储能电站如何提高风电消纳能力

ACRELKY

于 2024-09-29 09:00:24 发布

阅读量477

点赞数 7

文章标签：大数据人工智能

本文链接：https://blog.csdn.net/ACRELKY/article/details/142626458

版权

随着全球气候变化和能源危机的日益严峻，可再生能源的开发和利用成为世界各国的共同选择，其中风能作为清洁能源的代表，其开发利用受到了广泛关注。然而，风能的间歇性和不稳定性给电网的稳定运行和风电的大规模消纳带来了挑战。

1储能电站提高风电消纳能力工作机理

基于储能电站提高风电消纳能力的电源规划研究，关注的是如何通过储能系统提高风电的利用效率和稳定性。风能作为一种可再生能源，虽然环保，但存在一定的不稳定性，特别是风速的变化导致发电量波动。为了解决这一问题，储能电站的作用显得尤为重要。储能电站通过存储风能在风速较高时多出的电力，解决了风电供应不稳定的问题。当风速减弱，风力发电量减少时，储能电站可以释放之前储存的电力，保证电网的稳定供电。

2模型求解的流程

图1展示的是一个基于遗传算法的电源规划模型求解流程，遗传算法是一种启发式搜索算法，用于解决优化和搜索问题。该流程图详细描述了电源规划模型的各个步骤，从初始化种群到解决方案输出。

流程从“开始”标记出发，首行的是“种群初始化”。在这个阶段，创建了一个种群，包含多个个体，每个个体代表电源规划问题的一个潜在解决方案。种群的每个个体都有一个与之相关的适应度值，该值指示该个体解决问题的能力。接下来，流程进入“计算个体适应度”的步骤，基于现有的系统数据和参数约束，计算每个个体的适应度值。适应度值越高的个体，被认为是更好的解决方案。之后，流程图指向一个判定环节：“满足条件”，这个环节检查当前种群是否已经达到了既定的停止条件，这些条件可能是解决方案的精度满足预定的要求，或者算法已经达到了预设的迭代次数。

在“选择”阶段，根据个体的适应度进行选择，适应度较高的个体有更高的机会被选中参与下一代的生成，这个过程模仿了自然选择，即适者生存的原则。“交叉”是指选定的个体通过某种方式交换它们的一部分基因，生成新的个体，这个过程对应于生物学中的繁殖和遗传，有助于产生新的解决方案。

2.1解码与编码

在应用遗传算法进行电源规划问题求解时，染色体编码的设计至关重要。染色体编码是算法能否成功应用于电源规划的决定性因素。一个有效的编码满足3个基本原则：完备性、健全性和小冗余性。完备性确保编码可以覆盖所有可能的解决方案，健全性保证每个编码都能够对应一个有效的解决方案，而小冗余性则意味着编码系统尽可能简洁，以降低无效解的出现。

2.2适应度函数的选择

在遗传算法中，适应度函数是决定个体存续的关键，它衡量了个体在特定环境中的生存能力。高适应度的个体有大的概率传递其基因到下一代，而适应度低的个体则可能被淘汰。为了有效地引导算法搜索过程，并确保解决方案的质量，本文采用了一种惩罚策略来增强个体的适应度。这种策略通过对目标函数添加惩罚项来调整适应值函数，使其能够反映约束条件的满足程度。在构建小化国民经济投入的目标函数时，电力和电量的约束被作为惩罚项考虑在内。这样做的目的是确保在追求成本效益的同时，也要满足电网的基本运行要求。类似地，当目标是大化风电消纳能力时，电压和频率约束则成为惩罚项。此时的目标函数为：

这意味着解决方案不仅要追求风电的利用，而且要保证电网的稳定性和可靠性。目标函数的设计反映了这种平衡的追求。在适应度函数中，电网的稳定运行参数被赋予了权重，这样可以在种群进化的过程中自然淘汰那些可能导致电网不稳定的解决方案。

2.3遗传参数的选择

经过多轮的试验和调整，确定了适合本文遗传算法模型的关键参数。设定了一个由150个个体组成的种群，以确保有足够的多样性来探索解空间。选择率设置为0.65，以平衡精英主义和多样性的保持。此外，采用了0.78的较高交叉率来鼓励信息在个体间的广泛交换，而变异率则定为0.05，以引入新的基因变异但又不至于破坏已经适应的结构。使用0.68作为随机数种子，以保持实验的一致性和可重复性。这些参数的设置旨在优化算法的搜索能力，同时保持算法的鲁棒性和避免过早收敛到局部优解。

3算例仿真

3.1规划内容

采用了一个虚拟的电网环境，对特定地区的电力系统进行了未来7年内的规划，其中涉及12个预期建立的电源。电力总负荷及总用电量逐年增长情况如表1所示。特别地，编号为9～12的电源是规划中的储能电站，它们的容量取决于当地的风能资源利用情况，因此无法在规划开始前准确设定。储能电站的容量将依据规划过程中的具体情况动态确定，每个电站由若干储能单元组成，具体的技术参数如表2所示。这种规划方法允许在考虑风能资源的同时，灵活调整储能电站的规模，以适应实际需求。

3.2不同规划方案的结果及对规划结果的分析

本文提出的算法与模型应用于对一个区域的电力系统实施了为期7年的电源规划，产生了3种不同的规划方案。在方案1中，直接采用了本文描述的算法和模型。方案2则在模型的基础上做了调整，允许风电场的输出功率有一定幅度的波动。方案3排除了储能电站的参与，除此之外，与方案1保持一致。这些方案的比较分析旨在评估储能电站的影响以，及风电输出波动对区域电力系统规划的影响。优化方案结果如表3所示。

根据表3的数据，可以观察到以下现象：①不同的投资选择导致各电厂启用的顺序有所变化。这主要是由于选址的地理位置、当地环境条件及电厂类型的不同考量，进而影响了投资总额。②通过比较不同的投资模型，可以看出总投资成本和电网对风电的吸纳能力呈现显著差异。在方案1和方案3的对比中，方案1由于纳入了储能电站，多出的投资为109.6亿元，但其风电消纳能力显著优于方案3。这表明储能电站的引入显著提升了电网的风电消纳效率，并降低了库存与缺货成本，增强了市场竞争力。然而，储能设备的高成本也使得经济投入相应增加。③在方案2和方案1的对比中，尽管风电消纳能力相近，国民经济总投入却降低了31.4亿元。这是因为方案2在不牺牲电力系统可靠性的前提下，允许风电场输出功率有更大的波动，减少了所需储能电站的容量。由于储能系统成本随容量增加而上升，因此总投入相应减少。综合分析可知，本文模型有效展现了储能电站在增强风电消纳能力上的优势。同时，也实现了在风电波动范围内的可靠性和经济性之间的平衡，符合当前国际对环境保护、可持续发展、电能可靠性及市场竞争力新形势的需求。

4安科瑞Acrel-2000MG微电网能量管理系统

4.1概述

Acrel-2000MG储能能量管理系统是安科瑞专门针对工商业储能电站研制的本地化能量管理系统，可实现了储能电站的数据采集、数据处理、数据存储、数据查询与分析、可视化监控、报警管理、统计报表、策略管理、历史曲线等功能。其中策略管理，支持多种控制策略选择，包含计划曲线、削峰填谷、需量控制、防逆流等。该系统不仅可以实现下级各储能单元的统一监控和管理，还可以实现与上级调度系统和云平台的数据通讯与交互，既能接受上级调度指令，又可以满足远程监控与运维，确保储能系统安全、稳定、可靠、经济运行。

4.2应用场景

适用于工商业储能电站、新能源配储电站。

4.3系统结构