一种基于Copula-多目标优化的能源基地储能容量协同规划方法与流程
本发明属于电力系统规划,具体涉及新能源大基地的储能容量优化配置,尤其涉及基于copula函数场景建模和多目标优化算法的储能协同规划方法。
背景技术:
1、我国“沙戈荒”新能源大基地规划装机已超2亿千瓦,风电与光伏出力具有强随机性和间歇性,储能配置方案对大基地经济收益和运行性能影响显著。
2、copula函数是刻画多变量相关性的常用工具。gumbel-copula擅长捕捉上尾相依,clayton-copula侧重下尾相依,frank-copula则具有尾部对称特性(上下尾相依系数均等于0),对非极端区间的相关性建模更为合适。然而,现有规划模型多采用单目标或双目标优化,很少将储能全寿命周期成本、新能源消纳率和并网波动率三者同时纳入目标体系,导致优化结果在经济性、消纳能力和并网质量之间难以兼顾。多数模型也未将soc动态演变约束与功率-容量耦合约束同时纳入,难以反映储能系统的真实运行特性。在求解算法方面,单一nsga-ii或mopso在高维决策空间中容易早熟收敛,且现有混合策略缺乏自适应调整机制,全局探索与局部开发的平衡不易把握。
3、针对上述问题,需要一种储能容量协同规划方法,能够准确刻画风光出力相关性,充分考虑储能运行特性,并有效求解多目标优化问题。
技术实现思路
1、本发明解决的技术问题是:现有储能容量规划方法在场景建模中对风光出力相依结构刻画不够准确,规划模型未同时计及soc动态演变约束与功率-容量耦合约束,求解算法易陷入局部最优且缺乏自适应平衡机制,导致储能配置方案经济性欠佳、新能源消纳能力不足、并网功率波动较大。
2、为解决上述技术问题,本发明提出一种基于copula多目标优化的新能源大基地储能容量协同规划方法,包括以下步骤:
3、s1、基于copula的风光出力联合场景建模
4、采集新能源大基地的历史风电出力数据和历史光伏出力数据,其中为样本数量,和分别为第个采样点的风电和光伏出力(单位:mw)。
5、经数据清洗后按下式归一化:
6、;
7、式中,和分别为风电和光伏出力的标幺值(无量纲);和分别为风电场和光伏电站的额定装机容量(单位:mw)。
8、经k-s检验剔除异常值后,按下式进行核密度估计拟合边缘分布:
9、;
10、式中,为点处的核密度估计值;为样本容量;为带宽参数,控制估计的平滑程度;为高斯核函数,满足;为第个样本观测值。带宽参数采用silverman规则自适应选取:,其中为样本标准差,为样本四分位距。
11、根据sklar定理,将风电与光伏的边缘分布函数通过copula函数连接为联合分布函数:
12、;
13、其中概率积分变换为:,,和分别为风电和光伏出力的累积分布函数;为copula函数,为相关参数。
14、copula函数可选择frank-copula、gaussian-copula或clayton-copula等多种类型。以frank-copula为例,其函数形式如下:
15、;
16、式中,和分别为经概率积分变换后的风电和光伏出力均匀变量,为copula相关参数。frank-copula具有尾部对称性(上尾相依系数,下尾相依系数),适用于刻画非极端区间的中等相关性。
17、采用最大似然估计法估计后,通过kendall秩相关系数验证风光出力间的相关性:
18、;
19、其中一阶debye函数:。当时,,表示负相关。
20、利用条件分布法生成copula随机样本。关于的条件分布为:
21、;
22、采样步骤:(1)生成独立均匀随机数,,其中为用于条件采样的第二个独立均匀随机数;(2)求解,采用牛顿迭代法数值求解,收敛条件为,容差,最大迭代次数;(3)经逆变换,得到原始出力空间中的典型日场景。
23、最后通过kantorovich距离后向缩减算法将场景数压缩至预设规模。kantorovich距离定义为:
24、
25、其中,为原始场景集,为缩减后的场景集;为第个原始场景的概率权重;,和分别为第个场景中第个时段的风电和光伏出力标幺值,为一个典型日的总时段数。后向缩减算法采用贪心策略迭代至目标场景数,得到带概率权重的典型场景集,其中为第个典型场景的出力序列,为其概率权重,为缩减后的场景总数。
26、s2、储能容量多目标协同规划模型构建
27、以储能系统额定功率(单位:kw)和额定容量(单位:kwh)为决策变量,建立三目标协同规划模型。
28、目标一:全寿命周期成本等年值最小
29、
30、其中,为全寿命周期成本等年值(单位:元/年);为初始投资等年值,,为储能单位功率成本(元/kw),为储能单位容量成本(元/kwh),为储能额定功率(kw),为储能额定容量(kwh),为资本回收系数,为折现率,为项目运营周期(年);为替换成本等年值,,为电池循环寿命(年);为年运维成本,,为年运维费率;为退役处置等年值,,为单位容量退役处置成本(元/kwh)。
31、上述公式为全寿命周期成本的简化理论模型,实际工程应用中各项成本采用工程财务模型精确计算,已考虑建设期利息、设备进项税抵扣、残值回收等因素,简化公式的计算值与精确模型的偏差在工程可接受范围内。
32、目标二:新能源消纳率最大
33、
34、其中,和分别为第个场景下第个时段的风电和光伏实际出力(单位:kw);和分别为弃风和弃光功率(单位:kw);为时段间隔(单位:h)。分子表示实际消纳的新能源电量,分母表示总可发新能源电量。消纳率越高,表示新能源利用越充分。
35、目标三:并网波动率最小
36、
37、其中,第个场景下第个时段的并网功率(单位:kw);为新能源基地总装机容量(单位:kw)。该目标度量并网功率的相邻时段变化绝对值之和,值越小表示并网功率越平滑。
38、约束条件:
39、(1)功率平衡约束:
40、;
41、其中,和分别为储能的充电功率和放电功率(单位:kw),均为非负变量。该方程表示新能源总出力等于并网功率、储能充电功率、弃风弃光功率之和减去储能放电功率。
42、(2)决策变量可行域约束:
43、;
44、其中,、分别为储能额定功率的下限和上限(单位:kw);、分别为储能额定容量的下限和上限(单位:kwh)。
45、(3)soc动态演变约束
46、soc递推方程:
47、;
48、其中,为第个场景下第个时段的荷电状态(标幺值,0-1);和分别为充电效率和放电效率(无量纲)。该方程描述了储能能量状态随时间的变化。
49、soc上下限约束:,其中和分别为荷电状态的下限和上限(通常取0.10和0.90),以避免过充过放。
50、soc初值末值相等约束:,保证储能系统在每个典型日运行周期内能量平衡,实现日循环运行。
51、充放电功率上限约束:
52、;
53、其中,为二进制变量,=1表示充电状态,=0表示放电状态。该约束限制了充放电功率不超过储能额定功率。
54、充放电互斥约束:,保证储能不能同时充电和放电。
55、(4)储能时长约束:
56、;
57、其中表示储能系统的额定持续放电时长(单位:h)。该约束确保储能时长在2至6小时之间,符合当前主流电化学储能系统的工程实践。
58、s3、多目标混合进化算法求解
59、采用多目标混合进化算法求解所述多目标协同规划模型。以nsga-ii与mopso混合算法为例,nsga-ii通过快速非支配排序与拥挤度距离计算负责全局探索,进行模拟二进制交叉和多项式变异产生子代。mopso通过粒子速度-位置更新机制负责局部精细搜索。二者交替迭代运行并共享外部档案库中的非支配解,外部档案库通过拥挤度距离策略维持pareto前沿分布的均匀性。
60、自适应混合比例调整策略的数学表达式为:
61、;
62、式中,为第代迭代中nsga-ii的迭代次数占比;为当前迭代次数;为切换点,为最大迭代次数;为陡峭系数,控制过渡速率;=0.7,=0.3分别为nsga-ii迭代比例的上、下限。前期≈=0.7,nsga-ii主导以扩大全局搜索范围;后期≈=0.3,mopso主导以加速局部收敛。
63、该策略使混合算法在迭代前期充分利用nsga-ii的全局探索能力快速定位pareto前沿的大致区域,在迭代后期发挥mopso的局部开发能力精细搜索前沿面。自适应策略相比固定比例混合策略,igd和spread指标均有明显改善。
64、满足以下任一条件即终止迭代:(1)迭代次数达到预设最大值;(2)外部档案库中的非支配解在连续代内无更新,其中;(3)pareto前沿的hypervolume指标在连续代内的变化率小于阈值,。
65、不等式约束采用改进自适应罚函数法融入目标函数,等式约束采用变量消去法降维,soc越限情形采用启发式修复策略:若,则强制置并削减放电功率;若,则强制置并削减充电功率。迭代收敛后输出pareto解集,其中为非支配解的个数。
66、s4、模糊决策综合选优
67、对各pareto解按目标维度计算模糊满意度。最小化目标(如lcc等年值、并网波动率)采用降隶属度函数,最大化目标(如新能源消纳率)采用升隶属度函数:
68、;
69、其中,为第个pareto解在第个目标上的函数值;和分别为该目标在pareto解集上的最大值和最小值。取值在0到1之间,越接近1表示该目标表现越好。
70、综合满意度取算术平均值:
71、;
72、其中,为目标个数(本发明中=3)。
73、最优妥协方案为:
74、;
75、其中表示第m个pareto解的综合满意度。
76、选取综合满意度最高的解对应的作为推荐配置。
77、在实际工程应用中,可根据决策者偏好引入加权综合满意度,其中,为第个目标的权重且。
78、有益效果
79、本发明相比现有技术,采用copula函数刻画风光出力相依结构,提升了场景建模精度;将soc动态演变与功率-容量耦合约束纳入规划模型,使配置结果可直接用于日内调度;通过三目标协同优化,在控制成本的同时提升新能源消纳率并降低并网波动率;采用自适应混合进化算法,实现了全局探索与局部开发的动态平衡,求解质量优于单一算法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com