CN117175639A - 与储能单元协调配套的配电自动化方法及系统 - Google Patents
与储能单元协调配套的配电自动化方法及系统 Download PDFInfo
- Publication number
- CN117175639A CN117175639A CN202311155055.5A CN202311155055A CN117175639A CN 117175639 A CN117175639 A CN 117175639A CN 202311155055 A CN202311155055 A CN 202311155055A CN 117175639 A CN117175639 A CN 117175639A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- storage unit
- objective function
- power distribution
- 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 213
- 238000009826 distribution Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000007599 discharging Methods 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 238000012423 maintenance Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000009434 installation Methods 0.000 claims abstract description 24
- 238000013486 operation strategy Methods 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 132
- 230000008569 process Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 210000000352 storage cell Anatomy 0.000 claims description 5
- 230000010287 polarization Effects 0.000 description 16
- 238000007726 management method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 5
- 238000002922 simulated annealing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 101100379081 Emericella variicolor andC gene Proteins 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Abstract
本发明提供一种与储能单元协调配套的配电自动化方法及系统，包括基于配电系统中储能单元的运行策略，确定所述储能单元的充、放电功率以及与所述充、放电功率对应的充、放电效率，以及所述储能单元的容量以及荷电状态，结合所述储能单元的运行成本，设定第一目标函数和第一约束条件；基于所述配电系统中已安装的配电终端的数量、配电终端的运维折算率以及配电终端安装投资所需的成本，设定第二目标函数和第二约束条件；综合所述第一目标函数和所述第二目标函数，结合所述第一约束条件和所述第二约束条件，通过多目标优化算法优化所述储能单元的充、放电策略以及配电终端的安装数量，实现最小化所述第一目标函数和所述第二目标函数之和。
Description
技术领域
本发明涉及配电网技术，尤其涉及一种与储能单元协调配套的配电自动化方法及系统。
背景技术
配电网是电力系统发电、输电和配电(有时也称供电和用电)三大系统之一。电力公司通过配电网实现产品销售向广大电力用户提供电能。配电自动化指利用现代电子技术、通信技术、计算机及网络技术与电力设备相结合，将配电网在正常及事故情况下的监测、保护、控制、计量和供电部门的工作管理有机地融合在一起，改进供电质量，与用户建立更密切更负责的关系，以合理的价格满足用户要求的多样性，力求供电经济性最好，企业管理更为有效。配电自动化是一个庞大复杂的、综合性很高的系统性工程，包含电力企业中与配电系统有关的全部功能数据流和控制。
然而，现有配电自动化监控管理系统功能单一，成本较高，且配电自动化监控管理仍需人的参与，无法做到完全智能化。
发明内容
本发明实施例提供一种与储能单元协调配套的配电自动化方法及系统，能够至少解决现有技术中部分问题。
本发明提供一种与储能单元协调配套的配电自动化方法，包括：
基于配电系统中储能单元的运行策略，确定所述储能单元的充、放电功率以及与所述充、放电功率对应的充、放电效率，以及所述储能单元的容量以及荷电状态，结合所述储能单元的运行成本，设定第一目标函数，并且设定与所述第一目标函数对应的第一约束条件；
基于所述配电系统中已安装的配电终端的数量、配电终端的运维折算率以及配电终端安装投资所需的成本，设定第二目标函数，并且设定与所述第二目标函数对应的第二约束条件；
综合所述第一目标函数和所述第二目标函数，结合所述第一约束条件和所述第二约束条件，通过多目标优化算法优化所述储能单元的充、放电策略以及配电终端的安装数量，实现最小化所述第一目标函数和所述第二目标函数之和。
优选的，设定第一目标函数和第一约束条件包括：
根据所述储能单元的容量以及单位容量成本，所述储能单元的额定功率以及额定功率成本，结合所述储能单元的投资回报率，以及所述储能单元的规划使用年限，确定所述储能单元的第一投资成本；
基于所述储能单元的充、放电功率以及与所述充、放电功率对应的充、放电效率，结合所述储能单元的单位电量运行成本，确定所述储能单元的第一维护成本；
结合所述投资成本和所述维护成本设定第一目标函数；
所述第一约束条件包括任意时刻的充电功率不得超过储能单元的最大充电功率、任意时刻的放电功率不得超过储能单元的最大放电功率以及任意时刻的储能单元的容量不得超过预设容量范围中至少一种。
优选的，设定第一目标函数和第一约束条件还包括：
按照如下公式设定所述第一目标函数：
；
；
；
其中，C BESS 表示所述储能单元的综合成本；
C ftz 表示第一投资成本，r表示投资回报率，T表示规划使用年限，C 1 、C 2 分别表示单位容量成本和单位功率成本，R i 、P i 分别表示第i个储能单元的容量和第i个储能单元的功率，N BESS 表示配电系统中储能单元的数量；
C fwh 表示第一维护成本，C om 表示单位电量运行维护成本，、/>分别表示第i个储能单元在t时刻的放电功率和充电功率；
按照如下公式设定所述第一约束条件：
；
；
；
其中，表示t时刻储能单元的充电功率，/>表示t时刻储能单元的放电功率，表示储能单元的最大充电功率，/>表示储能单元的最大放电功率，/>表示t时刻储能单元的容量，/>表示储能单元的额定容量，/>表示储能单元的最小荷电状态，/>表示储能单元的最大荷电状态。
优选的，所述方法还包括：
基于所获取的储能单元的特性参数建立所述储能单元的等效电路模型，通过最小二乘法对所述等效电路模型进行参数辨识，并基于状态估计算法对所述等效电路模型进行状态估计，确定所述储能单元的荷电状态信息；
其中，确定所述储能单元的荷电状态信息包括：
通过递推最小二乘法将等效电路模型中的关系式转换为频域表达式，并将所述频域表达式中电压参数、电流参数以及初始荷电状态作为状态变量，构建所述等效电路模型的状态空间表达式；
确定所述状态空间表达式在当前时刻各个状态变量的先验估计值，以及等效电路模型的系统噪声对应的协方差矩阵，结合所述等效电路模型对应的卡尔曼增益矩阵对所述先验估计值进行更新确定后验估计值，将进行更新后的初始荷电状态作为所述等效电路模型的荷电状态信息。
优选的，设定第二目标函数和第二约束条件包括：
按照如下公式设定所述第二目标函数：
；
；
；
C TE 表示所述配电终端的综合成本；
C stz 表示所述配电终端的第二投资成本，r表示投资回报率，T表示规划使用年限，N TE 表示配电系统中配电终端的数量，C dk 表示第k个配电终端对应的建设成本C d ；
C syw 表示所述配电终端的第二维护成本，D表示维护折旧率；
所述第二约束条件包括可靠性约束、潮流约束以及功率平衡约束中至少一种。
优选的，通过多目标优化算法优化所述储能单元的充、放电策略以及配电终端的安装数量，实现最小化所述第一目标函数和所述第二目标函数之和包括：
将所述第一目标函数、所述第二目标函数以及所述第一约束条件、所述第二约束条件中待求解的变量作为优化变量，通过优化求解器构建优化目标函数；
将对所述优化目标函数的求解结果作为所述储能单元的充、放电策略以及配电终端的安装数量，迭代求解所述优化目标函数，直至所述第一目标函数和所述第二目标函数之和最小化。
优选的，通过多目标优化算法优化所述储能单元的充、放电策略以及配电终端的安装数量，实现最小化所述第一目标函数和所述第二目标函数之和还包括：
将所述第一目标函数、所述第二目标函数以及所述第一约束条件、所述第二约束条件中待求解的变量作为初始化种群中的个体，
并从所述初始化种群中随机选择个体进行交叉操作，产生新的种群个体，对新的种群个体进行变异操作，确定进行变异操作后新的种群个体的适应度值，并将适应度值大于预设适应度阈值的个体作为父个体；
将所述父个体在下一次迭代中作为新个体，并在所述父个体的邻域中随机对所述父个体增加扰动，生成参考个体；
确定所述父个体与所述参考个体的差值，
若所述差值大于预设参考阈值，则将所述参考个体替换所述父个体；
若所述差值小于预设参考阈值，则结合预设的接受阈值保留所述参考个体，将最终保留的父个体和/或参考个体作为资源调度优化策略。
本发明提供一种与储能单元协调配套的配电自动化系统，包括：
第一单元，用于基于配电系统中储能单元的运行策略，确定所述储能单元的充、放电功率以及与所述充、放电功率对应的充、放电效率，以及所述储能单元的容量以及荷电状态，结合所述储能单元的运行成本，设定第一目标函数，并且设定与所述第一目标函数对应的第一约束条件；
第二单元，用于基于所述配电系统中已安装的配电终端的数量、配电终端的运维折算率以及配电终端安装投资所需的成本，设定第二目标函数，并且设定与所述第二目标函数对应的第二约束条件；
第三单元，用于综合所述第一目标函数和所述第二目标函数，结合所述第一约束条件和所述第二约束条件，通过多目标优化算法优化所述储能单元的充、放电策略以及配电终端的安装数量，实现最小化所述第一目标函数和所述第二目标函数之和。
本发明提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明的有益效果可以参考具体实施方式中技术特征对应的效果，在此不再赘述。
附图说明
图1为本发明实施例与储能单元协调配套的配电自动化方法的流程示意图。
图2为本申请储能单元的等效电路模型的示意图。
图3为本发明实施例与储能单元协调配套的配电自动化系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例与储能单元协调配套的配电自动化方法的流程示意图，如图1所示，所述方法包括：
S101. 基于配电系统中储能单元的运行策略，确定所述储能单元的充、放电功率以及与所述充、放电功率对应的充、放电效率，以及所述储能单元的容量以及荷电状态，结合所述储能单元的运行成本，设定第一目标函数，并且根据所述储能单元的充、放电功率以及荷电状态，设定第一约束条件；
示例性地，随着可再生能源（如风能和太阳能）的不断增加，电力系统的可靠性和稳定性面临挑战。储能技术作为一种能量存储和释放的手段，可以平衡电网的负荷波动、提高供电可靠性，并支持可再生能源的集成。储能单元在电力系统中的合理运行策略对于优化电网运行、降低能源成本以及减少碳排放具有重要作用。
基于电网负荷和可再生能源的波动性，需要制定储能单元的充放电策略，本申请中储能单元的运行策略可以包括：
峰值削平：在电网负荷高峰时段进行放电，减轻电网负荷压力；负荷平衡：根据电网负荷情况，动态调整充放电功率，保持电网平衡；能量时间平衡：根据电网历史负荷和发电数据，制定长期能量平衡策略。
根据储能单元的技术特性，可以通过实验或模拟研究来确定不同充放电功率下的效率，充电功率和放电功率的选择会影响系统的响应速度和稳定性；在制定策略时，需要权衡储能单元的效率、寿命以及电网的实际需求。
储能单元的容量与荷电状态直接影响其可用能量，根据电网需求和运行目标，确定储能单元的容量以及荷电状态的范围；荷电状态管理可以在不同情况下实现最优的能量利用。
考虑储能单元的运行成本，包括维护、损耗等，结合电网运行的目标，可以制定目标函数；这个目标函数可能是关于成本、能源效率、电网稳定性等方面的综合考虑，优化储能单元的运行策略。
在一种可选的实施方式中，
储能运行策略可以包括：
配电系统正常运行时，根据当地的负荷曲线，使储能单元在电价高的用电高峰时放电，电价低的用电低谷时充电。储能充电过程中，当前剩余荷电状态取决于上一时刻储能的充放电功率，可以由以下式子得出：
其中，表示t时刻储能单元的荷电状态，/>表示t-1时刻储能单元的荷电状态，e ch 表示储能单元的充电效率，e dis 表示储能单元的放电效率，/>表示t-1时刻储能单元的充电功率，/>表示t-1时刻储能单元的放电功率，/>表示时间差，R BESS 表示储能单元的容量；
设置所述储能单元对应的约束条件包括：
为了防止储能单元的充放电功率应在允许值范围内且其内部容量不能过低或者过高，储能单元对应的约束条件如下公式所示：
其中，表示t时刻储能单元的充电功率，/>表示t时刻储能单元的放电功率，表示储能单元的最大充电功率，/>表示储能单元的最大放电功率，/>表示t时刻储能单元的容量，/>表示储能单元的额定容量，/>表示储能单元的最小荷电状态，/>表示储能单元的最大荷电状态。
在一种可选的实施方式中，
设定第一目标函数，并且根据所述储能单元的充、放电功率以及荷电状态，设定第一约束条件包括：
根据所述储能单元的容量以及单位容量成本，所述储能单元的额定功率以及额定功率成本，结合所述储能单元的投资回报率，以及所述储能单元的规划使用年限，确定所述储能单元的投资成本；
基于所述储能单元的充、放电功率以及与所述充、放电功率对应的充、放电效率，结合所述储能单元的单位电量运行成本，确定所述储能单元的维护成本；
结合所述投资成本和所述维护成本设定第一目标函数；
所述第一约束条件包括任意时刻的充电功率不得超过储能单元的最大充电功率、任意时刻的放电功率不得超过储能单元的最大放电功率以及任意时刻的储能单元的容量不得超过预设容量范围中至少一种。
示例性地，储能单元的投资成本可以根据其容量、额定功率、投资回报率和规划使用年限来计算；储能单元的维护成本与其充放电功率、效率以及单位电量运行成本有关；结合投资成本和维护成本，可以设定目标函数，以实现能量交换的最优化。在最小化问题中，可以将投资成本和维护成本相加作为目标函数。
在一种可选的实施方式中，
设定第一目标函数和第一约束条件还包括：
按照如下公式设定所述第一目标函数：
；
；
；
其中，C BESS 表示所述储能单元的综合成本；
C ftz 表示第一投资成本，r表示投资回报率，T表示规划使用年限，C 1 、C 2 分别表示单位容量成本和单位功率成本，R i 、P i 分别表示第i个储能单元的容量和第i个储能单元的功率，N BESS 表示配电系统中储能单元的数量；
C fwh 表示第一维护成本，C om 表示单位电量运行维护成本，、/>分别表示第i个储能单元在t时刻的放电功率和充电功率；
按照如下公式设定所述第一约束条件：
；
；
；
其中，表示t时刻储能单元的充电功率，/>表示t时刻储能单元的放电功率，表示储能单元的最大充电功率，/>表示储能单元的最大放电功率，/>表示t时刻储能单元的容量，/>表示储能单元的额定容量，/>表示储能单元的最小荷电状态，/>表示储能单元的最大荷电状态。
通过考虑储能单元的投资成本、维护成本以及能量成本，所设计的目标函数能够实现经济效益的最大化，系统会自动调整充放电策略，以在电能成本和储能系统成本之间找到最佳平衡点。考虑储能单元的投资回报率和规划使用年限，系统能够在长期内实现投资回报；储能系统的规划和运营能够更具可持续性，适应长期的能源市场和技术变化；通过对充放电功率、效率等因素的综合考虑，储能单元能够以高效的方式对能量进行储存和释放；这有助于优化能源资源的利用，减少浪费，从而提高系统效率；约束条件的设置确保在任何时间步骤内，储能单元的充放电功率和容量都不会超出设定的限制，这有助于保持储能系统的稳定运行，避免过度放电或充电造成的问题。
在一种可选的实施方式中，
基于所获取的储能单元的特性参数建立所述储能单元的等效电路模型，通过最小二乘法对所述等效电路模型进行参数辨识，并基于状态估计算法对所述等效电路模型进行状态估计，确定所述储能单元的荷电状态信息；
配电网将大电网的电能传输给用户，为使配电网的运行更加稳定、管理更加高效，配电自动化系统的建设便显得尤为重要。配电自动化系统主要应用于中低压配电网、变电站，通过运用现代通信技术、计算机运算技术及相关自动化设备等手段，对配电网实时用户数据、线路传输数据、离线数据等进行监控和采集，并使其融入地理位置信息、配电网网架结构及管理信息，得以形成一个完整的体系。配电自动化的出现使配电网的管理更加规范，其功能提高了配电网正常运行的安全可靠性，同时可在某处发生故障后，通过配电终端技术对故障区域快速定位、隔离，并快速恢复非故障区域的供电。
蓄电池储能系统来对能量进行存储和调度，它的并网运行可以平滑可再生能源产生的电力，参与需求响应，进而实现对系统可用资源的控制调度。为了确保系统稳定运行，保证能源管理系统可靠性、经济性，需要建立蓄电池储能系统的等效模型进而对蓄电池储能系统进行状态估计来实现对系统运行状态进行监测。
示例性地，储能单元的特性参数可以包括电池容量、额定电压、内阻等，储能单元的特性参数可以分析电池的充放电特性，包括充放电效率、自放电率、循环寿命等；本申请中储能单元的等效电路模型可以包括R-C模型，使用电阻（R）和电容（C）来表示电池的内阻和极化现象，这种模型可以较好地描述电池的瞬态响应和动态特性。
在一种可选的实施方式中，
确定所述储能单元的荷电状态信息包括：
通过递推最小二乘法将等效电路模型中的关系式转换为频域表达式，并将所述频域表达式中电压参数、电流参数以及初始荷电状态作为状态变量，构建所述等效电路模型的状态空间表达式；
确定所述状态空间表达式在当前时刻各个状态变量的先验估计值，以及等效电路模型的系统噪声对应的协方差矩阵，结合所述等效电路模型对应的卡尔曼增益矩阵对所述先验估计值进行更新确定后验估计值，将进行更新后的初始荷电状态作为所述等效电路模型的荷电状态信息。
具体地，本申请以蓄电池为例说明储能单元的等效电路模型，图2为本申请储能单元的等效电路模型的示意图，其中，U(oc)表示储能单元的开路电压，i表示储能单元的电流，R 0 表示储能单元的欧姆内阻，R 1 表示储能单元的极化电阻，C 1 表示储能单元的极化电容，u 1 表示储能单元的极化电压，R 2 表示储能单元的浓差极化电阻，C 2 表示储能单元的浓差极化电容，u 2 表示储能单元的浓差极化电压，i R1 表示电化学极化过程的电流，i R2 表示浓差极化过程的电流。
示例性地，蓄电池的电池内部存在着极化反应，其中包括浓差极化过程和电化学极化过程。由于极化反应产生的原理不同，在电池中两种反应对电池的影响也不相同，故需要两个 RC 回路来表征两种不同的极化过程，进而显现电池的内部状态。R 1 和C 1 组成的RC回路表征蓄电池内部的电化学极化过程，R 2 和C 2 组成的RC回路表征蓄电池内部的浓差极化过程。
其中，储能单元的等效电路模型如下公式所示：
；
；/>；
u cell (t)表示t时刻对外输出电压。
对蓄电池储能系统的等效电路模型进行建立之后，若要对模型的合理性进行验证分析，则需要对系统模型的参数进行辨识。蓄电池储能系统模型中的参数对于后续的状态估计来说是必不可少的要素。本申请通过最小二乘法对所述等效电路模型进行参数辨识，具体地，
利用递推最小二乘法将等效电路模型的时间域关系式转换为频域表达式，得到电压参数、电流参数和初始荷电状态作为状态变量的状态空间表达式；递推最小二乘法（Recursive Least Squares，RLS）是一种用于逐步估计线性模型参数的方法，在储能单元的等效电路模型中，使用递推最小二乘法，可以将时间域关系式转换为频域表达式，进而得到状态空间表达式。
示例性地，以储能单元为电池为例，等效电路模型的时间域关系式可以表示为：
；
其中，V(t)表示t时刻的电池电压，V oc (SOC)表示电池的开路电压，是和SOC相关的函数，IR(t)表示t时刻电池内阻引起的电压降，V r (t)表示噪声项，是和电压相关的函数。
等效电路模型的频域表达式可以表示为：
；
其中，V(f)表示t时刻的电池电压的频域表示，I(f)表示电池电流的频域表示，R (f)表示电池电阻的频域表示，V r (f)表示噪声项的频域表示。
通过递推最小二乘法将等效电路模型中的关系式转换为频域表达式，并将所述频域表达式中电压参数、电流参数以及初始荷电状态作为状态变量，构建所述等效电路模型的状态空间表达式；
确定所述状态空间表达式在当前时刻各个状态变量的先验估计值，以及等效电路模型的系统噪声对应的协方差矩阵，结合所述等效电路模型对应的卡尔曼增益矩阵对所述先验估计值进行更新确定后验估计值，将进行更新后的初始荷电状态作为所述等效电路模型的荷电状态信息。
本申请的状态估计算法包括扩展卡尔曼滤波（Extend Kalman Filter，EKF），考虑到系统为非线性的情况，在基本卡尔曼滤波的基础上对非线性系统进行泰勒展开，将非线性函数线性化为线性函数来表征系统状态再对其进行状态估计。
通过电路等效模型的状态空间表达式，综合考虑电压参数、电流参数和初始荷电状态等多个变量，使用卡尔曼滤波进行状态估计，可以实现对储能单元荷电状态的准确估计；卡尔曼滤波在估计过程中考虑了系统和测量噪声的协方差矩阵，通过优化卡尔曼增益，有效地抑制噪声对估计结果的影响。这有助于提高荷电状态估计的稳定性和准确性，尤其在实际工作环境中有利于数据处理的可靠性。
S102. 基于所述配电系统中已安装的配电终端的数量、配电终端的运维折算率以及配电终端安装投资所需的成本，设定第二目标函数，并且设定与所述第二目标函数对应的第二约束条件；
在一种可选的实施方式中，
按照如下公式设定所述第二目标函数：
；
；
；
C TE 表示所述配电终端的综合成本；
C stz 表示所述配电终端的第二投资成本，r表示投资回报率，T表示规划使用年限，N TE 表示配电系统中配电终端的数量，C dk 表示第k个配电终端对应的建设成本C d ；
C syw 表示所述配电终端的第二维护成本，D表示维护折旧率；
所述第二约束条件包括可靠性约束、潮流约束以及功率平衡约束中至少一种。
示例性地，本申请的第二目标函数是以配电终端的投资成本和维护成本的和进行表示的，其中，配电终端的投资成本综合了投资回报率和建设成本，维护成本则综合考虑了维护折旧率，通过上述公式能够准确地确定与配电终端相关的成本。
本申请的方案考虑了配电终端的建设和维护成本，综合成本计算方式能够更准确地反映配电终端在其整个使用寿命周期内的费用情况，从而指导决策者做出更明智的选择；设定的约束条件中包括可靠性约束，确保配电系统在各种操作情况下都能够保持稳定运行，这有助于提高系统的可靠性，减少故障风险；约束条件中的潮流和功率平衡约束确保了系统中的电力流动和供需平衡，这有助于保持系统的电力平衡，避免过载和电力不足问题。
S103. 综合所述第一目标函数和所述第二目标函数，结合所述第一约束条件和所述第二约束条件，通过多目标优化算法优化所述储能单元的充、放电策略以及配电终端的安装数量，实现最小化所述第一目标函数和所述第二目标函数之和。
示例性地，本申请的多目标优化算法可以包括模型预测控制（Model PredictiveControl，MPC）算法或者基于遗传算法和模拟退火算法结合的启发式算法，用于解决多目标求解的问题。
在一种可选的实施方式中，
通过多目标优化算法优化所述储能单元的充、放电策略以及配电终端的安装数量，实现最小化所述第一目标函数和所述第二目标函数之和包括：
将所述第一目标函数、所述第二目标函数以及所述第一约束条件、所述第二约束条件中待求解的变量作为优化变量，通过优化求解器构建优化目标函数；
将对所述优化目标函数的求解结果作为所述储能单元的充、放电策略以及配电终端的安装数量，迭代求解所述优化目标函数，直至所述第一目标函数和所述第二目标函数之和最小化。
示例性地，可以将待求解的变量作为优化变量，也即要找到的最优解，即最小化目标函数时对应的变量值；根据最小化所述第一目标函数和所述第二目标函数之和这一技术目标，构建优化求解器对应的优化目标函数，其中，优化目标函数如下公式所示：
其中，f(X)表示优化目标函数，表示优化变量对应的转置值，X表示优化变量，表示优化目标函数的线性参数，Q表示Hessian矩阵的对称矩阵。
将对所述优化目标函数的求解结果作为所述储能单元的充、放电策略以及配电终端的安装数量，迭代求解所述优化目标函数，得到多个求解结果，将多个求解结果对应的第一目标函数和所述第二目标函数之和中，两个目标函数之和最小的求解结果作为最终求解结果。
在一种可选的实施方式中，
通过多目标优化算法优化所述储能单元的充、放电策略以及配电终端的安装数量，实现最小化所述第一目标函数和所述第二目标函数之和还包括：
将所述第一目标函数、所述第二目标函数以及所述第一约束条件、所述第二约束条件中待求解的变量作为初始化种群中的个体，
并从所述初始化种群中随机选择个体进行交叉操作，产生新的种群个体，对新的种群个体进行变异操作，确定进行变异操作后新的种群个体的适应度值，并将适应度值大于预设适应度阈值的个体作为父个体；
将所述父个体在下一次迭代中作为新个体，并在所述父个体的邻域中随机对所述父个体增加扰动，生成参考个体；
确定所述父个体与所述参考个体的差值，
若所述差值大于预设参考阈值，则将所述参考个体替换所述父个体；
若所述差值小于预设参考阈值，则结合预设的接受阈值保留所述参考个体，将最终保留的父个体和/或参考个体作为资源调度优化策略。
本申请实施例的多目标优化算法可以是基于遗传算法和模拟退火算法结合的启发式算法，基于生物进化理论的随机化搜索算法，其适用于多维度复杂优化问题，通过模拟自然选择、交叉和变异等进化过程，不断优化种群的适应度值，最终得到全局最优解或近似最优解，在资源调度优化中，可以将每个资源作为一个基因，通过交叉和变异操作，生成新的资源组合，然后使用适应度函数对各组合进行评估，不断迭代搜索最优解；使用模拟退火算法对优化结果进行进一步调整，模拟退火算法是一种基于统计物理学的优化算法，通过模拟物质从高温到低温的过程，对优化过程进行全局搜索，在资源调度优化中，可以使用模拟退火算法对遗传算法得到的结果进行扰动和接受概率控制，以避免局部最优解。
示例性地，将第一目标函数、第二目标函数的待求解变量作为初始化种群中的个体，每个个体对应一组可行的优化参数；随机选择一对父个体，通过交叉操作产生新的种群个体，可以使用单点交叉、多点交叉等方法；对新产生的种群个体进行变异操作，以引入随机性，变异可以通过随机改变某些参数的值来实现；
对新的种群个体，根据第一目标函数和第二目标函数的值来计算适应度值，适应度值可以是目标函数值的组合，或者利用规范化方法获得；根据适应度值，选择适应度较高的个体作为父个体，适应度值高于预设适应度阈值的个体将被保留。
对每个父个体，在其邻域中引入一定扰动，生成一个参考个体，这可以通过微小地修改父个体的参数值来实现；计算父个体与参考个体之间的差值，如果差值大于预设参考阈值，将参考个体替换父个体；如果差值小于预设参考阈值，比较适应度值，保留适应度较高的父个体和/或参考个体。
重复执行交叉、变异、适应度计算、选择、生成参考个体、更新父个体和参考个体的操作，进行多代迭代。在达到预设的迭代次数或适应度值满足一定的收敛条件时终止迭代。
具体地，初始化种群大小可以为100；遗传算子参数：交叉率 0.8，变异率 0.1；邻域扰动参数：在每个维度上引入±5% 的随机扰动；迭代次数：50代；预设适应度阈值和预设参考阈值可以根据实际情况设置。
本发明实施例的第二方面，
提供一种与储能单元协调配套的配电自动化系统，图3为本发明实施例与储能单元协调配套的配电自动化系统的结构示意图，包括：
第一单元，用于基于配电系统中储能单元的运行策略，确定所述储能单元的充、放电功率以及与所述充、放电功率对应的充、放电效率，以及所述储能单元的容量以及荷电状态，结合所述储能单元的运行成本，设定第一目标函数，并且设定与所述第一目标函数对应的第一约束条件；
第二单元，用于基于所述配电系统中已安装的配电终端的数量、配电终端的运维折算率以及配电终端安装投资所需的成本，设定第二目标函数，并且设定与所述第二目标函数对应的第二约束条件；
第三单元，用于综合所述第一目标函数和所述第二目标函数，结合所述第一约束条件和所述第二约束条件，通过多目标优化算法优化所述储能单元的充、放电策略以及配电终端的安装数量，实现最小化所述第一目标函数和所述第二目标函数之和。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种与储能单元协调配套的配电自动化方法，其特征在于，包括：
基于配电系统中储能单元的运行策略，确定所述储能单元的充、放电功率以及与所述充、放电功率对应的充、放电效率，以及所述储能单元的容量以及荷电状态，结合所述储能单元的运行成本，设定第一目标函数，并且设定与所述第一目标函数对应的第一约束条件；
基于所述配电系统中已安装的配电终端的数量、配电终端的运维折算率以及配电终端安装投资所需的成本，设定第二目标函数，并且设定与所述第二目标函数对应的第二约束条件；
综合所述第一目标函数和所述第二目标函数，结合所述第一约束条件和所述第二约束条件，通过多目标优化算法优化所述储能单元的充、放电策略以及配电终端的安装数量，实现最小化所述第一目标函数和所述第二目标函数之和。
2.根据权利要求1所述的方法，其特征在于，设定第一目标函数和第一约束条件包括：
根据所述储能单元的容量以及单位容量成本，所述储能单元的额定功率以及额定功率成本，结合所述储能单元的投资回报率，以及所述储能单元的规划使用年限，确定所述储能单元的第一投资成本；
基于所述储能单元的充、放电功率以及与所述充、放电功率对应的充、放电效率，结合所述储能单元的单位电量运行成本，确定所述储能单元的第一维护成本；
结合所述投资成本和所述维护成本设定第一目标函数；
所述第一约束条件包括任意时刻的充电功率不得超过储能单元的最大充电功率、任意时刻的放电功率不得超过储能单元的最大放电功率以及任意时刻的储能单元的容量不得超过预设容量范围中至少一种。
3.根据权利要求2所述的方法，其特征在于，设定第一目标函数和第一约束条件还包括：
按照如下公式设定所述第一目标函数：
；
；
；
其中，C BESS 表示所述储能单元的综合成本；
C ftz 表示第一投资成本，r表示投资回报率，T表示规划使用年限，C 1 、C 2 分别表示单位容量成本和单位功率成本，R i 、P i 分别表示第i个储能单元的容量和第i个储能单元的功率，N BESS 表示配电系统中储能单元的数量；
C fwh 表示第一维护成本，C om 表示单位电量运行维护成本，、/>分别表示第i个储能单元在t时刻的放电功率和充电功率；
按照如下公式设定所述第一约束条件：
；
；
；
其中，表示t时刻储能单元的充电功率，/>表示t时刻储能单元的放电功率，表示储能单元的最大充电功率，/>表示储能单元的最大放电功率，/>表示t时刻储能单元的容量，/>表示储能单元的额定容量，/>表示储能单元的最小荷电状态，/>表示储能单元的最大荷电状态。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所获取的储能单元的特性参数建立所述储能单元的等效电路模型，通过最小二乘法对所述等效电路模型进行参数辨识，并基于状态估计算法对所述等效电路模型进行状态估计，确定所述储能单元的荷电状态信息；
其中，确定所述储能单元的荷电状态信息包括：
通过递推最小二乘法将等效电路模型中的关系式转换为频域表达式，并将所述频域表达式中电压参数、电流参数以及初始荷电状态作为状态变量，构建所述等效电路模型的状态空间表达式；
确定所述状态空间表达式在当前时刻各个状态变量的先验估计值，以及等效电路模型的系统噪声对应的协方差矩阵，结合所述等效电路模型对应的卡尔曼增益矩阵对所述先验估计值进行更新确定后验估计值，将进行更新后的初始荷电状态作为所述等效电路模型的荷电状态信息。
5.根据权利要求1所述的方法，其特征在于，设定第二目标函数和第二约束条件包括：
按照如下公式设定所述第二目标函数：
；
；
；
C TE 表示所述配电终端的综合成本；
C stz 表示所述配电终端的第二投资成本，r表示投资回报率，T表示规划使用年限，N TE 表示配电系统中配电终端的数量，C dk 表示第k个配电终端对应的建设成本C d ；
C syw 表示所述配电终端的第二维护成本，D表示维护折旧率；
所述第二约束条件包括可靠性约束、潮流约束以及功率平衡约束中至少一种。
6.根据权利要求1所述的方法，其特征在于，通过多目标优化算法优化所述储能单元的充、放电策略以及配电终端的安装数量，实现最小化所述第一目标函数和所述第二目标函数之和包括：
将所述第一目标函数、所述第二目标函数以及所述第一约束条件、所述第二约束条件中待求解的变量作为优化变量，通过优化求解器构建优化目标函数；
将对所述优化目标函数的求解结果作为所述储能单元的充、放电策略以及配电终端的安装数量，迭代求解所述优化目标函数，直至所述第一目标函数和所述第二目标函数之和最小化。
7.根据权利要求1所述的方法，其特征在于，通过多目标优化算法优化所述储能单元的充、放电策略以及配电终端的安装数量，实现最小化所述第一目标函数和所述第二目标函数之和还包括：
将所述第一目标函数、所述第二目标函数以及所述第一约束条件、所述第二约束条件中待求解的变量作为初始化种群中的个体，
并从所述初始化种群中随机选择个体进行交叉操作，产生新的种群个体，对新的种群个体进行变异操作，确定进行变异操作后新的种群个体的适应度值，并将适应度值大于预设适应度阈值的个体作为父个体；
将所述父个体在下一次迭代中作为新个体，并在所述父个体的邻域中随机对所述父个体增加扰动，生成参考个体；
确定所述父个体与所述参考个体的差值，
若所述差值大于预设参考阈值，则将所述参考个体替换所述父个体；
若所述差值小于预设参考阈值，则结合预设的接受阈值保留所述参考个体，将最终保留的父个体和/或参考个体作为资源调度优化策略。
8.一种与储能单元协调配套的配电自动化系统，其特征在于，包括：
第一单元，用于基于配电系统中储能单元的运行策略，确定所述储能单元的充、放电功率以及与所述充、放电功率对应的充、放电效率，以及所述储能单元的容量以及荷电状态，结合所述储能单元的运行成本，设定第一目标函数，并且设定与所述第一目标函数对应的第一约束条件；
第二单元，用于基于所述配电系统中已安装的配电终端的数量、配电终端的运维折算率以及配电终端安装投资所需的成本，设定第二目标函数，并且设定与所述第二目标函数对应的第二约束条件；
第三单元，用于综合所述第一目标函数和所述第二目标函数，结合所述第一约束条件和所述第二约束条件，通过多目标优化算法优化所述储能单元的充、放电策略以及配电终端的安装数量，实现最小化所述第一目标函数和所述第二目标函数之和。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311155055.5A CN117175639A (zh) | 2023-09-08 | 2023-09-08 | 与储能单元协调配套的配电自动化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311155055.5A CN117175639A (zh) | 2023-09-08 | 2023-09-08 | 与储能单元协调配套的配电自动化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117175639A true CN117175639A (zh) | 2023-12-05 |
Family
ID=88939208
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311155055.5A Pending CN117175639A (zh) | 2023-09-08 | 2023-09-08 | 与储能单元协调配套的配电自动化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117175639A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110456279A (zh) * | 2019-08-15 | 2019-11-15 | 长安大学 | 一种基于数据驱动模型的动力电池云管理系统 |
| CN111142025A (zh) * | 2019-12-26 | 2020-05-12 | 珠海格力电器股份有限公司 | 一种电池soc估算方法、装置、存储介质及电动汽车 |
| US20210296897A1 (en) * | 2019-11-27 | 2021-09-23 | Robert F. Cruickshank, III | System method and apparatus for providing a load shape signal for power networks |
| CN113723807A (zh) * | 2021-08-30 | 2021-11-30 | 国网山东省电力公司经济技术研究院 | 一种储能与信息系统双层协同规划方法、装置及介质 |
| CN115719957A (zh) * | 2022-11-29 | 2023-02-28 | 东南大学 | 一种应对电压越限的配电信息物理系统协同规划方法 |
| CN115765014A (zh) * | 2022-11-29 | 2023-03-07 | 东南大学 | 一种计及信息物理耦合的配电网储能与数据中心规划方法 |
| CN115841177A (zh) * | 2022-11-29 | 2023-03-24 | 东南大学 | 一种考虑配电网韧性的鲁棒优化方法 |
| CN116094000A (zh) * | 2022-12-02 | 2023-05-09 | 国网山东省电力公司烟台供电公司 | 一种混合储能系统容量与功率配置方法及系统 |
-
2023
- 2023-09-08 CN CN202311155055.5A patent/CN117175639A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110456279A (zh) * | 2019-08-15 | 2019-11-15 | 长安大学 | 一种基于数据驱动模型的动力电池云管理系统 |
| US20210296897A1 (en) * | 2019-11-27 | 2021-09-23 | Robert F. Cruickshank, III | System method and apparatus for providing a load shape signal for power networks |
| CN111142025A (zh) * | 2019-12-26 | 2020-05-12 | 珠海格力电器股份有限公司 | 一种电池soc估算方法、装置、存储介质及电动汽车 |
| CN113723807A (zh) * | 2021-08-30 | 2021-11-30 | 国网山东省电力公司经济技术研究院 | 一种储能与信息系统双层协同规划方法、装置及介质 |
| CN115719957A (zh) * | 2022-11-29 | 2023-02-28 | 东南大学 | 一种应对电压越限的配电信息物理系统协同规划方法 |
| CN115765014A (zh) * | 2022-11-29 | 2023-03-07 | 东南大学 | 一种计及信息物理耦合的配电网储能与数据中心规划方法 |
| CN115841177A (zh) * | 2022-11-29 | 2023-03-24 | 东南大学 | 一种考虑配电网韧性的鲁棒优化方法 |
| CN116094000A (zh) * | 2022-12-02 | 2023-05-09 | 国网山东省电力公司烟台供电公司 | 一种混合储能系统容量与功率配置方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张博;唐巍;蔡永翔;王越;陈璐;: "面向高比例户用光伏消纳的储能系统与通信网络协同规划", 电网技术, no. 10, 17 September 2018 (2018-09-17) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wong et al. | Review on the optimal placement, sizing and control of an energy storage system in the distribution network | |
| Sarshar et al. | Multi-objective energy management of a micro-grid considering uncertainty in wind power forecasting | |
| Yang et al. | Optimal sizing and placement of energy storage system in power grids: A state-of-the-art one-stop handbook | |
| Rahmani-Andebili et al. | Cooperative distributed energy scheduling for smart homes applying stochastic model predictive control | |
| Alqurashi et al. | Treatment of uncertainty for next generation power systems: State-of-the-art in stochastic optimization | |
| Ahmadian et al. | Fuzzy stochastic long-term model with consideration of uncertainties for deployment of distributed energy resources using interactive honey bee mating optimization | |
| Vivas et al. | A suitable state-space model for renewable source-based microgrids with hydrogen as backup for the design of energy management systems | |
| Xie et al. | Microgrid system energy storage capacity optimization considering multiple time scale uncertainty coupling | |
| Samper et al. | Risk assessment in planning high penetrations of solar photovoltaic installations in distribution systems | |
| Jiao et al. | Multi-objective mean-semi-entropy model for optimal standalone micro-grid planning with uncertain renewable energy resources | |
| WO2013141039A1 (ja) | エネルギー管理装置、エネルギー管理方法およびプログラム | |
| Paul et al. | Risk constrained energy efficient optimal operation of a converter governed AC/DC hybrid distribution network with distributed energy resources and volt-VAR controlling devices | |
| Masteri et al. | A fuzzy optimization model for distribution system asset planning with energy storage | |
| CN110518580A (zh) | 一种考虑微网主动优化的主动配电网运行优化方法 | |
| Galvani et al. | A multi-objective probabilistic approach for smart voltage control in wind-energy integrated networks considering correlated parameters | |
| Xu et al. | Stochastic multi-objective optimization of photovoltaics integrated three-phase distribution network based on dynamic scenarios | |
| CN110635518A (zh) | 一种基于光伏高渗透率的源网荷储优化方法 | |
| Li et al. | A dynamic multi-constraints handling strategy for multi-objective energy management of microgrid based on MOEA | |
| Mohseni et al. | Quantifying the effects of forecast uncertainty on the role of different battery technologies in grid-connected solar photovoltaic/wind/micro-hydro micro-grids: An optimal planning study | |
| Ananth et al. | A review of different optimisation techniques for solving single and multi-objective optimisation problem in power system and mostly unit commitment problem | |
| Wen et al. | Optimal distributed energy storage investment scheme for distribution network accommodating high renewable penetration | |
| CN111325423A (zh) | 一种区域多能源互联运营优化方法和计算设备 | |
| Li et al. | Improving voltage profile of unbalanced Low‐Voltage distribution networks via optimal placement and operation of distributed energy storage systems | |
| CN117175639A (zh) | 与储能单元协调配套的配电自动化方法及系统 | |
| Hoballah et al. | Optimal utilization of automated distributed generation in smart grid using genetic algorithm |
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 |