本发明专利技术属于配电网系统优化技术领域，具体涉及一种基于整县光伏推进下的灵活储能系统优化配置方法，具体的步骤为分别建立固定式储能和移动储能的全寿命周期成本模型，精确计算两种储能的各项支出；对节点重要性和各项储能参数进行分析，构建基于随机森林算法的灵活储能系统分类模型，确定预安装节点的储能类型；以全寿命周期利润最大为目标函数，综合考虑各类约束条件，利用改进的粒子群算法和随机森林算法求解双层优化配置模型，解决现有储能装置在应对配电网复杂的源荷场景时可能会出现的利用率低下和储能运营商收益较低等问题。利用率低下和储能运营商收益较低等问题。利用率低下和储能运营商收益较低等问题。
【技术实现步骤摘要】
基于整县光伏推进下的灵活储能系统优化配置方法
[0001]本专利技术属于配电网系统优化
，具体涉及一种基于整县光伏推进下的灵活储能系统优化配置方法。
技术介绍
[0002]分布式电源(distributed generation，DG)的大规模接入对配电网的消纳能力提出了更高要求，在新能源渗透率较高的区域易产生弃电现象。储能(energy storage systems，ESS)作为一种拥有源
‑
荷双重属性的灵活可调资源，兼具发出电能与消纳电能的作用，可解决新能源电能生产和消费不同步的问题。
[0003]2021年6月，国家能源局正式下发《关于报送整县(市、区)屋顶分布式光伏开发试点方案的通知》，加快全国组织开展整县推进屋顶分布式光伏开发试点工作。2022年截止到目前，共有20省要求电源侧配置储能，配置比例基本不低于新能源项目装机量的10％，放电时长基本为2h，其中个别省份集中式项目要求配置比例达到20％，放电时长达到3h。
[0004]传统的电化学储能装置接入地点一般不会改变，固定式储能(stationary energy storage systems，SESS)在应对不断变化的配电网源荷场景时可能存在利用率偏低的现象，压缩了运营商的正常盈利空间。移动式储能系统(mobile energy storage system，MESS)本是针对电力系统紧急事故研发的一种灵活性备用储能电源，但配电网需要应急供电的场景时长较短，电网正常运行时MESS闲置会造成资源浪费。鉴于MESS可移动性强、设备占地面积小、响应迅速等特点，近几年越来越多地区开始尝试利用MESS参与配电网的削峰填谷等活动。但在需要大功率大容量的配电网节点上SESS仍然占市场需求的主导地位，相同容量下MESS的投资运营成本也更加高昂，这些都是目前MESS无法完全替代SESS的重要原因。近些年电化学储能技术的快速发展明显削减了储能装置的成本，但目前储能的经济性仍然是限制其在电力系统中大规模应用的主要因素。因此，二者协同规划有望保障储能系统面向当前多变的配电网场景的应对能力，并提高其运行经济性。
技术实现思路
[0005]本专利技术的目的在于针对现有技术中存在的问题提供一种基于整县光伏推进下的灵活储能系统优化配置方法，以解决现有储能装置在应对配电网复杂的源荷场景时可能会出现的利用率低下和储能运营商收益较低等问题。
[0006]本专利技术的技术方案是：
[0007]基于整县光伏推进下的灵活储能系统优化配置方法，分别建立固定式储能和移动储能的全寿命周期成本模型，精确计算两种储能的各项支出；对节点重要性和各项储能参数进行分析，构建基于随机森林算法的灵活储能系统分类模型，确定预安装节点的储能类型；综合考虑各类约束条件建立灵活储能系统优化配置双层模型，利用改进的粒子群算法和随机森林算法求解该灵活储能系统优化配置双层模型，利用改进的粒子群算法和随机森林算法求解双层优化配置模型，优化配置方法包括以下步骤：
[0008]S1、灵活储能系统优化配置双层模型的上层模型采用粒子群算法将储能各时段充放电功率和各节点选址变量作为粒子，各变量数值作为粒子的位置，并对种群中各粒子0时刻的位置和速度进行随机初始化；
[0009]S2、随机初始化SESS和MESS的地址位置、功率和容量，计算第一次迭代过程中的全寿命周期内储能利润F的数值，该利润为储能的全寿命周期成本与购售电收入的差值；
[0010]S3、以预规划利润为目标通过当前粒子位置计算各粒子适应度，预规划模型以储能净利润最大为目标，该利润为储能的购售电收入与估测的储能功率成本和容量成本之差，将各粒子的适应度和位置存储于该粒子的局部变量P
i,best
中，并将所有P
best
中适应度最小的粒子的位置存储于全局最优变量g
best
；
[0011]S4、对粒子群算法各参数和变量进行更新；
[0012]S5、比较每个粒子的适应度和当前局部最优解，更新P
i,best
；
[0013]S6、将当前所有P
best
与g
best
比较，更新g
best
；
[0014]S7、判断当前迭代次数d是否小于最大迭代次数BG，其中B为上层模型迭代系数，上层模型每迭代G次便执行一次下层模型；若满足d＜BG，则进行下一个判断：d是否等于bG，其中b＝1,2,
…
,B；若不满足d＝bG，说明此时上层模型该轮迭代次数还未达到G次，模型将从S3处继续执行；若满足d＝bG，将上层模型的g
best
作为储能预分配的数据输入到下层模型，通过随机森林算法进行分类，输出SESS和MESS的地址位置、功率和容量，计算目标函数F，并将此时SESS和MESS的地址位置、功率、容量和F值存储于F
b
中，接着清除粒子位置数据，重新进行初始化，执行步骤S2；
[0015]S8、当迭代次数达到BG时，比较B个F的数值并取其中最小值F
min
，输出F
min
对应的SESS和MESS的地址位置、功率和容量，即SESS和MESS的地址位置、功率和容量，即作为优化模型的最终结果。
[0016]具体的，所述步骤S1中，粒子群算法考虑的约束条件为：
[0017]S11、FESS在安装和运行时其荷电状态、充放电功率、安装容量和选址变量约束；
[0018]S12、对优化灵活储能系统优化配置双层模型的全过程中线路潮流容量进行约束；
[0019]S13、FESS配置前后配电网网损约束；
[0020]S14、配电网络中各线路传输功率满足支路功率形式的交流潮流方程。
[0021]具体的，所述步骤S2中，全寿命周期内储能的利润最大化作为整个灵活储能系统优化配置双层模型的最终目标，由成本与购售电收入之差求最小值体现，通过F最小值的求解可以得到模型决策变量SESS和MESS的功率和容量的数值。
[0022]具体的，所述步骤S7中下层模型通过随机森林算法分类的具体方案为：
[0023]S71、确定储能规划方案构建FESS分类标准，包括：
①
节点度更大的节点优先安装SESS；
②
储能最大放电时长更小的节点安装SESS；
③
额定容量更大的节点安装安装SESS；
[0024]S72、加载数据，进行预处理，检查数据缺失情况，删除含有缺失值的样本，对变量类型进行修正；
[0025]S73、拆分样本数据，分别设定为训练集和测试集；
[0026]S74、设定参数数值，确定data、ntree(决策树颗数)和mtry(每个节点可供选择的变量数目)，对样本进行训练，将训练结果与测试集比较，观察袋外误差，和混淆矩阵，调试
mtry的取值，模型预测准确率达到目标时证明模型具有较好分类能力；
[本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于整县光伏推进下的灵活储能系统优化配置方法，其特征在于，分别建立固定式储能和移动储能的全寿命周期成本模型，精确计算两种储能的各项支出；对节点重要性和各项储能参数进行分析，构建基于随机森林算法的灵活储能系统分类模型，确定预安装节点的储能类型；以全寿命周期利润最大为目标函数，综合考虑各类约束条件建立灵活储能系统优化配置双层模型，利用改进的粒子群算法和随机森林算法求解该灵活储能系统优化配置双层模型，优化配置方法包括以下步骤：S1、灵活储能系统优化配置双层模型的上层模型采用粒子群算法将储能各时段充放电功率和各节点选址变量作为粒子，各变量数值作为粒子的位置，并对种群中各粒子0时刻的位置和速度进行随机初始化；S2、随机初始化SESS和MESS的地址位置、功率和容量，计算第一次迭代过程中的全寿命周期内储能利润F的数值，该利润为储能的全寿命周期成本与购售电收入的差值；S3、以预规划利润为目标通过当前粒子位置计算各粒子适应度，预规划模型以储能净利润最大为目标，该利润为储能的购售电收入与估测的储能功率成本和容量成本之差，将各粒子的适应度和位置存储于该粒子的局部变量P
i,best
中，并将所有P
best
中适应度最小的粒子的位置存储于全局最优变量g
best
；S4、对粒子群算法各参数和变量进行更新；S5、比较每个粒子的适应度和当前局部最优解，更新P
i,best
；S6、将当前所有P
best
与g
best
比较，更新g
best
；S7、判断当前迭代次数d是否小于最大迭代次数BG，其中B为上层模型迭代系数，上层模型每迭代G次便执行一次下层模型；若满足d＜BG，则进行下一个判断：d是否等于bG，其中b＝1,2,
…
,B；若不满足d＝bG，说明此时上层模型该轮迭代次数还未达到G次，模型将从S3处继续执行；若满足d＝bG，将上层模型的g
best
作为储能预分配的数据输入到下层模型，通过随机森林算法进行分类，输出SESS和MESS的地址位置、功率和容量，计算目标函数F，并将此时SESS和MESS的地址位置、功...
【专利技术属性】
技术研发人员：周建军，全秋苹，全丹阳，龚正国，李峥，李恺，先真，郝海洋，崔雪，
申请(专利权)人：国网河南省电力公司南阳供电公司，
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。