一种含分布式储能的区域电网多时间尺度优化调度方法

1.本发明涉及智能电网技术领域，具体涉及一种含分布式储能的区域电网多时间尺度优化调度方法。


背景技术：

2.一方面，新能源发电不同于传统的火力发电，其受环境因素影响较大，新能源发电的间歇性、不确定性与高频波动性，使得传统火电机组的爬坡能力无法满足现有的调峰需求，大大增加了电网的调峰压力。另一方面，随着分布式储能的应用场景不断加深，电网优化调度迎来了新的解决思路，但相比于火电机组，储能系统造价较高，且高频充放电会严重影响系统使用寿命，从而增加调峰成本。因此，研究如何在充分利用分布式储能参与电网调峰的基础上，尽量减少区域电网的运行成本具有相当的现实意义。
3.国内外学者围绕储能系统参与电网优化调度的问题，在各个方面做出了广泛的研究。现有的研究或是在优化模型的创新方面，为应对不同时段系统的不确定因素,构建多时段多阶段的优化模型，在不同时段、不同时间尺度上逐步优化资源配置；或是在调度策略方面，大量学者在多方面，利用新的算法优化储能系统布局、改善系统优化调度；又或是通过联合调峰，利用多个可调度资源协同优化系统调峰。但已有的研究方案大多无法在深度优化储能系统出力计划的同时，兼顾系统运行的高昂成本，且都未考虑过优化调度策略中产生的有功网络损耗。
4.基于上述背景，针对多种新能源接入电网下，传统的火电机组无法满足系统负荷供电需求的问题，结合分布式储能的可时移、可调度特性，提出一种含分布式储能的区域电网多时间尺度优化调度策略，旨在缓解区域电网的调峰压力，同时降低系统运行的综合成本与有功网络损耗，进一步保障电网安全稳定运行。


技术实现要素：

5.为解决上述技术问题，本发明提供了一种含分布式储能的区域电网多时间尺度优化调度策略，在提升区域电网调峰能力的同时，减少系统的运行成本，可有效保障电网安全稳定运行。
6.一种含分布式储能的区域电网多时间尺度优化调度方法，包括如下步骤：步骤一：分析风力、光伏和火电机组的发电特性以及储能系统的充放电特性，建立含分布式储能的风光储区域电网模型；步骤二：提出日前优化调度策略，并从日前优化调度阶段运行成本最小和有功网络损耗最小的角度建立区域电网的一阶段双目标优化模型；步骤三：提出日内优化调度策略，并从日内优化调度阶段修正费用最小的角度建立区域电网的二阶段优化模型；步骤四：求解优化模型，基于求解结果改进区域电网的优化调度。
7.进一步地，步骤一所建立的含分布式储能的风光储区域电网模型，具体为：
1）风力发电数学模型采用与风速相关的双参数weibull概率分布函数建立风力发电数学模型，具体如公式（1）所示：
ꢀꢀ
（1）其中，v为风机叶轮处风速；c、k分别为分布参数、形状参数，具体求解公式如下：
ꢀꢀ
（2）
ꢀꢀ
（3）其中，σ为风速的标准差；μ为通过历史数据求得的平均风速；为伽马函数；风力参与系统调峰过程中满足以下约束条件，包括风电爬坡约束和风电弃风约束：
ꢀꢀ
（4）
ꢀꢀꢀ
（5）
ꢀꢀꢀ
（6）其中，为风电爬坡率，、分别为风电最小、最大爬坡率；为t时刻两个风电功率间的时间间隔，为t时刻的弃风功率，为t时刻风电出力，为t 1时刻风电出力；2）光伏发电数学模型采用与描述太阳光照强度分布相关beta分布概率密度函数建立光伏发电数学模型，具体如公式（7）所示：
ꢀꢀ
（7）其中，r为光照强度；r
max
为最大光照强度；α，β为beta分布形状参数，计算公式如下
ꢀꢀ
（8）
ꢀꢀ
（9）其中，σ为太阳光强度的方差；μ为太阳光强度的均值。
8.太阳光辐射强度、光伏电池板面积以及逆变器转换效率决定了光伏发电单元的输出功率，具体表达式如下：
ꢀꢀ
（10）其中，pv为光伏发电的输出功率；r为光伏电池板吸收太阳光的辐射强度，单位为w/m2；a为光伏电池板安装面积，单位为m2；η为组件的转换效率；光伏参与系统调峰过程中满足以下约束条件，包括光伏爬坡约束和弃光约束：
ꢀꢀꢀ
（11）
ꢀꢀ
（12）
ꢀꢀ
（13）其中，为光伏发电功率下限，为光伏发电功率上限，为t时刻光伏发电功率，为t-1时刻光伏发电功率，为光伏下爬坡率极限值，为光伏上爬坡率极限值，为t时刻弃光功率；3）储能系统数学模型储能系统在任意时刻的充放电潜力主要通过衡量该时刻储能装置中蓄电池的荷电状态来判断，表达式如下：
ꢀꢀ
（14）其中，为t时刻储能电荷率，为t时刻储能系统中的能量，为系统额定容量；储能系统参与电网优化调度时需满足以下约束条件，包括功率约束、荷电约束与容量约束：
ꢀꢀꢀ
（15）
ꢀꢀꢀ
（16）
ꢀꢀꢀ
（17）
ꢀꢀꢀ
（18）
ꢀꢀ
（19）
ꢀꢀꢀ
（20）其中，p
in,max
为储能最大充电功率，p
in,t
为t时刻储能的充电功率；p
o,max
为储能最大放电功率，p
o,t
为t时刻储能的放电功率，soc
max
、soc
min
分别为储能最大、最小荷电率，soco为储能初始荷电率，e
max
，e
min 分别为储能容量上、下限，为时间间隔，分别为储能充、放电效率。
9.进一步地，步骤二所提出的日前优化调度策略，具体为：步骤2-1、设置初始参考值，包括储能单位成本、风机分布参数、形状参数、储能容量；步骤2-2、输入日前数据，包括光伏发电功率，风力发电功率，负荷功率，火电机组出力，光伏上下爬坡率；步骤2-3、含分布式储能的区域电网优化调度策略如下：
①
计算日前负荷与风光出力及火电机组出力之和的差值
△
p；
②△
p＜0，储能系统充电运行，同时运用粒子群算法优化储能系统中各储能单元的充电功率，若储能系统达到满状态，则向上级电网卖电；
③△
p＞0，储能系统放电运行，同时运用粒子群算法优化储能系统中各储能单元的放电功率，若储能系统亦无法满足供电需求，则向上级电网购电；步骤2-4、得到t时刻优化配置的储能系统中各储能单元的充、放电功率；步骤2-5、令ｔ为优化总时段数，若t≤t，令t=t 1，返回输入下一时刻的日前数据，设置或更新优化调度模型，并计算下一时刻储能系统的优化配置；步骤2-6、若所有时刻均求出可行解，则输出最终解集。
10.进一步地，步骤二所建立的日前优化调度阶段双目标优化模型，其目标函数为：日前优化阶段采用双目标函数联合优化电网调峰，首先以电网购电成本与储能系统运行成本之和最小为优化目标，建立目标函数如下：
ꢀꢀ
（21）其中，为储能单元运行成本函数；为系统与上级电网联络线运行成本；ｔ为优化总时段数；（22）其中，为储能单元个数，为第个储能单元的单元运行成本，,分别为ｔ时刻第个储能单元的充、放电功率，为ｔ时刻电网的实时电价；接着以系统运行过程中有功网络损耗最小为优化目标，建立目标函数如下：
ꢀꢀ
（23）其中，a为区域电网支路数量，为t时刻第j条支路的电阻，、分别为t时刻第j条支路的有功功率与无功功率，为t时刻第j条支路末端的电压幅值。
11.进一步地，步骤三所提出的日内优化调度策略，具体为：
步骤3-1、对t时刻风光发电、火电机组、储能单元、系统负荷状态等数据进行采样，得到t时刻系统运行状态u(t)；步骤3-2、利用超短期预测，得到光伏发电功率，风力发电功率，负荷功率等预测结果，并建立日内优化调度模型，确定目标函数；步骤3-3、得到未来t 1，t 2，
…
，t k时刻优化配置的修正指令序列，并将其第一个值用于修正计划；步骤3-4、若t≤t，令t=t 1，返回步骤1，更新系统运行状态u(t 1)，并计算下一时刻的修正计划；步骤3-5、若所有时刻均求出可行解，则输出最终解集。
12.进一步地，步骤三所建立的日内优化调度阶段优化模型，其目标函数为：
ꢀꢀꢀ
（24）
ꢀꢀꢀ
（25）
ꢀꢀꢀ
（26）其中，为储能单元调整费用函数，为上级联络线运行调整费用， 为调整后的上级交换功率。
13.有益效果：由于采用了综合考虑日前优化调度阶段运行成本最小及日内优化调度阶段修正费用最小的区域电网双目标优化模型方案，解决了新能源大规模并网带来的区域电网调峰压力问题，相对于背景技术带来了提升区域电网调峰能力、大幅减小了储能系统运行成本与系统网络损耗、保障区域电网的安全稳定运行的显著效果。
附图说明
14.图1是本发明的风力发电机输出功率与风速的关系曲线图图2为本发明的含分布式储能的区域电网优化调度数学模型求解流程图图3为本发明的含分布式储能的区域电网多时间尺度优化调度策略流程图。
具体实施方式
15.下面结合具体实施例和附图对本发明进一步进行描述。
16.本实施例提供了一种含分布式储能的区域电网多时间尺度优化调度方法，包括如下步骤：步骤一：分析风力、光伏和火电机组的发电特性以及储能系统的充放电特性，建立含分布式储能的风光储区域电网模型；步骤二：提出日前优化调度策略，并从日前优化调度阶段运行成本最小和有功网
络损耗最小的角度建立区域电网的一阶段双目标优化模型；步骤三：提出日内优化调度策略，并从日内优化调度阶段修正费用最小的角度建立区域电网的二阶段优化模型；步骤四：求解优化模型，基于求解结果改进区域电网的优化调度。
17.本实施例的步骤一所建立的含分布式储能的风光储区域电网模型，具体为：1）风力发电数学模型实际电网中风力发电受天气与风速影响较大，其风力出力曲线具有间歇性、随机性和高频波动性。对此，为准确描述区域电网中的风力变化，采用与风速相关的双参数weibull概率分布函数建立风力发电数学模型，具体如公式（1）所示：
ꢀꢀ
（1）其中，v为风机叶轮处风速；c、k分别为分布参数、形状参数，具体求解公式如下：
ꢀꢀ
（2）
ꢀꢀ
（3）其中，σ为风速的标准差；μ为通过历史数据求得的平均风速；为伽马函数；风力发电机输出功率与风速的weibull双参数风速概率分布函数曲线如图1所示，其中v为实时风速；v
qr
为风机切入风速；ve为额定风速；v
qc
为切出风速；p
we
为风机的额定功率风力参与系统调峰过程中满足以下约束条件，包括风电爬坡约束和风电弃风约束：
ꢀꢀꢀ
（4）
ꢀꢀꢀ
（5）
ꢀꢀꢀ
（6）其中，为风电爬坡率，、分别为风电最小、最大爬坡率；为t时刻两个风电功率间的时间间隔，为t时刻的弃风功率，为t时刻风电出力，为t 1时刻风电出力。
18.2）光伏发电数学模型采用与描述太阳光照强度分布相关beta分布概率密度函数建立光伏发电数学模型，具体如公式（7）所示：
ꢀꢀꢀ
（7）其中，r为光照强度；r
max
为最大光照强度；α，β为beta分布形状参数，计算公式如下
ꢀꢀ
（8）
ꢀꢀꢀ
（9）其中，σ为太阳光强度的方差；μ为太阳光强度的均值。
19.太阳光辐射强度、光伏电池板面积以及逆变器转换效率决定了光伏发电单元的输出功率，具体表达式如下：
ꢀꢀ
（10）其中，pv为光伏发电的输出功率；r为光伏电池板吸收太阳光的辐射强度，单位为w/m2；a为光伏电池板安装面积，单位为m2；η为组件的转换效率；光伏参与系统调峰过程中满足以下约束条件，包括光伏爬坡约束和弃光约束：
ꢀꢀꢀ
（11）
ꢀꢀꢀ
（12）
ꢀꢀꢀ
（13）其中，为光伏发电功率下限，为光伏发电功率上限，为t时刻光伏发电功率，为t-1时刻光伏发电功率，为光伏下爬坡率极限值，为光伏上爬坡率极限值，为t时刻弃光功率；3）储能系统数学模型由于新能源发电的间歇性较大，随着大规模新能源的不断并网，新能源本身也会影响电网功率平衡。对此，在用电低谷期，火电机组爬坡压力较小时，系统会先将风力与光伏发电存储到储能系统的蓄电池中，直至蓄电池充满；当储能系统处于满状态时，首先通过并网逆变器将新能源发电接入负载；若新能源出力无法满足电网负载用电，则通过储能系统放电来维持电网功率平衡。新能源发电在储能系统接入的情况下，所得电力可接入电网直接为负载供电，也可以通过储能系统，在负荷高峰期放电参与系统调峰，从而达到削峰填谷的作用。
20.储能系统在任意时刻的充放电潜力主要通过衡量该时刻储能装置中蓄电池的荷电状态来判断，表达式如下：
ꢀꢀꢀ
（14）
其中，为t时刻储能电荷率，为t时刻储能系统中的能量，为系统额定容量；储能系统参与电网优化调度时需满足以下约束条件，包括功率约束、荷电约束与容量约束：
ꢀꢀꢀ
（15）
ꢀꢀꢀ
（16）
ꢀꢀꢀ
（17）
ꢀꢀ
（18）
ꢀꢀ
（19）
ꢀꢀꢀ
（20）其中，p
in,max
为储能最大充电功率，p
in,t
为t时刻储能的充电功率；p
o,max
为储能最大放电功率，p
o,t
为t时刻储能的放电功率，soc
max
、soc
min
分别为储能最大、最小荷电率，soco为储能初始荷电率，e
max
，e
min 分别为储能容量上、下限，为时间间隔，分别为储能充、放电效率。
21.本实施例的步骤二所提出的日前优化调度策略，具体为：日前优化调度利用前一日电网负荷变化量、风光及火电出力数据制定当日调度计划，其中，假设风力与光伏出力不变，日内分为 24个时间节点，任意时间节点内各发电单元出力不变。
22.在初始时刻t0，首先计算日前负荷与风光出力及火电机组出力之和的差值，并将其记为
△
p，若
△
p＜0，风光出力较大，利用储能系统进行新能源消纳，此时储能系统充电，同时运用粒子群算法优化储能系统中各储能单元的充电功率，若储能系统达到满状态，则向上级电网卖电；若
△
p＞0，此时处于负荷高峰期，仅依靠风光与火电出力不足以满足供电需求，储能系统放电，同时运用粒子群算法优化储能系统中各储能单元的放电功率，若储能系统亦无法满足供电需求，则向上级电网购电。
23.在上述理论分析基础上建立仿真模型并求解，具体实现流程如图2所示，步骤如下：步骤2-1、设置初始参考值，包括储能单位成本、风机分布参数、形状参数、储能容量；步骤2-2、输入日前数据，包括光伏发电功率，风力发电功率，负荷功率，火电机组出力，光伏上下爬坡率；步骤2-3、含分布式储能的区域电网优化调度策略如下：
①
计算日前负荷与风光出力及火电机组出力之和的差值
△
p；
②△
p＜0，储能系统充电运行，同时运用粒子群算法优化储能系统中各储能单元的充电功率，若储能系统达到满状态，则向上级电网卖电；
③△
p＞0，储能系统放电运行，同时运用粒子群算法优化储能系统中各储能单元
的放电功率，若储能系统亦无法满足供电需求，则向上级电网购电；步骤2-4、得到t时刻优化配置的储能系统中各储能单元的充、放电功率；步骤2-5、令ｔ为优化总时段数，若t≤t，令t=t 1，返回输入下一时刻的日前数据，设置或更新优化调度模型，并计算下一时刻储能系统的优化配置；步骤2-6、若所有时刻均求出可行解，则输出最终解集。
24.本实施例的步骤二所建立的日前优化调度阶段双目标优化模型，其目标函数为：日前优化阶段采用双目标函数联合优化电网调峰，首先以电网购电成本与储能系统运行成本之和最小为优化目标，建立目标函数如下：
ꢀꢀꢀ
（21）其中，为储能单元运行成本函数；为系统与上级电网联络线运行成本；ｔ为优化总时段数；（22）其中，为储能单元个数，为第个储能单元的单元运行成本，,分别为ｔ时刻第个储能单元的充、放电功率，为ｔ时刻电网的实时电价；接着以系统运行过程中有功网络损耗最小为优化目标，建立目标函数如下：
ꢀꢀ
（23）其中，a为区域电网支路数量，为t时刻第j条支路的电阻，、分别为t时刻第j条支路的有功功率与无功功率，为t时刻第j条支路末端的电压幅值。
25.本实施例的步骤三所提出的日内优化调度策略，具体为：日内优化阶段在日前优化调度所得数据的基础上，经过模型预测计算，不断更新各储能单元的出力计划，以达到对日前调度计划的修正。日内优化调度采用滚动优化策略，为实现在不同尺度上的无差优化调度，将一日内进一步分为48个时间节点，并假设任意时间节点内各发电单元出力不变。日内滚动优化过程首先在初始时刻t0采集系统各发电单元的运行状态，通过一系列模型预测计算得到k时刻后[t0，t
0 k
]的系统预测状态与控制优化序列。接着根据系统优化配置的性能指标，将系统优化序列的第一个值作为新的系统运行状态。将采样时间更新为下一时刻t
0 1
，并更新预测时域与控制时域，重复以上操作。
[0026]
在上述理论分析基础上建立仿真模型并求解，具体实现步骤如下：步骤3-1、对t时刻风光发电、火电机组、储能单元、系统负荷状态等数据进行采样，得到t时刻系统运行状态u(t)；步骤3-2、利用超短期预测，得到光伏发电功率，风力发电功率，负荷功率等预测结
果，并建立日内优化调度模型，确定目标函数；步骤3-3、得到未来t 1，t 2，
…
，t k时刻优化配置的修正指令序列，并将其第一个值用于修正计划；步骤3-4、若t≤t，令t=t 1，返回步骤1，更新系统运行状态u(t 1)，并计算下一时刻的修正计划；步骤3-5、若所有时刻均求出可行解，则输出最终解集。
[0027]
本实施例的步骤三所建立的日内优化调度阶段优化模型，其目标函数为：日内优化阶段考虑了区域电网运行的经济性和功率波动特性，从日内修正调度成本的角度构建了区域电网的优化模型，在保证电网安全稳定运行的同时，进一步降低系统运行成本，其目标函数为：
ꢀꢀꢀ
（24）
ꢀꢀꢀ
（25）
ꢀꢀ
（26）其中，为储能单元调整费用函数，为上级联络线运行调整费用， 为调整后的上级交换功率。
[0028]
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。