本发明涉及储能优化配置,尤其涉及一种清洁能源基地储能容量优化配置方法、装置、设备及介质。
背景技术:
1、随着当前新能源生产及供应形式的多样化,能源产业已步入多元化时代,以可再生能源为主的多能互补已成为能源可持续发展的新潮流。水风光互补发电系统是一种实现效率最大化的能源利用新形式,但由于风光出力的不确定性会导致互补发电系统送出功率波动性增大,对电网的安全稳定运行是一大挑战。对此可以装配储能设备并制定合理的运行策略,辅助修正清洁能源基地功率输出波动。
2、但储能价格及维护费用高昂,考虑到系统总体经济性,储能配置费用应在满足平滑要求和其他指标的前提下尽可能小。因此清洁能源基地中的电池储能最优配置方案具有重要的研究意义。
3、新能源消纳的主要障碍来自其波动性和不可控性。大规模风光电源直接并网,其波动性会对电网造成剧烈冲击,威胁系统安全运行;其不可控性将导致基地难以跟踪电网负荷,加大了电网的调度难度和调节资源配置成本。现有研究大多以1h间隔的大时间尺度对水电等机组进行调控,但清洁能源基地出力在不同时间尺度的预测精度存在差异,单一时间尺度的优化无法全面考虑波动性对系统运行的影响,从而使得优化结果可能与实际运行情况不符。
4、公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
技术实现思路
1、本发明提供了一种清洁能源基地储能容量优化配置方法、装置、设备及介质,从而有效解决背景技术中的问题。
2、为了达到上述目的,本发明所采用的技术方案是:一种清洁能源基地储能容量优化配置方法,包括如下步骤:
3、以15min为间隔进行日内修正,构建一种以最小化水电出力偏差为目标,对典型日内梯级水电组及抽水蓄能机组的出力进行滚动优化的内层模型;
4、以1min为间隔进行实时调控,构建一种以最小化总出力偏差、年等值成本和衰减度指标为目标,生成储能规划配置方案及充放电功率的外层模型;
5、使用非支配排序遗传算法和大规模数学规划优化器对所述内层模型和外层模型进行联合求解,获得储能容量最优配置方案及该方案下的最优调度。
6、进一步地,还包括:
7、构建三电池分组的控制策略,设置一组备用副电池组,当充电容量不足时,充当备用充电电池组;当放电容量不足时,充当备用放电电池组。
8、进一步地,所述三电池分组的控制策略包括如下步骤:
9、设置三电池组:bess1、bess2和bess3,其中bess3为备用副电池组;
10、bess1和bess2分别连续充电或放电,且同一时刻两个电池组不能同时工作,bess3没有接受到调用指令,处于悬停关闭状态;
11、当bess1或bess2中的一组达到荷电状态限值,则发送调用指令给bess3,bess3即刻开启代替达到限制的电池组运行,与另一组电池组配合继续进行充电或放电平抑功率波动;
12、当bess3和另一组电池组的其中一组再一次达到荷电状态上下限时,bess3立即关闭,bess1和bess2开启并交换充放电角色继续配合运行平抑功率波动。
13、进一步地,所述生成储能规划配置方案及充放电功率的外层模型,包括如下步骤:
14、制定发电计划曲线;
15、构建考虑功率偏差的目标函数;
16、构建水量联系约束条件、流量约束条件、出力约束条件和启停约束条件。
17、进一步地,所述发电计划曲线以日前发电计划阶段,受端电网余负荷方差最小为目标计算获得:
18、;
19、其中, p tδ l为余负荷方差最小情况下 t时刻的余负荷功率; p t l系统负荷,其采样时段间隔δ t=1h,一天24个点。
20、进一步地,所述构建考虑功率偏差的目标函数,包括:
21、;
22、其中, p tunit、 p twt和 p tpv分别代表 t时刻清洁能源基地风光水实际送出总功率以及风电出力和光伏出力;为 t时刻第 i个水电机组出力; nh为水电机组数量;采样时段间隔δt=15min,所以t1取96。
23、进一步地,所述构建水量联系约束条件、流量约束条件、出力约束条件和启停约束条件,包括:
24、水量联系约束条件:
25、;
26、;
27、;
28、其中,为 t时段第 i级水电站总下泄流量;为 t-时段第 i-1级水电站总下泄流量,其中表示梯级水电之间的水流滞时;为时间间隔; v i, t为 t时段第 i级水电站水库库容; v i, t-1为 t-1时段第 i级水电站水库库容; i i, t为 t时段第 i级水电站入库径流;表示将向下取整函数;为时段第 i-1级水电站总下泄流量;为时段第 i-1级水电站总下泄流量; 和分别为弃水和发电流量。
29、对于加装抽水蓄能电站,增加对抽水工况的描述:
30、;
31、其中,为抽水流量;
32、流量约束条件:
33、;
34、;
35、;
36、其中,为流量的上下限;
37、库容约束条件:
38、设置末时刻的库容范围,表达式如下式所示:
39、;
40、;
41、其中,为库容的上下限;为末时刻 t的目标库容;为库容范围调节系数;
42、出力约束条件:
43、;
44、;
45、;
46、;
47、其中,,为常规水电站出力与混合式抽水蓄能电站抽水功率;为功率的上下限;,分别为上下爬坡容量; u i, t为运行状态标志变量;为抽水状态标志变量;
48、启停约束条件:
49、;
50、;
51、;
52、;
53、;
54、;
55、;
56、;
57、其中,,为梯级水电在发电工况下的启停变量;,为抽水工况下的启停变量;, , , 分别为最小启停时间。
58、进一步地,所述生成储能规划配置方案及充放电功率的外层模型,包括如下步骤:
59、构建考虑总出力偏差的目标函数;
60、构建考虑储能的动态预测寿命的等年值投资成本目标函数;
61、构建考虑平均衰减度指标的目标函数;
62、构建储能容量约束条件、储能充放电功率约束条件和荷电状态约束条件。
63、进一步地,所述构建考虑总出力偏差的目标函数,包括:
64、;
65、其中, d1, d2为梯级水电出力偏差与分组电池调控出力偏差;采样时段间隔δ t=1min,所以 t2取1440; p ttotal为水风光储联合系统的实际输出功率; p tref为风光出力数据经过变分模态分解方法分解后得到的清洁能源基地的参考送出功率。
66、进一步地,所述构建考虑储能的动态预测寿命的等年值投资成本目标函数,包括:
67、
68、其中, c inve为储能建设投资费用; c main为储能运行维护成本; c reco为回收成本,在项目生命周期结束后产生,包含处理参与设备的费用与回收旧电池而获得的费用; b为折现率; y为储能电池的动态预测寿命;
69、其中各部分经济成本表达式如下所示:
70、;
71、其中, e total为储能电池组最大额定总容量; p r为储能电池组最大额定充放电功率; c ei为单位容量电池的投资成本; c pi为单位功率变流器的投资成本; c em为单位容量电池的运行维护成本; c pm为单位功率电池的运行维护成本; crec为报废成本比;
72、储能寿命采用随运行状态不同而变化的动态预测寿命,为电池以额定放电深度在寿命周期下的总放电量与折算成额定放电深度的年放电量之比,表达式如下:
73、;
74、其中, d odr为额定放电深度; e r为电池额定容量; e j为第 j次切换阶段实际放电量; n r为额定放电深度下的电池循环次数; d为一年天数; t为一天中的放电阶段计数; n j为第 j次放电阶段实际放电深度下的电池循环次数, j为切换次数。
75、进一步地,所述构建考虑平均衰减度指标的目标函数,包括:
76、通过平均衰减度指标 i反映不平衡运行状态,表达式如下式所示:
77、;
78、其中, y为储能寿命; d为一年天数; t为一天中的放电阶段计数; ε1 t, d, y 、ε2 t, d, y为两个电池组第 y年的第 d天第 t次切换阶段寿命衰减指标,其表达式如下所示:
79、;
80、其中, ψ soc1、 ψ soc1 ’为一个电池组本次切换和上一次切换时刻的荷电状态; ψ soc2、 ψ soc2 ’为另一个电池组本次切换和上一次切换时刻的荷电状态;δ ψ socb为标准充放电深度。
81、进一步地,所述构建储能容量约束条件、储能充放电功率约束条件和荷电状态约束条件,包括:
82、储能容量约束条件:
83、;
84、其中, s min为储能剩电量下限; s t为 t时刻电池剩余电量, e r为电池额定容量;
85、储能充放电功率约束条件:
86、;
87、其中, p min为电池充放电功率下限, p r为储能电池组最大额定充放电功率, ,为t时刻储能充、放电功率;
88、荷电状态约束条件:
89、;
90、其中, ψ max、 ψ min为电池soc的最大值、最小值,为t时刻电池的soc。
91、进一步地,所述使用非支配排序遗传算法和大规模数学规划优化器对所述内层模型和外层模型进行联合求解,包括如下步骤:
92、所述外层模型采用非支配排序遗传算法进行计算;
93、所述内层模型采用新一代大规模数学规划优化器gurobi进行计算;
94、所述内层模型和外层模型不断交替迭代,最终获得最优配置方案及该方案下的最优调度。
95、本发明还包括一种清洁能源基地储能容量优化配置装置,使用如上述的方法,包括:
96、内层模型建立单元,所述内层模型建立单元用于以15min为间隔进行日内修正,构建一种以最小化水电出力偏差为目标,对典型日内梯级水电组及抽水蓄能机组的出力进行滚动优化的内层模型;
97、外层模型建立单元,所述外层模型建立单元用于以1min为间隔进行实时调控,构建一种以最小化总出力偏差、年等值成本和衰减度指标为目标,生成储能规划配置方案及充放电功率的外层模型;
98、联合求解单元,所述联合求解单元用于使用非支配排序遗传算法和大规模数学规划优化器对所述内层模型和外层模型进行联合求解,获得储能容量最优配置方案及该方案下的最优调度。
99、本发明还包括一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述的方法。
100、本发明还包括一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述的方法。
101、本发明的有益效果为:本发明通过构建内层模型和外层模型,且内层模型以15min为间隔进行日内修正,外层模型以1min为间隔进行实时调控,能进一步减小风光出力波动性与不确定性对清洁能源基地送出功率的影响,运行调度结果更贴近实际需求,降低系统调度带来的不确定性,提高系统可靠性。并且将年等值成本与衰减度指标列入多目标配置模型,该混合储能系统充分利用了大容量抽蓄与快速响应电化学储能的优势互补,可以在一定程度上减少电池的退化,并尽可能降低投资成本。