CN116169700A - 一种配电网储能配置模型及其求解方法 - Google Patents
一种配电网储能配置模型及其求解方法 Download PDFInfo
- Publication number
- CN116169700A CN116169700A CN202310204050.0A CN202310204050A CN116169700A CN 116169700 A CN116169700 A CN 116169700A CN 202310204050 A CN202310204050 A CN 202310204050A CN 116169700 A CN116169700 A CN 116169700A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power station
- power
- distribution network
- storage power
- 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 137
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000008901 benefit Effects 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 239000002245 particle Substances 0.000 claims description 24
- 238000007599 discharging Methods 0.000 claims description 14
- 230000003827 upregulation Effects 0.000 claims description 12
- 230000033228 biological regulation Effects 0.000 claims description 11
- 230000003828 downregulation Effects 0.000 claims description 11
- 230000008093 supporting effect Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 description 12
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 229910052799 carbon Inorganic materials 0.000 description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 5
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Power Engineering (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种配电网储能配置模型及其求解方法,涉及能源管理技术领域,根据储能电站在配电网中的功能以及配电站、储能电站的硬件设施限制,建立约束条件下的目标函数优化模型;针对已得出的优化模型,利用相应多目标函数规划求解方法得到综合提高储能电站使用效益的最优解。
Description
技术领域
本发明涉及能源管理技术领域,具体是涉及一种配电网储能配置模型及其求解方法。
背景技术
为推动实现碳达峰、碳中和,我国在坚持安全降碳,在保障能源安全的前提下,大力实施可再生能源替代,加快构建清洁低碳安全高效的能源体系。在如今风光新能源逐渐并入配电网,由于新能源的波动性以及随机性,导致电网对新能源的利用并不充分,出现了许多弃风弃光现象,也间接导致促使电网峰谷差加大,运行稳定性降低。储能电站的出现在一定程度上解决了上述问题,通过对风光发电多余电能进行储存,在电网运行状况不佳时进行输电,保证电网稳定运行,从而提高可再生能源消纳水平,并且带来良好的经济收益。储能电站在配电网中所起到的支撑作用大致可分为削峰填谷和主动调节功率,即将用电低谷期时段所发出的电和弃风弃光所对应产生的电存储直至用电高峰期释放,以及利用储能电站的充放电功能对配电网进行灵活的功率主动调节。由于配电网及储能电站的硬件设施限制,在分别求取该两项作用的目标函数时需要考虑以上约束条件;而该两项功能在计算储能电站的支撑作用的目标函数时存在竞争关系。
发明内容
为解决上述技术问题,综合发挥储能电站在配电网中的支撑作用,本发明将以上削峰填谷和主动调节功率两种目标归纳为一个双目标优化配置模型。双目标优化配置模型建立后,考虑模型求解最优值,且最终各目标之间不相互影响且各自最优,同时考虑方法实现的可能性,采用基于粒子群算法的带权极小模理想点法完成模型求解。
本发明提供一种配电网储能配置模型及其求解方法,具体包括以下步骤:
步骤一:建立双目标优化模型
首先对储能电站在配电网系统中所起到的支撑作用进行分析,得出削峰填谷和主动调节功率两项功能。该两项功能均与配电网、储能电站的硬件设施性能有关,由此可先分别得到相应的约束条件以及代表效益的目标函数,并通过综合分析得到双目标优化模型。
步骤二:对双目标优化配置模型进行最优解求解
双目标优化配置模型建立后,考虑需要模型求解最优值,且最终各目标之间不相互影响且各自最优。在考虑到储能电站及配电网硬件设施限制情况下,需同时满足各目标的约束条件,以确保方法实现的可能性。本模型求解采用基于粒子群算法的带权极小模理想点法。
所述的步骤一,具体包括:
(一)采用相似形方法,假设储能电站的充放电功率由负荷与平均负荷的偏差曲线以及储能电站的总容量确定;
假设消峰能量S=∑j(Pj-Pavg)ΔT,其中j∈{t|Pt≥Pavg};ΔT表示负荷曲线的时间间隔,Pavg表示负荷曲线全天的平均负荷;则对于任一时刻t,储能电站的功率可以确定如下:
倘若时刻负荷曲线大于其平均负荷,则该时刻储能电站系统放电,放电功率如下:
式中:E为储能电站的总能量。
倘若t时刻负荷曲线小于其平均负荷,则该时刻储能电站系统充电,充电电功率如下:
结合式(1)和(2),储能电站接入配电网后,负荷曲线的峰谷差Pgap′的值可以计算如下:
在获得以上数值后,可以定义一个参数来衡量储能电站接入电网后消峰填谷效果如何,具体定义为:
式中:Pgap表示未接入储能电站的电网负荷曲线峰谷差。
储能电站对负荷曲线峰谷差的改善,间接表示了储能电站对解决弃风弃光问题的贡献度。
(二)在主动调节功率能力上,主要从放电和充电两方面进行描述,即储能电站的最大供电能力和最大蓄电能力,即配电网最大正调节能力P+和配电网最大负调节能力P-;此处给出最大正调节能力P+和配电网最大负调节能力P-的定义;
配电网最大正调节能力P+可以表示为:
式中:为第i个储能电站的放电功率;Pdmax为储能电站放电功率的上限值,当储能电站荷电状态值达到其下限值时,Pdmax=0,其他时候Pdmax的值为储能逆变器的容量限制值;为要确保储能系统在放电的过程中,满足网络的不等式约束,包括支路潮流不等式约束和节点电压不等式约束,这里主要是考虑节点电压越上限的因素。
式中:为第i个储能电站的放电功率;Pcmax为储能电站放电功率的上限值,当储能电站荷电状态值达到其下限值时,Pcmax=0,其他时候Pcmax的值为储能逆变器的容量限制值;为要确保储能系统在放电的过程中,满足网络的不等式约束,包括支路潮流不等式约束和节点电压不等式约束,这里主要是考虑节点电压越上限的因素。
(三)通过以上储能电站对配电网的支撑作用分析可以建立目标优化配置模型,由上述分析可以将两个目标归纳为一个双目标优化配置模型,如下所示:
maxF=max(f1,f2,f3) (7)
式中:F是用于表示储能电站所带来的综合效益的目标值,f1是用于表示储能电站带来的削峰填谷效益的目标值,令f1=ΔPgap;f2,f3分别表示储能电站提供的配电网最大正调节能力和最大负调节能力,令f2=P+,f3=P-;而此双目标优化配置模型的约束条件为以上两个目标函数的约束条件的交集。
所述的步骤二,求解双目标优化配置模型最优解时,先通过粒子群算法分别求解削峰填谷、最大正调节能力和最大负调节能力三项功能的目标函数最优解,以这三种最优解情况通过构造极小理想点目标函数,并再次通过粒子群算法得到综合这三个目标的最大效益。
在求解最优解的整个环节中,对所有目标函数均使用粒子群算法进行循环迭代直到获得各目标函数的最优解,带权极小模理想点算法在其中主要是将已达到最优解的各目标函数依据自身重要程度所对应的权值进行赋值组合,其组合后的目标函数如下:
λ1+λ2+λ3=1 (8)
式中,f1 *、f2 *、f3 *分别表示子目标单独优化的最优解,通过此值可以衡量综合优化得到解的偏差,表现出解的质量。对该目标函数再一次使用粒子群算法,所得的F越小意味着越逼近最优解,最终得到整个双目标优化配置模型的最优解。
本发明的有益效果在于:本发明提供一种综合考虑削峰填谷以及主动调节功率两项功能的配电网储能配置模型,以储能电站及配电网的硬件设施限制为约束条件分别形成该两项功能的目标函数,将其结合即可得到双目标优化配置模型。采用粒子群算法对所有目标函数进行循环迭代直到获得各目标函数的最优解,带权极小模理想点算法在其中主要是将已达到最优解的各目标函数依据自身重要程度所对应的权值进行赋值组合,进一步使用粒子群算法迭代后可得到配电网储能配置模型的最优解。基于粒子群的极小模理想点法的求解思路与优化配置模型相互对应,在模型进行目标的增多或减少时,仅需要对极小模理想点法的子目标优化步骤进行增多或减少即可。
附图说明
图1为本发明配电网储能配置模型及其求解方法流程图;
图2为本发明基于粒子群算法的带权极小模理想点法流程图。
具体实施方式
相关术语解释:
碳达峰:指在某一个时点,二氧化碳的排放不再增长达到峰值,之后逐步回落。
碳中和:在一定时间内直接或间接产生的二氧化碳排放总量,通过植树造林、节能减排等形式,以抵消自身产生的二氧化碳排放量,实现二氧化碳“零排放”。
弃风弃光:受限于某种原因被迫放弃风水光能,停止相应发电机组或减少其发电量,也可以说是光伏电站的发电量大于电力系统最大传输电量+负荷消纳电量。
电池储能电站:电池为能量载体,通过功率变换系统进行充放电,可与电网实现有功和无功能量交换的电站。
削峰填谷:削峰填谷,是指电力企业通过必要的技术手段和管理手段,结合部分行政性手段,在此处即利用储能电站将用电低谷期时段所发出的电和弃风弃光所对应产生的电存储直至用电高峰期释放,降低电网的高峰负荷,提高低谷负荷,平滑负荷曲线,提高负荷率,降低电力负荷需求,减少发电机组投资和稳定电网运行。
主动调节功率:储能电站利用自身的充电和放电能力,可以主动调节配电网的功率,包括正的发电调节能力和负的充电调节能力。
粒子群算法:粒子群算法是一种进化计算技术。它的核心思想是利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得问题的可行解。
带权极小模理想点法:带权极小模理想点法一种评价函数方法,使各目标值依据自身重要程度所对应的权值尽可能逼近其理想(最优)值的求解多目标规划问题的一种评价函数方法。
实施例1,本发明提供一种配电网储能配置模型及其求解方法,总共分为两个部分。第一部分是根据储能电站在配电网中的功能以及配电站、储能电站的硬件设施限制,建立约束条件下的目标函数优化模型;第二部分是针对已得出的优化模型,利用相应多目标函数规划求解方法得到综合提高储能电站使用效益的最优解。
在目标函数优化模型的建立上,针对储能电站在配电网中所起到的支撑作用,需要从削峰填谷和主动调节功率两方面作用进行考虑。削峰填谷利用储能电站将用电低谷期时段所发出的电和弃风弃光所对应产生的电存储直至用电高峰期释放,降低电网的高峰负荷,提高低谷负荷,平滑负荷曲线,主动调节功率利用储能电站自身的充电和放电能力,主动调节配电网的功率,均与配电网、储能电站的硬件设施性能有关,由此可分别得到相应的约束条件以及代表效益的目标函数。为提高储能电站在配电网系统中的综合效益,可以将以上两个目标归纳为一个双目标优化配置模型。
粒子群算法利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得问题的可行解。带权极小模理想点法一种评价函数方法,使各目标值依据自身重要程度所对应的权值尽可能逼近其理想(最优)值的求解多目标规划问题的一种评价函数方法。将以上两种方法进行结合可以进一步对双目标优化配置模型进行最优解求解。
具体步骤如下:
步骤一:建立双目标优化模型
首先对储能电站在配电网系统中所起到的支撑作用进行分析,得出削峰填谷和主动调节功率两项功能。该两项功能均与配电网、储能电站的硬件设施性能有关,由此可先分别得到相应的约束条件以及代表效益的目标函数,并通过综合分析得到双目标优化模型。
(1)削峰填谷主要通过在电网负荷低谷时,储能电站向电网输送电量;电网负荷高峰时,储能电站从电网获取电量,以此来改善电网整体负荷特征,在此处可以将弃风弃光所对应产生的电能存储至储能电站,在用电高峰期输送给配电网。
为了保证经过储能电站介入进行消峰填谷后的负荷曲线与原有负荷曲线的特性相似,采用相似形方法。假设储能电站的充放电功率由负荷与平均负荷的偏差曲线以及储能电站的总容量确定。
假设消峰能量S=∑j(Pj-Pavg)ΔT,其中j∈{t|Pt≥Pavg};ΔT表示负荷曲线的时间间隔,Pavg表示负荷曲线全天的平均负荷;则对于任一时刻t,储能电站的功率可以确定如下。
倘若时刻负荷曲线大于其平均负荷,则该时刻储能电站系统放电,放电功率如下:
式中:E为储能电站的总能量。
倘若t时刻负荷曲线小于其平均负荷,则该时刻储能电站系统充电,充电电功率如下:
结合式(1)和(2),储能电站接入配电网后,负荷曲线的峰谷差Pgap′的值可以计算如下:
在获得以上数值后,可以定义一个参数来衡量储能电站接入电网后消峰填谷效果如何,具体定义为:
式中:Pgap表示未接入储能电站的电网负荷曲线峰谷差。
储能电站对负荷曲线峰谷差的改善,间接表示了储能电站对解决弃风弃光问题的贡献度。
(2)储能电站兼具充电和放电能力,并且包含一定的存储能量,其旋转备用的范围很广,包括正的发电调节能力和负的充电调节能力,因而可以赋予配电网灵活的功率主动调节能力,是系统运行主动性的体现。但储能电站赋予配电网的这种功率主动调节能力一方面受到储能电站自身的能量限制,另一方面也受网络潮流(包括节点电压和支路电流)的约束,因而与储能电站的接入位置息息相关。
在主动调节功率能力上,主要从放电和充电两方面进行描述,即储能电站的最大供电能力和最大蓄电能力。此处给出最大供电能力和最大蓄电能力的定义。
最大供电能力:在满足网络潮流约束和自身容量约束条件下,所能够发出的最大功率;从含义上可以理解为配电网最大正调节能力P+。
最大蓄电能力:在满足网络潮流约束和自身容量约束条件下,所能够吸收的最大功率;从含义上可以理解为配电网最大负调节能力P-。
配电网最大正调节能力P+可以表示为:
式中:为第i个储能电站的放电功率;Pdmax为储能电站放电功率的上限值,当储能电站荷电状态值达到其下限值时,Pdmax=0,其他时候Pdmax的值为储能逆变器的容量限制值;为要确保储能系统在放电的过程中,满足网络的不等式约束,包括支路潮流不等式约束和节点电压不等式约束,这里主要是考虑节点电压越上限的因素。
式中:为第i个储能电站的放电功率;Pcmax为储能电站放电功率的上限值,当储能电站荷电状态值达到其下限值时,Pcmax=0,其他时候Pcmax的值为储能逆变器的容量限制值;为要确保储能系统在放电的过程中,满足网络的不等式约束,包括支路潮流不等式约束和节点电压不等式约束,这里主要是考虑节点电压越上限的因素。
(3)通过以上储能电站对配电网的支撑作用分析可以建立目标优化配置模型,由上述分析可以将两个目标归纳为一个双目标优化配置模型,如下所示:
maxF=max(f1,f2,f3) (7)
式中:F是用于表示储能电站所带来的综合效益的目标值,f1是用于表示储能电站带来的削峰填谷效益的目标值,令f1=ΔPgap;f2,f3分别表示储能电站提供的配电网最大正调节能力和最大负调节能力,令f2=P+,f3=P-;而此双目标优化配置模型的约束条件为以上两个目标函数的约束条件的交集。
步骤二:对双目标优化配置模型进行最优解求解
双目标优化配置模型建立后,考虑需要模型求解最优值,且最终各目标之间不相互影响且各自最优。在考虑到储能电站及配电网硬件设施限制情况下,需同时满足各目标的约束条件,以确保方法实现的可能性。本模型求解采用基于粒子群算法的带权极小模理想点法。具体流程如图2所示。
其中,目标1是对应削峰填谷效益的目标值,目标2、目标3分别表示储能电站提供的配电网最大正调节能力和最大负调节能力。
由图2所示流程求解双目标优化配置模型最优解时,先通过粒子群算法分别求解削峰填谷、最大正调节能力和最大负调节能力三项功能的目标函数最优解,以这三种最优解情况通过构造极小理想点目标函数,并再次通过粒子群算法得到综合这三个目标的最大效益。
在求解最优解的整个环节中,对所有目标函数均使用粒子群算法进行循环迭代直到获得各目标函数的最优解,带权极小模理想点算法在其中主要是将已达到最优解的各目标函数依据自身重要程度所对应的权值进行赋值组合,其组合后的目标函数如下:
λ1+λ2+λ3=1(8)
式中,f1*、f2*、f3*分别表示子目标单独优化的最优解,通过此值可以衡量综合优化得到解的偏差,表现出解的质量。对该目标函数再一次使用粒子群算法,所得的F越小意味着越逼近最优解,最终得到整个双目标优化配置模型的最优解。
本发明的关键点是针对储能电站在配电网系统中所起到的支撑作用的储能配置模型的建立,储能电站的支撑作用主要为两点,分别是削峰填谷以及主动调节功率,从这两方面全面分析,综合建立配电网储能配置优化模型。该两项功能各有其收益,可对应形成目标函数,又受硬件设施限制,有其约束条件,综合考虑两个目标函数即可形成双目标优化配置模型。采用粒子群算法可迭代得到各单目标函数的最优解,带权极小模理想点算法则是将已达到最优解的各目标函数依据自身重要程度所对应的权值进行赋值组合,进一步使用粒子群算法迭代后可得到配电网储能配置模型的最优解。
Claims (4)
1.一种配电网储能配置模型及其求解方法,其特征在于,包括以下步骤:
步骤一:建立双目标优化模型;
首先对储能电站在配电网系统中所起到的支撑作用进行分析,得出削峰填谷和主动调节功率两项功能;该两项功能均与配电网、储能电站的硬件设施性能有关,由此可先分别得到相应的约束条件以及代表效益的目标函数,并通过综合分析得到双目标优化模型;
步骤二:对双目标优化配置模型进行最优解求解;
双目标优化配置模型建立后,考虑需要模型求解最优值,且最终各目标之间不相互影响且各自最优;在考虑到储能电站及配电网硬件设施限制情况下,需同时满足各目标的约束条件,以确保方法实现的可能性;本模型求解采用基于粒子群算法的带权极小模理想点法。
2.根据权利要求1所述的一种配电网储能配置模型及其求解方法,其特征在于,所述的步骤一,具体包括:
(一)采用相似形方法,假设储能电站的充放电功率由负荷与平均负荷的偏差曲线以及储能电站的总容量确定;
假设消峰能量S=∑j(Pj-Pavg)ΔT,其中j∈{t|Pt≥Pavg};ΔT表示负荷曲线的时间间隔,Pavg表示负荷曲线全天的平均负荷;则对于任一时刻t,储能电站的功率确定如下:
倘若时刻负荷曲线大于其平均负荷,则该时刻储能电站系统放电,放电功率如下:
式中:E为储能电站的总能量;
倘若t时刻负荷曲线小于其平均负荷,则该时刻储能电站系统充电,充电电功率如下:
结合式(1)和(2),储能电站接入配电网后,负荷曲线的峰谷差Pgap′的值计算如下:
在获得以上数值后,定义一个参数来衡量储能电站接入电网后消峰填谷效果如何,具体定义为:
式中:Pgap表示未接入储能电站的电网负荷曲线峰谷差;
储能电站对负荷曲线峰谷差的改善,间接表示了储能电站对解决弃风弃光问题的贡献度;
(二)在主动调节功率能力上,主要从放电和充电两方面进行描述,即储能电站的最大供电能力和最大蓄电能力,即配电网最大正调节能力P+和配电网最大负调节能力P-;此处给出最大正调节能力P+和配电网最大负调节能力P-的定义;
配电网最大正调节能力P+表示为:
式中:为第i个储能电站的放电功率;Pdmax为储能电站放电功率的上限值,当储能电站荷电状态值达到其下限值时,Pdmax=0,其他时候Pdmax的值为储能逆变器的容量限制值;为要确保储能系统在放电的过程中,满足网络的不等式约束,包括支路潮流不等式约束和节点电压不等式约束,这里主要是考虑节点电压越上限的因素;
式中:为第i个储能电站的放电功率;Pcmax为储能电站放电功率的上限值,当储能电站荷电状态值达到其下限值时,Pcmax=0,其他时候Pcmax的值为储能逆变器的容量限制值;为要确保储能系统在放电的过程中,满足网络的不等式约束,包括支路潮流不等式约束和节点电压不等式约束,这里主要是考虑节点电压越上限的因素;
(三)通过以上储能电站对配电网的支撑作用分析可以建立目标优化配置模型,由上述分析将两个目标归纳为一个双目标优化配置模型,如下:
maxF=max(f1,f2,f3) (7)
式中:F是用于表示储能电站所带来的综合效益的目标值,f1是用于表示储能电站带来的削峰填谷效益的目标值,令f1=ΔPgap;f2,f3分别表示储能电站提供的配电网最大正调节能力和最大负调节能力,令f2=P+,f3=P-;而此双目标优化配置模型的约束条件为以上两个目标函数的约束条件的交集。
3.根据权利要求2所述的一种配电网储能配置模型及其求解方法,其特征在于,所述的步骤二,求解双目标优化配置模型最优解时,先通过粒子群算法分别求解削峰填谷、最大正调节能力和最大负调节能力三项功能的目标函数最优解,以这三种最优解情况通过构造极小理想点目标函数,并再次通过粒子群算法得到综合这三个目标的最大效益。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310204050.0A CN116169700A (zh) | 2023-03-06 | 2023-03-06 | 一种配电网储能配置模型及其求解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310204050.0A CN116169700A (zh) | 2023-03-06 | 2023-03-06 | 一种配电网储能配置模型及其求解方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116169700A true CN116169700A (zh) | 2023-05-26 |
Family
ID=86420006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310204050.0A Pending CN116169700A (zh) | 2023-03-06 | 2023-03-06 | 一种配电网储能配置模型及其求解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116169700A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709651A (zh) * | 2023-12-14 | 2024-03-15 | 国网青海省电力公司清洁能源发展研究院 | 一种区域电网多点布局储能系统规划配置方法及系统 |
-
2023
- 2023-03-06 CN CN202310204050.0A patent/CN116169700A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709651A (zh) * | 2023-12-14 | 2024-03-15 | 国网青海省电力公司清洁能源发展研究院 | 一种区域电网多点布局储能系统规划配置方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107947231B (zh) | 一种面向配电网优化运行的混合储能系统控制方法 | |
Ma et al. | Optimal allocation of hybrid energy storage systems for smoothing photovoltaic power fluctuations considering the active power curtailment of photovoltaic | |
CN106099965B (zh) | 交流微电网并网状态下复杂混合储能系统的协调控制方法 | |
CN101510686B (zh) | 基于多代理技术的微电网协调控制系统 | |
CN111509743B (zh) | 一种应用储能装置提高电网稳定性的控制方法 | |
CN105870950B (zh) | 一种智能楼宇可调资源多目标协调系统及优化控制方法 | |
CN108306331A (zh) | 一种风光储混合系统的优化调度方法 | |
CN107994595A (zh) | 一种削峰填谷控制方法和系统以及应用该控制方法的系统 | |
CN109599856A (zh) | 一种微网多楼宇中电动汽车充放电管理优化方法及装置 | |
CN111244988B (zh) | 考虑分布式电源的电动汽车和储能优化调度方法 | |
CN110783959B (zh) | 一种新能源发电系统的稳定状态控制系统 | |
CN111244993B (zh) | 一种储能参与电网调峰应用的容量优化配置方法 | |
CN108551176B (zh) | 一种结合储能均衡技术的储能电池系统容量配置方法 | |
CN105226694A (zh) | 基于模糊经验模态分解的储能平滑新能源发电控制方法 | |
CN110808613A (zh) | 一种利用混合储能提升风电利用率的方法 | |
CN111654054A (zh) | 一种储能基于自适应神经网络(ann)平抑短期风电波动的控制方法 | |
CN114696352A (zh) | 一种新能源配电网中电池储能系统的运行控制方法 | |
CN116169700A (zh) | 一种配电网储能配置模型及其求解方法 | |
CN118117568A (zh) | 一种适用于离网风光氢储耦合系统的复合能量管理策略 | |
CN111509716A (zh) | 电网柔性负荷控制方法、装置、计算机设备和存储介质 | |
CN116885761A (zh) | 一种功率型-能量型混合储能系统容量优化方法 | |
CN111311032A (zh) | 一种基于扇形雷达图模型的微网系统容量优化配置方法 | |
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 | |
CN115983890A (zh) | 5g基站储能系统的soc偏移优化控制方法及系统 | |
CN113852109B (zh) | 一种异构式微电网群的公平载荷裕度分布式调控方法 |
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 |