CN116169698A - 一种新能源平稳消纳的分布式储能优化配置方法及系统 - Google Patents

一种新能源平稳消纳的分布式储能优化配置方法及系统 Download PDF

Info

Publication number
CN116169698A
CN116169698A CN202211619340.3A CN202211619340A CN116169698A CN 116169698 A CN116169698 A CN 116169698A CN 202211619340 A CN202211619340 A CN 202211619340A CN 116169698 A CN116169698 A CN 116169698A
Authority
CN
China
Prior art keywords
energy storage
representing
particle
particles
new energy
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
Application number
CN202211619340.3A
Other languages
English (en)
Inventor
薛溟枫
毛晓波
徐青山
杨永标
徐凌霜
孙小燕
郑旭
鲍鹏
徐扬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Wuxi Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Wuxi Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202211619340.3A priority Critical patent/CN116169698A/zh
Publication of CN116169698A publication Critical patent/CN116169698A/zh
Pending legal-status Critical Current

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
    • 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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in 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
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种新能源平稳消纳的分布式储能优化配置方法及系统。方法包括：分布式储能的优化配置问题在规划层与运行层方面进行建模，得到考虑运行场景的配电网储能优化配置模型；基于机会约束理论，对确定性优化模型中的节点电压约束条件进行修正，得到考虑光伏出力不确定性的优化模型；最后，基于传统粒子群算法引入自适应惯性权重、交叉变异与基于密集距离的非支配解排序方法，提出改进粒子群算法对分布式储能的优化配置问题进行求解，得到储能的配置方案与相应的典型运行效果。

Description

一种新能源平稳消纳的分布式储能优化配置方法及系统
技术领域
本发明属于电力系统储能配置领域，具体涉及一种新能源平稳消纳的分布式储能优化配置方法及系统。
背景技术
随着新能源发电单元在中低压配电网中的渗透率不断提高，创造新机遇的同时也给电力系统运行带来了新的挑战。一方面，大量的可再生能源的并网导致传统的无源配电网变为有源网络，在新能源高发时段，大量注入的新能源发电导致原本的单向潮流转变为双向潮流，增加了配网运行的风险。另一方面，新能源发电出力情况与天气条件相关，存在较大的不确定性，且其可控性能差，极易引起配电网潮流波动、节点电压越线等问题，这迫使配电网运营商在更大的不确定性和更高的风险下运作。
在保障配电网的安全稳定运行、实现新能源的平稳消纳方面，可控性较强的分布式储能系统为配网运行提供了新的灵活性来源。分布式储能系统可以快速响应运营商的调节指令，对平抑新能源出力的波动性具有明显优势，而储能电站的配置与运行方案对其平抑新能源波动的能力有显著影响。因此，分布式储能的优化配置问题具有很大的研究意义。
已有较多学者对分布式储能的配置问题做出了一定的研究。然而，一方面，对于储能电站的选址定容问题中对于新能源出力仅考虑了其波动性而未考虑其不确定性。实际上，由于新能源出力存在预测误差，最终会对储能的运行效果产生不可忽视的影响。另一方面，储能电站的选址定容问题涉及多目标混合整数优化，其优化模型具有高度非线性，往往难以采用解析算法进行求解。在此背景下，采用启发式算法进行求解不失为一种明智的做法，而粒子群算法在建模难度低、算法易实现、收敛性高等优点，非常适合求解复杂非线性优化问题。然而，传统粒子群算法也具有局限性，如粒子群智能型不足、易陷入局部最优、收敛速度慢等。因此，本发明提出一种考虑新能源平稳消纳的分布式储能优化配置方法，在储能配置问题中引入了机会约束以处理新能源的不确定性，并采用改进的粒子群算法提高寻优性能。
目前考虑的分布式储能优化配置方法存在以下问题：(1)对储能电站的配置问题中仅考虑新能源出力波动性而未考虑其出力不确定性；(2)储能优化配置问题属于多目标混合整数规划，采用传统方法寻优求解困难；(3)采用传统粒子群算法或遗传算法等，存在计算效率低、收敛速度慢、易陷入局部最优等问题。
现有技术文件1(CN 113507110 A)公开了提高配电网中新能源消纳的分布式储能集群优化控制方法。针对分布式电源出力与负荷时空匹配性差造成的资源浪费问题，将集群应用于配电网储能控制中，通过采用配电网集群划分指标和集群划分方法、建立分布式储能集群控制方法、建立控制方法的评价指标步骤，对配电网实行区域划分来分析区域源荷匹配关系，进而确定各区域储能功率，并根据经济性确定最优储能时序出力；采用有功平衡度电气指标对配网进行集群划分，可提高区域负荷与电源供需平衡性。现有技术文件1的不足之处在于该发明仅在已知规划参数的情况下进行的运行优化，并未考虑储能规划问题。本发明同时考虑了规划与运行问题的优化，以投资成本与运行成本共同实现了储能系统的选址定容。
现有技术2(CN 108964102 A)一种配电网中分布式储能的位置和容量优化配置方法，包括以下步骤：初始化基于模拟退火的粒子群算法参数；计算配电网各节点24h的网损灵敏度及网损灵敏度方差，进行配电网的潮流和网损计算，并根据分布式储能的容量优化模型计算当前粒子的适应度值；判断基于模拟退火的粒子群优化算法是否收敛，采用模拟退火算法对求出的pbest进行抽样，产生新解并计算目标函数值，采用Metropolis准则对最优解保留或者舍弃；根据分布式储能的优化充放电功率和充放电时段计算配电网中分布式储能的最优配置容量。现有技术2的不足之处在于该发明在选址定容时仅考虑了运行成本网损、电压波动，并未考虑储能的投资成本，同时在运行层面也未能对新能源出力的不确定性进行有效约束与补偿。本发明除了在运行层面考虑运行成本外，也考虑了储能投资成本，且通过机会约束对新能源不确定性进行补偿，可以有效降低系统运行异常的概率。
发明内容
为解决现有技术中存在的不足，本发明提供一种新能源平稳消纳的分布式储能优化配置方法及系统，在储能配置问题中引入机会约束，将原优化问题中的确定性约束条件转换为考虑节点电压分布的概率约束，并基于节点电压的概率分布特性将概率约束转化为新的确定性约束以处理新能源出力的不确定性；并在传统粒子群算法的基础上引入了自适应惯性权重、交叉变异与基于密集距离非支配解，提出一种改进粒子群算法以提高寻优性能。
本发明采用如下的技术方案。
一种新能源平稳消纳的分布式储能优化配置方法，包括以下步骤：
步骤1，构建配电网运行场景模型，利用目标函数和机会约束理论，对模型中的节点电压约束条件进行修正，为了实现新能源平稳消纳，考虑新能源出力不确定性，得到分布式储能优化配置模型；
步骤2，结合步骤1中构建的目标函数和机会约束条件，在传统粒子群算法基础上引入自适应惯性权重，交叉变异和非支配解排序方法，构建改进的粒子群算法，实现新能源平稳消纳的分布式储能优化配置问题寻优。
优选地，步骤1具体包括：
步骤1.1，建立储能配置方案下的配电网运行场景模型；
步骤1.2，利用目标函数和机会约束理论，对模型中的节点电压约束条件进行修正；
步骤1.3，基于新能源出力的不确定性进行蒙特卡洛模拟，确定运行场景下节点电压的概率分布，并基于机会约束理论对原本的节点电压上下限约束进行修正。
优选地，步骤1.1中储能配置方案下的配电网运行场景模型如下：
在配电网中设置Ness个储能电站，所在位置节点序号表示为
Figure BDA0004001381490000031
储能容量表示为
Figure BDA0004001381490000032
在上述拟配置方案下，存在T个连续时段的运行场景，则Ness个储能电站在T个时段的连续出力向量
Figure BDA0004001381490000033
其中Pt,s为第s个储能电站在第t个时段内的充放电功率。
优选地，步骤1.2中目标函数包括：拟配置储能方案下的配置成本Cins最小，运行场景下的网损Ploss最小，节点电压偏差平方和Vfluc最小；
约束条件包括：运行场景下节点电压上下限约束，储能充放电功率约束，储能充放电能量守恒约束。
优选地，步骤1.2中，模型采用配置成本最小与运行效果最优双目标函数，
其中配置成本Cins公式表示如下：
Figure BDA0004001381490000041
式中，
cess表示单位容量储能的配置成本；
Ness表示配电网中储能电站个数；
Eess,s表示储能容量；
运行效果包括两项目标，分别是运行场景下的网损Ploss与节点电压偏差平方和Vfluc，公式表示如下：
Figure BDA0004001381490000042
Figure BDA0004001381490000043
Figure BDA0004001381490000044
式中，
T表示运行场景下总时段数；
Bt表示在第t个时段配电网支路电流向量；
ΔVt表示在第t个时段配电网电压偏差向量；
Vt表示在第t个时段配电网节点电压向量；
Figure BDA0004001381490000045
表示在第t个时段配电网节点电压平均值向量；
R表示配电网线路电阻向量。
优选地，步骤1.3中，考虑新能源出力不确定性，并基于新能源出力的不确定性进行蒙特卡洛模拟，确定运行场景下节点电压的概率分布，并基于机会约束理论对原本的节点电压上下限约束进行修正。
优选地，步骤2具体包括：
步骤2.1，初始化粒子群，针对储能电站选址定容问题对粒子进行编码，每个粒子内的编码信息映射为一段考察时间内拟配置储能电站的运行场景，设第i个粒子的位置向量为xi，由拟配置储能电站的位置向量为
Figure BDA0004001381490000051
和拟配置储能电站运行场景下的充放电向量
Figure BDA0004001381490000052
构成，xi＝[Si,Pess,i]；
步骤2.2，基于目标函数制定粒子的适应度函数，评价种群中每个粒子的综合适应度，对种群中所有粒子的三项目标函数升序排列，其中三项目标函数为步骤1.2中所述配置成本，运行场景下的网损，节点电压偏差平方和；
步骤2.3，更新种群中每个粒子的历史最优解；
步骤2.4，确定整个种群在第k次迭代的全局最优解；
步骤2.5，计算每个粒子全局最优的距离向量，引入粒子的自适应惯性权重；
步骤2.6，基于交叉变异，更新各粒子的位置分量与速度分量；
步骤2.7，将父代粒子群与交叉变异得到的子代粒子群混合，共同构成混合种群，计算混合种群中每个粒子的各项目标函数值，并基于目标函数值计算每个粒子的密集距离；保留混合种群中的非支配解，并依据密集距离对粒子进行降序排列形成非支配解集，并从非支配解集中选取粒子作为下一代种群。
步骤2.8，判断迭代次数是否达到设定值，若是，输出全局最优解，否则返回步骤2.2。
优选地，步骤2.2具体包括：
目标函数中引入罚函数后三项目标函数表示为：
J1＝Cins+Fσ
J2＝Ploss+Fσ
J3＝Vfluc+Fσ
其中，罚函数表示为：
Figure BDA0004001381490000061
F1＝max(0,Vmin-Vt)2
F2＝max(0,Vt-Vmax)2
Figure BDA0004001381490000062
Figure BDA0004001381490000063
式中，
Vt表示在第t个时段配电网节点电压向量；
Vmin表示节点电压下限值组成的向量；
Vmax表示节点电压上限值组成的向量；
Pess,min表示储能出力下限值；
Pess,max表示储能出力上限值；
Fσ表示总罚函数；
F1表示节点电压越下限罚函数；
F2表示节点电压越上限罚函数；
F3表示储能功率下限罚函数；
F4表示储能功率上限罚函数；
σ表示罚因子，取极大的正实数；
对目标函数J1,J2,J3分别进行升序排列，取其种群内粒子数与序号差值的平方作为每一项目标函数的适应度：
Figure BDA0004001381490000071
EX(i,j)＝(Npop-R(i,j))2 (4)
式中，
EX(i,j)表示第i个粒子的第j项目标函数的适应度值，
EX(i)表示第i个粒子对所有目标函数的综合适应度；
Npop表示种群中粒子数量；
R(i,j)表示第i个粒子的第j项目标函数的排名序号；
ωj为第j项适应度函数所占的权重。
优选地，步骤2.4具体包括：
寻优过程中，粒子的速度由单个粒子的历史最优解与种群的全局最优解共同决定：
Figure BDA0004001381490000072
Figure BDA0004001381490000073
式中，
Figure BDA0004001381490000074
表示在k时段第i个粒子的惯性权重；
c1和c2均表示加速因子；
Figure BDA0004001381490000075
表示在k时段第i个粒子的速度向量；
Figure BDA0004001381490000076
表示在k时段第i个粒子的位置向量；
Figure BDA0004001381490000077
表示在k+1时段第i个粒子的速度向量；
Figure BDA0004001381490000078
表示在k+1时段第i个粒子的位置向量；
Figure BDA0004001381490000079
表示在第k次迭代第i个粒子最优解中的第d维分量；
Figure BDA0004001381490000081
表示第k次迭代种群全局最优解中的第d维分量；
r1和r2为(0,1)之间的随机数。
步骤2.5具体包括：
引入粒子的自适应惯性权重
Figure BDA0004001381490000082
由该粒子与全局最优的距离确定：
Figure BDA0004001381490000083
Figure BDA0004001381490000084
式中，
wstart表示惯性权重起始值；
wend表示惯性权重结束值；
Figure BDA0004001381490000085
表示第k次迭代中第i个粒子距离全局最优粒子的距离；
D表示粒子的编码维度；
xmax表示种群内粒子与最优粒子距离的最大值；
xmin表示种群内粒子与最优粒子距离的最小值。
步骤2.6具体包括：引入交叉变异，避免算法陷入局部最优，步骤如下：
步骤2.6.1，设定粒子的距离阈值Amin、交叉率pc和变异率pm；
步骤2.6.2，计算当前粒子
Figure BDA0004001381490000086
大小，若满足
Figure BDA0004001381490000087
则继续进行交叉变异操作，否则跳过交叉变异操作；
步骤2.6.3，对第i个粒子的第d维分量取[0,1]的均匀分布随机数rid，若rid≤pm，则将xid初始化，令xid＝xmin+(xmax-xmin)r，r为[0,1]均匀分布随机数；
步骤2.6.4，如果r≤pc，则令第i个粒子的第d维向量xid与全局最优解的第d维向量gd交叉，即令xid＝gd。
步骤2.7中粒子的密集距离计算公式如下：
Figure BDA0004001381490000091
式中，
xm表示距离xi最近的粒子；
xn表示距离xi次近的粒子；
Jj(xm)为xm粒子第j项目标函数值；
Jj max为全部粒子第j项目标函数的最大值。
一种新能源平稳消纳的分布式储能优化配置系统，包括：构建模型模块，寻优模块，其中：
构建模型模块用于，构建配电网运行场景模型，利用目标函数和机会约束理论，对模型中的节点电压约束条件进行修正，为了实现新能源平稳消纳，考虑新能源出力不确定性，得到分布式储能优化配置模型；
寻优模块用于，在传统粒子群算法基础上引入自适应惯性权重，交叉变异和非支配解排序方法，构建改进的粒子群算法，实现新能源平稳消纳的分布式储能优化配置问题寻优。
一种终端，包括处理器及存储介质；其中：
存储介质用于存储指令；
处理器用于根据所述指令进行操作以执行根据权利要求1-12任一项所述一种新能源平稳消纳的分布式储能优化配置方法的步骤。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现一种新能源平稳消纳的分布式储能优化配置方法的步骤。
本发明的有益效果在于，与现有技术相比，
本发明通过引入机会约束对传统优化配置问题的约束方式进行修正，改善了所求得储能配置方案对新能源出力波动的平抑效果，可以保障配电网运行的安全稳定，有利于实现新能源出力的平稳消纳。
本发明在采用粒子群算法对储能优化配置问题进行求解，避免了传统优化方法面对多目标混合非线性规划问题难以求解的问题。
本发明在传统粒子群算法的基础上引入了自适应惯性权重、交叉变异与基于密集距离非支配解，有利于提高算法的寻优性能，提高算法收敛速度，避免陷入局部最优。
附图说明
图1是本发明实施例提供的改进粒子群优化算法流程图；
图2是本发明实施例提供的粒子自适应惯性权重曲线示意图；
图3是本发明实施例提供的交叉操作示意图；
图4是本发明实施例提供的多目标优化问题下的密集距离示意图；
图5是本发明实施例提供的IEEE33节点配电网算例拓扑图；
图6是本发明实施例提供的负荷归一化功率典型日曲线图；
图7是本发明实施例提供的光伏发电功率典型日曲线图；
图8是本发明实施例提供的典型日配网节点电压运行结果图(配置储能前)；
图9是本发明实施例提供的典型日配网节点电压运行结果图(配置储能后)；
图10是本发明实施例提供的蒙特卡洛模拟下的典型日12:00时节点电压样本分布图(引入机会约束前)；
图11是本发明实施例提供的蒙特卡洛模拟下的典型日12:00时节点电压样本分布图(引入机会约束后)；
图12是本发明实施例提供的引入机会约束前后全天节点电压越线概率对比图。
具体实施方式
为使本发明的目的、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，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，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有所其它实施例，都属于本发明的保护范围。
实施例1。
一种新能源平稳消纳的分布式储能优化配置方法。包括以下步骤：
步骤1，构建配电网运行场景模型，利用目标函数和机会约束理论，对模型中的节点电压约束条件进行修正，为了实现新能源平稳消纳，考虑新能源出力不确定性，得到分布式储能优化配置模型。数据来源于IEEE 33节点标准算例系统，以及网上文献提供的典型日出力曲线。
步骤1.1，建立储能配置方案下的配电网运行场景模型。基于该运行场景模型与拟配置储能方案可计算得到节点电压偏差向量与网损。
其中，运行场景基于IEEE 33节点配网标准算例系统的负荷与发电数据，新能源发电数据来源于网上文献提供的典型日发电曲线，而后通过在每个小时进行潮流计算得到运行结果。
储能配置方案指选址定容，即储能在哪个节点安装，配置容量为多大。
配电网运行场景模型如下：
若在配电网中设置Ness个储能电站，其所在位置节点序号表示为
Figure BDA0004001381490000111
储能容量表示为
Figure BDA0004001381490000112
在上述拟配置方案下，存在T个连续时段的运行场景(每个时段时长为Δt)，则Ness个储能电站在T个时段的连续出力向量
Figure BDA0004001381490000113
其中Pt,s为第s个储能电站在第t个时段内的充放电功率。
步骤1.2，利用目标函数和机会约束理论，对模型中的节点电压约束条件进行修正。
目标函数包括：拟配置储能方案下的配置成本Cins与运行场景下的网损Ploss、节点电压偏差平方和Vfluc；约束条件包括：运行场景下节点电压上下限约束、储能充放电功率约束、储能充放电能量守恒约束。其中，优化的目标为使得目标函数的值最小。
在每个运行场景下，储能容量Eess,s由下式确定：
Figure BDA0004001381490000114
式中，
Eess,s表示储能容量；
Pt,sΔt表示第s个储能电站在第t个时段内的充放电电量。
优化问题：
分布式储能优化配置问题中，控制变量为储能电站位置向量
Figure BDA0004001381490000121
Ness储能电站在T个时段的连续出力向量
Figure BDA0004001381490000122
考虑规划成本与运行效果双目标函数，配置成本Cins公式表示如下：
Figure BDA0004001381490000123
式中，
cess表示单位容量储能的配置成本；
Ness表示配电网中储能电站个数。
运行效果中考虑两项目标，分别是运行场景下的网损Ploss与节点电压偏差平方和Vfluc：
Figure BDA0004001381490000124
Figure BDA0004001381490000125
Figure BDA0004001381490000126
式中，
T表示运行场景下总时段数；
Bt表示在第t个时段配电网支路电流向量；
ΔVt表示在第t个时段配电网电压偏差向量；
Vt表示在第t个时段配电网节点电压向量；
Figure BDA0004001381490000127
表示在第t个时段配电网节点电压平均值向量；
R表示配电网线路电阻向量。
每个时段内的支路电流向量Bt与电压偏差向量ΔVt，基于给定储能运行场景、光伏出力情况与配电网信息，经配网潮流算法计算得到。
优化问题的约束条件包括：
1)节点电压约束
Vmin≤Vt≤Vmax (10)
式中，
Vmin表示节点电压下限值组成的向量；
Vmax表示节点电压上限值组成的向量。
2)储能功率约束
Pess,min≤Ps,t≤Pess,max (11)
式中，
Pess,min表示储能出力下限值；
Pess,max表示储能出力上限值。
3)能量平衡约束
Figure BDA0004001381490000131
步骤1.3，机会约束修正，考虑新能源出力不确定性，并基于新能源出力的不确定性进行蒙特卡洛模拟，确定运行场景下节点电压的概率分布，并基于机会约束理论对原本的节点电压上下限约束进行修正。
步骤1.2中约束是确定性情况下的约束表达，考虑到光伏出力具有不确定性，引入机会约束，以确保在光伏出力预测误差较大的情况下仍可以将配电网节点电压控制在规定范围内，具体如下：
根据蒙特卡洛模拟仿真，光伏出力的预测误差服从正态分布时，配电网节点电压也近似服从正态分布，此时设定置信度ε＝95％，则节点电压约束的机会约束形式表示为：
P{Vmin≤Vt≤Vmax}≥95％ (13)
式中，
P{Vmin≤Vt≤Vmax}≥95％表示事件Vmin≤Vt≤Vmax发生的概率。
上式又可转化为确定性形式：
Vmin+Ωlower≤Vt≤Vmax-Ωupper (14)
式中，
Ωupper表示在不确定场景下节点电压的概率分布在给定置信度ε＝95％下对应的上分位数；
Ωlower表示在不确定场景下节点电压的概率分布在给定置信度ε＝95％下对应的下分位数。
步骤2，结合步骤1中构建的目标函数和机会约束条件，在传统粒子群算法基础上引入自适应惯性权重，交叉变异和非支配解排序方法，构建改进的粒子群算法，实现新能源平稳消纳的分布式储能优化配置问题寻优。所提出的改进粒子群算法流程如图1所示，相较于传统粒子群算法，本发明引入了自适应惯性权重、交叉变异以及基于密集距离的非支配解集排序，对其中重要步骤的具体实施方法说明如下：
粒子编码：
在粒子群算法中，每个粒子代表一个解，通过在整个解空间内运动寻优得到优化结果，因此，直接以控制变量组成的向量对粒子进行编码。
步骤2.1，初始化粒子群，随机生成初代粒子群，第i个粒子初始位置向量记为
Figure BDA0004001381490000141
速度向量记为
Figure BDA0004001381490000142
其中，初代粒子群编码方法如下：
针对储能电站选址定容问题对粒子进行编码。每个粒子内的编码信息映射为一段考察时间内拟配置储能电站的运行场景，设第i个粒子的位置向量为xi，由拟配置储能电站的位置向量为
Figure BDA0004001381490000143
和拟配置储能电站运行场景下的充放电向量
Figure BDA0004001381490000144
构成，记为xi＝[Si,Pess,i]。
步骤2.2，基于目标函数制定粒子的适应度函数，，评价种群中每个粒子的综合适应度，并按照综合适应度升序对粒子排序。具体方法如下：
基于目标函数制定粒子的适应度函数。对种群中所有粒子的三项目标函数升序排列，记第i个粒子的第j项目标函数排列序号为R(i,j)。取种群内粒子数Npop与排序号R(i,j)差值的平方作为第i个粒子的第j项目标函数的适应度EX(i,j)，将三项适应度加权求和得到第i个粒子综合适应度，记为EX(i)。粒子适应度函数由优化问题决定。优化问题中包含三项目标函数(式(2)-式(4))与三项约束(式(6)-式(8))，对两项不等约束条件，本发明采用目标函数中引入罚函数的方式实现，引入罚函数后三项目标函数表示为：
J1＝Cins+Fσ (15)
J2＝Ploss+Fσ (16)
J3＝Vfluc+Fσ (17)
其中，罚函数表示为：
Figure BDA0004001381490000151
F1＝max(0,Vmin-Vt)2 (19)
F2＝max(0,Vt-Vmax)2 (20)
Figure BDA0004001381490000152
Figure BDA0004001381490000153
式中，
Fσ表示总罚函数；
F1表示节点电压越下限罚函数；
F2表示节点电压越上限罚函数；
F3表示储能功率下限罚函数；
F4表示储能功率上限罚函数；
σ表示罚因子，取极大的正实数。
当寻优过程中有某一粒子存在越限情况，将会使该粒子对应的罚函数值极大，从而将该个体适应值大大降低，被淘汰在非支配解集之外，实现对粒子的约束作用。
对能量平衡约束，将第s个储能在第T时段内的功率修正为
Figure BDA0004001381490000161
即可。
对目标函数J1,J2,J3分别进行升序排列，取其种群内粒子数与序号差值的平方作为每一项目标函数的适应度：
Figure BDA0004001381490000162
EX(i,j)＝(Npop-R(i,j))2 (24)
式中，
EX(i,j)表示第i个粒子的第j项目标函数的适应度值，
EX(i)表示第i个粒子对所有目标函数的综合适应度；
Npop表示种群中粒子数量；
R(i,j)表示第i个粒子的第j项目标函数的排名序号；
ωj为第j项适应度函数所占的权重。
步骤2.3，更新种群中每个粒子的历史最优解。第i个粒子在第k次迭代中历史最优解。
步骤2.4，确定整个种群在第k次迭代的全局最优解，记为
Figure BDA0004001381490000163
粒子速度与位置迭代：
寻优过程中，粒子的速度由单个粒子的历史最优解与种群的全局最优解共同决定：
Figure BDA0004001381490000171
Figure BDA0004001381490000172
式中，
Figure BDA0004001381490000173
表示在k时段第i个粒子的惯性权重；
c1和c2均表示加速因子；
Figure BDA0004001381490000174
表示在k时段第i个粒子的速度向量；
Figure BDA0004001381490000175
表示在k时段第i个粒子的位置向量；
Figure BDA0004001381490000176
表示在k+1时段第i个粒子的速度向量；
Figure BDA0004001381490000177
表示在k+1时段第i个粒子的位置向量；
Figure BDA0004001381490000178
表示在第k次迭代第i个粒子最优解中的第d维分量；
Figure BDA0004001381490000179
表示第k次迭代种群全局最优解中的第d维分量；
r1和r2为(0,1)之间的随机数。
步骤2.5，计算每个粒子与全局最优的距离向量，第i个粒子在第k次迭代中全局最优的距离向量记为
Figure BDA00040013814900001710
基于距离向量
Figure BDA00040013814900001711
计算并更新每个粒子的惯性权重，第i个粒子在第k次迭代中与全局最优的距离记为
Figure BDA00040013814900001712
自适应惯性权重：
如图2所示，本实施例优选地，引入粒子的自适应惯性权重
Figure BDA00040013814900001713
由该粒子与全局最优的距离确定：
Figure BDA00040013814900001714
Figure BDA00040013814900001715
式中，
wstart表示惯性权重起始值；
wend表示惯性权重结束值；
Figure BDA0004001381490000181
表示第k次迭代中第i个粒子距离全局最优粒子的距离；
D表示粒子的编码维度；
xmax表示种群内粒子与最优粒子距离的最大值；
xmin表示种群内粒子与最优粒子距离的最小值。
步骤2.6，更新各粒子的位置分量与速度分量，第i个粒子在第k次迭代中位置向量记为
Figure BDA0004001381490000182
速度向量记为
Figure BDA0004001381490000183
判断每个粒子的距离向量
Figure BDA0004001381490000184
与阈值Amin的大小关系，若
Figure BDA0004001381490000185
则对粒子i执行交叉变异操作。
交叉变异操作：
本发明引入交叉变异，避免算法陷入局部最优，步骤如下：
步骤2.6.1，设定粒子的距离阈值Amin、交叉率pc和变异率pm；
步骤2.6.2，计算当前粒子
Figure BDA0004001381490000186
大小，若满足
Figure BDA0004001381490000187
则继续进行交叉变异操作，否则跳过交叉变异操作；
步骤2.6.3，对第i个粒子的第d维分量取[0,1]的均匀分布随机数rid，若rid≤pm，则将xid初始化，令xid＝xmin+(xmax-xmin)r，r为[0,1]均匀分布随机数。
步骤2.6.4，如果r≤pc，则令第i个粒子的第d维向量xid与全局最优解的第d维向量gd交叉，即令xid＝gd，如图3所示。
步骤2.7：将父代粒子群与交叉变异得到的子代粒子群混合，共同构成混合种群。计算混合种群中每个粒子的各项目标函数值，并基于目标函数值计算每个粒子的密集距离，记为I(xi)。保留混合种群中的非支配解，并依据密集距离对粒子进行降序排列形成非支配解集，并从非支配解集中选取前Npop个粒子作为下一代种群。
基于密集距离的非支配解集排序：
本发明中优化问题为多目标优化，对粒子群存在非支配解集，如图4所示，引入粒子xi的密集距离，表达为：
Figure BDA0004001381490000191
式中，
xm表示距离xi最近的粒子；
xn表示距离xi次近的粒子；
Jj(xm)为xm粒子第j项目标函数值；
Figure BDA0004001381490000192
为全部粒子第j项目标函数的最大值。
对非支配解集中每个粒子求其密集距离，而后将非支配解集中的粒子按照密集距离降序排列，从中选取前Npop个解作为下次迭代时的非劣解集。
步骤2.8，判断迭代次数是否达到设定值，若是，输出全局最优解，否则返回步骤2.2。
实施例2。
选取IEEE33节点算例系统作为仿真算例，其拓扑结构见图5，系统有功容量为3715kW，无功容量为2300kvar，取一个典型日24小时作为运行场景，则典型日负荷曲线如图6。在13、23和29节点处接入三个300kW的光伏，其出力曲线如图7，光伏出力预测误差服从正态分布。储能的配置成本见表1，优化问题的约束相关参数见表2，改进粒子群算法相关参数见表3。
按照所述参数运行改进粒子群算法求解，得到储能配置结果见表4。
对运行效果进行分析，配置储能前后，运行层场景下节点电压结果见图8-图9，相应的节点电压波动值与网损值见表5。通过对比得知，在高渗透率光伏情况下，采用所提出的储能优化配置算法，通过合理配置储能并安排储能出力平抑光伏出力波动，可以有效缓解配电网运行过程中的节点电压越线与支路电流过高的问题。
为验证机会约束对配电网运行的影响，在所解得拟配置方案及运行场景下，考虑光伏预测误差的不确定性，取0.98p.u.-1.02p.u.作为电压规定范围进行蒙特卡洛模拟，考虑机会约束前后的模拟结果见图10-图12。通过对比得知，采用所提出的引入机会约束的改进粒子群算法，在光伏出力不确定性较大的情景下，可以有效降低运行过程中的节点电压越线概率。
表1储能配置成本计算参数
Figure BDA0004001381490000201
表2约束条件相关参数
Figure BDA0004001381490000202
表3改进粒子群算法参数
Figure BDA0004001381490000203
表4优化配置结果
Figure BDA0004001381490000204
Figure BDA0004001381490000211
表5运行场景对比
Figure BDA0004001381490000212
实施例3。
一种新能源平稳消纳的分布式储能优化配置系统，包括：构建模型模块，寻优模块，其中：
构建模型模块用于，构建配电网运行场景模型，利用目标函数和机会约束理论，对模型中的节点电压约束条件进行修正，为了实现新能源平稳消纳，考虑新能源出力不确定性，得到分布式储能优化配置模型；
寻优模块用于，在传统粒子群算法基础上引入自适应惯性权重，交叉变异和非支配解排序方法，构建改进的粒子群算法，实现新能源平稳消纳的分布式储能优化配置问题寻优。
实施例4。
本发明实施例4提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例一所述的一种新能源平稳消纳的分布式储能优化配置方法方法中的步骤。
详细步骤与实施例1提供的一种新能源平稳消纳的分布式储能优化配置方法方法相同，在此不再赘述。
实施例5。
本发明实施例5提供了一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例一所述的一种新能源平稳消纳的分布式储能优化配置方法方法中的步骤。
详细步骤与实施例1提供的一种新能源平稳消纳的分布式储能优化配置方法方法相同，在此不再赘述。
本发明的有益效果在于，与现有技术相比，
本发明通过引入机会约束对传统优化配置问题的约束方式进行修正，改善了所求得储能配置方案对新能源出力波动的平抑效果，可以保障配电网运行的安全稳定，有利于实现新能源出力的平稳消纳。
本发明在采用粒子群算法对储能优化配置问题进行求解，避免了传统优化方法面对多目标混合非线性规划问题难以求解的问题。
本发明在传统粒子群算法的基础上引入了自适应惯性权重、交叉变异与基于密集距离非支配解，有利于提高算法的寻优性能，提高算法收敛速度，避免陷入局部最优。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其它设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
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，尽管参照上述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等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (14)

1.一种新能源平稳消纳的分布式储能优化配置方法，其特征在于，包括以下步骤：
步骤1，构建配电网运行场景模型，利用目标函数和机会约束理论，对模型中的节点电压约束条件进行修正，为了实现新能源平稳消纳，考虑新能源出力不确定性，得到分布式储能优化配置模型；
步骤2，结合步骤1得到分布式储能优化配置模型的目标函数和约束条件，在传统粒子群算法基础上引入自适应惯性权重，交叉变异和非支配解排序方法，构建改进的粒子群算法，实现新能源平稳消纳的分布式储能优化配置问题寻优。
2.根据权利要求1所述的一种新能源平稳消纳的分布式储能优化配置方法，其特征在于，
步骤1具体包括：
步骤1.1，建立储能配置方案下的配电网运行场景模型；
步骤1.2，利用目标函数和机会约束理论，对模型中的节点电压约束条件进行修正；
步骤1.3，基于新能源出力的不确定性进行蒙特卡洛模拟，确定运行场景下节点电压的概率分布，并基于机会约束理论对原本的节点电压上下限约束进行修正。
3.根据权利要求2所述的一种新能源平稳消纳的分布式储能优化配置方法，其特征在于，
步骤1.1中储能配置方案下的配电网运行场景模型如下：
在配电网中设置Ness个储能电站，所在位置节点序号表示为
Figure FDA0004001381480000011
储能容量表示为
Figure FDA0004001381480000012
在上述拟配置方案下，存在T个连续时段的运行场景，则Ness个储能电站在T个时段的连续出力向量
Figure FDA0004001381480000013
其中Pt,s为第s个储能电站在第t个时段内的充放电功率。
4.根据权利要求3所述的一种新能源平稳消纳的分布式储能优化配置方法，其特征在于，
步骤1.2中目标函数包括：拟配置储能方案下的配置成本Cins最小，运行场景下的网损Ploss最小，节点电压偏差平方和Vfluc最小；
机会约束理论包括：运行场景下节点电压上下限约束，储能充放电功率约束，储能充放电能量守恒约束。
5.根据权利要求2所述的一种新能源平稳消纳的分布式储能优化配置方法，其特征在于，
步骤1.2中，模型采用配置成本最小与运行效果最优双目标函数，
其中配置成本Cins公式表示如下：
Figure FDA0004001381480000021
式中，
cess表示单位容量储能的配置成本；
Ness表示配电网中储能电站个数；
Eess,s表示储能容量；
运行效果包括两项目标，分别是运行场景下的网损Ploss与节点电压偏差平方和Vfluc，公式表示如下：
Figure FDA0004001381480000022
Figure FDA0004001381480000023
Figure FDA0004001381480000024
式中，
T表示运行场景下总时段数；
Bt表示在第t个时段配电网支路电流向量；
ΔVt表示在第t个时段配电网电压偏差向量；
Vt表示在第t个时段配电网节点电压向量；
Figure FDA0004001381480000031
表示在第t个时段配电网节点电压平均值向量；
R表示配电网线路电阻向量。
6.根据权利要求1所述的一种新能源平稳消纳的分布式储能优化配置方法，其特征在于，
步骤2具体包括：
步骤2.1，初始化粒子群，针对储能电站选址定容问题对粒子进行编码，每个粒子内的编码信息映射为一段考察时间内拟配置储能电站的运行场景，设第i个粒子的位置向量为xi，由拟配置储能电站的位置向量为
Figure FDA0004001381480000032
和拟配置储能电站运行场景下的充放电向量
Figure FDA0004001381480000033
构成，xi＝[Si,Pess,i]；
步骤2.2，基于目标函数制定粒子的适应度函数，评价种群中每个粒子的综合适应度，对种群中所有粒子的三项目标函数升序排列，其中三项目标函数为步骤1.2中所述配置成本，运行场景下的网损，节点电压偏差平方和；
步骤2.3，更新种群中每个粒子的历史最优解；
步骤2.4，确定整个种群在第k次迭代的全局最优解；
步骤2.5，计算每个粒子全局最优的距离向量，引入粒子的自适应惯性权重；
步骤2.6，基于交叉变异，更新各粒子的位置分量与速度分量；
步骤2.7，将父代粒子群与交叉变异得到的子代粒子群混合，共同构成混合种群，计算混合种群中每个粒子的各项目标函数值，并基于目标函数值计算每个粒子的密集距离；保留混合种群中的非支配解，并依据密集距离对粒子进行降序排列形成非支配解集，并从非支配解集中选取粒子作为下一代种群。
步骤2.8，判断迭代次数是否达到设定值，若是，输出全局最优解，否则返回步骤2.2。
7.根据权利要求6所述的一种新能源平稳消纳的分布式储能优化配置方法，其特征在于，
步骤2.2具体包括：
目标函数中引入罚函数后三项目标函数表示为：
J1＝Cins+Fσ
J2＝Ploss+Fσ
J3＝Vfluc+Fσ
其中，罚函数表示为：
Figure FDA0004001381480000041
F1＝max(0,Vmin-Vt)2
F2＝max(0,Vt-Vmax)2
Figure FDA0004001381480000042
Figure FDA0004001381480000043
式中，
Vt表示在第t个时段配电网节点电压向量；
Vmin表示节点电压下限值组成的向量；
Vmax表示节点电压上限值组成的向量；
Pess,min表示储能出力下限值；
Pess,max表示储能出力上限值；
Fσ表示总罚函数；
F1表示节点电压越下限罚函数；
F2表示节点电压越上限罚函数；
F3表示储能功率下限罚函数；
F4表示储能功率上限罚函数；
σ表示罚因子，取极大的正实数；
对目标函数J1,J2,J3分别进行升序排列，取其种群内粒子数与序号差值的平方作为每一项目标函数的适应度：
Figure FDA0004001381480000051
EX(i,j)＝(Npop-R(i,j))2 (2)
式中，
EX(i,j)表示第i个粒子的第j项目标函数的适应度值，
EX(i)表示第i个粒子对所有目标函数的综合适应度；
Npop表示种群中粒子数量；
R(i,j)表示第i个粒子的第j项目标函数的排名序号；
ωj为第j项适应度函数所占的权重。
8.根据权利要求7所述的一种新能源平稳消纳的分布式储能优化配置方法，其特征在于，
步骤2.4具体包括：
寻优过程中，粒子的速度由单个粒子的历史最优解与种群的全局最优解共同决定：
Figure FDA0004001381480000052
Figure FDA0004001381480000053
式中，
Figure FDA0004001381480000054
表示在k时段第i个粒子的惯性权重；
c1和c2均表示加速因子；
Figure FDA0004001381480000055
表示在k时段第i个粒子的速度向量；
Figure FDA0004001381480000061
表示在k时段第i个粒子的位置向量；
Figure FDA0004001381480000062
表示在k+1时段第i个粒子的速度向量；
Figure FDA0004001381480000063
表示在k+1时段第i个粒子的位置向量；
Figure FDA0004001381480000064
表示在第k次迭代第i个粒子最优解中的第d维分量；
Figure FDA0004001381480000065
表示第k次迭代种群全局最优解中的第d维分量；
r1和r2为(0,1)之间的随机数。
9.根据权利要求8所述的一种新能源平稳消纳的分布式储能优化配置方法，其特征在于，
步骤2.5具体包括：
引入粒子的自适应惯性权重
Figure FDA0004001381480000066
由该粒子与全局最优的距离确定：
Figure FDA0004001381480000067
Figure FDA0004001381480000068
式中，
wstart表示惯性权重起始值；
wend表示惯性权重结束值；
Figure FDA0004001381480000069
表示第k次迭代中第i个粒子距离全局最优粒子的距离；
D表示粒子的编码维度；
xmax表示种群内粒子与最优粒子距离的最大值；
xmin表示种群内粒子与最优粒子距离的最小值。
10.根据权利要求9所述的一种新能源平稳消纳的分布式储能优化配置方法，其特征在于，
步骤2.6具体包括：引入交叉变异，避免算法陷入局部最优，步骤如下：
步骤2.6.1，设定粒子的距离阈值Amin、交叉率pc和变异率pm；
步骤2.6.2，计算当前粒子
Figure FDA0004001381480000071
大小，若满足
Figure FDA0004001381480000072
则继续进行交叉变异操作，否则跳过交叉变异操作；
步骤2.6.3，对第i个粒子的第d维分量取[0,1]的均匀分布随机数rid，若rid≤pm，则将xid初始化，令xid＝xmin+(xmax-xmin)r，r为[0,1]均匀分布随机数；
步骤2.6.4，如果r≤pc，则令第i个粒子的第d维向量xid与全局最优解的第d维向量gd交叉，即令xid＝gd。
11.根据权利要求10所述的一种新能源平稳消纳的分布式储能优化配置方法，其特征在于，
步骤2.7中粒子的密集距离计算公式如下：
Figure FDA0004001381480000073
式中，
xm表示距离xi最近的粒子；
xn表示距离xi次近的粒子；
Jj(xm)为xm粒子第j项目标函数值；
Figure FDA0004001381480000074
为全部粒子第j项目标函数的最大值。
12.一种利用权利要求1-11任一项权利要求所述方法的一种新能源平稳消纳的分布式储能优化配置系统，包括：构建模型模块，寻优模块，其特征在于：
构建模型模块用于，构建配电网运行场景模型，利用目标函数和机会约束理论，对模型中的节点电压约束条件进行修正，为了实现新能源平稳消纳，考虑新能源出力不确定性，得到分布式储能优化配置模型；
寻优模块用于，在传统粒子群算法基础上引入自适应惯性权重，交叉变异和非支配解排序方法，构建改进的粒子群算法，实现新能源平稳消纳的分布式储能优化配置问题寻优。
13.一种终端，包括处理器及存储介质；其特征在于：
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1-11任一项所述一种新能源平稳消纳的分布式储能优化配置方法的步骤。
14.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-11任一项所述一种新能源平稳消纳的分布式储能优化配置方法的步骤。
CN202211619340.3A 2022-12-15 2022-12-15 一种新能源平稳消纳的分布式储能优化配置方法及系统 Pending CN116169698A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211619340.3A CN116169698A (zh) 2022-12-15 2022-12-15 一种新能源平稳消纳的分布式储能优化配置方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211619340.3A CN116169698A (zh) 2022-12-15 2022-12-15 一种新能源平稳消纳的分布式储能优化配置方法及系统

Publications (1)

Publication Number Publication Date
CN116169698A true CN116169698A (zh) 2023-05-26

Family

ID=86410330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211619340.3A Pending CN116169698A (zh) 2022-12-15 2022-12-15 一种新能源平稳消纳的分布式储能优化配置方法及系统

Country Status (1)

Country Link
CN (1) CN116169698A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116822107A (zh) * 2023-08-30 2023-09-29 国网江苏省电力有限公司镇江供电分公司 一种分布式新能源配电网配置优化方法及系统
CN117526387A (zh) * 2023-12-29 2024-02-06 太原理工大学 一种考虑储能容量衰减的配电网储能最优选址定容方法
CN117613902A (zh) * 2024-01-19 2024-02-27 北京智芯微电子科技有限公司 基于智慧开关的配网优化运行方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116822107A (zh) * 2023-08-30 2023-09-29 国网江苏省电力有限公司镇江供电分公司 一种分布式新能源配电网配置优化方法及系统
CN116822107B (zh) * 2023-08-30 2023-11-21 国网江苏省电力有限公司镇江供电分公司 一种分布式新能源配电网配置优化方法及系统
CN117526387A (zh) * 2023-12-29 2024-02-06 太原理工大学 一种考虑储能容量衰减的配电网储能最优选址定容方法
CN117526387B (zh) * 2023-12-29 2024-03-22 太原理工大学 一种考虑储能容量衰减的配电网储能最优选址定容方法
CN117613902A (zh) * 2024-01-19 2024-02-27 北京智芯微电子科技有限公司 基于智慧开关的配网优化运行方法及装置
CN117613902B (zh) * 2024-01-19 2024-05-28 北京智芯微电子科技有限公司 基于智慧开关的配网优化运行方法及装置

Similar Documents

Publication Publication Date Title
CN112217202B (zh) 考虑灵活性投资的分布式新能源、储能与配电网规划方法
Li et al. Two-stage multi-objective OPF for AC/DC grids with VSC-HVDC: Incorporating decisions analysis into optimization process
CN116169698A (zh) 一种新能源平稳消纳的分布式储能优化配置方法及系统
Niknam et al. Scenario-based multiobjective distribution feeder reconfiguration considering wind power using adaptive modified particle swarm optimisation
CN106532778B (zh) 一种计算分布式光伏并网最大准入容量的方法
CN103955864B (zh) 基于改进和声搜索算法的电力系统多目标差异化规划方法
Tang et al. Study on day-ahead optimal economic operation of active distribution networks based on Kriging model assisted particle swarm optimization with constraint handling techniques
CN105207253B (zh) 考虑风电及频率不确定性的agc随机动态优化调度方法
CN110929964A (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
CN114566971B (zh) 一种基于近端策略优化算法的实时最优潮流计算方法
CN116760047A (zh) 基于安全强化学习算法的配电网电压无功控制方法及系统
CN114696351A (zh) 一种电池储能系统动态优化方法、装置、电子设备和存储介质
CN112803434A (zh) 有源配电网的无功优化方法、装置、设备和存储介质
CN106355511A (zh) 考虑新能源与电动汽车接入的主动配电网重构方法
Yasin et al. Prediction of solar irradiance using grey Wolf optimizer least square support vector machine
CN112561273A (zh) 一种基于改进pso的主动配电网可再生dg规划方法
CN117200213A (zh) 基于自组织映射神经网络深度强化学习的配电系统电压控制方法
CN115345380A (zh) 一种基于人工智能的新能源消纳电力调度方法
CN116345450A (zh) 一种基于深度强化学习的风光水互补系统智能调度方法
CN117764401B (zh) 考虑风险评估的柔性配电网多资源协调规划方法及装置
CN118157154A (zh) 一种计及暂态电压稳定性机理的约束构建方法
Wang et al. Pareto optimization of power system reconstruction using NSGA-II algorithm
Zhao et al. Research on Multiobjective Optimal Operation Strategy for Wind‐Photovoltaic‐Hydro Complementary Power System
CN115133540A (zh) 一种配电网无模型的实时电压控制方法
Ye et al. Multi-scenario stochastic optimal scheduling for power systems with source-load matching based on pseudo-inverse Laguerre polynomials

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