新能源系统的日前调度方法、装置和计算机设备与流程

1.本技术涉及可再生能源技术领域，特别是涉及一种新能源系统的日前调度方法、装置和计算机设备。


背景技术：

2.随着可再生能源的发展，氢作为一种绿色、零碳、高密度、多功能的能源载体，在难以电气化的化工、交通、市政等领域应用潜力巨大，有望减少终端能源消费领域的碳排放，支撑“零碳”终端用能体系的构建。新能源制氢通过电解水制氢技术制取氢气，电解水制氢的电力来自清洁能源，保障了氢气的制取过程是清洁低碳的，从而打破传统化石能源制氢为主导的格局，对制氢方式的低碳化实现具有重要作用。
3.同时，以风光为代表的清洁能源近年来发展迅猛。然而，受气压、温度、日出日落等自然因素的影响，风光发电具有强不确定性和间歇性等时序特性，随着装机容量的跨越式增长其波动幅值也将增大，极大增加了电力供给侧的随机性，严重影响新能源的可靠送出和消纳，需要增加灵活性资源的供给。考虑能源系统清洁化诉求，未来常规煤电装机占比将逐渐减小，在缺乏大规模常规煤电提供备用支撑的条件下新能源大规模消纳将面临严峻挑战，需要有适应高比例、大规模新能源并网的储能和快速功率调节手段。
4.随着储能技术的进步，未来建成的大型储能电站将会在风、光能源的消纳中发挥举足轻重的作用。抽蓄电站、电制氢作为两种极具发展潜力的储能方式，除具有储能作用外，还能在负荷与电源之间实现有功功率平衡，具备快速功率跟踪调节能力，对维持间歇性能源供给与相对稳定性负荷需求之间的动态平衡具有重要作用。
5.然而，目前的新能源系统调度方式或者传统方法，存在能源利用效率低等问题。


技术实现要素：

6.基于此，有必要针对上述技术问题，提供一种能够提高能源利用效率的新能源系统的日前调度方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
7.第一方面，本技术提供了一种新能源系统的日前调度方法，所述方法包括：
8.获取新能源系统的初始运行信息，基于新能源系统的初始运行信息分别更新电制氢储能系统的第一能量转换模型、以及抽蓄电站的第二能量转换模型；第一能量转换模型为基于电制氢储能系统的工作参数确定；第二能量转换模型为基于抽蓄电站的机组配置确定；
9.根据风光电站装机容量生成风光电站的风光出力模型；
10.基于风光出力模型、更新后的第一能量转换模型和更新后的第二能量转换模型，将日前调度约束作为约束条件，对日前调度目标函数求取最优解，得到日前调度计划；日前调度约束包括电制氢储能系统运行约束、抽蓄电站运行约束、风光出力约束和新能源系统运行约束；日前调度目标函数为通过最大化新能源系统输出电量构建得到。
11.在其中一个实施例中，新能源系统的初始运行信息包括电制氢储能系统的储氢装
置初始储能和抽蓄电站的上水库初始容量。
12.在其中一个实施例中，电制氢储能系统的工作参数包括电解制氢装置额定功率、电解制氢装置转换效率和储氢装置可储存容量；抽蓄电站的机组配置包括抽蓄电站装机容量和抽蓄机组数量。
13.在其中一个实施例中，电制氢储能系统运行约束包括电解制氢装置功率约束、电解制氢装置备用约束和储氢装置容量约束；
14.抽蓄电站运行约束包括抽蓄机组出力约束、抽蓄机组工况约束、抽蓄机组备用约束和水库运行约束；
15.风光出力约束包括风光机组出力约束和弃风光量约束；
16.新能源系统运行约束包括新能源系统功率平衡约束和日内氢负荷需求约束。
17.在其中一个实施例中，日前调度计划包括电制氢储能系统的计划耗电功率、抽蓄电站的计划抽水耗电功率、抽蓄电站的计划放水发电功率，以及风光电站的计划出力。
18.在其中一个实施例中，根据风光电站装机容量生成风光电站的风光出力模型的步骤包括：
19.根据风光电站装机容量，得到预测风光功率与风光出力预测误差的预设关系；
20.采用蒙特卡洛法随机抽样，生成风光出力预测误差的原始场景集合；
21.采用高斯混合聚类的场景划分方法处理风光出力预测误差的原始场景集合，得到风光出力预测误差的典型场景集合；典型场景集合包括各场景发生的概率和各场景下风光出力预测误差；
22.基于预设关系和典型场景集合，得到用于描述风光可用功率不确定性的风光出力场景集合；风光出力场景集合包括各场景发生的概率和各场景下的风光可用功率；风光可用功率为预测风光功率和风光出力预测误差的和。
23.第二方面，本技术还提供了一种新能源系统的日前调度装置。所述装置包括：
24.初始运行信息获取模块，用于获取新能源系统的初始运行信息，基于新能源系统的初始运行信息分别更新第一能量转换模型和第二能量转换模型；第一能量转换模型为基于电制氢储能系统的工作参数确定；第二能量转换模型为基于抽蓄电站的机组配置确定；
25.风光出力模型生成模块，用于根据风光电站装机容量生成风光电站的风光出力模型；
26.日前调度计划输出模块，用于基于风光出力模型、更新后的第一能量转换模型和第二能量转换模型，将日前调度约束作为日前调度目标函数的约束条件，对日前调度目标函数求取最优解，得到日前调度计划；日前调度约束包括电制氢储能系统运行约束、抽蓄电站运行约束、风光出力约束和新能源系统运行约束；日前调度目标函数通过最大化新能源系统输出电量构建。
27.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的方法的步骤。
28.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的方法的步骤。
29.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
30.上述新能源系统的日前调度方法、装置、计算机设备、存储介质和计算机程序产品，通过获取新能源系统的初始运行信息，基于新能源系统的初始运行信息分别更新电制氢储能系统的第一能量转换模型、以及抽蓄电站的第二能量转换模型；根据风光电站装机容量生成风光电站的风光出力模型；基于风光出力模型、更新后的第一能量转换模型和更新后的第二能量转换模型，将日前调度约束作为约束条件，对日前调度目标函数求取最优解，得到日前调度计划，能够充分发挥需求响应的作用，避免资源浪费的同时满足氢负荷需求，并实现最大发电量，能够提高能源的利用效率。
附图说明
31.图1为一个实施例中新能源系统的构架示意图；
32.图2为一个实施例中新能源系统的日前调度方法的流程示意图；
33.图3为一个实施例中电制氢储能系统能量转换示意图；
34.图4为一个实施例中抽蓄电站工作原理示意图；
35.图5为一个实施例中张北数据各时段风光预测曲线图；
36.图6为一个实施例中康保数据各时段风光预测曲线图；
37.图7为一个实施例中张北数据不同场景下风光可用出力曲线图；
38.图8为一个实施例中康保数据不同场景下风光可用出力曲线图；
39.图9为一个实施例中不同运行方式下模拟结果；
40.图10为一个实施例中运行方式d下按计划运行的新能源系统的供能情况；
41.图11为一个实施例中运行方式d下按场景3运行的能源系统的供能情况；
42.图12为一个实施例中不同风光预测精度下优化结果；
43.图13为一个实施例中不同抽蓄电站容量配置下优化结果；
44.图14为一个实施例中不同变速机组数量下优化结果；
45.图15为一个实施例中不同氢负荷需求下优化结果；
46.图16为一个实施例中计算机设备的内部结构图。
具体实施方式
47.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
48.需要说明的是，目前，受地理、水源等天然条件的影响，抽蓄电站不可能无限制地开发建设，难以承担大规模新能源并网后的全部调节任务；受当前技术水平限制，电制氢结合燃料电池发电时氢-电转化效率极低不到30％，难以实现能量的高效利用。需求侧响应是一种从需求侧应对新能源发电不确定与电力供需实时平衡之间矛盾的重要措施。传统需求侧负荷响应大多仅考虑电负荷需求响应，未能考虑电与其他形式能源的耦合关系，没有充分发挥需求响应的作用，还有很大的发展空间。电解水制氢技术具有高动态响应率和宽功率调节范围的特点，能够在不稳定电能条件下安全可靠地进行电解水制氢，因此，新能源制氢有望作为一种灵活性的需求响应资源直接参与系统调节，缓解新能源并网给系统运行带来的负面影响。
49.本技术实施例提供的新能源系统的日前调度方法，可以应用于如图1所示的新能源系统中。需要说明的是，新能源系统包括相连接的风光电站、抽蓄电站和电制氢储能系统，为一个风-光-氢-储零碳电力系统。考虑到风光的间歇性和随机性，以及抽蓄电站(pumped storage，ps)、电制氢(electricity-to-hydrogen system，ehs)存在的限制因素，将氢作为一种难以电气化领域的终端能源，新能源制氢作为一种需求侧响应资源和抽蓄电站共同承担功率调节任务，以实现绿电上网。具体而言，电制氢储能系统通过风光电站和抽蓄电站供电，电解制氢装置将制得的氢气通过压缩装置送入储氢装置储存，储氢装置为氢负荷提供氢能；抽蓄电站可以通过风光电站供电。
50.在一个实施例中，如图2所示，本技术提供了一种新能源系统的日前调度方法，所述方法包括：
51.步骤210，获取新能源系统的初始运行信息，基于新能源系统的初始运行信息分别更新电制氢储能系统的第一能量转换模型、以及抽蓄电站的第二能量转换模型；第一能量转换模型为基于电制氢储能系统的工作参数确定；第二能量转换模型为基于抽蓄电站的机组配置确定；
52.具体的，电制氢储能系统可以包括电解制氢装置、压缩装置和储氢装置；第一能量转换模型包括如下过程：电制氢储能系统通过电解制氢装置将电能转换为氢能，并将电解获得的氢能通过压缩装置存储于储氢装置中；
53.在一些示例中，电解制氢装置可以为电解槽；压缩装置可以为压缩机；储氢装置可以为储氢罐。如图3所示，第一能量转换模型可以采用如下公式确定：
[0054][0055][0056][0057]
式中，t为时刻；为电解制氢装置的耗电功率；η
p2h
为电解制氢转换系数(例如，电解制氢能量转换环节的转换效率)；为流入储氢装置的氢能；m
t
为储氢装置的氢能储量；o
t
为储氢装置提供给氢负荷的氢能，其值取决于储氢罐容量、风电富裕程度和外送氢能价格等因素。
[0058]
进一步的，如图4所示，抽蓄电站为抽水蓄能电站；抽水蓄能电站为利用电力负荷低谷时的电能抽水至上水库，在电力负荷高峰期再放水至下水库发电的水电站。抽蓄电站的机组配置包括抽蓄电站装机容量和抽蓄机组数量。
[0059]
在一些示例中，抽蓄机组数量包括常规恒速机组数量和变速恒频机组数量。第二能量转换模型可以采用如下公式确定：
[0060][0061][0062]
式中，为抽蓄机组在抽水工况下的耗电功率；为抽蓄机组在放水工况下的发电功率；η
pum
为抽水工况下的平均水量转换系数；η
gen
为放水工况下的平均电量转换系
数；为注入上水库中水的体积；为流出上水库中水的体积；v
t
为上水库的蓄水量；nh为抽蓄机组数量。
[0063]
步骤220，根据风光电站装机容量生成风光电站的风光出力模型；
[0064]
具体的，风光电站包括风电场和/或光伏电站；根据风光电站装机容量可以得到预测风光功率与风光出力预测误差的预设关系；风光出力模型可以为包括各场景发生的概率和各场景下的风光可用功率的风光出力场景集合；风光出力场景集合可以采用蒙特卡洛(monte carlo)法随机抽样和高斯混合聚类(gaussian mixture mode，gmm)的场景划分方法得到；风光可用功率为预测风光功率和风光出力预测误差的和。需要说明的是，蒙特卡洛法又称随机抽样或统计试验方法，能够真实地模拟实际物理过程，是以概率和统计理论方法为基础的一种计算方法；高斯混合聚类是一种概率式的聚类方法，它假定所有的数据样本由多个混合多元高斯分布组合成的混合分布生成。
[0065]
在一些示例中，采用蒙特卡洛法随机抽样，生成风光出力预测误差的原始场景集合；采用高斯混合聚类的场景划分方法处理风光出力预测误差的原始场景集合，得到风光出力预测误差的典型场景集合；典型场景集合包括各场景发生的概率和各场景下风光出力预测误差；基于预设关系和典型场景集合，得到用于描述风光可用功率不确定性的风光出力场景集合；风光出力场景集合包括各场景发生的概率和各场景下的风光可用功率。
[0066]
步骤230，基于风光出力模型、更新后的第一能量转换模型和更新后的第二能量转换模型，将日前调度约束作为约束条件，对日前调度目标函数求取最优解，得到日前调度计划；日前调度约束包括电制氢储能系统运行约束、抽蓄电站运行约束、风光出力约束和新能源系统运行约束；日前调度目标函数为通过最大化新能源系统输出电量构建得到。
[0067]
具体的，日前调度目标函数是确保新能源系统在任意风光出力场景集合内均能有效完成调度计划(例如，实际绿电上网功率与计划功率相等，满足日内氢负荷总量需求)的基础上，联合新能源系统绿电上网电量最大化，即在保证新能源系统具有足够调节能力按预定计划发电的情况下，尽可能多地对外输送绿色电能，使新能源系统综合效益最大。可以采用混合整数线性规划方法求取最优解的方式得到日前调度计划。
[0068]
在一些示例中，考虑到某些场景下提供备用、储能服务所付出的代价可能高于完全接纳风光所带来的收益，因此允许系统在运行中合理进行弃风光。采用如下公式构建日前调度目标函数：
[0069][0070]
式中，t为时刻；nv为光伏电站的数量；nw为风电场的数量；nh为抽蓄机组数量；p
v,t
为光伏电站v时刻t的计划出力；为电解制氢装置消耗的电功率；为抽蓄机组在抽水工况下的耗电功率；为抽蓄机组在放水工况下的发电功率。可以采用ibm cplex12.5求解器求解上述日前调度目标函数。
[0071]
本技术提出一种考虑电转氢气且含高风光渗透率的新能源系统的日前调度方法，为能源清洁化转型和新能源综合开发利用问题的解决提供参考。本技术新能源系统以风光作为系统的能量来源，保障了能源供给和消费的清洁、低碳化；由新能源制氢担任柔性氢负
荷拓展了需求侧响应的能源形式；将氢作为一种难以电气化领域的终端能源，新能源制氢作为一种需求侧响应资源和抽蓄电站共同承担功率调节任务，弥补了氢-电转换效率低、抽蓄电站开发规模有限的不足，在保障系统具有足够调节能力按预定计划发电的同时提高了能源利用效率。本技术实施例通过获取新能源系统的初始运行信息，基于新能源系统的初始运行信息分别更新电制氢储能系统的第一能量转换模型、以及抽蓄电站的第二能量转换模型；根据风光电站装机容量生成风光电站的风光出力模型；基于风光出力模型、更新后的第一能量转换模型和更新后的第二能量转换模型，将日前调度约束作为约束条件，对日前调度目标函数求取最优解，得到日前调度计划，能够充分发挥需求响应的作用，避免资源浪费的同时满足氢负荷需求，并实现最大发电量，能够提高能源的利用效率。
[0072]
在其中一个实施例中，根据风光电站装机容量生成风光电站的风光出力模型的步骤包括：
[0073]
根据风光电站装机容量，得到预测风光功率与风光出力预测误差的预设关系；
[0074]
采用蒙特卡洛法随机抽样，生成风光出力预测误差的原始场景集合；
[0075]
采用高斯混合聚类的场景划分方法处理风光出力预测误差的原始场景集合，得到风光出力预测误差的典型场景集合；典型场景集合包括各场景发生的概率和各场景下风光出力预测误差；
[0076]
基于预设关系和典型场景集合，得到用于描述风光可用功率不确定性的风光出力场景集合；风光出力场景集合包括各场景发生的概率和各场景下的风光可用功率；风光可用功率为预测风光功率和风光出力预测误差的和。
[0077]
具体的，通常认为风光出力预测误差服从均值为0，标准差为δ
t
的正态分布，生成模拟风光出力不确定性的模型；进一步的，生成和削减风光出力预测误差场景，可以通过蒙特卡洛法随机抽样技术获得大量风光功率预测误差场景，再利用基于高斯混合聚类的场景划分方法对众多原始场景进行削减，得到一组含有误差功率及概率信息的典型场景集；描述风光可用功率不确定性，可以将风光可用功率看作预测出力与预测误差之和，结合预测功率，可得到一组风光出力场景集。
[0078]
在一些示例中，当预测提前时间在24h之内时，采用如下公式生成模拟风光出力不确定性的模型：
[0079]
δ
t
＝εp
f，t
0.02q
cap
[0080]
式中，δ
t
为风光出力预测误差的正态分布标准差；ε为表征预测误差精度的参数，ε值越小表示预测精度越高；p
f，t
为预测风光功率，风光功率为风功率和光功率中的一种或两种；q
cap
为风光电站的装机容量，风光电站为风电场和光伏电站中的一种或两种。
[0081]
典型场景集合为{(p
δ，t，1
，π1)，(p
δ，t，2
，π2)，
…
，(p
δ，t，ω
，π
ω
)，(p
δ，t，w
，πw)}，其中，p
δ，t，ω
为风光出力预测误差；π
ω
为场景发生的概率；w为典型场景集合场景的场景数量；风光出力场景集合为{(p
t，i
，π1)，(p
t，2
，π2)，
…
，(p
t，ω
，π
ω
)，(p
t，w
，πw)}，式中，p
t，ω
为风光可用功率；p
t，ω
＝p
f，t
p
δ，t，ω
。
[0082]
在其中一个实施例中，电制氢储能系统的工作参数包括电解制氢装置额定功率、电解制氢装置转换效率和储氢装置可储存容量；抽蓄电站的机组配置包括抽蓄电站装机容量和抽蓄机组数量。
[0083]
具体的，电制氢储能系统的工作参数详见上述第一能量转换模型的公式，抽蓄电
站的机组配置详见上述第二能量转换模型的公式，在此不赘述。
[0084]
在其中一个实施例中，电制氢储能系统运行约束包括电解制氢装置功率约束、电解制氢装置备用约束和储氢装置容量约束；
[0085]
抽蓄电站运行约束包括抽蓄机组出力约束、抽蓄机组工况约束、抽蓄机组备用约束和水库运行约束；
[0086]
风光出力约束包括风光机组出力约束和弃风光量约束；
[0087]
新能源系统运行约束包括新能源系统功率平衡约束和日内氢负荷需求约束。
[0088]
具体的，电解制氢装置功率约束包括如下公式：
[0089][0090][0091]
式中，t为时刻；ω为场景；为电解制氢装置的制氢消耗电功率上限；为电解制氢装置的制氢消耗电功率下限；为所述电解制氢装置在时刻t场景ω下的制氢上备用调用量；为电解制氢装置在时刻t场景ω下的制氢下备用调用量；为在时刻t电解制氢装置的状态标志，其中，1表示处于对应状态，0表示不处于对应状态，可表示制氢、空闲两种运行状态。
[0092]
电解制氢装置备用约束包括如下公式：
[0093][0094][0095][0096][0097]
式中，为电解制氢装置在制氢的情况下，在时刻t向新能源系统提供的上备用可用容量；为电解制氢装置在制氢的情况下，在时刻t向系统提供的下备用可用容量；
[0098]
储氢装置容量约束包括如下公式：
[0099][0100][0101]mmin
≤m
t
≤m
max
[0102]mmin
≤m
t,ω
≤m
max
[0103]
m0＝m
end
[0104]m0,ω
＝m
end,ω
[0105]
0≤o
t
[0106]
0≤o
t,ω
[0107]
式中，m
t
为时刻t电解制氢装置的氢能储量；m
t,ω
为在时刻t场景ω下电解制氢装置的氢能储量；m
min
为电解制氢装置的最小存储氢能；m
max
为电解制氢装置的最大存储氢能；m0为电解制氢装置的初始时段的氢能储量；m
end
为电解制氢装置的期末时段的氢能储量；m
0,ω
为在场景ω下电解制氢装置的初始时段的氢能储量；m
end,ω
为场景ω下电解制氢装置的期
末时段的氢能储量；o
t
为在时刻t电解制氢装置向外界直接输送的氢能计划值；o
t,ω
为在时刻t场景ω下电解制氢装置向外界直接输送的氢能。
[0108]
抽蓄机组出力约束包括如下公式：
[0109][0110][0111][0112][0113]
式中，为抽蓄机组k允许的最小抽水功率；为抽蓄机组k允许的最大抽水功率；为抽蓄机组k允许的最小发电功率；为抽蓄机组k允许的最大发电功率；为抽蓄机组k在时刻t场景ω抽水工况下的上备用实际调用量；为抽蓄机组k在时刻t场景ω抽水工况下的下备用实际调用量；为抽蓄机组k在时刻t场景ω放水工况下的上备用实际调用量；为抽蓄机组k在时刻t场景ω放水工况下的下备用实际调用量；为抽蓄机组k在t时刻抽水工况下的状态标志；为抽蓄机组k在t时刻放水工况下的状态标志。
[0114]
抽蓄机组工况约束包括下式：
[0115][0116][0117]
即抽蓄机组k同一时刻只能处于抽水、放水或空闲工况之一；抽蓄电站的抽蓄机组中不能同时存在抽水和放水两种工况。
[0118]
抽蓄机组备用约束包括如下公式：
[0119][0120][0121]
约束抽蓄机组k在实时运行时抽水功率调整量不超过预留的备用容量，有：
[0122][0123][0124][0125][0126]
约束抽蓄机组k在实时运行时放水(发电)功率调整量不超过预留的备用容量，有：
[0127][0128][0129]
式中，为t时刻抽蓄机组k在抽水工况下向系统提供的上备用容量；为t时
刻抽蓄机组k在抽水工况下向系统提供的下备用容量；为t时刻抽蓄机组k在放水工况下向系统提供的上备用容量；为t时刻抽蓄机组k在放水工况下向系统提供的下备用容量。
[0130]
水库运行约束包括如下公式：
[0131][0132][0133]vmin
≤v
t
≤v
max
[0134]vmin
≤v
t,ω
≤v
max
[0135]
以及，保证在各个调度周期内任意场景下抽蓄电站水库蓄水量实现周期循环，以保障系统长期可持续运行，有：
[0136]v0
＝v
end
[0137]v0,ω
＝v
end,ω
[0138]
式中，v
t
为t时刻上水库蓄水量；v
t,ω
为时刻t场景ω下抽蓄电站上水库蓄水量；v
min
为上水库的最小蓄水量；v
max
为上水库的最大蓄水量；v0为上水库初始时段的蓄水量；v
end
为上水库期末时段的蓄水量；v
0,ω
为场景ω下抽蓄电站上水库初始时段的蓄水量；v
end,ω
为场景ω下抽蓄电站上水库期末时段的蓄水量。
[0139]
风光机组出力约束包括如下公式：
[0140][0141][0142]
式中，为风电场j的装机容量；为光伏电站v的装机容量；p
j,t
为风电场j在时刻t的可用功率；p
v,t
为光伏电站v在时刻t的可用功率；
[0143]
弃风光量约束包括如下公式：
[0144]
0≤s
j,t,ω
≤p
j,t,ω
[0145]
以及，弃光量不应大于光伏可用功率有：
[0146]
0≤s
v,t,ω
≤p
v,t,ω
[0147]
式中，p
j,t,ω
为风电场j在时刻t场景ω下的可用功率；s
j,t,ω
为风电场j在时刻t场景ω下的弃风量；s
v,t,ω
为光伏电站v在时刻t场景ω下的弃光量；p
v,t,ω
为光伏电站v在时刻t场景ω下的可用功率。
[0148]
新能源系统功率平衡约束为新能源系统的电功率平衡约束，通过控制电制氢储能系统用电功率、调节抽蓄电站抽水(蓄能)功率和放水(发电)功率、弃风光手段确保系统在任意风光出力场景内均能有效应对风光随机性并完成发电计划，以提高系统风光资源的可调度性。新能源系统功率平衡约束包括下式：
[0149]
[0150]
日内氢负荷需求约束要求新能源系统周期内对外输送的氢能总量应满足氢负荷需求。日内氢负荷需求约束包括下式：
[0151][0152]
在其中一个实施例中，日前调度计划包括电制氢储能系统的计划耗电功率、抽蓄电站的计划抽水耗电功率、抽蓄电站的计划放水发电功率，以及风光电站的计划出力。
[0153]
具体的，日前调度计划能够协调优化短期内包括日前发电-制氢计划、备用容量、抽水蓄能-放水发电功率、弃风光等电、氢生产过程。
[0154]
在其中一个实施例中，新能源系统的初始运行信息包括电制氢储能系统的储氢装置初始储能和抽蓄电站的上水库初始容量。
[0155]
具体的，基于电制氢储能系统的储氢装置初始储能更新电制氢储能系统的第一能量转换模型；基于抽蓄电站的上水库初始容量更新抽蓄电站的第二能量转换模型。
[0156]
在一些示例中，可以以张北零碳电力系统示范工程为例，检验上述新能源系统的日前调度方法。张北和康保两地新能源接入总容量7500mw，两地新能源接入容量配比2：1，风电和光伏接入容量配比1.5：1，储能配置1200mw。抽蓄电站包括2台常规恒速机组和2台变速恒频机组，单台机组额定容量300mw，变速机组抽水-发电功率可在10％～100％的功率区间内连续可调，恒速机组只有发电工况下功率可调，抽蓄机组发电-抽水工况下的平均水量/电量转换系数分别为999m3/(mw
·
h)和780m3/(mw
·
h)，上水库初始容量2.00
×
107m3，最小库容1.06
×
107m3，最大库容4.38
×
107m3。电解槽额定功率300mw，最小运行功率为额定功率的10％，电-氢能量转换效率为80％，存储氢能上限为3000mw.h，下限为1000mw.h，初始储能为2000mw.h。氢负荷取2000mw.h，假定风光预测精度参数ε均α＝0.2为0.2，张北数据和康保数据的风光预测曲线图分别如图5和图6所示，利用场景生成削减技术得10个出力场景，张北数据和康保数据的不同场景下风光可用出力曲线图分别如图7和图8所示。
[0157]
按照上述方法对考虑电转氢气且含高风光渗透率的日前调度目标函数求解。
[0158]
1)运行方式对模拟结果的影响
[0159]
选择同一算例对以下4种运行方式进行对比，以验证方法的有效性。
[0160]
运行方式a：新能源制氢不参与实时调节过程，无抽蓄电站；
[0161]
运行方式b：新能源制氢参与实时调节过程，无抽蓄电站；
[0162]
运行方式c：新能源制氢不参与实时调节过程，有抽蓄电站；
[0163]
运行方式d：新能源制氢参与实时调节过程，有抽蓄电站。
[0164]
图9给出了在这四种不同运行方式下系统的绿色上网电量和弃电情况。与运行方式a相比，运行方式b利用电制氢储能系统功率响应快速、调整范围宽的优势，通过引入需求响应的方式提高系统运行的灵活性，使得绿电上网电量提高了3.08％，弃电量降低了23.55％；运行方式c在运行方式a的基础上引入抽蓄电站来消纳多余的风光，并通过抽水蓄能-放水发电工况的快速转变和出力的快速调整跟踪风光出力的快速变化，使得绿电上网电量提高了9.36％，弃电量降低了80.12％；运行方式d即上述新能源系统的日前调度方法，在运行方式a的基础上同时引入作为需求侧响应资源的电制氢储能系统和具有储能与调节
作用的抽蓄电站，使得绿电上网电量提高了10.31％，弃电量降低了85.38％。可见，本技术新能源系统的日前调度方法能够使新能源系统回馈给电网的电量更多、弃风光更少，相较于其他三种方式综合效益最好。
[0165]
2)运行方式d下风光电站、抽蓄电站、电制氢储能系统供能情况分析
[0166]
下面对运行方式d下新能源系统的供能情况进行分析，按计划运行发电时风光电站、抽蓄电站、电制氢储能系统出力如图10所示，正值表示发电，包括：风电计划出力、光伏计划出力、抽蓄电站计划放水发电出力；负值表示耗电，包括：电制氢储能系统计划耗电功率、抽蓄电站计划抽水耗电功率，曲线表示新能源系统计划上网电量。当实时运行中风电场/光伏电站按场景3出力时，风光、抽蓄电站、电制氢储能系统出力以及出力调整变化情况如图11所示，发电部分包括：考虑弃风后风电实际并网功率、考虑弃光后光伏实际并网功率、考虑出力调整后抽蓄电站实际放水发电出力；耗电部分包括：考虑出力调整后电制氢储能系统实际耗电功率、考虑出力调整后抽蓄电站实际抽水耗电功率，曲线表示场景3下新能源系统的实际上网电量。
[0167]
风光场景3出力与计划出力存在偏差，由于出力波动导致风光超发部分的电量由电制氢储能系统增大电解水制氢功率、抽蓄电站增大抽水耗电功率或减小放水发电功率、弃风光共同参与消纳；由于出力波动导致风光欠发部分由电制氢储能系统减小电解水制氢功率、抽蓄电站减小抽水耗电功率或增加放水发电功率补齐。图10与图11中时序上网电量计划值与实际值曲线完全吻合，证明了本技术新能源系统的日前调度方法能够保证系统在任意风光出力场景内均能有效应对风光随机性并完成发电计划，提高了系统风光发电的可调度性。
[0168]
3)不同目标函数对优化结果的影响
[0169]
日前调度目标函数是确保新能源系统在任意风光不确定集内均能有效完成调度计划的基础上，最大化系统绿色上网电量，而非最小化弃风光量或最大化风光利用率，因为后者不能保证新能源的有效利用，某些场景下为了消纳风光而提供备用、储能所付出的代价可能高于完全接纳该部分风光所带来的收益。算例为不同目标函数下优化结果，如下表所示：
[0170][0171]
虽然最小化弃风光目标下弃风光量更少，但多消纳的这部分风光增加了对备用容量的需求，抽蓄电站也需为此而抽/放更多体积的水。经计算，完成本目标需要上备用8901mw
·
h、下备用6759mw
·
h、累计抽/放水1959039m3，而完成最小化弃风光目标需要上备用10548mw
·
h、下备用8619mw
·
h、累计抽/放水6642351m3，均有所增加。抽蓄电站提供储能、备用服务而投入运行时能量间的转换是伴随损耗的，因为抽水工况下消耗的电能大于消耗等体积的水所发出的电能，多消纳的风光在新能源系统内部以能量损失的形式浪费掉了，并未对上网电量的增加做出实质贡献。可见，本目标相较于最小化弃风光目标有更多的上网电量，可以更有效地利用风光资源。
[0172]
4)不同风光预测精度对优化结果的影响
[0173]
为检验风光预测精度对本技术所提新能源系统的日前调度方法优化结果的影响，逐步提高ε的数值，所得结果如图12所示。ε是表征预测误差精度的一个参数，值越小表示预测精度越高。
[0174]
随着风光出力预测精度的提高，系统弃风光电量呈下降趋势，绿电上网电量呈上升趋势。这是因为随着预测精度的提高，风光出力不确定性程度随之削减，系统对储能、备用调节服务需求减小，相应的能量损耗降低，有更多的绿色电能回馈电网。可见，提升风光预测技术进而提高预测精度是提高综合效益一种有效的手段。
[0175]
5)不同抽蓄电站容量配置对优化结果的影响
[0176]
为分析抽蓄电站规模对系统综合效益的影响，本技术对不同抽蓄电站容量配置方案进行了对比，对算例进行仿真，所得结果变化曲线如图13所示。
[0177]
系统绿电上网电量呈现随抽蓄电站装机容量增大先明显增加后趋于稳定的趋势，系统弃风光电量呈现随抽蓄电站装机容量增大先明显减少后趋于稳定的趋势，原因在于：初始增加抽蓄电站装机容量使系统拥有了储能能力，进一步提升了调节能力，能够消纳多余风光并跟踪风光出力变化；当容量达到1000mw时，由抽蓄电站带来的运行效益接近饱和，若继续增加，受能量损失、库容容量等其他条件限制，绿电上网电量增加量很小，弃风光电量减少量很小。可见，对于一定的风光装机容量，用于提升系统综合效益的抽蓄电站容量存在上限，因此，新能源和储能协调运行时应在容量上考虑最佳配置。
[0178]
6)不同变速机组占比对优化结果的影响
[0179]
为分析变速机组在抽蓄电站所有类型机组中占比对优化结果的影响，在相同抽蓄装机容量配置下，逐步增加抽蓄电站中变速机组台数，共设定4种情况，所得结果如图14所示。
[0180]
可以看出，随着变速机组数量的增加，系统弃风光电量呈下降趋势，绿电上网电量呈上升趋势。这是由于受恒速机组抽水功率限制，恒速机组抽水工况下只能按额定功率运行，而变速机组在抽水工况下能够在一定范围内连续调节出力，变速机组台数的增加等效提高了系统的灵活性，从而更好地应对风光出力的随机波动性，风光资源得到进一步的利用，综合效益更优。
[0181]
7)不同氢负荷需求对优化结果的影响
[0182]
通过设置不同的氢负荷，检验是否存在一个最优氢负荷需求值，使得系统对外输送的电-氢综合能量(绿电上网电量与氢负荷能量之和)最大。将氢负荷需求设置为0～2400mw
·
h，所得结果如图15所示。
[0183]
由图可知，绿电上网电量呈现随着氢负荷增加先缓慢减少后明显下降的趋势，电-氢综合能量呈现随着氢负荷增加先逐渐增加趋于最大值后逐渐减小的趋势，原因在于：初始增加氢负荷使系统具备需求侧响应能力，系统调节能力加强，能够消纳更多风光回馈给电网，此时上网电量减少缓慢(增加的氢负荷靠电制氢储能系统提供，消耗了电能，故电量会减少)，其变化幅度小于氢能增加幅度，电-氢综合能量呈增加趋势；当氢负荷增加至900mw
·
h附近时，负荷需求响应带来的效益接近饱和，上网电量减少明显，其变化幅度与氢能增加幅度基本相等，电-氢综合能量达到最大值；继续增加氢负荷，由于需求响应无法为系统带来新的增益而电-氢转换时存在能量损耗，上网电量减少迅速，其变化幅度大于氢能
增加幅度，电-氢综合能量呈下降趋势。可见，对于一个给定的系统，存在一个最优氢负荷使得电-氢综合能量最大的，决策者在对外供应氢负荷值的选定时应给予考虑。
[0184]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本技术中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0185]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的新能源系统的日前调度方法的新能源系统的日前调度装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个新能源系统的日前调度装置实施例中的具体限定可以参见上文中对于新能源系统的日前调度方法的限定，在此不再赘述。
[0186]
在一个实施例中，本技术还提供了一种新能源系统的日前调度装置。所述装置包括：
[0187]
初始运行信息获取模块，用于获取新能源系统的初始运行信息，基于新能源系统的初始运行信息分别更新第一能量转换模型和第二能量转换模型；第一能量转换模型为基于电制氢储能系统的工作参数确定；第二能量转换模型为基于抽蓄电站的机组配置确定；
[0188]
风光出力模型生成模块，用于根据风光电站装机容量生成风光电站的风光出力模型；
[0189]
日前调度计划输出模块，用于基于风光出力模型、更新后的第一能量转换模型和第二能量转换模型，将日前调度约束作为日前调度目标函数的约束条件，对日前调度目标函数求取最优解，得到日前调度计划；日前调度约束包括电制氢储能系统运行约束、抽蓄电站运行约束、风光出力约束和新能源系统运行约束；日前调度目标函数通过最大化新能源系统输出电量构建。
[0190]
在其中一个实施例中，风光出力模型生成模块还用于根据风光电站装机容量，得到预测风光功率与风光出力预测误差的预设关系；采用蒙特卡洛法随机抽样，生成风光出力预测误差的原始场景集合；采用高斯混合聚类的场景划分方法处理风光出力预测误差的原始场景集合，得到风光出力预测误差的典型场景集合；典型场景集合包括各场景发生的概率和各场景下风光出力预测误差；基于预设关系和典型场景集合，得到用于描述风光可用功率不确定性的风光出力场景集合；风光出力场景集合包括各场景发生的概率和各场景下的风光可用功率；风光可用功率为预测风光功率和风光出力预测误差的和。
[0191]
上述新能源系统的日前调度装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。
[0192]
在一个实施例中，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的方法的步骤。
[0193]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图16所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储新能源系统的第一能量转换模型、第二能量转换模型、风光出力模型、日前调度约束、日前调度目标函数和日前调度计划数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种新能源系统的日前调度方法。
[0194]
本领域技术人员可以理解，图16中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0195]
在一个实施例中，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的方法的步骤。
[0196]
在一个实施例中，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
[0197]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0198]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0199]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。