一种微电网混合储能容量配置的优化方法与流程

本发明涉及微电网储能配置领域，更具体地，涉及一种微电网混合储能容量配置的优化方法。

背景技术：

风电、光伏发电等间歇性电源固有的波动性，随机性和不可控性等特点，导致其规模化并网应用会对大电网互联运行的安全稳定造成隐患，对电网调频和备用容量规划带来极大的挑战，对电网潮流分布、动态特性和电能质量等电气特性产生影响。

储能技术的引入，为提高间歇式能源发电并网应用提供了便捷有效的途径。储能系统装置的功率双向能力，可以平滑间歇性电源功率输出波动，可以跟踪调度计划出力、缩减间歇性电源预测功率误差，可以借“削峰填谷”方式降低间歇式能源丢弃率。而合理的配置储能系统容量是新能源发电系统经济可靠运行的重要保障。

目前在求解储能系统容量多目标优化配置模型上，大多数是通过加权求和将多目标优化问题转化成单目标优化问题或者选取一个目标作为优化目标，其它目标作为约束条件求解约束单目标优化问题。但大多数情况下不同性质的目标之间的单位不一致，在优化之前各目标权重分配的效用函数难以确定，权系数分配带有很大的主观随机性。这种转化为单目标的思想违背了多目标优化的初衷。此外，在工程实际中，有时需要提供多个解以便决策者做出合理的最终选择。因此，对多目标优化问题需要一种方便可行同时能够满足实际要求的优化算法。遗传算法作为一种高度并行随机全局搜索方法，通过代表整个解集的种群进化，以内在并行的方式搜索多个非劣解，决策者可以在多个解中解决决策方案。许多学者在遗传操作和多目标优化方法两个方面进行了有益的探索，提出了各种改进的遗传多目标优化算法，以解决遗传寻优速度慢和存在封闭竞争的问题。在选择种群方面大都采用轮盘赌选择、锦标赛方法、随机遍历选择和小生境淘汰技术，虽然这些方法在某种程度上都是有效，但均有其局限性和不足。

技术实现要素：

本发明提供一种微电网混合储能容量配置的优化方法，基于fcm改进多目标遗传算法保证杂交后个体的性能比原来的好，改进遗传算法的寻优能力，以此来优化混合储能的容量配置。

为解决上述技术问题，本发明的技术方案如下：

一种微电网混合储能容量配置的优化方法，包括以下步骤：

s1：获取微电网的往年历史数据和实时数据，构建微电网数据矩阵；

s2：对随机变量进行归一化处理；

s3：构建微电网储能容量配置优化模型；

s4：利用fcm改进的多目标遗传算法进行微电网储能容量配置优化。

优选地，步骤s1中往年历史数据和实时数据包括风力发电功率、光伏发电功率、蓄电池输出功率、超级电容输出功率、负荷的需求功率。

优选地，步骤s1中构建微电网数据矩阵如下：

式中，xdi1为微电网中的风力发电功率、xdi2为光伏发电功率、xdi3为蓄电池输出功率、xdi4为超级电容输出功率、xdi5为负荷的需求功率，单位均为kw。

优选地，步骤s3中构建微电网储能容量配置优化模型，包括以下步骤：

s3.1：构建微电网混合能成本目标函数：

考虑决策变量n＝[nbat，ncap]，nbat和ncap分别为蓄电池和超级电容的个数，据此建立混合储能的成本目标函数f1：

f1＝c1nbatebat+c2ncapecap+m1nbatebat+m2ncapecap

式中，ebat表示微电网中单个蓄电池的容量，ecap表示微电网中单个超级电容的容量，单位均为kw·h；c1为超级电容容量单价，c2为蓄电池容量单价，单位均为kw·h；m1为蓄电池单位容量的维护单价，m2为超级电容单位容量的维护单价，单位均为元/kw·h；微电网中混合储能的配置应在满足微电网基本运行调度的情况下，使其费用最小，优化的目标是寻找一组最优的(nbat,ncap)使得储能的总成本最低。

s3.2：构建抑制可再生能源波动目标函数：

令混合储能参与平滑可再生能源波动的时间为[t11,t12]，调整周期以1min为单位，为表征混合储能对可再生能源发电功率波动的抑制效果，以调节后可再生能源功率变化差值的平方和最小，建立优化目标函数f2：

式中，i表示第i个时段，pbat,i为第i个时段蓄电池的输出功率，pcap,i为第i个时段超级电容的输出功率；pw,i为第i个时段未经储能补偿的可再生能源中风力发电的实际发电功率，ppv,i为第i个时段未经储能补偿的可再生能源中风力发电的实际发电功率，pdg,i为第i个时段经混合储能后的可再生能源输出功率值，单位均为kw；由于可再生能源发电功率变化较快，其调整周期以1min为单位。

s3.3：设置约束条件，包括：

1)受实际场地等条件约束，蓄电池和超级电容的个数存在约束：

其中，nbat,max和ncap,max为在实际场地条件限制情况下蓄电池和超级电容安装数量的最大值；

2)微电网中系统供电可靠性的约束条件：

负荷失电率lpsp(lossofpowersupplyprobability)表征系统供电可靠性，介于[0,1]之间，当lpsp为0时，表示混合发电系统出力始终可以满足负荷需求；lpsp为1时，表示混合发电系统始终不能满足负荷需求；t表示一天的时间，24h；pload表示在t时刻负荷的需求量，单位kw，一般工程标准要去求停供电率在2％以内。

3)微电网中蓄电池和超级电容的荷电状态soc约束：

socbat,min≤socbat,i≤socbat,max

soccap,min≤soccap,i≤soccap,max

式中，socbat,min为蓄电池的荷电状态下限，socbat,max蓄电池的荷电状态上限，soccap,min为超级电容的荷电状态下限，soccap,max为超级电容的荷电状态上限；电池和超级电容器的soc都应当在合理的限定范围内，过充、过放都会降低储能的使用寿命，应在电池管理系统的指导下，严格控制其荷电状态的上下限。

优选地，socbat,min取20％～30％，socbat,max取70％～80％,soccap,min取5％～10％，soccap,max取90％～95％。

优选地，步骤s4中利用fcm改进的多目标遗传算法进行微电网储能容量配置优化，包括以下步骤：

s4.1：初始化种群p，配置算法中的参数，包括聚类个数c、进化代数maxgens；

s4.2：计算个体的适应度值，进行非支配排序，排序越靠前的目标值，对应的个体非支配程度越强，使其继续进化；根据排序的序号，给每一等级的个体分配一个适应度值，具有相同排序的非支配解分配相同的适应度值，使其获得相同的复制概率，适应度值按下式计算：

式中，i为个体在排序种群中的序号；fitnv(i)表示i排序上个体的适应度值，i为种群排序中最大的序号，为虚拟适应值；

s4.3：记忆前n个个体，保存在外部解集；

s4.4：利用模糊c均值聚类算法fcm对种群p进行聚类：

式中，m∈[1,∞)称加权指数，vi(i＝1,2,…,c)为第i个聚类的聚类中心,u＝[uij]c×n称为模糊划分矩阵,uij表示样本xj对第i个聚类的隶属程度,d(xj,vi)表示样本xj与聚类中心vi之间的欧式距离；jfcm表示每个样本点对所有类中心的隶属度，通过优化jfcm求得最小值以此来决定样本点的类属以达到自动对样本数据进行分类的目的。

s4.5：先取一个以va＝(x1,x2,…,xn)为聚类中心的类作为父代并通过欧式距离寻找与其聚类中心距离最远的另一个以vb＝(y1，y2，…，yn)为聚类中心的类作为父代，将这两个聚类中心距离最远的类进行杂交；

s4.6：因为交叉和变异的概率越大，好的基因容易被破坏，不利于种群的进化收敛，甚至会发生退化现象。但是，如果交叉、变异概率太小，又不利于产生新的个体，算法的搜索速度会下降，种群进化甚至会停止。为了避免这种现象的发生，采用自适应的杂交算子pc和变异算子pm进行自适应交叉变异，其中：

式中，pcmax和pcmin分别表示交叉概率上限和下限，pmmax和pmmin分别表示变异概率上限和下限,fi是个体的适应度,fmax是当代种群中个体的最大适应度；

s4.7：将步骤s4.3中保存在外部解集的n个个体与子代m个个体组成新的种群，并进行非支配排序；

s4.8：判断是否达到终止条件，是则结束进化输出非支配解集；否则记忆新种群的钱m个个体，遗传代数g＝g+1，返回步骤s4.2。

与现有技术相比，本发明技术方案的有益效果是：

利用模糊c均值聚类和欧式距离挑选交叉父代的方法结合自适应交叉变异算子，可以大大提高遗传算法种群的多样性，避免陷入局部最优。有利于求出混合储能容量配置的最优解集，以便决策者做出合理的最终选择，为电网稳定运行和经济性提供技术支撑。

附图说明

图1为本发明提供的微电网混合储能容量配置的优化方法流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

一种微电网混合储能容量配置的优化方法，如图1，包括以下步骤：

s1：获取微电网的往年历史数据和实时数据，构建微电网数据矩阵；

s2：对随机变量进行归一化处理；

s3：构建微电网储能容量配置优化模型；

s4：利用fcm改进的多目标遗传算法进行微电网储能容量配置优化。

步骤s1中往年历史数据和实时数据包括风力发电功率、光伏发电功率、蓄电池输出功率、超级电容输出功率、负荷的需求功率。

步骤s1中构建微电网数据矩阵如下：

式中，xdi1为微电网中的风力发电功率、xdi2为光伏发电功率、xdi3为蓄电池输出功率、xdi4为超级电容输出功率、xdi5为负荷的需求功率，单位均为kw。

步骤s3中构建微电网储能容量配置优化模型，包括以下步骤：

s3.1：构建微电网混合能成本目标函数：

考虑决策变量n＝[nbatncap]，nbat和ncap分别为蓄电池和超级电容的个数，据此建立混合储能的成本目标函数f1：

f1＝c1nbatebat+c2ncapecap+m1nbatebat+m2ncapecap

式中，ebat表示微电网中单个蓄电池的容量，ecap表示微电网中单个超级电容的容量，单位均为kw·h；c1为超级电容容量单价，c2为蓄电池容量单价，单位均为kw·h；m1为蓄电池单位容量的维护单价，m2为超级电容单位容量的维护单价，单位均为元/kw·h；

s3.2：构建抑制可再生能源波动目标函数：

令混合储能参与平滑可再生能源波动的时间为[t11,t12]，调整周期一1min为单位，为表征混合储能对可再生能源发电功率波动的抑制效果，以调节后可再生能源功率变化差值的平方和最小，建立优化目标函数f2：

式中，i表示第i个时段，pbat,i为第i个时段蓄电池的输出功率，pcap,i为第i个时段超级电容的输出功率；pw,i为第i个时段未经储能补偿的可再生能源中风力发电的实际发电功率，ppv,i为第i个时段未经储能补偿的可再生能源中风力发电的实际发电功率，pdg,i为第i个时段经混合储能后的可再生能源输出功率值，单位均为kw；

s3.3：设置约束条件，包括：

1)蓄电池和超级电容的个数存在约束：

其中，nbat,max和ncap,max为在实际场地条件限制情况下蓄电池和超级电容安装数量的最大值；

2)微电网中系统供电可靠性的约束条件：

负荷失电率lpsp表征系统供电可靠性，介于[0,1]之间，当lpsp为0时，表示混合发电系统出力始终可以满足负荷需求；lpsp为1时，表示混合发电系统始终不能满足负荷需求；t表示一天的时间，24h；pload表示在t时刻负荷的需求量，单位kw。

3)微电网中蓄电池和超级电容的荷电状态soc约束：

socbat,min≤socbat,i≤socbat,max

soccap,min≤soccap,i≤soccap,max

式中，socbat,min为蓄电池的荷电状态下限，socbat,max蓄电池的荷电状态上限，soccap,min为超级电容的荷电状态下限，soccap,max为超级电容的荷电状态上限。

socbat,min取30％，socbat,max取70％,soccap,min取10％，soccap,max取90％。

步骤s4中利用fcm改进的多目标遗传算法进行微电网储能容量配置优化，包括以下步骤：

s4.1：初始化种群p，配置算法中的参数，包括聚类个数c、进化代数maxgens；

s4.2：计算个体的适应度值，进行非支配排序，排序越靠前的目标值，对应的个体非支配程度越强，使其继续进化；根据排序的序号，给每一等级的个体分配一个适应度值，具有相同排序的非支配解分配相同的适应度值，使其获得相同的复制概率，适应度值按下式计算：

式中，i为个体在排序种群中的序号；fitnv(i)表示i排序上个体的适应度值，i为种群排序中最大的序号，为虚拟适应值；

s4.3：记忆前n个个体，保存在外部解集；

s4.4：利用模糊c均值聚类算法对种群p进行聚类：

式中，m∈[1,∞)称加权指数，vi(i＝1,2,…,c)为第i个聚类的聚类中心,u＝[uij]c×n称为模糊划分矩阵,uij表示样本xj对第i个聚类的隶属程度,d(xj,vi)表示样本xj与聚类中心vi之间的欧式距离；jfcm表示每个样本点对所有类中心的隶属度，通过优化jfcm求得最小值以此来决定样本点的类属以达到自动对样本数据进行分类的目的；

s4.5：先取一个以va＝(x1,x2,…,xn)为聚类中心的类作为父代并通过欧式距离寻找与其聚类中心距离最远的另一个以vb＝(y1,y2，…,yn)为聚类中心的类作为父代，将这两个聚类中心距离最远的类进行杂交；

s4.6：采用自适应的杂交算子pc和变异算子pm进行自适应交叉变异，其中：

式中，pcmax和pcmin分别表示交叉概率上限和下限，pmmax和pmmin分别表示变异概率上限和下限,fi是个体的适应度,fmax是当代种群中个体的最大适应度；

s4.7：将步骤s4.3中保存在外部解集的n个个体与子代m个个体组成新的种群，并进行非支配排序；

s4.8：判断是否达到终止条件，是则结束进化输出非支配解集；否则记忆新种群的钱m个个体，遗传代数g＝g+1，返回步骤s4.2。

实施例2

一种微电网混合储能容量配置的优化方法，如图1，包括以下步骤：

s1：获取微电网的往年历史数据和实时数据，构建微电网数据矩阵；

s2：对随机变量进行归一化处理；

s3：构建微电网储能容量配置优化模型；

s4：利用fcm改进的多目标遗传算法进行微电网储能容量配置优化。

步骤s1中往年历史数据和实时数据包括风力发电功率、光伏发电功率、蓄电池输出功率、超级电容输出功率、负荷的需求功率。

步骤s1中构建微电网数据矩阵如下：

式中，xdi1为微电网中的风力发电功率、xdi2为光伏发电功率、xdi3为蓄电池输出功率、xdi4为超级电容输出功率、xdi5为负荷的需求功率，单位均为kw。

步骤s3中构建微电网储能容量配置优化模型，包括以下步骤：

s3.1：构建微电网混合能成本目标函数：

考虑决策变量n＝[nbatncap]，nbat和ncap分别为蓄电池和超级电容的个数，据此建立混合储能的成本目标函数f1：

f1＝c1nbatebat+c2ncapecap+m1nbatebat+m2ncapecap

式中，ebat表示微电网中单个蓄电池的容量，ecap表示微电网中单个超级电容的容量，单位均为kw·h；c1为超级电容容量单价，c2为蓄电池容量单价，单位均为kw·h；m1为蓄电池单位容量的维护单价，m2为超级电容单位容量的维护单价，单位均为元/kw·h；

s3.2：构建抑制可再生能源波动目标函数：

令混合储能参与平滑可再生能源波动的时间为[t11,t12]，调整周期一1min为单位，为表征混合储能对可再生能源发电功率波动的抑制效果，以调节后可再生能源功率变化差值的平方和最小，建立优化目标函数f2：

式中，i表示第i个时段，pbat,i为第i个时段蓄电池的输出功率，pcap,i为第i个时段超级电容的输出功率；pw,i为第i个时段未经储能补偿的可再生能源中风力发电的实际发电功率，ppv,i为第i个时段未经储能补偿的可再生能源中风力发电的实际发电功率，pdg,i为第i个时段经混合储能后的可再生能源输出功率值，单位均为kw；

s3.3：设置约束条件，包括：

1)蓄电池和超级电容的个数存在约束：

其中，nbat,max和ncap,max为在实际场地条件限制情况下蓄电池和超级电容安装数量的最大值；

2)微电网中系统供电可靠性的约束条件：

负荷失电率lpsp表征系统供电可靠性，介于[0,1]之间，当lpsp为0时，表示混合发电系统出力始终可以满足负荷需求；lpsp为1时，表示混合发电系统始终不能满足负荷需求；t表示一天的时间，24h；pload表示在t时刻负荷的需求量，单位kw。

3)微电网中蓄电池和超级电容的荷电状态soc约束：

socbat,min≤socbat,i≤socbat,max

soccap,min≤soccap,i≤soccap,max

式中，socbat,min为蓄电池的荷电状态下限，socbat,max蓄电池的荷电状态上限，soccap,min为超级电容的荷电状态下限，soccap,max为超级电容的荷电状态上限。

socbat,min取20％，socbat,max取80％,soccap,min取5％，soccap,max取95％。

步骤s4中利用fcm改进的多目标遗传算法进行微电网储能容量配置优化，包括以下步骤：

s4.1：初始化种群p，配置算法中的参数，包括聚类个数c、进化代数maxgens；

s4.2：计算个体的适应度值，进行非支配排序，排序越靠前的目标值，对应的个体非支配程度越强，使其继续进化；根据排序的序号，给每一等级的个体分配一个适应度值，具有相同排序的非支配解分配相同的适应度值，使其获得相同的复制概率，适应度值按下式计算：

式中，i为个体在排序种群中的序号；fitnv(i)表示i排序上个体的适应度值，i为种群排序中最大的序号，为虚拟适应值；

s4.3：记忆前n个个体，保存在外部解集；

s4.4：利用模糊c均值聚类算法对种群p进行聚类：

式中，m∈[1,∞)称加权指数，vi(i＝1,2,…,c)为第i个聚类的聚类中心,u＝[uij]c×n称为模糊划分矩阵,uij表示样本xj对第i个聚类的隶属程度,d(xj,vi)表示样本xj与聚类中心vi之间的欧式距离；

s4.5：先取一个以va＝(x1,x2,…,xn)为聚类中心的类作为父代并通过欧式距离寻找与其聚类中心距离最远的另一个以vb＝(y1,y2，…,yn)为聚类中心的类作为父代，将这两个聚类中心距离最远的类进行杂交；jfcm表示每个样本点对所有类中心的隶属度，通过优化jfcm求得最小值以此来决定样本点的类属以达到自动对样本数据进行分类的目的；

s4.6：采用自适应的杂交算子pc和变异算子pm进行自适应交叉变异，其中：

式中，pcmax和pcmin分别表示交叉概率上限和下限，pmmax和pmmin分别表示变异概率上限和下限,fi是个体的适应度,fmax是当代种群中个体的最大适应度；

s4.7：将步骤s4.3中保存在外部解集的n个个体与子代m个个体组成新的种群，并进行非支配排序；

s4.8：判断是否达到终止条件，是则结束进化输出非支配解集；否则记忆新种群的钱m个个体，遗传代数g＝g+1，返回步骤s4.2。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。