CN111241463A - 一种基于双层优化模型的用户侧储能装置容量配置方法 - Google Patents

一种基于双层优化模型的用户侧储能装置容量配置方法 Download PDF

Info

Publication number
CN111241463A
CN111241463A CN202010138930.9A CN202010138930A CN111241463A CN 111241463 A CN111241463 A CN 111241463A CN 202010138930 A CN202010138930 A CN 202010138930A CN 111241463 A CN111241463 A CN 111241463A
Authority
CN
China
Prior art keywords
energy storage
load
peak
load peak
power
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
Application number
CN202010138930.9A
Other languages
English (en)
Inventor
朱俊飞
张聂鹏
王卫国
杨利荣
吴旭
丁朝辉
邓媛
张楠
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.)
Zhenjiang Electric Power Design Institute Co ltd
State Grid Jiangsu Electric Power Co Ltd Zhenjiang Power Supply Branch
Original Assignee
Zhenjiang Electric Power Design Institute Co ltd
State Grid Jiangsu Electric Power Co Ltd Zhenjiang Power Supply Branch
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 Zhenjiang Electric Power Design Institute Co ltd, State Grid Jiangsu Electric Power Co Ltd Zhenjiang Power Supply Branch filed Critical Zhenjiang Electric Power Design Institute Co ltd
Priority to CN202010138930.9A priority Critical patent/CN111241463A/zh
Publication of CN111241463A publication Critical patent/CN111241463A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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—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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Molecular Biology (AREA)

Abstract

本发明提出了一种基于双层优化模型的用户侧储能装置容量配置方法，随着能源互联网的不断发展，分布式储能使用需求日益增长，本发明以用户侧储能系统全寿命周期内总的净收益为外层目标函数，综合考虑了储能削峰收益、峰谷套利收益、全寿命周期成本等因素，用CPLEX求解器进行求解；以储能系统日调度周期内收益为内层目标函数，研究用户侧储能系统各时段充/放电值的优化，用遗传算法进行求解，最终得到储能系统最优容量配置结果。

Description

一种基于双层优化模型的用户侧储能装置容量配置方法
技术领域
本发明涉及一种基于双层优化模型的用户侧储能装置容量配置方法，属于电力系统技术领域。
背景技术
本发明主要用于工业用户侧储能场景。近年来，随着我国经济的迅速发展，用户侧用电量显著增多，用户侧负荷峰谷差异也会逐渐加大，可能会出现电力系统供需不平衡，即负荷高峰时段用电需求无法满足，而负荷低谷时段电网电能大量浪费的现象。目前，对于储能应用的研究主要集中在储能配置和调度运行两方面，对于储能系统规划和运行相互影响研究较少。另外，针对储能规划和调度运行难以分开的问题，一些学者做出相应尝试，将其描述为双层决策问题，外层主要包括储能的选址定容，内层求解储能系统的运行问题，以经济性最优为目标对储能系统进行优化配置，但对于储能系统的应用都集中在供电侧，均未涉及用户侧场景下考虑负荷需量管理对于储能配置的影响。因此，随着用户用电负荷峰谷差进一步扩大，如何鼓励用户主动参与到负荷调节中来，并结合现有的电力设备为电网公司设计更为合理、精准的电价制度，从而实现用户侧用电负荷的削峰填谷，电网公司资源的合理配置，具有较重要的研究价值和社会意义。
发明内容
本发明的目的在于提供一种基于双层优化模型的用户侧储能装置容量配置方法，用于精准计算得到储能最优容量配置结果。
本发明的目的通过以下技术方案予以实现：
一种基于双层优化模型的用户侧储能装置容量配置方法，包括以下步骤：
步骤一：输入基础数据到excel，在matlab中读取excel的数据；
步骤二：随机生成初始种群P；
步骤三：调用外层模型，得到仿真周期内初始种群P中每个个体在调度周期内的储能最优充放电曲线和月负荷削峰率；
步骤四：调用内层模型根据储能容量、额定功率、年负荷削峰率、储能充放电曲线、月负荷削峰率计算初始种群P中个体的适应度值；
步骤五：将初始种群P进行选择交叉变异的遗传操作得到子代种群P’；
步骤六：调用外层模型，得到仿真周期内子代种群P’每个个体在调度周期内的储能最优充放电曲线和月负荷削峰率；
步骤七：调用内层模型，根据储能容量、额定功率、年负荷削峰率和储能充放电曲线、月负荷削峰率计算初始种群P’中个体的适应度值；
步骤八：将步骤五中的初始种群P替换为P’，重复步骤五至七，直到满足终止条件为止，得到最终优化结果。
本发明的目的还可以通过以下技术措施来进一步实现：
前述一种基于双层优化模型的用户侧储能装置容量配置方法，其中：
步骤一所述基础数据，包括仿真时长、调度周期(一天24h)、负荷曲线(即电力系统中各类电力负荷随时间变化的曲线)、储能技术指标(包括储能电池寿命、倍率性能)。
前述一种基于双层优化模型的用户侧储能装置容量配置方法，其中：
步骤二所述随机生成种群P，具体为生成100的初始种群P，种群中每个个体包含储能容量、储能额定功率、年负荷削峰率信息，年负荷削峰率为一年中负荷峰值减少量与安装储能装置前负荷峰值的比值。
前述一种基于双层优化模型的用户侧储能装置容量配置方法，其中，
步骤三具体为：利用matlab软件调用Cplex平台，调用外层模型，得到仿真周期内初始种群P中每个个体在调度周期内的储能最优充放电曲线和月负荷削峰率，月负荷削峰率为一年中负荷峰值减少量与安装储能装置前负荷峰值的比值，外层模型的具体模型：
31)目标函数如下：
maxF＝Cinc+Ctran+Crec-Cinv-Cope
式中：F为储能全寿命周期内的净收益；
311)Cinc为用户侧储能系统经济运行的总收益，具体表达如下：
Cinc＝Cinc1+Cinc2
式中：Cinc1为月时间尺度下最大负荷削峰基本电价减少量，Cinc2为日尺度周期下储能高峰放电低谷充电的价格套利收益，其具体表达式如下：
Figure BDA0002398335430000021
Figure BDA0002398335430000031
式中：Cele,t,d为储能装置第t年d天的价格套利；Cbas,t,y为储能第t年y月基本电费减少值；D为年运行天数；Y为年运行月数；T为电池寿命；ir为通货膨胀率；dr为贴现率，贴现率为将未来支付改变为现值所使用的利率；
312)Ctran为峰值负荷减少所降低的变压器成本，具体表达式如下：
Figure BDA0002398335430000032
Figure BDA0002398335430000033
式中：α为变压器安装费用占设备造价比率；Cd为工业用户侧变压器单位造价；K为变压器的负载率；
Figure BDA0002398335430000035
为功率因数；Ttran为变压器寿命周期；ftran为变压器频率，δy为加入储能后的年负荷削峰率,Ppeak,y为年负荷峰值；
313)Crec用户侧储能的回收价值，即当储能达到寿命年限时通过回收利用获取的一定收益，与安装成本Cinv和回收系数γ相关，γ取0.2，表达式如下：
Crec＝γCinv
314)安装成本Cinv为用户侧储能的全寿命周期一次性固定投资成本，与其自身额定容量和额定充/放电功率相关，具体表达式如下：
Cinv＝ceEmax+cpPmax
式中：Emax和Pmax分别为储能装置额定容量和额定充/放电功率；ce和cp分别为储能单位容量和单位充/放电功率造价；
315)Cope为用户侧储能装置的全寿命周期运行维护成本，与其额定功率相关，具体表达式如下：
Figure BDA0002398335430000034
式中：cop为储能电池单位充/放电功率的年运行维护成本；
32)约束条件具体如下：
321)功率平衡约束：
Pgrid＝P′load＝Pload+PESS
式中：Pgrid为负荷与电网交换功率，Pload为工厂负荷功率，PESS为储能装置功率；
322)投资成本约束：
Figure BDA0002398335430000041
式中：
Figure BDA0002398335430000042
为投资成本限值。
前述一种基于双层优化模型的用户侧储能装置容量配置方法，其中，
步骤四所述调用内层模型，根据储能电池容量和额定功率、年负荷削峰率和储能充放电曲线、月负荷削峰率计算初始种群P中个体的适应度值(适应度值即目标函数值)，其具体模型为：
41)目标函数如下：
Figure BDA0002398335430000043
Figure BDA0002398335430000044
Cbas＝aδmPpeak,m
式中：i为时间段；Δti为i段持续时间，Δti＝15min；nD为一个调度周期时间段总数，以24h作为一个调度周期；Pdis(i)、Pch(i)分别为储能放电、充电功率，Cele为储能装置价格套利，Cbas为基本电费减少值；
42)约束条件如下：
421)储能削峰约束，即在满足调度周期内负荷峰值约束的同时，工厂母线侧合成负荷不得超过年最大限值，具体表达式如下：
Pload(i)-Pdis(i)+Pch(i)≤(1-δm)Ppeak,m
(1-δm)Ppeak,m≤(1-δy)Ppeak,y
式中：Ppeak,m、P′peak,m和Ppeak,y、P′peak,y分别为加入储能装置前后的月负荷峰值和年负荷峰值，δm、δy为加入储能后的月负荷削峰率和年负荷削峰率；
422)充放电功率约束，即在运行过程中充放电功率不超过额定值：
Figure BDA0002398335430000051
式中：Bdis(i)、Bch(i)为0至1的变量且满足任意时刻Bdis(i)+Bdis(i)≤1；
423)荷电状态SOC约束，即在任一时刻，储能的荷电状态都必须小于SOCmax且大于SOCmin，此外，储能系统每个调度周期始末存储能量即荷电状态一致可确保其连续运行的周期性，具体表达式如下：
Figure BDA0002398335430000052
SOC(0)＝SOC(nD)
SOCmin≤SOC(i)≤SOCmax
式中：ηch、ηdis分别为储能充电、放电时的能量转化效率。
步骤六所述为利用matlab遗传算法工具箱调用外层模型，得到仿真周期内子代种群P’每个个体在调度周期内的储能最优充放电曲线和月负荷削峰率，外层模型目标函数、约束条件与步骤3所述模型目标函数、约束条件相同。
步骤七所述调用内层模型根据储能容量、额定功率、年负荷削峰率和储能充放电曲线、月负荷削峰率计算子代种群P’中个体的适应度值，模型目标函数、约束条件与步骤4所述模型目标函数、约束条件相同。
与现有技术相比，本发明的有益效果是：以用户侧储能系统全寿命周期内总的净收益为外层目标函数，综合考虑了储能削峰收益、峰谷套利收益、全寿命周期成本等因素，用CPLEX求解器进行求解；以储能系统日调度周期内收益为内层目标函数，研究用户侧储能系统各时段充/放电值的优化，用遗传算法进行求解，最终得到储能系统最优容量配置结果，实现了对储能最优容量配置结果的精准计算。
附图说明
图1是本发明的工业用户侧储能系统结构图；
图2是双层优化模型的用户侧储能装置容量配置方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
如图1所示，为本发明应用场景的工业用户侧储能系统结构图。
如图2所示，本发明基于双层优化模型的用户侧储能装置容量配置方法，包括以下步骤：
步骤一：输入基础数据到excel，在matlab中读取excel的数据；
步骤一所述基础数据，包括仿真时长、调度周期(一天24h)、负荷曲线(即电力系统中各类电力负荷随时间变化的曲线)、储能技术指标(包括储能电池寿命、倍率性能)。
步骤二：随机生成初始种群P；
步骤二所述随机生成种群P，具体为生成100的初始种群P，种群中每个个体包含储能容量、储能额定功率、年负荷削峰率信息，年负荷削峰率为一年中负荷峰值减少量与安装储能装置前负荷峰值的比值。
步骤三：调用外层模型，得到仿真周期内初始种群P中每个个体在调度周期内的储能最优充放电曲线和月负荷削峰率；
步骤三具体为：利用matlab软件调用Cplex平台，调用外层模型，得到仿真周期内初始种群P中每个个体在调度周期内的储能最优充放电曲线和月负荷削峰率，月负荷削峰率为一年中负荷峰值减少量与安装储能装置前负荷峰值的比值，外层模型的具体模型：
31)目标函数如下：
max F＝Cinc+Ctran+Crec-Cinv-Cope
式中：F为储能全寿命周期内的净收益；
311)Cinc为用户侧储能系统经济运行的总收益，具体表达如下：
Cinc＝Cinc1+Cinc2
式中：Cinc1为月时间尺度下最大负荷削峰基本电价减少量，Cinc2为日尺度周期下储能高峰放电低谷充电的价格套利收益，其具体表达式如下：
Figure BDA0002398335430000061
Figure BDA0002398335430000062
式中：Cele,t,d为储能装置第t年d天的价格套利；Cbas,t,y为储能第t年y月基本电费减少值；D为年运行天数；Y为年运行月数；T为电池寿命；ir为通货膨胀率；dr为贴现率，贴现率为将未来支付改变为现值所使用的利率；
312)Ctran为峰值负荷减少所降低的变压器成本，具体表达式如下：
Figure BDA0002398335430000071
Figure BDA0002398335430000072
式中：α为变压器安装费用占设备造价比率；Cd为工业用户侧变压器单位造价；K为变压器的负载率；
Figure BDA0002398335430000073
为功率因数；Ttran为变压器寿命周期；ftran为变压器频率，δy为加入储能后的年负荷削峰率,Ppeak,y为年负荷峰值；
313)Crec用户侧储能的回收价值，即当储能达到寿命年限时通过回收利用获取的一定收益，与安装成本Cinv和回收系数γ相关，γ取0.2，表达式如下：
Crec＝γCinv
314)安装成本Cinv为用户侧储能的全寿命周期一次性固定投资成本，与其自身额定容量和额定充/放电功率相关，具体表达式如下：
Cinv＝ceEmax+cpPmax
式中：Emax和Pmax分别为储能装置额定容量和额定充/放电功率；ce和cp分别为储能单位容量和单位充/放电功率造价；
315)Cope为用户侧储能装置的全寿命周期运行维护成本，与其额定功率相关，具体表达式如下：
Figure BDA0002398335430000074
式中：cop为储能电池单位充/放电功率的年运行维护成本；
32)约束条件具体如下：
321)功率平衡约束：
Pgrid＝P′load＝Pload+PESS
式中：Pgrid为负荷与电网交换功率，Pload为工厂负荷功率，PESS为储能装置功率；
322)投资成本约束：
Figure BDA0002398335430000081
式中：
Figure BDA0002398335430000082
为投资成本限值。
步骤四：调用内层模型根据储能容量、额定功率、年负荷削峰率、储能充放电曲线、月负荷削峰率计算初始种群P中个体的适应度值；
步骤四所述调用内层模型，根据储能电池容量和额定功率、年负荷削峰率和储能充放电曲线、月负荷削峰率计算初始种群P中个体的适应度值(适应度值即目标函数值)，其具体模型为：
41)目标函数如下：
Figure BDA0002398335430000083
Figure BDA0002398335430000084
Cbas＝aδmPpeak,m
式中：i为时间段；Δti为i段持续时间，Δti＝15min；nD为一个调度周期时间段总数，以24h作为一个调度周期；Pdis(i)、Pch(i)分别为储能放电、充电功率，Cele为储能装置价格套利，Cbas为基本电费减少值；
42)约束条件如下：
421)储能削峰约束，即在满足调度周期内负荷峰值约束的同时，工厂母线侧合成负荷不得超过年最大限值，具体表达式如下：
Pload(i)-Pdis(i)+Pch(i)≤(1-δm)Ppeak,m
(1-δm)Ppeak,m≤(1-δy)Ppeak,y
式中：Ppeak,m、P′peak,m和Ppeak,y、P′peak,y分别为加入储能装置前后的月负荷峰值和年负荷峰值，δm、δy为加入储能后的月负荷削峰率和年负荷削峰率；
422)充放电功率约束，即在运行过程中充放电功率不超过额定值：
Figure BDA0002398335430000085
式中：Bdis(i)、Bch(i)为0至1的变量且满足任意时刻Bdis(i)+Bdis(i)≤1；
423)荷电状态SOC约束，即在任一时刻，储能的荷电状态都必须小于SOCmax且大于SOCmin，此外，储能系统每个调度周期始末存储能量即荷电状态一致可确保其连续运行的周期性，具体表达式如下：
Figure BDA0002398335430000091
SOC(0)＝SOC(nD)
SOCmin≤SOC(i)≤SOCmax
式中：ηch、ηdis分别为储能充电、放电时的能量转化效率。
步骤五：将初始种群P进行选择交叉变异的遗传操作得到子代种群P’；
步骤六：调用外层模型，得到仿真周期内子代种群P’每个个体在调度周期内的储能最优充放电曲线和月负荷削峰率；
步骤七：调用内层模型，根据储能容量、额定功率、年负荷削峰率和储能充放电曲线、月负荷削峰率计算初始种群P’中个体的适应度值；
步骤八：将步骤五中的初始种群P替换为P’，重复步骤五至七，直到满足终止条件为止，得到最终优化结果。
步骤六所述为利用matlab遗传算法工具箱调用外层模型，得到仿真周期内子代种群P’每个个体在调度周期内的储能最优充放电曲线和月负荷削峰率，外层模型目标函数、约束条件与步骤3所述模型目标函数、约束条件相同。
步骤七所述调用内层模型根据储能容量、额定功率、年负荷削峰率和储能充放电曲线、月负荷削峰率计算子代种群P’中个体的适应度值，模型目标函数、约束条件与步骤4所述模型目标函数、约束条件相同。
除上述实施例外，本发明还可以有其他实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围内。

Claims (5)

1.一种基于双层优化模型的用户侧储能装置容量配置方法，其特征在于，包括如下步骤：
步骤一：输入基础数据到excel，在matlab中读取excel的数据；
步骤二：随机生成初始种群P；
步骤三：调用外层模型，得到仿真周期内初始种群P中每个个体在调度周期内的储能最优充放电曲线和月负荷削峰率；
步骤四：调用内层模型根据储能容量、额定功率、年负荷削峰率、储能充放电曲线、月负荷削峰率计算初始种群P中个体的适应度值；
步骤五：将初始种群P进行选择交叉变异的遗传操作得到子代种群P’；
步骤六：调用外层模型，得到仿真周期内子代种群P’每个个体在调度周期内的储能最优充放电曲线和月负荷削峰率；
步骤七：调用内层模型，根据储能容量、额定功率、年负荷削峰率和储能充放电曲线、月负荷削峰率计算初始种群P’中个体的适应度值；
步骤八：将步骤五中的初始种群P替换为P’，重复步骤五至七，直到满足终止条件为止，得到最终优化结果。
2.根据权利要求1所述的一种基于双层优化模型的用户侧储能装置容量配置方法，其特征在于，步骤一所述基础数据，包括仿真时长、调度周期、负荷曲线、储能电池寿命、储能电池倍率性能。
3.根据权利要求1所述的一种基于双层优化模型的用户侧储能装置容量配置方法，其特征在于，步骤二所述随机生成种群P，具体为生成100的初始种群P，种群中每个个体包含储能容量、储能额定功率、年负荷削峰率信息，年负荷削峰率为一年中负荷峰值减少量与安装储能装置前负荷峰值的比值。
4.根据权利要求1所述的一种基于双层优化模型的用户侧储能装置容量配置方法，其特征在于，步骤三具体为：利用matlab软件调用Cplex平台，调用外层模型，得到仿真周期内初始种群P中每个个体在调度周期内的储能最优充放电曲线和月负荷削峰率，月负荷削峰率为一年中负荷峰值减少量与安装储能装置前负荷峰值的比值，外层模型的具体模型：
31)目标函数如下：
maxF＝Cinc+Ctran+Crec-Cinv-Cope
式中：F为储能全寿命周期内的净收益；
311)Cinc为用户侧储能系统经济运行的总收益，具体表达如下：
Cinc＝Cinc1+Cinc2
式中：Cinc1为月时间尺度下最大负荷削峰基本电价减少量，Cinc2为日尺度周期下储能高峰放电低谷充电的价格套利收益，其具体表达式如下：
Figure FDA0002398335420000021
Figure FDA0002398335420000022
式中：Cele,t,d为储能装置第t年d天的价格套利；Cbas,t,y为储能第t年y月基本电费减少值；D为年运行天数；Y为年运行月数；T为电池寿命；ir为通货膨胀率；dr为贴现率，贴现率为将未来支付改变为现值所使用的利率；
312)Ctran为峰值负荷减少所降低的变压器成本，具体表达式如下：
Figure FDA0002398335420000023
Figure FDA0002398335420000024
式中：α为变压器安装费用占设备造价比率；Cd为工业用户侧变压器单位造价；K为变压器的负载率；
Figure FDA0002398335420000025
为功率因数；Ttran为变压器寿命周期；ftran为变压器频率，δy为加入储能后的年负荷削峰率,Ppeak,y为年负荷峰值；
313)Crec用户侧储能的回收价值，即当储能达到寿命年限时通过回收利用获取的一定收益，与安装成本Cinv和回收系数γ相关，γ取0.2，表达式如下：
Crec＝γCinv
314)安装成本Cinv为用户侧储能的全寿命周期一次性固定投资成本，与其自身额定容量和额定充/放电功率相关，具体表达式如下：
Cinv＝ceEmax+cpPmax
式中：Emax和Pmax分别为储能装置额定容量和额定充/放电功率；ce和cp分别为储能单位容量和单位充/放电功率造价；
315)Cope为用户侧储能装置的全寿命周期运行维护成本，与其额定功率相关，具体表达式如下：
Figure FDA0002398335420000031
式中：cop为储能电池单位充/放电功率的年运行维护成本；
32)约束条件具体如下：
321)功率平衡约束：
Pgrid＝P′load＝Pload+PESS
式中：Pgrid为负荷与电网交换功率，Pload为工厂负荷功率，PESS为储能装置功率；
322)投资成本约束：
Figure FDA0002398335420000032
式中：
Figure FDA0002398335420000033
为投资成本限值。
5.根据权利要求1所述的一种基于双层优化模型的用户侧储能装置容量配置方法，其特征在于，步骤四所述调用内层模型，根据储能电池容量和额定功率、年负荷削峰率和储能充放电曲线、月负荷削峰率计算初始种群P中个体的适应度值，其具体模型为：
41)目标函数如下：
Figure FDA0002398335420000034
Figure FDA0002398335420000035
Cbas＝aδmPpeak,m
式中：i为时间段；Δti为i段持续时间，Δti＝15min；nD为一个调度周期时间段总数，以24h作为一个调度周期；Pdis(i)、Pch(i)分别为储能放电、充电功率，Cele为储能装置价格套利，Cbas为基本电费减少值；
42)约束条件如下：
421)储能削峰约束，即在满足调度周期内负荷峰值约束的同时，工厂母线侧合成负荷不得超过年最大限值，具体表达式如下：
Pload(i)-Pdis(i)+Pch(i)≤(1-δm)Ppeak,m
(1-δm)Ppeak,m≤(1-δy)Ppeak,y
式中：Ppeak,m、P′peak,m和Ppeak,y、P′peak,y分别为加入储能装置前后的月负荷峰值和年负荷峰值，δm、δy为加入储能后的月负荷削峰率和年负荷削峰率；
422)充放电功率约束，即在运行过程中充放电功率不超过额定值：
Figure FDA0002398335420000041
式中：Bdis(i)、Bch(i)为0至1的变量且满足任意时刻Bdis(i)+Bdis(i)≤1；
423)荷电状态SOC约束，即在任一时刻，储能的荷电状态都必须小于SOCmax且大于SOCmin，此外，储能系统每个调度周期始末存储能量即荷电状态一致可确保其连续运行的周期性，具体表达式如下：
Figure FDA0002398335420000042
SOC(0)＝SOC(nD)
SOCmin≤SOC(i)≤SOCmax
式中：ηch、ηdis分别为储能充电、放电时的能量转化效率。
CN202010138930.9A 2020-03-03 2020-03-03 一种基于双层优化模型的用户侧储能装置容量配置方法 Pending CN111241463A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010138930.9A CN111241463A (zh) 2020-03-03 2020-03-03 一种基于双层优化模型的用户侧储能装置容量配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010138930.9A CN111241463A (zh) 2020-03-03 2020-03-03 一种基于双层优化模型的用户侧储能装置容量配置方法

Publications (1)

Publication Number Publication Date
CN111241463A true CN111241463A (zh) 2020-06-05

Family

ID=70871529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010138930.9A Pending CN111241463A (zh) 2020-03-03 2020-03-03 一种基于双层优化模型的用户侧储能装置容量配置方法

Country Status (1)

Country Link
CN (1) CN111241463A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111798070A (zh) * 2020-07-27 2020-10-20 上海电气分布式能源科技有限公司 一种用户侧光储系统的配置方法及装置
CN111900746A (zh) * 2020-08-05 2020-11-06 浙江华云清洁能源有限公司 一种基于双层模型的储能参与调峰的容量配置方法
CN112085263A (zh) * 2020-08-28 2020-12-15 国网山东省电力公司临沂供电公司 一种用户侧分布式能源系统混合储能优化配置方法和系统
CN112804699A (zh) * 2021-02-18 2021-05-14 华北电力大学 考虑通信特性的5g基站储能配置双层优化方法
CN112909976A (zh) * 2021-02-09 2021-06-04 国网电力科学研究院武汉南瑞有限责任公司 一种基于社区电动汽车充电站储能配置方法
CN112966854A (zh) * 2021-02-07 2021-06-15 深圳供电局有限公司 用户侧储能装置配置方法、装置、计算机设备和存储介质
CN113452045A (zh) * 2021-07-01 2021-09-28 湘潭大学 一种基于多应用场景下的电气化铁路储能装置优化选型方法
CN113572181A (zh) * 2021-07-01 2021-10-29 湘潭大学 一种基于分时电价的电气化铁路储能系统双层容量配置优化方法
CN113629705A (zh) * 2021-08-06 2021-11-09 河海大学 一种用户侧储能优化配置方法
CN114039351A (zh) * 2022-01-10 2022-02-11 国网江西省电力有限公司电力科学研究院 一种储能容量配置方法及装置
CN114358378A (zh) * 2021-12-01 2022-04-15 中国能源建设集团江苏省电力设计院有限公司 一种用于考虑需量管理的用户侧储能优化配置系统及方法
CN114362219A (zh) * 2022-01-10 2022-04-15 中国能源建设集团浙江省电力设计院有限公司 一种用户侧电池储能的全生命周期投资优化方法
CN115221699A (zh) * 2022-07-08 2022-10-21 国网江苏省电力有限公司扬州供电分公司 一种基于共享合作社的储能系统容量优化方法
CN117709636A (zh) * 2023-12-11 2024-03-15 通号（长沙）轨道交通控制技术有限公司 地面储能系统容量配置方法、终端设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丁逸行等: "考虑需量管理的用户侧储能优化配置", 《电网技术》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111798070B (zh) * 2020-07-27 2024-03-05 上海电气分布式能源科技有限公司 一种用户侧光储系统的配置方法及装置
CN111798070A (zh) * 2020-07-27 2020-10-20 上海电气分布式能源科技有限公司 一种用户侧光储系统的配置方法及装置
CN111900746A (zh) * 2020-08-05 2020-11-06 浙江华云清洁能源有限公司 一种基于双层模型的储能参与调峰的容量配置方法
CN112085263A (zh) * 2020-08-28 2020-12-15 国网山东省电力公司临沂供电公司 一种用户侧分布式能源系统混合储能优化配置方法和系统
CN112966854A (zh) * 2021-02-07 2021-06-15 深圳供电局有限公司 用户侧储能装置配置方法、装置、计算机设备和存储介质
CN112909976A (zh) * 2021-02-09 2021-06-04 国网电力科学研究院武汉南瑞有限责任公司 一种基于社区电动汽车充电站储能配置方法
CN112804699A (zh) * 2021-02-18 2021-05-14 华北电力大学 考虑通信特性的5g基站储能配置双层优化方法
CN112804699B (zh) * 2021-02-18 2022-06-07 华北电力大学 考虑通信特性的5g基站储能配置双层优化方法
CN113452045B (zh) * 2021-07-01 2022-05-24 湘潭大学 一种基于多应用场景下的电气化铁路储能装置优化选型方法
CN113452045A (zh) * 2021-07-01 2021-09-28 湘潭大学 一种基于多应用场景下的电气化铁路储能装置优化选型方法
CN113572181A (zh) * 2021-07-01 2021-10-29 湘潭大学 一种基于分时电价的电气化铁路储能系统双层容量配置优化方法
CN113629705B (zh) * 2021-08-06 2023-08-01 河海大学 一种用户侧储能优化配置方法
CN113629705A (zh) * 2021-08-06 2021-11-09 河海大学 一种用户侧储能优化配置方法
CN114358378A (zh) * 2021-12-01 2022-04-15 中国能源建设集团江苏省电力设计院有限公司 一种用于考虑需量管理的用户侧储能优化配置系统及方法
CN114362219A (zh) * 2022-01-10 2022-04-15 中国能源建设集团浙江省电力设计院有限公司 一种用户侧电池储能的全生命周期投资优化方法
CN114039351A (zh) * 2022-01-10 2022-02-11 国网江西省电力有限公司电力科学研究院 一种储能容量配置方法及装置
CN114362219B (zh) * 2022-01-10 2024-04-16 中国能源建设集团浙江省电力设计院有限公司 一种用户侧电池储能的全生命周期投资优化方法
CN115221699A (zh) * 2022-07-08 2022-10-21 国网江苏省电力有限公司扬州供电分公司 一种基于共享合作社的储能系统容量优化方法
CN115221699B (zh) * 2022-07-08 2023-10-27 国网江苏省电力有限公司扬州供电分公司 一种基于共享合作社的储能系统容量优化方法
CN117709636A (zh) * 2023-12-11 2024-03-15 通号（长沙）轨道交通控制技术有限公司 地面储能系统容量配置方法、终端设备及存储介质

Similar Documents

Publication Publication Date Title
CN111241463A (zh) 一种基于双层优化模型的用户侧储能装置容量配置方法
Han et al. Economic evaluation of a PV combined energy storage charging station based on cost estimation of second-use batteries
CN112103946B (zh) 一种基于粒子群算法的微电网储能优化配置方法
CN109325608B (zh) 考虑储能并计及光伏随机性的分布式电源优化配置方法
CN108667052B (zh) 一种面向虚拟电厂优化运行的多类型储能系统规划配置方法及系统
CN107370170B (zh) 一种考虑容量电价和负荷预测误差的储能系统容量配置方法
CN109787261B (zh) 电网侧及用户侧储能系统容量优化配置方法
CN110556850B (zh) 电动汽车退役电池用于换电站储能的容量配置方法
CN113095791B (zh) 一种综合能源系统运行方法及系统
CN111900746B (zh) 一种基于双层模型的储能参与调峰的容量配置方法
CN110633854A (zh) 一种考虑储能电池多重分段服务全生命周期优化规划方法
CN112084652A (zh) 一种风光储互补发电系统容量配置计算方法及系统
CN110245794B (zh) 考虑灵活性的多能源汇集中心火储容量双层优化方法
CN114977320A (zh) 一种配电网源网荷储多目标协同规划方法
CN113824111A (zh) 一种光储能场景中储能容量配置和调度方法
CN108183473A (zh) 一种集群电动汽车参与辅助服务市场的优化投标方法
CN115114854A (zh) 一种虚拟电厂分布式资源两级自组织优化聚合方法及系统
CN116050804A (zh) 基于合作博弈和成本因果关系的共享储能成本分摊方法
CN111027757A (zh) 一种基于皮亚诺曲线降维的用户侧储能优化配置方法
CN117114281A (zh) 一种灵活资源多阶段规划方案的确定方法
CN115600757A (zh) 海上风电共享储能参与现货市场交易协调优化方法及系统
CN115409355A (zh) 多区域混合储能微电网双层优化配置方法
CN115221699A (zh) 一种基于共享合作社的储能系统容量优化方法
CN108199399A (zh) 电网侧和新能源侧的蓄电池储能系统经济性模型
CN112348245A (zh) 一种用户侧储能不同运行方式经济性评估方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200605

RJ01 Rejection of invention patent application after publication