本发明涉及新能源,特别是涉及一种氢电耦合综合供能站容量随机规划方法及系统。
背景技术:
1、随着我国电力系统中新型电力电子器件逐渐增多和新能源发电大规模集中并网,电力系统形态及运行特性日趋复杂,对系统支撑能力、转移能力、调节能力及消纳能力提出了更高要求,给电力系统安全稳定运行带来了严峻考验。氢能作为清洁能源,具有能量密度高、存储周期长、便于储存和传输等特点,成为风电、光伏大规模存储的优选方案。为此,电氢耦合将是我国未来能源发展的重要方向之一。
2、
3、电氢能源一体化供能站通过消纳可再生能源制取氢气,并满足交通领域的氢气需求,是实现大规模电氢耦合的重要枢纽。由于电动汽车充电负荷、氢燃料电池汽车充氢负荷以及可再生能源出力受多种因素影响呈现出强不确定性,因此在综合供能站的规划设计中,如果设计典型场景使之能代表尽可能多的原始场景是提高综合供能站投资经济性的关键关节。
4、对于场景生成技术,部分研究中可再生能源和负荷分配参数为固定值,且时间前后无相关性。这种单一分布参数的概率模型不同于实际概率分布受时间、天气和用户行为影响的情况。因此,该方法可以满足能源系统的粗略规划,而不适用于综合供能站的随机规划。一些研究倾向于使用大量历史数据生成单一的可再生能源或负荷情景,这将有助于提高情景生成的准确性。然而,对于综合供能站来说,由于多种能源的混合,它们之间的关系比单一能源系统更紧密,在单一可再生能源或负荷下的情景生成会降低情景的准确性。目前的研究工作大多缺乏对上述两个问题的考虑。
技术实现思路
1、本发明提供一种氢电耦合综合供能站容量随机规划方法及系统,解决现有技术中存在的对源荷联合时序场景生成代表性不强的问题。
2、为解决上述技术问题,本发明第一方面提供一种氢电耦合综合供能站容量随机规划方法,包括:
3、获取氢电耦合综合供能站中的供能数据;所述供能数据包括光照强度数据、风速数据和电、氢负荷数据;
4、根据所述供能数据,通过构建概率模型得到多维源荷数据;所述多维源荷数据包括光伏出力数据、风电出力数据和电氢能源数据;
5、通过自相关系数法对所述多维源荷数据进行处理,得到相关场景集,并通过粒子群算法对所述相关场景集进行优化,得到优化场景集;
6、根据所述氢电耦合综合供能站的成本、所述优化场景集和容量随机规划约束条件,构建以日盈利最大为目标函数的氢电耦合综合供能站容量随机规划模型;
7、根据所述氢电耦合综合供能站容量随机规划模型,得到氢电耦合综合供能站的最优容量配置。
8、进一步地,根据所述供能数据,通过构建概率模型得到多维源荷数据,包括:
9、根据所述氢电耦合综合供能站中的光照强度数据,构建服从beta分布的光伏出力概率模型,并根据所述光伏出力概率模型,得到光伏出力数据;
10、根据所述氢电耦合综合供能站中的风速数据,构建服从威布尔分布的风电出力概率模型,并根据所述风电出力概率模型,得到风电出力数据;
11、根据所述氢电耦合综合供能站中的电氢负荷数据,构建服从正态分布的电氢负荷概率模型,并根据所述电氢负荷概率模型,得到电氢能源数据。
12、进一步地,通过自相关系数法对所述多维源荷数据进行处理,得到相关场景集,包括:
13、对所述多维源荷数据进行归一化处理,得到归一化矩阵;
14、通过自相关系数法对所述归一化矩阵进行计算,得到自相关系数矩阵;
15、通过cholesky分解算法对所述自相关系数矩阵进行分解,得到下三角矩阵;
16、将所述下三角矩阵进行转换,得到序列矩阵;
17、将所述归一化矩阵中的元素按照所述序列矩阵重新排序,得到相关场景集。
18、进一步地,通过自相关系数法对所述归一化矩阵进行计算,得到自相关系数矩阵,包括:
19、通过k-means算法对所述归一化矩阵进行聚类,得到聚类中心矩阵;
20、通过自相关系数法对所述聚类中心矩阵的自相关系数进行计算,得到自相关系数矩阵。
21、进一步地,将所述下三角矩阵进行转换,得到序列矩阵,包括:
22、构建一个τ×m维的初始矩阵,使所述初始矩阵的每一行由整数1~m随机排列组成;其中,τ为时间序列场景的长度;
23、通过下式进行所述下三角矩阵与所述序列矩阵之间的转换:
24、u=yx-1l
25、式中,u为序列矩阵;y为自相关系数矩阵的下三角矩阵;l为初始矩阵;x-1为矩阵l的下三角矩阵的逆矩阵。
26、进一步地,将所述归一化矩阵中的元素按照所述序列矩阵重新排序,得到相关场景集,包括:
27、通过拉丁超立方采样算法对所述归一化矩阵进行采样,得到初始样本场景矩阵;所述初始样本场景矩阵不含自相关性,并反映时间序列的不确定性;
28、根据所述序列矩阵中每一行的数值权重顺序,对所述初始样本场景矩阵中每一行的元素重新排序,得到相关场景集。
29、进一步地,通过粒子群算法对所述相关场景集进行优化,得到优化场景集,包括:
30、根据所述归一化矩阵计算所述氢电耦合综合供能站中分布式电源出力与多能负荷之间的互相关矩阵;所述分布式电源出力包括风电出力和光伏出力;所述多能负荷包括电负荷和氢负荷;
31、从所述相关场景集中提取所述分布式电源出力和所述多能负荷对应的相关场景并组合,得到组合场景集;
32、通过粒子群算法对所述组合场景集进行优化,得到优化场景集。
33、进一步地,成本包括:所述氢电耦合综合供能站的年投资成本与运营成本;所述年投资成本为所述氢电耦合综合供能站的建设成本,所述建设成本包括氢储能系统的建设成本和电储能系统的建设成本;所述运营成本为外部购氢成本、失负荷成本和弃风弃光成本之和减去盈利,所述盈利包括电动汽车充电、氢燃料汽车注氢以及储能分时电价峰谷套利。
34、进一步地,容量随机规划约束条件包括电能供需平衡方程约束和氢气供需平衡约束。
35、本发明第二方面提供一种氢电耦合综合供能站容量随机规划系统,包括:
36、供能数据获取模块,用于获取氢电耦合综合供能站中的供能数据;所述供能数据包括光照强度数据、风速数据和电、氢负荷数据;
37、源荷数据获取模块,用于根据所述供能数据,通过构建概率模型得到多维源荷数据;所述多维源荷数据包括光伏出力数据、风电出力数据和电氢能源数据;
38、场景集计算模块,用于通过自相关系数法对所述多维源荷数据进行处理,得到相关场景集,并通过粒子群算法对所述相关场景集进行优化,得到优化场景集;
39、规划模型构建模块,用于根据所述氢电耦合综合供能站的成本、所述优化场景集和容量随机规划约束条件,构建以日盈利最大为目标函数的氢电耦合综合供能站容量随机规划模型;
40、容量配置规划模块,用于根据所述氢电耦合综合供能站容量随机规划模型,得到氢电耦合综合供能站的最优容量配置。
41、与现有技术相比,本发明实施例的有益效果在于:
42、本发明中的氢电耦合综合供能站通过多类异质能量设备协同运行,使分布式可再生能源全部消纳且能满足多元用能需求;生成多维关联场景集时考虑源-荷相关性,并借助时间序列自相关和相互关联,有效提高了复杂综合能源系统中多类型源荷场景的聚类准确度,使其能够生成更合理的具有综合能源系统特征的场景;考虑系统运行安全及与电网柔性互动的优化运行策略,通过考虑氢电耦合设备运行风险成本以及需求响应使一体化综合供能站的运行,在满足终端能源消费的多样化需求的同时,还兼顾安全性与经济性。