一种储能系统典型工况曲线的提取方法及其评价系统与流程

本发明涉及大规模储能技术,能源互联网以及数据挖掘领域，具体涉及一种储能系统典型工况曲线的提取方法及其评价系统。

背景技术：

可再生能源发电的波动性、间歇性和不可预知性会给现有电力系统的运行带来一定冲击。储能系统具有快速响应和动态调节能力，可以有效提高新能源电力系统的友好性。储能系统配置在发电侧时，可用于平抑可再生能源发电的短时功率波动，跟踪调度计划出力等应用场景，从而改善可再生能源发电接入电网的电能品质，满足新能源的灵活接入；储能系统配置在系统侧时可以优化负荷，进行削峰填谷，提高系统自身调节能力，实现对负荷的管理并获得经济效益。

目前对于储能系统充放功率的研究都集中于优化控制与容量配置等方面，对于典型工况曲线的挖掘及获取工作关注较少。目前关于典型工况曲线挖掘的研究主要集中在电动汽车\混合电动汽车上。例如通过求出电池功率的分布函数和概率分布，然后随机产生电池充放电功率的典型工况曲线挖掘方法。但该方法随机产生电池的充放电功率，仅考虑典型工况曲线与实际工况曲线在概率分布上的一致性，未考虑典型工况曲线与实际工况曲线在具体时刻取值的一致性，使得典型工况曲线与实际工况曲线在时间序列上差别较大。因此不适用于电力系统，特别是电力储能系统的工况分析与提炼。

技术实现要素：

为了克服上述现有技术的不足，本发明提供一种储能系统典型工况曲线的提取方法及其评价系统，本发明实现了对新能源与储能混合发电系统的典型工况的准确获取，提高了新能源与储能混合发电系统的运行可靠性及稳定性。

为了实现上述发明目的，本发明采取如下技术方案：

一种储能系统典型工况曲线的提取方法，所述方法包括如下步骤：

步骤1、读取新能源发电系统和储能系统的运行数据；

步骤2、确定或读取所述储能系统在一个采集时长的充放电功率数据，并组成充放电功率矩阵M；

步骤3、根据所述储能系统的功率值的区间分布特性，得到k时刻的特征充放电功率值向量；

步骤4、确定所述储能系统在k时刻的典型功率值：P_1k；

步骤5、剔除幅值较小的储能系统功率，确定所述储能系统在k时刻的典型功率值：P_2k；

步骤6、整合P_1k和P_2k，确定所述储能系统在k时刻的典型功率值：P_k；

步骤7、分析并整合所有时刻的典型功率值，得到储能系统典型工况曲线。

步骤8、取得评价典型工况曲线。

优选的，所述步骤1中，所述运行数据包括新能源实际功率或储能系统充放电功率数据。

优选的，所述步骤2包括如下步骤：

步骤2-1、当所述运行数据为新能源实际功率时，则采用基于斜率控制的平滑控制策略方法，确定所述储能系统的一个采集时长的充放电功率数据；

步骤2-2、当所述运行数据为储能系统充放电功率数据时，则直接读取所述充放电功率数据；

步骤2-3、将所述充放电功率数据组成充放电功率矩阵M_m×n：

式中，m为所述一个采集时长的天数；n为采集时刻的总数；矩阵M_m×n中的元素p_gk为第g天k时刻的所述储能系统的功率值，且k＝1，2，…，n；g＝1，2，…m。

优选的，所述步骤2-1包括如下步骤：

步骤2-1-1、根据所述新能源实际功率P(t)，计算平滑前功率时间变化率r_p(t)的：

式中，P_h(t)为平滑后功率；Δt为时间间隔；P_h(t-Δt)为t-Δt时刻平滑后功率；t为时刻；

步骤2-1-2、比较r_p(t)与时间变化率临界值k时刻的大小，判断所述储能系统的充放电操作，并确定充放电功率。

优选的，所述步骤2-1-2包括如下步骤：

步骤2-1-2-1、当r_p(t)>k时，所述储能系统充电，且所述储能系统在t时刻的充电功率为：

步骤2-1-2-2、当r_p(t)<-k时，所述储能系统放电，且所述储能系统在t时刻的放电功率为：

步骤2-1-2-3、当-k<r_p(t)<k时，所述储能系统不出力，并减少充放电次数。

优选的，所述步骤3包括如下步骤：

步骤3-1、提取m天内k时刻的各所述储能系统充放电功率向量p_1k,p_2k,…,p_mk，组成向量P_k1＝[p_1k,p_2k,…,p_mk]^T；

步骤3-2、从向量P_k1中确定p_gk分布最集中的区间，并将该区间作为最大概率分布区间L_opt1；

步骤3-3、提取向量P_k1中落在所述最大概率分布区间L_opt1内的功率值p’_1k,p’_2k,…,p’_tk，组成向量I_k1＝[p’_1k,p’_2k,…,p’_tk]^T，并计算分布概率F_k1：

式中，t为向量I_k1中功率值的点数；

步骤3-4、采用遗传算法，以选取特征功率E_k1到向量I_k1中其他元素的欧氏距离最短为原则，根据E_k1的取值区间[p’_min，p’_max]，得到用于获取所述选取特征功率E_k1的寻优目标函数minT：

式中，p’_max为向量I_k1的最大值；p’_min为向量I_k1的最小值；p'_jk为向量I_k1中的各功率值，j为向量I_k1中的某功率值，且j＝1、2，…，t^p；

得到所述选取特征功率E_k1；

步骤3-5、从向量P_k1中减去向量I_k1中的功率值，得到新的向量P_k2，得到最大概率分布区间L_opt2和向量I_k2，并计算分布概率F_k2；

步骤3-6、判断F_k2与阈值ε大小；

若F_k2小于阈值ε，则k＝k+1，即进入寻找下一时刻的典型功率值；

若F_k2大于阈值ε，则返回步骤3-2确定特征功率值E_k2及所有特征功率值E_k，直到F_ki小于阈值ε，得到k时刻的特征充放电功率值向量[E_k1,E_k2,…,E_kh]。

优选的，所述步骤3-2包括如下步骤：

步骤3-2-1、确定分布区间L：

L＝[x，x+d]

式中，x为所述分布区间的下限，d为所述区间长度；

步骤3-2-2、采用遗传算法，根据x的取值区间[p_min，p_max]，得到用于求得优化所述分布区间的下限x取值后的最优值x_opt1的优化目标函数maxJ：

式中，p_max为向量P_k1最大值，p_min为向量P_k1最小值；

得到优化所述分布区间的下限x取值后的最优值x_opt1；

步骤3-2-3、根据所述最优值x_opt1，确定所述最大概率分布区间L_opt1：

L_opt1＝[x_opt1，x_opt1+d]。

优选的，所述步骤4中，确定所述储能系统在k时刻的典型功率值P_1k，公式如下：

式中，i为特征充放电功率值的某点数，h为特征充放电功率值的点数的总数；E_ki为第i个特征功率值；F_ki为第i个分布概率。

优选的，所述步骤5包括如下步骤：

步骤5-1、计算向量P_k1中元素的概率分布；

步骤5-2、根据概率分布，得到储能功率为0的概率α；同时获得分布区间[-x，x]，选取分布区间的原则为向量P_k1中元素落入该区间内的概率大于阈值β，且区间长度最短；

步骤5-3、从向量P_k1中剔除落入区间[-x，x]内的元素，组成新的向量P_k1；

步骤5-4、根据所述步骤3到4的方法，确定所述储能系统在k时刻的典型功率值P_2k。

优选的，所述步骤6中，确定所述储能系统在k时刻的典型功率值P_k，通过产生0～1的随机数r，若r≤α，则P_k＝0，若α<r≤β，则P_k＝P_1k，否则P_k＝P_2k。

优选的，所述步骤7中，分析并依次计算各个时刻的所述储能系统的典型充放功率值P₁，P₂，…，P_n；得到所述储能系统典型工况曲线P_typical，公式如下：

P_typical＝[P₁，P₂，…，P_n]。

优选的，所述步骤8包括如下步骤：

步骤8-1、为定量评价储能系统典型功率曲线与实际功率曲线的偏差，定义偏差评价指标I_R：

式中，I_R为储能系统典型功率曲线与实际功率曲线的均方差，P_typical为储能系统典型功率曲线，P为储能系统实际功率曲线，P_max为典型功率曲线最大功率值，n₁为功率曲线点数；

步骤8-2、为定量评价典型功率曲线与实际功率曲线概率分布的偏差，定义偏差评价指标I_F：

式中，I_F为储能系统典型功率曲线功率分布的拟合曲线与实际功率曲线功率分布拟合曲线的偏差评价指标，f_typical是储能系统典型功率曲线功率分布的拟合曲线，f是储能系统实际功率曲线功率分布拟合曲线，n₂是拟合点数，d为储能系统功率分布直方图组距。

优选的，一种储能系统典型工况曲线的评价系统，所述评价系统包括：所述系统包括相互通信的通讯模块、数据存储与管理模块、控制策略执行模块、典型工况曲线挖掘模块和典型工况曲线分析与评估模块；

所述通讯模块用数据通讯网络与监控平台及所述数据存储与管理模块通信；

所述数据存储与管理模块向所述控制策略执行模块发送信号及数据；

所述控制策略执行模块向所述数据存储与管理模块及所述典型工况曲线挖掘模块发送数据信号；

所述典型工况曲线挖掘模块生成储能系统典型工况曲线，并向所述数据存储与管理模块和典型工况曲线分析与评估模块发送数据信号；

所述典型工况曲线分析与评估模块用于评估典型工况曲线的偏差。

与现有技术相比，本发明的有益效果在于：

本发明挖掘确定特定应用场景下的储能系统典型工况曲线是对储能系统运行特征的提取与概括，实现了对于储能系统充放功率情况的整体认知，进而辅助解决诸如容量配置等问题，利用所提取的典型工况曲线可以压缩数据量，节省计算量。

本发明具有通用性和可复制性,可推广应用于储能系统参与跟踪发电计划，参与系统调频,削峰填谷等不同应用模式下确定的储能系统充放电功率分析及其典型运行工况曲线的提取与复验等。

本发明实现了对新能源与储能混合发电系统的典型工况的准确获取，提高了新能源与储能混合发电系统的运行可靠性及稳定性。应用广泛，具有显著的社会效益和经济效益。

附图说明

图1是本发明提供的一种储能系统典型工况曲线的提取方法流程图

图2是本发明提供的组成充放电功率矩阵方法的流程图

图3是本发明提供的取得充放电功率值向量方法的流程图

图4是本发明提供的一种储能系统典型工况曲线的评价系统框架图

图5是本发明提供的提取[-4，4]区间内储能系统功率曲线图

图6是本发明提供的提取[-20，-4)和(4，20]区间内储能系统功率曲线图

图7是本发明提供的整合后得到的典型功率曲线图

具体实施方式

下面结合附图对本发明作进一步详细说明。

如图1所示，本发明提供一种储能系统典型工况曲线的提取方法，方法用于获取能够体现新能源与储能混合发电系统中典型工况的储能系统典型工况曲线，且新能源与储能混合发电系统包括电网、接入电网的新能源发电系统、储能系统；

包括如下步骤：

步骤1.读取所述新能源发电系统及储能系统的运行数据，其中，所述运行数据中包括新能源实际功率或储能系统充放电功率数据；

步骤2.确定或读取所述储能系统的一个采集时长的充放电功率数据，并组成充放电功率矩阵M；

步骤3.根据所述储能系统的功率值的区间分布特性，得到k时刻的特征充放电功率值向量；

步骤4.确定所述储能系统在k时刻的典型功率值：P_1k；

步骤5.剔除幅值较小的储能系统功率，确定所述储能系统在k时刻的典型功率值：P_2k；

步骤6.整合P_1k和P_2k，确定所述储能系统在k时刻的典型功率值：P_k；

步骤7.分析并整合所有时刻的典型功率值，得到储能系统典型工况曲线。

步骤8.评价典型工况曲线。

如图2所示，所述步骤2包括：

2-1.当所述运行数据为新能源实际功率时，则采用基于斜率控制的平滑控制策略方法，确定所述储能系统的一个采集时长的充放电功率数据；

2-2.当所述运行数据为储能系统充放电功率数据时，则直接读取所述充放电功率数据；

2-3.将所述充放电功率数据组成充放电功率矩阵M_m×n：

式(1)中，m为所述一个采集时长的天数；n为采集时刻的总数；矩阵M_m×n中的元素p_gk为第g天k时刻的所述储能系统的功率值，且k＝1，2，…，n；g＝1，2，…m。

所述步骤2-1包括：

a.根据所述新能源实际功率P(t)，计算平滑前功率时间变化率r_p(t)的：

式(2)中，P_h(t)为平滑后功率；Δt为时间间隔；P_h(t-Δt)为t-Δt时刻平滑后功率；t为时刻；

b.比较r_p(t)与时间变化率临界值k时刻的大小，判断所述储能系统的充放电操作，并确定充放电功率。具体步骤如下：

b-1.当r_p(t)>k时，所述储能系统充电，且所述储能系统在t时刻的充电功率为：

b-2.当r_p(t)<-k时，所述储能系统放电，且所述储能系统在t时刻的放电功率为：

b-3.当-k<r_p(t)<k时，所述储能系统不出力，并减少充放电次数。

如图3所示，所述步骤3包括：

3-1.提取m天内k时刻的各所述储能系统充放电功率向量p_1k,p_2k,…,p_mk，组成向量P_k1＝[p_1k,p_2k,…,p_mk]^T；

3-2.从向量P_k1中确定p_gk分布最集中的区间，并将该区间作为最大概率分布区间L_opt1；

3-3.提取向量P_k1中落在所述最大概率分布区间L_opt1内的功率值p’_1k,p’_2k,…,p’_tk，组成向量I_k1＝[p’_1k,p’_2k,...,p’_tk]^T，并计算分布概率F_k1：

式(5)中，t为向量I_k1中功率值的点数；

3-4.采用遗传算法，以选取特征功率E_k1到向量I_k1中其他元素的欧氏距离最短为原则，根据E_k1的取值区间[p’_min，p’_max]，得到用于获取所述选取特征功率E_k1的寻优目标函数minT：

其中，p’_max为向量I_k1的最大值；p’_min为向量I_k1的最小值；p'_jk为向量I_k1中的各功率值，j为向量I_k1中的某功率值，且j＝1、2，…，t^p；

得到所述选取特征功率E_k1；

3-5.从向量P_k1中减去向量I_k1中的功率值，得到新的向量P_k2，得到最大概率分布区间L_opt2和向量I_k2，并计算分布概率F_k2；

3-6.判断F_k2与阈值ε大小；

若F_k2小于阈值ε，则k＝k+1，即进入寻找下一时刻的典型功率值；

若F_k2大于阈值ε，则返回步骤3-2确定特征功率值E_k2及所有特征功率值E_k，直到F_ki小于阈值ε，得到k时刻的特征充放电功率值向量[E_k1,E_k2,…,E_kh]。

所述步骤3-2包括：

c.确定分布区间L：

L＝[x，x+d] (7)

式(7)中，x为所述分布区间的下限，d为所述区间长度；

d.采用遗传算法，根据x的取值区间[p_min，p_max]，得到用于求得优化所述分布区间的下限x取值后的最优值x_opt1的优化目标函数maxJ：

其中，p_max为向量P_k1最大值，p_min为向量P_k1最小值；

得到优化所述分布区间的下限x取值后的最优值x_opt1；

e.根据所述最优值x_opt1，确定所述最大概率分布区间L_opt1：

L_opt1＝[x_opt1，x_opt1+d] (9)。

所述步骤4包括：

确定所述储能系统在k时刻的典型功率值P_1k：

式(10)中，i为特征充放电功率值的某点数，h为特征充放电功率值的点数的总数；E_ki为第i个特征功率值；F_ki为第i个分布概率。

所述步骤5包括：

5-1.计算向量P_k1中元素的概率分布。

5-2.根据概率分布，得到储能功率为0的概率α；同时获得分布区间[-x，x]。选取分布区间的原则为向量P_k1中元素落入该区间内的概率大于阈值β，且区间长度最短。

5-3.从向量P_k1中剔除落入区间[-x，x]内的元素，组成新的向量P_k1

5-4.参照步骤3和步骤4的方法，确定所述储能系统在k时刻的典型功率值P_2k

9、如权利要求8所述的方法，其特征在于，所述步骤6包括：

确定所述储能系统在k时刻的典型功率值P_k。确定的方法为：通过产生0～1的随机数r，若r≤α，则P_k＝0；若α<r≤β，则P_k＝P_1k；否则P_k＝P_2k。

所述步骤7包括：

分析并依次计算各个时刻的所述储能系统的典型充放功率值P₁，P₂，…，P_n；得到所述储能系统典型工况曲线P_typical：

P_typical＝[P₁，P₂，…，P_n] (11)。

所述步骤8中评价指标包括：

8-1.为定量评价储能系统典型功率曲线与实际功率曲线的偏差，定义偏差评价指标I_R：

式中，I_R为储能系统典型功率曲线与实际功率曲线的均方差，P_typical为储能系统典型功率曲线，P为储能系统实际功率曲线，P_max为典型功率曲线最大功率值，n₁为功率曲线点数。

8-2.为定量评价典型功率曲线与实际功率曲线概率分布的偏差，定义偏差评价指标I_F：

其中，I_F为储能系统典型功率曲线功率分布的拟合曲线与实际功率曲线功率分布拟合曲线的偏差评价指标，f_typical是储能系统典型功率曲线功率分布的拟合曲线，f是储能系统实际功率曲线功率分布拟合曲线，n₂是拟合点数，d为储能系统功率分布直方图组距。

如图4所示，本发明提供一种储能系统典型工况曲线的评价系统，系统包括相互通信的通讯模块10、数据存储与管理模块20、控制策略执行模块30、典型工况曲线挖掘模块40和典型工况曲线分析与评估模块50；

通讯模块10用数据通讯网络与未在图中显示的监控平台及数据存储与管理模块通信20；

数据存储与管理模块20向控制策略执行模块30发送信号及数据；

控制策略执行模块30向数据存储与管理模块20及典型工况曲线挖掘模块40发送数据信号；

典型工况曲线挖掘模块40生成储能系统典型工况曲线，并向数据存储与管理模块20和典型工况曲线分析与评估模块50发送数据信号；

典型工况曲线分析与评估模块50用于评估典型工况曲线的偏差，并向数据存储与管理模块20发送数据信号。

通过设置在工控机的通讯模块10、数据存储与管理模块20、控制策略执行模块30、典型工况曲线挖掘模块40和典型工况曲线分析与评估模块50实现的。

通讯模块10负责接收新能源及储能系统相关运行数据，以及向监控平台发送新能源出力值和储能单元的功率命令值。监控平台设置在通讯模块左侧，与通讯模块连接，实时控制和监测控制通讯模块。

数据存储与管理模块20用于存储和管理新能源发电相关数据及储能系统运行时的实时数据和历史数据，接受并保存储能系统典型功率值信号；而且负责将储能电池功率命令值按事先设定的协议赋给相关接口变量，供电池储能系统接口平台使用；将新能源发电功率值信号或储能系统充放电功率值信号、储能电池启停信号、储能电池SOC值信号发送到控制策略执行模块。

控制策略执行模块30首先从平滑风光发电、跟踪发电计划、调峰调谷、参与系统调频等不同应用场景中选择应用场景。然后判断接收信号类型，若为新能源发电功率值信号，则根据相应应用场景下的控制策略得到储能系统功率值信号；若为储能系统充放电功率值信号，则直接读取储能系统充放电功率；将储能系统功率值信号发送到所述数据管理与存储模块和所述典型工况曲线挖掘模块；

典型工况曲线挖掘模块40用于挖掘储能系统典型工况曲线，并将典型功率值信号传递给数据存储与管理模块和典型工况曲线分析与评估模块。

该模块从控制策略执行模块获得储能系统功率值信号，组成充放电功率矩阵M。基于储能系统功率值的区间分布特性，采用遗传算法，寻找所有分布概率大于阈值ε的概率分布区间；并利用遗传算法得到相应分布区间的特征功率值，得到k时刻的特征充放电功率值向量。对特征充放电功率值向量中元素加权平均，得到k时刻典型功率值。依次计算各个时刻的储能系统典型充放功率值，得到储能系统典型工况曲线。

典型工况曲线分析与评估模块50，该模块接收储能系统典型工况曲线信号，并对典型工况曲线的偏差进行评估，并将评估结果发送到数据存储与管理模块。

对张北风光储电站(100MW风力发电)风电功率数据进行分析，所用数据为2013年6月-8月风电功率实测数据，通过上述方法提取储能系统典型工况曲线。

分析储能系统功率分布特性：储能系统功率为0的概率为0.8；设定β值为0.9，储能系统功率分布在[-4，4]区间内的概率超过0.9，且区间长度最短。因此，提取[-4，4]区间内储能系统功率，按照上述方法提取典型功率曲线，如图5所示。提取[-20，-4)和(4，20]区间内储能系统功率，按照上述方法提取典型功率曲线，如图6所示。按照上述方法对提炼结果进行整合，得到典型功率曲线，如图7所示。

评价指标I_R和评价指标I_F能够验证和量化评估，验证提炼结果的有效性的。经计算，偏差评价指标I_R为0.1，表明储能系统典型功率曲线与实际功率曲线的偏差较小；概率分布的偏差评价指标I_F为0.78，表明储能系统典型功率曲线功率分布的拟合曲线与实际功率曲线功率分布拟合曲线的偏差较小。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。