CN110601239A - 量子粒子群算法的复合储能容量的能量调度方法及*** - Google Patents
量子粒子群算法的复合储能容量的能量调度方法及*** Download PDFInfo
- Publication number
- CN110601239A CN110601239A CN201910775061.8A CN201910775061A CN110601239A CN 110601239 A CN110601239 A CN 110601239A CN 201910775061 A CN201910775061 A CN 201910775061A CN 110601239 A CN110601239 A CN 110601239A
- Authority
- CN
- China
- Prior art keywords
- power
- energy storage
- value
- energy
- particle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 114
- 239000002245 particle Substances 0.000 title claims abstract description 112
- 239000002131 composite material Substances 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000003860 storage Methods 0.000 claims description 64
- 239000003990 capacitor Substances 0.000 claims description 57
- 238000007599 discharging Methods 0.000 claims description 51
- 238000012937 correction Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 20
- 238000010248 power generation Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 3
- 230000006735 deficit Effects 0.000 claims 1
- 238000005070 sampling Methods 0.000 description 15
- 238000005286 illumination Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000009434 installation Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 102000010029 Homer Scaffolding Proteins Human genes 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
- H02J7/345—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering using capacitors as storage or buffering devices
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本公开提出了量子粒子群算法的复合储能容量的能量调度方法及***，针对复合储能容量的能量调度时所建立的目标函数及约束条件进行求解：粒子初始化，将群体中最优个体的位置记为全局初始最优位置；对粒子i的每一维，计算得到一个随机点的位置，并进化产生新粒子；在能量调度策略下，计算满足***约束的适应度值，即目标函数值；分别更新粒子的个体和全局最佳位置；判断终止条件是否满足，满足则输出计算结果；反之，对粒子i的每一维，重新获得一个随机点的位置，再次更新粒子的个体和全局最佳位置。针对含复合储能的多种分布式电源主动配电网，提出应用具有收敛速度快、全局收敛能力强的量子行为粒子群优化算法配置复合储能的容量。
Description
技术领域
本公开涉及配网技术领域，特别是涉及量子粒子群算法的复合储能容量的能量调度方法及***。
背景技术
目前，配电网中储能设备一般选用蓄电池，蓄电池作为能量型储能设备，具有能量密度大、存储能力强等特点，但同时也存在充放电周期长、寿命短、成本高等缺点，因而限制了储能技术的应用。超级电容器作为目前应用最为广泛的功率型储能元件，具有功率密度大、充放电周期短、储能效率高、循环寿命长等特点，可有效地平抑可再生能源发电中的短时间、小幅度的功率波动。
发明人在研究中发现，目前，针对复合储能的能量调度在求解时所选用的为传统的PSO算法，而传统PSO算法存在不能收敛于全局甚至局部最优解的问题，导致，最后的求解结果不能满足需求，因此，需要对复合储能的能量调度的求解算法作出适应性的调整。
发明内容
本说明书实施方式的目的是提供量子粒子群算法的复合储能容量的能量调度方法，能够快速的获得求解结果。
本说明书实施方式提供量子粒子群算法的复合储能容量的能量调度方法，包括：
针对复合储能容量的能量调度时所建立的目标函数及约束条件进行求解：
粒子初始化，在粒子位置约束范围内随机生成M个二维的初始粒子Xi(0)，每个粒子代表首次迭代寻优过程中的储能配置情况；
置个体初始最优位置Pi(0)＝Xi(0)，评价每个初始粒子的适应度，将群体中最优个体的位置记为全局初始最优位置；
对粒子i的每一维，计算得到一个随机点的位置，并进化产生新粒子；
在能量调度策略下，计算满足***约束的适应度值，即目标函数值；
分别更新粒子的个体和全局最佳位置；
判断终止条件是否满足，满足则输出计算结果；反之，对粒子i的每一维，重新获得一个随机点的位置，再次更新粒子的个体和全局最佳位置。
本说明书实施方式还提供量子粒子群算法的复合储能容量的能量调度***，针对复合储能容量的能量调度时所建立的目标函数及约束条件进行求解：包括：
粒子初始化模块，被配置为：在粒子位置约束范围内随机生成M个二维的初始粒子Xi(0)，每个粒子代表首次迭代寻优过程中的储能配置情况；
置个体初始最优位置Pi(0)＝Xi(0)，评价每个初始粒子的适应度，将群体中最优个体的位置记为全局初始最优位置；
全局最佳位置获取模块，被配置为：对粒子i的每一维，计算得到一个随机点的位置，并进化产生新粒子；
在能量调度策略下，计算满足***约束的适应度值，即目标函数值；
分别更新粒子的个体和全局最佳位置；
判断终止条件是否满足，满足则输出计算结果；反之，对粒子i的每一维，重新获得一个随机点的位置，再次更新粒子的个体和全局最佳位置。
与现有技术相比，本公开的有益效果是：
本公开针对含复合储能的多种分布式电源主动配电网，提出应用具有收敛速度快、全局收敛能力强的量子行为粒子群优化算法配置复合储能的容量。
本公开在求解时QPSO算法中由于引入了C这一平均最好位置，从而使粒子间存在等待效应，且粒子在测量之前不存在既定规程，而以概率形式散落在解空间的任何位置，这使粒子间的协同能力得到提高。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例子的风机的风速–功率曲线示意图；
图2(a)为本公开实施例子的光照强度-外伏安特性示意图；
图2(b)为本公开实施例子的温度-外伏安特性示意图；
图3为本公开实施例子的蓄电池功率修正过程流程图；
图4为本公开实施例子的超级电容器功率修正过程流程图；
图5(a)-图5(b)为本公开实施例子的QPSO与传统PSO状态转换上的差异示意图；
图6为本公开实施例子的风光出力及负荷曲线示意图；
图7为本公开实施例子的混合储能功率补偿理想值P*HESS示意图；
图8为本公开实施例子的P*HESS频谱分析结果示意图；
图9为本公开实施例子的复合储能***的充放电功率示意图；
图10为本公开实施例子的采样点1-48复合储能实际功率与P*HESS曲线示意图；
图11为本公开实施例子的采样点150-180复合储能实际功率与P*HESS曲线示意图；
图12为本公开实施例子的两种算法的寻优过程比较示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例子一
该实施例子公开了复合储能容量的能量调度过程中目标函数及约束函数的建立过程。
首先对主动配电网中分布式电源特性进行分析。
在一实施例中，关于主动配电网中的风力发电，风力发电机的输出功率跟其塔架安装高度处的风速紧密相关。额定功率为50kW的单机，其风速–功率曲线参见附图1所示，切入和切除风速影响着风机的输出功率，当风机塔架高度处的风速大于切入风速时，风机启动；若大于切出风速，风机则受保护装置保护而停机。单个风机输出的功率采用公式(1)获得。
式中：Pwt,t为风机的实际发电功率；vci为风机的切入风速；vr为风机的额定风速；vco为风机的切出风速；Pr为风机的额定功率；v(t)表示塔架实际安装高度处的风速；h表示风机塔架实际安装高度；vref(t)为参考高度处实测风速；href为参考高度，一般为9m；α为幂率指数，平坦地区通常取1/7。
在一实施例中，关于主动配电网中的光伏发电，光伏电池的功率输出特性具有强烈的非线性，其实际输出功率与光伏电池组件所受实际光照强度及环境温度相关，参见附图2(a)-图2(b)所示，给出了光伏电池在不同温度和光照条件下的外伏安特性。
采用式(3)计算光伏电池的输出功率
式中：Ppv,t为单件光伏模块实时输出功率；PSTC为标准测试条件(外界温度为25℃，太阳能的入射强度为1kW/m2)下的最大测试功率；TC为光伏模块工作温度；G为实际光照强度；k为功率温度系数，其值为-0.47％/K；TSTC为参考温度，其值为25℃，即298K；GSTC为标准测试条件下的光照强度，1kW/m2。
在一实施例中，关于主动配电网中的储能的SoC表达式具体建模如下：
充电过程中，储能荷电状态SoC可表示为：
放电过程中，储能荷电状态SoC可表示为：
式中：SoCbat/uc,t表示第t个时段末蓄电池或超级电容的荷电状态值；SoCbat/uc,t-1表示第t-1个时段末即第t个时段初两者的荷电状态值；σ为储能自放电率，对于蓄电池，参考相关实验结论σbat可取0.83％/h，而超级电容器自放电率在短时调度周期内可视为0；ηbat/uc,c、ηbat/uc,d分别为充放电效率；Pbat/uc,t表示第t个时段内的充放电功率，大于0为放电，小于0为充电；Ebat/uc为两者的容量，即所求优化对象，单位kWh；Δt为采样周期。
基于上述所建立的模型，进行复合储能能量调度及容量优化，为合理调度蓄电池和超级电容器的能量，考虑到风光出力的波动性及两种储能的各自特点，提出基于低通滤波原理的能量分配策略：超级电容器功率密度大，响应速度快，安排其补偿缺额功率中的高频(波动)分量；剩余的低频(波动)分量由能量型的蓄电池补偿。假设每一采样时段内，风光出力及负荷功率均恒定，记第t个采样时段的缺额功率为ΔPt，令
式中：为混合储能功率补偿理想值，大于0意味着混合储能整体放电，小于0为充电。Pload,t为第t个采样时段的负荷功率。
为得到各自的实际充放电功率，首先利用低通滤波原理得到蓄电池的理想充放电功率P* bat,t，然后考虑储能功率相应限值对理想充放电功率进行一次修正，再通过判断以此修正值进行能量补偿后的储能SoC是否越限对功率理想值进行二次修正，即为蓄电池实际充放电功率值Pbat,t。
具体的参见附图3所示，在获得蓄电池的实际充放电功率时，具体包括：
获得蓄电池的理想充放电功率，然后考虑储能功率相应限值对理想充放电功率进行一次修正，再通过判断以此修正值进行能量补偿后的储能是否越限对功率理想值进行二次修正，即为蓄电池实际充放电功率值。
蓄电池功率一次修正：将蓄电池理想充放电功率值与蓄电池额定功率值进行比较，若前者大于等于后者，则将蓄电池额定功率值赋予蓄电池理想充放电功率一次修正值，否则，将蓄电池理想放电功率值赋予蓄电池理想充放电功率一次修正值；
获得以蓄电池理想充放电功率一次修正值进行能量补偿后蓄电池的储能荷电状态。
具体的参见附图4所示，在获得超级电容器的实际充放电功率时，与Pbat,t之差为超级电容器的理想充放电功率对其修正过程则与蓄电池的上述修正过程相同，获得超级电容的实际充放电功率时，具体过程为：
获得超级电容理想充放电功率，超级电容理想充放电功率为混合储能功率补偿理想值与蓄电池实际充放电功率值之差；
超级电容功率一次修正：将超级电容理想充放电功率值与超级电容额定功率值进行比较，若前者大于等于后者，则将超级电容额定功率值赋予超级电容理想充放电功率一次修正值，否则，将超级电容理想放电功率值赋予超级电容理想充放电功率一次修正值；
获得以超级电容理想充放电功率一次修正值进行能量补偿后超级电容的储能荷电状态。
以储能整体放电为例，第t个采样时段内，储能充放电功率修正过程参见附图4所示。
Pbat,N、Puc,N分别为蓄电池和超级电容器的额定功率；Pbat,t、Puc,t分别为两者的实际充放电功率；分别为两者的理想充放电功率一次修正值；SoC*’ bat,t、SoC*’ uc,t分为以一次修正值进行能量补偿后两者的储能荷电状态；P* bat,t为蓄电池理想充放电功率值，可表示为：
由式(8)经时域离散化转化而来
fL＝1/(2πTL) (9)
以上式中：Pbat,t-1为上一时段蓄电池的实际充放电功率；fL为蓄电池和超级电容器的补偿分界频率，可分析P*HESS的频谱进行适当选取。由蓄电池补偿P*HESS中0～fL频段范围内的功率分量，频率高于fL的波动分量由超级电容承担。
在一实施例子中，所建立的目标函数：
考虑复合储能的一次性投资成本、运行及维护成本，将复合储能装置的日均成本Cd最小作为优化目标，可表示为：
式中：CP、CO、CM分别为储能一次性年均投资成本(包括购置与安装成本)、年均运行成本、年均维护成本，三者表达式如下：
CP＝EbatCbatfPbat+EucCucfPuc (11)
CO＝EbatCbatfObat+EucCucfOuc
(12)
CM＝EbatCbatfMbat+EucCucfMuc (13)
以上式中：Cbat、Cuc分别表示蓄电池和超级电容的单价($/kWh)；fobat、fouc分别表示两者的运行系数；fMbat、fMuc分别表示两者的维护系数，通常超级电容器可免维护，即fMuc为0；fPbat、fPuc分别表示两者的折旧系数，可表示为：
式中，l为工程周期年限；d为折旧率。
针对上述目标函数所建立的约束条件包括：储能自身工作限制及***运行约束。
在一实施例子中，储能自身工作限制：
1)储能容量约束
储能剩余容量用荷电状态SoC来描述，为避免过冲过放现象的发生，需将SoC限制在一定范围内。
SoCbat,min≤SoCbat,t≤SoCbat,max (15)
SoCuc,min≤SoCuc,t≤SoCuc,max (16)
需要指出的是，为了保证初始时刻储能就可以充放电，将初始荷电状态设置为0.5。
2)储能最大充放电功率约束
式中：Pbatc,t,max、Pucc,t,max分别为第t个采样时段蓄电池、超级电容器允许的最大充电功率；Pbatd,t,max、Pucd,t,max分别为第t个采样时段蓄电池、超级电容器允许的最大放电功率。单位均为kW。
在一实施例子中，***运行约束：
1)瞬时功率平衡约束
任一仿真时段，微网***都应满足功率供需平衡要求。
式中：Slack,t、Swaste,t分别表示***缺电状态和发电盈余状态，取值为0或1，且两者不能同时为1。***处于缺电状态时，需切除非重要负载；处于发电盈余状态时，盈余电量通过卸荷器消耗。Plack,t、Pwaste,t分别为***缺电功率和***盈余功率。
2)负荷缺电及能量溢出约束
负荷缺电率(Loss of Power Supply Probability,LPSP)反映***供电可靠性，LPSP越小，则***供电越可靠，负荷失电概率越小。能量溢出率(Surplus of Power SupplyProbability,SPSP)反映能量的浪费率，表示对可再生能源的利用程度，SPSP越小，则表明风光发电得到越大程度的利用，不存在过多的能量浪费。对LPSP及SPSP的定义及限制如下：
储能所配置容量应使***满足LPSP和SPSP指标，即两者均应分别小于***规定的最大值LPSPmax、SPSPmax。
本公开技术方案在分析主动配电网中各种分布式电源的特性的基础上，建立主动配电网中各分布式电源的数学模型，合理配置蓄电池和超级电容复合储能装置。提出了一种合理配置复合储能容量的能量调度策略，该策略基于低通滤波原理对复合储能容量进行分配，并考虑储能额定功率限值及储能荷电状态进行功率修正。
实施例子二
该实施例子公开了量子粒子群算法的复合储能容量的能量调度方法，包括：
针对实施例子一种的复合储能容量的能量调度时所建立的目标函数及约束条件进行求解：
粒子初始化，在粒子位置约束范围内随机生成M个二维的初始粒子Xi(0)，每个粒子代表首次迭代寻优过程中的储能配置情况；
置个体初始最优位置Pi(0)＝Xi(0)，评价每个初始粒子的适应度，将群体中最优个体的位置记为全局初始最优位置；
对粒子i的每一维，计算得到一个随机点的位置，并进化产生新粒子；
在能量调度策略下，计算满足***约束的适应度值，即目标函数值；
分别更新粒子的个体和全局最佳位置；
判断终止条件是否满足，满足则输出计算结果；反之，对粒子i的每一维，重新获得一个随机点的位置，再次更新粒子的个体和全局最佳位置。
在该实施例子中，针对传统PSO算法不能收敛于全局甚至局部最优解的缺点，QPSO从量子力学的角度出发，将粒子的运动状态由其波动函数来表示，将粒子状态用速度和位置来表示。用根据波动函数和量子势阱建立的概率密度函数，将粒子在解空间中以概率的形式收敛于势阱中心。
QPSO中，其位置更新方程为：
其中：
以上式中：i(1≤i≤M)表示第i个粒子，M为群体规模；j表示问题解空间维数，1≤j≤2；k和kmax分别为当前迭代次数和最大迭代次数；Xi,j(k+1)为下一代粒子位置；pi,j(k)为量子势阱中心点；β是除M和迭代次数外，唯一的控制参数，称作收缩-扩张系数；Pi,j(k)表示个体最好位置；Cj(k)为粒子群平均最好位置；G(k)代表当前迭代次数下的全局最佳位置，g为全局最佳位置的粒子下标，g∈{1,2,…,M}；f为适应度函数。
将QPSO算法应用到复合储能容量优化配置上，具体优化步骤如下：
1)粒子初始化。在粒子位置约束范围内随机生成M个二维的初始粒子Xi(0)，每个粒子代表首次迭代寻优过程中的储能配置情况。
2)置个体初始最优位置Pi(0)＝Xi(0)，评价每个初始粒子的适应度，将群体中最优个体的位置记为全局初始最优位置。
3)对粒子i的每一维，由式(3-3)得到一个随机点的位置，并由式(3-1)进化产生新粒子。
4)在前述能量调度策略下，计算满足***约束的适应度值，即式(2-10)表达的目标函数值。
5)根据式(3-5)、(3-6)分别更新粒子的个体和全局最佳位置。
6)判断终止条件是否满足，满足则输出计算结果；反之，进行步骤3)。
实施例子三
该实施例子公开了QPSO与传统PSO的比较，QPSO算法采用仅有位移的位置更新模型，比PSO算法采用的速度加位移的模型更为简单。在状态转换方面两者的差异如图5(a)-图5(b)所示。
QPSO算法中由于引入了C这一平均最好位置，从而使粒子间存在等待效应，且粒子在测量之前不存在既定规程，而以概率形式散落在解空间的任何位置，这使粒子间的协同能力得到提高。
含多种分布式电源主动配电网复合储能容量优化算例分析，算例工况介绍:算例选择华北地区某独立微电网***对其蓄电池-超级电容混合储能装置进行容量优化。可再生能源包括10MW风力发电单元、5MW光伏发电单元。以5min为采样间隔(也就是288个)的风速数据，计算得出风机出力。根据当地光照强度、温度等年平均气象数据，采用Homer软件模拟得到该日以1h为间隔的光照数据，通过数据拟合得到5min采样间隔的光照数据，计算出288个光伏出力数据。同样方法，处理已有间隔为1h的日负荷数据，并加入10％的随机波动，得到该日288个负荷数据。风光出力及负荷曲线如图6所示。
两种类型的储能参数如表1所示。工程周期年限为15年，***LPSPmax及SPSPmax分别为4％、12％。
表1两种类型的储能参数
优化配置结果及比较分析,由式(3-6)可得混合储能功率补偿理想值P*HESS，如图7所示。基于离散傅里叶变换对P*HESS进行频谱分析。分析结果如图8所示。
由图8的可以看出，低频部分功率幅值较大，高频部分功率幅值较小。且在0.000081Hz处出现一处局部极值，将0.000081Hz作为蓄电池与超级电容器混合储能的分界频率，由蓄电池补偿低频功率分量，超级电容补偿0.000081Hz以上的功率分量。运用QPSO算法，设置其最大迭代次数为200次，粒子总数为100，得优化配置结果为：蓄电池容量为7807.84kWh，超级电容容量为1985.16kWh,日均成本为5902.36$。
复合储能***的充放电功率分别如图9所示。由图9可以看出，超级电容器处于频繁充放电状态，但幅值较小，体现出高频低幅；蓄电池的充放电功率波动较为平缓，且幅值较大，体现出低频高幅。与上述频谱分析结果一致。
在采样点100及采样点247附近，超级电容器出现功率幅值的较大波动，是因为此时段出现冲击式负荷，蓄电池受最大容量限制无法完成补偿任务，而由功率密度较大的超级电容器承担。
分别截取采样点1-38和采样点150-180，复合储能***的实际充放电功率与理想补偿值P*HESS曲线分别如图10、图11所示。
图10中，P*HESS与混合储能实际功率曲线重合，表明混合储能实际功率完全可跟踪P*HESS指令，两种储能在工作初期，其能量变化在约束范围之内，功率无需修正。
从图11可以看出，混合储能实际功率与P*HESS出现差值，原因为蓄电池的功率受额定功率的限制，其最大充电功率只能达到1500kW，而超级电容受荷电状态的约束，仍不能完全吸收多余能量。
分别使用所提出的QPSO与传统PSO对本算例进行优化计算，优化配置结果如表2所示。
表2两种算法的优化配置结果比较
QPSO算法在迭代47次后找到最优解，传统PSO算法迭代73次；在满足***指标要求的情况下，传统PSO算法求得结果：蓄电池容量为9084.26kWh，超级电容容量为2196.52kWh,日均成本为6708.83$，高于QPSO算法的求解结果。
设置传统PSO算法的最大迭代次数为200次，粒子总数为100，两种算法的寻优过程如图12所示。
在该实施例子中，针对含复合储能的多种分布式电源主动配电网，提出应用具有收敛速度快、全局收敛能力强的量子行为粒子群优化算法配置复合储能的容量。
实施例子四
本说明书实施方式还提供量子粒子群算法的复合储能容量的能量调度***，针对复合储能容量的能量调度时所建立的目标函数及约束条件进行求解：包括：
粒子初始化模块，被配置为：在粒子位置约束范围内随机生成M个二维的初始粒子Xi(0)，每个粒子代表首次迭代寻优过程中的储能配置情况；
置个体初始最优位置Pi(0)＝Xi(0)，评价每个初始粒子的适应度，将群体中最优个体的位置记为全局初始最优位置；
全局最佳位置获取模块，被配置为：对粒子i的每一维，计算得到一个随机点的位置，并进化产生新粒子；
在能量调度策略下，计算满足***约束的适应度值，即目标函数值；
分别更新粒子的个体和全局最佳位置；
判断终止条件是否满足，满足则输出计算结果；反之，对粒子i的每一维，重新获得一个随机点的位置，再次更新粒子的个体和全局最佳位置。
该实施例子中的模块对应的技术方案的实现参见实施例子二中的方法，此处不再详细说明。
实施例子五
该实施例子公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现实施例子二中量子粒子群算法的复合储能容量的能量调度方法的步骤。
该实施例子中的对应的技术方案的实现参见实施例子二中的方法，此处不再详细说明。
实施例子六
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现实施例子二中量子粒子群算法的复合储能容量的能量调度方法的步骤。
该实施例子中的对应的技术方案的实现参见实施例子二中的方法，此处不再详细说明。
可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.量子粒子群算法的复合储能容量的能量调度方法，其特征是，包括：
针对复合储能容量的能量调度时所建立的目标函数及约束条件进行求解：
粒子初始化，在粒子位置约束范围内随机生成M个二维的初始粒子Xi(0)，每个粒子代表首次迭代寻优过程中的储能配置情况；
置个体初始最优位置Pi(0)＝Xi(0)，评价每个初始粒子的适应度，将群体中最优个体的位置记为全局初始最优位置；
对粒子i的每一维，计算得到一个随机点的位置，并进化产生新粒子；
在能量调度策略下，计算满足***约束的适应度值，即目标函数值；
分别更新粒子的个体和全局最佳位置；
判断终止条件是否满足，满足则输出计算结果；反之，对粒子i的每一维，重新获得一个随机点的位置，再次更新粒子的个体和全局最佳位置。
2.如权利要求1所述的量子粒子群算法的复合储能容量的能量调度方法，其特征是，所述复合储能容量的能量调度时所建立的目标函数及约束条件的过程为：
针对主动配电网中的风力发电单元、光伏发电单元及储能单元分别建模，得到单个风机输出的功率、光伏电池的输出功率、储能荷电状态SoC在充放过程中的具体表达式；
能量分配时，超级电容器补偿缺额功率中的高频分量，剩余的低频分量由能量型的蓄电池补偿；
其中，获得超级电容器及蓄电池各自的实际充放电功率时，考虑储能额定功率限值及储能荷电状态进行功率修正；
将复合储能装置的日均成本最小作为优化目标，建立目标函数；
以储能容量约束、储能最大充放电功率约束、瞬时功率平衡约束及负荷缺电及能量溢出约束作为约束条件，针对目标函数进行求解蓄电池及超级电容器的配置容量。
3.如权利要求2所述的量子粒子群算法的复合储能容量的能量调度方法，其特征是，在获得蓄电池的实际充放电功率时，具体包括：
获得蓄电池的理想充放电功率，然后考虑储能功率相应限值对理想充放电功率进行一次修正，再通过判断以此修正值进行能量补偿后的储能是否越限对功率理想值进行二次修正，即为蓄电池实际充放电功率值。
4.如权利要求3所述的量子粒子群算法的复合储能容量的能量调度方法，其特征是，蓄电池功率一次修正：将蓄电池理想充放电功率值与蓄电池额定功率值进行比较，若前者大于等于后者，则将蓄电池额定功率值赋予蓄电池理想充放电功率一次修正值，否则，将蓄电池理想放电功率值赋予蓄电池理想充放电功率一次修正值；
获得以蓄电池理想充放电功率一次修正值进行能量补偿后蓄电池的储能荷电状态。
5.如权利要求4所述的量子粒子群算法的复合储能容量的能量调度方法，其特征是，蓄电池功率二次修正：将一次修正所获得的蓄电池的储能荷电状态与蓄电池的储能荷电状态的最小值进行比较，若前者小于等于后者，则根据计算公式计算蓄电池的实际充放电功率，否则，将蓄电池理想充放电功率一次修正值作为蓄电池的实际充放电功率。
6.如权利要求2所述的量子粒子群算法的复合储能容量的能量调度方法，其特征是，在获得超级电容的实际充放电功率时，具体过程为：
获得超级电容理想充放电功率，超级电容理想充放电功率为混合储能功率补偿理想值与蓄电池实际充放电功率值之差；
超级电容功率一次修正：将超级电容理想充放电功率值与超级电容额定功率值进行比较，若前者大于等于后者，则将超级电容额定功率值赋予超级电容理想充放电功率一次修正值，否则，将超级电容理想放电功率值赋予超级电容理想充放电功率一次修正值；
获得以超级电容理想充放电功率一次修正值进行能量补偿后超级电容的储能荷电状态。
7.如权利要求6所述的量子粒子群算法的复合储能容量的能量调度方法，其特征是，超级电容功率二次修正：将一次修正所获得的超级电容的储能荷电状态与超级电容的储能荷电状态的最小值进行比较，若前者小于等于后者，则根据计算公式计算超级电容的实际充放电功率，否则，将超级电容理想充放电功率一次修正值作为超级电容的实际充放电功率。
8.量子粒子群算法的复合储能容量的能量调度***，针对复合储能容量的能量调度时所建立的目标函数及约束条件进行求解：其特征是，包括：
粒子初始化模块，被配置为：在粒子位置约束范围内随机生成M个二维的初始粒子Xi(0)，每个粒子代表首次迭代寻优过程中的储能配置情况；
置个体初始最优位置Pi(0)＝Xi(0)，评价每个初始粒子的适应度，将群体中最优个体的位置记为全局初始最优位置；
全局最佳位置获取模块，被配置为：对粒子i的每一维，计算得到一个随机点的位置，并进化产生新粒子；
在能量调度策略下，计算满足***约束的适应度值，即目标函数值；
分别更新粒子的个体和全局最佳位置；
判断终止条件是否满足，满足则输出计算结果；反之，对粒子i的每一维，重新获得一个随机点的位置，再次更新粒子的个体和全局最佳位置。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任一所述的量子粒子群算法的复合储能容量的能量调度方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任一所述的量子粒子群算法的复合储能容量的能量调度方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910775061.8A CN110601239A (zh) | 2019-08-21 | 2019-08-21 | 量子粒子群算法的复合储能容量的能量调度方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910775061.8A CN110601239A (zh) | 2019-08-21 | 2019-08-21 | 量子粒子群算法的复合储能容量的能量调度方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110601239A true CN110601239A (zh) | 2019-12-20 |
Family
ID=68855068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910775061.8A Pending CN110601239A (zh) | 2019-08-21 | 2019-08-21 | 量子粒子群算法的复合储能容量的能量调度方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110601239A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180275200A1 (en) * | 2017-03-23 | 2018-09-27 | City University Hong Kong | Method of diagnosing an electrical energy storage apparatus, an electronic device for use in an electrical energy storage apparatus and an electrical energy storage apparatus |
| CN109245141A (zh) * | 2018-11-12 | 2019-01-18 | 浙江大学 | 一种配电网自动化***中复合储能装置的容量优化配置方法 |
| CN109523065A (zh) * | 2018-10-29 | 2019-03-26 | 西安理工大学 | 一种基于改进量子粒子群算法的微能源网优化调度方法 |
-
2019
- 2019-08-21 CN CN201910775061.8A patent/CN110601239A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180275200A1 (en) * | 2017-03-23 | 2018-09-27 | City University Hong Kong | Method of diagnosing an electrical energy storage apparatus, an electronic device for use in an electrical energy storage apparatus and an electrical energy storage apparatus |
| CN109523065A (zh) * | 2018-10-29 | 2019-03-26 | 西安理工大学 | 一种基于改进量子粒子群算法的微能源网优化调度方法 |
| CN109245141A (zh) * | 2018-11-12 | 2019-01-18 | 浙江大学 | 一种配电网自动化***中复合储能装置的容量优化配置方法 |
Non-Patent Citations (1)
| Title |
|---|
| 谢笑寒: ""微电网复合储能容量优化配置与控制技术研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Katsigiannis et al. | Optimal sizing of small isolated hybrid power systems using tabu search | |
| GB2596240A (en) | Coordinated control of renewable electric generation resource and charge storage device | |
| CN111934360B (zh) | 基于模型预测控制的虚拟电厂-储能***能量协同优化调控方法 | |
| CN112583017A (zh) | 考虑储能运行约束的混合微电网能量分配方法及*** | |
| CN113410900B (zh) | 基于自适应差分鲸鱼优化的微电网hess优化配置方法及*** | |
| CN110676861A (zh) | 一种配电网复合储能装置的容量优化配置方法 | |
| Bonthu et al. | Minimization of building energy cost by optimally managing PV and battery energy storage systems | |
| CN105244920B (zh) | 考虑电池健康状态的储能***多目标控制方法及其*** | |
| Mohammadi et al. | Optimal operation management of microgrids using the point estimate method and firefly algorithm while considering uncertainty | |
| CN107273968A (zh) | 一种基于动态模糊混沌粒子群的多目标调度方法及装置 | |
| CN110518634A (zh) | 基于改进指数平滑法的蓄电池储能系接入风电场控制方法 | |
| CN113675890A (zh) | 基于td3的新能源微电网优化方法 | |
| CN110535187A (zh) | 一种主动配电网的复合储能容量的能量调度方法及*** | |
| Xie et al. | Optimal capacity configuration of hybrid energy storage for an isolated microgrid based on QPSO algorithm | |
| CN114154790A (zh) | 基于需量管理和柔性负荷的工业园区光储容量配置方法 | |
| CN111049170B (zh) | 考虑温度损耗的调峰储能***、运行优化方法和装置 | |
| Bocklisch et al. | Technical and economic investigation and comparison of photovoltaic–wind energy–hybrid systems with battery and heat-storage path | |
| CN105470947B (zh) | 一种基于量子行为粒子群算法的微电网调度方法 | |
| CN114493143A (zh) | 面向并网型微电网的虚拟电厂多目标优化调度***及方法 | |
| TWI639962B (zh) | 一種應用於智慧電網之粒群最佳化模糊邏輯控制充電法 | |
| CN117559546A (zh) | 考虑激励型需求响应的低压配电网混合储能优化配置策略 | |
| CN109119988B (zh) | 基于动态批发市价的光伏-电池微电网能量调度管理方法 | |
| CN115940284B (zh) | 一种考虑分时电价的新能源制氢***的运行控制策略 | |
| CN111523947A (zh) | 一种虚拟电厂发电成本生成方法 | |
| CN108683211B (zh) | 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |