考虑并网功率波动性的微电网储能系统投资配置方法与流程

1.本发明涉及一种微电网储能系统投资配置方法，具体涉及一种使用小波包技术配置、考虑并网功率波动性的微电网储能系统投资配置方法。


背景技术：

2.分布式微网利用风、光等新能源的发电方式可以使我国蕴量巨大的太阳能和风能得到合理利用。解决目前微电网中分布式可再生微源高渗透率引发的供电灵活性和智能性问题日益受到研究学者的重视，其中多能互补的并网方式可以实现多种能源之间，包括传统能源、可再生能源、储能，进行多能互补，使得微网与电网之间的保证关系友好，并减少弃风、弃光问题，这样才能使“源—网”更加协调。
3.由于充放电循环寿命随放电深度的增加而非线性减少，过大的或者过小的放电深度对电池的循环寿命和放电功率有较大影响。同时若电池长期处于过度充放电状态，则减少了电池寿命，引起电池寿命损耗问题，加大了微电网投资成本。
4.现阶段，平滑度指标被广泛应用于衡量微电网并网功率的波动性，对微电网中储能微源进行配置时，一般以经济性、可靠性以及环境友好性等为考量。然而一般的设计方案因为通常考虑的是微网在电能质量、经济效益、能源利用、供电可靠性等方面，而忽视了能量型、功率型储能电池在平抑风、光功率波动进行充放电工作过程中放电深度和荷电状态，从而导致放电深度不足或者电池使用寿命短等问题，进而加大了微电网投资成本。


技术实现要素：

5.为解决上述问题，本发明采用了如下技术方案：
6.本发明提供了一种考虑并网功率波动性的微电网储能系统投资配置方法，用于在待配置地区的多场景下对微电网系统的混合储能微源额定功率、容量配置进行配置，其特征在于，包括以下步骤：步骤s1，采集待配置地区的风光资源信息和负荷情况信息，并预测微电网系统在运行周期内风输出功率曲线以及光输出功率曲线；步骤s2，选取多组小波包技术参数和混合储能系统特性参数，结合储能外特性公式得到修正后的并网功率曲线，通过平滑度指标计算相应的1min时间尺度的并网功率平滑度指标r
l1o
m
s
in和10min时间尺度的并网功率平滑度指标r
l
10
os
min作为期望输出，其中小波包技术参数包括小波包低频和中频分段点k1、小波包中频和高频分段点k2，混合储能系统特性参数包括铅碳电池的额定功率p
n1
、超级电容器的额定功率p
n2
、铅碳电池额定容量s
es1
和超级电容器额定容量s
es2
；步骤s3，在步骤s2得到的小波包技术参数k1、k2和混合储能系统特性参数p
n1
、p
n2
、s
es1
和s
es2
作为输入信息以及期望输出加入预定的bp神经网络中，bp神经网络至少包括输出层以及隐含层；步骤s4，在bp神经网络中，计算隐含层和输出层的输出；步骤s5，调节隐含层和输出层的连接权值；步骤s6，重复步骤s3至步骤s5直到误差小于给定值从而完成训练，将训练完成的bp神经网络作为微网设计参数—并网功率平滑度指标神经网络模型，并根据该微网设计参数—并网功率平滑度指标神经网络模型输入小波包技术参数k1和k2以及混合储能系统特性
参数p
n1
、p
n2
、s
es1
和s
es2
，得到输出的并网功率平滑度指标和步骤s7，定义目标函数c
total
，目标函数c
total
由并网功率平滑度指标的计算成本c0g和微电网投资计算成本c组成；步骤s8，结合遗传算法，利用目标函数c
total
创建初始种群作为待迭代种群；步骤s9，根据遗传算法对待迭代种群进行选择、交叉和变异操作；步骤s10，重复步骤s9，直到遗传代数达到给定值为止；步骤s11，当目标函数c
total
取最小值时，输出小波包技术参数k1、k2和混合储能系统特性参数p
n1
、p
n2
、s
es1
和s
es2
。
7.本发明提供的考虑并网功率波动性的微电网储能系统投资配置方法，还可以具有这样的技术特征，其中，步骤s2包括如下子步骤：步骤s2
‑
1，以δt的时间间隔划分采集到的24h内的风电、光伏输出功率数据，得到一系列采样点，以10min为一个时间尺度，计算全部m个时间尺度中，第i个δt内电网系统输出功率的最大值与最小值之差δp
i
；步骤s2
‑
2，δp
i
将与10min时间尺度的δp进行比较，得到新定义函数f(i)；步骤s2
‑
3，定义微电网系统并网功率平滑度的评估指标
8.本发明提供的考虑并网功率波动性的微电网储能系统投资配置方法，还可以具有这样的技术特征，其中，bp神经网络的训练过程包括如下步骤：输入模式顺传播步骤，输入信息从输入层经多个隐含层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态；输出误差逆传播步骤，如果在输出层期望输出不相等时，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信号减少；循环记忆训练步骤，输入信息在顺传播和逆传播过程中反复迭代；学习结果判别步骤，当误差信号小于给定值，完成训练过程。
9.本发明提供的考虑并网功率波动性的微电网储能系统投资配置方法，还可以具有这样的技术特征，其中，步骤s7包括如下子步骤：步骤s7
‑
1，得到含风机、太阳能光伏和混合储能系统在内的微电网投资计算成本c；步骤s7
‑
2，根据短期功率平滑度判断函数g
j
衡量第j天短期模型得到的微电网系统并网功率平滑度指标和是否满足电网要求，当小波包技术参数k1和k2以及混合储能系统特性参数p
n1
、p
n2
、s
es1
、s
es2
的组合满足平滑度要求；步骤s7
‑
3，定义参数λ，0≤λ≤1，用于表示n天中满足平滑度要求的天数占总天数的百分比；步骤s7
‑
4，定义函数s，用于计算n天中微电网系统平滑度评估指标和之和；步骤s7
‑
5，定义并网功率平滑度判断函数g，用于衡量n天内风、光分布式微源输出波动功率经混合储能系统平抑后是否满足平滑并网的要求；步骤s7
‑
6，根据由满足并网功率平滑度指标的计算成本c0g和微电网投资计算成本c两部分组成的成本函数c
total
作为发明中遗传算法使用的目标函数进行适应度计算。
10.本发明提供的考虑并网功率波动性的微电网储能系统投资配置方法，还可以具有这样的技术特征，其中，微电网总成本c包括等年值设备投资成本c
cap
和各组件运行维护费用c
om
。
11.本发明提供的考虑并网功率波动性的微电网储能系统投资配置方法，还可以具有这样的技术特征，其中，步骤s7
‑
5并网功率平滑度判断函数g来衡量n天内风、光分布式微源输出波动功率经混合储能系统平抑后是否满足平滑并网的要求：当λ≥ζ时，判断小波包技术参数k1和k2以及混合储能系统特性参数p
n1
、p
n2
、s
es1
、s
es2
的组合下，平抑风电、光伏输出
功率得到的并网功率可以通过平滑度评估；当λ＜ζ时，判断小波包技术参数k1和k2以及混合储能系统特性参数p
n1
、p
n2
、s
es1
、s
es2
的组合对风电、光伏输出功率的平滑效果不满足并网要求，目标函数c
total
函数计算成本经过遗传算法的选择、交叉和变异运算被淘汰。
12.发明作用与效果
13.根据本发明的所涉及到的一种考虑并网功率波动性的微电网储能系统投资配置方法首先采用的是小波包频率分解技术，相比于传统的傅里叶分析技术，将频带经过多层次的划分之后，根据被分析信号的特征，自适应地选取最佳基函数，使之与信号相匹配，以提高信号的分析能力。
14.其次，考虑并网功率波动性的微电网储能系统投资配置方法中的能量型储能单元采用了铅碳电池和超级电容的混合储能系统，与风力发电系统、光伏发电系统联合运行，相比较于传统单一的储能单元，在保证充足的充放电功率的同时，尽可能的延长，实现微电网投资成本最小化。
15.最后，考虑并网功率波动性的微电网储能系统投资配置方法利用多层bp神经网络，训练得到并网功率平滑度指标模型，来衡量储能电池在平抑风、光功率波动进行充放电工作过程中放电深度和荷电状态，寻找最优放电深度和电池充电比例，从而延长电池的储能寿命。
附图说明
16.图1是本发明实施例中考虑并网功率波动性的微电网储能系统投资配置方法的流程图；
17.图2是本发明实施例中微网系统3月份(30天)的输出功率曲线图；
18.图3是本发明实施例中基于铅碳电池和超级电容器的混合储能系统结构图；
19.图4是本发明实施例中长期bp神经网络的训练误差变化曲线；
20.图5是本发明实施例中长期bp神经网络的训练回归曲线图；
21.图6是本发明实施例中经小波包分解风、光输出功率平抑前后对比图；
22.图7是本发明实施例中储能系统功率指令图。
具体实施方式
23.为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的考虑并网功率波动性的微电网储能系统投资配置方法作具体阐述。
24.<实施例>
25.图1是本发明实施例中考虑并网功率波动性的微电网储能系统投资配置方法流程图。
26.如图1所示，并网功率波动性的微电网储能系统投资配置方法包括步骤s1至步骤s11：
27.步骤s1，采集该地区风光资源和负荷情况，预测微电网系统在运行周期内风、光输出功率曲线。
28.图2是本发明实施例中微网系统3月份(30天)的输出功率曲线图。
29.本实施例中，选用中国江苏省某地区容量为12mw的微电网系统，建立n＝30天的bp神经网络模型，该地区风力发电的额定容量为6mw(3台2mw的风机组),输出功率为p
wind
(t)；额定容量6mw的光伏发电(3台2mw的光伏单元),输出功率为p
pv
(t)。该地区2020年3月份(30天)风力发电系统、光伏发电系统的输出功率曲线图如图2所示。
30.p(t)＝p
pv
(t) p
wind
(t)
31.式中：p(t)为微电网系统微源的总输出功率，p
pv
(t)为光伏发电输出功率，p
wind
(t)为风力发电输出功率。
32.步骤s2，本实施例选取380组不同小波包分解的低、中频和中、高频分段点k1和k2以及混合储能系统特性参数—铅碳电池和超级电容器的额定功率p
n1
，p
n2
额定容量s
es1
、s
es2
的特征组合，通过仿真得到相应的并网功率曲线。本实施例中设定δp
1min
＝0.09mw，δp
10min
＝0.6mw,计算其对应的平滑度指标和
33.p
hess
(t)＝p
es1
(t) p
es2
(t)
34.式中：p
hess
(t)为混合储能系统的功率，p
es1
(t)为铅碳电池补偿的功率，p
es2
(t)为超级电容器补偿功率。
35.图3为本发明实施例中基于铅碳电池和超级电容器的混合储能系统结构图。
36.混合储能系统如图3所示。
37.本实施例中考虑微电网系统输出功率在1min和10min时间尺度下各自的最大变化值，以微电网系统1min和10min时间尺度的输出功率平滑度指标和作为微电网系统并网功率平滑情况的评估标准。下面说明10min时间尺度的并网功率平滑度指标的计算方法，同理可得出1min时间尺度的并网功率平滑度评估方法。
38.步骤s2
‑
1，以δt＝10s的时间间隔划分采集到的24h内的风电、光伏输出功率数据，得到6
×
60
×
24＝8640个采样点。以10min为一个时间尺度(包含60个采样点)，计算全部m个时间尺度中，δp
i
表示第i个δt内电网系统输出功率的最大值与最小值之差，
39.δp
i
＝p
i,max
‑
p
i,min
40.式中：p
i,max
表示第i个δt内电网系统输出功率的最大值，p
i,min
表示第i个δt内电网系统输出功率的最小值。
41.步骤s2
‑
2，将δp
i
与10min时间尺度的δp进行比较，得到新定义函数f(i)，f(i)的表达式为：
[0042][0043]
步骤s2
‑
3，定义微电网系统并网功率平滑度的评估指标3，定义微电网系统并网功率平滑度的评估指标表达式为：
[0044][0045]
式中，i＝1，2，
……
，m
[0046]
步骤s3将步骤s2得到小波包技术参数k1、k2和混合储能系统特性参数p
n1
、p
n2
、s
es1
和s
es2
作为输入信息以及期望输出加入预定的bp神经网络中。
[0047]
将小波包分解的技术参数包括低频和中频分段点k1和中频和高频的分段点k2以及混合储能系统特性参数包括铅碳电池额定功率p
n1
、超级电容器的额定功率p
n2
、铅碳电池额定容量s
es1
和超级电容器额定容量s
es2
为短期微网设计参数—平滑度指标神经网络模型的输入；在不同k1、k2、以及混合储能系统特性参数p
n1
、p
n2
、s
es1
、s
es2
的组合下通过仿真运算得到的对应平滑度评估指标和作为短期模型的输出。部分样本数据如表1所示：
[0048]
表1仿真中使用的部分样本数据
[0049][0050]
步骤s4：计算隐含层和输出层输出。本实施例中采用含有隐藏层数为三层的bp神经网络模型，隐藏层和输出层对应的激励函数为“tansig”和“purelin”，训练函数为“trainlm”。
[0051]
步骤s5：调节隐含层和输出层连接权值。
[0052]
步骤s6：重复所述步骤s3至所述步骤s5所述直到误差小于给定值从而完成训练，将训练完成的bp神经网络作为微网设计参数—并网功率平滑度指标神经网络模型，并根据该微网设计参数—并网功率平滑度指标神经网络模型输入小波包技术参数k1和k2以及混合储能系统特性参数p
n1
、p
n2
、s
es1
和s
es2
，得到输出的并网功率平滑度指标和
[0053]
图4为本发明实施例中长期bp神经网络的训练误差变化曲线。
[0054]
如图4所示，本实施例中设定误差为10
‑9，在训练过程中，该曲线反映了误差逐渐缩小至设定误差10
‑9，即本次训练过程满足设定误差要求。
[0055]
图5为本发明实施例中长期bp神经网络的训练回归曲线图。
[0056]
如图5所示，对输出值(即output)和期望值(即target)进行残差分析。图中的点越接近直线，反映训练过程中的输出与真实数据的距离越小。由此可见，本实施例中的长期bp神经网络模型训练效果良好。
[0057]
步骤s7：定义目标函数c
total
。
[0058]
本实施例中，步骤s7包括如下子步骤：
[0059]
步骤s7
‑
1，微电网总成本包括等年值设备投资成本、各组件运行维护费用两部分。因此微电网总成本表达为：
[0060]
c＝c
cap
c
om
[0061]
式中：c
cap
为系统配置成本；c
om
为各组件运行维护费用。
[0062]
设备等年值投资成本c
cap
表达为：
[0063]
c
cap
＝f
cr
×
(c
wind.cap
s
wind
c
pv.cap
s
pv
c
es1.cap
s
es1
c
es2.cap
s
es2
)
[0064][0065]
式中：c
wind.cap
为单位容量的风电的投资设置成本，c
pv.cap
为单位容量光伏的投资设置成本，c
es1.cap
为单位容量铅碳电池的投资设置成本，c
es2.cap
为单位容量超级电容器的投资设置成本，f
cr
为年资金回收系数，本实施例中工程规划使用年限l
f
和折现率r分别取l
f
＝15,r＝6.7％。
[0066]
各组件运行维护费用c
om
表达为：
[0067]
c
om
＝c
wind.om
s
wind
c
pv.om
s
pv
c
es1.om
s
es1
c
es2.om
s
es2
[0068]
式中：c
wind.om
、c
pv.om
、c
es1.om
、c
es2.om
分别为风力发电机组、光伏发电阵列、铅碳电池、超级电容器的维护成本系数；s
wind
、s
pv
为风力发电机组、光伏发电阵列的额定容量；s
es1
、s
es2
为铅碳电池和超级电容器的额定容量。
[0069]
步骤s7
‑
2，定义短期功率平滑度判断函数g
j
，用来衡量第j天短期模型得到的并网功率平滑度指标和是否满足电网要求。
[0070][0071]
式中：是第j天1min时间尺度的并网功率平滑度指标，是第j天10min时间尺度的并网功率平滑度指标，是1min时间尺度的并网功率平滑度指标预设值，是10min时间尺度的并网功率平滑度指标预设值。
[0072]
当说明采用的k1和k2以及混合储能系统特性参数p
n1
、p
n2
、s
es1
、s
es2
的组合满足平滑度要求。
[0073]
步骤s7
‑
3,定义参数λ，0≤λ≤1,表示n天中满足平滑度要求的天数占总天数的百分比：
[0074][0075]
步骤s7
‑
4，定义函数s，用于计算n天中对应平滑度评估指标和之和。
[0076][0077]
步骤s7
‑
5定义并网功率平滑度判断函数g，来衡量n天内风、光分布式微源输出波动功率经混合储能系统平抑后是否满足平滑并网的要求。
[0078][0079]
式中：ζ为参数λ的阈值，0≤ζ≤1，u设定为一个极大的定值。
[0080]
步骤s7
‑
6，根据由满足并网功率平滑度指标的计算成本c0g和微电网投资计算成本c两部分组成的目标函数c
total
进行适应度计算。
[0081]
c
total
＝c0g c
[0082]
式中：c0为权重参数，c为含风机、太阳能光伏和混合储能系统在内的的微电网投
资计算成本，以该成本函数c
total
作为本实施例中遗传算法使用的目标函数。
[0083]
当λ≥ζ时，判断所述小波包技术参数k1和k2以及所述混合储能系统特性参数p
n1
、p
n2
、s
es1
、s
es2
的组合下，平抑风电、光伏输出功率得到的并网功率可以通过平滑度评估。设置权重参数c0，使得c0g＜＜c，则微电网成本函数c
total
主要取决于函数c的取值，函数c的取值越小，微电网的投资成本越少。
[0084]
当λ＜ζ时，判断所述小波包技术参数k1和k2以及所述混合储能系统特性参数p
n1
、p
n2
、s
es1
、s
es2
的组合对风电、光伏输出功率的平滑效果不满足并网要求，所述目标函数c
total
函数计算成本经过所述遗传算法的选择、交叉和变异运算被淘汰。
[0085]
步骤s8：结合遗传算法，创建初始种群。
[0086]
步骤s9：遗传算法进行选择、交叉和变异操作。
[0087]
步骤s10：重复步骤s9，直到遗传代数达到给定值为止。遗传算法的仿真参数如表2所示。
[0088]
表2遗传算法的仿真参数数据
[0089][0090][0091]
步骤s11：当输出c
total
取最小值时，小波包技术参数k1、k2和所述混合储能系统特性参数p
n1
、p
n2
、s
es1
和s
es2
参数组合最优。
[0092]
图6本发明实施例中经小波包分解风、光输出功率平抑前后对比图。
[0093]
如图6所示，经500次迭代后，目标函数c
total
最小值在小波包分解的低频和中频分段点k1＝1，小波包分解的中频和高频分段点k2＝10，铅碳电池额定功率p
n1
＝2539.005kw,超级电容额定功率p
n2
＝968.853kw，额定容量为s
es1
＝176.408kw
·
h,s
es2
＝84.978kw
·
h的特征组合时取到。
[0094]
图7本发明实施例中储能系统功率指令图。
[0095]
如图7所示，铅碳电池和超级电容器各自负责平抑的中、高频功率指令，根据该微电网的风机、太阳能光伏容量和配置成本参数，计算得到微网最优成本3327842.307元.将以上数据代入仿真,计算得到对应的平滑指标和均小于5％，满足并网功率平滑度要求，验证了本实施例中设计的bp神经网络经济性成本长期数学模型。
[0096]
将考虑并网功率波动性的微电网储能系统投资配置方法与传统模型进行对比分析，对比分析结果如表3所示。
[0097]
表3与传统方法对比数据表
[0098][0099]
由表3可知，使用传统方法的投资成本高于使用考虑并网功率波动性的微电网储能系统投资配置方法的投资成本。这是因为使用传统方法虽然一定程度上提高了超级电容器的充放电效率，减小了超级电容器的配置容量，但相应的能量型储能单元配置容量、成本费用大幅增加。
[0100]
实施例作用与效果
[0101]
根据本实施例的考虑并网功率波动性的微电网储能系统投资配置方法采用的是小波包频率分解技术，相比于传统的傅里叶分析技术，将频带经过多层次的划分之后，根据被分析信号的特征，自适应地选取最佳基函数，使之与信号相匹配，以提高信号的分析能力。
[0102]
在实施例中，考虑并网功率波动性的微电网储能系统投资配置方法中的能量型储能单元采用了铅碳电池和超级电容的混合储能系统，与风力发电系统、光伏发电系统联合运行，相比较于传统单一的储能单元，在保证充足的充放电功率的同时，尽可能的延长，实现微电网投资成本最小化。
[0103]
在实施例中，考虑并网功率波动性的微电网储能系统投资配置方法利用多层bp神经网络，训练得到并网功率平滑度指标模型，来衡量储能电池在平抑风、光功率波动进行充放电工作过程中放电深度和荷电状态，寻找最优放电深度和电池充电比例，从而延长电池的储能寿命。
[0104]
在实施例中，考虑并网功率波动性的微电网储能系统投资配置方法可以适用于多场景下微电网投资问题中混合储能微源额定功率、容量配置问题，充分利用和消纳自然资源，减少弃风和弃光问题，保证系统馈入电网的功率波动满足要求，优化微网与主网互动。
[0105]
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。