CN110826798B - 一种储能系统定容选址方法 - Google Patents
一种储能系统定容选址方法 Download PDFInfo
- Publication number
- CN110826798B CN110826798B CN201911066682.5A CN201911066682A CN110826798B CN 110826798 B CN110826798 B CN 110826798B CN 201911066682 A CN201911066682 A CN 201911066682A CN 110826798 B CN110826798 B CN 110826798B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- storage system
- constant volume
- node
- site selection
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 86
- 238000010187 selection method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 7
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 241000288673 Chiroptera Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- -1 hydrogen Chemical class 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种储能系统定容选址方法，首先构建储能系统定容选址网络等效参数模型，并对储能系统定容选址情况进行编码；然后构建所述储能系统定容选址的目标函数，建立所述定容选址目标函数的约束条件；接着根据多目标改进的蝙蝠算法对所述储能系统的定容选址的目标函数进行优化求解，输出满足迭代终止条件的最优解集，为决策提供优良的候选方案；最后使用熵值法与层次分析法从最优解集中提取最优解，得到储能系统定容选址最优方案。本发明能够提高储能系统选址的精确度，并且更加符合实际的需求。
Description
技术领域
本发明涉及电力系统规划领域，特别是一种储能系统定容选址方法。
背景技术
在能源需求与环境保护的双重压力下，以集中式单一供电方式为主要特征的电力系统逐渐被分散式多储能供电方式所替代，该方式具有投资成本低、暂态稳定性高和电压稳定性高等优点。因而合理地规划储能系统的安装位置与容量可有效提高配电网的经济性与稳定性，具有重要的意义。
储能系统选址定容问题是一个混合非线性规划问题，具有高维数性、非线性、随机性等特点。但现有的优化方法，如线性规划法、非线性规划法等因模型复杂，运行效率低，通用性差等问题无法广泛应用。随着人工智能算法的发展，全局优化性、鲁棒性、自适应等特点，使其广泛应用于优化问题，如遗传算法、粒子群算法、蝙蝠算法等均出现于解决分布式电源的定容选址问题，虽然得到的方案能够有效地提高系统稳定性与损耗，但是该类方法引入权重将多目标整合成单目标，存在着较大的主观性，所得结果误差较大。
发明内容
有鉴于此，本发明的目的是提出一种储能系统定容选址方法，能够提高储能系统选址的精确度，并且更加符合实际的需求。
本发明采用以下方案实现：一种储能系统定容选址方法，包括以下步骤：
构建储能系统定容选址网络等效参数模型，并对储能系统定容选址情况进行编码；
构建所述储能系统定容选址的目标函数，建立所述定容选址目标函数的约束条件；
根据多目标改进的蝙蝠算法对所述储能系统的定容选址的目标函数进行优化求解，输出满足迭代终止条件的最优解集，为决策提供优良的候选方案；
使用熵值法与层次分析法从最优解集中提取最优解，得到储能系统定容选址最优方案。
进一步地，所述储能系统定容选址网络等效参数模型具体为：采用变压器T型等值电路模型与电路一字型等值电路模型，将其中的变压器节点设为储能系统的待选节点。
进一步地，所述的对储能系统定容选址情况进行编码具体为：采用十进制编码，各个节点对应一个编码数，当编码数为0时表示该节点不接入储能系统，编码数大于0时表明该节点接入相应单位容量的储能系统。
进一步地，所述构建所述储能系统定容选址的目标函数，建立所述定容选址目标函数的约束条件具体为：以储能系统线路总损耗、电压稳定裕度与投资运行总费用三个负向指标进行评估，通过前推回代潮流计算求得线路运行参数，构建所述多目标优化模型的目标函数与约束条件；其中，目标函数如下：
式中，f1为线路总损耗，ΔS为系统总损耗；ΔSline为线路损耗；ΔStran为变压器损耗；I(j)为支路j的负荷电流；M为支路数；m为变压器个数；Z(j)为支路j的线路阻抗；ΔPZ(i)、ΔQZ(i)、ΔPY(i)、与ΔQY(i)分别为变压器电阻、电抗、电导与电纳损耗；P(i)、Q(i)、U(i)、RT(i)、GT(i)、XT(i)与BT(i)分别为变压器节点的有功功率、无功功率、电压、电阻、电抗、电导与电纳；f2为电压稳定裕度，Ui为节点i的电压；Ue为节点期望电压；Up为电压允许偏差值，取0.05，N为系统总节点数；f3为投资运行总费用；r为贴现率；a为使用年限；C1为单位储能投资系统成本；C2为储能系统运行成本；Pg为储能系统总投资容量；
其中，约束条件包括节点功率平衡约束、节点电压约束以及储能系统安装容量约束。
进一步地，所述节点功率平衡约束具体为：
式中，Pi (n+1)、Qi (n+1)、Ii (n+1)与Vi (n+1)分别为节点i的有功、无功功率、电流与电压；ΔPi (n+1)和ΔQi (n+1)分别为节点i上的有功功率损耗与无功功率损耗；rj和xj为支路j的阻抗；ri和xi分别为节点i的电阻与电抗；
所述节点电压约束具体为：
Ui,min≤Ui≤Ui,max i∈N；
式中，Ui,max和Ui,min分别为节点i电压的上、下限；
所述储能系统安装容量约束具体为：
0≤Pi≤Pi,max i∈N；
式中，Pi,max为节点i的电压上限。
进一步地，所述根据多目标改进的蝙蝠算法对所述储能系统的定容选址的目标函数进行优化求解，输出满足迭代终止条件的最优解集，为决策提供优良的候选方案具体为：
步骤一：初始化种群个数、迭代次数与选址节点数，初始化蝙蝠种群速度与位置，并计算种群中每只蝙蝠对应的3个目标函数，进行快速非支配排序，同时将该种群作为第一次迭代的父代；
步骤二：外层循环迭代，随机选取第一沿面解集的任意解作为全局最优解，并判断是否满足外层循环终止条件，若是，则输出定容选址方案的最优解集，即预置储能系统各节点的容量值，否则进入步骤三；
步骤三：内层循环迭代，更新解集中的每只蝙蝠的速度、位置与频率；采用SIW策略以得到稳定的结果，采用更新的ILS策略使结果跳出局部最优解，采用新的发射率与音量更新公式去均衡局部解与全局解；
步骤四：判断是否满足内层循环迭代的终止条件，若是，则对生成的种群进行交叉、变异产生子代，同时进行非支配排序与拥挤度计算，生成下一次迭代的父代，并返回步骤二继续外层循环；否则返回步骤三继续进行内层循环。
与现有技术相比，本发明有以下有益效果：
1、本发明提供提供的选址方法较其他方法有更好的适应性，得到的Pareto前沿解具有良好的收敛性与分布性，能更好地解决储能系统定容选址的问题。
2、本发明为了保证决策结果的有效性，应用熵值法与层次分析法对帕累托非劣解集进行排序，选择全局最优解。结果验证了本发明的方法能够较好地协调各个目标函数，实现储能系统选址定容的决策功能。
附图说明
图1为本发明实施例的NSIBAMO算法的主要思路示意图。
图2为本发明实施例的储能系统定容选址的方法流程图。
图3为本发明实施例的电网馈线结构图。
图4为本发明实施例的目标函数收敛曲线。其中，(a)为线路总损耗，(b)为投资运行总费用，(c)为电压稳定裕度。
图5为本发明实施例的最终迭代输出的Pareto最优解集。其中，(a)为NSGA2算法输出的最优解解集分布，(b)为NSPSO算法输出的最优解解集分布，(c)为NSIBAMO算法输出的最优解解集分布，(d)为三个算法的俯视图，(e)为三个算法的正视图，(f)为三个算法的侧视图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1以及图2所示，本实施例提供了一种储能系统定容选址方法，包括以下步骤：
构建储能系统定容选址网络等效参数模型，并对储能系统定容选址情况进行编码；
构建所述储能系统定容选址的目标函数，建立所述定容选址目标函数的约束条件；
根据多目标改进的蝙蝠算法对所述储能系统的定容选址的目标函数进行优化求解，输出满足迭代终止条件的最优解集，为决策提供优良的候选方案；本实施例建立基于matlab环境的仿真平台，采用多目标改进蝙蝠算法进行外层模型优化，输出一组Pareto最优解集；
使用熵值法与层次分析法从最优解集中提取最优解，得到储能系统定容选址最优方案。
本实施例考虑减少经济效益与提高系统稳定性的基础上，通过改进储能系统多目标优化算法，相比较其他确定的储能选址定容的方法，本实施例不仅能使算法的收敛性与均匀性更好，而且能够减少单目标优化问题中因权重问题而产生的误差。
在本实施例中，所述储能系统定容选址网络等效参数模型具体为：采用变压器T型等值电路模型与电路一字型等值电路模型，收集电网线路及变压器参数并整理变压器运行参数，将其中的变压器节点设为储能系统的待选节点，同时基于广度优先搜索编号法对节点进行重新编号。
在本实施例中，所述的对储能系统定容选址情况进行编码具体为：采用十进制编码，各个节点对应一个编码数，当编码数为0时表示该节点不接入储能系统，编码数大于0时表明该节点接入相应单位容量的储能系统。
在本实施例中，所述构建所述储能系统定容选址的目标函数，建立所述定容选址目标函数的约束条件具体为：以储能系统线路总损耗、电压稳定裕度与投资运行总费用三个负向指标进行评估，通过前推回代潮流计算求得线路运行参数，构建所述多目标优化模型的目标函数与约束条件；其中，目标函数如下：
式中，f1为线路总损耗，ΔS为系统总损耗；ΔSline为线路损耗；ΔStran为变压器损耗；I(j)为支路j的负荷电流；M为支路数；m为变压器个数；Z(j)为支路j的线路阻抗；ΔPZ(i)、ΔQZ(i)、ΔPY(i)、与ΔQY(i)分别为变压器电阻、电抗、电导与电纳损耗；P(i)、Q(i)、U(i)、RT(i)、GT(i)、XT(i)与BT(i)分别为变压器节点的有功功率、无功功率、电压、电阻、电抗、电导与电纳；f2为电压稳定裕度，Ui为节点i的电压；Ue为节点期望电压；Up为电压允许偏差值，取0.05，N为系统总节点数；f3为投资运行总费用；r为贴现率；a为使用年限；C1为单位储能投资系统成本；C2为储能系统运行成本；Pg为储能系统总投资容量；
其中，约束条件包括节点功率平衡约束、节点电压约束以及储能系统安装容量约束。
在本实施例中，所述节点功率平衡约束具体为：
式中，Pi (n+1)、Qi (n+1)、Ii (n+1)与Vi (n+1)分别为节点i的有功、无功功率、电流与电压；ΔPi (n+1)和ΔQi (n+1)分别为节点i上的有功功率损耗与无功功率损耗；rj和xj为支路j的阻抗；ri和xi为节点i的电阻与电抗；
所述节点电压约束具体为：
Ui,min≤Ui≤Ui,max i∈N；
式中，Ui,max和Ui,min分别为节点i电压的上、下限；
所述储能系统安装容量约束具体为：
0≤Pi≤Pi,max i∈N；
式中，Pi,max为节点i的电压上限。
在本实施例中，所述根据多目标改进的蝙蝠算法对所述储能系统的定容选址的目标函数进行优化求解，输出满足迭代终止条件的最优解集，为决策提供优良的候选方案具体为：
步骤一：初始化种群个数、迭代次数与选址节点数，初始化蝙蝠种群速度与位置，并计算种群中每只蝙蝠对应的3个目标函数，进行快速非支配排序，同时将该种群作为第一次迭代的父代；
步骤二：外层循环迭代，随机选取第一沿面解集的任意解作为全局最优解，并判断是否满足外层循环终止条件，若是，则输出定容选址方案的最优解集，即预置储能系统各节点的容量值，具体编码采用上文所述的编码方式，否则进入步骤三；
步骤三：内层循环迭代，更新解集中的每只蝙蝠的速度、位置与频率；采用SIW策略以得到稳定的结果，采用更新的ILS策略使结果跳出局部最优解，采用新的发射率与音量更新公式去均衡局部解与全局解；
步骤四：判断是否满足内层循环迭代的终止条件，若是，则对生成的种群进行交叉、变异产生子代，同时进行非支配排序与拥挤度计算，生成下一次迭代的父代，并返回步骤二继续外层循环；否则返回步骤三继续进行内层循环。
具体的，如图2所示，上述过程的具体算法如下：
步骤S1：生成蝙蝠初始种群，初始化算法需要的参数；
步骤S2：对每只蝙蝠的速度、位置、频率与脉冲发射率进行更新，同时计算每只蝙蝠的目标函数数值，更新公式为：
其中，β是(0，1)范围内的随机数，
为t时刻粒子的速度与位置，μmax、μmin为惯性权重的最大最小影响因素，σ为偏差系数，X*为最优解。
步骤S3：随机选取第一沿面的解集的任意解作为全局最优解；
步骤S4：随机产生一个数，并判断随机数与蝙蝠脉冲发射率的大小，如果随机数大于该蝙蝠的脉冲发射率，则执行步骤S5，否则执行步骤S8；
步骤S5：通过公式Xnew＝Xold+εAt，随机产生新解，其中ε为(-1，1)的随机数，At是此时刻所有蝙蝠的平均音量，其更新公式为：
其中，r0和A0是初始脉冲发射率与音量，r∞和A∞是脉冲发射率的最大值与音量的最大值，t是当前迭代次数，tmax是最大迭代次数。
步骤S6：随机产生一个数，并判断随机数与音量以及目标函数的关系，如果随机数小于该蝙蝠的音量且任意两个目标函数的新解大于最优解，则执行步骤S7，否则执行步骤S8；
步骤S7：接纳新解为最优解并且更新声音与脉冲发射率；
步骤S8：判断蝙蝠的个数是否达到最大种群数，若是进行步骤S9，否则返回步骤S4；
步骤S9：得到的新的蝙蝠总群进行竞标赛选择，优先选择等级较高，后选择拥挤度较大的蝙蝠；
步骤S10：进行交叉、变异产生子代(N)，同时合并父代与子代(2N)；
步骤S11：进行非支配排序与拥挤度计算，生成新的种群(N)；
步骤S12：判断迭代数是否达到最大迭代数，若是进行步骤S13，否则返回步骤S3；
步骤S13：输出Pareto最优解集。
其中，在本实施例中，所述层次分析法与熵值法过程为：
第一步：层次分析法中通过历史经验与专家询问通过相对尺度比较判断构造判断矩阵；
第二步：采用算术平均法估计权向量，其计算公式为：
其中，式中：ωi为各个目标函数对应的权值；将判断矩阵中的元素归一化后相加后除以n便可得到权重向量。
第三步：采用熵值法，由于各个目标函数的量纲，单位大小数值存在差异，因此需要对数据进行归一化处理后求得相应的比重，其公式为：
第四步：计算第j个目标函数的熵值ej，其公式为：
第五步：定义权重θi，其公式为：
第六步：组合权重，结合层次分析法与熵值法的权重得到组合权重，并通过排序得到最优方案值，其公式为：
为了验证本发明实施例的有效性，接下来以一个具体的例子说明。
步骤一：以某市10kv变电站26节点系统进行分析，区域包含12台变压器，26个节点，其中变压器节点设为储能系统待选节点，为便于使用前推回代法潮流计算，基于分层广度优先搜索编号法对节点进行重新编号，编号后的节点图如图3所示；
步骤二：设置算法的初始参数，设置迭代次数为300次，储能系统单位容量1MW，初始脉冲发射率与音量分别为0.1、0.9，脉冲发射率最大值为0.7，音量最小值为0.6，惯性权重最值分别为0.9、0.4，偏差系数为0.2；
步骤三：为便于观察分析算法的收敛性与均匀性，增设NSGA2算法与NSPSO算法进行对比，设置蝙蝠种群个数为50，根据图4目标函数收敛曲线、表1算法性能比较与图5输出的Pareto解集的空间分布可以看出：NSIBAMO算法较NSGA2与NSPSO算法有着更好的收敛性与收敛精度，同时其空间解集分布较为均匀且不易陷入局部最优解。
表1算法收敛性比较
| 算法 | f1.min | f2.min | f3.min | 计算时间 |
| NSGA2 | 3.117 | 1.226 | 0.182 | 238.76 |
| NSPSO | 3.110 | 0 | 0.171 | 217.80 |
| NSIBAMO | 3.110 | 0 | 0.171 | 31.86 |
步骤四：通过步骤三得到Pareto最优解集，运用层次分析法与熵值法求得综合权重进行排序，最终得到如表2所示的规划结果。
表2规划结果
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (5)
1.一种储能系统定容选址方法，其特征在于，包括以下步骤：
构建储能系统定容选址网络等效参数模型，并对储能系统定容选址情况进行编码；
构建所述储能系统定容选址的目标函数，建立所述定容选址目标函数的约束条件；
根据多目标改进的蝙蝠算法对所述储能系统的定容选址的目标函数进行优化求解，输出满足迭代终止条件的最优解集，为决策提供优良的候选方案；
使用熵值法与层次分析法从最优解集中提取最优解，得到储能系统定容选址最优方案；
所述根据多目标改进的蝙蝠算法对所述储能系统的定容选址的目标函数进行优化求解，输出满足迭代终止条件的最优解集，为决策提供优良的候选方案具体为：
步骤一：初始化种群个数、迭代次数与选址节点数，初始化蝙蝠种群速度与位置，并计算种群中每只蝙蝠对应的3个目标函数，进行快速非支配排序，同时将该种群作为第一次迭代的父代；
步骤二：外层循环迭代，随机选取第一沿面解集的任意解作为全局最优解，并判断是否满足外层循环终止条件，若是，则输出定容选址方案的最优解集，即预置储能系统各节点的容量值，否则进入步骤三；
步骤三：内层循环迭代，更新解集中的每只蝙蝠的速度、位置与频率；采用SIW策略以得到稳定的结果，采用更新的ILS策略使结果跳出局部最优解，采用新的发射率与音量更新公式去均衡局部解与全局解；
步骤四：判断是否满足内层循环迭代的终止条件，若是，则对生成的种群进行交叉、变异产生子代，同时进行非支配排序与拥挤度计算，生成下一次迭代的父代，并返回步骤二继续外层循环；否则返回步骤三继续进行内层循环。
2.根据权利要求1所述的一种储能系统定容选址方法，其特征在于，所述储能系统定容选址网络等效参数模型具体为：采用变压器T型等值电路模型与电路一字型等值电路模型，将其中的变压器节点设为储能系统的待选节点。
3.根据权利要求1所述的一种储能系统定容选址方法，其特征在于，所述的对储能系统定容选址情况进行编码具体为：采用十进制编码，各个节点对应一个编码数，当编码数为0时表示该节点不接入储能系统，编码数大于0时表明该节点接入相应单位容量的储能系统。
4.根据权利要求1所述的一种储能系统定容选址方法，其特征在于，所述构建所述储能系统定容选址的目标函数，建立所述定容选址目标函数的约束条件具体为：以储能系统线路总损耗、电压稳定裕度与投资运行总费用三个负向指标进行评估，通过前推回代潮流计算求得线路运行参数，构建所述多目标优化模型的目标函数与约束条件；其中，目标函数如下：
式中，f1为线路总损耗，ΔS为系统总损耗；ΔSline为线路损耗；ΔStran为变压器损耗；I(j)为支路j的负荷电流；M为支路数；m为变压器个数；Z(j)为支路j的线路阻抗；ΔPZ(i)、ΔQZ(i)、ΔPY(i)、与ΔQY(i)分别为变压器电阻、电抗、电导与电纳损耗；P(i)、Q(i)、U(i)、RT(i)、GT(i)、XT(i)与BT(i)分别为变压器节点的有功功率、无功功率、电压、电阻、电抗、电导与电纳；f2为电压稳定裕度，Ui为节点i的电压；Ue为节点期望电压；Up为电压允许偏差值，取0.05，N为系统总节点数；f3为投资运行总费用；r为贴现率；a为使用年限；C1为单位储能投资系统成本；C2为储能系统运行成本；Pg为储能系统总投资容量；
其中，约束条件包括节点功率平衡约束、节点电压约束以及储能系统安装容量约束。
5.根据权利要求4所述的一种储能系统定容选址方法，其特征在于，所述节点功率平衡约束具体为：
式中，Pi (n+1)、Qi (n+1)、Ii (n+1)与Vi (n+1)分别为节点i的有功、无功功率、电流与电压；ΔPi (n +1)和ΔQi (n+1)分别为节点i上的有功功率损耗与无功功率损耗；rj和xj为支路j的阻抗；ri和xi分别为节点i的电阻与电抗；
所述节点电压约束具体为：
Ui,min≤Ui≤Ui,max i∈N；
式中，Ui,max和Ui,min分别为节点i电压的上、下限；
所述储能系统安装容量约束具体为：
0≤Pi≤Pi,max i∈N；
式中，Pi,max为节点i的电压上限。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911066682.5A CN110826798B (zh) | 2019-11-04 | 2019-11-04 | 一种储能系统定容选址方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911066682.5A CN110826798B (zh) | 2019-11-04 | 2019-11-04 | 一种储能系统定容选址方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110826798A CN110826798A (zh) | 2020-02-21 |
| CN110826798B true CN110826798B (zh) | 2022-06-03 |
Family
ID=69552651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911066682.5A Active CN110826798B (zh) | 2019-11-04 | 2019-11-04 | 一种储能系统定容选址方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110826798B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112230675B (zh) * | 2020-10-19 | 2022-06-24 | 南京航空航天大学 | 在协同搜救中考虑运行环境和性能的无人机任务分配方法 |
| CN112994027B (zh) * | 2021-02-03 | 2023-02-03 | 国网河南省电力公司电力科学研究院 | 二级无功电压控制策略下储能容量的配置方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102036309A (zh) * | 2011-01-20 | 2011-04-27 | 西安电子科技大学 | 异构多无线网络覆盖场景中终端接入选择方法 |
| CN106096757A (zh) * | 2016-05-31 | 2016-11-09 | 天津天大求实电力新技术股份有限公司 | 基于改进量子遗传算法的微网储能选址定容优化方法 |
| CN106712048A (zh) * | 2016-12-09 | 2017-05-24 | 国家电网公司 | 基于蝙蝠算法的电铁电能质量控制系统容量最优化配置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8086544B2 (en) * | 2008-09-03 | 2011-12-27 | International Business Machines Corporation | Analysis of energy-related factors for selecting computational job locations |
-
2019
- 2019-11-04 CN CN201911066682.5A patent/CN110826798B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102036309A (zh) * | 2011-01-20 | 2011-04-27 | 西安电子科技大学 | 异构多无线网络覆盖场景中终端接入选择方法 |
| CN106096757A (zh) * | 2016-05-31 | 2016-11-09 | 天津天大求实电力新技术股份有限公司 | 基于改进量子遗传算法的微网储能选址定容优化方法 |
| CN106712048A (zh) * | 2016-12-09 | 2017-05-24 | 国家电网公司 | 基于蝙蝠算法的电铁电能质量控制系统容量最优化配置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于非支配排序改进型蝙蝠算法的储能系统选址定容;郑传良 等;《供用电》;20211031;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110826798A (zh) | 2020-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Maghouli et al. | A scenario-based multi-objective model for multi-stage transmission expansion planning | |
| CN106487005A (zh) | 一种考虑输配电价的电网规划方法 | |
| Ganguly | Multi-objective distributed generation penetration planning with load model using particle swarm optimization | |
| Chen et al. | An improved NSGA-III algorithm for reservoir flood control operation | |
| CN111639870A (zh) | 考虑源荷不确定性的输电网多目标柔性规划方法及系统 | |
| CN106941256B (zh) | 计及mpsc和mccc的配电网主变联络结构优化规划方法 | |
| CN106651628B (zh) | 基于图论的区域冷热电综合能源优化配置方法及装置 | |
| CN108880886B (zh) | 一种跨区域电力系统保护通信网规划方法 | |
| CN110826798B (zh) | 一种储能系统定容选址方法 | |
| CN105976054A (zh) | 一种计量器具仓储系统的货位优化方法 | |
| CN111401604A (zh) | 电力系统负荷功率预测方法及储能电站功率分配方法 | |
| CN106127304A (zh) | 一种适用于配电网网络拓扑设计方法 | |
| CN107506914A (zh) | 计及分布式电源渗透率变化的变电站动态扩展规划方法 | |
| CN110445167A (zh) | 一种光伏接入配网的优化方法及系统 | |
| CN106650988B (zh) | 一种高压配电网规划项目模糊组合优化方法 | |
| Gao et al. | Multi-objective dynamic reconfiguration for urban distribution network considering multi-level switching modes | |
| CN110460043B (zh) | 基于多目标改进粒子群算法的配电网网架重构方法 | |
| CN115860170A (zh) | 一种考虑电力电子负载的配电系统电能质量优化方法 | |
| CN113591299B (zh) | 判定不同类型微通道散热器综合性能优劣的方法和系统 | |
| Zhang et al. | A multi-objective optimization method for power system reactive power dispatch | |
| CN113743003B (zh) | 考虑温度、湿度影响的高压线路对地电场强度计算方法 | |
| CN113690930B (zh) | 基于nsga-iii算法的分布式光伏电源中长期选址定容方法 | |
| CN115526393A (zh) | 一种基于变电工程关键影响因素筛选的造价预测方法 | |
| CN110571791B (zh) | 一种新能源接入下的输电网规划的优化配置方法 | |
| CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 |
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 |