没有合适的资源?快使用搜索试试~ 我知道了~
基于条件风险价值方法提出风柴储孤岛微网经济风险评估模型。对孤岛微网中风机与柴油发电机故障情况进行抽样,结合其出力分别建立可靠性模型;综合考虑储能放电深度和充放电次数对储能容量衰减的影响以及储能运行策略,建立储能系统可靠性模型;考虑微网内不同重要程度负荷停电造成的经济损失,采用条件风险价值方法定义经济风险严重度指标;采用蒙特卡洛模拟法求解严重度指标计算公式中的停电损失概率密度函数。以欧洲典型低压孤岛微网为例,对不同风机装机容量、负荷峰值、一般负荷容量占比以及置信度下的严重度指标进行分析,验证了该指标的合理性。
资源推荐
资源详情
资源评论
第 39 卷 第 11 期
2019 年 11 月
电 力 自 动 化 设 备
Electric Power Automation Equipment
Vol.39 No.11
Nov. 2019
基于条件风险价值的风柴储孤岛微网经济风险评估
郑 益,朱俊澎,袁 越
(河海大学 能源与电气学院,江苏 南京 211100)
摘要:基于条件风险价值方法提出风柴储孤岛微网经济风险评估模型。对孤岛微网中风机与柴油发电机故
障情况进行抽样,结合其出力分别建立可靠性模型;综合考虑储能放电深度和充放电次数对储能容量衰减的
影响以及储能运行策略,建立储能系统可靠性模型;考虑微网内不同重要程度负荷停电造成的经济损失,采
用条件风险价值方法定义经济风险严重度指标;采用蒙特卡洛模拟法求解严重度指标计算公式中的停电损
失概率密度函数。以欧洲典型低压孤岛微网为例,对不同风机装机容量、负荷峰值、一般负荷容量占比以及
置信度下的严重度指标进行分析,验证了该指标的合理性。
关键词:孤岛微网;条件风险价值;蒙特卡洛模拟;经济风险;严重度
中图分类号:TM 61 文献标志码:A DOI:10.16081/j.epae.201910005
0 引言
微网技术由于能够提升分布式电源消纳率,有
效解决偏远地区或海岛的供电问题,自提出以来就
得到了长足的发展
[1‐2]
。然而,当微网处于孤岛运行
状态时,微网中的电能主要由间歇性分布式可再生
能源发电提供,用户存在较大的停电风险。为了降
低用户的停电损失,配电公司通常需要投资大量冗
余的备用电源。为了合理指导微网规划,降低备用
容量,提高设备利用率,需要评估孤岛微网中发生供
电不足或故障情况下的用户停电损失风险。
孤岛状态下用户的停电风险主要来自发电不
足和设备故障 2 个方面,因此存在充裕性和安全性 2
个方面的风险
[3]
。现有文献围绕这 2 类风险展开了
大量研究。文献[4]以智能配电网为研究对象,首先
对智能配电网风险评估等级进行划分,然后采用改
进 CRITIC(CRiteria Importance Though Intercrieria
Correlation)赋权法确定各类风险指标权值,从而使
评估结果更加精确。文献[5]提出基于健康度和重
要度的风险评估方法,分别从系统运行状态和用户
差异的角度考虑,对配电网运行风险进行评估。文
献[6]考虑微网内光伏发电和储能等分布式电源控
制系统的影响,对微网网络安全风险进行评估。文
献[7]采用马尔可夫链蒙特卡洛法对风速和辐照度
进行建模,提出适用于微网的负荷损失风险指标和
电源损失风险指标,并通过发电/负荷比、风/光容
量配比以及马尔可夫链状态数 3 个参数验证所提风
险指标的正确性。文献[8]考虑保护系统对微网中
各类分布式电源的影响,通过模拟的方法得出过电
流、过电压以及欠电压的风险概率。现有的风险指
标虽然能够描述元件故障或电量不足对系统造成的
损失,但只能得到出现风险的概率值以及损失的期
望值,这种风险评估指标较为保守,对于极端条件下
的用户停电风险描述并不准确。此外,现有的风险
评估指标也尚未体现用户更关心的经济损失状况。
分布式可再生能源出力存在间歇性和不可控性
的缺点。为了降低分布式电源随机间歇特性对负荷
供电的影响,分布式电源通常与电池储能系统配合
以减小出力的波动。电池储能系统的运行效率与储
能的运行寿命有关。目前,针对储能系统可靠性模
型的研究较少。文献[9]分别建立风力发电、光伏发
电以及储能系统可靠性的数学模型,考虑储能系统
运行时需要满足的约束,但是没有考虑其故障情况。
文献[10]运用标准两状态模型建立储能装置的可靠
性模型,既考虑到正常运行时储能装置需要满足的
出力和电量等约束,也考虑到储能故障停运情况,但
是该模型较为简单,且未考虑储能运行特性和老化
特性。
基于上述研究背景,本文结合风机出力模型和
风机运行-停运-降额三状态模型建立风电机组可
靠性模型;分析磷酸铁锂电池老化导致的容量损失,
并结合储能出力特性建立电池储能的可靠性模型;
考虑不同重要程度负荷停电造成的经济损失,采用
金融风险领域常用的条件风险价值(CVaR)方法对
微网用户停电经济风险进行评估,并用蒙特卡洛模
拟法对经济风险严重度指标进行求解;最后通过分
析风机装机容量、负荷、置信度对指标的影响验证指
标的有效性和适应性。
1 微网发电系统可靠性模型
1.1 风力发电出力模型
现有文献常采用双参数 Weibull 分布对风速进
收稿日期:2018-08-29;修回日期:2019-08-20
基金项目:国家自然科学基金资助项目(51477041)
Project supported by the National Natural Science Foundation
of China(51477041)
电 力 自 动 化 设 备
第 39 卷
行拟合,其概率密度函数表示如下:
f ( v )=
k
c
(
v
c
)
k - 1
exp
é
ë
ê
ê
-
(
v
c
)
k
ù
û
ú
ú
(1)
其中,v 为风速;k 和 c 分别为 Weibull 模型中的形状
参数和尺度参数。
大量研究表明,风电机组的出力与风速有关,其
函数关系满足以下分段函数表达式
[11]
:
P
w
=
ì
í
î
ï
ï
ï
ï
0 v<v
in
,v >v
out
P
N
v
3
- v
3
in
v
3
N
- v
3
in
v
in
≤v≤v
N
P
N
v
N
<v≤v
out
(2)
其中,
P
w
为风电机组的输出功率;
v
in
为切入风速;
v
N
为额定风速;
v
out
为切出风速;
P
N
为风电机组的额定
输出功率。
1.2 风机故障模型
由于风机运行环境较为恶劣,常常出现进风口
或叶轮堵塞等故障,进而导致风机降额运行甚至停
运。本文采用三状态模型作为风机故障模型,如图
1 所示,图中
λ
ab
为状态 a 到状态 b 的转移率,可由风
机实际运行过程统计得到。
由马尔可夫过程可得各个状态的概率,即:
P
run
=
λ
21
λ
31
λ
21
λ
31
+ λ
12
λ
31
+ λ
13
λ
21
(3)
P
fault
=
λ
12
λ
31
λ
21
λ
31
+ λ
12
λ
31
+ λ
13
λ
21
(4)
P
derate
=
λ
13
λ
21
λ
21
λ
31
+ λ
12
λ
31
+ λ
13
λ
21
(5)
其中,
P
run
、
P
fault
、
P
derate
分别为风机在运行、停运、降额
状态下的概率。
根据风机在各个状态的概率,可以得到综合考
虑风机故障模型的风电机组输出功率,即:
P
wtg
=
ì
í
î
ï
ï
ï
ï
0 0≤γ ≤P
fault
ηP
w
P
fault
<γ≤P
fault
+ P
derate
P
w
P
fault
+ P
derate
<γ≤1
(6)
其中,
η
为降额系数;
γ
为区间[0,1]内满足均匀分布
的随机数。
每个状态的平均持续时间为离开该状态的转移
率总和的倒数,即:
T
run
=
1
λ
12
+ λ
13
(7)
T
fault
=
1
λ
21
+ λ
23
(8)
T
derate
=
1
λ
31
+ λ
32
(9)
其中,
T
run
、
T
fault
、
T
derate
分别为风机处于运行、停运、降
额状态的平均持续时间。
1.3 储能出力模型
储能系统通过其能量时序平移的作用可以有效
平抑孤岛微网中可再生能源出力的随机性和波动
性。因此,在实际含有可再生能源的微网中,储能系
统与可再生能源发电往往配套使用。本文中储能采
用以下运行策略:当风电出力大于负荷需求时,由风
电提供全部负荷所需功率,多余的出力为储能充电;
当风电出力小于负荷且储能中尚有剩余电量时,则
由储能提供剩余负荷缺额。
根据储能运行策略可以建立以下充放电模型:
P
bat
(t ) =
ì
í
î
min ( P
w
(t )- P
load
(t ), P
ch - max
) P
w
(t )>P
load
(t )
max(P
w
(t )- P
load
(t ), P
disch - max
) P
w
(t )≤P
load
(t )
(10)
其中,
P
bat
( t )
为 t 时刻储能的充放电功率;
P
load
( t )
为 t
时刻负荷值;
P
ch-max
、
P
disch-max
分别为储能最大充、放电
功率。
储能电池还需满足剩余电量的约束,可以采用
荷电状态 SOC(State Of Charge)对其进行表示,公式
和约束条件如下:
SOC(t + Δt )= SOC(t )+ P
bat
(t )Δt / E
bat
(11)
SOC
min
≤SOC(t ) ≤ SOC
max
(12)
其中,
SOC( t )
为 t 时刻储能电池的荷电状态;
Δt
为时
间增量;
SOC
max
、
SOC
min
分别为储能电池最大、最小荷
电状态;
E
bat
为储能电池容量。
1.4 储能老化模型
传统的电力系统风险评估中常采用多状态模型
对元件故障情况进行建模,但由于储能元件受充放
电次数、放电深度、温度等多个因素的影响
[12]
,多状
态模型难以对储能元件停运模型进行精确描述。因
此,本文考虑储能老化造成的容量衰减与充放电次
数和放电深度 DOD(Depth Of Discharge)之间的关
系,建立储能老化模型。通常认为,当容量衰减到新
电池容量的 80 %时,需要更换电池。
以工程中常见的磷酸铁锂电池为例。磷酸铁锂
电池具有使用寿命长、能量密度高、制造成本低的特
点。对电池进行测试得到循环寿命和放电深度的关
系参考文献[13]。采用双指数函数
[14]
对放电深度与
循环寿命进行拟合,拟合结果如下:
N
life
( δ
DOD
)= 5 092.3 + 2 372 890e
-21.1δ
DOD
+
120 844e
-4.5δ
DOD
(13)
其中,δ
DOD
为放电深度。
相应曲线如图 2 所示。
图 1 风机三状态模型
Fig.1 Three state model of wind turbine
剩余6页未读,继续阅读
资源评论
weixin_38500572
- 粉丝: 6
- 资源: 925
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 家庭用具检测15-YOLO(v8至v11)数据集合集.rar
- deploy.yaml
- PHP快速排序算法实现与优化
- 2023-04-06-项目笔记 - 第三百五十五阶段 - 4.4.2.353全局变量的作用域-353 -2025.12.22
- 2023-04-06-项目笔记 - 第三百五十五阶段 - 4.4.2.353全局变量的作用域-353 -2025.12.22
- pdfjs2.5.207和4.9.155
- 认识小动物-教案反思.docx
- csi-driver-nfs
- 冒泡排序算法详解及Java与Python实现
- 字幕网页文字检测20-YOLO(v5至v11)、COCO、CreateML、Paligemma、TFRecord、VOC数据集合集.rar
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功