一种用于与新能源联合调度的储能优化方法及系统与流程

本发明属于储能优化领域，更具体地，涉及一种用于与新能源联合调度的储能优化方法及系统。

背景技术：

1、目前面临着化石燃料短缺和环境污染等客观事实的压力，促使灵活、清洁的分布式能源愈加广泛的应用在微电网中，因此为了走绿色发展道路；其中，对于微电网的研究方向重点转移到了风电、光伏与储能系统的联合运行、一体调度等问题的研究。

2、文献“国家风光储输示范工程介绍及其典型运行模式分析”介绍了风光储输示范工程的情况，分析了典型的运行模式与效益；文献“风光储联合发电系统有功控制策略研究及工程应用”分析了风光储联合发电的系统架构，研究了风光储联合发电的多种运行模式和控制策略，提高了新能源的消纳能力；文献“风光储联合发电系统调度策略研究”研究了风光储联合发电系统的3种调度模式与策略，并提出了相应的整体调度流程；文献“基于变权值自适应滤波的风光储协调优化控制”研究了具有变权值自适应滤波的风光储协调优化控制技术，以应对联合发电系统输出功率波动的影响；文献“基于相关机会目标规划的风光储联合发电系统储能调度策略”利用相关机会目标规划方法，以风光储出力曲线与计划曲线之间的偏差最小为目标，研究联合发电系统的调度方法。可见，现有技术是从技术角度分析风光储联合调度问题，但从未从风光储联合能耗总和方面考虑，但是在实际应用中，风光储联合的能耗总和大小至关重要。

技术实现思路

1、针对现有技术的缺陷，本发明的目的在于提供一种用于与新能源联合调度的储能优化方法及系统，旨在解决现有的微电网优化配置方法着重考虑投资问题，未从储能、新能源方面结合的发电能耗考虑对储能进行优化的问题。

2、为实现上述目的，一方面，本发明提供了一种用于与新能源联合调度的储能优化方法，包括以下步骤：

3、d1：建立整体能耗总和最小化的目标函数，并构建功率平衡约束条件、储能运行约束条件、可再生能源约束条件和满意度约束条件；其中，整体能耗总和为储能目标函数与用户满意度目标函数之和；储能目标函数为风机组的能耗、光伏发电系统的能耗和储能系统的能耗之和；用户满意度目标函数为用户用电能耗和用户用电惩罚之和；

4、d2：采用改进的遗传模拟退火算法，以整体能耗总和为最小化的目标函数，结合功率平衡约束条件、储能运行约束条件、可再生能源约束条件和满意度约束条件，获取最优的储能方案；其中，改进的遗传模拟退火算法中储能目标函数和用户满意度目标函数均为子种群；对应每个整体能耗总和中的风机组的能耗、光伏发电系统的能耗、储能系统的能耗；用户用电能耗和用户用电惩罚分别为一个个体；改进的遗传模拟退火算法为ga和sa的结合。

5、进一步优选地，所述储能目标函数为：

6、c1＝c光伏+c风电+c储能

7、

8、

9、c储能＝λ储能(γch,tpch+γdisch,tpdisch)δt

10、其中，c风电是风机组产生的能耗c光伏是光伏发电系统产生的能耗；c储能为储能系统产生的能耗；t为运行周期；p风(t)为t时段wt的上网功率，p光(t)为t时段pv实际的上网功率；pch、pdisch为t时段ess充放电功率；λ风、λ光和λ储能分别为wt、pv和ess单元的能耗系数；δt运行时段的时间间隔；γch,t为蓄电池充电时参数；γdisch,t蓄电池放电时参数；当蓄电池充电时γch,t＝1，γdisch,t＝0；当蓄电池放电时γch,t＝0，γdisch,t＝1，则有γch,t+γdisch,t≤1；c1为储能目标函数。

11、进一步优选地，所述用户满意度目标函数为：

12、

13、

14、pout(t)＝p风(t)+p光(t)+γch,tp(ch,t)+p(dis,t)γ(disch,t)

15、其中，pout(t)为总的输出功率；pn,t为用户n在第t时间段内的用电功率；pf为经过用户端管理后的终端负载；p风(t)和p光(t)别为风力功率和光伏功率；p(ch,t)和p(dis,t)分别为储能系统的充电功率和放电功率；c2为用户n在一个周期的用电能耗；ξt为t时间段的用电系数；ck为惩罚系数；r为用户用电满意度；ηk为可中断类负荷用电器重要指标；t为运行周期；γch,t为蓄电池充电时参数；γdisch,t蓄电池放电时参数。

16、进一步优选地，所述平衡约束条件为：

17、pess,t+p光，t+p风,t＝pl,t

18、其中，pess,t为储能系统t时段功率；p光，t和p风,t分别为t时段光伏出力和风机出力；pl,t为t时刻内负载消耗的功率；

19、储能运行约束条件为：

20、0≤pess～min≤|pess,t|≤pess～max

21、socmin≤soces≤socmax

22、γch,t+γdisch,t≤1

23、其中，pess～min和pess～max为储能系统出力上限值和下限值；socmin和socmax分别为储能系统荷电状态的上限制和下限值；γch,t为蓄电池充电时参数；γdisch,t蓄电池放电时参数；

24、可再生能源约束条件为：

25、0≤p风(t)≤p风预测(t)

26、0≤p光(t)≤p光预测(t)

27、其中，p风预测(t)和p光预测(t)分别为t时段下风预测出力和光预测出力；p风(t)为t时段wt的上网功率，p光(t)为t时段pv实际的上网功率；

28、满意度约束条件为：

29、

30、pout(t)越大，满意度越高，r为用户用电满意度；ηk为可中断类负荷用电器重要指标；pf为经过用户端管理后的终端负载，k为终端负载个数；rset为满意度设定值。

31、进一步优选地，d2具体包括以下步骤：

32、d2.1：结合功率平衡约束条件、储能运行约束条件、可再生能源约束条件和满意度约束条件，随机构建一个初始种群，其中，储能目标函数和用户满意度目标函数为子种群，对应风机组的能耗、光伏发电系统的能耗、储能系统的能耗用户用电能耗和用户用电惩罚、满意度分别为一个个体；

33、d2.2：通过每个个体的适应度，对种群中每个个体进行轮盘赌算法，选出最优个体概率，进而获取最优个体；

34、d2.3：在最优个体中按照预设的交叉概率生成新的个体，通过交叉得到的个体确定变异概率；

35、d2.4：将交叉得到的个体划分成一个整体区间，并在整体区间产生一个随机整数，若随机整数小于变异概率，则对应的个体产生变异；

36、d2.5：判断变异产生的个体对应的整体能耗总和是否小于d2.2中最优个体对应的整体能耗总和，若小于，则保留变异产生的个体；否则根据变异产生的个体对应的整体能耗总和与个体对应的整体能耗总和的差值重新计算随机概率；

37、d2.6：判断随机概率是否大于0到1的随机数，若是则保留变异产生的个体，否则，判断当前迭代次数是否到达最大迭代次数，若是，则转至d2.7；否则，转至d2.2；

38、d2.7：判断当前退火温度是否为最低温度，若是，则输出储能方案，否则进行降温处理后转至d2.2。

39、另一方面，本发明提供了一种用于与新能源联合调度的储能优化系统，包括：

40、目标函数构建模块，用于建立整体能耗总和最小化的目标函数，其中，能耗总和为储能目标函数与用户满意度目标函数之和；储能目标函数为风机组的能耗、光伏发电系统的能耗和储能系统的能耗之和；用户满意度目标函数为用户用电总能耗和用户用电惩罚之和；

41、约束条件设置模块，用于构建功率平衡约束条件、储能运行约束条件、可再生能源约束条件和满意度约束条件；

42、储能方案获取模块，用于采用改进的遗传模拟退火算法，以整体能耗总和最小化的目标函数，结合功率平衡约束条件、储能运行约束条件、可再生能源约束条件和满意度约束条件，构建微电网优化调度模型，获取最优的储能方案；其中，改进的遗传模拟退火算法中储能目标函数和用户满意度目标函数均为子种群；对应每个整体能耗总和中的风力发电系统能耗、光伏发电系统的能耗、储能系统的能耗、用户总用电能耗和用户用电惩罚分别为一个个体；改进的遗传模拟退火算法为ga和sa的结合。

43、进一步优选地，所述储能目标函数为：

44、c1＝c光伏+c风电+c储能

45、

46、

47、c储能＝λ储能(γch,tpch+γdisch,tpdisch)δt

48、其中，c风电是风机组的能耗总和；c光伏是光伏发电系统的能耗总和；c储能为储能系统的能耗总和；t为运行周期；p风(t)为t时段wt的上网功率，p光(t)为t时段pv实际的上网功率；pch、pdisch为t时段ess充放电功率；λ风、λ光和λ储能分别为wt、pv和ess单元的能耗系数；δt运行时段的时间间隔；γch,t为蓄电池充电时参数；γdisch,t蓄电池放电时参数；当蓄电池充电时γch,t＝1，γdisch,t＝0；当蓄电池放电时γch,t＝0，γdisch,t＝1，则有γch,t+γdisch,t≤1；c1为储能目标函数。

49、进一步优选地，所述用户满意度目标函数为：

50、

51、

52、pout(t)＝p风(t)+p光(t)+γch,tp(ch,t)+p(dis,t)γ(disch,t)

53、其中，pout(t)为总的输出功率；pn,t为用户n在第t时间段内的用电功率；pf为经过用户端管理后的终端负载；p风(t)和p光(t)分别为风力功率和光伏功率；p(ch,t)和p(dis,t)分别为储能系统的充电功率和放电功率；c2为用户n在一个周期的用电能耗；ξt为t时间段的用电系数；ck为惩罚系数；r为用户用电满意度；ηk为可中断类负荷用电器重要指标；t为运行周期；γch,t为蓄电池充电时参数；γdisch,t蓄电池放电时参数。

54、进一步优选地，所述平衡约束条件为：

55、pess,t+p光,t+p风,t＝pl,t

56、其中，pess,t为储能系统t时段功率；p光,t和p风,t分别为t时段光伏出力和风机出力；pl,t为t时刻内负载消耗的功率；

57、储能运行约束条件为：

58、0≤pess～min≤|pess,t|≤pess～max

59、socmin≤soces≤socmax

60、γch,t+γdisch,t≤1

61、其中，pess～min和pess～max为储能系统出力上限值和下限值；socmin和socmax分别为储能系统荷电状态的上限制和下限值；γch,t为蓄电池充电时参数；γdisch,t蓄电池放电时参数；

62、可再生能源约束条件为：

63、0≤p风(t)≤p风预测(t)

64、0≤p光(t)≤p光预测(t)

65、其中，p风预测(t)和p光预测(t)分别为t时段下风预测出力和光预测出力；p风(t)为t时段wt的上网功率，p光(t)为t时段pv实际的上网功率；

66、满意度约束条件为：

67、

68、pout(t)越大，满意度越高，r为用户用电满意度；ηk为可中断类负荷用电器重要指标；pf为经过用户端管理后的终端负载，k为终端负载个数；rset为满意度设定值。

69、进一步优选地，所述储能方案获取模块包括：

70、初始种群构建单元，用于结合功率平衡约束条件、储能运行约束条件、可再生能源约束条件和满意度约束条件，随机构建一个初始种群，其中，储能目标函数和用户满意度目标函数为子种群，对应的风机组的能耗、光伏发电系统的能耗、储能系统的能耗、用户总用电能耗和用户用电惩罚以及满意度分别为一个个体；

71、最优个体概率计算单元，用于通过每个个体的适应度，对种群中每个个体进行轮盘赌算法，选出最优个体概率，进而获取最优个体；

72、变异概率确定单元，用于在最优个体中按照预设的交叉概率生成新的个体，通过交叉得到的个体确定变异概率；

73、个体变异单元，用于将交叉得到的个体划分成一个整体区间，并在整体区间产生一个随机整数，若随机整数小于变异概率，则对应的个体产生变异；

74、变异个体筛选单元，判断变异产生的个体对应的整体能耗总和是否小于最优个体对应的整体能耗总和，若小于，则保留变异产生的个体；否则根据变异产生的个体整体能耗总和与个体对应的整体能耗总和的差值重新计算随机概率；判断随机概率是否大于0到1的随机数，若是则保留变异产生的个体；

75、迭代次数判定单元，用于判断当前迭代次数是否到达最大迭代次数；

76、温度判定单元，用于判断当前退火温度是否为最低温度，若是，则输出储能方案，否则进行降温处理。

77、总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下

78、有益效果：

79、现有微电网优化配置方法是从技术角度来分析风光储联合优化问题但从未从风光储联合能耗总和方面考虑，但是在真正应用的实际情况下，风光储联合能耗总和方面也至关重要。本发明提供了一种用于与新能源联合调度的储能优化方法，本发明以能耗总和最小化为目标函数；其中，能耗总和包括储能目标函数和用户满意度目标函数；储能目标函数为风机组的能耗、光伏发电系统的能耗和储能系统的能耗之和；用户满意度目标函数为用户总用电能耗和用户用电惩罚之和；目标函数中除储能、清洁能源结合的发电能耗还有用户用电功率能耗以及用户用电惩罚，能够用最低的能耗提高整个整电网的工作效率，同时让用户在用电方面获得更高的满意度。

80、本发明中的改进的遗传模拟退火算法中退温函数定义为相较于传统sa降温函数told＝t1，将k修改后，算法的降温步长加大，使得到达最优解区域时间缩短，加快算法的收敛速度。