欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021107023447
申请人: 南通大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于遗传算法的风‑储混合电站日运行策略优化方法,其特征在于,包括以下步骤:

S1:给定相关参数,包括:实时电价、出力偏差惩罚电价、风‑储混合电站出力偏差最大允许概率、电池储能系统容量、初始荷电状态与最大充放电功率、风电装机容量、风功率预测值、调度时段数;

S2:建立风‑储混合电站日运行策略优化模型,优化变量为电池储能系统调度日内的计划充放电序列和功率,优化目标为风‑储混合电站日运行收益最大;

S3:在风‑储混合电站日运行工况蒙特卡洛模拟的基础上,采用遗传算法求解风‑储混合电站日运行策略优化模型,给出风‑储混合电站中电池储能系统的最优计划充放电序列和功率。

2.根据权利要求1所述的一种基于遗传算法的风‑储混合电站日运行策略优化方法,其特征在于,步骤S2中所述风‑储混合电站日运行策略优化模型,具体如公式(1)所示:公式(1)中,t为调度时段索引,(t=1,2,…,m);m为调度时段数;F为风‑储混合电站日运行收益;Fw,t为风‑储混合电站在调度时段t的售电收益,Fdev,t为风‑储混合电站在调度时段t的出力偏差惩罚成本;Fbess为电池储能系统在调度日内的运行成本;

公式(1)中,风‑储混合电站在调度时段t的售电收益Fw,t具体如公式(2)所示:Fw,t=ρt×(Pb,t+Pw,t)×ΔT     (2)公式(2)中,ρt为调度时段t的实时电价;Pb,t为电池储能系统调度时段t的实际充、放电功率,正值表示电池储能系统放电,负值表示电池储能系统充电;Pw,t为调度时段t的实际风功率;ΔT为调度时段长度;

公式(1)中,风‑储混合电站在调度时段t的出力偏差惩罚成本Fdev,t具体如公式(3)所示:

Fdev,t=ρdev,t×|Pb,t+Pw,t‑Ps,t|×ΔT    (3)公式(3)中,ρdev,t为调度时段t的出力偏差惩罚电价;Ps,t为风‑储混合电站在调度时段t的计划出力,如公式(4)所示:

Ps,t=Pwf,t+Pbs,t      (4)公式(4)中,Ps,t为风‑储混合电站在调度时段t的计划出力,由风‑储混合电站运行人员提前一天上报给调度中心;Pwf,t为调度时段t的风功率预测值;Pbs,t为电池储能系统在调度时段t的计划充、放电功率,正值表示电池储能系统放电,负值表示电池储能系统充电;

公式(1)中,Fbess为电池储能系统在调度日内的运行成本,由电池储能系统投资成本与调度日内经历的充、放电循环次数估算,具体如公式(5)所示:公式(5)中,Vtotal为电池储能系统投资成本;ntotal为电池储能系统循环寿命;uch,t、udis,t分别为表示电池储能系统充、放电状态切换的二进制变量,uch,t取1表示电池储能系统在调度时段t由放电状态切换为充电状态,udis,t取1表示电池储能系统在调度时段t由充电切换为放电状态;

所述风‑储混合电站日运行策略优化模型中的约束如下:风‑储混合电站出力偏差概率约束:

Pr{|Pb,t+Pw,t‑Ps,t|>Pset}≤p    (6)公式(6)中,Pset为风‑储混合电站发电出力的最大允许偏差;Pr{·}表示{}中事件发生的概率,不等式左侧为风‑储混合电站发电出力偏差越限概率;p为风‑储混合电站出力偏差超过最大允许偏差的概率;

电池储能系统充放电速率约束:

‑Pch,m≤Pb,t≤Pdis,m       (7)公式(7)中,Pch,m与Pdis,m分别为电池储能系统最大充、放电速率;

电池储能系统的最短充、放电时间约束:Tch≥Tch,m    (8)

Tdis≥Tdis,m    (9)公式(8)、(9)中,Tch与Tdis分别为电池储能系统的充、放电持续时间,Tch,m与Tdis,m分别为电池储能系统的最小充、放电持续时间,可分别由公式(10)和(11)表示;

公式(10)、(11)中,Ec为电池储能系统的容量;Emax与Emin分别为电池储能系统允许的最大最小荷电状态;ηch与ηdis分别为电池储能系统的充电、放电效率;

电池储能系统荷电状态约束:

Emin≤Esoc,t≤Emax    (12)公式(12)中,Esoc,t为电池储能系统在调度时段t的荷电状态,可按公式(13)进行计算:公式(13)中,Ec为电池储能系统的容量;Pb,t为电池储能系统调度时段t的实际充、放电功率,正值表示电池储能系统放电,负值表示电池储能系统充电;ΔT为调度时段长度;ηch与ηdis分别为电池储能系统的充电、放电效率。

3.根据权利要求2所述的一种基于遗传算法的风‑储混合电站日运行策略优化方法,其特征在于,步骤S3所述的风‑储混合电站日运行策略优化模型的求解步骤,具体如下:S3.1:设定遗传算法参数,包括:种群规模Npop,交叉率Pc,变异率Pm与最大进化代数Gmax;

S3.2:随机生成由Npop条染色体组成的初始种群;所述初始种群中的染色体由m个码位组成,码位i取值为“1”,说明电池储能系统在第i个调度时段处于放电状态;取值为“‑1”,说明电池储能系统在第i个调度时段处于放电状态(i=1,2,…,m);

S3.3:进化代数索引g初始化为0,即令g=0;

S3.4:令g=g+1,计算第g代染色体的适应度,染色体索引k初始化为1,即令k=1;

S3.5:对当前种群中第k条染色体进行解码,确定电池储能系统在调度日内的充放电状态;

若电池储能系统不满足公式(8)、(9)给出的最短充放电时间约束,则按公式(14)计算第k条染色体的适应度Vfit,k,并跳转至步骤S3.8;

Vfit,k=0       (14)若电池储能系统满足公式(8)、(9)给出的最短充放电时间约束,则根据电池储能系统调度日内的充放电状态计算电池储能系统在各调度时段的初始计划充、放电功率,继续执行步骤S3.6;

S3.6:采用蒙特卡洛模拟法对风‑储混合电站调度日内的运行工况进行模拟,根据模拟结果对电池储能系统的计划充、放电功率进行迭代更新,获得电池储能系统的最优计划充、放电功率;

S3.7:根据电池储能系统的最优计划充、放电功率,对风‑储混合电站在调度日内的运行状况进行模拟,计算风‑储混合电站的日运行收益与发电出力偏差越限概率,并按公式(15)计算第k条染色体的适应度Vfit,k:Vfit,k=F‑βpen×max{Pr{|Pb,t+Pw,t‑Ps,t|>Pset}‑p,0}    (15)公式(15)中,βpen为事先给定的罚系数;

S3.8:判断是否完成当前种群中所有染色体的适应度计算,即判断k是否等于Npop;若k

S3.9:判断是否达到最大进化代数,即判断进化代数索引g是否等于Gmax;若g=Gmax,则继续执行步骤3.10;否则,以适应度为依据,对当前种群进行复制、交叉与变异操作、更新染色体种群,并跳转至步骤S3.4;

S3.10:将当前种群中染色体适应度最高的染色体对应的风‑储混合电站运行方案作为最优方案输出,结束算法流程。

4.根据权利要求3所述的一种基于遗传算法的风‑储混合电站日运行策略优化方法,其特征在于,步骤S3.2所述的染色体种群初始化步骤,具体如下:S3.2.1:随机确定电池储能系统的初始充、放电状态,为便于描述,假定电池储能系统初始状态为放电状态,即染色体中,第一个二进制码位取值为“1”;索引n初始化为1,即令n=1;

S3.2.2:随机产生区间[Tdis,m,m]上服从均匀分布的整数Tn,将染色体的第1个码位至第Tn个码位均初始化为“1”,即从调度时段1至调度时段Tn,电池储能系统均处于放电状态;

S3.2.3:若染色体的剩余长度 小于电池储能系统的最短充电时间Tch,m,将染色体剩余码位均初始化为“‑1”,跳转至S3.2.5;否则,随机产生区间 上服从均匀分布的整数Tn+1,将染色体的第Tn+1至第 码位均取值为“‑1”,即从调度时段Tn+1至电池储能系统均处于充电状态;令n=n+1;

S3.2.4:若染色体的剩余长度 小于电池储能系统的最短放电时间Tdis,m,则染色体剩余码位均初始化为“1”,跳转至S3.2.5;否则,随机产生区间 上服从均匀分布的整数Tn+1,接着将染色体的第Tn+1至第 码位均取值为“1”,即即从调度时段Tn+1至电池储能系统均处于放电状态;令n=n+1,执行S3.2.3;

S3.2.5:重复执行上述步骤,直至产生整个初始染色体种群。

5.根据权利要求3所述的一种基于遗传算法的风‑储混合电站日运行策略优化方法,其特征在于,步骤S3.5所述的对当前种群中第k条染色体进行解码,确定电池储能系统在各调度时段的初始计划充放电功率Pbs,t的步骤如下:S3.5.1:当前种群中第k条染色体进行解码,确定电池储能系统在各调度时段的充放电状态;

S3.5.2:计算电池储能系统在调度日内经历的连续充、放电状态时段数;假定电池储能系统在调度日内共经历J个连续充、放电时段,第j个连续充、放电时段由Tc,j个调度时段组成,初始调度时段索引为tst,j,终了调度时段索引为tend,j(j=1,2…,J);

S3.5.3:依次计算J个连续充、放电时段中,电池储能系统在各调度时段的初始计划充放电功率;若第j个连续充放电时段为充电时段,则各调度时段的初始计划充电功率为:若第j个连续充放电时段为放电时段,则各调度时段的初始计划放电功率为:公式(15)、(16)中,Est,j为电池储能系统在第j个连续充放电时段的初始荷电状态,若j=1,则Est,j为电池储能系统在整个调度日的初始荷电状态;若j>1,且第j个连续充放电时段为充电时段,则Est,j=Emin;若j>1,且第j个连续充放电时段为放电时段,则Est,j=Emax。

6.根据权利要求3所述的一种基于遗传算法的风‑储混合电站日运行策略优化方法,其特征在于,步骤S3.6所述的采用蒙特卡洛模拟法对风‑储混合电站调度日内的运行工况进行模拟,根据模拟结果对电池储能系统的计划充、放电功率进行迭代更新,获得电池储能系统的最优计划充、放电功率的步骤如下:S3.6.1:将衡量风‑储混合电站实时技术、经济性能的各评价指标初始化为零,即:公式(17)中,MPPST,t、MEPDP,t和MEESI,t分别为风‑储混合电站的发电计划跟踪概率PPST、注入功率偏差惩罚期望EPDP与电能销售收入期望EESI,这三个实时评价指标在调度时段t的取值;

S3.6.2:将调度时段索引t初始化为1;根据染色体解码确定的电池储能系统充、放电序列,获得电池储能系统在初始时段的工作状态;若电池储能系统在初始时段处于充电状态,则将其初始荷电状态设为Emin;若电池储能系统在初始时段处于放电状态,则将其初始荷电状态设为Emax;

S3.6.3:根据时段t的风功预测值确定Versatile分布中的三个形状参数α、β和γ的取值。本发明中,采用Versatile分布描述实际风功率在其预测值附近的随机波动特性,该分布的概率密度函数f(x)与累积概率分布函数F(x)分别如下式所示:β+1

f(x)=αβexp[‑α(x‑γ)]/{1+exp[‑α(x‑γ)]}     (18)‑β

F(x)={1+exp[‑α(x‑γ)]}      (19)风功率波动特性与其出力水平密切相关,因此,当出力水平不同时,Versatile分布中的形状参数α、β和γ应取不同的数值;

S3.6.4:生成服从Versatile分布的随机风功率,即:‑1

公式(20)中,Psw,t为调度时段t的随机风功率;Gwind为风电场的装机容量;函数F (·)为Versatile分布累积概率分布函数的反函数;c为区间[0,1]内服从均匀分布的随机数;

S3.6.5:将步骤S3.6.4产生的随机风功率Psw,t当作实时风功率,按式(21)确定电池储能系统在当前时段的实时充、放电功率Pb,t,分别按式(2)、(3)确定售电收益Fw,t与出力偏差惩罚成本Fdev,t;

S3.6.6:根据步骤S3.6.5的计算结果,按下式更新指标EPDP和EESI在调度时段t的取值;如下式所示:

公式(22)中,nsim为事先给定的蒙特卡洛模拟次数;

至于指标PPST,若风‑储混合电站在该时段能按计划出力发电,则按下式对该指标进行更新:

S3.6.7:按式(13)计算电池储能系统在当前时段的荷电状态Esoc,t;

S3.6.8:令t=t+1,重复执行S3.6.3至S3.6.7,直至t=m;

S3.6.9:重复执行S3.6.2至S3.6.8,直至达到事先设定的最大蒙特卡洛模拟次数nsim;

S3.6.10:若风‑储混合电站在所有时段的发电计划跟踪概率MPPST,t满足电网调度要求即满足公式(6)给出约束,结束模拟;若在某些时段未满足电网调度指令,则说明这些时段电池储能系统计划充、放电功率设置过大,此时,可按下式对这些时段的计划充、放电功率进行修正:

公式(24)中,P’bs,t为电池储能系统在时段t修正后的计划充、放电功率;γ为事先制定的修正系数;Ωbs为不满足电网调度要求的调度时段集合;在对不满足调度要求的时段计划充、放电功率进行修正时,需注意计划充、放电功率的取值范围;若电池储能系统处于充电状态,则其计划充、放电功率取值范围为[‑Pch,mEc,0],反之,若电池储能系统处于放电状态,则其计划充、放电功率取值范围为[0,Pdis,mEc];计划充、放电功率修正后,跳转至S3.6.1,继续进行模拟。