【技術實現步驟摘要】
本專利技術屬于電力系統模型聚合方法研究，具體地，涉及一種考慮多元集群儲能動態可重構模型的優化方法。
技術介紹
1、儲能資源的規?；c多元化發展為電力系統的靈活性運行與風光波動平抑提供了更多的技術手段。儲能的多元出力特征在不同時段下具有互補特點，不同地區下儲能資源由于電氣距離限制尚未得到充分利用，同時由于聚合商對儲能資源的整合，各地區對儲能資源的跨時空利用只能依靠省域層面的分析進行全局處理。
2、因此，如何實現對省域層面儲能資源的跨時空利用，在突破模型聚合壁壘過程中兼顧對各類型資源匹配，亟需建立一套可有效針對分散儲能的模型匹配與聚合方法。
技術實現思路
1、本專利技術所要解決的技術問題是提供一種考慮多元集群儲能動態可重構模型的優化方法，通過對儲能資源的跨時空特性分析與各類型資源匹配評估，為系統的資源優化與模型基礎。
2、為解決上述技術問題，本專利技術所采用的技術方案是：一種考慮多元集群儲能動態可重構模型的優化方法，包括以下步驟：
3、s1、根據各地區風電與光伏的歷史出力數據，基于改進條件生成對抗網絡生成省域各地區風電與光伏的時序出力場景，利用同步回代縮減方法削減獲得各地區的典型風光出力場景，考慮省域各地區的可控資源與負荷預測數據，使用牛頓-拉夫遜法進行潮流模擬計算，綜合獲得系統中各節點的凈負荷波動曲線；
4、s2、對各地區的凈負荷波動曲線進行變分模態分解處理，根據各頻段曲線的波動程度，分別針對儲能的功率型與容量型種類進行時序與空間的匹配
5、s3、使用閔可夫斯基求和獲得各時空下集群儲能的聚合模型，考慮最小經濟成本下對各地區凈負荷波動的平抑效果最小為優化目標；
6、s4、對獲得的集群儲能群內部的各儲能出力進行出力分析，對集群劃分結果進行再調整與聚合，并將獲得的模型再次進行優化計算，直至各集群儲能對各地區的凈負荷平抑效果達到均衡，最終確定省域層面各待利用儲能與對應地區的匹配程度。
7、優選的方案中，所述步驟s1中，基于改進條件生成對抗網絡對風光歷史數據進行訓練，進而完成對風電與光伏出力場景的生成，改進條件生成網絡由生成器與判別器構成，對判別器內部的卷積層后加入一層梯度下降層，用于鼓勵生成器生成更加多樣化的樣本，具體公式為：
8、(1)；
9、式中， x與 y分別表示輸入判別器d的樣本 x與判別器內部條件 y，表示表示判別器的神經網絡輸出，表示內部的激活函數，是通過minibatch?discrimination層計算出的特征，該層可以將整個小批量的數據進行處理，生成一個與當前樣本 x有關的額外信息。
10、優選的方案中，所述步驟s1中，使用同步回代縮減方法對生成的風光場景進行削減：首先將生成場景的數據作為初始場景，循環迭代，每次剔除一個距離最近的場景，定義kantorovich距離作為距離指標，表達式為：
11、(2)
12、式中，表示場景集合與場景集合之間的距離，指標表示場景集合內各場景之間的距離之和最??； n表示集合內的場景數量，與分別表示場景集合與內部的具體場景；與表示分別與的場景發生概率；表示與場景的歐氏距離。
13、優選的方案中，所述步驟s2中，使用變分模態分解對各地區節點的凈負荷波動進行頻段分解，通過最小化以下變分問題展開：
14、(3)；
15、式中， k表示被分解后模態的數量，每個模態對應一個中心頻率，表示對時間 t的導數，為狄拉克函數， j表示虛數單位，表示將模態移動到基帶的復指數函數，表示待分解的模態分量。
16、優選的方案中，所述步驟s2中，通過對各地區的多元儲能進行功率型和容量型的類型劃分，以公式(4)與(5)作為評估功率型和容量型的指標，使用層次分析法與熵權法結合，形成主客觀層次分析法得到綜合評估結果，接著利用k-means算法對評估結果進行聚合，得到各儲能實現初步集群劃分確定待分解的模態數量；
17、不同的頻段與對應類型的儲能出力進行對應，凈負荷幅值較大的頻段對應功率型儲能，幅值較小但對波動性較強的頻段對應功率型儲能；
18、從功率支撐與持續時間兩方面衡量儲能與凈負荷曲線的匹配程度，表達式如下：
19、(4)；
20、(5)；
21、式中，表示各節點的凈負荷最大值；表示儲能的充放電最大值；與分別表示凈負荷在峰、谷狀態下的時刻值，表示儲能的最大可用容量，與表示對應儲能的放電與充電效率，與分別表示各節點儲能對對應凈負荷的功率支撐能力與充放電對應狀態下的相對可持續工作時間。
22、優選的方案中，所述步驟s3中，優化目標為系統儲能整體的經濟運行成本最小下實現電量波動的最大平抑，目標函數為：
23、(5)；
24、式中，與分別表示儲能 s在 t時刻的充、放電功率； f(·)表示優化目標函數；由系統凈負荷曲線與儲能出力成本兩部分影響因素構成，凈負荷曲線表示儲能整體的出力效果、儲能出力成本表示考慮儲能系統的整體運行成本最小；表示儲能運行成本最小的子函數，以與儲能充放電出力為自變量。
25、優選的方案中，所述步驟s4中，通過模擬優化，根據集群內部各儲能對當地凈負荷波動的平抑效果，確定需要待重新劃分與聚合的儲能單體，并重復執行步驟s3，以納什均衡為原則進行迭代：以系統各節點下儲能作為參與者，以系統各地區凈負荷波動整體最小為納什均衡點，以不同儲能之間的劃分結果作為策略集，通過循環步驟s3過程，對每次儲能集群劃分進行調整，直至所有的儲能出力狀態均近似一致，達到系統納什均衡。
26、本專利技術提供的一種考慮多元集群儲能動態可重構模型的優化方法，具有以下有益效果：
27、1、本專利技術的步驟s1中，相較于傳統的各種風光場景生成的應用，本方法同時結合了系統的潮流模擬計算，基于對各地區節點的精細化分析，使用同步回代縮減方法對各節點出力場景進行削減，為后期儲能的跨時空互補分析建立數據分析基礎。
28、2、本專利技術的步驟s2中，使用變分模態分解對各地區的凈負荷曲線進行分解，相較于傳統對資源的時間互補分析評價，對儲能在各時段出力對本地區、相鄰地區的電氣影響，即空間互補能力同樣進行了分析，突破了聚合商僅能對本地區資源整合后聚合模型對內部資源利用不充分的限制。
29、3、本專利技術的步驟s3中，建立了兼顧儲能運行成本與運行效果本文檔來自技高網...
【技術保護點】
1.一種考慮多元集群儲能動態可重構模型的優化方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種考慮多元集群儲能動態可重構模型的優化方法，其特征在于，所述步驟S1中，基于改進條件生成對抗網絡對風光歷史數據進行訓練，進而完成對風電與光伏出力場景的生成，條件生成對抗網絡由生成器與判別器構成，對判別器內部的卷積層后加入一層梯度下降層，用于鼓勵生成器生成更加多樣化的樣本，具體公式為：
3.根據權利要求1所述的一種考慮多元集群儲能動態可重構模型的優化方法，其特征在于，所述步驟S1中，使用同步回代縮減方法對生成的風光場景進行削減：首先將生成場景的數據作為初始場景，循環迭代，每次剔除一個距離最近的場景，定義Kantorovich距離作為距離指標，表達式為：
4.根據權利要求1所述的一種考慮多元集群儲能動態可重構模型的優化方法，其特征在于，所述步驟S2中，使用變分模態分解對各地區節點的凈負荷波動進行頻段分解，通過最小化以下變分問題展開：
5.根據權利要求1所述的一種考慮多元集群儲能動態可重構模型的優化方法，其特征在于，所述步驟S2中，通過
6.根據權利要求1所述的一種考慮多元集群儲能動態可重構模型的優化方法，其特征在于，所述步驟S3中，優化目標為系統儲能整體的經濟運行成本最小下實現電量波動的最大平抑，目標函數為：
7.根據權利要求1所述的一種考慮多元集群儲能動態可重構模型的優化方法，其特征在于，所述步驟S4中，通過模擬優化，根據集群內部各儲能對當地凈負荷波動的平抑效果，確定需要待重新劃分與聚合的儲能單體，并重復執行步驟S3，以納什均衡為原則進行迭代：以系統各節點下儲能作為參與者，以系統各地區凈負荷波動整體最小為納什均衡點，以不同儲能之間的劃分結果作為策略集，通過循環步驟S3過程，對每次儲能集群劃分進行調整，直至所有的儲能出力狀態均近似一致，達到系統納什均衡。
...【技術特征摘要】
1.一種考慮多元集群儲能動態可重構模型的優化方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種考慮多元集群儲能動態可重構模型的優化方法，其特征在于，所述步驟s1中，基于改進條件生成對抗網絡對風光歷史數據進行訓練，進而完成對風電與光伏出力場景的生成，條件生成對抗網絡由生成器與判別器構成，對判別器內部的卷積層后加入一層梯度下降層，用于鼓勵生成器生成更加多樣化的樣本，具體公式為：
3.根據權利要求1所述的一種考慮多元集群儲能動態可重構模型的優化方法，其特征在于，所述步驟s1中，使用同步回代縮減方法對生成的風光場景進行削減：首先將生成場景的數據作為初始場景，循環迭代，每次剔除一個距離最近的場景，定義kantorovich距離作為距離指標，表達式為：
4.根據權利要求1所述的一種考慮多元集群儲能動態可重構模型的優化方法，其特征在于，所述步驟s2中，使用變分模態分解對各地區節點的凈負荷波動進行頻段分解，通過最小化以下變分問題展開：
5.根據權利要求1所述的一種考慮多元集群儲能動態可重構模型的優...
【專利技術屬性】
技術研發人員：李藝瀑，薛田良，張磊，宋鐸洋，林沁庭，
申請(專利權)人：三峽大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。