CN105226691A - 一种孤立微电网混合储能优化配置方法 - Google Patents

Abstract

本发明提供了一种孤立微电网混合储能优化配置方法，其对微电网电源负荷不平衡功率以及微电网中总负荷加以整体考虑，还综合考虑了系统中间歇性能源和负荷情况随时间波动的因素对微电网混合储能容量配置的影响，建立孤立微电网混合储能容量优化配置，采用遗传算法分别对电源负荷不平衡功率在不同拆分分解形式下对应的孤立微电网混合储能容量优化配置模型进行求解，择优确定更加符合实际的孤立微电网的混合储能最优配置方案，更好地满足实际孤立微电网的混合储能配置规划需求，从而帮助提高孤立微电网混合储能容量配置的利用率和使用寿命，提高运行经济性，降低孤立微电网系统的综合利用成本，能够广泛应用于微电网中混合储能的容量优化配置中。

Description

一种孤立微电网混合储能优化配置方法

技术领域

本发明涉及电力系统规划技术，具体涉及一种孤立微电网混合储能优化配置方法，属于一种对电力系统的优化规划技术领域。

背景技术

随着能源危机和环境污染的日益严峻，可再生能源在电力能源发展中受到越来越多的关注。随着风能、太阳能等可再生能源接入电网规模的不断扩大，其固有的出力间歇性和随机性对电网调度运行带来了较大困难。为了减少可再生能源接入对电网的冲击，并改善可再生能源机组单机接入成本高、可控性差等缺点，微电网应运而生。微电网是一个小型的可控系统，它将微电源、储能单元、负荷以及一些可控单元等有机地结合在一起，向用户输送电能和热能，可大幅提高可再生能源的渗透率。储能系统作为微电网必不可少的关键部分，在微电网中主要负责平滑联络线功率波动、削峰填谷及作为负荷备用等作用，其在微电网调度运行、提高可再生能源的接纳能力等方面发挥着不可替代的作用。随着微电网规模的增大和可再生能源渗透率的提高，对大规模储能系统容量、充放电功率以及储能寿命等技术性能的要求也越来越严格，且大容量储能系统通常价格昂贵，因此在微电网规划设计中，储能选型及定容对控制项目投资成本及后期电网调度运行优化显得尤为重要，有必要对微电网储能优化配置问题进行专门研究。

针对不同储能技术的运行特性和经济性特点，国内外学者对储能系统容量优化配置进行了深入的研究。基于储能系统应用场景和承担功能的不同，可以将储能系统容量优化分为以下两方面：

第一，储能系统与间歇性能源配合。目前，国内外学者针对储能系统平滑间歇性电源出力来进行储能容量的优化配置已取得了一定的研究成果。

孙耀杰针对间歇性电源中蓄电池的最优容量配置问题，提出了一种基于电池容量优化机会约束规划的数学模型。在对蓄电池容量优化过程中，建立了间歇性能源以及用户负荷随机特性的概率模型，将蓄电池容量优化问题转化为机会约束规划问题，并采用遗传算法，结合随机模拟技术对优化的数学模型进行了求解，得到了蓄电池的最优容量。

Yoshimoto·K提出了一种考虑蓄电池荷电状态反馈控制的方法，以日本Hokkaido风电场示范工程为应用模型，证明了该方法在达到预期目标的前提下能降低蓄电池的容量。

Teleke·S对上述方法进行了改进，同时考虑到蓄电池的充放电速率、荷电状态和充放电次数等约束条件，实现了风电场出力小时级别的发电调度。

第二，储能系统与微电网配合。凭借储能系统的双向充放电特性，能有效的降低微电网中间歇性能源的波动，平滑联络线功率波动，削峰填谷及作为运行备用等，国内外针对微电网储能系统优化配置方面的研究取得了一系列的研究成果。

Chen·S·X利用时序蒙特卡罗法和模糊神经网络法对风速和光照强度进行了预测，分别建立了微电网在孤岛运行状态下的电源调度模型和并网运行方式下的成本效益模型，以总成本最低为目标，考虑了功率平衡约束、旋转备用约束以及间歇式电源运行约束，采用混合线性整数规划的方法进行求解。但是该文献并没有考虑储能系统容量配置对微电网可靠性的影响。

许丹建立了以总成本最低为目标的蓄电池容量优化模型，计及了发电机组运行成本、启停机成本以及蓄电池经济折算成本，考虑了功率平衡约束、发电机组运行约束、蓄电池运行约束以及网络约束，对含风机、光伏、等电源的微电网并网运行模式进行建模，采用混合整数规划的方法进行求解，对不同间歇性能源渗透率和蓄电池经济折算系数下的蓄电池最优容量配置进行了分析。

Makarov·Y·V对风电机组出力和负荷进行预测，以两者的预测误差作为储能系统需要补偿的功率，通过傅里叶变换将预测误差进行了分解，以该微电网调度运行策略为基准划分了四个调度决策时段，提出了两种储能系统容量配置方法并进行了对比，同时还分析了高渗透率风电并网时的混合储能的选型方法。

上述方法针对平滑功率波动，以提高经济效益或降低投资成本为目标对储能容量进行优化配置，对推动我国微电网的发展提供了较好的技术储备，但也存在不足：第一，微电网中不仅含有间歇性能源，还含有随时间变化的负荷，储能配置不仅需要平抑间歇性能源的出力波动，还需要考虑负荷的随机波动和日周期特性；第二，不同类型储能系统的最适宜充放电时间跨度不同，特定类型的储能系统只有在特定的充放电时间跨度内运行效率才最高，若储能配置过程中不考虑这一因素的影响，将所有类型的储能系统同等看待，会大幅降低储能系统的工作效率和使用寿命；第三，在混合储能配置过程中，为了使不同类型的储能系统物尽其用，需要将电源和负荷间的不平衡功率进行分解，如何实现不平衡功率的优化分解，最大限度发挥混合储能的优势，对实际工程意义重大。

如何更能有效的解决现有技术微电网储能配置中存在的上述三方面不足，已经成为业界内的主要技术研究方向。

发明内容

针对现有技术中对微电网中混合储能容量配置方法所存在的不足，本发明提供了一种孤立微电网混合储能优化配置方法，以孤立微电网为研究对象，并以系统储能投资运行成本、缺电损失费用以及弃风惩罚费用的总和最小为目标建立孤立微电网混合储能容量优化配置模型，综合考虑了系统中间歇性能源和负荷情况随时间波动的因素对微电网混合储能容量配置的影响，再采用遗传算法对所建立的孤立微电网混合储能容量优化配置模型进行求解，择优确定微电网的混合储能优化配置方案，以提高孤立微电网混合储能容量配置的经济性，以帮助提高孤立微电网混合储能容量配置的利用率和使用寿命，降低孤立微电网系统的综合利用成本。

为实现上述目的，本发明采用了如下的技术方案：

一种孤立微电网混合储能优化配置方法，以孤立微电网为研究对象，并以系统储能投资运行成本、缺电损失费用以及弃风惩罚费用的总和最小为目标建立孤立微电网混合储能容量优化配置模型，采用遗传算法对所建立的孤立微电网混合储能容量优化配置模型进行求解，择优确定孤立微电网的混合储能优化配置方案；该方法具体包括如下步骤：

(1)统计孤立微电网中的微型燃气轮机输出功耗的历史数据，以及风速及负荷的历史数据，根据微型燃气轮机输出功耗的历史数据确定微型燃气轮机输出功率P_t(t)，根据风速及负荷的历史数据计算确定风电机组输出功率P_w(t)，进而计算确定孤立微电网总输出功率P_total(t)：

P_total(t)＝P_t(t)+P_w(t)；

(2)定义微电网电源负荷不平衡功率P_im(t)为t时刻微电网中总负荷P_L(t)与电源总出力P_total(t)的差值，即：

P_im(t)＝P_L(t)-P_total(t)；

(3)将微电网电源负荷不平衡功率P_im(t)视为一个采样点数为N的时域离散信号，求得微电网电源负荷不平衡功率P_im(t)的时域离散信号的展开表达式，进而求得微电网中总负荷P_L(t)的表达式P_L(t)＝P_t(t)+P_w(t)+P_im(t)；

(4)计及微电网的总负荷P_L(t)，以系统储能投资运行成本、缺电损失费用以及弃风惩罚费用的总和最小为目标，建立孤立微电网混合储能容量优化配置模型；

(5)确定分段点n的设定取值区间[n_min，n_max]∈(0，N/2)，其中n_min和n_max均为整数值，且令分段点n在设定取值区间[n_min,n_max]内取一个整数值，将微电网电源负荷不平衡功率P_im(t)的时域离散信号在第n个采样点位置处进行拆分，分解得到不平衡功率P_im(t)在当前分段点n取值下的低频部分P_{im_1}(t)和高频部分P_{im_2}(t)，且P_im(t)＝P_{im_n1}(t)+P_{im_n2}(t)；

(6)根据微电网的总负荷P_L(t)中电源负荷不平衡功率P_im(t)在当前分段点n取值下的拆分分解形式，采用遗传算法对所建立的孤立微电网混合储能容量优化配置模型进行求解，确定孤立微电网在当前分段点n取值下的混合储能优化配置方案；

(7)将分段点n在设定取值区间[n_min，n_max]内遍历取不同的整数值，针对分段点n能够在设定取值区间[n_min，n_max]内取得的每一个整数值，分别将微电网电源负荷不平衡功率P_im(t)的时域离散信号在第n个采样点位置处进行拆分后，重复步骤(6)，从而分别确定孤立微电网在每一个分段点n取值下的混合储能优化配置方案；然后，通过比较确定分段点n各不同取值下的混合储能优化配置方案中系统储能投资运行成本、缺电损失费用以及弃风惩罚费用的总和最小的一个方案，作为孤立微电网的混合储能最优配置方案，对微电网中的风电机组数量、蓄电池数量和微型燃气轮机数量进行配置。

上述孤立微电网混合储能优化配置方法中，作为一种优选方案，所述步骤(3)中，求取微电网电源负荷不平衡功率P_im(t)的时域离散信号的展开表达式的具体方式为：

3.1)将所述微电网电源负荷不平衡功率P_im(t)视为是一个采样点数为N的时域离散信号，记其采样周期为T_s，采样频率为f_s，则该离散信号的基频为1/(NT_s)，通过离散傅里叶变换，得到所述微电网电源负荷不平衡功率P_im(t)的不平衡功率频谱：

$F_{im}\left(k\right)=DFT\[P_{im}\left(t\right)\]=\underset{t=0}{\overset{N-1}{\Σ}}{P}_{im}\left(t\right)e^{-j(2\mathrm{\π}/N)kt};$

其中，k表示微电网电源负荷不平衡功率P_im(t)的倍频分量序数，k∈{0,1,2,…,N-1}；F_im(k)表示微电网电源负荷不平衡功率P_im(t)的不平衡功率频谱，即微电网电源负荷不平衡功率P_im(t)在不同k值倍频分量下的不平衡功率频谱幅值的离散集合；

3.2)令W_N＝e^-j(2π/N)，将不平衡功率频谱F_im(k)所表示的不同k值倍频分量下的不平衡功率频谱幅值的离散集合加以展开表示：

$F_{im}\left(k\right)=\[\frac{1}{2}{f}_{im}\left(0\right),f_{im}\left(1\right),f_{im}\left(2\right),\mathrm{...},f_{im}\left(k\right),\mathrm{...},f_{im}\left(N-1\right),\frac{1}{2}{f}_{im}\left(0\right)\],k\∈\left\{0,1,2,\mathrm{...},N-1\right\};$

其中，f_im(k)表示微电网电源负荷不平衡功率P_im(t)在第k值倍频分量下的不平衡功率频谱幅值；假设在(0，N/2)的取值区间内对分段点n进行取值，将不平衡功率频谱F_im(k)在k＝n位置处断开，k＝n位置处对应的采样周期命名为周期分断点T_n，因此的周期分断点T_n的取值范围为(T_s/2，∞)，不平衡功率频谱F_im(k)被断开而形成的两个部分各自将缺失的部分补零，可得：

$\left\{\begin{array}{c}{F}_{im1}\left(k\right)=\[\frac{1}{2}{F}_{im}\left(0\right),F_{im}\left(1\right),...,F_{im}\left(n\right),0,...,0,F_{im}(N-n),...,F_{im}(N-1),\frac{1}{2}{F}_{im}\left(0\right)\]\\ F_{im2}\left(k\right)=\[0,...,0,F_{im}(n+1),F_{im}(n+2),...,F_{im}\left(\frac{N}{2}\right),...,F_{im}(N-1-n),0,...,0\]\end{array}\right.;$

其中，F_im1(k)视为不平衡功率频谱F_im(k)中的低频部分，F_im2(k)视为不平衡功率频谱F_im(k)中的高频部分，且有F_im(k)＝F_im1(k)+F_im2(k)；

3.3)将不平衡功率频谱F_im(k)的低频部分F_im1(k)和高频部分F_im2(k)分别进行离散傅里叶逆变换，即有：

$\left\{\begin{array}{c}{P}_{im\_1}\left(t\right)=IDFT\[F_{im1}\left(k\right)\]=\frac{1}{N}\underset{k=0}{\overset{N-1}{\Σ}}{F}_{im1}\left(k\right)W_N^{-kt}\\ P_{im\_2}\left(t\right)=IDFT\[F_{im2}\left(k\right)\]=\frac{1}{N}\underset{k=0}{\overset{N-1}{\Σ}}{F}_{im2}\left(k\right)W_N^{-kt}\end{array}\right.,t\∈\left\{0,1,2,\mathrm{...},N-1\right\};$

其中，P_{im_1}(t)由不平衡功率的低频部分逆变换得到，视为不平衡功率日分量；P_{im_2}(t)由不平衡功率的高频部分逆变换得到，视为不平衡功率小时分量，；将低频部分P_{im_1}(t)和高频部分P_{im_2}(t)相加得到微电网电源负荷不平衡功率P_im(t)的离散展开表达式：

$\begin{array}{c}{P}_{im}\left(t\right)=P_{im\_1}\left(t\right)+P_{im\_2}\left(t\right)\\ =\frac{1}{N}\underset{k=0}{\overset{N-1}{\Σ}}{F}_{im1}\left(k\right)W_N^{-kt}+\frac{1}{N}\underset{k=0}{\overset{N-1}{\Σ}}{F}_{im2}\left(k\right)W_N^{-kt}\\ =\frac{1}{N}\underset{k=0}{\overset{N-1}{\Σ}}\[f_{im1}\left(k\right)+f_{im2}\left(k\right)\]W_N^{-kt}\\ =\frac{1}{N}\underset{k=0}{\overset{N-1}{\Σ}}{f}_{im}\left(k\right)W_N^{-kt}\\ =\frac{1}{N}\[f_{im}\left(0\right)+f_{im}\left(1\right)W_N^{-t}+\mathrm{...}+f_{im}\left(N-1\right)W_N^{-\left(N-1\right)t}\]\\ =\frac{1}{N}\[{\mathrm{Np}}_{im}\left(0\right)+{\mathrm{Np}}_{im}\left(1\right)+\mathrm{...}+{\mathrm{Np}}_{im}\left(N-1\right)\]\end{array}.$

上述孤立微电网混合储能优化配置方法中，作为一种优选方案，所述步骤(4)中，孤立微电网混合储能容量优化配置模型具体为：

4.a)孤立微电网混合储能容量优化配置模型的的目标函数：

minCOST_total＝(COST_{ESS_1}+COST_{EENS_1}+COST_{AB_1})+(COST_{ESS_2}+COST_{EENS_2}+COST_{AB_2})；

其中，COST_total代表系统储能投资运行成本、缺电损失费用以及弃风惩罚费用的总和；COST_{ESS_1}和COST_{ESS_2}分别代表压缩空气储能和钠硫电池储能的购置成本；COST_{EENS_1}和COST_{EENS_2}分别为日分量和小时分量的年度缺电损失费用；COST_{AB_1}和COST_{AB_2}分别为日分量和小时分量的年度弃风惩罚费用；

4.a.1)系统储能投资运行成本又压缩空气储能的购置成本COST_{ESS_1}和钠硫电池储能的购置成本COST_{ESS_2}构成：

$\left\{\begin{array}{c}{\mathrm{COST}}_{ESS\_1}=\frac{\mathrm{\γ}{\left(1+\mathrm{\γ}\right)}^{Y_{\_1}}}{{\left(1+\mathrm{\γ}\right)}^{Y_{\_1}}-1}\left({\mathrm{\λ}}_{E\_1}{E}_{R\_1}+{\mathrm{\λ}}_{P\_1}{P}_{R\_1}\right)+C_{OM\_1}\\ {\mathrm{COST}}_{ESS\_2}=\frac{\mathrm{\γ}{\left(1+\mathrm{\γ}\right)}^{Y_{\_2}}}{{\left(1+\mathrm{\γ}\right)}^{Y_{\_2}}-1}\left({\mathrm{\λ}}_{E\_2}{E}_{R\_2}+{\mathrm{\λ}}_{P\_2}{P}_{R\_2}\right)+C_{OM\_2}\end{array}\right.;$

其中，Y_{_1}和Y_{_2}分别代表压缩空气储能和钠硫电池的使用寿命；γ为年利率；λ_{E_1}、λ_{P_1}和λ_{E_2}、λ_{P_2}分别为压缩空气储能和钠硫电池的单位容量成本费用和单位功率成本费用；E_{R_1}、E_{R_2}和P_{R_1}、P_{R_2}分别为压缩空气储能和钠硫电池的额定容量和额定功率；C_{OM_1}和C_{OM_2}分别为压缩空气储能和钠硫电池的年运维成本；

4.a.2)缺电损失费用由日分量的年度缺电损失费用COST_{EENS_1}和小时分量的年度缺电损失费用COST_{EENS_2}构成：

假设λ_EENS为单位缺电损失费用，则年均缺电损失费用为：

$\left\{\begin{array}{c}{\mathrm{COST}}_{EENS\_1}={\mathrm{\λ}}_{EENS}\·E_{EENS\_1}\\ {\mathrm{COST}}_{EENS\_2}={\mathrm{\λ}}_{EENS}\·E_{EENS\_2}\end{array}\right.;$

式中，E_{EENS_1}和E_{EENS_2}分别为日分量和小时分量的年度期望缺供电量，单位为kWh/年。

4.a.3)弃风惩罚费用为由日分量的年度弃风惩罚费用COST_{AB_1}和小时分量的年度弃风惩罚费用COST_{AB_2}构成：

$\left\{\begin{array}{c}{\mathrm{COST}}_{AB\_1}={\mathrm{\λ}}_{AB}{E}_{AB\_1}\\ {\mathrm{COST}}_{AB\_2}={\mathrm{\λ}}_{AB}{E}_{AB\_2}\end{array}\right.;$

其中，λ_AB为单位弃风电量的弃风电量惩罚费用，E_{AB_1}和E_{AB_2}分别为日分量和小时分量的年均弃风电量；

4.b)孤立微电网混合储能容量优化配置模型的约束条件包括：

4.b.1)功率平衡约束：

P_L(t)＝P_t(t)+P_w(t)+P_im(t)；

4.b.2)常规机组出力约束：

P_tmin<P_t(t)<P_tmax；

4.b.3)储能系统约束：

$\left\{\begin{array}{c}0\&le;P_{c\_1}\left(t\right)\&le;P_{R\_1}\\ 0\&le;P_{d\_1}\left(t\right)\&le;P_{R\_1}\\ 0\&le;P_{c\_2}\left(t\right)\&le;P_{R\_2}\\ 0\&le;P_{d\_2}\left(t\right)\&le;P_{R\_2}\end{array}\right.;$

式中，P_{c_1}(t)和P_{c_2}(t)分别为压缩空气储能和钠硫电池储能在t时刻的充电功率；P_{d_1}(t)和P_{d_2}(t)分别为压缩空气储能和钠硫电池储能在t时刻的放电功率。

考虑到储能系统过充和过放都会影响其使用寿命，因此两种储能系统的荷电状态(StateofCharge，SOC)在任何时刻都不能超过其上、下限：

$\left\{\begin{array}{c}{\mathrm{SOC}}_{\min \_1}<{\mathrm{SOC}}_1\left(t\right)<{\mathrm{SOC}}_{\max \_1}\\ {\mathrm{SOC}}_{\min \_2}<{\mathrm{SOC}}_2\left(t\right)<{\mathrm{SOC}}_{\max \_2}\end{array}\right.;$

4.b.4)周期分断点约束：

根据第2节中周期分断点的定义，每个分断点n对应了一个周期分断点T_n。当工作在合适的时间跨度内时，储能系统将处于最优的工作状态，效率最高；当时间跨度不合适时，储能系统的工作效率将呈非线性降低；根据第2节对钠硫电池储能和压缩空气储能最适充放电时间跨度区间的分析，为了保证储能系统都工作在最优状态，对周期分断点T_n以及分断点n有如下约束：

$\left\{\begin{array}{c}{T}_{min\_1}<T_n<T_{max\_2}\\ n_{min}\&le;n\&le;n_{max}\end{array}\right.;$

其中，n_min为T_{min_1}对应的分断点N/T_{min_1}，n_max为T_{max_2}对应的分断点N/T_{max_2}。

4.b.5)可靠性约束：

LOLP≤LOLP_max；

其中，LOLP为系统缺电概率，LOLP_max为系统所允许的最大缺电概率：

$LOLP=\frac{EENS}{\underset{t=0}{\overset{N-1}{\&Sigma;}}{P}_L\left(t\right)\mathrm{\&Delta;}t}.$

上述孤立微电网混合储能优化配置方法中，作为一种优选方案，所述步骤(6)中，用遗传算法对孤立微电网混合储能容量优化配置模型进行求解的过程具体包如下步骤：

Step1：根据微电网的总负荷P_L(t)中电源负荷不平衡功率P_im(t)在当前分段点n取值下拆分分解得到的低频部分P_{im_1}(t)和高频部分P_{im_2}(t)，分别确定储能功率日分量和小时分量的最大值P_{max_1}、P_{max_2}以及最小值P_{min_1}、P_{min_2}，相应确定储能容量日分量和小时分量的最大值E_{max_1}、E_{max_2}以及最小值E_{min_1}、E_{min_2}；

Step2：将电源负荷不平衡功率P_im(t)在当前分段点n取值下拆分分解得到的低频部分P_{im_1}(t)和高频部分P_{im_2}(t)作为孤立微电网混合储能容量优化配置模型的输入参数，并设置遗传算法计算所需参数，包括种群规模、选择概率、交叉概率、变异概率和最大进化代数；

Step3：随机生成储能功率日分量值P_{im_1}、储能功率小时分量值P_{im_2}、储能容量日分量E_{m_1}、储能容量小时分量E_{m_2}作为一组，构成一个粒子[P_{m_1},P_{m_2},E_{m_1},E_{m_2}]；由此随机生成M个粒子组成的初始种群P(0)，m＝1,2,…,M，M为设定的种群规模；

Step4：判断每个粒子中P_{m_1}、P_{m_2}、E_{m_1}、E_{m_2}的值是否处于约束范围内，若超过最大值，则调整相应分量值为最大值，如果小于最小值，则调整相应分量值为最小值；

Step5：分别计算每个粒子的适应度值；适应度的计算包括：

①储能系统充放电功率调整：

根据不平衡功率分量P_{im_i}(t)和储能系统SOC_i(t)的变化对储能充放电进行如下调整：

储能系统放电时，P_{im_i}(t)>0，若当前储能电量满足SOC_i(t)-SOC_{min_i}>min{P_{m_i}Δt，P_{im_i}(t)Δt}/E_{R_i}，则放电功率为：

P_{d_i}(t)＝min{P_{m_i},P_{im_i}(t)}；

若储能电量满足SOC_i(t)-SOC_{min_i}≤min{P_{m_i}Δt，P_{im_i}(t)Δt}/E_{R_i}，则放电功率为：

$P_{d\_i}\left(t\right)=\frac{{\mathrm{SOC}}_i\left(t\right)-{\mathrm{SOC}}_{\min \_i}}{\mathrm{\&Delta;}t}{E}_{R\_i};$

储能系统充电时，P_{im_i}(t)≤0，若当前电量满足SOC_{max_i}-SOC_i(t)>min{P_{m_i}Δt，-P_{im_i}(t)Δt}/E_{R_i}，则充电功率为：

P_{c_i}(t)＝min{P_{m_i},-P_{im_i}(t)}；

若储能电量满足SOC_{max_i}-SOC_i(t)≤min{P_{m_i}Δt，-P_{im_i}(t)Δt}/E_{R_i}，则充电功率为：

$P_{c\_i}\left(t\right)=\frac{{\mathrm{SOC}}_{\max \_i}-{\mathrm{SOC}}_i\left(t\right)}{\mathrm{\&Delta;}t}{E}_{R\_i};$

②期望缺供电量及弃风电量计算：

储能放电功率不足时，会引起系统缺电，期望缺供电量可以根据式(13)计算得到，此时P_{im_i}(t)>0：

${\mathrm{EENS}}_{\_i}=\underset{t=0}{\overset{N-1}{\&Sigma;}}\&lsqb;P_{im\_i}\left(t\right)-P_{d\_i}\left(t\right)\&rsqb;\mathrm{\&Delta;}t,t=0,2,...,N-1;$

储能充电功率不足时，会引起系统弃风，弃风电量可以根据式(14)计算得到，此时P_{im_i}(t)≤0：

$E_{AB\_i}=\underset{t=0}{\overset{N-1}{\&Sigma;}}\&lsqb;-P_{im\_i}\left(t\right)-P_{c\_i}\left(t\right)\&rsqb;\mathrm{\&Delta;}t,t=0,1,2,...,N-1;$

Step6：按照设定的选择概率从当前种群中选择适应值靠前的染色体，根据设定的交叉概率对选择的染色体进行交叉，并根据设定的变异概率对选择和交叉过后的染色体进行变异操作，得到新的种群；

Step7：判断遗传算法是否达到最大迭代次数，如果是，则执行Step8；如果不是，则转到Step4；

Step8：输出孤立微电网在当前分段点n取值下的孤立微电网混合储能容量优化配置模型进行遗传算法迭代求解得到的种群中适应值最优的粒子，该适应值最优粒子中当前的储能功率日分量值P_{im_1}、储能功率小时分量值P_{im_2}、储能容量日分量E_{m_1}、储能容量小时分量E_{m_2}即作为孤立微电网在当前分段点n取值下的混合储能优化配置方案。

相比于现有技术，本发明具有如下有益效果：

1、本发明的孤立微电网混合储能优化配置方法，对微电网电源负荷不平衡功率以及微电网中总负荷加以整体考虑，还综合考虑了系统中间歇性能源和负荷情况随时间波动的因素对微电网混合储能容量配置的影响，建立的模型更加全面，求解得到的微电网混合储能优化配置方案也更加符合实际孤立微电网的混合储能配置规划需求，从而帮助提高孤立微电网混合储能容量配置的利用率和使用寿命，提高运行经济性，降低孤立微电网系统的综合利用成本。

2、本发明的孤立微电网混合储能优化配置方法，在对建立的孤立微电网混合储能容量优化配置模型进行求解的过程中，分别考虑了微电网的总负荷中电源负荷不平衡功率在不同分段点n取值下的拆分分解形式下所对应的孤立微电网的混合储能配置方案，分别采用遗传算法对电源负荷不平衡功率在不同拆分分解形式下对应的孤立微电网混合储能容量优化配置模型进行求解，择优确定孤立微电网的混合储能优化配置方案，使得系统中间歇性能源和负荷情况随时间波动的因素在模型中得以体现，得到能够更加符合实际的孤立微电网的混合储能最优配置方案。

3、本发明的孤立微电网混合储能优化配置方法中，对孤立微电网混合储能容量优化配置模型求解所采用的数据为微电网的历史统计数据，不需要对风速和负荷进行预测，避免了预测误差造成的配置结果不精确，具有较好的实际应用性能和数据通用性。

4、本发明的孤立微电网混合储能优化配置方法，能够广泛应用于微电网中混合储能的容量优化配置中，特别适合应用于含间歇性新能源的大规模孤立微电网系统中。

附图说明

图1为本发明孤立微电网混合储能优化配置方法的流程图。

图2为实施例中加拿大Alberta孤立微电网2011年全年不平衡功率曲线图。

图3为实施例中加拿大Alberta孤立微电网2011年全年不平衡功率的日分量曲线图。

图4为实施例中加拿大Alberta孤立微电网2011年全年不平衡功率的小时分量曲线图。

图5为实施例中孤立微电网的成本-分断点曲线图。

具体实施方式

本发明所提供的孤立微电网混合储能优化配置方法，在现有技术针对孤立微电网的混合储能容量配置方法研究的基础上，还综合考虑了系统中间歇性能源和负荷情况随时间波动的因素对微电网混合储能容量配置的影响，其主要思路是：首先根据风机出力、微电源出力以及负荷曲线计算出电源负荷不平衡功率，通过离散傅里叶变换将不平衡功率完全分解，得到小时分量和日分量，并分别使用钠硫电池和压缩空气储能平衡该分量，为了使分解后的日分量和小时分量最优，专门研究了不平衡功率傅里叶变换分断点的分断原则，在此基础上，综合计入系统储能的投资运行成本、缺电损失费用和弃风惩罚费用，建立孤立微电网混合储能容量优化配置模型，并借助实际孤立微电网系统的历史数据进行验证分析，采用遗传算法对所建立的孤立微电网混合储能容量优化配置模型进行求解，择优确定微电网的混合储能优化配置方案。

本发明所提供的孤立微电网混合储能优化配置方法的流程如图1所示，具体包括如下步骤：

(1)统计孤立微电网中的微型燃气轮机输出功耗的历史数据，以及风速及负荷的历史数据，根据微型燃气轮机输出功耗的历史数据确定微型燃气轮机输出功率P_t(t)，根据风速及负荷的历史数据计算确定风电机组输出功率P_w(t)，进而计算确定孤立微电网总输出功率P_total(t)：

P_total(t)＝P_t(t)+P_w(t)；

(2)定义微电网电源负荷不平衡功率P_im(t)为t时刻微电网中总负荷P_L(t)与电源总出力P_total(t)的差值，即：

P_im(t)＝P_L(t)-P_total(t)；

(3)将微电网电源负荷不平衡功率P_im(t)视为一个采样点数为N的时域离散信号，求得微电网电源负荷不平衡功率P_im(t)的时域离散信号的展开表达式，进而求得微电网中总负荷P_L(t)的表达式P_L(t)＝P_t(t)+P_w(t)+P_im(t)；

(4)计及微电网的总负荷P_L(t)，以系统储能投资运行成本、缺电损失费用以及弃风惩罚费用的总和最小为目标，建立孤立微电网混合储能容量优化配置模型；

(5)确定分段点n的设定取值区间[n_min，n_max]∈(0，N/2)，其中n_min和n_max均为整数值，且令分段点n在设定取值区间[n_min,n_max]内取一个整数值，将微电网电源负荷不平衡功率P_im(t)的时域离散信号在第n个采样点位置处进行拆分，分解得到不平衡功率P_im(t)在当前分段点n取值下的低频部分P_{im_1}(t)和高频部分P_{im_2}(t)，且P_im(t)＝P_{im_n1}(t)+P_{im_n2}(t)；

(6)根据微电网的总负荷P_L(t)中电源负荷不平衡功率P_im(t)在当前分段点n取值下的拆分分解形式，采用遗传算法对所建立的孤立微电网混合储能容量优化配置模型进行求解，确定孤立微电网在当前分段点n取值下的混合储能优化配置方案；

(7)将分段点n在设定取值区间[n_min，n_max]内遍历取不同的整数值，针对分段点n能够在设定取值区间[n_min，n_max]内取得的每一个整数值，分别将微电网电源负荷不平衡功率P_im(t)的时域离散信号在第n个采样点位置处进行拆分后，重复步骤(6)，从而分别确定孤立微电网在每一个分段点n取值下的混合储能优化配置方案；然后，通过比较确定分段点n各不同取值下的混合储能优化配置方案中系统储能投资运行成本、缺电损失费用以及弃风惩罚费用的总和最小的一个方案，作为孤立微电网的混合储能最优配置方案，对微电网中的风电机组数量、蓄电池数量和微型燃气轮机数量进行配置。

通过上述步骤可以看到，本发明的孤立微电网混合储能优化配置方法，对微电网电源负荷不平衡功率以及微电网中总负荷加以整体考虑，计及微电网的总负荷，并以系统储能投资运行成本、缺电损失费用以及弃风惩罚费用的总和最小为目标，建立了孤立微电网混合储能容量优化配置模型，且分别考虑了微电网的总负荷中电源负荷不平衡功率在不同分段点n取值下的拆分分解形式下所对应的孤立微电网的混合储能配置方案，分别采用遗传算法对电源负荷不平衡功率在不同拆分分解形式下对应的孤立微电网混合储能容量优化配置模型进行求解，择优确定孤立微电网的混合储能优化配置方案，使得系统中间歇性能源和负荷情况随时间波动的因素在模型中得以体现；由此，按照最终得到的孤立微电网的混合储能最优配置方案，对微电网中的风电机组数量、蓄电池数量和微型燃气轮机数量进行配置，能够帮助提高孤立微电网混合储能容量配置的经济性，充分考虑系统储能自身的建设成本和维护成本，同时还考虑了降低常规能源消耗，尽可能的帮助提高系统中如风能、太阳能等新能源的利用率，降低却供电量，较少负荷削减，达到节能减排的目的，进而帮助提高孤立微电网混合储能容量配置的利用率和使用寿命，降低孤立微电网系统的综合利用成本，提升孤立微电网系统的稳定性和可靠性。

下面对本发明的电网电源容量优化配置方法的具体流程进行详细介绍。

A、由于孤立微电网作为一个自治电力系统，保证任意时刻的电源出力和负荷功率平衡是保持电网安全可靠运行的关键，而储能系统的接入可以起到平滑微电网功率波动，减小供需不平衡的作用，因此，在对混合储能容量配置前首先要对不平衡功率进行分解。

(1)统计孤立微电网中的微型燃气轮机输出功耗的历史数据，以及风速及负荷的历史数据，根据微型燃气轮机输出功耗的历史数据确定微型燃气轮机输出功率P_t(t)，根据风速及负荷的历史数据计算确定风电机组输出功率P_w(t)，进而计算确定孤立微电网总输出功率P_total(t)：

P_total(t)＝P_t(t)+P_w(t)。

(2)在不考虑网络损耗和常规机组备用的前提下，定义微电网电源负荷不平衡功率P_im(t)为t时刻微电网中总负荷P_L(t)与电源总出力P_total(t)的差值，即：

P_im(t)＝P_L(t)-P_total(t)；

P_im(t)即表示t时刻希望通过储能系统平滑的功率；当P_im(t)大于0时，储能系统释放能量；当P_im(t)小于0时，储能系统储存能量；当P_im(t)等于0时，储能系统即不释放也不存储能量。

(3)将微电网电源负荷不平衡功率P_im(t)视为一个采样点数为N的时域离散信号，求得微电网电源负荷不平衡功率P_im(t)的时域离散信号的展开表达式，进而求得微电网中总负荷P_L(t)的表达式P_L(t)＝P_t(t)+P_w(t)+P_im(t)。

该步骤中，求取微电网电源负荷不平衡功率P_im(t)的时域离散信号的展开表达式的具体方式为：

3.1)将所述微电网电源负荷不平衡功率P_im(t)视为是一个采样点数为N的时域离散信号，记其采样周期为T_s，采样频率为f_s，则该离散信号的基频为1/(NT_s)，通过离散傅里叶变换，得到所述微电网电源负荷不平衡功率P_im(t)的不平衡功率频谱：

$F_{im}\left(k\right)=DFT\&lsqb;P_{im}\left(t\right)\&rsqb;=\underset{t=0}{\overset{N-1}{\&Sigma;}}{P}_{im}\left(t\right)e^{-j(2\mathrm{\&pi;}/N)kt};$

其中，k表示微电网电源负荷不平衡功率P_im(t)的倍频分量序数(k＝0时代表直流分量，k＝1时代表基频分量，k＝2时代表2倍频分量，依此类推，……，k＝N-1时代表N-1倍频分量)，k∈{0,1,2,…,N-1}；F_im(k)表示微电网电源负荷不平衡功率P_im(t)的不平衡功率频谱，即微电网电源负荷不平衡功率P_im(t)在不同k值倍频分量下的不平衡功率频谱幅值的离散集合；

3.2)为描述方便，令W_N＝e^-j(2π/N)，将不平衡功率频谱F_im(k)所表示的不同k值倍频分量下的不平衡功率频谱幅值的离散集合加以展开表示：

$F_{im}\left(k\right)=P_{im}\left(0\right)+P_{im}\left(1\right)W_N^k+...+P_{im}(N-1)W_N^{(N-1)k};$

为了体现直流分量F_im(0)的对称性，F_im(k)可以表示为：

$F_{im}\left(k\right)=\&lsqb;\frac{1}{2}{f}_{im}\left(0\right),f_{im}\left(1\right),f_{im}\left(2\right),\mathrm{...},f_{im}\left(k\right),\mathrm{...},f_{im}\left(N-1\right),\frac{1}{2}{f}_{im}\left(0\right)\&rsqb;,k\&Element;\left\{0,1,2,\mathrm{...},N-1\right\};$

其中，f_im(k)表示微电网电源负荷不平衡功率P_im(t)在第k值倍频分量下的不平衡功率频谱幅值；假设在(0，N/2)的取值区间内对分段点n进行取值，将不平衡功率频谱F_im(k)在k＝n位置处断开，k＝n位置处对应的采样周期命名为周期分断点T_n，因此的周期分断点T_n的取值范围为(T_s/2，∞)，不平衡功率频谱F_im(k)被断开而形成的两个部分各自将缺失的部分补零，可得：

$\left\{\begin{array}{c}{F}_{im1}\left(k\right)=\&lsqb;\frac{1}{2}{F}_{im}\left(0\right),F_{im}\left(1\right),...,F_{im}\left(n\right),0,...,0,F_{im}(N-n),...,F_{im}(N-1),\frac{1}{2}{F}_{im}\left(0\right)\&rsqb;\\ F_{im2}\left(k\right)=\&lsqb;0,...,0,F_{im}(n+1),F_{im}(n+2),...,F_{im}\left(\frac{N}{2}\right),...,F_{im}(N-1-n),0,...,0\&rsqb;\end{array}\right.;$

其中，F_im1(k)视为不平衡功率频谱F_im(k)中的低频部分，F_im2(k)视为不平衡功率频谱F_im(k)中的高频部分，且有F_im(k)＝F_im1(k)+F_im2(k)；

3.3)将不平衡功率频谱F_im(k)的低频部分F_im1(k)和高频部分F_im2(k)分别进行离散傅里叶逆变换，即有：

$\left\{\begin{array}{c}{P}_{im\_1}\left(t\right)=IDFT\&lsqb;F_{im1}\left(k\right)\&rsqb;=\frac{1}{N}\underset{k=0}{\overset{N-1}{\&Sigma;}}{F}_{im1}\left(k\right)W_N^{-kt}\\ P_{im\_2}\left(t\right)=IDFT\&lsqb;F_{im2}\left(k\right)\&rsqb;=\frac{1}{N}\underset{k=0}{\overset{N-1}{\&Sigma;}}{F}_{im2}\left(k\right)W_N^{-kt}\end{array}\right.,t\&Element;\left\{0,1,2,\mathrm{...},N-1\right\};$

其中，P_{im_1}(t)由不平衡功率的低频部分逆变换得到，视为不平衡功率日分量；P_{im_2}(t)由不平衡功率的高频部分逆变换得到，视为不平衡功率小时分量，；将低频部分P_{im_1}(t)和高频部分P_{im_2}(t)相加得到微电网电源负荷不平衡功率P_im(t)的离散展开表达式：

$\begin{array}{c}{P}_{im}\left(t\right)=P_{im\_1}\left(t\right)+P_{im\_2}\left(t\right)\\ =\frac{1}{N}\underset{k=0}{\overset{N-1}{\&Sigma;}}{F}_{im1}\left(k\right)W_N^{-kt}+\frac{1}{N}\underset{k=0}{\overset{N-1}{\&Sigma;}}{F}_{im2}\left(k\right)W_N^{-kt}\\ =\frac{1}{N}\underset{k=0}{\overset{N-1}{\&Sigma;}}\&lsqb;f_{im1}\left(k\right)+f_{im2}\left(k\right)\&rsqb;W_N^{-kt}\\ =\frac{1}{N}\underset{k=0}{\overset{N-1}{\&Sigma;}}{f}_{im}\left(k\right)W_N^{-kt}\\ =\frac{1}{N}\&lsqb;f_{im}\left(0\right)+f_{im}\left(1\right)W_N^{-t}+\mathrm{...}+f_{im}\left(N-1\right)W_N^{-\left(N-1\right)t}\&rsqb;\\ =\frac{1}{N}\&lsqb;{\mathrm{Np}}_{im}\left(0\right)+{\mathrm{Np}}_{im}\left(1\right)+\mathrm{...}+{\mathrm{Np}}_{im}\left(N-1\right)\&rsqb;\end{array}.$

上式为不平衡功率P_im(t)的完全分解，不平衡功率P_im(t)可以分解成日分量(低频部分)和小时分量(高频部分)之和的形式，可以证明利用傅立叶变换对不平衡功率进行分解是一个无损过程。该过程中没有任何近似，这也进一步说明了傅立叶变换的准确性。

B、上述步骤完成后，考虑到压缩空气储能作为能量型储能系统具有极低的容量成本，在大规模运用时投资成本较低，且具有能量转换效率高、运行寿命长等特点，钠硫电池具有比能量高，可大电流、高功率放电，且无污染等优势，本发明采用压缩空气储能和钠硫电池混合储能来平衡上述不平衡功率。第(4)步骤中使用混合储能时，周期分断点应在两种储能最适充放电时间跨度的重合区间内。所谓最适充放电时间跨度，是指储能系统在这种充放电时间跨度内进行正常的充放电具有较高的工作效率以及较小的寿命损耗。针对两种混合储能的配置问题，首先确定两种储能的最适充放电时间跨度的重合区间，周期分断点若选择在这一区间内，能够最大程度的提高储能系统的效率，降低储能系统的寿命损耗，进而提高经济性。本发明在进行混合储能容量优化配置计算时，将上述分断点作为决策变量，同时进行了内层容量优化和外层分断点优化两层优化过程，即第一层：在确定分断点的情况下进行储能优化配置，获得每个配置下的总费用；第二层：对比不同分断点对应的总费用，最终确定费用最小的分断点和储能优化配置方案。

基于此思路，本发明孤立微电网混合储能优化配置方法的后续步骤如下：

(4)计及微电网的总负荷P_L(t)，以系统储能投资运行成本、缺电损失费用以及弃风惩罚费用的总和最小为目标，建立孤立微电网混合储能容量优化配置模型。

该步骤中，所建立的孤立微电网混合储能容量优化配置模型具体为：

4.a)孤立微电网混合储能容量优化配置模型的的目标函数：

minCOST_total＝(COST_{ESS_1}+COST_{EENS_1}+COST_{AB_1})+(COST_{ESS_2}+COST_{EENS_2}+COST_{AB_2})；

其中，COST_total代表系统储能投资运行成本、缺电损失费用以及弃风惩罚费用的总和；COST_{ESS_1}和COST_{ESS_2}分别代表压缩空气储能和钠硫电池储能的购置成本；COST_{EENS_1}和COST_{EENS_2}分别为日分量和小时分量的年度缺电损失费用；COST_{AB_1}和COST_{AB_2}分别为日分量和小时分量的年度弃风惩罚费用；

4.a.1)系统储能投资运行成本又压缩空气储能的购置成本COST_{ESS_1}和钠硫电池储能的购置成本COST_{ESS_2}构成：

$\left\{\begin{array}{c}{\mathrm{COST}}_{ESS\_1}=\frac{\mathrm{\&gamma;}{\left(1+\mathrm{\&gamma;}\right)}^{Y_{\_1}}}{{\left(1+\mathrm{\&gamma;}\right)}^{Y_{\_1}}-1}\left({\mathrm{\&lambda;}}_{E\_1}{E}_{R\_1}+{\mathrm{\&lambda;}}_{P\_1}{P}_{R\_1}\right)+C_{OM\_1}\\ {\mathrm{COST}}_{ESS\_2}=\frac{\mathrm{\&gamma;}{\left(1+\mathrm{\&gamma;}\right)}^{Y_{\_2}}}{{\left(1+\mathrm{\&gamma;}\right)}^{Y_{\_2}}-1}\left({\mathrm{\&lambda;}}_{E\_2}{E}_{R\_2}+{\mathrm{\&lambda;}}_{P\_2}{P}_{R\_2}\right)+C_{OM\_2}\end{array}\right.;$

其中，Y_{_1}和Y_{_2}分别代表压缩空气储能和钠硫电池的使用寿命；γ为年利率；λ_{E_1}、λ_{P_1}和λ_{E_2}、λ_{P_2}分别为压缩空气储能和钠硫电池的单位容量成本费用和单位功率成本费用；E_{R_1}、E_{R_2}和P_{R_1}、P_{R_2}分别为压缩空气储能和钠硫电池的额定容量和额定功率；C_{OM_1}和C_{OM_2}分别为压缩空气储能和钠硫电池的年运维成本；

4.a.2)缺电损失费用由日分量的年度缺电损失费用COST_{EENS_1}和小时分量的年度缺电损失费用COST_{EENS_2}构成：

假设λ_EENS为单位缺电损失费用，则年均缺电损失费用为：

$\left\{\begin{array}{c}{\mathrm{COST}}_{EENS\_1}={\mathrm{\&lambda;}}_{EENS}\&CenterDot;E_{EENS\_1}\\ {\mathrm{COST}}_{EENS\_2}={\mathrm{\&lambda;}}_{EENS}\&CenterDot;E_{EENS\_2}\end{array}\right.;$

式中，E_{EENS_1}和E_{EENS_2}分别为日分量和小时分量的年度期望缺供电量，单位为kWh/年。

4.a.3)弃风惩罚费用为由日分量的年度弃风惩罚费用COST_{AB_1}和小时分量的年度弃风惩罚费用COST_{AB_2}构成：

$\left\{\begin{array}{c}{\mathrm{COST}}_{AB\_1}={\mathrm{\&lambda;}}_{AB}{E}_{AB\_1}\\ {\mathrm{COST}}_{AB\_2}={\mathrm{\&lambda;}}_{AB}{E}_{AB\_2}\end{array}\right.;$

其中，λ_AB为单位弃风电量的弃风电量惩罚费用，E_{AB_1}和E_{AB_2}分别为日分量和小时分量的年均弃风电量；

4.b)孤立微电网混合储能容量优化配置模型的约束条件包括：

4.b.1)功率平衡约束：

P_L(t)＝P_t(t)+P_w(t)+P_im(t)；

4.b.2)常规机组出力约束：

P_tmin<P_t(t)<P_tmax；

4.b.3)储能系统约束：

$\left\{\begin{array}{c}0\&le;P_{c\_1}\left(t\right)\&le;P_{R\_1}\\ 0\&le;P_{d\_1}\left(t\right)\&le;P_{R\_1}\\ 0\&le;P_{c\_2}\left(t\right)\&le;P_{R\_2}\\ 0\&le;P_{d\_2}\left(t\right)\&le;P_{R\_2}\end{array}\right.;$

式中，P_{c_1}(t)和P_{c_2}(t)分别为压缩空气储能和钠硫电池储能在t时刻的充电功率；P_{d_1}(t)和P_{d_2}(t)分别为压缩空气储能和钠硫电池储能在t时刻的放电功率。

考虑到储能系统过充和过放都会影响其使用寿命，因此两种储能系统的荷电状态(StateofCharge，SOC)在任何时刻都不能超过其上、下限：

$\left\{\begin{array}{c}{\mathrm{SOC}}_{\min \_1}<{\mathrm{SOC}}_1\left(t\right)<{\mathrm{SOC}}_{\max \_1}\\ {\mathrm{SOC}}_{\min \_2}<{\mathrm{SOC}}_2\left(t\right)<{\mathrm{SOC}}_{\max \_2}\end{array}\right.;$

4.b.4)周期分断点约束：

根据第2节中周期分断点的定义，每个分断点n对应了一个周期分断点T_n。当工作在合适的时间跨度内时，储能系统将处于最优的工作状态，效率最高；当时间跨度不合适时，储能系统的工作效率将呈非线性降低；根据第2节对钠硫电池储能和压缩空气储能最适充放电时间跨度区间的分析，为了保证储能系统都工作在最优状态，对周期分断点T_n以及分断点n有如下约束：

$\left\{\begin{array}{c}{T}_{min\_1}<T_n<T_{max\_2}\\ n_{min}\&le;n\&le;n_{max}\end{array}\right.;$

其中，n_min为T_{min_1}对应的分断点N/T_{min_1}，n_max为T_{max_2}对应的分断点N/T_{max_2}。

4.b.5)可靠性约束：

LOLP≤LOLP_max；

其中，LOLP为系统缺电概率，LOLP_max为系统所允许的最大缺电概率：

$LOLP=\frac{EENS}{\underset{t=0}{\overset{N-1}{\&Sigma;}}{P}_L\left(t\right)\mathrm{\&Delta;}t}.$

(5)在建立孤立微电网混合储能容量优化配置模型后，则进行分段点的确定。分段点n的最大取值范围为(0，N/2)，因此可以设定分段点n的设定取值区间[n_min，n_max]∈(0，N/2)，其中n_min和n_max均为整数值，且令分段点n在设定取值区间[n_min,n_max]内取一个整数值，将微电网电源负荷不平衡功率P_im(t)的时域离散信号在第n个采样点位置处进行拆分，分解得到不平衡功率P_im(t)在当前分段点n取值下的低频部分P_{im_1}(t)和高频部分P_{im_2}(t)，且P_im(t)＝P_{im_n1}(t)+P_{im_n2}(t)。

(6)根据微电网的总负荷P_L(t)中电源负荷不平衡功率P_im(t)在当前分段点n取值下的拆分分解形式，采用遗传算法对所建立的孤立微电网混合储能容量优化配置模型进行求解，确定孤立微电网在当前分段点n取值下的混合储能优化配置方案。

该步骤中，用遗传算法对孤立微电网混合储能容量优化配置模型进行求解的过程具体包如下步骤：

Step1：根据微电网的总负荷P_L(t)中电源负荷不平衡功率P_im(t)在当前分段点n取值下拆分分解得到的低频部分P_{im_1}(t)和高频部分P_{im_2}(t)，分别确定储能功率日分量和小时分量的最大值P_{max_1}、P_{max_2}以及最小值P_{min_1}、P_{min_2}，相应确定储能容量日分量和小时分量的最大值E_{max_1}、E_{max_2}以及最小值E_{min_1}、E_{min_2}；

Step2：将电源负荷不平衡功率P_im(t)在当前分段点n取值下拆分分解得到的低频部分P_{im_1}(t)和高频部分P_{im_2}(t)作为孤立微电网混合储能容量优化配置模型的输入参数，并设置遗传算法计算所需参数，包括种群规模、选择概率、交叉概率、变异概率和最大进化代数；

Step3：随机生成储能功率日分量值P_{im_1}、储能功率小时分量值P_{im_2}、储能容量日分量E_{m_1}、储能容量小时分量E_{m_2}作为一组，构成一个粒子[P_{m_1},P_{m_2},E_{m_1},E_{m_2}]；由此随机生成M个粒子组成的初始种群P(0)，m＝1,2,…,M，M为设定的种群规模；

Step4：判断每个粒子中P_{m_1}、P_{m_2}、E_{m_1}、E_{m_2}的值是否处于约束范围内，若超过最大值，则调整相应分量值为最大值，如果小于最小值，则调整相应分量值为最小值；例如，若P_{m_1}>P_{max_1}，则取P_{m_1}＝P_{max_1}，若P_{m_1}<P_{min_1}，则取P_{m_1}＝P_{min_1}，若P_{min_1}≤P_{m_1}≤P_{max_1}，则P_{m_1}取值不变；P_{m_2}，E_{m_1}，E_{m_2}也同理进行取值调整处理；

Step5：分别计算每个粒子的适应度值；适应度的计算包括：

①储能系统充放电功率调整：

根据不平衡功率分量P_{im_i}(t)和储能系统SOC_i(t)的变化对储能充放电进行如下调整：

储能系统放电时，P_{im_i}(t)>0，若当前储能电量满足SOC_i(t)-SOC_{min_i}>min{P_{m_i}Δt，P_{im_i}(t)Δt}/E_{R_i}，则放电功率为：

P_{d_i}(t)＝min{P_{m_i},P_{im_i}(t)}；

若储能电量满足SOC_i(t)-SOC_{min_i}≤min{P_{m_i}Δt，P_{im_i}(t)Δt}/E_{R_i}，则放电功率为：

$P_{d\_i}\left(t\right)=\frac{{\mathrm{SOC}}_i\left(t\right)-{\mathrm{SOC}}_{\min \_i}}{\mathrm{\&Delta;}t}{E}_{R\_i};$

储能系统充电时，P_{im_i}(t)≤0，若当前电量满足SOC_{max_i}-SOC_i(t)>min{P_{m_i}Δt，-P_{im_i}(t)Δt}/E_{R_i}，则充电功率为：

P_{c_i}(t)＝min{P_{m_i},-P_{im_i}(t)}；

若储能电量满足SOC_{max_i}-SOC_i(t)≤min{P_{m_i}Δt，-P_{im_i}(t)Δt}/E_{R_i}，则充电功率为：

$P_{c\_i}\left(t\right)=\frac{{\mathrm{SOC}}_{\max \_i}-{\mathrm{SOC}}_i\left(t\right)}{\mathrm{\&Delta;}t}{E}_{R\_i};$

②期望缺供电量及弃风电量计算：

储能放电功率不足时，会引起系统缺电，期望缺供电量可以根据式(13)计算得到，此时P_{im_i}(t)>0：

${\mathrm{EENS}}_{\_i}=\underset{t=0}{\overset{N-1}{\&Sigma;}}\&lsqb;P_{im\_i}\left(t\right)-P_{d\_i}\left(t\right)\&rsqb;\mathrm{\&Delta;}t,t=0,2,...,N-1;$

储能充电功率不足时，会引起系统弃风，弃风电量可以根据式(14)计算得到，此时P_{im_i}(t)≤0：

$E_{AB\_i}=\underset{t=0}{\overset{N-1}{\&Sigma;}}\&lsqb;-P_{im\_i}\left(t\right)-P_{c\_i}\left(t\right)\&rsqb;\mathrm{\&Delta;}t,t=0,1,2,...,N-1;$

Step6：按照设定的选择概率从当前种群中选择适应值靠前的染色体，根据设定的交叉概率对选择的染色体进行交叉，并根据设定的变异概率对选择和交叉过后的染色体进行变异操作，得到新的种群；

Step7：判断遗传算法已达到最大迭代次数，如果是，则执行Step8；如果不是，则转到Step4；

Step8：输出孤立微电网在当前分段点n取值下的孤立微电网混合储能容量优化配置模型进行遗传算法迭代求解得到的种群中适应值最优的粒子，该适应值最优粒子中当前的储能功率日分量值P_{im_1}、储能功率小时分量值P_{im_2}、储能容量日分量E_{m_1}、储能容量小时分量E_{m_2}即作为孤立微电网在当前分段点n取值下的混合储能优化配置方案。

(7)将分段点n在设定取值区间[n_min，n_max]内遍历取不同的整数值，针对分段点n能够在设定取值区间[n_min，n_max]内取得的每一个整数值，分别将微电网电源负荷不平衡功率P_im(t)的时域离散信号在第n个采样点位置处进行拆分后，重复步骤(6)，从而分别确定孤立微电网在每一个分段点n取值下的混合储能优化配置方案；然后，通过比较确定分段点n各不同取值下的混合储能优化配置方案中系统储能投资运行成本、缺电损失费用以及弃风惩罚费用的总和最小的一个方案，作为孤立微电网的混合储能最优配置方案，对微电网中的风电机组数量、蓄电池数量和微型燃气轮机数量进行配置。

下面通过具体的实施例，对本发明加以说明。

实施例：

某大规模孤立微电网混合储能容量优化配置的具体步骤如下：

(1)、孤立微电网不平衡功率分解：

1)以加拿大Alberta省一个孤立微电网为例进行储能优化配置，以验证本说明所提模型的正确性和有效性。由于Alberta省地处平原地带，风力资源充足，其中常规机组的额定出力为800kW，风机额定出力为600kW，风机切入风速为3m/s，切出风速为30m/s，额定风速为18m/s，该微电网2011年峰值负荷为1.5MW，总负荷为7269.2MW。微网允许的最大缺电概率为0.1％，设定储能系统的SOC上下限为0.9和0.1，经济性计算中设年利率为6.7％，单位弃风电量惩罚费用为0.5$/kWh，单位缺电损失费用为1.5$/kWh，优化算法中粒子群算法最大迭代次数取200次。

2)计算不平衡功率：

不平衡功率Pim(t)为t时刻微电网中总负荷PL(t)与电源总出力Ptotal(t)的差值，即t时刻希望通过储能系统平滑的功率。根据1)中数据可以计算出该微电网的不平衡功率。

3)不平衡功率分解：

根据离散傅立叶变换，编写Matlab程序实现不平衡功率的分解，通过离散傅立叶逆变换可以计算不平衡功率的日分量和小时分量。压缩空气和钠硫电池储能的使用寿命、充放电效率、单位容量成本、单位功率成本等如表1所示：

表1

储能类型	压缩空气储能	钠硫电池储能
			储能寿命(年)	20	10
最适周期区间	20min-72h	20s-8h
			充放电效率	75％	87％
单位功率成本($/kW)	800	600
			单位容量成本($/kWh)	40	180
年运行维护费用($/kWh*年)	5-12	1.8

由表1中可以看出，混合储能系统的最适充放电周期范围为20min到8h。

(2)、孤立微电网中混合储能容量优化配置计算：

1)产生初始混合储能配置方案：

产生50个初始粒子，每一个粒子携带两种储能系统的最大充放电功率和最大容量一共4个染色体，然后判断50个粒子是否满足约束，不满足约束则剔除并重新产生初始值。

2)计算适应度：

根据公式计算每个个体的适应度，记录每个个体的最优适应度和种群的最优适应度。

3)更新粒子的速度与位置：

根据公式更新每个个体的速度和位置信息，得到新一代的粒子群，然后重复计算新种群的适应度，与初始种群进行对比，记录每个个体的最优适应度和种群的最优适应度。

4)计算混合储能最优配置方案：

达到200次迭代后，选择种群最优适应度为优化后的配置方案，记录该方案下的混合储能配置参数和经济性参数，然后更新分断点，重复1)——3)，记录下每一个分断点对应的优化配置方案。对比所有分断点，得到系统的最优配置结果。

实验结果：

把本发明应用到加拿大Alberta省一个孤立微电网中。该微电网2011年全年不平衡功率计算结果如图2所示。通过本说明采用的方法，将不平衡功率进行最优的分解，可以得到其日分量曲线图和小时分量曲线图，分别如图3和图4所示。为验证本说明所提混合储能优化配置模型的正确性和有效性，本说明对如下四种方案进行了分析：

方案1：微电网中不接入储能；

方案2：微电网中仅接入压缩空气储能；

方案3：微电网中仅接入钠硫电池储能；

方案4：微电网中接入压缩空气储能和钠硫电池混合储能。

四种情形下的储能优化配置结果如表2所示：

表2

由表2可以看出：

(1)方案1中由于没有储能，储能功率和容量均为0，因此也没有储能购置成本，但方案1中期望缺供电量达到了188.169MWh，期望缺电概率高达2.171％，系统可靠性较差，同时也会造成风能的浪费，由此带来的缺电损失和惩罚也是最高的，超过了24万美元。

(2)相比方案1，其他三种增装储能的方案都可以有效地降低系统的期望缺电电量，并能更加充分的利用风能，使系统可靠性有了很大的提升。单独使用压缩空气储能和单独使用钠硫电池储能时，储能额定功率和额定容量配置都较高，这是因为储能需要平滑的不平衡功率波动幅值高，波动频率快，既需要储能系统能够提供足够大的功率，跟踪快速变化的功率波动，还需要储能系统有足够大的容量大小，以满足长时间持续充放电的要求。

(3)混合储能方案中额定功率配置结果相比单独使用两种储能要小，压缩空气额定功率配置结果为283kW，钠硫电池额定功率配置结果为194kW，但是压缩空气额定容量配置仍然较高而钠硫电池额定容量配置大幅降低，这是因为经过不平衡功率的分解，压缩空气平滑的那一部分分量频率低周期长，压缩空气连续进行多个小时的充放电后才会切换一次充放电状态，因此容量配置要求很高，但这种策略能够极大的减少压缩空气充放电状态的切换，有效的降低运行维护费用，延长使用寿命；另外，钠硫电池平滑的另一部分分量频率高周期短，钠硫电池仅作为短时的能量缓冲，所以对容量配置的要求大大降低。相对前三种方案，方案4方案的可靠性最高，总成本也最低。

综上所述，相对于单一储能系统，混合储能能够充分发挥两种储能的优势，能有效的提高微电网的可靠性，提高风电的利用率，降低投资成本。

考虑到分断点不同，不平衡功率分解后得到的日分量和小时分量不同，得到的混合储能配置结果也有所不同，针对第二层优化，通过改变分断点，可得本实施例中孤立微电网的成本-分断点曲线如图5所示。

从上述结果可知，运用本方法对混合储能容量进行优化配置，能够充分发挥两种储能的优势，极大的提高微电网的可靠性，提高风电的利用率，大幅降低总投资成本，选择合适的分断点能进一步的降低投资，提高经济性，分断点的正确选择对储能系统的优化配置具有重要意义。

总体而言，本发明的孤立微电网混合储能优化配置方法，对微电网电源负荷不平衡功率以及微电网中总负荷加以整体考虑，还综合考虑了系统中间歇性能源和负荷情况随时间波动的因素对微电网混合储能容量配置的影响，建立的孤立微电网混合储能容量优化配置模型更加全面，并且在对模型进行求解的过程中，分别考虑了微电网的总负荷中电源负荷不平衡功率在不同分段点n取值下的拆分分解形式下所对应的孤立微电网的混合储能配置方案，分别采用遗传算法对电源负荷不平衡功率在不同拆分分解形式下对应的孤立微电网混合储能容量优化配置模型进行求解，择优确定孤立微电网的混合储能优化配置方案，使得系统中间歇性能源和负荷情况随时间波动的因素在模型中得以体现，得到能够更加符合实际的孤立微电网的混合储能最优配置方案，更好地满足实际孤立微电网的混合储能配置规划需求，从而帮助提高孤立微电网混合储能容量配置的利用率和使用寿命，提高运行经济性，降低孤立微电网系统的综合利用成本；此外，对孤立微电网混合储能容量优化配置模型求解所采用的数据为微电网的历史统计数据，不需要对风速和负荷进行预测，避免了预测误差造成的配置结果不精确，具有较好的实际应用性能和数据通用性。本发明的孤立微电网混合储能优化配置方法，能够广泛应用于微电网中混合储能的容量优化配置中，特别适合应用于含间歇性新能源的大规模孤立微电网系统中。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种孤立微电网混合储能优化配置方法，其特征在于，以孤立微电网为研究对象，并以系统储能投资运行成本、缺电损失费用以及弃风惩罚费用的总和最小为目标建立孤立微电网混合储能容量优化配置模型，采用遗传算法对所建立的孤立微电网混合储能容量优化配置模型进行求解，择优确定孤立微电网的混合储能优化配置方案；该方法具体包括如下步骤：

(1)统计孤立微电网中的微型燃气轮机输出功耗的历史数据，以及风速及负荷的历史数据，根据微型燃气轮机输出功耗的历史数据确定微型燃气轮机输出功率P_t(t)，根据风速及负荷的历史数据计算确定风电机组输出功率P_w(t)，进而计算确定孤立微电网总输出功率P_total(t)：

P_total(t)＝P_t(t)+P_w(t)；

(2)定义微电网电源负荷不平衡功率P_im(t)为t时刻微电网中总负荷P_L(t)与电源总出力P_total(t)的差值，即：

P_im(t)＝P_L(t)-P_total(t)；

(3)将微电网电源负荷不平衡功率P_im(t)视为一个采样点数为N的时域离散信号，求得微电网电源负荷不平衡功率P_im(t)的时域离散信号的展开表达式，进而求得微电网中总负荷P_L(t)的表达式P_L(t)＝P_t(t)+P_w(t)+P_im(t)；

(4)计及微电网的总负荷P_L(t)，以系统储能投资运行成本、缺电损失费用以及弃风惩罚费用的总和最小为目标，建立孤立微电网混合储能容量优化配置模型；

(5)确定分段点n的设定取值区间[n_min，n_max]∈(0，N/2)，其中n_min和n_max均为整数值，且令分段点n在设定取值区间[n_min,n_max]内取一个整数值，将微电网电源负荷不平衡功率P_im(t)的时域离散信号在第n个采样点位置处进行拆分，分解得到不平衡功率P_im(t)在当前分段点n取值下的低频部分P_{im_1}(t)和高频部分P_{im_2}(t)，且P_im(t)＝P_{im_n1}(t)+P_{im_n2}(t)；

(6)根据微电网的总负荷P_L(t)中电源负荷不平衡功率P_im(t)在当前分段点n取值下的拆分分解形式，采用遗传算法对所建立的孤立微电网混合储能容量优化配置模型进行求解，确定孤立微电网在当前分段点n取值下的混合储能优化配置方案；

(7)将分段点n在设定取值区间[n_min，n_max]内遍历取不同的整数值，针对分段点n能够在设定取值区间[n_min，n_max]内取得的每一个整数值，分别将微电网电源负荷不平衡功率P_im(t)的时域离散信号在第n个采样点位置处进行拆分后，重复步骤(6)，从而分别确定孤立微电网在每一个分段点n取值下的混合储能优化配置方案；然后，通过比较确定分段点n各不同取值下的混合储能优化配置方案中系统储能投资运行成本、缺电损失费用以及弃风惩罚费用的总和最小的一个方案，作为孤立微电网的混合储能最优配置方案，对微电网中的风电机组数量、蓄电池数量和微型燃气轮机数量进行配置。

2.根据权利要求1所述孤立微电网混合储能优化配置方法，其特征在于，所述步骤(3)中，求取微电网电源负荷不平衡功率P_im(t)的时域离散信号的展开表达式的具体方式为：

3.1)将所述微电网电源负荷不平衡功率P_im(t)视为是一个采样点数为N的时域离散信号，记其采样周期为T_s，采样频率为f_s，则该离散信号的基频为1/(NT_s)，通过离散傅里叶变换，得到所述微电网电源负荷不平衡功率P_im(t)的不平衡功率频谱：

$F_{im}\left(k\right)=DFT\&lsqb;P_{im}\left(t\right)\&rsqb;=\underset{t=0}{\overset{N-1}{\&Sigma;}}{P}_{im}\left(t\right)e^{-j(2\mathrm{\&pi;}/N)kt};$

其中，k表示微电网电源负荷不平衡功率P_im(t)的倍频分量序数，k∈{0,1,2,…,N-1}；F_im(k)表示微电网电源负荷不平衡功率P_im(t)的不平衡功率频谱，即微电网电源负荷不平衡功率P_im(t)在不同k值倍频分量下的不平衡功率频谱幅值的离散集合；

3.2)令W_N＝e^-j(2π/N)，将不平衡功率频谱F_im(k)所表示的不同k值倍频分量下的不平衡功率频谱幅值的离散集合加以展开表示：

$F_{im}\left(k\right)=\&lsqb;\frac{1}{2}{f}_{im}\left(0\right),f_{im}\left(1\right),f_{im}\left(2\right),...,f_{im}\left(k\right),...,f_{im}\left(N-1\right),\frac{1}{2}{f}_{im}\left(0\right)\&rsqb;,k\&Element;\left\{0,1,2,...,N-1\right\};$

其中，f_im(k)表示微电网电源负荷不平衡功率P_im(t)在第k值倍频分量下的不平衡功率频谱幅值；假设在(0，N/2)的取值区间内对分段点n进行取值，将不平衡功率频谱F_im(k)在k＝n位置处断开，k＝n位置处对应的采样周期命名为周期分断点T_n，因此的周期分断点T_n的取值范围为(T_s/2，∞)，不平衡功率频谱F_im(k)被断开而形成的两个部分各自将缺失的部分补零，可得：

$\left\{\begin{array}{c}{F}_{im1}\left(k\right)=\&lsqb;\frac{1}{2}{F}_{im}\left(0\right),F_{im}\left(1\right),...,F_{im}\left(n\right),0,...,0,F_{im}(N-n),...,F_{im}(N-1),\frac{1}{2}{F}_{im}\left(0\right)\&rsqb;\\ F_{im2}\left(k\right)=\&lsqb;0,...,0,F_{im}(n+1),F_{im}(n+2),...,F_{im}\left(\frac{N}{2}\right),...,F_{im}(N-1-n),0,...,0\&rsqb;\end{array}\right.;$

其中，F_im1(k)视为不平衡功率频谱F_im(k)中的低频部分，F_im2(k)视为不平衡功率频谱F_im(k)中的高频部分，且有F_im(k)＝F_im1(k)+F_im2(k)；

3.3)将不平衡功率频谱F_im(k)的低频部分F_im1(k)和高频部分F_im2(k)分别进行离散傅里叶逆变换，即有：

$\left\{\begin{array}{c}{P}_{im\_1}\left(t\right)=IDFT\&lsqb;F_{im1}\left(k\right)\&rsqb;=\frac{1}{N}\underset{k=0}{\overset{N-1}{\&Sigma;}}{F}_{im1}\left(k\right)W_N^{-kt}\\ P_{im\_2}\left(t\right)=IDFT\&lsqb;F_{im2}\left(k\right)\&rsqb;=\frac{1}{N}\underset{k=0}{\overset{N-1}{\&Sigma;}}{F}_{im2}\left(k\right)W_N^{-kt}\end{array}\right.,t\&Element;\left\{0,1,2,...,N-1\right\};$

其中，P_{im_1}(t)由不平衡功率的低频部分逆变换得到，视为不平衡功率日分量；P_{im_2}(t)由不平衡功率的高频部分逆变换得到，视为不平衡功率小时分量，；将低频部分P_{im_1}(t)和高频部分P_{im_2}(t)相加得到微电网电源负荷不平衡功率P_im(t)的离散展开表达式：

$\begin{array}{c}{P}_{im}\left(t\right)=P_{im\_1}\left(t\right)+P_{im\_2}\left(t\right)\\ =\frac{1}{N}\underset{k=0}{\overset{N-1}{\&Sigma;}}{F}_{im1}\left(k\right)W_N^{-kt}+\frac{1}{N}\underset{k=0}{\overset{N-1}{\&Sigma;}}{F}_{im2}\left(k\right)W_N^{-kt}\\ =\frac{1}{N}\underset{k=0}{\overset{N-1}{\&Sigma;}}\&lsqb;f_{im1}\left(k\right)+f_{im2}\left(k\right)\&rsqb;W_N^{-kt}\\ =\frac{1}{N}\underset{k=0}{\overset{N-1}{\&Sigma;}}{f}_{im}\left(k\right)W_N^{-kt}\\ =\frac{1}{N}\&lsqb;f_{im}\left(0\right)+f_{im}\left(1\right)W_N^{-t}+...+f_{im}\left(N-1\right)W_N^{-\left(N-1\right)t}\&rsqb;\\ =\frac{1}{N}\&lsqb;{\mathrm{Np}}_{im}\left(0\right)+{\mathrm{Np}}_{im}\left(1\right)+...+{\mathrm{Np}}_{im}\left(N-1\right)\&rsqb;\end{array}.$

3.根据权利要求1所述孤立微电网混合储能优化配置方法，其特征在于，所述步骤(4)中，孤立微电网混合储能容量优化配置模型具体为：

4.a)孤立微电网混合储能容量优化配置模型的的目标函数：

minCOST_total＝(COST_{ESS_1}+COST_{EENS_1}+COST_{AB_1})+(COST_{ESS_2}+COST_{EENS_2}+COST_{AB_2})；

其中，COST_total代表系统储能投资运行成本、缺电损失费用以及弃风惩罚费用的总和；COST_{ESS_1}和COST_{ESS_2}分别代表压缩空气储能和钠硫电池储能的购置成本；COST_{EENS_1}和COST_{EENS_2}分别为日分量和小时分量的年度缺电损失费用；COST_{AB_1}和COST_{AB_2}分别为日分量和小时分量的年度弃风惩罚费用；

4.a.1)系统储能投资运行成本又压缩空气储能的购置成本COST_{ESS_1}和钠硫电池储能的购置成本COST_{ESS_2}构成：

$\left\{\begin{array}{c}{\mathrm{COST}}_{ESS\_1}=\frac{\mathrm{\&gamma;}{\left(1+\mathrm{\&gamma;}\right)}^{Y_{\_1}}}{{\left(1+\mathrm{\&gamma;}\right)}^{Y_{\_1}}-1}\left({\mathrm{\&lambda;}}_{E\_1}{E}_{R\_1}+{\mathrm{\&lambda;}}_{P\_1}{P}_{R\_1}\right)+C_{OM\_1}\\ {\mathrm{COST}}_{ESS\_2}=\frac{\mathrm{\&gamma;}{\left(1+\mathrm{\&gamma;}\right)}^{Y_{\_2}}}{{\left(1+\mathrm{\&gamma;}\right)}^{Y_{\_2}}-1}\left({\mathrm{\&lambda;}}_{E\_2}{E}_{R\_2}+{\mathrm{\&lambda;}}_{P\_2}{P}_{R\_2}\right)+C_{OM\_2}\end{array}\right.;$

其中，Y_{_1}和Y_{_2}分别代表压缩空气储能和钠硫电池的使用寿命；γ为年利率；λ_{E_1}、λ_{P_1}和λ_{E_2}、λ_{P_2}分别为压缩空气储能和钠硫电池的单位容量成本费用和单位功率成本费用；E_{R_1}、E_{R_2}和P_{R_1}、P_{R_2}分别为压缩空气储能和钠硫电池的额定容量和额定功率；C_{OM_1}和C_{OM_2}分别为压缩空气储能和钠硫电池的年运维成本；

4.a.2)缺电损失费用由日分量的年度缺电损失费用COST_{EENS_1}和小时分量的年度缺电损失费用COST_{EENS_2}构成：

假设λ_EENS为单位缺电损失费用，则年均缺电损失费用为：

$\left\{\begin{array}{c}{\mathrm{COST}}_{EENS\_1}={\mathrm{\&lambda;}}_{EENS}\&CenterDot;E_{EENS\_1}\\ {\mathrm{COST}}_{EENS\_2}={\mathrm{\&lambda;}}_{EENS}\&CenterDot;E_{EENS\_2}\end{array}\right.;$

式中，E_{EENS_1}和E_{EENS_2}分别为日分量和小时分量的年度期望缺供电量，单位为kWh/年。

4.a.3)弃风惩罚费用为由日分量的年度弃风惩罚费用COST_{AB_1}和小时分量的年度弃风惩罚费用COST_{AB_2}构成：

$\left\{\begin{array}{c}{\mathrm{COST}}_{AB\_1}={\mathrm{\&lambda;}}_{AB}{E}_{AB\_1}\\ {\mathrm{COST}}_{AB\_2}={\mathrm{\&lambda;}}_{AB}{E}_{AB\_2}\end{array}\right.;$

其中，λ_AB为单位弃风电量的弃风电量惩罚费用，E_{AB_1}和E_{AB_2}分别为日分量和小时分量的年均弃风电量；

4.b)孤立微电网混合储能容量优化配置模型的约束条件包括：

4.b.1)功率平衡约束：

P_L(t)＝P_t(t)+P_w(t)+P_im(t)；

4.b.2)常规机组出力约束：

P_tmin<P_t(t)<P_tmax；

4.b.3)储能系统约束：

$\left\{\begin{array}{c}0\&le;P_{c\_1}\left(t\right)\&le;P_{R\_1}\\ 0\&le;P_{d\_1}\left(t\right)\&le;P_{R\_1}\\ 0\&le;P_{c\_2}\left(t\right)\&le;P_{R\_2}\\ 0\&le;P_{d\_2}\left(t\right)\&le;P_{R\_2}\end{array}\right.;$

式中，P_{c_1}(t)和P_{c_2}(t)分别为压缩空气储能和钠硫电池储能在t时刻的充电功率；P_{d_1}(t)和P_{d_2}(t)分别为压缩空气储能和钠硫电池储能在t时刻的放电功率。

考虑到储能系统过充和过放都会影响其使用寿命，因此两种储能系统的荷电状态(StateofCharge，SOC)在任何时刻都不能超过其上、下限：

$\left\{\begin{array}{c}{\mathrm{SOC}}_{min\_1}<{\mathrm{SOC}}_1\left(t\right)<{\mathrm{SOC}}_{max\_1}\\ {\mathrm{SOC}}_{min\_2}<{\mathrm{SOC}}_2\left(t\right)<{\mathrm{SOC}}_{max\_2}\end{array}\right.;$

4.b.4)周期分断点约束：

根据第2节中周期分断点的定义，每个分断点n对应了一个周期分断点T_n。当工作在合适的时间跨度内时，储能系统将处于最优的工作状态，效率最高；当时间跨度不合适时，储能系统的工作效率将呈非线性降低；根据第2节对钠硫电池储能和压缩空气储能最适充放电时间跨度区间的分析，为了保证储能系统都工作在最优状态，对周期分断点T_n以及分断点n有如下约束：

$\left\{\begin{array}{c}{T}_{min\_1}<T_n<T_{max\_2}\\ n_{min}\&le;n\&le;n_{max}\end{array}\right.;$

其中，n_min为T_{min_1}对应的分断点N/T_{min_1}，n_max为T_{max_2}对应的分断点N/T_{max_2}。

4.b.5)可靠性约束：

LOLP≤LOLP_max；

其中，LOLP为系统缺电概率，LOLP_max为系统所允许的最大缺电概率：

$LOLP=\frac{EENS}{\underset{t=0}{\overset{N-1}{\&Sigma;}}{P}_L\left(t\right)\mathrm{\&Delta;}t}.$

4.根据权利要求1所述孤立微电网混合储能优化配置方法，其特征在于，所述步骤(6)中，用遗传算法对孤立微电网混合储能容量优化配置模型进行求解的过程具体包如下步骤：

Step1：根据微电网的总负荷P_L(t)中电源负荷不平衡功率P_im(t)在当前分段点n取值下拆分分解得到的低频部分P_{im_1}(t)和高频部分P_{im_2}(t)，分别确定储能功率日分量和小时分量的最大值P_{max_1}、P_{max_2}以及最小值P_{min_1}、P_{min_2}，相应确定储能容量日分量和小时分量的最大值E_{max_1}、E_{max_2}以及最小值E_{min_1}、E_{min_2}；

Step2：将电源负荷不平衡功率P_im(t)在当前分段点n取值下拆分分解得到的低频部分P_{im_1}(t)和高频部分P_{im_2}(t)作为孤立微电网混合储能容量优化配置模型的输入参数，并设置遗传算法计算所需参数，包括种群规模、选择概率、交叉概率、变异概率和最大进化代数；

Step3：随机生成储能功率日分量值P_{im_1}、储能功率小时分量值P_{im_2}、储能容量日分量E_{m_1}、储能容量小时分量E_{m_2}作为一组，构成一个粒子[P_{m_1},P_{m_2},E_{m_1},E_{m_2}]；由此随机生成M个粒子组成的初始种群P(0)，m＝1,2,…,M，M为设定的种群规模；

Step4：判断每个粒子中P_{m_1}、P_{m_2}、E_{m_1}、E_{m_2}的值是否处于约束范围内，若超过最大值，则调整相应分量值为最大值，如果小于最小值，则调整相应分量值为最小值；

Step5：分别计算每个粒子的适应度值；适应度的计算包括：

①储能系统充放电功率调整：

根据不平衡功率分量P_{im_i}(t)和储能系统SOC_i(t)的变化对储能充放电进行如下调整：

储能系统放电时，P_{im_i}(t)>0，若当前储能电量满足SOC_i(t)-SOC_{min_i}>min{P_{m_i}Δt，P_{im_i}(t)Δt}/E_{R_i}，则放电功率为：

P_{d_i}(t)＝min{P_{m_i},P_{im_i}(t)}；

若储能电量满足SOC_i(t)-SOC_{min_i}≤min{P_{m_i}Δt，P_{im_i}(t)Δt}/E_{R_i}，则放电功率为：

$P_{d\_i}\left(t\right)=\frac{{\mathrm{SOC}}_i\left(t\right)-{\mathrm{SOC}}_{min\_i}}{\mathrm{\&Delta;}t}{E}_{R\_i};$

储能系统充电时，P_{im_i}(t)≤0，若当前电量满足SOC_{max_i}-SOC_i(t)>min{P_{m_i}Δt，-P_{im_i}(t)Δt}/E_{R_i}，则充电功率为：

P_{c_i}(t)＝min{P_{m_i},-P_{im_i}(t)}；

若储能电量满足SOC_{max_i}-SOC_i(t)≤min{P_{m_i}Δt，-P_{im_i}(t)Δt}/E_{R_i}，则充电功率为：

$P_{c\_i}\left(t\right)=\frac{{\mathrm{SOC}}_{\max \_i}-{\mathrm{SOC}}_i\left(t\right)}{\mathrm{\&Delta;}t}{E}_{R\_i};$

②期望缺供电量及弃风电量计算：

储能放电功率不足时，会引起系统缺电，期望缺供电量可以根据式(13)计算得到，此时P_{im_i}(t)>0：

${\mathrm{EENS}}_{\_i}=\underset{t=0}{\overset{N-1}{\&Sigma;}}\&lsqb;P_{im\_i}\left(t\right)-P_{d\_i}\left(t\right)\&rsqb;\mathrm{\&Delta;}t,t=0,2,...,N-1;$

储能充电功率不足时，会引起系统弃风，弃风电量可以根据式(14)计算得到，此时P_{im_i}(t)≤0：

$E_{AB\_i}=\underset{t=0}{\overset{N-1}{\&Sigma;}}\&lsqb;-P_{im\_i}\left(t\right)-P_{c\_i}\left(t\right)\&rsqb;\mathrm{\&Delta;}t,t=0,1,2,...,N-1;$

Step6：按照设定的选择概率从当前种群中选择适应值靠前的染色体，根据设定的交叉概率对选择的染色体进行交叉，并根据设定的变异概率对选择和交叉过后的染色体进行变异操作，得到新的种群；

Step7：判断遗传算法是否达到最大迭代次数，如果是，则执行Step8；如果不是，则转到Step4；

Step8：输出孤立微电网在当前分段点n取值下的孤立微电网混合储能容量优化配置模型进行遗传算法迭代求解得到的种群中适应值最优的粒子，该适应值最优粒子中当前的储能功率日分量值P_{im_1}、储能功率小时分量值P_{im_2}、储能容量日分量E_{m_1}、储能容量小时分量E_{m_2}即作为孤立微电网在当前分段点n取值下的混合储能优化配置方案。