CN115622101A - 一种促进可再生能源消纳的储能优化配置双层规划方法 - Google Patents
一种促进可再生能源消纳的储能优化配置双层规划方法 Download PDFInfo
- Publication number
- CN115622101A CN115622101A CN202211197912.3A CN202211197912A CN115622101A CN 115622101 A CN115622101 A CN 115622101A CN 202211197912 A CN202211197912 A CN 202211197912A CN 115622101 A CN115622101 A CN 115622101A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- output
- storage system
- unit
- layer
- 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
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种促进可再生能源消纳的储能优化配置双层规划方法,包括外层改进多目标遗传算法和内层基于混沌搜索机制的量子粒子群优化算法。在内层优化中,构建以各类机组出力为决策变量,以等效日负荷曲线标准差最小为目标的优化模型,并使用基于混沌搜索机制的量子粒子群优化算法,对电网系统负荷功率和各类机组出力进行优化求解;在外层优化中,构建以储能系统位置和容量为决策变量,以新能源弃用量、储能系统全寿命周期成本和节点频率偏差量最小为目标的优化模型,使用多目标遗传算法进行优化,并最终通过基于TOPSIS法求解其Pareto最优解;双层规划在各项约束条件下,以各类机组优化出力、储能的容量和位置为耦合变量进行交替迭代求解。
Description
技术领域
本发明属于储能优化配置技术领域,涉及一种促进可再生能源消纳的储能优化配置双层规划方法。
背景技术
我国大力发展可再生能源,许多风电场和光伏电场不断建成。新能源大规模装机,导致常规机组提供的备用容量比例明显不足,难以兼顾新能源出力的消纳效果和系统的稳定运行,使得大量新能源出力遭到弃用。储能系统的特性是兼顾充电和放电,对于新能源的波动能够快速响应。其不仅可以及时对电网需求做出反应,给常规机组留下足够的缓冲时间;而且当系统中的负荷无法消纳电网中的电量时,能够实时存储,待合适的时机出力。
中国发明专利申请CN114421456A,公开了一种基于改进遗传算法的微电网光伏和储能配置方法及系统。利用改进遗传算法,对微电网光伏系统容量和储能电池容量进行配置,得到经济性最优目标函数和光伏自消纳率最大化目标函数的最优解。该技术方案没有考虑微电网中各类机组的出力情况,未能对出力进行优化,而且没有充分发挥储能系统的调峰能力具有局限性。
中国发明专利CN109474015B也公开了一种基于两层优化的主动配电网储能系统优化配置方法及系统。该发明构建两层优化的内外层模型,两层优化的内外层模型以可再生能源浪费率、储能系统配置位置和容量为耦合变量交替迭代求解。同样的,该发明未能对电网系统各类机组进行优化,也没有充分发挥储能系统的调峰能力具有局限性。
因此,需要寻求更加完善的方法,解决上述现有技术存在的技术问题,在储能优化配置同时,对电网的各类机组出力进行优化,以更好地应对新能源大规模装机所带来的挑战。
发明内容
本发明的目的是促进新能源消纳、提高电网稳定性,提供一种促进可再生能源消纳的储能优化配置双层规划方法,兼顾电网各类机组出力和储能的定容选址,解决现有技术的不足,且能很好地处理非线性多目标优化模型的工程求解。本发明的目的通过以下技术方案实现。
一种促进可再生能源消纳的储能优化配置双层规划方法,在内层优化中,构建以各类机组出力为决策变量,以等效日负荷曲线标准差最小为目标的优化模型,并使用基于混沌搜索机制的量子粒子群优化算法,对电网系统负荷功率和各类机组出力进行优化求解;
在外层优化中,构建以储能系统位置和容量为决策变量,以新能源弃用量、储能系统全寿命周期成本和节点频率偏差量最小为目标的优化模型,使用多目标遗传算法进行优化,并最终通过基于TOPSIS法求解其Pareto最优解;
双层规划在各项约束条件下,以各类机组优化出力、储能的容量和位置为耦合变量进行交替迭代求解。
进一步地,所述等效日负荷曲线标准差具体为:
其中等效日负荷Pload(t)为t时间段内实际负荷值吸收新能源出力和储能系统出力之和后的值,单位MW;Pbess(t)为t时间段内储能系统充放电量,单位MW,Pbess(t)>0储能系统充电,反之放电;Ppv(t)为t时间段内光伏机组出力,单位MW;Pwind(t)为t时间段内风力机组出力,单位MW;Ps为常规机组平均出力,单位MW。
进一步地,所述新能源弃用量具体为:
PW_t_f表示时段t的日前风电预测出力,单位MW;PW_t表示t时段风电的实际出力,单位MW;PS_t_f表示时段t的日前光伏发电预测出力,单位MW;PS_t表示t时段光伏发电的实际出力,单位MW;T表示采样时间的个数。
所述节点频率偏差量具体为:
其中Nb表示系统节点个数,无单位;fi_t表示第i个节点在t时刻的频率,单位Hz;f0表示额定频率,单位Hz。
所述储能系统全寿命周期成本具体为:
Q=λBessSbessδSOCnbess
其中λBess为度电成本,单位元/kWh;nbess为储能系统的循环次数,无单位;SbessδSOC表示每次储能系统的充/放电量,单位kWh。
进一步地,所述约束条件包括:各类机组出力约束、储能电池功率约束、储能电池容量约束和储能电池荷电状态约束。
一种促进可再生能源消纳的储能优化配置双层规划方法,具体包括如下步骤:
S1:采集电网系统基础数据;
S2:利用所述电网系统基础数据,建立电网系统和储能配置数学模型,所述数学模型包括内层目标函数和外层目标函数;
S3:设置电网系统和储能配置数学模型约束条件;
S4:基于所述数学约束条件,内层利用基于混沌搜索机制的量子粒子群优化算法,得到出力优化目标函数的最优解,对电网系统各类机组出力进行配置;
S5:基于内层所得电网系统各类机组出力进行配置,外层利用改进多目标遗传算法,得到多目标函数的最优解,对储能系统位置、容量、功率进行配置;
S6:基于TOPSIS法确定储能系统配置最优方案。
在一些具体实施方案中,步骤S1中电网系统基础数据包括网架结构数据、典型日负荷特性、各类机组参数数据和算法参数设定以及系统运行成本计算参数。
在一些具体实施方案中,步骤S2中外层目标函数为最小新能源弃用量、节点频率偏差量和储能系统全寿命周期成本,内层目标函数为最小等效日负荷曲线标准差;
所述最小新能源弃用量表达式为:
其中F1表示电网在全时段的新能源的弃用量,单位MW;PW_t_f表示时段t的日前风电预测出力,单位MW;PW_t表示t时段风电的实际出力,单位MW;PS_t_f表示时段t的日前光伏发电预测出力,单位MW;PS_t表示t时段光伏发电的实际出力,单位MW;T表示采样时间的个数,无单位;
所述最小节点频率偏差量表达式为:
其中F2表示节点频率偏差量,单位Hz;Nb表示系统节点个数,无单位;fi_t表示第i个节点在t时刻的频率,单位Hz;f0表示额定频率,单位Hz;
所述最小储能系统全寿命周期成本表达式为:
min F3=λBessSbessδSOCnbess
其中F3表示储能系统全寿命周期成本,单位元;λBess为度电成本,单位元/kWh;nbess为储能系统的循环次数,无单位;SbessδSOC表示每次储能系统的充/放电量,单位kWh;
所述最小等效日负荷曲线标准差表达式为:
其中F4表示等效日负荷曲线标准差,单位MW;Pload(t)为等效日负荷,t时间段内实际负荷值吸收新能源出力和储能系统出力之和后的值,单位MW;Pbess(t)为t时间段内储能系统充放电量,单位MW,Pbess(t)>0储能系统充电,反之放电;Ppv(t)为t时间段内光伏机组出力,单位MW;Pwind(t)为t时间段内风力机组出力,单位MW;Ps为常规机组平均出力,单位MW。
在一些具体实施方案中,步骤S3中电网系统和储能配置数学模型约束条件包括各类机组出力约束、储能电池功率约束、储能电池容量约束和储能电池荷电状态约束;
所述电网系统各类机组出力约束表达式为:
其中Ps_i_max和Ps_i_min表示常规机组第i台出力上下限,Ps_i(t)表示第i台常规机组在时段 t的实际出力;Pw_j表示风力机组第j台预测出力,Pw_j(t)表示第j台常规机组在时段t的实际出力;Ppv_j表示光伏机组第k台预测出力,Ppv_k(t)表示第k台常规机组在时段t的实际出力;单位均为MW;
所述储能电池功率约束表达式为:
式中,Ebess为储能系统的额定容量;Ssoc_max、Ssoc0为储能系统荷电状态的上、下限,保障储能系统避免过充过放;Pcap为储能系统的额定充放电功率,Pbess(t)>0为充电,Pbess(t)<0 为放电;单位均为MW;
所述储能电池容量约束表达式为:
其中ηbc为储能电池充放电效率,无单位;
所述储能电池荷电状态约束表达式为:
SSOC0≤SSOC(t)≤SSOC_max (t=1,K,T)
其中SSOC(t)表示t时段储能电池荷电状态,无单位。
在一些具体实施方案中,步骤S4中,所述内层基于混沌搜索机制的量子粒子群优化算法包括以下步骤:
步骤A-1:设定粒子群个数和迭代次数,将电网系统常规机组、风电机组、光伏机组和储能系统出力编码作为决策变量,对应为粒子的位置;
步骤A-2:随机生成粒子群,该粒子群满足各类机组出力约束、储能电池功率约束、储能电池容量约束和储能电池荷电状态约束;
步骤A-3:结合外层算法得到的储能系统优化配置,计算各个粒子对应的目标函数值即等效日负荷曲线标准差,将各个粒子降序排列,更新各个粒子和粒子群的历史最佳位置;
步骤A-4:判断是否达到设定迭代次数,若是则输出电网系统常规机组、风电机组、光伏机组和储能系统出力至外层算法。若否,则利用混沌搜索机制更新量子粒子位置信息至A-3;
所述量子粒子位置更新表达式为:
其中Xi为第i次迭代粒子位置;Pi为粒子第i次迭代历史最佳位置和群体历史最佳位置之间的一个位置;Mbest为当前迭代各个粒子的平均最佳位置;pbest_i和gbest分别为单个粒子和粒子群第i次迭代的最佳位置;α不大于1,Φ和μ为(0,1)上的均匀分布数值,取+和-概率都为0.5;
所述混沌搜索机制表达式为:
其中t为当前迭代次数,tmax为最大叠加次数,μ为(0,1)内的随机数。
在一些具体实施方案中,步骤S5中,所述外层改进多目标遗传算法包括以下步骤:
步骤B-1:设定种群个数和迭代次数,对储能系统的位置和储能系统的容量、功率决策变量进行染色体编码;
步骤B-2:随机生成种群,该种群满足储能电池功率约束、储能电池容量约束和储能电池荷电状态约束;
步骤B-3:结合内层算法得到的各类机组优化出力,计算每个个体对应的目标函数值即新能源弃用量、节点频率偏差量和储能系统全寿命周期成本,并取其倒数为适应值;求得非支配分层解集,通过动态拥挤度距离进行NSGA II降序排列;
所述动态拥挤度距离表达式为:
其中fk(xi)表示个体i的第k个目标函数,fkmax和fkmin第k个目标函数的上、下限;
步骤B-4:判断是否达到设定迭代次数,若是则输出种群信息即储能系统的位置、容量和功率;若否,则利用选择、交叉、变异,并通过精英策略保留适应度高的父代个体直接归入子代中,得到所有Pareto最优解输出至内层步骤A-3。
进一步地,步骤B-4中,所述选择、交叉、变异和精英策略具体步骤为:
B-4-1:采用SBX交叉算子和多项式变异算子对父代个体进行交叉和变异;其中,所述 SBX交叉算子模拟二进制交叉过程,对编码后的父代个体根据给定的随机交叉点,对两个父代个体位于交叉点两侧的片段进行交换;所述多项式变异算子是基于多项式分布的变异算子;
B-4-2:将父代个体集合和子代个体集合合并为一个集合,合并集合中的个体数为两倍初始种群大小;
B-4-3:对该种群求得非支配分层解集,通过动态拥挤度距离进行降序排列,取前一半作为新一代种群。
在一些具体实施方案中,步骤S6中,所述基于TOPSIS法确定储能系统配置最优方案步骤为:
C-1:对每个个体外层目标函数值进行规范化无量纲处理:
其中fi是表示第i个目标函数,M为目标函数总数;xj表示种群中第j个个体的决策变量,N表示种群中非支配解集大小。
C-2:最终种群的各目标函数贡献度为:
C-3:所有目标函数的信息熵为:
C-4:通过信息熵计算各指标权重为:
C-5:最终确定M个目标函数所占的权重为:
其中,d+(xj)和d-(xj)分别为方案xj到正理想方案和负理想方案的距离,fi+′和fi-′分别为目标函数i规范化后的最优值和最差值。
与现有技术相比,本发明的有益效果是:
1)本发明采用多目标遗传算法,以新能源消纳量为主要导向,有效解决当前新能源大量装机而没办法有效利用的问题,以储能成本和节点频率偏差为其他目标,一方面保证了储能的经济性,另一方面使得电网电能质量得到提升,具有较高的经济性和社会价值。
2)本发明采用基于TOPSIS法求解其Pareto最优解,TOPSIS法可以充分利用原始数据的信息,兼用信息熵法得出各个指标的权重,最终计算出各方案与最优方案的接近程度,作为评价方案的优劣标准。有效地避免了数据的主观性,不需要目标函数,也不用通过检验,较为灵活、方便。
3)本发明采用双层优化算法,在多目标遗传算法的基础上采用内层基于混沌搜索机制的量子粒子群优化算法,有效优化系统各类机组出力,对储能系统、新能源以及常规机组的出力状态进一步优化,进一步缓解电网的调峰压力。
4)本发明的通用性强,适用于各区域电网储能系统优化配置,具有很高的推广价值和意义。
附图说明
图1为本发明提供的一种促进可再生能源消纳的储能优化配置双层规划方法的流程图。
图2为双层规划的储能系统优化配置流程图。
图3为双层规划的内外层耦合示意图。
图4为实施例4中某区域电网连接图。
具体实施方式
下面结合说明书附图,对本发明的技术方案进行清楚、完整的描述。显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明的实施方式,本领域普通技术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方式,都属于本发明的保护范围。
实施例1
如图1所示,本实施例提出一种促进可再生能源消纳的储能优化配置双层规划方法,包括以下步骤:
S1:采集电网系统基础数据。
S2:利用所述电网系统基础数据,建立电网系统和储能配置数学模型,所述数学模型包括内层目标函数和外层目标函数。
S3:设置电网系统和储能配置数学模型约束条件。
S4:基于所述数学约束条件,内层利用基于混沌搜索机制的量子粒子群优化算法,根据约束条件得到出力优化目标函数的最优解,对电网系统各类机组出力进行配置。
S5:基于内层所得电网系统各类机组出力进行配置,外层利用改进多目标遗传算法,得到多目标函数的最优解,对储能系统位置、容量、功率进行配置。
S6:基于TOPSIS法确定储能系统配置最优方案。
所述双层规划包括外层多目标改进遗传算法和内层基于混沌搜索机制的量子粒子群优化算法。其中外层多目标改进遗传算法用于确定储能系统位置、容量和功率,目标函数为最小新能源弃用量、节点频率偏差量和全寿命周期成本,其作用分别是促进新能源消纳、提高电网供电可靠性、提高储能系统经济性;内层基于混沌搜索机制的量子粒子群优化算法用于优化电网各类机组出力,目标函数为最小等效日负荷曲线标准差,内外层互相影响,在经过一定的迭代后优化储能系统配置。
实施例2
本实施例提出一种促进可再生能源消纳的储能优化配置双层规划方法,包括以下步骤:
S1:采集电网系统基础数据。
本实施例中,所述电网系统的基础数据包括网架结构数据、典型日负荷特性、各类机组参数数据和算法参数设定以及系统运行成本计算参数。
S2:利用所述电网系统基础数据,建立电网系统和储能配置数学模型,所述数学模型包括内层目标函数和外层目标函数。
本实施例中,所述电网系统外层目标函数为最小新能源弃用量、节点频率偏差量和储能系统全寿命周期成本,内层目标函数为最小等效日负荷曲线标准差;
所述外层目标函数最小新能源弃用量表达式为:
其中F1表示电网在全时段的新能源的弃用量,单位MW;PW_t_f表示时段t的日前风电预测出力,单位MW;PW_t表示t时段风电的实际出力,单位MW;PS_t_f表示时段t的日前光伏发电预测出力,单位MW;PS_t表示t时段光伏发电的实际出力,单位MW;T表示采样时间的个数,无单位。
所述外层目标函数最小节点频率偏差量表达式为:
其中F2表示节点频率偏差量,单位Hz;Nb表示系统节点个数,无单位;fi_t表示第i个节点在t时刻的频率,单位Hz;f0表示额定频率,单位Hz。
所述外层目标函数最小储能系统全寿命周期成本表达式为:
min F3=λBessSbessδSOCnbess
其中F3表示储能系统全寿命周期成本,单位元;λBess为度电成本,单位元/kWh;nbess为储能系统的循环次数,无单位;SbessδSOC表示每次储能系统的充/放电量,单位kWh。
所述内层目标函数最小等效日负荷曲线标准差表达式为:
其中等效日负荷Pload(t)为t时间段内实际负荷值吸收新能源出力和储能系统出力之和后的值;Pbess(t)为t时间段内储能系统充放电量,Pbess(t)>0储能系统充电,反之放电;Ppv(t)为t 时间段内光伏机组出力;Pwind(t)为t时间段内风力机组出力;Ps为常规机组平均出力。
S3:设置电网系统和储能配置数学模型约束条件。
本实施例中,所述电网系统和储能配置的数学模型的约束条件包括各类机组出力约束、储能电池功率约束、储能电池容量约束和储能电池荷电状态约束。
所述电网系统各类机组出力约束表达式为:
其中Ps_i_max和Ps_i_min表示常规机组第i台出力上下限,Ps_i(t)表示第i台常规机组在时段 t的实际出力;Pw_j表示风力机组第j台预测出力,Pw_j(t)表示第j台常规机组在时段t的实际出力;Ppv_j表示光伏机组第k台预测出力,Ppv_k(t)表示第k台常规机组在时段t的实际出力。
所述储能电池功率约束表达式为:
式中,Ebess为储能系统的额定容量;Ssoc_max、Ssoc0为储能系统荷电状态的上、下限,保障储能系统避免过充过放;Pcap为储能系统的额定充放电功率。Pbess(t)>0为充电,Pbess(t)<0 为放电。
所述储能电池容量约束表达式为:
其中ηbc为储能电池充放电效率。
所述储能电池荷电状态约束表达式为:
SSOC0≤SSOC(t)≤SSOC_max (t=1,K,T)
其中SSOC(t)表示t时段储能电池荷电状态。
S4:基于所述数学约束条件,内层利用基于混沌搜索机制的量子粒子群优化算法,根据约束条件得到出力优化目标函数的最优解,对电网系统各类机组出力进行配置。
S5:基于内层所得电网系统各类机组出力进行配置,外层利用改进多目标遗传算法,得到多目标函数的最优解,对储能系统位置、容量、功率进行配置。
S6:基于TOPSIS法确定储能系统配置最优方案。
本实施例在考虑电网系统的新能源弃用量的同时,兼顾储能系统全寿命周期成本和节点频率偏差量,建立电网系统储能配置的数学模型,在所述数学模型中设计了统新能源弃用量、储能系统全寿命周期成本和节点频率偏差量最小目标函数,并通过改进多目标遗传算法,优化储能配置的数学模型,得到经济性、新能源弃用和节点频率偏差最优的储能的配置方案,提高电网的消纳能力和电网供电可靠性和电能质量,同时内层使用基于混沌搜索机制的量子粒子群优化算法对电网系统负荷功率各类机组出力进行优化。
实施例3
如图2所示,本实施例提出一种促进可再生能源消纳的储能优化配置双层规划方法,包括基于所述约束条件,内层使用基于混沌搜索机制的量子粒子群优化算法,对电网系统负荷功率和各类机组出力进行优化,得到等效日负荷标准差最小目标函数的最优解,根据所述目标函数的最优解,外层使用多目标遗传算法,得到系统新能源弃用量、储能系统全寿命周期成本和节点频率偏差量最小目标函数的最优解,对储能电池位置、容量、功率进行配置。
所述内层基于混沌搜索机制的量子粒子群优化算法包括以下步骤:
步骤A-1:设定粒子群个数和迭代次数,将电网系统常规机组、风电机组、光伏机组和储能系统出力编码作为决策变量,对应为粒子的位置。
步骤A-2:随机生成粒子群,该粒子群满足各类机组出力约束、储能电池功率约束、储能电池容量约束和储能电池荷电状态约束。
步骤A-3:结合外层算法得到的储能系统优化配置,计算各个粒子对应的目标函数值即等效日负荷曲线标准差,将各个粒子降序排列,更新各个粒子和粒子群的历史最佳位置。
步骤A-4:判断是否达到设定迭代次数,若是则输出电网系统常规机组、风电机组、光伏机组和储能系统出力至外层算法。若否,则利用混沌搜索机制更新量子粒子位置信息至A-3。
所述量子粒子位置更新表达式为:
其中Xi为第i次迭代粒子位置;Pi为粒子第i次迭代历史最佳位置和群体历史最佳位置之间的一个位置;Mbest为当前迭代各个粒子的平均最佳位置;pbest_i和gbest分别为单个粒子和粒子群第i次迭代的最佳位置;α为创新参数一般不大于1,Φ和μ为(0,1)上的均匀分布数值,取+和-概率都为0.5。
所述混沌搜索机制表达式为:
其中t为当前迭代次数,tmax为最大叠加次数,μ为(0,1)内的随机数。
所述外层改进多目标遗传算法包括以下步骤:
步骤B-1:设定种群个数和迭代次数,对储能系统的位置和储能系统的容量、功率决策变量进行染色体编码。
步骤B-2:随机生成种群,该种群满足储能电池功率约束、储能电池容量约束和储能电池荷电状态约束。
步骤B-3:结合内层算法得到的各类机组优化出力,计算每个个体对应的目标函数值即新能源弃用量、节点频率偏差量和储能系统全寿命周期成本,并取其倒数为适应值。求得非支配分层解集,通过动态拥挤度距离进行NSGA II降序排列。
所述动态拥挤度距离表达式为:
其中fk(xi)表示个体i的第k个目标函数,fkmax和fkmin第k个目标函数的上、下限。
步骤B-4:判断是否达到设定迭代次数,若是则输出种群信息即储能系统的位置、容量和功率。若否,则利用选择、交叉、变异,并通过精英策略保留适应度高的父代个体直接归入子代中,得到所有Pareto最优解输出至内层步骤A-3,具体步骤如下:
B-4-1:采用SBX交叉算子和多项式变异算子对父代个体进行交叉和变异;其中,所述SBX交叉算子模拟二进制交叉过程,对编码后的父代个体根据给定的随机交叉点,对两个父代个体位于交叉点两侧的片段进行交换;所述多项式变异算子是基于多项式分布的变异算子。
B-4-2:将父代个体集合和子代个体集合合并为一个集合,合并集合中的个体数为两倍初始种群大小。
B-4-3:对该种群求得非支配分层解集,通过动态拥挤度距离进行降序排列,取前一半作为新一代种群。
所述基于TOPSIS法确定储能系统配置最优方案步骤为:
C-1:对每个个体外层目标函数值进行规范化无量纲处理:
其中fi是表示第i个目标函数,M为目标函数总数;xj表示种群中第j个个体的决策变量,N表示种群中非支配解集大小。
C-2:最终种群的各目标函数贡献度为:
C-3:所有目标函数的信息熵为:
C-4:通过信息熵计算各指标权重为:
C-5:最终确定M个目标函数所占的权重为:
其中,d+(xj)和d-(xj)分别为方案xj到正理想方案和负理想方案的距离,fi+′和fi-′分别为目标函数i规范化后的最优值和最差值。
电网系统储能电池容量优化配置包含刚性容量配置和柔性容量配置,柔性容量配置通过使用双层规划,得到经济性最优、节点频率偏差最小和新能源弃用量最小的目标的Pareto最优集,最终通过TOPSIS法确定最优解。
实施例4
如图3所示,内、外层模型优化以各类机组出力、储能系统的配置位置、容量和功率为耦合变量进行交替迭代求解。内层优化在计算时需要外层优化提供储能系统的配置位置、容量和功率,而外层优化在计算时需要内层优化提供各类机组出力计算结果。外层优化的每步迭代,需要内层优化执行一次完整的计算过程。
为了更详细地说明本申请技术方案的效果,以下给出具体的工程实例进行验证说明。
以某市区域电网储能优化配置工程作为实例,该市有5个风电场,4个光伏电站共43个节点其接线图如图4所示。对该区域电网进行储能优化配置,代入双层优化配置中所得结果如表1和表2所示。
表1储能定容选址优化结果
以pareto最优解1为例,对比区域电网有无配置储能,分析储能优化配置在促进新能源消纳的作用。
表2区域电网配置储能前后新能源消纳情况
由表2可知储能优化配置后新能源的弃用量大幅减少,新能源弃用率也大幅降低,储能对于新能源消纳的效果明显。
尽管上面已经示出和描述了本发明的实施方式,可以理解的是,上述实施方式是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施方式进行变化、修改、替换和变型。本发明的保护范围由权利要求书及其等同技术方案限定。
Claims (8)
1.一种促进可再生能源消纳的储能优化配置双层规划方法,其特征在于,包括如下步骤:
S1:采集电网系统基础数据;
S2:利用所述电网系统基础数据,建立电网系统和储能配置数学模型,所述数学模型包括内层目标函数和外层目标函数;
S3:设置电网系统和储能配置数学模型约束条件;
S4:基于所述数学约束条件,内层利用基于混沌搜索机制的量子粒子群优化算法,得到出力优化目标函数的最优解,对电网系统各类机组出力进行配置;
S5:基于内层所得电网系统各类机组出力进行配置,外层利用改进多目标遗传算法,得到多目标函数的最优解,对储能系统位置、容量、功率进行配置;
S6:基于TOPSIS法确定储能系统配置最优方案。
2.根据权利要求1所述的促进可再生能源消纳的储能优化配置双层规划方法,其特征在于,步骤S1中电网系统基础数据包括网架结构数据、典型日负荷特性、各类机组参数数据和算法参数设定以及系统运行成本计算参数。
3.根据权利要求1所述的促进可再生能源消纳的储能优化配置双层规划方法,其特征在于,步骤S2中外层目标函数为最小新能源弃用量、节点频率偏差量和储能系统全寿命周期成本,内层目标函数为最小等效日负荷曲线标准差;
所述最小新能源弃用量表达式为:
其中F1表示电网在全时段的新能源的弃用量,单位MW;PW_t_f表示时段t的日前风电预测出力,单位MW;PW_t表示t时段风电的实际出力,单位MW;PS_t_f表示时段t的日前光伏发电预测出力,单位MW;PS_t表示t时段光伏发电的实际出力,单位MW;T表示采样时间的个数,无单位;
所述最小节点频率偏差量表达式为:
其中F2表示节点频率偏差量,单位Hz;Nb表示系统节点个数,无单位;fi_t表示第i个节点在t时刻的频率,单位Hz;f0表示额定频率,单位Hz;
所述最小储能系统全寿命周期成本表达式为:
minF3=λBessSbessδSOCnbess
其中F3表示储能系统全寿命周期成本,单位元;λBess为度电成本,单位元/kWh;nbess为储能系统的循环次数,无单位;SbessδSOC表示每次储能系统的充/放电量,单位kWh;
所述最小等效日负荷曲线标准差表达式为:
其中F4表示等效日负荷曲线标准差,单位MW;Pload(t)为等效日负荷,t时间段内实际负荷值吸收新能源出力和储能系统出力之和后的值,单位MW;Pbess(t)为t时间段内储能系统充放电量,单位MW,Pbess(t)>0储能系统充电,反之放电;Ppv(t)为t时间段内光伏机组出力,单位MW;Pwind(t)为t时间段内风力机组出力,单位MW;Ps为常规机组平均出力,单位MW。
4.根据权利要求1所述的促进可再生能源消纳的储能优化配置双层规划方法,其特征在于,步骤S3中电网系统和储能配置数学模型约束条件包括各类机组出力约束、储能电池功率约束、储能电池容量约束和储能电池荷电状态约束;
所述电网系统各类机组出力约束表达式为:
其中Ps_i_max和Ps_i_min表示常规机组第i台出力上下限,Ps_i(t)表示第i台常规机组在时段t的实际出力;Pw_j表示风力机组第j台预测出力,Pw_j(t)表示第j台常规机组在时段t的实际出力;Ppv_j表示光伏机组第k台预测出力,Ppv_k(t)表示第k台常规机组在时段t的实际出力;单位均为MW;
所述储能电池功率约束表达式为:
式中,Ebess为储能系统的额定容量;Ssoc_max、Ssoc0为储能系统荷电状态的上、下限,保障储能系统避免过充过放;Pcap为储能系统的额定充放电功率,Pbess(t)>0为充电,Pbess(t)<0为放电;单位均为MW;
所述储能电池容量约束表达式为:
其中ηbc为储能电池充放电效率,无单位;
所述储能电池荷电状态约束表达式为:
SSOC0≤SSOC(t)≤SSOC_max(t=1,K,T)
其中SSOC(t)表示t时段储能电池荷电状态,无单位。
5.根据权利要求1所述的促进可再生能源消纳的储能优化配置双层规划方法,其特征在于,步骤S4中,所述内层基于混沌搜索机制的量子粒子群优化算法包括以下步骤:
步骤A-1:设定粒子群个数和迭代次数,将电网系统常规机组、风电机组、光伏机组和储能系统出力编码作为决策变量,对应为粒子的位置;
步骤A-2:随机生成粒子群,该粒子群满足各类机组出力约束、储能电池功率约束、储能电池容量约束和储能电池荷电状态约束;
步骤A-3:结合外层算法得到的储能系统优化配置,计算各个粒子对应的目标函数值即等效日负荷曲线标准差,将各个粒子降序排列,更新各个粒子和粒子群的历史最佳位置;
步骤A-4:判断是否达到设定迭代次数,若是则输出电网系统常规机组、风电机组、光伏机组和储能系统出力至外层算法;若否,则利用混沌搜索机制更新量子粒子位置信息至A-3;
所述量子粒子位置更新表达式为:
其中Xi为第i次迭代粒子位置;Pi为粒子第i次迭代历史最佳位置和群体历史最佳位置之间的一个位置;Mbest为当前迭代各个粒子的平均最佳位置;pbest_i和gbest分别为单个粒子和粒子群第i次迭代的最佳位置;α不大于1,Φ和μ为(0,1)上的均匀分布数值,取+和-概率都为0.5;
所述混沌搜索机制表达式为:
其中t为当前迭代次数,tmax为最大叠加次数,μ为(0,1)内的随机数。
6.根据权利要求1所述的促进可再生能源消纳的储能优化配置双层规划方法,其特征在于,步骤S5中,所述外层改进多目标遗传算法包括以下步骤:
步骤B-1:设定种群个数和迭代次数,对储能系统的位置和储能系统的容量、功率决策变量进行染色体编码;
步骤B-2:随机生成种群,该种群满足储能电池功率约束、储能电池容量约束和储能电池荷电状态约束;
步骤B-3:结合内层算法得到的各类机组优化出力,计算每个个体对应的目标函数值即新能源弃用量、节点频率偏差量和储能系统全寿命周期成本,并取其倒数为适应值;求得非支配分层解集,通过动态拥挤度距离进行NSGA II降序排列;
所述动态拥挤度距离表达式为:
其中fk(xi)表示个体i的第k个目标函数,fkmax和fkmin第k个目标函数的上、下限;
步骤B-4:判断是否达到设定迭代次数,若是则输出种群信息即储能系统的位置、容量和功率;若否,则利用选择、交叉、变异,并通过精英策略保留适应度高的父代个体直接归入子代中,得到所有Pareto最优解输出至内层步骤A-3。
7.根据权利要求6所述的促进可再生能源消纳的储能优化配置双层规划方法,其特征在于,步骤B-4中,所述选择、交叉、变异和精英策略具体步骤为:
B-4-1:采用SBX交叉算子和多项式变异算子对父代个体进行交叉和变异;其中,所述SBX交叉算子模拟二进制交叉过程,对编码后的父代个体根据给定的随机交叉点,对两个父代个体位于交叉点两侧的片段进行交换;所述多项式变异算子是基于多项式分布的变异算子;
B-4-2:将父代个体集合和子代个体集合合并为一个集合,合并集合中的个体数为两倍初始种群大小;
B-4-3:对该种群求得非支配分层解集,通过动态拥挤度距离进行降序排列,取前一半作为新一代种群。
8.根据权利要求1所述的促进可再生能源消纳的储能优化配置双层规划方法,其特征在于,步骤S6中,所述基于TOPSIS法确定储能系统配置最优方案步骤为:
C-1:对每个个体外层目标函数值进行规范化无量纲处理:
其中fi是表示第i个目标函数,M为目标函数总数;xj表示种群中第j个个体的决策变量,N表示种群中非支配解集大小。
C-2:最终种群的各目标函数贡献度为:
C-3:所有目标函数的信息熵为:
C-4:通过信息熵计算各指标权重为:
C-5:最终确定M个目标函数所占的权重为:
其中,d+(xj)和d-(xj)分别为方案xj到正理想方案和负理想方案的距离,fi+′和fi-′分别为目标函数i规范化后的最优值和最差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211197912.3A CN115622101A (zh) | 2022-09-29 | 2022-09-29 | 一种促进可再生能源消纳的储能优化配置双层规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211197912.3A CN115622101A (zh) | 2022-09-29 | 2022-09-29 | 一种促进可再生能源消纳的储能优化配置双层规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115622101A true CN115622101A (zh) | 2023-01-17 |
Family
ID=84861657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211197912.3A Pending CN115622101A (zh) | 2022-09-29 | 2022-09-29 | 一种促进可再生能源消纳的储能优化配置双层规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115622101A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117559507A (zh) * | 2024-01-04 | 2024-02-13 | 武汉理工大学 | 一种构网型储能电站定容选址优化配置方法及系统 |
CN117728474A (zh) * | 2024-02-08 | 2024-03-19 | 河海大学 | 清洁能源基地储能容量优化配置方法、装置、设备及介质 |
-
2022
- 2022-09-29 CN CN202211197912.3A patent/CN115622101A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117559507A (zh) * | 2024-01-04 | 2024-02-13 | 武汉理工大学 | 一种构网型储能电站定容选址优化配置方法及系统 |
CN117559507B (zh) * | 2024-01-04 | 2024-05-24 | 武汉理工大学 | 一种构网型储能电站定容选址优化配置方法及系统 |
CN117728474A (zh) * | 2024-02-08 | 2024-03-19 | 河海大学 | 清洁能源基地储能容量优化配置方法、装置、设备及介质 |
CN117728474B (zh) * | 2024-02-08 | 2024-04-26 | 河海大学 | 清洁能源基地储能容量优化配置方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104701871B (zh) | 一种含风光水多源互补微网混合储能容量最佳配比方法 | |
CN115622101A (zh) | 一种促进可再生能源消纳的储能优化配置双层规划方法 | |
CN113326467A (zh) | 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统 | |
CN115271195A (zh) | 一种基于改进遗传算法的电力系统多目标储能优化方法 | |
CN104616071B (zh) | 一种风光储互补发电系统优化配置方法 | |
CN106712060B (zh) | 一种基于多代理的百兆瓦级电池储能系统控制方法及系统 | |
CN113629775B (zh) | 一种基于模糊逻辑的氢储能系统集群出力决策方法 | |
CN114722728A (zh) | 一种风光储混合储能容量优化配置方法及系统 | |
Yin et al. | Optimal scheduling of electric vehicle integrated energy station using a novel many-objective stochastic competitive optimization algorithm | |
CN117134409A (zh) | 考虑电-氢-热互补的微网系统及其多目标优化配置方法 | |
CN115940284B (zh) | 一种考虑分时电价的新能源制氢系统的运行控制策略 | |
CN114759616B (zh) | 一种考虑电力电子器件特性的微电网鲁棒优化调度方法 | |
CN116645089A (zh) | 一种考虑退役电池容量退化的储能系统双层优化配置方法 | |
CN114069621B (zh) | 计及多能源系统稳定性的多目标协同优化安全调度方法 | |
CN115375032A (zh) | 一种含分布式储能的区域电网多时间尺度优化调度方法 | |
Hua et al. | Coordinated optimal dispatch for active distribution network under multi-time scales | |
Kai et al. | Optimization for PV-ESS in Distribution Network Based on CSBO | |
CN112952914A (zh) | 一种多能互补电力系统多目标运行优化方法 | |
CN112117772A (zh) | 一种新能源接入下计及输电阻塞的储能快速优化配置方法 | |
CN112069676A (zh) | 一种含清洁能源的微电网能量管理方法 | |
Yuanyuan et al. | Research on the available power supply capacity assessment method considering the access of large-scale new energy generation and electric vehicle charging facilities | |
CN104578135B (zh) | 一种基于异构储能系统的功率可预测性控制方法 | |
Zhou et al. | Research on Multi-Objective Optimization of Household Photovoltaic Energy Storage and Grid System | |
Zhao et al. | A Wind Power/Photovoltaic/Hydropower/Pumped Storage Power Station System Sizing Strategy | |
Cheng et al. | Development Mode and New Technology Application of Modern Rural Power Grid Under Genetic Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |