CN112928767B - 一种分布式储能协同控制方法 - Google Patents

Abstract

本发明提供了一种分布式储能协同控制方法。本发明方法的综合考虑充放电折旧成本、建设成本、运维成本等多个指标定义目标函数，在调度周期时段内全部的分布式储能电站聚合的可控剩余闲置总放电容量小于调度下发的总调峰负荷的约束条件下充分发挥各个分布式储能电站的调峰潜力，采用平准化度电成本作为成本排序的关键指标来解决分布式储能电站聚合调峰的优化调度问题，并采用基于改进的自然选择的粒子群算法求解各个储能电站的出力电量，更快地收敛到全局最优值。

Description

一种分布式储能协同控制方法

技术领域

本发明涉及电力调度领域，具体涉及一种分布式储能协同控制方法。

背景技术

随着中国经济的迅速发展，生活和工业电力的需求量越来越多，调峰调频需求激增，电网的压力增大，针对现阶段存在的问题，传统解决措施如新建或扩容配电设备等手段相继被应用，但存在投资成本高，设备利用率低的不足，采用分布式电源与储能系统相结合的方式可以有效地解决这个问题，大量储能电站示范项目的相继投运，为缓解电力供需矛盾提供了新的绿色手段。储能系统不仅可以提高电力系统的电能质量、改善其可靠性，还具备“低储高发”的优点，能量响应迅速，可缓解用电高峰期供电紧张的局面，方便电力调峰削峰填谷，同时延缓配电网升级改造，进而大大降低电网的调峰成本。目前配电侧分布式储能应用虽然越来越广泛，配电系统存量、分散的储能资源也越来越多，但这些储能资源均缺乏统一的调度手段，不能实现分布式储能的聚合应用优化运行，充分发挥其价值。

现有的储能电站调峰方法通常是基于储能电站在某一个方面上的损耗成本去求解储能电站调峰优化运行方案或者仅满足调峰需要就制定调峰策略，没有充分考虑储能电站多方面成本的综合性，目标求解的全面性，调峰方案的经济性，并且现有能电站调峰方法大多采用基本模型算法求解，未对算法进行改进。

发明内容

为解决现有技术存在的问题，本发明提供了一种分布式储能协同控制方法。为实现本发明的目的，本发明的技术方案如下。

一种分布式储能协同控制方法，包括：

采用当日度电成本公式(1)计算储能站点当日的度电成本C_i,LCOE，作为聚合应用调峰的排序指标进行调峰容量分配；

式中：C_i,z为第i个储能站点的总建设合同成本；R_i为第i个储能站点的年度折旧率；C_i,o为第i个储能站点单位容量年运营成本；C_i,m为第i个储能站点日充电成本；t_i为储能站点剩余运行年限；η_i为第i个储能站点的能量转换效率；E_i为第i个储能站点的能量；L_i,s为第i个储能站点的当前剩余循环寿命次数；

以聚合调峰总成本函数(2)作为优化目标，在储能站点运行约束条件下，基于自然选择的粒子群算法求解各个储能站点的可调度功率和电量；

其中，C_i(T)第i个储能站当前时刻的度电成本，T为当前时刻，C_sum为N 个储能站当前时刻的度电成本。

对求解的各个储能站点的可调度功率和电量进行排序，提取储能站点可调度功率和电量，并判断聚合功率是否大于或等于调度下发总调峰指令。其中，聚合功率是指聚合在一起的各分布式储能当前出力的和。只有聚合功率大于总调峰指令，才表明本次可聚合的分布式储能能满足调度调峰的需求。

优选的，所述储能站点运行约束条件包括可调度资源运行约束条件(3)

式中：E_dis-sum为储能站点聚合的可控剩余闲置总放电容量；M为可聚合的调峰储能站点数量；S(i,T)为调度周期T内第i个储能站点的荷电状态SOC值；S_i,min为第i个储能站点的荷电状态SOC下限值；E_i第i个储能站点的额定总容量； E_dd-sum为调度下发的调峰总容量；

充电状态和放电状态约束(4)：

式中，U_i,ch(j)、U_i,dis (j)分别为第i个储能站点j时刻的充电和放电状态变量，1代表允许，0代表不允许；

功率荷电状态约束(5)：

式中，P_i，cmax、P_i，ch(j)分别为第i个储能站点最大充电功率、j时刻充电功率；P_i，dmax、P_i，dis(j)分别为第i个储能站点最大放电功率、j时刻放电功率，S_i，max、S_i，min为第i个储能站点允许的最大和最小荷电状态；S_i(j)为第i个储能站点j时刻的荷电状态；

容量约束条件(7)：

式中，E_i(j)为j时刻第i个储能站点剩余电量；η_i，c、η_i，d分别代表第i个储能站点充电和放电效率；E_i为第i个储能站点配置的容量。

优选的，所述基于自然选择的粒子群算法求解各个储能站点的可调度功率和电量包括：

S1：读入储能站点运行参数；

S2：记录粒子的个体最优值和全局最优值，并将飞行次数置0；

S3：更新粒子的速度和位置，得到新一代粒子种群；

S4:计算新一代种群每个粒子的适应度，与当前最优解比较，判断是否更新粒子的个体最优解和全局最优解；

S5：将最好的一半粒子的位置、速度替换掉最差的一半，判断是否达到最大迭代次数，若没有，飞行次数加1，并返回至S3，若满足，则进入S6；

S6：计算全局最优解时各个储能站点充放电功率和电量，输出全局最优解和各个储能站点充放电功率和电量值。

优选的，所述更新粒子的速度和位置，得到新一代粒子种群包括：更新时仍保证当某时段调度需求功率和电量为正；若调度功率和电量不满足充放电状态切换保护，或粒子越界，对其进行处理，得到新一代粒子种群。

优选的，功率荷电状态约束还包括

S_i，min≤S_i(j)≤S_i，max (8)

式中，S_i，max、S_i，min为第i个储能电站允许的最大和最小荷电状态；S_i(j)为第i个储能电站j时刻的荷电状态。

相对于现有技术，本发明的有益技术效果在于：本发明方法综合考虑充放电折旧成本、建设成本、运维成本等多个指标定义目标函数，同时对电池储能电站的进行充放电保护，减少电池组充放电状态切换次数，尽可能延长储能电站寿命，考虑更加全面。在调度周期时段内全部的分布式储能电站聚合的可控剩余闲置总放电容量小于调度下发的总调峰负荷的约束条件下充分发挥各个分布式储能电站的调峰潜力，采用平准化度电成本作为成本排序的关键指标来解决分布式储能电站聚合调峰的优化调度问题，求解思路简单，经济效果良好。采用基于自然选择的粒子群算法求解各个储能电站的出力电量，比粒子群优化算法更快地收敛到全局最优值，使用罚函数法进行等式约束，以计算各储能电站出力电量，求解效果更优。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明的分布式储能聚合调峰控制流程图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。

如图1所示，本实施例的分布式储能协同控制方法包括

Step1：分布式储能聚合管控平台接收调度主站的调峰指令。

Step2：根据调峰指令约束和各储能站点系统参数和运行参数约束条件，计算聚合分布储能资源的可调度能力及相应的成本。

储能电站的度电成本将随着各个储能电站的充放电运行而发生数值变化，这将导致各个储能电站的度电成本数值排序也发生变更。因此，应该每日计算一次各个储能电站的当前度电成本数值，作为聚合应用调峰的排序关键指标进行调峰容量分配。储能电站当日的度电成本C_i，LCOE的计算公式如下：

式中：C_i，z为第i个储能电站的总建设合同成本,主要包括变流器成本和电池成本等；R_i为第i个储能电站的年度折旧率，可以根据系统参数或储能电站的剩余循环充放电次数、理论循环次数计算得到；C_i,o为第i个储能电站单位容量年运营成本；C_i,m为第i个储能电站日充电成本；t_i为储能电站剩余运行年限；η_i为第i个储能电站的能量转换效率；E_i为第i个储能电站的能量；L_i,s为第i个储能电站的当前剩余循环寿命次数，可根据充放电次数和每次充放电深度计算等效循环充放电次数得到。

Step3：以聚合调峰总成本最低作为优化目标，采用基于自然选择的粒子群算法求解各个储能电站的出力功率和电量。

其中，C_i(T)第i个储能站当前时刻的度电成本，T为当前时刻，C_sum为N 个储能站当前时刻的度电成本。

Step4：根据成本最低最优值求解结果，对各储能站进行排序。

Step5：提取第一个储能电站可调度功率和电量数据，并判断聚合功率是否大于或等于调度下发总调峰指令

Step6：生成聚合调峰优化调度控制方案，并通过通信下发各储能电站。

特别地，本实施例通过特定的各储能站点系统参数和运行参数约束条件，以使得计算聚合分布储能资源的可调度能力及相应的成本更准确，具体地：

可调度资源运行约束条件

可控调峰总出力要达到调度部门下达给储能电站的指令要求，约束条件如下式：

式中：E_dis-sum为储能电站聚合的可控剩余闲置总放电容量；M为可聚合的调峰储能电站数量；S(i,T)为调度周期T内第i个储能电站的荷电状态SOC值；S_i,min为第i个储能电站的荷电状态SOC下限值；E_i第i个储能电站的额定总容量； E_dd-sum为调度下发的调峰总容量。

充电状态和放电状态约束：

式中，U_i,ch(j)、U_i,dis (j)分别为第i个储能电站j时刻的充电和放电状态变量，1代表允许，0代表不允许。

功率荷电状态约束：对于额定容量和额定充/放电功率已经确定的储能系统，其运行过程中不能超过最大充/放电功率的约束，即有

式中，P_i,cmax、P_i,ch(j)分别为第i个储能电站最大充电功率、j时刻充电功率；P_i,dmax、P_i,dis(j)分别为第i个储能电站最大放电功率、j时刻放电功率(为正值)。

S_i，min≤S_i(j)≤S_i，max

式中，S_i,max、S_i,min为第i个储能电站允许的最大和最小荷电状态；S_i(j)为第i个储能电站j时刻的荷电状态

容量约束：

式中，E_i(j)为j时刻第i个储能电站剩余电量；η_i,c、η_i,d分别代表第i个储能电站充电和放电效率；E_i为第i个储能电站配置的容量。

示例性的，以聚合调峰总成本最低作为优化目标，采用基于自然选择的粒子群算法求解各个储能电站的出力功率和电量包括：

S1：读入相关数据。首先是储能电站运行参数，包括充放电效率、最大最小荷电量约束、最大最小允许充放电功率、初始电池组工作状态等；再次是储能电站基本参数，包括电池组组数、运行维护系数、电能损耗系数、固定建设成本等；最后是粒子群算法的参数，包括种群大小、粒子维数、最大迭代次数、惯性因子、学习因子、粒子最大更新速度等。

S2：初始化种群。根据前一时段各电池组充放电状态，以及各时段调峰调度需求功率和电量，随机产生满足功率容量约束条件的种群个数为30的N个储能电站调度功率和电量值，每个时段可调度功率电量范围受前面时段调度功率和电量值影响。使用罚函数法进行等式约束，计算适应度值(度电成本)，记录粒子的个体最优值和全局最优值，并将飞行次数置0。

S3：更新粒子的速度和位置，更新时仍保证当某时段调度需求功率和电量为正。如果调度功率和电量不满足充放电状态切换保护，或粒子越界，对其进行处理，得到新一代粒子种群。

S4：计算新一代种群每个粒子的适应度，与当前最优解比较，判断是否更新粒子的个体最优解和全局最优解。

S5：将最好的一半粒子的位置、速度替换掉最差的一半，判断是否达到最大迭代次数，若没有，飞行次数加1，并返回S3，若满足，则转入S6。

S6：根据公式计算全局最优解时各个储能电站充放电功率和电量，输出全局最优解和各个储能电站充放电功率和电量值，最优值求解结束。

本发明针对现有调峰方法在控制策略及求解方法上的不足，依据储能系统性能参数及运行状态，以多个分布式储能电站调峰调度总成本最低为目标，以充放标志位互异、功率限值、容量限值、储能始末容量限值为约束条件，建立了聚合调峰调度模型，以度电成本作为关键指标计算下发分布式储能电站调峰控制方案。

不同于现有的储能调峰方法，本发明首先综合考虑了充放电折旧成本、建设成本、运维成本等多个指标定义目标函数，同时考虑对电池储能电站的充放电保护，减少电池组充放电状态切换次数，充分考虑分布式储能电站的聚合调峰调度模型的综合性，并给出了约束条件及求解算法。通过求解各个储能电站的平准化度电成本关键指标，对各个储能电站进行聚合调峰容量分配的优先级排序，在此基础上，运用基于自然选择的粒子群优化算法，根据调度下发的总调峰容量分析计算给出各个储能电站的聚合调峰容量，实现分布式储能电站聚合调峰。既考虑了分布式储能电站聚合调峰的经济性，又兼顾储能电站的寿命，最大程序的发挥了各个储能电站的调峰潜力，最大限度的利用了储能系统容量。

以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (5)

1.一种分布式储能协同控制方法，其特征在于，包括：

采用当日度电成本公式(1)计算储能站点当日的度电成本C_i，LCOE，作为聚合应用调峰的排序指标进行调峰容量分配；

式中：C_i，z为第i个储能站点的总建设合同成本；R_i为第i个储能站点的年度折旧率；C_i，o为第i个储能站点单位容量年运营成本；C_i，m为第i个储能站点日充电成本；t_i为储能站点剩余运行年限；η_i为第i个储能站点的能量转换效率；E_i为第i个储能站点的能量；L_i,s为第i个储能站点的当前剩余循环寿命次数；

以聚合调峰总成本函数(2)作为优化目标，在储能站点运行约束条件下，基于自然选择的粒子群算法求解各个储能站点的可调度功率和电量；

其中，C_i(T)第i个储能站当前时刻的度电成本，T为当前时刻，C_sum为N个储能站当前时刻的度电成本；

对求解的各个储能站点的可调度功率和电量进行排序，提取储能站点可调度功率和电量，并判断聚合功率是否大于或等于调度下发总调峰指令。

2.根据权利要求1所述的分布式储能协同控制方法，其特征在于，所述储能站点运行约束条件包括可调度资源运行约束条件(3)

式中：E_dis-sum为储能站点聚合的可控剩余闲置总放电容量；M为可聚合的调峰储能站点数量；S(i,T)为调度周期T内第i个储能站点的荷电状态SOC值；S_i,min为第i个储能站点的荷电状态SOC下限值；E_i第i个储能站点的额定总容量；E_dd-sum为调度下发的调峰总容量；

充电状态和放电状态约束(4)：

式中，U_i,ch(j)、U_i,dis (j)分别为第i个储能站点j时刻的充电和放电状态变量，1代表允许，0代表不允许；

功率荷电状态约束(5)：

式中，P_i，cmax、P_i，ch(j)分别为第i个储能站点最大充电功率、j时刻充电功率；P_i，dmax、P_i，dis(j)分别为第i个储能站点最大放电功率、j时刻放电功率，S_i，max、S_i，min为第i个储能站点允许的最大和最小荷电状态；S_i(j)为第i个储能站点j时刻的荷电状态；

容量约束条件(7)：

式中，E_i(j)为j时刻第i个储能站点剩余电量；η_i，c、η_i，d分别代表第i个储能站点充电和放电效率；E_i为第i个储能站点配置的容量。

3.根据权利要求1或2所述的分布式储能协同控制方法，其特征在于，所述基于自然选择的粒子群算法求解各个储能站点的可调度功率和电量包括：

S1：读入储能站点运行参数；

S2：记录粒子的个体最优值和全局最优值，并将飞行次数置0；

S3：更新粒子的速度和位置，得到新一代粒子种群；

S4:计算新一代种群每个粒子的适应度，与当前最优解比较，判断是否更新粒子的个体最优解和全局最优解；

S5：将最好的一半粒子的位置、速度替换掉最差的一半，判断是否达到最大迭代次数，若没有，飞行次数加1，并返回至S3，若满足，则进入S6；

S6：计算全局最优解时各个储能站点充放电功率和电量，输出全局最优解和各个储能站点充放电功率和电量值。

4.根据权利要求3所述的分布式储能协同控制方法，其特征在于，所述更新粒子的速度和位置，得到新一代粒子种群包括：更新时仍保证当某时段调度需求功率和电量为正；若调度功率和电量不满足充放电状态切换保护，或粒子越界，对其进行处理，得到新一代粒子种群。

5.根据权利要求4所述的分布式储能协同控制方法，其特征在于，功率荷电状态约束还包括

S_i,min≤S_i(j)≤S_i,max (8)

式中，S_i,max、S_i，min为第i个储能电站允许的最大和最小荷电状态；S_i(j)为第i个储能电站j时刻的荷电状态。

Images