CN110705810A - 一种基于差分进化算法的用户侧储能容量配置优化模型 - Google Patents

Abstract

本发明公开了一种基于差分进化算法的用户侧储能容量配置优模型，包括如下步骤：使用K‑means聚类算法从用户的历史用电数据中提取典型用电负荷曲线；建立用户侧安装储能设备的投资成本/收益模型；构建用户的投资收益优化函数，并使用差分进化算法求解，得到用户安装储能设备最佳储能配置容量以及对应的充放电策略；根据优化结果计算相应的经济指标，从而帮助用户判断是否需要安装储能设备。本发明通过对用户典型用电负荷曲线进行分析，辨识其投资运营储能设备的可行性，并通过经济性优化模型为用户提供储能设备容量、功率、品类的选型依据，从而帮助大工业用户开展用户侧储能系统设计、建设、运行。

Description

一种基于差分进化算法的用户侧储能容量配置优化模型

技术领域

本发明属于用户侧储能容量配置技术应用领域，具体涉及一种基于差分进化算法的用户侧储能容量配置优化方法。

背景技术

储能是指通过某种方法实现对各类能量的存储，并在需要时对其进行转换、释放的一系列技术手段。在各类储能技术中，电力储能技术是指为实现电力与热能、化学能、机械能等能量之间的单向或双向存储的一类技术手段，其在削峰填谷、提高设备利用效率、延缓电网建设投资、增强系统安全性等方面可以发挥巨大作用。当前的电力储能模式主要可分为三类，分别为发电侧储能、电网侧储能和用户侧储能。其中，用户侧电储能具备削峰填谷、参与电网辅助服务、参与电力需求侧响应等电力调节能力。随着用户用电需求的不断增长，其对供电可靠性和电能质量的要求也在持续提高，用户侧储能可进一步满足用户用电需求、提供高品质供电及应急服务等；同时，随着用电负荷的增加，用户电费负担也日趋加重，用户侧储能可一定程度减少用电成本、提升用户侧分布式资源利用率。明确用户储能建设中存在的问题，提出有针对性的用户侧储能解决方案，对推动能源行业高质量发展，引领能源转型升级和电力生产消费变革具有重大意义。

现有的模型基本都是针对某一类型的特定情况下的特定用户用电规划，缺少普适性。大多数基于用户侧电力调整的策略，为了降低高峰负荷，未考虑最大需量等因素，会额外的增加用户的成本，不利于进行推广。此外，现在模型往往仅考虑容量配置，未考虑用户充放电策略，无法对储能设备进行充分利用。

发明内容

本发明的目的在于提供一种基于差分进化算法的用户侧储能容量配置优化模型，以解决现有储能容量配置中未考虑最大需量等因素，以及未考虑充放电策略的缺陷。

一种基于差分进化算法的用户侧储能容量配置优化模型，所述方法包括如下步骤：

收集用户历史用电数据，使用K-mean聚类算法得到用户的典型用电负荷曲线，并判断该曲线是否为削峰型；

根据用户当地的电价政策，储能电池市场价格等因素，建立用户安装储能设备的成本/收益模型；

结合用户的典型用电负荷曲线与用户安装储能设备的成本/收益模型，构建用户投资收益优化函数；

使用差分进化算法求解用户的投资收益优化函数，得到用户的最佳储能容量配置及相应充放电时段。进而可以计算出相关的经济指标，从而帮助用户判断用户是否适合配置储能设备。

进一步的，所述使用K-mean聚类算法得到用户的典型用电负荷曲线包括如下步骤：

通过用户的电表或相关记录收集用户的历史用电数据；

以用户一天的用电负荷为样本，每个样本是一个num维度的数据，num为用户在一天中采样的个数。使用K-means聚类算法对样本进行分类；

提取包含样本数目最多类的质心作为用户的典型用电负荷曲线；

判断典型用电负荷曲线是否为削峰型，即是否有明显的峰谷差，若没有(负荷率大于等于0.7)则说明用户不适合安装储能设备，若有(负荷率小于0.7)则继续进行经济性分析。

进一步的，所述用户安装储能设备的相关成本包括如下步骤：

设用户安装储能电池后的日放电量为E，储能电池的放电深度与放电效率分别为μ₁和μ₂，那么用户安装储能电池的容量C为：

设该类型的储能电池单位造价为u₁元/kWh，则用户安装储能电池的成本W₁为：

设用户的放电时长为t_dis，用户的放电功率为：

设用户的充电时长为t_ch，用户的充电功率为：

设PCS的单位成本为u₂元/kW，则用户购买PCS的成本W₂为：

W₂＝max(P_dis,P_ch)×u₂

设l为电池循环次数，j为每天的充放电次数，M为一年中使用储能电池的天数，则电池使用年限T为：

设用户的年运营投资为u₃元/kw，则在使用年限内，用户的运营投资的总花费W₃为：

W₃＝u₃×T×C

设通货膨胀率为i_r，贴现率为d_r，残值取95％，则用户的总投资成本W'与年成本W分别为：

W'＝W₁+W₂+W₃

进一步的，所述用户安装储能设备的相关收益包括如下步骤：

P_ch(i)与P_dis(i)分别为储能系统在采样点i时刻的充电功率和放电功率，其中P_dis(i)为负数，此时用户用电负荷降低。P_ch(i)为正数，此时用户用电负荷增加，若用户既没有充电也没有放电，则此时P_ch(i)与P_dis(i)均为0；p_e(i)为i时段的电价，M为用户在一年中使用储能设备的天数，用户安装储能设备后的峰谷差价收益f₁为：

其中num为用户一天中采集用电数据中采样点的个数。用户安装储能设备后，一天中的用户用电负荷功率集合：

New_sample＝P(i)-P_dis(i)+P_ch(i)i＝1,...,num

用户安装储能设备后的尖峰功率为：

P_{new_peak}＝max(New_sample)

从用户的典型用电负荷曲线中可以得到未安装储能设备，用户的尖峰值为P_peak，所以用户安装储能设备后的削峰率为：

设用户的基本电价为u₄元/月，则用户通过安装储能设备减少的最大需量电价带来的年收益f₂为：

f₂＝12×u₄×λP_peak

这里用f₃代表相关收益。综上所述，用户安装储能设备的年收益为f为：

f＝f₁+f₂+f₃

进一步的，所述用户投资收益优化函数包括如下步骤：

设用户安装储能设备后的年净收益为v，有：

其中放电量E等于样本数据中所有采样点放电之和，即：

用户使用的储能设备满足约束条件，在一天中充放电量相等，所以有：

同理用户的充电平均功率与放电平均功率可以写为：

其中t_dis为处于充电采样点个数num_dis的除以每小时采样的次数，即：

同理有：

综上所述，将上述参数带入用户投资收益优化函数，即可得到一个仅关于时段充放电量的num维的方程，即：

进一步的，所述使用差分进化算法求解用户投资收益优化函数包括如下步骤：种群初始化：在取值范围内随机均匀的产生Np个个体{F₁,F₂,...,F_Np}，每个个体是一个num维向量，每个向量的取值范围为(-P_peak,P_peak)，可以表示为：

{F_i ¹(0),F_i ²(0),...,F_i ^num(0)}

其中1≤i≤Np，F_i(0)表示第0代的第i个个体。F_i ^j(0)，1≤j≤num，表示第0代第i个个体的第j个基因。

交叉变异：从种群中随机选取三个个体

满足r₁≠r₂≠r₃。使用差分算法通过这三个个体得到变异个体V。

其中m≠r₁≠r₂≠r₃，参数χ用于控制偏差的放大作用，取值范围为1≤χ≤2。

交叉变异：随机选取变异基因r。模拟随机变化，使用随机函数产生变异系数cr，若cr＜CR，则表示发生变异，反之则不发生变异。其中CR为事先设定的变异因子，CR值越大，变异的概率越高。发生变异的过程为：

U^j＝V^j

U^j代表种群中所有个体的第j个基因。

边界条件：设Ori(1,num)为用户的典型用电负荷曲线，令U^j中所有的个体分别与Ori(1,num)相加，若有分量小于0，则说明发生向电网倒冲的现象，此时需要进行调控，即：

if U_i ^j+Ori^j＜0

U_i ^j＝-Ori^j

其中1≤i≤Np，1≤j≤num。

自然选择，分别计算变异后的U_i ^j与初始的F_i ^j经济效益，若U_i ^j计算结果更大，则令F_i ^j＝U_i ^j，反之F_i ^j不变。

进一步的，所述通过优化结果，计算出相关的经济指标，从而帮助用户判断用户是否适合配置储能设备包括如下步骤：

通过用户的年净收益，总投资成本计算用户的投资回报率(ROI)。

通过用户的年净收益、总投资成本及使用年限计算用户的内部收益率(IRR)。

通过用户的年净收益，投资回报率(ROI)以及内部收益率(IRR)判断是否符合用户的要求，进而判断用户是否需要安装储能设备。

本发明的优点在于：

(1)用户的普适性较高，同一个地区的用户可以使用相同的参数进行计算，不同区域的用户，只需要修改相关参数即可进行计算；

(2)投资优化收益函数不仅能得到储能电池最佳配置容量，也能结合当地政策，市场价格等因素得到用户最佳充放电时段；

(3)综合考虑了用户的用电负荷情况，当地电价政策、政府补助及辅助服务、储能电池和PCS等的市场价格，实用性强。

附图说明

图1为本发明的流程示意图。

图2为本发明中典型用电负荷提取的流程示意图。

图3为本发明中非削峰型用电负荷示意图。

图4为本发明中使用差分进化算法求解的流程示意图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

如图1至图4所示，一种基于差分进化算法的用户侧储能容量配置优化模型，所述方法包括如下步骤：

步骤一：如图2所示，用户典型用电负荷曲线的提取。

令样本集D＝{x₁,x₂,...,x_m}代表一个工业用户在m天的用电情况，其中x_i，i≤m，是一个样本，它代表该工业用户在一天内的用电量负荷变化。每个样本x_i＝(x_i1,x_i2,...,x_in)是一个n维的特征向量。若设定电厂每隔十五分钟对工业用户电表进行一次数据采集，一天共采集96点，表示为(s₁,s₂,...,s₉₅,s₉₆)，其中每个点代表该采样点时刻，用户的用电功率。这样可以用96个离散点近似的表示工业用户一天内的工厂的电功率的变化情况。通过K-Means算法将工业用户的历史用电量样本集D划分为k个不相交的簇{Cf|f＝1,2,...,k}，其中

f'≠f，且有

选取包含样本数目最多的簇的质心作为用户的典型用电负荷曲线。

步骤二：判断用户典型用电负荷曲线是否为削峰型。图3所示的为非削峰型用电负荷曲线，即用户用电负荷没有明显的峰谷差，说明该用户不需要安装储能设备。一般认为，负荷率大于等于0.7的为非削峰型用电负荷。只有当用户用电负荷为削峰型时，则继续进行经济性分析，否则可以直接判断该用户不需要安装储能设备。

步骤三：根据用户当地的电价政策，储能电池市场价格等因素，建立用户安装储能设备的成本/收益模型。

步骤四：结合用户的典型用电负荷曲线与用户安装储能设备的成本/收益模型，构建用户投资收益优化函数。

步骤五：使用差分进化算法求解用户的投资收益优化函数。首先初始化种群：在取值范围内随机均匀的产生Np个个体{F₁,F₂,...,F_Np}，每个个体是一个num维向量，每个向量的取值范围为(-P_peak,P_peak)，可以表示为：

{F_i ¹(0),F_i ²(0),...,F_i ^num(0)}

其中1≤i≤Np，F_i(0)表示第0代的第i个个体。F_i ^j(0)，1≤j≤num，表示第0代第i个个体的第j个基因。

交叉变异：从种群中随机选取三个个体

满足r₁≠r₂≠r₃。使用差分算法通过这三个个体得到变异个体V。

其中m≠r₁≠r₂≠r₃，参数χ用于控制偏差的放大作用，取值范围为1≤χ≤2。

交叉变异：随机选取变异基因r。模拟随机变化，使用随机函数产生变异系数cr，若cr＜CR，则表示发生变异，反之则不发生变异。其中CR为事先设定的变异因子，CR值越大，变异的概率越高。发生变异的过程为：

U^j＝V^j

U^j代表种群中所有个体的第j个基因。

边界条件：设Ori(1,num)为用户的典型用电负荷曲线，令U^j中所有的个体分别与Ori(1,num)相加，若有分量小于0，则说明发生向电网倒冲的现象，此时需要进行调控，即：

if U_i ^j+Ori^j＜0

U_i ^j＝-Ori^j

其中1≤i≤Np，1≤j≤num。

自然选择，分别计算变异后的U_i ^j与初始的F_i ^j经济效益，若U_i ^j计算结果更大，则令F_i ^j＝U_i ^j，反之F_i ^j不变。

步骤六：通过优化结果计算出相关的经济指标，判断用户是否适合配置储能设备。

由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。

Claims (7)

1.一种基于差分进化算法的用户侧储能容量配置优化模型，所述方法包括如下步骤：

(1)、收集用户历史用电数据，使用K-mean聚类算法得到用户的典型用电负荷曲线，并判断该曲线是否为削峰型；

(2)、建立用户安装储能设备的成本/收益模型；

(3)、结合用户的典型用电负荷曲线与用户安装储能设备的成本/收益模型，构建用户投资收益优化函数；

(4)、使用差分进化算法求解用户的投资收益优化函数，得到用户的最佳储能容量配置及相应充放电时段，进而计算出相关的经济指标，帮助用户判断是否适合配置储能设备。

2.根据权利要求1所述的一种基于差分进化算法的用户侧储能容量配置优化模型，其特征在于：所述步骤(1)中使用K-mean聚类算法得到用户的典型用电负荷曲线包括如下步骤：

(1-1)、通过用户的电表或相关记录收集用户的历史用电数据；

(1-2)、以用户一天的用电负荷为样本，使用K-means聚类算法对用户历史用电数据进行分类；

(1-3)、提取包含样本数目最多类的质心作为用户的典型用电负荷曲线；

(1-4)、判断典型用电负荷曲线是否为削峰型，即是否有明显的峰谷差，若没有则说明用户不适合安装储能设备，若有则继续进行经济性分析。

3.根据权利要求1所述的一种基于差分进化算法的用户侧储能容量配置优化模型，其特征在于：所述步骤(3)中用户安装储能设备的相关成本模型的建立包括如下步骤：

设用户安装储能电池后的日放电量为E，储能电池的放电深度与放电效率分别为μ₁和μ₂，那么用户安装储能电池的容量C为：

设该类型的储能电池单位造价为u₁元/kWh，则用户安装储能电池的成本W₁为：

设用户的放电时长为t_dis，用户的放电功率为：

设用户的充电时长为t_ch，用户的充电功率为：

设PCS的单位成本为u₂元/kW，则用户购买PCS的成本W₂为：

W₂＝max(P_dis,P_ch)×u₂

设l为电池循环次数，j为每天的充放电次数，M为一年中使用储能电池的天数，则电池使用年限T约为：

设用户的年运营投资为u₃元/kw，则在使用年限内，用户的运营投资的总花费W₃为：

W₃＝u₃×T×C

设通货膨胀率为i_r，贴现率为d_r，残值取95％，则用户的总投资成本W'与年成本W分别为：

W'＝W₁+W₂+W₃

4.根据权利要求3所述的一种基于差分进化算法的用户侧储能容量配置优化模型，其特征在于：所述步骤(3)中用户安装储能设备的相关收益的模型的建立包括如下步骤：

P_ch(i)与P_dis(i)分别为储能系统在采样点i时刻的充电功率和放电功率，其中P_dis(i)为负数，此时用户用电负荷降低；P_ch(i)为正数，此时用户用电负荷增加，若用户既没有充电也没有放电，则此时P_ch(i)与P_dis(i)均为0；p_e(i)为i时段的电价，M为用户在一年中使用储能设备的天数，用户安装储能设备后的峰谷差价收益f₁为：

其中num为用户一天中采集用电数据中采样点的个数；用户安装储能设备后，一天中的用户用电负荷功率集合：

New_sample＝P(i)-P_dis(i)+P_ch(i) i＝1,...,num

用户安装储能设备后的尖峰功率为：

P_{new_peak}＝max(New_sample)

从用户的典型用电负荷曲线中可以得到未安装储能设备，用户的尖峰值为P_peak，所以用户安装储能设备后的削峰率为：

设用户的基本电价为u₄元/月，则用户通过安装储能设备减少的最大需量电价带来的年收益f₂为：

f₂＝12×u₄×λP_peak

用f₃代表政策和辅助服务等相关收益；用户安装储能设备的年收益为f为：

f＝f₁+f₂+f₃。

5.根据权利要求4所述的一种基于差分进化算法的用户侧储能容量配置优化模型，其特征在于：所述步骤(4)中用户的投资收益优化函数的建立包括如下步骤：

设用户安装储能设备后的年净收益为v，有：

其中放电量E等于样本数据中所有采样点放电之和，即：

用户使用的储能设备满足约束条件，在一天中充放电量相等，所以有：

同理用户的充电平均功率与放电平均功率写为：

其中t_dis为处于充电采样点个数num_dis的除以每小时采样的次数，即：

同理有：

将上述参数带入用户投资收益优化函数，即得到一个仅关于时段充放电量的num维的方程，即：

6.根据权利要求1所述的一种基于差分进化算法的用户侧储能容量配置优化模型，其特征在于：所述步骤(4)使用差分进化算法求解用户的投资收益优化函数包括如下步骤：

种群初始化：在取值范围内随机均匀的产生Np个个体{F₁,F₂,...,F_Np}，每个个体是一个num维向量，每个向量的取值范围为(-P_peak,P_peak)，表示为：

其中1≤i≤Np，F_i(0)表示第0代的第i个个体；F_i ^j(0)，1≤j≤num，表示第0代第i个个体的第j个基因；

交叉变异：从种群中随机选取三个个体

满足r₁≠r₂≠r₃，使用差分算法通过这三个个体得到变异个体V；

其中m≠r₁≠r₂≠r₃，参数χ用于控制偏差的放大作用，取值范围为0≤χ≤2；

交叉变异：随机选取变异基因r，模拟随机变化，使用随机函数产生变异系数cr，若cr＜CR，则表示发生变异，反之则不发生变异；其中CR为事先设定的变异因子，CR值越大，变异的概率越高，发生变异的过程为：

U^j＝V^j

U^j代表种群中所有个体的第j个基因；

边界条件：设Ori(1,num)为用户的典型用电负荷曲线，令U^j中所有的个体分别与Ori(1,num)相加，若有分量小于0，则说明发生向电网倒冲的现象，此时需要进行调控，即：

if U_i ^j+Ori^j＜0

U_i ^j＝-Ori^j

其中1≤i≤Np，1≤j≤num；

自然选择，分别计算变异后的U_i ^j与初始的F_i ^j经济效益，若U_i ^j计算数值更大，则令F_i ^j＝U_i ^j，反之F_i ^j不变。

7.根据权利要求1所述的一种基于差分进化算法的用户侧储能容量配置优化模型，其特征在于：所述步骤(4)中计算相关的经济指标的步骤如下：

通过用户的年净收益，总投资成本计算用户的投资回报率；

通过用户的年净收益、总投资成本及使用年限计算用户的内部收益率；

判断用户的年净收益，投资回报率以及内部收益率是否满足用户的要求，进而判断用户是否需要安装储能设备。

Images