一种基于多主体投资的双储能系统分层优化配置方法

技术领域

本发明涉及双储能系统优化领域，特别涉及基于多主体投资的双储能系统分层优化配置方法。

背景技术

近年来，储能在电力系统的发电环节得到了广泛应用，风电场中的储能主要起调峰调频、平抑风功率波动、消纳弃风、补偿风电预测误差等作用。储能的灵活调节能力可有效平衡风电出力的随机性、间歇性和反调峰特性，从而促进风电消纳。在风储系统的相关研究中，储能的优化配置以及如何降低储能成本等问题是当下研究的热点。

针对储能的优化配置问题，徐国栋,程浩忠,方斯顿,等.用于提高风电场运行效益的电池储能配置优化模型[J].电力系统自动化,2016,40(5):62-70.；程鑫,许亮,周姝灿,等.基于新能源出力保证率轨迹灵敏度分析的储能配置方法[J].电力系统自动化,2020,44(13):25-31.桑丙玉,王德顺,杨波,等.平滑新能源输出波动的储能优化配置方法[J].中国电机工程学报,2014,34(22):3700-3706.

分析了传统单投资主体下储能优化配置方法，其中，部分考虑网架结构提出一种以风储联合运行效益最大为目标的配置方法；也有的基于模型预测控制提出在不同平抑策略下的发电侧储能配置方案；或者考虑储能充放电的损耗，利用频谱分析和低通滤波来求解风储最优配置结果。但上述文献中单一投资主体将承担巨大的储能配置成本，不利于其经济性。

为提高投资主体的经济收益，有现有技术对储能运行策略进行优化，其中，有采用了考虑循环寿命的双储能运行策略，结果表明所提策略可提升储能经济性，但该策略只是在配置单一储能后，人为增加一个规模相等的储能，并没有对两组储能进行统一优化；也有利用分级控制实现了对双退役电池组充放功能的动态切换，从而提升经济性，但退役电池再利用的安全性有待进一步考证。或者对项目投资模式做了研究，表明多主体投资电力项目可将成本有效地分散到各个投资方，提升项目经济性。其中，由现有技术基于演化博弈提出一种配电网与微电网运营商联合投资的微电网规划方法；有的提出了一种基于改进非支配排序遗传算法的综合能源多主体投资利益均衡优化调度方法；也有的提出一种基于成本效益分析和非支配排序遗传算法求解的多主体投资虚拟电厂容量配置模型。但目前关于多主体投资的研究主要集中于对微电网、综合能源系统、虚拟电厂的规划问题上，较少有文献研究储能规划问题。

针对以上问题，本申请首先采用“交替工作、同步切换”方式的双储能运行策略以减小储能频繁切换带来的寿命损耗。然后，提出储能分层优化经济性模型，以实现投资主体利益均衡及最大化和保持储能较强的充放电能力。进一步地，采用单、多目标黏菌算法和模糊隶属度函数对分层模型进行求解得到双储能的最佳配置结果。最后，利用实际数据对本发明方案进行验证，并对钠硫电池(sodium sulful battery，NAS)、全钒液流电池(vanadium redox battery，VRB)、多硫化物/溴液流电池(polysulfide bromine battery，PSB)、铅酸电池(value-regulated lead-acid battery，VRLA)、磷酸铁锂电池(lithiumiron phosphatebattery，LFP)的运行效果进行对比分析。

发明内容

为解决上述现有技术存在的问题，本发明的目的在于提供基于多主体投资的双储能系统分层优化配置方法。

为达到上述目的，本发明的技术方案为：

基于多主体投资的双储能系统分层优化配置方法

将两个容量相等、功率相等的储能A、B组合，具体步骤如下：

1)两组储能采用“交替工作”方式，分别承担充电和放电工作，且同一时段内只有一组储能工作；当一组储能处于充电或放电状态时，另一组储能处于浮充待放电状态或浮充待充电状态；将浮充待充电状态和浮充待放电状态分别归结为充、放电状态；

2)两组储能采用“同步切换”方式，当达到切换条件时，两组储能在运行时段交界处同步切换；

切换策略为：

根据t时段末储能A、B的荷电状态和t+1时段的风电出力及负荷大小，确定t时段末双储能系统充放电状态的切换情况，假定在t时段储能A处于充电状态、储能B处于放电状态，储能A在t时段末的荷电状态值为

(1)当t+1时段的风电出力大于负荷大小时，t+1时段需要储能系统充电：

方案1：当

方案2：当S

方案3：当S

(2)当t+1时段的风电出力小于负荷大小时，t+1时段需要储能系统放电：

方案4：当S

方案5：当S

方案6：当S

3)重复过程2)，直至仿真结束。

进一步的，储能充放电能力指标和多投资主体收益建立储能分层优化模型，上层优化模型负责分配双方主体对储能的投资运维成本和收益，达到双方主体利益最大化；下层优化模型负责优化储能充放电能力，使双储能保持较强的充放电能力；

其中，上层目标函数为

在规划储能电站时，双方主体目标为配置储能后各自年总收益最大，即：

式中：F

1)计及寿命损耗的年投资成本

储能投资建设成本包括硬件和软件成本，硬件成本指配备一定容量储能的成本，软件成本指配置功率转换系统(power conversion system，PCS)、电池管理系统(batterymanagement system，BMS)等设备的成本；该成本函数如下：

C

式中：C

双储能的循环寿命受到工作温度、充放电切换次数、放电深度等因素的影响，储能的运行会造成其性能的缓慢衰退、产生循环寿命损耗；为准确计算双储能使用年限τ

τ

式中：T

2)年运行维护成本

储能系统运行维护成本主要与储能电池规模大小有关，包含由功率转换子系统决定的固定部分和储能充放电电量决定的可变部分，该成本函数如下：

式中：C

3)年弃风上网收益

建设储能系统后，可将弃风电量储存，在负荷高峰时并入电网，获得弃风上网收益，该收益函数如下：

式中：W

4)年风电补贴收益

根据《关于完善风电上网电价政策的通知》可知，若风电场满足政策要求，新增上网电量将得到补贴收入

式中：C

5)年环境收益

储能的环境效益主要包括两部分，一部分是将部分弃风电量上网从而减少传统火电机组并网电量，实现温室气体、污染物(主要包括CO

F

式中：F

6)年储能补贴收益

对于“新能源+储能”项目中自发自储设施所发售的省内电网电量，青海省给予每千瓦时0.10元运营补贴，不同地区的政策也不尽相同，

若有相关补贴政策，储能将得到补贴收入，该收益函数如下：

式中：C

7)电网年绿证交易收益

可交易绿色证书制度(tradable green certificates，TGC)是较为常见的一种配额制度，电网公司的证书数量代表其对配额制要求完成的情况；若电网公司无法满足配额制要求，则会受到相关部门的惩罚，所以电网公司会从电源侧购买可再生能源电能来获得证书或者从市场侧通过购买其他电网公司的冗余证书来满足配额要求；

弃风上网电量是新增接入电网的可再生能源电量，可利用绿色证书交易制度将其转换为电网运营商的收入，该收益函数如下：

式中：C

8)电网年售电收益

电网运营商将储能消纳的电能经输电网传输售卖给用户，可获得相应的售电收入，该收益函数如下：

式中：C

综上所述，可知风电场运营商年收益f

f

f

下层目标函数为：

在参与弃风消纳时，应尽量将两个储能的荷电状态维持在理想区间内，以保证足够的充放容量储备；利用电池充放能力指标f

minf

式中：f

进一步的，本发明中约束条件为：

储能约束包括储能荷电状态约束、充放电功率约束、功率平衡约束，储能A与储能B的约束一致，此处仅述储能A的约束条件；

1)储能A充放电功率约束

假定储能电池在t时段内充放电功率恒定，则其充放电功率不仅与额定功率、弃风功率有关，而且与储能电池剩余充放电容量有关；

式中：P

2)储能A荷电状态约束

S

0≤L

S

式中：S

3)系统功率平衡约束

并网功率为风电输出功率与储能电站放电功率之和，系统功率平衡约束如下式所示：

式中：P

进一步的，选取经典投资评价指标投资回收期和投资收益率对双储能的经济效益进行科学评价；

1)投资回收期

投资回收期是从时间角度衡量项目投资风险程度的重要指标，本发明选用投资回收期作为评价指标，计算公式如下：

式中：M

2)投资收益率

投资收益率是衡量投资项目盈利水平的一个经济指标，可用系统全生命周期内的年均总收益与总投资运营成本的比值来表示，计算公式如下：

式中：M

进一步的，上层优化模型的目标函数和下层优化模型的目标函数的量纲不同，根据模糊集理论来确定各组配置结果中各目标的满意度，可用模糊隶属度函数表示：

式中：f

式中：h为各组配置结果的标准化满意度，最后选取标准满意度最大的配置结果作为最优配置结果。

相对于现有技术，本发明的有益效果为：

本发明基于多主体投资的双储能系统分层优化配置方法1)从机理建模方面：双储能模式是从理论机理上进行探索的，两个容量、功率大小相等的电池组组合形成双储能系统，使用“交替工作、同步切换”的工作模式，根据能量管理系统的指令实时动作，完成弃风消纳任务。而单一储能系统则不考虑充放电切换策略，直接根据能量管理系统的指令直接进行充放电工作；

2)从工作效率方面：当电池t时段需要充电、t+1时段需要放电时，储能需要迅速响应，而单一储能相对于双储能电池来讲，需要切换充放电状态，响应时间相对较长，而双储能系统中某一组电池处于浮充待放电状态，可迅速放电满足电网需求。同时，单一储能所需要完成的消纳任务可由双储能系统来完成，两个储能可提升系统工作效率；

3)从潜在风险方面：当单一储能系统发生故障时，会影响到系统消纳弃风的效果，风险性较高，使用双储能系统可以使潜在风险降低，当其中一个电池组发生故障时，另一组电池则全部承担起充放电工作，提升系统运行的安全性；

4)从系统寿命方面：在单储能系统与双储能系统的容量总量一致、功率一致时，仿真分析表明双储能系统具有较长的服役年限；

5)从经济性方面：在考虑储能寿命损耗的成本模型基础上，双储能系统相比于单一储能将有较长的服役年限并且可以消纳更多的弃风电量，双储能系统相比于单一储能系统可为运营商带来更多的收益，具有较好的经济性。

附图说明

图1为经济优化配置的分层优化方案结构图；

图2不同电池不同情景下的经济性指标值；

图3储能成本的减小对系统的影响图，其中：图3(a)最优配置结果图；图3(b)经济性影响图；

图4电池SOC理想区间的增大对系统的影响；其中图4A最优配置结果；图4B经济性影响

图5不同投资占比对系统的影响，其中图5A最优配置结果；图5B经济性影响；

图6为双储能系统充放电系统图：图6A双储能充放电状态切换策略流程图；图6B双储能系统充放电切换示意图；

图7哈密某片区年典型日负荷、风电数据及分时电价图；

图8磷酸铁锂储能电池充放电功率变化图；

图9五种电池参数雷达对比图。

具体实施方式

下面结合附图和具体实施方式对本发明技术方案做进一步详细描述：

如图1所示，本发明将两个容量相等、功率相等的储能A、B组合，提出一种双储能运行策略。具体策略如下：

1)两组储能采用“交替工作”方式，分别承担充电和放电工作，且同一时段内只有一组储能工作。当一组储能处于充电或放电状态时，另一组储能处于浮充待放电状态或浮充待充电状态。为简化分析，将浮充待充电状态和浮充待放电状态分别归结为充、放电状态。

2)两组储能采用“同步切换”方式，当达到切换条件时，两组储能在运行时段交界处同步切换。

3)重复过程2)，直至仿真结束。

2多主体投资风储系统分层优化配置模型

如何合理配置储能容量和功率、提高系统消纳弃风的能力和运营商收益是规划储能的重点，相较于单主体投资模式，多主体投资模式具有更多的投资运营商，可对项目投资成本进行有效分摊。本章建立多主体投资模式下的储能优化配置模型。

2.1优化模型整体框架

综合考虑储能充放电能力指标和多投资主体收益建立储能分层优化模型，上层优化模型负责分配双方主体对储能的投资运维成本和收益，达到双方主体利益最大化；下层优化模型负责优化储能充放电能力，使双储能保持较强的充放电能力，分层优化方案结构如图1所示。

上层目标函数

在规划储能电站时，双方主体目标为配置储能后各自年总收益最大，即：

式中：F

1)计及寿命损耗的年投资成本

储能投资建设成本包括硬件和软件成本，硬件成本指配备一定容量储能的成本，软件成本指配置功率转换系统(power conversion system，PCS)、电池管理系统(batterymanagement system，BMS)等设备的成本。该成本函数如下：

C

式中：C

双储能的循环寿命受到工作温度、充放电切换次数、放电深度等因素的影响，储能的运行会造成其性能的缓慢衰退、产生循环寿命损耗。为准确计算双储能使用年限τ

τ

/>

式中：T

2)年运行维护成本

储能系统运行维护成本主要与储能电池规模大小有关，包含由功率转换子系统决定的固定部分和储能充放电电量决定的可变部分，该成本函数如下：

式中：C

3)年弃风上网收益

建设储能系统后，可将弃风电量储存，在负荷高峰时并入电网，获得弃风上网收益，该收益函数如下：

式中：W

4)年风电补贴收益

根据《关于完善风电上网电价政策的通知》可知，若风电场满足政策要求，新增上网电量将得到补贴收入

式中：C

5)年环境收益

储能的环境效益主要包括两部分，一部分是将部分弃风电量上网从而减少传统火电机组并网电量，实现温室气体、污染物(主要包括CO

F

式中：F

6)年储能补贴收益

对于“新能源+储能”项目中自发自储设施所发售的省内电网电量，青海省给予每千瓦时0.10元运营补贴，不同地区的政策也不尽相同，

若有相关补贴政策，储能将得到补贴收入，该收益函数如下：

式中：C

7)电网年绿证交易收益

可交易绿色证书制度(tradable green certificates，TGC)是较为常见的一种配额制度，电网公司的证书数量代表其对配额制要求完成的情况。若电网公司无法满足配额制要求，则会受到相关部门的惩罚，所以电网公司会从电源侧购买可再生能源电能来获得证书或者从市场侧通过购买其他电网公司的冗余证书来满足配额要求。

弃风上网电量是新增接入电网的可再生能源电量，可利用绿色证书交易制度将其转换为电网运营商的收入，该收益函数如下：

式中：C

8)电网年售电收益

电网运营商将储能消纳的电能经输电网传输售卖给用户，可获得相应的售电收入，该收益函数如下：

式中：C

综上所述，可知风电场运营商年收益f

f

f

2.2下层目标函数

在参与弃风消纳时，应尽量将两个储能的荷电状态(state of charge，SOC)维持在理想区间内，以保证足够的充放容量储备。利用电池充放能力指标f

minf

式中：f

2.3约束条件

储能约束包括储能荷电状态约束、充放电功率约束、功率平衡约束，储能A与储能B的约束一致，此处仅述储能A的约束条件。

1)储能A充放电功率约束

假定储能电池在t时段内充放电功率恒定，则其充放电功率不仅与额定功率、弃风功率有关，而且与储能电池剩余充放电容量有关。

式中：P

2)储能A荷电状态约束

S

0≤L

S

式中：S

3)系统功率平衡约束

并网功率为风电输出功率与储能电站放电功率之和，系统功率平衡约束如下式所示：

式中：P

3双储能系统多主体投资经济性评估指标

选取经典投资评价指标投资回收期和投资收益率对双储能的经济效益进行科学评价。

1)投资回收期

投资回收期是从时间角度衡量项目投资风险程度的重要指标，本发明选用投资回收期作为评价指标，计算公式如下：

式中：M

2)投资收益率

投资收益率是衡量投资项目盈利水平的一个经济指标，可用系统全生命周期内的年均总收益与总投资运营成本的比值来表示，计算公式如下：

式中：M

4模型求解

智能算法对数学模型要求较低、应用方便，在电力系统优化问题上已有较成熟的应用。本发明的配置模型是非线性、多约束的混合整数优化问题，可采用改进多目标黏菌算法对其进行求解，得到多组配置结果后利用模糊隶属度理论求得最优折中解。

4.1多目标黏菌算法

黏菌算法(slime mould algorithm，SMA)通过使用权值来模拟觅食过程中的正负反馈，并根据食物的品质来调整黏菌的搜索路径。M.Premkuma等学者在此基础上，提出了多目标黏菌算法(multi-objective slime mould algorithm，MOSMA)，并证明了算法的有效性。

4.2基于广义反向学习的多目标黏菌算法

本发明将广义反向策略应用到多目标黏菌算法的初始化阶段。假设

4.3确定最优配置结果

上层优化模型的目标函数和下层优化模型的目标函数的量纲不同，本发明根据模糊集理论来确定各组配置结果中各目标的满意度，可用模糊隶属度函数表示：

式中：f

式中：h为各组配置结果的标准化满意度，最后选取标准满意度最大的配置结果作为最优配置结果。

5算例分析

5.1算例参数

为测试改进算法在电力系统多目标求解问题中的求解性能，将改进多目标黏菌算法(opposition-based learning in multi-objective slime mould algorithm，OLMSMA)与四种经典的多目标智能算法进行对比。选取经典双目标ZDT1-6系列函数作为测试函数。

选取新疆哈密地区某200MW风电场数据、负荷数据、分时电价数据建立算例系统，算例参数设置见表4。利用K-means聚类算法求取春、夏、秋、冬四个季节典型日的风电数据和负荷数据，并求取其加权平均值得到一年内某典型日的风电数据和负荷数据，见图7。运用本发明所提方案，对五种不同蓄电池进行配置，电池参数见表5、C3。

5.2优化配置结果

划分四种场景对储能电池容量进行分层优化配置，四种场景分别为：

情景1：单主体投资单储能；

情景2：单主体投资双储能；

情景3：多主体投资单储能；

情景4：多主体投资双储能。

五种电池优化配置结果见表7，分别对比情景1与情景3、情景2与情景4，可知多主体投资情景下的储能容量和功率较大。假设储能充电为正、放电为负，以磷酸铁锂电池配置结果为例，绘制多主体投资情景2、4中储能A和B充放电功率随时间变化情况，见图8。由图8可以看出储能A、B处于“交替工作、同步切换”模式。

5.3最优储能配置效果对比分析

五种电池在四种不同投资情景下最优储能配置的具体运行效果对比如表1所示。

表1最优储能配置效果对比

分别对比情景1与情景2、情景3与情景4可知，双储能可给投资商带来较高收益，同时可消纳更多弃风，说明双储能切换策略带来的增效益可以弥补大容量大功率的增成本。分别对比情景1与情景3、情景2与情景4可知，多主体投资相较于单主体，在为风电场运营商带来较大收益、提升系统弃风消纳能力的同时，可以为电网运营商带来效益，实现多投资主体的互利共赢。

电池参数雷达对比图见图9，对情景4中五种电池配置效果进行分析，LFP为双方运营商带来的收益高达753.73万元和427.45万元、双储能充放电指标低至0.005、消纳弃风电量高达14019MWh，是较理想的储能类型。而目前推广较为顺利的是VRLA，主要原因在于它技术成熟度高，但VRLA存在着循环寿命短、回收价值小的缺点，使得VRLA给运营商带来的收益较低。相比之下，LFP能量转换效率高、循环寿命较长，但其高昂的投资成本阻碍了它的推广与应用。与其他储能电池相比，NAS、PSB和VRB的经济优势适中，有望在电力系统中大量应用。

5.4经济性分析

运营商的投资回收期和投资收益率如图2所示。

投资回收期越短，投资风险就越小，对项目投资者越有利。对图2进行分析，PSB的投资风险较小，LFP和VRB的投资风险较大，但不同情景下、不同电池的投资回收期均在15年或10年的设计使用年限内，因此均具备经济性。

投资回报率越大，说明投资项目的盈利水平越好。图中VRLA的投资收益率较大，VRB和LFP的投资收益率较小，VRLA的投资收益率最大是目前仍然广泛使用的原因之一，而LFP、VRB的寿命特性相对VRLA更有优势，但高昂的成本导致投资收益率较小。

在多主体投资模式下，不同的投资占比和不同的SOC理想区间会对储能最优配置结果产生影响，为此，下文将以多主体投资LFP为例进一步分析储能电池成本、电池SOC理想区间、运营商投资占比对双储能系统的影响。

5.4.1电池成本变化的影响分析

随着储能技术的发展，储能单位成本也会降低，不同储能成本下的最优配置结果如图3(a)所示。图中，储能成本按照10％递减，容量起初有明显增长趋势、随后涨势趋于平缓。这是因为当储能容量足够大时，选取合适的功率便可以消纳掉较多弃风，继续增大容量只会增加成本。当成本降低70％时，储能的容量比现在大约增长9.95MWh、功率比现在大约增长2.96MW。

对图3(b)中经济性的影响分析可知，储能容量功率的增大可增加弃风消纳量，其所带来的增收益可以弥补大容量大功率带来的增成本。但是，随着成本的不断减小，投资回收期均呈现降低的趋势，而投资收益率大幅度增加，这说明较低的储能成本会减小项目投资方的投资风险、增加项目投资方的盈利水平。

5.4.2电池SOC理想区间的影响分析

以[0.45，0.55]为基准，电池SOC理想区间的左、右边界分别按0.025间隔递减、递增，图4A给出了不同理想区间下的最优配置结果。分析可知，当区间变大后，容量和功率大小首先呈现减小的趋势，这是因为小容量电池在运行周期结束时也能得到较优的充放电能力指标，较大的SOC理想区间弱化了充放电能力指标对配置大容量电池的影响。但随着区间的继续增大，容量和功率出现增长趋势，这是因为较小的容量功率所带来的潜在成本效益已无法弥补其消纳弃风减少量带来的损失。

由图4B的经济性影响可知，区间的大小对系统年收益影响较小，对弃风消纳量的影响较大。双方运营商的投资回收期和投资收益率均呈现先减小后增大的趋势，但变化不明显，说明电池SOC理想区间的大小对项目的投资风险和盈利水平的影响较小。

5.4.3运营商投资占比变化的影响分析

风电场和电网运营商之间存在经济性博弈，不同的投资占比也会对系统的经济性带来影响。因此图5给出了储能最优配置结果和不同投资占比对系统的经济性影响。当投资占比在0.6至0.65之间时，双方运营商的投资收益率相等且双方运营商的投资回收期相差不大，说明风电场运营商储能投资占比取0.6至0.65之间的值时，可以更好的平衡双方主体的收益。

本发明在能源战略目标的背景下，为提升新能源利用率和系统经济性，在双储能协调运行策略基础上，构建基于多主体投资的双储能系统分层优化配置方案，考虑两大投资主体的利益冲突，将复杂博弈问题转换成多目标求解问题，并通过实验验证，得出以下结论：

1)构建了兼顾投资主体收益和电池充放电能力的多主体投资风储的双层优化模型，提升了电池充放电能力和系统经济效益。

2)提出了双储能系统运行策略，使得双储能系统在完成相同消纳任务的基础上，减少了双储能系统中单组储能的充放电切换次数，延长了双储能系统的使用寿命。

本发明接下来的研究工作将会增加储能应用场景，进一步完善双储能系统运行策略和多主体投资储能经济性模型，将其运用至配网侧、用户侧的储能配置问题中。

本发明根据t时段末储能A、B的荷电状态和t+1时段的风电出力及负荷大小，确定t时段末双储能系统充放电状态的切换情况，假定在t时段储能A处于充电状态、储能B处于放电状态，储能A在t时段末的荷电状态值为

(1)当t+1时段的风电出力大于负荷大小时，t+1时段需要储能系统充电：

方案1：当

方案2：当S

方案3：当S

(2)当t+1时段的风电出力小于负荷大小时，t+1时段需要储能系统放电：

方案4：当S

方案5：当S

方案6：当S

双储能充放电状态切换策略流程图如图6A所示，双储能充放电状态切换示意图如图6B所示。

所选经典多目标算法分别为非支配排序遗传算法(non-dominated sortedgenetic algorithm-II，NSGA-II)、多目标粒子群算法(multi-objective particle swarmoptimization，MOPSO)、多目标分解进化算法(multi-objective evolutionary algorithmbased on decomposition，MOEA/D)、多目标黏菌算法，仿真计算均在CPU为英特尔Core i7-7500、主频为2.7GHz、内存8GB的计算机中MATLAB R2015b软件中完成。选取经典双目标ZDT1-6系列函数作为测试函数，选取代际距离(generational distance，GD)、spacing和反世代距离评价指标(inverted generational distance，IGD)作为多目标算法的评价指标。代际距离表示帕累托最优解与真实解之间的接近度，其值越小，说明寻优结果更接近最优解，算法的收敛性越好；spacing指标表示每个非劣解到其他解的最小距离的标准差，其值越小，说明非劣解集越均匀；反世代距离表示每个参考点到最近的解的距离的平均值，其值越小，说明算法综合性能包括收敛性和多样性越好。

为了避免测试结果的随机性，将每个算法运行30次并计算出30次结果的中位数和四分位差进行对比，统计结果见表2。从表3可以看出，在双目标优化测试结果中，OLMSMA得到的GD值、spa值和IGD值相对较小，尤其是GD值和IGD值比三种经典算法小了1-2个数量级，说明所提算法在求解双目标优化问题时具有较好的多样性和收敛性，所得非劣解集较为均匀。对比OLMSMA和MOSMA各参数结果可知，OLMSMA的四种参数值均小于MOSMA，说明加入广义反向学习策略的算法进一步提升了算法求解问题的性能，所提方法在解决双目标优化问题中具有一定的有效性。

表2算法主要参数设置

表3算法测试结果对比

将改进的多目标黏菌算法带入算例仿真中，具体仿真步骤为：

1)输入算例模型仿真参数，设置算法参数，如种群大小、循环终止条件、最大迭代次数；

2)对储能容量、PCS额定功率进行实数编码，由于双储能的容量和功率相等，则编码染色体长度为2，第i条染色体如式(B1)所示，并形成初代种群x，利用式(36)求出相应黏菌个体的反向解；

3)对比初始种群个体与其对应反向种群个体的适应度值，根据式(B2)选取N个适应度值较优个体作为整个求解过程的初始化种群，并令迭代次数t为1；

4)对黏菌初始种群个体的位置进行更新，利用式(1)和式(2)计算更新后种群N个个体的适应度值；

5)确定种群中的非支配解，并将其存档，删除档案中支配解。计算档案中所有个体的拥挤距离，尽可能多的移除拥挤距离小的个体；

6)根据拥挤度机制对档案中的非劣解进行非支配排序，挑选出N个排序靠前的个体作为下一次迭代过程中的初始种群；

7)判断是否满足终止条件或达到预设迭代次数，若不满足，则令t＝t+1并转至步骤4)继续迭代，否则输出全局最优解作为储能优化配置结果。

表4仿真参数设置

表5五种储能蓄电池参数Tab.C2 Parameters ofthe five types ofenergystorage batteries

表6五种储能蓄电池的可回收利用材料Tab.C3 Recyclable materials ofthefive types ofenergy storage batteries

表7五种电池在四种投资情景下的优化配置结果

为进一步验证双储能系统的优越性，假定多主体投资情景下配置的单储能规模参数为20MWh/10MW、多主体投资情景下配置的储能A和储能B的规模参数均为10MWh/10MW，对两组配置结果进行仿真分析，从年消纳弃风量、运营商年收益、储能系统寿命、充放电能力指标等方面进行对比，验证双储能系统的优越性。

表8多主体投资单储能与双储能仿真效果对比

如表8所示，设定单储能和双储能系统的容量总量一致、功率一致，通过仿真对比发现，双储能系统可以给风电场运营商和电网运营商带来较好的收益，但是由于双储能系统中的储能A和B的容量是单储能容量的一半，容易达到SOC上下限值，使得其偏离SOC理想区间的概率较大，则双储能充放电能力指标较单储能系统充放电能力指标偏大。双储能系统情景中的投资回收期、投资收益率均优于单储能系统，双储能系统的消纳弃风电量也高于单储能系统，使用寿命也长于单储能系统，通过对比发现，双储能系统相比于单储能系统具有一定的优势。可根据以下几个方面对双储能优势进一步分析，分析结果简要展现在表9中：

1)从机理建模方面：双储能模式是从理论机理上进行探索的，两个容量、功率大小相等的电池组组合形成双储能系统，使用“交替工作、同步切换”的工作模式，根据能量管理系统的指令实时动作，完成弃风消纳任务。而单一储能系统则不考虑充放电切换策略，直接根据能量管理系统的指令直接进行充放电工作；

2)从工作效率方面：当电池t时段需要充电、t+1时段需要放电时，储能需要迅速响应，而单一储能相对于双储能电池来讲，需要切换充放电状态，响应时间相对较长，而双储能系统中某一组电池处于浮充待放电状态，可迅速放电满足电网需求。同时，单一储能所需要完成的消纳任务可由双储能系统来完成，两个储能可提升系统工作效率；

3)从潜在风险方面：当单一储能系统发生故障时，会影响到系统消纳弃风的效果，风险性较高，使用双储能系统可以使潜在风险降低，当其中一个电池组发生故障时，另一组电池则全部承担起充放电工作，提升系统运行的安全性；

4)从系统寿命方面：在单储能系统与双储能系统的容量总量一致、功率一致时，仿真分析表明双储能系统具有较长的服役年限；

5)从经济性方面：在考虑储能寿命损耗的成本模型基础上，双储能系统相比于单一储能将有较长的服役年限并且可以消纳更多的弃风电量，双储能系统相比于单一储能系统可为运营商带来更多的收益，具有较好的经济性。

表9不同储能系统优势对比Tab.D2 Comparison of advantages ofdifferentenergy storage systems

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，任何不经过创造性劳动想到的变化或替换，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该以权利要求书所限定的保护范围为准。