一种基于改进粒子群算法的混合储能容量优化配置方法技术

本发明专利技术公开了一种基于改进粒子群算法的混合储能容量优化配置方法，属于微网储能系统配置优化技术领域。本发明专利技术采用蓄电池和超级电容器作为风光互补系统混合储能装置，以其全生命周期费用最小为目标函数，以系统的缺电率等运行指标为约束条件，建立了一种混合储能容量优化配置模型，通过优化不对称加速因子进而改进了粒子群算法，并采用改进粒子群算法求解优化配置模型，最后在Matlab中进行了仿真与求解，结果表明，该方法不仅优化了蓄电池的工作状态，降低了储能系统的全生命周期费用，而且加快了收敛速度。

【技术实现步骤摘要】

本专利技术涉及一种基于改进粒子群算法的混合储能容量优化配置方法，属于微网储能系统配置优化

技术介绍
由于其优良的节能减排价值，风力发电和光伏发电近年来发展迅速，在风、光资源等较为充足的地区，设立了一些风光互补发电系统。但是由于风、光存在不稳定性和间歇性等特点，需要在风光互补发电系统中配置储能系统来平抑功率的波动。常用的储能装置包括电容器和蓄电池，蓄电池的能量比高，方便长时间存储电能，能增加整个发电系统的能量调节范围，但蓄电池的功率密度低、循环寿命短、有一定的环境污染，并且风、光的不稳定和间歇性等问题会加大系统中储能部分的费用；超级电容器功率密度大、充放电速度快、循环寿命长，有助于抑制系统的短时功率波动。为优化蓄电池充放电状态，显著减少蓄电池充电和放电次数，延长其使用寿命，可将蓄电池和超级电容器混合作为储能装置，实现互补，称之为混合储能系统。为了进一步提高储能系统的经济性，国内外很多学者开展了储能系统容量配置的大量研究，但是大部分只是考虑了储能器件的初次购置费用，而未考虑储能装置使用过程中的安装、维护以及废弃等方面所需费用，即全生命周期费用。因此，以储能装置的全生命周期费用为优化目标，通过算法改进，合理配置蓄电池和超级电容器的个数，优化容量配置，成为风光互补发电混合储能系统的研究方向之一，特别是以全生命周期费用最小为目标，建立风光互补混合储能系统容量优化配置模型和算法研究。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种基于改进粒子群算法的混合储能容量优化配置方法，优化容量配置。为解决上述技术问题，本专利技术提供一种基于改进粒子群算法的混合储能容量优化配置方法，包括如下步骤：1)确定风光互补混合储能结构；2)确定供电可靠性指标；3)确定以混合储能设备全生命周期费用最小为目标函数；4)确定约束条件；5)采用改进粒子群算法求解优化配置模型。前述的步骤1)中将蓄电池和超级电容器混合作为储能装置，风光互补混合储能结构由风力发电机组、光伏阵列、蓄电池组、超级电容器组、变流器和负载组成。前述的选取负荷缺电率作为供电可靠性指标，负荷缺电率fLPSP定义为负荷缺电量Elps与负荷总需求量EL的比值，即： f L P S P = Σ k = 1 K E l p s ( k ) / Σ k = 1 K E L ( k ) ]]>其中，k表示时刻，K为时刻数，Elps(k)为k时刻的负荷缺电量，EL(k)为k时刻的负荷需求量。前述的负荷缺电率fLPSP的计算过程如下：4-1)记ΔE＝(Ew(k)+Es(k))ηc-EL(k)其中，Ew(k)、Es(k)、EL(k)分别为k时刻风能需求量、太阳能需求量、负荷需求量；ηc是逆变器的功率转换效率；4-2)当风光互补发电量满足负荷需求，即ΔE＞0时，负荷缺电量Elps＝0，混合储能装置充电；当风光互补发电量不足时，混合储能装置放电补充电源功率的缺额，此时令Elps＝-ΔE，即：Elps＝EL(k)-(Ew(k)+Es(k))ηc。前述的目标函数为：minLCC＝CI+CO+CM+CD＝(1+fob+fmb+fdb)NbPb+(1+foc+fmc+fdc)NcPc其中：LCC为全生命周期费用；CI为设备的购买费用；CO为设备的运行费用；CM为设备的维护费用；CD为设备的处理费用；Nb、Nc分别为蓄电池、超级电容器的个数；Pb、Pc分别为蓄电池、超级电容器的单价；fob、foc分别为蓄电池、超级电容器的运行系数；fmb、fmc分别为蓄电池、超级电容器的维护系数；fdb、fdc分别为蓄电池、超级电容器的处理系数。前述的约束条件包括：6-1)供电可靠性约束条件：fLPSP≤fLPSPmax其中：fLPSP为负荷缺电率，fLPSPmax为负荷允许的最大缺电率；6-2)储能系统的储能量约束条件：Ebmin＜Eb(k)＜EbnEcmin＜Ec(k)＜Ecn其中：Ebmin、Ebn分别为蓄电池的最小剩余储能量和额定储能量；Ecmin、Ecn分别为超级电容器的最小剩余储能量和额定储能量；Eb(k)为蓄电池的剩余储能量；Ec(k)为超级电容器的剩余储能量；6-3)蓄电池的剩余储能量满足：Eb(k)≤μ·ΔE其中：μ为蓄电池所承担储能量占ΔE的比重。前述的改进粒子群算法是指设计加速因子C1和C2，公式如下：C1＝C1s+λ(C1e-C1s)/λmaxC2＝C2s+λ(C2e-C2s)/λmax其中：C1e、C2e为加速因子C1、C2的终值；C1s、C2s为加速因子C1、C2的初值；λ是当前迭代次数，λmax是最大迭代次数；则速度更新公式为： V i d k + 1 = ωV i d k + C 1 r 1 ( P i d k - X i d k ) + C 2 r 2 ( P g d k - X i d k ) ]]>其中：表示第λ+1次迭代的粒子速度，表示第λ次迭代的粒子速度，表示第λ次迭代的粒子位置，ω为惯性权重，表示k次迭代的粒子最优位置；表示k次迭代的种群最优位置；r1，r2表示介于(0,1)之间的随机数。前述的改进粒子群算法选择不对称的加速因子C1和C2。本专利技术所达到的有益效果：本专利技术以系统全生命周期费用最小为目标，以缺电率等运行指标为相应约束条件，对蓄电池和超级电容器混合储能器件进行了容量配置优化设计，采用不对称加速因子改进了粒子群算本文档来自技高网...

【技术保护点】
一种基于改进粒子群算法的混合储能容量优化配置方法，其特征在于，包括如下步骤：1)确定风光互补混合储能结构；2)确定供电可靠性指标；3)确定以混合储能设备全生命周期费用最小为目标函数；4)确定约束条件；5)采用改进粒子群算法求解优化配置模型。

【技术特征摘要】
1.一种基于改进粒子群算法的混合储能容量优化配置方法，其特征在于，包括如下步骤：1)确定风光互补混合储能结构；2)确定供电可靠性指标；3)确定以混合储能设备全生命周期费用最小为目标函数；4)确定约束条件；5)采用改进粒子群算法求解优化配置模型。2.根据权利要求1所述的一种基于改进粒子群算法的混合储能容量优化配置方法，其特征在于：所述步骤1)中将蓄电池和超级电容器混合作为储能装置，风光互补混合储能结构由风力发电机组、光伏阵列、蓄电池组、超级电容器组、变流器和负载组成。3.根据权利要求1所述的一种基于改进粒子群算法的混合储能容量优化配置方法，其特征在于：所述选取负荷缺电率作为供电可靠性指标，负荷缺电率fLPSP定义为负荷缺电量Elps与负荷总需求量EL的比值，即： f L P S P = Σ k = 1 K E l p s ( k ) / Σ k = 1 K E L ( k ) ]]>其中，k表示时刻，K为时刻数，Elps(k)为k时刻的负荷缺电量，EL(k)为k时刻的负荷需求量。4.根据权利要求3所述的一种基于改进粒子群算法的混合储能容量优化配置方法，其特征在于：所述负荷缺电率fLPSP的计算过程如下：4-1)记ΔE＝(Ew(k)+Es(k))ηc-EL(k)其中，Ew(k)、Es(k)、EL(k)分别为k时刻风能需求量、太阳能需求量、负荷需求量；ηc是逆变器的功率转换效率；4-2)当风光互补发电量满足负荷需求，即ΔE＞0时，负荷缺电量Elps＝0，混合储能装置充电；当风光互补发电量不足时，混合储能装置放电补充电源功率的缺额，此时令Elps＝-ΔE，即：Elps＝EL(k)-(Ew(k)+Es(k))ηc。5.根据权利要求1所述的一种基于改进粒子群算法的混合储能容量优化配置方法，其特征在于：所述目标函数为：minLCC＝CI+CO+CM+CD＝(1+fob+fmb+fdb)NbPb+(1+foc+fmc+fdc)NcPc其中：LCC为全生命周期费用；CI为设备的购买费用；CO为设备的运行费用；CM为设备的维护费用；CD为设备的处理费用；Nb、Nc分别为蓄电池、超级电容器的个数；Pb、Pc分别为蓄电池、超级电容器的单价；fob、foc分别为蓄电池、超级电容器的运行系数；fmb、fmc分别为蓄电池、超级电容器的维护系数；fdb、fdc...

【专利技术属性】
技术研发人员：杨志超，陆文伟，葛乐，马寿虎，陆文涛，顾佳易，王蒙，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏;32