CN113313613B - 一种电力配网模块化可移动电池储能mmbes优化配置方法 - Google Patents

一种电力配网模块化可移动电池储能mmbes优化配置方法 Download PDF

Info

Publication number
CN113313613B
CN113313613B CN202110764458.4A CN202110764458A CN113313613B CN 113313613 B CN113313613 B CN 113313613B CN 202110764458 A CN202110764458 A CN 202110764458A CN 113313613 B CN113313613 B CN 113313613B
Authority
CN
China
Prior art keywords
mmbes
power
formula
loss
distribution network
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
CN202110764458.4A
Other languages
English (en)
Other versions
CN113313613A (zh
Inventor
刘文霞
张舒婷
王丽娜
鲁宇
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.)
North China Electric Power University
Economic and Technological Research Institute of State Grid Jilin Electric Power Co Ltd
Original Assignee
North China Electric Power University
Economic and Technological Research Institute of State Grid Jilin Electric Power 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 North China Electric Power University, Economic and Technological Research Institute of State Grid Jilin Electric Power Co Ltd filed Critical North China Electric Power University
Priority to CN202110764458.4A priority Critical patent/CN113313613B/zh
Publication of CN113313613A publication Critical patent/CN113313613A/zh
Application granted granted Critical
Publication of CN113313613B publication Critical patent/CN113313613B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Water Supply & Treatment (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种电力配网模块化可移动电池储能MMBES优化配置方法，考虑综合效用和主观认知差异性，包括以下步骤：提出了储能在正常、故障和极端场景下相应的运行方式及协调方法；通过分析可获得的收益类型提取出与储能配置相关的5种属性，考虑极端场景的不确定性，基于前景理论，以综合前景值最大为目标建立储能的优化配置模型；分别建立配电网降损、可靠性提升、延缓电网扩建、极端场景下减少停电损失以及配置成本属性的前景模型；采用差分进化算法求解所提非线性优化模型。

Description

一种电力配网模块化可移动电池储能MMBES优化配置方法
技术领域
本发明属于电力配电系统领域，涉及一种电力配网模块化可移动电池储能MMBES优化配置方法。
背景技术
目前，在电力系统中配置储能大致有三类场景。文献1(王静，刘文霞，李守强，等.计及机组降损收益的电源侧电池储能调频/调峰经济效益评价方法[J].电网技术，2020，44(11)：4236-4245)、文献2(高建瑞，李国杰，汪可友，等.考虑储能充放电功率限制的并网光储虚拟同步机控制[J].电力系统自动化，2020，44(4)：134-141)将储能配置在电源侧，可以参与调频、调峰，同时为光伏虚拟同步机提供惯性和阻尼支撑，以消除光伏出力与功率指令之间的偏差、抑制功率波动。文献3(赵乙潼，王慧芳，何奔腾，等.面向用户侧的电池储能配置与运行优化策略[J].电力系统自动化，2020，44(6)：121-128)将储能配置在用户侧，基于大工业用户的峰谷电价，采用低储高发的运行策略、降低用户用电成本。电网侧配置储能根据运行策略的不同可获得多种收益。文献4(刘文霞，杨梦瑶，王静，等.基于运行策略智能生成方法的增量配电系统储能优化配置[J/OL].中国电机工程学报：1-12[2021-05-13].https://doi.org/10.13334/j.0258-8013.pcsee.200655)针对增量配电网的储能配置问题，通过对延缓改造、降低网损、提高可靠性、调频、调峰等多种用途下单位容量储能收益的量化分析，提出了以效益最大化为目标的运行策略自动生成方法，并进一步优化了储能容量。文献5(李振坤，李一骄，张代红，等.储能设备对有源配电网供电可靠性的影响分析及优化配置[J].电网技术，2018，42(11)：3676-3683)基于削峰填谷运行策略，仿真计算故障时储能的荷电状态(state of charge，SOC)以及减少的停电损失，并以可靠性收益与配置成本的比值最大化为目标提出了储能优化配置方法；文献6(彭春华，陈露，张金克，等.基于分类概率机会约束IGDT的配网储能多目标优化配置[J].中国电机工程学报，2020，40(9)：2809-2819)以配网电压稳定性最大化和投资成本最小化为多目标，构建了基于信息间隙决策理论的配电网储能鲁棒优化配置模型，提高了模型的实用性。
上述储能均配置在固定位置，为了进一步提高储能应用的灵活性，国内外针对可移动储能开展了初步研究。文献7(张璐，黄睿，王照琪，等.考虑恢复力与经济性均衡的配电网移动储能优化配置策略[J].电力系统自动化，2020，44(21)：23-31)中，电网公司配置储能，使其在正常情况下低储高发套利、台风灾害下参与故障恢复，并基于经济性与恢复力的博弈优化了移动储能容量，但现实中电网公司在网侧配置的储能难以参与低储高发套利。文献8(Abdeltawab H，Mohamed A.Mobile energy storage sizing and allocation formulti-services in power distribution systems[J].IEEE Access，2019，7：176613-176623)提出了一种利用可移动储能解决配电网不同区域拥塞的方法。文中基于日内运行状态，优化移动式储能接入时段、位置和容量，使其通过低储高发、促进风电消纳、调节电压和减小网损来实现利润最大化。由于电网拥塞位置和时段通常相对固定，该文中储能频繁移动带来的收益与成本相比可能相差不大或入不敷出。文献9(Xu W，Tang Q，Li T，etal.Optimal investment of mobile energy storage based on life cycle cost-benefit analysis[C]//2019IEEE 3rd Conference on Energy Internet and EnergySystem Integration(EI2).IEEE，2020：508-513)中售电公司投资购买移动储能车，并向用户提供短期故障应急和长期调峰两种服务，通过租赁的方式来获利，但业务需求和储能成本成为制约售电公司投资获益的重要因素。综上可见，移动储能的价值是能够应对拥塞和灾害等随机事件，并通过灵活应用获得多种收益，因此随机事件的不确定性以及多收益决策偏好是储能配置的重要影响因素。
发明目的
本发明的目的即在于应对现有技术的不足，以电网公司配置模块化可移动电池储能为研究场景，提出了一种考虑综合效用和主观认知差异性的配电网储能优化配置方法。
发明内容
本发明提供了一种电力配网模块化可移动电池储能MMBES优化配置方法，包括以下步骤：
步骤1：设定电力配网模块化可移动电池储能MMBES在正常、故障和极端场景下相应的运行方式及协调方法；其中，模块化可移动电池储能MMBES由若干个可独立供电的储能模块并联构成，每个储能模块由电池单元串并联集成安装在集装箱内，并提供多种电气接口，具备与电网即插即用的能力；当MMBES系统正常运行和设备随机故障时，所述储能模块并联组合配置在变电站中，获取减小网损、提高配网供电可靠性及延缓电网升级改造的收益；当电力系统遭受台风、地震或恶意攻击导致局部停电且需要一定恢复时间的情况下，MMBES通过拆分、运输，为重要区域或用户提供临时供电支撑，减少停电损失；
步骤2：通过分析可获得的收益类型，提取出与所述可移动电池储能MMBES的优化配置相关的配网输电损耗、配网供电可靠性、电网扩建投资、极端场景停电损失以及配置MMBES成本共5种属性，考虑极端场景的不确定性，基于前景理论，以综合前景值最大为目标建立储能的优化配置模型；
步骤3：分别建立配网输电损耗、配网供电可靠性、电网扩建投资、极端场景停电损失以及配置MMBES成本5种属性的前景模型；
步骤4：采用差分进化算法求解所提非线性优化模型。
优选地，在所述步骤2中，综合前景值V由价值函数v(x)和权重函数π(p)共同决定：
式中：V为决策对象的综合前景值；π+(p)和π-(p)以及v+(x)和v-(x)分别为决策者感知为收益和损失时的权重函数和价值函数；m为相对于参考点为收益的属性值个数；n为全部属性个数；
以MMBES运行周期内综合前景值V最大为目标，针对所述配网输电损耗、配网供电可靠性、电网扩建投资、极端场景停电损失以及配置MMBES成本这5种属性，建立优化数学模型如式(2)-(5)所示，其中式(3)-(5)为约束条件：
maxV＝ω1Vdec+ω2Vrel+ω3Vdel+ω4Vext+ω5Vc (2)，
式中：V为电网公司配置MMBES的综合前景值；Vdec为减小配网输电损耗的前景值；Vrel为提高配网可靠性前景值；Vdel为延缓电网扩建投资的前景值；Vext为极端场景下减少停电损失的前景值；Vc为考虑MMBES回收处理的全寿命周期成本，即配置MMBES成本的前景值；ω1、ω2、ω3、ω4和ω5分别表示上述前景的重要程度，由决策者给出，且满足0≤ω1,ω2,ω3,ω4,ω5≤1，ω1+ω2+ω3+ω4+ω5＝1；决策变量为决定MMBES配置参数的额定容量Sn、额定功率Pn以及决定其运行策略的SOC下限Soc.min；其中，所述5种属性的量纲统一换算成“元”以消除不同量纲对综合前景值的影响，并基于净现值法以建设期初为基准，将各属性折现为统一的现值；
在所述约束条件式(3)-(5)中，式(3)为系统有功平衡约束，pDGi.t、pMMBES.t及pinput.t分别为t时刻分布式电源i的出力、MMBES的出力及配网输入功率，其中，放电时MMBES的出力为正；ploadi.t与ploss.t分别为t时刻负荷节点i处的功率与系统的网络损耗；NDG与Nload分别为配电网中分布式电源数与负荷节点数；式(4)为节点电压约束，Ui为节点i处的电压值，和/>分别为该点电压的上、下限；式(5)为线路传输容量约束，Plij和/>分别为节点i到节点j的有功潮流及线路i-j的最大传输容量；
当属性相对于参考点为收益时，决策者表现为风险规避，此时，价值函数为凸函数；当属性相对于参考点为损失时，决策者表现为风险偏好，此时，价值函数为凹函数，且等量的损失与收益给决策者带来的痛苦大于愉悦；决策权重表示不确定性事件结果概率P的主观权重，对于小的概率，决策者倾向于赋予大于原本概率的权重；对于大的概率，决策者则倾向于赋予小于原本概率的权重；所述决策者的价值函数的具体表达式分别如下：
1)当属性为“收益”时，决策者的价值函数表示为如式(6)所示：
v+(x)＝(x-x0)α，x≥x0 (6)；
2)当属性为“损失”时，决策者的价值函数表示为如式(7)所示：
v-(x)＝-λ(x0-x)β，x<x0 (7)，
式中：x0为属性的参考点，是规划人员主观意向的体现；参数α和β(0≤α，β≤1)分别为风险偏好和风险规避系数；参数λ(λ>1)为损失规避系数；
所述决策者的权重函数的具体表达式分别如下：
1)当属性为“收益”时，表示为如式(8)所示：
π+(p)＝pγ/[pγ+(1-p)γ]1/γ (8)；
2)当属性为“损失”时，表示如如式(9)所示：
π-(p)＝pδ/[pδ+(1-p)δ]1/δ (9)；
式中：p表示属性在不确定性场景下表现为“收益”或“损失”的概率；参数γ和δ分别为决策者面对“收益”和“损失”时的风险态度系数；
所述场景的不确定性表现为极端场景发生概率与停电时间的不确定性，即除极端场景停电损失外，其余属性相对于参考点表现为“收益”或“损失”的概率为1或0，与之相对应的权重函数π(p)也为常数1或0，极端场景下减少停电损失属性的价值函数及权重函数服从概率密度函数。
优选地，所述步骤3包括以下子步骤：
子步骤S31：基于功率差控制策略的配电网降损前景模型；将配电网降损的价值v(Edec)，即配电网降损前景值Vdec表示为如式(10)所示：
式中：Edec为配置MMBES前后配电网降损收益；Edec.0为规划人员对降损收益的预期，满足如式(11)-(12)所示关系：
Ny＝min(Nlife,Nwar) (12)，
式中：Ny为MMBES的使用年限；S为将全年日负荷划分为若干典型日的类别数；nj为一年中符合第j个典型日负荷类别的天数；Δploss.ij为配置MMBES前后在第j个典型日的第i时刻配电网网损之差；ΔT为单位时间间隔，本发明取1h；fcost为电网购电单位成本；i0为基准收益率；Nlife为储能电池受放电深度及循环次数的影响耗尽寿命时的使用年限，基于雨流计数法计算得到；Nwar为MMBES生产商提供的质保期；
在电网正常运行时采用削峰填谷功率差控制策略，MMBES在满足式(13)-(15)的基础上每天充分循环一次，并根据配置容量与SOC约束确定开始充放电功率P1、P2及开始与停止充放电时刻tk(k≥4)，P1、P2与实际负荷的差值即为各个时段内的充放电功率：
Soc.min≤Soc.t≤Soc.max (14)，
|pMMBES.t|≤Pn (15)，式中：Soc.t为t时刻MMBES的荷电状态；η为MMBES充放电效率；
子步骤S32：构建设备随机故障时提高配电网可靠性前景模型，具体为，在变电站内配置MMBES，当高压侧电网或站内变压器故障时，MMBES在故障恢复期间向处于同一孤岛的负荷供电，提升配电系统可靠性；配电网可靠性属性表现为确定性，将提升供电可靠性的价值v(Erel)，即提高配电网可靠性前景值Vrel表示为如式(16)所示：
式中：Erel为配置MMBES后配电网可靠性提升所带来的经济效益；Erel.0为规划人员对该经济效益的预期；
选取缺供电量期望值EENS作为配网可靠性评估指标，表示为如式(17)所示：
式中：ΔEENS为配置MMBES前后配网EENS之差；fsell为电网售电单位均价；fcomp为单位缺供电量的产电比，RIEA为用户评价系数；
采用解析法中的故障后果分析法作为可靠性评估方法进行计算，在步骤2所述的运行策略的基础上对各典型日负荷下MMBES的SOC进行统计，得到不同SOC水平的概率，再分别计算各个SOC水平下配网的可靠性，最后加权得到总可靠性，具体为，将EENS的具体计算公式表示为如式(18)-(21)所示：
式中：J为不同SOC水平的场景类数；A为典型日负荷下MMBES的SOC样本总数；aj为第j个SOC场景的样本数；I为配电网中负荷总数；EENSi为第i个负荷的年缺供电量期望；Soc.j为第j个SOC场景下MMBES的剩余电量期望；prec.i为MMBES能够在故障期间向第i个负荷供电的期望；Ni为故障造成第i个负荷停电的元件；λk和μk分别为第k个元件的故障率和修复时间；Pi为保障停电负荷i正常供电所需功率；bjm为第j个SOC场景下的第m个样本值；IS为故障后造成MMBES与负荷处于同一孤岛内的元件；
子步骤S33：构建基于可信容量的延缓电网扩建投资的前景模型，具体是，将延缓电网扩建投资的价值v(Edel)，即延缓电网扩建投资的前景值Vdel表示为如式(22)-(24)所示：
式中：Edel为配置MMBES后配电网延缓扩建收益；Edel.0为规划人员对该收益的预期；cinv为变电站及线路扩建所需投资；ΔTy为MMBES延缓电网升级改造的年数；τ为年负荷增长率；Pmax为配置MMBES前系统的最大负荷；Prel为MMBES的可信容量；
采用有效载荷能力指标评估MMBES的可信容量，具体关系如式(25)所示：
R(L0)＝R′(L0+ΔL) (25)，
式中：R和R′分别为配置MMBES前后配电网可靠性，评估指标EENS的计算参考式(18)-(21)；L0和ΔL分别为配网内各负荷点原始负荷总和与新增负荷总和，当式(25)成立时，对应的ΔL即为MMBES的可信容量Prel；
子步骤S34：构建极端场景下减少停电损失前景模型；所述极端场景包括当电力系统遭遇极端天气或军事打击而大面积停电；所述极端场景下MMBES根据实际故障情况拆分成若干个独立供电单元，优先保障备用电源故障的一级负荷，如有余量再保障部分无备用电源的二级负荷，保障优先级从生命安全、国家安全和经济损失三个维度综合衡量，尽可能减少停电损失；所述极端场景下减少停电损失属性与场景发生的概率和停电时间相关，所述减少停电损失属性服从一定的概率分布而非确定值；
当所述减少停电损失属性具有不确定性时，价值函数应在式(6)和式(7)的基础上做出改进，具体如式(26)所示，当权重函数表达式中属性为“收益”或“损失”的概率p不再为1或0，而是根据属性服从的概率密度函数和参考点，由式(27)和式(28)分别计算“收益”和“损失”的预期概率：
p＝F(+∞)-F(x0) (27)，
p＝F(x0)-F(-∞) (28)，
式中：f(x)为属性服从的概率密度函数；F(x)为属性服从的分布函数；
结合式(8)和式(9)与式(26)-(28)，得到极端场景下减少停电损失的前景模型Vext如式(29)所示：
式中：Eext为MMBES减少的停电损失收益；Eext.0为规划人员对该收益的预期；pext为该收益相对于Eext.0表现为“收益”和“损失”的概率，满足为如式(30)-(31)所示的关系：
式中：Nimp为保障的重要负荷数；Wsup.i为储能块在停电期间向负荷i供应的电量；ftra.i为承载装置运输储能块至负荷i处的成本；ξext为极端场景发生的概率，具有不确定性；Wrem.i为给负荷i供电的储能块剩余电能；tfai为停电时间,具有不确定性，但不得大于7天；ttra.i为储能块接入负荷i处所需的时间；
子步骤S35：构建考虑回收处理的全寿命周期成本前景模型，构建配置MMBES的全寿命周期成本前景模型，具体是，当成本大于参考值时决策者心理感知为“损失”，小于参考值时感知为“收益”；所述MMBES的全寿命周期成本属性表现为确定性，将配置MMBES成本的价值v(Ccyc)，即配置MMBES成本前景值Vc表示为如式(32)所示：
式中：Ccyc为配置MMBES的全寿命周期成本；Ccyc.0为规划人员对该成本的预期；
所述MMBES的全寿命周期成本Ccyc由初始投资建设成本Ccon、运行维护成本Cope和报废后的回收处理成本Crec三部分组成，表示为如式(33)所示：
Ccyc(Sn,Pn)＝Ccon+Cope+Crec (33)，
初始投资建设成本Ccon包括一定容量电池所需的能量成本和用于能量转换与监测管控的功率成本，表示为如式(34)所示：
Ccon＝csSn+cpPn (34)，
式中：cs为MMBES的单位容量投资成本；cp为MMBES的单位功率投资成本；
运行维护成本Cope包括由额定功率决定的固定成本和由储能充放电量决定的电量损耗成本，表示为如式(35)所示：
式中：cope为单位功率年运行维护成本；Wch和Wdch分别为MMBES的年充、放电电量；
报废后的回收处理成本Crec为分解处理报废MMBES的生产性支出与提取出的金属材料回收收益之差，表示为如式(36)所示：
式中：cr为单位重量电池回收价格；ρe为电池的比能量；chan为处理单位重量报废MMBES所需成本；j为MMBES所含金属种类编号；cij为金属i的回收价格；ρij为单位重量MMBES中金属i的含量。
优选地，所述步骤4中将决策变量处理为连续型变量，采用差分进化算法求解所提非线性优化模型，具体包括如下步骤：
1)输入基础参数，初始化决策变量Sn、Pn和Soc.min；
2)设置各属性参考点Edec.0、Erel.0、Edel.0、Eext.0和Ccyc.0，以及各属性重要程度ω1、ω2、ω3、ω4和ω5；
3)设置初始迭代次数n为1；
4)设置初始种群数m为1；
5)按照图2所示策略运行，计算各典型日负荷下MMBES的充放电功率，统计储能SOC置于各区间的概率；
6)根据式(10)-(12)计算配网降损前景值；
7)计算配置MMBES前系统可靠性，根据式(16)-(21)建立配置MMBES后配网可靠性模型并计算提高配网可靠性前景值；
8)在步骤7)可靠性模型的基础上，根据式(25)计算MMBES的可信容量，从而根据式(22)-(24)计算延缓电网升级改造前景值；
9)在步骤5)的基础上计算MMBES的剩余电量期望，并根据式(29)-(31)计算极端场景下减少停电损失前景值；
10)根据式(32)-(36)计算全寿命周期成本前景值；
11)在步骤6)、7)、8)、9)、10)的基础上根据式(2)-(5)计算并输出综合前景值；
12)若m≤MNP，转至步骤5)，否则对种群进行变异、交叉和选择操作；
13)若n≤Nite，转至步骤4)，否则输出最优MMBES配置结果。
附图说明
图1是计及主观认知的MMBES优化配置的决策者的权重曲线图。
图2是在电网正常运行时采用削峰填谷功率差控制策略的运行效果图。
图3是采用有效载荷能力指标评估MMBES的可信容量的计算流程图。
图4是采用差分进化算法求解本发明所提非线性优化模型的流程图。
具体实施方式
以下结合附图详细阐述本发明的具体实施方式，本领域技术人员应当理解，此处仅是示例性的阐述本发明的优选实施例，而不应视作是对本发明的限定。
本发明提供了一种电力配网模块化可移动电池储能优化配置方法，具体包括以下步骤：
步骤1：设定电力配网模块化可移动电池储能在正常、故障和极端场景下相应的运行方式及协调方法；其中，模块化可移动电池储能(modular mobile battery energystorage，MMBES)由若干个可独立供电的储能模块并联构成，每个储能模块由电池单元串并联集成安装在集装箱内，并提供多种电气接口，具备与电网即插即用的能力。当储能系统正常运行和设备随机故障时，储能模块并联组合配置在变电站中，获取减小网损、提高配网供电可靠性及延缓电网升级改造的收益。当电力系统遭受台风、地震或恶意攻击等事件导致局部停电且恢复时间较长的情况下，MMBES可通过拆分、运输，为重要区域或用户提供临时供电支撑，减少停电损失。这样，储能可以在正常、设备故障、灾害等多场景下实现多种效用，在不增加额外投资的情况下，提高配电网弹性。
步骤2：通过分析可获得的收益类型，提取出与所述移动储能的优化配置相关的5种属性，考虑极端场景的不确定性，基于前景理论，以综合前景值最大为目标建立储能的优化配置模型。计及主观认知的MMBES优化配置模型的构建过程如下：
有别于传统的期望效用理论，前景理论认为决策者并非完全理性，决策对象的收益与损失的量值及概率与决策者设定的基准值相关。前景值V由价值函数v(x)和权重函数π(p)共同决定：
式中：V为决策对象的综合前景值；π+(p)和π-(p)以及v+(x)和v-(x)分别为决策者感知为收益和损失时的权重函数和价值函数；m为相对于参考点为收益的属性值个数；n为全部属性个数。
电网公司在网侧配置储能不能参与电力市场，本发明提取出与储能相关的5种属性，分别为配网输电损耗、配网供电可靠性、电网扩建投资、极端场景停电损失以及配置MMBES成本。考虑到规划人员的主观认知及极端场景的不确定性因素，引入前景理论，以MMBES运行周期内综合前景值最大为目标，建立优化数学模型如式(2)所示，式(3)-(5)为约束条件：
maxV＝ω1Vdec+ω2Vrel+ω3Vdel+ω4Vext+ω5Vc (2)，
式中：V为电网公司配置MMBES的综合前景值；Vdec为减小网损的前景值；Vrel为提高配网可靠性前景值；Vdel为延缓电网升级改造的前景值；Vext为极端场景下减少停电损失的前景值；Vc为考虑MMBES回收处理的全寿命周期成本的前景值；ω1、ω2、ω3、ω4和ω5分别表示上述前景的重要程度，通常由决策者给出，且满足0≤ω1,ω2,ω3,ω4,ω5≤1，ω1+ω2+ω3+ω4+ω5＝1。决策变量为决定MMBES配置参数的额定容量Sn、额定功率Pn以及决定其运行策略的SOC下限Soc.min。其中，各属性量纲应统一换算成“元”以消除不同量纲对综合前景值的影响，并基于净现值法以建设期初为基准，将各属性折现为统一的现值。
约束条件中，式(3)为系统有功平衡约束：pDGi.t、pMMBES.t及pinput.t分别为t时刻分布式电源i的出力、MMBES的出力(放电为正)及配网输入功率；ploadi.t与ploss.t分别为t时刻负荷节点i处的功率与系统的网络损耗；NDG与Nload分别为配电网中分布式电源数与负荷节点数。式(4)为节点电压约束，Ui为节点i处的电压值，和/>分别为该点电压的上、下限。式(5)为线路传输容量约束，Plij和/>分别为节点i到节点j的有功潮流及线路i-j的最大传输容量。
决策者的主观认知并非毫无规律可寻，当属性相对于参考点为收益时，决策者表现为风险规避，价值函数为凸函数；当属性相对于参考点为损失时，决策者表现为风险偏好，价值函数为凹函数，且等量的损失与收益给决策者带来的痛苦大于愉悦。决策权重表示不确定性事件结果概率P的主观权重，对于小的概率，决策者倾向于赋予大于原本概率的权重；对于大的概率，决策者则倾向于赋予小于原本概率的权重，如图1所示。
(1)价值函数在不同属性下的具体表达式分别如下：
1)当属性为“收益”时，表示为如式(6)所示：
v+(x)＝(x-x0)α，x≥x0 (6)；
2)当属性为“损失”时，表示为如式(7)所示：
v-(x)＝-λ(x0-x)β，x<x0 (7)，
式中：x0为属性的参考点，是规划人员主观意向的体现；参数α和β(0≤α，β≤1)分别为风险偏好和风险规避系数；参数λ(λ>1)为损失规避系数。
(2)权重函数在不同属性下的具体表达式分别如下：
1)当属性为“收益”时，表示如如式(8)所示：
π+(p)＝pγ/[pγ+(1-p)γ]1/γ (8)；
2)当属性为“损失”时，表示如如式(9)所示：
π-(p)＝pδ/[pδ+(1-p)δ]1/δ (9)；
式中：p表示属性在不确定性场景下表现为“收益”或“损失”的概率；参数γ和δ分别为决策者面对“收益”和“损失”时的风险态度系数。
场景的不确定性表现为两个方面，一是分布式电源与负荷发展的不确定性，二是极端场景发生概率与停电时间的不确定性，本发明重点考虑后者，即除极端场景停电损失外，其余属性相对于参考点表现为“收益”或“损失”的概率为1或0，与之相对应的权重函数π(p)也为常数1或0。极端场景下减少停电损失属性的价值函数及权重函数应结合服从的概率密度函数，在式(6)-(9)的基础上进行补充完善。
步骤3：分别建立配电网降损、可靠性提升、延缓电网扩建、极端场景下减少停电损失以及配置成本属性的前景模型.
其中，各个模型的建立方法具体如下：
子步骤S31：基于功率差控制策略的配电网降损前景模型。站内配置MMBES会影响变电站上级电网及站内变压器的损耗，当运行策略一定且不考虑误差的情况下，配电网降损值与决策变量为确定的一一对应关系。因此，配电网降损的价值v(Edec)即为配电网降损前景值Vdec，具体表达式如式(10)所示：
式中：Edec为配置MMBES前后配电网降损收益；Edec.0为规划人员对降损收益的预期，表示为如式(11)-(12)所示：
Ny＝min(Nlife,Nwar) (12)，
式中：Ny为MMBES的使用年限；S为将全年日负荷划分为若干典型日的类别数；nj为一年中符合第j个典型日负荷类别的天数；Δploss.ij为配置MMBES前后在第j个典型日的第i时刻配电网网损之差；ΔT为单位时间间隔，本发明取1h；fcost为电网购电单位成本；i0为基准收益率；Nlife为储能电池受放电深度及循环次数的影响耗尽寿命时的使用年限，基于雨流计数法计算得到；Nwar为MMBES生产商提供的质保期。
配网降损效果与MMBES运行策略相关，MMBES运行得当能够均衡负荷高峰时段与负荷低谷时段配电网主干线路及配变内的电流，从而减小网络损耗。本发明在电网正常运行时采用削峰填谷功率差控制策略，运行效果如图2所示。MMBES在满足式(13)-(15)的基础上每天充分循环一次，并根据配置容量与SOC约束确定开始充放电功率P1、P2及开始与停止充放电时刻tk(k≥4)，P1、P2与实际负荷的差值即为各个时段内的充放电功率。
MMBES运行满足如下式(13)-(15)所示：
Soc.min≤Soc.t≤Soc.max (14)，
|pMMBES.t|≤Pn (15)，式中：Soc.t为t时刻MMBES的荷电状态；η为MMBES充放电效率。
子步骤S32：构建设备随机故障时提高配电网可靠性前景模型，具体为，在变电站内配置MMBES，当高压侧电网或站内变压器故障时，MMBES可以在故障恢复期间向处于同一孤岛的负荷供电，提升配电系统可靠性。配电网可靠性属性表现为确定性，提升供电可靠性的价值v(Erel)即为提高配电网可靠性前景值Vrel，具体表达式如式(16)所示：
式中：Erel为配置MMBES后配电网可靠性提升所带来的经济效益；Erel.0为规划人员对该经济效益的预期；
选取缺供电量期望值EENS(expected energy not supplied)作为配网可靠性评估指标，表示为如式(17)所示：
式中：ΔEENS为配置MMBES前后配网EENS之差；fsell为电网售电单位均价；fcomp为单位缺供电量的产电比，RIEA为用户评价系数；
可靠性评估方法主要分为解析法和模拟法两大类，电池储能具有时序性，但在优化问题中采用蒙特卡洛抽样模拟耗时较长，因此，本实施方式中采用解析法中的故障后果分析法进行计算。MMBES的剩余电量取决于实际运行情况且直接影响设备随机故障时的故障后果，因此，应当在步骤2所述的运行策略的基础上对各典型日负荷下MMBES的SOC进行统计，得到不同SOC水平的概率，再分别计算各个SOC水平下配网的可靠性，最后加权得到总可靠性。
EENS的具体计算公式如式(18)-(21)所示：
/>
式中：J为不同SOC水平的场景类数；A为典型日负荷下MMBES的SOC样本总数；aj为第j个SOC场景的样本数；I为配电网中负荷总数；EENSi为第i个负荷的年缺供电量期望；Soc.j为第j个SOC场景下MMBES的剩余电量期望；prec.i为MMBES能够在故障期间向第i个负荷供电的期望；Ni为故障可造成第i个负荷停电的元件；λk和μk分别为第k个元件的故障率和修复时间；Pi为保障停电负荷i正常供电所需功率；bjm为第j个SOC场景下的第m个样本值；IS为故障后造成MMBES与负荷处于同一孤岛内的元件。
子步骤S33：基于可信容量的延缓电网升级改造前景模型；延缓电网升级改造的传统评估方法是根据配置储能前后系统最大负荷削减率来衡量延缓扩建的年数，但由于储能本身存在故障概率，不能时刻保证电网满足N-1原则，此方法计算的收益会大于实际情况。储能的可信容量是指在等可靠性水平下可以替代的供电容量，能够更准确地衡量MMBES对电网的贡献及其替代价值。
延缓电网扩建属性表现为确定性，延缓电网升级改造的价值v(Edel)即为延缓电网升级改造前景值Vdel，具体表示为如式(22)-(24)所示：
式中：Edel为配置MMBES后配电网延缓扩建收益；Edel.0为规划人员对该收益的预期；cinv为变电站及线路扩建所需投资；ΔTy为MMBES延缓电网升级改造的年数；τ为年负荷增长率；Pmax为配置MMBES前系统的最大负荷；Prel为MMBES的可信容量。
基于等可靠性原则，采用有效载荷能力指标评估MMBES的可信容量，具体关系如式(25)所示：
R(L0)＝R′(L0+ΔL) (25)，
式中：R和R′分别为配置MMBES前后配电网可靠性，评估指标EENS的计算参考式(18)-(21)；L0和ΔL分别为配网内各负荷点原始负荷总和与新增负荷总和，当式(25)成立时，对应的ΔL即为MMBES的可信容量Prel，其具体计算流程如图3所示。
子步骤S34：极端场景下减少停电损失前景模型；当电力系统遭遇极端天气或军事打击而大面积停电时，保障重要负荷正常供电十分必要。MMBES可根据实际故障情况拆分成若干个独立供电单元，优先保障备用电源故障的一级负荷，如有余量再保障部分无备用电源的二级负荷，保障优先级应从生命安全、国家安全和经济损失三个维度综合衡量，尽可能减少停电损失。极端场景下减少停电损失属性与场景发生的概率和停电时间相关，由于以上两个因素具有不确定性，减少停电损失属性服从一定的概率分布而非确定值。
当属性具有不确定性时，价值函数应在式(6)和式(7)的基础上做出改进，具体如式(26)所示，当权重函数表达式中属性为“收益”或“损失”的概率p不再为1或0，而是根据属性服从的概率密度函数和参考点，由式(27)和式(28)分别计算“收益”和“损失”的预期概率：
p＝F(+∞)-F(x0) (27)，
p＝F(x0)-F(-∞) (28)，式中：f(x)为属性服从的概率密度函数；F(x)为属性服从的分布函数。
结合式(8)和式(9)与式(26)-(28)，得到极端场景下减少停电损失的前景模型Vext如式(29)所示：
式中：Eext为MMBES减少的停电损失收益；Eext.0为规划人员对该收益的预期；pext为该收益相对于Eext.0表现为“收益”和“损失”的概率，满足为如式(30)-(31)所示的关系：
式中：Nimp为保障的重要负荷数；Wsup.i为储能块在停电期间向负荷i供应的电量；ftra.i为承载装置运输储能块至负荷i处的成本；ξext为极端场景发生的概率，具有不确定性；Wrem.i为给负荷i供电的储能块剩余电能；tfai为停电时间,具有不确定性，但不得大于7天；ttra.i为储能块接入负荷i处所需的时间。
子步骤S35：构建考虑回收处理的全寿命周期成本前景模型。配置MMBES的全寿命周期成本属于支出，当成本大于参考值时决策者心理感知为“损失”，小于参考值时感知为“收益”；全寿命周期成本属性表现为确定性，配置MMBES成本的价值v(Ccyc)即为配置MMBES成本前景值Vc，具体表达式如式(32)所示：
式中：Ccyc为配置MMBES的全寿命周期成本；Ccyc.0为规划人员对该成本的预期；
全寿命周期成本Ccyc由初始投资建设成本Ccon、运行维护成本Cope和报废后的回收处理成本Crec三部分组成，表示为如式(33)所示：
Ccyc(Sn,Pn)＝Ccon+Cope+Crec (33)，
初始投资建设成本Ccon包括一定容量电池所需的能量成本和用于能量转换与监测管控的功率成本，表示为如式(34)所示：
Ccon＝csSn+cpPn (34)，
式中：cs为MMBES的单位容量投资成本；cp为MMBES的单位功率投资成本；
运行维护成本Cope包括由额定功率决定的固定成本和由储能充放电量决定的电量损耗成本，表示为如式(35)所示：
式中：cope为单位功率年运行维护成本；Wch和Wdch分别为MMBES的年充、放电电量；
报废后的回收处理成本Crec为分解处理报废MMBES的生产性支出与提取出的金属材料回收收益之差，表示为如式(36)所示：
式中：cr为单位重量电池回收价格；ρe为电池的比能量；chan为处理单位重量报废MMBES所需成本；j为MMBES所含金属种类编号；cij为金属i的回收价格；ρij为单位重量MMBES中金属i的含量。
步骤4：采用差分进化算法求解所提非线性优化模型。
鉴于储能电池尚无统一规格，本发明将决策变量处理为连续型变量，采用差分进化算法求解所提非线性优化模型，流程如图4所示，具体步骤如下：
1)输入基础参数，初始化决策变量Sn、Pn和Soc.min；
2)设置各属性参考点Edec.0、Erel.0、Edel.0、Eext.0和Ccyc.0，以及各属性重要程度ω1、ω2、ω3、ω4和ω5；
3)设置初始迭代次数n为1；
4)设置初始种群数m为1；
5)按照图2所示策略运行，计算各典型日负荷下MMBES的充放电功率，统计储能SOC置于各区间的概率；
6)根据式(10)-(12)计算配网降损前景值；
7)计算配置MMBES前系统可靠性，根据式(16)-(21)建立配置MMBES后配网可靠性模型并计算提高配网可靠性前景值；
8)在步骤7)可靠性模型的基础上，根据式(25)计算MMBES的可信容量，从而根据式(22)-(24)计算延缓电网升级改造前景值；
9)在步骤5)的基础上计算MMBES的剩余电量期望，并根据式(29)-(31)计算极端场景下减少停电损失前景值；
10)根据式(32)-(36)计算全寿命周期成本前景值；
11)在步骤6)、7)、8)、9)、10)的基础上根据式(2)-(5)计算并输出综合前景值；
12)若m≤MNP，转至步骤5)，否则对种群进行变异、交叉和选择操作；
13)若n≤Nite，转至步骤4)，否则输出最优MMBES配置结果。
综上所述，相较于现有技术，本发明具有以下技术效果：
(1)站在电网主体角度，提出了模块化储能在正常、故障、极端三种场景下协调应用的思路，具体为：MMBES在配网正常时削峰填谷运行、设备随机故障时向可转供负荷供电、极端场景下拆分运输至重要负荷处应急，不仅提高了储能的综合效用，而且增加了配电网的弹性；(2)针对上述三种场景产生的多种效益，考虑极端场景的不确定性及决策者对各种效益的主观偏好，本发明引入前景理论，以综合效益前景值最大为目标建立了MMBES优化配置模型；
(3)提出了配电网降损、可靠性提升、延缓升级改造、减少停电损失以及配置成本前景值的计算模型和求解方法。其中，延缓电网升级改造的前景采用可信容量从概率性的角度进行核算，能够更好地衡量储能的容量替代价值。

Claims (1)

1.一种电力配网模块化可移动电池储能MMBES优化配置方法，其特征在于，包括以下步骤：
步骤1：设定电力配网模块化可移动电池储能MMBES在正常、故障和极端场景下相应的运行方式及协调方法；其中，模块化可移动电池储能MMBES由若干个可独立供电的储能模块并联构成，每个储能模块由电池单元串并联集成安装在集装箱内，并提供多种电气接口，具备与电网即插即用的能力；当MMBES系统正常运行和设备随机故障时，所述储能模块并联组合配置在变电站中，获取减小网损、提高配网供电可靠性及延缓电网升级改造的收益；当电力系统遭受台风、地震或恶意攻击导致局部停电且需要一定恢复时间的情况下，MMBES通过拆分、运输，为重要区域或用户提供临时供电支撑，减少停电损失；
步骤2：通过分析可获得的收益类型，提取出与所述可移动电池储能MMBES的优化配置相关的配网输电损耗、配网供电可靠性、电网扩建投资、极端场景停电损失以及配置MMBES成本共5种属性，考虑极端场景的不确定性，基于前景理论，以综合前景值最大为目标建立储能的优化配置模型；
步骤3：分别建立配网输电损耗、配网供电可靠性、电网扩建投资、极端场景停电损失以及配置MMBES成本5种属性的前景模型；
步骤4：采用差分进化算法求解所提非线性优化模型；
在所述步骤2中，综合前景值V由价值函数v(x)和权重函数π(p)共同决定，表示为如式(1)所示：
式中：V为决策对象的综合前景值；π+(p)和π-(p)以及v+(x)和v-(x)分别为决策者感知为收益和损失时的权重函数和价值函数；m为相对于参考点为收益的属性值个数；n为全部属性个数；
以MMBES运行周期内综合前景值V最大为目标，针对所述配网输电损耗、配网供电可靠性、电网扩建投资、极端场景停电损失以及配置MMBES成本这5种属性，建立优化数学模型如式(2)-式(5)所示，其中式(3)-式(5)为约束条件：
maxV＝ω1Vdec+ω2Vrel+ω3Vdel+ω4Vext+ω5Vc (2)，
式中：V为电网公司配置MMBES的综合前景值；Vdec为减小配网输电损耗的前景值；Vrel为提高配网可靠性前景值；Vdel为延缓电网扩建投资的前景值；Vext为极端场景下减少停电损失的前景值；Vc为考虑MMBES回收处理的全寿命周期成本，即配置MMBES成本的前景值；ω1、ω2、ω3、ω4和ω5分别表示上述前景的重要程度，由决策者给出，且满足0≤ω1,ω2,ω3,ω4,ω5≤1，ω1+ω2+ω3+ω4+ω5＝1；决策变量为决定MMBES配置参数的额定容量Sn、额定功率Pn以及决定其运行策略的SOC下限Soc.min；其中，所述5种属性的量纲统一换算成“元”以消除不同量纲对综合前景值的影响，并基于净现值法以建设期初为基准，将各属性折现为统一的现值；
在所述约束条件式(3)-式(5)中，式(3)为系统有功平衡约束，pDGi.t、pMMBES.t及pinput.t分别为t时刻分布式电源i的出力、MMBES的出力及配网输入功率，其中，放电时MMBES的出力为正；ploadi.t与ploss.t分别为t时刻负荷节点i处的功率与系统的网络损耗；NDG与Nload分别为配电网中分布式电源数与负荷节点数；式(4)为节点电压约束，Ui为节点i处的电压值，和分别为该点电压的上、下限；式(5)为线路传输容量约束，Plij和/>分别为节点i到节点j的有功潮流及线路i-j的最大传输容量；
当属性相对于参考点为收益时，决策者表现为风险规避，此时，价值函数为凸函数；当属性相对于参考点为损失时，决策者表现为风险偏好，此时，价值函数为凹函数，且等量的损失与收益给决策者带来的痛苦大于愉悦；决策权重表示不确定性事件结果概率P的主观权重，对于小的概率，决策者倾向于赋予大于原本概率的权重；对于大的概率，决策者则倾向于赋予小于原本概率的权重；所述决策者的价值函数的具体表达式分别如下：
1)当属性为“收益”时，决策者的价值函数表示为如式(6)所示：
v+(x)＝(x-x0)α，x≥x0 (6)；
2)当属性为“损失”时，决策者的价值函数表示为如式(7)所示：
v-(x)＝-λ(x0-x)β，x＜x0 (7)，
式中：x0为属性的参考点，是规划人员主观意向的体现；参数α和β分别为风险偏好和风险规避系数，0≤α，β≤1；参数λ为损失规避系数，λ>1；
所述决策者的权重函数的具体表达式分别如下：
1)当属性为“收益”时，表示为如式(8)所示：
π+(p)＝pγ/[pγ+(1-p)γ]1/γ (8)；
2)当属性为“损失”时，表示如式(9)所示：
π-(p)＝pδ/[pδ+(1-p)δ]1/δ (9)；
式中：p表示属性在不确定性场景下表现为“收益”或“损失”的概率；参数γ和δ分别为决策者面对“收益”和“损失”时的风险态度系数；
所述场景的不确定性表现为极端场景发生概率与停电时间的不确定性，即除极端场景停电损失外，其余属性相对于参考点表现为“收益”或“损失”的概率为1或0，与之相对应的权重函数π(p)也为常数1或0，极端场景下减少停电损失属性的价值函数及权重函数服从概率密度函数；
所述步骤3包括以下子步骤：
子步骤S31：基于功率差控制策略的配电网降损前景模型；将配电网降损的价值v(Edec)，即配电网降损前景值Vdec表示为如式(10)所示：
式中：Edec为配置MMBES前后配电网降损收益；Edec.0为规划人员对降损收益的预期，满足如式(11)-式(12)所示关系：
Ny＝min(Nlife,Nwar) (12)，
式中：Ny为MMBES的使用年限；S为将全年日负荷划分为若干典型日的类别数；nj为一年中符合第j个典型日负荷类别的天数；Δploss.ij为配置MMBES前后在第j个典型日的第i时刻配电网网损之差；ΔT为单位时间间隔，取1h；fcost为电网购电单位成本；i0为基准收益率；Nlife为储能电池受放电深度及循环次数的影响耗尽寿命时的使用年限，基于雨流计数法计算得到；Nwar为MMBES生产商提供的质保期；
在电网正常运行时采用削峰填谷功率差控制策略，MMBES在满足式(13)-式(15)的基础上每天充分循环一次，并根据配置容量与SOC约束确定开始充放电功率P1、P2及开始与停止充放电时刻tk，k≥4，P1、P2与实际负荷的差值即为各个时段内的充放电功率：
Soc.min≤Soc.t≤Soc.max (14)，
|pMMBES.t|≤Pn (15)，
式中：Soc.t为t时刻MMBES的荷电状态；η为MMBES充放电效率；
子步骤S32：构建设备随机故障时提高配电网可靠性前景模型，具体为，在变电站内配置MMBES，当高压侧电网或站内变压器故障时，MMBES在故障恢复期间向处于同一孤岛的负荷供电，提升配电系统可靠性；配电网可靠性属性表现为确定性，将提升供电可靠性的价值v(Erel)，即提高配电网可靠性前景值Vrel表示为如式(16)所示：
式中：Erel为配置MMBES后配电网可靠性提升所带来的经济效益；Erel.0为规划人员对该经济效益的预期；
选取缺供电量期望值EENS作为配网可靠性评估指标，表示为如式(17)所示：
式中：ΔEENS为配置MMBES前后配网EENS之差；fsell为电网售电单位均价；fcomp为单位缺供电量的产电比，RIEA为用户评价系数；
采用解析法中的故障后果分析法作为可靠性评估方法进行计算，在步骤2所述的运行策略的基础上对各典型日负荷下MMBES的SOC进行统计，得到不同SOC水平的概率，再分别计算各个SOC水平下配网的可靠性，最后加权得到总可靠性，将EENS的具体计算公式表示为如式(18)-式(21)所示：
式中：J为不同SOC水平的场景类数；A为典型日负荷下MMBES的SOC样本总数；aj为第j个SOC场景的样本数；I为配电网中负荷总数；EENSi为第i个负荷的年缺供电量期望；Soc.j为第j个SOC场景下MMBES的剩余电量期望；prec.i为MMBES能够在故障期间向第i个负荷供电的期望；Ni为故障造成第i个负荷停电的元件；λk和μk分别为第k个元件的故障率和修复时间；Pi为保障停电负荷i正常供电所需功率；bjm为第j个SOC场景下的第m个样本值；IS为故障后造成MMBES与负荷处于同一孤岛内的元件；
子步骤S33：构建基于可信容量的延缓电网扩建投资的前景模型，具体是，将延缓电网扩建投资的价值v(Edel)，即延缓电网扩建投资的前景值Vdel表示为如式(22)-式(24)所示：
式中：Edel为配置MMBES后配电网延缓扩建收益；Edel.0为规划人员对该收益的预期；cinv为变电站及线路扩建所需投资；ΔTy为MMBES延缓电网升级改造的年数；τ为年负荷增长率；Pmax为配置MMBES前系统的最大负荷；Prel为MMBES的可信容量；
采用有效载荷能力指标评估MMBES的可信容量，具体关系如式(25)所示：
R(L0)＝R′(L0+ΔL) (25)，
式中：R和R′分别为配置MMBES前后配电网可靠性，评估指标EENS的计算参考式(18)-式(21)；L0和ΔL分别为配网内各负荷点原始负荷总和与新增负荷总和，当式(25)成立时，对应的ΔL即为MMBES的可信容量Prel；
子步骤S34：构建极端场景下减少停电损失前景模型；所述极端场景包括当电力系统遭遇极端天气或军事打击而大面积停电；所述极端场景下MMBES根据实际故障情况拆分成若干个独立供电单元，优先保障备用电源故障的一级负荷，如有余量再保障部分无备用电源的二级负荷，保障优先级从生命安全、国家安全和经济损失三个维度综合衡量，尽可能减少停电损失；所述极端场景下减少停电损失属性与场景发生的概率和停电时间相关，所述减少停电损失属性服从一定的概率分布而非确定值；
当所述减少停电损失属性具有不确定性时，价值函数应在式(6)和式(7)的基础上做出改进，具体如式(26)所示，当权重函数表达式中属性为“收益”或“损失”的概率p不再为1或0，而是根据属性服从的概率密度函数和参考点，由式(27)和式(28)分别计算“收益”和“损失”的预期概率：
p＝F(+∞)-F(x0) (27)，
p＝F(x0)-F(-∞) (28)，式中：f(x)为属性服从的概率密度函数；F(x)为属性服从的分布函数；
结合式(8)和式(9)与式(26)-式(28)，得到极端场景下减少停电损失的前景模型Vext如式(29)所示：
式中：Eext为MMBES减少的停电损失收益；Eext.0为规划人员对该收益的预期；pext为该收益相对于Eext.0表现为“收益”和“损失”的概率，满足为如式(30)-式(31)所示的关系：
式中：Nimp为保障的重要负荷数；Wsup.i为储能块在停电期间向负荷i供应的电量；ftra.i为承载装置运输储能块至负荷i处的成本；ξext为极端场景发生的概率，具有不确定性；Wrem.i为给负荷i供电的储能块剩余电能；tfai为停电时间,具有不确定性，但不得大于7天；ttra.i为储能块接入负荷i处所需的时间；
子步骤S35：构建考虑回收处理的全寿命周期成本前景模型，构建配置MMBES的全寿命周期成本前景模型，具体是，当成本大于参考值时决策者心理感知为“损失”，小于参考值时感知为“收益”；所述MMBES的全寿命周期成本属性表现为确定性，将配置MMBES成本的价值v(Ccyc)，即配置MMBES成本前景值Vc表示为如式(32)所示：
式中：Ccyc为配置MMBES的全寿命周期成本；Ccyc.0为规划人员对该成本的预期；
所述MMBES的全寿命周期成本Ccyc由初始投资建设成本Ccon、运行维护成本Cope和报废后的回收处理成本Crec三部分组成，表示为如式(33)所示：
Ccyc(Sn,Pn)＝Ccon+Cope+Crec (33)，
初始投资建设成本Ccon包括一定容量电池所需的能量成本和用于能量转换与监测管控的功率成本，表示为如式(34)所示：
Ccon＝csSn+cpPn (34)，
式中：cs为MMBES的单位容量投资成本；cp为MMBES的单位功率投资成本；
运行维护成本Cope包括由额定功率决定的固定成本和由储能充放电量决定的电量损耗成本，表示为如式(35)所示：
式中：cope为单位功率年运行维护成本；Wch和Wdch分别为MMBES的年充、放电电量；
报废后的回收处理成本Crec为分解处理报废MMBES的生产性支出与提取出的金属材料回收收益之差，表示为如式(36)所示：
式中：cr为单位重量电池回收价格；ρe为电池的比能量；chan为处理单位重量报废MMBES所需成本；j为MMBES所含金属种类编号；cij为金属i的回收价格；ρij为单位重量MMBES中金属i的含量；
所述步骤4中将决策变量处理为连续型变量，采用差分进化算法求解所提非线性优化模型，具体包括如下步骤：
1)输入基础参数，初始化决策变量Sn、Pn和Soc.min；
2)设置各属性参考点Edec.0、Erel.0、Edel.0、Eext.0和Ccyc.0，以及各属性重要程度ω1、ω2、ω3、ω4和ω5；
3)设置初始迭代次数n为1；
4)设置初始种群数m为1；
5)按照图2所示策略运行，计算各典型日负荷下MMBES的充放电功率，统计储能SOC置于各区间的概率；
6)根据式(10)-式(12)计算配网降损前景值；
7)计算配置MMBES前系统可靠性，根据式(16)-式(21)建立配置MMBES后配网可靠性模型并计算提高配网可靠性前景值；
8)在步骤7)可靠性模型的基础上，根据式(25)计算MMBES的可信容量，从而根据式(22)-式(24)计算延缓电网升级改造前景值；
9)在步骤5)的基础上计算MMBES的剩余电量期望，并根据式(29)-式(31)计算极端场景下减少停电损失前景值；
10)根据式(32)-式(36)计算全寿命周期成本前景值；
11)在步骤6)、7)、8)、9)、10)的基础上根据式(2)-式(5)计算并输出综合前景值；
12)若m≤MNP，转至步骤5)，否则对种群进行变异、交叉和选择操作；
13)若n≤Nite，转至步骤4)，否则输出最优MMBES配置结果。
CN202110764458.4A 2021-07-06 2021-07-06 一种电力配网模块化可移动电池储能mmbes优化配置方法 Active CN113313613B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110764458.4A CN113313613B (zh) 2021-07-06 2021-07-06 一种电力配网模块化可移动电池储能mmbes优化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110764458.4A CN113313613B (zh) 2021-07-06 2021-07-06 一种电力配网模块化可移动电池储能mmbes优化配置方法

Publications (2)

Publication Number Publication Date
CN113313613A CN113313613A (zh) 2021-08-27
CN113313613B true CN113313613B (zh) 2024-02-20

Family

ID=77381812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110764458.4A Active CN113313613B (zh) 2021-07-06 2021-07-06 一种电力配网模块化可移动电池储能mmbes优化配置方法

Country Status (1)

Country Link
CN (1) CN113313613B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537843A (zh) * 2021-09-15 2021-10-22 蜂巢能源科技有限公司 一种储能能量管理系统及方法
CN113656988A (zh) * 2021-10-20 2021-11-16 中国能源建设集团湖南省电力设计院有限公司 一种提升风电消纳储能功率的优化方法
CN114219291A (zh) * 2021-12-15 2022-03-22 山东理工大学 基于p2p交易模式和mes电能共享的配电系统韧性提升方法
CN114884110B (zh) * 2022-07-01 2022-09-20 国网湖北省电力有限公司经济技术研究院 一种源网荷多约束条件下的电力系统储能优化运行方法
CN115130391B (zh) * 2022-08-25 2022-12-06 华北电力大学 一种计及热惯性的电热综合能源系统故障恢复方法及系统
CN115759375B (zh) * 2022-11-09 2023-06-02 浙江咸亨创新产业中心有限公司 一种应用于故障配电网的模块化移动电池储能配置方法
CN116307502A (zh) * 2023-01-30 2023-06-23 国网江苏省电力有限公司南京供电分公司 一种积木式储能系统减少停电损失的优化配置方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019196375A1 (zh) * 2018-04-13 2019-10-17 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法
CN110502814A (zh) * 2019-08-09 2019-11-26 国家电网有限公司 考虑储能和负荷管理技术的主动配电网多目标规划方法
CN111200281A (zh) * 2019-12-23 2020-05-26 北京交通大学 互联微网储能配置扩容优化方法
CN112163700A (zh) * 2020-09-22 2021-01-01 清华大学 一种考虑储能电池循环寿命的电化学储能电站规划方法
WO2021098352A1 (zh) * 2019-11-22 2021-05-27 国网福建省电力有限公司 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019196375A1 (zh) * 2018-04-13 2019-10-17 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法
CN110502814A (zh) * 2019-08-09 2019-11-26 国家电网有限公司 考虑储能和负荷管理技术的主动配电网多目标规划方法
WO2021098352A1 (zh) * 2019-11-22 2021-05-27 国网福建省电力有限公司 一种考虑电动汽车充电站选址定容的主动配电网规划模型的建立方法
CN111200281A (zh) * 2019-12-23 2020-05-26 北京交通大学 互联微网储能配置扩容优化方法
CN112163700A (zh) * 2020-09-22 2021-01-01 清华大学 一种考虑储能电池循环寿命的电化学储能电站规划方法

Also Published As

Publication number Publication date
CN113313613A (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN113313613B (zh) 一种电力配网模块化可移动电池储能mmbes优化配置方法
Yang et al. Optimal sizing and placement of energy storage system in power grids: A state-of-the-art one-stop handbook
CN107301470B (zh) 一种配电网扩展规划与光储选址定容的双层优化方法
Reddy Optimal scheduling of thermal-wind-solar power system with storage
CN112467722B (zh) 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法
Shang et al. Internet of smart charging points with photovoltaic Integration: A high-efficiency scheme enabling optimal dispatching between electric vehicles and power grids
CN107230984B (zh) 一种电力需求响应参与配电网电压调节的方法及控制系统
CN113269371A (zh) 一种智能配电网供电综合性能评估方法及系统
CN108551176B (zh) 一种结合储能均衡技术的储能电池系统容量配置方法
CN112365021A (zh) 一种基于混合储能的区域综合能源系统规划优化方法
CN110739690A (zh) 考虑电动汽车快充站储能设施的配电网优化调度方法及系统
CN106529737A (zh) 一种配电网供给侧调峰电源规划布局方法
CN111009914A (zh) 一种面向主动配电网的储能装置选址定容方法
Liu et al. Bi-level fuzzy stochastic expectation modelling and optimization for energy storage systems planning in virtual power plants
Chen et al. Prospect Theory-Based optimal configuration of modular mobile battery energy storage in distribution network considering disaster scenarios
CN114301081A (zh) 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法
CN112993985A (zh) 一种考虑不确定性的微电网多目标规划方法
CN112600244A (zh) 一种基于神经网络的光伏电站电压控制方法
CN115021406B (zh) 一种整合经济性模型预测控制的微电网控制器
Yang et al. Over-voltage mitigation control strategies for distribution system with high PV penetration
CN113158412B (zh) 一种基于布谷鸟算法的光储电站协同优化方法
CN113255957A (zh) 综合服务站不确定因素的定量优化分析方法及系统
CN108183498B (zh) 一种含风光储配电网背景下的车储混合配置方法
CN112865101A (zh) 一种考虑可再生能源出力不确定性的线性化交易方法
Nejad et al. Economic model for coordinating large-scale energy storage power plant with demand response management options in smart grid energy management

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