CN111639866A - 基于遗传算法的储能充电站的储能容量的配置方法 - Google Patents
基于遗传算法的储能充电站的储能容量的配置方法 Download PDFInfo
- Publication number
- CN111639866A CN111639866A CN202010493131.3A CN202010493131A CN111639866A CN 111639866 A CN111639866 A CN 111639866A CN 202010493131 A CN202010493131 A CN 202010493131A CN 111639866 A CN111639866 A CN 111639866A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- formula
- rated
- stored energy
- 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.)
- Granted
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000002068 genetic effect Effects 0.000 title claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000007599 discharging Methods 0.000 claims description 17
- 230000005611 electricity Effects 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000011084 recovery Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 5
- 241000039077 Copula Species 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005070 sampling Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/50—Charging stations characterised by energy-storage or power-generation means
- B60L53/51—Photovoltaic means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/50—Charging stations characterised by energy-storage or power-generation means
- B60L53/53—Batteries
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
一种基于遗传算法的充电站容量的配置方法,包括如下步骤:建立储能全寿命周期成本模型:建立储能寿命损耗模型:建立基于遗传算法的容量配置模型:基于启发式算法‑遗传算法的最佳配置计算:获得充电站容量的最佳配置。本发明综合考虑运行性能和经济性,对考虑相关性的集成系统储能配置模型正确性和可行性进行分析,提高光能利用率以及系统经济效益。本发明将储能的额定容量、额定功率和使用年限均作为待优化变量,灵活性高,储能寿命损耗的模型较精确,能够较为准确的评估储能的寿命衰减程度。
Description
技术领域
本发明涉及电动汽车充电站,是一种基于遗传算法的充电站容量的配置方法。
技术背景
现有技术(参见申请(专利)号:CN201510166069.6名称:基于Copula理论的电动汽车光伏充电站储能配置选择方法),该文公开了一种基于Copula理论的电动汽车光伏充电站储能配置选择方法,包括以下步骤:选取光伏单元以及电动汽车充电负荷出力率为随机变量,将实测数据归一化,构建各变量的边缘分布;基于Copula理论,选取Gumbel-Copula和Clayton-Copula构建混合Copula函数来描述变量间非对称后尾特性的相关性;在两者联合出力概率密度函数基础上抽样模拟光伏充电站的年净负荷量;在波动率、置信度等条件的约束下,建立以光伏电动汽车充电站年运行成本最小为目标函数的储能优化配置模型;Matlab编程对最优的储能容量进行优化计算。综合考虑运行性能和经济性,对考虑相关性的集成系统储能配置模型正确性和可行性进行分析,选择最优配置方案,从而提高光能利用率以及系统经济效益。
该方法中,以充电站年运行成本最小化为目标,优化储能的配置,提高了系统的经济效益。由于储能的容量和功率的比值作为固定值,仅储能的容量作为优化变量是比较简化的,并且储能出力限定为固定值,适用性不高。同时,储能的寿命模型也比较粗糙,导致结果不够准确。
发明目的
针对上述现有技术中的缺陷,本发明的目的在于提供一种基于遗传算法的充电站容量配置方法,该方法将储能的额定容量、额定功率和使用年限均作为待优化变量,灵活性高。储能寿命损耗的模型较精确,能够较为准确的评估储能的寿命衰减程度。
本发明的技术解决方案如下:
一种基于遗传算法的充电站容量的配置方法,其特点在于,该方法包括如下步骤:
1)建立储能全寿命周期成本模型:
储能的全寿命周期总成本CWLC包括储能系统的配置成本CBESS、储能的运行维护成本CO&M以及储能的回收价值Crec,如下式所示
CWLC=CBESS+CO&M-Crec (7)
所述的储能系统的配置成本CBESS包括储能电池的购买成本Cbat和储能系统的平衡成本Cbos,如式(2)所示:
CBESS=Cbat+Cbos (8)
所述的储能电池的购买成本Cbat主要和电池类型与电池容量相关,计算方式如式(3)所示:
Cbat=ksSrated (9)
式中,ks为单位容量的储能成本,Srated为储能的额定容量;
储能系统的平衡成本Cbos与储能系统的额定容量线性相关,计算如式(4)所示:
Cbos=kpPrated (10)
式中,kp为单位功率成本,Prated为储能的额定功率;
储能的运行维护成本CO&M一般与充放电功率成正比,如式(5)所示:
CO&M=kO&MPrated (11)
式中,kO&M为单位功率运行维护成本;
所述的储能的回收价值Crec与储能回收时剩余价值相关,如式(6)所示:
Crec=krec(1-α)NCbat (12)
式中,krec为价值剩余率,α为年成本下降率,N为储能电池使用年限;综上所述的储能全寿命周期成本模型为:
CWLC=Cbat+kpPrated+kO&MPrated-krec(1-α)NCbatkO&MPrated (7)
2)建立储能寿命损耗模型:
储能随着充放电次数的增加,储能的可用寿命逐渐减少。因此,有必要建立储能的寿命损耗模型来量化储能的寿命衰减程度。
式中:Lloss(t)为t时刻的储能寿命损耗百分比,N(SOC(t))为充放电循环次数与储能荷电状态的拟合关系式,SOC(t)是储能在t时刻的荷电状态。
储能的放电和充电功率受到储能系统的变流器限制,有最大放电功率和充电功率限制,如式(9)和(10):
0<=Pch(t)<=vch(t)Prated (9)
0<=Pdis(t)<=vdis(t)Prated (10)
式中,Pch(t)、Pdis(t)分别为储能的充电功率/放电功率,vch(t)/vdis(t)为储能的充电、放电标志的0-1变量,vch(t)、vdis(t)为1,表示储能处于充电、放电状态,vch(t)、vdis(t)为0,表示储能当前未充电、放电,Prated为储能的最大充放电功率。
储能无法同时处于充电与放电状态,约束式如式(11)所示:
vch(t)+vdis(t)<=1 (11)
储能的荷电状态SOC也有上下限的约束,如式(12):
储能的荷电状态随时间变化的计算方式如下式:
式中,ηch、ηdis分别为储能的充电效率、放电效率。
3)建立基于遗传算法的容量配置模型:
充电站储能容量配置的目标函数为最小化充电站的年均成本,如下式所示:
Minf=(Cgrid+CWLC-CEV-Cdel)/Y (14)
式中,Cgrid为充电站从电网的购电成本,CEV为充电站为电动汽车的充电收益,Cdel为充电站配置储能延缓电网升级的收益。
所述的充电站从电网的购电成本如式(15)所示:
式中,etou(t)为分时电价,Pgrid(t)是t时刻电网的购电功率,Δt为时间步长;
所述的充电收益如式(16)所示:
式中,eserv(t)为t时刻充电服务商收取的服务费,Pload(t)为t时刻的充电负荷。
所述的延缓电网升级的收益如式(7)所示:
Cdel=kexpPrated(1-1/eθ·Y) (17)
式中,kexp为单位扩建容量的电网建设费用,Prated为延缓电网扩建的容量,θ为年利率,N为储能系统的使用年限。
所述的储能系统的使用年限约束如式(18)所示:
Ymin<=Y<=Ymax (18)
式中,Nmin、Nmax分别为储能的最小使用年限和最大使用年限;
所述的储能电池的充电功率最大为1C的约束,如(19)所示:
Prated<=Srated (19)
所述的充电站功率平衡约束为:
Pgrid(t)=Pload(t)+Pch(t)-Pdis(t) (20)
4)基于启发式算法-遗传算法的最佳配置计算,包括如下步骤:
①设定待优化变量为储能的额定容量Srated、延缓电网扩建的容量Prated、充放电循环次数N,并且由matlab的rand函数随机生成满足约束(18)和(19)的50组Srated、Prated、N的初始种群;
②将待优化变量的种群的个体依次作为参数代入下述模型,建立一个混合整数线性规划(MILP)模型:该模型包括目标函数为式:
Min f=(Cgrid+CWLC-CEV-Cdel)/N (14)
约束条件为:
0<=Pch(t)<=vch(t)Prated (9)
0<=Pdis(t)<=vdis(t)Prated (10)
vch(t)+vdis(t)<=1 (11)
Pgrid(t)=Pload(t)+Pch(t)-Pdis(t) (20)
③利用商业求解器Gurobi求解MILP模型,得到的最优解当前种群的适应度值;
④保留种群中适应度值最优(即③求出的解中最小)的的三个个体,作为精英个体保存;
⑤通过交叉、变异生成下一代个体;
⑥将由④得到的精英个体和⑤得到的交叉变异生成的个体组合,确定下一代种群;
⑦是否达到最大迭代次数或者连续10次迭代最优值保持不变),如果不满足,返回步骤②;如果满足,进入下一步;
⑧输出当前种群中的最佳适应度值(即最小解)以及由③求解得到的优化变量取值。
本发明的有益效果是:
1)充分考虑了储能式充电站的储能的寿命损耗成本,能够综合评估充电站的经济性;
2)通过启发式算法-遗传算法,求解混合整数非线性模型,收敛速度快。
3)为充电站的典型日提供了最优调度运行出力方式。
本发明综合考虑运行性能和经济性,对考虑相关性的集成系统储能配置模型正确性和可行性进行分析,提高光能利用率以及系统经济效益。本发明将储能的额定容量、额定功率和使用年限均作为待优化变量,灵活性高,储能寿命损耗的模型较精确,能够较为准确的评估储能的寿命衰减程度。
附图说明
图1是某充电站的典型日的充电负荷曲线
图2是储能的充放电次数与充放电深度拟合曲线
图3是本发明基于启发式算法-遗传算法求解流程图
图4是原始负荷和合成负荷曲线
具体实施方式
下面结合附图和实施例对本发明方案进行进一步的详细说明。
实施例
一种基于遗传算法的充电站容量的配置方法,该方法包括如下步骤:
1)建立储能全寿命周期成本模型:
储能的全寿命周期总成本CWLC包括储能系统的配置成本CBESS、储能的运行维护成本CO&M以及储能的回收价值Crec,如下式所示
CWLC=CBESS+CO&M-Crec (13)
所述的储能系统的配置成本CBESS包括储能电池的购买成本Cbat和储能系统的平衡成本Cbos,如式(2)所示:
CBESS=Cbat+Cbos (14)
所述的储能电池的购买成本Cbat主要和电池类型与电池容量相关,计算方式如式(3)所示:
Cbat=ksSrated (15)
式中,ks为单位容量的储能成本,Srated为储能的额定容量;
储能系统的平衡成本Cbos与储能系统的额定容量线性相关,计算如式(4)所示:
Cbos=kpPrated (16)
式中,kp为单位功率成本,Prated为储能的额定功率;
储能的运行维护成本CO&M一般与充放电功率成正比,如式(5)所示:
CO&M=kO&MPrated (17)
式中,kO&M为单位功率运行维护成本;
所述的储能的回收价值Crec与储能回收时剩余价值相关,如式(6)所示:
Crec=krec(1-α)NCbat (18)
式中,krec为价值剩余率,α为年成本下降率,N为储能电池使用年限;综上所述的储能全寿命周期成本模型为:
CWLC=Cbat+kpPrated+kO&MPrated-krec(1-α)NCbatkO&MPrated (7)
2)建立储能寿命损耗模型:
储能随着充放电次数的增加,储能的可用寿命逐渐减少。因此,有必要建立储能的寿命损耗模型来量化储能的寿命衰减程度。
式中:Lloss(t)为t时刻的储能寿命损耗百分比,N(SOC(t))为充放电循环次数与储能荷电状态的拟合关系式,SOC(t)是储能在t时刻的荷电状态。
储能的放电和充电功率受到储能系统的变流器限制,有最大放电功率和充电功率限制,如式(9)和(10):
0<=Pch(t)<=vch(t)Prated (9)
0<=Pdis(t)<=vdis(t)Prated (10)
式中,Pch(t)、Pdis(t)分别为储能的充电功率/放电功率,vch(t)/vdis(t)为储能的充电、放电标志的0-1变量,vch(t)、vdis(t)为1,表示储能处于充电、放电状态,vch(t)、vdis(t)为0,表示储能当前未充电、放电,Prated为储能的最大充放电功率。
储能无法同时处于充电与放电状态,约束式如式(11)所示:
vch(t)+vdis(t)<=1 (11)
储能的荷电状态SOC也有上下限的约束,如式(12):
储能的荷电状态随时间变化的计算方式如下式:
式中,ηch、ηdis分别为储能的充电效率、放电效率。
3)建立基于遗传算法的容量配置模型:
充电站储能容量配置的目标函数为最小化充电站的年均成本,如下式所示:
Min f=(Cgrid+CWLC-CEV-Cdel)/Y (14)
式中,Cgrid为充电站从电网的购电成本,CEV为充电站为电动汽车的充电收益,Cdel为充电站配置储能延缓电网升级的收益。
所述的充电站从电网的购电成本如式(15)所示:
式中,etou(t)为分时电价,Pgrid(t)是t时刻电网的购电功率,Δt为时间步长;
所述的充电收益如式(16)所示:
式中,eserv(t)为t时刻充电服务商收取的服务费,Pload(t)为t时刻的充电负荷。
所述的延缓电网升级的收益如式(7)所示:
Cdel=kexpPrated(1-1/eθ·Y) (17)
式中,kexp为单位扩建容量的电网建设费用,Prated为延缓电网扩建的容量,θ为年利率,N为储能系统的使用年限。
所述的储能系统的使用年限约束如式(18)所示:
Ymin<=Y<=Ymax (18)
式中,Nmin、Nmax分别为储能的最小使用年限和最大使用年限;
所述的储能电池的充电功率最大为1C的约束,如(19)所示:
Prated<=Srated (19)
所述的充电站功率平衡约束为:
Pgrid(t)=Pload(t)+Pch(t)-Pdis(t) (20)
4)基于启发式算法-遗传算法的最佳配置计算,包括如下步骤:
①设定待优化变量为储能的额定容量Srated、延缓电网扩建的容量Prated、充放电循环次数N,并且由matlab的rand函数随机生成满足约束(18)和(19)的50组Srated、Prated、N的初始种群;
②将待优化变量的种群的个体依次作为参数代入下述模型,建立一个混合整数线性规划(MILP)模型:该模型包括目标函数为式:
Min f=(Cgrid+CWLC-CEV-Cdel)/N (14)
约束条件为:
0<=Pch(t)<=vch(t)Prated (9)
0<=Pdis(t)<=vdis(t)Prated (10)
vch(t)+vdis(t)<=1 (11)
Pgrid(t)=Pload(t)+Pch(t)-Pdis(t) (20)
③利用商业求解器Gurobi求解MILP模型,得到的最优解当前种群的适应度值;
④保留种群中适应度值最优(即③求出的解中最小)的的三个个体,作为精英个体保存;
⑤通过交叉、变异生成下一代个体;
⑥将由④得到的精英个体和⑤得到的交叉变异生成的个体组合,确定下一代种群;
⑦是否达到最大迭代次数或者连续10次迭代最优值保持不变),如果不满足,返回步骤②;如果满足,进入下一步;
⑧输出当前种群中的最佳适应度值(即最小解)以及由③求解得到的优化变量取值。
以某充电站为示例,该电站的典型的充电负荷如图1所示,电价参考上海市一般工商业的分时电价,如表1所示。充电站收取的服务费取固定值0.5元。储能参数以及模型参数如表2所示。具体求解流程图如图3所示。遗传算法的交叉率为0.8,变异率为0.2,精英数为3,种群数为50。
表1:分时电价表
表2:储能及模型参数
求解结果为储能容量为3786kWh,功率为512kW,服务年限为25年。年总收益130.0万元。从电网原始购电功率和合成功率如图4所示,显然,在电价高的时刻,从电网购电功率为0,全部由储能提供负荷出力;在低电价时刻,电网负荷增加,为储能充电,实现套利。
本发明与现有技术的技术要点比较如下:
1.储能损耗模型:现有技术专利中的储能损耗模型考虑较为粗糙,本发明的储能模型相比更精确。
2.优化变量:现有技术专利的优化变量仅为储能的容量,储能的功率与容量之比为固定值,本发明将储能容量和功率都作为优化内容求解,普适性更好。
实验表明,本发明综合考虑运行性能和经济性,对考虑相关性的集成系统储能配置模型正确性和可行性进行分析,提高光能利用率以及系统经济效益。本发明将储能的额定容量、额定功率和使用年限均作为待优化变量,灵活性高,储能寿命损耗的模型较精确,能够较为准确的评估储能的寿命衰减程度。
Claims (1)
1.一种基于遗传算法的充电站容量的配置方法,其特征在于,该方法包括如下步骤:
1)建立储能全寿命周期成本模型:
储能的全寿命周期总成本CWLC包括储能系统的配置成本CBESS、储能的运行维护成本CO&M以及储能的回收价值Crec,如下式所示
CWLC=CBESS+CO&M-Crec (1)
所述的储能系统的配置成本CBESS包括储能电池的购买成本Cbat和储能系统的平衡成本Cbos,如式(2)所示:
CBESS=Cbat+Cbos (2)
所述的储能电池的购买成本Cbat主要和电池类型与电池容量相关,计算方式如式(3)所示:
Cbat=ksSrated (3)
式中,ks为单位容量的储能成本,Srated为储能的额定容量;
储能系统的平衡成本Cbos与储能系统的额定容量线性相关,计算如式(4)所示:
Cbos=kpPrated (4)
式中,kp为单位功率成本,Prated为储能的额定功率;
储能的运行维护成本CO&M一般与充放电功率成正比,如式(5)所示:
CO&M=kO&MPrated (5)
式中,kO&M为单位功率运行维护成本;
所述的储能的回收价值Crec与储能回收时剩余价值相关,如式(6)所示:
Crec=krec(1-α)NCbat (6)
式中,krec为价值剩余率,α为年成本下降率,N为储能电池使用年限;综上所述的储能全寿命周期成本模型为:
CWLC=Cbat+kpPrated+kO&MPrated-krec(1-α)NCbatkO&MPrated (7)
2)建立储能寿命损耗模型:
储能随着充放电次数的增加,储能的可用寿命逐渐减少。因此,有必要建立储能的寿命损耗模型来量化储能的寿命衰减程度。
式中:Lloss(t)为t时刻的储能寿命损耗百分比,N(SOC(t))为充放电循环次数与储能荷电状态的拟合关系式,SOC(t)是储能在t时刻的荷电状态。
储能的放电和充电功率受到储能系统的变流器限制,有最大放电功率和充电功率限制,如式(9)和(10):
0<=Pch(t)<=vch(t)Prated (9)
0<=Pdis(t)<=vdis(t)Prated (10)
式中,Pch(t)、Pdis(t)分别为储能的充电功率/放电功率,vch(t)/vdis(t)为储能的充电、放电标志的0-1变量,vch(t)、vdis(t)为1,表示储能处于充电、放电状态,vch(t)、vdis(t)为0,表示储能当前未充电、放电,Prated为储能的最大充放电功率;
储能无法同时处于充电与放电状态,约束式如式(11)所示:
vch(t)+vdis(t)<=1 (11)
储能的荷电状态SOC也有上下限的约束,如式(12):
储能的荷电状态随时间变化的计算方式如下式:
式中,ηch、ηdis分别为储能的充电效率、放电效率。
3)建立基于遗传算法的容量配置模型:
充电站储能容量配置的目标函数为最小化充电站的年均成本,如下式所示:
Min f=(Cgrid+CWLC-CEV-Cdel)/Y (14)
式中,Cgrid为充电站从电网的购电成本,CEV为充电站为电动汽车的充电收益,Cdel为充电站配置储能延缓电网升级的收益;
所述的充电站从电网的购电成本如式(15)所示:
式中,etou(t)为分时电价,Pgrid(t)是t时刻电网的购电功率,Δt为时间步长;
所述的充电收益如式(16)所示:
式中,eserv(t)为t时刻充电服务商收取的服务费,Pload(t)为t时刻的充电负荷。
所述的延缓电网升级的收益如式(7)所示:
Cdel=kexpPrated(1-1/eθ·Y) (17)
式中,kexp为单位扩建容量的电网建设费用,Prated为延缓电网扩建的容量,θ为年利率,N为储能系统的使用年限。
所述的储能系统的使用年限约束如式(18)所示:
Ymin<=Y<=Ymax (18)
式中,Nmin、Nmax分别为储能的最小使用年限和最大使用年限;
所述的储能电池的充电功率最大为1C的约束,如(19)所示:
Prated<=Srated (19)
所述的充电站功率平衡约束为:
Pgrid(t)=Pload(t)+Pch(t)-Pdis(t) (20)
4)基于启发式算法-遗传算法的最佳配置计算,包括如下步骤:
①设定待优化变量为储能的额定容量Srated、延缓电网扩建的容量Prated、充放电循环次数N,并且由matlab的rand函数随机生成满足约束(18)和(19)的50组Srated、Prated、N的初始种群;
②将待优化变量的种群的个体依次作为参数代入下述模型,建立一个混合整数线性规划(MILP)模型:该模型包括目标函数为式:
Min f=(Cgrid+CWLC-CEV-Cdel)/N (14)
约束条件为:
0<=Pch(t)<=vch(t)Prated (9)
0<=Pdis(t)<=vdis(t)Prated (10)
vch(t)+vdis(t)<=1 (11)
Pgrid(t)=Pload(t)+Pch(t)-Pdis(t) (20)
③利用商业求解器Gurobi求解MILP模型,得到的最优解当前种群的适应度值;
④保留种群中适应度值最优(即③求出的解中最小)的的三个个体,作为精英个体保存;
⑤通过交叉、变异生成下一代个体;
⑥将由④得到的精英个体和⑤得到的交叉变异生成的个体组合,确定下一代种群;
⑦是否达到最大迭代次数或者连续10次迭代最优值保持不变),如果不满足,返回步骤②;如果满足,进入下一步;
⑧输出当前种群中的最佳适应度值(即最小解)以及由③求解得到的优化变量取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010493131.3A CN111639866B (zh) | 2020-06-03 | 2020-06-03 | 基于遗传算法的储能充电站的储能容量的配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010493131.3A CN111639866B (zh) | 2020-06-03 | 2020-06-03 | 基于遗传算法的储能充电站的储能容量的配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639866A true CN111639866A (zh) | 2020-09-08 |
CN111639866B CN111639866B (zh) | 2024-01-26 |
Family
ID=72329724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010493131.3A Active CN111639866B (zh) | 2020-06-03 | 2020-06-03 | 基于遗传算法的储能充电站的储能容量的配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639866B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113408886A (zh) * | 2021-06-11 | 2021-09-17 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种储能容量的配置方法及装置 |
CN114019382A (zh) * | 2021-10-29 | 2022-02-08 | 华北电力大学 | 一种锂离子电池储能电站寿命衰减确定方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140017278A (ko) * | 2012-07-31 | 2014-02-11 | 제주대학교 산학협력단 | 유전자 알고리즘과 초기 해 선택 휴리스틱을 이용한 전기 자동차의 충전 태스크 스케쥴링 방법 및 시스템 |
CN106253315A (zh) * | 2016-08-02 | 2016-12-21 | 万马联合新能源投资有限公司 | 一种考虑电动汽车充电站可调度性的储能容量配置方法 |
CN106887841A (zh) * | 2017-03-23 | 2017-06-23 | 东北大学 | 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法 |
CN110752630A (zh) * | 2018-07-19 | 2020-02-04 | 华北电力大学 | 一种计及电池梯次利用的光储充电站容量优化仿真建模方法 |
CN110783950A (zh) * | 2019-10-29 | 2020-02-11 | 上海电力大学 | 一种配电网节点光伏最佳配置容量确定方法 |
CN110867852A (zh) * | 2019-11-25 | 2020-03-06 | 广州供电局有限公司 | 计及全寿命周期成本的微电网储能优化配置方法及装置 |
-
2020
- 2020-06-03 CN CN202010493131.3A patent/CN111639866B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140017278A (ko) * | 2012-07-31 | 2014-02-11 | 제주대학교 산학협력단 | 유전자 알고리즘과 초기 해 선택 휴리스틱을 이용한 전기 자동차의 충전 태스크 스케쥴링 방법 및 시스템 |
CN106253315A (zh) * | 2016-08-02 | 2016-12-21 | 万马联合新能源投资有限公司 | 一种考虑电动汽车充电站可调度性的储能容量配置方法 |
CN106887841A (zh) * | 2017-03-23 | 2017-06-23 | 东北大学 | 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法 |
CN110752630A (zh) * | 2018-07-19 | 2020-02-04 | 华北电力大学 | 一种计及电池梯次利用的光储充电站容量优化仿真建模方法 |
CN110783950A (zh) * | 2019-10-29 | 2020-02-11 | 上海电力大学 | 一种配电网节点光伏最佳配置容量确定方法 |
CN110867852A (zh) * | 2019-11-25 | 2020-03-06 | 广州供电局有限公司 | 计及全寿命周期成本的微电网储能优化配置方法及装置 |
Non-Patent Citations (2)
Title |
---|
李文超;童亦斌;张维戈: "计及电池使用寿命的电动汽车充电站储能容量配置方法", 电工电能新技术, no. 004, pages 55 - 63 * |
李相俊;马锐;王上行;张宇;李蓓;方陈;: "考虑电池寿命的商业园区储能电站运行控制策略", 高电压技术, no. 01, pages 69 - 77 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113408886A (zh) * | 2021-06-11 | 2021-09-17 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种储能容量的配置方法及装置 |
CN113408886B (zh) * | 2021-06-11 | 2022-09-13 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种储能容量的配置方法及装置 |
CN114019382A (zh) * | 2021-10-29 | 2022-02-08 | 华北电力大学 | 一种锂离子电池储能电站寿命衰减确定方法及系统 |
CN114019382B (zh) * | 2021-10-29 | 2023-08-25 | 华北电力大学 | 一种锂离子电池储能电站寿命衰减确定方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111639866B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110895638B (zh) | 考虑电动汽车充电站选址定容的主动配电网模型建立方法 | |
Xu et al. | Greenhouse gas emissions of electric vehicles in Europe considering different charging strategies | |
CN111404206B (zh) | 考虑投资回报约束的风光储发电系统容量双层规划方法 | |
CN109754112B (zh) | 一种考虑配电网削峰填谷的光储充电塔随机优化调度方法 | |
CN108944531A (zh) | 一种电动汽车有序充电控制方法 | |
CN111639866B (zh) | 基于遗传算法的储能充电站的储能容量的配置方法 | |
CN109217290B (zh) | 计及电动汽车充放电的微网能量优化管理方法 | |
CN112564109B (zh) | 一种基于储能系统参与含大规模海上风电的调频优化运行方法 | |
CN105976055A (zh) | 计及功率损耗的分布式光伏-储能系统出力优化及容量配置方法 | |
CN112183882B (zh) | 一种基于电动汽车快充需求的智慧充电站充电优化方法 | |
CN113326467B (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
CN115239032B (zh) | 计及能源自洽率的高速公路服务区微电网规划方法及系统 | |
CN103187784B (zh) | 一种优化光伏充电站集成系统的方法及装置 | |
CN106849143A (zh) | 一种基于概率分布统计和最优电池充放电调度的储能系统容量配置方法 | |
CN110097237A (zh) | 一种基于电动汽车和多能源的主配网协调调度优化方法 | |
CN116061742B (zh) | 一种分时电价光伏园区内电动汽车的充电控制方法和系统 | |
Ghofrani et al. | Electric drive vehicle to grid synergies with large scale wind resources | |
CN116402307A (zh) | 考虑可调度柔性资源运行特性的电网规划容量分析方法 | |
CN116914821A (zh) | 一种基于改进粒子群算法的微电网低碳优化调度方法 | |
CN117578524A (zh) | 计及动态分时电价的多站融合系统日前优化方法及系统 | |
CN117559563B (zh) | 一种风光储充一体化微网运行方案的优化方法及系统 | |
CN110224397B (zh) | 一种风光接入背景下用户侧电池储能成本效益分析方法 | |
CN111859605A (zh) | 一种计及全寿命周期经济性的梯次电池储能容量配置方法 | |
CN116054286A (zh) | 一种考虑多元弹性资源的居民台区容量优化配置方法 | |
CN114971154A (zh) | 一种包含碳交易机制的可再生能源消纳方法 |
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 |