本发明属于能源,具体涉及一种温室供电系统光储容量配置方法、装置、设备及介质。
背景技术:
1、温室系统能耗巨大,若直接以电网电能作为能量来源,将会形成巨大的运行成本,温室经济效益将被大幅削减,极端情况下甚至出现入不敷出的局面。从温室效益和低碳环保角度出发,配以适当容量的光储系统是解决上述问题的有效途径。
2、温室负荷类型多种多样,每个设备都有自己的运行时段,光储容量配置过大将使得投资过大,资源浪费;反之,供电能力难以得到保障,仍需较大程度依赖电网。再者,所有负荷中供热设备功率占比最大且多用于夜间,这一特点与光伏出力特性恰好相反。配置储能系统将能量进行时间转移是解决此问题的一个较好的思路。但储能容量大小的选择又会面临投资回收期、储能容量利用率的问题。
3、现有的温室光储配置方法多基于日光温室现有的光伏设备配备容量进行储能配置的最优容量及最优接入位置的测算,其光储容量优化配置模型求解的优化算法目前常用的方法主要是各种智能寻找的迭代算法,如bp神经网络(back propagation neuralnetwork,bpnn)等神经网络的改进算法和粒子群算法等智能算法,单学习机的方法和典型粒子群算法的误差相对较大、易出现过拟合现象、计算过程复杂,而典型粒子群算法存在后期收敛速度较慢、早熟收敛以及陷入局部最优解等方面的问题。
技术实现思路
1、本发明的目的在于提供一种温室供电系统光储容量配置方法、装置、设备及介质,解决现有的温室光储配置方法采用的求解方法存在速度慢,可靠性低,且缺少基于温室自身供用电模式、负荷特性等进行光储容量优化配置的问题。
2、为了实现上述目的,本发明采用如下技术方案:
3、第一方面,本发明提供一种温室供电系统光储容量配置方法,包括:
4、基于典型日负荷分布数据,建立光伏容量配置模型和储能容量配置模型;
5、通过mppt算法对光伏容量配置模型进行求解,通过改进的粒子群算法对储能容量配置模型求解,获得最优解;
6、根据最优解,对温室供电系统光储容量进行配置。
7、进一步的,所述典型日负荷分布数据通过采集日光温室供电系统数据,对数据进行预处理获得;
8、采集日光温室供电系统数据,具体为采集有关日光温室供电系统的供电模式和负荷特性数据,包括日光温室的光照数据、温室结构的特性数据、设备的功耗数据和作物的电力需求数据。
9、进一步的,所述对数据进行预处理具体为:
10、基于收集的日光温室的光照数据和温室结构的特性数据,建立考虑温室内遮阳、玻璃透光率、太阳位置因素的光估算数据集;
11、基于设备的功耗数据和作物的电力需求数据,建立包括典型日各个时间点电力需求的负荷特性数据集;
12、基于光估算数据集和负荷特性数据集,合并生成典型日负荷分布数据。
13、进一步的,所述基于典型日负荷分布数据,建立光伏容量配置模型和储能容量配置模型具体为:
14、所述光伏容量配置模型为:
15、
16、式中,pv为光伏板装机容量;τst为温室负荷同时率;pi为温室内各类负荷功率;ni为第i种负荷数量;n为负荷种类数;
17、所述储能容量配置模型的目标函数为:
18、min((cbc+cbo)-(ibuy-igrid))
19、式中,cbc为系统建设成本;cbo为储能运维成本;ibuy为抵消购电成本;igrid为减少的上网收益;
20、系统建设成本cbc的计算公式为:
21、
22、式中:pb(t)为第t时间段内充放电功率;eb是储能额定容量;xbc为电池单位循环成本;为电池荷电状态最大值;为电池荷电状态最小值;cb为储能单位容量成本;nb为储能寿命;t为一个计算时段;
23、储能维护成本计算公式为:
24、cbo=ηb×cbc
25、式中,ηb为储能维护成本比例系数;
26、抵消购电成本为:
27、
28、式中,pload(t)为t时刻负荷消耗功率;ppv(t)为t时刻光伏组件的输出功率;pout(t)为t时刻储能放电功率;ibuy为抵消购电成本;为该时段内电网电价;为储能最大输出功率;
29、减少的上网收益为:
30、
31、式中,igrid为上网收益减少量;为该时段内上网电价;pin(t)为该时段储能充电功率;为储能最大充电功率。
32、进一步的,储能系统t0+k1时刻的soc(t0+k1)表示为:
33、
34、式中,soc(t0+k1)为储能系统t0+k1时刻的荷电状态;k1表示soc的计算时间间隔;
35、储能进行充放电时应满足下式约束条件:
36、
37、式中,为当前储能系统荷电状态;为储能系统初始荷电状态;为储能系统末尾荷电状态;为当前储能系统最小荷电状态;为当前储能系统最大荷电状态;为当前储能系统充放电功率;为储能系统最大充放电功率;为储能系统最小充放电功率;
38、建立功率平衡约束:
39、ppv(t)+pgrid(t)+pb(t)=pload(t)
40、式中,pgrid(t)为电网输入功率。
41、进一步的,所述通过mppt算法对光伏容量配置模型进行求解具体包括:
42、确定光伏电池的电流-电压方程为:
43、
44、式中,i为光伏电池的电流;c1为第一数学参数;c2为第二数学参数;v为光伏电池的电压;isc为标准状况下的短路电流;voc为标准状况下的开路电压;im为标准状况下的最大功率点电流;vm为标准状况下的最大功率点电压;
45、当太阳辐照强度和电池温度处于非标准状况下时:
46、t1=tair+k·g
47、式中:t1为太阳电池组在任意辐射或温度下的温度;tair为环境温度;k为太阳电池温度系数;g为辐照强度;
48、在实际辐照度、温度情况下:
49、
50、式中,gref为标准状况下参考光照强度;tref为标准状况下参考温度;δt为实际温度与参考温度的差值;g为辐照强度;δg为相对辐照值差;i′sc为实际条件下的光伏电池短路电流;v′oc为实际条件下的光伏电池开路电压;i′m为实际条件下的光伏电池最大功率点电流;v′m分别为实际条件下的光伏电池最大功率点电压;α为第一系数,α=0.0025,β为第二系数;
51、通过建立光伏电池的电流-电压方程,基于mppt算法进行光伏电池电压、电流的拟合,得到光伏电池日出力曲线,并将其带入到光伏容量配置模型中的功率平衡约束,算出光伏容量配置结果。
52、进一步的,所述通过改进的粒子群算法对储能容量配置模型求解具体为:
53、将日光温室的负荷分布相关数据输入到储能容量配置模型中,初始化储能容量等参数;
54、通过改变惯性权重和增加压缩因子对粒子群算法进行改进:
55、更新粒子群算法的惯性权重,惯性权重ωgb随着迭代次数的增加线性减小,其表达式为:
56、
57、式中,ωmax为最大惯性权重;ωmin为最小惯性权重;run为当前迭代次数;runmax为最大迭代次数;
58、计算每一个粒子的个体适应度fx(i),对随机每一个粒子,将其适应度值fx(i)和个体极值比较,如果适应度值fx(i)大于个体极值,则用适应度值fx(i)取代个体极值;同时对每个粒子,用其的适应度值fx(i)和全局极值比较,如果fx(i)大于其全局极值,则用个体适应度值取代全局极值;
59、计算算法速度v(k+1),更新储能容量x(k+1)等目标函数:
60、
61、x(k+1)=xk+v(k+1)
62、式中,v(k+1)为更新后的算法速度;vk为算法原始速度;x为储能容量,x(k+1)为更新后的储能容量;为种群最优解;为群落最优解;ωgb为惯性权重;cg1为个体学习因子;cg2为种群学习因子;rand1和rand2分别为两个随机数;
63、处理改进后的粒子群算法边界条件,进行算法迭代,获得储能容量配置模型最优储能容量配置结果,得到最优解。
64、第二方面,本发明提供了一种温室供电系统光储容量配置装置,包括:
65、模型建立模块,用于基于典型日负荷分布数据,建立光伏容量配置模型和储能容量配置模型;
66、求解模块,用于通过mppt算法对光伏容量配置模型进行求解,通过改进的粒子群算法对储能容量配置模型求解,获得最优解;
67、容量配置模块,用于根据最优解,对温室供电系统光储容量进行配置。
68、第三方面,本发明提供了一种电子设备,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至7中任意一项所述的一种温室供电系统光储容量配置方法。
69、第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现如上述中任意一项所述的一种温室供电系统光储容量配置方法。
70、本发明的有益效果如下:
71、1、本发明基于典型日负荷分布数据,建立光伏容量配置模型和储能容量配置模型;通过mppt算法对光伏容量配置模型进行求解,通过改进的粒子群算法对储能容量配置模型求解,获得最优解;根据最优解,对温室供电系统光储容量进行配置;基于mppt算法和改进的粒子群算法求解得到最优光伏容量配置结果和储能容量配置结果,运算速度快、可靠性高,克服了现有算法自身存在后期收敛速度较慢、早熟收敛以及陷入局部最优解等方面的问题。
72、2、本发明将储能建设成本折算到日为单位,综合考虑系统建设成本、运维成本、减少电网购电收益和减少余电上网损失,以日内成本与收益之差最小为优化目标,以储能荷电状态等作为约束条件,联合能量平衡约束建立储能容量配置模型,通过改进粒子群算法进行迭代求解,就可以得到日光温室供电系统的最优解,使得方法具有运算速度快、可靠性高等优点。