CN106503865B - 一种基于机会约束规划的混合储能容量优化配置方法 - Google Patents

Abstract

一种基于机会约束规划的混合储能容量优化配置方法属于风光储混合发电系统储能配置优化技术领域。本发明在计算得出混合储能系统所需的功率容量和能量容量的基础上，采用机会约束规划算法，计算出不同置信水平下，混合储能系统中蓄电池和超级电容的最优容量配置。此优化方法的优化目标为总成本最小。本发明所提的方法和所建优化模型的技术合理性和经济实用性都很强，为风光储混合发电系统的规划设计提供理论支撑和技术支持。

Description

一种基于机会约束规划的混合储能容量优化配置方法

技术领域

本发明涉及风光储混合发电系统储能配置优化技术领域，特别涉及一种基于机会约束规划的混合储能容量优化配置方法。

背景技术

目前能源危机和环境污染的问题日益严重，光伏风电等新能源接入技术受到越来越大的关注。但是由于风力发电和光伏发电固有的波动性和随机性，随着可再生能源在电力系统的渗透率的增加，而对电力系统稳定运行和可靠性的影响也逐渐加剧。目前，平抑新能源注入功率的波动主要靠引入储能装置。而储能元件分为功率型和能量型。功率型指可以输出很大功率但储能总量不多的一类元件，如超级电容等；能量型指储能总量较大，但不适合短时间内输出很大功率的一类元件，如铅酸蓄电池和锂电池等。所以，合适的分配混合储能单元中，两种储能元件的配比，是平抑新能源入网功率波动的一项关键研究内容。

传统的混合储能系统容量优化模型，主要是基于系统内功率需求和能量需求等约束条件，求出最小成本的容量配置方案。这种优化方法的问题是，为了能在任何情况下都能满足系统对储能容量的需求，而增加了储能元件的数量，从而导致经济性较差。

因此现有技术当中亟需要一种新型的技术方案来解决这一问题。

发明内容

本发明所要解决的技术问题是：提供一种基于机会约束规划的混合储能容量优化配置方法用来解决传统的混合储能系统容量优化模型经济性较差的技术问题。

一种基于机会约束规划的混合储能容量优化配置方法，其特征在于：包括以下步骤，并且以下步骤顺次进行，

步骤一、根据风光发电系统总输出功率的原始实际值P_renew(t)获得实用的风光发电系统总输出功率预测值P_{renew_forcast}(t)，并根据预测值P_{renew_forcast}(t)获得输送功率参考值P_{trans_ref}(t)，

取时间t内的风光发电系统总输出功率的实际值P_renew(t)，其中0≤t≤T_i，建立支持向量和BP神经网络模型，获得T_i≤t≤T_i+1之间的风光总输出功率预测值P_{renew_forcast}(t)，

取T_i+1-T_i为时间τ，并取τ内风光总输出功率预测值P_{renew_forcast}(t)的算术平均值为τ时间内的输送功率参考值P_{trans_ref}(t)，

将一天24小时按照时间τ均分，其中τ≥1小时，获得一天中每个τ时间内的输送功率参考值P_{trans_ref}(t)，

输送功率参考值P_{trans_ref}(t)为风光总输出功率的调度目标值；

步骤二、初级优化

利用HOMER软件，建立成本f(X)的初级优化模型如下：

其中N为系统设计的使用年限，C₁为购置成本，C_M(n)为第n年运行维护成本，C_R(n)为第n以年置换成本，a为贴现系数，R为设备残值，

由式(2)可得到贴现系数a，其中i为利率，

输入蓄电池的数量的优化区间为[1,2,…,50]，HOMER把该优化区间内的所有方案进行排列组合，并自动选出获得储能单元总体需要的功率和能量中成本最小的方案；

步骤三、次级优化

a.储能单元出力满足系统需要的概率

设定Pr{BAT}为满足P_BAT(t)≤P_{BAT_rated}的概率，Pr{SC}为满足P_SC(t)≤P_{SC_rated}的概率，同时满足Pr{BAT}和Pr{SC}的概率为功率分配成功的概率Pr{A}，其中P_BAT(t)为蓄电池在t时刻，为满足系统负荷需要而输出的功率，P_BAT(t)通过初级优化中HOMER软件的模拟结果得到；P_{BAT_rated}为蓄电池的额定功率，是HOMER优化的变量，P_BAT__rated为蓄电池数量与单块蓄电池的额定功率的乘积；P_SC(t)为超级电容在t时刻，为满足系统负荷需要而输出的功率，P_SC__rated为蓄电池的额定功率，

Pr(A)＝Pr(BAT∩SC) (4)

蓄电池用于存储能量，超级电容器用于存储充放电时的尖峰功率，所以优先获得P_BAT__rated的取值，

Pr(A)＝Pr(BAT)*Pr(SC|BAT) (5)

b.获得储能元件的荷电状态SOC

蓄电池荷电状态和其充放电功率的关系为：

其中SOC_BAT为蓄电池的荷电状态，

为蓄电池的初始容量，

为充电效率，

分别代表充放电效率，

为充电功率，

为放电功率，E_BAT__rated为蓄电池的额定容量，

超级电容器的荷电状态为：

其中SOC_SC为超级电容的荷电状态，

为超级电容的初始容量，

为充电效率，

分别代表充放电效率，

为充电功率，

为放电功率，E_SC__rated为超级电容的额定容量；

c.基于机会约束规划的混合储能目标函数以及约束条件为：

minC＝P_{BAT_rated}C_{P_BAT}+P_{SC_rated}C_{P_SC}+E_{BAT_rated}C_{E_BAT}+E_{SC_rated}C_{E_SC}

式中，P_{BAT_rated}为蓄电池的额定功率，P_{SC_rated}为超级电容器的额定功率，E_{BAT_rated}为蓄电池的额定容量，E_{SC_rated}为超级电容器的额定容量，C_{P_BAT}为蓄电池的额定功率单价，C_{P_SC}为超级电容器的额定功率单价，C_{E_BAT}为蓄电池的额定容量单价，C_{E_SC}为超级电容器的额定容量单价，C为混合储能装置的总费用，SOC_min储能元件荷电状态的下限，SOC_max为储能元件荷电状态的上限，

通过遗传算法求解公式(8)所示的优化模型，获得置信水平α下的容量配置方案，其中置信水平α为系统功率需求小于蓄电池额定功率的概率，置信水平α是给定值。

步骤四、从置信水平α大于等于0.9的容量配置方案中获得总成本最小的容量配置方案，为混合储能容量优化的最优方案。

通过上述设计方案，本发明可以带来如下有益效果：本发明在计算得出混合储能系统所需的功率容量和能量容量的基础上，采用机会约束规划算法，计算出不同置信水平下，混合储能系统中蓄电池和超级电容的最优容量配置。此优化方法的优化目标为总成本最小。算例分析验证了本发明所提方法和所建优化模型的技术合理性和经济实用性，为风光储混合发电系统的规划设计提供理论支撑和技术支持。

附图说明

以下结合附图和具体实施方式对本发明作进一步的说明：

图1为本发明一种基于机会约束规划的混合储能容量优化配置方法所涉及的风光储混合发电系统架构图；

图2为本发明一种基于机会约束规划的混合储能容量优化配置方法中新能源出力的预测功率、参考功率和实际功率的曲线；

图3为本发明一种基于机会约束规划的混合储能容量优化配置方法的优化算法流程图；

图4为本发明一种基于机会约束规划的混合储能容量优化配置方法实施例中的月平均发电构成。

具体实施方式

下面结合具体实施例对本发明进行详细说明。

一种基于机会约束规划的混合储能容量优化配置方法，其特征在于：包括以下步骤，并且以下步骤顺次进行，

步骤一、预测风光出力，制定调度计划

首先，根据历年光伏风电数据，对未来短期内的风光出力进行预测。在对光伏阵列的输出功率进行预测时，需要考虑的影响因素包括：太阳辐射强度、温度等。在对风机的输出功率进行预测时，需要考虑风速等影响因素。利用风光发电系统的历史输出数据，可以建立支持向量和BP神经网络模型对未来的发电量和发电功率进行预测。

然后，根据上述预测结果，制定各新能源电站的调度计划。由于光伏发电和风力发电受环境的影响很大，不能随意为其指定输送功率。因此调度中心需要把光伏电站放在较优先的位置。即首先根据次日的光伏电站和风电场发电预测情况，安排好光伏电站和风电场次日的输送功率参考值。基于0≤t≤T_i正之间的历史数据，可得到T_i≤t≤T_i+1之间的风光总输出功率预测值P_{renew_forcast}(t)，如图2中虚线所示。而实线对应的是这段时间内风光总的的实际输出功率P_renew(t)。调度中心为了便于控制，并不直接采纳波动较大的预测曲线作为输送功率参考值。输送功率参考值在一定时间τ(τ一般是一小时或者更长，具体的长短由调度的并网政策决定)内应该是保持恒定的，这里的τ取T_i+1-T_i。把一天中每个τ内的风光出力预测值P_{renew_forcast}(t)取平均值，就得到了很多条确定的直线，其中每条直线所对应的功率即定义为τ时间内的输送功率参考值P_{trans_ref}(t)，也就是调度目标值，如图2中的黑色直线所示。全天的P_{trans_ref}(t)基本呈正态分布。

步骤二、初级优化

利用HOMER软件，以最小成本为优化目标得出储能单元总体需要的功率和能量。初级优化模型如下：

其中N为系统设计的使用年限，C₁为购置成本、C_M(n)为第n年运行维护成本、C_R(n)为第n以年置换成本、a为贴现系数、R为设备残值。由式(4-)可得到为贴现系数a，其中i为利率。在输入优化区问后，HOMER会把区间内所有方案进行排列组合，在生成的众多方案选出符合系统要求且经济性最好的方案。

步骤三、次级优化

a.首先需要计算储能单元出力无法满足系统需要

设Pr{BAT}和Pr{SC}分别代表满足条件P_BAT(t)≤P_BAT__rated和P_SC(t)≤P_SC__rated的概率。只有这同时满足Pr{BAT}和Pr{SC}才能算功率分配成功，这时记为Pr{A}。

Pr(A)＝Pr(BAT∩SC) (4)

由于蓄电池用来存储大部分的能量，超级电容器只负责充放电时的过大的尖峰功率，所以优先考虑P_BAT__rated的取值，也就是式(5)。

Pr(A)＝Pr(BAT)*Pr(SC|BAT) (5)

以[t_i-1,t_i]为例来说明。t_i-1到t_i时刻之间，式(3)始终满足，则用这段时间内的P_SC(t)来获得Pr{SC|BAT}，

t_i-1到t_ε之间式(3)始终满足，t_ε之后，|P_BAT(t)|超过P_BAT__rated，则蓄电池超载，t_ε到t_i时刻之间只获得超级电容器的功率；

b.次级优化的第二步，需要计算储能元件的SOC。

蓄电池荷电状态和其充放电功率的关系为：

其中SOC_BAT是蓄电池的荷电状态，

是蓄电池的初始容量，

和

分别代表充放电效率，

和

分别代表充放电功率，E_{BAT_rated}是蓄电池的额定容量。同理可以得到超级电容器的荷电状态。

c.基于机会约束规划的混合储能目标函数以及约束条件为：

minC＝P_{BAT_rated}C_{P_BAT}+P_{SC_rated}C_{P_SC}+E_{BAT_rated}C_{E_BAT}+E_{SC_rated}C_{E_SC}

式中，P_{BAT_rated}和P_{SC_rated}分别是蓄电池和超级电容器的额定功率，E_{BAT_rated}和E_{SC_rated}分别是蓄电池和超级电容器的额定容量。C_{P_BAT}和C_{P_SC}分别为蓄电池和超级电容器额定功率单价，C_{E_BAT}和C_{E_SC}分别为蓄电池和超级电容器额定容量单价，C是混合储能装置的总费用。SOC_min和SOC_max分别是储能元件荷电状态的上下限。

通过遗传算法求解公式(8)所示的优化模型，获得置信水平α下的容量配置方案，其中置信水平α是给定量，是系统功率需求小于蓄电池额定功率的概率，也表明了仅使用蓄电池就可以满足系统功率的需求。

步骤四、从置信水平α大于等于0.9的容量配置方案中获得总成本最小的容量配置方案，为混合储能容量优化的最优方案。

实施例：

本实施例详细描述本发明的优化算法。以中国某地区为例，收集当地的历史气候环境数据。风机和光伏电池板型号如表1。将各元件价格，元件参数和输送功率参考值设置完成后，使用Homer进行仿真，可得到如下表的最有资金方案。这样就获得了只使用蓄电池作为储能元件情况下的储能的总体容量。如附图4每月平均功率的分布情况。

表1最优资金方案

表2最优资金方案

HOMER仿真得出系统需要25个蓄电池，而单个蓄电池的额定功率为600W，额定容量为6kWh。结合HOMER的仿真数据得到系统所需的功率容量为15kW，储能容量为50kWh。也就是由于系统对功率容量的需求过大，导致了过多的蓄电池储能容量配置。所以需要加入超级电容器组成混合储能。

由于HOMER不能对两个或两个以上类型的储能模块进行优化，所以我们使用前几小节所介绍的机会约束规划方法对混合储能的容量进行配置。

初始化时，设置初始条件：

Ph_{yb_rated}＝15kW

Eh_{yb_rated}＝50kWh (9)

蓄电池和超级电容初始SOC均设置为0.5。设置蓄电池和超级电容的额定功率费用和额定容量费用如下：

遗传算法的总群大小为1000，迭代次数为10万次，交叉概率为0.5，变异概率为0.4。设置信水平α分别为1,0.99,0.95,0.9,0.85时，进行机会约束。利用遗传算法得到的如下表所示的混合储能容量配置方案：

表3容量配置方案

分析上表可以得出，置信水平α为1时，即单纯基于初级优化的方法，没有使用超级电容器。随着置信水平α的降低，超级电容器数目逐步增加，用以满足系统对功率容量的需求，蓄电池的数量显著减小，储能系统的总成本也得以降低。但当置信水平α降到0.9时，蓄电池的数目过小，导致了蓄电池无法提供足额的储能容量。由容量密度很小的超级电容器提供容量缺额，这导致了超级电容器的数目剧增，也就加大了成本。因此，在置信水平α为0.95时，混合储能系统的总成本最低，也就是经济性最优。因此把置信水平α为0.95时的分配方案确定为混合储能容量优化的最优方案。

Claims (1)

1.一种基于机会约束规划的混合储能容量优化配置方法，其特征在于：包括以下步骤，并且以下步骤顺次进行，

步骤一、根据风光发电系统总输出功率的原始实际值P_renew(t)获得实用的风光发电系统总输出功率预测值P_{renew_forcast}(t)，并根据预测值P_{renew_forcast}(t)获得输送功率参考值P_{trans_ref}(t)，

取时间t内的风光发电系统总输出功率的实际值P_renew(t)，其中0≤t≤T_i，建立支持向量和BP神经网络模型，获得T_i≤t≤T_i+1之间的风光总输出功率预测值P_{renew_forcast}(t)，

取T_i+1-T_i为时间τ，并取τ内风光总输出功率预测值P_{renew_forcast}(t)的算术平均值为τ时间内的输送功率参考值P_{trans_ref}(t)，

将一天24小时按照时间τ均分，其中τ≥1小时，获得一天中每个τ时间内的输送功率参考值P_{trans_ref}(t)，

输送功率参考值P_{trans_ref}(t)为风光总输出功率的调度目标值；

步骤二、初级优化

利用HOMER软件，建立成本f(X)的初级优化模型如下：

其中N为系统设计的使用年限，C₁为购置成本，C_M(n)为第n年运行维护成本，C_R(n)为第n以年置换成本，a为贴现系数，R为设备残值，

由式(2)可得到贴现系数a，其中i为利率，

输入蓄电池的数量的优化区间为[1,2,…,50]，HOMER把该优化区间内的所有方案进行排列组合，并自动选出获得储能单元总体需要的功率和能量中成本最小的方案；

步骤三、次级优化

a.储能单元出力满足系统需要的概率

设定Pr{BAT}为满足P_BAT(t)≤P_{BAT_rated}的概率，Pr{SC}为满足P_SC(t)≤P_{SC_rated}的概率，同时满足Pr{BAT}和Pr{SC}的概率为功率分配成功的概率Pr{A}，其中P_BAT(t)为蓄电池在t时刻，为满足系统负荷需要而输出的功率，P_BAT(t)通过初级优化中HOMER软件的模拟结果得到；P_{BAT_rated}为蓄电池的额定功率，是HOMER优化的变量，P_{BAT_rated}为蓄电池数量与单块蓄电池的额定功率的乘积；P_SC(t)为超级电容在t时刻，为满足系统负荷需要而输出的功率，P_{SC_rated}为蓄电池的额定功率，

Pr(A)＝Pr(BAT∩SC) (4)

蓄电池用于存储能量，超级电容器用于存储充放电时的尖峰功率，所以优先获得P_{BAT_rated}的取值，

Pr(A)＝Pr(BAT)*Pr(SC|BAT) (5)

b.获得储能元件的荷电状态SOC

蓄电池荷电状态和其充放电功率的关系为：

其中SOC_BAT为蓄电池的荷电状态，

为蓄电池的初始容量，

为充电效率，

分别代表充放电效率，

为充电功率，

为放电功率，E_{BAT_rated}为蓄电池的额定容量，

超级电容器的荷电状态为：

其中SOC_SC为超级电容的荷电状态，

为超级电容的初始容量，

为充电效率，

分别代表充放电效率，

为充电功率，

为放电功率，E_{SC_rated}为超级电容的额定容量；

c.基于机会约束规划的混合储能目标函数以及约束条件为：

min C＝P_{BAT_rated}C_{P_BAT}+P_{SC_rated}C_{P_SC}+E_{BAT_rated}C_{E_BAT}+E_{SC_rated}C_{E_SC}

一、式中，P_{BAT_rated}为蓄电池的额定功率，P_{SC_rated}为超级电容器的额定功率，E_{BAT_rated}为蓄电池的额定容量，E_{SC_rated}为超级电容器的额定容量，C_{P_BAT}为蓄电池的额定功率单价，C_{P_SC}为超级电容器的额定功率单价，C_{E_BAT}为蓄电池的额定容量单价，C_{E_SC}为超级电容器的额定容量单价，C为混合储能装置的总费用，SOC_min为储能元件荷电状态的下限，SOC_max为储能元件荷电状态的上限，其中P_{hyb_rated}涵义为混合储能的额定功率，

E_{hyb_rated}涵义为混合储能的额定容量，

P_hyb涵义为混合储能的功率，

P_BAT涵义为蓄电池功率，

P_SC涵义为超级电容功率。

二、

通过遗传算法求解公式(8)所示的优化模型，获得置信水平α下的容量配置方案，其中置信水平α为系统功率需求小于蓄电池额定功率的概率，置信水平α是给定值；

步骤四、从置信水平α大于等于0.9的容量配置方案中获得总成本最小的容量配置方案，为混合储能容量优化的最优方案。

Images