基于功率谱密度的风能渗透率极限评估方法、系统及装置

技术领域

本发明涉及可再生能源的稳定性评估技术领域，尤其涉及一种基于功率谱密度的风能渗透率极限评估方法、系统及装置。

背景技术

近些年来，我国可再生能源飞速发展。对风能发电而言，合理评估电网风能渗透率极限能有效控制风电接入电网，进而避免风电过度建设。风电过度建设和接入不仅会造成风电不能很好地消纳，也会给电网带来一系列不利于电网稳定性的影响。因此，风能渗透率极限评估是解决我国大规模风电发展的重要问题之一。风能渗透率极限评估，一般基于风电历史数据研究某电网在不影响正常稳定运行的情况下，所能消纳风电的比例极限。在近些年，由于风电的出力超出电网所能承受的最大消纳能力而导致的“弃风”现象时有发生，尤其在我国“三北”地区更为突出。并且，可再生能源诸如风电能源、太阳能源(光伏)等，其输出功率具有间歇性和波动性的特点，大规模的可再生能源接入电网会给电网带来频率稳定性、小干扰稳定性等一系列的影响。因而，对风能而言，以往的风能渗透率极限评估方法往往根据风电出力和发电厂过滤的电力波动量来确定风电渗透率极限。但这类以往的方法主要存在着如下几个方面的缺陷：(1)往往将风电出力认为是确定的，也即所用的方法是确定性方法，而没有充分考虑风电出力的随机性；(2)电网所能承受风能的渗透率主要由电力系统本身的性质决定，而以往的方法没有考虑电网的动态响应特性；(3)以往的方法建立在长时间蒙特卡洛仿真的基础上，往往需要借助动态仿真商业软件，运算过程比较耗时，不利于现场应用。

由此，需要更合理的风能渗透率极限评估方法，能充分考虑风电随机性和电网动态响应特性，快速评估电网频率稳定性约束下的风能渗透率极限。

发明内容

为了克服上述缺陷，提出了本发明，以解决或至少部分地解决如何基于理论推导结合风电随机特性和接入电网的响应特性以快速实现风能渗透率极限评估的技术问题，从而保证在避免复杂高成本的运算情况下能快速准确地评估，维护可再生能源的电网配置的良好消纳、防止对电网的稳定性的不良影响。本发明为解决上述技术问题提供了一种基于功率谱密度的风能渗透率极限评估方法、系统及装置。

第一方面，提供一种基于功率谱密度的风能渗透率极限评估方法，包括：根据风电场输出的波动功率，获得对应所述风电场输出的波动功率的功率谱密度；根据对应所述风电场输出的波动功率的功率谱密度，经电网频率频域响应模型获得电网频率的功率谱密度，以确定相应所述电网频率的功率谱密度的电网波动功率的时间序列；根据所述电网波动功率的时间序列，分析在预定电网频率波动阈值下的风能渗透率极限。

其中，“根据风电场输出的波动功率，获得对应所述风电场输出的波动功率的功率谱密度”具体包括：将风电场输出的波动功率的时间序列划分成多个固定时间长度的时间片段；按照每个时间片段中的容量系数平均值进行所述时间片段归类；对归类到同一组的时间片段，经傅里叶变换结合离散化方式计算其平均功率谱密度，作为电场功率的电场功率谱密度。

其中，所述功率谱密度S

其中，Δf为频率步长，f为频率，

其中，“根据对应所述风电场输出的波动功率的功率谱密度，经电网频率频域响应模型获得电网频率的功率谱密度，以确定相应所述电网频率的功率谱密度的电网波动功率的时间序列”具体包括：所述电场功率的功率谱密度S

S

其中，G(f)为所述电网频率频域响应模型中的电网频率传递函，f为频率；

根据电网的功率谱密度S

其中，“根据所述电网波动功率的时间序列，分析在预定电网频率波动阈值下的风能渗透率极限”具体包括：根据所述电网频率波动功率的时间序列，通过梯度搜索法进行分析，找出预定电网频率波动的阈值下的风能渗透率极限。

其中，“通过梯度搜索法进行分析，找出预定电网频率波动的阈值下的风能渗透率极限”，具体包括：利用梯度搜索方式对所述电网频率波动功率的时间序列进行分析；判断在预设的电网频率波动的阈值下，是否电网频率波动功率能满足稳定性需求；如果是，则表示未达到风能渗透率极限，继续增加风电渗透率到风电场影响风电场输出的风电波动功率，重新计算相应的功率谱密度直到再次利用梯度搜索方式对重新获得的电网频率波动功率的时间序列进行分析；如果否，则表示已经达到风能渗透率极限，输出当前对应的风电场输出的风电波动功率，作为评估的风能渗透率极限值。

其中，能满足稳定性需求，具体包括：梯度法从一起点在负梯度的方向，按预定步长能搜索到误差最小时的电网频率波动功率的时间序列值；其中，误差通过所述电网波动功率的时间序列与相应的实测电网波动功率的时间序列之间的偏差作为评价目标。

第二方面，提供一种基于功率谱密度的风能渗透率极限评估系统，包括：风能输入模块，用于根据风电场输出的波动功率，获得对应所述风电场输出的波动功率的功率谱密度；转换模块，用于根据对应所述风电场输出的波动功率的功率谱密度，经电网频率频域响应模型获得电网频率的功率谱密度，以确定相应所述电网频率的功率谱密度的电网波动功率的时间序列；分析评估模块，用于根据所述电网波动功率的时间序列，分析在预定电网频率波动阈值下的风能渗透率极限。

第三方面，提供一种计算机存储介质，该存储介质存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行前述第一方面中任一项的基于功率谱密度的风能渗透率极限评估方法。

第四方面，提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由处理器加载并运行以执行前述第一方面中任一项的基于功率谱密度的风能渗透率极限评估方法。

本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：

本发明的实施方式，通过功率谱密度理论对风能波动时间序列进行处理，将风电波动视为随机过程，避免以往方法不能考虑风电波动随机性的缺陷；通过一种“时域-频域”相互转换的方法，得到风电波动引起的电网频率波动，充分考虑了电网的动态响应特性，计算更准确且评估运算更快捷；基于理论推导的计算和最终评估，无需借助于动态仿真软件，运算简单、收敛速度快，且适应于任何电网。由此，本发明给定风电时间序列和电网参数便可得到该电网频率稳定性约束下的渗透率极限、无需借助商业动态仿真软件，计算过程收敛速度快，进而还可以用来分析提高电网渗透率的方法。

附图说明

下面参照附图来描述本发明的具体实施方式，附图中：

图1为根据本发明的基于功率谱密度的风能渗透率极限评估方法的一个实施例的流程图；

图2为根据本发明的基于功率谱密度的风能渗透率极限评估系统的一个实施例的结构框图；

图3为根据本发明的方案的风电场输出功率波动(时序)按固定时间长度T划分的序列片段化并进行序列归类分组计算获得功率谱密度的一个实施例的示意图；

图4为根据本发明的方案的时域-频域的电网响应模型的风电波动影响到电网频率波动的一个实施例的示意图；

图5为根据本发明的方案的一个实施例，具体应用于未达到风能渗透率极限继续增加以重复分析评估直到达到极限的示意图。

图6为根据本发明的方案的时域-频域转变的一个实施例的示意图。

具体实施方式

为了便于理解发明,下文将结合说明书附图和实施例对本发明作更全面、细致地描述,但本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。

以下是本发明涉及到的一些术语定义与解释：

风电渗透率：风电功率占区域电网负荷功率的百分比。

风电渗透率极限：在电网频率波动满足稳定性要求的范围内，风力发电功率所能占电网负荷功率最大的百分比。

电力的消纳：消化、吸纳。由于发电厂(无论是水电、火电、核电、风电电源)发电后送上网，电能无法方便地储存，不用掉就是浪费，所以就要将富余的电能经调度送到有电能需求的负荷点，这个过程就是消纳。

储能容量：储能电机组所能释放的电能，本发明以风电机组为例：某台100kW储能机组的储能容量是80kWh，表示此台储能机组能以100kW的功率发电0.8小时。

时间尺度：完成某一种物理过程所花费时间的平均度量。一般来讲，物理过程的演变越慢，其时间尺度越长，物理过程涉及的空间范围越大，其时间尺度也越长。

功率：这里是电功率，例如风电功率。

功率谱密度：信号通常是波的形式，例如电磁波、随机振动或者声波。当波的频谱密度乘以一个适当的系数后将得到每单位频率波携带的功率，这被称为信号的功率谱密度(power spectral density,PSD)或者谱功率分布(spectral power distribution,SPD)。功率谱密度的单位通常用每赫兹的瓦特数(W/Hz)表示，或者使用波长而不是频率，即每纳米的瓦特数(W/nm)来表示。

功率波动率：风电功率在一定时间周期内的变化百分比。

响应特性：确定条件下，激励与对应响应之间的关系。比如：电网用户需求响应特性(节能、价格等)、电网异常的响应特性(电压异常、频率异常等)。

频域即频率域：任何一个波形都可以分解用多个正弦波之和，每个正弦波都有自己的频率和振幅，所以任意一个波形信号有自己的频率和振幅的集合，频域即为信号的频率结构及频率与该频率信号幅度的关系，如自变量为频率(横轴为频率)，纵轴为该频率信号的幅度，即频谱图。

频域响应即频率特性：描述信号在频率方面特性时用到的一种坐标系。

容量系数：运行时间折算成毛容量下的等效运行时间与给定时间区间的比值。以某月为例，一台毛容量为300MW的发电机组，发电量为12000万千瓦时，运行时间为436小时，月统计时间为720小时，则毛容理下的等效运行小时数为:(12000÷436)/30×436＝400(小时)，毛容量系数为:400/720*100＝55.56。以风电为例，其为风电场运行年有效利用小时数与全年小时数的比值，或风电场实际运行年上网电量与额定年上网电量的比值(表示为百分比)。

现有技术中的风电、光电等随机性强的能源供电(如风电)，以风电为例，将风电出力认为是确定的而非随机性的，也不考虑电网本身的响应特性，且使用外部商业软件而运算成本高、现场应用困难，无法结合风电输出功率与电网响应特性多个因素综合进行配置优化。

本发明的基于功率谱密度的渗透率极限评估方案，基于电场(以风电为例)即基于风电场的功率谱密度，建立电网频率频域响应模型；利用所述模型对经储能补偿过的对应风电输出的功率波动的功率谱密度进行“时域-频域”相互转换获得电网频率时域波动，再通过搜索(如梯度搜索)获得一定电网频率波动阈值下风能渗透率极限。

根据本发明的方案以风电为例，通过功率谱密度理论对风能波动时间序列进行处理，将风电波动视为随机过程，克服以往方法不能考虑风电波动随机性的缺陷，通过一种“时域-频域”相互转换的方法，得到风电波动引起的电网频率波动，充分考虑了电网的动态响应特性，并且，其基于理论推导，无需借助于动态仿真软件，收敛速度快，且适应于任何电网。由此，给定风电时间序列和电网参数便可得到该电网频率稳定性约束下的渗透率极限，无需借助商业动态仿真软件，计算过程收敛速度快，可以用来分析提高电网渗透率的方法。

下面结合图1所示本发明的基于功率谱密度的风电渗透率极限评估方法的一个实施例的主要流程图，对本发明的实现方式进行描述。

步骤S110,根据风电场输出的波动功率，获得对应所述风电场输出的波动功率的功率谱密度。

具体地，风电场的功率波动是按照功率时间序列输出的。将输出功率时间序列按照预设固定时间长度进行划分，得到多个固定时间长度的输出功率时间序列片段，其中，每个片段中的功率时间序列的个数相同。

一个实施例中，以风电场为例，将风电场输出的秒钟时间尺度风电功率时间序列，截断为多个固定时间长度的片段。如秒钟时间尺度的风电功率时间序列，按照固定时间长度为10分钟分段，即将风电功率时间序列按每10分钟为一个片段划分，这样，由于是秒钟时间尺度则每个片段(10分钟)包含600秒，即有600个时间点。划分方式如图3所示将风电场输出的功率波动的时间序列，实现序列片段化，每个片段为固定时间长度T(即时间间隔)，划分了T、2T……iT，即i个(多个)片段(时间段)。每个片段T中包含相同n个点数的功率x

进一步，根据所有时间序列片段中的容量系数的平均值，将时间序列片段进行归类，比如：按照容量系数平均值，将这些时间序列片段分为固定个数的组，每组之间具有固定的组距。例如分成10个组、组距为0.1等。如图3所示，Group1、……Groupi……Group10等,组距依次

进一步，对落在同一组中的多个截断时间序列如多个x

例如：根据风电波动功率x(t)与功率谱密度的关系，即功率谱密度S

进一步，还可以将功率谱密度进行离散化处理。离散化即用排名代替原数据进行处理的一种预处理，本质上是一种哈希,它在保持原序列大小关系的前提下把其映射成正整数，即关系不变的简化方式。通常排序、STL的函数，可以完成。

具体例如：进一步，傅里叶变换时结合离散化处理，即功率谱密度离散化处理。离散化包括：用排名代替原数据进行处理的一种预处理，类似一种哈希,它在保持原序列大小关系的前提下把其映射成正整数，即关系不变的简化方式。通常排序、STL的函数，可以完成。

另外，对功率谱密度的计算过程做必要的离散算法推导，可以假设风电功率时间序列的取样时间为T

X

由此，利用DFT(·)傅里叶算法函数(在Matlab中使用FFT命令即可)计算，得到傅里叶变换对序列的分析结果的第k个幅度值为A[k]，A[k]＝|X

步骤S120，根据对应所述风电场输出的功率波动的功率谱密度，经电网频率频域响应模型，获得电网频率的时域波动时间序列。

一个实施方式中，如图4所示，建立风电功率谱密度PSD_wind根据频域滤波函数/电网系统频率响应传递函数|G(s)|转换成频率波动功率谱密度PSD_grid的频域模型，作为电网频率频域响应模型。

例如，对前述时域的风电波动功率ΔPw(t)，假设x(t)＝ΔP

在一个实施方式中，风电场输出的功率波动对应的功率谱密度，经所述模型进行计算得到电网频率波动的功率谱密度。进而通过逆傅里叶变换获得电网频率波动的时域时间序列，如图6所示，通过“时-频转化”方式计算出电网频率时域波动序列，时域-频域-时域转化计算方式例如：

时域阶段，x(t)＝(x

频域阶段的计算：

傅里叶DFT变换算法(并可以结合离散算法)得到对应的第i段t时间点风电波动功率的频率频谱X

其中，x

进一步，根据X

其中，

基于风电功率时域波动序列推导电网频率时域波动序列，例如：根据S

S

其中，S

再根据S

其中，ρ

再次到时域阶段的计算：

对输出的电网的频率频谱Y

y(t)＝(y

其中，t为大于等于0的自然数，N为大于等于1的自然数，f为自然数且f＝0,1,2…N-1；e

步骤S130，根据所述电网频率的时域波动时间序列，分析在预定电网频率波动阈值下的风能渗透率极限。

具体地，采用梯度搜索对所述电网频率的时域波动时间序列y(t)进行分析，预设一定/预定的电网频率波动阈值，在阈值下是否能满足稳定性需求(比如能搜索到误差最小时的序列值)，是则表示未达到风能渗透率极限，继续增加风电渗透率到风电场影响风电时域波动，继续进行傅里叶变换的功率谱密度和频域响应转换到电网的功率谱密度，经逆傅里叶变换得到电网频率时域波动Δf(t)，继续通过梯度搜索方式进行分析，直到确定在阈值下不能满足稳定要求，则此时对应的风电渗透率即评估的为风电渗透率极限。

其中，稳定性需求指频率稳定性需求，其为电网频率波动的时域累积曲线得到电网频率在一定的概率下，不偏离电网稳定约束下的最大的波动值，其可以评估电力系统频率稳定性。

其中，梯度搜索方式(包括搜索步长方法)，又例如：无约束优化的梯度算法(共轭梯度法)、非线性梯度算法等。

进一步，对于电网频率的时域波动时间序列即电网频率波动在时域上的时间序列，可以通过梯度搜索的分析方式快速找到目标值。例如，多参数梯度搜索法评估，可以采用梯度搜索法确定电网频率的时域波动时间序列中多个待定的时间序列值，其中还可以以实测的该电网频率时域波动时间序列值与计算的该时域波动时间序列值两者的偏差(通常取偏差平方之和)为评价目标，以一定阶梯法(或称最速下降法)从某个起点在负梯度的方向，按一定步长搜索误差目标值最小时的各待定序列值。

一个应用实现的小例子如图6所示：将风电场秒钟时间尺度的风功率时间序列截断成每个时间长度为10分钟的多个片段(每个片段包含600个点)。再根据这些时间片段的容量系数平均值将其分为10组，组距为0.1。然后对落在同一组的多个截断时间序列求其平均功率谱密度。进而，对功率谱密度做离散化处理，建立电网频率频域响应模型，经一种“时域-频域”相互转换的方法获得电网频率的时域波动序列，通过梯度搜索分析该序列，找出一定电网频率的时域波动序列阈值下，满足整个电网稳定性需求的分更难渗透率，如果在该阈值下满足稳定性要求则继续增加风能渗透率，增加风电输出功率，并通过功率谱密度利用电网频率频域响应模型的时-频转换获得电网频率的时域波动序列，继续通过梯度搜索分析该序列，直到找出一定电网频率波动阈值下不能满足稳定性要求时，该风电输出功率对应的风能渗透率即为风能渗透率极限，同时停止评估操作并停止部分增加的风电渗透率的风场电机。

其中，将风电场输出功率的时域波动ΔPw(t)进行傅里叶变换后并计算出功率谱密度PSD_wind，经电网频域响应特性模型通过诸如电网频率传递函数G(f)转换为电网功率波动的功率谱密度PSD_grid，经逆傅里叶变换后获得电网频率时域波动Δf(t)，利用梯度搜索分析该波动时间序列中的频率，如果在该时间序列的一定阈值下满足稳定性要求，则继续增加风电渗透率即未达到极限，在风电场输出部分加大风电功率，同样经过时-频转换后得到电网功率的时域波动时间序列，再次进行梯度搜索分析，直到再次增加风电渗透率时对应的风电输出功率在获得对应的电网功率的时域波动时间序列时，分析已经不能满足稳定性要求，则表明此时的风电输出功率已经达到了风电渗透率极限/风能渗透率极限，则完成评估，对部分风电电机停机，输出评估结果即当前的风电输出功率。

需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些变化都在本发明的保护范围之内。

下面再结合图2所示本发明的基于功率谱密度的风能渗透率极限评估系统的一个实施例的结构框图，对本发明的实现进行说明。该系统至少包括：

风能输入模块510，用于根据风电场输出的功率波动，获得对应所述风电场输出的功率波动的功率谱密度。具体参见前述方法中步骤S110实现的处理功能。具体处理和实现方式参见步骤S110描述的内容。

具体地，风电场的功率波动是按照功率时间序列输出的。将输出功率时间序列按照预设固定时间长度进行划分，得到多个固定时间长度的输出功率时间序列片段，其中，每个片段中的功率时间序列的个数相同。

一个实施例中，以风电场为例，将风电场输出的秒钟时间尺度风电功率时间序列，截断为多个固定时间长度的片段。如秒钟时间尺度的风电功率时间序列，按照固定时间长度为10分钟分段，即将风电功率时间序列按每10分钟为一个片段划分，这样，由于是秒钟时间尺度则每个片段(10分钟)包含600秒，即有600个时间点。划分方式如图3所示将风电场输出的功率波动的时间序列，实现序列片段化，每个片段为固定时间长度T，划分了T、2T……iT，即i个(多个)片段。每个片段T中包含相同n个点数的功率x

进一步，根据所有时间序列片段中的容量系数的平均值，将时间序列片段进行归类，比如：按照容量系数平均值，将这些时间序列片段分为固定个数的组，每组之间具有固定的组距。例如分成10个组、组距为0.1等。如图3所示，Group1、……Groupi……Group10等,组距依次

进一步，对落在同一组中的多个截断时间序列如多个x

进一步，还可以将功率谱密度进行离散化处理。离散化即用排名代替原数据进行处理的一种预处理，本质上是一种哈希,它在保持原序列大小关系的前提下把其映射成正整数，即关系不变的简化方式。通常排序、STL的函数，可以完成。

转换模块520，用于根据对应所述风电场输出的功率波动的功率谱密度，经电网频率频域响应模型，获得电网频率的时域波动时间序列。具体参见前述方法中步骤S120实现的处理过程。

一个实施方式中，如图4所示，建立风电功率谱密度PSD_wind根据频域滤波函数/电网系统频率响应传递函数|G(s)|转换成频率波动功率谱密度PSD_grid的频域模型，作为电网频率频域响应模型。例如，对前述时域的风电波动功率ΔPw(t)进行傅里叶变换后形成风电功率谱密度PSD_wind，经传递函数G(f)，其中，s为功率谱密度，得到电网频率波动的功率谱密度PSD_grid，再进行逆傅里叶变换得到时域下的电网频率波动Δf_grid，由此得到风电功率波动的电网频域响应，即建立了时域-频域-时域的相互转换。由此，从风电功率波动，能获得电网频率波动对应的时域的时间序列。

在一个实施方式中，风电场输出的功率波动对应的功率谱密度，经所述模型进行计算得到电网频率波动的功率谱密度。进而通过逆傅里叶变换获得电网频率波动的时域时间序列，如图6所示，通过“时-频转化”方式计算出电网频率时域波动序列，时域-频域-时域转化计算方式例如：

时域阶段，x(t)＝(x1(t),x2(t),…,xn(t))为电场的功率时间序列，通过所述模型(频域模型)运算(频域阶段)，从电场的功率频谱密度，计算得到电网的功率频谱密度，再逆傅里叶变换，得到时域阶段电网频率个的时间序列。

频域阶段的计算：

S

再次到时域阶段的计算：

y(t)＝(y1(t),y2(t),…,yn(t))

分析评估模块530，用于根据所述电网频率的时域波动时间序列，分析在预定电网频率波动阈值下的风能渗透率极限。具体参见前述方法中步骤S130实现的处理功能。

具体地，利用梯度搜索方式对所述电网频率的时域波动时间序列进行分析，预设一定/预定的电网频率波动阈值，在阈值下是否能满足稳定性需求(比如能搜索到误差最小时的序列值)，是则表示未达到风能渗透率极限，继续增加风电渗透率到风电场影响风电时域波动，继续进行傅里叶变换的功率谱密度和频域响应转换到电网的功率谱密度，经逆傅里叶变换得到电网频率时域波动Δf(t)，继续通过梯度搜索方式进行分析，直到确定在阈值下不能满足稳定要求，则此时对应的风电输出功率即评估的为风电渗透率极限。

进一步，对于电网频率的时域波动时间序列即电网频率波动在时域上的时间序列，可以通过梯度搜索的分析方式快速找到目标值。例如，多参数梯度搜索法评估，可以采用梯度搜索法确定电网频率的时域波动时间序列中多个待定的时间序列值，其中还可以以实测的该电网频率时域波动时间序列值与计算的该时域波动时间序列值两者的偏差(通常取偏差平方之和)为评价目标，以一定阶梯法(或称最速下降法)从某个起点在负梯度的方向，按一定步长搜索误差目标值最小时的各待定序列值。

本发明的技术方案，在给定风电时间序列和电网参数便可得到该电网频率稳定性约束下的储能容量和功率需求，无需借助商业动态仿真软件，计算过程收敛速度快，得出结果的过程非常迅速，可以用来评估一定风/光等存在随机性的能源供电(如风电/光电)渗透率下储能的容量和功率需求。

本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

本领域技术人员能够理解的是，本发明还提供一种控制装置的一个实施例中，该控制装置包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由处理器加载并运行以执行前述的方法。

进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的系统的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。

本领域技术人员能够理解的是，可以对系统中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。