CN109861256A - 一种计及全寿命周期成本的配电网储能优化配置方法 - Google Patents

Abstract

本发明公开了一种计及全寿命周期成本的配电网储能优化配置方法，采用两段式优化求解方法解决配电网储能寻址定容问题，从储能平抑分布式电源和负荷引起的电压波动的角度以储能的全寿命周期成本为优化目标，建立了双段优化模型，第一阶段通过遗传算法和模拟退火算法对备选节点进行筛选，并最终输出储能应定安装节点以及各节点储能运行策略和最小安装容量；第二阶段基于第一阶段的优化结果考虑储能的使用寿命并通过遗传算法和模拟退火算法优化出全寿命周期成本最小的储能容量配置。该方法考虑了分布式电源出力随机波动性和储能系统的全寿命周期成本，可以获得较为经济的配电网储能位置及容量配置方案，为配电网储能优化配置方法提供一定的参考。

Description

一种计及全寿命周期成本的配电网储能优化配置方法

技术领域

本发明属于配电网储能优化配置方法领域，在考虑平抑可再生能源随机波动性引起的配电网电压波动的基础上，特别设计一种基于全寿命周期成本的配电网储能优化方法。

背景技术

随着能源危机和环境污染问题的日益突出，分布式电源(DistributedGeneration，DG)并网发电成为21世纪电力工业的重要研究方向，世界各国大力发展风力发电和光伏发电这类分布式电源。与常规电源相比，风能和光伏是一种随机性、间歇性能源，未来风能和光伏这类DG将大规模接入配电网，但是DG渗透率的增加也将给配电网的电压、电能质量、调度运行等带来一系列的影响。储能(Energy Storage System，ESS)作为配电网的重要组成部分，可以有效的平抑电网中DG的随机性和波动性改善电能质量，维持电网稳定性。

现有文献对于配电网储能优化配置方法开展了大量的研究工作，常用的储能系统容量配置和优化方法主要有差额补偿法、波动平抑法、经济特性优化法三种类型。差额补偿法一般从保障持续供电的角度出发，依据储能来平衡发电机组发电量与用电负荷耗电量间的不平衡进行容量配置；波动平抑法主要根据储能系统对波动功率的平抑效果进行储能容量的优化配置；经济特性优化法主要是通过建立优化目标函数和约束条件，将储能系统容量作为优化变量，采用智能优化算法求取最佳的储能容量。但已有相关研究针对储能装置容量规划时少有考虑其配置位置对储能容量的影响以及在考虑系统运行的同时对储能寿命进行定量评估和测算，规划结果很难兼顾储能的使用寿命从而增加了配置成本降低了储能的经济性。

目前配电网的储能优化方法较少涉及全寿命成本的计算，且多为双层优化模型，外层优化储能容量，内层优化储能运行，迭代复杂且计算量较大。本发明采用双段优化模型，第一阶段优化储能运行及安装位置，第二阶段优化储能安装容量，两阶段的优化方法迭代简单计算量相对较少，效率更高。

发明内容

针对上述现有技术，本发明提供一种计及全寿命周期成本的配电网储能优化配置方法，本发明从储能平抑分布式电源和负荷引起的电压波动的角度以储能的全寿命周期成本为优化目标，结合运行策略建立了双段优化模型，利用遗传算法进行求解，分别确定了储能位置、额定功率和额定容量。通过对示范项目改进算例进行储能容量配置实例分析，证明该方法可以有效的平抑分布式电源和负荷引起的电压波动并降低储能成本，提高储能系统的经济性。

为了解决上述技术问题，本发明提出的一种计及全寿命周期成本的配电网储能优化配置方法的技术方案如下：该方法从储能平抑分布式电源和负荷引起的电压波动的角度以储能的全寿命周期成本为优化目标，结合运行策略建立了双段优化模型，利用遗传算法进行求解，分别确定了储能位置、额定功率和额定容量，包括按顺序进行的下列两个阶段的优化：

第一阶段、对备选点进行优化：确定配电网预选配置储能位置并通过遗传算法和模拟退火算法对备选节点进行筛选，并最终输出储能应定安装节点以及样本周期内各安装节点储能各时刻运行功率和最小安装容量；

第二阶段、对第一阶段确定的各安装的最小容量进行经济性优化：基于第一阶段最终输出的储能应定安装节点以及各节点储能样本周期内运行功率和最小安装容量，考虑储能的使用寿命并通过遗传算法和模拟退火算法优化出全寿命周期成本最小的储能容量配置。

本发明中的第一阶段包括按顺序进行的以下步骤：

步骤1-1、确定配电网预选配置储能位置，包括：主变电站、馈线终端、分布式电源母线和需要不间断供电的负荷及I级负荷节点和II级负荷节点，并采用遗传算法对上述确定的储能位置其相应位置上的储能出力功率进行编码；

步骤1-2、以储能在t时刻出力功率为额定功率，以此时刻满足储能出力的储能容量为额定容量，考虑储能的安装成本根据式(1)计算储能成本Cost1，所述安装成本包括电池本体成本、能量转换装置成本辅助设施成本，

Cost1＝C_E+C_P+C_ass (1)

式(1)，第一项C_E为电池本体成本，P_ESS，i(t)为t时刻节点i配置的储能出力功率，为电池本体单位能量价格，N_set为配电网预选配置储能位置总数，E_i为节点i储能容量，储能容量E_i由该时刻充放电功率和每次充放电的持续时间Δt，同时，考虑电池储能的循环效率η和最大放电深度D计算得到；利用式(2)计算得到C_E；

第二项C_P为能量转换装置成本，利用式(3)得到，C_KW为能量转换装置单位功率价格；

第三项C_ass为辅助设施成本，利用式(4)得到，式(4)中，C_sup为辅助设置单位能量价格；

将式(2)、式(3)和式(4)代入式(1)，得：

步骤1-3、根据式(6)计算遗传算法和模拟退火算法的优化目标函数

式(6)中，C_loss为线路损耗成本值为线路损耗有功功率乘以电价；C_pun为电压越限惩罚值，通过潮流计算，若电压已越线，则C_pun设定为各位置储能按最大功率出力时Cost1值的10倍；

步骤1-4、根据式(6)取遗传算法适应度目标函数为式(7)，

步骤1-5、由遗传算法和模拟退火算法获得的t时刻节点i配置储能出力功率P_ESS，i(t)，从而获得各位置储能各时刻出力功率；

步骤1-6、对储能充放电量进行累计，获得相应节点储能相对于初始状态能量波动E_ESS，i(t)，储能充电时根据式(8)计算能量波动E_ESS，i(t)，储能放电时根据式(9)计算能量波动E_ESS，i(t)，

E_ESS，i(t)＝E_ESS，i(t-1)+P_ESS，i(t)Δtη_C (8)

式(8)和式(9)中，E_ESS，i(t-1)为t-1时刻节点i配置储能相对于初始状态能量波动，其中，初始状态能量波动E_ESS，i(0)设为0；η_C、η_D分别为储能充放电效率；

步骤1-7、使储能电池能够循环利用，储能在一个充放电周期中满足能量守恒，对储能出力功率进行进一步优化使储能在一个充放电周期内充放电量相等；

步骤1-8、在整个样本周期内的能量波动，计算储能最大、最小能量之差，考虑SOC限制，利用式(10)获取储能具备满足储能在整个样本周期内出力的最小容量值，即为各预选点最终的需配置最小储能容量；

式(10)中，E_0，i为节点i满足储能出力的最小容量值；SOC_max和SOC_min分别为储能运行SOC上限约束和下限约束；max{E_ESS，i(t)}、min{E_ESS，i(t)}分别为整个样本周期内储能相对于初始状态的最小能量波动和最大能量波动，max{E_ESS，i(t)}-min{E_ESS，i(t)}为整个样本周期内储能最大能量波动的绝对值；

步骤1-9、根据式(10)得出各预选点最终的需配置最小储能容量，若某预选点的储能需配置的最小储能容量小于各预选点需配置容量平均值的10％，则舍弃该点，返回步骤1-5，重新对剩余备选点进行优化直到储能位置及相应位置上的储能配置容量满足要求则进入第二阶段。

本发明第一阶段中的步骤1-5的具体步骤如下：

步骤1-5-1)、定义样本周期开始点；

步骤1-5-2)、随机生成遗传算法中的初始群体，初始群体中包含多个个体，每个个体包含4n各基因位，每4个基因代表一个储能位置同时此四个基因位用二进制编码此位置上储能出力功率；

步骤1-5-3)、以式(6)为遗传算法的目标函数，以式(7)为适应度函数，约束条件为电压约束，支路潮流约束，通过潮流计算和目标函数评估各个个体适应度；

步骤1-5-4)、通过轮盘赌法筛选适应度较高的个体并保留适应度最高的个体进而更新种群；

步骤1-5-5)、对新种群进行模拟退火操作，包括模拟退火动作和模拟退火后新个体的选择，其中，退火动作包括：对每个个体随机选定一个储能并将其关闭；对每个个体随机打开一个储能，并随机设置其功率；模拟退火后新个体的选择包括：若退火形成的个体比之前的上一代种群的个体适应度更高则被接受；若适应度降低则根据概率接受函数即按照下式以逐轮递减的概率被接受，

式中，P1为第一阶段退火算法新个体被接受的概率；Fit’为第一阶段退火前种群个体适应度；Fitnew’为第一阶段退火后新形成的个体适应度；α为降温系数，k为退火次数；T为退火初始温度；

步骤1-5-6)、对新形成种群执行交叉和变异操作，并判断是否执行到最后一代，若未执行到最后一代则执行步骤1-5-3)，否则判断是否执行完全部时间采样点，是则执行步骤1-5-7)，否则转向下一采样点，并返回步骤1-5-2)，每个采样时间点预选储能位置保持一致；

步骤1-5-7)、依次输出各时刻储能出力。

本发明第一阶段中的步骤1-7的具体步骤如下：

步骤1-7-1)、对样本周期内充放电能量求和，记所得结果为E_SUM；

步骤1-7-2)、判断E_SUM是否等于0，若等于0则执行步骤1-7-5)，若大于0则执行步骤1-7-3)，否则，执行步骤1-7-4)；

步骤1-7-3)、E_SUM大于0，则样本周期内放电量大于充电量，按时间顺序从样本周期的开始点至结束点遍寻各个出力功率小于等于0的采样点，并以定步长对出力功率小于等于0的采样点进行修改，其中，定步长小于储能最大出力功率的12.5％；通过潮流计算看各节点电压是否满足电压约束，若满足则接受修改，否则拒绝接受修改；判断E_SUM是否等于0，若依旧大于0，则以步骤1-7-3)修正下一个点；若E_SUM小于0则执行步骤1-7-4)；若E_SUM＝0，则执行步骤1-7-5)；

步骤1-7-4)、E_SUM小于0则样本周期内放电量小于充电量，按时间顺序从样本周期的开始点至结束点遍寻各个出力功率大于等于0的采样点，并以定步长对出力功率大于等于0的采样点进行修改；通过潮流计算判断各节点电压是否满足电压约束，若满足则接受修改，否则拒绝接受修改；再判断E_SUM是否等于0，若依旧小于0，则以步骤1-7-4)修正下一个点；若E_SUM大于0则执行步骤1-7-3)；若E_SUM＝0，则执行步骤1-7-5)；

步骤1-7-5)、优化结束，输出各位置储能样本周期内出力功率。

本发明中的第二阶段是通过遗传算法和模拟退火算法优化出全寿命周期成本最小的储能容量，具体步骤包括：

步骤2-1、对第一阶段得到的储能位置其相应位置上的储能额定容量进行遗传编码；

步骤2-2、根据式(11)计算电池储能的安装成本；

式(11)中，C_sys为安装成本；E_rate为储能配置额定容量；P_ESS，rate为储能额定功率，额定功率取储能充放电功率绝对值的最大值；i为贴现率，单位为％；N为项目周期，单位为年；C_KW·h为电池本体单位能量价格，C_KW为能量转换装置单位功率价格，C_sup为辅助设置单位能量价格；

步骤2-3、根据式(12)计算电池储能更换成本，

式(12)中，β为安装成本的年均下降比例；k为电池本体的更换次数，由k＝N/n-1，n为电池储能寿命周期；当N/n-1为非整数时，k进1取整，ε为第ε次更换储能的电池本体；

步骤2-4、根据式(13)计算电池储能固定运行维护成本，

C_FOP＝C_fP_ESS，rate (13)

式(13)中，C_f为单位功率下的运维成本，

步骤2-5、根据式(14)计算电池储能可变运行维护成本，

式(14)中，C_c为电价、Δt为充电时间和D为一年内运行天数；

步骤2-6、结合式(11)、式(12)、式(13)和(14)，根据式(15)计算项目周期内储能配置的总成本，

Cost2＝C_sys+C_rep+C_FOP+C_COP (15)

步骤2-7、以式f2＝min(Cost2)为目标函数，以式为适应度函数采用遗传算法优化出各位置全寿命周期成本最小的安装容量，从而获得各储能最终安装位置上相应的安装容量；f2为第二阶段遗传算法和模拟退火算法的优化目标函数，Fit2为第二阶段遗传算法和模拟退火算法的适应度函数。

上述步骤2-7)的具体步骤如下：

步骤2-7-1)、以第一阶段输出的各安装节点最小安装容量为储能容量下线，并按照该最小安装容量的1.5倍设置储能容量上线，随机生成遗传算法中的初始群体，初始群体中包含多个个体，每个个体包含4n各基因位，每4个基因代表一个储能位置同时此四个基因位用二进制编码此位置上储能容量；

步骤2-7-2)、根据权利要求2中输出的各时刻储能出力功率计算各时刻SOC值及额定功率；

步骤2-7-3)、计算安装成本及运行维护成本；

步骤2-7-4)、计算各储能寿命周期并计算各储能更换成本；

步骤2-7-5)、以式f2＝min(Cost2)为遗传算法的目标函数，以式为适应度函数，约束条件为储能SOC约束，通过目标函数评估各个个体适应度；

步骤2-7-6)、通过轮盘赌法筛选适应度较高的个体并保留适应度最高的个体进而更新种群；

步骤2-7-7)、对新种群进行模拟退火操作，包括退火动作和模拟退火后新个体的选择，其中，退火动作包括：对每个个体随机选定一个储能并将其关闭；对每个个体随机打开一个储能，并随机设置其功率；模拟退火后新个体的选择包括：若退火形成的个体比之前的上一代种群的个体适应度更高则一定被接受；若适应度降低则根据下式以逐轮递减的概率被接受；

式中，P2为第二阶段退火算法新个体被接受的概率；Fit”为第二阶段退火前种群个体适应度；Fitnew”为第二阶段退火后新形成的个体适应度；α为降温系数，k为退火次数；T为退火初始温度；

步骤2-7-8)、对新形成种群执行交叉和变异操作，并判断是否执行到最后一代，若未执行到最后一代则执行步骤2-7-2)，是则执行步骤2-7-9)；

步骤2-7-9)、依次输出各位置储能全寿命周期成本最小的储能容量。

与现有配电网储能优化配置方法相比，本方法考虑了高比例可再生能源的随机波动性对配电网造成的运行风险问题，还考虑全寿命周期成本优化对配电网储能配置经济性的提升作用，是对现有配电网优化配置方法的完善和补充。配电网储能优化配置方法，对于配电网的规划和运行，具有重要的指导意义，有利于提高配电网可再生能源发电渗透率和利用率，有利于提高配电网的供电质量，可作为多能互补分布式能源综合利用的有效补充和保障，是建设智能配电网和能源互联网的重要基础。

附图说明

图1为本方法的模型求解框图；

图2为第一阶段寻址定容算法流程图；

图3为第二阶段容量经济性优化算法流程图；

图4-1为负荷1和光伏1在24h内出力功率；

图4-2为负荷2和光伏2在24h内出力功率；

图4-3为负荷3和光伏3、4在24h内出力功率；

图5为一个包含61个节点的交流配电网拓扑示意图；

图6为第一阶段配置结果图；

图7-1为储能2、3在24h内出力功率；

图7-2为储能5、7在24h内出力功率；

图8-1为储能出力前典型节点24h内电压波动；

图8-2为储能出力后典型节点24h内电压波动；

图9为储能合并前后容量对比图；

图10为相邻配置储能合并后各储能充放电功率图；

图11为相邻配置储能合并后各典型节点24h电压变化情况图。

具体实施方式

下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。

本发明提出的一种计及全寿命周期成本的配电网储能优化配置方法，包括按顺序进行的下列两个阶段的优化，如图1所示：

第一阶段、对备选点进行优化：确定配电网预选配置储能位置并通过遗传算法和模拟退火算法对备选节点进行筛选，并最终输出储能应定安装节点以及样本周期内各安装节点储能各时刻运行功率和最小安装容量；

第一阶段包括按顺序进行的以下步骤：

步骤1-1、确定配电网预选配置储能位置，包括：主变电站、馈线终端、分布式电源母线和需要不间断供电的负荷及I级负荷节点和II级负荷节点，并采用遗传算法对上述确定的储能位置其相应位置上的储能出力功率进行编码；

图5为一个包含61个节点的交流配电网拓扑结构图，线路参数如表1所示，电压基准值为10kV，电压标准差为1％，在此算例系统中储能装置待选配置位置如图5所示。本文样本周期为24h，采样功率时间为1h，配电系统接入负荷和DG的运行情况如图4-1、图4-2和图4-3所示，接入位置如图5所示，设定储能最大出力功率为1000kW。

表1

步骤1-2、以储能在t时刻出力功率为额定功率，以此时刻满足储能出力的储能容量为额定容量，考虑储能的安装成本根据式(1)计算储能成本Cost1，所述安装成本包括电池本体成本、能量转换装置成本和辅助设施成本，

Cost1＝C_E+C_P+C_ass (1)

式(1)，第一项C_E为电池本体成本，P_ESS，i(t)为t时刻节点i配置的储能出力功率，C_KW·h为电池本体单位能量价格，N_set为配电网预选配置储能位置总数，E_i为节点i储能容量，储能容量E_i由该时刻充放电功率和每次充放电的持续时间Δt，同时，考虑电池储能的循环效率η和最大放电深度D计算得到；利用式(2)计算得到C_E；

第二项C_P为能量转换装置成本，利用式(3)得到，C_KW为能量转换装置单位功率价格；

第三项C_ass为辅助设施成本，利用式(4)得到，式(4)中，C_sup为辅助设置单位能量价格；

将式(2)、式(3)和式(4)代入式(1)，得：

在该网络中配备磷酸锂铁电池作为公共储能。储能SOC上限为90％，下限为10％，充放电效率均为87％。单位能量价格为3224(元/(kW·h))，单位功率价格1085(元/(kW))，辅助设施的单位能量价格0(元/(kW·h))，则式(5)转换为下式：

步骤1-3、根据式(6)计算遗传算法和模拟退火算法的优化目标函数

式(6)中，C_loss为线路损耗成本值为线路损耗有功功率乘以电价；C_pun为电压越限惩罚值，通过潮流计算，若电压已越线，则C_pun设定为各位置储能按最大功率出力时Cost1值的10倍；

步骤1-4、根据式(6)取遗传算法适应度目标函数为式(7)，

如图2所示；

步骤1-5、由遗传算法和模拟退火算法获得的t时刻节点i配置储能出力功率P_ESS，i(t)，从而获得各位置储能各时刻出力功率，设定遗传算法最大迭代数为300，种群规模为50，交叉率为0.7，变异率为0.02；具体过程如下：

步骤1-5-1)、定义样本周期开始点；

本案例以00：00点为样本周期开始点；

步骤1-5-2)、随机生成遗传算法中的初始群体，初始群体中包含多个个体，每个个体包含4n各基因位，每4个基因代表一个储能位置同时此四个基因位用二进制编码此位置上储能出力功率；

步骤1-5-3)、以式(6)为遗传算法的目标函数，以式(7)为适应度函数，约束条件为电压约束，支路潮流约束，通过潮流计算和目标函数评估各个个体适应度；

步骤1-5-4)、通过轮盘赌法筛选适应度较高的个体并保留适应度最高的个体进而更新种群；

步骤1-5-5)、对新种群进行模拟退火操作，包括模拟退火动作和模拟退火后新个体的选择，其中，退火动作包括：对每个个体随机选定一个储能并将其关闭；对每个个体随机打开一个储能，并随机设置其功率；模拟退火后新个体的选择包括：若退火形成的个体比之前的上一代种群的个体适应度更高则被接受；若适应度降低则根据概率接受函数即按照下式以逐轮递减的概率被接受，

式中，P1为第一阶段退火算法新个体被接受的概率；Fit’为第一阶段退火前种群个体适应度；Fitnew’为第一阶段退火后新形成的个体适应度；α为降温系数，k为退火次数；T为退火初始温度；在本算例中，降温系数为0.95，k为退火次数；100为退火初始温度，则：

步骤1-5-6)、对新形成种群执行交叉和变异操作，并判断是否执行到最后一代，若未执行到最后一代则执行步骤1-5-3)，否则判断是否执行完全部时间采样点，是则执行步骤1-5-7)，否则，时间加1h即转向下一采样点，并跳转步骤1-5-2)，每个采样时间点预选储能位置保持一致；

步骤1-5-7)、依次输出各时刻储能出力。

步骤1-6、对储能充放电量进行累计，获得相应节点储能相对于初始状态能量波动E_ESS，i(t)，储能充电时根据式(8)计算能量波动E_ESS，i(t)，储能放电时根据式(9)计算能量波动E_ESS，i(t)，

E_ESS，i(t)＝E_ESS，i(t-1)+P_ESS，i(t)Δtη_C (8)

式(8)和式(9)中，E_ESS，i(t-1)为t-1时刻节点i配置储能相对于初始状态能量波动，其中，初始状态能量波动E_ESS，i(0)设为0；η_C、η_D分别为储能充放电效率；

在本案例中，储能充放电效率为87％，则式(8)转化为：

E_ESS，i(t)＝E_ESS，i(t-1)+P_ESS，i(t)Δt 87％

将式(9)转化为：

步骤1-7、使储能电池能够循环利用，储能在一个充放电周期中满足能量守恒，对储能出力功率进行进一步优化使储能在一个充放电周期内充放电量相等；具体过程如下：

步骤1-7-1)、对样本周期内充放电能量求和，记所得结果为E_SUM；

步骤1-7-2)、判断E_SUM是否等于0，若等于0则执行步骤1-7-5)，若大于0则执行步骤1-7-3)，否则，执行步骤1-7-4)；

步骤1-7-3)、E_SUM大于0，则样本周期内放电量大于充电量，按时间顺序从样本周期的开始点至结束点遍寻各个出力功率小于等于0的采样点，并以定步长对出力功率小于等于0的采样点进行修改，其中，定步长小于储能最大出力功率的12.5％，在本案例中，定步长为125kW；通过潮流计算看各节点电压是否满足电压约束，若满足则接受修改，否则拒绝接受修改；判断E_SUM是否等于0，若依旧大于0，则以步骤1-7-3)修正下一个点；若E_SUM小于0则执行步骤1-7-4)；若E_SUM＝0，则执行步骤1-7-5)；

步骤1-7-4)、E_SUM小于0则样本周期内放电量小于充电量，按时间顺序从样本周期的开始点至结束点遍寻各个出力功率大于等于0的采样点，并以定步长对出力功率大于等于0的采样点进行修改；通过潮流计算判断各节点电压是否满足电压约束，若满足则接受修改，否则拒绝接受修改；再判断E_SUM是否等于0，若依旧小于0，则以步骤1-7-4)修正下一个点；若E_SUM大于0则执行步骤1-7-3)；若E_SUM＝0，则执行步骤1-7-5)；

步骤1-7-5)、优化结束，输出各位置储能样本周期内出力功率。

步骤1-8、在整个样本周期内的能量波动，计算储能最大、最小能量之差，考虑SOC限制，利用式(13)获取储能具备满足储能在整个样本周期内出力的最小容量值，即为各预选点最终的需配置最小储能容量；

式(10)中，E_0，i为节点i满足储能出力的最小容量值；SOC_max和SOC_min分别为储能运行SOC上限约束和下限约束；max{E_ESS，i(t)}、min{E_ESS，i(t)}分别为整个样本周期内储能相对于初始状态的最小能量波动和最大能量波动，max{E_ESS，i(t)}-min{E_ESS，i(t)}为整个样本周期内储能最大能量波动的绝对值；

在本算例中，储能SOC上限约束为90％，下限约束为10％，将(10)转换为：

步骤1-9、根据式得出各预选点最终的需配置最小储能容量，若某预选点的储能需配置的最小储能容量小于各预选点需配置容量平均值的10％，则舍弃该点，返回步骤1-5，重新对剩余备选点进行优化直到储能位置及相应位置上的储能配置容量满足要求则进入第二阶段。

求得第一阶段优化问题获得储能接入位置和相应最小接入容量如图6所示，各个储能样本周期内运行功率、各典型节点的电压变化分别如图7-1、图7-2和图8-1、图8-2所示。由图6可以看出，经过第一阶段的优化，从8个预选位置中筛选出4个位置安装储能，分别为节点81安装储能容量为5388kW·h，节点84安装储能容量为4310kW·h，节点64安装储能容量为3233kW·h，节点66安装储能容量为3951kW·h。

由图7-1、图7-2和图8-1、图8-2可以看出，第一阶段优化得出的储能运行策略可有效解决电压越限的问题且所需出力功率最小。该工况下，白天光伏出力较大时，电压超越上限，储能储电做负荷运行，其在配电网中吸收电量，把越限的电压节点拉回上下限；在夜间及负荷较大光伏出力较小时，电压超越下限，储能放电做电源运行，其向配电网放出电量，使越限的节点电压重新保持在安全裕度之内。此外，由图7-1和图7-2储能充放电运行曲线可以看出，相邻储能battery2、battery3以及相邻储能battery5、battery7出力功率具有互补性，这是由于储能battery2、battery5主要平抑负荷load2、load3引起的电压波动，其吸收电量阶段主要为保持储能一天内充放电量相等，而储能battery3、battery7主要平抑光伏Pv2及Pv3、4引起的电压波动，其放电阶段也是为保持储能一天内充放电量相等。为了提高储能利用率，提高储能系统经济性可将储能battery2、battery3以及储能battery5、battery7分别合并重新进行储能配置。由于储能battery2、battery5放电时间较长，放电电量较多，由电压降公式可知其对电压影响较大，故将其作为最终储能安装位置并进行优化，配置其方法同第一阶段配置方法。其结果如图9所示，配置结果分别用battery2’、battery5’表示合并后的battery2、battery5。

由配置结果可知，合并后两节点储能配置容量较未合并前四节点储能配置容量有较明显缩减。图10为相邻配置储能合并后各储能充放电功率，且由图11可以看出电压可以合理的控制在安全裕度内。

第二阶段、对第一阶段确定的各安装的最小容量进行经济性优化：基于第一阶段最终输出的储能应定安装节点以及各节点储能样本周期内运行功率和最小安装容量，考虑储能的使用寿命并通过遗传算法和模拟退火算法优化出全寿命周期成本最小的储能容量配置。

第二阶段包括按顺序进行的以下步骤：

步骤2-1、对第一阶段得到的储能位置其相应位置上的储能额定容量进行遗传编码；

步骤2-2、根据式(11)计算电池储能的安装成本；

式(11)中，C_sys为安装成本；E_rate为储能配置额定容量；P_ESS，rate为储能额定功率，额定功率取储能充放电功率绝对值的最大值；i为贴现率，单位为％；N为项目周期，单位为年；C_KW·h为电池本体单位能量价格，C_KW为能量转换装置单位功率价格，C_sup为辅助设置单位能量价格；

本案例规划年限为20年，不考虑电池安装成本的下降，单位能量价格为3224(元/(kW·h))，单位功率价格1085(元/(kW))，辅助设施的单位能量价格0(元/(kW·h))，贴现率i为10％，则式(11)转换为：

步骤2-3、根据式(12)计算电池储能更换成本，

式(12)中，β为安装成本的年均下降比例；k为电池本体的更换次数，由k＝N/n-1，n为电池储能寿命周期；当N/n-1为非整数时，k进1取整，ε为第ε次更换储能的电池本体；

本案例中，将数据代入可将式(12)转化为：

步骤2-4、根据式(13)计算电池储能固定运行维护成本，C_FOP＝C_fP_ESS，rate (13)

式(13)中，C_f为单位功率下的运维成本，

本案例中，运行维护成本为155(元/(kW·a))，则式(13)转变为：

C_FOP＝155P_ESS，rate

步骤2-5、根据式(14)计算电池储能可变运行维护成本，

式(14)中，C_c为电价、Δt为充电时间和D为一年内运行天数；

在本算例中，该区域实行峰谷分时电价。高峰时段(08：00-21：00)为0.976元/(kW·h)；低谷时段(00：00-07：00及23：00-24：00)为0.294元/(kW·h)，D为365(天)，则式(14)转化为：

步骤2-6、结合式(11)、式(12)、式(13)和(14)，根据式(15)计算项目周期内储能配置的总成本，

Cost2＝C_sys+C_rep+C_FOP+C_COP (15)

步骤2-7、以式f2＝min(Cost2)为目标函数，以式为适应度函数采用遗传算法优化出各位置全寿命周期成本最小的安装容量，从而获得各储能最终安装位置上相应的安装容量，过程如图3所示；式中，f2为第二阶段遗传算法和模拟退火算法的优化目标函数，Fit2为第二阶段遗传算法和模拟退火算法的适应度函数；设定储能SOC上限约束为90％，下限约束为10％，设定遗传算法最大迭代数为300，种群规模为50，交叉率为0.7，变异率为0.02，退火温度为100，降温系数为0.95；具体过程如下：

步骤2-7-1)、以第一阶段输出的各安装节点最小安装容量为储能容量下线，并按照该最小安装容量的1.5倍设置储能容量上线，随机生成遗传算法中的初始群体，初始群体中包含多个个体，每个个体包含4n各基因位，每4个基因代表一个储能位置同时此四个基因位用二进制编码此位置上储能容量；

步骤2-7-2)、根据第一阶段输出的储能样本周期内出力功率计算各时刻SOC值及额定功率；

在本案例中，根据各储能24小时出力功率结合式(16)、(17)计算各时刻各储能SOC值，并取各储能24小时内出力功率绝对值的最大值为额定功率；

储能充电时，t时段的SOC为

储能放电时，t时段的SOC为

式中：σ为电池储能的自放电率(本算例中取值为0)，SOC(t-1)为t-1时段的SOC值

步骤2-7-3)、根据式式C_FOp＝155P_ESS，rate和式计算安装成本及运行维护成本；

步骤2-7-4)、计算各储能寿命周期并计算各储能更换成本；

首先，计算各储能寿命损耗，根据式(18)计算各储能的容量损伤量Γ，

式(18)中：-4.092·10^-4、-2.167、-1.408·10^-5、6.13分别经验常数；78.06kmol/J为活化能，8.314J/(mol*K)为气体常数，365为一年所包含的天数，Ah_i为第i天的放电电量；SOC_avg，i为第i天的SOC平均值，SOC_dev，i为第i天的SOC归一化偏差；25为参考温度(环境温度)，T_i为第i天的储能实际温度，根据充放电功率与锂电池温度的近似线性关系实时计算，并统计一天内的平均温度获得，如式(19)。

式中：0.075℃/kW为经验常数，P_ESS(t)为t时刻储能出力功率。

通过式(18)中储能一年的容量损伤量可计算出容量损伤量Γ达到额定容量的20％时该储能的使用年数从而计算出储能寿命周期n，之后通过式计算各储能更换成本；

步骤2-7-5)、以式f2＝min(Cost2)为遗传算法的目标函数，以式为适应度函数，通过目标函数评估各个个体适应度；

步骤2-7-6)、通过轮盘赌法筛选适应度较高的个体并保留适应度最高的个体进而更新种群；

步骤2-7-7)、对新种群进行模拟退火操作，包括退火动作和模拟退火后新个体的选择，其中，退火动作包括：对每个个体随机选定一个储能并将其关闭；对每个个体随机打开一个储能，并随机设置其功率；模拟退火后新个体的选择包括：若退火形成的个体比之前的上一代种群的个体适应度更高则一定被接受；若适应度降低则根据下式以逐轮递减的概率被接受；

式中，P2为第二阶段退火算法新个体被接受的概率；Fit”为第二阶段退火前种群个体适应度；Fitnew”为第二阶段退火后新形成的个体适应度；α为降温系数，k为退火次数；T为退火初始温度；

步骤2-7-8)、对新形成种群执行交叉和变异操作，并判断是否执行到最后一代，若未执行到最后一代则执行步骤2-7-2)，是则执行步骤2-7-9)；

步骤2-7-9)、依次输出各位置储能全寿命周期成本最小的储能容量。

通过第二阶段优化获得最经济的储能接入容量即额定容量与额定功率，如表2所示。在第二阶段优化前后的储能运行年限和年成本如表3所示。结合表2和表3可知，虽然第二阶段容量优化后各节点配置的储能容量较第一阶段结果有了较大幅度增长致使安装成本增加，但由于容量的增大延长了储能的使用寿命，其年成本相比于第一阶段结果大幅降低，其中储能2年成本下降62.98％，储能5年成本下降36.62％，总计储能年成本下降54.12％。

表2

接入位置	节点66	节点82
			额定容量(kW·h)	6212	7813
额定功率(kW)	625	750

表3

综上，本发明方法通过采用两段式优化求解方法解决配电网储能寻址定容问题，考虑了分布式电源出力随机波动性和储能系统的全寿命周期成本，从而可以获得较为经济的获得配电网储能位置及容量配置方案，为配电网储能优化配置方法提供一定的参考。

尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。

Claims (6)

1.一种计及全寿命周期成本的配电网储能优化配置方法，其特征在于，包括按顺序进行的下列两个阶段的优化：

第一阶段、对备选点进行优化：确定配电网预选配置储能位置并通过遗传算法和模拟退火算法对备选节点进行筛选，并最终输出储能应定安装节点以及样本周期内各安装节点储能各时刻运行功率和最小安装容量；

第二阶段、对第一阶段确定的各安装的最小容量进行经济性优化：基于第一阶段最终输出的储能应定安装节点以及各节点储能样本周期内运行功率和最小安装容量，考虑储能的使用寿命并通过遗传算法和模拟退火算法优化出全寿命周期成本最小的储能容量配置。

2.根据权利要求1所述计及全寿命周期成本的配电网储能优化配置方法，其特征在于，第一阶段包括按顺序进行的以下步骤：

步骤1-1、确定配电网预选配置储能位置，包括：主变电站、馈线终端、分布式电源母线和需要不间断供电的负荷及Ⅰ级负荷节点和Ⅱ级负荷节点，并采用遗传算法对上述确定的储能位置其相应位置上的储能出力功率进行编码；

步骤1-2、以储能在t时刻出力功率为额定功率，以此时刻满足储能出力的储能容量为额定容量，考虑储能的安装成本根据式(1)计算储能成本Cost1，所述安装成本包括电池本体成本、能量转换装置成本和辅助设施成本，

Cost1＝C_E+C_P+C_ass (1)

式(1)，第一项C_E为电池本体成本，P_ESS,i(t)为t时刻节点i配置的储能出力功率，C_KW·h为电池本体单位能量价格，N_set为配电网预选配置储能位置总数，E_i为节点i储能容量，储能容量E_i由该时刻充放电功率和每次充放电的持续时间Δt，同时，考虑电池储能的循环效率η和最大放电深度D计算得到；利用式(2)计算得到电池本体成本C_E；

第二项C_P为能量转换装置成本，利用式(3)得到，C_KW为能量转换装置单位功率价格；

第三项C_ass为辅助设施成本，利用式(4)得到，式(4)中，C_sup为辅助设置单位能量价格；

将式(2)、式(3)和式(4)代入式(1)，得：

步骤1-3、根据式(6)计算遗传算法和模拟退火算法的优化目标函数

式(6)中，C_loss为线路损耗成本值为线路损耗有功功率乘以电价；C_pun为电压越限惩罚值，通过潮流计算，若电压已越线，则C_pun设定为各位置储能按最大功率出力时Cost1值的10倍；

步骤1-4、根据式(6)取遗传算法适应度函数为式(7)，

步骤1-5、由遗传算法和模拟退火算法获得的t时刻节点i配置储能出力功率P_ESS,i(t)，从而获得各位置储能各时刻出力功率；

步骤1-6、对储能充放电量进行累计，获得相应节点储能相对于初始状态能量波动E_ESS,i(t)，储能充电时根据式(8)计算能量波动E_ESS,i(t)，储能放电时根据式(9)计算能量波动E_ESS,i(t)，

E_ESS,i(t)＝E_ESS,i(t-1)+P_ESS,i(t)Δtη_C (8)

式(8)和式(9)中，E_ESS,i(t-1)为t-1时刻节点i配置储能相对于初始状态能量波动，其中，初始状态能量波动E_ESS,i(0)设为0；η_C、η_D分别为储能充放电效率；

步骤1-7、使储能电池能够循环利用，储能在一个充放电周期中满足能量守恒，对储能出力功率进行进一步优化使储能在一个充放电周期内充放电量相等；

步骤1-8、在整个样本周期内的能量波动，计算储能最大、最小能量之差，考虑SOC限制，利用式(10)获取储能具备满足储能在整个样本周期内出力的最小容量值，即为各预选点最终的需配置最小储能容量；

式(10)中，E_0,i为节点i满足储能出力的最小容量值；SOC_max和SOC_min分别为储能运行SOC上限约束和下限约束；max{E_ESS,i(t)}、min{E_ESS,i(t)}分别为整个样本周期内储能相对于初始状态的最小能量波动和最大能量波动，max{E_ESS,i(t)}-min{E_ESS,i(t)}为整个样本周期内储能最大能量波动的绝对值；

步骤1-9、根据式(10)得出各预选点最终的需配置最小储能容量，若某预选点的储能需配置的最小储能容量小于各预选点需配置容量平均值的10％，则舍弃该点，返回步骤1-5，重新对剩余备选点进行优化直到储能位置及相应位置上的储能配置容量满足要求则进入第二阶段。

3.根据权利要求1所述计及全寿命周期成本的配电网储能优化配置方法，其特征在于，第二阶段是通过遗传算法和模拟退火算法优化出全寿命周期成本最小的储能容量，具体步骤包括：

步骤2-1、对第一阶段得到的储能位置其相应位置上的储能额定容量进行遗传编码；

步骤2-2、根据式(11)计算电池储能的安装成本；

式(11)中，C_sys为安装成本；E_rate为储能配置额定容量；P_ESS,rate为储能额定功率，额定功率取储能充放电功率绝对值的最大值；i为贴现率，单位为％；N为项目周期，单位为年；C_KW·h为电池本体单位能量价格，C_KW为能量转换装置单位功率价格，C_sup为辅助设置单位能量价格；

步骤2-3、根据式(12)计算电池储能更换成本，

式(12)中，β为安装成本的年均下降比例；k为电池本体的更换次数，由k＝N/n-1，n为电池储能寿命周期；当N/n-1为非整数时，k进1取整，ε为第ε次更换储能的电池本体；

步骤2-4、根据式(13)计算电池储能固定运行维护成本，

C_FOP＝C_fP_ESS,rate (13)

式(13)中，C_f为单位功率下的运维成本，

步骤2-5、根据式(14)计算电池储能可变运行维护成本，

式(14)中，C_c为电价、Δt为充电时间和D为一年内运行天数；

步骤2-6、结合式(11)、式(12)、式(13)和(14)，根据式(15)计算项目周期内储能配置的总成本，

Cost2＝C_sys+C_rep+C_FOP+C_COP (15)

步骤2-7、以式f2＝min(Cost2)为目标函数，以式为适应度函数采用遗传算法优化出各位置全寿命周期成本最小的安装容量，从而获得各储能最终安装位置上相应的安装容量；f2为第二阶段遗传算法和模拟退火算法的优化目标函数，Fit2为第二阶段遗传算法和模拟退火算法的适应度函数。

4.根据权利要求2所述计及全寿命周期成本的配电网储能优化配置方法，其特征在于，所述步骤1-5的具体步骤如下：

步骤1-5-1)、定义样本周期开始点；

步骤1-5-2)、随机生成遗传算法中的初始群体，初始群体中包含多个个体，每个个体包含4n各基因位，每4个基因代表一个储能位置同时此四个基因位用二进制编码此位置上储能出力功率；

步骤1-5-3)、以式(6)为遗传算法的目标函数，以式(7)为适应度函数，约束条件为电压约束，支路潮流约束，通过潮流计算和目标函数评估各个个体适应度；

步骤1-5-4)、通过轮盘赌法筛选适应度较高的个体并保留适应度最高的个体进而更新种群；

步骤1-5-5)、对新种群进行模拟退火操作，包括模拟退火动作和模拟退火后新个体的选择，其中，退火动作包括：对每个个体随机选定一个储能并将其关闭；对每个个体随机打开一个储能，并随机设置其功率；模拟退火后新个体的选择包括：若退火形成的个体比之前的上一代种群的个体适应度更高则被接受；若适应度降低则根据概率接受函数即按照下式以逐轮递减的概率被接受，

式中，P1为第一阶段退火算法新个体被接受的概率；Fit’为第一阶段退火前种群个体适应度；Fitnew’为第一阶段退火后新形成的个体适应度；α为降温系数，k为退火次数；T为退火初始温度；

步骤1-5-6)、对新形成种群执行交叉和变异操作，并判断是否执行到最后一代，若未执行到最后一代则执行步骤1-5-3)，否则判断是否执行完全部时间采样点，是则执行步骤1-5-7)，否则转向下一采样点，并返回步骤1-5-2)，每个采样时间点预选储能位置保持一致；

步骤1-5-7)、依次输出各时刻储能出力。

5.根据权利要求2所述计及全寿命周期成本的配电网储能优化配置方法，其特征在于，所述的步骤1-7的具体步骤如下：

步骤1-7-1)、对样本周期内充放电能量求和，记所得结果为E_SUM；

步骤1-7-2)、判断E_SUM是否等于0，若等于0则执行步骤1-7-5)，若大于0则执行步骤1-7-3)，否则，执行步骤1-7-4)；

步骤1-7-3)、E_SUM大于0，则样本周期内放电量大于充电量，按时间顺序从样本周期的开始点至结束点遍寻各个出力功率小于等于0的采样点，并以定步长对出力功率小于等于0的采样点进行修改，其中，定步长小于储能最大出力功率的12.5％；通过潮流计算看各节点电压是否满足电压约束，若满足则接受修改，否则拒绝接受修改；判断E_SUM是否等于0，若依旧大于0，则以步骤1-7-3)修正下一个点；若E_SUM小于0则执行步骤1-7-4)；若E_SUM＝0，则执行步骤1-7-5)；

步骤1-7-4)、E_SUM小于0则样本周期内放电量小于充电量，按时间顺序从样本周期的开始点至结束点遍寻各个出力功率大于等于0的采样点，并以定步长对出力功率大于等于0的采样点进行修改；通过潮流计算判断各节点电压是否满足电压约束，若满足则接受修改，否则拒绝接受修改；再判断E_SUM是否等于0，若依旧小于0，则以步骤1-7-4)修正下一个点；若E_SUM大于0则执行步骤1-7-3)；若E_SUM＝0，则执行步骤1-7-5)；

步骤1-7-5)、优化结束，输出各位置储能样本周期内出力功率。

6.根据权利要求3所述计及全寿命周期成本的配电网储能优化配置方法，其特征在于，所述步骤2-7)的具体步骤如下：

步骤2-7-1)、以第一阶段输出的各安装节点最小安装容量为储能容量下线，并按照该最小安装容量的1.5倍设置储能容量上线，随机生成遗传算法中的初始群体，初始群体中包含多个个体，每个个体包含4n各基因位，每4个基因代表一个储能位置同时此四个基因位用二进制编码此位置上储能容量；

步骤2-7-2)、根据权利要求2中输出的各时刻储能出力功率计算各时刻SOC值及额定功率；

步骤2-7-3)、计算安装成本及运行维护成本；

步骤2-7-4)、计算各储能寿命周期并计算各储能更换成本；

步骤2-7-5)、以式f2＝min(Cost2)为遗传算法的目标函数，以式为适应度函数，约束条件为储能SOC约束，通过目标函数评估各个个体适应度；

步骤2-7-6)、通过轮盘赌法筛选适应度较高的个体并保留适应度最高的个体进而更新种群；

步骤2-7-7)、对新种群进行模拟退火操作，包括退火动作和模拟退火后新个体的选择，其中，退火动作包括：对每个个体随机选定一个储能并将其关闭；对每个个体随机打开一个储能，并随机设置其功率；模拟退火后新个体的选择包括：若退火形成的个体比之前的上一代种群的个体适应度更高则一定被接受；若适应度降低则根据下式以逐轮递减的概率被接受；

式中，P2为第二阶段退火算法新个体被接受的概率；Fit”为第二阶段退火前种群个体适应度；Fitnew”为第二阶段退火后新形成的个体适应度；α为降温系数，k为退火次数；T为退火初始温度；

步骤2-7-8)、对新形成种群执行交叉和变异操作，并判断是否执行到最后一代，若未执行到最后一代则执行步骤2-7-2)，是则执行步骤2-7-9)；

步骤2-7-9)、依次输出各位置储能全寿命周期成本最小的储能容量。