本发明属于智能电网及储能电站功率分配领域，更具体地说是涉及一种计及优化损耗的电池储能系统功率分配方案，适用大规模储能系统经济化运行和储能单元功率合理化分配。
背景技术：
传统能源已不再能满足日益增长的能源需求，充分利用可再生能源是大势所趋。风电和光电直接并网，其具有的随机性、反调峰特性和不可控性将对电力系统的安全稳定运行及运行控制造成不利的影响。
随着各类储能电池及系统集成技术的不断深入研究，将储能系统与可再生能源配合使用现象普遍存在。在储能电池中，全钒液流电池作为电化学储能的一种，以其结构简单、设计灵活(功率、容量可单独设计)、对环境无污染等特点，被广泛用于大容量储能系统。
储能单元间功率的合理化分配对储能系统运行经济性、稳定性及系统运行效率有着较大的影响。现有分配方法根据储能单元间soc比例进行功率分配，全部电池均出力，则存在部分电池非额定功率运行，造成不必要的储能系统运行损耗和储能单元充放电折损；同时全部电池均出力，使部分较低或较高荷电状态的电池提早进入不可控状态，从而增加储能单元充放电次数。
技术实现要素：
本发明是为避免上述现有技术所存在的不足提供一种计及优化损耗的电池储能系统功率分配方案，考虑储能系统的运行损耗和全钒液流电池组充放电容量折损时的优化结果，合理选定储能单元中出力电池组合，降低储能系统的总运行成本，提高储能系统运行效率。
本发明为实现发明目的采用如下技术方案：
本发明计及优化损耗的电池储能系统功率分配方案，所述电池储能系统包括储能设备和储能单元，所述储能单元是由全钒液流电池构成的全钒液流电池组；其特点是所述功率分配方案按如下步骤进行：
步骤1、获取储能系统当前被需求的总功率需求值pes，以及各全钒液流电池的荷电状态值soc，根据荷电状态值soc确定各全钒液流电池的优先级pri和可控信号di；
步骤2、采用遗传算法利用各全钒液流电池的优先级pri和可控信号di，确定本次功率分配中出力全钒液流电池的出力电池个数k，并满足功率分配约束条件；
步骤3、确定遗传算法群体中的个体数目n，每个个体中的基因个数与出力电池个数k相等，对每个个体进行编码，产生遗传算法初始种群p(h)，并令进化代数计数值gen＝0；
步骤4、由式(1)计算获得每个个体所对应的适应度函数值minf：
minf＝αcl(h)+(1-α)cf(h)(1)，
式(1)中，cl(h)是指第h周期的功率分配中储能系统的运行损耗成本，cf(h)是指第h周期的全钒液流电池充放电容量折损成本，α为权重系数；
步骤5、根据所获得的每个个体所对应的适应度函数值minf，设定遗传算法约束条件并采取惩罚因子的方式直接淘汰劣势个体，选择出优势个体进行交叉和变异得到子代插入到种群中进行替代操作，并将进化代数计数值增加1，在gen的值不大于设定的最大进化代数genmax的值时，返回步骤4，否则即完成进化过程，获得优势种群，并进入步骤6；
步骤6、根据所获得的优势种群中的每个个体所对应的适应度函数值minf，确定最优解并将最优解对应的个体进行解码，得出k个基因值即为所对应的各出力全钒液流电池的决策变量xi，所述储能系统功率分配方案中各出力全钒液流电池的出力功率pi由式(2)计算获得：
pi＝dixip额(2)，
式(2)中，p额为单个全钒液流电池的额定运行功率。
本发明计及优化损耗的电池储能系统功率分配方案的特点也在于：在所述步骤1中，若总功率需求值pes为正，则将所述储能系统设置为放电状态，放电状态下的各全钒液流电池的优先级pri是按照soc的大小降序排列；若总功率需求值pes为负，则将所述储能系统设置为充电状态，充电状态下各全钒液流电池的优先级pri是按照soc的大小升序排列。
本发明计及优化损耗的电池储能系统功率分配方案的特点也在于：在所述步骤1中，设置所述可控信号di取值为0或为1；若全钒液流电池的荷电状态值soc处于0.2-0.8，判断全钒液流电池为可控的，将可控信号di置为1，否则将可控信号di置为0，soc∈(0,1)。
本发明计及优化损耗的电池储能系统功率分配方案的特点也在于：在所述步骤2中，所述功率分配约束条件由式(3)所表征：
本发明计及优化损耗的电池储能系统功率分配方案的特点也在于：所述步骤3中，对于每个个体的编码是采用二进制编码。
本发明计及优化损耗的电池储能系统功率分配方案的特点也在于：所述步骤4中，储能系统的运行损耗成本cl(h)包括电池运行损耗成本和储能设备运行损耗成本；假设各电池的等效电阻相同，则电池运行损耗pbat_loss由式(4)所表征：
pbat_loss＝pinternal+pfixd+ppump(4)，
式(4)中pinternal、pfixd和ppump分别为等效内阻损耗、寄生电阻损耗和泵损电流损耗；
储能设备运行损耗pdc_loss为dcdc变换器的损耗，包括导通损耗、开关损耗和静态损耗；
则：储能系统的运行损耗成本cl(h)如式(5)：
式(5)中，kli为电价系数，tc为常量表示时间段；
全钒液流电池充放电容量折损成本cf(h)如式(6)：
式(6)中，j为电池充放电次数，wf(h)为电池每次充或放电容量损失率，cf为全钒液流电池投资购置成本，rc为残余价值。
本发明计及优化损耗的电池储能系统功率分配方案的特点也在于：所述步骤5中，遗传算法约束条件包括能量约束、荷电量约束和充放电功率约束条件。
与已有技术相比，本发明有益效果体现在：
1、本发明采用遗传算法考虑储能系统运行损耗和储能单元运行折损进行功率分配，有效优化了功率损耗、降低储能系统运行成本；
2、本发明根据总功率需求值pes选定合理出力电池个数，根据遗传算法确定出力全钒液流电池的决策变量，使较多个电池额定功率运行，减少储能系统运行损耗，提高储能系统运行效率；
3、本发明储能单元按照优先级pri原则进行功率分配中，储能单元soc在一段时间运行后均趋于一致，减少储能单元进入不可控状态频率，并合理使用超出可控范围的储能系统，从而使让电池在后续分配时刻进入可控状态，增大储能系统运行经济性，减少充放电次数，同时延长储能单元寿命，减少储能单元容量折损。
附图说明
图1为本发明中储能系统功率分配求解流程图；
图2为本发明功率分配soc变化；
具体实施方式
本实施例中以n个容量为45kw/270kwh的全钒液流电池组组成的储能系统为例，n＝4，电池储能系统包括储能设备和储能单元，储能单元是由各全钒液流电池构成的全钒液流电池组。如图1所示，其功率分配方案按如下步骤进行：
步骤1、设置功率分配周期为15min，每15min实时读取当前分布式光伏发电功率pv(h)、当前负荷需求短期预测值pl(h)，由当前负荷预测值减去分布式光伏发电功率获得每周期储能系统被需求的总功率需求值pes(h)，以某光伏储能系统为例。通过各全钒液流电池配置的电池管理系统bms获取各全钒液流电池的荷电状态值soc，根据荷电状态值soc确定各全钒液流电池的优先级pri和可控信号di，本实施例中设定1#、2#、3#和4#共四组电池的初始soc值分别为：0.2、0.3、0.25和0.18，则获得在放电状态下的优先级：pr2＞pr3＞pr1＞pr4，和可控信号d1、2、3＝1与d4＝0，以及获得在充电状态下的优先级pr2＜pr3＜pr1＜pr4和可控信号d1、2、3、4＝1。
本实施例中，若总功率需求值pes为正，则将储能系统设置为放电状态，放电状态下的各全钒液流电池的优先级pri是按照soc的大小降序排列；若总功率需求值pes为负，则将所述储能系统设置为充电状态，充电状态下各全钒液流电池的优先级pri是按照soc的大小升序排列。
将可控信号di取值为0或为1，具体为：若全钒液流电池荷电状态值soc处于0.2-0.8，则判断全钒液流电池为可控，将其可控信号di置为1，否则将可控信号di置为0，soc∈(0,1)。
步骤2、采用遗传算法，利用各全钒液流电池的优先级pri和可控信号di，通过pes(h)值大小确定可满足总功率需求值所需最少电池个数m(m≤n)，并综合优先级pri与可控信号di，确定本次功率分配中出力全钒液流电池的个数k，其中k不小于m，并满足功率分配约束条件。
步骤3、确定遗传算法群体中的个体数目n，根据经验设置n为50，每个个体中的基因个数与出力电池个数k相等，对每个个体进行编码，产生如式(1.0)表征的遗传算法初始种群p(h)，并令进化代数计数值gen＝0；
以szy表征遗传算法初始种群个体中的第z行第y列基因，因第k列取值受功率约束条件限制，故第z行第k列基因由
本实施例中，对于每个个体的编码是采用二进制编码的方式，编码成一个向量，向量中共有k个元素，称为基因，设定遗传算法计算参数，根据遗传算法的取值经验，交叉率pc取0.7、变异率pm取0.01，搜索代数t取50。
步骤4、由式(1)计算并获得每个个体所对应的适应度函数值minf：
minf＝αcl(h)+(1-α)cf(h)(1)，
式(1)中，cl(h)是指第h周期的功率分配中储能系统的运行损耗成本，cf(h)是指第h周期的全钒液流电池充放电容量折损成本，α为权重系数，α∈[0,1]，当α＝0，表示系统总损耗可忽略运行损耗，更看重电池容量折损；当α＝1，表示系统总损耗更看重运行损耗，忽略电池容量折损，α＝0.8表示储能系统运行损耗占总损耗的80％，电池容量折损占20％。
步骤5、根据所获得的每个个体所对应的适应度函数值minf，设定遗传算法约束条件并采取惩罚因子的方式直接淘汰劣势个体，选择出优势个体进行交叉、变异，将交叉算子和变异算子用于群体得到子代，并将子代按照一定插入概率重新插入到种群中进行替代操作，种群中个体的平均性能得到提高，重新计算每个子代所对应的适应度函数。进化代数计数值增加一，依据经验将genmax取值为50，在gen不大于设定的最大进化代数genmax时，返回步骤4，否则即完成进化过程，获得优势种群，并进入步骤6，所指的种群，是指将第一代子代插入初始种群形成第一代种群，随后是将第二代子代插入第一代种群形成第二代种群，以此不断进行种群的替代操作。
步骤6、根据所获得的优势种群中的每个个体所对应的适应度函数值minf，确定最优解并将最优解对应的个体进行解码，得出k个基因值即为所对应的各出力全钒液流电池的决策变量xi，储能系统功率分配方案中各出力全钒液流电池的出力功率pi由式(2)计算获得：
pi＝dixip额(2)，
式(2)中，p额为单个全钒液流电池的额定运行功率。
具体实施中，相关于设置也包括：
在步骤2中，k个出力全钒液流电池需满足式(3)所表征的功率分配约束条件：
在步骤4中，储能系统的运行损耗成本cl(h)包括电池运行损耗成本和储能设备运行损耗成本。其中，全钒液流电池采用等效损耗模型，假设各电池的等效电阻相同，则电池运行损耗pbat_loss由式(4)所表征：
pbat_loss＝pinternal+pfixd+ppump(4)，
式(4)中pinternal、pfixd和ppump分别为等效内阻损耗、寄生电阻损耗和泵损电流损耗，其中：
等效内阻损耗由(4.1)所表征：
pinternal＝i2rres+is2rrea(4.1)，
式(4.1)中rres和rrea表示全钒液流电池内包括反应动力等效的阻抗、传质阻抗、隔膜阻抗、溶液阻抗、电极阻抗和双极板阻抗等在内的电池内部阻抗，根据全钒液流电池相关研究，其取值分别为0.03与0.045，i和is为所流经的电流值。
寄生电阻损耗由(4.2)所表征：
式(4.2)中，ud为电池端口电压，rfixd为电池寄生电阻。
泵损电流损耗由(4.3)所表征：
式(4.3)中，k'为泵升损耗常数，根据全钒液流电池相关研究可以取值为k'＝42.5，istack为电池内部堆栈电流。
储能设备运行损耗pdc_loss主要指dcdc变换器的损耗，包括导通损耗、开关损耗和静态损耗，根据相关研究dcdc变换器转换效率可取95％，因此运行损耗可设定为5％。
则，cl(h)表示如式(5)：
式(5)中，kli为电价系数，电价选非商用用电定价为0.6元/kwh，tc为常量表示时间段，取值为15min。
全钒液流电池容量衰减的因素主要有钒离子扩散和副反应，容量损失取决于其历史循环行为，全钒液流电池充放电容量折损成本cf(h)如式(6)：
式(6)中，j为电池充放电次数，全钒液流电池最大充放电次数可取为20000次；cf为全钒液流电池投资购置成本，市场定价为3000元/kwh；根据全钒液流电池可回收特性，rc为残余价值，定为300元/kwh，wf(h)为全钒液流电池每次充或放电容量损失率，由式(6.1)计算获得：
式(6.1)中r100为放电深度，取值0.000011157，
式(6.2)中，ec/disc为该次充/放电能量，eall为电池总能量，例如当充电54kwh，计算获得当前
本实施例中遗传算法约束条件包括能量约束、荷电量约束、充放电功率约束。
能量约束如式(7)和式(8)所示：
ei(t)＝ei(t-1)+ud(t)×id(t)×t(7)，
emin≤ei(t)≤emax(8)，
式(7)中ei(t)表示第i#电池t时刻存储能量；ei(t-1)表示第i#电池t-1时刻存储能量，充电为正，放电为负；ud(t)和id(t)为对应的t时刻电池端口电压与端口电流；emax和emin分别是剩余能量的上下限值。
荷电量约束如式(9)所示：
socmin≤soc(t)≤socmax(9)，
式(9)中soc(t)为t时刻soc值，socmin和socmax分别为储能单元荷电量约束下限值和上限值。
充放电功率约束条件如式(10)所示：
pimin＜＝pi(t)＜＝pimax(10)，
式(10)中pi(t)表示第i#电池t时刻充放电功率，pimin和pimax分别为第i#电池最大充电功率和最大放电功率。
在图2所示的仿真效果图中，1#、2#、3#和4#曲线一一对应为1#、2#、3#和4#电池的soc曲线，由图2可见，在储能单元初始soc不同的情况下，系统在一段时间运行后趋于一致，且一直趋于一致。仿真分析表明：本发明在进行功率分配时充分考虑储能系统运行损耗和储能单元运行折损，有效优化了功率损耗，降低储能系统运行成本；尽可能使较多的电池在额定功率运行，减少储能系统运行损耗，提高储能系统运行效率；同时充放电转换次数更少，经济性更优。