本发明涉及新能源储能配置,具体涉及一种消纳风光的混合储能容量优化配置方法。
背景技术:
1、随着双碳目标的提出,以风光为代表的新能源得到大力发展,微电网作为解决分布式发电并网的有效途径,将在未来电力行业发展中占据重要地位。由于风光等新能源出力以及负荷功率具有波动性,对微电网的安全运行造成一定影响。通过配置储能可以提高微电网对新能源的消纳能力。储能系统具有源荷一体化、响应速度快等特点,然而目前储能的建设成本较高,因此需要对储能系统进行容量配置研究。
2、混合储能系统是将能量型储能和功率型储能集合为一体的系统。能量型储能如锂电池,可以提供长时间的功率缺额,而功率型储能元件如超级电容器,负责补偿短时的频繁功率波动,可以增加储能系统的运行寿命和储能系统的整体性能。国内外学者对于微电网中混合储能的容量优化配置问题进行了深入研究。方案一,采用频谱分析等方法对微电网中不平衡功率进行优化配置,但未考虑储能系统自身因素。方案二,通过一阶低通滤波器的时间常数确定储能系统功率和容量的配置,但一阶低通滤波器存在时间延迟的问题,对储能配置有影响。方案三,考虑新能源出力特性,采用机会约束规划等规划方法对混合储能容量问题进行求解,但其局限于源侧波动问题,未考虑负荷侧波动问题。
技术实现思路
1、针对现有的微电网混合储能装置的容量配置方法的不足,本发明的目的在于提出一种消纳风光的混合储能容量优化配置方法。
2、为实现以上目的,本发明通过以下技术方案予以实现:
3、一种消纳风光的混合储能容量优化配置方法,包括如下步骤;
4、首先将风力、光伏以及负荷历史数据进行密度聚类,并选取密度最大的数据点作为聚类中心,得到典型风光出力曲线和负荷曲线;其次将典型风光出力曲线和负荷曲线做差得到净负荷曲线,并采用变分经验模态分解法将净负荷曲线分解为锂电池平抑的低频分量和超级电容平抑的高频分量;构建基于锂电池和超级电容的混合储能容量优化配置模型,采用引入遗传算子的粒子群算法对所述混合储能容量优化配置模型进行求解,得到混合储能容量优化配置方案。
5、进一步地,所述的典型风光出力曲线和负荷曲线的获取方法为:
6、获取风力、光伏以及负荷历史数据;
7、利用密度聚类算法分别对风力、光伏以及负荷历史数据生成聚类簇,计算簇中各数据间的距离值:
8、
9、式中,xi,n为簇中第i个数据的第n维变量,xj,n为簇中第j个数据的第n维变量,dij为簇中第i个数据与第j个数据之间的距离;
10、对簇中各数据点之间的距离做升序排列,选取在c%位置处的距离值作为截断距离dc,定义簇中某数据点到其他点的距离小于截断距离dc的个数作为该数据点的密度值,遍历簇中各数据点,选取簇中密度值最大的数据点作为该簇中心点,将各簇中心点作为典型场景输出。
11、进一步地,在所述的风力、光伏以及负荷历史数据中分别选择任一典型场景用于计算净负荷曲线。
12、进一步地,所述的采用变分经验模态分解法将净负荷曲线分解为锂电池平抑的低频分量和超级电容平抑的高频分量,具体为:
13、首先对净负荷曲线进行变分经验模态分解,得到频率曲线imf和残余分量,公式如下:
14、
15、i
16、式中,pn(t)为净负荷曲线,imfi(t)为净负荷曲线的第i阶固有模态分量,l(t)为残余分量,n为阶数;
17、再从频率最低的imf曲线开始计算imfi(t)最大值与imfi+1(t)最小值之间的差值:max(imfi(t))-min(imfi+1(t));选取差值最小时对应的imf曲线imfi(t)作为分频曲线,低于分频曲线的分量由锂电池进行消纳,高于分频曲线的分量和残余分量由超级电容进行消纳。
18、进一步地,所述的混合储能容量优化配置模型以混合储能系统成本为目标函数,约束条件包括荷电状态约束、充放电功率约束和功率波动约束。
19、进一步地,所述的目标函数如下:
20、minc=γ1cinv+γ2cm-b1eb-b2ec
21、式中,c为混合储能系统成本,eb、ec分别为锂电池和超级电容的总容量,b1、b2分别为锂电池和超级电容的平抑风光收益系数,cinv为混合储能的初始购置成本,cm为混合储能维护成本,γ1、γ2分别为混合储能的初始购置成本和混合储能维护成本的比例系数。
22、进一步地,所述的荷电状态约束表示为:
23、
24、式中,socb(t)为t时刻锂电池的荷电状态,socc(t)为t时刻超级电容的荷电状态,socb,min、socb,max分别为锂电池荷电状态最小值和最大值,socc,min、socc,max分别为超级电容荷电状态最小值和最大值。
25、进一步地,所述的充放电功率约束表示为:
26、
27、式中,pb(t)为t时刻电池充放电功率,pc(t)为t时刻超级电容充放电功率,pb,n为锂电池充放电功率额定最大值,pc,n为超级电容充放电功率额定最大值。
28、进一步地,当锂电池和超级电容器的剩余容量不能满足所需充放电功率时,计算所能进行充放电功率的最大值pm,取0.9pm为当下锂电池或超级电容器的充放电功率值。
29、进一步地,所述的混合储能功率波动约束表示为:
30、
31、式中,t为总采样周期,r1为波动偏差允许值,pb(t)为t时刻电池充放电功率,pc(t)为t时刻超级电容充放电功率。
32、本发明的有益效果在于:本发明提出一个基于数据和变分模态分解的混合储能容量分配方法,通过密度聚类方法对风光荷历史数据进行聚类,利用密度计算公式输出典型场景,并通过变分模态分解确定高频和低频曲线,充分考虑混合储能系统荷电约束、充放电功率约束、功率波动约束,确定了以建设成本、维护成本以及收益情况为目标的优化目标函数,并通过引入遗传算子的粒子群算法求解此优化问题,从而节省混合储能的成本,为风光储系统中储能装置的配置提供有效的解决方案。
33、为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
1.一种消纳风光的混合储能容量优化配置方法,其特征在于,包括如下步骤;
2.根据权利要求1所述的一种消纳风光的混合储能容量优化配置方法,其特征在于,所述的典型风光出力曲线和负荷曲线的获取方法为:
3.根据权利要求2所述的一种消纳风光的混合储能容量优化配置方法,其特征在于,在所述的风力、光伏以及负荷历史数据中分别选择任一典型场景用于计算净负荷曲线。
4.根据权利要求1所述的一种消纳风光的混合储能容量优化配置方法,其特征在于,所述的采用变分经验模态分解法将净负荷曲线分解为锂电池平抑的低频分量和超级电容平抑的高频分量,具体为:
5.根据权利要求1所述的一种消纳风光的混合储能容量优化配置方法,其特征在于,所述的混合储能容量优化配置模型以混合储能系统成本为目标函数,约束条件包括荷电状态约束、充放电功率约束和功率波动约束。
6.根据权利要求5所述的一种消纳风光的混合储能容量优化配置方法,其特征在于,所述的目标函数如下:
7.根据权利要求5所述的一种消纳风光的混合储能容量优化配置方法,其特征在于,所述的荷电状态约束表示为:
8.根据权利要求5所述的一种消纳风光的混合储能容量优化配置方法,其特征在于,所述的充放电功率约束表示为:
9.根据权利要求8所述的一种消纳风光的混合储能容量优化配置方法,其特征在于,当锂电池和超级电容器的剩余容量不能满足所需充放电功率时,计算所能进行充放电功率的最大值pm,取0.9pm为当下锂电池或超级电容器的充放电功率值。
10.根据权利要求5所述的一种消纳风光的混合储能容量优化配置方法,其特征在于,所述的混合储能功率波动约束表示为: