一种基于遗传算法的多储能系统优化调度方法与流程

本发明面向城市电网用户端的优化问题，属于电力系统领域，尤其涉及一种基于遗传算法的多储能系统优化调度方法。

背景技术：

随着全球变暖，大力发展清洁能源已经在世界范围内达成共识，以风力发电、光伏发电为代表的可再生能源迅速发展，现有的电力系统行业受到了前所未有的挑战，传统的电网供电供应方式存在缺陷。电力系统中的负荷呈现峰谷负荷差逐年增大、最大负荷利用小时数逐年下降的特点，导致电力设备规模随年最大负荷增大而增大，但设备的年最大负荷利用小时数却逐渐降低，降低了电力设备投资的经济性，造成电力资源利用底下。

为了在一定程度上解决上述问题，储能技术被引入到电力系统中。用户侧储能是一种重要的储能技术，区别于发电侧储能与输、配电级储能，单体项目要小得多，更接近普通电力用户。该种储能方式可以有效的实现需求侧管理，具有消除峰谷差，平滑负荷，促进新能源的利用，降低供电成本等功能。

在实际应用中，现有单个储能系统及技术能较好地实现减少峰谷差、平滑负荷等功能，但相比于日均节省的电费，储能系统锂电池及电池管理模块成本较高，实际使用中，往往一天内只有1～2个负荷峰值段内储能系统进行工作，储能系统的利用率不高，实际内部收益率IRR较低。国内新一轮电力体制改革已经确定了电网只收过网费并且会逐步放开需求侧，随着现代电网技术的发展，在一定范围内，多用户的储能系统通过新的电网结构能够实现协同优化，即多个储能系统协同优化多个用户的电力负荷曲线，得到整体的最优结果。对普通电力用户，该方法可以提高单个储能系统的利用率，提高日均节省电费；对电网公司，该方法可以更加显著地减少峰谷差、平滑功能。

遗传算法是一种应用广泛的智能优化方法，是计算机模拟进化学说而发展起来的一门新算法，是人工智能领域的重要分支，对优化问题的限制条件很少，具有极强的通用性，易于通过编程实现。

技术实现要素：

本发明的目的在于针对单储能系统进行用户负荷优化时储能系统利用率不高、实际内部收益率较低的问题，提出一种改进方法。在一定区域范围内，通过多用户的多个储能系统合作，针对用户群体的多条负荷曲线进行协同优化，得到整体经济效益最佳的结果。

本发明的目的是通过以下技术方案来实现的：一种基于遗传算法的多储能系统优化调度方法，包括以下步骤：

(1)获取用户的历史用电负荷数据，将预测日分为N个时间阶段，每个阶段的时间间隔为Δt，采用多元线性回归预测法进行短期电力负荷预测，得到预测负荷数据；(2)根据储能系统自身物理特性、工作特点和相关参数，对K个储能系统进行分别建模，第k个用户在i时刻的储能系统模型如下：

SoC_{k_min}≤SoC_k(i)≤SoC_{k_max}

SoC_k(i)＝SoC_k(i-1)+b_k(i)·Δt

b_{k_min}≤b_k(i)≤b_{k_max}

其中，SoC_k(i)为第k个用户储能系统i时刻的电池剩余电量，SoC_{k_max}、SoC_{k_min}分别为考虑过充过放保护时该储能系统SoC的上下限，b_k为单位时间间隔内该储能系统的平均功率，b_{k_max}、b_{k_min}为b_k的上下限，其中b_{k_min}为负数，表示最大放电功率，b_{k_max}为正数，表示最大充电功率；

(3)给出需要优化的目标函数，目标函数定义如下：

$J=min\underset{k=1}{\overset{K}{\Σ}}\{max\left(P_{k\_net}\right)\·c_1+\[\underset{i=1}{\overset{N}{\Σ}}{P}_{k\_net}\left(i\right)\]\·c_2\}$

其中，c₁是按照用户一段时间内用电功率最大值进行收费的费用，c₂是电池的损耗费用，P_{k_net}(i)为第k个用户i时刻电网端的负荷情况；

(4)考虑多储能系统协同优化，给出约束条件：

b_k(i)＝b_{k_itself}(i)+b_{k_others}(i)

α_k·b_{k_min}≤b_{k_others}(i)≤α_k·b_{k_max}

b_kj(i)·b_jk(i)≥0j≠k

b_{k_itself}(i)·b_kj(i)≥0j≠k

P_{k_net}(k)＝P_{k_load}(k)+b_{k_itself}(i)+b'_{k_others}(i)

其中b_{k_itself}(i)为第k个用户储能系统i时刻对自身负荷的充放电情况，b_{k_others}(i)为储能系统对其他用户负荷的充放电情况，b_{k_others}(i)由对不同用户的充放电变量b_kj(i)构成，α_k为用户定义系数，表明用户在单位时刻储能系统参与协同优化的指标，b'_{k_others}(i)为其他储能设备对第k个用户的负荷充放电情况，由不同用户的储能系统对第k个用户的充放电变量b_jk(i)构成，P_{k_load}(i)为第k个用户实际的负荷情况；

(5)根据构造的优化问题进行优化，采用启发式的遗传算法进行求解，得到多储能系统的充放电功率序列，并作为预测日储能系统的充放电行为的执行标准，完成电池储能系统的优化调度。

进一步地，所述步骤1中在预测日i时刻的多元线性回归预测值表达式如下：

$\hat{Q}=a_0+\underset{m=1}{\overset{M}{\Σ}}{a}_m\·Q_m$

其中为预测日i时刻的预测结果，Q_m为多元线性回归预测方法所需的历史数据点，a_m为偏回归系数，其中m＝0，1，2，……，M；M为选取的历史数据点数量。

具体步骤为：

d.针对i时刻的预测值，选用i时刻前M个点的历史数据以及上一周i时刻的电力负荷数据，横坐标为时间，纵坐标为电力负荷值，绘制散点图；

e.根据多元线性回归模型依据最小二乘原则，求出偏回归系数a_m，其中m＝0，1，2，……，M；

f.检验并评价回归方程及各自变量的作用大小，并依据所求方程，对i时刻电力负荷进行预测，求得

g.

进一步地，所述的步骤5具体包括以下步骤：

a.将K个用户储能系统在N时刻下的充放电行为作为决策变量，随机生成满足决策变量取值范围的G个体，每个个体含有K*N参数，即K个用户储能系统在N个时刻下的充放电行为之和，构成种群；

b.依据遗传算法的一般性原则，确定迭代次数，设定编码、解码方式和遗传参数；根据优化问题的约束条件，设计适应度函数；

c.依据遗传算法的求解原则，进行变异和选择，得到满足迭代条件和适应度函数的最优决策变量，即使目标函数最优的K个用户储能系统在N个时刻下的最优充放电行为，计算得到J_min。

与现有技术相比，本发明的优点在于：本方法基于电力负荷的历史数据，使用线性回归预测法进行当日的电力负荷预测，并在预测负荷的基础上，基于多个电池储能系统的工作参数和特点进行分别建模，结合多个储能系统协同工作的特点，将不同电池不同时刻的功率变化情况作为决策变量，将各个用户的用电峰值之和作为优化目标，采用启发式的遗传算法对问题模型进行求解并进行优化调度，在不改变用户用电行为的前提下，达到整体用户峰值削减更显著的目的。特别的，本方法针对现有的单个储能系统针对单个用户负荷进行优化储能系统利用率不高的特点，创新性地提出多个储能系统针对多条用户负荷曲线的协作优化方法，相比单个储能系统针对单个负荷曲线的优化方法，本方法在保证了削峰填谷效果的同时，提高储能设备的使用率，从而提高系统整体的收益。本发明方法对储能系统的研究推广具有重要科学意义和应用价值。

附图说明

图1是本发明方法的流程图；

图2是采用两个储能系统对两条负荷曲线优化后用户一的负荷变化示意图；

图3是采用两个储能系统对两条负荷曲线优化后用户二的负荷变化示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

如图1所示，本发明提供的一种基于遗传算法的多储能系统优化调度方法，包括以下步骤：

(1)获取用户的历史用电负荷数据，将预测日分为N个时间阶段，每个阶段的时间间隔为Δt，采用多元线性回归预测法进行短期电力负荷预测，得到预测负荷数据；

在预测日i时刻的多元线性回归预测值表达式如下：

$\hat{Q}=a_0+\underset{m=1}{\overset{M}{\Σ}}{a}_m\·Q_m$

其中为预测日i时刻的预测结果，Q_m为多元线性回归预测方法所需的历史数据点，a_m为偏回归系数，其中m＝0，1，2，……，M；M为选取的历史数据点数量。

具体步骤为：

h.针对i时刻的预测值，选用i时刻前M个点的历史数据以及上一周i时刻的电力负荷数据，横坐标为时间，纵坐标为电力负荷值，绘制散点图；采样时间间隔可取15分钟，M可取10。

i.根据多元线性回归模型依据最小二乘原则，求出偏回归系数a_m，其中m＝0，1，2，……，M；

j.检验并评价回归方程及各自变量的作用大小，并依据所求方程，对i时刻电力负荷进行预测，求得

(2)根据储能系统自身物理特性、工作特点和相关参数，对K个储能系统进行分别建模，第k个用户在i时刻的储能系统模型如下：

SoC_{k_min}≤SoC_k(i)≤SoC_{k_max}

SoC_k(i)＝SoC_k(i-1)+b_k(i)·Δt

b_{k_min}≤b_k(i)≤b_{k_max}

其中，SoC_k(i)为第k个用户储能系统i时刻的电池剩余电量，SoC_{k_max}、SoC_{k_min}分别为考虑过充过放保护时该储能系统SoC的上下限，b_k为单位时间间隔内该储能系统的平均功率，b_{k_max}、b_{k_min}为b_k的上下限，其中b_{k_min}为负数，表示最大放电功率，b_{k_max}为正数，表示最大充电功率；

(3)给出需要优化的目标函数，目标函数定义如下：

$J=min\underset{k=1}{\overset{K}{\Σ}}\{max\left(P_{k\_net}\right)\·c_1+\[\underset{i=1}{\overset{N}{\Σ}}{P}_{k\_net}\left(i\right)\]\·c_2\}$

其中，c₁是按照用户一段时间内用电功率最大值进行收费的费用，c₂是电池的损耗费用，P_{k_net}(i)为第k个用户i时刻电网端的负荷情况；

(4)考虑多储能系统协同优化，给出约束条件：

b_k(i)＝b_{k_itself}(i)+b_{k_others}(i)

α_k·b_{k_min}≤b_{k_others}(i)≤α_k·b_{k_max}

b_kj(i)·b_jk(i)≥0j≠k

b_{k_itself}(i)·b_kj(i)≥0j≠k

P_{k_net}(k)＝P_{k_load}(k)+b_{k_itself}(i)+b'_{k_others}(i)

其中b_{k_itself}(i)为第k个用户储能系统i时刻对自身负荷的充放电情况，b_{k_others}(i)为储能系统对其他用户负荷的充放电情况，b_{k_others}(i)由对不同用户的充放电变量b_kj(i)构成，α_k为用户定义系数，表明用户在单位时刻储能系统参与协同优化的指标，b'_{k_others}(i)为其他储能设备对第k个用户的负荷充放电情况，由不同用户的储能系统对第k个用户的充放电变量b_jk(i)构成，P_{k_load}(i)为第k个用户实际的负荷情况；

(5)根据构造的优化问题进行优化，采用启发式的遗传算法进行求解，得到多储能系统的充放电功率序列，并作为预测日储能系统的充放电行为的执行标准，完成电池储能系统的优化调度，具体包括以下步骤：

a.将K个用户储能系统在N时刻下的充放电行为作为决策变量，随机生成满足决策变量取值范围的G个体，每个个体含有K*N参数，即K个用户储能系统在N个时刻下的充放电行为之和，构成种群；

b.依据遗传算法的一般性原则，确定迭代次数，设定编码、解码方式和遗传参数；根据优化问题的约束条件，设计适应度函数；

c.依据遗传算法的求解原则，进行变异和选择，得到满足迭代条件和适应度函数的最优决策变量，即使目标函数最优的K个用户储能系统在N个时刻下的最优充放电行为，计算得到J_min。

图2是采用两个储能系统对两条负荷曲线优化后用户一的负荷变化示意图，横坐标为时间h，纵坐标为用电量kW；图3是采用两个储能系统对两条负荷曲线优化后用户二的负荷变化示意图，横坐标为时间h，纵坐标为用电量kW。从图中可以看出，本发明方法在不改变用户用电行为的前提下，达到整体用户峰值削减更显著的效果。