本发明涉及微能源网优化配置领域的配制方法，具体涉及一种用于频率调节的混合储能系统微能源网优化配置方法及系统。
背景技术：
风力、光伏等间歇性分布式电源输出功率具有随机波动特点，给微能源网特别是孤立微能源网的频率调节带来了一定的困难。储能系统(energystoragesystem,ess)凭借其快速响应、可充放电的特性成为解决上述问题的一种有效手段。
ess与微能源网内间歇性分布式电源配合使用，主要有如下两种情形：1)用于平滑间歇性分布式电源(distributedgeneration,dg)的功率输出，维持微能源网功率供需平衡，保证系统频率稳定；2)与间歇性dg构成系统可调度单元，实现削峰填谷、计划发电与优化运行等。鉴于ess的投资成本较高，目前研究大多集中于第一种情形。
目前多数ess研究并没有充分计及其规划容量大小对频率调节效果的影响：过小的ess规划容量无法满足孤立微能源网频率调节的需求；而过大的规划容量又会造成投资成本的激增，导致其经济性的降低。目前，在ess的容量配置领域，已有一些前期研究：有文献以经济性最优为目标构建孤立微能源网调频所需蓄电池容量的规划模型，并采用迭代优化算法进行求解；有文献采用饱和控制理论求解保持微能源网稳定运行的ess最小容量配置方法，构建了以ess容量最小为优化目标，以总体收敛速度指标和稳定域为约束条件的优化模型，但该模型构建过程中忽略了ess与间歇性分布式电源之间的协调关系；有文献在频率量测历史信息的基础上，利用数值仿真法来确定bess调频所需的最小容量，同时考虑了其soc约束的影响；有文献利用离散傅里叶变换(discretefouriertransform，dft)对间歇性分布式电源输出功率进行频谱分析，基于频谱分析结果，考虑ess充放电效率、soc及间歇性分布式电源目标功率输出波动率等约束，确定所需ess最小容量。然而，已有研究方法存在如下问题：
上述研究大多基于确定性的分析理论，没有充分计及ess容量配置过程中的大量不确定性因素，如外界环境变化所导致的间歇性分布式电源输出功率的随机波动、储能系统参数的不确定性、需求侧响应负荷参数以及状态的不确定性等因素；忽略了ess辅助微能源网运行时控制策略的差异性对容量配置的影响。
技术实现要素：
为解决上述现有技术中的不足，本发明的目的是提供一种用于频率调节的混合储能系统微能源网优化配置方法，该方法将概率分析法与时域仿真法相结合，通过蒙特卡洛仿真(montecarlosimulation,mcs)求解孤立微能源网频率调节所需hess容量的最优概率分布。
本发明的目的是采用下述技术方案实现的：
本发明提供一种用于频率调节的混合储能系统微能源网优化方法，其改进之处在于，所述方法包括下述步骤：
确定输入到混合储能系统微能源网的历史数据；
对包括风速、光照强度的历史数据进行概率统计分析；
根据所述概率统计分析结果，并通过基于面积准则的混合储能系统容量配置确定微能源网容量的最优分布。
进一步地，所述历史数据是微能源网内间歇性分布式电源的外部环境历史数据，包括风速和光照强度；
所述对风速历史数据进行概率统计分析包括：
任意时刻的风速符合威布尔分布，其概率密度函数如公式1)所示：
针对威布尔参数的分布区间，通过蒙特卡洛仿真mcs随机生成不同时刻的风速数据并获得其在预设置信水平下的分布，通过公式2)所示的简化风机出力模型将风速数据转换为风机的输出功率pwt(v)：
其中，k，c分别为威布尔分布的形状参数及尺度参数；v为风速；p(v)为风速的概率密度函数；pwt(v)为风机的输出功率；pr为风机输出额定功率；vcin、vcou分别为风机的切入风速与切除风速；vrat表示额定风速；
所述对光照强度历史数据进行概率统计分析包括：
光照强度在任意时刻服从正态分布，其概率密度函数如公式3)所示：
通过概率统计分析获得上述正态分布在99％置信水平下的分布区间；通过蒙特卡洛仿真mcs随机生成不同时刻的光照数据并获得其在预设置信水平下的分布，通过公式4)所示的光伏阵列功率输出隐形方程计算光伏阵列输出功率ppv；
其中，光伏阵列包括光伏模块，光伏模块包括光伏电池；μ为正态分布的期望值；σ为标准差；p(s)为光照强度的概率密度函数；s为光照强度；isc是光伏模块的短路电流，单位为a；i0是二极管的饱和电流，单位为a；n为二极管的常数；k为玻尔兹曼常数；m是串联光伏电池的个数；rs为光伏阵列等效电阻；ns为串联光伏模块的数量；np为并联光伏模块的数量；ipv为光伏阵列端电流、upv为光伏阵列端电压、t为实际测试温度。
进一步地，所述微能源网中包括蓄电池，蓄电池的容量配置包括：
①确定蓄电池额定功率：
蓄电池的额定功率pb,rate用下式表示：
pb,rate＝max[pb(t)]5)
②确定蓄电池额定容量：
在不考虑蓄电池荷电状态soc限制时，其最小容量eb,min用下式表示：
蓄电池荷电状态soc维持在范围[socmin,socmax]内，考虑蓄电池荷电状态soc约束的蓄电池额定容量表示为：
eb,rate＝eb,min/(socmaxsocmin)7)
其中，eb,min不考虑蓄电池荷电状态soc限制时的蓄电池的最小容量；pb(t)表示蓄电池在时刻t的采样功率，t＝1～t，t为仿真时间；ti＝0,……t；eb,rate为考虑蓄电池荷电状态soc约束的蓄电池额定容量；socmin、socmax分别为蓄电池最小荷电状态和最大荷电状态。
进一步地，所述微能源网中包括超级电容器，所述超级电容器的容量配置包括：
超级电容器在频率控制过程中的能量交换与其超级电容器电容值之间的数学关系如公式8)所示：
假设超级电容器能量交换前、能量交换后的端电压在vmax和vmin之间变化，则与额定容量ec,min对应的超级电容器电容值的计算公式由式9)得出：
其中，vsc1、vsc2分别为超级电容器能量交换前、能量交换后的端电压；ec频率控制过程中的能量；cc为超级电容器电容值；vmax、vmin分别为超级电容器能量交换前、能量交换后的端电压的最大值和最小值。
本发明还提供一种用于频率调节的混合储能系统微能源网优化系统，其改进之处在于，所述系统包括依次进行数据传递的历史数据确定模块、概率统计分析模块和最优分布确定模块，其中：
历史数据确定模块：用于确定输入到混合储能系统微能源网的历史数据；
概率统计分析模块：用于对包括风速、光-照强度的历史数据进行概率统计分析；
最优分布确定模块：用于根据所述概率统计分析结果，并通过基于面积准则的混合储能系统容量配置确定微能源网容量的最优分布。
进一步地，所述概率统计分析模块还包括：
风速概率统计模块：用于对风速历史数据进行概率统计分析；
光照强度概率统计模块：用于对光照强度历史数据进行概率统计分析。
进一步地，所述风速概率统计模块，还用于：确定任意时刻的风速符合威布尔分布，其概率密度函数如公式1)所示：
针对威布尔参数的分布区间，通过蒙特卡洛仿真mcs随机生成不同时刻的风速数据并获得其在预设置信水平下的分布，通过公式2)所示的简化风机出力模型将风速数据转换为风机的输出功率pwt(v)：
其中，k，c分别为威布尔分布的形状参数及尺度参数；v为风速；p(v)为风速的概率密度函数；pwt(v)为风机的输出功率；pr为风机输出额定功率；vcin、vcou分别为风机的切入风速与切除风速；vrat表示额定风速。
进一步地，所述光照强度概率统计模块，还用于：确定光照强度在任意时刻服从正态分布，其概率密度函数如公式3)所示：
通过概率统计分析获得上述正态分布在99％置信水平下的分布区间；通过蒙特卡洛仿真mcs随机生成不同时刻的光照数据并获得其在预设置信水平下的分布，通过公式4)所示的光伏阵列功率输出隐形方程计算光伏阵列输出功率ppv；
其中，光伏阵列包括光伏模块，光伏模块包括光伏电池；μ为正态分布的期望值；σ为标准差；p(s)为光照强度的概率密度函数；s为光照强度；isc是光伏模块的短路电流，单位为a；i0是二极管的饱和电流，单位为a；n为二极管的常数；k为玻尔兹曼常数；m是串联光伏电池的个数；rs为光伏阵列等效电阻；ns为串联光伏模块的数量；np为并联光伏模块的数量；ipv为光伏阵列端电流、upv为光伏阵列端电压、t为实际测试温度。传统的储能系统容量规划方法根据最差场景确定所需储能系统额定容量，所得规划结果具有一定的保守性。
本发明提出的基于概率模型的微网混合储能系统容量规划方法，结合蒙特卡洛仿真来获取混合储能系统的容量概率分布，规划人员可根据微网运行可靠性需求，对应不同概率水平灵活选取合适的储能系统容量配置，提高微网运行经济性，实现储能系统的优化配置。
与最接近的现有技术相比，本发明提供的技术方案具有的优异效果是：
本发明提供的用于频率调节的混合储能系统微能源网优化配置方法将概率分析法与时域仿真法相结合，通过蒙特卡洛仿真(montecarlosimulation,mcs)求解孤立微能源网频率调节所需hess容量的最优概率分布，可充分计及孤立微能源网运行过程中的高维不确定性因素与控制方法的差异性，为规划人员根据微能源网运行需求配置最优的hess容量提供了一种规划工具。
附图说明
图1是本发明提供的孤立微能源网混合储能系统容量配置模型的基本框架图；
图2是本发明提供的风速的概率统计分析结果示意图；(a)为风速分布图；(b)为风速分布区间图；
图3是本发明提供的光照强度的概率统计分析结果示意图；(a)为光照强度分布图；(b)为光照强度分布区间图；
图4是本发明提供的bess参与孤立微能源网频率调节的功率曲线图；
图5是本发明提供的sc参与孤立微能源网频率调节的功率曲线图；
图6是本发明提供的风速及光照强度分布区间(99％置信水平)图；(a)为风速分布分布功率曲线图；(b)为光照强度分布功率曲线图；
图7是本发明提供的不同控制策略下hess容量配置最优分布图；(a)为bess容量分布功率曲线图；(b)为bess功率分布功率曲线图；(c)为sc容量分布功率曲线图；(d)为sc功率分布功率曲线图；
图8是本发明提供的不同控制策略下hess容量的累积概率密度示意图；(a)为bess容量分布概率密度示意图；(b)为bess功率分布概率密度示意图；(c)为sc容量分布概率密度示意图；(d)为sc功率分布概率密度示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。
实施例一
基于概率模型的孤立微能源网hess(蓄电池+超级电容器)容量配置方法的基本框架如图1所示。容量配置过程大致分为三个步骤：
(1)模型的输入数据为微能源网内间歇性分布式电源的外部环境历史数据，包括风速、光照强度以及负荷等，将上述数据利用概率统计方法进行分析，可有效获取相应概率密度函数的相关参数，为mcs计算提供基础数据；
(2)由mcs生成不同场景，通过时域仿真法确定hess在不同控制策略下输出功率的时域仿真曲线；
(3)根据上述信息，通过基于面积准则的容量优化算法确定hess容量的最优分布。
上述算法及时域仿真过程是在matlab、digsilent平台及其之间的接口程序的支持下完成的。下面就各部分功能及实现方法进行逐项说明。
(1)概率统计分析
进行mcs计算前，首先需要确定微能源网内间歇性分布式电源功率输出的精确分布，因此，需要对风速及光照强度等历史数据进行概率统计分析。图2(a)、(b)给出对某地区风速数据的概率统计分析结果：
由图2(a)可以看出，某一特定时刻的风速符合威布尔(weibull)分布，其概率密度函数如公式(1)所示：
通过概率统计分析可以获得上述参数在一定置信水平下的分布区间。针对威布尔参数的分布区间，可以通过mcs随机生成不同时刻的风速数据并获得其在预设置信水平下的分布，图2(b)所示为置信水平为99％所对应的风速分布示意图。然后通过公式(2)所示的简化风机出力模型可将风速数据转换为风机的输出功率pwt(v)。
其中，k，c分别为威布尔分布的形状参数及尺度参数；v为风速；p(v)为风速的概率密度函数；pwt(v)为风机的输出功率；pr为风机输出额定功率；vcin、vcou分别为风机的切入风速与切除风速；vrat表示额定风速；
采用同样方法，可获得光伏发电系统输出功率的概率统计结果。图3(a)、(b)给出我国某地区光照强度历史数据的概率分析结果，由图3(a)可以看出光照强度在某一特定时刻服从正态分布，其概率密度函数如公式(3)所示：
同样，通过概率统计分析可获得上述正态分布参数在一定置信水平下的分布区间。通过mcs随机生成不同时刻的光照数据并获得其在预设置信水平下的分布，图3(b)所示为置信水平为99％所对应的光照分布示意图。然后通过公式(4)所示的光伏阵列功率输出隐形方程计算其输出功率ppv。
其中，光伏阵列包括光伏模块，光伏模块包括光伏电池；μ为正态分布的期望值；σ为标准差；p(s)为光照强度的概率密度函数；s为光照强度；isc是光伏模块的短路电流，单位为a；i0是二极管的饱和电流，单位为a；n为二极管的常数；k为玻尔兹曼常数；m是串联光伏电池的个数；rs为光伏阵列等效电阻；ns为串联光伏模块的数量；np为并联光伏模块的数量；ipv为光伏阵列端电流、upv为光伏阵列端电压、t为实际测试温度。
(3)基于面积准则的混合储能系统容量配置算法：
基于上述概率统计分析和微能源网时域仿真，并考虑到孤立微能源网内间歇性分布式电源、负荷所产生的大量不确定性因素，本发明提出一种基于面积准则的容量配置算法，用于确定hess容量的概率分布。这里的hess容量包括储能装置的额定功率和容量，其中额定功率指ess所能接受的最大瞬时功率，单位为kw；容量即为ess可持续释放的最大电能，单位为kwh。
1)蓄电池容量配置
①蓄电池额定功率
假设bess用于孤立微能源网的频率调节，不考虑蓄电池容量限制，其充放电功率曲线如图4所示，时间轴上方的功率表示微能源网功率缺失，蓄电池需要放电以补充微能源网的功率缺额；反之，时间轴下方的功率表示微能源网功率供大于求，蓄电池需要吸收多余功率以维持频率的稳定。为保证蓄电池在每一个充放电周期中不会因为容量限制而出现调控不足的情况，应选取仿真过程中对应的最大功率值为蓄电池的额定功率，对其输出功率数据进行采样，可得到蓄电池的额定功率pb,rate如式(5)所示：
pb,rate＝max[pb(t)](5)
其中，pb(t)表示蓄电池在时刻t的采样功率，t＝1～t，t为仿真时间。
②蓄电池额定容量
图4所示，负面积a表明bess在对应时间段x1内通过存储电能实现孤立微能源网频率调节所需的最小蓄电池能量，记为|a|；正面积b表示bess在对应时间段x2内通过放电释放电能，实现微能源网频率调节所需最小的蓄电池能量，记为|b|。图中面积c、d与a、b的含义相似。为保证蓄电池在整个调频过程中有充足的电能，蓄电池的最小容量应为充放电过程中的最大能量变化差值，在不考虑蓄电池soc限制时，其最小容量eb,min如公式(6)所示：
通常，考虑到蓄电池深度充放电对其使用寿命的影响，蓄电池soc应维持在一定的范围[socmin,socmax]内。因此，考虑soc约束的蓄电池额定容量应表示为：
eb,rate＝eb,min/(socmaxsocmin)(7)
2)超级电容器的容量配置
超级电容器用于平衡孤立微能源网中所需补偿功率的高频分量。图5给出了超级电容器频率调节时功率的时域仿真曲线，与图4中bess的充放电功率相比，超级电容器承担了更加频繁的充放电过程。超级电容器的容量确定原则与蓄电池相同，即保证其在频率调节过程中不会因容量限制而影响微能源网频率控制效果，因此，超级电容器的额定功率pc,rate与最小容量ec,min的计算方法与bess的pb,rate及eb,min计算方法相同。
对于超级电容器而言，可根据其能量交换公式确定其额定容量所对应的电容值。超级电容器在频率控制过程中的能量交换与其电容值之间的数学关系如公式(8)所示：
其中，vsc1、vsc2分别为超级电容器能量交换前后的端电压。
假设超级电容器的端电压可以在vmax和vmin之间变化，则与额定容量ec,min对应的超级电容器电容值的计算公式由(9)给出：
实施例二
本节采用benchmark低压微能源网系统来验证本发明的有效性。为分析不同控制策略对储能系统容量配置的影响，本算例中混合储能系统参与微能源网频率控制所采用的控制策略为传统的hess控制策略(chc)和频率滞环hess控制i(hlci)两种控制策略以便于进行对比。
1.hess容量概率分布
在进行mcs和时域仿真之前，首先要确定仿真所需风速、光照以及负荷的分布。通过对风速、光照历史数据进行概率统计分析可以得到在99％置信水平下风速及光照强度的分布区间如图6(a)、(b)所示，负荷以典型负荷数据为基础通过正态分布随机生成。图7和图8中(a)、(b)、(c)、(d)给出了两种控制策略下hess的容量概率分布。
如图8(a)、(b)、(c)、(d)所示，在不同的累积概率水平下，会得到不同的hess容量配置结果。表1给出了频率时滞控制i(hlci)方式下三种不同累积概率值(50％，75％与90％)下hess容量配置结果的对比。可以看出，bess的容量eb,rate在90％的累积概率水平下为641.6552kwh，在75％的累积概率水平下为600.2094kwh，因此，若采用75％的累积概率水平规划蓄电池容量，相同控制策略下可节约bess规划容量41.4458kwh。这种情形在需求侧控制技术不断发展的今天是具有现实意义的。大量冰箱、空调、电动汽车的应用可用于辅助孤立微能源网的频率调节，此类负荷的大量应用可以有效减少对传统ess的容量需求。例如，上述分析表明，在大多数情况(75％)下，600.2094kwh的蓄电池容量可以满足微能源网频率调节需求，当少数蓄电池容量不足的情况(25％)发生时，则可利用需求侧的可控负荷来弥补另外25％的储能容量需求。因此，所提基于概率模型的微能源网混合储能系统容量配置方法可以使规划人员更加灵活的根据微能源网运行需求选取合适的hess配置容量。
表1不同累积概率水平下hess容量配置结果对比
实施例三
微能源网的广泛应用亟需储能装置的合理配置，针对混合储能系统(hess)参与微能源网频率控制的场景，本发明提出了基于概率模型的hess容量配置方法，具体实施步骤包括：首先通过msc获得风速、光照强度的一组随机分布参数[c,k,μ,σ]，对应生成一组环境数据，通过微能源网时域仿真获得hess功率曲线后，根据面积准则法计算生成一组hess容量配置结果[pb,rate,eb,rate,pc,rate,cc,rate]。根据概率分析，利用mcs生成大量随机场景，在此基础上获取hess容量配置结果的概率分布。整个容量配置过程直到迭代次数iter到达mcs的最大循环次数nmax时结束。
步骤一：设置nmax取值，n＝1。
步骤二：通过msc获得风速、光照强度的一组随机分布参数[c,k,μ,σ]；
步骤三：在步骤一基础上，对应生成一组环境数据，通过微能源网时域仿真获得hess功率曲线；
步骤四：根据面积准则法计算生成一组hess容量配置结果[pb,rate,eb,rate,pc,rate,cc,rate]，n＝n+1。
步骤五：若n＝nmax，转至步骤五，否则。转至步骤二。
步骤六：获得hess容量配置结果的概率分布。
传统的储能系统容量规划方法根据最差场景确定所需储能系统额定容量，所得规划结果具有一定的保守性。
本发明提出的基于概率模型的微网混合储能系统容量规划方法，结合蒙特卡洛仿真来获取混合储能系统的容量概率分布，规划人员可根据微网运行可靠性需求，对应不同概率水平灵活选取合适的储能系统容量配置，提高微网运行经济性，实现储能系统的优化配置。
本发明提供一种用于频率调节的混合储能系统微能源网优化配置方法，该方法将概率分析法与时域仿真法相结合，通过蒙特卡洛仿真(montecarlosimulation,mcs)求解孤立微能源网频率调节所需hess容量的最优概率分布，可充分计及孤立微能源网运行过程中的高维不确定性因素与控制方法的差异性，为规划人员根据微能源网运行需求配置最优的hess容量提供了一种规划工具。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。