CN112103946B - 一种基于粒子群算法的微电网储能优化配置方法 - Google Patents

一种基于粒子群算法的微电网储能优化配置方法 Download PDF

Info

Publication number
CN112103946B
CN112103946B CN202010843305.4A CN202010843305A CN112103946B CN 112103946 B CN112103946 B CN 112103946B CN 202010843305 A CN202010843305 A CN 202010843305A CN 112103946 B CN112103946 B CN 112103946B
Authority
CN
China
Prior art keywords
energy storage
battery
power
storage system
particle
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
CN202010843305.4A
Other languages
English (en)
Other versions
CN112103946A (zh
Inventor
黑新宏
张腾
费蓉
王彬
何文娟
杜楠
娄霄
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202010843305.4A priority Critical patent/CN112103946B/zh
Publication of CN112103946A publication Critical patent/CN112103946A/zh
Application granted granted Critical
Publication of CN112103946B publication Critical patent/CN112103946B/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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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]
    • 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
    • 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
    • Y02E40/10—Flexible AC transmission systems [FACTS]
    • 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
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • 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)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于粒子群算法的微电网储能优化配置方法，首先设计电池储能系统模型；然后对微电网用户的日负荷数据、光伏发电数据、分时电价数据进行预处理，进而得到储能容量、功率及投资成本参数约束；建立储能优化配置模型：以储能装置投资最低、收益最大为目标函数建立储能优化配置模型，考虑可再生资源发电、功率平衡、可充放电次数在内的约束条件；利用粒子群算法求解储能优化配置模型；最后对特征指标进行评价，计算储能优化参数，得到最终的微电网储能优化配置方法。本发明解决了现有技术中存在的微电网储能系统的优化配置无法兼顾储能配置及运行优化、负荷影响的问题。

Description

一种基于粒子群算法的微电网储能优化配置方法
技术领域
本发明属于微电网储能系统配置优化技术领域，具体涉及一种基于粒子群算法的微电网储能优化配置方法。
背景技术
由于化石能源在当前能源结构中所占比重较高，使得由此引发的能源危机和环境问题日益严重，发展可再生能源、提高其在能源结构中的占比已经迫在眉睫。太阳能、风能等可再生能源发电在近年来得到了大力发展，但其发电的随机性、间歇性等特点使得其直接接入电网对电网冲击很大。为了降低随机性、间歇性的可再生资源接入对电力系统的影响，实现可再生能源的高效和可持续利用，研究人员构建了一个包括分布式发电单元、储能单元、能量转换单元、用户负载和监控单元，能够实现自我控制和优化管理的微电网雏形。
微电网的众多优势使得微电网储能市场发展空间巨大，但其发展并未达到预期效果。一方面储能仍承担着高额的投资成本，另一方面，储能运行效率低，并未充分发挥储能优化运行带来的经济效益。随着计算机技术的飞速发展，各种人工智能算法在微电网储能装置优化策略中的应用层出不穷，但其模型细节过于粗放，或者未能考虑储能系统优化配置和调度运行之间的影响。现有的微电网储能系统的优化配置研究主要从单一的角度解决具体储能系统的优化问题，缺少既考虑储能配置及运行优化，又在储能系统运行时考虑负荷的影响的储能优化研究。
发明内容
本发明的目的是提供一种基于粒子群算法的微电网储能优化配置方法，解决了现有技术中存在的微电网储能系统的优化配置无法兼顾储能配置及运行优化、负荷影响的问题。
本发明所采用的技术方案是，一种基于粒子群算法的微电网储能优化配置方法，具体按照以下步骤实施：
步骤1、设计电池储能系统模型；
步骤2、对微电网用户的日负荷数据、光伏发电数据、分时电价数据进行预处理，进而得到储能容量、功率及投资成本参数约束；
步骤3、建立储能优化配置模型：以储能装置投资最低、收益最大为目标函数建立储能优化配置模型，考虑可再生资源发电、功率平衡、可充放电次数在内的约束条件；
步骤4、利用粒子群算法求解储能优化配置模型；
步骤5、对特征指标进行评价，计算储能优化参数，得到最终的微电网储能优化配置方法。
本发明的特点还在于，
步骤1中电池储能系统模型具体如下：
电池储能系统模型由电池系统、功率转换系统、电池管理系统和监控系统组成，电池储能系统的成本包括电池系统容量造价成本、功率转换系统造价成本、电池管理系统及监控系统的建设成本，电池储能系统模型的总成本记为：
CBs＝SB*CB+SP*CP+CBms+a*Cmt-Crem
其中，CBs指电池储能系统的总成本；SB指电池系统的容量，CB指电池系统的单价，单位是元/kWh；SP指功率转换系统的额定功率，CP指功率转换系统的单价，单位是元/kW；CBms指电池储能系统的电池管理系统及监控系统的建设成本；a指的是系统总运行寿命，单位为年，Cmt指电池储能系统的单位运行维护成本，单位是元/年；Crem指的是电池储能系统的回收价值；
电池储能系统某时刻的电能等于上一时刻电池储能系统中的电能减去损失的电能加上增加的电能；电池的充放电功率介于最大值和最小值之间；选择电池的充放电状态，使得电池处于悬浮状态，以上作为电池储能系统的约束条件：
某时刻电池储能系统所含的电能ES(t)与上一时刻的电能ES(t-1)有关，电池储能系统的充放电约束设计如下：
Es(t)＝Es(t-1)*(1-α)+Pc(t)*ηc*Sc(t)-Pdc(t)*Sdc(t)/ηdc
其中，α指储电损失效率，单位为kWh/h；Pc指充电功率，单位为kW；ηc指充电效率，Sc指充电状态，充电为1，放电则为0；Pdc指放电功率，单位为kW，ηdc指放电效率，Sdc指放电状态，放电为1，充电则为0；
随着功率转换系统的不同，电池的充放电功率具有不同的最值，电池的充放电功率应介于0与最大值之间，即：
0≤Pc(t)≤Pc，max
0≤Pdc(t)≤Pdc，max
为了增加电池的使用寿命，不会让电池储能系统每时都处于充电或放电状态，而是经常处于悬浮状态，即：
Sc(t)+Sdc(t)≤1。
步骤2中对日负荷数据、光伏发电数据、分时电价进行预处理具体如下：
步骤2.1、应用K-means聚类算法对日负荷数据进行聚类得到典型日负荷曲线，已达到对储能装置更为精准的配置；
步骤2.1.1、在得到的日负荷样本数据中随机选取4条数据，以每条数据的每个时段为初始聚集的簇心；
步骤2.1.2、分别计算每个样本点到对应时间段的4个簇核心的距离，找到离该样本点最近的簇核心，将该样本点归属为对应的簇；
步骤2.1.3、所有的样本点归属到簇之后，所有的数据就被分为4个簇，然后重新计算每个簇的重心，将计算出的簇重心作为新的簇心；
步骤2.1.4，重复上述步骤2.1.2～2.1.3，直到达到最大迭代次数作为中止条件，将步骤2.1.3中得到的最终簇心用平滑的曲线连接，得到4条日负荷曲线，以该日负荷曲线中负荷最大的曲线进行后续计算；
步骤2.2，对得到的光伏发电预测值进行数据化整理；将得到的光伏出力预测曲线与步骤2.1中得到的典型日负荷曲线进行对比，典型日负荷曲线大于光伏出力的部分累加和的一半作为储能装置的容量最小约束，控制储能装置的最大容量在最小值的2倍。进而得到储能功率及投资成本约束；
步骤2.3，对一天的分时电价数据进行规整化处理。控制储能装置在电价低估进行充电，在负荷高峰及电价高峰进行放电来获取更大的经济收益。
步骤2.1中每条数据的每个时段以1小时作为间隔。
步骤3建立的储能优化配置模型具体如下：
步骤3.1、考虑投资成本最低建立目标函数如下：
C＝min(Cinv+Cope)
式中：
Cinv＝Ce*Smax+Cp*Pmax+Cd*K
Figure BDA0002642202310000051
其中，Cinv表示储能系统固定投资成本，Cope表示运行维护成本，Ce表示储能单位容量造价，Cp储能单位功率造价，Cd表示变压器单位负载造价，Smax表示储能额定容量，Pmax表示储能额定充放电功率，Cop表示储能系统单位功率维护成本，Y表示储能系统寿命，单位为年，Cod表示变压器单位维护成本，K表示变压器负载值，drate表示贴现率；
步骤3.2、考虑收益最大建立目标函数；
maxB＝Btl+Bgf+Bhs
式中：Btl为储能套利收益，其计算方法为：
Figure BDA0002642202310000061
Figure BDA0002642202310000062
其中，Brtl为一天的储能套利收益，D为一年中储能运行天数，ep(t)为t时刻的电价，ed(t)为t时刻的倒送电价；
光伏发电补偿收益计算如下：
Figure BDA0002642202310000063
Figure BDA0002642202310000064
式中，Bgf表示增加储能装置后光伏发电带来的补偿收益，单位为元，egf为光伏发电度电价格补偿；
用户侧储能装置的回收收益Bhs，当储能装置达到寿命年限时回收获得一定的收益，收益与回收系数γ及固定投资成本有关，即：
Bhs＝γ*Cinv
步骤3.3、对于建立好的目标函数，提取约束条件：
步骤3.3.1，设置光伏发电约束条件：
光伏发电的输出值应介于光伏发电输出的最大值和最小值之间，即：
Ppv.min≤Ppv≤Ppv.max
步骤3.3.2、提取功率平衡约束条件：
Ppv(t)+Pbuy(t)-Psell(t)+Pdc(t)-Pc(t)＝Pload(t)
其中，Ppv是光伏实际出力，Pbuy是下网功率，Psell是倒送电功率，Pload是微电网中的负荷，单位均为kW；
步骤3.3.3、提取联络线功率平衡约束：
微电网与公共电网连接的联络线有传输上限，即：
Ssell(t)+Sbuy(t)≤1
Figure BDA0002642202310000071
Figure BDA0002642202310000072
步骤3.3.4、提出储能装置充放电约束：
储能装置充放电约束如上述步骤1中电池储能系统充放电约束设计所示，即：
Es(t)＝Es(t-1)*(1-α)+Pc(t)*ηc*Sc(t)-Pdc(t)*Sdc(t)/ηdc
0≤Pc(t)≤Pc，max
0≤Pdc(t)≤Pdc，max
Sc(t)+Sdc(t)≤1
步骤3.3.5、储能装置充放电次数约束：
通过控制储能每日的充放电次数以增加储能装置的寿命，即：
Figure BDA0002642202310000081
其中，f是充放电次数。
步骤4具体如下：
步骤4.1、初始化参数，读取微电网储能优化配置模型相关参数；
步骤4.2，随机生成规模为150～200之间的初始粒子群，初始化粒子群中各粒子的初始位置和速度，使粒子尽可能均匀的分布在求解区域中，粒子群中的每个粒子都包含储能容量、储能额定功率信息；
步骤4.3、根据4.2中的每个粒子的储能容量、储能额定功率调用CPLEX得到储能最优充放电曲线，进而根据储能容量、额定功率、储能最优充放电曲线计算每个粒子的适应度值Fit(i)；
步骤4.4、更新个体最优解：
计算每个粒子，用粒子的适应度值Fit(i)和个体极值Pbest(i)比较，如果Fit(i)大于Pbest(i)，则用Fit(i)替换掉Pbest(i)；
步骤4.5、更新全局最优解；
计算每个粒子，用粒子的适应度值Fit(i)和全局极值Gbest(i)比较，如果Fit(i)大于Gbest(i)，则用Fit(i)替换掉Ggbest(i)；
步骤4.6、更新粒子的位置和速度；
步骤4.7、判断是否满足结束条件，即达到最大迭代次数，满足则退出，不满足返回步骤4.3。
步骤4.6具体如下：
步骤4.6.1、根据下式更新粒子速度：
vid(t+1)＝ωt*vid(t)+c1r1(Pid(t)-xid(t))+c2r2(gid(t)-xid(t))
式中，t，为当前迭代次数vid为粒子速度，r1、r2为介于[0，1]之间的随机数，Pid、gid分别为个体最优解和全局最优解，xid为粒子位置c1、c2为学习因子，ωt为t次迭代的惯性权重，ωt大于0，具有在较大时全局寻优能力强，较小时局部寻优能力强的特点，因此通过控制ωt值随迭代次数逐渐减少，使得算法既在前期全局下收敛能力强，又在后期有精准的局部收敛能力，ωt计算方式如下式所示：
Figure BDA0002642202310000091
式中ωmax为惯性权重的最大值，ωmin为惯性权重的最小值，tmax为最大迭代次数，控制ωt的值在初始迭代的时候变化缓慢，有利于在初始迭代时寻找满足条件的局部最优值，在接近最大迭代次数时变换较快，在寻找到局部最优值后能够快速的收敛毕金玉全局最优值。
步骤4.6.2、根据下式更新粒子位置：
xid(t+1)＝xid(t)+vid(t+1)。
步骤5具体如下：
步骤5.1、根据上述步骤4中得到的最佳储能容量、最佳储能功率结果调用CPLEX计算储能系统最优充放电曲线，进而得到储能最优充放电功率和最佳配置下储能荷电状态。
步骤5.2、根据储能最佳容量、最佳功率及储能最优充放电曲线依据步骤3中的公式计算储能系统最佳配置下的一次投资、及储能系统最佳配置下的最大收益，进而通过均值的方法得到每日最大收益。
本发明的有益效果是，一种基于粒子群算法的微电网储能优化配置方法，通过研究分析微电网用户侧负荷曲线特性，得出微电网用户侧储能装置相关配置参数，使得微电网储能装置净收益最大、容量最佳、功率最匹配。
附图说明
图1是本发明一种基于粒子群算法的微电网储能优化配置方法所依据的设计-求解框架图；
图2是本发明一种基于粒子群算法的微电网储能优化配置方法K-means聚类得出的典型日负荷曲线图；
图3是本发明一种基于粒子群算法的微电网储能优化配置方法光伏出力预测图；
图4是本发明一种基于粒子群算法的微电网储能优化配置方法光伏出力和典型日负荷对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于粒子群算法的微电网储能优化配置方法，如图1所示，具体按照以下步骤实施：
步骤1、设计电池储能系统模型；
步骤1中电池储能系统模型具体如下：
电池储能系统模型由电池系统、功率转换系统、电池管理系统和监控系统组成，电池储能系统的成本包括电池系统容量造价成本、功率转换系统造价成本、电池管理系统及监控系统的建设成本，电池储能系统模型的总成本记为：
CBs＝SB*CB+SP*CP+CBms+a*Cmt-Crem
其中，CBs指电池储能系统的总成本；SB指电池系统的容量，CB指电池系统的单价，单位是元/kWh；SP指功率转换系统的额定功率，CP指功率转换系统的单价，单位是元/kW；CBms指电池储能系统的电池管理系统及监控系统的建设成本；a指的是系统总运行寿命，单位为年，Cmt指电池储能系统的单位运行维护成本，单位是元/年；Crem指的是电池储能系统的回收价值；
电池储能系统某时刻的电能等于上一时刻电池储能系统中的电能减去损失的电能加上增加的电能；电池的充放电功率介于最大值和最小值之间；选择电池的充放电状态，使得电池处于悬浮状态，以上作为电池储能系统的约束条件：
某时刻电池储能系统所含的电能ES(t)与上一时刻的电能ES(t-1)有关，电池储能系统的充放电约束设计如下：
Es(t)＝Es(t-1)*(1-α)+Pc(t)*ηc*Sc(t)-Pdc(t)*Sdc(t)/ηdc
其中，α指储电损失效率，单位为kWh/h；Pc指充电功率，单位为kW；ηc指充电效率，Sc指充电状态，充电为1，放电则为0；Pdc指放电功率，单位为kW，ηdc指放电效率，Sdc指放电状态，放电为1，充电则为0；
随着功率转换系统的不同，电池的充放电功率具有不同的最值，电池的充放电功率应介于0与最大值之间，即：
0≤Pc(t)≤Pc，max
0≤Pdc(t)≤Pdc，max
为了增加电池的使用寿命，不会让电池储能系统每时都处于充电或放电状态，而是经常处于悬浮状态，即：
Sc(t)+Sdc(t)≤1。
步骤2、对微电网用户的日负荷数据、光伏发电数据、分时电价数据进行预处理，进而得到储能容量、功率及投资成本参数约束；
步骤2中对日负荷数据、光伏发电数据、分时电价进行预处理具体如下：
步骤2.1、应用K-means聚类算法对日负荷数据进行聚类得到典型日负荷曲线，已达到对储能装置更为精准的配置；
步骤2.1.1、在得到的日负荷样本数据中随机选取4条数据，以每条数据的每个时段为初始聚集的簇心；
步骤2.1.2、分别计算每个样本点到对应时间段的4个簇核心的距离，找到离该样本点最近的簇核心，将该样本点归属为对应的簇；
步骤2.1.3、所有的样本点归属到簇之后，所有的数据就被分为4个簇，然后重新计算每个簇的重心，将计算出的簇重心作为新的簇心；
步骤2.1.4，重复上述步骤2.1.2～2.1.3，直到达到最大迭代次数作为中止条件，将步骤2.1.3中得到的最终簇心用平滑的曲线连接，得到4条日负荷曲线，以该日负荷曲线中负荷最大的曲线进行后续计算；
步骤2.2，对得到的光伏发电预测值进行数据化整理；将得到的光伏出力预测曲线与步骤2.1中得到的典型日负荷曲线进行对比，典型日负荷曲线大于光伏出力的部分累加和的一半作为储能装置的容量最小约束，控制储能装置的最大容量在最小值的2倍。进而得到储能功率及投资成本约束；
步骤2.3，对一天的分时电价数据进行规整化处理。控制储能装置在电价低估进行充电，在负荷高峰及电价高峰进行放电来获取更大的经济收益。
步骤2.1中每条数据的每个时段以1小时作为间隔。
步骤3、建立储能优化配置模型：以储能装置投资最低、收益最大为目标函数建立储能优化配置模型，考虑可再生资源发电、功率平衡、可充放电次数在内的约束条件；
步骤3建立的储能优化配置模型具体如下：
步骤3.1、考虑投资成本最低建立目标函数如下：
C＝min(Cinv+Cope)
式中：
Cinv＝Ce*Smax+Cp*Pmax+Cd*K
Figure BDA0002642202310000131
其中，Cinv表示储能系统固定投资成本，Cope表示运行维护成本，Ce表示储能单位容量造价，Cp储能单位功率造价，Cd表示变压器单位负载造价，Smax表示储能额定容量，Pmax表示储能额定充放电功率，Cop表示储能系统单位功率维护成本，Y表示储能系统寿命，单位为年，Cod表示变压器单位维护成本，K表示变压器负载值，drate表示贴现率；
步骤3.2、考虑收益最大建立目标函数；
maxB＝Btl+Bgf+Bhs
式中：Btl为储能套利收益，其计算方法为：
Figure BDA0002642202310000141
Figure BDA0002642202310000142
其中，Brtl为一天的储能套利收益，D为一年中储能运行天数，ep(t)为t时刻的电价，ed(t)为t时刻的倒送电价；
光伏发电补偿收益计算如下：
Figure BDA0002642202310000143
Figure BDA0002642202310000151
式中，Bgf表示增加储能装置后光伏发电带来的补偿收益，单位为元，egf为光伏发电度电价格补偿；
用户侧储能装置的回收收益Bhs，当储能装置达到寿命年限时回收获得一定的收益，收益与回收系数γ及固定投资成本有关，即：
Bhs＝γ*Cinv
步骤3.3、对于建立好的目标函数，提取约束条件：
步骤3.3.1，设置光伏发电约束条件：
光伏发电的输出值应介于光伏发电输出的最大值和最小值之间，即：
Ppv.min≤Ppv≤Ppv.max
步骤3.3.2、提取功率平衡约束条件：
Ppv(t)+Pbuy(t)-Psell(t)+Pdc(t)-Pc(t)＝Pload(t)
其中，Ppv是光伏实际出力，Pbuy是下网功率，Psell是倒送电功率，Pload是微电网中的负荷，单位均为kW；
步骤3.3.3、提取联络线功率平衡约束：
微电网与公共电网连接的联络线有传输上限，即：
Ssell(t)+Sbuy(t)≤1
Figure BDA0002642202310000161
Figure BDA0002642202310000162
步骤3.3.4、提出储能装置充放电约束：
储能装置充放电约束如上述步骤1中电池储能系统充放电约束设计所示，即：
Es(t)＝Es(t-1)*(1-α)+Pc(t)*ηc*Sc(t)-Pdc(t)*Sdc(t)/ηdc
0≤Pc(t)≤Pc，max
0≤Pdc(t)≤Pdc，max
Sc(t)+Sdc(t)≤1
步骤3.3.5、储能装置充放电次数约束：
通过控制储能每日的充放电次数以增加储能装置的寿命，即：
Figure BDA0002642202310000163
其中，f是充放电次数。
步骤4、利用粒子群算法求解储能优化配置模型；
步骤4具体如下：
步骤4.1、初始化参数，读取微电网储能优化配置模型相关参数；
步骤4.2，随机生成规模为150～200之间的初始粒子群，初始化粒子群中各粒子的初始位置和速度，使粒子尽可能均匀的分布在求解区域中，粒子群中的每个粒子都包含储能容量、储能额定功率信息；
步骤4.3、根据4.2中的每个粒子的储能容量、储能额定功率调用CPLEX得到储能最优充放电曲线，进而根据储能容量、额定功率、储能最优充放电曲线计算每个粒子的适应度值Fit(i)；
步骤4.4、更新个体最优解：
计算每个粒子，用粒子的适应度值Fit(i)和个体极值Pbest(i)比较，如果Fit(i)大于Pbest(i)，则用Fit(i)替换掉Pbest(i)；
步骤4.5、更新全局最优解；
计算每个粒子，用粒子的适应度值Fit(i)和全局极值Gbest(i)比较，如果Fit(i)大于Gbest(i)，则用Fit(i)替换掉Ggbest(i)；
步骤4.6、更新粒子的位置和速度；
步骤4.7、判断是否满足结束条件，即达到最大迭代次数，满足则退出，不满足返回步骤4.3。
步骤4.6具体如下：
步骤4.6.1、根据下式更新粒子速度：
vid(t+1)＝ωt*vid(t)+c1r1(Pid(t)-xid(t))+c2r2(gid(t)-xid(t))
式中，t，为当前迭代次数vid为粒子速度，r1、r2为介于[0，1]之间的随机数，Pid、gid分别为个体最优解和全局最优解，xid为粒子位置c1、c2为学习因子，ωt为t次迭代的惯性权重，ωt大于0，具有在较大时全局寻优能力强，较小时局部寻优能力强的特点，因此通过控制ωt值随迭代次数逐渐减少，使得算法既在前期全局下收敛能力强，又在后期有精准的局部收敛能力，ωt计算方式如下式所示：
Figure BDA0002642202310000181
式中ωmax为惯性权重的最大值，ωmin为惯性权重的最小值，tmax为最大迭代次数，控制ωt的值在初始迭代的时候变化缓慢，有利于在初始迭代时寻找满足条件的局部最优值，在接近最大迭代次数时变换较快，在寻找到局部最优值后能够快速的收敛毕金玉全局最优值。
步骤4.6.2、根据下式更新粒子位置：
xid(t+1)＝xid(t)+vid(t+1)。
步骤5、对特征指标进行评价，计算储能优化参数，得到最终的微电网储能优化配置方法。
步骤5具体如下：
步骤5.1、根据上述步骤4中得到的最佳储能容量、最佳储能功率结果调用CPLEX计算储能系统最优充放电曲线，进而得到储能最优充放电功率和最佳配置下储能荷电状态。
步骤5.2、根据储能最佳容量、最佳功率及储能最优充放电曲线依据步骤3中的公式计算储能系统最佳配置下的一次投资、及储能系统最佳配置下的最大收益，进而通过均值的方法得到每日最大收益。
实施例
以陕西某一含分布式电站的小型微电网为例，储能系统类型为磷酸铁锂电池，其单位容量成本为1300元/kW，储能单位功率成本为1100元/kW，变压器单位负载成本为800元/kW，光伏发电补偿为0.2955元/kWh，倒送电价为0.3545元/kWh。
对该电厂一年中的日负荷数据应用K-means聚类算法得到如下图2所示的四条较为典型的日负荷曲线，以其中负荷最大的曲线为典型日负荷曲线与得到的如下图3所示的该电厂光伏出力预测进行比较得到如下图4所示的对比图，在7:00-9:00光伏出力大于负荷出力，在没有储能装置时这部分余电将会上网倒送，增加储能装置后该余电可以储存起来在用电高峰放出。下网分时电价如表1所示：
表1下网分时电价
Figure BDA0002642202310000191
在0:00-8:00电价低谷时利用下网对储能装置进行充电，在负荷高峰时放电达到削峰的效果同时获取更大经济收益。
设定变压器负载率为80％，储能寿命为10年，贴现率为10％，回收系数为10％，储能系统单位维护成本为78元/kW，变压器单位维护成本为30元/kW，设置粒子群种群规模为150，迭代次数为300次，设置储能容量为2000-18000kW，储能优化配置功率倍率从2C，1C，0.5C，0.25C，0.125C中选择，利用粒子群算法求解得到结果分析如下：
储能容量在储能容量为80000kW时，配置功率为0.25C或0.125C所带来的效益几乎一致，但是前者的一次投资约为1.44亿元，后者的投资约为1.32亿元。因此在对储能装置功率没有特殊要求的情况下应选择储能容量为80000kW，功率倍率为0.125C的配置，此种配置下相比于没有储能装置时带来的每日收益约为3353元。

Claims (6)

1.一种基于粒子群算法的微电网储能优化配置方法，其特征在于，具体按照以下步骤实施：
步骤1、设计电池储能系统模型；
所述步骤1中电池储能系统模型具体如下：
电池储能系统模型由电池系统、功率转换系统、电池管理系统和监控系统组成，电池储能系统的成本包括电池系统容量造价成本、功率转换系统造价成本、电池管理系统及监控系统的建设成本，电池储能系统模型的总成本记为：
CBs＝SB*CB+SP*CP+CBms+a*Cmt-Crem
其中，CBs指电池储能系统的总成本；SB指电池系统的容量，CB指电池系统的单价，单位是元/kWh；SP指功率转换系统的额定功率，CP指功率转换系统的单价，单位是元/kW；CBms指电池储能系统的电池管理系统及监控系统的建设成本；a指的是系统总运行寿命，单位为年，Cmt指电池储能系统的单位运行维护成本，单位是元/年；Crem指的是电池储能系统的回收价值；
电池储能系统某时刻的电能等于上一时刻电池储能系统中的电能减去损失的电能加上增加的电能；电池的充放电功率介于最大值和最小值之间；选择电池的充放电状态，使得电池处于悬浮状态，以上作为电池储能系统的约束条件：
某时刻电池储能系统所含的电能ES(t)与上一时刻的电能ES(t-1)有关，电池储能系统的充放电约束设计如下：
Es(t)＝Es(t-1)*(1-α)+Pc(t)*ηc*Sc(t)-Pdc(t)*Sdc(t)/ηdc
其中，α指储电损失效率，单位为kWh/h；Pc指充电功率，单位为kW；ηc指充电效率，Sc指充电状态，充电为1，放电则为0；Pdc指放电功率，单位为kW，ηdc指放电效率，Sdc指放电状态，放电为1，充电则为0；
随着功率转换系统的不同，电池的充放电功率具有不同的最值，电池的充放电功率应介于0与最大值之间，即：
0≤Pc(t)≤Pc，max
0≤Pdc(t)≤Pdc，max
为了增加电池的使用寿命，不会让电池储能系统每时都处于充电或放电状态，而是经常处于悬浮状态，即：
Sc(t)+Sdc(t)≤1；
步骤2、对微电网用户的日负荷数据、光伏发电数据、分时电价数据进行预处理，进而得到储能容量、功率及投资成本参数约束；
所述步骤2中对日负荷数据、光伏发电数据、分时电价进行预处理具体如下：
步骤2.1、应用K-means聚类算法对日负荷数据进行聚类得到典型日负荷曲线，已达到对储能装置更为精准的配置；
步骤2.1.1、在得到的日负荷样本数据中随机选取4条数据，以每条数据的每个时段为初始聚集的簇心；
步骤2.1.2、分别计算每个样本点到对应时间段的4个簇核心的距离，找到离该样本点最近的簇核心，将该样本点归属为对应的簇；
步骤2.1.3、所有的样本点归属到簇之后，所有的数据就被分为4个簇，然后重新计算每个簇的重心，将计算出的簇重心作为新的簇心；
步骤2.1.4，重复上述步骤2.1.2～2.1.3，直到达到最大迭代次数作为中止条件，将步骤2.1.3中得到的最终簇心用平滑的曲线连接，得到4条日负荷曲线，以该日负荷曲线中负荷最大的曲线进行后续计算；
步骤2.2，对得到的光伏发电预测值进行数据化整理；将得到的光伏出力预测曲线与步骤2.1中得到的典型日负荷曲线进行对比，典型日负荷曲线大于光伏出力的部分累加和的一半作为储能装置的容量最小约束，控制储能装置的最大容量在最小值的2倍；进而得到储能功率及投资成本约束；
步骤2.3，对一天的分时电价数据进行规整化处理；控制储能装置在电价低估进行充电，在负荷高峰及电价高峰进行放电来获取更大的经济收益；
步骤3、建立储能优化配置模型：以储能装置投资最低、收益最大为目标函数建立储能优化配置模型，考虑可再生资源发电、功率平衡、可充放电次数在内的约束条件；
步骤4、利用粒子群算法求解储能优化配置模型；
步骤5、对特征指标进行评价，计算储能优化参数，得到最终的微电网储能优化配置方法。
2.根据权利要求1所述的一种基于粒子群算法的微电网储能优化配置方法，其特征在于，所述步骤2.1中每条数据的每个时段以1小时作为间隔。
3.根据权利要求2所述的一种基于粒子群算法的微电网储能优化配置方法，其特征在于，所述步骤3建立的储能优化配置模型具体如下：
步骤3.1、考虑投资成本最低建立目标函数如下：
C＝min(Cinv+Cope)
式中：
Cimv＝Ce*Smax+Cp*Pmax+Cd*K
Figure FDA0003422063590000041
其中，Cinv表示储能系统固定投资成本，Cope表示运行维护成本，Ce表示储能单位容量造价，Cp储能单位功率造价，Cd表示变压器单位负载造价，Smax表示储能额定容量，Pmax表示储能额定充放电功率，Cop表示储能系统单位功率维护成本，Y表示储能系统寿命，单位为年，Cod表示变压器单位维护成本，K表示变压器负载值，drate表示贴现率；
步骤3.2、考虑收益最大建立目标函数；
maxB＝Btl+Bgf+Bhs
式中：Btl为储能套利收益，其计算方法为：
Figure FDA0003422063590000042
Figure FDA0003422063590000051
其中，Brtl为一天的储能套利收益，D为一年中储能运行天数，ep(t)为t时刻的电价，ed(t)为t时刻的倒送电价；
光伏发电补偿收益计算如下：
Figure FDA0003422063590000052
Figure FDA0003422063590000053
式中，Bgf表示增加储能装置后光伏发电带来的补偿收益，单位为元，egf为光伏发电度电价格补偿；
用户侧储能装置的回收收益Bhs，当储能装置达到寿命年限时回收获得一定的收益，收益与回收系数γ及固定投资成本有关，即：
Bhs＝γ*Cinv
步骤3.3、对于建立好的目标函数，提取约束条件：
步骤3.3.1，设置光伏发电约束条件：
光伏发电的输出值应介于光伏发电输出的最大值和最小值之间，即：
Ppv.min≤Ppv≤Ppv.max
步骤3.3.2、提取功率平衡约束条件：
Ppv(t)+Pbuy(t)-Psell(t)+Pdc(t)-Pc(t)＝Pload(t)
其中，Ppv是光伏实际出力，Pbuy是下网功率，Psell是倒送电功率，Pload是微电网中的负荷，单位均为kW；
步骤3.3.3、提取联络线功率平衡约束：
微电网与公共电网连接的联络线有传输上限，即：
Ssell(t)+Sbuy(t)≤1
Figure FDA0003422063590000061
Figure FDA0003422063590000062
步骤3.3.4、提出储能装置充放电约束：
储能装置充放电约束如上述步骤1中电池储能系统充放电约束设计所示，即：
Es(t)＝Es(t-1)*(1-α)+Pc(t)*ηc*Sc(t)-Pdc(t)*Sdc(t)/ηdc
0≤Pc(t)≤Pc，max
0≤Pdc(t)≤Pdc，max
Sc(t)+Sdc(t)≤1
步骤3.3.5、储能装置充放电次数约束：
通过控制储能每日的充放电次数以增加储能装置的寿命，即：
Figure FDA0003422063590000071
其中，f是充放电次数。
4.根据权利要求3所述的一种基于粒子群算法的微电网储能优化配置方法，其特征在于，所述步骤4具体如下：
步骤4.1、初始化参数，读取微电网储能优化配置模型相关参数；
步骤4.2，随机生成规模为150～200之间的初始粒子群，初始化粒子群中各粒子的初始位置和速度，使粒子尽可能均匀的分布在求解区域中，粒子群中的每个粒子都包含储能容量、储能额定功率信息；
步骤4.3、根据4.2中的每个粒子的储能容量、储能额定功率调用CPLEX得到储能最优充放电曲线，进而根据储能容量、额定功率、储能最优充放电曲线计算每个粒子的适应度值Fit(i)；
步骤4.4、更新个体最优解：
计算每个粒子，用粒子的适应度值Fit(i)和个体极值Pbest(i)比较，如果Fit(i)大于Pbest(i)，则用Fit(i)替换掉Pbest(i)；
步骤4.5、更新全局最优解；
计算每个粒子，用粒子的适应度值Fit(i)和全局极值Gbest(i)比较，如果Fit(i)大于Gbest(i)，则用Fit(i)替换掉Ggbest(i)；
步骤4.6、更新粒子的位置和速度；
步骤4.7、判断是否满足结束条件，即达到最大迭代次数，满足则退出，不满足返回步骤4.3。
5.根据权利要求4所述的一种基于粒子群算法的微电网储能优化配置方法，其特征在于，所述步骤4.6具体如下：
步骤4.6.1、根据下式更新粒子速度：
vid(t+1)＝ωt*vid(t)+c1r1(Pid(t)-xid(t))+c2r2(gid(t)-xid(t))
式中，t，为当前迭代次数vid为粒子速度，r1、r2为介于[0，1]之间的随机数，Pid、gid分别为个体最优解和全局最优解，xid为粒子位置c1、c2为学习因子，ωt为t次迭代的惯性权重，ωt大于0，具有在较大时全局寻优能力强，较小时局部寻优能力强的特点，因此通过控制ωt值随迭代次数逐渐减少，使得算法既在前期全局下收敛能力强，又在后期有精准的局部收敛能力，ωt计算方式如下式所示：
Figure FDA0003422063590000081
式中ωmax为惯性权重的最大值，ωmin为惯性权重的最小值，tmax为最大迭代次数，控制ωt的值在初始迭代的时候变化缓慢，有利于在初始迭代时寻找满足条件的局部最优值，在接近最大迭代次数时变换较快，在寻找到局部最优值后能够快速的收敛毕金玉全局最优值；
步骤4.6.2、根据下式更新粒子位置：
xid(t+1)＝xid(t)+vid(t+1)。
6.根据权利要求5所述的一种基于粒子群算法的微电网储能优化配置方法，其特征在于，所述步骤5具体如下：
步骤5.1、根据上述步骤4中得到的最佳储能容量、最佳储能功率结果调用CPLEX计算储能系统最优充放电曲线，进而得到储能最优充放电功率和最佳配置下储能荷电状态；
步骤5.2、根据储能最佳容量、最佳功率及储能最优充放电曲线依据步骤3中的公式计算储能系统最佳配置下的一次投资、及储能系统最佳配置下的最大收益，进而通过均值的方法得到每日最大收益。
CN202010843305.4A 2020-08-20 2020-08-20 一种基于粒子群算法的微电网储能优化配置方法 Active CN112103946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010843305.4A CN112103946B (zh) 2020-08-20 2020-08-20 一种基于粒子群算法的微电网储能优化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010843305.4A CN112103946B (zh) 2020-08-20 2020-08-20 一种基于粒子群算法的微电网储能优化配置方法

Publications (2)

Publication Number Publication Date
CN112103946A CN112103946A (zh) 2020-12-18
CN112103946B true CN112103946B (zh) 2022-04-22

Family

ID=73754019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010843305.4A Active CN112103946B (zh) 2020-08-20 2020-08-20 一种基于粒子群算法的微电网储能优化配置方法

Country Status (1)

Country Link
CN (1) CN112103946B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112615387B (zh) * 2020-12-21 2023-06-23 清华大学 储能容量配置方法、装置、计算机设备及可读存储介质
CN112600205B (zh) * 2020-12-22 2022-09-02 国网北京市电力公司 充电站储能的配置方法
CN113283166B (zh) * 2021-05-21 2023-05-12 上海电力大学 一种退役动力电池剩余价值优化方法
CN113346526B (zh) * 2021-05-24 2022-05-20 国网综合能源服务集团有限公司 一种基于离散-连续混合法的多节点储能系统配置方法
CN113852562B (zh) * 2021-09-23 2024-02-27 华北电力大学 一种基于改进粒子群算法的通信与负荷资源联合优化装置
CN114024303A (zh) * 2021-10-22 2022-02-08 国网甘肃省电力公司电力科学研究院 一种分布式储能优化配置方法
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
CN115021287A (zh) * 2022-08-08 2022-09-06 南昌工程学院 三相不平衡治理的换相方法、系统、存储介质及设备
CN115441488B (zh) * 2022-08-18 2023-11-21 上海联元智能科技有限公司 一种电储能优选配置方法
CN115395547B (zh) * 2022-08-31 2024-05-07 国网河南省电力公司南阳供电公司 基于整县光伏推进下的灵活储能系统优化配置方法
CN116316718B (zh) * 2023-02-14 2024-05-28 国网宁夏电力有限公司中卫供电公司 一种考虑可再生能源不确定性的储能系统优化配置方法
CN115864611B (zh) * 2023-02-24 2023-08-08 国网浙江省电力有限公司宁波市北仑区供电公司 储能电池安全储能管理方法、系统、设备及存储介质
CN117081219B (zh) * 2023-10-17 2024-01-09 东方旭能(山东)科技发展有限公司 一种ems储能能量管理系统
CN117543706A (zh) * 2024-01-08 2024-02-09 国网江西省电力有限公司经济技术研究院 一种基于微电网风光储系统的混合储能配置方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392286B (zh) * 2014-12-02 2017-07-21 山东大学 考虑冷热电联供和储能运行策略的微电网运行优化方法
CN105226691B (zh) * 2015-11-11 2017-11-24 重庆大学 一种孤立微电网混合储能优化配置方法
CN108491976A (zh) * 2018-03-29 2018-09-04 华南理工大学 一种微能源网多目标运行控制方法

Also Published As

Publication number Publication date
CN112103946A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
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
CN110350523B (zh) 基于需求响应的多能源互补优化调度方法
CN110119886B (zh) 一种主动配网动态规划方法
CN111934360B (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN105337315A (zh) 一种风光蓄互补独立微电网高维多目标优化配置方法
CN111626527A (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
CN110994694A (zh) 计及差异化需求响应的微电网源荷储协调优化调度方法
CN110796373B (zh) 面向风电消纳的多阶段场景生成电热系统优化调度方法
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
CN110752630A (zh) 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
CN113824111A (zh) 一种光储能场景中储能容量配置和调度方法
CN112836849A (zh) 一种考虑风电不确定性的虚拟电厂调度方法
CN112072643A (zh) 一种基于深度确定性梯度策略的光-蓄系统在线调度方法
CN109038655B (zh) 限电要求下大型光伏电站的配套储能容量计算方法
CN114154790A (zh) 基于需量管理和柔性负荷的工业园区光储容量配置方法
CN111082446B (zh) 一种考虑电池自消耗的储能优化配置方法
CN109245143B (zh) 一种考虑锂离子电池寿命的储能调峰电站优化运行方法
CN105119315B (zh) 一种基于能效最大化的储能变流器组合优化方法
CN105207255B (zh) 一种适用于风电出力的电力系统调峰计算方法
CN110852495A (zh) 一种分布式储能电站选址方法
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
CN116316869A (zh) 兼顾日内电力与日间电量的流域水光中期互补调度方法
CN112865101B (zh) 一种考虑可再生能源出力不确定性的线性化交易方法
CN111952996B (zh) 一种基于经济效益评估的含储能的分布式光伏调峰控制方法

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