一种混合储能系统容量配置方法与流程

本发明涉及混合储能系统能量控制领域，尤其涉及一种混合储能系统容量配置方法。

背景技术：

长期以来储能装置成本费用高的缺陷一直成为其推广应用的障碍，虽然随着储能技术的日益成熟，其成本呈现下降趋势，但是储能成本所占比重在可再生能源发电系统投资中仍然较高。在进行储能容量的优化配置过程中，在实现投资成本最小化的同时，需要综合考虑多方面因素，比如安装位置的地理环境和气象条件、选用储能单元的投资成本以及后期的维护保养费用等等。因此，以满足系统要求的同时最大化降低储能投资成本为基础，来配置储能容量，这将成为优化问题的重点难点。

技术实现要素：

本发明的目的是针对现有技术的缺陷，提供了一种混合储能系统容量配置方法。

为了实现以上目的，本发明采用以下技术方案：

一种混合储能系统容量配置方法，设光伏阵列输出功率为ppv，风电机组输出功率为pwind，负载消耗的功率为pl，蓄电池和超级电容器吸收或者放出的功率分别为pbat和psc，当风光储微网稳定运行时，分布式电源发出的功率与负载消耗功率的差额全部由混合储能系统平抑，系统内各功率关系如下：

；

当pbat和psc数值为正时，表示蓄电池和超级电容器处于充电状态，吸收能量；当pbat和psc数值为负时，表示蓄电池和超级电容器处于放电状态，对外释放能量；

其中，混合储能功率phess表达式为：

；

风电与光伏各自输出功率达到最大值，分布式发电系统输出能量效率得到最高，混合储能系统分配到的功率损耗达到最小，使得储能系统的经济性达到最优:

；

其中，p为整个混合储能系统的投资成本数值，n1为超级电容器的数量；n2为蓄电池的数量；msc为单个超级电容器的成本数值；mbat为单个蓄电池的成本数值。

进一步的，在运行时，风力发电ewind和太阳能发电epv产生的能量等于负荷的需求能量eload与混合储能储存ebat、释放能量esc相加之和，对应表达式为：

。

进一步的，当风电机组和光伏阵列发电量充足时，负荷的需求得到满足，系统中存在多余能量由混合储能系统储存，假设第j（1≤j≤12）个月微网系统富余的能量达到最大值e（j），则平均每天富余的电能为e（j）/n，n为第i个月的天数；为了避免能量流失造成浪费，混合储能系统的总容量值小于等于n1e（j）/n,n1为储能系统的自恢复时间，整个约束表达式如下：

。

进一步的，在系统短时出现冲击性负荷时，风机和光伏电池输出功率都为0时，整个混合储能系统输出功率数值大于等于冲击性负荷的功率最大值，约束表达式如下：

；

；

其中，plmax为冲击性负荷功率数值。

进一步的，本系统采用改进的蜂群算法配置容量，具体步骤如下：

步骤1：初始化参数；

初始化所有的食物源向量（m=1,2，…sn,sn代表食物源的数量）。由于每个食物源就是一个解向量，每个解向量中含有i个变量，以下表达式为初始化公式：

其中，表示区间[0,1]上的随机数，和分别是最大边界值和最小边界值。

步骤2：利用反向学习方法构建初始化种群；

雇佣蜂通过随机搜索，找到食物源。为了使得食物源的品质更加优质，雇佣蜂在已经找到的食物源继续搜索新的食物源。发现新的食物源表达式为：

其中，为随机选取的食物源，是介于区间[-1,1]之间的随机数，找到新的食物源后，计算该食物源的适应度，并且利用贪心算法在新旧食物进行选择,适应度计算公式为：

步骤3：雇佣蜂在已经找到的食物源附近继续搜索新的食物源，发现新的食物源的表达式更新为；

步骤4：雇佣蜂根据公式选取好食物源后，继续在食物源的周围寻找新的食物源；

步骤5：侦查蜂判定雇佣蜂找到的食物源质量满足条件时，结束；若食物源不满足条件，这时该种食物源就会被放弃,重新利用公式步骤1寻找食物，直到寻找到最优质的食物源。

为算法在第次迭代的自适应权重，的大小对人工蜂群算法的优化能力影响较大，过大的权重系数有利于全局搜索，较小的权重系数有利于局部搜索，一般情况下，算法往往初期进行全局搜索后期进行局部搜索，其中，为初始权，权重取值为1，为权重退化系数，取值为0.99。

采用本发明技术方案，本发明的有益效果为：与现有技术相比，本发明能很好的在进行储能容量的优化配置过程中，在实现投资成本最小化的同时，综合考虑多方面因素，使整体系统成本低且储能容量最大化。

附图说明

图1是本发明提供的一种混合储能系统容量配置方法的风光储微网功率分布图；

图2是本发明提供的一种混合储能系统容量配置方法的基于改进的人工蜂群算法，容量优化流程图。

具体实施方式

结合附图对本发明具体方案具体实施例作进一步的阐述。

如图所示，

一种混合储能系统容量配置方法，设光伏阵列输出功率为ppv，风电机组输出功率为pwind，负载消耗的功率为pl，蓄电池和超级电容器吸收或者放出的功率分别为pbat和psc，当风光储微网稳定运行时，分布式电源发出的功率与负载消耗功率的差额全部由混合储能系统平抑，系统内各功率关系如下：

；

当pbat和psc数值为正时，表示蓄电池和超级电容器处于充电状态，吸收能量；当pbat和psc数值为负时，表示蓄电池和超级电容器处于放电状态，对外释放能量；

其中，混合储能功率phess表达式为：

；

风电与光伏各自输出功率达到最大值，分布式发电系统输出能量效率得到最高，混合储能系统分配到的功率损耗达到最小，使得储能系统的经济性达到最优:

；

其中，p为整个混合储能系统的投资成本数值，n1为超级电容器的数量；n2为蓄电池的数量；msc为单个超级电容器的成本数值；mbat为单个蓄电池的成本数值。

在运行时，风力发电ewind和太阳能发电epv产生的能量等于负荷的需求能量eload与混合储能储存ebat、释放能量esc相加之和，对应表达式为：

。

当风电机组和光伏阵列发电量充足时，负荷的需求得到满足，系统中存在多余能量由混合储能系统储存，假设第j（1≤j≤12）个月微网系统富余的能量达到最大值e（j），则平均每天富余的电能为e（j）/n，n为第i个月的天数；为了避免能量流失造成浪费，混合储能系统的总容量值小于等于n1e（j）/n,n1为储能系统的自恢复时间，整个约束表达式如下：

。

在系统短时出现冲击性负荷时，混合储能系统一般是以蓄电池为主、超级电容器为辅，蓄电池因为储存能量多的特点在储能系统中大量使用，超级电容器因为自身能量密度低只能作为辅助储能元件，但是超级电容在功率波动较大时，响应能力强，动作时间短。考虑最恶劣情况下，风机和光伏电池输出功率都为0时，整个混合储能系统输出功率数值大于等于冲击性负荷的功率最大值，约束表达式如下：

；

；

其中，plmax为冲击性负荷功率数值。

传统蜂群算法采用随机初始化的方法，这在一定程度上限制了算法的优化效率。为了提升算法初始蜜源的质量，本发明在改进蜂群算法中借助反向学习进行初始化操作。构建随机初始种群及其反向种群，并选择其中的优秀个体构建初始种群。给定雇佣蜂种群数量为、问题维度为以及各维度自变量取值范围，反向学习初始化操作的具体步骤如下:

步骤1:令，转步骤2;

步骤2:若，转步骤3，否则转步骤7;

步骤3:若，转步骤4，否则步骤5;

步骤4:令，，并转步骤5;

步骤5:令，若，转步骤6，否则转步骤3;

步骤6:令，转步骤2;

步骤7:选择集合合和{中前s个优秀个体构建初始种群。

人工蜂群算法虽然搜索速度下，结构简单，但是后期搜索效率不高。因此本系统采用改进的蜂群算法配置容量，具体步骤如下：

步骤1：初始化参数；

初始化所有的食物源向量（m=1,2，…sn,sn代表食物源的数量）。由于每个食物源就是一个解向量，每个解向量中含有i个变量，以下表达式为初始化公式：

其中，表示区间[0,1]上的随机数，和分别是最大边界值和最小边界值。

步骤2：利用反向学习方法构建初始化种群；

雇佣蜂通过随机搜索，找到食物源。为了使得食物源的品质更加优质，雇佣蜂在已经找到的食物源继续搜索新的食物源。发现新的食物源表达式为：

其中，为随机选取的食物源，是介于区间[-1,1]之间的随机数，找到新的食物源后，计算该食物源的适应度，并且利用贪心算法在新旧食物进行选择,适应度计算公式为：

步骤3：雇佣蜂在已经找到的食物源附近继续搜索新的食物源，发现新的食物源的表达式更新为；

步骤4：雇佣蜂根据公式选取好食物源后，继续在食物源的周围寻找新的食物源；

步骤5：侦查蜂判定雇佣蜂找到的食物源质量满足条件时，结束；若食物源不满足条件，这时该种食物源就会被放弃,重新利用公式步骤1寻找食物，直到寻找到最优质的食物源。

为算法在第次迭代的自适应权重，的大小对人工蜂群算法的优化能力影响较大，过大的权重系数有利于全局搜索，较小的权重系数有利于局部搜索，一般情况下，算法往往初期进行全局搜索后期进行局部搜索，其中，为初始权，权重取值为1，为权重退化系数，取值为0.99。的大小对人工蜂群算法的优化能力影响较大，过大的权重系数有利于全局搜索，较小的权重系数有利于局部搜索，一般情况下，算法往往初期进行全局搜索后期进行局部搜索。上述改动使得abc算法在迭代初期以全局搜索为主，迭代后期则侧重于局部搜索。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。