CN115395547B - 基于整县光伏推进下的灵活储能系统优化配置方法 - Google Patents

Abstract

本发明属于配电网系统优化技术领域，具体涉及一种基于整县光伏推进下的灵活储能系统优化配置方法，具体的步骤为分别建立固定式储能和移动储能的全寿命周期成本模型，精确计算两种储能的各项支出；对节点重要性和各项储能参数进行分析，构建基于随机森林算法的灵活储能系统分类模型，确定预安装节点的储能类型；以全寿命周期利润最大为目标函数，综合考虑各类约束条件，利用改进的粒子群算法和随机森林算法求解双层优化配置模型，解决现有储能装置在应对配电网复杂的源荷场景时可能会出现的利用率低下和储能运营商收益较低等问题。

Description

基于整县光伏推进下的灵活储能系统优化配置方法

技术领域

本发明属于配电网系统优化技术领域，具体涉及一种基于整县光伏推进下的灵活储能系统优化配置方法。

背景技术

分布式电源(distributed generation，DG)的大规模接入对配电网的消纳能力提出了更高要求，在新能源渗透率较高的区域易产生弃电现象。储能(energy storagesystems，ESS)作为一种拥有源-荷双重属性的灵活可调资源，兼具发出电能与消纳电能的作用，可解决新能源电能生产和消费不同步的问题。

传统的电化学储能装置接入地点一般不会改变，固定式储能(stationary energystorage systems，SESS)在应对不断变化的配电网源荷场景时可能存在利用率偏低的现象，压缩了运营商的正常盈利空间。移动式储能系统(mobile energy storage system，MESS)本是针对电力系统紧急事故研发的一种灵活性备用储能电源，但配电网需要应急供电的场景时长较短，电网正常运行时MESS闲置会造成资源浪费。鉴于MESS可移动性强、设备占地面积小、响应迅速等特点，近几年越来越多地区开始尝试利用MESS参与配电网的削峰填谷等活动。但在需要大功率大容量的配电网节点上SESS仍然占市场需求的主导地位，相同容量下MESS的投资运营成本也更加高昂，这些都是目前MESS无法完全替代SESS的重要原因。近些年电化学储能技术的快速发展明显削减了储能装置的成本，但目前储能的经济性仍然是限制其在电力系统中大规模应用的主要因素。因此，二者协同规划有望保障储能系统面向当前多变的配电网场景的应对能力，并提高其运行经济性。

发明内容

本发明的目的在于针对现有技术中存在的问题提供一种基于整县光伏推进下的灵活储能系统优化配置方法，以解决现有储能装置在应对配电网复杂的源荷场景时可能会出现的利用率低下和储能运营商收益较低等问题。

本发明的技术方案是：

基于整县光伏推进下的灵活储能系统优化配置方法，分别建立固定式储能和移动储能的全寿命周期成本模型，精确计算两种储能的各项支出；对节点重要性和各项储能参数进行分析，构建基于随机森林算法的灵活储能系统分类模型，确定预安装节点的储能类型；综合考虑各类约束条件建立灵活储能系统优化配置双层模型，利用改进的粒子群算法和随机森林算法求解该灵活储能系统优化配置双层模型，利用改进的粒子群算法和随机森林算法求解双层优化配置模型，优化配置方法包括以下步骤：

S1、灵活储能系统优化配置双层模型的上层模型采用粒子群算法将储能各时段充放电功率和各节点选址变量作为粒子，各变量数值作为粒子的位置，并对种群中各粒子0时刻的位置和速度进行随机初始化；

S2、随机初始化SESS和MESS的地址位置、功率和容量，计算第一次迭代过程中的全寿命周期内储能利润F的数值，该利润为储能的全寿命周期成本与购售电收入的差值；

S3、以预规划利润为目标通过当前粒子位置计算各粒子适应度，预规划模型以储能净利润最大为目标，该利润为储能的购售电收入与估测的储能功率成本和容量成本之差，将各粒子的适应度和位置存储于该粒子的局部变量P_i,best中，并将所有P_best中适应度最小的粒子的位置存储于全局最优变量g_best；

S4、对粒子群算法各参数和变量进行更新；

S5、比较每个粒子的适应度和当前局部最优解，更新P_i,best；

S6、将当前所有P_best与g_best比较，更新g_best；

S7、判断当前迭代次数d是否小于最大迭代次数BG，其中B为上层模型迭代系数，上层模型每迭代G次便执行一次下层模型；若满足d＜BG，则进行下一个判断：d是否等于bG，其中b＝1,2,…,B；若不满足d＝bG，说明此时上层模型该轮迭代次数还未达到G次，模型将从S3处继续执行；若满足d＝bG，将上层模型的g_best作为储能预分配的数据输入到下层模型，通过随机森林算法进行分类，输出SESS和MESS的地址位置、功率和容量，计算目标函数F，并将此时SESS和MESS的地址位置、功率、容量和F值存储于F_b中，接着清除粒子位置数据，重新进行初始化，执行步骤S2；

S8、当迭代次数达到BG时，比较B个F的数值并取其中最小值F_min，输出F_min对应的SESS和MESS的地址位置、功率和容量，即 作为优化模型的最终结果。

具体的，所述步骤S1中，粒子群算法考虑的约束条件为：

S11、FESS在安装和运行时其荷电状态、充放电功率、安装容量和选址变量约束；

S12、对优化灵活储能系统优化配置双层模型的全过程中线路潮流容量进行约束；

S13、FESS配置前后配电网网损约束；

S14、配电网络中各线路传输功率满足支路功率形式的交流潮流方程。

具体的，所述步骤S2中，全寿命周期内储能的利润最大化作为整个灵活储能系统优化配置双层模型的最终目标，由成本与购售电收入之差求最小值体现，通过F最小值的求解可以得到模型决策变量SESS和MESS的功率和容量的数值。

具体的，所述步骤S7中下层模型通过随机森林算法分类的具体方案为：

S71、确定储能规划方案构建FESS分类标准，包括：①节点度更大的节点优先安装SESS；②储能最大放电时长更小的节点安装SESS；③额定容量更大的节点安装安装SESS；

S72、加载数据，进行预处理，检查数据缺失情况，删除含有缺失值的样本，对变量类型进行修正；

S73、拆分样本数据，分别设定为训练集和测试集；

S74、设定参数数值，确定data、ntree(决策树颗数)和mtry(每个节点可供选择的变量数目)，对样本进行训练，将训练结果与测试集比较，观察袋外误差，和混淆矩阵，调试mtry的取值，模型预测准确率达到目标时证明模型具有较好分类能力；

S75、输入待分类观测点，进行预测分类，输出分类结果到上层模型中，包括执行第b次下层模型得到的SESS的位置功率/>容量/>和MESS的位置/>功率/>容量/>

传统储能SESS的接入位置固定，建设周期较长，投资成本和运维成本较高，当配电网源荷场景变化较大、储能提供的服务比较单一；配电网需要应急供电的场景时长较短，电网正常运行时MESS闲置会造成资源浪费，在需要大功率大容量的配电网节点上SESS仍然占市场需求的主导地位，相同容量下MESS的投资运营成本也更加高昂。

本发明的有益效果是：1.能够保证SESS和MESS在全寿命周期内利用购售电收益获得可观利润，混合规划方案在满足节点对储能充放电需求的基础上与单一配置SESS相比全寿命周期成本更低，有助于储能运营商做出更符合其利益诉求的投资决策；2.本发明的上层模型综合考虑了SESS和MESS的成本差异，与预规划模型的求解结果相比二者求解得到的利润值相差较大，下层模型分类后回代到上层模型计算的全寿命周期利润更加精确，结果相比于单纯考虑单位容量成本和单位功率成本更加可靠；3.本发明提出的以预规划方案为基础的随机森林分类模型分类效果良好，能够准确对各节点的储能安装类型进行分类，在满足节点能量需求的前提下使得SESS和MESS混合配置获得更大利润。

附图说明

图1是本发明灵活储能系统双层优化配置模型流程图。

具体实施方式

下面结合附图和具体实施例来对本发明进行详细的说明。

如图1所示为一种基于整县光伏推进下的灵活储能系统优化配置方法的配电网灵活储能系统(flexible energy storage systems，FESS)双层优化配置模型图。首先，分别建立固定式储能和移动储能的全寿命周期成本模型，精确计算两种储能的各项支出；对节点重要性和各项储能参数进行分析，构建基于随机森林算法的灵活储能系统分类模型，确定预安装节点的储能类型；综合考虑各类约束条件建立灵活储能系统优化配置双层模型，利用改进的粒子群算法和随机森林算法求解该灵活储能系统优化配置双层模型，所述优化配置方法具体包括以下步骤：

S1、灵活储能系统优化配置双层模型的上层模型采用粒子群算法将储能(此处不区分SESS和MESS)各时段充放电功率和各节点选址变量作为粒子，各变量数值作为粒子的位置，并对种群中各粒子0时刻的位置和速度进行随机初始化；

S2、随机初始化SESS和MESS的地址位置、功率和容量，计算第一次迭代过程中的全寿命周期内储能利润F的数值；

S3、以预规划利润为目标通过当前粒子位置计算各粒子适应度。将各粒子的适应度和位置存储于该粒子的局部变量P_i,best中，并将所有P_best中适应度最小的粒子的位置存储于全局最优变量g_best；

S4、对粒子群算法各参数和变量进行更新；

S5、比较每个粒子的适应度和当前局部最优解，更新P_i,best；

S6、将当前所有P_best与g_best比较，更新g_best；

S7、判断当前迭代次数d是否小于最大迭代次数BG，其中B为上层模型迭代系数，上层模型每迭代G次便执行一次下层模型。若满足d＜BG，则进行下一个判断：d是否等于bG。其中b＝1,2,…,B。若不满足d＝bG，说明此时上层模型该轮迭代次数还未达到G次，模型将从S3处继续执行。若满足d＝bG，将上层模型的g_best作为储能预分配的数据输入到下层模型，通过随机森林算法进行分类，输出SESS和MESS的地址位置、功率和容量，计算目标函数F，并将此时SESS和MESS的地址位置、功率、容量和F值存储于F_b中，接着清除粒子位置数据，重新进行初始化，执行S2。

S8、当迭代次数达到BG时，比较B个F的数值并取其中最小值F_min，输出F_min对应的SESS和MESS的地址位置、功率和容量，即 作为优化模型的最终结果。

所述步骤S1中，粒子群算法考虑的约束条件为：

S11、FESS在安装和运行时其荷电状态、充放电功率、安装容量和选址变量等参数需满足SOC_min≤SOC(t)≤SOC_max、

其中SOC(t)为t时刻储能的荷电状态，/>为第i个储能的额定容量，/>为第i个储能t时刻的容量值，SOC_max和SOC_min分别为荷电状态上下限，δ为电池单位时间的漏电比例系数，η_ch为电池的充电效率，η_dc为放电效率，Δt表示相邻调度时间间隔。将循环功率/>用于表示储能在t时刻吸收或注入的功率，此时/>表示的功率在数值上与容量相等。/>为日储能循环功率上限。x_i为储能的选址变量；

S12、全过程中线路潮流不应超过其容量限制-S_line,ij≤P_line,ij,t≤S_line,ij，其中P_line,ij,t为t时刻节点i流向节点j的有功功率，S_line,ij为节点i到节点j的线路容量；

S13、FESS配置前后配电网网损P_loss和节点i电压不应超过上限即/>

S14、支路功率形式的交流潮流方程为

其中G_ij和B_ij为线路单位长度的电导和电纳，v_i为节点i的电压幅值，θ_ij为节点i与节点j之间的电压相角，P_ij和Q_ij分别为节点i流向节点j的有功功率和无功功率。

所述步骤S2中，全寿命周期内储能的利润最大化作为整个规划模型的最终目标，由成本与购售电收入之差求最小值体现：

表达式内各变量的计算过程为：

S21、SESS成本模型由固定投资成本

更新替换成本运行维护成本回收残值/>四项构成，其中其中c_E为电池单位容量价格，c_B为辅助设施的单位容量价格，c_P为单位功率价格，n为项目周期，γ为折现率，m为SESS的数量，k为电池的更新替换次数；v为SESS电池的寿命；c_t为单位功率变流器的更新替换成本；β为蓄电池投资成本的年平均下降率；c_d为单位功率的处理成本，c_f为单位功率运维成本，c_rec为回收率；

S22、MESS成本由固定投资成本

更新替换成本运行维护成本回收残值/>四项构成，其中b为MESS的数量，n_truck为卡车数量，c_truck为单辆卡车的价格，n_s为车站数量，c_s为每个车站的建造价格，卡车的定期维护成本、司机工资和燃料成本年费用合并为c_sf。

S23、为所有储能的购售电净收入。通过F最小值的求解可以得到模型决策变量SESS和MESS的功率和容量的数值。

所述步骤S7中下层模型通过随机森林算法分类的具体方案为：

S71、确定储能规划方案构建FESS分类标准，其中包括：①节点度更大的节点优先安装SESS，②储能最大放电时长更小的节点安装SESS，③额定容量更大的节点安装安装SESS；

S72、加载数据，进行预处理，检查数据缺失情况，删除含有缺失值的样本，对变量类型进行修正；

S73、拆分样本数据，分别设定为训练集和测试集；

S74、设定参数数值，确定data、ntree(决策树颗数)和mtry(每个节点可供选择的变量数目)，对样本进行训练，将训练结果与测试集比较，观察袋外误差，和混淆矩阵，调试mtry的取值。模型预测准确率达到目标时证明模型具有较好分类能力；

S75、输入待分类观测点，进行预测分类，输出分类结果到上层模型中，包括执行第b次下层模型得到的SESS的位置功率/>容量/>和MESS的位置/>功率容量/>

本发明提出的以预规划方案为基础的随机森林分类模型分类效果良好，能够准确对各节点的储能安装类型进行分类，在满足节点能量需求的前提下使得SESS和MESS混合配置获得更大利润。

最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。

Claims (4)

1.基于整县光伏推进下的灵活储能系统优化配置方法，其特征在于，分别建立固定式储能和移动储能的全寿命周期成本模型，精确计算两种储能的各项支出；对节点重要性和各项储能参数进行分析，构建基于随机森林算法的灵活储能系统分类模型，确定预安装节点的储能类型；以全寿命周期利润最大为目标函数，综合考虑各类约束条件建立灵活储能系统优化配置双层模型，利用改进的粒子群算法和随机森林算法求解该灵活储能系统优化配置双层模型，优化配置方法包括以下步骤：

S1、灵活储能系统优化配置双层模型的上层模型采用粒子群算法将储能各时段充放电功率和各节点选址变量作为粒子，各变量数值作为粒子的位置，并对种群中各粒子0时刻的位置和速度进行随机初始化；

S2、随机初始化SESS和MESS的地址位置、功率和容量，计算第一次迭代过程中的全寿命周期内储能利润F的数值，该利润为储能的全寿命周期成本与购售电收入的差值；

S3、以预规划利润为目标通过当前粒子位置计算各粒子适应度，预规划模型以储能净利润最大为目标，该利润为储能的购售电收入与估测的储能功率成本和容量成本之差，将各粒子的适应度和位置存储于该粒子的局部变量P_i,best中，并将所有P_best中适应度最小的粒子的位置存储于全局最优变量g_best；

S4、对粒子群算法各参数和变量进行更新；

S5、比较每个粒子的适应度和当前局部最优解，更新P_i,best；

S6、将当前所有P_best与g_best比较，更新g_best；

S7、判断当前迭代次数d是否小于最大迭代次数BG，其中B为上层模型迭代系数，上层模型每迭代G次便执行一次下层模型；若满足d＜BG，则进行下一个判断：d是否等于bG，其中b＝1,2,…,B；若不满足d＝bG，说明此时上层模型该轮迭代次数还未达到G次，模型将从S3处继续执行；若满足d＝bG，将上层模型的g_best作为储能预分配的数据输入到下层模型，通过随机森林算法进行分类，输出SESS和MESS的地址位置、功率和容量，计算目标函数F，并将此时SESS和MESS的地址位置、功率、容量和F值存储于F_b中，接着清除粒子位置数据，重新进行初始化，执行步骤S2；

S8、当迭代次数达到BG时，比较B个F的数值并取其中最小值F_min，输出F_min对应的SESS和MESS的地址位置、功率和容量，即 作为优化模型的最终结果。

2.根据权利要求1所述基于整县光伏推进下的灵活储能系统优化配置方法，其特征在于，所述步骤S1中，粒子群算法考虑的约束条件为：

S11、FESS在安装和运行时其荷电状态、充放电功率、安装容量和选址变量约束；

S12、对优化灵活储能系统优化配置双层模型全过程中线路潮流容量进行约束；

S13、FESS配置前后配电网网损约束；

S14、配电网络中各线路传输功率满足支路功率形式的交流潮流方程。

3.根据权利要求1所述基于整县光伏推进下的灵活储能系统优化配置方法，其特征在于，所述步骤S2中，全寿命周期内储能的利润最大化作为整个灵活储能系统优化配置双层模型的最终目标，由成本与购售电收入之差求最小值体现，通过F最小值的求解可以得到模型决策变量SESS和MESS的功率和容量的数值。

4.根据权利要求1所述基于整县光伏推进下的灵活储能系统优化配置方法，其特征在于，所述步骤S7中下层模型通过随机森林算法分类的具体方案为：

S71、确定储能规划方案构建FESS分类标准，包括：①节点度更大的节点优先安装SESS；②储能最大放电时长更小的节点安装SESS；③额定容量更大的节点安装安装SESS；

S72、加载数据，进行预处理，检查数据缺失情况，删除含有缺失值的样本，对变量类型进行修正；

S73、拆分样本数据，分别设定为训练集和测试集；

S74、设定参数数值，确定data、ntree(决策树颗数)和mtry(每个节点可供选择的变量数目)，对样本进行训练，将训练结果与测试集比较，观察袋外误差，和混淆矩阵，调试mtry的取值，模型预测准确率达到目标时证明模型具有较好分类能力；

S75、输入待分类观测点，进行预测分类，输出分类结果到上层模型中，包括执行第b次下层模型得到的SESS的位置功率/>容量/>和MESS的位置/>功率/>容量/>