CN115579915A - 用于新能源消纳的储能控制方法及系统 - Google Patents

Abstract

本申请提出了一种用于新能源消纳的储能控制方法及系统，该方法包括：建立短期功率预测优化模型，计算优化后的短期功率预测值；建立多个条件约束模型，以新能源发电量与储能投资回报率联合最大为目标，配置新能源场站的储能容量和储能功率；将优化后的短期功率预测值、储能容量和储能功率输入储能目标函数模型，获得新能源储能的日前计划曲线；建立超短期功率预测优化模型，计算优化后的超短期功率预测值；将优化后的超短期功率预测值、储能容量和储能功率输入储能目标函数模型，获得新能源储能的出力控制曲线；根据日前计划曲线和出力控制曲线对场站的储能出力进行控制。该方法可以对新能源储能进行合理配置，有利于促进新能源消纳。

Description

用于新能源消纳的储能控制方法及系统

技术领域

本申请涉及储能控制技术领域，尤其涉及一种用于新能源消纳的储能控制方法及系统。

背景技术

目前，新能源发电的普及率逐渐提高。但由于新能源出力具有波动性、随机性和间歇性等特点，其难预测、可调度性差，会对电力系统带来严重的波动性影响。在新能源占比较高的情况下，若新能源储能配置不合理会带来严重的新能源消纳问题，浪费电力资源并造成经济损失。

相关技术中，为解决新能源消纳问题通常采用的方式包括：提升功率预测精度、限制新能源出力和采用储能调节。然而，提升功率预测精度难度大，并且难以从根本上改变新能源间歇性和波动性等问题。限制新能源出力会影响到绿色电力的消纳，不符合日益增长的新能源供电续期。采用储能调节通常是在运行阶段以新能源消纳最大化为目标进行优化控制，然而目前该方式的储能的配置方案与消纳方式不统一，难以实现整体的优化。

因此，如何对新能源场站的储能进行合理和配置控制，以促进新能源消纳，成为目前亟需解决的问题。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种用于新能源消纳的储能控制方法，该方法可以对新能源系统的储能参数进行合理配置，并合理控制新能源储能出力，提高了新能源储能控制的精确性，有利于促进新能源消纳。

本申请的第二个目的在于提出一种用于新能源消纳的储能控制系统；

本申请的第三个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本申请的第一方面实施例在于提出一种用于新能源消纳的储能控制方法，该方法包括以下步骤：

基于新能源场站的历史短期功率预测数据和对应的第一相关数据，建立短期功率预测优化模型，根据所述短期功率预测优化模型计算优化后的短期功率预测值，其中，短期的时间长度以天数为单位；

建立多个条件约束模型，以新能源发电量与储能投资回报率的联合最大为目标，计算所述新能源场站的储能容量和储能功率；

将所述优化后的短期功率预测值、所述储能容量和所述储能功率输入预设的储能目标函数模型，以未来预设天数内的收益和上网电量最优为目标，生成新能源储能的日前计划曲线；

基于新能源场站的历史超短期功率预测数据和对应的第二相关数据，建立超短期功率预测优化模型，根据所述超短期功率预测优化模型计算优化后的超短期功率预测值，其中，超短期的时间长度以小时数为单位；

将所述优化后的超短期功率预测值、所述储能容量和所述储能功率输入所述储能目标函数模型，以未来预设数量个小时的收益和上网电量最优为目标，生成新能源储能在下一时段的出力控制曲线；

根据所述日前计划曲线和所述出力控制曲线对新能源场站的储能出力进行控制，使所述新能源场站在下一时段内的储能出力与用电需求相匹配。

可选地，在本申请的一个实施例中，第一相关数据包括：与所述历史短期功率预测数据对应时间内的第一场站实发数据、第一资源数据、第一场站机组状态数据和第一机组位置数据，所述基于新能源场站的历史短期功率预测数据和对应的第一相关数据，通过多元线性回归法建立短期功率预测优化模型，包括：计算所述历史短期功率预测数据和所述第一场站实发数据之间的差值；根据所述差值、所述第一资源数据、所述第一场站机组状态数据和所述第一机组位置数据，对短期功率预测偏差的概率分布进行统计，建立偏差分布模型；基于所述偏差分布模型，通过求解多元线性回归建立所述短期功率预测优化模型。

可选地，在本申请的一个实施例中，在计算所述新能源场站的储能容量和储能功率时，通过以下公式生成计算的目标：

其中，

其中，J是新能源发电量与储能投资回报率的和，ROI是预设周期内的投资回报率，Q_t是t时刻新能源系统与储能系统的上网电量，Benefit是预设周期内的新能源场站总收益，Cos t是预设周期内的总成本，T是预设周期内的时间间隔数，t是周期内的任一时刻。

可选地，在本申请的一个实施例中，通过以下公式计算所述预设周期内的新能源场站总收益：

Benefit_t＝P_t*Q_t

其中，P_t是t时刻新能源系统的上网电价；

通过以下公式计算所述预设周期内的总成本：

Cost＝H1*S+H2*P+H3

其中，H1是储能系统的单位容量造价，H2是储能系统的单位功率造价，H3是储能系统的固定成本投资金额，S是储能系统的额定容量，P是储能系统的额定功率。

可选地，在本申请的一个实施例中，多个条件约束模型包括：储能充放电功率约束、储能荷电状态SOC约束和新能源场站接入电网的可接受电量约束，通过以下公式表示所述储能充放电功率约束：

-P_es,max≤P_es,t≤P_es,max

其中，P_es,max为储能系统额定功率；

通过以下公式表示所述储能荷电状态SOC约束：

其中，

为t时段的储能SOC，

和

分别为t时段的储能最大SOC和储能最小SOC；

通过以下公式表示所述新能源场站接入电网的可接受电量约束：

P_t≤P_grid,t

其中，P_grid,t为电网给定的新能源场站最大可上网功率。

可选地，在本申请的一个实施例中，第二相关数据包括：与所述历史超短期功率预测数据对应时间内的第二场站实发数据、第二资源数据、第二场站机组状态数据和第二机组位置数据，所述基于新能源场站的历史超短期功率预测数据和对应的第二相关数据，建立超短期功率预测优化模型，包括：计算所述历史超短期功率预测数据和所述第二场站实发数据之间的差值；结合所述差值、所述第二资源数据、所述第二场站机组状态数据和所述第二机组位置数据，建立所述新能源场站的超短期功率预测优化模型。

为达上述目的，本申请的第二方面实施例还提出了一种用于新能源消纳的储能控制系统，包括以下模块:

第一建立模块，用于基于新能源场站的历史短期功率预测数据和对应的第一相关数据，建立短期功率预测优化模型，根据所述短期功率预测优化模型计算优化后的短期功率预测值，其中，短期的时间长度以天数为单位；

计算模块，用于建立多个条件约束模型，以新能源发电量与储能投资回报率的联合最大为目标，法计算所述新能源场站的储能容量和储能功率；

第一生成模块，用于将所述优化后的短期功率预测值、所述储能容量和所述储能功率输入预设的储能目标函数模型，以未来预设天数内的收益和上网电量最优为目标，生成新能源储能的日前计划曲线；

第二建立模块，用于基于新能源场站的历史超短期功率预测数据和对应的第二相关数据，建立超短期功率预测优化模型，根据所述超短期功率预测优化模型计算优化后的超短期功率预测值，其中，超短期的时间长度以小时数为单位；

第二生成模块，用于将所述优化后的超短期功率预测值、所述储能容量和所述储能功率输入所述储能目标函数模型，以未来预设数量个小时的收益和上网电量最优为目标，生成新能源储能在下一时段的出力控制曲线；

控制模块，用于根据所述日前计划曲线和所述出力控制曲线对新能源场站的储能出力进行控制，使所述新能源场站在下一时段内的储能出力与用电需求相匹配。

可选地，在本申请的一个实施例中，第一相关数据包括：与所述历史短期功率预测数据对应时间内的第一场站实发数据、第一资源数据、第一场站机组状态数据和第一机组位置数据，所述第一建立模块，具体用于：计算所述历史短期功率预测数据和所述第一场站实发数据之间的差值；根据所述差值、所述第一资源数据、所述第一场站机组状态数据和所述第一机组位置数据，对短期功率预测偏差的概率分布进行统计，建立偏差分布模型；基于所述偏差分布模型，通过求解多元线性回归建立所述短期功率预测优化模型。

可选地，在本申请的一个实施例中，计算模块，具体用于在计算所述新能源场站的储能容量和储能功率时,通过以下公式生成计算的目标：

其中，

其中，J是新能源发电量与储能投资回报率的和，ROI是预设周期内的投资回报率，Q_t是t时刻新能源系统与储能系统的上网电量，Benefit是预设周期内的新能源场站总收益，Cos t是预设周期内的总成本，T是预设周期内的时间间隔数，t是周期内的任一时刻。

为了实现上述实施例，本申请第三方面实施例还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的用于新能源消纳的储能控制方法。

本申请的实施例提供的技术方案至少带来以下有益效果：本申请通过建立相应的神经网络模型,对新能源的短期功率和超短期功率进行优化预测,并结合计算出的新能源场站的储能容量和功率等配置参数，生成未来一天和下一时段的新能源储能控制曲线，从多个角度对新能源储能进行控制，从而提高了新能源场站储能控制的合理性和精确性，提升新能源系统的控制能力。进而，通过对新能源储能的合理控制，可以促进新能源消纳，避免浪费新能源电力资源并保障新能源发电的收益。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例提出的一种用于新能源消纳的储能控制方法的流程图；

图2为本申请实施例提出的一种具体的短期功率预测优化模型的构建方法的流程图；

图3为本申请实施例提出的一种用于新能源消纳的储能控制系统的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本申请实施例所提出的一种用于新能源消纳的储能控制方法及装置。

图1为本申请实施例提出的一种用于新能源消纳的储能控制方法的流程图，如图1所示，该方法包括以下步骤：

步骤S101，基于新能源场站的历史短期功率预测数据和对应的第一相关数据，建立短期功率预测优化模型，根据短期功率预测优化模型计算优化后的短期功率预测值，其中，短期的时间长度以天数为单位。

其中，新能源场站包括通过光伏发电、风力发电等新能源系统发电的场站，本申请中的新能源场站还包括储能系统，储能系统可以储存电能并在需要时进行出力。第一相关数据是历史短期功率预测数据对应时间内的新能源场站的相关数据。短期的时间长度以天数为单位，比如，历史短期功率预测数据可以是之前一天或几天内的功率预测数据。

在本申请一个实施例中，第一相关数据包括：与历史短期功率预测数据对应时间内的第一场站实发数据、第一资源数据、第一场站机组状态数据和第一机组位置数据。本申请实施例可以通过多元线性回归法建短期功率预测优化模型，具体的，为了更加清楚的说明本申请建立短期功率预测优化模型的具体实现过程，下面以在本实施例中提出的一种短期功率预测优化模型的构建方法进行示例性说明，图2为本申请实施例提出的一种具体的短期功率预测优化模型的构建方法的流程图，如图2所示，该方法包括以下步骤：

步骤S201，计算历史短期功率预测数据和第一场站实发数据之间的差值。

具体的，通过读取数据库中存储的历史数据等方式，获取历史短期功率预测数据和与历史的短期功率预测数据所对应的时间内的第一相关数据后，计算历史的短期功率预测数据与实发数据之间的偏差。其中，实发数据包括对应时间内能源场站的实发功率等实际数据。

步骤S202，根据差值、第一资源数据、第一场站机组状态数据和第一机组位置数据，对短期功率预测偏差的概率分布进行统计，建立偏差分布模型。

具体的，分析资源数据、场站机组状态数据、机组位置数据等多个因素对产生实发数据与预测数据之间的偏差的影响，对各个数据导致短期功率预测偏差的概率分布进行统计，建立偏差分布模型，其中，偏差分布模型是一种数据模型，用于表示差值的分布规律。

步骤S203，基于偏差分布模型，通过求解多元线性回归建立短期功率预测优化模型。

具体的，将短期功率作为因变量，将影响短期功率的多个数据作为自变量，由于具有多个自变量，所以本申请通过多元线性回归分析短期功率与多个因素之间的联系，并结合上述步骤中获得的偏差分布模型，以减小偏差为目标求解各个自变量的权重，即回归系数，具体实施时，可以通过最小二乘法等方式估计模型参数。然后，基于获取的参数建立短期功率预测优化模型，从而后续根据训练完成的短期功率预测优化模型计算优化后的短期功率预测值。

需要说明的是，本申请建立的预测模型，可以是各种基于深度学习或机器学习的神经网络模型，在建立预测模型时，是将获取到的历史数据，以及通过多元线性回归法获得的参数作为训练数据，对预先构建的神经网络模型进行训练，配置神经网络模型中各层参数的权重，在训练完成后获得相应的预测模型。

举例而言，可以选择长短期记忆网络(LongShort-TermMemory，简称LSTM)作为预测模型，再训练长短期记忆人工神经网络LSTM，其中，具体的训练方式可以参照现有技术中的神经网络模型的训练方式，包括数据预处理、特征抽取、选择和分类等，通过梯度下降算法优化目标函数，直至预测精度达到要求，此处不再详述。

进一步的，在训练完成短期功率预测优化模型后，将当前储能控制场景下的相关数据输入训练完成的长短期记忆人工神经网络LSTM，获取预测优化模型输出预测值，从而对短期功率进行优化预测。在本申请中，后续建立的预测模型均可参照上述方式进行训练，后续均不再赘述。

步骤S102，建立多个条件约束模型，以新能源发电量与储能投资回报率的联合最大为目标，计算新能源场站的储能容量和储能功率。

在本申请一个实施例中个，可以通过蚁群优化算法计算新能源场站的储能容量和储能功率。，蚁群优化算法一种用来寻找优化路径的概率型算法，具有分布计算、信息正反馈和启发式搜索的特征，可以计算待优化问题的最优解。在本申请实施例中，可以通过蚁群优化算法对新能源场站的储能容量和储能功率等待优化的储能参数进行计算。

具体的，通过蚁群优化算法计算在多个条件约束模型的约束下，可以使新能源发电量与储能投资回报率的联合最大的能源场站的储能容量和储能功率。其中，条件约束模型为数据模型，用于表示各个约束条件。

在本申请一个实施例中，在计算新能源场站的储能容量和储能功率时，可以通过以下公式联合新能源发电量与储能投资回报率，从而生成上述计算的目标函数：

其中，

其中，J是新能源发电量与储能投资回报率的和，ROI是预设周期内的投资回报率，Q_t是t时刻新能源系统与储能系统的上网电量，Benefit是预设周期内的新能源场站总收益，Cos t是预设周期内的总成本，T是预设周期内的时间间隔数，t是预设周期内的任一时刻。

在本实施例中，通过以下公式计算上述预设周期内的新能源场站总收益Benefit：

Benefit_t＝P_t*Q_t

其中，P_t是t时刻新能源系统的上网电价，Q_t是t时刻新能源+储能的上网电量。

并且，通过以下公式计算上述预设周期内的总成本：

Cost＝H1*S+H2*P+H3

其中，H1是储能系统的单位容量造价，H2是储能系统的单位功率造价，H3是储能系统的固定成本投资金额，S是储能系统的额定容量，P是储能系统的额定功率。

由此，本申请构建了配置新能源储能参数的整体目标模型：

并通过最大化该目标模型，即，将新能源发电量与储能投资回报率联合后，以该联合最大为目标，采用蚁群等优化算法，计算配置新能源场站储能的容量和功率。

在本申请实施例中，多个条件约束模型包括：储能充放电功率约束、储能荷电状态SOC约束和新能源场站接入电网的可接受电量约束。

具体而言，作为第一种示例，本申请构建新能源加储能的联合输出功率等式约束，在本示例中，新能源+储能联合输出功率，等于新能源场站实发功率减去储能系统充放电功率，具体可以通过以下公式表示：

P_t＝P_ws,t-P_es,t

其中，P_t是新能源+储能联合输出功率，P_ws,t是新能源实发功率，P_es,t是储能系统充放电功率。其中，当P_es,t>0时，表示储能系统充电；当P_es,t<0时，表示储能系统放电，储能系统充电表示新能源的多余发电量被存储利用，新能源实际发电量减小；储能系统放电表示释放部分电池电量，使得新能源实际发电量增加。

作为第二种示例，本申请构建储能充放电功率约束。在本示例中，通过以下公式表示储能充放电功率约束：

-P_es,max≤P_es,t≤P_es,max

其中，P_es,max为储能系统额定功率。

作为第三种示例，本申请构建储能SOC约束。在本示例中，通过以下公式表示储能荷电状态SOC约束：

其中，

为t时段的储能SOC，

和

分别为t时段的储能最大SOC和储能最小SOC。

作为第四种示例，本申请构建新能源场站接入电网的可接受电量约束。在本示例中，通过以下公式表示新能源场站接入电网的可接受电量约束：

P_t≤P_grid,t

其中，P_grid,t为电网给定的新能源场站最大可上网功率。

步骤S103，将优化后的短期功率预测值、储能容量和储能功率输入预设的储能目标函数模型，以未来预设天数内的收益和上网电量最优为目标，生成新能源储能的日前计划曲线。

其中，预设天数根据实际预测需要确定，比如，为了提高生成的日前计划曲线的精确度和针对性，可以以未来一天的收益和上网电量最优为目标，针对未来一天生成日前计划曲线。

在本申请实施例中，获取新能源场站的上网电价和步骤S101中优化后的短期优化功率预测数据，再获取步骤S102中计算出的配置的储能容量、功率，以及其他的储能运行特性参数，比如，储能持续时间。然后，结合上述各个参数，将上述各个参数带入预先建立的场站配置储能目标函数模型。在该模型中，以未来一天的收益和上网电量最优为目标，采用狼群算法进行未来一天储能出力曲线的优化，获得储能的日前计划曲线。

其中，狼群算法基于人工狼主体的自下而上的设计方法和基于职责分工的协作式搜索路径，是一种群体智能算法。在本申请实施例中通过狼群算法对未来一天的储能出力进行寻优，即计算收益和上网电量最优时对应的储能系统的出力数值，从而获得未来一天的储能出力曲线，以该曲线为能的日前计划曲线。

步骤S104，基于新能源场站的历史超短期功率预测数据和对应的第二相关数据，建立超短期功率预测优化模型，根据超短期功率预测优化模型计算优化后的超短期功率预测值，其中，超短期的时间长度以小时数为单位。

其中，第二相关数据是历史超短期功率预测数据对应时间内的新能源场站的相关数据。超短期的时间长度小于短期的时间长，比如，历史超短期功率预测数据可以是当前时刻之前一个或几个小时内的功率预测数据

在本申请一个实施例中，获取到的第二相关数据包括：与历史超短期功率预测数据对应时间内的第二场站实发数据、第二资源数据、第二场站机组状态数据和第二机组位置数据。在本实施例中，建立超短期功率预测优化模型包括先计算历史超短期功率预测数据和第二场站实发数据之间的差值，然后结合该差值、第二资源数据、第二场站机组状态数据和第二机组位置数据，建立新能源场站的超短期功率预测优化模型。

具体而言，获取新能源场站超短期功率预测数据、对应时间的场站实发数据、资源数据、场站机组状态数据、机组位置数据等，根据新能源场站超短期功率预测数据和实发数据偏差，结合资源数据、场站机组状态数据、机组位置数据等，将上述数据作为训练数据，训练预先构建的长短神经网络等模型，训练完成后得到超短期功率预测优化模型，通过该模型计算优化后的超短期功率预测值。

步骤S105，将优化后的超短期功率预测值、储能容量和储能功率输入储能目标函数模型，以未来预设数量个小时的收益和上网电量最优为目标，生成新能源储能在下一时段的出力控制曲线。

其中，选取的小时数量根据实际预测需要预先确定，比如，结合新能源场站的历史运行经验和专家知识等方式选取最优的预测时段，可以以未来4小时的收益和上网电量最优为目标，生成新能源储能在下一周期，即在当前时刻之后4小时内的出力控制曲线。

其中，出力控制曲线对应的下一时段即下一预设数量个小时，参照上述示例可以指当前时刻后的下一个4小时的时段。在本申请一个实施例中，获取实时的新能源上网电价数据，以及步骤S104中得到的超短期功率预测优化后的数据，结合储能容量、储能功率以及持续时间等其他储能运行特性参数，带入建立的场站配置储能目标函数模型。其中，该场站配置储能目标函数模型可以与步骤S103中的目标函数模型相同，再以未来4小时的收益和上网电量最优为目标，采用狼群算法进行未来4小时储能出力曲线的优化，获得储能的出力控制曲线，便于后续根据出力控制曲线控制下一时刻的储能出力。

步骤S106，根据日前计划曲线和出力控制曲线对新能源场站的储能出力进行控制，使新能源场站在下一时段内的储能出力与用电需求相匹配。

在本申请一个实施例中，根据日前计划曲线对未来一天的储能出力提前进行整体的配置，并根据出力控制曲线控制下一时段的储能出力进行实时控制，综合这两种控制方式，从预先整体控制和实时控制的两个角度对新能源储能进行控制。

进一步的，通过该方式进行储能控制后，使得新能源的储能出力符合实际的用电需求，储能出力与用电需求相匹，比如，新能源的储能出力电量与市场实际所需的电量相等，或者误差在允许的范围内，从而新能源的储能出力均可以被消纳掉，有利于新能源电量的消纳。具体的，还可以根据日前计划曲线和出力控制曲线调节新能源发电系统和储能系统的上网电量，举例而言，根据出力控制曲线确定后续4小时内储能系统的上网电量，或者，结合储能系统当前的储能电量、日前计划曲线和后续4小时的储能出力曲线，将下一时段内多余的电量调度传输至其他有电能需求的负荷点，促进新能源电量的消纳。

综上所述，本申请实施例的用于新能源消纳的储能控制方法，先通过多元线性回归法建立短期功率预测优化模型，计算优化后的短期功率预测值，再配置新能源场站的储能容量和储能功率，然后将优化后的短期功率预测值、储能容量和储能功率输入储能目标函数模型，获得新能源储能的日前计划曲线，再建立超短期功率预测优化模型，计算优化后的超短期功率预测值，并将优化后的超短期功率预测值、储能容量和储能功率输入储能目标函数模型，获得新能源储能的出力控制曲线，最后根据日前计划曲线和出力控制曲线进行储能控制。该方法通过建立相应的神经网络模型,对新能源的短期功率和超短期功率进行优化预测,并结合计算出的新能源场站的储能容量和功率等配置参数，生成未来一天和下一时段的新能源储能控制曲线，从多个角度对新能源储能进行控制，从而提高了新能源场站储能控制的合理性和精确性，提升新能源系统的控制能力。进而，通过对新能源储能的合理控制，可以促进新能源消纳，避免浪费新能源电力资源并保障新能源发电的收益。

为了实现上述实施例，本申请还提出了一种用于新能源消纳的储能控制系统，图3为本申请实施例提出的一种用于新能源消纳的储能控制系统的结构示意图，如图3所示，该系统包括第一建立模块100、计算模块200、第一生成模块300、第二建立模块400、第二生成模块500和控制模块600。

其中，第一建立模块100，用于基于新能源场站的历史短期功率预测数据和对应的第一相关数据，建立短期功率预测优化模型，根据短期功率预测优化模型计算优化后的短期功率预测值，其中，短期的时间长度以天数为单位。

计算模块200，用于建立多个条件约束模型，以新能源发电量与储能投资回报率的联合最大为目标，计算新能源场站的储能容量和储能功率。

第一生成模块300，用于将优化后的短期功率预测值、储能容量和储能功率输入预设的储能目标函数模型，以未来预设天数内的收益和上网电量最优为目标，生成新能源储能的日前计划曲线。

第二建立模块400，用于基于新能源场站的历史超短期功率预测数据和对应的第二相关数据，建立超短期功率预测优化模型，根据超短期功率预测优化模型计算优化后的超短期功率预测值，其中，超短期的时间长度以小时数为单位。

第二生成模块500，用于将优化后的超短期功率预测值、储能容量和储能功率输入储能目标函数模型，以未来预设数量个小时的收益和上网电量最优为目标，生成新能源储能在下一时段的出力控制曲线。

控制模块600，用于根据日前计划曲线和出力控制曲线对新能源场站的储能出力进行控制进行控制，使新能源场站在下一时段内的储能出力与用电需求相匹配。

可选地，在本申请的一个实施例中，第一相关数据包括：与历史短期功率预测数据对应时间内的第一场站实发数据、第一资源数据、第一场站机组状态数据和第一机组位置数据，第一建立模块100，具体用于：计算历史短期功率预测数据和第一场站实发数据之间的差值；根据差值、第一资源数据、第一场站机组状态数据和第一机组位置数据，对短期功率预测偏差的概率分布进行统计，建立偏差分布模型；基于所述偏差分布模型，通过求解多元线性回归建立短期功率预测优化模型。

可选地，在本申请的一个实施例中，计算模块200，具体用于在计算新能源场站的储能容量和储能功率时,通过以下公式生成计算的目标：

其中，

其中，J是新能源发电量与储能投资回报率的和，ROI是预设周期内的投资回报率，Q_t是t时刻新能源系统与储能系统的上网电量，Benefit是预设周期内的新能源场站总收益，Cos t是预设周期内的总成本，T是预设周期内的时间间隔数，t是周期内的任一时刻。

可选地，在本申请的一个实施例中，计算模块200，具体用于通过以下公式计算预设周期内的新能源场站总收益：

Benefit_t＝P_t*Q_t

其中，P_t是t时刻新能源系统的上网电价；

通过以下公式计算预设周期内的总成本：

Cost＝H1*S+H2*P+H3

其中，H1是储能系统的单位容量造价，H2是储能系统的单位功率造价，H3是储能系统的固定成本投资金额，S是储能系统的额定容量，P是储能系统的额定功率。

可选地，在本申请的一个实施例中，多个条件约束模型包括：储能充放电功率约束、储能荷电状态SOC约束和新能源场站接入电网的可接受电量约束，计算模块200，具体用于通过以下公式生成储能充放电功率约束：

-P_es,max≤P_es,t≤P_es,max

其中，P_es,max为储能系统额定功率；

通过以下公式生成储能荷电状态SOC约束：

其中，

为t时段的储能SOC，

和

分别为t时段的储能最大SOC和储能最小SOC；

通过以下公式生成新能源场站接入电网的可接受电量约束：

P_t≤P_grid,t

其中，P_grid,t为电网给定的新能源场站最大可上网功率。

可选地，在本申请的一个实施例中，第二相关数据包括：与历史超短期功率预测数据对应时间内的第二场站实发数据、第二资源数据、第二场站机组状态数据和第二机组位置数据，第二建立模块400，具体用于：计算历史超短期功率预测数据和第二场站实发数据之间的差值；结合差值、第二资源数据、第二场站机组状态数据和第二机组位置数据，建立新能源场站的超短期功率预测优化模型。

需要说明的是，前述对用于新能源消纳的储能控制方法的实施例的解释说明也适用于该实施例的系统，此处不再赘述

综上所述，本申请实施例的用于新能源消纳的储能控制系统，通过建立相应的神经网络模型,对新能源的短期功率和超短期功率进行优化预测,并结合计算出的新能源场站的储能容量和功率等配置参数，生成未来一天和下一时段的新能源储能控制曲线，从多个角度对新能源储能进行控制，从而提高了新能源场站储能控制的合理性和精确性，提升新能源系统的控制能力。进而，通过对新能源储能的合理控制，可以促进新能源消纳，避免浪费新能源电力资源并保障新能源发电的收益。

为了实现上述实施例，本申请还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述实施例中任一所述的用于新能源消纳的储能控制方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种用于新能源消纳的储能控制方法，其特征在于，包括以下步骤：

基于新能源场站的历史短期功率预测数据和对应的第一相关数据，建立短期功率预测优化模型，根据所述短期功率预测优化模型计算优化后的短期功率预测值，其中，短期的时间长度以天数为单位；

建立多个条件约束模型，以新能源发电量与储能投资回报率的联合最大为目标，计算所述新能源场站的储能容量和储能功率；

将所述优化后的短期功率预测值、所述储能容量和所述储能功率输入预设的储能目标函数模型，以未来预设天数内的收益和上网电量最优为目标，生成新能源储能的日前计划曲线；

基于新能源场站的历史超短期功率预测数据和对应的第二相关数据，建立超短期功率预测优化模型，根据所述超短期功率预测优化模型计算优化后的超短期功率预测值，其中，超短期的时间长度以小时数为单位；

将所述优化后的超短期功率预测值、所述储能容量和所述储能功率输入所述储能目标函数模型，以未来预设数量个小时的收益和上网电量最优为目标，生成新能源储能在下一时段的出力控制曲线；

根据所述日前计划曲线和所述出力控制曲线对所述新能源场站的储能出力进行控制，使所述新能源场站在下一时段内的储能出力与用电需求相匹配。

2.根据权利要求1所述的储能控制方法，其特征在于，所述第一相关数据包括：与所述历史短期功率预测数据对应时间内的第一场站实发数据、第一资源数据、第一场站机组状态数据和第一机组位置数据，所述基于新能源场站的历史短期功率预测数据和对应的第一相关数据，通过多元线性回归法建立短期功率预测优化模型，包括：

计算所述历史短期功率预测数据和所述第一场站实发数据之间的差值；

根据所述差值、所述第一资源数据、所述第一场站机组状态数据和所述第一机组位置数据，对短期功率预测偏差的概率分布进行统计，建立偏差分布模型；

基于所述偏差分布模型，通过求解多元线性回归建立所述短期功率预测优化模型。

3.根据权利要求1所述的储能控制方法，其特征在于，在计算所述新能源场站的储能容量和储能功率时,通过以下公式生成计算的目标：

其中，

其中，J是新能源发电量与储能投资回报率的和，ROI是预设周期内的投资回报率，Q_t是t时刻新能源系统与储能系统的上网电量，Benefit是预设周期内的新能源场站总收益，Cost是预设周期内的总成本，T是预设周期内的时间间隔数，t是周期内的任一时刻。

4.根据权利要求3所述的储能控制方法，其特征在于，通过以下公式计算所述预设周期内的新能源场站总收益：

Benefit_t＝P_t*Q_t

其中，P_t是t时刻新能源系统的上网电价；

通过以下公式计算所述预设周期内的总成本：

Cost＝H1*S+H2*P+H3

其中，H1是储能系统的单位容量造价，H2是储能系统的单位功率造价，H3是储能系统的固定成本投资金额，S是储能系统的额定容量，P是储能系统的额定功率。

5.根据权利要求1所述的储能控制方法，其特征在于，所述多个条件约束模型包括：储能充放电功率约束、储能荷电状态SOC约束和新能源场站接入电网的可接受电量约束，通过以下公式表示所述储能充放电功率约束：

-P_es,max≤P_es,t≤P_es,max

其中，P_es,max为储能系统额定功率；

通过以下公式表示所述储能荷电状态SOC约束：

其中，

为t时段的储能SOC，

和

分别为t时段的储能最大SOC和储能最小SOC；

通过以下公式表示所述新能源场站接入电网的可接受电量约束：

P_t≤P_grid，t

其中，P_grid,t为电网给定的新能源场站最大可上网功率。

6.根据权利要求1所述的储能控制方法，其特征在于，所述第二相关数据包括：与所述历史超短期功率预测数据对应时间内的第二场站实发数据、第二资源数据、第二场站机组状态数据和第二机组位置数据，所述基于新能源场站的历史超短期功率预测数据和对应的第二相关数据，建立超短期功率预测优化模型，包括：

计算所述历史超短期功率预测数据和所述第二场站实发数据之间的差值；

结合所述差值、所述第二资源数据、所述第二场站机组状态数据和所述第二机组位置数据，建立所述新能源场站的超短期功率预测优化模型。

7.一种用于新能源消纳的储能控制系统，其特征在于，包括：

第一建立模块，用于基于新能源场站的历史短期功率预测数据和对应的第一相关数据，建立短期功率预测优化模型，根据所述短期功率预测优化模型计算优化后的短期功率预测值，其中，短期的时间长度以天数为单位；

计算模块，用于建立多个条件约束模型，以新能源发电量与储能投资回报率的联合最大为目标，计算所述新能源场站的储能容量和储能功率；

第一生成模块，用于将所述优化后的短期功率预测值、所述储能容量和所述储能功率输入预设的储能目标函数模型，以未来预设天数内的收益和上网电量最优为目标，生成新能源储能的日前计划曲线；

第二建立模块，用于基于新能源场站的历史超短期功率预测数据和对应的第二相关数据，建立超短期功率预测优化模型，根据所述超短期功率预测优化模型计算优化后的超短期功率预测值，其中，超短期的时间长度以小时数为单位；

第二生成模块，用于将所述优化后的超短期功率预测值、所述储能容量和所述储能功率输入所述储能目标函数模型，以未来预设数量个小时的收益和上网电量最优为目标，生成新能源储能在下一时段的出力控制曲线；

控制模块，用于根据所述日前计划曲线和所述出力控制曲线对所述新能源场站的储能出力进行控制，使所述新能源场站在下一时段内的储能出力与用电需求相匹配。

8.根据权利要求7所述的控制系统，其特征在于，所述第一相关数据包括：与所述历史短期功率预测数据对应时间内的第一场站实发数据、第一资源数据、第一场站机组状态数据和第一机组位置数据，所述第一建立模块，具体用于：

计算所述历史短期功率预测数据和所述第一场站实发数据之间的差值；

根据所述差值、所述第一资源数据、所述第一场站机组状态数据和所述第一机组位置数据，对短期功率预测偏差的概率分布进行统计，建立偏差分布模型；

基于所述偏差分布模型，通过求解多元线性回归建立所述短期功率预测优化模型。

9.根据权利要求7所述的控制系统，其特征在于，所述计算模块，具体用于在计算所述新能源场站的储能容量和储能功率时,通过以下公式生成计算的目标：

其中，

其中，J是新能源发电量与储能投资回报率的和，ROI是预设周期内的投资回报率，Q_t是t时刻新能源系统与储能系统的上网电量，Benefit是预设周期内的新能源场站总收益，Cost是预设周期内的总成本，T是预设周期内的时间间隔数，t是周期内的任一时刻。

10.一种非临时性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1-6中任一所述的用于新能源消纳的储能控制方法。

Images