CN106505604A - 接入区域配电网的光伏储能联合运行单元优化配置方法 - Google Patents

Abstract

一种接入区域配电网的光伏储能联合运行单元优化配置方法。其运用小波包‑模糊平抑策略将电池储能配置在光伏侧以平抑其输出，建立以电压各母线电压偏差之和、总有功网损、储能寿命损耗、储能容量利用率考核指标为基础的优化模型以综合考核光伏输出间歇性对系统及储能的影响，以储能容量和最大充放电功率为优化变量，采用量子编码的遗传算法对其进行求解。本发明通过小波包将光伏发电波动性特征进行分离，增加储能电池对高频随机性波动的抑制能力，通过模糊控制降低了储能电池动作的频度，兼顾了抑制效果与储能电池寿命，降低了储能电池使用成本。对于滤除高频分量后的低频功率波动进行优化处理，可避免在未来大规模可再生能源并网后的波动加剧。

Description

接入区域配电网的光伏储能联合运行单元优化配置方法

技术领域

本发明属于区域配电规划中光储联合容量配置技术领域，特别是涉及一种基于小波包-模糊调节的接入区域配电网的光伏储能联合运行单元优化配置方法。

背景技术

光伏以分布式方式接入配电网，是提高配电网供电灵活性的有效方式，但受日照强度、温度等环境因素影响，光伏输出具有间歇性，当其渗透率达到一定比例时将给电力系统的稳定性和可靠性带来挑战，因此需对光伏输出进行平抑以减小其对电力系统的负面影响。

光伏作为分布式电源(distributed generation,DG)接入配电网中对配电网的影响目前已有众多文献进行了报道。如“分布式发电对配电网电压分布的影响”，研究了分布式电源接入放射状链式配电网络前后负荷节点电压的变化，针对开式配电网,运用潮流程序进行多分布式电源接入后电压分布的计算，提出专门评价节点电压前后变化的指标，并结合分布式电源出力变化、接入位置变化以及与线路电压调节配合的试验,全面总结了分布式电源在配电网中接入位置、出力限制等方面的运行规律。又如“含分布式发电接入的农村电网多目标规划”，以设备投资成本、系统有功损耗、停电损失及购电费用4个指标最小为目标函数,利用判断矩阵获得各目标函数权重,通过加权将多目标优化转化成单目标优化问题,采用改进遗传算法实现了DG位置及容量的优化配置。为了避免因DG可选布点太多、导致算法计算速度慢的问题,根据配电网损耗、电压及可靠性指标改善效果,提出了一种实用的确定DG候选位置的方法。而在减小间歇性DG对系统影响提高其渗透率的方法中，储能技术因其具备对功率和能量在时间上快速迁移能力，因而是目前研究的热点，在“平滑可再生能源发电系统输出波动的储能系统容量优化方法”中为了抑制RESs输出波动对电网的不利影响,提出了用于平滑RESs发电系统功率输出的储能系统容量优化确定方法，利用离散傅里叶变换对RESs输出功率进行频谱分析,基于频谱分析结果,考虑ESS充放电效率、荷电状态及RESs发电系统目标功率输出波动率的约束,确定所需ESS最小容量。目前性能较高的为通过小波包分解法对光伏输出进行频谱分析后，由储能吸收调高频分量，而将低频稳定分量送入电网，以及通过一种加权移动平均滤波算法对风电进行平抑，运用模糊控制对储能的soc进行实时修正作为算法的反馈来调整滤波带宽。

由间歇性新能源接入配电网的现状看，间歇性波动可以通过储能抑制，而小波包是快速检测突变的一种有效手段，但无法直接用于控制，需要针对波动的特性设计小波包检测方法的基础上选取合适的控制算法解决储能控制问题。

发明内容

为了解决上述问题，本发明的目的在于提供一种接入区域配电网的光伏储能联合运行单元优化配置方法。

为了达到上述目的，本发明提供的接入区域配电网的光伏储能联合运行单元优化配置方法包括按顺序进行的下列步骤：

1)在区域配电网中，将储能电池配置在光伏一侧，由储能电池和光伏构成光伏储能联合运行单元，然后采用小波包分解方法将光伏输出有功功率进行多层分解，得到低频分量与高频分量；

2)取当前时刻光伏输出有功功率中高频分量作为当前储能电池充放电功率P1，充电或放电由当前时刻光伏输出有功功率较上一时刻变大或变小来确定，采用模糊控制方法对上述储能电池充放电功率进行调整，求出储能电池的输出功率指令修正系数，进而得到修正后的储能电池充放电功率P2，以抑制光伏输出有功功率的高频分量；

3)针对上述光伏输出有功功率的低频分量，以总有功网损、各母线电压偏差之和作为衡量该低频分量对区域配电网影响的考核指标，并以储能电池每次充放电等效寿命损耗和一定时间内储能容量平均弃用率为指标建立多目标优化优化函数，以抑制低频波动对区域配电网的影响并兼顾储能电池寿命；

4)以储能电池最大充放电功率及储能电池容量作为优化变量，采用基于Bloch球面坐标编码的遗传算法对上述步骤3)中获得的多目标优化优化函数进行求解，由此确定出光伏储能联合运行单元在区域配电网中的优化配置。

在步骤1)中，所述的在区域配电网中，将储能电池配置在光伏一侧，由储能电池和光伏构成光伏储能联合运行单元，然后采用小波包分解方法将光伏输出有功功率进行多层分解，得到低频分量与高频分量的具体方法是：

首先采用式(1)将待分解的光伏输出有功功率信号映射到2^j个小波包子空间中，其中j即为分解层数，然后采用式(2)对分解后的光伏输出有功功率信号进行重构，由此将光伏输出有功功率中所有频段分为低频分量与高频分量，其中低频分量因波动较小直接送入电网，高频分量因波动较大而作为储能电池充放电指令，以达到平抑光伏输出波动的目的；

式中，f(t)为待分解的光伏输出有功功率信号，P_j ⁱ(t)表示第j层上第i个小波包，为小波包系数；H、G分别为小波包分解的低通、高通滤波器组；h、g分别为小波包重构的低通、高通滤波器组。

在步骤2)中，所述的取当前时刻光伏输出有功功率中高频分量作为当前储能电池充放电功率P1，充电或放电由当前时刻光伏输出有功功率较上一时刻变大或变小来确定，采用模糊控制方法对上述储能电池充放电功率进行调整，求出储能电池的输出功率指令修正系数，进而得到修正后的储能电池充放电功率P2，以抑制光伏输出有功功率的高频分量的具体方法是：

以当前SOC_p和下一个充电或放电段内所需荷电状态变化量ΔSOC_p的计算值作为模糊控制输入、输出隶属函数的输入变量，输出功率指令修正系数K_p作为模糊控制输入、输出隶属函数的输出，0≤K_p≤1，从模糊控制输入、输出隶属函数中查出相应的状态值，之后从表1示出的模糊控制规则表中确定出输出功率指令修正系数K_p，然后根据当前储能电池充放电功率P1和输出功率指令修正系数K_p得到修正后的储能电池放电功率P2；

表1模糊控制规则表

其中状态值VS、S、MS、M、MB、B、VB、NB、NM、NS、PS、PM、PB分别代表非常小、小、中小、中、中大、大、非常大、负大、负中、负小、正小、正中、正大。

在步骤3)中，所述的多目标优化优化函数如式(3)所示：

式中P_loss(t)、P_L(t)分别为t时刻区域配电网总有功网损、总有功负荷；△U_i(t)、U_i(t)分别为母线i在t时刻的电压偏差绝对值和电压值；f₃、f₄分别为储能电池每次充放电等效寿命损耗和一定时间内储能电池容量平均弃用率，计算方法如式(4)所示；

式中：

R为储能电池允许的放电深度，Nt为t时间段内储能电池以放电深度R满充满放标准下的最大循环次数；

N₀为标准满充满放下最大循环次数；

△SOPp、SOPp-max分别为某一时刻储能电池充放电所需的荷电状态变化量和储能电池最大荷电状态；

另外，因光伏夜晚无光照，其输出有功功率为0，则此段时间里储能电池处于闲置状态，为了将这段时间剔除，式中t1、t2、…、tn分别为储能电池非闲置的各时刻。

所述的以储能电池最大充放电功率及储能电池容量作为优化变量，采用基于Bloch球面坐标编码的遗传算法对上述步骤3)中获得的多目标优化优化函数进行求解，由此确定出光伏储能联合运行单元在区域配电网中的优化配置的具体方法是：

首先建立由储能电池设备参数中允许的最大充放电功率P_max、最大充放电容量S_MAX可能性解组成的种群M，种群M中每个个体都包含一组储能电池充放电功率和容量，如式(5)所示。

其次，通过对个体归一化处理将其取值映射到bloch球面上，并用球坐标表示，其中P_max表示第t代中第i个个体中第一个变量，S_MAX表示第t代中第i个个体中第二个变量；如个体为可行解则定义为染色体，每一染色体可由坐标参量θ_ij、φ_ij表示出，如式(6)所示，并定义最大迭代次数；

然后基于Bloch球面坐标编码的遗传算法对上述多目标优化优化函数求解：

1)设置最大迭代次数；

2)对个体进行适应度评估，适应度评估函数采用式(3)所示的多目标优化优化函数，并记录最优个体适应度值及对应的坐标参量θ_ij、φ_ij；

3)通过量子旋转门与量子非门完成种群选择、交叉及变异的遗传过程，产生新一代的种群，在适应度减小时采用式(7)的量子旋转门进行交叉，在适应度未减小时采用式(8)所示的量子非门进行变异；交叉或变异后坐标参量θ_ij、φ_ij记为θ‘_ij、φ‘_ij；

交叉

变异

4)记录最优个体适应度及对应的坐标参量θ_ij、φ_ij，判断当前最优个体与之前几代的最优个体是否一致，若不一致，则继续迭代直至最大迭代次数，若一致，则进行灾变处理，即去掉当前最优解，以增加种群的变异率。

本发明提供的接入区域配电网的光伏储能联合运行单元优化配置方法的有益效果：通过小波包将光伏发电的波动性特征进行分离，增加了储能电池对高频随机性波动的抑制能力，同时通过模糊控制降低了储能电池动作的频度，兼顾了抑制效果与储能电池寿命，降低了储能电池使用成本。此外对于滤除高频分量后的低频功率波动进行了优化处理，可避免在未来大规模可再生能源并网后的波动加剧，对于配电网的电压稳定起到了支撑作用。

附图说明

图1为模糊控制输入、输出隶属函数示意图；

图2为IEEE-33节点算例拓扑结构图；

图3(a)、(b)分别为Bus24与Bus28处光伏功率曲线图；

图4(a)、(b)分别为Bus24与Bus28处光伏小波包分解图；

图5(a)、(b)分别为Bus24与Bus28处模糊调节结果图；

图6为量子编码的bloch球面表示示意图。

具体实施方式

下面结合附图和具体实施例对本发明提供的接入区域配电网的光伏储能联合运行单元优化配置方法进行详细说明。

如图1所示，本发明提供的接入区域配电网的光伏储能联合运行单元优化配置方法包括按顺序进行的下列步骤：

1)在区域配电网中，将储能电池配置在光伏一侧，由储能电池和光伏构成光伏储能联合运行单元，然后采用小波包分解方法将光伏输出有功功率进行多层分解，得到低频分量与高频分量；

具体方法是首先采用式(1)将待分解的光伏输出有功功率信号映射到2^j个小波包子空间中，其中j即为分解层数，然后采用式(2)对分解后的光伏输出有功功率信号进行重构，由此将光伏输出有功功率中所有频段分为低频分量与高频分量，其中低频分量因波动较小可直接送入电网，高频分量因波动较大而作为储能电池充放电指令，以达到平抑光伏输出波动的目的；

式中，f(t)为待分解的光伏输出有功功率信号，P_j ⁱ(t)表示第j层上第i个小波包，为小波包系数；H、G分别为小波包分解的低通、高通滤波器组；h、g分别为小波包重构的低通、高通滤波器组。

2)取当前时刻光伏输出有功功率中高频分量作为当前储能电池充放电功率P1，充电或放电由当前时刻光伏输出有功功率较上一时刻变大或变小来确定，采用模糊控制方法对上述储能电池充放电功率进行调整，求出储能电池的输出功率指令修正系数，进而得到修正后的储能电池充放电功率P2，以抑制光伏输出有功功率的高频分量；

调整的原则为当储能电池的荷电状态(SOC)处在适中状态时，则不进行调整，当当前SOC_p小于下限SOC_pmin且准备放电或当前SOC_p大于上限SOC_pmax且准备充电时，基于模糊理论对当前SOC_p进行调整，具体方法是以当前SOC_p和下一个充电或放电段内所需荷电状态变化量ΔSOC_p的计算值作为图1所示的模糊控制输入、输出隶属函数的输入变量，输出功率指令修正系数K_p(0≤K_p≤1)作为模糊控制输入、输出隶属函数的输出，从图1中查出相应的状态值，之后从表1示出的模糊控制规则表中确定出输出功率指令修正系数K_p，然后根据当前储能电池充放电功率P1和输出功率指令修正系数K_p得到修正后的储能电池放电功率P2。

表1模糊控制规则表

其中状态值VS、S、MS、M、MB、B、VB、NB、NM、NS、PS、PM、PB分别代表非常小、小、中小、中、中大、大、非常大、负大、负中、负小、正小、正中、正大。以表1中SOCp＝VS表征当前荷电状态非常小、ΔSOC p＝NB表征下一时刻放电电量大为例，此时输出功率指令修正系数K_p＝VS表征该修正系数取值非常小，则修正后的储能电池放电功率P2＝Kp˙P1有较大的削减，表明此时对储能电池放电功率进行了很大的调节。

3)针对上述光伏输出有功功率的低频分量，以总有功网损、各母线电压偏差之和作为衡量该低频分量对区域配电网影响的考核指标，并以储能电池每次充放电等效寿命损耗和一定时间内储能容量平均弃用率为指标建立多目标优化优化函数，以抑制低频波动对区域配电网的影响并兼顾储能电池寿命；

多目标优化优化函数如式(3)所示：

式中P_loss(t)、P_L(t)分别为t时刻区域配电网总有功网损、总有功负荷；△U_i(t)、U_i(t)分别为母线i在t时刻的电压偏差绝对值和电压值；f₃、f₄分别为储能电池每次充放电等效寿命损耗和一定时间内储能电池容量平均弃用率，计算方法如式(4)所示。

式中：

R为储能电池允许的放电深度，Nt为t时间段内储能电池以放电深度R满充满放标准下的最大循环次数；

N₀为标准满充满放下最大循环次数；

△SOPp、SOPp-max分别为某一时刻储能电池充放电所需的荷电状态变化量和储能电池最大荷电状态；

另外，因光伏夜晚无光照，其输出有功功率为0，则此段时间里储能电池处于闲置状态，为了将这段时间剔除，式中t1、t2、…、tn分别为储能电池非闲置的各时刻。

此外，式(3)、(4)中的四个指标均已进行归一化处理。

4)以储能电池最大充放电功率及储能电池容量作为优化变量，采用基于Bloch球面坐标编码的遗传算法对上述步骤3)中获得的多目标优化优化函数进行求解，由此确定出光伏储能联合运行单元在区域配电网中的优化配置。

具体方法是：

首先建立由储能电池设备参数中允许的最大充放电功率P_max、最大充放电容量S_MAX可能性解组成的种群M，种群M中每个个体都包含一组储能电池充放电功率和容量，如式(5)所示。

其次，通过对个体归一化处理将其取值映射到bloch球面上，并用球坐标表示，如图6所示，其中P_max表示第t代中第i个个体中第一个变量，S_MAX表示第t代中第i个个体中第二个变量，如个体为可行解则定义为染色体，每一染色体可由坐标参量θ_ij、φ_ij表示出，如式(6)所示，并定义最大迭代次数；

然后基于Bloch球面坐标编码的遗传算法对上述多目标优化优化函数求解：

1)设置最大迭代次数；

2)对个体进行适应度评估，适应度评估函数采用式(3)所示的多目标优化优化函数，并记录最优个体适应度值及对应的坐标参量θ_ij、φ_ij；

3)通过量子旋转门与量子非门完成种群选择、交叉及变异的遗传过程，产生新一代的种群，在适应度减小时采用式(7)的量子旋转门进行交叉，在适应度未减小时采用式(8)所示的量子非门进行变异；交叉或变异后坐标参量θ_ij、φ_ij记为θ‘_ij、φ‘_ij；

交叉

变异

4)记录最优个体适应度及对应的坐标参量θ_ij、φ_ij，判断当前最优个体与之前几代的最优个体是否一致，若不一致，则继续迭代直至最大迭代次数，若一致，则进行灾变处理，即去掉当前最优解，以增加种群的变异率。

实施例：

现在图2所示的IEEE-33节点的区域配电网为例对本发明提供的接入区域配电网的光伏储能联合运行单元优化配置方法进行说明。在该区域配电网中，分别在Bus24和Bus28处接入分布式光伏6kW和5kW，本实施例中总负荷大小为37kW，分布式光伏渗透率约为30％。同时在Bus24和Bus28处配置储能电池BA1和BA2。

优化变量包括储能电池BA1和BA2的最大充放电功率P_max1、P_max2和最大容量Q_max1、Q_max2，近似选取储能电池最大充电功率和最大放电功率。

Bus24与Bus28处接入的光伏功率曲线如图3所示。

运行优化程序，寻优结果如表2所示。

将变量P_max1、Q_max1、P_max2、Q_max2分成若干子区间，当P_max1、P_max2落在子区间[0.6 1.2]、[0.8 1.6]kW，Q_max1、Q_max2同落在子区间[1.0 1.5]kWh时，目标函数有最小解0.86，P_max1、P_max2分别取值为1.2kW和1.5kW，Q_max1、Q_max2分别取1kWh和1.5kWh。

在最优储能电池容量与充放电功率配置下小波包-模糊策略如图4、5所示。

由计算结果可知，小波包-模糊策略一方面平抑了分布式光伏的输出波动，将低频稳定分量送入电网，改善了电压质量及网损，另一方面使储能电池合理地充放电，如图5所示，SOC₁和SOC₂均处在适中的位置，表明其充电和放电的能力平衡，图中Pb1和Pb2分别为修正后的储能电池BA1和BA2的充放电曲线。

表2储能配置寻优结果

Claims (5)

1.一种接入区域配电网的光伏储能联合运行单元优化配置方法，其特征在于：所述的方法包括按顺序进行的下列步骤：

1)在区域配电网中，将储能电池配置在光伏一侧，由储能电池和光伏构成光伏储能联合运行单元，然后采用小波包分解方法将光伏输出有功功率进行多层分解，得到低频分量与高频分量；

2)取当前时刻光伏输出有功功率中高频分量作为当前储能电池充放电功率P1，充电或放电由当前时刻光伏输出有功功率较上一时刻变大或变小来确定，采用模糊控制方法对上述储能电池充放电功率进行调整，求出储能电池的输出功率指令修正系数，进而得到修正后的储能电池充放电功率P2，以抑制光伏输出有功功率的高频分量；

3)针对上述光伏输出有功功率的低频分量，以总有功网损、各母线电压偏差之和作为衡量该低频分量对区域配电网影响的考核指标，并以储能电池每次充放电等效寿命损耗和一定时间内储能容量平均弃用率为指标建立多目标优化优化函数，以抑制低频波动对区域配电网的影响并兼顾储能电池寿命；

4)以储能电池最大充放电功率及储能电池容量作为优化变量，采用基于Bloch球面坐标编码的遗传算法对上述步骤3)中获得的多目标优化优化函数进行求解，由此确定出光伏储能联合运行单元在区域配电网中的优化配置。

2.根据权利要求1所述的接入区域配电网的光伏储能联合运行单元优化配置方法，其特征在于：在步骤1)中，所述的在区域配电网中，将储能电池配置在光伏一侧，由储能电池和光伏构成光伏储能联合运行单元，然后采用小波包分解方法将光伏输出有功功率进行多层分解，得到低频分量与高频分量的具体方法是：

首先采用式(1)将待分解的光伏输出有功功率信号映射到2^j个小波包子空间中，其中j即为分解层数，然后采用式(2)对分解后的光伏输出有功功率信号进行重构，由此将光伏输出有功功率中所有频段分为低频分量与高频分量，其中低频分量因波动较小直接送入电网，高频分量因波动较大而作为储能电池充放电指令，以达到平抑光伏输出波动的目的；

$\left\{\begin{array}{c}{p}_0^1\left(t\right)=f\left(t\right)\\ p_j^{2i-1}=\underset{k}{\Σ}H(k-2t)\·p_{j-1}^i\left(t\right)\\ p_j^{2i}=\underset{k}{\Σ}G(k-2t)\·p_{j-1}^i\left(t\right)\end{array}\right.---\left(1\right)$

$p_j^i\left(t\right)=2\[\underset{k}{\Σ}h(t-2k)\·p_{j+1}^{2i-1}\left(t\right)+\underset{k}{\Σ}g(t-2k)\·p_{j+1}^{2i}\left(t\right)\]---\left(2\right)$

式中，f(t)为待分解的光伏输出有功功率信号，P_j ⁱ(t)表示第j层上第i个小波包，为小波包系数；H、G分别为小波包分解的低通、高通滤波器组；h、g分别为小波包重构的低通、高通滤波器组。

3.根据权利要求1所述的接入区域配电网的光伏储能联合运行单元优化配置方法，其特征在于：在步骤2)中，所述的取当前时刻光伏输出有功功率中高频分量作为当前储能电池充放电功率P1，充电或放电由当前时刻光伏输出有功功率较上一时刻变大或变小来确定，采用模糊控制方法对上述储能电池充放电功率进行调整，求出储能电池的输出功率指令修正系数，进而得到修正后的储能电池充放电功率P2，以抑制光伏输出有功功率的高频分量的具体方法是：

以当前SOC_p和下一个充电或放电段内所需荷电状态变化量ΔSOC_p的计算值作为模糊控制输入、输出隶属函数的输入变量，输出功率指令修正系数K_p作为模糊控制输入、输出隶属函数的输出，0≤K_p≤1，从模糊控制输入、输出隶属函数中查出相应的状态值，之后从表1示出的模糊控制规则表中确定出输出功率指令修正系数K_p，然后根据当前储能电池充放电功率P1和输出功率指令修正系数K_p得到修正后的储能电池放电功率P2；

表1 模糊控制规则表

其中状态值VS、S、MS、M、MB、B、VB、NB、NM、NS、PS、PM、PB分别代表非常小、小、中小、中、中大、大、非常大、负大、负中、负小、正小、正中、正大。

4.根据权利要求1所述的接入区域配电网的光伏储能联合运行单元优化配置方法，其特征在于：在步骤3)中，所述的多目标优化优化函数如式(3)所示：

$min.f=min.\mathrm{\Σ}\frac{P_{loss}\left(t\right)}{P_L\left(t\right)}+min.\mathrm{\Σ}\mathrm{\Σ}\frac{{\mathrm{\ΔU}}_i\left(t\right)}{U_i\left(t\right)}+min.f_3+min.f_4---\left(3\right)$

式中P_loss(t)、P_L(t)分别为t时刻区域配电网总有功网损、总有功负荷；△U_i(t)、U_i(t)分别为母线i在t时刻的电压偏差绝对值和电压值；f₃、f₄分别为储能电池每次充放电等效寿命损耗和一定时间内储能电池容量平均弃用率，计算方法如式(4)所示；

$\left\{\begin{array}{c}{f}_3\left(t,R\right)=\left(\frac{1}{N_{t,R}}\÷\frac{1}{N_0}\right)\×100\%\\ f_4\left(t_1,\mathrm{...},t_n\right)=\underset{t=t_1,t_2,\mathrm{...},t_n}{\Σ}\frac{{\mathrm{\ΔSOC}}_p\left(t\right)}{{\mathrm{SOC}}_{p\_\max }}/n\end{array}\right.---\left(4\right)$

式中：

R为储能电池允许的放电深度，Nt为t时间段内储能电池以放电深度R满充满放标准下的最大循环次数；

N₀为标准满充满放下最大循环次数；

△SOPp、SOPp-max分别为某一时刻储能电池充放电所需的荷电状态变化量和储能电池最大荷电状态；

另外，因光伏夜晚无光照，其输出有功功率为0，则此段时间里储能电池处于闲置状态，为了将这段时间剔除，式中t1、t2、…、tn分别为储能电池非闲置的各时刻。

5.根据权利要求1所述的接入区域配电网的光伏储能联合运行单元优化配置方法，其特征在于：在步骤4)中，所述的以储能电池最大充放电功率及储能电池容量作为优化变量，采用基于Bloch球面坐标编码的遗传算法对上述步骤3)中获得的多目标优化优化函数进行求解，由此确定出光伏储能联合运行单元在区域配电网中的优化配置的具体方法是：

首先建立由储能电池设备参数中允许的最大充放电功率P_max、最大充放电容量S_MAX可能性解组成的种群M，种群M中每个个体都包含一组储能电池充放电功率和容量，如式(5)所示。

$\stackrel{\→}{X_i}=\[P_{max},S_{max}\];(i=1,2,\mathrm{...}M)---\left(5\right)$

其次，通过对个体归一化处理将其取值映射到bloch球面上，并用球坐标表示，其中P_max表示第t代中第i个个体中第一个变量，S_MAX表示第t代中第i个个体中第二个变量；如个体为可行解则定义为染色体，每一染色体可由坐标参量θ_ij、φ_ij表示出，如式(6)所示，并定义最大迭代次数；

然后基于Bloch球面坐标编码的遗传算法对上述多目标优化优化函数求解：

1)设置最大迭代次数；

2)对个体进行适应度评估，适应度评估函数采用式(3)所示的多目标优化优化函数，并记录最优个体适应度值及对应的坐标参量θ_ij、φ_ij；

3)通过量子旋转门与量子非门完成种群选择、交叉及变异的遗传过程，产生新一代的种群，在适应度减小时采用式(7)的量子旋转门进行交叉，在适应度未减小时采用式(8)所示的量子非门进行变异；交叉或变异后坐标参量θ_ij、φ_ij记为θ‘_ij、φ‘_ij；

交叉

变异

4)记录最优个体适应度及对应的坐标参量θ_ij、φ_ij，判断当前最优个体与之前几代的最优个体是否一致，若不一致，则继续迭代直至最大迭代次数，若一致，则进行灾变处理，即去掉当前最优解，以增加种群的变异率。