CN111224422A - 一种基于可靠性的微电网分布式电源配置方法及系统 - Google Patents
一种基于可靠性的微电网分布式电源配置方法及系统 Download PDFInfo
- Publication number
- CN111224422A CN111224422A CN201910816438.XA CN201910816438A CN111224422A CN 111224422 A CN111224422 A CN 111224422A CN 201910816438 A CN201910816438 A CN 201910816438A CN 111224422 A CN111224422 A CN 111224422A
- Authority
- CN
- China
- Prior art keywords
- cost
- power supply
- energy storage
- model
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004146 energy storage Methods 0.000 claims abstract description 156
- 238000010248 power generation Methods 0.000 claims abstract description 89
- 230000005611 electricity Effects 0.000 claims abstract description 30
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 22
- 239000002245 particle Substances 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000010276 construction Methods 0.000 claims description 15
- 230000008439 repair process Effects 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 15
- 238000004088 simulation Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000007599 discharging Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于可靠性的微电网分布式电源配置方法及系统。该方法包括：获取设定地区的负荷情况和气象条件；根据所述负荷情况和所述气象条件，分别建立光伏发电成本模型、风机发电成本模型和储能成本模型；采用蒙特卡罗法确定供电可靠性；以所述光伏发电成本模型、所述风机发电成本模型、所述储能成本模型和购电成本的最小成本为目标函数基于供电可靠性，建立电源配置模型；根据所述电源配置模型采用粒子群算法，得到最优的风光储容量配置。采用本发明的方法或系统能够在基于可靠性的前提下，实现微电网电源成本最优的配置。
Description
技术领域
本发明涉及微电网分布式电源配置领域，特别是涉及一种基于可靠性的微 电网分布式电源配置方法及系统。
背景技术
近年来小容量发电机、电力电子设备和电池储能技术的发展，使得实现“清 洁能源为主、化石能源为辅”的能源供给格局成为可能。微电网是分布式电源 接入配电网的一种较好的解决方案，相对于配电网，微电网可视为可控单元， 能够提高新能源的有效利用率，并对其进行灵活、智能的控制。微电网由多种 DG、储能、负荷以及换流器、控制与保护装置组成，作为一个自治系统能够 进行自我控制、保护和管理，实现并网运行和孤岛运行的自由切换。与单个或 多个DG直接并网相比，以微电网形式并网供电更加可靠，能有效降低系统的 备用容量，提高系统的稳定性，产生良好的社会效益和经济效益。
分布式电源单机成本较高，各种类分布式电源输出功率差异较大，容量也 不尽相同。若容量配置过大，会增大微电网的投资与运行维护成本，造成能量 的浪费；若容量配置过小，发电功率难以满足负荷需求，使供电可靠性下降。
发明内容
本发明的目的是提供一种基于可靠性的微电网分布式电源配置方法及系 统，能够在保证可靠性和功率约束条件下，实现微电网电源成本最优的配置。
为实现上述目的，本发明提供了如下方案：
一种基于可靠性的微电网分布式电源配置方法，包括：
获取设定地区的负荷情况和气象条件；
根据所述负荷情况和所述气象条件，分别建立光伏发电成本模型、风机发 电成本模型和储能成本模型；
采用蒙特卡罗法确定供电可靠性；
以所述光伏发电成本模型、所述风机发电成本模型、所述储能成本模型和 购电成本的最小成本为目标函数基于供电可靠性，建立电源配置模型；
根据所述电源配置模型采用粒子群算法，得到最优的风光储容量配置。
可选的，获取购电成本。
可选的，所述根据所述负荷情况和所述气象条件，分别建立光伏发电成本 模型、风机发电成本模型和储能成本模型，具体包括：
根据所述负荷情况和所述气象条件，建立光伏发电成本模型C2＝Pg·b+C'2； 其中，C2为光伏发电成本，Pg为光伏发电容量，b为光伏建设成本单价，C2′为 光伏发电系统总运行费用；
根据所述负荷情况和所述气象条件，建立风机发电成本模型 
其中，CI为风电场的投资建设成本，CI＝Pf·a，Pf为风电场的 容量，a为风电建设单价，CMk为运营期第k年的维护成本，CMk＝L×S，L为设 备的维护成本费率，S为风电设备及安装运营费；
根据所述负荷情况，建立储能成本模型C3＝r1·Q+C'3；其中，C3为储能装 置成本，r1是储能单位成本，Q是储能装置的容量，C′3是储能装置的固定运行 费用。
可选的，所述采用蒙特卡罗法确定供电可靠性，具体包括：
获取微电网中各个元件的故障率和修复率；
根据所述故障率和所述修复率，计算各元件的正常工作时间和故障时间；
根据所述正常工作时间和所述故障时间，建立各元件的正常工作时间模型 和故障时间模型；
根据所述正常工作时间模型和所述故障时间模型采用蒙特卡罗法模拟各 元件的工作情况和故障情况，得到平均停电时间；
根据所述平均停电时间确定平均供电可用率；
将所述平均供电可用率作为供电可靠性的评价标准。
可选的，所述以所述光伏发电成本模型、所述风机发电成本模型、所述储 能成本模型和购电成本的最小成本为目标函数基于供电可靠性，建立电源配置 模型，具体包括：
以所述光伏发电成本模型、所述风机发电成本模型、所述储能成本模型和 购电成本的最小成本为目标函数，以风机容量约束、光伏容量约束、功率约束 和供电可靠性约束为第一约束条件，建立第一电源配置模型；
目标函数为：
Pf为风力发电容量，Q为储能配置，Pg为光伏容量，Pd为第i时刻从大电 网中调用的功率，C1、C2、C3、C4分别是风机成本、光伏成本、储能成本和 购电成本；
储能配置；Q＝2Pl；
其中，Q为储能容量，Pl为重要负荷容量；
第一约束条件为：
Pfmax为风机最大容量限制，Pgmax为光伏最大容量限制，Pf(t)、Pg(t)、PL(t) 为t时刻的风机出力、光伏出力和负荷功率，Pd(t)为从电网中调取的电量，ASAI 是平均供电可用率，为衡量供电可靠性的指标，N是总的用户数，Ui是每个用 户的停电时间，A是指可靠性要求下限。
可选的，所述以所述光伏发电成本模型、所述风机发电成本模型、所述储 能成本模型和购电成本的最小成本为目标函数基于供电可靠性，建立电源配置 模型，具体包括：
以所述光伏发电成本模型、所述风机发电成本模型、所述储能成本模型和 购电成本的最小成本为目标函数，以风机容量约束、光伏容量约束、储能容量 约束、储能电量状态约束、储能功率约束、功率平衡约束和供电可靠性约束为 第二约束条件，建立第二电源配置模型；
目标函数为：
Pf为风力发电容量，Q为储能配置，Pg为光伏容量，Pd为第i时刻从大电 网中调用的功率，C1、C2、C3、C4分别是风机成本、光伏成本、储能成本和 购电成本；
储能配置；
其中，
为整个样本数据控制周期内储能系统的最大容量，
为 整个样本数据控制周期内储能系统的最小容量；
第二约束条件为：
其中，Pfmax为风机最大容量限制，Pgmax为光伏最大容量限制，Qmax为储 能最大容量限制，Pf(t)、Pg(t)、Pc(t)、PL(t)为t时刻的风机出力、光伏出力、 储能功率和负荷功率，Pd(t)为从电网中调取的电量，β是峰谷差变化率，Pav为 综合负荷的平均值，ΔP是一天中综合负荷的最大、最小值之差；综合负荷是 指微电网中负荷需求与分布式发电输电功率之差。
可选的，还包括：
对所述第二电源配置模型采用公式
进行修正，得到修正后的第 二电源配置模型；
其中，W为理想条件下的储能系统容量，A为安全系数，K为温度修正系 数，η为储能系统的功率转换效率，DOD为放电深度。
一种基于可靠性的微电网分布式电源配置系统，包括：
获取模块，用于获取设定地区的负荷情况和气象条件；
成本模型建立模块，用于根据所述负荷情况和所述气象条件，分别建立光 伏发电成本模型、风机发电成本模型和储能成本模型；
供电可靠性确定模块，用于采用蒙特卡罗法确定供电可靠性；
电源配置模型建立模块，用于以所述光伏发电成本模型、所述风机发电成 本模型、所述储能成本模型和购电成本的最小成本为目标函数基于供电可靠 性，建立电源配置模型；
最优风光储容量配置模块，用于根据所述电源配置模型采用粒子群算法， 得到最优的风光储容量配置。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供一种基于可靠性的微电网分布式电源配置方法，利用了可靠性 约束来进行分布式电源优化配置，在计算供电可靠性时利用蒙特卡罗法进行仿 真模拟，能够较为实际的模拟出微电网运行周期内各元器件的运行情况和整体 的工作情况，判断故障发生时间以及该故障是否对微电网内部负荷供电产生影 响。相对于解析法计算供电可靠性而言，模拟法更加简单高效，适合复杂网架 结构下计算可靠性。本发明基于粒子群算法进行计算求解，结果精确度较高并 且计算过程收敛较快，能够较为快速的求解出配置结果，计算过程简单快捷。
此外，本发明方法根据储能的功能不同，提出了两种储能策略下的计算分 布式电源及储能容量的方法。优点是能够根据储能不同作用下的功能进行电源 的配置，当储能作为备用时，根据重要负荷来配置储能容量，保证了重要负荷 的供电可靠性；当储能参与削峰填谷时，根据上下限约束控制法对负荷进行削 峰填谷控制，降低了分布式电源接入后电源和负荷之差的波动性。
附图说明
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性 的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于可靠性的微电网分布式电源配置方法流程图；
图2为本发明实施例风电机组功率特性曲线图；
图3为本发明实施例元件状态序列图；
图4为本发明实施例上下限约束控制原理示意图；
图5为本发明实施例基于可靠性的微电网分布式电源配置系统结构图。
具体实施方式
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做出创造 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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和 具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例基于可靠性的微电网分布式电源配置方法流程图。如 图1所示，一种基于可靠性的微电网分布式电源配置方法包括：
步骤101：获取设定地区的负荷情况和气象条件；通过气象条件获得相关 风速、温度及光照数据。
步骤102：根据负荷情况和气象条件，分别建立光伏发电成本模型、风机 发电成本模型和储能成本模型，具体包括：
根据负荷情况和气象条件，建立光伏发电成本模型C2＝Pg·b+C'2；其中，C2为光伏发电成本，Pg为光伏发电容量，b为光伏建设成本单价，C′2为光伏发电 系统总运行费用；
根据负荷情况和气象条件，建立风机发电成本模型
其中， CI为风电场的投资建设成本，CI＝Pf·a，Pf为风电场的容量，a为风电建设单 价，CMk为运营期第k年的维护成本，CMk＝L×S，L为设备的维护成本费率，S 为风电设备及安装运营费；
根据负荷情况，建立储能成本模型C3＝r1·Q+C'3；其中，C3为储能装置成 本，r1是储能单位成本，Q是储能装置的容量，C′3是储能装置的固定运行费用。
通过负荷情况和气象条件还可以建立光伏发电模型、风机发电模型和储能 模型。这些模型是建立约束条件使用的，成本模型是建立目标函数使用的。
光伏发电模型的建立过程如下：
在使用双轴跟踪装置与最大功率点跟踪技术后，太阳电池组件的出力仅由 太阳辐射强度和温度决定。通过一般情况与标准测试条件的对比，得到光伏发 电模型：
式中，PPV和PSTC分别为太阳电池组件的实际输出功率和额定功率，GT为实际太阳辐射强度，GSTC为标准测试条件下的太阳辐射强度，为1000W/m2， αP为太阳电池组件的功率温度系数，取-0.35％/℃，TC为太阳电池组件的实际 温度，Tr为标准测试条件下的电池温度，取25℃。
TC＝Ta+(Tr-20)GT/800
式中，Ta为环境温度。
光伏发电系统年运行费用为投资成本的2％，光伏发电总成本为：
C2＝Pg·b+C'2
式中，C2为光伏发电成本，Pg为光伏发电容量，b为光伏建设成本单价， 单位为元/kW，C′2为光伏发电系统总运行费用。
风机发电模型的建立过程如下：
式中，v为风电机组轮毂高度处的风速，vci为切入风速，vR为额定风速， vco为切出风速，PR为风电机组额定功率。图2为本发明实施例风电机组功率 特性曲线图。该方程对应的风电机组功率特性曲线如图2所示。
考虑到不同型号的风机轮毂处与实测地表风速的不同，我们将地表风速按 照风速分布模型进行归算，风速与高度的关系如下：
V＝V0·(H/H0)n
式中，V代表高度为H处的风速，V0代表高度为H0的风速，n为风切变 指数，它取决于大气稳定度和地表粗糙度。(H0一般取值为10m，n一般取值 为0.125～0.5)。
风力发电成本主要由投资建设成本与维护成本构成，风电场的投资建设成 本为：
CI＝Pf·a
式中，CI为风电场的投资建设成本，Pf为风电场的容量，a为风电建设单 价，单位为元/kW。
维护成本从风电场的建设期开始计提，计提比率在0.5％-2.5％间成阶段性 变化，一般每5年提升0.5％。根据风电运营费的综合单价进行计算，运营期 间的维护成本估算模型如下：
CMk＝L×S
式中，CMk为运营期第k年的维护成本，L为设备的维护成本费率，S为 风电设备及安装运营费，取S＝CI。l是风电场寿命。
因此，风电场的发电成本为：
储能模型的建立过程如下：
由于研究的是蓄电池储能系统(battery energy storage system，BESS)的优化配置问题，无需考虑储能单元的内部电路过程，因此可以从剩余电量、充放电 功率等方面对BESS进行数学建模。电量递推关系如下。
充电过程：
SOC(t)＝(1-δ)SOC(t-1)+PcΔtηc/Ec
放电过程：
式中，SOC(t)为第t个时段结束时储能系统的剩余电量；SOC(t-1)为第t-1 个时段结束时剩余电量；δ为储能系统自放电率，单位％/h；Pc、Pd分别为储能 系统充、放电功率，单位kW；ηc、ηd分别为储能系统充、放电效率，单位％； EC储能系统的额定容量，单位kW·h。
储能的成本为：
C3＝r1·Q+C3'
式中，C3为储能装置成本，r1是储能单位成本，Q是储能装置的容量，C′3是储能装置的固定运行费用。
步骤103：采用蒙特卡罗法确定供电可靠性，具体包括：
获取微电网中各个元件的故障率和修复率；
根据故障率和修复率，计算各元件的正常工作时间和故障时间；
根据正常工作时间和故障时间，建立各元件的正常工作时间模型和故障时 间模型；
根据正常工作时间模型和故障时间模型采用蒙特卡罗法模拟各元件的工 作情况和故障情况，得到平均停电时间；
根据所述平均停电时间确定平均供电可用率；
将所述平均供电可用率作为供电可靠性的评价标准。
蒙特卡罗方法(Monte Carlo method)，也称统计模拟方法，是二十世纪四 十年代中期由于科学技术的发展和电子计算机的发明，而被提出的一种以概率 统计理论为指导的一类非常重要的数值计算方法。蒙特卡罗方法是通过构造或 描述概率过程，实现从已知概率分布抽样的方法。蒙特卡罗方法的基本思想是 当所求解问题是某种随机事件出现的概率，或者是某个随机变量的期望值时， 通过某种“实验”的方法，以这种事件出现的频率估计这一随机事件的概率，或 者得到这个随机变量的某些数字特征，并将其作为问题的解。序贯蒙特卡罗模 拟法也称时序蒙特卡罗模拟法，通过模拟系统运行的历史过程，然后对所抽取 的系统状态进行分析，它是通过按照时序进行元件的“运行-修复-运行-修复”的状态交替过程进行模拟，得到每个元件的运行修复状态持续时间，通过组合 每个元件的运行和修复过程就能够得到一个有时间先后顺序的系统状态序列， 如图3所示。图3为本发明实施例元件状态序列图。
元件的正常工作时间TTTF和故障时间TTTR分别为：
TTTF＝-(1/λ)·lnu1
TTTR＝-(1/μ)·lnu2
式中，λ和μ分别是元件的故障率和修复率；μ1和μ2是(0,1)区间服从均 匀分布的随机数。各元件故障率以及修复时间如表1所示。
表1各元件故障率以及修复时间
在已知系统中所有元件故障率和修复率的基础上，计算出各元件的正常工 作时间TTTF和故障时间TTTR，然后建立各元件正常工作时间以及故障时间的数 学模型。通过序贯蒙特卡洛算法模拟各元器件的工作情况和故障情况，然后采 用N-2准则进行判断。在系统中失去两个元件后，系统通过分段、隔离开关隔 离故障，实现负荷转供，恢复正常供电，则称满足N-2准则。否则不满足N-2 准则，那么此时将缺电负荷的缺电时间累加，最后得到每一处负荷点的总停电 时间，求出系统的平均停电时间(SAIDI)和平均供电可用率(ASAI)，本发 明以平均供电可用率作为供电可靠性的评价标准。
平均供电可用率：平均每年用户供电小时数与用户要求供电总小时数的比 值记作ASAI。
式中，年历时小时数为8760小时。
蒙特卡罗法计算可靠性的具体步骤包括：
1)读入系统原始数据。首先对网络拓扑结构进行分析，标注元件的位置 及其连接方式：将母线、馈线、变压器、断路器、隔离开关、光伏、风机、储 能负荷等设备的编号、故障率、修复时间、电压等级和功率等参数列写在相应 准备文件中。
2)设定仿真年限、初始化仿真时间、故障参数和元件状态等。初始化搜 索到元件的标记，仿真计时器＝0，初始统计变量＝0。
3)对所有元件的正常工作时间(TTF)和故障时间(TTR)进行抽样， 依次排列形成每个元件在模拟总时间内的运行状态持续时间序列。同时生成分 布式电源和负荷的时序变化序列。元件i：
式中，λ和μ分别为元件的故障率和修复率，μ1和μ2为(0,1)区间服从均 匀分布的随机数。
4)利用序贯蒙特卡罗算法进行模拟，找到故障所影响到的负荷。通过分 析运行模式转换，对负荷进行分类，将这些负荷分为不能恢复供电的负荷和能 通过转供被恢复的负荷以及不受影响的负荷。
5)对于不能通过转供被恢复的负荷，系统该次故障持续时间即为负荷的 停运时间，令
其中TTTRk为该次系统故障持续时间。
6)判断当前仿真时间是否大于预设定时间，若是，则执行下一步，否则 转到第3)步。
7)根据各负荷点的可靠性指标计算系统的可靠性。
步骤104：以光伏发电成本模型、风机发电成本模型、储能成本模型和购 电成本的最小成本为目标函数基于供电可靠性，建立电源配置模型，具体包括：
以光伏发电成本模型、风机发电成本模型、储能成本模型和购电成本的最 小成本为目标函数，以风机容量约束、光伏容量约束、功率约束和供电可靠性 约束为第一约束条件，建立第一电源配置模型；
目标函数为：
Pf为风力发电容量，Q为储能配置，Pg为光伏容量，Pd为第i时刻从大电 网中调用的功率，C1、C2、C3、C4分别是风机成本、光伏成本、储能成本和 购电成本；
储能配置；Q＝2Pl；
其中，Q为储能容量，Pl为重要负荷容量；重要负荷包括一级供电负荷、 二级供电负荷和部分三级供电负荷，主要取决于该地区的供电要求。
第一约束条件为：
Pfmax为风机最大容量限制，Pgmax为光伏最大容量限制，Pf(t)、Pg(t)、PL(t) 为t时刻的风机出力、光伏出力和负荷功率，Pd(t)为从电网中调取的电量，ASAI 是平均供电可用率，为衡量供电可靠性的指标，N是总的用户数，Ui是每个用 户的停电时间，A是指可靠性要求下限。
作为另一种优选方案，以光伏发电成本模型、风机发电成本模型、储能成 本模型和购电成本的最小成本为目标函数基于供电可靠性，建立电源配置模 型，具体包括：
以光伏发电成本模型、风机发电成本模型、储能成本模型和购电成本的最 小成本为目标函数，以风机容量约束、光伏容量约束、储能容量约束、储能电 量状态约束、储能功率约束、功率平衡约束和供电可靠性约束为第二约束条件， 建立第二电源配置模型；
目标函数为：
Pf为风力发电容量，Q为储能配置，Pg为光伏容量，Pd为第i时刻从大电 网中调用的功率，C1、C2、C3、C4分别是风机成本、光伏成本、储能成本和 购电成本；
储能配置；
其中，
为整个样本数据控制周期内储能系统的最大容量，
为 整个样本数据控制周期内储能系统的最小容量；
第二约束条件为：
其中，Pfmax为风机最大容量限制，Pgmax为光伏最大容量限制，Qmax为储 能最大容量限制，Pf(t)、Pg(t)、Pc(t)、PL(t)为t时刻的风机出力、光伏出力、 储能功率和负荷功率，Pd(t)为从电网中调取的电量，β是峰谷差变化率，Pav为 综合负荷的平均值，ΔP是一天中综合负荷的最大、最小值之差；综合负荷是 指微电网中负荷需求与分布式发电输电功率之差。
本发明在计算可靠性时利用蒙特卡罗法进行模拟计算。在进行电源容量计 算时需要明确储能的作用，储能具有紧急备用电源和削峰填谷两种作用，当储 能作为备用电源时，它平时不投入运行，只会在当电网中出现故障时为维持重 要负荷的正常运行而投入，能够维持重要负荷供电两小时；当储能作用为削峰 填谷时，它会参与到每日的功率调节中去，因此，会出现第一电源配置模型和 第二电源配置模型，具体建模的过程如下：
当储能作为备用时：
假设需要风力发电容量为Pf，储能配置为Q，光伏容量为Pg，第i时刻从 大电网中调用的功率为Pd，C1、C2、C3、C4分别是风机成本、光伏成本、储 能成本和购电成本，则目标函数如下式。
约束条件包括风机容量约束、光伏容量约束、功率约束以及供电可靠性约 束。
式中，Pfmax为风机最大容量限制，Pgmax为光伏最大容量限制，Pf(t)、Pg(t)、 PL(t)为t时刻的风机出力、光伏出力和负荷功率。Pd(t)为从电网中调取的电量。 ASAI是平均供电可用率，它是衡量供电可靠性的指标，N是总的用户数，Ui是每个用户的停电时间，A是指可靠性要求下限。
储能作为备用电源，不参与平时的功率调节，只有当电网出现故障不能够 给重要负荷供电时，储能作为备用给重要负荷供电两小时。储能作备用时不需 要频繁参与功率调节，因此在风电场和光伏电站发电周期内无需更换储能设 备。假设重要负荷容量为Pl，则储能容量为Q＝2Pl。
当储能参与削峰填谷时：
假设需要风力发电容量为Pf，储能配置为Q，光伏容量为Pg，第i时刻从 大电网中调用的功率为Pd，C1、C2、C3、C4分别是风机成本、光伏成本、储 能成本和购电成本，则目标函数如下式。
约束条件包括风机容量约束、光伏容量约束、储能容量约束、储能电量状 态约束、储能功率约束、功率平衡约束和供电可靠性约束。
式中，Pfmax为风机最大容量限制，Pgmax为光伏最大容量限制，Qmax为储 能最大容量限制，Pf(t)、Pg(t)、Pc(t)、PL(t)为t时刻的风机出力、光伏出力、 储能功率和负荷功率。Pd(t)为从电网中调取的电量。β是峰谷差变化率，Pav为 综合负荷的平均值，ΔP是一天中综合负荷的最大、最小值之差。其中，综合 负荷是指微电网中负荷需求与分布式发电输电功率之差。
削峰填谷控制策略为：分布式电源出力与负荷相减得到综合负荷功率，并 将其与功率上下限约束进行比较判定。当负荷需求过高时，此时需要储能系统 放电补充功率差额；当综合负荷处于低谷时，需要储能装置投入运行，并处于 充电状态，以增加综合负荷需求；否则，储能装置退出运行。
采用上下限约束控制法对负荷进行削峰填谷控制。上下限约束控制，即设 定负荷需求曲线的上下限，并根据负荷需求曲线与上下限的功率差，计算储能 系统各时段的充放电功率。图4为本发明实施例上下限约束控制原理示意图。 图4中，P为综合负荷，Pup为峰值波动上限，Plow为谷值波动下限，由图4可 知，系统中加入储能装置后，当综合负荷功率低于谷值功率下限时，控制储能 装置适当充电，如图4中横线阴影部分所示；当综合负荷功率高于峰值功率上 限时，控制储能装置适当放电，如图4中竖线阴影部分所示。则削峰填谷控制后的综合负荷处于上下限约束范围内，即认为达到了削峰填谷的作用。对负荷 进行削峰填谷控制，首先要确定Pup、Plow的大小。Pup、Plow的大小由下式确 定：
Pup＝(1+0.5β)Pav
Plow＝(1-0.5β)Pav
储能系统所需要的最大容量具体计算步骤如下：
1)计算各时段储能装置的充放电功率理想值
Pb(k)＝P(k)-Pref(k)
式中，Pb(k)为第k个控制周期储能系统的充(放)电功率理想值，大于0时 表示储能系统放电；P(k)为第k个控制周期实际综合负荷大小；Pref(k)为期望综 合负荷功率值，这里取为削峰填谷控制或者平抑功率波动控制后的负荷功率理 想值。
2)根据确定的储能系统实际输出功率，对控制周期内的储能系统的充放 电电量进行累计。设第k个控制周期结束时，储能系统的剩余能量用E(k)表示， 则
式中，Tc为平抑控制周期，E0为储能系统的初始能量。
3)计算各控制周期内，储能系统的最大、最小能量差值，则为了满足平 抑过程的能量需求，需要配置的储能系统容量W由下式确定：
式中，
分别代表整个样本数据控制周期内，储能系统的最 大、最小容量。
4)考虑到储能系统放电深度(Depth ofdischarge,DOD)温度以及实际运 行效率的限制，储能系统应具备的容量可用下式进行修正：
式中：W为理想条件下的储能系统容量；A为安全系数(一般取值为 1.1～1.4)；K为温度修正系数(一般0℃以上取1，-10℃以上取1.1，-10℃以下 取1.2)；η为储能系统的功率转换效率(取0.8)；DOD为放电深度(一般取80％)。
5)如果考虑充放电周期为一天，显然对于储能配置来讲，一年中每天的 配置都不同，考虑到成本问题，将一年中每一天的储能容量计算一遍，然后取 平均值作为储能容量配置。
步骤105：根据电源配置模型采用粒子群算法，得到最优的风光储容量配 置。
粒子群优化算法(PSO)源于对鸟群捕食的行为研究，此算法首先将粒子 群中粒子的位置进行初始化，每一粒子的位置代表一个解，在粒子迭代过程中， 通过跟踪粒子本身在迭代过程中的最优解和粒子群迭代过程中的最优解来改 变自己的位置和速度，迭代终止时输出全局最优解。
本发明具有下列优点：
1、本发明的方法结合利用了可靠性约束来进行分布式电源优化配置，在 计算供电可靠性时利用蒙特卡罗法进行仿真模拟，该方法的优点是能够较为实 际的模拟出微电网运行周期内各元器件的运行情况和整体的工作情况，判断故 障发生时间以及该故障是否对微电网内部负荷供电产生影响。相对于解析法计 算供电可靠性而言，模拟法更加简单高效，适合复杂网架结构下计算可靠性。
2、本发明的方法根据储能的功能不同，提出了两种储能策略下的计算分 布式电源及储能容量的方法。优点是能够根据储能不同作用下的功能进行电源 的配置，当储能作为备用时，根据重要负荷来配置储能容量，保证了重要负荷 的供电可靠性；当储能参与削峰填谷时，根据上下限约束控制法对负荷进行削 峰填谷控制，降低了分布式电源接入后电源和负荷之差的波动性。
3、本发明的方法基于粒子群算法进行计算求解，求解结果精确度较高并 且计算过程收敛较快，能够较为快速的求解出配置结果，计算过程简单快捷。
图5为本发明实施例基于可靠性的微电网分布式电源配置系统结构图。如 图5所示，一种基于可靠性的微电网分布式电源配置系统包括：
获取模块201，用于获取设定地区的负荷情况和气象条件；
成本模型建立模块202，用于根据负荷情况和气象条件，分别建立光伏发 电成本模型、风机发电成本模型和储能成本模型；
供电可靠性确定模块203，用于采用蒙特卡罗法确定供电可靠性；
电源配置模型建立模块204，用于以光伏发电成本模型、风机发电成本模 型、储能成本模型和购电成本的最小成本为目标函数基于供电可靠性，建立电 源配置模型；
最优风光储容量配置模块205，用于根据电源配置模型采用粒子群算法， 得到最优的风光储容量配置。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是 与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于 实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较 简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施 例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的 一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变 之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于可靠性的微电网分布式电源配置方法，其特征在于，包括：
获取设定地区的负荷情况和气象条件；
根据所述负荷情况和所述气象条件，分别建立光伏发电成本模型、风机发电成本模型和储能成本模型；
采用蒙特卡罗法确定供电可靠性；
以所述光伏发电成本模型、所述风机发电成本模型、所述储能成本模型和购电成本的最小成本为目标函数基于供电可靠性，建立电源配置模型；
根据所述电源配置模型采用粒子群算法，得到最优的风光储容量配置。
2.根据权利要求1所述的一种基于可靠性的微电网分布式电源配置方法，其特征在于，还包括：
获取购电成本。
3.根据权利要求1所述的一种基于可靠性的微电网分布式电源配置方法，其特征在于，所述根据所述负荷情况和所述气象条件，分别建立光伏发电成本模型、风机发电成本模型和储能成本模型，具体包括：
根据所述负荷情况和所述气象条件，建立光伏发电成本模型C2＝Pg·b+C'2；其中，C2为光伏发电成本，Pg为光伏发电容量，b为光伏建设成本单价，C'2为光伏发电系统总运行费用；
根据所述负荷情况和所述气象条件，建立风机发电成本模型
其中，CI为风电场的投资建设成本，CI＝Pf·a，Pf为风电场的容量，a为风电建设单价，CMk为运营期第k年的维护成本，CMk＝L×S，L为设备的维护成本费率，S为风电设备及安装运营费；
根据所述负荷情况，建立储能成本模型C3＝r1·Q+C'3；其中，C3为储能装置成本，r1是储能单位成本，Q是储能装置的容量，C′3是储能装置的固定运行费用。
4.根据权利要求1所述的一种基于可靠性的微电网分布式电源配置方法，其特征在于，所述采用蒙特卡罗法确定供电可靠性，具体包括：
获取微电网中各个元件的故障率和修复率；
根据所述故障率和所述修复率，计算各元件的正常工作时间和故障时间；
根据所述正常工作时间和所述故障时间，建立各元件的正常工作时间模型和故障时间模型；
根据所述正常工作时间模型和所述故障时间模型采用蒙特卡罗法模拟各元件的工作情况和故障情况，得到平均停电时间；
根据所述平均停电时间确定平均供电可用率；
将所述平均供电可用率作为供电可靠性的评价标准。
5.根据权利要求1所述的一种基于可靠性的微电网分布式电源配置方法，其特征在于，所述以所述光伏发电成本模型、所述风机发电成本模型、所述储能成本模型和购电成本的最小成本为目标函数基于供电可靠性，建立电源配置模型，具体包括：
以所述光伏发电成本模型、所述风机发电成本模型、所述储能成本模型和购电成本的最小成本为目标函数，以风机容量约束、光伏容量约束、功率约束和供电可靠性约束为第一约束条件，建立第一电源配置模型；
目标函数为：
Pf为风力发电容量，Q为储能配置，Pg为光伏容量，Pd为第i时刻从大电网中调用的功率，C1、C2、C3、C4分别是风机成本、光伏成本、储能成本和购电成本；
储能配置；Q＝2Pl；
其中，Q为储能容量，Pl为重要负荷容量；
第一约束条件为：
Pfmax为风机最大容量限制，Pgmax为光伏最大容量限制，Pf(t)、Pg(t)、PL(t)为t时刻的风机出力、光伏出力和负荷功率，Pd(t)为从电网中调取的电量，ASAI是平均供电可用率，为衡量供电可靠性的指标，N是总的用户数，Ui是每个用户的停电时间，A是指可靠性要求下限。
6.根据权利要求1所述的一种基于可靠性的微电网分布式电源配置方法，其特征在于，所述以所述光伏发电成本模型、所述风机发电成本模型、所述储能成本模型和购电成本的最小成本为目标函数基于供电可靠性，建立电源配置模型，具体包括：
以所述光伏发电成本模型、所述风机发电成本模型、所述储能成本模型和购电成本的最小成本为目标函数，以风机容量约束、光伏容量约束、储能容量约束、储能电量状态约束、储能功率约束、功率平衡约束和供电可靠性约束为第二约束条件，建立第二电源配置模型；
目标函数为：
Pf为风力发电容量，Q为储能配置，Pg为光伏容量，Pd为第i时刻从大电网中调用的功率，C1、C2、C3、C4分别是风机成本、光伏成本、储能成本和购电成本；
储能配置；
其中，
为整个样本数据控制周期内储能系统的最大容量，
为整个样本数据控制周期内储能系统的最小容量；
第二约束条件为：
其中，Pfmax为风机最大容量限制，Pgmax为光伏最大容量限制，Qmax为储能最大容量限制，Pf(t)、Pg(t)、Pc(t)、PL(t)为t时刻的风机出力、光伏出力、储能功率和负荷功率，Pd(t)为从电网中调取的电量，β是峰谷差变化率，Pav为综合负荷的平均值，ΔP是一天中综合负荷的最大、最小值之差；综合负荷是指微电网中负荷需求与分布式发电输电功率之差。
7.根据权利要求6所述的一种基于可靠性的微电网分布式电源配置方法，其特征在于，还包括：
对所述第二电源配置模型采用公式
进行修正，得到修正后的第二电源配置模型；
其中，W为理想条件下的储能系统容量，A为安全系数，K为温度修正系数，η为储能系统的功率转换效率，DOD为放电深度。
8.一种基于可靠性的微电网分布式电源配置系统，其特征在于，包括：
获取模块，用于获取设定地区的负荷情况和气象条件；
成本模型建立模块，用于根据所述负荷情况和所述气象条件，分别建立光伏发电成本模型、风机发电成本模型和储能成本模型；
供电可靠性确定模块，用于采用蒙特卡罗法确定供电可靠性；
电源配置模型建立模块，用于以所述光伏发电成本模型、所述风机发电成本模型、所述储能成本模型和购电成本的最小成本为目标函数基于供电可靠性，建立电源配置模型；
最优风光储容量配置模块，用于根据所述电源配置模型采用粒子群算法，得到最优的风光储容量配置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910816438.XA CN111224422A (zh) | 2019-08-30 | 2019-08-30 | 一种基于可靠性的微电网分布式电源配置方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910816438.XA CN111224422A (zh) | 2019-08-30 | 2019-08-30 | 一种基于可靠性的微电网分布式电源配置方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111224422A true CN111224422A (zh) | 2020-06-02 |
Family
ID=70830928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910816438.XA Pending CN111224422A (zh) | 2019-08-30 | 2019-08-30 | 一种基于可靠性的微电网分布式电源配置方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111224422A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113364051A (zh) * | 2021-06-22 | 2021-09-07 | 国网山东省电力公司经济技术研究院 | 考虑海上风电接入的多电源系统容量配置调度方法及装置 |
| CN113872187A (zh) * | 2021-09-13 | 2021-12-31 | 国网山东省电力公司青岛供电公司 | 一种计及微网孤岛运行方式的配电系统可靠性评估方法 |
| CN116933973A (zh) * | 2023-08-10 | 2023-10-24 | 北京大学 | 一种基于可再生能源储能的过程评价方法与系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8571955B2 (en) * | 2011-08-18 | 2013-10-29 | Siemens Aktiengesellschaft | Aggregator-based electric microgrid for residential applications incorporating renewable energy sources |
| CN104361403A (zh) * | 2014-10-27 | 2015-02-18 | 国家电网公司 | 一种分布式电源与微电网的优化分组配置方法 |
| CN104851053A (zh) * | 2015-05-14 | 2015-08-19 | 上海电力学院 | 一种含风光储的配电网供电可靠性评估方法 |
| CN106327006A (zh) * | 2016-08-09 | 2017-01-11 | 国网四川省电力公司经济技术研究院 | 一种基于综合效益分析的微电网优化配置方法 |
-
2019
- 2019-08-30 CN CN201910816438.XA patent/CN111224422A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8571955B2 (en) * | 2011-08-18 | 2013-10-29 | Siemens Aktiengesellschaft | Aggregator-based electric microgrid for residential applications incorporating renewable energy sources |
| CN104361403A (zh) * | 2014-10-27 | 2015-02-18 | 国家电网公司 | 一种分布式电源与微电网的优化分组配置方法 |
| CN104851053A (zh) * | 2015-05-14 | 2015-08-19 | 上海电力学院 | 一种含风光储的配电网供电可靠性评估方法 |
| CN106327006A (zh) * | 2016-08-09 | 2017-01-11 | 国网四川省电力公司经济技术研究院 | 一种基于综合效益分析的微电网优化配置方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘舒: "含分布式发电的微电网中储能装置容量优化配置", 《电力系统保护与控制》 * |
| 辛悦: "风力发电项目成本核算研究", 《中国优秀硕士学位论文全文数据库信息科技Ⅱ辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113364051A (zh) * | 2021-06-22 | 2021-09-07 | 国网山东省电力公司经济技术研究院 | 考虑海上风电接入的多电源系统容量配置调度方法及装置 |
| CN113872187A (zh) * | 2021-09-13 | 2021-12-31 | 国网山东省电力公司青岛供电公司 | 一种计及微网孤岛运行方式的配电系统可靠性评估方法 |
| CN113872187B (zh) * | 2021-09-13 | 2022-11-01 | 国网山东省电力公司青岛供电公司 | 一种计及微网孤岛运行方式的配电系统可靠性评估方法 |
| CN116933973A (zh) * | 2023-08-10 | 2023-10-24 | 北京大学 | 一种基于可再生能源储能的过程评价方法与系统 |
| CN116933973B (zh) * | 2023-08-10 | 2024-02-13 | 北京大学 | 一种基于可再生能源储能的过程评价方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sen et al. | Distributed adaptive-MPC type optimal PMS for PV-battery based isolated microgrid | |
| CN105207259B (zh) | 基于能量管理的并网状态下的微电网系统调度方法 | |
| Sfikas et al. | Simultaneous capacity optimization of distributed generation and storage in medium voltage microgrids | |
| Niknam et al. | Probabilistic energy and operation management of a microgrid containing wind/photovoltaic/fuel cell generation and energy storage devices based on point estimate method and self-adaptive gravitational search algorithm | |
| Tan et al. | A review of technical challenges in planning and operation of remote area power supply systems | |
| CN105139147A (zh) | 微电网系统的经济调度方法 | |
| CN109830976B (zh) | 一种交直流混合配电网弹性运行调控方法 | |
| CN104104116A (zh) | 一种含多分布式能源的光伏微电网供需控制系统设计方法 | |
| Zaree et al. | An MILP formulation for centralized energy management strategy of microgrids | |
| CN105207207B (zh) | 基于能量管理的孤网状态下的微电网系统调度方法 | |
| CN109149555B (zh) | 考虑供电模式的配电网广义电源变电可信容量评价方法 | |
| CN111224422A (zh) | 一种基于可靠性的微电网分布式电源配置方法及系统 | |
| CN114301081B (zh) | 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法 | |
| CN107359611A (zh) | 考虑多种随机因素的配电网等值方法 | |
| CN107834574A (zh) | 一种分布式能源系统与电网交换功率的控制方法 | |
| CN119582254B (zh) | 一种考虑不同运营模式的微电网优化运行方法 | |
| CN105406469A (zh) | 基于状态转移抽样法的高渗透率有源配电网可靠性评估法 | |
| CN104504606A (zh) | 一种多类型电源分散并网的可信容量计算方法 | |
| CN108022055A (zh) | 一种基于粒子群模型的微电网经济调度方法 | |
| Yang et al. | Over-voltage mitigation control strategies for distribution system with high PV penetration | |
| Koutroulis et al. | Optimal design and economic evaluation of a battery energy storage system for the maximization of the energy generated by wind farms in isolated electric grids | |
| Kasturi et al. | Optimal PV & BES units integration to enhance power distribution network Performance | |
| CN116799836A (zh) | 一种新能源场站配置储能效益评估方法及系统 | |
| Alguhi et al. | Battery energy storage planning in distribution network with renewable resources | |
| Elgamal et al. | Optimal operation of a hybrid-energy microgrid with energy storage system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200602 |