CN113162091B - 一种提升风电平滑的储能系统配置方法 - Google Patents

一种提升风电平滑的储能系统配置方法 Download PDF

Info

Publication number
CN113162091B
CN113162091B CN202110525457.4A CN202110525457A CN113162091B CN 113162091 B CN113162091 B CN 113162091B CN 202110525457 A CN202110525457 A CN 202110525457A CN 113162091 B CN113162091 B CN 113162091B
Authority
CN
China
Prior art keywords
storage system
energy storage
battery
power
wind
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.)
Active
Application number
CN202110525457.4A
Other languages
English (en)
Other versions
CN113162091A (zh
Inventor
李建林
崔宜琳
薛澳宇
王含
刘硕
马速良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Lianzhi Huineng Technology Co ltd
Xinyuan Zhichu Energy Development Beijing Co ltd
North China University of Technology
State Power Investment Group Science and Technology Research Institute Co Ltd
Original Assignee
Beijing Lianzhi Huineng Technology Co ltd
Xinyuan Zhichu Energy Development Beijing Co ltd
North China University of Technology
State Power Investment Group Science and Technology Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Lianzhi Huineng Technology Co ltd, Xinyuan Zhichu Energy Development Beijing Co ltd, North China University of Technology, State Power Investment Group Science and Technology Research Institute Co Ltd filed Critical Beijing Lianzhi Huineng Technology Co ltd
Priority to CN202110525457.4A priority Critical patent/CN113162091B/zh
Publication of CN113162091A publication Critical patent/CN113162091A/zh
Application granted granted Critical
Publication of CN113162091B publication Critical patent/CN113162091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明提供一种提升风电平滑的储能系统配置方法。首先，通过K均值聚类的方法提取典型风电功率波动场景；然后，在各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；接着，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；最后，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。本发明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。

Description

一种提升风电平滑的储能系统配置方法
技术领域：
本发明涉及储能系统，具体涉及一种提升风电平滑的储能系统配置方法。
背景技术：
风力发电由于其能源清洁、装机规模灵活、可再生等优点被广泛应用。风力发电是可再生能源发电的重要组成部分，受自然条件的影响，风电具有间歇性、随机性和不确定性等特点。目前风电的应用规模持续扩大，这也会给电网安全带来越来越多的挑战，甚至可能对整个电力网络的运行安全与稳定造成威胁。因此，传统“刚性”电力系统电能“源—荷”瞬时动态平衡的法则越来越难以为继，未来电力系统必须具备足够的“柔性”以适应高比例可再生能源的新常态。在这一转变过程中，储能系统因其具有将电能的生产和消费从时间和空间上分隔开来的能力，成为未来高比例可再生能源电力系统的关键支撑技术之一。储能系统能够灵活调节电力系统的功率输出，可应用于平抑风电的功率波动，提高风电并网的友好程度，促进电网对风电的规模消纳。
储能系统因为具有短时快速吸收或释放能量的能力，成为进行风电功率波动平抑、提高电网对风电功率接纳能力的有效手段。然而，目前储能系统投资成本和运行费用较高。研究如何平衡电力系统稳定性和经济性需求，并且利用储能系统提高风电平滑十分重要。若储能系统的控制方式选择不当，可能导致电力系统稳定性变差，电能质量下降。容量选择过低，会造成储能系统作用效果不明显；容量选择过高，则会造成投资成本的浪费。研究如何综合考虑各方面目标，利用储能系统的控制与配置提升风电平滑十分重要。
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By为：
Figure BDA0003064095700000021
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Pc、变异率Pm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
Figure BDA0003064095700000041
编码串长度等于编码位数n，
Figure BDA0003064095700000042
到
Figure BDA0003064095700000043
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2m2、2Ah、3kW的磷酸铁锂电池，编码位1表示单体占地为0.5m2、0.5Ah、1kW的三元电池，
Figure BDA0003064095700000044
到
Figure BDA0003064095700000045
之间的二进制编码位对应
Figure BDA0003064095700000046
到
Figure BDA0003064095700000047
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2n-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
Figure BDA0003064095700000048
Figure BDA0003064095700000049
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，代入遗传算法的目标函数f2＝min[(Cc×By+Cy)÷365]，计算M2个二进制编码串对应的目标函数值，若
Figure BDA0003064095700000051
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。
附图说明：
图1是本发明配置方法流程图。
图2是本发明实施例中步骤2.2粒子群算法求解流程图。
图3是本发明步骤4遗传算法求解流程图。
图4是本发明步骤4二进制编码串示意图。
图5是本发明实施例中步骤4遗传交叉运算过程示意图。
图6是本发明实施例中步骤4遗传变异运算过程示意图。
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。
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f1：
Figure BDA0003064095700000081
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C1和C2、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：
Figure BDA0003064095700000082
Figure BDA0003064095700000083
为粒子i在第j次迭代中第d维的位置，xmin为位置的最小值，对应-Pe，xmax为位置的最大值，对应Pe，
粒子速度限制：
Figure BDA0003064095700000084
Figure BDA0003064095700000085
为粒子i在第j次迭代中第d维的速度，vmin为速度的最小值，vmax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，
Figure BDA0003064095700000086
Figure BDA0003064095700000087
为粒子i在第d维的个体极值点的位置，
Figure BDA0003064095700000088
为整个种群在第d维的全局极值点的位置，r1、r2为0-1的随机数，
按如下公式进行位置更新，
Figure BDA0003064095700000089
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By为：
Figure BDA0003064095700000091
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Pc、变异率Pm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
Figure BDA0003064095700000111
编码串长度等于编码位数n，
Figure BDA0003064095700000112
到
Figure BDA0003064095700000113
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2m2、2Ah、3kW的磷酸铁锂电池，编码位1表示单体占地为0.5m2、0.5Ah、1kW的三元电池，
Figure BDA0003064095700000114
到
Figure BDA0003064095700000115
之间的二进制编码位对应
Figure BDA0003064095700000116
到
Figure BDA0003064095700000117
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2n-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
Figure BDA0003064095700000118
Figure BDA0003064095700000119
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，代入遗传算法的目标函数f2＝min[(Cc×By+Cy)÷365]，计算M2个二进制编码串对应的目标函数值，若
Figure BDA00030640957000001110
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
Figure BDA0003064095700000121
Figure BDA0003064095700000122
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
Figure BDA0003064095700000123
与第j个二进制编码串
Figure BDA0003064095700000124
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
Figure BDA0003064095700000125
Figure BDA0003064095700000126
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
Figure BDA0003064095700000127
的第b个编码位发生变异运算产生新的二进制编码串，若
Figure BDA0003064095700000128
为0，则
Figure BDA0003064095700000129
为1；若
Figure BDA00030640957000001210
为1，则
Figure BDA00030640957000001211
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。

Claims (5)

1.一种提升风电平滑的储能系统配置方法，其特征在于，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By为：
Figure FDA0003064095690000011
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，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Pc、变异率Pm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，在第g次迭代中，二进制编码串为
Figure FDA0003064095690000031
编码串长度等于编码位数n，
Figure FDA0003064095690000032
到
Figure FDA0003064095690000033
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，
Figure FDA0003064095690000034
到
Figure FDA0003064095690000035
之间的二进制编码位对应
Figure FDA0003064095690000036
到
Figure FDA0003064095690000037
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2n-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
Figure FDA0003064095690000038
w＝1,2,…,M；
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，代入遗传算法的目标函数f2＝min[(Cc×By+Cy)÷365]，计算M2个二进制编码串对应的目标函数值，若
Figure FDA0003064095690000041
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。
2.根据权利要求1所述一种提升风电平滑的储能系统配置方法，其特征在于，所述步骤1包括如下步骤：
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。
3.根据权利要求1所述一种提升风电平滑的储能系统配置方法，其特征在于，所述步骤2包括如下步骤：
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，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。
4.根据权利要求3所述一种提升风电平滑的储能系统配置方法，其特征在于，所述步骤2.2包括如下步骤：
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f1：
Figure FDA0003064095690000061
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C1和C2、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：
Figure FDA0003064095690000062
Figure FDA0003064095690000063
为粒子i在第j次迭代中第d维的位置，xmin为位置的最小值，对应-Pe，xmax为位置的最大值，对应Pe，
粒子速度限制：
Figure FDA0003064095690000064
Figure FDA0003064095690000065
为粒子i在第j次迭代中第d维的速度，vmin为速度的最小值，vmax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，
Figure FDA0003064095690000066
Figure FDA0003064095690000067
为粒子i在第d维的个体极值点的位置，
Figure FDA0003064095690000068
为整个种群在第d维的全局极值点的位置，r1、r2为0-1的随机数，
按如下公式进行位置更新，
Figure FDA0003064095690000069
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。
5.根据权利要求1所述一种提升风电平滑的储能系统配置方法，其特征在于，所述步骤4.5包括如下步骤：
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
Figure FDA0003064095690000071
w＝1,2,…,M进行交叉运算产生新的二进制编码串，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
Figure FDA0003064095690000072
与第j个二进制编码串
Figure FDA0003064095690000073
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
Figure FDA0003064095690000074
w＝1,2,…,M进行变异运算产生新的二进制编码串，在第g次迭代中，1≤s≤M，1≤b≤n，第s个二进制编码串
Figure FDA0003064095690000075
的第b个编码位发生变异运算产生新的二进制编码串，若
Figure FDA0003064095690000076
为0，则
Figure FDA0003064095690000077
为1；若
Figure FDA0003064095690000078
为1，则
Figure FDA0003064095690000079
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。
CN202110525457.4A 2021-05-13 2021-05-13 一种提升风电平滑的储能系统配置方法 Active CN113162091B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110525457.4A CN113162091B (zh) 2021-05-13 2021-05-13 一种提升风电平滑的储能系统配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110525457.4A CN113162091B (zh) 2021-05-13 2021-05-13 一种提升风电平滑的储能系统配置方法

Publications (2)

Publication Number Publication Date
CN113162091A CN113162091A (zh) 2021-07-23
CN113162091B true CN113162091B (zh) 2022-09-02

Family

ID=76875062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110525457.4A Active CN113162091B (zh) 2021-05-13 2021-05-13 一种提升风电平滑的储能系统配置方法

Country Status (1)

Country Link
CN (1) CN113162091B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104795828A (zh) * 2015-04-24 2015-07-22 清华大学 基于遗传算法的风储容量配置方法
CN109861256A (zh) * 2019-01-20 2019-06-07 天津大学 一种计及全寿命周期成本的配电网储能优化配置方法
CN111799778A (zh) * 2020-06-11 2020-10-20 国网山东省电力公司经济技术研究院 一种计及调峰需求的含风电电力系统储能容量优化方法
CN112072655A (zh) * 2020-09-10 2020-12-11 天津大学 一种并网风储发电系统混合储能优化配置方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015054869A1 (zh) * 2013-10-17 2015-04-23 国网新源张家口风光储示范电站有限公司 一种兆瓦级电池储能电站的监控系统及其方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104795828A (zh) * 2015-04-24 2015-07-22 清华大学 基于遗传算法的风储容量配置方法
CN109861256A (zh) * 2019-01-20 2019-06-07 天津大学 一种计及全寿命周期成本的配电网储能优化配置方法
CN111799778A (zh) * 2020-06-11 2020-10-20 国网山东省电力公司经济技术研究院 一种计及调峰需求的含风电电力系统储能容量优化方法
CN112072655A (zh) * 2020-09-10 2020-12-11 天津大学 一种并网风储发电系统混合储能优化配置方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Study on energy storage system smoothing wind power fluctuation";Jianlin Li 等;《2010 International Conference on Power System Technology》;20101213;全文 *
一种含风电-电池储能的多场景输电网规划方法;侍红兵等;《导航与控制》;20200605(第03期);全文 *

Also Published As

Publication number Publication date
CN113162091A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113394817B (zh) 一种风光水火储系统的多能容量优化配置方法
CN108599206B (zh) 高比例不确定电源场景下的配电网混合储能配置方法
CN107274085B (zh) 一种双电型船舶的储能设备的优化管理方法
CN112131733B (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
CN112103946A (zh) 一种基于粒子群算法的微电网储能优化配置方法
CN107069776B (zh) 一种平滑微网联络线功率的储能前瞻分布式控制方法
CN109510234B (zh) 一种微电网储能电站的混合储能容量优化配置方法及装置
CN106096757A (zh) 基于改进量子遗传算法的微网储能选址定容优化方法
CN110401209B (zh) 基于多随机复合优化灰狼算法的削峰填谷的能量管理方法
CN114204547B (zh) 考虑源网荷储协同优化的配电网多措施组合降损优化方法
CN111401604A (zh) 电力系统负荷功率预测方法及储能电站功率分配方法
CN112238781B (zh) 一种基于分层架构的电动汽车有序充电控制方法
CN113794199A (zh) 一种考虑电力市场波动的风电储能系统最大收益优化方法
CN113283179A (zh) 一种基于多目标lstm集成网络的短期负荷预测方法
CN113011104B (zh) 一种面向电网调频控制的集群电动汽车充电负荷聚合建模方法
CN113162091B (zh) 一种提升风电平滑的储能系统配置方法
CN113486593A (zh) 一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法
CN116645089A (zh) 一种考虑退役电池容量退化的储能系统双层优化配置方法
CN116796911A (zh) 基于典型场景生成与在线场景匹配的中压配电网优化调控方法及系统
CN113346526B (zh) 一种基于离散-连续混合法的多节点储能系统配置方法
CN115271244A (zh) 一种基于两阶段分布鲁棒优化的梯级水电站短期调峰模型
CN111311032B (zh) 一种基于扇形雷达图模型的微网系统容量优化配置方法
CN112117772B (zh) 一种新能源接入下计及输电阻塞的储能快速优化配置方法
CN108183496A (zh) 一种光伏储能系统的能量管理方法
CN114530872A (zh) 一种多边共享的储能优化配置及其成本分摊方法

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
TA01 Transfer of patent application right

Effective date of registration: 20220815

Address after: 100144 Beijing City, Shijingshan District Jin Yuan Zhuang Road No. 5

Applicant after: NORTH CHINA University OF TECHNOLOGY

Applicant after: STATE POWER INVESTMENT CORPORATION Research Institute

Applicant after: Beijing Lianzhi Huineng Technology Co.,Ltd.

Applicant after: Xinyuan Zhichu energy development (Beijing) Co.,Ltd.

Address before: 100144 Beijing City, Shijingshan District Jin Yuan Zhuang Road No. 5

Applicant before: NORTH CHINA University OF TECHNOLOGY

Applicant before: STATE POWER INVESTMENT CORPORATION Research Institute

Applicant before: Beijing Lianzhi Huineng Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant