一种多时间尺度储能优化方法、系统及电子设备与流程

本发明涉及电力系统优化领域，特别是涉及一种基于通用生成函数的多时间尺度储能优化方法、系统及电子设备。

背景技术：

1、环境问题对电力系统的清洁化、低碳化进程提出了严格要求，以光伏、风电等可再生能源为主体的低碳电力系统是未来发展的主要形态。可再生能源出力具有随机性和波动性等特点，高比例新能源并网给电能的可靠供应带来了挑战。随着储能技术的应用日益成熟，尤其是规模化长期储能的迅速发展，为高比例新能源电力系统的安全、经济、低碳、可靠运行提供了理论可能与技术手段。

2、在推进低碳能源转型的过程中，随着可再生能源发电比例的不断提升，电力供应与负荷需求不平衡的问题越发突出，除了常规的短时间尺度的电力波动，受长期气候条件影响，在长时间尺度(月度、季度、年)可能出现持续数天甚至数周的电力不平衡情况，要求电网具备更高的灵活性水平来应对新能源可信容量在长时间尺度的差异，从而维持长期运行的电力平衡。因此，研究可再生能源与负荷在不同时间尺度下不同的波动特性，以及应对不同时间尺度波动特性的多时间尺度储能规划配置，对于高比例新能源电力系统构建具有重大意义。

3、风、光等可再生能源由于自身的资源特性，受地理位置和气象条件等因素的影响，客观上具有一定的相关性。受到发电资源相关性的影响，相邻区域的可再生能源出力情况往往具有较强的相关性。如果在新能源出力特性建模中忽略相关性，那么可再生能源出力的随机性和波动性难以得到准确模拟，无法客观反映电力系统对多时间尺度灵活调节能力的需求，会对多时间尺度储能规划造成影响。

技术实现思路

1、本发明的目的是提供一种多时间尺度储能优化方法、系统及电子设备，可准确模拟新能能源出力的随机性和波动性，实现了长时间尺度的储能优化。

2、为实现上述目的，本发明提供了如下方案：

3、一种多时间尺度储能优化方法，用于对电力系统中的新能源机组出力进行优化，所述多时间尺度储能优化方法包括：

4、获取新能源出力历史序列及电力系统规划的边界条件；

5、根据所述新能源出力历史序列，基于通用生成函数进行新能源出力特性的模拟，得到新能源出力状态概率序列；

6、根据所述新能源出力状态概率序列，采用蒙特卡洛方法模拟得到新能源出力时间序列；

7、基于所述新能源出力时间序列，采用场景聚类算法筛选新能源出力时序特性典型场景；所述新能源出力时序特性典型场景中包括规划水平年规划区域内新能源机组的逐小时出力特性；

8、基于所述新能源出力时序特性典型场景及所述边界条件，以电力系统的总成本最小为目标，建立多时间尺度储能规划模型，并求解得到各新能源机组的出力数据。

9、可选地，所述电力系统中的新能源机组分为风电场及光伏机组；所述新能源出力历史序列包括风电场出力历史序列及光伏机组出力历史序列；所述新能源出力状态概率序列包括风电场出力状态概率序列及光伏机组出力状态概率序列；

10、在新能源机组为风电场时，根据所述新能源出力历史序列，基于通用生成函数进行新能源出力特性的模拟，得到新能源出力状态概率序列，具体包括：

11、根据出力相关性对风电场进行分组，以得到多组风电场；

12、针对第i组风电场，从组内中选取一个参考风电场，根据所述参考风电场处的参考风速对组内各风电场的出力特性进行建模；

13、分别将所述参考风速及组内各风电场的出力特性按设定间隔划分为多个状态，得到多个参考风速状态及组内各风电场的多个出力特性状态；

14、根据所述风电场出力历史序列，确定各参考风速状态下组内各风电场的各出力特性状态的条件概率；

15、根据各参考风速状态下组内各风电场的各出力特性状态的条件概率，确定第i组风电场的等效出力特性条件概率通用生成函数；

16、获取参考风速预测序列；所述参考风速预测序列中包括各参考风速状态的预测参考风速；

17、针对第i组风电场，根据所述参考风速预测序列、各参考风速状态的风速值及第i组风电场的等效出力特性条件概率通用生成函数，确定第i组风电场总出力特性的无条件概率通用生成函数；

18、基于每组风电场的无条件概率通用生成函数，确定风电场出力状态概率序列。

19、可选地，根据所述风电场出力历史序列，确定各参考风速状态下组内各风电场的各出力特性状态的条件概率，具体包括：

20、根据所述风电场出力历史序列，确定组内各风电场的各参考风速状态与各出力特性状态的联合概率；

21、根据组内各风电场的各参考风速状态与各出力特性状态的联合概率，确定各参考风速状态下组内各风电场的各出力特性状态的条件概率。

22、可选地，采用以下公式，确定参考风速状态k下第i组风电场中第j个风电场的出力特性状态m的条件概率：

23、

24、其中，pm|k为参考风速状态k下第i组风电场中第j个风电场的出力特性状态m的条件概率，pm,k为第i组风电场中第j个风电场的参考风速状态k与出力特性状态m的联合概率，为第i组风电场中参考风速状态的总数，为第i组风电场中第j个风电场的出力特性状态的总数。

25、可选地，根据各参考风速状态下组内各风电场的各出力特性状态的条件概率，确定第i组风电场的等效出力特性条件概率通用生成函数，具体包括：

26、针对第i组风电场中第j个风电场，根据各参考风速状态下第j个风电场的各出力特性状态的条件概率，确定第j个风电场的条件概率通用生成函数；

27、根据第i组风电场中各风电场的条件概率通用生成函数，确定第i组风电场的等效出力特性条件概率通用生成函数。

28、可选地，针对第i组风电场，根据所述参考风速预测序列、各参考风速状态的风速值及第i组风电场的等效出力特性条件概率通用生成函数，确定第i组风电场总出力特性的无条件概率通用生成函数，具体包括：

29、针对第i组风电场，根据所述参考风速预测序列、各参考风速状态的风速值及参考风速状态划分的设定间隔，确定第i组风电场中各参考风速状态的概率；

30、根据第i组风电场中各参考风速状态的概率及各参考风速状态对应的风速值，确定第i组风电场中预测参考风速的u函数；

31、根据第i组风电场中预测参考风速的u函数及第i组风电场的等效出力特性条件概率通用生成函数，确定第i组风电场总出力特性的无条件概率通用生成函数。

32、为实现上述目的，本发明还提供了如下方案：

33、一种多时间尺度储能优化系统，包括：

34、数据获取单元，用于获取新能源出力历史序列及电力系统规划的边界条件；

35、出力概率确定单元，与所述数据获取单元连接，用于根据所述新能源出力历史序列，基于通用生成函数进行新能源出力特性的模拟，得到新能源出力状态概率序列；

36、出力序列确定单元，与所述出力概率确定单元连接，用于根据所述新能源出力状态概率序列，采用蒙特卡洛方法模拟得到新能源出力时间序列；

37、场景筛选单元，与所述出力序列确定单元连接，用于基于所述新能源出力时间序列，采用场景聚类算法筛选新能源出力时序特性典型场景；所述新能源出力时序特性典型场景中包括规划水平年规划区域内新能源机组的逐小时出力特性；

38、优化单元，分别与所述数据获取单元及所述场景筛选单元连接，用于基于所述新能源出力时序特性典型场景及所述边界条件，以电力系统的总成本最小为目标，建立多时间尺度储能规划模型，并求解得到各新能源机组的出力数据。

39、为实现上述目的，本发明还提供了如下方案：

40、一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的多时间尺度储能优化方法。

41、根据本发明提供的具体实施例，本发明公开了以下技术效果：

42、本发明首先根据新能源出力历史序列，基于通用生成函数进行新能源出力特性的模拟，得到新能源出力状态概率序列；然后根据新能源出力状态概率序列，采用蒙特卡洛方法模拟得到新能源出力时间序列；再基于新能源出力时间序列，采用场景聚类算法筛选新能源出力时序特性典型场景；最后基于新能源出力时序特性典型场景及所述边界条件，以电力系统的总成本最小为目标，建立多时间尺度储能规划模型，并求解得到各新能源机组的出力数据。本发明考虑了新能源出力的空间相关性，综合预测信息与历史数据特征，模拟规划水平年的新能源出力特性，更好地反映长时间尺度下新能源出力的随机性和波动性，进而实现了长时间尺度的储能优化。