CN113158412B - 一种基于布谷鸟算法的光储电站协同优化方法 - Google Patents

Abstract

本发明涉及一种基于布谷鸟算法的光储电站协同优化方法及装置，包括以下步骤：S1、获取第一数据；S2、基于第一数据，分别获取分布式光伏模型、储能系统模型；S3、获取光储电站协调优化模型；S4、获取约束条件，包括：基于储能系统模型获取储能系统约束条件，并获取电力市场交易电量约束条件，及分布式光伏模型光储电站功率平衡约束条件；S5、求解光储电站协调优化模型，使光储电站协调优化模型满足约束条件。本发明中，基于第一数据，分别获取分布式光伏模型、储能系统模型；然后再获取光储电站协调优化模型；采用布谷鸟算法求解光储电站协调优化模型，使求解后的光储电站协调优化模型满足约束条件，从而实现低运行成本。

Description

一种基于布谷鸟算法的光储电站协同优化方法

技术领域

本发明涉及电力系统电源调度领域技术领域，尤其涉及一种基于布谷鸟算法的光储电站协同优化方法。

背景技术

大规模可再生能源接入电网，一方面可以有效地缓解我国对能源的巨大需求量及国家的用电紧张局面，另一方面又不可避免地造成了对传统电网的影响，如增大系统峰谷差、影响系统的稳定性等等。太阳能是一种资源丰富的清洁能源，大规模光伏并网已经成为一大趋势。然而，光伏具有的天然随机波动性及低可控性使得电力系统规划、调度等多类决策问题面临更高的不确定性，显著地增加了决策的难度。大规模光伏并网给电力系统调度带来的挑战主要在于如何处理光伏电站出力的不确定性，以及如何在出力-负荷双随机因素下制定短期或长期优化调度策略。光伏电站的接入决定了电力系统运行的经济性必然会同时受到人为控制力(即电网调度)及自然条件的影响。一方面，在满足系统安全运行的前提下，电网调度人员试图通过制定发电机组出力计划等调度策略使得电网运行成本最小；另一方面，由大自然决定的实际光伏电站出力，如微弱光强光等极端情况使系统状况恶化，使得运行成本升高。

申请号为“CN202010927465.7”的发明专利公开了基于协同进化的光伏电站与电动汽车充电网络规划方法，S10给定规划边界条件；S20使用所述规划边界条件建立光伏电站与电动汽车充电网络随机协同规划模型；以及S30设计分别用于表示光伏电站与电动汽车充电网络建设方案的染色体编码策略与对应的交叉、变异操作算子，采用协同进化算法求解光伏电站与电动汽车充电网络随机协同规划模型，给出光伏电站与电动汽车充电网络最优规划方案。但是该发明主要是针对电动汽车充电的优化方案，并不能够降低光储电站的运行成本。

发明内容

本发明所要解决的技术问题在于如何实现降低光伏电站运行成本的问题。

本发明通过以下技术手段实现解决上述技术问题的：

一种基于布谷鸟算法的光储电站协同优化方法，包括以下步骤：

S1、获取第一数据，所述第一数据由采集终端采集，所述第一数据包括原始光储电站数据；原始光储电站数据包括：电价预测数据、光伏出力预测数据、储能系统参数、电站各聚合单元参数、配网参数；

S2、基于所述第一数据，分别获取分布式光伏模型、储能系统模型；

S3、获取光储电站协调优化模型；

S4、获取约束条件，所述约束条件包括：基于储能系统模型获取储能系统约束条件，并获取电力市场交易电量约束条件，基于分布式光伏模型获取分布式光伏模型光储电站功率平衡约束条件；

S5、采用布谷鸟算法求解所述光储电站协调优化模型，使求解后的所述光储电站协调优化模型满足所述约束条件以降低运行成本。

作为本发明进一步的方案：获取分布式光伏模型：

S21、通过公式(1)建立分布式光伏模型；

其中，

式中，r和r_max为所设定的某一时段内的实际光照强度和它的最大值；μ为太阳光照强度平均值，σ为太阳光照强度的标准差；α与β表示Beta分布的形状参数，可以通过若干时间段内的μ和σ计算而得；f(r)为分布式光伏模型，Γ为伽马函数。

用户屋顶光伏总的输出功率P_V为：

P_V＝rη_vSN (2)；

其中N为光伏电池组件数，η_v为光伏电池组件的光电转换效率，S为光伏电池板的面积。

作为本发明进一步的方案：获取储能系统模型包括：

通过公式(3)建立储能系统模型，包括：

C₁＝C_T＝0.2C_sto

其中

其中：C(t)为t时段ESS总电量；C(t-1)为t-1时刻ESS总电能；

P_t ^ch为t时段充电功率，P_t ^dis为t时段放电功率，P_max ^ch为最大充电功率，P_max ^dis为最大充电功率，B_t ^ch为充电状态(充电为“1”，未充电为“0”)，B_t ^dis为放电状态(放电为“1”，未放电为“0”)，C_t为t时段储电量，C₁、C_T、C_sto分别表示初时储电量、末时储电量以及额定储电量，0.2为荷电状态的最小值；S_soc(t)为t时刻ESS荷电状态。

作为本发明进一步的方案：所述步骤S3包括：

通过公式(4)获取光储电站协调优化模型；

其中，T为一天的总时段数；n_s为光伏出力场景数，π_s为第s组光伏出力场景的概率；

为时段t的电力市场零售电价；Se_s,t为第s组光伏出力时段t的光储电站电力市场售电量，即为光储电站上网电量；B_s,t为第s组光伏出力时段t的光储电站电力市场购电量；

为购电电价，

为购电电价。

为储能系统由于充放电产生的度电成本，可以表示为：

其中，ε_c,ε_d为储能系统充放电的度电成本；

为储能系统第s组光伏出力时段t的充电功率，

为储能系统第s组光伏出力时段t的放电功率。

作为本发明进一步的方案：所述基于储能系统模型获取储能系统约束条件包括：

基于步骤2中所获取的储能系统模型，获取储能系统约束条件如下：

且C_stoS_soc.min≤C_s,t≤C_stoS_soc.max

C_s,1＝C_s,T＝0.2C_sto

C_s,t表示s场景t时段的储电量，C_s,t-1表示s场景下t-1时段的储电量，

为s场景t时段充电功率，

为s场景t时段放电功率，η_ch为充电效率，η_dis为放电效率，

为最大充电功率，

为最大放电功率，

为s场景t时段充电状态(充电为“1”，未充电为“0”)，

为s场景t时段放电状态(放电为“1”，未放电为“0”)，C_s,1、C_s,T和C_sto为s场景初时储电量、末时储电量以及额定储电量。

作为本发明进一步的方案：获取电力市场交易电量约束条件包括：

通过公式(8)建立电量约束条件，包括：

其中，Se^min，Se^max分别为向市场售电量最小和最大值；B^min，B^max分别为向市场购电量最小和最大值；Xs和Xb是整数变量，分别表示在日前市场中是否购买、销售电量。

作为本发明进一步的方案：获取光储电站功率平衡约束条件包括：

通过公式(9)光储电站协同优化需满足区域内的功率平衡约束，如下所示：

其中，g_s,t为t时段第s种场景下光伏电站出力，基于步骤2所建立分布式光伏单元模型，根据所在地区历史光照强度获得光伏单元出力P_V，接着通过蒙特卡洛模拟获得不同场景下光伏出力g_s,t；B_s,t为第s组光伏出力时段t的光储电站电力市场购电量，Se_s,t为第s组光伏出力时段t的光储电站电力市场售电量，

为区域内负荷，

为储能系统第s组光伏出力时段t的充电功率，

为储能系统第s组光伏出力时段t的放电功率。

作为本发明进一步的方案：所述步骤S5包括：

S51、使用公式(6)～(9)求解过程为将目标函数(4)的若干组决策变量，设置抛弃概率Pa并从所述决策变量中挑选一组，通过局部随机行走算法更新变量值，更新后的变量值代入目标函数(4)；

S52、通过莱维随机行走确定变量更新的步长和方向，更新四组决策变量值，代入目标函数(4)计算对应的适应度，将结果与记录的适应度相比，若比记录的适应度大，则更新记录，否则不更新，即保留原有的决策变量值；

S53、重复步骤S51、步骤S52，不断迭代直至达到设置的迭代次数若干次后，输出得到的决策变量值，代入目标函数(4)得到最大利润。

一种基于布谷鸟算法的光储电站协同优化装置，包括：

第一获取模块，用于获取第一数据，所述第一数据由采集终端采集，所述第一数据包括原始光储电站数据；原始光储电站数据包括：电价预测数据、光伏出力预测数据、储能系统参数、电站各聚合单元参数、配网参数；

第二获取模块，用于基于所述第一数据，分别获取分布式光伏模型、储能系统模型；

建模模块，用于获取光储电站协调优化模型；

约束模块，用于获取约束条件，包括：基于储能系统模型获取储能系统约束条件，并获取电力市场交易电量约束条件，基于分布式光伏模型获取分布式光伏模型光储电站功率平衡约束条件；

求解模块，用于采用布谷鸟算法求解所述光储电站协调优化模型，使求解后的所述光储电站协调优化模型满足所述约束条件以降低运行成本。

作为本发明进一步的方案：获取分布式光伏模型包括：

通过公式(1)建立分布式光伏模型；

其中，

式中，r和r_max为所设定的某一时段内的实际光照强度和它的最大值；μ为太阳光照强度平均值，σ为太阳光照强度的标准差；α与β表示Beta分布的形状参数，可以通过若干时间段内的μ和σ计算而得；f(r)为分布式光伏模型，Γ为伽马函数；

用户屋顶光伏总的输出功率P_V为：

P_V＝rη_vSN (2)；

其中N为光伏电池组件数，η_v为光伏电池组件的光电转换效率，S为光伏电池板的面积。

作为本发明进一步的方案：获取储能系统模型包括：通过公式(3)建立储能系统模型，包括：

C₁＝C_T＝0.2C_sto

其中

其中：C(t)为t时段ESS总电量；C(t-1)为t-1时刻ESS总电能；

P_t ^ch为t时段充电功率，P_t ^dis为t时段放电功率，P_max ^ch为最大充电功率，P_max ^dis为最大充电功率，B_t ^ch为充电状态(充电为“1”，未充电为“0”)，B_t ^dis为放电状态(放电为“1”，未放电为“0”)，C_t为t时段储电量，C₁、C_T、C_sto分别表示初时储电量、末时储电量以及额定储电量，0.2为荷电状态的最小值；S_soc(t)为t时刻ESS荷电状态。

作为本发明进一步的方案：获取光储电站协调优化模型包括：通过公式(4)获取光储电站协调优化模型；

其中，T为一天的总时段数；n_s为光伏出力场景数，π_s为第s组光伏出力场景的概率；

为时段t的电力市场零售电价；Se_s,t为第s组光伏出力时段t的光储电站电力市场售电量，即为光储电站上网电量；B_s,t为第s组光伏出力时段t的光储电站电力市场购电量；

为购电电价，

为购电电价；

为储能系统由于充放电产生的度电成本，可以表示为：

其中，ε_c,ε_d为储能系统充放电的度电成本；

为储能系统第s组光伏出力时段t的充电功率，

为储能系统第s组光伏出力时段t的放电功率。

本发明的优点在于：

1、本发明中，基于第一数据，分别获取分布式光伏模型、储能系统模型；然后再获取光储电站协调优化模型；采用布谷鸟算法求解光储电站协调优化模型，使求解后的光储电站协调优化模型满足约束条件，从而实现低运行成本。

2、本发明中，储能可以快速地实现再功率的双向调节，是提高电网对可再生能源波动性承受能力的重要手段。因此，联合光伏电站和储能系统实现协同优化，可以实现光储电站的安全、稳定、高效运行。光伏-储能协同优化技术不改变每个分布式电源并网的方式，而是通过先进的控制、计量、通信等技术聚合分布式电源、储能系统、可控负荷等不同类型的分布式能源，并通过更高层面的软件构架实现多个分布式能源的协调优化运行，更有利于资源的合理优化配置及利用,提高分布式能源的利用率，实现配电网的主动管理，并通过集成更多的分布式电源、有效减少集中式发电厂数量，从而优化配电网和输电网的投资成本。

附图说明

图1为本发明提供的基于布谷鸟算法的光储电站协同优化方法的流程图；

图2为本发明示例性的园区内典型日曲线示意图；

图3为园区内典型日曲线示意图。

图4为本发明提供的基于布谷鸟算法的光储电站协同优化方法的光伏出力场景示意图；

图5为安徽省电网销售电价示意图；

图6为提供的基于布谷鸟算法的光储电站协同优化方法的光储系统优化前后交换功率示意图；

图7为提供的基于布谷鸟算法的光储电站协同优化方法的优化前后峰平谷用电量示意图；

图8为提供的基于布谷鸟算法的光储电站协同优化方法的优化前后峰平谷用电占比示意图；

图9为提供的基于布谷鸟算法的光储电站协同优化方法的光储电站与上级电网交易电量示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图1，图1为本发明提供的基于布谷鸟算法的光储电站协同优化方法的流程图；一种基于布谷鸟算法的光储电站协同优化方法，包括以下步骤：

S1、获取第一数据；

所述第一数据由采集终端采集，所述第一数据包括原始光储电站数据；原始光储电站数据包括：电价预测数据、光伏出力预测数据、储能系统参数、电站各聚合单元参数、配网参数等。

S2、基于所述第一数据，分别建立分布式光伏模型和储能系统模型；

S21、通过公式(1)建立分布式光伏模型；

其中，

式中，r和r_max为所设定的某一时段内的实际光照强度和它的最大值；μ为太阳光照强度平均值，σ为太阳光照强度的标准差；α与β表示Beta分布的形状参数，可以通过若干时间段内的μ和σ计算而得；f(r)为分布式光伏模型，Γ为伽马函数。

用户屋顶光伏总的输出功率P_V为：

P_V＝rη_vSN (2)；

其中N为光伏电池组件数，η_v为光伏电池组件的光电转换效率，S为光伏电池板的面积。

S22、通过公式(3)建立储能系统模型，包括：

C₁＝C_T＝0.2C_sto

其中

其中：C(t)为t时段ESS总电量；C(t-1)为t-1时刻ESS总电能；

P_t ^ch为t时段充电功率，P_t ^dis为t时段放电功率，P_max ^ch为最大充电功率，P_max ^dis为最大充电功率，B_t ^ch为充电状态(充电为“1”，未充电为“0”)，B_t ^dis为放电状态(放电为“1”，未放电为“0”)，C_t为t时段储电量，C₁、C_T、C_sto分别表示初时储电量、末时储电量以及额定储电量，0.2为荷电状态的最小值；S_soc(t)为t时刻ESS荷电状态。

本模型引入变量

和

分别表示充电和放电状态(1为“正在充/放电”，0为“未在充/放电”)公式(3)中的约束条件表明充放电不能同时进行，减少度电费用，并且充放电时应满足最大功率约束。

其中，自放电对模型的影响很小，所以该储能系统模型模型中忽略了自放电率对模型的影响。

S3、获取光储电站协调优化模型；

具体的，通过公式(4)获取光储电站协调优化模型；

其中，T为一天的总时段数，本实施例中以h为时间段，即24h；n_s为光伏出力场景数，π_s为第s组光伏出力场景的概率；

为时段t的电力市场零售电价；Se_s,t为第s组光伏出力时段t的光储电站电力市场售电量，即为光储电站上网电量；B_s,t为第s组光伏出力时段t的光储电站电力市场购电量；

为购电电价，

为购电电价。

为储能系统由于充放电产生的度电成本，可以表示为：

其中，ε_c,ε_d为储能系统充放电的度电成本；

为储能系统第s组光伏出力时段t的充电功率，

为储能系统第s组光伏出力时段t的放电功率。

S4、获取约束条件，包括：基于储能系统模型获取储能系统约束条件，并获取电力市场交易电量约束条件，基于分布式光伏模型获取分布式光伏模型光储电站功率平衡约束条件；

S41、基于步骤2中所获取的储能系统模型，获取储能系统约束条件如下：

且C_stoS_soc.min≤C_s,t≤C_stoS_soc.max

C_s,1＝C_s,T＝0.2C_sto

C_s,t表示s场景t时段的储电量，C_s,t-1表示s场景下t-1时段的储电量，

为s场景t时段充电功率，

为s场景t时段放电功率，η_ch为充电效率，η_dis为放电效率，

为最大充电功率，

为最大放电功率，

为s场景t时段充电状态(充电为“1”，未充电为“0”)，

为s场景t时段放电状态(放电为“1”，未放电为“0”)，C_s,1、C_s,T和C_sto为s场景初时储电量、末时储电量以及额定储电量。

实际情况下，除了储能系统模型约束外，还要综合考虑系统制造、系统寿命和系统安全的基础上，在运行过程中储能系统需满足储能系统约束条件。

S42、获取电力市场交易电量约束条件；

通过公式(8)建立电量约束条件，包括：

其中，Se^min，Se^max分别为向市场售电量最小和最大值；B^min，B^max分别为向市场购电量最小和最大值；Xs和Xb是整数变量，分别表示在日前市场中是否购买、销售电量(1为“是”，0为“非”)。

公式(8)考虑到电站与主网传输功率限制，所以后期计算结果会更加准确。

S43、基于步骤2所建立分布式光伏单元模型，获取光储电站功率平衡约束条件；

通过公式(9)光储电站协同优化需满足区域内的功率平衡约束，如下所示：

其中，g_s,t为t时段第s种场景下光伏电站出力，基于步骤2所建立分布式光伏单元模型，根据所在地区历史光照强度获得光伏单元出力P_V，Pv是用来求光伏出力g_s,t，接着通过蒙特卡洛模拟获得不同场景下光伏出力g_s,t；B_s,t为第s组光伏出力时段t的光储电站电力市场购电量，Se_s,t为第s组光伏出力时段t的光储电站电力市场售电量，

为区域内负荷，

为储能系统第s组光伏出力时段t的充电功率，

为储能系统第s组光伏出力时段t的放电功率。

S5、采用布谷鸟算法进行求解上述光储电站协调优化模型，即求解公式(4)，满足(5)～(9)的约束条件；

S51、使用公式(5)～(9)求解过程为将目标函数(4)(即光储电站协调优化模型)的若干组决策变量，设置抛弃概率Pa并从所述决策变量中挑选一组，通过局部随机行走算法更新变量值，更新后的变量值代入目标函数(4)；

S52、通过莱维随机行走确定变量更新的步长和方向，更新四组决策变量值，代入目标函数(4)计算对应的适应度，将结果与记录的适应度相比，若比记录的适应度大，则更新记录，否则不更新，即保留原有的决策变量值；

S53、重复步骤S51、步骤S52，不断迭代直至达到设置的迭代次数若干次后，输出得到的决策变量值，代入目标函数(4)得到最大利润。

布谷鸟算法的步骤如下所示

为了简化描述，通常假设若干个布谷鸟算法理想化规则如下所示：

1)每只布谷鸟每次随机选择一个巢，并产生一个卵。

2)具有最高质量卵的巢将被保留到下一代。

3)可寄生巢的数量是固定的，鸟巢被新鸟巢替换的抛弃概率是P_a，也即解决方案被新的随机解决方案替换的抛弃概率是P_a。

假设待优化问题的维数是N(由问题性质决定维数)；鸟巢数量是n；当前迭代次数是k。鸟巢i(1<i<n)的位置向量X_i定义为：Xi＝{X_i1，X_i2，…，X_iN}。在布谷鸟搜索算法中，N维空间中布置了n个鸟巢，代表待优化问题的可行解。一只布谷鸟不断改变其寻巢路径寻找鸟巢，当前布谷鸟所寻得的鸟巢的位置或者说欲放入该鸟巢中的卵的位置代表问题的新解。至此可定义布谷鸟算法的寻巢路径和位置更新公式如下：

式中：X_i ^t、X_i ^t+1分别为鸟巢i在第t次和第t+1次迭代的位置向量；α为一个步长大于0的常数，在大多数情况下取α＝1；

为点对点乘法；Levy(λ)为莱维连续跳跃路径。

对Levy分布函数进行了傅里叶变换，简化后得到其幂次形式的概率密度函数：

Levy(λ)～μ＝t^-λ(1<λ≤3) (11)

式中：λ为幂次系数。

莱维飞行的随机行走可以令算法更有效率地探索可搜索空间：一方面可以加快局部搜索，通过莱维飞行在当前获得的最优解周围产生某些新的解；另一方面，莱维飞行随机产生大部分远离当前最优解的新解，确保了算法免于陷入局部最优解。

为了更方便的理解本发明，参与图3-如8，图3为园区内典型日曲线示意图，图4为本发明提供的基于布谷鸟算法的光储电站协同优化方法的光伏出力场景示意图；图5为安徽省电网销售电价示意图；图6为提供的基于布谷鸟算法的光储电站协同优化方法的光储系统优化前后交换功率示意图；图7为提供的基于布谷鸟算法的光储电站协同优化方法的优化前后峰平谷用电量示意图；图8为提供的基于布谷鸟算法的光储电站协同优化方法的优化前后峰平谷用电占比示意图；图9为提供的基于布谷鸟算法的光储电站协同优化方法的光储电站与上级电网交易电量示意图；

本实例为以某一个总部产业园(为阳光电源总部产业园)，园区总占地面积8.4万平方米，园区现有建筑物10栋，总建筑物14万平方米，建筑占地面积4万平方米。

合肥市供电局220KV竹溪变以35kV电压专用线向习友路园区总降变电所两台变压器供电，两台35KV/10KV变压器一台(6300KVA)运行，另一台(10000KVA)备用，再经10KV/400V变压器降压后向园区内设备供电。截止2019年6月份建成光伏电站规模3.4MW，平均建设成本6.26元/W。2018年园区内光伏发电量约374万kWh，市电用电量为1048.047万度，市电峰值负荷为3.8MW，产业园内市电峰平谷用电比例分别为42.49％、32.11％、25.39％；园区内典型日曲线如图3所示。

本实例采用随机规划法处理光伏出力的不确定性，在光伏出力预测值波动范围内采用蒙特卡罗模拟法随机生成1000组场景，并采用基于概率距离的快速前代方法进行削减得到5组场景。光伏出力场景如图4所示。市场电价采用安徽省电网销售电价(自2019年5月起执行)，具体参数见图5。

储能电站完成投资480万元，建成储能电站规模1.5MWh，平均建设成本3.2元/Wh，所用的电池类型为SDI 94Ah(E2)电池；储能电站已400V电压等级分别接入研发中心和员工发展中心配电房内。充电桩完成投资7万元，安装充电桩8台，其中直流充电桩2台，交流充电桩6台。储能各数据如表1所示：

表1储能系统参数

表2给出了采用布谷鸟算法求解光储电站协同优化模型的计算结果。根据采集的电价预测数据、光伏处理预测数据、储能系统参数建立分布式光伏单元和储能系统单元的数学模型，结合电力市场交易约束以及网络约束建立光储电站协调优化模型。搭建好模型后在Matlab中用布谷鸟算法寻找优化模型最优解并计算程序运行时间，与采用非线性优化求解器运行时间进行对比。由表2可以看出，本发明所提出的方法的计算时间大为减少。

表2模型优化结果

图6～8分别给出了光储系统优化前后交换功率、峰平谷用电量和用电占比。从图6可以看出，相比较优化前，在电价较低时(0:00～9:00，21:00-23:00)，光储电站在进行协同优化后，光储电站选择从电网购买更多的电量储存在储能系统中；而在电价较高时(8:00～11:00，17:00-20:00)，光储电站选择购买较少的电量来避免更大的经济支出，储能系统开始放电，和光伏系统以及电网一起满足区域负荷。从图7、8中可以看出，优化后，高峰时段用电量明显降低，减少的用电量被平移至低谷时期，因此低谷时期的用电量有所上升，验证了光储电站协同优化具有削峰填谷，缩小峰谷差，平抑电网波动的作用。

图9给出了光储电站与上级电网交易电量结果。从图9可以看出，在电价明显升高时，园区购电量有明显减少，当电价降低时，购电量有明显的上升趋势，提高了经济效益，同样起到了削峰填谷的作用。

具体的，目标函数(4)的决策变量分别为电力市场的售电量、购电量、储能系统的充电功率、放电功率，约束(5)～(9)划定四个决策变量的可行域。布谷鸟算法求解上述光储电站协调优化模型步骤如下所示：

1)在可行域范围内随机生成四组决策变量值，代入目标函数(4)中求各组变量的适应度，从中挑出最大值并记录。抛弃概率Pa设置为0.25，即从四组变量中选出一组变量，通过局部随机行走算法(原变量加上一个随机数)更新变量值，将这组新的变量值带入目标函数(4)得到相应适应度。

2)莱维飞行设置λ＝1.5，通过莱维随机行走确定变量更新的步长和方向，更新四组决策变量值，代入目标函数(4)计算对应的适应度，将结果与记录的适应度相比，若比记录的适应度大，则更新记录，否则不更新，即保留原有的决策变量值，重复上述两个步骤，不断迭代直至达到设置的迭代次数50次为止。输出得到的决策变量值，带入(4)得到光储电站最大利润45228.59元。

实施例2

参见图2，一种基于布谷鸟算法的光储电站协同优化装置，包括：

第一获取模块，用于获取第一数据；还用于：

所述第一数据由采集终端采集，所述第一数据包括原始光储电站数据；原始光储电站数据包括：电价预测数据、光伏出力预测数据、储能系统参数、电站各聚合单元参数、配网参数。

第二获取模块，用于基于所述第一数据，分别获取分布式光伏模型、储能系统模型；获取分布式光伏模型包括：

S21、通过公式(1)建立分布式光伏模型；

其中，

式中，r和r_max为所设定的某一时段内的实际光照强度和它的最大值；μ为太阳光照强度平均值，σ为太阳光照强度的标准差；α与β表示Beta分布的形状参数，可以通过若干时间段内的μ和σ计算而得；f(r)为分布式光伏模型，Γ为伽马函数；

用户屋顶光伏总的输出功率P_V为：

P_V＝rη_vSN (2)；

其中N为光伏电池组件数，η_v为光伏电池组件的光电转换效率，S为光伏电池板的面积；

获取储能系统模型包括：

C₁＝C_T＝0.2C_sto

其中

其中：C(t)为t时段ESS总电量；C(t-1)为t-1时刻ESS总电能；

P_t ^ch为t时段充电功率，P_t ^dis为t时段放电功率，P_max ^ch为最大充电功率，P_max ^dis为最大充电功率，B_t ^ch为充电状态(充电为“1”，未充电为“0”)，B_t ^dis为放电状态(放电为“1”，未放电为“0”)，C_t为t时段储电量，C₁、C_T、C_sto分别表示初时储电量、末时储电量以及额定储电量，0.2为荷电状态的最小值；S_soc(t)为t时刻ESS荷电状态。

建模模块，用于获取模块、用于获取光储电站协调优化模型；还用于：

通过公式(4)获取光储电站协调优化模型；

其中，T为一天的总时段数；n_s为光伏出力场景数，π_s为第s组光伏出力场景的概率；

为时段t的电力市场零售电价；Se_s,t为第s组光伏出力时段t的光储电站电力市场售电量，即为光储电站上网电量；B_s,t为第s组光伏出力时段t的光储电站电力市场购电量；

为购电电价，

为购电电价；

为储能系统由于充放电产生的度电成本，可以表示为：

其中，ε_c,ε_d为储能系统充放电的度电成本；

为储能系统第s组光伏出力时段t的充电功率，

为储能系统第s组光伏出力时段t的放电功率。

约束模块，用于获取约束条件，包括：基于储能系统模型获取储能系统约束条件，并获取电力市场交易电量约束条件，基于分布式光伏模型获取分布式光伏模型光储电站功率平衡约束条件；

述基于储能系统模型获取储能系统约束条件包括：

基于步骤2中所获取的储能系统模型，获取储能系统约束条件如下：

且C_stoS_soc.min≤C_s,t≤C_stoS_soc.max

C_s,1＝C_s,T＝0.2C_sto

C_s,t表示s场景t时段的储电量，C_s,t-1表示s场景下t-1时段的储电量，

为s场景t时段充电功率，

为s场景t时段放电功率，η_ch为充电效率，η_dis为放电效率，

为最大充电功率，

为最大放电功率，

为s场景t时段充电状态(充电为“1”，未充电为“0”)，

为s场景t时段放电状态(放电为“1”，未放电为“0”)，C_s,1、C_s,T和C_sto为s场景初时储电量、末时储电量以及额定储电量。

获取电力市场交易电量约束条件包括：

通过公式(8)建立电量约束条件，包括：

其中，Se^min，Se^max分别为向市场售电量最小和最大值；B^min，B^max分别为向市场购电量最小和最大值；Xs和Xb是整数变量，分别表示在日前市场中是否购买、销售电量；

获取光储电站功率平衡约束条件包括：

通过公式(9)光储电站协同优化需满足区域内的功率平衡约束，如下所示：

其中，g_s,t为t时段第s种场景下光伏电站出力，基于步骤2所建立分布式光伏单元模型，根据所在地区历史光照强度获得光伏单元出力P_V，接着通过蒙特卡洛模拟获得不同场景下光伏出力g_s,t；B_s,t为第s组光伏出力时段t的光储电站电力市场购电量，Se_s,t为第s组光伏出力时段t的光储电站电力市场售电量，

为区域内负荷，

为储能系统第s组光伏出力时段t的充电功率，

为储能系统第s组光伏出力时段t的放电功率。

求解模块，用于采用布谷鸟算法求解所述光储电站协调优化模型，使求解后的所述光储电站协调优化模型满足所述约束条件以降低运行成本。还用于：

S51、使用公式(5)～(9)求解过程为将目标函数(4)(即光储电站协调优化模型)的若干组决策变量，设置抛弃概率Pa并从所述决策变量中挑选一组，通过局部随机行走算法更新变量值，更新后的变量值代入目标函数(4)；

S52、通过莱维随机行走确定变量更新的步长和方向，更新四组决策变量值，代入目标函数(4)计算对应的适应度，将结果与记录的适应度相比，若比记录的适应度大，则更新记录，否则不更新，即保留原有的决策变量值；

S53、重复步骤S51、步骤S52，不断迭代直至达到设置的迭代次数若干次后，输出得到的决策变量值，代入目标函数(4)得到最大利润。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于布谷鸟算法的光储电站协同优化方法，其特征在于，包括以下步骤：

S1、获取第一数据，所述第一数据由采集终端采集，所述第一数据包括原始光储电站数据；原始光储电站数据包括：电价预测数据、光伏出力预测数据、储能系统参数、电站各聚合单元参数、配网参数；

S2、基于所述第一数据，分别获取分布式光伏模型、储能系统模型；

S3、获取光储电站协调优化模型；

S4、获取约束条件，包括：基于储能系统模型获取储能系统约束条件，获取电力市场交易电量约束条件，并基于分布式光伏模型获取分布式光伏模型光储电站功率平衡约束条件；

S5、采用布谷鸟算法求解所述光储电站协调优化模型，使求解后的所述光储电站协调优化模型满足所述约束条件；

其中，获取储能系统模型包括：

通过公式(3)建立储能系统模型，包括：

C₁＝C_T＝0.2C_sto

其中

其中：C_t为t时段ESS总电量；C_t-1为t-1时刻ESS总电能；

P_t ^ch为t时段充电功率，P_t ^dis为t时段放电功率，P_max ^ch为最大充电功率，P_max ^dis为最大充电功率，B_t ^ch为充电状态，B_t ^dis为放电状态，C_t为t时段储电量，C₁、C_T、C_sto分别表示初时储电量、末时储电量以及额定储电量，0.2为荷电状态的最小值；S_soc(t)为t时刻ESS荷电状态，E(t)为t时刻ESS内剩余容量，E_N为ESS完全充电状态的容量；

所述步骤S3包括；

通过公式(4)获取光储电站协调优化模型；

其中，T为一天的总时段数；n_s为光伏出力场景数，π_s为第s组光伏出力场景的概率；

为时段t的电力市场零售电价；Se_s,t为第s组光伏出力时段t的光储电站电力市场售电量，即为光储电站上网电量；B_s,t为第s组光伏出力时段t的光储电站电力市场购电量；

为购电电价；

为储能系统由于充放电产生的度电成本，可以表示为：

其中，ε_c,ε_d为储能系统充放电的度电成本；

为储能系统第s组光伏出力时段t的充电功率，

为储能系统第s组光伏出力时段t的放电功率；

所述基于储能系统模型获取储能系统约束条件包括：

基于步骤2中所获取的储能系统模型，获取储能系统约束条件如下：

且C_stoS_soc.min≤C_s,t≤C_stoS_soc.max

C_s,1＝C_s,T＝0.2C_sto

C_s,t表示s场景t时段的储电量，C_s,t-1表示s场景下t-1时段的储电量，

为s场景t时段充电功率，

为s场景t时段放电功率，η_ch为充电效率，η_dis为放电效率，

为最大充电功率，

为最大放电功率，

为s场景t时段充电状态，

为s场景t时段放电状态，C_s,1、C_s,T和C_sto为s场景初时储电量、末时储电量以及额定储电量；

获取电力市场交易电量约束条件包括：

通过公式(8)建立电量约束条件，包括：

其中，Se^min，Se^max分别为向市场售电量最小和最大值；B^min，B^max分别为向市场购电量最小和最大值；Xs和Xb是整数变量，分别表示在日前市场中是否购买、销售电量；

获取光储电站功率平衡约束条件包括：

通过公式(9)光储电站协同优化需满足区域内的功率平衡约束，如下所示：

其中，g_s,t为t时段第s种场景下光伏电站出力，基于步骤2所建立分布式光伏单元模型，根据所在地区历史光照强度获得光伏单元出力P_V，接着通过蒙特卡洛模拟获得不同场景下光伏出力g_s,t；B_s,t为第s组光伏出力时段t的光储电站电力市场购电量，Se_s,t为第s组光伏出力时段t的光储电站电力市场售电量，

为区域内负荷，

为储能系统第s组光伏出力时段t的充电功率，

为储能系统第s组光伏出力时段t的放电功率。

2.根据权利要求1所述的基于布谷鸟算法的光储电站协同优化方法，其特征在于，获取分布式光伏模型包括：

S21、通过公式(1)建立分布式光伏模型；

其中，

式中，r和r_max为所设定的某一时段内的实际光照强度和它的最大值；μ为太阳光照强度平均值，σ为太阳光照强度的标准差；α与β表示Beta分布的形状参数，可以通过若干时间段内的μ和σ计算而得；f(r)为分布式光伏模型，Γ为伽马函数；

用户屋顶光伏总的输出功率P_V为：

P_V＝rη_vSN (2)；

其中N为光伏电池组件数，η_v为光伏电池组件的光电转换效率，S为光伏电池板的面积。

3.根据权利要求1所述的基于布谷鸟算法的光储电站协同优化方法，其特征在于，所述步骤S5包括：

S51、使用公式(5)～(9)求解过程为将公式(4)的若干组决策变量，设置抛弃概率Pa并从所述决策变量中挑选一组，通过局部随机行走算法更新变量值，更新后的变量值代入公式(4)；

S52、通过莱维随机行走确定变量更新的步长和方向，更新四组决策变量值，代入公式(4)计算对应的适应度，将结果与记录的适应度相比，若比记录的适应度大，则更新记录，否则不更新，即保留原有的决策变量值；

S53、重复步骤S51、步骤S52，不断迭代直至达到设置的迭代次数若干次后，输出得到的决策变量值，代入公式(4)得到最大利润。

4.一种基于布谷鸟算法的光储电站协同优化装置，其特征在于，包括：

第一获取模块，用于获取第一数据，所述第一数据由采集终端采集，所述第一数据包括原始光储电站数据；原始光储电站数据包括：电价预测数据、光伏出力预测数据、储能系统参数、电站各聚合单元参数、配网参数；

第二获取模块，用于基于所述第一数据，分别获取分布式光伏模型、储能系统模型；

建模模块，用于获取光储电站协调优化模型；

约束模块，用于获取约束条件，包括：基于储能系统模型获取储能系统约束条件，并获取电力市场交易电量约束条件，基于分布式光伏模型获取分布式光伏模型光储电站功率平衡约束条件；

求解模块，用于采用布谷鸟算法求解所述光储电站协调优化模型，使求解后的所述光储电站协调优化模型满足所述约束条件以降低运行成本；

获取储能系统模型包括：

通过公式(3)建立储能系统模型，包括：

C₁＝C_T＝0.2C_sto

其中

其中：C_t为t时段ESS总电量；C_t-1为t-1时刻ESS总电能；

P_t ^ch为t时段充电功率，P_t ^dis为t时段放电功率，P_max ^ch为最大充电功率，P_max ^dis为最大充电功率，B_t ^ch为充电状态，B_t ^dis为放电状态，C_t为t时段储电量，C₁、C_T、C_sto分别表示初时储电量、末时储电量以及额定储电量，0.2为荷电状态的最小值；S_soc(t)为t时刻ESS荷电状态，E(t)为t时刻ESS内剩余容量，E_N为ESS完全充电状态的容量；

获取光储电站协调优化模型包括：

通过公式(4)获取光储电站协调优化模型；

其中，T为一天的总时段数；n_s为光伏出力场景数，π_s为第s组光伏出力场景的概率；

为时段t的电力市场零售电价；Se_s,t为第s组光伏出力时段t的光储电站电力市场售电量，即为光储电站上网电量；B_s,t为第s组光伏出力时段t的光储电站电力市场购电量；

为购电电价；

为储能系统由于充放电产生的度电成本，可以表示为：

其中，ε_c,ε_d为储能系统充放电的度电成本；

为储能系统第s组光伏出力时段t的充电功率，

为储能系统第s组光伏出力时段t的放电功率；

基于所述储能系统模型获取储能系统约束条件包括：

且C_stoS_soc.min≤C_s,t≤C_stoS_soc.max

C_s,1＝C_s,T＝0.2C_sto

C_s,t表示s场景t时段的储电量，C_s,t-1表示s场景下t-1时段的储电量，

为s场景t时段充电功率，

为s场景t时段放电功率，η_ch为充电效率，η_dis为放电效率，

为最大充电功率，

为最大放电功率，

为s场景t时段充电状态，

为s场景t时段放电状态，C_s,1、C_s,T和C_sto为s场景初时储电量、末时储电量以及额定储电量；

获取电力市场交易电量约束条件包括：

通过公式(8)建立电量约束条件，包括：

其中，Se^min，Se^max分别为向市场售电量最小和最大值；B^min，B^max分别为向市场购电量最小和最大值；Xs和Xb是整数变量，分别表示在日前市场中是否购买、销售电量；

获取光储电站功率平衡约束条件包括：

通过公式(9)光储电站协同优化需满足区域内的功率平衡约束，如下所示：

其中，g_s,t为t时段第s种场景下光伏电站出力，基于所建立分布式光伏单元模型，根据所在地区历史光照强度获得光伏单元出力P_V，接着通过蒙特卡洛模拟获得不同场景下光伏出力g_s,t；B_s,t为第s组光伏出力时段t的光储电站电力市场购电量，Se_s,t为第s组光伏出力时段t的光储电站电力市场售电量，

为区域内负荷，

为储能系统第s组光伏出力时段t的充电功率，

为储能系统第s组光伏出力时段t的放电功率。

5.根据权利要求4所述的基于布谷鸟算法的光储电站协同优化装置，其特征在于，获取分布式光伏模型包括：

通过公式(1)建立分布式光伏模型；

其中，

式中，r和r_max为所设定的某一时段内的实际光照强度和它的最大值；μ为太阳光照强度平均值，σ为太阳光照强度的标准差；α与β表示Beta分布的形状参数，可以通过若干时间段内的μ和σ计算而得；f(r)为分布式光伏模型，Γ为伽马函数；

用户屋顶光伏总的输出功率P_V为：

P_V＝rη_vSN (2)；

其中N为光伏电池组件数，η_v为光伏电池组件的光电转换效率，S为光伏电池板的面积。

Images