CN110365007B - 一种用于ieee-33节点系统的电池储能系统容量规划方法 - Google Patents
一种用于ieee-33节点系统的电池储能系统容量规划方法 Download PDFInfo
- Publication number
- CN110365007B CN110365007B CN201910450302.1A CN201910450302A CN110365007B CN 110365007 B CN110365007 B CN 110365007B CN 201910450302 A CN201910450302 A CN 201910450302A CN 110365007 B CN110365007 B CN 110365007B
- Authority
- CN
- China
- Prior art keywords
- node
- energy storage
- battery energy
- ieee
- storage system
- 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
Links
Images
Classifications
-
- 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
- H02J15/00—Systems for storing electric energy
-
- 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
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公布了一种用于IEEE‑33节点系统的电池储能系统容量规划方法,所述方法如下:针对IEEE‑33节点系统,获取系统中各节点的原始数据,然后初始化电池储能系统个数、迭代次数和遗传算法参数,利用由潮流分析而得的系统有功功率损耗来进行遗传算法的个体适应度计算及其相应排序,再以已排序个体为遗传算子进行选择、交叉、变异等操作,从而得到当前最优个体、并保存,直至达到迭代次数,迭代循环结束,并输出最优的电池储能系统容量。本发明所公布的电池储能系统容量规划方法能更有效地配置IEEE‑33节点系统的电池储能系统容量,其规划方法可适用于锂离子、铅酸、镍镉等不同类型的电池储能系统容量配置。
Description
技术领域
本发明属于智能电网中MW级电池储能系统设计与控制技术领域,涉及一种用于IEEE-33节点系统的电池储能系统容量规划方法。
背景技术
当前风力发电、光伏发电等可再生新能源已在国内外得到快速发展,但这些新能源发电因其存在间歇性、波动性、不确定性等固有特性,导致其大规模并网给电力系统安全、稳定运行带来极大的挑战。电池储能系统(BESS)的应用为解决可再生新能源大规模接入电网提供了一种有效的办法,然而,因受电池材料、制造工艺等因素制约,目前电池价格还比较高, BESS的容量大小直接影响到BESS的大规模应用程度,因此,有效规划好BESS的容量,对其设计、控制及工程应用至关重要。
目前,国内外关于BESS的容量规划研究文献不少,但关于考虑网损对接入电网的BESS 容量规划影响的研究甚少,尤其是用于IEEE-33节点系统的更少。如文献《以净效益最大为目标的储能电池参与二次调频的容量配置方法》研究了将风电机组的惯性控制与一次调频控制相结合从而增强风电机组的频率响应能力,但其不可避免地要进行一定的弃风,此控制方法不适合应用于地方小规模的高渗透率风电场。文献《风电波动平抑的储能容量配置方法研究》研究了风电并网功率波动率限制的风电并网功率优化制定方法,从而尽量减小电池储能充放电功率,提高电池储能的寿命损耗,但是只满足水利丰富的地区。
发明内容
本发明解决的问题是在于提供一种用于IEEE-33节点系统的电池储能系统容量规划方法,解决IEEE-33节点系统中接入BESS时其接入位置及容量配置的问题,可有效地配置BESS 容量、减少BESS投入成本。
本发明目的是通过以下技术方案来实现:
本发明提供用于IEEE-33节点系统的电池储能系统容量规划方法,该系统为由33个节点构成的IEEE-33节点系统,电池储能系统是该系统的其中一个节点之一而成,其结构图如图 1所示。
一种用于IEEE-33节点系统的电池储能系统容量规划方法如下:针对IEEE-33节点系统,获取系统中各节点的原始数据(1),包括各节点位置、有功功率容量、无功功率容量等数据,然后进行系统参数初始化(2),再利用IEEE-33节点系统中各节点的有功、无功功率以及各支路阻抗数据,通过潮流分析计算出系统有功功率损耗Pl(3);以有功功率损耗Pl为个体适应度函数进行遗传算法的个体适应度计算及其相应排序(4),再以已排序个体为遗传算子进行选择、交叉、变异等操作(5),从而得到当前最优个体、并保存,直至达到迭代次数(6),迭代循环结束,并输出最优的电池储能系统容量(7)。图2为电池储能系统容量规划方法流程框图。
所述系统参数初始化如下:包括初始化电池储能系统(BESS)个数K、迭代次数N和遗传算法参数,其中遗传算法参数包括变异概率fby、种群大小Z、淘汰率ft、保护率fbb、交叉概率fjc、电压基准Eb、功率基准Sb等,也包括以IEEE-33节点系统中单个BESS由接入位置、有功功率容量、无功功率容量为自变量,以网络有功功率损耗为因变量,采用二进制编码方式确定遗传算法的染色体。
所述通过潮流分析计算出系统有功功率损耗Pl如下:系统有功功率损耗计算为式中Ri为支路电阻,Iij是节点i与节点j之间支路ij的电流,可通过式计算而得,其中是支路jk的电流,是节点j的负荷电流,其表达式为 是节点j的负荷功率,是节点j的电压。
所述的个体适应度计算及其相应排序如下:将有功功率损耗作为个体适应度Fit,即 Fit=-Pl,有功功率损耗越小,其个体适应度越大;然后将每个个体的适应度相对应地进行保存,通过一一对比,将适应度最大的个体从种群中选出来作为当前一次迭代的最优个体,最后根据也保存的适应度数据及其对应个体按适应度大小进行排序。
所述的遗传算子进行选择、交叉、变异等操作如下:选择算子时,通过设置淘汰率与保护率将种群上一次迭代过程中最优的个体选择作为到下一次迭代的个体;交叉算子时,通过设定交叉概率决定两个随机选取的染色体是否进行交叉操作;变异算子时,通过设定变异概率来确定一个染色体变异的次数,当得到变异次数后,在随机得到n个变异位置后,对选定位置的数字(二进制)进行变异。
所述的输出最优的电池储能系统容量如下:当迭代次数小于初始化次数N时,每次迭代过程中会将当前最优适度值与上一次迭代产生的最优适度值进行比较,若当前最优适度值大,则将原来的功率损耗、位置及有功与无功功率替换,直到当迭代次数达到最大的N次数后,停止搜索,从而输出最优的BESS容量。
附图说明
图1为IEEE-33节点系统拓扑结构示意图;
图2为电池储能系统容量规划方法流程框图;
图3为BESS加入前后的节点电压变化分布图。
具体实施方式
下面结合具体的实例对本发明作进一步的详细说明,所述为对本发明的解释而不是限定。
1、IEEE-33节点系统
IEEE-33节点系统原始数据如表1所示。
表1 IEEE-33节点系统原始数据
2、系统参数初始化及遗传算法
系统参数初始化如下:N=300;K=4;变异概率fby=0.01;种群大小Z=36;淘汰率ft=0.1;保护率fbb=0.1;交叉概率fjc=0.6;电压基准Eb=12.66kV;功率基准Sb=10MVA。
所述通过潮流分析计算出系统有功功率损耗Pl如下:系统有功功率损耗计算为式中Ri为支路电阻,Iij是节点i与节点j之间支路ij的电流,可通过式计算而得,其中是支路jk的电流,是节点j的负荷电流,其表达式为 是节点j的负荷功率,是节点j的电压。
所述的个体适应度计算及其相应排序如下:将有功功率损耗作为个体适应度Fit,即 Fit=-Pl,有功功率损耗越小,其个体适应度越大;然后将每个个体的适应度相对应地进行保存,通过一一对比,将适应度最大的个体从种群中选出来作为当前一次迭代的最优个体,最后根据也保存的适应度数据及其对应个体按适应度大小进行排序。
所述的遗传算子进行选择、交叉、变异等操作如下:选择算子时,通过设置淘汰率与保护率将种群上一次迭代过程中最优的个体选择作为到下一次迭代的个体;交叉算子时,通过设定交叉概率决定两个随机选取的染色体是否进行交叉操作;变异算子时,通过设定变异概率来确定一个染色体变异的次数,当得到变异次数后,在随机得到n个变异位置后,对选定位置的数字(二进制)进行变异。
所述的输出最优的电池储能系统容量如下:当迭代次数小于初始化次数300时,每次迭代过程中会将当前最优适度值与上一次迭代产生的最优适度值进行比较,若当前最优适度值大,则将原来的功率损耗、位置及有功与无功功率替换,直到当迭代次数达到最大的300次数后,停止搜索,从而输出最优的BESS容量。
3、仿真结果及效果对比
表2为接入4个BESS的部分仿真结果,由表2可知编号为3的BESS接入时其有功损耗为最小(27.33kW),因而此时在IEEE-33节点系统中接入4个BESS的接入位置与容量为表3所示。
表2.接入4个BESS的部分仿真结果
表3 4个BESS的最优容量和最优接入位置
图3为接入BESS前后节点电压变化分布图,由图3可知,接入BESS后,系统各节点的电压幅值变化明显变小,基本稳定在(0.99,1.03)区间,其最大电压幅值变化未超过0.04,说明BESS加入后,对于稳定系统电压具有明显的效果。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种用于IEEE-33节点系统的电池储能系统容量规划方法,其特征在于:电力网络为由33个节点构成的IEEE-33节点系统,电池储能系统是该系统的其中一个节点之一,
所述电池储能系统容量规划方法包括如下步骤:
步骤(1)、针对IEEE-33节点系统,获取系统中各节点的原始数据,包括各节点位置、有功功率容量、无功功率容量;
步骤(2)、进行系统参数初始化,包括电池储能系统BESS个数K、迭代次数N和遗传算法参数;其中遗传算法参数包括变异概率fby、种群大小Z、淘汰率ft、保护率fbb、交叉概率fjc、电压基准Eb、功率基准Sb,以及以IEEE-33节点系统中单个BESS由接入位置、有功功率容量、无功功率容量为自变量,以网络有功功率损耗为因变量,采用二进制编码方式确定遗传算法的染色体;
步骤(3)、利用IEEE-33节点系统中各节点的有功、无功功率以及各支路阻抗数据,通过潮流分析计算出系统有功功率损耗Pl;
步骤(4)、以有功功率损耗Pl为个体适应度函数进行遗传算法的个体适应度计算及其相应排序;
步骤(5)、以已经排序个体为遗传算子进行选择、交叉、变异操作;
步骤(6)、得到当前最优个体、并保存,直至达到迭代次数,迭代循环结束;
步骤(7)、输出最优的电池储能系统容量。
3.根据权利要求2所述的用于IEEE-33节点系统的电池储能系统容量规划方法,其特征在于:所述步骤(4)中个体适应度计算及其相应排序如下:将有功功率损耗作为个体适应度Fit,即Fit=-Pl,有功功率损耗越小,其个体适应度越大;然后将每个个体的适应度相对应地进行保存,通过一一对比,将适应度最大的个体从种群中选出来作为当前一次迭代的最优个体,最后根据保存的适应度数据及其对应个体按适应度大小进行排序。
4.根据权利要求3所述的用于IEEE-33节点系统的电池储能系统容量规划方法,其特征在于:所述步骤(5)中遗传算子进行选择、交叉、变异操作如下:选择算子时,通过设置淘汰率与保护率将种群上一次迭代过程中最优的个体选择作为到下一次迭代的个体;交叉算子时,通过设定交叉概率决定两个随机选取的染色体是否进行交叉操作;变异算子时,通过设定变异概率来确定一个染色体变异的次数,当得到变异次数后,在随机得到n个变异位置后,对选定位置的数字进行变异。
5.根据权利要求4所述的用于IEEE-33节点系统的电池储能系统容量规划方法,其特征在于:所述步骤(7)中输出最优的电池储能系统容量如下:当迭代次数小于初始化次数N时,每次迭代过程中会将当前最优适度值与上一次迭代产生的最优适度值进行比较,若当前最优适度值大,则将原来的功率损耗、位置及有功与无功功率替换,直到当迭代次数达到最大的N次数后,停止搜索,从而输出最优的BESS容量。
6.根据权利要求1所述的用于IEEE-33节点系统的电池储能系统容量规划方法,其特征在于:所述的容量规划方法适用于锂离子、铅酸、镍镉不同类型的电池储能系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910450302.1A CN110365007B (zh) | 2019-05-28 | 2019-05-28 | 一种用于ieee-33节点系统的电池储能系统容量规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910450302.1A CN110365007B (zh) | 2019-05-28 | 2019-05-28 | 一种用于ieee-33节点系统的电池储能系统容量规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110365007A CN110365007A (zh) | 2019-10-22 |
CN110365007B true CN110365007B (zh) | 2022-08-19 |
Family
ID=68214915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910450302.1A Active CN110365007B (zh) | 2019-05-28 | 2019-05-28 | 一种用于ieee-33节点系统的电池储能系统容量规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110365007B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104795828A (zh) * | 2015-04-24 | 2015-07-22 | 清华大学 | 基于遗传算法的风储容量配置方法 |
CN106505604A (zh) * | 2016-12-23 | 2017-03-15 | 国网天津市电力公司 | 接入区域配电网的光伏储能联合运行单元优化配置方法 |
CN106911140A (zh) * | 2017-04-14 | 2017-06-30 | 新奥科技发展有限公司 | 一种储能规划方法 |
CN109066741A (zh) * | 2018-07-20 | 2018-12-21 | 国网上海市电力公司 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8138720B2 (en) * | 2008-02-26 | 2012-03-20 | Afs Trinity Power Corporation | System and method for dual energy storage management |
-
2019
- 2019-05-28 CN CN201910450302.1A patent/CN110365007B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104795828A (zh) * | 2015-04-24 | 2015-07-22 | 清华大学 | 基于遗传算法的风储容量配置方法 |
CN106505604A (zh) * | 2016-12-23 | 2017-03-15 | 国网天津市电力公司 | 接入区域配电网的光伏储能联合运行单元优化配置方法 |
CN106911140A (zh) * | 2017-04-14 | 2017-06-30 | 新奥科技发展有限公司 | 一种储能规划方法 |
CN109066741A (zh) * | 2018-07-20 | 2018-12-21 | 国网上海市电力公司 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN110365007A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hamida et al. | Optimal network reconfiguration and renewable DG integration considering time sequence variation in load and DGs | |
Rousis et al. | A planning model for a hybrid AC–DC microgrid using a novel GA/AC OPF algorithm | |
Asrari et al. | The impacts of distributed energy sources on distribution network reconfiguration | |
CN103701117B (zh) | 基于混合人工智能的主动配电网动态拓扑重构方法 | |
Syahputra | Fuzzy multi-objective approach for the improvement of distribution network efficiency by considering DG | |
Fang et al. | A survey of algorithms, applications and trends for particle swarm optimization | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN105207195B (zh) | 一种配电网分布式电源选址定容方法 | |
Kumar et al. | Biogeography based tuning of PID controllers for Load Frequency Control in microgrid | |
Safari et al. | Optimal DG allocation in distribution network | |
CN109034587B (zh) | 一种协调多种可控单元的主动配电系统优化调度方法 | |
Soltani et al. | Stochastic multiobjective distribution systems phase balancing considering distributed energy resources | |
Meera et al. | Optimal siting of distributed generators in a distribution network using artificial immune system | |
Regad et al. | Fractional order PID control of hybrid power system with renewable generation using genetic algorithm | |
Shojaeiyan et al. | A novel bio-inspired stochastic framework to solve energy management problem in hybrid AC-DC microgrids with uncertainty | |
Abdelhak et al. | Optimum sizing of hybrid PV/wind/battery using Fuzzy-Adaptive Genetic Algorithm in real and average battery service life | |
Lázár et al. | Minimization of operational cost for an Islanded Microgrid using a real coded Genetic Algorithm and a Mixed Integer linear Programming method | |
Wang et al. | Pareto optimization of power system reconstruction using NSGA-II algorithm | |
CN110365007B (zh) | 一种用于ieee-33节点系统的电池储能系统容量规划方法 | |
Bai et al. | Optimal scheduling of distributed energy resources by modern heuristic optimization technique | |
Lotfi et al. | An enhanced evolutionary algorithm for providing energy management schedule in the smart distribution network | |
Lorestani et al. | A novel analytical-heuristic approach for placement of multiple distributed generator in distribution network | |
Bawazir et al. | Voltage Stability Maximization by Optimal Wind Turbine Insertion Using Genetic Algorithm | |
Mehrpour et al. | Dynamic economic load-emission dispatch in power systems with renewable sources using an improved multi-objective particle swarm optimization algorithm | |
Tian et al. | Sensitivity guided genetic algorithm for placement of distributed energy resources |
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 |