CN117394405A - 基于负荷平滑的混合储能配置方法 - Google Patents

基于负荷平滑的混合储能配置方法 Download PDF

Info

Publication number
CN117394405A
CN117394405A CN202311144189.7A CN202311144189A CN117394405A CN 117394405 A CN117394405 A CN 117394405A CN 202311144189 A CN202311144189 A CN 202311144189A CN 117394405 A CN117394405 A CN 117394405A
Authority
CN
China
Prior art keywords
load
energy storage
peak
charge
formula
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
CN202311144189.7A
Other languages
English (en)
Inventor
卞海红
符云
彭闪
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 Institute of Technology
Original Assignee
Nanjing Institute of Technology
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 Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202311144189.7A priority Critical patent/CN117394405A/zh
Publication of CN117394405A publication Critical patent/CN117394405A/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • 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
    • H02J3/12—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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Power Engineering (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本发明公开了一种基于负荷平滑的混合储能配置优化方法，包括如下步骤：选用负荷数据作为储能配置对象；按高频分量最大尖峰时刻划分尖峰负荷与基准负荷，使用超级电容对尖峰负荷配置，配置后的负荷与基准负荷相加得到合成负荷，再次将合成负荷分解为次高频分量与次低频分量，采用锂电池与铅碳电池分别对次高、低频分量进行配置；在两部制分时电价的背景下，搭建基于改进麻雀搜索算法的混合储能配置模型，外层以储能设备全寿命周期内最大净收益为目标,得到了储能额定容量、充放电功率,内层以日调度周期内最大收益为目标,得到各时间段的充放电量。本发明可以优化负荷特性、提高系统的经济效益。

Description

基于负荷平滑的混合储能配置方法
技术领域
本发明属于储能领域，涉及一种基于负荷平滑的混合储能配置方法。
背景技术
随着经济的迅速发展，随着环境问题的日益严重，以前采用的高能耗与高排放发展形式已不能适用于现在这个时代，现在的社会发展需要重点考虑环境保护和能源节约。一个单一的能量存储结构通常受到功能约束，混合能量存储结构优化是必要的，以满足不同层次的能量存储需求的综合能源系统。
混合储能通过储能电池对分解后的高、低频数据配置可以达到平滑负荷的作用，也可以在一定程度上达到消减尖峰负荷作用，但削峰程度还不够显著。尖峰负荷随着经济发展所占比重不断上升，负荷的尖峰化越来越明显，影响着电力系统的平稳运行，因此有必要针对抑制尖峰负荷做一些策略的改变。在求解配置模型采用的优化算法中，麻雀搜索算法(Sparrow Search Algorithm，SSA)是一种优化种群智能的新方法，然而，基础麻雀搜索算法随机选择种群位置，而且麻雀种群往往会在迭代过程中累积，这种现象会导致算法没有足够的种群多样性，导致算法出现收敛性能低、局部挖掘和全局探索能力不平衡的问题，经过对麻雀算法的研究，绝大多数作者都对麻雀算法的发现者阶段位置更新公式进行了改进或替换，这说明麻雀算法在发现者阶段的位置更新能力确实不佳，因此需要采用改进的方法增强麻雀算法在发现者位置更新阶段的全局搜索能力，提升了麻雀算法的寻优能力。
发明内容
1.所要解决的技术问题：
如何使混合储能可以平滑负荷波动、提高系统的经济效益。
2.技术方案：
为了解决以上问题，本发明提供了一种基于负荷平滑的混合储能配置方法，包括如下步骤：
步骤A、选用负荷数据作为储能配置对象。
步骤B、使用RLMD分解算法将负荷数据分解成高、低频分量。
步骤C、按高频分量最大尖峰时刻划分尖峰负荷与基准负荷。
步骤D、使用超级电容对尖峰负荷配置，配置后的负荷与基准负荷相加得到合成负荷；
步骤E、再次使用分解算法将合成负荷分解为次高频分量与次低频分量，采用锂电池与铅碳电池分别对次高、低频分量进行配置；
步骤F、在两部制分时电价的背景下，搭建基于改进麻雀搜索算法的混合储能配置模型，外层以储能设备全寿命周期内最大净收益为目标,得到了储能额定容量、充放电功率,内层以日调度周期内最大收益为目标,得到各时间段的充放电量。
步骤G、基于尖峰负荷划分的配置与直接高、低频分量配置后的净收益、额定容量、负荷削峰情况相比较。
所述步骤A中，所述负荷数据表示为如下形式：
L＝[L1,L2,L3,···,Ln]
式中L为n组大用户日负荷数据，每组数据间隔15分钟采样一次，一组数据包含96个数据点。
所述步骤A中，先采用聚类算法对原始负荷数据聚类，经过聚类，得到K类负荷数据，根据负荷特性指标包括日负荷率、日峰谷差率、最小负荷率、尖峰负荷持续时间，筛选迎峰特性强，负荷波动大，负荷数目多的最具需量节费潜力的负荷类型。
所述步骤B中，RLMD分解算法是将信号分解成一系列的乘积函数分量PF，函数分量PF分量从原始信号分离出来时，得到信号的残差分量uk(t)，将分解出的乘积函数分量PF与残差分量uk(t)，经RLMD分解得到3个乘积函数分量PF分量与一个残差分量RES,根据频率的高低看出个分量的频率情况，将PF1作为高频分量Xh(t)，将PF2、PF3、RES作为低频分量Xl(t)。
所述步骤C中，高频分量Xh(t)对应大用户尖峰负荷，尖峰功率在最大需量负荷所对应的时间为t′，对最大负荷尖峰进行消减，因低负荷时段尖峰负荷不会影响到最大负荷，所以对于低负荷时段的负荷尖峰则不需要消减，根据t′时刻的最大负荷尖峰Xh(t′)的值为分割线，将高频负荷Xh(t)划分为分割线以上的为尖峰负荷Ppel(t)与分割线以下的为基准负荷Pbal(t)。
所述步骤D中，在得到尖峰负荷Ppel(t)与基准负荷Pbal(t)后，使用超级电容对尖峰负荷进行配置，将配置后的负荷与基准负荷Pbal(t)，相加得到合成负荷Psyl(t)。
所述步骤E中，再次使用RLMD分解算法将合成负荷分解得到次高频分量X′h(t)与次低频分量X′l(t)，最后使用锂电池与铅碳电池分别配置次高、低频分量。
8.根据权利要求1所述的一种基于负荷平滑的混合储能配置方法，其特征在于，所述步骤F中，搭建基于改进麻雀搜索算法的双层配置模型，采用改进麻雀搜索算法与CPLEX求解双层优化模型，外层使用改进麻雀搜索算法，目标函数为全生命周期最大净收益,寻找最优的储能额定容量Emax、充放电功率Pmax，内层目标函数为日调度周期最大收益,结合外层Emax、Pmax，对一天中各个时刻充放电策略进行寻优，然后将内层最优充放电策略返回到外层，计算其适应度值，得到最优解，算法详细步骤如下：
(1)初始化麻雀种群，设置探索者、追随者与警戒者规模比例，设置预警值和安全值，读取储能技术指标参数；
(2)设置规模为100的种群S，S中的每一个个体都含有储能额定容量、充放电功率信息；
(3)调用CPLEX，获得S中的每个麻雀在日调度周期内最优充放电策略；
(4)根据储能的充放电策略，储能额定容量、功率计算S中每个麻雀适应度值然后筛选，挑选出最优值和最差值；
(5)更新种群中探索者、追随者的位置，然后随机选择警戒者并更新其位置，得到新的种群S′，计算其适应度值；
(6)比较适应度值是否优于上一次的最优值，优于的话并且要满足终止条件(足够好的位置或达到最大迭代次数)，不满足的话在最新种群的基础上重复步骤(3)～(5)，直到满足终止条件为止，得到最终优化结果，
通过储能优化配置，调节峰谷差，消减负荷尖峰，对大用户负荷需量管理，从中获取收益，收益来源包括峰谷套利和需量控制，峰谷套利指利用储能电池在谷时将电能存储，在峰时将电池中存储的电能释放，由于峰谷电价差，获得收益，或考虑在平时存储电能，在峰时释放电能，得到峰平电价收益，储能配置系统完整充放电的峰谷套利收益如式所示：
Pbat＝Pdis+Pch
式中Pdis、Pch分别为储能的放电、充电功率，Pdis小于0，Pch大于0；Cinc,f为储能全寿命周期内总的峰谷套利收益；T储能的总寿命时长；t＝1,2，…，T；W为一年中的12个月；Q为一个日调度周期内的总时段，为24h，每个时间段为15min；Δt＝15min；q＝96为时间段；d(q)为每个时间段的电价；Pbat(q)为每个时间段充放电功率；G(w)为第w月的天数；ir为通货膨胀率；dr为贴现率，
两部制电价下的需量控制，需量电费根据用户最大需量与基本电价每月收取，通过储能装置补偿大用户峰值功率，降低了负载的月最大需量，对大用户进行需量管理并获得收益，如式所示，
式中Cinc,j为全寿命周期内的削峰收益；δm削峰率；fzm(w)为削峰前的负荷峰值；a为基本容量电费，
其外层全寿命周期内规划模型的目标函数为：
maxFw＝Cinc,f+Cinc,j+Crec-Cinv-Copm
式中Fw为储能系统全寿命周期总收益；Crec为回收价值；Cinv为总投资；Copm为运行维护费用，
Cinv＝Ce·Emax+CP·Pmax
式中Ce为储能的单位容量造价；Cp为储能的单位充放电功率造价；Emax为储能额定容量；Pmax为储能的额定充放电功率，
Crec＝σ·Cinv
式中σ为储能装置回收系数，
式中Cop为储能设备年运行维护费用，
外层全寿命周期内规划模型的约束条件为：
(1)储能装置投资成本约束
式中为投资成本的最大值，
(2)功率平衡约束
Lbe＝Lof+Pbat
式中Lbe为削峰前的负荷功率；Lof为削峰后的负荷功率，
其内层日调度规划模型的目标函数为：
式中Fn为内层日调度周期内的总收益；xflm为负荷削峰率，
内层日调度规划模型的约束条件为：
(1)大用户最大需量约束
Lbe+Pbat≤(1-xflm)×fzm
(2)充放电功率约束
式中放电功率小于0，充电功率大于0，储能装置不会同时进行充放电，所以引入Bdis(i)、Bch(i)为0-1变量，
(3)荷电状态约束
式中SOCmin、SOCmax为荷电状态限值；ηch、ηdis为储能装置充放电效率。
通过以下三个方面对麻雀搜索算法进行改进：
(4)选用均匀性更好的立方混沌映射初始化麻雀种群，公式如下：
式中-1＜yi＜1,yi≠0,i＝0,1,...,N
(5)在探索者阶段加入蝴蝶算法搜索策略，当R2<＝ST的时候，公式如下,第一个公式为麻雀产生香味的数学公式，第二个为位置更新公式，
f＝cIa
xi t+1＝xi t+(r2×g*-xi t)×fi
式中，f是麻雀对食物的感知强度，即食物的味道能够被其他麻雀发现的强度；c是麻雀的感觉模态；I是刺激强度；a是依赖于模态的幂指数，它解释了不同程度食物味道的吸收，在发现者搜索阶段，麻雀朝着食物移动，xi t为第t次迭代时种群中第i只麻雀的位置，r为服从[0,1]均匀分布的随机数，g*为第t次迭代时种群中最优麻雀位置，
(6)依旧是在麻雀算法的探索者阶段，当R2>ST的时候，加入三角形游走策略，在麻雀发现食物后，不需要直接接近食物，可以在食物周围游走，增加麻雀的随机性，三
角形游走策略的公式如下：
定义游走的两条边
L1＝posb(t)-posc(t)
然后定义游走方向β
β＝2×pi×rand()
在采用下述公式求出获得麻雀游走后得到的位置
P＝L1 2+L2 2-2×L1×L2×cos(β)
Posnew＝posb(t)+r×P。
3.有益效果：
1)、本发明采用了基于RLMD分解算法分解负荷数据，能够较好的解决边界条件，包络估计，迭代终止条件的影响，获得反映信号本质特征的有用模式分量；
2)、本发明采用了基于改进麻雀搜索算法的双层储能模型，综合考虑了储能全寿命周期、储能峰谷套利收益、对大用户负荷需量管理并从中获取收益，模型中包含了容量配置与功率配置方法；
3)、本发明采用三个储能电池共同配置策略，更大程度消减了尖峰负荷，提高了系统的稳定性与安全性，平滑负荷波动，经济性良好。
附图说明
图1RLMD分解结果及高、低频分量示意图
图2为配置策略流程示意图。
图3为锂电池与铅碳电池配置的储能充放电功率示意图。
图4为符合本发明储能优化配置方法的流程示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明公开了一种基于需量管理的混合储能配置方法，如图4所示，包括如下步骤：
步骤A、先采用聚类算法对原始负荷数据聚类，再根据负荷特性指标筛选负荷数据。
步骤B、RLMD分解算法是将信号分解成一系列的乘积函数分量PF，函数分量PF分量从原始信号分离出来时，得到信号的残差分量uk(t)，将分解出的乘积函数分量PF与残差分量uk(t)，经RLMD分解得到3个乘积函数分量PF分量与一个残差分量RES,根据频率的高低看出个分量的频率情况，将PF1作为高频分量Xh(t)，将PF2、PF3、RES作为低频分量Xl(t)，如图1(a)(b)(c)分解结果及高、低频分量示意图所示
对于任何复杂的待分析信号x(t)，LMD都可将其分解为若干PF分量与残余项uk(t)之和如式，
LMD的具体分解过程如下
(1)确定信号x(t)中的所有极值点ni，i＝1,2,…，N，并计算均值mi和局部幅值ai：
(2)采用样条插值方法对所有的极大值点和极小值点处理，然后利用RSI算法构造包络函数Eu(t)、El(t)，求局部均值函数m11(t)和局部包络函数a11(t)
(3)将m11(t)从信号x(t)中分离，得到：
h11(t)＝x(t)-m11(t)
(4)用步骤三分离出来的h11(t)除以包络函数a11(t)得到解调后的s11(t)
重复上述步骤，知道出现纯调频信号s1n(t)，纯调频信号s1n(t)计算方式，如式
(5)该分量的包络信号a1(t)为：
(6)计算第一个乘积函数PF1(t)
PF1(t)＝a1(t)s1n(t)
(7)u1(t)作为下一个循环的初始信号，直至uk(t)只剩下一个极值点或为单调函数时则停止分解。
通过上循环迭代，信号x(t)可表示为
鲁棒性均值算法(RLMD),具体优化步骤有边界条件:采用镜像扩展算法确定信号的左端和右端的对称点；包络估计:根据统计理论得到最佳子集；筛选停止原则:最小化误差函数。因此,RLMD可以自动确定移动平均算法的固定子集大小和筛选过程中的最佳筛选迭代次数。
步骤CDE、由RLMD分解得到的高频分量Xh(t)与低频分量Xl(t)，Xh(t)各个时刻功率称为尖峰功率。尖峰功率在最大需量负荷所对应的时间为t′，Xh(t′)为最大负荷尖峰。根据t′时刻的负荷划分，将高频负荷Xh(t)划分为尖峰负荷Ppel(t)与基准负荷Pbal(t)，使用超级电容对尖峰负荷配置，将配置后的负荷与基准负荷相加得到合成负荷Psyl(t)，再次使用RLMD分解算法对合成负荷分解得到次高频分量X′h(t)与次低频分量X′l(t)，最后使用锂电池与铅碳电池分别配置。储能配置策略如图2所示。
步骤F、搭建基于改进麻雀搜索算法的双层配置模型，采用改进麻雀搜索算法与CPLEX求解双层优化模型。外层使用改进麻雀搜索算法，目标函数为全生命周期最大净收益,寻找最优的储能额定容量Emax、充放电功率Pmax。内层目标函数为日调度周期最大收益,结合外层Emax、Pmax，对一天中各个时刻充放电策略进行寻优，然后将内层最优充放电策略返回到外层，计算其适应度值，得到最优解。算法详细步骤如下：
(1)初始化麻雀种群，设置探索者、追随者与警戒者规模比例，设置预警值和安全值，读取储能技术指标参数。
(2)设置规模为100的种群S，S中的每一个个体都含有储能额定容量、充放电功率信息。
(3)调用CPLEX，获得S中的每个麻雀在日调度周期内最优充放电策略。
(4)根据储能的充放电策略，储能额定容量、功率计算S中每个麻雀适应度值然后筛选，挑选出最优值和最差值。
(5)更新种群中探索者、追随者的位置，然后随机选择警戒者并更新其位置，得到新的种群S′，计算其适应度值。
(6)比较适应度值是否优于上一次的最优值，优于的话并且要满足终止条件(足够好的位置或达到最大迭代次数)，不满足的话在最新种群的基础上重复步骤(3)～(5)，直到满足终止条件为止，得到最终优化结果。
通过以下三个方面对麻雀搜索算法进行改进：
(7)选用均匀性更好的立方混沌映射初始化麻雀种群，公式如下：
式中-1＜yi＜1,yi≠0,i＝0,1,...,N
(8)在探索者阶段加入蝴蝶算法搜索策略，当R2<＝ST的时候，公式如下,第一个公式为麻雀产生香味的数学公式，第二个为位置更新公式。
f＝cIa
xi t+1＝xi t+(r2×g*-xi t)×fi
式中，f是麻雀对食物的感知强度，即食物的味道能够被其他麻雀发现的强度；c是麻雀的感觉模态；I是刺激强度；a是依赖于模态的幂指数，它解释了不同程度食物味道的吸收。在发现者搜索阶段，麻雀朝着食物移动。xi t为第t次迭代时种群中第i只麻雀的位置，r为服从[0,1]均匀分布的随机数，g*为第t次迭代时种群中最优麻雀位置。
(9)依旧是在麻雀算法的探索者阶段，当R2>ST的时候，加入三角形游走策略。在麻雀发现食物后，不需要直接接近食物，可以在食物周围游走，增加麻雀的随机性。三角形游走策略的公式如下：
定义游走的两条边
L1＝posb(t)-posc(t)
然后定义游走方向β
β＝2×pi×rand()
在采用下述公式求出获得麻雀游走后得到的位置
P＝L1 2+L2 2-2×L1×L2×cos(β)
Posnew＝posb(t)+r×P
储能的双层配置模型
其外层全寿命周期内规划模型的目标函数为：
maxFw＝Cinc,f+Cinc,j+Crec-Cinv-Copm
式中Fw为储能系统全寿命周期总收益；Crec为回收价值；Cinv为总投资；Copm为运行维护费用。
Cinv＝Ce·Emax+CP·Pmax
式中Ce为储能的单位容量造价；Cp为储能的单位充放电功率造价；Emax为储能额定容量；Pmax为储能的额定充放电功率。
Crec＝σ·Cinv
式中σ为储能装置回收系数。
式中Cop为储能设备年运行维护费用。
外层全寿命周期内规划模型的约束条件为：
(1)储能装置投资成本约束
式中为投资成本的最大值。
(2)功率平衡约束
Lbe＝Lof+Pbat
式中Lbe为削峰前的负荷功率；Lof为削峰后的负荷功率。
其内层日调度规划模型的目标函数为：
式中Fn为内层日调度周期内的总收益；xflm为负荷削峰率。
内层日调度规划模型的约束条件为：
(1)大用户最大需量约束
Lbe+Pbat≤(1-xflm)×fzm
(2)充放电功率约束
式中放电功率小于0，充电功率大于0，储能装置不会同时进行充放电，所以引入Bdis(i)、Bch(i)为0-1变量。
(3)荷电状态约束
式中SOCmin、SOCmax为荷电状态限值；ηch、ηdis为储能装置充放电效率
步骤G、将本文的配置策略与基于尖峰负荷划分的配置与直接高、低频分量配置后的净收益、额定容量、负荷削峰情况相比较，锂电池与铅碳电池配置的储能充放电功率如图3所示；
以下为用该本发明方法进行实验的一个实施例：
数据集：江苏省某市大用户电力负荷数据786组；
算例参数：该地区的通货膨胀率为2％，贴现率为10％，基本容量电费为40元/(kW·月)。
表1.大用户峰谷分时电价
表2.储能技术参数指标
实验工具：MATLAB
实验结果：如下表所示。
表3.基于提取尖峰负荷的混合储能配置
表4.基于提取高频分量的混合储能配置
表5.基于三种储能电池共同配置策略
首先由表3、4及表5可知，在净收益方面，基于提取尖峰的混合储能配置总的净收益为363.59万元，基于提取高频分量的混合储能配置净收益为339.83万元，对比表5的净收益为402.11万元，得到基于三种储能电池共同配置策略相较于其他两种储能配置方法系统经济收益更高。容量配置方面，表3配置的总容量为5814kWh,表4容量为4927kWh相较与表5容量5367kWh，表3配置容量最高，总体上三种策略容量配置相差不大。最后负荷削峰方面，表3配置完成后的负荷峰峰值为7528.1kW,表4配置完成的峰峰值为7920.2kW，而表5配置后的负荷峰峰值为7205.2kW，可得到基于三种储能电池共同配置策略的消减尖峰最显著，更有效的平滑负荷，提高系统经济效益。

Claims (9)

1.一种基于负荷平滑的混合储能配置方法，其特征在于，包括如下步骤：
步骤A、选用负荷数据作为储能配置对象；
步骤B、使用RLMD分解算法将负荷数据分解成高、低频分量；
步骤C、按高频分量最大尖峰时刻划分尖峰负荷与基准负荷；
步骤D、使用超级电容对尖峰负荷配置，配置后的负荷与基准负荷相加得到合成负荷；
步骤E、再次使用分解算法将合成负荷分解为次高频分量与次低频分量，采用锂电池与铅碳电池分别对次高、低频分量进行配置；
步骤F、在两部制分时电价的背景下，搭建基于改进麻雀搜索算法的混合储能配置模型，外层以储能设备全寿命周期内最大净收益为目标,得到了储能额定容量、充放电功率,内层以日调度周期内最大收益为目标,得到各时间段的充放电量；
步骤G、基于尖峰负荷划分的配置与直接高、低频分量配置后的净收益、额定容量、负荷削峰情况相比较。
2.根据权利要求1所述的一种基于负荷平滑的混合储能配置方法，其特征在于，
所述步骤A中，所述负荷数据表示为如下形式：
L＝[L1,L2,L3,···,Ln]
式中L为n组大用户日负荷数据，每组数据间隔15分钟采样一次，一组数据包含96个数据点。
3.根据权利要求1所述的一种基于负荷平滑的混合储能配置方法，其特征在于，所述步骤A中，先采用聚类算法对原始负荷数据聚类，经过聚类，得到K类负荷数据，根据负荷特性指标包括日负荷率、日峰谷差率、最小负荷率、尖峰负荷持续时间，筛选迎峰特性强，负荷波动大，负荷数目多的最具需量节费潜力的负荷类型。
4.根据权利要求1所述的一种基于负荷平滑的混合储能配置方法，其特征在于，所述步骤B中，RLMD分解算法是将信号分解成一系列的乘积函数分量PF，函数分量PF分量从原始信号分离出来时，得到信号的残差分量uk(t)，将分解出的乘积函数分量PF与残差分量uk(t)，经RLMD分解得到3个乘积函数分量PF分量与一个残差分量RES,根据频率的高低看出个分量的频率情况，将PF1作为高频分量Xh(t)，将PF2、PF3、RES作为低频分量Xl(t)。
5.根据权利要求1或4所述的一种基于负荷平滑的混合储能配置方法，其特征在于，所述步骤C中，高频分量Xh(t)对应大用户尖峰负荷，尖峰功率在最大需量负荷所对应的时间为t′，对最大负荷尖峰进行消减，因低负荷时段尖峰负荷不会影响到最大负荷，所以对于低负荷时段的负荷尖峰则不需要消减，根据t′时刻的最大负荷尖峰Xh(t′)的值为分割线，将高频负荷Xh(t)划分为分割线以上的为尖峰负荷Ppel(t)与分割线以下的为基准负荷Pbal(t)。
6.根据权利要求1或5所述的一种基于负荷平滑的混合储能配置方法，其特征在于，所述步骤D中，在得到尖峰负荷Ppel(t)与基准负荷Pbal(t)后，使用超级电容对尖峰负荷进行配置，将配置后的负荷与基准负荷Pbal(t)，相加得到合成负荷Psyl(t)。
7.根据权利要求1所述的一种基于负荷平滑的混合储能配置方法，其特征在于，所述步骤E中，再次使用RLMD分解算法将合成负荷分解得到次高频分量X′h(t)与次低频分量X′l(t)，最后使用锂电池与铅碳电池分别配置次高、低频分量。
8.根据权利要求1所述的一种基于负荷平滑的混合储能配置方法，其特征在于，所述步骤F中，搭建基于改进麻雀搜索算法的双层配置模型，采用改进麻雀搜索算法与CPLEX求解双层优化模型，外层使用改进麻雀搜索算法，目标函数为全生命周期最大净收益,寻找最优的储能额定容量Emax、充放电功率Pmax，内层目标函数为日调度周期最大收益,结合外层Emax、Pmax，对一天中各个时刻充放电策略进行寻优，然后将内层最优充放电策略返回到外层，计算其适应度值，得到最优解，算法详细步骤如下：
(1)初始化麻雀种群，设置探索者、追随者与警戒者规模比例，设置预警值和安全值，读取储能技术指标参数；
(2)设置规模为100的种群S，S中的每一个个体都含有储能额定容量、充放电功率信息；
(3)调用CPLEX，获得S中的每个麻雀在日调度周期内最优充放电策略；
(4)根据储能的充放电策略，储能额定容量、功率计算S中每个麻雀适应度值然后筛选，挑选出最优值和最差值；
(5)更新种群中探索者、追随者的位置，然后随机选择警戒者并更新其位置，得到新的种群S′，计算其适应度值；
(6)比较适应度值是否优于上一次的最优值，优于的话并且要满足终止条件(足够好的位置或达到最大迭代次数)，不满足的话在最新种群的基础上重复步骤(3)～(5)，直到满足终止条件为止，得到最终优化结果，
通过储能优化配置，调节峰谷差，消减负荷尖峰，对大用户负荷需量管理，从中获取收益，收益来源包括峰谷套利和需量控制，峰谷套利指利用储能电池在谷时将电能存储，在峰时将电池中存储的电能释放，由于峰谷电价差，获得收益，或考虑在平时存储电能，在峰时释放电能，得到峰平电价收益，储能配置系统完整充放电的峰谷套利收益如式所示：
Pbat＝Pdis+Pch
式中Pdis、Pch分别为储能的放电、充电功率，Pdis小于0，Pch大于0；Cinc,f为储能全寿命周期内总的峰谷套利收益；T储能的总寿命时长；t＝1,2，…，T；W为一年中的12个月；Q为一个日调度周期内的总时段，为24h，每个时间段为15min；Δt＝15min；q＝96为时间段；d(q)为每个时间段的电价；Pbat(q)为每个时间段充放电功率；G(w)为第w月的天数；ir为通货膨胀率；dr为贴现率，
两部制电价下的需量控制，需量电费根据用户最大需量与基本电价每月收取，通过储能装置补偿大用户峰值功率，降低了负载的月最大需量，对大用户进行需量管理并获得收益，如式所示，
式中Cinc,j为全寿命周期内的削峰收益；δm削峰率；fzm(w)为削峰前的负荷峰值；a为基本容量电费，
其外层全寿命周期内规划模型的目标函数为：
maxFw＝Cinc,f+Cinc,j+Crec-Cinv-Copm
式中Fw为储能系统全寿命周期总收益；Crec为回收价值；Cinv为总投资；Copm为运行维护费用，
Cinv＝Ce·Emax+CP·Pmax
式中Ce为储能的单位容量造价；Cp为储能的单位充放电功率造价；Emax为储能额定容量；Pmax为储能的额定充放电功率，
Crec＝σ·Cinv
式中σ为储能装置回收系数，
式中Cop为储能设备年运行维护费用，
外层全寿命周期内规划模型的约束条件为：
(1)储能装置投资成本约束
式中为投资成本的最大值，
(2)功率平衡约束
Lbe＝Laf+Pbat
式中Lbe为削峰前的负荷功率；Lof为削峰后的负荷功率，
其内层日调度规划模型的目标函数为：
式中Fn为内层日调度周期内的总收益；xflm为负荷削峰率，
内层日调度规划模型的约束条件为：
(1)大用户最大需量约束
Lbe+Pbat≤(1-xflm)×fzm
(2)充放电功率约束
式中放电功率小于0，充电功率大于0，储能装置不会同时进行充放电，所以引入Bdis(i)、Bch(i)为0-1变量，
(3)荷电状态约束
式中SOCmin、SOCmax为荷电状态限值；ηch、ηdis为储能装置充放电效率。
9.如权利要求1所述的一种基于负荷平滑的混合储能配置方法，其特征在于，通过以下三个方面对麻雀搜索算法进行改进：
(1)选用均匀性更好的立方混沌映射初始化麻雀种群，公式如下：
式中-1＜yi＜1,yi≠0,i＝0,1,...,N
(2)在探索者阶段加入蝴蝶算法搜索策略，当R2<＝ST的时候，公式如下,第一个公式为麻雀产生香味的数学公式，第二个为位置更新公式，
f＝cIa
式中，f是麻雀对食物的感知强度，即食物的味道能够被其他麻雀发现的强度；c是麻雀的感觉模态；I是刺激强度；a是依赖于模态的幂指数，它解释了不同程度食物味道的吸收，在发现者搜索阶段，麻雀朝着食物移动，xi t为第t次迭代时种群中第i只麻雀的位置，r为服从[0,1]均匀分布的随机数，g*为第t次迭代时种群中最优麻雀位置，
(3)依旧是在麻雀算法的探索者阶段，当R2>ST的时候，加入三角形游走策略，在麻雀发现食物后，不需要直接接近食物，可以在食物周围游走，增加麻雀的随机性，三角形游走策略的公式如下：
定义游走的两条边
L1＝posb(t)-posc(t)
然后定义游走方向β
β＝2×pi×rand()
在采用下述公式求出获得麻雀游走后得到的位置
P＝L1 2+L2 2-2×L1×L2×cos(β)
Posnew＝posb(t)+r×P。
CN202311144189.7A 2023-09-06 2023-09-06 基于负荷平滑的混合储能配置方法 Pending CN117394405A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311144189.7A CN117394405A (zh) 2023-09-06 2023-09-06 基于负荷平滑的混合储能配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311144189.7A CN117394405A (zh) 2023-09-06 2023-09-06 基于负荷平滑的混合储能配置方法

Publications (1)

Publication Number Publication Date
CN117394405A true CN117394405A (zh) 2024-01-12

Family

ID=89439896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311144189.7A Pending CN117394405A (zh) 2023-09-06 2023-09-06 基于负荷平滑的混合储能配置方法

Country Status (1)

Country Link
CN (1) CN117394405A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117856315A (zh) * 2024-03-05 2024-04-09 宁德时代新能源科技股份有限公司 储能系统的调度方法和调度装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117856315A (zh) * 2024-03-05 2024-04-09 宁德时代新能源科技股份有限公司 储能系统的调度方法和调度装置

Similar Documents

Publication Publication Date Title
CN110071505A (zh) 含大规模风电接入的输电网扩建与储能配置联合规划方法
CN110633854A (zh) 一种考虑储能电池多重分段服务全生命周期优化规划方法
CN117394405A (zh) 基于负荷平滑的混合储能配置方法
CN111244985B (zh) 基于节点综合灵敏度系数的分布式储能序次优化配置方法
CN109861256A (zh) 一种计及全寿命周期成本的配电网储能优化配置方法
CN110929964A (zh) 一种基于近似动态规划算法的含储能配电网优化调度方法
CN110796373A (zh) 面向风电消纳的多阶段场景生成电热系统优化调度方法
CN107273968A (zh) 一种基于动态模糊混沌粒子群的多目标调度方法及装置
CN112803434A (zh) 有源配电网的无功优化方法、装置、设备和存储介质
CN113098008A (zh) 一种基于改进政治优化算法的光储容量优化配置方法
CN116388245A (zh) 光储充一体化电站储能容量配置方法及相关设备
CN106355511A (zh) 考虑新能源与电动汽车接入的主动配电网重构方法
CN116681188B (zh) 综合能源系统优化方法、装置、电子设备及存储介质
CN109635998A (zh) 一种求解带时间窗车辆路径问题的自适应多目标优化方法
CN105470947A (zh) 一种基于量子行为粒子群算法的微电网调度方法
CN108110800A (zh) 风、光、储、热多能柔性互补的有源配电负荷重构方法
CN115600757A (zh) 海上风电共享储能参与现货市场交易协调优化方法及系统
CN116613733A (zh) 计及源荷不确定性的多元能源系统优化调度方法及装置
CN113346501B (zh) 基于头脑风暴算法的配电网电压优化方法及其系统
CN109635999A (zh) 一种基于粒子群-细菌觅食的水电站调度方法及系统
CN115459310A (zh) 基于改进变分模态分解的混合储能容量优化方法及系统
CN112600205B (zh) 充电站储能的配置方法
CN114117930A (zh) 基于ε约束法的并网双储能系统容量优化配置方法
CN114741943A (zh) 一种基于粒子群算法的储能容量配置优化方法
Fatouros et al. A stochastic dual dynamic programming approach for optimal operation of DER aggregators

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication