CN113988384A - 一种提高配电网可靠性的储能容量优化配置方法 - Google Patents

一种提高配电网可靠性的储能容量优化配置方法 Download PDF

Info

Publication number
CN113988384A
CN113988384A CN202111188277.8A CN202111188277A CN113988384A CN 113988384 A CN113988384 A CN 113988384A CN 202111188277 A CN202111188277 A CN 202111188277A CN 113988384 A CN113988384 A CN 113988384A
Authority
CN
China
Prior art keywords
energy storage
storage system
power
capacity
reliability
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
CN202111188277.8A
Other languages
English (en)
Inventor
周柯
丘晓茵
秦丽文
莫枝阅
李珊
周扬郡
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 Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi 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 Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202111188277.8A priority Critical patent/CN113988384A/zh
Publication of CN113988384A publication Critical patent/CN113988384A/zh
Priority to PCT/CN2022/077253 priority patent/WO2023060815A1/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • 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
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • 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]
    • 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
    • Y02E40/10—Flexible AC transmission systems [FACTS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Water Supply & Treatment (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种提高配电网可靠性的储能容量优化配置方法，包括以下步骤：(1)定义储能系统的“收益‑投入比”：
Figure DDA0003300180560000011
其中，Ctotal为储能系统的建设成本，f1为配置储能系统的经济性收益，f2为配置储能系统的可靠性收益；(2)选择储能系统的功率区间，根据储能系统的功率区间选择容量区间；(3)估计供电网络中配置不同容量的储能系统的“收益‑投入比”；(4)根据当前容量下储能系统的“收益‑投入比”，搜索储能系统最佳的配置容量，即储能系统最大的“收益‑投入比”下的配置容量为储能系统最佳的配置容量。本发明能够智能高效地规划储能功率与容量的配置，实现储能配置的可靠性收益与经济性收益的综合最优，具有智能化程度高的优点。

Description

一种提高配电网可靠性的储能容量优化配置方法
技术领域
本发明涉及配电网技术领域，具体是涉及一种提高配电网可靠性的储能容量优化配置方法。
背景技术
随着家庭用电负荷规模逐渐增长，电力系统配电网的供电压力逐渐增大。近年来，为缓解电力系统压力，需要执行“削峰填谷”的措施，以平衡电网的发电侧与负荷侧，并提高母线电压频率的稳定性。
传统的电网“削峰填谷”技术通常使用投入与切出负荷的方式维持大电网电压与频率的稳定，但该方式的能量损耗大，且造成了用户使用体验差，供电可靠性低的难题。随着电力电子技术的发展，大量的储能系统(battery energy storage systems，BESS)通过电力电子装置接入电力系统，储能通过在用电低谷期时吸收电网电能，在用电高峰期将多余的电量回馈至电网，有效地实现了电网的“削峰填谷”。该方式有效平抑了电网电压、频率的波动，并提高了用户供电质量。但是，随着储能的功率与容量的增大，储能的制造成本与维护成本也随之提高，如何对配电网中储能的功率与容量进行优化，折中储能的收益与储能的成本，成为现实难题。
现有的研究中考虑了新能源与储能的接入对配电网可靠性的影响，如CN104851053 A公开了一种接入风储互补微网的配电网可靠性评估方法，CN104851053 A公开了一种含风光储的配电网供电可靠性评估方法，CN110188998 A公开了一种配电网的风电机组和储能的时序建设可靠性的评估方法，上述专利文献研究了改进的接入风光储等装置的配电网可靠性评估方法，使得储能对配电网的供电可靠性的影响的评估精度得到了一定的提高。随着接入配电网的储能的规模增加，需要针对配电网的储能容量优化，以降低电网电压波动程度。CN108551175 B公开了一种配电网储能容量配置方法，CN112260300 A公开了一种储能配置及最佳延缓年限的确定方法及装置，上述专利文献研究了配电网储能容量的优化，有效平抑了电网电压的波动，但是未考虑经济性成本，具有一定局限性。CN108599206 B公开了一种高比例不确定电源场景下的配电网混合储能配置方法，该方法采用了非线性规划的方式进行了新能源的优化配置，但是该方法使用的约束条件为非线性模型进行线性化的结果，导致容易获取到真实模型的极大值点但是难以获得全局最优。CN112232983 A公开了一种主动配电网储能优化配置方法、电子设备及存储介质，从考虑电压波动抑制能力与储能经济性的角度出发研究了配电网储能配置方法，但是未考虑储能的可靠性收益，主要从电力市场的角度进行了考虑。CN110061492 A公开了一种考虑配电网供电可靠性的储能系统容量优化配置方法，从建设成本最低并提供最大紧急功率支撑的角度研究了配电网储能容量优化的办法，可以有效解决含有重要负荷的配电网场景的实际需求，但是对于普通用电负荷并不重点关注最大紧急支撑能力，更关注可靠性供电指标，以在提高供电可靠性的基础上获得较好的收益。
因此，传统的储能容量优化配置方法多从潮流约束、电压波动等方面进行考虑，但未综合考虑接入储能的配电网可靠性收益与经济性收益，对于电网来说，更加关心如何使用储能提升特定区域的供电可靠性的同时提高经济性。同时，传统的方法多基于比较与枚举计算方法，搜索最优运行点耗时长。
发明内容
本发明所要解决的技术问题是，克服上述背景技术的不足，提供一种提高配电网可靠性的储能容量优化配置方法，解决了现有方法中未考虑储能接入配电网中的可靠性收益与经济性收益综合最优的问题，在提高配电网可靠性的前提下实现储能的最优经济性配置。
本发明解决其技术问题采用的技术方案是，一种提高配电网可靠性的储能容量优化配置方法，包括以下步骤：
(1)定义储能系统的“收益-投入比”：
Figure BDA0003300180540000031
其中，Ctotal为储能系统的建设成本，f1为配置储能系统的经济性收益，f2为配置储能系统的可靠性收益；
(2)选择储能系统的功率区间，根据储能系统的功率区间选择容量区间；
(3)估计供电网络中配置不同容量的储能系统的“收益-投入比”；
(4)根据当前容量下储能系统的“收益-投入比”，搜索储能系统最佳的配置容量，即储能系统最大的“收益-投入比”下的配置容量为储能系统最佳的配置容量。
进一步，步骤(1)中，所述配置储能系统的经济性收益f1可表示为：
f1＝B1+B2 (2)
其中，B1表示储能“削峰”的经济效益，B2表示减少的发电机组装机容量收益；
其中，储能“削峰”的经济效益B1可表示为：
Figure BDA0003300180540000041
其中，Pid表示储能系统在第i个小时的放电功率，Pie表示储能系统在第i个小时的充电功率，Ri为第i个小时的实时电价；
其中，减少的发电机组装机容量收益B2可表示为：
B2＝λksPh (4)
其中，ks表示单位装机容量的价格，λ为资产折旧率，Ph为负载达到最大值时储能系统的功率；
其中，配置储能系统的可靠性收益f2可表示为：
Figure BDA0003300180540000042
其中，M表示负载点数，Kj表示负载点j的停电次数，Pjk为第k次停电时负载点j的负荷值，TOFFjk为第k次停电时负载点j的停电时间，CLjk为第k次停电时负载点j的平均停电损失；
其中，储能系统的的建设成本Ctotal可表示为：
Ctotal＝CINESS+CRESS (6)
其中，CINESS表示储能系统的一次性建设成本，CRESS表示储能系统的总维护费用；
其中，储能系统的一次性建设成本CINESS可表示为：
CINESS＝keEN+(kp+kf)PN (7)
其中，ke为单位容量的储能系统的支出；kp为单位功率的变换器的支出，kf为单位功率的配件支出，EN表示储能系统的容量，PN表示储能系统的功率；
其中，储能系统的总维护费用CRESS可表示为：
CRESS＝krPN (8)
其中，kr为单位功率的维修支出。
进一步，采用蒙特卡洛法模拟得到系统的平均供电可用率指标与缺电期望值指标，并根据平均供电可用率指标与缺电期望值指标选择储能系统的功率区间。
进一步，根据平均供电可用率指标与缺电期望值指标选择储能系统的功率区间，具体方法为：绘制平均供电可用率指标与缺电期望值指标随着功率变化的曲线；选择缺电期望值指标最小值对应的功率值与缺电期望值指标最大值对应的功率值相加的和除以2定为储能系统的基准功率PN1；选择平均供电可用率指标最小值对应的功率值与平均供电可用率指标最大值对应的功率值相加的和除以2定为储能系统的基准功率PN2；储能系统的功率区间表达式为(1±10％)(PN1+PN2)。
进一步，步骤(3)中，使用蒙特卡洛法估计供电网络中配置不同容量的储能系统的“收益-投入比”。
进一步，步骤(3)中，使用蒙特卡洛法估计供电网络中配置不同容量的储能系统的“收益-投入比”，包括以下步骤：
(3-1)设定蒙特卡洛最大模拟时长T，初始化模拟时间t＝0；
(3-2)在系统中针对各个负荷点随机产生故障；
(3-3)判断各个负荷点当前时间t下是否有故障；
(3-4)若有故障，判断负荷点的供电是否可以恢复；
(3-5)若可以恢复，判断储能系统是否正常；
(3-6)若正常，判断储能系统的功率PBESS是否大于当前负荷的功率Pload；
(3-7)若大于，判断储能系统的剩余容量是否可以维持系统正常运转一小时；
(3-8)若可以，停电区域恢复供电；
(3-9)重复步骤(3-2)～(3-8)，直至模拟时间t达到最大模拟时长T；
(3-10)计算当前容量下储能系统的“收益-投入比”。
进一步，步骤(4)中，根据当前容量下储能系统的“收益-投入比”，利用粒子群算法搜索储能系统最佳的配置容量。
进一步，步骤(4)中，利用粒子群算法搜索储能系统最佳的配置容量，包括以下步骤：
(4-1)初始化粒子群算法的配置参数；
(4-2)定义适应度函数为步骤(1)中定义的储能系统的“收益-投入比”，粒子的个体适应度函数的最大值为每个粒子的“个体最优解”；
(4-3)比较所有粒子的个体适应度函数的最大值，选出其中的最大值，定义为“全局最优解”；
(4-4)将当前“全局最优解”与历史“全局最优解”进行比较，对自变量的粒子速度、位置进行更新；
(4-5)判断是否满足终止迭代操作的条件，如果当前迭代次数达到设定的大迭代次数，终止迭代，选取所有“全局最优解”中最大值对应的配置容量为储能系统最佳的配置容量；否则，返回步骤(3)继续执行。
进一步，步骤(4-1)中，初始化粒子群算法的配置参数具体为：设置最大迭代次数，自变量个数，最大粒子速度；粒子群算法的自变量为储能系统的容量；设置粒子群的初始速度和位置，设置粒子群大小为M。
进一步，步骤(4-4)中，更新速度和位置的公式表示为：
Figure BDA0003300180540000071
其中ω(ω≥0)为惯性权重；C1为个体学习因子，C2为社会学习因子；random(0,1)代表0到1之间的任意值；Pid是第i个粒子自变量的第d维变量；Pgd是全局最优解的第d维变量；Xid是第i个粒子上一次位置的第d维变量；Vid是第i个粒子的速度集的第d维变量。与现有技术相比，本发明的优点如下：
本发明针对储能配置可靠性收益与经济性收益的综合性收益进行评估，提出了一种基于粒子群算法的提高配电网可靠性的储能容量优化配置方法，能够智能高效地规划储能功率与容量的配置，实现储能配置的可靠性收益与经济性收益的综合最优，具有智能化程度高的优点。
附图说明
图1是本发明实施例方法流程图。
图2是本发明实施例使用蒙特卡洛法估计供电网络中配置不同容量的储能系统的“收益-投入比”的流程图。
图3是本发明实施例IEEE-34系统的结构示意图。
图4是本发明实施例IEEE-34系统的平均供电可用率指标的示意图。
图5是本发明实施例IEEE-34系统的缺电期望值指标的示意图。
图6是本发明实施例储能系统的最优“收益-投入比”示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细描述。
本发明针对储能配置可靠性收益与经济性收益的综合性收益进行评估，提出了一种基于粒子群算法的提高配电网可靠性的储能容量优化配置方法。
参照图1，本实施例方法，包括以下步骤：
(1)定义储能系统的“收益-投入比”：
Figure BDA0003300180540000091
其中，Ctotal为储能系统的建设成本，f1为配置储能系统的经济性收益，f2为配置储能系统的可靠性收益。
其中，配置储能系统的经济性收益f1可表示为：
f1＝B1+B2 (2)
其中，B1表示储能“削峰”的经济效益，B2表示减少的发电机组装机容量收益。
其中，储能“削峰”的经济效益B1可表示为：
Figure BDA0003300180540000092
其中，Pid表示储能系统在第i个小时的放电功率，Pie表示储能系统在第i个小时的充电功率，Ri为第i个小时的实时电价。
其中，减少的发电机组装机容量收益B2可表示为：
B2＝λksPh (4)
其中，ks表示单位装机容量的价格，λ为资产折旧率，Ph为负载达到最大值时储能系统的功率。
其中，配置储能系统的可靠性收益f2可表示为：
Figure BDA0003300180540000093
其中，M表示负载点数，Kj表示负载点j的停电次数，Pjk为第k次停电时负载点j的负荷值，TOFFjk为第k次停电时负载点j的停电时间，CLjk为第k次停电时负载点j的平均停电损失。
其中，储能系统的的建设成本Ctotal可表示为：
Ctotal＝CINESS+CRESS (6)
其中，CINESS表示储能系统的一次性建设成本，CRESS表示储能系统的总维护费用。
其中，储能系统的一次性建设成本CINESS可表示为：
CINESS＝keEN+(kp+kf)PN (7)
其中，ke为单位容量的储能系统的支出。kp为单位功率的变换器的支出，kf为单位功率的配件支出，EN表示储能系统的容量，PN表示储能系统的功率。
其中，储能系统的总维护费用CRESS可表示为：
CRESS＝krPN (8)
其中，kr为单位功率的维修支出。
(2)假设储能系统的容量为无穷大，使用蒙特卡洛法模拟得到系统的平均供电可用率指标(average service availability index，ASAI)与缺电期望值指标(expectedenergy not supplied，EENS)，并根据ASAI与EENS选择储能系统的功率区间，具体为：分别绘制ASAI与EENS随着功率变化的曲线；选择EENS最小值对应的功率值与EENS最大值对应的功率值相加的和除以2定为储能系统的基准功率PN1；选择ASAI最小值对应的功率值与ASAI最大值对应的功率值相加的和除以2定为储能系统的基准功率PN2；储能系统的功率区间表达式为(1±10％)(PN1+PN2)，确保储能系统的功率不过大或者过小。根据储能系统的功率区间选择容量区间，EN＝PNt，EN表示储能系统的容量，PN表示储能系统的功率，t表示时间。
(3)使用蒙特卡洛法估计供电网络中配置不同容量的储能系统的“收益-投入比”。执行过程如图2所示。
步骤S1：设定蒙特卡洛最大模拟时长T，初始化模拟时间t＝0(小时)；
步骤S2：在系统中针对各个负荷点随机产生故障；
步骤S3：判断各个负荷点当前时间t下是否有故障；如果是，进入步骤S4，如果否，进入步骤S8；
步骤S4：判断负荷点的供电是否可以恢复；如果是，进入步骤S5；如果否，整个系统停电；
步骤S5：判断储能系统是否正常；如果是，进入步骤S6；如果否，整个系统停电；
步骤S6：判断储能系统的功率PBESS是否大于当前负荷的功率Pload；如果是，进入步骤S7；如果否，停电区域维持停电；
步骤S7：判断储能系统的剩余容量是否可以维持系统正常运转一小时，即判断是否EBESS-Emin＞Pload，EBESS为储能系统当前的荷电容量，Emin为储能系统的最低荷电容量；如果是，停电区域恢复供电；如果否，停电区域维持停电；
步骤S8：t＝t+1；
步骤S9：判断是否T≥t；如果是，返回步骤S3；如果否，进入步骤S10；
步骤S10：计算当前容量下储能系统的“收益-投入比”。
(4)根据当前容量下储能系统的“收益-投入比”，利用粒子群算法搜索储能系统最佳的配置容量，即储能系统最大的“收益-投入比”下的配置容量为储能系统最佳的配置容量。具体过程包括以下步骤：
(4-1)初始化粒子群算法的配置参数：设置最大迭代次数，自变量个数，最大粒子速度；粒子群算法的自变量为储能系统的容量；设置粒子群的初始速度和位置，设置粒子群大小为M；
(4-2)定义适应度函数为步骤(1)中定义的储能系统的“收益-投入比”，粒子的个体适应度函数的最大值为每个粒子的“个体最优解”；
(4-3)比较所有粒子的个体适应度函数的最大值，选出其中的最大值，定义为“全局最优解”。粒子群寻优算法(particle swarm optimization，PSO)的全局搜索目标即寻找储能系统容量变化的条件下的最大的“收益-投入比”。
(4-4)将当前“全局最优解”与历史“全局最优解”进行比较，对自变量的粒子速度、位置进行更新。更新速度和位置的公式表示为：
Figure BDA0003300180540000121
其中ω(ω≥0)为惯性权重。C1为个体学习因子，C2为社会学习因子。random(0,1)代表0到1之间的任意值。Pid是第i个粒子自变量的第d维变量。Pgd是全局最优解的第d维变量。Xid是第i个粒子上一次位置的第d维变量。Vid是第i个粒子的速度集的第d维变量。
(4-5)判断是否满足终止迭代操作的条件，如果当前迭代次数达到设定的大迭代次数，终止迭代，选取所有“全局最优解”中最大值对应的配置容量为储能系统最佳的配置容量。否则，返回步骤(3)继续执行。
利用本实施例提出的方法在IEEE-34标准系统的节点上进行测试验证，IEEE-34的结构如图3所示。IEEE-34的各负荷节点的失效率如矩阵Lamda，各点的平均修复时间(meantime to repair，MTTR)如矩阵MTTR34：
Lambda＝[0.3979；0.8209；0.7666；0.1206；0.8577；0.2586；0.7049；0.2429；0.3521；0.8118；0.1850；0.5135；0.3920；0.7194；0.6776；0.2065；0.3197；0.3226；0.8566；0.3348；0.8950；0.8833；0.6400；0.0412；0.0518；0.9458；0.2257；0.7303；0.2191；0.0101；0.7205；0.1289；0.1327]。
MTTR34＝[0.3546；0.6970；0.8490；0.8724；0.0411；0.2098；0.7382；0.7379；0.1978；0.4534；0.2299；0.0704；0.3979；0.8555；0.6809；0.2954；0.8536；0.7195；0.3405；0.0495；0.0174；0.7846；0.2554；0.6597；0.8496；0.2965；0.2238；0.0066；0.0684；0.4306；0.7953；0.7759；0.9673]。
假设储能系统的接入位置已经确定，即与负载点890相连。首先需要确定储能系统的功率。在不考虑储能系统容量约束的情况下，根据Lamda与MTTR34计算得到系统的平均供电可用率指标(average service availability index，ASAI)与缺电期望值指标(expected energy not supplied，EENS)，分别如图4与图5所示。由图4与图5可知，当储能系统输出功率大于2MW时，系统可靠性的提高率减缓。同时，2MW的储能系统接入系统后，ASAI提高到99.958％，EENS降低到6000kW·h。但是，储能系统的功率过大可能会导致资源的浪费。因此，为了协调可靠性效益和储能系统成本，将储能系统的额定功率设置为1MW。在确定储能系统的额定功率后，确定储能系统的容量，计算得到储能系统的最优“收益-投入比”如图6所示，结果显示该过程迭代更新了五次。通过对该方法的计算，当储能系统容量设置为2.8kW·h时，可得到最佳的成本效益比为0.0128。即通过配置储能系统的功率为1MW，储能系统运行8年的效益可收回成本。
被研究系统选用了IEEE-34标准节点系统，不考虑负荷类型，选择通用的负荷模型进行计算。使用本发明方法进行储能容量配置计算的关键参数的核心指标如表1所示，涉及了储能系统的成本计算指标参数，单次停电损失，资产折旧率等。
表1 储能容量配置计算的主要参数
Figure BDA0003300180540000141
Figure BDA0003300180540000151
本发明提出了“收益-投入比”的定义，并基于此提出了一种兼顾经济性与可靠性的配电网储能容量综合配置方法，能够实现配电网储能配置的综合收益最优。提出的基于粒子群算法的储能容量优化配置方法避免了传统方法的参数试凑与枚举计算，实现了配电网储能配置智能规划。解决了现有方法中未考虑储能接入配电网中的可靠性收益与经济性收益综合最优的问题，能够智能高效地规划储能功率与容量的配置，实现了储能配置的可靠性收益与经济性收益的综合最优，具有智能化程度高的优点。
本领域的技术人员可以对本发明进行各种修改和变型，倘若这些修改和变型在本发明权利要求及其等同技术的范围之内，则这些修改和变型也在本发明的保护范围之内。
说明书中未详细描述的内容为本领域技术人员公知的现有技术。

Claims (10)

1.一种提高配电网可靠性的储能容量优化配置方法，其特征在于，包括以下步骤：
(1)定义储能系统的“收益-投入比”：
Figure FDA0003300180530000011
其中，Ctotal为储能系统的建设成本，f1为配置储能系统的经济性收益，f2为配置储能系统的可靠性收益；
(2)选择储能系统的功率区间，根据储能系统的功率区间选择容量区间；
(3)估计供电网络中配置不同容量的储能系统的“收益-投入比”；
(4)根据当前容量下储能系统的“收益-投入比”，搜索储能系统最佳的配置容量，即储能系统最大的“收益-投入比”下的配置容量为储能系统最佳的配置容量。
2.如权利要求1所述的提高配电网可靠性的储能容量优化配置方法，其特征在于：步骤(1)中，所述配置储能系统的经济性收益f1表示为：
f1＝B1+B2 (2)
其中，B1表示储能“削峰”的经济效益，B2表示减少的发电机组装机容量收益；
其中，储能“削峰”的经济效益B1表示为：
Figure FDA0003300180530000021
其中，Pid表示储能系统在第i个小时的放电功率，Pie表示储能系统在第i个小时的充电功率，Ri为第i个小时的实时电价；
其中，减少的发电机组装机容量收益B2表示为：
B2＝λksPh (4)
其中，ks表示单位装机容量的价格，λ为资产折旧率，Ph为负载达到最大值时储能系统的功率；
其中，配置储能系统的可靠性收益f2表示为：
Figure FDA0003300180530000022
其中，M表示负载点数，Kj表示负载点j的停电次数，Pjk为第k次停电时负载点j的负荷值，TOFFjk为第k次停电时负载点j的停电时间，CLjk为第k次停电时负载点j的平均停电损失；
其中，储能系统的的建设成本Ctotal表示为：
Ctotal＝CINESS+CRESS (6)
其中，CINESS表示储能系统的一次性建设成本，CRESS表示储能系统的总维护费用；
其中，储能系统的一次性建设成本CINESS表示为：
CINESS＝keEN+(kp+kf)PN (7)
其中，ke为单位容量的储能系统的支出；kp为单位功率的变换器的支出，kf为单位功率的配件支出，EN表示储能系统的容量，PN表示储能系统的功率；
其中，储能系统的总维护费用CRESS表示为：
CRESS＝krPN (8)
其中，kr为单位功率的维修支出。
3.如权利要求1所述的提高配电网可靠性的储能容量优化配置方法，其特征在于：采用蒙特卡洛法模拟得到系统的平均供电可用率指标与缺电期望值指标，并根据平均供电可用率指标与缺电期望值指标选择储能系统的功率区间。
4.如权利要求3所述的提高配电网可靠性的储能容量优化配置方法，其特征在于：根据平均供电可用率指标与缺电期望值指标选择储能系统的功率区间，具体方法为：绘制平均供电可用率指标与缺电期望值指标随着功率变化的曲线；选择缺电期望值指标最小值对应的功率值与缺电期望值指标最大值对应的功率值相加的和除以2定为储能系统的基准功率PN1；选择平均供电可用率指标最小值对应的功率值与平均供电可用率指标最大值对应的功率值相加的和除以2定为储能系统的基准功率PN2；储能系统的功率区间表达式为(1±10％)(PN1+PN2)。
5.如权利要求1所述的提高配电网可靠性的储能容量优化配置方法，其特征在于：步骤(3)中，使用蒙特卡洛法估计供电网络中配置不同容量的储能系统的“收益-投入比”。
6.如权利要求5所述的提高配电网可靠性的储能容量优化配置方法，其特征在于：步骤(3)中，使用蒙特卡洛法估计供电网络中配置不同容量的储能系统的“收益-投入比”，包括以下步骤：
(3-1)设定蒙特卡洛最大模拟时长T，初始化模拟时间t＝0；
(3-2)在系统中针对各个负荷点随机产生故障；
(3-3)判断各个负荷点当前时间t下是否有故障；
(3-4)若有故障，判断负荷点的供电是否可以恢复；
(3-5)若可以恢复，判断储能系统是否正常；
(3-6)若正常，判断储能系统的功率PBESS是否大于当前负荷的功率Pload；
(3-7)若大于，判断储能系统的剩余容量是否可以维持系统正常运转一小时；
(3-8)若可以，停电区域恢复供电；
(3-9)重复步骤(3-2)～(3-8)，直至模拟时间t达到最大模拟时长T；
(3-10)计算当前容量下储能系统的“收益-投入比”。
7.如权利要求1所述的提高配电网可靠性的储能容量优化配置方法，其特征在于：步骤(4)中，根据当前容量下储能系统的“收益-投入比”，利用粒子群算法搜索储能系统最佳的配置容量。
8.如权利要求7所述的提高配电网可靠性的储能容量优化配置方法，其特征在于：步骤(4)中，利用粒子群算法搜索储能系统最佳的配置容量，包括以下步骤：
(4-1)初始化粒子群算法的配置参数；
(4-2)定义适应度函数为步骤(1)中定义的储能系统的“收益-投入比”，粒子的个体适应度函数的最大值为每个粒子的“个体最优解”；
(4-3)比较所有粒子的个体适应度函数的最大值，选出其中的最大值，定义为“全局最优解”；
(4-4)将当前“全局最优解”与历史“全局最优解”进行比较，对自变量的粒子速度、位置进行更新；
(4-5)判断是否满足终止迭代操作的条件，如果当前迭代次数达到设定的大迭代次数，终止迭代，选取所有“全局最优解”中最大值对应的配置容量为储能系统最佳的配置容量；否则，返回步骤(3)继续执行。
9.如权利要求8所述的提高配电网可靠性的储能容量优化配置方法，其特征在于：步骤(4-1)中，初始化粒子群算法的配置参数具体为：设置最大迭代次数，自变量个数，最大粒子速度；粒子群算法的自变量为储能系统的容量；设置粒子群的初始速度和位置，设置粒子群大小为M。
10.如权利要求8所述的提高配电网可靠性的储能容量优化配置方法，其特征在于：步骤(4-4)中，更新速度和位置的公式表示为：
Figure FDA0003300180530000051
其中ω(ω≥0)为惯性权重；C1为个体学习因子，C2为社会学习因子；random(0,1)代表0到1之间的任意值；Pid是第i个粒子自变量的第d维变量；Pgd是全局最优解的第d维变量；Xid是第i个粒子上一次位置的第d维变量；Vid是第i个粒子的速度集的第d维变量。
CN202111188277.8A 2021-10-12 2021-10-12 一种提高配电网可靠性的储能容量优化配置方法 Pending CN113988384A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111188277.8A CN113988384A (zh) 2021-10-12 2021-10-12 一种提高配电网可靠性的储能容量优化配置方法
PCT/CN2022/077253 WO2023060815A1 (zh) 2021-10-12 2022-02-22 一种提高配电网可靠性的储能容量优化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111188277.8A CN113988384A (zh) 2021-10-12 2021-10-12 一种提高配电网可靠性的储能容量优化配置方法

Publications (1)

Publication Number Publication Date
CN113988384A true CN113988384A (zh) 2022-01-28

Family

ID=79738276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111188277.8A Pending CN113988384A (zh) 2021-10-12 2021-10-12 一种提高配电网可靠性的储能容量优化配置方法

Country Status (2)

Country Link
CN (1) CN113988384A (zh)
WO (1) WO2023060815A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023060815A1 (zh) * 2021-10-12 2023-04-20 广西电网有限责任公司电力科学研究院 一种提高配电网可靠性的储能容量优化配置方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232620B (zh) * 2020-08-20 2024-01-26 国网上海市电力公司 应用于光储充电站的储能系统典型工作周期曲线提取方法
CN116599087B (zh) * 2023-06-12 2024-02-06 华能罗源发电有限责任公司 一种储能系统的调频策略优化方法及系统
CN116502922B (zh) * 2023-06-26 2023-09-05 武汉创星空间科技发展有限公司 一种基于群智能算法的电网稳定性分析系统
CN116623229B (zh) * 2023-07-24 2023-10-20 长江三峡集团实业发展(北京)有限公司 一种风电制氢系统的控制方法、装置、介质、设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1322020A1 (en) * 2001-12-20 2003-06-25 Abb Research Ltd. Power system expansion planning
CN108964098B (zh) * 2018-06-13 2022-04-08 燕山大学 一种独立微电网系统容量优化配置方法
CN110837912A (zh) * 2019-09-17 2020-02-25 万克能源科技有限公司 一种基于投资效益的储能系统容量规划方法
CN111799778A (zh) * 2020-06-11 2020-10-20 国网山东省电力公司经济技术研究院 一种计及调峰需求的含风电电力系统储能容量优化方法
CN113988384A (zh) * 2021-10-12 2022-01-28 广西电网有限责任公司电力科学研究院 一种提高配电网可靠性的储能容量优化配置方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023060815A1 (zh) * 2021-10-12 2023-04-20 广西电网有限责任公司电力科学研究院 一种提高配电网可靠性的储能容量优化配置方法

Also Published As

Publication number Publication date
WO2023060815A1 (zh) 2023-04-20

Similar Documents

Publication Publication Date Title
Liu et al. Optimal sizing of a wind-energy storage system considering battery life
CN113988384A (zh) 一种提高配电网可靠性的储能容量优化配置方法
CN104037793B (zh) 一种应用于主动配电网的储能单元容量配置方法
CN110620402B (zh) 电-气混联系统分布式规划运行联合优化方法及系统
CN109818369B (zh) 一种计及出力模糊随机性的分布式电源规划方法
CN103217900A (zh) 基于实时电价的中压微网混沌pso最优潮流实现方法
CN112131733A (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
CN112380694B (zh) 一种基于差异化可靠性需求的配电网优化规划方法
CN112928767B (zh) 一种分布式储能协同控制方法
CN114884110B (zh) 一种源网荷多约束条件下的电力系统储能优化运行方法
CN114243791A (zh) 风光氢蓄系统的多目标优化配置方法、系统及存储介质
CN110009141A (zh) 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统
CN112561273A (zh) 一种基于改进pso的主动配电网可再生dg规划方法
CN110323779B (zh) 一种分布式发电与储能装置的功率动态聚合的方法和系统
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
CN109713720A (zh) 一种新能源并网运行的电力电量平衡方法
CN107910866B (zh) 一种考虑需求侧响应不确定性的电力系统日前优化调度方法
CN115912421A (zh) 一种配电网储能选址定容多目标优化方法及系统
CN112580256B (zh) 计及故障率影响含电动汽车的分布式电源选址定容方法
CN115187018A (zh) 一种园区综合能源系统双层优化调度方法及装置
CN111311032B (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
CN114398777A (zh) 一种基于巴什博弈理论的电力系统灵活性资源配置方法
Yuvaraj et al. Enhancing Indian Practical Distribution System Resilience Through Microgrid Formation and Integration of Distributed Energy Resources Considering Battery Electric Vehicle
Tongyu et al. Based on deep reinforcement learning algorithm, energy storage optimization and loss reduction strategy for distribution network with high proportion of distributed generation
Bayat et al. A hybrid shuffled frog leaping algorithm and intelligent water drops optimization for efficiency maximization in smart microgrids considering EV energy storage state of health

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