CN115603342B - 一种计及源网协同的微电网中混合储能规划方法及系统 - Google Patents
一种计及源网协同的微电网中混合储能规划方法及系统 Download PDFInfo
- Publication number
- CN115603342B CN115603342B CN202211611692.4A CN202211611692A CN115603342B CN 115603342 B CN115603342 B CN 115603342B CN 202211611692 A CN202211611692 A CN 202211611692A CN 115603342 B CN115603342 B CN 115603342B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power
- wind
- frequency
- output
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 329
- 238000000034 method Methods 0.000 title claims abstract description 143
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 230000014509 gene expression Effects 0.000 claims description 18
- 230000000087 stabilizing effect Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000000356 contaminant Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000003344 environmental pollutant Substances 0.000 claims description 2
- 231100000719 pollutant Toxicity 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 238000001914 filtration Methods 0.000 abstract description 4
- 230000009471 action Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 239000003990 capacitor Substances 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000007599 discharging Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012983 electrochemical energy storage Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241001137251 Corvidae Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
-
- 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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/28—The renewable source being wind 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Wind Motors (AREA)
Abstract
本发明公开一种计及源网协同的微电网中混合储能规划方法及系统，方法包括：通过风光的出力数据和负荷的需求数据获取HESS的原始出力数据信号，对原始信号进行EMD分解得到预处理得到的若干个IMF信号，采用希尔伯特变换和本发明提出的动态滑窗搜索滤波方法对IMF信号进行精细化的处理，剔除高频IMF信号中混杂的低频信号，得到最后的处理的高频和低频出力信号。在EMD分解的基础上结合动态滑窗滤波对出力信号进行精细处理，得到更为细致的储能装置出力信号，提高储能装置的使用寿命和功率规划分配的准确性。
Description
技术领域
本发明属于混合储能技术领域，尤其涉及一种计及源网协同的微电网中混合储能规划方法及系统。
背景技术
在微电网的运行优化的过程中，由于可再生能源的波动性影响，导致部分能源过剩而无法消纳。随着储能技术的发展，可再生能源的消纳问题得到了极大的改善，但由于单一储能功能的局限，比如超级电容储能能够快速响应可再生能源的波动信号，对可再生能源出力波动有较好的平抑能力，但是其建设成本和维护成本都比较昂贵，因此无法建设大规模的超级电容储能电站，相比之下，蓄电池等电化学储能的建设成本和维护成本较低，可大规模运用，但电化学储能的响应速度较慢，不能满足较快的功率波动。综合单一储能装置的优势，混合储能的概念由此诞生。
针对目前混合储能的研究现状，对于混合储能内部的功率型和能量型储能的功率规划问题是当前研究的热点问题，目前对于此问题，大多学者直接采用EMD分解的方法对原始输出功率信号进行分解，没有考虑分解产生的IMF信号中还含有波动频率较慢的低频信号，这些信号会导致HESS内功率型储能对一些不必要的波动进行动作，降低了HESS的稳定性和使用寿命。对HESS内的功率分配直接采用处理后的信号值，导致配置的储能装置功率和容量偏大，没有完全使用，提高了储能装置的投资成本。并且没有综合考虑环境的保护效益以及风电的消纳能力。
发明内容
本发明提供一种计及源网协同的微电网中混合储能规划方法及系统，用于解决对HESS内的功率分配直接采用处理后的信号值，导致配置的储能装置功率和容量偏大的技术问题。
第一方面，本发明提供一种计及源网协同的微电网中混合储能规划方法，包括：步骤1，获取用于平抑风光出力波动的源侧混合储能输出功率、负荷需求功率和平抑后的风光并网输出功率；步骤2，对所述源侧混合储能输出功率进行经验模态分解得到代表不同频率的至少一个IMF信号，通过希尔伯特变换得到与所述至少一个IMF信号相对应的至少一个平均频率；步骤3，基于预设的频率分界点与所述至少一个平均频率比较，将所述至少一个IMF信号分为至少一个高频IMF信号和至少一个低频IMF信号，并对至少一个高频IMF信号进行迭加得到源侧混合储能中功率型储能的规划出力，对至少一个低频IMF信号进行迭加得到源侧混合储能中容量型储能的规划出力；步骤4，根据源侧混合储能中功率型储能的规划出力和源侧混合储能中容量型储能的规划出力、平抑后的风光并网输出功率以及负荷需求功率建立模糊控制模型，其中，所述模糊控制模型包括第一模糊控制器和第二模糊控制器，所述第一模糊控制器的设置规则为：以容量型储能的荷电状态、容量型储能的荷电状态变化量和平抑后的风光出力与负荷需求功率的差值作为第一模糊控制器的输入，输出为混合储能中容量型储能的输出功率；所述第二模糊控制器的设置规则为以功率型储能的荷电状态、功率型储能的荷电状态变化量和与容量型储能的输出功率的差值作为第二模糊控制器的输入，输出为混合储能中功率型储能的输出功率；步骤5，以储能的投资成本、系统的运行成本、环境保护成本和风光出力消纳率为寻优目标函数对所述模糊控制模型的参数进行优化，得到更新后的模糊控制模型；步骤6，将各个储能的荷电状态、所述源侧混合储能输出功率和所述风光并网输出功率输入至更新后的模糊控制模型，并基于改进的乌鸦算法对更新后的模糊控制模型进行求解，得到源网侧的混合储能规划容量和功率。
第二方面，本发明提供一种计及源网协同的微电网中混合储能规划系统，包括：获取模块，配置为获取用于平抑风光出力波动的源侧混合储能输出功率、负荷需求功率和平抑后的风光并网输出功率；变换模块，配置为对所述源侧混合储能输出功率进行经验模态分解得到代表不同频率的至少一个IMF信号，通过希尔伯特变换得到与所述至少一个IMF信号相对应的至少一个平均频率；比较模块，配置为基于预设的频率分界点与所述至少一个平均频率比较，将所述至少一个IMF信号分为至少一个高频IMF信号和至少一个低频IMF信号，并对至少一个高频IMF信号进行迭加得到源侧混合储能中功率型储能的规划出力，对至少一个低频IMF信号进行迭加得到源侧混合储能中容量型储能的规划出力；建立模块，配置为根据源侧混合储能中功率型储能的规划出力和源侧混合储能中容量型储能的规划出力、平抑后的风光并网输出功率以及负荷需求功率建立模糊控制模型，其中，所述模糊控制模型包括第一模糊控制器和第二模糊控制器，所述第一模糊控制器的设置规则为：以容量型储能的荷电状态、容量型储能的荷电状态变化量和平抑后的风光出力与负荷需求功率的差值作为第一模糊控制器的输入，输出为混合储能中容量型储能的输出功率；所述第二模糊控制器的设置规则为以功率型储能的荷电状态、功率型储能的荷电状态变化量和与容量型储能的输出功率的差值作为第二模糊控制器的输入，输出为混合储能中功率型储能的输出功率；优化模块，配置为以储能的投资成本、系统的运行成本、环境保护成本和风光出力消纳率为寻优目标函数对所述模糊控制模型的参数进行优化，得到更新后的模糊控制模型；求解模块，配置为将各个储能的荷电状态、所述源侧混合储能输出功率和所述风光并网输出功率输入至更新后的模糊控制模型，并基于改进的乌鸦算法对更新后的模糊控制模型进行求解，得到源网侧的混合储能规划容量和功率。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的计及源网协同的微电网中混合储能规划方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的计及源网协同的微电网中混合储能规划方法的步骤。
本申请的计及源网协同的微电网中混合储能规划方法及系统，具有以下有益效果：
1、采用EMD对信号进行第一步的分解，可以利用EMD不需要选择初始条件的优势，对原始信号进行客观的分解，再在EMD分解的基础上结合动态滑窗滤波对出力信号进行精细处理，得到更为细致的储能装置出力信号，提高储能装置的使用寿命和功率规划分配的准确性；
2、将处理得到的高频信号分配给功率型储能，但对于处理得到的低频信号，采用能量型储能和外电网购售电共同作用，相比于传统的HESS功率规划，运用能量型储能和外电网购售电共同作用，可以减少能量型储能的建设容量，以及提高能量型储能的使用寿命，提高微电网运行的整体经济性；
3、采用改进的的乌鸦寻优算法，引入乌鸦首领、受领导的乌鸦和不受领导的乌鸦的概念，利用群体思想，集中部分在历史最优位置附近的粒子去寻找目标函数的最优值，提高寻优的速度，并且对不受领导的粒子沿用传统乌鸦搜索算法更新粒子的位置，保证了改进算法的寻优范围，避免陷入局部最优。提高对多目标优化函数的求解准确性，得到更为准确的混合储能最优运行规划方案。
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一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种计及源网协同的微电网中混合储能规划方法的流程图；
图2为本发明一实施例提供的基于改进乌鸦搜索算法的智能模糊优化控制流程图；
图3为本发明一实施例提供的第一模糊控制器的模糊控制规则折线图；
图4为本发明一实施例提供的第二模糊控制器的模糊控制规则折线图；
图5为本发明一实施例提供的一种计及源网协同的微电网中混合储能规划系统的结构框图；
图6是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
请参阅图1，其示出了本申请的一种计及源网协同的微电网中混合储能规划方法的流程图。
如图1所示，本发明实现基计及源网协同的微电网中混合储能规划方法具体包括步骤1-步骤6。
步骤1，获取用于平抑风光出力波动的源侧混合储能输出功率、负荷需求功率和平抑后的风光并网输出功率。
在本实施例中，获取风光出力数据，结合风光出力并网限制和所述风光出力数据中的风光输出功率得到用于平抑风光出力波动的源侧混合储能输出功率和平抑后的风光并网输出功率，其中，计算所述源侧混合储能输出功率的表达式为：
，
式中， 为t时刻用于平抑风光出力波动的源侧混合储能输出功率，为t时刻风光并网输出功率，为时刻风光并网输出功率，为风光出力的采样间隔，为风光并网波动率的最大限制，为风光机组的装机容量，为t时刻风光出力的波动率。
具体地，计算t时刻风光并网输出功率的表达式为：
，
式中，为t时刻光伏输出功率，为t时刻风电输出功率；
计算t时刻风光出力的波动率的表达式为：
，
式中，为时刻风光并网输出功率。
步骤2，对所述源侧混合储能输出功率进行经验模态分解得到代表不同频率的至少一个IMF信号，通过希尔伯特变换得到与所述至少一个IMF信号相对应的至少一个平均频率。
在实施例中，步骤2.1：输入源侧混合储能输出功率的原始信号，找到原始信号的局部极大值和局部极小值，采用三次样条差值函数计算所有范围函数，得到极大值包络线和极小值包络线；
步骤2.2：计算得到平均包络线：
，
式中，为第个IMF信号第i次迭代的平均包络线；
步骤2.3：计算下一次输入的信号：
,
步骤2.4：判断是否符合IMF标准；若符合，则从原始信号中移除，计算新的残差信号，其中，计算新的残差信号的表达式为：
，
式中，为第k个残差信号；
若不符合，则将作为初始输入信号，重复步骤2.2、步骤2.3过程，直到符合IMF标准；
步骤2.5：完成原始信号的EMD分解：
将残差信号作为新的输入信号，即回到步骤2.1过程中，令，继续进行步骤2.2-步骤2.5过程，将过程中得到的作为IMF信号，分解得到的个IMF信号的表达式为：
,
式中，为第N个残差信号；
步骤2.6：对EMD分解得到的各个IMF信号进行希尔伯特变换：
，
式中，为第个IMF信号，为希尔伯特变换函数，为积分变量；
步骤2.7：计算第个IMF信号的瞬时相位，其表达式为：
，
步骤2.8：计算第个IMF信号的瞬时频率，其表达式为：
，
根据瞬时频率计算第个IMF信号的平均频率，其表达式为：
，
式中，为第个IMF信号的平均频率，为总时间间隔。
步骤3，基于预设的频率分界点与所述至少一个平均频率比较，将所述至少一个IMF信号分为至少一个高频IMF信号和至少一个低频IMF信号，并对至少一个高频IMF信号进行迭加得到源侧混合储能中功率型储能的规划出力，对至少一个低频IMF信号进行迭加得到源侧混合储能中容量型储能的规划出力。
在本实施例中，基于预设频率阈值对至少一个高频IMF信号和至少一个低频IMF信号中的各个瞬时频率进行比较，使得到不包含低于预设频率阈值的瞬时频率的至少一个高频IMF信号和不包含高于预设频率阈值的瞬时频率至少一个低频IMF信号。
需要说明的是，其中，预设频率阈值的设置过程为：
根据深层神经网络算法对IMF信号中的各个瞬时频率与混合储能出力的对应关系进行训练，得到神经网络模型，其中，所述神经网络模型中包含瞬时频率与混合储能出力的对应关系；
将至少一个高频IMF信号和至少一个低频IMF信号输入至神经网络模型中，使所述神经网络模型基于某一频率阈值对信号中的各个瞬时频率进行自适应分类；
计算频率阈值时的混合储能配置成本，改变频率阈值，得到新的频率分界点的配置成本，比较得到最优的频率阈值，即为预设阈值，其中，计算频率分界点时的混合储能配置成本的表达式为：
，
式中，为频率分界点时的混合储能配置成本，分别为功率型和能量型储能的单位功率投资成本，分别为功率型和能量型储能的单位功率维护成本，分别为功率型和能量型储能的额定功率，为年资本利率，分别为功率型和能量型储能的生命周期，分别为功率型储能和能量型储能的建设台数。
具体地，训练环境为对于一个IMF信号，通过希尔伯特变换计算得到IMF信号中各时刻的瞬时频率，假设IMF信号的采样时间为T，即IMF信号各时刻的瞬时频率为。若训练系统判断错误或者时间达到T，则训练结束。智能体的状态为1维的向量，且为离散的，动作空间大小为2，具体可以表示为表1和表2。在训练的过程中，每坚持1个时刻，智能体就能获得分数为1的奖励，坚持的时间越长，最后的分数越高，坚持时间T则可得到最大得分。
,
.
设置训练环境中得到的动作价值，计算公式为：
，
式中，为T时刻的动作得分，为第T-1次的回报折扣率，为第t次的状态，为状态集合，为第t次的动作，为动作集合，为求期望。
动作价值的更新规则为：
，
式中，为第二套参数条件下的动作价值，为第二套参数下的状态集合，为第二套参数下的动作集合；
DQN算法的最终更新目标式让逼近。由于时序差分（temporal different，TD）误差目标本身就包含神经网络的输出，因此在更新网络参数的同时目标也在不断地改变，这非常容易造成神经网络训练的不稳定性。为了解决这一问题，DQN便使用了目标网络（target network)的思想：既然训练过程中Q网络的不断更新会导致目标不断发生改变，不如暂时先将TD目标中的Q网络固定住。为了实现这一思想，需要利用两套Q网络。
训练网络的损失函数为：
，
式中，为目标网络中的参数，为目标动作价值。
如果两套网络中的参数随时保持一致，则仍为原先不够稳定的算法，为了让更新目标更加稳定，目标网格并不会每一步都更新。具体而言，目标网格使用训练网格的一套较旧的参数，训练网格在训练中每一步都会更新，而目标网格的参数每隔一定步数才会与训练网格同步一次，即。这样使得目标网格相对于训练网络更加稳定。
训练系统的最终结果为每次都能对IMF各时刻的瞬时频率做出正确的混合储能出力判断。
步骤4，根据源侧混合储能中功率型储能的规划出力和源侧混合储能中容量型储能的规划出力、平抑后的风光并网输出功率以及负荷需求功率建立模糊控制模型，其中，所述模糊控制模型包括第一模糊控制器和第二模糊控制器。
在本实施例中，第一模糊控制器的设置规则为：以容量型储能的荷电状态、容量型储能的荷电状态变化量和平抑后的风光出力与负荷需求功率的差值作为第一模糊控制器的输入，输出为混合储能中容量型储能的输出功率；
第二模糊控制器的设置规则为以功率型储能的荷电状态、功率型储能的荷电状态变化量和与容量型储能的输出功率的差值作为第二模糊控制器的输入，输出为混合储能中功率型储能的输出功率。
步骤5，以储能的投资成本、系统的运行成本、环境保护成本和风光出力消纳率为寻优目标函数对所述模糊控制模型的参数进行优化，得到更新后的模糊控制模型。
步骤6，将各个储能的荷电状态、所述源侧混合储能输出功率和所述风光并网输出功率输入至更新后的模糊控制模型，并基于改进的乌鸦算法对更新后的模糊控制模型进行求解，得到源网侧的混合储能规划容量和功率。
综上，本实施例的方法，通过风光的出力数据和负荷的需求数据获取HESS（HybridEnergy Storage System，混合储能系统）的原始出力数据信号，对原始信号进行EMD（Empirical Mode Decomposition，经验模态分解）分解得到预处理得到的若干个IMF（Intrinsic Mode Function，本征模态函数）信号，采用希尔伯特变换和本发明提出的动态滑窗搜索滤波方法对IMF信号进行精细化的处理，剔除高频IMF信号中混杂的低频信号，得到最后的处理的高频和低频出力信号。本发明提出一种新的控制策略，提高储能装置的使用寿命和最大程度的利用建设的储能装置，具体为对高频出力信号采用功率型储能进行平抑，对于低频的出力信号以储能投资成本、系统的运行成本、环境保护成本和风光出力消纳为目标，构建多目标优化函数，考虑功率平衡约束、SOC（State Of Charge，荷电状态）约束和最大充放电功率约束，由外电网和能量型储能共同承担，提高储能装置的利用率。采用改进的乌鸦算法对目标函数进行求解，通过提出首领乌鸦、受领导的乌鸦和不受领导的乌鸦的粒子更新方法，提高对多目标优化函数的求解准确性，得到更为准确的混合储能最优运行规划方案。
实施例二
本发明第二实施例也提出一种计及源网协同的微电网中混合储能规划方法，所述计及源网协同的微电网中混合储能规划方法通过软件和/或硬件来实现，所述方法具体包括步骤S1步骤S6，具体步骤逻辑可参阅图2。
步骤S1：通过风光出力数据和负荷需求数据建立风光出力模型和负荷需求模型，结合风光出力模型和风光出力并网限制得到用于平抑风光出力波动的源侧混合储能输出功率和平抑后的风光并网输出功率。
在实施例中，通过风光出力数据和负荷需求数据建立风光出力模型和负荷需求模型，结合风光出力模型和风光出力并网限制得到混合储能的原始出力信号和平抑后的风光并网出力模型。
S101.风光出力模型：
，（1）
式中，为t时刻光伏输出功率，为t时刻风电输出功率。
S102. 计算t时刻风光出力的波动率的表达式为：
，（2）
式中，为时刻风光并网输出功率，为风光出力的采样间隔，为风光并网波动率的最大限制，为风光机组的装机容量，为t时刻风光出力的波动率。
计算所述源侧混合储能输出功率的表达式为：
，（3）
式中， 为t时刻用于平抑风光出力波动的源侧混合储能输出功率，为t时刻风光并网输出功率，为时刻风光并网输出功率，为风光出力的采样间隔，为风光并网波动率的最大限制，为风光机组的装机容量，为t时刻风光出力的波动率；
，（4）
式中，为t时刻平抑后的风光并网输出功率；
步骤S2：对源侧混合储能的输出功率模型进行经验模态分解得到代表不同频率的本征模态函数信号，通过希尔伯特变换得到每个IMF信号的频谱图，计算每个IMF信号的平均频率，通过与设置的频率分界点比较将IMF信号分为高频IMF信号和低频IMF信号。
步骤S3：对高频IMF信号进行迭加得到源侧混合储能中功率型储能的规划出力，对低频IMF信号进行迭加得到源侧混合储能中容量型储能的规划出力。
在本实施例中，对高频IMF信号进行迭加得到源侧混合储能中功率型储能的规划出力，对低频IMF信号进行迭加得到源侧混合储能中容量型储能的规划出力。
S301.混合储能的规划结果如式（5）所示：
，（5）
式中，为网侧规划的功率型储能输出功率，为网侧规划的能量型储能输出功率，为第i个IMF信号，为IMF信号个数，i j为频率分界位置的IMF信号的序号。
步骤S4：基于源侧的规划结果，为提高混合储能的建设容量的利用率，结合负荷的需求功率和平抑后的风光输出功率，对源侧规划的混合储能进行扩容，使其能够同时用于网侧的负荷需求。对于网侧的混合储能规划采用模糊控制方法建立规划模型。实时计算混合储能中各个储能的荷电状态，将荷电状态、平抑后的风光出力和负荷需求功率作为模糊控制的输入，模糊控制的输出为综合考虑源网侧的混合储能规划容量和功率。
在本实施例中，S401.计算平抑后的风光出力和负荷的需求功率的差值：
，（6）
式中，为时刻平抑后的风光输出功率和负荷需求功率的差值，为时刻负荷的需求功率。
S402.计算混合储能各个储能的实时荷电状态：
，（7）
，（8）
式中，为t时刻容量型储能的剩余能量,、分别为t时刻容量型储能的充电功率、t时刻容量型储能的放电功率，、分别为容量型储能的充电效率、容量型储能的放电效率，为t时刻容量型储能的荷电状态，为容量型储能的装机容量，为t时刻功率型储能的剩余能量，、为t时刻功率型储能的充电功率、t时刻功率型储能的放电功率，为t时刻功率型储能的荷电状态，为功率型储能的装机容量。
S403.设置模糊控制规则
第一模糊控制器以容量型储能的荷电状态、荷电状态变化量和平抑后的风光出力与负荷的需求功率的差值作为第一模糊控制器的输入，输出为混合储能中容量型储能的输出功率。输入的取值范围为0~1，输入的取值范围为-1~1。输出的容量型输出功率如式（9）所示：
，（9）
式中，为第一模糊控制器确定的修正系数，取值范围为0~1。
确定第一模糊控制器的输入与输出变量隶属度函数如图3所示。纵坐标为模糊关系，属于无量纲系数无单位；横坐标为能量型储能的荷电状态表示当前电量与总电量的比值，无单位；VS为非常小；S为小；M为适中；B为大；VB为非常大。
横坐标为能量型储能的荷电状态改变量表示单位时间内荷电状态的改变量，无单位；NB为负大；NS为负小；NM为适中；PS为正小，PM为正中；PB为正大。
横坐标为第一模糊控制器的控制系数，属于无量纲系数无单位；VS为非常小；S为小；MS为较小；MB为较大；B为大；VB为非常大。
建立模糊规则推理表如表3所示。表3体现的推理原则如下：当荷电状态适中，模糊控制器无需调整当前的输出指令；当荷电状态偏小且荷电状态变化量或荷电状态偏大且荷电状态变化量，模糊控制器对荷电状态进行优化。
，
设计的第二模糊控制器以功率型储能的荷电状态、荷电状态变化量和与容量型储能的输出功率的差值作为第二模糊控制器的输入，输出为混合储能中功率型储能的输出功率。输入的取值范围为0~1，输入的取值范围为-1~1。输出的功率型输出功率如式（10）所示：
，（10）
式中，为第二模糊控制器确定的修正系数，取值范围为0~1。
确定第二模糊控制器的输入与输出变量隶属度函数如图4所示。纵坐标为模糊关系，属于无量纲系数无单位；横坐标为功率型储能的荷电状态表示当前电量与总电量的比值，无单位；VS为非常小；S为小；M为适中；B为大；VB为非常大。
横坐标为功率型储能的荷电状态改变量表示单位时间内荷电状态的改变量，无单位；NB为负大；NS为负小；NM为适中；PS为正小，PM为正中；PB为正大。
横坐标为第二模糊控制器的控制系数，属于无量纲系数，无单位；VS为非常小；S为小；MS为较小；MB为较大；B为大；VB为非常大。建立模糊规则推理表如表4所示。表4体现的推理原则与表3类似，此处不再赘述。
，
步骤S5：以储能的投资成本、系统的运行成本、环境保护成本和风光出力消纳率建立模糊控制器的寻优目标函数，优化模糊控制的参数。
在本实施例中，对于模糊控制器中的修正系数、和输入的变量都可以通过参数进行描述，因此对于模糊控制器的优化设计可以转换为高维空间的参数寻优问题，采用储能的投资成本、系统的运行成本、环境保护成本和风光出力消纳率作为寻优目标。
S501.模糊控制器的寻优目标：
，（11）
式中，为混合储能配置成本；为系统的运行成本；为环境保护成本；为风光的消纳率；
混合储能配置成本：
，（12）
式中， 、分别为功率型和能量型储能的单位功率投资成本，、分别为功率型和能量型储能的单位功率维护成本，、分别为功率型和能量型储能的额定功率，为年资本利率，、分别为功率型和能量型储能的生命周期，、分别为功率型储能和能量型储能的建设台数。
系统的运行成本：
，（13）
式中，为微电网向外电网购买的功率,为t时刻微电网向外电网购买功率的电价，为系统运行的时间。
环境保护成本：
，（14）
式中，为外电网运行产生的k类污染物的排放量，为处理k类污染物的成本系数；为系统运行的时间，为污染物的总类别。
风光消纳率：
，（15）
式中，为相对权重，为平抑后的风光并网输出功率，为风光并网输出功率。
步骤S6：采用改进的乌鸦算法对该优化目标进行求解，得到最优的混合储能规划容量和功率，并将优化参数代回到模糊控制器中得到混合储能各个储能的输出功率情况。
在本实施例中，采用改进乌鸦算法对寻优目标函数求解得到优化后的模糊控制器修正参数和混合储能的规划容量和功率，并将优化后的参数代回到模糊控制器中得到混合储能各个储能的输出功率情况。
S601.乌鸦有两种更新位置的方法，一种是没有发现自己被跟踪，另一种是发现自己被跟踪。探索过程如式（16）所示：
，（16）
式中：为乌鸦飞行半径，服从0~1之间的均匀分布；为乌鸦的感知范围；为飞行的距离。
S602.乌鸦更新自身的藏食位置：
，（17）
式中，为第i只乌鸦的第j次更新的位置，为第i只乌鸦的第j+1次更新的位置，为第i只乌鸦的第j次更新的适应度，为第i只乌鸦的第j+1次更新的适应度；
S603.在原始的乌鸦搜索算法中，可以保证在一个寻优的区域内不存在多只乌鸦，从而提高算法搜索范围的广阔，避免陷入局部最优，但是一定程度上降低了寻优的速度，本发明提出一种改进的乌鸦寻优算法，用于提高算法的寻优速度和效果，可以得到更为准确的储能规划方案。假设乌鸦存在集体觅食行为，在乌鸦的群体中存在一个乌鸦首领，乌鸦的移动受限于乌鸦首领，乌鸦首领的位置为当前迭代处在最优的藏食位置乌鸦位置，乌鸦首领的领导范围受限，只有在领导范围内的乌鸦才会朝着首领的位置移动。其他位置的乌鸦继续按改进前的更新方式更新位置。每次迭代都要全范围内重新寻找新的乌鸦首领。
乌鸦首领的领导范围设置为的寻优范围，领导范围内的乌鸦按式（18）更新自身的位置：
，（18）
式中，为领导乌鸦第j次更新的位置，为寻优范围的最大值；为寻优范围的最小值，领导范围内第i只乌鸦第j+1次更新的位置，领导范围内第i只乌鸦第j次更新的位置，为飞行距离，为领导范围内第i只乌鸦的飞行半径，服从0~1之间的均匀分布为感知范围。
乌鸦首领按两种方式更新自身位置，一种情况是领导范围内的乌鸦都在乌鸦首领的一边按式（19）更新位置，另一种情况是领导范围内乌鸦分布在首领乌鸦的两边按式（20）更新位置：
，（19）
，（20）
领导范围外的乌鸦按式（16）更新位置。
S604.采用改进的乌鸦算法对寻优目标函数求解得到模糊控制器优化后的修正参数和考虑源网协同的混合储能规划容量和功率，并将优化后的参数代回到模糊控制器中得到混合储能各个储能的输出功率情况。
请参阅图5，其示出了本申请的一种计及源网协同的微电网中混合储能规划系统的结构框图。
如图5所示，微电网中混合储能规划系统200，包括获取模块210、变换模块220、比较模块230、建立模块240、优化模块250以及求解模块260。
其中，获取模块210，配置为获取用于平抑风光出力波动的源侧混合储能输出功率和平抑后的风光并网输出功率；变换模块220，配置为对所述源侧混合储能输出功率进行经验模态分解得到代表不同频率的至少一个IMF信号，通过希尔伯特变换得到与所述至少一个IMF信号相对应的至少一个平均频率；比较模块230，配置为基于预设的频率分界点与所述至少一个平均频率比较，将所述至少一个IMF信号分为至少一个高频IMF信号和至少一个低频IMF信号，并对至少一个高频IMF信号进行迭加得到源侧混合储能中功率型储能的规划出力，对至少一个低频IMF信号进行迭加得到源侧混合储能中容量型储能的规划出力；建立模块240，配置为根据源侧混合储能中功率型储能的规划出力和源侧混合储能中容量型储能的规划出力建立规划模型；优化模块250，配置为以储能的投资成本、系统的运行成本、环境保护成本和风光出力消纳率为寻优目标函数对所述规划模型的参数进行优化，得到更新后的规划模型；求解模块260，配置为将各个储能的荷电状态、所述源侧混合储能输出功率和所述风光并网输出功率输入至更新后的规划模型，并基于改进的乌鸦算法对更新后的规划模型进行求解，得到源网侧的混合储能规划容量和功率。
应当理解，图5中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图5中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的计及源网协同的微电网中混合储能规划方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
获取用于平抑风光出力波动的源侧混合储能输出功率和平抑后的风光并网输出功率；
对所述源侧混合储能输出功率进行经验模态分解得到代表不同频率的至少一个IMF信号，通过希尔伯特变换得到与所述至少一个IMF信号相对应的至少一个平均频率；
基于预设的频率分界点与所述至少一个平均频率比较，将所述至少一个IMF信号分为至少一个高频IMF信号和至少一个低频IMF信号，并对至少一个高频IMF信号进行迭加得到源侧混合储能中功率型储能的规划出力，对至少一个低频IMF信号进行迭加得到源侧混合储能中容量型储能的规划出力；
根据源侧混合储能中功率型储能的规划出力和源侧混合储能中容量型储能的规划出力建立规划模型；
以储能的投资成本、系统的运行成本、环境保护成本和风光出力消纳率为寻优目标函数对所述规划模型的参数进行优化，得到更新后的规划模型；
将各个储能的荷电状态、所述源侧混合储能输出功率和所述风光并网输出功率输入至更新后的规划模型，并基于改进的乌鸦算法对更新后的规划模型进行求解，得到源网侧的混合储能规划容量和功率。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计及源网协同的微电网中混合储能规划系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计及源网协同的微电网中混合储能规划系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图6是本发明实施例提供的电子设备的结构示意图，如图6所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图6中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例计及源网协同的微电网中混合储能规划方法。输入装置330可接收输入的数字或字符信息，以及产生与计及源网协同的微电网中混合储能规划系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于计及源网协同的微电网中混合储能规划系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
获取用于平抑风光出力波动的源侧混合储能输出功率和平抑后的风光并网输出功率；
对所述源侧混合储能输出功率进行经验模态分解得到代表不同频率的至少一个IMF信号，通过希尔伯特变换得到与所述至少一个IMF信号相对应的至少一个平均频率；
基于预设的频率分界点与所述至少一个平均频率比较，将所述至少一个IMF信号分为至少一个高频IMF信号和至少一个低频IMF信号，并对至少一个高频IMF信号进行迭加得到源侧混合储能中功率型储能的规划出力，对至少一个低频IMF信号进行迭加得到源侧混合储能中容量型储能的规划出力；
根据源侧混合储能中功率型储能的规划出力和源侧混合储能中容量型储能的规划出力建立规划模型；
以储能的投资成本、系统的运行成本、环境保护成本和风光出力消纳率为寻优目标函数对所述规划模型的参数进行优化，得到更新后的规划模型；
将各个储能的荷电状态、所述源侧混合储能输出功率和所述风光并网输出功率输入至更新后的规划模型，并基于改进的乌鸦算法对更新后的规划模型进行求解，得到源网侧的混合储能规划容量和功率。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种计及源网协同的微电网中混合储能规划方法，其特征在于，包括：
步骤1，获取用于平抑风光出力波动的源侧混合储能输出功率、负荷需求功率和平抑后的风光并网输出功率；
步骤2，对所述源侧混合储能输出功率进行经验模态分解得到代表不同频率的至少一个IMF信号，通过希尔伯特变换得到与所述至少一个IMF信号相对应的至少一个平均频率；
步骤3，基于预设的频率分界点与所述至少一个平均频率比较，将所述至少一个IMF信号分为至少一个高频IMF信号和至少一个低频IMF信号，并对至少一个高频IMF信号进行迭加得到源侧混合储能中功率型储能的规划出力，对至少一个低频IMF信号进行迭加得到源侧混合储能中容量型储能的规划出力；
步骤4，根据源侧混合储能中功率型储能的规划出力和源侧混合储能中容量型储能的规划出力、平抑后的风光并网输出功率以及负荷需求功率建立模糊控制模型，其中，所述模糊控制模型包括第一模糊控制器和第二模糊控制器，所述第一模糊控制器的设置规则为：以容量型储能的荷电状态、容量型储能的荷电状态变化量和平抑后的风光出力与负荷需求功率的差值作为第一模糊控制器的输入，输出为混合储能中容量型储能的输出功率；
所述第二模糊控制器的设置规则为以功率型储能的荷电状态、功率型储能的荷电状态变化量和与容量型储能的输出功率的差值作为第二模糊控制器的输入，输出为混合储能中功率型储能的输出功率；
步骤5，以储能的投资成本、系统的运行成本、环境保护成本和风光出力消纳率为寻优目标函数对所述模糊控制模型的参数进行优化，得到更新后的模糊控制模型；
步骤6，将各个储能的荷电状态、所述源侧混合储能输出功率和所述风光并网输出功率输入至更新后的模糊控制模型，并基于改进的乌鸦算法对更新后的模糊控制模型进行求解，得到源网侧的混合储能规划容量和功率。
2.根据权利要求1所述的一种计及源网协同的微电网中混合储能规划方法，其特征在于，在步骤1中，所述获取用于平抑风光出力波动的源侧混合储能输出功率、负荷需求功率和平抑后的风光并网输出功率，包括：
获取负荷需求数据，所述负荷需求数据中包含负荷需求功率；
获取风光出力数据，结合风光出力并网限制和所述风光出力数据中的风光输出功率得到用于平抑风光出力波动的源侧混合储能输出功率和平抑后的风光并网输出功率，其中，计算所述源侧混合储能输出功率的表达式为：
，
式中， 为t时刻用于平抑风光出力波动的源侧混合储能输出功率，为t时刻风光并网输出功率，为时刻风光并网输出功率，为风光出力的采样间隔，为风光并网波动率的最大限制，为风光机组的装机容量，为t时刻风光出力的波动率。
3.根据权利要求2所述的一种计及源网协同的微电网中混合储能规划方法，其特征在于，其中，计算t时刻风光并网输出功率的表达式为：
，
式中，为t时刻光伏输出功率，为t时刻风电输出功率；
计算t时刻风光出力的波动率的表达式为：
，
式中，为时刻风光并网输出功率。
4.根据权利要求1所述的一种计及源网协同的微电网中混合储能规划方法，其特征在于，在步骤2中，所述对所述源侧混合储能输出功率进行经验模态分解得到代表不同频率的至少一个IMF信号包括：
步骤2.1：输入源侧混合储能输出功率的原始信号，找到原始信号的局部极大值和局部极小值，采用三次样条差值函数计算所有范围函数，得到极大值包络线和极小值包络线；
步骤2.2：计算得到平均包络线：
，
式中，为第个IMF信号第i次迭代的平均包络线；
步骤2.3：计算下一次输入的信号：
,
步骤2.4：判断是否符合IMF标准；若符合，则从原始信号中移除，计算新的残差信号，其中，计算新的残差信号的表达式为：
，
式中，为第k个残差信号；
若不符合，则将作为初始输入信号，重复步骤2.2、步骤2.3过程，直到符合IMF标准；
步骤2.5：完成原始信号的EMD分解：
将残差信号作为新的输入信号，即回到步骤2.1过程中，令，继续进行步骤2.2-步骤2.5过程，将过程中得到的作为IMF信号，分解得到的个IMF信号的表达式为：
,
式中，为第N个残差信号。
5.根据权利要求1所述的一种计及源网协同的微电网中混合储能规划方法，其特征在于，在步骤2中，所述通过希尔伯特变换得到与所述至少一个IMF信号相对应的至少一个平均频率，包括：
步骤2.6：对EMD分解得到的各个IMF信号进行希尔伯特变换：
，
式中，为第个IMF信号，为希尔伯特变换函数，为积分变量；
步骤2.7：计算第个IMF信号的瞬时相位，其表达式为：
，
步骤2.8：计算第个IMF信号的瞬时频率，其表达式为：
，
根据瞬时频率计算第个IMF信号的平均频率，其表达式为：
，
式中，为第个IMF信号的平均频率，为总时间间隔。
6.根据权利要求1所述的一种计及源网协同的微电网中混合储能规划方法，其特征在于，在对至少一个高频IMF信号进行迭加得到源侧混合储能中功率型储能的规划出力，对至少一个低频IMF信号进行迭加得到源侧混合储能中容量型储能的规划出力之前，所述方法还包括：
基于预设频率阈值对至少一个高频IMF信号和至少一个低频IMF信号中的各个瞬时频率进行比较，使得到不包含低于预设频率阈值的瞬时频率的至少一个高频IMF信号和不包含高于预设频率阈值的瞬时频率至少一个低频IMF信号，其中，所述预设频率阈值的设置过程为：
根据深层神经网络算法对IMF信号中的各个瞬时频率与混合储能出力的对应关系进行训练，得到神经网络模型，其中，所述神经网络模型中包含瞬时频率与混合储能出力的对应关系；
将至少一个高频IMF信号和至少一个低频IMF信号输入至神经网络模型中，使所述神经网络模型基于某一频率阈值对信号中的各个瞬时频率进行自适应分类；
计算频率时的混合储能配置成本，改变频率阈值，得到新的频率分界点的配置成本，比较得到最优的频率阈值，即为预设阈值，其中，计算频率分界点时的混合储能配置成本的表达式为：
，
式中，为频率分界点时的混合储能配置成本，分别为功率型和能量型储能的单位功率投资成本，分别为功率型和能量型储能的单位功率维护成本，分别为功率型和能量型储能的额定功率，为年资本利率，分别为功率型和能量型储能的生命周期，分别为功率型储能和能量型储能的建设台数。
7.根据权利要求1所述的一种计及源网协同的微电网中混合储能规划方法，其特征在于，在步骤5中，所述寻优目标函数的表达式为：
，
式中，为混合储能配置成本；为系统的运行成本；为环境保护成本；为风光的消纳率；
混合储能配置成本：
，
式中， 、分别为功率型和能量型储能的单位功率投资成本，、分别为功率型和能量型储能的单位功率维护成本，、分别为功率型和能量型储能的额定功率，为年资本利率，、分别为功率型和能量型储能的生命周期，、分别为功率型储能和能量型储能的建设台数；
系统的运行成本：
，
式中，为微电网向外电网购买的功率,为t时刻微电网向外电网购买功率的电价，为系统运行的时间；
环境保护成本：
，
式中，为外电网运行产生的k类污染物的排放量，为处理k类污染物的成本系数；为系统运行的时间，为污染物的总类别；
风光消纳率：
，
式中，为相对权重，为平抑后的风光并网输出功率，为风光并网输出功率。
8.一种计及源网协同的微电网中混合储能规划系统，其特征在于，包括：
获取模块，配置为获取用于平抑风光出力波动的源侧混合储能输出功率、负荷需求功率和平抑后的风光并网输出功率；
变换模块，配置为对所述源侧混合储能输出功率进行经验模态分解得到代表不同频率的至少一个IMF信号，通过希尔伯特变换得到与所述至少一个IMF信号相对应的至少一个平均频率；
比较模块，配置为基于预设的频率分界点与所述至少一个平均频率比较，将所述至少一个IMF信号分为至少一个高频IMF信号和至少一个低频IMF信号，并对至少一个高频IMF信号进行迭加得到源侧混合储能中功率型储能的规划出力，对至少一个低频IMF信号进行迭加得到源侧混合储能中容量型储能的规划出力；
建立模块，配置为根据源侧混合储能中功率型储能的规划出力和源侧混合储能中容量型储能的规划出力、平抑后的风光并网输出功率以及负荷需求功率建立模糊控制模型，其中，所述模糊控制模型包括第一模糊控制器和第二模糊控制器，所述第一模糊控制器的设置规则为：以容量型储能的荷电状态、容量型储能的荷电状态变化量和平抑后的风光出力与负荷需求功率的差值作为第一模糊控制器的输入，输出为混合储能中容量型储能的输出功率；
所述第二模糊控制器的设置规则为以功率型储能的荷电状态、功率型储能的荷电状态变化量和与容量型储能的输出功率的差值作为第二模糊控制器的输入，输出为混合储能中功率型储能的输出功率；
优化模块，配置为以储能的投资成本、系统的运行成本、环境保护成本和风光出力消纳率为寻优目标函数对所述模糊控制模型的参数进行优化，得到更新后的模糊控制模型；
求解模块，配置为将各个储能的荷电状态、所述源侧混合储能输出功率和所述风光并网输出功率输入至更新后的模糊控制模型，并基于改进的乌鸦算法对更新后的模糊控制模型进行求解，得到源网侧的混合储能规划容量和功率。
9.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211611692.4A CN115603342B (zh) | 2022-12-15 | 2022-12-15 | 一种计及源网协同的微电网中混合储能规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211611692.4A CN115603342B (zh) | 2022-12-15 | 2022-12-15 | 一种计及源网协同的微电网中混合储能规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115603342A CN115603342A (zh) | 2023-01-13 |
| CN115603342B true CN115603342B (zh) | 2023-05-16 |
Family
ID=84854263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211611692.4A Active CN115603342B (zh) | 2022-12-15 | 2022-12-15 | 一种计及源网协同的微电网中混合储能规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115603342B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117134400B (zh) * | 2023-09-08 | 2024-09-20 | 南方电网科学研究院有限责任公司 | 用于平抑功率波动储能系统的综合控制方法、装置和设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114498638A (zh) * | 2022-04-14 | 2022-05-13 | 国网江西省电力有限公司经济技术研究院 | 计及源荷双侧不确定性的源网荷储协调规划方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9568931B2 (en) * | 2013-06-19 | 2017-02-14 | Nec Corporation | Multi-layer control framework for an energy storage system |
| CN105226694B (zh) * | 2015-10-16 | 2019-03-15 | 中国电力科学研究院 | 基于模糊经验模态分解的储能平滑新能源发电控制方法 |
| CN110676870B (zh) * | 2019-04-30 | 2021-09-21 | 国网新疆电力有限公司经济技术研究院 | 一种适用于风电并网的混合储能容量配置方法 |
| CN110086181B (zh) * | 2019-05-31 | 2020-08-11 | 浙江大学 | 一种离网运行时电-热联供微电网中功率自适应协同控制方法 |
| CN112182975A (zh) * | 2020-10-10 | 2021-01-05 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于经验模态分解的功率频域分解优化方法 |
-
2022
- 2022-12-15 CN CN202211611692.4A patent/CN115603342B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114498638A (zh) * | 2022-04-14 | 2022-05-13 | 国网江西省电力有限公司经济技术研究院 | 计及源荷双侧不确定性的源网荷储协调规划方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115603342A (zh) | 2023-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Coordinated load frequency control of multi-area integrated energy system using multi-agent deep reinforcement learning | |
| Wu et al. | Deep learning adaptive dynamic programming for real time energy management and control strategy of micro-grid | |
| CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
| CN113410900B (zh) | 基于自适应差分鲸鱼优化的微电网hess优化配置方法及系统 | |
| CN102856918A (zh) | 一种基于小生境粒子群算法的配电网的无功优化方法 | |
| CN103151802A (zh) | 多时间尺度的主动配电网dg协调控制系统及方法 | |
| CN107947211A (zh) | 采用小波包分解并计及频率响应的孤岛型微电网储能优化配置方法 | |
| CN106816877A (zh) | 一种含光伏的配电网电压跌落检测补偿方法 | |
| CN111258211A (zh) | 一种基于模糊神经元pid的微电网频率控制系统及方法 | |
| CN113675890A (zh) | 基于td3的新能源微电网优化方法 | |
| CN114039366B (zh) | 一种基于孔雀优化算法的电网二次调频控制方法及装置 | |
| CN115603342B (zh) | 一种计及源网协同的微电网中混合储能规划方法及系统 | |
| CN115577864A (zh) | 基于多模型组合运算的配网运行优化调度方法 | |
| CN105896575A (zh) | 基于自适应动态规划的百兆瓦储能功率控制方法及系统 | |
| Hu et al. | Deep reinforcement learning based coordinated voltage control in smart distribution network | |
| Yin et al. | Expandable deep width learning for voltage control of three-state energy model based smart grids containing flexible energy sources | |
| CN115275983A (zh) | 一种基于分布式资源聚类的光伏功率波动平抑控制方法 | |
| CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
| CN106099912B (zh) | 一种主动配电网局部功率协调控制系统及方法 | |
| CN110599032A (zh) | 一种灵活电源的深度斯坦伯格自适应动态博弈方法 | |
| Liu et al. | Deep-Q-network-based intelligent reschedule for power system operational planning | |
| CN111525547B (zh) | 一种基于最优无功补偿的低电压智能治理方法 | |
| CN113673141A (zh) | 一种基于数据驱动的能量路由器建模及优化控制方法 | |
| He et al. | Distributed Optimal Power Scheduling for Microgrid System via Deep Reinforcement Learning with Privacy Preserving | |
| CN109038564B (zh) | 一种基于改进粒子群算法的次同步振荡抑制系统及方法 |
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 |