申请/专利权人：太原理工大学

申请日：2023-12-29

公开（公告）日：2024-03-22

公开（公告）号：CN117526387B

主分类号：H02J3/32

分类号：H02J3/32;H02J3/38;H02J3/46;H02J3/14;G06F30/27;G06N3/006;G06Q50/06;G06F111/04;G06F111/06

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2024.02.27#实质审查的生效;2024.02.06#公开

摘要：本发明公开了一种考虑储能容量衰减的配电网储能最优选址定容方法，涉及配电网储能优化计算领域。首先建立了考虑时间和频繁充放电的储能容量衰减模型，在配电网规划的经济成本中考虑了储能容量衰减成本，然后提出了一种基于密集距离的改进粒子群算法。本发明考虑了储能容量随时间和频繁充放电的衰减特性，可以有效降低风光出力不确定性对配电网规划的影响，促进可再生能源并网消耗，提高系统可靠性。将改进的粒子群算法用于求解配电网种储能选址定容多目标优化问题，并在优化搜索过程中使用密集距离来指导种群的最优粒子选择；其最优Pareto解集的多样性和分布性较好，系统投资回收期缩短，具有很高的经济实用价值。

主权项：1.一种考虑储能容量衰减的配电网储能最优选址定容方法，其特征在于：包括如下步骤：S1：建立包含时间衰减和循环衰减的储能容量衰减模型，具体如下：储能容量衰减模型：储能容量衰减包括时间衰减和循环衰减；时间衰减反映了储能容量随时间的固有衰减，循环衰减反映了储能容量由于反复充电和放电而导致的衰减；时间衰减受温度T和时间t的影响，模型如下： （1）式中，是与温度T和时间t有关的函数，是指数因子，是活化能，R是气体常数；将储能充电和放电状态定义为，根据以下情况判断：1）：储能既不充电也不放电；2）：储能放电；3）：储能充电；当时，定义为一个储能充放电循环；循环衰减与温度T、第l次储能充放电循环的充电放电速率和能量吞吐量有关，模型如下： （2） （3）式中，和是温度T的函数的指数前因子和指数因子；DOD是相对于储能的充电放电能量，是第l次储能充放电循环时的储能容量： （4） （5） （6）式中，a,b,c,d,e是函数系数，均为常数，由具体的储能型号决定；是第l次储能充放电循环时的储能充放电功率；综上，储能容量衰减模型为： （7）S2：根据所述储能容量衰减模型，得到储能容量衰减成本，具体如下：储能容量衰减成本为： （8）式中，是储能替换成本，是储能循环寿命：；A、B和C是函数系数，均为常数，由具体的储能型号决定；在考虑了储能容量的衰减后，结合式（7），式（8）转换为： （9）S3：根据所述储能容量衰减成本构建配电网规划成本目标函数；具体如下：s3-1：目标函数：目标函数是使投资期内总成本C最小： （10）式中，为权重系数，满足，是经济性成本，是弃风弃光成本，是系统稳定性成本； （11）式中，是整个生命周期的总经济成本，i是折现率，N是系统的预期寿命； （12）式中，为储能单位容量的安装成本，为储能安装容量，、分别为可再生能源和储能的运营和维护成本，、分别是可再生能源和储能的输出功率；、是大电网购售电价，、是向大电网的购售电量，是系统设备的残值，占系统初始安装成本的5%； （13）式中，为可再生能源弃风弃光的惩罚系数；是弃风弃光量： （14）式中，是考虑需求响应后的负荷； （15）式中，是源荷匹配的惩罚系数；是负荷跟踪系数，是最大负荷跟踪系数； （16）s3-2：约束条件：s3-2-1：可再生能源、储能约束： （17）式中：、分别为可再生能源、储能安装容量上限；s3-2-2：功率平衡约束： （18）s3-2-3：可再生能源、储能、大电网出力约束： （19）式中：、分别为可再生能源出力上下限；、分别为储能出力上下限；、分别为与大电网交互功率上下限；s3-2-4：需求响应约束： （20）式中，、分别为需求响应电量变化上下限；s3-2-5：储能荷电状态约束： （21）式中：、分别为储蓄电池荷电状态的上下限；S4：基于密集距离对传统粒子群算法进行改进，具体如下：S4-1：通过群体中的协作寻找到问题的全局最优解；首先在给定的解空间中随机初始化粒子群，待优化问题的变量数决定了解空间的维数；每个粒子有了初始位置与初始速度，然后通过迭代寻优；寻优方法如下所示： （22）式中，是惯性权重，,是加速度因子，,是0到1之间的随机数，是第k时刻第i个粒子的个体最优位置向量，是第k时刻总体最优位置向量；S4-2：提出一种基于密集距离的最优解选择方法：S4-2-1：密集距离是一种密度估计指标；假设有m个目标函数，则粒子的密集距离为： （23）其中，和是最接近的两个粒子；指粒子的第m个目标函数的值；是所有粒子的第m个目标函数的最大值；S4-2-2：假设优化问题包含三个目标函数：、和，粒子的密集距离为： （24）然后将遗传算法中的交叉变异操作引入粒子群算法，对粒子的位置向量进行交叉变异操作；以从粒子位置向量随机获得的权重值向量作为交叉突变的基础，基于密集距离的最优解选择过程如下：①：确定随机获取的粒子的权重值、交叉率和方差率；②：判断第i个粒子的大小，如果，随机选择是否进行粒子交叉运算过程；③：对于第i个粒子的位置向量的每个维度分量，选择在[0,1]之间的随机数，如果，则准备对其位置向量的维度分量与交叉操作的最后一个所选粒子的维度分量执行交叉操作，如下： （25）④：为第i个粒子的位置向量的每个维度分量选取[0,1]的随机数，如果，则对该粒子的位置矢量的相应维度分量执行如下的变异运算： （26）⑤：获得交叉变异运算后的新种群粒子，计算每个Pareto解的密集距离；⑥：每个粒子被分配一个适应度值，相应的适应度值等于对应的粒子在Pareto解中的密集距离；⑦：根据适应度值进行轮盘赌选择，随机选择一个位置，使其成为粒子的全局最佳位置；⑧：重复上述步骤，直到种群中的每个粒子都被分配了一个全局最佳位置；S5：根据改进的粒子群算法求解配电网成本目标函数得到储能最优位置容量，具体如下：配电网储能选址定容优化问题求解：在采用改进的粒子群算法求解配电网储能选址定容优化问题时，对储能系统的位置和功率进行优化；根据储能的接入位置为整数的原理，在进行粒子位置更新时对其进行取整操作；通过粒子的反复迭代，最终获得储能的最优位置和容量。

全文数据：

权利要求：

百度查询： 太原理工大学 一种考虑储能容量衰减的配电网储能最优选址定容方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD