本发明涉及电力系统运行与规划领域,具体地说是一种基于场景集的虚拟电厂中储能系统优化配置方法及系统。
背景技术:
随着光伏电站、风电场、电动汽车等新能源的迅速发展,虚拟电厂技术在电力系统运行与规划领域的应用也越来越多。不同于微网技术的是虚拟电厂技术更为主动地参与电力系统运行。但是由于分布式能源出力的不确定性,对虚拟电厂的日常运营以及配电网安全均会造成一定的影响。储能系统作为虚拟电厂中重要的组成部分,不仅能够调整风机、光伏出力的波动性,还可根据电力市场价格的波动调整虚拟电厂竞标出力情况;但是储能系统的成本较高,对其进行合理地优化配置显得尤为重要。由于虚拟电厂中储能系统的使用较为频繁又与实际应用情形有关,因此建立考虑储能系统初期投资成本、运行与维护成本和日常运营成本的目标函数。
目前有关虚拟电厂的优化配置可分为两类:第一种为对虚拟电厂内部的分布式能源进行优化配置,主要是根据虚拟电厂的出力需求合理配置分布式能源的类型和容量。但其缺陷是没有考虑分布式能源出力的不确定性,会造成严重的弃风、弃光等不必要的浪费。第二种为对虚拟电厂整体进行优化配置,主要是根据负荷需求优化虚拟电厂内部结构,虽然整体优化配置能够使得虚拟电厂处于最佳的运行状态,但是它只是适用于一种负荷,当负荷类型发生变化或虚拟电厂结构改变时还需要再次进行优化配置。
技术实现要素:
为解决上述现有技术存在的不足之处,本发明提供一种基于场景集的虚拟电厂中储能系统优化配置方法,以期能够充分考虑虚拟电厂中分布式能源出力的不确定性,使其储能系统构建成本最小、日常运营利用最大,从而达到虚拟电厂优化配置的目的。
为达到上述目的,本发明采用的技术方案为:一种基于场景集的虚拟电厂中储能系统优化配置方法,其包括步骤:
步骤1),构建含风机、光伏、电动汽车以及储能系统的虚拟电厂模型;
步骤2),通过蒙特卡洛抽样模拟虚拟电厂中不确定性因素,产生组合出力场景集;
步骤3),建立考虑成本的储能系统容量优化配置模型的目标函数;
步骤4),通过差分进化算法,结合实际运行中各种约束条件,求解虚拟电厂中的储能系统优化配置模型。
进一步地,步骤1)中的虚拟电厂模型包含风力发电系统、光伏发电系统、电动汽车系统、微型燃气轮机和储能系统。
进一步地,步骤2)中,考虑虚拟电厂中分布式能源出力的不确定因素,对风机出力进行模拟时,先根据各时段平均风速的采样值计算weibull分布的形状参数和尺度参数,再通过蒙特卡洛方法随机产生风速数据,从而得到风机随机出力场景;对光伏出力进行模拟时,根据各时段平均光照强度的采样值计算beta分布的形状参数,再采用蒙特卡洛方法随机产生光伏出力场景;最后结合电动汽车的充放电喜好生成不同的场景集。
进一步地,步骤2)中,一个场景ξ代表着虚拟电厂内部分布式能源一种可能实现的24小时随机变量;由于场景集规模过大会导致求解计算量增大,通过场景削减技术将虚拟电厂内部组合出力情况缩减至有限ns个场景集合。
进一步地,步骤3)中,所述虚拟电厂储能系统容量优化配置模型的目标函数包括三个部分,分别为:储能系统的初期投资成本、运行与维护成本以及虚拟电厂的日常运营成本。
进一步地,步骤3)中,所述储能系统的初期投资成本cinv:
式中:a表示等年值的初期投资成本系数;cess表示单位硫酸铁锂电池的造价成本;cbatmax表示储能系统的额定容量;d表示实际利率;nr表示储能系统的使用年限。
进一步地,步骤3)中,所述储能系统的运行与维护成本copm:
copm=∑cbat,maxco
式中:co表示单位硫酸铁锂电池的日运行和维护成本;cbatmax表示储能系统的额定容量。
进一步地,步骤3)中,虚拟电厂的日常运营成本总共由六个部分组成:系统功率损耗;弃风、弃光量损耗;燃气轮机发电成本;从电网购电成本;储能损耗成本;虚拟电厂运营收益,以上函数的表达式如下所示:
系统功率损耗成本
式中:ηloss表示单位功率损耗成本;
弃风、弃光量损耗成本
式中:
微型燃气轮机发电成本
式中:ai和bi表示第i台微型燃气轮机的成本系数;
从电网购电成本
式中:
储能损耗成本
式中:α表示储能充放电成本系数;pes,t表示t时刻储能系统充放电功率;
虚拟电厂运营收益rξ:
式中:
则只考虑成本的储能系统容量优化配置目标函数表达式如下:
min.{cinv+copm+cdop}。
进一步地,步骤4)包括:
步骤4.1、设置虚拟电厂实际运行中的约束条件;
步骤4.2、设定原始参数,包括:变异因子f、种群大小m、交叉概率cr和最大迭代次数gmax、代求解的参数个数c;
步骤4.3、生成m行c列的初始种群矩阵xm×c0,利用式(1)生成初始种群矩阵xm×c0中第s个个体xs0的第ρ个参数xsρ0,从而生成初始种群矩阵xm×c0的m个个体的c个参数;
xsρ0=kρl+(kρu-kρl)×rand(0,1)(1)
式中,kρl和kρu分别为第ρ个参数取值的下限和上限;rand(0,1)为[0,1]之间生成的随机数;
步骤4.4、初始化迭代次数g=1,在已有初始种群的情况下,储能系统的分配方案变为确定的情形,进而建立虚拟电厂发电调度问题,使所有场景下的日运行费用最小;
步骤4.5、利用式(2)对第g代种群矩阵xm×cg的第s个个体xsg进行变异操作得到变异后的第s个个体hsg,从而对第g代种群矩阵xm×cg的m个个体进行变异操作,得到变异后的m个个体,并构成第g代变异矩阵hm×cg=[h1g,h2g,...,hsg,...,hmg]t
hsg=xp1g+(xp2g-xp3g)×f(2)
式中,xp1g、xp2g、xp3g表示第g代种群矩阵xm×cg中随机的三个个体;
其中1≤p1≤m,1≤p2≤m,1≤p3≤m,且p1≠p2≠p3≠s;
步骤4.6、对第g代的变异矩阵hm×cg的第j列元素中的越界元素进行修正,所述越界元素是指小于kjl或大于kju的元素,1≤j≤c,对小于kjl的元素修正为kjl,对大于kju的元素修正为kju,从而对第g代的变异矩阵hm×cg的c列元素中的越界元素进行修正;
步骤4.7、由第g代变异矩阵hm×cg和第g代种群矩阵xm×cg生成第g代交叉矩阵vm×cg;利用式(3)求取第g代交叉矩阵vm×cg的第s个个体vsg的第μ个参数vsμg,进而求取第g代交叉矩阵vm×cg的第s个个体vsg的c个参数,进而求取第g代交叉矩阵vm×cg的m个个体的c个参数;1≤μ≤c;
式中,xsμg为第g代种群矩阵xm×cg的第s个个体xsg的第μ个参数;hsμg为第g代变异矩阵hm×cg的第s个个体hsg的第μ个参数;
步骤4.8、由第g代交叉矩阵vm×cg和第g代种群矩阵xm×cg生成第g+1代种群矩阵xm×cg+1;利用式(4)求取第g+1代种群矩阵xm×cg+1的第s个个体xsg+1,从而求取第g+1代种群矩阵xm×cg+1的m个个体;
式中,f表示把当前储能配置方案代入仅考虑成本的目标函数中的运算结果;
步骤4.9、判断g+1=gmax是否成立,若成立表明种群矩阵已进化到最高代,转到步骤4.10执行,否则将g+1赋值给g返回步骤4.4执行;
步骤4.10、得到储能系统最终的配置方案。
本发明还提供另一种技术方案:一种基于场景集的虚拟电厂中储能系统优化配置系统,其包括:
虚拟电厂模型构建单元:构建含风机、光伏、电动汽车以及储能系统的虚拟电厂模型;
组合出力场景集生成单元:通过蒙特卡洛抽样模拟虚拟电厂中不确定性因素,产生组合出力场景集;
目标函数建立单元:建立考虑成本的储能系统容量优化配置模型的目标函数;
优化配置模型求解单元:通过差分进化算法,结合实际运行中各种约束条件,求解虚拟电厂中的储能系统优化配置模型。
与现有技术相比,本发明具有的有益效果体现在:
1、本发明根据当地历史数据考虑了分布式能源出力的不确定性,利用蒙特卡洛抽样综合模拟其出力场景,为储能系统的优化配置提供了较为准确的预测信息。
2、本发明所构建的目标函数由储能系统初期投资成本、运行与维护成本和日常运营成本组成,能够较为全面准确地设计储能系统的配置方案,对虚拟电厂中储能系统的规划与运行具有重要意义。
3、本发明针对含风机、光伏以及电动汽车的虚拟电厂,利用混合整数非线性规划求解其内部分布式能源出力情况,更加切实地模拟了虚拟电厂实际运行情况。
4、本发明采用惩罚电价的措施,针对风机、光伏的弃风、弃光情况施加惩罚电价,进而提高了分布式能源的利用率。
5、本发明应用具有较高的收敛速度的差分进化算法,具有较强的全局搜索能力以及局部挖掘能力,极大的提高了求解效率和求解精度。
附图说明
图1为本发明所涉及的基于场景集的虚拟电厂中储能系统优化配置方法流程图。
具体实施方式
下面结合附图和具体的实施方式对本发明作进一步的描述。在下述本发明的实施方式中描述的具体的实施例仅作为本发明的具体实施方式的示例性说明,而不构成对本发明范围的限制。
实施例1
如图1所示,一种基于场景集的虚拟电厂中储能系统优化配置方法是按如下步骤进行:
步骤1、分析及构建含风机、光伏、电动汽车以及储能系统的虚拟电厂模型。
步骤1.1、风力发电系统:风机发电系统的出力不仅与自身工作特性相关,更与当地的风速、气象条件等环境因素有关,一般认为风速服从weibull分布。
通过搜集本地的历史气象数据获得weibull分布的参数,利用蒙特卡洛抽样风机运行情况可由以下公式表示:
式中:k和c分别为weibull分布的形状参数和尺度参数;pw和prw分别为风力发电机的实际功率和额定功率;v,vci,vr,vco分别为同类型风力发电机的实际风速、切入风速、额定风速和切出风速。
步骤1.2、光伏发电系统:类似于风机发电系统,光伏的发电功率与光照强度、温度等气候条件密切相关,太阳光照强度服从beta分布。
光伏的概率密度函数分布与出力情况可由以下公式表示:
式中:pp为光伏发电系统实际功率;
步骤1.3、电动汽车系统:近年来新能源电动汽车大量地接入配电网,由于其充放电的不确定性对电网的安全运行造成了一定的影响,可通过布鲁变量表示电动汽车的充放电状态。
为了解决电动汽车的随机性问题可通过电价引导进行负荷转移建立相对确定的系统模型:
式中:μi,t为布鲁变量表示电动汽车的充电状态,μi,t=1表示签署协议的第i台电动汽车在t时刻保持入网状态,μi,t=0表示处于离网状态;αi,t表示电动汽车受电价影响的充放电偏好,αi,t=1表示签署协议的第i台电动汽车在t时刻处于功率传输状态,αi,t=0表示没有功率输送。
步骤1.4、微型燃气轮机:作为一种稳定、出力可控的分布式能源,微型燃气轮机常用作备用电源应对风机、光伏受天气影响出力骤降等突发状况,以保证虚拟电厂的安全运行。
步骤1.5、储能系统:随着储能技术的发展储能系统的成本越来越低,大规模的储能系统逐渐应用到电力系统之中,在虚拟电厂之中储能系统不仅能调整风机、光伏出力的波动性还可根据电力市场价格的波动调整虚拟电厂竞标出力情况;考虑到虚拟电厂日常运行过程中充放电频繁且对充放电速度有一定的要求,故在储能系统的建设过程中采用循环性能好的硫酸铁锂电池。
步骤2、通过蒙特卡洛抽样模拟虚拟电厂中不确定性因素,产生组合出力场景集。
利用式(1)–(4)通过蒙特卡洛模拟方法对风机、光伏出力进行模拟,随机产生分布式能源出力场景,结合电动汽车的充放电喜好生成不同的场景集。一个场景ξ代表着虚拟电厂内部分布式能源一种可能实现的24小时随机变量;由于场景集规模过大会导致求解计算量增大,可通过场景削减技术将虚拟电厂内部组合出力情况缩减至有限ns个场景集合。
场景削减技术是用少量的具有典型时空特性的场景来代替规模庞大的场景以减少随机规划的计算量。采样基于同步回代消除法的场景削减技术,将每个场景ξi按照式(6)计算与其距离最短的场景ξj。
式中:ρj表示场景ξj的发生概率;d(ξi,ξj)表示场景ξi与ξj的欧氏距离。根据式(7)确定要删除的场景ξi。
修改剩余场景数n=n-1,为确保所有的场景概率之和为1,将被删除场景的概率累加到与其距离最近的场景上。重复上述过程直至剩余场景数达到ns。
步骤3、建立考虑成本的储能系统容量优化配置目标函数。
步骤3.1、储能系统的初期投资成本:
式中:a表示等年值的初期投资成本系数;cess表示单位硫酸铁锂电池的造价成本;cbatmax表示储能系统的额定容量;d表示实际利率;nr表示储能系统的使用年限。
步骤3.2、储能系统的运行与维护成本:
copm=∑cbat,maxco(10)
式中:co表示单位硫酸铁锂电池的日运行和维护成本。
步骤3.3、虚拟电厂的日常运营成本:
虚拟电厂的日常运营成本总共由六个部分组成:系统功率损耗;弃风、弃光量损耗;燃气轮机发电成本;从电网购电成本;储能损耗成本;虚拟电厂运营收益,以上函数的表达式如下所示:
系统功率损耗成本
式中:ηloss表示单位功率损耗成本;
弃风、弃光量损耗成本
式中:
微型燃气轮机发电成本
式中:ai和bi表示第i台微型燃气轮机的成本系数;
从电网购电成本
式中:
储能损耗成本
式中:α表示储能充放电成本系数;pes,t表示t时刻储能系统充放电功率。
虚拟电厂运营收益rξ:
式中:
则只考虑成本的储能系统容量优化配置目标函数表达式如下:
min.{cinv+copm+cdop}(18)
步骤4、通过差分进化算法,结合实际运行中各种约束条件,求解虚拟电厂中的储能系统优化配置模型。
步骤4.1、设置虚拟电厂实际运行中的约束条件:
虚拟电厂在实际运行过程中需要一定的约束条件保证电网和负荷的安全运行,包括风机、光伏出力约束,微型燃气轮机出力约束,电动汽车充放电约束,功率平衡约束;同时储能系统由于自身容量和充放电速率的限制也具有约束条件;
风机、光伏出力约束:
式中:
微型燃气轮机出力约束:
式中:pgi,min和pgi,max分别表示微型燃气轮机的最小和最大输出功率;
储能系统电量及充放电约束:
ssocmin<ssoc(t)<ssocmax(23)
式中:
电动汽车充放电约束:
式中:
功率平衡约束:
步骤4.2、设定原始参数,包括:变异因子f、种群大小m、交叉概率cr和最大迭代次数gmax、代求解的参数个数c;
步骤4.3、生成m行c列的初始种群矩阵xm×c0。利用式(28)生成初始种群矩阵xm×c0中第s个个体xs0的第ρ个参数xsρ0,从而生成初始种群矩阵xm×c0的m个个体的c个参数;
xsρ0=kρl+(kρu-kρl)×rand(0,1)(28)
式(28)中,kρl和kρu分别为第ρ个参数取值的下限和上限;rand(0,1)为[0,1]之间生成的随机数;
步骤4.4、初始化迭代次数g=1,在已有初始种群的情况下,储能系统的分配方案变为确定的情形,进而建立了虚拟电厂发电调度问题,使所有场景下的日运行费用最小。
实质上是一个多周期的电能交易数学模型,可以通过cplex求解器进行求解。对储能系统的充放电功率、微型燃气轮机输出功率、风机光伏弃电量、电动汽车充放电功率、从电网购电量等决策变量进行逐时优化。
步骤4.5、利用式(29)对第g代种群矩阵xm×cg的第s个个体xsg进行变异操作得到变异后的第s个个体hsg,从而对第g代种群矩阵xm×cg的m个个体进行变异操作,得到变异后的m个个体,并构成第g代变异矩阵hm×cg=[h1g,h2g,...,hsg,...,hmg]t
hsg=xp1g+(xp2g-xp3g)×f(29)
步骤4.6、对第g代的变异矩阵hm×cg的第j列元素中的越界元素进行修正,所述越界元素是指小于kjl或大于kju的元素,1≤j≤c,对小于kjl的元素修正为kjl,对大于kju的元素修正为kju,从而对第g代的变异矩阵hm×cg的c列元素中的越界元素进行修正;
步骤4.7、由第g代变异矩阵hm×cg和第g代种群矩阵xm×cg生成第g代交叉矩阵vm×cg。利用式(30)求取第g代交叉矩阵vm×cg的第s个个体vsg的第μ个参数vsμg,进而求取第g代交叉矩阵vm×cg的第s个个体vsg的c个参数,进而求取第g代交叉矩阵vm×cg的m个个体的c个参数;1≤μ≤c;
式中,xsμg为第g代种群矩阵xm×cg的第s个个体xsg的第μ个参数;hsμg为第g代变异矩阵hm×cg的第s个个体hsg的第μ个参数;
步骤4.8、由第g代交叉矩阵vm×cg和第g代种群矩阵xm×cg生成第g+1代种群矩阵xm×cg+1。利用式(31)求取第g+1代种群矩阵xm×cg+1的第s个个体xsg+1,从而求取第g+1代种群矩阵xm×cg+1的m个个体;
式(31)中,f表示把当前储能配置方案代入仅考虑成本的目标函数中的运算结果。
步骤4.9、判断g+1=gmax是否成立,若成立表明种群矩阵已进化到最高代,转到步骤4.10执行,否则将g+1赋值给g返回步骤4.4执行;
步骤4.10、得到储能系统最终的配置方案。
实施例2
一种基于场景集的虚拟电厂中储能系统优化配置系统,其包括:
虚拟电厂模型构建单元:构建含风机、光伏、电动汽车以及储能系统的虚拟电厂模型;
组合出力场景集生成单元:通过蒙特卡洛抽样模拟虚拟电厂中不确定性因素,产生组合出力场景集;
目标函数建立单元:建立考虑成本的储能系统容量优化配置模型的目标函数;
优化配置模型求解单元:通过差分进化算法,结合实际运行中各种约束条件,求解虚拟电厂中的储能系统优化配置模型。