CN112165112A - 一种用于解决配网低电压的分布式储能系统规划方法 - Google Patents
一种用于解决配网低电压的分布式储能系统规划方法 Download PDFInfo
- Publication number
- CN112165112A CN112165112A CN202011008386.2A CN202011008386A CN112165112A CN 112165112 A CN112165112 A CN 112165112A CN 202011008386 A CN202011008386 A CN 202011008386A CN 112165112 A CN112165112 A CN 112165112A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- storage system
- power
- node
- distribution network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000009826 distribution Methods 0.000 title claims abstract description 71
- 230000008569 process Effects 0.000 claims description 30
- 238000011835 investigation Methods 0.000 claims description 28
- 238000007599 discharging Methods 0.000 claims description 25
- 239000003016 pheromone Substances 0.000 claims description 21
- 238000013178 mathematical model Methods 0.000 claims description 17
- 230000006872 improvement Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 241000257303 Hymenoptera Species 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 238000007667 floating Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 abstract description 17
- 238000005457 optimization Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000004459 forage Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012795 verification Methods 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
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种用于解决配网低电压的分布式储能系统规划方法,该方法基于节点电压波动、最小化日负荷波动、储能系统容量建立分布式储能系统规划目标函数,并设立潮流平衡约束、网络功率平衡约束、储能系统能量平衡约束、节点电压约束,基于传统的蚁群算法进行改进蚁群算法的调节因子,最后应用改进后的蚁群算法求解分布式储能系统的最优接入位置与最佳容量。本发明在得到最优的安装位置和容量的同时,能有效解决配电网时段性低电压的问题。
Description
技术领域
本发明涉及电力系统配电网储能技术领域,特别是涉及一种用于解决配网低电压的分布式储能系统规划方法。
背景技术
分布式储能系统规划方法研究现状,主要指分布式储能系统安装位置及其配制容量的选择,根据用于场景的不同,储能系统的安装位置及容量会有很大差别。如,参与系统调峰的分布式储能系统所配置的储能容量较大,而参与系统一次调频的储能系统配置的容量则相对较小。文献[J Xiao,Z Zhang,L Bai,H Liang,et al.Determination of TheOptimal Installation Site and Capacity of Battery Energy Storage System inDistribution Network Integrated with Distributed Generation[J].IETGeneration,Transmission&Distribution,2016,10(3):601-607.]提出了一种双层优化模型来确定配电网中分布式储能系统的最佳安装位置和安装容量。外层优化以储能周期寿命内最大收益为目标,优化分布式储能系统的最佳安装位置和容量;内层优化以网损最小为目标,进行最优潮流分配,实现分布式储能系统的调度;最终根据优化调度结果进行容量调整,得到最终的分布式储能系统安装位置和安装容量。文献[Y Zhang,S Ren,ZY Dong,etal.Optimal Placement of Battery Energy Storage in Distribution NetworksConsidering Conservation Voltage Reduction and Stochastic Load Composition[J].IET Generation,Transmission&Distribution,2017,15(11):3862-3870.]中结合含可再生能源的主动配电网提出一种考虑节点电压降落和随机负荷重组的分布式储能系统规划方法。以保持节点电压在正常范围内为前提,以投资和运行成本最小为目标,在分布式可再生能源发电随机正常运行组合的情况下,确定分布式储能系统的最佳安装位置和容量。文献[KK Mehmood,SU Khan,SJ Lee,et al.MK Rafique Optimal Sizing andAllocation of Battery Energy Storage Systems with Wind and Solar Power DGs ina Distribution Network for Voltage Regulation Considering the Lifespan ofBatteries[J].IET Renewable Power Generation,2017,10(11):1305-1315.]提出考虑和模拟影响电池使用寿命的各个因素,包括温度、充放电深度、充放电电流大小等,建立双目标函数对分布式储能系统的最佳安装位置和容量进行优化求解。第一目标函数主要考虑考虑网络损耗,第二目标函数主要考虑分布式可再生能源和分布式储能系统的投资成本,最终通过基于乌托邦点法的精英式非支配排序遗传算法对该多目标优化问题进行求解。文献[吴小刚,刘宗歧,田立亭,等.基于改进多目标粒子群算法的配电网储能选址定容[J].电网技术,2014,38(12):3405-3411.]从分布式电源接入配电网引起电压和负荷波动角度出发,建立储能系统选址定容优化模型。分析传统粒子群算法求解过程中存在的不足,提出改进的惯性权重,基于密集距离的排序的方法改善了解集的分布,提出引入基于信息熵的TOPSIS方法选取最优解,最终得到储能系统的最佳安装位置和容量。文献[夏澍,周明,李庚银.分布式电源选址定容的多目标优化算法[J].电网技术,2011,35(09):115-121.]考虑分布式电源具有节能、改善节点电压分布和降低负载率的特点出发建立分布式电源选址定容数学模型,提出一种改进多目标微分算法,引入混沌搜索策略和动态拥挤距离排序策略的方法提高了算法的搜索能力和解集的均匀分布,最终得到了分布式电源最优安装位置和容量。
综上所述,分布式储能系统在配电网中的应用已广泛引起学者的重视,但上述公开的分布式储能系统规划的研究成果主要集中于探讨分布式储能系统对含分布可再生能源配电网的改善问题和分布式储能系统的经济效益问题,目前针对配电网时段性低电压的分布式储能系统规划的研究较为少见。
发明内容
本发明提供一种用于解决配网低电压的分布式储能系统规划方法,通过构建分布式储能系统规划模型,利用改进的蚁群算法对模型求解得到最优的分布式储能系统容量和位置。
本发明的技术方案为:
一种用于解决配网低电压的分布式储能系统规划方法,包括以下过程:
设定考察周期,基于节点电压波动、最小化日负荷波动、储能系统容量建立分布式储能系统规划目标函数;
设立约束条件,包括潮流平衡约束、网络功率平衡约束、储能系统能量平衡约束、节点电压约束;
改进蚁群算法的调节因子,调节因子包括挥发因子ρ、启发因子α、期望因子β;
应用改进后的蚁群算法求解分布式储能系统的最优接入位置与最佳容量;
其中包括以下步骤:
S1、输入待求系统的拓扑结构参数、储能系统参数、目标函数,并设置人工蚂蚁数量、最大迭代次数和调节因子;
S2、初始化信息素浓度τ,其中τ为常数;
S3、根据信息素浓度τ,按下式计算下一个路径转移的概率;
式中λi为第i条路径的距离,即对应待解决模型中的目标函数;k为下一次路径之后的未被寻觅的点的集合;
S4、更新信息素浓度τ,对每一条路径都进行目标函数计算;
S5、在计算得到的所有目标函数值中找到一个最短路径即为一次迭代中的最优解;
S6、反复操作上述步骤S3-S5,直到达到最大的设置迭代数,输出当前值即为所求分布式储能系统规划过程中的最优配置方案。
进一步,节点电压波动的数学模型建立过程如下:
当系统负荷波动时,各节点电压也随之波动,选择以整个考察周期内的电压平均值作为基准,建立的模型如下:
进一步,最小化日负荷波动的数学模型建立过程如下:
从电网侧出发以解决时段性低电压为目的,建立负荷波动的数学模型如下式所示:
式中:Ps(t)为第t时刻配电网所需总有功功率,即日负荷曲线上第t时刻所对应的有功功率;为接入分布式储能系统后,在整个考察周期内从电网获取的有功功率的平均值,即加入分布式储能系统运行后,日负荷曲线的平均值。
进一步,储能系统容量的数学模型建立过程如下:
实际中储能过程放电会影响电池组寿命,需计及储能实际剩余容量,所以建立储能系统的数学模型如下式所示:
式中:t0为第t时刻的储能系统放电的开始时刻;γci为i节点储能容量系数,为大于1的常数,以避免电池组出现过放现象;Δt为两相邻时刻之间的时间间隔;n为储能系统从放电开始时刻到整个观察周期内的放电结束时刻的时间段数量;Pi,BESS(t)为第i个节点的储能系统t时刻的放电功率,当储能系统充电时为负值,当该节点没有储能时,其值为0;NBESS为储能系统的个数。
进一步,根据节点电压波动、最小化日负荷波动、储能系统容量建立的分布式储能系统规划目标函数如下式:
min F=f1+σf2+μf3
式中:σ、μ分别为f1、f2的权重因子。
进一步,潮流平衡约束的过程如下:
采用前推回代的方法进行配电网潮流计算,因此建立支路的潮流平衡约束的方程如下式所示:
式中:Pnm、Qnm分别为支路nm上的有功功率和无功功率;Pm、Qm分别为节点m处的有功负荷和无功负荷;Pm,store为节点m处的储能系统充放电功率,充电时为负,放电时为正;∑Pmk、∑Qmk为除支路nm外所有与m节点相关联的支路;Cm为除n节点外所有与m节点相关联的节点的集合;Rnm、Xnm为支路nm的阻抗,Um为m节点的节点电压;k为节点编号。
进一步,网络功率平衡约束的过程如下:
分布式储能系统规划目标函数的求解过程中的任意时刻都需要网络功率达到平衡,因此建立网络功率平衡约束条件,如下式所示:
∑Ps=∑PL-∑PBESS+∑ΔPloss
式中:∑Ps为配电网从系统中所需总有功功率;∑PL为配电网总负荷;∑PBESS为分布式储能系统总的充放电功率;∑ΔPloss为配电网系统全部支路上网损总和。
进一步,储能系统能量平衡约束的过程如下:
设在考察周期内储能系统总充电功率等于总放电功率,即考察周期内储能系统前后容量变化不变,且设在考察周期内的任意时段储能呈恒功率充/放电或浮充状态,因此建立储能系统能量平衡约束为:
式中PBESS,m(S)为对应时段s的充能充放电功率;T为整个考察周期内的时刻数;Δt为两相邻时刻之间的时间间隔。
进一步,节点电压约束的过程如下:
在潮流计算过程中为了保证计算的收敛,还需要建立节点电压的不等式约束,如下式所示:
Umin≤Um≤Umax
δmin≤δm≤δmax
式中Umin、Umax为节点电压Um的下限与上限;δmin、δmax为节点电压Um的相角δm的下限与上限。
进一步,对挥发因子ρ、启发因子α、期望因子β的改进过程如下:
对挥发因子ρ改进如下式所示:
式中ρ1>ρ2>ρ3,且均为常数;
对启发因子α与期望因子β的改进如下式:
式中ξ1、ξ2均为大于1的常数。
本发明的有益效果为:
本发明针对分布式储能系统用于解决配电网时段性低电压的规划问题进行研究,考虑以节点电压波动、负荷波动和储能安装容量3个因素为目标建立规划模型,分析传统蚁群算法针对本文研究问题容易陷入局部最优解的弊端,提出对挥发因子ρ、启发因子α和期望因子β进行改进的方法提高全局收敛性,本发明在得到最优的安装位置和容量的同时,能有效解决配电网时段性低电压的问题;与传统网损模型相比,本发明所提的规划方法更具有针对性和有效性。
附图说明
图1为利用改进后的蚁群算法对目标函数进行求解的流程示意图;
图2为传统蚁群算法与改进后蚁群算法的结果对比示意图;
图3为峰荷时刻方案1的节点电压对比示意图;
图4为峰荷时刻方案2的节点电压对比示意图;
图5为峰荷时刻方案3的节点电压对比示意图;
图6为峰荷时刻方案4的节点电压对比示意图;
图7为按方案3接入分布式储能系统前,各个时刻各节点电压的示意图;
图8为按方案3接入分布式储能系统后,各个时刻各节点电压的示意图;
图9为按方案3接入分布式储能系统前后的典型日负荷曲线图;
图10为网损最小规划模型与电压波动最小规划模型的节点电压对比图;
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
实施例1:
分布式储能系统的选址定容根据应用场景的不同需要考虑的因素也不同,但大多数情况下为一个多目标的优化问题。本发明目的在于解决配电网时段性低电压,主要是通过分布式储能系统接入配电网进行削峰填谷的方法来实现,兼顾目前储能投资成本较大的因素,本发明提出一种用于解决配网低电压的分布式储能系统规划方法,包括以下过程:
设定考察周期,基于节点电压波动、最小化日负荷波动、储能系统容量建立分布式储能系统规划目标函数;
设立约束条件,包括潮流平衡约束、网络功率平衡约束、储能系统能量平衡约束、节点电压约束;
改进蚁群算法的调节因子,调节因子包括挥发因子ρ、启发因子α、期望因子β;
应用改进后的蚁群算法求解分布式储能系统的最优接入位置与最佳容量;
如图1所示,其中包括以下步骤:
S1、输入待求系统的拓扑结构参数、储能系统参数、目标函数,并设置人工蚂蚁数量、最大迭代次数和调节因子;
S2、初始化信息素浓度τ,其中τ为常数;
S3、根据信息素浓度τ,按下式计算下一个路径转移的概率;
式中λi为第i条路径的距离,即对应待解决模型中的目标函数;k为下一次路径之后的未被寻觅的点的集合;
S4、更新信息素浓度τ,对每一条路径都进行目标函数计算;
S5、在计算得到的所有目标函数值中找到一个最短路径即为一次迭代中的最优解;
S6、反复操作上述步骤S3-S5,直到达到最大的设置迭代数,输出当前值即为所求分布式储能系统规划过程中的最优配置方案。
在本实施例中,节点电压波动的数学模型建立过程如下:
本发明重点解决配电网系统节点电压偏低的问题,考虑将系统各节点电压的波动最小为目标之一建立数学模型,配电网各节点电压在正常情况下(这里指设备非重载,且各个节点电压均满足要求的情况),并不是系统的额定电压,当系统负荷波动时,各节点电压也随之波动,但并不是以额定电压为基准上下波动,因此不能选择额定电压作为波动的基准,考虑到整个周期的变化情况,选择以整个考察周期内的电压平均值作为基准,建立的模型如下:
在本实施例中,最小化日负荷波动的数学模型建立过程如下:
选择采用削峰填谷的办法解决配电网时段性低电压的问题,从用户侧角度考虑通常以峰谷差价最大化为目标函数,从电网侧考虑通常以最小化负荷波动为目标函数,本发明从电网侧出发以解决时段性低电压为目的,因此建立负荷波动的数学模型如下式所示:
式中:Ps(t)为第t时刻配电网所需总有功功率,即日负荷曲线上第t时刻所对应的有功功率;为接入分布式储能系统后,在整个考察周期内从电网获取的有功功率的平均值,即加入分布式储能系统运行后,日负荷曲线的平均值。
在本实施例中,储能系统容量的数学模型建立过程如下:
由于目前储能系统投资较大,从经济性的角度出发,希望以更少的投资来达到目,且考虑实际中储能过放会影响电池组寿命,需计及储能实际剩余容量,所以建立储能系统的数学模型如下式所示:
式中:t0为第t时刻的储能系统放电的开始时刻;γci为i节点储能容量系数,为大于1的常数,以避免电池组出现过放现象;Δt为两相邻时刻之间的时间间隔;n为储能系统从放电开始时刻到整个观察周期内的放电结束时刻的时间段数量;Pi,BESS(t)为第i个节点的储能系统t时刻的放电功率,当储能系统充电时为负值,当该节点没有储能时,其值为0;NBESS为储能系统的个数。
所以,根据上述的节点电压波动、最小化日负荷波动、储能系统容量建立的分布式储能系统规划目标函数如下式:
min F=f1+σf2+μf3 (式5)
式中:σ、μ分别为f1、f2的权重因子。
本发明的约束条件中主要的等式约束包括潮流平衡约束、网络功率平衡约束、储能系统能量平衡约束,不等式约束主要包括节点电压约束。
潮流平衡约束的过程如下:
采用前推回代的方法进行配电网潮流计算,因此建立支路的潮流平衡约束的方程如下式所示:
式中:Pnm、Qnm分别为支路nm上的有功功率和无功功率;Pm、Qm分别为节点m处的有功负荷和无功负荷;Pm,store为节点m处的储能系统充放电功率,充电时为负,放电时为正;∑Pmk、∑Qmk为除支路nm外所有与m节点相关联的支路;Cm为除n节点外所有与m节点相关联的节点的集合;Rnm、Xnm为支路nm的阻抗,Um为m节点的节点电压;k为节点编号。
网络功率平衡约束的过程如下:
分布式储能系统规划目标函数的求解过程中的任意时刻都需要网络功率达到平衡,因此建立网络功率平衡约束条件,如下式所示:
∑Ps=∑PL-∑PBESS+∑ΔPloss (式7)
式中:∑Ps为配电网从系统中所需总有功功率;∑PL为配电网总负荷;∑PBESS为分布式储能系统总的充放电功率;∑ΔPloss为配电网系统全部支路上网损总和。
储能系统能量平衡约束的过程如下:
设在考察周期内储能系统总充电功率等于总放电功率,即考察周期内储能系统前后容量变化不变,且设在考察周期内的任意时段储能呈恒功率充/放电或浮充状态,因此建立储能系统能量平衡约束为:
式中PBESS,m(S)为对应时段s的充能充放电功率;T为整个考察周期内的时刻数;Δt为两相邻时刻之间的时间间隔。
节点电压约束的过程如下:
在潮流计算过程中为了保证计算的收敛,还需要建立节点电压的不等式约束,如下式所示:
Umin≤Um≤Umax
δmin≤δm≤δmax (式9)
式中Umin、Umax为节点电压Um的下限与上限;δmin、δmax为节点电压Um的相角δm的下限与上限。
蚁群算法作为一种启发式优化算法,凭借其较强的求解能力被广泛应用。传统蚁群算法的思想是根据蚂蚁觅食时在其经过的路径上释放信息素,后续蚂蚁根据之前蚂蚁释放的信息素浓度依概率选择路径觅食,随着信息素不断地积累,信息素浓度高的路径就更容易被选择,在迭代达到最大时,最优路径被找到。
算法以信息素浓度的积累为基础,信息素浓度积累过快容易过早陷入局部最优而导致算法停滞,而本发明研究中所针对的配电网多为辐射型网络,很容易导致在全局搜索过程中在某一条或几条支路上进行局部最优的搜索而影响计算速度,甚至陷入局部最优解。因此,为了避免这种情况发生后导致出现分布式储能系统规划不合理的现象,需要对传统的蚁群算法进行改进。
蚁群算法中影响优化性能的参数主要有信息素挥发因子ρ、启发因子α和期望因子β。挥发因子ρ表示种群中个体间的相互影响,较大时,蚂蚁走过路径的信息素浓度挥发较快,优化过程易多次选择同一路径,导致搜索能力减弱,当ρ较小时,路径上的信息素浓度较大,收敛较快,容易陷入局部最优解搜索。启发因子α,反映信息素的重要程度,α越大,蚁群选择之前走过路径的可能性越大,搜索的随机性减弱,α越小,优化过程随机性越大,全局搜索能力越强,但收敛速度减慢。期望因子β反映启发信息的重要程度,β越大收敛速度越快,但容易陷入局部最优,β越小,搜索过程随机性越大,较难找到最优解。
基于此,以上述理论为依据,对传统蚁群算法相关参数改进如下:
对挥发因子ρ的改进:
挥发因子ρ在迭代初始时刻取值较大可增强全局搜索能力,迭代中期和后期宜取较小值以增强收敛速度,以此为基础对挥发因子ρ改进如下式所示:
式中ρ1>ρ2>ρ3,且均为常数;n为蚁群算法中固有的表达式,为城市数量。
对启发因子α与期望因子β的改进:
由上述分析有,迭代初期启发因子α与期望因子β均宜取较小值,以增强优化过程的随机性,提高全局搜索能力,随着迭代次数的增加,越接近最优解,为了提高收敛速度,可适当将启发因子α与期望因子β调整至较大值,所以对启发因子α与期望因子β的改进如下式:
式中ξ1、ξ2均为大于1的常数,公式中的参数为第k次迭代下对应的启发因子和期望因子。
以下对应用改进后的蚁群算法求解分布式储能系统的最优接入位置与最佳容量进行算例分析:
采用IEEE-33节点配电网系统来进行分析验证,为了便于计算和分析,且考虑峰谷特殊时刻配电网的运行情况,取一天(即考察周期)内24个时刻的负荷数据,作为典型日负荷原始数据。各个时刻的系统各节点负荷数据按下式进行变化:
式中Pi,t、Qi,t分别为i节点t时刻的有功功率和无功功率;分别为i节点在峰荷时刻的有功负荷和无功负荷;Pd,t为系统t时刻总负荷;ζi,t为i节点t时刻所对应的随机数,取值为0.6≤ζi,t≤1.1,且t=th时,ζi,t恒为1。
采用基于前推回代法潮流计算得到该系统平均负荷时各节点平均电压为Uav=0.97,则本发明将节点电压低于0.95Uav时,即低于0.93时,视为低电压。
系统参数设置:输入IEEE-33节点配电网系统的拓扑结构参数,令电压约束为0.9~1.0pu;
储能系统参数为:最大总安装容量3MW·h,可连续充放电4h,γcj取1.5,系统接入储能系统数量最多为4个;
输入目标函数,将权重因子σ、μ分别取0.5与0.3;
改进蚁群算法的参数设置:最多迭代系数N=200,蚂蚁数量200,挥发因子中ρ1、ρ2、ρ3分别取0.9、0.5、0.1,启发因子α和期望因子β初值分别取1与0.7,ξ1、ξ2均取1.04。
本发明得到采用传统蚁群算法和改进蚁群算法的运行结果如表1和图2所示。
表1收敛迭代次数和目标函数值
由表1优化目标对比结果可以看出,改进蚁群算法的结果明显优于传统蚁群算法。图2表明改进蚁群算法相对于传统蚁群算法收敛速度更快,收敛结果更优,改进的蚁群算法信息素浓度得到有效调节,随着迭代次数增加,挥发因子减小、调节因子增加,信息素浓度对蚂蚁寻址影响增加,起到正反馈作用,从而提高了全局搜索能力,算法收敛速度得到提高。
基于改进蚁群算法得到的分布式储能系统规划结果如表2所示。
表2分布式储能系统的规划结果
接入储能系统后,峰荷时刻(17点)各节点电压变化如图3—图6所示,分析可知,方案1、2、3、4中系统节点电压较不含分布式储能系统的配电网节点电压均得到了不同程度的提高,且均能保证在0.93以上。方案1对系统末端18节点附近电压提升效果较好,但对末端节点33附近的电压提升效果不显著;相比之下方案2、3、4中的储能系统对配电网末端节点18和33的电压提升效果较好,但从储能安装容量的经济性方面考虑,方案3和方案4明显优于方案2。从电压的改善情况分析,方案3对系统末端节点电压的改善情况优于方案4,主要原因是方案3中系统末端安装储能容量大小比方案4大。
采用方案3,分布式储能系统接入配电网前后各个时刻各节点电压如图7和图8所示,典型日负荷曲线如图9所示。
从图7和图8分析可知,分布式储能系统接入配电网后,峰荷时段较接入前各节点电压均有提升,谷荷时段由于储能系统对电池组充电,节点电压均有略微下降,但均能保证在0.93以上,因此分布式储能系统接入配电网后有效解决了原有系统的时段性电压问题。
此外,如图9所示,加入分布式储能系统后,原始负荷标准方差225.9降低为90.77,负荷波动减小,降低了负荷高峰时的变压器负载率,起到了延缓系统扩容的作用。
上述算例表明本发明所建规划模型能有效解决系统时段性低电压的问题,为了证明模型的针对性和有效性,将本发明所建模型与传统方法中围绕系统网损搭建的模型进行对比,将本发明所提模型中的电压波动目标,改为传统方法
式中,∑ΔPloss,t为配电网系统t时刻全部支路上的网损总和;
其他目标和约束条件不变,规划结果如表3和图10所示;
表3电压波动最小规划模型和网损最小规划模型结果对比
根据表3和图10可知,算例结果表明采用本发明所提节点电压波动最小的规划模型能以更小的储能安装容量解决系统时段性低电压问题,网损最小模型对配电网首端和中间节点的电压的提升效果优于本文所提规划模型,这主要是由于在接入分布式储能系统前,配电网在首端和中间网损较大,但时段性低电压问题多出现于线路末端,在这种情况下本发明所提的规划模型更具有针对性和有效性。
本发明针对分布式储能系统用于解决配电网时段性低电压的规划问题进行研究,考虑以节点电压波动、负荷波动和储能安装容量3个因素为目标建立规划模型,分析传统蚁群算法针对本发明研究问题容易陷入局部最优解的弊端,提出对挥发因子ρ、启发因子α和期望因子β进行改进的方法提高全局收敛性。通过算例分析表明改进蚁群算法的收敛速度和收敛结果都优于传统蚁群算法,证明所提算法的优越性;本发明得到最优的安装位置和容量的同时,通过分布式储能系统谷荷时段充电、峰荷时段放电的方法能有效解决配电网时段性低电压的问题;与传统网损模型对比分析,证明了本发明所提规划方法更具有针对性和有效性。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种用于解决配网低电压的分布式储能系统规划方法,其特征在于,包括以下过程:
设定考察周期,基于节点电压波动、最小化日负荷波动、储能系统容量建立分布式储能系统规划目标函数;
设立约束条件,包括潮流平衡约束、网络功率平衡约束、储能系统能量平衡约束、节点电压约束;
改进蚁群算法的调节因子,调节因子包括挥发因子ρ、启发因子α、期望因子β;
应用改进后的蚁群算法求解分布式储能系统的最优接入位置与最佳容量;其中包括以下步骤:
S1、输入待求系统的拓扑结构参数、储能系统参数、目标函数,并设置人工蚂蚁数量、最大迭代次数和调节因子;
S2、初始化信息素浓度τ,其中τ为常数;
S3、根据信息素浓度τ,按下式计算下一个路径转移的概率;
式中λi为第i条路径的距离,即对应待解决模型中的目标函数;k为下一次路径之后的未被寻觅的点的集合;
S4、更新信息素浓度τ,对每一条路径都进行目标函数计算;
S5、在计算得到的所有目标函数值中找到一个最短路径即为一次迭代中的最优解;
S6、反复操作上述步骤S3-S5,直到达到最大的设置迭代数,输出当前值即为所求分布式储能系统规划过程中的最优配置方案。
5.根据权利要求4所述的一种用于解决配网低电压的分布式储能系统规划方法,其特征在于,根据节点电压波动、最小化日负荷波动、储能系统容量建立的分布式储能系统规划目标函数如下式:
min F=f1+σf2+μf3
式中:σ、μ分别为f1、f2的权重因子。
7.根据权利要求1所述的一种用于解决配网低电压的分布式储能系统规划方法,其特征在于,网络功率平衡约束的过程如下:
分布式储能系统规划目标函数的求解过程中的任意时刻都需要网络功率达到平衡,因此建立网络功率平衡约束条件,如下式所示:
∑Ps=∑PL-∑PBESS+∑ΔPloss
式中:∑Ps为配电网从系统中所需总有功功率;∑PL为配电网总负荷;∑PBESS为分布式储能系统总的充放电功率;∑ΔPloss为配电网系统全部支路上网损总和。
9.根据权利要求1所述的一种用于解决配网低电压的分布式储能系统规划方法,其特征在于,节点电压约束的过程如下:
在潮流计算过程中为了保证计算的收敛,还需要建立节点电压的不等式约束,如下式所示:
Umin≤Um≤Umax
δmin≤δm≤δmax
式中Umin、Umax为节点电压Um的下限与上限;δmin、δmax为节点电压Um的相角δm的下限与上限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011008386.2A CN112165112A (zh) | 2020-09-23 | 2020-09-23 | 一种用于解决配网低电压的分布式储能系统规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011008386.2A CN112165112A (zh) | 2020-09-23 | 2020-09-23 | 一种用于解决配网低电压的分布式储能系统规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112165112A true CN112165112A (zh) | 2021-01-01 |
Family
ID=73863363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011008386.2A Pending CN112165112A (zh) | 2020-09-23 | 2020-09-23 | 一种用于解决配网低电压的分布式储能系统规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112165112A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113507110A (zh) * | 2021-06-20 | 2021-10-15 | 东北电力大学 | 提高配电网中新能源消纳的分布式储能集群优化控制方法 |
CN113541127A (zh) * | 2021-06-18 | 2021-10-22 | 国网湖北省电力有限公司电力科学研究院 | 一种有源配电网中广义储能系统分布式配置方法 |
CN114115237A (zh) * | 2021-11-03 | 2022-03-01 | 中国人民解放军陆军防化学院 | 一种基于路径优化的多目标辐射侦察方法 |
CN114881438A (zh) * | 2022-04-27 | 2022-08-09 | 联想新视界(南昌)人工智能工研院有限公司 | 一种城市分布式储能的配置方法 |
CN114937997A (zh) * | 2022-06-13 | 2022-08-23 | 合肥工业大学 | 基于潮流约束线性边界化和评价指标的储能选址规划方法 |
CN115375032A (zh) * | 2022-09-01 | 2022-11-22 | 东南大学溧阳研究院 | 一种含分布式储能的区域电网多时间尺度优化调度方法 |
CN117170885A (zh) * | 2023-11-03 | 2023-12-05 | 国网山东综合能源服务有限公司 | 基于云边协同的分布式资源优化调配方法及系统 |
CN117526387A (zh) * | 2023-12-29 | 2024-02-06 | 太原理工大学 | 一种考虑储能容量衰减的配电网储能最优选址定容方法 |
CN117833367A (zh) * | 2024-01-05 | 2024-04-05 | 四川易信达电气有限公司 | 一种智能型发电机组负荷控制方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109193729A (zh) * | 2018-11-12 | 2019-01-11 | 浙江大学 | 一种配网自动化系统中储能系统的选址方法 |
CN111191820A (zh) * | 2019-12-17 | 2020-05-22 | 国网浙江省电力有限公司 | 一种综合能源系统中储能装置的选址定容优化规划方法 |
-
2020
- 2020-09-23 CN CN202011008386.2A patent/CN112165112A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109193729A (zh) * | 2018-11-12 | 2019-01-11 | 浙江大学 | 一种配网自动化系统中储能系统的选址方法 |
CN111191820A (zh) * | 2019-12-17 | 2020-05-22 | 国网浙江省电力有限公司 | 一种综合能源系统中储能装置的选址定容优化规划方法 |
Non-Patent Citations (3)
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》 * |
王宗礼 等: "基于改进蚁群算法的分布式电源容量优化配置", 《中国电力》 * |
王钤 等: "改善农网低电压与网损的分布式储能系统规划方案研究", 《东北电力大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113541127A (zh) * | 2021-06-18 | 2021-10-22 | 国网湖北省电力有限公司电力科学研究院 | 一种有源配电网中广义储能系统分布式配置方法 |
CN113507110A (zh) * | 2021-06-20 | 2021-10-15 | 东北电力大学 | 提高配电网中新能源消纳的分布式储能集群优化控制方法 |
CN114115237A (zh) * | 2021-11-03 | 2022-03-01 | 中国人民解放军陆军防化学院 | 一种基于路径优化的多目标辐射侦察方法 |
CN114881438A (zh) * | 2022-04-27 | 2022-08-09 | 联想新视界(南昌)人工智能工研院有限公司 | 一种城市分布式储能的配置方法 |
CN114937997A (zh) * | 2022-06-13 | 2022-08-23 | 合肥工业大学 | 基于潮流约束线性边界化和评价指标的储能选址规划方法 |
CN114937997B (zh) * | 2022-06-13 | 2024-03-01 | 合肥工业大学 | 基于潮流约束线性边界化和评价指标的储能选址规划方法 |
CN115375032A (zh) * | 2022-09-01 | 2022-11-22 | 东南大学溧阳研究院 | 一种含分布式储能的区域电网多时间尺度优化调度方法 |
CN117170885A (zh) * | 2023-11-03 | 2023-12-05 | 国网山东综合能源服务有限公司 | 基于云边协同的分布式资源优化调配方法及系统 |
CN117170885B (zh) * | 2023-11-03 | 2024-01-26 | 国网山东综合能源服务有限公司 | 基于云边协同的分布式资源优化调配方法及系统 |
CN117526387A (zh) * | 2023-12-29 | 2024-02-06 | 太原理工大学 | 一种考虑储能容量衰减的配电网储能最优选址定容方法 |
CN117526387B (zh) * | 2023-12-29 | 2024-03-22 | 太原理工大学 | 一种考虑储能容量衰减的配电网储能最优选址定容方法 |
CN117833367A (zh) * | 2024-01-05 | 2024-04-05 | 四川易信达电气有限公司 | 一种智能型发电机组负荷控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112165112A (zh) | 一种用于解决配网低电压的分布式储能系统规划方法 | |
CN108667052B (zh) | 一种面向虚拟电厂优化运行的多类型储能系统规划配置方法及系统 | |
CN109361237B (zh) | 基于改进混合粒子群算法的微电网容量优化配置方法 | |
CN107994595B (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 | |
CN105680474B (zh) | 一种储能抑制光伏电站快速功率变化的控制方法 | |
CN108551176B (zh) | 一种结合储能均衡技术的储能电池系统容量配置方法 | |
CN111092451B (zh) | 一种基于配电网网格的光伏消纳预警方法 | |
CN112072711A (zh) | 基于动态优先级的配电网灵活性优化调度方法 | |
Babacan et al. | Optimal allocation of battery energy storage systems in distribution networks considering high PV penetration | |
CN108808737A (zh) | 促进可再生分布式电源消纳的主动配电网优化调度方法 | |
CN110518634A (zh) | 基于改进指数平滑法的蓄电池储能系接入风电场控制方法 | |
CN114819373A (zh) | 一种基于合作博弈的共享混合储能电站的储能规划方法 | |
Georgiou et al. | A genetic algorithm driven linear programming for battery optimal scheduling in nearly zero energy buildings | |
CN110474348A (zh) | 一种配电网的调峰方法及装置 | |
CN115036914A (zh) | 考虑灵活性与新能源消纳的电网储能双层优化方法及系统 | |
CN109038654B (zh) | 一种考虑分布式风电高渗透并网的配电系统优化运行方法 | |
CN112821463B (zh) | 基于风、光随机性的主动配电网多目标日前优化调度方法 | |
CN117559526A (zh) | 一种基于光储充一体化充电站的拟路由器能量调控方法 | |
Kumar et al. | Smart home energy management with integration of PV and storage facilities providing grid support | |
CN117117871A (zh) | 一种社区储能共享框架用电能调度方法 | |
CN115000994B (zh) | 一种多储能单元分组一致性功率分配方法 | |
CN108736496B (zh) | 一种分布式储能系统的补充性规划方法及系统 | |
CN116169700A (zh) | 一种配电网储能配置模型及其求解方法 | |
CN115841216A (zh) | 计及分布式光伏消纳率的配电网储能优化配置方法 | |
CN114094608A (zh) | 一种面向光伏电站的多类型储能容量优化配置方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210101 |
|
RJ01 | Rejection of invention patent application after publication |