CN114024330A - 有源配电网电池储能系统的调度方法、装置及设备 - Google Patents

有源配电网电池储能系统的调度方法、装置及设备 Download PDF

Info

Publication number
CN114024330A
CN114024330A CN202210007329.5A CN202210007329A CN114024330A CN 114024330 A CN114024330 A CN 114024330A CN 202210007329 A CN202210007329 A CN 202210007329A CN 114024330 A CN114024330 A CN 114024330A
Authority
CN
China
Prior art keywords
solution
representing
scheduling
solutions
charge
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
CN202210007329.5A
Other languages
English (en)
Inventor
李健
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.)
Beijing Fengyu Technology Co ltd
Original Assignee
Beijing Fengyu Technology 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 Beijing Fengyu Technology Co ltd filed Critical Beijing Fengyu Technology Co ltd
Priority to CN202210007329.5A priority Critical patent/CN114024330A/zh
Publication of CN114024330A publication Critical patent/CN114024330A/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
    • H02J3/28—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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及有源配电网电池储能系统的调度方法、装置及设备，属于电池储能技术领域，本申请的方法包括，包括获取目标系统的运行限制数据；根据电池模型和所述运行限制数据，构建表征系统损耗的目标函数；以所述目标函数的函数值最小为目标，基于灰狼优化算法对所述目标函数进行优化求解，得到表征系统调度配置的控制变量的最优解；根据所述最优解所对应的系统调度配置对目标系统进行调度管理。本申请的技术方案，可快速的得到所需的调度配置，有利于使新能源发电得到最大化利用。

Description

有源配电网电池储能系统的调度方法、装置及设备
技术领域
本申请属于电池储能技术领域，具体涉及一种有源配电网电池储能系统的调度方法、装置及设备。
背景技术
光伏和风能等可再生能源分布式电源接入配电网后，配电网系统由传统的放射状无源网络变成了多源网络，线路潮流将随之发生变化，从而不可避免地对配电网运行和安全产生很大的影响。为了缓解新能源发电对电网的冲击、降低配电网功率损耗，电池储能系统越来越不可或缺。
这种有源配电网电池储能系统在运行调度策略方面，相关技术中多采用遗传算法求解构建的调度模型。根据计算求解结果，在不同的时间段，选择向储能系统充电，还是让储能系统放电，（如上午9点，让储能系统放电，腾出电池容量，下午太阳足，太阳能发电量大，电池充电，到了晚上，控制电池，让其放电等），使总损耗最小，从而让发的电得到最大的利用，尽量避免弃风弃光。
采用基于遗传算法进行求解的方式，具有流程简单，参数较少、复杂度低的优点。但是其求解速度比较慢，而且进化求得的解不一定是最优解。采用该种方式得到运行调度策略并不能很好的满足让发的电得到最大利用的目的。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
为至少在一定程度上克服相关技术中存在的问题，本申请提供一种有源配电网电池储能系统的调度方法及系统，基于灰狼优化算法进行优化求解并基于得到的解对系统进行调度管理，该方法有利于将新能源发电进行最大化的利用。
为实现以上目的，本申请采用如下技术方案：
第一方面，
本申请提出一种用于有源配电网电池储能系统的调度方法，该方法包括：
获取目标系统的运行限制数据；
根据电池模型和所述运行限制数据，构建表征系统损耗的目标函数；
以所述目标函数的函数值最小为目标，基于灰狼优化算法对所述目标函数进行优化求解，得到表征系统调度配置的控制变量的最优解；
根据所述最优解所对应的系统调度配置对目标系统进行调度管理。
可选地，所述基于灰狼优化算法对所述目标函数进行优化求解，得到表征系统调度配置的控制变量的最优解，包括：
步骤1，生成由若干可行解构成的初始解空间，并对迭代次数变量进行初始化；
步骤2，将所述初始解空间作为当前迭代解空间；
步骤3，根据当前迭代解空间中的各个个体解，分别计算各个个体解所对应的目标函数值，并基于得到的目标函数值大小，对相应的各个个体解进行升序排序，得到个体解评价序列；
步骤4，将个体解评价序列中首位位置的解作为当前最优解；
步骤5，将所述迭代次数变量的变量值与预设值进行比较，判断当前迭代次数是否已达最大次数，若迭代次数已达最大次数，则跳转执行步骤8，否则跳转执行步骤6；
步骤6，从当前迭代解空间中随机选取第一约定数目的个体解作为种子解，对所述种子解进行变异处理，并用得到的变异解对应替换个体解评价序列中排序靠后的第一约定数目的个体解，并根据替换后的个体解评价序列中的各个解，构建新的解空间作为当前迭代解空间；
步骤7，以当前最优解作为目标解，对当前迭代解空间中的解进行搜索前进处理，将搜索前进处理后的解空间作为新的当前迭代解空间，再将所述迭代次数变量加一，并跳转执行步骤3；
步骤8，将当前最优解作为最优解进行输出。
可选地，所述生成由若干可行解构成的初始解空间的过程，包括：
随机生成第二约定数目的随机解，从所述随机解中筛选出满足电池模型约束的个体解作为所述可行解。
可选地，所述第一约定数目Nmut满足如下约束表达式：
Figure 895839DEST_PATH_IMAGE001
其中，Ntot表示解空间中解个体的总数，
Figure 170832DEST_PATH_IMAGE002
表示变异个体在总体中的最大占比，
Figure 375548DEST_PATH_IMAGE003
表示变异个体在总体中的最小占比，lact表示当前迭代次数，lmax表示最大迭代次数。
可选地，所述对当前迭代解空间中的解进行搜索前进处理，基于以下表达式进行：
Figure 767258DEST_PATH_IMAGE004
，
Figure 295191DEST_PATH_IMAGE005
，
Figure 491818DEST_PATH_IMAGE006
，
Figure 433098DEST_PATH_IMAGE007
其中，l表示当前迭代次数，
Figure 294743DEST_PATH_IMAGE008
表示第n个解，
Figure 755812DEST_PATH_IMAGE009
表示目标解，
Figure 372607DEST_PATH_IMAGE010
和
Figure 473287DEST_PATH_IMAGE011
表示系数向量，
Figure 951673DEST_PATH_IMAGE012
和
Figure 719777DEST_PATH_IMAGE013
为[0,1]之间的随机向量，向量
Figure 241894DEST_PATH_IMAGE014
中各个分量在迭代过程中线性的从2减少到0。
可选地，所述控制变量为一向量，其符号表达形式如下：
Figure 89590DEST_PATH_IMAGE015
其中，PB,t表示时段T内第t个子时段的充放电状态，其值大于零表示电池正在充电，其值小于零表示电池正在放电；
所述电池模型的表达式形式包括：
Figure 106088DEST_PATH_IMAGE016
，
Figure 791016DEST_PATH_IMAGE017
其中，SOCt表示第t个时段结束时的荷电状态，ΔSOCt表示第t个时段的荷电状态变化量，WBmax表示电池最大容量，ηch表示充电效率，ηdsc表示放电效率。
可选地，所述目标函数的表达式形式如下：
Figure 438029DEST_PATH_IMAGE018
其中，
Figure 841198DEST_PATH_IMAGE019
表示控制变量，f表示总有功功率损耗，罚函数P1表示在一天中的最小和最大限制内的荷电状态值，罚函数P2表示电池储能系统充放电平衡的约束，罚函数P3表示配电网运行的电压限制约束，罚函数P4表示配电网运行的电压限制约束电池储能系统充放电平衡的约束，w1、w2、w3、w4分别表示各罚函数的权重系数。
可选地，罚函数P1的表达式形式为：
Figure 645074DEST_PATH_IMAGE020
，
Figure 200821DEST_PATH_IMAGE021
其中，P1,t表示分析期内每个时间t内的罚系数，SOCmin表示荷电状态限制下限，SOCmax表示荷电状态限制上限；
罚函数P2的表达式形式为：
Figure 2423DEST_PATH_IMAGE022
其中，SOCT表示最终荷电状态值，SOC0表示初始荷电状态值，εsoc表示可接受荷电状态误差；
罚函数P3的表达式形式为：
Figure 643620DEST_PATH_IMAGE023
，
Figure 985609DEST_PATH_IMAGE024
其中，P3,k,t表示时段t内节点k的罚系数，NB表示电网节点集合，Vmin表示节点电压限制下限，Vmax表示节点电压限制上限；
罚函数P4的表达式形式为：
Figure 661441DEST_PATH_IMAGE025
，
Figure 617633DEST_PATH_IMAGE026
其中，P4,ij,t表示时段t内线路ij的罚系数，NL表示电网线路集合，Iij,t表示线路ij在t时段的电流，Imax,ij表示线路ij的电流容量限制。
第二方面，
本申请提供一种用于有源配电网电池储能系统的调度装置，该装置包括：
获取模块，用于获取目标系统的运行限制数据；
构建处理模块，用于根据电池模型和所述运行限制数据，构建表征系统损耗的目标函数；
求解处理模块，用于以目标函数的函数值最小为目标，基于灰狼优化算法对所述目标函数进行优化求解，得到表征系统调度配置的控制变量的最优解；
调度处理模块，用于根据所述最优解所对应的系统调度配置对目标系统进行调度管理。
第三方面，
本申请提供一种电子设备，包括：
存储器，其上存储有可执行程序；
处理器，用于执行所述存储器中的所述可执行程序，以实现上述所述方法的步骤。
本申请采用以上技术方案，至少具备以下有益效果：
本申请的技术方案，针对有源配电网电池储能系统的调度问题，基于系统的运行限制数据以及电池模型进行数学建模，基于灰狼优化算法进行模型优化求解，相较现有技术，可快速的得到所需的调度配置，有利于使新能源发电得到最大化利用。
本发明的其他优点、目标，和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书，权利要求书，以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请的技术方案或现有技术的进一步理解，并且构成说明书的一部分。其中，表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案，但并不构成对本申请技术方案的限制。
图1为本申请一个实施例提供的有源配电网电池储能系统的调度方法的流程示意图；
图2为本申请一个实施例中基于灰狼优化算法对目标函数进行优化求解的算法流程示意图；
图3为本申请一个实施例提供的有源配电网电池储能系统的调度装置的结构示意图；
图4为本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。
如背景技术中所述，相关技术中，有源配电网电池储能系统在运行调度策略方面，相关技术中多采用遗传算法求解构建的调度模型。根据计算求解结果，在不同的时间段，选择向储能系统充电，还是让储能系统放电，（如上午9点，让储能系统放电，腾出电池容量，下午太阳足，太阳能发电量大，电池充电，到了晚上，控制电池，让其放电等），使总损耗最小，从而让发的电得到最大的利用，尽量避免弃风弃光。
采用基于遗传算法进行求解的方式，具有流程简单，参数较少、复杂度低的优点。但是其求解速度比较慢，而且进化求得的解不一定是最优解。采用该种方式得到运行调度策略并不能很好的满足让发的电得到最大利用的目的。
针对于此，本申请提出一种有源配电网电池储能系统的调度方法，基于灰狼优化算法进行优化求解并基于得到的解对系统进行调度管理。
如图1所示，在一实施例中，本申请提出的有源配电网电池储能系统的调度方法，包括如下步骤：
步骤S110，获取目标系统的运行限制数据；
与现有技术类似，该步骤中，主要是为后续建模需要，获取一些所需技术数据，举例而言，如目标配电网中的传输能力约束（节点电压、线路容量等）、如储能电池的限制约束（荷电状态限制等）。
步骤S120，根据电池模型和所述运行限制数据，构建表征系统损耗的目标函数；
该步骤中，涉及的电池模型，举例而言，其表达式形式包括：
Figure 746126DEST_PATH_IMAGE027
(1)
Figure 908117DEST_PATH_IMAGE028
(2)
上述表达式(1)、(2)中，SOCt表示第t个时段结束时的荷电状态，ΔSOCt表示第t个时段的荷电状态变化量，WBmax表示电池最大容量，ηch表示充电效率，ηdsc表示放电效率。
该步骤中，举例而言，构建的目标函数的表达式形式如下，
Figure 365687DEST_PATH_IMAGE029
(3)
上述表达式(3)中，
Figure 571409DEST_PATH_IMAGE030
表示控制变量，f表示总有功功率损耗，罚函数P1表示在一天中的最小和最大限制内的荷电状态值，罚函数P2表示电池储能系统充放电平衡的约束，罚函数P3表示配电网运行的电压限制约束，罚函数P4表示配电网运行的电压限制约束电池储能系统充放电平衡的约束，w1、w2、w3、w4分别表示各罚函数的权重系数。
进一步的，如背景技术中所述，这里的控制变量为一向量，其符号表达形式如下：
Figure 187198DEST_PATH_IMAGE031
(4)
上述表达式(4)中，PB,t表示时段T内第t个子时段的充放电状态，其值大于零表示电池正在充电，其值小于零表示电池正在放电；
举例而言，这里的时段T为一天时长，一个子时段t为1小时，则控制变量为由0、1组成的24维向量，表示一天中24小时每个小时是选择给电池充电（0）还是让电池放电（1），如果为了更准确点，还可以半小时为间隔，来调整电池状态，这时控制变量为48维的向量。
进一步的，表达式(3)中，各罚函数的表达式形式分别如下，
罚函数P1的表达式形式为：
Figure 57940DEST_PATH_IMAGE032
(5)
Figure 442785DEST_PATH_IMAGE033
(6)
表达式(5)、(6)中，P1,t表示分析期内每个时间t内的罚系数，SOCmin表示荷电状态限制下限，SOCmax表示荷电状态限制上限；
罚函数P2的表达式形式为：
Figure 835720DEST_PATH_IMAGE034
(7)
表达式(7)中，SOCT表示最终状态值，SOC0表示初始荷电状态值，εsoc表示可接受荷电状态误差；
罚函数P3的表达式形式为：
Figure 656914DEST_PATH_IMAGE035
(8)
Figure 347659DEST_PATH_IMAGE036
(9)
表达式(8)、(9)中，P3,k,t表示时段t内节点k的罚系数，NB表示电网节点集合，Vmin表示节点电压限制下限， Vmax表示节点电压限制上限；
罚函数P4的表达式形式为：
Figure 587010DEST_PATH_IMAGE037
(10)
Figure 400114DEST_PATH_IMAGE038
(11)
表达式(10)、(11)中，P4,ij,t表示时段t内线路ij的罚系数，NL表示电网线路集合，Iij,t表示线路ij在t时段的电流，Imax,ij表示线路ij的电流容量限制。
步骤120之后，就可进行步骤S130了，以目标函数的函数值最小为目标，基于灰狼优化算法对目标函数进行优化求解，得到表征系统调度配置的控制变量的最优解；
灰狼优化算法属于一个较新的算法，其具有较强的收敛性能，该步骤中基于该算法对本申请中的数学模型进行求解，可以较快的得到最优解（即表达式（4）形式的调度配置）。
最后，进行步骤S140，根据步骤S130中的得到的最优解所对应的系统调度配置对目标系统进行调度管理，该步骤在实际实施中与现有技术类似，本申请这里就不进行赘述了。
本申请的技术方案，针对有源配电网电池储能系统的调度问题，基于系统的运行限制数据以及电池模型进行数学建模，基于灰狼优化算法进行模型优化求解，相较现有技术，可快速的得到所需的调度配置，其有利于使新能源发电得到最大化利用。
为便于理解本申请的技术方案，下面以另一实施例对本申请的技术方案进行介绍说明。
与前文的实施例类似，该实施例中用于有源配电网电池储能系统的调度方法，同样包括：
需首先获取目标系统的运行限制数据，之后根据电池模型和所述运行限制数据，构建表征系统损耗的目标函数，再之后以目标函数的函数值最小为目标，基于灰狼优化算法对所述目标函数进行优化求解，得到表征系统调度配置的控制变量的最优解；
具体的，在该实施例中，如图2所示，基于灰狼优化算法对目标函数进行优化求解的过程，具体包括：
步骤1，生成由若干可行解构成的初始解空间，并对迭代次数变量进行初始化；
具体的，为使后续求解收敛速度加快，以及搜索的成功率增大，步骤1中，可以随机生成第二约定数目的随机解，从随机解筛选出满足电池模型约束的个体解作为可行解；
作为一种具体的实施方式，可从随机解筛选出同时满足以下电池模型约束的个体解作为可行解（该过程也称为，优化初始种群个体），
Figure 911867DEST_PATH_IMAGE039
(12)
Figure 953772DEST_PATH_IMAGE040
(13)
表达式(12)、(13)中，SOCT表示最终荷电状态值，SOC0表示初始荷电状态值，εsoc表示可接受荷电状态误差，SOCmin表示荷电状态限制下限，SOCmax表示荷电状态限制上限，SOCt表示第t个时段结束时的荷电状态。
容易理解的是，这里第二约定数目的具体取值，与控制变量的维数及计算需求相关，为增大全局搜所能力，第二约定数目可进行适当增加（即增大个体数量）。
继续回到图2，步骤1之后，进行步骤2，将初始解空间作为当前迭代解空间；
再进行步骤3，根据当前迭代解空间中的各个个体解，分别计算各个个体解所对应的目标函数值，并基于得到的目标函数值大小，对相应的各个个体解进行升序排序（基于对各目标函数值的大小比较），得到个体解评价序列，即对解空间中各个体解进行优劣评价；
之后进行步骤4，将个体解评价序列中首位位置的解作为当前最优解；
之后进行步骤5，将迭代次数变量的变量值与预设值进行比较，判断当前迭代次数是否已达最大次数，若迭代次数已达最大次数，则跳转执行步骤8，否则跳转执行步骤6；
步骤6，从当前迭代解空间中随机选取第一约定数目的个体解作为种子解，对种子解进行变异处理（例如在种子解添加一个小的随机量，来实现变异），并用得到的变异解对应替换个体解评价序列中排序靠后的第一约定数目的个体解，并根据替换后的个体解评价序列中的各个解，构建新的解空间作为当前迭代解空间，即针对解空间进行变异处理，基于适者生存法则，进行末位淘汰；
步骤6的设置，有利于提高算法搜索过程的性能，作为一种具体实施方式，步骤6中，第一约定数目Nmut满足如下约束表达式：
Figure 48897DEST_PATH_IMAGE041
(14)
表达式(14)中，Ntot表示解空间中解个体的总数，
Figure 49214DEST_PATH_IMAGE002
表示变异个体在总体中的最大占比，
Figure 782683DEST_PATH_IMAGE042
表示变异个体在总体中的最小占比，lact表示当前迭代次数，lmax表示最大迭代次数；
采用如(14)所示的约束表达式，在迭代过程中，生成的变异个体解的数量是线性减少的，结合适者生存法则，应用末位淘汰制，可大幅提高搜索过程的性能。
之后继续图2中步骤7，以当前最优解作为目标解，对当前迭代解空间中的解进行搜索前进处理，将搜索前进处理后的解空间作为新的当前迭代解空间，再将迭代次数变量加一后，并跳转执行步骤3；
步骤7中的搜索前进是灰狼算法的常见步骤，本申请该步骤中，为提升随机性，以有利于更广的搜索和避免局部极值，搜索前进处理基于以下表达式进行：
Figure 143126DEST_PATH_IMAGE043
(15)
Figure 75179DEST_PATH_IMAGE044
(16)
Figure 246398DEST_PATH_IMAGE045
(17)
Figure 201584DEST_PATH_IMAGE046
(18)
上述表达式(15)至(18)中，l表示当前迭代次数，
Figure 850871DEST_PATH_IMAGE047
表示第n个解，
Figure 903010DEST_PATH_IMAGE048
表示目标解，
Figure 432080DEST_PATH_IMAGE049
和
Figure 936880DEST_PATH_IMAGE050
表示系数向量，
Figure 389858DEST_PATH_IMAGE051
和
Figure 312814DEST_PATH_IMAGE052
为[0，1]之间的随机向量，向量
Figure 736755DEST_PATH_IMAGE053
中各个分量在迭代过程中线性的从2减少到0。
步骤8，将当前最优解作为最优解进行输出。
在经由图2所示的算法求解过程，得到最优解后，该实施例中，最后根据输出的最优解所对应的系统调度配置对目标系统进行调度管理。
本申请技术方案中，所采用的具体算法相较于现有其他算法，具有如下优点：
通过优化初始种群个体，充分考虑了电池模型的不等式约束，使其根据电池储能系统特性，加快收敛速度的同时，增大搜索的成功率；搜索过程中，通过系数向量
Figure 745162DEST_PATH_IMAGE054
和
Figure 923202DEST_PATH_IMAGE055
，提升了随机性，有利于更广的搜索和避免局部极值；加入了一个特别适用于电池储能系统调度问题的变异算子，结合适者生存法则，应用末位淘汰制，大幅提高搜索过程的性能。
综上，本申请中的算法具有结构简单，收敛速度快，算法的全局搜索能力和局部搜索能力比较平衡的特点，非常适用于电池储能系统的自动调度问题，进而本申请的整体技术方案，可快速的得到所需的调度配置，有利于使新能源发电得到最大化利用。
图3为本申请一个实施例提供的有源配电网电池储能系统的调度装置的结构示意图，如图3所示，该调度装置300包括：
获取模块301，用于获取目标系统的运行限制数据；
构建处理模块302，用于根据电池模型和所述运行限制数据，构建表征系统损耗的目标函数；
求解处理模块303，用于以目标函数的函数值最小为目标，基于灰狼优化算法对所述目标函数进行优化求解，得到表征系统调度配置的控制变量的最优解；
调度处理模块304，用于根据所述最优解所对应的系统调度配置对目标系统进行调度管理。
关于上述相关实施例中的调度装置300，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图4为本申请一个实施例提供的电子设备的结构示意图，如图4所示，该电子设备400包括：
存储器401，其上存储有可执行程序；
处理器402，用于执行存储器401中的可执行程序，以实现上述方法的步骤。
关于上述实施例中的电子设备400，其处理器402执行存储器401中的程序的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人员在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种用于有源配电网电池储能系统的调度方法，其特征在于，包括：
获取目标系统的运行限制数据；
根据电池模型和所述运行限制数据，构建表征系统损耗的目标函数；
以所述目标函数的函数值最小为目标，基于灰狼优化算法对所述目标函数进行优化求解，得到表征系统调度配置的控制变量的最优解；
根据所述最优解所对应的系统调度配置对目标系统进行调度管理。
2.根据权利要求1所述的调度方法，其特征在于，所述基于灰狼优化算法对所述目标函数进行优化求解，得到表征系统调度配置的控制变量的最优解，包括：
步骤1，生成由若干可行解构成的初始解空间，并对迭代次数变量进行初始化；
步骤2，将所述初始解空间作为当前迭代解空间；
步骤3，根据当前迭代解空间中的各个个体解，分别计算各个个体解所对应的目标函数值，并基于得到的目标函数值大小，对相应的各个个体解进行升序排序，得到个体解评价序列；
步骤4，将个体解评价序列中首位位置的解作为当前最优解；
步骤5，将所述迭代次数变量的变量值与预设值进行比较，判断当前迭代次数是否已达最大次数，若迭代次数已达最大次数，则跳转执行步骤8，否则跳转执行步骤6；
步骤6，从当前迭代解空间中随机选取第一约定数目的个体解作为种子解，对所述种子解进行变异处理，并用得到的变异解对应替换个体解评价序列中排序靠后的第一约定数目的个体解，并根据替换后的个体解评价序列中的各个解，构建新的解空间作为当前迭代解空间；
步骤7，以当前最优解作为目标解，对当前迭代解空间中的解进行搜索前进处理，将搜索前进处理后的解空间作为新的当前迭代解空间，再将所述迭代次数变量加一，并跳转执行步骤3；
步骤8，将当前最优解作为最优解进行输出。
3.根据权利要求2所述的调度方法，其特征在于，所述生成由若干可行解构成的初始解空间的过程，包括：
随机生成第二约定数目的随机解，从所述随机解中筛选出满足电池模型约束的个体解作为所述可行解。
4.根据权利要求2所述的调度方法，其特征在于，所述第一约定数目Nmut满足如下约束表达式：
Figure 299513DEST_PATH_IMAGE001
其中，Ntot表示解空间中解个体的总数，
Figure 793948DEST_PATH_IMAGE002
表示变异个体在总体中的最大占比，
Figure 871494DEST_PATH_IMAGE003
表示变异个体在总体中的最小占比，lact表示当前迭代次数，lmax表示最大迭代次数。
5.根据权利要求2所述的调度方法，其特征在于，所述对当前迭代解空间中的解进行搜索前进处理，基于以下表达式进行：
Figure 810761DEST_PATH_IMAGE004
，
Figure 357280DEST_PATH_IMAGE005
，
Figure 655406DEST_PATH_IMAGE006
，
Figure 853038DEST_PATH_IMAGE007
其中，l表示当前迭代次数，
Figure 945628DEST_PATH_IMAGE008
表示第n个解，
Figure 979443DEST_PATH_IMAGE009
表示目标解，
Figure 877998DEST_PATH_IMAGE010
和
Figure 602240DEST_PATH_IMAGE011
表示系数向量，
Figure 944360DEST_PATH_IMAGE012
和
Figure 714738DEST_PATH_IMAGE013
为[0，1]之间的随机向量，向量
Figure 89088DEST_PATH_IMAGE014
中各个分量在迭代过程中线性的从2减少到0。
6.根据权利要求1至5中任一项所述的调度方法，其特征在于，
所述控制变量为一向量，其符号表达形式如下：
Figure 12045DEST_PATH_IMAGE015
其中，PB,t表示时段T内第t个子时段的充放电状态，其值大于零表示电池正在充电，其值小于零表示电池正在放电；
所述电池模型的表达式形式包括：
Figure 514613DEST_PATH_IMAGE016
，
Figure 444392DEST_PATH_IMAGE017
其中，SOCt表示第t个时段结束时的荷电状态，ΔSOCt表示第t个时段的荷电状态变化量，WBmax表示电池最大容量，ηch表示充电效率，ηdsc表示放电效率。
7.根据权利要求6所述的调度方法，其特征在于，所述目标函数的表达式形式如下：
Figure 701061DEST_PATH_IMAGE018
其中，
Figure 665475DEST_PATH_IMAGE019
表示控制变量，f表示总有功功率损耗，罚函数P1表示在一天中的最小和最大限制内的荷电状态值，罚函数P2表示电池储能系统充放电平衡的约束，罚函数P3表示配电网运行的电压限制约束，罚函数P4表示配电网运行的电压限制约束电池储能系统充放电平衡的约束，w1、w2、w3、w4分别表示各罚函数的权重系数。
8.根据权利要求7所述的调度方法，其特征在于，
罚函数P1的表达式形式为：
Figure 333085DEST_PATH_IMAGE020
，
Figure 563210DEST_PATH_IMAGE021
其中，P1,t表示分析期内每个时间t内的罚系数，SOCmin表示荷电状态限制下限，SOCmax表示荷电状态限制上限；
罚函数P2的表达式形式为：
Figure 607258DEST_PATH_IMAGE022
其中，SOCT表示最终荷电状态值，SOC0表示初始荷电状态值，εsoc表示可接受荷电状态误差；
罚函数P3的表达式形式为：
Figure 160599DEST_PATH_IMAGE023
，
Figure 15422DEST_PATH_IMAGE024
其中，P3,k,t表示时段t内节点k的罚系数，NB表示电网节点集合，Vmin表示节点电压限制下限，Vmax表示节点电压限制上限；
罚函数P4的表达式形式为：
Figure 247690DEST_PATH_IMAGE025
，
Figure 767533DEST_PATH_IMAGE026
其中，P4,ij,t表示时段t内线路ij的罚系数，NL表示电网线路集合，Iij,t表示线路ij在t时段的电流，Imax,ij表示线路ij的电流容量限制。
9.一种用于有源配电网电池储能系统的调度装置，其特征在于，包括：
获取模块，用于获取目标系统的运行限制数据；
构建处理模块，用于根据电池模型和所述运行限制数据，构建表征系统损耗的目标函数；
求解处理模块，用于以目标函数的函数值最小为目标，基于灰狼优化算法对所述目标函数进行优化求解，得到表征系统调度配置的控制变量的最优解；
调度处理模块，用于根据所述最优解所对应的系统调度配置对目标系统进行调度管理。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有可执行程序；
处理器，用于执行所述存储器中的所述可执行程序，以实现权利要求1-8中任一项所述方法的步骤。
CN202210007329.5A 2022-01-06 2022-01-06 有源配电网电池储能系统的调度方法、装置及设备 Pending CN114024330A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210007329.5A CN114024330A (zh) 2022-01-06 2022-01-06 有源配电网电池储能系统的调度方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210007329.5A CN114024330A (zh) 2022-01-06 2022-01-06 有源配电网电池储能系统的调度方法、装置及设备

Publications (1)

Publication Number Publication Date
CN114024330A true CN114024330A (zh) 2022-02-08

Family

ID=80069670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210007329.5A Pending CN114024330A (zh) 2022-01-06 2022-01-06 有源配电网电池储能系统的调度方法、装置及设备

Country Status (1)

Country Link
CN (1) CN114024330A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115833208A (zh) * 2023-01-09 2023-03-21 北京峰玉科技有限公司 获取电池储能系统运行调度策略的方法及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9645596B1 (en) * 2016-11-23 2017-05-09 Advanced Microgrid Solutions, Inc. Method and apparatus for facilitating the operation of an on-site energy storage system to co-optimize battery dispatch
CN107732960A (zh) * 2017-09-18 2018-02-23 国网甘肃省电力公司电力科学研究院 微电网储能系统容量优化配置方法
CN110401209A (zh) * 2019-05-14 2019-11-01 东华大学 基于多随机复合优化灰狼算法的削峰填谷的能量管理方法
CN111146820A (zh) * 2019-12-31 2020-05-12 国网浙江省电力有限公司嘉兴供电公司 一种计及风电不确定性的混合储能系统优化配置方法
CN112488283A (zh) * 2020-12-11 2021-03-12 湖北工业大学 一种改进的多目标灰狼优化算法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9645596B1 (en) * 2016-11-23 2017-05-09 Advanced Microgrid Solutions, Inc. Method and apparatus for facilitating the operation of an on-site energy storage system to co-optimize battery dispatch
CN107732960A (zh) * 2017-09-18 2018-02-23 国网甘肃省电力公司电力科学研究院 微电网储能系统容量优化配置方法
CN110401209A (zh) * 2019-05-14 2019-11-01 东华大学 基于多随机复合优化灰狼算法的削峰填谷的能量管理方法
CN111146820A (zh) * 2019-12-31 2020-05-12 国网浙江省电力有限公司嘉兴供电公司 一种计及风电不确定性的混合储能系统优化配置方法
CN112488283A (zh) * 2020-12-11 2021-03-12 湖北工业大学 一种改进的多目标灰狼优化算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
唐子惠: "《医学人工智能导论》", 30 April 2020, 上海科学技术出版社 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115833208A (zh) * 2023-01-09 2023-03-21 北京峰玉科技有限公司 获取电池储能系统运行调度策略的方法及电子设备

Similar Documents

Publication Publication Date Title
CN114725936B (zh) 基于多智能体深度强化学习的配电网优化方法
CN110929964B (zh) 一种基于近似动态规划算法的含储能配电网优化调度方法
CN108365608B (zh) 一种区域能源互联网不确定优化调度方法及系统
CN110738344B (zh) 电力系统负荷预测的分布式无功优化方法及装置
CN111913787A (zh) 基于遗传算法的成像卫星调度方法和系统
Zhang et al. MOEA/D-based probabilistic PBI approach for risk-based optimal operation of hybrid energy system with intermittent power uncertainty
CN112491094B (zh) 一种混合驱动的微电网能量管理方法、系统及装置
CN110321217A (zh) 一种多目标的云资源调度方法、装置、设备及存储介质
CN114865676A (zh) 一种混合储能系统控制方法、装置和电子设备
CN116345578B (zh) 基于深度确定性策略梯度的微电网运行优化调度方法
CN113971089A (zh) 联邦学习系统设备节点选择的方法及装置
CN116823520A (zh) 分布式智能制造能源供给系统及方法
CN113452037A (zh) 一种兼顾调频的光伏阵列重构优化方法
CN115954957A (zh) 一种复合发电系统的容量配置方法、装置和电子设备
CN110336285B (zh) 电力系统最优经济潮流计算方法
CN114024330A (zh) 有源配电网电池储能系统的调度方法、装置及设备
Zhang et al. Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach
CN117595392A (zh) 计及光伏消纳与光储充配置的配电网联合优化方法及系统
CN109980695B (zh) 一种配用电系统的分布式能源和用户行为预测方法
CN111146793A (zh) 基于功率特征提取的光伏-储能系统容量优化设计方法及系统
CN116191421A (zh) 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法
CN113937767A (zh) 一种基于改进鲸鱼算法的微电网容量优化配置方法
CN115833208B (zh) 获取电池储能系统运行调度策略的方法及电子设备
Pappala et al. Power system optimization under uncertainties: A PSO approach
Penangsang et al. Optimal design of photovoltaic–battery systems using interval type-2 fuzzy adaptive genetic algorithm

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220208

RJ01 Rejection of invention patent application after publication