CN116645089A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116645089A CN116645089A CN202310527608.9A CN202310527608A CN116645089A CN 116645089 A CN116645089 A CN 116645089A CN 202310527608 A CN202310527608 A CN 202310527608A CN 116645089 A CN116645089 A CN 116645089A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- cost
- capacity
- battery
- 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 170
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000015556 catabolic process Effects 0.000 title claims abstract description 35
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 230000002068 genetic effect Effects 0.000 claims abstract description 21
- 238000013486 operation strategy Methods 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims description 66
- 230000006870 function Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/30—Administration of product recycling or disposal
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/20—Design reuse, reusability analysis or reusability optimisation
-
- 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
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- Geometry (AREA)
- Sustainable Development (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及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,属于新能源与储能协同规划技术领域。本方法包括建立以共享云储能的投资和运行成本作为优化目标,结合退役电池容量退化特性,预测共享储能的更新成本的双层优化模型;在双层优化模型外层利用遗传算法求解共享云储能的接入位置和容量等结果,之后内层随机产生不同时刻储能的充放电功率,并结合退役电池共享云储能内部约束进行修正,最终获得储能的最优运行策略。此方法可应用于含有大量分布式新能源发电的微电网内部,利用退役电池共享云储能的规模化建设思路降低储能系统的建设成本。
Description
技术领域
本发明涉及储能系统优化配置技术领域,尤其是涉及一种考虑退役电池容量退化特性的共享云储能系统的双层优化配置方法。
背景技术
在能源供给侧,可再生能源快速发展,给电网供需平衡带来了严峻的挑战。在能源需求侧,随着电动汽车等电气化设备的接入,负荷出现陡然增长且负荷波动变得更为剧烈,更加不利于电网的安全稳定运行。储能可有效应对上述挑战,但是单独为用户或者单一光伏、风力发电配置储能资源经济性较差,不能够大范围推广。而随着“共享经济”概念的盛行,共享储能和云储能等新型储能手段逐渐被广泛应用,通过将分布式储能和大型储能进行容量的调度,在面对风、光发电过剩或风、光发电能力不足的情况时,可采用共享储能形式,降低弃风弃光率,提高用户侧供电的可靠性。所以,对储能的配置问题,就成为了储能领域的一个关键问题,通过合理的配置储能系统,不仅能降低经济投入,还可在电网电价谷时段存储电能、在电价峰时段释放电能供给用户,可以为用户节省用电开支,同时缓解电网的调峰压力。
随着我国电动汽车的大量普及,处理电动汽车的退役动力电池成为了一个棘手的问题,据估计预计到2025年电动汽车所遗留的退役电池数量将达到137.4GWh,需要回收的电池将达到78万吨。目前的主要回收手段有两种:(1)当退役动力电池的容量达到40%及以下时,进行拆解处理;(2)当容量水平较高时,可以在储能、基站备用电源等用电较“温和”的领域进行二次利用。而将退役电池作为储能的一部分,既可以降低储能的建设成本,还可以解决退役电池数量过多导致的处理困难的问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种考虑退役电池容量退化特性的共享云储能系统的双层优化配置方法。
本发明的目的可以通过以下技术方案来实现:
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,包括以下步骤:
建立共享云储能系统模型与退役电池容量退化模型,所述共享云储能系统模型包括成本函数和更新函数,所述退役电池容量退化模型包括退役电池容量退化特性;
建立以共享云储能的投资和运行成本作为优化目标,结合退役电池容量退化特性,预测共享储能的更新成本的双层优化模型;所述双层优化模型的外层采用遗传算法优化共享云储能的分布位置、功率和建设容量;内层采用改进粒子群算法结合电力系统潮流优化共享云储能的运行策略;
求解所建立的双层优化模型,获得储能的最优运行策略。
进一步的,所述退役电池容量退化特性曲线的具体计算步骤包括:
采用Bacon-Watt模型寻找电池容量退化的拐点;
式中:a0控制两直线交叉时的交点;a1和a2分别为两条交叉直线的斜率;γ控制过渡的突变性;Z为正态分布的零为中心的随机变量,表示残差;
通过对退役电池的拐点进行预测,拟合电池容量快速下降阶段的曲线:
ξ=1-1.69*10-4S+4.48*10-8S2-4.54*10-12S3
式中:S表示循环次数;
电池在额定充放电深度下的放电量Etotal由每小时放电量与放电速率乘积得到:
Etotal=DrNrCr
式中:Dr为电池额定放电深度;Nr为电池额定循环次数;Cr为额定容量;
将实际放电深度转换为有效放电深度:
式中:Na为电池实际循环次数;Da为电池实际放电深度;σ0和σ1为拟合参数;
电池单次放电损耗的容量表示为:
式中:dact为实际放电消耗的容量;Ca为实际放电容量;
电池的额定充电寿命与实际使用寿命表示为:
Et′otal=(x-xk)DrCr
式中:T为某个时间段;m为该时间段包含的放电事件;
结合共享云储能的更新成本函数,额定使用寿命为N,则电池更换次数L为:
共享云储能更新成本函数为:
Crep=LCin
当电池额定容量降低至约原容量设定百分比或共享储能运营到期时,对电池系统进行回收。
进一步的,所述求解所建立的双层优化模型具体过程包括:
获取共享云储能接入微电网位置、功率和容量信息;
基于外层采用遗传算法对共享云储能的接入位置、功率和容量的要素进行遗传算法编码,生成种群信息;
将外层生成的种群信息传递至内层粒子群算法中;
内层采用改进的粒子群算法评估种群中每个个体的配置适应度,并筛选优质个体保留至下一代;
将内层改进粒子群算法的优化结果反馈至外层遗传算法,由遗传算法进行选择、交叉和变异的运算;
通过内外层的反复迭代,确定约束范围内的共享云储能的最优配置和运行策略。
进一步的,所述内层改进的粒子群算法的具体求解步骤包括:
通过评价函数,分别对储能的容量、功率和成本采用归一化方法得到分数,并根据得分赋予权重;
采用轮盘赌的算法,确定产生粒子的初始位置;
设定内层改进的粒子群算法种群数、最大迭代次数,以共享云储能总成本为目标函数进行内层优化:
产生各采样时刻的充放电功率,云共享储能系统荷电连续性约束进行修正;
再利用评价函数,对不同的储能容量、储能布置位置等要素赋予不同权重,获得单个储能的运行策略;
结合潮流计算获得总成本最小情况下的共享云储能运行策略,并利用改进粒子群算法评估成本适应度;
由改进的粒子群算法评估种群每个个体成本适应度,并筛选优质个体保留至下一代;
通过不断迭代求得当前共享云储能系统的最优日内运行策略。
进一步的,所述云共享储能系统荷电连续性约束,具体如下:
其中,Socx,0和Socx,t分别为某储能系统0时刻和时刻的荷电状态;Pch,xηch,x为某储能系统的实际充电功率;Pdis,xηdis,x为某储能系统的实际放电功率。
进一步的,所述共享云储能总成本目标函数具体包括:网损费用、充放电费用、储能建设以及运维费用,具体公式如下:
C=CLoss+Crp+CPB+CCost
式中,CLoss为传输导致的网损产生的费用;Crp为分布式电源提供的无功功率费用;CPB为储能系统充放电费用;CCost为储能成本费用,
其中,网损费用中由采样时刻的损耗功率PLOSS,分时电价R所决定,具体公式如下:
其中,无功费用中又由采样时刻的无功功率Pdg决定,具体公式如下:
其中,充放电费用由储能电池的充电功率Pch与放电功率Pdis决定,具体公式如下:
其中,储能成本费用由储能的投资建设费用CInvestment和储能运维费用COperation共同决定,具体公式如下:
CCost=CInvestment+COperation
COperation=CmQ
上式中,Cup为储能单位功率成本;EInvestment为云共享储能所配置的容量;r为贴现率;n为储能系统的寿命年限;m为储能系统安装的个数;Q为储能的年放电量。
进一步的,优化所述目标函数结合微电网潮流和电压约束,具体包括:
节点功率平衡约束:
式中,Pi和Qi分别为微电网节点i的有功功率和无功功率;Ui和Uj分别为两节点的电压;δi和δj分别为节点的相角;Gij和Bij分别为节点导纳矩阵的实部和虚部;N为节点总数;
节点电压约束,具体如下:
Uimin≤Ui≤Uimax
式中,分别为某节点所允许的最高电压Uimax、最低电压Uimin和节点实际电压Ui,
有功功率约束,具体如下:
-Plmax≤Pl≤Plmax
式中,分别为某节点所允许的最大有功功率Plmax和节点实际有功功率Pl;
线路安全约束,在运行过程中,微电网线路电流需要满足线路容量限制,避免线路运行过程中存在过载情况:
Ibmin≤Ib=LB(RP+Q)≤Ibmax
上式中,Ib与L分别表示配电网光伏并网中支路电流及导纳绝对值;B与Ibmin、Ibmax分别表示微电网节点支路关联系数以及配电网光伏并网支路电流的上、下限。
进一步的,所述优化目标函数还包括光伏出力约束:
光伏出力约束:
式中,Epvi和Epvi,max分别为单体光伏容量和某节点可接入光伏的最大配置容量;ΣEpv为光伏系统接入的总规划容量。
进一步的,其特征在于,所述粒子群算法的优化步骤包括:
初始化粒子群,输入初始参数,初始化粒子的位置和速度;
更新每个粒子的速度与位置(vi、xi);
vi+1=vi+c1*rand*(pbest,i-xi)+c2*rand*(gbest,i-xi)
xi+1=xi+vi
式中,rand是介于[0,1]之间的随机数;pbest,i是;gbest,i是;c1和c2是学习因子;
评估每个粒子的函数适应值,根据粒子的适应度值,记录个体历史最优粒子和种群最优粒子;
更新每个粒子的历史最优位置;
更新粒子的整体最优位置,引入漂移因素,扩大搜索范围;
判断是否满足设定迭代数,若满足则输出结果,否则继续迭代。
进一步的,所述求解所建立的双层优化模型终止条件为达到预设迭代次数:
其中若为达到内层粒子群算法的最大迭代次数时,将在内层生成下代种群,再次与微电网潮流约束进行优化计算;
若外层遗传算法未达到最大迭代次数时,将由遗传算法通过粒子群算法结合微电网潮流约束优化而得到的储能位置、容量结果,并产生下代种群;
两种算法不断迭代,获得较优的共享云储能位置和容量结果。
与现有技术相比,本发明具有以下有益效果:
以退役电池建设共享云储能时的电池衰退问题以及共享云储能装置的合理配置问题,构建了双层模型;
1)先通过Bacon-Watts模型和电池容量衰减曲线,预测退役电池的更新时间与更新次数。
2)双层模型外层采用遗传算法来优化共享云储能在微电网中的储能配置位置、储能功率和储能容量等目标,内层采用改进粒子群算法,在吸取经典粒子群算法优点的基础之上,采用轮盘赌思想、粒子漂移因素和权重线性递减等策略,不仅能够修正粒子的初始位置与最优位置还能够面对多节点微电网时提高算法的计算速度,从而找到全局最优解。
所提方法能够在尽量满足新能源消纳的基础上,降低共享云储能系统的投资与运行成本,为含有退役电池的共享云储能系统的优化布置提供了一种合理的方案。
附图说明
图1为本发明一种考虑退役电池容量退化特性的共享云储能系统的双层优化配置方法流程图;
图2为本发明一种考虑退役电池容量退化特性的共享云储能系统的双层优化配置方法的流程示意框图。;
图3为微网净负荷对比图;
图4为微网各设备出力图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
本发明以退役电池建设共享云储能时的电池衰退问题以及共享云储能装置的合理配置问题。构建了双层模型,先通过Bacon-Watts模型和退役电池容量退化特性曲线,预测退役电池的更新时间与更新次数,之后外层采用遗传算法来优化共享云储能在微电网中的储能配置位置、储能功率和储能容量等目标,内层采用改进粒子群算法,在吸取经典粒子群算法优点的基础之上,采用轮盘赌思想、粒子漂移因素和权重线性递减等策略,不仅能够修正粒子的初始位置与最优位置还能够面对多节点微电网时提高算法的计算速度,从而找到全局最优解。所提方法能够在尽量满足新能源消纳的基础上,降低共享云储能系统的投资与运行成本,为含有退役电池的共享云储能系统的优化布置提供了一种合理的方案。
首先通过对退役电池剩余容量的拐点进行预测,寻找退役电池在循环次数达到多少时到达拐点,到达拐点之后,电池的可用容量将快速下降。之后,通过拟合电池容量的快速下降曲线,寻找可用循环次数。退役电池剩余容量到达一定程度后就会报废,不可再次利用,当到达报废的循环次数后,就要进行电池的更换,此时为更新成本。通过预测电池剩余的循环次数,来估计何时进行电池的更换,更换便会产生更新成本。
对其剩余使用寿命的准确估计是退役电池能否进行有效的再次利用重要因素,由于Bacon-Watts模型采用分段拟合的方法,依据估计精度较高、模型简单这两个特性,采用该模型来寻找电池容量退化的拐点;
式中:a0控制两直线交叉时的交点;a1和a2分别为两条交叉直线的斜率;γ控制过渡的突变性;Z为正态分布的零为中心的随机变量,表示残差;
通过对退役电池的拐点进行预测,拟合电池容量快速下降阶段的曲线:
ξ=1-1.69*10-4S+4.48*10-8S2-4.54*10-12S3
式中:S表示循环次数。
电池在额定充放电深度下的放电量Etotal可由每小时放电量与放电速率乘积得到:
Etotal=DrNrCr
式中:Dr为电池额定放电深度;Nr为电池额定循环次数;Cr为额定容量。
将实际放电深度转换为有效放电深度,可表示为:
式中:Na为电池实际循环次数;Da为电池实际放电深度;σ0和σ1为拟合参数。
所以电池单次放电损耗的容量可以大致表示为:
式中:dact为实际放电消耗的容量;Ca为实际放电容量。
所以,电池的额定充电寿命与实际使用寿命可表示为:
E′total=(x-xk)DrCr
式中:T为某个时间段;m为该时间段包含的放电事件。
结合共享云储能的更新成本函数,假设额定使用寿命为N,则电池更换次数L为:
电池达到不能再利用阶段时,需要对其进行更换,更换所需的成本便为更新成本,共享云储能更新成本函数为:
Crep=LCin
当电池额定容量降低至约原来的40%或共享储能运营到期时,需要对电池系统进行回收,储能系统的残值回收系数约为建设成本的5%左右。
Cres=λresCin
选择微电网不同节点位置,结合微电网实际状态,生成含有接入的位置、功率和容量的初始种群;
外层优化目标为共享云储能系统接入的位置、功率和容量,这些参数均为离散的整数,所以较易采用遗传算法对其进行基因编码,从而优化求解。设定遗传算法的最大迭代次数为300次、交叉率70%、变异率5%;
选取光伏发电出力的典型日数据,包括总出力和发电曲线;
外层给出确定的共享云储能参数后,将每个个体信息传递到内层。通过评价函数,分别对储能的容量rE、功率rP和成本rC采用归一化方法,得到分数,根据得分赋予权重;
Tresource?=rE+rP+rC
之后采用轮盘赌的算法,确定产生粒子的初始位置;轮盘赌方法的核心思想是:每个被选中的概率与其适应度大小成正比,目的是为防止适应度数值较小的个体被直接淘汰。
产生各采样时刻的充放电功率,云共享储能系统荷电连续性约束进行修正;
再利用评价函数,对不同的储能容量、储能布置位置等要素赋予不同权重,通过MATLAB中的潮流计算工具获得单个储能的运行策略;
设定内层改进的粒子群算法种群数为60、最大迭代次数为100次。建立内层共享云储能优化目标函数:取共享云储能总成本为目标函数,C为共享云储能系统的总成本;CLoss为传输导致的网损产生的费用;Crp为分布式电源提供的无功功率费用;CPB为储能系统充放电费用;CCost为储能成本费用,具体公式如下:
C=CLoss+Crp+CPB+CCost
其中,网损费用中又由PLOSS采样时刻的损耗功率,R分时电价所决定,具体公式如下:
其中,无功费用中又由Pdg采样时刻的无功功率等决定,具体公式如下:
其中,充放电费用由储能电池的充放电功率决定,具体公式如下:
其中,储能成本费用由储能的投资建设费用CInvestment和储能运维费用COperation共同决定,具体公式如下:
CCost=CInvestment+COperation
COperation=CmQ
上式中,Cup为储能单位功率成本设定为0.3元/kW;EInvestment为云共享储能所配置的容量;r为贴现率;n为储能系统的寿命年限;m为储能系统安装的个数;Q为储能的年放电量;
其中,优化目标函数结合微电网潮流、电压等约束:
节点功率平衡约束:
式中,Pi和Qi分别为微电网节点i的有功功率和无功功率;Ui和Uj分别为两节点的电压;δi和δj分别为节点的相角;Gij和Bij分别为节点导纳矩阵的实部和虚部;N为节点总数。
节点电压约束,分别为某节点所允许的最高、最低电压和节点实际电压,具体如下:
Uimin≤Ui≤Uimax
有功功率约束,分别为某节点所允许的最大有功功率和节点实际有功功率,具体如下:
-Plmax≤Pl≤Plmax
线路安全约束,在运行过程中,微电网线路电流需要满足线路容量限制,避免线路运行过程中存在过载情况。
Ibmin≤Ib=LB(RP+Q)≤Ibmax
上式中,Ib与L分别表示配电网光伏并网中支路电流及导纳绝对值。B与Ibmin、Ibmax分别表示微电网节点支路关联系数以及配电网光伏并网支路电流的上、下限。
此外,还需要结合共享云储能系统约束和光伏约束:
云共享储能系统荷电连续性约束与容量约束,具体如下:
SOCmin≤SOC(t)≤SOCmax
其中,Socx,0和Socx,t分别为某储能系统0时刻和时刻的荷电状态;Pch,xηch,x为某储能系统的实际充电功率;Pdis,xηdis,x为某储能系统的实际放电功率;
光伏出力约束:
其中Epvi和Epvi,max分别为单体光伏容量和某节点可接入光伏的最大配置容量;ΣEpv为光伏系统接入的总规划容量;
获得总成本最小情况下的共享云储能运行策略后,利用改进粒子群算法评估成本适应度,具体过程如下:
初始化粒子群,输入初始参数(种群数量、惯性因子、迭代次数等);
初始化粒子的位置和速度(x和v);
更新每个粒子的速度与位置(vi、xi);
vi+1=vi+c1*rand*(pbest,i-xi)+c2*rand*(gbest,i-xi)
xi+1=xi+vi
rand是介于[0,1]之间的随机数,c1和c2是学习因子
评估每个粒子的函数适应值,根据粒子的适应度值,记录个体历史最优粒子和种群最优粒子;
更新每个粒子的历史最优位置;
更新粒子的整体最优位置,为克服粒子群算法缺点,引入漂移因素,扩大搜索范围。
判断是否满足设定迭代数,若满足则输出结果,否则继续迭代。
利用粒子群优化算法结合MATLAB中的潮流计算工具通过多次迭代寻优求直至达到设定最大迭代次数,得到前给定配置下储能系统的最优日内运行策略;
由改进的粒子群算法评估种群中每个个体的配置适应度,并筛选优质个体保留至下一代;
将内层改进粒子群优化算法优化迭代的最终结果传递给外层遗传算法,由遗传算法进行基因的选择、交叉、变异运算。
通过内外层的反复迭代,确定约束条件范围内的共享云储能的最优配置和运行策略。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种考虑退役电池容量退化的储能系统双层优化配置方法,其特征在于,包括以下步骤:
建立共享云储能系统模型与退役电池容量退化模型,所述共享云储能系统模型包括成本函数和更新函数,所述退役电池容量退化模型包括退役电池容量退化特性;
建立以共享云储能的投资和运行成本作为优化目标,结合退役电池容量退化特性,预测共享储能的更新成本的双层优化模型;所述双层优化模型的外层采用遗传算法优化共享云储能的分布位置、功率和建设容量;内层采用改进粒子群算法结合电力系统潮流优化共享云储能的运行策略;
求解所建立的双层优化模型,获得储能的最优运行策略。
2.根据权利要求1所述的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,其特征在于,所述退役电池容量退化特性曲线的具体计算步骤包括:
采用Bacon-Watt模型寻找电池容量退化的拐点;
式中:a0控制两直线交叉时的交点;a1和a2分别为两条交叉直线的斜率;γ控制过渡的突变性;Z为正态分布的零为中心的随机变量,表示残差;
通过对退役电池的拐点进行预测,拟合电池容量快速下降阶段的曲线:
ξ=1-1.69*10-4S+4.48*10-8S2-4.54*10-12S3
式中:S表示循环次数;
电池在额定充放电深度下的放电量Etotal由每小时放电量与放电速率乘积得到:
Etotal=DrNrCr
式中:Dr为电池额定放电深度;Nr为电池额定循环次数;Cr为额定容量;
将实际放电深度转换为有效放电深度:
式中:Na为电池实际循环次数;Da为电池实际放电深度;σ0和σ1为拟合参数;
电池单次放电损耗的容量表示为:
式中:dact为实际放电消耗的容量;Ca为实际放电容量;
电池的额定充电寿命与实际使用寿命表示为:
Et′otal=(x-xk)DrCr
式中:T为某个时间段;m为该时间段包含的放电事件;
结合共享云储能的更新成本函数,额定使用寿命为N,则电池更换次数L为:
共享云储能更新成本函数为:
Crep=LCin
当电池额定容量降低至约原容量设定百分比或共享储能运营到期时,对电池系统进行回收。
3.根据权利要求1所述的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,其特征在于,所述求解所建立的双层优化模型具体过程包括:
获取共享云储能接入微电网位置、功率和容量信息;
基于外层采用遗传算法对共享云储能的接入位置、功率和容量的要素进行遗传算法编码,生成种群信息;
将外层生成的种群信息传递至内层粒子群算法中;
内层采用改进的粒子群算法评估种群中每个个体的配置适应度,并筛选优质个体保留至下一代;
将内层改进粒子群算法的优化结果反馈至外层遗传算法,由遗传算法进行选择、交叉和变异的运算;
通过内外层的反复迭代,确定约束范围内的共享云储能的最优配置和运行策略。
4.根据权利要求3所述的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,其特征在于,所述内层改进的粒子群算法的具体求解步骤包括:
通过评价函数,分别对储能的容量、功率和成本采用归一化方法得到分数,并根据得分赋予权重;
采用轮盘赌的算法,确定产生粒子的初始位置;
设定内层改进的粒子群算法种群数、最大迭代次数,以共享云储能总成本为目标函数进行内层优化:
产生各采样时刻的充放电功率,云共享储能系统荷电连续性约束进行修正;
再利用评价函数,对不同的储能容量、储能布置位置等要素赋予不同权重,获得单个储能的运行策略;
结合潮流计算获得总成本最小情况下的共享云储能运行策略,并利用改进粒子群算法评估成本适应度;
由改进的粒子群算法评估种群每个个体成本适应度,并筛选优质个体保留至下一代;
通过不断迭代求得当前共享云储能系统的最优日内运行策略。
5.根据权利要求4所述的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,其特征在于,所述云共享储能系统荷电连续性约束,具体如下:
其中,Socx,0和Socx,t分别为某储能系统0时刻和时刻的荷电状态;Pch,xηch,x为某储能系统的实际充电功率;Pdis,xηdis,x为某储能系统的实际放电功率。
6.根据权利要求4所述的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,其特征在于,所述共享云储能总成本目标函数具体包括:网损费用、充放电费用、储能建设以及运维费用,具体公式如下:
C=CLoss+Crp+CPB+CCost
式中,CLoss为传输导致的网损产生的费用;Crp为分布式电源提供的无功功率费用;CPB为储能系统充放电费用;CCost为储能成本费用,
其中,网损费用中由采样时刻的损耗功率PLOSS,分时电价R所决定,具体公式如下:
其中,无功费用中又由采样时刻的无功功率Pdg决定,具体公式如下:
其中,充放电费用由储能电池的充电功率Pch与放电功率Pdis决定,具体公式如下:
其中,储能成本费用由储能的投资建设费用CInvestment和储能运维费用COperation共同决定,具体公式如下:
CCost=CInvestment+COperation
COperation=CmQ
上式中,Cup为储能单位功率成本;EInvestment为云共享储能所配置的容量;r为贴现率;n为储能系统的寿命年限;m为储能系统安装的个数;Q为储能的年放电量。
7.根据权利要求4所述的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,其特征在于,优化所述目标函数结合微电网潮流和电压约束,具体包括:
节点功率平衡约束:
式中,Pi和Qi分别为微电网节点i的有功功率和无功功率;Ui和Uj分别为两节点的电压;δi和δj分别为节点的相角;Gij和Bij分别为节点导纳矩阵的实部和虚部;N为节点总数;
节点电压约束,具体如下:
Uimin≤Ui≤Uimax
式中,分别为某节点所允许的最高电压Uimax、最低电压Uimin和节点实际电压Ui,
有功功率约束,具体如下:
-Plmax≤Pl≤Plmax
式中,分别为某节点所允许的最大有功功率Plmax和节点实际有功功率Pl;
线路安全约束,在运行过程中,微电网线路电流需要满足线路容量限制,避免线路运行过程中存在过载情况:
Ibmin≤Ib=LB(RP+Q)≤Ibmax
上式中,Ib与L分别表示配电网光伏并网中支路电流及导纳绝对值;B与Ibmin、Ibmax分别表示微电网节点支路关联系数以及配电网光伏并网支路电流的上、下限。
8.根据权利要求4或7所述的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,其特征在于,所述优化目标函数还包括光伏出力约束:
光伏出力约束:
式中,Epvi和Epvi,max分别为单体光伏容量和某节点可接入光伏的最大配置容量;ΣEpv为光伏系统接入的总规划容量。
9.根据权利要求3所述的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,其特征在于,所述粒子群算法的优化步骤包括:
初始化粒子群,输入初始参数,初始化粒子的位置和速度;
更新每个粒子的速度与位置(vi、xi);
vi+1=vi+c1*rand*(pbest,i-xi)+c2*rand*(gbest,i-xi)
xi+1=xi+vi
式中,rand是介于[0,1]之间的随机数;pbest,i是;gbest,i是;c1和c2是学习因子;
评估每个粒子的函数适应值,根据粒子的适应度值,记录个体历史最优粒子和种群最优粒子;
更新每个粒子的历史最优位置;
更新粒子的整体最优位置,引入漂移因素,扩大搜索范围;
判断是否满足设定迭代数,若满足则输出结果,否则继续迭代。
10.根据权利要求1所述的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,其特征在于,所述求解所建立的双层优化模型终止条件为达到预设迭代次数:
其中若为达到内层粒子群算法的最大迭代次数时,将在内层生成下代种群,再次与微电网潮流约束进行优化计算;
若外层遗传算法未达到最大迭代次数时,将由遗传算法通过粒子群算法结合微电网潮流约束优化而得到的储能位置、容量结果,并产生下代种群;
两种算法不断迭代,获得较优的共享云储能位置和容量结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310527608.9A CN116645089A (zh) | 2023-05-11 | 2023-05-11 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310527608.9A CN116645089A (zh) | 2023-05-11 | 2023-05-11 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116645089A true CN116645089A (zh) | 2023-08-25 |
Family
ID=87618040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310527608.9A Pending CN116645089A (zh) | 2023-05-11 | 2023-05-11 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116645089A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117439147A (zh) * | 2023-12-21 | 2024-01-23 | 深圳市健网科技有限公司 | 一种分布式储能系统实时优化方法及装置 |
-
2023
- 2023-05-11 CN CN202310527608.9A patent/CN116645089A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117439147A (zh) * | 2023-12-21 | 2024-01-23 | 深圳市健网科技有限公司 | 一种分布式储能系统实时优化方法及装置 |
CN117439147B (zh) * | 2023-12-21 | 2024-03-26 | 深圳市健网科技有限公司 | 一种分布式储能系统实时优化方法及装置 |
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 | |
WO2023274425A1 (zh) | 一种风光水火储系统的多能容量优化配置方法 | |
Liu et al. | Optimal sizing of a wind-energy storage system considering battery life | |
CN112039069B (zh) | 一种配电网储能与柔性开关的双层协同规划方法及系统 | |
CN103840457B (zh) | 考虑电动汽车充放电影响的配电网内dg优化配置方法 | |
Qi et al. | Low-carbon community adaptive energy management optimization toward smart services | |
CN111401604B (zh) | 电力系统负荷功率预测方法及储能电站功率分配方法 | |
CN110956324B (zh) | 基于改进的moea/d的主动配电网日前高维目标优化调度方法 | |
CN114448044A (zh) | 一种换电站双向快充有序充放电方法及系统 | |
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 | |
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 | |
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 | |
CN115114854A (zh) | 一种虚拟电厂分布式资源两级自组织优化聚合方法及系统 | |
CN113972645A (zh) | 基于多智能体深度确定策略梯度算法的配电网优化方法 | |
CN114462854A (zh) | 含新能源和电动汽车并网的分层调度方法及其系统 | |
CN111311032B (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 | |
CN112467717A (zh) | 一种基于模糊控制的混合能源系统实时负荷分配方法 | |
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 | |
CN111740430A (zh) | 一种基于虚拟电厂的源网协同动态优化方法 | |
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 | |
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 | |
CN116865270A (zh) | 一种含嵌入式直流的柔性互联配电网优化调度方法及系统 | |
CN112117772B (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 | |
CN113794241B (zh) | 低压智能电网用户侧源储荷的优化调度方法及装置 | |
CN110729759B (zh) | 一种微电网中分布式电源配置方案的确定方法及装置 |
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 |