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
一种综合多典型天气场景的储能系统容量配置方法 Download PDFInfo
- Publication number
- CN113113927A CN113113927A CN202110521631.8A CN202110521631A CN113113927A CN 113113927 A CN113113927 A CN 113113927A CN 202110521631 A CN202110521631 A CN 202110521631A CN 113113927 A CN113113927 A CN 113113927A
- Authority
- CN
- China
- Prior art keywords
- individual
- population
- energy storage
- sub
- frog
- 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.)
- Granted
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 31
- 241000269350 Anura Species 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
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
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1.4: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,QF为光伏电站的发电量,Qmax为电力系统最大传输电量,QL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Xg,再将种群划分为M1个子种群,每个子种群的最优个体为Xb和最差个体为Xw,每个子种群有N1只青蛙,设初始化子种群计数器RM1和子种群内最大迭代次数L1max;
其中,||Dmin||≤||D||≤||Dmax||,rand()为1个[0,1]的随机数,D为更新步长,t为当前迭代次数,Dmax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;
其中,||Dmin||≤||D||≤||Dmax||,rand()为1个[0,1]的随机数,D为更新步长,t为当前迭代次数,Dmax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Xw,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L1max,则返回步骤2.3继续进行迭代,若迭代子种群数RM1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:
q=1,2,…,n,其中,Fq表示收益,C建设q表示建设成本,C运行q表示运行成本,Lq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;
其中,n表示典型天气类型,ωq表示第q种典型天气场景的权重,Jq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Yg,再将种群划分为M2个子种群,每个子种群的最优个体为Yb和最差个体为Yw,每个子种群有N2只青蛙,设初始化子种群计数器RM2和子种群内最大迭代次数L2max;
其中,||Dmin||≤||D||≤||Dmax||,rand()为1个[0,1]的随机数,D为更新步长,t为当前迭代次数,Dmax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;
其中,||Dmin||≤||D||≤||Dmax||,rand()为1个[0,1]的随机数,D为更新步长,t为当前迭代次数,Dmax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Yw,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L2max,则返回步骤4.2继续进行迭代,若迭代子种群数RM2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1.4: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,QF为光伏电站的发电量,Qmax为电力系统最大传输电量,QL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Xg,再将种群划分为M1个子种群,每个子种群的最优个体为Xb和最差个体为Xw,每个子种群有N1只青蛙,设初始化子种群计数器RM1和子种群内最大迭代次数L1max;
步骤2.3:在第RM1个子种群中,用该子种群的最优个体Xb更新最差个体Xw,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,||Dmin||≤||D||≤||Dmax||,rand()为1个[0,1]的随机数,D为更新步长,t为当前迭代次数,Dmax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Xg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,||Dmin||≤||D||≤||Dmax||,rand()为1个[0,1]的随机数,D为更新步长,t为当前迭代次数,Dmax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Xw,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L1max,则返回步骤2.3继续进行迭代,若迭代子种群数RM1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,Fq表示收益,C建设q表示建设成本,C运行q表示运行成本,Lq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:…:ωn,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,ωq表示第q种典型天气场景的权重,Jq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Yg,再将种群划分为M2个子种群,每个子种群的最优个体为Yb和最差个体为Yw,每个子种群有N2只青蛙,设初始化子种群计数器RM2和子种群内最大迭代次数L2max;
步骤4.2:在第RM2个子种群中,用该子种群的最优个体Yb更新最差个体Yw,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,||Dmin||≤||D||≤||Dmax||,rand()为1个[0,1]的随机数,D为更新步长,t为当前迭代次数,Dmax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Yg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,||Dmin||≤||D||≤||Dmax||,rand()为1个[0,1]的随机数,D为更新步长,t为当前迭代次数,Dmax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Yw,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L2max,则返回步骤4.2继续进行迭代,若迭代子种群数RM2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1.4: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,QF为光伏电站的发电量,Qmax为电力系统最大传输电量,QL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Xg,再将种群划分为M1个子种群,每个子种群的最优个体为Xb和最差个体为Xw,每个子种群有N1只青蛙,设初始化子种群计数器RM1和子种群内最大迭代次数L1max;
其中,||Dmin||≤||D||≤||Dmax||,rand()为1个[0,1]的随机数,D为更新步长,t为当前迭代次数,Dmax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;
其中,||Dmin||≤||D||≤||Dmax||,rand()为1个[0,1]的随机数,D为更新步长,t为当前迭代次数,Dmax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Xw,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L1max,则返回步骤2.3继续进行迭代,若迭代子种群数RM1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:
q=1,2,…,n,其中,Fq表示收益,C建设q表示建设成本,C运行q表示运行成本,Lq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;
其中,n表示典型天气类型,ωq表示第q种典型天气场景的权重,Jq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Yg,再将种群划分为M2个子种群,每个子种群的最优个体为Yb和最差个体为Yw,每个子种群有N2只青蛙,设初始化子种群计数器RM2和子种群内最大迭代次数L2max;
其中,||Dmin||≤||D||≤||Dmax||,rand()为1个[0,1]的随机数,D为更新步长,t为当前迭代次数,Dmax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;
其中,||Dmin||≤||D||≤||Dmax||,rand()为1个[0,1]的随机数,D为更新步长,t为当前迭代次数,Dmax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Yw,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L2max,则返回步骤4.2继续进行迭代,若迭代子种群数RM2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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110521631.8A CN113113927B (zh) | 2021-05-13 | 2021-05-13 | 一种综合多典型天气场景的储能系统容量配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110521631.8A CN113113927B (zh) | 2021-05-13 | 2021-05-13 | 一种综合多典型天气场景的储能系统容量配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113113927A true CN113113927A (zh) | 2021-07-13 |
CN113113927B CN113113927B (zh) | 2022-08-02 |
Family
ID=76722181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110521631.8A Active CN113113927B (zh) | 2021-05-13 | 2021-05-13 | 一种综合多典型天气场景的储能系统容量配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113113927B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591378A (zh) * | 2021-07-27 | 2021-11-02 | 上海电机学院 | 基于改进混合蛙跳算法的混合储能容量配置方法及设备 |
CN114050608A (zh) * | 2021-10-28 | 2022-02-15 | 广东电网有限责任公司 | 光伏系统储能容量的优化配置方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991442A (zh) * | 2017-03-30 | 2017-07-28 | 中国矿业大学 | 混合蛙跳算法的自适应核k‑means方法与系统 |
CN108923446A (zh) * | 2018-06-07 | 2018-11-30 | 国网天津市电力公司电力科学研究院 | 一种光伏/储能一体化系统中储能容量的配置方法 |
CN108988370A (zh) * | 2018-08-22 | 2018-12-11 | 广东电网有限责任公司 | 电力系统中储能装置的容量确定方法、设备及存储介质 |
US20180357610A1 (en) * | 2017-06-12 | 2018-12-13 | Hefei University Of Technology | Method and system for collaborative scheduling of production and transportation based on shuffled frog leaping and path relinking algorithms |
CN110797896A (zh) * | 2019-11-28 | 2020-02-14 | 国网江苏电力设计咨询有限公司 | 一种微网风光储系统中混合储能容量优化配置方法 |
CN112290568A (zh) * | 2020-09-27 | 2021-01-29 | 天津大学 | 一种“光-储”发电系统混合储能配置方法 |
-
2021
- 2021-05-13 CN CN202110521631.8A patent/CN113113927B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991442A (zh) * | 2017-03-30 | 2017-07-28 | 中国矿业大学 | 混合蛙跳算法的自适应核k‑means方法与系统 |
US20180357610A1 (en) * | 2017-06-12 | 2018-12-13 | Hefei University Of Technology | Method and system for collaborative scheduling of production and transportation based on shuffled frog leaping and path relinking algorithms |
CN108923446A (zh) * | 2018-06-07 | 2018-11-30 | 国网天津市电力公司电力科学研究院 | 一种光伏/储能一体化系统中储能容量的配置方法 |
CN108988370A (zh) * | 2018-08-22 | 2018-12-11 | 广东电网有限责任公司 | 电力系统中储能装置的容量确定方法、设备及存储介质 |
CN110797896A (zh) * | 2019-11-28 | 2020-02-14 | 国网江苏电力设计咨询有限公司 | 一种微网风光储系统中混合储能容量优化配置方法 |
CN112290568A (zh) * | 2020-09-27 | 2021-01-29 | 天津大学 | 一种“光-储”发电系统混合储能配置方法 |
Non-Patent Citations (3)
Title |
---|
叶筱等: "风储系统容量配置优化目标及优化算法综述", 《节能》 * |
李建林等: "风光储系统储能容量优化配置策略", 《电工技术学报》 * |
王延杰等: "基于改进混合蛙跳算法的电力系统无功优化", 《科技展望》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591378A (zh) * | 2021-07-27 | 2021-11-02 | 上海电机学院 | 基于改进混合蛙跳算法的混合储能容量配置方法及设备 |
CN114050608A (zh) * | 2021-10-28 | 2022-02-15 | 广东电网有限责任公司 | 光伏系统储能容量的优化配置方法、装置、设备及介质 |
CN114050608B (zh) * | 2021-10-28 | 2024-05-03 | 广东电网有限责任公司 | 光伏系统储能容量的优化配置方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113113927B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113113927B (zh) | 一种综合多典型天气场景的储能系统容量配置方法 | |
CN107451686B (zh) | 考虑随机预测误差的遗传算法的微电网能源优化方法 | |
CN111709109B (zh) | 一种考虑源荷时序相关性的光伏消纳容量计算方法及装置 | |
CN116805198A (zh) | 基于强化学习与预测分析的电网规划动态的方法及系统 | |
CN111092451A (zh) | 一种基于配电网网格的光伏消纳预警方法 | |
CN116388245A (zh) | 光储充一体化电站储能容量配置方法及相关设备 | |
CN116362421B (zh) | 一种基于能源综合统筹分析的供能分配预测系统及其方法 | |
CN117674290A (zh) | 一种基于多场景的水电平抑分布鲁棒优化方法 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN109359671B (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
CN116934105A (zh) | 一种考虑柔性资源接入的配电网灵活性评估方法和系统 | |
CN114103707B (zh) | 基于人工智能与物联网的智慧能源控制方法及系统 | |
CN111832836B (zh) | 一种计及负荷用电特性的配电网重构方法及系统 | |
CN111553398B (zh) | 基于多维正态分布的风电场景不确定连续区间获取方法 | |
CN114139788A (zh) | 海上风电机组功率预测方法及装置 | |
Yu et al. | Dynamic grouping control of electric vehicles based on improved k-means algorithm for wind power fluctuations suppression | |
CN112785457A (zh) | 一种基于面板数据的分布式供能系统典型场景构建方法 | |
CN112736905A (zh) | 区域新能源容量优化配置方法及系统 | |
Wang et al. | Utilizing intra-day prediction modification strategies to improve peak power shaving using energy storage systems for smart buildings | |
CN116632842B (zh) | 基于聚类特性的台区分布式光伏负荷概率预测方法及系统 | |
Gao et al. | Daily power load curves analysis based on grey wolf optimization clustering algorithm | |
CN115833116B (zh) | 一种基于多目标优化的配电网重构优化方法 | |
CN117557009B (zh) | 一种电源效率监测方法及系统 | |
CN116526589B (zh) | 考虑源荷多时序联合场景的无功配置方法、设备及介质 | |
CN117932417A (zh) | 基于多时间尺度特征的层次一致性风速预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |