【技术实现步骤摘要】
本专利技术涉及储能优化领域，具体涉及一种基于改进混合蜻蜓算法的构网型储能多目标优化方法。
技术介绍
1、截至2022年11月底，风电和光伏装机容量占全国总装机容量的28.8％，风电和太阳能发电装机容量分别同比增长15.1％和29.4％，并正处于快速发展阶段。高比例新能源电网适应了未来世界的发展趋势，然而，风电、光伏等新能源具有波动性和不确定性的特点，其大量并网将增加系统调频难度。针对新能源的控制特性，一方面由于新能源发电机组通常处于最大功率点跟踪模式，不具备调整新能源机组输出功率，来弥补系统有功功率不平衡的能力；另一方面风电机组通过电力电子控制实现并网调节，使得转子转速和系统频率解耦，基本不具备惯性响应能力，因而降低了系统的惯性响应能力。因此，新能源大量并网将给电网频率稳定性带来挑战，甚至发生电力系统频率失稳等一系列问题。
2、储能作为解决上述问题的有效手段之一，其对含高比例新能源的区域电网具有以下作用：(1)减小系统频率波动；(2)提升储能辅助电网调频的经济性；(3)提升系统电能质量和抗风险能力。储能的类型、安放位置、能量容量及其充、放电功率等共同决定了储能优化配置结果优劣。当前，国内外兆瓦级调频储能的类型除抽水蓄能外主要为电化学储能，而调频运行模式主要有辅助传统电源调频、依托大规模新能源参与调频、输配环节独立并网调频这3种，相较而言，储能辅助传统电源调频和依托大规模新能源参与调频不涉及选址，复杂程度较低，而储能输配环节独立并网调频的灵活性更高，其辅助区域电网调频效果更好。
3、不少现有技术公开了附加调
技术实现思路
1、本专利技术提出了一种基于改进混合蜻蜓算法的构网型储能多目标优化方法，解决了现有技术缺乏对储能的选址定容和系统运行同时优化的问题。
2、为解决上述技术问题，本专利技术提供了一种基于改进混合蜻蜓算法的构网型储能多目标优化方法，包括以下步骤：
3、步骤s1：以高比例新能源系统运行成本最小为目标建立内层优化模型，以频率波动指标、电网脆弱性指标和储能成本指标为目标函数建立外层优化模型；
4、步骤s2：设定迭代次数，若当前迭代次数小于设定的迭代次数，通过所述内层优化模型计算各个节点不同时刻的电压直到当前采样点大于系统运行总步长；采用基于亚群与差分进化的改进混合蜻蜓算法对外层优化模型的非线性变k系数控制方法的参数进行优化，再根据非线性变k系数控制方法和惯量控制方法对外层优化模型的频率波动指标进行优化；所述外层优化模型通过各个节点不同时刻的电压计算储能容量与位置配置的帕雷托解集，并进行迭代达到设定的迭代次数，根据外层优化模型得到的帕雷托解集求解得到最终储能配置方案。
5、优选地，步骤s1中所述高比例新能源系统包括区域电网常规机组和储能系统，所述区域电网常规机组的等效数学模型的表达式为：
6、
7、式中，s为拉普拉斯算子；δpr为常规机组调频出力大小；kg为常规机组单位调节功率；ttg为调速器参数；fhp、trh、tch为汽轮机参数；δf为频率偏差；
8、所述储能系统的等效数学模型的表达式为：
9、
10、其中，δpe为储能调频出力大小；α为变k系数；ke_max为储能最大单位调节功率；me为虚拟惯量；te为储能调节时间常数。
11、优选地，步骤s1中所述内层优化模型的目标函数的表达式为：
12、
13、式中，x为储能配置容量；分别为光伏弃用量、风电弃用量、火电出力；ω1、ω2分别为弃光、弃风惩罚；ai、bi、ci分别为燃料成本系数；zi为启动成本；为开停机状态；nv、nw、ng分别为光伏电站数、风电场数、火电机组数；nt为系统典型日运行总步长数。
14、优选地，步骤s1中所述频率波动指标f1的表达式为：
15、
16、式中，nt为采样周期总数；为周期td内的最大频率偏差；为周期td内的平均频率偏差；
17、所述电网脆弱性指标f2的表达式为：
18、
19、式中，np为节点总数；为td时刻节点i的电压标值；为节点i电压偏移占此时电网电压偏移和之比；为电网电压偏移的均衡度；
20、所述储能成本指标f3的表达式为：
21、
22、式中，tin为初期投资成本年值；tr为运行维护成本；cp、ce分别为储能功率容量和能量容量的单位成本；pe、qe分别为储能的功率容量和全年发电量；ee为储能所配置的容量；km为储能的单位功率年运行维护成本系数；ko为储能的单位电量年运行维护成本系数；r为基准折现率；ne为储能的运行寿命。
23、优选地，步骤s2中所述采用基于亚群与差分进化的改进混合蜻蜓算法对非线性变k系数控制方法的参数进行优化的方法包括以下步骤：
24、步骤s21：初始化种群和算法参数；
25、步骤s22：判断是否达到最大迭代次数，若是则输出最优个体；否则执行步骤s23；
26、步骤s23：计算种群中所有个体的适应度，选取所述适应度最高的前1/4个体作为差分进化亚群，执行步骤s26，剩余个体作为蜻蜓亚群；
27、步骤s24：更新蜻蜓亚群的最优个体和天敌的位置，使用混沌算法对蜻蜓亚群中个体的步长进行更新；
28、步骤s25：判断蜻蜓亚群中的所有个体是否有相邻个体，若个体存在相邻个体则使用改进的行为因子对个体位置进行更新，使用混沌跃迁机制帮助蜻蜓跳出当前食物源，寻找新的食物源；否则采用改进的莱维飞行对个体位置进行更新，直到群体中的所有个体完成更新；
29、步骤s26：将差分进化亚群中的个体作为父代个体，对父代个体进行变异、交叉和选择，得到子代个体对个体进行更新，直到群体中的所有个体完成更新；
30、步骤s27：持续执行步骤s22至步骤s26，直到达到最大迭代次数；
31、步骤s28：计算蜻蜓亚群和差分进化亚群中所有个体的适应度，输出适应度最小的个体作为最优个体，所述最优个体对应的参数即为非线性变k系数控制方法的最优参数。
32、优选地，步骤s23中所述适应度的表达式为：
33、
34、式中，为系统频率偏差的平均值；δfmax为频率偏差的最大值；w、u为自适应参数；smin、smax别为储能soc的下限和上限。
3本文档来自技高网...
【技术保护点】
1.一种基于改进混合蜻蜓算法的构网型储能多目标优化方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于改进混合蜻蜓算法的构网型储能多目标优化方法，其特征在于：步骤S1中所述高比例新能源系统包括区域电网常规机组和储能系统，所述区域电网常规机组的等效数学模型的表达式为：
3.根据权利要求1所述的一种基于改进混合蜻蜓算法的构网型储能多目标优化方法，其特征在于：步骤S1中所述内层优化模型的目标函数的表达式为：
4.根据权利要求1所述的一种基于改进混合蜻蜓算法的构网型储能多目标优化方法，其特征在于：步骤S1中所述频率波动指标f1的表达式为：
5.根据权利要求1所述的一种基于改进混合蜻蜓算法的构网型储能多目标优化方法，其特征在于：步骤S2中所述采用基于亚群与差分进化的改进混合蜻蜓算法对非线性变K系数控制方法的参数进行优化的方法包括以下步骤：
6.根据权利要求5所述的一种基于改进混合蜻蜓算法的构网型储能多目标优化方法，其特征在于：步骤S23中所述适应度的表达式为：
7.根据权利要求5所述的一种基于改进混合蜻蜓
8.根据权利要求5所述的一种基于改进混合蜻蜓算法的构网型储能多目标优化方法，其特征在于：步骤S25中使用改进的行为因子对个体位置进行更新的公式为：
9.根据权利要求5所述的一种基于改进混合蜻蜓算法的构网型储能多目标优化方法，其特征在于：步骤S26中对个体进行变异的表达式为：
10.根据权利要求1所述的一种基于改进混合蜻蜓算法的构网型储能多目标优化方法，其特征在于：步骤S2中所述非线性变K系数控制方法对储能系统的下垂控制系数α进行控制的表达式为：
...【技术特征摘要】
1.一种基于改进混合蜻蜓算法的构网型储能多目标优化方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于改进混合蜻蜓算法的构网型储能多目标优化方法，其特征在于：步骤s1中所述高比例新能源系统包括区域电网常规机组和储能系统，所述区域电网常规机组的等效数学模型的表达式为：
3.根据权利要求1所述的一种基于改进混合蜻蜓算法的构网型储能多目标优化方法，其特征在于：步骤s1中所述内层优化模型的目标函数的表达式为：
4.根据权利要求1所述的一种基于改进混合蜻蜓算法的构网型储能多目标优化方法，其特征在于：步骤s1中所述频率波动指标f1的表达式为：
5.根据权利要求1所述的一种基于改进混合蜻蜓算法的构网型储能多目标优化方法，其特征在于：步骤s2中所述采用基于亚群与差分进化的改进混合蜻蜓算法对非线性变k系数控制方法的参数进行优化的方法包括以下...
【专利技术属性】
技术研发人员：黄云辉，杨天鑫，王栋，何珍玉，陈永康，赵鹏，周克亮，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。