CN112232983A - 一种主动配电网储能优化配置方法、电子设备及存储介质 - Google Patents
一种主动配电网储能优化配置方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112232983A CN112232983A CN202011102782.1A CN202011102782A CN112232983A CN 112232983 A CN112232983 A CN 112232983A CN 202011102782 A CN202011102782 A CN 202011102782A CN 112232983 A CN112232983 A CN 112232983A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- storage device
- distribution network
- power distribution
- active 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.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 66
- 238000013178 mathematical model Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 29
- 238000001803 electron scattering Methods 0.000 claims description 17
- 238000009434 installation Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000013256 coordination polymer Substances 0.000 claims description 3
- 238000002402 nanowire electron scattering Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 description 45
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000002940 Newton-Raphson method Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
Abstract
本发明公开了一种主动配电网储能优化配置方法、电子设备及存储介质,所述方法包括:对储能装置的投资成本构成进行建模,构建储能装置投资成本数学模型;对主动配电网的运行特性进行建模,构建主动配电网综合运行成本数学模型;结合所述储能装置投资成本数学模型和所述主动配电网综合运行成本数学模型对主动配电网的运行成本和所述储能装置的配置进行优化,得到优化结果。本发明可以有效降低线路的损耗并提高电压质量,在保证配电网电能质量需求的基础上,降低储能装置的投资成本,使得系统整体经济性最优。
Description
技术领域
本发明涉及智能配电网技术领域,具体涉及一种计及电压质量与经济性的主动配电网储能优化配置方法、电子设备及存储介质。
背景技术
在能源转型背景下,高比例可再生分布式电源分散接入配电网,其出力随机性、间歇性叠加负荷波动性,对电网运行的安全性和经济性带来一系列影响,如节点电压升高、线路损耗增大。而具有快速功率调节能力和供蓄能力的储能设备,已成为提高主动配电网运行安全性的重要选择。
电力系统的电能质量与功率平衡密切相关,通过储能设备协调分布式电源,协同配电网解决分布式能源高渗透率接入电网造成的电压越限等问题,可以降低分布式电源并网对公网的影响,对维护系统稳定运行,降低电网调压成本的同时提高整体经济效益有重要意义。
储能装置的安装位置与容量决定了其参与配电网功率调节的能力,而大容量储能装置的安装和维护成本在考虑配电网综合运行成本时不可忽视,在保障系统运行安全的同时,优化储能的位置与容量以提高系统运行经济性,值得进行研究。
发明内容
本发明的目的是提供一种主动配电网储能优化配置方法、电子设备及存储介质,通过综合考虑电力系统的运行经济性和运行安全稳定性,提出优化模型。优化目标计及储能装置投资成本、配电网线路损耗成本、电压偏移成本,建立考虑优化运行的主动配电网中储能装置选址定容双层优化模型,为主动配电网中储能装置的配置方法提供参考。
为了实现以上目的,本发明通过以下技术方案实现:
一种主动配电网储能优化配置方法,包括:对储能装置的投资成本构成进行建模,构建储能装置投资成本数学模型;对主动配电网的运行特性进行建模,构建主动配电网综合运行成本数学模型;结合所述储能装置投资成本数学模型和所述主动配电网综合运行成本数学模型对主动配电网的运行成本和所述储能装置的配置进行优化,得到优化结果。
优选地,所述储能装置投资成本数学模型如下:
其中,CESS为储能装置投资总成本;τ为年利率;y为储能装置的使用寿命;k为储能装置安装总数;Cpess为储能装置的单位功率成本;Pess,i为第i个储能装置的额定功率容量;Ceess为储能装置的单位容量成本;Eess,i为第i个储能装置的额定能量容量。
优选地,所述主动配电网综合运行成本数学模型如下:
CGrid=CPloss+CUad
其中,CGrid为主动配电网综合运行成本;CPloss和CUad分别为配电网线路损耗成本和配电网电压偏移成本,具体如下:
其中,CP为单位线路有功损耗成本;Δt为计算时段长度,取1h;Ploss,k,t为第k条支路在t时刻的有功损耗;m为支路总数;Ui和Uj分别为第i个节点和第j个节点的电压幅值;Gk(i,j)和θij分别为第i节点和第j个节点之间的电导和相位差;
优选地,所述对主动配电网的运行成本和所述储能装置的配置进行优化的步骤包括:建立优化总目标函数,并根据第一优化约束条件进行优化;所述优化总目标函数如下:
min f1=CESS+CGrid=CESS+CPloss+CUad
其中,f1为优化总目标;CESS为储能装置投资总成本;CGrid为主动配电网综合运行成本;CPloss为配电网线路损耗成本;CUad为配电网电压偏移成本。
优选地,所述第一优化约束条件如下:
储能装置的额定功率容量约束:
储能装置的安装个数约束:
其中,NESS为储能装置的总个数;NESS,Plan为储能装置的可选安装节点个数;xj为储能装置的安装状态变量,其值为1代表第j个节点安装储能装置,其值为0代表第j个节点不安装储能装置;为储能装置的安装总个数上限。
优选地,所述对主动配电网的运行成本和所述储能装置的配置进行优化的步骤还包括:
建立优化子目标函数,并根据第二优化约束条件进行优化,得到配电网最低运行成本,将所述配电网最低运行成本反馈至所述优化总目标函数内,进行优化,得到所述优化结果;所述优化子目标函数如下:
min f2=CGrid=CPloss+CUad
其中,f2为储能装置位置与额定容量确定后的运行优化子目标;CGrid为主动配电网综合运行成本;CPloss为配电网线路损耗成本;CUad为配电网电压偏移成本。
优选地,所述第二优化约束条件如下:
潮流等式约束:
其中Pi,PGi,Pli分别为第i个节点注入的有功功率、含分布式电源在内的发电机有功出力及负荷消耗的有功功率;Qi,QGi,QCi,Qli分别为第i个节点注入的无功功率、含分布式电源在内的发电机无功出力、无功补偿容量及负荷消耗无功;Gij,Bij和θij分别为第i个节点、第j个节点之间的电导、电纳和电压相角差;N为系统节点个数;Ui和Uj分别为第i个节点和第j个节点的电压;
发电机组约束:
储能装置的出力约束:
储能装置的剩余容量约束:
0.2×Eess,i≤Eess,i,t≤0.9×Eess,i
其中:Eess,i,t、Eess,i,t-1分别为t、t-1时刻的储能装置剩余电量;Pch、Pdis分别为储能装置的充电功率和放电功率;ηch、ηdis分别为储能装置的充电效率和放电效率;σ为储能装置的自放电率;Eess,i为第i个储能装置的额定能量容量;Δt表示计算时段长度;
节点电压约束:
另一方面,本发明还提供一种电子设备,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如上文所述的方法。
再一方面,本发明还提供一种可读存储介质,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现如上文所述的方法。
本发明至少具有以下优点之一:
本发明提出兼顾配电网电压质量和经济性的主动配电网储能优化配置模型,该模型可以有效降低线路的损耗并提高电压质量,在保证配电网电能质量需求的基础上,降低储能装置的投资成本,使得系统整体经济性最优。
本发明充分考虑了配电网的运行特性和储能装置的投资成本,通过分层分别对储能装置的配置和系统运行进行优化,降低了优化计算的维度,减少求解复杂度。
附图说明
图1为本发明一实施例提供的主动配电网储能优化配置方法的流程图;
图2为本发明一实施例提供的改进的IEEE33节点算例的示意图;
图3为本发明一实施例提供的基于改进粒子群算法的优化求解流程图。
具体实施方式
以下结合附图1~3和具体实施方式对本发明提出的主动配电网储能优化配置方法、电子设备及存储介质作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合图1~图3所示,本实施例提供一种主动配电网储能优化配置方法,包括:步骤S1、对储能装置的投资成本构成进行建模,构建储能装置投资成本数学模型;步骤S2、对主动配电网的运行特性进行建模,构建主动配电网综合运行成本数学模型;步骤S3、结合所述储能装置投资成本数学模型和所述主动配电网综合运行成本数学模型对主动配电网的运行成本和所述储能装置的配置进行优化,得到优化结果。具体的,以储能系统(若干个储能装置)的投资成本、主动配电网的综合运行成本最低时为优化目标对储能装置的配置(包括储能装置的安装位置和额定容量)进行优化。在储能装置配置确定情况下,对主动配电网线路有功损耗和电压质量进行优化,得到主动配电网最低运行成本。
在本实施例中,所述储能装置投资成本数学模型如下:
式(1)中,CESS为储能装置投资总成本;τ为年利率;y为储能装置的使用寿命;k为储能装置安装总数;Cpess为储能装置的单位功率成本;Pess,i为第i个储能装置的额定功率容量;Ceess为储能装置的单位容量成本;Eess,i为第i个储能装置的额定能量容量。
所述主动配电网综合运行成本数学模型如下:
CGrid=CPloss+CUad (2)
式(2)中,CGrid为主动配电网综合运行成本;CPloss和CUad分别为配电网线路损耗成本和配电网电压偏移成本,具体如下:
式(3)中,CP为单位线路有功损耗成本;Δt为计算时段长度,取1h;Ploss,k,t为第k条支路在t时刻的有功损耗;m为支路总数;Ui和Uj分别为第i个节点和第j个节点的电压幅值(电压);Gk(i,j)和θij分别为第i个节点和第j个节点之间的电导和相位差;
所述步骤S3包括:建立优化总目标函数,并根据第一优化约束条件进行优化;所述优化总目标函数如下:
min f1=CESS+CGrid=CESS+CPloss+CUad (5)
式(5)中,f1为优化总目标;CESS为储能装置投资总成本;CGrid为主动配电网综合运行成本;CPloss为配电网线路损耗成本;CUad为配电网电压偏移成本。
所述第一优化约束条件如下:
储能装置的额定功率容量约束:
储能装置的安装个数约束:
式(7)中,NESS为储能装置的总个数;NESS,Plan为储能装置的可选安装节点个数;xj为储能装置的安装状态变量,其值为1代表第j个节点安装储能装置,其值为0代表第j个节点不安装储能装置;为储能装置的安装总个数上限。
所述步骤S3还包括:
建立优化子目标函数,并根据第二优化约束条件进行优化,得到配电网最低运行成本,将所述配电网最低运行成本反馈至所述优化总目标函数内,进行优化,得到所述优化结果;所述优化子目标函数如下:
min f2=CGrid=CPloss+CUad (8)
式(8)中,f2为储能装置位置与额定容量确定后的运行优化子目标;CGrid为主动配电网综合运行成本;CPloss为配电网线路损耗成本;CUad为配电网电压偏移成本。
所述第二优化约束条件如下:
潮流等式约束:
式(9)中,Pi,PGi,Pli分别为第i个节点注入的有功功率、含分布式电源在内的发电机有功出力及负荷消耗的有功功率;Qi,QGi,QCi,Qli分别为第i个节点注入的无功功率、含分布式电源在内的发电机无功出力、无功补偿容量及负荷消耗无功;Gij,Bij和θij分别为第i个节点、第j个节点之间的电导、电纳和电压相角差;N为系统节点个数;Ui和Uj分别为第i个节点和第j个节点的电压。
发电机组约束:
储能装置的出力约束:
储能装置的剩余容量约束:
0.2×Eess,i≤Eess,i,t≤0.9×Eess,i (13)
式(12)和(13)中:Eess,i,t、Eess,i,t-1分别为t、t-1时刻的储能装置剩余电量;Pch、Pdis分别为储能装置的充电功率和放电功率;ηch、ηdis分别为储能装置的充电效率和放电效率;σ为储能装置的自放电率;Eess,i为第i个储能装置的额定能量容量;Δt表示计算时段长度。
节点电压约束:
本实施例旨在通过储能的合理配置与优化解决高比例可再生能源接入电网导致的系统运行安全性和经济性问题,图2改进的IEEE33节点配电网测试系统模型示意图,即为在常用测试算例IEEE33节点算例基础上添加光伏构成的算例,作为本实施例的典型运用场景。
如图2所示,在原节点配电网测试系统模型基础上加入了高比例光伏,由于分布式电源不可控、出力波动大的特点,将为该系统的电压稳定带来很大考验,如电压波动、网损增加的问题。图2中PV表示光伏;1~33表示系统节点。
利用上述实施例所提主动配电网储能优化配置方法,综合考虑储能装置投资成本、配电网运行的线路损耗成本与电压偏移成本,采用改进粒子群算法对上述的优化总目标函数和优化子目标函数进行双层优化求解。如图3所示,为双层优化求解流程图,具体求解步骤如下:
步骤S1.1:输入原始数据,获取改进的IEEE33节点配电网测试系统的网络结构、发电机信息、负荷信息、分布式电源容量等信息。
步骤S1.2:设置粒子群算法中各参数,如种群大小、迭代次数上限、速度更新参数、惯性权重,以及粒子的维数、各维变量的取值范围等;设置模型求解相关参数(相关参数指计算储能投资成本和配电网综合运行成本需要用的参数),如年利率τ、储能使用寿命y、单位线路有功损耗成本CP、电压偏移系数μ等。
步骤S1.3:初始化第一层优化相关的代表储能装置的安装位置和额定功率容量的粒子位置。
步骤S1.4:更新负荷情况,更新分布式电源(DG)出力。
步骤S1.5:初始化即随机生成第二层优化相关的代表储能装置出力的粒子位置和速度,并根据各粒子(表示储能装置)的位置修改IEEE33节点配电网测试系统中相应储能装置出力。
步骤S1.6:计算系统(改进的IEEE33节点配电网测试系统)潮流,计算第二层粒子适应度,初始化粒子个体最佳适应度,初始化全局最佳适应度和全局最佳位置。即使用牛顿-拉夫森方法计算系统潮流,并计算得到主动配电网线路损耗成本和电压偏移成本(即第二层优化适应度),初始化粒子个体最佳适应度(每个粒子计算所得的目标函数最小值,即每个粒子得到的最小配电网综合运行成本)以及相应的各粒子的位置(每个粒子使得目标函数值最小时的粒子中各变量的位置,即使得配电网综合运行成本最小的储能装置的出力方案),初始化全局最佳适应度(所有粒子计算所得的目标函数值中的最小值,即所有粒子得到的最小配电网综合运行成本)和全局最佳位置(所有粒子个体最佳位置中选出的最优的那个粒子的位置,即所有方案中使得配电网综合运行成本最小的储能装置的出力方案)。
粒子群优化算法中,每个粒子代表一组解,即一组储能装置配置方法/一组储能装置的出力方案。
每一次迭代更新,每个粒子会将所得的目标函数值与粒子本身在历史中得到的目标函数值进行对比,选出个体最佳的方案。而全局最佳的方案就是所有粒子进行对比选出的最佳的。
适应度指的是目标函数值。
步骤S1.7:更新惯性权重(粒子群优化算法中更新粒子速度的一个参数),更新粒子速度和各个粒子的位置,并修改控制变量。即,更新惯性权重(逐渐减小),根据速度更新公式更新粒子速度,并根据速度限制进行修改。更新粒子的位置,并根据各约束修改粒子的位置。根据粒子的位置修改系统相应储能装置出力。
其中,惯性权重的更新可以按照下述公式进行
式(15)中:wmax为最大惯性因子;wmin为最小惯性因子;t为迭代次数;tmax为最大迭代次数,w(t+1)为迭代次数为t+1时的惯性权重。
其中,粒子位置和速度的更新可以按照下述公式进行:
式(16)和(17)中:分别为别为粒子i在第k次和第k+1次迭代中的位置;分别为粒子i在第k次和第k+1次迭代中的速度;pbesti为粒子i在当前迭代过程中的个体极值;gbest为当前迭代过程中的历史最优值;w为惯性权重;c1、c2为速度更新参数;τ1、τ2为0、1之间的随机数。
步骤S1.8:再次使用牛顿-拉夫森方法计算系统潮流,并计算得到主动配电网线路损耗成本和电压偏移成本(即下层优化适应度),更新粒子个体最佳适应度以及相应的各粒子的位置(更新粒子种群的个体),更新全局最佳适应度和全局最佳位置。
步骤S1.9:判断是否已达到最大迭代次数,若是则转向步骤S2.1,否则转向步骤S1.7。
步骤S2.1:存储该时段优化结果,更新储能装置剩余电量。
步骤S2.2:判断是否已对所有时段计算完毕,即t=T(T指目标优化的总时段,本实施例以1小时为间隔对一年进行优化,则T=365*24),若是则结束第二层优化,转向步骤S2.3,否则转向步骤S1.4。
步骤S2.3:计算储能装置投资成本和主动配电网综合运行成本总和(即上层粒子适应度),更新粒子个体最佳适应度以及相应的各粒子位置,更新全局最佳适应度和全局最佳位置。
步骤S2.4:判断是否已达到最大迭代次数,若是,则结束第一层优化,结束求解,输出优化结果,否则转向步骤S2.5。
步骤S2.5:更新惯性权重(逐渐减小),根据速度更新公式更新粒子速度,并根据速度限制进行修改。更新粒子的位置,并根据各约束修改粒子位置;步骤S2.6:更新储能装置的位置和容量。
综上所述,本实施例提出兼顾配电网电压质量和经济性的主动配电网储能优化配置模型,该模型可以有效降低线路的损耗并提高电压质量,在保证配电网电能质量需求的基础上,降低储能装置的投资成本,使得系统整体经济性最优。
本实施例充分考虑了配电网的运行特性和储能装置的投资成本,通过分层分别对储能装置的配置和系统运行进行优化,降低了优化计算的维度,减少求解复杂度。
另一方面,基于同一发明构思,本发明还提供一种电子设备,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如上文所述的主动配电网储能优化配置方法。
再一方面,本发明还提供一种可读存储介质,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现如上文所述的主动配电网储能优化配置方法。本实施例提供的可读存储介质,可以采用一个或多个计算机可读的介质的任意组合。可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机硬盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其组合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
在本实施例中,可以以一种或多种程序设计语言或其组合来编写用于执行本实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应当注意的是,在本文的实施方式中所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的,例如,附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用于执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (9)
1.一种主动配电网储能优化配置方法,其特征在于,包括:
对储能装置的投资成本构成进行建模,构建储能装置投资成本数学模型;
对主动配电网的运行特性进行建模,构建主动配电网综合运行成本数学模型;
结合所述储能装置投资成本数学模型和所述主动配电网综合运行成本数学模型对主动配电网的运行成本和所述储能装置的配置进行优化,得到优化结果。
3.如权利要求1所述的主动配电网储能优化配置方法,其特征在于,
所述主动配电网综合运行成本数学模型如下:
CGrid=CPloss+CUad
其中,CGrid为主动配电网综合运行成本;CPloss和CUad分别为配电网线路损耗成本和配电网电压偏移成本,具体如下:
其中,CP为单位线路有功损耗成本;Δt为计算时段长度,取1h;Ploss,k,t为第k条支路在t时刻的有功损耗;m为支路总数;Ui和Uj分别为第i个节点和第j个节点的电压幅值;Gk(i,j)和θij分别为第i节点和第j个节点之间的电导和相位差;
4.如权利要求1所述的主动配电网储能优化配置方法,其特征在于,
所述对主动配电网的运行成本和所述储能装置的配置进行优化的步骤包括:建立优化总目标函数,并根据第一优化约束条件进行优化;所述优化总目标函数如下:
minf1=CESS+CGrid=CESS+CPloss+CUad
其中,f1为优化总目标;CESS为储能装置投资总成本;CGrid为主动配电网综合运行成本;CPloss为配电网线路损耗成本;CUad为配电网电压偏移成本。
6.如权利要求1所述的主动配电网储能优化配置方法,其特征在于,所述对主动配电网的运行成本和所述储能装置的配置进行优化的步骤还包括:
建立优化子目标函数,并根据第二优化约束条件进行优化,得到配电网最低运行成本,将所述配电网最低运行成本反馈至所述优化总目标函数内,进行优化,得到所述优化结果;所述优化子目标函数如下:
minf2=CGrid=CPloss+CUad
其中,f2为储能装置位置与额定容量确定后的运行优化子目标;CGrid为主动配电网综合运行成本;CPloss为配电网线路损耗成本;CUad为配电网电压偏移成本。
7.如权利要求1所述的主动配电网储能优化配置方法,其特征在于,
所述第二优化约束条件如下:
潮流等式约束:
其中Pi,PGi,Pli分别为第i个节点注入的有功功率、含分布式电源在内的发电机有功出力及负荷消耗的有功功率;Qi,QGi,QCi,Qli分别为第i个节点注入的无功功率、含分布式电源在内的发电机无功出力、无功补偿容量及负荷消耗无功;Gij,Bij和θij分别为第i个节点、第j个节点之间的电导、电纳和电压相角差;N为系统节点个数;Ui和Uj分别为第i个节点和第j个节点的电压;
发电机组约束:
储能装置的出力约束:
储能装置的剩余容量约束:
0.2×Eess,i≤Eess,i,t≤0.9×Eess,i
其中:Eess,i,t、Eess,i,t-1分别为t、t-1时刻的储能装置剩余电量;Pch、Pdis分别为储能装置的充电功率和放电功率;ηch、ηdis分别为储能装置的充电效率和放电效率;σ为储能装置的自放电率;Eess,i为第i个储能装置的额定能量容量;Δt表示计算时段长度;
节点电压约束:
8.一种电子设备,其特征在于,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现权利要求1至7中任一项所述的方法。
9.一种可读存储介质,其特征在于,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011102782.1A CN112232983A (zh) | 2020-10-15 | 2020-10-15 | 一种主动配电网储能优化配置方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011102782.1A CN112232983A (zh) | 2020-10-15 | 2020-10-15 | 一种主动配电网储能优化配置方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112232983A true CN112232983A (zh) | 2021-01-15 |
Family
ID=74113634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011102782.1A Pending CN112232983A (zh) | 2020-10-15 | 2020-10-15 | 一种主动配电网储能优化配置方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232983A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113488995A (zh) * | 2021-06-29 | 2021-10-08 | 国网安徽省电力有限公司电力科学研究院 | 基于储能成本的共享储能容量优化配置方法和装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866924A (zh) * | 2015-05-26 | 2015-08-26 | 清华大学 | 主动配电网规划及运行联合优化方法 |
CN106374515A (zh) * | 2016-09-14 | 2017-02-01 | 国家电网公司 | 一种有源配电网中储能系统双层递阶优化配置方法 |
CN107294120A (zh) * | 2017-08-25 | 2017-10-24 | 广东电网有限责任公司电力科学研究院 | 一种主动配电网混合储能容量优化配置方法及装置 |
CN109149564A (zh) * | 2018-08-31 | 2019-01-04 | 国网浙江省电力有限公司经济技术研究院 | 一种交直流混合配电网分布式电源优化配置方法 |
CN109755967A (zh) * | 2019-03-26 | 2019-05-14 | 安徽工程大学 | 一种配电网中光储系统的优化配置方法 |
CN109830990A (zh) * | 2019-01-08 | 2019-05-31 | 南京工程学院 | 一种基于输电阻塞含风光接入的储能优化配置方法 |
CN109871989A (zh) * | 2019-01-29 | 2019-06-11 | 国网山西省电力公司吕梁供电公司 | 一种含分布式电源的配电网分层规划方法 |
CN110163450A (zh) * | 2019-05-31 | 2019-08-23 | 国网山东省电力公司经济技术研究院 | 一种基于运行受限的配电网规划双层优化模型构建方法 |
CN110829473A (zh) * | 2019-11-08 | 2020-02-21 | 山东大学 | 考虑功率四象限输出的配电网储能优化配置方法及系统 |
CN110837912A (zh) * | 2019-09-17 | 2020-02-25 | 万克能源科技有限公司 | 一种基于投资效益的储能系统容量规划方法 |
CN111293687A (zh) * | 2020-02-29 | 2020-06-16 | 华北电力大学(保定) | 一种基于三维粒子群算法的分布式电源选址定容的方法 |
CN111489020A (zh) * | 2020-03-31 | 2020-08-04 | 杭州鸿晟电力设计咨询有限公司 | 一种独立型综合能源网电-气储能系统优化配置求解方法 |
CN111523204A (zh) * | 2020-03-31 | 2020-08-11 | 杭州鸿晟电力设计咨询有限公司 | 一种并网型综合能源网电-气储能系统优化配置求解方法 |
-
2020
- 2020-10-15 CN CN202011102782.1A patent/CN112232983A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866924A (zh) * | 2015-05-26 | 2015-08-26 | 清华大学 | 主动配电网规划及运行联合优化方法 |
CN106374515A (zh) * | 2016-09-14 | 2017-02-01 | 国家电网公司 | 一种有源配电网中储能系统双层递阶优化配置方法 |
CN107294120A (zh) * | 2017-08-25 | 2017-10-24 | 广东电网有限责任公司电力科学研究院 | 一种主动配电网混合储能容量优化配置方法及装置 |
CN109149564A (zh) * | 2018-08-31 | 2019-01-04 | 国网浙江省电力有限公司经济技术研究院 | 一种交直流混合配电网分布式电源优化配置方法 |
CN109830990A (zh) * | 2019-01-08 | 2019-05-31 | 南京工程学院 | 一种基于输电阻塞含风光接入的储能优化配置方法 |
CN109871989A (zh) * | 2019-01-29 | 2019-06-11 | 国网山西省电力公司吕梁供电公司 | 一种含分布式电源的配电网分层规划方法 |
CN109755967A (zh) * | 2019-03-26 | 2019-05-14 | 安徽工程大学 | 一种配电网中光储系统的优化配置方法 |
CN110163450A (zh) * | 2019-05-31 | 2019-08-23 | 国网山东省电力公司经济技术研究院 | 一种基于运行受限的配电网规划双层优化模型构建方法 |
CN110837912A (zh) * | 2019-09-17 | 2020-02-25 | 万克能源科技有限公司 | 一种基于投资效益的储能系统容量规划方法 |
CN110829473A (zh) * | 2019-11-08 | 2020-02-21 | 山东大学 | 考虑功率四象限输出的配电网储能优化配置方法及系统 |
CN111293687A (zh) * | 2020-02-29 | 2020-06-16 | 华北电力大学(保定) | 一种基于三维粒子群算法的分布式电源选址定容的方法 |
CN111489020A (zh) * | 2020-03-31 | 2020-08-04 | 杭州鸿晟电力设计咨询有限公司 | 一种独立型综合能源网电-气储能系统优化配置求解方法 |
CN111523204A (zh) * | 2020-03-31 | 2020-08-11 | 杭州鸿晟电力设计咨询有限公司 | 一种并网型综合能源网电-气储能系统优化配置求解方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113488995A (zh) * | 2021-06-29 | 2021-10-08 | 国网安徽省电力有限公司电力科学研究院 | 基于储能成本的共享储能容量优化配置方法和装置 |
CN113488995B (zh) * | 2021-06-29 | 2024-03-12 | 国网安徽省电力有限公司电力科学研究院 | 基于储能成本的共享储能容量优化配置方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shuai et al. | Optimal real-time operation strategy for microgrid: An ADP-based stochastic nonlinear optimization approach | |
Hua et al. | Optimal energy management strategies for energy Internet via deep reinforcement learning approach | |
Luo et al. | Short‐term operational planning framework for virtual power plants with high renewable penetrations | |
Rigo-Mariani et al. | Integrated optimal design of a smart microgrid with storage | |
Abedini et al. | Optimal management of microgrids including renewable energy scources using GPSO-GM algorithm | |
Quan et al. | A computational framework for uncertainty integration in stochastic unit commitment with intermittent renewable energy sources | |
Berrazouane et al. | Parameter optimization via cuckoo optimization algorithm of fuzzy controller for energy management of a hybrid power system | |
Maleki et al. | Comparative study of artificial intelligence techniques for sizing of a hydrogen-based stand-alone photovoltaic/wind hybrid system | |
Liu et al. | Multi‐objective restoration optimisation of power systems with battery energy storage systems | |
Hassan et al. | Modified particle swarm optimisation technique for optimal design of small renewable energy system supplying a specific load at Mansoura University | |
Koutroulis et al. | Methodology for optimal sizing of stand-alone photovoltaic/wind-generator systems using genetic algorithms | |
Elgammal et al. | Energy management in smart grids for the integration of hybrid wind–PV–FC–battery renewable energy resources using multi‐objective particle swarm optimisation (MOPSO) | |
javad Aliabadi et al. | Optimization of hybrid renewable energy system in radial distribution networks considering uncertainty using meta-heuristic crow search algorithm | |
CN104578120A (zh) | 分布式储能系统的优化配置方法 | |
Vosoogh et al. | An intelligent day ahead energy management framework for networked microgrids considering high penetration of electric vehicles | |
CN110518580A (zh) | 一种考虑微网主动优化的主动配电网运行优化方法 | |
Migoni et al. | Efficient simulation of hybrid renewable energy systems | |
Gao et al. | Data‐driven distributionally robust joint planning of distributed energy resources in active distribution network | |
Ciftci et al. | Chance-constrained microgrid energy management with flexibility constraints provided by battery storage | |
Liu et al. | Flexible network planning of autonomy microgrid | |
Tang et al. | Multi-stage sizing approach for development of utility-scale BESS considering dynamic growth of distributed photovoltaic connection | |
Li et al. | A hybrid constraints handling strategy for multiconstrained multiobjective optimization problem of microgrid economical/environmental dispatch | |
Wu et al. | Wind power smoothing with energy storage system: a stochastic model predictive control approach | |
Kreishan et al. | Allocation of dump load in islanded microgrid using the mixed-integer distributed ant colony optimization | |
Mori et al. | Multi-objective transmission network expansion planning in consideration of wind farms |
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 |