一种基于混合储能的区域级综合能源系统优化调度模型技术方案

本发明专利技术属于能源系统调度领域，公开了一种基于混合储能的区域级综合能源系统优化调度模型。首先构建了包含地源热泵的混合储能区域综合能源系统结构图，然后采用场景生成与场景削减方式对可再生能源出力及负荷波动性进行描述，以风电机组为例，对预测不确定性进行处理，生成可再生能源出力数据。构建区域综合能源系统优化规划模型，然后建立相关约束条件、总成本目标函数及一个0

【技术实现步骤摘要】
一种基于混合储能的区域级综合能源系统优化调度模型


[0001]本专利技术属于能源系统调度领域，具体涉及一种基于混合储能的区域级综合能源系统优化调度模型。

技术介绍

[0002]新能源发电的大量并网，一定程度上解决了由于化石能源大量使用带来的环境污染以及能源使用可持续性方面的问题，同时也带来了规划复杂、运行稳定欠佳以及弃风弃光等多方面问题。尽管近几年的弃风弃光率有所下降，但弃风弃光量的数值依旧可观。在我国，传统能源供给系统之间分立运行，协调性较差，显然不再适应新能源大量发电并网的今天。为此，综合能源系统(Integrated energy system，IES)应运而生，即发展一个能源生产、传输、分配、转换、存储、消费等环节有机协调、优化一体的能源供应系统。按照地理因素与能源产供销环节划分，可将IES分为跨区级、区域级以及用户级综合能源系统三类。区域能源系统是一种采用热电联产机组、热泵机组与分布式可再生能源机组等清洁能源机组，利用区域内的工业废热、地热、太阳能与风能等能源，向用户提供电、热、冷、气需求的区域级供能系统。作为智慧能源城市的前奏，区域能源系统以其能够合理、高效得生产、输送、利用、耗散某一特定区域内人们生产、生活所需的各种形式与品位能源的特性在全球得以广泛应用。
[0003]储能环节在打破传统热电联产“以热定电”的刚性耦合、提升可再生能源并网率以及保证系统经济稳定运行方面起到了至关重要的作用，但目前的研究集中于短期储能，并未很好地解决长短期储能的协同配合问题。电力系统电源规划问题需对不同储能技术进行统筹协调，而不应将每种储能孤立看待。
[0004]针对以上问题，本专利技术提出一种包含长、短期混合储能的区域级综合能源系统优化调度模型。

技术实现思路

[0005]本专利技术提供一种基于混合储能的区域级综合能源系统优化调度模型。构建了包含地源热泵的混合储能区域综合能源系统结构图，如附图1、2所示。在对区域级IES进行优化调度时，可再生能源出力具有的随机波动性将会直接影响系统内设备的运行情况，进而影响系统规划的经济性与可行性。此外，目前的负荷预测技术很难实现负荷预测零误差，具有一定偏差。因此，本专利技术采用场景生成与场景削减方式对可再生能源出力及负荷波动性进行描述，建立一个计及可再生能源出力及负荷波动性的区域综合能源系统随机规划模型。在此基础上，将地源热泵及混合储能系统引入区域综合能源系统，以地源热泵系统解耦CCHP 机组“以热定电”约束，并制定合理的长、短期储能协调运行方案，以系统运行成本最小为目标建立了包含能量转换、存储设备在内的区域综合能源系统日前调度模型。
[0006]为了实现上述目的，本专利技术提供的技术方案如下：
[0007]步骤1，以风电机组为例，生成可再生能源出力初始场景。依据调度中心所下发的
风功率分布，得到N 组T维的可再生能源出力初始场景集合；
[0008]步骤2，采用后向场景削减技术对上述结果进行场景削减；
[0009]步骤3，建立区域级综合能源系统优化调度模型，包括区域级综合能源风电机组模型、区域级综合能源光伏机组模型、区域级综合能源CCHP机组模型、区域级综合能源地源热泵系统模型；
[0010]步骤4，通过构建约束条件和目标函数，求解基于混合储能的区域级综合能源系统优化调度模型；
[0011]作为上述技术方案的补充，步骤1提到的以风电机组为例，可再生能源初始场景生成构建过程如下：
[0012]步骤1.1，将历史数据进行分类统计和处理，得到四季每小时的风电机组出力分布情况；
[0013]步骤1.2，利用非参数拟合方法得到风功率概率密度曲线，再依据蒙特卡洛随机模拟方法在每小时的风功率概率密度曲线的基础上生成N个随机采样数组，进而可得到每个季节对应的N*T组随机采样数组。其中T为每个场景的时段数，本专利技术取24；
[0014]步骤1.3，每个场景下T个时段的风电功率可用随机序列表示，如场景S下风电出力序列可表示为：此时的风电出力序列为随机的风电出力值，最大限度地体现了随机因素的不确定性。采用上述步骤可产生一个调度日内对应的N*T的采样矩阵，即N个风电随机场景集合，本专利技术取1000。
[0015]作为上述技术方案的补充，步骤2提到的采用后向场景削减技术对结果进行场景削减构建过程如下：
[0016]步骤2.1，合并部分场景，形成具有一定概率值的有限数量的典型场景集合；
[0017]步骤2.2，采用后向场景削减技术，将原始数据的N
·
T采样矩阵缩减为N
s
·
T矩阵，对应模型中的N
s
个场景的风电机组出力序列，且可以得到第N
s
个场景对应的概率π
s
。同理地，对应电负荷、气负荷、热负荷预测不确定性处理的方式也可以同上，此处不再阐述。
[0018]作为上述技术方案的补充，步骤3提到的建立区域综合能源系统优化规划模型构建过程如下：
[0019]步骤3.1，风电机组模型建立：输出功率主要由风速和利用系数决定，由动力学知识可得其输出功率为：
[0020][0021]式中：t为调度时间段数，θ为当前空气密度；P
WT
、v
t
分别为t时段风机的输出功率和风速；R
WT
与C
P
分别为风机的叶片半径、风能利用系数。
[0022]受风速变化因素的影响，风机的输出功率存在不确定性和间歇性的特点。由风力电机的运行特性可知，当风速小于其切入值时，风力电机的输出功率为零，处于停机状态；当风速大于其切入值时，风力电机开始启动，并通过控制器调节发电机的励磁转矩，使得机组在最大功率跟踪(Maximum Power Point Tracking，MPPT)模式运行，此时风能利用系数最高；当风速变为额定值时，风机的输出功率也达到最大；当风速超过其额定值时，桨距调节装置动作，增大桨距角，使得输出功率维持在额定值附近；当风速大于其切出值时，为了保证机组设备安全，风力电机停转，此时输出功率为零，桨距角为90
°
，则风力电机的输出功
率为：
[0023][0024]式中：N为风电场并网风电机组台数，P
N
为风电机组额定功率，v
ω
(t)为t时段风电机组运行风速，v
rated
为风电机组额定风速(一般为15m/s)，v
in
、v
out
为风电机组切入切出风速。
[0025]步骤3.2，光伏机组模型建立：光伏电池板在某一时刻的温度与外界温度、光照强度两个因素有关，其极板温度的表达为：
[0026][0027]式中：T
e，t
为t时刻光伏电池板的温度；T
amd
为外界环境温度；G
PV，t
为t时段光伏极板接收到的光照强度。极板的输出功率随外界温度和光照强度的改变而变化，通过标准测试本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合储能的区域级综合能源系统优化调度模型，其特征在于，主要包括以下具体步骤：步骤1，以风电机组为例，生成可再生能源出力初始场景。依据调度中心所下发的风功率分布，得到N组T维的可再生能源出力初始场景集合；步骤2，采用后向场景削减技术对上述结果进行场景削减；步骤3，建立区域级综合能源系统优化调度模型，包括区域级综合能源风电机组模型、区域级综合能源光伏机组模型、区域级综合能源CCHP机组模型、区域级综合能源地源热泵系统模型；步骤4，通过构建约束条件和目标函数，求解基于混合储能的区域级综合能源系统优化调度模型。2.根据权利要求1所述的基于混合储能的区域级综合能源系统优化调度模型，其特征在于，步骤1构建过程如下：步骤1.1，将历史数据进行分类统计和处理，得到四季每小时的风电机组出力分布情况；步骤1.2，利用非参数拟合方法得到风功率概率密度曲线，再依据蒙特卡洛随机模拟方法在每小时的风功率概率密度曲线的基础上生成N个随机采样数组，进而可得到每个季节对应的N*T组随机采样数组。其中T为每个场景的时段数，本发明取24；步骤1.3，每个场景下T个时段的风电功率可用随机序列表示，如场景S下风电出力序列可表示为：此时的风电出力序列为随机的风电出力值，最大限度地体现了随机因素的不确定性。采用上述步骤可产生一个调度日内对应的N*T的采样矩阵，即N个风电随机场景集合，本发明取1000。3.根据权利要求1所述的基于混合储能的区域级综合能源系统优化调度模型，其特征在于，步骤2构建过程如下：步骤2.1，合并部分场景，形成具有一定概率...

【专利技术属性】
技术研发人员：孟明，商聪，薛宛辰，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：