CN113555901A - 基于改进s型函数粒子群优化算法的混合储能容量优化方法 - Google Patents

基于改进s型函数粒子群优化算法的混合储能容量优化方法 Download PDF

Info

Publication number
CN113555901A
CN113555901A CN202110843673.3A CN202110843673A CN113555901A CN 113555901 A CN113555901 A CN 113555901A CN 202110843673 A CN202110843673 A CN 202110843673A CN 113555901 A CN113555901 A CN 113555901A
Authority
CN
China
Prior art keywords
energy storage
improved
particle swarm
hybrid energy
cost
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.)
Pending
Application number
CN202110843673.3A
Other languages
English (en)
Inventor
刘海涛
马丙泰
黄铖
陆恒
张匡翼
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.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202110843673.3A priority Critical patent/CN113555901A/zh
Publication of CN113555901A publication Critical patent/CN113555901A/zh
Pending legal-status Critical Current

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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]
    • 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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/345—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering using capacitors as storage or buffering devices
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based 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
    • 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
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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

Abstract

本发明公开了基于改进S型函数粒子群优化算法的混合储能容量优化方法，包括步骤1，构建全生命周期费用模型；步骤2，确定目标函数和约束条件，建立混合储能系统容量优化配置模型；步骤3，改进S型函数粒子群优化算法；步骤4，采用改进S型函数粒子群优化算法求解混合储能系统容量优化配置模型。本发明利用粒子群算法寻优特点，采用改进的S型函数进行惯性权重值计算，同时在此基础上基于权重值优化加速因子，可提升粒子群算法的寻优能力与速度，进而降低混合储能系统的全生命周期费用。

Description

基于改进S型函数粒子群优化算法的混合储能容量优化方法
技术领域
本发明属于储能容量优化技术领域，具体涉及基于改进S型函数粒子群优化算法的混合储能容量优化方法。
背景技术
风力和光伏是近年来具有代表性的新能源，具有无污染、可再生等优势。但风力和光伏又具有波动性和间歇性，发电输出功率易受天气变化影响，需要通过储能技术对其出力波动进行平抑，以满足电网调度的灵活性。
传统储能采用蓄电池单一储能方式，蓄电池具有能量高、安装灵活、充放电速度慢的特点，但风光电出力随机性会造成蓄电池频繁充放电，影响其使用寿命。超级电容具有功率密度大、响应快速、循环充放电次数多等特点，与风电波动高频部分相适应，故混合储能系统(hybrid energy storage system，HESS)常采用功率型储能超级电容和能量型储能蓄电池来平抑风光电出力波动，使储能的输出功率能力得到提高，优化蓄电池的充放电过程。
混合储能系统的容量优化配置是电力系统规划设计中的重要问题，国内外已开展了相关研究。关于混合储能系统容量优化配置问题，国内外文献从平抑可再生能源功率波动、微电并网抗干扰稳定运行，以及考虑到混合储能系统的经济性等不同角度进行了研究。有的文献中提出一种平抑风电出力波动的混合储能系统优化策略，对风电出力波动高低频部分分别进行补偿，建立基于平均成本最小的机会约束规划模型对平抑效果和经济性进行分析。有的文献以蓄电池的荷电状态(SOC)、超级电容的端电压和最大功率为约束，同时考虑能量控制策略的影响，应用改进粒子群优化算法同时对蓄电池和超级电容的容量和功率进行设计。有的文献提出了复合储能多目标优化方法，采用自适应权重粒子群算法求取调度最优解。为了提高储能系统的经济性，国内外很多学者开展了储能系统容量配置的大量研究，对于考虑储能装置使用过程中的安装、维护以及废弃等方面所需费用，即全生命周期费用越来越重视。因此，以储能装置的全生命周期费用为优化目标，通过算法改进，合理配置蓄电池和超级电容器的个数，优化容量配置，成为风光互补混合储能系统的研究方向之一，特别是以全生命周期费用最小为目标，建立风光互补混合储能系统容量优化配置模型和算法研究。
现有研究多数采用现有粒子群算法PSO研究容量优化配置问题，虽然收敛速度较快，但迭代容易出现局部极值点，难以逃离局部极值点的束缚。PSO优化算法中最佳位置与粒子速度大小相关，速度的局限性导致每个迭代步的搜索空间是一个有限区域，从而导致搜索范围无法扩展到整个可行解空间，不能保证搜索到全局最优解。
改进S型惯性权重粒子群算法，可以提高算法的寻优能力，同时避免迭代后期可能会出现早熟收敛现象，陷入局部最优时间较长等问题。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供基于改进S型函数粒子群优化算法的混合储能容量优化方法，通过改进S型函数惯性权重及通过惯性权重优化加速因子改进了粒子群优化算法，提高寻优能力，减少最优迭代次数，能在蓄电池和超级电容容量配置过程中取得更快的收敛速度和准确性，减少混合储能系统的全生命周期费用。
为实现上述技术目的，本发明采取的技术方案为：
基于改进S型函数粒子群优化算法的混合储能容量优化方法，包括：
步骤1，构建全生命周期费用模型；
步骤2，确定目标函数和约束条件，建立混合储能系统容量优化配置模型；
步骤3，改进S型函数粒子群优化算法；
步骤4，采用改进S型函数粒子群优化算法求解混合储能系统容量优化配置模型。
为优化上述技术方案，采取的具体措施还包括：
上述的步骤1构建全生命周期费用模型如下：
LCC＝CO+CP+CM+CD (1)
其中，LCC表示全生命周期费用；CO表示设备的运行费用；CP表示设备的购买费用；CM表示设备的维护费用；CD表示设备的处理费用。
上述的步骤2，利用蓄电池与超级电容器作为风光互补系统混合储能装置，以其全生命周期费用最小为目标，以负荷缺电率和储能系统储能量为约束条件，建立混合储能系统容量优化配置模型。
上述的步骤2以其全生命周期费用最小为目标，其目标函数为:
Figure BDA0003179759730000021
其中：CO表示设备的运行费用；CP表示设备的购买费用；CM表示设备的维护费用；CD表示设备的处理费用；
fob、foc表示蓄电池和超级电容器的运行系数；fmb、fmc表示蓄电池和超级电容器的维护系数；Nb、Nc分别表示蓄电池、超级电容器的个数；Pb、Pc分别表示蓄电池、超级电容器的单价。
上述的步骤2以负荷缺电率为约束的约束条件为：
fLPSP≤fLPSPmax (8)
其中：fLPSP为负荷缺电率，fLPSPmax为负荷允许的最大缺电率。
以储能系统储能量为约束的约束条件为：
Figure BDA0003179759730000031
Eb(k)为蓄电池剩余储能量、Ec为超级电容器组的储能量；Ebmin、Ebmax为蓄电池最小、最大剩余储能量；Ecmax、Ecmin超级电容器组的最大、最小储能量。
上述的超级电容器组的最小储能量Ebmin(单位MWh)为：
Ebmin＝NbCbUb(1-DOD)/106
其中Ub(单位：V)表示蓄电池的额定电压；Cb(单位：Ah)表示额定电容量；DOD表示最大放电深度。
超级电容器组的最大储能量为:
Ecmax＝0.5NcCcU2 cmax/3.6×109 (6)
超级电容器组的最小值储能量为：
Ecmin＝0.5NcCcU2 cmin/3.6×109 (7)
其中Uc为超级电容器的端电压；Cc表示电容值。
上述的步骤2中，还设置如下约束条件：
Eb(k)≤μΔE (10)
其中μ表示比例系数，ΔE＝(Ew(k)+Epv(k))ηc-EL(k)；
Ew(k)、Epv(k)、EL(k)分别为k时刻风能、太阳能、负荷的电量；ηc是逆变器的功率转换效率。
上述的步骤3中，对S型惯性权重函数进行改进，并基于惯性权重值优化加速因子，改进粒子群算法。
上述的对S型惯性权重函数进行改进，改进的S型惯性权重函数具体如下：
Figure BDA0003179759730000041
其中：ω为权重，c表示比例因子，i为粒子的当前迭代次数,ωstart为迭代开始权重起始值，ωend为迭代后期权重值，T表示最大迭代次数。
上述的基于惯性权重值优化加速因子，改进粒子群算法，具体为：
在初始搜索时选择使用加速因子c1和c2，c1大于c2，随着迭代次数的增加，让c1相对递减，而c2相对递增，公式如下:
Figure BDA0003179759730000042
其中，rand(1)表示随机选择[0,1]之间数据。
本发明具有以下有益效果：
考虑惯性权重对粒子群优化算法的影响较大，本发明将凹型惯性权重及S型惯性权重函数结合，获得改进S型函数惯性权重，提升粒子群寻优能力及迭代次数，降低混合储能系统全生命周期费用；其次，在改进S型惯性权重基础上，考虑加速因子对粒子群寻优的影响，提出了结合惯性权重优化加速因子的方法，可进一步降低混合储能系统整体费用。
附图说明
图1是负荷缺电率计算流程；
图2是实施例中三种惯性权重函数曲线对比；
图3是实施例中三种不同惯性权重法目标函数结果对比图；
图4是实施例中三种惯性权重迭代稳定次数对比图；
图5是实施例中改进S型惯性权重与改进加速因子目标函数结果顺序对比图；
图6是仿真期间改进S型函数惯性权重法目标函数最优结果曲线；
图7是仿真期间改进S型函数惯性权重法目标函数最劣结果曲线；
图8是仿真期间改进S型惯性权重及优化加速因子法目标函数最优结果曲线；
图9是仿真期间改进S型惯性权重及优化加速因子法目标函数最劣结果曲线；
图10是实施例中风光负荷数据；
图11是本发明方法流程图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
本发明首先阐述全生命周期费用静态模型，利用蓄电池与超级电容器作为风光互补系统混合储能装置，以其全生命周期费用最小为目标，以系统的缺电率等运行指标为约束条件，建立一种混合储能系统容量优化配置模型；其次，通过改进S型函数与优化加速因子进而改进了粒子群算法，使得混合储能系统容量配置结果全生命周期费用降低。最后利用算例在Matlab中进行了仿真与求解，结果表明，所述方法不仅降低了混合储能系统的全生命周期费用，而且加快了收敛最优解的迭代速度。
如图11，具体的，本发明基于改进S型函数粒子群优化算法的混合储能容量优化方法，包括：
步骤1，构建全生命周期费用模型；
步骤2，确定目标函数和约束条件，建立混合储能系统容量优化配置模型；
步骤3，改进S型函数粒子群优化算法；
步骤4，采用改进S型函数粒子群优化算法求解混合储能系统容量优化配置模型。
实施例中，步骤1中，构建全生命周期费用模型。
全生命周期费用(Life Cost Cycle，LCC)是指在设备的生命周期内，从设备的规划、制造、安装、使用、维护、废弃等过程中所支付的所有费用之和。
通过建立全生命周期费用的分解结构，可以合理、准确地估算LCC。
依据全生命周期各阶段的特点，将该周期费用逐步分解到基本单元，组成按序列分类排列的单元费用体系，该过程称为费用分解结构(Cost Breakdown Structure，CBS)。
本发明采用不考虑资金时间价值时的成本模型，即静态成本模型，根据CBS建立LCC的估算模型如下:
LCC＝CO+CP+CM+CD (1)
其中，LCC表示全生命周期费用；CO表示设备的运行费用；CP表示设备的购买费用；CM表示设备的维护费用；CD表示设备的处理费用(包括残值与报废费用)。
步骤2，确定目标函数和约束条件，建立混合储能系统容量优化配置模型：利用蓄电池与超级电容器作为风光互补系统混合储能装置，以其全生命周期费用最小为目标，以负荷缺电率和储能系统储能量为约束条件，建立混合储能系统容量优化配置模型；
混合储能设备的LCC费用也可以表示为上述四种费用之和，即混合储能系统的LCC模型为(即目标函数):
Figure BDA0003179759730000061
其中：fob、foc表示蓄电池和超级电容器的运行系数；fmb、fmc表示蓄电池和超级电容器的维护系数，一般情况下，超级电容器免维护，将fmc设置为0；fdb、fdc表示蓄电池和超级电容器的处理系数；Nb、Nc分别表示蓄电池、超级电容器的个数；Pb、Pc分别表示蓄电池、超级电容器的单价。
以负荷缺电率为供电可靠性指标。
作为风光互补发电系统的重要运行指标，负荷缺电率(Loss of Power SupplyProbability，LPSP)定义为负荷的缺电量与负荷总需求量EL的比值。即:
Figure BDA0003179759730000062
记ΔE＝(Ew(k)+Epv(k))ηc-EL(k)式中Ew(k)、Epv(k)、EL(k)分别为k时刻风能、太阳能、负荷的电量；ηc是逆变器的功率转换效率。
图1为负荷缺电率的计算流程图，当风光互补发电量满足负荷需求即ΔE＞0时，缺电量ELPS＝0，混合装置充电；当风光互补发电量不足，即ΔE<0时，储能装置放电补充电源功率的缺额，此时令ΔE＝－ΔE，即:
ELPS＝EL(k)-(EW(k)+Epv(k))ηc (4)
图1中，蓄电池的额定储能量为Ebn(单位MWh)，最小剩余储能量为Ebmin(单位MWh)，即:
Figure BDA0003179759730000063
其中Ub(单位：V)表示蓄电池的额定电压；Cb(单位：Ah)表示额定电容量；DOD表示最大放电深度。
在实际运行情况下，超级电容器需工作于一个合适的电压范围内，记为Ucmin～Ucmax，则超级电容器组的最大储能量为:
Ecmax＝0.5NcCcU2 cmax/3.6×109 (6)
最小值为：
Ecmin＝0.5NcCcU2 cmin/3.6×109 (7)
其中Uc为超级电容器的端电压；Cc表示电容值。从图1看出蓄电池能够以额定值进行充放电，可以减少了蓄电池的充放电次数和放电深度，延长蓄电池使用寿命。
步骤2中，以供电可靠率与储能系统储能量等为约束条件。
(1)供电可靠率可以由负荷缺电率表征，系统中负荷的缺电率应保持在一个可承受的范围内，即:
fLPSP≤fLPSPmax (8)
其中：fLPSPmax为负荷允许的最大缺电率。
(2)储能系统的储能量约束
Figure BDA0003179759730000071
(3)ΔE主要由两部分组成，即基本部分和波动部分，蓄电池主要承担其中的基本部分，要满足:
Eb(k)≤μΔE (10)
其中μ表示一个比例系数。
步骤3，改进S型函数粒子群优化算法：对S型惯性权重函数进行改进，并基于惯性权重值优化加速因子，改进粒子群算法，降低混合储能系统全生命周期费用，加快了系统达到最优值的收敛速度。
标准粒子群算法介绍与应用。
粒子群优化算法(Particle Swarm Optimization:PSO)，是一种基于迭代的优化工具，与其他智能算法相比，其优势在于简单、实现容易、鲁棒性好、精度高、收敛快，适合在工程实践中应用。为了改变基本粒子群算法的收敛性能，在速度进化方程中引入惯性权重(inertia weight)ω，这就是标准粒子群优化算法，其速度更新公式改为：
Figure BDA0003179759730000072
其中：
Figure BDA0003179759730000081
ω表示权重；c1，c2为加速因子；r1，r2表示是分布于[0,1]区间随机数；k、kmax分别是当前迭代次数和最大迭代次数；
Figure BDA0003179759730000082
为粒子速度；
Figure BDA0003179759730000083
为粒子当前位置；
Figure BDA0003179759730000084
分别表示个体极值与群体极值；当ω设置为线性下降时，在搜索开始时能够比较快的确定最优解的大致位置，而随着ω的逐渐减小，粒子的速度也会变慢，益于局部进行精细搜索，提高了算法的性能。
步骤3中，对S型函数进行改进，并基于权重值优化加速因子，改进了粒子群算法，降低混合储能系统全生命周期费用，加快了系统达到最优值的收敛速度。
(1)改进S型惯性权重
惯性权重线性递减的粒子群算法中，由于在粒子群算法的搜索后期，粒子群算法容易出现过早收敛于局部极值的缺点，种群中粒子的位置缺乏多样性。因此，考虑让粒子在搜索初期尽最大的可能飞跃整个搜索空间，实现粒子多样性，从而避免过早收敛于局部极值。倒S型函数作为非线性递减函数，在一定程度上可以均衡粒子群局部收敛与全局收敛，利用倒S型函数的特点，实现了对惯性权重的非线性调整；同时，在算法的位置更新公式中引入S型函数，一定程度上提高算法的搜索效率。
S型函数惯性权重公式为：
Figure BDA0003179759730000085
其中：a＝3.4，b＝0.07，i为粒子的当前迭代次数,ωstart为迭代开始权重起始值，一般设置为0.9，ωend为迭代后期权重值，一般设置为0.4。该种形式惯性权重在整个迭代期间递减较缓。
为更好的获得惯性权重，提高迭代稳定收敛速度，降低混合储能系统费用，将一种凹型抛物线(开口向上)形式惯性权重引入，其权重公式如下：
Figure BDA0003179759730000086
其中：T表示最大迭代次数，该惯性权重迭代初期递减相对较缓，后期递减变化很快。
结合S型函数与凹型抛物线惯性权重函数的特点，设计出改进S型惯性权重函数，具体如下：
Figure BDA0003179759730000091
其中：c表示比例因子，本发明专利中设置为0.5。
S型惯性权重、凹型惯性权重及改进S型惯性权重函数曲线如图2所示。
图2横轴表示惯性权重值，纵轴表示迭代次数，迭代前期权重值大，迭代后期按照曲线趋势减小。
(2)惯性权重优化加速因子
粒子群算法中，加速因子c1,c2对搜索结果也会产生较大影响，相比与标准粒子群算法中，通常将加速因子设置为固定值，例如c1＝c2＝1.495445，具有一定的局限性。
本发明专利中提出将惯性权重引入加速因子，构建基于惯性权重的加速因子。
在初始搜索时选择使用比较大的加速因子c1，比较小的c2，这样就使得粒子能够比较自由的分散到搜索空间中去，以此使得粒子的多样性得到增加；随着迭代次数的增加，让c1相对递减，而c2相对递增，加强了粒子全局最优的收敛能力。其公式如下:
Figure BDA0003179759730000092
其中rand(1)表示随机选择[0,1]之间数据。
本发明首先考虑惯性权重对粒子群优化算法的影响较大，提出将凹型惯性权重及S型惯性权重函数结合，获得改进S型函数惯性权重，提升粒子群寻优能力及迭代次数，降低混合储能系统全生命周期费用；其次，在改进S型惯性权重基础上，考虑加速因子对粒子群寻优的影响，提出了结合惯性权重优化加速因子的方法，可进一步降低混合储能系统整体费用。通过仿真，验证了所提方法在混合储能容量优化配置中的可行性与有效性。
步骤4，采用改进S型函数粒子群优化算法求解混合储能系统容量优化配置模型。
经过仿真验证，可以得出如下结论：
1：所提的改进S型函数惯性权重及优化加速因子可以很好的应用于风光混合储能系统容量优化配置中；
2：相比于现有的大部分的改进惯性权重粒子群优化算法，所提的改进S型函数惯性权重及优化加速因子可以进一步降低混合储能系统全生命周期成本，同时提升系统达到最优值的收敛速度。
仿真验证分析
依据本发明所述内容，运用matlab进行算例分析，算例中所需基本数据有风光负荷数据如图10所示；蓄电池、超级电容基本参数如表1所示；
表1蓄电池及超级电容参数
参数名称 蓄电池 超级电容
额定电压/V 12 2.7
额定容量 100/Ah 3500/F
充电效率 0.75 0.98
放电效率 0.85 0.98
放电深度 0.4 /
运行系数 0.1 0.01
维护系数 0.02 /
循环寿命/次 1500 500000
单价/元 400 350
处理系数 0.08 0.04
针对本发明专利所述的四种惯性权重值相关算法，每种算法进行12次运行分析，给出每种算法运行结果最小、最大费用曲线与12次迭代次数曲线，并取每种算法费用平均值进行全生命周期费用对比，具体数据结果如下表2-5所示。由表数据可以看出，4种方法所获得的负荷缺电率指标均满足小于0.5％的要求；蓄电池/超级电容数量配置个数、目标函数(全生命周期费用)及每次迭代达到最优值时次数如各表中所示。
表2凹型抛物线惯性权重法结果
Figure BDA0003179759730000101
表3 S型惯性权重法结果
Figure BDA0003179759730000111
表4改进S型函数惯性权重法结果
Figure BDA0003179759730000112
表5改进S型惯性权重及优化加速因子法结果
Figure BDA0003179759730000113
为便于分析，将以上表2-5结果数据进行总结对比，并进行具体分析，结果如下所示：
图3给出了改进S型惯性权重法与凹型抛物线惯性权重法、S型惯性权重法目标函数(全生命周期费用)曲线对比图，可以看出在迭代的十二次期间，改进S型方法全生命周期费用基本均低于其他两种方法的结果。三种方法混合储能全生命周期费用均值分别为15.9万元、16.4万元与16.3万元，可见改进S型方法可以降低混合储能全生命周期费用，图3费用具体数据见表6。
表6图3费用具体数据表
Figure BDA0003179759730000114
图4可以看出，目标函数达到最优值时，改进S型方法迭代次数基本维持在30次，相比于其他两种方法，迭代次数稳定性也明显提升。
图5给出了在改进S型惯性权重基础上，对加速因子进行惯性权重优化后顺序(十二次结果按升序排列)结果对比图，在改进S型方法中，采用固定的加速因子c1＝c2＝1.49544；而优化加速因子在此改进S型方法基础上采用惯性权重对c1,c2进行改进。两种方法全生命周期费用均值分别为：15.9万元、15.8万元。从结果可以看出，优化加速因子后混合储能全生命周期费用略低于改进S型方法结果，图5费用具体数据见表7。
表7图5费用具体数据表
Figure BDA0003179759730000121
图6-7给出改进S型函数惯性权重粒子群优化算法的仿真结果图(仿真十二次中出现目标函数结果费用最低与最高两次结果)，可以看出最优稳定迭代次数约为30次，目标函数解约为15.7万元。由表4得知负荷缺电率为0.0366；所需蓄电池、超级电容个数分别为44900与5606200个；最优稳定迭代次数约为30次，目标函数解约为16.13万元。由表4得知负荷缺电率为0.0390；所需蓄电池、超级电容个数分别为46200与5757500个。
图8-9给出在改进S型惯性权重基础上优化加速因子仿真结果图(仿真十二次中出现目标函数结果费用最低与最高两次结果)，可以看出最优稳定迭代次数约为30次，目标函数解约为15.694万元。由表5得知负荷缺电率为0.0300；所需蓄电池、超级电容个数分别为42900与5626400个；最优稳定迭代次数约为30次，目标函数解约为16.05万元。由表5得知负荷缺电率为0.0399；所需蓄电池、超级电容个数分别为43500与5757700个。
综上所述，本发明利用粒子群算法寻优特点，采用改进的S型函数进行惯性权重值计算，同时在此基础上基于权重值优化加速因子，可提升粒子群算法的寻优能力与速度，进而降低混合储能系统的全生命周期费用。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.基于改进S型函数粒子群优化算法的混合储能容量优化方法，其特征在于，包括：
步骤1，构建全生命周期费用模型；
步骤2，确定目标函数和约束条件，建立混合储能系统容量优化配置模型；
步骤3，改进S型函数粒子群优化算法；
步骤4，采用改进S型函数粒子群优化算法求解混合储能系统容量优化配置模型。
2.根据权利要求1所述的基于改进S型函数粒子群优化算法的混合储能容量优化方法，其特征在于，所述步骤1构建全生命周期费用模型如下：
LCC＝CO+CP+CM+CD (1)
其中，LCC表示全生命周期费用；CO表示设备的运行费用；CP表示设备的购买费用；CM表示设备的维护费用；CD表示设备的处理费用。
3.根据权利要求2所述的基于改进S型函数粒子群优化算法的混合储能容量优化方法，其特征在于，所述步骤2，利用蓄电池与超级电容器作为风光互补系统混合储能装置，以其全生命周期费用最小为目标，以负荷缺电率和储能系统储能量为约束条件，建立混合储能系统容量优化配置模型。
4.根据权利要求3所述的基于改进S型函数粒子群优化算法的混合储能容量优化方法，其特征在于，步骤2以其全生命周期费用最小为目标，其目标函数为:
Figure FDA0003179759720000011
其中：CO表示设备的运行费用；CP表示设备的购买费用；CM表示设备的维护费用；CD表示设备的处理费用；
fob、foc表示蓄电池和超级电容器的运行系数；fmb、fmc表示蓄电池和超级电容器的维护系数；Nb、Nc分别表示蓄电池、超级电容器的个数；Pb、Pc分别表示蓄电池、超级电容器的单价。
5.根据权利要求3所述的基于改进S型函数粒子群优化算法的混合储能容量优化方法，其特征在于，步骤2以负荷缺电率为约束的约束条件为：
fLPSP≤fLPSPmax (8)
其中：fLPSP为负荷缺电率，fLPSPmax为负荷允许的最大缺电率；
以储能系统储能量为约束的约束条件为：
Figure FDA0003179759720000021
Eb(k)为蓄电池剩余储能量、Ec为超级电容器组的储能量；Ebmin、Ebmax为蓄电池最小、最大剩余储能量；Ecmax、Ecmin超级电容器组的最大、最小储能量。
6.根据权利要求5所述的基于改进S型函数粒子群优化算法的混合储能容量优化方法，其特征在于，超级电容器组的最小储能量Ebmin(单位MWh)为：
Ebmin＝NbCbUb(1-DOD)/106
其中Ub(单位：V)表示蓄电池的额定电压；Cb(单位：Ah)表示额定电容量；DOD表示最大放电深度；
超级电容器组的最大储能量为:
Ecmax＝0.5NcCcU2 cmax/3.6×109 (6)
超级电容器组的最小值储能量为：
Ecmin＝0.5NcCcU2 cmin/3.6×109 (7)
其中Uc为超级电容器的端电压；Cc表示电容值。
7.根据权利要求3所述的基于改进S型函数粒子群优化算法的混合储能容量优化方法，其特征在于，步骤2中，还设置如下约束条件：
Eb(k)≤μΔE (10)
其中μ表示比例系数，ΔE＝(Ew(k)+Epv(k))ηc-EL(k)；
Ew(k)、Epv(k)、EL(k)分别为k时刻风能、太阳能、负荷的电量；ηc是逆变器的功率转换效率。
8.根据权利要求1所述的基于改进S型函数粒子群优化算法的混合储能容量优化方法，其特征在于，所述步骤3中，对S型惯性权重函数进行改进，并基于惯性权重值优化加速因子，改进粒子群算法。
9.根据权利要求8所述的基于改进S型函数粒子群优化算法的混合储能容量优化方法，其特征在于，所述对S型惯性权重函数进行改进，改进的S型惯性权重函数具体如下：
Figure FDA0003179759720000031
其中：ω为权重，c表示比例因子，i为粒子的当前迭代次数,ωstart为迭代开始权重起始值，ωend为迭代后期权重值，T表示最大迭代次数。
10.根据权利要求8所述的基于改进S型函数粒子群优化算法的混合储能容量优化方法，其特征在于，所述基于惯性权重值优化加速因子，改进粒子群算法，具体为：
在初始搜索时选择使用加速因子c1和c2，c1大于c2，随着迭代次数的增加，让c1相对递减，而c2相对递增，公式如下:
Figure FDA0003179759720000032
其中，rand(1)表示随机选择[0,1]之间数据。
CN202110843673.3A 2021-07-26 2021-07-26 基于改进s型函数粒子群优化算法的混合储能容量优化方法 Pending CN113555901A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110843673.3A CN113555901A (zh) 2021-07-26 2021-07-26 基于改进s型函数粒子群优化算法的混合储能容量优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110843673.3A CN113555901A (zh) 2021-07-26 2021-07-26 基于改进s型函数粒子群优化算法的混合储能容量优化方法

Publications (1)

Publication Number Publication Date
CN113555901A true CN113555901A (zh) 2021-10-26

Family

ID=78104404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110843673.3A Pending CN113555901A (zh) 2021-07-26 2021-07-26 基于改进s型函数粒子群优化算法的混合储能容量优化方法

Country Status (1)

Country Link
CN (1) CN113555901A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881377A (zh) * 2022-07-11 2022-08-09 国网江苏省电力有限公司苏州供电分公司 考虑5g车联网的通信基站储能优化方法、系统及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881377A (zh) * 2022-07-11 2022-08-09 国网江苏省电力有限公司苏州供电分公司 考虑5g车联网的通信基站储能优化方法、系统及装置
CN114881377B (zh) * 2022-07-11 2024-01-30 国网江苏省电力有限公司苏州供电分公司 考虑5g车联网的通信基站储能优化方法、系统及装置

Similar Documents

Publication Publication Date Title
CN109325608B (zh) 考虑储能并计及光伏随机性的分布式电源优化配置方法
CN109301852B (zh) 一种微电网分级多目标联合的经济调度方法
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
CN107609693A (zh) 基于Pareto档案粒子群算法的微电网多目标优化方法
CN104734166A (zh) 混合储能系统及风力发电功率平滑控制方法
CN111244988B (zh) 考虑分布式电源的电动汽车和储能优化调度方法
CN108767872B (zh) 一种应用于风光混合储能微网系统的模糊控制方法
CN115173453A (zh) 一种储能辅助电网调峰的优化配置方法
CN110176765A (zh) 一种峰谷电价驱动的储能调峰日前优化调度方法
CN106251005A (zh) 一种基于改进粒子群算法的混合储能容量优化配置方法
WO2022156014A1 (zh) 混联风光微电网快速频率响应分布式协调控制方法及系统
CN107273968A (zh) 一种基于动态模糊混沌粒子群的多目标调度方法及装置
CN110365034A (zh) 一种计及储能容量配置的微电网电能优化调度方法
Singh et al. Operation and control of a hybrid wind-diesel-battery energy system connected to micro-grid
CN113315168A (zh) 基于序贯蒙特卡洛模拟的风-储混合电站运行模拟方法
CN107732945A (zh) 一种基于模拟退火粒子群算法的储能单元优化方法
CN111614110B (zh) 一种基于改进多目标粒子群算法的受端电网储能优化配置方法
CN116388213A (zh) 含新能源和充电站的主动配电网动态无功优化方法及系统
CN111628558A (zh) 混合储能系统的能量管理和容量配置的优化系统及方法
CN113644674A (zh) 基于量子粒子群的氢混合储能容量配置系统、方法及应用
CN113555901A (zh) 基于改进s型函数粒子群优化算法的混合储能容量优化方法
CN115940284B (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
CN115764849A (zh) 一种混合储能容量优化配置方法及其配置系统
CN114204562B (zh) 一种考虑电动汽车与光伏的混合储能优化方法及系统
CN114117930A (zh) 基于ε约束法的并网双储能系统容量优化配置方法

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