CN113452037A - 一种兼顾调频的光伏阵列重构优化方法 - Google Patents

一种兼顾调频的光伏阵列重构优化方法 Download PDF

Info

Publication number
CN113452037A
CN113452037A CN202110695368.4A CN202110695368A CN113452037A CN 113452037 A CN113452037 A CN 113452037A CN 202110695368 A CN202110695368 A CN 202110695368A CN 113452037 A CN113452037 A CN 113452037A
Authority
CN
China
Prior art keywords
jellyfish
photovoltaic array
power
solution
population
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
Application number
CN202110695368.4A
Other languages
English (en)
Other versions
CN113452037B (zh
Inventor
何廷一
马红升
杨博
和鹏
何鑫
向川
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.)
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power Grid 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 Electric Power Research Institute of Yunnan Power Grid Co Ltd filed Critical Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority to CN202110695368.4A priority Critical patent/CN113452037B/zh
Publication of CN113452037A publication Critical patent/CN113452037A/zh
Application granted granted Critical
Publication of CN113452037B publication Critical patent/CN113452037B/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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • H02J3/241—The oscillation concerning frequency
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/10—Photovoltaic [PV]
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本申请提供了一种兼顾调频的光伏阵列重构优化方法，所述方法包括首先建立光伏阵列重构数学模型，再使用多目标水母搜索算法获得帕累托前沿，并在所得到的帕累托前沿基础上，利用VIKOR决策法确定折衷解，根据折衷解改变光伏阵列的开关矩阵以获得最优的电气连接方案。与已有研究相比，本申请不仅实现了光储电站在各种辐照下保持最大输出功率的目标，还进一步考虑了对调频信号的响应，并利用电池储能系统来平衡调频信号与光伏阵列输出功率之间的功率偏差，解决了不能兼顾光储电站保持最大输出功率和平衡电力系统干扰这个问题，提高了光储电站的经济效益和并网运行的可靠性。

Description

一种兼顾调频的光伏阵列重构优化方法
技术领域
本申请涉及电力系统领域，尤其涉及一种兼顾调频的光伏阵列重构优化方法。
背景技术
近年来，光伏阵列的应用越来越普遍，但其面临着云层、建筑阴影和掉落的灰尘等造成的局部遮蔽挑战，局部遮蔽引起的失配损耗导致光伏阵列的功率输出显著减少，目前已经提出了多种光伏阵列重构技术，旨在通过分散整个阵列的阴影来减轻失配损耗。
重构技术可分为静态重构和动态重构，在静态重构中，光伏模块在局部遮蔽下电气连接保持不变，改变物理位置以分散阴影，而动态重构技术不改变模块物理位置，通过切换开关矩阵的状态来改变光伏模块的电气连接以分散阴影。
然而，现有的光伏阵列动态重构研究没有考虑光储系统对调频信号的功率响应问题和电池储能系统的功率波动平衡问题，不能实现光储电站功率输出的最大化，导致损耗增加，也不能实现光储电站功率输出与调频信号之间的功率偏差最小化，如果光伏系统功率输出有严重的或者大范围的不满足调频要求，可能危害电网整体运行。
发明内容
本申请一种兼顾调频的光伏阵列重构优化方法，协调储能电池以实现光储电站功率输出最大化的同时追求光储电站功率输出与调频信号之间的功率偏差最小化，从而提高光储发电厂的输出效益和平衡电力系统的干扰。
所述一种兼顾调频的光伏阵列重构优化方法包括：
串并交叉连接多块光伏模块，组成光伏阵列，通过开关矩阵改变光伏模块间的电气连接，形成不同连接的排列组合方案；
将光伏阵列与储能电池连接组成光储电站；
建立光伏阵列重构数学模型，在所述光伏阵列重构数学模型中随机生成光伏阵列的多个初始排列组合方案，所述光伏阵列重构数学模型包括：光储电站最大输出功率的计算公式、平衡光储电站输出功率与电力系统干扰的计算公式以及电池储能系统充电功率和荷电状态的约束公式；
利用多目标水母搜索算法对光伏阵列的多个初始排列组合方案进行搜索和迭代优化，通过迭代输出帕累托前沿，所述帕累托前沿为经过迭代优化的光伏阵列排列组合方案的合集；
利用VIKOR决策法确定所述帕累托前沿的折衷解，所述折衷解为实现光储电站功率输出最大和光储电站功率输出同调频信号之间功率偏差最小的光伏阵列排列组合方案；
通过开关矩阵改变所述光伏阵列中各光伏模块的串并交叉连接结构，使所述光伏模块间的电气连接与所述折衷解一致。
可选的，所述光储电站最大输出功率的计算公式为：
Figure BDA0003128086930000021
所述平衡光储电站输出功率与电力系统干扰的计算公式为：
Figure BDA0003128086930000022
所述电池储能系统充电功率和荷电状态的约束公式为：
Figure BDA0003128086930000023
Figure BDA0003128086930000024
f1是额定输出功率与平均输出功率之间功率偏差值，f2是上级调度系统发出的调频信号指定输出功率与实际输出功率之间功率偏差值，
Figure BDA0003128086930000025
是光储电站的额定功率输出，T是调频信号的周期，PPES(t)是光储电站在第t个时间区段的功率输出，Pes(t)是电池储能系统在第t个时间区段的充电功率，
Figure BDA0003128086930000026
和
Figure BDA0003128086930000027
分别是电池储能系统的最小充电功率和最大充电功率，PFR(t)是第t个时间区段的调频信号，SOCes(t)是电池储能系统在t时间段的荷电状态，
Figure BDA0003128086930000028
和
Figure BDA0003128086930000029
分别是电池储能系统的最小和最大荷电状态。
可选的，所述利用多目标水母搜索算法对光伏阵列的多个排列组合方案进行重构优化的具体步骤为：
构建适应多目标水母搜索的适应度函数；
设立存储池，输入实时天气预报数据、最大迭代次数、最大存储数量，初始化搜索空间、种群规模、分区数量和迭代次数；
在搜索空间内利用逻辑混沌映射初始化水母种群；
计算当前水母种群中所有个体的适应度函数，设该种群为精英种群，将精英种群的帕累托非支配集合作为存储池的初始种群；
通过算法迭代不断优化更新当前种群，最后一次迭代输出帕累托前沿。
可选的，所述构建适应多目标水母搜索的适应度函数为：
Figure BDA00031280869300000210
M(t)是荷电状态约束公式
Figure BDA00031280869300000211
t∈T的惩罚分量。
可选的，所述通过算法迭代不断优化更新当前种群，最后一次迭代输出帕累托前沿的步骤为：
将搜索空间均匀分成ngrid个分区，计算每个分区中水母个体的选择概率；
根据选择概率，利用轮盘赌选择法从搜索空间种群中选择合适的解形成精英种群；
计算控制函数：
Figure BDA00031280869300000212
k是当前迭代次数，MAXiter是最大迭代次数，rand(0,1)是0～1之间的随机数；
根据控制函数依次对所有分区中水母种群更新位置；
对更新后所有分区中水母种群位置进行判定操作；
计算所有种群中每个个体对应的适应度函数，依据所述适应度函数更新精英种群并选择性地将精英种群放入存储池；
若存储池种群的数量超过最大存储数量，则计算存储池种群中水母种群的淘汰概率，根据淘汰概率，轮盘赌淘汰较差的个体直至存储池种群的数量不再超过最大存储数量；
若当前迭代次数低于最大迭代次数，则重复以上通过算法迭代输出帕累托前沿的所有步骤，并且迭代次数加1，若当前迭代次数等于最大迭代次数，则输出帕累托前沿。
可选的，所述根据控制函数依次对所有分区中水母种群更新位置操作为：
若控制函数结果大于等于0.5，则确定洋流位置，根据洋流位置更新水母种群位置；
若控制函数结果小于0.5，则判定水母运动状态并执行，根据水母不同运动状态更新水母种群位置。
可选的，所述判定水母运动状态并执行为：
执行rand(0,1)；
若rand90,1)大于1与控制函数结果的差值，则水母围着自己位置转；
若rand(0,1)小于等于1与控制函数结果的差值，则水母围着另一只水母转。
可选的，所述对更新后所有分区中水母种群位置进行判定操作为：
执行rand(0,1)；
若rand90,1)小于等于当前迭代次数与最大迭代次数的比值，则通过反向跳跃方法更新所有分区中水母种群位置；
若rand(0,1)大于当前迭代次数与最大迭代次数的比值，则不更新所有分区中水母种群位置。
可选的，所述更新精英种群并选择性地将精英种群放入存储池步骤为：
算法迭代获得新的非支配解，跟存储池里非支配解集进行比较；
若新解支配存储池里面某一个或多个解，则用新解将存储池里非支配解集替换；
若存储池里至少有一个解支配新解，则放弃新解；
若新解与存储池里所有解之间不存在支配关系，则将新解放入存储池中。
可选的，所述利用VIKOR决策法确定所述帕累托前沿的折衷解步骤为：
根据所述帕累托前沿分布，确定正理想解和负理想解；
根据所述正理想解和负理想解计算每个备选帕累托解的群体效益值和个体遗憾值；
根据所述每个备选帕累托解的群体效益值和个体遗憾值计算各备选帕累托解的综合评估值；
根据所述各备选帕累托解的综合评估值确定折衷解，并输出所述折衷解。
本申请另一方面提供一种兼顾调频的光伏阵列重构优化系统，所述一种兼顾调频的光伏阵列重构优化系统用于执行权利要求1-10任一项所述的一种兼顾调频的光伏阵列重构优化方法，包括：将光能转化为直流电的光伏模块，由光伏模块串并交叉连接组成的光伏阵列，与光伏阵列连接的储能电池，控制各光伏模块间电气连接的开关矩阵，发出调频信号的上级调度系统和对光伏阵列进行重构优化的重构系统。
由上述方案可知，本申请提供了一种兼顾调频的光伏阵列重构优化方法，相较于传统光伏阵列重构优化方法，本申请中使用的多目标水母算法具有较强的全局搜索能力和较快的收敛速度，是一种可用于探索帕累托前沿的高效方法，本申请中使用的VIKOR决策方法确保了各目标函数的平衡，可以有效地从帕累托前沿中选择最合适的折衷解。通过执行本申请中的光伏阵列重构优化方法，光储电站不仅能在各种辐照下实现最大功率输出，使光储电站的经济效益得到提升，还可以利用电池储能系统进行功率调度以有效响应调频信号，使光储电站功率输出与调频信号之间的功率偏差达到最小化，进一步使电站并网运行的安全可靠性得到保证。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种兼顾调频的光伏阵列重构优化方法的流程示意图。
图2为本申请实施例提供的所述通过算法迭代不断优化更新当前种群，最后一次迭代输出帕累托前沿的流程示意图。
具体实施方式
如图1所示，为本申请实施例提供的一种兼顾调频的光伏阵列重构优化方法的流程示意图，所述一种兼顾调频的光伏阵列重构优化方法包括步骤S101至步骤S105。
步骤S101，串并交叉连接光伏模块，组成光伏阵列，并将光伏阵列与储能电池连接组成光储电站。
所述光伏阵列通过开关矩阵改变光伏模块间的电气连接，形成不同电气连接的排列组合方案。
例如一个光伏阵列可由81个光伏模块组成，81个光伏模块物理位置上形成9行×9列交叉的矩阵结构，光伏模块之间直接可以通过开关矩阵改变电路结构，完成动态重构，达到分散阴影的目的。
又例如一个光伏阵列可由169个光伏模块组成，169个光伏模块物理位置上形成13行×13列交叉的矩阵结构，光伏模块之间直接可以通过开关矩阵改变电路结构，完成动态重构，达到分散阴影的目的。
步骤S102，建立光伏阵列重构数学模型，在所述光伏阵列重构数学模型中随机生成光伏阵列的多个初始排列组合方案。
所述光伏阵列重构数学模型包括：光储电站最大输出功率的计算公式、平衡光储电站输出功率与电力系统干扰的计算公式以及电池储能系统充电功率和荷电状态的约束公式。
追求光储电站的最大输出功率可以转化为追求额定输出功率与平均输出功率之间功率偏差f1的最小值，平衡光储电站输出功率与电力系统干扰可以转化为追求调频信号与功率输出之间功率偏差f2的最小值。
进一步的，所述光储电站最大输出功率的计算公式为：
Figure BDA0003128086930000051
所述平衡光储电站输出功率与电力系统干扰的计算公式为：
Figure BDA0003128086930000052
Figure BDA0003128086930000053
f1是额定输出功率与平均输出功率之间功率偏差值，f2是上级调度系统发出的调频信号指定输出功率与实际输出功率之间功率偏差值，
Figure BDA0003128086930000054
是光储电站的额定功率输出，T是调频信号的周期，PPES(t)是光储电站在第t个时间区段的功率输出，Pes(t)是电池储能系统在第t个时间区段的充电功率。
所述电池储能系统充电功率和荷电状态的约束公式为：
Figure BDA0003128086930000055
t∈T和
Figure BDA0003128086930000056
t∈T。
Figure BDA0003128086930000057
和
Figure BDA0003128086930000058
分别是电池储能系统的最小充电功率和最大充电功率，PFR(t)是第t个时间区段的调频信号，SOCes(t)是电池储能系统在t时间段的荷电状态，
Figure BDA0003128086930000059
和
Figure BDA00031280869300000510
分别是电池储能系统的最小和最大荷电状态。
进一步的，电池储能系统在t时间段的荷电状态计算公式为：
Figure BDA00031280869300000511
ηch是充电效率，ηdis是放电效率，Δt是控制时间间隔，Ees是电池储能系统的额定容量。
在所述光伏阵列重构数学模型中模拟生成光伏阵列的多个排列组合方案，不同的排列组合方案即为光伏阵列的不同电气连接。
步骤S103，利用多目标水母搜索算法对光伏阵列的多个初始排列组合方案进行搜索和迭代优化，通过迭代输出帕累托前沿。
首先，构建适应多目标水母搜索的适应度函数为：
Figure BDA00031280869300000512
M(t)是荷电状态约束公式
Figure BDA00031280869300000513
t∈T的惩罚分量，若满足
Figure BDA00031280869300000514
条件，则M(t)＝0，若不满足
Figure BDA00031280869300000515
条件，则
Figure BDA00031280869300000516
χ是惩罚因子。
进一步的，设立存储池，输入实时天气预报数据、最大迭代次数MAXiter、最大存储数量，初始化搜索空间、种群规模NPOP、分区数量ngrid和迭代次数k。
进一步的，在搜索空间内利用逻辑混沌映射初始化水母种群为：Xi：Xi+1＝ηXi(1-Xi)，0<X1<1，X1≠0.25,0.5,0.75，i＝1,2,…,NPOP。
进一步的，计算初始水母种群中所有个体的适应度函数F1(Xi)和F2(Xi)，设该种群为精英种群，将精英种群的帕累托非支配集合作为初始化存储池种群。
进一步的，通过算法迭代不断优化更新当前种群，最后一次迭代输出帕累托前沿。
如图2所示，为本申请实施例提供的所述通过算法迭代不断优化更新当前种群，最后一次迭代输出帕累托前沿步骤的流程示意图，所述通过算法迭代不断优化更新当前种群，最后一次迭代输出帕累托前沿的流程示意图通过步骤S201至步骤S215建立。
步骤S201，计算每个分区中水母个体的选择概率。
将搜索空间均匀分成ngrid个分区，计算每个分区中水母个体的选择概率。
所述选择概率计算公式为
Figure BDA0003128086930000061
c是大于1的常数，Ni是第i个分区中得到的帕累托前沿解的数量。
步骤S202，根据选择概率选择合适的解形成精英种群。
所述根据选择概率选择合适的解，具体为采用轮盘赌选择法从水母种群中选择合适的解，所在分区水母数量越少的个体被选择的概率越大。
步骤S203，计算控制函数：
Figure BDA0003128086930000062
rand(0,1)是0～1之间的随机数。
步骤S204，判定c(k)是否大于等于0.5。
步骤S205，若控制函数的结果c(k)≥0.5，则确定洋流位置，根据洋流位置更新水母种群位置。
首先确定洋流：
Figure BDA0003128086930000063
∑EL_X是整个精英种群。
再更新位置：
Figure BDA0003128086930000064
EL_Xi(k)是Xi(k)对应的精英水母。
步骤S206，若控制函数的结果若c(k)<0.5，则判定rand(0,1)是否大于(1-c(k))。
执行rand(0,1)，将rand(0,1)的值与1-c(k)的值进行比较判定。
步骤S207，若rand(0,1)≤(1-c(k))，则水母围着另一只水母转，更新位置。
依次对所有分区中水母种群更新位置：
Figure BDA0003128086930000065
Figure BDA0003128086930000066
是两个精英水母之间的向量，方向指向占优势地位的水母。
步骤S208，若rand(0,1)>(1-c(k))，则水母围着自己位置转，更新位置。
依次对所有分区中水母种群更新位置：
Figure BDA0003128086930000067
X*是当前水母群最优个体的位置。
步骤S209，判定rand(0,1)是否小于等于
Figure BDA0003128086930000068
执行rand(0,1)，将rand(0,1)的值与
Figure BDA0003128086930000069
的值进行比较判定。
步骤S210，若
Figure BDA0003128086930000071
则通过反向跳跃方法更新水母位置：Xi ′(k)＝(Lbi-Ubi)-Xi(k)。
Ub与Lb分别是搜索解空间的上下界。
步骤S211，若
Figure BDA0003128086930000072
或执行完步骤S210，则更新精英种群并选择性地将精英种群放入存储池。
计算每个解Xi对应的适应度函数F1(Xi)和F2(Xi)，从新的位置更新精英种群，将新的精英种群与存储池种群比较，判断新的精英种群是否存入存储池中，具体包括：
若新解支配存储池里面某一个或多个解，则用新解将存储池里非支配解集替换。
若存储池里至少有一个解支配新解，则放弃新解。
若新解与存储池里所有解之间不存在支配关系，则将新解放入存储池中。
步骤S212，判定存储池种群数量是否超过最大存储数量。
步骤S213，若存储池种群的数量超过最大存储数量，则计算存储池中水母种群的淘汰概率，根据淘汰概率淘汰较差的解。
计算存储池中水母种群的淘汰概率
Figure BDA0003128086930000073
根据淘汰概率，轮盘赌淘汰较差的解，所在分区水母数量越多的个体被淘汰的概率越大，直至存储池种群的数量不再超过最大存储数量。
步骤S214，若存储池种群的数量不超过最大存储数量，则判断当前迭代次数是否小于最大迭代次数。
若当前迭代次数小于最大迭代次数，则执行步骤S201，完成一次迭代。
步骤S215，若当前迭代次数等于最大迭代次数，输出帕累托前沿。
所述帕累托前沿为经过迭代优化的光伏阵列排列组合方案的合集。
步骤S104，利用VIKOR决策法确定所述帕累托前沿的折衷解。
首先，在帕累托前沿的基础上确定正、负理想解：
Figure BDA0003128086930000074
Figure BDA0003128086930000075
v+和v-分别是正的和负的理想解，
Figure BDA0003128086930000076
是第j个目标函数对应第i个帕累托解的值。
进一步的，计算每个备选帕累托解的群体效益值：
Figure BDA0003128086930000077
i＝1,2,…,n。
计算每个备选帕累托解的个体遗憾值：
Figure BDA0003128086930000078
i＝1,2,…,n。
Figure BDA0003128086930000079
是第j个目标函数的权重系数；Ui和Ri分别是第i个帕累托解的群体效益值和个体遗憾值。
进一步的，计算各备选帕累托解的综合评估值：
Figure BDA00031280869300000710
i＝1,2,…,n。
Qi是第i个帕累托解的综合评估值；U+和U-分别是最小和最大群体效益值；R+和R-分别是最小和最大遗憾值；γ是群体效益的权重系数。
进一步的，根据综合评估值确定折衷解：
Figure BDA0003128086930000081
Figure BDA0003128086930000082
是第i个帕累托解，xbest是折衷解。
进一步的，输出所述帕累托前沿的折衷解，所述折衷解为实现光储电站功率输出最大和光储电站功率输出同调频信号之间功率偏差最小的光伏阵列排列组合方案。
步骤S105，通过开关矩阵改变所述光伏阵列中各光伏模块的串并交叉连接结构，使所述光伏模块间的电气连接与所述折衷解一致。
所述依据折衷解改变光伏阵列的电气连接具体为通过开关矩阵改变所述光伏阵列中各光伏模块的串并交叉连接结构，使所述光伏模块间的电气连接与所述折衷解一致，完成动态重构，达到分散阴影的目的。
由上述实施例可知，本申请提供了一种兼顾调频的光伏阵列重构优化方法，相较于传统光伏阵列重构优化方法，本申请中使用的多目标水母算法具有较强的全局搜索能力和较快的收敛速度，是一种可用于探索帕累托前沿的高效方法，本申请中使用的VIKOR决策方法确保了各目标函数的平衡，可以有效地从帕累托前沿中选择最合适的折衷解。通过执行本申请中的光伏阵列重构优化方法，光储电站不仅能在各种辐照下实现最大功率输出，使光储电站的经济效益得到提升，还可以利用电池储能系统进行功率调度以有效响应调频信号，使光储电站功率输出与调频信号之间的功率偏差达到最小化，进一步使电站并网运行的安全可靠性得到保证。
以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。

Claims (10)

1.一种兼顾调频的光伏阵列重构优化方法，其特征在于，包括：
串并交叉连接多块光伏模块，组成光伏阵列，通过开关矩阵改变光伏模块间的电气连接，形成不同连接的排列组合方案；
将光伏阵列与储能电池连接组成光储电站；
建立光伏阵列重构数学模型，在所述光伏阵列重构数学模型中随机生成光伏阵列的多个初始排列组合方案，所述光伏阵列重构数学模型包括：光储电站最大输出功率的计算公式、平衡光储电站输出功率与电力系统干扰的计算公式以及电池储能系统充电功率和荷电状态的约束公式；
利用多目标水母搜索算法对光伏阵列的多个初始排列组合方案进行搜索和迭代优化，通过迭代输出帕累托前沿，所述帕累托前沿为经过迭代优化的光伏阵列排列组合方案的合集；
利用VIKOR决策法确定所述帕累托前沿的折衷解，所述折衷解为实现光储电站功率输出最大和光储电站功率输出同调频信号之间功率偏差最小的光伏阵列排列组合方案；
通过开关矩阵改变所述光伏阵列中各光伏模块的串并交叉连接结构，使所述光伏模块间的电气连接与所述折衷解一致。
2.根据权利要求1所述的一种兼顾调频的光伏阵列重构优化方法，其特征在于，所述光储电站最大输出功率的计算公式为：
Figure FDA0003128086920000011
所述平衡光储电站输出功率与电力系统干扰的计算公式为：
Figure FDA0003128086920000012
所述电池储能系统充电功率和荷电状态的约束公式为：
Figure FDA0003128086920000013
Figure FDA0003128086920000014
f1是额定输出功率与平均输出功率之间功率偏差值，f2是上级调度系统发出的调频信号指定输出功率与实际输出功率之间功率偏差值，
Figure FDA0003128086920000015
是光储电站的额定功率输出，T是调频信号的周期，PPES(t)是光储电站在第t个时间区段的功率输出，Pes(t)是电池储能系统在第t个时间区段的充电功率，
Figure FDA0003128086920000016
和
Figure FDA0003128086920000017
分别是电池储能系统的最小充电功率和最大充电功率，PFR(t)是第t个时间区段的调频信号，SOCes(t)是电池储能系统在t时间段的荷电状态，
Figure FDA0003128086920000018
和
Figure FDA0003128086920000019
分别是电池储能系统的最小和最大荷电状态。
3.根据权利要求1所述的一种兼顾调频的光伏阵列重构优化方法，其特征在于，所述利用多目标水母搜索算法对光伏阵列的多个排列组合方案进行重构优化的具体步骤为：
构建适应多目标水母搜索的适应度函数；
设立存储池，输入实时天气预报数据、最大迭代次数、最大存储数量，初始化搜索空间、种群规模、分区数量和迭代次数；
在搜索空间内利用逻辑混沌映射初始化水母种群；
计算当前水母种群中所有个体的适应度函数，设该种群为精英种群，将精英种群的帕累托非支配集合作为存储池的初始种群；
通过算法迭代不断优化更新当前种群，最后一次迭代输出帕累托前沿。
4.根据权利要求2或3所述的一种兼顾调频的光伏阵列重构优化方法，其特征在于，所述构建适应多目标水母搜索的适应度函数为：
Figure FDA0003128086920000021
M(t)是荷电状态约束公式
Figure FDA0003128086920000022
的惩罚分量。
5.根据权利要求3所述的一种兼顾调频的光伏阵列重构优化方法，其特征在于，所述通过算法迭代不断优化更新当前种群，最后一次迭代输出帕累托前沿的步骤为：
将搜索空间均匀分成ngrid个分区，计算每个分区中水母个体的选择概率；
根据选择概率，利用轮盘赌选择法从搜索空间种群中选择合适的解形成精英种群；
计算控制函数：
Figure FDA0003128086920000023
k是当前迭代次数，MAXiter是最大迭代次数，rand(0,1)是0～1之间的随机数；
根据控制函数依次对所有分区中水母种群更新位置；
对更新后所有分区中水母种群位置进行判定操作；
计算所有种群中每个个体对应的适应度函数，依据所述适应度函数更新精英种群并选择性地将精英种群放入存储池；
若存储池种群的数量超过最大存储数量，则计算存储池种群中水母种群的淘汰概率，根据淘汰概率，轮盘赌淘汰较差的个体直至存储池种群的数量不再超过最大存储数量；
若当前迭代次数低于最大迭代次数，则重复以上通过算法迭代输出帕累托前沿的所有步骤，并且迭代次数加1，若当前迭代次数等于最大迭代次数，则输出帕累托前沿。
6.根据权利要求5所述的一种兼顾调频的光伏阵列重构优化方法，其特征在于，所述根据控制函数依次对所有分区中水母种群更新位置操作为：
若控制函数结果大于等于0.5，则确定洋流位置，根据洋流位置更新水母种群位置；
若控制函数结果小于0.5，则判定水母运动状态并执行，根据水母不同运动状态更新水母种群位置。
7.根据权利要求5或6所述的一种兼顾调频的光伏阵列重构优化方法，其特征在于，所述判定水母运动状态并执行为：
执行rand(0,1)；
若rand(0,1)大于1与控制函数结果的差值，则水母围着自己位置转；
若rand(0,1)小于等于1与控制函数结果的差值，则水母围着另一只水母转。
8.根据权利要求5所述的一种兼顾调频的光伏阵列重构优化方法，其特征在于，所述对更新后所有分区中水母种群位置进行判定操作为：
执行rand(0,1)；
若rand(0,1)小于等于当前迭代次数与最大迭代次数的比值，则通过反向跳跃方法更新所有分区中水母种群位置；
若rand(0,1)大于当前迭代次数与最大迭代次数的比值，则不更新所有分区中水母种群位置。
9.根据权利要求5所述的一种兼顾调频的光伏阵列重构优化方法，其特征在于，所述更新精英种群并选择性地将精英种群放入存储池步骤为：
算法迭代获得新的非支配解，跟存储池里非支配解集进行比较；
若新解支配存储池里面某一个或多个解，则用新解将存储池里非支配解集替换；
若存储池里至少有一个解支配新解，则放弃新解；
若新解与存储池里所有解之间不存在支配关系，则将新解放入存储池中。
10.根据权利要求1所述的一种兼顾调频的光伏阵列重构优化方法，其特征在于，所述利用VIKOR决策法确定所述帕累托前沿的折衷解步骤为：
根据所述帕累托前沿分布，确定正理想解和负理想解；
根据所述正理想解和负理想解计算每个备选帕累托解的群体效益值和个体遗憾值；
根据所述每个备选帕累托解的群体效益值和个体遗憾值计算各备选帕累托解的综合评估值；
根据所述各备选帕累托解的综合评估值确定折衷解，并输出所述折衷解。
CN202110695368.4A 2021-06-23 2021-06-23 一种兼顾调频的光伏阵列重构优化方法 Active CN113452037B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110695368.4A CN113452037B (zh) 2021-06-23 2021-06-23 一种兼顾调频的光伏阵列重构优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110695368.4A CN113452037B (zh) 2021-06-23 2021-06-23 一种兼顾调频的光伏阵列重构优化方法

Publications (2)

Publication Number Publication Date
CN113452037A true CN113452037A (zh) 2021-09-28
CN113452037B CN113452037B (zh) 2023-08-18

Family

ID=77812320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110695368.4A Active CN113452037B (zh) 2021-06-23 2021-06-23 一种兼顾调频的光伏阵列重构优化方法

Country Status (1)

Country Link
CN (1) CN113452037B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113852098A (zh) * 2021-09-22 2021-12-28 云南电网有限责任公司电力科学研究院 一种基于多目标蜻蜓算法的自动发电控制调度方法
CN113991751A (zh) * 2021-10-27 2022-01-28 云南电网有限责任公司电力科学研究院 一种基于混合算法的自动发电控制调度方法
CN114565243A (zh) * 2022-02-15 2022-05-31 石河子大学 低碳化综合能源管控方法、装置、设备、及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080142071A1 (en) * 2006-12-15 2008-06-19 Miasole Protovoltaic module utilizing a flex circuit for reconfiguration
CN103353716A (zh) * 2013-05-16 2013-10-16 河海大学 可实现光伏阵列重构的拓扑结构及最大功率点求解方法
CN106505604A (zh) * 2016-12-23 2017-03-15 国网天津市电力公司 接入区域配电网的光伏储能联合运行单元优化配置方法
CN108549929A (zh) * 2018-03-29 2018-09-18 河海大学 一种基于深层卷积神经网络的光伏功率预测方法
US20200274484A1 (en) * 2019-02-21 2020-08-27 Arizona Board Of Regents On Behalf Of Arizona State University Systems and methods for connection topology optimization in photovoltaic arrays using neural networks

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080142071A1 (en) * 2006-12-15 2008-06-19 Miasole Protovoltaic module utilizing a flex circuit for reconfiguration
CN103353716A (zh) * 2013-05-16 2013-10-16 河海大学 可实现光伏阵列重构的拓扑结构及最大功率点求解方法
CN106505604A (zh) * 2016-12-23 2017-03-15 国网天津市电力公司 接入区域配电网的光伏储能联合运行单元优化配置方法
CN108549929A (zh) * 2018-03-29 2018-09-18 河海大学 一种基于深层卷积神经网络的光伏功率预测方法
US20200274484A1 (en) * 2019-02-21 2020-08-27 Arizona Board Of Regents On Behalf Of Arizona State University Systems and methods for connection topology optimization in photovoltaic arrays using neural networks

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张宁: "局部阴影下太阳能电池-超级电容器件建模及其阵列失配研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
张宁: "局部阴影下太阳能电池-超级电容器件建模及其阵列失配研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 07, 15 July 2020 (2020-07-15), pages 042 - 375 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113852098A (zh) * 2021-09-22 2021-12-28 云南电网有限责任公司电力科学研究院 一种基于多目标蜻蜓算法的自动发电控制调度方法
CN113852098B (zh) * 2021-09-22 2024-02-09 云南电网有限责任公司电力科学研究院 一种基于多目标蜻蜓算法的自动发电控制调度方法
CN113991751A (zh) * 2021-10-27 2022-01-28 云南电网有限责任公司电力科学研究院 一种基于混合算法的自动发电控制调度方法
CN113991751B (zh) * 2021-10-27 2023-11-17 云南电网有限责任公司电力科学研究院 一种基于混合算法的自动发电控制调度方法
CN114565243A (zh) * 2022-02-15 2022-05-31 石河子大学 低碳化综合能源管控方法、装置、设备、及介质

Also Published As

Publication number Publication date
CN113452037B (zh) 2023-08-18

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
CN113452037B (zh) 一种兼顾调频的光伏阵列重构优化方法
Shi et al. Multi-objective optimal design of hybrid renewable energy systems using preference-inspired coevolutionary approach
Abdalla et al. Wind driven optimization algorithm based global MPPT for PV system under non-uniform solar irradiance
Wang et al. Photovoltaic cell parameter estimation based on improved equilibrium optimizer algorithm
Diab et al. Global MPPT based on flower pollination and differential evolution algorithms to mitigate partial shading in building integrated PV system
Sanseverino et al. Dynamic programming and Munkres algorithm for optimal photovoltaic arrays reconfiguration
Chellaswamy et al. Parameter extraction of solar cell models based on adaptive differential evolution algorithm
Amer et al. Optimization of hybrid renewable energy systems (HRES) using PSO for cost reduction
CN111786420A (zh) 一种考虑再生能源混合发电的电力系统经济调度的方法
Awan A technical review of MPPT algorithms for solar photovoltaic system: SWOT analysis of MPPT algorithms
Soni et al. Optimal sizing of HRES for small sized institute using HOMER
Ridha et al. Multi-objective optimization and multi-criteria decision making aided by numerical method: Framework and a case study of Malaysia and South Africa
CN107565880A (zh) 优化型风光互补混合发电系统
Tiwari et al. Economic dispatch in renewable energy based microgrid using Manta Ray foraging optimization
CN113937767B (zh) 一种基于改进鲸鱼算法的微电网容量优化配置方法
CN115587544A (zh) 基于改进哈里斯鹰优化算法的光伏模型的参数识别方法
CN114024330A (zh) 有源配电网电池储能系统的调度方法、装置及设备
Ibrahim et al. Parameters extraction of a photovoltaic cell model using a co-evolutionary heterogeneous hybrid algorithm
CN116667325B (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
CN111311032A (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
CN116914749B (zh) 配电网调度方法和配电网调度系统
Kamaruddina et al. Differential Evolution Based Maximum Power Point Tracker for Photovoltaic Array Under Non-Uniform Illumination Condition
CN110365007B (zh) 一种用于ieee-33节点系统的电池储能系统容量规划方法
CN115986744B (zh) 一种含共享储能的配电网潮流优化方法

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