考虑光伏不确定性柴油机储能微网车优化配置方法及系统与流程

1.本发明属于优化配置技术领域，尤其涉及考虑光伏不确定性柴油机储能微网车优化配置方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.随着传统化石能源的枯竭和环境污染加剧，探索可再生能源的高效利用成为未来能源系统发展的关键问题。然而，光伏等可再生能源具有显著的随机性间歇性，随着渗透率的增加，系统运行的安全性、经济性和可靠性难以满足电力系统的要求。近几年来，柴油发电机(diesel generator，ds)与储能系统(energy storage system，ess)组成的移动式微电网车(mobile microgrid vehicle，mmv)受到广泛关注。柴油发电机具有容量大、续航久、燃料补充容易的优势，在系统发生故障或者大范围波动时可作为应急电源。储能系统接入电网，可以平抑可再生能源的波动，降低电网运行的峰谷差，同时，弥补了柴油发电机负荷响应速度慢的缺点，对提高系统运行的可靠性和经济性具有明显作用。
4.目前，围绕移动式微电网车的研究主要包括能量管理优化和协调控制。
5.一方面，文献“tiwari,s.k.,b.singh and p.k.goel,control of wind
–
diesel hybrid system with bess for optimal operation.ieee transactions on industry applications,2019.55(2):p.1863-1872.”介绍一套以柴油发电机组为能量转换的风力发电系统，并且电池组提供了缓冲存储，仿真结果给出了系统在不平衡负荷变化、风速变化等条件下的性能。针对柴油发电机组和蓄电池组之间的协调问题，文献“aravind,c.k.,et al.,a control strategy for hybrid autonomous power system with a battery management scheme.electric power components and systems,2015.43(8-10):p.1159-1172”提出了一种自治混合动力系统的协调控制策略。同时，考虑不同环境下的稳定性问题，文献“guo,l.,et al.coordinated control of battery storage system and diesel generators in ac island microgrid.2012:ieee.”及“jo,j.,h.an and k.chun,stability improvement of battery energy storage system considering synchronous inductance effect of diesel generator.journal of electrical engineering&technology,2018.13(6):p.2254-2261.”提出分布式发电机与储能系统的无缝过渡控制策略。
6.另一方面，柴油发电机与储能系统构成的移动式微电网车可以显著提高系统运行的经济性。通过对混合系统进行优化设计和应用最优控制策略，可以进一步降低能源生产成本和总的净现值成本，同时，文献“ma yiwei,yang ping,wu jie.hybrid control strategy of islanded microgrid with numerous distributed generators[j].automation of electric power systems,2015,39(11):103-109.”将碳排放量、燃料节约率、能源生产成本等因素考虑在内，使系统的最优调度方案更加接近实际需求。
electric power,2021.40(09):32-40.doi:10.19585/j.zjdl.202109005.”及“gu chenjia,wang jianxue,li qingtao,a review on large-scale centralized energy storage planning under centralized gird integration of renewable energy[j],electric power.”分析光伏出力不同工况下的分布式储能系统的规划方法，得到在最差工况下系统的鲁棒性。
[0010]
本发明所要解决的技术问题是：如何在考虑光伏不确定性的情况下，根据负荷的季节特性进行储能车的规划问题。把可再生能源的不确定性考虑到规划问题当中，并且可以实现不同负荷场景的规划指导。


技术实现要素：

[0011]
为克服上述现有技术的不足，本发明提供了考虑光伏不确定性柴油机储能微网车优化配置方法，考虑光伏不确定性可以避免储能资源浪费，实现容量经济最优配置。并且在不同负荷场景下，也有较好的负荷追踪能力，可以实现柴油发电机及储能的协调配置，该方法可较好地应用到柴油-储能微网车的容量配置中。
[0012]
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
[0013]
第一方面，公开了考虑光伏不确定性柴油机储能微网车优化配置方法，包括：
[0014]
基于光伏的不确定性采用区间的形式对光伏进行处理，表示可再生能源的不确定性；
[0015]
针对处理后光伏表示数据基于场景法构造典型负荷场景；
[0016]
基于典型负荷场景构建柴油-储能微网车容量配置模型；
[0017]
求解该模型，获得柴油-储能微网车的容量及位置规划结果。
[0018]
进一步的技术方案，采用区间的形式对光伏进行处理时，利用函数描述区间不确定性优化问题；
[0019]
基于上述函数，以可再生能源的的预测值作为参考值，处理风光预测误差，并界定可再生能源的优化边界，则由风光预测值定义区间数的通用表达式。
[0020]
进一步优选的技术方案，还包括：针对区间数的通用表达式，通过置信区间实现约束的区间转化。
[0021]
进一步的技术方案，基于场景法构造典型负荷场景，具体为：
[0022]
由负荷分布情况得到多组多维的负荷初始场景集合；
[0023]
针对上述集合基于非参数拟合生成负荷率概率密度曲线，得到每个季节对应的多个随机等概率场景集合；
[0024]
对初始场景进行缩减，将相似场景进行整合得到具有一定概率的有限场景集合；
[0025]
将有限场景集合中矩阵缩减，得到对应概率的典型负荷场景。
[0026]
进一步的技术方案，得到每个季节对应的多个随机等概率场景集合，具体为：依据蒙特卡洛随机模拟方法在每小时的负荷率密度曲线的基础上生成多个随机采样数组，进而得到以季节划分的随机采样数组。
[0027]
进一步的技术方案，所述柴油-储能微网车容量配置模型包括目标函数及约束条件，所述目标函数从柴油发电机及储能规划角度出发，使成本最小化，其中成本包括投资成本、运行成本、弃光以及能源不足成本。
[0028]
进一步优选的技术方案，约束条件包括：一个周期内储能的容量不变；
[0029]
储能功率约束：充电功率、放电功率及储能容量的范围；
[0030]
柴油发电机的功率约束；
[0031]
电力系统各节点均需满足供需间的节点功率关系；以及
[0032]
电力系统直流潮流约束。
[0033]
第二方面，公开了考虑光伏不确定性柴油机储能微网车优化配置系统，包括：
[0034]
光伏区间处理模块，被配置为：基于光伏的不确定性采用区间的形式对光伏进行处理，表示可再生能源的不确定性；
[0035]
构造典型负荷场景模块，被配置为：针对处理后光伏表示数据基于场景法构造典型负荷场景；
[0036]
模型构建模块，被配置为：基于典型负荷场景构建柴油-储能微网车容量配置模型；
[0037]
模型求解模块，被配置为：求解该模型，获得柴油-储能微网车的容量及位置规划结果。
[0038]
以上一个或多个技术方案存在以下有益效果：
[0039]
本发明考虑光伏不确定性及具有季节特性的典型负荷日下的柴油-储能微网车的优化配置方法。采用区间的方法处理光伏不确定性，并基于场景法构建具有季节特性的典型负荷场景。
[0040]
本发明在构建典型负荷场景前提下，并以经济最优为目标，构建柴油-储能微网车的容量配置模型。
[0041]
本发明考虑光伏不确定性可以避免储能资源浪费，实现容量经济最优配置。并且在不同负荷场景下，也有较好的负荷追踪能力，可以实现柴油发电机及储能的协调配置，该方法可较好地应用到柴油-储能微网车的容量配置中。
[0042]
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0043]
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
[0044]
图1为本发明实施例光伏功率特性示意图；
[0045]
图2为本发明实施例系统算例图；
[0046]
图3为本发明实施例典型日负荷曲线图。
具体实施方式
[0047]
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
[0048]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
[0049]
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0050]
实施例一
[0051]
本实施例公开了考虑光伏不确定性柴油机储能微网车优化配置方法，包括：
[0052]
首先，描述分析光伏的不确定性，并采用区间的形式对光伏进行处理。然后，基于场景法构造典型负荷场景。接着，构建柴油-储能微网车容量配置模型。通过求解该模型，得到柴油-储能微网车的容量及位置规划结果。
[0053]
其中，光伏不确定性处理：
[0054]
太阳辐射强度的随机性导致了光伏出力的不确定性，而太阳辐射强度又具有较强的日典型性，因此太阳辐射不能直接采用概率分布函数直接进行建模。由于天气的随机性导致了入射太阳辐射强度的不确定性，如何合理表征天气随机性成为描述光伏不确定性的关键。晴空指数则可以合理反映天气的随机特性，继而解决了太阳辐射强度波动特性的描述。晴空指数为入射到水平面的太阳总辐射量与天文辐射的比值，它既能反映太阳辐射强度随大气作用的变化，又能表征到达地面的太阳辐射强度，是一个综合参数。假设到达地面的太阳辐射能全被光伏电池阵列吸收，则被吸收的太阳辐射可以描述为：
[0055][0056]
式中，为光伏电池阵列吸收的太阳辐射；为依据地球位置和轨道精确计算得到的天文辐射；k
t
为晴空指数，数值范围在0-1之间。
[0057]
晴空指数的随机性服从β分布函数，一段时间内的概率密度函数可表示为：
[0058][0059]
式中，β分布函数的参数a和b可以由晴空指数概率密度函数的平均值和方差计算而得，公式如下：
[0060][0061][0062]
式中，μ
ci
、σ2分别为概率密度函数的均值和方差。
[0063]
除了介绍的采用光伏误差概率密度描述光伏的不确定性，当前大部分研究通过生成典型场景或应用分布函数来处理不确定性变量，然而，大量场景的生成计算量大且耗时较长，不确定变量的分布有时也难以获取。并且在实际工程中，不确定变量的上下限通常是确定的，通常可以采用区间数描述。则，t时刻对应的光伏区间数可以表示为：
[0064][0065]
式中，分别为区间下届及区间上界，p
pv,t
为光伏出力。
[0066]
所以，本发明采用区间的方法表示可再生能源的不确定性。区间不确定性优化问题一般描述为如下形式：
[0067][0068]
式中，f(x,y)为目标函数，gi(x,y)为不等式约束，为bi的区间数，为yi的区间数。
[0069]
以可再生能源的的预测值作为参考值，采用此方法处理光伏预测误差问题，并界定可再生能源的优化边界，则由风光预测值定义的区间数的通用表达式为：
[0070]
[x]＝[x-,x
+
]＝{x∈|r|,x-≤x≤x
+
}
ꢀꢀꢀ
(7)
[0071]
上述公式6是通用描述表示方法，公式7是在公式6的基础上进行的关于考虑光伏不确定性的区间表达形式。
[0072]
在工程分析中，可将上述不确定模型转换为确定性模型，并通过置信区间实现约束的区间转化：
[0073][0074]
式中，β
i1
、β
i2
为置信度水平，且0≤β
i1
、β
i2
≤1；为区间数下界；为区间数上界。
[0075]
由于直接采用区间的形式得到的是一个不确定模型，难以适应后面构建的混合线性整数规划模型，因此进行一个确定型模型的转化，同时简化了运算。
[0076]
负荷场景生成：本发明在分析移动储能车的供电场景时引入场景分析法，首先由负荷分布情况得到m组s维的负荷初始场景集合。然后，基于非参数拟合生成负荷率概率密度曲线(该曲线直接在matlab里调用kernel函数进行构建)，在依据蒙特卡洛随机模拟方法在每小时的负荷率密度曲线的基础上生成m个随机采样数组，进而得到以季节划分的m
×
t组随机采样数组，其中t取24，表示时间范围。此时可以得到每个季节对应的m个随机等概率场景集合，本发明取1000。在保留计算精度和速度的前提下，对初始场景进行缩减，将相似场景进行整合得到具有一定概率的有限场景集合。采用后场景削减技术将矩阵缩减成ns×
t矩阵，从而得到对应概率为ks的ns个典型负荷场景，本发明典型场景以季度为基准，因而取4。
[0077]
获得随机等概率场景集合的步骤是构建典型负荷场景中的一个步骤，首先将原始的负荷数据进行非参数拟合，得到场景概率都一样的场景。此步骤已经可以得到各个季节对应的场景。但每个季节下的各场景都是1/1000的概率，且计算1000*4个场景的计算量过大，也无法明确表明不同季节的负荷特性。因此，在此基础上进行场景的削减，进而得到后面具有一定概率的典型的负荷场景。
[0078]
考虑光伏不确定性的柴油储能微网车规划模型：
[0079]
该模型中，输入量给出光伏及负荷数据以及各机组的容量及功率上下限采用该模型求解。所构建模型是混合整数线性规划模型，可采用cplex进行求解。模型求解得到储能车配置节点与相应的容量。求解结果可为考虑光伏不确定性及典型负荷场景下的储能车容量配置及长时间规划提供一定的参考。
[0080]
关于目标函数：
[0081]
为了尽可能地缓解光伏不确定性所带来的风险影响，并满足负荷需求，考虑柴油
储能微网车容量优化配置的经济性，从柴油发电机及储能规划角度出发，使成本最小化，其中成本包括投资成本、运行成本、弃光以及能源不足成本。目标函数如式(9)所示。
[0082][0083][0084][0085][0086][0087]
式中，c
inv
为系统投资成本；c
op
为系统运行成本；c
cp
为弃光成本；c
ens
为供能不足成本；ks为第s个场景的概率；ns为场景数；λ
t
为第t年的现值系数；τ为资金折现率；μ为资金回收率；t为规划周期，本发明中取t＝10；c
es
为储能的单位投资成本；cd为柴油发电机的单位投资成本；x1表示柴油储能微网车第t年是否投建的0-1变量；分别表示上述设备投建容量；p
es
、pd分别表示储能和柴油发电机各时刻功率；o
es
、od为上述机组各时刻的运行成本；δl
b,t
表示电力系统的供能不足量；分别为电力系统的失负荷惩罚成本。
[0088]
关于约束条件：
[0089]
电池的储能容量由其充电/放电效率及各时刻的充电/放电功率共同决定，因此，电储能数学模型一般通过蓄电池充放电功率和容量关系以及蓄电池剩余容量(state of charge,soc)来构建。电储能容量的数学表达式为：
[0090][0091]
式中，为t时刻的储电剩余容量；p
esc
、p
esd
分别为蓄电池的充、放功率；ηc和ηd分别为蓄电池的充、放效率。
[0092]
为保证电储能持续稳定运行，一般需满足如下约束：
[0093]
p
esc
·
p
esd
＝0
ꢀꢀꢀ
(15)
[0094]
通常来说，在同一周期内，储能容量在周期结束后应恢复初始值，以便进行下一次的使用，即一个周期内储能的容量不变：
[0095][0096]
式中，为周期初始容量；为周期结束容量。
[0097]
为保证储能的正常使用以及其使用寿命，储能还需满足下列功率约束：
[0098][0099][0100]
[0101]
式中，和分别为充电功率的最小值和最大值；和分别为放电功率的最小值和最大值；和分别为储能容量的上下边界。
[0102]
柴油发电机的功率约束为：
[0103][0104]
式中，pd表示为柴油发电机的出力，表示柴油发电机的最大出力。
[0105]
为保证电力系统的正常运行，各节点均需满足供需间的节点功率关系，如式(21)。式(22)-(24)为当系统发生弃光及失负荷时所应满足的功率关系。
[0106]
此外，还需满足电力系统直流潮流约束(25)。
[0107][0108][0109][0110][0111][0112]
式中，p
b,h,t
为第b个节点的电负荷；p
pt,h,t
为ptg机组消耗的电功率；p
l,h,t
为线路传输功率；l代表线路；r(l)、k(l)分别为线路的终止节点和起始节点；p
i,h,t
、p
esd,h,t
、p
esc,h,t
分别表示供电节点出力、光伏功率区间数、储电放电功率及储电充电功率；b
l
为电力系统联络导纳；θ为互相连接的相邻两点的相角；δpi
b,h,t
为功率不均衡量，当该值为正数时，则说明系统存在电能不足现象，反之，系统中光供应量高于需求量，采取弃光措施；m是一个很大的数；δlsb及为失负荷量及其上界；δcwb为弃光量。
[0113]
算例分析：
[0114]
算例构建：
[0115]
为了验证所提模型的可行性，本章以ieee14节点电力系统为例，说明所提柴油发电机及储能容量规划的有效性。初始电力系统包括5个主网接入点、17条输电线路以及4个光伏电站。此外，在规划期内，待规划的候选储能设备包括4个储电装置、4个柴油发电机，候选机组位置可在负荷节点处进行选择。
[0116]
电负荷年增长率为4％。折现率为8％，资本回收率为15％。在本文中，能源供应不足的惩罚成本设定为10000usd/mw
[22]
。在不同负荷场景下，考虑光伏不确定性的柴油发电机储能微网车协调规划模型为混合整数线性规划(milp)模型，该模型在gams中进行，调用cplex求解。
[0117]
其中，储能候选设备参数如下表所示：
[0118]
表1储能候选机组容量参数
[0119][0120]
柴油发电机候选机组参数如下表所示：
[0121]
表2柴油发电机候选机组容量参数
[0122][0123]
由场景法得到的各季度的典型日负荷曲线如图2所示。其中，春秋电负荷波动较为平缓，夏冬负荷变化较大。本发明忽略了储能装置及线路损耗，为分析光伏不确定性及负荷场景对柴油机储能车容量配置的影响，采用以下3种典型运行情景进行分析：
[0124]
情景1：不考虑光伏不确定性，在典型负荷场景4下进行容量配置。
[0125]
情景2：考虑光伏不确定性，在典型负荷场景4下进行容量配置。
[0126]
情景3：考虑光伏不确定性，并在不同典型场景下进行容量配置。
[0127]
则得到的场景1及场景2的规划结果如下：
[0128]
表3情景1和情景2下的规划结果
[0129][0130]
注：es1/3为es1配置在3节点
[0131]
由表3可以看出，不考虑光伏不确定性的情景1的总规划成本更高，为1.6*108usd，而考虑光伏不确定性的成本较低一些，为1.6*108usd。这是因为考虑光伏的不确定性可以有效跟踪光伏变化，避免储能容量配置过分冗余，表中可以看出，情景1主要配置在光伏节点以缓解光伏波动性给系统运行带来的威胁。而情景2则是多配置在负荷节点以满足负荷需求。此外，情景2下的配置的储能及柴油发电机配置容量较小，因而投资成本降低，从而总成本有所降低。
[0132]
表4情景3下的规划结果
[0133][0134][0135]
由表4可以看出，不同典型负荷场景下的柴油发电机及储能的容量和位置都有较大的差异。其中，冬季负荷场景下的成本最高为7.7*107usd，而秋季规划成本最低为5.9*107usd。这是因为冬季典型日的负荷需求较大，因此整体配置储能容量以及柴油发电机的容量较大，且多配置在负荷节点。对于冬季典型日，负荷长期保持在较高水平，因而柴油发电机进行辅助供电，柴油发点机容量配置较大，从而柴油发电机投资成本增加，降低了储能容量，以满足容量配置的经济最优。
[0136]
算例结果表明考虑光伏不确定性可以避免储能资源浪费，实现容量经济最优配置。并且在不同负荷场景下，也有较好的负荷追踪能力，可以实现柴油发电机及储能的协调配置，该方法可较好地应用到柴油-储能微网车的容量配置中。
[0137]
实施例二
[0138]
本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
[0139]
实施例三
[0140]
本实施例的目的是提供一种计算机可读存储介质。
[0141]
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述方法的步骤。
[0142]
实施例四
[0143]
本实施例的目的是提供考虑光伏不确定性柴油机储能微网车优化配置系统，包括：
[0144]
光伏区间处理模块，被配置为：基于光伏的不确定性采用区间的形式对光伏进行处理，表示可再生能源的不确定性；
[0145]
构造典型负荷场景模块，被配置为：针对处理后光伏表示数据基于场景法构造典型负荷场景；
[0146]
模型构建模块，被配置为：基于典型负荷场景构建柴油-储能微网车容量配置模型；
[0147]
模型求解模块，被配置为：求解该模型，获得柴油-储能微网车的容量及位置规划结果。
[0148]
随着随机波动性光伏的高比例渗透，系统安全运行受到一定威胁，柴油-储能微网车不仅可以平抑光伏波动，提升可再生能源的接纳能力，还可以在紧急情况下供电以满足负荷需求。因此，本发明提出了一种考虑光伏不确定性及典型负荷场景的柴油-储能微网车容量配置模型。通过建立ieee-14电力系统算例，对模型进行了计算分析，结果表明了该方法的有效性和正确性。
[0149]
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
[0150]
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
[0151]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。