CN117543706A - 一种基于微电网风光储系统的混合储能配置方法及系统 - Google Patents
一种基于微电网风光储系统的混合储能配置方法及系统 Download PDFInfo
- Publication number
- CN117543706A CN117543706A CN202410022162.9A CN202410022162A CN117543706A CN 117543706 A CN117543706 A CN 117543706A CN 202410022162 A CN202410022162 A CN 202410022162A CN 117543706 A CN117543706 A CN 117543706A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- particle
- wind
- power
- hybrid
- 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 225
- 238000000034 method Methods 0.000 title claims abstract description 81
- 239000002245 particle Substances 0.000 claims abstract description 93
- 238000005457 optimization Methods 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 239000003990 capacitor Substances 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000000739 chaotic effect Effects 0.000 claims description 7
- 238000007599 discharging Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000009827 uniform distribution Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 7
- 238000010521 absorption reaction Methods 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- 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
- 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
- H02J2300/28—The renewable source being wind energy
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于微电网风光储系统的混合储能配置方法及系统，方法包括：对风光历史数据中的各个风光功率与对应时刻的负荷历史数据中的各个负荷功率做差，得到净负荷曲线；分解净负荷曲线得到高频分量以及低频分量；根据储能蓄电池吸收低频分量以及根据储能超级电容吸收高频分量，并在第一约束条件中以储能系统年综合成本最小为第一目标函数构建第一优化模型，以及在第二约束条件中以系统年净收益最优为第二目标函数构建第二优化模型，使形成混合储能配置优化双层模型；基于预设的改进粒子群算法对混合储能配置优化双层模型进行求解。实现了考虑混合储能成本以及最大配置收益的混合储能配置。
Description
技术领域
本发明属于混合储能技术领域，尤其涉及一种基于微电网风光储系统的混合储能配置方法及系统。
背景技术
电网用电往往有高峰期和低谷期，导致用电负荷不平衡，所以，需要进行电力调峰，使得峰谷趋于平衡。
储能电池具有响应速度快、调节方式灵活的特点，对于电力调峰，短时供电、电能质量等方面都有一定的改善。近年来利用大规模储能电池参与电网调频的技术迅猛发展，而目前大多数采用单一锂电池、超级电容或者蓄电池进行电网调频，不能兼顾到调频效果和经济指标。虽然锂电池的能量密度高，但是化学反应寿命较短。超级电容功率密度比锂电池更高，但由于造价太高，不能大面积使用。在采用蓄电池和超级电容的混合储能配置中，如何考虑混合储能成本，并得到最大配置收益是亟待解决的技术问题。
发明内容
本发明提供一种基于微电网风光储系统的混合储能配置方法及系统，用于解决采用蓄电池和超级电容的混合储能配置中，如何考虑混合储能成本，并得到最大配置收益是亟待解决的技术问题。
第一方面，本发明提供一种基于微电网风光储系统的混合储能配置方法，所述微电网风光储系统包括储能蓄电池以及储能超级电容，包括：
获取在预设时间段内的风光历史数据以及负荷历史数据；
对所述风光历史数据中的各个风光功率与对应时刻的所述负荷历史数据中的各个负荷功率做差，得到净负荷曲线；
根据经验模态法分解所述净负荷曲线得到高频分量以及低频分量；
根据所述储能蓄电池吸收所述低频分量以及根据所述储能超级电容吸收所述高频分量，并在第一约束条件中以储能系统年综合成本最小为第一目标函数构建第一优化模型，以及在第二约束条件中以系统年净收益最优为第二目标函数构建第二优化模型，使形成混合储能配置优化双层模型；
基于预设的改进粒子群算法对所述混合储能配置优化双层模型进行求解，得到混合储能最优配置方案，其中，所述改进粒子群算法具体为：
设定改进粒子群算法的算法参数，所述算法参数包括种群大小、迭代次数、学习因子和收敛精度；
使用Tent映射来产生混沌序列，对种群进行初始化，使得初始解在解空间内具有均匀的分布函数，计算公式为：
，
，
式中，为种群数，/>为当前迭代次数，/>为粒子位置的上限，/>为粒子位置的下限，/>为粒子第k+1次迭代的速度，/>为粒子第k次迭代的速度，/>为粒子第k次迭代的位置；
针对每个粒子，计算每个粒子的适应度，并将得到的适应度与每个粒子自身的最优值进行比较，得到新的优化值和全局最佳位置；
根据将惯性权重调整为凹函数递减的策略以及预设的学习因子对每个粒子的速度和位置进行迭代更新；
若迭代次数达到设定值或精度达到收敛精度，则求解结束，将得到的最优解作为最终解。
第二方面，本发明提供一种基于微电网风光储系统的混合储能配置系统，所述微电网风光储系统包括储能蓄电池以及储能超级电容，所述混合储能配置系统包括：
获取模块，配置为获取在预设时间段内的风光历史数据以及负荷历史数据；
计算模块，配置为对所述风光历史数据中的各个风光功率与对应时刻的所述负荷历史数据中的各个负荷功率做差，得到净负荷曲线；
分解模块，配置为根据经验模态法分解所述净负荷曲线得到高频分量以及低频分量；
构建模块，配置为根据所述储能蓄电池吸收所述低频分量以及根据所述储能超级电容吸收所述高频分量，并在第一约束条件中以储能系统年综合成本最小为第一目标函数构建第一优化模型，以及在第二约束条件中以系统年净收益最优为第二目标函数构建第二优化模型，使形成混合储能配置优化双层模型；
求解模块，配置为基于预设的改进粒子群算法对所述混合储能配置优化双层模型进行求解，得到混合储能最优配置方案，其中，所述改进粒子群算法具体为：
设定改进粒子群算法的算法参数，所述算法参数包括种群大小、迭代次数、学习因子和收敛精度；
使用Tent映射来产生混沌序列，对种群进行初始化，使得初始解在解空间内具有均匀的分布函数，计算公式为：
，
，
式中，为种群数，/>为当前迭代次数，/>为粒子位置的上限，/>为粒子位置的下限，/>为粒子第k+1次迭代的速度，/>为粒子第k次迭代的速度，/>为粒子第k次迭代的位置；
针对每个粒子，计算每个粒子的适应度，并将得到的适应度与每个粒子自身的最优值进行比较，得到新的优化值和全局最佳位置；
采用将惯性权重调整为凹函数递减的策略对每个粒子的速度和位置进行迭代更新；
若迭代次数达到设定值或精度达到收敛精度，则求解结束，将得到的最优解作为最终解。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的基于微电网风光储系统的混合储能配置方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的基于微电网风光储系统的混合储能配置方法的步骤。
本申请的基于微电网风光储系统的混合储能配置方法及系统，在第一约束条件中以储能系统年综合成本最小为第一目标函数构建第一优化模型，以及在第二约束条件中以系统年净收益最优为第二目标函数构建第二优化模型，使形成混合储能配置优化双层模型，实现了考虑混合储能成本以及最大配置收益的混合储能配置，并且基于改进粒子群算法对混合储能配置优化双层模型进行求解，得到混合储能最优配置方案。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明一实施例提供的一种基于微电网风光储系统的混合储能配置方法的流程图；
图2为本发明一实施例提供的一种基于微电网风光储系统的混合储能配置系统的结构框图；
图3是本发明一实施例提供的电子设备的结构示意图。
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作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。
请参阅图1，其示出了本申请的一种基于微电网风光储系统的混合储能配置方法的流程图。
如图1所示，基于微电网风光储系统的混合储能配置方法具体包括以下步骤：
步骤S101，获取在预设时间段内的风光历史数据以及负荷历史数据。
步骤S102，对所述风光历史数据中的各个风光功率与对应时刻的所述负荷历史数据中的各个负荷功率做差，得到净负荷曲线。
步骤S103，根据经验模态法分解所述净负荷曲线得到高频分量以及低频分量。
步骤S104，根据所述储能蓄电池吸收所述低频分量以及根据所述储能超级电容吸收所述高频分量，并在第一约束条件中以储能系统年综合成本最小为第一目标函数构建第一优化模型，以及在第二约束条件中以系统年净收益最优为第二目标函数构建第二优化模型，使形成混合储能配置优化双层模型。
在本步骤中，第一约束条件包括储能容量约束，储能容量约束的表达式为：
，
，
式中，为储能蓄电池最小容量，/>为储能蓄电池t时刻的容量，/>为储能蓄电池最大容量，/>为储能超级电容最小容量，/>为储能超级电容t时刻的容量，/>为储能超级电容最大容量；
在第一约束条件中以储能系统年综合成本最小为第一目标函数的表达式为：
，
，
式中，为以储能系统年综合成本最小的第一目标函数，/>为满足微网运行需求的混合储能系统的投资成本，/>为满足微网运行需求的混合储能系统的运行维护成本，/>为储能系统维护成本，/>为处理费用，/>为储能蓄电池购置成本，/>为储能超级电容购置成本。
第二约束条件包括功率平衡约束、混合储能SOC约束以及储能充放电功率约束；
功率平衡约束的表达式为：
，
式中，为储能蓄电池t时刻的功率，/>为储能超级电容t时刻的功率，/>为光电t时刻的功率，/>为风电t时刻的功率，为负荷t时刻的功率；
混合储能SOC约束的表达式为：
，
，
式中，为储能蓄电池最小荷电状态，/>为储能蓄电池t时刻荷电状态，/>为储能蓄电池最大荷电状态，/>为储能超级电容最小荷电状态，为储能超级电容t时刻荷电状态，/>为储能超级电容最大荷电状态；
储能充放电功率约束的表达式为：
，
式中，为储能蓄电池储能充放电功率的下限，/>为储能蓄电池储能充放电功率的上限；
在第二约束条件中以系统年净收益最优为第二目标函数的表达式为：
，
式中，为在第二约束条件中以系统年净收益最优的第二目标函数，/>为储能系统运行总年限，/>为储能系统运行年限，/>为储能投资日收益，/>为典型日计取天数，/>为投资收益率，/>为初始投资成本。
步骤S105，基于预设的改进粒子群算法对所述混合储能配置优化双层模型进行求解，得到混合储能最优配置方案。
在本步骤中，改进粒子群算法具体为：设定改进粒子群算法的算法参数，算法参数包括种群大小、迭代次数、学习因子和收敛精度；使用Tent映射来产生混沌序列，对种群进行初始化，使得初始解在解空间内具有均匀的分布函数，计算公式为：，/>，式中，/>为种群数，/>为当前迭代次数，/>为粒子位置的上限，/>为粒子位置的下限，/>为粒子第k+1次迭代的速度，/>为粒子第k次迭代的速度，/>为粒子第k次迭代的位置；针对每个粒子，计算每个粒子的适应度，并将得到的适应度与每个粒子自身的最优值进行比较，得到新的优化值和全局最佳位置；根据将惯性权重调整为凹函数递减的策略以及预设的学习因子对每个粒子的速度和位置进行迭代更新；其中，计算学习因子的表达式为：，/>，式中，/>为学习因子/>的初始值，/>为学习因子/>的终值，/>为学习因子/>的初始值，/>为学习因子/>的终值，/>为当前迭代的次数，/>为迭代次数最大值；将惯性权重调整为凹函数递减的策略的数学模型表达式为：，式中，/>为当前权重值，/>为权重的起始值，/>为权重的终止值。若迭代次数达到设定值或精度达到收敛精度，则求解结束，将得到的最优解作为最终解。
在实际应用中，基于预设的改进粒子群算法对混合储能配置优化双层模型进行求解，得到混合储能最优配置方案包括：初始化粒子位置和速度，即储能蓄电池的功率和容量、储能超级电容的功率和容量，作为第二优化模型的输入；以第二目标函数和第二约束条件优化混合储能配置，并将混合储能配置结果反馈至第一优化模型；第一优化模型根据第一约束条件和第一目标函数，迭代更新储能蓄电池的功率和容量、储能超级电容的功率和容量。
综上，本申请的方法，在第一约束条件中以储能系统年综合成本最小为第一目标函数构建第一优化模型，以及在第二约束条件中以系统年净收益最优为第二目标函数构建第二优化模型，使形成混合储能配置优化双层模型，实现了考虑混合储能成本以及最大配置收益的混合储能配置，并且基于预设的改进粒子群算法对所述混合储能配置优化双层模型进行求解，得到混合储能最优配置方案。
请参阅图2，其示出了本申请的一种基于微电网风光储系统的混合储能配置系统的结构框图。
如图2所示，混合储能配置系统200，包括获取模块210、计算模块220、分解模块230、构建模块240以及求解模块250。
其中，获取模块210，配置为获取在预设时间段内的风光历史数据以及负荷历史数据；计算模块220，配置为对所述风光历史数据中的各个风光功率与对应时刻的所述负荷历史数据中的各个负荷功率做差，得到净负荷曲线；分解模块230，配置为根据经验模态法分解所述净负荷曲线得到高频分量以及低频分量；构建模块240，配置为根据所述储能蓄电池吸收所述低频分量以及根据所述储能超级电容吸收所述高频分量，并在第一约束条件中以储能系统年综合成本最小为第一目标函数构建第一优化模型，以及在第二约束条件中以系统年净收益最优为第二目标函数构建第二优化模型，使形成混合储能配置优化双层模型；求解模块250，配置为基于预设的改进粒子群算法对所述混合储能配置优化双层模型进行求解，得到混合储能最优配置方案。
应当理解，图2中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图2中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的基于微电网风光储系统的混合储能配置方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
获取在预设时间段内的风光历史数据以及负荷历史数据；
对所述风光历史数据中的各个风光功率与对应时刻的所述负荷历史数据中的各个负荷功率做差，得到净负荷曲线；
根据经验模态法分解所述净负荷曲线得到高频分量以及低频分量；
根据所述储能蓄电池吸收所述低频分量以及根据所述储能超级电容吸收所述高频分量，并在第一约束条件中以储能系统年综合成本最小为第一目标函数构建第一优化模型，以及在第二约束条件中以系统年净收益最优为第二目标函数构建第二优化模型，使形成混合储能配置优化双层模型；
基于预设的改进粒子群算法对所述混合储能配置优化双层模型进行求解，得到混合储能最优配置方案，其中，所述改进粒子群算法具体为：
设定改进粒子群算法的算法参数，所述算法参数包括种群大小、迭代次数、学习因子和收敛精度；
使用Tent映射来产生混沌序列，对种群进行初始化，使得初始解在解空间内具有均匀的分布函数，计算公式为：
，
，
式中，为种群数，/>为当前迭代次数，/>为粒子位置的上限，/>为粒子位置的下限，/>为粒子第k+1次迭代的速度，/>为粒子第k次迭代的速度，/>为粒子第k次迭代的位置；
针对每个粒子，计算每个粒子的适应度，并将得到的适应度与每个粒子自身的最优值进行比较，得到新的优化值和全局最佳位置；
根据将惯性权重调整为凹函数递减的策略以及预设的学习因子对每个粒子的速度和位置进行迭代更新；
若迭代次数达到设定值或精度达到收敛精度，则求解结束，将得到的最优解作为最终解。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于微电网风光储系统的混合储能配置系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至基于微电网风光储系统的混合储能配置系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图3是本发明实施例提供的电子设备的结构示意图，如图3所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图3中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例基于微电网风光储系统的混合储能配置方法。输入装置330可接收输入的数字或字符信息，以及产生与基于微电网风光储系统的混合储能配置系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于基于微电网风光储系统的混合储能配置系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
获取在预设时间段内的风光历史数据以及负荷历史数据；
对所述风光历史数据中的各个风光功率与对应时刻的所述负荷历史数据中的各个负荷功率做差，得到净负荷曲线；
根据经验模态法分解所述净负荷曲线得到高频分量以及低频分量；
根据所述储能蓄电池吸收所述低频分量以及根据所述储能超级电容吸收所述高频分量，并在第一约束条件中以储能系统年综合成本最小为第一目标函数构建第一优化模型，以及在第二约束条件中以系统年净收益最优为第二目标函数构建第二优化模型，使形成混合储能配置优化双层模型；
基于预设的改进粒子群算法对所述混合储能配置优化双层模型进行求解，得到混合储能最优配置方案，其中，所述改进粒子群算法具体为：
设定改进粒子群算法的算法参数，所述算法参数包括种群大小、迭代次数、学习因子和收敛精度；
使用Tent映射来产生混沌序列，对种群进行初始化，使得初始解在解空间内具有均匀的分布函数，计算公式为：
，
，
式中，为种群数，/>为当前迭代次数，/>为粒子位置的上限，/>为粒子位置的下限，/>为粒子第k+1次迭代的速度，/>为粒子第k次迭代的速度，/>为粒子第k次迭代的位置；
针对每个粒子，计算每个粒子的适应度，并将得到的适应度与每个粒子自身的最优值进行比较，得到新的优化值和全局最佳位置；
根据将惯性权重调整为凹函数递减的策略以及预设的学习因子对每个粒子的速度和位置进行迭代更新；
若迭代次数达到设定值或精度达到收敛精度，则求解结束，将得到的最优解作为最终解。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上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精神和范围。
Claims (8)
1.一种基于微电网风光储系统的混合储能配置方法，所述微电网风光储系统包括储能蓄电池以及储能超级电容，其特征在于，包括：
获取在预设时间段内的风光历史数据以及负荷历史数据；
对所述风光历史数据中的各个风光功率与对应时刻的所述负荷历史数据中的各个负荷功率做差，得到净负荷曲线；
根据经验模态法分解所述净负荷曲线得到高频分量以及低频分量；
根据所述储能蓄电池吸收所述低频分量以及根据所述储能超级电容吸收所述高频分量，并在第一约束条件中以储能系统年综合成本最小为第一目标函数构建第一优化模型，以及在第二约束条件中以系统年净收益最优为第二目标函数构建第二优化模型，使形成混合储能配置优化双层模型；
基于预设的改进粒子群算法对所述混合储能配置优化双层模型进行求解，得到混合储能最优配置方案，其中，所述改进粒子群算法具体为：
设定改进粒子群算法的算法参数，所述算法参数包括种群大小、迭代次数、学习因子和收敛精度；
使用Tent映射来产生混沌序列，对种群进行初始化，使得初始解在解空间内具有均匀的分布函数，粒子的速度和位置更新公式为：
，
，
式中，为种群数，/>为当前迭代次数，/>为粒子位置的上限，/>为粒子位置的下限，/>为粒子第k+1次迭代的速度，/>为粒子第k次迭代的速度，/>为粒子第k次迭代的位置；
针对每个粒子，计算每个粒子的适应度，并将得到的适应度与每个粒子自身的最优值进行比较，得到新的优化值和全局最佳位置；
根据将惯性权重调整为凹函数递减的策略以及预设的学习因子对每个粒子的速度和位置进行迭代更新；
若迭代次数达到设定值或精度达到收敛精度，则求解结束，将得到的最优解作为最终解。
2.根据权利要求1所述的一种基于微电网风光储系统的混合储能配置方法，其特征在于，其中，计算所述学习因子的表达式为：
，
，
式中，为学习因子/>的初始值，/>为学习因子/>的终值，/>为学习因子/>的初始值，/>为学习因子/>的终值，/>为当前迭代的次数，/>为迭代次数最大值；
将惯性权重调整为凹函数递减的策略的数学模型表达式为：
，
式中，为当前权重值，/>为权重的起始值，/>为权重的终止值。
3.根据权利要求1所述的一种基于微电网风光储系统的混合储能配置方法，其特征在于，所述第一约束条件包括储能容量约束，所述储能容量约束的表达式为：
，
，
式中，为储能蓄电池最小容量，/>为储能蓄电池t时刻的容量，/>为储能蓄电池最大容量，/>为储能超级电容最小容量，/>为储能超级电容t时刻的容量，/>为储能超级电容最大容量；
在第一约束条件中以储能系统年综合成本最小为第一目标函数的表达式为：
，
，
式中，为以储能系统年综合成本最小的第一目标函数，/>为满足微网运行需求的混合储能系统的投资成本，/>为满足微网运行需求的混合储能系统的运行维护成本，为储能系统维护成本，/>为处理费用，/>为储能蓄电池购置成本，/>为储能超级电容购置成本。
4.根据权利要求1所述的一种基于微电网风光储系统的混合储能配置方法，其特征在于，所述第二约束条件包括功率平衡约束、混合储能SOC约束以及储能充放电功率约束；
所述功率平衡约束的表达式为：
，
式中，为储能蓄电池t时刻的功率，/>为储能超级电容t时刻的功率，/>为光电t时刻的功率，/>为风电t时刻的功率，/>为负荷t时刻的功率；
所述混合储能SOC约束的表达式为：
，
，
式中，为储能蓄电池最小荷电状态，/>为储能蓄电池t时刻荷电状态，为储能蓄电池最大荷电状态，/>为储能超级电容最小荷电状态，/>为储能超级电容t时刻荷电状态，/>为储能超级电容最大荷电状态；
所述储能充放电功率约束的表达式为：
，
式中，为储能蓄电池储能充放电功率的下限，/>为储能蓄电池储能充放电功率的上限；
在第二约束条件中以系统年净收益最优为第二目标函数的表达式为：
，
式中，为在第二约束条件中以系统年净收益最优的第二目标函数，/>为储能系统运行总年限，/>为储能系统运行年限，/>为储能投资日收益，/>为典型日计取天数，/>为投资收益率，/>为初始投资成本。
5.根据权利要求1所述的一种基于微电网风光储系统的混合储能配置方法，其特征在于，所述基于预设的改进粒子群算法对所述混合储能配置优化双层模型进行求解，得到混合储能最优配置方案包括：
初始化粒子位置和速度，即储能蓄电池的功率和容量、储能超级电容的功率和容量，作为所述第二优化模型的输入；
以所述第二目标函数和所述第二约束条件优化混合储能配置，并将混合储能配置结果反馈至所述第一优化模型；
所述第一优化模型根据所述第一约束条件和所述第一目标函数，迭代更新储能蓄电池的功率和容量、储能超级电容的功率和容量。
6.一种基于微电网风光储系统的混合储能配置系统，所述微电网风光储系统包括储能蓄电池以及储能超级电容，其特征在于，所述混合储能配置系统包括：
获取模块，配置为获取在预设时间段内的风光历史数据以及负荷历史数据；
计算模块，配置为对所述风光历史数据中的各个风光功率与对应时刻的所述负荷历史数据中的各个负荷功率做差，得到净负荷曲线；
分解模块，配置为根据经验模态法分解所述净负荷曲线得到高频分量以及低频分量；
构建模块，配置为根据所述储能蓄电池吸收所述低频分量以及根据所述储能超级电容吸收所述高频分量，并在第一约束条件中以储能系统年综合成本最小为第一目标函数构建第一优化模型，以及在第二约束条件中以系统年净收益最优为第二目标函数构建第二优化模型，使形成混合储能配置优化双层模型；
求解模块，配置为基于预设的改进粒子群算法对所述混合储能配置优化双层模型进行求解，得到混合储能最优配置方案，其中，所述改进粒子群算法具体为：
设定改进粒子群算法的算法参数，所述算法参数包括种群大小、迭代次数、学习因子和收敛精度；
使用Tent映射来产生混沌序列，对种群进行初始化，使得初始解在解空间内具有均匀的分布函数，计算公式为：
，
，
式中，为种群数，/>为当前迭代次数，/>为粒子位置的上限，/>为粒子位置的下限，/>为粒子第k+1次迭代的速度，/>为粒子第k次迭代的速度，/>为粒子第k次迭代的位置；
针对每个粒子，计算每个粒子的适应度，并将得到的适应度与每个粒子自身的最优值进行比较，得到新的优化值和全局最佳位置；
采用将惯性权重调整为凹函数递减的策略对每个粒子的速度和位置进行迭代更新；
若迭代次数达到设定值或精度达到收敛精度，则求解结束，将得到的最优解作为最终解。
7.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5任一项所述的方法。
8.一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，所述程序被处理器执行时实现权利要求1至5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410022162.9A CN117543706A (zh) | 2024-01-08 | 2024-01-08 | 一种基于微电网风光储系统的混合储能配置方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410022162.9A CN117543706A (zh) | 2024-01-08 | 2024-01-08 | 一种基于微电网风光储系统的混合储能配置方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117543706A true CN117543706A (zh) | 2024-02-09 |
Family
ID=89786486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410022162.9A Pending CN117543706A (zh) | 2024-01-08 | 2024-01-08 | 一种基于微电网风光储系统的混合储能配置方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117543706A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117791662A (zh) * | 2024-02-27 | 2024-03-29 | 华北电力大学 | 一种混合储能容量分配方法、系统、电子设备及介质 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101980470A (zh) * | 2010-10-03 | 2011-02-23 | 鲁东大学 | 一种基于混沌粒子群优化的ofdm系统资源分配算法 |
| CN104600728A (zh) * | 2014-12-29 | 2015-05-06 | 国网新疆电力公司经济技术研究院 | 一种平抑风电功率波动的混合储能容量配置优化方法 |
| CN107658889A (zh) * | 2017-10-12 | 2018-02-02 | 上海应用技术大学 | 一种基于改进的粒子群算法的低压无功补偿计算方法 |
| CN108656117A (zh) * | 2018-05-21 | 2018-10-16 | 武汉理工大学 | 一种多约束条件下最优时间的机械臂空间轨迹优化方法 |
| CN109300507A (zh) * | 2018-09-04 | 2019-02-01 | 大连大学 | 基于粒子群的混沌入侵杂草算法的dna编码序列优化方法 |
| CN109510234A (zh) * | 2018-10-23 | 2019-03-22 | 许继集团有限公司 | 一种微电网储能电站的混合储能容量优化配置方法及装置 |
| CN110601179A (zh) * | 2019-08-16 | 2019-12-20 | 南京理工大学 | 风电参与调频的受端电网消纳优化方法 |
| CN112084652A (zh) * | 2020-09-07 | 2020-12-15 | 中国电力工程顾问集团西北电力设计院有限公司 | 一种风光储互补发电系统容量配置计算方法及系统 |
| CN112103946A (zh) * | 2020-08-20 | 2020-12-18 | 西安理工大学 | 一种基于粒子群算法的微电网储能优化配置方法 |
| CN113657034A (zh) * | 2021-08-16 | 2021-11-16 | 郑州轻工业大学 | 基于改进粒子群优化神经网络算法的变压器油温预测方法 |
| 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 |
| CN114169117A (zh) * | 2021-12-13 | 2022-03-11 | 国家电网有限公司 | 一种基于改进粒子群算法的输电网扩展规划方法 |
| CN114597926A (zh) * | 2022-03-14 | 2022-06-07 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种微电网混合储能优化配置方法及装置 |
| CN114648085A (zh) * | 2021-06-07 | 2022-06-21 | 沈阳航空航天大学 | 基于改进粒子群、人工鱼群算法混合式泊车路径规划方法 |
| CN115173453A (zh) * | 2022-08-02 | 2022-10-11 | 华北电力大学（保定） | 一种储能辅助电网调峰的优化配置方法 |
| CN115986794A (zh) * | 2023-01-12 | 2023-04-18 | 内蒙古电力(集团)有限责任公司 | 一种消纳风光的混合储能容量优化配置方法 |
-
2024
- 2024-01-08 CN CN202410022162.9A patent/CN117543706A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101980470A (zh) * | 2010-10-03 | 2011-02-23 | 鲁东大学 | 一种基于混沌粒子群优化的ofdm系统资源分配算法 |
| CN104600728A (zh) * | 2014-12-29 | 2015-05-06 | 国网新疆电力公司经济技术研究院 | 一种平抑风电功率波动的混合储能容量配置优化方法 |
| CN107658889A (zh) * | 2017-10-12 | 2018-02-02 | 上海应用技术大学 | 一种基于改进的粒子群算法的低压无功补偿计算方法 |
| CN108656117A (zh) * | 2018-05-21 | 2018-10-16 | 武汉理工大学 | 一种多约束条件下最优时间的机械臂空间轨迹优化方法 |
| CN109300507A (zh) * | 2018-09-04 | 2019-02-01 | 大连大学 | 基于粒子群的混沌入侵杂草算法的dna编码序列优化方法 |
| CN109510234A (zh) * | 2018-10-23 | 2019-03-22 | 许继集团有限公司 | 一种微电网储能电站的混合储能容量优化配置方法及装置 |
| CN110601179A (zh) * | 2019-08-16 | 2019-12-20 | 南京理工大学 | 风电参与调频的受端电网消纳优化方法 |
| CN112103946A (zh) * | 2020-08-20 | 2020-12-18 | 西安理工大学 | 一种基于粒子群算法的微电网储能优化配置方法 |
| CN112084652A (zh) * | 2020-09-07 | 2020-12-15 | 中国电力工程顾问集团西北电力设计院有限公司 | 一种风光储互补发电系统容量配置计算方法及系统 |
| 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 |
| CN114648085A (zh) * | 2021-06-07 | 2022-06-21 | 沈阳航空航天大学 | 基于改进粒子群、人工鱼群算法混合式泊车路径规划方法 |
| CN113657034A (zh) * | 2021-08-16 | 2021-11-16 | 郑州轻工业大学 | 基于改进粒子群优化神经网络算法的变压器油温预测方法 |
| CN114169117A (zh) * | 2021-12-13 | 2022-03-11 | 国家电网有限公司 | 一种基于改进粒子群算法的输电网扩展规划方法 |
| CN114597926A (zh) * | 2022-03-14 | 2022-06-07 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种微电网混合储能优化配置方法及装置 |
| CN115173453A (zh) * | 2022-08-02 | 2022-10-11 | 华北电力大学（保定） | 一种储能辅助电网调峰的优化配置方法 |
| CN115986794A (zh) * | 2023-01-12 | 2023-04-18 | 内蒙古电力(集团)有限责任公司 | 一种消纳风光的混合储能容量优化配置方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王娟;王致杰;赵刘亮;庄石榴;: "基于改进群搜索优化算法的综合能源系统运行优化", 上海电机学院学报, no. 01, 25 February 2020 (2020-02-25) * |
| 邹恩;辛建涛;林兰;龚昕;林锦钱;: "修正的混沌粒子群算法求解经济负荷分配", 江西师范大学学报(自然科学版), no. 05, 15 September 2013 (2013-09-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117791662A (zh) * | 2024-02-27 | 2024-03-29 | 华北电力大学 | 一种混合储能容量分配方法、系统、电子设备及介质 |
| CN117791662B (zh) * | 2024-02-27 | 2024-05-17 | 华北电力大学 | 一种混合储能容量分配方法、系统、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
| CN110350523B (zh) | 基于需求响应的多能源互补优化调度方法 | |
| WO2018059096A1 (zh) | 一种多类电源发电计划组合决策方法及存储介质 | |
| CN117543706A (zh) | 一种基于微电网风光储系统的混合储能配置方法及系统 | |
| CN105260797A (zh) | 一种计及经济性评估的微网储能电站规划控制方法 | |
| CN104377724A (zh) | 提高风电/光伏混合储能系统经济性的协调优化控制方法 | |
| CN107910884B (zh) | 电池储能平抑光伏发电大爬坡事件的在线控制方法 | |
| CN105896575B (zh) | 基于自适应动态规划的百兆瓦储能功率控制方法及系统 | |
| CN112994085A (zh) | 基于麻雀搜索算法的微电网储能优化调度方法 | |
| CN113224758A (zh) | 光储充电站的储能充放电的控制方法、系统、设备及介质 | |
| CN115733180A (zh) | 基于自适应模态数vmd算法的混合储能系统调频控制方法及系统 | |
| 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 | |
| CN114201916A (zh) | 一种基于参数优化的微网混合储能系统剩余功率分解方法 | |
| CN111146793B (zh) | 基于功率特征提取的光伏-储能系统容量优化设计方法及系统 | |
| CN115940284B (zh) | 一种考虑分时电价的新能源制氢系统的运行控制策略 | |
| CN115986794A (zh) | 一种消纳风光的混合储能容量优化配置方法 | |
| CN110854910A (zh) | 一种高比例光伏并网下火电机组爬坡压力缓解方法 | |
| CN107104429B (zh) | 一种计及分布式储能系统的电力系统负荷调度方法 | |
| CN113410900B (zh) | 基于自适应差分鲸鱼优化的微电网hess优化配置方法及系统 | |
| Zhou et al. | Voltage regulation based on deep reinforcement learning algorithm in distribution network with energy storage system | |
| Yang et al. | Multi-source scheduling method on supply side of microgrid based on reinforcement learning algorithm | |
| CN115603342B (zh) | 一种计及源网协同的微电网中混合储能规划方法及系统 | |
| CN117060491B (zh) | 风光混合储能系统的运行优化方法、系统、介质及设备 | |
| CN114240125A (zh) | 一种分布式储能电站在线、自适应的电能调度优化方法 | |
| CN108964141B (zh) | 一种基于多微网互联系统自适应协同运行控制方法 |
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 |