一种基于Benders-Pso算法的分布式储能鲁棒性选址系统与方法技术方案

本发明专利技术公开一种基于Benders‑Pso算法的分布式储能鲁棒性选址系统与方法，属于智能电网技术领域。本发明专利技术的系统包括配电网信息采集、建模、优化和解析输出四个模块，同时公开了系统实现的方法，考虑了风电的不确定性，根据最恶劣风电出力确定分布式储能鲁棒性选址系统模型的目标函数及约束条件，采用Benders算法对基于Pso算法的分布式储能鲁棒性选址系统模型进行优化，将问题分成鲁棒性优化与分布式储能选址两个问题，不仅避免陷入局部收敛的困境，还确保最终求得结果使两个问题都能达到最优，提高了电网的性能。

A distributed energy storage robust location system and method based on benders PSO algorithm

【技术实现步骤摘要】
一种基于Benders-Pso算法的分布式储能鲁棒性选址系统与方法
本专利技术涉及智能电网
，尤其涉及一种基于Benders-Pso算法的分布式储能鲁棒性选址系统与方法。
技术介绍
以可再生能源为一次能源的分布式发电技术适应21世纪人类发展低碳经济和实现可持续发展的要求，因而在全球范围内引起极大的关注，分布式电源的接入使得配电系统从无源网络转变为有源网络。而分布式电源的不确定性对电网稳定性会造成较大影响。因此配置储能成为了对风电不确定性进行消纳的热门解决方案。目前大部分关于储能配置优化问题的做法都是将已有负荷与风力发电作为一个已知项，在确定其数值之后对其进行优化求解，而对于风电不确定性的考虑微乎其微，这样会导致在风电极限工作条件下所研究的例子不再适用。而求解方法也都因为其算法的局部收敛问题难以解决较大型问题。提出一种收敛性能强的算法来解决大型的，适配性强的问题成为了研究发展的必然方向。
技术实现思路
针对上述现有技术的不足，本专利技术提供一种基于Benders-Pso算法的分布式储能鲁棒性选址系统与方法。为解决上述技术问题，本专利技术所采取的技术方案是：一种基于Benders-Pso算法的分布式储能鲁棒性选址系统，其结构如图1所示，包括：配电网信息采集模块、建模模块、优化模块和解析输出模块。所述配电网信息采集模块，用于采集和传输当前配电网络的网络参数信息，包括：(1)配电网信息采集器，用于采集当前配电网络的网络初始信息，包括配电网节点信息、支路信息、分布式电源的位置信息和出力信息；(2)中继传输器，用于传输配电网信息采集器所采集的信息至建模模块。所述建模模块，用于构建Benders-Pso算法的规划模型，包括：(1)信息预处理单元，用于接收网络初始信息，并将初始信息预处理为构建模型需要的矩阵形式；(2)模型构建单元，用于确定适应值函数和各项约束条件，以构建Benders-Pso算法的规划模型。所述优化模块，用于采用Benders-Pso对网络参数信息进行优化，获得优化结果，即最优储能位置，包括：(1)Benders算法单元，用于将优化问题分成鲁棒性优化问题与分布式储能选址两个问题，并确保最终求得结果使两个问题达到最优，包括：Benders初始化子单元、Benders变换子单元和Benders判断子单元；Benders初始化子单元，用于将分布式储能鲁棒性选址系统中问题分为主问题与子问题两个部分，并对子问题进行解耦；Benders变换子单元，用于将子问题求出结果生成约束加入到主问题中；Benders判断子单元，用于更新变量与判断是否进行循环。其中，鲁棒性优化问题指在优化过程中选取了风电最恶劣出力，令整个系统在这种情况下工作，使系统具有在任意情况下都可以安全工作的特性；储能选址问题指在电力系统中节点上配置储能单元。(2)Pso算法单元，用于计算鲁棒性优化问题与分布式储能选址问题的最优值，包括：Pso初始设置子单元和Pso个体优化子单元；Pso初始设置子单元，用于初始化Pso算法单元中个体的初始值。Pso个体优化子单元，根据优化方案更新种群中个体的位置信息以获取适应值更高的个体并进行迭代。运用该系统，本专利技术还提出一种基于Benders-Pso算法的分布式储能鲁棒性选址系统的选址方法，该方法的流程如图2所示，包括如下步骤：步骤1：采集和传输当前配电网络的参数信息，包括配电网节点信息、支路信息、分布式电源的位置信息和分布式电源的出力信息；步骤2：确定分布式储能鲁棒性选址系统模型的目标函数及约束条件；步骤2.1：将接收到的每一个时段上的网络参数信息作为一个集合，将所有集合合并到一个大的数据集里面，并将该数据集转化成为矩阵模式，矩阵中每一列为一条网络参数信息在一个时刻上的数据，矩阵中每一行为时段数；步骤2.2：确定适应值函数和各项约束条件；步骤2.2.1：设定适应值函数为：其中，Csoc为储能建设费用，z为储能建设位置，fg为发电机的成本函数，Pg,t为各时段各发电机发出电量，G为机组的集合，T为时段的集合，其中含义为，选取合适的风电出力值来令发电机出力最小值最大；步骤2.2.2：设定线路约束条件为：B(i,j)(θi,t-θj,t)-P(i,j),t＝0其中，Pg,t为t时刻发电机g出力大小，Pw,t为t时刻风机w出力大小，P(i,j),t为t时刻由线路i流向线路j的功率，PSOC,n,t为t时刻节点n上储能出力大小，PL,n,t为t时刻节点n上负荷大小，B(i,j)为对应于直流潮流由线路i至线路j的导纳，θi,t为节点i的电压相角；步骤2.2.3：设定机组约束条件为：其中，为发电机g发出功率最小值，为发电机g发出功率最大值，为t时刻风机w预测出力大小，αw,t为t时刻风机w预测出力偏差，l(i,j)为线路连接状态矩阵，线路i与线路j联通则对应值为1，否则为0，与为线路传输功率上下限，与为机组g经一个时段处理的向上爬坡限值和向下爬坡限值；步骤2.2.4：设定储能约束为：Psoc,min≤Psoc,n,t≤Psoc,max0≤SOCn,t≤SOCmaxSOCn,t＝SOCn,t-1+ΔtPSOC,n,t其中，Psoc,max和Psoc,min为在节点n上的储能的出力上下限，SOCn,t为t时刻储能荷电量，SOCmax为储能荷电量最大值。步骤3：采用Benders算法对基于Pso算法的分布式储能鲁棒性选址系统模型进行优化，将问题分成鲁棒性优化与分布式储能选址两个问题，获得优化结果；步骤3.1：将鲁棒性分布式储能选址问题分成主问题与子问题两个问题，主问题目标函数为：minCsocz子问题目标函数为：主问题与子问题约束为：Ax≥h-Ez*-Jw其中，A为未知变量对应系数矩阵，x为未知变量矩阵，包括各个时段电机发电量，各个时段线路传输功率，各时段各节点相位角和储能各时段荷电量，h为约束常数项矩阵，E为储能荷电量最大值矩阵，J为各个时段风电出力矩阵，w为风电机位置矩阵，z*为储能位置矩阵；步骤3.2：将子问题目标函数利用对偶定理解耦，其变更为：max(h-Ez*-Jw)Tτ约束记为：ATτ≤b其中，τ为对偶解耦后的变量，b为Csoc的转置；步骤3.3：将子问题目标函数与约束条件传至Pso算法，利用Pso算法对问题进行求解，其流程如图3所示；步骤3.3.1：初始化各个变量值和适应值函数，若问题为主问题则设置类型为离散型，若问题为子问题，则设置为连续型；对所有粒子进行随机初始化分布，设置粒子数量为n，当前迭代次数为k，迭代次数初始值为1，最大迭代次数为kmax；步骤3.3.2：根据权利要求6步骤2.2.1，比本文档来自技高网...

【技术保护点】
1.一种基于Benders-Pso算法的分布式储能鲁棒性选址系统，其特征在于包括：/n配电网信息采集模块，用于采集和传输当前配电网络的网络参数信息；/n建模模块，用于构建Benders-Pso算法的规划模型；/n优化模块，用于采用Benders-Pso对网络参数信息进行优化，获得优化结果，即最优储能位置；/n解析输出模块，用于对优化模块的结果进行解析并输出。/n

【技术特征摘要】
1.一种基于Benders-Pso算法的分布式储能鲁棒性选址系统，其特征在于包括：
配电网信息采集模块，用于采集和传输当前配电网络的网络参数信息；
建模模块，用于构建Benders-Pso算法的规划模型；
优化模块，用于采用Benders-Pso对网络参数信息进行优化，获得优化结果，即最优储能位置；
解析输出模块，用于对优化模块的结果进行解析并输出。


2.根据权利要求1所述的一种基于Benders-Pso算法的分布式储能鲁棒性选址系统，其特征在于所述配电网信息采集模块包括：
配电网信息采集器，用于采集当前配电网络的网络初始信息，包括配电网节点信息、支路信息、分布式电源的位置信息和出力信息；
中继传输器，用于传输配电网信息采集器所采集的信息至建模模块。


3.根据权利要求1所述的一种基于Benders-Pso算法的分布式储能鲁棒性选址系统，其特征在于所述建模模块包括：
信息预处理单元，用于接收网络初始信息，并将初始信息预处理为构建模型需要的矩阵形式；
模型构建单元，用于确定适应值函数和各项约束条件，以构建Benders-Pso算法的规划模型。


4.根据权利要求1所述的一种基于Benders-Pso算法的分布式储能鲁棒性选址系统，其特征在于所述优化模块包括：
Benders算法单元，用于将优化问题分成鲁棒性优化问题与分布式储能选址两个问题，并确保最终求得结果使两个问题达到最优；
Pso算法单元，用于计算鲁棒性优化问题与分布式储能选址问题的最优值；
所述Benders算法单元包括Benders初始化子单元、Benders变换子单元和Benders判断子单元；
Benders初始化子单元，用于将分布式储能鲁棒性选址系统中问题分为主问题与子问题两个部分，并对子问题进行解耦；
Benders变换子单元，用于将子问题求出结果生成约束加入到主问题中；
Benders判断子单元，用于更新变量与判断是否进行循环；
所述Pso算法单元包括Pso初始设置子单元和Pso个体优化子单元；
Pso初始设置子单元，用于初始化Pso算法单元中个体的初始值；
Pso个体优化子单元，根据优化方案更新种群中个体的位置信息以获取适应值更高的个体并进行迭代。


5.权利要求1所述的基于Benders-Pso算法的分布式储能鲁棒性选址系统的选址方法，其特征在于包括如下步骤：
步骤1：采集和传输当前配电网络的参数信息，包括配电网节点信息、支路信息、分布式电源的位置信息和分布式电源的出力信息；
步骤2：确定分布式储能鲁棒性选址系统模型的目标函数及约束条件；
步骤3：采用Benders算法对基于Pso算法的分布式储能鲁棒性选址系统模型进行优化，将问题分成鲁棒性优化与分布式储能选址两个问题，获得优化结果；
步骤4：对优化结果进行解析并输出。


6.根据权利要求5所述的基于Benders-Pso算法的分布式储能鲁棒性选址系统的选址方法，其特征在于所述步骤2的过程如下：
步骤2.1：将接收到的每一个时段上的网络参数信息作为一个集合，将所有集合合并到一个大的数据集里面，并将该数据集转化成为矩阵模式，矩阵中每一列为一条网络参数信息在一个时刻上的数据，矩阵中每一行为时段数；
步骤2.2：确定适应值函数和各项约束条件；
步骤2.2.1：设定适应值函数为：



其中，Csoc为储能建设费用，z为储能建设位置，fg为发电机的成本函数，Pg,t为各时段各发电机发出电量，G为机组的集合，T为时段的集合，其中含义为，选取合适的风电出力值来令发电机出力最小值最大；
步骤2.2.2：设定线路约束条件为：



B(i,j)(θi,t-θj,t)-P(i,j),t＝0
其中，Pg,t为t时刻发电机g出力大小，Pw,t为t时刻风机w出力大小，P(i,j),t为t时刻由线路i流向线路...

【专利技术属性】
技术研发人员：杨珺，王奎文，孙秋野，刘鑫蕊，杨东升，王迎春，张化光，黄博南，刘振伟，会国涛，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21