CN108551175A - 配电网储能容量配置方法 - Google Patents

Abstract

本发明公开了一种配电网储能容量配置方法，包括建立储能系统容量配置的多目标优化模型；采用多目标粒子群算法对多目标优化模型进行求解；采用TOPSIS算法对得到的模型解进行选取，从而得到最终的配电网储能容量配置结果。本发明可以为配电网稳定性的提高提供技术依据,既能充分发挥储能装置的优势提高配电网运行的安全可靠性，又能节约储能装置的成本，同时还减少了频率与节点电压的波动。

Description

配电网储能容量配置方法

技术领域

本发明具体涉及一种配电网储能容量配置方法。

背景技术

随着经济社会飞速发展，分布电源大量接入使得电力系统安全稳定问题也随之增加。储能技术为解决这些问题提供了新的方法，电力储能技术己被公认是未来电力系统中的重要组成部分，改变了电力系统中功率刚性平衡性质，提高电网柔性的革新性技术，对电力安全、新能源发电的规模化应用都有着重要的意义。储能的加入给电力系统新能源接入带来的一系列稳定问题的解决提供了新的思路，目前已经有许多国内外学者对其加以研究。由于目前储能的成本还比较高，大容量的储能装置实施还不太现实，所以储能的容量配置就成了一个必须解决的问题。

分布式电源的出力具有不确定性，易受环境因素的影响，因此其大量接入将对配电网的安全稳定运行带来很大影响。储能系统具有快速能量响应能力，能够在一定程度上平抑分布式电源带来的不利影响。储能系统接入容量的不同对其平抑效果的影响很大，目前对于接入电网系统的储能系统的容量评估方法，其在评估过程中仅仅考虑储能系统的容量问题，从而导致评估的结果与实际效果相距较远，已经不再适用于现今的电网系统的评估。

发明内容

本发明的目的在于提供一种针对储能系统配置过程中的多目标进行共同优化的配电网储能容量配置方法。

本发明提供的这种配电网储能容量配置方法，包括如下步骤：

S1.建立储能系统容量配置的的多目标优化模型；

S2.采用多目标粒子群算法对步骤S1建立的多目标优化模型进行求解；

S3.采用TOPSIS算法对步骤S2得到的模型解进行选取，从而得到最终的配电网储能容量配置结果。

步骤S1所述的建立储能系统容量配置的的多目标优化模型，具体为以配电网的节点电压波动最小、储能系统容量最小和配电网的频率波动最小为目标函数，并以配电网功率平衡、节点电压、储能功率和储能能量平衡为约束条件，构建储能系统容量配置的的多目标优化模型。

所述的建立储能系统容量配置的的多目标优化模型，具体为采用如下步骤建立模型：

A.采用如下算式计算节点电压波动值f₁：

式中N_bus为系统节点个数，T为考察时刻数，V_ij为节点i在j时刻的电压值，为节点i在考察时间内的电压平均值；

B.采用如下算式计算频率波动值f₂：

式中T为考察时刻数，P_s(i)为时刻i的电网输入功率，为考察时间内电网输入功率的平均值；

C.采用如下算式计算储能容量配置f₃：

D.采用如下算式作为多目标优化模型的目标函数f：

f＝min[f₁,f₂,f₃]

式中min[f₁,f₂,f₃]表示多目标优化最终值。

E.采用如下算式作为目标函数的功率平衡约束P_s：

式中N_bus为系统节点个数，N_DG为分布式电源的个数，N_store为储能系统的个数，P_loadi为节点i的负荷功率，P_DGj为第j个分布式电源的出力，P_storek为第k个储能系统的出力且储能系统放电时P_storek取值为正；

F.采用如下算式作为目标函数的节点电压约束：

V_min≤V_ij≤V_max

式中V_min为节点电压最小值，V_max为节点电压最大值；

G.采用如下算式作为目标函数的储能功率约束：

P_store,min≤P_ij≤P_store,max

式中P_store,min为储能系统的功率最小值，P_store,max为储能系统的功率最大值；

H.采用如下算式作为目标函数的储能能量平衡约束：

式中表示储能周期内能量总和。

步骤S2所述的采用多目标粒子群算法对多目标优化模型进行求解，具体为在现有的多目标粒子群算法中的基本速度更新公式中增加粒子对自身历史经验认知的项，应用粒子与种群最优粒子的差距程度作为指导来进行权重和加速因子的取值，从而形成改进的多目标粒子群算法并对多目标优化模型进行求解。

所述的应用粒子与种群最优粒子的差距程度作为指导来进行权重和加速因子的取值，具体为采用如下算式计算加速因子以及权重因子：

式中D为解空间维数，为第i个粒子在k时刻位置与种群全局最优解的差值，x_max为粒子位置变量的最大值，x_min为粒子位置变量的最小值，为粒子在k时刻位置向量，为第i个粒子在k时刻种群全局最优解，为第i个粒子在k时刻体现粒子个体经验的加速因子，c_1,s为体现个体经验的加速因子初值，c_1,e为体现个体经验的加速因子终值，为第i个粒子在k时刻体现粒子群体经验的加速因子，c_2,s为体现群体经验的加速因子初值，c_2,e为体现群体经验的加速因子终值，为第i个粒子在k时刻体现粒子不好的学习经验对粒子运行轨迹的影响力的加速因子，c_3,s为体现粒子不好的学习经验对粒子运行轨迹的影响力的加速因子初值，c_3,e为体现粒子不好的学习经验对粒子运行轨迹的影响力的加速因子终值，为第i个粒子在k时刻的权重因子，ω_s为权重因子的初值，ω_e为权重因子的终值。

步骤S3所述的采用TOPSIS算法对得到的模型解进行选取，具体为采用类间标准差法来确定各目标值的权重，然后根据确定的目标值的权重采用采用TOPSIS算法对得到的模型解进行选取。

本发明提供的这种配电网储能容量配置方法，以节点电压波动、储能系统容量和频率波动最小为目标函数，考虑其功率平衡约束、节点电压约束、储能功率约束和储能能量平衡约束建立储能系统容量配置的多目标优化模型，通过改进的多目标粒子群算法求解储能系统容量配置的多目标优化模型，最后用基于类间标准差的TOPSIS法来进行最优解的选取，可以为配电网稳定性的提高提供技术依据,既能充分发挥储能装置的优势提高配电网运行的安全可靠性，又能节约储能装置的成本，同时还减少了频率与节点电压的波动。

附图说明

图1为本发明方法的方法流程图。

图2为本发明方法在实施例中的自适应加速因子曲线示意图。

图3为本发明方法在实施例中的惯性权重因子曲线图。

具体实施方式

如图1所示为本发明方法的方法流程图：本发明提供的这种配电网储能容量配置方法，包括如下步骤：

S1.建立储能系统容量配置的的多目标优化模型；具体为以配电网的节点电压波动最小、储能系统容量最小和配电网的频率波动最小为目标函数，并以配电网功率平衡、节点电压、储能功率和储能能量平衡为约束条件，构建储能系统容量配置的的多目标优化模型；

在具体实施时，采用如下步骤建立模型：

A.采用如下算式计算节点电压波动值f₁：

式中N_bus为系统节点个数，T为考察时刻数，V_ij为节点i在j时刻的电压值，为节点i在考察时间内的电压平均值；

B.采用如下算式计算频率波动值f₂：

式中T为考察时刻数，P_s(i)为时刻i的电网输入功率，为考察时间内电网输入功率的平均值；

C.采用如下算式计算储能容量配置f₃：

式中N_store为储能系统的个数，t₀为最大充电或放电开始时刻，t₀+nΔt为最大充电或放电结束时刻，P_storej(i)为第j个储能系统在时刻i的充电或放电功率；

D.采用如下算式作为多目标优化模型的目标函数f：

式中min[f₁,f₂,f₃]表示多目标优化最终值；

E.采用如下算式作为目标函数的功率平衡约束P_s：

式中N_bus为系统节点个数，N_DG为分布式电源的个数，N_store为储能系统的个数，P_loadi为节点i的负荷功率，P_DGj为第j个分布式电源的出力，P_storek为第k个储能系统的出力且储能系统放电时P_storek取值为正；

F.采用如下算式作为目标函数的节点电压约束：

V_min≤V_ij≤V_max

式中V_min为节点电压最小值，V_max为节点电压最大值；

G.采用如下算式作为目标函数的储能功率约束：

P_store,min≤P_ij≤P_store,max

式中P_store,min为储能系统的功率最小值，P_store,max为储能系统的功率最大值；

H.采用如下算式作为目标函数的储能能量平衡约束：

式中表示储能周期内能量总和；

S2.采用多目标粒子群算法对步骤S1建立的多目标优化模型进行求解，具体为在现有的多目标粒子群算法中的基本速度更新公式中增加粒子对自身历史经验(尤其是不好的历史经验)认知的项，应用粒子与种群最优粒子的差距程度作为指导来进行权重和加速因子的取值，从而形成改进的多目标粒子群算法并对多目标优化模型进行求解；

在具体实施时，采用如下算式计算加速因子以及权重因子：

式中D为解空间维数，为第i个粒子在k时刻与种群全局最优解的差值，x_max为粒子位置变量的最大值，x_min为粒子位置变量的最小值，为粒子在k时刻位置向量，为第i个粒子在k时刻种群全局最优解，为第i个粒子在k时刻体现粒子个体经验的加速因子，c_1,s为体现个体经验的加速因子初值，c_1,e为体现个体经验的加速因子终值，为第i个粒子在k时刻体现粒子群体经验的加速因子，c_2,s为体现群体经验的加速因子初值，c_2,e为体现群体经验的加速因子终值，为第i个粒子在k时刻体现粒子不好的学习经验对粒子运行轨迹的影响力的加速因子，c_3,s为体现粒子不好的学习经验对粒子运行轨迹的影响力的加速因子初值，c_3,e为体现粒子不好的学习经验对粒子运行轨迹的影响力的加速因子终值，为第i个粒子在k时刻的权重因子，ω_s为权重因子的初值，ω_e为权重因子的终值；

其中，可以将c_1,s设置为2.5，c_2,s设置为0.5，c_3,s设置为1；c_1,e设置为0.5，c_2,e设置为2.5，c_3,e设置为0.5，其变化趋势如图2所示；ω_s设置为0.9，ω_e设置为0.4，其变化趋势如图3所示；

速度公式则变为：

式中r₁、r₂和r₃为(0,1)内均匀分布的随机数，表示粒子i在t次迭代过程中自我比较适应度值最差时的位置；

S3.采用TOPSIS算法对步骤S2得到的模型解进行选取，从而得到最终的配电网储能容量配置结果，具体为采用类间标准差法来确定各目标值的权重，然后根据确定的目标值的权重采用采用TOPSIS算法对得到的模型解进行选取；

由Pareto解集中的非劣解构成N个备选方案x₁、x₂、x₃…x_N，方案的属性数为n，即目标函数个数，则方案x_i的第m个属性值为f_m(x_i)，由于各属性之间存在量纲差异，因此首先应对其进行标幺化处理，将其转化为无量纲属性。处理后方案x_i的各属性值为[f₁'(x_i),f₂'(x_i),...,f_n'(x_i)]；各属性值的表达式为：

方案x_i的相对距离d(x_i)可通过下式来计算：

式中d₊(x_i)和d_-(x_i)分别指方案x_i到理想方案、负理想方案的距离，λ_m为属性f_m(x_i)对应的权重，λ_m在0～1之间，且所有权重之和为1；和分别为所有方案中属性标幺化后的最差值和最右值。

TOPSIS法在计算过程中需要给各目标值赋权重，而权重的选取对决策者的经验知识等有较高要求，为避免决策者自身对最终决策的影响，本发明采用类间标准差法来确定各目标值的权重，类间标准差法是通过判断Pareto解集中各目标值的类间标准差大小来确定权重，类间标准差越大，则说明该目标值在不同类别之间的差异性越大，提供的信息越多，所以权重就越大。

Claims (6)

1.一种配电网储能容量配置方法，包括如下步骤：

S1.建立储能系统容量配置的多目标优化模型；

S2.采用多目标粒子群算法对步骤S1建立的多目标优化模型进行求解；

S3.采用TOPSIS算法对步骤S2得到的模型解进行选取，从而得到最终的配电网储能容量配置结果。

2.根据权利要求1所述的配电网储能容量配置方法，其特征在于步骤S1所述的建立储能系统容量配置的的多目标优化模型，具体为以配电网的节点电压波动最小、储能系统容量最小和配电网的频率波动最小为目标函数，并以配电网功率平衡、节点电压、储能功率和储能能量平衡为约束条件，构建储能系统容量配置的的多目标优化模型。

3.根据权利要求2所述的配电网储能容量配置方法，其特征在于所述的建立储能系统容量配置的的多目标优化模型，具体为采用如下步骤建立模型：

A.采用如下算式计算节点电压波动值f₁：

式中N_bus为系统节点个数，T为考察时刻数，V_ij为节点i在j时刻的电压值，为节点i在考察时间内的电压平均值；

B.采用如下算式计算频率波动值f₂：

式中T为考察时刻数，P_s(i)为时刻i的电网输入功率，为考察时间内电网输入功率的平均值；

C.采用如下算式计算储能容量配置f₃：

式中N_store为储能系统的个数，t₀为最大充电或放电开始时刻，t₀+nΔt为最大充电或放电结束时刻，P_storej(i)为第j个储能系统在时刻i的充电或放电功率；

D.采用如下算式作为多目标优化模型的目标函数f：

f＝min[f₁,f₂,f₃]

式中min[f₁,f₂,f₃]表示多目标优化最终值；

E.采用如下算式作为目标函数的功率平衡约束P_s：

式中N_bus为系统节点个数，N_DG为分布式电源的个数，N_store为储能系统的个数，P_loadi为节点i的负荷功率，P_DGj为第j个分布式电源的出力，P_storek为第k个储能系统的出力且储能系统放电时P_storek取值为正；

F.采用如下算式作为目标函数的节点电压约束：

V_min≤V_ij≤V_max

式中V_min为节点电压最小值，V_max为节点电压最大值；

G.采用如下算式作为目标函数的储能功率约束：

P_store,min≤P_ij≤P_store,max

式中P_store,min为储能系统的功率最小值，P_store,max为储能系统的功率最大值；

H.采用如下算式作为目标函数的储能能量平衡约束：

式中表示储能周期内能量总和。

4.根据权利要求3所述的配电网储能容量配置方法，其特征在于步骤S2所述的采用多目标粒子群算法对多目标优化模型进行求解，具体为在现有的多目标粒子群算法中的基本速度更新公式中增加粒子对自身历史经验认知的项，应用粒子与种群最优粒子的差距程度作为指导来进行权重和加速因子的取值，从而形成改进的多目标粒子群算法并对多目标优化模型进行求解。

5.根据权利要求4所述的配电网储能容量配置方法，其特征在于所述的应用粒子与种群最优粒子的差距程度作为指导来进行权重和加速因子的取值，具体为采用如下算式计算加速因子以及权重因子：

式中D为解空间维数，为第i个粒子在k时刻与种群全局最优解的差值，x_max为粒子位置变量的最大值，x_min为粒子位置变量的最小值，为粒子在k时刻位置向量，为第i个粒子在k时刻种群全局最优解，为第i个粒子在k时刻体现粒子个体经验的加速因子，c_1,s为体现个体经验的加速因子初值，c_1,e为体现个体经验的加速因子终值，为第i个粒子在k时刻体现粒子群体经验的加速因子，c_2,s为体现群体经验的加速因子初值，c_2,e为体现群体经验的加速因子终值，为第i个粒子在k时刻体现粒子不好的学习经验对粒子运行轨迹的影响力的加速因子，c_3,s为体现粒子不好的学习经验对粒子运行轨迹的影响力的加速因子初值，c_3,e为体现粒子不好的学习经验对粒子运行轨迹的影响力的加速因子终值，为第i个粒子在k时刻的权重因子，ω_s为权重因子的初值，ω_e为权重因子的终值。

6.根据权利要求5所述的配电网储能容量配置方法，其特征在于步骤S3所述的采用TOPSIS算法对得到的模型解进行选取，具体为采用类间标准差法来确定各目标值的权重，然后根据确定的目标值的权重采用采用TOPSIS算法对得到的模型解进行选取。