一种独立微电网复合储能的协同优化方法及系统技术方案

本发明专利技术提供了一种独立微电网复合储能的协同优化方法及系统，属于微电网储能技术领域，方法包括：构建微电网预测数据矩阵；建立独立微电网复合储能的容量配置模型，在满足电池组和超级电容装机容量约束的条件下，以最小化复合储能的容量配置成本为目标函数，对电池组和超级电容的装机容量优化；建立独立微电网复合储能的功率调度模型，在满足功率平衡约束、光伏出力约束、电池组和超级电容的功率与SOC约束下，以最小化复合储能日运行成本为目标函数，对复合储能的调度功率优化；分别以复合储能的容量配置模型和功率调度模型作为外环和内环，将容量配置与功率调度协同优化，使独立微电网复合储能的总成本最低。本发明专利技术提高了微电网运行的经济性。电网运行的经济性。电网运行的经济性。

【技术实现步骤摘要】
一种独立微电网复合储能的协同优化方法及系统


[0001]本专利技术属于微电网储能
，更具体地，涉及一种独立微电网复合储能的协同优化方法及系统。

技术介绍

[0002]近年来，光伏产业发展迅猛，开发规模逐渐增大，但其固有的间歇性、随机性和波动性等特点会对负荷的可靠供电和电网的调度运行带来不利影响。因此，有研究学者提出采用微电网解决光伏能量的消纳问题，独立直流微电网是微电网的一种常见类型，其将分布式光伏发电单元、储能设备、交直流负荷以及一些可控单元有机地结合在一起，向用户输出稳定的电能。其中，储能设备在维持系统稳定运行和平抑光伏出力波动等方面发挥着关键作用，根据储能发电特性的不同，可以分为功率型储能(如超级电容)和能量型储能(如铅酸蓄电池、锂离子电池)，功率型储能具有功率密度高、循环寿命长、充放电响应速度快等优势。能量型储能具有能量密度高、放电时间长等优势。由于光伏电站出力的波动性，单一的储能设备通常难以满足响应速度、循环寿命、持续供电等多方面的需求，因此将两种类型的储能设备组合使用，构建复合储能系统，可以弥补单一储能设备的缺陷。
[0003]独立微电网中复合储能的功率调度与容量配置是储能
的重要研究内容，通过合理的功率调度与适当的容量配置，可以保障微电网运行的经济性以及负荷供电的可靠性。目前已有大量科研团队进行此方向的研究，但现有的研究仍然存在着诸多缺陷与不足，主要表现在：
[0004](1)目前应用于独立微电网的复合储能配置大多为单组电池+超级电容的结构，超级电容通过承担系统不平衡功率的高频分量可以显著提高电池的循环寿命。但单组电池的充放电转换次数仍然较高，由此产生的折损成本也会较大，不利于独立微电网的经济运行。
[0005](2)系统持续稳定运行与重要负荷的可靠供电是独立微电网运行的两项基本需求，但是现有技术对复合储能进行功率调度时，往往没有考虑到储能荷电状态恢复的约束，这不利于微电网运行的稳定性；在考察负荷供电时一般会对负荷缺电率进行约束，这不一定能保证重要负荷的完全可靠供电。
[0006](3)复合储能的功率调度与容量配置两者共同的目的为降低微电网的成本，提升系统的经济性。但是现有研究较少考虑两者的协同优化对微电网经济运行的影响。

技术实现思路

[0007]针对现有技术的缺陷，本专利技术的目的在于提供一种独立微电网复合储能的协同优化方法及系统，旨在解决现有的优化方法未考虑复合储能的容量配置与功率调度相结合、优化目标单一、运行成本高等问题。
[0008]为实现上述目的，一方面，本专利技术提供了一种独立微电网复合储能的协同优化方法，包括以下步骤：
[0009]D1：对微电网中光伏发电和负荷用电数据进行短期预测和超短期预测，构建微电
网预测数据矩阵；
[0010]D2：基于电池组的额定容量、电池组的额定功率、超级电容的额定容量、超级电容的额定功率以及微电网预测数据，结合电池组的荷电状态模型和循环寿命模型，以最小化复合储能的容量配置成本为目标函数，在满足电池组和超级电容装机容量约束的条件下，建立复合储能的容量配置模型；其中，电池组的等效容量配置成本和超级电容的容量配置成本之和为复合储能的容量配置成本；
[0011]D3：基于微电网预测数据矩阵，以复合储能的功率调度成本最小为目标函数，结合短期功率平衡约束、超短期功率平衡约束、光伏出力约束、电池组
‑
超级电容荷电状态SOC约束、电池组
‑
超级电容充放电功率约束、电池组运行切换条件约束以及负荷缺电率为0约束，构建复合储能的功率调度模型；其中，复合储能的功率调度成本为超级电容日运行成本和电池组日运行成本之和；
[0012]D4：分别以复合储能的容量配置模型和功率调度模型作为外环和内环，将容量配置与功率调度进行协同优化，使独立微电网复合储能的总成本最低，输出最优的独立微电网复合储能的容量配置和功率调度结果。
[0013]进一步优选地，最小化复合储能的容量配置成本为：
[0014]minF1＝C
cap,bat
+C
cap,sc
[0015]其中，C
cap,bat
表示电池组的等效容量配置成本，C
cap,sc
表示超级电容的容量配置成本；
[0016]电池和超级电容装机容量约束为：
[0017][0018]其中，E
batn,max
、P
batn,max
、E
scn,max
、P
scn,max
分别为电池组允许装机的最大额定容量和额定功率、超级电容允许装机的最大额定容量和额定功率；E
batn
、P
batn
、E
scn
和P
scn
分别表示电池组的额定容量、电池组的额定功率、超级电容的额定容量和超级电容的额定功率。
[0019]进一步优选地，复合储能的功率调度最小函数为：
[0020]minF2＝C
ope,bat
+C
ope,sc
[0021]其中，F2表示复合储能日运行成本；C
ope,bat
表示电池组日运行成本；C
ope,sc
表示超级电容日运行成本；
[0022]电池组运行切换条件约束为：
[0023][0024][0025]其中，P
batA
(t)和P
batB
(t)分别表示电池组A的充放电功率和电池组B的充放电功率；SOC
batmin
和SOC
batmax
分别为电池组SOC的下限和上限；SOC
scmin
和SOC
scmax
分别为超级电容SOC的下限和上限；E
batn
表示电池组的额定容量。
[0026]电池组
‑
超级电容荷电状态SOC约束为：
[0027][0028]其中，SOC
batA
(t)、SOC
batB
(t)和SOC
sc
(t)分别为t时刻电池组A、电池组B和超级电容的荷电状态；SOC
batmin
和SOC
batmax
分别为电池组SOC的下限和上限，SOC
scmin
和SOC
scmax
分别为超级电容SOC的下限和上限。
[0029]进一步优选地，D4具体包括以下步骤：
[0030]D4.1：对电池组和超级电容的装机容量进行初始化得到外环粒子群，对电池组的充放电功率进行初始化得到内环粒子群；
[0031]D4.2：以复合储能日运行成本作为内环粒子的适应度函数，在满足复合储能的功率调度模型的约束条件下，计算初始化内环粒子中所有粒子的适应度值，将其中最小适应度值作为内环粒子的初始全局最优值；
[0032]D4本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种独立微电网复合储能的协同优化方法，其特征在于，包括以下步骤：D1：对微电网中光伏发电和负荷用电数据进行短期预测和超短期预测，构建微电网预测数据矩阵；D2：基于电池组的额定容量、电池组的额定功率、超级电容的额定容量、超级电容的额定功率以及微电网预测数据，结合电池组的荷电状态模型和循环寿命模型，以最小化复合储能的容量配置成本为目标函数，在满足电池组和超级电容装机容量约束的条件下，建立复合储能的容量配置模型；其中，电池组的等效容量配置成本和超级电容的容量配置成本之和为复合储能的容量配置成本；D3：基于微电网预测数据矩阵，以复合储能的功率调度最小为目标函数，结合短期功率平衡约束、超短期功率平衡约束、光伏出力约束、电池组
‑
超级电容荷电状态SOC约束、电池组
‑
超级电容充放电功率约束、电池组运行切换条件约束以及负荷缺电率为0约束，构建复合储能的功率调度模型；其中，复合储能的功率调度成本为电池组日运行成本和超级电容日运行成本之和；D4：分别以复合储能的容量配置模型和功率调度模型作为外环和内环，将容量配置与功率调度进行协同优化，使独立微电网复合储能的总成本最低，输出最优的复合储能的容量配置和功率调度结果。2.根据权利要求1所述的协同优化方法，其特征在于，最小化复合储能的容量配置成本为：minF1＝C
cap,bat
+C
cap,sc
其中，C
cap,bat
表示电池组的等效容量配置成本，C
cap,sc
表示超级电容的容量配置成本；电池组和超级电容装机容量约束为：其中，E
batn,max
、P
batn,max
、E
scn,max
、P
scn,max
分别为电池组允许装机的最大额定容量和额定功率、超级电容允许装机的最大额定容量和额定功率；E
batn
、P
batn
、E
scn
和P
scn
分别表示电池组的额定容量、电池组的额定功率、超级电容的额定容量和超级电容的额定功率。3.根据权利要求1或2所述的协同优化方法，其特征在于，最小化复合储能的功率调度成本为：minF2＝C
ope,bat
+C
ope,sc
其中，F2表示复合储能日运行成本；C
ope,bat
表示电池组日运行成本；C
ope,sc
表示超级电容日运行成本；电池组运行切换条件约束为：
其中，P
batA
(t)和P
batB
(t)分别表示电池组A的充放电功率和电池组B的充放电功率；SOC
batmin
和SOC
batmax
分别为电池组SOC的下限和上限；SOC
scmin
和SOC
scmax
分别为超级电容SOC的下限和上限；E
batn
表示电池组的额定容量；电池组
‑
超级电容荷电状态SOC约束为：其中，SOC
batA
(t)、SOC
batB
(t)和SOC
sc
(t)分别为t时刻电池组A、电池组B和超级电容的荷电状态；SOC
batmin
和SOC
batmax
分别为电池组SOC的下限和上限，SOC
scmin
和SOC
scmax
分别为超级电容SOC的下限和上限。4.根据权利要求3所述的协同优化方法，其特征在于，D4具体包括以下步骤：D4.1：对电池组和超级电容的装机容量进行初始化得到外环粒子群，对电池组的充放电功率进行初始化得到内环粒子群；D4.2：以复合储能日运行成本作为内环粒子的适应度函数，在满足复合储能的功率调度模型的约束条件下，计算初始化内环粒子中所有粒子的适应度值，将其中最小适应度值作为内环粒子的初始全局最优值；D4.3：通过不断更新内环粒子的速度和位置更新内环粒子，在满足复合储能的功率调度模型的约束条件下，计算内环粒子群中所有粒子的适应度值，将其中的最小的适应度值与内环粒子的全局最优值进行比较，取较小值更新全局最优解，同时更新个体最优解，直至迭代次数达到内环上限值，获取内环粒子群的全局最优解，并将对应的最优适应度值传递至当前外环粒子；D4.4：计算内环粒子与外环粒子的总成本，对每一个外环粒子重复执行D4.2～D4.3，直至遍历所有外环粒子，在满足复合储能的容量配置模型的约束条件下，获取外环粒子中所有粒子的适应度值，将其中最小适应度值作为外环粒子的全局最优值；D4.5：不断更新外环粒子的速度和位置，重复执行D4.4，直至循环次数达到外环上限值，获取外环粒子的全局最优值，将其作为复合储能的容量配置模型的最优决策变量，并获取全局最优解对应的外环粒子下的内环粒子群对应的全局最优值，将内环粒子群对应的全局最优值作为内环优化模型的最优决策变量。...

【专利技术属性】
技术研发人员：陈昌松，倪康，周鑫恒，杨天昊，崔博文，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：