一种考虑分布式电源出力不确定性的储能运行优化方法与流程

本发明涉及储能运行优化技术领域，具体地说是一种考虑分布式电源出力不确定性的储能运行优化方法。

背景技术：

以风力和光伏发电为主的分布式电源由于其高效、灵活、经济、环保的发电方式，在配电网中的应用越来越广泛。随着配电网中接入分布式电源的渗透率不断提高，配电网本身单电源供电的径向结构发生了改变，从单电源辐射状网络变成了多源网络。然而，风能和太阳能等分布式能源具有固有的间歇性和随机性特性，直接导致了分布式电源出力的不确定性，增加了配电网节点注入功率的不确定性。节点注入功率的波动进一步会对造成网络潮流和节点电压的波动，对配电网供电质量造成不利影响。

储能系统能够通过灵活的有功功率调节能力，有效地削减配电网注入功率中的不确定性，平抑网络功率和节点电压的波动，从而支撑高渗透率分布式电源的接入。考虑分布式电源出力的不确定性，现有的不确定优化技术主要包括：概率方法、模糊方法和区间方法。概率方法的运用需要确定各个运行参数的概率分布函数，模糊方法的运用需要确定参数相应的隶属度函数，区间方法则只需获取不确定参数的上下界信息，具有容易获取且贴近实际的优点，适用于不确定环境下的优化。

然而，考虑分布式电源出力的不确定性，在运用区间方法进行储能的优化运行时，会出现区间保守性问题，即由于在计算过程中的取舍不当而造成区间范围过大而失去实际意义。

技术实现要素：

针对现有技术的不足，本发明提供一种考虑分布式电源出力不确定性的储能运行优化方法，利用仿射数学的优势，克服区间优化方法的保守性问题，在考虑分布式电源出力不确定的环境下，更好地对配网中储能系统的运行出力进行优化。

本发明为实现上述目的所采用的技术方案是：

一种考虑分布式电源出力不确定性的储能运行优化方法，包括以下步骤：

步骤1：初始化种群p1，以每个储能系统的功率出力为个体，构建大小为n的种群，对遗传操作的控制参数进行初始化；

步骤2：根据前推回代配网仿射潮流法，计算第一代种群中每个个体的复仿射目标值和约束越限值，并对初始种群p1中的每个个体进行非支配排序；

步骤3：利用遗传操作迭代种群，并将迭代出的下一代种群与当前种群合并成合并种群rt；

步骤4：对合并种群rt中的每个个体，根据前推回代配网仿射潮流法计算复仿射目标值和约束越限值，并对合并种群rt的每一个个体进行非支配排序，取前n个个体组成t+1代的种群pt+1；

步骤5：如果t小于预设的最大迭代次数，则更新迭代次数t’＝t+1，将t’赋值给t，并返回步骤3，否则终止迭代，输出该时刻的储能出力解集作为最优出力解集，并且输出对应的目标函数值上下界。

所述遗传操作的控制参数包括不确定环境下分布式电源的仿射出力、储能系统的安装位置和额定容量。

在遗传操作中，当前种群pt指第t代的种群，利用遗传操作生成的新种群qt为pt的子代种群；pt为qt的父代种群。

所述复仿射目标值包括网损目标值和电压偏差值。

所述网损目标值为：

其中，表示网损目标值；t＝1,2,…,nt表示第t个研究时段；nt为总时段数；i表示线路的首端节点；j表示线路的末端节点；b表示互联线路的集合；gij表示i-j线路的电导；表示第t时段i节点电压幅值；表示第t时段j节点电压幅值；表示第t时段i-j线路首末端节点电压的相角差。

所述电压偏差值为：

其中，表示电压偏差值；t＝1,2,…,nt表示第t个研究时段；nt为总时段数；i表示节点号；n表示所有节点的集合；表示第t时段i节点电压幅值；ui,base表示基准电压值，通常取标幺值1；δui,max表示最大允许的电压偏差值，通常取0.1。

所述约束越限值为：

其中，δui为i节点的电压越限值；umin,i和umax,i为所允许的电压最小值和最大值；ui和为i节点电压的下界值和上界值。

所述非支配排序为按照网损目标值和电压偏差值的优劣进行个体的排序，当个体x的网损目标值和电压偏差值均优于个体y时，则称x支配y，将个体x排在y之前。

所述合并种群rt的种群大小为2n。

本发明具有以下有益效果及优点：

本发明利用仿射数学充分考虑分布式电源出力的不确定性，进行不确定环境下储能运行多目标优化问题的求解，在求解不确定性多目标优化问题时，能够全面计及由分布式电源而引入的不确定要素，同时降低了区间优化方法在求解时的保守性，所得到的储能系统出力最优解集，同时满足了不确定环境下运行的技术性和经济性指标。

附图说明

图1是本发明的方法流程图；

图2是本发明实施例中配电系统的拓扑图；

图3是本发明实施例中的最优仿射目标值的上下界限图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

如图1所示是本发明的方法流程图。

本发明提供了一种考虑分布式电源出力不确定性的储能运行优化方法，包括下列步骤：

(1)初始化网络参数，包括不确定环境下分布式电源的仿射出力、储能系统的安装位置和额定容量等。初始化种群p1，以每个储能系统的功率出力为个体，构建种群大小为n。同时，对遗传操作的控制参数进行初始化。

(2)对初始种群的每一个个体进行前推回代配网仿射潮流计算，获得第一代种群中每个个体的复仿射目标值，包括网损值和电压偏差值。同时计算每个个体的约束越限值。进一步对种群中的个体进行非支配排序，设定此时的迭代次数为t＝1。复仿射形式的网损目标值和电压偏差目标值的计算公式为：

同时，计算每个个体的约束越限值，电压越限值的计算公式为：

进一步对种群中的个体进行非支配排序，设定此时的迭代次数为t＝1。在最小化多目标优化问题的求解中，个体的排序依据被支配解的数量而定。引入仿射运算后，定义解xi支配解xj，当且仅当满足以下关系：

其中，置信水平σ(xi,xj,k)的计算公式为：

(3)对于父代种群pt，利用遗传操作生成子代种群qt，合并成新种群rt，种群大小为2n。

(4)对新种群rt的每一个个体，运用前推回代仿射潮流计算仿射目标函数值和越限值。在此基础上，对种群rt中的个体进行非支配排序，排序后取前n个个体组成新的种群pt+1。

(5)更新迭代次数t＝t+1。如果t小于预设的最大迭代次数，则返回步骤3。

(6)终止迭代。输出储能最优出力解集以及对应的目标函数值上下界。

如图2所示是本发明实施例中配电系统的拓扑图。

以某33节点配电系统为例进一步说明本发明。

在本发明中，两个安装容量为400kw的风机分别接入节点12和28，两个安装容量为300kw的光伏分别接入节点20和23。在节点7、12、20、23、28和31接入6个储能装置，安装容量为500kwh，额定功率为80kw。考虑分布式电源出力的不确定性，风机和光伏的仿射出力为：pwind＝305+60εwind，psolar＝247+46εsolar。

系统其它数据与ieee33节点算例相同，不再赘述。

表1为不确定环境下得到的储能出力的多目标优化结果和相应的目标函数值。考虑分布式电源出力的不确定性，利用仿射运算得到所得结果的上下边界。表2展示了利用仿射运算和区间运算进行优化求解的性能指标对比。图3为不确定环境下所得最优解集对应的目标函数值上下边界。

表1

表2

计算结果表明，本发明利用仿射运算进行了储能系统出力的多目标优化求解，计及了分布式电源出力的不确定性，保证了不确定环境下网损目标值和电压偏差目标值的最优。同时，与运用区间方法进行优化求解相比，收敛性指标和不确定性指标更小，表明运用仿射方法进行多目标优化求解能更好地处理不确定信息，具有更优的收敛性能。

如图3所示是本发明实施例中的最优仿射目标值的上下界限图。

图中的每一个矩形块代表一个最优解，构成了不确定环境下的多目标最优解集。以左一矩形块为例，其横向边长表示该解对应有功网损的下界和上界值，纵向边长表示该解对应电压偏差的下界和上界值。