本发明涉及电力技术和储能优化技术领域,尤其涉及一种新能源储能优化配置方法。
背景技术:
风能、太阳能以及水能等新能源与传统化石能源相比具有资源分布广、储量大、无污染等特点,加大这些新能源的开发力度,实现其大规模的利用,对于缓解当今世界严重的环境污染和资源枯竭问题具有重要的意义。
然而随着新能源发电系统装机容量和渗透率的不断提高,其固有的随机性和波动性也给发电系统稳定运行带来了很多负面影响,配置储能装置是抑制发电系统输出功率波动的一种有效措施。目前,对大规模储能系统容量、充放电功率以及储能寿命等技术性能的要求越来越严格,且大容量储能系统通常价格昂贵,无法广泛普及使用。
技术实现要素:
本发明的目的在于提供一种新能源储能优化配置方法,该方法可弥补现有的储能优化方法的不足。
为实现上述目的,本发明的目的在于提供一种新能源储能优化配置方法,所述储能优化配置方法的研究对象包括新能源发电系统、储能系统和负荷,所述储能优化配置方法以所述储能系统成本最小和所述新能源发电系统功率波动最小为目标建立新能源储能优化配置模型,采用遗传算法对所述新能源储能优化配置模型进行求解,择优确定新能源储能优化配置方案。
作为优化,所述储能优化配置方法具体包括如下步骤:
(1)结合所述新能源发电系统的输出功率、所述储能系统的能量功率特性和所述负荷消耗功率情况,建立所述新能源储能优化配置模型;
(2)以所述储能系统成本最小和所述新能源发电系统功率波动最小为目标,建立目标函数;
(3)根据所述新能源发电系统功率波动最小来明确储能系统的约束条件;
(4)以所述储能系统的额定功率和额定容量为优化变量,采用遗传算法求解所述新能源储能优化配置模型,输出最优解。
作为优化,所述新能源储能优化配置模型分为所述新能源发电系统、所述储能系统和所述负荷三部分,其中,所述新能源发电系统部分的优化配置模型具体为:
(a)风力发电单元
假设当前风速为vi、风机启动风速为vm、额定风速为ve、停机风速为vt、额定功率为pf,则所述风机在不同风速时对应的发电量分别为:
根据上式可以得到所述风机在任一时间段内的发电总量:ef=e1+e2;
式中,hi为保持当前风速vi的小时数,单位为h;
(b)光伏发电单元
假设光伏阵列的额定功率为pg,转换效率为θ,则所述光伏阵列的发电量为:
ef=ps·tg=n·pg·θ·ts
式中,ps为所述光伏阵列的实际输出功率,单位为kw;n为当月天数,单位为d;tg为所述光伏阵列倾斜面上一整月平均峰值日照时数,单位为h/d;
(c)水力发电单元
假设水电站的水轮机引水发电流量为q,单位为m3/s;所述水电站的工作水头为h,单位为m;所述水电站的水能转换效率为
es=psd·t=a·qs·h·ts
式中,psd为所述水电站的实际输出功率,单位为kw;a的值可根据所述水电站的规模进行判定,a=2.5~10.0;ts为所述水电机组发电小时数,单位为h。
作为优化,所述储能系统部分的优化配置模型具体为:
(1)蓄电池单元
忽略蓄电池的极化内阻与相间微分电容,只考虑其端电压(即输出电压)ub和荷电状态soc,可将所述蓄电池等效为由直流电压源e与内阻rb串联构成的电路;则所述蓄电池输出电压ub与荷电状态soc可表示为:
式中,e为直流电压源,单位为v;rb为其内阻,单位为ω;ib为其工作电流,单位为a;qx为其容量,单位为ah;soc0为其初始荷电状态;
(2)超级电容单元
超级电容器可以等效为理想电容器c与电阻rs相串联的模型;其中,uc(t)为所述超级电容器的电压;ic1、ic2分别为所述超级电容器的充、放电电流;
设u0为所述超级电容器初始电压,u1(t)和u2(t)分别是所述超级电容器充电和放电时的电压值,则所述超级电容器在充电和放电时,其计算公式分别为:
所述超级电容器充、放电时间分别表示为:
c·dv=ic1·t
c·dv-ic2·c·rs=ic2·t
式中,dv为所述超级电容器的端电压变化;t为所述超级电容的充放电时间,单位为h;
设u3、u4分别为所述超级电容器充电完成与放电完成时的电压值,则所述超级电容的储能容量edc为:
作为优化,所述负荷部分的优化配置模型具体为:
定义负荷不平衡功率pbp(t)为:
pbp(t)=pfh(t)-pz(t);
式中,pfh(t)为t时刻总负荷,pz(t)为t时刻所述新能源发电系统的总输出功率;
将所述负荷不平衡功率pbp(t)视为一个采样点数为n的时域离散信号,求得pbp(t)的时域离散信号的展开表达式,进而求得所述总负荷pfh(t)的表达式pfh(t)=pz(t)+pbp(t);
其中,求取所述负荷不平衡功率pbp(t)的时域离散信号的展开表达式的具体方式为:
1)将所述负荷不平衡功率pbp(t)视为是一个采样点数为n的时域离散信号,记其采样周期为ts,采样频率为fs,则该离散信号的基频为1/(nts),通过离散傅里叶变换,得到pbp(t)的不平衡功率频谱:
式中,k表示所述负荷不平衡功率pbp(t)的倍频分量序数,k∈{0,1,2,…,n-1};fbp(k)表示pbp(t)的不平衡功率频谱,即pbp(t)在不同k值倍频分量下的不平衡功率频谱幅值的离散集合;
2)令
式中,fbp(k)表示pbp(t)在第k值倍频分量下的不平衡功率频谱幅值;假设在(0,n/2)的取值区间内对分段点n进行取值,将所述不平衡功率频谱fbp(k)在k=n位置处断开,k=n位置处对应的采样周期命名为周期分断点tn,因此的周期分断点tn的取值范围为(ts/2,∞),所述不平衡功率频谱fbp(k)被断开而形成的两个部分各自将缺失的部分补零,可得:
式中,fbp1(k)视为所述不平衡功率频谱fbp(k)中的低频部分,fbp2(k)视为所述不平衡功率频谱fbp(k)中的高频部分,且有fbp(k)=fbp1(k)+fbp2(k);
3)将所述低频部分fbp1(k)和高频部分fbp2(k)分别进行离散傅里叶逆变换,即有:
式中,pbp1,r(t)由所述低频部分fbp1(k)逆变换得到,视为不平衡功率日分量;pbp2,s(t)由所述高频部分fbp2(k)逆变换得到,视为不平衡功率小时分量,将pbp1,r(t)与pbp2,s(t)相加求得总负荷消耗功率。
作为优化,所述步骤(2)以所述储能系统成本最小和功率波动最小来构建目标函数,具体操作如下:
储能系统成本包括投资费用和运行维持费用两大类,所述投资费用主要指购置设备的投资成本c1;所述运行维持费用可划分为:运行成本c2、检修维护成本c3、故障成本c4和退役处置成本c5,由各阶段成本即可构成c总成本,即:
c总=c1+c2+c3+c4+c5
按照c总成本,给出所述储能系统各部分分解成本的计算公式:
a.购置设备的投资成本c1
c1发生在设备购置当年,即以计算周期的起始年为基准年,主要有设备购置费用c1,p和安装调试费用c1,i构成,所以有:
c1=c1,p+c1,i
c1,p=cg×wc+cr×wcr
式中,cg为储能功率价格,元/mw;wc为储能系统功率,mw;cr为储能系统容量价格,元/mwh;wcr为储能系统容量,mwh;
此外,所述安装调试费用c1,i与所述储能购置费用c1,p相比,费用较少,为方便计算,可忽略不计;
b.运行成本c2
c2包括设备能耗费用和巡视人工费用,为方便计算,用所述设备能耗费用近似代替c2:
c2=(p1-p2)×10000×α
式中,p1为储能系统的放电功率,mw;p2为储能系统的充电功率,mw;α为新能源成本电价;
c.检修维护成本c3
c3主要由检修维护周期和单次的检修维护费用决定,第n年的检修维护成本可用下面公式进行计算:
式中,
d.故障成本c4
c4包括故障检修费用和故障损失费用,为计算方便,以所述故障损失费用近似代替所述故障成本c4,所述故障损失费用主要由停电损失费用决定,故第n年的故障成本可用下面的公式计算:
c4,n=γ×pss×ts×α
式中,γ为储能系统故障率;pss为故障时储能系统损失功率;ts为储能系统平均停止工作时间;α为新能源成本电价;
e.退役处置成本c5
c5主要包括设备的退役或报废处理费和退役残值,其中设备退役残值以负数计入,所述退役处理费可将投资成本中的安装调试费用c1,i按一定比例取45%折算得到;所述设备退役残值可将投资成本中的设备处置费用按一定比例取10%折算得到,则所述退役处置成本c5为:
c5=45%×c1,i+10%×c1,p;
所述目标函数满足c总=c1+c2+c3+c4+c5最小。
作为优化,使所述储能系统满足功率波动最小的约束条件为:
(1)供电可靠性约束
所述新能源发电系统和所述储能系统在一段时间内提供的总能量不小于所述负荷的用电量:
式中,exc,i-1、edc,i-1分别为所述蓄电池与超级电容器前一个工作时间段所剩电量,ef,i为该时间段内风力总发电量,eg,i为该时间段内光伏阵列总发电量,
(2)储能总额定功率和总额定电量约束
所有候选的分布式储能安装节点的储能系统的额定功率和额定电量的总和应分别等于所需的储能总额定功率和总额定电量,表示如下:
式中,
(3)最大瞬时功率约束
在任何时刻,所述方法都必须要满足其最大瞬时功率的缺失:
式中,pxc,i表示该段时间内蓄电池的输出功率,pdc,i表示该段时间内超级电容器的输出功率;δplmax为该时间段内所述储能系统的最大瞬时功率缺失。
作为优化,所述步骤(4)中用遗传算法对混合新能源储能优化配置模型进行求解的过程具体包括如下步骤:
step1:根据所述低频部分pbp1(t)和高频部分pbp2(t),分别确定储能功率日分量和小时分量的最大值pmax,1、pmax,2以及最小值pmin,1、pmin,2,相应确定储能容量日分量和小时分量的最大值emax,1、emax,2以及最小值emin,1、emin,2;
step2:将所述低频部分pbp1(t)和高频部分pbp2(t)作为所述新能源储能优化配置模型的输入参数,并设置所述遗传算法计算所需的参数,所述参数包括种群规模、选择概率、交叉概率、变异概率和最大进化代数;
step3:随机生成储能功率日分量值pbp1,r、储能功率小时分量值pbp2,s、储能容量日分量ebp1,r、储能容量小时分量ebp2,s作为一组,构成一个粒子[pbp1,r,pbp2,s,ebp1,r,ebp2,s];由此随机生成m个粒子组成的初始种群p(0),m=1,2,…,m,m为设定的种群规模;
step4:判断每个粒子中pbp1,r,pbp2,s,ebp1,r,ebp2,s的值是否处于约束范围内,若超过最大值,则调整相应分量值为最大值,如果小于最小值,则调整相应分量值为最小值;
step5:分别计算每个粒子的适应度值;适应度的计算主要为储能系统充放电功率的调整:
根据不平衡功率分量pbp(t)和储能系统荷电状态soci(t)的变化对储能充放电进行如下调整:
a.所述储能系统放电时,pbp(t)>0,若当前储能电量满足soci(t)-socmin,i(t)>min{pbpi,rδt,pbp(t)δt}/er,i,则放电功率为:pf,i(t)=min{pbpi,r,pbp(t)};
若当前储能电量满足soci(t)-socmin,i(t)≤min{pbpi,rδt,pbp(t)δt}/er,i,则放电功率为:
b.所述储能系统充电时,pbp(t)≤0,若当前储能电量满足socmax,i(t)-soci(t)>min{pbpi,rδt,-pbp(t)δt}/er,i,则充电功率为:pc,i(t)=min{pbpi,r,-pbp(t)};
若当前储能电量满足socmax,i(t)-soci(t)≤min{pbpi,rδt,-pbp(t)δt}/er,i,则充电功率为:
式中,i=1,2;er,1、er,2分别为所述蓄电池储能和所述超级电容器储能的额定容量;pc,1(t)和pc,2(t)分别为所述蓄电池储能和所述超级电容器储能在t时刻的充电功率;pf,1(t)和pf,2(t)分别为所述蓄电池储能和所述超级电容器储能在t时刻的放电功率;soc1(t)、soc2(t)分别表示所述蓄电池储能和所述超级电容器储能的荷电状态;socmin,1(t)、socmax,1(t)分别表示所述蓄电池储能的荷电状态的下限值和上限值,socmin,2(t)、socmax,2(t)分别表示所述超级电容器储能的荷电状态的下限值和上限值;δt表示系统的持续运行时间;
step6:按照设定的选择概率从当前种群中选择适应值靠前的染色体,根据设定的交叉概率对选择的染色体进行交叉,并根据设定的变异概率对选择和交叉过后的染色体进行变异操作,得到新的种群;
step7:判断遗传算法是否达到最大迭代次数,如果是,则执行step8;如果不是,则转到step4;
step8:输出在当前分段点n取值下的所述储能容量优化配置模型进行遗传算法迭代求解得到的种群中适应值最优的粒子,该适应值最优粒子中当前的储能功率日分量值pbp1,r、储能功率小时分量值pbp2,s、储能容量日分量ebp1,r、储能容量小时分量ebp2,s即作为孤立微电网在当前分段点n取值下的混合储能优化配置方案。
与现有技术相比,本发明的有益效果是:
第一,该方法考虑了风、光、水等多种清洁能源,具有较强的通用性。
第二,该方法采用遗传算法对新能源储能优化配置模型进行求解,择优确定新能源储能优化配置方案,使得系统中间歇性能源和负荷情况随时间波动的因素在模型中得以体现,得到能够更加符合实际的新能源储能最优配置方案。
第三,在对负荷功率进行频谱分析的基础上,通过分析储能系统的成本结构,建立了以储能系统综合成本最小和新能源发电系统功率波动最小为目标函数,同时考虑供电可靠性约束、储能总额定功率和总额定电量约束、储能充放电功率约束以及最大瞬时功率约束等约束条件的新能源储能优化模型,为新能源储能规划设计提供了理论依据和技术支持。
第四,蓄电池具有能量密度高、功率密度低,充放电速度慢的特点,而超级电容器具备功率密度高、充放电速度快的特点。构建含蓄电池和超级电容器的混合储能系统,不仅能充分发挥两种储能装置的各自优势,而且可以降低储能系统的成本。
第五,该方法对负荷不平衡功率以及总负荷加以整体考虑,还综合考虑了系统中间歇性能源和负荷情况随时间波动的因素对储能容量和功率配置的影响,建立的模型更加全面,求解得到的优化配置方案也更加符合实际需求,从而帮助提高新能源储能容量和功率配置的利用率和使用寿命,提高运行经济性。
附图说明
下面结合附图对本发明进一步说明。
图1为本发明一种新能源储能优化配置方法的流程示意图;
图2为本发明一种新能源发电系统的结构示意图;
图3为本发明一种新能源储能系统的结构示意图。
具体实施方式
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。
请参阅图1,本发明的目的在于提供一种新能源储能优化配置方法,所述储能优化配置方法的研究对象包括新能源发电系统、储能系统和负荷,所述储能优化配置方法以所述储能系统成本最小和所述新能源发电系统功率波动最小为目标建立新能源储能优化配置模型,采用遗传算法对所述新能源储能优化配置模型进行求解,择优确定新能源储能优化配置方案。
所述储能优化配置方法具体包括如下步骤:
(1)结合所述新能源发电系统的输出功率、所述储能系统的能量功率特性和所述负荷消耗功率情况,建立所述新能源储能优化配置模型;
(2)以所述储能系统成本最小和所述新能源发电系统功率波动最小为目标,建立目标函数;
(3)根据所述新能源发电系统功率波动最小来明确储能系统的约束条件;
(4)以所述储能系统的额定功率和额定容量为优化变量,采用遗传算法求解所述新能源储能优化配置模型,输出最优解。
在一实施例中,所述新能源储能优化配置模型分为所述新能源发电系统、所述储能系统和所述负荷三部分,其中,所述新能源发电系统部分的优化配置模型具体为:
(a)风力发电单元
假设当前风速为vi、风机启动风速为vm、额定风速为ve、停机风速为vt、额定功率为pf,则所述风机在不同风速时对应的发电量分别为:
根据上式可以得到所述风机在任一时间段内的发电总量:ef=e1+e2;
式中,hi为保持当前风速vi的小时数,单位为h;
(b)光伏发电单元
假设光伏阵列的额定功率为pg,转换效率为θ,则所述光伏阵列的发电量为:
ef=ps·tg=n·pg·θ·ts
式中,ps为所述光伏阵列的实际输出功率,单位为kw;n为当月天数,单位为d;tg为所述光伏阵列倾斜面上一整月平均峰值日照时数,单位为h/d;
(c)水力发电单元
假设水电站的水轮机引水发电流量为q,单位为m3/s;所述水电站的工作水头为h,单位为m;所述水电站的水能转换效率为
es=psd·t=a·qs·h·ts
式中,psd为所述水电站的实际输出功率,单位为kw;a的值可根据所述水电站的规模进行判定,a=2.5~10.0;ts为所述水电机组发电小时数,单位为h。
所述储能系统部分的优化配置模型具体为:
(1)蓄电池单元
忽略蓄电池的极化内阻与相间微分电容,只考虑其端电压(即输出电压)ub和荷电状态soc,可将所述蓄电池等效为由直流电压源e与内阻rb串联构成的电路;则所述蓄电池输出电压ub与荷电状态soc可表示为:
式中,e为直流电压源,单位为v;rb为其内阻,单位为ω;ib为其工作电流,单位为a;qx为其容量,单位为ah;soc0为其初始荷电状态;
(2)超级电容单元
超级电容器可以等效为理想电容器c与电阻rs相串联的模型;其中,uc(t)为所述超级电容器的电压;ic1、ic2分别为所述超级电容器的充、放电电流;
设u0为所述超级电容器初始电压,u1(t)和u2(t)分别是所述超级电容器充电和放电时的电压值,则所述超级电容器在充电和放电时,其计算公式分别为:
所述超级电容器充、放电时间分别表示为:
c·dv=ic1·t
c·dv-ic2·c·rs=ic2·t
式中,dv为所述超级电容器的端电压变化;t为所述超级电容的充放电时间,单位为h;
设u3、u4分别为所述超级电容器充电完成与放电完成时的电压值,则所述超级电容的储能容量edc为:
所述负荷部分的优化配置模型具体为:
定义负荷不平衡功率pbp(t)为:
pbp(t)=pfh(t)-pz(t);
式中,pfh(t)为t时刻总负荷,pz(t)为t时刻所述新能源发电系统的总输出功率;
将所述负荷不平衡功率pbp(t)视为一个采样点数为n的时域离散信号,求得pbp(t)的时域离散信号的展开表达式,进而求得所述总负荷pfh(t)的表达式pfh(t)=pz(t)+pbp(t);
其中,求取所述负荷不平衡功率pbp(t)的时域离散信号的展开表达式的具体方式为:
1)将所述负荷不平衡功率pbp(t)视为是一个采样点数为n的时域离散信号,记其采样周期为ts,采样频率为fs,则该离散信号的基频为1/(nts),通过离散傅里叶变换,得到pbp(t)的不平衡功率频谱:
式中,k表示所述负荷不平衡功率pbp(t)的倍频分量序数,k∈{0,1,2,…,n-1};fbp(k)表示pbp(t)的不平衡功率频谱,即pbp(t)在不同k值倍频分量下的不平衡功率频谱幅值的离散集合;
2)令
式中,fbp(k)表示pbp(t)在第k值倍频分量下的不平衡功率频谱幅值;假设在(0,n/2)的取值区间内对分段点n进行取值,将所述不平衡功率频谱fbp(k)在k=n位置处断开,k=n位置处对应的采样周期命名为周期分断点tn,因此的周期分断点tn的取值范围为(ts/2,∞),所述不平衡功率频谱fbp(k)被断开而形成的两个部分各自将缺失的部分补零,可得:
式中,fbp1(k)视为所述不平衡功率频谱fbp(k)中的低频部分,fbp2(k)视为所述不平衡功率频谱fbp(k)中的高频部分,且有fbp(k)=fbp1(k)+fbp2(k);
3)将所述低频部分fbp1(k)和高频部分fbp2(k)分别进行离散傅里叶逆变换,即有:
式中,pbp1,r(t)由所述低频部分fbp1(k)逆变换得到,视为不平衡功率日分量;pbp2,s(t)由所述高频部分fbp2(k)逆变换得到,视为不平衡功率小时分量,将pbp1,r(t)与pbp2,s(t)相加求得总负荷消耗功率。
所述步骤(2)以所述储能系统成本最小和功率波动最小来构建目标函数,具体操作如下:
储能系统成本包括投资费用和运行维持费用两大类,所述投资费用主要指购置设备的投资成本c1;所述运行维持费用可划分为:运行成本c2、检修维护成本c3、故障成本c4和退役处置成本c5,由各阶段成本即可构成c总成本,即:
c总=c1+c2+c3+c4+c5
按照c总成本,给出所述储能系统各部分分解成本的计算公式:
a.购置设备的投资成本c1
c1发生在设备购置当年,即以计算周期的起始年为基准年,主要有设备购置费用c1,p和安装调试费用c1,i构成,所以有:
c1=c1,p+c1,i
c1,p=cg×wc+cr×wcr
式中,cg为储能功率价格,元/mw;wc为储能系统功率,mw;cr为储能系统容量价格,元/mwh;wcr为储能系统容量,mwh;
此外,所述安装调试费用c1,i与所述储能购置费用c1,p相比,费用较少,为方便计算,可忽略不计;
b.运行成本c2
c2包括设备能耗费用和巡视人工费用,为方便计算,用所述设备能耗费用近似代替c2:
c2=(p1-p2)×10000×α
式中,p1为储能系统的放电功率,mw;p2为储能系统的充电功率,mw;α为新能源成本电价;
c.检修维护成本c3
c3主要由检修维护周期和单次的检修维护费用决定,第n年的检修维护成本可用下面公式进行计算:
式中,
d.故障成本c4
c4包括故障检修费用和故障损失费用,为计算方便,以所述故障损失费用近似代替所述故障成本c4,所述故障损失费用主要由停电损失费用决定,故第n年的故障成本可用下面的公式计算:
c4,n=γ×pss×ts×α
式中,γ为储能系统故障率;pss为故障时储能系统损失功率;ts为储能系统平均停止工作时间;α为新能源成本电价;
e.退役处置成本c5
c5主要包括设备的退役或报废处理费和退役残值,其中设备退役残值以负数计入,所述退役处理费可将投资成本中的安装调试费用c1,i按一定比例取45%折算得到;所述设备退役残值可将投资成本中的设备处置费用按一定比例取10%折算得到,则所述退役处置成本c5为:
c5=45%×c1,i+10%×c1,p;
所述目标函数满足c总=c1+c2+c3+c4+c5最小。
使所述储能系统满足功率波动最小的约束条件为:
(1)供电可靠性约束
所述新能源发电系统和所述储能系统在一段时间内提供的总能量不小于所述负荷的用电量:
式中,exc,i-1、edc,i-1分别为所述蓄电池与超级电容器前一个工作时间段所剩电量,ef,i为该时间段内风力总发电量,eg,i为该时间段内光伏阵列总发电量,
(2)储能总额定功率和总额定电量约束
所有候选的分布式储能安装节点的储能系统的额定功率和额定电量的总和应分别等于所需的储能总额定功率和总额定电量,表示如下:
式中,
(3)最大瞬时功率约束
在任何时刻,所述方法都必须要满足其最大瞬时功率的缺失:
式中,pxc,i表示该段时间内蓄电池的输出功率,pdc,i表示该段时间内超级电容器的输出功率;δplmax为该时间段内所述储能系统的最大瞬时功率缺失。
所述步骤(4)中用遗传算法对混合新能源储能优化配置模型进行求解的过程具体包括如下步骤:
step1:根据所述低频部分pbp1(t)和高频部分pbp2(t),分别确定储能功率日分量和小时分量的最大值pmax,1、pmax,2以及最小值pmin,1、pmin,2,相应确定储能容量日分量和小时分量的最大值emax,1、emax,2以及最小值emin,1、emin,2;
step2:将所述低频部分pbp1(t)和高频部分pbp2(t)作为所述新能源储能优化配置模型的输入参数,并设置所述遗传算法计算所需的参数,所述参数包括种群规模、选择概率、交叉概率、变异概率和最大进化代数;
step3:随机生成储能功率日分量值pbp1,r、储能功率小时分量值pbp2,s、储能容量日分量ebp1,r、储能容量小时分量ebp2,s作为一组,构成一个粒子[pbp1,r,pbp2,s,ebp1,r,ebp2,s];由此随机生成m个粒子组成的初始种群p(0),m=1,2,…,m,m为设定的种群规模;
step4:判断每个粒子中pbp1,r,pbp2,s,ebp1,r,ebp2,s的值是否处于约束范围内,若超过最大值,则调整相应分量值为最大值,如果小于最小值,则调整相应分量值为最小值;
step5:分别计算每个粒子的适应度值;适应度的计算主要为储能系统充放电功率的调整:
根据不平衡功率分量pbp(t)和储能系统荷电状态soci(t)的变化对储能充放电进行如下调整:
a.所述储能系统放电时,pbp(t)>0,若当前储能电量满足soci(t)-socmin,i(t)>min{pbpi,rδt,pbp(t)δt}/er,i,则放电功率为:pf,i(t)=min{pbpi,r,pbp(t)};
若当前储能电量满足soci(t)-socmin,i(t)≤min{pbpi,rδt,pbp(t)δt}/er,i,则放电功率为:
b.所述储能系统充电时,pbp(t)≤0,若当前储能电量满足socmax,i(t)-soci(t)>min{pbpi,rδt,-pbp(t)δt}/er,i,则充电功率为:pc,i(t)=min{pbpi,r,-pbp(t)};
若当前储能电量满足socmax,i(t)-soci(t)≤min{pbpi,rδt,-pbp(t)δt}/er,i,则充电功率为:
式中,i=1,2;er,1、er,2分别为所述蓄电池储能和所述超级电容器储能的额定容量;pc,1(t)和pc,2(t)分别为所述蓄电池储能和所述超级电容器储能在t时刻的充电功率;pf,1(t)和pf,2(t)分别为所述蓄电池储能和所述超级电容器储能在t时刻的放电功率;soc1(t)、soc2(t)分别表示所述蓄电池储能和所述超级电容器储能的荷电状态;socmin,1(t)、socmax,1(t)分别表示所述蓄电池储能的荷电状态的下限值和上限值,socmin,2(t)、socmax,2(t)分别表示所述超级电容器储能的荷电状态的下限值和上限值;δt表示系统的持续运行时间;
step6:按照设定的选择概率从当前种群中选择适应值靠前的染色体,根据设定的交叉概率对选择的染色体进行交叉,并根据设定的变异概率对选择和交叉过后的染色体进行变异操作,得到新的种群;
step7:判断遗传算法是否达到最大迭代次数,如果是,则执行step8;如果不是,则转到step4;
step8:输出在当前分段点n取值下的所述储能容量优化配置模型进行遗传算法迭代求解得到的种群中适应值最优的粒子,该适应值最优粒子中当前的储能功率日分量值pbp1,r、储能功率小时分量值pbp2,s、储能容量日分量ebp1,r、储能容量小时分量ebp2,s即作为孤立微电网在当前分段点n取值下的混合储能优化配置方案。
本发明的工作原理是:
第一,该方法考虑了风、光、水等多种清洁能源,具有较强的通用性。
第二,该方法采用遗传算法对新能源储能优化配置模型进行求解,择优确定新能源储能优化配置方案,使得系统中间歇性能源和负荷情况随时间波动的因素在模型中得以体现,得到能够更加符合实际的新能源储能最优配置方案。
第三,在对负荷功率进行频谱分析的基础上,通过分析储能系统的成本结构,建立了以储能系统综合成本最小和新能源发电系统功率波动最小为目标函数,同时考虑供电可靠性约束、储能总额定功率和总额定电量约束、储能充放电功率约束以及最大瞬时功率约束等约束条件的新能源储能优化模型,为新能源储能规划设计提供了理论依据和技术支持。
第四,蓄电池具有能量密度高、功率密度低,充放电速度慢的特点,而超级电容器具备功率密度高、充放电速度快的特点。构建含蓄电池和超级电容器的混合储能系统,不仅能充分发挥两种储能装置的各自优势,而且可以降低储能系统的成本。
第五,该方法对负荷不平衡功率以及总负荷加以整体考虑,还综合考虑了系统中间歇性能源和负荷情况随时间波动的因素对储能容量和功率配置的影响,建立的模型更加全面,求解得到的优化配置方案也更加符合实际需求,从而帮助提高新能源储能容量和功率配置的利用率和使用寿命,提高运行经济性。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。