CN113113927A - 一种综合多典型天气场景的储能系统容量配置方法 - Google Patents

Abstract

本发明涉及一种综合多典型天气场景的储能系统容量配置方法。首先，获取全年光伏系统日发电功率数据，对数据样本进行聚类，得到n种典型天气的光伏发电功率曲线；然后，在外层青蛙代表的储能额定功率和容量的条件下，以弃光率最低为目标，建立内层蛙跳算法对储能系统进行控制优化，得到最优储能出力曲线；接着，算出在这一种储能功率和容量条件下的综合经济性水平；最后，将外层的每只青蛙所代表的储能额定功率和容量都进行内层蛙跳算法的综合经济性水平的计算，优化得到具有最优经济性水平的容量配置方案。本发明注重了在不同典型天气下储能系统的容量需求，综合考虑了不同天气在全年中的比例权重，可以更科学地形成储能系统的有效规划设计方案。

Description

一种综合多典型天气场景的储能系统容量配置方法

技术领域：

本发明涉及光伏-储能系统的控制，具体涉及一种综合多典型天气场景的储能系统容量配置方法。

背景技术：

近年来，光伏与风电等可再生发电形式得到国家的大力发展，在国家发电量中所占的比例越来越高。光伏发电具有能源清洁、装机规模灵活、可再生等优点，但光伏固有不稳定性、间歇性、反调峰等特性严重影响了电力系统的安全稳定运行。因此，大部分地区光伏电站配备了储能系统。储能系统作为一种快速响应的灵活电源，可以有效缓解光伏接入配电网的影响，提高消纳率，而且适用范围广、适用性极高，能够有效地推动电力行业朝着科技化的方向发展。未来新能源发电占比将持续升高，对储能的需求也将不断增大，因此，研究储能容量配置技术对光储电站的发展具有重要意义。

光伏+储能将成为未来光伏电站开发的主流模式，但当下储能的经济性仍未完善，而光伏电站配置储能的硬性要求必然会带来额外的成本增加。如果强制配置储能，其配比是否合理有待商榷，若比例过高可能会导致项目亏损，且造成资源浪费；若比例较低则不能满足项目需求，在发生突然停电事故时不能保证供电的持续可靠性。因此，需要从科学的角度深入研究储能系统的容量配置，并统筹考虑其经济性和运行效益，给出能适应各地区各种天气情况的最优容量配置方案。

目前针对储能系统容量配置的方法仅基于某种特定的典型天气，可能不适用于所有的天气情况。

发明内容：

为了找到应对所有天气情况的更合适的容量配置方案，本发明提出一种基于K-Means聚类方法的综合多典型天气场景服务需求的储能系统容量配置方法，考虑了全年所有的天气情况以及储能系统的自身状态，通过不同天气在全年中所占的权重比，计算出在考虑所有天气情况下的综合经济性水平，并且使用蛙跳算法搭建双层优化模型，统筹储能电站电池寿命、储能电站运行模式、储能电站成本与收益等因素，可以更科学地形成储能系统的有效规划设计方案。

本发明采用的技术方案为：一种综合多典型天气场景的储能系统容量配置方法，所述方法包括步骤如下：

步骤1：测量全年光伏系统日发电功率数据，使用K-Means方法对数据样本进行聚类，得到n种典型天气的光伏发电功率曲线；

步骤2：使用青蛙跳台阶算法，外层青蛙代表的储能额定功率和容量，以弃光率最低为目标，建立内层蛙跳算法对储能系统进行控制优化，得到最优储能出力曲线；

步骤3：根据对应于每种典型天气的运行曲线，计算每种典型天气下的经济性水平，再利用全年各种典型天气所占的权重比，计算出在这一种储能功率和容量条件下的综合经济性水平；

步骤4：将外层的每只青蛙所代表的储能额定功率和容量都进行内层蛙跳算法的综合经济性水平的计算，优化得到具有最优经济性水平的容量配置方案。

优选方案一，所述步骤1包括下述具体步骤：

步骤1.1：获取历史全年365天的光伏系统日发电功率数据，采样时间为1小时，第i个样本数据为

其中

分别表示第i天1～24小时的发电功率，设定聚类数量参数n，在数据样本中随机选择n个，形成初始化的n个族群中心，各族群中心为：

步骤1.2：计算其余的数据样本与n个族群中心的距离，其中第i个样本到第k个族群中心的距离为

判断各个样本到第k个族群中心距离的大小，将其赋给距离最近的族群；

步骤1.3：根据各个族群中全部样本的均值，更新族群中心为：

其中m_k表示第k个族群中样本数量；

步骤1.4：判断聚类过程是否收敛要求，判断各族群中心的变化程度是否小于设定阈值，若是，则聚类结束，得到n种典型天气的功率曲线，进入步骤2，若否，则返回步骤1.2。

优选方案二，所述步骤2包括下述具体步骤：

步骤2.1：初始化外层青蛙种群，每只青蛙个体代表一组储能系统的额定功率和容量，在每组确定的功率和容量条件下，初始化内层青蛙种群，每只青蛙个体代表一种典型天气下的功率运行曲线；

步骤2.2：将每条功率曲线分别在n种典型天气下运行，根据

其中，Q_F为光伏电站的发电量，Q_max为电力系统最大传输电量，Q_L为负荷消纳电量，计算出弃光率并得到每个个体的适应度值，由计算后的适应度值对青蛙个体按照递增规则排序，同时记录全局最优(即弃光率最低)的个体为X_g，再将种群划分为M₁个子种群，每个子种群的最优个体为X_b和最差个体为X_w，每个子种群有N₁只青蛙，设初始化子种群计数器R_M1和子种群内最大迭代次数L_1max；

步骤2.3：在第R_M1个子种群中，用该子种群的最优个体X_b更新最差个体X_w，若新个体的适应度值优于原最差个体，则用该值代替最差个体，局部更新策略为：

其中，||D_min||≤||D||≤||D_max||，rand()为1个[0,1]的随机数，D为更新步长，t为当前迭代次数，D_max为最大更新步长，若新个体的适应度值差于原最差个体，则进行步骤2.4；

步骤2.4：用全局最优个体X_g更新最差个体，若新个体的适应度值优于原最差个体，则用该值代替最差个体，全局更新策略为：

其中，||D_min||≤||D||≤||D_max||，rand()为1个[0,1]的随机数，D为更新步长，t为当前迭代次数，D_max为最大更新步长，若新个体的适应度值差于原最差个体，则进行步骤2.5；

步骤2.5：如果经过步骤2.3和步骤2.4后，均未产生更优解，则在控制变量的可行域内根据rand()函数产生定义域内新解替换原个体X_w，其中rand()为1个[0,1]的随机数；

步骤2.6：若子种群内迭代次数小于最大迭代次数L_1max，则返回步骤2.3继续进行迭代，若迭代子种群数R_M1小于子种群总数M₁，则返回步骤2.2重新对所有青蛙进行排序；

步骤2.7：满足迭代最大次数后，迭代结束，更新种群中最好的青蛙位置，得到分别对应n种典型天气的n条最优储能出力曲线。

优选方案三，所述步骤3包括下述具体步骤：

步骤3.1：分别构建储能系统在n种典型天气下的经济性水平模型，第q种典型天气场景下的的经济性水平为

q＝1,2,…,n，其中，F_q表示收益，C_建设q表示建设成本，C_运行q表示运行成本，L_q表示运行年限，根据对应于每种典型天气的运行曲线，计算其经济性水平；

步骤3.2：利用各种典型天气所占全年天数的比例，得到n种典型天气的权重比为ω₁:ω₂:…:ω_n，计算在储能功率和容量条件下的综合经济性水平为

其中，n表示典型天气类型，ω_q表示第q种典型天气场景的权重，J_q表示第q种典型天气场景下的经济性水平。

优选方案四，所述步骤4包括下述具体步骤：

步骤4.1：将外层的每只青蛙所代表的储能额定功率和容量都进行内层蛙跳算法的综合经济性水平的计算，由计算后的适应度值对青蛙个体按照递增规则排序，同时记录全局最优(即经济性最好)的个体为Y_g，再将种群划分为M₂个子种群，每个子种群的最优个体为Y_b和最差个体为Y_w，每个子种群有N₂只青蛙，设初始化子种群计数器R_M2和子种群内最大迭代次数L_2max；

步骤4.2：在第R_M2个子种群中，用该子种群的最优个体Y_b更新最差个体Y_w，若新个体的适应度值优于原最差个体，则用该值代替最差个体，局部更新策略为：

其中，||D_min||≤||D||≤||D_max||，rand()为1个[0,1]的随机数，D为更新步长，t为当前迭代次数，D_max为最大更新步长，若新个体的适应度值差于原最差个体，则进行步骤4.3；

步骤4.3：用全局最优个体Y_g更新最差个体，若新个体的适应度值优于原最差个体，则用该值代替最差个体，全局更新策略为：

其中，||D_min||≤||D||≤||D_max||，rand()为1个[0,1]的随机数，D为更新步长，t为当前迭代次数，D_max为最大更新步长，若新个体的适应度值差于原最差个体，则进行步骤4.4；

步骤4.4：如果经过步骤4.2和步骤4.3后，均未产生更优解，则在控制变量的可行域内根据rand()函数产生定义域内新解替换原个体Y_w，其中rand()为1个[0,1]的随机数；

步骤4.5：若子种群内迭代次数小于最大迭代次数L_2max，则返回步骤4.2继续进行迭代，若迭代子种群数R_M2小于子种群总数M₂，则返回步骤4.1重新对所有青蛙进行排序；

步骤4.6：满足迭代最大次数后，迭代结束，更新种群中最好的青蛙位置，得到具有最优经济性水平的容量配置方案。

与最接近的现有技术相比，本发明的优异效果是：

本发明技术方案中，为了找到应对所有天气情况的更合适的容量配置方案，利用K-Means方法将全年所有天气情况进行了聚类，得到n种典型天气的功率曲线，再通过不同天气在全年中所占的权重比，计算出在考虑所有天气情况下的综合经济性水平，最后得到最优的容量配置方案。相比于现有的仅基于某种特定典型天气的规划配置方法，本发明注重了在不同典型天气下储能系统的容量需求，综合考虑了不同天气在全年中的比例权重，可以更科学地形成储能系统的有效规划设计方案。

附图说明:

图1是本发明方法流程图。

图2是实施例中步骤1中K-Means聚类方法的流程图。

图3是实施例中步骤2双层青蛙跳台阶算法中内层优化的流程图。

图4是实施例中步骤4双层青蛙跳台阶算法中外层优化的流程图。

具体实施方式:

实施例：

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。

本发明提供了一种综合多典型天气场景的储能系统容量配置方法，图1展示出了本实施例中所述方法的实施过程，包括下述步骤：

步骤1：获取全年光伏系统日发电功率数据，使用K-Means方法对数据样本进行聚类，得到n种典型天气的光伏发电功率曲线，图2展示了K-Means聚类方法的流程，具体如下：

步骤1.1：获取历史全年365天的光伏日发电功率数据，采样时间为1小时，第i个样本数据为

其中

分别表示第i天1～24小时的发电功率，设定聚类数量参数n，在数据样本中随机选择n个，形成初始化的n个族群中心，各族群中心为

步骤1.2：计算其余的数据样本与n个族群中心的距离，其中第i个样本到第k个族群中心的距离为

判断各个样本到第k个族群中心距离的大小，将其赋给距离最近的族群；

步骤1.3：根据各个族群中全部样本的均值，更新族群中心为

其中m_k表示第k个族群中样本数量；

步骤1.4：判断聚类过程是否收敛要求，判断各族群中心的变化程度是否小于设定阈值，若是，则聚类结束，得到n种典型天气的功率曲线，进入步骤2，若否，则返回步骤1.2；

步骤2：使用青蛙跳台阶算法，在外层青蛙代表的储能额定功率和容量的条件下，以弃光率最低为目标，建立内层蛙跳算法对储能系统进行控制优化，得到最优储能出力曲线，图3展示了双层青蛙跳台阶优化的流程，具体如下：

步骤2.1：初始化外层青蛙种群，每只青蛙个体代表一组储能系统的额定功率和容量，在每组确定的功率和容量条件下，初始化内层青蛙种群，每只青蛙个体代表一种典型天气下的功率运行曲线；

步骤2.2：将每条功率曲线分别在n种典型天气下运行，根据

其中，Q_F为光伏电站的发电量，Q_max为电力系统最大传输电量，Q_L为负荷消纳电量，计算出弃光率并得到每个个体的适应度值，由计算后的适应度值对青蛙个体按照递增规则排序，同时记录全局最优(即弃光率最低)的个体为X_g，再将种群划分为M₁个子种群，每个子种群的最优个体为X_b和最差个体为X_w，每个子种群有N₁只青蛙，设初始化子种群计数器R_M1和子种群内最大迭代次数L_1max；

步骤2.3：在第R_M1个子种群中，用该子种群的最优个体X_b更新最差个体X_w，若新个体的适应度值优于原最差个体，则用该值代替最差个体，局部更新策略为：

其中，||D_min||≤||D||≤||D_max||，rand()为1个[0,1]的随机数，D为更新步长，t为当前迭代次数，D_max为最大更新步长，若新个体的适应度值差于原最差个体，则进行步骤2.4；

步骤2.4：用全局最优个体X_g更新最差个体，若新个体的适应度值优于原最差个体，则用该值代替最差个体，全局更新策略为：

其中，||D_min||≤||D||≤||D_max||，rand()为1个[0,1]的随机数，D为更新步长，t为当前迭代次数，D_max为最大更新步长，若新个体的适应度值差于原最差个体，则进行步骤2.5；

步骤2.5：如果经过步骤2.3和步骤2.4后，均未产生更优解，则在控制变量的可行域内根据rand()函数产生定义域内新解替换原个体X_w，其中rand()为1个[0,1]的随机数；

步骤2.6：若子种群内迭代次数小于最大迭代次数L_1max，则返回步骤2.3继续进行迭代，若迭代子种群数R_M1小于子种群总数M₁，则返回步骤2.2重新对所有青蛙进行排序；

步骤2.7：满足迭代最大次数后，迭代结束，更新种群中最好的青蛙位置，得到分别对应n种典型天气的n条最优储能出力曲线；

步骤3：根据对应于每种典型天气的运行曲线，计算每种典型天气下的经济性水平，再利用全年各种典型天气所占的权重比，计算出在这一种储能功率和容量条件下的综合经济性水平；具体过程如下：

步骤3.1：分别构建储能系统在n种典型天气下的经济性水平模型，第q种典型天气场景下的的经济性水平为

其中，F_q表示收益，C_建设q表示建设成本，C_运行q表示运行成本，L_q表示运行年限，根据对应于每种典型天气的运行曲线，计算其经济性水平；

步骤3.2：利用各种典型天气所占全年天数的比例，得到n种典型天气的权重比为ω₁:ω₂:…:ω_n，计算在储能功率和容量条件下的综合经济性水平为

其中，n表示典型天气类型，ω_q表示第q种典型天气场景的权重，J_q表示第q种典型天气场景下的经济性水平；

步骤4：将外层的每只青蛙所代表的储能额定功率和容量都进行内层蛙跳算法的综合经济性水平的计算，优化得到具有最优经济性水平的容量配置方案；如图4所示，具体过程如下：

步骤4.1：将外层的每只青蛙所代表的储能额定功率和容量都进行内层蛙跳算法的综合经济性水平的计算，由计算后的适应度值对青蛙个体按照递增规则排序，同时记录全局最优(即经济性最好)的个体为Y_g，再将种群划分为M₂个子种群，每个子种群的最优个体为Y_b和最差个体为Y_w，每个子种群有N₂只青蛙，设初始化子种群计数器R_M2和子种群内最大迭代次数L_2max；

步骤4.2：在第R_M2个子种群中，用该子种群的最优个体Y_b更新最差个体Y_w，若新个体的适应度值优于原最差个体，则用该值代替最差个体，局部更新策略为：

其中，||D_min||≤||D||≤||D_max||，rand()为1个[0,1]的随机数，D为更新步长，t为当前迭代次数，D_max为最大更新步长，若新个体的适应度值差于原最差个体，则进行步骤4.3；

步骤4.3：用全局最优个体Y_g更新最差个体，若新个体的适应度值优于原最差个体，则用该值代替最差个体，全局更新策略为：

其中，||D_min||≤||D||≤||D_max||，rand()为1个[0,1]的随机数，D为更新步长，t为当前迭代次数，D_max为最大更新步长，若新个体的适应度值差于原最差个体，则进行步骤4.4；

步骤4.4：如果经过步骤4.2和步骤4.3后，均未产生更优解，则在控制变量的可行域内根据rand()函数产生定义域内新解替换原个体Y_w，其中rand()为1个[0,1]的随机数；

步骤4.5：若子种群内迭代次数小于最大迭代次数L_2max，则返回步骤4.2继续进行迭代，若迭代子种群数R_M2小于子种群总数M₂，则返回步骤4.1重新对所有青蛙进行排序；

步骤4.6：满足迭代最大次数后，迭代结束，更新种群中最好的青蛙位置，得到具有最优经济性水平的容量配置方案。

最后应当说明的是：所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

Claims (5)

1.一种综合多典型天气场景的储能系统容量配置方法，其特征在于，包括下述步骤：

步骤1：测量全年光伏系统日发电功率数据，使用K-Means方法对数据样本进行聚类，得到n种典型天气的光伏发电功率曲线；

步骤2：使用青蛙跳台阶算法，外层青蛙代表的储能额定功率和容量，以弃光率最低为目标，建立内层蛙跳算法对储能系统进行控制优化，得到最优储能出力曲线；

步骤3：根据对应于每种典型天气的运行曲线，计算每种典型天气下的经济性水平，再利用全年各种典型天气所占的权重比，计算出在这一种储能功率和容量条件下的综合经济性水平；

步骤4：将外层的每只青蛙所代表的储能额定功率和容量都进行内层蛙跳算法的综合经济性水平的计算，优化得到具有最优经济性水平的容量配置方案。

2.根据权利要求1所述一种综合多典型天气场景的储能系统容量配置方法，其特征在于，所述步骤1包括下述具体步骤：

步骤1.1：获取历史全年365天的光伏系统日发电功率数据，采样时间为1小时，第i个样本数据为

其中

分别表示第i天1～24小时的发电功率，设定聚类数量参数n，在数据样本中随机选择n个，形成初始化的n个族群中心，各族群中心为：

步骤1.2：计算其余的数据样本与n个族群中心的距离，其中第i个样本到第k个族群中心的距离为

判断各个样本到第k个族群中心距离的大小，将其赋给距离最近的族群；

步骤1.3：根据各个族群中全部样本的均值，更新族群中心为：

其中m_k表示第k个族群中样本数量；

步骤1.4：判断聚类过程是否收敛要求，判断各族群中心的变化程度是否小于设定阈值，若是，则聚类结束，得到n种典型天气的功率曲线，进入步骤2，若否，则返回步骤1.2。

3.根据权利要求1所述一种综合多典型天气场景的储能系统容量配置方法，其特征在于，所述步骤2包括下述具体步骤：

步骤2.1：初始化外层青蛙种群，每只青蛙个体代表一组储能系统的额定功率和容量，在每组确定的功率和容量条件下，初始化内层青蛙种群，每只青蛙个体代表一种典型天气下的功率运行曲线；

步骤2.2：将每条功率曲线分别在n种典型天气下运行，根据公式

其中，Q_F为光伏电站的发电量，Q_max为电力系统最大传输电量，Q_L为负荷消纳电量，计算出弃光率并得到每个个体的适应度值，由计算后的适应度值对青蛙个体按照递增规则排序，同时记录全局最优(即弃光率最低)的个体为X_g，再将种群划分为M₁个子种群，每个子种群的最优个体为X_b和最差个体为X_w，每个子种群有N₁只青蛙，设初始化子种群计数器R_M1和子种群内最大迭代次数L_1max；

步骤2.3：在第R_M1个子种群中，用该子种群的最优个体X_b更新最差个体X_w，若新个体的适应度值优于原最差个体，则用该值代替最差个体，局部更新策略为：

其中，||D_min||≤||D||≤||D_max||，rand()为1个[0,1]的随机数，D为更新步长，t为当前迭代次数，D_max为最大更新步长，若新个体的适应度值差于原最差个体，则进行步骤2.4；

步骤2.4：用全局最优个体X_g更新最差个体，若新个体的适应度值优于原最差个体，则用该值代替最差个体，全局更新策略为：

其中，||D_min||≤||D||≤||D_max||，rand()为1个[0,1]的随机数，D为更新步长，t为当前迭代次数，D_max为最大更新步长，若新个体的适应度值差于原最差个体，则进行步骤2.5；

步骤2.5：如果经过步骤2.3和步骤2.4后，均未产生更优解，则在控制变量的可行域内根据rand()函数产生定义域内新解替换原个体X_w，其中rand()为1个[0,1]的随机数；

步骤2.6：若子种群内迭代次数小于最大迭代次数L_1max，则返回步骤2.3继续进行迭代，若迭代子种群数R_M1小于子种群总数M₁，则返回步骤2.2重新对所有青蛙进行排序；

步骤2.7：满足迭代最大次数后，迭代结束，更新种群中最好的青蛙位置，得到分别对应n种典型天气的n条最优储能出力曲线。

4.根据权利要求1所述一种综合多典型天气场景的储能系统容量配置方法，其特征在于，所述步骤3包括下述具体步骤：

步骤3.1：分别构建储能系统在n种典型天气下的经济性水平模型，第q种典型天气场景下的的经济性水平为

q＝1,2,…,n，其中，F_q表示收益，C_建设q表示建设成本，C_运行q表示运行成本，L_q表示运行年限，根据对应于每种典型天气的运行曲线，计算其经济性水平；

步骤3.2：利用各种典型天气所占全年天数的比例，得到n种典型天气的权重比为ω₁:ω₂:…:ω_n，计算在储能功率和容量条件下的综合经济性水平为

其中，n表示典型天气类型，ω_q表示第q种典型天气场景的权重，J_q表示第q种典型天气场景下的经济性水平。

5.根据权利要求1所述一种综合多典型天气场景的储能系统容量配置方法，其特征在于，所述步骤4包括下述具体步骤：

步骤4.1：将外层的每只青蛙所代表的储能额定功率和容量都进行内层蛙跳算法的综合经济性水平的计算，由计算后的适应度值对青蛙个体按照递增规则排序，同时记录全局最优，即经济性最好的个体为Y_g，再将种群划分为M₂个子种群，每个子种群的最优个体为Y_b和最差个体为Y_w，每个子种群有N₂只青蛙，设初始化子种群计数器R_M2和子种群内最大迭代次数L_2max；

步骤4.2：在第R_M2个子种群中，用该子种群的最优个体Y_b更新最差个体Y_w，若新个体的适应度值优于原最差个体，则用该值代替最差个体，局部更新策略为：

其中，||D_min||≤||D||≤||D_max||，rand()为1个[0,1]的随机数，D为更新步长，t为当前迭代次数，D_max为最大更新步长，若新个体的适应度值差于原最差个体，则进行步骤4.3；

步骤4.3：用全局最优个体Y_g更新最差个体，若新个体的适应度值优于原最差个体，则用该值代替最差个体，全局更新策略为：

其中，||D_min||≤||D||≤||D_max||，rand()为1个[0,1]的随机数，D为更新步长，t为当前迭代次数，D_max为最大更新步长，若新个体的适应度值差于原最差个体，则进行步骤4.4；

步骤4.4：如果经过步骤4.2和步骤4.3后，均未产生更优解，则在控制变量的可行域内根据rand()函数产生定义域内新解替换原个体Y_w，其中rand()为1个[0,1]的随机数；

步骤4.5：若子种群内迭代次数小于最大迭代次数L_2max，则返回步骤4.2继续进行迭代，若迭代子种群数R_M2小于子种群总数M₂，则返回步骤4.1重新对所有青蛙进行排序；

步骤4.6：满足迭代最大次数后，迭代结束，更新种群中最好的青蛙位置，得到具有最优经济性水平的容量配置方案。

Images