一种基于随机生产模拟的储能装置优化配置方法及系统与流程

1.本发明涉及储能系统优化技术领域，尤其涉及一种基于随机生产模拟的储能装置优化配置方法及系统。


背景技术：

2.风电、光伏等新能源的并网发电要求电网能够提供灵活性资源以应对新能源出力的随机性、间歇性与波动性等特点。随着大规模新能源装机并网发电，电网对风光消纳压力将长期存在。储能装置作为一种灵活性资源，能够实现“电量转移”，有效缓解电能供给与负荷需求间的不平衡问题，为提高新能源发电占比提供了一种解决方案。但目前储能建设成本较高，储能容量配置过大将会使电网投资运行成本大大提高不利于新能源发电的可持续发展，而过小则其参与电网调节对提高风光消纳水平的效果不明显，因此对储能装置的配置问题的研究至关重要。
3.目前储能装置的容量与功率配置主要有典型场景法与生产模拟方法。典型场景法利用典型日的负荷及新能源场景来配置储能容量与功率，典型日覆盖的场景较为单一，不能反映风电、光伏出力以及负荷等变量的随机性，易导致规划结果与实际运行出现较大偏差。生产模拟法基于风电、光伏的随机性特征模拟出全年风电、光伏出力以及负荷曲线，并将所有时段的方程联立求解，以求得年度总费用最小的各类储热储电装置容量与功率。生产模拟法能够很好的反映随机变量的概率特征，但也存在配置结果的保守性。随着需求响应激励政策的完善与智能终端的普及，未来将会有更多的用户主动参与到电网调节。若能将在对系统规划与配置阶段适当考虑需求响应政策的执行效果，不仅能够降低规划成本提高资源利用率，还能促进电力系统需求响应的发展进程。
4.因此，基于随机生产模拟得到风电、光伏与负荷场景，结合弃风弃光率与供电可靠性的机会约束条件，建立储能装置优化配置随机规划模型，对提升现有资源利用率，促进电力市场化发展，具有重要的现实意义。


技术实现要素：

5.本发明提供一种基于随机生产模拟的储能装置优化配置方法及系统，用以解决现有储能装置难以满足实际电力动态储能需求的问题。
6.本发明提供一种基于随机生产模拟的储能装置优化配置方法，包括：
7.获取风电出力与光伏出力历史数据，对所述风电出力与光伏出力历史数据进行分析得到风电功率波动量分布和光伏出力概率密度函数；
8.根据所述风电功率波动量分布基于二阶马尔可夫链-蒙特卡洛法抽样生成风电功率时间序列，根据所述光伏出力概率密度函数基于蒙特卡洛抽样的场景生成方法得到大规模原始场景，利用聚类算法对原始场景集进行缩减，得到代表性场景集；
9.将弃风弃光率、供电可靠性作为机会约束，建立电力系统储能配置的随机规划模型；
10.对所述机会约束条件进行松弛，将所述随机规划模型转化为确定性的线性规划模型，得到储能装置的配置容量与配置功率。
11.根据本发明提供的一种基于随机生产模拟的储能装置优化配置方法，所述获取风电出力与光伏出力历史数据，对所述风电出力与光伏出力历史数据进行分析得到风电功率波动量分布和光伏出力概率密度函数，具体包括：
12.对所述风电出力历史数据进行分析得到风电出力的状态转移矩阵，生成风电功率波动量分布；
13.对所述光伏出力历史数据进行分析，基于非参数核密度估计法得到光伏出力概率密度函数。
14.根据本发明提供的一种基于随机生产模拟的储能装置优化配置方法，根据所述风电功率波动量分布基于二阶马尔可夫链-蒙特卡洛法抽样生成风电功率时间序列，具体包括：
15.所述风电功率波动量满足位置尺度分布，采用状态转移矩阵量化风电功率波动特性；
16.基于二阶马尔可夫链-蒙特卡洛法抽样生成风电功率时间序列，生成状态转移矩阵。
17.根据本发明提供的一种基于随机生产模拟的储能装置优化配置方法，所述利用聚类算法对原始场景集进行缩减，得到代表性场景集，具体包括：
18.获取原始场景集，选取聚类数，随机产生多个初始聚类中心，计算每个场景到聚类中心的距离；
19.针对任一场景，通过比较与每个聚类中心的距离大小，找到最靠近的场景并归为一簇，计算每一簇的场景均值，作为新的聚类中心，直至聚类中心不发生改变；
20.将得到的光伏出力场景与风电场景、负荷场景的场景概率相乘，得到每个组合场景的概率，生成代表性场景集。
21.根据本发明提供的一种基于随机生产模拟的储能装置优化配置方法，所述将弃风弃光率、供电可靠性作为机会约束，建立电力系统储能配置的随机规划模型，具体包括：
22.确定储能配置的随机规划模型目标函数；
23.所述储能配置的随机规划模型的约束调节包括：机会约束条件、网络安全约束、风电出力约束、光伏出力约束、常规火电机组功率约束与爬坡约束、热电联产机组电/热出力约束、热电联产机组爬坡约束、储热装置蓄/放热功率约束、储电装置充/放电功率约束、储热装置容量约束、储电装置容量约束、周期储电量约束、周期热量约束和电锅炉运行功率约束。
24.根据本发明提供的一种基于随机生产模拟的储能装置优化配置方法，对所述机会约束条件进行松弛，将所述随机规划模型转化为确定性的线性规划模型，得到储能装置的配置容量与配置功率，具体包括：
25.将所述随机规划模型转化为混合整数线性规划模型，调用日前调度优化算法为对储能配置线性规划模型运用开源求解器进行求解，最终得到各储能装置的配置容量与功率。
26.本发明还提供一种基于随机生产模拟的储能装置优化配置系统，包括：
27.数据分析模块，用于获取风电出力与光伏出力历史数据，对所述风电出力与光伏出力历史数据进行分析得到风电功率波动量分布和光伏出力概率密度函数；
28.数据处理模块，用于根据所述风电功率波动量分布基于二阶马尔可夫链-蒙特卡洛法抽样生成风电功率时间序列，根据所述光伏出力概率密度函数基于蒙特卡洛抽样的场景生成方法得到大规模原始场景，利用聚类算法对原始场景集进行缩减，得到代表性场景集；
29.模型构建模块，用于将弃风弃光率、供电可靠性作为机会约束，建立电力系统储能配置的随机规划模型；
30.储能配置模块，用于对所述机会约束条件进行松弛，将所述随机规划模型转化为确定性的线性规划模型，得到储能装置的配置容量与配置功率。
31.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于随机生产模拟的储能装置优化配置方法。
32.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于随机生产模拟的储能装置优化配置方法。
33.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于随机生产模拟的储能装置优化配置方法。
34.本发明提供的一种基于随机生产模拟的储能装置优化配置方法及系统，通过基于随机生产模拟得到的各电厂年度发电计划与电、热负荷场景，计及电、热负荷平衡与弃风光率的机会约束条件，综合考虑潮流约束，机组爬坡约束、储热设备运行控制约束、储电设备运行控制约束等约束条件，建立了储能优化配置随机规划模型。在求解过程中对机会约束进行松弛，将含有随机变量的不确定性模型转化为确定性的线性规划模型，在满足机会约束置信度的要求下，实现了储能装置的优化配置，避免了对负荷与弃风光率的硬性要求造成的资源浪费，促进了新能源与电力市场化的进一步发展，具有重要的现实意义。
附图说明
35.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
36.图1是本发明提供的一种基于随机生产模拟的储能装置优化配置方法的流程示意图之一；
37.图2是本发明提供的一种基于随机生产模拟的储能装置优化配置方法的流程示意图之二；
38.图3是本发明提供的一种基于随机生产模拟的储能装置优化配置方法的流程示意图之三；
39.图4是本发明提供的一种基于随机生产模拟的储能装置优化配置方法的流程示意图之四；
40.图5是本发明提供的一种基于随机生产模拟的储能装置优化配置方法的流程示意图之五；
41.图6是本发明提供的一种基于随机生产模拟的储能装置优化配置系统的模块连接示意图；
42.图7是本发明提供的电子设备的结构示意图。
43.附图标记：
44.110：数据分析模块；120：数据处理模块；130：模型构建模块；140：储能配置模块；
45.710：处理器；720：通信接口；730：存储器；740：通信总线。
具体实施方式
46.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
47.下面结合图1-图5描述本发明的一种基于随机生产模拟的储能装置优化配置方法，包括：
48.s100、获取风电出力与光伏出力历史数据，对所述风电出力与光伏出力历史数据进行分析得到风电功率波动量分布和光伏出力概率密度函数；
49.s200、根据所述风电功率波动量分布基于二阶马尔可夫链-蒙特卡洛法抽样生成风电功率时间序列，根据所述光伏出力概率密度函数基于蒙特卡洛抽样的场景生成方法得到大规模原始场景，利用聚类算法对原始场景集进行缩减，得到代表性场景集；
50.s300、将弃风弃光率、供电可靠性作为机会约束，建立电力系统储能配置的随机规划模型；
51.s400、对所述机会约束条件进行松弛，将所述随机规划模型转化为确定性的线性规划模型，得到储能装置的配置容量与配置功率。
52.通过随机生产模拟得到风电、光伏年发电计划与负荷场景，计及弃风弃光率与供电可靠性的机会约束条件，建立储能装置优化配置随机规划模型，以避免储能装置资源浪费，提高电力系统规划与运行经济性。
53.获取风电出力与光伏出力历史数据，对所述风电出力与光伏出力历史数据进行分析得到风电功率波动量分布和光伏出力概率密度函数，具体包括：
54.s101、对所述风电出力历史数据进行分析得到风电出力的状态转移矩阵，生成风电功率波动量分布；
55.s102、对所述光伏出力历史数据进行分析，基于非参数核密度估计法得到光伏出力概率密度函数。
56.在本发明中通过对风电出力与光伏出力历史数据进行分析，能够更加准确的辅助建立大规模原始场景，便于后续进行原始场景的缩减。
57.根据所述风电功率波动量分布基于二阶马尔可夫链-蒙特卡洛法抽样生成风电功率时间序列，具体包括：
58.s201、所述风电功率波动量满足位置尺度分布，采用状态转移矩阵量化风电功率
波动特性；
59.s202、基于二阶马尔可夫链-蒙特卡洛法抽样生成风电功率时间序列，生成状态转移矩阵。
60.在本发明中，风电功率波动量满足t location-scale分布，概率分布如下：
[0061][0062]
式中γ(
·
)是伽马函数；μ是位置参数；σ是尺度参数；v是形状参数。
[0063]
采用状态转移矩阵量化风电功率波动特性，基于二阶马尔可夫链-蒙特卡洛法生成风电功率时间序列，生成的状态转移矩阵为：
[0064][0065]
pij＝p(xt＝j|xt-1＝i,
…
,x1＝a)＝p(xt＝j|xt-1＝i)
[0066]
式中行对应风电功率当前出力状态；列对应下一时刻的出力状态；元素pij代表风电功率从状态i转移到状态j的概率；xt-1为第t-1时刻风电功率值对应的状态；xt为第t时刻风电功率值对应的状态。
[0067]
光伏出力的概率密度函数由非参数核密度估计法估计得到，设光伏出力样本值为x1,x2,
…
,xn，则其概率密度函数的核估计为伏出力概率密度表达式如下：
[0068][0069]
式中n为样本容量，h为带宽，k(t)为核函数
[0070]
利用聚类算法对原始场景集进行缩减，得到代表性场景集，具体包括：
[0071]
s301、获取原始场景集，选取聚类数，随机产生多个初始聚类中心，计算每个场景到聚类中心的距离；
[0072]
s302、针对任一场景，通过比较与每个聚类中心的距离大小，找到最靠近的场景并归为一簇，计算每一簇的场景均值，作为新的聚类中心，直至聚类中心不发生改变；
[0073]
s303、将得到的光伏出力场景与风电场景、负荷场景的场景概率相乘，得到每个组合场景的概率，生成代表性场景集。
[0074]
在本发明中，基于聚类算法对光伏原始场景进行缩减，主要过程如下：
[0075]
1)首先得到原始场景集l＝{l1,l2,...,ln}，选取聚类数m，随机产生m个初始聚类中心m＝{m1,m2,...,mn}，计算每个场景到聚类中心的距离：
[0076]
[0077]
式中l
i,t
是场景i的第t个元素，m
j,t
是聚类中心j的第t个元素；
[0078]
2)针对任一场景li，通过比较与每个聚类中心mj的距离大小，找到最靠近场景mj的场景并将其归为一簇，计算每一簇的场景均值，作为新的聚类中心；
[0079]
3)重复进行步骤2)，直到聚类中心不发生改变；
[0080]
4)将得到的光伏出力场景与风电场景、负荷场景的场景概率相乘，得到每个组合场景的概率βk。
[0081]
储能配置随机规划模型目标函数如下：
[0082]
目标函数min c
total
＝c
elec.inv
+c
heat.inv
+c
oper-s
envi
[0083]
目标函数右式第一部分c
elec.inv
是储电装置年投资成本；目标函数右式中第二部分c
heat.inv
是储热装置年投资成本；目标函数右式中第三部分c
oper
是储热、储电装置年运行维护成本；目标函数右式中第四部分s
envi
是消纳新能源带来的环境效益。c
elec.inv
、c
heat.inv
、c
oper
与s
envi
由如下公式获得：
[0084][0085][0086]coper
＝f
·
(c
elec.inv
+c
heat.inv
)+c
op,h
+c
op,p
[0087][0088][0089]senvi
＝c
hj
·wnew
[0090]
式中r是贴现率；y是储能装置寿命；p
eh,n
是储电装置配置功率；c
p
是储电装置配置功率单位成本，s
eh,n
是储电装置配置容量；ce是储电装置配置容量单位成本；p
h,n
是储热装置配置功率；c
hp
是储热装置配置单位功率投资成本，s
h,n
是储热装置配置容量；c
hw
是储热装置配置单位容量投资成本；f是储热、储电装置单位维护成本；c
op,h
与c
op,p
分别为储热、储电装置运行成本；c
hs,j
是储热装置j单位运行成本；c
es,l
是储电装置l单位运行成本；为储热装置j放热功率；为储热装置j蓄热功率；为储电装置l放电功率；为储电装置l充电功率；c
hj
是消纳新能源补偿单价；w
new
是消纳新能源电量；qc是场景c概率；c
eh,k
是电锅炉k配置单位功率运行成本；c
ehh,k
是电锅炉k配置单位容量运行成本；为场景c电锅炉k用电功率；为场景c电锅炉k热出力；与为0-1变量表示场景c储热装置j运行状态，为1表示储热装置j放热，为1表示储热装置j蓄热，两变量不同时为1。
[0091]
所述将弃风弃光率、供电可靠性作为机会约束，建立电力系统储能配置的随机规
划模型，具体包括：
[0092]
s401、确定储能配置的随机规划模型目标函数；
[0093]
s402、所述储能配置的随机规划模型的约束调节包括：机会约束条件、网络安全约束、风电出力约束、光伏出力约束、常规火电机组功率约束与爬坡约束、热电联产机组电/热出力约束、热电联产机组爬坡约束、储热装置蓄/放热功率约束、储电装置充/放电功率约束、储热装置容量约束、储电装置容量约束、周期储电量约束、周期热量约束和电锅炉运行功率约束。
[0094]
在本发明中，所述储能配置的随机规划模型的约束条件如下：
[0095]
1)机会约束条件
[0096][0097]
式中，为场景c热电联产机组i热出力；为场景c热负荷；为场景c储热装置j热损耗；为场景c常规火电机组g电出力；为风电机组w出力；为弃风功率；为光伏s出力；为光伏s弃光功率；为场景c热电联产机组i电出力；为场景c电负荷；η
wind,curt
表示弃风率；η
solar,curt
表示弃光率；η
lim
表示弃风弃光率限值。
[0098]
2)网络安全约束
[0099][0100]
式中，为场景c支路b传输功率；支路b传输功率极限。
[0101]
3)风电出力约束
[0102][0103]
式中，为场景c风电机组w计划出力。
[0104]
4)光伏出力约束
[0105][0106]
式中，为场景c光伏机组s计划出力。
[0107]
5)常规火电机组功率约束与爬坡约束
[0108][0109][0110]
式中，与为常规机组g最大最小技术出力；与为常规机
组g爬坡速率上下限。
[0111]
6)热电联产机组电、热出力约束
[0112][0113][0114]
式中，p
ei,max,i
与p
ei,min,i
分别表示在纯凝工况下的电出力上下限约束；表示在热电联产机组热出力上限。
[0115]
7)热电联产机组爬坡约束
[0116][0117][0118]
式中，与分别表示在热电联产机组电出力爬坡上下限；与表示在热电联产机组i热出力上限。
[0119]
8)储热装置蓄、放热功率约束
[0120][0121]
式中，为场景c储热装置j储热量。
[0122]
9)储电装置充、放电功率约束
[0123][0124]
式中，为场景c储电装置l在t时刻的储电量；p
l,max
表示储电装置l最大充、放电功率。
[0125]
10)储热装置容量约束
[0126][0127][0128]
式中，为储热装置允许的最大储热量；δh为储热装置自放热率。
[0129]
11)储电装置容量约束
[0130][0131][0132]
式中，η
cha
与η
dis
分别为储电装置l的充放电效率；为场景c储电装置l在t时刻的荷电量；δ
bs
为储电装置自放电率。
[0133]
12)周期储电量约束
[0134][0135]
13)周期储热量约束
[0136][0137]
14)电锅炉运行功率约束
[0138][0139]
式中，为电锅炉最大运行功率。
[0140]
机会约束条件的确定性转化，可以利用线路潮流越限小时数与弃风光率越限小时数转化为相应的确定等价形式，从而对模型进行简化
[0141][0142][0143][0144][0145][0146]
式中，qc、d
c,t
、s
c,t
与w
c,t
与均为0-1变量；qc为场景c下机会约束条件越限情况；d
c,t
为场景c在t时刻线路越限情况；b为所有线路集合；pc为场景c的概率；s
c,t
为场景c在t时刻弃光率越限情况；w
c,t
为场景c在t时刻弃风率越限情况。
[0147]
对所述机会约束条件进行松弛，将所述随机规划模型转化为确定性的线性规划模型，得到储能装置的配置容量与配置功率，具体包括：
[0148]
将所述随机规划模型转化为混合整数线性规划模型，调用日前调度优化算法为对储能配置线性规划模型运用开源求解器进行求解，最终得到各储能装置的配置容量与功率。
[0149]
本发明提供的一种基于随机生产模拟的储能装置优化配置方法，通过基于随机生产模拟得到的各电厂年度发电计划与电、热负荷场景，计及电、热负荷平衡与弃风光率的机会约束条件，综合考虑潮流约束，机组爬坡约束、储热设备运行控制约束、储电设备运行控制约束等约束条件，建立了储能优化配置随机规划模型。在求解过程中对机会约束进行松弛，将含有随机变量的不确定性模型转化为确定性的线性规划模型，在满足机会约束置信度的要求下，实现了储能装置的优化配置，避免了对负荷与弃风光率的硬性要求造成的资源浪费，促进了新能源与电力市场化的进一步发展，具有重要的现实意义。
[0150]
参考图6，本发明还公开了一种基于随机生产模拟的储能装置优化配置系统，包括：
[0151]
数据分析模块110，用于获取风电出力与光伏出力历史数据，对所述风电出力与光伏出力历史数据进行分析得到风电功率波动量分布和光伏出力概率密度函数；
[0152]
数据处理模块120，用于根据所述风电功率波动量分布基于二阶马尔可夫链-蒙特卡洛法抽样生成风电功率时间序列，根据所述光伏出力概率密度函数基于蒙特卡洛抽样的场景生成方法得到大规模原始场景，利用聚类算法对原始场景集进行缩减，得到代表性场景集；
[0153]
模型构建模块130，用于将弃风弃光率、供电可靠性作为机会约束，建立电力系统储能配置的随机规划模型；
[0154]
储能配置模块140，用于对所述机会约束条件进行松弛，将所述随机规划模型转化为确定性的线性规划模型，得到储能装置的配置容量与配置功率。
[0155]
其中，数据分析模块110对所述风电出力历史数据进行分析得到风电出力的状态转移矩阵，生成风电功率波动量分布；
[0156]
对所述光伏出力历史数据进行分析，基于非参数核密度估计法得到光伏出力概率密度函数。
[0157]
数据处理模块120，通过所述风电功率波动量满足位置尺度分布，采用状态转移矩阵量化风电功率波动特性；
[0158]
基于二阶马尔可夫链-蒙特卡洛法抽样生成风电功率时间序列，生成状态转移矩阵。
[0159]
述利用聚类算法对原始场景集进行缩减，得到代表性场景集，具体包括：
[0160]
获取原始场景集，选取聚类数，随机产生多个初始聚类中心，计算每个场景到聚类中心的距离；
[0161]
针对任一场景，通过比较与每个聚类中心的距离大小，找到最靠近的场景并归为一簇，计算每一簇的场景均值，作为新的聚类中心，直至聚类中心不发生改变；
[0162]
将得到的光伏出力场景与风电场景、负荷场景的场景概率相乘，得到每个组合场景的概率，生成代表性场景集。
[0163]
模型构建模块130，确定储能配置的随机规划模型目标函数；
[0164]
所述储能配置的随机规划模型的约束调节包括：机会约束条件、网络安全约束、风电出力约束、光伏出力约束、常规火电机组功率约束与爬坡约束、热电联产机组电/热出力约束、热电联产机组爬坡约束、储热装置蓄/放热功率约束、储电装置充/放电功率约束、储热装置容量约束、储电装置容量约束、周期储电量约束、周期热量约束和电锅炉运行功率约束。
[0165]
储能配置模块140，将所述随机规划模型转化为混合整数线性规划模型，调用日前调度优化算法为对储能配置线性规划模型运用开源求解器进行求解，最终得到各储能装置的配置容量与功率。
[0166]
通过本发明提供的一种基于随机生产模拟的储能装置优化配置系统，通过基于随机生产模拟得到的各电厂年度发电计划与电、热负荷场景，计及电、热负荷平衡与弃风光率的机会约束条件，综合考虑潮流约束，机组爬坡约束、储热设备运行控制约束、储电设备运
行控制约束等约束条件，建立了储能优化配置随机规划模型。在求解过程中对机会约束进行松弛，将含有随机变量的不确定性模型转化为确定性的线性规划模型，在满足机会约束置信度的要求下，实现了储能装置的优化配置，避免了对负荷与弃风光率的硬性要求造成的资源浪费，促进了新能源与电力市场化的进一步发展，具有重要的现实意义。
[0167]
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(communications interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行一种基于随机生产模拟的储能装置优化配置方法，该方法包括：获取风电出力与光伏出力历史数据，对所述风电出力与光伏出力历史数据进行分析得到风电功率波动量分布和光伏出力概率密度函数；
[0168]
根据所述风电功率波动量分布基于二阶马尔可夫链-蒙特卡洛法抽样生成风电功率时间序列，根据所述光伏出力概率密度函数基于蒙特卡洛抽样的场景生成方法得到大规模原始场景，利用聚类算法对原始场景集进行缩减，得到代表性场景集；
[0169]
将弃风弃光率、供电可靠性作为机会约束，建立电力系统储能配置的随机规划模型；
[0170]
对所述机会约束条件进行松弛，将所述随机规划模型转化为确定性的线性规划模型，得到储能装置的配置容量与配置功率。
[0171]
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0172]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的一种基于随机生产模拟的储能装置优化配置方法，该方法包括：获取风电出力与光伏出力历史数据，对所述风电出力与光伏出力历史数据进行分析得到风电功率波动量分布和光伏出力概率密度函数；
[0173]
根据所述风电功率波动量分布基于二阶马尔可夫链-蒙特卡洛法抽样生成风电功率时间序列，根据所述光伏出力概率密度函数基于蒙特卡洛抽样的场景生成方法得到大规模原始场景，利用聚类算法对原始场景集进行缩减，得到代表性场景集；
[0174]
将弃风弃光率、供电可靠性作为机会约束，建立电力系统储能配置的随机规划模型；
[0175]
对所述机会约束条件进行松弛，将所述随机规划模型转化为确定性的线性规划模型，得到储能装置的配置容量与配置功率。
[0176]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的一种基于随机生产模拟的
储能装置优化配置方法，该方法包括：获取风电出力与光伏出力历史数据，对所述风电出力与光伏出力历史数据进行分析得到风电功率波动量分布和光伏出力概率密度函数；
[0177]
根据所述风电功率波动量分布基于二阶马尔可夫链-蒙特卡洛法抽样生成风电功率时间序列，根据所述光伏出力概率密度函数基于蒙特卡洛抽样的场景生成方法得到大规模原始场景，利用聚类算法对原始场景集进行缩减，得到代表性场景集；
[0178]
将弃风弃光率、供电可靠性作为机会约束，建立电力系统储能配置的随机规划模型；
[0179]
对所述机会约束条件进行松弛，将所述随机规划模型转化为确定性的线性规划模型，得到储能装置的配置容量与配置功率。
[0180]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0181]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0182]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种基于随机生产模拟的储能装置优化配置方法，其特征在于，包括：获取风电出力与光伏出力历史数据，对所述风电出力与光伏出力历史数据进行分析得到风电功率波动量分布和光伏出力概率密度函数；根据所述风电功率波动量分布基于二阶马尔可夫链-蒙特卡洛法抽样生成风电功率时间序列，根据所述光伏出力概率密度函数基于蒙特卡洛抽样的场景生成方法得到大规模原始场景，利用聚类算法对原始场景集进行缩减，得到代表性场景集；将弃风弃光率、供电可靠性作为机会约束，建立电力系统储能配置的随机规划模型；对所述机会约束条件进行松弛，将所述随机规划模型转化为确定性的线性规划模型，得到储能装置的配置容量与配置功率。2.根据权利要求1所述的基于随机生产模拟的储能装置优化配置方法，其特征在于，所述获取风电出力与光伏出力历史数据，对所述风电出力与光伏出力历史数据进行分析得到风电功率波动量分布和光伏出力概率密度函数，具体包括：对所述风电出力历史数据进行分析得到风电出力的状态转移矩阵，生成风电功率波动量分布；对所述光伏出力历史数据进行分析，基于非参数核密度估计法得到光伏出力概率密度函数。3.根据权利要求1所述的基于随机生产模拟的储能装置优化配置方法，其特征在于，根据所述风电功率波动量分布基于二阶马尔可夫链-蒙特卡洛法抽样生成风电功率时间序列，具体包括：所述风电功率波动量满足位置尺度分布，采用状态转移矩阵量化风电功率波动特性；基于二阶马尔可夫链-蒙特卡洛法抽样生成风电功率时间序列，生成状态转移矩阵。4.根据权利要求1所述的基于随机生产模拟的储能装置优化配置方法，其特征在于，所述利用聚类算法对原始场景集进行缩减，得到代表性场景集，具体包括：获取原始场景集，选取聚类数，随机产生多个初始聚类中心，计算每个场景到聚类中心的距离；针对任一场景，通过比较与每个聚类中心的距离大小，找到最靠近的场景并归为一簇，计算每一簇的场景均值，作为新的聚类中心，直至聚类中心不发生改变；将得到的光伏出力场景与风电场景、负荷场景的场景概率相乘，得到每个组合场景的概率，生成代表性场景集。5.根据权利要求1所述的基于随机生产模拟的储能装置优化配置方法，其特征在于，所述将弃风弃光率、供电可靠性作为机会约束，建立电力系统储能配置的随机规划模型，具体包括：确定储能配置的随机规划模型目标函数；所述储能配置的随机规划模型的约束调节包括：机会约束条件、网络安全约束、风电出力约束、光伏出力约束、常规火电机组功率约束与爬坡约束、热电联产机组电/热出力约束、热电联产机组爬坡约束、储热装置蓄/放热功率约束、储电装置充/放电功率约束、储热装置容量约束、储电装置容量约束、周期储电量约束、周期热量约束和电锅炉运行功率约束。6.根据权利要求1所述的基于随机生产模拟的储能装置优化配置方法，其特征在于，对所述机会约束条件进行松弛，将所述随机规划模型转化为确定性的线性规划模型，得到储
能装置的配置容量与配置功率，具体包括：将所述随机规划模型转化为混合整数线性规划模型，调用日前调度优化算法为对储能配置线性规划模型运用开源求解器进行求解，最终得到各储能装置的配置容量与功率。7.一种基于随机生产模拟的储能装置优化配置系统，其特征在于，包括：数据分析模块，用于获取风电出力与光伏出力历史数据，对所述风电出力与光伏出力历史数据进行分析得到风电功率波动量分布和光伏出力概率密度函数；数据处理模块，用于根据所述风电功率波动量分布基于二阶马尔可夫链-蒙特卡洛法抽样生成风电功率时间序列，根据所述光伏出力概率密度函数基于蒙特卡洛抽样的场景生成方法得到大规模原始场景，利用聚类算法对原始场景集进行缩减，得到代表性场景集；模型构建模块，用于将弃风弃光率、供电可靠性作为机会约束，建立电力系统储能配置的随机规划模型；储能配置模块，用于对所述机会约束条件进行松弛，将所述随机规划模型转化为确定性的线性规划模型，得到储能装置的配置容量与配置功率。8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于随机生产模拟的储能装置优化配置方法。9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于随机生产模拟的储能装置优化配置方法。10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于随机生产模拟的储能装置优化配置方法。

技术总结
本发明提供一种基于随机生产模拟的储能装置优化配置方法及系统，包括：获取风电出力与光伏出力历史数据，对风电出力与光伏出力历史数据进行分析得到风电功率波动量分布和光伏出力概率密度函数；根据风电功率波动量分布基于二阶马尔可夫链-蒙特卡洛法抽样生成风电功率时间序列，根据光伏出力概率密度函数基于蒙特卡洛抽样的场景生成方法得到大规模原始场景，利用聚类算法对原始场景集进行缩减，得到代表性场景集；将弃风弃光率、供电可靠性作为机会约束，建立电力系统储能配置的随机规划模型；将随机规划模型转化为确定性的线性规划模型，得到储能装置的配置容量与配置功率。解决现有储能装置难以满足实际电力动态储能需求的问题。求的问题。求的问题。


技术研发人员：赵海吉 刘诚哲 吕昌霖 彭永明 陈磊 徐飞 闵勇
受保护的技术使用者：国家电网公司东北分部
技术研发日：2023.04.13
技术公布日：2023/7/21