一种基于风电功率概率预测的混合储能优化定容与调控方法技术

本发明专利技术公开了一种基于风电功率概率预测的混合储能优化定容与调控方法。该方法根据风电概率预测结果生成具有时间相关性的风电典型场景；然后提出一种自适应变分模态分解算法，从风电场景中提取满足风电并网要求的风电功率低频分量和符合电池储能和超级电容储能工作特性的风电功率中、高频分量；最后，建立包含风储混合系统有功功率平衡约束、储能功率约束、储能容量约束、电池储能循环寿命约束和超级电容荷电状态机会约束的混合储能优化定容与调控模型，求解出混合储能优化定容与调控结果。本发明专利技术在保证混合储能有效平抑风电波动的情况下，实现对混合储能进行经济优化定容，可减少风电功率波动对电网安全稳定运行的影响，提高电网的风电接入能力。

A hybrid energy storage optimal sizing and regulation method based on wind power probability prediction

【技术实现步骤摘要】
一种基于风电功率概率预测的混合储能优化定容与调控方法
本专利技术涉及一种基于风电功率概率预测的混合储能优化定容与调控方法，属于可再生能源优化并网领域。
技术介绍
随着风电装机容量逐年增大，电网中风电渗透率不断上升，风电的波动性、随机性和反调峰特性给电网的运行控制、调度管理带来了巨大挑战。为有效应对电网中风电渗透率不断上升的情况，如何减小并网风电波动对电力系统的影响，提高风电并网运行能力，从而保证系统的安全稳定运行成为了当前研究的热门问题。随着储能技术不断发展，各种类型的储能设备被运用于电力系统中，储能系统灵活充/放电的运行特性使其可以有效应对风力发电的不确定性，平抑风电有功功率波动，让电网可以应对风电渗透率不断增加的趋势。现有考虑储能平抑风电波动优化定容和调控的研究多只考虑使用一种储能设备，不能获得最佳的风电波动平抑效果；此外，已有的储能平抑风电波动优化定容和调控的研究都基于风电历史数据或风电点预测数据，未有效量化风电不确定性，所获得的优化定容和调控结果不能满足电网实际运行的需要。因此，有必要提出一种基于概率预测的混合储能优化定容和调控方法。
技术实现思路
为了克服现有技术的不足，本专利技术的目的是提出一种基于风电功率概率预测的混合储能优化定容与调控方法。该方法首先根据风电概率预测结果生成具有时间相关性的风电典型场景从而有效量化风电不确定性；然后提出一种自适应变分模态分解算法，实现从风电场景中提取出满足风电并网要求的风电功率低频分量和符合电池储能和超级电容储能工作特性的风电功率中、高频分量。最后，建立包含风储混合系统有功功率平衡约束、储能功率约束、储能容量约束、电池储能循环寿命约束和超级电容荷电状态机会约束的混合储能优化定容与调控模型，并求解出混合储能优化定容与调控结果。本专利技术采用的技术方案如下：一种基于风电功率概率预测的混合储能优化定容与调控方法，包括以下步骤：步骤1：考虑到储能技术类型较多，不同类型储能的特点、性能各异，采用能量型储能电池储能和功率型储能超级电容储能组成混合储能系统，并将混合储能系统安装于风电场中，从而构建成风储混合系统。风电机组的发电功率汇集到风电场中，混合储能系统安装于风电场中并通过充/放电对风电功率波动进行平抑，经平抑后的风电功率再并入电网。有序控制混合储能系统中的电池储能和超级电容储能充/放电可以减小风电场输出风电的有功功率波动，使得风储混合系统的并网风电功率变得平滑。步骤2：使用直接分位数回归的非参概率预测方法预测得到风电功率的一组预测分位点，表示为:其中，为实际分位点的估计值；是分位水平从0到1的预测分位点序列，对应风电累积分布函数曲线上离散点的横坐标值；R为分位点个数。在每个时刻，根据直接分位数回归的非参概率预测得到的预测分位点序列采用线性插值方法处理得到完整的风电累积分布函数Ft(·)。根据基于概率预测所得到的风电累积分布函数Ft(·)，可通过x1＝F1-1(y1),…,xt＝Ft-1(yt),…xT＝FT-1(yT)计算求得以y＝[y1,...,yt,...,yT]T为累积概率的不同时刻的风电功率x1,...,xt,...,xT，其中，yt为服从[0,1]均匀分布的随机变量，T为一个预测周期的时长，其取值为正整数。为了对累积分布函数Ft(·)之间的时间相关性进行建模，引入多元高斯Copula函数。采用有T个随机变量的多元高斯Copula函数C(·)，并根据基于概率预测所得到的风电累积分布函数Ft(·)，即可构造出满足风电功率时序相关性的多元高斯Copula函数F(x1,…,xT)，即F(x1,…,xT)＝C(F1(x1),…,FT(xT))＝C(y1,…,yT)通过对多元高斯Copula函数进行蒙特卡罗抽样，可以得到N个具有时间相关性的风电场景，这些场景组成了原始风电场景集以反映风电功率的随机特性，并用于量化风电不确定性。采用k-means聚类算法对原始风电场景进行削减，从而获得具有N*个典型风电场景的风电场景集其中为第i个典型风电场景，为典型风电场景i在时刻t时的风电功率值。步骤3：使用自适应变分模态分解方法来确定合适的模态分量数K以及风电功率中频和高频分量之间的频率分界点l，实现从风电功率中提取出满足并网要求的目标并网风电功率，并根据混合储能中不同储能设备的运行特性分配其充/放电功率。对于所获得的典型风电场景集中的第i个典型风电场景经变分模态分解后得到的结果表示如下：其中，是第i个典型风电场景的第j个模态分量，Ki为典型风电场景i的模态分量数。对于第i个典型风电场景，其模态分量数Ki和风电功率中频分量与高频分量之间的频率分界点li通过以下规则自适应地确定：(1)与目标并网风电功率相对应的低频分量(即第一个模态分量)要满足电网对风电并网有功功率波动的安全运行要求；(2)中频分量符合容量密度大、持续充/放电时间长的能量型储能电池储能的运行特性(电池储能的容量密度、持续充/放电时间可根据需要自行确定)，并作为电池储能的预调度充/放电功率；(3)高频分量符合功率密度较大、持续充/放电时间较短的功率型储能超级电容储能的运行特性(超级电容储能的容量密度、持续充/放电时间可根据需要自行确定)，并作为超级电容储能的预调度充/放电功率。若超级电容储能的持续充放电时间选定为5分钟，则高频分量包括中心频率高于1/(5·60)Hz的模态分量，而中频分量包括除了低频分量所对应的模态分量以外的中心频率低于1/(5·60)Hz的所有模态分量。自适应变分模态分解方法所提取的典型风电场景i的风电低、中和高频分量表示如下：其中，模态分量提取了风电波动中需要被电池储能平抑的中频分量，而模态分量则提取了风电波动中需要被超级电容储能平抑的高频分量。为典型风电场景i的目标并网风电功率的预调度值，Ptw为时刻t时的并网风电功率预调度目标值；为典型风电场景i下电池储能充/放电功率的预调度计划，为典型风电场景i在时刻t时电池储能的充/放电功率预调度值；为典型风电场景i下超级电容储能充/放电功率的预调度计划，为典型风电场景i在时刻t时超级电容储能的充/放电功率预调度值；步骤4：提出的混合储能随机优化定容和调控模型的目标函数包括储能投资成本、储能运行/维护成本和风电波动的惩罚。混合储能随机优化定容模型的目标函数表示为:上式中fs(x)为：其中，和为电池储能和超级电容储能的单位容量日分摊成本；和为电池储能的额定容量和额定功率；和为电池储能和超级电容储能的单位功率日分摊成本；和为超级电容储能的额定容量和额定功率；Cpun为优化后的并网风电功率与目标并网风电功率之间功率偏差的惩罚系数；PtBESS为时刻t时电池储能的充/放电功率；PtSC为时刻t时超级电容储能的充/放电功率；CBESS为电池储能的单位运行成本系数；CSC为超级电容储能的单位运行成本系数；Ptw为时刻t时的并网风电功率预调度目标值；为时刻t时随机优化后的风储混合系统并网本文档来自技高网...

【技术保护点】
1.一种基于风电功率概率预测的混合储能优化定容与调控方法，其特征在于：该混合储能优化定容与调控方法包括以下步骤：/n步骤1：采用电池储能和超级电容储能组成混合储能系统，并将混合储能系统安装于风电场中，从而构建成风储混合系统；/n步骤2：使用直接分位数回归的非参概率预测方法预测得到风电功率的一组预测分位点，表示为:/n

【技术特征摘要】
1.一种基于风电功率概率预测的混合储能优化定容与调控方法，其特征在于：该混合储能优化定容与调控方法包括以下步骤：
步骤1：采用电池储能和超级电容储能组成混合储能系统，并将混合储能系统安装于风电场中，从而构建成风储混合系统；
步骤2：使用直接分位数回归的非参概率预测方法预测得到风电功率的一组预测分位点，表示为:



其中，为实际分位点的估计值；是分位水平从0到1的预测分位点序列，对应风电累积分布函数曲线上离散点的横坐标值；R为分位点个数；在每个时刻，采用线性插值方法对预测分位点序列进行处理得到完整的风电累积分布函数Ft(·)；根据风电累积分布函数Ft(·)，通过x1＝F1-1(y1),…,xt＝Ft-1(yt),…xT＝FT-1(yT)计算求得以y＝[y1,…,yt,…,yT]T为累积概率的不同时刻的风电功率x1,…,xt,…,xT，其中，yt为服从[0,1]均匀分布的随机变量，T为一个预测周期的时长，其取值为正整数；
引入多元高斯Copula函数对累积分布函数Ft(·)之间的时间相关性进行建模；采用有T个随机变量的多元高斯Copula函数C(·)，并根据风电累积分布函数Ft(·)构造出满足风电功率时序相关性的多元高斯Copula函数F(x1,…,xT)，即
F(x1,…,xT)＝C(F1(x1),…,FT(xT))＝C(y1,…,yT)
通过对多元高斯Copula函数进行蒙特卡罗抽样，得到N个具有时间相关性的风电场景，这些场景组成原始风电场景集采用k-means聚类算法对原始风电场景进行削减，从而获得具有N*个典型风电场景的风电场景集其中为第i个典型风电场景，为典型风电场景i在时刻t时的风电功率值；
步骤3：使用自适应变分模态分解方法来确定合适的模态分量数K以及风电功率中频和高频分量之间的频率分界点l，实现从风电功率中提取出满足并网要求的目标并网风电功率，并根据混合储能中不同储能设备的运行特性分配其充/放电功率；
对于所获得的典型风电场景集中的第i个典型风电场景经变分模态分解后得到的结果表示如下：



其中，是第i个典型风电场景的第j个模态分量，Ki为典型风电场景i的模态分量数；
自适应变分模态分解方法所提取的典型风电场景i的风电低、中和高频分量表示如下：









其中，模态分量提取了风电波动中需要被电池储能平抑的中频分量，而模态分量则提取了风电波动中需要被超级电容储能平抑的高频分量；为典型风电场景i的目标并网风电功率的预调度值，Ptw为时刻t时的并网风电功率预调度目标值；为典型风电场景i下电池储能充/放电功率的预调度计划，为典型风电场景i在时刻t时电池储能的充/放电功率预调度值；为典型风电场景i下超级电容储能充/放电功率的预调度计划，为典型风电场景i在时刻t时超级电容储能的充/放电功率预调度值；
步骤4：提出的混合储能随机优化定容和调控模型的目标函数包括储能投资成本、储能运行/维护成本和风电波动的惩罚；混合储能随机优化定容和调控模型的目标函数表示为:



上式中fs(x)为：



其中，和为电池储能和超级电容储能的单位容量日分摊成本；和为电池储能的额定容量和额定功率；和为电池储能和超级电容储能的单位功率日分摊成本；和为超级电容储能的额定容量和额定功率；Cpun为优化后的并网风电功率与目标并网风电功率之间功率偏差的惩罚系数；PtBESS为时刻t时电池储能的充/放电功率；PtSC为时刻t时超级电容储能的充/放电功率；CBESS为电池储能的单位运行成本系数；CSC为超级电容储能的单位运行成本系数；为时刻t时随机优化后的风储混合系统并网风电功率；Δt为时间间隔；x为风电功率随机变量；
混合储能的固定投资成本包括额定功率成本和额定容量成本m表示集合中包含的储能设备类型，其中BESS表示电池储能，SC表示超级电容储能；在混合储能被安装后，其固定投资成本按日进行分摊，储能的单位容量日分摊成本和单位功率日分摊成本定义如下:






其中，为储能设备m的单位容量成本；为储能设备m的单位功率成本；Wm为储能设备m的年平均运行天数；Tm为储能设备m的预期寿命；
(1)风储混合系统有功功率平衡约束
风储混合系统的有功功率平衡表达式如下：












其中，和为典型风电场景i时刻t时电池储能和超级电容储能充/放电功率的优化调整量；为典型风电场景i时刻t时的风电功率值；
(2)能量转换约束
混合储能系统中储能设备所存储的能量采用下式计算：



其中，表示储能设备m在时刻t时所存储的能量，集合中包含电池储能BESS和超级电容储能SC；为0-1整数变量，如果储能设备m在时刻t时工作于充电状态则如果工作于放电状态则ηm...

【专利技术属性】
技术研发人员：万灿，钱韦廷，赵长飞，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33