一种考虑脱网风险的储能装置SOC下限值最优设置方法与流程

本发明涉及一种考虑脱网风险的储能装置soc下限值最优设置方法。

背景技术：

当大电网发生故障时，微网由并网转入脱网状态，此时通过微网内有限的能源以及储能装置备用容量满足重要负荷的短时供能需求。假如并网运行时设置储能装置soc下限值较小，储能装置具有较大调度空间，利于并网经济调度，然而，在整个并网调度过程中，储能装置将在某些时段出现较低的soc值，如若突发故障脱网，则可能无法满足重要负荷需求而产生较大的经济损失。针对该问题，有一种解决方法是根据重要负荷不同时段的需求情况推算对应的储能装置soc下限值，在并网运行过程中动态调整储能装置soc下限值，该方法能够在保证重要负荷供电可靠性的前提下提高一定的经济性。然而，现阶段电网的供电可靠性非常好，发生非计划脱网的概率极低，根据重要负荷需求保留的储能装置备用容量很少利用到，因此，该方法并不是最经济的储能装置soc设置方案。

非计划脱网通常与恶劣天气有较大关系，如果根据未来的天气情况以及统计数据分析发生非计划脱网的概率，在考虑脱网概率的情况下进一步优化储能装置soc下限值设置方案，可进一步提高并网运行的经济性。基于此，本发明通过概率统计的方法，提出一种兼顾并网运行经济成本最小与脱网运行重要负荷损失最小的储能装置soc下限值设置方案。对于含有较大规模储能装置系统的微网来说本发明具有很好的经济应用价值。

技术实现要素：

本发明要解决的技术问题是，针对现有并网调度过程中储能装置soc限值设置的不经济性问题，提出一种考虑脱网风险的储能装置soc下限值最优设置方法，在综合考虑非计划脱网概率以及重要负荷损失的情况下，充分利用储能装置的可调度容量，进一步提高并网运行的经济性。

本发明的技术解决方案如下：

一种考虑脱网风险的储能装置soc下限值最优设置方法，包括以下步骤：

步骤1：通过能量平衡关系计算出满足短时脱网重要负荷需求的储能装置soc下限值soc0：

步骤2：在soc0和soc之间取多个不同的数值，分别计算储能装置的soc下限值从soc0降低至各个不同的数值后产生的期望收益，其中soc为储能装置的soc物理下限值；比较各个期望收益，将最大期望收益对应的数值作为储能装置soc下限值的最优设置方案。

进一步地，所述步骤1中，soc0的计算公式为：

soc0＝(w+wn×ηd×socmin)/[wn×ηd×(1-δ)](1)

式中，w为τ1至τ2的时段内储能装置为供应重要负荷所需提供的能量值；分别为τ时刻重要电负荷、风、光发电功率，由预测得到的微电网重要电负荷功率、风力发电功率曲线和光伏发电功率曲线确定；为τ时刻燃气机最大可调度功率；τ2-τ1为微网在孤网情况下重要负荷的保障供电时长；wn为储能装置的额定容量；ηd为储能装置放电效率；δ为储能装置的自放电率；socmin是为了保证储能装置在脱网后具有平抑非计划波动功率能力而设置的soc下限值；δpwave，max为孤网下最大可能的非计划波动功率，为经验参数，可设置为微网内负荷最大功率与风光新能源最大可能出力之和的5％；t为调度总周期内一个调度时段的时间长度。

进一步地，所述步骤2中，利用期望收益模型计算储能装置的soc下限值从soc0降低至soc′后产生的期望收益，期望收益模型如公式(4)～(10)所示：

式中，k表示天气类型数，k＝3，天气类型共分为灾害天气、恶劣天气和好天气三种，分别对应k＝1，2，3；i表示脱网类型数，i＝4，脱网类型共分为无、短、中、长时间脱网4种，分别对应i＝1，2，3，4；pki表示k类型天气下发生i类型脱网的概率，nk表示k类型天气的总天数，mki表示k类型天气下发生i类型脱网的天数；tki表示k类型天气下发生i类型脱网的平均脱网时间，等于k类型天气下发生i类型脱网的各次脱网时间之和除以mki；公式(6)为并网收益模型，δcc(soc′)表示储能装置soc下限值为soc′时的并网收益；cc是综合能源系统调度总周期(24h)内的最小运行成本；n表示调度总周期内调度时段个数；表示第t个调度时段内单位时间燃气消耗量，为第t个调度时段的燃气价格；u是联供系统中投入运行的供能设备数量，为第t个调度时段第u个供能设备的出力，fu是第u个供能设备单位出力的运行维护成本，供能设备中储能装置的出力需满足soc限值要求；表示第t个调度时段与电网功率交互成本；为第t个调度时段燃气机的启动成本；kcc(tki)表示脱网时间tki对应的收益概率乘数；ps1、pm1、pl1分别表示短、中、长时间脱网和并网恢复时段影响储能装置平电价充电，高电价放电产生收益的概率，ps2、pm2、pl2分别表示短、中、长时间脱网和并网恢复时段影响储能装置低电价充电，高电价放电产生收益的概率，ps1＝ps2＝pm1＝pm2＝[tki+min(tki，1h)]/24，pl1＝{23-[tki+min(tki，1h)]}/24，pl2＝1/2；p3表示脱网和并网恢复时段不影响储能装置充放电收益的概率，p3＝1/24；δcc1表示储能装置的soc下限值从soc0降低至soc′时，储能装置低电价充电，高电价放电产生的收益，δcc2表示储能装置的soc下限值从soc0降低至soc′时，储能装置平电价充电，高电价放电产生的收益；ηc和ηd分别表示储能装置的充电效率和放电效率；和分别表示储能装置的额定充电效率和放电功率；δt1表示储能装置以额定功率放电，从soc0放电至soc′所需时间；δt2表示储能装置以额定功率充电，从soc′充电至soc0所需时间；cl为脱网后的经济损失，r为负荷个数；为第t个调度时段第r个负荷单位时间单位功率损失造成的经济损失，为给定的数据，可通过调研负荷的特性得到；为第t个调度时段第r个负荷的功率需求，为第t个调度时段为第r个负荷供应的功率；j表示荷电状态取值范围的划分份数，将soc′～soc0分成j等份以近似表示脱网时储能装置所有可能的状态。

进一步地，t1＝1h，t2＝11h。

进一步地，通过粒子群算法求解并网收益模型和脱网损失模型，得到储能装置的soc下限值设置为soc′的最大并网收益和最小脱网损失，然后利用公式(4)计算对应的期望收益即储能装置的soc下限值从soc0降低至soc′后产生的期望收益；粒子群算法求解包括以下步骤：

(a)初始化粒子种群；种群中每个粒子的位置表示一种调度方案，调度方案中的决策变量包括每个调度时段的燃气机发电功率、储冷装置/储热装置的蓄/放冷功率、储能装置充/放电功率，以及每个调度时段为各个负荷供应的功率，

(b)粒子位置修正；依据能量平衡约束以及设备运行出力约束，对粒子位置中的越界变量进行修正，将位置中的变量限制在约束范围内；

(c)按照公式(4)～(10)计算各个粒子位置对应的并网收益和脱网损失；对第i个粒子，确定其历史位置中，对应的并网收益最大、脱网损失最小的位置，作为其个体最优位置pbesti，pbesti的初始值为该粒子修正后的初始位置确定粒子群所有粒子的历史位置中，对应的并网收益最大、脱网损失最小的位置，作为全局最优位置gbest；

(d)第k次迭代时，依据式(21)更新粒子速度及位置：

式中，和分别表示第k代种群中第i个粒子的位置和速度；w为惯性系数；c1和c2均为学习因子；rand(0，1)表示取范围[0，1]内的任意值；

(e)返回步骤(b)；不断迭代，直至前后两次迭代后产生的全局最优位置不发生变化或达到最大迭代次数为止，最终得到的全局最优位置，其对应的并网收益和脱网损失即最大并网收益和最小脱网损失。

进一步地，所述步骤2中，在soc0和soc之间取多个不同的数值的方法为：等间隔选取多个不同的数值。

本发明的工作原理是：将天气影响因素与脱网概率关联，建立脱网概率统计模型，在此基础上，结合并网收益模型以及脱网损失模型，建立兼顾并网收益与脱网损失的soc限值期望收益模型。根据现有预测技术，提前判断天气状态，通过该模型评价未来天气状态下不同soc限值设置方案的经济性，最终确定最佳期望收益的soc限值设置方案。

本发明的有益效果是：

(1)本发明提出的并网收益模型能够充分利用储能装置的可调度容量，提高并网经济收益，脱网模型能够优化储能装置调度和负荷投切减少脱网损失；

(2)本发明提出的soc限值期望收益模型，可评价不同天气状态下不同soc限值设置方案的期望收益；能够根据现有预测技术，提前判断天气状态，制定最优soc最小限值设置方案，具有很好的实际应用价值。

附图说明

图1为本发明的方法总体思路框图。

图2为求解并网收益模型以及脱网损失模型的粒子群算法流程图。

具体实施方式

以下结合附图和具体实施方式对本发明进行进一步具体说明。本发明一种考虑脱网风险的储能装置soc下限值最优设置方法，包括以下步骤：步骤1：计算满足短时脱网重要负荷需求的储能装置soc限值；步骤2：降低储能装置soc限值，利用建立的期望收益模型计算降低储能装置soc限值后产生的期望收益，其中，期望收益模型包括并网收益模型、脱网损失模型以及脱网概率统计模型；步骤3：逐步降低储能装置soc限值，计算对应的期望收益，直到储能装置soc的物理下限值为止。比较不同soc限值对应的期望收益，从而得到最佳期望收益的soc限值设置方案。本发明通过分析不同天气状态下发生脱网的概率，提前判断天气类型，制定储能装置soc限值设置方案，具有很好的实际应用价值。

所述步骤2中并网收益模型和脱网损失模型通过粒子群算法进行求解，根据流程图2具体为：

(a)初始化粒子种群；种群中每个粒子的位置表示一种可行的调度方案；

对于并网收益模型，决策变量为每个调度时段的燃气机发电功率、储冷装置/储热装置的蓄/放冷功率以及电储能装置充放电功率；以夏季供冷为例，对应粒子的位置和速度如式(11)所示。

式中，和分别表示第k代种群中第i个粒子的位置和速度，表示燃气机第t个调度时段的出力，表示储冷装置第t个调度时段的蓄/放冷功率，表示储能装置第t个调度时段的充/放电功率；为的调整幅度，为的调整幅度，为的调整幅度，t＝1，2，...，n；

对于脱网损失模型，决策变量为每个调度时段为各个负荷供应的功率，对应粒子的位置和速度如式(12)所示。

式中，和分别表示第k代种群中第i个粒子的位置和速度，表示第t个调度时段为第r个负荷供应的功率；为的调整幅度，r＝1，2，...，r；

(b)粒子修正；依据能量平衡约束以及设备运行出力约束，对粒子中的越界变量进行修正，将变量限制在约束范围内；

1)对于并网收益模型，并网下系统的能量平衡关系，不同季节的供能期，相应的平衡约束条件略有差别。以夏季供冷为例，式(13)～式(17)分别表示夏季的电功率平衡约束、冷功率平衡约束、燃气功率平衡约束、余热功率平衡约束以及储能装置出力约束；

pge+pgrid+pbat+ppv+pwt＝pgump+pec+pl(13)

qac.cool+qec+qcs＝ql.cool(14)

fgrid＝fge(15)

qge＝qout+qac.in(16)

式中，ppump为水泵耗电功率，pec为电制冷机的耗电功率，pl为重要电负荷功率；qac.cool为余热吸收式冷温水机制冷功率，qec为电制冷机制冷功率，qcs为储冷装置的蓄/放功率，ql.cool是冷负荷功率；fgrid是燃气管网输出的燃料热功率，fge是燃气机输入的燃料热功率；qge是燃气机输出热功率，qout是未利用的热功率，qac.in是冷温水机输入的热功率；并网下储能装置的荷电状态范围为0.1～0.9；储能装置按照额定功率充/放电；和分别为储能装置的额定充、放电功率。

2)对于脱网损失模型，脱网下能量平衡约束以及储能装置出力约束如式(18)-(20)所示。对于脱网损失模型，电源所提供的总功率仅有几种离散值，即r个负荷的2^r种投切组合的功率值，同时需要切除相应负荷满足供需平衡，因此采用离散粒子群算法对目标函数求解。将粒子的连续飞行空间划分为2^r份，每一份对应一种组合的值，将处于某一份空间中的粒子位置修正为对应的组合值；

pe＝pge+pbat+ppv+pwt(18)

其中，pe为所有负荷供应的功率之和，pge、ppv、pwt和pbat分别为燃气机出力、光伏发电功率、风力发电功率和储能装置的充/放电功率；socmax和socmin分别为保证储能装置在脱网后具有平抑非计划波动功率能力设置的soc上限值和下限值；pbat，cmax和pbat，dmax分别为储能装置最大允许充电功率和放电功率；和分别为储能装置的额定充电功率和放电功率，α为脱网下储能装置在短时间内的充/放电倍率，脱网下储能装置能在短时间内高倍率充/放电；δpwave，max为孤网下最大可能的非计划功率波动幅度；ηc和ηd分别为储能装置的充电效率和放电效率。

(c)按照式(6)、(10)计算各个粒子位置对应的并网收益、脱网损失；对第i个粒子，确定其历史位置中，对应的并网收益最大、脱网损失最小的位置，作为其个体最优位置pbesti，pbesti的初始值为该粒子的初始位置确定粒子群所有粒子的历史位置中，对应的并网收益最大、脱网损失最小的位置，作为全局最优位置gbest；

(d)第k次迭代时，依据式(21)更新粒子速度及位置：

式中，w为惯性系数；c1和c2均为学习因子，分别取为1和2；rand(0，1)表示取范围[0，1]内的任意值；pbesti是第i个粒子的个体最优位置；

返回步骤(b)；不断迭代，直至前后两次迭代后产生的全局最优位置不发生变化或达到最大迭代次数为止，得到最终的全局最优位置，其对应的并网收益和脱网损失即最大并网收益和最小脱网损失。