[go: up one dir, main page]

CN111009914A - 一种面向主动配电网的储能装置选址定容方法 - Google Patents

一种面向主动配电网的储能装置选址定容方法 Download PDF

Info

Publication number
CN111009914A
CN111009914A CN201911140423.2A CN201911140423A CN111009914A CN 111009914 A CN111009914 A CN 111009914A CN 201911140423 A CN201911140423 A CN 201911140423A CN 111009914 A CN111009914 A CN 111009914A
Authority
CN
China
Prior art keywords
cost
energy storage
battery
power
formula
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
Application number
CN201911140423.2A
Other languages
English (en)
Inventor
曹伟
叶桂南
周先哲
苗增强
何伊妮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi Power Grid Co Ltd
Original Assignee
Guangxi Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi Power Grid Co Ltd filed Critical Guangxi Power Grid Co Ltd
Priority to CN201911140423.2A priority Critical patent/CN111009914A/zh
Publication of CN111009914A publication Critical patent/CN111009914A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开了一种面向主动配电网的储能装置选址定容方法，其包括如下步骤：建立风电和光伏分布式电源定容模型；针对影响储能装置电池寿命的影响因素：分别对温度、充放电深度、充放电电流和电压调节进行建模；为得到储能系统最优选址、定容结果，建立具有两个目标函数的多目标优化模型，使用非支配排序遗传算法对所述多目标优化模型进行求解。本发明能够得到配电网储能装置最优容量配置和选址结果。

Description

一种面向主动配电网的储能装置选址定容方法
技术领域
本发明涉及电网技术领域，尤其涉及一种面向主动配电网的储能装置选址定容方法。
背景技术
在过去的十年里，发电的趋势已经从集中式发电转变为分布式发电，大量的分布式能源已经被集成到配电网中。但是，分布式电源由于输入功率不稳定会经历功率输出的波动。这种行为会引起系统电压的波动，妨碍电压调节过程。电池储能系统通常安装在电力系统中，以减轻这些波动的影响。此外,储能系统的电池有一个有限的生命周期，取决于各种因素如电池的工作温度、放电深度的水平的电池放电和充放电电流的大小。如果在BESS的大小和分配时不考虑这些因素，电池的寿命将会降低，从而增加电池更换成本。
发明内容
鉴于上述问题，本申请提出了一种面向主动配电网的储能装置选址定容方法，其包括如下步骤：
建立风电和光伏分布式电源定容模型；
针对影响储能装置电池寿命的影响因素：分别对温度、充放电深度、充放电电流和电压调节进行建模；
为得到储能系统最优选址、定容结果，建立具有两个目标函数的多目标优化模型，第一个目标函数为系统能量损失最小化，第二个目标函数为分布式电源和储能系统的总投资成本最小化；约束条件包括电压约束、电流约束、分布式能源及储能系统数量、位置约束和充放电深度约束；
使用非支配排序遗传算法对所述多目标优化模型进行求解。
由于本发明针对风电和太阳能的不确定性进行建模，并对影响储能装置电池寿命的影响因素分别进行建模计算，应用本发明所述的方法能够得到储能装置最优容量配置和选址结果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1示出了本申请一实施例提供的一种面向主动配电网的储能装置选址定容方法的方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本发明的发明目的：提出一种面向主动配电网的储能装置选址定容方法，能够得到储能装置最优容量配置和选址结果。
本发明一种面向主动配电网的储能装置选址定容方法，包括以下步骤：
(1)考虑风速和太阳辐射的不确定性，分别建立风电和光伏分布式电源定容模型，具体模型如下：
(11)建立风能模型
利用威布尔概率分布模拟风速变化，使用最大似然估计方法来估计给定数据中的尺度参数a和形状参数b，从威布尔概率分布中生成风速样本，威布尔概率密度函数如下公式得到：
Figure BDA0002281821210000031
式中：Sw为现在的风速
利用威布尔概率分布产生的风速样本，得到风能转化为电能的模型，如下所示：
Figure BDA0002281821210000032
式中：Pr为风力涡轮机额定功率，sci，sr，sco分别是风力机的接入速度、额定转速和接入速度。
(12)建立太阳能模型
利用β分布模拟太阳能辐射，使用最大似然估计方法来估计给定数据中的形状参数α和β，从β分布中生成风速太阳能辐射样本，β分布法概率密度函数公式如下所示：
Figure BDA0002281821210000033
利用β分布产生的太阳能辐射样本，得到太阳能能转化为电能的模型，如下所示：
Figure BDA0002281821210000034
I＝sird×(Isc+Ki×(Tcell-25))
V＝Voc-Kv×Tcell
Figure BDA0002281821210000035
Ps＝Ntotal×Λ×V×I
式中：Tcell为电池温度，Tambient为环境温度，sird为太阳辐射，Isc为短路电流，Ki为当前温度电流系数，Voc为开路电压，Kv为当前温度电压系数，Imaxp为最大功率点电流，Vmaxp为最大功率点电压。Λ为填充因子，提供有关太阳能电池的质量的信息。
(2)电池寿命的总寿命不是固定的，影响因素主要有温度、充放电深度、充放电电流和电压调节，分别对其建模，具体模型如下：
(21)在一定的工作温度下，经过一定次数的充放电循环后，电池的总容量下降，出现容量衰减现象。对于特定的电池类型，当已知最高工作温度时容量衰减的百分比，可以计算得到电池的新容量，公式如下所示：
Figure BDA0002281821210000041
式中：
Figure BDA0002281821210000042
为因温度下降而降低的容量百分比，Qr为电池额定容量，T为开尔文温度；
(22)充放电深度可以影响电池寿命，深度高可以显著减少电池的生命周期。为得到电池充放电深度，使用有效的库仑计数法来估计任意时刻的电池充放电深度，公式如下：
Figure BDA0002281821210000043
Figure BDA0002281821210000044
式中：IBatt为由电池提供的电流，DOD(t)为任意时刻电池充放电深度。
任何已知充放电深度的电池生命周期都可以从幂律方程计算出来，如下所示：
Figure BDA0002281821210000045
式中：BLC为电池生命周期。
(23)电池的寿命也会受到电池的高电流的影响，电流过高会减小电池容量下降。在电力系统中,由于负载的变化,电池提供的电流大小不断变化。当已知一个特定充电电流情况下电池容量的百分比,那么电池的容量可由如下公示表示：
Figure BDA0002281821210000046
式中：Ψl为电流容量衰减因子，描述了由于电流的特殊大小而导致电池容量的减少。
(24)当电力系统有过量的电力时，电网给储能系统充电，而当电力系统的电压因高电力需求而下降时，储能系统放电以支持电网。为了进行电压调节，得到电池充放电功率，进而得到电池电流，具体公式如下：
Figure BDA0002281821210000051
Figure BDA0002281821210000052
Figure BDA0002281821210000053
Figure BDA0002281821210000054
式中：PCHR为储能系统需要的充电功率，PR.CHGR为储能系统充电额定功率，PDIS为储能系统提供的，Pj和Qj分别为母线j上的有功和无功负载，Rij和Xij为母线i和j之间的阻抗和电抗，Vi为母线i上的电压。
故配电网电压调节由如下公式表示：
Figure BDA0002281821210000055
上述步骤中，风能模型和太阳能模型意在提供储能装置使用场景，即风电光伏配电网中；而针对储能装置电池寿命影响因素建立的模型，给出影响电池寿命因素，意在增加电池寿命的同时，找出储能系统的最佳配置。
(3)为得到储能系统最优选址、定容结果，建立多目标优化模型，具体模型目标函数及约束条件如下：
(31)模型有两个目标函数，第一个目标函数为最小化配电网能量损失，第二个目标函数为最小化风电光伏分布式发电及储能系统成本。两个目标函数冲突，故得到一个双目标优化模型，目标函数如下：
Figure BDA0002281821210000056
min f2(s)＝xBSS×CT.BP+xwp×CT.WP+xsp×CT.SP
式中：i和j为系统母线指标，m为分钟指标，h为小时指标。布尔变量xwp、xBSS和xsp，取值为真假，被用来模拟风电光伏分布式发电装置和储能系统安装情况。CT.BP为储能系统总成本，CT.SP为太阳能分布式发电总成本，CT.BP为风力分布式发电总成本。
(311)太阳能分布式发电的总成本包括太阳能组件的成本和系统平衡成本的总额，系统平衡成本等于所有接入电网的太阳能分布式发电系统的结构成本、电气安装成本、人工成本等杂项费用之和，具体公式如下：
Figure BDA0002281821210000061
Figure BDA0002281821210000062
式中：CT.SP为太阳能分布式发电总成本，CSM为太阳能组件成本，CBOS为系统平衡成本，CSS为系统结构成本，CEINS为电气绝缘成本，CSM为太阳能组件成本，CMISC为其他运行成本。
(312)风力分布式发电的总成本包括风电机组的成本、基础成本、电力基础设施成本、安装成本以及所有接入电网的风力分布式发电的规划和开发成本，具体公式如下：
Figure BDA0002281821210000063
式中：CT.WP为风力分布式发电总成本，CWT为风电机组成本，CEI为电气基础设施成本，CIN为风力发电装置安装成本，Cp&d为规划和发展成本。
(313)储能系统总成本是电池成本、热管理单元成本、电力调节单元成本和所有连接到电网的BESS的安装成本之和，公式如下：
Figure BDA0002281821210000064
式中：CT.BP为储能系统总成本，CBU为电池单元成本，CTMU为热量管理单元成本，CINB为电池安装装置安装成本，Cp&d为规划和发展成本。
电池的寿命如下所示：
Figure BDA0002281821210000065
式中：γ为电池寿命，单位为年，ηcdc为确定充放电深度时的充放电次数。
在确定一种安装方式时，只考虑储能系统的选址和定容，总共节费量如下所示：
Figure BDA0002281821210000071
(32)优化模型的约束条件主要有电压约束、电流约束
(321)第i条母线上的电压约束条件如下：
Vmin≤V(i)≤Vmax
(322)第i条母线和第j条母线之间的电流约束条件如下：
|Iij|≤Imax
(323)为了防止安装许多小型的分布式电源，配电网中安装的最大分布式电源数量应该等于一个确定的值，约束如下：
太阳能分布式发电：
Figure BDA0002281821210000072
风能分布式发电：
Figure BDA0002281821210000073
储能：
Figure BDA0002281821210000074
式中：sp(i)、wp(i)和bp(i)分别为配电网中安装太阳能分布式发电、风力分布式发电和储能系统的数量。
(324)海上风力发电情况下，假设风力分布式发电只能安装在指定的总线上，太阳能DGs和BESSs可以安装在测试馈线的任何总线上，约束如下：
Figure BDA0002281821210000075
Figure BDA0002281821210000076
Figure BDA0002281821210000077
式中：
Figure BDA0002281821210000078
和
Figure BDA0002281821210000079
分别为第i条母线上太阳能分布式电源、风力分布式电源和储能系统的额定功率，SDG、WDG和BDG分别为放置太阳能分布式电源、风力分布式电源和储能系统的母线。
(325)电池的充放电深度约束如下：
DODmin≤DODr≤DODmax
(4)使用带精英策略的非支配排序遗传算法对优化模型进行求解，求解所述储能装置的最优选址和定容结果；精英策略即NSGA一II算法：保留父代中优良个体进入子代，防止最优解丢失。精英策略首先对父代、子代、合成种群进行优选，组成新父代种群。淘汰父代中方案检验标志为不可行的方案，其次按照非支配排序值从低到高顺序，将整层种群依次放入新父代，直到放入某一层时出现父代大小出现种群规模超过限值的情况。最后根据个体拥挤距离有大到小的顺序填充新父代，直到种群数量达到种群数量规模限值；
参考图1：具体求解步骤如下：
(41)产生初始种群；
(42)选择一种分布式电源和储能系统的安装策略；
(43)获取电池运行时的温度，并对特定的温度应用步骤二中容量随温度变化衰减公式：
Figure BDA0002281821210000081
(44)运行24小时内的仿真；
(45)按照规定执行步骤二电压调节公式：
Figure BDA0002281821210000082
(46)应用上述公式计算最终的充放电深度：
Figure BDA0002281821210000083
(47)检验上述计算得到的电压、电流、电池的充放电深度是否满足其对应的所述约束条件，若不满足则返回(42)换一种分布式电源和储能系统的安装策略；若满足则得到电池提供的电流最大值并应用电流容量衰减公式；
(48)检验该安装策略是否是种群的最后一代，若不是，则返回(41)重新选择安装策略；若是，则选择最优解进行遗传算法的选择、变异、交叉操作；
(49)检验是否所有的后代均被仿真，若不是，则返回(42)重新产生种群；若是，则用乌托邦点法从帕累托里曲线中选择最优解；
(410)分别计算最终得到的电池寿命周期和总共节约的费用。
由于本发明针对风电和太阳能的不确定性进行建模，并对影响储能装置电池寿命的影响因素分别进行建模计算，应用本发明所述的方法能够得到储能装置最优容量配置和选址结果。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”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申请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必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (5)

1.一种面向主动配电网的储能装置选址定容方法，其特征在于，包括如下步骤：
建立风电和光伏分布式电源定容模型；
针对影响储能装置电池寿命的因素：分别对温度、充放电深度、充放电电流和电压调节进行建模；
为得到储能系统最优选址、定容结果，建立具有两个目标函数的多目标优化模型，第一个目标函数为系统能量损失最小化，第二个目标函数为分布式电源和储能系统的总投资成本最小化；约束条件包括电压约束、电流约束、分布式能源及储能系统数量、位置约束和充放电深度约束；
使用带精英策略的非支配排序遗传算法对所述多目标优化模型进行求解，求解所述储能装置的最优选址和定容结果。
2.根据权利要求1所述的方法，其特征在于，所述建立风电和光伏分布式电源定容模型，具体模型如下：
建立风能模型：利用威布尔概率分布模拟风速变化，使用最大似然估计方法来估计给定数据中的尺度参数a和形状参数b，从威布尔概率分布中生成风速样本，威布尔概率密度函数如下公式得到：
Figure FDA0002281821200000011
其中Sw为当前的风速；利用威布尔概率分布产生的风速样本，得到风能转化为电能的模型，如下所示：
Figure FDA0002281821200000012
其中Pr为风力涡轮机额定功率，sci，sr，sco分别是风力机的接入速度、额定转速和接入速度；
建立太阳能模型：利用β分布模拟太阳能辐射，使用最大似然估计方法来估计给定数据中的形状参数α和β，从β分布中生成风速太阳能辐射样本，β分布法概率密度函数公式如下所示：
Figure FDA0002281821200000021
利用β分布产生的太阳能辐射样本，得到太阳能转化为电能的模型，如下所示：
Figure FDA0002281821200000022
I＝sird×(Isc+Ki×(Tcell-25))
V＝Voc-Kv×Tcell
Figure FDA0002281821200000023
Ps＝Ntotal×Λ×V×I
其中：Tcell为电池温度，Tambient为环境温度，sird为太阳辐射，Isc为短路电流，Ki为当前温度电流系数，Voc为开路电压，Kv为当前温度电压系数，Imaxp为最大功率点电流，Vmaxp为最大功率点电压；Λ为填充因子。
3.根据权利要求2所述的方法，其特征在于，所述分别对温度、充放电深度、充放电电流和电压调节进行建模，具体模型如下：
对于特定的电池类型，当已知最高工作温度时容量衰减的百分比，计算电池的新容量，公式如下所示：
Figure FDA0002281821200000024
式中：
Figure FDA0002281821200000025
为因温度下降而降低的容量百分比，Qr为电池额定容量，T为开尔文温度；
为得到电池充放电深度，使用有效的库仑计数法来估计任意时刻的电池充放电深度，公式如下：
Figure FDA0002281821200000031
Figure FDA0002281821200000032
式中：IBatt为由电池提供的电流，DOD(t)为任意时刻电池充放电深度；
任何已知充放电深度的电池生命周期都可以从幂律方程计算出来，如下所示：
Figure FDA0002281821200000033
式中：BLC为电池生命周期；
当已知一个特定充电电流情况下电池容量的百分比,那么电池的容量由如下公示表示：
Figure FDA0002281821200000034
式中：Ψl为电流容量衰减因子，描述了由于电流的特殊大小而导致电池容量的减少。
当电力系统有过量的电力时，电网给储能系统充电，而当电力系统的电压因高电力需求而下降时，储能系统放电以支持电网；为了进行电压调节，得到电池充放电功率，进而得到电池电流，具体公式如下：
Figure FDA0002281821200000035
Figure FDA0002281821200000036
Figure FDA0002281821200000037
Figure FDA0002281821200000038
式中：PCHR为储能系统需要的充电功率，PR.CHGR为储能系统充电额定功率，PDIS为储能系统提供的，Pj和Qj分别为母线j上的有功和无功负载，Rij和Xij为母线i和j之间的阻抗和电抗，Vi为母线i上的电压；
配电网电压调节由如下公式表示：
Figure FDA0002281821200000041
4.根据权利要求3所述的方法，其特征在于，所述为得到储能系统最优选址、定容结果，建立多目标优化模型，具体模型目标函数及约束条件如下：
(31)模型有两个目标函数，第一个目标函数为最小化配电网能量损失，第二个目标函数为最小化风电光伏分布式发电及储能系统成本；两个目标函数冲突，故得到一个双目标优化模型，目标函数如下：
Figure FDA0002281821200000042
min f2(s)＝xBSS×CT.BP+xwp×CT.WP+xsp×CT.SP
式中：i和j为系统母线指标，m为分钟指标，h为小时指标；布尔变量xwp、xBSS和xsp，取值为真假，被用来模拟风电光伏分布式发电装置和储能系统安装情况；CT.BP为储能系统总成本，CT.SP为太阳能分布式发电总成本，CT.BP为风力分布式发电总成本；
(311)太阳能分布式发电的总成本包括太阳能组件的成本和系统平衡成本的总额，系统平衡成本等于所有接入电网的太阳能分布式发电系统的结构成本、电气安装成本、人工成本等杂项费用之和，具体公式如下：
Figure FDA0002281821200000043
Figure FDA0002281821200000044
式中：CT.SP为太阳能分布式发电总成本，CSM为太阳能组件成本，CBOS为系统平衡成本，CSS为系统结构成本，CEINS为电气绝缘成本，CSM为太阳能组件成本，CMISC为其他运行成本；
(312)风力分布式发电的总成本包括风电机组的成本、基础成本、电力基础设施成本、安装成本以及所有接入电网的风力分布式发电的规划和开发成本，具体公式如下：
Figure FDA0002281821200000051
式中：CT.WP为风力分布式发电总成本，CWT为风电机组成本，CEI为电气基础设施成本，CIN为风力发电装置安装成本，Cp&d为规划和发展成本；
(313)储能系统总成本是电池成本、热管理单元成本、电力调节单元成本和所有连接到电网的BESSs的安装成本之和，公式如下：
Figure FDA0002281821200000052
式中：CT.BP为储能系统总成本，CBU为电池单元成本，CTMU为热量管理单元成本，CINB为电池安装装置安装成本，Cp&d为规划和发展成本；
电池的寿命如下所示：
Figure FDA0002281821200000053
式中：γ为电池寿命，单位为年，ηcdc为确定充放电深度时的充放电次数；
在确定一种安装方式时，只考虑储能系统的选址和定容，总共节费量如下所示：
Figure FDA0002281821200000054
(32)优化模型的约束条件主要有电压约束、电流约束；
(321)第i条母线上的电压约束条件如下：
Vmin≤V(i)≤Vmax
(322)第i条母线和第j条母线之间的电流约束条件如下：
|Iij|≤Imax
(323)为了防止安装许多小型的分布式电源，配电网中安装的最大分布式电源数量应该等于一个确定的值，约束如下：
太阳能分布式发电：
Figure FDA0002281821200000055
风能分布式发电：
Figure FDA0002281821200000056
储能：
Figure FDA0002281821200000057
式中：sp(i)、wp(i)和bp(i)分别为配电网中安装太阳能分布式发电、风力分布式发电和储能系统的数量；
(324)海上风力发电情况下，假设风力分布式发电只能安装在指定的总线上，太阳能DGs和BESSs可以安装在测试馈线的任何总线上，约束如下：
Figure FDA0002281821200000061
Figure FDA0002281821200000062
Figure FDA0002281821200000063
式中：
Figure FDA0002281821200000064
和
Figure FDA0002281821200000065
分别为第i条母线上太阳能分布式电源、风力分布式电源和储能系统的额定功率，SDG、WDG和BDG分别为放置太阳能分布式电源、风力分布式电源和储能系统的母线；
(325)电池的充放电深度约束如下：
DODmin≤DODr≤DODmax。
5.根据权利要求4所述的方法，其特征在于，所述使用带精英策略的非支配排序遗传算法对优化模型进行求解，具体求解步骤如下：
(41)产生初始种群；
(42)选择一种分布式电源和储能系统的安装策略；
(43)获取电池运行时的温度，并对特定的温度应用所述容量随温度变化衰减公式；
(44)运行24小时内的仿真；
(45)执行权利要求3中所述电压调节公式；
(46)计算最终的充放电深度；
(47)检验计算得到的电压、电流、电池的充放电深度是否满足上述权利要求4中所述约束条件，若不满足则返回(42)换一种分布式电源和储能系统的安装策略；若满足则得到电池提供的电流最大值并应用电流容量衰减公式；
(48)检验该安装策略是否是种群的最后一代，若不是，则返回(41)重新选择安装策略；若是，则选择最优解进行遗传算法的选择、变异、交叉操作；
(49)检验是否所有的后代均被仿真过，若不是，则返回(42)重新产生种群；若是，则用乌托邦点法从帕累托里曲线中选择最优解；
(410)分别计算最终得到的电池寿命周期和总共节约的费用。
CN201911140423.2A 2019-11-20 2019-11-20 一种面向主动配电网的储能装置选址定容方法 Pending CN111009914A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911140423.2A CN111009914A (zh) 2019-11-20 2019-11-20 一种面向主动配电网的储能装置选址定容方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911140423.2A CN111009914A (zh) 2019-11-20 2019-11-20 一种面向主动配电网的储能装置选址定容方法

Publications (1)

Publication Number Publication Date
CN111009914A true CN111009914A (zh) 2020-04-14

Family

ID=70113205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911140423.2A Pending CN111009914A (zh) 2019-11-20 2019-11-20 一种面向主动配电网的储能装置选址定容方法

Country Status (1)

Country Link
CN (1) CN111009914A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111478321A (zh) * 2020-04-23 2020-07-31 许昌许继风电科技有限公司 一种连接分散式风力发电系统的配电网节点选取方法
CN112198434A (zh) * 2020-09-29 2021-01-08 蜂巢能源科技有限公司 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质
CN114884096A (zh) * 2022-05-10 2022-08-09 浙江大学 一种考虑低压台区三相不平衡治理和相位切换装置最优布点的双层优化方法
CN115511384A (zh) * 2022-11-03 2022-12-23 武汉域弘信息技术有限公司 分布式太阳能发电的电力调度方法及装置、设备及介质
CN117526387A (zh) * 2023-12-29 2024-02-06 太原理工大学 一种考虑储能容量衰减的配电网储能最优选址定容方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103353979A (zh) * 2013-05-31 2013-10-16 国家电网公司 一种分布式电源的优化选址与定容方法
JP2016067101A (ja) * 2014-09-24 2016-04-28 新神戸電機株式会社 再生可能エネルギ用変動緩和蓄電池システム
CN105976108A (zh) * 2016-05-05 2016-09-28 国网浙江省电力公司电力科学研究院 一种配电网分布式储能规划方法
CN106096757A (zh) * 2016-05-31 2016-11-09 天津天大求实电力新技术股份有限公司 基于改进量子遗传算法的微网储能选址定容优化方法
CN109492815A (zh) * 2018-11-15 2019-03-19 郑州大学 一种市场机制下面向电网的储能电站选址定容优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103353979A (zh) * 2013-05-31 2013-10-16 国家电网公司 一种分布式电源的优化选址与定容方法
JP2016067101A (ja) * 2014-09-24 2016-04-28 新神戸電機株式会社 再生可能エネルギ用変動緩和蓄電池システム
CN105976108A (zh) * 2016-05-05 2016-09-28 国网浙江省电力公司电力科学研究院 一种配电网分布式储能规划方法
CN106096757A (zh) * 2016-05-31 2016-11-09 天津天大求实电力新技术股份有限公司 基于改进量子遗传算法的微网储能选址定容优化方法
CN109492815A (zh) * 2018-11-15 2019-03-19 郑州大学 一种市场机制下面向电网的储能电站选址定容优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KHAWAJA KHALID MEHMOOD等: "Optimal sizing and allocation of battery energy storage systems with wind and solar power DGs in a distribution network for voltage regulation considering the lifespan of batteries", 《IET RENEWABLE POWER GENERATION》 *
孙舟等: "含新能源接入的配电网中储能系统协调控制策略", 《现代电力》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111478321A (zh) * 2020-04-23 2020-07-31 许昌许继风电科技有限公司 一种连接分散式风力发电系统的配电网节点选取方法
CN112198434A (zh) * 2020-09-29 2021-01-08 蜂巢能源科技有限公司 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质
CN112198434B (zh) * 2020-09-29 2023-05-19 蜂巢能源科技有限公司 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质
CN114884096A (zh) * 2022-05-10 2022-08-09 浙江大学 一种考虑低压台区三相不平衡治理和相位切换装置最优布点的双层优化方法
CN114884096B (zh) * 2022-05-10 2024-09-27 浙江大学 一种考虑低压台区三相不平衡治理和相位切换装置最优布点的双层优化方法
CN115511384A (zh) * 2022-11-03 2022-12-23 武汉域弘信息技术有限公司 分布式太阳能发电的电力调度方法及装置、设备及介质
CN115511384B (zh) * 2022-11-03 2023-06-06 武汉域弘信息技术有限公司 分布式太阳能发电的电力调度方法及装置、设备及介质
CN117526387A (zh) * 2023-12-29 2024-02-06 太原理工大学 一种考虑储能容量衰减的配电网储能最优选址定容方法
CN117526387B (zh) * 2023-12-29 2024-03-22 太原理工大学 一种考虑储能容量衰减的配电网储能最优选址定容方法

Similar Documents

Publication Publication Date Title
CN111009914A (zh) 一种面向主动配电网的储能装置选址定容方法
JP4992134B2 (ja) 太陽光発電システムの制御方法とその装置
Wang et al. Two-stage full-data processing for microgrid planning with high penetrations of renewable energy sources
CN107069814A (zh) 配网分布式电源容量布点的模糊机会约束规划方法与系统
CN109149555B (zh) 考虑供电模式的配电网广义电源变电可信容量评价方法
Raducu et al. Design and implementation of a hybrid power plant controller
Salkuti Feeder reconfiguration in unbalanced distribution system with wind and solar generation using ant lion optimization
CN114285034A (zh) 一种考虑受电及新能源波动的日前调控优化方法及系统
CN119448251B (zh) 一种用于配电网的承载力评估方法、系统、设备及介质
Prashanti et al. Impact of energy storage integration on composite system reliability
Simonazzi et al. Modeling of a university campus Micro-Grid for optimal planning of renewable generation and storage deployment
Lukianenko et al. Development and Utilization of a Quasi-dynamic Model for Power System Analysis
CN118826162A (zh) 计及源荷不确定性的源网荷储智能调度优化方法及系统
Kordkheili et al. Managing high penetration of renewable energy in MV grid by electric vehicle storage
CN116799836A (zh) 一种新能源场站配置储能效益评估方法及系统
Klasson et al. Battery sizing and placement in the low voltage grid including photovoltaics
Alguhi et al. Battery energy storage planning in distribution network with renewable resources
Keyvani et al. Enhancing network utilisation in wind-rich regions using coordinated dynamic line rating, energy storage and power flow control schemes
Awad Novel planning and market models for energy storage systems in smart grids
Sanjuan et al. Equivalent Circuit Modeling for Battery Storage System's Optimal Power Flow Calculation for Smart Grid with PV
Guo et al. Energy loss optimization method considering the time-varying characteristics of battery energy storage systems
Li et al. Development of control strategy to increase the lifetime of grid-connected Li-ion battery
Chen et al. Hosting Capacity Assessment of Distributed Renewable Energy Resources Integrated into Distribution Networks Via Microgrids
Wang et al. Multi-level Assessment Method for Joint Hosting Capacity of Wind Power, Photovoltaic and Electric Vehicles in Distribution Grids
CN110690719B (zh) 一种微电网电池储能配置方法及可读存储介质

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

Application publication date: 20200414

RJ01 Rejection of invention patent application after publication