CN115169157A - 基于多目标花朵授粉算法的电氢混合储能优化配置方法 - Google Patents
基于多目标花朵授粉算法的电氢混合储能优化配置方法 Download PDFInfo
- Publication number
- CN115169157A CN115169157A CN202210963953.2A CN202210963953A CN115169157A CN 115169157 A CN115169157 A CN 115169157A CN 202210963953 A CN202210963953 A CN 202210963953A CN 115169157 A CN115169157 A CN 115169157A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- storage system
- algorithm
- pollination
- hydrogen
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 156
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 83
- 239000001257 hydrogen Substances 0.000 title claims abstract description 81
- 230000010152 pollination Effects 0.000 title claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims abstract description 5
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 10
- 238000011084 recovery Methods 0.000 claims description 9
- 230000010154 cross-pollination Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000010153 self-pollination Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000004513 sizing Methods 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000007599 discharging Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- -1 hydrogen Chemical class 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- H02J15/00—Systems for storing electric energy
- H02J15/008—Systems for storing electric energy using hydrogen as energy vector
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Power Engineering (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于多目标花朵授粉算法的电氢混合储能优化配置方法包括，基于储能系统的相关参数及约束条件，建立储能系统配置模型和目标函数；利用多目标花朵授粉算法，对所述储能系统进行最优选址定容，获得相应储能系统选址定容数据；将所述储能系统选址定容数据代入目标函数中检测配置效果；基于上述步骤建立多目标优化模型，进行迭代，达到所述算法收敛条件，输出最优配置方案。本发明仅需配电网参数及储能系统的运行数据就能得到最优储能结构配置方法，结构简单，成本低；利用多目标花朵授粉算法提高优化效率，并且合理平衡局部搜索与全局探索以获得高质量的全局最优解决方案，进而能提高储能系统选址定容的准确性。
Description
技术领域
本发明涉及电力系统优化技术领域，尤其涉及基于多目标花朵授粉算法的电氢混合储能优化配置方法。
背景技术
随着社会科技的不断发展与进步，以化石燃料为基础的传统能源已难以满足人类社会的需求，并正在加剧环境污染和全球变暖。随着氢气的生产和储存技术的快速发展，氢气储能系统的开发将给能源和电力系统结构带来根本性变化。氢气储能系统和电池储能系统相结合进行协调优化可以解决多种能源供需之间的不平衡，并提高能源效率。搭建储能系统多目标优化配置模型，不仅可以充分挖掘储能系统的潜力，而且可以在储能系统经济效益和电网稳定之间实现更优的平衡。然而，现有的电氢混合储能优化配置方法难以既有较高的经济效益，又可以保证较高的电网稳定水平。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了基于多目标花朵授粉算法的电氢混合储能优化配置方法，能够解决现有的电氢混合储能优化配置方法无法既有较高的经济效益，又可以保证较高电网稳定水平的问题。
为解决上述技术问题，本发明提供如下技术方案，一种基于多目标花朵授粉算法的电氢混合储能优化配置方包括：
基于储能系统的相关参数及约束条件，建立储能系统配置模型和目标函数；
利用多目标花朵授粉算法，对所述储能系统进行最优选址定容，获得相应储能系统选址定容数据；
将所述储能系统选址定容数据代入目标函数中检测配置效果；
基于上述步骤建立多目标优化模型，进行迭代，达到所述算法收敛条件，输出最优配置方案。
作为本发明所述的基于多目标花朵授粉算法的电氢混合储能优化配置方法的一种优选方案，其中：所述储能系统包括电池储能系统和氢气储能系统。
作为本发明所述的基于多目标花朵授粉算法的电氢混合储能优化配置方法的一种优选方案，其中：所述储能系统的约束条件包括，全生命周期成本、系统网损、联络线功率偏差、负荷波动和电压波动。
作为本发明所述的基于多目标花朵授粉算法的电氢混合储能优化配置方法的一种优选方案，其中：所述储能系统的约束条件还包括，
全生命周期成本表示如下：
其中，LCC表示全生命周期成本，BESSs表示电池储能系统，HESSs表示氢气储能系统，TCC表示总投资成本，MC表示维护成本、OC表示运行成本、RC表示更换成本、DRC表示处置和回收成本，下标B与H分别表示电池储能系统与氢气储能系统状态下的相关成本；
系统网损表示如下：
其中，L是联络线总数；Rj表示第j条联络线上的电阻；Ij(t)为t时刻第j条联络线上的电流；
联络线交换功率偏差表示如下：
其中，PTie-line(t)代表t时刻电网的联络线交换功率偏差；
表示一天内的平均功率交换偏差；
负荷波动表示如下：
其中，Pload(t)，Ppv(t)和Pwind(t)分别为t时段内的系统负荷，光伏以及风电出力；
电压波动表示如下：
式中，Nnodes为系统节点总数；Vj(t)为j节点在t时刻的电压；
为j节点在T时段内的平均电压。
作为本发明所述的基于多目标花朵授粉算法的电氢混合储能优化配置方法的一种优选方案，其中：所述储能系统进行最优选址定容包括，
初始化算法相关参数；
计算所有个体的适应度值；
根据适应度值确定当前最优解；
建立四条花朵授粉搜索规则，根据确定的搜索机制进行搜索；
判断多目标花朵授粉算法是否迭代结束进而收敛。
作为本发明所述的基于多目标花朵授粉算法的电氢混合储能优化配置方法的一种优选方案，其中：所述适应度值通过全生命周期成本目标函数、系统网损目标函数、联络线交换功率偏差目标函数、负荷波动目标函数、电压波动目标函数分别进行求解。
作为本发明所述的基于多目标花朵授粉算法的电氢混合储能优化配置方法的一种优选方案，其中：所述四条花朵授粉搜索规则包括，
生物的交叉授粉可被视做全局授粉过程，并且传粉者以一种服从Lévy飞行方式进行交叉授粉；
非生物的自花授粉被认为是局部授粉过程；
两朵相邻的花更容易授粉是花的常性，可以被认为是一种繁衍概率，这种概率被认为与两朵相关联花朵的相似性是成比例的；
局部授粉和全局授粉之间通过一个转换概率进行转换。
作为本发明所述的基于多目标花朵授粉算法的电氢混合储能优化配置方法的一种优选方案，其中：所述全局授粉方式可以通过下式进行描述，
其中，
和
分别为算法第t代和第t+1代的解，g*为当前种群中的最优解，L(λ)是与授粉强度相关的参数，实质上相当于是基于Lévy飞行方式的步长参数；
L(λ)的计算公式如下：
式中，λ为3/2，Γ(λ)为标准伽马函数。
作为本发明所述的基于多目标花朵授粉算法的电氢混合储能优化配置方法的一种优选方案，其中：所述局部授粉过程以及花的常性可以通过下式进行描述，
式中，
和
分别为算法第t代和第t+1代的解，
和
是从种群内部随机选择的异于
的解，∈是一个服从(0,1)均匀分布的随机数。
作为本发明所述的基于多目标花朵授粉算法的电氢混合储能优化配置方法的一种优选方案，其中：所述多目标优化模型包括，
多目标优化模型如下：
式中，F(x)由目标函数F1,F2,F3,F4,F5组成，分别为电池储能系统和氢气储能系统的LCC、每日的网损、联络线交换功率波动，电压波动与负荷波动；x表示由优化变量构成的决策空间，即电池储能系统和氢气储能系统的最优布局、容量和每小时的功率；H(x)为模型需要满足的约束条件。
本发明的有益效果：本发明提出基于多目标花朵授粉算法的电氢混合储能优化配置方法，仅需配电网参数及储能系统的运行数据就能得到最优储能结构配置方法，结构简单，成本低；利用多目标花朵授粉算法提高优化效率，并且合理平衡局部搜索与全局探索以获得高质量的全局最优解决方案，进而能提高储能系统选址定容的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的基于多目标花朵授粉算法的电氢混合储能优化配置方法总体流程图；
图2为本发明一个实施例提供的基于多目标花朵授粉算法的电氢混合储能优化配置方法的实现结构图；
图3为本发明一个实施例提供的基于多目标花朵授粉算法的电氢混合储能优化配置方法的基于多目标花朵授粉算法的电-氢混合储能系统配置优化流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～3，为本发明的第一个实施例，该实施例提供了基于多目标花朵授粉算法的电氢混合储能优化配置方法，包括：
S1：基于储能系统的相关参数及约束条件，建立储能系统配置模型和目标函数；
更进一步的，电池储能系统任何时间的电荷状态(State of Charge，SOC)是充放电运行的重要参数，它由容量、充放电功率、充放电效率等变量来描述。电池储能系统的SOC计算如下：
其中，Pcha，i(t)和Pcha，i(t)为时段内节点的充放电功率；ηcha，i和ηdis，i为t时段内节点的充放电效率。
更进一步的，电池储能系统与电网之间的交换功率可以表示为：
Pgrid，i(t)＝Pcha，i(t)-Pdis，i(t) (2)
应说明的是，由于充放电不能同时进行，故电池储能系统与电网之间的功率交换必须满足式下式：
Pcha，i(t)·Pdis，i(t)＝0 (3)
更进一步的，储能系统的选址定容是一个高维度、多目标、复杂约束条件下的问题。电-氢混合储能的全生命周期成本、电网每日的线路功率损耗、联络线交换功率偏差、电压波动和负荷波动。建立多目标优化模型，如下：
其中，由目标函数组成，分别为电池储能系统和氢气储能系统的全生命周期成本、每日的网损、联络线交换功率波动，电压波动与负荷波动；表示由优化变量构成的决策空间，即电池储能系统和氢气储能系统的最优布局、容量和每小时的功率；为模型需要满足的约束条件。
应说明的是，全生命周期成本是评价储能系统经济性的重要指标，它包含总投资成本(Total Capital Cost，TCC)、维护成本(Maintenance Cost，MC)、运行成本(OperationCost，OC)、更换成本(Replacement Cost，RC)、处置和回收成本(Disposal and RecyclingCost，DRC)。
更进一步的，氢气储能系统与电池储能系统的全生命周期成本如下所示：
更进一步的，电池储能系统的投资成本表示如下：
其中，NBESS表示电池储能系统的安装数量；cbat为单个电池的成本；cEPCD，B表示电池储能系统的工程、采购和建设(Engineering，Procurement and Construction，EPC)成本和开发商成本；Isub，B是政府对电池储能系统的补贴；EBESS，i是第i台BESS的容量；μCRF，B表示资本回收系数(Capital Recovery Factor，CRF)。
更进一步的，电池储能系统的维护成本表示如下：
其中，cFMC，B表示单台电池储能系统的年固定MC；PBESS，i是第i台电池储能系统的功率。
更进一步的，电池储能系统的运行成本表示如下：
其中，T表示24小时；cpur和csell分别表示买入和卖出时的电价；Pcha，Bi和Pcha，Bi分别为第i台BESS的充放电功率。
更进一步的，电池储能系统的更换成本表示如下：
其中，nB和t分别为电池的寿命和更换次数，α为电池的年成本损耗率。
更进一步的，电池储能系统的处置和回收成本表示如下：
其中，γB是电池储能系统的回收效益。
更进一步的，氢气储能系统的处置和回收成本表示如下：
其中，μCRF，H是氢气储能系统的成本回收系数；cFC和cE分别为FC和电解槽的成本；cHT和QHT，i为HT的成本和容量；PHESS，i是第i台氢气储能系统的功率大小；CEPCD，H表示氢气储能系统的EPC成本，占总成本的20％；Isub，H表示政府对氢气储能系统的补贴。
更进一步的，氢气储能系统的维护成本表示如下：
其中，cFMC，H表示FC的年固定MC；PHESS，i为第i台氢气储能系统的功率。
更进一步的，氢气储能系统的运行成本表示如下：
其中，Pcha，Hi和Pdis，Hi表示第台氢气储能系统的充放电功率；QH，i表示氢气储能系统一天内的氢气总产量；qH为每kW·h电的氢气产量；
表示每kg氢气的利润，为氢气的售价
减去氢气生产成本
和运输成本CD；pH为每kg氢气的发电量；μ和v为送氢量与发电量的比值。
更进一步的，氢气储能系统的更换成本表示如下：
其中，nH为氢气储能系统的更换次数；β为氢气储能系统的年成本损耗率。
更进一步的，氢气储能系统的处置和回收成本表示如下：
其中，γFC为FC的回收效益。
更进一步的，系统网损表示如下：
其中，L是联络线总数；Rj表示第j条联络线上的电阻；Ij(t)为t时刻第j条联络线上的电流。
应说明的是，电池储能系统和氢气储能系统并网将改变潮流分布，在储能系统的选址定容规划中考虑了电网的损耗，用每日的功率损耗表示。
更进一步的，联络线交换功率偏差表示如下：
其中，PTie-line(t)代表t时刻电网的联络线交换功率偏差；
表示一天内的平均功率交换偏差。
应说明的是，由于新能源出力的间歇性，当其并入电网时会产生较大的功率波动，在储能系统的选址定容规划中考虑了电网的功率稳定性，用每日的联络线功率偏差表示。
更进一步的，负荷波动表示如下：
其中，Pload(t)，Ppv(t)和Pwind(t)分别为t时段内的系统负荷，光伏以及风电出力。
应说明的是，储能系统可对负荷波动进行平抑，本发明在储能系统的选址定容规划中同时电网的功率稳定性，用并网点每日功率波动表示。
更进一步的，电压波动表示如下：
其中，Nnodes为系统节点总数；Vj(t)为j节点在t时刻的电压；
为j节点在T时段内的平均电压。
应说明的是，储能系统的选址定容规划中考虑了电网的电压质量，用每日的电压波动表示。
S2：利用多目标花朵授粉算法，对所述储能系统进行最优选址定容，获得相应储能系统选址定容数据；
更进一步的，初始化算法相关参数。
应说明的是，当前迭代次数t＝O；最大迭代次数tmax＝300；通过多次迭代能够在保证算法收敛的速度的同时保证算法的计算精度。
更进一步的，计算所有个体的适应度值：将从电-氢混合储能设备的容量，其在电网中的安装位置与每台储能系统一天内的充放电功率作为多目标花朵授粉算法的输入，通过上述公式将其转换为储能系统的全生命周期成本并通过Matpower计算出其余目标函数的适应度值。
更进一步的，根据适应度值确定当前最优解。
更进一步的，根据确定的搜索机制进行搜索。
更进一步的，搜索阶段：首先规定四条花朵授粉规则。
应说明的是，生物的交叉授粉可被视做全局授粉过程，并且传粉者以一种服从Lvy飞行方式进行交叉授粉；非生物的自花授粉被认为是局部授粉过程。
还应说明的是，花的常性(两朵相邻的花更容易授粉)可以被认为是一种繁衍概率，这种概率被认为与两朵相关联花朵的相似性是成比例的；局部授粉和全局授粉之间通过一个转换概率进行转换。
更进一步的，以上四条规则可以转换为相应的数学公式进行描述。在全局阶段，花粉可以被授粉者以一种Lévy飞行机制传播到不同的地点。这种授粉方式可以通过下式进行描述：
其中，和分别为算法第代和第代的解；为当前种群中的最优解。
应说明的是，是与授粉强度相关的参数，实质上相当于是基于Lévy飞行方式的步长参数，L(λ)的计算公式如下：
式中，λ为3/2；Γ(λ)为标准伽马函数。
更进一步的，局部授粉过程以及花的常性可以通过下式进行描述：
其中，
和
分别为算法第t代和第t+1代的解，
和
是从种群内部随机选择的异于
的解，∈是一个服从(0，1)均匀分布的随机数。
更进一步的，具有个目标的多目标优化问题一般可以写成：
min{f1(x)，f1(x)，...，fm(x)} (23)
应说明的是，本发明解决多目标问题的方法是使用加权将多个目标组合成一个复合的单个目标：
其中，m是目标数，wi(i＝1，2，...，m)是非负权重系数。
更进一步的，判断多目标花朵授粉算法是否迭代结束进而收敛
应说明的是，如果t≥tmax，则多目标花朵授粉算法迭代结束，算法收敛，输出最优解(即选址定容结果)；否则，返回重复上述步骤。
S3：将所述储能系统选址定容数据代入目标函数中检测配置效果；
S4：基于上述步骤建立多目标优化模型，进行迭代，达到所述算法收敛条件，输出最优配置方案。
应说明的是，多目标优化模型如下：
其中，F(x)由目标函数F1，F2，F3，F4，F5组成，分别为电池储能系统和氢气储能系统的LCC、每日的网损、联络线交换功率波动，电压波动与负荷波动；表示由优化变量构成的决策空间，即电池储能系统和氢气储能系统的最优布局、容量和每小时的功率；为模型需要满足的约束条件。
实施例2
参照图1～3，为本发明的一个实施例，提供了基于多目标花朵授粉算法的电氢混合储能优化配置方法，为了验证本发明的有益效果，通过实验进行科学论证。
(1)建立电池储能系统/氢气储能系统配置模型和目标函数；
综合考虑负荷、风电和光伏典型日曲线的相关性，通过场景组合得到4种聚类场景。
(2)利用多目标花朵授粉算法进行储能系统最优选址定容；
设置最大迭代次数为300，种群规模为30。
(3)将储能系统选址定容数据代入目标函数中检测配置效果。
计算得出多目标花朵授粉算法可以减小26％的全生命周期成本与负荷标准差、11％的网损与联络线功率偏差以及8％的电压波动。并且单独接入氢气储能系统后系统的网损减小了11％、联络线功率波动与负荷波动减小了9％、并减小了5％的电压波动。且两台氢气储能系统的全生命周期成本只占电-氢混合储能系统总全生命周期成本的14％。
由此可知，本发明所提出的基于多目标花朵授粉算法的电氢混合储能优化配置方法能够有效的降低全生命周期成本，减少电网损耗，维持配电网的稳定运行。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.基于多目标花朵授粉算法的电氢混合储能优化配置方法，其特征在于：包括，
基于储能系统的相关参数及约束条件，建立储能系统配置模型和目标函数；
利用多目标花朵授粉算法，对所述储能系统进行最优选址定容，获得相应储能系统选址定容数据；
将所述储能系统选址定容数据代入目标函数中检测配置效果；
基于上述步骤建立多目标优化模型，进行迭代，达到所述算法收敛条件，输出最优配置方案。
2.如权利要求1所述的基于多目标花朵授粉算法的电氢混合储能优化配置方法，其特征在于：所述储能系统包括电池储能系统和氢气储能系统。
3.如权利要求2所述的基于多目标花朵授粉算法的电氢混合储能优化配置方法，其特征在于：所述储能系统的约束条件包括，全生命周期成本、系统网损、联络线功率偏差、负荷波动和电压波动。
4.如权利要求2所述的基于多目标花朵授粉算法的电氢混合储能优化配置方法，其特征在于：所述储能系统的约束条件还包括，
全生命周期成本表示如下：
其中，LCC表示全生命周期成本，BESSs表示电池储能系统，HESSs表示氢气储能系统，TCC表示总投资成本，MC表示维护成本、OC表示运行成本、RC表示更换成本、DRC表示处置和回收成本，下标B与H分别表示电池储能系统与氢气储能系统状态下的相关成本；
系统网损表示如下：
其中，L是联络线总数；Rj表示第j条联络线上的电阻；Ij(t)为t时刻第j条联络线上的电流；
联络线交换功率偏差表示如下：
其中，PTie-line(t)代表t时刻电网的联络线交换功率偏差；
表示一天内的平均功率交换偏差；
负荷波动表示如下：
其中，Pload(t)，Ppv(t)和Pwind(t)分别为t时段内的系统负荷，光伏以及风电出力；
电压波动表示如下：
式中，Nnodes为系统节点总数；Vj(t)为j节点在t时刻的电压；
为j节点在T时段内的平均电压。
5.如权利要求1或4所述的基于多目标花朵授粉算法的电氢混合储能优化配置方法，其特征在于：所述储能系统进行最优选址定容包括，
初始化算法相关参数；
计算所有个体的适应度值；
根据适应度值确定当前最优解；
建立四条花朵授粉搜索规则，根据确定的搜索机制进行搜索；
判断多目标花朵授粉算法是否迭代结束进而收敛。
6.如权利要求5所述的基于多目标花朵授粉算法的电氢混合储能优化配置方法，其特征在于：所述适应度值通过全生命周期成本目标函数、系统网损目标函数、联络线交换功率偏差目标函数、负荷波动目标函数、电压波动目标函数分别进行求解。
7.如权利要求5所述的基于多目标花朵授粉算法的电氢混合储能优化配置方法，其特征在于：所述四条花朵授粉搜索规则包括，
生物的交叉授粉可被视做全局授粉过程，并且传粉者以一种服从Lévy飞行方式进行交叉授粉；
非生物的自花授粉被认为是局部授粉过程；
两朵相邻的花更容易授粉是花的常性，可以被认为是一种繁衍概率，这种概率被认为与两朵相关联花朵的相似性是成比例的；
局部授粉和全局授粉之间通过一个转换概率进行转换。
8.如权利要求7所述的基于多目标花朵授粉算法的电氢混合储能优化配置方法，其特征在于：所述全局授粉方式可以通过下式进行描述，
其中，
和
分别为算法第t代和第t+1代的解，g*为当前种群中的最优解，L(λ)是与授粉强度相关的参数，实质上相当于是基于Lévy飞行方式的步长参数；
L(λ)的计算公式如下：
式中，λ为3/2，Γ(λ)为标准伽马函数。
9.如权利要求7所述的基于多目标花朵授粉算法的电氢混合储能优化配置方法，其特征在于：所述局部授粉过程以及花的常性可以通过下式进行描述，
式中，
和
分别为算法第t代和第t+1代的解，
和
是从种群内部随机选择的异于
的解，∈是一个服从(0,1)均匀分布的随机数。
10.如权利要求9所述的基于多目标花朵授粉算法的电氢混合储能优化配置方法，其特征在于：所述多目标优化模型包括，
多目标优化模型如下：
式中，F(x)由目标函数F1,F2,F3,F4,F5组成，分别为电池储能系统和氢气储能系统的LCC、每日的网损、联络线交换功率波动，电压波动与负荷波动；x表示由优化变量构成的决策空间，即电池储能系统和氢气储能系统的最优布局、容量和每小时的功率；H(x)为模型需要满足的约束条件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210963953.2A CN115169157A (zh) | 2022-08-11 | 2022-08-11 | 基于多目标花朵授粉算法的电氢混合储能优化配置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210963953.2A CN115169157A (zh) | 2022-08-11 | 2022-08-11 | 基于多目标花朵授粉算法的电氢混合储能优化配置方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115169157A true CN115169157A (zh) | 2022-10-11 |
Family
ID=83479298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210963953.2A Pending CN115169157A (zh) | 2022-08-11 | 2022-08-11 | 基于多目标花朵授粉算法的电氢混合储能优化配置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115169157A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115378053A (zh) * | 2022-10-25 | 2022-11-22 | 华能国际电力江苏能源开发有限公司清洁能源分公司 | 一种新能源电站储能融合系统 |
| CN117477615A (zh) * | 2023-12-28 | 2024-01-30 | 国网浙江省电力有限公司电力科学研究院 | 一种电-氢复合储能系统最优配置方法及设备 |
-
2022
- 2022-08-11 CN CN202210963953.2A patent/CN115169157A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115378053A (zh) * | 2022-10-25 | 2022-11-22 | 华能国际电力江苏能源开发有限公司清洁能源分公司 | 一种新能源电站储能融合系统 |
| CN117477615A (zh) * | 2023-12-28 | 2024-01-30 | 国网浙江省电力有限公司电力科学研究院 | 一种电-氢复合储能系统最优配置方法及设备 |
| CN117477615B (zh) * | 2023-12-28 | 2024-03-26 | 国网浙江省电力有限公司电力科学研究院 | 一种电-氢复合储能系统最优配置方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886473B (zh) | 一种考虑下游生态的流域风光水系统多目标优化调度方法 | |
| Zhu | Optimization of power system operation | |
| CN115169157A (zh) | 基于多目标花朵授粉算法的电氢混合储能优化配置方法 | |
| Kunya et al. | Review of economic dispatch in multi-area power system: State-of-the-art and future prospective | |
| Shi et al. | Impacts of photovoltaic/wind turbine/microgrid turbine and energy storage system for bidding model in power system | |
| Haghifam et al. | Optimal location and sizing of HV/MV substations in uncertainty load environment using genetic algorithm | |
| Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
| CN112036611B (zh) | 一种计及风险的电网优化规划方法 | |
| CN106487005A (zh) | 一种考虑输配电价的电网规划方法 | |
| Salehizadeh et al. | Application of fuzzy Q-learning for electricity market modeling by considering renewable power penetration | |
| CN111639870A (zh) | 考虑源荷不确定性的输电网多目标柔性规划方法及系统 | |
| CN105719015A (zh) | 一种基于pepso的分布式电源优化选址定容方法 | |
| CN109066692A (zh) | 一种分布式能源接入的电力网络潮流优化方法 | |
| Ramezanzade et al. | A new hybrid decision-making framework to rank power supply systems for government organizations: A real case study | |
| Li et al. | Optimal planning of Electricity–Hydrogen hybrid energy storage system considering demand response in active distribution network | |
| Bandopadhyay et al. | Application of hybrid multi-objective moth flame optimization technique for optimal performance of hybrid micro-grid system | |
| Zhang et al. | Improved MOEA/D approach to many-objective day-ahead scheduling with consideration of adjustable outputs of renewable units and load reduction in active distribution networks | |
| CN113128786B (zh) | 一种基于空间网格搜索的风光水互补容量与选址优化方法 | |
| CN115640963A (zh) | 一种考虑投资运营模式的海上风电接入系统鲁棒规划方法 | |
| Huang et al. | An efficient probabilistic approach based on area grey incidence decision making for optimal distributed generation planning | |
| Adetunji et al. | Category-based multiobjective approach for optimal integration of distributed generation and energy storage systems in distribution networks | |
| Cortés-Caicedo et al. | Optimization of BESS placement, technology selection, and operation in microgrids for minimizing energy losses and CO2 emissions: A hybrid approach | |
| Sharma et al. | Sizing a hybrid hydrogen production plant including life cycle assessment indicators by combining NSGA-III and principal component analysis (PCA) | |
| Tyagi et al. | A comprehensive review of sizing and uncertainty modeling methodologies for the optimal design of hybrid energy systems | |
| Chen et al. | Review of multi-objective optimization in long-term energy system models |
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 |