CN116914755B - 一种考虑电池循环寿命的光储联合规划方法及系统 - Google Patents
一种考虑电池循环寿命的光储联合规划方法及系统 Download PDFInfo
- Publication number
- CN116914755B CN116914755B CN202310859517.5A CN202310859517A CN116914755B CN 116914755 B CN116914755 B CN 116914755B CN 202310859517 A CN202310859517 A CN 202310859517A CN 116914755 B CN116914755 B CN 116914755B
- Authority
- CN
- China
- Prior art keywords
- power
- loss
- objective function
- battery
- capacity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000002245 particle Substances 0.000 claims abstract description 57
- 230000006870 function Effects 0.000 claims description 56
- 239000003990 capacitor Substances 0.000 claims description 43
- 238000005457 optimization Methods 0.000 claims description 32
- 230000003287 optical effect Effects 0.000 claims description 14
- 238000004146 energy storage Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000013016 learning Effects 0.000 claims description 3
- 230000009326 social learning Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 44
- 238000005286 illumination Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 239000002355 dual-layer Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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]
-
- 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
-
- 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
- H02J7/345—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering using capacitors as storage or buffering devices
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
- H02J2207/00—Indexing scheme relating to details of circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J2207/50—Charging of capacitors, supercapacitors, ultra-capacitors or double layer capacitors
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开一种考虑电池循环寿命的光储联合规划方法及系统,所述方法包括如下步骤:以投资损耗与运行损耗之和最小化为目标,构建第一目标函数;以运行损耗最小化为目标,构建第二目标函数;构建用于轨道交通自洽能源系统优化调度的双层规划模型及约束条件;根据约束条件,采用粒子群算法迭代寻优求解所述双层规划模型,获得最优容量功率配置。本发明考虑了电池循环寿命对容量规划的影响,将蓄电池的循环寿命损耗作为第一目标函数的一部分参与优化设计,提高了容量功率优化配置的精度。
Description
技术领域
本发明涉及轨道交通规划技术领域,特别是涉及一种考虑电池循环寿命的光储联合规划方法及系统。
背景技术
伴随着电气化铁路运营里程的增加,铁路系统用电需求急剧增加,电气化铁路仍是碳排放的重点领域之一。电气化铁路在保证自身安全可靠供电的同时,迫切需要实现自身用能的绿色、高效、高弹性发展,精确的容量规划结果,对于降低轨道交通自洽能源系统的投资运行损耗,具有重要意义。
发明内容
本发明的目的是提供一种考虑电池循环寿命的光储联合规划方法及系统,通过考虑电池循环寿命对容量规划的影响提高容量功率优化配置的精度。
为实现上述目的,本发明提供了如下方案:
本发明提供一种考虑电池循环寿命的光储联合规划方法,所述方法包括如下步骤:
以投资损耗与运行损耗之和最小化为目标,构建第一目标函数,所述投资损耗至少包括蓄电池的循环寿命损耗;
以运行损耗最小化为目标,构建第二目标函数;
构建用于轨道交通自洽能源系统优化调度的双层规划模型及约束条件,所述双层规划模型包括外层容量配置模型和内层运行调度模型,所述外层容量配置模型以所述第一目标函数为优化目标,所述内层运行调度模型以所述第二目标函数为优化目标;
根据约束条件,采用粒子群算法迭代寻优求解所述双层规划模型,获得最优容量功率配置。
可选的,所述第一目标函数为:
Min Cday=CI+COM+Cgrid+Cdem;
其中,Cday表示轨道交通自洽能源系统等值每日投资运行损耗;CI表示光储容量等值每日投资损耗;COM表示光储每日运维损耗;Cgrid表示每日电网与系统交换功率损耗,包含购电损耗和馈电损耗;Cdem表示每日需量损耗;
和/>分别为光伏、蓄电池和超级电容的每日运行损耗;r为折现率;yPV、TCycle和ySC分别为光伏、蓄电池和超级电容的使用年限;/> 和/>分别为单位光伏功率损耗系数、单位蓄电池功率损耗系数、单位超级电容功率损耗系数、单位蓄电池容量损耗系数和单位超级电容容量损耗系数;/>和/>分别为规划的额定光伏功率、额定蓄电池功率、额定超级电容功率、额定蓄电池容量和额定超级电容容量;
和/>分别为光伏、蓄电池和超级电容的运维损耗;Δt为优化时间尺度;NT为每日优化时间段数,/>和/>分别为光伏、蓄电池和超级电容的运维损耗系数;/>和/>分别为典型场景s下,t时刻蓄电池充电功率、蓄电池放电功率、超级电容充电功率和超级电容放电功率,NS为典型场景的数量,πs为典型场景s的概率;
为典型场景s下,t时刻的电网购电损耗系数;/>为典型场景s下,t时刻的电网馈电损耗系数,/>和/>分别为典型场景s下,t时刻的电网购电功率和电网馈电功率;
cbase为单位需量损耗系数;为典型场景s下不同时刻的最大需量。
可选的,蓄电池的使用年限采用普克特生命周期能量吞吐量模型计算获得;
所述普克特生命周期能量吞吐量模型为:
其中,表示在100%放电深度下电池达到寿命终点时的循环次数,/>表示典型场景s下电池每日等效100%放电深度循环次数。
可选的,所述第二目标损失函数为:
其中,表示轨道交通自洽能源系统等值每日运行损耗,COM表示光储每日运维损耗;Cgrid表示每日电网与系统交换功率损耗,包含购电损耗和馈电损耗;Cdem表示每日需量损耗。
可选的,所述约束条件包括:光伏、蓄电池和超级电容的容量功率配置约束,功率守恒约束,混合储能约束及光伏出力约束。
可选的,所述根据约束条件,采用粒子群算法迭代寻优求解所述双层规划模型,获得最优容量功率配置,具体包括:
初始化粒子的位置向量和速度向量,所述位置向量包括额定光伏功率、额定蓄电池功率、额定超级电容功率、额定蓄电池容量和额定超级电容容量;
将粒子的位置向量输入至所述内层运行调度模型,对所述第二目标函数进行优化求解,确定在所述优化变量下的最优的运行调度方案及最优的运行调度方案对应的第二目标函数值,所述运行调度方案包括电网购电功率、电网馈电功率、光伏出力、蓄电池充放电功率和超级电容充放电功率;
计算最优的运行调度方案运行下的蓄电池的使用年限;
基于所述第二目标函数值和所述最优的运行调度方案运行下的蓄电池的使用年限计算第二目标函数值,作为适应度函数值;
基于所述适应度函数值确定当前次迭代的全局极值点的位置和个体极值点的位置,并对粒子的位置向量和速度向量进行更新,返回步骤“将粒子的位置向量输入至所述内层运行调度模型,对所述第二目标函数进行优化求解,确定在所述优化变量下的最优的运行调度方案及最优的运行调度方案对应的第二目标函数值”,进行下一次迭代,直到达到最大迭代次数,输出全局极值点的位置作为最优容量功率配置。
可选的,对粒子的位置向量和速度向量进行更新的公式为:
其中,分别为第i个粒子第d维第k+1次迭代的速度和位置,/>分别表示第i个粒子第d维第k次迭代的速度和位置;ωk+1为第k+1次迭代的惯性权重,ωk+1=ωmax-k(ωmax-ωmin)/(n-1),ωmax,ωmin分别为第k次迭代及之前的惯性权重的最大值和最小值;n为最大迭代数;c1,c2分别为每个粒子的个体学习因子和社会学习因子;r1,r2为介于(0,1)之间的随机数;/>为第k次迭代中第i个粒子在第d维的个体极值点的位置;/>为第k次迭代中粒子群在第d维的全局极值点的位置。
一种考虑电池循环寿命的光储联合规划系统,所述系统应用于上述的方法,所述系统包括:
第一目标函数构建模块,用于以投资损耗与运行损耗之和最小化为目标,构建第一目标函数,所述投资损耗至少包括蓄电池的循环寿命损耗;
第二目标函数构建模块,用于以运行损耗最小化为目标,构建第二目标函数;
双层规划模型构建模块,用于构建用于轨道交通自洽能源系统优化调度的双层规划模型及约束条件,所述双层规划模型包括外层容量配置模型和内层运行调度模型,所述外层容量配置模型以所述第一目标函数为优化目标,所述内层运行调度模型以所述第二目标函数为优化目标;
优化求解模块,用于根据约束条件,采用粒子群算法迭代寻优求解所述双层规划模型,获得最优容量功率配置。
一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
一种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上述的方法
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明实施例提供一种考虑电池循环寿命的光储联合规划方法,所述方法包括如下步骤:以投资损耗与运行损耗之和最小化为目标,构建第一目标函数,所述投资损耗至少包括蓄电池的循环寿命损耗;以运行损耗最小化为目标,构建第二目标函数;构建用于轨道交通自洽能源系统优化调度的双层规划模型及约束条件,所述双层规划模型包括外层容量配置模型和内层运行调度模型,所述外层容量配置模型以所述第一目标函数为优化目标,所述内层运行调度模型以所述第二目标函数为优化目标;根据约束条件,采用粒子群算法迭代寻优求解所述双层规划模型,获得最优容量功率配置。本发明考虑了电池循环寿命对容量规划的影响,将蓄电池的循环寿命损耗作为第一目标函数的一部分参与优化设计,提高了容量功率优化配置的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种考虑电池循环寿命的光储联合规划方法的流程图;
图2为本发明实施例提供的电池充放电运行图;
图3为本发明实施例提供的轨道交通自洽能源系统示意图;
图4为本发明实施例提供的双层规划模型结构示意图;
图5为本发明实施例提供的双层规划模型的求解流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种考虑电池循环寿命的光储联合规划方法及系统,通过考虑电池循环寿命对容量规划的影响提高容量功率优化配置的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例提供一种考虑电池循环寿命的光储联合规划方法,如图1所述,所述方法包括如下步骤:
步骤101,以投资损耗与运行损耗之和最小化为目标,构建第一目标函数,所述投资损耗至少包括蓄电池的循环寿命损耗。
步骤102,以运行损耗最小化为目标,构建第二目标函数。
步骤103,构建用于轨道交通自洽能源系统优化调度的双层规划模型及约束条件,所述双层规划模型包括外层容量配置模型和内层运行调度模型,所述外层容量配置模型以所述第一目标函数为优化目标,所述内层运行调度模型以所述第二目标函数为优化目标。
步骤104,根据约束条件,采用粒子群算法迭代寻优求解所述双层规划模型,获得最优容量功率配置。
在本发明步骤101之前,作为一种优选的实施方式,本发明实施例还包括如下构建光照强度和牵引负荷的典型场景集的步骤:
本发明实施例基于牵引变电站地区每天的光照强度历史数据构成日光照强度的初始场景,基于牵引负荷历史数据构建日牵引负荷的初始场景。采用K-means方法对光照强度和牵引负荷的初始场景集进行场景削减,得到光照强度和牵引负荷的典型场景集。
K-means场景削减基本步骤为:
1)从数据样本集(光照强度或牵引负荷的初始场景集)X={xi|i=1,2,…,n}中随机选取k个样本作为初始聚类中心C={cj|j=1,2,…,k};
2)计算各个样本xi(xi为1440维向量,表示第i个场景中一天内1440个光照强度数据或牵引负荷数据)到每个聚类中心cj的欧式距离并将各样本xi划分到距离最近的聚类中心的聚类簇中Cj;
3)根据每个样本xi所属的聚类簇Cj重新计算每个聚类中心(nj表示第j个聚类簇Cj中样本数量);
4)计算数据样本集新的误差平方和并于旧的误差平方和SSSE比较,若/>则迭代结束,否则转入2)进行再一次迭代。
最终聚类得到的k个聚类中心就是场景消减后的k个典型场景;同时计算k个场景概率πk,为第k个场景中包含的初始场景数占初始场景总数目的比例。
设基于K-means方法将日光照强度和日牵引负荷初始场景分别削减至a、b个典型场景。将光照强度和牵引负荷典型场景进行交叉组合后,可形成NS=a·b个典型场景,对应的交叉概率乘积πs为典型场景S的概率。
本发明步骤101中的蓄电池的循环寿命损耗,可通过构建电池循环寿命模型实现,具体为:
电池的放电深度不同时对应着不同的循环寿命损失,放电深度(depth ofdischarge,DoD:DoD=1-SOC)越大,循环寿命越短,因此需要将不同放电深度下的循环寿命统一到某一参考值(通常选择100%放电深度)进行量化比较,即计算其等效循环寿命(equivalent cycle life,ECL)。采用普克特生命周期能量吞吐量模型(Peukert lifetimeenergythroughputmodel,PLET)模拟不同放电深度下的电池循环寿命损失:
式中:NDoD表示电池在同一放电深度(DoD)下的循环次数;Kp对于同一种电池而言是常数,称为普克特生命周期常数,取值范围通常为0.8-2.1,可通过电池参数拟合得到;表示如果电池以相同的某一放电深度DoD循环NDoD次,则相当于电池在100%放电深度下的循环次数。
电池的一个放电行为如图2所示,从局部极值点DoDj,start开始一直放电到下一个局部极值点DoDj,end结束所造成的电池寿命损失如下:
ΔDoDj=DoDj,end-DoDj,start (2-2)
式中:j表示放电时段,可能包含一个或几个连续的单位放电时间Δt;ΔDoDj表示在第j个放电时段电池放电导致的放电深度增量,表示电池在第j个放电时段产生的放电深度增量ΔDoDj相当于电池在100%放电深度下的循环次数。
电池每日等效100%放电深度循环次数则可表示为在一天T内所有放电时间段所产生的等效100%放电深度循环次数之和:
则电池循环寿命TCycle:
表示在100%放电深度下电池达到寿命终点时的循环次数。
本发明步骤101-步骤103为光储双层规划模型的构建过程,其中,轨道交通自洽能源系统主要由公共电网、光伏发电机、蓄电池、超级电容以及电气化铁路牵引供电系统组成,形成电气化铁路“源-网-车-储”一体化供电系统如图3所示。
本发明实施例采用双层规划模型对轨道交通自洽能源系统的光伏和储能容量配置和运行调度进行优化。其模型结构如图4所示。首先,外层模型将光伏和储能的容量配置方案传递给内层模型,内层模型根据外层模型传递的系统容量优化运行控制策略,生成损耗最小的运行调度方案,并将最小运行损耗结果返回给外层模型;然后,外层模型根据返回结果优化容量配置;最后,通过模型内、外层优化迭代,求解损耗最小的光伏和混合储能系统的最优功率容量配置及运行调度方案。
对于外层容量配置模型,本发明实施例从实现损耗最小的角度进行轨道交通自洽能源系统光储协调规划,目标函数为建设投资与运行损耗之和最小。第一目标函数如式(3-1)所示:
Min Cday=CI+COM+Cgrid+Cdem (3-1)
式中:Cday表示轨道交通自洽能源系统等值每日投资运行损耗;CI表示光储容量等值每日投资损耗;COM表示光储每日运维损耗;Cgrid表示每日电网与系统交换功率损耗,包含购电损耗和馈电损耗;Cdem表示每日需量损耗。
模型考虑蓄电池的循环寿命损耗,因此蓄电池的使用年限TCycle由普克特生命周期能量吞吐量模型获得:
表示在100%放电深度下电池达到寿命终点时的循环次数。
光储容量等值每日运行损耗:
式中:分别为光伏、蓄电池、超级电容的每日运行损耗;r为折现率;yPV、TCycle、ySC分别为光伏、蓄电池、超级电容的使用年限;/> 分别为单位光伏功率损耗系数、单位蓄电池功率损耗系数、单位超级电容功率损耗系数、单位蓄电池容量损耗系数、单位超级电容容量损耗系数;/>分别为规划的额定光伏功率、额定蓄电池功率、额定超级电容功率、额定蓄电池容量、额定超级电容容量。
光储每日运维损耗:
式中:分别为光伏、蓄电池、超级电容的运维损耗;Δt为优化时间尺度1min;NT为每日优化时间段数共1440个;/> 分别为典型场景s下,t时刻蓄电池充电功率、蓄电池放电功率、超级电容充电功率、超级电容放电功率。
电网与系统交换功率损耗:
式中:为典型场景s下,t时刻的电网购电损耗系数;/>为典型场景s下,t时刻的电网馈电损耗系数。
每日需量损耗:
式中:cbase为单位需量损耗系数;为典型场景s下,t时刻的需量,/>为典型场景s下的最大需量。
光伏、蓄电池和超级电容的容量功率配置约束如下:
3.2内层运行调度模型
内层运行调度模型的目标函数考虑光储运维损耗,购电损耗,馈电损耗以及需量损耗,以调度周期内运行损耗之和最小为目标:
约束条件:
式中:由导线的热稳定极限决定。
混合储能约束:
式中:分别为典型场景s下,t时刻蓄电池与超级电容存储的能量;εBat、εSC分别为蓄电池、超级电容的自放电率;/>分别为蓄电池与超级电容的充电和放电效率;/>分别为蓄电池与超级电容的荷电状态上下限值。
光伏出力约束:
式中:βs,t、βN分别为场景s下t时刻的光照强度、额定光照强度;为配置的额定光伏功率。
普克特生命周期能量吞吐量模型(Peukert lifetime energy throughputmodel,PLET)需要整个调度周期内所有放电行为的放电深度,因此提出了一个线性化的求解方法如下:
电池在一个调度单位时间Δt放电的深度可表示为:
由于假设只有放电行为才会对电池寿命产生影响,所以定义一个放电深度增量
然后定义一个新的0-1变量表示连续的放电时间段:
接着,放电深度累计和
放电深度累计和表示的是从放电开始时刻到该时刻所累积的放电深度之和,而普克特生命周期能量吞吐量模型(Peukert lifetime energy throughput model,PLET)需要的是一整个放电区间最后一个时间点的放电深度累计和/>因此引入一个新的01变量/>
上述不等式表示,如果时间t是一个连续放电区间最后一个时间点,则反之则为0,因此一个连续放电区间总放电深度/>可表示为
则在一天T内所有放电时间段所产生的等效100%放电深度循环次数之和:
以图2所示的电池充放电运行图为例,各个变量值如表1所示:
表1电池运行变量值
/>
本发明步骤104为双层规划模型求解阶段,本发明实施例中的双层规划模型属于混合整数非线性双层规划模型,本发明实施例采用改进粒子群算法迭代寻优求解外层容量配置模型,得到经济性最优的轨道交通自洽能源系统光伏和混合储能功率容量配置方案。具体求解步骤如下:
(1)初始化粒子参数。双层规划模型的优化变量为光伏容量以及混合储能的功率和电量容量,因此将该五个变量设成粒子,并设置粒子数量及算法迭代次数,通过随机抽样生成初始粒子群。
(2)随机生成粒子的起始位置和迭代速度,并且设置每个粒子位置移动的上下限,使得粒子在可行域内进行移动。粒子起始位置和速度生成方法如下:
式中,为粒子i的起始位置,/>为粒子i的起始迭代速度,rrand为(0,1)之间均匀分布的随机数,/>分别表示粒子i可行域的上下限。/>分别表示粒子i迭代速度变化的上下限。
(3)将粒子位置带入内层调度模型,内层调度模型是混合整数线性化模型,可通过求解器CPLEX求解,计算轨道交通自洽能源系统运行成本以及电池的循环使用寿命,输出到外层规划模型计算其目标函数得到粒子的适应度值。
(4)比较粒子的适应度,记录更新每个粒子的历史最优位置即最优解,记录更新粒子群体的全局最优位置。
(5)根据速度和位置更新公式更新每个粒子的位置和速度。速度和位置更新公式:
式中:分别表示第i个粒子第d维第k次迭代的速度和位置;ω为惯性权重;c1,c2分别为每个粒子的个体学习因子和社会学习因子;r1,r2为介于(0,1)之间的随机数;为第k次迭代中第i个粒子在第d维的个体极值点的位置;gkd为第k次迭代中粒子群在第d维的全局极值点的位置。
当惯性权重ω为非负定值,表示粒子维持上一次迭代速度的能力。当ω较大,全局寻优能力强,局部寻优能力弱;当ω较小,全局寻优能力弱,局部寻优能力强。通过调整ω可对全局和局部寻优性能进行调整。本方法采用线性递减权值策略改进下的粒子群算法求解双层规划模型的外层容量配置模型,改进的粒子群算法能够在迭代前期提高算法全局搜索能力,在后期针对局部增加收敛精度,利用动态权重提高算法全局和局部搜索能力,兼顾算法搜索速度与收敛精度。线性递减惯性权重为
ωk+1=ωmax-k(ωmax-ωmin)/(n-1) (4-5)
式中:ωmax,ωmin分别为惯性权重ω的最大值和最小值;n为最大迭代数。
(6)判断是否达到最大迭代数,若没有达到则重复上述步骤(3)(4)(5);若达到则输出轨道交通自洽能源系统光伏和混合储能的规划配置结果以及相同运行调度情况。
双层规划模型的求解流程如图5。
基于上述实施例本发明的技术方案的有益效果为:
本发明考虑了电池循环寿命对容量规划的影响,将蓄电池的循环寿命损耗作为第一目标函数的一部分参与优化设计,并在此基础上构建了光储双层规划模型,采用自适应权重对粒子群算法进行改进,得到改进粒子群算法的,基于改进粒子群算法对光储双层规划模型进行优化求解,提高了容量功率优化配置的精度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种考虑电池循环寿命的光储联合规划方法,其特征在于,所述方法包括如下步骤:
以投资损耗与运行损耗之和最小化为目标,构建第一目标函数,所述投资损耗至少包括蓄电池的循环寿命损耗;
以运行损耗最小化为目标,构建第二目标函数;
构建用于轨道交通自洽能源系统优化调度的双层规划模型及约束条件,所述双层规划模型包括外层容量配置模型和内层运行调度模型,所述外层容量配置模型以所述第一目标函数为优化目标,所述内层运行调度模型以所述第二目标函数为优化目标;所述约束条件包括:光伏、蓄电池和超级电容的容量功率配置约束,功率守恒约束,混合储能约束及光伏出力约束;
根据约束条件,采用粒子群算法迭代寻优求解所述双层规划模型,获得最优容量功率配置,具体包括:
初始化粒子的位置向量和速度向量,所述位置向量包括额定光伏功率、额定蓄电池功率、额定超级电容功率、额定蓄电池容量和额定超级电容容量;
将粒子的位置向量输入至所述内层运行调度模型,对所述第二目标函数进行优化求解,确定在优化变量下的最优的运行调度方案及最优的运行调度方案对应的第二目标函数值,所述运行调度方案包括电网购电功率、电网馈电功率、光伏出力、蓄电池充放电功率和超级电容充放电功率;
计算最优的运行调度方案运行下的蓄电池的使用年限;
基于所述第二目标函数值和所述最优的运行调度方案运行下的蓄电池的使用年限计算第一目标函数值,作为适应度函数值;
基于所述适应度函数值确定当前次迭代的全局极值点的位置和个体极值点的位置,并对粒子的位置向量和速度向量进行更新,返回步骤“将粒子的位置向量输入至所述内层运行调度模型,对所述第二目标函数进行优化求解,确定在优化变量下的最优的运行调度方案及最优的运行调度方案对应的第二目标函数值”,进行下一次迭代,直到达到最大迭代次数,输出全局极值点的位置作为最优容量功率配置;
所述第一目标函数为:
Min Cday=CI+COM+Cgrid+Cdem;
其中,Cday表示轨道交通自洽能源系统等值每日投资运行损耗;CI表示光储容量等值每日投资损耗;COM表示光储每日运维损耗;Cgrid表示每日电网与系统交换功率损耗,包含购电损耗和馈电损耗;Cdem表示每日需量损耗;
和/>分别为光伏、蓄电池和超级电容的每日运行损耗;r为折现率;yPV、TCycle和ySC分别为光伏、蓄电池和超级电容的使用年限;/> 和/>分别为单位光伏功率损耗系数、单位蓄电池功率损耗系数、单位超级电容功率损耗系数、单位蓄电池容量损耗系数和单位超级电容容量损耗系数;/>和/>分别为规划的额定光伏功率、额定蓄电池功率、额定超级电容功率、额定蓄电池容量和额定超级电容容量;
和/>分别为光伏、蓄电池和超级电容的运维损耗;Δt为优化时间尺度;NT为每日优化时间段数,/>和/>分别为光伏、蓄电池和超级电容的运维损耗系数;和/>分别为典型场景s下,t时刻蓄电池充电功率、蓄电池放电功率、超级电容充电功率和超级电容放电功率,NS为典型场景的数量,πs为典型场景s的概率;
为典型场景s下,t时刻的电网购电损耗系数;/>为典型场景s下,t时刻的电网馈电损耗系数,/>和/>分别为典型场景s下,t时刻的电网购电功率和电网馈电功率;
cbase为单位需量损耗系数;为典型场景s下不同时刻的最大需量;
蓄电池的使用年限采用普克特生命周期能量吞吐量模型计算获得;所述普克特生命周期能量吞吐量模型为:
其中,表示在100%放电深度下电池达到寿命终点时的循环次数,/>表示典型场景s下电池每日等效100%放电深度循环次数,/>表示一个连续放电区间总放电深度,表示放电深度累计和,/>表示放电深度增量,/>和/>均为0-1变量。
2.根据权利要求1所述的考虑电池循环寿命的光储联合规划方法,其特征在于,所述第二目标损失函数为:
其中,表示轨道交通自洽能源系统等值每日运行损耗,COM表示光储每日运维损耗;Cgrid表示每日电网与系统交换功率损耗,包含购电损耗和馈电损耗;Cdem表示每日需量损耗。
3.根据权利要求1所述的考虑电池循环寿命的光储联合规划方法,其特征在于,对粒子的位置向量和速度向量进行更新的公式为:
其中,分别为第i个粒子第d维第k+1次迭代的速度和位置,/>分别表示第i个粒子第d维第k次迭代的速度和位置;ωk+1为第k+1次迭代的惯性权重,ωk+1=ωmax-k(ωmax-ωmin)/(n-1),ωmax,ωmin分别为第k次迭代及之前的惯性权重的最大值和最小值;n为最大迭代数;c1,c2分别为每个粒子的个体学习因子和社会学习因子;r1,r2为介于(0,1)之间的随机数;/>为第k次迭代中第i个粒子在第d维的个体极值点的位置;/>为第k次迭代中粒子群在第d维的全局极值点的位置。
4.一种考虑电池循环寿命的光储联合规划系统,其特征在于,所述系统应用于权利要求1-3任一项所述的方法,所述系统包括:
第一目标函数构建模块,用于以投资损耗与运行损耗之和最小化为目标,构建第一目标函数,所述投资损耗至少包括蓄电池的循环寿命损耗;
第二目标函数构建模块,用于以运行损耗最小化为目标,构建第二目标函数;
双层规划模型构建模块,用于构建用于轨道交通自洽能源系统优化调度的双层规划模型及约束条件,所述双层规划模型包括外层容量配置模型和内层运行调度模型,所述外层容量配置模型以所述第一目标函数为优化目标,所述内层运行调度模型以所述第二目标函数为优化目标;
优化求解模块,用于根据约束条件,采用粒子群算法迭代寻优求解所述双层规划模型,获得最优容量功率配置。
5.一种电子设备,其特征在于,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-3中任一项所述的方法。
6.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310859517.5A CN116914755B (zh) | 2023-07-13 | 2023-07-13 | 一种考虑电池循环寿命的光储联合规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310859517.5A CN116914755B (zh) | 2023-07-13 | 2023-07-13 | 一种考虑电池循环寿命的光储联合规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116914755A CN116914755A (zh) | 2023-10-20 |
CN116914755B true CN116914755B (zh) | 2024-05-28 |
Family
ID=88362268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310859517.5A Active CN116914755B (zh) | 2023-07-13 | 2023-07-13 | 一种考虑电池循环寿命的光储联合规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116914755B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117559495A (zh) * | 2023-11-13 | 2024-02-13 | 南方电网能源发展研究院有限责任公司 | 基于蓄电池服役情况的配电网储能规划方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114784907A (zh) * | 2022-04-24 | 2022-07-22 | 南京工程学院 | 一种考虑电池运行状态的风电场储能容量配置方法 |
CN116307562A (zh) * | 2023-03-08 | 2023-06-23 | 华北电力大学 | 一种轨道交通自洽能源系统的光储规划配置方法及装置 |
-
2023
- 2023-07-13 CN CN202310859517.5A patent/CN116914755B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114784907A (zh) * | 2022-04-24 | 2022-07-22 | 南京工程学院 | 一种考虑电池运行状态的风电场储能容量配置方法 |
CN116307562A (zh) * | 2023-03-08 | 2023-06-23 | 华北电力大学 | 一种轨道交通自洽能源系统的光储规划配置方法及装置 |
Non-Patent Citations (1)
Title |
---|
陈雯等.考虑电池寿命的虚拟电厂调频竞标模型及合作利润分配策略.《全球能源互联网》.2020,第3卷(第4期),第376-377页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116914755A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105024432B (zh) | 一种基于虚拟电价的电动汽车充放电优化调度方法 | |
CN109599856B (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 | |
CN102184475B (zh) | 基于多时间尺度协调的微网经济运行优化调度方法 | |
CN105207259B (zh) | 基于能量管理的并网状态下的微电网系统调度方法 | |
CN109449973B (zh) | 一种含光伏和储能的轨道交通供电系统能量优化方法 | |
Lü et al. | Energy optimization of logistics transport vehicle driven by fuel cell hybrid power system | |
CN108964103B (zh) | 一种考虑微网系统可调度性的微网储能配置方法 | |
CN107546781A (zh) | 基于pso改进算法的微电网多目标运行优化方法 | |
CN116914755B (zh) | 一种考虑电池循环寿命的光储联合规划方法及系统 | |
CN111009895B (zh) | 一种微网优化调度方法、系统以及设备 | |
CN112103980A (zh) | 一种联合火电机组agc调频的混合储能系统能量管理方法 | |
CN111428946B (zh) | 一种充储电站供给侧分散式优化调度方法 | |
Dong et al. | Optimal scheduling framework of electricity-gas-heat integrated energy system based on asynchronous advantage actor-critic algorithm | |
CN114519449A (zh) | 一种园区能源系统运行优化方法 | |
CN105207207B (zh) | 基于能量管理的孤网状态下的微电网系统调度方法 | |
CN116683513A (zh) | 移动式微电网能量补充策略优化方法及系统 | |
CN115115130A (zh) | 一种基于模拟退火算法的风光储制氢系统日前调度方法 | |
CN110472780A (zh) | 一种基于神经网络的配电优化调度方法 | |
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 | |
CN114285093B (zh) | 一种源网荷储互动调度方法及系统 | |
Chen et al. | Robust optimal dispatching of wind fire energy storage system based on equilibrium optimization algorithm | |
CN116485000A (zh) | 基于改进的多元宇宙优化算法的微电网优化调度方法 | |
Krim et al. | Joint optimisation of sizing and fuzzy logic power management of a hybrid storage system considering economic reliability indices | |
Gong et al. | Optimal control of PEV charging based on residential base load prediction | |
CN113344316A (zh) | 一种电网与气网协调运行调度策略确定方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |