技术领域:
本发明属于储能技术领域,具体涉及一种利用储能提高配电网负荷和分布式电源承载能力的优化运行方法。
背景技术:
:
随着传统能源的日益紧张和环境问题的突出,可再生能源得到越来越多的关注,我国可再生能源尤其是风力发电和光伏发电得到快速发展,分布式光伏和风电是其重要组成部分。在我国东部地区,分布式发电得到较快发展,然而,可再生能源发电受天气条件的影响具有极大的不确定性,其间歇性和波动性对电网带来了新的挑战,如电压、频率的影响等问题,储能技术为这些问题带来了一种行之有效的解决方法,随着配电网中接入越来越多的可再生能源发电,对分布式储能的需求日益增加。
通过在新能源电站和大型工业用户配置相应容量的分布式储能系统,可以显著改善电网运行的安全性和稳定性。目前,由于储能本体技术的原因,储能电池的价格仍居高不下,而且其使用寿命也较短,为合理利用储能系统以在其寿命周期内实现最大效益,需要一种合理的储能的优化运行策略,以延缓储能寿命的衰减,提高配电网对分布式发电和负荷的承载能力。
技术实现要素:
:
为了克服上述现有技术的不足,本发明提供一种利用储能提高配电网负荷和分布式电源承载能力的优化运行方法。为了实现上述发明目的,本发明采取如下技术方案:
一种利用分布式储能提高配电网负荷和光伏承载能力的优化运行方法,包括以下步骤:
步骤1:获取配电网、新能源发电、负荷和各分布式储能系统数据;
步骤2:建立以系统网损费用、高峰负荷需求费用、电压调节费用和储能费用的多目标优化函数及其约束条件;
步骤3:利用粒子群优化算法求解目标函数,得到各分布式储能系统的出力指令;
步骤4:在下一个采样时刻t=t+1,更新数据并重复上述步骤,实现滚动优化的效果;
所述步骤2中,多目标优化目标函数为:
f=λ1cbattery+λ2closs+λ3cvr+λ4cp
其中,系统的费用为csystem=λ2closs+λ3cvr+λ4cp,
cp=pmaxδtrp(t)
cbattery、closs、cvr、cp分别为储能费用、配电系统网损造成的费用、电压调节费用、负荷高峰时用电费用;λ1、λ2、λ3、λ4分别为储能费用、配电系统网损造成的费用、电压调节费用、负荷高峰时用电费用的权重系数;v、δ分别为为节点电压、电压相角,rloss、rvr、rp分别为网损电价、调压电价和负荷高峰电价;
目标函数的约束条件为:
(1)节点电压约束:
vmin<|vit|<vmax
(2)支路功率约束:
(3)储能功率和能量约束:
pb,min<pb<pb,max
eb,min<eb<eb,max
pb、eb分别为储能系统的输出功率和储能能量,pb,min、pb,max分别为储能系统的最小输出功率、最大功率,eb,min、eb,max分别为储能系统的最小储能能量、最大储能能量。
作为优选方案之一,所述步骤1中,所述各分布式储能系统的模型如下:
δeb=eb(t)-eb(t-1)
pb(t)=δeb/(δt×ηc),pb>0
pb(t)=δeb×ηd/δt,pb<0
其中,
节点的功率平衡方程为:
pi(t)=pc,i(t)-pl,i(t)
其中,i=1,2,…,n为配电系统节点标号,pi、pdg,i、pl,i、pc,i分别为节点功率、分布式发电功率、负荷功率和功率转换器的功率,ηc为功率转换器效率。
作为优选方案之二,所述步骤3中,粒子群优化算法,其求解步骤为:
步骤3.1:依照配电系统、分布式发电和储能系统等参数进行初始化,设置粒子群维数d,最大迭代次数m,同时对粒子群的位置x和速度v进行设定;
步骤3.2:根据既定运行策略和目标函数计算每个粒子的适应值s;
步骤3.3:对于每个粒子的适应度值与自身粒子极值和全局粒子极值比较,如适应值更好,则更新各粒子极值eb和全局极值gb;
步骤3.4:判断当前计算是否满足收敛条件,若符合则输出结果;
步骤3.5:如不符合则根据迭代公式更新粒子的速度和位置并返回步骤3.2,迭代公式为:
其中,n为当前循环次数,c1、c2为粒子权重系数,w为惯性权重,r1、r2为(0,1)内均匀分布随机数,g为约束因子。
作为优选方案之三,所述步骤2中,目标函数的各目标的权重系数的确定如下:
当考虑分布式储能的配置节点和容量时,f=λ1cbattery+csystem;当考虑减小配电系统的电压控制费用时,f=λ1cbattery+λ3cvr;当考虑减小配电系统的网络损耗费用时,f=λ1cbattery+λ2closs;当考虑减小配电系统高峰用电费用时,f=λ1cbattery+λ4cp。
本发明提供一种利用储能提高配电网负荷和分布式电源承载能力的优化运行方法,可以应用于含分布式电源和储能的配电系统,达到优化配电网运行,延长储能电池使用寿命的效果。在实施例中,电压的波动显著减小。
附图说明:
图1为本发明方法流程示意图。
图2为本发明粒子群优化算法流程示意图。
图3为本发明实施例中未使用本发明电压图。
图4为本发明实施例中使用本发明方法调节后的电压图。
具体实施方式:
实施例:
下面结合附图对本发明作进一步详细说明。
实施例的应用场景为含高比例分布式发电的配电网络,配电网络中储能可配置在分布式光伏发电系统,也可配置在工业用户,还可以单独配置。
如图1所示,为本发明的所提出的一种利用储能提高配电网负荷和分布式电源承载能力的优化运行方法,所述方法包括以下步骤:
步骤1:获取配电网、新能源发电、负荷和各分布式储能系统数据;
步骤2:建立以系统网损费用、高峰负荷需求费用、电压调节费用和储能费用的多目标优化函数及其约束条件;
步骤3:利用粒子群优化算法求解目标函数,得到各分布式储能系统的出力指令;
步骤4:在下一个采样时刻t=t+1,更新数据并重复上述步骤,实现滚动优化的效果。
步骤1中所述配电网、新能源发电、负荷和各分布式储能系统数据,并在下一时刻t=t+1,更新数据,为系统运行提供滚动优化的基础。
所述各分布式储能系统的模型如下:
δeb=eb(t)-eb(t-1)
pb(t)=δeb/(δt×ηc),pb>0
pb(t)=δeb×ηd/δt,pb<0
其中,
节点的功率平衡方程为:
pi(t)=pc,i(t)-pl,i(t)
其中,i=1,2,…,n为配电系统节点标号,pi、pdg,i、pl,i、pc,i分别为节点功率、分布式发电功率、负荷功率和功率转换器的功率,ηc为功率转换器效率。
步骤2中多目标优化目标函数为:
f=λ1cbattery+λ2closs+λ3cvr+λ4cp
其中,系统的费用为csystem=λ2closs+λ3cvr+λ4cp,
cp=pmaxδtrp(t)
cbattery、closs、cvr、cp分别为储能费用、配电系统网损造成的费用、电压调节费用、负荷高峰时用电费用;λ1、λ2、λ3、λ4分别为储能费用、配电系统网损造成的费用、电压调节费用、负荷高峰时用电费用的权重系数;v、δ分别为为节点电压、电压相角,rloss、rvr、rp分别为网损电价、调压电价和负荷高峰电价。
目标函数的约束条件为:
(1)节点电压约束:
vmin<|vit|<vmax
(2)支路功率约束:
(3)储能功率和能量约束:
pb,min<pb<pb,max
eb,min<eb<eb,max
根据优化目标的需求对权重系数进行调节,显然,储能投资是必须考虑的因素,在考虑其他诸如调压等功能时,另外的两项权重系数为0,如考虑减小配电系统的电压控制费用时,f=λ1cbattery+λ3cvr;考虑减小配电系统的网络损耗费用时,f=λ1cbattery+λ2closs;考虑减小配电系统高峰用电费用时,f=λ1cbattery+λ4cp。其中,目标函数中的权重系数λ可以通过专家经验方法进行确定,根据专家对各分目标的重要程度确定相应的权重系数。
如图3所示,为本发明粒子群优化算法流程图,其算法步骤为:
步骤3.1:依照配电系统、分布式发电和储能系统等参数进行初始化,设置粒子群维数d,最大迭代次数m,同时对粒子群的位置x和速度v进行设定;
步骤3.2:根据既定运行策略和目标函数计算每个粒子的适应值s;
步骤3.3:对于每个粒子的适应度值与自身粒子极值和全局粒子极值比较,如适应值更好,则更新各粒子极值eb和全局极值gb;
步骤3.4:判断当前计算是否满足收敛条件,若符合则输出结果;
步骤3.5:如不符合则根据迭代公式更新粒子的速度和位置并返回步骤3.2,迭代公式为:
其中,n为当前循环次数,c1、c2为粒子权重系数,w为惯性权重,r1、r2为(0,1)内均匀分布随机数,g为约束因子。
如图3、4所示,为本发明实施例中电压调节效果对比图,考虑减小配电系统的电压控制费用时,f=λ1cbattery+λ3cvr,两项分目标的权重系数按λ1=λ3=1进行仿真计算,图3为未配置储能时,以配电系统各节点为例进行示意,可见电压在不同时段内有较大波动,图4为配置储能之后的电压调节效果图,电压在不同时段内保持非常平稳的状态。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求范围当中。