CN115833208B - 获取电池储能系统运行调度策略的方法及电子设备 - Google Patents
获取电池储能系统运行调度策略的方法及电子设备 Download PDFInfo
- Publication number
- CN115833208B CN115833208B CN202310023797.6A CN202310023797A CN115833208B CN 115833208 B CN115833208 B CN 115833208B CN 202310023797 A CN202310023797 A CN 202310023797A CN 115833208 B CN115833208 B CN 115833208B
- Authority
- CN
- China
- Prior art keywords
- solution
- individual
- value
- current
- representing
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/10—Flexible AC transmission systems [FACTS]
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及获取电池储能系统运行调度策略的方法及电子设备,属于电池储能技术领域,本申请的方法包括,获取并基于目标电池储能系统的运行限制数据,构建表征系统损耗的目标函数;以目标函数的函数值最小为目标,根据预设优化算法基于迭代计算对目标函数进行优化求解,得到表征系统调度配置的控制变量的最优解;根据最优解所对应的系统调度配置构建生成目标电池储能系统的运行调度策略;本申请的技术方案,采用一种新的优化算法,可快速有效的得到所需的运行调度策略,有利于实际中对电池储能系统的控制管理。
Description
技术领域
本申请属于电池储能技术领域,具体涉及一种获取电池储能系统运行调度策略的方法及电子设备。
背景技术
光伏和风能等可再生能源分布式电源接入配电网后,配电网系统由传统的放射状无源网络变成了多源网络,线路潮流将随之发生变化,从而不可避免地对配电网运行和安全产生很大的影响。为了缓解新能源发电对电网的冲击、降低配电网功率损耗,电池储能系统越来越不可或缺。
这种有源配电网电池储能系统在运行调度策略方面,相关技术中多采用相关优化算法求解构建的调度模型。根据计算求解结果,在不同的时间段,选择向储能系统充电,还是让储能系统放电,(如上午9点,让储能系统放电,腾出电池容量,下午太阳足,太阳能发电量大,电池充电,到了晚上,控制电池,让其放电等),使总损耗最小,从而让发的电得到最大的利用,尽量避免弃风弃光。
相关技术,上述相关优化算法包括,如申请号为“202210007329.5”的在先发明专利中提到的基于灰狼算法的优化算法;采用这种基于灰狼算法的优化算法,步骤较繁琐,收敛性不佳,整体方法不能充分发挥并行计算优势,不利于运行调度策略的快速有效获取,影响运行调度策略的实施执行。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
为至少在一定程度上克服相关技术中存在的问题,本申请提供一种获取电池储能系统运行调度策略的方法及电子设备,基于一种新的优化算法进行优化求解,以基于得到的解来获取确定系统的运行调度策略,从而解决现有技术中运行调度策略获取较慢的技术问题。
为实现以上目的,本申请采用如下技术方案:
第一方面,
本申请提出一种获取电池储能系统运行调度策略的方法,该方法包括:
获取并基于目标电池储能系统的运行限制数据,构建表征系统损耗的目标函数;
以所述目标函数的函数值最小为目标,根据预设优化算法基于迭代计算对所述目标函数进行优化求解,得到表征系统调度配置的控制变量的最优解;
根据所述最优解所对应的系统调度配置构建生成所述目标电池储能系统的运行调度策略;
其中,所述进行优化求解的过程,包括:
步骤1,在目标函数的控制向量解空间中,随机生成若干个体解,并对迭代次数变量进行初始化;
步骤2,将所述个体解构成的解集作为当前迭代解集;
步骤3,分配多线程,根据当前迭代解集中各个体解的初始值,计算各个个体解的目标函数值,并基于得到的目标函数值,采用分组并行比较方式对个体解进行评价,从中确定当前最优解和当前最差解;
步骤4,根据所述迭代次数变量的变量值,判断当前迭代次数是否已达迭代最大次数,若迭代次数已达迭代最大次数,则跳转执行步骤12,否则跳转执行步骤5;
步骤5,通过当前最优解和当前最差解,采用预设方式生成确定各个个体解的权重参数,以及生成与各个体解相对应的进行深度搜索所需的参数,其中,所述参数包括相应个体解所对应的随机数和随机单位向量,以及在当前迭代所对应的深度探索阈值;
步骤6,利用各个个体解的权重参数和进行深度搜索所需的参数,进行深度搜索,基于搜索结果确定各个体解位置更新后的值,由此得到各个体解的第一解值;
步骤7,针对各个体解根据如下表达式进行重生操作处理,处理得到各个体解的第二解值:
其中,表示线程i所对应个体解的第一解值,表示线程i所对应个体解在重生后的第二解值,表示线程i在当前迭代于解空间上生成的临时随机解,h表示预设重生阈值,randi4表示线程i所对应个体解在当前迭代所对应的一随机数;
步骤8,针对各个体解的第二解值进行初次后评估,基于评估结果对应得到各个体解的第三解值;
步骤9,根据各个体解的第三解值,确定临时最优解,并针对第三解值,利用所述随机单位向量以所述临时最优解为中心进行空间旋转操作,基于旋转操作结果得到各个体解的第四解值;
步骤10,针对各个体解的第四解值进行二次后评估,对应得到各个体解的第五解值;
步骤11,根据各个体解的第五解值构建新的解集,并将构建的解集作为新的当前迭代解集,再将所述迭代次数变量加一,并跳转执行步骤3;
步骤12,将当前最优解作为最优解进行输出。
可选地,当前迭代解空间中个体解的个数为n,n为2的整数幂;
在步骤3中,所述采用分组并行比较方式对个体解进行评价,从中确定当前最优解和当前最差解,具体为:
分配n/2个线程并行比较两两临近的个体解的目标函数值,将比较中目标函数值较优的个体解列入A组,将比较中目标函数值较差的个体解列入B组;
针对A组的个体解,采用金字塔式逐层两两比较目标函数值,将最后一轮的个体解确定为当前最优解,其中,每轮比较中目标函数值较优的个体解进入下一轮;
针对B组的个体解,采用金字塔式逐层两两比较目标函数值,将最后一轮的个体解确定为当前最差解,其中,每轮比较中目标函数值较差的个体解进入下一轮。
可选地,在步骤5中,通过当前最优解和当前最差解,基于以下表达式确定线程i所对应的个体解在当前迭代d所对应的深度探索阈值,
其中,表示当前最优解所对应的目标函数值,表示当前最差解所对应的目标函数值,表示线程i所处理计算出的目标函数值,ε表示防除零系数。
可选地,在步骤5中,所述生成与各个体解相对应的进行深度搜索所需的参数,具体包括:
基于当前迭代的次数值d’和迭代最大次数值D’计算确定随机数阈值变量ad和bd,其中,,,
并在区间[-ad,ad]内取均匀随机数作为线程i所对应个体解在当前迭代所对应的随机数randi2,在区间[-bd,bd] 内取均匀随机数作为线程i所对应个体解在当前迭代所对应的随机数randi3;
以及在区间[0.5,1]内取随机数作为线程i所对应个体解在当前迭代所对应的随机数randi1,以及在区间[0,1]内取随机数作为线程i所对应个体解在当前迭代所对应的随机数randi4;
以及生成线程i所对应个体解所对应的随机单位向量randi5,其中,randi5的维数与解维数相同;
以及基于以下表达式确定每个线程所对应个体解在当前迭代所对应的深度探索阈值,
。
可选地,步骤6中,所述进行深度搜索具体为基于以下表达式进行深度搜索处理,
其中,
表示线程i在当前迭代所对应的个体解的初始值,表示线程i所对应个体解在搜索后的所对应的第一解值,表示当前最优解,和均表示线程i在当前迭代于解空间上生成的临时随机解。
可选地,步骤9中,基于以下表达式进行空间旋转操作:
其中,表示线程i所对应个体解在初次后评估后的第三解值,
表示线程i所对应个体解在旋转操作后的第四解值,B1Xd表示临时最优解。
可选地,步骤8中,基于以下表达式,针对各个体解的第二解值进行初次后评估:
;
步骤10中,基于以下表达式,针对各个体解的第四解值进行二次后评估:
其中,表示线程i所对应个体解在二次后评估后的第五解值。
第二方面,
本申请提供一种电子设备,包括:
存储器,其上存储有可执行程序;
处理器,用于执行所述存储器中的所述可执行程序,以实现上述所述方法的步骤。
本申请采用以上技术方案,至少具备以下有益效果:
本申请的技术方案,针对电池储能系统的调度策略获取问题,基于目标电池储能系统的运行限制数据来进行数学建模,采用一种新的优化算法来进行模型优化求解,相较现有技术,该优化算法整体效率较高,可快速有效的得到所需的运行调度策略,有利于实际中对电池储能系统的控制管理。
本发明的其他优点、目标,和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书,权利要求书,以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请的技术方案或现有技术的进一步理解,并且构成说明书的一部分。其中,表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案,但并不构成对本申请技术方案的限制。
图1为本申请一个实施例提供的获取电池储能系统运行调度策略的方法的流程示意图;
图2为本申请一个实施例中基于迭代计算对目标函数进行优化求解的算法流程示意图;
图3为本申请一个实施例中分组并行比较实现方式的说明示意图;
图4为本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将对本申请的技术方案进行详细的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本申请所保护的范围。
如背景技术中所述,有源配电网电池储能系统在运行调度策略方面,相关技术中多采用相关优化算法求解构建的调度模型。进而根据计算求解结果,在不同的时间段,选择向储能系统充电,还是让储能系统放电,(如上午9点,让储能系统放电,腾出电池容量,下午太阳足,太阳能发电量大,电池充电,到了晚上,控制电池,让其放电等),使总损耗最小,从而让发的电得到最大的利用,尽量避免弃风弃光。
上述相关优化算法中包括,如申请号为“202210007329.5”的在先发明专利中提到的基于灰狼算法的优化算法;采用这种基于灰狼算法的优化算法,步骤较繁琐,收敛性不佳,整体方法不能充分发挥并行计算优势,不利于运行调度策略的快速有效获取,影响运行调度策略的实施执行。
针对于此,本申请提出一种获取电池储能系统运行调度策略的方法,如图1所示,在一实施例中,本申请提出的获取电池储能系统运行调度策略的方法,包括如下步骤:
步骤S110,获取并基于目标电池储能系统的运行限制数据,构建表征系统损耗的目标函数;
与现有技术类似,该步骤中,是要对目标电池储能系统进行数学建模,该步骤中,举例而言,这里的运行限制数据包括,储能系统所在配电网的传输能力约束(如节点电压、线路容量等)、储能电池本身的限制约束(荷电状态限制等)。
该步骤中,基于限制数据,根据电池模型构建表征系统损耗的目标函数;
如本领域技术人员所知晓的,一般而言电池模型的表达式形式包括:
(1)
(2)
上述表达式(1)、(2)中,SOCt表示第t个时段结束时的荷电状态,SOCt-1表示第t-1个时段结束时的荷电状态,Δt表示时段时长,ΔSOCt表示第t个时段的荷电状态变化量,WBmax表示电池最大容量,ηch表示充电效率,ηdsc表示放电效率。
该步骤中,举例而言,构建的目标函数的表达式形式如下,
(3)
上述表达式(3)中,表示控制变量,f表示总有功功率损耗,罚函数P1表示在一天中的最小和最大限制内的荷电状态值,罚函数P2表示电池储能系统充放电平衡的约束,罚函数P3表示配电网运行的电压限制约束,罚函数P4表示配电网运行的电压限制约束电池储能系统充放电平衡的约束,w1、w2、w3、w4分别表示各罚函数的权重系数。
进一步的,如背景技术中所述,这里的控制变量为一向量,其符号表达形式如下:
(4)
上述表达式(4)中,PB,t表示时段T内第t个子时段的充放电状态,其值大于零表示电池正在充电,其值小于零表示电池正在放电;
举例而言,这里的时段T为一天时长,一个子时段t为1小时,则控制变量为由0、1组成的24维向量,表示一天中24小时每个小时是选择给电池充电(0)还是让电池放电(1),如果为了更准确点,还可以半小时为间隔,来调整电池状态,这时控制变量为48维的向量。
进一步的,表达式(3)中,各罚函数的表达式形式分别如下,
罚函数P1的表达式形式为:
(5)
(6)
表达式(5)、(6)中,P1,t表示分析期内每个时间t内的罚系数,SOCmin表示荷电状态限制下限,SOCmax表示荷电状态限制上限;
罚函数P2的表达式形式为:
(7)
表达式(7)中,SOCT表示最终状态值, SOC0表示初始荷电状态值,εsoc表示可接受荷电状态误差;
罚函数P3的表达式形式为:
(8),(9)
表达式(8)、(9)中,P3,k,t表示时段t内节点k的罚系数,NB表示电网节点集合,Vmin表示节点电压限制下限,Vmax表示节点电压限制上限,Vk,t表示节点k在第t个时段结束时的节点电压;
罚函数P4的表达式形式为:
(10)(11)
表达式(10)、(11)中,P4,ij,t表示时段t内线路ij的罚系数,NL表示电网线路集合,Iij,t表示线路ij在t时段的电流,Imax,ij表示线路ij的电流容量限制。
步骤110之后,就可进行步骤S120了,以目标函数的函数值最小为目标,根据预设优化算法基于迭代计算对目标函数进行优化求解,得到表征系统调度配置的控制变量的最优解;
具体的,本申请这里的优化算法为一种新的优化算法,整体流程如图2所示,相较现有技术,其整体算法效率较高,可快速有效的得到所需的调度配置(具体算法实现在后文进行详述),即可以较快的得到最优解(即表达式(4)形式的调度配置)。
步骤S120之后,进行步骤S130,根据步骤S120中得到的最优解所对应的系统调度配置构建生成目标电池储能系统的运行调度策略;
需要说明的是,该实施例中,步骤S130中的构建过程,主要是指基于相关格式模板,根据最优解所对应的系统调度配置生成满足实际格式要求的,含有运行调度策略信息的数据,以便显示输出或给其他外部系统调用。
例如,该数据直接为储能系统的控制系统所调用并执行,进而实现对目标储能系统的调度控制。
下面结合图2对步骤S120中算法实现的过程进行进一步介绍。
如图2所示,本申请中,根据预设优化算法基于迭代计算对目标函数进行优化求解的过程,具体包括:
步骤1,在目标函数的控制向量解空间中,随机生成若干个体解,并对迭代次数变量进行初始化;
容易理解的是,这里的控制向量解空间,指满足目标函数的可行解;在该解空间中随机生成的若干个体解,有利于使后续求解收敛速度加快,以及搜索的成功率增大;
实际实现中,可以随机生成第一约定数目的随机解,从随机解筛选出满足电池模型约束的解作为可行解,以形成控制向量解空间;
作为一种具体的实施方式,可从随机解筛选出同时满足以下电池模型约束的解作为可行解,
(12)
(13)
表达式(12)、(13)中,SOCT表示最终荷电状态值,SOC0表示初始荷电状态值,εsoc表示可接受荷电状态误差,SOCmin表示荷电状态限制下限,SOCmax表示荷电状态限制上限,SOCt表示第t个时段结束时的荷电状态。
进而在解空间中,随机选取第二约定数目的可行解(值)作为后续所需的个体解(或者说个体解的初始值);
容易理解的是,这里第二约定数目的具体取值,与计算需求相关,为增大全局搜索能力,第二约定数目可进行适当增加;而为更好的实现后续的并行计算处理,第二约定数目(为叙述方便,这里用n表示),n为2的整数幂,一般而且n≥256,如n=216。
继续回到图2,步骤1之后,进行步骤2,将步骤1中得到的n个个体解构成的解集作为当前迭代解集;
再进行步骤3,分配多线程,根据当前迭代解集中各个个体解的初始值,计算各个个体解所对应的目标函数值,并基于得到的目标函数值,采用分组并行比较方式对个体解进行评价,从中确定当前最优解和当前最差解;
具体的,为进一步利用相关计算设备的并行计算能力,步骤3中,采用分组并行比较方式对个体解进行评价,从中确定当前最优解和当前最差解,具体为:
如图3所示(图3中以n=16为例),分配n/2个线程(对应图3中8个线程)并行比较两两临近的个体解的目标函数值,将比较中目标函数值较优的个体解列入A组,将比较中目标函数值较差的个体解列入B组;
针对A组的个体解,采用金字塔式逐层两两比较目标函数值,将最后一轮的个体解确定为当前最优解,其中,每轮比较中目标函数值较优的个体解进入下一轮,每轮次比较过程中,参与并行计算的线程数以1/2的倍数从n/4减到1;
类似的,针对B组的个体解,采用金字塔式逐层两两比较目标函数值,将最后一轮的个体解确定为当前最差解,其中,每轮比较中目标函数值较差的个体解进入下一轮。
这种采用A、B组并行计算最优(差)解,以及上下双金字塔形的比较计算实现方式,可大幅度提升比较实现速度。
继续回到图2,步骤3之后,进行步骤4,根据迭代次数变量的变量值(如将迭代次数变量的变量值与预设值进行比较),判断当前迭代次数是否已达最大次数,若迭代次数已达最大次数,则跳转执行步骤12,将当前最优解作为最优解进行输出,否则跳转执行步骤5;
步骤5中,通过步骤3中确定的当前最优解和当前最差解,采用预设方式生成确定各个个体解的权重参数,以及生成与各个体解相对应的进行深度搜索所需的参数,其中,这里的参数包括相应个体解所对应的随机数和随机单位向量,以及在当前迭代所对应的深度探索阈值;
具体的,在步骤5中,通过当前最优解和当前最差解,基于以下表达式确定线程i所对应的个体解在当前迭代d所对应的深度探索阈值,
(14)
表达式(14)中,A,B指前文中提到的分组,也即本申请线程i的处理计算方式与对应处理对象(这里为个体解)相关,表示当前最优解所对应的目标函数值,表示当前最差解所对应的目标函数值,表示线程i所处理计算出的目标函数值,ε表示防除零系数(例如可取ε=0.0001)。
具体的,在步骤5中,采用预设方式生成与各个体解相对应的进行深度搜索所需的参数,具体包括:
基于当前迭代的次数值d’、迭代最大次数D’以及预设重生阈值h(一般而言,0<h<0.2,0.2即重生个体占比上限为20%,h一般取较小值,如h=0.05)计算确定随机数阈值变量ad和bd,其中,,,
并在区间[-ad,ad]内取均匀随机数作为线程i所对应个体解在当前迭代所对应的随机数randi2,在区间[-bd,bd] 内取均匀随机数作为线程i所对应个体解在当前迭代所对应的随机数randi3;
以及在区间[0.5,1]内取随机数作为线程i所对应个体解在当前迭代所对应的随机数randi1,以及在区间[0,1]内取随机数作为线程i所对应个体解在当前迭代所对应的随机数randi4;
以及生成线程i所对应个体解所对应的随机单位向量randi5,其中,randi5的维数与解维数相同;
以及基于以下表达式确定每个线程所对应个体解在当前迭代所对应的深度探索阈值,
(15)
表达式(15),d代表当前在循环迭代中是第d次迭代。
上述过程中,生成的各种随机变量(randi1……randi4)、随机单位向量,是为了增加后续搜索等过程的随机性。
继续回到图2,步骤5之后,进行步骤6,利用各个个体解的权重参数和进行深度搜索所需的参数,进行深度搜索,基于搜索结果确定各个体解位置更新后的值,由此得到各个体解的第一解值;
具体的,步骤6中,进行深度搜索具体为基于以下表达式进行深度搜索处理,
(16)
表达式(16)中,d表示当前迭代,表示线程i在当前迭代所对应的个体解初始值,表示线程i所对应个体解在搜索后的所对应的第一解值,表示当前最优解,和均表示线程i在当前迭代于解空间上(即目标函数的控制向量解空间中)生成的临时随机解(指一种线程求解的过程值,属于临时性的)。
为理解本申请的探索更新方式,这里对表达式(16)表征的意义进行一下说明。实际实现中,大概率下,会执行表达式(16)第一条件的情况,即在本轮最优解位置附近随机搜索,从而保证搜索的深度;而若目标函数本身的值域很小时,则会出现满足第二条件的情况,在自身附近搜索。
进一步,为赋予算法跳出局部最优的能力,进一步提高全局搜索能力,步骤6之后,进行步骤7,针对各个体解进行重生操作处理,处理得到各个体解的第二解值;
具体的,重生操作处理具体如下表达式所示:
(17)
表达式(17)中,表示线程i所对应个体解在重生后的第二解值,表示线程i在当前迭代于解空间上生成的临时随机解。
容易理解的是,表达式(17)所表征的是,在很小几率下,个体解在迭代过程中进行重生,被赋予了一个新的全局随机位置,此数值与以前的迭代计算过程无关;而若不满足重生条件,相应个体解的值不变,即将该个体解的第一解值传递给第二解值变量。
之后继续图2中步骤8,针对各个体解的第二解值进行初次后评估,基于评估结果对应得到各个体解的第三解值;
具体的,步骤8中,基于以下表达式,针对各个体解的第二解值进行初次后评估:
(18)
表达式(18)中,表示线程i所对应个体解在初次后评估后的第三解值。
本申请中后评估的作用,如表达式(18)所示,是为保证个体的新位置优于其原位置,在本申请中是以相应的目标函数值较小为较优。
之后继续图2中步骤9,根据各个体解的第三解值,确定临时最优解(即第三解值的情况下,目标函数值最小的个体解),针对第三解值(或者说针对第三解值情况下的各个体解),利用随机单位向量以临时最优解为中心进行空间旋转操作,基于旋转操作结果得到各个体解的第四解值;
具体的,步骤9中,基于以下表达式进行空间旋转操作:
(19)
表达式(19)中,表示线程i所对应个体解在旋转操作后的第四解值,B1Xd表示临时最优解。
如表达式(19)所示,空间旋转操作,也是一种搜索的方式,有利于提升搜索深度。
之后继续图2中步骤10,针对各个体解的第四解值进行二次后评估,对应得到各个体解的第五解值;
具体的,步骤10中,基于以下表达式,针对各个体解的第四解值进行二次后评估:
(20)
表达式(20)中,表示线程i所对应个体解在二次后评估后的第五解值。
容易理解的是,如表达式(20)所示,二次后评估与初次后评估的作用相同,也是为了保证个体的新位置优于其原位置。
之后继续图2中步骤11,根据各个体解的第五解值构建新的解集,并将构建的解集作为新的当前迭代解集,再将迭代次数变量加一,并跳转执行步骤3,进而实现迭代计算循环。
本申请技术方案中,所采用的具体算法相较于现有相关优化算法,具有如下优点:
使用了并行算法实现方式,多线程更新位置,计算速度大幅提升;采用AB组并行计算最优(差)解,上下双金字塔形比较算法,并行计算性能强,大幅度提升比较速度;搜索过程中,使用S型生长曲线函数(表达式15所示)作为阈值函数来控制搜索深度,提升了随机性,有利于更广的搜索和避免局部极值;加入了小概率重生操作,大幅提高搜索过程的性能;加入了空间旋转和后评估环节,保证搜索广度和搜索的有效性。相比现有算法,本申请中算法实现方式,整体上效率较高,计算速度快,收敛性强。
本申请的整体技术方案,非常适用于电池储能系统的调度策略获取,基于这种新的优化算法进行模型优化求解,相较现有技术,可快速的得到所需的调度配置,其有利于使新能源发电得到最大化利用。
图4为本申请一个实施例提供的电子设备的结构示意图,如图4所示,该电子设备400包括:
存储器401,其上存储有可执行程序;
处理器402,用于执行存储器401中的可执行程序,以实现上述方法的步骤。
关于上述实施例中的电子设备400,其处理器402执行存储器401中的程序的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人员在本发明所揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种获取电池储能系统运行调度策略的方法,其特征在于,包括:
获取并基于目标电池储能系统的运行限制数据,构建表征系统损耗的目标函数;
以所述目标函数的函数值最小为目标,根据预设优化算法基于迭代计算对所述目标函数进行优化求解,得到表征系统调度配置的控制变量的最优解;
根据所述最优解所对应的系统调度配置构建生成所述目标电池储能系统的运行调度策略;
其中,所述进行优化求解的过程,包括:
步骤1,在目标函数的控制向量解空间中,随机生成若干个体解,并对迭代次数变量进行初始化;
步骤2,将所述个体解构成的解集作为当前迭代解集;
步骤3,分配多线程,根据当前迭代解集中各个体解的初始值,计算各个个体解的目标函数值,并基于得到的目标函数值,采用分组并行比较方式对个体解进行评价,从中确定当前最优解和当前最差解;
步骤4,根据所述迭代次数变量的变量值,判断当前迭代次数是否已达迭代最大次数,若迭代次数已达迭代最大次数,则跳转执行步骤12,否则跳转执行步骤5;
步骤5,通过当前最优解和当前最差解,采用预设方式生成确定各个个体解的权重参数,以及生成与各个体解相对应的进行深度搜索所需的参数,其中,所述参数包括相应个体解所对应的随机数和随机单位向量,以及在当前迭代所对应的深度探索阈值;
步骤6,利用各个个体解的权重参数和进行深度搜索所需的参数,进行深度搜索,基于搜索结果确定各个体解位置更新后的值,由此得到各个体解的第一解值;
步骤7,针对各个体解根据如下表达式进行重生操作处理,处理得到各个体解的第二解值:
其中,表示线程i所对应个体解的第一解值,表示线程i所对应个体解在重生后的第二解值,表示线程i在当前迭代于解空间上生成的临时随机解,h表示预设重生阈值,randi4表示线程i所对应个体解在当前迭代所对应的一随机数;
步骤8,针对各个体解的第二解值进行初次后评估,基于评估结果对应得到各个体解的第三解值;
步骤9,根据各个体解的第三解值,确定临时最优解,并针对第三解值,利用所述随机单位向量以所述临时最优解为中心进行空间旋转操作,基于旋转操作结果得到各个体解的第四解值;
步骤10,针对各个体解的第四解值进行二次后评估,对应得到各个体解的第五解值;
步骤11,根据各个体解的第五解值构建新的解集,并将构建的解集作为新的当前迭代解集,再将所述迭代次数变量加一,并跳转执行步骤3;
步骤12,将当前最优解作为最优解进行输出;
其中,构建的目标函数的表达式形式如下,
,
,
其中,表示控制变量,f表示总有功功率损耗,罚函数P1表示在一天中的最小和最大限制内的荷电状态值,罚函数P2表示电池储能系统充放电平衡的约束,罚函数P3表示配电网运行的电压限制约束,罚函数P4表示配电网运行的电压限制约束电池储能系统充放电平衡的约束,w1、w2、w3、w4分别表示各罚函数的权重系数,PB,t表示时段T内第t个子时段的充放电状态;
罚函数P1的表达式形式为:
,,
其中,P1,t表示分析期内每个时间t内的罚系数,SOCmin表示荷电状态限制下限,SOCmax表示荷电状态限制上限;
罚函数P2的表达式形式为:
,
其中,SOCT表示最终状态值, SOC0表示初始荷电状态值,εsoc表示可接受荷电状态误差;
罚函数P3的表达式形式为:
,,
其中,P3,k,t表示时段t内节点k的罚系数,NB表示电网节点集合,Vmin表示节点电压限制下限,Vmax表示节点电压限制上限,Vk,t表示节点k在第t个时段结束时的节点电压;
罚函数P4的表达式形式为:
,,
其中,P4,ij,t表示时段t内线路ij的罚系数,NL表示电网线路集合,Iij,t表示线路ij在t时段的电流,Imax,ij表示线路ij的电流容量限制。
2.根据权利要求1所述的方法,其特征在于,当前迭代解空间中个体解的个数为n,n为2的整数幂;
在步骤3中,所述采用分组并行比较方式对个体解进行评价,从中确定当前最优解和当前最差解,具体为:
分配n/2个线程并行比较两两临近的个体解的目标函数值,将比较中目标函数值较优的个体解列入A组,将比较中目标函数值较差的个体解列入B组;
针对A组的个体解,采用金字塔式逐层两两比较目标函数值,将最后一轮的个体解确定为当前最优解,其中,每轮比较中目标函数值较优的个体解进入下一轮;
针对B组的个体解,采用金字塔式逐层两两比较目标函数值,将最后一轮的个体解确定为当前最差解,其中,每轮比较中目标函数值较差的个体解进入下一轮。
3.根据权利要求2所述的方法,其特征在于,在步骤5中,通过当前最优解和当前最差解,基于以下表达式确定线程i所对应的个体解在当前迭代d所对应的深度探索阈值,
其中,表示当前最优解所对应的目标函数值,表示当前最差解所对应的目标函数值,表示线程i所处理计算出的目标函数值,ε表示防除零系数。
4.根据权利要求3所述的方法,其特征在于,在步骤5中,所述生成与各个体解相对应的进行深度搜索所需的参数,具体包括:
基于当前迭代的次数值d’和迭代最大次数值D’计算确定随机数阈值变量ad和bd,其中,,,
并在区间[-ad,ad]内取均匀随机数作为线程i所对应个体解在当前迭代所对应的随机数randi2,在区间[-bd,bd] 内取均匀随机数作为线程i所对应个体解在当前迭代所对应的随机数randi3;
以及在区间[0.5,1]内取随机数作为线程i所对应个体解在当前迭代所对应的随机数randi1,以及在区间[0,1]内取随机数作为线程i所对应个体解在当前迭代所对应的随机数randi4;
以及生成线程i所对应个体解所对应的随机单位向量randi5,其中,randi5的维数与解维数相同;
以及基于以下表达式确定每个线程所对应个体解在当前迭代所对应的深度探索阈值,
。
5.根据权利要求4所述的方法,其特征在于,步骤6中,所述进行深度搜索具体为基于以下表达式进行深度搜索处理,
其中,
表示线程i在当前迭代所对应的个体解的初始值,表示线程i所对应个体解在搜索后的所对应的第一解值,表示当前最优解,和均表示线程i在当前迭代于解空间上生成的临时随机解。
6.根据权利要求5所述的方法,其特征在于,步骤9中,基于以下表达式进行空间旋转操作:
其中,
表示线程i所对应个体解在初次后评估后的第三解值,
表示线程i所对应个体解在旋转操作后的第四解值,B1Xd表示临时最优解。
7.根据权利要求6所述的方法,其特征在于,
步骤8中,基于以下表达式,针对各个体解的第二解值进行初次后评估:
;
步骤10中,基于以下表达式,针对各个体解的第四解值进行二次后评估:
其中,表示线程i所对应个体解在二次后评估后的第五解值。
8.一种电子设备,其特征在于,包括:
存储器,其上存储有可执行程序;
处理器,用于执行所述存储器中的所述可执行程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310023797.6A CN115833208B (zh) | 2023-01-09 | 2023-01-09 | 获取电池储能系统运行调度策略的方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310023797.6A CN115833208B (zh) | 2023-01-09 | 2023-01-09 | 获取电池储能系统运行调度策略的方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115833208A CN115833208A (zh) | 2023-03-21 |
CN115833208B true CN115833208B (zh) | 2023-04-18 |
Family
ID=85520405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310023797.6A Active CN115833208B (zh) | 2023-01-09 | 2023-01-09 | 获取电池储能系统运行调度策略的方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115833208B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5235652B2 (ja) * | 2008-12-26 | 2013-07-10 | ヤマハ発動機株式会社 | 多目的最適化装置、多目的最適化方法および多目的最適化プログラム |
CN105809279B (zh) * | 2016-03-03 | 2019-05-31 | 河海大学 | 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 |
CN114024330A (zh) * | 2022-01-06 | 2022-02-08 | 北京峰玉科技有限公司 | 有源配电网电池储能系统的调度方法、装置及设备 |
-
2023
- 2023-01-09 CN CN202310023797.6A patent/CN115833208B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115833208A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Du et al. | Research and application of a novel hybrid forecasting system based on multi-objective optimization for wind speed forecasting | |
CN107769237B (zh) | 基于电动汽车接入的多能源系统协同调度方法及装置 | |
CN110929964B (zh) | 一种基于近似动态规划算法的含储能配电网优化调度方法 | |
CN108649605A (zh) | 一种基于双层场景区间潮流的der并网准入容量规划方法 | |
Yong | An improved artificial fish swarm algorithm for optimal operation of cascade reservoirs | |
CN113452037B (zh) | 一种兼顾调频的光伏阵列重构优化方法 | |
CN114865676A (zh) | 一种混合储能系统控制方法、装置和电子设备 | |
CN116345578B (zh) | 基于深度确定性策略梯度的微电网运行优化调度方法 | |
CN110796373A (zh) | 面向风电消纳的多阶段场景生成电热系统优化调度方法 | |
CN107273968A (zh) | 一种基于动态模糊混沌粒子群的多目标调度方法及装置 | |
CN115577864A (zh) | 基于多模型组合运算的配网运行优化调度方法 | |
CN112330021A (zh) | 一种分布式光储系统的网络协调控制方法 | |
CN115954957A (zh) | 一种复合发电系统的容量配置方法、装置和电子设备 | |
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 | |
CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
Zhang et al. | Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach | |
CN115833208B (zh) | 获取电池储能系统运行调度策略的方法及电子设备 | |
CN117595392A (zh) | 计及光伏消纳与光储充配置的配电网联合优化方法及系统 | |
CN117394405A (zh) | 基于负荷平滑的混合储能配置方法 | |
CN114024330A (zh) | 有源配电网电池储能系统的调度方法、装置及设备 | |
CN109950933B (zh) | 一种基于改进粒子群算法的风光储联合调峰优化方法 | |
CN114285093B (zh) | 一种源网荷储互动调度方法及系统 | |
CN116191421A (zh) | 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法 | |
CN115271254A (zh) | 一种基于海鸥算法优化极限学习机的短期风功率预测方法 | |
CN113157344B (zh) | 移动边缘计算环境下基于drl的能耗感知任务卸载方法 |
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 |