面向持续性无风场景的长周期储能优化配置方法及装置制造方法及图纸

本发明专利技术公开面向持续性无风场景的长周期储能优化配置方法及装置，该方法包括：构建目标区域的历史风力发电数据；抽取历史风力发电数据构建持续性的无风场景；基于无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率；基于历史风力发电数据和目标事件的发生概率，构建包含常态场景与非常态场景的场景集合；根据场景集合，以长周期储能的选点与定容设定为优化对象，以投资储能建设成本和后续电网运行成本之和最小化为优化目标，确定长周期储能优化配置方案。本发明专利技术同时兼顾常态场景和非常态场景对风力发电系统的影响，制定最优的长周期储能优化配置方案，有助于电力系统在极端持续性无风天气中维持电力电量平衡。平衡。平衡。

【技术实现步骤摘要】
面向持续性无风场景的长周期储能优化配置方法及装置


[0001]本专利技术涉及电力系统
，尤其涉及一种面向持续性无风场景的长周期储能优化配置方法及装置。

技术介绍

[0002]风力发电是指将风的动能转换为电能。风力发电的原理是利用风力带动风车叶片旋转，再透过增速机将旋转的速度提升，来促使发电机发电。风力发电作为一种清洁的可再生能源，越来越受到世界各国的重视。随着风力发电的广泛应用，对电力系统的电力电量需求平衡带来了新的挑战。
[0003]由于风力发电的气象强相关性较传统活力能源更强烈，极端天气对风力发电的电力系统的冲击更加频繁和剧烈。例如：连续无风无光的天气状况将对电力系统的电力保供能力造成冲击，因此，在进行电力系统的发展规划时，有必要将持续性无风场景等低概率、影响程度大的天气事件纳入考虑，开发一种能面对持续性无风场景的长周期储能优化配置方法，形成兼顾常态与非常态场景的长周期储能选址定容决策方案。

技术实现思路

[0004]本专利技术提供面向持续性无风场景的长周期储能优化配置方法及装置，能够考虑持续性无风场景对风力发电系统的影响，以制定最优的长周期储能优化配置方案。
[0005]为达到上述目的，本专利技术采用如下技术方案：第一方面，本专利技术提供面向持续性无风场景的长周期储能优化配置方法，该方法包括：根据获取的目标区域的历史风速数据以及风速与发电量的映射关系，构建所述目标区域的历史风力发电数据；抽取满足第一预设条件的所述历史风力发电数据构建持续性的无风场景；基于所述无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率；基于所述历史风力发电数据和所述目标事件的发生概率，构建包含常态场景与非常态场景的场景集合；所述常态场景中包含多个时间部，所述非常态场景中包含多个时间部，且满足第二预设条件的所述时间部的风力发电功率为零；根据所述场景集合，以长周期储能的选点与定容设定为优化对象，以投资储能建设成本和后续电网运行成本之和最小化为优化目标，确定长周期储能优化配置方案。
[0006]在一种可能的实现方式中，所述根据获取的目标区域的历史风速数据以及风速与发电量的映射关系，构建所述目标区域的历史风力发电数据，具体包括：获取目标区域在目标时间段内的历史风速数据，并对所述历史风速数据进行抽样及分段处理，得到分段化的风速数据系列；获取风速与发电量的映射关系，根据所述映射关系，将所述风速数据系列映射为
风电发电序列；所述风电发电序列中包括所述目标时间段内多个时刻的风力发电功率；获取所述目标区域的风电机组的额定功率，计算所述风电发电序列中各所述风力发电功率与所述额定功率的比值，得到目标风力发电序列，并将所述目标风力发电序列作为目标区域的历史风力发电数据。
[0007]在一种可能的实现方式中，所述目标风力发电序列为，的开始时刻为t0，t0时刻后持续t个时刻风力发电功率均为0为事件；所述第一预设条件为t大于预设阈值；所述抽取满足第一预设条件的所述历史风力发电数据构建持续性的无风场景，具体为：确定所述事件是否满足所述第一预设条件，若是，则认为所述事件对应的所述目标风力发电序列段为极端场景；提取所述目标风力发电序列中的所有极端场景，得到持续性的无风场景。
[0008]在一种可能的实现方式中，在所述基于所述无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率之前，所述方法还包括：获取所述目标风力发电序列中的场景总数，以及所述极端场景的个数，并计算所述极端场景的发生概率。
[0009]在一种可能的实现方式中，所述基于所述无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率，具体包括：根据极值理论，令y = t
ꢀ‑
24，其中，24表示极端事件的阈值，将y的条件超额分配函数F(y)定义为：，根据极值理论，将F(y)通过广义帕累托分布近似：，其中，为广义帕累托分布，为广义帕累托分布的参数；通过极大似然法估计广义帕累托分布的参数，定义帕累托分布的对数似然函数为：，其中，(y1, y2,
ꢀ…
,)为y的历史观测值；根据如下公式，计算参数的估计值：，将极端事件A作为目标事件，在极端事件A发生的前提下，极端事件T发生的概率为，根据极值理论，由贝叶斯定理可得：
，其中，，，恒为1；为极端场景个数，为场景总数。
[0010]在一种可能的实现方式中，所述基于所述历史风力发电数据和所述目标事件的发生概率，构建包含常态场景与非常态场景的场景集合，具体包括：从0
‑
1的均匀分布中采集一个随机数r，判断，若是，则从历史风力发电数据中随机采样一个包含T的时间部的目标风力发电序列，并将所述目标风力发电序列加入到场景集合X中；其中，目标风力发电序列为常态场景；若否，则求解方程，确定y的取值；从历史风力发电数据中随机采样一个包含T的时间部的目标风力发电序列，并将满足第二预设条件的所述时间部的风力发电功率置为零，得到处理和的目标序列，并将所述目标序列加入到场景集合X中；其中，所述目标序列为非常态场景，第二预设条件为T之前的y个时间步；重复上述步骤，得到总量为Nx的场景集合；Nx为预设数值，且Nx为正整数。
[0011]在一种可能的实现方式中，所述根据所述场景集合，以长周期储能的选点与定容设定为优化对象，以投资储能建设成本和后续电网运行成本之和最小化为优化目标，确定长周期储能优化配置方案，具体包括：以年运营成本与投资成本之和最小为目标函数，以功率平衡约束、发电机输出约束、发电机斜坡约束、储能充放电速率约束、储能容量约束和线路流量约束为约束条件，求解长周期储能优化配置方案；目标函数具体为：，约束条件具体为：
其中，为场景集合，x为场景对应的索引，G为目标区域的发电机集合，g为发电机索引，N为母线集合，n为发电机索引，T为场景x的时间周期集合，t为时间索引，T0为时间周期集合T中的起始时刻，S为储能集合，s为储能索引，W为风机集合，w为风机索引，在时，M表示母线集合N与集合{n}的差集，M=N
‑
{n}，m为集合M的索引，为在母线n、时间t、场景x处的发电机g的发电功率，为在母线n、时间t、场景x处的电力负载，为储能s在母线n处的功率增量，为在母线n、时间t、场景x处储能的放电功率，储能s在母线n处的容量增量，为在母线n、时间t、场景x处的储能s的能量存量，为线路nm在时间t、场景x处的传输功率，为场景x的发生概率，为发电机g的发电成本，为切负荷成本，在母线n、时间t、场景x处的电力需求，为储能功率的投资成本，为储能容量的投资成本，储能功率工资设备的使用寿命，为储能容量投资的使用寿命，为在母线n的发电机g的现有最大发电功率，为发电机g的向下爬坡率，为发电机g的向上爬坡率，为母线n处储能s的现有最大充电功率，母线n处储能s的现有最大储能容量，为线路nm的最大传输容量，为在母线n、时间t、场景x处的风机w的发电功
率，为对时间周期T离散化时的离散间隔。
[0012]第二方面，本专利技术提供面向持续性无风场景的长本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向持续性无风场景的长周期储能优化配置方法，其特征在于，包括：根据获取的目标区域的历史风速数据以及风速与发电量的映射关系，构建所述目标区域的历史风力发电数据；抽取满足第一预设条件的所述历史风力发电数据构建持续性的无风场景；基于所述无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率；基于所述历史风力发电数据和所述目标事件的发生概率，构建包含常态场景与非常态场景的场景集合；所述常态场景中包含多个时间部，所述非常态场景中包含多个时间部，且满足第二预设条件的所述时间部的风力发电功率为零；根据所述场景集合，以长周期储能的选点与定容设定为优化对象，以投资储能建设成本和后续电网运行成本之和最小化为优化目标，确定长周期储能优化配置方案。2.根据权利要求1所述的方法，其特征在于，所述根据获取的目标区域的历史风速数据以及风速与发电量的映射关系，构建所述目标区域的历史风力发电数据，具体包括：获取目标区域在目标时间段内的历史风速数据，并对所述历史风速数据进行抽样及分段处理，得到分段化的风速数据系列；获取风速与发电量的映射关系，根据所述映射关系，将所述风速数据系列映射为风电发电序列；所述风电发电序列中包括所述目标时间段内多个时刻的风力发电功率；获取所述目标区域的风电机组的额定功率，计算所述风电发电序列中各所述风力发电功率与所述额定功率的比值，得到目标风力发电序列，并将所述目标风力发电序列作为目标区域的历史风力发电数据。3.根据权利要求2所述的方法，其特征在于，所述目标风力发电序列为，的开始时刻为t0，t0时刻后持续t个时刻风力发电功率均为0为事件；所述第一预设条件为t大于预设阈值；所述抽取满足第一预设条件的所述历史风力发电数据构建持续性的无风场景，具体为：确定所述事件是否满足所述第一预设条件，若是，则认为所述事件对应的所述目标风力发电序列段为极端场景；提取所述目标风力发电序列中的所有极端场景，得到持续性的无风场景。4.根据权利要求3所述的方法，其特征在于，在所述基于所述无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率之前，所述方法还包括：获取所述目标风力发电序列中的场景总数，以及所述极端场景的个数，并计算所述极端场景的发生概率。5.根据权利要求4所述的方法，其特征在于，所述基于所述无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率，具体包括：根据极值理论，令y = t
ꢀ‑
24，其中，24表示极端事件的阈值，将y的条件超额分配函数F(y)定义为：，根据极值理论，将F(y)通过广义帕累托分布近似：
，其中，为广义帕累托分布，为广义帕累托分布的参数；通过极大似然法估计广义帕累托分布的参数，定义帕累托分布的对数似然函数为：，其中，(y1, y2,
ꢀ…
, )为y的历史观测值；根据如下公式，计算参数的估计值：，将极端事件A作为目标事件，在极端事件A发生的前提下，极端事件T发生的概率为，根据极值理论，由贝叶斯定理可得：，其中，，，恒为1；为极端场景个数，为场景总数。6.根据权利要求5所述的方法，其特征在于，所述基于所述历史风力发电数据和所述目标事件的发生概率，构建包含常态场景与非常态场景的场景集合，具体包括：从0
‑
1的均匀分布中采集一个随机数r，判断，若是，则从历史风力发电数据中随机采样一个包含T的时间部的目标风力发电序列，并将所述目标风力发电序列加入到场景集合X中；其中，目标风力发电序列为常态场景；若否，则求解方程，确定y的取值；从历史风力发电数据中随机采样一个包含T的时间部的目标风力发电序列，并将满足第二预设条件的所述时间部的风力发电功率置为零，得到处理和的目标序列，并将所述目标序列加入到场景集合X中；其中，所述目标序列为非常态场景，第二预设条件为T之前的y个时间步；重复上述步骤，得到总量为Nx的场景集合；Nx为预设数值，且Nx为正整数。7.根据权利要求6所述的方法，其特征在于，所述根据所述场景集合，以长周期储能的选点与定容设定为优化对象，以投资储能建设成本和后续电网运行成本之和最小化为优化
目标，确定长周期储能优化配置方案，具体包括：以年运营成本与投资成本之和最小为目标函数，以功率平衡约束、发电机输出约束、发电机斜坡约束、储能充放电速率约束、储能容量约束和线路流量约束为约束条件，求解长周期储能优化配置方案...

【专利技术属性】
技术研发人员：但扬清，王锋华，王蕾，周翰泽，许恩超，孙飞飞，沈志恒，朱克平，戴攀，王岑峰，丁一凡，
申请(专利权)人：国网浙江省电力有限公司，
类型：发明
国别省市：