CN115660327A - 一种计及电池运行效率和衰减特性的改进混沌粒子群储能优化配置方法 - Google Patents
一种计及电池运行效率和衰减特性的改进混沌粒子群储能优化配置方法 Download PDFInfo
- Publication number
- CN115660327A CN115660327A CN202211239789.7A CN202211239789A CN115660327A CN 115660327 A CN115660327 A CN 115660327A CN 202211239789 A CN202211239789 A CN 202211239789A CN 115660327 A CN115660327 A CN 115660327A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- battery
- cost
- model
- chaotic
- 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 108
- 239000002245 particle Substances 0.000 title claims abstract description 89
- 230000000739 chaotic effect Effects 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 30
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 48
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 48
- 230000008901 benefit Effects 0.000 claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000005312 nonlinear dynamic Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 9
- 238000007599 discharging Methods 0.000 claims description 35
- 230000032683 aging Effects 0.000 claims description 26
- 230000005611 electricity Effects 0.000 claims description 23
- 238000012423 maintenance Methods 0.000 claims description 16
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 14
- 229910052799 carbon Inorganic materials 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000011084 recovery Methods 0.000 claims description 9
- 230000002028 premature Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000035882 stress Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 claims description 3
- 230000010287 polarization Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000004044 response Effects 0.000 abstract description 3
- 238000012983 electrochemical energy storage Methods 0.000 description 4
- 238000004064 recycling Methods 0.000 description 4
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 101150067055 minC gene Proteins 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种计及电池运行效率和衰减特性的改进混沌粒子群储能优化配置方法,首先建立电池运行效率模型和电池寿命衰减特性模型;然后,建立电池储能成本效益模型;其次,建立以投资建设成本最小和系统收益最大为目标的容量配置模型,并考虑锂离子电池在储能系统中的充放电约束;并采用一种基于非线性动态化学习因子与自适应惯性权重的改进混沌粒子群算法求解优化模型;最后,设定改进混沌粒子群算法初始值和优化配置模型各个参数,求解出成本最低化和收益最大化的容量配置结果。本发明综合考虑了储能系统建设成本,最大化系统收益,还有助于调节需求响应和削峰填谷,为电网的稳定安全运行做出了保障。
Description
技术领域
本发明属于储能系统优化配置技术领域,具体涉及一种计及电池运行效率和衰减特性的改进混沌粒子群储能优化配置方法。
背景技术
当前,我国经济迅猛发展,电网高峰用电需求日益上增,而峰谷差越来越明显,使得电网运行不安全稳定。近年来,新能源优势突出,能源转型,新能源大规模并网,其本身发电出力的随机波动性也造成了一定程度上的影响。然而,电池储能系统作为能源供需转移的重要途径,在电力系统中发挥关键作用。储能系统可以及时响应需求信息,降低需求峰谷差,能够有效促进新能源消纳,成为了高比例新能源系统的必要措施。
由于电化学储能较大范围的安装及运行,电化学储能电池的运行效能变化和寿命衰减特性,对电力系统的运行经济性、可靠性影响也日益加大。至今,电池储能的工作状态、调控方式均相对简单,绝大多数仅考虑了储能设备的充放电功率、储能能量上下限约束、储能时间控制,但极少有专门考虑了储能运行效率变化的,且通常设计为稳定值。至于电池寿命的衰减模型,则单纯地处理为充放电电量或功耗的多项式。所以,目前储能模型并未充分依据运行工况改变而考虑电池的运行效能及寿命衰减特性。
发明内容
鉴于此,本发明的目的在于提供一种计及电池运行效率和衰减特性的改进混沌粒子群储能优化配置方法,综合考虑了储能系统建设成本,最大化系统收益,还有助于调节需求响应和削峰填谷。
本发明提供如下技术方案,一种计及电池运行效率和衰减特性的改进混沌粒子群储能优化配置方法,具体包括如下步骤:
S1:建立锂离子电池运行效率模型和寿命衰减特性模型;
S2:建立锂离子电池储能成本效益模型;
S3:建立以投资建设成本最小和系统收益最大为目标的容量配置模型,并考虑储能系统锂离子电池充放电约束条件;
S4:采用基于非线性动态化学习因子与自适应惯性权重的改进混沌粒子群算法求解优化模型;
S5:设定改进混沌粒子群算法初始值和优化配置模型各个参数,得到在成本最低、收益最大情况下的优化配置结果。
进一步地,步骤S1中,建立电池运行效率、寿命衰减模型具体如下:
已有资料证实,电化学储能的充放电深度、充放电效率和温度都将改变储能电池的效率以及寿命衰减功能。电化学储能的工作效率和寿命衰减特征很明显地反映了储能体系的工作安全性和经济效益。本发明使用系统安全稳定、比能力高的锂离子储能电池研究。
S1.1运行效率建模
研究锂离子电池储能系统包含多个电池单元,获得了锂离子电池的充放电损耗与荷电状态(SOC)、充放电功率及工作温度之间的关系。
在不同工作情况下,锂离子电池充电损耗与放电损耗的关系式如下:
式中:Pc、Pd为电池的充放电的功率;Plc、Pld为电池组件在充放电过程的
充放电时储能系统功率:
S1.2寿命衰减建模
在放置和充放电过程中,锂离子电池会老化,放置和充放电过程中的老化分别叫做日历老化和循环老化。
S1.2.1日历老化模型
研究发现,锂离子电池的日历老化过程与电池的平均荷电状态(SOC)、闲置时间和环境温度密切相关。在此情况下,构建在不同工作情况下磷酸铁锂电池的日历老化模型。
Arl(t,SSOC,T)=Ct(t)CSOC(SSOC)CT(T)
式中:Arl(t,SSOC,T)为单位时间电池因日历老化衰减的寿命;SSOC为电池的SOC;Ct(t)、CT(T)为电池的时间、温度应力系数;CSOC(SSOC)为电池的SOC应力系数。
S1.2.2循环老化模型
循环老化不同的是,其还和充放电状态相关。通过控制电池日最大循环次数,管理其运行寿命。
Axh(DDOD,SSOC,T)=CDOD(DDOD)CSOC(SSOC)CT(T)
式中:Axh(DDOD,SSOC,T)为在单位时间电池循环衰老的寿命,与DOD、SOC和温度有关,本模型能预估变工况下循环衰老程度。
步骤S2中,建立锂离子电池储能成本效益模型具体如下:
S2.1碳减排收益(降低需量电费带来的收益)
储能系统的碳排放模式为间接碳排放,是指通过出售电能减少的碳排放。将碳排放转化为成本收益避免了多目标优化中权重选取的不足,并在优化配置模型中考虑了碳排放。
S2.2峰谷电价差收益
在电价、负荷需求较低时储能系统充电;在电价、负荷需求较高时系统放电。
锂离子电池储能系统使用分时电价机制,通过峰谷电价差来获得收益。
式中,Ib为峰谷电价差收益;ce,k为一天内k时段的电价,k取1~24。
S2.3储能电池回收效益
当储能设备到达一定年限时,回收能够得到相应的收益。收益的多少与回收系数和投入的成本有关。
Irec=γCin
式中,Irec为回收效益;γ为回收系数;Cin为投资成本。
S2.4投资成本
储能系统的投入成本,主要是购买储能装置的成本。它主要包括两类,一类是容量成本,与锂离子电池的购置成本相关;另一类是功率成本,主要是储能转换器的成本。
式中,Cin为投资成本;cE为储能电池系统单位容量成本;cp为功率转换单元功率成本;A为储能电池的最终寿命;Em、Pm为储能电池系统的额定容量、
功率;
S2.5运行维护成本
储能系统的运行维护成本主要是锂离子电池和储能电能变换器的维护费用。
Cr=cw,EEm+cw,PPm
式中,Cr为运行维护成本;cw,E为储能系统运维单位容量成本;cw,P为变换器单位功率运维成本。
S2.6储能电池损失成本
结合步骤S1中的锂离子电池运行效率模型,得到锂离子电池充放电时的功率损耗,从而得出储能电池损失成本。
Closs=ce,k(Pld+Plc)
式中,Closs为电池充放电时功率损失成本。
步骤S3中,建立以投资建设成本最小和系统收益最大为目标的容量配置模型,并考虑锂离子电池在储能系统中的充放电约束,具体如下:
S3.1建立储能系统优化配置模型的目标函数
成本最低化:
F1=minC=Cin+Cr+Closs
收益最大化:
F2=maxI=Ia+Ib+Irec
总成本最低为目标函数:
F=F1+F2
S3.2锂离子电池充放电约束条件
式中:Pc(t)、Pd(t)分别为储能装置t时段的充、放电功率;Smin、Smax为储能系统最小、最大容量。
步骤S4具体如下:
基于改进的混沌粒子群算法求解优化模型:
1)设置储能系统最优配置模型的基本参数,并初始化粒子群。
2)代入储能优化模型,设置约束条件,实现储能充放电功率的分配。
3)初始化参数,设置混沌粒子群算法初始值和混沌搜索的最大迭代次数。
4)根据约束条件初始化一组粒子,并更新粒子位置和速度。
5)将粒子代入储能目标函数,分析得到的适应值,把所得适应值,与个体、全局最优值进行对比,并更新两个最优值。
6)计算粒子的平均粒距,并分析是否存在早熟现象,如果出现早熟,则执行混沌搜索步骤7);若无早熟,则转至步骤8)。
7)进行混沌搜索,先获取所有混沌变量或序列,得到混沌变量或混沌序列,然后转换到规定范围内,以获取到新序列,直至最高迭代数,从而将粒子随机替换为混沌搜寻的最可行点。
8)对每个粒子的速度和位置进行更新,为确定是否符合结束条件,符合,则转入步骤9);反之,返回步骤5)。
9)算法结束,返回的全局最佳值即为模型最优解。
进一步地,对于步骤S4,本发明对混沌粒子群算法做出改进,将其学习因子非线性动态化,并且自适应惯性权重系数。
S4.1非线性动态学习因子
通过非线性策略对学习因子进行调整,利用其非线性的变化对算法的局部和全局搜索进行控制,可以获得更加理想的效果。使用三角函数的非线性动态调整学习因子来控制粒子的局部开拓能力和全局收敛能力。c1和c2的动态取值如下:
c1=α+cos2(αt·(Itermax))+β·rand()/δ
c2=α+sin2(αt·(Itermax))+β·rand()/δ
c1+c2=1+2(α+β·rand()/δ)
其中α的取值在1.0~1.5之间,Itermax为最大迭代次数,t为迭代次数,rand()表示区间(0,1)上均匀分布的随机数,δ∈[2,10]用于控制随机数的振幅,β取值为1或0用来表示c1和c2在动态更新是否加入扰动rand()/δ。
由上联合可知,c1+c2基本稳定在(0,4)区间内。学习因子c1动态减少同时c2动态增加,对种群粒子速度的更新早期参照个体历史信息,到迭代后期利于粒子信任群体决策,注重社会信息,而不陷入局部最优状态,并收敛为一个全局最优的解或次优解。
S4.2自适应惯性权重系数
通过合理调整惯性权重系数,可以权衡全局性和局部性两者间的平衡。所以,自适应调节ω值大小,能够在改善种群寻优及减少迭代次数层面上有促进作用。通常粒子群算法采用线性递减的权重调整方法,但这无法符合多变的搜索过程,从而致使算法本身能力调节有限制,易陷入迭代中局部最优的困境之内。为了摆脱这样的困扰,本发明采用一种自适应调整的权重变化策略,由于粒子适应度值增大时,权重也随之增大,粒子距全局最优的位置距离也增大,也就是说,粒子适应度值和位置对惯性权重有着重要影响。因此,将粒子的适应度值和位置加入到权重的调整当中。
粒子的适应度值变化率为
式中,fi、favg、fm分别为粒子适应值、平均适应值、最大适应值。
粒子距最优位置的变化率为
式中,lmin、lmax、lig分别为距离最优位置的最小距离、最大距离、粒子i位置。
考虑到粒子自身适应度值和位置两个因素,惯性权重的动态调整公式如下
式中:ωstart、ωend分别是ω的初末值,tmax为最大迭代次数,t为当前迭代次数。
步骤S5设定改进混沌粒子群算法初始值和优化配置模型各个参数,通过依据步骤S4求解出在成本最低化和收益最大化的优化配置结果。
与现有技术相比,本发明具有以下有益效果:计及锂离子电池运行效率和寿命衰减特性,分析锂离子电池储能系统,建立了储能电池的成本效益模型,并建立了储能系统优化配置模型,通过使用混沌粒子群算法嵌入非线性动态学习因子和自适应惯性权重系数,从而躲开早期陷入局部最优,迅速获取全局最优值。本方法经济效益较明显,且对能源的消纳有促进作用,还有助于调节需求响应和削峰填谷。
附图说明
图1是本发明一种计及电池运行效率和衰减特性的改进混沌粒子群储能优化配置方法的流程图;
图2是本发明基于非线性动态化学习因子和自适应权重系数的混沌粒子群算法流程图;
图3是分时电价图;
图4是典型日负荷曲线图;
图5是锂离子电池充放电功率分布图。
具体实施方式
下面结合实施例对本发明做进一步描述。
本发明一种计及电池运行效率和衰减特性的改进混沌粒子群储能优化配置方法,如图1所示,具体按以下步骤实施:
步骤S1中,建立电池运行效率、寿命衰减模型具体如下:
S1.1运行效率建模
研究锂离子电池储能系统包含多个电池单元,获得了锂离子电池的充放电损耗与荷电状态(SOC)、充放电功率及工作温度之间的关系。
在不同工作情况下,锂离子电池充电损耗与放电损耗的关系式如下:
式中:Pc、Pd为电池的充放电的功率;Plc、Pld为电池组件在充放电过程的功率损耗;为锂离子电池单元的额定安时数;为电池单元额定电压;为锂离子电池组件的最大能量容量;k、r为锂离子电池单元极化电阻、内电阻;ηp为变换器的变换效率。
充放电时储能系统功率:
S1.2寿命衰减建模
在放置和充放电过程中,锂离子电池会老化,放置和充放电过程中的老化分别叫做日历老化和循环老化。
S1.2.1日历老化模型
研究发现,锂离子电池的日历老化过程与电池的平均荷电状态(SOC)、闲置时间和环境温度密切相关。在此情况下,构建在不同工作情况下磷酸铁锂电池的日历老化模型。
Arl(t,SSOC,T)=Ct(t)CSOC(SSOC)CT(T)
式中:Arl(t,SSOC,T)为单位时间电池因日历老化衰减的寿命;SSOC为电池的SOC;Ct(t)、CT(T)为电池的时间、温度应力系数;CSOC(SSOC)为电池的SOC应力系数。
S1.2.2循环老化模型
循环老化不同的是,其还和充放电状态相关。通过控制电池日最大循环次数,管理其运行寿命。
Axh(DDOD,SSOC,T)=CDOD(DDOD)CSOC(SSOC)CT(T)
式中:Axh(DDOD,SSOC,T)为在单位时间电池循环衰老的寿命,与DOD、SOC和温度有关,本模型能预估变工况下循环衰老程度。
步骤S2中,建立锂离子电池储能成本效益模型具体如下:
S2.1碳减排收益
本储能系统的碳排放方式为间接碳排放,即指售出电能减少的碳排放。将碳排放折算为成本收益,这样避免了多目标优化中权重选取不客观的弊端,还把碳排放因素考虑在优化配置模型中。
S2.2峰谷电价差收益
电池储能系统采用分时电价机制,电价及负荷需求低时充电,电价及负荷需求高时放电,通过峰谷电价差获得收益。
式中,Ib为峰谷电价差收益;ce,k为一天内k时段的电价,k取1~24。
S2.3储能电池回收效益
在储能设备达到一定的寿命年限时,回收可以获得部分收益。收益量与回收系数及投资成本有关。
Irec=γCin
式中,Irec为回收效益;γ为回收系数;Cin为投资成本。
S2.4投资成本
储能系统的投资成本主要为建设费用,以购买储能装置成本为主。其主要包含两类,一类是容量成本,与锂离子电池的购置成本有关;另一类是功率成本,主要为储能变换器成本。
式中,Cin为投资成本;cE为储能电池系统单位容量成本;cp为功率转换单元功率成本;A为储能电池的最终寿命;Em、Pm为储能电池系统的额定容量、功率。
S2.5运行维护成本
储能系统的运行维护成本主要是锂离子电池和储能电能变换器的维护费用。
Cr=cw,EEm+cw,PPm
式中,Cr为运行维护成本;cw,E为储能系统运维单位容量成本;cw,P为变换器单位功率运维成本。
S2.6储能电池损失成本
结合步骤S1中的锂离子电池运行效率模型,得到锂离子电池充放电时的功率损耗,从而得出储能电池损失成本。
Closs=ce,k(Pld+Plc)
式中,Closs为电池充放电时功率损失成本。
步骤S3中,建立以投资建设成本最小和系统收益最大为目标的容量配置模型,具体如下:
S3.1建立以成本最低化、收益最大化为目标的容量配置模型:
成本最低化:
F1=minC=Cin+Cr+Closs
收益最大化:
F2=maxI=Ia+Ib+Irec
总成本最低为目标函数:
F=F1+F2
S3.2锂离子电池充放电约束条件
式中:Pc(t)、Pd(t)分别为储能装置t时段的充、放电功率;Smin、Smax为储能系统最小、最大容量。
步骤S4具体如下:
如图2所示,基于改进的混沌粒子群算法解算优化模型:
1)设置储能系统优化配置模型的基本参数,初始化粒子群。
2)储能优化模型编入,并设置约束条件,达到对储能充放电功率的分配。
3)初始化参数,设定混沌粒子群算法初始值、混沌搜索最大迭代次数。
4)根据约束条件初始化一群粒子,生成随机粒子的速度与位置。
5)将粒子代入储能目标函数,分析所得适应度值,比较所得适应度值与个体最优值和全局最优值大小,并更新两个最优值。
6)计算粒子的平均粒距,分析是否出现早熟情况,如果有早熟,则进行混沌搜索步骤7);若无早熟,则转至步骤8)。
7)混沌搜索,随机产生混沌变量、混沌序列,并将其变换至取值区间得出新序列,直至混沌迭代数,混沌搜索出的最优点随机取代一粒子。
8)对各粒子的速度和位置进行更新,判断是否满足结束条件,满足,则转步骤9);否则,返回步骤5)。
9)算法结束,返回的全局最优解即为模型最优解。
进一步地,对于步骤S4,本发明对混沌粒子群算法做出改进,将其学习因子非线性动态化,并且自适应惯性权重系数。
S4.1非线性动态学习因子
c1和c2的动态取值如下:
c1=α+cos2(αt·(Itermax))+β·rand()/δ
c2=α+sin2(αt·(Itermax))+β·rand()/δ
c1+c2=1+2(α+β·rand()/δ)
其中α的取值在1.0~1.5之间,Itermax为最大迭代次数,t为迭代次数,rand()表示区间(0,1)上均匀分布的随机数,δ∈[2,10]用于控制随机数的振幅,β取值为1或0用来表示c1和c2在动态更新是否加入扰动rand()/δ。
由上联合可知,c1+c2基本稳定在(0,4)区间内。学习因子c1动态减少同时c2动态增加,对种群粒子速度的更新早期参照个体历史信息,到迭代后期利于粒子信任群体决策,注重社会信息,而不陷入局部最优状态,并收敛为一个全局最优的解或次优解。
S4.2自适应惯性权重系数
通过合理调整惯性权重系数,可以权衡全局性和局部性两者间的平衡。所以,自适应调节ω值大小,能够在改善种群寻优及减少迭代次数层面上有促进作用。通常粒子群算法采用线性递减的权重调整方法,但这无法符合多变的搜索过程,从而致使算法本身能力调节有限制。为了摆脱这样的困扰,本发明采用一种自适应调整的权重变化策略,由于粒子适应度值增大时,权重也随之增大,粒子距全局最优的位置距离也增大,也就是说,粒子适应度值和位置对惯性权重有着重要影响。因此,将粒子的适应度值和位置加入到权重的调整当中。
式中,fi、favg、fm分别为粒子适应值、平均适应值、最大适应值。
粒子距最优位置的变化率为
式中,lmin、lmax、lig分别为距离最优位置的最小距离、最大距离、粒子i位置。
考虑到粒子自身适应度值和位置两个因素,惯性权重的动态调整公式如下
式中:ωstart、ωend分别是ω的初末值,tmax为最大迭代次数,t为当前迭代次数。
步骤S5给定改进混沌粒子群算法初始值和优化配置模型各个参数,通过依据步骤S4求解出在最大年收益和最低碳排放量下的容量配置方案结果。
实施例
这里以某个地区实际负荷为例,对储能系统配置优化过程进行分析,其中分时电价与典型日负荷如图3、图4所示。此地区根据年发电量划分电价峰、平、谷三时段。峰时、平时、谷时电价分别为1.016元/(kW·h)、0.694元/(kW·h)、0.365元/(kW·h),电价峰谷差0.651元/(kW·h)。储能系统的容量4MW·h,储能充放电功率上限为500kW,荷电状态上下限为0.9、0.1。储能电池为磷酸铁锂电池,其单位容量成本是1350元/kW,单位功率成本为1150元/kW。本算法设定最大迭代次数为100,种群数量为100,初始的学习因子c1取2.5,c2取1.5,ωstart、ωend分别取0.4,、0.9,通过改进的混沌粒子群算法得到储能系统配置优化结果如图5所示,相比于没有使用本发明储能配置的系统降低成本6834元。本发明所提出的电池储能系统配置模型经济上具有较为明显的效益,而且在促进新能源消纳、削峰填谷方面也较显著,利于系统稳定运行。
以上所述仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形、改进及替代,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种计及电池运行效率和衰减特性的改进混沌粒子群储能优化配置方法,其特征在于,包括如下步骤:
S1:建立锂离子电池运行效率模型和寿命衰减模型;
S2:建立锂离子电池储能成本效益模型;
S3:建立以投资建设成本最小和系统收益最大为目标的容量配置模型,并考虑锂离子电池在储能系统中的充放电约束;
S4:采用基于非线性动态化学习因子与自适应惯性权重的改进混沌粒子群算法求解优化模型;
S5:设定改进混沌粒子群算法初始值和优化配置模型各个参数,求解出成本最低化和收益最大化的容量配置结果。
2.根据权利要求1所述的一种计及电池运行效率和衰减特性的改进混沌粒子群储能优化配置方法,其特征在于,步骤S1中建立锂离子电池运行效率模型和寿命衰减模型,具体包括:
(a)运行效率模型
在不同工作情况下,锂离子电池充电损耗与放电损耗的关系式如下:
式中:Pc、Pd为电池的充放电的功率;Plc、Pld为电池组件在充放电过程的功率损耗;为锂离子电池单元的额定安时数;为电池单元额定电压;为锂离子电池组件的最大能量容量;k、r为锂离子电池单元极化电阻、内电阻;ηp为变换器的变换效率;
充放电时储能系统功率:
(b)寿命衰减模型
日历老化模型
Arl(t,SSOC,T)=Ct(t)CSOC(SSOC)CT(T)
式中:Arl(t,SSOC,T)为单位时间电池因日历老化衰减的寿命;SSOC为电池的SOC;Ct(t)、CT(T)为电池的时间、温度应力系数;CSOC(SSOC)为电池的SOC应力系数;
循环老化模型
Axh(DDOD,SSOC,T)=CDOD(DDOD)CSOC(SSOC)CT(T)
式中:Axh(DDOD,SSOC,T)为在单位时间电池循环衰老的寿命,与DOD、SOC和温度有关。
3.根据权利要求2所述的一种计及电池运行效率和衰减特性的改进混沌粒子群储能优化配置方法,其特征在于,步骤S2中建立锂离子电池储能系统成本效益模型,具体包括:
(a)碳减排收益
(b)峰谷电价差收益
式中,Ib为峰谷电价差收益;ce,k为一天内k时段的电价,k取1~24;
(c)储能电池回收效益
Irec=γCin
式中,Irec为回收效益;γ为回收系数;Cin为投资成本;
(d)投资成本
式中,Cin为投资成本;cE为储能电池系统单位容量成本;cp为功率转换单元功率成本;A为储能电池的最终寿命;Em、Pm为储能电池系统的额定容量、功率;
(e)运行维护成本
Cr=cw,EEm+cw,PPm
式中,Cr为运行维护成本;cw,E为储能系统运维单位容量成本;cw,P为变换器单位功率运维成本;
(f)储能电池功率损失成本
Closs=ce,k(Pld+Plc)
式中,Closs为电池充放电时功率损失成本。
5.根据权利要求4所述的一种计及电池运行效率和衰减特性的改进混沌粒子群储能优化配置方法,其特征在于,步骤S4中,基于改进的混沌粒子群算法求解优化模型,具体过程如下:
1)设置储能系统最优配置模型的基本参数,并初始化粒子群;
2)代入储能优化模型,设置约束条件,实现储能充放电功率的分配;
3)初始化参数,设置混沌粒子群算法初始值和混沌搜索的最大迭代次数;
4)根据约束条件初始化一组粒子,并更新粒子位置和速度;
5)将粒子代入储能目标函数,分析得到的适应值,把所得适应值,与个体、全局最优值进行对比,并更新两个最优值;
6)计算粒子的平均粒距,并分析是否存在早熟现象,如果出现早熟,则执行混沌搜索步骤7);若无早熟,则转至步骤8);
7)进行混沌搜索,先获取所有混沌变量或序列,得到混沌变量或混沌序列,然后转换到规定范围内,以获取到新序列,直至最高迭代数,从而将粒子随机替换为混沌搜寻的最可行点;
8)对每个粒子的速度和位置进行更新,为确定是否符合结束条件,符合,则转入步骤9);反之,返回步骤5);
9)算法结束,返回的全局最佳值即为模型最优解。
6.根据权利要求5所述的一种计及电池运行效率和衰减特性的改进混沌粒子群储能优化配置方法,其特征在于,步骤S4中,改进了混沌粒子群算法,将其学习因子非线性动态化,并且自适应惯性权重系数;
S4.1非线性动态学习因子
通过非线性策略对学习因子进行调整,利用其非线性的变化对算法的局部和全局搜索进行控制,使用三角函数的非线性动态调整学习因子来控制粒子的局部开拓能力和全局收敛能力;c1和c2的动态取值如下:
c1=α+cos2(αt·(Itermax))+β·rand()/δ
c2=α+sin2(αt·(Itermax))+β·rand()/δ
c1+c2=1+2(α+β·rand()/δ)
其中α的取值在1.0~1.5之间,Itermax为最大迭代次数,t为迭代次数,rand()表示区间(0,1)上均匀分布的随机数,δ∈[2,10]用于控制随机数的振幅,β取值为1或0用来表示c1和c2在动态更新是否加入扰动rand()/δ;
由上联合可知,c1+c2基本稳定在(0,4)区间内;学习因子c1动态减少同时c2动态增加,对种群粒子速度的更新早期参照个体历史信息,至迭代后期利于粒子信任群体决策,注重社会信息,而不陷入局部最优状态,并收敛为一个全局最优的解或次优解;
S4.2自适应惯性权重系数
采用自适应调整的权重变化策略,将粒子的适应度值和位置加入到权重的调整当中;
粒子的适应度值变化率为
式中,fi、favg、fm分别为粒子适应值、平均适应值、最大适应值;
粒子距最优位置的变化率为
式中,lmin、lmax、lig分别为距离最优位置的最小距离、最大距离、粒子i位置;
考虑到粒子自身适应度值和位置两个因素,惯性权重的动态调整公式如下
式中:ωstart、ωend分别是ω的初末值,tmax为最大迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211239789.7A CN115660327A (zh) | 2022-10-11 | 2022-10-11 | 一种计及电池运行效率和衰减特性的改进混沌粒子群储能优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211239789.7A CN115660327A (zh) | 2022-10-11 | 2022-10-11 | 一种计及电池运行效率和衰减特性的改进混沌粒子群储能优化配置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115660327A true CN115660327A (zh) | 2023-01-31 |
Family
ID=84988103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211239789.7A Pending CN115660327A (zh) | 2022-10-11 | 2022-10-11 | 一种计及电池运行效率和衰减特性的改进混沌粒子群储能优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660327A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118094198A (zh) * | 2024-04-26 | 2024-05-28 | 南昌航空大学 | 基于StemGNN的动力电池循环寿命动态调节方法 |
CN118944155A (zh) * | 2024-07-23 | 2024-11-12 | 中国华能集团清洁能源技术研究院有限公司 | 钠离子电池储能系统优化配置模型的构建方法 |
-
2022
- 2022-10-11 CN CN202211239789.7A patent/CN115660327A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118094198A (zh) * | 2024-04-26 | 2024-05-28 | 南昌航空大学 | 基于StemGNN的动力电池循环寿命动态调节方法 |
CN118944155A (zh) * | 2024-07-23 | 2024-11-12 | 中国华能集团清洁能源技术研究院有限公司 | 钠离子电池储能系统优化配置模型的构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325608B (zh) | 考虑储能并计及光伏随机性的分布式电源优化配置方法 | |
CN110311421B (zh) | 基于需求侧响应的微电网多时间尺度能量管理方法 | |
Oudalov et al. | Sizing and optimal operation of battery energy storage system for peak shaving application | |
CN108667052A (zh) | 一种面向虚拟电厂优化运行的多类型储能系统规划配置方法及系统 | |
CN113343478B (zh) | 考虑不确定性和需求响应的独立微网容量优化配置方法 | |
CN112234617A (zh) | 一种考虑出力外特性的虚拟电厂多目标优化调度方法 | |
CN111934360B (zh) | 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法 | |
CN113839401A (zh) | 一种考虑电氢耦合的综合能源系统容量优化配置方法 | |
CN109713666B (zh) | 一种基于K-means聚类的电力市场下分布式储能经济性调控方法 | |
CN113095791A (zh) | 一种综合能源系统运行方法及系统 | |
CN114069678A (zh) | 一种考虑储能退化成本的光储直流微电网能量调度方法 | |
CN110717259A (zh) | 面向用户侧的电池储能配置与运行优化方法 | |
CN115660327A (zh) | 一种计及电池运行效率和衰减特性的改进混沌粒子群储能优化配置方法 | |
CN111327053A (zh) | 一种适用于极地气候下的多源微电网容量优化配置方法 | |
CN115036920A (zh) | 一种混合储能参与调频辅助服务市场的容量投标方法 | |
CN113794199A (zh) | 一种考虑电力市场波动的风电储能系统最大收益优化方法 | |
CN112928767B (zh) | 一种分布式储能协同控制方法 | |
CN117559526A (zh) | 一种基于光储充一体化充电站的拟路由器能量调控方法 | |
CN110492482A (zh) | 一种用于延缓配电设备升级改造的储能经济调度方法 | |
CN116914821A (zh) | 一种基于改进粒子群算法的微电网低碳优化调度方法 | |
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 | |
CN108683211A (zh) | 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型 | |
CN118861717A (zh) | 一种容量、场景、运行一体化的电氢储能规划方法及系统 | |
CN113673763A (zh) | 利用退役电池的综合能源电/热混合储能控制方法及装置 | |
CN118487295A (zh) | 一种光储氢集站实时能量管理方法及系统 |
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 |