一种基于遗传算法的风-储混合电站日运行策略优化方法技术

本发明专利技术涉及风电并网技术领域，具体涉及一种基于遗传算法的风

【技术实现步骤摘要】
一种基于遗传算法的风
‑
储混合电站日运行策略优化方法


[0001]本专利技术涉及风电并网
，具体涉及一种基于遗传算法的风
‑
储混合电站日运行策略优化方法。

技术介绍

[0002]近年来，由于化石能源枯竭和二氧化碳减排的迫切需要，风力发电在全世界范围内得到了飞速发展。截至2019年9月，我国风电装机容量已达1.98亿千瓦，占全球风电总装机容量的36％，居世界首位。目前，我国风电开发的重点正在从风能资源丰富的“三北”地区向陆上风能资源分布广泛、应用灵活、用电需求大、消纳能力好的中东部和南方地区转移。同时，海上风电开发建设也为风电增长开辟了新的空间。随着风电渗透水平的不断提高，传统发电机组无法完全平衡风功率的随机间歇特性，导致电网调频调峰异常困难，甚至威胁电网的安全、稳定运行。
[0003]电池储能技术的快速发展为解决大规模风电并网导致的一系列问题提供了全新的解决思路。电池储能系统具有响应速度快、充放电效率高，配置灵活的优点，既可单独接入系统，作为储能电站独立运行，也可配置在风电场中，构成风
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遗传算法的风
‑
储混合电站日运行策略优化方法，其特征在于，包括以下步骤：S1：给定相关参数，包括：实时电价、出力偏差惩罚电价、风
‑
储混合电站出力偏差最大允许概率、电池储能系统容量、初始荷电状态与最大充放电功率、风电装机容量、风功率预测值、调度时段数；S2：建立风
‑
储混合电站日运行策略优化模型，优化变量为电池储能系统调度日内的计划充放电序列和功率，优化目标为风
‑
储混合电站日运行收益最大；S3：在风
‑
储混合电站日运行工况蒙特卡洛模拟的基础上，采用遗传算法求解风
‑
储混合电站日运行策略优化模型，给出风
‑
储混合电站中电池储能系统的最优计划充放电序列和功率。2.根据权利要求1所述的一种基于遗传算法的风
‑
储混合电站日运行策略优化方法，其特征在于，步骤S2中所述风
‑
储混合电站日运行策略优化模型，具体如公式(1)所示：公式(1)中，t为调度时段索引，(t＝1,2,
…
,m)；m为调度时段数；F为风
‑
储混合电站日运行收益；F
w,t
为风
‑
储混合电站在调度时段t的售电收益，F
dev,t
为风
‑
储混合电站在调度时段t的出力偏差惩罚成本；F
bess
为电池储能系统在调度日内的运行成本；公式(1)中，风
‑
储混合电站在调度时段t的售电收益F
w,t
具体如公式(2)所示：F
w,t
＝ρ
t
×
(P
b,t
+P
w,t
)
×
ΔT
ꢀꢀꢀꢀꢀ
(2)公式(2)中，ρ
t
为调度时段t的实时电价；P
b,t
为电池储能系统调度时段t的实际充、放电功率，正值表示电池储能系统放电，负值表示电池储能系统充电；P
w,t
为调度时段t的实际风功率；ΔT为调度时段长度；公式(1)中，风
‑
储混合电站在调度时段t的出力偏差惩罚成本F
dev,t
具体如公式(3)所示：F
dev,t
＝ρ
dev,t
×
|P
b,t
+P
w,t
‑
P
s,t
|
×
ΔT
ꢀꢀꢀꢀ
(3)公式(3)中，ρ
dev,t
为调度时段t的出力偏差惩罚电价；P
s,t
为风
‑
储混合电站在调度时段t的计划出力，如公式(4)所示：P
s,t
＝P
wf,t
+P
bs,t
ꢀꢀꢀꢀꢀꢀ
(4)公式(4)中，P
s,t
为风
‑
储混合电站在调度时段t的计划出力，由风
‑
储混合电站运行人员提前一天上报给调度中心；P
wf,t
为调度时段t的风功率预测值；P
bs,t
为电池储能系统在调度时段t的计划充、放电功率，正值表示电池储能系统放电，负值表示电池储能系统充电；公式(1)中，F
bess
为电池储能系统在调度日内的运行成本，由电池储能系统投资成本与调度日内经历的充、放电循环次数估算，具体如公式(5)所示：公式(5)中，V
total
为电池储能系统投资成本；n
total
为电池储能系统循环寿命；u
ch,t
、u
dis,t
分别为表示电池储能系统充、放电状态切换的二进制变量，u
ch,t
取1表示电池储能系统在调
度时段t由放电状态切换为充电状态，u
dis,t
取1表示电池储能系统在调度时段t由充电切换为放电状态；所述风
‑
储混合电站日运行策略优化模型中的约束如下：风
‑
储混合电站出力偏差概率约束：P
r
{|P
b,t
+P
w,t
‑
P
s,t
|＞P
set
}≤p
ꢀꢀꢀꢀ
(6)公式(6)中，P
set
为风
‑
储混合电站发电出力的最大允许偏差；P
r
{
·
}表示{}中事件发生的概率，不等式左侧为风
‑
储混合电站发电出力偏差越限概率；p为风
‑
储混合电站出力偏差超过最大允许偏差的概率；电池储能系统充放电速率约束：
‑
P
ch,m
≤P
b,t
≤P
dis,m
ꢀꢀꢀꢀꢀꢀꢀ
(7)公式(7)中，P
ch,m
与P
dis,m
分别为电池储能系统最大充、放电速率；电池储能系统的最短充、放电时间约束：T
ch
≥T
ch,m
ꢀꢀꢀꢀ
(8)T
dis
≥T
dis,m
ꢀꢀꢀꢀ
(9)公式(8)、(9)中，T
ch
与T
dis
分别为电池储能系统的充、放电持续时间，T
ch,m
与T
dis,m
分别为电池储能系统的最小充、放电持续时间，可分别由公式(10)和(11)表示；储能系统的最小充、放电持续时间，可分别由公式(10)和(11)表示；公式(10)、(11)中，E
c
为电池储能系统的容量；E
max
与E
min
分别为电池储能系统允许的最大最小荷电状态；η
ch
与η
dis
分别为电池储能系统的充电、放电效率；电池储能系统荷电状态约束：E
min
≤E
soc,t
≤E
max
ꢀꢀꢀꢀ
(12)公式(12)中，E
soc,t
为电池储能系统在调度时段t的荷电状态，可按公式(13)进行计算：公式(13)中，E
c
为电池储能系统的容量；P
b,t
为电池储能系统调度时段t的实际充、放电功率，正值表示电池储能系统放电，负值表示电池储能系统充电；ΔT为调度时段长度；η
ch
与η
dis
分别为电池储能系统的充电、放电效率。3.根据权利要求2所述的一种基于遗传算法的风
‑
储混合电站日运行策略优化方法，其
特征在于，步骤S3所述的风
‑
储混合电站日运行策略优化模型的求解步骤，具体如下：S3.1：设定遗传算法参数，包括：种群规模N
pop
，交叉率P
c
，变异率P
m
与最大进化代数G
max
；S3.2：随机生成由N
pop
条染色体组成的初始种群；所述初始种群中的染色体由m个码位组成，码位i取值为“1”，说明电池储能系统在第i个调度时段处于放电状态；取值为
“‑
1”，说明电池储能系统在第i个调度时段处于放电状态(i＝1,2,
…
,m)；S3.3：进化代数索引g初始化为0，即令g＝0；S3.4：令g＝g+1，计算第g代染色体的适应度，染色体索引k初始化为1，即令k＝1；S3.5：对当前种群中第k条染色体进行解码，确定电池储能系统在调度日内的充放电状态；若电池储能系统不满足公式(8)、(9)给出的最短充放电时间约束，则按公式(14)计算第k条染色体的适应度V
fit,k
，并跳转至步骤S3.8；V
fit,k
＝0
ꢀꢀꢀꢀꢀꢀꢀ
(14)若电池储能系统满足公式(8)、(9)给出的最短充放电时间约束，则根据电池储能系统调度日内的充放电状态计算电池储能系统在各调度时段的初始计划充、放电功率，继续执行步骤S3.6；S3.6：采用蒙特卡洛模拟法对风
‑
储混合电站调度日内的运行工况进行模拟，根据模拟结果对电池储能系统的计划充、放电功率进行迭代更新，获得电池储能系统的最优计划充、放电功率；S3.7：根据电池储能系统的最优计划充、放电功率，对风
‑
储混合电站在调度日内的运行状况进行模拟，计算风
‑
储混合电站的日运行收益与发电出力偏差越限概率，并按公式(15)计算第k条染色体的适应度V
fi...

【专利技术属性】
技术研发人员：张新松，徐杨杨，陆胜男，顾菊平，华亮，郭云翔，卢成，陈然，马雨萌，
申请(专利权)人：南通大学，
类型：发明
国别省市：