【技术实现步骤摘要】
本专利技术属于配电网储能系统规划，具体涉及一种基于模拟退火-粒子群算法的配电网分布式储能规划方法和系统。
技术介绍
1、新能源得到大力发展，不仅是集中式风光发展迅猛，接入到配电网中的分布式光伏和分散式风电同样发展迅速，尤其是分布式光伏。由于新能源大规模并网时具有较高的波动性与间歇性，大量分布式风光接入到配电网后，会对配电网的安全、稳定运行产生影响，降低配电网中电能质量，增大多源的配电网运行的难度。
2、储能作为电力系统中一种灵活性调节资源，可以提高新能源消纳能力，改善电网的特性。储能还可以平衡电网负载，实现“削峰填谷”的功能，改善电能质量，提高电力系统的可靠性和稳定性。因此，近年来随着新能源的发展需要，储能也得到迅速发展，但目前储能主要是配置在电源侧储能和电网侧共享储能，多是高电压等级接入到主网中，在这方面研究储能的优化配置和运行控制比较多，而在低压配电网中分布式储能配置规划研究较少。因此，随着分布式风光的大力发展，在配电网中需要合理规划分布式储能的布局。
技术实现思路
1、为了使得配电网中分布式储能规划得到更好的解决，提高分布式储能利用效率，本专利技术提出一种基于模拟退火-粒子群算法的配电网分布式储能规划方法和系统。
2、实现本专利技术目的之一的一种基于模拟退火-粒子群算法的配电网分布式储能规划方法，包括：
3、基于配电网的约束条件构造多组储能参数的值，每组储能参数包括配电网中各个节点的储能功率p和储能容量s；
4、以配电网中分布式
5、将所述多组储能参数的值作为模拟退火-粒子群算法中的每个粒子的初始的位置信息，采用模拟退火-粒子群算法对所述配电网分布式储能规划模型求解，得到使配电网中分布式储能的技术经济指标最优时配电网的每个节点的储能功率p和储能容量s。
6、所述模拟退火-粒子群算法为结合了模拟退火算法的粒子群算法，在计算每个粒子的适应度时，当不满足约束条件时引入模拟退火算法，利用概率p判断方法使原本的粒子群算法跳出局部最优，以更快地更准确的寻找全局最优。
7、进一步地，采用模拟退火-粒子群算法对所述配电网分布式储能规划模型求解的方法包括：
8、初始化种群中每个粒子的位置信息；每个粒子的位置信息对应配电网中各节点上规划分布式储能功率p和储能容量s；
9、以配电网中分布式储能的技术经济指标为粒子的适应度，采用模拟退火-粒子群算法求解满足约束条件的每个粒子的个体最优适应度；在每次迭代过程中，若满足约束条件的粒子的适应度大于该粒子的个体最优适应度，则根据该粒子的最优适应度和当前的适应度计算概率p，根据所述概率p判断是否更新粒子的个体最优适应度；若满足满足约束条件的粒子的适应度小于该粒子的个体最优适应度，则更新该粒子的个体最优适应度为当前计算的适应度；若不满足约束条件，则令该粒子个体适应度为无穷大，本次迭代不更新该粒子的个体最优适应度；
10、根据每个粒子的个体最优适应度更新群体最优适应度；
11、根据预设的个体学习因子和全局学习因子及惯性权重对每个粒子的位置进行更新，直至迭代次数达到最大次数；群体最优适应度对应的粒子的位置信息即为配电网中各节点上规划分布式储能功率p和储能容量s。
12、根据每个粒子的个体最优适应度更新群体最优适应度的方法包括：
13、将每个粒子的个体最优适应度依次与群体最优适应度进行比较；
14、若个体最优适应度小于群体最优适应度，则更新群体最优适应度为所述个体最优适应度；
15、若个体最优适应度大于粒子群体最优适应度，则群体最优适应度保持不变。
16、所述概率p的确定方法包括：
17、
18、t为迭代次数；
19、tmax为最大迭代次数；
20、f(xi)为满足约束条件的第i个粒子的适应度；
21、f(xibest)为历史迭代中第i个粒子的个体最优适应度。
22、根据所述概率p判断是否更新粒子的最优适应度的方法包括：
23、当p大于rand(n1,n2)，则更新该粒子的个体最优适应度f(xibest)＝f(xi)；
24、当p小于rand(n1,n2)，则维持粒子的个体最优适应度f(xibest)不变；
25、rand(n1,n2)为(n1,n2)中的随机常数，n1和n2为设定的整数。
26、所述惯性权重w的确定方法包括：
27、
28、wmin、wmax为惯性权重w的最小值和最大值；
29、tmax为迭代次数的最大值。
30、实现本专利技术目的之二的一种基于模拟退火-粒子群算法的配电网分布式储能规划系统，包括：储能参数构造模块、模型构建模块和模型求解模块；
31、所述储能参数构造模块用于根据配电网中的约束条件构造多组储能参数的值，每组储能参数包括配电网中各个节点的储能功率p和储能容量s；
32、所述模型构建模块用于以配电网中分布式储能的技术经济指标最优为目标函数，以配电网中每个节点的储能功率p和储能容量s为优化变量，基于所述配电网的束条件，构建配电网分布式储能规划模型；
33、所述模型求解模块用于将所述多组储能参数的值作为模拟退火-粒子群算法中的每个粒子的初始的位置信息，采用模拟退火-粒子群算法对所述配电网分布式储能规划模型求解，得到配电网中分布式储能的技术经济指标最优时每个节点的储能功率p和储能容量s。
34、实现本专利技术目的之三的一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于模拟退火-粒子群算法的配电网分布式储能规划方法的任一步骤。
35、本专利技术的有益效果包括：
36、(1)本专利技术建立了配电网中分布式储能技术经济指标的模型，该模型包含了分布式储能规划投资建设成本、规划分布式储能后配电网全寿命周期内的运行费用，并以分布储能接入配电网运行后安全稳定运行校核为约束条件，采用模拟退火-粒子群算法进行优化设计求解配电网各节点分布式储能的功率和容量的最优解，可有效地指导分布式储能在配电网中规划建设；
37、(2)本专利技术在普通粒子群算法的迭代过程中引入模拟退火机制判断是否对粒子群中未更新的粒子进行更新，防止陷入局部最优解，提高算法迭代时寻找全局最优解的可靠性，并对惯性权值w进行动态调整，权衡全局搜索和局部搜索比重；通过本专利技术所述的方法求解配电网各节点分布式储能的功率和容量的最优解，可用更少的迭代次数求解最优解，有效提高配电网中分布式储能的规划效率。
本文档来自技高网...【技术保护点】
1.一种基于模拟退火-粒子群算法的配电网分布式储能规划方法，其特征在于，包括：
2.如权利要求1所述的基于模拟退火-粒子群算法的配电网分布式储能规划方法，其特征在于，所述约束条件包括：配电网功率平衡约束和/或分布式储能运行条件约束；
3.如权利要求1或2所述的基于模拟退火-粒子群算法的配电网分布式储能规划方法，其特征在于，所述约束条件还包括电压安全约束；所述电压安全约束包括：
4.如权利要求1所述的基于模拟退火-粒子群算法的配电网分布式储能规划方法，其特征在于，采用模拟退火-粒子群算法对所述配电网分布式储能规划模型求解的方法包括：
5.如权利要求4所述的基于模拟退火-粒子群算法的配电网分布式储能规划方法，其特征在于，所述概率P的获取方法包括：
6.如权利要求5所述的基于模拟退火-粒子群算法的配电网分布式储能规划方法，其特征在于，根据所述概率P判断是否更新粒子的最优适应度的方法包括：
7.如权利要求4～6任一项所述的基于模拟退火-粒子群算法的配电网分布式储能规划方法，其特征在于，根据预设的个体学习因子c1、全局
8.如权利要求7所述的基于模拟退火-粒子群算法的配电网分布式储能规划方法，其特征在于，所述惯性权重w的确定法包括：
9.一种采用权利要求1所述方法的基于模拟退火-粒子群算法的配电网分布式储能规划系统，其特征在于，包括：储能参数构造模块、模型构建模块和模型求解模块；
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述基于模拟退火-粒子群算法的配电网分布式储能规划方法的步骤。
...【技术特征摘要】
1.一种基于模拟退火-粒子群算法的配电网分布式储能规划方法，其特征在于，包括：
2.如权利要求1所述的基于模拟退火-粒子群算法的配电网分布式储能规划方法，其特征在于，所述约束条件包括：配电网功率平衡约束和/或分布式储能运行条件约束；
3.如权利要求1或2所述的基于模拟退火-粒子群算法的配电网分布式储能规划方法，其特征在于，所述约束条件还包括电压安全约束；所述电压安全约束包括：
4.如权利要求1所述的基于模拟退火-粒子群算法的配电网分布式储能规划方法，其特征在于，采用模拟退火-粒子群算法对所述配电网分布式储能规划模型求解的方法包括：
5.如权利要求4所述的基于模拟退火-粒子群算法的配电网分布式储能规划方法，其特征在于，所述概率p的获取方法包括：
6.如权利要求5所述的基于模拟退火-粒子群算法的配电网分布式储...
【专利技术属性】
技术研发人员：缪翼军，康慨，李启宏，唐畅，郑开琦，张云龙，曹传胜，龚琪，施念，宁可，倪文斌，王鹏程，
申请(专利权)人：湖北省电力规划设计研究院有限公司，
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。