一种基于机会约束规划的混合储能容量优化配置方法技术

一种基于机会约束规划的混合储能容量优化配置方法属于风光储混合发电系统储能配置优化技术领域。本发明专利技术在计算得出混合储能系统所需的功率容量和能量容量的基础上，采用机会约束规划算法，计算出不同置信水平下，混合储能系统中蓄电池和超级电容的最优容量配置。此优化方法的优化目标为总成本最小。本发明专利技术所提的方法和所建优化模型的技术合理性和经济实用性都很强，为风光储混合发电系统的规划设计提供理论支撑和技术支持。

【技术实现步骤摘要】

本专利技术涉及风光储混合发电系统储能配置优化
，特别涉及一种基于机会约束规划的混合储能容量优化配置方法。
技术介绍
目前能源危机和环境污染的问题日益严重，光伏风电等新能源接入技术受到越来越大的关注。但是由于风力发电和光伏发电固有的波动性和随机性，随着可再生能源在电力系统的渗透率的增加，而对电力系统稳定运行和可靠性的影响也逐渐加剧。目前，平抑新能源注入功率的波动主要靠引入储能装置。而储能元件分为功率型和能量型。功率型指可以输出很大功率但储能总量不多的一类元件，如超级电容等；能量型指储能总量较大，但不适合短时间内输出很大功率的一类元件，如铅酸蓄电池和锂电池等。所以，合适的分配混合储能单元中，两种储能元件的配比，是平抑新能源入网功率波动的一项关键研究内容。传统的混合储能系统容量优化模型，主要是基于系统内功率需求和能量需求等约束条件，求出最小成本的容量配置方案。这种优化方法的问题是，为了能在任何情况下都能满足系统对储能容量的需求，而增加了储能元件的数量，从而导致经济性较差。因此现有技术当中亟需要一种新型的技术方案来解决这一问题。
技术实现思路
本专利技术所要解决的技术问题是：提供一种基于机会约束规划的混合储能容量优化配置方法用来解决传统的混合储能系统容量优化模型经济性较差的技术问题。一种基于机会约束规划的混合储能容量优化配置方法，其特征在于：包括以下步骤，并且以下步骤顺次进行，步骤一、根据风光发电系统总输出功率的原始实际值Prenew(t)获得实用的风光发电系统总输出功率预测值Prenew_forcast(t)，并根据预测值Prenew_forcast(t)获得输送功率参考值Ptrans_ref(t)，取时间t内的风光发电系统总输出功率的实际值Prenew(t)，其中0≤t≤Ti，建立支持向量和BP神经网络模型，获得Ti≤t≤Ti+1之间的风光总输出功率预测值Prenew_forcast(t)，取Ti+1-Ti为时间τ，并取τ内风光总输出功率预测值Prenew_forcast(t)的算术平均值为τ时间内的输送功率参考值Ptrans_ref(t)，将一天24小时按照时间τ均分，其中τ≥1小时，获得一天中每个τ时间内的输送功率参考值Ptrans_ref(t)，输送功率参考值Ptrans_ref(t)为风光总输出功率的调度目标值；步骤二、初级优化利用HOMER软件，建立成本f(X)的初级优化模型如下：其中N为系统设计的使用年限，C1为购置成本，CM(n)为第n年运行维护成本，CR(n)为第n以年置换成本，a为贴现系数，R为设备残值，由式(2)可得到贴现系数a，其中i为利率，输入蓄电池的数量的优化区间为[1,2,…,50]，HOMER把该优化区间内的所有方案进行排列组合，并自动选出获得储能单元总体需要的功率和能量中成本最小的方案；步骤三、次级优化a.储能单元出力满足系统需要的概率设定Pr{BAT本文档来自技高网...

【技术保护点】
一种基于机会约束规划的混合储能容量优化配置方法，其特征在于：包括以下步骤，并且以下步骤顺次进行，步骤一、根据风光发电系统总输出功率的原始实际值Prenew(t)获得实用的风光发电系统总输出功率预测值Prenew_forcast(t)，并根据预测值Prenew_forcast(t)获得输送功率参考值Ptrans_ref(t)，取时间t内的风光发电系统总输出功率的实际值Prenew(t)，其中0≤t≤Ti，建立支持向量和BP神经网络模型，获得Ti≤t≤Ti+1之间的风光总输出功率预测值Prenew_forcast(t)，取Ti+1‑Ti为时间τ，并取τ内风光总输出功率预测值Prenew_forcast(t)的算术平均值为τ时间内的输送功率参考值Ptrans_ref(t)，将一天24小时按照时间τ均分，其中τ≥1小时，获得一天中每个τ时间内的输送功率参考值Ptrans_ref(t)， 输送功率参考值Ptrans_ref(t)为风光总输出功率的调度目标值； 步骤二、初级优化 利用HOMER软件，建立成本f(X)的初级优化模型如下：f(X)=Σn=1N(C1+CM(n)+CR(n)-aR)---(1)]]>a=1(1+i)N---(2)]]> 其中N为系统设计的使用年限，C1为购置成本，CM(n)为第n年运行维护成本，CR(n)为第n以年置换成本，a为贴现系数，R为设备残值，由式(2)可得到贴现系数a，其中i为利率，输入蓄电池的数量的优化区间为[1,2,…,50]，HOMER把该优化区间内的所有方案进行排列组合，并自动选出获得储能单元总体需要的功率和能量中成本最小的方案；步骤三、次级优化a.储能单元出力满足系统需要的概率设定Pr{BAT}为满足PBAT(t)≤PBAT_rated的概率，Pr{SC}为满足PSC(t)≤PSC_rated的概率，同时满足Pr{BAT}和Pr{SC}的概率为功率分配成功的概率Pr{A}，其中PBAT(t)为蓄电池在t时刻，为满足系统负荷需要而输出的功率，PBAT(t)通过初级优化中HOMER软件的模拟结果得到；PBAT_rated为蓄电池的额定功率，是HOMER优化的变量，PBAT_rated为蓄电池数量与单块蓄电池的额定功率的乘积；PSC(t)为超级电容在t时刻，为满足系统负荷需要而输出的功率，PSC_rated为蓄电池的额定功率，Pr{|PBAT(t)|≤PBAT_rated}=Pr{BAT}Pr{|PSC(t)|≤PSC_rated}=Pr{SC}---(3)]]> Pr(A)＝Pr(BAT∩SC)            (4) 蓄电池用于存储能量，超级电容器用于存储充放电时的尖峰功率，所以优先获得PBAT_rated的取值，Pr(A)＝Pr(BAT)*Pr(SC|BAT)        (5)b.获得储能元件的荷电状态SOC蓄电池荷电状态和其充放电功率的关系为：SOCBAT=EBATini+∫0tc(ηBATcharPBATchar-1ηBATdisPBATdis)dtEBAT_rated---(6)]]>其中SOCBAT为蓄电池的荷电状态，为蓄电池的初始容量，为充电效率，分别代表充放电效率，为充电功率，为放电功率，EBAT_rated为蓄电池的额定容量，超级电容器的荷电状态为：SOCSC=ESCini+∫0tc(ηSCcharPSCchar-1ηSCdisPSCdis)dtESC_rated---(7)]]>其中SOCSC为超级电容的荷电状态，为超级电容的初始容量，为充电效率，分别代表充放电效率，为充电功率，为放电功率，ESC_rated为超级电容的额定容量；c.基于机会约束规划的混合储能目标函数以及约束条件为：minC＝PBAT_ratedCP_BAT+PSC_ratedCP_SC+EBAT_ratedCE_BAT+ESC_ratedCE_SCs.t.Pr{|Phyb|≤|PBAT_rated|}≥αPhyb_rated=PBAT_rated+PSC_ratedEhyb_rated=EBAT_rated+ESC_rated-PBAT_rated≤PBAT≤PBAT_rated-PSC_rated≤PSC≤PSC_ratedSOCminBAT≤SOCBAT≤SOCmaxBATSOCminSC≤SOCSC≤SOCmaxSCPhyb=PBAT+PSC---(8)]]> 式中，PBAT_rated为蓄电池的额定功率，PSC_rated为超级电容器的额定功率，EBAT_rated为蓄电池的额定容量，ESC_rated为超级电...

【技术特征摘要】
1.一种基于机会约束规划的混合储能容量优化配置方法，其特征在于：包括以下步骤，并且以下步骤顺次进行，步骤一、根据风光发电系统总输出功率的原始实际值Prenew(t)获得实用的风光发电系统总输出功率预测值Prenew_forcast(t)，并根据预测值Prenew_forcast(t)获得输送功率参考值Ptrans_ref(t)，取时间t内的风光发电系统总输出功率的实际值Prenew(t)，其中0≤t≤Ti，建立支持向量和BP神经网络模型，获得Ti≤t≤Ti+1之间的风光总输出功率预测值Prenew_forcast(t)，取Ti+1-Ti为时间τ，并取τ内风光总输出功率预测值Prenew_forcast(t)的算术平均值为τ时间内的输送功率参考值Ptrans_ref(t)，将一天24小时按照时间τ均分，其中τ≥1小时，获...

【专利技术属性】
技术研发人员：吕项羽，刘畅，王勇，李喆，李骄阳，蔡丽霞，郭莉，李德鑫，李成钢，常学飞，余达菲，高松，苏阔，
申请(专利权)人：吉林省电力科学研究院有限公司，国网吉林省电力有限公司电力科学研究院，国家电网公司，上海交通大学，
类型：发明
国别省市：吉林;22