CN104701871B - 一种含风光水多源互补微网混合储能容量最佳配比方法 - Google Patents
一种含风光水多源互补微网混合储能容量最佳配比方法 Download PDFInfo
- Publication number
- CN104701871B CN104701871B CN201510077138.6A CN201510077138A CN104701871B CN 104701871 B CN104701871 B CN 104701871B CN 201510077138 A CN201510077138 A CN 201510077138A CN 104701871 B CN104701871 B CN 104701871B
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- power
- unit
- mtd
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000000295 complement effect Effects 0.000 title claims abstract description 20
- 239000003990 capacitor Substances 0.000 claims abstract description 47
- 238000010248 power generation Methods 0.000 claims abstract description 8
- 238000007599 discharging Methods 0.000 claims abstract description 3
- 230000005611 electricity Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000010287 polarization Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 38
- 238000004146 energy storage Methods 0.000 description 8
- 239000002245 particle Substances 0.000 description 8
- 101150000810 BVES gene Proteins 0.000 description 4
- 101150025129 POP1 gene Proteins 0.000 description 4
- 101100273030 Schizosaccharomyces pombe (strain 972 / ATCC 24843) caf1 gene Proteins 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 238000007667 floating Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
一种含风光水多源互补微网混合储能容量最佳配比方法，该方法根据当地风、光、水等自然资源的分布情况，模拟风力发电、光伏发电、以及水力发电的年输出功率曲线，结合微网的年负荷曲线，以系统成本和功率波动为目标函数，以蓄电池容量和超级电容容量为优化变量，同时确定功率平衡约束、最大瞬时功率约束、供电可靠性约束、超级电容充放电电流及电压约束、蓄电池SOC约束等约束条件，建立含风、光、水的微网混合储能优化配置模型；采用含模糊决策的多目标规划GA‑PSO算法对目标函数进行优化求解，得到混合储能容量的最佳配比。本发明与传统GA算法和PSO算法相比，收敛速度更快，且较好地回避了多目标优化算法中目标函数相互冲突的问题。
Description
技术领域
本发明涉及一种含风光水多源互补微网混合储能容量最佳配比方法，属微网混合储能技术领域。
背景技术
与煤炭和石油等传统化石能源相比，风能、太阳能以及水能等能源具有污染少、储量大、可再生等特点，加大这些清洁能源的开发力度，实现其大规模的利用，对于缓解当今世界严重的环境污染和资源枯竭问题具有重要的意义，已成为当前电力行业的一个工作重点。
然而，风能、太阳能和水能等可再生清洁能源均具有波动性的特点，其中风能和太阳能的短期波动较大，而水能的短期波动较小，季节性波动较大。这种波动的差异性，使得风力发电、光伏发电以及水力发电之间具有一定的互补性，但由风、光、水构成的多源互补微网输出功率仍不平稳，给大电网的安全稳定运行带来了新的挑战。配置储能装置是平抑含风光水多源互补微网输出功率波动的一种有效措施。蓄电池具有能量密度高、功率密度低，充放电速度慢的特点，而超级电容器具备功率密度高、充放电速度快的特点。构建含蓄电池和超级电容器的混合储能系统，充分发挥两种储能装置的各自优势，不仅可以降低储能系统的成本，而且可以实现含风光水多源互补微网与大电网的友好互动。
发明内容
本发明的目的是，针对可再生清洁能源风、光、水构成的多源互补微网输出功率波动的问题，提出一种含风光水多源互补微网混合储能容量最佳配比方法。
本发明的技术方案是，根据当地风、光、水等自然资源的分布情况，模拟风力发电、光伏发电、以及水力发电的年输出功率曲线；结合微网的年负荷曲线，建立以系统成本和功率波动最小的优化目标函数，同时确定功率平衡约束、最大瞬时功率约束、供电可靠性约束、超级电容充放电电流及电压约束、蓄电池SOC约束等约束条件，采用含模糊决策的多目标规划GA-PSO算法对目标函数进行优化求解，得到最优的混合储能容量配比。
所述方法的步骤如下：
(1)获取当地风、光、水等自然资源的分布情况，模拟风力发电、光伏发电、以及水力发电的年输出功率曲线；
(2)获取微网的年负荷曲线；
(3)以系统成本和功率波动最小为目标函数，以蓄电池容量和超级电容容量为优化变量，同时确定功率平衡约束、最大瞬时功率约束、供电可靠性约束、超级电容充放电电流及电压约束、蓄电池SOC约束等约束条件，建立含风、光、水的互补微网混合储能优化配置模型；
(4)采用含模糊决策的多目标规划GA-PSO算法对目标函数进行优化求解；
(5)统计不同目标函数非负权重系数下各种蓄电池容量与超级电容容量配比，找到最佳配比。
所述目标函数包括：
(1)成本目标函数
对混合储能系统的生命周期费用进行分析，建立了包含购置、运行、维护以及处理费用在内的成本目标函数：
minF1＝Cb+Co+Cm+Cd
其中，Cb为购置费用；Co为运行费用；Cm为维护费用；Cd为处理费用；
(2)功率波动目标函数
取混合储能参与平滑功率波动的时间段为[T1,T2]，建立功率波动目标函数：
PDG,i＝Pdg,i+Pbat,i+Puc,i
其中，i表示某一段时间；Pbat,i、Puc,i分别表示该段时间内蓄电池和超级电容的输出功率；Pdg,i、PDG,i分别表示经过混合储能装置平滑功率波动前后的系统实际发电功率；表示该段时间内风机的输出功率；表示水电集群在该段时间内的总输出功率，n为水电站个数；
利用目标加权法，定义个体的适应度函数为各目标函数的加权和：minF＝ω1F1+ω2F2，其中ω1，ω2是目标函数的非负权重系数，且满足ω1+ω2＝1。
所述含风、光、水的互补微网混合储能优化配置模型包括：
(1)风力发电单元
假定当前风速为vi、风机启动风速为vm、额定风速为vH、停机风速为vT、额定功率为PN，则风机在不同风速时对应的发电量分别为：
根据上式可以得到风机任一时间段内的发电总量：Ew＝Ew1+Ew2。
其中，hi为保持当前风速vi的小时数，单位为h；
(2)光伏发电单元
假设光伏阵列的额定功率为PN，转换效率为η，则光伏阵列的发电量为：
Es＝Ps·Tm＝N·PN·η·Tm
其中，Ps为光伏阵列的实际输出功率，单位为kW；N为当月天数，单位为d；Tm为光伏阵列倾斜面上当月平均峰值日照时数，单位为h/d；
(3)水力发电单元
假设水电站的水轮机引水发电流量为Q，单位为m3/s；水电站的工作水头为H，单位为m；水电站的水能转换效率为η，可表示为η＝η1η2η3，其中，η1表示水轮机效率，η2表示发电机效率，η3表示机组传动效率，则水电机组的发电量为：
Eh＝Ph·T＝A·Q·H·T
其中，Ph为水电站的实际输出功率，单位为kW；A的值可根据水电站的规模进行判定，一般A＝6.0～8.5；T为其机组发电小时数，单位为h；
(4)蓄电池单元
忽略蓄电池的极化内阻与相间微分电容，只考虑其端电压ub和荷电状态SOC，可将蓄电池等效为由直流电压源E与内阻Rb串联构成的电路；
蓄电池输出电压ub与荷电状态SOC可表示为：
ub＝E-Rb·ib
其中，E为蓄电池空载电压，单位为V；Rb为其内阻，单位为Ω；ib为其工作电流，单位为A；Q为其容量，单位为Ah；SOC0为其初始荷电状态；为蓄电池的储能容量；
(5)超级电容单元
超级电容器可以等效为理想电容器C与电阻RS相串联的模型；其中，UC(t)为超级电容器的电压；IS1、IS2分别为超级电容器的充、放电电流。
设U0为电容器初始电压，U1(t)和U2(t)分别是电容器充电和放电时的电压值，则电容器在充电和放电时，其计算公式分别为：
超级电容器充、放电时间分别表示为：
C·dv＝IS1·t
C·dv-IS2·C·RS＝IS2·t
其中，dv为超级电容器的端电压变化；t为超级电容的充放电时间，单位为h；
设Uw、Uv分别为电容充电完成与放电完成时的电压值，则超级电容的储能容量Euc为：
所述约束条件包括：
(1)功率平衡约束：
在任何时刻，微网系统都必须满足功率平衡：
Pbat,i+Puc,i+Pdg,i≥PL,i
其中，PL,i为该时间段微网负荷功率；
(2)供电可靠性约束：
微网系统一段时间内提供的总能量不小于负荷的用电量。
其中，Ebat,i-1、Euc,i-1分别为蓄电池与超级电容前一个工作时间段所剩电量，Ew,i为该时间段内风力总发电量，Es,i为该时间段内光伏阵列总发电量，为该时间段内水电集群总发电量，EL,i为该时间段负荷用电量；
(3)蓄电池SOC约束：
在蓄电池的充放电过程中，必须严格控制其荷电状态的上下限，以延蓄电池的使用寿命：
SOCmin＜SOCi＜SOCmax
其中，SOCmin为蓄电池荷电状态的下限；SOCmax为蓄电池荷电状态的上限；
(4)超级电容充、放电电流及电压约束：
超级电容在任何时候，必须满足其充、放电电流及电压约束。
其中：Umin、Umax分别为超级电容最低与最高充、放电电压；IS为超级电容充电电流，ISmax为超级电容最大工作电流；
(5)最大瞬时功率约束：
在任何时刻，微网系统都必须要满足其最大瞬时功率的缺失：
其中，ΔPLmax为该时间段内微网的最大瞬时功率缺失。
所述对目标函数进行优化求解过程为：
Step1初始化：确定种群规模pop_size，交叉概率pc(一般取0.40-0.99)，变异概率pm(一般取0.0001-0.1)，最大进化代数maxgen，产生初始种群pop；
Step2更新：求出pop中所有个体的适应度值，得出个体最优粒子gbest和全局最优粒子zbest，并按粒子群算法进行速度、位置更新，得到新的种群pop1；
Step3交叉：按照交叉概率pc，执行交叉算子；
Step4变异：按照变异概率pm，执行交叉算子，得到新的种群pop2；
Step5选择：从种群pop1与pop2中用精英选择算子选出pop_size个个体组成下一代种群pop，同时更新全局最优粒子zbest；
Step6判断：若满足迭代次数或满足最优个体所对应的网络输出误差精度要求，则停止；否则，转step2；
Step7模糊决策：改变目标函数的非负权重系数，多次重复计算，用以进行模糊决策。
本发明的有益效果是，本发明的一种含风光水多源互补微网混合储能容量最佳配比方法，具有如下优点：该方法考虑了风、光、水等多种清洁能源，具有较强的通用性；该方法与传统的GA算法和PSO算法相比，收敛速度更快；该方法采用含模糊决策的多目标规划GA-PSO算法较好地回避了多目标优化算法中目标函数相互冲突的问题。
本发明适用于含风光水多源互补微网混合储能容量最佳配比。
附图说明
图1为是本发明的一种含风光水多源互补微网混合储能容量最佳配比方法流程图；
图2是本发明的含模糊决策的多目标规划GA-PSO算法流程图；
图3是本发明的关于模糊决策的三角形隶属度函数。
具体实施方式
以下将结合图1和图2对本发明作进一步说明。
本发明的一种含风光水多源互补微网混合储能容量最佳配比方法具体实施方式如下：
(1)获取当地风、光、水等自然资源的分布情况，模拟风力发电、光伏发电、以及水力发电的年输出功率曲线；
(2)获取微网的年负荷曲线；
(3)以系统成本和功率波动最小为目标函数，以蓄电池容量和超级电容容量为优化变量，同时确定功率平衡约束、最大瞬时功率约束、供电可靠性约束、超级电容充放电电流及电压约束、蓄电池SOC约束等约束条件，建立含风、光、水的互补微网混合储能优化配置模型；
(4)采用含模糊决策的多目标规划GA-PSO算法对目标函数进行优化求解，其过程如下：
Step1初始化：确定种群规模pop_size，交叉概率pc(一般取0.40-0.99)，变异概率pm(一般取0.0001-0.1)，最大进化代数maxgen，产生初始种群pop。
Step2更新：求出pop中所有个体的适应度值，得出个体最优粒子gbest和全局最优粒子zbest，并按粒子群算法进行速度、位置更新，得到新的种群pop1；
Step3交叉：按照交叉概率pc，执行交叉算子；
Step4变异：按照变异概率pm，执行交叉算子，得到新的种群pop2；
Step5选择：从种群pop1与pop2中用精英选择算子选出pop_size个个体组成下一代种群pop，同时更新全局最优粒子zbest；
Step6判断：若满足迭代次数或满足最优个体所对应的网络输出误差精度要求，则停止；否则，转step2。
Step7模糊决策：改变目标函数的非负权重系数，多次重复计算，用以进行模糊决策。
(5)统计不同目标函数非负权重系数下各种蓄电池容量与超级电容容量配比，找到最佳配比。
下面针对本专利中涉及的含风光水互补微网混合储能系统模型、目标函数和约束条件作如下说明。
本实施例含风光水互补微网混合储能系统模型：
(1)风力发电单元
假定当前风速，风机启动风速、额定风速、停机风速与额定功率分别为vi、vm、vH、vT、PN，则风机在不同风速时对应的发电量分别为：
根据上式可以得到风机任一时间段内的发电总量：Ew＝Ew1+Ew2。
其中，hi为保持当前风速vi的小时数，单位为h。
(2)光伏发电单元
假设光伏阵列的额定功率为PN，转换效率为η，则光伏阵列的发电量为：
Es＝Ps·Tm＝N·PN·η·Tm
其中，Ps为光伏阵列的实际输出功率，单位为kW；N为当月天数，单位为d；Tm为光伏阵列倾斜面上当月平均峰值日照时数，单位为h/d。
(3)水力发电单元
假设水电站的水轮机引水发电流量为Q，单位为m3/s；水电站的工作水头为H，单位为m；水电站的水能转换效率为η，可表示为η＝η1η2η3，η1、η2、η3分别表示水轮机效率、发电机效率、机组传动效率，则水电机组的发电量为：
Eh＝Ph·T＝A·Q·H·T
其中，Ph为水电站的实际输出功率，单位为kW；A的值可根据水电站的规模进行判定，一般A＝6.0～8.5；T为其机组发电小时数，单位为h。
(4)蓄电池单元
忽略蓄电池的极化内阻与相间微分电容，只考虑其端电压ub和荷电状态SOC，可将蓄电池等效为由直流电压源E与内阻Rb串联构成的电路。
蓄电池输出电压ub与荷电状态SOC可表示为：
ub＝E-Rb·ib
其中，E为蓄电池空载电压，单位为V；Rb为其内阻，单位为Ω；ib为其工作电流，单位为A；Q为其容量，单位为Ah；SOC0为其初始荷电状态；为蓄电池的储能容量。
(5)超级电容单元
超级电容器可以等效为理想电容器C与电阻RS相串联的模型。其中，UC(t)为超级电容器的电压；IS1、IS2分别为超级电容器的充、放电电流。
设U0为电容器初始电压，U1(t)和U2(t)分别是电容器充电和放电时的电压值，则电容器在充电和放电时，其计算公式分别为：
超级电容器充、放电时间分别表示为：
C·dv＝IS1·t
C·dv-IS2·C·RS＝IS2·t
其中，dv为超级电容器的端电压变化；t为超级电容的充放电时间，单位为h。
设Uw、Uv分别为电容充电完成与放电完成时的电压值，则超级电容的储能容量Euc为：
本实施例的目标函数：
(1)成本目标函数
对混合储能系统的生命周期费用进行分析，建立了包含购置、运行、维护以及处理费用在内的成本目标函数：
minF1＝Cb+Co+Cm+Cd
其中，Cb为购置费用；Co为运行费用；Cm为维护费用；Cd为处理费用。
(2)功率波动目标函数
取混合储能参与平滑功率波动的时间段为[T1,T2]，建立功率波动目标函数：
PDG,i＝Pdg,i+Pbat,i+Puc,i
其中，i表示某一段时间；Pbat,i、Puc,i分别表示该段时间内蓄电池和超级电容的输出功率；Pdg,i、PDG,i分别表示经过混合储能装置平滑功率波动前后的系统实际发电功率；表示该段时间内风机的输出功率；表示水电集群在该段时间内的总输出功率，n为水电站个数。
利用目标加权法，定义个体的适应度函数为各目标函数的加权和：minF＝ω1F1+ω2F2，其中ω1，ω2是目标函数的非负权重系数，且满足ω1+ω2＝1。
本实施例的约束条件：
(1)功率平衡约束：
在任何时刻，微网系统都必须满足功率平衡。
Pbat,i+Puc,i+Pdg,i≥PL,i
其中，PL,i为该时间段微网负荷功率。
(2)供电可靠性约束：
微网系统一段时间内提供的总能量不小于负荷的用电量。
其中，Ebat,i-1、Euc,i-1分别为蓄电池与超级电容前一个工作时间段所剩电量，Ew,i为该时间段内风力总发电量，Es,i为该时间段内光伏阵列总发电量，为该时间段内水电集群总发电量，EL,i为该时间段负荷用电量。
(3)蓄电池SOC约束：
在蓄电池的充放电过程中，必须严格控制其荷电状态的上下限，以延蓄电池的使用寿命。
SOCmin＜SOCi＜SOCmax
(4)超级电容充、放电电流及电压约束：
超级电容在任何时候，必须满足其充、放电电流及电压约束。
其中：Umin、Umax分别为超级电容最低与最高充、放电电压；IS为超级电容充电电流，Imax为超级电容最大工作电流。
(5)最大瞬时功率约束：
在任何时刻，微网系统都必须要满足其最大瞬时功率的缺失。
其中，ΔPLmax为该时间段内微网的最大瞬时功率缺失。
本实施例的模糊决策如下：
为了更直观、合理的描述目标函数的重要程度，定义目标函数的重要程度为语言变量，并定义模糊子集为：[很不重要，不重要，中等，重要，很重要]。三角形隶属度函数对各目标函数的重要程度做出相应的模糊描述，如图3所示。
根据三角形隶属度函数，得出各模糊子集的隶属度函数。以目标函数的重要度作为论域，把个体对应的ω代入各段隶属度函数进行计算，得到ω对各模糊子集的隶属度，然后用隶属度最大的模糊子集对此个体进行描述。在取得Pareto最优解集后，通过模糊评价法对Pareto最优解集进行分类，得到9类结果。
Claims (2)
1.一种含风光水多源互补微网混合储能容量最佳配比方法，包括获取当地风、光、水自然资源的分布情况，模拟风力发电、光伏发电、以及水力发电的年输出功率曲线；获取微网的年负荷曲线，其特征在于，所述方法建立以系统成本和功率波动最小的目标函数，同时确定功率平衡约束条件、最大瞬时功率约束条件、供电可靠性约束条件、超级电容充放电电流及电压约束条件和蓄电池SOC约束条件，建立含风、光、水的微网混合储能优化配置模型，采用含模糊决策的多目标规划GA-PSO算法，对目标函数进行优化求解，得到最优的混合储能容量配比；
所述含风、光、水的微网混合储能优化配置模型为：
(1)风力发电单元
假定当前风速为vi、风机启动风速为vm、额定风速为vH、停机风速为vT、额定功率为PN，则风机在不同风速时对应的发电量分别为：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>w</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mo>&Sigma;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>P</mi>
<mi>N</mi>
</msub>
<mo>&CenterDot;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<msub>
<mi>v</mi>
<mi>H</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>3</mn>
</msup>
<mo>&CenterDot;</mo>
<msub>
<mi>h</mi>
<mi>i</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>m</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo><</mo>
<msub>
<mi>v</mi>
<mi>H</mi>
</msub>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>w</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>=</mo>
<mo>&Sigma;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>N</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>h</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>H</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo><</mo>
<msub>
<mi>v</mi>
<mi>T</mi>
</msub>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
根据上式可以得到风机任一时间段内的发电总量：Ew＝Ew1+Ew2；
其中，hi为保持当前风速vi的小时数，单位为h；
(2)光伏发电单元
假设光伏阵列的额定功率为PN，转换效率为η，则光伏阵列的发电量为：
Es＝Ps·Tm＝N·PN·η·Tm
其中，Ps为光伏阵列的实际输出功率，单位为kW；N为当月天数，单位为d；Tm为光伏阵列倾斜面上当月平均峰值日照时数，单位为h/d；
(3)水力发电单元
假设水电站的水轮机引水发电流量为Q，单位为m3/s；水电站的工作水头为H，单位为m；水电站的水能转换效率为η，可表示为η＝η1η2η3，其中，η1表示水轮机效率，η2表示发电机效率，η3表示机组传动效率，则水电机组的发电量为：
Eh＝Ph·T＝A·Q·H·T
其中，Ph为水电站的实际输出功率，单位为kW；A的值可根据水电站的规模进行判定，A＝6.0～8.5；T为其机组发电小时数，单位为h；
(4)蓄电池单元
忽略蓄电池的极化内阻与相间微分电容，只考虑其端电压ub和荷电状态SOC，可将蓄电池等效为由直流电压源E与内阻Rb串联构成的电路；
蓄电池输出电压ub与荷电状态SOC可表示为：
ub＝E-Rb·ib
<mrow>
<mi>S</mi>
<mi>O</mi>
<mi>C</mi>
<mo>=</mo>
<msub>
<mi>SOC</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mfrac>
<msub>
<mi>E</mi>
<mrow>
<mi>b</mi>
<mi>a</mi>
<mi>t</mi>
</mrow>
</msub>
<mi>Q</mi>
</mfrac>
</mrow>
其中，E为直流电压源，单位为V；Rb为其内阻，单位为Ω；ib为其工作电流，单位为A；Q为其容量，单位为Ah；SOC0为其初始荷电状态；为蓄电池的储能容量；
(5)超级电容单元
超级电容器可以等效为理想电容器C与电阻RS相串联的模型；其中，UC(t)为超级电容器的电压；IS1、IS2分别为超级电容器的充、放电电流；
设U0为电容器初始电压，U1(t)和U2(t)分别是电容器充电和放电时的电压值，则电容器在充电和放电时，其计算公式分别为：
<mrow>
<msub>
<mi>U</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>U</mi>
<mi>C</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>R</mi>
<mi>S</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>S</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>U</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mi>C</mi>
</mfrac>
<msub>
<mi>I</mi>
<mrow>
<mi>S</mi>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>R</mi>
<mi>S</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>S</mi>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>U</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>U</mi>
<mi>C</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>R</mi>
<mi>S</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>S</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>U</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mi>C</mi>
</mfrac>
<msub>
<mi>I</mi>
<mrow>
<mi>S</mi>
<mn>2</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>R</mi>
<mi>S</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>S</mi>
<mn>2</mn>
</mrow>
</msub>
</mrow>
超级电容器充、放电时间分别表示为：
C·dv＝IS1·t
C·dv-IS2·C·RS＝IS2·t
其中，dv为超级电容器的端电压变化；t为超级电容的充放电时间，单位为h；
设Uw、Uv分别为电容充电完成与放电完成时的电压值，则超级电容的储能容量Euc为：
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>u</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>&CenterDot;</mo>
<mi>C</mi>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>U</mi>
<mi>w</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>U</mi>
<mi>v</mi>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
2.根据权利要求1所述的一种含风光水多源互补微网混合储能容量最佳配比方法，其特征在于，所述约束条件包括：
(1)功率平衡约束：
在任何时刻，微网系统都必须满足功率平衡：
Pbat,i+Puc,i+Pdg,i≥PL,i
其中，i表示某一段时间；Pbat,i、Puc,i分别表示该段时间内蓄电池和超级电容的输出功率；Pdg,i表示经过混合储能装置平滑功率波动前的系统实际发电功率；PL,i为该时间段微网负荷功率；
(2)供电可靠性约束：
微网系统一段时间内提供的总能量不小于负荷的用电量；
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>b</mi>
<mi>a</mi>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>u</mi>
<mi>c</mi>
<mo>,</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>h</mi>
<mi>j</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>L</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
其中，Ebat,i-1、Euc,i-1分别为蓄电池与超级电容前一个工作时间段所剩电量，Ew,i为该时间段内风力总发电量，Es,i为该时间段内光伏阵列总发电量，为该时间段内水电集群总发电量，EL,i为该时间段负荷用电量；
(3)蓄电池SOC约束：
在蓄电池的充放电过程中，必须严格控制其荷电状态的上下限，以延蓄电池的使用寿命：
SOCmin＜SOCi＜SOCmax
其中，SOCmin为蓄电池荷电状态的下限；SOCmax为蓄电池荷电状态的上限；
(4)超级电容充、放电电流及电压约束：
超级电容在任何时候，必须满足其充、放电电流及电压约束；
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo><</mo>
<msub>
<mi>I</mi>
<mi>S</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>S</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo><</mo>
<msub>
<mi>U</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>U</mi>
<mi>min</mi>
</msub>
<mo><</mo>
<msub>
<mi>U</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中：Umin、Umax分别为超级电容最低与最高充、放电电压；IS为超级电容充电电流，ISmax为超级电容最大工作电流；
(5)最大瞬时功率约束：
在任何时刻，微网系统都必须要满足其最大瞬时功率的缺失：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>b</mi>
<mi>a</mi>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>u</mi>
<mi>c</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mi>&Delta;P</mi>
<mrow>
<mi>L</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mo>&Integral;</mo>
<mi>o</mi>
<mi>t</mi>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>b</mi>
<mi>a</mi>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mi>d</mi>
<mi>t</mi>
<mo>+</mo>
<munderover>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>t</mi>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>u</mi>
<mi>c</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mi>&Delta;P</mi>
<mrow>
<mi>L</mi>
<mi>max</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，ΔPLmax为该时间段内微网的最大瞬时功率缺失。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510077138.6A CN104701871B (zh) | 2015-02-13 | 2015-02-13 | 一种含风光水多源互补微网混合储能容量最佳配比方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510077138.6A CN104701871B (zh) | 2015-02-13 | 2015-02-13 | 一种含风光水多源互补微网混合储能容量最佳配比方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104701871A CN104701871A (zh) | 2015-06-10 |
| CN104701871B true CN104701871B (zh) | 2017-08-18 |
Family
ID=53348741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510077138.6A Active CN104701871B (zh) | 2015-02-13 | 2015-02-13 | 一种含风光水多源互补微网混合储能容量最佳配比方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104701871B (zh) |
Families Citing this family (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105140942B (zh) * | 2015-10-09 | 2017-11-28 | 国家电网公司 | 考虑荷电状态偏差的混合储能优化功率分配方法 |
| CN105868499B (zh) * | 2016-04-20 | 2018-10-16 | 电子科技大学 | 一种含风光储的电动汽车充电站容量配比方法 |
| CN106451504A (zh) * | 2016-10-19 | 2017-02-22 | 上海电力设计院有限公司 | 一种混合储能系统配置成本的控制方法及装置 |
| CN106972545A (zh) * | 2017-03-20 | 2017-07-21 | 国网浙江省电力公司嘉兴供电公司 | 一种虚拟电厂功率调节方法 |
| CN108667054B (zh) * | 2017-03-28 | 2021-09-03 | 中国电力科学研究院 | 一种储能规划方法及装置 |
| CN107067035B (zh) * | 2017-04-17 | 2018-04-20 | 哈尔滨师范大学 | 协同演化算法优化的支持向量机湿地遥感分类方法 |
| CN107732960A (zh) * | 2017-09-18 | 2018-02-23 | 国网甘肃省电力公司电力科学研究院 | 微电网储能系统容量优化配置方法 |
| CN107871052A (zh) * | 2017-12-12 | 2018-04-03 | 国家电网公司 | 一种计及可再生能源和储能的能源集线器优化调度模型 |
| CN108549207A (zh) * | 2018-03-15 | 2018-09-18 | 国网江西省电力有限公司电力科学研究院 | 一种水轮机调节系统控制参数的方法 |
| CN109950933B (zh) * | 2018-05-24 | 2022-09-13 | 国网河南省电力公司安阳供电公司 | 一种基于改进粒子群算法的风光储联合调峰优化方法 |
| CN108667057A (zh) * | 2018-05-29 | 2018-10-16 | 天津大学 | 一种针对高功率密度分布式光伏接入配电网多目标电能治理方法 |
| CN108879793B (zh) * | 2018-07-12 | 2021-07-13 | 电子科技大学 | 一种风光蓄能水电站互补的离网式混合能源系统优化方法 |
| CN109359310B (zh) * | 2018-07-27 | 2023-05-02 | 武汉理工大学 | 一种船舶动力系统中动力电池容量配比的优化方法 |
| CN109086943A (zh) * | 2018-08-27 | 2018-12-25 | 华北电力大学 | 基于风光互补特性的风电光热电站联合系统容量优化方法 |
| CN109193771B (zh) * | 2018-09-27 | 2021-04-20 | 河北工业大学 | 一种配电网端风电光伏容量配比优化方法 |
| CN109586325A (zh) * | 2018-12-21 | 2019-04-05 | 徐树强 | 一种新能源储能优化配置方法 |
| CN109687423B (zh) * | 2018-12-29 | 2020-08-04 | 华中科技大学 | 一种直流电网的储能配置方法 |
| CN109829228B (zh) * | 2019-01-28 | 2023-04-07 | 上海聚信海聚新能源科技有限公司 | 可再生能源系统中混合储能电源容量配置的优化方法 |
| CN110034572B (zh) * | 2019-04-17 | 2023-03-28 | 中国科学院广州能源研究所 | 含多端口电力电子变压器的交直流混合系统储能配置方法 |
| CN110263907B (zh) * | 2019-07-01 | 2020-12-29 | 上海海事大学 | 基于改进ga-pso-bp的船舶短路故障诊断方法 |
| CN110661284B (zh) * | 2019-08-20 | 2021-04-20 | 四川大学 | 多目标约束下的水光蓄互补发电系统容量优化配置方法 |
| CN112421673B (zh) * | 2019-08-22 | 2024-02-06 | 国网河南省电力公司安阳供电公司 | 基于多源协调的配电网网损优化控制方法及系统 |
| CN110970912B (zh) * | 2019-12-09 | 2023-08-04 | 国网新疆电力有限公司 | 一种含储能的新能源电力系统运行模拟方法 |
| CN111682531B (zh) * | 2020-06-11 | 2023-06-27 | 国网重庆市电力公司 | 基于pl-imocs的风光水火一次能源互补短期优化调度方法和装置 |
| CN111931357B (zh) * | 2020-07-24 | 2024-03-15 | 武汉大学 | 波浪能独立发电系统容量规划方法 |
| CN113141006A (zh) * | 2021-04-14 | 2021-07-20 | 国家能源费县发电有限公司 | 一种考虑成本约束及平抑功率波动的混合储能配置的方法 |
| CN114156926A (zh) * | 2021-12-02 | 2022-03-08 | 国电南瑞科技股份有限公司 | 综合能源体容量配置方法及系统、充电定价方法及系统 |
| CN115173445B (zh) * | 2022-09-06 | 2022-12-02 | 湖南大学 | 一种城市配电网与流域水系网灵活性联动运行方法 |
| CN116488212B (zh) * | 2023-06-19 | 2023-08-22 | 长沙电机厂集团长瑞有限公司 | 一种虚拟控制多电机组进行电力储能配置的方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103050983B (zh) * | 2012-12-18 | 2015-10-07 | 河海大学 | 一种基于混合算法的地区电网经济运行优化方法 |
| CN103490410B (zh) * | 2013-08-30 | 2014-07-02 | 江苏省电力设计院 | 一种基于多目标优化的微电网规划和容量配置方法 |
| CN104022534B (zh) * | 2014-06-17 | 2016-02-24 | 华北电力大学 | 风光储发电单元多目标协调运行优化方法 |
-
2015
- 2015-02-13 CN CN201510077138.6A patent/CN104701871B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104701871A (zh) | 2015-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104701871B (zh) | 一种含风光水多源互补微网混合储能容量最佳配比方法 | |
| CN104242335B (zh) | 一种基于额定容量的风光储发电单元容量优化配置方法 | |
| CN103490410B (zh) | 一种基于多目标优化的微电网规划和容量配置方法 | |
| CN105226688B (zh) | 基于机会约束模型的多类型储能系统容量优化配置方法 | |
| CN109586325A (zh) | 一种新能源储能优化配置方法 | |
| CN109936164A (zh) | 基于电源互补特性分析的多能源电力系统优化运行方法 | |
| CN104881716A (zh) | 一种微电网电源的优化规划及评估方法 | |
| CN104092231A (zh) | 一种独立微网混和储能容量优化配置方法 | |
| CN110135662B (zh) | 一种考虑减小峰谷差的储能选址定容多目标优化方法 | |
| CN107482660B (zh) | 一种基于双储能系统的主动配电网储能配置方法 | |
| CN106786610A (zh) | 一种基于储能电池的光伏高渗透率电网电压优化方法 | |
| CN114744684A (zh) | 一种新型电力系统低碳经济调控方法 | |
| CN105868499B (zh) | 一种含风光储的电动汽车充电站容量配比方法 | |
| CN110084443A (zh) | 一种基于qpso优化算法的换电站运行优化模型分析方法 | |
| CN106712114A (zh) | 一种考虑环境效益的主动配电网能量分层优化调度方法 | |
| CN112070628B (zh) | 一种计及环境因素的智能电网多目标经济调度方法 | |
| CN105741027A (zh) | 一种含电动汽车的虚拟电厂优化调度方法 | |
| CN112550047B (zh) | 一种充光储一体化充电站优化配置方法和装置 | |
| CN115622101A (zh) | 一种促进可再生能源消纳的储能优化配置双层规划方法 | |
| CN107732945A (zh) | 一种基于模拟退火粒子群算法的储能单元优化方法 | |
| CN111628558A (zh) | 混合储能系统的能量管理和容量配置的优化系统及方法 | |
| Jemaa et al. | Optimum sizing of hybrid PV/wind/battery system using Fuzzy-Adaptive Genetic Algorithm | |
| Abdelhak et al. | Optimum sizing of hybrid PV/wind/battery using Fuzzy-Adaptive Genetic Algorithm in real and average battery service life | |
| CN107947178A (zh) | 一种基于文化基因算法的交直流混合微网优化运行方法 | |
| CN104616071A (zh) | 一种风光储互补发电系统优化配置方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |