置和储能出力曲线，对电网进行潮流计算，直至电网中各个并网节点在未来时间段内每个时刻的并网电压满足预设电压条件，得到目标储能并网位置和目标储能出力曲线，从而对预设储能优化配置模型的输出结果进行验证，保证储能配置优化结果的准确度，进而提高电网供电稳定性。
Description
技术领域
本申请涉及储能技术领域，尤其涉及一种电网储能配置的优化方法、装置、设备及存储介质。
背景技术
分布式电源的出力随机性和间歇性，使得电力***可能出现电压波动、谐波污染、潮流逆流和三相不对称运行等问题。为了减少分布式电源并网的不利影响，采用储能***可以灵活充电控制和放电控制的特点，弥补光伏和风电等分布式电源可调节性差的缺陷，以及减少分布式电源并网带来的谐波及功率波动对电网的影响，提高电网的安全稳定运行。
目前，储能***的不同配置策略直接影响到分布式电源的消纳能力及***运行的经济性和可靠性，所以研究储能***的配置优化问题具有重要意义。但是，储能配置优化问题是一个多目标和非线性的优化问题，存在优化过程复杂和困难的难题。
发明内容
本申请提供了一种电网储能配置的优化方法、装置、设备及存储介质，以解决当前储能配置优化过程存在复杂度高的技术问题。
为了解决上述技术问题，第一方面，本申请提供了一种电网储能配置的优化方法，包括：
获取电网所在区域在未来时间段内的气候数据；
基于气候数据，预测在未来时间段内的风机出力数据和光伏出力数据；
利用预设储能优化配置模型，根据风机出力数据和光伏出力数据，确定电网中的储能并网位置和储能出力曲线，预设储能优化配置模型为数字孪生模型；
基于储能并网位置和储能出力曲线，对电网进行潮流计算，直至电网中各个并网节点在未来时间段内每个时刻的并网电压满足预设电压条件，得到目标储能并网位置和目标储能出力曲线。
在一些实现方式中，利用预设储能优化配置模型，根据风机出力数据和光伏出力数据，确定电网中的储能并网位置和储能出力曲线，包括：
建立电网约束条件，电网约束条件包括功率平衡约束条件、电压约束条件、热稳定约束条件和储能约束条件，功率平衡约束条件包括基于风机出力数据和光伏出力数据确定的功率数据；
利用粒子群优化算法，根据电网约束条件，对预设储能优化配置模型的目标成本函数进行优化，直至目标成本函数的输出值最小，得到输出值最小时对应的储能并网位置和储能出力曲线。
在一些实现方式中，储能约束条件包括储能荷电状态约束条件、储能出力约束条件和新增储能数量约束条件。
在一些实现方式中，目标成本函数为：
F＝f(PG)+f(CE)+f(ME)+fLOSS-fLS；
其中，f(PG)表示***发电成本，f(CE)表示储能投资建设成本，f(ME)表示储能运行维护成本，fLOSS表示网损的降损成本，fLS表示削峰填谷收益。
在一些实现方式中，利用粒子群优化算法，根据电网约束条件，对预设储能优化配置模型的目标成本函数进行优化，直至目标成本函数的输出值最小，得到输出值最小时对应的储能并网位置和储能出力曲线，包括：
确定目标成本函数在满足电网约束条件时的储能并网位置集合和储能出力曲线集合；
以储能并网位置集合中的一个储能并网位置，以及储能出力曲线集合中的一条储能出力曲线组成粒子群优化算法中的一个粒子，得到多个粒子；
基于粒子群优化算法，对多个粒子进行迭代，输出最优解时对应的储能并网位置和储能出力曲线。
在一些实现方式中，粒子群优化算法的表达式为：
其中，
和
为第k次和第k+1次迭代粒子的速度；c1、c2、r1和r2均为惯性时间常数，
和
分别为粒子第k次及k+1次迭代的位置，
和
分别为粒子及种群第k次迭代的历史最优解，
和κ为常数系数。
在一些实现方式中，基于气候数据，预测在未来时间段内的风机出力数据和光伏出力数据，包括：
基于气候数据中的风速数据，预测电网中的并网风机在未来时间段内的风机出力数据；
基于气候数据中的光照强度数据，预测电网中的并网光伏在未来时间段内的光伏出力数据。
第二方面，本申请还提供一种电网储能配置的优化装置，包括：
获取模块，用于获取电网所在区域在未来时间段内的气候数据；
预测模块，用于基于气候数据，预测在未来时间段内的风机出力数据和光伏出力数据；
确定模块，用于利用预设储能优化配置模型，根据风机出力数据和光伏出力数据，确定电网中的储能并网位置和储能出力曲线，预设储能优化配置模型为数字孪生模型；
验证模块，用于基于储能并网位置和储能出力曲线，对电网进行潮流计算，直至电网中各个并网节点在未来时间段内每个时刻的并网电压满足预设电压条件，得到目标储能并网位置和目标储能出力曲线。
第三方面，本申请还提供一种计算机设备，包括处理器和存储器，存储器用于存储计算机程序，计算机程序被处理器执行时实现如第一方面的电网储能配置的优化方法。
第四方面，本申请还提供一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现如第一方面的电网储能配置的优化方法。
与现有技术相比，本申请至少具备以下有益效果：
通过获取电网所在区域在未来时间段内的气候数据，基于气候数据，预测在未来时间段内的风机出力数据和光伏出力数据，以考虑电网分布式电源并网带来的谐波及功率波动对电网的影响；再利用预设储能优化配置模型，根据风机出力数据和光伏出力数据，确定电网中的储能并网位置和储能出力曲线，以确定电网所要增加的储能数量和储能位置，并得到相应的出力情况，以便于验证优化结果的准确性，同时利用采用数字孪生技术的预设储能优化配置模型能够降低储能配置优化过程的复杂度；基于储能并网位置和储能出力曲线，对电网进行潮流计算，直至电网中各个并网节点在未来时间段内每个时刻的并网电压满足预设电压条件，得到目标储能并网位置和目标储能出力曲线，从而对预设储能优化配置模型的输出结果进行验证，保证储能配置优化结果的准确度，进而提高电网供电稳定性。
附图说明
图1为本申请实施例示出的电网储能配置的优化方法的流程示意图；
图2为本申请实施例示出的风速和光照的曲线示意图；
图3为本申请实施例示出的优化目标的迭代曲线示意图；
图4为本申请实施例示出的储能***出力曲线示意图；
图5为本申请实施例示出的储能***SOC曲线示意图；
图6为本申请实施例示出的***功率分布曲线示意图；
图7为本申请实施例示出的电网储能配置的优化装置的结构示意图；
图8为本申请实施例示出的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参照图1，图1为本申请实施例提供的一种电网储能配置的优化方法的流程示意图。本申请实施例的电网储能配置的优化方法可应用于计算机设备，该计算机设备包括但不限于智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。如图1所示，本实施例的电网储能配置的优化方法包括步骤S101至步骤S104，详述如下：
步骤S101，获取电网所在区域在未来时间段内的气候数据。
在本步骤中，利用量测子***获取未来仿真间隔内(例如24小时)气候条件，如风速和光照强度，并通过风速和光照强度数据计算风机和光伏出力。
可选地，本实施例基于数字孪生技术的储能优化***，包括量测子***、建模仿真子***和储能优化***。其中，量测子***负责对电网真实物理实体进行数据采集，存储及数据通信。数据来源包括历史数据，实时数据及仿真数据。建模仿真子***主要构建分布式电源、储能及电网的数字孪生模型，以此对电网实时运行情况进行监测和控制。数字孪生模型采用物理机理，数据驱动和机理融合数据驱动的三种方式构建。储能优化子***基于量测数据和建模仿真***构建预设储能配置优化模型，针对含分布式电源及储能的电网***开展时序潮流计算、储能选址定容及源网荷储自主调控等应用，为***安全稳定运行提供技术支撑。
步骤S102，基于所述气候数据，预测在所述未来时间段内的风机出力数据和光伏出力数据。
在本步骤中，风机为风力发电，与风机所处环境的风速有关，所以根据风速计算风机出力；光伏为太阳能发电，与光伏发电板所处环境的太阳光照强度有关，所以根据光照强度计算光伏出力。
在一些实现方式中，所述步骤S102，包括：
基于所述气候数据中的风速数据，预测所述电网中的并网风机在所述未来时间段内的风机出力数据；
基于所述气候数据中的光照强度数据，预测所述电网中的并网光伏在所述未来时间段内的光伏出力数据。
在本实施例中，风速数据和光照强度数据均为未来时间段内的气候数据，所以可以预测到电网在未来时间段内的分布式电源的出力情况，从而降低分布式电源并网带来的谐波及功率波动对电网的影响，提高电网的运行稳定性。
步骤S103，利用预设储能优化配置模型，根据所述风机出力数据和所述光伏出力数据，确定所述电网中的储能并网位置和储能出力曲线。
在本步骤中，预设粗能优化配置模型可以基于上述储能优化***构建，通过考虑风机出力和光伏出力，预测未来时间段的电网功率和负荷，从而确定未来时间段内，电网所需要储能参与削峰填谷的情况，得到相应的储能并网位置和储能出力曲线。
在一些实施例中，所述步骤S103，包括：
建立电网约束条件，所述电网约束条件包括功率平衡约束条件、电压约束条件、热稳定约束条件和储能约束条件，所述功率平衡约束条件包括基于所述风机出力数据和所述光伏出力数据确定的功率数据；
利用粒子群优化算法，根据所述电网约束条件，对所述预设储能优化配置模型的目标成本函数进行优化，直至所述目标成本函数的输出值最小，得到所述输出值最小时对应的储能并网位置和储能出力曲线。
在本实施例中，所述储能约束条件包括储能荷电状态约束条件、储能出力约束条件和新增储能数量约束条件。
可选地，节点功率平衡约束条件为：
PIinj＝PIDG+PIEN-PILOAD；
QIinj＝QIDG+QIEN-QILOAD；
其中，PIinj和QIinj分别为注入节点i有功功率和无功功率；PIDG和QIDG为分布式电源注入节点i的有功功率和无功功率；PIEN和QIEN分别为储能***注入节点i的有功功率和无功功率，放储能放出功率时，为正，吸收功率时，为负；PILOAD和QILOAD分别为电网负荷消耗的有功功率和无功功率。
可选地，电压约束条件为：
Vmin≤Vi，t≤Vmax；
其中，Vi，t为节点i的电压，Vmin和Vmax分别为电压上限值和电压下限值。
可选地，热稳定约束条件为：
电网运行过程中，线路电流不允许超过热稳定极限即：
IL，T≤IR；
其中，IL，T和IR分别为线路L的实际电流和允许电流。
可选地，储能荷电状态(SOC)约束条件为：
为了避免储能***过充过放，需要对储能***的SOC进行约束。储能设备在t时刻的荷电状态与该时刻及上一时刻的充放电状态相关：
其中，Bsoc，i(t)为当前时刻的soc，Bsic，i(t-1)为下一时刻的SOC，Pi为t时刻充放电功率，Δt为储能充放电间隔，EB，i为储能额定容量。
储能SOC需要满足如下约束：
SOCmin(t)≤SOCi(t)≤SOCmax(t)；
其中，SOCi(t)为设备i在t时刻的SOC，SOCmin为SOC允许的最小值，SOCmax为SOC允许的最大值。
同时，储能设备需要满足每日初末SOC相同的约束，即：
SOCi(t＝1)＝SOCi(t＝24)；
其中，SOCi(t＝1)为设备i在初始时刻的SOC，SOCi(t＝24)为每天结束时刻的SOC。
可选地，储能出力约束条件为：
储能在运行中的任意时刻只能处于充电或放电状态，并且充放电的功率不应超过额定功率，即：
-PE，out≤Pi，t≤PE，in；
其中，Pi，t为设备i在t时刻的充放电功率，PE，out为最大放电功率，PE，in为最大充电功率。
可选地，新增储能数量约束条件为：
NE≤NE，max；
其中，NE为新增储能的数量，NE，max为新建储能数量上限。
在一些实施例中，所述目标成本函数为：
F＝f(PG)+f(CE)+f(ME)+fLOSS-fLS；
其中，f(PG)表示***发电成本，f(CE)表示储能投资建设成本，f(ME)表示储能运行维护成本，fLOSS表示网损的降损成本，fLS表示削峰填谷收益。
在本实施例中，含储能***的优化配置模型的优化目标为***全生命周期运行成本，包括***发电成本，储能投资建设成本，储能运行维护成本，降损收益和削峰填谷收益。
可选地，***发电成本的表达式如下式所示：
其中，PGi为发电机i发出功率；ai、bi、ci为发电系数；Sgen为发电机集合。
可选地，储能投资建设成本的表达式如下式所示：
其中，KE为储能***单位容量的单价；SE为储能***的额定容量；TE为储能***的使用年限。
可选地，储能***运行维护成本包括固定运维成本和可变运维成本，固定运行成本与储能***容量相关，可变运维成本与实际充放电功率相关，其表达式如下所示：
其中，KF为储能***单位容量的运行维护成本；KV为储能***单位充发电功率的运行维护成本；PC实际充放电功率。
可选地，网损是衡量储能配置策略是否合理的重要指标，通过优化储能配置，可以有效降低***网损，提高***运行经济性。减损指标的具体公式如下所示：
其中，PLOSS，E为储能***并网后的***网损；PLOSS为储能***并网前的***网损；EL为储能***的单价。
可选地，储能***的重要功能之一是利用其充放电特征实现削峰填谷，提升网络对可再生能源的消纳能力。定义削峰填谷收益为储能接入前后***发电峰谷差：
fLS＝|EL(ΔPS，E-ΔP)|；
其中，ΔPS，E为储能并网后的峰谷差；ΔP为储能***并网前的峰谷差。
在一些实现方式中，所述利用粒子群优化算法，根据所述电网约束条件，对所述预设储能优化配置模型的目标成本函数进行优化，直至所述目标成本函数的输出值最小，得到所述输出值最小时对应的储能并网位置和储能出力曲线，包括：
确定所述目标成本函数在满足所述电网约束条件时的储能并网位置集合和储能出力曲线集合；
以所述储能并网位置集合中的一个储能并网位置，以及所述储能出力曲线集合中的一条储能出力曲线组成所述粒子群优化算法中的一个粒子，得到多个粒子；
基于所述粒子群优化算法，对多个所述粒子进行迭代，输出最优解时对应的储能并网位置和储能出力曲线。
在本实施例中，采用带收缩系数的PSO算法对储能优化配置模型进行求解，该模型通过控制速度来平衡探索和开发的矛盾。
可选地，所述粒子群优化算法的表达式为：
κ∈[0，1]；
其中，
和
为第k次和第k+1次迭代粒子的速度；c1、c2、r1和r2均为惯性时间常数，
和
分别为粒子第k次及k+1次迭代的位置，
和
分别为粒子及种群第k次迭代的历史最优解，
和κ为常数系数。
示例性地，将储能优化配置周期设置为24小时，假设储能数量为N，则每个粒子的初始状态为N+24×N，前面N个变量代表储能并网位置，后面N×24个变量代表每小时储能出力。粒子下一时刻的SOC状态受当前SOC状态和出力情况的影响，即粒子当前状态
的更新会受到之前状态
的约束，在粒子群迭代过程中需要实时更新状态的跳变允许范围。
步骤S104，基于所述储能并网位置和所述储能出力曲线，对电网进行潮流计算，直至所述电网中各个并网节点在未来时间段内每个时刻的并网电压满足预设电压条件，得到目标储能并网位置和目标储能出力曲线。
在本步骤中，可以基于隐Zbus高斯法进行时序潮流计算，潮流计算过程如下：
(1)初始化***该时刻各节点电压和相角(电压通常初始化为1，p.u.，相角为0°)；
(2)储能***在充放电过程中放出/吸收恒定的功率，因此在时序仿真中可以建模为PQ节点类型。其模型与恒功率负荷模型相同，向***注入/吸收有功功率。当储能***放电状态下，储能***并网节点注入功率为：Se＝Pe+i×Qe。当储能***充电状态下，储能***并网节点注入功率为：Se＝-Pe-i×Qe。由储能***的注入功率，可以得到储能***并网节点的注入电流为：
其中，Un为储能并网点的电压，I为储能***注入电流。
(3)利用侠士更新该时刻各节点母线电压：
I＝YV；
其中，U表示电网***的节点导纳矩阵，V表示母线电压。
(4)判断该时刻***各节点在相继两次迭代过程中计算出的电压差模的最大值是否满足收敛条件，如果满足，进行下一步计算；不满足，转到步骤(2)。
(5)判断是否所有时刻，潮流计算都已完成，如果完成，跳转步骤(6)；否则，时刻加1，跳转步骤(1)；
(6)输出各时刻潮流分布，时序仿真结束，若所有时刻的潮流分布满足预设潮流条件，则表示步骤S103的储能并网位置和储能出力曲线为储能配置优化结果。
作为示例而非限定，对一个实际的电网***进行了储能优化配置。改***含有1台外部电源，48条母线，27条传输线，20个负荷，21台配电变压器，2台风力发电机及2台光伏发电***。风力发电***位于母线2和母线48，光伏发电***位于母线14和15。***基准电压为220kV，10kV和0.48kV，***基准容量为10MW。
建立该测试***的数字孪生模型，并通过量测***获取该***未来24小时的气候数据，通过风速和光照强度信息获取风机和光伏出力曲线如图2所示。
储能***中，储能***并网电压为10kV，***容量为15000kwh，充电效率为95％，放电效率为90％，自放电率为0.5％，初始SOC为0.5，SOC上限为0.9，SOC下限为0.3，最大充放电功率为1000kw，仿真间隔为1h。***电压上限值分别为额定电压的±7％。储能***待并网个数为3，待接入位置分别为母线2，7，14，28，31和39。
粒子群优化模块中，粒子数N为50，最大迭代次数为50，c1为1.5，c2为1。
对该测试***进行储能优化配置，确定储能***合理的并网位置及出力曲线。最终得到的储能并网位置为：母线2，母线28和母线39。
该***发电成本的收敛曲线如图3所示，由图3可得，通过储能优化配置，***发电成本由22.9％降低到了21.45％，降幅为6.3％，表明通过优化配置，***发电成本得到了极大的降低，提高了***的经济性和利用率。
各储能24小时出力曲线如图4所示，由图4可得，储能***充放电功率均在-1到1MW之间，满足最大充放电功率约束。
储能***SOC曲线如图5所示，由图5可得，储能***SOC曲线均在0.3到0.9之间，满足电量约束。
将分布式电源出力，外部电网出力，储能***出力描绘在一张曲线，如图6所示，由图6可得，储能***在分布式电源出力充足的时候充电，在分布式电源出力不足的时候放点，起到“削峰填谷”的作用，极大降低了***发电成本，并提高了分布式电源的能源利用率，表明本优化策略是有效和有用的。
为了执行上述方法实施例对应的电网储能配置的优化方法，以实现相应的功能和技术效果。参见图7，图7示出了本申请实施例提供的一种电网储能配置的优化装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本申请实施例提供的电网储能配置的优化装置，包括：
获取模块701，用于获取电网所在区域在未来时间段内的气候数据；
预测模块702，用于基于所述气候数据，预测在所述未来时间段内的风机出力数据和光伏出力数据；
确定模块703，用于利用预设储能优化配置模型，根据所述风机出力数据和所述光伏出力数据，确定所述电网中的储能并网位置和储能出力曲线；
验证模块704，用于基于所述储能并网位置和所述储能出力曲线，对电网进行潮流计算，直至所述电网中各个并网节点在未来时间段内每个时刻的并网电压满足预设电压条件，得到目标储能并网位置和目标储能出力曲线。
在一些实施例中，所述确定模块703，包括：
建立单元，用于建立电网约束条件，所述电网约束条件包括功率平衡约束条件、电压约束条件、热稳定约束条件和储能约束条件，所述功率平衡约束条件包括基于所述风机出力数据和所述光伏出力数据确定的功率数据；
优化单元，用于利用粒子群优化算法，根据所述电网约束条件，对所述预设储能优化配置模型的目标成本函数进行优化，直至所述目标成本函数的输出值最小，得到所述输出值最小时对应的储能并网位置和储能出力曲线。
在一些实施例中，所述储能约束条件包括储能荷电状态约束条件、储能出力约束条件和新增储能数量约束条件。
在一些实施例中，所述目标成本函数为：
F＝f(PG)+f(CE)+f(ME)+fLOSS-fLS；
其中，f(PG)表示***发电成本，f(CE)表示储能投资建设成本，f(ME)表示储能运行维护成本，fLOSS表示网损的降损成本，fLS表示削峰填谷收益。
在一些实施例中，所述优化单元，用于：
确定所述目标成本函数在满足所述电网约束条件时的储能并网位置集合和储能出力曲线集合；
以所述储能并网位置集合中的一个储能并网位置，以及所述储能出力曲线集合中的一条储能出力曲线组成所述粒子群优化算法中的一个粒子，得到多个粒子；
基于所述粒子群优化算法，对多个所述粒子进行迭代，输出最优解时对应的储能并网位置和储能出力曲线。
在一些实施例中，所述粒子群优化算法的表达式为：
κ∈[0，1]；
其中，
和
为第k次和第k+1次迭代粒子的速度；c1、c2、r1和r2均为惯性时间常数，
和
分别为粒子第k次及k+1次迭代的位置，
和
分别为粒子及种群第k次迭代的历史最优解，
和κ为常数系数；
在一些实施例中，所述预测模块702，用于：
基于所述气候数据中的风速数据，预测所述电网中的并网风机在所述未来时间段内的风机出力数据；
基于所述气候数据中的光照强度数据，预测所述电网中的并网光伏在所述未来时间段内的光伏出力数据。
上述的电网储能配置的优化装置可实施上述方法实施例的电网储能配置的优化方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
图8为本申请一实施例提供的计算机设备的结构示意图。如图8所示，该实施例的计算机设备8包括：至少一个处理器80(图8中仅示出一个)处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现上述任意方法实施例中的步骤。
所述计算机设备8可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器80、存储器81。本领域技术人员可以理解，图8仅仅是计算机设备8的举例，并不构成对计算机设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，该处理器80还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81在一些实施例中可以是所述计算机设备8的内部存储单元，例如计算机设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述计算机设备8的外部存储设备，例如所述计算机设备8上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述计算机设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
另外，本申请实施例还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上述任意方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现上述各个方法实施例中的步骤。
在本申请所提供的几个实施例中，可以理解的是，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围。特别指出，对于本领域技术人员来说，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种电网储能配置的优化方法，其特征在于，包括：
获取电网所在区域在未来时间段内的气候数据；
基于所述气候数据，预测在所述未来时间段内的风机出力数据和光伏出力数据；
利用预设储能优化配置模型，根据所述风机出力数据和所述光伏出力数据，确定所述电网中的储能并网位置和储能出力曲线，所述预设储能优化配置模型为数字孪生模型；
基于所述储能并网位置和所述储能出力曲线，对电网进行潮流计算，直至所述电网中各个并网节点在未来时间段内每个时刻的并网电压满足预设电压条件，得到目标储能并网位置和目标储能出力曲线。
2.如权利要求1所述的电网储能配置的优化方法，其特征在于，所述利用预设储能优化配置模型，根据所述风机出力数据和所述光伏出力数据，确定所述电网中的储能并网位置和储能出力曲线，包括：
建立电网约束条件，所述电网约束条件包括功率平衡约束条件、电压约束条件、热稳定约束条件和储能约束条件，所述功率平衡约束条件包括基于所述风机出力数据和所述光伏出力数据确定的功率数据；
利用粒子群优化算法，根据所述电网约束条件，对所述预设储能优化配置模型的目标成本函数进行优化，直至所述目标成本函数的输出值最小，得到所述输出值最小时对应的储能并网位置和储能出力曲线。
3.如权利要求2所述的电网储能配置的优化方法，其特征在于，所述储能约束条件包括储能荷电状态约束条件、储能出力约束条件和新增储能数量约束条件。
4.如权利要求2所述的电网储能配置的优化方法，其特征在于，所述目标成本函数为：
F＝f(PG)+f(CE)+f(ME)+fLOSS-fLS；
其中，f(PG)表示***发电成本，f(CE)表示储能投资建设成本，f(ME)表示储能运行维护成本，fLOSS表示网损的降损成本，fLS表示削峰填谷收益。
5.如权利要求2所述的电网储能配置的优化方法，其特征在于，所述利用粒子群优化算法，根据所述电网约束条件，对所述预设储能优化配置模型的目标成本函数进行优化，直至所述目标成本函数的输出值最小，得到所述输出值最小时对应的储能并网位置和储能出力曲线，包括：
确定所述目标成本函数在满足所述电网约束条件时的储能并网位置集合和储能出力曲线集合；
以所述储能并网位置集合中的一个储能并网位置，以及所述储能出力曲线集合中的一条储能出力曲线组成所述粒子群优化算法中的一个粒子，得到多个粒子；
基于所述粒子群优化算法，对多个所述粒子进行迭代，输出最优解时对应的储能并网位置和储能出力曲线。
6.如权利要求5所述的电网储能配置的优化方法，其特征在于，所述粒子群优化算法的表达式为：
κ∈[0,1]；
其中，
和
为第k次和第k+1次迭代粒子的速度；c1、c2、r1和r2均为惯性时间常数，
和
分别为粒子第k次及k+1次迭代的位置，
和
分别为粒子及种群第k次迭代的历史最优解，
和κ为常数系数。
7.如权利要求1所述的电网储能配置的优化方法，其特征在于，所述基于所述气候数据，预测在所述未来时间段内的风机出力数据和光伏出力数据，包括：
基于所述气候数据中的风速数据，预测所述电网中的并网风机在所述未来时间段内的风机出力数据；
基于所述气候数据中的光照强度数据，预测所述电网中的并网光伏在所述未来时间段内的光伏出力数据。
8.一种电网储能配置的优化装置，其特征在于，包括：
获取模块，用于获取电网所在区域在未来时间段内的气候数据；
预测模块，用于基于所述气候数据，预测在所述未来时间段内的风机出力数据和光伏出力数据；
确定模块，用于利用预设储能优化配置模型，根据所述风机出力数据和所述光伏出力数据，确定所述电网中的储能并网位置和储能出力曲线，所述预设储能优化配置模型为数字孪生模型；
验证模块，用于基于所述储能并网位置和所述储能出力曲线，对电网进行潮流计算，直至所述电网中各个并网节点在未来时间段内每个时刻的并网电压满足预设电压条件，得到目标储能并网位置和目标储能出力曲线。
9.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7任一项所述的电网储能配置的优化方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的电网储能配置的优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211099800.4A CN115764936A (zh) | 2022-09-08 | 2022-09-08 | 电网储能配置的优化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211099800.4A CN115764936A (zh) | 2022-09-08 | 2022-09-08 | 电网储能配置的优化方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115764936A true CN115764936A (zh) | 2023-03-07 |
Family
ID=85349688
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211099800.4A Pending CN115764936A (zh) | 2022-09-08 | 2022-09-08 | 电网储能配置的优化方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115764936A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236152A (zh) * | 2023-11-10 | 2023-12-15 | 国网浙江省电力有限公司宁波供电公司 | 新能源电网的孪生仿真方法及*** |
-
2022
- 2022-09-08 CN CN202211099800.4A patent/CN115764936A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236152A (zh) * | 2023-11-10 | 2023-12-15 | 国网浙江省电力有限公司宁波供电公司 | 新能源电网的孪生仿真方法及*** |
| CN117236152B (zh) * | 2023-11-10 | 2024-04-09 | 国网浙江省电力有限公司宁波供电公司 | 新能源电网的孪生仿真方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | A self-learning scheme for residential energy system control and management | |
| Mitra et al. | Wide area control for improving stability of a power system with plug-in electric vehicles | |
| Huang et al. | Residential energy system control and management using adaptive dynamic programming | |
| US10452032B1 (en) | Optimizing power contribution of distributed energy resources for real time power demand scheduling | |
| CN107959301B (zh) | 含光伏的低压配电网分布式储能优化配置与运行方法 | |
| Clarke et al. | Control of an isolated microgrid using hierarchical economic model predictive control | |
| 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 | |
| CN113541166B (zh) | 一种分布式储能优化配置方法、***、终端和存储介质 | |
| CN112966883B (zh) | 综合能源***运行优化方法及终端设备 | |
| CN111563637A (zh) | 基于需求响应的多目标概率最优潮流计算方法及装置 | |
| Wang et al. | A hierarchical control algorithm for managing electrical energy storage systems in homes equipped with PV power generation | |
| Zhao et al. | Microgrid optimal energy scheduling considering neural network based battery degradation | |
| CN115841187A (zh) | 柔性配电网运行策略的优化方法、装置、设备及存储介质 | |
| CN109787221A (zh) | 一种微电网电能安全经济调度方法和*** | |
| CN116454914A (zh) | 一种多类型资源复合调频模型的构建方法及装置 | |
| Qiu et al. | Charging-rate-based battery energy storage system in wind farm and battery storage cooperation bidding problem | |
| CN116470543A (zh) | 一种虚拟电厂的运行控制方法、装置、设备及介质 | |
| Khoubseresht et al. | An analytical optimum method for simultaneous integration of PV, wind turbine and BESS to maximize technical benefits | |
| CN115764936A (zh) | 电网储能配置的优化方法、装置、设备及存储介质 | |
| Wang et al. | Stochastic dynamic programming based optimal energy scheduling for a hybrid fuel cell/PV/battery system under uncertainty | |
| CN114493143A (zh) | 面向并网型微电网的虚拟电厂多目标优化调度***及方法 | |
| CN111798070B (zh) | 一种用户侧光储***的配置方法及装置 | |
| CN112633675A (zh) | 一种能量调度方法、装置、设备及计算机可读存储介质 | |
| CN112260274A (zh) | 一种基于全景理论的虚拟电厂组建方法 | |
| Zhao et al. | An Alternative Method for Solving Security-Constrained Unit Commitment with Neural Network Based Battery Degradation Model |
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 |