CN111525629B - 电源容量配置方法、装置、计算机设备和存储介质 - Google Patents

电源容量配置方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111525629B
CN111525629B CN202010425247.3A CN202010425247A CN111525629B CN 111525629 B CN111525629 B CN 111525629B CN 202010425247 A CN202010425247 A CN 202010425247A CN 111525629 B CN111525629 B CN 111525629B
Authority
CN
China
Prior art keywords
capacity
power
initial
configuration
score
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
CN202010425247.3A
Other languages
English (en)
Other versions
CN111525629A (zh
Inventor
刘梓强
金涛
林云志
王博
罗金
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.)
Fuzhou University
Third Engineering Co Ltd of China Railway Electrification Engineering Group Co Ltd
Original Assignee
Fuzhou University
Third Engineering Co Ltd of China Railway Electrification Engineering Group 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 Fuzhou University, Third Engineering Co Ltd of China Railway Electrification Engineering Group Co Ltd filed Critical Fuzhou University
Priority to CN202010425247.3A priority Critical patent/CN111525629B/zh
Publication of CN111525629A publication Critical patent/CN111525629A/zh
Application granted granted Critical
Publication of CN111525629B publication Critical patent/CN111525629B/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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • H02J3/388—Islanding, i.e. disconnection of local power supply from the network
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本申请涉及一种电源容量配置方法、装置、计算机设备和存储介质。所述方法包括：选取第一配置方案和第二配置方案进行电源容量初始化，得到第一初始容量和第二初始容量；当满足预设条件时，得到所述第一配置方案的更新容量；获取电源容量配置评价模型；将所述第一初始容量和所述更新容量输入所述电源容量配置评价模型，得到所述第一初始容量的评分和所述更新容量的评分；若所述更新容量的评分大于或等于所述第一初始容量的评分，则将所述更新容量作为所述第一配置方案的记忆容量。微电网中的所有电源容量配置方案可以通过多次迭代来寻找容量最优配置结果。采用本方法能够实现微电网中电源容量的优化配置。

Description

电源容量配置方法、装置、计算机设备和存储介质
技术领域
本申请涉及微电网电源配置技术领域，特别是涉及一种电源容量配置方法、装置、计算机设备和存储介质。
背景技术
随着可再生能源发电技术的快速发展，微电网技术逐渐成为未来能源链的关键技术之一。微电网是一种将分布式电源、负荷、储能装置、变流器以及监控保护装置有机整合在一起的小型发配电系统，微电网包括并网运行和孤岛运行两种模式，当微电网在孤岛模式下运行时，仅由微电网配置的电源供能，为了确保微电网中电源容量分配的合理性，需要通过优化算法对各个电源的容量进行重新分配。
传统的优化算法包括最速下降法、牛顿法和共轭方向法等，传统优化算法具有较完善的数学基础，但进行电源容量配置的过程较复杂，配置效率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种配置效率较高、可靠性较强的电源容量配置方法、装置、计算机设备和存储介质。
一种电源容量配置方法，所述方法包括：
选取第一配置方案和第二配置方案进行电源容量初始化，得到所述第一配置方案的初始容量和所述第二配置方案的初始容量，将所述第一配置方案的初始容量作为第一初始容量，将所述第二配置方案的初始容量作为第二初始容量；
将所述第一初始容量按照所述第二初始容量进行重新配置，当满足预设条件时，更新所述第一初始容量，得到所述第一配置方案的更新容量；
获取电源容量配置评价模型，所述电源容量配置评价模型用于对所述第一初始容量和所述更新容量进行评分；
将所述第一初始容量输入所述电源容量配置评价模型，得到所述第一初始容量的评分；
将所述更新容量输入所述电源容量配置评价模型，得到所述更新容量的评分；
若所述更新容量的评分大于或等于所述第一初始容量的评分，则将所述更新容量作为所述第一配置方案的记忆容量。
在一个实施例中，所述将所述第一初始容量按照所述第二初始容量进行重新配置，当满足预设条件时，更新所述第一初始容量，得到所述第一配置方案的更新容量包括：
选取预设数，当所述预设数大于或等于预设转换概率时，更新所述第一初始容量，得到所述第一配置方案的更新容量；其中，所述预设数表示0和1之间均匀分布的随机数字。
在一个实施例中，所述方法还包括：
根据电源性质建立多个电源功率模型，并通过每一所述电源功率模型计算所述电源功率模型对应的电源的输出功率，得到多个电源输出功率；
将所述多个电源输出功率输入可靠性评估模型，得到年断电时间；
根据电源容量与价格的关系计算电源初始投资成本；
根据所述电源容量与运行费用的关系计算电源运行费用；
根据预设电源的发电容量在微电网中的占比对所述微电网进行综合环保评分；
根据所述年断电时间、所述电源初始投资成本、所述电源运行费用及所述综合环保评分，建立所述电源容量配置评价模型。
在一个实施例中，所述多个电源功率模型包括风机功率模型、光伏阵列功率模型、电池组功率模型及发电机功率模型；
所述根据电源性质建立多个电源功率模型，并通过每一所述电源功率模型计算所述电源功率模型对应的电源的输出功率，得到多个电源输出功率包括：
将风机额定输出功率、风速、风机启动风速及风机额定风速输入所述风机功率模型，得到风机输出功率；
将光伏阵列额定输出功率、光照强度及光伏阵列额定光照强度输入所述光伏阵列功率模型，得到光伏阵列输出功率；
将电池组当前容量、电池组饱和容量、电网负荷、所述风机输出功率及所述光伏阵列输出功率输入所述电池组功率模型，得到电池组输出功率；
将发电机饱和容量、所述风机输出功率、所述光伏阵列输出功率及所述电池组输出功率输入所述发电机功率模型，得到发电机输出功率。
在一个实施例中，所述将所述多个电源输出功率输入可靠性评估模型，得到年断电时间包括：
获取包含多个电源的微电网的负荷量；
将所述负荷量、所述风机输出功率、所述光伏阵列输出功率、所述电池组输出功率及所述发电机输出功率输入所述可靠性评估模型，得到所述年断电时间。
在一个实施例中，所述根据所述年断电时间、所述电源初始投资成本、所述电源运行费用及所述综合环保评分，建立所述电源容量配置评价模型包括：
分别设置所述年断电时间、所述电源初始投资成本、所述电源运行费用及所述综合环保评分在所述电源容量配置评价模型中的权重，得到年断电时间权重、电源初始投资成本权重、电源运行费用权重及环保评分权重；
根据所述年断电时间、所述电源初始投资成本、所述电源运行费用、所述综合环保评分、所述年断电时间权重、所述电源初始投资成本权重、所述电源运行费用权重及所述环保评分权重，建立所述电源容量配置评价模型。
一种电源容量配置方法，所述方法包括：
选取第一配置方案和第二配置方案进行电源容量初始化，得到所述第一配置方案的初始容量和所述第二配置方案的初始容量，将所述第一配置方案的初始容量作为第一初始容量，将所述第二配置方案的初始容量作为第二初始容量；
将所述第一初始容量按照所述第二初始容量进行重新配置，当满足预设条件时，更新所述第一初始容量，得到所述第一配置方案的第一更新容量；
获取电源容量配置评价模型，所述电源容量配置评价模型用于对所述第一初始容量和所述第一更新容量进行评分；
将所述第一初始容量输入所述电源容量配置评价模型，得到所述第一初始容量的评分；
将所述第一更新容量输入所述电源容量配置评价模型，得到所述第一更新容量的评分；
若所述第一更新容量的评分大于或等于所述第一初始容量的评分，则保存将所述第一更新容量；
继续选取第三配置方案进行电源容量初始化，得到所述第三配置方案的初始容量，将所述第三配置方案的初始容量作为第三初始容量；
将所述第一更新容量按照所述第三初始容量进行重新配置，当满足所述预设条件时，更新所述第一更新容量，得到所述第一配置方案的第二更新容量；
将所述第二更新容量输入所述电源容量配置评价模型，得到所述第二更新容量的评分；
若所述第二更新容量的评分大于或等于所述第一更新容量的评分，则将所述第二更新容量作为所述第一配置方案的记忆容量。
一种电源容量配置装置，所述装置包括：
初始容量获取模块，用于选取第一配置方案和第二配置方案进行电源容量初始化，得到所述第一配置方案的初始容量和所述第二配置方案的初始容量，将所述第一配置方案的初始容量作为第一初始容量，将所述第二配置方案的初始容量作为第二初始容量；
更新容量获取模块，用于将所述第一初始容量按照所述第二初始容量进行重新配置，当满足预设条件时，更新所述第一初始容量，得到所述第一配置方案的更新容量；
模型获取模块，用于获取电源容量配置评价模型，所述电源容量配置评价模型用于对所述第一初始容量和所述更新容量进行评分；
第一评分获取模块，用于将所述第一初始容量输入所述电源容量配置评价模型，得到所述第一初始容量的评分；
第二评分获取模块，用于将所述更新容量输入所述电源容量配置评价模型，得到所述更新容量的评分；
记忆容量获取模块，用于若所述更新容量的评分大于或等于所述第一初始容量的评分，则将所述更新容量作为所述第一配置方案的记忆容量。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
上述电源容量配置方法、装置、计算机设备和存储介质，通过获取第一配置方案的初始容量和更新容量，通过电源容量配置评价模型分别对第一配置方案的初始容量和更新容量进行评分，并根据第一配置方案的初始容量和更新容量的评分结果，得到第一配置方案的记忆容量，从而实现微电网中电源容量的优化配置，同时，配置效率较高、可靠性较强。
附图说明
图1为一个实施例中电源容量配置方法的应用环境图；
图2为一个实施例中电源容量配置方法的流程示意图；
图3为一个实施例中建立电源容量配置评价模型步骤的流程示意图；
图4为一个实施例中模拟实验的曲线图；
图5为另一个实施例中模拟实验的曲线图；
图6为另一个实施例中模拟实验的曲线图；
图7为另一个实施例中模拟实验的曲线图；
图8为一个实施例中电源容量配置装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的电源容量配置方法，可以应用于如图1所示的应用环境中。其中，处于孤岛运行模式下的微电网终端102通过网络与服务器104进行通信。终端102随机选取第一配置方案和第二配置方案进行电源容量初始化，得到第一配置方案的初始容量(第一初始容量)和第二配置方案的初始容量(第二初始容量)，当满足预设条件时，更新该第一初始容量，得到第一配置方案的更新容量；终端102通过采集光伏电源组、风电电源组、柴油电源组等各电源的参数，建立电源容量配置评价模型，通过该模型对第一初始容量和更新容量进行评分；根据第一初始容量和更新容量的比较结果得到第一配置方案的最优容量配置结果，即第一配置方案的记忆容量。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种电源容量配置方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤202，选取第一配置方案和第二配置方案进行电源容量初始化，得到所述第一配置方案的初始容量和所述第二配置方案的初始容量，将所述第一配置方案的初始容量作为第一初始容量，将所述第二配置方案的初始容量作为第二初始容量。
具体地，终端采用乌鸦算法，假设种群中有很多只乌鸦，终端随机选取两只乌鸦(乌鸦i和乌鸦j)进行相互追踪，本实施例中，假设种群中有m只乌鸦，终端根据微电网中的电源种类数目设置乌鸦算法的空间维度为d，各维度数据分别代表微电网中各种电源的配置容量，将乌鸦i和乌鸦j在解空间的位置分别记为Xi和Xj，进一步，终端用第一配置方案表征乌鸦i，用第二配置方案表征乌鸦j，终端对第一配置方案和第二配置方案进行电源容量初始化，即乌鸦算法中的对乌鸦i和乌鸦j的位置进行初始化，得到乌鸦i和乌鸦j的当前位置Xi和Xj，将乌鸦i和乌鸦j的当前位置Xi和Xj第i行和第j行的元素作为第一配置方案的初始容量和第二配置方案的初始容量，记为第一初始容量和第二初始容量。
步骤204，将所述第一初始容量按照所述第二初始容量进行重新配置，当满足预设条件时，更新所述第一初始容量，得到所述第一配置方案的更新容量。
具体地，在乌鸦算法中，乌鸦i朝着乌鸦j的初始位置进行移动，终端根据预设条件来判断乌鸦i是否继续跟踪乌鸦j，当满足预设条件时，乌鸦i停止移动，即停止对乌鸦j的追踪，乌鸦i跳转到一个随机位置；当不满足预设条件时，乌鸦i继续对乌鸦j进行追踪。本实施例中，基于乌鸦算法的思路，终端根据预设条件来判断第一初始容量是否按照第二初始容量进行重新配置，当满足预设条件时，终端更新第一初始容量，得到第一配置方案的更新容量(即Xi(1)＝随机)，即将第二初始容量作为第一配置方案的更新容量；当不满足预设条件时，第一配置方案的更新容量向第二配置方案的记忆容量Mj接近。
步骤206，获取电源容量配置评价模型，所述电源容量配置评价模型用于对所述第一初始容量和所述更新容量进行评分。
具体地，终端获取微电网中各个电源的参数，通过对各个电源的参数进行融合计算，建立电源容量配置评价模型。进一步，终端使用该电源容量配置评价模型对步骤202中的第一初始容量和步骤204中的更新容量进行评分。
步骤208，将所述第一初始容量输入所述电源容量配置评价模型，得到所述第一初始容量的评分。
具体地，终端结合步骤206中的电源容量配置评价模型，将步骤202中的第一初始容量输入电源容量配置评价模型，得到该第一初始容量的评分。
步骤210，将所述更新容量输入所述电源容量配置评价模型，得到所述更新容量的评分。
具体地，终端结合步骤206中的电源容量配置评价模型，将步骤204中的更新容量输入电源容量配置评价模型，得到该更新容量的评分。
步骤212，若所述更新容量的评分大于或等于所述第一初始容量的评分，则将所述更新容量作为所述第一配置方案的记忆容量。
其中，第一配置方案的记忆容量指的是第一配置方案的最佳容量配置结果。具体地，终端将步骤208中获取到的第一初始容量的评分与步骤210中获取到的更新容量的评分进行比较，基于乌鸦算法的思路，参见公式(1)，若更新容量的评分OX大于或等于第一初始容量的评分OM，则第一配置方案将更新容量作为该第一配置方案的记忆容量；若更新容量的评分OX小于第一初始容量的评分OM，则将第一初始容量作为该第一配置方案的记忆容量。
Figure BDA0002498477440000081
其中，Mi表示乌鸦算法中乌鸦i的最佳位置节点；Xi表示乌鸦i的当前位置节点；Mi表示乌鸦i的记忆位置节点；OX表示更新容量的评分；OM表示第一初始容量的评分。
上述电源容量配置方法中，将乌鸦算法与建立的电源容量配置评价模型相结合，通过获取第一配置方案的初始容量和更新容量，通过电源容量配置评价模型分别对第一配置方案的初始容量和更新容量进行评分，并根据第一配置方案的初始容量和更新容量的评分结果，得到第一配置方案的最优容量配置结果，即第一配置方案的记忆容量，基于同样的思路，获取第二配置容量的记忆容量，通过电源容量配置评价模型对第一配置方案的记忆容量和第二配置方案的记忆容量进行评分，分数高的为最终配置结果，从而实现微电网中电源容量的优化配置，同时，配置效率较高、可靠性较强。
在一个实施例中，步骤204包括：选取预设数，当所述预设数大于或等于预设转换概率时，更新所述第一初始容量，得到所述第一配置方案的更新容量。
其中，预设数指的是0和1之间均匀分布的随机数字；转换概率指的是在乌鸦算法的搜索空间中进行迭代时乌鸦的感知概率。
具体地，终端根据微电网中电源的种类数目预先设置转换概率，参见公式(2)，终端选取一个预设数r1，并将该预设数r1与预设转换概率AP进行比较，乌鸦算法中，终端根据预设条件来评估乌鸦i的记忆位置是否为最佳位置，当预设数r1大于或等于预设转换概率AP时，乌鸦i停止移动，即停止对乌鸦j的追踪，乌鸦i跳转到一个随机位置；当预设数r1小于预设转换概率AP时，乌鸦i继续对乌鸦j进行追踪。本实施例中，基于乌鸦算法的思路，终端根据预设条件来判断第一初始容量是否按照第二初始容量进行重新配置，当预设数r1大于或等于预设转换概率AP时，终端更新第一初始容量，得到第一配置方案的更新容量(即Xi(1)＝随机)，即将第二初始容量作为第一配置方案的更新容量；当预设数r1小于预设转换概率AP时，第一配置方案的更新容量向第二配置方案的记忆容量Mj接近。
Figure BDA0002498477440000091
其中，Xi表示乌鸦i的当前位置节点；r1表示预设数；AP表示预设转换概率。
本实施例中，根据预设数与预设转换概率的比较结果对第一初始容量进行更新，能够防止陷入局部最优的状态，即防止算法早熟，从而提高算法的寻优性能。
在一个实施例中，如图3所示，提供了一种电源容量配置方法，还包括：
步骤302，根据电源性质建立多个电源功率模型，并通过每一所述电源功率模型计算所述电源功率模型对应的电源的输出功率，得到多个电源输出功率。
其中，所述多个电源功率模型包括风机功率模型、光伏阵列功率模型、电池组功率模型及发电机功率模型；所述多个电源输出功率包括风机输出功率、光伏阵列输出功率、电池组输出功率及发电机输出功率；可选的，发电机功率模型可以是柴油发电机功率模型、汽油发电机功率模型或煤油发电机功率模型，此处不做具体限定；电源性质指的是微电网中各个电源的输出功率的模式，即风速与风机功率、光照强度与光伏阵列功率的转化模式，以及电池组根据自身储电情况和电网功率需求情况决定的运行状态。
具体地，终端根据微电网中各个电源的输出功率的模式，建立风机功率模型、光伏阵列功率模型、电池组功率模型及发电机功率模型，并分别通过风机功率模型计算风机输出功率、通过光伏阵列功率模型计算光伏阵列输出功率、通过电池组功率模型计算电池组输出功率以及通过发电机功率模型计算发电机输出功率。
在其中一个实施例中，步骤302具体包括：
步骤3022，将风机额定输出功率、风速、风机启动风速及风机额定风速输入所述风机功率模型，得到风机输出功率。
具体地，终端根据公式(3)建立风机功率模型，并计算风机输出功率，
Figure BDA0002498477440000101
其中，PW为风机输出功率；Pr为风机额定输出功率；v为风速；vci为风机启动风速；vr为风机额定风速。可选的，风力发电机启动风速vci设置为1m/s，风机额定风速vr设置为11m/s，风机额定输出功率设置为5kw。
步骤3024，将光伏阵列额定输出功率、光照强度及光伏阵列额定光照强度输入所述光伏阵列功率模型，得到光伏阵列输出功率。
具体地，终端根据公式(4)建立光伏阵列功率模型，并计算光伏阵列输出功率，
Figure BDA0002498477440000102
其中，PL为光伏阵列输出功率；α是取决于温度的参数，为简化模型此处取定值1；Pstc为光伏阵列额定输出功率；Gc为光照强度；Gstc为额定光照强度。可选的，光伏阵列额定输出功率Pstc设置为160W/m2。
步骤3026，将电池组当前容量、电池组饱和容量、电网负荷、所述风机输出功率及所述光伏阵列输出功率输入所述电池组功率模型，得到电池组输出功率。
具体地，当满足公式(5)时，电池组处于运行状态，此时，终端根据公式(6)建立电池组功率模型，并计算电池组输出功率，
Figure BDA0002498477440000103
Figure BDA0002498477440000104
其中，PB为电池组输出功率；E为电池组当前容量；EBmax为电池组饱和容量(最大容量)；PM为电网负荷；PL为光伏阵列输出功率；PW为风机输出功率。
步骤3028，将发电机饱和容量、所述风机输出功率、所述光伏阵列输出功率及所述电池组输出功率输入所述发电机功率模型，得到发电机输出功率。
具体地，终端根据公式(7)建立发电机功率模型，并计算发电机输出功率，
Figure BDA0002498477440000111
其中，PG为发电机输出功率；PGmax为发电机饱和容量(最大容量)；PW为风机输出功率；PL，为光伏阵列输出功率；PB为电池组输出功率。
步骤304，将所述多个电源输出功率输入可靠性评估模型，得到年断电时间。
具体地，终端根据步骤302计算得到的风机输出功率、光伏阵列输出功率、电池组输出功率及发电机输出功率建立可靠性评估模型，并通过该可靠性评估模型计算年断电时间。
在其中一个实施例中，步骤304具体包括：
步骤3042，获取包含多个电源的微电网的负荷量。
其中，微电网的负荷量指的微电网中各个电源所能承受的最大发电量。具体地，终端获取微电网中各个电源所能承受的最大发电量。
步骤3044，将所述负荷量、所述风机输出功率、所述光伏阵列输出功率、所述电池组输出功率及所述发电机输出功率输入所述可靠性评估模型，得到所述年断电时间。
具体地，终端先根据设定时间内每小时的断电状态得到断电小时，再将所有断电小时求和，得到年断电时间，具体参见公式(8)，
Figure BDA0002498477440000112
其中，ti表示设定时间内第i个小时的断电状态，若满足条件则将该小时记为断电小时；PMi、PLi、PWi、PBi、PGi分别表示第i个小时的负荷量、光伏阵列输出功率、风机输出功率、电池组输出功率及发电机输出功率。
步骤306，根据电源容量与价格的关系计算电源初始投资成本。
具体地，终端根据公式(9)建立电源初始投资模型，并通过该电源初始投资模型计算电源初始投资成本，
Cini＝fW(Pr)+fL(Pstc)+fB(EBmax)+fG(PGmax) (9)
其中，Cini为电源初始投资成本；fW，fL，fB，fG分别为风机容量、光伏阵列容量、电池组容量、发电机容量与采购价格的关系函数。
步骤308，根据所述电源容量与运行费用的关系计算模型计算电源运行费用。
具体地，终端根据公式(10)建立电源运行费用计算模型，并通过该电源运行费用计算模型计算电源运行费用，
Com＝gW(Pr)+gL(Pstc)+gB(EBmax)+gG(PGmax) (10)
其中，Com为电源运行费用；gW，gL，gB，gG分别为风机容量、光伏阵列容量、电池组容量、发电机容量与运行费用的关系函数。
步骤310，根据预设电源的发电容量在微电网中的占比对所述微电网进行综合环保评分。
其中，预设电源指的是风电、太阳能登可再生能源。具体地，终端根据公式(11)建立电源容量环保评分计算模型GR，并通过该电源容量环保评分计算模型对微电网进行综合环保评分，
GR＝(WWPr+WLPstc+WBEBmax+WGPGmax)/∑P (11)
其中，WW，WL，WB，WG分别为风机、光伏阵列、电池组、发电机每单位装机容量的环保评分权重；∑P为微电网中电源总容量。
步骤312，根据所述年断电时间、所述电源初始投资成本、所述电源运行费用及所述综合环保评分，建立所述电源容量配置评价模型。
具体地，终端根据步骤304计算得到的年断电时间、步骤306计算得到的电源初始投资成本、步骤308计算得到的电源运行费用即步骤310计算得到的综合环保评分，建立电源容量配置评价模型。
在其中一个实施例中，步骤312具体包括：
步骤3122，分别设置所述年断电时间、所述电源初始投资成本、所述电源运行费用及所述综合环保评分在所述电源容量配置评价模型中的权重，得到年断电时间权重、电源初始投资成本权重、电源运行费用权重及环保评分权重。
步骤3124，根据所述年断电时间、所述电源初始投资成本、所述电源运行费用、所述综合环保评分、所述年断电时间权重、所述电源初始投资成本权重、所述电源运行费用权重及所述环保评分权重，建立所述电源容量配置评价模型。
具体地，终端根据公式(12)建立电源容量配置评价模型O，
O＝C1/TE+C2/Cini+C3/Com+C4GR (12)
其中，TE、Cini、Com、GR分别为年断电时间、电源初始投资成本、电源运行费用及综合环保评分；C1、C2、C3、C4分别为年断电时间权重、电源初始投资成本权重、电源运行费用权重及环保评分权重。
本实施例中，通过采集微电网中光伏电源组、风电电源组等各电源的参数，建立风机功率模型、光伏阵列功率模型、电池组功率模型及发电机功率模型，进而根据风机功率模型、光伏阵列功率模型、电池组功率模型及发电机功率模型建立电源容量配置评价模型，能够合理分配微电网中各个电源的容量，使得微电网的供电可靠性、运行费用、初始投资成本以及环保性等要求在限制范围内达到最佳。
在一个实施例中，提供了一种电源容量配置方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤402，选取第一配置方案、第二配置方案和第三配置方案进行电源容量初始化，得到所述第一配置方案的初始容量、所述第二配置方案的初始容量和所述第三配置方案的初始容量，将所述第一配置方案的初始容量作为第一初始容量，将所述第二配置方案的初始容量作为第二初始容量，将所述第三配置方案的初始容量作为第三初始容量。
具体实施方式参见步骤202。
步骤404，将所述第一初始容量按照所述第二初始容量进行重新配置，当满足预设条件时，更新所述第一初始容量，得到所述第一配置方案的第一更新容量。
具体实施方式参见步骤204。
步骤406，获取电源容量配置评价模型，所述电源容量配置评价模型用于对所述第一初始容量和所述第一更新容量进行评分。
具体实施方式参见步骤206。
步骤408，将所述第一初始容量输入所述电源容量配置评价模型，得到所述第一初始容量的评分。
具体实施方式参见步骤208。
步骤410，将所述第一更新容量输入所述电源容量配置评价模型，得到所述第一更新容量的评分。
具体实施方式参见步骤210。
步骤412，若所述第一更新容量的评分大于或等于所述第一初始容量的评分，则保存将所述第一更新容量。
具体地，为了获得最佳的配置结果，可以对第一初始容量进行多次更新，即多次迭代。每一次迭代的具体实施方式参见步骤202-210，若第一更新容量的评分大于或等于第一初始容量的评分，则第一次迭代过程中第一更新容量为最优配置容量，保存该第一更新容量，将所述第一更新容量作为所述第一配置方案的记忆容量；否则，第一次迭代过程中的记忆容量仍为第一初始容量。
步骤414，将所述第一更新容量按照所述第三初始容量进行重新配置，当满足所述预设条件时，更新所述第一更新容量，得到所述第一配置方案的第二更新容量。
具体地，终端进行第二次迭代，即终端继续随机一只乌鸦n进行追踪，本实施例中，终端用第三配置方案表征乌鸦n，在乌鸦算法中，乌鸦i朝着乌鸦n的记忆位置进行移动，当满足预设条件时，乌鸦i停止移动，即停止对乌鸦n的追踪，乌鸦i跳转到一个随机位置；当不满足预设条件时，乌鸦i继续对乌鸦j进行追踪。本实施例中，基于乌鸦算法的思路，终端根据预设条件来判断第一更新容量是否按照第三初始容量进行重新配置，当满足预设条件时，终端更新第一更新容量，得到第一配置方案的第二更新容量，即将第三初始容量作为第一配置方案的第二更新容量；当不满足预设条件时，第一配置方案的更新容量向第三配置方案的记忆容量Mn接近。
步骤416，将所述第二更新容量输入所述电源容量配置评价模型，得到所述第二更新容量的评分。
具体地，终端结合步骤406中的电源容量配置评价模型，将步骤414中的第二更新容量输入电源容量配置评价模型，得到第二更新容量的评分。
步骤418，若所述第二更新容量的评分大于或等于所述第一更新容量的评分，则将所述第二更新容量作为所述第一配置方案的记忆容量。
具体实施方式参见步骤210，终端将步骤414中获取到的第二更新容量的评分与第一更新容量的评分进行比较，参见公式(13)，若第二更新容量的评分大于或等于所述第一更新容量的评分，则第二次迭代过程中，第二更新容量作为该第一配置方案的记忆容量，假设最大迭代次数为2，则将第一配置方案的记忆容量作为电源容量最优配置结果，
Figure BDA0002498477440000151
其中，
Figure BDA0002498477440000152
表示乌鸦算法中乌鸦i的最佳位置节点；
Figure BDA0002498477440000153
表示乌鸦i的当前位置节点；
Figure BDA0002498477440000154
表示乌鸦i的记忆位置节点；OX表示更新容量的评分；OM表示第一初始容量的评分；k表示迭代k次；k+1表示迭代k+1次。
作为一种可选的实施方式，终端可以根据微电网中电源种类数目设置乌鸦算法搜索空间的维度d、乌鸦种群数目m、乌鸦飞行步长fl、转换概率AP及最大迭代次数K，其中，各维度数据分别代表各种电源容量配置的容量。乌鸦算法中，终端随机初始化所有乌鸦在搜索空间中的位置进行K次迭代来寻找最佳位置，每一次迭代过程中m只乌鸦的最佳位置全部更新完成，直至达到最大迭代次数K，此时，得到搜索空间中的m只乌鸦在最佳位置。基于乌鸦算法的思路，微电网中的所有电源容量配置方案可以通过多次迭代来寻找容量最优配置结果，每一次迭代过程中，微电网中的每一配置方案都需要进行寻优配置，直至微电网中的所有配置方案都获取到最优容量，则第一次迭代结束，继续进行第二次寻优配置，直至达到最大迭代次数K，此时，微电网中实现了最优电源容量配置。
上述电源容量配置方法中，通过多次迭代实现微电网的电源容量配置，可使整个微电网系统的可靠性、经济性与环保性在限制范围内达到最佳。
在一个实施例中，对上述电源容量配置方法进行了模拟实验，如图4-7所示，模拟结果显示随着迭代次数增加目标函数的4个指标变化均符合预期，其中，年断电时间因权重较高，一直保持在0小时，初始投资费用从数十亿元大幅减少至数千万，可再生能源占比也不断增加，反应了微电网的环保性不断增加，每日每千瓦维护费用因设置权重较小主要随其他参数变化。从而验证了该方法的可靠性、经济性与环保性。
应该理解的是，虽然图2和3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种电源容量配置装置，包括：初始容量获取模块501、更新容量获取模块502、模型获取模块503、第一评分获取模块504、第二评分获取模块505和记忆容量获取模块506，其中：
初始容量获取模块501，用于选取第一配置方案和第二配置方案进行电源容量初始化，得到所述第一配置方案的初始容量和所述第二配置方案的初始容量，将所述第一配置方案的初始容量作为第一初始容量，将所述第二配置方案的初始容量作为第二初始容量；
更新容量获取模块502，用于将所述第一初始容量按照所述第二初始容量进行重新配置，当满足预设条件时，更新所述第一初始容量，得到所述第一配置方案的更新容量；
模型获取模块503，用于获取电源容量配置评价模型，所述电源容量配置评价模型用于对所述第一初始容量和所述更新容量进行评分；
第一评分获取模块504，用于将所述第一初始容量输入所述电源容量配置评价模型，得到所述第一初始容量的评分；
第二评分获取模块505，用于将所述更新容量输入所述电源容量配置评价模型，得到所述更新容量的评分；
记忆容量获取模块506，用于若所述更新容量的评分大于或等于所述第一初始容量的评分，则将所述更新容量作为所述第一配置方案的记忆容量。
在其中一个实施例中，更新容量获取模块502，具体用于选取预设数，当所述预设数大于或等于预设转换概率时，更新所述第一初始容量，得到所述第一配置方案的更新容量；其中，所述预设数表示0和1之间均匀分布的随机数字。
在其中一个实施例中，还包括模型建立模块507，用于根据电源性质建立多个电源功率模型，并通过每一所述电源功率模型计算所述电源功率模型对应的电源的输出功率，得到多个电源输出功率；将所述多个电源输出功率输入可靠性评估模型，得到年断电时间；根据电源容量与价格的关系计算电源初始投资成本；根据所述电源容量与运行费用的关系计算电源运行费用；根据预设电源的发电容量在微电网中的占比对所述微电网进行综合环保评分；根据所述年断电时间、所述电源初始投资成本、所述电源运行费用及所述综合环保评分，建立所述电源容量配置评价模型。
在其中一个实施例中，模型建立模块507，具体用于将风机额定输出功率、风速、风机启动风速及风机额定风速输入所述风机功率模型，得到风机输出功率；将光伏阵列额定输出功率、光照强度及光伏阵列额定光照强度输入所述光伏阵列功率模型，得到光伏阵列输出功率；将电池组当前容量、电池组饱和容量、电网负荷、所述风机输出功率及所述光伏阵列输出功率输入所述电池组功率模型，得到电池组输出功率；将发电机饱和容量、所述风机输出功率、所述光伏阵列输出功率及所述电池组输出功率输入所述发电机功率模型，得到发电机输出功率。
在其中一个实施例中，模型建立模块507，具体用于获取包含多个电源的微电网的负荷量；将所述负荷量、所述风机输出功率、所述光伏阵列输出功率、所述电池组输出功率及所述发电机输出功率输入所述可靠性评估模型，得到所述年断电时间。
在其中一个实施例中，模型建立模块507，具体用于分别设置所述年断电时间、所述电源初始投资成本、所述电源运行费用及所述综合环保评分在所述电源容量配置评价模型中的权重，得到年断电时间权重、电源初始投资成本权重、电源运行费用权重及环保评分权重；根据所述年断电时间、所述电源初始投资成本、所述电源运行费用、所述综合环保评分、所述年断电时间权重、所述电源初始投资成本权重、所述电源运行费用权重及所述环保评分权重，建立所述电源容量配置评价模型。
关于电源容量配置装置的具体限定可以参见上文中对于电源容量配置方法的限定，在此不再赘述。上述电源容量配置装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电源容量配置数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电源容量配置方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
选取第一配置方案和第二配置方案进行电源容量初始化，得到所述第一配置方案的初始容量和所述第二配置方案的初始容量，将所述第一配置方案的初始容量作为第一初始容量，将所述第二配置方案的初始容量作为第二初始容量；
将所述第一初始容量按照所述第二初始容量进行重新配置，当满足预设条件时，更新所述第一初始容量，得到所述第一配置方案的更新容量；
获取电源容量配置评价模型，所述电源容量配置评价模型用于对所述第一初始容量和所述更新容量进行评分；
将所述第一初始容量输入所述电源容量配置评价模型，得到所述第一初始容量的评分；
将所述更新容量输入所述电源容量配置评价模型，得到所述更新容量的评分；
若所述更新容量的评分大于或等于所述第一初始容量的评分，则将所述更新容量作为所述第一配置方案的记忆容量。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
选取第一配置方案和第二配置方案进行电源容量初始化，得到所述第一配置方案的初始容量和所述第二配置方案的初始容量，将所述第一配置方案的初始容量作为第一初始容量，将所述第二配置方案的初始容量作为第二初始容量；
将所述第一初始容量按照所述第二初始容量进行重新配置，当满足预设条件时，更新所述第一初始容量，得到所述第一配置方案的更新容量；
获取电源容量配置评价模型，所述电源容量配置评价模型用于对所述第一初始容量和所述更新容量进行评分；
将所述第一初始容量输入所述电源容量配置评价模型，得到所述第一初始容量的评分；
将所述更新容量输入所述电源容量配置评价模型，得到所述更新容量的评分；
若所述更新容量的评分大于或等于所述第一初始容量的评分，则将所述更新容量作为所述第一配置方案的记忆容量。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种电源容量配置方法，其特征在于，所述方法包括：
选取第一配置方案和第二配置方案进行电源容量初始化，得到所述第一配置方案的初始容量和所述第二配置方案的初始容量，将所述第一配置方案的初始容量作为第一初始容量，将所述第二配置方案的初始容量作为第二初始容量；
将所述第一初始容量按照所述第二初始容量进行重新配置，当满足预设条件时，将第二初始容量作为第一配置方案的更新容量；当不满足预设条件时，第一配置方案的更新容量向第二配置方案的记忆容量接近；
获取电源容量配置评价模型，所述电源容量配置评价模型用于对所述第一初始容量和所述更新容量进行评分；
将所述第一初始容量输入所述电源容量配置评价模型，得到所述第一初始容量的评分；
将所述更新容量输入所述电源容量配置评价模型，得到所述更新容量的评分；
若所述更新容量的评分大于或等于所述第一初始容量的评分，则将所述更新容量作为所述第一配置方案的记忆容量，若所述更新容量的评分小于第一初始容量的评分，则将第一初始容量作为该第一配置方案的记忆容量，所述第一配置方案的记忆容量是所述第一配置方案的最佳容量配置结果。
2.根据权利要求1所述的方法，其特征在于，所述将所述第一初始容量按照所述第二初始容量进行重新配置，当满足预设条件时，将第二初始容量作为第一配置方案的更新容量，包括：
选取预设数，当所述预设数大于或等于预设转换概率时，更新所述第一初始容量，得到所述第一配置方案的更新容量；其中，所述预设数表示0和1之间均匀分布的随机数字，所述预设转换概率是根据微电网中电源的种类数目预先设置的。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据电源性质建立多个电源功率模型，并通过每一所述电源功率模型计算所述电源功率模型对应的电源的输出功率，得到多个电源输出功率；
将所述多个电源输出功率输入可靠性评估模型，得到年断电时间；
根据电源容量与价格的关系计算电源初始投资成本；
根据所述电源容量与运行费用的关系计算电源运行费用；
根据预设电源的发电容量在微电网中的占比对所述微电网进行综合环保评分；
根据所述年断电时间、所述电源初始投资成本、所述电源运行费用及所述综合环保评分，建立所述电源容量配置评价模型。
4.根据权利要求3所述的方法，其特征在于，所述多个电源功率模型包括风机功率模型、光伏阵列功率模型、电池组功率模型及发电机功率模型；
所述根据电源性质建立多个电源功率模型，并通过每一所述电源功率模型计算所述电源功率模型对应的电源的输出功率，得到多个电源输出功率包括：
将风机额定输出功率、风速、风机启动风速及风机额定风速输入所述风机功率模型，得到风机输出功率；
将光伏阵列额定输出功率、光照强度及光伏阵列额定光照强度输入所述光伏阵列功率模型，得到光伏阵列输出功率；
将电池组当前容量、电池组饱和容量、电网负荷、所述风机输出功率及所述光伏阵列输出功率输入所述电池组功率模型，得到电池组输出功率；
将发电机饱和容量、所述风机输出功率、所述光伏阵列输出功率及所述电池组输出功率输入所述发电机功率模型，得到发电机输出功率。
5.根据权利要求4所述的方法，其特征在于，所述将所述多个电源输出功率输入可靠性评估模型，得到年断电时间包括：
获取包含多个电源的微电网的负荷量；
将所述负荷量、所述风机输出功率、所述光伏阵列输出功率、所述电池组输出功率及所述发电机输出功率输入所述可靠性评估模型，得到所述年断电时间。
6.根据权利要求3所述的方法，其特征在于，所述根据所述年断电时间、所述电源初始投资成本、所述电源运行费用及所述综合环保评分，建立所述电源容量配置评价模型包括：
分别设置所述年断电时间、所述电源初始投资成本、所述电源运行费用及所述综合环保评分在所述电源容量配置评价模型中的权重，得到年断电时间权重、电源初始投资成本权重、电源运行费用权重及环保评分权重；
根据所述年断电时间、所述电源初始投资成本、所述电源运行费用、所述综合环保评分、所述年断电时间权重、所述电源初始投资成本权重、所述电源运行费用权重及所述环保评分权重，建立所述电源容量配置评价模型。
7.一种电源容量配置方法，其特征在于，所述方法包括：
选取第一配置方案和第二配置方案进行电源容量初始化，得到所述第一配置方案的初始容量和所述第二配置方案的初始容量，将所述第一配置方案的初始容量作为第一初始容量，将所述第二配置方案的初始容量作为第二初始容量；
将所述第一初始容量按照所述第二初始容量进行重新配置，当满足预设条件时，将第二初始容量作为第一配置方案的更新容量；当不满足预设条件时，第一配置方案的第一更新容量向第二配置方案的记忆容量接近；
获取电源容量配置评价模型，所述电源容量配置评价模型用于对所述第一初始容量和所述第一更新容量进行评分；
将所述第一初始容量输入所述电源容量配置评价模型，得到所述第一初始容量的评分；
将所述第一更新容量输入所述电源容量配置评价模型，得到所述第一更新容量的评分；
若所述第一更新容量的评分大于或等于所述第一初始容量的评分，则保存将所述第一更新容量；
继续选取第三配置方案进行电源容量初始化，得到所述第三配置方案的初始容量，将所述第三配置方案的初始容量作为第三初始容量；
将所述第一更新容量按照所述第三初始容量进行重新配置，当满足所述预设条件时，将第三初始容量作为第一配置方案的第二更新容量；当不满足预设条件时，第一配置方案的更新容量向第三配置方案的记忆容量接近；
将所述第二更新容量输入所述电源容量配置评价模型，得到所述第二更新容量的评分；
若所述第二更新容量的评分大于或等于所述第一更新容量的评分，则将所述第二更新容量作为所述第一配置方案的记忆容量，所述第一配置方案的记忆容量是所述第一配置方案的最佳容量配置结果。
8.一种电源容量配置装置，其特征在于，所述装置包括：
初始容量获取模块，用于选取第一配置方案和第二配置方案进行电源容量初始化，得到所述第一配置方案的初始容量和所述第二配置方案的初始容量，将所述第一配置方案的初始容量作为第一初始容量，将所述第二配置方案的初始容量作为第二初始容量；
更新容量获取模块，用于将所述第一初始容量按照所述第二初始容量进行重新配置，当满足预设条件时，将第二初始容量作为第一配置方案的更新容量；当不满足预设条件时，第一配置方案的更新容量向第二配置方案的记忆容量接近；
模型获取模块，用于获取电源容量配置评价模型，所述电源容量配置评价模型用于对所述第一初始容量和所述更新容量进行评分；
第一评分获取模块，用于将所述第一初始容量输入所述电源容量配置评价模型，得到所述第一初始容量的评分；
第二评分获取模块，用于将所述更新容量输入所述电源容量配置评价模型，得到所述更新容量的评分；
记忆容量获取模块，用于若所述更新容量的评分大于或等于所述第一初始容量的评分，则将所述更新容量作为所述第一配置方案的记忆容量，若所述更新容量的评分小于第一初始容量的评分，则将第一初始容量作为该第一配置方案的记忆容量，所述第一配置方案的记忆容量是所述第一配置方案的最佳容量配置结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010425247.3A 2020-05-19 2020-05-19 电源容量配置方法、装置、计算机设备和存储介质 Active CN111525629B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010425247.3A CN111525629B (zh) 2020-05-19 2020-05-19 电源容量配置方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010425247.3A CN111525629B (zh) 2020-05-19 2020-05-19 电源容量配置方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111525629A CN111525629A (zh) 2020-08-11
CN111525629B true CN111525629B (zh) 2022-01-04

Family

ID=71908940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010425247.3A Active CN111525629B (zh) 2020-05-19 2020-05-19 电源容量配置方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111525629B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114201232B (zh) * 2021-12-01 2023-08-22 东莞新能安科技有限公司 电池管理系统参数配置方法、装置、系统以及上位机

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9312699B2 (en) * 2012-10-11 2016-04-12 Flexgen Power Systems, Inc. Island grid power supply apparatus and methods using energy storage for transient stabilization
FR3043274A1 (fr) * 2015-11-03 2017-05-05 Upowa Dispositif electrique autonome a controle differe
US10731630B2 (en) * 2018-01-03 2020-08-04 General Electric Company Extended reaction power for wind farms
CN109888830B (zh) * 2019-03-20 2020-09-22 国网能源研究院有限公司 一种适应大规模新能源并网消纳的储能容量优化配置方法
CN110417045A (zh) * 2019-06-03 2019-11-05 湖北省电力勘测设计院有限公司 一种针对交直流混合微电网容量配置的优化方法

Also Published As

Publication number Publication date
CN111525629A (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
Zhang et al. Coordinated investment in transmission and storage systems representing long-and short-term uncertainty
Alharbi et al. Stochastic optimal planning of battery energy storage systems for isolated microgrids
Niknam et al. A modified honey bee mating optimization algorithm for multiobjective placement of renewable energy resources
Nguyen-Hong et al. Optimal sizing of energy storage devices in isolated wind-diesel systems considering load growth uncertainty
Shivaie et al. A reliability-constrained cost-effective model for optimal sizing of an autonomous hybrid solar/wind/diesel/battery energy system by a modified discrete bat search algorithm
Kharrich et al. An Improved Arithmetic Optimization Algorithm for design of a microgrid with energy storage system: Case study of El Kharga Oasis, Egypt
Zhang et al. Optimal energy management of wind-battery hybrid power system with two-scale dynamic programming
Khan et al. Optimal sizing of a stand-alone photovoltaic, wind turbine and fuel cell systems
Bakhtiari et al. Predicting the stochastic behavior of uncertainty sources in planning a stand-alone renewable energy-based microgrid using Metropolis–coupled Markov chain Monte Carlo simulation
Chen et al. Effective load carrying capability evaluation of renewable energy via stochastic long-term hourly based SCUC
CN110620402B (zh) 电-气混联系统分布式规划运行联合优化方法及系统
Dhamanda et al. A traditional approach to solve economic load dispatch problem of thermal generating unit using MATLAB programming
KR101888877B1 (ko) 신재생에너지 하이브리드 발전시스템의 설계 방법
Bakeer et al. A sophisticated modeling approach for photovoltaic systems in load frequency control
Tian et al. Coordinated planning with predetermined renewable energy generation targets using extended two-stage robust optimization
Deepanraj et al. Intelligent wild geese algorithm with deep learning driven short term load forecasting for sustainable energy management in microgrids
CN113285490A (zh) 电力系统调度方法、装置、计算机设备和存储介质
CN110009141A (zh) 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统
CN114221340A (zh) 基于源网荷储分布式能源配网方法、装置、设备及介质
Eidiani et al. A Fast Holomorphic Method to Evaluate Available Transmission Capacity with Large Scale Wind Turbines
CN111525629B (zh) 电源容量配置方法、装置、计算机设备和存储介质
Geleta et al. A hybrid of grey wolf optimization and genetic algorithm for optimization of hybrid wind and solar renewable energy system
Karapidakis Machine learning for frequency estimation of power systems
CN115907140A (zh) 电力现货出清方案优化方法、装置、计算机设备和介质
Layadi et al. Economic and ecological optimization of multi-source systems under the variability in the cost of fuel

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