基于改进蚁群算法的电化学储能电站能量调度方法及系统

1.本发明属于电化学储能技术领域，更具体地，涉及基于改进蚁群算法的电化学储能电站能量调度方法及系统。


背景技术：

2.电化学储能具备高可控性、高模块程度的优势，能量密度大、转换效率高、建设周期短且安装方便，使用范围广，具有极大推广价值。随着技术手段的不断发展，电化学储能正越来越广泛地应用到各个领域，尤其是电动汽车和电力系统中。
3.储能电池的容量与功率配置取决于不同的微电网构成及运行模式，也受到储能系统运行模式的制约。电网/微电网中储能系统的控制策略是目前电网/微电网相关研究的热点之一。作为实现储能装置大容量化的主要手段，储能系统大规模集成是实现大规模储能电站的必要条件，且储能系统运行控制技术在进一步的提高效率，降低成本的重要性与日俱增。因此，为储能电站提供一种高效合理的系统内部功率分配策略值得探讨。
4.目前大部分电化学储能系统能量管理只针对单一目标进行管控或通过较为繁琐的方式求得储能电站能量管理具体数值，且精度不高。很少通过考虑多目标因素的优化方法来求解储能电站功率分配模型。


技术实现要素：

5.为解决现有技术中存在的不足，本发明的目的在于，提供基于改进蚁群算法的电化学储能电站能量调度方法，考虑多目标因素的电化学储能系统能量管理策略，旨在解决现有技术所存在的管控不合理问题，延长储能电站的剩余使用寿命。
6.本发明采用如下的技术方案。本发明的第一方面提供了基于改进蚁群算法的电化学储能电站能量调度方法，其特征在于，包括以下步骤：
7.步骤1，从电化学储能的信息采集系统中提取在某种场景中测量和计算的数据；
8.步骤2，采用主成分分析法对储能电站作特征选择处理，筛选获得特征数据；
9.步骤3，以预先设定的三个区间对需求指令进行判定，若需求指令处于第一区间，执行步骤4，若需求指令处于第二区间，执行步骤5，若需求指令处于第三区间，执行步骤7；
10.步骤4，根据电池簇总体soc值对各电池簇按比例进行分配，得到各电池簇出力情况，继续执行步骤8；
11.步骤5，采用灰色关联分析确定步骤2获得的各特征数据所占能量调度方法权重，按照权重建立能量调度多目标函数，得到能量调度模型；
12.步骤6，采用蚁群算法求解能量调度模型，得到各电池簇出力情况；
13.步骤7，各电池簇均以最高功率运行；
14.步骤8，根据实际负荷需求，输出各电池簇出力情况分配指令。
15.优选地，步骤1中，将采集数据作预处理，通过近邻值或均值补齐缺失数据；通过曲线拟合或聚类算法移除异常数据。
16.优选地，步骤2具体包括：采用主成分分析法分析步骤1中采集的数据，筛选出的数据包括：各电池簇荷电状态c1，各电池簇输出功率c4，功率转换设备损耗c5，电池充放电倍率c6，单位时间内功率变化c
13
。
17.优选地，步骤3中，第一区间是指，需求指令ri≤储能电站额定功率的30％；
18.第二区间是指储能电站额定功率的30％《ri《储能电站额定功率的90％；
19.第三区间是指ri≥储能电站额定功率的90％。
20.优选地，步骤5具体包括：
21.步骤5.1，采用灰色关联分析确定成本因素、设备损耗因素和输出稳定因素与运行效率因素的关联度，进而通过归一化计算出各因素所占能量调度方法权重；
22.步骤5.2，联合步骤5.1获得的权重，建立以成本最低、运行效率高、设备损耗率小、输出稳定的能量调度多目标函数；以如下公式表示，
23.min f＝ω1f1+ω2f2+ω3f3+ω4f424.式中：
25.f表示能量调度多目标函数，f1表示运行成本目标函数，f2表示运行效率目标函数，f3表示设备损耗目标函数，f4表示输出稳定目标函数；
26.ω1表示行成本目标函数的权重值，ω2表示运行效率目标函数的权重值，ω3表示设备损耗目标函数的权重值，ω4表示输出稳定目标函数的权重值；
27.步骤5.3，确立边界条件。
28.进一步优选地，步骤5.1具体包括：
29.步骤5.1.1，将所带入的数据进行标准化处理；即将成本因素、设备损耗因素、输出稳定因素和运行效率因素的数据进行标准化处理；
30.步骤5.1.2，将成本因素、设备损耗因素和输出稳定因素分别构成3条比较曲线；将运行效率因素构成一条参考曲线；
31.步骤5.1.3，计算各数据与储能电站运行效率的关联系数；以如下公式表示，
[0032][0033]
式中：
[0034]
δmin表示比较曲线与参考曲线的最小差，
[0035]
δmax表示比较曲线与参考曲线的最大差，
[0036]
α表示分辨系数，
[0037]
δ
i0
(k)表示比较曲线上的各个点与参考曲线上对应点的绝对差值，
[0038]
β
i0
表示关联系数；
[0039]
步骤5.1.4，计算各数据与储能电站运行效率的关联度；以如下公式表示，
[0040][0041]
式中：
[0042]
ni表示各因素比较数列与参考数列n0的关联程度，
[0043]
n表示关联因素个数；
[0044]
步骤5.1.5，将结果进行关联度排序，确定各类数据所占储能电站运行效率的权重。
[0045]
优选地，步骤5.2中，
[0046]
对于运行成本目标函数f1，以如下公式表示，
[0047][0048]
式中：
[0049]
m1表示改变控制策略节省的购电成本，
[0050]
m2表示改变控制策略减少的运维成本，
[0051]
m3表示储能电站在改变控制策略之下多获得的收益，
[0052]
g表示年限；
[0053]
对于运行效率目标函数f2，以如下公式表示，
[0054][0055]
式中：
[0056]
d表示储能电站中电池簇个数，
[0057]
eb表示电池簇运行效率，
[0058]
e2表示直流升压电路运行效率，
[0059]
e3表示储能变流器运行效率；
[0060]
对于设备损耗目标函数f3以如下公式表示，
[0061][0062]
式中：
[0063]
λ1表示电池簇充放电状态切换电气设备损耗系数，
[0064]
n1表示电池簇充放电状态切换次数，
[0065]
λ2表示储能变流器设备损耗系数，
[0066]
n2表示储能变流器设备切换次数，
[0067]
λ3表示工作时间系数，
[0068]
u1表示储能电池簇运行时间，
[0069]
u表示统计的总时间；
[0070]
对于输出稳定目标函数，以如下公式表示，
[0071][0072]
式中：
[0073]
o表示计算输出功率变化幅度总时间，单位表示秒，
[0074]
p
tb
表示第b个电池簇在t时刻的输出功率，
[0075]
δt表示预设单位时间。
[0076]
优选地，步骤6具体包括：
[0077]
步骤6.1，将信息初始化；
[0078]
步骤6.2，随机选择蚂蚁起始点，根据蚂蚁释放信息素浓度向远处移动；
[0079]
步骤6.3，根据初始信息素，计算蚂蚁状态转移概率，以如下公式表示，
[0080][0081]
式中：
[0082]
p(i,r)表示第i次迭代时蚂蚁r的转移概率值，
[0083]
max(v)表示信息素的最大值，
[0084]
v(r)表示蚂蚁r的信息素；
[0085]
步骤6.4，计算蚂蚁移动的距离计算公式；
[0086]
步骤6.5，计算蚂蚁与食物的适应度，即多目标函数值，根据适应度进行排序；蚂蚁与食物的适应度以如下公式表示，
[0087]
s＝f
’‑
p
new
[0088]
式中：
[0089]
f’为单次迭代下的目标函数值，
[0090]
p
new
为蚂蚁移动的长度，
[0091]
s表达的含义是，适应度数值越低，适应度越高；
[0092]
步骤6.6，根据步骤5.5的排序，更新每只蚂蚁的信息素浓度；信息素浓度更新公式为，
[0093][0094]
式中：
[0095]
z为信息素挥发因子；
[0096]
步骤6.7，判断是否满足终止条件；若满足，结束计算过程；若不满足，则从步骤5.8开始继续进行迭代优化；
[0097]
步骤6.8，输出目标函数，找出并输出适应度值最高的蚂蚁对应的所在位置，得到各电池簇出力情况。
[0098]
优选地，步骤6.4中，
[0099]
(1)若状态转移概率小于等于预设的转移概率常数时，其距离计算公式为：
[0100]
p
new
＝p
old
+δ
·
θ
·
t
p
[0101]
式中：
[0102]
p
new
为待移动的位置，
[0103]
p
old
为蚂蚁当前位置，
[0104]
δ为当前迭代次数的倒数，
[0105]
θ为待移动步长，
[0106]
t
p
为[-1,1]之间的随机数；
[0107]
(2)若状态转移概率大于预设的转移概率常数时，其距离计算公式为：
[0108]
p
new
＝p
old
+q
·
t
p
[0109]
式中：
[0110]
q为自变量区间的大小。
[0111]
本发明的第二方面提供了基于改进蚁群算法的电化学储能电站能量调度系统，包括：数据采集模块、特征处理模块、需求指令判定模块、改进蚁群算法模块和出力指令下发模块，其特征在于：
[0112]
数据采集模块用于从电化学储能的信息采集系统中提取在某种场景中测量和计算的数据，并发送至特征处理模块；
[0113]
特征处理模块采用主成分分析法对储能电站作特征选择处理，筛选获得特征数据，并发送至改进蚁群算法模块；
[0114]
需求指令判定模块以预先设定的三个区间对需求指令进行判定执行的控制策略；
[0115]
改进蚁群算法模块用于以灰色关联分析确定特征处理模块获得的各特征数据所占能量调度方法权重，按照权重建立能量调度多目标函数，得到能量调度模型，采用蚁群算法求解能量调度模型，得到各电池簇出力情况，并发送至出力指令下发模块
[0116]
出力指令下发模块，根据实际负荷需求，输出各电池簇出力情况分配指令。
[0117]
与现有技术相比，本发明的有益效果至少包括：首先从电化学储能的信息采集系统中提取在某种场景中测量和计算的数据，然后运用灰色关联分析确定各数据所占能量调度方法权重，建立以成本最低、运行效率高、损耗率小等因素为目标的能量调度寻优模型，最后运用蚁群算法求解能量调度模型，并通过引入相应策略对蚁群算法加以改进，实现电化学储能电站在不同时段内的合理调度，延长了电化学储能电站的使用寿命，促进了储能电站的可持续发展。同时提升了整个电池储能电站运行效率，延长电池寿命。
附图说明
[0118]
图1为本发明所述储能电站功率分配具体流程流程图。
[0119]
图2为本发明所述改进蚁群算法求解功率分配模型流程图。
具体实施方式
[0120]
下面结合附图对本技术作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本技术的保护范围。
[0121]
如图1所示，本发明的实施例1提供了一种基于改进蚁群算法的电化学储能电站能量调度方法，包括以下步骤：
[0122]
步骤1，从电化学储能的信息采集系统中提取在某种场景中测量和计算的数据。
[0123]
在本发明优选但非限制性的实施方式中，优选在削峰填谷或平抑新能源波动的场景中，采集的数据包括：各电池簇荷电状态(soc，state of charge)c1，电池内阻c2，电池端电压c3，各电池簇输出功率c4，功率转换设备损耗c5，电池充放电倍率c6，电池温度c7，电池循环寿命c8，电池容量c9，电池充放电截止电压c
10
，电池充放电截止电流c
11
，电池自放电率c
12
。
[0124]
进一步优选的实施方式为，将采集数据作预处理，补齐缺失数据，并移除异常数据。进一步优选地，通过近邻值或均值补齐缺失数据；通过曲线拟合或聚类算法移除异常数据，例如但不限于，k-means、均值偏移聚类等。
[0125]
步骤2，采用主成分分析法对储能电站作特征选择处理。根据筛选出的特征，为储能电站在不同需求指令下的能量管理模型制定边界条件。
[0126]
可以理解的是，主成分分析是考察多个变量间相关性一种多元统计方法，研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关。通常数学上的处理就是将原来p个指标作线性组合，作为新的综合指标。
[0127]
在本发明优选但非限制性的实施方式中，步骤2具体包括：
[0128]
步骤2.1，采用主成分分析法分析步骤1中采集的数据，筛选出的数据包括：各电池簇荷电状态c1，各电池簇输出功率c4，功率转换设备损耗c5，电池充放电倍率c6，单位时间内功率变化c
13
。
[0129]
步骤2.2，根据步骤2.1筛选出的特征，为储能电站在场景需求指令下的能量管理模型制定边界条件。
[0130]
步骤3，以预先设定的三个区间对需求指令进行判定，若需求指令处于第一区间，执行步骤4，若需求指令处于第二区间，执行步骤5和6，若需求指令处于第三区间，执行步骤7。
[0131]
进一步地，第一区间是指，需求指令ri≤储能电站额定功率的30％；第二区间是指储能电站额定功率的30％《ri《储能电站额定功率的90％；第三区间是指ri≥储能电站额定功率的90％。值得注意的是，本实施例给出的区间边界仅是一种优选但非限制性的实施方式，只要针对任意至少一个区间实施本发明的提出的改进蚁群算法，均落入本发明的发明构思范围之内，例如但不限于，划分为两个、四个或者更多个区间，其中一个区间实施本发明的提出的改进蚁群算法。
[0132]
步骤4，根据电池簇总体soc值对各电池簇按比例进行分配，继续执行步骤7。
[0133]
步骤5，采用灰色关联分析确定步骤2获得的各数据所占能量调度方法权重，按照权重建立能量调度多目标函数，得到能量调度模型。在进一步优选的实施方式中，步骤5包括：
[0134]
步骤5.1，采用灰色关联分析确定成本因素、设备损耗因素和输出稳定因素与运行效率因素的关联度，进而通过归一化计算出各因素所占能量调度方法权重。进一步优选地，步骤5.1具体包括：
[0135]
步骤5.1.1，将所带入的数据进行标准化处理；即将成本因素、设备损耗因素、输出稳定因素和运行效率因素的数据进行标准化处理。
[0136]
步骤5.1.2，将成本因素、设备损耗因素和输出稳定因素分别构成3条比较曲线；将运行效率因素构成一条参考曲线。
[0137]
步骤5.1.3，计算各数据与储能电站运行效率的关联系数；以如下公式表示，
[0138][0139]
式中：
[0140]
δmin表示比较曲线与参考曲线的最小差，
[0141]
δmax表示比较曲线与参考曲线的最大差，
[0142]
α表示分辨系数，
[0143]
δ
i0
(k)表示比较曲线上的各个点与参考曲线上对应点的绝对差值，
[0144]
β
i0
表示关联系数。
[0145]
步骤5.1.4，计算各数据与储能电站运行效率的关联度；以如下公式表示，
[0146][0147]
式中：
[0148]
ni表示各因素比较数列与参考数列n0的关联程度，
[0149]
n表示关联因素个数。
[0150]
步骤5.1.5，将结果进行关联度排序，确定各类数据所占储能电站运行效率的权重。关联度高的数据权重大于关联度低的数据权重，且各权重之和为1。
[0151]
ω1表示行成本目标函数的权重值，ω2表示运行效率目标函数的权重值，ω3表示设备损耗目标函数的权重值，ω4表示输出稳定目标函数的权重值，且ω1+ω2+ω3+ω3＝1。
[0152]
步骤5.2，联合步骤5.1获得的权重，建立以成本最低、运行效率高、设备损耗率小、输出稳定的能量调度多目标函数。具体地，以如下公式表示，
[0153]
min f＝ω1f1+ω2f2+ω3f3+ω4f4[0154]
式中：
[0155]
f表示能量调度多目标函数，f1表示运行成本目标函数，f2表示运行效率目标函数，f3表示设备损耗目标函数，f4表示输出稳定目标函数；
[0156]
更具体地，对于运行成本目标函数f1，以如下公式表示，
[0157][0158]
式中：
[0159]
m1表示改变控制策略节省的购电成本，
[0160]
m2表示改变控制策略减少的运维成本，
[0161]
m3表示储能电站在改变控制策略之下多获得的收益，
[0162]
g表示年限。
[0163]
其中，作为一种优选，改变控制策略可以以本发明控制策略改进现有控制策略。
[0164]
更具体地，对于运行效率目标函数f2，以如下公式表示，
[0165][0166]
式中：
[0167]
d表示储能电站中电池簇个数，
[0168]
eb表示电池簇运行效率，
[0169]
e2表示直流升压电路运行效率，
[0170]
e3表示储能变流器运行效率。
[0171]
更具体地，对于设备损耗目标函数f3以如下公式表示，
[0172][0173]
式中：
[0174]
λ1表示电池簇充放电状态切换电气设备损耗系数，
[0175]
n1表示电池簇充放电状态切换次数，
[0176]
λ2表示储能变流器设备损耗系数，
[0177]
n2表示储能变流器设备切换次数，
[0178]
λ3表示工作时间系数，
[0179]
u1表示储能电池簇运行时间，
[0180]
u表示统计的总时间。
[0181]
更具体地，对于输出稳定目标函数，以如下公式表示，
[0182][0183]
式中：
[0184]
o表示计算输出功率变化幅度总时间，单位表示秒，
[0185]
p
tb
表示第b个电池簇在t时刻的输出功率，
[0186]
δt表示预设单位时间。
[0187]
步骤5.3，确立边界条件。具体地，包括：
[0188]
步骤5.3.1，储能电站需求约束，不能大于储能电站的最高出力。
[0189]
步骤5.3.2，soc约束，10％≤soc≤100％。
[0190]
步骤5.3.3，t时间段内电池簇充放电功率约束，
[0191][0192][0193]
式中：
[0194]
p
ch
、p
dch
分别表示电池簇在t时段内充电和放电功率，
[0195]
分别表示电池簇在t时段内充电和放电功率的最小值，
[0196]
分别表示电池簇在t时段内充电和放电功率的最大值。
[0197]
步骤5.3.4，储能电池簇输出功率约束，
[0198]hmin
(t)≤hj(t)≤h
max
(t)
[0199]
式中：
[0200]hj
(t)表示第j个电池簇的输出功率，
[0201]hmin
(t)和h
max
(t)分别表示储能电池簇的最小和最大输出功率。
[0202]
步骤5.3.5，电池簇充放电倍率约束，
[0203]
0.2c≤cb≤c
[0204]
式中：
[0205]
cb表示电池簇实际充放电倍率，
[0206]
0.2c分别表示电池簇额定充放电倍率的下限，
[0207]
c表示电池簇额定充放电倍率的上限。
[0208]
步骤6，如图2所示，采用蚁群算法求解能量调度模型。在本发明进一步地实施方式中，步骤6具体包括：
[0209]
步骤6.1，将信息初始化。将算法中的参数设定初始值，包括：蚂蚁起始点、信息素、蚂蚁转移概率常数、信息素挥发因子、蚂蚁个数、迭代次数、待移动步长。
[0210]
步骤6.2，随机选择蚂蚁起始点，根据蚂蚁释放信息素浓度向远处移动。
[0211]
步骤6.3，根据初始信息素，计算蚂蚁状态转移概率，以如下公式表示，
[0212][0213]
式中：
[0214]
p(i,r)表示第i次迭代时蚂蚁r的转移概率值，
[0215]
max(v)表示信息素的最大值，
[0216]
v(r)表示蚂蚁r的信息素。
[0217]
步骤6.4，计算蚂蚁移动的距离计算公式。更具体地，
[0218]
(1)若状态转移概率小于等于预设的转移概率常数时，其距离计算公式为：
[0219]
p
new
＝p
old
+δ
·
θ
·
t
p
[0220]
式中：
[0221]
p
new
为待移动的位置，
[0222]
p
old
为蚂蚁当前位置，
[0223]
δ为当前迭代次数的倒数，
[0224]
θ为待移动步长，
[0225]
t
p
为[-1,1]之间的随机数。
[0226]
(2)若状态转移概率大于预设的转移概率常数时，其距离计算公式为：
[0227]
p
new
＝p
old
+q
·
t
p
[0228]
式中：
[0229]
q为自变量区间的大小。
[0230]
步骤6.5，计算蚂蚁与食物的适应度，即多目标函数值，根据适应度进行排序。蚂蚁与食物的适应度以如下公式表示，
[0231]
s＝f
’‑
p
new
[0232]
式中：
[0233]
f’为单次迭代下的目标函数值，
[0234]
p
new
为蚂蚁移动的长度，
[0235]
s表达的含义是，适应度数值越低，适应度越高。
[0236]
步骤6.6，根据步骤5.5的排序，更新每只蚂蚁的信息素浓度。信息素浓度更新公式为，
[0237][0238]
式中：
[0239]
z为信息素挥发因子。
[0240]
步骤6.7，判断是否满足终止条件。若满足，结束计算过程；若不满足，则从步骤5.8开始继续进行迭代优化。
[0241]
步骤6.8，输出目标函数，找出并输出适应度值最高的蚂蚁对应的所在位置，得到各电池簇出力情况。
[0242]
步骤7，各电池簇均以最高功率运行，即最大功率运行。
[0243]
步骤8，根据实际负荷需求，输出各电池簇出力情况分配指令。
[0244]
本发明的实施例2提供了一种基于改进蚁群算法的电化学储能电站能量调度系统运行所述的基于改进蚁群算法的电化学储能电站能量调度系统，包括：数据采集模块、特征处理模块、需求指令判定模块、改进蚁群算法模块和出力指令下发模块，其中：
[0245]
数据采集模块用于从电化学储能的信息采集系统中提取在某种场景中测量和计算的数据，并发送至特征处理模块；
[0246]
特征处理模块采用主成分分析法对储能电站作特征选择处理，筛选获得特征数据，并发送至改进蚁群算法模块；
[0247]
需求指令判定模块以预先设定的三个区间对需求指令进行判定执行的控制策略；
[0248]
改进蚁群算法模块用于以灰色关联分析确定特征处理模块获得的各特征数据所占能量调度方法权重，按照权重建立能量调度多目标函数，得到能量调度模型，采用蚁群算法求解能量调度模型，得到各电池簇出力情况，并发送至出力指令下发模块
[0249]
出力指令下发模块，根据实际负荷需求，输出各电池簇出力情况分配指令。
[0250]
与现有技术相比，本发明的有益效果至少包括：首先从电化学储能的信息采集系统中提取在某种场景中测量和计算的数据，然后运用灰色关联分析确定各数据所占能量调度方法权重，建立以成本最低、运行效率高、损耗率小等因素为目标的能量调度寻优模型，最后运用蚁群算法求解能量调度模型，并通过引入相应策略对蚁群算法加以改进，实现电化学储能电站在不同时段内的合理调度，延长了电化学储能电站的使用寿命，促进了储能电站的可持续发展。同时提升了整个电池储能电站运行效率，延长电池寿命。
[0251]
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。