CN113098008A - 一种基于改进政治优化算法的光储容量优化配置方法 - Google Patents

Abstract

本发明公开一种基于改进政治优化算法的光储容量优化配置方法，将光伏电站输出功率历史数据处理得到典型光伏电站输出功率曲线，使用移动平均法确定期望平抑目标，将两者差值进行分解，确定混合储能中蓄电池和飞轮的充放电策略并建立带权重的平抑指标和混合储能经济成本的混合储能容量优化配置数学模型，考虑混合储能容量、充放电功率以及储能SOC在内的约束条件并使用熵权法确定目标函数中的权重，利用改进政治优化算法求解混合储能容量优化配置数学模型，确定光伏电站的混合储能容量最优配置方案。本发明为解决光伏电站的混合储能容量最优配置问题提供了一种方案和思路。

Description

一种基于改进政治优化算法的光储容量优化配置方法

技术领域

本发明涉及新能源发电并入电网系统的混合储能容量配置技术领域，具体来讲涉及一种基于改进政治优化算法的光储容量优化配置方法。

背景技术

我国的化石能源不断衰减，使得国家对新型能源的关注逐渐增多，近几年，我国一直在强调节能减排，提出碳中和、碳达标等新要求。并且新能源发展迅速，光伏电站的数量日益增多，但光伏出力波动性大、随机性大，直接接入电网时对电网冲击很大。为提高电网的出力稳定性，需要为光伏电站配备合适的储能。因此采用混合储能对光伏电站输出功率进行平抑，根据混合储能的特性互相配合降低光伏电站输出功率对电网的冲击。

在光伏发电领域内多种储能技术都有了不同程度的应用。储能可以分为功率型电池和能量型电池，功率型储能电池响应速度快并且拥有较长的寿命，适用于平抑高频波动分量；能量型储能电池造价较低、容量大但响应速度较慢，适用于平抑低频波动分量，而波动分量对光储容量配置结果有决定性作用，因此研究混合储能在光储容量配置中的应用有较高的工程应用价值。

发明内容

本发明的目的是提供一种基于改进政治优化算法的光储容量优化配置方法，解决了现有光伏电站并网引起的大波动问题，根据光伏电站输出功率历史数据，确定期望平抑目标，将两者差值进行分解，建立带权重的平抑指标和混合储能经济成本的混合储能容量优化配置数学模型。考虑混合储能容量、充放电功率以及储能SOC在内的约束条件。使用熵权法确定目标函数中的权重，利用改进政治优化算法求解混合储能容量优化配置数学模型，确定光伏电站的混合储能容量最优配置方案。

本发明所采用的技术是，一种基于改进政治优化算法的光储容量优化配置方法，具体按照以下步骤实施：

获取光伏电站的输出功率历史数据。

预处理后得到典型光伏电站输出功率曲线，在典型光伏电站输出功率曲线的基础上使用移动平均法进行处理得到期望平抑目标；

设处理得到的典型光伏电站输出功率数据为x₁,x₂,…,x_i，利用最近N期的数据取平均值，则期望平抑目标的计算公式如下：

其中x′_i作为t时刻的期望平抑目标。

由于期望平抑目标的N的取值具有不确定性，建立误差函数如下：

选择误差值较小的N的数值，得到期望平抑目标P_A(t)。

根据典型光伏电站输出功率曲线与期望平抑目标得到偏差量，计算公式如下：

ΔP＝P_W(t)-P_A(t)

P_W(t)为典型光伏电站输出功率，P_A(t)为期望平抑目标，ΔP为典型光伏电站输出功率与平抑目标的差值称为偏移量。

偏移量通过二阶滤波算法分解得到高频波动分量和低频波动分量，其中高频波动分量由飞轮进行平抑，低频波动分量由蓄电池进行平抑；

ΔP＝ΔP_H+ΔP_L

ΔP_H为高频波动分量，ΔP_L为低频波动分量。

二阶滤波器中截止频率的选择对低频波动分量和高频波动分量有很大影响，进而对混合储能容量大小取决定性作用，因此将二阶滤波器的截止频率作为决策变量，并将平抑性能指标加入目标函数。

确定混合储能中蓄电池和飞轮的充放电策略：

混合储能中蓄电池和飞轮在正常情况下的充放电功率用以下公式表示：

为了混合储能相互配合，考虑储能荷电状态的充放电策略；

当满足以下情况时：

或

其中SOC_fw表示飞轮荷电状态。

混合储能系统进行减功率充放电,充放电功率用如下公式表示：

k_fw是缩放因子，其数值与飞轮荷电状态有关。

建立混合储能容量优化配置数学模型，以混合储能经济成本最小和平抑指标最优加权作为目标函数，考虑充放电功率、混合储能容量、SOC状态等约束条件。

混合储能装置经济成本建立如下目标函数：

f_min＝M_i+M_w+M_r+M_p

其中M_i表示混合储能的投资成本，M_w表示混合储能的维护成本，M_r表示混合储能的运行成本，M_p表示混合储能的惩罚成本。

平抑指标建立如下目标函数：

其中ΔP′_HH(t)、ΔP′_L(t)分别表示经混合储能平抑后的高频波动分量和低频波动分量。

将混合储能经济成本和平抑指标加权作为目标函数：

F_min＝α·f_min+β·φ

其中α、β分别为两目标的权重值。

对目标函数设置约束条件：

设置混合储能中储能的容量约束范围：

M_bamin、M_bamax、M_fwmin、M_fwmax表示蓄电池容量最小限值、蓄电池容量最大限制、飞轮容量最小限值和飞轮容量最大限制。

混合储能的充放电功率约束：

P_{ba_cmin}、P_{ba_cmax}、P_{fw_cmin}、P_{fw_cmax}分别表示蓄电池的最小充电功率和最大充电功率以及飞轮的最小充电功率和最大充电功率。

混合储能的SOC约束：

SOC_{ba_min}、SOC_{ba_max}、SOC_{fw_min}、SOC_{fw_max}分别为蓄电池的最小SOC和最大SOC以及飞轮的最小SOC和最大SOC。

二阶滤波算法的截止频率约束：

f_emin≤f_e≤f_emax

f_emin、f_emax分别为二阶滤波算法的截止频率的最小截止频率和最大截止频率。

根据混合储能经济成本最小和平抑指标最优加权作为目标函数，需使用熵权法得到最优权重值。

对目标函数中的两个解进行标准化，进行熵的计算，分解求取每个解的权值，权值求解公式：

最终通过加权求和比较，求得S最小的解作为最优方案，得到两个解的权值。

使用基于改进政治优化算法的光储容量优化配置方法求得最优混合储能容量配置结果，其中改进是指在政治优化算法中加入K-means聚类算法。

初始化种群，政治优化算法中，种群由不同党派和不同选区的党员组成，种群中每名党员所处的位置代表蓄电池和飞轮的容量信息，进而根据相关参数等计算出每名党员的适应度值fitness(i)；

每名党员分别作为党派领导者的候选者和选区获胜者的候选人，根据每次身份的不同和适应度值的排序，确定党派领导人和选取获胜者；

引入K-means聚类算法，初始化聚类数目N；

当聚类中心出现无穷点情况则在原有N的基础上减少一个聚类点并重新划分簇，直至寻找到的聚类中心不再变化，则输出新的聚类点；若不存在上述情况，得到新的聚类中心，返回政治优化算法；

选取选区获胜者与聚类中心之间欧氏距离最小的聚类中心作为n^best，再根据选区获胜者和n^best再次更新每个党员位置，得到下一代党员种群，根据下式更新党员位置:

其中

表示上一代人群中第i个政党中第k个党员的位置，

表示这一代人群中第i个政党中第k个党员的位置，r表示一个0-1的随机值，m^*表示党派领导人或者选区获胜者的位置。

党员种群中进行党派切换行为，再次竞选，通过种群中党员的适应度值确定党派领导人和选区获胜者并且党派领导人和选区获胜者组建议会。若达到最大迭代次数则输出改进的政治优化算法寻得的最优解，若没有达到最大迭代次数则更新迭代次数t，返回[058]；

得到光储最优容量配置结果。

附图说明

图1为本发明一种基于改进政治优化算法的光储容量优化配置方法流程图。

图2为基于改进的政治优化算法的流程图。

具体实施方法

下面结合附图对本发明做出进一步的阐述，但不能以此来限制本申请的保护范围。

在本实例中，参照图1所示，本发明提出了一种基于改进政治优化算法的光储容量优化配置方法，包括步骤：

获取光伏电站的输出功率历史数据；

预处理后得到典型光伏电站输出功率曲线，在此基础上使用移动平均法得出期望平抑目标，进而得到期望平抑目标与典型光伏电站输出功率的差值，使用二阶滤波算法将差值分解为高频波动分量和低频波动分量；

具体地，在典型光伏电站的输出功率曲线的基础上使用移动平均法求得期望平抑目标，为求解平抑目标建立误差函数：

选取误差值较小的作为N的数值，得到期望平抑目标P_A(t)。

对典型光伏电站的输出功率与期望平抑目标的偏差使用二阶滤波器分解为高频波动分量和低频波动分量；

由于二阶滤波器中截止频率的选择对低频波动分量和高频波动分量有很大影响，进而对混合储能容量大小起决定性作用，因此将二阶滤波器的截止频率作为决策变量，并将平抑指标加入目标函数。

确定混合储能的充放电策略。

混合储能中包含蓄电池和飞轮，正常情况下的充放电功率如下：

为了使有不同特性的储能能够更好的互相配合，在高频波动分量为正，飞轮SOC状态大于0.8时；以及高频波动分量为负，飞轮SOC状态小于0.2时，采取减功率放电策略，充放电功率如下：

其中k_fw是缩放因子，其数值与飞轮荷电状态有关。

建立混合储能容量优化配置数学模型：以混合储能经济成本最小和平抑指标最优加权作为目标函数，考虑充放电功率、混合储能容量、SOC状态等约束条件，并使用熵权法确定权重。

以混合储能经济成本最小和平抑性能指标最优加权作为目标函数：F_min＝α·f_min+β·φ

其中α、β分别为两目标的权重值，f_min表示混合储能经济成本最小，φ表示平抑指标。

具体有:f_min＝M_i+M_w+M_r+M_p和

其中M_i表示混合储能的投资成本，M_w表示混合储能的维护成本，M_r表示混合储能的运行成本，M_p表示混合储能的惩罚成本，ΔP_H'_H(t)、ΔP_L'(t)分别表示经混合储能平抑后的高频波动分量和低频波动分量。

约束条件中包含混合储能容量约束，充放电功率约束，SOC约束和二阶滤波算法的截止频率约束，具体有：

混合储能容量约束：

充放电功率约束：

SOC约束：

二阶滤波算法的截止频率约束：f_emin≤f_e≤f_emax

确定目标函数后，使用熵权法得到最优权重值；

将混合储能经济成本目标函数和平抑指标目标函数进行标准化，计算熵，进而确定每个目标函数的权值，最后通过加权求和比较，将求得加权解最小值作为最优方案。

建立了混合储能容量优化配置数学模型后利用改进政治优化算法对其求解，其中改进指引入K-means聚类算法。

政治优化算法中，种群由不同党派和不同选区的党员组成，种群中每名党员所处的位置代表蓄电池和飞轮的容量信息，根据相关参数等计算出每名党员的适应度值fitness(i)；

在选举中确定党员种群中党派领导人和选区获胜者的位置；

在政治优化算法中确定了党派领导人和选区获胜者之后，引入K-means聚类算法，并选取选区获胜者与聚类中心之间欧氏距离最小的聚类中心作为n^best，更新种群中党员的位置，作为下一代党员种群

其中

表示上一代人群中第i个政党中第k个党员的位置，

表示这一代人群中第i个政党中第k个党员的位置，r表示一个0-1的随机值，m^*表示党派领导人或者选区获胜者的位置。

完成种群中党员位置的更新之后，依次进行党派切换，组建议会等行为，当寻得最优解时输出最优解，得到光储最优容量配置结果；若未达到最大迭代次数，则返回[0097]，直至达到最大迭代次数，输出光储最优容量配置结果.

本发明申请人结合说明书附图对本发明的具体实施方式进行了描述，本行业的技术人员应当明白，上述具体实施和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种基于改进政治优化算法的光储容量优化配置方法，其特征在于，具体按照以下步骤实施：

步骤1：获取光伏电站的输出功率历史数据；

步骤2：预处理后得到典型光伏电站的输出功率曲线，在此基础上使用移动平均法得出期望平抑目标，进而得到期望平抑目标与典型光伏电站输出功率的差值，使用二阶滤波算法将差值分解为高频波动分量和低频波动分量；

步骤3：确定混合储能中蓄电池和飞轮的充放电策略；

步骤4：建立混合储能容量优化配置数学模型，以混合储能经济成本最小和平抑指标最优加权作为目标函数，考虑充放电功率、混合储能容量、SOC状态等约束条件，使用熵权法得到目标函数的最优权重值；

步骤5：使用基于改进政治优化算法的光储容量优化配置方法求得最优混合储能容量配置结果，其中改进是指在政治优化算法中加入K-means聚类算法。

2.根据权利要求1所述的一种基于改进政治优化算法的光储容量优化配置方法，其特征在于，所述步骤1中具体为获取光伏电站的输出功率历史数据。

3.根据权利要求1所述的一种基于改进政治优化算法的光储容量优化配置方法，其特征在于，所述步骤2中具体为，预处理得到典型光伏电站的输出功率曲线，进而求得期望平抑目标，典型光伏电站的输出功率与期望平抑目标的差值通过二阶滤波算法得到高频波动分量和低频波动分量，具体步骤如下：

步骤3.1、将光伏电站的输出功率历史数据进行处理，得到典型的光伏电站输出功率曲线，在此基础上使用移动平均法求得期望平抑目标；

步骤3.2、移动平均法的计算公式如下：

步骤3.3、移动平均法中N的取值具有不确定性，为平滑光伏电站输出功率，建立标准误差函数如下：

步骤3.4、选择误差较小的取值作为N值，得到平抑目标曲线P_A(t)；

步骤3.5、根据典型光伏电站输出功率曲线与期望平抑目标得到偏移量，使用二阶滤波算法分解得到高频波动分量和低频波动分量；

步骤3.6、ΔP＝ΔP_H+ΔP_L，ΔP为典型的光伏电站输出功率与平抑目标功率的差值称为偏移量，ΔP_H为高频波动分量，ΔP_L为低频波动分量；

步骤3.7、由于低频波动分量和高频波动分量对混合储能容量大小取决定性作用，因此将平抑指标加入目标函数中并将二阶滤波算法的截止频率作为决策变量。

4.根据权利要求1所述的一种基于改进政治优化算法的光储容量优化配置方法，其特征在于，所述步骤3中具体为，确定混合储能中蓄电池和飞轮的充放电策略；

步骤4.1、混合储能中蓄电池和飞轮在正常情况下的充放电功率表示为：

P_{ba_c}(t)＝min(P_{ba_cmax},ΔP_L(t))

P_{ba_f}(t)＝min(P_{ba_fmax},ΔP_L(t))

P_{fw_c}(t)＝min(P_{fw_cmax},ΔP_H(t))

P_{fw_f}(t)＝min(P_{fw_fmax},ΔP_H(t))

步骤4.2、为最大程度地发挥功率型和能量型电池的优势，考虑了储能荷电状态的充放电策略；

步骤4.3、当满足以下情况时：

或

混合储能进行减功率充放电，充放电功率如下：

P_{ba_c}(t)＝min(P_{ba_cmax},ΔP_L(t)+ΔP_H(t)-k_fw·P_{fw_cmax})

P_{ba_f}(t)＝min(P_{ba_fmax},ΔP_L(t)+ΔP_H(t)-k_fw·P_{fw_fmax})

P_{fw_c}(t)＝min(k_fw·P_{fw_cmax},ΔP_H(t))

P_{fw_f}(t)＝min(k_fw·P_{fw_fmax},ΔP_H(t))

其中SOC_fw表示飞轮荷电状态，k_fw是缩放因子，其数值与飞轮荷电状态有关。

5.根据权利要求1所述的一种基于改进政治优化算法的光储容量优化配置方法，其特征在于，所述步骤4中具体为，建立混合储能容量优化配置数学模型，以混合储能经济成本最小和平抑指标最优加权作为目标函数，考虑充放电功率、混合储能容量、SOC状态等约束条件，使用熵权法得到目标函数的最优权重值；

步骤5.1、建立混合储能经济成本最小目标函数：

f_min＝M_i+M_w+M_r+M_p

其中M_i表示混合储能的投资成本，M_w表示混合储能的维护成本，M_r表示混合储能的运行成本，M_p表示混合储能的惩罚成本；

步骤5.2、建立平抑指标目标函数：

其中ΔP′_H(t)、ΔP′_L(t)分别表示经混合储能平抑后的高频波动分量和低频波动分量。

步骤5.3、以混合储能经济成本最小和平抑指标最优加权作为目标函数建立的混合储能容量优化配置数学模型：

F_min＝α·f_min+β·φ

其中α、β分别为两目标的权重值；

步骤5.4、对于建立好的目标函数，设置约束条件：

步骤5.4.1、混合储能中的蓄电池和飞轮的容量约束范围：

M_bamin≤M_ba≤M_bamax

M_fwmin≤M_fw≤M_fwmax

步骤5.4.2、混合储能的充放电功率约束：

P_{ba_cmin}＜P_{ba_c}＜P_{ba_cmax}

P_{fw_cmin}＜P_{fw_c}＜P_{fw_cmax}

P_{ba_fmin}＜P_{ba_f}＜P_{ba_fmax}

P_{fw_fmin}＜P_{fw_f}＜P_{fw_fmax}

步骤5.4.3、混合储能的SOC约束：

SOC_{ba_min}≤SOC_ba≤SOC_{ba_max}

SOC_{fw_min}≤SOC_fw≤SOC_{fw_max}

步骤5.4.4、二阶滤波算法的截止频率约束：

f_emin≤f_e≤f_emax

步骤5.5、将混合储能经济成本目标函数和平抑指标目标函数进行标准化；

步骤5.6、计算熵，确定每个目标函数的权值；

步骤5.7、代入S求解公式：

步骤5.8、求得S最小的解作为最优方案，得到两个目标函数的权值。

6.根据权利要求1所述的一种基于改进政治优化算法的光储容量优化配置方法，其特征在于，所述步骤5中具体为，基于改进政治优化算法的光储容量优化配置方法求得最优混合储能容量配置结果，其中改进是指在政治优化算法中加入K-means聚类算法，步骤具体如下：

步骤6.1、初始化参数，读取混合储能优化配置数学模型的相关参数；

步骤6.2、政治优化算法中，种群由不同党派和不同选区的党员组成，种群中每名党员所处的位置代表蓄电池和飞轮的容量信息，进而根据相关参数等计算出每名党员的适应度值fitness(i)；

步骤6.3、更新党派中的党派领导人的位置Leader_pos；

步骤6.4、更新每个选区的选区获胜者的位置aWinner_pos；

步骤6.5、引入K-means聚类算法，根据种群中党员的分布得到N个聚类中心，选取距离选区获胜者的位置aWinner_pos最近的聚类中心为n^best；

步骤6.6、更新种群中党员的位置：

其中

表示上一代人群中第i个政党中第k个党员的位置，

表示这一代人群中第i个政党中第k个党员的位置，r表示一个0-1的随机值，m^*表示党派领导人或者选区获胜者的位置；

步骤6.7、判断是否到达最大迭代次数或是寻得最优解，若寻得最优，输出党派领导人的位置Leader_pos；不满足上述条件，返回步骤6.3，直至寻得最优解；

步骤6.8、得出混合储能容量最优配置结果。

Images