CN110190615A - 一种微网储能系统控制策略优化方法 - Google Patents
一种微网储能系统控制策略优化方法 Download PDFInfo
- Publication number
- CN110190615A CN110190615A CN201910430346.8A CN201910430346A CN110190615A CN 110190615 A CN110190615 A CN 110190615A CN 201910430346 A CN201910430346 A CN 201910430346A CN 110190615 A CN110190615 A CN 110190615A
- Authority
- CN
- China
- Prior art keywords
- power
- energy
- microgrid
- storage system
- battery
- 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.)
- Pending
Links
Classifications
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- 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
- 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
- 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
Abstract
本发明公开了一种微网储能系统控制策略优化方法。本发明基于滚动时域控制原理构建微网储能系统充/放电控制策略的混合整数线性规划模型,以微网储能系统的运行成本最小化为最优目标,建立微网与电池储能装置运行控制的约束条件;利用基于混沌优化改进的共生生物搜索算法对所述的模型进行计算,分析最优控制策略下微网信号与电池信号的特征。本发明在模型构建中运用滚动时域动态控制策略,引入动态预测的优化方法和概念,反复进行局部优化以使预测结果更加接近全局优化;此外,在计算时采用改进的共生生物搜索算法,收敛速度更快,并且在维持系统正常运行水平的情况下达到运行目标的成本最低,有效实现了效率提升和成本节省。
Description
技术领域
本发明属于微网储能系统控制策略领域,具体地说是一种基于改进共生生物搜索算法的微网储能系统控制策略优化方法。
背景技术
现阶段对于微网储能系统控制策略的研究主要存在以下两方面问题,一是在实际运行中,微网储能系统的优化控制策略的影响因素随着运行状态的不同也在时刻变化,但是当前的研究多为静态建模,无法实现动态优化目标;二是当前研究采取的计算方法多为遗传算法和粒子群算法等传统算法,在收敛时间和计算结果上都有待完善。
《微网中分布式储能系统的控制参数优化方法》,华中科技大学学报(自然科学版),2014,42(12):1-5,张步涵,陈奕,代晓康,赵爽,其以系统小信号状态空间方程为基础,针对孤网运行中的分布式储能系统提出了一种参数优化方法,该方法综合考虑了系统渐近稳定、控制带宽和鲁棒性等因素,根据Routh-Hurwitz和L2增益确定了参数优化的目标函数,并采用混沌粒子群优化(CPSO)算法进行求解;但该方法采用的求解算法较为传统,计算结果有待完善。
《独立运行的风/光/蓄微电网系统能量动态优化研究》,广西大学学报(自然科学学),2013,38(02):431-438,马晓娟,吕智林,卢子广,胡立坤,卢泉,其针对独立运行的风/光/蓄互补微电网系统提出了一种保证储能容量恒定在其最大荷电量状态的动态优化策略,以保证在自然条件不佳时保证负载不间断供电,该方法以最大化利用风能和太阳能为原则,以整个系统的运行发电成本最低为目标建立模型;但该研究仅考虑了微网系统独立运行时的情况,对于并网管理情况下的能量流动问题和经济效益未能涉及。
《孤立微网多元储能与柴油发电机协调控制策略》,电力系统自动化,2014,38(17):73-79+97,毕锐,吴建锋,丁明,陈中,朱承治,赵波,其研究孤立微网实时动态平衡问题,在考虑储能的循环运行寿命及柴油发电机的爬坡跟踪能力后,提出了按优先级设计的多元储能与柴油发电机协调策略,能够根据设备机组的不同特点优化配合,使多元储能与柴油发电机的综合性能得以提升;但该研究中同样只考虑了微网孤立运行的状态,其能量管理策略未能实现并网状态下的实时动态优化。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的缺陷,提供一种基于改进共生生物搜索算法的微网储能系统控制策略优化方法,其构建基于滚动时域控制的微网储能系统控制策略混合整数线性规划模型,以微网储能系统的运行成本最小化为最优目标,建立微网与电池储能装置运行控制约束;此外,还提出一种利用混沌优化改进的共生生物搜索算法,利用该算法对模型进行计算,研究最优控制策略下微网信号与电池信号的特征。
为此,本发明采用如下的技术方案:一种微网储能系统控制策略优化方法,其基于滚动时域控制原理构建微网储能系统充/放电控制策略的混合整数线性规划模型,以微网储能系统的运行成本最小化为最优目标,建立微网与电池储能装置运行控制的约束条件;利用基于混沌优化改进的共生生物搜索算法对所述的模型进行计算,分析最优控制策略下微网信号与电池信号的特征。
进一步的,通过滚动时域优化,对微网储能系统的运行时段进行划分,并以步长的形式对微网储能系统的运行策略进行滚动模拟和优化。
进一步的,滚动窗口技术是滚动时域优化的核心,微网储能系统在滚动窗口时间步长ΔT内进行滚动的局部优化,假设微网储能系统在经过滚动窗口时间步长ΔT后达到局部优化,则将所有完工任务从预测窗口移入完工窗口,再从等待窗口中选取若干任务进入预测窗口,选取新的滚动窗口时段开始新一轮的滚动优化。
进一步的,滚动时域优化通过AEMS实现,其方法如下:假设对于每一个时间步长,算法预测生成一个预估净需求功率,同时输入成本、时域内需求功率基线以及时域起点的实际电池能量,从而在每一个时间步长内通过混合整数线性规划优化得到电池储能装置的最优充放电功率,并采用滚动时域优化的方法对微网储能系统在整个运行时段的运行策略进行求解。
进一步的,微网储能系统充/放电控制策略的混合整数线性规划模型的目标函数为:
式中,T为优化变量的时间长度,整个模型优化过程中所有的滚动时域窗口的数量为N,滚动窗口时间步长为ΔT,整个优化过程的总时长为NΔT,在每一步长范围内达到区域最优时即进行下一时域步长的优化;式(1)中共有3个因式,其含义如下:
因式1表示微网储能系统的净用电成本,BPcb表示在电池储能充电时购自于电网部分的功率,kW;Vb T为微网从电网中购电的价格,元/kW;BPcs表示在电池储能充电时售予电网部分的功率,kW;Vs T为储能系统向电网售电的价格,元/kW;BPdb为电池放电时储能系统购自于电网的功率,kW;BPds表示在电池放电时储能系统售予电网部分的功率,kW;需要注意的是,当净需求功率向量Dnet>0时,BPcs=0,也即需求过量时,充电功率不再包含向电网售电的部分;当净需求功率向量Dnet<0时,BPdb=0,也即当需求不足时,放电功率不再包含从电网购电的部分;对于整个储能系统而言,其实时功率即为BP=BPcs+BPcb-BPdb-BPds,BP为正则表示总充电功率大于放电功率,系统电量不断增加,反之则放电功率大于充电功率,系统电量不断减少;净需求功率向量Dnet表示需求功率与风电场发电功率之间的实际差额,kw;
因式2表示电池的使用成本和信号平滑成本,BPc和BPd代表充电/放电功率,BPc=BPcs+BPcb,kW;BC为电池运行的成本,元/kWh;BR为连续时域步长内电池储能系统功率比的改变量级,%;CBR为平滑电池功率分布信号的成本,元;
因式3表示微网信号形成成本,GR为连续时域步长内微网功率的改变量级,%;CGR为平滑微网信号的成本,元;D为整个系统的功率水平,kW,D=BP+Dnet,也即系统的总电力需求功率;Dhigh为超过基准需求功率的最大功率值,kW;Chigh为削减这一功率的成本,元;Dmax为微网最大需求功率,kW;Dmin为微网最小需求功率,kW;Cflat为平滑微网需求功率的成本,元;
进一步的,所述微网与电池储能装置运行控制的约束条件为:微网储能系统的电池储能装置充/放电状态决策约束、电池储能系统的能量与功率变化约束以及微网系统的信号约束。
进一步的,所述的电池储能装置充/放电状态决策约束中,
电池充放电功率的变化范围约束如下:
0≤BPc≤BPc,max·α≤BPc,max (2)
0≤BPd≤BPd,max·(1-α)≤BPd,max (3)
其中,α∈[0,1]为二进制向量,对于第i个元件,αi=1表示充电,αi=0表示放电;BPc,max,BPd,max分别为储能系统额定的充/放电功率的最大值,kW;
微网从电网买/卖电的状态决策约束如下:
BPdb,max·(1-θb)≤BPdb≤BPdb,max (4)
BPds,max·(1-θs)≤BPds≤BPds,max (5)
BPcs,max·(1-θs)≤BPcs≤BPcs,max (6)
BPcb,max·(1-θb)≤BPcb≤BPcb,max (7)
0≤θs,θb≤1 (8)
BPk db,max=min(max(0,Pdk),BPd,max) (9)
BPk cs,max=min(max(0,-Pdk),BPc,max) (10)
对于k∈[1,NΔT],k表示系统优化的时间区域,向量θb和θs用来表征微网储能系统的买/卖决策;(9)、(10)表示所优化的时间区域内微网储能系统的BPdb和BPcs的最大值取决于负荷对储能系统的净功率需求Pdk。
进一步的,所述电池储能系统的能量与功率变化约束中,
电池能量水平约束如下:
其中,BE0为时域初始时的电池储能系统能量水平;BEmin和BEmax分别为最低/最高界限;εc和εd是充电/放电效率;BPloss表示储能系统损失功率;
时域内最终电池能量水平约束如下:
εc·ΔTT·BPc-εd -1·ΔTT·BPd-BPloss·ΔTT=BEfinal-BE0 (12)
其中,BEfinal是期望的时域结束时电池能量水平,其值水平应确保电池储能量不被耗尽;
电池信号平滑和功率变化约束如下:
由于k∈[1,NΔT]和BR≥0,ΔBP表示电池储能系统功率转换率的最大值,kW/h。
进一步的,所述微网系统信号约束中,
AEMS调节微网与电网公共联合点处的功率分布曲线,为了调节与削弱超过需求基线的峰值功率,使用下述不等式约束:
|Dnet|≤|Dhigh-Dbase| (14)
其中,Dbase为系统内的基准需求功率,Dhigh,Dbase≥0,即系统净需求功率的绝对值在超过基准需求功率的最大功率值与系统基准需求功率之间的差值的绝对值范围内;
电网信号整平约束如下:
Dmin≤(BPcs+BPcb)-(BPdb+BPds)+Dnet≤Dmax (15)
其中,Dmin,Dmax分别为微网系统运行功率水平的最小值和最大值,该约束表示微网系统内储能电池的充放电功率以及系统的净功率需求之和必须在系统所能承载的最小和最大功率之间;
电网功率信号平滑约束如下:
其中,k∈[1,NΔT],GR≥0,该约束表示在连续的两个时域内,微网系统的运行功率该变量的大小必须在该时域范围内微网功率的该变量级约束以内。
进一步的,将混沌与原始SOS算法相结合进行以下改进:在互利共生和偏利共生阶段的迭代过程之后采用混沌局部搜索取代寄生阶段,从而增强启发式搜索过程的随机性,有助于摆脱局部最优。
本发明具有有益效果如下:本发明在模型构建中运用滚动时域动态控制策略,引入动态预测的优化方法和概念,反复进行局部优化以使预测结果更加接近全局优化;此外,在计算时采用改进的共生生物搜索算法,与传统的共生生物搜索算法相比,收敛速度更快,并且在维持系统正常运行水平的情况下达到运行目标的成本最低,有效实现了效率提升和成本节省。
附图说明
图1为本发明具体实施方式中滚动时域方法的窗口滚动示意图;
图2为本发明具体实施方式中滚动时域控制模型示意图;
图3为本发明具体实施方式中PLCM映射分布图;
图4为本发明具体实施方式中基于混沌优化改进的共生生物搜索算法流程图;
图5为本发明应用例中微网储能系统负荷需求情况图;
图6为本发明应用例中微网储能系统风力发电情况图;
图7为本发明应用例中微网储能系统采用分时电价图;
图8为本发明应用例中不同目标下的微网信号特征图;
图9为本发明应用例中各算法计算效果对比图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。本领域的技术人员应该明了,所述的实施例仅是帮助理解本发明,不应视为对本发明的具体限制。
1.微网储能系统控制策略优化方法
(1)滚动时域优化
在实际的运行当中,微网储能系统的优化控制策略必须考虑交易电量、交易价格以及运行成本等各因素,各因素随着运行状态的不同也在时刻变化,因此需要引入动态预测的优化方法和概念。本发明基于滚动时域控制原理构建微网储能系统控制策略的混合整数线性规划(Mixed Integer Linear Programming,MILP)优化模型。
滚动时域优化是一种动态预测的优化方法。在具有不确定性的动态环境下进行预测时,很难达到理想中的全局优化,这时就需要反复进行局部优化以使预测结果更加接近全局优化。为了达到上述目的,在动态预测中引入滚动优化的思想。作为一种可以跟踪系统变化的优化控制策略,滚动时域优化方法能够通过不断推动优化集在时间轴上滚动并运用优化算法来求解子问题,进而通过求解子问题达到局部优化并通过不断滚动实现最终的全局优化。通过滚动时域优化,对微网储能系统的运行时段进行划分,并以步长的形式对系统的运行策略进行滚动模拟和优化。
滚动窗口技术是滚动时域优化的核心。如图1所示,PREk为第k个预测窗口,DOk为完工窗口,WAITk为等待窗口,滚动窗口时间步长为ΔT,预测窗口时间步长为ΔTPRE。系统在ΔT时间内进行滚动的局部优化,假设系统在经过时间步长ΔT后达到局部优化,则将所有完工任务从预测窗口移入完工窗口,再从等待窗口中选取若干任务进入预测窗口,选取新的滚动窗口时段开始新一轮的滚动优化。
(2)基于滚动时域优化的微网储能系统控制方法
未来微网储能系统的控制模型是基于AEMS(advanced energy managementsystem)实现的,结合滚动时域控制原理,本发明研究的微网储能系统控制模型如图2所示。假设对于每一个时间步长,算法预测生成一个预估净需求功率向量DnetPRE以及不确定误差ΔDnetPRE,其中,DnetPRE表示预测的功率需求与可再生能源发电出力之间差额,kw,此处以向量的形式表示;DnetPRE=Dnet表示算法预测的净需求功率向量等同于实际功率需求向量,即净需求被完美预测的情况,其中,净需求功率向量Dnet表示需求功率与风电场发电功率之间的实际差额,kw。为了模拟储能设备最优的充放电策略,在每一个时间步长内,都将形成一个MILP问题。因此,本发明尝试采用滚动时域优化的方法对该问题进行求解。图2描述了含储能的微网系统的滚动时域优化方法。其中,C为成本(元);Dbase为时域内需求功率基线,kw;BEfinal为时域终点预测电池能量,kwh;BE0为时域起点实际电池能量,kwh;BPc为电池储能系统充电功率,kw;BPd为电池储能系统放电功率,kw。
1)目标函数
设定模型的最优目标为微网储能系统运行成本的最小化,则本发明所建立的基于滚动时域优化的微网储能系统充/放电控制策略模型的目标函数如下:
式中,优化变量的时间长度为T,N为整个模型优化过程中所有的滚动时域窗口的数量,ΔT为滚动时域窗口的步长,整个优化过程的总时长为NΔT。在每一步长范围内达到区域最优时即进行下一时域步长的优化。可以看到,式(1)中共有3个因式,其含义如下。
因式1表示系统的净用电成本,电力交易不同于系统充放电的行为,在储能系统进行充放电时,其所处的微网仍可以进行购入或售出的电力交易(微网同其他电网进行的电力交易)。其中,BPcb表示在电池储能充电时购自于电网部分的功率,kW;Vb T为微网从电网中购电的价格,元/kW;BPcs表示在电池储能充电时售予电网部分的功率(该情形下,储能设备无法将所有多余出力储存,系统边充电边向电网售电),kW;Vs T为储能系统向电网售电的价格,元/kW;BPdb为电池放电时储能系统购自于电网的功率(该情形下,储能系统放电功率无法满足负荷需求与出力之间的差额,系统必须从其他电网购电),kW;BPds表示在电池放电时储能系统售予电网部分的功率,kW。需要注意的是,当Dnet>0时,BPcs=0,也即需求过量时,充电功率不再包含向电网售电的部分;当Dnet<0时,BPdb=0,也即当需求不足时,放电功率不再包含从电网购电的部分。对于整个储能系统而言,其实时功率即为BP=BPcs+BPcb-BPdb-BPds,BP为正则表示总充电功率大于放电功率,系统电量不断增加,反之则放电功率大于充电功率,系统电量不断减少。
因式2表示电池的使用成本和信号平滑成本。BPc和BPd代表了充电/放电功率,BPc=BPcs+BPcb,kW;BC为电池运行的成本,元/kWh;BR为连续时域步长内电池储能系统功率比的改变量级(用来衡量电池平滑程度),%;CBR为平滑电池功率分布信号的成本,元。
因式3表示微网信号形成成本。GR为连续时域步长内微网功率的改变量级,%;CGR为平滑微网信号的成本,元;D为整个系统的功率水平,kW,D=BP+Dnet,也即系统的总电力需求功率;Dhigh为超过基准需求功率的最大功率值,kW;Chigh为削减这一功率的成本,元;Dmax为微网最大需求功率,kW;Dmin为微网最小需求功率,kW;Cflat为平滑微网需求功率的成本,元。
2)约束条件
本部分建立微网与电池储能装置运行控制的约束条件,主要考虑微网储能系统的电池储能装置充/放电状态决策约束、电池储能系统的能量与功率变化约束以及微网系统的信号约束三个部分。
①电池储能装置充/放电状态决策约束
电池充放电功率的变化范围约束如下:
0≤BPc≤BPc,max·α≤BPc,max (2)
0≤BPd≤BPd,max·(1-α)≤BPd,max (3)
其中,α∈[0,1]为二进制向量,对于第i个元件,αi=1表示充电,αi=0表示放电。BPc,max,BPd,max分别为储能系统额定的充/放电功率的最大值,kW。
微网从电网买/卖电的状态决策约束如下:
BPdb,max·(1-θb)≤BPdb≤BPdb,max (4)
BPds,max·(1-θs)≤BPds≤BPds,max (5)
BPcs,max·(1-θs)≤BPcs≤BPcs,max (6)
BPcb,max·(1-θb)≤BPcb≤BPcb,max (7)
0≤θs,θb≤1 (8)
对于k∈[1,NΔT],k表示系统优化的特定时间区域,向量θb和θs用来表征微网储能系统的买/卖决策。(9)(10)表示所优化的时间区域内微网储能系统的BPdb和BPcs的最大值取决于负荷对储能系统的净功率需求Pdk。
②电池储能系统的能量与功率变化约束
电池能量水平约束如下:
其中,BE0为时域初始时的电池储能系统能量水平;BEmin和BEmax分别为最低/最高界限;εc和εd是充电/放电效率。
时域内最终电池能量水平约束如下:
εc·ΔTT·BPc-εd -1·ΔTT·BPd-BPloss·ΔTT=BEfinal-BE0 (12)
其中,BEfinal是期望的时域结束时电池能量水平,其值水平应确保电池储能量不被耗尽。
电池信号平滑和功率变化约束如下:
由于k∈[1,NΔT]和BR≥0,ΔBP表示电池储能系统功率转换率的最大值,kW/h。平滑电池功率曲线的目的在于减少微网内(电压)瞬变对储能系统的影响,否则将影响电池寿命。
③微网系统信号约束
AEMS可以调节微网与电网公共联合点处的功率分布曲线。为了调节与削弱超过需求基线的峰值功率,使用下述不等式约束:
|Dnet|≤|Dhigh-Dbase| (14)
其中,Dbase为系统内的基准需求功率,Dhigh,Dbase≥0,即系统净需求功率的绝对值在超过基准需求功率的最大功率值与系统基准需求功率之间的差值的绝对值范围内;
电网信号整平约束如下:
Dmin≤(BPcs+BPcb)-(BPdb+BPds)+Dnet≤Dmax (15)
其中,Dmin,Dmax分别为微网系统运行功率水平的最小值和最大值,该约束表示微网系统内储能电池的充放电功率以及系统的净功率需求之和必须在系统所能承载的最小和最大功率之间;
电网功率信号平滑约束如下:
其中,k∈[1,NΔT],GR≥0,该约束表示在连续的两个时域内,微网系统的运行功率该变量的大小必须在该时域范围内微网功率的该变量级约束以内。
2.改进的共生生物搜索算法(CSOS)
共生生物搜索算法(symbiotic organisms search algorithm,SOS)是学者Cheng和Prayogo在2014年提出了一种模仿自然界中生物个体之间共生关系的新的元启发式算法,它是模仿自然界中不同生物体之间的交互特性来实现寻找最优值的过程。通常情况下,自然界中的共生关系可以被归为三类,分别是互利共生、偏利共生、寄生,共生生物搜索算法就是模仿这三种共生关系来实现算法寻优的。相较于其他的元启发式算法,共生生物搜索算法最大的特点是算法寻优的过程中无需额外的参数设置,其结构简单、易于使用和推广。但是,它在解决复杂问题时也存在一些问题,因此本节提出CSOS来解决微网储能系统控制策略优化问题。
(1)共生生物搜索算法(SOS)
共生生物算法中,生物个体对应优化问题的可能解,对环境的适应能力对应于适应度函数。共生生物搜索算法在求解优化问题时,随机构造多个个体作为优化问题的初始解,通过个体之间的互利共生、偏利共生及寄生进行信息交互,改善个体适应度值,进而取得优化问题的最优解。其主要过程如下:
(a)互利共生阶段
互利共生是指建立共生关系的双方生物均获益。这一关系比较常见的实例为蜜蜂与花朵建立的共生关系。根据这个规则,互利共生关系的生物体更新公式如下(17)所示:
其中,Xi和Xj分别表示建立共生关系的两个生物体,MV表示两生物体之间的关系。BF1和BF2是获益因子,其取值为0或1,用获益因子来体现互利共生双方获取的利益并不相同。Xinew、Xjnew分别表示更新后的两个生物体。Xbest表示最佳生物个体。
(b)偏利共生阶段
偏利共生是指建立共生关系的双方中只有一方获益,而对另一方无害。自然界中较常见的是鮣鱼和鲨鱼的共生关系。根据该规则,偏利共生阶段的更新公式如(18)所示:
Xinew=Xi+rand(-1,1)×(Xbest-Xj) (18)
其中,Xi在偏利共生的关系中单方面获益,而Xj在这种关系中无受害。
(c)寄生阶段
寄生是指建立共生关系的双方一方从这种关系中获益,同时另一方在这种关系中受到损害。自然界中常见的寄生关系是疟蚊和人。疟蚊从寄生关系中获益,人类因为疟蚊而受到伤害。
在该阶段,Xi随机选择某些维度,用搜索空间范围内的随机值进行替换,形成人工寄生虫Parasite_Vector。然后,在种群中随机选择一个个体Xj(j≠i),比较两者的适应度值,保留最优的作为新的Xj。
可见,传统SOS算法在寄生阶段创建人工寄生虫时,随机选择的某些维度或选择的搜索空间范围内的随机值可能产生作用效果无效的情况,导致潜在解决方案的丧失,陷入局部最优,影响计算效率。因此需要对算法进行改进以提高其性能。
(2)基于混沌优化改进的共生生物搜索算法
传统SOS算法在寄生阶段创建人工寄生虫时,随机选择的某些维度或选择的搜索空间范围内的随机值可能产生作用效果无效的情况,导致潜在解决方案的丧失,陷入局部最优,影响了计算效率。与上述情况不同,混沌映射在搜索过程集中在一个更有希望的区域,提高了对搜索空间的利用,因此可以更快地找到较好的解决方案。因此,本发明将混沌与原始SOS算法相结合进行以下改进:在互利共生和偏利共生阶段的迭代过程之后采用混沌局部搜索(CLS)取代了寄生阶段,从而增强启发式搜索过程的随机性,有助于摆脱局部最优。
由于混沌搜索在小范围搜索时较为有效,因此本发明的混沌优化算法在半径r范围内执行。CLS仅适用于在传统SOS算法偏利共生阶段之后生成的最佳有机体Xbest,原因在于(Xbest-r,Xbest+r)是可能性最大的局部搜索空间,且相比于在所有阶段应用混沌搜索能够节省更多时间。混沌搜索半径r的初始值计算如公式(19)所示,并在收缩系数δ(0<δ<1)的作用下逐步减小。
r=(Xmax-Xmin)/2 (19)
其中,Xmax和Xmin是搜索边界。
混沌序列对其初始值非常敏感,为了保持混沌搜索的遍历性,混沌序列的初始值由random函数生成,如式(20)所示:
cxk=rand(0,1) (20)
其中,cxk表示混沌序列的初始值。
下一变量cxk+1通过分段线性混沌映射(PLCM)生成,PLCM混沌映射具有可控统计特性和均匀的分布函数,主要有以下几个优点:①分段线性混沌映射具有良好的遍历性、混合性和确定性;②分段线性混沌映射具有对初值极度敏感性,能产生很好的雪崩效应;③分段线性混沌映射具有均匀的不变分布,由此产生的混沌轨道能满足密码系统的平衡性要求。PLCM计算公式如式(21)所示:
式中,xk∈[0,1)为混沌系统的初始状态;p∈(0,0.5)未混沌系统的控制参数。
当迭代次数为500时,PLCM混沌映射的分布如图所示。
由PLCM映射产生的最优生物个体的位置如公式(22)所示:
xk+1=Xbest+r(2cxk+1-1) (22)
其中,xk+1是整个种群在CLS的第k+1代产生的最优生物个体的位置,Xbest是传统SOS算法经互利共生和偏利共生阶段处理后最优生物个体的位置,计算xk+1的适应度,如果其适应度更优,则认为它是新的最优生物个体。
所提CSOS算法的求解流程如图4所示。
应用例
本发明通过某微网储能系统来测试所提出的方法,研究系统在最优控制策略下的微网信号与电池信号特征,并对算法的收敛性与其他算法进行比较,以验证模型和算法的有效性。
应用例在一个包含商用与居民的环境中进行,系统的发电来自风力机组发电。系统负荷需求情况如图5所示。系统风力发电情况如图6所示。
微网系统采用分时电价,如图7所示。
电池储能系统的基础参数如表1所示。
表1微网电池储能系统参数表
基于上述数据,研究不同目标下微网和电池储能系统功率信号特征,此处设定三个目标:①微网系统削峰目标,即在可削减的前提下通过储能系统削减微网需求的峰值,使其维持在10kW及以下水平,此时削峰成本Chigh=1,其他成本为0;②微网系统信号整平目标,即在对微网削峰的基础上利用储能系统提升微网需求的下限,使其维持在2kW及以上水平,并根据预测的系统净需求的上限和下限进行调整,此时微网信号整平成本Cflat=1,其他为0;③微网系统信号平滑目标,即在微网系统信号整平目标的基础上,对微网信号进行平滑处理,此时,微网信号平滑成本CGR=ΔT,其他成本为0。时域范围为24小时,时间步长向量设置为ΔT=[0.5 0.5 0.5 0.5 0.5 0.5 1 1 1 2 2 2 3 3 3 3]T。
为对所建立的微网储能系统的最优控制模型进行验证,本发明采用CSOS方法进行求解,并与SOS及POS算法的优化结果作为对比。运用CSOS对微网储能系统的优化控制策略进行求解时,设置初始种群为100,最大迭代次数为200。
得到不同目标下的微网信号特征如图8所示。图8a)体现了原始的微网净需求功率分布情况。图8b)体现了峰值削减目标下的微网信号特征。图8c)体现了微网信号整平目标下的微网信号特征,对系统净需求分布的整平效应。图8d)体现了微网信号平滑目标下的微网信号特征,实现了功率波动的最小化(黑色细线表示上限和下限约束)。
在对微网系统信号整平、平滑处理的基础上,同时运用SOS方法与POS方法,以研究CSOS算法在收敛性和计算时间方面的改进。计算的微网系统运行成本结果如图9所示。
可以看到,与SOS、POS相比,CSOS收敛速度更快,并且在维持系统正常运行水平的情况下达到运行目标的成本最低,有效实现了效率提升和成本节省,验证了本发明所建立的基于改进共生生物搜索算法的微网储能系统控制策略优化模型的科学性节有效性。
上述实施方式已经对本发明的一些细节进行了描述,但是不能理解为对本发明的限制,本领域的技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对其进行变化、修改、替换和变型。
Claims (10)
1.一种微网储能系统控制策略优化方法,其特征在于,基于滚动时域控制原理构建微网储能系统充/放电控制策略的混合整数线性规划模型,以微网储能系统的运行成本最小化为最优目标,建立微网与电池储能装置运行控制的约束条件;利用基于混沌优化改进的共生生物搜索算法对所述的模型进行计算,分析最优控制策略下微网信号与电池信号的特征。
2.根据权利要求1所述的微网储能系统控制策略优化方法,其特征在于,通过滚动时域优化,对微网储能系统的运行时段进行划分,并以步长的形式对微网储能系统的运行策略进行滚动模拟和优化。
3.根据权利要求2所述的微网储能系统控制策略优化方法,其特征在于,滚动窗口技术是滚动时域优化的核心,微网储能系统在滚动窗口时间步长ΔT内进行滚动的局部优化,假设微网储能系统在经过滚动窗口时间步长ΔT后达到局部优化,则将所有完工任务从预测窗口移入完工窗口,再从等待窗口中选取若干任务进入预测窗口,选取新的滚动窗口时段开始新一轮的滚动优化。
4.根据权利要求1-3任一项所述的微网储能系统控制策略优化方法,其特征在于,滚动时域优化通过AEMS实现,其方法如下:假设对于每一个时间步长,算法预测生成一个预估净需求功率,同时输入成本、时域内需求功率基线以及时域起点的实际电池能量,从而在每一个时间步长内通过混合整数线性规划优化得到电池储能装置的最优充放电功率,并采用滚动时域优化的方法对微网储能系统在整个运行时段的运行策略进行求解。
5.根据权利要求4所述的微网储能系统控制策略优化方法,其特征在于,微网储能系统充/放电控制策略的混合整数线性规划模型的目标函数为:
式中,T为优化变量的时间长度,整个模型优化过程中所有的滚动时域窗口的数量为N,滚动窗口时间步长为ΔT,整个优化过程的总时长为NΔT,在每一步长范围内达到区域最优时即进行下一时域步长的优化;式(1)中共有3个因式,其含义如下:
因式1表示微网储能系统的净用电成本,BPcb表示在电池储能充电时购自于电网部分的功率,kW;为微网从电网中购电的价格,元/kW;BPcs表示在电池储能充电时售予电网部分的功率,kW;为储能系统向电网售电的价格,元/kW;BPdb为电池放电时储能系统购自于电网的功率,kW;BPds表示在电池放电时储能系统售予电网部分的功率,kW;需要注意的是,当净需求功率向量Dnet>0时,BPcs=0,也即需求过量时,充电功率不再包含向电网售电的部分;当净需求功率向量Dnet<0时,BPdb=0,也即当需求不足时,放电功率不再包含从电网购电的部分;对于整个储能系统而言,其实时功率即为BP=BPcs+BPcb-BPdb-BPds,BP为正则表示总充电功率大于放电功率,系统电量不断增加,反之则放电功率大于充电功率,系统电量不断减少;净需求功率向量Dnet表示需求功率与风电场发电功率之间的实际差额,kw;
因式2表示电池的使用成本和信号平滑成本,BPc和BPd代表充电/放电功率,BPc=BPcs+BPcb,kW;BC为电池运行的成本,元/kWh;BR为连续时域步长内电池储能系统功率比的改变量级,%;CBR为平滑电池功率分布信号的成本,元;
因式3表示微网信号形成成本,GR为连续时域步长内微网功率的改变量级,%;CGR为平滑微网信号的成本,元;D为整个系统的功率水平,kW,D=BP+Dnet,也即系统的总电力需求功率;Dhigh为超过基准需求功率的最大功率值,kW;Chigh为削减这一功率的成本,元;Dmax为微网最大需求功率,kW;Dmin为微网最小需求功率,kW;Cflat为平滑微网需求功率的成本,元。
6.根据权利要求5所述的微网储能系统控制策略优化方法,其特征在于,所述微网与电池储能装置运行控制的约束条件为:微网储能系统的电池储能装置充/放电状态决策约束、电池储能系统的能量与功率变化约束以及微网系统的信号约束。
7.根据权利要求6所述的微网储能系统控制策略优化方法,其特征在于,所述的电池储能装置充/放电状态决策约束中,
电池充放电功率的变化范围约束如下:
0≤BPc≤BPc,max·α≤BPc,max (2)
0≤BPd≤BPd,max·(1-α)≤BPd,max (3)
其中,α∈[0,1]为二进制向量,对于第i个元件,αi=1表示充电,αi=0表示放电;BPc,max,BPd,max分别为储能系统额定的充/放电功率的最大值,kW;
微网从电网买/卖电的状态决策约束如下:
BPdb,max·(1-θb)≤BPdb≤BPdb,max (4)
BPds,max·(1-θs)≤BPds≤BPds,max (5)
BPcs,max·(1-θs)≤BPcs≤BPcs,max (6)
BPcb,max·(1-θb)≤BPcb≤BPcb,max (7)
0≤θs,θb≤1 (8)
对于k∈[1,NΔT],k表示系统优化的时间区域,向量θb和θs用来表征微网储能系统的买/卖决策;(9)、(10)表示所优化的时间区域内微网储能系统的BPdb和BPcs的最大值取决于负荷对储能系统的净功率需求Pdk。
8.根据权利要求7所述的微网储能系统控制策略优化方法,其特征在于,所述电池储能系统的能量与功率变化约束中,
电池能量水平约束如下:
其中,BE0为时域初始时的电池储能系统能量水平;BEmin和BEmax分别为最低/最高界限;εc和εd是充电/放电效率;BPloss表示储能系统损失功率;
时域内最终电池能量水平约束如下:
εc·ΔTT·BPc-εd -1·ΔTT·BPd-BPloss·ΔTT=BEfinal-BE0 (12)
其中,BEfinal是期望的时域结束时电池能量水平,其值水平应确保电池储能量不被耗尽;
电池信号平滑和功率变化约束如下:
由于k∈[1,NΔT]和BR≥0,ΔBP表示电池储能系统功率转换率的最大值,kW/h。
9.根据权利要求6所述的微网储能系统控制策略优化方法,其特征在于,所述微网系统信号约束中,
AEMS调节微网与电网公共联合点处的功率分布曲线,为了调节与削弱超过需求基线的峰值功率,使用下述不等式约束:
|Dnet|≤|Dhigh-Dbase| (14)
其中,Dbase为系统内的基准需求功率,Dhigh,Dbase≥0,即系统净需求功率的绝对值在超过基准需求功率的最大功率值与系统基准需求功率之间的差值的绝对值范围内;
电网信号整平约束如下:
Dmin≤(BPcs+BPcb)-(BPdb+BPds)+Dnet≤Dmax (15)
其中,Dmin,Dmax分别为微网系统运行功率水平的最小值和最大值,该约束表示微网系统内储能电池的充放电功率以及系统的净功率需求之和必须在系统所能承载的最小和最大功率之间;
电网功率信号平滑约束如下:
其中,k∈[1,NΔT],GR≥0,该约束表示在连续的两个时域内,微网系统的运行功率该变量的大小必须在该时域范围内微网功率的该变量级约束以内。
10.根据权利要求5所述的微网储能系统控制策略优化方法,其特征在于,将混沌与原始SOS算法相结合进行以下改进:在互利共生和偏利共生阶段的迭代过程之后采用混沌局部搜索取代寄生阶段,从而增强启发式搜索过程的随机性,有助于摆脱局部最优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910430346.8A CN110190615A (zh) | 2019-05-22 | 2019-05-22 | 一种微网储能系统控制策略优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910430346.8A CN110190615A (zh) | 2019-05-22 | 2019-05-22 | 一种微网储能系统控制策略优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110190615A true CN110190615A (zh) | 2019-08-30 |
Family
ID=67717271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910430346.8A Pending CN110190615A (zh) | 2019-05-22 | 2019-05-22 | 一种微网储能系统控制策略优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110190615A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091249A (zh) * | 2019-12-30 | 2020-05-01 | 吉林大学 | 一种基于全局寻域算法实现车辆全局能量最优分配方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117796A (zh) * | 2015-08-13 | 2015-12-02 | 浙江工业大学 | 基于量子进化算法的微网孤岛划分方法 |
CN105356521A (zh) * | 2015-12-14 | 2016-02-24 | 东南大学 | 一种基于时域滚动控制的交直流混合微电网运行优化方法 |
CN108376999A (zh) * | 2018-04-02 | 2018-08-07 | 浙江工业大学 | 一种考虑孤岛运行时间不确定性的多微网故障管理方法 |
-
2019
- 2019-05-22 CN CN201910430346.8A patent/CN110190615A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117796A (zh) * | 2015-08-13 | 2015-12-02 | 浙江工业大学 | 基于量子进化算法的微网孤岛划分方法 |
CN105356521A (zh) * | 2015-12-14 | 2016-02-24 | 东南大学 | 一种基于时域滚动控制的交直流混合微电网运行优化方法 |
CN108376999A (zh) * | 2018-04-02 | 2018-08-07 | 浙江工业大学 | 一种考虑孤岛运行时间不确定性的多微网故障管理方法 |
Non-Patent Citations (3)
Title |
---|
SUBHODIP SAHA ET AL: "A novel chaos-integrated symbiotic organisms search algorithm for global optimizatio", 《SOFT COMPUT》 * |
SUBHODIP SAHA、VIVEKANANDA MUKHERJEE: "Optimal placement and sizing of DGs in RDS using chaos embedded SOS algorithm", 《IET GENERATION, TRANSMISSION & DISTRIBUTION》 * |
曾鸣等: "基于改进布谷鸟算法的微网储能系统控制策略研究", 《广西大学学报( 自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091249A (zh) * | 2019-12-30 | 2020-05-01 | 吉林大学 | 一种基于全局寻域算法实现车辆全局能量最优分配方法 |
CN111091249B (zh) * | 2019-12-30 | 2023-07-14 | 吉林大学 | 一种基于全局寻域算法实现车辆全局能量最优分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109888835B (zh) | 一种基于改进粒子群的分布式光伏配电网规划方法 | |
Ahmadi et al. | Application of the Hybrid Big Bang–Big Crunch algorithm for optimal sizing of a stand-alone hybrid PV/wind/battery system | |
Maleki et al. | Scrutiny of multifarious particle swarm optimization for finding the optimal size of a PV/wind/battery hybrid system | |
CN105071433B (zh) | 一种分布式电源的优化配置方案 | |
Tutkun | Minimization of operational cost for an off-grid renewable hybrid system to generate electricity in residential buildings through the SVM and the BCGA methods | |
Bandopadhyay et al. | Application of hybrid multi-objective moth flame optimization technique for optimal performance of hybrid micro-grid system | |
CN109066741A (zh) | 一种用于区域电网削峰填谷的分布式储能规划方法及系统 | |
Zhang et al. | Efficient design of energy microgrid management system: a promoted Remora optimization algorithm-based approach | |
CN110445127A (zh) | 一种面向多重随机不确定性的配电网无功优化方法及系统 | |
Kumar et al. | Whale optimization algorithm optimized fuzzy-PID plus PID hybrid controller for frequency regulation in hybrid power system | |
Žarković et al. | Fuzzy expert system for management of smart hybrid energy microgrid | |
Prabha et al. | Determining the optimal location and sizing of distributed generation Unit using Particle Swarm Optimization algorithm | |
Zhu et al. | Optimal day-ahead scheduling for commercial building-level consumers under TOU and demand pricing plan | |
CN109711605A (zh) | 一种多类型电源并网定容方法和装置 | |
Zhu et al. | Multi‐time‐scale robust economic dispatching method for the power system with clean energy | |
CN110190615A (zh) | 一种微网储能系统控制策略优化方法 | |
Ng et al. | AI optimized solar tracking system for green and intelligent building development in an urban environment | |
CN107609690A (zh) | 一种负荷主动管理决策优化的方法 | |
Huang et al. | Optimal energy management of grid-connected photovoltaic micro-grid | |
Ebrahimi et al. | Stochastic scheduling of energy storage systems in harmonic polluted active distribution networks | |
Han et al. | Analysis and prediction of the penetration of renewable energy in power systems using artificial neural network | |
Tepe et al. | An integrated energy control system to provide optimum demand side management of a grid-interactive microgrid | |
Buchibabu et al. | Green energy management in DC microgrids enhanced with robust model predictive control and muddled tuna swarm MPPT | |
CN115995840A (zh) | 基于风、光、储能协调的新能源系统调峰优化方法和装置 | |
Hu et al. | Energy Management for isolated renewable-powered microgrids using reinforcement learning and game theory |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190830 |
|
RJ01 | Rejection of invention patent application after publication |