CN109474015B - 基于两层优化的主动配电网储能系统优化配置方法及系统 - Google Patents

基于两层优化的主动配电网储能系统优化配置方法及系统 Download PDF

Info

Publication number
CN109474015B
CN109474015B CN201811541654.XA CN201811541654A CN109474015B CN 109474015 B CN109474015 B CN 109474015B CN 201811541654 A CN201811541654 A CN 201811541654A CN 109474015 B CN109474015 B CN 109474015B
Authority
CN
China
Prior art keywords
energy storage
layer
model
storage system
optimization
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.)
Active
Application number
CN201811541654.XA
Other languages
English (en)
Other versions
CN109474015A (zh
Inventor
王李龑
张岩
张涛
王新涛
李先栋
张亚新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Liaocheng Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Liaocheng Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Liaocheng Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201811541654.XA priority Critical patent/CN109474015B/zh
Publication of CN109474015A publication Critical patent/CN109474015A/zh
Application granted granted Critical
Publication of CN109474015B publication Critical patent/CN109474015B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H02J3/383—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J3/386—
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/10—Photovoltaic [PV]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开提出了基于两层优化的主动配电网储能系统优化配置方法及系统，构建两层优化的内外层模型；在短时间尺度的内层优化中，构建以上网功率高频分量变异系数和可再生能源浪费率最小为目标的优化模型，并利用标量化方法和粒子群算法求解；在长时间尺度的外层优化中，构建以投资成本和可再生能源浪费率最小为目标的优化模型，并采用NSGA‑II算法求解其Pareto最优解；两层优化的内外层模型以可再生能源浪费率、储能系统配置位置和容量为耦合变量交替迭代求解。本公开将短时间尺度的主动配电网运行控制和长时间尺度的储能系统规划，充分考虑了主动配电网运行控制代价和收益的变化对，储能系统规划的影响，具有较高的工程实际应用价值和先进性。

Description

基于两层优化的主动配电网储能系统优化配置方法及系统
技术领域
本公开涉及主动配电网技术领域，特别是涉及基于两层优化的主动配电网储能系统优化配置方法及系统。
背景技术
近年来，以风电和光伏为代表的间歇性可再生能源发电发展迅速，在电网中的渗透率已经达到较高水平。由于风能、太阳能等一次能源的不确定性和不可控性，间歇性可再生能源发电存在出力波动、弃电浪费等问题，导致电网对其消纳能力已经接近饱和。主动配电网能够主动管理、组合控制各种分布式能源，是实现大规模间歇性可再生能源分布式并网，提高电网对可再生能源消纳能力的一种重要方式。储能系统作为主动配电网的重要组成部分，具有功率快速调节和能量供蓄能力，在平抑上网功率波动、降低弃电损失等方面起着重要的作用。因此，在主动配电网中优化配置储能系统的位置和容量，能够充分利用有限的投资成本，平抑上网功率波动，减少弃风弃光电量，提高经济性和电网对可再生能源的消纳能力。
针对主动配电网中储能系统优化配置问题，由于主动配电网具有主动管理、组合控制的特性，其运行控制策略对储能系统规划具有重要影响。在储能系统的规划阶段，就需要考虑日后的运行控制问题，将主动配电网运行控制代价和收益的变化考虑到储能系统规划中。此外，储能系统优化配置问题涉及多方面的约束条件和多种相互矛盾的优化目标，是一个非线性多目标优化问题，其求解面临一定的挑战。
目前，对于主动配电网中储能系统优化配置问题的研究还不够丰富和深入，缺少一套广泛采用的方法。现有的方法不能很好地兼顾短时间尺度的主动配电网运行控制和长时间尺度的储能系统规划，且不能很好地处理非线性多目标优化模型的工程求解，降低了实用性。
发明内容
为了解决现有技术的不足，本公开实施例子提供了基于两层优化的主动配电网储能系统优化配置方法，能够很好地兼顾短时间尺度的主动配电网运行控制和长时间尺度的储能系统规划，且能很好地处理非线性多目标优化模型的工程求解。
为了实现上述目的，本申请采用以下技术方案：
基于两层优化的主动配电网储能系统优化配置方法，包括：
针对主动配电网分布式电源模型，综合主动配电网运行控制和储能系统规划配置，构建两层优化的内外层模型；
在短时间尺度的内层优化中，构建以可再生能源上网功率和储能运行功率为决策变量，以上网功率高频分量变异系数和可再生能源浪费率最小为目标的优化模型，并利用标量化方法和粒子群算法求解；
在长时间尺度的外层优化中，构建以储能装置安装位置和容量为决策变量，以投资成本和可再生能源浪费率最小为目标的优化模型，并采用NSGA-II算法求解其Pareto最优解；
两层优化的内外层模型以可再生能源浪费率、储能系统配置位置和容量为耦合变量交替迭代求解。
进一步的技术方案，所述主动配电网分布式电源模型包括风力发电模型、光伏发电模型和储能系统的模型，针对主动配电网分布式电源模型需要进行模型初始化，初始化的步骤包括输入风力发电机、光伏发电模块和储能装置参数，及风速和光照强度数据。
进一步的技术方案，在短时间尺度的内层优化中，所建立的内层优化模型基于标量化方法，降低内层优化模型目标数目，将内层优化模型变换为单目标优化模型。
进一步的技术方案，所述上网功率高频分量变异系数Chg具体为：
Figure GDA0002666830930000021
Pre,i,t＝Pge,i,t-ae,iNe,iΔPe,i,t
Figure GDA0002666830930000022
Figure GDA0002666830930000023
Pce,i,high,t＝Pce,i,t-Pce,i,low,t
Figure GDA0002666830930000024
Figure GDA0002666830930000025
Figure GDA0002666830930000026
minfInner,1＝min(Chg)
式中：Pce,i,t为i节点可再生能源在t时刻上网功率，kW；Pre,i,t为i节点可再生能源和ESS在t时刻总功率，kW；Pce,i,max为i节点允许的最大上网功率；Pge,i,t为i节点可再生能源电源发电在t时刻实际功率，kW；ΔPe,i,t为i节点储能系统在t时刻输出功率，kW；ae,i为0-1变量，1表示i节点配置储能系统，0表示i节点未配置储能系统；Ne,i为i节点配置储能系统数量；Pce,i(s)和Pce,i,low(s)分别为频域上i节点可再生能源上网功率及其低频分量；Pce,i,low,t和Pce,i,low,(t-1)分别为t和t-1时刻i节点可再生能源上网功率低频分量，kW；当t＝1时，Pce,i,low,1＝Pce,i,1；Pce,i,high,t为t时刻i节点可再生能源上网功率高频分量，kW；Tτ,i为i节点低通滤波的平滑时间常数，s；Δt为仿真步长，s；uhg,i为i节点上网功率均值，kW；Chg,i为i节点可再生能源上网功率高频分量的变异系数；T为仿真时间间隔数目；Nm为含可再生能源发电的节点数目。
进一步的技术方案，所述可再生能源浪费率Rce具体为：
Ploss,i,t＝Pre,i,t-Pce,i,t
Figure GDA0002666830930000031
minfInner,2＝min(Rce)
式中：Ploss,i,t为i节点可再生能源在t时刻浪费功率，kW；Pr,i为i节点的可再生能源电源的额定功率，kW，Pce,i,t为i节点可再生能源在t时刻上网功率，kW；Pre,i,t为i节点可再生能源和ESS在t时刻总功率，kW；Nm为含可再生能源发电的节点数目。
进一步的技术方案，外层优化模型的目标函数具体为：
Figure GDA0002666830930000032
minfOuter,1＝min(CE)
minfOuter,2＝min(Rce)
式中：Ce为储能系统单元投资成本，￥，ae,i为0-1变量，1表示i节点配置储能系统，0表示i节点未配置储能系统，Nm为含可再生能源发电的节点数目，Ne,i为i节点配置储能系统数量，Rce为可再生能源浪费率。
进一步的技术方案，内层优化模型的约束条件包括：可再生能源出力约束、上网功率约束、储能系统功率约束和容量约束。
进一步的技术方案，外层优化模型的约束条件包括：储能系统配置容量约束和布点个数约束。
进一步的技术方案，基于标量化方法，降低内层优化模型目标数目，将内层优化模型变换为单目标优化模型，其中，内层优化模型变换包括：基于最大-最小归一化方法将内层优化模型归一化和基于广义不等式极小元的对偶性质将归一化后的内层优化模型标量化。
进一步的技术方案，在求解时，内、外层优化模型以可再生能源浪费率Rce、储能系统的配置位置和容量为耦合变量进行交替迭代求解，内层优化在计算时需要外层优化提供储能系统的配置位置和容量，而外层优化在计算时需要内层优化提供可在生能源浪费率Rce的计算结果，外层优化的每步迭代，需要内层优化执行一次完整的计算过程。
本公开的实施例子还公开了基于两层优化的主动配电网储能系统优化配置系统，包括：
内外层模型建立单元，针对主动配电网分布式电源模型，综合主动配电网运行控制和储能系统规划配置，构建两层优化的内外层模型；
内层模型求解单元，在短时间尺度的内层优化中，构建以上网功率高频分量变异系数和可再生能源浪费率最小为目标的优化模型，并利用标量化方法和粒子群算法求解；
外层模型求解单元，在长时间尺度的外层优化中，构建以投资成本和可再生能源浪费率最小为目标的优化模型，并采用NSGA-II算法求解其Pareto最优解；
两层优化的内外层模型以可再生能源浪费率、储能系统配置位置和容量为耦合变量交替迭代求解。
与现有技术相比，本公开的有益效果是：
1)本公开将短时间尺度的主动配电网运行控制和长时间尺度的储能系统规划放在统一的框架中处理，充分考虑了主动配电网运行控制代价和收益的变化对储能系统规划的影响，具有较高的工程实际应用价值和先进性。
2)本公开采用多目标优化的方法，综合考虑投资成本、可再生能源浪费率和上网功率高频分量变异系数三个目标对主动配电网中的储能系统进行优化配置，能够充分利用有限的投资成本，平抑上网功率波动，减少弃风弃光电量，具有较高的经济性和社会价值。
3)本公开没有特殊的应用条件，通用性强，适用于各主动配电网储能系统优化配置，具有推广价值和意义。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本公开一个或多个实施例子中储能系统优化配置方法执行流程示意图；
图2是本公开一个或多个实施例子中内外层优化模型交互关系示意图；
图3是本公开一个或多个实施例子中两层优化迭代求解方法流程示意图；
图4(a)-图4(d)是本公开一个或多个实施例子中典型日气象数据。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本申请的一种典型的实施方式中，如图1所示，提供了基于两层优化的主动配电网储能系统优化配置方法，在统一的框架内，综合主动配电网运行控制和储能系统规划配置，构建两层优化模型。在短时间尺度的内层优化中，构建以上网功率高频分量变异系数和可再生能源浪费率最小为目标的优化模型，并利用标量化方法和粒子群算法(particleswarm optimization，PSO)求解。在长时间尺度的外层优化中，构建以投资成本和可再生能源浪费率最小为目标的优化模型，并采用NSGA-II算法求解其Pareto最优解。两层优化的内外层模型以可再生能源浪费率、储能系统配置位置和容量为耦合变量交替迭代求解。
具体的，如图1所示，一种基于两层优化的主动配电网储能系统优化配置方法，包括以下步骤：
(1)初始化主动配电网分布式电源模型；
(2)初始化内、外层多目标优化模型；
(3)基于标量化方法，降低内层优化模型目标数目，将内层优化模型变换为单目标优化模型；
(4)基于PSO和NSGA-II算法，对内、外层优化模型进行交替迭代求解。
其中，步骤(1)中，主动配电网分布式电源模型包括：风力发电模型、光伏发电模型和储能系统的模型。
在该实施例子中，风力发电模型具体为：
Figure GDA0002666830930000061
式中：Pw为风电实际功率，kW；Pwr为风电额定功率，kW；Nw为风电机组安装数量；ηw为风电的发电效率；vin，vout和vr为切入风速、切出风速和额定风速，m/s。
在该实施例子中，光伏发电模型具体为：
Figure GDA0002666830930000062
式中：Pf为光伏实际功率，kW；Hf为光照强度，W/m2；Af为光伏安装面积，m2；ηf为光伏的发电效率。
在该实施例子中，储能系统模型具体为：
当储能系统充电时，在t时刻储存电量为，
Ee(t)＝Ne[Ee(t-Δt)+Pe(t)Δtηc]
当储能系统放电时，在t时刻储存电量为，
Figure GDA0002666830930000063
式中：Ee(t)为ESS在t时刻储存电量，kW·h；Ee(t-Δt)为在t-Δt时刻储存电量，kW·h；Δt为仿真步长，且Δt＝1h；Pc(t)为t时刻的充放电功率，kW；ηc和ηd分别为充放电效率。
在具体实施时，步骤(1)中，分布式电源模型初始化具体为：输入风力发电机、光伏发电模块和储能装置参数，及风速和光照强度数据。
在具体实施时，步骤(2)中，内层优化模型的决策变量为可再生能源上网功率和储能运行功率，内层优化模型的目标函数包括：上网功率高频分量变异系数Chg和可再生能源浪费率Rce。
进一步的技术方案，所述上网功率高频分量变异系数Chg具体为：
Figure GDA0002666830930000071
Pre,i,t＝Pge,i,t-ae,iNe,iΔPe,i,t
Figure GDA0002666830930000072
Figure GDA0002666830930000073
Pce,i,high,t＝Pce,i,t-Pce,i,low,t
Figure GDA0002666830930000074
Figure GDA0002666830930000075
Figure GDA0002666830930000076
minfInner,1＝min(Chg)
式中：Pce,i,t为i节点可再生能源在t时刻上网功率，kW；Pre,i,t为i节点可再生能源和ESS在t时刻总功率，kW；Pce,i,max为i节点允许的最大上网功率；Pge,i,t为i节点可再生能源电源发电在t时刻实际功率，kW；ΔPe,i,t为i节点储能系统在t时刻输出功率，kW；ae,i为0-1变量，1表示i节点配置储能系统，0表示i节点未配置储能系统；Ne,i为i节点配置储能系统数量；Pce,i(s)和Pce,i,low(s)分别为频域上i节点可再生能源上网功率及其低频分量；Pce,i,low,t和Pce,i,low,(t-1)分别为t和t-1时刻i节点可再生能源上网功率低频分量，kW；当t＝1时，Pce,i,low,1＝Pce,i,1；Pce,i,high,t为t时刻i节点可再生能源上网功率高频分量，kW；Tτ,i为i节点低通滤波的平滑时间常数，s；Δt为仿真步长，s；uhg,i为i节点上网功率均值，kW；Chg,i为i节点可再生能源上网功率高频分量的变异系数；T为仿真时间间隔数目；Nm为含可再生能源发电的节点数目。
在该实施例子中，可再生能源浪费率Rce具体为：
Ploss,i,t＝Pre,i,t-Pce,i,t
Figure GDA0002666830930000081
minfInner,2＝min(Rce)
式中：Ploss,i,t为i节点可再生能源在t时刻浪费功率，kW；Pr,i为i节点的可再生能源电源的额定功率，kW。
在具体实施时，步骤(2)中，内层优化模型的约束条件包括：可再生能源出力约束、上网功率约束、储能系统功率约束和容量约束。
在具体实施时，约束条件具体为：
0≤Pge,i,t≤Pge,i,max
Pce,i,min≤Pce,i,t
-Pd,max≤ΔPe,i,t≤Pc,max
Ee,min≤Ee,i,t≤Ee,max
式中：Pge,i,max为i节点可再生能源发电在t时刻实际功率最大值，kW；Pce,i,min为i节点可再生能源上网功率最小值，kW；Pd,max和Pc,max分别为储能系统单元最大充电和放电功率，kW；Ee,i,t为i节点储能系统在t时刻储存电量，kW·h；Ee,min和Ee,max分别为储能系统单元储存电量最大最小限制，kW·h。
在具体实施时，步骤(2)中，外层优化模型的决策变量为储能装置安装位置和容量，外层优化模型的目标函数包括：储能系统投资成本CE和可再生能源浪费率Rce。
在具体实施时，目标函数具体为：
Figure GDA0002666830930000091
minfOuter,1＝min(CE)
minfOuter,2＝min(Rce)
式中：Ce为储能系统单元投资成本，￥。
在具体实施时，步骤(2)中，外层优化模型的约束条件包括：储能系统配置容量约束和布点个数约束。
在具体实施时，约束条件具体为：
0≤Ne,i≤Ne,i,max
Figure GDA0002666830930000092
式中：Ne,i,max为i节点储能系统的最大安装数量；Ng为储能系统要求布点个数。
在具体实施时，步骤(3)中，内层优化模型变换包括：基于最大-最小归一化方法将内层优化模型归一化和基于广义不等式极小元的对偶性质将归一化后的内层优化模型标量化。
在具体实施时，内层优化模型归一化具体为：
minFInner＝min(fInner,1,fInner,2)
＝min(Chg,Rce)
minFInner_new＝min(fInner_new,1,fInner_new,2)
Figure GDA0002666830930000093
Figure GDA0002666830930000094
式中：FInner为内层优化的目标函数向量；FInner_new为归一化后的内层优化目标函数向量；fInner_new,1、fInner,1,max和fInner,1,min分别为fInner,1的归一化值、最大值和最小值；fInner_new,2、fInner,2,max和fInner,2,min分别为fInner,1的归一化值、最大值和最小值。
内层优化模型标量化具体为：
Figure GDA0002666830930000101
式中：finner_sc为内层模型标量化后的目标函数；λ为衡量两个目标重要性的相对权重，其取值可由储能系统的投资者决定。
如图2所示，所述步骤(4)中，内、外层优化模型以可再生能源浪费率Rce、储能系统的配置位置和容量为耦合变量进行交替迭代求解。内层优化在计算时需要外层优化提供储能系统的配置位置和容量，而外层优化在计算时需要内层优化提供可在生能源浪费率Rce的计算结果。外层优化的每步迭代，需要内层优化执行一次完整的计算过程。
如图3所示，所述步骤(4)中，PSO算法具体步骤为：
(4.1.1)根据内层优化模型的决策变量，初始化PSO算法的粒子种群；
(4.1.2)以内层模型标量化后的目标函数finner_sc为适应度函数，计算粒子适应度；
(4.1.3)确定粒子个体和种群最优值；
(4.1.4)判断是否满足收敛条件，满足则输出种群最优值作为最终计算结果，并结束计算；否则，执行步骤(4.1.5)
(4.1.5)更新各个粒子的速度和位置，并返回步骤(4.1.2)。
步骤(4)中，NSGA-II算法具体步骤为：
(4.2.1)根据外层优化模型的决策变量，初始化NSGA-II算法种群；
(4.2.2)以外层优化目标函数储能系统投资成本CE和可再生能源浪费率Rce为适应度函数，计算种群个体拥挤度，并对种群个体进行快速非支配排序；
(4.2.3)判断是否满足收敛条件，满足则输出最优解集，并结束计算；否则，则执行步骤(4.2.4)；
(4.2.4)选择父代个体，并执行交叉、变异操作；
(4.2.4)更新精英种群，并返回步骤(4.2.2)
本公开的实施例子还公开了基于两层优化的主动配电网储能系统优化配置系统，包括：
内外层模型建立单元，针对主动配电网分布式电源模型，综合主动配电网运行控制和储能系统规划配置，构建两层优化的内外层模型；
内层模型求解单元，在短时间尺度的内层优化中，构建以上网功率高频分量变异系数和可再生能源浪费率最小为目标的优化模型，并利用标量化方法和粒子群算法求解；
外层模型求解单元，在长时间尺度的外层优化中，构建以投资成本和可再生能源浪费率最小为目标的优化模型，并采用NSGA-II算法求解其Pareto最优解；
两层优化的内外层模型以可再生能源浪费率、储能系统配置位置和容量为耦合变量交替迭代求解。
为了更详细的说明本申请技术方案的效果，以下给出具体的工程实例进行验证说明。
本公开以某市主动配电网中储能系统优化配置工程作为实施例，在该主动配电网中包含4座风电场，编号分别为A-D，和1座光伏电站，编号为E，各发电系统的装机容量如表1所示。由气象部门获取5个发电系统位置处的2017年典型日风速或光照强度数据，用于计算风力发电和光伏发电功率，如图4(a)-图4(d)所示。基于两层优化迭代，可得部分Pareto最优解如表2和3所示。
表1发电装机容量
Figure GDA0002666830930000111
表2储能系统配置位置优化结果
Figure GDA0002666830930000112
表3储能系统配置容量优化结果
Figure GDA0002666830930000113
Figure GDA0002666830930000121
以Pareto最优解3为例，分析配置储能系统在平抑上网功率波动、提高电网对可再生能源消纳能力方面的有益效果，如表4和5所示。
表4 Pareto最优解3场景下主动配电网运行性能指标
Figure GDA0002666830930000122
表5未配置储能系统场景下主动配电网运行性能指标
Figure GDA0002666830930000123
由表4和5可得，通过对储能系统的优化配置，可再生能源上网电量明显提高，上网功率高频分量变异系数有所下降，主动配电网的运行经济性和电网对可再生能源消纳能力得到提高。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.基于两层优化的主动配电网储能系统优化配置方法，其特征是，包括：
针对主动配电网分布式电源模型，综合主动配电网运行控制和储能系统规划配置，构建两层优化的内外层模型；
在短时间尺度的内层优化中，构建以可再生能源上网功率和储能运行功率为决策变量，以上网功率高频分量变异系数和可再生能源浪费率最小为目标的优化模型，并利用标量化方法和粒子群算法求解；
在长时间尺度的外层优化中，构建以储能装置安装位置和容量为决策变量，以投资成本和可再生能源浪费率最小为目标的优化模型，并采用NSGA-II算法求解其Pareto最优解；
两层优化的内外层模型以可再生能源浪费率、储能系统配置位置和容量为耦合变量交替迭代求解。
2.如权利要求1所述的基于两层优化的主动配电网储能系统优化配置方法，其特征是，所述主动配电网分布式电源模型包括风力发电模型、光伏发电模型和储能系统的模型，针对主动配电网分布式电源模型需要进行模型初始化，初始化的步骤包括输入风力发电机、光伏发电模块和储能装置参数，及风速和光照强度数据。
3.如权利要求1所述的基于两层优化的主动配电网储能系统优化配置方法，其特征是，在短时间尺度的内层优化中，所建立的内层优化模型基于标量化方法，降低内层优化模型目标数目，将内层优化模型变换为单目标优化模型。
4.如权利要求1所述的基于两层优化的主动配电网储能系统优化配置方法，其特征是，所述上网功率高频分量变异系数Chg具体为：
Figure FDA0002666830920000011
Pre,i,t＝Pge,i,t-ae,iNe,iΔPe,i,t
Figure FDA0002666830920000012
Figure FDA0002666830920000013
Pce,i,high,t＝Pce,i,t-Pce,i,low,t
Figure FDA0002666830920000021
Figure FDA0002666830920000022
Figure FDA0002666830920000023
min fInner,1＝min(Chg)
式中：Pce,i,t为i节点可再生能源在t时刻上网功率，kW；Pre,i,t为i节点可再生能源和ESS在t时刻总功率，kW；Pce,i,max为i节点允许的最大上网功率；Pge,i,t为i节点可再生能源电源发电在t时刻实际功率，kW；ΔPe,i,t为i节点储能系统在t时刻输出功率，kW；ae,i为0-1变量，1表示i节点配置储能系统，0表示i节点未配置储能系统；Ne,i为i节点配置储能系统数量；Pce,i(s)和Pce,i,low(s)分别为频域上i节点可再生能源上网功率及其低频分量；Pce,i,low,t和Pce,i,low,(t-1)分别为t和t-1时刻i节点可再生能源上网功率低频分量，kW；当t＝1时，Pce,i,low,1＝Pce,i,1；Pce,i,high,t为t时刻i节点可再生能源上网功率高频分量，kW；Tτ,i为i节点低通滤波的平滑时间常数，s；Δt为仿真步长，s；uhg,i为i节点上网功率均值，kW；Chg,i为i节点可再生能源上网功率高频分量的变异系数；T为仿真时间间隔数目；Nm为含可再生能源发电的节点数目；min fInner,1表示内层目标函数1的最小值。
5.如权利要求1所述的基于两层优化的主动配电网储能系统优化配置方法，其特征是，所述可再生能源浪费率Rce具体为：
Ploss,i,t＝Pre,i,t-Pce,i,t
Figure FDA0002666830920000024
min fInner,2＝min(Rce)
式中：Ploss,i,t为i节点可再生能源在t时刻浪费功率，kW；Pr,i为i节点的可再生能源电源的额定功率，kW，Pce,i,t为i节点可再生能源在t时刻上网功率，kW；Pre,i,t为i节点可再生能源和ESS在t时刻总功率，kW；Nm为含可再生能源发电的节点数目；min fInner,2表示内层目标函数2的最小值。
6.如权利要求1所述的基于两层优化的主动配电网储能系统优化配置方法，其特征是，外层优化模型的目标函数具体为：
Figure FDA0002666830920000031
min fOuter,1＝min(CE)
min fOuter,2＝min(Rce)
式中：Ce为储能系统单元投资成本，￥，ae,i为0-1变量，1表示i节点配置储能系统，0表示i节点未配置储能系统，Nm为含可再生能源发电的节点数目，Ne,i为i节点配置储能系统数量，Rce为可再生能源浪费率；min fOuter,1表示外层目标函数1的最小值；min fOuter,2表示外层目标函数2的最小值。
7.如权利要求1所述的基于两层优化的主动配电网储能系统优化配置方法，其特征是，内层优化模型的约束条件包括：可再生能源出力约束、上网功率约束、储能系统功率约束和容量约束；
外层优化模型的约束条件包括：储能系统配置容量约束和布点个数约束。
8.如权利要求3所述的基于两层优化的主动配电网储能系统优化配置方法，其特征是，基于标量化方法，降低内层优化模型目标数目，将内层优化模型变换为单目标优化模型，其中，内层优化模型变换包括：基于最大-最小归一化方法将内层优化模型归一化和基于广义不等式极小元的对偶性质将归一化后的内层优化模型标量化。
9.如权利要求1所述的基于两层优化的主动配电网储能系统优化配置方法，其特征是，在求解时，内、外层优化模型以可再生能源浪费率Rce、储能系统的配置位置和容量为耦合变量进行交替迭代求解，内层优化在计算时需要外层优化提供储能系统的配置位置和容量，而外层优化在计算时需要内层优化提供可在生能源浪费率Rce的计算结果，外层优化的每步迭代，需要内层优化执行一次完整的计算过程。
10.基于两层优化的主动配电网储能系统优化配置系统，其特征是，包括：
内外层模型建立单元，针对主动配电网分布式电源模型，综合主动配电网运行控制和储能系统规划配置，构建两层优化的内外层模型；
两层优化的内外层模型以可再生能源浪费率、储能系统配置位置和容量为耦合变量交替迭代求解；
所述内外层模型建立单元包括内层模型求解单元和外层模型求解单元；所述内层模型求解单元，构建以可再生能源上网功率和储能运行功率为决策变量，以上网功率高频分量变异系数和可再生能源浪费率最小为目标的优化模型，并利用标量化方法和粒子群算法求解；
所述外层模型求解单元，构建以储能装置安装位置和容量为决策变量，以投资成本和可再生能源浪费率最小为目标的优化模型，并采用NSGA-II算法求解其Pareto最优解。
CN201811541654.XA 2018-12-17 2018-12-17 基于两层优化的主动配电网储能系统优化配置方法及系统 Active CN109474015B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811541654.XA CN109474015B (zh) 2018-12-17 2018-12-17 基于两层优化的主动配电网储能系统优化配置方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811541654.XA CN109474015B (zh) 2018-12-17 2018-12-17 基于两层优化的主动配电网储能系统优化配置方法及系统

Publications (2)

Publication Number Publication Date
CN109474015A CN109474015A (zh) 2019-03-15
CN109474015B true CN109474015B (zh) 2020-11-17

Family

ID=65675895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811541654.XA Active CN109474015B (zh) 2018-12-17 2018-12-17 基于两层优化的主动配电网储能系统优化配置方法及系统

Country Status (1)

Country Link
CN (1) CN109474015B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110601184A (zh) * 2019-09-16 2019-12-20 国网山东省电力公司电力科学研究院 一种考虑升压主变容量的风电场扩展光伏多目标优化方法
CN112039067A (zh) * 2020-09-01 2020-12-04 国网河北省电力有限公司邢台供电分公司 配电网新能源发电利用率优化方法及终端设备
CN113095602B (zh) * 2021-05-27 2022-02-15 中国水利水电科学研究院 一种以出力平稳为目标的流域风电场群规划方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103023055A (zh) * 2012-11-21 2013-04-03 浙江大学 利用复合储能技术平抑风光发电系统输出功率波动的方法
CN103366314A (zh) * 2013-07-18 2013-10-23 山东大学 考虑目标分解及其互补平抑的风电场复合储能容量规划方法
CN104616071A (zh) * 2015-01-19 2015-05-13 南京师范大学 一种风光储互补发电系统优化配置方法
CN106953359A (zh) * 2017-04-21 2017-07-14 中国农业大学 一种含分布式光伏配电网有功无功协调优化控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9373960B2 (en) * 2013-03-13 2016-06-21 Oracle International Corporation Computerized system and method for distributed energy resource scheduling
CN103151798B (zh) * 2013-03-27 2015-02-04 浙江省电力公司电力科学研究院 独立微网系统的优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103023055A (zh) * 2012-11-21 2013-04-03 浙江大学 利用复合储能技术平抑风光发电系统输出功率波动的方法
CN103366314A (zh) * 2013-07-18 2013-10-23 山东大学 考虑目标分解及其互补平抑的风电场复合储能容量规划方法
CN104616071A (zh) * 2015-01-19 2015-05-13 南京师范大学 一种风光储互补发电系统优化配置方法
CN106953359A (zh) * 2017-04-21 2017-07-14 中国农业大学 一种含分布式光伏配电网有功无功协调优化控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Energy Storage Systems and Distribution Grids:a Real Case Study in Italy;M. Barbetta;《2016 IEEE 16th International Conference on Environment and Electrical Engineering (EEEIC)》;20160901;全文 *
主动配电网储能系统的多目标优化配置;尤毅;《电力系统自动化》;20140925;全文 *

Also Published As

Publication number Publication date
CN109474015A (zh) 2019-03-15

Similar Documents

Publication Publication Date Title
CN110502814B (zh) 考虑储能和负荷管理技术的主动配电网多目标规划方法
CN109474015B (zh) 基于两层优化的主动配电网储能系统优化配置方法及系统
CN103986190B (zh) 基于发电功率曲线的风光储联合发电系统平滑控制方法
JP2020517227A (ja) 超大規模の水力発電所群の短期間実用化スケジューリング方法
CN112583017B (zh) 考虑储能运行约束的混合微电网能量分配方法及系统
CN109325608A (zh) 考虑储能并计及光伏随机性的分布式电源优化配置方法
Chen et al. An improved NSGA-III algorithm for reservoir flood control operation
CN108551176B (zh) 一种结合储能均衡技术的储能电池系统容量配置方法
CN106570579B (zh) 一种基于改进量子粒子群算法的水火电经济调度方法
CN113378100B (zh) 考虑碳排放的配电网源网荷储协同优化调度模型和方法
Rouhani et al. A comprehensive method for optimum sizing of hybrid energy systems using intelligence evolutionary algorithms
CN104617585A (zh) 无功补偿配置方法
Li et al. Energy hub-based optimal planning for integrated energy systems considering part-load characteristics and synergistic effect of equipment
CN107732945A (zh) 一种基于模拟退火粒子群算法的储能单元优化方法
CN111277004A (zh) 一种配电网“源-网-荷”两阶段多目标控制方法及系统
CN117578537A (zh) 基于碳交易和需求响应的微电网优化调度方法
CN116402210A (zh) 一种综合能源系统多目标优化方法、系统、设备和介质
CN116258511A (zh) 一种考虑碳交易价格不确定性的能源系统配置方法及装置
CN109840621A (zh) 考虑储能系统影响的并网型微电网日前多目标优化方法
CN115438932A (zh) 一种综合能源配电网优化调度及免疫粒子群求解方法
Huang et al. Constrained multiobjective optimization for microgrid based on nondominated immune algorithm
Zhao et al. Research on Multiobjective Optimal Operation Strategy for Wind‐Photovoltaic‐Hydro Complementary Power System
CN115034453A (zh) 考虑碳交易市场的综合能源系统灵活运行方法及计算平台
CN111244935B (zh) 一种基于微调热水器温度设定点的能效优化方法
CN111082442B (zh) 一种基于改进fpa的储能容量优化配置方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant