CN106058900B

CN106058900B - 一种并网风光发电中混合储能容量优化配置方法

Info

Publication number: CN106058900B
Application number: CN201610581661.7A
Authority: CN
Inventors: 杨志超; 陆文伟; 葛乐; 马寿虎; 陆文涛; 顾佳易; 王蒙
Original assignee: Nanjing Institute of Technology
Current assignee: Nanjing Institute of Technology
Priority date: 2016-07-21
Filing date: 2016-07-21
Publication date: 2018-06-15
Anticipated expiration: 2036-07-21
Also published as: CN106058900A

Abstract

本发明公开了一种并网风光发电中混合储能容量优化配置方法，确定以优化蓄电池工作状态为原则，以提高储能系统整体经济性为目标的能量管理策略，基于该能量管理策略分析了并网风光发电系统能量损失率和能量缺失率的计算流程，根据全生命周期费用理论，建立了储能装置的年均费用函数表达式，并建立了以该函数值最小为目标，以系统能量损失率及能量缺失率等运行指标为约束的储能容量优化配置模型，最后运用改进混沌优化算法求解优化配置模型。本发明提出的改进混沌优化算法利用混沌运动具有的遍历性、随机性、规律性，可以有效完成该复杂非线性优化配置模型的计算。

Description

一种并网风光发电中混合储能容量优化配置方法

技术领域

本发明涉及一种并网风光发电中混合储能容量优化配置方法，属于微网储能系统配置优化技术领域。

背景技术

随着风光发电规模的迅速扩大，并网型风光发电系统将成为一个极具应用前景的发展方向。然而，风光发电功率具有的不稳定性和间歇性使其不能像传统发电方式那样满足电网要求的调度灵活性，为解决这一问题需要开发和建设与之相配套的储能系统。

储能技术应用到风光发电系统中将使系统的能量管理更加灵活，但对于目前以蓄电池为常用储能元件的风光储项目，储能成本接近甚至大于购买单独的光伏发电组件或风力发电机的成本。因此如何最大限度地延长蓄电池组的使用寿命是新能源发电系统设计人员亟须解决的重大问题。在目前可应用的储能技术中，蓄电池和超级电容器的储能特性可以达到很好的优势互补，因此该类混合储能技术将在风光系统中得到广泛应用。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种并网风光发电中混合储能容量优化配置方法，以蓄电池和超级电容器构成的混合储能系统为基础，对并网风光发电中储能容量优化配置问题进行研究。

为解决上述技术问题，本发明提供一种并网风光发电中混合储能容量优化配置方法，具体包括如下步骤：

1)确定能量管理策略；

2)计算并网风光发电系统运行指标；

3)以混合储能装置的年均费用最小为目标函数；

4)确定约束条件；

5)采用改进混沌优化算法求解优化配置模型。

前述的步骤1)确定能量管理策略，是指超级电容器承担由发电功率与调度功率不相等产生的不平衡功率P_ub中的频繁波动功率；蓄电池只负责承担不平衡功率P_ub中的基本功率。

前述的步骤2)中，采用能量损失率和能量缺失率作为并网风光发电系统运行指标；所述能量损失率R_LPPP是指在系统运行过程中，能量损失量E_LPP与电源发电总量E_g的比值；所述能量缺失率R_LPSP是指在系统运行过程中，能量缺失量E_LPS与调度总需求量E_n的比值；计算公式如下：

在kt时刻，若光伏阵列输出功率P_pv(kt)和风机输出功率P_w(kt)之和大于电网调度功率P_n(kt)，则存在剩余功率P_left，此时，如果储能系统剩余能量E_cnr未处于储能系统能量最大值E_cnmax，则电源为储能系统充电；若储能系统剩余能量处于满额状态，将产生能量损失，即：

E_LPP(kt)＝[(P_pv(kt)+P_w(kt))·η_c-P_n(kt)]t，

其中，E_LPP(kt)表示kt时刻的能量损失量；η_c表示逆变器的转换效率；t为单位时间间隔；

当光伏阵列和风机输出功率之和小于电网调度功率要求时，出现缺失功率P_lack，若储能系统剩余能量E_cnr大于储能系统能量最小值E_cnmin，则储能系统进行放电；若储能系统剩余能量不大于储能系统能量最小值，则由电网来弥补能量缺失：

E_LPS(kt)＝{P_n(kt)-[P_pv(kt)+P_w(kt)]η_c}t (2)

其中，E_LPS(kt)表示kt时刻的能量缺失量。

前述的步骤3)中，以混合储能装置的年均费用最小为目标函数，具体表达式如下：

minC＝C_iv+C_oc+C_mc+C_dc＝(1+k_ocba+k_mcba+k_dcba)·k_debamf_ba+(1+k_ocuc+k_dcuc)k_deucnf_uc (14)

其中，C表示混合储能装置的年均费用，C_iv指混合储能装置的购置成本，f_ba、f_uc分别代表蓄电池组和超级电容器组的单价，m、n分别表示蓄电池组和超级电容器组的个数，k_deba、k_deuc分别表示蓄电池组和超级电容器组的年折旧值，C_oc指混合储能装置的运行成本，k_ocba、k_ocuc分别表示蓄电池和超级电容器的运行成本系数，C_mc指混合储能装置的维护成本，k_mcba表示蓄电池的维护成本系数，C_dc指混合储能装置的处置成本，k_dcba、k_dcuc分别表示蓄电池和超级电容器的处置成本系数。

前述的步骤4)中，约束条件如下：

其中，P_ba(kt,m)、P_uc(kt,n)分别表示蓄电池和超级电容器的充电功率，m、n分别表示蓄电池组和超级电容器组的个数；P_pv(kt)、P_w(kt)、P_n(kt)表示kt时刻光伏阵列输出功率、风机输出功率和电网调度功率；η_c表示逆变器的转换效率；P_ban(m)、E_ban(m)分别表示蓄电池的额定功率和额定容量；α表示不平衡功率P_ub＝|P_n(kt)-[P_pv(kt)+P_w(kt)]η_c|中基本功率所占比例；R_LPPP(m,n)、R_LPSP(m,n)分别表示能量损失率和能量缺失率，R_LPPPmax、R_LPSPmax分别表示能量损失率最大值和能量缺失率最大值；P_ucmax(n)表示超级电容器最大充电功率；E_bamin(m)表示蓄电池的最小容量；E_ba(kt,m)表示蓄电池经过充放电后的剩余能量；E_ucmin(n)、E_ucmax(n)分别表示超级电容器组能量的最小值和最大值；E_uc(kt,n)表示超级电容器组经过充放电后的剩余能量。

前述的步骤5)采用改进混沌优化算法求解优化配置模型，具体步骤如下：

(5-1)算法初始化，令k＝0，给出N个具有微小差异的初值x_i,0，且x_i,0≠1且x_i,0≠0.75且x_i,0≠0.5且x_i,0≠0.25且x_i,0≠0，然后按照Logistic映射表达式得到N个轨迹不同的混沌变量{x_i,k}；

(5-2)将生成的混沌变量{x_i,k}按下式进行第一次载波，得到优化变量范围[x_min,x_max]内的混沌变量{x′_i,k}：

x′_i,k＝x_min+(x_max-x_min)x_i,k (17)；

(5-3)对生成的混沌变量x′_i,k进行可行性检验，重复执行步骤(5-1)和步骤(5-2)进行迭代搜索得到满足约束条件的可行解{x″_i,k}，并计算相应的目标函数值f(k)＝f({x″_i,k})；

令X^*＝{x″_i,0}，f^*＝f(0)，如果f(k)＜f^*，那么X^*＝{x″_i,k}，f^*＝f(k)；否则，令k＝k+1，进入下一循环，直到f^*变化小于0.01或达到最大迭代次数N_max1；

(5-4)按下式对混沌变量x_i,k+1进行第二次载波，得到混沌变量{z′_i,k}：

z′_i,k＝x^*+βx_i,k+1 (18)

其中，β为调节因子；

(5-5)对混沌变量z′_i,k进行可行性检验，当其满足约束条件时，若f(z′_i,k)＜f^*，则x^*＝z′_i,k，f^*＝f(z′_i,k)；否则令k＝k+1，进入下一循环，直到f^*变化小于0.01或达到最大迭代次数N_max2，最终的x^*即为最优解，f^*为最优值。

前述的步骤(5-1)中，Logistic映射表达式为：

x_i,k+1＝μx_i,k(1-x_i,k),x_i,k∈[0,1] (16)

其中，μ为控制参数；x_i,k为混沌变量。

本发明所达到的有益效果：

相较于传统方法，在容量配置优化计算中，本发明充分考虑蓄电池和超级电容器的互补运行特性，以优化蓄电池工作状态为原则提出的能量管理策略能够有效提高储能系统的整体经济性；以全生命周期费用理论为基础建立的储能容量优化目标函数，比只考虑初始购置成本的优化目标更符合实际情况，具有现实意义。本发明提出的改进混沌优化算法利用混沌运动具有的遍历性、随机性、规律性，可以有效完成该复杂非线性优化配置模型的计算。

附图说明

图1是本发明并网风光发电中混合储能容量优化配置方法流程图；

图2是能量损失率和能量缺失率计算流程图；

图3是储能装置充电时能量损失量的计算流程图；

图4是储能装置放电时能量缺失量的计算流程图；

图5是实施例中风力发电功率、光伏功率和调度功率0.5h发电预测值；

图6是实施例中单一储能时蓄电池组输出功率曲线；

图7是实施例中混合储能时蓄电池组和超级电容器组输出功率曲线。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明的并网风光发电中混合储能容量优化配置方法，如图1所示，包括如下步骤：

步骤一：确定能量管理策略；

步骤二：计算并网风光发电系统运行指标；

步骤三：以混合储能装置的年均费用最小为目标函数；

步骤四：确定约束条件；

步骤五：采用改进混沌优化算法求解优化配置模型。

具体实施过程如下：

以优化蓄电池工作状态为原则，以提高储能系统整体经济性为目标的能量管理策略。基于该能量管理策略分析了并网风光发电系统能量损失率和能量缺失率的计算流程，根据全生命周期费用理论，建立了储能装置的年均费用函数表达式，并建立了以该函数值最小为目标，以系统能量损失率及能量缺失率等运行指标为约束的储能容量优化配置模型，最后运用改进混沌优化算法求解优化配置模型。下文以某国家示范工程一期建设项目为例进行分析计算，验证所提方法的技术合理性和经济实用性。

1)确定能量管理策略

考虑到间歇式电源功率的波动性，并结合蓄电池和超级电容器互补的储能特性，提出如下适合该混合储能系统的能量管理策略：为充分发挥超级电容器功率密度大、循环寿命长、响应速度快的优势，同时有效回避其能量密度低的缺陷，超级电容器主要承担由发电功率与调度功率不相等产生的不平衡功率P_ub中的频繁波动功率；蓄电池只负责承担不平衡功率P_ub中的基本功率，这样可以有效避免蓄电池频繁充放电造成的小循环充放电现象，且蓄电池均以额定功率充放电，保证蓄电池处于优化的工作状态，延长蓄电池的使用寿命，提高储能系统的整体经济性。

2)计算并网风光发电系统运行指标

本发明采用能量损失率(LPPP)和能量缺失率(LPSP)作为并网风光发电系统运行指标。定义能量损失率R_LPPP为在系统运行过程中，能量损失量E_LPP与电源发电总量E_g的比值；定义能量缺失率R_LPSP为在系统运行过程中，能量缺失量E_LPS与调度总需求量E_n的比值。其满足：

基于上述所提出的能量管理策略，能量损失率R_LPPP和能量缺失率R_LPSP的计算流程如图2所示。图中：t为单位时间间隔；T为总计算次数；P_w(kt)、P_pv(kt)和P_n(kt)分别表示kt时刻风机输出功率、光伏阵列输出功率和电网调度功率；P_left和P_lack分别表示剩余功率和缺失功率；E_cnr、E_bar和E_ucr分别为储能系统、蓄电池组和超级电容器组充放电之前的剩余能量；E_ba和E_uc表示蓄电池组和超级电容器组经过充放电后的剩余能量；E_cnmax、E_cnmin分别表示储能系统能量最大值和最小值；η_c表示逆变器的转换效率。

在kt时刻，若光伏阵列输出功率P_pv(kt)和风机输出功率P_w(_kt)之和大于电网调度功率P_n(kt)，则存在剩余功率P_left，此时，如果储能系统剩余能量E_cnr未处于满额状态E_cnmax，则电源为储能系统充电；若储能系统剩余能量处于满额状态，将产生能量损失，

即E_LPP(kt)＝[(P_pv(kt)+P_w(kt))·η_c-P_n(kt)]t，

其中，E_LPP(kt)表示kt时刻的能量损失量；P_pv(kt)、P_w(kt)、P_n(kt)表示kt时刻风机、光伏阵列输出功率和电网调度功率；η_c表示逆变器的转换效率。当光伏阵列输出功率和风机输出功率之和小于电网调度功率要求时，出现功率缺失P_lack，若储能系统剩余能量E_cnr大于最小剩余能量E_cnmin储能系统进行放电，以弥补功率缺失。若储能系统剩余能量不大于最小剩余能量，则由电网来弥补能量缺失：

E_LPS(kt)＝{P_n(kt)-[P_pv(kt)+P_w(kt)]η_c}t (2)

其中：E_LPS(kt)表示kt时刻的能量缺失量；P_pv(kt)、P_w(kt)、P_n(kt)表示kt时刻风机、光伏阵列输出功率和电网调度功率；η_c表示逆变器的转换效率。

从图3中，根据不同的充电情况，能量损失量E_LPP的计算流程共有7种情况，即SC₁～SC₇，在每一种充电情况下储能装置的充电功率和剩余能量情况、系统的能量损失量计算过程如下：

(1)SC¹。系统的剩余功率大到足以使蓄电池以额定功率P_ban充电，超级电容器以最大功率P_ucmax充电，而且蓄电池经过该单位时间段的充电达到了额定容量E_ban。在这种情况下的能量损失量E_LPP包括直接废弃的电源功率、充电效率产生的损失以及因蓄电池满额产生的浪费，具体计算如下式所示：

E_LPP＝[P_left/η_c-(P_ban+P_ucmax)]t+[P_ban(1-η_bac)+P_ucmax(1-η_ucc)]t+(E_ba-E_ban) (3)

式中：P_left＝[P_pv(kt)+P_w(kt)]η_c-P_n(kt)表示剩余功率；η_c表示逆变器的转换效率；P_ucmax表示超级电容器的最大充电功率；t为单位时间间隔；η_bac、η_ucc分别为蓄电池和超级电容器的充电效率；E_ba表示蓄电池经过充放电后的剩余能量。

(2)SC₂。该状态类似于状态SC₁，唯一不同的是：蓄电池并没有充电至额定容量E_ban，因此这种情况下能量损失量E_LPP的计算如下式所示：

E_LPP＝[P_left/η_c-(P_ban+P_ucmax)]t+[P_ban(1-η_bac)+P_ucmax(1-η_ucc)]t (4)

式中：P_left表示剩余功率；η_c表示逆变器的转换效率；P_ucmax表示超级电容器的最大充电功率；t为单位时间间隔；η_bac、η_ucc分别为蓄电池和超级电容器的充电效率。

(3)SC₃。起初蓄电池以额定功率P_ban优先充电，超级电容器充电功率P_uc＝P_left/η_c-P_ban。经过t₁＝(E_ban-E_bar)/(P_banη_ba)_c后，其中t₁＜t，蓄电池达到额定容量E_ban，因此在之后的t-t₁时间段仅有超级电容器充电，且P_uc＝P_ucmax。这种情况下能量损失量E_LPP的计算如下式所示：

E_LPP＝P_ban(1-η_bac)t₁+[(P_left/η_c-P_ban)t₁+P_ucmax(t-t₁)](1-η_ucc)+(P_left/η_c-P_ucmax)(t-t₁) (5)

(4)SC₄。该状态与SC₃类似，唯一不同的是：在t-t₁时间段，超级电容器充电功率P_uc＝P_left/η_c。这种情况下能量损失量E_LPP的计算如下式所示：

E_LPP＝P_ban(1-η_bac)t₁+[(P_left/η_c-P_ban)t₁+P_left/η_c(t-t₁)](1-η_ucc) (6)

式中：P_ban表示蓄电池额定功率；P_left表示剩余功率；η_c表示逆变器的转换效率；η_bac、η_ucc分别为蓄电池和超级电容器的充电效率。

(5)SC₅。整个t时间段内，蓄电池的充电功率P_ba＝P_ban、超级电容器的充电功率P_uc＝P_left/η_c-P_ban。可见该状态比SC₃和SC₄简单得多，原因在于蓄电池经过时间t的充电并未达到额定容量。这种情况下系统能量损失量E_LPP的计算如下式所示：

E_LPP＝[P_ban(1-η_bac)+(P_left/η_c-P_ban)(1-η_ucc)]t (7)

式中：P_ban表示蓄电池额定功率；P_left表示剩余功率；η_c表示逆变器的转换效率；η_bac、η_ucc分别为蓄电池和超级电容器的充电效率；t为单位时间间隔。

(6)SC₆。系统的剩余功率小于蓄电池额定功率，因此只有超级电容器充电，且充电功率为P_uc＝P_ucmax能量损失量E_LPP的计算如下式所示：

E_LPP＝(P_left/η_c-P_ucmax)t+P_ucmax(1-η_ucc)]t (8)

式中：P_left表示剩余功率；η_c表示逆变器的转换效率；P_ucmax表示超级电容器的最大充电功率；η_ucc为超级电容器的充电效率；t为单位时间间隔。

(7)SC₇。系统的剩余功率小于蓄电池额定功率，因此只有超级电容器充电，且充电功率为P_uc＝P_left/η_c，能量损失量E_LPP的计算如下式所示：

E_LPP＝P_left/η_c(1-η_ucc)t (9)

式中：P_left表示剩余功率；η_c表示逆变器的转换效率；η_ucc为超级电容器的充电效率；t为单位时间间隔。

类似于储能装置充电时对系统能量损失量E_LPP的计算分析，放电过程中系统能量缺失量E_LPS的计算流程如图4所示。从图4中可以看出，根据不同的放电情况E_LPS的计算共有5种情况，即SD₁～SD₅，在每一种放电状态下储能装置的放电功率和剩余能量、系统的能量缺失量的计算如下：

(1)SD₁和SD₂这两种状态相似。系统的缺失功率大于蓄电池和超级电容器所能提供的最大放电功率之和P_ban+P_ucmax，因此蓄电池和超级电容器放电功率分别是P_ban和P_ucmax。唯一不同的是，在SD₂中，经过单位时间t的放电后蓄电池未放电至最小容量E_bamin，而SD₁却正好相反。这两种状态的能量缺失量E_LPS的计算分别下式所示：

E_LPS＝[P_lack-(P_ban+P_ucmax)η_c]t+(E_bamin-E_ba)η_bacη_c (10)

E_LPS＝[P_lack-(P_ban+P_ucmax)η_c]t (11)

式中：P_lack＝P_n(kt)-[P_pv(kt)+P_w(kt)]η_c表示缺失功率；η_c表示逆变器的转换效率；η_bac为蓄电池的充电效率；t为单位时间间隔。

(2)SD₃。系统缺失功率小于储能系统最大放电功率，但是大于蓄电池额定功率，因此根据上述提出的能量管理策略，该缺失功率由蓄电池以额定功率P_ban放电，超级电容器以功率P_uc＝P_lack/η_c-P_ban放电，二者共同进行功率弥补。经过t₁＝(E_bar-E_bamin)/(P_banη_bac)，其中t₁＜t，蓄电池放电至最小容量E_bamin，之后的t-t₁时间段仅有超级电容器放电，但当P_lack≥P_ucmaxη_c时，存在能量缺失，计算如下式所示：

E_LPS＝(P_lack-P_ucη_c)(t-t₁) (12)

式中：P_lack表示缺失功率；η_c表示逆变器的转换效率；t为单位时间间隔。

(3)SD₄。该状态与SD₃类似，系统缺失功率介于储能系统最大放电功率和蓄电池额定功率之间，因此由蓄电池以额定功率P_ban放电、超级电容器以功率P_uc＝P_lack/η_c-P_ban放电，二者共同弥补功率缺失。相比SD₃，该情况下蓄电池没有放电至最小容量，所以不存在两阶段放电情况，也没有能量缺失。

(4)SD₅。系统缺失功率小于蓄电池额定功率，因此这种情况下只有超级电容器放电，在P_lack≥P_ucmaxη_c情况下系统能量缺失E_LPS为：

E_LPS＝(P_lack-P_ucη_c)t (13)

3)以混合储能装置的年均费用最小为目标函数

储能系统优化目标模型定义为四大成本之和，即购置成本、运行成本、维护成本以及处置成本。为尽量简化目标函数，以免优化模型过于复杂，本发明引用不同的比例系数表示相应的成本。鉴于计算的成本包含两种储能元件，因此为体现合理性，将目标函数折算为储能系统的年均费用，折算系数用储能元件每年各自的折旧值表示。具体表达式如下：

式中：C表示储能装置的年均费用，C_iv指储能装置的购置成本，包括储能装置及其附加设备的购置成本；f_ba、f_uc分别代表蓄电池组和超级电容器组的单价；m、n分别表示蓄电池组和超级电容器组的个数；k_deba、k_deuc分别表示蓄电池组和超级电容器组的年折旧值；C_oc指储能装置的运行成本，包括储能装置的试验、安装、损耗、停运成本、人工费用等；k_ocba、k_ocuc分别表示蓄电池和超级电容器的运行成本系数；C_mc指储能装置的维护成本，包括故障前的检修成本和故障后的维修成本；k_mcba表示蓄电池的维护成本系数，超级电容器可免维护，因此不需考虑它的维护成本；C_dc指储能装置的处置成本，包括储能装置的报废成本和残值；k_dcba、k_dcuc分别表示蓄电池和超级电容器的处置成本系数。

由于蓄电池和超级电容器的储能特性有很大区别，它们的年折旧值需按不同的方法计算。(1)蓄电池的折旧进程可以通过其容量损失程度来表示。一些研究表明，蓄电池的容量损失与放电深度l_DOD呈线性关系，所以具体计算其折旧值时，可先将不同放电深度的充放电循环次数N_DOD折算为等效的l_DOD，l_DOD＝100％充放电循环次数N_e。折算公式可表示为N_e＝N_DODl_DOD。若蓄电池进行l_DOD＝100％充放电循环寿命次数为N_ba，则蓄电池的折旧值k_deba＝N_e/N_ba。(2)超级电容器的折旧值可以直接用循环次数来计算。若超级电容器进行从E_ucmax到E_ucmin的充放电循环次数为N_uc，则进行N次充放电循环后，它的折旧值可表示为k_deuc＝N/N_uc。

上述优化目标模型克服了传统经济性优化问题中只注重降低初始购置成本的局限性，将储能装置成本延伸到安装、运行、维护、失效报废等整个寿命期过程中，使优化结果更符合实际。

4)确定约束条件

根据上述能量管理策略，并考虑并网风光发电系统的运行特性，建立满足并网风光发电系统安全可靠运行的约束条件如下：

式中：P_ba、P_uc分别表示蓄电池和超级电容器的充电功率；m、n分别表示蓄电池组和超级电容器组的个数；P_pv(kt)、P_w(kt)、P_n(kt)表示kt时刻光伏阵列、风机输出功率和电网调度功率；η_c表示逆变器的转换效率；P_ban、E_ban分别表示蓄电池的额定功率和额定容量；E_ucmin(n)、E_ucmax(n)分别表示超级电容器组能量的最小值和最大值；α表示不平衡功率P_ub＝|P_n(kt)-[P_pv(kt)+P_w(kt)]η_c|中基本功率所占比例；R_LPPP、R_LPSP分别表示能量损失率和能量缺失率。

上述公式中：第1个公式属于系统合理性的要求；第2、3、4、5个公式是保证蓄电池和超级电容器正常运行的基本约束，可以看出为延长蓄电池寿命，蓄电池功率值或为零，或为额定功率；第6个公式体现了所提的能量管理策略，即蓄电池的功率输出维持在基本负荷以内；第7个公式表示系统的能量损失率必须小于给定的最大值R_LPPPmax，以确保风光发电功率利用率；第8个公式表示系统的能量缺失率必须小于给定的最大值R_LPSPmax。

5)采用改进混沌优化算法求解优化配置模型

该优化方法直接采用混沌变量进行搜索，搜索顺序按照下式所示的Logistic映射表达式产生的点列依次进行。

x_i,k+1＝μx_i,k(1-x_i,k),x_i,k∈[0,1] (16)

式中：μ为控制参数；x_i,k为混沌变量。

Logistic映射是[0,1]上的不可逆映射。当μ取值4.0时，系统处于混沌状态，任意取初始点，可以得到在[0,1]范围内不重复的遍历所有点。由于混沌运动具有遍历性、随机性、规律性，因而混沌优化算法较其他随机性的智能优化方法获得最优解的可能性更强，是一种极有前途的优化手段。本发明所用混沌优化算法主要分为两个阶段：(1)在整个优化变量范围内按Logistic映射表达式依次检验产生的各点是否满足约束条件，在筛选出的符合要求的点中找出当前最优点；(2)达到一定迭代次数后，认为当前最优点已在实际最优点附近，然后以当前最优点为初值，仍按照(1)的方法进行小范围搜索最终找到最优点。

混沌优化方法的基本求解步骤如下：

(1)算法初始化。令k＝0，给出N个具有微小差异的初值x_i,0，且x_i,0≠1且x_i,0≠0.75且x_i,0≠0.5且x_i,0≠0.25且x_i,0≠0，然后按照Logistic映射表达式得到N个轨迹不同的混沌变量{x_i,k}。

(2)将生成的混沌变量{x_i,k}按下式进行第一次载波，得到优化变量范围[x_min,x_max]内的混沌变量{x′_i,k}。

x′_i,k＝x_min+(x_max-x_min)x_i,k (17)

(3)对生成的混沌变量x′_i,k，进行可行性检验，重复执行步骤(1)和步骤(2)进行迭代搜索得到满足约束条件的可行解{x″_i,k}，并计算相应的目标函数值f(k)＝f({x″_i,k})。令X^*＝{x″_i,0}，f^*＝f(0)，如果f(k)＜f^*，那么X^*＝{x″_i,k}，f^*＝f(k)；否则，令k＝k+1，进入下一循环，直到f^*变化小于0.01或达到最大迭代次数N_max1。

(4)按下式对混沌变量x_i,k+1进行第二次载波，β为调节因子，一般取值在优化变量所属区间长度(x_max-x_min)的1％和10％之间。对于所属区间长度较小的优化变量，β较大；反之较小。

z′_i,k＝x^*+βx_i,k+1 (18)

(5)对生成的混沌变量z′_i,k，进行可行性检验，当其满足约束条件时，若f(z′_i,k)＜f^*，则x^*＝z′_i,k，f^*＝f(z′_i,k)；否则令k＝k+1，进入下一循环，直到f^*变化小于0.01或达到最大迭代次数N_max2，最终的x^*即为最优解，f^*为最优值。

为了进一步说明本发明方法的准确性和可靠性，以某国家示范工程一期建设项目为例进行分析计算，该建设项目包含100MW的风电系统和40MW的太阳能光伏发电系统。假设电网调度功率额定值为96MW，逆变器效率为0.95，系统供电指标R_LPPPmax和R_LPSPmax分别为0.3和0.05。现在为其配置储能容量。详细参数如表1所示。

本发明采取50个传统固定型蓄电池单体、100个超级电容器单体串并联，分别组成蓄电池组和超级电容器组，根据图5所示的风机年发电预测数据、光伏年发电预测数据、年调度功率预测数据，运用改进混沌优化算法对混合储能系统的配置容量进行了优化计算。

表1储能系统参数

为了对比蓄电池-超级电容器混合储能方式与蓄电池单一储能方式的经济优越性，采用上述给出的相同原始数据，利用改进混沌优化算法进行分析计算，优化计算结果如表2所示。

通过表2的数据可以看出，在相同的系统运行指标约束下，采用蓄电池单一储能方式下需要配置蓄电池组的数目为5002组，储能系统的年均最小费用为3003余万元，而采用蓄电池和超级电容器混合储能时，需配置5691组蓄电池和9875组超级电容器，储能系统年均最小费用仅977余万元，约是前一种储能方式的1/3。由此说明，基于本发明提出的能量管理策略的混合储能方式能够充分发挥两种储能元件的互补优势，可以有效降低储能系统成本。风力发电功率、光伏功率和调度功率0.5h发电预测值见图5。根据表2优化结果数据，绘制两种储能方式下储能装置在4300-4400h时间段的输出功率变化曲线，分别如图6和7所示。图7中：P_ba表示蓄电池输出功率；P_uc表示超级电容器输出功率。将图6和图7对比可看出，由于超级电容器组的参与，混合储能方式下，图7中蓄电池组的输出功率变化比图6平坦得多，原因在于峰值不平衡功率和频变不平衡功率主要由超级电容器组提供，这样可以有效地优化蓄电池组的工作状态，延长其使用寿命，最终减少储能系统的运行维护等费用。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims

1.一种并网风光发电中混合储能容量优化配置方法，其特征在于，具体包括如下步骤：

1)确定能量管理策略；

2)计算并网风光发电系统运行指标；采用能量损失率和能量缺失率作为并网风光发电系统运行指标；所述能量损失率R_LPPP是指在系统运行过程中，能量损失量E_LPP与电源发电总量E_g的比值；所述能量缺失率R_LPSP是指在系统运行过程中，能量缺失量E_LPS与调度总需求量E_n的比值；计算公式如下：

E_LPP(kt)＝[(P_pv(kt)+P_w(kt))·η_c-P_n(kt)]t，

E_LPS(kt)＝{P_n(kt)-[P_pv(kt)+P_w(kt)]η_c}t (2)

其中，E_LPS(kt)表示kt时刻的能量缺失量；

3)以混合储能装置的年均费用最小为目标函数；

4)确定约束条件；

5)采用改进混沌优化算法求解优化配置模型，具体步骤如下：

x′_i,k＝x_min+(x_max-x_min)x_i,k (17)；

z′_i,k＝x^*+βx_i,k+1 (18)

其中，β为调节因子，β取值在优化变量所属区间长度(x_max-x_min)的1％和10％之间；

2.根据权利要求1所述的一种并网风光发电中混合储能容量优化配置方法，其特征在于：所述步骤1)确定能量管理策略，是指超级电容器承担由发电功率与调度功率不相等产生的不平衡功率P_ub中的频繁波动功率；蓄电池只负责承担不平衡功率P_ub中的基本功率。

3.根据权利要求1所述的一种并网风光发电中混合储能容量优化配置方法，其特征在于：所述步骤3)中，以混合储能装置的年均费用最小为目标函数，具体表达式如下：

4.根据权利要求1所述的一种并网风光发电中混合储能容量优化配置方法，其特征在于：所述步骤4)中，约束条件如下：

5.根据权利要求1所述的一种并网风光发电中混合储能容量优化配置方法，其特征在于：所述步骤(5-1)中，Logistic映射表达式为：

x_i,k+1＝μx_i,k(1-x_i,k),x_i,k∈[0,1] (16)

其中，μ为控制参数，μ取4.0；x_i,k为混沌变量。