CN106208118A - 一种储能系统多目标优化规划方法 - Google Patents
一种储能系统多目标优化规划方法 Download PDFInfo
- Publication number
- CN106208118A CN106208118A CN201610747779.2A CN201610747779A CN106208118A CN 106208118 A CN106208118 A CN 106208118A CN 201610747779 A CN201610747779 A CN 201610747779A CN 106208118 A CN106208118 A CN 106208118A
- Authority
- CN
- China
- Prior art keywords
- storage device
- energy
- energy storage
- time interval
- power transmission
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种储能系统多目标优化规划方法,包括获取输电网络在预置时间内的发电参数和负荷参数,并将预置时间划分为多个相等时间长度的时间间隔;顺次在多个时间间隔内对输电网络进行灵活性分析;构建单间隔储能设备优化方案集合;依据单间隔储能设备优化方案集合修正输电网络;在预置时间内对修正后的输电网络进行潮流多间隔优化,得到储能设备的最优配置方案。与现有技术相比,本发明提供的一种储能系统多目标优化规划方法,通过对输电网络进行灵活性分析、潮流单间隔优化和潮流多间隔优化,可以同时确定储能设备配置的时间间隔、母线节点、功率值、电能值和成本的最优值,从而可以有效解决输电网络的网络拥塞问题。
Description
技术领域
本发明涉及储能技术及其规划技术领域,具体涉及一种储能系统多目标优化规划方法。
背景技术
电力系统输电网络是电能输送的主干网络,其灵活性主要依赖于输电网络具备足够的传输容量。然而当前大规模新能源的接入给电力系统带来了新的挑战,如增加了电网拥塞和能量不平衡的风险。由于电力系统输电网络的输电线路和变压器等电力设备的传输容量是固定的,不能进行灵活地调节,因此需要安装储能设备以调节电力系统输电网路的传输能量。
储能设备的规划条件主要包括:一方面,需要确保电网的规划、调度、投资和运行等方面具备一定的安全性、可靠性和灵活性;另一方面,需要考虑平衡波动的可再生能源电力、消除电网拥塞等,从而实现保证供电可靠性并延缓电网建设投资。其中电网灵活性需要在一定的时间尺度下描述,即某一时间尺度内,电力系统快速而有效地优化调配现有资源,快速响应电网功率变化,控制电网关键运行参数。因此,储能设备的功率和电能容量的配置也是依赖于时间尺度,通过对某一时间范围内每个时间节点的电网潮流计算,分析输电网络是否出现功率不足或电能过剩造成电网拥塞,进而判断出电网灵活性对储能设备容量配置的需求。
综上,需要提供一种储能系统规划方法,使得能够准确确定储能设备的容量,及其在输电网络中的配置点,使其在满足技术和经济等约束条件下对输电网络的灵活性提供支撑。
发明内容
为了满足现有技术的需要,本发明提供了一种储能系统多目标优化规划方法。
本发明的技术方案是:
所述方法包括:
获取输电网络在预置时间内的发电参数和负荷参数,并将所述预置时间划分为多个相等时间长度的时间间隔;
顺次在所述多个时间间隔内对输电网络进行灵活性分析:若发生网络拥塞则在与其对应的时间间隔内进行潮流单间隔优化,得到所述时间间隔内的单间隔储能设备优化方案;若未发生网络拥塞则不在与其对应的时间间隔内配置储能设备;
构建单间隔储能设备优化方案集合;
依据所述单间隔储能设备优化方案集合修正所述输电网络;
在所述预置时间内对修正后的输电网络进行潮流多间隔优化,得到储能设备的最优配置方案。
本发明进一步提供的优选技术方案为:设定所述输电网络在每个时间间隔内均为稳态运行,所述灵活性分析包括:
对所述输电网络进行稳态潮流计算,依据计算结果判断输电网络是否发生网络拥塞。
本发明进一步提供的优选技术方案为:
所述在与发生网络拥塞对应的时间间隔内进行潮流单间隔优化包括采用粒子群优化算法在所述时间间隔内对输电网络进行潮流计算,具体为:
选取m组数据,每组数据包括N个随机数;其中,m=[50,100],N为所述输电网络中母线节点的总数,所述每组数据中的随机数与母线节点一一对应,所述随机数的取值范围为[-CS,CS],|CS|=[5,50];
设定粒子群的初始种群为所述m组数据;
以在所述时间间隔内配置储能设备所需的功率、电能和成本的最小值为目标构建优化目标函数;
依据所述优化目标函数对所述粒子群进行迭代计算,当所述迭代计算达到其中止条件后得到单间隔储能设备优化方案。
本发明进一步提供的优选技术方案为:
所述优化目标函数如下式(1)所示:
其中,Pi_cost、ri、fi和δ分别为配置在第i个母线节点的储能设备的功率成本、功率值、设备状态系数和硬件成本,所述功率成本的单位为万元/兆瓦;PENi,j_cost为第i个母线节点与第j个母线节点之间的支路发生拥塞的惩罚成本。
本发明进一步提供的优选技术方案为:所述单间隔储能设备优化方案的表达式如下式(2)所示:
S1×N=[S1 S2 … Si … SN] (2)
其中,Si为第t个时间间隔内配置在第i个母线节点的储能设备的功率值;t=1,2,...,T,T为时间间隔的总数。
本发明进一步提供的优选技术方案为:所述单间隔储能设备优化方案集合如下式(4)所示:
SL×N=[S'1 S’2 … S'k … S'L]T (4)
其中,L为发生网络拥塞的时间间隔的总数;N为所述输电网络中母线节点的总数;S'k为第k个所述发生网络拥塞的时间间隔内的单间隔储能设备优化方案,k=1,2,...,L。
本发明进一步提供的优选技术方案为:所述在预置时间内对修正后的输电网络进行潮流多间隔优化包括采用粒子群优化算法对输电网络进行潮流计算,具体为:
选取m组数据:一组数据为单间隔储能设备优化方案集合,其余m-1组数据为与所述单间隔储能设备优化方案集合具有相同维数的矩阵,所述矩阵中各矩阵元素均为随机数,所述随机数的取值范围为[-CM,CM],|CM|=(2~5)|{Si}max|,{Si}max为单间隔储能设备优化方案集合SL×N中矩阵元素的最大值,m=[50,100];
设定粒子群的初始种群为所述m组数据;
以预置时间内配置储能设备所需的功率、电能和成本的最小值为目标构建优化目标函数;
依据所述优化目标函数对所述粒子群进行迭代计算,当所述迭代计算达到其中止条件后得到最优配置方案。
本发明进一步提供的优选技术方案为:
所述优化目标函数如下式(5)所示:
其中,Pi_cost、fi、Wi_cost和δ分别为配置在第i个母线节点的储能设备的功率成本、设备状态系数、电能成本和硬件成本;所述电能成本的单位为万元/兆瓦每小时,N为母线节点的总数;T为时间间隔的总数;
Ri为预置时间内配置在第i个母线节点的储能设备的最终功率值;
Ei为预置时间内配置在第i个母线节点的储能设备的最终电能值;
PENi,j_cost为第i个母线节点与第j个母线节点之间的支路发生拥塞的惩罚成本。
本发明进一步提供的优选技术方案为:所述最优配置方案的表达式如下式(6)所示:
SL×N_opt=[S”1 S”2 … S”k … S”L]T (6)
其中,S”k为1×N阶矩阵,其矩阵元素为在第k个发生网络拥塞的时间间隔内分别配置在所有母线节点的储能设备的功率值,L为发生网络拥塞的时间间隔的总数,N为母线节点的总数。
本发明进一步提供的优选技术方案为:
配置在第i个母线节点的储能设备的最终功率值为最优配置方案SL×N_opt中第i列的最大元素值,i=1,2,...,N。
配置在第i个母线节点的储能设备的最终电能值如下式(7)所示:
Ei=max{|ei(t)|} (7)
其中,ei(t)为第t个时间间隔内配置在第i个母线节点的储能设备的电能值;
所述电能值如下式(8)所示:
ei(t)=ei(t-1)+ri(t)Δt (8)
其中,ri(t)为第t个时间间隔内配置在第i个母线节点的储能设备的功率值,Δt为时间间隔的时间长度,t=1,2,...,T,T为时间间隔的总数。
本发明进一步提供的优选技术方案为:所述设备状态系数fi如下式(9)所示:
所述惩罚成本PENi,j_cost如下式(10)所示:
其中,cij和分别为第i个母线节点与第j个母线节点之间的支路的支路状态系数和额定传输功率;Δt为时间间隔的时间长度;VOLL为负荷损失成本;β为安全系数;
所述支路状态系数cij如下式(11)所示:
其中,qij为第i个母线节点与第j个母线节点之间的支路的实际传输功率。
与最接近的现有技术相比,本发明的有益效果是:
本发明提供的一种储能系统多目标优化规划方法,通过对输电网络进行灵活性分析、潮流单间隔优化和潮流多间隔优化,实现了对储能设备的多目标优化,即可以同时确定储能设备配置的时间间隔、母线节点、功率值、电能值和成本的最优值,从而可以有效解决输电网络的网络拥塞问题。
附图说明
图1:本发明实施例中一种储能系统多目标优化规划方法实施流程图;
图2:本发明实施例中输电网络灵活性分析与潮流单间隔优化实施流程图;
图3:本发明实施例中潮流单间隔优化实施流程图;
图4:本发明实施例中潮流多间隔优化实施流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面分别结合附图,对本发明实施例提供的一种储能系统多目标优化规划方法进行说明。
图1为本发明实施例中一种储能系统多目标优化规划方法实施流程图,如图所示,本实施例中储能系统多目标优化规划方法可以采用下述步骤实施:
步骤S101:获取输电网络在预置时间内的发电参数和负荷参数,并将预置时间划分为多个相等时间长度的时间间隔。
其中,预置时间指的是用于判断输电网络灵活性的某一段时间范围,本实施例中在该时间范围内对输电网络的储能系统进行优化规划;同时,本实施例中将预置时间划分为T个时间间隔,每个时间间隔的时间长度为Δt。
发电参数主要包括发电机的容量和发电机在预置时间内的出力曲线,负荷参数主要是在预置时间内的负荷特性曲线,上述参数作为本实施例中储能系统多目标优化规划的基础数据,用于后续步骤对输电网络进行灵活性分析、潮流单间隔优化和潮流多间隔优化。
步骤S102:顺次在多个时间间隔内对输电网络进行灵活性分析:若发生网络拥塞则在与其对应的时间间隔内进行潮流单间隔优化,得到时间间隔内的单间隔储能设备优化方案;若未发生网络拥塞则不在与其对应的时间间隔内配置储能设备。
如图1所示本实施例中顺次在多个时间间隔内对输电网络进行灵活性分析的具体实施方法为:
1、设定时间间隔的初始序号t=0;
2、在第一个时间间隔内对输电网络进行灵活性分析,然后修正时间间隔序号t=t+1;
3、判断时间间隔序号t的值是否达到其最大值T:
若t≤T,则返回步骤2在第t+1个时间间隔内对输电网络进行灵活性分析。
若t>T,则表示已对所有的时间间隔均进行了灵活性分析,可以继续执行储能系统多目标优化规划方法的下一个步骤。
图2为本发明实施例中输电网络灵活性分析与潮流单间隔优化实施流程图,如图所示,本实施例中在某一个时间间隔对输电网络进行灵活性分析包括下述两种分析结果:
(1)输电网络发生网络拥塞
此时输电网络不具备灵活性,需要在这个时间间隔内对输电网络进行潮流单间隔优化,继而得到在该时间间隔内配置储能设备的优化方案,即单间隔储能设备优化方案。
(2)输电网络未发生网络拥塞
此时输电网络具备灵活性,不需在这个时间间隔内对输电网络进行潮流单间隔优化,即该时间间隔内不需要配置储能设备。
步骤S103:构建单间隔储能设备优化方案集合。
步骤S104:依据单间隔储能设备优化方案集合修正输电网络,在预置时间内对修正后的输电网络进行潮流多间隔优化,得到储能设备的最优配置方案。
其中,依据单间隔储能设备优化方案集合修正输电网络包括,将单间隔储能设备优化方案集合所包含的所有单间隔储能设备优化方案添加到输电网络中,即将所有需要配置的储能设备的时间间隔、母线节点和功率值添加到输电网络中。
本实施例中通过对输电网络进行灵活性分析、潮流单间隔优化和潮流多间隔优化,实现了对储能设备的多目标优化,即可以同时确定储能设备配置的时间间隔、母线节点、功率值、电能值和成本的最优值,从而可以有效解决输电网络的网络拥塞问题。
进一步地,步骤S102中对输电网络进行灵活性分析包括下述实施步骤。
1、设定输电网络在每个时间间隔内均为稳态运行。
2、对输电网络进行稳态潮流计算,依据计算结果判断输电网络是否发生网络拥塞。
本实施例中基于步骤S101获取的发电参数和负荷参数对输电网络进行稳态潮流计算,当输电线路或变压器传输容量超过其额定容量时,可以判定输电网络发生网络拥塞。
本实施例中通过在预置时间内每一个时间节点对输电线路进行稳态潮流计算,分析输电网络是否出现功率不足或电能过剩造成的网络拥塞,进而判断出输电线路灵活性对储能设备配置容量的需求。
进一步地,步骤S102中对输电网络进行潮流单间隔优化包括下述实施步骤。
图3为本发明实施例中潮流单间隔优化实施流程图,如图所示,本实施例中采用粒子群优化算法对输电网络进行潮流计算,具体为:
1、选取m组数据,每组数据包括N个随机数。
其中,m=[50,100],N为输电网络中母线节点的总数,每组数据中的随机数与母线节点一一对应,随机数的取值范围为[-Cs,Cs],|Cs|的取值范围为[5,50]。
2、设定粒子群的初始种群为上述m组数据,即种群规模为m,粒子维数为N,初始种群可以用一个m×N阶矩阵表示。
3、以在发生网络拥塞的时间间隔内配置储能设备所需的功率、电能和成本的最小值为目标构建优化目标函数。
优化目标函数如下式(1)所示:
其中,Pi_cost、ri和fi分别为配置在第i个母线节点的储能设备的功率成本、功率值和设备状态系数,所述功率成本的单位为万元/兆瓦;PENi,j_cost为第i个母线节点与第j个母线节点之间的支路发生拥塞的惩罚成本。
设备状态系数fi如下式(2)所示:
惩罚成本PENi,j_cost如下式(3)所示:
其中,cij和分别为第i个母线节点与第j个母线节点之间的支路的支路状态系数和额定传输功率;Δt为时间间隔的时间长度;VOLL为负荷损失成本,其根据实际因网络拥塞造成的负荷损失来确定;β为安全系数,表示决策者可接受网络拥塞的程度,β越大网络拥塞的可接受度越低,其具体取值可以根据实际情况确定,本实施例中设定β>100表示决策者不接受出现网络拥塞。
支路状态系数cij如下式(4)所示:
其中,qij为第i个母线节点与第j个母线节点之间的支路的实际传输功率。
4、依据优化目标函数对粒子群进行迭代计算,当迭代计算达到其中止条件后得到单间隔储能设备优化方案。
其中,中止条件可以为迭代次数达到最大值后停止,也可以是优化目标函数的计算结果小于一定数值后停止,本实施例中迭代次数的最大值可在[200,800]范围内选择。
单间隔储能设备优化方案的表达式如下式(5)所示:
S1×N=[S1 S2 … Si … SN] (5)
其中,Si为第t个时间间隔内配置在第i个母线节点的储能设备的功率值;t=1,2,...,T。
本实施例中以在发生网络拥塞的时间间隔内配置储能设备所需的功率、电能和成本的最小值为目,采用粒子群优化算法对在发生网络拥塞的时间间隔内配置储能设备的功率、电能、成本和安装位置进行优化。
进一步地,步骤S103中构建单间隔储能设备优化方案集合包括下述实施步骤。
如图1所示本实施例中对输电网络进行灵活性分析若发生网络拥塞,则需将所有发生网络拥塞对应的时间间隔的单间隔储能设备优化方案组成一个集合,即单间隔储能设备优化方案集合;若没有发生网络拥塞,则该输电网络不需要配置储能设备。
单间隔储能设备优化方案集合如下式(6)所示:
SL×N=[S'1 S'2 … S'k … S'L]T (6)
其中,L为发生网络拥塞的时间间隔的总数;N为输电网络中母线节点的总数;S'k为第k个发生网络拥塞的时间间隔内的单间隔储能设备优化方案,即为公式(5)公开的1×N阶矩阵S1×N,k=1,2,...,L。
进一步地,步骤S104中对输电网络进行潮流多间隔优化包括下述实施步骤。
图4为本发明实施例中潮流多间隔优化实施流程图,如图所示,本实施例中采用粒子群优化算法对输电网络进行潮流计算,具体为:
1、选取m组数据,m=[50,100]。
其中,一组数据为单间隔储能设备优化方案集合SL×N,其余m-1组数据为与单间隔储能设备优化方案集合具有相同维数N的矩阵,这些矩阵中各矩阵元素均为随机数,随机数的取值范围为[-CM,CM],|CM|的取值范围依据单间隔储能设备优化方案集合SL×N中Si的值确定,本实施例中|CM|=(2~5)|{Si}max|,{Si}max表示SL×N中矩阵元素Si的最大值。
2、设定粒子群的初始种群为上述m组数据。
3、以预置时间内配置储能设备所需的功率、电能和成本的最小值为目标构建优化目标函数。
优化目标函数如下式(7)所示:
其中,Wi_cost为配置在第i个母线节点的储能设备的电能成本,电能成本的单位为万元/兆瓦每小时;Ri为预置时间内配置在第i个母线节点的储能设备的最终功率值;Ei为预置时间内配置在第i个母线节点的储能设备的最终电能值。
4、依据优化目标函数对粒子群进行迭代计算,当迭代计算达到其中止条件后得到最优配置方案。
其中,中止条件可以为迭代次数达到最大值后停止,也可以是优化目标函数的计算结果小于一定数值后停止,本实施例中迭代次数的最大值可在[200,800]范围内选择。
最优配置方案的表达式如下式(6)所示:
SL×N_opt=[S”1 S”2 …S”k … S”L]T (6)
其中,S”k为1×N阶矩阵,其包含的N个矩阵元素分别为在第k个发生网络拥塞的时间间隔内需要配置在N个母线节点的储能设备的功率值,L为发生网络拥塞的时间间隔的总数。
配置在第i个母线节点的储能设备的最终功率值为最优配置方案SL×N_opt中第i列的最大元素值,i=1,2,...,N。
配置在第i个母线节点的储能设备的最终电能值如下式(7)所示:
Ei=max{ei(t)} (7)
其中,ei(t)为第t个时间间隔内配置在第i个母线节点的储能设备的电能值;
电能值如下式(8)所示:
ei(t)=ei(t-1)+ri(t)Δt (8)
其中,ri(t)为第t个时间间隔内配置在第i个母线节点的储能设备的功率值,Δt为时间间隔的时间长度,t=1,2,...,T,T为时间间隔的总数。
本实施例中以在整个预置时间内配置储能设备所需的功率、电能和成本的最小值为目,采用粒子群优化算法对在预置时间内配置储能设备的功率、电能、成本和安装位置进行优化。
下面以IEEE14节点标准测试网络为例对本发明提供的储能系统多目标优化规划方法进行说明。
1、设定本实施例中对IEEE14节点标准测试网络进行储能系统多目标优化规划的预置时间tp=24h,并将这24小时划分为96个时间间隔,每个时间间隔的时间长度Δt=15min。
2、顺次在多个时间间隔内对输电网络进行灵活性分析。
(1)本实施例中按照上述步骤S102公开的实施步骤得到第一个发生网络拥塞的时间间隔为第81个时间间隔,对该时间间隔进行潮流单间隔优化。其中,
粒子群优化算法中初始种群为50组数据,每组数据包括[-50,50]范围内的14个随机数,这50组数据即为第81个时间间隔内配置储能设备的功率初始值。粒子群优化算法的中止条件为迭代计算的次数达到最大迭代次数,其中最大迭代次数为300次。
设定储能设备功率成本Pi_cost为2700万元/兆瓦,硬件成本δ为700万元/台,负荷损失成本VOLL为14万元/兆瓦每小时,安全系数β=500。
按照上述步骤S102公开的实施步骤可以得到第81个时间间隔的单间隔储能设备优化方案{S1}1×14=[0 0 0 0 0 0 0 0 0 0.29 0 0 0 0],其各个向量元素表示IEEE14节点标准测试网络中对应母线配置的储能设备的功率值,即第10个母线节点上配置0.29MW的储能设备,其余13个母线节点上不需配置储能设备。
(2)本实施例中按照上述步骤S102公开的实施步骤得到五个发生网络拥塞的时间间隔:第82、85、89、95和96个时间间隔,对上述时间间隔进行潮流单间隔优化,其潮流单间隔优化方法均与上述(1)公开的方法相同,最后得到每个时间间隔的单间隔储能设备优化方案为:
{S2}1×14=[0 0 0 0 0 0 0 0 0 0.29 0 0 0 0];
{S3}1×14=[0 0 0 0 0 0 0 0 0 0.08 0 0 0 0];
{S4}1×14=[0 0 0 0 0 0 0 0 -0.11 0.11 0 0 0 0];
{S5}1×14=[0 0 0 0 0 0.20 0 0 0 0.10 0.58 0.40 0 0];
{S6}1×14=[0 0 0 0 0 0.97 0.05 0.11 0 0.37 0.11 1.22 0 0.23]。
3、构建单间隔储能设备优化方案集合。
依据步骤2得到的6个单间隔储能设备优化方案构建单间隔储能设备优化方案集合S6×14为:
依据单间隔储能设备优化方案集合S6×14可以确定IEEE14节点标准测试网络中各母线节点配置储能设备的功率值和电能值如下表1所示。
表1
4、依据单间隔储能设备优化方案集合S6×14修正输电网络,在24小时内对对修正后的输电网络进行潮流多间隔优化,其中,
粒子群优化算法中初始种群为50组数据,一组数据为单间隔储能设备优化方案集合S6×14,49组数据为14维矩阵,矩阵中各元素均为[-5,5]范围内的随机数,这50组数据即为24小时内配置储能设备的功率初始值。粒子群优化算法的中止条件为迭代计算的次数达到最大迭代次数,其中最大迭代次数为500次。
设定储能设备功率成本Pi_cost为2700万元/兆瓦,硬件成本δ为700万元/台,电能成本Wi_cost为675万元/兆瓦每小时,负荷损失成本VOLL为14万元/兆瓦每小时,安全系数β=500。
按照上述步骤S104公开的实施步骤可以得到最优配置优化方案S6×14_opt为:
S6×14_opt中每一列对应IEEE14节点标准测试网络的一个母线节点,每一列的元素最大值为该母线节点需要配置的储能设备的最终功率值,每一列中各个元素值乘以时间间隔的时间长度再相加即可得到该母线节点需要配置的储能设备的最终电能值。依据S6×14_opt可以确定IEEE14节点标准测试网络中各母线节点配置储能设备的最终功率值和最终电能值如下表2所示。
本实施例中采用粒子群优化算法获取储能设备的最优配置方案,能够有效解决输电线路网络拥塞的问题为电网规划提供重要参考依据,同时可以在提高电网灵活性的同时降低电网建设成本。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (11)
1.一种储能系统多目标优化规划方法,其特征在于,所述方法包括:
获取输电网络在预置时间内的发电参数和负荷参数,并将所述预置时间划分为多个相等时间长度的时间间隔;
顺次在所述多个时间间隔内对输电网络进行灵活性分析:若发生网络拥塞则在与其对应的时间间隔内进行潮流单间隔优化,得到所述时间间隔内的单间隔储能设备优化方案;若未发生网络拥塞则不在与其对应的时间间隔内配置储能设备;
构建单间隔储能设备优化方案集合;
依据所述单间隔储能设备优化方案集合修正所述输电网络;
在所述预置时间内对修正后的输电网络进行潮流多间隔优化,得到储能设备的最优配置方案。
2.如权利要求1所述的一种储能系统多目标优化规划方法,其特征在于,设定所述输电网络在每个时间间隔内均为稳态运行,所述灵活性分析包括:
对所述输电网络进行稳态潮流计算,依据计算结果判断输电网络是否发生网络拥塞。
3.如权利要求1所述的一种储能系统多目标优化规划方法,其特征在于,
所述在与发生网络拥塞对应的时间间隔内进行潮流单间隔优化包括采用粒子群优化算法在所述时间间隔内对输电网络进行潮流计算,具体为:
选取m组数据,每组数据包括N个随机数;其中,m=[50,100],N为所述输电网络中母线节点的总数,所述每组数据中的随机数与母线节点一一对应,所述随机数的取值范围为[-CS,CS],|CS|=[5,50];
设定粒子群的初始种群为所述m组数据;
以在所述时间间隔内配置储能设备所需的功率、电能和成本的最小值为目标构建优化目标函数;
依据所述优化目标函数对所述粒子群进行迭代计算,当所述迭代计算达到其中止条件后得到单间隔储能设备优化方案。
4.如权利要求3所述的一种储能系统多目标优化规划方法,其特征在于,
所述优化目标函数如下式(1)所示:
其中,Pi_cost、ri、fi和δ分别为配置在第i个母线节点的储能设备的功率成本、功率值、设备状态系数和硬件成本,所述功率成本的单位为万元/兆瓦;PENi,j_cost为第i个母线节点与第j个母线节点之间的支路发生拥塞的惩罚成本。
5.如权利要求3所述的一种储能系统多目标优化规划方法,其特征在于,所述单间隔储能设备优化方案的表达式如下式(2)所示:
S1×N=[S1 S2 … Si … SN] (2)
其中,Si为第t个时间间隔内配置在第i个母线节点的储能设备的功率值;t=1,2,...,T,T为时间间隔的总数。
6.如权利要求1所述的一种储能系统多目标优化规划方法,其特征在于,所述单间隔储能设备优化方案集合如下式(4)所示:
SL×N=[S′1 S'2 … S'k … S'L]T (4)
其中,L为发生网络拥塞的时间间隔的总数;N为所述输电网络中母线节点的总数;S'k为第k个所述发生网络拥塞的时间间隔内的单间隔储能设备优化方案,k=1,2,...,L。
7.如权利要求1所述的一种储能系统多目标优化规划方法,其特征在于,所述在预置时间内对修正后的输电网络进行潮流多间隔优化包括采用粒子群优化算法对输电网络进行潮流计算,具体为:
选取m组数据:一组数据为单间隔储能设备优化方案集合,其余m-1组数据为与所述单间隔储能设备优化方案集合具有相同维数的矩阵,所述矩阵中各矩阵元素均为随机数,所述随机数的取值范围为[-CM,CM],|CM|=(2~5)|{Si}max|,{Si}max为单间隔储能设备优化方案集合中矩阵元素的最大值,m=[50,100];
设定粒子群的初始种群为所述m组数据;
以预置时间内配置储能设备所需的功率、电能和成本的最小值为目标构建优化目标函数;
依据所述优化目标函数对所述粒子群进行迭代计算,当所述迭代计算达到其中止条件后得到最优配置方案。
8.如权利要求7所述的一种储能系统多目标优化规划方法,其特征在于,
所述优化目标函数如下式(5)所示:
其中,Pi_cost、fi、Wi_cost和δ分别为配置在第i个母线节点的储能设备的功率成本、设备状态系数、电能成本和硬件成本;所述电能成本的单位为万元/兆瓦每小时,N为母线节点的总数;T为时间间隔的总数;
Ri为预置时间内配置在第i个母线节点的储能设备的最终功率值;
Ei为预置时间内配置在第i个母线节点的储能设备的最终电能值;
PENi,j_cost为第i个母线节点与第j个母线节点之间的支路发生拥塞的惩罚成本。
9.如权利要求7所述的一种储能系统多目标优化规划方法,其特征在于,所述最优配置方案的表达式如下式(6)所示:
SL×N_opt=[S″1 S″2 … S″k … S″L]T (6)
其中,S″k为1×N阶矩阵,其矩阵元素为在第k个发生网络拥塞的时间间隔内分别配置在所有母线节点的储能设备的功率值,L为发生网络拥塞的时间间隔的总数,N为母线节点的总数。
10.如权利要求9所述的一种储能系统多目标优化规划方法,其特征在于,
配置在第i个母线节点的储能设备的最终功率值为最优配置方案SL×N_opt中第i列的最大元素值,i=1,2,...,N;
配置在第i个母线节点的储能设备的最终电能值如下式(7)所示:
Ei=max{|ei(t)|} (7)
其中,ei(t)为第t个时间间隔内配置在第i个母线节点的储能设备的电能值;
所述电能值如下式(8)所示:
ei(t)=ei(t-1)+ri(t)Δt (8)
其中,ri(t)为第t个时间间隔内配置在第i个母线节点的储能设备的功率值,Δt为时间间隔的时间长度,t=1,2,...,T,T为时间间隔的总数。
11.如权利要求4或8所述的一种储能系统多目标优化规划方法,其特征在于,所述设备状态系数fi如下式(9)所示:
所述惩罚成本PENi,j_cost如下式(10)所示:
其中,cij和分别为第i个母线节点与第j个母线节点之间的支路的支路状态系数和额定传输功率;Δt为时间间隔的时间长度;VOLL为负荷损失成本;β为安全系数;
所述支路状态系数cij如下式(11)所示:
其中,qij为第i个母线节点与第j个母线节点之间的支路的实际传输功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610747779.2A CN106208118B (zh) | 2016-08-26 | 2016-08-26 | 一种储能系统多目标优化规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610747779.2A CN106208118B (zh) | 2016-08-26 | 2016-08-26 | 一种储能系统多目标优化规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106208118A true CN106208118A (zh) | 2016-12-07 |
CN106208118B CN106208118B (zh) | 2021-03-16 |
Family
ID=57526284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610747779.2A Active CN106208118B (zh) | 2016-08-26 | 2016-08-26 | 一种储能系统多目标优化规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106208118B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110797889A (zh) * | 2019-11-18 | 2020-02-14 | 国电南瑞科技股份有限公司 | 一种解决潮流拥塞问题的储能电站布置方法 |
CN111654046A (zh) * | 2020-04-16 | 2020-09-11 | 国电南瑞南京控制系统有限公司 | 一种多应用场景的储能电站布置方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903073A (zh) * | 2014-04-23 | 2014-07-02 | 河海大学 | 一种含分布式电源及储能的微电网优化规划方法及系统 |
US20150039149A1 (en) * | 2007-08-28 | 2015-02-05 | Causam Energy, Inc. | System and method for estimating and providing dispatchable operating reserve energy capacity through use of active load management |
CN105262129A (zh) * | 2015-10-22 | 2016-01-20 | 华南理工大学 | 一种含复合储能微电网的多目标优化系统及方法 |
CN105790291A (zh) * | 2014-12-26 | 2016-07-20 | 国家电网公司 | 一种基于灵活性评估的电力系统储能优化配置方法 |
-
2016
- 2016-08-26 CN CN201610747779.2A patent/CN106208118B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150039149A1 (en) * | 2007-08-28 | 2015-02-05 | Causam Energy, Inc. | System and method for estimating and providing dispatchable operating reserve energy capacity through use of active load management |
CN103903073A (zh) * | 2014-04-23 | 2014-07-02 | 河海大学 | 一种含分布式电源及储能的微电网优化规划方法及系统 |
CN105790291A (zh) * | 2014-12-26 | 2016-07-20 | 国家电网公司 | 一种基于灵活性评估的电力系统储能优化配置方法 |
CN105262129A (zh) * | 2015-10-22 | 2016-01-20 | 华南理工大学 | 一种含复合储能微电网的多目标优化系统及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110797889A (zh) * | 2019-11-18 | 2020-02-14 | 国电南瑞科技股份有限公司 | 一种解决潮流拥塞问题的储能电站布置方法 |
CN110797889B (zh) * | 2019-11-18 | 2021-02-23 | 国电南瑞科技股份有限公司 | 一种解决潮流拥塞问题的储能电站布置方法 |
CN111654046A (zh) * | 2020-04-16 | 2020-09-11 | 国电南瑞南京控制系统有限公司 | 一种多应用场景的储能电站布置方法、系统及存储介质 |
CN111654046B (zh) * | 2020-04-16 | 2022-03-01 | 国电南瑞南京控制系统有限公司 | 一种多应用场景的储能电站布置方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106208118B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10296988B2 (en) | Linear optimal power flow system and method | |
CN107317334B (zh) | 一种电力系统网架重构方法和装置 | |
Ganguly et al. | A novel multi-objective PSO for electrical distribution system planning incorporating distributed generation | |
Li et al. | Real-time energy management in microgrids with reduced battery capacity requirements | |
CN105356481B (zh) | 一种基于多馈入短路比的动态无功补偿选点方法 | |
JP2014166132A (ja) | 電力網における電力潮流を最適化する方法 | |
CN103795057A (zh) | 配电网潮流计算中基于搜索的配电网拓扑编号生成方法 | |
Ahmed et al. | Optimal allocation of distributed generation units for converting conventional radial distribution system to loop using particle swarm optimization | |
CN108830451B (zh) | 一种用户侧分布式储能的汇聚潜力评估方法及系统 | |
Tandon et al. | A comparative analysis of SPSO and BPSO for power loss minimization in distribution system using network reconfiguration | |
CN106067678A (zh) | 提高电力系统稳定性的系统和方法 | |
Bai et al. | Modified optimal power flow on storage devices and wind power integrated system | |
Ranjan et al. | Optimal conductor selection of radial distribution feeders using evolutionary programming | |
CN106208118A (zh) | 一种储能系统多目标优化规划方法 | |
Bozchalui et al. | Operation strategies for energy storage systems in distribution networks | |
Wei et al. | Transmission network planning with N-1 security criterion based on improved multi-objective genetic algorithm | |
Bazrafshan et al. | Placing and sizing distributed photovoltaic generators for optimal reactive power compensation | |
Baccino et al. | Management strategy for unbalanced LV distribution network with electric vehicles, heat pumps and domestic photovoltaic penetration | |
Benabdallah et al. | Grid connected PV plant based on smart grid control and monitoring | |
Huang et al. | Distribution network expansion planning considering distributed generation using probabilistic voltage constraints | |
CN115313438A (zh) | 交直流输电网与储能协同规划方法及介质 | |
Mosbah et al. | Differential evolution method for optimal size and localization of photovoltaic in the Algerian transmission power system | |
Abdelouadoud et al. | Iterative linear cuts strenghtening the second-order cone relaxation of the distribution system optimal power flow problem | |
Rokicki | The application of the CLONALG algorithm in the process of optimal operation control of hybrid AC/DC low voltage microgrid | |
Bozchalui et al. | Rolling Stochastic Optimization based operation of distribution systems with PVs and Energy Storages |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 100192 Beijing city Haidian District Qinghe small Camp Road No. 15 Applicant after: CHINA ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd. Applicant after: STATE GRID CORPORATION OF CHINA Address before: Nan Shui Road Gulou District of Nanjing city of Jiangsu Province, No. 8 210003 Applicant before: China Electric Power Research Institute Applicant before: State Grid Corporation of China |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |