一种构网型储能电站定容选址优化配置方法及系统

技术领域

本发明属于储能优化配置领域，具体涉及一种构网型储能电站定容选址优化配置方法及系统。

背景技术

近年来，随着风电、光伏等新能源大量接入，一方面，新能源的波动性与随机性将增加调峰与二次调频难度，另一方面，系统等效惯性时间常数不断下降，扰动事件下频率变化程度增加。随着新能源占比不断增加，系统中惯量分布不均的现象更加突出。而储能作为电力储存装置，可用来平衡电能在时间上的供需关系以实现调峰与二次调频，同时采用虚拟同步机构网型变流器控制方法可用来提高系统惯量分布的均匀性，故构网型储能电站可以有效解决当前高比例新能源电力系统所面临的问题。

然而，目前仍有以下三个关键问题需要解决。其一，为了对储能容量进行更为准确的配置，如何选取调峰典型场景及如何表征源荷不确定性是一个难题。其二，储能技术的高成本是制约储能发展的关键因素之一，故如何确定合适的储能电站配置方案，使其保证经济性的同时又具有较好的调峰与二次调频效果是目前研究的关键。其三，如何量化区域电网惯量分布的均匀性并通过含虚拟同步控制的构网型储能电站选址对其进行优化。

目前有不少发明专利也涉及了构网型储能电站的优化配置方法。例如，公告号为CN116054218A通过计算并网和孤网运行方式下，源网荷储系统在多种备选构网型储能容量下对应的新能源并网点短路比和新能源多场站短路比，在此基础上，得到并网和孤网运行方式各自最佳的构网型储能容量。所述方法可以有效提高系统的新能源并网点的电压稳定性，但该方法储能配置目标单一，没有将构网型储能的优势高效利用。因此，现有技术往往忽视了高比例新能源系统面临的多种问题，未能发掘出合适的多目标下构网型储能电站定容选址优化配置方法。

发明内容

本发明提出了一种构网型储能电站定容选址优化配置方法及系统，解决了现有技术储能配置目标单一，没有将构网型储能的优势高效利用的问题。

为解决上述技术问题，本发明提供了一种构网型储能电站定容选址优化配置方法，包括以下步骤：

步骤S1：设定常规机组与储能电站的约束条件，所述约束条件包括功率平衡约束、常规机组及储能出力约束、常规机组爬坡约束、常规机组及储能二次调频备用容量约束、常规机组启停成本约束和储能SOC约束；

步骤S2：在所述约束条件下，建立常规机组与储能电站的联合优化模型，所述联合优化模型包括内层优化模型和外层优化模型，所述内层优化模型以常规机组与储能电站的运行成本最小为目标，所述外层优化模型以常规机组与储能电站的投资成本最小为目标，所述投资成本包括运行成本和建设成本；

步骤S3：对所述内层优化模型进行求解，得到最优运行成本，将所述最优运行成本代入外层优化模型，并采用粒子群算法对外层优化模型求解，得到优化储能配置容量；

步骤S4：设置固定迭代次数，当当前迭代次数小于固定迭代次数时，将外层优化模型的求解结果反馈至内层优化模型，对储能配置容量进行更新，直到当前迭代次数等于固定迭代次数，得到最优储能配置容量；

步骤S5：根据所述最优储能配置容量计算区域电网惯性常数的标准差，当所述标准差最小时，得到构网型储能电站的最优配置位置。

优选地，步骤S1中所述功率平衡约束的表达式为：

；

式中，

所述常规机组及储能出力约束的表达式为：

；

式中，

所述常规机组爬坡约束的表达式为：

；

式中，

所述常规机组及储能二次调频备用容量约束的表达式为：

；

式中，

所述常规机组启停成本约束的表达式为：

；

式中，

所述储能SOC约束的表达式为：

；

式中，

优选地，步骤S2中所述运行成本

；

；

；

；

；

；

；

；

上式中，

优选地，步骤S2中所述投资成本的表达式为：

；

；

上式中，

优选地，步骤S3中所述粒子群算法，将储能的功率容量与能量容量作为粒子的位置，将储能的功率容量与能量容量的变化值作为粒子的速度，包括以下步骤：

步骤S31：初始化粒子群算法的迭代次数、各粒子的初始位置和速度；

步骤S32：根据各粒子的位置和速度计算各粒子的投资成本；

步骤S33：对每个粒子，将当前投资成本与历史最优投资成本进行比较，取所述投资成本较小的作为最优投资成本，将各粒子的最优投资成本进行比较，取所述投资成本最小的作为全局最优投资成本；

步骤S34：判断当前迭代次数是否达到设定迭代次数，当当前迭代次数小于设定迭代次数时，进入步骤S35，否则输出全局最优投资成本对应的粒子的位置作为最优储能配置容量；

步骤S35：更新各粒子的速度和位置后，进入步骤S32，对各粒子的速度和位置进行更新的表达式为：

；

式中，

优选地，步骤S5包括以下步骤：

步骤S51：配置构网型储能电站的惯性常数

；

式中，

步骤S52：计算区域电网节点的惯量

；

式中，

步骤S53：以区域电网惯性常数的标准差

；

式中，

本发明还提供一种构网型储能电站定容选址优化配置系统，适用于上述的一种构网型储能电站定容选址优化配置方法，包括建模模块、求解模块和优化模块；

所述建模模块用于建立常规机组与储能电站联合优化模型，所述联合优化模型包括内层优化模型和外层优化模型，所述内层优化模型以常规机组与储能电站的运行成本最小为目标，所述外层优化模型以常规机组与储能电站的投资成本最小为目标；

所述求解模块用于求解常规机组与储能电站联合优化模型；

所述优化模块将所述联合优化模型的求解结果用于优化构网型储能电站的容量和位置。

本发明还提供一种电子设备，包括：存储器、处理器和计算机程序，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现上述的一种构网型储能电站定容选址优化配置方法。

本发明另外提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行以实现上述的一种构网型储能电站定容选址优化配置方法。

本发明的有益之处至少包括：建立常规机组与储能电站的内外层优化模型，以其运行成本与建设成本之和最小为目标，采用粒子群算法进行综合求解，得到储能配置容量，并提出一种衡量区域电网惯量均匀性的方法，对储能配置容量进行优化，最终确定构网型储能电站的配置位置；综合了储能调峰、二次调频和惯量对储能进行配置，保证了规划结果长期的稳定性与优越性。

附图说明

图1为本发明实施例的方法流程图；

图2为本发明实施例的构网型储能电站并网图；

图3为本发明实施例的调峰与二次调频典型场景图；

图4为本发明实施例中构网型储能电站容量优化迭代示意图；

图5为本发明实施例的区域电网结构图；

图6为本发明实施例的构网型储能电站中各节点惯量优化效果图。

具体实施方式

下面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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

如图1所示，本发明实施例提供了一种构网型储能电站定容选址优化配置方法，包括以下步骤：

步骤S1：设定常规机组与储能电站的约束条件，约束条件包括功率平衡约束、常规机组及储能出力约束、常规机组爬坡约束、常规机组及储能二次调频备用容量约束、常规机组启停成本约束和储能SOC约束。

具体地，功率平衡约束的表达式为：

；

式中，

常规机组及储能出力约束的表达式为：

；

式中，

常规机组爬坡约束的表达式为：

；

式中，

常规机组及储能二次调频备用容量约束的表达式为：

；

式中，

常规机组启停成本约束的表达式为：

；

式中，

储能SOC约束的表达式为：

；

式中，

步骤S2：在约束条件下，建立常规机组与储能电站的联合优化模型，联合优化模型包括内层优化模型和外层优化模型，内层优化模型以常规机组与储能电站的运行成本最小为目标，外层优化模型以常规机组与储能电站的投资成本最小为目标，投资成本包括运行成本和建设成本。

具体地，建立常规机组与储能电站内层优化模型，旨在最大限度地降低发电、调峰和调频的总成本，对储能与常规机组进行调度。并在MATLAB平台上运用YALMIP+CPLEX对该问题进行求解。步骤S2中运行成本

；

；

；

；

；

；

；

；

上式中，

外层优化模型考虑储能初期建造成本，旨在最大化储能经济性，投资成本的表达式为：

；

；

上式中，

步骤S3：对内层优化模型进行求解，得到最优运行成本，将最优运行成本代入外层优化模型，并采用粒子群算法对外层优化模型求解，得到优化储能配置容量。

具体地，粒子群算法将储能的功率容量与能量容量作为粒子的位置，将储能的功率容量与能量容量的变化值作为粒子的速度，包括以下步骤：

步骤S31：初始化粒子群算法的迭代次数、各粒子的初始位置和速度；

步骤S32：根据各粒子的位置和速度计算各粒子的投资成本；

步骤S33：对每个粒子，将当前投资成本与历史最优投资成本进行比较，取投资成本较小的作为最优投资成本，将各粒子的最优投资成本进行比较，取投资成本最小的作为全局最优投资成本；

步骤S34：判断当前迭代次数是否达到设定迭代次数，当当前迭代次数小于设定迭代次数时，进入步骤S35，否则输出全局最优投资成本对应的粒子的位置作为最优储能配置容量；

步骤S35：更新各粒子的速度和位置后，进入步骤S32，对各粒子的速度和位置进行更新的表达式为：

；

式中，

步骤S4：设置固定迭代次数，当当前迭代次数小于固定迭代次数时，将外层优化模型的求解结果反馈至内层优化模型，对储能配置容量进行更新，直到当前迭代次数等于固定迭代次数，得到最优储能配置容量。

步骤S5：根据最优储能配置容量计算区域电网惯性常数的标准差，当标准差最小时，得到构网型储能电站的最优配置位置。

具体地，将步骤S4得到的储能配置能量容量和功率容量带入至步骤S5中，并根据区域电网计算惯量配置构网型储能电站的位置，包括以下步骤：

步骤S51：配置构网型储能电站的惯性常数

；

式中，

步骤S52：计算区域电网节点的惯量

；

式中，

步骤S53：以区域电网惯性常数的标准差

；

式中，

本发明还包括一种构网型储能电站定容选址优化配置系统，适用于上述的一种构网型储能电站定容选址优化配置方法，包括建模模块、求解模块和优化模块。

建模模块用于建立常规机组与储能电站联合优化模型，联合优化模型包括内层优化模型和外层优化模型，内层优化模型以常规机组与储能电站的运行成本最小为目标，外层优化模型以常规机组与储能电站的投资成本最小为目标。

求解模块用于求解常规机组与储能电站联合优化模型。

优化模块将联合优化模型的求解结果用于优化构网型储能电站的容量和位置。

基于上述一种构网型储能电站定容选址优化配置方法，以某构网型储能电站的数据为例，对本发明做详细说明。如图2所示，为本发明实施例中含虚拟惯量控制的构网型储能电站并网图，包括输入信号、虚拟惯量控制系统、储能电站与并网变流器和外部电网，其中输入信号为调峰或二次调频储能出力。

根据该储能电站的数据生成调峰时间尺度与二次调频时间尺度下的典型场景，包括以下步骤：

1）设定迭代自组织算法、分位数回归算法和高斯混合模型聚类算法的参数；导入系统运行数据，包括全年15分钟为采样点的预测与实际净负荷，此外还有储能电站和火电机组调度相关运行参数及成本系数。

2）采用改进迭代自组织聚类算法生成调峰时间尺度下的净负荷典型场景，采用分位数回归和高斯混合模型聚类算法生成调频时间尺度下的净负荷典型场景。

改进迭代自组织聚类算法使原始净负荷数据映射到合适的高维空间，在这个空间中，净负荷曲线将更容易分离和结构化，更进一步，采用核函数可实现在不计算映射函数的前提下直接计算高维空间内积，如下式所示：

；

其中，

因此，两个样本之间的高维空间中的距离

；

利用该方法计算两个样本在高维空间中的距离d(

采用分位数回归和高斯混合模型聚类算法生成调频时间尺度下的净负荷典型场景的详细过程如下：假设实际功率和预测净负荷之间存在以下线性拟合关系，如下式所示：

；

其中，

分位数越接近0.5其对应的净负荷不确定性越低，于是可以通过不同分位数回归曲线对净负荷的不确定性进行描述。本发明实施例中采用插值法，将全年预测净负荷与实际净负荷用分位数矩阵

其中，

如图3所示为本发明实施例的调峰与二次调频典型场景图，基于以上场景，通过所建立的双层优化模型对储能容量进行求解，本发明实施例的构网型储能电站容量优化的迭代过程如图4所示，最终配置储能的能量容量为464.5MW·h，功率容量为370.2MW。如图5所示，1至31为本发明实施例的含虚拟同步控制构网型储能电站的配置节点，计算储能配置在各个节点下的惯量均匀性指标如图6所示，可知最终配置节点为31，惯量均匀性指标为0.485s。

本发明还提供了一种电子设备，包括：存储器、处理器和计算机程序，计算机程序存储在存储器中，并被配置为由处理器执行以实现上述的一种构网型储能电站定容选址优化配置方法。

本发明另外提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行以实现上述的一种构网型储能电站定容选址优化配置方法。

本发明首先通过改进迭代自组织算法、分位数回归与高斯混合模型聚类生成储能配置的典型场景，其表征了净负荷的波动性与随机性。其次，建立常规机组与储能联合优化运行模型，以其运行成本与储能初期建设成本之和最小为目标采用粒子算法进行综合求解出储能配置容量。最后，提出一种衡量区域电网惯量均匀性的方法并通过含虚拟同步控制的构网型储能对其进行优化，最终确定构网型储能电站的配置位置。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，仅表达了本发明的较佳实施例而已，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。