CN116706950A - 基于htl-mopso算法的有源配电网储能多目标优化配置方法和系统 - Google Patents

基于htl-mopso算法的有源配电网储能多目标优化配置方法和系统 Download PDF

Info

Publication number
CN116706950A
CN116706950A CN202310605283.1A CN202310605283A CN116706950A CN 116706950 A CN116706950 A CN 116706950A CN 202310605283 A CN202310605283 A CN 202310605283A CN 116706950 A CN116706950 A CN 116706950A
Authority
CN
China
Prior art keywords
energy storage
distribution network
power distribution
active power
htl
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
CN202310605283.1A
Other languages
English (en)
Inventor
王立峰
张景晨
梁访
朱天昊
毛宇晗
许自强
徐荆州
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.)
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Nanjing 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 Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202310605283.1A priority Critical patent/CN116706950A/zh
Publication of CN116706950A publication Critical patent/CN116706950A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • H02J3/008—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
    • 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
    • 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]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明基于HTL‑MOPSO算法的有源配电网储能多目标优化配置方法和系统，所述方法包括：建立分布式储能模型，储能装置剩余容量与完全充电后的容量之比用荷电状态表示；以经济性指标函数、有功网损函数、电压偏差函数、频率偏差函数为目标函数，建立有源配电网储能多目标优化配置模型；基于HTL‑MOPSO多目标优化算法求解有源配电网储能多目标优化配置模型，获得分布式储能设备最优选址定容方案。本发明收敛速度快，实现有源配电网储能的最优配置。

Description

基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法 和系统
技术领域
本发明涉及综合能源背景下配电网分布式电源并网消纳及配电网络优化管理领域，具体是一种基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法和系统。
背景技术
随着社会对能源需求的不断提升，同时传统能源逐渐枯竭，传统化石能源对环境造成巨大的污染问题无法得到有效解决，以光伏、风能为代表的可再生能源受到广泛关注。利用风能、太阳能发电的分布式电源在电力系统中逐渐普及，在很大程度上有效提高了能源利用率并极大减少温室气体排放。然而，由于分布式电源具有间歇性、随机性、不可预测性等特点，大规模并网后会对电力系统的安全稳定运行造成较大影响，如增加源荷之间的供需不平衡性、导致电网电压剧烈波动、节点电压及系统频率发生严重偏移、线路有功损耗增大等问题。
储能是应对新能源随机性、波动性、难预测性的重要调节手段，对于新型电力系统的构建具有重要意义。储能作为重要的调节手段，可以快速调节功率并吸收、释放多余电能，在分布式电源发电量充足的时候储存能量，在发电量匮乏的时候释放能量，充分发挥电量搬移的作用，提升新型电力系统的灵活调节能力。但是，目前储能装置价格昂贵，故储能装置的优化配置问题将直接影响到配电网运行经济性。
经过对现有技术领域的检索发现，中国专利申请号为202211197912.3，申请公布号为CN115622101A，专利名称为：一种促进可再生能源消纳的储能优化配置双层规划方法，该专利在内层优化中使用基于混沌搜索机制的量子粒子群优化算法，对电网系统负荷功率和各类机组出力进行优化求解；在外层优化中，构建以储能系统位置和容量为决策变量，以新能源弃用量、储能系统全寿命周期成本和节点频率偏差量最小为目标的优化模型，但该专利使用的粒子群算法易陷入局部最优的问题，收敛结果较差。
中国专利申请号为202211259700.3，申请公布号为CN115663854A，专利名称为：一种电网储能优化配置的方法，该专利通过电网下层优化调度模型和电网储能上层规划模型的配合，获取最优的储能配置方案，实现规划和运行层面的最大收益，但该专利在设置目标函数时仅考虑储能系统的运行成本及收益，为计及储能设备对电网电压频率等因素的影响，因此获得的储能配置方案并非最优解。
发明内容
本发明的目的是为了提供一种基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法和系统，收敛速度快，实现有源配电网储能的最优配置。
为解决以上技术问题，本发明的技术方案为：
第一方面，提供一种基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法，包括：
步骤S100：建立分布式储能模型，储能装置剩余容量与完全充电后的容量之比用荷电状态表示；
步骤S200：以经济性指标函数、有功网损函数、电压偏差函数、频率偏差函数为目标函数，建立有源配电网储能多目标优化配置模型；
步骤S300：基于HTL-MOPSO多目标优化算法求解有源配电网储能多目标优化配置模型，获得分布式储能设备最优选址定容方案。
进一步地，步骤S100中，分布式储能模型为：
式(1)中，为t时刻节点i安装储能的荷电状态；储能装置充电时α＝1，β＝0；储能装置放电时α＝0，β＝1；PEiSS,t为t时刻节点i安装储能的输出功率；/>为节点i安装储能容量；ηi为节点i安装储能装置的效率；Δt为充放电时间间隔。
进一步地，分布式储能模型的约束条件为：
式(2)和(3)中，PESS,min、PESS,max分别为节点i安装的储能装置额定功率的下限及上限，EESS,min、EESS,max分别为节点i安装的储能装置容量的下限及上限。
进一步地，步骤S200中，经济指标函数f1为：
f1＝finp+fsta (4)
式(4)、式(5)、式(6)中，finp为储能装置的投资费用，fsta为系统总运行费用；CE为和容量相关的价格，CP为和功率相关的价格；nESS为储能装置安装个数；nDG分布式发电机组数量；Ci(t)和PDG(t)分别为第i个分布式发电机t时刻出力成本及输出功率；
有功网损函数为：
式(7)中，ML为有源配电网支路，Gij为有源配电网节点i，j间的电导，Ui,t、Uj,t为t时刻有源配电网节点i，j的电压，δij,t为t时刻有源配电网节点i，j间的相角差；
电压偏差函数为：
式(8)中，N为负荷节点数，Ui(t)为t时刻节点i电压，Uiexp为节点i参考电压，ΔUi,max(t)为t时刻节点i最大允许电压偏差；
频率偏差函数为：
式(9)、式(10)中，f(t)为t时刻系统频率，fexp为系统参考频率，fCOI(t)为t时刻考虑有源配电网电力电子设备扰动下的系统惯性中心频率，Mi为发电机i的惯性常量，fi(t)为t时刻发电机i频率，m为发电机数量。
进一步地，步骤S200中，有源配电网储能多目标优化配置模型为三层递阶结构，分为外层、中层、内层共三层；其中，
外层优化目标函数为经济指标函数f1和电压偏差函数f3；
中层优化目标函数为系统总运行费用fsta、有功网损函数f2和考虑有源配电网电力电子设备扰动下的系统惯性中心频率fCOI；
内层优化目标函数为频率偏差函数f4。
进一步地，步骤S300中，基于HTL-MOPSO多目标优化算法求解有源配电网储能多目标优化配置模型的方法为：
步骤S310：在开始阶段读取有源配电网参数，包括配电网系统结构、分布式储能、分布式电源、节点电压、系统及各发电机频率参数和各自的约束条件；
步骤S320：设定HTL-MOPSO算法的参数，依次对外层、中层、内层优化进行初始化：以储能的安装位置及容量为控制变量，初始化外层种群P1的位置、速度、最优个体的位置；以系统总运行费用、有功网损、惯性中心频率为控制变量，初始化中层种群P2的位置、速度、最优个体的位置；以系统频率偏差值为控制变量，初始化内层种群P3的位置、速度、最优个体的位置；
步骤S330：依次更新中层种群P2和内层种群P3：以最小化目标函数fsta、f2、fCOI为优化目标，采用多目标HTL-MOPSO算法更新种群P2直到中层寻优结束，并选择最优折中运行方案返回到内层；以最小化目标函数f4为优化目标，采用多目标HTL-MOPSO算法更新种群P3直到内层寻优结束，并选择最优折中运行方案经中层返回到外层；
步骤S340：采用多目标HTL-MOPSO算法更新种群P1，输出储能最优配置方案Pareto解。
进一步地，步骤S300中，HTL-MOPSO算法分为PSO算法和TLBO算法两部分，其中，在PSO优化算法中，种群中每个粒子的迭代公式为：
vnew,i＝w×vi+c1*r1×(pbesti-xi)+c2×r2(gbest-xi) (11)
xnew,i＝xi+vnew,i (12)
式(11)、式(12)中，vi、xi分别表示第i个粒子的速度和位置，vnew,i、xnew,i分别表示第i个粒子迭代更新后的速度和位置，w为惯性系数，c1、c2为速度系数，r1、r2为0到1之间的随机常数，pbest、gbest分别为个体最优粒子、全局最优粒子；
在TLBO算法中，“教”与“学”的联合阶段表达式为：
xnew,i＝xi+D1*diff_Ti+D2*diff_Li (13)
diff_Ti＝r3*(M_new-TF*M) (14)
式(13)、式(14)、式(15)中，D1、D2分别为“教”与“学”系数，diff_Ti、diff_Li分别为“教”与“学”阶段目标函数值差异，r3、r4、r5为0到1之间的随机常数，TF为教学因子，M为班级中心位置，M_new为迭代更新后的班级中心位置，f(xi)、f(xj)分别为粒子位置为xi、xj时对应的目标函数值。
进一步地，步骤S300中，采用多目标HTL-MOPSO算法更新种群的方法如下：
(1)设置算法所需的参数，包括种群P的个体总数N，精英档案集规模N_arv，PSO与TLBO算法中的参数；
(2)初始化种群P中各个粒子的位置和速度；
(3)根据非支配解的概念获得种群P中的非支配解，同时将该解存在精英档案集arv中；
(4)利用PSO和TLBO算法更新种群P中所有个体的位置，获取种群P更新后的非支配解nd_x，同时判断其是否需存入精英档案集arv中；
(5)判断arv是否需要筛选，若需要筛选，则进入(6)，若不需要，则进入(7)；
(6)通过循坏拥挤排序策略(CCS)对arv进行筛选；
(7)判断种群P中所有粒子的速度是否小于阈值Vlimt，若小于，则对种群P进行多项式变异，反之，进入(8)；
(8)判断迭代次数是否达到最大值，若达到，则输出arv中的个体，否则返回(4)，重新利用PSO和TLBO算法更新种群P中所有个体的位置。
第二方面，提供一种基于HTL-MOPSO算法的有源配电网储能多目标优化配置系统，包括存储器和处理器；
其中，所述存储器存储有计算机程序，所述程序被处理器执行时能够实现上述的基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法。
第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法。
本发明具有如下有益效果：本发明提出的一种基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法和系统，综合考虑储能设备运行经济性、有源配电网有功损耗、系统电压及频率偏差，利用基于粒子群和教学理论的HTL-MOPSO多目标优化算法求解有源配电网储能多目标优化配置模型，实现有源配电网储能的最优配置。
附图说明
图1为本发明方法的步骤流程图；
图2为本发明有源配电网储能多目标优化配置模型示意图；
图3为多目标HTL-MOPSO算法的具体计算流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明作进一步详细说明。
请参考图1，本发明为一种基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法，其包括：
步骤S100：建立分布式储能模型，储能装置剩余容量与完全充电后的容量之比用荷电状态；
步骤S200：以经济性指标函数、有功网损函数、电压偏差函数、频率偏差函数为目标函数，建立有源配电网储能多目标优化配置模型；
步骤S300：基于HTL-MOPSO多目标优化算法求解有源配电网储能多目标优化配置模型，获得分布式储能设备最优选址定容方案。
下面分别对图1中的各个步骤进行具体说明。
在步骤S100中，建立分布式储能模型，储能装置剩余容量与完全充电后的容量之比用荷电状态SOC表示；
分布式储能模型表示为：
式(1)中，为t时刻节点i安装储能的荷电状态；储能装置充电时α＝1，β＝0；储能装置放电时α＝0，β＝1；/>为t时刻节点i安装储能的输出功率；/>为节点i安装储能容量；ηi为节点i安装储能装置的效率；Δt为充放电时间间隔。
分布式储能模型的约束条件为：
式(2)和(3)中，PESS,min、PESS,max分别为节点i安装的储能装置额定功率的下限及上限，EESS,min、EESS,max分别为节点i安装的储能装置容量的下限及上限。
在步骤S200中，以经济性指标函数、有功网损函数、电压偏差函数、频率偏差函数为目标函数，建立有源配电网储能多目标优化配置模型。
经济指标函数f1为：
f1＝finp+fsta (4)
式(4)、式(5)、式(6)中，finp为储能装置的投资费用，fsta为系统总运行费用；CE为和容量相关的价格，CP为和功率相关的价格；nESS为储能装置安装个数；nDG分布式发电机组数量；Ci(t)和PDG(t)分别为第i个分布式发电机t时刻出力成本及输出功率；
有功网损函数为：
式(7)中，ML为有源配电网支路，Gij为有源配电网节点i，j间的电导，Ui,t、Uj,t为t时刻有源配电网节点i，j的电压，δij,t为t时刻有源配电网节点i，j间的相角差；
电压偏差函数为：
式(8)中，N为负荷节点数，Ui(t)为t时刻节点i电压，Uiexp为节点i参考电压，ΔUi,max(t)为t时刻节点i最大允许电压偏差；
频率偏差函数为：
式(9)、式(10)中，f(t)为t时刻系统频率，fexp为系统参考频率，fCOI(t)为t时刻考虑有源配电网电力电子设备扰动下的系统惯性中心频率，Mi为发电机i的惯性常量，fi(t)为t时刻发电机i频率，m为发电机数量。
步骤S200中，有源配电网储能多目标优化配置模型如图2所示，有源配电网储能多目标优化配置模型为三层递阶结构，分为外层、中层、内层共三层；其中，
外层优化目标函数为经济指标函数f1和电压偏差函数f3；
中层优化目标函数为系统总运行费用fsta、有功网损函数f2和考虑有源配电网电力电子设备扰动下的系统惯性中心频率fCOI；
内层优化目标函数为频率偏差函数f4。
在步骤S300中，基于HTL-MOPSO多目标优化算法求解有源配电网储能多目标优化配置模型，获得分布式储能设备最优选址定容方案；包括：
步骤S310：在开始阶段读取有源配电网参数，包括配电网系统结构、分布式储能、分布式电源、节点电压、系统及各发电机频率等参数和各自的约束条件；
步骤S320：设定HTL-MOPSO算法的参数，如种群规模，精英档案集大小、惯性系数等参数，依次对外层、中层、内层优化进行初始化：以储能的安装位置及容量为控制变量，初始化外层种群P1的位置、速度、最优个体的位置；以系统总运行费用、有功网损、惯性中心频率为控制变量，初始化中层种群P2的位置、速度、最优个体的位置；以系统频率偏差值为控制变量，初始化内层种群P3的位置、速度、最优个体的位置；
步骤S330：依次更新中层种群P2和内层种群P3：以最小化目标函数fsta、f2、fCOI为优化目标，采用多目标HTL-MOPSO算法更新种群P2直到中层寻优结束，并选择最优折中运行方案返回到内层；以最小化目标函数f4为优化目标，采用多目标HTL-MOPSO算法更新种群P3直到内层寻优结束，并选择最优折中运行方案经中层返回到外层；
步骤S340：采用多目标HTL-MOPSO算法更新种群P1，输出储能最优配置方案Pareto解。
步骤S300中，HTL-MOPSO算法分为PSO算法和TLBO算法两部分，其中，在PSO优化算法中，种群中每个粒子的迭代公式为：
vnew,i＝w×vi+c1*r1×(pbesti-xi)+c2×r2(gbest-xi) (11)
xnew,i＝xi+vnew,i (12)
式(11)、式(12)中，vi、xi分别表示第i个粒子的速度和位置，vnew,i、xnew,i分别表示第i个粒子迭代更新后的速度和位置，w为惯性系数，c1、c2为速度系数，r1、r2为0到1之间的随机常数，pbest、gbest分别为个体最优粒子、全局最优粒子；
在TLBO算法中，“教”与“学”的联合阶段表达式为：
xnew,i＝xi+D1*diff_Ti+D2*diff_Li (13)
diff_Ti＝r3*(M_new-TF*M) (14)
式(13)、式(14)、式(15)中，D1、D2分别为“教”与“学”系数，diff_Ti、diff_Li分别为“教”与“学”阶段目标函数值差异，r3、r4、r5为0到1之间的随机常数，TF为教学因子，M为班级中心位置，M_new为迭代更新后的班级中心位置，f(xi)、f(xj)分别为粒子位置为xi、xj时对应的目标函数值。
步骤S300中，参阅图3，采用多目标HTL-MOPSO算法更新种群的方法如下：
(1)设置算法所需的参数，包括种群P的个体总数N，精英档案集规模N_arv，PSO与TLBO算法中的参数；
(2)初始化种群P中各个粒子的位置和速度；
(3)根据非支配解的概念获得种群P中的非支配解，同时将该解存在精英档案集arv中；
(4)利用PSO和TLBO算法更新种群P中所有个体的位置，获取种群P更新后的非支配解nd_x，同时判断其是否需存入精英档案集arv中；
(5)判断arv是否需要筛选，若需要筛选，则进入(6)，若不需要，则进入(7)；
(6)通过循坏拥挤排序策略(CCS)对arv进行筛选；
(7)判断种群P中所有粒子的速度是否小于阈值Vlimt，若小于，则对种群P进行多项式变异，反之，进入(8)；
(8)判断迭代次数是否达到最大值，若达到，则输出arv中的个体，否则返回(4)，重新利用PSO和TLBO算法更新种群P中所有个体的位置。
本发明基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法，针对新能源入网后存在随机性、波动性、难预测性等特点，利用基于粒子群和教学理论的HTL-MOPSO多目标优化算法求解有源配电网储能多目标优化配置模型，提出有源配电网分布式储能系统选址定容的最优策略，实现基于有功优化的有源配电网电压和频率质量支撑，以及能源生产与消费实时平衡的负荷峰谷差有效调节。
在另一种实施例中，提供一种基于HTL-MOPSO算法的有源配电网储能多目标优化配置系统，包括存储器和处理器；其中，所述存储器存储有计算机程序，所述程序被处理器执行时能够实现上述的基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法。
在另一种实施例中，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法。
本发明未涉及部分均与现有技术相同或采用现有技术加以实现。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法，其特征在于：包括步骤S100：建立分布式储能模型，储能装置剩余容量与完全充电后的容量之比用荷电状态表示；
步骤S200：以经济性指标函数、有功网损函数、电压偏差函数、频率偏差函数为目标函数，建立有源配电网储能多目标优化配置模型；
步骤S300：基于HTL-MOPSO多目标优化算法求解有源配电网储能多目标优化配置模型，获得分布式储能设备最优选址定容方案。
2.根据权利要求1所述的基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法，其特征在于：步骤S100中，分布式储能模型为：
式(1)中，为t时刻节点i安装储能的荷电状态；储能装置充电时α＝1，β＝0；储能装置放电时α＝0，β＝1；/>为t时刻节点i安装储能的输出功率；/>为节点i安装储能容量；ηi为节点i安装储能装置的效率；Δt为充放电时间间隔。
3.根据权利要求2所述的基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法，其特征在于：分布式储能模型的约束条件为：
式(2)和(3)中，PESS,min、PESS,max分别为节点i安装的储能装置额定功率的下限及上限，EESS,min、EESS,max分别为节点i安装的储能装置容量的下限及上限。
4.根据权利要求1所述的基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法，其特征在于：步骤S200中，经济指标函数f1为：
f1＝finp+fsta (4)
式(4)、式(5)、式(6)中，finp为储能装置的投资费用，fsta为系统总运行费用；CE为和容量相关的价格，CP为和功率相关的价格；nESS为储能装置安装个数；nDG分布式发电机组数量；Ci(t)和PDG(t)分别为第i个分布式发电机t时刻出力成本及输出功率；
有功网损函数为：
式(7)中，ML为有源配电网支路，Gij为有源配电网节点i，j间的电导，Ui,t、Uj,t为t时刻有源配电网节点i，j的电压，δij,t为t时刻有源配电网节点i，j间的相角差；
电压偏差函数为：
式(8)中，N为负荷节点数，Ui(t)为t时刻节点i电压，Uiexp为节点i参考电压，ΔUi,max(t)为t时刻节点i最大允许电压偏差；
频率偏差函数为：
式(9)、式(10)中，f(t)为t时刻系统频率，fexp为系统参考频率，fCOI(t)为t时刻考虑有源配电网电力电子设备扰动下的系统惯性中心频率，Mi为发电机i的惯性常量，fi(t)为t时刻发电机i频率，m为发电机数量。
5.根据权利要求4所述的基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法，其特征在于：步骤S200中，有源配电网储能多目标优化配置模型为三层递阶结构，分为外层、中层、内层共三层；其中，
外层优化目标函数为经济指标函数f1和电压偏差函数f3；
中层优化目标函数为系统总运行费用fsta、有功网损函数f2和考虑有源配电网电力电子设备扰动下的系统惯性中心频率fCOI；
内层优化目标函数为频率偏差函数f4。
6.根据权利要求5所述的基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法，其特征在于：步骤S300中，基于HTL-MOPSO多目标优化算法求解有源配电网储能多目标优化配置模型的方法为：
步骤S310：在开始阶段读取有源配电网参数，包括配电网系统结构、分布式储能、分布式电源、节点电压、系统及各发电机频率参数和各自的约束条件；
步骤S320：设定HTL-MOPSO算法的参数，依次对外层、中层、内层优化进行初始化：以储能的安装位置及容量为控制变量，初始化外层种群P1的位置、速度、最优个体的位置；以系统总运行费用、有功网损、惯性中心频率为控制变量，初始化中层种群P2的位置、速度、最优个体的位置；以系统频率偏差值为控制变量，初始化内层种群P3的位置、速度、最优个体的位置；
步骤S330：依次更新中层种群P2和内层种群P3：以最小化目标函数fsta、f2、fCOI为优化目标，采用多目标HTL-MOPSO算法更新种群P2直到中层寻优结束，并选择最优折中运行方案返回到内层；以最小化目标函数f4为优化目标，采用多目标HTL-MOPSO算法更新种群P3直到内层寻优结束，并选择最优折中运行方案经中层返回到外层；
步骤S340：采用多目标HTL-MOPSO算法更新种群P1，输出储能最优配置方案Pareto解。
7.根据权利要求1所述的基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法，其特征在于：步骤S300中，HTL-MOPSO算法分为PSO算法和TLBO算法两部分，其中，在PSO优化算法中，种群中每个粒子的迭代公式为：
vnew,i＝w×vi+c1*r1×(pbesti-xi)+c2×r2(gbest-xi) (11)
xnew,i＝xi+vnew,i (12)
式(11)、式(12)中，vi、xi分别表示第i个粒子的速度和位置，vnew,i、xnew,i分别表示第i个粒子迭代更新后的速度和位置，w为惯性系数，c1、c2为速度系数，r1、r2为0到1之间的随机常数，pbest、gbest分别为个体最优粒子、全局最优粒子；
在TLBO算法中，“教”与“学”的联合阶段表达式为：
xnew,i＝xi+D1*diff_Ti+D2*diff_Li (13)
diff_Ti＝r3*(M_new-TF*M) (14)
式(13)、式(14)、式(15)中，D1、D2分别为“教”与“学”系数，diff_Ti、diff_Li分别为“教”与“学”阶段目标函数值差异，r3、r4、r5为0到1之间的随机常数，TF为教学因子，M为班级中心位置，M_new为迭代更新后的班级中心位置，f(xi)、f(xj)分别为粒子位置为xi、xj时对应的目标函数值。
8.根据权利要求1所述的基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法，其特征在于：步骤S300中，采用多目标HTL-MOPSO算法更新种群的方法如下：
(1)设置算法所需的参数，包括种群P的个体总数N，精英档案集规模N_arv，PSO与TLBO算法中的参数；
(2)初始化种群P中各个粒子的位置和速度；
(3)根据非支配解的概念获得种群P中的非支配解，同时将该解存在精英档案集arv中；
(4)利用PSO和TLBO算法更新种群P中所有个体的位置，获取种群P更新后的非支配解nd_x，同时判断其是否需存入精英档案集arv中；
(5)判断arv是否需要筛选，若需要筛选，则进入(6)，若不需要，则进入(7)；
(6)通过循坏拥挤排序策略(CCS)对arv进行筛选；
(7)判断种群P中所有粒子的速度是否小于阈值Vlimt，若小于，则对种群P进行多项式变异，反之，进入(8)；
(8)判断迭代次数是否达到最大值，若达到，则输出arv中的个体，否则返回(4)，
重新利用PSO和TLBO算法更新种群P中所有个体的位置。
9.基于HTL-MOPSO算法的有源配电网储能多目标优化配置系统，其特征在于：包括存储器和处理器；
其中，所述存储器存储有计算机程序，所述程序被处理器执行时能够实现权利要求1～8中任意一项所述的基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～8中任意一项所述的基于HTL-MOPSO算法的有源配电网储能多目标优化配置方法。
CN202310605283.1A 2023-05-26 2023-05-26 基于htl-mopso算法的有源配电网储能多目标优化配置方法和系统 Pending CN116706950A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310605283.1A CN116706950A (zh) 2023-05-26 2023-05-26 基于htl-mopso算法的有源配电网储能多目标优化配置方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310605283.1A CN116706950A (zh) 2023-05-26 2023-05-26 基于htl-mopso算法的有源配电网储能多目标优化配置方法和系统

Publications (1)

Publication Number Publication Date
CN116706950A true CN116706950A (zh) 2023-09-05

Family

ID=87838476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310605283.1A Pending CN116706950A (zh) 2023-05-26 2023-05-26 基于htl-mopso算法的有源配电网储能多目标优化配置方法和系统

Country Status (1)

Country Link
CN (1) CN116706950A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117200210A (zh) * 2023-09-12 2023-12-08 盛隆电气集团有限公司 一种基于智能电网的配电方法及装置
CN117559507A (zh) * 2024-01-04 2024-02-13 武汉理工大学 一种构网型储能电站定容选址优化配置方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107732960A (zh) * 2017-09-18 2018-02-23 国网甘肃省电力公司电力科学研究院 微电网储能系统容量优化配置方法
CN108183498A (zh) * 2017-12-30 2018-06-19 国网天津市电力公司电力科学研究院 一种含风光储配电网背景下的车储混合配置方法
CN112421673A (zh) * 2019-08-22 2021-02-26 国网河南省电力公司安阳供电公司 基于多源协调的配电网网损优化控制方法及系统
CN112734116A (zh) * 2021-01-14 2021-04-30 华北电力大学 一种含分布式储能的主动配电网优化调度方法
US20220077686A1 (en) * 2020-09-10 2022-03-10 Tianjin University Optimal configuration method for hybrid energy storage of grid-connected wind storage power generation system
CN115313508A (zh) * 2022-07-18 2022-11-08 广东电网有限责任公司 一种微电网储能优化配置方法、装置及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107732960A (zh) * 2017-09-18 2018-02-23 国网甘肃省电力公司电力科学研究院 微电网储能系统容量优化配置方法
CN108183498A (zh) * 2017-12-30 2018-06-19 国网天津市电力公司电力科学研究院 一种含风光储配电网背景下的车储混合配置方法
CN112421673A (zh) * 2019-08-22 2021-02-26 国网河南省电力公司安阳供电公司 基于多源协调的配电网网损优化控制方法及系统
US20220077686A1 (en) * 2020-09-10 2022-03-10 Tianjin University Optimal configuration method for hybrid energy storage of grid-connected wind storage power generation system
CN112734116A (zh) * 2021-01-14 2021-04-30 华北电力大学 一种含分布式储能的主动配电网优化调度方法
CN115313508A (zh) * 2022-07-18 2022-11-08 广东电网有限责任公司 一种微电网储能优化配置方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
程庭莉: "含分布式储能的主动配电网多目标优化调度方法研究", 中国优秀硕士学位论文全文库, 1 January 2020 (2020-01-01) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117200210A (zh) * 2023-09-12 2023-12-08 盛隆电气集团有限公司 一种基于智能电网的配电方法及装置
CN117200210B (zh) * 2023-09-12 2024-10-08 盛隆电气集团有限公司 一种基于智能电网的配电方法及装置
CN117559507A (zh) * 2024-01-04 2024-02-13 武汉理工大学 一种构网型储能电站定容选址优化配置方法及系统
CN117559507B (zh) * 2024-01-04 2024-05-24 武汉理工大学 一种构网型储能电站定容选址优化配置方法及系统

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
Venkatesan et al. Optimal power flow control of hybrid renewable energy system with energy storage: A WOANN strategy
CN116706950A (zh) 基于htl-mopso算法的有源配电网储能多目标优化配置方法和系统
CN111786417A (zh) 一种面向分布式新能源消纳的主动配电网多目标区间优化调度的方法
CN112561273B (zh) 一种基于改进pso的主动配电网可再生dg规划方法
Kaysal et al. Hierarchical energy management system with multiple operation modes for hybrid DC microgrid
CN116667325B (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
Singh et al. Frequency regulation of micro-grid connected hybrid power system with SMES
CN113807566A (zh) 基于可再生能源和内部负荷不确定的社区能源的调度方法
CN114977180A (zh) 一种基于负荷侧灵活性资源的微电网低碳优化调度方法
CN114884110A (zh) 一种源网荷多约束条件下的电力系统储能优化运行方法
CN114298383A (zh) 一种虚拟电厂储能容量配置方法及装置
CN114142527A (zh) 一种多微网协同运行的经济调度优化方法
CN117096962B (zh) 考虑光伏的电网动态无功补偿优化方法及系统
CN117035335A (zh) 一种多阶段储能与输电网协同规划方法及系统
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
CN116865271A (zh) 一种基于数字孪生驱动的微电网多智能体协调优化控制策略
CN114398777B (zh) 一种基于巴什博弈理论的电力系统灵活性资源配置方法
Shi et al. Distribution network distributed energy storage configuration optimization method considering variance of network loss sensitivity
Liao et al. Research on Optimal Scheduling Algorithm of Microgrid Energy Based on Game Theory
Lalljith et al. An intelligent alternating current-optimal power flow for reduction of pollutant gases with incorporation of variable generation resources
Welch et al. Optimal control of a photovoltaic solar energy system with adaptive critics
Yang et al. Multi-source scheduling method on supply side of microgrid based on reinforcement learning algorithm
Zolfaghari et al. Voltage Stabilization of A DC-Microgrid Using ANFIS Controller Considering Electrical Vehicles and Transient Storage
Liu et al. Wind power control strategy based on high precision prediction technology

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