CN118054446A - 一种基于改进鲸鱼优化算法的储能多阶段优化配置方法 - Google Patents

一种基于改进鲸鱼优化算法的储能多阶段优化配置方法 Download PDF

Info

Publication number
CN118054446A
CN118054446A CN202311701295.0A CN202311701295A CN118054446A CN 118054446 A CN118054446 A CN 118054446A CN 202311701295 A CN202311701295 A CN 202311701295A CN 118054446 A CN118054446 A CN 118054446A
Authority
CN
China
Prior art keywords
energy storage
load
model
configuration
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
Application number
CN202311701295.0A
Other languages
English (en)
Inventor
孙娜
栗庆根
刘旭汉
陈薇
董海鹰
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.)
Cgn Solar Jiayu Pass Co ltd
Lanzhou Jiaotong University
Original Assignee
Cgn Solar Jiayu Pass Co ltd
Lanzhou Jiaotong University
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 Cgn Solar Jiayu Pass Co ltd, Lanzhou Jiaotong University filed Critical Cgn Solar Jiayu Pass Co ltd
Priority to CN202311701295.0A priority Critical patent/CN118054446A/zh
Publication of CN118054446A publication Critical patent/CN118054446A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/28—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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Power Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Accounting & Taxation (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Probability & Statistics with Applications (AREA)
  • Technology Law (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)

Abstract

一种基于改进鲸鱼优化算法的储能多阶段优化配置方法，本申请的优化方法深挖新能源的环境及经济效益，在新能源储能配置的传统优化模型中引入了碳交易机制及需求响应机制,针对用户侧通过需求响应机制建立需求响应模型来引导负荷用户改变自身用电习惯，根据电负荷的性质分为可削减负荷和可转移负荷两种，根据分时电价分别建立相应的需求响应模型，为了保证用户用电舒适性分别考虑了用户用电满意度和负荷转移平均时间，而基于新能源的发电侧将环境效益纳入考虑范围，通过碳减排方式挖掘其经济效益，利用改进鲸鱼优化算法收敛速度快、参数少、应用范围广、避免陷入局部最优、精度高的特点对该模型进行求解，得到储能配置的最优功率和容量。

Description

一种基于改进鲸鱼优化算法的储能多阶段优化配置方法
技术领域
本发明涉及电力系统领域，尤其涉及一种基于改进鲸鱼优化算法的储能多阶段优化配置方法。
背景技术
本申请的优化方法为减少储能配置容量和投资成本，提高储能资源利用率及新能源消纳率，在传统的储能配置优化模型中引入了碳交易机制及需求响应模型，在此基础上进行多阶段优化配置通过建立需求响应模型来引导负荷用户改变自身用电习惯，但由于不同类型的负荷对同一电价格的敏感度存在差异，将电负荷分为可削减负荷和可转移负荷两种，根据分时电价分别建立相应的需求响应模型，从而达到优化负荷曲线，提升系统运行效率、减小储能需求、提高新能源消纳的目的，在考虑经济性的基础上，实现源荷的动态调整，通过优化配置储能资源的方式，实现负荷的需求响应。为充分挖掘可再生能源近零排放的特性，引入由碳排放配额交易和实际碳减排交易两部分构成的碳交易机制，在提高新能源消纳率的同时引导用户通过自行交易碳排放配额的方式，积极参与碳交易市场达到节能减排的目的，根据储能的投资建设周期及长期负荷的储能需求变化，将多阶段的储能优化配置过程中，在缩短储能的建设时间的前提下，动态调整储能配置方案以适应变化的储能需求。
同时在该模型中为了保证用户用电舒适性分别考虑了用户用电满意度和负荷转移平均时间，将新能源环境效益纳入考虑范围，结合储能实际运行情况及并网功率需求，建立以系统收益最大为目标的优化配置模型，在此模型的基础之上，为了实现储能的多阶段优化配置进行负荷的长期概率预测，为动态储能配置方案提供依据。利用改进鲸鱼优化算法收敛速度快、参数少、应用范围广、避免陷入局部最优的特点对该模型进行求解，得到储能配置的最优功率和容量。在保证系统收益最大的前提下，利用储能提高新能源消纳率，在充分发挥可再生能源的环境友好特性的同时充分利用储能资源以提高其利用率，实现经济和环境的双向友好互利。
发明内容
为了解决上述技术问题，本发明提出一种基于改进鲸鱼优化算法的储能多阶段优化配置方法，所述优化方法具体包括以下几个步骤：
S1：在储能多阶段优化配置过程中，负荷的长期预测及引导用户调整用电行为参与储能的优化配置过程，在延缓储能优化配置建设的同时避免超前规划造成储能资源浪费；
S2：针对新能源消纳的场景下，以系统收益最大为目标进行储能优化配置，为充分挖掘可再生能源发电的经济性，考虑可再生能源的碳排放收益，利用碳交易机制实现其收益，有利于拓宽可再生能源发电收益来源；
S3：针对储能多阶段的规划配置，基于负荷概率的长期预测是保证储能多家端优化配置的关键，而负荷的概率模型是对负荷分析建立的，具有实际的应用价值，同时将社会发展的重要因素纳入其中，更贴合社会的需求；
S4：针对储能优化配置过程中，配置场所的不同，其配置模型及考虑因素也会出现变化，本申请综合考虑源侧、网侧及负荷侧的储能优化配置，建立统一的优化配置模型，能够有效的发挥配置储能的作用，有利于对储能的建设及运行；
S5：针对储能多阶段优化配置，将规划层与运行层相结合的方法，利用配置结果模拟收益情况，能很好的反应不同配置的不同阶段的收益情况，有利于决策者直观清晰的了解到多阶段储能优化配置的重要性，结合实际情况做出决策。
S6：多阶段储能优化配置过程中，利用改进鲸鱼优化算法求解，在求解过程中对种群初始化、迭代过程及避免陷入局部最优解方面均进行了不同程度的改进，保证了优化配置结果的准确性，同时大大提高了求解速度，在规划及运行均有一定程度的运用前景。
进一步地，S2中结合新能源发电的低碳环保特性将碳交易收入和售电收入纳入系统储能优化配置模型，新能源消纳系统的储能优化配置模型如式(9)所示：
max I＝Isell+Ic+Iinv-Cin-Cop-Cpu (9)
式中：Isell表示可再生能源上网售电收入；Ic表示新能源场站碳交易收入；Iinv为延缓电网建设的收益；Cin表示储能投资建设成本；Cop表示储能运维成本；Cpu表示新能源场站弃电惩罚成本，
根据新能源出力及并网功率需求，新能源消纳系统的售电收入模型如式(10)所示：
式中：ρt表示分时电价机制下t时刻的实际电价，
结合碳交易机制下碳交易模型，可以得到碳交易收益模型如式(11)所示：
延缓电网建设的收益模型可写为：
式中：Ce为升级扩建所需要的投资；Ydel为延缓电网升级改造的年数；ε为储能的削峰填谷效果系数；w为年负荷的增长率，和分别为首阶段和n阶段的负荷容量最大值，与长期负荷预测相关联，
根据储能投资建设的影响因素，建立其投资成本由储能功率投资成本和容量投资两部分组成，具体模型如式(14)所示：
CIn＝cPPmax+cEEmax (14)
式中：cP、cE分别表示单位储能的功率成本和容量成本系数；Pmax、Emax分别表示储能的最大功率和最大容量，
对储能投资成本需要进行修正和折算，其修正折算系数如式(15)所示，
式中：r表示基准折现率；n表示储能电池规划性寿命；Yd为储能电池年运行天数，
根据储能投资成本修正折算系数，得到储能投资随时间变化的投资成本模型如式(16)所示：
Cin＝c(r,n)·CIn (16)
储能的运维成本如式(17)所示：
COp＝kPPmax+kEEmax (17)
式中：kP为储能电站运行维护时的单位功率成本系数；kE为储能运行维护的单位容量成本系数，
采取估算方式进行运行维护费用建模，具体表达式如式(18)所示：
Cop＝ξCin (18)
式中：ξ表示储能维护成本系数，
弃电惩罚成本模型如式(19)所示：
式中：θt表示t时刻单位功率的弃电惩罚成本系数。
进一步地，步骤三中的长期负荷预测包含一下三个部分：
1.非参数组合回归模型
对经济因素、人口因素、技术因素、市场因素和气候因素中包括的14个具体因素进行Granger因果分析，然后对GDP、三产占比、人均消费支出、常住人口、城镇化率和CPI这6个一维非参数模型根据预测精度进行优先级排序，在此基础上，采用逐步平均组合法对这些一维非参数回归模型进行不同的组合，得到的非参数组合回归模型如下：
式中：mj(·)表示第j个影响变量映射下的一维非参数回归函数；J表示影响变量总数；k表示进行平均组合的模型数目，取1,2,...,J；其中第k个非参数组合回归模型中的k个进行组合的一维非参数回归模型，对组合后的J个非参数组合回归模型的预测精度进行评价，选择其中精度最高的组合模型作为最优非参数组合回归模型，在6个影响因素中选取最优组合回归模型的变量为：GDP、人均消费支出、CPI和城镇化率；
2.基于随机变化率的不确定性建模
用历史变化率的标准差代替未来变化率的波动，未来变化率的均值则按照影响变量是否有规划值来确定：
3)若有未来规划值，结合当前年的时值，求算未来年平均增长率，以此作为未来随机变化率的均值；
4)若没有未来规划值，按历史变化率的均值作为未来变化率均值；
此外，为了模拟未来影响因素的不确定性，对影响因素的随机变化率进行不确定性建模，将等概率抽样得到随机变化率还原为影响变量逐年的等概率值，还原过程如下：
假设对未来T年进行N次模拟，得到随机变化率模拟矩阵R，再通过公式(21)逐年累乘方法得到随机变化率的乘子矩阵M：
M＝prod(R+E) (21)
式中：E表示元素全为1的矩阵；prod表示对前t行(1≤t≤T)逐列进行累乘，将当前年影响变量的时值乘上乘子矩阵M，则可得到影响变量逐年的等概率值，
3.长期负荷概率预测实现流程如下：
1)利用Granger因果分析进行影响因素的多维变量初步筛选，确定变量维数J；
2)对J个变量组成的一维非参数模型根据预测精度进行优先级排序，然后采用逐步平均组合法对不同的非参数模型进行精度校验，确定最优的非参数组合回归模型和对应的影响变量；
3)利用不确定建模流程，对影响变量进行N次等概率模拟，获取未来影响因素等概率序列，将其带入非参数组合回归模型实现长期负荷不同分位点值的概率预测；
进一步地，本申请的新能源消纳系统中的消纳包括并网消纳和储能充电及弃电等方式，因此系统的功率平衡如式(22)所示：
式中：Pgrid,t表示t时刻并网需求功率；
储能优化配置需要考虑储能的实际运行状态，其中储能放电功率、状态以及负荷状态是反映储能的重要因素，所以储能电池运行存在以下约束，如式(23)所示：
式中：δc,t和δd,t分别表示t时刻储能电池的充电状态和放电状态，其取值为0或1；
根据储能电池的充放电功率和充放电状态，可以得到储能电池的连续运行状态下荷电状态及约束条件为：
SOCmin≤SOC(t)≤SOCmax (25)
SOCstart(t)＝SOCend(t) (26)
式中：SOC(t-1)表示t-1时刻储能电池的荷电状态；ηc表示储能电池的充电效率；ηd表示储能电池放电效率；SOCmin表示储能电池最小荷电状态，SOCmax表示储能电池最大荷电状态；SOCstart(t)为一个周期内储能初始时刻荷电状态，SOCend(t)为一个周期内储能最终时刻荷电状态；
为了保证系统的稳定运行及用户侧电能质量，针对不同时刻的电压做出以下约束：
Uimin(t)≤Ui(t)≤Uimax(t) (27)
式中：Ui(t)为系统各节点电压，Uimin(t)和Uimax(t)为节点电压的最小值和最大值；
碳交易机制下计及需求响应时，为了更好的反应用户的用电行为，可转移负荷满足以下约束：
同时，为了保证用户满意度，在时间尺度上，用户负荷转移负荷平均转移时间存在以下约束：
T≤Tmax (30)
式中：T表示用户可转移负荷平均转移时间；Tout、Tin分别表示可转移负荷的转出时间段和转入时间段；Tmax表示用户可以接受的可转移负荷最大平均转移时间；
将用户对用电方式的满意度约束纳入优化配置模型的考虑范围，其具体表示形式如式(31)所示：
ω≥ωmin (32)
式中：ω、ωmin分别表示用户用电满意度和其最小值；
新能源消纳系统的实际运行过程中消纳率需满足以下关系：
θ≥θmin (34)
进一步地，改进鲸鱼优化算法的改进为：通过准反向学习对种群初始化、利用非线性收敛因子更新包围捕食阶段、自适应权重策略与随机差分法变异策略预防陷入局部最优对鲸鱼优化算法进行改进，具体如下：
为保证种群获得更好的初始化种群个体，在鲸鱼优化算法的基础上引入准反向学习，将随机解与准反向解相结合，选取其中最优解，以实现种群的多样性和快速收敛性，其数学模型为：
式中：fit为适应度函数；X和分别表示随机和准反向学习产生的个体向量；
鲸鱼种群中，第i鲸鱼在d维空间中的位置为准反向学习产生的个体位置由准方向解构成，其求解方法为：
式中： 表示第i只鲸鱼在第j维空间中的位置；和分别表示的下边界和上边界，
收敛因子a(t)呈线性变化，在更新迭代过程中无法适应非线性变化过程，引入非线性收敛因子，以充分挖掘其全局搜索能力和局部开发能力，具体实现方式如下式所示：
式中：μ和分别表示其相关参数。
为避免鲸鱼算法陷入局部最优和收敛早熟的现象，提出一种自适应权重策略和随机差分策略，以保证种群的多样性和实现全局最优，自适应权重策略如式(44)，随机差分策略如式：
X(t+1)＝r1×(Xp(t)-X(t))+r2×(X'(t)-X(t)) (45)
式中：为自适应权重与迭代次数之间的关系；X'(t)为种群随机个体的位置向量。
进一步地，改进鲸鱼优化算法的求解流程如下：
11)确定n个阶段，并根据各阶段的不同预测负荷和电源参数，初始化迭代次数；
12)输入新能源发电功率、并网功率需求及价格等系统数据，初始化改进鲸鱼优化算法种群规模、最大迭代次数和螺旋系数等参数；
13)在解空间用准反向学习初始化种群个体；
14)计算最优个体位置和适应度函数值并记录；
15)利用非线性因子更新包围阶段模型，提高全局搜索能力和局部开发能力；
16)采用自适应策略和随机差分法变异策略更新种群最优位置；
17)根据规划层和运行层确定各阶段的储能配置，并模拟相应场景的收益情况，输出收益情况；
18)对比优化过程中的收益变化情况，取最大收益储能配置并记录；
19)当满足迭代终止判断条件时，输出个最优个体位置和适应度函数值；
获取储能电站多阶段优化配置结果、充放电功率和状态。
与现有技术相比，本发明采用上述技术方案所产生的有益效果在于：
(1)本申请中的优化方法为降低储能配置容量及投资成本，提高储能资源利用率及新能源消纳率，在传统的储能配置优化模型中引入了碳交易机制及需求响应模型，将未来储能需求的变化情况纳入考虑范围，基于此进行多阶段优化配置，并通过建立需求响应模型来引导负荷用户改变自身用电习惯，实现源荷双向互动。在现行电价基础上，不同类型的负荷对同一电价格的敏感度存在差异，因此将电负荷分为可削减负荷和可转移负荷两种，根据分时电价分别建立相应的需求响应模型，实现优化负荷曲线，提升系统运行效率、减小储能需求、提高新能源消纳的目的，在考虑经济性的基础上，实现源荷的动态调整，通过优化配置储能资源的方式，实现负荷的需求响应。
(2)为充分挖掘可再生能源近零排放的特性，将碳排放配额交易和实际碳减排交易两部分构成的碳交易机制纳入储能优化配置模型，在提高新能源消纳率的同时拓展新能源发电企业碳交易收入，积极参与碳交易市场达到节能减排的目的，根据储能的投资建设周期及长期负荷的储能需求变化，将多阶段的储能优化配置过程中，在缩短储能的建设时间的前提下，动态调整储能配置方案以适应变化的储能需求。
(3)本申请中为了保证用户用电舒适性分别考虑了用户用电满意度和负荷转移平均时间，将新能源环境效益纳入收益考虑范围，结合储能实际运行情况及并网功率需求，建立以系统收益最大为目标的优化配置模型，在此模型的基础之上，为了实现储能的多阶段优化配置进行负荷的长期概率预测，为动态储能配置方案提供依据，利用改进鲸鱼优化算法收敛速度快、参数少、应用范围广、避免陷入局部最优、精度高的特点对该模型进行求解，得到储能配置的最优功率和容量，在保证系统收益最大的前提下，利用储能提高新能源消纳率，在充分发挥可再生能源的环境友好特性的同时充分利用储能资源以提高其利用率，实现经济和环境的双向友好互利。
附图说明
图1为本发明的碳交易机制下新能能源系统构成拓扑；
图2为本发明的基于随机变化率的不确定建模流程；
图3为本发明的基于改进鲸鱼优化算法的储能多阶段优化配置流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明提供了一种基于改进鲸鱼优化算法的储能多阶段优化配置方法，风力发电和光伏发电作为新能源发电技术的代表，其存在间歇性和波动性，为新型电力系统的稳定运行带来了巨大的挑战，同时新能源出力与负荷需求在时空上的不匹配，造成大量的清洁电能无法得到消纳利用，导致大量的清洁电能浪费。
为了提高新能源利用率，抑制风光出力的间歇性和波动性，利用储能源荷的双重特性，将储能纳入新能源消纳体系，当可再生能源出力大于并网需求时储能作为负荷将盈余的电能储存，当可再生能源出力无法满足并网功率需求时储能作为电源释放其储存的电能，以保证新能源出力持续及稳定，同时可以提高新能源消纳率，减少清洁电能的浪费。本文所提储的储能优化配置方法基于图1新能源消纳场景的系统拓扑展开，在保证新能源消纳的前提下，研究储能的最优配置，以实现系统整体最优的目标。
需求响应模型
需求响应是以电力价格变化为引导或补偿激励的机制下使负荷用户改变自身用电习惯的行为，以实现发电侧与负荷侧动态平衡。价格型需求响应是通过分时电价、实时电价等价格手段引导用户调整其用电行为，而不同类型的负荷对价格的敏感程度存在差异，故将价格型需求响应电负荷分为可削减负荷和可转移负荷两种类型。
1).可削减负荷特性及建模
可削减负荷根据需求响应前后对应时段的电价变化情况，确定其削减负荷的变化量。常采用价格弹性系数描述用户用电行为随价格的变化情况，价格弹性系数构成的弹性系数矩阵中第t行第j列元素的表达形式如式(1)所示：
式中：ΔPL,t表示需求响应后t时刻的负荷变化量；表示需求响应前t时刻初始负荷；Δρj表示需求响应后j时刻电价变化量；表示需求响应前j时刻初始电价。根据弹性系数矩阵，可以得到需求响应后t时刻的可削减负荷变化量如式(2)所示：
式中，为需求响应前t时刻初始可削减负荷量向量；ERL表示可削减负荷价格需求弹性矩阵，为对角阵；ρj表示j时刻电价。
2).可转移负荷特性及建模：
可转移负荷是指用户根据其需求响应电价，通过改变工作时间实现负荷调整。在峰谷平的分时电价机制下，引导用户将负荷高峰时段的负荷需求转移到负荷低谷时段或平时段。根据弹性系数矩阵，结合可削减负荷变化量模型，可以得到可转移负荷变化量如式(3)所示：
式中，表示需求响应前t时刻初始可转移负荷量；ETL表示可转移负荷价格需求弹性矩阵，其为对角阵。
综上所述，考虑可削减负荷和可转移负荷，基于价格型需求响应后的t时刻负荷如式(4)所示：
ΔPL,t＝ΔPRL,t+ΔPTL,t (5)
式中：表示需求响应前t时刻初始负荷；ΔPL,t表示t时刻负荷需求响应变化量。
碳交易机制
1).碳排放配额模型
碳排放配额是碳交易机制的重要组成部分，有利推动碳减排的进一步实施，保证参与者的自身利益，确定碳排放配额是完善碳交易机制的基础。常见的碳交易配方式为无偿分配合有偿分配两种。无偿分配是根据系统的实际情况预先分配免费的碳排放额度，以提高系统参与的积极性和经济性；有偿分配是指系统参与者根据自身碳排放需求支付相应的费用，有利于参与者积极践行碳减排行为，可以进一步提高碳减排量。根据我国的实际情况，碳交易机制目前处于探索的初级阶段，因此无偿分配的碳排放配额是当前及未来的主要形式。新能源消纳场景下，为了充分体现可再生能源近零碳排放甚至零碳排的清洁特性，根据新能源实际出力情况及消纳量构建其碳排放交易模型，在t时刻的系统碳排放配额如式(6)所示：
Qr,t＝κr(Pt WT+Pt PV-Pab,t) (6)
式中，κr表示区域单位电量碳排放配额系数，根据“2019年度减排项目中国区域电网基准线排放因子”规定中系统区域的电量边际(operating margin，OM)排放因子和容量边际(build margin，BM)排放因子加权平均得到；Pt WT表示t时刻风力发电的输出功率；Pt PV表示t时刻光伏发电的输出功率；Pab,t表示新能源消纳系统t时刻的弃电量。
2).减排交易模型
新能源引入碳交易机制，一方面在碳减排背景下有利于推动新能源发电技术的发展，另一方面综合环境等因素考虑其附带效益，充分挖掘经济效益，将其实际消纳情况与碳减排相结合，有利于提升新能源发电的资源利用率。根据新能源消纳系统的消纳情况，t时刻的实际减少的碳排放模型如式(7)所示：
Qac,t＝κac(Pt WT+Pt PV+Pt ba,d-Pt ba,c-Pab,t) (7)
式中，κac表示新能源的碳排放折算系数；Pt ba,c表示t时刻储能电池充电功率；Pt ba,d表示t时刻储能电池放电功率；
为了提高新能源发电参与碳交易市场的积极性，挖掘综合环境等因素的附带效益，结合碳排放配额和碳减排排放量构建碳交易模型如式(8)所示：
IC,t＝ρc(Qr,t+Qac,t) (8)
式中：ρc表示碳交易的市场价格。
储能优化配置模型
碳交易机制下计及需求响应的新能源消纳系统储能优化配置以系统整体收益最大为目标，考虑储能投资及运维成本，同时将新能源弃电惩罚成本引入优化目标，以提高新能源消纳率，结合新能源发电的低碳环保特性将碳交易收入和售电收入纳入系统储能优化配置模型。综上所述，新能源消纳系统的储能优化配置模型如式(9)所示：
max I＝Isell+Ic+Iinv-Cin-Cop-Cpu (9)
式中：Isell表示可再生能源上网售电收入；Ic表示新能源场站碳交易收入；Iinv为延缓电网建设的收益；Cin表示储能投资建设成本；Cop表示储能运维成本；Cpu表示新能源场站弃电惩罚成本。
根据新能源出力及并网功率需求，新能源消纳系统的售电收入模型如式(10)所示：
式中：ρt表示分时电价机制下t时刻的实际电价。
结合碳交易机制下碳交易模型，可以得到碳交易收益模型如式(11)所示：
电力系统升级是为了满足不断增长的负荷需，但利用储能装置在提高风光渗透率的同时实现了削峰填谷，从而延缓了电网建设。虽然各个阶段均由延缓电网升级的作用，但随着时间的推移，多阶段的累加，将导致该收益的重复计算，因此仅在最后阶段进行计算。因此，延缓电网建设的收益模型可写为：
式中：Ce为升级扩建所需要的投资；Ydel为延缓电网升级改造的年数；ε为储能的削峰填谷效果系数；w为年负荷的增长率，和分别为首阶段和n阶段的负荷容量最大值，与长期负荷预测相关联。
储能投资建设是限制储能发展的关键因素，因此建立准确的储能投资成本是保证优化配置结果的关键，根据储能投资建设的影响因素，建立其投资成本由储能功率投资成本和容量投资两部分组成，具体模型如式(14)所示：
CIn＝cPPmax+cEEmax (14)
式中：cP、cE分别表示单位储能的功率成本和容量成本系数；Pmax、Emax分别表示储能的最大功率和最大容量。
鉴于储能建设前期投资成本巨大，且受时间价值的影响，因此需要对储能投资成本进行修正和折算，其修正折算系数如式(15)所示。
式中：r表示基准折现率；n表示储能电池规划性寿命；Yd为储能电池年运行天数。
根据储能投资成本修正折算系数，得到储能投资随时间变化的投资成本模型如式(16)所示：
Cin＝c(r,n)·CIn (16)
储能电池的运行维护是系统支出不可忽视的部分，需要考虑其功率和容量，因此储能的运维成本如式(17)所示：
COp＝kPPmax+kEEmax (17)
式中：kP为储能电站运行维护时的单位功率成本系数；kE为储能运行维护的单位容量成本系数。
在储能设备实际运行过程中，确定其功率维护成本系数和容量维护成本系数存在困难，因此采取估算方式进行运行维护费用建模，具体表达式如式(18)所示：
Cop＝ξCin (18)
式中：ξ表示储能维护成本系数。
为了提高新能源消纳系统的新能源消纳率，将新能源弃电惩罚成本引入系统优化配置模型中，在保证储能经济的前提下，减少新能源的弃电量，弃电惩罚成本模型如式(19)所示：
式中：θt表示t时刻单位功率的弃电惩罚成本系数。
长期负荷预测
1).非参数组合回归模型
长期负荷发展受多个因素共同影响，若采用单个因素映射得到的一维非参数回归模型对长期负荷进行预测，其精度不能满足要求。对经济因素、人口因素、技术因素、市场因素和气候因素中包括的14个具体因素进行Granger因果分析，发现GDP、三产占比、人均消费支出、常住人口、城镇化率和CPI这6个变量与电量序列同阶平稳，再初步增大滞后期，发现这6个变量对电量具有拉动关系或者电量对其有拉动关系，认为这6个变量为电量的Granger因，表明其对长期负荷具有显著驱动作用。然后对这6个一维非参数模型根据预测精度进行优先级排序。在此基础上，采用逐步平均组合法对这些一维非参数回归模型进行不同的组合，得到的非参数组合回归模型如下：
式中：mj(·)表示第j个影响变量映射下的一维非参数回归函数；J表示影响变量总数；k表示进行平均组合的模型数目，取1,2,...,J；其中第k个非参数组合回归模型中的k个进行组合的一维非参数回归模型，对组合后的J个非参数组合回归模型的预测精度进行评价，选择其中精度最高的组合模型作为最优非参数组合回归模型。在6个影响因素中选取最优组合回归模型的变量为：GDP、人均消费支出、CPI和城镇化率。
2).基于随机变化率的不确定性建模
影响因素的不确定性等价于其变化率的不确定性，考虑到影响变量的随机变化率受多个独立的且不能产生支配性的因素共同作用，因此可认为随机变化率近似服从正态分布。用历史变化率的标准差代替未来变化率的波动，未来变化率的均值则按照影响变量是否有规划值来确定：1)若有未来规划值，结合当前年的时值，求算未来年平均增长率，以此作为未来随机变化率的均值。2)若没有未来规划值，按历史变化率的均值作为未来变化率均值。
此外，为了模拟未来影响因素的不确定性，对影响因素的随机变化率进行不确定性建模，将等概率抽样得到随机变化率还原为影响变量逐年的等概率值。还原过程如下：
假设对未来T年进行N次模拟，得到随机变化率模拟矩阵R，再通过公式(21)逐年累乘方法得到随机变化率的乘子矩阵M：
M＝prod(R+E) (21)
式中：E表示元素全为1的矩阵；prod表示对前t行(1≤t≤T)逐列进行累乘。将当前年影响变量的时值乘上乘子矩阵M，则可得到影响变量逐年的等概率值。
3).长期负荷概率预测实现流程如下：
1)利用Granger因果分析进行影响因素的多维变量初步筛选，确定变量维数J。
2)对J个变量组成的一维非参数模型根据预测精度进行优先级排序，然后采用逐步平均组合法对不同的非参数模型进行精度校验，确定最优的非参数组合回归模型和对应的影响变量。
3)利用图2的不确定建模流程，对影响变量进行N次等概率模拟，获取未来影响因素等概率序列，将其带入非参数组合回归模型实现长期负荷不同分位点值的概率预测。
系统约束条件
为保证新能源消纳系统的稳定运行，新能源消纳系统中的消纳包括并网消纳和储能充电及弃电等方式，因此系统的功率平衡如式(22)所示：
Pt WT+Pt PV+Pt ba,d＝Pt ba,c+Pgrid,t+Pab,t (22)
式中：Pgrid,t表示t时刻并网需求功率。
储能优化配置需要考虑储能的实际运行状态，其中储能放电功率、状态以及负荷状态是反映储能的重要因素，所以储能电池运行存在以下约束，如式(23)所示：
式中：δc,t和δd,t分别表示t时刻储能电池的充电状态和放电状态，其取值为0或1。
根据储能电池的充放电功率和充放电状态，可以得到储能电池的连续运行状态下荷电状态及约束条件为：
SOCmin≤SOC(t)≤SOCmax (25)
SOCstart(t)＝SOCend(t) (26)
式中：SOC(t-1)表示t-1时刻储能电池的荷电状态；ηc表示储能电池的充电效率；ηd表示储能电池放电效率；SOCmin表示储能电池最小荷电状态，SOCmax表示储能电池最大荷电状态；SOCstart(t)为一个周期内储能初始时刻荷电状态，SOCend(t)为一个周期内储能最终时刻荷电状态。
为了保证系统的稳定运行及用户侧电能质量，针对不同时刻的电压作出以下约束：
Uimin(t)≤Ui(t)≤Uimax(t) (27)
式中：Ui(t)为系统各节点电压，Uimin(t)和Uimax(t)为节点电压的最小值和最大值。
碳交易机制下计及需求响应时，为了更好的反应用户的用电行为，可转移负荷满足以下约束：
同时，为了保证用户满意度，在时间尺度上，用户负荷转移负荷平均转移时间存在以下约束：
T≤Tmax (30)
式中：T表示用户可转移负荷平均转移时间；Tout、Tin分别表示可转移负荷的转出时间段和转入时间段；Tmax表示用户可以接受的可转移负荷最大平均转移时间。
用户满意度是衡量负荷需求响应的重要指标，同时也反映出用电方式的改变对用户参与需求响应的积极性，因此需要将用户对用电方式的满意度约束纳入优化配置模型的考虑范围，其具体表示形式如式(31)所示：
ω≥ωmin (32)
式中：ω、ωmin分别表示用户用电满意度和其最小值。
新能源消纳系统的储能优化配置是在经济性的基础上兼顾新能源消纳率，在保证新能源消纳率的同时优化储能资源设施，提高新能源消纳率和储能资源利用率，促进新能源发电的发展。新能源消纳系统的实际运行过程中消纳率需满足以下关系：
θ≥θmin (34)
储能优化配置过程
在共享储能优化配置模型中，新能源场站发电功率和并网功率需求是储能电站充放电功率和充放点状态的重要影响因素，而储能电站最大充放电功率和最大容量受储能电站实际充放电功率和充放电状态影响。在共享储能优化配置过程中，存在大量的非线性约束条件，且优化配置模型的求解精度和求解速度会影响储能优化配置。因此在面向新能源消纳的共享储能优化配置决策过程中采用改进鲸鱼优化算法获取最优解。
(1)改进鲸鱼优化算法
鲸鱼优化算法(WOA)通过模拟鲸鱼独特的泡泡网觅食行为，在搜寻猎物和获取猎物信息的过程中，不断地包围和螺旋式靠近猎物，最终捕获猎物，即获得问题的最优解。由于鲸鱼优化算法分为包围捕食、螺旋更新、搜寻猎物三个阶段，但存在求解精度低、收敛速度慢和易陷入局部最优的缺点，通过准反向学习对种群初始化、利用非线性收敛因子更新包围捕食阶段、自适应权重策略与随机差分法变异策略预防陷入局部最优对WOA进行改进。
(2)鲸鱼优化算法
在包围捕食阶段，鲸鱼种群通过获取猎物位置信息，使种群中距离最近的鲸鱼个体(当前的最优解)靠近猎物，从而使种群间接不断地向猎物移动。在实际求解过程中，问题的全局最优解对应猎物的位置。在该阶段，通过模拟鲸鱼捕食行为的数学模型如下：
式中：t表示迭代次数；X(t)表示鲸鱼个体的位置向量；Xp(t)表示猎物位置向量；A和C分别为系数向量，具体计算过程如式(36)所示；r1和r2分别为[0,1]范围内的随机向量；a表示与迭代次数相关的系数向量，由a(t)构成。
在螺旋更新阶段，以猎物为中心，鲸鱼通过不断地螺旋上升向猎物逼近，最终实现捕获猎物的目的。通过计算种群中鲸鱼个体与猎物位置之间的距离，以螺旋的方式缩小距离，更新个体的位置，其位置更新公式为：
X(t+1)＝D·ebl·cos(2πl)+X(t) (37)
式中：b为定义螺线线圈的常数；l为[-1,1]范围内的随机数。
为保证收缩包围和螺旋更新同步，通过概率p判别鲸鱼个体的位置更新方式，假设两种方式发生的概率相同，具体表达式为：
式中：p为[0,1]范围内的随机数。
在搜寻猎物阶段，鲸鱼在探索找寻猎物的线索信息时以随机的方式实现，因此从种群中随机选择需要的个体进行位置更新，其表达形式如下：
X(t+1)＝Xrand(t)-A·D (39)
D＝|C·Xrand(t)-X(t)| (40)
式中：Xrand(t)表示当前种群中随机选取的鲸鱼个体位置向量。
(3)改进鲸鱼优化算法
为保证种群获得更好的初始化种群个体，在鲸鱼优化算法的基础上引入准反向学习，将随机解与准反向解相结合，选取其中最优解，以实现种群的多样性和快速收敛性。其数学模型为：
式中：fit为适应度函数；X和分别表示随机和准反向学习产生的个体向量。
鲸鱼种群中，第i鲸鱼在d维空间中的位置为准反向学习产生的个体位置由准方向解构成，其求解方法为：
式中： 表示第i只鲸鱼在第j维空间中的位置；和分别表示的下边界和上边界。
收敛因子a(t)呈线性变化，在更新迭代过程中无法适应非线性变化过程，引入非线性收敛因子，以充分挖掘其全局搜索能力和局部开发能力，具体实现方式如下式所示：
式中：μ和分别表示其相关参数。
为避免鲸鱼算法陷入局部最优和收敛早熟的现象，提出一种自适应权重策略和随机差分策略，以保证种群的多样性和实现全局最优。自适应权重策略如式(44)，随机差分策略如式(45)。
X(t+1)＝r1×(Xp(t)-X(t))+r2×(X'(t)-X(t)) (45)
式中：为自适应权重与迭代次数之间的关系；X'(t)为种群随机个体的位置向量。
(4)储能多阶段优化配置流程
基于改进鲸鱼优化算法的储能多阶段优化配置流程如图3所示。本文建立的共享储能优化配置模型采用改进鲸鱼优化算法求解，具体流程如下：
20)确定n个阶段，并根据各阶段的不同预测负荷和电源参数，初始化迭代次数；
21)输入新能源发电功率、并网功率需求及价格等系统数据，初始化改进鲸鱼优化算法种群规模、最大迭代次数和螺旋系数等参数；
22)在解空间用准反向学习初始化种群个体；
23)计算最优个体位置和适应度函数值并记录；
24)利用非线性因子更新包围阶段模型，提高全局搜索能力和局部开发能力；
25)采用自适应策略和随机差分法变异策略更新种群最优位置；
26)根据规划层和运行层确定各阶段的储能配置，并模拟相应场景的收益情况，输出收益情况；
27)对比优化过程中的收益变化情况，取最大收益储能配置并记录；
28)当满足迭代终止判断条件时，输出个最优个体位置和适应度函数值；
获取储能电站多阶段优化配置结果、充放电功率和状态。以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明，本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案，例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (6)

1.一种基于改进鲸鱼优化算法的储能多阶段优化配置方法，其特征在于，所述优化方法具体包括以下几个步骤：
S1：在储能多阶段优化配置过程中，负荷的长期预测及引导用户调整用电行为参与储能的优化配置过程，在延缓储能优化配置建设的同时避免超前规划造成储能资源浪费；
S2：针对新能源消纳的场景下，以系统收益最大为目标进行储能优化配置，为充分挖掘可再生能源发电的经济性，考虑可再生能源的碳排放收益，利用碳交易机制实现其收益，有利于拓宽可再生能源发电收益来源；
S3：针对储能多阶段的规划配置，基于负荷概率的长期预测是保证储能多家端优化配置的关键，而负荷的概率模型是对负荷分析建立的，具有实际的应用价值，同时将社会发展的重要因素纳入其中，更贴合社会的需求；
S4：针对储能优化配置过程中，配置场所的不同，其配置模型及考虑因素也会出现变化，本申请综合考虑源侧、网侧及负荷侧的储能优化配置，建立统一的优化配置模型，能够有效的发挥配置储能的作用，有利于对储能的建设及运行；
S5：针对储能多阶段优化配置，将规划层与运行层相结合的方法，利用配置结果模拟收益情况，能很好的反应不同配置的不同阶段的收益情况，有利于决策者直观清晰的了解到多阶段储能优化配置的重要性，结合实际情况做出决策；
S6：多阶段储能优化配置过程中，利用改进鲸鱼优化算法求解，在求解过程中对种群初始化、迭代过程及避免陷入局部最优解方面均进行了不同程度的改进，保证了优化配置结果的准确性，同时大大提高了求解速度，在规划及运行均有一定程度的运用前景。
2.根据权利要求1所述的一种基于改进鲸鱼优化算法的储能多阶段优化配置方法，其特征在于，S2中结合新能源发电的低碳环保特性将碳交易收入和售电收入纳入系统储能优化配置模型，新能源消纳系统的储能优化配置模型如式(9)所示：
maxI＝Isell+Ic+Iinv-Cin-Cop-Cpu (9)
式中：Isell表示可再生能源上网售电收入；Ic表示新能源场站碳交易收入；Iinv为延缓电网建设的收益；Cin表示储能投资建设成本；Cop表示储能运维成本；Cpu表示新能源场站弃电惩罚成本，
根据新能源出力及并网功率需求，新能源消纳系统的售电收入模型如式(10)所示：
式中：ρt表示分时电价机制下t时刻的实际电价，
结合碳交易机制下碳交易模型，可以得到碳交易收益模型如式(11)所示：
延缓电网建设的收益模型可写为：
式中：Ce为升级扩建所需要的投资；Ydel为延缓电网升级改造的年数；ε为储能的削峰填谷效果系数；w为年负荷的增长率，和分别为首阶段和n阶段的负荷容量最大值，与长期负荷预测相关联，
根据储能投资建设的影响因素，建立其投资成本由储能功率投资成本和容量投资两部分组成，具体模型如式(14)所示：
CIn＝cPPmax+cEEmax (14)
式中：cP、cE分别表示单位储能的功率成本和容量成本系数；Pmax、Emax分别表示储能的最大功率和最大容量，
对储能投资成本需要进行修正和折算，其修正折算系数如式(15)所示，
式中：r表示基准折现率；n表示储能电池规划性寿命；Yd为储能电池年运行天数，
根据储能投资成本修正折算系数，得到储能投资随时间变化的投资成本模型如式(16)所示：
Cin＝c(r,n)·CIn (16)
储能的运维成本如式(17)所示：
COp＝kPPmax+kEEmax (17)
式中：kP为储能电站运行维护时的单位功率成本系数；kE为储能运行维护的单位容量成本系数，
采取估算方式进行运行维护费用建模，具体表达式如式(18)所示：
Cop＝ξCin (18)
式中：ξ表示储能维护成本系数，
弃电惩罚成本模型如式(19)所示：
式中：θt表示t时刻单位功率的弃电惩罚成本系数。
3.根据权利要求1所述的一种基于改进鲸鱼优化算法的储能多阶段优化配置方法，其特征在于，步骤三中的长期负荷预测包含一下三个部分：
3.1.非参数组合回归模型
对经济因素、人口因素、技术因素、市场因素和气候因素中包括的14个具体因素进行Granger因果分析，然后对GDP、三产占比、人均消费支出、常住人口、城镇化率和CPI这6个一维非参数模型根据预测精度进行优先级排序，在此基础上，采用逐步平均组合法对这些一维非参数回归模型进行不同的组合，得到的非参数组合回归模型如下：
式中：mj(·)表示第j个影响变量映射下的一维非参数回归函数；J表示影响变量总数；k表示进行平均组合的模型数目，取1,2,...,J；其中第k个非参数组合回归模型中的k个进行组合的一维非参数回归模型，对组合后的J个非参数组合回归模型的预测精度进行评价，选择其中精度最高的组合模型作为最优非参数组合回归模型，在6个影响因素中选取最优组合回归模型的变量为：GDP、人均消费支出、CPI和城镇化率；
3.2.基于随机变化率的不确定性建模
用历史变化率的标准差代替未来变化率的波动，未来变化率的均值则按照影响变量是否有规划值来确定：
1)若有未来规划值，结合当前年的时值，求算未来年平均增长率，以此作为未来随机变化率的均值；
2)若没有未来规划值，按历史变化率的均值作为未来变化率均值；
此外，为了模拟未来影响因素的不确定性，对影响因素的随机变化率进行不确定性建模，将等概率抽样得到随机变化率还原为影响变量逐年的等概率值，还原过程如下：
假设对未来T年进行N次模拟，得到随机变化率模拟矩阵R，再通过公式(21)逐年累乘方法得到随机变化率的乘子矩阵M：
M＝prod(R+E) (21)
式中：E表示元素全为1的矩阵；prod表示对前t行(1≤t≤T)逐列进行累乘，将当前年影响变量的时值乘上乘子矩阵M，则可得到影响变量逐年的等概率值，
3.3.长期负荷概率预测实现流程如下：
1)利用Granger因果分析进行影响因素的多维变量初步筛选，确定变量维数J；
2)对J个变量组成的一维非参数模型根据预测精度进行优先级排序，然后采用逐步平均组合法对不同的非参数模型进行精度校验，确定最优的非参数组合回归模型和对应的影响变量；
3)利用不确定建模流程，对影响变量进行N次等概率模拟，获取未来影响因素等概率序列，将其带入非参数组合回归模型实现长期负荷不同分位点值的概率预测。
4.根据权利要求1所述的一种基于改进鲸鱼优化算法的储能多阶段优化配置方法，其特征在于，本申请的新能源消纳系统中的消纳包括并网消纳和储能充电及弃电等方式，因此系统的功率平衡如式(22)所示：
式中：Pgrid,t表示t时刻并网需求功率；
储能优化配置需要考虑储能的实际运行状态，其中储能放电功率、状态以及负荷状态是反映储能的重要因素，所以储能电池运行存在以下约束，如式(23)所示：
式中：δc,t和δd,t分别表示t时刻储能电池的充电状态和放电状态，其取值为0或1；
根据储能电池的充放电功率和充放电状态，可以得到储能电池的连续运行状态下荷电状态及约束条件为：
SOCmin≤SOC(t)≤SOCmax (25)
SOCstart(t)＝SOCend(t) (26)
式中：SOC(t-1)表示t-1时刻储能电池的荷电状态；ηc表示储能电池的充电效率；ηd表示储能电池放电效率；SOCmin表示储能电池最小荷电状态，SOCmax表示储能电池最大荷电状态；SOCstart(t)为一个周期内储能初始时刻荷电状态，SOCend(t)为一个周期内储能最终时刻荷电状态；
为了保证系统的稳定运行及用户侧电能质量，针对不同时刻的电压作出以下约束：
Uimin(t)≤Ui(t)≤Uimax(t) (27)
式中：Ui(t)为系统各节点电压，Uimin(t)和Uimax(t)为节点电压的最小值和最大值；
碳交易机制下计及需求响应时，为了更好的反应用户的用电行为，可转移负荷满足以下约束：
同时，为了保证用户满意度，在时间尺度上，用户负荷转移负荷平均转移时间存在以下约束：
T≤Tmax (30)
式中：T表示用户可转移负荷平均转移时间；Tout、Tin分别表示可转移负荷的转出时间段和转入时间段；Tmax表示用户可以接受的可转移负荷最大平均转移时间；
将用户对用电方式的满意度约束纳入优化配置模型的考虑范围，其具体表示形式如式(31)所示：
ω≥ωmin (32)
式中：ω、ωmin分别表示用户用电满意度和其最小值；
新能源消纳系统的实际运行过程中消纳率需满足以下关系：
θ≥θmin (34)。
5.根据权利要求1所述的一种基于改进鲸鱼优化算法的储能多阶段优化配置方法，其特征在于，改进鲸鱼优化算法的改进为：通过准反向学习对种群初始化、利用非线性收敛因子更新包围捕食阶段、自适应权重策略与随机差分法变异策略预防陷入局部最优对鲸鱼优化算法进行改进，具体如下：
为保证种群获得更好的初始化种群个体，在鲸鱼优化算法的基础上引入准反向学习，将随机解与准反向解相结合，选取其中最优解，以实现种群的多样性和快速收敛性，其数学模型为：
式中：fit为适应度函数；X和分别表示随机和准反向学习产生的个体向量；
鲸鱼种群中，第i鲸鱼在d维空间中的位置为准反向学习产生的个体位置由准方向解构成，其求解方法为：
式中： 表示第i只鲸鱼在第j维空间中的位置；和分别表示的下边界和上边界，
收敛因子a(t)呈线性变化，在更新迭代过程中无法适应非线性变化过程，引入非线性收敛因子，以充分挖掘其全局搜索能力和局部开发能力，具体实现方式如下式所示：
式中：μ和分别表示其相关参数，
为避免鲸鱼算法陷入局部最优和收敛早熟的现象，提出一种自适应权重策略和随机差分策略，以保证种群的多样性和实现全局最优，自适应权重策略如式(44)，随机差分策略如式：
X(t+1)＝r1×(Xp(t)-X(t))+r2×(X'(t)-X(t)) (45)
式中：为自适应权重与迭代次数之间的关系；X'(t)为种群随机个体的位置向量。
6.根据权利要求1所述的一种基于改进鲸鱼优化算法的储能多阶段优化配置方法，其特征在于，改进鲸鱼优化算法的求解流程如下：
1)确定n个阶段，并根据各阶段的不同预测负荷和电源参数，初始化迭代次数；
2)输入新能源发电功率、并网功率需求及价格等系统数据，初始化改进鲸鱼优化算法种群规模、最大迭代次数和螺旋系数等参数；
3)在解空间用准反向学习初始化种群个体；
4)计算最优个体位置和适应度函数值并记录；
5)利用非线性因子更新包围阶段模型，提高全局搜索能力和局部开发能力；
6)采用自适应策略和随机差分法变异策略更新种群最优位置；
7)根据规划层和运行层确定各阶段的储能配置，并模拟相应场景的收益情况，输出收益情况；
8)对比优化过程中的收益变化情况，取最大收益储能配置并记录；
9)当满足迭代终止判断条件时，输出个最优个体位置和适应度函数值；
10)获取储能电站多阶段优化配置结果、充放电功率和状态。
CN202311701295.0A 2023-12-12 2023-12-12 一种基于改进鲸鱼优化算法的储能多阶段优化配置方法 Pending CN118054446A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311701295.0A CN118054446A (zh) 2023-12-12 2023-12-12 一种基于改进鲸鱼优化算法的储能多阶段优化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311701295.0A CN118054446A (zh) 2023-12-12 2023-12-12 一种基于改进鲸鱼优化算法的储能多阶段优化配置方法

Publications (1)

Publication Number Publication Date
CN118054446A true CN118054446A (zh) 2024-05-17

Family

ID=91049053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311701295.0A Pending CN118054446A (zh) 2023-12-12 2023-12-12 一种基于改进鲸鱼优化算法的储能多阶段优化配置方法

Country Status (1)

Country Link
CN (1) CN118054446A (zh)

Similar Documents

Publication Publication Date Title
CN109492815B (zh) 一种市场机制下面向电网的储能电站选址定容优化方法
JP7261507B2 (ja) 電気ヒートポンプ－熱電併給システムを最適化する調整方法及びシステム
Zhu et al. Energy management based on multi-agent deep reinforcement learning for a multi-energy industrial park
CN109347149A (zh) 基于深度q值网络强化学习的微电网储能调度方法及装置
CN108964050A (zh) 基于需求侧响应的微电网双层优化调度方法
Chen et al. A battery management strategy in microgrid for personalized customer requirements
CN112217195B (zh) 一种基于gru多步预测技术的云储能充放电策略形成方法
CN112966883B (zh) 综合能源系统运行优化方法及终端设备
CN114221357A (zh) 计及调频备用效益的主动配电网分层分布式优化调度方法
CN112202205A (zh) 一种多能源三级自律协同控制方法及装置
CN118381095B (zh) 新能源微电网储能充放电智能控制方法及装置
CN109993355A (zh) 一种基于灰狼算法的楼宇用电优化方法
Cui et al. An optimal energy co-scheduling framework for smart buildings
CN117117878A (zh) 基于人工神经网络和多智能体强化学习的电网需求侧响应潜力评估及负荷调控方法
CN110021947B (zh) 一种基于强化学习的分散式储能电力系统的运行优化方法
CN118432039A (zh) 一种考虑分布式共享储能的新能源就地消纳能力评估方法
CN117833316A (zh) 一种用户侧储能动态优化运行的方法
CN117543581A (zh) 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用
CN112258210A (zh) 一种市场单侧报价下市场出清方法、装置、设备及介质
CN111079966B (zh) 一种广义负荷空间预测方法和系统
CN118054446A (zh) 一种基于改进鲸鱼优化算法的储能多阶段优化配置方法
Deng et al. Energy Management of Price-Maker Community Energy Storage by Stochastic Dynamic Programming
CN113673141A (zh) 一种基于数据驱动的能量路由器建模及优化控制方法
CN110598925A (zh) 一种基于双q学习算法的储能在交易市场决策优化方法
Cao et al. LSTM-Aided Reinforcement Learning for Energy Management in Microgrid with Energy Storage and EV Charging

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