一种日前日内两阶段协同的规模化储能备用预留优化方法

摘要: 本技术涉及新型电力系统优化运行与储能经济调度,特别涉及一种日前日内两阶段协同的规模化储能备用预留优化方法。背景技术:1、目前以风电、光伏为代表的新能源快速发展,...
一种日前日内两阶段协同的规模化储能备用预留优化方法

本技术涉及新型电力系统优化运行与储能经济调度,特别涉及一种日前日内两阶段协同的规模化储能备用预留优化方法。

背景技术:

1、目前以风电、光伏为代表的新能源快速发展,装机容量显著提升。

2、新能源出力受环境因素影响,风速、光照强度、温度等气象参量均可能影响风光出力,其出力不确定性问题愈加显著。新能源出力不确定性对电力系统调节能力提出了更高的要求,需要更充足的备用容量,但过高的备用预留会导致机组利用率降低和成本增加。相关技术中,为应对新能源出力不确定性,火电与储能协同承担备用预留任务,然而,相关技术中火电与储能协同的备用预留大多按固定比例分配,难以适配不同风光运行场景,难以兼顾电力系统运行的安全性和经济性,亟待解决。

技术实现思路

1、本技术提供一种日前日内两阶段协同的规模化储能备用预留优化方法,以解决相关技术中火电与储能协同的备用预留大多按固定比例分配,难以适配不同风光运行场景,难以兼顾电力系统运行的安全性和经济性问题。

2、本技术第一方面实施例提供一种日前日内两阶段协同的规模化储能备用预留优化方法,包括以下步骤:获取风光火储系统中新能源场站的日内历史出力数据和日前历史预测数据,生成所述风光火储系统的多个风光预测误差场景,以计算所述多个风光预测误差场景下的备用需求;利用上层日前机组组合模型优化所述风光火储系统的日前发电计划和备用配置;利用下层日内多场景备用预留超前调度模型更新所述备用需求,并结合所述备用配置计算储能备用调整量;更新所述日前发电计划和所述备用配置,直至满足预设收敛条件,以确定规模化储能备用预留优化方案。

3、基于以上技术手段,本技术实施例依托日内历史出力数据和日前历史预测数据生成多个风光预测误差场景,能够客观量化风电、光伏出力的随机波动性与不确定性,精准还原风光出力实际值偏离预测值的多种工况,继而计算多个风光预测误差场景下的备用需求,利用上层模型优化日前发电计划,确定备用配置,严格契合风光火储系统的实际物理运行特性,为迭代优化提供可靠的迭代起点,继而通过利用下层模型更新备用需求,并结合备用配置计算储能备用调整量,以更新日前发电计划和备用配置,直至满足预设收敛条件,以确定规模化储能备用预留优化方案,持续修正备用配置与备用需求之间的偏差,匹配动态备用需求,兼顾运行安全性、调节灵活性与整体经济性。

4、可选地,在本技术的一个实施例中,所述生成所述风光火储系统的多个风光预测误差场景,包括:基于所述日内历史出力数据和所述日前历史预测数据,计算所述新能源场站的历史预测误差数据;对所述历史预测误差数据进行归一化与异常值剔除处理,以构建所述新能源场站的历史预测误差样本集;基于所述历史预测误差样本集的概率分布特征,生成所述多个风光预测误差场景。

5、基于以上技术手段,本技术实施例通过利用日内历史出力数据和日前历史预测数据计算历史预测误差数据,再对历史预测误差数据进行归一化与异常值剔除处理,以构建历史预测误差样本集,进而依托样本集的概率分布特征,生成多个风光预测误差场景,能够客观量化风电、光伏出力的随机波动性与不确定性,精准还原风光出力实际值偏离预测值的多种工况,为后续备用需求核算、上下层模型优化校验提供贴合实际波动规律的输入基础。

6、可选地,在本技术的一个实施例中,所述计算所述多个风光预测误差场景下的备用需求,包括:将所述多个风光预测误差场景按预设规则分类,以得到多个风光误差场景集;对所述多个风光误差场景集进行聚类分析,以得到多个典型场景;基于所述多个典型场景,分别计算所述风光火储系统的上备用需求和下备用需求,以确定所述备用需求。

7、基于以上技术手段,本技术实施例通过将多个风光预测误差场景先分类归集,再聚类得到多个典型场景,大幅削减场景总数量,有效降低后续上下层模型的求解规模与计算耗时,同时保留风光出力波动的特征,进而依托典型场景计算备用需求,提高备用需求计算的准确性和高效性。

8、可选地,在本技术的一个实施例中,在优化所述风光火储系统的所述日前发电计划之前,还包括:以储能运行成本、火电运行成本和启停成本、备用成本、弃风光惩罚成本的总成本最小为目标,结合火电出力上下调控范围约束、火电出力爬坡约束、火电最短启停时间约束、火电运行状态逻辑约束、储能充放电功率约束、储能电量时序约束、储能电量日清约束、新能源出力约束、功率平衡约束、备用响应需求约束、储能调控范围约束构建所述上层日前机组组合模型。

9、基于以上技术手段,本技术实施例通过以风光火储系统的运行成本和备用成本最小为目标,结合多种约束条件建立上层模型,严格契合风光火储系统的实际物理运行特性,规避违背设备运行极限的不合理调度方案,统筹兼顾消纳风光资源、控制整体经济开销,有利于得到兼顾安全性、可行性与经济性的日前发电计划与备用配置基础方案,为后续上下层迭代优化提供可靠的迭代起点。

10、可选地,在本技术的一个实施例中,在更新所述备用需求之前,还包括:以条件风险价值为目标,结合备用需求约束、储能功率调整约束构建所述下层日内多场景备用预留超前调度模型。

11、基于以上技术手段,本技术实施例以条件风险价值为优化目标,结合备用需求约束、储能功率调整约束建立下层模型,有利于在不改变上层既定火电机组启停计划和火电机组出力计划的基础上,校验备用配置充裕程度,计算合理储能备用调整量,有效抵御风光出力波动引发的风险,提升日内备用调度的风险管控能力。

12、可选地,在本技术的一个实施例中,所述利用下层日内多场景备用预留超前调度模型更新所述备用需求,并结合所述备用配置计算储能备用调整量,包括:利用所述下层日内多场景备用预留超前调度模型更新所述备用需求,以得到所述风光火储系统的更新备用需求;结合所述更新备用需求和所述备用配置计算所述储能备用调整量。

13、基于以上技术手段,本技术实施例通过利用下层日内多场景备用预留超前调度模型更新备用需求,并结合备用配置计算储能备用调整量,便于将储能备用调整量反馈至上层模型,上层模型结合储能备用调整量更新日前发电计划和备用配置,有利于通过上下层模型循环迭代,持续修正备用配置与备用需求之间的偏差,充分发挥储能快速调节优势,匹配动态备用需求,在满足约束条件的前提下不断压缩成本,兼顾运行安全性、调节灵活性与整体经济性。

14、本技术第二方面实施例提供一种日前日内两阶段协同的规模化储能备用预留优化装置,包括:生成模块,用于获取风光火储系统中新能源场站的日内历史出力数据和日前历史预测数据,生成所述风光火储系统的多个风光预测误差场景,以计算所述多个风光预测误差场景下的备用需求;第一优化模块,用于利用上层日前机组组合模型优化所述风光火储系统的日前发电计划和备用配置;计算模块,用于利用下层日内多场景备用预留超前调度模型更新所述备用需求,并结合所述备用配置计算储能备用调整量;第二优化模块,用于更新所述日前发电计划和所述备用配置,直至满足预设收敛条件,以确定规模化储能备用预留优化方案。

15、基于以上技术手段,本技术实施例依托日内历史出力数据和日前历史预测数据生成多个风光预测误差场景,能够客观量化风电、光伏出力的随机波动性与不确定性,精准还原风光出力实际值偏离预测值的多种工况,继而计算多个风光预测误差场景下的备用需求,利用上层模型优化日前发电计划,确定备用配置,严格契合风光火储系统的实际物理运行特性,为迭代优化提供可靠的迭代起点,继而通过利用下层模型更新备用需求,并结合备用配置计算储能备用调整量,以更新日前发电计划和备用配置,直至满足预设收敛条件,以确定规模化储能备用预留优化方案,持续修正备用配置与备用需求之间的偏差,匹配动态备用需求,兼顾运行安全性、调节灵活性与整体经济性。

16、本技术第三方面实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如上述实施例所述的一种日前日内两阶段协同的规模化储能备用预留优化方法。

17、本技术第四方面实施例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计算机程序,该程序被处理器执行时实现如上的一种日前日内两阶段协同的规模化储能备用预留优化方法。

18、本技术第五方面实施例提供一种计算机程序产品,包括计算机程序,该程序被执行时实现如上的一种日前日内两阶段协同的规模化储能备用预留优化方法。

19、本技术实施例依托日内历史出力数据和日前历史预测数据生成多个风光预测误差场景,能够客观量化风电、光伏出力的随机波动性与不确定性,精准还原风光出力实际值偏离预测值的多种工况,继而计算多个风光预测误差场景下的备用需求,利用上层模型优化日前发电计划,确定备用配置,严格契合风光火储系统的实际物理运行特性,为迭代优化提供可靠的迭代起点,继而通过利用下层模型更新备用需求,并结合备用配置计算储能备用调整量,以更新日前发电计划和备用配置,直至满足预设收敛条件,以确定规模化储能备用预留优化方案,持续修正备用配置与备用需求之间的偏差,匹配动态备用需求,兼顾运行安全性、调节灵活性与整体经济性。由此,解决了相关技术中火电与储能协同的备用预留大多按固定比例分配,难以适配不同风光运行场景,难以兼顾电力系统运行的安全性和经济性问题。

20、本技术附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本技术的实践了解到。