CN116961052A - 一种分布式储能系统的选址定容方法及系统 - Google Patents

一种分布式储能系统的选址定容方法及系统 Download PDF

Info

Publication number
CN116961052A
CN116961052A CN202310735435.XA CN202310735435A CN116961052A CN 116961052 A CN116961052 A CN 116961052A CN 202310735435 A CN202310735435 A CN 202310735435A CN 116961052 A CN116961052 A CN 116961052A
Authority
CN
China
Prior art keywords
energy storage
storage system
node
locating
sizing
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
CN202310735435.XA
Other languages
English (en)
Inventor
邓汉钧
杨帅
马叶钦
张兰
黄瑞
刘谋海
杨珉
鲁海亮
周志威
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.)
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Metering Center of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Metering Center of State Grid Hunan 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 State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Metering Center of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202310735435.XA priority Critical patent/CN116961052A/zh
Publication of CN116961052A publication Critical patent/CN116961052A/zh
Pending legal-status Critical Current

Links

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • H02J3/381—Dispersed generators
    • 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]
    • 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]
    • 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
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种分布式储能系统的选址定容方法及系统，方法包括步骤：获取配电网节点数据并进行聚类分析，得到典型日负荷和光伏曲线；获取初步安装选址；建立储能选址定容的多目标优化模型，确定目标函数以及约束条件；利用典型配电网IEEE33节点模型，输入线路参数、负荷水平、网络拓扑连接关系、系统节点电压和支路电流,并将储能系统的量化参数、典型日负荷和光伏曲线、初步选址输入至多目标优化模型，采用改进的灰狼算法进行求解，获得最优解集；分析最优解集，获得储能系统的最优储能位置和配置容量大小。本发明能够优化选址效率以及精确度，实现储能系统投资成本最小化，有效改善配电网的电能质量。

Description

一种分布式储能系统的选址定容方法及系统
技术领域
本发明主要涉及配电网技术领域，具体涉及一种分布式储能系统的选址定容方法及系统。
背景技术
光伏发电易受环境影响，其发电功率具有很大的波动性、随机性和间歇性，当光伏发电大规模接入电网时，其对电网的安全稳定运行将造成很大影响。电池储能系统(Battery Energy Storage Systems,BESSs)具有快速的功率调节能力，不仅可有效平抑光伏出力的波动，还能改善电压质量、减小峰谷差等。随着示范项目和商业化项目的深入，储能将在电网中呈现多点分布特性，多点布局的储能系统通过电力系统统一调度，可实现多点分布式储能的有序聚合，除了满足就地应用功能外，可为电网提供紧急功率支撑、提高电网安全稳定性、有效提升电网对可再生能源的消纳能力、丰富电网调峰、调频和调压等辅助服务手段，使电力系统变得更加“柔性”和“智能”，促进电网发展模式变革。因此电池储能系统的接入位置、安装功率和容量的选取将直接影响配电网的高效经济运行。
目前针对分布式储能系统的选址定容优化问题存在各种有待解决的问题：1、优化目标考虑不全面，电池储能系统的投资成本会对其规模化的应用造成制约。2、电池储能综合成本模型是实现储能系统投资成本最小化的有效方式，电池储能综合经济成本中未考虑额外补贴因素。3、传统的智能优化算法全局性、均匀性较差，容易陷入局部最优。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种选址效率高以及精确度高的分布式储能系统的选址定容方法及系统。
为解决上述技术问题，本发明提出的技术方案为：
一种分布式储能系统的选址定容方法，包括步骤：
获取配电网节点光伏出力数据、发电机出力数据和负荷数据，并进行聚类分析，得到分布式储能系统的典型日负荷和光伏曲线；
分析光伏接入前后对配电网节点电压的影响，对节点进行分区，找出易受到影响的节点群，获取储能系统安装的初步选址；
建立储能选址定容的多目标优化模型，确定以储能系统经济性最优、电压波动和负荷波动最小的目标函数，并确定约束条件；
利用典型配电网I EEE33节点模型，分别输入线路参数、负荷水平、网络拓扑连接关系、系统节点电压和支路电流,并将储能系统的量化参数、典型日负荷和光伏曲线、安装的初步选址输入至储能选址定容的多目标优化模型，采用改进的灰狼算法对多目标优化模型进行求解，获得最优解集；
分析最优解集，获得储能系统的最优储能位置和配置容量大小。
优选地，采用改进的灰狼算法对多目标优化模型进行求解的具体过程为：
1)输入初始数值；
2)设置改进的灰狼算法的相关参数；
3)利用Tent混沌映射对灰狼种群进行初始化；
4)判断是否达到迭代次数，如是则跳至步骤9)；否则计算初始化种群的适应度，按照其适应度进行排序，记录Pareto最优解，分别将最好的3个个体依次赋值给狼α、β、δ；
5)更新当前种群的权重系数参数；
6)判断是否达到其种群规模，如是则利用灰狼算法求出其候选狼，否则调制步骤4)；
7)根据候选狼计算出其邻域，同时对邻域内的个体进行混合交叉，筛选出新的候选狼；
8)对比灰狼算法求出的候选狼与混合交叉后的候选狼，选出适应度高的候选狼更新种群，替换外部解集；
9)结束，获得最终的最优解集。
优选地，在初步选址时，对配电网节点电压进行灵敏度分析以及求解各个节点之间的皮尔逊相关系数，综合分析获取最易受影响的节点群，并对此节点群进行选址定容分析，将储能系统安装在系统电压稳定性弱的节点处。
优选地，其中灵敏度指标为：
其中：Pi，Qi为节点i的有功功率和无功功率；ΔPi，ΔQi为节点i的有功功率和无功功率的变化量；U为电网节点集合；j为电网节点集合内的任一电网节点；Vj为节点j的节点电压。
优选地，各个节点之间的皮尔逊相关系数为：
其中Vi为节点i的节点电压；为各节点的平均电压。
优选地，储能选址定容的多目标优化模型为：
式中：f1、f2、f3是三个优化目标函数所构成的优化空间，w(x)和v(x)分别是函数的约束条件，构成了函数求解的可行域。
优选地，储能选址定容的多目标优化模型还包括储能系统综合经济模型、节点电压波动模型和负荷波动模型；其中储能系统综合经济模型为：
CEss＝Cinv+Crep+Cps+Com+Cscr-Cres-Csub-Crst
其中CEss为总成本，Cinv为初始投资成本，Crep为更新置换成本，Cps为充放电成本，Com为系统运维成本，Cscr是报废处理成本，Cres为回收残值，Csub是政府补贴津贴，Crst是延缓电网升级综合效益。
优选地，约束条件包括功率平衡约束、潮流约束、电压约束、上级电网注入配电网的总有功和无功功率限制约束、电池系统充放电约束、电池SOC约束、以及电池安装位置和个数约束。
优选地，所述量化参数包括单位价格、储能系统使用年限、折现率和分时电价。
本发明还公开了一种分布式储能系统的选址定容系统，包括相互连接的存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述方法的步骤。
与现有技术相比，本发明的优点在于：
本发明以配电网储能系统经济性最优、电压波动以及负荷波动最小为优化目标，建立电池储能系统最优选址定容模型并采取改进灰狼算法对模型进行求解，实现储能系统投资成本最小化，有效改善配电网的电能质量。
本发明的基于改进灰狼算法的储能选址定容优化方法，相较其他确定的选址定容方法，首先考虑光伏接入前后节点电压波动关系，将节点进行分区筛选，优化选址效率以及精确度，并在考虑了储能系统经济投资最小化、电压及负荷波动最小的前提下，优化储能系统经济模型还将系统运行安全纳入考虑范围，最后基于改进灰狼算法对模型进行求解分析，获得储能系统最优布点位置以及容量配置。
附图说明
图1为本发明的选址定容方法在实施例的流程图。
图2为本发明的配电网典型IEEE33节点在实施例的拓扑结构图。
图3为本发明的改进的灰狼算法在实施例的流程图。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
如图1所示，本发明实施例的分布式储能系统的选址定容方法，包括步骤：
获取某一国网供电公司或统计局的配电网节点光伏出力数据、发电机出力数据和负荷数据，并进行聚类分析，得到分布式储能系统的典型日负荷和光伏曲线；
分析光伏接入前后对配电网节点电压的影响，对节点进行分区，找出易受到影响的节点群，获取储能系统安装的初步选址；
利用mat l ab平台建立储能选址定容的多目标优化模型，确定以储能系统经济性最优、电压波动和负荷波动最小的目标函数，并考虑配电网运行安全状态约束、潮流状态约束、储能系统容量约束、安全运行约束以及其他约束条件；
利用典型配电网I EEE33节点模型，分别输入线路参数、负荷水平、网络拓扑连接关系、系统节点电压和支路电流,并将储能系统的量化参数、典型日负荷和光伏曲线、安装的初步选址输入至储能选址定容的多目标优化模型，采用改进的灰狼算法对多目标优化模型进行求解，获得最优解集；
分析最优解集，获得储能系统的最优储能位置和配置容量大小。
在一具体实施例中，采用改进的灰狼算法(improved grey wolf optimization，IGWO)对多目标优化模型进行求解，具体步骤如下：
1)输入初始数值；
2)设置IGWO的相关参数，设置种群规模N＝30、最大迭代次数Tmax＝200等；
3)利用Tent混沌映射对灰狼种群进行初始化；
4)判断是否达到迭代次数，如是则跳至步骤9)；否则计算初始化种群的适应度，按照其适应度进行排序，记录Pareto最优解，分别将最好的3个个体依次赋值给狼α、β、δ；
5)更新当前种群的权重系数等参数；
6)判断是否达到其种群规模，如是则利用灰狼算法求出其候选狼，否则调制步骤4)；
7)根据候选狼计算出其邻域，同时对邻域内的个体进行混合交叉，筛选出新的候选狼；
8)对比灰狼算法求出的候选狼与混合交叉后的候选狼，选出适应度高的候选狼更新种群，替换外部解集；
9)算法结束，获得最终的最优解集。
本发明以配电网储能系统经济性最优、电压波动以及负荷波动最小为优化目标，建立电池储能系统最优选址定容模型并采取改进灰狼算法对模型进行求解，实现储能系统投资成本最小化，有效改善配电网的电能质量。
本发明的基于改进灰狼算法的储能选址定容优化方法，相较其他确定的选址定容方法，首先考虑光伏接入前后节点电压波动关系，将节点进行分区筛选，优化选址效率以及精确度，并在考虑了储能系统经济投资最小化、电压及负荷波动最小的前提下，优化储能系统经济模型还将系统运行安全纳入考虑范围，最后基于改进灰狼算法对模型进行求解分析，获得储能系统最优布点位置以及容量配置。
本发明实施例还公开了一种分布式储能系统的选址定容系统，包括相互连接的存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述方法的步骤。本发明的选址定容系统，与上述选址定容方法相对应，同样具有如上选址定容方法所述的优点。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明：
步骤一：分析光伏系统接入后对配电网节点电压的影响。分布式光伏接入后会对改变配电网节点电压值，通过对节点电压进行灵敏度分析以及求解各个节点之间的皮尔逊相关系数，综合分析获取最易受影响的节点群，并对此节点群进行选址定容分析，将储能系统安装在系统电压稳定性弱的节点处，可更好提高系统电压稳定性，有效提高规划时间和效率。
其中配电网节点电压影响程度的灵敏度指标如式(1)所示：
其中：Pi，Qi为节点i的有功功率和无功功率；ΔPi，ΔQi为节点i的有功功率和无功功率的变化量；U为电网节点集合；j为电网节点集合内的任一电网节点；Vj为节点j的节点电压。
其中配电网相邻两节点电压皮尔逊相关系数如式(2)所示：
其中Vi为节点i的节点电压；为各节点的平均电压；关联性较强的节点可以选作重要节点进行处理。
步骤二：考虑光伏、负荷出力的随机性，采用K-均值聚类算法对步骤一中年光伏和负荷历史数据进行分析，分别得到负荷和光伏的4种典型日曲线,并以光伏和负荷波动的相关性进行组合，获取相关度最高的4种型聚类日。
步骤三：建立储能选址定容的多目标优化模型，确定以储能系统经济性最优、电压波动、负荷波动最小的目标函数，并考虑配电网运行安全状态约束、潮流状态约束、储能系统容量约束、安全运行约束以及其他约束条件。
其中储能选址定容的多目标优化模型如式(3)所示，包括最小化储能系统的综合成本、电压波动以及功率波动。
其中：f1、f2、f3是三个优化目标函数所构成的优化空间，w(x)和v(x)分别是函数的约束条件，构成了函数求解的可行域。
其中多目标优化模型对应的模型以及约束条件如下：
a.储能系统综合经济模型
其中储能系统综合投资成本如式(4)所示：
CEss＝Cinv+Crep+Cps+Com+Cscr-Cres-Csub-Crst (4)
其中CEss为总成本，Cinv为初始投资成本，Crep为更新置换成本，Cps为充放电成本，Com为系统运维成本，Cscr是报废处理成本，Cres为回收残值，Csub是政府补贴津贴，Crst是延缓电网升级综合效益。
其中电池储能系统的初始投资成本如式(5)所示：
其中电池储能系统的初始投资成本与电池安装数量、容量、功率有关。式中NBESS表示的是电池安装个数，EBESS,m和PBESS,m分别表示第m台BESS的安装容量和功率；α和β分别表示BESSs的单位容量成本和单位功率成本。本发明选择综合性能较高的锂离子电池作为BESSs的储能元件，成本参数如表1所示
表1电池储能系统的初始投资成本参数
成本参数 数值
单位容量成本/(万元/MWh) 127
单位功率成本/(万元/MW) 110
其中电池储能系统的更新置换成本如式(6)所示：
式中η表示安装电池折现率，T表示电池储能系统使用年限，n表示电池次数，k表示一次性支付系数。具体参数如表2所示。
表2电池储能系统置换系数表
成本参数 数值
电池储能系统使用年限 10
折现系数 6.333％
其中电池储能系统的充放电成本，即购电售电成本如式(7)所示：
式中，Rd表示的是由步骤二聚类分析配电网的典型场景，Dr表示的是第r种场景一年中所占有的天数，h(t)则为基于分时电价的一天中购电、售电的差价，如表3所示。
表3购/售电电价
时段 售电电价/(元/kWh) 购电电价/(元/kWh)
00：00—08：00 0.17 0.13
08：00—11：00 0.49 0.38
11：00—16：00 0.83 0.65
16：00—19：00 0.49 0.38
9：00—22：00 0.83 0.65
22：00—24：00 0.49 0.38
其中电池储能系统的运维成本如式(8)所示，取值为系统成本的5％。
Com＝Cinv×5％ (8)
其中电池储能系统的报废处理成本如式(9)所示：
Cscr＝(α·Epscr+β·Eescr) (9)
式中，Epscr与Eescr分别表示的是单位功率和单位容量的报废处理成本。其中Epscr通常取465元/kW。
其中安装电池储能系统发放的财政津贴如式(10)所示：
式中，σ为政府给予BESSs发售电量的运营补贴，通常取0.12(元/kWh)；Pdis(t)为储能系统发电量。
综上所述电池储能系统综合成本可以表示为:
f1＝CEss＝Cinv+Crep+Cps+Com+Cscr-Cres-Csub-Crst (11)
b.节点电压波动模型
储能系统的接入可以有效改善的对光伏系统接入后节点电压波动的问题：
式中：N为系统节点数；Vm(t)为m节点在t时刻的电压；为m节点时刻平均电压；
c.负荷波动模型
同样的，储能系统的接入能够有效抑制配电网络的负荷波动，维持功率的稳定性。
其中配电系统负荷波动模型如式(13)所示：
式中，Pload(t)、Ppv(t)和Pcha/dis(t)分别为t时段内的负荷功率、光伏出力和储能电池充放电功率；为负荷曲线的平均值。
d.约束条件
(1)功率平衡约束
式中：npv分别为光伏的安装个数；Ppv,m(t)分别为t时刻第m个光伏的有功出力；Pload(t)为t时刻总负荷。
(2)潮流约束
式中：Pi(t)、Qi(t)分别为节点注入的有功和无功功率；Vi(t)为t时刻i节点电压；Vj(t)为t时刻j节点电压；Gij，Bij指的是节点i和j之间的电导和电纳；θij指的是节点i和j之间的相位差。
(3)电压约束
Vi min≤Vi≤Vi max(16)
式中，和/>分别为节点i的电压上下限。
(4)上级电网注入配电网的总有功、无功功率限制约束
式中，分别表示联络线有功alyx和无功功率的上下限。
(5)电池系统充放电约束
式中，Pcha,i(t)与Pdis,i(t)指的是第i个储能电池充放电功率，ηcha与ηdis指的是电池的充放电效率，PBESS,i是第i个电池的额定功率。
(6)电池SOC约束
SOCmin≤SOCi(t)≤SOCmax (19)
式中，SOCmin与SOCmax指的是电池电量(荷电状态)的最大值和最小值。
(7)电池安装位置、个数约束
式中LBESS,i是电池安装的位置，NBESS,min与NBESS,max指的是电池安装个数的最小、最大值。Lgrid指的是电网的结构，Nnodes指的是配电网节点的个数。
步骤四：本发明采用典型IEEE33节点配网系统进行仿真分析，其拓扑结构如图2所示。分别将线路参数和网络拓扑关系、系统节点电压和支路电流限制、系统基准电压和基准功率初值在IEEE33节点中进行设置，并将储能系统的量化参数、典型日负荷和光伏曲线和初步选址输入至储能选址定容的多目标优化模型，并采用改进的灰狼算法(improved greywolf optimization，IGWO)对模型进行求解，得到最优解集；其中量化参数包括单位价格、电池储能系统使用年限、折现率、分时电价、运行以及功率约束条件等；
如图3所示，其中采用改进的灰狼算法对模型进行求解的具体过程为：
1)输入初始数值；
2)设置IGWO的相关参数，设置种群规模N＝30、最大迭代次数Tmax＝200等；
3)利用Tent混沌映射对灰狼种群进行初始化；
4)判断是否达到迭代次数，是的话跳至步骤9)；否则计算初始化种群的适应度，按照其适应度进行排序，记录Pareto最优解，分别将最好的3个个体依次赋值给狼α、β、δ；
5)更新当前种群的权重系数等参数；
6)判断是否达到其种群规模，如是则利用灰狼算法求出其候选狼，否则调制步骤4)；
7)根据候选狼计算出其邻域，同时对邻域内的个体进行混合交叉，筛选出新的候选狼；
8)对比灰狼算法求出的候选狼与混合交叉后的候选狼，选出适应度高的候选狼更新种群，替换外部解集；
9)算法结束，获得最终解集。
步骤五：基于信息熵确立权重，对步骤四中的解集进行动态更新，采用TOPSIS法选取最优方案，确定储能系统的容量配置和布点设置，实现电池储能系统综合成本、电压波动和负荷波动之间的最佳权衡。
本发明通过建立电池储能系统最优选址定容模型，确定优化目标以及求解算法，能够降低分布式储能系统经济投资以及提升配网的电能质量。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.一种分布式储能系统的选址定容方法，其特征在于，包括步骤：
获取配电网节点光伏出力数据、发电机出力数据和负荷数据，并进行聚类分析，得到分布式储能系统的典型日负荷和光伏曲线；
分析光伏接入前后对配电网节点电压的影响，对节点进行分区，找出易受到影响的节点群，获取储能系统安装的初步选址；
建立储能选址定容的多目标优化模型，确定以储能系统经济性最优、电压波动和负荷波动最小的目标函数，并确定约束条件；
利用典型配电网IEEE33节点模型，分别输入线路参数、负荷水平、网络拓扑连接关系、系统节点电压和支路电流,并将储能系统的量化参数、典型日负荷和光伏曲线、安装的初步选址输入至储能选址定容的多目标优化模型，采用改进的灰狼算法对多目标优化模型进行求解，获得最优解集；
分析最优解集，获得储能系统的最优储能位置和配置容量大小。
2.根据权利要求1所述的分布式储能系统的选址定容方法，其特征在于，采用改进的灰狼算法对多目标优化模型进行求解的具体过程为：
1)输入初始数值；
2)设置改进的灰狼算法的相关参数；
3)利用Tent混沌映射对灰狼种群进行初始化；
4)判断是否达到迭代次数，如是则跳至步骤9)；否则计算初始化种群的适应度，按照其适应度进行排序，记录Pareto最优解，分别将最好的3个个体依次赋值给狼α、β、δ；
5)更新当前种群的权重系数参数；
6)判断是否达到其种群规模，如是则利用灰狼算法求出其候选狼，否则调制步骤4)；
7)根据候选狼计算出其邻域，同时对邻域内的个体进行混合交叉，筛选出新的候选狼；
8)对比灰狼算法求出的候选狼与混合交叉后的候选狼，选出适应度高的候选狼更新种群，替换外部解集；
9)结束，获得最终的最优解集。
3.根据权利要求1所述的分布式储能系统的选址定容方法，其特征在于，在初步选址时，对配电网节点电压进行灵敏度分析以及求解各个节点之间的皮尔逊相关系数，综合分析获取最易受影响的节点群，并对此节点群进行选址定容分析，将储能系统安装在系统电压稳定性弱的节点处。
4.根据权利要求3所述的分布式储能系统的选址定容方法，其特征在于，其中灵敏度指标为：
其中：Pi，Qi为节点i的有功功率和无功功率；ΔPi，ΔQi为节点i的有功功率和无功功率的变化量；U为电网节点集合；j为电网节点集合内的任一电网节点；Vj为节点j的节点电压。
5.根据权利要求4所述的分布式储能系统的选址定容方法，其特征在于，各个节点之间的皮尔逊相关系数为：
其中Vi为节点i的节点电压；为各节点的平均电压。
6.根据权利要求1-5中任意一项所述的分布式储能系统的选址定容方法，其特征在于，储能选址定容的多目标优化模型为：
式中：f1、f2、f3是三个优化目标函数所构成的优化空间，w(x)和v(x)分别是函数的约束条件，构成了函数求解的可行域。
7.根据权利要求6所述的分布式储能系统的选址定容方法，其特征在于，储能选址定容的多目标优化模型还包括储能系统综合经济模型、节点电压波动模型和负荷波动模型；其中储能系统综合经济模型为：
CEss＝Cinv+Crep+Cps+Com+Cscr-Cres-Csub-Crst
其中CEss为总成本，Cinv为初始投资成本，Crep为更新置换成本，Cps为充放电成本，Com为系统运维成本，Cscr是报废处理成本，Cres为回收残值，Csub是政府补贴津贴，Crst是延缓电网升级综合效益。
8.根据权利要求7所述的分布式储能系统的选址定容方法，其特征在于，约束条件包括功率平衡约束、潮流约束、电压约束、上级电网注入配电网的总有功和无功功率限制约束、电池系统充放电约束、电池SOC约束、以及电池安装位置和个数约束。
9.根据权利要求1-5中任意一项所述的分布式储能系统的选址定容方法，其特征在于，所述量化参数包括单位价格、储能系统使用年限、折现率和分时电价。
10.一种分布式储能系统的选址定容系统，包括相互连接的存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述计算机程序在被处理器运行时执行如权利要求1～9中任意一项所述方法的步骤。
CN202310735435.XA 2023-06-20 2023-06-20 一种分布式储能系统的选址定容方法及系统 Pending CN116961052A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310735435.XA CN116961052A (zh) 2023-06-20 2023-06-20 一种分布式储能系统的选址定容方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310735435.XA CN116961052A (zh) 2023-06-20 2023-06-20 一种分布式储能系统的选址定容方法及系统

Publications (1)

Publication Number Publication Date
CN116961052A true CN116961052A (zh) 2023-10-27

Family

ID=88459421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310735435.XA Pending CN116961052A (zh) 2023-06-20 2023-06-20 一种分布式储能系统的选址定容方法及系统

Country Status (1)

Country Link
CN (1) CN116961052A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117996802A (zh) * 2024-03-15 2024-05-07 广州智光储能科技有限公司 一种电力系统的储能配置方法、装置、系统及存储介质
CN118054427A (zh) * 2024-04-16 2024-05-17 华东交通大学 一种统一电能质量调节器的运行控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117996802A (zh) * 2024-03-15 2024-05-07 广州智光储能科技有限公司 一种电力系统的储能配置方法、装置、系统及存储介质
CN118054427A (zh) * 2024-04-16 2024-05-17 华东交通大学 一种统一电能质量调节器的运行控制方法

Similar Documents

Publication Publication Date Title
Li et al. Joint planning of distributed generations and energy storage in active distribution networks: A Bi-Level programming approach
Ghadimi et al. PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives
CN116961052A (zh) 一种分布式储能系统的选址定容方法及系统
Lu et al. Data-driven stochastic programming for energy storage system planning in high PV-penetrated distribution network
CN110867852B (zh) 计及全寿命周期成本的微电网储能优化配置方法及装置
CN111401604A (zh) 电力系统负荷功率预测方法及储能电站功率分配方法
CN112531689B (zh) 受端电力系统的源网荷储协调控制能力评估方法和设备
Liu et al. Flexible network planning of autonomy microgrid
CN114977217A (zh) 一种电-氢混合储能系统配置方法及装置
CN115313519A (zh) 一种配电网储能优化配置方法、装置、设备及存储介质
CN113991742B (zh) 一种配电网分布式光伏双层协同优化投资决策方法
Xiang et al. Coordinated DG-Tie planning in distribution networks based on temporal scenarios
Saric et al. Optimal DG allocation for power loss reduction considering load and generation uncertainties
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
Su et al. Optimal placement and capacity sizing of energy storage systems via NSGA-II in active distribution network
Ebrahimi et al. Stochastic scheduling of energy storage systems in harmonic polluted active distribution networks
CN115564142A (zh) 一种混合储能系统的选址定容优化方法及系统
CN114142460A (zh) 综合能源系统中储能双层目标优化配置方法及终端
CN112491067A (zh) 一种基于复合储能的主动配电网容量配置方法
Tao et al. Distributed Energy Storage Cluster Control Method for DC Microgrid Considering Flexibility
CN117175639B (zh) 与储能单元协调配套的配电自动化方法及系统
Nick et al. A robust optimization framework for the day-ahead scheduling of active distribution networks including energy storage systems
Yu et al. GIS-based optimal siting and sizing of substation using semi-supervised learning
CN117291756B (zh) 一种储能设备配置调整方法、装置和存储介质
CN110690720B (zh) 基于概率离散化的配电网分布式储能优化配置方法

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