CN113746120A - 基于ga的储能系统优化配置方法 - Google Patents

Abstract

本发明涉及储能系统优化方法技术领域，是一种基于GA的储能系统优化配置方法，本发明所述方法依据风电并网功率波动要求，采用变分模态分解方法将需要平抑的功率分为低频和高频2部分，分别使用蓄电池和超级电容进行平抑，建立储能充放电控制模型；考虑储能装置建设成本及弃风弃光和平抑不足带来的惩罚性费用，建立混合储能优化配置模型；以典型日数据作为基础，采用遗传算法对混合储能优化配置模型进行求解，得出全年最低成本及对应的储能额定功率与额定容量。从而对储能系统优化配置，能够实现储能设备的经济性充分利用。

Description

基于GA的储能系统优化配置方法

技术领域

本发明涉及储能系统优化方法技术领域，是一种基于GA的储能系统优化配置方法。

背景技术

根据新能源的发电特点，构建一个独立的由可再生能源构成的电网对新能源的充分利用有重要意义。目前大部分研究针对孤岛运行环境进行讨论分析，考虑到远距离输送和充分利用对可再生能源联网必不可少，在联网模式下要能满足大电网对于独立电网的调度需求，减轻对大电网的运行干扰。而对于可再生能源发电的波动性无法实现传统的调度策略，因此结合储能配置和运行策略可最大化可再生能源的利用率，推广新能源发电技术的进一步应用，提高电网的智能化有着重要价值。

国内外有关储能系统优化的主要方法如下：

文献1(李乐,黄伟,马雪玲.超级电容器储能系统在微电网中的应用[J].陕西电力,2010,38(08):12-6.)使用仿真证明了超级电容对于改善电压暂降和冲击负荷的优势，并提供了超级电容参数选择的办法。文献2(王文亮,葛宝明,毕大强.储能型直驱永磁同步风力发电控制系统[J].电力系统保护与控制,2010,38(14):43-8+78.)为解决低电压穿越和成本的平衡使用钒电池储能作为解决方案，通过仿真验证了对风电系统平抑功率波动，动态响应，低电压穿越的可行性。文献3(丁明,王伟胜,王秀丽等.大规模光伏发电对电力系统影响综述[J].中国电机工程学报,2014,34(01):1-14.)利用建模仿真的方法对无功电压，有功频率，电能质量，攻角稳定度及配电系统保护的影响进行分析。

发明内容

本发明提供了一种基于GA的储能系统优化配置方法，克服了上述现有技术之不足，对储能系统优化配置，能够实现储能设备的经济性充分利用。

本发明的技术方案是通过以下措施来实现的：一种基于GA的储能系统优化配置方法，包括采用变分模态分解方法将需要平抑的风电功率分为低频和高频2部分，分别使用蓄电池和超级电容进行平抑，建立储能充放电控制模型；考虑储能装置建设成本及弃风弃光和平抑不足带来的惩罚性费用，建立混合储能优化配置模型；以典型日数据作为基础，采用遗传算法对混合储能优化配置模型进行求解，得出全年最低成本及对应的储能额定功率与额定容量。

下面是对上述发明技术方案的进一步优化或/和改进：

上述建立储能充放电控制模型的方法，包括如下步骤：

对于一个风光储电厂，储能系统的最低放电功率不能低于最大需求功率，因此对应的风光储储能系统的充放电数学模型如下：

其中P_n代表需求功率，P_s代表太阳能产生的功率，P_w代表风能产生的功率；

当风能、太阳能产生的功率和大于需求功率时，则多余功率转储到储能系统；

P_in＝P_s+P_w-P_n (2)

P_in代表储能系统的输入功率对负荷区间的合理分配，其是控制实现风光储一体化充放电目标的首要目标。其划分方法如下：

波谷区间：

[P_min,P_min+(P_s+P_w)] (3)

波峰区间：

[P_max-γ(P_s+P_w),P_max] (4)

普通区间：

[P_min+γ(P_s+P_w),P_max-γ(P_s+P_w)] (5)

其中P_min为储能系统的最小出力负荷，P_max为储能系统的最大出力负荷，γ为转换或传输过程中等产生的冗余系数，这里可设置成1.2。

为区分超级电容、蓄电池这两种储能装置的用途进行合理分配，需要将储能功率进行分解再分配，此处采用VMD进行操作；

即将储能系统参考功率分解为k个分量u_k(t)，对每个u_k(t)进行希尔伯特变换，获得单边频谱，

调制到对应的基频带，

再计算上式信号梯度的范数，并估计每个带宽，

其中，

{u_k}:＝{u₁Λu_k}{ω_k}:＝{{ω₁Λ{ω_k}

将式(8)转变为非约束性变分：

式(10)中，α是二次惩罚因子；λ是拉格朗日乘法算子；

{u_k},{ω_k},λ的更新如下：

将ω替换为ω-ω_k，

改为非负频率区间积分形式，

进一步化解，

中心频率转换到频域，

更新方法为：

λ更新方法为：

满足以下关系终止迭代：

保证模态的中心频率不相似，从而防止过分解的现象。分解出的各个模态通过合理选择处理，即可得到适用于蓄电池的低频分量和适用于超级电容的高频分量。

上述建立混合储能优化配置模型的方法，包括如下步骤：

考虑储能系统所需要的购置成本光伏阵列M_s和风电机组M_s，储能系统的购置成本主要为蓄电池M_ba、超级电容M_sc，发电系统平抑波动不足带来的惩罚费用M_la和弃光弃风导致的惩罚费用M_ab，购置成本的目标函数为：

M_min＝M_ba+M_sc+M_la+M_ab (19)

由于储能装置的寿命不等，此处把购置成本转换为以年为单位的等值，如下：

其中r为折换率，Y_sc为超级电容的寿命，Y_ba为蓄电池的寿命，Y_p-sc为超级电容单位功率成本，f_p-ba为蓄电池单位功率成本，f_e-sc为超级电容单位容量成本，f_e-ba为蓄电池单位容量成本，P_ba为蓄电池额定功率，P_sc为超级电容额定功率，E_ba为蓄电池额定容量，E_sc为超级电容额定容量；

发电系统平抑波动不足带来的惩罚费用M_la和弃光弃风导致的惩罚费用M_ab表达如下：

M_la＝αE_la (22)

M_la＝αE_la (23)

其中E_la为平抑不足造成的电量，E_ab为弃光弃风造成的浪费电量，α是平抑不够造成的单位损失成本，β是弃光弃风浪费的单位成本；

其约束条件：

|P_ba|≤P_ba·max (24)

|P_sc|≤P_sc·max (25)

C_ba·min≤C_ba≤C_ba·max (26)

C_sc·min≤C_sc≤C_sc·max (27)

其中P_ba为蓄电池的功率，P_sc为超级电容的功率，C_ba为蓄电池的存储电荷量，C_sc为超级电容的存储量；

s^ch+s^di≤1 (28)

s^ch表示储能装置的充能指示变量，s^di表示储能装置的放电指示变量，式(28)表示储能装置不能同时运行在充放电状态。

上述采用遗传算法对混合储能优化配置模型的求解方法，包括如下步骤：

步骤1：根据实际数据确定风电光伏期望并网功率以及平抑所需要的功率波动，初始化储能系统的功率及容量；

步骤2：使用VMD(即变分模态分解)分解所需平抑的功率波动为一系列子分量；

步骤3：分解的一系列子分量分配为高频和低频分量；

步骤4：随机产生种群并更新种群；

步骤5：交叉互换产生子代；

步骤6：基因变异；

步骤7：性状表达；

步骤8：利用赌轮进行自然选择；

步骤9：搜索最优个体，返回步骤4；

步骤10：完成迭代次数退出。

本发明所述方法依据风电并网功率波动要求，采用变分模态分解方法将需要平抑的功率分为低频和高频2部分，分别使用蓄电池和超级电容进行平抑，建立储能充放电控制模型；考虑储能装置建设成本及弃风弃光和平抑不足带来的惩罚性费用，建立混合储能优化配置模型；以典型日数据作为基础，采用遗传算法对混合储能优化配置模型进行求解，得出全年最低成本及对应的储能额定功率与额定容量；以此对储能系统优化配置，能够实现储能设备的经济性充分利用。

附图说明

附图1为本发明所述方法的控制流程图。

具体实施方式

本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。

下面结合实施例对本发明作进一步描述：

实施例：如附图1所示，基于GA的储能系统优化配置方法，包括采用变分模态分解方法将需要平抑的风电功率分为低频和高频2部分，分别使用蓄电池和超级电容进行平抑，建立储能充放电控制模型；考虑储能装置建设成本及弃风弃光和平抑不足带来的惩罚性费用，建立混合储能优化配置模型；以典型日数据作为基础，采用遗传算法对混合储能优化配置模型进行求解，得出全年最低成本及对应的储能额定功率与额定容量；其中，

所述建立储能充放电控制模型的方法，包括如下步骤：

对于一个风光储电厂，储能系统的最低放电功率不能低于最大需求功率，因此对应的风光储储能系统的充放电数学模型如下：

其中P_n代表需求功率，P_s代表太阳能产生的功率，P_w代表风能产生的功率；

当风能、太阳能产生的功率和大于需求功率时，则多余功率转储到储能系统；

P_in＝P_s+P_w-P_n (2)

P_in代表储能系统的输入功率对负荷区间的合理分配，其是控制实现风光储一体化充放电目标的首要目标。其划分方法如下：

波谷区间：

[P_min,P_min+(P_s+P_w)] (3)

波峰区间：

[P_max-γ(P_s+P_w),P_max] (4)

普通区间：

[P_min+γ(P_s+P_w),P_max-γ(P_s+P_w)] (5)

其中P_min为储能系统的最小出力负荷，P_max为储能系统的最大出力负荷，γ为转换或传输过程中等产生的冗余系数，这里可设置成1.2。

为区分超级电容、蓄电池这两种储能装置的用途进行合理分配，需要将储能功率进行分解再分配，此处采用VMD进行操作；

即将储能系统参考功率分解为k个分量u_k(t)，对每个u_k(t)进行希尔伯特变换，获得单边频谱，

调制到对应的基频带，

再计算上式信号梯度的范数，并估计每个带宽，

其中，

{u_k}:＝{u₁Λu_k}{ω_k}:＝{{ω₁Λ{ω_k}

将式(8)转变为非约束性变分：

式(10)中，α是二次惩罚因子；λ是拉格朗日乘法算子；

{u_k},{ω_k},λ的更新如下：

将ω替换为ω-ω_k，

改为非负频率区间积分形式，

进一步化解，

中心频率转换到频域，

更新方法为：

λ更新方法为：

满足以下关系终止迭代：

保证模态的中心频率不相似，从而防止过分解的现象。分解出的各个模态通过合理选择处理，即可得到适用于蓄电池的低频分量和适用于超级电容的高频分量。

所述建立混合储能优化配置模型的方法，包括如下步骤：

考虑储能系统所需要的购置成本光伏阵列M_s和风电机组M_s，储能系统的购置成本主要为蓄电池M_ba、超级电容M_sc，发电系统平抑波动不足带来的惩罚费用M_la和弃光弃风导致的惩罚费用M_ab，购置成本的目标函数为：

M_min＝M_ba+M_sc+M_la+M_ab (19)

由于储能装置的寿命不等，此处把购置成本转换为以年为单位的等值，如下：

其中r为折换率，Y_sc为超级电容的寿命，Y_ba为蓄电池的寿命，Y_p-sc为超级电容单位功率成本，f_p-ba为蓄电池单位功率成本，f_e-sc为超级电容单位容量成本，f_e-ba为蓄电池单位容量成本，P_ba为蓄电池额定功率，P_sc为超级电容额定功率，E_ba为蓄电池额定容量，E_sc为超级电容额定容量；

发电系统平抑波动不足带来的惩罚费用M_la和弃光弃风导致的惩罚费用M_ab表达如下：

M_la＝αE_la (22)

M_la＝αE_la (23)

其中E_la为平抑不足造成的电量，E_ab为弃光弃风造成的浪费电量，α是平抑不够造成的单位损失成本，β是弃光弃风浪费的单位成本；

其约束条件：

|P_ba|≤P_ba·max (24)

|P_sc|≤P_sc·max (25)

C_ba·min≤C_ba≤C_ba·max (26)

C_sc·min≤C_sc≤C_sc·max (27)

其中P_ba为蓄电池的功率，P_sc为超级电容的功率，C_ba为蓄电池的存储电荷量，C_sc为超级电容的存储量；

s^ch+s^di≤1 (28)

s^ch表示储能装置的充能指示变量，s^di表示储能装置的放电指示变量，式(28)表示储能装置不能同时运行在充放电状态。

所述采用遗传算法对混合储能优化配置模型的求解方法，包括如下步骤：

步骤1：根据实际数据确定风电光伏期望并网功率以及平抑所需要的功率波动，初始化储能系统的功率及容量；

步骤2：使用VMD(即变分模态分解)分解所需平抑的功率波动为一系列子分量；

步骤3：分解的一系列子分量分配为高频和低频分量；

步骤4：随机产生种群并更新种群；

步骤5：交叉互换产生子代；

步骤6：基因变异；

步骤7：性状表达；

步骤8：利用赌轮进行自然选择；

步骤9：搜索最优个体，返回步骤4；

步骤10：完成迭代次数退出。

以上技术特征构成了本发明的实施例，其具有较强的适应性和实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。

Claims (5)

1.一种基于GA的储能系统优化配置方法，其特征在于采用变分模态分解方法将需要平抑的风电功率分为低频和高频2部分，分别使用蓄电池和超级电容进行平抑，建立储能充放电控制模型；考虑储能装置建设成本及弃风弃光和平抑不足带来的惩罚性费用，建立混合储能优化配置模型；以典型日数据作为基础，采用遗传算法对混合储能优化配置模型进行求解，得出全年最低成本及对应的储能额定功率与额定容量。

2.根据权利要求1所述的基于GA的储能系统优化配置方法，其特征在于述建立储能充放电控制模型的方法，包括如下步骤：

对于一个风光储电厂，对应的风光储储能系统的充放电数学模型如下：

其中P_n代表需求功率，P_s代表太阳能产生的功率，P_w代表风能产生的功率；

当风能、太阳能产生的功率和大于需求功率时，则多余功率转储到储能系统；

P_in＝P_s+P_w-P_n (2)

P_in代表储能系统的输入功率对负荷区间的合理分配，其划分方法如下：

波谷区间：

[P_min,P_min+(P_s+P_w)] (3)

波峰区间：

[P_max-γ(P_s+P_w),P_max] (4)

普通区间：

[P_min+γ(P_s+P_w),P_max-γ(P_s+P_w)] (5)

其中P_min为储能系统的最小出力负荷，P_max为储能系统的最大出力负荷，γ为转换或传输过程中产生的冗余系数；为区分超级电容、蓄电池这两种储能装置的用途进行合理分配，需要将储能功率进行分解再分配，此处采用VMD进行操作；

即将储能系统参考功率分解为k个分量u_k(t)，对每个u_k(t)进行希尔伯特变换，获得单边频谱，

调制到对应的基频带，

再计算上式信号梯度的范数，并估计每个带宽，

其中，

{u_k}:＝{u₁Λu_k}{ω_k}:＝{{ω₁Λ{ω_k}

将式(8)转变为非约束性变分：

式(10)中，α是二次惩罚因子；λ是拉格朗日乘法算子；

{u_k},{ω_k},λ的更新如下：

将ω替换为ω-ω_k，

改为非负频率区间积分形式，

进一步化解，

中心频率转换到频域，

更新方法为：

λ更新方法为：

满足以下关系终止迭代：

即可得到适用于蓄电池的低频分量和适用于超级电容的高频分量。

3.根据权利要求1或2所述的基于GA的储能系统优化配置方法，其特征在于建立混合储能优化配置模型的方法，包括如下步骤：

考虑储能系统所需要的购置成本光伏阵列M_s和风电机组M_s，储能系统的购置成本主要为蓄电池M_ba、超级电容M_sc，发电系统平抑波动不足带来的惩罚费用M_la和弃光弃风导致的惩罚费用M_ab，购置成本的目标函数为：

M_min＝M_ba+M_sc+M_la+M_ab (19)

由于储能装置的寿命不等，此处把购置成本转换为以年为单位的等值，如下：

其中r为折换率，Y_sc为超级电容的寿命，Y_ba为蓄电池的寿命，Y_p-sc为超级电容单位功率成本，f_p-ba为蓄电池单位功率成本，f_e-sc为超级电容单位容量成本，f_e-ba为蓄电池单位容量成本，P_ba为蓄电池额定功率，P_sc为超级电容额定功率，E_ba为蓄电池额定容量，E_sc为超级电容额定容量；

发电系统平抑波动不足带来的惩罚费用M_la和弃光弃风导致的惩罚费用M_ab表达如下：

M_la＝αE_la (22)

M_la＝αE_la (23)

其中E_la为平抑不足造成的电量，E_ab为弃光弃风造成的浪费电量，α是平抑不够造成的单位损失成本，β是弃光弃风浪费的单位成本；

其约束条件：

|P_ba|≤P_ba·max (24)

|P_sc|≤P_sc·max (25)

C_ba·min≤C_ba≤C_ba·max (26)

C_sc·min≤C_sc≤C_sc·max (27)

其中P_ba为蓄电池的功率，P_sc为超级电容的功率，C_ba为蓄电池的存储电荷量，C_sc为超级电容的存储量；

s^ch+s^di≤1 (28)

s^ch表示储能装置的充能指示变量，s^di表示储能装置的放电指示变量，式(28)表示储能装置不能同时运行在充放电状态。

4.根据权利要求1或2所述的基于GA的储能系统优化配置方法，其特征在于采用遗传算法对混合储能优化配置模型的求解方法，包括如下步骤：

步骤1：根据实际数据确定风电光伏期望并网功率以及平抑所需要的功率波动，初始化储能系统的功率及容量；

步骤2：使用VMD(即变分模态分解)分解所需平抑的功率波动为一系列子分量；

步骤3：分解的一系列子分量分配为高频和低频分量；

步骤4：随机产生种群并更新种群；

步骤5：交叉互换产生子代；

步骤6：基因变异；

步骤7：性状表达；

步骤8：利用赌轮进行自然选择；

步骤9：搜索最优个体，返回步骤4；

步骤10：完成迭代次数退出。

5.根据权利要求3所述的基于GA的储能系统优化配置方法，其特征在于采用遗传算法对混合储能优化配置模型的求解方法，包括如下步骤：

步骤1：根据实际数据确定风电光伏期望并网功率以及平抑所需要的功率波动，初始化储能系统的功率及容量；

步骤2：使用VMD(即变分模态分解)分解所需平抑的功率波动为一系列子分量；

步骤3：分解的一系列子分量分配为高频和低频分量；

步骤4：随机产生种群并更新种群；

步骤5：交叉互换产生子代；

步骤6：基因变异；

步骤7：性状表达；

步骤8：利用赌轮进行自然选择；

步骤9：搜索最优个体，返回步骤4；

步骤10：完成迭代次数退出。

Images