CN111614110A - 一种基于改进多目标粒子群算法的受端电网储能优化配置方法 - Google Patents
一种基于改进多目标粒子群算法的受端电网储能优化配置方法 Download PDFInfo
- Publication number
- CN111614110A CN111614110A CN202010545204.9A CN202010545204A CN111614110A CN 111614110 A CN111614110 A CN 111614110A CN 202010545204 A CN202010545204 A CN 202010545204A CN 111614110 A CN111614110 A CN 111614110A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- particle
- power grid
- optimization configuration
- receiving
- 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.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 105
- 238000004146 energy storage Methods 0.000 title claims abstract description 94
- 238000005457 optimization Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000003068 static effect Effects 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 29
- 239000003990 capacitor Substances 0.000 claims description 12
- 230000033228 biological regulation Effects 0.000 claims description 11
- 238000010248 power generation Methods 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于改进多目标粒子群算法的受端电网储能优化配置方法，步骤包括：在原有受端电网中加入储能装置，建立以系统静态电压稳定、发电机功率波动以及系统成本为优化目标的储能优化配置模型；以上述模型中的优化目标作为改进多目标粒子群算法的适应度函数，对模型进行求解并生成一组Pareto解集；采用基于信息熵的TOPSIS法从最后一次迭代生成的Pareto解集中确立储能优化配置模型的最佳方案。本发明所提的储能优化配置模型综合考虑了系统的经济性和安全性，为储能电站在受端电网的应用提供了一定的理论支持，最后的算例分析可以看出，所提算法能提高模型的求解效率和寻找到更加全面、合理的配置方案。
Description
技术领域
本发明涉及受端电网中储能的规划问题，具体涉及一种基于改进多目标粒 子群算法的受端电网储能优化配置方法。
背景技术
随着煤炭等非可再生、高污染的能源总量日益减少，我国的电能结构正由 火力发电向低碳化的清洁能源发电转变。但清洁能源储量分布不均，以新疆为 代表的西北地区的风、光等可再生资源丰富，以三峡为代表的中西部地区具有 大量的水能资源，已超出自身能源消纳能力；而以江浙地区为代表的东部地区 清洁能源储量小，并且电能需求量大，需要引入大量的外来电能。为解决上述 能源分布不平衡问题，需要构建远距离、大容量的电能输送渠道，高压直流输 电(HVDC)技术应运而生。目前我国已经建立了多条高压直流输电线路，实 现清洁能源在空间上的转移，有效缓解了东部受端地区的供电压力。
考虑到清洁能源具有长时“逆调峰”和短时波动特性，随着清洁电能通过 HVDC大规模注入受端电网，加上自身清洁能源渗透率不断提高，传统的发电 机组占比下降，功率波动更为严重，缩短了其使用寿命，同时感应电动机负荷 所占的比例不断扩大，电压稳定问题也日益突出。
受益于科技的发展推动着储能配置成本的下降，加上具有快速、灵活和准 确控制能力的储能系统在提升受端电网调控性能方面的突出作用，以江苏镇江 101MW/202MWh储能为代表的电网侧储能系统规模不断扩大。受端电网中储 能系统的调控能力主要体现在：一方面，储能系统通过其能量存储特性改变传 统电网供需平衡的供电方式，能够有效应对可再生能源的长时间逆调峰特性并 平抑其短时功率波动，提升了受端电网的清洁能源消纳能力；另一方面，储能 系统的有功、无功四象限调节能力能够有效控制并网点附近电压水平，提高系 统静态稳定性。但目前阶段储能系统配置成本仍然相对较高、循环次数相对有 限，需优化储能系统的选址以及容量配置方案，使其配置、运行经济性和调节 能力达到综合最优。
发明内容
本发明的目的在于：提出一种基于改进多目标粒子群算法的受端电网储能 优化配置方法，以提高受端电网的经济性和安全性。
本发明的解决方案是：一种基于改进多目标粒子群算法的受端电网储能优 化配置方法，包括如下步骤：
(1)在原有受端电网中加入储能装置，建立以系统静态电压稳定、发电 机功率波动以及系统成本为优化目标的储能优化配置模型；
(2)以所述储能优化配置模型中的优化目标作为改进多目标粒子群算法 的适应度函数，对储能优化配置模型进行求解并生成一组Pareto解集；
(3)采用基于信息熵的TOPSIS法从最后一次迭代生成的Pareto解集中确 立储能优化配置模型的最佳方案。
其中，步骤(1)中，在原有受端电网中加入储能装置，具体根据系统的 静态电压稳定指标、发电机功率波动以及储能投资成本、系统日常运行维护成 本以及日发电成本等因素构成的储能优化配置模型。
进一步，所述储能优化配置模型的目标函数具体表达式如下：
式中，f1、f2、f3分别为系统静态电压稳定指标、发电机功率波动和系统 成本；M、k分别为电网支路总数和支路号；LPQk为第k条支路静态电压稳定指 标；ng为发电机组台数；PG，i(t)、
分别为第i个发电机组在t时刻的有功出力 以及整个时间段内的有功出力平均值；CESS、COM、CGEN分别为储能投资成本、 系统日常运行维护成本和日发电成本，且满足：
其中：
式中，
分别为支路k首末两端节点的静态电压稳定指标，其值根 据静态电压稳定指标中的L指标求得；r为折现率；y为储能系统生命周期；ness为储能个数；αi、βi分别为储能i的单位容量成本和单位功率成本；ESOC，i、PESS，i分别为第i个储能装机容量和额定功率；
csvg、ccb分别为储能有功、 储能无功、SVG和并联电容器组的单位控制成本；Pess，i(t)、ΔQess，i(t)、ΔQsvg(t)、 ΔQcb(t)分别为t时刻储能i的有功出力、无功调节量、SVG无功调节量和并联电 容器组无功调节量；a、b、c为火电机组发电的成本系数。
其中，步骤(2)中以所述储能优化配置模型中的优化目标作为改进多目 标粒子群算法的适应度函数，对储能优化配置模型进行求解并生成一组Pareto 解集，具体改进措施如下：
(1)Pareto解集更新策略：判断Pareto解集是否超出规模，如果是，每次 删除极小粒距向量组中值最小的两个粒子中任意一个，如此动态调整，直至 pareto解集符合规模；将极小粒距向量组和极大粒距向量组值最大的各两个粒 子作为最优粒子，以此多迭代方向来更新pareto解集。极小粒距向量组和极大 粒距向量组定义如下：
其中，
式中，n为pareto解集规模数；fik、f′ik分别为粒子i第k个实际的目标函数 值和规范化后的目标函数值；
分别为极小粒距向量组和极大粒距向量 组第i个元素；
分别为第k个目标函数绝对正负理想解。
(2)自适应惯性权重：在一次迭代过程中，依据当前粒子与最优粒子之 间的速度位置相似度设定相似度系数，并以此为基础随迭代次数自适应改变惯 性权重，公式如下：
其中：
式中，X′i、gx′分别为经无量纲化处理后的当前粒子和最优粒子；cosi为第 i个粒子的最优相似度；wi为第i个粒子的权重；wup和wdown分别为权重的最大和 最小；Xmax、Xmin分别为粒子各位置上的最大值和最小值。
其中，步骤(3)中采用基于信息熵的TOPSIS法从最后一次迭代生成的 Pareto解集中确立储能优化配置模型的最佳方案，具体步骤如下：
(3-1)按式(5)对目标函数进行规范化处理。
(3-2)求各适应度函数权重，公式如下：
其中：
式中：m为目标函数个数；Ek和λk分别为第k个属性的信息熵和权重。
(3-3)计算距离尺度和贴合度，公式如下：
其中：
式中，
分别为粒子i的正、负理想距离；Ci为粒子i的贴合度，其值 越大越优。
本发明与现有技术相比，具有以下显著的优点：
(1)本发明将储能装置应用到受端电网的优化调度，建立了以系统静态 电压稳定、发电机功率波动以及系统成本为优化目标的储能优化配置模型，综 合考虑了系统的安全性和经济性，为储能接入受端电网提供了一定的技术支 持。
(2)本发明提出了采用极小粒距向量组和极大粒距向量组对Pareto解集 进行更新：判断Pareto解集是否超出规模，如果是，每次删除极小粒距向量组 中值最小的两个粒子中任意一个，如此动态调整，直至pareto解集符合规模； 将极小粒距向量组和极大粒距向量组值最大的各两个粒子作为最优粒子，以此 多迭代方向来更新pareto解集，既增强了Pareto解集的均匀性，以提高了其全 局性。
(3)本发明提出了依据最优相似度对惯性权重进行自适应调整：当相似 度较大时表示该粒子接近种群最优粒子，此时应该适时减小惯性权重的取值， 并且在最优相似度大于某个阈值时，引入交叉变异操作，从而在增强局部寻优 的能力的同时，提高粒子跳出局部最优的能力；当相似度较小时表示该粒子远 离种群最优粒子，此时应该适时增加惯性权重的取值，从而提高算法的收敛速 度。
(4)本发明提出了基于信息熵的TOPSIS法从最后一次迭代生成的Pareto 解集中确立储能优化配置模型的最佳方案：依据绝对理想解对目标函数值进行 规范化，同时利用基于信息熵确立权重的TOPSIS法寻找储能配置的最佳方案， 保证了方案选取的客观性和合理性。
附图说明
图1为220KV及以上线路模型。
图2为Pareto解集更新策略图。
图3为惯性权重自适应调整曲线图。
图4为IEEE39节点系统图。
图5为日负荷曲线图。
图6为算法流程图。
图7为均匀性指标随迭代次数变化曲线图。
图8为全局性指标随迭代次数变化曲线图。
具体实施方式
下面将结合附图及具体实施例对本发明方案进行详细描述。
如图6所示，本发明提供一种基于改进多目标粒子群算法的受端电网储能 优化配置方法，具体步骤如下：
(1)在原有受端电网中加入储能装置，综合考虑系统的经济性和安全性， 建立以系统静态电压稳定、发电机功率波动以及系统成本为优化目标的储能优 化配置模型；
1)优化目标
式中，f1、f2、f3分别为系统静态电压稳定指标、发电机功率波动和系统 成本；M、k分别为电网支路总数和支路号；LPQk为第k条支路静态电压稳定指 标；ng为发电机组台数；PG，i(t)、
分别为第i个发电机组在t时刻的有功出力 以及整个时间段内的有功出力平均值；CESS、COM、CGEN分别为储能投资成本、 系统日常运行维护成本和日发电成本，且满足：
其中：
其中，
分别为支路k首末两端节点的静态电压稳定指标，其值根 据静态电压稳定指标中的L指标求得，相应的参数含义如图1所示；r为折现率； y为储能系统生命周期；ness为储能个数；αi、βi分别为储能i的单位容量成本 和单位功率成本；ESOC，i、PESS，i分别为第i个储能装机容量和额定功率；
csvg、ccb分别为储能有功、储能无功、SVG和并联电容器组的单位控制成本；Pess，i(t)、ΔQess，i(t)、ΔQsvg(t)、ΔQcb(t)分别为t时刻储能i的有功出力、无功调节量、 SVG无功调节量和并联电容器组无功调节量；a、b、c为火电机组发电的成本 系数。
2)约束条件
①储能装配容量及功率约束
式中，
分别为储能装配容量和功率的上下限。
②潮流平衡约束
式中，Pi(t)、Qi(t)分别为t时刻注入节点i的有功功率和无功功率。
③发电机组功率约束
式中，
分别为第i个发电机组有功出力和无功出力的 上下限。
④储能约束
其中，
分别为储能i输出功率的上下限；ηch，i、ηdis，i分别为第i个储 能充、放电电能转换效率；Δt为储能单次充、放电的时间间隔。
⑤SVG约束
式中，Qsvg(t)为SVG在t时刻的无功出力；
分别为SVG无功出 力上下限。
⑥并联电容器约束
式中，Qcb(t)为并联电容器组在t时刻的无功出力；q为并联电容器组单位 无功出力；C(t)为并联电容器组在t时刻的并网数，为离散量；Cmax为并联电容 器组最大并网数。
⑦节点电压约束
Vmin≤Vi(t)≤Vmax 式(18)，
式中，Vmax、Vmin分别节点电压的上下限。
(2)以所述模型中的优化目标作为改进多目标粒子群算法的适应度函数， 对模型进行求解并生成一组Pareto解集，具体操作步骤如下：
(2-1)输入电网线路参数、发电机参数和负荷数据；
(2-2)初始化种群粒子(储能选址定容及各设备的控制参数)的位置和速 度以及历史最优位置和最佳适应度；
(2-3)设置设迭代次数K＝7；
(2-4)计及条件约束求解各个粒子的适应度函数值，并更新种群粒子历史 最优位置和最佳适应度；
(2-5)基于pareto解集更新策略控制解集规模和粒子迭代方向以及基于最 优相似度对惯性权重进行自适应调整，并适时地引入交叉变异操作，具体操作 如下：
①Pareto解集更新策略：判断Pareto解集是否超出规模，如果是，每次删 除极小粒距向量组中值最小的两个粒子中任意一个，如此动态调整，直至pareto 解集符合规模；将极小粒距向量组和极大粒距向量组值最大的各两个粒子作为 最优粒子，以此多迭代方向来更新pareto解集，Pareto解集更新策略如图2所 示。极小粒距向量组和极大粒距向量组定义如下：
其中：
式中，n为pareto解集规模数；fik、f′ik分别为粒子i第k个实际的目标函数 值和规范化后的目标函数值；
分别为极小粒距向量组和极大粒距向量 组第i个元素；
分别为第k个目标函数绝对正负理想解。
②自适应惯性权重：在一次迭代过程中，依据当前粒子与最优粒子之间的 速度位置相似度设定相似度系数，并以此为基础随迭代次数自适应改变惯性权 重，如图3所示，其公式如下：
其中：
式中，X′i、gx′分别为经无量纲化处理后的当前粒子和最优粒子；cosi为第 i个粒子的最优相似度；wi为第i个粒子的权重；wup和wdown分别为权重的最大和 最小；Xmax、Xmin分别为粒子各位置上的最大值和最小值。
(2-6)根据步骤(2-5)对种群粒子的位置和速度进行更新；
式中：K为当前迭代数；
分别在第K次迭代时第i个粒子的第j个位 置参数和速度参数；wi为第i个粒子的惯性权重系数；c1、c2为粒子的学习因子， 分别为自我学习因子及种群学习因子，
为经过K次迭代第i个粒子自身搜索 到的历史最优值；gxK为经过K次迭代种群粒子搜索到的历史最优值；r1、r2均 为[0，1]区间内的随机数。
(2-7)设置迭代次数K＝K+1；
(2-8)判断K是否大于Kmax，如果是，输出Pareto解集，反之，跳转到步 骤(2-4)；
(3)采用基于信息熵的TOPSIS法从最后一次迭代生成的Pareto解集中确 立储能优化配置模型的最佳方案，具体步骤如下：
(3-1)按式(11)对目标函数进行规范化处理。
(3-2)求各适应度函数权重。
其中：
式中：Ek和λk分别为第k个属性的信息熵和权重。
(3-3)计算距离尺度和贴合度。
其中：
式中，
分别为粒子i的正、负理想距离；Ci为粒子i的贴合度，其值 越大越优。
在IEEE39系统上调整相关参数，如图4所示，并在此基础上进行算例仿 真分析。系统基准容量100MVA，基准电压345KV。节点30、36、39为外来 输入功率并网点；典型日负荷曲线如图5所示；并联电容器和SVG分别接于 节点20和节点23。采用Matlab2016a对算法程序进行编写，并调用matpower 工具箱进行潮流计算。
为说明本实施例中基于改进多目标粒子群算法的受端电网储能优化配置 方法的优势，设置了以下两种场景进行对比分析：
场景1：基于经典多目标粒子群算法的受端电网储能优化配置方法。
场景2：基于改进多目标粒子群算法的受端电网储能优化配置方法。
基于改进多目标粒子群算法的受端电网储能优化配置模型求解流程图所 示，仿真参数设置如表1所示。
表1仿真参数设置
不同场景下的优化结果如表2所示。
表2不同场景下的优化结果
由表2可以看出，基于改进多目标粒子群算法的受端电网储能优化配置方 法所得出的优化结果均优于基于经典多目标粒子群算法的受端电网储能优化 配置方法。为进一步探究其中的原因，需对产生最佳配置方案的Pareto解集性 质进行研究，分别采用极小粒距标准差及等效粒子数来表示种群粒子的均匀性 及全局性，公式如下：
其中：
式中：σ、S分别为极小粒距标准差和等效粒子数；
分别为极大 粒距平均值和极小粒距平均值。
根据上式，得出不同场景下的Pareto解集均匀性和全局性指标随迭代次数 变化曲线图如图7、8所示。本发明将均匀性和全局性指标达到稳态时的迭代 次数的平均值作为算法收敛性的判定依据，并定义其稳态状态，即为从起始迭 代次数到最大迭代次数中均匀性或全局性指标的最大值和最小值的偏差量低 于其最小值的50％，通过数据分析得出：场景1、2综合指标达到稳态时的迭 代次数分别为86、53。
通过上述实例验证，基于改进多目标粒子群算法的受端电网储能优化配置 方法相较于基于经典多目标粒子群算法的受端电网储能优化配置方法具有更 快的收敛速度，且生成的Pareto解集具有更好的均匀性和全局性，能够寻找到 更优的储能配置方案，从而提高了系统的经济性和安全性。
以上所述是本发明的较佳实施例，并非对本发明所作的限制，应当指出， 凡是未脱离本发明的实质，而对本发明的任何简单修改或者等同修饰，均应在 本发明技术方案的保护范围内。
Claims (5)
1.一种基于改进多目标粒子群算法的受端电网储能优化配置方法，其特征在于包括如下步骤：
(1)在原有受端电网中加入储能装置，建立以系统静态电压稳定、发电机功率波动以及系统成本为优化目标的储能优化配置模型；
(2)以所述储能优化配置模型中的优化目标作为改进多目标粒子群算法的适应度函数，对储能优化配置模型进行求解并生成一组Pareto解集；
(3)采用基于信息熵的TOPSIS法从最后一次迭代生成的Pareto解集中确立储能优化配置模型的最佳方案。
2.根据权利要求1所述的基于改进多目标粒子群算法的受端电网储能优化配置方法，其特征在于：所述步骤(1)中，在原有受端电网中加入储能装置，具体根据系统的静态电压稳定指标、发电机功率波动以及储能投资成本、系统日常运行维护成本以及日发电成本构成的储能优化配置模型。
3.根据权利要求2所述的基于改进多目标粒子群算法的受端电网储能优化配置方法，其特征在于：所述储能优化配置模型的目标函数具体表达式如下：
式中，f1、f2、f3分别为系统静态电压稳定指标、发电机功率波动和系统成本；M、k分别为电网支路总数和支路号；LPQk为第k条支路静态电压稳定指标；ng为发电机组台数；PG，i(t)、
分别为第i个发电机组在t时刻的有功出力以及整个时间段内的有功出力平均值；CESS、COM、CGEN分别为储能投资成本、系统日常运行维护成本和日发电成本，且满足：
其中：
式中，
分别为支路k首末两端节点的静态电压稳定指标，其值根据静态电压稳定指标中的L指标求得；r为折现率；y为储能系统生命周期；ness为储能个数；αi、βi分别为储能i的单位容量成本和单位功率成本；ESOC，i、PESS，i分别为第i个储能装机容量和额定功率；
csvg、ccb分别为储能有功、储能无功、SVG和并联电容器组的单位控制成本；Pess，i(t)、ΔQess，i(t)、ΔQsvg(t)、ΔQcb(t)分别为t时刻储能i的有功出力、无功调节量、SVG无功调节量和并联电容器组无功调节量；a、b、c为火电机组发电的成本系数。
4.根据权利要求1所述的基于改进多目标粒子群算法的受端电网储能优化配置方法，其特征在于：所述步骤(2)中以储能优化配置模型中的优化目标作为改进多目标粒子群算法的适应度函数，对储能优化配置模型进行求解并生成一组Pareto解集；具体改进措施如下：
(1)Pareto解集更新策略：判断Pareto解集是否超出规模，如果是，每次删除极小粒距向量组中值最小的两个粒子中任意一个，如此动态调整，直至pareto解集符合规模；将极小粒距向量组和极大粒距向量组值最大的各两个粒子作为最优粒子，以此多迭代方向来更新pareto解集；极小粒距向量组和极大粒距向量组定义如下：
其中，
式中，n为pareto解集规模数；fik、f′ik分别为粒子i第k个实际的目标函数值和规范化后的目标函数值；
分别为极小粒距向量组和极大粒距向量组第i个元素；
分别为第k个目标函数绝对正负理想解；
(2)自适应惯性权重：在一次迭代过程中，依据当前粒子与最优粒子之间的速度位置相似度设定相似度系数，并以此为基础随迭代次数自适应改变惯性权重，公式如下：
其中：
式中，X′i、gx′分别为经无量纲化处理后的当前粒子和最优粒子；cosi为第i个粒子的最优相似度；wi为第i个粒子的权重；wup和wdown分别为权重的最大和最小；Xmax、Xmin分别为粒子各位置上的最大值和最小值。
5.根据权利要求1所述的基于改进多目标粒子群算法的受端电网储能优化配置方法，其特征在于：所述步骤(3)中采用基于信息熵的TOPSIS法从最后一次迭代生成的Pareto解集中确立储能优化配置模型的最佳方案，具体步骤如下：
(3-1)按式(5)对目标函数进行规范化处理；
式中，n为pareto解集规模数；fik、f′ik分别为粒子i第k个实际的目标函数值和规范化后的目标函数值；
分别为极小粒距向量组和极大粒距向量组第i个元素；
分别为第k个目标函数绝对正负理想解；
(3-2)求各适应度函数权重，公式如下：
其中：
式中：m为目标函数个数；Ek和λk分别为第k个属性的信息熵和权重；
(3-3)计算距离尺度和贴合度，公式如下：
其中：
式中，
分别为粒子i的正、负理想距离；Ci为粒子i的贴合度，其值越大越优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010545204.9A CN111614110B (zh) | 2020-06-15 | 2020-06-15 | 一种基于改进多目标粒子群算法的受端电网储能优化配置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010545204.9A CN111614110B (zh) | 2020-06-15 | 2020-06-15 | 一种基于改进多目标粒子群算法的受端电网储能优化配置方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111614110A true CN111614110A (zh) | 2020-09-01 |
| CN111614110B CN111614110B (zh) | 2022-01-04 |
Family
ID=72202523
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010545204.9A Expired - Fee Related CN111614110B (zh) | 2020-06-15 | 2020-06-15 | 一种基于改进多目标粒子群算法的受端电网储能优化配置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111614110B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113848987A (zh) * | 2021-11-04 | 2021-12-28 | 河海大学 | 无人机群协同目标搜索中的动态路径规划方法及系统 |
| CN113922396A (zh) * | 2021-10-11 | 2022-01-11 | 国网福建省电力有限公司 | 提升电网电压暂降免疫力的储能电站配置方法及终端 |
| CN114881377A (zh) * | 2022-07-11 | 2022-08-09 | 国网江苏省电力有限公司苏州供电分公司 | 考虑5g车联网的通信基站储能优化方法、系统及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170308968A1 (en) * | 2014-10-21 | 2017-10-26 | Qin Zhou | System, method and apparatus for capacity determination for micro grid and tangible computer readable medium |
| CN107732960A (zh) * | 2017-09-18 | 2018-02-23 | 国网甘肃省电力公司电力科学研究院 | 微电网储能系统容量优化配置方法 |
| CN108551175A (zh) * | 2018-04-28 | 2018-09-18 | 国网湖南省电力有限公司 | 配电网储能容量配置方法 |
| CN109286187A (zh) * | 2018-10-19 | 2019-01-29 | 国网宁夏电力有限公司经济技术研究院 | 一种面向多主体利益均衡的微网日前经济调度方法 |
| CN109473972A (zh) * | 2018-08-31 | 2019-03-15 | 长沙理工大学 | 基于多功率曲线协整的源荷储优化控制方法 |
| CN109492815A (zh) * | 2018-11-15 | 2019-03-19 | 郑州大学 | 一种市场机制下面向电网的储能电站选址定容优化方法 |
-
2020
- 2020-06-15 CN CN202010545204.9A patent/CN111614110B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170308968A1 (en) * | 2014-10-21 | 2017-10-26 | Qin Zhou | System, method and apparatus for capacity determination for micro grid and tangible computer readable medium |
| CN107732960A (zh) * | 2017-09-18 | 2018-02-23 | 国网甘肃省电力公司电力科学研究院 | 微电网储能系统容量优化配置方法 |
| CN108551175A (zh) * | 2018-04-28 | 2018-09-18 | 国网湖南省电力有限公司 | 配电网储能容量配置方法 |
| CN109473972A (zh) * | 2018-08-31 | 2019-03-15 | 长沙理工大学 | 基于多功率曲线协整的源荷储优化控制方法 |
| CN109286187A (zh) * | 2018-10-19 | 2019-01-29 | 国网宁夏电力有限公司经济技术研究院 | 一种面向多主体利益均衡的微网日前经济调度方法 |
| CN109492815A (zh) * | 2018-11-15 | 2019-03-19 | 郑州大学 | 一种市场机制下面向电网的储能电站选址定容优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴小刚 等: ""基于改进多目标粒子群算法的配电网储能选址定容"", 《电网技术》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113922396A (zh) * | 2021-10-11 | 2022-01-11 | 国网福建省电力有限公司 | 提升电网电压暂降免疫力的储能电站配置方法及终端 |
| CN113922396B (zh) * | 2021-10-11 | 2023-04-28 | 国网福建省电力有限公司 | 提升电网电压暂降免疫力的储能电站配置方法及终端 |
| CN113848987A (zh) * | 2021-11-04 | 2021-12-28 | 河海大学 | 无人机群协同目标搜索中的动态路径规划方法及系统 |
| CN113848987B (zh) * | 2021-11-04 | 2023-01-31 | 河海大学 | 无人机群协同目标搜索中的动态路径规划方法及系统 |
| CN114881377A (zh) * | 2022-07-11 | 2022-08-09 | 国网江苏省电力有限公司苏州供电分公司 | 考虑5g车联网的通信基站储能优化方法、系统及装置 |
| CN114881377B (zh) * | 2022-07-11 | 2024-01-30 | 国网江苏省电力有限公司苏州供电分公司 | 考虑5g车联网的通信基站储能优化方法、系统及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111614110B (zh) | 2022-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
| CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
| CN110247438B (zh) | 基于天牛须算法的主动配电网资源优化配置 | |
| CN111614110B (zh) | 一种基于改进多目标粒子群算法的受端电网储能优化配置方法 | |
| CN110729765A (zh) | 一种考虑sop的配电网灵活性评估指标体系和优化调度方法 | |
| CN107994595A (zh) | 一种削峰填谷控制方法和系统以及应用该控制方法的系统 | |
| CN110581571A (zh) | 一种主动配电网动态优化调度方法 | |
| CN109494727B (zh) | 考虑需求响应的配电网有功和无功协调优化运行方法 | |
| Wu et al. | A study on use of hybrid energy storage system along with variable filter time constant to smooth DC power fluctuation in microgrid | |
| CN107565576B (zh) | 一种多主动管理手段相协调的主动配电网无功电压优化方法 | |
| CN108933448B (zh) | 一种含光伏电源的中低压配电网协调控制方法和系统 | |
| CN113378100A (zh) | 考虑碳排放的配电网源网荷储协同优化调度模型和方法 | |
| CN114996908B (zh) | 考虑智能软开关接入的主动配电网扩展规划方法及系统 | |
| CN116488206A (zh) | 基于多目标粒子群算法的含源配电网储能优化配置方法 | |
| CN115663791A (zh) | 基于运行环境时变性的智能配电网多目标自适应调度方法 | |
| CN114676921A (zh) | 一种考虑源荷储协调优化的系统风电可接纳能力计算方法 | |
| CN114548597A (zh) | 一种交直流混合光储配电网优化方法 | |
| CN110942186B (zh) | 基于自适应粒子群算法的柔性交流输电设备优化配置方法 | |
| CN112952869B (zh) | 一种计及风电接入的交直流混联系统扩展规划方法及系统 | |
| Ping et al. | Voltage control strategy for integrated medium and low voltage distribution network based on active-reactive power coordination optimization | |
| Ramesh et al. | Cost Optimization by Integrating PV-System and Battery Energy Storage System into Microgrid using Particle Swarm Optimization | |
| Eissa et al. | A novel approach for optimum allocation of Flexible AC Transmission Systems using Harmony Search technique | |
| CN114977155A (zh) | 基于运行灵活性价格引导的配电系统运行灵活性提升方法 | |
| CN113013909A (zh) | 一种基于平抑牵引的储能容量改进方法 | |
| CN113346501A (zh) | 基于头脑风暴算法的配电网电压优化方法及其系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220104 |