一种平衡新能源系统发用电的风光储容量配置方法及装置与流程

本发明涉及新能源容量测算领域，尤其涉及一种平衡新能源系统发用电的风光储容量配置方法及装置。

背景技术：

1、随着绿色能源的发展的，向新能源转型的需求愈发迫切，新能源的重要程度再次得到提升。在众多的新能源中，风力发电和光伏发电无疑是当前发展最为迅速，也是未来最有前途的。据统计，现今新增发电设备容量中的风光发电设备数量，相比十年前增长了近五倍的数量。随着新能源系统中，风光发电量的增加，风光消纳能力的有限，其发用电越来越容易受到火电市场价格波动的影响，从而导致的弃风弃光现象也愈发严重，造成自然资源的浪费。

2、而储能单元对于风光资源不足或过剩时，充当了重要的电力调度角色，通过合理配置风光储项目容量配比的，有助于提升整体新能源系统的稳定性和可靠性。因此，如何通过合理设置风光储的配置容量，解决风光火发电的电力调度问题，成为了当前现有技术仍然未能解决的技术问题。

技术实现思路

1、本发明提供了一种平衡新能源系统发用电的风光储容量配置方法、装置、设备及介质，以如何通过优化储能配置，解决新能源系统中风光火发电平衡的技术问题，从而提高风光消纳能力的同时，降低火电发电资源的浪费，并提高新能源系统的稳定性以及可靠性。

2、为了解决上述技术问题，第一方面，本发明实施例提供了一种平衡新能源系统发用电的风光储容量配置方法，包括：

3、获取新能源系统的历史风光发电数据以及风光预计装机量，并将所述历史风光发电数据以及风光预计装机量输入至预设的风光出力预测模型，计算风光预测发电功率；

4、获取碳电市场的碳电交易数据，并通过所述碳电市场的碳电交易数据结合预设的火电机组利润公式，计算火电最优利润出力；

5、结合所述风光预测发电功率以及所述火电最优利润出力，以最大化风光消纳率为目标，构建风光消纳优化数学模型；并求解所述风光消纳优化数学模型，获取最优风光装机量配置系数以及最优储能单元运行功率；

6、根据所述最优风光装机量配置系数以及最优储能单元运行功率，计算风光储容量，并根据计算结果配置所述新能源系统的风光储容量。

7、相比现有技术，上述方案具有以下有益效果：通过在总体的风光消纳优化数学模型中，计算并引入火电机组最优利润下的出力，同时将历史风光发电数据以及预计的风光装机量输入风光出力预测模型，以此计算并引入不同风光装机量下的风光出力情况，从而能够得到风光火三者发电平衡情况下的最优风光储配置信息，不仅提高了风光储容量配置计算的求解效率，还提高了新能源系统中可再生能源于不可再生能源的平衡，进一步提高了新能源系统的稳定性和可靠性。

8、在第一方面的一个实施例，所述结合所述风光预测发电功率以及所述火电最优利润出力，以最大化风光消纳率为目标，构建风光消纳优化数学模型，包括：

9、以储能单元运行功率为变量，结合所述风光预测发电功率以及火电最优利润出力，建立最大化风光消纳率的优化目标函数；

10、根据电网功率供需约束、储能最小利用率约束、储能系统运行约束以及储能系统荷电状态约束，建立约束条件；

11、根据所述优化目标函数以及所述约束条件，构建风光消纳优化模型。

12、相比现有技术，上述实施例具有以下有益效果：通过引入风光预测发电功率以及火电最优利润出力，以储能单元运行功率为直接待优化变量，建立数学模型，由于风光预测发电功率的获取需要风光预计装机量，因此相当于同时引入了风光预计装机量为待优化变量，通过该模型可以一次获取最优的风光储容量配置信息，在平衡风光火发电的同时，最大化风光消纳能力，以及最小化火电资源的浪费。

13、在第一方面的一个实施例，所述优化目标函数，包括：

14、所述优化目标函数，具体为：

15、

16、其中，χ为风光消纳率；pload为用户用电负荷功率；psb为储能单元运行功率，正为充电状态，负为放电状态；ptp火电站发电功率；pw,for为风力预测发电功率；pg,for为光伏预测发电功率。

17、相比现有技术，上述实施例具有以下有益效果：通过用户用电负荷功率和储能运行功率的总和减去火电站的发电功率，得到实际风光发电的使用量，再结合风光的预测发电量，获得准确的风光消纳率，同时将风光储的装机变量同时引入至风光消纳率的评估中，因此，最终得到风光储配置方案可以在当最大化风光消纳率的同时，平衡风光火发用电。

18、在第一方面的一个实施例，所述约束条件的构建步骤，包括：

19、所述电网功率供需约束，具体为：

20、pw,for+pg,for+ptp-psb≥pload

21、其中，pload为用户用电负荷功率；psb为储能单元运行功率，正为充电状态，负为放电状态；ptp火电站发电功率；pw,for为风力预测发电功率；pg,for为光伏预测发电功率；

22、所述储能最小利用率约束，具体为：

23、eaf≥ε

24、其中，eaf为储能电站等效利用系数；ε为储能电站最小等效利用系数；

25、所述储能系统运行约束，具体为：

26、-pbat,i<psb,i(t)<pbat,i

27、其中，pbat,i为第i个储能单元最大运行功率；psb,i(t)为t时刻，第i个储能单元的运行功率；

28、所述储能系统荷电状态约束，具体为：

29、socmin<socsb(t)<socmax

30、其中，socmin以及socmax分别为储能最大、最小荷电状态；socsb(t)为储能在t时刻的荷电状态。

31、相比现有技术，上述实施例具有以下有益效果：通过建立电网功率供需约束，保证最终获得的风光储配置方案，可以使得风光消纳率不会超过1，即用户的需电量大于发电量；通过建立储能利用率约束，保证储能的利用效率；通过建立储能的运行约束，保证储能系统的安全性。

32、在第一方面的一个实施例，所述将所述历史风光发电数据以及风光预计装机量输入至预设的风光出力预测模型，计算风光预测发电功率，包括：

33、根据所述历史风光发电数据，筛选出预设数量的风光资源区域，并计算各所述风光资源区域的最大风光装机容量；

34、引入风光装机量配置系数变量，并结合所述最大风光装机容量，计算所述风光预计装机量；

35、以所述历史风光发电数据以及所述风光预计装机量为输入，通过预设风光出力预测模型，获取所述风光预测发电功率。

36、相比现有技术，上述实施例具有以下有益效果：根据历史风光发电数据，计算每个风光资源区的最大装机量，并引入相关系数变量，以此搭建风光出力预测模型，相当于将模型作为风光装机量变量的中间媒介与后续的数学优化模型连接，使得可以通过优化算法同时优化风光装机量变量和储能容量变量，提高了优化效率。

37、在第一方面的一个实施例，所述通过所述碳电市场的碳电交易数据结合预设的火电机组利润公式，计算火电最优利润出力，包括：

38、基于极值法，对所述火电机组利润公式中的电机组出力变量求导，使得机组生成边际成本等于现货电价，获取所述火电最优利润出力。

39、相比现有技术，上述实施例具有以下有益效果：通过预设的包含电机组出力变量的火电机组利润公式，通过极值法进行求导便可以得到最优的电机出力，最大程度降低因火电资源浪费造成的成本升高问题，同时简单的求导操作，提高了计算效率。

40、在第一方面的一个实施例，所述火电机组利润公式，具体包括：

41、

42、其中，ctp,t为碳电市场环境下火电机组在t时段的利润；λe,t为t时段的现货电价；ptp,t为火电机组在t时段的出力；a、b、c分别为火电机组出力成本系数；qex,t为碳配额交易量；λc,t为t时段碳交易市场的碳价，其中，λe,t＝2aptp,t+b+λc,tq，q为机组的碳排放强度基准值。

43、相比现有技术，上述实施例具有以下有益效果：根据火电机组的出力成本以及火电交易市场的交易数据，构建以火电机组出力为变量的利润计算公式，当出力过大，此时由于造成火力资源的浪费，提高了火电发电成本，因此降低了利润，综上可以看出，通过该公式可以得到合适的火力发电量。

44、在第一方面的一个实施例，所述风光出力预测模块包括：风力发电功率预测模型以及光伏发电功率预测模型；

45、其中，所述风力发电功率预测模型以风速、气温、风向以及实际风机装机容量为训练数据，训练获得；

46、所述光伏发电功率预测模型以气压、湿度、辐射以及光伏装机容量为训练数据，训练获得。

47、相比现有技术，上述实施例具有以下有益效果：分别根据影响风光发电量的历史发电数据，训练预测模型，以此提高预测不同风光装机量下的风电发力的准确性。

48、第二方面，本发明实施例还提供了一种平衡新能源系统发用电的风光储容量配置装置，所述风光储容量配置装置，包括：风光出力预测模块、火电最优利润出力计算模块、风光消纳优化模型求解模块以及风光储容量配置模块；

49、其中，所述风光出力预测模块，用于获取新能源系统的历史风光发电数据以及风光预计装机量，并将所述历史风光发电数据以及风光预计装机量输入至预设的风光出力预测模型，计算风光预测发电功率；

50、所述火电最优利润出力计算模块，用于获取碳电市场的碳电交易数据，并通过所述碳电市场的碳电交易数据结合预设的火电机组利润公式，计算火电最优利润出力；

51、所述风光消纳优化模型求解模块，用于结合所述风光预测发电功率以及所述火电最优利润出力，以最大化风光消纳率为目标，构建风光消纳优化数学模型；并求解所述风光消纳优化数学模型，获取最优风光装机量配置系数以及最优储能单元运行功率；

52、所述风光储容量配置模块，用于根据所述最优风光装机量配置系数以及最优储能单元运行功率，进行风光储容量计算，并根据计算结果配置所述新能源系统的风光储容量。

53、在第二方面的一个实施例，所述风光消纳优化模型求解模块，还包括：目标函数构建单元、约束条件构建单元以及模型构建单元；

54、其中，所述目标函数构建单元，用于以储能单元运行功率为变量，结合所述风光预测发电功率以及火电最优利润出力，建立最大化风光消纳率的优化目标函数；

55、所述约束条件构建单元，用于根据电网功率供需约束、储能最小利用率约束、储能系统运行约束以及储能系统荷电状态约束，建立约束条件；

56、所述模型构建单元，用于根据所述优化目标函数以及所述约束条件，构建风光消纳优化模型。

57、在第二方面的一个实施例，所述目标函数构建单元，用于构建优化目标函数，包括：

58、所述优化目标函数，具体为：

59、

60、其中，χ为风光消纳率；pload为用户用电负荷功率；psb为储能单元运行功率，正为充电状态，负为放电状态；ptp火电站发电功率；pw,for为风力预测发电功率；pg,for为光伏预测发电功率。

61、在第二方面的一个实施例，所述约束条件构建单元，包括：电网功率供需约束构建子单元、储能最小利用率约束构建子单元、储能系统运行约束构建子单元以及储能系统荷电状态约束构建子单元；

62、其中，所述电网功率供需约束构建子单元，用于构建电网功率供需约束，具体为：

63、pw,for+pg,for+ptp-psb≥pload

64、其中，pload为用户用电负荷功率；psb为储能单元运行功率，正为充电状态，负为放电状态；ptp火电站发电功率；pw,for为风力预测发电功率；pg,for为光伏预测发电功率；

65、所述储能最小利用率约束构建子单元，用于构建储能最小利用率约束，具体为：

66、eaf≥ε

67、其中，eaf为储能电站等效利用系数；ε为储能电站最小等效利用系数；

68、所述储能系统运行约束构建子单元，用于构建储能系统运行约束，具体为：

69、-pbat,i<psb,i(t)<pbat,i

70、其中，pbat,i为第i个储能单元最大运行功率；psb,i(t)为t时刻，第i个储能单元的运行功率；

71、所述储能系统荷电状态约束构建子单元，用于构建储能系统荷电状态约束，具体为：

72、socmin<socsb(t)<socmax

73、其中，socmin以及socmax分别为储能最大、最小荷电状态；socsb(t)为储能在t时刻的荷电状态。

74、在第二方面的一个实施例，所述风光出力预测模块，包括：最大风光装机容量计算单元、实际装机容量计算单元以及风光出力预测模型调用单元；

75、其中，所述最大风光装机容量计算单元，用于根据所述历史风光发电数据，筛选出预设数量的风光资源区域，并计算各所述风光资源区域的最大风光装机容量；

76、所述实际装机容量计算单元，用于引入风光装机量配置系数变量，并结合所述最大风光装机容量，计算风光预计装机量；

77、所述风光出力预测模型调用单元，用于以所述历史风光发电数据以及所述风光预计装机量为输入，通过预设风光出力预测模型，获取所述风光预测发电功率。

78、在第二方面的一个实施例，所述火电最优利润出力计算模块，用于通过所述碳电市场的碳电交易数据结合预设的火电机组利润公式，计算火电最优利润出力，包括：

79、基于极值法，对所述火电机组利润公式中的电机组出力变量求导，使得机组生成边际成本等于现货电价，获取所述火电最优利润出力。

80、在第二方面的一个实施例，所述火电机组利润公式，具体包括：

81、

82、其中，ctp,t为碳电市场环境下火电机组在t时段的利润；λe,t为t时段的现货电价；ptp,t为火电机组在t时段的出力；a、b、c分别为火电机组出力成本系数；qex,t为碳配额交易量；λc,t为t时段碳交易市场的碳价，其中，λe,t＝2aptp,t+b+λc,tq，q为机组的碳排放强度基准值。

83、在第二方面的一个实施例，所述风光出力预测模型包括：风力发电功率预测模型以及光伏发电功率预测模型；

84、其中，所述风力发电功率预测模型以风速、气温、风向以及实际风机装机容量为训练数据，训练获得；

85、所述光伏发电功率预测模型以气压、湿度、辐射以及光伏装机容量为训练数据，训练获得。