基于空间变换遗传算法的储能系统的短时优化运行方法

1.本发明涉及储能系统领域，特别涉及遗传算法中对储能系统的约束条件处理。


背景技术：

2.清洁可再生能源容量的优化配置需要考虑新能源系统整个生命周期的运行情况，通常选运行期间的典型日进行优化运行计算，如选一年四季中的典型日。因此容量的优化配置是以日优化运行为基础的二次优化，实际表现为双层优化配置。
3.双层优化配置上层为容量配置，下层为优化运行。双层优化方法主要存在两个问题：优化时间长和处理约束条件时容易出现不收敛。
4.将传统遗传算法用于含储能系统的短时优化运行时，以每个时段的运行功率为优化变量，大大增加了优化变量的数量，使得收敛困难；同时约束条件的限制，减少了可行解的数量，因而使得优化收敛变得更加困难。


技术实现要素：

5.为了解决上述问题，本发明公开了一种基于空间变换遗传算法的储能系统的短时优化运行方法，能够提高储能系统的优化速度。
6.基于空间变换遗传算法的储能系统的短时优化运行方法，包括以下步骤：
7.步骤1，建立蓄电池荷电状态soc的优化模型并得到约束条件：
8.其中，cbat为储能系统的蓄电池容
9.量，n为优化时段数，x(i)为每个时段的充放电功率，x0为蓄电池初始充入蓄电池的容量，p
max
为单位时间最大充放电功率；
10.步骤2，初始化充放电功率x(i)，在变换空间内计算适应度值，具体包括：
11.步骤2.1，变换原变量x(i)为优化变量x'(i)，并将原变量x(i)减去n个分量的平均值，使优化变量x'(i)满足然后进入步骤2.2；
12.步骤2.2，计算优化变量x'(i)的最大值max|x'(i)|以判断x'(i)是否满足约束条件-p
max
≤x'(i)≤p
max
，若满足条件则进入步骤2.3，否则，对每一个变量进行整体压缩，然后进入步骤2.3；
13.步骤2.3，计算的最大值和最小值以判断x'(i)是否满足约束条件满足条件时进入步骤3，否则，将优化变量x'(i)分别按比例缩小，然后进入步骤3；
14.步骤3，判断优化变量x'(i)是否满足终止条件，若满足条件则输出最优个体并结束循环，否则，进行选择、交叉、变异操作产生新一代的充放电功率x(i)，返回步骤2。
15.有益效果：
16.本发明提出了基于空间变换遗传算法的储能系统的短时优化运行方法，通过考虑约束条件的空间变换遗传算法的单层储能优化配置，从编码空间变换到约束空间，使约束条件自然满足，不会减少可行解的数量；同时在约束空间中作无约束优化，容易实现和收敛，加快了储能系统的优化速度；解决处理储能系统的优化中，现有遗传算法处理约束条件容易出现不收敛和双层配置优化时间长的两大问题，可用于大型风电场储能及大型楼宇风光储优化配置。
附图说明
17.图1为本发明一个实施例的空间变换遗传算法流程图；
18.图2为本发明一个实施例的空间变换流程图；
19.图3为本发明一个实施例的可行解概率与k的关系曲线图；
20.图4为本发明一个实施例的可行解概率与kx的关系曲线图；
21.图5为本发明一个实施例的每个时段的c(i)曲线；
22.图6为本发明一个实施例的空间变换法优化的x(i)曲线；
23.图7为本发明一个实施例的空间变换法优化的最佳和平均函数值。
具体实施方式
24.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，所描述的实施例仅仅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做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。
25.如图1所示，本发明公开了一种储能系统的短时优化运行方法，本专利提出了以实数编码为基础的空间变换遗传算法，即交叉和变异等遗传操作在编码空间实现，通过空间变换，将无约束的编码转换为满足约束的编码空间，优化指标在约束空间进行，这样没有损失可行解，有利于优化结果的收敛；将基于遗传算法的双层优化配置转换为单层优化配置，而利用提出的空间变换实现容量优化时的约束处理，大大提高了优化速度。一般来说，单层优化方法的优化速度是双层优化方法的速度的100倍以上。
26.由于储能系统的存在，使得优化变量增加，若储能系统的蓄电池容量为cbatkwh，令蓄电池的放电后满足不损坏蓄电池的最小容量为cbat
min
，则蓄电池能够充入蓄电池的容量为x
max
(x
max
＝cbat-cbat
min
)。n为优化时段数，x(i)为每个时段的充放电功率，放电时功率为负，c(i)为每个时段的电价，充放电功率优化的目标是使得收益最大，同时应满足一个优
化周期后，蓄电池应回到原来的状态，即x(i)的和应为0，同时任意一个时段蓄电池soc不能超过蓄电池容量，综上所述，可得到如下优化模型，如式(1)所示：
[0027][0028]
假设蓄电池初始充入蓄电池的容量为x0，则j时刻的soc可表示为如式(2)所示：
[0029][0030]
综合上述公式，满足的约束条件为：
[0031][0032]
x0为蓄电池初始充入蓄电池的容量，p
max
为单位时间最大充放电功率。
[0033]
当采用遗传算法满足式(3)的可行解将大大减少，不利于遗传算法的收敛。传统遗传算法是比较常见的优化算法，将遗传算法用于含储能系统的短时优化运行时，以每个时段的运行功率为优化变量，大大增加了优化变量的数量，使得收敛困难；同时约束条件的限制，减少了可行解的数量，因而使得优化收敛变得更加困难。
[0034]
遗传算法的编码方法主要有二进制编码和实数编码，二进制编码因适合于遗传算法中的交叉和变异运算而被广泛使用，但二进制编码对约束条件的处理比较困难，因而常采用的方法是惩罚法，即将约束条件作为适应度函数的惩罚项。但惩罚法实际减少了种群的数量，对优化收敛不利。故本专利采用实数编码，有利于对约束条件的处理。
[0035]
为此本专利研究了在遗传算法中的可行解的数量的变化。从式(3)中看出，约束条件与有关，因此需要研究的概率分布。
[0036]
假设x(i)满足均匀分布u(-p
max
,p
max
)，其均值μ＝0，方差求的分布函数的解析解比较困难，根据独立同分布的中心极限定理，当n充分大时，可近似为满足标准正态分布n(0，1)。满足的概率为即
[0037]
由式(4)可知，n越大，概率越小，为此可选最坏情况n＝24分析(一天24小时的优化调度)；此外出现可行解概率与p
max
、cbat、x0也有关，当p
max
、cbat一定时，p与x0＝kcbat有关，其中k为x0与cbat的比例系数。为分析p与k之间的关系，当cbat＝100，p
max
＝50时，p与k之间的关系曲线如图(3)所示。
[0038]
由图3可以看出，k＝0.5时，可行解出现的概率最大。
[0039]
对于式(3)中的等式约束，由于编码精度和计算精度问题，实际不能准确满足等式，为此可将其控制在较小的误差范围内，即如式(5)所示
[0040][0041]
式中k
x
为允许的误差与x
max
系数。图(4)为可行解出现的概率与k
x
的关系曲线，从图中可以看出，k
x
越小，即约束精度越高，可行解出现的概率越低。当k
x
＝0.1，p＝0.0564。这说明将等式约束控制在相对误差0.1的范围内，可行解数量大大减小，若要保持和无约束情况下相同的可行解数量，需要将种群数量扩大到原来的倍。
[0042]
基于此，本发明提出了空间变换的遗传算法优化策略，基本思路是对于实数编码，当不满足约束条件时，考虑到本文约束条件较简单，将原始编码的数据转换到满足约束条件的空间，从而使得任何编码都是可行解。
[0043]
如图1至图2所示，分别为本发明的变换遗传算法流程图及空间变换流程图。
[0044]
对于式(3)中等式约束，初始化种群即充放电功率x(i)，在变换空间内计算适应度值：
[0045]
设x'(i)为变换后的优化变量，变换关系为如式(6)所示：
[0046][0047][0048]
式(6)中将原变量减去n个分量的平均值，自然满足式(7)的等式约束。
[0049]
为判断变换后所有的x'(i)满足-p
max
≤x'(i)≤p
max
约束条件，求出x'(i)的最大值max|x'(i)|，若max|x'(i)|＞p
max
，则需要将所有变量按比例缩小，即x'(i)＝x'(i)cbat/max|x'(i)|。
[0050]
为判断所有i＝1
…
n满足条件，求出的最大值当此最大值不满足此条件时，将所有变量按比例缩小，即同
理，当的最小值不满足条件时，即说明为负数，且绝对值较大，同样按最大的绝对值将所有变量压缩，即如若两个不等式约束同时都不满足，则按照压缩力度最大的压缩比将所有变量进行压缩：即
[0051]
经过一系列操作后的变量可满足所有约束。
[0052]
判断是否满足终止条件：终止条件为适应度值达到期望值或迭代次数达到最大值。如果满足条件，则输出最优个体并结束循环，不满足，则执行以下操作：
[0053]
选择：运用选择算子从上一代种群中选择适应度高的个体，选择算子为轮盘赌选择法。
[0054]
变异：依据变异概率执行变异操作，变异概率取较小值为0.001～0.1。
[0055]
产生新一代种群即充放电功率x(i)并返回步骤2，在变换空间内计算适应度值，直到得到最优个体。
[0056]
本实施例中储能系统短时优化方法以储能设备蓄电池为优化对象，通过短时优化运行方法计算出最优的优化方案，即以每个小时为单位，控制蓄电池充电/放电，以及充电/放电的功率。
[0057]
为验证上述方法的可行性，对空间变换法进行测试，测试的遗传算法的种群数量为200，优化代数为2000，交叉概率为0.8，变异概率为0.2，状态变量初始值和约束值如下：p
max
＝x
max
＝100,x0＝0。图5为24个时段的c(i)曲线，图6和图7为空间变换法的优化变量和优化函数值。
[0058]
从图6的运行结果看出，蓄电池在低价时充电、高价时发电，符合实际运行规律；图7中为各代的函数平均值和最佳值，可以看出随着优化代数的增加，函数平均值趋向于最佳值，说明整体染色体趋向于最优染色体。
[0059]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。