一种微电网储能电站的混合储能容量优化配置方法及装置与流程

本发明属于微网储能系统配置优化技术领域，具体涉及一种微电网储能电站的混合储能容量优化配置方法及装置。

背景技术：

随着能源与环境问题的日益严峻，节能减排问题已得到广泛关注，风能、太阳能等清洁能源在我国一次能源中的比重逐步提升，相应的风力发电、光伏发电近年来也得到了大力发展。风力和光伏发电主要依赖于变化的气象条件，其发电的输出功率存在波动性、随机性及间歇性等问题，为了解决该问题，微电网应运而生，微电网是一个小型的可控系统，它将分布式电源、储能单元、负荷以及一些可控单元等有机地结合在一起，向用户输送电能，可大幅提高分布式电源的渗透率。储能系统作为微电网必不可少的关键部分，在微电网并网运行时具有平抑微电网内分布式电源引起的功率波动、平滑系统负荷波动、储存多余电能、作为系统后备电源等功能，微电网在孤网运行时，储能系统具有为分布式电源提供电压源支撑、平衡微电网内功率分配、作为孤网的后备电源等功能。

目前，工程中用于平抑分布式电源发电波动的储能设备一般选用蓄电池，蓄电池作为能量型储能装置，具有能量密度大、存储能力强等特点，但同时也存在充放电周期长、寿命短、成本高等缺点，因而限制了储能技术的应用。超级电容器作为目前应用最为广泛的功率型储能装置，具有功率密度大、充放电周期短、储能效率高、循环寿命长等特点，可有效地平抑分布式电源发电中的短时间、小幅度的功率波动。通常将能量型储能装置和功率型储能装置结合在一起使用，形成优势互补的混合储能装置，可以优化蓄电池充放电状态，明显减少蓄电池充电和放电次数，延长使用寿命，降低系统运行成本。

大容量的混合储能装置通常价格昂贵，混合储能装置的成本往往占微网总成本的20％-30％，为了进一步提高微电网中混合储能装置的经济性，国内外很多学者开展了混合储能装置容量配置的大量研究，大部分只是考虑了混合储能装置的初次购置费用，而未考虑混合储能装置使用过程中的购买、运行、维护以及处理等方面所需费用，即全生命周期成本。因此，以混合储能装置的全生命周期成本为优化目标，通过优化算法，合理配置蓄电池和超级电容器的容量和数量，成为微电网混合储能系统的研究方向之一，特别是以全生命周期成本最小为目标，建立预装式微电网储能电站混合储能系统容量优化配置模型。

在优化算法中，粒子群优化算法自身具有并行搜索、鲁棒性强的特点，能以较大概率搜索到目标函数全局最优解，并且比传统随机算法方法的计算效率高很多，例如申请公布号为cn106251005a的中国专利申请提出的“一种基于改进粒子群算法的混合储能容量优化配置方法”，但是该方法的不足之处在于：①只考虑负荷的能量的缺失率未考虑分布式电源发电能量损失率，不能客观全面反映出储能系统容量配置合理性；②蓄电池充放电没有进行策略性保护延长蓄电池寿命；③粒子初始化随机，不能或者较慢找到最优解；④惯性权重与学习因子线性更新，无法根据粒子群体进化阶段所在状态进行调整，⑤无法根据粒子质量状态，采取针对性进化策略，限制了寻找最优解的可能性，⑥局部寻优能力不强，精度相对较低；在搜索过程中粒子群容易丧失多样性，陷入局部最优等弊端；最终因为配置的蓄电池和超级电容器的容量和数量不合理，导致得到的混合储能装置的全生命周期成本仍然相对较高，不利于微电网中混合储能装置的经济性。

技术实现要素：

本发明的目的是提供一种微电网储能电站的混合储能容量优化配置方法及装置，用于解决现有技术因为配置的蓄电池和超级电容器的容量和数量不合理，而导致混合储能装置的全生命周期成本仍然相对较高，不利于微电网中混合储能装置的经济性的问题。

为解决上述技术问题，本发明提出一种微电网储能电站的混合储能容量优化配置方法，包括以下解决步骤：

1)获取微电网储能电站的优化配置模型，微电网储能电站的结构包括：风力发电机组和/或光伏阵列，由蓄电池组和超级电容器组构成的混合储能装置；所述优化配置模型包括以混合储能装置的全生命周期成本最小的目标函数，及根据微电网储能电站的供电可靠性指标确定的约束条件；

2)采用以下改进的粒子群算法求解优化配置模型：

2-1)对粒子进行混沌初始化，根据混沌初始化后初始粒子的适应度将初始粒子群至少分为两组；

2-2)根据相应组初始粒子的适应度选择对相应组初始粒子进行寻优的优化算法，确定所述优化配置模型的最优解。

为解决上述技术问题，本发明还提出一种微电网储能电站的混合储能容量优化配置装置，包括处理器，处理器用于执行计算机程序时上述混合储能容量优化配置方法。

上述混合储能容量优化配置方法及装置的有益效果为：

本发明在获取优化配置模型后，首先对粒子进行混沌初始化，其次对粒子的更新迭代引入分组策略，根据对应组初始粒子的适应度分别采取不同的进化策略，对相应组的初始粒子进行寻优，最终确定优化配置模型的最优解，提升了算法寻优性能，寻找到最优解，且最优解显示的蓄电池和超级电容器的容量和数量配置合理，使混合储能装置的全生命周期成本最低，大大提升了微电网中混合储能装置的经济性。

步骤2-1)具体为：对粒子进行混沌初始化，根据混沌初始化后初始粒子的适应度将初始粒子群分为优、中、差三组，优组的初始粒子的适应度小于第一设定值、中组的初始粒子的适应度在第一设定值和第二设定值之间、差组的初始粒子的适应度大于第二设定值，第一设定值小于第二设定值；

步骤2-2)具体为：对于优组的初始粒子采用aea算法进行粒子寻优，对于中组的初始粒子采用云发生器进行粒子寻优，对于差组的初始粒子采用混沌优化算法进行粒子寻优；根据aea算法、云发生器和混沌优化算法确定所述优化配置模型的最优解。

本发明在获取优化配置模型后，首先对粒子进行混沌初始化，其次对粒子的更新迭代引入分组策略，即将初始粒子群分优、中、差三组，分别采取不同的进化策略，对优组的初始粒子采取aea算法，只用小范围挖掘，以期在局部寻找更优的粒子；对中组的初始粒子采取云发生器进行寻优，利用云发生器的便捷性、随机性和稳定性的特点，提高算法收敛速度；差组的初始粒子采取混沌优化算法，以在大范围继续寻优，遍历整个解空间；然后，优、中、差三组粒子经过固定代数迭代循环，直到满足收敛条件算法结束，得出优化配置模型的最优解，本发明克服了对初值的依赖(非线性方程组的求解在天气预报、石油地质勘探、计算力学、控制等工程领域中均有较强的应用背景。但对其求解仍是一个难题，牛顿迭代法及其改进形式是目前应用广泛的方法，此类算法的收敛性在很大程度上依赖于初值，不适的初值将导致算法失效；而初值的选择并非易事，为此，有必要探索高效可靠的算法；本发明的初值就是蓄电池单体数m和超级电容器单体数n组成的粒子(m,n)，通过混沌初始化可使若干个初始粒子群均匀遍布整个解空间，比随机初始化寻找最优解更快精度更高)，提升了算法寻优性能，寻找到最优解，且最优解显示的蓄电池和超级电容器的容量和数量配置合理，使混合储能装置的全生命周期成本最低，大大提升了微电网中混合储能装置的经济性。

为实现初始粒子群的合理分组，所述第一设定值和第二设定值的计算式如下：

式中，fg1为第一设定值，fg2为第二设定值，两个分组点fg1、fg2通过以下公式计算得到：

fg1＝1.618favg

frange＝fmax-fmin

fg2＝fmin+frange/1.618

式中，fi为初始粒子群，i＝1,2,…,n，favg、fmin、fmax分别为初始粒子群fi的平均适应度、最小适应度、最大适应度，frange为中间变量。

为确定具体的供电可靠性指标，所述供电可靠性指标包括分布式电源能量损失率flppp、负荷能量缺电率flpsp，计算式如下：

flppp＝elpp/eg

flpsp＝elps/el

式中，elpp为分布式电源的损失能量，eg为分布式电源的发电量，elps为负荷缺电量，el为负荷需求电量。

上述优化配置模型的目标函数为：

lccmin＝civ+coc+cmc+cdc＝(1+fob+fmb+fdb)mpb+(1+foc+fmc+fdc)npc

其中，lcc为混合储能装置的全生命周期成本；civ为混合储能装置的购买费用；coc为混合储能装置的运行费用；cmc为混合储能装置的维护费用；cdc为混合储能装置的处理费用，包括报废费用和残值费用；m、n分别是蓄电池、超级电容器的数量；pb、pc分别是蓄电池、超级电容器的单价；fob、foc分别是蓄电池、超级电容器的运行系数；fmb、fmc分别是蓄电池、超级电容器的维护系数；fdb、fdc分别是蓄电池、超级电容器的处理系数。

基于上述供电可靠性指标，确定优化配置模型的如下约束条件，包括：

flppp(m,n)≤flpppmax

flpsp(m,n)≤flpspmax

|(pba(k,m)+puc(k,n))·ηc|＝|pl(k)-[ppv(k)+pw(k)]·ηc|

其中，m、n分别表示蓄电池单体数和超级电容器单体数，k为时刻，flpppmax、flpspmax分别表示分布式电源能量损失率、负荷能量缺电率的最大允许值；ppv(k)、pw(k)、pl(k)分别为k时刻的光伏发电功率、风力发电功率、负荷需求功率，ηc是逆变器的功率转换效率，pba为蓄电池组的功率，puc为超级电容器组的功率。

为使目标函数的解更加准确，优化配置模型中增加如下约束条件：

储能系统的储能量与功率的约束条件：

pba(k,m)＝0或pba(k,m)＝pban(m)

puc(k,n)≤pucmax(n)

ebamin(m)≤eba(k,m)≤eban(m)

eucmin(n)≤euc(k,n)≤eucmax(n)

其中，k为时刻，pba为蓄电池组的功率，pban为蓄电池组的额定功率，puc为超级电容器组的功率，pucmax为超级电容器组的最大功率，ebamin、eba、eban分别为蓄电池组的最小剩余储能量、充/放电后的当前储能量、额定储能量；eucmin、euc、eucmax分别为超级电容器组的最小储能量、充/放电后的当前储能量和最大储能量；

蓄电池组的输出功率的约束条件：

pban(m)＜μ·pl

其中，μ为比重，pl为总负荷额定功率。

为确定分布式电源的损失能量，通过以下步骤确定：

(1)当pleft·ηc≥pban+pucmax，蓄电池和超级电容器均满额充电，且eba＞eban时，所述损失能量的计算式为：

elpp＝[pleft·ηc-(pban+pucmax)]t+[pban(1-ηbac)+pucmax(1-ηucc)]t+(eba-eban)

(2)当pleft·ηc≥pban+pucmax，蓄电池和超级电容器均满额充电，且eba＜eban时，所述损失能量的计算式为：

elpp＝[pleft·ηc-(pban+pucmax)]·t+[pban(1-ηbac)+pucmax(1-ηucc)]t

(3)当pleft·ηc＜pban+pucmax，pleft·ηc≥pban，蓄电池优先充电、超级电容器后充电，且eba＞eban、pleft·ηc≥pucmax时，所述损失能量的计算式为：

elpp＝pban(1-ηbac)t1+[(pleft·ηc-pban)t1+pucmax(t-t1)](1-ηucc)+(pleft·ηc-pucmax)(t-t1)

(4)当pleft·ηc＜pban+pucmax，pleft·ηc≥pban，蓄电池优先充电、超级电容器后充电，且eba＞eban、pleft·ηc＜pucmax时，所述损失能量的计算式为：

elpp＝pban(1-ηbac)t1+[(pleft·ηc-pban)t1+pleft·ηc(t-t1)](1-ηucc)

(5)当pleft·ηc＜pban+pucmax，pleft·ηc≥pban，蓄电池优先充电、超级电容器后充电，且eba＜eban时，所述损失能量的计算式为：

elpp＝[pban(1-ηbac)+(pleft·ηc-pban)(1-ηucc)]t

(6)当pleft·ηc＜pban+pucmax，pleft·ηc＜pban，蓄电池不充电、仅超级电容器充电，且pleft·ηc≥pucmax时，所述损失能量的计算式为：

elpp＝(pleft·ηc-pucmax)t+pucmax(1-ηucc)t

(7)当pleft·ηc＜pban+pucmax，pleft·ηc＜pban，蓄电池不充电、仅超级电容器充电，且pleft·ηc＜pucmax时，所述损失能量的计算式为：

elpp＝pleft·ηc(1-ηucc)t

式中，pleft为分布式电源的剩余功率，ηc是逆变器的功率转换效率，pban为蓄电池组的额定功率，pucmax为超级电容器组的最大功率，eba、eban分别为蓄电池组的当前充放电后储能量、额定储能量，ηbac、ηucc分别为蓄电池、超级电容器的充电效率，t为时间(为单位时间间隔)，t1＝(eban-ebar)/(pbanηbac)，且t1<t。

为确定负荷缺电量，采用以下步骤确定：

(1)当plack≥(pban+pucmax)·ηc，蓄电池和超级电容器均满额放电，且eba＜ebanmin时，所述负荷缺电量的计算式为：

elps＝[plack-(pban+pucmax)ηc]t+(ebamin-eba)ηbadηc

(2)当plack≥(pban+pucmax)·ηc，蓄电池和超级电容器均满额放电，且eba＞ebanmin时，所述负荷缺电量的计算式为：

elps＝[plack-(pban+pucmax)ηc]t

(3)当plack＜(pban+pucmax)·ηc、plack≥pban·ηc，蓄电池优先放电、超级电容器后放电，且eba＜ebanmin时，所述负荷缺电量的计算式为：

elps＝(plack-pucηc)(t-t1)

(4)当plack＜(pban+pucmax)·ηc、plack≥pban·ηc，蓄电池优先放电、超级电容器后放电，且eba＞ebanmin时，所述负荷缺电量的计算式为：

elps＝0

(5)当plack＜(pban+pucmax)·ηc、plack＜pban·ηc，蓄电池不放电、仅超级电容器放电，所述负荷缺电量的计算式为：

elps＝(plack-pucηc)t

式中，plack为分布式电源的功率缺失，ηc是逆变器的功率转换效率，pban为蓄电池组的额定功率，puc为超级电容器组的功率，pucmax为超级电容器组的最大功率，eba、ebanmin分别为蓄电池组的当前剩余储能量、最小剩余储能量，ηbad、ηucd分别为蓄电池、超级电容器的放电效率，t为单位时间间隔，t1＝(ebar-ebamin)/(pbanηbad)，且t1<t。

附图说明

图1是本发明的微电网储能电站的混合储能容量优化方法流程图；

图2是现有技术中的预装式微电网储能电站结构的示意图；

图3是本发明的分布式电源能量损失率与负荷能量缺失率计算流程图；

图4(a)是本发明的混合储能装置的充电流程图；

图4(b)是本发明的混合储能装置的放电流程图；

图5是本发明的学习因子耦合收敛策略曲线示意图；

图6是本发明的云模型与其数字特征展示示意图；

图7是本发明的融合aea算法的混沌云粒子群优化算法流程图；

图8是本发明的aea算法流程图；

图9是本发明的混沌优化算法流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的说明。

如图1所示的微电网储能电站的混合储能容量优化方法，包括如下步骤：

步骤一：确定预装式微电网储能电站结构；

步骤二：确定供电可靠性指标；

步骤三：确定以混合储能设备全生命周期成本最小为目标函数；

步骤四：确定约束条件；

步骤五：采用融合aea算法(alopex-basedevolutionaryalgorithm,基于alopex的群智能进化算法)的混沌云粒子群算法(即改进的粒子群算法)求解优化配置模型。

具体实施过程如下：

为了提高预装式微电网储能电站的经济性，减少其运行成本，本发明提出预装式微电网储能电站的混合储能容量优化配置模型，采用蓄电池和超级电容器作为预装式微电网储能电站混合储能装置，以其全生命周期成本最小为目标，以供电可靠性指标等为约束条件，建立混合储能容量优化配置模型；其次，提出一种融合aea算法的混沌云粒子群算法，利用该算法求解优化配置模型。具体过程如下：

1)确定预装式微电网储能电站结构：

将蓄电池组和超级电容器组组合作为混合储能装置，预装式微电网储能电站结构由风力发电机组、光伏阵列、柴发、蓄电池组、超级电容器组、变流器和负载组成。如图2所示。

2)确定系统供电可靠性指标：

选取分布式电源能量损失率flppp、负荷能量缺电率flpsp作为系统供电可靠性指标：即：

flppp＝elpp/eg

flpsp＝elps/el

其中，分布式电源能量损失率flppp为分布式电源的损失能量elpp与分布式电源发电量eg(包括光伏与风电的分布式电源)的比值；负荷缺电率flpsp为负荷缺电量elps与负荷需求电量el的比值。

结合预装式微电网储能电站所在地风机年发电预测数据、光伏年发电预测数据、年负荷功率预测数据，分布式电源能量损失率flppp、负荷能量缺电率flpsp的计算过程如下：

记功率差额δp＝(ppv(k)+pw(k))·ηc-pl(k)

其中，ppv(k)、pw(k)、pl(k)分别为k时刻的光伏发电功率、风力发电功率、负荷需求功率；ηc是逆变器的功率转换效率。

当光伏和风电发电功率满足负荷需求时，即δp＞0时，分布式电源存在剩余功率pleft，此时如果混合储能装置的剩余容量ecnr未处于满额状态ecnmax，则控制分布式电源为混合储能装置充电；若混合储能装置的剩余容量ecnr处于满额状态ecnmax，分布式电源将产生能量损失，分布式电源的损失能量的计算式为：elpp(k)＝{[ppv(k)+pw(k)]·ηc-pl(k)}·t，其中，ηc表示逆变器的转换效率。

当光伏和风电发电功率无法满足负荷需求时，即δp＜0时，则分布式电源出现功率缺失plack，若混合储能装置的剩余能量ecnr大于最小剩余能量ecnmin，控制混合储能装置为分布式电源放电，以弥补功率缺失；若混合储能装置的剩余能量ecnr不大于最小剩余能量ecnmin，则由电网来弥补能量缺失，分布式电源的能量缺失量(即负荷缺电量)的计算式为：elps(k)＝{pl(k)-[ppv(k)+pw(k)]·ηc}·t。

计算分布式电源能量损失率flppp、负荷能量缺电率flpsp流程如图3所示，其中ecnr、ebar、eucr分别为混合储能装置、蓄电池组、超级电容器组充/放电之前的剩余能量；eba、euc表示蓄电池组和超级电容器组经过充/放电后的当前储能量；ecnmax、ecnmin分别表示混合储能装置的能量最大值和最小值，t为时刻总数(以年的小时数8760为准，小时为单位)。

蓄电池的额定储能量为eban(单位为mw·h)，蓄电池的最小剩余储能量为ebamin，即：

eban＝m·cba·uba/10⁶

ebamin＝m·cba·uba·(1-dod)/10⁶

式中，m为蓄电池个数，uba(v)为蓄电池的额定电压，单位v；cba(ah)为额定电容量，单位ah；dod为最大放电深度。

在实际情况中，超级电容器的工作电压范围为uucmin～uucmax，则该超级电容器组的最大储能量为：

最小储能量为：

式中，n为超级电容器个数；uuc为超级电容器的端电压；cuc为电容值。

混合储能装置的充电流程如图4(a)所示，不同的情况对应计算的分布式电源的损失能量也不同，分为t1～t7种情况，说明如下：

t1：当pleft·ηc≥pban+pucmax时，系统剩余功率大于蓄电池组额定功率pban和超级电容器组最大功率pucmax之和，蓄电池组以额定功率pban充电，超级电容器以最大功率pucmax进行充电；并且在这种情况下蓄电池组经过单位时间t充电达到了额定储能量eban，当前时刻充电后储能量eba达到eban时，中断蓄电池组充电，多余浪费的能量部分以(eba-eban)形式计算得出；蓄电池组能量损失量elpp包括直接废弃的分布式电源功率、充电过程中产生的效率损失以及因蓄电池充满后的浪费，分布式电源的损失能量的计算公式为：

elpp＝[pleft·ηc-(pban+pucmax)]t+[pban(1-ηbac)+pucmax(1-ηucc)]t+(eba-eban)

t2：当pleft·ηc≥pban+pucmax时，系统剩余功率大于蓄电池组额定功率pban和超级电容器组最大功率pucmax之和，蓄电池组以额定功率pban充电，超级电容器以最大功率pucmax进行充电；并且在这种情况下蓄电池组经过单位时间t充电未达到额定储能量eban，没有多余浪费的能量部分，分布式电源的损失能量的计算公式为：

elpp＝[pleft·ηc-(pban+pucmax)]·t+[pban(1-ηbac)+pucmax(1-ηucc)]t

t3：当pleft·ηc＜pban+pucmax，pleft·ηc≥pban时，蓄电池组以额定功率pban优先充电，超级电容器组以功率puc＝pleft·ηc-pban进行充电，经过时间t1后，其中t1＜t，t1＝(eban-ebar)/(pbanηbac)，蓄电池组达到额定容量eban，中断蓄电池组充电，此时pleft·ηc≥pucmax，在随后t-t1时间段仅有超级电容器充电，且充电功率以超级电容器最大功率进行，即puc＝pucmax，分布式电源的损失能量的计算公式为：

elpp＝pban(1-ηbac)t1+[(pleft·ηc-pban)t1+pucmax(t-t1)](1-ηucc)+(pleft·ηc-pucmax)(t-t1)

t4：当pleft·ηc＜pban+pucmax，pleft·ηc≥pban时，蓄电池组以额定功率pban优先充电，超级电容器组以功率puc＝pleft·ηc-pban进行充电，经过时间t1后，其中t1＜t，t1＝(eban-ebar)/(pbanηbac)，蓄电池组达到额定容量eban，中断蓄电池组充电，此时pleft·ηc＜pucmax，在随后t-t1时间段仅有超级电容器充电，充电功率puc＝pleft·ηc，分布式电源的损失能量的计算公式为：

elpp＝pban(1-ηbac)t1+[(pleft·ηc-pban)t1+pleft·ηc(t-t1)](1-ηucc)

t5：当pleft·ηc＜pban+pucmax，pleft·ηc≥pban时，蓄电池组以额定功率pban优先充电，超级电容器组以功率puc＝pleft·ηc-pban进行充电，经过t时间，蓄电池组未达到额定储能量eban，分布式电源的损失能量的计算公式为：

elpp＝[pban(1-ηbac)+(pleft·ηc-pban)(1-ηucc)]t

t6：当pleft·ηc＜pban+pucmax，pleft·ηc＜pban，pleft·ηc≥pucmax时，系统剩余功率小于蓄电池额定功率，大于超级电容器组最大功率pucmax，此时只对超级电容器组充电，且充电功率puc＝pucmax，分布式电源的损失能量的计算公式为：

elpp＝(pleft·ηc-pucmax)t+pucmax(1-ηucc)t

t7：当pleft·ηc＜pban+pucmax，pleft·ηc＜pban，pleft·ηc＜pucmax时，系统剩余功率小于蓄电池额定功率，小于超级电容器组最大功率pucmax，此时只对超级电容器组充电，且充电功率puc＝pleft·ηc，分布式电源的损失能量的计算公式为：

elpp＝pleft·ηc(1-ηucc)t

根据实际情况可能出现t1～t7任意一种，检测超级电容器组本身状态：①当euc＞eucmax时，即超级电容器组经过单位时间t充电达到了最大储能量eucmax，当前时刻充电后储能量euc达到eucmax时，中断超级电容器组充电，多余浪费的能量部分以(euc-eucmax)形式计算得出；并在t1～t7计算elpp的基础上进行累加；②当euc≤eucmax时，不存在多余浪费的能量部分；至此充电结束。

式中，pleft为分布式电源的剩余功率，ηc是逆变器的功率转换效率，pban为蓄电池组的额定功率，pucmax为超级电容器组的最大功率，eba、eban分别为蓄电池组充/放电后的当前储能量、额定储能量，ηbac、ηucc分别为蓄电池、超级电容器的充电效率，t单位时间间隔，此处为充电时间，且t>t1，t1＝(eban-ebar)/(pbanηbac)，ebar为蓄电池组充电之前的剩余能量。

混合储能装置的放电流程如图4(b)所示，不同的情况对应计算的分布式电源的能量缺失量也不同，同样分为t1～t5种情况，说明如下：

t1：当plack≥(pban+pucmax)·ηc时，系统缺失功率大于蓄电池组额定功率pban和超级电容器组最大功率pucmax之和，蓄电池组以额定功率pban放电，超级电容器以最大功率pucmax放电；并且在这种情况下蓄电池组经过单位时间t放电达到了最小储能量ebamin，当前时刻放电后储能量eba达到ebamin时，中断蓄电池组放电，多余缺失的能量部分以(ebamin-eba)形式计算得出；分布式电源的能量缺失量elps的计算公式为：

elps＝[plack-(pban+pucmax)ηc]t+(ebamin-eba)ηbadηc

其中，ηbad、ηucd分别是蓄电池、超级电容器的放电效率。

t2：当plack≥(pban+pucmax)·ηc时，系统缺失功率大于蓄电池组额定功率pban和超级电容器组最大功率pucmax之和，蓄电池组以额定功率pban放电，超级电容器以最大功率pucmax进行放电；并且在这种情况下蓄电池组经过单位时间t放电未达到最小储能量ebamin，不存在多余缺失的能量部分，分布式电源的能量缺失量elps的计算公式为：

elps＝[plack-(pban+pucmax)ηc]t

t3：当plack＜(pban+pucmax)·ηc，plack≥pban·ηc时，蓄电池组以额定功率pban优先放电，超级电容器组以功率puc＝plack/ηc-pban进行放电，经过时间t1后，其中t1＜t，t1＝(ebar-ebamin)/(pbanηbad)，当前时刻放电后储能量eba达到ebamin时，中断蓄电池组放电，①当plack≥pucmaxηc，在随后t-t1时间段只有超级电容器放电，且放电功率以超级电容器最大功率进行，即puc＝pucmax；②当plack＜pucmaxηc，在随后t-t1时间段只有超级电容器放电，且放电功率以puc＝plack/ηc进行；由于②中无能量缺失，将①和②两种情况合并计算分布式电源的能量缺失量，分布式电源的能量缺失量elps的计算公式为：

elps＝(plack-pucηc)(t-t1)

t4：当plack＜(pban+pucmax)·ηc，plack≥pban·ηc时，蓄电池组以额定功率pban优先放电，超级电容器组以功率puc＝plack/ηc-pban进行放电，经过时间t后，蓄电池组放电后储能量eba未达到ebamin，此阶段不存在两阶段放电，因此无能量缺失，即elps＝0。

t5：当plack＜(pban+pucmax)·ηc，plack＜pban·ηc时，系统缺失功率小于蓄电池组额定功率pban，因此只有超级电容器组进行放电：

①当plack≥pucmaxηc时，超级电容器放电功率以最大功率进行，即puc＝pucmax；②当plack＜pucmaxηc，超级电容器放电功率以puc＝plack/ηc进行；由于②中无能量缺失，将①和②两种情况合并计算分布式电源的能量缺失量，分布式电源的能量缺失量elps的计算公式为：

elps＝(plack-pucηc)t

式中，plack为分布式电源的功率缺失，ηbad、ηucd分别为蓄电池、超级电容器的放电效率，在放电阶段t为单位时间间隔，t1为t1＝(ebar-ebamin)/(pbanηbad)，且t1<t，ebar为蓄电池组放电之前的剩余能量。

根据实际情况可能出现t1～t5任意一种，检测超级电容器组本身状态：①当euc＜eucmin时，即超级电容器组经过单位时间t放电达到了最小储能量eucmin，当前时刻放电后储能量euc达到eucmin时，中断超级电容器组放电，多余缺失的能量部分以(eucmin-euc)(1-ηucdηc)形式计算得出；并在t1～t5计算elps的基础上进行累加；②当euc≥eucmin时，不存在多余缺失的能量部分；至此放电结束。

3)确定以混合储能装置的全生命周期成本最小为目标函数：

全生命周期成本是指在设备的生命周期内，从混合储能装置的购买、运行、维护、处理等过程中所支付的所有费用之和。混合储能装置的全生命周期成本最小的目标函数为：

lccmin＝civ+coc+cmc+cdc＝(1+fob+fmb+fdb)mpb+(1+foc+fmc+fdc)npc

式中，lcc为混合储能装置的全生命周期成本，min表示求lcc的最小值；civ为混合储能装置的购买费用；coc为混合储能装置的运行费用(包括实验、安装、损耗、人工费用等)；cmc为混合储能装置的维护费用(包括故障前后的维护费用)；cdc为混合储能装置的处理费用(包括报废费用和残值费用)；m、n分别是蓄电池、超级电容器的数量；pb、pc分别是蓄电池、超级电容器的单价；fob、foc分别是蓄电池、超级电容器的运行系数；fmb、fmc分别是蓄电池、超级电容器的维护系数；fdb、fdc分别是蓄电池、超级电容器的处理系数。

4)确定约束条件：

(1)系统供电可靠性指标：

|(pba(k,m)+puc(k,n))·ηc|＝|pl(k)-[ppv(k)+pw(k)]·ηc|

flppp(m,n)≤flpppmax

flpsp(m,n)≤flpspmax

其中：上述第一个式子代表系统功率守恒，对储能充放电期间进行功率平衡约束；上述第二、第三个式子中m、n分别表示蓄电池单体数和超级电容器单体数；flpppmax、flpspmax分别是分布式电源能量损失率、负荷能量缺电率的最大允许值。

(2)储能系统的储能量与功率约束条件：

pba(k,m)＝0或pba(k,m)＝pban(m)

puc(k,n)≤pucmax(n)

ebamin(m)≤eba(k,m)≤eban(m)

eucmin(n)≤euc(k,n)≤eucmax(n)

其中，上述第一个式子代表蓄电池组功率保持满充状态或满放状态，可以延长蓄电池使用寿命，pba为蓄电池组的功率，k为时刻，pban为蓄电池组的额定功率；上述第二个式子代表超级电容器组功率小于或等于其最大功率，puc为超级电容器组的功率，pucmax为超级电容器组的最大功率；ebanmin、eba、eban分别为蓄电池组的最小剩余储能量、充/放电后的当前储能量和额定储能量；eucmin、euc、eucmax分别为超级电容器组的最小储能量、充/放电后的当前储能量和最大储能量。

(3)蓄电池组的功率输出应满足：

pban(m)＜μ·pl

其中，蓄电池组的功率输出维持在基本负荷(基本负荷指总负荷额定功率pl乘以比重μ)以内，μ为比重，pl为总负荷额定功率。

5)采用融合aea算法的混沌云粒子群算法求解优化配置模型：

为了让粒子在搜索初期尽最大的可能飞跃整个搜索空间，实现多样性，避免过早收敛于局部极值。为此在初始搜索时，引入动态分组策略，根据混沌化后的初始粒子适应度，将初始粒子群分为优、中、差三组，优组的粒子称为aea粒子，用aea算法处理，因为aea粒子的质量较好接近于全局最优，只用小范围挖掘即可，以找到更优解；中组的粒子称为云粒子，位置适中，采取云惯性权重自适应，利用云发生器的便捷性、随机性和稳定性，提高算法收敛速度，结合学习因子耦合自适应，确保算法收敛提升算法性能；差组的粒子称混沌粒子，需要利用混沌优化算法进行大范围遍历，以发现更好解；三种粒子经过固定代数迭代循环，直到满足收敛条件算法结束。采用上述三种算法(aea算法、云发生器、混沌优化算法)旨在提升算法寻优性能，克服对初值依赖，早熟在进化过程中不足，寻找到更优解。具体的过程如下：

(1)输入预装式微电网储能电站原始数据，获取系统与设备信息。确定优化变量个数及取值，设置算法种群规模及迭代最大值等参数。

(2)种群初始化，随机产生种群规模粒子及其位置和速度，计算当前所有粒子适应值，获取个体最优与种群最优。

其中，云粒子采用惯性权重系数ω采取非线性递减策略，相对于线性递减策略，惯性权重非线性递减初期ω值较大，减小速度快，粒子可快速遍布搜索空间能够确定全局最优解的大概范围；后期ω值较小，减小速度慢，粒子速度基本不发生变化，以此速度在最优附近搜索全局最优。ω非线性递减公式下：

ω(t)＝ωmin/[1+(ωmin/ωmax-1)exp(-rt)](1)

式中，ωmax、ωmin分别表示惯性权重系数的最大值、最小值，衰减率r为常数。

其中，云粒子的学习因子采取耦合收敛策略，其中收敛曲线如图5所示，收敛策略的公式如下：

式中，γmin为收敛曲线的初始角。

(3)种群混沌初始化，对初始化种群最优粒子pg＝(pg1,pg2,···,pgd)采用式(4)进行映射产生一个n维向量x1＝(x11,x12,···,x1n),每一维都在(0～1)之间取值。根据tent混沌映射公式(即式(3))得到n个混沌向量，将其逆映射到优化变量取值区间采用式(4)，利用其全局遍历性、初值不敏感性和分布更加均匀性的特点，完成种群粒子初始化。

tent混沌映射公式为：

式中，xn∈[0,1],n＝1,2,3···。

可用优化变量xi∈(ai,bi)与混沌变量进行往返映射，映射公式为：

这样通过利用混沌变量的遍历性可完成种群的初始化，很好的增加了粒子群的多样性。

(4)对m个粒子进行相应目标函数计算，计算全部粒子适应度并进行比较，并获得当前个体最优pbestid及种群当前全局最优gbestid。

(5)计算种群适应度favg,fg1和fg2，根据动态分组策略将种群分组，确定aea粒子、云粒子和混沌粒子，若是混沌粒子，转向步骤(6)；若是云粒子，转向步骤(7)；若是aea粒子，转向步骤(8)。

动态分组策略为：首先，计算种群最小适应度fmin，平均适应度favg，最大适应度fmax，根据黄金分割，确定两个分组点fg1和fg2,计算如公式(5)，即：

式中，n是种群规模，fi为初始粒子群，i＝1,2,…,n，favg、fmin、fmax分别为初始粒子群fi的平均适应度、最小适应度、最大适应度，frange为中间变量。

下面给出如下动态分组判定准则：

式中，fg1为第一设定值，fg2为第二设定值。

然后划分粒子类型，将粒子适应度低于fg1的粒子划为aea粒子，进行aea算法更新，因为aea粒子的质量较好接近于全局最优，只用小范围挖掘即可，以找到更优解；高于fg2粒子划为混沌粒子，需要大范围遍历，故采用混沌搜索，以发现更好的解；而介于fg1、fg2之间的粒子位置适中，称为云粒子，引入惯性权重系数，利用云发生器的便捷性、随机性和稳定性，提高算法收敛速度，结合学习因子耦合自适应，确保算法收敛提升算法性能。

(6)混沌优化算法的处理过程如下：

通过tent混沌映射公式对混沌粒子最优位置pg每一维映射到区间[0,1]，即利用公式cxi＝(xi-ai)/(bi-ai)进行转换(ai和bi分别是优化区间最小最大值)；再根据tent映射产生s个混沌变量序列，即利用公式(3)；并逆映射到优化变量区间，即利用公式xi＝ai+cxi·(bi-ai)得到s个粒子。

(7)云粒子的处理过程如下：

利用x条件云发生器，动态调整惯性权重ω，更新和并计算适应度；介于fg1和fg2之间的称为云粒子，位置适中，用x条件云发生器，动态调整惯性权重，x条件云发生器的数字特征如图6所示，x条件云发生器的计算如下：

(8)aea粒子的处理过程如下：

通过aea算法产生新种群aea算法的计算流程如下：

①设置种群总数、最大迭代次数和优化函数最优条件等参数；

②aea粒子作为初始化种群令迭代记数t＝1；

③产生种群把种群中个体从1到k编号，在取值[2,k]中随机选择一整数i，按照[i,i+1,···,k,1,2,···.i-1]编号顺序产生种群k为种群个数；

④计算种群中对应个体的每一维差和其目标函数值差值根据公式(9)得到，根据公式(8)计算每个个体的每一维与对应目标函数值的关联性；

⑤根据公式(10)计算本次进化退火温度和根据公式(11)计算行走方向概率；

⑥通过公式(12)计算变量行走方向，通过公式(13)产生中间个体；

⑦计算中间个体适应值，执行操作公式(14)计算，选出最优替换之，得到种群

⑧判断是否满足终止条件，若是，输出当前aea粒子，否则迭代记数t＝t+1转向步骤③继续进化。

(9)经过固定迭代次数(固定迭代次数<最大迭代次数)，计算新种群所有粒子适应度；比较得出当前个体最优pbestid及全局最优gbestid。

(10)算法进化终止；达到设定最大迭代数与最优粒子连续不变(精度为10^-4)最大代数，转向步骤(11)，反之转向步骤(5)。

(11)输出粒子最优解与目标函数值，整个流程如图7、图8和图9所示。

本实施例中对蓄电池组进行三种状态选择(满充或满放或不充不放)，可有效延长蓄电池使用周期节省储能投资成本；本实施例中对粒子进行混沌初始化，使初始粒子群体遍布整个解空间，能够更快寻找到更优的解；本实施例中的云粒子部分采用云惯性权重自适应与学习因子耦合收敛策略，利用云算法便捷性、随机性和稳定性，提高算法收敛速度，结合学习因子耦合自适应，确保算法收敛提升算法性能；本发明对全种群粒子进化进行动态划分，根据粒子质量状态分为优、中、差三种区域，对不同区域粒子采取不同进化策略，以期寻找更优解。

以上是将初始粒子群分为三组的实施方式，作为其他实施方式，还可以根据混沌初始化后初始粒子的适应度将初始粒子群分为两组，即优组和差组，优组的初始粒子采用aea算法进行粒子寻优，对于差组的初始粒子采用混沌优化算法进行粒子寻优；还可以将初始粒子群分为三组以上，根据初始粒子的适应度选择每组初始粒子进行寻优的优化算法，进而优化配置模型的最优解。

本发明的混合储能容量优化配置方法不仅适用于以上由风力发电机组、光伏阵列、混合储能装置构成的微电网储能电站，当微电网储能电站不具备风力发电机组或光伏阵列时，只需将上述混合储能容量优化配置方法中有关风力发电机组或光伏阵列的相关参数和条件去除即可。

本发明还提出一种微电网储能电站的混合储能容量优化配置装置，包括处理器，处理器用于执行计算机程序时上述混合储能容量优化配置方法。该混合储能容量优化配置装置，实际上是基于本发明方法流程的一种计算机解决方案，即一种软件构架，可以应用到计算机中，上述装置即为与方法流程相对应的处理进程，由于对上述方法的介绍已经足够清楚完整，故不再详细进行描述。