CN110571851B - 一种分布式发电系统配置方法 - Google Patents

一种分布式发电系统配置方法 Download PDF

Info

Publication number
CN110571851B
CN110571851B CN201910803176.3A CN201910803176A CN110571851B CN 110571851 B CN110571851 B CN 110571851B CN 201910803176 A CN201910803176 A CN 201910803176A CN 110571851 B CN110571851 B CN 110571851B
Authority
CN
China
Prior art keywords
power generation
distributed power
model
fans
distributed
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
CN201910803176.3A
Other languages
English (en)
Other versions
CN110571851A (zh
Inventor
不公告发明人
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.)
Hubei Hongtou Electric Power Construction Co., Ltd
Original Assignee
Hubei Hongtou Electric Power Construction 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 Hubei Hongtou Electric Power Construction Co Ltd filed Critical Hubei Hongtou Electric Power Construction Co Ltd
Priority to CN201910803176.3A priority Critical patent/CN110571851B/zh
Publication of CN110571851A publication Critical patent/CN110571851A/zh
Application granted granted Critical
Publication of CN110571851B publication Critical patent/CN110571851B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • H02J3/381—Dispersed generators

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种分布式发电系统配置方法，包括如下步骤：(1)初始化；(2)设置迭代次数k＝1；(3)选择最佳解决方案的分布式装置的数量；(4)评估当前最小数量的光伏电池和风机的平均数量；(5)根据步骤(4)的平均数量调整分布式发电装置的数量，并替换步骤(3)中最佳解决方案的分布式装置数量，判断光伏电池、风机的设定值是否超过本身的限制值，如果不超过，则执行该替换后的数量作为分布式发电系统的配置，并执行步骤(6)，如果超过，则重新评估解决方案，如果迭代次数k＝k+1，并返回执行步骤(1)‑(3)；(6)输出配置结果，结束。本发明能够通过通过自适应学习快速配置分布式发电装置，有助于迅速进行分布式发电装置装配。

Description

一种分布式发电系统配置方法
技术领域
本发明涉及分布式供电技术领域，具体而言，涉及一种分布式发电系统配置方法。
背景技术
现有技术中，实现分布式供电是随着光伏和风电迅速发展的应用趋势，如何根据负载需求实现快速配置分布式系统，因为，在进行分布式供电时，往往涉及的小型系统，更有甚者，未来可能应用到村庄或者某几户家庭，尤其是在偏远农村，电力供应不是很稳定等环境下，如何合理配置分布式供电，保证供电的稳定性以及功率足够需求的同时，降低分布式供电的成本，并减小对于系统的维护成本，这是在未来进行分布式应用必不可少需要面对的，如何迅速给分布式供电提供解决方案，对于未来分布式供电是急需解决的一个难题。
发明内容
本发明提出了一种分布式发电系统配置方法，包括如下步骤：
(1)初始化，初始设置一个随机种群，所述随机种群对应分布式发电装置的数量；所述分布式发电装置包括光伏电池、风机；
(2)设置迭代次数k＝1；
(3)选择最佳解决方案的分布式装置的数量，所述最佳解决方案用于估计光伏电池和风机的数量、初始费用、使用年限、维护费用；
(4)评估步骤(3)中的最佳解决方案，评估当前最小数量的光伏电池和风机的平均数量；
(5)根据步骤(4)的平均数量调整分布式发电装置的数量，并替换步骤(3)中最佳解决方案的分布式装置数量，判断光伏电池、风机的设定值是否超过本身的限制值，如果不超过，则执行该替换后的数量作为分布式发电系统的配置，并执行步骤(6)，如果超过，则重新评估解决方案，如果迭代次数k＝k+1，并返回执行步骤(1)-(3)
(6)输出配置结果，结束。
所述的分布式发电系统配置方法，其特征在于，所述步骤(1)初始化具体包括：
(S11)建立风电储模型，输入基本模型基本参数；
(S12)根据设定的模型计算模型的费用MINACS；
MINACS＝CCap+CMain (1)
其中，CCap为初始投资费用，CMain为维护费用；
投资回收系数CRF为：
Figure BDA0002182891850000021
其中，i为回收率，n为使用寿命的年限；
Figure BDA0002182891850000022
其中，NPV为光伏电池的数量，NWG为风机数量，NBat为电池数量，CPV为光伏电池的价格，CWG为风机的价格，CBat为电池的价格；LSBat为电池的生命跨度；
Figure BDA0002182891850000023
Figure BDA0002182891850000024
为单个光伏电池维护费用，
Figure BDA0002182891850000025
为光伏电池输出的能量，
Figure BDA0002182891850000026
为单个风机维护费用，
Figure BDA0002182891850000027
为风机输出的能量；
(S13)根据设定的模型计算模型的输出功率值；
(S14)输入系统输出功率下限阈值、费用上限阈值；
(S15)将输出功率值与功率下限阈值比较，将费用与费用上相阈值比较，分别背靠背输出比较结果。
所述的分布式发电系统配置方法，其特征在于，所述步骤(3)中最佳解决方案具体包括：
(S31)根据步骤(1)初始化的结果，设置自学习参数，根据光伏电池、风机设置为不同的主体，每个主体对应设置的每个对象分别设为不同的学习对象；则设置的学习对象模型为：
Figure BDA0002182891850000028
其中，
Figure BDA0002182891850000029
表示x对象第j个主体的i个学习者；
Figure BDA00021828918500000210
表示y对象第j个主体的i个学习者；α+β＝1，且都大于0；Bi为对象B的i个学习者；
Figure BDA00021828918500000211
xj-max、xj-min分别为变化的上下边界，ui为0-1之间的随机数；yj-max、yj-min分别为变化的上下边界，ui为0-1之间的随机数；εi为0-1之间的随机数；
(S32)计算自学习模型下最佳的分布式式系统配置数量：
Figure BDA0002182891850000031
Figure BDA0002182891850000032
Figure BDA0002182891850000033
Figure BDA0002182891850000034
其中，rand(.)为0-1之间的随机数；
(S33)根据步骤(S32)选择的
Figure BDA0002182891850000035
作为新的学习对象Xj，将原始的学习对象设置Xi，其中i不等于j，
Figure BDA0002182891850000036
(S34)将光伏电池和风机分别按照步骤(S31)-(S33)遍历一遍，获得新的学习对象，并将新的学习对象的值赋值给光伏电池、风机数量，其中x对象对应光伏电池，y对象对应风机，Bi对应电池，步骤(S32)-(S33)的配置方式对应与y对象同样执行。
所述的分布式发电系统配置方法，所述(S12)根据设定的模型计算模型的费用MINACS时，通过大数据进行分析之前配置的分布式电源的数量；所述步骤(S13)根据设定的模型计算模型的输出功率值，根据步骤(12)选择的数量，进行功率输出值预测得出输出功率值。
本发明所取得的有益技术效果是：本发明能够通过自适应学习快速配置分布式发电装置，有助于迅速进行分布式发电装置装配。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在图中，在不同的视图中，相同的附图标记指定对应的部分。
图1是本发明的一种分布式发电系统配置方法的示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明；应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。对于本领域技术人员而言，在查阅以下详细描述之后，本实施例的其它系统、方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内、包括在本发明的范围内，并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征，并且这些特征根据以下将详细描述将是显而易见的。
如图1所示，为本发明提出了一种分布式发电系统配置方法，包括如下步骤：
(1)初始化，初始设置一个随机种群，所述随机种群对应分布式发电装置的数量；所述分布式发电装置包括光伏电池、风机；
(2)设置迭代次数k＝1；
(3)选择最佳解决方案的分布式装置的数量，所述最佳解决方案用于估计光伏电池和风机的数量、初始费用、使用年限、维护费用；
(4)评估步骤(3)中的最佳解决方案，评估当前最小数量的光伏电池和风机的平均数量；
(5)根据步骤(4)的平均数量调整分布式发电装置的数量，并替换步骤(3)中最佳解决方案的分布式装置数量，判断光伏电池、风机的设定值是否超过本身的限制值，如果不超过，则执行该替换后的数量作为分布式发电系统的配置，并执行步骤(6)，如果超过，则重新评估解决方案，如果迭代次数k＝k+1，并返回执行步骤(1)-(3)
(6)输出配置结果，结束。
所述的分布式发电系统配置方法，其特征在于，所述步骤(1)初始化具体包括：
(S11)建立风电储模型，输入基本模型基本参数；
(S12)根据设定的模型计算模型的费用MINACS；
MINACS＝CCap+CMain (1)
其中，CCap为初始投资费用，CMain为维护费用；
投资回收系数CRF为：
Figure BDA0002182891850000041
其中，i为回收率，n为使用寿命的年限；
Figure BDA0002182891850000042
其中，NPV为光伏电池的数量，NWG为风机数量，NBat为电池数量，CPV为光伏电池的价格，CWG为风机的价格，CBat为电池的价格；LSBat为电池的生命跨度；
Figure BDA0002182891850000051
Figure BDA0002182891850000052
为单个光伏电池维护费用，
Figure BDA0002182891850000053
为光伏电池输出的能量，
Figure BDA0002182891850000054
为单个风机维护费用，
Figure BDA0002182891850000055
为风机输出的能量；
(S13)根据设定的模型计算模型的输出功率值；
(S14)输入系统输出功率下限阈值、费用上限阈值；
(S15)将输出功率值与功率下限阈值比较，将费用与费用上相阈值比较，分别背靠背输出比较结果。
所述的分布式发电系统配置方法，其特征在于，所述步骤(3)中最佳解决方案具体包括：
(S31)根据步骤(1)初始化的结果，设置自学习参数，根据光伏电池、风机设置为不同的主体，每个主体对应设置的每个对象分别设为不同的学习对象；则设置的学习对象模型为：
Figure BDA0002182891850000056
其中，
Figure BDA0002182891850000057
表示x对象第j个主体的i个学习者；
Figure BDA0002182891850000058
表示y对象第j个主体的i个学习者；α+β＝1，且都大于0；Bi为对象B的i个学习者；
Figure BDA0002182891850000059
xj-max、xj-min分别为变化的上下边界，ui为0-1之间的随机数；yj-max、yj-min分别为变化的上下边界，ui为0-1之间的随机数；εi为0-1之间的随机数；
(S32)计算自学习模型下最佳的分布式式系统配置数量：
Figure BDA00021828918500000510
Figure BDA00021828918500000511
Figure BDA00021828918500000512
Figure BDA00021828918500000513
其中，rand(.)为0-1之间的随机数；
(S33)根据步骤(S32)选择的
Figure BDA0002182891850000061
作为新的学习对象Xj，将原始的学习对象设置Xi，其中i不等于j，
Figure BDA0002182891850000062
(S34)将光伏电池和风机分别按照步骤(S31)-(S33)遍历一遍，获得新的学习对象，并将新的学习对象的值赋值给光伏电池、风机数量，其中x对象对应光伏电池，y对象对应风机，B对应电池，步骤(S32)-(S33)的配置方式对应与y对象同样执行。
所述的分布式发电系统配置方法，所述(S12)根据设定的模型计算模型的费用MINACS时，通过大数据进行分析之前配置的分布式电源的数量；所述步骤(S13)根据设定的模型计算模型的输出功率值，根据步骤(12)选择的数量，进行功率输出值预测得出输出功率值。
本发明能够按照上述配置方式设置计算机模型，分布式设计人员根据建立的计算机模型，只需要输出功率需求和成本要求，模型就能够根据输入的数据进行分布式装置装配的类型分布比，如太阳能电池和风机如何进行比例配置，或者电池数量如何进行配置，亦或是太阳能电池等分布式设备的类型，如大小等，给予设计人员或者使用者提供参考建议，设计人员或者使用者能够根据上述建议进行配置，也可以重新调节配置参数后，重新进行匹配设计。
本发明所取得的有益技术效果是：本发明能够通过自适应学习快速配置分布式发电装置，有助于迅速进行分布式发电装置装配。作为本发明的主要改进点之一，是能够根据分布式预测输出功率，大数据分析加权获得的分布式装置的数量，配合配置分布式系统的成本，进行自适应学习，进行分别配置光伏电池和风机、电池数量，同时，还将三种供电电源进行综合考虑，通过分开和综合两方面实现配置的准确性。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (2)

1.一种分布式发电系统配置方法，其特征在于，包括如下步骤：
(1)初始化，初始设置一个随机种群，所述随机种群对应分布式发电装置的数量；所述分布式发电装置包括光伏电池、风机；
(2)设置迭代次数k＝1；
(3)选择最佳解决方案的分布式发电装置的数量，所述最佳解决方案用于估计光伏电池和风机的数量、初始费用、使用年限、维护费用；
(4)评估步骤(3)中的最佳解决方案，评估当前最小数量的光伏电池和风机的平均数量；
(5)根据步骤(4)的平均数量调整分布式发电装置的数量，并替换步骤(3)中最佳解决方案的分布式发电装置数量，判断光伏电池、风机的设定值是否超过本身的限制值，如果不超过，则执行该替换后的数量作为分布式发电系统的配置，并执行步骤(6)，如果超过，则重新评估解决方案，设置迭代次数k＝k+1，并返回执行步骤(3)；
(6)输出配置结果，结束；所述步骤(1)初始化具体包括：
(S11)建立风电储模型，输入基本模型基本参数；
(S12)根据设定的模型计算模型的费用MINACS；
MINACS＝CCap+CMain (1)
其中，CCap为初始费用，CMain为维护费用；
投资回收系数CRF为：
Figure FDA0002458243930000011
其中，i为回收率，n为使用年限；
Figure FDA0002458243930000012
其中，NPV为光伏电池的数量，NWG为风机数量，NBat为电池数量，CPV为光伏电池的价格，CWG为风机的价格，CBat为电池的价格；LSBat为电池的生命跨度；
Figure FDA0002458243930000013
Figure FDA0002458243930000014
为单个光伏电池维护费用，
Figure FDA0002458243930000015
为光伏电池输出的能量，
Figure FDA0002458243930000016
为单个风机维护费用，
Figure FDA0002458243930000017
为风机输出的能量；t为运行时间变量，T为运行时间的具体取值；
(S13)根据设定的模型计算模型的输出功率值；
(S14)输入系统输出功率下限阈值、费用上限阈值；
(S15)将输出功率值与功率下限阈值比较，将费用MINACS与费用上限阈值比较，分别背靠背输出比较结果；所述步骤(3)中最佳解决方案具体包括：
(S31)根据步骤(1)初始化的结果，设置自学习参数，根据光伏电池、风机设置为不同的主体，每个主体对应设置的每个对象分别设为不同的学习对象；则设置的自学习模型为：
Figure FDA0002458243930000021
其中，
Figure FDA0002458243930000022
表示x对象第j个主体的i个学习者；
Figure FDA0002458243930000023
表示y对象第j个主体的i个学习者；α+β＝1，且都大于0；Bi为对象B的i个学习者；
Figure FDA0002458243930000024
xj-max、xj-min分别为变化的上下边界，ui为0-1之间的随机数；yj-max、yj-min分别为变化的上下边界，ui为0-1之间的随机数；εi为0-1之间的随机数；
(S32)计算自学习模型下最佳的分布式发电装置的数量：
Figure FDA0002458243930000025
Figure FDA0002458243930000026
Figure FDA0002458243930000027
Figure FDA0002458243930000028
其中，rand(.)为0-1之间的随机数；
Figure FDA0002458243930000029
为对象X的第k次的第i个学习者；
Figure FDA00024582439300000210
为
Figure FDA00024582439300000211
的平均值；
(S33)根据步骤(S32)选择的
Figure FDA00024582439300000212
作为新的学习对象Xj，将原始的学习对象设置Xi，其中i不等于j，
Figure FDA00024582439300000213
为学习对象Xi的新的学习对象，J(Xj)、J(Xi)分别为Xj、Xi的取值；
Figure FDA00024582439300000214
(S34)将光伏电池和风机分别按照步骤(S31)-(S33)遍历一遍，获得新的学习对象，并将新的学习对象的值赋值给光伏电池、风机数量，其中x对象对应光伏电池，y对象对应风机，Bi对应电池，步骤(S32)-(S33)的配置方式对应与y对象同样执行。
2.如权利要求1所述的分布式发电系统配置方法，其特征在于，所述(S12)根据设定的模型计算模型的费用MINACS时，通过大数据进行分析之前配置的分布式发电装置的数量；所述步骤(S13)根据设定的模型计算模型的输出功率值，根据步骤(12)选择的数量，进行功率输出值预测得出输出功率值。
CN201910803176.3A 2019-08-28 2019-08-28 一种分布式发电系统配置方法 Active CN110571851B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910803176.3A CN110571851B (zh) 2019-08-28 2019-08-28 一种分布式发电系统配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910803176.3A CN110571851B (zh) 2019-08-28 2019-08-28 一种分布式发电系统配置方法

Publications (2)

Publication Number Publication Date
CN110571851A CN110571851A (zh) 2019-12-13
CN110571851B true CN110571851B (zh) 2020-07-24

Family

ID=68776674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910803176.3A Active CN110571851B (zh) 2019-08-28 2019-08-28 一种分布式发电系统配置方法

Country Status (1)

Country Link
CN (1) CN110571851B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103606913A (zh) * 2013-10-22 2014-02-26 清华大学 分布式混合发电系统电源规划方法
CN105337315A (zh) * 2015-10-21 2016-02-17 温州大学 一种风光蓄互补独立微电网高维多目标优化配置方法
CN109190792A (zh) * 2018-07-26 2019-01-11 中国电力科学研究院有限公司 一种确定配电网中分布式电源的配置的方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103606913A (zh) * 2013-10-22 2014-02-26 清华大学 分布式混合发电系统电源规划方法
CN105337315A (zh) * 2015-10-21 2016-02-17 温州大学 一种风光蓄互补独立微电网高维多目标优化配置方法
CN109190792A (zh) * 2018-07-26 2019-01-11 中国电力科学研究院有限公司 一种确定配电网中分布式电源的配置的方法和系统

Also Published As

Publication number Publication date
CN110571851A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
Chen et al. A design of a grey-predicted Li-ion battery charge system
Barnes et al. A semi-Markov model for control of energy storage in utility grids and microgrids with PV generation
CN110738344B (zh) 电力系统负荷预测的分布式无功优化方法及装置
CN112131733A (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
Prajwal et al. Smart home energy management system using fuzzy logic for continuous power supply with economic utilisation of electrical energy
CN115718263B (zh) 基于注意力的锂离子电池日历老化预测模型和方法
CN115081332B (zh) 用于参数识别的工况敏感度分析和数据处理方法、装置
Khalid et al. An arima-narx model to predict li-ion state of charge for unknown charge/discharge rates
Zhou et al. Learning with privileged information for short-term photovoltaic power forecasting using stochastic configuration network
Trigkas et al. Energy Management in Microgrids Using Model Predictive Control Empowered with Artificial Intelligence
CN112510690B (zh) 考虑风火储联合和需求响应奖惩的优化调度方法及系统
CN112084459A (zh) 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质
CN110571851B (zh) 一种分布式发电系统配置方法
CN117289167A (zh) 基于多重神经网络的电池剩余寿命预测方法、装置及介质
CN110474372B (zh) 用于高渗透率可再生能源配电网的灵活性评估方法及系统
Ghassani et al. Prediction of smarthphone charging using K-nearest neighbor machine learning
CN117117914A (zh) 一种分布式储能出力灵活空间聚合方法
Xiong et al. A flow-rate-aware data-driven model of vanadium redox flow battery based on gated recurrent unit neural network
CN114371416A (zh) 一种燃料电池的寿命预测方法
CN115963401A (zh) 基于微控制器设备和嵌入式稠密神经网络的电池循环性预测方法
Zuo et al. A switching MPC-based power management strategy for DC microgrids with SOC consistency and energy loss
Li et al. Development of control strategy to increase the lifetime of grid-connected Li-ion battery
Zhou et al. Residual Life Prediction of Lithium Battery Based on Small Sample Data Sets
Hasanloo et al. Harvesting-aware charge management in embedded systems equipped with a hybrid electrical energy storage
CN117996931B (zh) 一种地下车库光伏储能控制方法及系统

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
TA01 Transfer of patent application right

Effective date of registration: 20200628

Address after: 430000 No.5, 6 / F, building 1, Kaixin Houhu living Plaza, Jiangan District, Wuhan City, Hubei Province

Applicant after: Hubei Hongtou Electric Power Construction Co., Ltd

Address before: 262719 No. 3 Xinjiacun, Hualong Town, Shouguang City, Weifang City, Shandong Province

Applicant before: Shandong Huizhi Information Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant