CN114336693B - 风光火储一体化系统的优化配置方法和系统 - Google Patents
风光火储一体化系统的优化配置方法和系统 Download PDFInfo
- Publication number
- CN114336693B CN114336693B CN202111433765.0A CN202111433765A CN114336693B CN 114336693 B CN114336693 B CN 114336693B CN 202111433765 A CN202111433765 A CN 202111433765A CN 114336693 B CN114336693 B CN 114336693B
- Authority
- CN
- China
- Prior art keywords
- particle
- historical
- binary tree
- thermal power
- complete binary
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004146 energy storage Methods 0.000 claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 66
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 239000002245 particle Substances 0.000 claims description 329
- 230000006870 function Effects 0.000 claims description 80
- 238000010248 power generation Methods 0.000 claims description 73
- 239000013598 vector Substances 0.000 claims description 45
- 238000010276 construction Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005338 heat storage Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开一种风光火储一体化系统的优化配置方法和系统，涉及风光火储资源优化技术领域，其中，该方法采用完全二叉树表示火电机组在全年各预设时段的运行状态和运行成本，使用最优化算法在储能设备和火电机组的容量范围内自动调整各设备的容量范围，依据完全二叉树最短路径算法、完全二叉树、风电历史发电量、光伏历史发电量和电网历史需求量确定在每组容量范围下各设备的最小年投资运行成本，并将与全局最小年投资运行成本对应的各设备的容量范围作为风光火储一体化系统中各设备的最佳容量配置参数。上述方案使火电机组在每个预设时段的运行状态可调，由此实现了降低风光火储一体化系统的运行成本，提高了风、光资源的利用率的技术效果。
Description
技术领域
本申请涉及风光火储资源优化技术领域，尤其涉及一种风光火储一体化系统的优化配置方法和系统。
背景技术
目前，新能源发电发展迅速，但风光互补发电系统受气候和环境的影响较大，为了确保负载用电的持续性和可靠性，可以根据电网负荷需求采用风电发电量、光伏发电量、储能设备和火电机组组合供电的方案，来解决风光互补发电系统供电可靠性及电能质量的问题。
但是，在现有的解决方案中，仅当火电机组处于维修状态时，火电机组的运行状态为停运，也就是说，火电机组一直处于连续运行状态，当不需要火电机组出力时，火电机组在最小负荷工况下运行，由于新能源发电的迅速发展，火电机组常常出现长期处于低负荷运行状态，增加了运行成本。除此之外，当总富余发电量超出储能设备容量时，对风光发电采取弃电，但火电机组仍旧在最小负荷状况下运行，增加运行成本的同时，降低了对风、光资源的利用率。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种风光火储一体化系统的优化配置方法，以解决运行成本高，且风、光资源利用率低的技术问题。
本申请的第二个目的在于提出一种风光火储一体化系统的优化配置系统。
本申请的第三个目的在于提出一种计算机设备。
本申请的第四个目的在于提出一种非临时性计算机可读存储介质。
为达到上述目的，本申请第一方面实施例提出的一种风光火储一体化系统的优化配置方法，包括：
获取全年各预设时段的风电历史发电量、光伏历史发电量、电网历史需求量和风光火储一体化系统中各设备的约束条件，所述各设备的约束条件包括储能设备和火电设备的预设最大容量范围和最小容量值；
基于所述所最小容量值、从所述预设最大容量范围中确定的储能设备和火电设备的最大容量值、所述风电历史发电量、所述光伏历史发电量和所述电网历史需求量构建表示火电机组在所述全年各预设时段的运行状态和与所述运行状态对应的运行成本的至少两个完全二叉树，依据完全二叉树最短路径算法对每个所述完全二叉树进行遍历，以确定每个所述完全二叉树的最小年投资运行成本，其中，所述完全二叉树的深度为所述全年预设时段的总段数；
使用最优化算法在所述预设最大容量范围内自动调整所述储能设备和火电设备的最大容量值，重复执行所述完全二叉树的构建和每个所述完全二叉树的最小年投资运行成本的确定，直至满足预设条件时，将运行成本最小的所述最小年投资运行成本作为全局最小年投资运行成本；
将与所述全局最小年投资运行成本对应的所述各设备的容量范围作为所述风光火储一体化系统的最佳容量配置参数。
可选地，在本申请的一个实施例中，所述完全二叉树中每个节点的运行成本通过下述方法确定：
根据每个预设时段的所述风电历史发电量、所述光伏历史发电量和所述电网历史需求量计算出所述储能设备和所述火电机组在所述每个预设时段的总发电量；
根据预设的能量使用原则、所述火电机组在上一预设时段的所述运行状态，以及在当前预设时段的运行状态和所述总发电量，计算出所述完全二叉树中各个节点的储能设备发电量和所述火电机组发电量，并根据所述火电机组的发电量计算所述火电机组在对应节点的运行成本。
可选地，在本申请的一个实施例中，构建所述完全二叉树的方法包括：
根据成本函数构建所述完全二叉树的节点数据存储结构；
根据所述各设备的约束条件初始化所述完全二叉树的根节点，同时生成所述根节点的左右子节点，并依据所述火电机组在上一预设时段和当前预设时段的运行状态，以及所述储能设备和火电机组在当前预设时段的总发电量，从所述根节点开始自顶向下计算并存储每个预设时段所述火电机组的运行成本；
判断最新生成的左右子节点的深度与所述总段数的大小：
若所述最新生成的左右子节点的深度不大于所述总段数，则根据所述风电历史发电量、所述光伏历史发电量、所述电网历史需求量和所述约束条件，以及火电机组上一预设时段和当前预设时段的运行状态，自顶向下计算并存储各个节点的运行成本，并重复执行该步骤；
若所述最新生成的左右子节点的深度大于所述总段数，则所述最新生成的左右子节点为空节点，当最右边叶子节点的运行成本计算完成时，完成所述完全二叉树的构建。
可选地，在本申请的一个实施例中，在所述完全二叉树中，所述完全二叉树的每一层表示一个预设时段，所述完全二叉树的根节点和每个左子节点均表示所述火电机组处于停运状态，所述完全二叉树的每个右子节点均表示所述火电机组处于运行状态。
可选地，在本申请的一个实施例中，所述完全二叉树最短路径算法包括后序遍历法，通过所述后序遍历法遍历整颗所述完全二叉树来确定从叶子节点到根节点的最短路径，其中，所述最短路径中每个节点的运行成本之和为所述火电机组的最小年运行成本。
可选地，在本申请的一个实施例中，所述最优化算法包括：粒子群算法，其中，
基于所述所最小容量值、从所述预设最大容量范围中确定的储能设备和火电设备的最大容量值、所述风电历史发电量、所述光伏历史发电量和所述电网历史需求量构建表示火电机组在所述全年各预设时段的运行状态和与所述运行状态对应的运行成本的至少两个完全二叉树，依据完全二叉树最短路径算法对每个所述完全二叉树进行遍历，以确定每个所述完全二叉树的最小年投资运行成本，具体包括：
将每个所述完全二叉树当作粒子，并将所有完全二叉树当作粒子群，并根据所述各设备的约束条件调试所述粒子群算法中超参数的取值；
根据所述最小容量值、所述最大容量值、所述风电历史发电量、所述光伏历史发电量和所述电网历史需求量初始化每个所述粒子的位置、历史粒子最优位置、与所述历史粒子最优位置对应的粒子目标函数值、所述粒子群的历史粒子群最优位置和与所述历史粒子群最优位置对应的粒子群目标函数值，以建立表示火电机组在所述全年各预设时段的运行状态和与所述运行状态对应的运行成本的至少两个粒子；
依据完全二叉树最短路径算法对每个所述粒子进行遍历以确定各粒子的最小年投资运行成本，其中，所述最小年投资运行成本为当前粒子目标函数值，并根据每个所述当前粒子目标函数值确定当前粒子最优位置；
所述使用最优化算法在所述预设最大容量范围内自动调整所述储能设备和火电设备的最大容量值，重复执行所述完全二叉树的构建和每个所述完全二叉树的最小年投资运行成本的确定，直至满足预设条件时，将运行成本最小的所述最小年投资运行成本作为全局最小年投资运行成本，具体包括：
使用所述粒子群算法在所述预设最大容量范围内自动调整所述储能设备和火电设备的最大容量值，重复执行所述粒子的构建和每个所述粒子的最小年投资运行成本的确定，直至满足预设条件时，将运行成本最小的所述最小年投资运行成本作为全局最小年投资运行成本。
可选地，在本申请的一个实施例中，所述重复执行所述粒子的构建和每个所述粒子的最小年投资运行成本的确定，直至满足预设条件时，将运行成本最小的所述最小年投资运行成本作为全局最小年投资运行成本，具体包括：所述预设条件包括最大迭代次数；
根据所述当前粒子目标函数值和所述当前粒子最优位置分别更新对应的所述历史粒子最优位置和所述粒子目标函数值，并根据粒子群中各个粒子的所述历史粒子最优位置和所述粒子目标函数值更新所述历史粒子群最优位置和所述粒子群目标函数值；
判断当前迭代次数与所述最大迭代次数的大小：
若所述当前迭代次数小于所述最大迭代次数，则分别计算每个粒子的速度矢量和位置矢量，根据计算后的粒子的位置矢量更新所述粒子的储能设备和火电设备的最大容量值，并依据完全二叉树最短路径算法对更新后的所述粒子进行遍历以确定所述粒子的最小年投资运行成本；
若所述当前迭代次数等于所述最大迭代次数，则将与所述历史最优位置对应的目标函数值作为所述风光火储一体化系统的最小年投资运行成本。
可选地，在本申请的一个实施例中，所述预设条件和超参还包括粒子最大移动速度和粒子位置的取值范围，在所述分别计算每个粒子的速度矢量和位置矢量时，若粒子速度超出所述粒子最大速度，和/或粒子位置超出所述粒子位置的取值范围，则将所述粒子最大速度作为粒子速度，和/或将所述粒子位置的取值范围作为所述粒子位置；其中计算更新每个所述粒子的速度的公式为：
vi+1＝vi+c1×rand()×(pbesti-xi)+c2×rand()×(gbesti-xi)
更新每个所述粒子的位置的公式为：
xi+1＝xi+vi+1；
其中，i为当前迭代次数，v为粒子速度矢量，x为粒子位置矢量，rand()为随机值，pbest为粒子的历史最优位置对应的目标函数值，gbest为粒子群的历史最优位置对应的目标函数值，c1和c2分别为自我学习因子、全局学习因子。
可选地，在本申请的一个实施例中，在所述更新所述每个粒子的速度矢量和位置矢量之后，还包括：
若所述位置矢量的分量为连续值，则直接使用更新后的所述位置分量；
若所述位置矢量的分量为离散值，则使用与所述位置分量最接近的离散值；
可选地，在本申请的一个实施例中，所述方法还包括：在完成所述确定各粒子的最小年投资运行成本后，释放针对每个所述粒子建立的表示所述火电机组在所述全年各预设时段的完全二叉树占用的内存。
为达到上述目的，本申请第二方面实施例提出的一种风光火储一体化系统的优化配置系统，包括：
获取模块，用于获取全年各预设时段的风电历史发电量、光伏历史发电量、电网历史需求量和风光火储一体化系统中各设备的约束条件，所述各设备的约束条件包括储能设备和火电设备的预设最大容量范围和最小容量值；
构建模块，用于基于所述所最小容量值、从所述预设最大容量范围中确定的储能设备和火电设备的最大容量值、所述风电历史发电量、所述光伏历史发电量和所述电网历史需求量构建表示火电机组在所述全年各预设时段的运行状态和与所述运行状态对应的运行成本的至少两个完全二叉树，依据完全二叉树最短路径算法对每个所述完全二叉树进行遍历，以确定每个所述完全二叉树的最小年投资运行成本，其中，所述完全二叉树的深度为所述全年预设时段的总段数；
迭代模块，用于使用最优化算法在所述预设最大容量范围内自动调整所述储能设备和火电设备的最大容量值，重复执行所述完全二叉树的构建和每个所述完全二叉树的最小年投资运行成本的确定，直至满足预设条件时，将运行成本最小的所述最小年投资运行成本作为全局最小年投资运行成本；
确定模块，用于将与所述全局最小年投资运行成本对应的所述各设备的容量范围作为所述风光火储一体化系统的最佳容量配置参数。
可选地，在本申请的一个实施例中，所述构建模块包括：
构建单元，用于根据成本函数构建所述完全二叉树的节点数据存储结构；
计算单元，用于根据所述各设备的约束条件初始化所述完全二叉树的根节点，同时生成所述根节点的左右子节点，并依据所述火电机组在上一预设时段和当前预设时段的运行状态，以及储能设备和火电机组在当前预设时段的总发电量，从所述根节点开始自顶向下计算并存储每个预设时段所述火电机组的运行成本；
第一判断单元，用于判断最新生成的左右子节点的深度与所述总段数的大小：
若所述最新生成的左右子节点的深度不大于所述总段数，则根据所述风电历史发电量、所述光伏历史发电量、所述电网历史需求量和所述约束条件，以及火电机组上一预设时段和当前预设时段的运行状态，自顶向下计算并存储各个节点的运行成本，并重复执行该步骤；
若所述最新生成的左右子节点的深度大于所述总段数，则所述最新生成的左右子节点为空节点，当最右边叶子节点的运行成本计算完成时，完成所述完全二叉树的构建。
可选地，在本申请的一个实施例中，所述最优化算法包括：粒子群算法，所述构建模块，还包括：
调试单元，用于将每个所述完全二叉树当作粒子，并将所有完全二叉树当作粒子群，并根据所述各设备的约束条件调试所述粒子群算法中超参数的取值；
第一建立单元，用于根据所述最小容量值、所述最大容量值、所述风电历史发电量、所述光伏历史发电量和所述电网历史需求量初始化每个所述粒子的位置、历史粒子最优位置、与所述历史粒子最优位置对应的粒子目标函数值、所述粒子群的历史粒子群最优位置和与所述历史粒子群最优位置对应的粒子群目标函数值，以建立表示火电机组在所述全年各预设时段的运行状态和与所述运行状态对应的运行成本的至少两个粒子；
第二建立单元，用于依据初始化后所述每个粒子和所述粒子群的信息对所述每个粒子建立表示所述火电机组在所述全年各预设时段的运行状态的完全二叉树；
确定单元，用于依据完全二叉树最短路径算法对每个所述粒子进行遍历以确定各粒子的最小年投资运行成本，其中，所述最小年投资运行成本为当前粒子目标函数值，并根据每个所述当前粒子目标函数值确定当前粒子最优位置；
所述迭代模块，具体用于：使用所述粒子群算法在所述预设最大容量范围内自动调整所述储能设备和火电设备的最大容量值，重复执行所述粒子的构建和每个所述粒子的最小年投资运行成本的确定，直至满足预设条件时，将运行成本最小的所述最小年投资运行成本作为全局最小年投资运行成本。
可选地，在本申请的一个实施例中，所述迭代模块，包括：更新单元和第二判断单元，所述预设条件包括最大迭代次数；其中，
更新单元，用于根据所述当前粒子目标函数值和所述当前粒子最优位置分别更新对应的所述历史粒子最优位置和所述粒子目标函数值，并根据粒子群中各个粒子的所述历史粒子最优位置和所述粒子目标函数值更新所述历史粒子群最优位置和所述粒子群目标函数值；
第二判断单元，用于判断当前迭代次数与所述最大迭代次数的大小：
若所述当前迭代次数小于所述最大迭代次数，则分别计算每个粒子的速度矢量和位置矢量，根据计算后的粒子的位置矢量更新所述粒子的储能设备和火电设备的最大容量值，并依据完全二叉树最短路径算法对更新后的所述粒子进行遍历以确定各粒子的最小年投资运行成本；
若所述当前迭代次数等于所述最大迭代次数，则将与所述历史最优位置对应的目标函数值作为所述风光火储一体化系统的最小年投资运行成本。
另外，上述实施例中的所述确定单元，还用于在完成所述确定各粒子的最小年投资运行成本后，释放针对所述每个粒子建立的表示所述火电机组在所述全年各预设时段的的完全二叉树占用的内存。
为达到上述目的，本申请第三方面实施例提出了一种计算机设备，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，处理器执行计算机程序时，实现如本申请第一方面实施例的方法。
为达到上述目的，本申请第四方面实施例一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本申请第一方面实施例的方法。
综上，本申请实施例提出的风光火储一体化系统的优化配置方法、优化配置系统、计算机设备和非临时性计算机可读存储介质，其中，该方法考虑了火电机组的停、开机状态，利用二叉树结构对火电机组的停、开机状态进行模拟，使用二叉树完全二叉树最短路径算法和最优化算法，以全年最小年运行成本为目标计算火电机组的开机状态序列，进而根据最小年运行成本确定各发电设备和储能设备的容量配置参数，即上述方案使火电机组在每个预设时段的运行状态可调，由此从而实现了全年运行成本的节约，风、光资源的利用率的技术效果。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例1所提供的风光火储一体化系统的优化配置方法的流程图；
图2为本申请实施例1中火电机组所有可能的运行状态的完全二叉树图；
图3为本申请实施例2所提供的风光火储一体化系统的优化配置方法的流程图；
图4为本申请实施例2中基于表示火电机组的开机状态序列的完全二叉树和最优化算法确定最小年运行成本的流程图；以及
图5为本申请实施例3所提供的风光火储一体化系统的优化配置系统的结构示意图。
具体实施方式
下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。相反，本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
基于本申请背景技术的描述可知，现有技术中的火电机组一直处于连续运行状态，当不需要火电机组出力时，火电机组在最小负荷工况下运行，可能会出现火电机组长期处于低负荷运行状态，当总富余发电量超出储能设备容量时而弃电的情况，其中最小负荷通常是在30％的额定功率下运行，也就是说，当风光资源充足的情况下，火电机组也处于运行状态的，除非火电机组需要进行维修，换言之，现有技术中火电机组只有在异常情况下才是停运状态的。而本申请实施例基于历史数据判断是否需要火电机组出力，在考虑到了火电机组运行状态的情况下，计算风光火储一体化系统的投资运行成本，并在给定的设备容量范围内寻找最佳配置方案，而不是现有技术中的火电机组连续运行，详情参见下述实施例的描述及相对应的附图。
实施例1
图1为本申请实施例所提供的一种风光火储一体化系统的优化配置方法的流程图。
如图1所示，本申请实施例提供的一种风光火储一体化系统的优化配置方法，包括以下步骤：
步骤110，获取全年各预设时段的风电历史发电量、光伏历史发电量、电网历史需求量和风光火储一体化系统中各设备的约束条件，各设备的约束条件包括储能设备和火电设备的预设最大容量范围和最小容量值。
本申请实施例获取任一年的风电历史发电量、光伏历史发电量、电网历史需求量和风光火储一体化系统中各设备的约束条件，其中，各设备的约束条件包括储能设备和火电设备的预设最大容量范围和最小容量值，预设最大容量范围可以根据风电历史发电量、光伏历史发电量、电网历史需求量客观获取火电机组功率范围的序列和储能设备的最大容量的范围，最小值是储能设备的最小容量值。
步骤120，基于最小容量值、从预设最大容量范围中确定的储能设备和火电设备的最大容量值、风电历史发电量、光伏历史发电量和电网历史需求量构建表示火电机组在全年各预设时段的运行状态和与运行状态对应的运行成本的至少两个完全二叉树，依据完全二叉树最短路径算法对每个完全二叉树进行遍历，以确定每个完全二叉树的最小年投资运行成本，其中，完全二叉树的深度为全年预设时段的总段数。
具体地，本申请实施例随机从预设最大容量范围中选取一个值作为完全二叉树中火电机组或储能设备的最大容量值，根据储能设备在最小容量值和最大容量值、火电机组基于最小容量值到最大容量值、风电历史发电量、光伏历史发电量和电网历史需求量构建表示火电机组在全年各预设时段的运行状态和与运行状态对应的运行成本的至少两个完全二叉树，依据完全二叉树最短路径算法对每个完全二叉树进行遍历，以确定每个完全二叉树的最小年投资运行成本。
在本申请的一个实施例中，完全二叉树的每一层表示一个预设时段，完全二叉树的根节点和每个左子节点均表示火电机组处于停运状态，完全二叉树的每个右子节点均表示火电机组处于运行状态。
具体而言，在每个预设时段，火电机组的运行状态(开机状态)要么是运行，要么是停运，为了便于计算，本申请实施例中完全二叉树的深度等于预设时段的总段数，根节点代表第一个预设时段，叶子节点代表最后一个预设时段，每一个节点都有左右两个子节点，左子节点代表下一时刻火电机组处于停运，用数字“1”表示，右子节点代表下一时刻火电机组处于运行，用数字“1”表示火；另外，需要注意的是，本申请实施例中火电机组在全年各预设时段的开机状态序列可以通过一串长度等于预设时段的“01”字符串表示火电机组全年的开机状态，但并不限于用数字来表示，比如，还可以用字母等其他方式，比如用“A”或“a”表示火电机组处于停运，用“B”或“b”表示火电机组处于运行。
举例说明，如图2所示，每一个预设时段均表示一个小时，即全年预设时段的总段数为8760，即完全二叉树的深度为8760，关于火电机组在全年各预设时段的运行状态和与运行状态对应的运行成本可以采用一个深度为8760的完全二叉树表示，即火电机组在全年各预设时段的开机序列可通过一串长度为8760的“0”和“1”字符串来表示。
另外，当每个预设时段均表示一天时，全年预设时段的总段数可以为365或366；当每个预设时段均表示一月时，全年预设时段的总段数为12；当每个预设时段均表示一个季度时，全年预设时段的总段数为4；除了将每个预设时段表示的尺度或度量一样之外，也可以向将全年划分为4个季度，第一季度用小时，第二季度用月，第三季度和第四季度用月等等的方式组合，之后根据组合方案来确定全年预设时段的总段数，进而构建匹配的完全二叉树，本申请实施例在此不做限定。
在本申请的一个实施例中，完全二叉树最短路径算法包括但不限于后序遍历法，例如，以后续遍历法为例：通过后序遍历法遍历整颗完全二叉树来确定从叶子节点到根节点的最短路径，其中，叶子节点表示最后一个预设时段，根节点表示第一个预设时段，最短路径中每个节点的运行成本之和为火电机组的最小年运行成本。具体而言，在遍历的过程中自底向上求各个节点的累计运行成本，从每层可选的各个节点中选取累积运行成本最小的节点，并将其与其对应的运行状态(“0”或“1”)按序存储下来，换言之，最后选取的从叶子节点到根节点的由“0”、“1”组成的开机序列为最短路径，即根节点的累计运行成本便是火电机组全年的最小年运行成本，最后确定在该组约束条件下的各粒子的最小年投资运行成本。
步骤130，使用最优化算法在预设最大容量范围内自动调整储能设备和火电设备的最大容量值，重复执行完全二叉树的构建和每个完全二叉树的最小年投资运行成本的确定，直至满足预设条件时，将运行成本最小的最小年投资运行成本作为全局最小年投资运行成本。
具体地，在使用最优化算法在预设最大容量范围内自动调整储能设备和火电设备的最大容量值之后，根据所最小容量值、调整后的最大容量值、风电历史发电量、光伏历史发电量和电网历史需求量重新构建表示火电机组在全年各预设时段的运行状态和与运行状态对应的运行成本的至少两个完全二叉树，依据完全二叉树最短路径算法对每个完全二叉树进行遍历，以确定每个完全二叉树的最小年投资运行成本，随后，再次使用最优化算法在预设最大容量范围内自动调整储能设备和火电设备的最大容量值，即重复执行步骤120-130，直至满足预设条件，此时，将得到多个最小年投资运行成本，最后从多个最小年投资运行成本中选取全局最小年投资运行成本。
步骤140,将与全局最小年投资运行成本对应的各设备的容量范围作为风光火储一体化系统的最佳容量配置参数。
另外，在实际应用中，本申请实施例在依据各设备的年均投资成本的基础上，还会将上述一年中累计缺电量、累计弃电量、累计启停次数、火电累计运行时间等一同作为风光火储一体化系统当前配置下的评价指标。
综上，本申请实施例中的火电机组在每个预设时段的运行状态可调，而不是在风力发电和/或光伏发电满足电网需求的时候，火电机组仍需要在最小负荷工况下运行，或者说放弃成本较低的风光发电，而将火电机组的发电储存在储能设备中，即：本申请实施例实现了降低风光火储一体化系统的运行成本，提高了风、光资源的利用率。
实施例2
图3为本申请实施例所提供的一种风光火储一体化系统的优化配置方法的流程图。
如图3和4所示，本申请实施例提供的一种风光火储一体化系统的优化配置方法，包括以下步骤：
步骤210，获取全年各预设时段的风电历史发电量、光伏历史发电量、电网历史需求量和风光火储一体化系统中各设备的约束条件，各设备的约束条件包括储能设备和火电设备的预设最大容量范围和最小容量值。由于该步骤与实施例1的方案雷同，因此为了避免重复，在此不在赘述。
步骤220，将每个完全二叉树当作粒子，并将所有完全二叉树当作粒子群，并根据各设备的约束条件调试粒子群算法中超参数的取值。
在本申请的一个实施例，超参数包括最大迭代次数、粒子在各维度的最大移动速度、种群数量、自我学习因子、全局学习因子、惯性权重值等；这些超参的确定需要经过多次计算调试，使其具有较好的避免陷入局部最优的能力，且计算收敛速度较快。
步骤230，根据最小容量值、最大容量值、风电历史发电量、光伏历史发电量和电网历史需求量初始化每个粒子的位置、历史粒子最优位置、与历史粒子最优位置对应的粒子目标函数值、粒子群的历史粒子群最优位置和与历史粒子群最优位置对应的粒子群目标函数值，以建立表示火电机组在全年各预设时段的运行状态和与运行状态对应的运行成本的至少两个粒子。
上述实施例在初始化粒子位置的同时，还对历史粒子最优位置、与历史粒子最优位置对应的粒子目标函数值、历史粒子群最优位置和与历史粒子群最优位置对应的粒子群目标函数值进行了初始化，初始化的值可取为如1E20等非常大的数值。其中，粒子的位置有三个维度，分别是储热设备的最大容量、电池设备的最大容量和火电机组的额定负荷，储热和电池设备的最大容量为连续的整数，如若储热设备的最大容量的取值范围为1000～2000，则粒子的储热设备最大容量的值可取1000～2000中任意整数，火电机组的额定负荷为离散值。
另外，在初始化粒子位置和后续更新粒子位置时，可能会出现储热和电池设备的最大容量不为整数，以及火电机组的额定负荷不在可选的离散值中的情况，针对此种情况，可通过对计算得到的储热和电池设备的最大容量值取整实现其必须为整数的要求，对火电机组，可将离散值在数组中的编号作为其位置值，计算时通过该维度的位置值映射到对应的额定容量。
步骤240，依据完全二叉树最短路径算法对每个粒子进行遍历以确定各粒子的最小年投资运行成本，其中，最小年投资运行成本为当前粒子目标函数值，并根据每个当前粒子目标函数值确定当前粒子最优位置。
具体地，在经步骤230分别向每个粒子输入以上已读取的各种数据和参数，以及粒子的位置矢量，并建立表示火电机组在全年各预设时段的可能运行状态和与可能运行状态对应的运行成本的完全二叉树之后，步骤240对每个粒子的完全二叉树进行后续遍历，使用完全二叉树最短路径算法求出累计运行成本最小的火电机组开机序列，并保存每个粒子的累积运行成本、年投资运行成本以及供电可靠性等指标。
步骤250，使用粒子群算法在预设最大容量范围内自动调整储能设备和火电设备的最大容量值，重复执行粒子的构建和每个粒子的最小年投资运行成本的确定，直至满足预设条件时，将运行成本最小的最小年投资运行成本作为全局最小年投资运行成本。
在本申请的一个实施例中，重复执行粒子的构建和每个粒子的最小年投资运行成本的确定，直至满足预设条件时，将运行成本最小的最小年投资运行成本作为全局最小年投资运行成本具体包括以下步骤：预设条件包括最大迭代次数；
根据当前粒子目标函数值和当前粒子最优位置分别更新对应的历史粒子最优位置和粒子目标函数值，并根据粒子群中各个粒子的历史粒子最优位置和粒子目标函数值更新历史粒子群最优位置和粒子群目标函数值。具体地，对比粒子当前的迭代轮次计算出的目标函数值与历史粒子最优目标函数值，取两者中较小的作为最新的历史粒子最优目标函数值，保存该值及该值对应的位置矢量；并对比所有粒子当前迭代轮次计算出的目标函数值，取其中的最小值与粒子群的历史最优目标函数值进行对比，取其中较小者作为最新的粒子群的历史最优目标函数值，保存该值及该值对应的位置矢量。
判断当前迭代次数与最大迭代次数的大小：
若当前迭代次数小于最大迭代次数，则分别计算每个粒子的速度矢量和位置矢量，根据计算后的粒子的位置矢量更新粒子的储能设备和火电设备的最大容量值，并依据完全二叉树最短路径算法对更新后的粒子进行遍历以确定各粒子的最小年投资运行成本；
若当前迭代次数等于最大迭代次数，则将与历史最优位置对应的目标函数值作为风光火储一体化系统的最小年投资运行成本。
在本申请的一个实施例中，预设条件和超参还包括粒子最大移动速度和粒子位置的取值范围，在分别计算每个粒子的速度矢量和位置矢量时，若粒子速度超出粒子最大速度，和/或粒子位置超出粒子位置的取值范围，则将粒子最大速度作为粒子速度，和/或将粒子位置的取值范围作为粒子位置；其中计算更新每个粒子的速度的公式为：
vi+1＝vi+c1×rand()×(pbesti-xi)+c2×rand()×(gbesti-xi)
更新每个粒子的位置的公式为：
xi+1＝xi+vi+1；
其中，i为当前迭代次数，v为粒子速度矢量，x为粒子位置矢量，rand()为随机值，pbest为粒子的历史最优位置对应的目标函数值，gbest为粒子群的历史最优位置对应的目标函数值，c1和c2分别为自我学习因子、全局学习因子。
另外，本申请实施例在更新每个粒子的速度矢量和位置矢量之后，还包括：若位置矢量的分量为连续值，则直接使用更新后的位置分量；若位置矢量的分量为离散值，则使用与位置分量最接近的离散值。
例如，储能设备的最大容量的取值范围为1000～2000，则粒子的储能设备最大容量的值可取1000～2000中任意整数，火电机组的额定负荷为离散值，如额定负荷可取值为1600、1800、2000、2300、2400，则火电机组的额定负荷必须为这几个值其中之一。
在申请的一个实施例中，在每次迭代求解出每个粒子的最小年投资运行成本之后，销毁针对每个粒子建立的表示火电机组在全年各预设时段的的完全二叉树，以释放粒子群所占用的内存空间。
步骤260，将与全局最小年投资运行成本对应的各设备的容量范围作为风光火储一体化系统的最佳容量配置参数。由于该步骤与实施例1的方案雷同，因此为了避免重复，在此不在赘述。
在本申请的一个实施例中，完全二叉树中每个节点的运行成本通过下述方法确定：根据每个预设时段的风电历史发电量、光伏历史发电量和电网历史需求量计算出储能设备和火电机组在每个预设时段的总发电量；根据预设的能量使用原则、火电机组在上一预设时段的运行状态，以及在当前预设时段的运行状态和总发电量，计算出完全二叉树中各个节点的储能设备发电量和火电机组发电量，并根据火电机组的发电量计算火电机组在对应节点的运行成本。
本申请实施例获取任一年的风电历史发电量、光伏历史发电量和电网历史需求量，并预设能量使用原则和约束条件，其中，约束条件包括但不限于储能设备的功率范围、计算投资运行成本时使用的经济参数等，火电机组的额定功率范围的最大值和最小值，以及储能设备的功率范围的最大值和最小值；其中，能量使用原则用于根据发电量需求和各设备上一时刻的状态确定本申请实施例中储能设备和火电机组的当前运行状态，比如，储能设备和火电机组之间的放电顺序或充电顺序，即能量使用原则主要是针对在风光发电量与电网电量需求量不匹配时，火电机组和储能设备的供电或充电量分配比例。另外，本申请实例中的每个预设时段的火电机组发电量可以为零，也可以不为零，其中，当火电机组处于停运状态时，发电量为零，此时，火电机组的运行成本为零；当火电机组处于运行状态时，发电量不为零，此时，火电机组的成本至少包括煤耗量所需要的费用。
在本申请的一个实施例中，构建每个粒子完全二叉树的方法包括但不限于下述方法：
根据成本函数构建完全二叉树的节点数据存储结构；
根据各设备的约束条件初始化完全二叉树的根节点，同时生成根节点的左右子节点，并依据火电机组在上一预设时段和当前预设时段的运行状态，以及储能设备和火电机组在当前预设时段的总发电量，从根节点开始自顶向下计算并存储每个预设时段火电机组的运行成本；
判断最新生成的左右子节点的深度与总段数的大小：
若最新生成的左右子节点的深度不大于总段数，则根据风电历史发电量、光伏历史发电量、电网历史需求量和约束条件，以及火电机组上一预设时段和当前预设时段的运行状态，自顶向下计算并存储各个节点的运行成本，并重复执行该步骤，直至最新生成的左右子节点的深度大于总段数，则最新生成的左右子节点为空节点，当最右边叶子节点的运行成本计算完成时，完成完全二叉树的构建。
为了便于本领域技术人员更好的理解上述实施例，现进行简要的流程解说：首先获取全年各预设时段的风电历史发电量、光伏历史发电量、电网历史需求量和风光火储一体化系统中各设备的约束条件，并基于每个预设时段的风电历史发电量、光伏历史发电量和电网历史需求量计算出储能设备和火电机组在每个预设时段的总发电量；随后，使用粒子群算法在储能设备和火电机组的可选的容量范围内对每个粒子的约束条件进行随机初始化，并随机初始化粒子和粒子群的历史最优位置和与历史最优位置对应的目标函数值；之后，对每个粒子构建表示火电机组在全年各预设时段的运行状态的完全二叉树，根据预设的能量使用原则、火电机组在上一预设时段的运行状态，以及在当前预设时段的运行状态和总发电量，计算出完全二叉树中各个节点的储能设备的发电量和火电机组的发电量，并根据火电机组的发电量计算火电机组在对应节点的运行成本；最后，依据完全二叉树最短路径算法确定每个粒子在初始化的容量范围下各粒子的最小年投资运行成本，并判断是否满足最大迭代次数，若不满足，则重复步骤240-260，否则将与最后一次迭代计算出的全局最小年投资运行成本对应的各设备的容量范围作为风光火储一体化系统的最佳容量配置参数。
综上，本申请实施例结合动态规划思想使用二叉树结构实现了对火电机组在每个预设时段的运行状态的模拟，减少煤炭资源的浪费；结合上述粒子群算法确定全局最小年投资运行成本，实现在各设备容量未确定时，计算出综合指标最佳的风光火储一体化系统的容量配置方案，为待建系统提供投资运行成本最小的容量配置参考。
实施例3
图5本申请实施例所提供的一种风光火储一体化系统的优化配置系统的流程图。
如图5所示，本申请实施例提供的一种风光火储一体化系统的优化配置系统，优化配置系统，包括：
获取模块10，用于获取全年各预设时段的风电历史发电量、光伏历史发电量、电网历史需求量和风光火储一体化系统中各设备的约束条件，各设备的约束条件包括储能设备和火电设备的预设最大容量范围和最小容量值；
构建模块20，用于基于所最小容量值、从预设最大容量范围中确定的储能设备和火电设备的最大容量值、风电历史发电量、光伏历史发电量和电网历史需求量构建表示火电机组在全年各预设时段的运行状态和与运行状态对应的运行成本的至少两个完全二叉树，依据完全二叉树最短路径算法对每个完全二叉树进行遍历，以确定每个完全二叉树的最小年投资运行成本，其中，完全二叉树的深度为全年预设时段的总段数；
迭代模块30，用于使用最优化算法在预设最大容量范围内自动调整储能设备和火电设备的最大容量值，重复执行完全二叉树的构建和每个完全二叉树的最小年投资运行成本的确定，直至满足预设条件时，将运行成本最小的最小年投资运行成本作为全局最小年投资运行成本；
确定模块40，用于将与全局最小年投资运行成本对应的各设备的容量范围作为风光火储一体化系统的最佳容量配置参数。
在本申请的一个实施例中，构建模块20，包括：
构建单元，用于根据成本函数构建完全二叉树的节点数据存储结构；
计算单元，用于根据各设备的约束条件初始化完全二叉树的根节点，同时生成根节点的左右子节点，并依据火电机组在上一预设时段和当前预设时段的运行状态，以及储能设备和火电机组在当前预设时段的总发电量，从根节点开始自顶向下计算并存储每个预设时段火电机组的运行成本；
第一判断单元，用于判断最新生成的左右子节点的深度与总段数的大小：
若最新生成的左右子节点的深度不大于总段数，则根据风电历史发电量、光伏历史发电量、电网历史需求量和约束条件，以及火电机组上一预设时段和当前预设时段的运行状态，自顶向下计算并存储各个节点的运行成本，并重复执行该步骤；
若最新生成的左右子节点的深度大于总段数，则最新生成的左右子节点为空节点，当最右边叶子节点的运行成本计算完成时，完成完全二叉树的构建。
在本申请的一个实施例中，最优化算法包括：粒子群算法，其中，构建模块20，还包括：
调试单元，用于将每个完全二叉树当作粒子，并将所有完全二叉树当作粒子群，并根据各设备的约束条件调试粒子群算法中超参数的取值；
第一建立单元，用于根据最小容量值、最大容量值、风电历史发电量、光伏历史发电量和电网历史需求量初始化每个粒子的位置、历史粒子最优位置、与历史粒子最优位置对应的粒子目标函数值、粒子群的历史粒子群最优位置和与历史粒子群最优位置对应的粒子群目标函数值，以建立表示火电机组在全年各预设时段的运行状态和与运行状态对应的运行成本的至少两个粒子；
第二建立单元，用于依据初始化后每个粒子和粒子群的信息对每个粒子建立表示火电机组在全年各预设时段的运行状态的完全二叉树；
确定单元，用于依据完全二叉树最短路径算法对每个粒子进行遍历以确定各粒子的最小年投资运行成本，其中，最小年投资运行成本为当前粒子目标函数值，并根据每个当前粒子目标函数值确定当前粒子最优位置；
迭代模块30，具体用于：使用粒子群算法在预设最大容量范围内自动调整储能设备和火电设备的最大容量值，重复执行粒子的构建和每个粒子的最小年投资运行成本的确定，直至满足预设条件时，将运行成本最小的最小年投资运行成本作为全局最小年投资运行成本。
另外，上述实施例中的确定单元，还用于在完成确定各粒子的最小年投资运行成本后，释放针对每个粒子建立的表示火电机组在全年各预设时段的的完全二叉树占用的内存。
在申请的一个实施例中，迭代模块30，具体包括：更新单元和第二判断单元，预设条件包括最大迭代次数；其中，
更新单元，用于根据当前粒子目标函数值和当前粒子最优位置分别更新对应的历史粒子最优位置和粒子目标函数值，并根据粒子群中各个粒子的历史粒子最优位置和粒子目标函数值更新历史粒子群最优位置和粒子群目标函数值；
第二判断单元，用于判断当前迭代次数与最大迭代次数的大小：
若当前迭代次数小于最大迭代次数，则分别计算每个粒子的速度矢量和位置矢量，根据计算后的粒子的位置矢量更新粒子的储能设备和火电设备的最大容量值，并依据完全二叉树最短路径算法对更新后的粒子进行遍历以确定各粒子的最小年投资运行成本；
若当前迭代次数等于最大迭代次数，则将与历史最优位置对应的目标函数值作为风光火储一体化系统的最小年投资运行成本。
为了实现上述实施例，本申请实施例还提出了一种计算机设备，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，处理器执行计算机程序时，实现如本申请实施例1和实施例2所描述的优化配置方法。
为了实现上述实施例，本申请实施例还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如本申请实施例1所描述的优化配置方法。
本申请实施例的风光火储一体化系统的优化配置系统、计算机设备和非临时性计算机可读存储介质所能取得的有益效果与上述基于最小成本的风光火储一体化系统配置方法所取得的有益效果相同，在此不再赘述。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (17)
1.一种风光火储一体化系统的优化配置方法，其特征在于，所述优化配置方法，包括：
获取全年各预设时段的风电历史发电量、光伏历史发电量、电网历史需求量和风光火储一体化系统中各设备的约束条件，所述各设备的约束条件包括储能设备和火电设备的预设最大容量范围和最小容量值；
基于所述最小容量值、从所述预设最大容量范围中确定的储能设备和火电设备的最大容量值、所述风电历史发电量、所述光伏历史发电量和所述电网历史需求量构建表示火电机组在所述全年各预设时段的运行状态和与所述运行状态对应的运行成本的至少两个完全二叉树，依据完全二叉树最短路径算法对每个所述完全二叉树进行遍历，以确定每个所述完全二叉树的最小年投资运行成本，其中，所述完全二叉树的深度为所述全年预设时段的总段数；
使用最优化算法在所述预设最大容量范围内自动调整所述储能设备和火电设备的最大容量值，重复执行所述完全二叉树的构建和每个所述完全二叉树的最小年投资运行成本的确定，直至满足预设条件时，将运行成本最小的所述最小年投资运行成本作为全局最小年投资运行成本；
将与所述全局最小年投资运行成本对应的所述各设备的容量范围作为所述风光火储一体化系统的最佳容量配置参数。
2.如权利要求1所述的方法，其特征在于，所述完全二叉树中每个节点的运行成本通过下述方法确定：
根据每个预设时段的所述风电历史发电量、所述光伏历史发电量和所述电网历史需求量计算出所述储能设备和所述火电机组在所述每个预设时段的总发电量；
根据预设的能量使用原则、所述火电机组在上一预设时段的所述运行状态，以及在当前预设时段的运行状态和所述总发电量，计算出所述完全二叉树中各个节点的储能设备发电量和所述火电机组发电量，并根据所述火电机组的发电量计算所述火电机组在对应节点的运行成本。
3.如权利要求2所述的方法，其特征在于，构建所述完全二叉树的方法包括：
根据成本函数构建所述完全二叉树的节点数据存储结构；
根据所述各设备的约束条件初始化所述完全二叉树的根节点，同时生成所述根节点的左右子节点，并依据所述火电机组在上一预设时段和当前预设时段的运行状态，以及所述储能设备和火电机组在当前预设时段的总发电量，从所述根节点开始自顶向下计算并存储每个预设时段所述火电机组的运行成本；
判断最新生成的左右子节点的深度与所述总段数的大小：
若所述最新生成的左右子节点的深度不大于所述总段数，则根据所述风电历史发电量、所述光伏历史发电量、所述电网历史需求量和所述约束条件，以及火电机组上一预设时段和当前预设时段的运行状态，自顶向下计算并存储各个节点的运行成本，并重复执行该步骤；
若所述最新生成的左右子节点的深度大于所述总段数，则所述最新生成的左右子节点为空节点，当最右边叶子节点的运行成本计算完成时，完成所述完全二叉树的构建。
4.如权利要求1所述的方法，其特征在于，在所述完全二叉树中，所述完全二叉树的每一层表示一个预设时段，所述完全二叉树的根节点和每个左子节点均表示所述火电机组处于停运状态，所述完全二叉树的每个右子节点均表示所述火电机组处于运行状态。
5.如权利要求1所述的方法，其特征在于，所述完全二叉树最短路径算法包括后序遍历法，通过所述后序遍历法遍历整颗所述完全二叉树来确定从叶子节点到根节点的最短路径，其中，所述最短路径中每个节点的运行成本之和为所述火电机组的最小年运行成本。
6.如权利要求1-5任一所述的方法，其特征在于，所述最优化算法包括：粒子群算法，其中，
基于所述最小容量值、从所述预设最大容量范围中确定的储能设备和火电设备的最大容量值、所述风电历史发电量、所述光伏历史发电量和所述电网历史需求量构建表示火电机组在所述全年各预设时段的运行状态和与所述运行状态对应的运行成本的至少两个完全二叉树，依据完全二叉树最短路径算法对每个所述完全二叉树进行遍历，以确定每个所述完全二叉树的最小年投资运行成本，具体包括：
将每个所述完全二叉树当作粒子，并将所有完全二叉树当作粒子群，并根据所述各设备的约束条件调试所述粒子群算法中超参数的取值；
根据所述最小容量值、所述最大容量值、所述风电历史发电量、所述光伏历史发电量和所述电网历史需求量初始化每个所述粒子的位置、历史粒子最优位置、与所述历史粒子最优位置对应的粒子目标函数值、所述粒子群的历史粒子群最优位置和与所述历史粒子群最优位置对应的粒子群目标函数值，以建立表示火电机组在所述全年各预设时段的运行状态和与所述运行状态对应的运行成本的至少两个粒子；
依据完全二叉树最短路径算法对每个所述粒子进行遍历以确定各粒子的最小年投资运行成本，其中，所述最小年投资运行成本为当前粒子目标函数值，并根据每个所述当前粒子目标函数值确定当前粒子最优位置；
所述使用最优化算法在所述预设最大容量范围内自动调整所述储能设备和火电设备的最大容量值，重复执行所述完全二叉树的构建和每个所述完全二叉树的最小年投资运行成本的确定，直至满足预设条件时，将运行成本最小的所述最小年投资运行成本作为全局最小年投资运行成本，具体包括：
使用所述粒子群算法在所述预设最大容量范围内自动调整所述储能设备和火电设备的最大容量值，重复执行所述粒子的构建和每个所述粒子的最小年投资运行成本的确定，直至满足预设条件时，将运行成本最小的所述最小年投资运行成本作为全局最小年投资运行成本。
7.如权利要求6所述的方法，其特征在于，所述重复执行所述粒子的构建和每个所述粒子的最小年投资运行成本的确定，直至满足预设条件时，将运行成本最小的所述最小年投资运行成本作为全局最小年投资运行成本，具体包括：所述预设条件包括最大迭代次数；
根据所述当前粒子目标函数值和所述当前粒子最优位置分别更新对应的所述历史粒子最优位置和所述粒子目标函数值，并根据粒子群中各个粒子的所述历史粒子最优位置和所述粒子目标函数值更新所述历史粒子群最优位置和所述粒子群目标函数值；
判断当前迭代次数与所述最大迭代次数的大小：
若所述当前迭代次数小于所述最大迭代次数，则分别计算每个粒子的速度矢量和位置矢量，根据计算后的粒子的位置矢量更新所述粒子的储能设备和火电设备的最大容量值，并依据完全二叉树最短路径算法对更新后的所述粒子进行遍历以确定所述粒子的最小年投资运行成本；
若所述当前迭代次数等于所述最大迭代次数，则将与所述历史最优位置对应的目标函数值作为所述风光火储一体化系统的最小年投资运行成本。
8.如权利要求7所述的方法，其特征在于，所述预设条件和超参还包括粒子最大移动速度和粒子位置的取值范围，在所述分别计算每个粒子的速度矢量和位置矢量时，若粒子速度超出所述粒子最大速度，和/或粒子位置超出所述粒子位置的取值范围，则将所述粒子最大速度作为粒子速度，和/或将所述粒子位置的取值范围作为所述粒子位置；其中计算更新每个所述粒子的速度的公式为：
vi+1＝vi+c1×rand()×(pbesti-xi)+c2×rand()×(gbesti-xi)
更新每个所述粒子的位置的公式为：
xi+1＝xi+vi+1；
其中，i为当前迭代次数，v为粒子速度矢量，x为粒子位置矢量，rand()为随机值，pbest为粒子的历史最优位置对应的目标函数值，gbest为粒子群的历史最优位置对应的目标函数值，c1和c2分别为自我学习因子、全局学习因子。
9.如权利要求7所述的方法，其特征在于，在所述更新所述每个粒子的速度矢量和位置矢量之后，还包括：
若所述位置矢量的分量为连续值，则直接使用更新后的所述位置分量；
若所述位置矢量的分量为离散值，则使用与所述位置分量最接近的离散值。
10.如权利要求7所述的方法，其特征在于，所述方法还包括：在完成所述确定各粒子的最小年投资运行成本后，释放针对每个所述粒子建立的表示所述火电机组在所述全年各预设时段的完全二叉树占用的内存。
11.一种风光火储一体化系统的优化配置系统，其特征在于，所述优化配置系统，包括：
获取模块，用于获取全年各预设时段的风电历史发电量、光伏历史发电量、电网历史需求量和风光火储一体化系统中各设备的约束条件，所述各设备的约束条件包括储能设备和火电设备的预设最大容量范围和最小容量值；
构建模块，用于基于所述最小容量值、从所述预设最大容量范围中确定的储能设备和火电设备的最大容量值、所述风电历史发电量、所述光伏历史发电量和所述电网历史需求量构建表示火电机组在所述全年各预设时段的运行状态和与所述运行状态对应的运行成本的至少两个完全二叉树，依据完全二叉树最短路径算法对每个所述完全二叉树进行遍历，以确定每个所述完全二叉树的最小年投资运行成本，其中，所述完全二叉树的深度为所述全年预设时段的总段数；
迭代模块，用于使用最优化算法在所述预设最大容量范围内自动调整所述储能设备和火电设备的最大容量值，重复执行所述完全二叉树的构建和每个所述完全二叉树的最小年投资运行成本的确定，直至满足预设条件时，将运行成本最小的所述最小年投资运行成本作为全局最小年投资运行成本；
确定模块，用于将与所述全局最小年投资运行成本对应的所述各设备的容量范围作为所述风光火储一体化系统的最佳容量配置参数。
12.如权利要求11所述的系统，其特征在于，所述构建模块包括：
构建单元，用于根据成本函数构建所述完全二叉树的节点数据存储结构；
计算单元，用于根据所述各设备的约束条件初始化所述完全二叉树的根节点，同时生成所述根节点的左右子节点，并依据所述火电机组在上一预设时段和当前预设时段的运行状态，以及储能设备和火电机组在当前预设时段的总发电量，从所述根节点开始自顶向下计算并存储每个预设时段所述火电机组的运行成本；
第一判断单元，用于判断最新生成的左右子节点的深度与所述总段数的大小：
若所述最新生成的左右子节点的深度不大于所述总段数，则根据所述风电历史发电量、所述光伏历史发电量、所述电网历史需求量和所述约束条件，以及火电机组上一预设时段和当前预设时段的运行状态，自顶向下计算并存储各个节点的运行成本，并重复执行该步骤；
若所述最新生成的左右子节点的深度大于所述总段数，则所述最新生成的左右子节点为空节点，当最右边叶子节点的运行成本计算完成时，完成所述完全二叉树的构建。
13.如权利要求10所述的系统，其特征在于，所述最优化算法包括：粒子群算法，其中，所述构建模块，还包括：
调试单元，用于将每个所述完全二叉树当作粒子，并将所有完全二叉树当作粒子群，并根据所述各设备的约束条件调试所述粒子群算法中超参数的取值；
第一建立单元，用于根据所述最小容量值、所述最大容量值、所述风电历史发电量、所述光伏历史发电量和所述电网历史需求量初始化每个所述粒子的位置、历史粒子最优位置、与所述历史粒子最优位置对应的粒子目标函数值、所述粒子群的历史粒子群最优位置和与所述历史粒子群最优位置对应的粒子群目标函数值，以建立表示火电机组在所述全年各预设时段的运行状态和与所述运行状态对应的运行成本的至少两个粒子；
第二建立单元，用于依据初始化后所述每个粒子和所述粒子群的信息对所述每个粒子建立表示所述火电机组在所述全年各预设时段的运行状态的完全二叉树；
确定单元，用于依据完全二叉树最短路径算法对每个所述粒子进行遍历以确定各粒子的最小年投资运行成本，其中，所述最小年投资运行成本为当前粒子目标函数值，并根据每个所述当前粒子目标函数值确定当前粒子最优位置；
所述迭代模块，具体用于：使用所述粒子群算法在所述预设最大容量范围内自动调整所述储能设备和火电设备的最大容量值，重复执行所述粒子的构建和每个所述粒子的最小年投资运行成本的确定，直至满足预设条件时，将运行成本最小的所述最小年投资运行成本作为全局最小年投资运行成本。
14.如权利要求13所述的系统，其特征在于，所述迭代模块，包括：更新单元和第二判断单元，所述预设条件包括最大迭代次数；其中，
更新单元，用于根据所述当前粒子目标函数值和所述当前粒子最优位置分别更新对应的所述历史粒子最优位置和所述粒子目标函数值，并根据粒子群中各个粒子的所述历史粒子最优位置和所述粒子目标函数值更新所述历史粒子群最优位置和所述粒子群目标函数值；
第二判断单元，用于判断当前迭代次数与所述最大迭代次数的大小：
若所述当前迭代次数小于所述最大迭代次数，则分别计算每个粒子的速度矢量和位置矢量，根据计算后的粒子的位置矢量更新所述粒子的储能设备和火电设备的最大容量值，并依据完全二叉树最短路径算法对更新后的所述粒子进行遍历以确定各粒子的最小年投资运行成本；
若所述当前迭代次数等于所述最大迭代次数，则将与所述历史最优位置对应的目标函数值作为所述风光火储一体化系统的最小年投资运行成本。
15.如权利要求13所述的系统，其特征在于，所述确定单元，还用于在完成所述确定各粒子的最小年投资运行成本后，释放针对所述每个粒子建立的表示所述火电机组在所述全年各预设时段的的完全二叉树占用的内存。
16.一种计算机设备，其特征在于，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，处理器执行计算机程序时，实现如权利要求1-10中任一的方法。
17.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现如权利要求1-10中任一的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111433765.0A CN114336693B (zh) | 2021-11-29 | 2021-11-29 | 风光火储一体化系统的优化配置方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111433765.0A CN114336693B (zh) | 2021-11-29 | 2021-11-29 | 风光火储一体化系统的优化配置方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114336693A CN114336693A (zh) | 2022-04-12 |
| CN114336693B true CN114336693B (zh) | 2023-10-03 |
Family
ID=81046337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111433765.0A Active CN114336693B (zh) | 2021-11-29 | 2021-11-29 | 风光火储一体化系统的优化配置方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114336693B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116316740B (zh) * | 2023-05-19 | 2023-09-05 | 中国能源建设集团湖南省电力设计院有限公司 | 一种考虑新能源影响的储能代替火电容量效率计算方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017161786A1 (zh) * | 2016-03-23 | 2017-09-28 | 严利容 | 基于光储系统运行优化的混合储能配比计算方法 |
| WO2018059096A1 (zh) * | 2016-09-30 | 2018-04-05 | 国电南瑞科技股份有限公司 | 一种多类电源发电计划组合决策方法及存储介质 |
| CN109390979A (zh) * | 2018-10-24 | 2019-02-26 | 云南电网有限责任公司电力科学研究院 | 一种综合能源系统的优化控制方法 |
| CN112671046A (zh) * | 2020-12-21 | 2021-04-16 | 国网经济技术研究院有限公司 | 一种风光火储外送容量协调优化配置方法和系统 |
-
2021
- 2021-11-29 CN CN202111433765.0A patent/CN114336693B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017161786A1 (zh) * | 2016-03-23 | 2017-09-28 | 严利容 | 基于光储系统运行优化的混合储能配比计算方法 |
| WO2018059096A1 (zh) * | 2016-09-30 | 2018-04-05 | 国电南瑞科技股份有限公司 | 一种多类电源发电计划组合决策方法及存储介质 |
| CN109390979A (zh) * | 2018-10-24 | 2019-02-26 | 云南电网有限责任公司电力科学研究院 | 一种综合能源系统的优化控制方法 |
| CN112671046A (zh) * | 2020-12-21 | 2021-04-16 | 国网经济技术研究院有限公司 | 一种风光火储外送容量协调优化配置方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 计及电转气技术的区域综合能源系统在线优化方法;张有兵;王嘉瑶;杨晓东;杜夏冰;徐志成;赵波;;电网技术(08);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114336693A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508499A (zh) | 多时段多场景分布式电源最优接入位置与容量研究方法 | |
| CN116780657B (zh) | 一种水风蓄互补发电系统的调度方法、装置、设备及介质 | |
| CN114336693B (zh) | 风光火储一体化系统的优化配置方法和系统 | |
| Yin et al. | Fuzzy vector reinforcement learning algorithm for generation control of power systems considering flywheel energy storage | |
| CN108616124B (zh) | 基于有序二元决策图的配电网重构计算方法 | |
| CN117154736A (zh) | 一种混合储能系统参与火电机组深度调峰优化方法及系统 | |
| CN114285088A (zh) | 一种考虑火电机组约束的能源系统优化配置方法和系统 | |
| CN115603398A (zh) | 一种基于秃鹰搜索算法的容量不一致储能阵列重构方法 | |
| CN117154781B (zh) | 一种储能调频容量配置方法、装置及计算机可读存储介质 | |
| CN117117906B (zh) | 一种混合储能系统参与电网调频控制方法及系统 | |
| CN116739187B (zh) | 水库优化调度决策方法、装置、计算机设备及存储介质 | |
| CN117277346A (zh) | 一种基于多智能体系统的储能调频方法、装置及设备 | |
| CN116093995B (zh) | 一种配电系统多目标网络重构方法及系统 | |
| CN115473230B (zh) | 考虑用户侧碳排放约束的最优潮流计算方法、设备及介质 | |
| CN114336778B (zh) | 风光火储系统中火电机组的开机序列确定方法和装置 | |
| CN114285089B (zh) | 优化风光火储系统中的火电机组启停方法和系统 | |
| CN115021287A (zh) | 三相不平衡治理的换相方法、系统、存储介质及设备 | |
| CN114331025A (zh) | 一种基于时序差分法的风光火储系统优化配置方法及系统 | |
| CN114362239A (zh) | 一种综合考虑多因素的电网电源极限配置策略 | |
| CN114298429A (zh) | 一种配电网动案辅助决策方法、系统、装置和存储介质 | |
| CN114336776B (zh) | 一种基于优化二叉树的火电机组开机序列确定方法和系统 | |
| CN114336777B (zh) | 考虑能量利用顺序的火电机组开机序列确定方法和系统 | |
| CN117526315B (zh) | 多能源微电网系统的优化配置方法及装置 | |
| CN114219045B (zh) | 配电网风险动态提前预警方法、系统、装置及存储介质 | |
| CN117911197B (zh) | 基于改进多目标粒子群算法的光伏选址定容方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |