用于提高风功率预测相关性系数的风电储能配置方法与流程

1.本发明涉及新能源电力领域，尤其涉及一种用于提高风功率预测相关性系数的风电储能配置方法。


背景技术：

2.风电的大规模引入会给整个电力系统带来巨大的“不确定性”，储能作为能够对能量进行计划性时间转移的重要技术，能够有效平复风电的不确定性，大大提高电力系统的稳定性。
3.在风电功率预测方面，由于国内风电场气象数据的不完整性以及现有预测模型对于复杂地形情景的缺陷性，风电场风功率预测模型往往出现连续性的偏差，此类预测偏差在中长期时间尺度的预测中更为明显，因此国内各个区域的风电场都有因风功率预测偏差过大导致罚款的情况发生，尤其是部分地区风电场因为风功率预测相关性系数过低导致巨额的罚款。在风功率预测系统性能提升空间有限的情况下，储能调节是解决考核的新思路。储能针对实时风功率的修正调节可有效提升风功率预测的相关性系数，减少场站的考核，有利于提升电能质量。
4.当前国内外已有不少储能配置方法以及经济性评估手段，但是其技术路线一般都是基于火电等系统的一次调频以及其他辅助调节经济性，或者基于电网侧储能参与市场调节的生命周期经济性进行配置，也有部分技术是针对风电储能出发，但是其重点在于配置储能用于平抑风电功率波动。


技术实现要素：

5.本发明的主要目的是提供一种用于提高风功率预测相关性系数的风电储能配置方法，可以根据实际风电场风功率预测相关性系数考核的具体现状，通过一系列建模与仿真测试，输出储能不同额定功率与额定容量配置下的运行提升效果，为风电场规划与配置储能提供科学性的指导。
6.为实现上述目的，本发明提出的一种用于提高风功率预测相关性系数的风电储能配置方法包括：
7.确定风功率预测相关性系数计算方式；
8.采取基于预测曲线功率变化率的实时功率修正方法；
9.确定标准日，根据标准日的检测数据建立测试数据集；
10.根据所述测试数据集构建储能系统模型；
11.对储能的不同额定功率和不同额定容量进行相互组合，并将组合的配置输入至所述储能系统模型中并测试每一个组合在选取的标准日中运行的调节效果；
12.根据所述不同组合的调节效果对风电储能进行配置。
13.在一实施例中，所述风功率预测相关性系数采取下列公式计算：
[0014][0015]
其中，xi为当日日前预测功率值的第i个值，yi为当日实际功率的第i个值，为当日日前预测功率值集合的算术平均值，为当日实际功率集合的算术平均值，n表示记录的采样点个数。
[0016]
在一实施例中，所述采取基于预测曲线功率变化率的实时功率修正方法的步骤包括具体为对于任意时间点的实际风电输出功率，根据该时间点的相邻两个日前预测功率时间采样点之间的功率变化率，基于风电储能将实时输出功率的变化程度控制在该功率变化率内。
[0017]
在一实施例中，所述标准日的确定包括以下步骤：
[0018]
标准日的风功率处于风电场的风功率区间内；
[0019]
风电机组均启动并正常发电；
[0020]
未出现异常功率突变且未出现突发限功率情况。
[0021]
在一实施例中，储能额定功率的配置范围按照风电场风电装机总容量的1％-20％进行设置。
[0022]
在一实施例中，所述储能额定容量的配置范围在既定功率情况下按照充放电倍率的1c进行设定。
[0023]
在一实施例中，定义风电场的装机容量为为pn，所述储能额定功率为xi(x1＝1％*pn,x2＝1.5％*pn,x3＝2％*pn,...,xn＝20％*pn,单位:kw)，所述储能额定容量为yj(y1＝1％*pn,y2＝1.5％*pn,y3＝2％*pn,...,yn＝20％*pn,单位:kw
·
h)，其中，所述储能额定功率和所述所述储能额定容量若非100的整数倍，则取最接近100整数倍的值。
[0024]
在一实施例中，所述方法还包括：
[0025]
选定组合配置，并在选定的组合储能配置下，n个标准日在使用储能系统模型调节之前的预测功率与实际功率的相关性系数分别为r
0,1
,r
0,2
,r
0,3
,...,r
0,n
，执行储能系统模型调节后，n个标准日的预测功率与修正后的实际功率的相关性系数为r
i,1
,r
i,2
,r
i,3
,...,r
i,n
。则相关性系数提升百分比平均值r
inc_precent
的计算方法如下：
[0026][0027]
本发明的技术方案中，提供了一种用于提高风功率预测相关性系数的风电储能配置方法，可以根据实际风电场风功率预测相关性系数的具体现状，以风电场历史功率预测数据以及历史实际功率数据为输入，通过一系列建模与仿真测试，输出储能不同额定功率与额定容量配置下的运行提升效果，为风电场规划与配置储能提供科学性的指导。
附图说明
[0028]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0029]
图1为本发明实施例的用于提高风功率预测相关性系数的风电储能配置方法的流程示意图；
[0030]
图2为本发明实施例的储能系统模型的建立流程示意图；
[0031]
图3为本发明实施例以相关性系数计算的统计模型示意图；
[0032]
图4为本发明实施例的不同组合配置在标准日调节之后的相关性系数提升百分比平均值表格；
[0033]
图5为本发明实施例的不同组合配置下的储能利润率表格。
[0034]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0035]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0036]
本发明提供一种用于提高风功率预测相关性系数的风电储能配置方法。
[0037]
如图1所示，本发明实施例提供的用于提高风功率预测相关性系数的风电储能配置方法包括：
[0038]
确定风功率预测相关性系数计算方式；
[0039]
采取基于预测曲线功率变化率的实时功率修正方法；
[0040]
确定标准日，根据标准日的检测数据建立测试数据集；
[0041]
根据所述测试数据集构建储能系统模型；
[0042]
对储能的不同额定功率和不同额定容量进行相互组合，并将组合的配置输入至所述储能系统模型中并测试每一个组合在选取的标准日中运行的调节效果；
[0043]
根据所述不同组合的调节效果对风电储能进行配置。
[0044]
本发明的技术方案中，提供了一种用于提高风功率预测相关性系数的风电储能配置方法，可以根据实际风电场风功率预测相关性系数的具体现状，以风电场历史功率预测数据以及历史实际功率数据为输入，通过一系列建模与仿真测试，输出储能不同额定功率与额定容量配置下的运行提升效果，为风电场规划与配置储能提供科学性的指导。
[0045]
其中，所述风功率预测相关性系数采取下列公式计算：
[0046][0047]
其中，xi为当日日前预测功率值的第i个值，yi为当日实际功率的第i个值，为当日日前预测功率值集合的算术平均值，为当日实际功率集合的算术平均值，n表示记录的采样点个数。
[0048]
针对以降低考核为目标的储能调节，该风电场采取一种基于预测曲线功率变化率
的实时功率修正方法，对于任意时间点的实际风电输出功率，根据该时间点的相邻两个日前预测功率时间采样点之间的功率变化率(曲线斜率)，利用储能系统的快速出力，将实时输出功率的变化程度控制在该功率变化率内。储能加入之后，将对各个时间点的实际风电功率进行修正，使每个点与上一个点之间的功率变化率接近其对应的预测区间的预测功率变化率，即按照一个目标功率变化率数值进行储能调节。
[0049]
另外，测试数据的建立是用于真实风电场发电数据的仿真。测试数据从特定风电场往年的历史数据中获得，从测试有效性及准确性的角度来看，合理的数据集应包含风电场至少近一年的年度记录数据。
[0050]
一般情况下，风电场在一年中12个自然月的风况会有差异，预测结果也存在差异，因此测试数据对不同情况需要有较广的覆盖范围，即需要涵盖12个自然月不同气候条件下的历史数据。
[0051]
标准日可以代表有效数据，标准日反映了某时间段内的一般功率变化规律以及预测功率变化规律，为了提升仿真测试效率，可以通过选取标准日的方法选取历史数据，利用标准日数据特征代表某段时间内的一般情况。
[0052]
标准日的选取包括以下步骤：
[0053]
1)标准日的风功率应处于风电场常见的风功率区间内，针对不同地区具备不同的风功率区间，风能资源丰富区：风功率区间大于200w/m2，3～20m/s风速的年累积小时数大于5000h，年平均风速大于6m/s；风能资源次丰富区：风功率区间为200～150w/m2，3～20m/s风速的年累积小时数为5000h～4000h，年平均风速在5.5m/s左右；风能资源可利用区：风功率区间为150～100w/m2，3～20m/s风速的年累积小时数为4000h～2000h，年平均风速在5m/s左右：风能资源贫乏区：风功率区间小于100w/m2，3～20m/s风速的年累积小时数小于2000h，年平均风速在4.5m/s。
[0054]
2)标准日要求全场风电机组均启动并正常发电(若有机组停运，或者因当天风速过低导致发电暂停，全场功率曲线不能反映全场功率一般规律)。
[0055]
3)标准日中不可出现异常功率突变(如遭遇特殊罕见天气现象导致功率变动幅度超出正常天气水平)以及不可出现突发限功率情况(线路受阻或者受损，需要人手降功率运行)。
[0056]
4)标准日的选取还需要符合如下条件：预测曲线与实际曲线的相关性系数应包含0.1-0.9的多种情况。
[0057]
本技术中的储能系统模型通过模拟真实的储能系统、风电场风功率输入、真实的考核计算方法，评估不同储能配置的调节效果。测试模型的建立包括统计模型的搭建、储能系统模型的搭建、储能系统模型的搭建、经济性评估模块的搭建以及参数模型的搭建。储能系统模型的建立过程如附图2所示。
[0058]
其中，统计模型是用于计算处理输入或输出数据的相关性系数、准确率等统计数据。该模型主要为考核计算相关的数学公式，可以通过计算风电场原始的预测功率与实际输出功率的相关性系数或准确率等指标，和计算风电场预测功率与经过实时调节后的输出功率的相关性系数或准确率等指标，再对比调节前后的指标，输出提升效果用于评估后续的收益经济性指标。
[0059]
储能系统模型是用于模拟真实的储能系统，模型具备实时接受控制指令调节输出
功率控制值、实时更新soc(荷电状态)、实时反馈最大充放电功率限制值等功能。储能系统模型可以即时反映电池系统的能量变化情况，在维持储能的充放电输出情况下，实时更新soc(荷电状态)以及充放电能力状态，并且保持对控制算法指令的及时执行性能。
[0060]
参数模型是指储能的配置变量模型，本发明中的方法是测试多组储能额定容量与配置的组合效果，因此可以在该模块改变储能配置，进行模拟仿真测试。参数模型在本方法的具体形式是，运用枚举的方法，对储能的不同额定功率和不同额定容量进行相互组合，将组合的配置输入至储能系统模型中，改变储能的配置。
[0061]
根据现有储能配置相关的政策以及考虑储能的成本，储能额定功率的配置范围可按照风电场风电装机总容量的1％-20％进行设定(变量间隔为风电装机总容量的0.5％)，储能额定容量的配置范围可以在既定功率情况下按照充放电倍率1c进行设定。
[0062]
风电场的装机容量为pn，额定功率变量为xi(x1＝1％*pn,x2＝1.5％*pn,x3＝2％*pn,...,xn＝20％*pn,单位:kw)，额定容量变量为yj(y1＝1％*pn,y2＝1.5％*pn,y3＝2％*pn,...,yn＝20％*pn,单位:kw
·
h)，针对每个组合(xi,yj)进行测试。在上述方法中，为方便计算与实施，xi与yj的值若非100的整数倍，则取最接近100整数倍的值。
[0063]
调节模型可以根据实时的风电场状态、储能状态以及风功率预测曲线数据的输入，实时输出调节功率。调节模型接收风功率数据的输入后，根据某一时间点的预测功率值和实时功率值计算目标输出功率值，并实时读取储能的状态信息，包括最大可充功率、最大可放功率、soc(荷电状态)，经过调节算法的计算后输出储能的目标输出功率值，并将该指令传送至储能系统模型。
[0064]
经济性评估模块是用于计算特定配置组合下储能系统的全生命周期收益效果。本发明提出的储能配置方法是基于提升风功率预测相关性系数的配置方法，因此经济性评估模块以相关性系数的提升效果作为评估基础项。
[0065]
请参考图2，针对图2中各流程环节进行解释。
[0066]
①
：代表测试数据输入至储能系统模型的过程。筛选出来的标准日测试数据通过储能系统模型的输入端输入。
[0067]
②
：参数模型通过组合不同的额定功率与额定容量，将配置(pi,cj)输入至储能系统模型中，令储能系统模型按照(pi,cj)的储能配置对储能进行控制。
[0068]
③
：储能系统模型获取储能系统实时状态信息的过程，包括获取储能系统的实时输出功率、soc(荷电状态)、充放电功率限制信息。储能系统模型通过实时获取以上信息实时调整调节策略。
[0069]
④
：储能系统模型下发储能调节指令的过程。储能系统模型根据输入的数据、参数数据以及获取到的储能实时状态信息，经过算法模型的计算，输出储能调节的目标功率，传送至储能系统执行。
[0070]
⑤
：统计模型计算输入原始数据的相关性系数的过程。
[0071]
⑥
：统计模型计算新的风电场输出数据的相关性系数的过程。
[0072]
⑦
：储能系统更新输出功率的过程。
[0073]
⑧
：经济性评估模型对储能调节后的运行提升效果进行计算，并根据提升效果，结合特定配置下的储能系统投入成本、预期收益进行计算，综合评估该储能配置下的全生命周期利润率，输出经济性最佳的储能配置结果。
[0074]
另外，请参考图3，该方法还包括：选定组合配置，并在选定的组合储能配置下，n个标准日在使用储能系统模型调节之前的预测功率与实际功率的相关性系数分别为r
0,1
,r
0,2
,r
0,3
,...,r
0,n
，执行储能系统模型调节后，n个标准日的预测功率与修正后的实际功率的相关性系数为r
i,1
,r
i,2
,r
i,3
,...,r
i,n
。则相关性系数提升百分比平均值r
inc_precent
的计算方法如下：
[0075][0076]
根据上述步骤对储能系统模型进行构建，并进行测试，将测试结果进行分析，选出针对具体风电场，利润率最优的储能配置组合，作为风电场的储能配置。
[0077]
本发明的特点是填补了当前风电场用于解决风功率预测偏差问题的储能配置应用的空白，特别是针对风功率预测相关性系数考核问题的储能配置难题，提出了一套具体的储能额定功率与额定容量配置方法。本发明的最大优点是有效提升风电场的收益率，在实施的风电场储能案例中，运用该方法进行储能的优化配置，可以比其他配置的收益率提升10％以上。
[0078]
以华中地区某风电场a为例，解释本发明方法的具体实施方式。该风电场位于高海拔山区地带，风电装机容量为99000kw，预期配置一套储能系统用于减少场站80％的考核电量，即对应150万元左右的考核罚款减少。将运用本发明的方法选出经济性最佳的储能容量与功率配置方案。
[0079]
根据前期对风电场考核情况的分析，该地区风电场次日0-24h日前预测与实际功率相关性系数应大于等于0.68，小于0.68记为一次不合格。每次按照风电场当月上网电量的0.1％考核。风功率预测相关性系数r的计算方法如下：
[0080][0081]
对于某个日期，其中xi为当日日前预测功率值的第i个值，yi为当日实际功率的第i个值，为当日日前预测功率值集合的算术平均值，为当日实际功率集合的算术平均值，n表示记录的采样点个数。
[0082]
针对以降低考核为目标的储能调节，该风电场采取一种基于预测曲线功率变化率的实时功率修正方法，对于任意时间点的实际风电输出功率，根据该时间点的相邻两个日前预测功率时间采样点之间的功率变化率(曲线斜率)，利用储能系统的快速出力，将实时输出功率的变化程度控制在该功率变化率内。储能加入之后，将对各个时间点的实际风电功率进行修正，使每个点与上一个点之间的功率变化率接近其对应的预测区间的预测功率变化率，即按照一个目标功率变化率数值进行储能调节。
[0083]
测试数据从该风电场往年的历史数据中获得，获取了最近一年1月-12月的月度数据，包含12个月中每一天的风电场全场实际功率曲线以及日前预测功率曲线，时间分辨率均为15min。
[0084]
为了反映数据的典型性以及提高仿真效率，该步骤从12个月的数据中每个月分别
取两个日期作为标准日，即一共选取24个标准日作为测试对象。标准日反映了该时间段内的一般功率变化规律以及预测功率变化规律。标准日的选取按照以下的规则：
[0085]
1)该风电场90％功率变化区间在5000kw-50000kw区间内，标准日符合以上的特征。
[0086]
2)为了进一步反映风电场一般规律，典型曲线内全场风电机组均启动并正常发电。
[0087]
3)曲线中无异常功率突变(如遭遇特殊罕见天气现象导致功率变动幅度超出正常天气水平)以及无出现突发限功率情况(线路受阻或者受损，需要人手降功率运行)。
[0088]
4)此外，标准日的日前预测曲线与实际曲线的相关性系数包含从0.1-0.8之间的多种情况。
[0089]
根据以上的选取标准，选取24个标准日(每月2个)，作为本次实施的测试数据集。
[0090]
相关性系数的统计模型按照该地区的考核公式进行搭建，储能系统模型按照真实储能系统的运作机理进行搭建，调节模型使用基于预测曲线功率变化率的实时功率修正方法。
[0091]
对于参数模型，本实施例运用枚举的方法，对储能的不同额定功率和不同额定容量进行相互组合，测试每一个组合在选取的标准日中运行的调节效果，并对结果进行对比分析。
[0092]
考虑到储能投入成本的问题，枚举将选取储能额定功率从1000kw到20000kw的变量区间，变量间隔为500kw；额定容量从1000kw
·
h到20000kw
·
h的变量区间，变量间隔为500kw
·
h。
[0093]
额定功率变量为xi(x1＝1000,x2＝1500,x3＝2000,...,x
39
＝20000)，额定容量变量为yj(y1＝1000,y2＝1500,y3＝2000,...,y
39
＝20000)，针对每个组合(xi,yj)计算运行的提升效果以及经济性指标。
[0094]
请参考图4和图5，图4为储能系统不同容量与功率的组合，在运行实时调节算法情况下该风电场日前预测相关性系数提升平均百分比的展示，并且选取了横纵坐标1000-5000单位作为节选展示。
[0095]
其中该展示图中纵坐标为储能的额定功率配置(用pi表示，单位：kw)，横坐标为储能的额定容量(用cj表示，单位：kw
·
h)。图表中的数值为特定储能额定功率与额定容量组合(pi,cj)配置下，算法模型针对24个标准日曲线的运行输出结果，输出值为24个标准日的相关性系数提升百分比平均值。
[0096]
将24个标准日在使用储能调节之前的日前预测曲线与实际功率曲线的相关性系数设为r
0,1
,r
0,2
,r
0,3
,...,r
0,24
。在储能配置组合(pi,cj)前提下，储能执行算法模型调节后，24个标准日的日前预测曲线与修正后功率曲线的相关性系数为r
i,1
,r
i,2
,r
i,3
,...,r
i,24
。图4中展示的数据为依据公式计算出的日前预测相关性系数提升平均百分比。
[0097]
在经济性评估方面，根据该风电场历年风功率预测相关性系数考核数据，每个月中相关性系数不及格天数大多为10-17天，极少个别月份只有4-5个不及格日。因此将月度平均不及格天数定为15天，且据初步统计，不及格天数中将近一半的天数相关性系数在0.68附近。
[0098]
因此在对部分历史数据的测试实验中，相关性系数每提升1％，相关性系数及格率
可提升20％左右，即对应30万左右的场站考核减少。同时按照储能系统在未来的成本下降空间预估以及考虑储能系统参与其他的调节服务收益，本次经济性评估采用的收益计算手段为，相关性系数每提升1％，即可对应30万的年度收益。且由于考核的减免存在上限(考核减免上限为150万)，因此假设相关性系数存在提升上限，为5％，即相关性系数提升超过5％的情况按照5％计算。
[0099]
此外，储能的总投入包括储能设备的建设成本与全生命周期内的维护成本。储能的建设成本包含储能电池设备的投入成本、基建成本、通信设成本、电气接入改造成本等。以1000kw/1000kw
·
h规格的储能设备为基准，假设按照当前储能市场实施成本计算，包括土建施工等成本的投入，基准成本为250万人民币。在不同的储能额定功率与额定容量配置下，成本会有所变化，功率与容量的变化需要涉及到电池容量扩增、变流器及变压器选型的不同等。因此，每增加1000kw
·
h额定容量的成本提升为180万人民币；每增加1000kw额定功率的成本提升为10万人民币。
[0100]
依据以上信息，结合利润率的计算方法：
[0101][0102]
可以得到如图5所示的利润率展示表格。根据图中的信息可得，表格范围内的数值中最高的为(2500kw/5000kw
·
h)功率与容量对应的储能配置，本次的最佳储能配置为2500kw/5000kw
·
h，可作为经济性最优的储能配置参考选项。
[0103]
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。