CN113922396A - 提升电网电压暂降免疫力的储能电站配置方法及终端 - Google Patents

Abstract

本发明公开了一种提升电网电压暂降免疫力的储能电站配置方法及终端，评估预设重要节点的电压暂降严重程度，得到预设重要节点的电压暂降严重程度的优化指标；建立储能电站处理电压暂降所需成本的经济效益评估模型；将优化指标和经济效益评估模型作为目标函数，采用多目标粒子群算法对目标函数进行优化且均以最小值为优化目标，以将最优解作为储能电站配置方案。本发明对于储能电站的选址定容综合考虑了电压暂降的治理成效和储能电站自身的大量成本投资，之后通过多目标粒子群算法进行优化且均以最小值为优化目标，从而将优化储能电站的配置与治理电压暂降相结合，构建出最优的储能电站布点定容方案，以提升电网电压暂降免疫力，改善电压质量。

Description

提升电网电压暂降免疫力的储能电站配置方法及终端

技术领域

本发明涉及储能电站技术领域，特别涉及一种提升电网电压暂降免疫力的储能电站配置方法及终端。

背景技术

电压暂降定义为电压有效值在短时间内降到正常电压的90％～10％，典型持续时间为0.5周波到1分钟，能自动恢复的电能质量扰动事件。电压暂降事件是供电系统正常运行不可避免的事件，其与越来越敏感的设备之间的矛盾日益突出。电网现代工业用户趋于数字化、信息化生产，这些设备对电压暂降非常敏感，当发生电压暂降时，造成工业用户的经济损失十分巨大。

储能电站有着快速调节功率的能力，在改善电压质量方面有着显著作用。为了减小电压暂降所带来的损失，可以通过储能电站的快速投入，达到对敏感用户的电压支撑作用。因此，急需一种储能电站配置方法以提升电网电压暂降免疫力，以改善电压质量。

发明内容

本发明所要解决的技术问题是：提供一种提升电网电压暂降免疫力的储能电站配置方法及终端，以改善电压质量。

为了解决上述技术问题，本发明采用的技术方案为：

提升电网电压暂降免疫力的储能电站配置方法，包括步骤：

S1、评估预设重要节点的电压暂降严重程度，得到预设重要节点的电压暂降严重程度的优化指标f₁；

S2、建立储能电站处理电压暂降所需成本的经济效益评估模型f₂；

S3、将所述优化指标f₁和所述经济效益评估模型f₂作为目标函数，采用多目标粒子群算法对所述目标函数进行优化且均以最小值为优化目标，以将最优解作为储能电站配置方案。

为了解决上述技术问题，本发明采用的另一种技术方案为：

提升电网电压暂降免疫力的储能电站配置终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的提升电网电压暂降免疫力的储能电站配置方法。

本发明的有益效果在于：提升电网电压暂降免疫力的储能电站配置方法及终端，对于储能电站的选址定容除了需要考虑电压暂降的治理成效，还需要考虑储能电站自身的大量成本投资，之后通过多目标粒子群算法进行迭代计算且均以最小值为优化目标，从而将优化储能电站的配置与治理电压暂降相结合，构建出最优的储能电站布点定容方案，以提升电网电压暂降免疫力，改善电压质量。

附图说明

图1为本发明实施例的提升电网电压暂降免疫力的储能电站配置方法的主要流程示意图；

图2为本发明实施例的提升电网电压暂降免疫力的储能电站配置方法的具体流程示意图；

图3为本发明实施例涉及的负荷电压耐受曲线的不确定区域的示意图；

图4为本发明实施例的提升电网电压暂降免疫力的储能电站配置终端的结构示意图。

标号说明：

1、提升电网电压暂降免疫力的储能电站配置终端；2、处理器；3、存储器。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

请参照图1至图3，提升电网电压暂降免疫力的储能电站配置方法，包括步骤：

S1、评估预设重要节点的电压暂降严重程度，得到预设重要节点的电压暂降严重程度的优化指标f₁；

S2、建立储能电站处理电压暂降所需成本的经济效益评估模型f₂；

S3、将所述优化指标f₁和所述经济效益评估模型f₂作为目标函数，采用多目标粒子群算法对所述目标函数进行优化且均以最小值为优化目标，以将最优解作为储能电站配置方案。

从上述描述可知，本发明的有益效果在于：对于储能电站的选址定容除了需要考虑电压暂降的治理成效，还需要考虑储能电站自身的大量成本投资，之后通过多目标粒子群算法进行迭代计算且均以最小值为优化目标，从而将优化储能电站的配置与治理电压暂降相结合，构建出最优的储能电站布点定容方案，以提升电网电压暂降免疫力，改善电压质量。

进一步地，所述步骤S1具体包括以下步骤：

S11、采用ITIC曲线确定用户设备电压耐受曲线的不确定区域的边界值U_max、U_min、T_max、T_min；

S12、根据电压暂降持续时间T、电压幅值U的样本值，计算对应的暂降幅值严重性指标MSI、持续时间严重性指标DSI的样本值，其公式如下：

S13、确定所要建立的最大熵评估模型的约束条件以及随机变量取值边界；

S14、建立电压暂降严重性指标DSI及MSI的最大熵评估模型，基于所述约束条件以及随机变量取值边界对所述最大熵评估模型进行求解，得到概率密度函数；

S15、根据所述概率密度函数得到预设重要节点的负荷故障概率；

S16、根据所求负荷故障概率和不同类型敏感负荷故障后的平均经济损失L_sag，得到预设重要节点的电压暂降严重程度的优化指标f₁。

从上述描述可知，采用ITIC曲线确定用户设备电压耐受曲线的不确定区域的边界值，根据电压暂降持续时间T、电压幅值U的样本值，计算对应的暂降幅值严重性指标MSI、持续时间严重性指标DSI的样本值。之后确定所要建立的最大熵评估模型的约束条件以及随机变量取值边界，并基于约束条件以及随机变量取值边界对所建立的最大熵评估模型进行求解，得到概率密度函数，从而使得概率密度函数无需人为假设，更具客观性。

进一步地，所述步骤S13具体包括以下步骤：

通过各阶统计矩来确定最大熵评估模型的约束条件，所述统计矩包括了原点矩和中心矩；

通过样本值的取值范围来确定边界R，再逐次迭代修正，直到得到最终的随机变量取值边界。

从上述描述可知，通过原点矩来反映样本的集中性，通过中心矩来反映样本的分散性。

进一步地，所述步骤S14具体包括以下步骤：

S141、设x为敏感负荷电压暂降严重性指标SI的随机变量，其概率密度函数为f(x)，所述SI为DSI或MSI，则负荷电压耐受曲线概率分布的最大熵评估模型为：

max H(x)＝-∫_Rf(x)lnf(x)dx；

其约束条件为：

_∫Rf(x)dx＝1；

∫_Rxf(x)dx＝E₁；

∫_R(x-E₁)^hf(x)dx＝E_h；

式中，H(x)为随机变量x的熵；f(x)为随机变量x的概率密度函数；R为随机变量x的取值边界；E₁、E_h为SI样本数据的1阶原点矩及h阶中心矩；

S142、引入拉格朗日方程，求得概率密度函数的公式为：

式中，λ₀-λ₅为对应约束条件的拉格朗日乘子；

将所述概率密度函数的公式代入约束条件的第一个公式中，可得拉格朗日乘子的求解公式：

由此可得所述SI样本数据的1阶原点矩公式及h阶中心矩公式如下：

根据拉格朗日乘子的第一个求解公式、所述SI样本数据的1阶原点矩公式及h阶中心矩公式求解关于λ的方程组，将所得到结果代入所述概率密度函数的公式以得到概率密度函数f(x)。

从上述描述可知，通过引入拉格朗日方程来计算概率密度函数，使得所得到的概率密度函数更加客观准确。

进一步地，所述步骤S2具体包括以下步骤：

S21、在发生电压暂降事件m时，所需的容量S_m以及消耗的能量E_m分别为：

式中，S_im、E_im分别为储能电站i在电压暂降事件m中所需的容量和所消耗的能量；P_c，im、Q_c，im分别为储能电站i在电压暂降事件m中输出的有功功率和无功功率；n为分布式储能的总个t_m为电压暂降事件m持续的时间；

得到储能电站在多次电压暂降事件下的自身投资成本为f^a：

式中，S和E为储能系统总备用容量和能量；C_IS、C_IE分别为储能单位容量和能量投资成本；C_RS、C_rE分别为储能单位容量和能量运行成本；S₀、E₀分别为储能电站原有规划容量和能量；ΔE_L为优化后选址与原选址的线路损耗之差；

S22、计算为储能设备安装电压暂降检测设备的安装成本f^b为：

式中，f_bi为储能i检测设备的安装成本；C₂为储能安装处的电压暂降检测成本；

S23、计算并得到敏感负荷上电压指标折算成本f^c；

式中，U_i为敏感负荷i处节点电压；U_req为电压下限值；f_cg为敏感负荷g的电压成本；k为电压成本系数；

S24、则建立储能电站处理电压暂降所需成本的经济效益评估模型f₂为：

minf₂＝f^a+f^b+f^c。

从上述描述可知，在发生q次电压暂降事件下，若要求储能系统能补偿所有电压暂降事件，则每个储能设备的备用容量要达到多次事件中的最大容量，因而在实际中，由于建设储能电站的成本很高，不会为了专门治理电压暂降问题而建设储能电站，大多是在已有的储能电站配置规划下进行优化。因此要优化储能电站配置提升电压暂降的免疫力，只需在原有的配置基础上增加所需的容量和能量，并考虑配置优化后选址与原储能电站选址的线路损耗之差；同时，由于电压暂降的随机性，补偿设备为快速响应电压暂降的补偿需求，需要对储能设备安装电压暂降检测设备，以保证所建立的储能电站处理电压暂降所需成本的经济效益评估模型更加客观准确。

进一步地，所述步骤S24之后还包括步骤：

S25、计算并得到储能系统的潮流约束为：

式中，P_i、P_MG，i和P_Li分别为节点i的储能有功出力、平衡节点有功出力、负荷有功需求；Q_i、Q_MG，i和Q_Li分别为节点i的储能无功出力、平衡节点无功出力和负荷无功需求；U_i为节点i的电压；G_ij和B_ij分别代表节点i和j之间电导和电纳；θ_ij为节点i和j的相位差；

储能额定功率P和容量Q的约束为：

式中，P_max、P_min、Q_max、Q_min分别为各储能单元输出有功功率和无功功率的下限和上限值；S^max为储能的额定容量；

S26、计算并得到储能系统的荷电状态约束为：

节点电压约束为：

U_req≤U_i≤1.07U₀；

U_k≥U_req；

传输线路功率约束为：

P_k≤P_kmax；

式中，U_k为敏感负荷处的电压；U_o为电压标幺值，取值为1；P_k第k条线路传输的有功功率。

从上述描述可知，对经济效益评估模型进行潮流约束、储能额定功率和容量约束等等式约束以及储能系统的荷电状态约束、节点电压约束和传输线路功率约束等不等式的约束，以保证所建立的储能电站处理电压暂降所需成本的经济效益评估模型更加客观准确。

进一步地，所述步骤S3具体包括以下步骤：

S31、选取所述优化指标f₁和所述经济效益评估模型f₂作为目标函数；

S32、对储能系统的位置和功率进行如下优化：

x＝[x₁，x₂，…，x_N′，y₁，…，y_N′，…，y_j·N′+i，…，y_T·N′]；

式中，x_i指第i个储能系统的接入位置；N’为储能系统的个数；y_j*N’+i指(j+1)时刻第i个储能系统的功率；T为总的时刻数；

所述T时刻第i个储能系统的功率修正为：

S33、采用多目标粒子群算法对所述目标函数进行优化且均以最小值为优化目标，以将最优解作为储能电站配置方案。

从上述描述可知，在进行配电网储能选址定容时，先对储能系统的位置和功率进行优化，以保证储能电站配置方案更加合理客观。

进一步地，所述步骤S33具体包括以下步骤：

S331、初始化种群位置变量x和速度变量v，计算各粒子的目标函数值，并将其放入非劣解集，并确定各粒子历史最优解p和种群全局最优解g；

S332、计算第i个粒子在k时刻与种群全局最优解的差值

可通过下式计算：

式中，D为解空间维数；x_max、x_min分别为粒子位置变量的最大值和最小值；

S333、更新第i个粒子在k时刻的惯性权重，公式如下：

式中，w_start、w_end分别指w的初始值和结束值；

S334、各粒子的速度分量和位置分量的更新公式如下：

式中，w为惯性权重；c1、c2为加速因子；r1、r2为(0，1)之间的随机数；

为第i个粒子在时刻最优位置向量中的第d维分量；

为k时刻种群最优位置向量中的第d维分量；

S335、对粒子进行变异交叉操作；

S336、计算各粒子的目标函数值，根据支配关系更新粒子历史最优解并形成新的非劣解集；

S337、为了合理保持Pareto解分布的均匀性，避免过度拥挤或稀疏对选取折中最优解产生麻烦，采用密集距离公式：

式中，m为目标函数个数；a、c分别为待拥挤判定粒子b的相邻粒子；

得到各个解的密集距离后，按照从大到小的顺序进行筛选，选取密集距离大的N个解，同时从密集距离大的前20％个Pareto解中随机选取种群全局最优解来指导种群的更新；

S338、当达到迭代次数时，输出最优Pareto解集，若没有，则跳转到步骤S332；

S339、所述优化指标f₁和所述经济效益评估模型f₂在优化过程中均以最小值作为优化目标，采用选取偏小型模糊集决策理论构建模糊隶属度函数，在Pareto前沿面上各最优解的模糊隶属度函数取值为决策满意程度，将满意程度最高的解将作为折中解，所述模糊隶属度函数表示为：

式中，f_i是目标函数的值，

分别为第i个目标函数的最大值、最小值，得到标准化最优解计算为：

式中，N表示最优解个数；β^k表示标准化条件下第k个最优解的满意程度值，将满意程度最高的解作为Pareto前沿面上的最优折中解，即为储能电站配置方案。

从上述描述可知，采用改进多目标粒子群算法求解配电网储能系统多目标选址定容问题，从而保证储能电站配置方案更加合理客观。

进一步地，所述步骤S335具体包括以下步骤：

S3351、确定差值x的阀值x_min、交叉率p_c和变异率p_m；

S3352、判断i粒子x_i的大小，若x_i＜x_min，则对i粒子进行交叉变异，否则转至步骤S3355；

S3353、为i粒子的每维位置分量选取[0，1]的随机数r_id，若r_id＜p_m，则对i粒子的第d维位置分量进行初始化操作，操作方法如下：

x_id＝x_min+(x_max-x_min)·r；

式中，x_min为粒子位置变量的最小值；r为[0，1]的随机数；

S3354、变异后的粒子，再对其位置向量进行交叉操作，若r_id＜p_c，则对其位置向量的第d维进行交叉，交叉对象为种群全局最优解，操作方法如下所示；

x_i＝[x₁，x₂…，x_d…，x_D]

r_id＜p_c↑

g_i＝[g₁，g₂…，g_d…，g_D]；

S3355、交叉变异结束，即：

x_id＝x_min+(x_max-x_min)·r；

式中，x_min为粒子位置变量的最小值；r为[0，1]的随机数。

从上述描述可知，通过对粒子进行变异交叉操作，以避免陷入局部解。

请参照图4，提升电网电压暂降免疫力的储能电站配置终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的提升电网电压暂降免疫力的储能电站配置方法。

从上述描述可知，本发明的有益效果在于：对于储能电站的选址定容除了需要考虑电压暂降的治理成效，还需要考虑储能电站自身的大量成本投资，之后通过多目标粒子群算法进行迭代计算且均以最小值为优化目标，从而将优化储能电站的配置与治理电压暂降相结合，构建出最优的储能电站布点定容方案，以提升电网电压暂降免疫力，改善电压质量。

请参照图1至图3，本发明的实施例一为：

提升电网电压暂降免疫力的储能电站配置方法，包括步骤：

S1、评估预设重要节点的电压暂降严重程度，得到预设重要节点的电压暂降严重程度的优化指标f₁；

如图2所示，步骤S1具体包括以下步骤：

S11、采用ITIC曲线确定用户设备电压耐受曲线的不确定区域的边界值U_max、U_min、T_max、T_min；

S12、根据电压暂降持续时间T、电压幅值U的样本值，计算对应的暂降幅值严重性指标MSI((magnitude severity index)、持续时间严重性指标DSI(duration severityindex)的样本值，其公式如下：

S13、确定所要建立的最大熵评估模型的约束条件以及随机变量取值边界；

其中，步骤S13具体包括以下步骤：

通过各阶统计矩来确定最大熵评估模型的约束条件，统计矩包括了原点矩和中心矩；其中，通过大量仿真，得出取5阶矩能反映电压暂降严重性指标的随机分布规律；

通过样本值的取值范围来确定边界R，再逐次迭代修正，直到得到最终的随机变量取值边界。

S14、建立电压暂降严重性指标DSI及MSI的最大熵评估模型，基于约束条件以及随机变量取值边界对最大熵评估模型进行求解，得到概率密度函数；

其中，步骤S14具体包括以下步骤：

S141、设x为敏感负荷电压暂降严重性指标SI的随机变量，其概率密度函数为f(x)，SI为DSI或MSI，则负荷电压耐受曲线概率分布的最大熵评估模型为：

max H(x)＝-∫_Rf(x)lnf(x)dx；

其约束条件为：

∫_Rf(x)dx＝1；

∫_Rxf(x)dx＝E₁；

∫_R(x-E₁)^hf(x)dx＝E_h；

式中，H(x)为随机变量x的熵；f(x)为随机变量x的概率密度函数；R为随机变量x的取值边界；E₁、E_h为SI样本数据的1阶原点矩及h阶中心矩；

S142、引入拉格朗日方程，求得概率密度函数的公式为：

式中，λ₀-λ₅为对应约束条件的拉格朗日乘子；

将概率密度函数的公式代入约束条件的第一个公式中，可得拉格朗日乘子的求解公式：

由此可得SI样本数据的1阶原点矩公式及h阶中心矩公式如下：

根据拉格朗日乘子的第一个求解公式、SI样本数据的1阶原点矩公式及h阶中心矩公式求解关于λ的方程组，将所得到结果代入概率密度函数的公式以得到概率密度函数f(x)。

由此，概率密度函数无需人为假设，更具客观性。

S15、根据概率密度函数得到预设重要节点的负荷故障概率；

结合图3可知，当电压暂降m发生在不确定区域A内，该电压暂降相对某敏感负荷的严重性指标DSI、MSI假设为m₁、m₂，则负荷故障概率P的评估模型为：

其中，x₁、f(x₁)为随机变量DSI的取值及其概率密度函数；x₂、f(x₂)为随机变量MSI的取值及其概率密度函数。

而当电压暂降发生在B、C区域时，式(13)中仅包含1个随机变量，可得类似结论。

S16、根据所求负荷故障概率和不同类型敏感负荷故障后的平均经济损失L_sag，得到预设重要节点的电压暂降严重程度的优化指标f₁，即优化指标f₁的函数表达式为：

f₁＝L_sagP。

S2、建立储能电站处理电压暂降所需成本的经济效益评估模型f₂；

如图2所示，步骤S2具体包括以下步骤：

S21、在发生电压暂降事件m时，所需的容量S_m以及消耗的能量E_m分别为：

式中，S_im、E_im分别为储能电站i在电压暂降事件m中所需的容量和所消耗的能量；P_c，im、Q_c，im分别为储能电站i在电压暂降事件m中输出的有功功率和无功功率；n为分布式储能的总个t_m为电压暂降事件m持续的时间；

得到储能电站在多次电压暂降事件下的自身投资成本为f^a：

式中，S和E为储能系统总备用容量和能量；C_IS、C_IE分别为储能单位容量和能量投资成本；C_RS、C_rE分别为储能单位容量和能量运行成本；S₀、E₀分别为储能电站原有规划容量和能量；ΔE_L为优化后选址与原选址的线路损耗之差；

S22、计算为储能设备安装电压暂降检测设备的安装成本f^b为：

式中，f_bi为储能i检测设备的安装成本；C₂为储能安装处的电压暂降检测成本；

S23、计算并得到敏感负荷上电压指标折算成本f^c；

式中，U_i为敏感负荷i处节点电压；U_req为电压下限值；f_cg为敏感负荷g的电压成本；k为电压成本系数；

S24、则建立储能电站处理电压暂降所需成本的经济效益评估模型f₂为：

minf₂＝f^a+f^b+f^c。

S25、计算并得到储能系统的潮流约束为：

式中，P_i、P_MG，i和P_Li分别为节点i的储能有功出力、平衡节点有功出力、负荷有功需求；Q_i、Q_MG，i和Q_Li分别为节点i的储能无功出力、平衡节点无功出力和负荷无功需求；U_i为节点i的电压；G_ij和B_ij分别代表节点i和j之间电导和电纳；θ_ij为节点i和j的相位差；

储能额定功率P和容量Q的约束为：

式中，P_max、P_min、Q_max、Q_min分别为各储能单元输出有功功率和无功功率的下限和上限值；S^max为储能的额定容量；

S26、计算并得到储能系统的荷电状态约束为：

节点电压约束为：

U_req≤U_i≤1.07U₀；

U_k≥U_req；

传输线路功率约束为：

P_k≤P_kmax；

式中，U_k为敏感负荷处的电压；U_o为电压标幺值，取值为1；P_k第k条线路传输的有功功率。

S3、将优化指标f₁和经济效益评估模型f₂作为目标函数，采用多目标粒子群算法对目标函数进行优化且均以最小值为优化目标，以将最优解作为储能电站配置方案。

如图2所示，步骤S3具体包括以下步骤：

S31、选取优化指标f₁和经济效益评估模型f₂作为目标函数；

S32、对储能系统的位置和功率进行如下优化：

x＝[x₁，x₂，…，x_N′，y₁，…，y_N′，…，3_j·N′+i，…，y_T·N′]；

式中，x_i指第i个储能系统的接入位置；N’为储能系统的个数；y_j*N’+i指(j+1)时刻第i个储能系统的功率；T为总的时刻数；

T时刻第i个储能系统的功率修正为：

S33、采用多目标粒子群算法对目标函数进行优化且均以最小值为优化目标，以将最优解作为储能电站配置方案。

其中，步骤S33具体包括以下步骤：

S331、初始化种群位置变量x和速度变量v，计算各粒子的目标函数值，并将其放入非劣解集，并确定各粒子历史最优解p和种群全局最优解g；

S332、计算第i个粒子在k时刻与种群全局最优解的差值

可通过下式计算：

式中，D为解空间维数；x_max、x_min分别为粒子位置变量的最大值和最小值；

S333、更新第i个粒子在k时刻的惯性权重，公式如下：

式中，w_start、w_end分别指w的初始值和结束值；

S334、各粒子的速度分量和位置分量的更新公式如下：

式中，w为惯性权重；c₁、c₂为加速因子；r₁、r₂为(0，1)之间的随机数；

为第i个粒子在时刻最优位置向量中的第d维分量；

为k时刻种群最优位置向量中的第d维分量；

S335、对粒子进行变异交叉操作，以避免陷入局部解；

其中，步骤S335具体包括以下步骤：

S3351、确定差值x的阀值x_min、交叉率p_x和变异率p_m；

S3352、判断i粒子x_i的大小，若x_i＜x_min，则对i粒子进行交叉变异，否则转至步骤S3355；

S3353、为i粒子的每维位置分量选取[0，1]的随机数r_id，若r_id＜p_m，则对i粒子的第d维位置分量进行初始化操作，操作方法如下：

x_id＝x_min+(x_max-x_min)·r；

式中，x_min为粒子位置变量的最小值；r为[0，1]的随机数；

S3354、变异后的粒子，再对其位置向量进行交叉操作，若r_id＜p_c，则对其位置向量的第d维进行交叉，交叉对象为种群全局最优解，操作方法如下所示；

x_i＝[x₁，x₂…，x_d…，x_D]

r_id＜p_c↑

g_i＝[g₁，g₂…，g_d…，g_D]；

S3355、交叉变异结束，即：

x_id＝x_min+(x_max-x_min)·r；

式中，x_min为粒子位置变量的最小值；r为[0，1]的随机数。

S336、计算各粒子的目标函数值，根据支配关系更新粒子历史最优解并形成新的非劣解集；

S337、为了合理保持Pareto解分布的均匀性，避免过度拥挤或稀疏对选取折中最优解产生麻烦，采用密集距离公式：

式中，m为目标函数个数；a、c分别为待拥挤判定粒子b的相邻粒子；

得到各个解的密集距离后，按照从大到小的顺序进行筛选，选取密集距离大的N个解，同时从密集距离大的前20％个Pareto解中随机选取种群全局最优解来指导种群的更新；

S338、当达到迭代次数时，输出最优Pareto解集，若没有，则跳转到步骤S332；

S339、优化指标f₁和经济效益评估模型f₂在优化过程中均以最小值作为优化目标，采用选取偏小型模糊集决策理论构建模糊隶属度函数，在Pareto前沿面上各最优解的模糊隶属度函数取值为决策满意程度，将满意程度最高的解将作为折中解，模糊隶属度函数表示为：

式中，f_i是目标函数的值，

分别为第i个目标函数的最大值、最小值，得到标准化最优解计算为：

式中，N表示最优解个数；β^k表示标准化条件下第k个最优解的满意程度值，将满意程度最高的解作为Pareto前沿面上的最优折中解，即为储能电站配置方案。

其中，在本实施例中，因为公式较多，所以重复出现的字母以对应步骤中的解释为准，不影响理解本发明。

请参照图4，本发明的实施例二为：

提升电网电压暂降免疫力的储能电站配置终端1，包括存储器3、处理器2及存储在存储器3上并可在处理器2上运行的计算机程序，处理器2执行计算机程序时实现上述实施例一的步骤。

综上所述，本发明提供的一种提升电网电压暂降免疫力的储能电站配置方法及终端，采用ITIC曲线确定用户设备电压耐受曲线的不确定区域的边界值，根据电压暂降持续时间T、电压幅值U的样本值，计算对应的暂降幅值严重性指标MSI、持续时间严重性指标DSI的样本值。之后确定所要建立的最大熵评估模型的约束条件以及随机变量取值边界，并基于约束条件以及随机变量取值边界对所建立的最大熵评估模型进行求解，得到概率密度函数，从而使得概率密度函数无需人为假设，更具客观性；通过在原有的配置基础上增加所需的容量和能量，并考虑配置优化后选址与原储能电站选址的线路损耗之差；同时，由于电压暂降的随机性，补偿设备为快速响应电压暂降的补偿需求，需要对储能设备安装电压暂降检测设备，以保证所建立的储能电站处理电压暂降所需成本的经济效益评估模型更加客观准确；由此，对于储能电站的选址定容除了需要考虑电压暂降的治理成效，还需要考虑储能电站自身的大量成本投资，之后通过多目标粒子群算法进行迭代计算且均以最小值为优化目标，从而将优化储能电站的配置与治理电压暂降相结合，构建出最优的储能电站布点定容方案，以提升电网电压暂降免疫力，改善电压质量。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.提升电网电压暂降免疫力的储能电站配置方法，其特征在于，包括步骤：

S1、评估预设重要节点的电压暂降严重程度，得到预设重要节点的电压暂降严重程度的优化指标f₁；

S2、建立储能电站处理电压暂降所需成本的经济效益评估模型f₂；

S3、将所述优化指标f₁和所述经济效益评估模型f₂作为目标函数，采用多目标粒子群算法对所述目标函数进行优化且均以最小值为优化目标，以将最优解作为储能电站配置方案。

2.根据权利要求1所述的提升电网电压暂降免疫力的储能电站配置方法，其特征在于，所述步骤S1具体包括以下步骤：

S11、采用ITIC曲线确定用户设备电压耐受曲线的不确定区域的边界值U_max、U_min、T_max、T_min；

S12、根据电压暂降持续时间T、电压幅值U的样本值，计算对应的暂降幅值严重性指标MSI、持续时间严重性指标DSI的样本值，其公式如下：

S13、确定所要建立的最大熵评估模型的约束条件以及随机变量取值边界；

S14、建立电压暂降严重性指标DSI及MSI的最大熵评估模型，基于所述约束条件以及随机变量取值边界对所述最大熵评估模型进行求解，得到概率密度函数；

S15、根据所述概率密度函数得到预设重要节点的负荷故障概率；

S16、根据所求负荷故障概率和不同类型敏感负荷故障后的平均经济损失L_sag，得到预设重要节点的电压暂降严重程度的优化指标f₁。

3.根据权利要求2所述的提升电网电压暂降免疫力的储能电站配置方法，其特征在于，所述步骤S13具体包括以下步骤：

通过各阶统计矩来确定最大熵评估模型的约束条件，所述统计矩包括了原点矩和中心矩；

通过样本值的取值范围来确定边界R，再逐次迭代修正，直到得到最终的随机变量取值边界。

4.根据权利要求3所述的提升电网电压暂降免疫力的储能电站配置方法，其特征在于，所述步骤S14具体包括以下步骤：

S141、设x为敏感负荷电压暂降严重性指标SI的随机变量，其概率密度函数为f(x)，所述SI为DSI或MSI，则负荷电压耐受曲线概率分布的最大熵评估模型为：

max H(x)＝-∫_Rf(x)ln f(x)dx；

其约束条件为：

∫_Rf(x)dx＝1；

∫_Rxf(x)dx＝E₁；

∫_R(x-E₁)^hf(x)dx＝E_h；

式中，H(x)为随机变量x的熵；f(x)为随机变量x的概率密度函数；R为随机变量x的取值边界；E₁、E_h为SI样本数据的1阶原点矩及h阶中心矩；

S142、引入拉格朗日方程，求得概率密度函数的公式为：

式中，λ₀—λ₅为对应约束条件的拉格朗日乘子；

将所述概率密度函数的公式代入约束条件的第一个公式中，可得拉格朗日乘子的求解公式：

由此可得所述SI样本数据的1阶原点矩公式及h阶中心矩公式如下：

根据拉格朗日乘子的第一个求解公式、所述SI样本数据的1阶原点矩公式及h阶中心矩公式求解关于λ的方程组，将所得到结果代入所述概率密度函数的公式以得到概率密度函数f(x)。

5.根据权利要求1所述的提升电网电压暂降免疫力的储能电站配置方法，其特征在于，所述步骤S2具体包括以下步骤：

S21、在发生电压暂降事件m时，所需的容量S_m以及消耗的能量E_m分别为：

式中，S_im、E_im分别为储能电站i在电压暂降事件m中所需的容量和所消耗的能量；P_c,im、Q_c,im分别为储能电站i在电压暂降事件m中输出的有功功率和无功功率；n为分布式储能的总个t_m为电压暂降事件m持续的时间；

得到储能电站在多次电压暂降事件下的自身投资成本为f^a：

式中，S和E为储能系统总备用容量和能量；C_IS、C_IE分别为储能单位容量和能量投资成本；C_RS、C_rE分别为储能单位容量和能量运行成本；S₀、E₀分别为储能电站原有规划容量和能量；ΔE_L为优化后选址与原选址的线路损耗之差；

S22、计算为储能设备安装电压暂降检测设备的安装成本f^b为：

式中，f_bi为储能i检测设备的安装成本；C₂为储能安装处的电压暂降检测成本；

S23、计算并得到敏感负荷上电压指标折算成本f^c；

式中，U_i为敏感负荷i处节点电压；U_req为电压下限值；f_cg为敏感负荷g的电压成本；k为电压成本系数；

S24、则建立储能电站处理电压暂降所需成本的经济效益评估模型f₂为：

minf₂＝f^a+f^b+f^c。

6.根据权利要求5所述的提升电网电压暂降免疫力的储能电站配置方法，其特征在于，所述步骤S24之后还包括步骤：

S25、计算并得到储能系统的潮流约束为：

式中，P_i、P_MG,i和P_Li分别为节点i的储能有功出力、平衡节点有功出力、负荷有功需求；Q_i、Q_MG,i和Q_Li分别为节点i的储能无功出力、平衡节点无功出力和负荷无功需求；U_i为节点i的电压；G_ij和B_ij分别代表节点i和j之间电导和电纳；θ_ij为节点i和j的相位差；

储能额定功率P和容量Q的约束为：

式中，P_max、P_min、Q_max、Q_min分别为各储能单元输出有功功率和无功功率的下限和上限值；S^max为储能的额定容量；

S26、计算并得到储能系统的荷电状态约束为：

节点电压约束为：

U_req≤U_i≤1.07U₀；

U_k≥U_req；

传输线路功率约束为：

P_k≤P_kmax；

式中，U_k为敏感负荷处的电压；U_o为电压标幺值，取值为1；P_k第k条线路传输的有功功率。

7.根据权利要求1所述的提升电网电压暂降免疫力的储能电站配置方法，其特征在于，所述步骤S3具体包括以下步骤：

S31、选取所述优化指标f₁和所述经济效益评估模型f₂作为目标函数；

S32、对储能系统的位置和功率进行如下优化：

x＝[x₁，x₂，…，x_N′，y₁，…，y_N′，…，y_j·N′+i，…，y_T·N′]；

式中，x_i指第i个储能系统的接入位置；N’为储能系统的个数；y_j*N’+i指(j+1)时刻第i个储能系统的功率；T为总的时刻数；

所述T时刻第i个储能系统的功率修正为：

S33、采用多目标粒子群算法对所述目标函数进行优化且均以最小值为优化目标，以将最优解作为储能电站配置方案。

8.根据权利要求7所述的提升电网电压暂降免疫力的储能电站配置方法，其特征在于，所述步骤S33具体包括以下步骤：

S331、初始化种群位置变量x和速度变量v，计算各粒子的目标函数值，并将其放入非劣解集，并确定各粒子历史最优解p和种群全局最优解g；

S332、计算第i个粒子在k时刻与种群全局最优解的差值

可通过下式计算：

式中，D为解空间维数；x_max、x_min分别为粒子位置变量的最大值和最小值；

S333、更新第i个粒子在k时刻的惯性权重，公式如下：

式中，w_start、w_end分别指w的初始值和结束值；

S334、各粒子的速度分量和位置分量的更新公式如下：

式中，w为惯性权重；c₁、c₂为加速因子；r₁、r₂为(0,1)之间的随机数；

为第i个粒子在时刻最优位置向量中的第d维分量；

为k时刻种群最优位置向量中的第d维分量；

S335、对粒子进行变异交叉操作；

S336、计算各粒子的目标函数值，根据支配关系更新粒子历史最优解并形成新的非劣解集；

S337、为了合理保持Pareto解分布的均匀性，避免过度拥挤或稀疏对选取折中最优解产生麻烦，采用密集距离公式：

式中，m为目标函数个数；a、c分别为待拥挤判定粒子b的相邻粒子；

得到各个解的密集距离后，按照从大到小的顺序进行筛选，选取密集距离大的N个解，同时从密集距离大的前20％个Pareto解中随机选取种群全局最优解来指导种群的更新；

S338、当达到迭代次数时，输出最优Pareto解集，若没有，则跳转到步骤S332；

S339、所述优化指标f₁和所述经济效益评估模型f₂在优化过程中均以最小值作为优化目标，采用选取偏小型模糊集决策理论构建模糊隶属度函数，在Pareto前沿面上各最优解的模糊隶属度函数取值为决策满意程度，将满意程度最高的解将作为折中解，所述模糊隶属度函数表示为：

式中，f_i是目标函数的值，

分别为第i个目标函数的最大值、最小值，得到标准化最优解计算为：

式中，N表示最优解个数；β^k表示标准化条件下第k个最优解的满意程度值，将满意程度最高的解作为Pareto前沿面上的最优折中解，即为储能电站配置方案。

9.根据权利要求8所述的提升电网电压暂降免疫力的储能电站配置方法，其特征在于，所述步骤S335具体包括以下步骤：

S3351、确定差值x的阀值x_min、交叉率p_c和变异率p_m；

S3352、判断i粒子x_i的大小，若x_i<x_min，则对i粒子进行交叉变异，否则转至步骤S3355；

S3353、为i粒子的每维位置分量选取[0,1]的随机数r_id，若r_id<p_m，则对i粒子的第d维位置分量进行初始化操作，操作方法如下：

x_id＝x_min+(x_max-x_min)·r；

式中，x_min为粒子位置变量的最小值；r为[0,1]的随机数；

S3354、变异后的粒子，再对其位置向量进行交叉操作，若r_id<p_c，则对其位置向量的第d维进行交叉，交叉对象为种群全局最优解，操作方法如下所示；

S3355、交叉变异结束，即：

x_id＝x_min+(x_max-x_min)·r；

式中，x_min为粒子位置变量的最小值；r为[0,1]的随机数。

10.提升电网电压暂降免疫力的储能电站配置终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9任一所述的提升电网电压暂降免疫力的储能电站配置方法。

Images