一种用于多可再生能源发电系统的储能设备容量优化方法与流程

本发明属于新能源技术领域，更为具体地讲，涉及一种用于多可再生能源发电系统的储能设备容量优化方法。

背景技术：

近年来，我国的风机装机总容量已居世界前列，高容量的装机同样带来了许多问题，其中我国的弃风消纳问题极为严峻，据统计，2016年全年风电弃量497亿kwh，是2010年全国风电弃量的4倍，平均弃风率达到17.1％，其中甘肃省弃风率更是高达43％；光伏发电的弃光现象也很突出，2016年某五省区的弃光量增长了50％，达到70.42亿kwh。因此目前急需寻求新的途径来解决国内新能源消纳困难的问题。与此同时，能源互联网的提出为可再生能源的消纳提供了新的解决途径。燃气作为一种重要的能量存在形式，近年来的需求量日益增加，依托电转气技术的快速发展，加上庞大完善的燃气地下运输存储设施为弃风弃光的消纳提供了很好的解决途径。

日渐成熟的电转气技术实现了电能向天然气的转换，从而使得电力系统和天然气系统得以闭环互联，拓展了电力-天然气互联系统在能源协调优化方面的应用前景，从而改善系统运行的灵活性，并提高其新能源的接纳能力。但现目前电转气技术的投资成本依旧居高不下，较少的容量配置会造成新能源消纳比例过低，浪费大量可再生能源；过多的容量配置也会造成建设初期投资困难及资源浪费。因此，电转气设备的容量优化配置能够使新能源消纳比例与投资收益率达到一个相对的平衡。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种用于多可再生能源发电系统的储能设备容量优化方法，充分考虑电转气设备的投资成本、年运维成本、年卖气收益、电-气联合运行网络约束，得到电转气设备的最优容量配置。

为实现上述发明目的，本发明一种用于多可再生能源发电系统的储能设备容量优化方法，其特征在于，包括以下步骤：

(1)、以某地多可再生能源发电基地项目为参考，建立包括电转气储能设备的多可再生能源发电系统；

(2)、获取该地区系统一年的风速、光照、电力及天然气负荷需求数据，绘制出风机功率曲线、光伏功率曲线、电力负荷功率曲线及天然气负荷流量曲线，从而计算出需要向电力网络提供的电能及过剩的可再生能源总量及分布状况，然后制定电转气储能设备的能量管理策略；

(3)、基于电转气储能设备的能量管理策略，构建电转气储能设备的投资回报率的最优模型

(3.1)、构建电转气设备的出力模型；

其中，gs,p2g(t)表示t时刻电转气设备的产气速率，λ为常数，ηp2g表示电转气设备的能量转换效率，ghv表示天然气的热值，pd,p2g(t)表示t时刻电转气设备的运行功率，congas表示电转气设备年合成的天然气总量，t1为优化的总时刻数，δt为相邻两时刻的间隔步长；

(3.2)、计算电转气设备的投资成本及年运维成本：

其中，tp2g表示电转气设备的投资成本，cp2g表示电转气设备的容量，prip2g表示电转气设备的单位容量造价，cop表示电转气设备的年运维成本，为比例系数；

(3.3)、构建电转气设备的功率约束条件及容量约束条件：

其中，cwind和csolar分别表示风机和光伏的装机容量；

(3.4)、基于电转气设备的出力模型、投资成本、年运维成本及约束条件，构建电转气设备的最优投资回报率模型；

其中，roi表示最优投资回报率，tl表示电转气设备的生命周期，r表示贴现率，ip2g表示年卖气收益，其计算方法为：

ip2g＝congasprigas

其中，prigas表示天然气的单位售价；

(4)、利用变权重的粒子群优化算法对电转气设备的投资回报率的最优模型进行求解，得到电转气储能设备的最优投资回报率及此时的最优容量配置。

本发明的发明目的是这样实现的：

本发明一种用于多可再生能源发电系统的储能设备容量优化方法，充分考虑电转气设备的投资成本、年运维成本、年卖气收益、电-气联合运行网络约束，采用变权重的粒子群优化算法对电转气储能设备系统的投资模型进行优化求解，最终得到电转气设备的最优容量配置；这样通过引入最优投资回报率对电转气设备的容量进行配置，能有效地降低多可再生能源发电基地的弃风弃光率，并提高储能设备的投资回报率。

同时，本发明一种用于多可再生能源发电系统的储能设备容量优化方法还具有以下有益效果：

(1)、本发明通过在多可再生能源发电基地中加入电转气装置，使过剩的风电光电能够被转化为天然气并注入到现有的天然气管道中，提高了可再生能源发电的消纳比例；

(2)、本发明充分考虑了电转气设备的投资成本、年运维成本、生命周期及年卖气收益，不仅提高了可再生能源的消纳比例，同时还为投资建造电转气工厂提供了经济性参考；

(3)、本发明通过引入最优投资回报率对电转气设备的容量进行配置，能够有效地降低多可再生能源发电基地的弃风弃光率，并提高储能设备的投资回报率。

附图说明

图1是本发明一种用于多可再生能源发电系统的储能设备容量优化方法流程图；

图2是多可再生能源发电系统的拓扑图；

图3是变权重的粒子群优化算法对电转气设备的投资回报率的最优模型进行求解流程图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明一种用于多可再生能源发电系统的储能设备容量优化方法流程图。

在本实施例中，如图2所示，多可再生能源发电基地中风力发电站的装机容量设定为150mw，光伏发电站的装机容量设定为100mw，储能设备中电转气设备的生命年限tl设为20年，单位容量的造价范围设定为4800～9000rmb/kw，单位造价随容量的增加而降低，电转气设备的年运维成本设定为投资成本的5％，贴现率r为5％，电转气设备的能量转换效率设为80％，天然气的售卖价格为2.44rmb/m³，仿真步长设置为1h；

下面我们结合图2，对本发明一种用于多可再生能源发电系统的储能设备容量优化方法进行详细描述，如图1所示，具体包括以下步骤：

s1、建立多可再生能源发电系统

以某地多可再生能源发电基地项目为参考，建立包括电转气储能设备的多可再生能源发电系统，多可再生能源发电系统采用电-气联合运行方式，主要包括：风力发电站、光伏发电站、火力发电站、燃气发电站、电转气设备、天然气气源、电力网络、燃气网络。

在本实施例中，风力发电站和光伏发电站输出的能量优先满足电力网络的负荷需求，过剩的可再生能源发电能量通过电转气装置转化为合成天然气注入到现有的天然气管道中；当风力发电与光伏发电总量不能满足电力网络的负荷需求时，燃气发电站进行电能补偿；

s2、制定电转气储能设备的能量管理策略

获取该地区系统一年的风速、光照、电力及天然气负荷需求数据，绘制出风机功率曲线、光伏功率曲线、电力负荷功率曲线及天然气负荷流量曲线，从而计算出需要向电力网络提供的电能及过剩的可再生能源总量及分布状况，然后制定电转气储能设备的能量管理策略；

s3、基于电转气储能设备的能量管理策略，构建电转气储能设备的投资回报率的最优模型

s3.1、构建电转气设备的出力模型；

其中，gs,p2g(t)表示t时刻电转气设备的产气速率，λ为常数，ηp2g表示电转气设备的能量转换效率，ghv表示天然气的热值，pd,p2g(t)表示t时刻电转气设备的运行功率，congas表示电转气设备年合成的天然气总量，λ为常数，δt为相邻两时刻的间隔步长；

s3.2、计算电转气设备的投资成本及年运维成本：

其中，tp2g表示电转气设备的投资成本，cp2g表示电转气设备的容量，prip2g表示电转气设备的单位容量造价，cop表示电转气设备的年运维成本，为比例系数；

s3.3、构建电转气设备的功率约束及容量约束：

其中，cwind和csolar分别表示风机和光伏的装机容量；

s3.4、基于电转气设备的出力模型及约束条件，构建电转气设备的最优投资回报率模型；

其中，roi表示最优投资回报率，tl表示电转气设备的生命周期，r表示贴现率，ip2g表示年卖气收益，计算方法为：

ip2g＝congasprigas

其中，prigas表示天然气的单位售价；

s4、利用变权重的粒子群优化算法对电转气设备的投资回报率的最优模型进行求解，得到电转气储能设备的最优投资回报率及此时的最优容量配置。

在本实施例中，如图3所示，利用变权重的粒子群优化算法对电转气设备的投资回报率的最优模型进行求解的过程为：

s4.1、设置变权重粒子群算法的最大迭代次数kmax；在解空间范围内对粒子种群中各粒子的位置和速度进行随机初始化，得到所有粒子在解空间范围内的初始位置；

在本实施例中，粒子种群中各粒子的位置对应电转气设备的装机容量，通过计算每个粒子在当前位置的适应值，即可得到每个粒子当前的最优投资回报率。

s4.2、定义数组pbest和gbest；

根据电转气设备的最优投资回报率模型及约束条件，计算出每个粒子在当前位置的适应值，即计算出每个粒子在当前装机容量下的最优投资回报率；将当前各粒子的位置及适应值存储于各粒子的pbest中，再将pbest中适应值最大个体的适应值和位置作为群体的历史最优适应值及对应位置存储于gbest中；

s4.3、选出每一个粒子的历史最优适应值的对应位置，记为xi^*，并将群体历史最优适应值的对应位置，记为

s4.4、判断迭代次数是否达到最大迭代次数，若达到，进入步骤s4.7；若未达到，进入步骤s4.5；

s4.5、对变权重的粒子群算法中的惯性权重因子、粒子速度及粒子位置进行更新；

其中，w(k)为第k次迭代时的惯性权重因子，wmax、wmin分别为惯性权重因子w的最大值和最小值；k为当前迭代次数，vi(k)、xi(k)为粒子i在第k次迭代时的速度和位置，表示第k次迭代时第i个粒子的历史最优适应值对应位置，表示第k次迭代时群体的历史最优适应值对应位置，c1、c2为学习因子，r1、r2是[0,1]之间的随机数；

s4.6、将当前迭代次数k加1，再返回至步骤s4.2；

s4.7、输出群体粒子的历史最优适应值及对应的粒子位置，从而找到电转气设备的最优投资回报率及此时的装机容量，完成对多可再生能源基地的储能设备的容量优化。

表1给出了变权重的粒子群优化算法所得到的最终优化结果。

基于上述描述，我们对电转气设备容量优化配置方案进行仿真，仿真结果如表1所示。

表1

由表1可知，最优的电转气容量配置为36.6mw，在最优方案的运行结果中，弃风弃光的利用率达到了75.19％，超过了总过剩能量的四分之三，在提高可再生能源消纳比例上达到了非常好的效果。

表2给出了三种不同电转气设备装机方案的优化运行结果.

基于上述描述，我们对电转气设备的不同容量优化配置方案进行仿真，仿真结果如表2所示。

表2

将20mw及50mw的装机容量与最优的容量配置方案作对比，可知36.6mw方案的投资回报率最好，尽管装机容量20mw和50mw两种方案的投资回报率和最优方案差别较小，但需要注意装机容量为20mw方案的过剩可再生能源的利用率较小，刚刚超出50％，在利用率方面相比最优方案有较大的差距；装机容量为50mw方案的过剩可再生能源的利用率虽然到达了99.74％，但更大容量的装机可能会在投资建设初期带来资金上的困难，在运营过程中也需要更多的运营维护人员及资金支持。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。