一种基于动态规划算法的光伏场站侧电化学储能充放电计划制定方法

摘要

一种基于动态规划算法的光伏场站侧电化学储能充放电计划制定方法，涉及平滑光伏发电技术领域。提供了一种减少光伏发电波动对电网的影响，提高储能资源利用率的方法。通过获取日前光伏发电预测功率和光伏场站侧电化学储能的基本信息，采用动态规划方法根据以上信息建立光伏场站侧电化学储能充放电计划的数学模型，以最小化光伏发电曲线方差为目标确定目标函数，以此计算出光伏站场侧电化学储能充放电功率的最优解。该方法通过改变光伏站场侧电化学储能充放电功率的方式，减少光伏发电曲线波动对电网的影响，提高储能资源利用率，有利于维护电网安全稳定和光伏电站经济运营。

说明书

技术领域

本发明涉及电网调峰和光伏发电技术领域，尤其涉及一种基于动态规划算法的光伏场站侧电化学储能充放电计划制定方法。

背景技术

光伏发电受太阳辐照度、环境温湿度、通风条件等因素的影响，具有随机性、波动性和间歇性的特点。大规模光伏系统并网会对电网的稳定性和安全性造成冲击。为了减少光伏发电波动对电网的影响，提高储能资源利用率，需要对光伏发电进行合理预测和调度。对光伏发电功率进行预测可作为电网调度的参考，有利于维护电网安全稳定和光伏电站经济运营。

同时，储能电源具有响应速度快、控制精度高的优点，能够在很大程度上改善光伏发电的波动。因此，在合理预测光伏发电功率的基础上，利用电化学储能在光伏发电波动性大时充电或放电，达到平滑光伏发电曲线的效果。利用电化学储能平滑光伏发电功率有利于维护光伏发电的稳定，提高储能设备利用率。

发明内容

本发明专利目的是针对上述背景技术的不足，提供了一种基于动态规划算法的光伏场站侧电化学储能充放电计划制定方法。

本发明为实现上述发明目的采用如下技术方案：

获取日前光伏发电预测功率和光伏场站侧电化学储能的基本信息，采用动态规划方法根据以上信息建立光伏场站侧电化学储能充放电计划的数学模型，以最小化光伏发电曲线方差为目标确定目标函数，以此计算出光伏场站侧电化学储能充放电功率的最优解。

作为基于动态规划算法的光伏场站侧电化学储能充放电计划制定方法，获取目前光伏发电预测功率的方法为：利用K均值算法(Kmeans)和支持向量机(SVM)的方法预测短期光伏发电功率。根据短期光伏发电特性和光伏发电季节特性，组织预测模型的训练样本集。通过K均值算法对训练样本集进行聚类分析，在聚类得到的各类别数据上分别训练支持向量机。预测时根据预测样本的类别使用相应的支持向量机进行发电功率预测。

作为基于动态规划算法的光伏场站侧电化学储能充放电计划制定方法，建立光伏场站侧电化学储能充放电计划的数学模型的具体方法为：

首先，基于动态规划方法定义电化学储能充放电计划的状态变量为：S_t＝(C_t，D_t)，C_t为t时刻电化学储能的容量(MWh)，D_t为t时刻光伏发电预测功率(MW)。其次，定义电化学储能充放电计划的决策变量为b_t，代表t时刻电化学储能输出功率(MW)，b_t>0代表电化学储能充电，b_t<0代表电化学储能放电。最后，以最小化光伏发电曲线方差为目标初步确定的目标函数为：

其中，f(b)为T时段内光伏发电曲线方差的最小值，T时段表示若干小时；Δt为电化学储能充放电的时间间隔，表示电化学储能充放电功率每隔Δt变化一次；η^c为电化学储能充电效率。

当电化学储能荷电状态初值SoC_init和终值SoC_final确定后，公式因子为常数，用常数M表示，则目标函数可以简化为：

作为基于动态规划算法的光伏场站侧电化学储能充放电计划制定方法，求解光伏场站侧电化学储能充放电决策最优解的方法为：将T时段划分为N个阶段，时间间隔为Δt，每一阶段进行一次决策。则最优策略可以看成从初始状态到终值状态的最优路径。

将简化后的目标函数划分为N个阶段，则t时刻的光伏发电曲线方差的阶段指标函数为：

其中，f_t(S_t，b_t)代表t时刻电化学储能状态变量为S_t，确定电化学储能决策变量b_t时光伏发电曲线方差的阶段指标函数。

为了求解每一时刻以及全局的最小化光伏发电曲线方差的最优解，得出t时刻至t+Δt时刻电化学储能容量状态转移方程为：表示t时刻与t+Δt时刻电化学储能容量的关系。利用贝尔曼方程并基于状态转移方程定义新的最小化光伏发电曲线方差的目标函数为：

f′_t(S_t，b_t)＝min{f_t(S_t，b_t)+f′_t+Δt(S_t+Δt，b_t+Δt)}；

其中，f′_t(S_t，b_t)表示t时刻至最后一个时刻光伏发电曲线方差最小化的目标函数；S_t+Δt＝(C_t+Δt，D_t+Δt)，f_t+Δt(S_t+Δt，b_t+Δt)表示t+Δt时刻至最后一个时刻光伏发电曲线方差最小化的目标函数。通过递归算法最终得到T时段内每一时刻发电曲线方差指标函数的最小值，从而确定每一时刻电化学储能决策变量的最优解b_t。

本发明采用上述技术方案，具有以下有益效果：

1)本发明所提出的基于动态规划算法的光伏场站侧电化学储能充放电计划制定方法，根据获取的光伏发电预测功率和光伏场站侧电化学储能的基本信息建立光伏场站侧电化学储能充放电计划的数学模型，以最小化光伏发电曲线方差为目标动态规划出光伏站场侧电化学储能充放电功率的最优决策。不仅考虑了光伏发电的季节特性，还考虑了电化学储能容量和功率等约束，在工作周期内光伏发电曲线方差不断缩小的过程中，能够客观反应电化学储能对平滑光伏发电曲线的有益效果，确定的光伏场站侧电化学储能的充放电计划更加合理；

2)本发明所提出的基于动态规划算法的光伏场站侧电化学储能充放电计划制定方法，使用动态规划算法求解光伏场站侧电化学储能的充放电功率，将一个长时间段的问题划分成多个短时间段的问题，算法灵活度高，不仅降低了问题的求解难度，还反映了电化学储能平滑光伏发电曲线的动态演变过程，提高了计算结果的精确度和准确度，提高了该发明的可信度。

附图说明

图1为本发明光伏场站电化学储能充放电计划制定方法的流程示意图；

图2(a)、图2(b)分别为电化学储能平滑光伏发电功率曲线和电化学储能系统出力曲线。

具体实施方式

下面结合附图对发明的技术方案进行详细说明。

本发明公开的基于动态规划算法的光伏场站侧电化学储能充放电计划制定方法如图1所示，包含以下四个步骤:

步骤1：获取日前光伏发电预测功率

本发明获取T时段内基于K均值算法(Kmeans)和支持向量机(SVM)的短期光伏发电预测功率，T时段表示若干小时。光伏发电受当前气象条件的影响，不同天气，不同时段的发电量差异很大。根据短期光伏发电特性和光伏发电季节特性，组织预测模型的训练样本集。通过K均值算法对训练样本集进行聚类分析，在聚类得到的各类别数据上分别训练支持向量机。预测时根据预测样本的类别使用相应的支持向量机进行发电功率预测。

步骤2：获取电化学储能的基本信息

充放电计划制定方法需要提前获取电化学储能的基本信息，用于建立最小化光伏发电曲线方差的目标函数，电化学储能的基本信息如下：

1)电化学储能额定功率P^rated；

2)电化学储能额定容量C^rated；

3)电化学储能充放电效率η^c·η^d；

4)电化学储能荷电状态初值和终值SoC_init、SoC_final。

步骤3：基于动态规划建立光伏场站侧电化学储能充放电计划的数学模型

(3-1)定义光伏场站侧电化学储能充放电计划的状态变量S_t

定义光伏场站侧电化学储能充放电计划的状态变量S_t＝(C_t，D_t)。其中，C_t为t时刻电化学储能的容量(MWh)；D_t为t时刻光伏发电预测功率(MW)。

(3-2)定义光伏场站侧电化学储能充放电计划的决策变量b_t

b_t为t时刻电化学储能输出功率(MW)，b_t＞0代表电化学储能充电，b_t＜0代表电化学储能放电。决策变量b_t需要满足的电化学储能额定容量和额定功率约束如下：

其中，Δt为电化学储能充放电的时间间隔，表示电化学储能充放电功率每隔Δt变化一次。C₀为电化学储能起始时刻容量，C_T为电化学储能结束时刻容量，均满足电化学储能起始和结束时刻荷电状态的约束。

(3-3)确定最小化光伏发电曲线方差的目标函数

为了减少光伏发电对电网的影响，本发明的目标为光伏发电曲线尽量平坦。在数学上，方差可以反映随机变量偏离其均值的程度。曲线的方差可以反映发电曲线的平坦程度。本发明选取最小化光伏发电曲线的方差作为目标函数：

其中，f(b)为T时段内光伏发电曲线方差的最小值。

当电化学储能荷电状态初值SoC_init和终值SoC_final确定后，为常数，用常数M表示，式(1)可以简化为：

由式(2)可以看出，目标函数具有分离性，满足动态规划方法对指标函数的要求。

步骤4：求解光伏场站侧电化学储能充放电功率b_t

采用动态规划方法求解电化学储能充放电决策的方法如下：将T时段划分为N个阶段，时间间隔为Δt。则最优策略可以看成从初始状态到终值状态的最优路径。则t时刻的光伏发电曲线方差的阶段指标函数为：

其中，f_t(S_t，b_t)代表t时刻电化学储能状态变量为S_t，确定电化学储能决策变量b_t时光伏发电曲线方差的指标函数。

为了将每一阶段联系起来，可得t时刻至t+Δt时刻电化学储能容量的状态转移方程为；

为了求解每一时刻以及全局的最小化光伏发电曲线方差的最优解，基于式(3)和(4)，利用贝尔曼最优方程定义新的最小化光伏发电曲线方差的目标函数为：

f′_t(S_t，b_t)＝min{f_t(S_t，b_t)+f′_t+Δt(S_t+Δt，b_t+Δt)}(5)

其中，f′_t(S_t，b_t)表示t时刻至最后一个时刻光伏发电曲线方差最小化的目标函数，f′_t+Δt(S_t+Δt：b_t+Δt)表示t+Δt时刻至最后一个时刻光伏发电曲线方差最小化的目标函数。公式(4)表明了当前时刻与下一时刻目标函数之间的关系，通过递归算法最终得到T时段内每一时刻发电曲线方差指标函数的最小值，从而确定每一时刻电化学储能决策变量的最优解b_t。

下面结合一实施例对本发明技术方案的有益效果进行说明。

假设电化学储能额定容量为20MWh，额定放电功率为5MW，充放电效率分别为0.9/0.95，电化学储能起始荷电状态SoC_init和结束荷电状态SoC_final均为0。获取浙江绍兴地区某日24小时光伏电站发电功率，曲线在上午、晚上各有一次高峰，在凌晨、中午各有一次低谷，Δt＝30min。

利用电化学储能平滑光伏发电曲线的优化结果如图2所示。其中，图2(a)虚线为无储能参与的原始光伏发电功率曲线，实线为有储能参与的优化后的发电功率曲线；图2(b)为电化学储能系统出力，原始发电曲线方差为14.36，优化后曲线方差为2.01。由图可知，电化学储能在光伏发电功率高峰期放电，在低谷期充电，以达到平滑光伏发电曲线的目的。因此，有电化学储能参与的发电功率曲线更加平滑，储能参与后的方差比原始光伏发电曲线方差明显减小。