一种考虑多元电池特性的储能选址定容方法

技术领域

本发明属于电力系统规划技术领域，具体涉及一种考虑多元电池特性的储能选址定容方法。

背景技术

能源危机和环境问题的不断加剧，促进了新能源发电的快速发展。具有间歇性、随机性等典型特点的风光场站大规模接入可能会对系统的安全经济运行带来影响。储能系统具有灵活的充放电功率调节和供蓄能力，可以有效地降低负荷需求与新能源出力之间的时序不匹配性，为解决大规模新能源并网问题提供了一条可行途径。作为目前主流储能类型之一的电池储能技术，电池储能电站运行方式灵活，对电网调节能力强。而现有的储能选址定容方法大多只关注经济性或者实际工程指标，且储能技术种类受限。

发明内容

本发明的目的是提供一种考虑多元电池特性的储能选址定容方法，在满足可靠性技术指标的一系列条件上，具有较好的经济效益。

本发明所采用的技术方案是，一种考虑多元电池特性的储能选址定容方法，具体按照以下步骤实施：

步骤1、搭建电网系统的仿真模型，以风光场并网极限容量为指标，采用PV曲线法对电池储能系统接入节点进行预选址；

步骤2、建立计及功率型锂电池与容量型液流电池的电池型储能系统模型；

步骤3、考虑多个可靠性指标的加权函数且以储能平均使用成本最小为目标，结合电池型储能系统模型建立储能选址定容双层模型；

步骤4、运用改进的免疫算法求解储能选址定容双层模型，得到储能选址定容方案。

本发明的特点还在于：

步骤1具体过程为：

搭建电网系统的仿真模型，对电网系统进行潮流计算，得到原始电网系统风光场站出口的功率电压PV曲线，并计算原始PV曲线拐点对应的风光场并网极限容量；

根据实际需求确立电池储能系统的选址序列，并用一个n维向量A表示选址序列：

A＝(a

其中，i为母线序号，1≤i≤n，n为供电池储能系统选择的接入母线数目，a

将电池储能系统依次接入选址序列中的n个选址点，则有n个选址方案，通过潮流计算不同选址方案下风光场站出口的PV曲线，得到n种选址方案下PV曲线拐点对应的风光场并网极限容量；

计算得到电池储能系统接入前后的风光并网极限容量之差相对于接入前增加的百分比，并将增加的百分比作为选址依据，对电网系统风光场消纳能力进行评估；对评估得到的数值进行从大到小搜索排序，选择前25％的节点为预选址的接入节点。

电网系统风光场消纳能力进行评估具体过程为：依据选址依据评估函数f(x

上式中，p

步骤2具体过程为：

功率型锂电池与容量型液流电池的电池储能系统处于充电状态时，SOC状态模型具体表示为：

功率型锂电池与容量型液流电池的电池储能系统处于放电状态时，SOC状态模型表示为：

上式中，SOC(t)为当前电池的负荷状态，取值区间为[0，1]，P

步骤3具体过程为：

预选址选出来的节点将作为接入电池储能系统的候选节点，根据上层可靠性综合评估指标和权重，构建上层可靠性模型目标函数，具体表达式为：

式中：F为上层可靠性模型的目标函数；v

以电池储能系统使用成本最小为目标，构建下层经济性模型的目标函数表示为：

minC＝C

式中，C

其中，电池储能系统的初始建造成本C

C

式中：P

等年值系数C(r,n)表示为：

式中：r为基准折现率；n为电池储能系统运行的期限；

电池储能系统的初始建造成本C

C

电池储能系统的后续运维成本C

C

式中：K

输入功率型锂电池的具体参数和容量型液流电池的具体参数，确定下层经济性模型的目标函数minC；

约束条件具体为：

节点电压约束：

U

式中：U

功率平衡约束：

式中：P

储能数量约束：

N

式中：N

容量限制：

式中，P

功率限制：

式中，P

充放电深度限制：

0.2≤SOC

0.05≤SOC

上层可靠性模型目标函数F、下层经济性模型的目标函数minC、约束条件构成储能选址定容双层模型。

上层可靠性综合评估指标包括：

功率平抑有效性F

式中，P(t)为接入电池储能系统后，场站实际输出功率；P

削峰率F

式中，P

稳定性F

式中，E

步骤4中改进的免疫算法中：

以信息熵或欧式距离为基础计算抗体相似度，根据抗体相似度构建基于相似度的抗体浓度函数，表示为：

式中：H(X

抗体之间适应度值差值的总和为抗体矢量距V(X

式中：f(X

基于抗体矢量距构建基于矢量距的抗体浓度函数，表示为：

对上述2种抗体筛选方法进行综合分析，构建新的抗体浓度函数如下：

A(X

式中：α为权重常数(0≤α≤1)。

步骤4具体过程为：

步骤4.1、根据储能选址定容双层模型确定适应度函数，且抗体种群中个体均满足约束条件，每个抗体表示电池储能系统选址定容方案；

步骤4.2、向适应度函数中输入电池储能系统的功率和容量，电池储能系统的初始建造成本和后续运维成本的单位投资；基准折现率和电池储能系统运行期限；单位功率年运维成本系数和单位容量年运维成本系数；电池储能系统节点的电压上下限；电网输入功率、节点负荷功率、风电机组输出功率和储能系统输出功率；储能安装数量的最大和最小限制；

步骤4.3、运用改进的免疫算法求解最优抗体，最优抗体对应的电池储能系统选址定容方案即为最终电池储能系统选址定容方案。

本发明有益效果是：

(1)本发明提出的储能选址定容方案并非只关注经济性，而不考虑实际的工程技术指标，是在满足可靠性技术指标的一系列条件上，寻求的经济最优解。

(2)本发明提出的经济成本衡量指标，对于储能技术种类没有限制，可以从多角度比较每一种储能方案的经济性，方便有效，较容易实现。

附图说明

图1是本发明中P-V曲线原理图；

图2是本发明中预选址思路分析图；

图3是本发明中储能配置分配流程图；

图4是本发明中储能选址定容双层模型信息交互示意图；

图5是本发明中改进的IEEE-33节点配电网结构图；

图6是本发明中风电、光伏日出力特性曲线；

图7是本发明中日负荷特性曲线图；

图8是本发明中储能接入前节点电压稳定度；

图9是本发明中场景3储能接入后节点电压图。

具体实施方式

下面结合附图及具体实施方式对本发明进行详细说明。

如图1P-V曲线原理图所示，P-V(功率-电压)曲线能是电压稳定性分析一种方法。采用前推回代法计算辐射状配电网中的潮流分布，根据配电系统的初始运行点构建阻抗矩阵。P-V曲线的转折点即为系统新能源并网的极限容量。P

实施例1

本发明一种考虑多元电池特性的储能选址定容方法，具体按照以下步骤实施：

如图2所示，搭建电网系统的仿真模型，以风光场并网极限容量为指标，采用PV曲线法对电池储能电站接入节点进行预选址；具体过程为：

搭建电网系统的仿真模型，对电网系统进行潮流计算，得到原始电网系统风光场站出口的功率电压PV曲线，并计算原始PV曲线拐点对应的风光场并网极限容量；

根据实际需求确立电池储能电站的选址序列，并用一个n维向量A表示选址序列：

A＝(a

其中，i为母线序号，1≤i≤n，n为供电池储能电站选择的接入母线数目，a

将电池储能电站依次接入所述选址序列中的n个选址点，运行方式分别设置为有功出力运行方式和无功出力运行方式。通过仿真完成不同运行方式下每种接入方案的PV曲线扫描。

计算得到电池储能电站接入前后的风光并网极限容量之差相对于接入前增加的百分比，并将增加的百分比作为选址依据，对电网系统风光场消纳能力进行评估；对评估得到的数值进行从大到小搜索排序，选择前25％的节点为预选址的接入节点。

对电网系统新能源消纳能力进行评估具体过程为：依据选址依据评估函数f(x

上式中，p

附图3为储能配置分配流程图，具体电池可能在效率等方面有所差别，但基本公式原理完全相同。

搜集锂电池与液流电池的具体参数，后续的储能配置的经济评判指标就与此参数相关，配置过程所需参数如表1所示。

表1

注：表中提供的运行寿命和充放电深度与运行环境都有比较大的关系，这里给出的是一般情况下厂家所给出的理想情况下的最合适的充放电深度。

根据附图3，可以得到下面荷电状态公式：

功率型锂电池与容量型液流电池的电池储能系统处于充电状态时，SOC状态模型具体表示为：

功率型锂电池与容量型液流电池的电池储能系统处于放电状态时，SOC状态模型表示为：

上式中，SOC(t)为当前电池的负荷状态，取值区间为[0，1]，P

考虑多个可靠性指标的加权函数且以储能平均使用成本最小为目标，结合电池型储能系统模型建立储能选址定容双层模型，如图4所示；具体过程为：

上层可靠性模型：

上层可靠性综合评估指标包括：

功率平抑有效性F

式中，P(t)为接入电池储能系统后，场站实际输出功率；P

削峰率F

式中，P

稳定性F

式中，E

根据上层可靠性综合评估指标和权重，构建上层可靠性模型目标函数，具体表达式为：

式中：F为上层可靠性模型的目标函数；v

下层经济性模型：

下层经济性模型，基于不同类型电池储能系统功率容量调节性上的区别提出下层经济配置模型，以储能使用成本最小为目标，以求达到经济最优效果。构建下层经济性模型的目标函数表示为：

minC＝C

式中，C

对于储能使用成本C的计算公式可以有三种实际应用方式：

1.可以比较选择不同的储能技术之间的成本，无论它们是否来自不同的技术、设计还是制造商。

2.可以比较特定储能技术或产品在不同应用场景下的成本。

3.有助于阐明某些运营模式如何影响业主的整体投资成本。

其中，电池储能系统的初始建造成本C

C

式中：P

等年值系数C(r,n)表示为：

式中：r为基准折现率；n为电池储能系统运行的期限；

电池储能系统的初始建造成本C

C

电池储能系统的后续运维成本C

C

式中：K

根据电池型储能系统模型确定储能系统类型，进而确定功率型锂电池的具体参数和容量型液流电池的具体参数，向下层经济性模型的目标函数中输入功率型锂电池的具体参数和容量型液流电池的具体参数，确定下层经济性模型的目标函数minC；

约束条件具体为：

节点电压约束：

U

式中：U

功率平衡约束：

式中：P

储能数量约束：

N

式中：N

容量限制：

式中，P

功率限制：

式中，P

充放电深度限制：

0.2≤SOC

0.05≤SOC

式中，SOC

上层可靠性模型目标函数F、下层经济性模型的目标函数minC、约束条件构成储能选址定容双层模型。

免疫算法是一种利用免疫系统的有关概念和原理的一种智能优化算法。在评估抗体优劣时，通常采用对抗体浓度进行控制，以确保群体的多样性，并获得全局最优。但是，现有的免疫算法存在全局寻优能力弱、容易在不合理的变异概率下陷入局部极值等问题，并且在进行交叉变异时会出现一系列不可操作的问题，以及算法的收敛性。针对上述问题，拟利用相似度向量间距对抗体密度进行修正，在保持群体多样性的同时，有效地避免出现局部极值，增强其全局寻优能力。

改进的免疫算法中：

以信息熵或欧式距离为基础计算抗体相似度，根据抗体相似度构建基于相似度的抗体浓度函数，表示为：

式中：H(X

抗体之间适应度值差值的总和为抗体矢量距V(X

式中：f(X

基于抗体矢量距构建基于矢量距的抗体浓度函数，表示为：

对上述2种抗体筛选方法进行综合分析，构建新的抗体浓度函数如下：

A(X

式中：α为权重常数(0≤α≤1)。

本发明中运用改进的免疫算法求解储能选址定容双层模型，得到储能选址定容方案。具体过程为：根据储能选址定容双层模型确定适应度函数，且抗体种群中个体均满足约束条件，每个抗体表示电池储能系统选址定容方案；向适应度函数中输入电池储能系统的功率和容量，电池储能系统的初始建造成本和后续运维成本的单位投资；基准折现率和电池储能系统运行期限；单位功率年运维成本系数和单位容量年运维成本系数；电池储能系统节点的电压上下限；电网输入功率、节点负荷功率、风电机组输出功率和储能系统输出功率；储能安装数量的最大和最小限制；运用改进的免疫算法求解最优抗体，最优抗体对应的电池储能系统选址定容方案即为最终电池储能系统选址定容方案。

在保证种群多样性的前提下，基于矢量距和相似性选择出适合度高、浓度低的抗体，可以有效地避免局部极值问题，增强算法的全局寻优能力。

运用改进的免疫算法求解储能选址定容双层优化模型；上层模型以综合考虑多个可靠性指标的加权函数为目标，求解储能系统总体配置方案；下层模型以储能平均使用成本最小为目标，对锂电池和液流电池进行配置，在达到技术要求的前提下，取得经济合理的电池储能系统选址定容方案。

实施例2

搭建含分布式风电和光伏的IEEE 33节点配电系统，系统模型结构如图5改进的IEEE-33节点配电网结构图所示。

以改进的IEEE-33节点配电网为例进行仿真分析，配电网络如附图5所示。25、32节点接入4MW风电，7、8节点分别接入3MW光伏，出力数据来自内蒙古东部某地区的历史数据，图6为典型日风光出力特性曲线。系统额定电压为10.5kV，储能接入前节点电压稳定度指标如图8所示，节点电压允许范围为0.9p.u.至1.05p.u.。

系统负荷共计3715+j2300kW，存在两个用电高峰时段分别为10：00—14：00和18：00—22：00，典型日特性曲线如图7所示。

算例建模使用Matlab R2019b，选择3种场景进行对比分析对改进的33节点配电系统进行考察，以各场景下储能选址定容方案验证所提方法的有效性。

场景1：未规划储能。

场景2：规划储能未采用预选址

场景3：本文所提储能选址定容方法

计算出各节点的新能源并网极限容量并对其进行排序，将14、15、17、18、33作为电池储能系统的安装候选节点。此外，计及负荷对系统的影响，将24、25这两个负荷最大的节点也列为候选。共选择14、15、17、18、24、25、33总计7个节点作为安装分布式储能的预节点，电池详细参数如表2所示，不同场景下的优化结果如表3所示。

表2

/>

表3

场景3中不同储能接入个数下系统总网损相差变化不大，因为在本模型中，储能保持在充放电两种状态下的时间相同。故而储能接入后的总损耗变化不大，场景3储能接入后节点电压如图9。

将不同锂电池与液流电池配比下的经济成本作对比进行经济性分析，具体如表4所示。

表4

通过计算得到，功率上液流电池与锂电池最优配比为1:2，容量上液流电池与锂电池的最优配比为9:1。且与配置单一电池的方案相比，混合配置方案具有更加优异的经济性。

通过上述方式，本发明一种考虑多元电池特性的储能选址定容方法，通过对所有方案下的选址综合评估值进行搜索排序,得到所述综合评估值最高的一种方案,将其作为本发明实施例所用系统中电池储能电站的最优选址方案。根据每种电池特性进行储能配置，既可以免去截止频率的选择又能充分发挥不同类型电池的特性一举两得，同时在迭代运算与寻优过程中对所搭建的寻优计算模型有所优化。