一种考虑储能SOC约束的储能配置优化方法

一种考虑储能soc约束的储能配置优化方法
技术领域
1.本发明涉及电力储能技术领域，尤其涉及一种考虑储能soc约束的储能配置优化方法。


背景技术：

2.电力储能技术可以提高常规电力系统运行效率、安全性、经济性和可再生能源的利用效率，电力储能技术的应用涉及“源-荷-网”的各个环节，是提高常规电力系统运行效率和供电质量的有效途径。此外，分布式发电系统和微电网日益兴起，电力储能技术能够以较小的成本提升分布式发电系统和微电网的供电能力。另一方面，除抽水蓄能、压缩空气储能和铅酸蓄电池外，其它电力储能系统成本依然较高，抽水蓄能和铅酸蓄电池受地理位置和环境因素的制约，进一步发展存在一定瓶颈，因此合理配置储能的容量和功率，以降低储能系统配置成本，成为储能配置工作开展的首要问题。
3.在求解方法层面，相关分析多采用智能寻优算法，如粒子群算法、遗传算法、蝙蝠算法和模拟退火算法等。具体实施时，先根据系统特性设定运行策略，再采用智能算法反复迭代寻优，智能算法在非线性问题求解领域有很好的表现，但求解速度慢的问题也很突出，一直是相关工作人员迫切解决的问题。
4.通过优化智能算法个体的进化方式是提高智能算法求解速度的重要途径，当前智能算法在考虑储能soc约束时，采用的方法通常是对当前时刻储能充放电的电量与储能上一时刻的soc进行校验，如果越过限值，就把限值赋给当前时刻储能充放电电量。这种方法可以解决储能soc约束的问题，可是因为校验是按照时序进行的，前一时刻的储能动作数值会影响下一时刻储能动作的数值；前一时刻的数值经过校验后，就不再改变；若前一时刻的储能动作值满足soc校验，但所对应数值是一个劣解，就会导致该个体后面时刻的计算没有意义，这大大增加了算法的计算时间。
5.由此可见，当前智能算法在考虑储能soc约束的求解模型中，soc约束导致个体劣解的比例加大，使收敛速度变慢，影响了整体的求解效率。


技术实现要素：

6.本发明的目的是提供一种考虑储能soc约束的储能配置优化方法，该方法能找到更加优良的粒子进化方向，增加优良粒子的数量，从而提高了算法的计算速度和求解效率。
7.本发明的目的是通过以下技术方案实现的：
8.一种考虑储能soc约束的储能配置优化方法，所述方法包括：
9.步骤1、根据当前光储电站的行为指标，预先判断当前储能动作的方向，即判断当前储能动作是充电还是放电；
10.步骤2、设定储能实际动作方向，即规定储能动作功率值为正时，储能动作是放电；储能动作值为负时，储能动作是充电；
11.步骤3、设置迭代次数触发概率函数trigger_i和仿真时间触发概率函数trigger_
h；其中，所述迭代次数触发概率函数trigger_i随着迭代次数的增加由最大触发概率trigger_i_max递减到最小触发概率trigger_i_min；所述仿真时间触发概率函数trigger_h随着仿真时间的增加由最大触发概率trigger_h_max递减到最小触发概率trigger_h_min；
12.步骤4、将进化方向修正机制加入传统粒子群算法，通过迭代求解储能配置的最优解。
13.由上述本发明提供的技术方案可以看出，上述方法能找到更加优良的粒子进化方向，增加优良粒子的数量，从而提高了算法的计算速度和求解效率。
附图说明
14.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
15.图1为本发明实施例提供的考虑储能soc约束的储能配置优化方法流程示意图。
具体实施方式
16.下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，这并不构成对本发明的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
17.如图1所示为本发明实施例提供的考虑储能soc约束的储能配置优化方法流程示意图，所述方法包括：
18.步骤1、根据当前光储电站的行为指标，预先判断当前储能动作的方向，即判断当前储能动作是充电还是放电；
19.在该步骤中，在当前光储电站中，光伏的实际出力要追随计划出力曲线，当光伏的实际出力超过计划出力曲线时，当前储能充电的行为是最优解的概率更大，当光伏的实际出力低于计划出力曲线时，当前储能放电的行为是最优解的概率更大，表示为：
[0020][0021]
式中，pv为光伏的实际出力；pvf为光伏计划出力；e
op-fc
＝-1代表当前储能动作为充电是最优解的概率更大；e
op-fc
＝1代表当前储能动作为放电是最优解的概率更大。
[0022]
步骤2、设定储能实际动作方向，即规定储能动作功率值为正时，储能动作是放电；储能动作值为负时，储能动作是充电；
[0023]
在该步骤中，所设定的储能实际动作方向表示为：
[0024][0025]
式中，p(t)为粒子群算法的随机粒子，也是储能动作功率值；e
op-re
＝1表示储能动
作是放电；e
op-re
＝-1表示储能动作是充电。
[0026]
步骤3、设置迭代次数触发概率函数trigger_i和仿真时间触发概率函数trigger_h；
[0027]
其中，所述迭代次数触发概率函数trigger_i随着迭代次数的增加由最大触发概率trigger_i_max递减到最小触发概率trigger_i_min；所述仿真时间触发概率函数trigger_h随着仿真时间的增加由最大触发概率trigger_h_max递减到最小触发概率trigger_h_min。
[0028]
在该步骤中，所述迭代次数触发概率函数trigger_i表示为：
[0029][0030]
式中，r1是值域为[-1，1]的随机数，r1的选取是利用粒子群算法所需的随机数，不需额外生成随机数；maxiterations为最大迭代次数；i为当前迭代次数；
[0031]
这里设置迭代次数触发概率函数trigger_i是为了防止算法陷入局部最优，人为干预影响算法的计算准确性，该算法按一定概率触发，随着迭代次数的增加，触发的概率降低，逐步放开对粒子进化方向的限制，trigger_i的值为1，触发概率函数；trigger_i的值为-1，不触发概率函数。
[0032]
所述仿真时间触发概率函数trigger_h表示为：
[0033][0034]
式中，r2是值域为[-1，1]的随机数，r2的选取是利用粒子群算法所需的随机数，不需额外生成随机数；h为当前储能动作时间；
[0035]
由于在现有的soc约束过程中，前面时刻数值的准确性对粒子准确性的影响更大，所以设置仿真时间触发概率函数trigger_h，随着仿真时间的增加，该算法触发的概率降低，降低人为干预对粒子进化方向的影响，避免局部最优，同样，trigger_h的值为1，触发概率函数；trigger_h的值为-1，不触发概率函数。
[0036]
其中，r1、r2不能采用同一个随机数，避免耦合性。
[0037]
步骤4、将进化方向修正机制加入传统粒子群算法，通过迭代求解储能配置的最优解。
[0038]
在该步骤中，具体过程为：
[0039]
1)首先输入储能配置所需的数据信息；
[0040]
其中包括运行参数：光伏实际出力曲线，本实施例采用典型日发电数据；以及计划
[0041]
出力曲线。具体运行参数如下表1所示：
[0042]
表1运行参数
[0043]
[0044]
储能系统参数：储能系统最大、最小容量，储能系统最大、最小功率，初始soc，
[0045]
soc上下限与能量转化效率。具体储能系统参数如下表2所示：
[0046]
表2储能系统参数
[0047][0048][0049]
2)然后设置改进粒子群算法的相关参数；
[0050]
具体参数如下表3所示：
[0051]
表3仿真参数参考值
[0052][0053]
3)初始化各时刻储能动作功率值p(t)作为决策变量，初始化进化速度v(t)，初始化适应度函数计划出力偏差度，表示为：
[0054][0055]
光伏出力与储能出力的和作为光伏电站的实际出力，目标函数表示为光伏电站实际出力与计划出力的偏差最小。
[0056]
4)根据粒子群算法，进行速度更新：
[0057]
v(i 1)＝ω
·
v(i) c1r1·
(pb(i)-x(i)) c2r2·
(p
gd-x(i))(6)
[0058]
式中，v(i)为粒子进化速度；pb为个体最优粒子；p
gb
为全局最优粒子；c1、c2为加速常数；ω为惯性常数；x为粒子群产生的随机粒子。
[0059]
5)根据所输入的数据信息，判断各个时刻储能动作是应该放电还是充电，即e
op-fc
等于1时放电概率应该更大，e
op-fc
等于-1时充电概率应该更大。例如在微电网中，光伏出力小于负荷需求，此时储能放电的概率更大，判断此时储能动作是放电；实际中可以选用的目
标有很多，比如储能运行在峰谷套利模式，电价高时，放电的概率大，判断此时储能动作是放电，本实施例选取计划出力偏差度；
[0060]
6)计算步骤3所设置的迭代次数触发概率函数trigger_i，该迭代次数触发概率函数trigger_i随着迭代次数的增加，触发概率由trigger_i_max降到trigger_i_min；因为粒子群算法速度更新时，需要计算出两个随机数，因此在计算该迭代次数触发概率函数trigger_i所需的随机数时，用改进粒子群算法速度更新函数的一个随机数，以减少运算时间；
[0061]
7)计算步骤3所设置的仿真时间触发概率函数trigger_h，该仿真时间触发概率函数trigger_h随着仿真时间t的增加，触发概率由trigger_h_max降到trigger_h_min；在计算该仿真时间触发概率函数trigger_h所需的随机数时，用改进粒子群算法速度更新函数的一个随机数，减少运算时间；但是注意为了避免trigger_h与trigger_i的耦合，不要选取同一个随机数；
[0062]
8)判断储能动作功率值p(t)与e
op-fc
指标计算出的希望储能的动作功率是否相同，如果相同，则进行粒子位置更新；如果不同，则进行下一步判断，即
[0063][0064]
若e
op-fc
×eop-re
＝1，则说明储能动作功率值p(t)与e
op-fc
指标计算出的希望储能的动作功率相同；若e
op-fc
×eop-re
＝-1，则说明储能动作功率值p(t)与e
op-fc
指标计算出的希望储能的动作功率不同。
[0065]
9)如果储能动作功率值p(t)与e
op-fc
指标计算出的希望储能的动作功率不同，则再判断粒子的进化速度v(t)方向是否向着步骤1中预先判断的当前储能动作方向进行，若是，则进行粒子位置更新；如果不是，则进行下一步判断；
[0066]
具体实现中，由于e
op-fc
×eop-re
＝-1，若e
op-fc
＝1，此时希望储能充电，则e
op-re
＝-1，储能实际在放电，p(t)》0，此时v(t)《0，让该粒子朝最优解方向进化的概率更大；若e
op-fc
＝-1，此时希望储能放电，则e
op-re
＝1，储能实际在充电，p(t)《0，此时v(t)》0，让该粒子朝最优解方向进化的概率更大。
[0067]
10)如果不是向着相同的方向进化，则进一步判断所计算的迭代次数触发概率函数trigger_i，若trigger_i小于零，则不触发，直接进行粒子位置更新；若trigger_i大于零，则进行下一步判断；
[0068]
11)若trigger_i大于零，则进一步判断所计算的仿真时间触发概率函数trigger_h，若trigger_h小于零，则不触发，直接进行粒子位置更新；若trigger_h大于零，则触发进化方向修正函数，将速度方向取反，使粒子进化方向向着储能功率进化方向与步骤1中预先判断的当前储能动作方向相同的方向进行，即：
[0069]
v(t)＝-v(t)(8)
[0070]
12)在对粒子进化方向进行校正后，进行粒子位置更新，即：
[0071]
x(i 1)＝x(i) v(i 1)(9)
[0072]
13)在粒子位置更新后，重新进行第3)步的操作，计算适应度函数；
[0073]
14)判断当前迭代次数i是否大于仿真参数设定的迭代次数值，若未达到迭代次
数，则回到第5)个步骤；若达到迭代次数，则输出储能配置的最优解，运算结束。
[0074]
值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
[0075]
综上所述，本发明实施例所述方法能够通过模型中参数找到更加优良的粒子进化方向，增加了优良粒子的数量，从而提高了算法的计算速度；同时随着迭代次数的提高或随着仿真步长的缩短，该改进算法对求解时间的缩短更明显，提高了求解效率。
[0076]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。本文背景技术部分公开的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。