CN116345507A - 适应变储能周期储能电站容量多目标优化配置方法与*** - Google Patents
适应变储能周期储能电站容量多目标优化配置方法与*** Download PDFInfo
- Publication number
- CN116345507A CN116345507A CN202310412602.7A CN202310412602A CN116345507A CN 116345507 A CN116345507 A CN 116345507A CN 202310412602 A CN202310412602 A CN 202310412602A CN 116345507 A CN116345507 A CN 116345507A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- capacity
- power station
- storage power
- period
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- 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)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明适应变储能周期储能电站容量多目标优化配置方法与***,首先从电力调度***获取负荷功率曲线、常规能源发电出力曲线,得到新能源发电净需求曲线;根据新能源发电出力曲线和新能源发电净需求曲线计算储能周期内和规划期长内储能电站最优配置容量;接着计算规划期长内不同的储能电站容量下的机会碳成本和储能电站容量投资成本,构建机会碳成本函数和储能电站容量投资成本函数,进而构建基于机会碳成本函数和储能电站容量投资成本函数的多目标储能电站容量优化配置模型,计算多目标帕累托优化集,根据模糊集函数确定多目标帕累托优化集元素权重大小,有序输出储能电站多目标优化容量值,为储能电站容量多目标优化配置提供有效方法和决策支撑。
Description
技术领域
本发明属于低碳电力***技术领域,具体涉及适应变储能周期储能电站容量多目标优化配置方法与***。
背景技术
电力***低碳化,事关我国能源绿色低碳转型发展和经济社会稳定发展。为实现电力***低碳化,一方面必须在能源供给端尽可能减少高碳排放的火力发电、增加低碳或零碳排放的风力、太阳能等新能源发电,另一方面必须确保在风力、太阳能等新能源发电高波动性、强随机性下电力***仍能使能源消费端的电力用户获得可靠的、稳定的电能。因此,储能成为电力***低碳化极其重要的环节,电化学储能电站、抽水蓄能电站、光热发电站等储能电站正在大规模规划和建设中,其中电化学储能电站采用钠离子电池、锂离子电池、液流电池等电池组件,储能时长一般小于4小时;抽水蓄能电站作为当前容量最大、技术最成熟、经济性最优、最具大规模开发条件的储能电站,储能时长在4小时以上、甚至高达数天或数周;光热发电站采用熔盐储热等技术,利用储热介质的温度变化、相态变化或化学反应实现热能的存储与释放,具有储热密度高、工作状态稳定、储热时间长等优点,适合大规模中高温储热,单机可实现100MWh以上的储热容量,一般作为光热发电的配套储能设施用来提高太阳能利用率、减少功率波动、促进光热发电站稳定输出。目前,对储能电站的规划设计和运行调度的研究已成为国家能源监管机构、电力调度机构、储能电站运营主体关注的热点。
储能电站容量配置与风力、太阳能等新能源发电高波动性和强随机性密切相关、与储能时长和储能周期密切相关,并受制于储能电站运营主体投资限额。在我国,储能电站容量配置多是由政府通过政策鼓励推动或是由储能电站运营主体根据自身投资需要进行,国家能源监管机构、电力调度机构、储能电站运营主体等对储能电站容量配置尚无统一、有效的决策方法。
发明内容
本发明的目的是解决现有技术存在的上述问题,提供适应变储能周期的储能电站容量多目标优化配置方法与***,以电力调度***提供的负荷功率曲线、新能源发电出力曲线、常规能源发电出力曲线为基础,通过新能源发电净需求曲线、储能周期、规划期长三者关系得到储能电站最优配置容量,进而构建基于机会碳成本函数和储能电站容量投资成本函数的多目标储能电站容量优化配置模型,得到多目标帕累托(Pareto)优化集,根据该优化集即可进行适应变储能周期的储能电站容量多目标优化决策。该方法为储能电站容量配置提供了量化的、精确的技术手段,解决了目前储能电站容量配置主观性强、缺少量化分析支持、仅适应特定储能周期的缺点,为储能电站容量优化配置提供有效手段和决策支持。
为实现以上目的,本发明提供了以下技术方案:
一种适应变储能周期储能电站容量多目标优化配置方法,分为以下步骤:
S1、从电力调度***获取负荷功率曲线和常规能源发电出力曲线。
负荷功率曲线记为Pload(t),t表示时间,t∈[0,tmax],tmax为t的最大取值;Pload(t)具有日、周的周期性,其中日周期性体现在负荷功率曲线存在明显的高峰时段、腰荷时段和低谷时段特征,周周期性体现在负荷功率曲线存在明显的工作日、非工作日特征。常规能源发电出力曲线记为Plod(t),包括水电出力曲线Phydro(t)、火电出力曲线Ptherm(t)和核电出力曲线Pnuclear(t)。常规能源发电出力曲线与水电出力曲线、火电出力曲线、核电出力曲线的关系为:
Pold(t)=Phydro(t)+Ptherm(t)+Pnuclear(t)。
S2、从电力调度***获取风力发电出力曲线Pwind(t)和太阳能发电出力曲线Ppv(t),从而得到新能源发电出力曲线Pnew(t):
Pnew(t)=Pwind(t)+Ppv(t)。
S3、根据负荷功率曲线和常规能源发电出力曲线计算得到新能源发电净需求曲线Pdemand(t):
Pdemand(t)=Pload(t)-Phydro(t)-Ptherm(t)-Pnuclear(t)。
新能源发电净需求曲线表示的是负荷功率扣除常规能源发电出力后的缺额,此缺额:
(1)若能由风电和太阳能发电出力全额提供,则表明风电和太阳能发电出力已被电力***全额消纳,风电和太阳能发电利用率为100%。
(2)若不能由风电和太阳能发电出力全额提供,则表明储能电站容量配置不足,风电和太阳能发电出力不能被电力***全额消纳,已经出现弃风弃光,风电和太阳能发电利用率小于100%。
S4、根据新能源发电出力曲线和新能源发电净需求曲线计算储能周期内和规划期长内储能电站最优配置容量,具体如下:
储能周期记为T1,T1∈[0,tmax],在储能周期内储能电站存在充电和放电行为,储能电站充电的总时长为储能时长;规划期长为nT1,n为储能周期的倍数:
且满足:
…,
…,
其中α取值如下:
S4-2、按照S4-1中的方法依次计算第二个储能周期[T1,2T1]内储能电站最优配置容量第三个储能周期[2T1,3T1]内储能电站最优配置容量/>…、第n个储能周期[(n-1)T1,nT1]内储能电站最优配置容量/>。
S4-3、计算规划期长内储能电站最优配置容量E:
其中,符号max{·,…,·,}表示取最大值。
此处计算出的规划期长内储能电站最优配置容量E是与储能周期T1相对应的,因此根据储能时长将储能周期T1设置为不同的值,就可以得到适应不同储能时长或储能周期的储能电站最优配置容量。
S5、根据规划期长内储能电站最优配置容量E计算储能电站最优配置容量投资成本。
规划期长[0,nT1]内储能电站最优配置容量为E,单位容量投资成本为∈,则储能电站最优配置容量投资成本Ccap,E根据下式计算:Ccap,E=E*∈。
S6、计算规划期长内不同储能电站容量下机会碳成本和储能电站容量投资成本,构建机会碳成本函数和储能电站容量投资成本函数;具体如下:
S6-1、计算第一个储能周期[0,T1]内储能电站容量E′下的机会碳成本在整个规划期长内,当储能电站容量低于储能电站最优配置容量时,则风电和太阳能发电出力不能被电力***全额消纳,已经出现弃风弃光,此时将产生机会碳成本。设储能电站容量相对于最优配置容量的变化值为ΔE,ΔE∈[0,E],则储能电站容量E′计算如下:
E′=E-ΔE。
其中β取值如下:
S6-2、按照S6-1中的方法依次计算第二个储能周期[T1,2T1]内储能电站容量E′下的机会碳成本第三个储能周期[2T1,3T1]内储能电站容量E′下的机会碳成本…、第n个储能周期[(n-1)T1,nT1]内储能电站容量E′下的机会碳成本/>
S6-3、计算规划期长内储能电站容量E′下的机会碳成本Copp,E′:
其中,ε为单位电量对应的碳价。
S6-4、计算储能电站容量E′下的投资成本Ccap,E′:Ccap,E′=E′*∈。
S6-5、改变ΔE,得到不同储能电站容量E″下的机会碳成本Copp和储能电站容量投资成本Ccap,进而得到规划期长内不同储能电站容量E″下的机会碳成本函数和储能电站容量投资成本函数:
f(E″):E″→Copp,
g(E″):E″→Ccap
其中,f(E″)为不同储能电站容量E″下的机会碳成本函数,g(E″)为不同储能电站容量E″下的储能电站容量投资成本函数,符号→表示储能电站容量E″与不同的储能电站容量E″下的机会碳成本Copp或储能电站容量投资成本Ccap的函数映射关系。
S7、根据规划期长内不同储能电站容量E″下的机会碳成本函数和储能电站容量投资成本函数构建多目标储能电站容量优化配置模型,并计算多目标帕累托优化集。
多目标储能电站容量优化配置模型为:
min{f(E″),g(E″)}
其中,min{·,·}表示对机会碳成本函数f(E″)和储能电站容量投资成本函数g(E″)最小化,s.t.表示约束条件,和/>分别表示机会碳成本最大值和储能电站容量投资成本最大值。由于f(E″)和g(E″)是互斥目标,因此计算结果为多目标帕累托优化集Pareto。
多目标储能电站容量优化配置模型的求解方法为多目标优化算法,包括但不限于多目标梯度下降算法、增强Pareto进化算法(SPEA)、基于分解的多目标进化算法(MOEA/D)、非支配排序遗传算法(NSGA)等。经计算得到多目标帕累托优化集:
其中,j为Pareto中元素编号,jmax为Pareto中元素最大个数,E′opt,j为Pareto中第j个元素即第j个储能电站多目标优化容量值。此时Pareto中储能电站多目标优化容量值有jmax个,排序由多目标优化算法自动生成,不能直接用于储能电站容量优化配置的决策。
S8、根据模糊集函数确定多目标帕累托优化集Pareto中元素权重,根据权重由大到小有序输出储能电站多目标优化容量值。此结果为储能电站容量优化配置提供决策支持。
模糊集函数定义如下:
其中,ρf和γf分别为机会碳成本阈值的上限和下限,ρf和γf取值由储能电站容量优化配置者根据机会碳成本要求确定且γf<ρf,ρg和γg分别为储能电站容量投资成本阈值上限和下限,ρg和γg取值由储能电站容量优化配置者根据容量投资成本要求确定且γg<ρg,ηf(E′opt,j)为Pareto中第j个元素E′opt,j的机会碳成本模糊集函数,ηg(E′opt,j)为Pareto中第j个元素E′opt,j的储能电站容量投资成本模糊集函数,ηf(E′opt,j)和ηg(E′opt,j)的取值均介于0和1之间。
Pareto中第P个元素E′opt,j的权重ηj根据下式计算:
根据权重ηj由大到小有序输出储能电站多目标优化容量值,此结果为储能电站容量优化配置提供决策支持。
本发明还提供一种适应变储能周期的储能电站容量多目标优化配置***,包括基础数据提取模块、新能源发电净需求曲线生成模块、储能电站容量优化配置模型构建模块、储能电站容量优化配置模型求解模块、***输出模块;
所述基础数据提取模块用于从电力调度***获取负荷功率曲线、常规能源发电出力曲线(包括水电出力曲线、火电出力曲线、核电出力曲线)、风力发电出力曲线、太阳能发电出力曲线等;
所述新能源发电净需求曲线生成模块用于根据负荷功率曲线和常规能源发电出力曲线计算得到新能源发电净需求曲线;
所述储能电站容量优化配置模型构建模块用于:根据新能源发电出力曲线和新能源发电净需求曲线计算储能周期内和规划期长内储能电站最优配置容量及其投资成本;计算规划期长内不同的储能电站容量下的机会碳成本和储能电站容量投资成本;构建机会碳成本函数和储能电站容量投资成本函数;构建多目标储能电站容量优化配置模型。
所述储能电站容量优化配置模型求解模块用于求解多目标储能电站容量优化配置模型,计算得到多目标帕累托优化集,求解方法为多目标优化算法,包括多目标梯度下降算法、增强Pareto进化算法(SPEA)、基于分解的多目标进化算法(MOEA/D)、非支配排序遗传算法(NSGA)等。
所述***输出模块用于根据模糊集函数确定多目标帕累托优化集中元素权重,然后根据权重由大到小有序输出储能电站容量优化配置结果。
上述适应变储能周期的储能电站容量多目标优化配置***中的各个模块可全部或部分通过软件、硬件及其组合来实现。
上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
与现有技术相比,本发明的有益效果为:
一、储能电站容量优化配置中考虑了储能周期的影响,使得储能电站容量优化配置结果能适应不同的储能周期(如日、数日或数周)和不同的储能时长(如短、中、长时储能),为不同储能周期、不同储能时长条件下储能电站容量优化配置提供了普适性方法,实现了变储能周期的储能电站容量多目标优化配置,克服了现有储能电站容量优化配置方法仅适应特定储能时长或特定储能周期的局限性;
二、储能电站容量优化配置中考虑了机会碳成本和储能电站容量投资成本的影响,构建了多目标储能电站容量优化配置模型,以多目标帕累托优化集作为决策依据,克服了现有储能电站容量优化配置仅基于单一目标的局限性,使得储能电站容量优化决策者能做出权衡多种成本的、更为合理的决策;
三、储能电站容量优化配置中考虑了决策非确定性因素,通过引入机会碳成本阈值和储能电站容量投资成本阈值构建模糊集函数,实现了根据帕累托优化集元素的权重大小有序输出储能电站多目标优化容量值,方便储能电站运营主体做出决策。
因此,本发明实现了权衡机会碳成本和储能电站容量投资成本的储能电站容量多目标优化配置,为储能电站容量优化配置提供了有效方法和决策支持。
附图说明
图1是本发明中适应变储能周期储能电站容量多目标优化配置方法的流程图;
图2是本发明中储能时长、储能周期、规划期长关系示意图;
图3是本发明中新能源发电出力曲线和新能源发电净需求曲线关系示意图;
图4是本发明中适应变储能周期的储能电站容量多目标优化配置***结构图。
具体实施方式
下面结合具体实施方式和附图对本发明作进一步的说明。
图1是本发明中适应变储能周期储能电站容量多目标优化配置方法的流程图。
S1、从电力调度***获取负荷功率曲线和常规能源发电出力曲线。
S2、从电力调度***获取风力发电出力曲线Pwind(t)和太阳能发电出力曲线Ppv(t),从而得到新能源发电出力曲线Pnew(t)。
S3、根据负荷功率曲线和常规能源发电出力曲线计算得到新能源发电净需求曲线Pdemand(t)。
S4、根据新能源发电出力曲线和新能源发电净需求曲线计算储能周期内和规划期长内储能电站最优配置容量。
S5、根据规划期长内储能电站最优配置容量计算储能电站最优配置容量投资成本。
S6、计算规划期长内不同储能电站容量下机会碳成本和储能电站容量投资成本,构建机会碳成本函数和储能电站容量投资成本函数。
S7、根据规划期长内不同储能电站容量下的机会碳成本函数和储能电站容量投资成本函数构建多目标储能电站容量优化配置模型,并计算多目标帕累托优化集。
S8、根据模糊集函数确定多目标帕累托优化集Pareto中元素权重,根据权重由大到小有序输出储能电站多目标优化容量值。
图2是本发明中储能时长、储能周期、规划期长关系示意图。图中横坐标表示时间t,纵坐标表示功率,此坐标图适合所有以功率为纵坐标、时间为横坐标的多种类型的功率曲线,包括负荷功率曲线、常规能源发电出力曲线、风力发电出力曲线、太阳能发电出力曲线、新能源发电出力曲线、新能源发电净需求曲线等。图中储能周期记为T1,在储能周期内储能电站存在充电和放电行为,储能电站充电的总时长为储能时长;规划期长为nT1,n为储能周期的倍数。在每个储能周期内(如[0,T1]、[T1,2T1]、…、[(n-1)T1,nT1])均存在储能电站一个最优配置容量,储能电站在此最优配置容量下可以实现电力***全额消纳风电和太阳能发电出力,即风电和太阳能发电利用率为100%;若储能电站容量在最优配置容量之下,则表明储能电站容量配置不足,风电和太阳能发电出力不能被电力***全额消纳,已经出现弃风弃光,即风电和太阳能发电利用率小于100%。
图3是本发明中新能源发电出力曲线和新能源发电净需求曲线关系示意图。图中实线表示新能源发电出力曲线Pnew(t),虚线表示新能源发电净需求曲线Pdemand(t),横坐标表示时间t,纵坐标表示功率。储能周期记为T1,在储能周期内储能电站存在充电和放电行为。在第一个储能周期[0,T1]内,新能源发电净需求曲线与新能源发电出力曲线交点的最大个数为4,交点时间轴坐标依次为:
且满足:
图4是本发明中适应变储能周期的储能电站容量多目标优化配置***结构图。该***由基础数据提取、新能源发电净需求曲线生成、储能电站容量优化配置模型构建、储能电站容量优化配置模型求解、***输出等模块组成。其中,基础数据提取模块从电力调度***获取基础数据,包括负荷功率曲线、常规能源发电出力曲线(包括水电出力曲线、火电出力曲线、核电出力曲线)、风力发电出力曲线、太阳能发电出力曲线等;新能源发电净需求曲线生成模块用于根据负荷功率曲线和常规能源发电出力曲线计算得到新能源发电净需求曲线;储能电站容量优化配置模型构建模块用于:①根据新能源发电出力曲线和新能源发电净需求曲线计算储能周期内和规划期长内储能电站最优配置容量及其投资成本,②计算规划期长内不同的储能电站容量下的机会碳成本和储能电站容量投资成本,并构建机会碳成本函数和储能电站容量投资成本函数,③构建基于机会碳成本函数和储能电站容量投资成本函数的多目标储能电站容量优化配置模型;储能电站容量优化配置模型求解模块用于求解多目标储能电站容量优化配置模型,求解方法为多目标优化算法,包括多目标梯度下降算法、增强Pareto进化算法(SPEA)、基于分解的多目标进化算法(MOEA/D)、非支配排序遗传算法(NSGA)等,经计算最后得到多目标帕累托优化集;***输出模块用于:①根据模糊集函数确定多目标帕累托优化集中元素权重;②根据权重由大到小有序输出储能电站多目标优化容量值。
Claims (7)
1.一种适应变储能周期储能电站容量多目标优化配置方法,其特征在于,该方法分为以下步骤:
S1、从电力调度***获取负荷功率曲线和常规能源发电出力曲线
负荷功率曲线记为Pload(t),t表示时间,t∈[0,tmax],tmax为t的最大取值;Pload(t)具有日、周的周期性,其中日周期性体现在负荷功率曲线存在明显的高峰时段、腰荷时段和低谷时段特征,周周期性体现在负荷功率曲线存在明显的工作日、非工作日特征;常规能源发电出力曲线记为Pold(t),包括水电出力曲线Phydro(t)、火电出力曲线Ptherm(t)和核电出力曲线Pnuclear(t);常规能源发电出力曲线与水电出力曲线、火电出力曲线、核电出力曲线的关系为:
Pold(t)=Phydro(t)+Ptherm(t)+Pnuclear(t);
S2、从电力调度***获取风力发电出力曲线Pwind(t)和太阳能发电出力曲线Ppv(t),从而得到新能源发电出力曲线Pnew(t):
Pnew(t)=Pwind(t)+Ppv(t);
S3、根据负荷功率曲线和常规能源发电出力曲线计算得到新能源发电净需求曲线Pdemand(t):
Pdemand(t)=Pload(t)-Phydro(t)-Ptherm(t)-Pnuclear(t);
S4、根据新能源发电出力曲线和新能源发电净需求曲线计算储能周期内和规划期长内储能电站最优配置容量,具体如下:
储能周期记为T1,T1∈[0,tmax],在储能周期内储能电站存在充电和放电行为,储能电站充电的总时长为储能时长;规划期长为nT1,n为储能周期的倍数:
且满足:
…,
…,
其中α取值如下:
S4-2、按照S4-1中的方法依次计算第二个储能周期[T1,2T1]内储能电站最优配置容量第三个储能周期[2T1,3T1]内储能电站最优配置容量/>…、第n个储能周期[(n-1)T1,nT1]内储能电站最优配置容量/>
S4-3、计算规划期长内储能电站最优配置容量E:
其中,符号max{·,…,·,}表示取最大值;
S5、根据规划期长内储能电站最优配置容量E计算储能电站最优配置容量投资成本:规划期长[0,nT1]内储能电站最优配置容量为E,单位容量投资成本为∈,则储能电站最优配置容量投资成本Ccap,E根据下式计算:Ccap,E=E*∈;
S6、计算规划期长内不同储能电站容量下机会碳成本和储能电站容量投资成本,构建机会碳成本函数和储能电站容量投资成本函数;具体如下:
在整个规划期长内,当储能电站容量低于储能电站最优配置容量时,则风电和太阳能发电出力不能被电力***全额消纳,已经出现弃风弃光,此时将产生机会碳成本;设储能电站容量相对于最优配置容量的变化值为ΔE,ΔE∈[0,E],则储能电站容量E′计算如下:
E′=E-ΔE,
其中β取值如下:
S6-2、按照S6-1中的方法依次计算第二个储能周期[T1,2T1]内储能电站容量E′下的机会碳成本第三个储能周期[2T1,3T1]内储能电站容量E′下的机会碳成本/>…、第n个储能周期[(n-1)T1,nT1]内储能电站容量E′下的机会碳成本/>
S6-3、计算规划期长内储能电站容量E′下的机会碳成本Copp,E′:
其中,ε为单位电量对应的碳价;
S6-4、计算储能电站容量E′下的投资成本Ccap,E′:Ccap,E′=E′*∈;
S6-5、改变ΔE,得到不同储能电站容量E″下的机会碳成本Copp和储能电站容量投资成本Ccap,进而得到规划期长内不同储能电站容量E″下的机会碳成本函数和储能电站容量投资成本函数:
f(E″):E″→Copp,
g(E″):E″→Ccap,
其中,f(E″)为不同储能电站容量E″下的机会碳成本函数,g(E″)为不同储能电站容量E″下的储能电站容量投资成本函数,符号→表示储能电站容量E″与不同的储能电站容量E″下的机会碳成本Copp或储能电站容量投资成本Ccap的函数映射关系;
S7、根据规划期长内不同储能电站容量E″下的机会碳成本函数和储能电站容量投资成本函数构建多目标储能电站容量优化配置模型,并计算多目标帕累托优化集
多目标储能电站容量优化配置模型为:
min{f(E″),g(E″)}
其中,min{·,·}表示对机会碳成本函数f(E″)和储能电站容量投资成本函数g(E″)最小化,s.t.表示约束条件,和/>分别表示机会碳成本最大值和储能电站容量投资成本最大值;由于f(E″)和g(E″)是互斥目标,因此计算结果为多目标帕累托优化集Pareto;
采用多目标优化算法计算得到多目标帕累托优化集:
其中,j为Pareto中元素编号,jmax为Pareto中元素最大个数,E′opt,j为Pareto中第j个元素即第j个储能电站多目标优化容量值;
S8、根据模糊集函数确定多目标帕累托优化集Pareto中元素权重,根据权重由大到小有序输出储能电站多目标优化容量值,此结果为储能电站容量优化配置提供决策支持模糊集函数定义如下:
其中,ρf和γf分别为机会碳成本阈值的上限和下限,ρf和γf取值由储能电站容量优化配置者根据机会碳成本要求确定且γf<ρf,ρg和γg分别为储能电站容量投资成本阈值上限和下限,ρg和γg取值由储能电站容量优化配置者根据容量投资成本要求确定且γg<ρg,ηf(E′opt,j)为Pareto中第j个元素E′opt,j的机会碳成本模糊集函数,ηg(E′opt,j)为Pareto中第j个元素E′opt,j的储能电站容量投资成本模糊集函数;
Pareto中第j个元素E′opt,j的权重ηj根据下式计算:
根据权重ηj由大到小有序输出储能电站多目标优化容量值,此结果为储能电站容量优化配置提供决策支持。
2.一种根据权利要求1所述适应变储能周期储能电站容量多目标优化配置方法,其特征在于:S4-3中,根据储能时长将储能周期T1设置为不同的值,就可以得到适应不同储能时长或储能周期的储能电站最优配置容量。
3.一种根据权利要求1或2所述适应变储能周期储能电站容量多目标优化配置方法,其特征在于:S7中,多目标优化算法包括多目标梯度下降算法、增强Pareto进化算法、基于分解的多目标进化算法、非支配排序遗传算法。
4.一种根据权利要求1或2所述适应变储能周期储能电站容量多目标优化配置方法,其特征在于:S8中,ηf(E′opt,j)和ηg(E′opt,j)的取值均介于0和1之间。
5.一种基于权利要求1所述方法的适应变储能周期的储能电站容量多目标优化配置***,其特征在于:包括基础数据提取模块、新能源发电净需求曲线生成模块、储能电站容量优化配置模型构建模块、储能电站容量优化配置模型求解模块、***输出模块;
所述基础数据提取模块用于从电力调度***获取负荷功率曲线、常规能源发电出力曲线、风力发电出力曲线、太阳能发电出力曲线,所述常规能源发电出力曲线包括水电出力曲线、火电出力曲线、核电出力曲线;
所述新能源发电净需求曲线生成模块用于根据负荷功率曲线和常规能源发电出力曲线计算得到新能源发电净需求曲线;
所述储能电站容量优化配置模型构建模块用于:根据新能源发电出力曲线和新能源发电净需求曲线计算储能周期内和规划期长内储能电站最优配置容量及其投资成本;计算规划期长内不同的储能电站容量下的机会碳成本和储能电站容量投资成本;构建机会碳成本函数和储能电站容量投资成本函数;构建多目标储能电站容量优化配置模型;
所述储能电站容量优化配置模型求解模块用于求解多目标储能电站容量优化配置模型,计算得到多目标帕累托优化集,求解方法为多目标优化算法;
所述***输出模块用于根据模糊集函数确定多目标帕累托优化集中元素权重,然后根据权重由大到小有序输出储能电站容量优化配置结果。
6.一种根据权利要求5所述的适应变储能周期的储能电站容量多目标优化配置***,其特征在于:所述适应变储能周期的储能电站容量多目标优化配置***中的各个模块可全部或部分通过软件、硬件及其组合来实现。
7.一种根据权利要求5所述的适应变储能周期的储能电站容量多目标优化配置***,其特征在于:所述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310412602.7A CN116345507B (zh) | 2023-04-17 | 2023-04-17 | 适应变储能周期储能电站容量多目标优化配置方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310412602.7A CN116345507B (zh) | 2023-04-17 | 2023-04-17 | 适应变储能周期储能电站容量多目标优化配置方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116345507A true CN116345507A (zh) | 2023-06-27 |
CN116345507B CN116345507B (zh) | 2023-09-05 |
Family
ID=86887844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310412602.7A Active CN116345507B (zh) | 2023-04-17 | 2023-04-17 | 适应变储能周期储能电站容量多目标优化配置方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116345507B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112290568A (zh) * | 2020-09-27 | 2021-01-29 | 天津大学 | 一种“光-储”发电***混合储能配置方法 |
CN112671022A (zh) * | 2020-12-31 | 2021-04-16 | 国网山东省电力公司泰安供电公司 | 光储充电站容量优化配置方法、***、终端及存储介质 |
CN114117930A (zh) * | 2021-12-02 | 2022-03-01 | 南昌大学 | 基于ε约束法的并网双储能***容量优化配置方法 |
CN114243694A (zh) * | 2021-12-15 | 2022-03-25 | 东北电力大学 | 考虑阶梯碳交易和需求响应的并网型微电网优化配置方法 |
CN115205068A (zh) * | 2022-07-04 | 2022-10-18 | 国网河南省电力公司经济技术研究院 | 计及净负荷需求分布式的储能最优峰谷时段划分方法 |
-
2023
- 2023-04-17 CN CN202310412602.7A patent/CN116345507B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112290568A (zh) * | 2020-09-27 | 2021-01-29 | 天津大学 | 一种“光-储”发电***混合储能配置方法 |
CN112671022A (zh) * | 2020-12-31 | 2021-04-16 | 国网山东省电力公司泰安供电公司 | 光储充电站容量优化配置方法、***、终端及存储介质 |
CN114117930A (zh) * | 2021-12-02 | 2022-03-01 | 南昌大学 | 基于ε约束法的并网双储能***容量优化配置方法 |
CN114243694A (zh) * | 2021-12-15 | 2022-03-25 | 东北电力大学 | 考虑阶梯碳交易和需求响应的并网型微电网优化配置方法 |
CN115205068A (zh) * | 2022-07-04 | 2022-10-18 | 国网河南省电力公司经济技术研究院 | 计及净负荷需求分布式的储能最优峰谷时段划分方法 |
Non-Patent Citations (3)
Title |
---|
BO YANG: "Electric-thermal energy storage configuration of regional integrated energy system based on wind power prediction", 2020 IEEE 1ST CHINA INTERNATIONAL YOUTH CONFERENCE ON ELECTRICAL ENGINEERING (CIYCEE) * |
朱晔;兰贞波;隗震;刘波;冯万兴;周盛;陈轩恕;韦古强;孙辰军;张崧;: "考虑碳排放成本的风光储多能互补***优化运行研究", 电力***保护与控制, no. 10 * |
薛金花: "储能在分布式发电/ 微电网中的容量优化配置", 电源技术, vol. 37, no. 12 * |
Also Published As
Publication number | Publication date |
---|---|
CN116345507B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544935B (zh) | 一种电-氢多能互补直流微电网协调调度方法 | |
CN113255992B (zh) | 一种园区级多能互补***优化调度方法及装置 | |
CN103795079A (zh) | 离网并网混合光伏发电控制***及其经济性运行优化方法 | |
CN104158203A (zh) | 一种微电网电源容量优化配置方法 | |
CN105225022A (zh) | 一种热电联产型微电网的经济性优化运行方法 | |
CN113850474B (zh) | 一种热电氢多能流综合能源***及其优化调度方法 | |
CN112865075B (zh) | 一种交直流混合微电网优化方法 | |
CN109473976A (zh) | 一种冷热电联供型微网能量调度方法及*** | |
CN114884108B (zh) | 源网荷储一体化的微电网多时间尺度能量管理优化方法 | |
CN114036451A (zh) | 一种并网式光储充装置的储能控制方法及*** | |
CN112101632B (zh) | 基于分布式估计算法楼宇负荷优化调度方法 | |
CN203933038U (zh) | 离网并网混合光伏发电控制*** | |
CN110783959A (zh) | 一种新能源发电***的稳定状态控制*** | |
CN105356521A (zh) | 一种基于时域滚动控制的交直流混合微电网运行优化方法 | |
CN107017625A (zh) | 用于独立微电网的能量动态调度的方法和设备 | |
CN114362218B (zh) | 基于深度q学习的微电网内多类型储能的调度方法及装置 | |
CN116470543A (zh) | 一种虚拟电厂的运行控制方法、装置、设备及介质 | |
CN117081143A (zh) | 促进分布式光伏就地消纳的园区综合能源***协调优化运行方法 | |
CN112134307A (zh) | 多能互补***的电储能/热储能容量联合优化方法及*** | |
CN112288130A (zh) | 一种基于两阶段多目标优化的新能源消纳计算方法 | |
CN116345507B (zh) | 适应变储能周期储能电站容量多目标优化配置方法与*** | |
CN112350435A (zh) | 一种基于微电网群和电力可控负荷的虚拟电厂管控装置 | |
CN113361976B (zh) | 基于多主体分布式运行的园区综合能源调度方法及*** | |
Zhang et al. | Optimal configuration of wind/solar/diesel/storage microgrid capacity based on PSO-GWO algorithm | |
CN114039384A (zh) | 基于新能源消纳的源-储协调优化调度方法 |
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 |