发明内容:
考虑到电池储能系统实际工程集成时表现出来的离散性,本发明借鉴遗传算法的思想,将其融入到电池选型以及容量配置的过程中进行整数优化,在保证储能系统控制性能的基础上,以储能系统每日成本最低为目标选择电池单体种类以及该种电池单体的集成数量,储能系统额定容量为所选电池单体种类所决定的最小单元容量与集成数量的乘积,从而实现使得储能系统每日成本最低的最优容量配置,对储能系统的研究推广具有重要意义和应用价值。本发明采用的技术方案为:
一种提升风电平滑的储能系统配置方法,包括如下步骤:
步骤1:通过K均值聚类的方法提取三个典型风电功率波动场景;
步骤2:在三个典型风电功率波动场景下,建立风储系统模型,以储能系统的功率损耗最低为目标,通过粒子群算法得出储能系统的最优功率;
步骤3:将储能系统的最优功率用于建立储能系统全寿命周期成本模型,得出储能系统每日成本的函数;包括如下步骤:
步骤3.1:将步骤2得出的三个典型风电功率波动场景下最优储能功率考虑在内,建立储能系统全寿命周期成本模型:
储能系统的初始购置成本Cc为:Cc=CP×Pe+CQ×Qe,
储能系统的运维成本Cy为:Cy=CPy×Pe+CQy×Qe,CPy为储能系统单位功率运维造价,CQy为储能系统单位容量运维造价,
资金回收系数B
y为:
r为贴现率,Y为储能系统的运行年限,
通过电池类型可知总的循环寿命,再由功率损耗可知等效的每日循环寿命,如用雨流计数法,用总的循环寿命除每日的循环寿命得出的值再除365,便可得到储能系统使用寿命年限;
储能系统全寿命周期成本模型的约束条件要满足步骤2建立的风储系统模型的约束:
Pg(t)=Pw(t)+PB(t),
SOE(t+1)=SOE(t)+PB(t)×Δt×η÷Qe,
其中,Pg(t)为第t时刻的并网点目标功率,Pw(t)为第t时刻的风电场原始输出功率,PB(t)为第t时刻的储能系统的功率,SOE(t)为第t时刻的储能系统能量状态,Δt为采样时间,η为储能系统充放电效率,Qe为储能系统额定容量,
储能系统能量状态的限制:SOEL≤SOE(t)≤SOEU,
储能系统功率的限制:-Pe≤PB(t)≤Pe,Pe为储能系统额定功率,
风储系统并网点功率波动的限制:ΔPg(t)≤δ,ΔPg(t)为风储系统并网点功率波动,δ为风储系统并网点功率波动要求,
储能系统初始购置成本的限制:CPPe+CQQe≤A,Qe为储能系统额定容量,CP为储能系统单位功率造价,CQ为储能系统单位容量造价,A为储能系统初始购置成本上限,
储能系统建设场地的限制:V≤Vm,V所建储能系统体积的总和,Vm为储能系统建设场地物理环境上限,
每日初始时段储能系统能量状态与结束时段储能系统能量状态相同:SOE(Ts)=SOE(Te),SOE(Ts)为每日初始时刻储能系统能量状态,SOE(Te)为每日结束时刻储能系统能量状态;
步骤3.2:根据步骤3.1建立的储能系统全寿命周期成本模型,得出关于储能系统每日成本的函数:
C=(Cc×By+Cy)÷365;
步骤4:建立基于遗传算法的电池选型及容量配置模型,以储能系统每日成本最低为目标,选择电池单体种类以及该种电池单体的集成数量,进而实现储能系统最优容量配置;包括如下具体过程:
步骤4.1:根据步骤3得出的关于储能系统每日成本的函数,以储能系统每日成本最低为目标,建立基于遗传算法的电池选型及容量配置模型;
遗传算法的目标函数f2:
f2=min[(Cc×By+Cy)÷365]
基于遗传算法的电池选型及容量配置模型的约束条件要满足步骤2建立的风储系统模型的约束:
Pg(t)=Pw(t)+PB(t),
SOE(t+1)=SOE(t)+PB(t)×Δt×η÷Qe,
其中,Pg(t)为第t时刻的并网点目标功率,Pw(t)为第t时刻的风电场原始输出功率,PB(t)为第t时刻的储能系统的功率,SOE(t)为第t时刻的储能系统能量状态,Δt为采样时间,η为储能系统充放电效率,Qe为储能系统额定容量,
储能系统能量状态的限制:SOEL≤SOE(t)≤SOEU,
储能系统功率的限制:-Pe≤PB(t)≤Pe,Pe为储能系统额定功率,
风储系统并网点功率波动的限制:ΔPg(t)≤δ,ΔPg(t)为风储系统并网点功率波动,δ为风储系统并网点功率波动要求,
储能系统初始购置成本的限制:CPPe+CQQe≤A,Qe为储能系统额定容量,CP为储能系统单位功率造价,CQ为储能系统单位容量造价,A为储能系统初始购置成本上限,
储能系统建设场地的限制:V≤Vm,V所建储能系统体积的总和,Vm为储能系统建设场地物理环境上限,
每日初始时段储能系统能量状态与结束时段储能系统能量状态相同:SOE(Ts)=SOE(Te),SOE(Ts)为每日初始时刻储能系统能量状态,SOE(Te)为每日结束时刻储能系统能量状态;
步骤4.2:初始化交叉率P
c、变异率P
m以及最大迭代次数G,同时设置电池单体种类以及该种电池单体的集成数量,定义电池单体种类以及该种电池单体的集成数量所对应的二进制编码串的形式和数量,如图4所示,在第g次迭代中,二进制编码串为
编码串长度等于编码位数n,
到
之间的二进制编码位对应电池单体种类,其取值为零到电池单体种类的种数K-1的任意整数,1≤p≤n-1,电池单体种类包括电池类型、电池单体体积、电池单体容量和电池单体功率,例如两种电池,则可以由1个二进制编码位表示,其中编码位为0表示单体占地为2m
2、2Ah、3kW的磷酸铁锂电池,编码位1表示单体占地为0.5m
2、0.5Ah、1kW的三元电池,
到
之间的二进制编码位对应
到
之间的二进制编码位所对应的电池单体种类的集成数量,其取值为零到2
n-p-1,初始随机生成M个电池单体种类以及该种电池单体的集成数量所对应的二进制编码串
步骤4.3:对步骤4.2中随机生成的M个初始二进制编码串进行判断,根据二进制编码位数值选择对应的电池单体种类以及该种电池单体的集成数量,储能系统额定容量Qe为所选电池单体种类所决定的最小单元容量与该种电池单体的集成数量的乘积,储能系统额定功率Pe为所选电池单体种类所决定的最小单元功率与该种电池单体的集成数量的乘积,代入步骤4.1所建立的基于遗传算法的电池选型及容量配置模型的约束条件,判断是否满足约束条件,然后去掉不满足约束条件的二进制编码串并再次随机产生与去掉的二进制编码串数目相同的二进制编码串,直到M个二进制编码串全部判断满足遗传算法的电池选型及容量配置模型的约束条件为止,初始化迭代次数为0,即g=0;
步骤4.4:在步骤4.3中得到M个全部满足遗传算法的电池选型及容量配置模型的约束条件的二进制编码串后,根据二进制编码位数值选择对应的电池单体种类以及该种电池单体的集成数量,储能系统额定容量Q
e为所选电池单体种类所决定的最小单元容量与该种电池单体的集成数量的乘积,储能系统额定功率P
e为所选电池单体种类所决定的最小单元功率与该种电池单体的集成数量的乘积,代入遗传算法的目标函数f
2=min[(C
c×B
y+C
y)÷365],计算M
2个二进制编码串对应的目标函数值,若
则对应电池单体种类的二进制编码串大于的部分默认对应第零种电池单体;
步骤4.5:根据当前全部满足步骤4.1所建立的基于遗传算法的电池选型及容量配置模型的约束条件的二进制编码串对应的目标函数值,对各个二进制编码串的二进制编码位数值进行选择运算、交叉运算、变异运算,若产生新的二进制编码串,则对新产生的二进制编码串进行判断,去掉不满足遗传算法的电池选型及容量配置模型的约束条件的二进制编码串并再次通过相应运算补充与去掉的二进制编码串数目相同的新的二进制编码串,直到二进制编码串全部判断满足遗传算法的电池选型及容量配置模型的约束条件为止,迭代次数增加1,即g=g+1;
步骤4.6:判断当前迭代次数是否达到最大迭代次数G,若是,则计算结束,将最后一代二进制编码串中对应的遗传算法的目标函数最低的二进制编码串中所对应的电池单体种类以及该种电池单体的集成数量作为最终结果,通过储能系统额定容量Qe为所选电池单体种类所决定的最小单元容量与该种电池单体的集成数量的乘积,从而确定了某个典型风电功率波动场景下储能系统最优容量配置,否则回到步骤4.4;
步骤4.7:将步骤4.1到步骤4.6用于步骤1提取的三个典型风电功率波动场景,得到在各个典型风电功率波动场景下的电池单体种类以及该种电池单体的集成数量并代入步骤3得到的储能系统每日成本的函数f2=min[(Cc×By+Cy)÷365]进行比较,最终选取成本最低的电池选型以及容量配置。
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,借鉴遗传演化过程中的编码、选择、交叉以及变异思想,将全局最优过程与电池选型以及容量配置问题相结合。通过二进制编码可实现电池单体种类以及该种电池单体的集成数量的外在描述,通过选择、交叉和变异的迭代过程实现了成本最低的目的。相比于已有的提升风电平滑的储能系统控制与配置方法,本发明专利综合考虑储能系统运行性能和经济性以及工程实际应用中集成时的不连续性,可借鉴遗传算法的思想用于工程上选取电池单体种类以及该种电池单体的集成数量,进行整数优化,储能系统额定容量为所选电池单体所决定的最小单元容量与数量的乘积,从而实现使得成本最低的储能系统的最优容量配置,有利于储能系统的研究推广。
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。
一种提升风电平滑的储能系统配置方法,包括如下步骤:
步骤1:通过K均值聚类的方法提取三个典型风电功率波动场景;这里所述的三种典型风电功率是指弱风、中风、强风这三种典型风电功率波动;包括如下过程:
步骤1.1:获得m天风电波动功率数据,每日每隔Δt时段采样一次风电波动功率值,得到每日风电功率波动曲线;
步骤1.2:采用K均值聚类的方法,样本集中存放m个向量,每个向量都代表着每日每t时刻风电功率波动值,确定最终聚类的簇值为3,将m天风电功率波动曲线分为三类,确定最大的计算质心迭代次数为R次,通过聚类得到三类典型风电功率波动曲线,即提取三个典型风电功率波动场景;
步骤2:在三个典型风电功率波动场景下,建立风储系统模型,以储能系统的功率损耗最低为目标,通过粒子群算法得出储能系统的最优功率;包括如下过程:
步骤2.1:根据风储系统的功率以及能量状态建立风储系统模型:
Pg(t)=Pw(t)+PB(t),SOE(t+1)=SOE(t)+PB(t)×Δt×η÷Qe
其中,Pg(t)为第t时刻的并网点目标功率,Pw(t)为第t时刻的风电场原始输出功率,PB(t)为第t时刻的储能系统的功率,SOE(t)为第t时刻的储能系统能量状态,Δt为采样时间,η为储能系统充放电效率,Qe为储能系统额定容量,
储能系统能量状态的限制:SOEL≤SOE(t)≤SOEU,
储能系统功率的限制:-Pe≤PB(t)≤Pe,
风储系统并网点功率波动的限制:ΔPg(t)≤δ,
储能系统初始购置成本的限制:CPPe+CQQe≤A,
储能系统建设场地的限制:V≤Vm,
每日初始时段储能系统能量状态与结束时段储能系统能量状态相同:SOE(Ts)=SOE(Te),
Pe为储能系统额定功率,Qe为储能系统额定容量,ΔPg(t)为风储系统并网点功率波动,δ为风储系统并网点功率波动要求,CP为储能系统单位功率造价,CQ为储能系统单位容量造价,A为储能系统初始购置成本上限,V所建储能系统体积的总和,Vm为储能系统建设场地上限,SOE(Ts)为每日初始时刻储能系统能量状态,SOE(Te)为每日结束时刻储能系统能量状态;
步骤2.2:根据步骤2.1建立的风储系统模型,以储能系统的功率损耗最低为目标,通过粒子群算法得出储能系统的最优功率;包括如下过程:
步骤2.2.1:在步骤1提取的三个典型风电功率波动场景下,根据步骤2.1建立的风储系统模型,得出以功率损耗最低为目标的函数,作为粒子群算法的目标函数f
1:
Ts为每日采样的最初一个t时刻,Te为每日采样的最后一个t时刻;
步骤2.2.2:初始化粒子群,设定学习因子C
1和C
2、种群数量S、迭代次数N、惯性权重w,初始化种群的速度和位置,第d维度位置矢量代表第d时刻的储能系统的功率,第d维度速度矢量代表第d时刻的储能系统的功率的改变量,粒子位置限制:
为粒子i在第j次迭代中第d维的位置,x
min为位置的最小值,对应-P
e,x
max为位置的最大值,对应P
e,
为粒子i在第j次迭代中第d维的速度,v
min为速度的最小值,v
max为速度的最大值,
步骤2.2.3:判断初始粒子是否满足步骤2.1建立的风储系统模型的约束,然后去掉不满足风储系统模型的约束的粒子并再次随机产生与去掉的粒子数目相同的粒子,直到S个粒子全部判断满足风储系统模型的约束为止,再然后确定粒子的个体极值点和全局极值点,初始化迭代次数为0,即n=0;
步骤2.2.4:对粒子群按如下公式进行速度更新,
为粒子i在第d维的个体极值点的位置,
为整个种群在第d维的全局极值点的位置,r
1、r
2为0-1的随机数,
按如下公式进行位置更新,
更新后判断各个粒子是否满足步骤2.1建立的风储系统模型的约束,然后去掉不满足风储系统模型约束的粒子并再次随机产生与去掉的粒子数目相同的粒子,直到S个粒子全部判断满足风储系统模型的约束为止,然后更新粒子的个体极值点和全局极值点,迭代次数加一,即n=n+1,
步骤2.2.5:判断当前迭代次数是否达到最大迭代次数N,若是,则计算结束,将种群的全局极值点作为最终结果,从而确定了储能系统的最优功率,否则回到步骤2.2.4;
步骤3:将储能系统的最优功率用于建立储能系统全寿命周期成本模型,得出储能系统每日成本的函数;包括如下步骤:
步骤3.1:将步骤2得出的三个典型风电功率波动场景下最优储能功率考虑在内,建立储能系统全寿命周期成本模型:
储能系统的初始购置成本Cc为:Cc=CP×Pe+CQ×Qe,
储能系统的运维成本Cy为:Cy=CPy×Pe+CQy×Qe,CPy为储能系统单位功率运维造价,CQy为储能系统单位容量运维造价,
资金回收系数B
y为:
r为贴现率,Y为储能系统的运行年限,
通过电池类型可知总的循环寿命,再由功率损耗可知等效的每日循环寿命,如用雨流计数法,用总的循环寿命除每日的循环寿命得出的值再除365,便可得到储能系统使用寿命年限;
储能系统全寿命周期成本模型的约束条件要满足步骤2建立的风储系统模型的约束:
Pg(t)=Pw(t)+PB(t),
SOE(t+1)=SOE(t)+PB(t)×Δt×η÷Qe,
其中,Pg(t)为第t时刻的并网点目标功率,Pw(t)为第t时刻的风电场原始输出功率,PB(t)为第t时刻的储能系统的功率,SOE(t)为第t时刻的储能系统能量状态,Δt为采样时间,η为储能系统充放电效率,Qe为储能系统额定容量,
储能系统能量状态的限制:SOEL≤SOE(t)≤SOEU,
储能系统功率的限制:-Pe≤PB(t)≤Pe,
风储系统并网点功率波动的限制:ΔPg(t)≤δ,
储能系统初始购置成本的限制:CPPe+CQQe≤A,
储能系统建设场地的限制:V≤Vm,
每日初始时段储能系统能量状态与结束时段储能系统能量状态相同:SOE(Ts)=SOE(Te),
步骤3.2:根据步骤3.1建立的储能系统全寿命周期成本模型,得出关于储能系统每日成本的函数:
C=(Cc×By+Cy)÷365;
步骤4:建立基于遗传算法的电池选型及容量配置模型,以储能系统每日成本最低为目标,选择电池单体种类以及该种电池单体的集成数量,进而实现储能系统最优容量配置;包括如下具体过程:
步骤4.1:根据步骤3得出的关于储能系统每日成本的函数,以储能系统每日成本最低为目标,建立基于遗传算法的电池选型及容量配置模型;
遗传算法的目标函数f2:
f2=min[(Cc×By+Cy)÷365]
基于遗传算法的电池选型及容量配置模型的约束条件要满足步骤2建立的风储系统模型的约束:
Pg(t)=Pw(t)+PB(t),
SOE(t+1)=SOE(t)+PB(t)×Δt×η÷Qe,
其中,Pg(t)为第t时刻的并网点目标功率,Pw(t)为第t时刻的风电场原始输出功率,PB(t)为第t时刻的储能系统的功率,SOE(t)为第t时刻的储能系统能量状态,Δt为采样时间,η为储能系统充放电效率,Qe为储能系统额定容量,
储能系统能量状态的限制:SOEL≤SOE(t)≤SOEU,
储能系统功率的限制:-Pe≤PB(t)≤Pe,
风储系统并网点功率波动的限制:ΔPg(t)≤δ,
储能系统初始购置成本的限制:CPPe+CQQe≤A,
储能系统建设场地的限制:V≤Vm,
每日初始时段储能系统能量状态与结束时段储能系统能量状态相同:SOE(Ts)=SOE(Te);
步骤4.2:初始化交叉率P
c、变异率P
m以及最大迭代次数G,同时设置电池单体种类以及该种电池单体的集成数量,定义电池单体种类以及该种电池单体的集成数量所对应的二进制编码串的形式和数量,如图4所示,在第g次迭代中,二进制编码串为
编码串长度等于编码位数n,
到
之间的二进制编码位对应电池单体种类,其取值为零到电池单体种类的种数K-1的任意整数,1≤p≤n-1,电池单体种类包括电池类型、电池单体体积、电池单体容量和电池单体功率,假设两种电池,则可以由1个二进制编码位表示,其中编码位为0表示单体占地为2m
2、2Ah、3kW的磷酸铁锂电池,编码位1表示单体占地为0.5m
2、0.5Ah、1kW的三元电池,
到
之间的二进制编码位对应
到
之间的二进制编码位所对应的电池单体种类的集成数量,其取值为零到2
n-p-1,初始随机生成M个电池单体种类以及该种电池单体的集成数量所对应的二进制编码串
步骤4.3:对步骤4.2中随机生成的M个初始二进制编码串进行判断,根据二进制编码位数值选择对应的电池单体种类以及该种电池单体的集成数量,储能系统额定容量Qe为所选电池单体种类所决定的最小单元容量与该种电池单体的集成数量的乘积,储能系统额定功率Pe为所选电池单体种类所决定的最小单元功率与该种电池单体的集成数量的乘积,代入步骤4.1所建立的基于遗传算法的电池选型及容量配置模型的约束条件,判断是否满足约束条件,然后去掉不满足约束条件的二进制编码串并再次随机产生与去掉的二进制编码串数目相同的二进制编码串,直到M个二进制编码串全部判断满足遗传算法的电池选型及容量配置模型的约束条件为止,初始化迭代次数为0,即g=0;
步骤4.4:在步骤4.3中得到M个全部满足遗传算法的电池选型及容量配置模型的约束条件的二进制编码串后,根据二进制编码位数值选择对应的电池单体种类以及该种电池单体的集成数量,储能系统额定容量Q
e为所选电池单体种类所决定的最小单元容量与该种电池单体的集成数量的乘积,储能系统额定功率P
e为所选电池单体种类所决定的最小单元功率与该种电池单体的集成数量的乘积,代入遗传算法的目标函数f
2=min[(C
c×B
y+C
y)÷365],计算M
2个二进制编码串对应的目标函数值,若
则对应电池单体种类的二进制编码串大于的部分默认对应第零种电池单体;
步骤4.5:根据当前全部满足步骤4.1所建立的基于遗传算法的电池选型及容量配置模型的约束条件的二进制编码串对应的目标函数值,对各个二进制编码串的二进制编码位数值进行选择运算、交叉运算、变异运算,若产生新的二进制编码串,则对新产生的二进制编码串进行判断,去掉不满足遗传算法的电池选型及容量配置模型的约束条件的二进制编码串并再次通过相应运算补充与去掉的二进制编码串数目相同的新的二进制编码串,直到二进制编码串全部判断满足遗传算法的电池选型及容量配置模型的约束条件为止,迭代次数增加1,即g=g+1;包括如下具体过程:
步骤4.5.1:根据当前全部满足步骤4.1所建立的基于遗传算法的电池选型及容量配置模型的约束条件的二进制编码串对应的目标函数值,对满足遗传算法的电池选型及容量配置模型的约束条件的二进制编码串进行选择运算,二进制编码串的选择率Ps为该二进制编码串对应的目标函数值的倒数除全部二进制编码串对应的目标函数值的倒数和;
步骤4.5.2:对选择运算产生的满足遗传算法的电池选型及容量配置模型的约束条件的二进制编码串
进行交叉运算产生新的二进制编码串,如图5所示,在第g次迭代中,1≤i≤M,1≤j≤M且i≠j,第i个二进制编码串
与第j个二进制编码串
在随机任意一点发生交叉运算产生新的二进制编码串,对新产生的二进制编码串进行判断,去掉不满足遗传算法的电池选型及容量配置模型的约束条件的二进制编码串并再次通过交叉运算补充与去掉的二进制编码串数目相同的新的二进制编码串,再对新的二进制编码串进行判断,直到M个二进制编码串全部判断满足遗传算法的电池选型及容量配置模型的约束条件为止;
步骤4.5.3:对交叉运算之后产生的满足遗传算法的电池选型及容量配置模型的约束条件的二进制编码串
进行变异运算产生新的二进制编码串,如图6所示,在第g次迭代中,1≤s≤M,1≤b≤n,第s个二进制编码串
的第b个编码位发生变异运算产生新的二进制编码串,若
为0,则
为1;若
为1,则
为0),对新产生的二进制编码串进行判断,去掉不满足遗传算法的电池选型及容量配置模型的约束条件的二进制编码串并再次通过变异运算补充与去掉的二进制编码串数目相同的新的二进制编码串,再对新的二进制编码串进行判断,直到种群中M个二进制编码串全部判断满足遗传算法的电池选型及容量配置模型的约束条件为止,迭代次数增加一,即g=g+1;
步骤4.6:判断当前迭代次数是否达到最大迭代次数G,若是,则计算结束,将最后一代二进制编码串中对应的遗传算法的目标函数最低的二进制编码串中所对应的电池单体种类以及该种电池单体的集成数量作为最终结果,通过储能系统额定容量Qe为所选电池单体种类所决定的最小单元容量与该种电池单体的集成数量的乘积,从而确定了某个典型风电功率波动场景下储能系统最优容量配置,否则回到步骤4.4;
步骤4.7:将步骤4.1到步骤4.6用于步骤1提取的三个典型风电功率波动场景,得到在各个典型风电功率波动场景下的电池单体种类以及该种电池单体的集成数量并代入步骤3得到的储能系统每日成本的函数f2=min[(Cc×By+Cy)÷365]进行比较,最终选取成本最低的电池选型以及容量配置。