CN110137957A - 一种基于直流配电中心的柔性互联配电网削峰填谷方法 - Google Patents

Abstract

本发明公开了一种基于直流配电中心的柔性互联配电网削峰填谷方法，该方法包括步骤：(1)选取削峰填谷后的负荷曲线方差值作为优化的目标函数，削峰填谷后的负荷曲线方差值，约束条件为储能装置约束；(2)采用改进粒子群算法求解步骤(1)中削峰填谷后的负荷曲线方差值最优解。本发明通过储能装置实现对多回线路的削峰填谷优化，进一步提高设备的利用效率，改善配电网运行特性。

Description

一种基于直流配电中心的柔性互联配电网削峰填谷方法

技术领域

本发明涉及一种基于直流配电中心的柔性互联配电网削峰填谷方法，属于柔性互联配电网技术领域。

背景技术

传统配电网一般都采用开环的运行方式，各馈线在负载分配上大多呈现不均衡的状态，以至于存在着缺乏功率的支撑问题，无法满足配电网对电压稳定、无功补偿以及电能质量要求高等方面的要求，难以满足适应高密度的分布式电源接入的未来配电网发展需要。为进一步提升柔性互联配电网的交直流交互作用，提高柔性互联配电网的供电可靠性、经济性，利用先进的电力电子装置实现交直流***的互联闭环运行，形成交直流***的柔性互联配电网结构，将会是未来配电网发展的主要趋势。

电能的实时性决定了电量无法在电网中大规模存储，电能供应时必须保持实时供需平衡。然而采取单纯的通过增加发电量的方式来满足负荷在用电高峰期的电能需求，不仅会使的发电设备成本增加，同时也会出现电能的利用率降低的问题。因此为提高电能的利用率，并且满足需求侧对电能质量的要求，通常利用储能电池对负荷曲线进行削峰填谷优化，用电高峰时部分负荷由储能电池来供应，用电低谷时部分电能用储能电池来储存在储能***中，不仅可以有效抑制负荷曲线的波动、提高供电可靠性和电能质量，还可以起到削峰填谷作用并具有较大的经济性效益。

现阶段国内外对储能***参与削峰填谷已经有较多相应研究，主要以削峰填谷效果、经济性等作为目标。其采用的求解算法主要有一下几类：梯度类算法、智能算法和动态规划类算法。文献“基于削峰填谷的微电网并网运行的优化调度(舒大松,黄挚雄,李军叶,李志勇.中南大学学报(自然科学版),2015,46(06):2044-2051)”建立了采用机组发电成本最小和环境污染最小化的双目标为目标函数，并通过将粒子群智能算法进行改进提升算法的全局搜索能力和收敛性，实现负荷曲线的削峰填谷优化。文献“不同场景下的光蓄微电网调度策略(王成山,洪博文,郭力.电网技术,2013,37(07):1775-1782)”通过分析日前动态经济调度的方法，并将其应用于采用光伏发电***和储能***所组成的微电网,以运行成本最小化为目标函数，采用遗传算法并通过改进的多种群实编码进行求解，再通过对比动态经济调度与其他控制策略验证其可行性。文献“蓄电池储能削峰填谷的简便算法(李留学,韩冬,李明.黑龙江电力,2015,37(02):120-122)”采用优化后的负荷曲线峰谷差最小化为目标函数，通过以单位步长平移削峰线和填谷线与负荷曲线的交点所对应的峰值时间和谷值时间来设置充放电时间，达到优化负荷曲线的目的。文献“计及储能装置削峰填谷的微网优化运行(李国庆,张慧杰,王鹤,张晓东.电测与仪表,2013,50(10):73-78)”基于储能***对负荷曲线削峰填谷效果的基础上,还考虑了电能供给侧的发电成本、运行维护成本以及环境经济成本,建立了记及经济运行成本的微电网优化模型，并采用混合变异策略改进微分进化算法，提高算法的全局搜索能力，提高计算速度以实现记及经济运行成本的微电网优化运行。文献“基于改进粒子群算法的削峰填谷用储能***经济运行策略(李盟盟,王育飞,薛花.软件工程,2017,20(11):33-37)”考虑了储能电池损耗最低、发电成本最低和优化运行后负荷曲线的方差值最小为优化条件，建立了利用储能***以削峰填谷为目标的运行优化模型，采用多目标粒子群优化算法，并考虑到寻优过程中粒子越界的问题，提出一种改进多目标粒子群优化算法，对优化模型进行求解。

综上所述，现阶段对于削峰填谷研究已经从不同角度就单端实现平滑负荷波动、负荷转移的问题以基本实现，而随着配电网的发展，利用先进的电力电子装置实现交直流***互联的闭环运行，形成交直流的柔性互联的配电网结构，是未来配电网发展的主要形式，多端柔性互联配电网的削峰填谷将会是目前亟待解决的问题。为此，本发明提出一种以优化后负荷曲线峰谷差最小化为目标函数的柔性互联配电网削峰填谷优化模型，并通过改进粒子群优化算法对优化模型进行求解。

发明内容

本发明要解决的技术问题是：提供一种基于直流配电中心的柔性互联配电网削峰填谷方法，以解决上述现有技术中存在的问题。

本发明采取的技术方案为：一种基于直流配电中心的柔性互联配电网削峰填谷方法，该方法包括以下步骤：

(1)选取削峰填谷后的负荷曲线方差值作为优化的目标函数，削峰填谷后的负荷曲线方差值

式中：D为削峰填谷后的负荷曲线方差值；n为1天的时段数，取时间尺度为1小时，则n＝24；l为馈线数；P(t)为t时刻的负荷功率；P_ess(t)为t时刻的储能装置出力，i表示第i回馈线，j表示第j时段、P_ess(j)表示j时段时储能充放电功率、P(j)表示j时段时负荷功率，约束条件为储能装置约束；

(2)采用改进粒子群算法求解步骤(1)中削峰填谷后的负荷曲线方差值最优解。

步骤(1)中储能装置约束：

式中：P_emin是负值，为一小时内最大放电功率；P_emax是正值，为一小时内最充电功率；E_min和E_max表示储能装置最小和最大剩余电量；P_et表示t时刻储能充放电功率，E_t为t时刻末端储能装置的剩余电量，其各时段的剩余电量表达式如下：

式中：ρ为储能装置在时间1小时间的电能损耗率；E_t、E_t-1分别表示t和t-1时刻储能电量，P_E，t表示t时刻储能充放电功率，Δt表示单位时间、P_bi分别表示储能充放电状态，大于是充电，小于是放电，ΔE_t为t时刻内储能装置的电能变化，若其值小于零则表示储能装置为放电状态，若其值大于零则表示储能装置为充电状态；η_c和η_d为储能装置充放电效率。步骤(2)中改进粒子群算法的迭代更新方式如下：

式中：w表示惯性权重，表示第i个粒子在第k+1次迭代后第d维分量的速度，表示第i个粒子在第k+1次迭代后第d维分量的速度和位置，分别为第i个粒子在第k次迭代后第d维分量的速度和位置；c₁，c₂为学习因子；为第k次迭代时第i个粒子的历史最好位置；为第k次迭代时群体中已知的最好位置；r₁，r₂是服从[0，1]的随机数。

惯性权重w采用线性递减的惯性权重，如下：

式中：ω_max，ω_min为惯性权重的最大和最小值；t_n为当前迭代次数；t_max为最大迭代次数。

步骤(2)中改进粒子群算法采用二次寻优机制进行寻优。

二次寻优中个体变化率：衡量粒子种群过分收敛的标准值：

式中：N_dis为比较次数；为次迭代了k-1次后个体最优位置；为迭代了k次后个体最优粒子位置的变化率，即：经过了k次迭代后，适应度函数的变化率如果小于某一提前选定的设定值，则判断当前粒子陷入了局部最优陷阱，则此时，应需要考虑变异来跳出陷阱，同时进行二次寻优，产生变异个体历史最优粒子的公式如下：

式中：为迭代了k次后的个体最优粒子；迭代了k次后的全局最优粒子；为变异后的个体最优粒子；是选取的参考个体最优粒子；r1，r2为选取参考个体粒子序列号，该序列号随机产生，且r1≠r2≠i；F₁，F₂为变异时的缩放因子。

本发明的有益效果：与现有技术相比，本发明的效果如下：

(1)本发明通过储能装置实现对多回线路的削峰填谷优化，进一步提高设备的利用效率，改善配电网运行特性；

(2)若惯性权重w取值较大会更便于跳出局部最优陷阱，有利于全局搜索最优解；若惯性权重w取值较小，则会针对于粒子当前所在的区域进行精确的局部搜索，有利于收敛，针对PSO算法容易早熟且后期容易陷入局部最优的缺点，采用线性递减的惯性权重能够求出较为精准的最优解；

(3)针对常规粒子群算法容易陷入局部最优的缺点，本发明步骤(2)中改进粒子群算法使用二次寻优机制来增加粒子群体的多样性，使得粒子能够跳出局部最优陷阱进而找到全局最优解。

附图说明

图1为本发明的装置流程示意图；

图2为日负荷曲线图；

图3为负荷方差变化曲线图；

图4为优化前后日负荷曲线对比图；

图5为储能装置出力与SOC曲线图。

具体实施方式

下面结合附图及具体的实施例对本发明进行进一步介绍。

实施例1：如图1所示，一种基于直流配电中心的柔性互联配电网削峰填谷方法，该方法包括以下步骤：

(1)本发明针对的储能***的削峰填谷作用，因此，选取削峰填谷后的负荷曲线方差值作为优化的目标函数，削峰填谷后的负荷曲线方差值：

式中：D为削峰填谷后的负荷曲线方差值；n为1天的时段数，取时间尺度为1小时，则n＝24；l为馈线数；P(t)为t时刻的负荷功率；P_ess(t)为t时刻的储能装置出力，i表示第i回馈线，j表示第j时段、P_ess(j)表示j时段时储能充放电功率、P(j)表示j时段时负荷功率，约束条件为储能装置约束,储能装置约束：

式中：P_emin是负值，为一小时内最大放电功率；P_emax是正值，为一小时内最充电功率；E_min和E_max表示储能装置最小和最大剩余电量；P_et表示t时刻储能充放电功率，E_t为t时刻末端储能装置的剩余电量，其各时段的剩余电量表达式如下：

式中：ρ为储能装置在时间1小时间的电能损耗率；E_t、E_t-1分别表示t和t-1时刻储能电量，P_E，t表示t时刻储能充放电功率，Δt表示单位时间、P_bi分别表示储能充放电状态，大于是充电，小于是放电，ΔE_t为t时刻内储能装置的电能变化，若其值小于零则表示储能装置为放电状态，若其值大于零则表示储能装置为充电状态；η_c和η_d为储能装置充放电效率。

(2)粒子群优化算法相比于其他算法具有简单便于实现、多维度并行求解，能以较大概率找到问题的全局最优解等特点，因此，采用改进粒子群算法求解步骤(1)中削峰填谷后的负荷曲线方差值最优解，改进粒子群算法流程图如图1所示。

粒子群算法中的每一个粒子都代表目标函数的一组可行解，并且它能用群体中的个体粒子的信息共享使得整个群体的运动方式完成从无序向有序转换，从而获得全局最优解。步骤(2)中改进粒子群算法的迭代更新方式如下：

式中：w表示惯性权重，表示第i个粒子在第k+1次迭代后第d维分量的速度，表示第i个粒子在第k+1次迭代后第d维分量的速度和位置，分别为第i个粒子在第k次迭代后第d维分量的速度和位置；c₁，c₂为学习因子；为第k次迭代时第i个粒子的历史最好位置；为第k次迭代时群体中已知的最好位置；r₁，r₂是服从[0，1]的随机数。

分析(4)式可知，若惯性权重w取值较大会更便于跳出局部最优陷阱，有利于全局搜索最优解；若惯性权重w取值较小，则会针对于粒子当前所在的区域进行精确的局部搜索，有利于收敛，针对PSO算法容易早熟且后期容易陷入局部最优的缺点，采用线性递减的惯性权重能够求出较为精准的最优解，如下：

式中：ω_max，ω_min为惯性权重的最大和最小值；t_n为当前迭代次数；t_max为最大迭代次数。

针对常规粒子群算法容易陷入局部最优的缺点，本发明步骤(2)中改进粒子群算法使用二次寻优机制来增加粒子群体的多样性，使得粒子能够跳出局部最优陷阱进而找到全局最优解。

二次寻优中个体变化率：衡量粒子种群过分收敛的标准值：

式中：N_dis为比较次数；为次迭代了k-1次后个体最优位置；为迭代了k次后个体最优粒子位置的变化率，即：经过了k次迭代后，适应度函数的变化率如果小于某一提前选定的设定值，则判断当前粒子陷入了局部最优陷阱，则此时，应需要考虑变异来跳出陷阱，同时进行二次寻优，产生变异个体历史最优粒子的公式如下：

式中：为迭代了k次后的个体最优粒子；迭代了k次后的全局最优粒子；为变异后的个体最优粒子；是选取的参考个体最优粒子；r1，r2为选取参考个体粒子序列号，该序列号随机产生，且r1≠r2≠i；F₁，F₂为变异时的缩放因子。

实例：以国内某省某市某区的10KV溪万线、养宾线、养南线通过直流配电中心形成的柔性互联配电网为例，依托直流配电中心，交流***间能提供功率的相互支撑，将大功率储能***配置在直流配电中心直流侧，可有效的起到柔性互联配电网的削峰填谷作用，并以此进行储能***的仿真，储能装置的各项参数如表1所示：

表1储能装置参数

P<sub>emax</sub>

P<sub>emin</sub>

E<sub>max</sub>

E<sub>min</sub>

η<sub>c</sub>

η<sub>d</sub>

ρ

450kW

-450kW

3000kW.h

200kW.h

0.98

0.98

0.005

柔性互联配电网的24时段日负荷曲线，如图2所示。

利用本发明所提出的方法，对柔性互联配电网24小时的日储能调度计划进行建模求解，改进粒子群算法的参数设置如下：种群规模为50，迭代次数为300，速度范围为[-5,5],惯性权重ω_max为0.9，惯性权重ω_min为0.4，学习因子c₁，c₂均为1.49445，变化率检测代数为10，种群迭代收敛过程见图3，可以看出，负荷曲线的方差随着迭代次数的增加而逐渐下降，体现了储能***削峰填谷的作用，经过进化后，在160代时达到最优，方差最小值为156.8335，这体现了算法的良好收敛性。经过储能优化后的日负荷曲线图如图4所示，可以看出通过储能的合理充放电，负荷曲线得到了明显的优化，当日负荷峰谷差由1365.6kW降为510.7kW，下降了62.6％。图5为储能总出力与SOC曲线。

结论：本发明针对直流配电中心的柔性互联配电网削峰填谷问题用储能***进行仿真研究。以日负荷曲线方差最小作为目标函数，利用改进粒子群算法对问题进行了求解，在搜索可行解时，为避免粒子陷入局部最优陷阱采用了检测粒子个体变化率的方式进行二次寻优，结果表明改进粒子群算法能很好的实现负荷曲线的削峰填谷。

以上所述，仅为本发明的具体实施方式，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揭露的技术范围内，可轻易想到变化或替换，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以所述权利要求的保护范围为准。

Claims (6)

1.一种基于直流配电中心的柔性互联配电网削峰填谷方法，其特征在于：该方法包括以下步骤：

(1)选取削峰填谷后的负荷曲线方差值作为优化的目标函数，削峰填谷后的负荷曲线方差值

式中：D为削峰填谷后的负荷曲线方差值；n为1天的时段数，取时间尺度为1小时，则n＝24；l为馈线数；P(t)为t时刻的负荷功率；P_ess(t)为t时刻的储能装置出力，i表示第i回馈线，j表示第j时段、P_ess(j)表示j时段时储能充放电功率、P(j)表示j时段时负荷功率，约束条件为储能装置约束；

(2)采用改进粒子群算法求解步骤(1)中削峰填谷后的负荷曲线方差值最优解。

2.根据权利要求1所述的一种基于直流配电中心的柔性互联配电网削峰填谷方法，其特征在于：步骤(1)中储能装置约束：

式中：P_emin是负值，为一小时内最大放电功率；P_emax是正值，为一小时内最充电功率；E_min和E_max表示储能装置最小和最大剩余电量；P_et表示t时刻储能充放电功率，E_t为t时刻末端储能装置的剩余电量，其各时段的剩余电量表达式如下：

式中：ρ为储能装置在时间1小时间的电能损耗率；E_t和E_t-1分别表示t和t-1时刻储能电量，P_E，t表示t时刻储能充放电功率，Δt表示单位时间、P_bi分别表示储能充放电状态，大于是充电，小于是放电，ΔE_t为t时刻内储能装置的电能变化，若其值小于零则表示储能装置为放电状态，若其值大于零则表示储能装置为充电状态；η_c和η_d为储能装置充放电效率。

3.根据权利要求1所述的一种基于直流配电中心的柔性互联配电网削峰填谷方法，其特征在于：步骤(2)中改进粒子群算法的迭代更新方式如下：

式中：W表示惯性权重，表示分别为第i个粒子在第k+1次迭代后第d维分量的速度，表示粒子i在d维度空间上经过k次迭代后的速度和位置，分别为第i个粒子在第k次迭代后第d维分量的速度和位置；c₁，c₂为学习因子；为第k次迭代时第i个粒子的历史最好位置；为第k次迭代时群体中已知的最好位置；r₁，r₂是服从[0，1]的随机数。

4.根据权利要求3所述的一种基于直流配电中心的柔性互联配电网削峰填谷方法，其特征在于：惯性权重W采用线性递减的惯性权重，如下：

式中：ω_max，ω_min为惯性权重的最大和最小值；t_n为当前迭代次数；t_max为最大迭代次数。

5.根据权利要求1所述的一种基于直流配电中心的柔性互联配电网削峰填谷方法，其特征在于：步骤(2)中改进粒子群算法采用二次寻优机制进行寻优。

6.根据权利要求5所述的一种基于直流配电中心的柔性互联配电网削峰填谷方法，其特征在于：二次寻优中个体变化率：衡量粒子种群过分收敛的标准值：

式中：N_dis为比较次数；为次迭代了k-1次后个体最优位置；为迭代了k次后个体最优粒子位置的变化率，即：经过了k次迭代后，适应度函数的变化率如果小于某一提前选定的设定值，则判断当前粒子陷入了局部最优陷阱，则此时，应需要考虑变异来跳出陷阱，同时进行二次寻优，产生变异个体历史最优粒子的公式如下：

式中：为迭代了k次后的个体最优粒子；迭代了k次后的全局最优粒子；为变异后的个体最优粒子；是选取的参考个体最优粒子；r1，r2为选取参考个体粒子序列号，该序列号随机产生，且r1≠r2≠i；F₁，F₂为变异时的缩放因子。