一种计及高维相关性的风储系统容量优化配置方法技术方案

本发明专利技术提供计及高维相关性的风储系统容量优化配置方法，包括步骤：S1、将同一地区多个风电场的输出功率和预测输出功率转化为出力序列和预测出力序列并进行核密度估计得到出力边缘分布函数和预测出力边缘分布函数；S2、将出力边缘分布函数和预测出力边缘分布函数代入藤Copula函数，利用极大似然估计法得到藤Copula函数每个藤节点对应的相关系数

【技术实现步骤摘要】
一种计及高维相关性的风储系统容量优化配置方法


[0001]本专利技术涉及储能优化配置
，具体涉及一种计及高维相关性的风储系统容量优化配置方法。

技术介绍

[0002]随着“双碳”战略稳步推进，新能源渗透率持续增高，电网安全性与新能源波动特性的矛盾日趋凸显。为平抑风电场输出功率波动性，缓解电网调频压力，多省份出台政策要求风电场配置储能，为储能电站的大规模建设提供了市场需求和政策支撑，而储能电站的高成本限制其自身及新能源行业的发展。
[0003]临近风电场的风速具有相关性，通过统计特征和时序特征刻画其相关性的强弱。风电集群的相关性体现为输出功率的平滑效应和短期波动互补性。利用风电集群的相关性大规模、集约化地配置储能，可以在满足电网要求的条件下有效降低储能电站的需求容量，减小建设成本，最大化风电集群
‑
储能系统的整体收益。
[0004]申请公布号为CN113283641A的中国专利技术专利申请提出了一种考虑风电预测误差时空相关性复合储能优化配置方法，该方法将风电场预测误差作为模型输入，按照加权值构建多风电场混合Copula模型，依据波动越限惩罚进行储能定容。该方法仅考虑多风电场间预测误差的相关性，未能体现多风电场输出功率的相关性，缺乏相关性研究的依据；受所选模型结构制约，无法建立高维联合分布模型，风电场输出功率相关特性丢失；对Copula函数进行线型叠加，多种相关特性用同一套参数描述，拟合优度不足。

技术实现思路

[0005]本专利技术的目的就是针对现有技术的缺陷，提供一种计及高维相关性的风储系统容量优化配置方法，该方法利用藤Copula模型通过不同的参数分别刻画多个风电场自身输出功率、预测功率的相关性和同一风电集群内不同风电场之间输出功率的相关性，保留了风电场输出功率的原始统计特性，使生成的场景更加符合风电场特征，提高了拟合优度。
[0006]本专利技术提供一种计及高维相关性的风储系统容量优化配置方法，包括以下步骤：
[0007]S1、将同一地区多个风电场的输出功率和预测输出功率转化为出力序列和预测出力序列，对出力序列和预测出力序列进行核密度估计得到出力边缘分布函数和预测出力边缘分布函数；
[0008]S2、将多个风电场的出力边缘分布函数和预测出力边缘分布函数代入藤Copula函数，利用基于非参数核密度的极大似然估计法得到藤Copula函数每个藤节点对应的相关系数α，利用藤Copula函数的相关系数α建立基于藤Copula函数的高维联合出力模型；
[0009]S3、将所述预测出力序列代入联合出力模型，形成多个风电场在该预测序列下的低维联合分布模型，对降维后的联合分布模型依概率抽样生成多个出力场景并聚类，选择具有代表性的典型场景；
[0010]S4、基于所述典型场景，以期望净利润最大为目标，计算集中式储能电站的最优容
量。
[0011]进一步地，所述步骤S2中，Copula函数为Clayton
‑
Copula函数，藤结构采用D藤。
[0012]进一步地，D藤结构的联合密度函数可分解为：
[0013][0014]其中，x为风电场的出力序列，c为Copula概率密度函数，f为边缘分布的概率密度函数，F为条件分布的累积分布函数；
[0015]所述Clayton
‑
Copula函数的累积分布函数为：
[0016]C
Clayton
(u,v|α)＝max[(u
‑
α
+v
‑
α
‑
1)
‑
1/α
,0][0017]其中，u、v为Clayton
‑
Copula函数的边缘分布函数，α为该函数的相关系数。
[0018]进一步地，所述步骤S3包括：将已知的预测出力序列输入联合出力模型，降维成在该预测出力序列下多个风电场实际出力的低维联合分布模型。
[0019]进一步地，所述步骤S4包括：综合考虑风电场、储能电站的能量市场收益与偏离预测出力惩罚、储能电池寿命损耗成本及波动越限惩罚，以期望净利润最大为目标，计算集中式储能电站的最优容量。
[0020]进一步地，以期望净利润最大为目标的目标函数为：
[0021][0022]其中，N为场景总数，T为每日采样点个数，为第n个场景下的概率，I
e
为风储一体化电站的能量市场收益，I
e.p
、C
bat
、C
w
分别为偏离预测出力惩罚、储能电池寿命损耗成本、波动越限惩罚。
[0023]进一步地，能量市场收益I
e
为：
[0024]I e
＝p
e
C
e
Δt，其中，P
e
为能量市场出清价格，C
e
为风光储电站在能量市场实际出力，Δt为能量市场单位时长。
[0025]进一步地，偏离预测出力惩罚I
e.p
为：
[0026]I
e.p
＝max(0，(85％
‑
λ)
×
P
N
×
1.5
×
3600
×
P
e.p
)
[0027][0028]其中，P
N
表示风电场额定容量，λ为预测准确率，P
e.p
为考核电价，P
p
为风光储电站在能量市场的预测出力，C
cap
为风电场可用容量；
[0029]波动越限惩罚C
w
为：
[0030][0031]其中，ΔC
e
(i)为C
e
(i)的波动值，P
lim
为波动功率限值；
[0032]电池寿命损耗成本C
bat
为：
[0033]C
bat
(i,k)＝C
ino
×
σ(i,k)
[0034]式中，C
ino
为电池建设成本，σ为电池损耗率，C
bat
为对应电池损耗成本，σ(i,k)代表第i个时刻，第k个储能系统指令周期下电池的损耗率。
[0035]进一步地，风储一体化电站安全运行约束为：
[0036][0037]其中，k为储能系统指令周期，P
o.dis
(i,k)为储能模组的放电功率，P
cha
(i,k)表示电池本体充电功率，η(P)是储能模组循环效率关于充放电功率的函数，P
tra.ES
(i,k)为i个时刻储能系统跟踪计划出力的功率，P
smtES
(i,k)为i个时刻储能系统用于平抑波动的功率，S
SOC
(i,k)为第i个时刻的第k个指令周期储能电池SOC，Δt
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计及高维相关性的风储系统容量优化配置方法，其特征在于：包括以下步骤：S1、将同一地区多个风电场的输出功率和预测输出功率转化为出力序列和预测出力序列，对出力序列和预测出力序列进行核密度估计得到出力边缘分布函数和预测出力边缘分布函数；S2、将多个风电场的出力边缘分布函数和预测出力边缘分布函数代入藤Copula函数，利用基于非参数核密度的极大似然估计法得到藤Copula函数每个藤节点对应的相关系数α，利用藤Copula函数的相关系数α建立基于藤Copula函数的高维联合出力模型；S3、将所述预测出力序列代入联合出力模型，形成多个风电场在该预测序列下的低维联合分布模型，对降维后的联合分布模型依概率抽样生成多个出力场景并聚类，选择具有代表性的典型场景；S4、基于所述典型场景，以期望净利润最大为目标，计算集中式储能电站的最优容量。2.根据权利要求1所述的计及高维相关性的风储系统容量优化配置方法，其特征在于：所述步骤S2中，Copula函数为Clayton
‑
Copula函数，藤结构采用D藤。3.根据权利要求2所述的计及高维相关性的风储系统容量优化配置方法，其特征在于：D藤结构的联合密度函数可分解为：其中，x为风电场的出力序列，c为Copula概率密度函数，f为边缘分布的概率密度函数，F为条件分布的累积分布函数；所述Clayton
‑
Copula函数的累积分布函数为：C
Clayton
(u,v|α)＝max[(u
‑
α
+v
‑
α
‑
1)
‑
1/α
,0]其中，u、v为Clayton
‑
Copula函数的边缘分布函数，α为该函数的相关系数。4.根据权利要求3所述的计及高维相关性的风储系统容量优化配置方法，其特征在于：所述步骤S3包括：将已知的预测出力序列输入联合出力模型，降维成在该预测出力序列下多个风电场实际出力的低维联合分布模型。5.根据权利要求1至3任一项所述的计及高维相关性的风储系统容量优化配置方法，其特征在于：所述步骤S4包括：综合考虑风电场、储能电站的能量市场收益与偏离预测出力惩罚、储能电池寿命损耗成本及波动越限惩罚，以期望净利润最大为目标，计算集中式储能电站的最优容量。6.根据权利要求5所述的计及高维相关性的风储系统容量优化配置方法，其特征在于：以期望净利润最大为目标的目标函数为：其中，N为场景总数，T为每日采样点个数，为第n个场景下的概率，I
e
为风储一体化电站的能量市场收益，I
e.p
、C
bat
、C
w
分别为偏离预测出力惩罚、储能电池寿命损耗成本、波动越限惩罚。7.根据权利要求6所述的计及高维相关性的风储系统容量优化配置方法，其特征在于：能量市场收益I
e
为：
I
e
＝p

【专利技术属性】
技术研发人员：喻飞，段偲默，苏毅，张甜甜，金乾，袁博，刘一亮，吴超，吴为果，杜久龙，
申请(专利权)人：长江勘测规划设计研究有限责任公司，
类型：发明
国别省市：