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

技术领域

本发明属于高比例分布式光伏并网以及负荷大规模增长的低压配电网优化配置技术领域，具体涉及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。

背景技术

由于低压配电网结构较中压配电网更加复杂，当前关于低压配电网规划问题多集中在柔性互联设备的选址定容、储能设备的选址定容、需求侧响应资源的合理分配上。然而仅仅配置储能或者仅仅依靠需求侧资源响应已不足以治理分布式电源大规模接入配电网带来的波动问题，现有研究已提出了混合储能的优化配置存在以下问题：①EMD分解后的子曲线之间可能存在模态混叠的现象，进而影响混合储能系统的最终配置结果②对风电原始功率先运用中值平均法进行处理，然后再运用EMD分解算法，进一步提高分解精度，但中值平均法结果有一定的时延；③VMD需要预先设定分解模态阶数，自适应性较差，需要通过算法优化得到最佳模态分解数；现有研究从分解算法角度出发研究混合储能系统的配置问题，旨在通过不同时间尺度储能设备的特性进行分布式电源波动性的平抑，而低压用户侧仍有许多待唤醒的资源，目前用户负荷需求侧响应技术较为成熟，在电力系统规划中计及需求侧响应的影响具有重要现实意义；另外针对低压侧接入的越来越多的分布式电源，带来的电压波动问题，现有技术进行关于运用需求侧响应技术改善配电网电压波动，现有技术虽然从不同角度对需求侧响应进行了详细的研究，但是若能同时考虑需求响应和储能系统的配置，将可能进一步提高分布式电源接纳率，减少电网交互成本的同时，减少日负荷峰谷差，降低系统规划运行成本，因此二者的协同作用仍有待研究；因此，提供一种充分利用资源互补特性、最大限度发挥灵活性资源调节能力、对净负荷曲线波动平抑效果好、求解速度快、计算精度高的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是非常有必要的。

发明内容

本发明的目的是为了克服现有技术的不足，而提供一种充分利用资源互补特性、最大限度发挥灵活性资源调节能力、对净负荷曲线波动平抑效果好、求解速度快、计算精度高的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。

本发明的目的是这样实现的：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，所述的方法包括以下步骤：

步骤1：考虑激励型需求侧响应的光储系统；

步骤2：考虑激励型需求侧响应的混合储能系统配置策略；

步骤3：考虑激励型需求侧响应的混合储能系统优化配置模型；

步骤4：示范例应用分析。

所述的步骤2中的考虑激励型需求侧响应的混合储能系统配置策略具体为：混合储能系统即HESS的配置策略既包括其位置配置，又包括其额定容量、额定功率的配置；为了合理分配HESS中的磷酸铁锂电池和超级电容，首先对系统净负荷曲线进行分解、再组合重构，高频部分波动采用超级电容和激励型需求侧响应即IDR中的直控负荷进行平抑，低频部分采用市电、磷酸铁锂电池、IDR中的非直控负荷进行平抑，具体包括以下步骤：

步骤2.1：改进的变分模态算法；

步骤2.2：混合储能系统功率分配；

步骤2.3：混合储能系统容量分配；

步骤2.4：混合储能系统安装位置。

所述的步骤2.1中的改进的变分模态算法对净负荷曲线进行分解变换、再组合重构包括以下步骤：

步骤2.11：由灰狼算法优化得到最优分解尺度K，对净功率曲线的参考功率信号x(t)进行分解得到模态分量，计算公式为：

步骤2.12：利用希尔伯特变换将各模态分量u

步骤2.13：利用步骤2.12得到的值，构造各模态分量u

步骤2.14：Hilbert幅值谱由解析信号的实部构成，对该幅值谱进行时间上的积分即可得到希尔伯特边际谱：

步骤2.15：希尔伯特边际谱能够整合各模态分量不同频率尺度上的幅值分布，最终通过边际谱来判定高低频分界点，接着将高、低频各模态分量重构，分别利用HESS、IDR以及市电进行平抑：P

式中，P

所述的步骤2.2中的混合储能系统功率分配具体为：为确定HESS中各设备的额定功率、额定容量以及IDR中直控、非直控负荷功率大小，设置出力比例分别系数α、β，且满足α+β＝1，则各设备额定功率如下式所示：

所述的步骤2.3中的混合储能系统容量分配具体为：根据超级电容与磷酸铁锂电池的实际充放电情况，进行时间周期T内的积分，得到二者在该周期内的累积容量：

所述的步骤2.4中的混合储能系统安装位置具体为：传统配电网低压侧储能有两种位置配置方式，即分散布置和集中布置；分散布置是在分布式光伏附近，根据用户屋顶光伏的安装位置就地配置储能；集中布置则是将储能设备配置在公共连接点处，根据分布式光伏总量配置适当的容量；分散布置在用户侧的储能设备具有接入位置灵活、对接入地点的位置、环境自然条件限制较少的优势，但是由于分散布置靠近用户侧，可控性相对较弱，运维难度更大；集中布置的储能具有聚合效果好的优势，但是相应的线路损耗也会较大；综合考虑上述两种布置方式，以及分布式光伏实际运行中的控制方式、运维难度、经济效益方面的特点，对呈现辐射状形式的低压配电网采用储能系统分散布置的方式。

所述的步骤3中的考虑激励型需求侧响应的混合储能系统优化配置模型具体为：伴随着屋顶光伏政策的推进，越来越多的分布式光伏就近接入低压配电网，其出力的随机性、波动性加剧了净负荷曲线的波动性，严重影响低压电网的正常运行；为平抑净负荷曲线的波动，构建考虑激励型需求侧响应的混合储能系统优化配置模型；由于需求响应资源在系统的用户侧天然存在，对其利用仅在运行层面考虑，而在规划层面无法通过增加投资以增加系统中的需求响应资源可用量；激励型需求响应资源类型方面考虑可中断负荷，具体包括以下步骤：

步骤3.1：目标函数；

步骤3.2：约束条件；

步骤3.3：改进鲸鱼算法。

所述的步骤3.1中的目标函数具体为：目标函数为系统总费用和有功功率波动值最小，决策变量为超级电容、磷酸铁锂电池的功率和容量以及参与需求侧响应的直控型负荷和非直控型负荷的实际响应有功功率大小；目标函数计算公式为：minF＝λ

所述的步骤3.2中的约束条件具体为：除了最基本的潮流约束外，还需要满足分布式光伏并网约束、混合储能充放电约束、混合储能SOC约束、功率平衡约束、需求侧响应能力约束以及与上级联络点功率约束；其中①分布式光伏并网约束为：结合对不同时间尺度可再生能源并网波动的限制，对于任意时段t，分布式光伏波动性约束为：短时间尺度高频波动下：

所述的步骤3.3中的改进鲸鱼算法具体包括以下步骤：

步骤3.31：输入光伏、负荷时序出力曲线参数以及与算法相关的参数；

步骤3.32：结合立方混沌映射方法生成初始鲸鱼种群，同时计算目标函数值；

步骤3.33：对算法中的每个鲸鱼个体的位置，即超级电容、磷酸铁锂电池的功率和容量以及参与需求侧响应的直控型负荷和非直控型负荷的实际响应量大小进行快速非支配的排序；

步骤3.34：每个鲸鱼个体位置通过包围搜索、气泡攻击、随机变异三个步骤进行寻优并更新鲸鱼个体的位置；

步骤3.35：判断是否达到最大的迭代终止次数，若未达到，则返回步骤3.32；若达到，则输出最终优化方案。

本发明的有益效果：本发明为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，考虑到具有随机性、波动性特点的分布式光伏也将大规模接入低压配电网，伴随着用电负荷的增长，未来低压配电网将同样呈现出显著的“源荷双侧随机性”特点；为解决二者给低压配电网带来的随机波动性，改善低压配电网电能质量，迫切需要优化整合各种灵活性资源要素；低压侧灵活性资源包括储能系统、需求侧响应、柔性互联设备等；不同类型灵活性资源在配电网中各有优劣，例如储能可以在用户负荷侧进行削峰填谷，但设备投资成本高，经济性成为限制其大规模发展的主要因素；需求侧响应资源成本低、响应快，但受到用户主观意愿影响的因素较大且需要配合完善的市场机制；考虑到上述单一灵活性资源的限制，因此在低压配电网中应统筹上述资源特性，充分利用资源之间的互补特性，最大限度发挥灵活性资源的调节能力，实现高比例分布式光伏和负荷平抑波动及系统经济运行；本发明提出了计及激励型需求侧响应的低压配电网混合储能优化配置模型。根据不同时间尺度下的储能设备和需求侧响应资源的特点，共同平抑分布式光伏和负荷带来的波动；首先运用改进的VMD算法对净负荷曲线进行多尺度分解和组合重构；然后建立以系统总成本和有功功率波动值之和最小的目标函数；接着采用改进的鲸鱼优化算法对优化配置模型进行求解；示范例表明该方案相较于单一储能的配置对净负荷曲线的波动平抑效果最好；本发明具有充分利用资源互补特性、最大限度发挥灵活性资源调节能力、对净负荷曲线波动平抑效果好、求解速度快、计算精度高的优点。

附图说明

图1为本发明的混合储能和需求侧响应参与的低压配电网拓扑图。

图2为本发明的改进的VMD算法流程图。

图3为本发明的改进鲸鱼算法流程图。

图4为本发明法的北方某地区实际拓扑图。

图5为本发明的改进的VMD算法分解结果图。

图6为本发明的重构后的Plow曲线和Phigh曲线图。

图7为本发明的灰狼算法和遗传算法的迭代过程示意图。

图8为本发明法的有功功率波动性对比示意图。

图9为本发明的负荷及光伏出力标幺值曲线图。

具体实施方式

下面结合附图对本发明做进一步的说明。

实施例1

如图1-9所示，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，方法包括以下步骤：

步骤1：考虑激励型需求侧响应的光储系统；

步骤2：考虑激励型需求侧响应的混合储能系统配置策略；

步骤3：考虑激励型需求侧响应的混合储能系统优化配置模型；

步骤4：示范例应用分析。

在本实施例中，考虑激励型需求侧响应的光储系统具体为：本发明将净负荷曲线定义为负荷曲线减去分布式光伏出力后得到的曲线，因而净负荷曲线的波动由二者的波动共同组成；负荷的波动性大多是因为其时间、空间上的变化造成的；而分布式光伏出力波动性受环境影响较大，且已有研究表明不同时间尺度的光伏波动给配电网带来的影响也不同，其中min～h级的光伏波动主要影响系统的备用和调度策略，而s～min级的光伏波动则主要影响系统的调频策略；因此，用不同状态的灵活性资源来平衡不同时间尺度的净负荷波动，将有效平抑低压配电网中净负荷曲线波动水平；本发明选用混合储能系统(HybridEnergy Storage System,HESS)和激励型需求侧响应(Incentive Demand Response,IDR)来达到此目的；

配置混合储能和激励型需求侧响应参与的低压配电网系统架构如图1所示，混合储能系统由磷酸铁锂电池和超级电容组成，二者分别平抑不同频率的功率信号；利用磷酸铁锂电池能量密度大、响应时间长的特点，补偿功率信号中波动幅值大、频率低的成分；利用超级电容功率密度大、响应时间短的特点，补偿功率信号中波动幅值小、频率高的成分；本发明需求侧响应选择调节速度快、调节方式灵活、调节潜力大的激励型需求侧响应。根据负荷响应时间和响应方式的不同可以将激励型需求侧响应分为直控型负荷(DirectControlled Load,DCL)和非直控型负荷(Non-Direct Controlled Load,NDCL)；DCL直接由调度中心控制负荷的开断来参与响应，从而具有响应时间快的特点，可以平衡高频部分的波动；NDCL为用户自发响应参与，相较于DCL的响应时间较长，往往在10min到小时级，因而可以用其平衡低频部分的波动；综上，通过混合储能系统和激励型需求侧响应在不同时间尺度上的配合，共同实现平抑净负荷曲线波动的目的。

步骤2中的考虑激励型需求侧响应的混合储能系统配置策略具体为：混合储能系统即HESS的配置策略既包括其位置配置，又包括其额定容量、额定功率的配置；为了合理分配HESS中的磷酸铁锂电池和超级电容，首先对系统净负荷曲线进行分解、再组合重构，高频部分波动采用超级电容和激励型需求侧响应即IDR中的直控负荷进行平抑，低频部分采用市电、磷酸铁锂电池、IDR中的非直控负荷进行平抑，具体包括以下步骤：

步骤2.1：改进的变分模态算法；

步骤2.2：混合储能系统功率分配；

步骤2.3：混合储能系统容量分配；

步骤2.4：混合储能系统安装位置。

在本实施例中，基于步骤1提出的混合储能和需求侧响应参与的低压配电网架构，本发明采用改进的VMD算法对系统净负荷曲线进行分解变换、再组合重构，以获得各调控资源的初始功率分配，以便后续针对性的进行净负荷曲线波动性平抑，分解流程如图2所示；VMD算法是一种可以较好实现信号频率分解的算法，可以将信号一次性分解成多个频率分量的子信号，从而避免了多次迭代分解过程中产生虚假分量，影响最终分解结果问题的发生，但是该方法的分解模态数K值的选取较为主观，当K值与被处理信号中有用成分的个数不匹配时候，就会出现数据分解不充分、增大误差或者过分解、产生虚假信号分量等现象；因而本发明运用灰狼算法确定VMD算法中的分解模态数K值，使其具有自适应特性的分解模态数，VMD算法分解后的子信号序列受噪声影响更小。

所述的步骤2.1中的改进的变分模态算法对净负荷曲线进行分解变换、再组合重构包括以下步骤：

步骤2.11：由灰狼算法优化得到最优分解尺度K，对净功率曲线的参考功率信号x(t)进行分解得到模态分量，计算公式为：

步骤2.12：利用希尔伯特变换将各模态分量u

步骤2.13：利用步骤2.12得到的值，构造各模态分量u

步骤2.14：Hilbert幅值谱由解析信号的实部构成，对该幅值谱进行时间上的积分即可得到希尔伯特边际谱：

步骤2.15：希尔伯特边际谱能够整合各模态分量不同频率尺度上的幅值分布，最终通过边际谱来判定高低频分界点，接着将高、低频各模态分量重构，分别利用HESS、IDR以及市电进行平抑：P

所述的步骤2.2中的混合储能系统功率分配具体为：为确定HESS中各设备的额定功率、额定容量以及IDR中直控、非直控负荷功率大小，设置出力比例分别系数α、β，且满足α+β＝1，则各设备额定功率如下式所示：

所述的步骤2.3中的混合储能系统容量分配具体为：根据超级电容与磷酸铁锂电池的实际充放电情况，进行时间周期T内的积分(T取为2h)，得到二者在该周期内的累积容量：

所述的步骤2.4中的混合储能系统安装位置具体为：传统配电网低压侧储能有两种位置配置方式，即分散布置和集中布置；分散布置是在分布式光伏附近，根据用户屋顶光伏的安装位置就地配置储能；集中布置则是将储能设备配置在公共连接点处，根据分布式光伏总量配置适当的容量；分散布置在用户侧的储能设备具有接入位置灵活、对接入地点的位置、环境自然条件限制较少的优势，但是由于分散布置靠近用户侧，可控性相对较弱，运维难度更大；集中布置的储能具有聚合效果好的优势，但是相应的线路损耗也会较大；综合考虑上述两种布置方式，以及分布式光伏实际运行中的控制方式、运维难度、经济效益方面的特点，对呈现辐射状形式的低压配电网采用储能系统分散布置的方式。

所述的步骤3中的考虑激励型需求侧响应的混合储能系统优化配置模型具体为：伴随着屋顶光伏政策的推进，越来越多的分布式光伏就近接入低压配电网，其出力的随机性、波动性加剧了净负荷曲线的波动性，严重影响低压电网的正常运行；为平抑净负荷曲线的波动，构建考虑激励型需求侧响应的混合储能系统优化配置模型；由于需求响应资源在系统的用户侧天然存在，对其利用仅在运行层面考虑，而在规划层面无法通过增加投资以增加系统中的需求响应资源可用量；激励型需求响应资源类型方面考虑可中断负荷，具体包括以下步骤：

步骤3.1：目标函数；

步骤3.2：约束条件；

步骤3.3：改进鲸鱼算法。

所述的步骤3.1中的目标函数具体为：目标函数为系统总费用和有功功率波动值最小，决策变量为超级电容、磷酸铁锂电池的功率和容量以及参与需求侧响应的直控型负荷和非直控型负荷的实际响应有功功率大小；目标函数计算公式为：minF＝λ

所述的步骤3.2中的约束条件具体为：除了最基本的潮流约束外，还需要满足分布式光伏并网约束、混合储能充放电约束、混合储能SOC约束、功率平衡约束、需求侧响应能力约束以及与上级联络点功率约束；其中①分布式光伏并网约束为：结合我国《Q/GDW 1480-2015分布式电源接入电网技术规定》中对不同时间尺度可再生能源并网波动的限制，对于任意时段t，分布式光伏波动性约束为：短时间尺度(1min)高频波动下：

所述的步骤3.3中的改进鲸鱼算法具体包括以下步骤：

步骤3.31：输入光伏、负荷时序出力曲线参数以及与算法相关的参数；

步骤3.32：结合立方混沌映射方法生成初始鲸鱼种群，同时计算目标函数值；

步骤3.33：对算法中的每个鲸鱼个体的位置，即超级电容、磷酸铁锂电池的功率和容量以及参与需求侧响应的直控型负荷和非直控型负荷的实际响应量大小进行快速非支配的排序；

步骤3.34：每个鲸鱼个体位置通过包围搜索、气泡攻击、随机变异三个步骤进行寻优并更新鲸鱼个体的位置；

步骤3.35：判断是否达到最大的迭代终止次数，若未达到，则返回步骤3.32；若达到，则输出最终优化方案。

在本实施例中，本发明采用改进的鲸鱼优化算法对所建立的考虑激励型需求侧响应的混合储能系统优化配置模型进行求解；鲸鱼优化算法同粒子群算法一样，也是模拟动物行为的群体智能优化算法之一，该算法通过模拟鲸鱼捕猎过程中采用螺旋方式的攻击模式，找到最佳搜索结果，优势在于寻优机制简单、寻优能力强、需要考虑的参数较少；但迭代效率往往受到初始种群随机性的影响，因而采用改进鲸鱼优化算法，通过立方混沌映射方法在搜索空间内生成动态、均匀的初始种群；本发明建立的目标函数的决策变量为超级电容、磷酸铁锂电池的功率和容量以及参与需求侧响应的直控型负荷和非直控型负荷的实际响应有功功率大小，对应为鲸鱼群的位置空间；鲸鱼种群的位置初始化对应混合储能系统的功率配置情况以及需求侧响应的功率的初始化；初始化后通过包围搜索、气泡攻击、随机变异三个步骤不断更新位置进行寻优，最终鲸鱼群得到的最佳位置即为该方案的最优配置结果；改进鲸鱼算法的求解流程图如图3所示。

本发明为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，在使用中，本发明考虑不同时间尺度下的储能设备和激励型需求侧响应资源的特点，首先运用改进的VMD算法对系统净负荷曲线进行分解、再组合重构，高频部分波动采用超级电容和直控负荷进行平抑，低频部分采用市电、磷酸铁锂电池和非直控负荷进行平抑；然后建立考虑激励型需求侧响应的混合储能系统优化配置模型，并采用改进的鲸鱼优化算法对优化配置模型进行求解；最后通过我国北方某地实际低压配电网台区进行算例验证，结果表明本发明所提模型具有以下优势：①运用灰狼算法改进VMD算法后的求解速度和计算精度均优于遗传算法改进的VMD算法，说明所提方法具有一定的优势；②所提方案相比于仅配置混合储能系统而没有需求侧响应资源参与的方案总费用节省22.2％，有功功率波动值减小28.4％，即需求侧响应资源的参与有效减少混合储能系统的容量和功率配置，荷和储两方面灵活性资源的协同作用使系统获得经济性最优，适用于未来分布式光伏和负荷大规模接入的情况；③采用自适应VMD算法的混合储能配置方案总成本分别较配置单一超级电容储能方案和单一磷酸铁锂电池储能方案减少19.2％和3.8％。超级电容器的快速响应和高功率密度的运行特性改善了磷酸铁锂电池储能系统的运行环境，减少了磷酸铁锂电池承担的高频功率分量，降低了其更换的次数，达到延缓设备投资的目的；本发明具有充分利用资源互补特性、最大限度发挥灵活性资源调节能力、对净负荷曲线波动平抑效果好、求解速度快、计算精度高的优点。

实施例2

如图1-9所示，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，方法包括以下步骤：

步骤1：考虑激励型需求侧响应的光储系统；

步骤2：考虑激励型需求侧响应的混合储能系统配置策略；

步骤3：考虑激励型需求侧响应的混合储能系统优化配置模型；

步骤4：示范例应用分析。

在本实施例中，示范例应用分析具体为：①示范例概述：以我国北方某地低压台区配电网为例进行算例分析，拓扑图如图4所示；其中共有1个变压器节点和18个负荷节点，其大小如附表1所示，总负荷为267.22kW，台区中各节点之间支路参数如附表2所示；配电变压器额定容量为500kVA；台区合格电压范围为额定电压+7％-－7％；由于只考虑需求侧响应资源和混合储能系统对净负荷曲线波动的影响，因此光伏容量不参与优化，每个负荷节点处都安装8kW的屋顶分布式光伏，并假设每个节点光伏出力相同；负荷及光伏出力曲线如附图9所示；混合储能系统基本参数如附表3所示，安装位置在1-18节点，且低压台区中仅安装2个储能系统，具体安装位置将随不同方案进行配置；电价为该地区分时电价如附表4所示；贴现率取10％，DCL和NDCL最大响应能力分别为12kW和8kW，参与需求侧响应的负荷占总负荷的5％。设置最大分解模态数为2；

②结果分析：1)改进的VMD算法分解结果：运用所提的改进的VMD算法对净负荷曲线进行分解，最优分解模态数为8，从而得到8条子信号序列IMF1-IMF8，如图5所示；IMF1-4为频率波动较低的子信号，再组合重构为P

此外，为验证本发明改进VMD算法中运用灰狼算法的优势，将遗传算法和灰狼算法对VMD的模态分解参数进行对比，迭代过程如图7所示；从图7可以看出，灰狼算法经过8次迭代就收敛到最小的适应度函数值，而遗传算法经过了18次迭代，对比结果表明灰狼算法能更快速地找到最优解，其求解速度和计算精度均优于遗传算法；是因为灰狼算法的局部搜索和全局搜索同时进行，更容易跳出局部最优，灰狼算法基于灰狼的捕食行为启发，具有更好的信息共享和传递性，从而显著提高了全局搜索能力；

2)混合储能与需求侧响应配置方案分析：为验证本发明所提策略的有效性，提出以下三种方案进行储能容量配置结果的分析比较，配置结果如表1所示；

方案1：不考虑需求侧响应，仅考虑安装储能设备平抑净负荷曲线的波动；

方案2：不考虑储能设备的影响，仅通过需求侧响应平抑净负荷曲线的波动；

方案3：本发明方法，综合考虑需求侧响应和储能设备的联合配置；

表1混合储能与需求侧响应配置三种方案结果对比表

从表1可以看出，本发明所提方案系统总成本最小且使得平抑后系统有功功率波动最小；将方案1和方案3对比可知，方案3(本发明方法)相比于方案1总费用节省22.2％，有功功率波动值减小28.4％，需求侧响应资源的参与有效减少混合储能系统的容量和功率配置，即荷和储两方面灵活性资源的协同作用使系统获得经济性最优，适用于未来分布式光伏大规模接入的情况；方案2虽然经济性最优，但由于用户侧参与需求响应的主观性较强，不确定性成为影响分布式光伏波动平抑效果的关键因素，仍需完善需求侧响应的市场机制；

3)混合储能与单一储能配置方案分析：为探究所提考虑激励型需求侧响应的混合储能配置方案较考虑激励型需求侧响应单一储能方案的优越性，提出以下三种方案进行储能容量配置结果的分析比较；

方案4：考虑激励型需求侧响应影响的同时，储能设备仅配置超级电容；

方案5：考虑激励型需求侧响应影响的同时，储能设备仅配置磷酸铁锂电池；

方案6：本发明所提方案；

三种方案储能设备配置情况如表2所示。有功功率波动值对比如图8所示；

表2混合储能与单一储能配置三种方案储能设备配置情况

从图8可以看出方案6即本发明所提混合储能方案明显降低了系统有功功率波动值，且较方案4、方案5单独配置储能的方案也有大幅度改善；对比方案4、5、6中混合储能配置方案和单一储能配置方案，由表2可见：采用自适应VMD算法的混合储能配置方案(方案6)总成本分别较单一储能方案(方案4和方案5)减少19.2％和3.8％；这是因为，采用单一储能设备的系统为了平抑净负荷曲线的波动，需要承担所有的功率波动，加重了单一储能设备的充放电次数和放电深度，从而增加了设备使用寿命的损耗，提高了储能设备更换的成本；而在采用自适应VMD算法的混合储能容量配置中，超级电容器的快速响应和高功率密度的运行特性改善了磷酸铁锂电池储能系统的运行环境，减少了磷酸铁锂电池承担的高频功率分量，降低了其更换的次数，提高了其运行年限，虽然配置超级电容器会增加储能系统的投资经济成本，但其投资经济成本远小于磷酸铁锂电池储能因更换次数频繁而增加的设备更新成本；

附录

附表1节点功率大小

附表2支路阻抗参数

附表3储能系统相关参数

附表4购电电价及激励型需求响应补偿电价

本发明为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，在使用中，本发明考虑不同时间尺度下的储能设备和激励型需求侧响应资源的特点，首先运用改进的VMD算法对系统净负荷曲线进行分解、再组合重构，高频部分波动采用超级电容和直控负荷进行平抑，低频部分采用市电、磷酸铁锂电池和非直控负荷进行平抑；然后建立考虑激励型需求侧响应的混合储能系统优化配置模型，并采用改进的鲸鱼优化算法对优化配置模型进行求解；最后通过我国北方某地实际低压配电网台区进行算例验证，结果表明本发明所提模型具有以下优势：①运用灰狼算法改进VMD算法后的求解速度和计算精度均优于遗传算法改进的VMD算法，说明所提方法具有一定的优势；②所提方案相比于仅配置混合储能系统而没有需求侧响应资源参与的方案总费用节省22.2％，有功功率波动值减小28.4％，即需求侧响应资源的参与有效减少混合储能系统的容量和功率配置，荷和储两方面灵活性资源的协同作用使系统获得经济性最优，适用于未来分布式光伏和负荷大规模接入的情况；③采用自适应VMD算法的混合储能配置方案总成本分别较配置单一超级电容储能方案和单一磷酸铁锂电池储能方案减少19.2％和3.8％。超级电容器的快速响应和高功率密度的运行特性改善了磷酸铁锂电池储能系统的运行环境，减少了磷酸铁锂电池承担的高频功率分量，降低了其更换的次数，达到延缓设备投资的目的；本发明具有充分利用资源互补特性、最大限度发挥灵活性资源调节能力、对净负荷曲线波动平抑效果好、求解速度快、计算精度高的优点。