[发明专利]一种基于改进FPA的储能容量优化配置方法

权利要求书

1.一种基于改进FPA的储能容量优化配置方法，其特征在于：包括如下步骤：

1)输入光强、温度、风速及负荷数据；

2)设立分布式微电源约束条件，在约束条件内生成初始储能容量配置及微电源出力组合；

3)然后建立投资成本、火电深度调峰率及储能收益的容量配置目标函数，代入初始储能容量配置获取初始目标函数值；

4)最后判断间隔代数NUM是否执行完毕，是则执行EO算法更新储能容量配置；否则执行优化的FPA算法更新储能容量配置；

所述步骤1)包括如下步骤：

step1.1：输入光照强度G＝{G₁,G₂,…G₂₄}，输入温度T_c＝{T_c1,T_c2,…T_c24}；

根据具体的光伏模型求得光伏出力值：

式中：其中P_max为光伏电池板的最大功率，G为当前光照强度，G_max为最大光照强度，k为温度系数，T_c为实际温度，T_r为额定温度；

光伏出力值集合P_pv'＝{P_pv1,P_pv2,…P_pv24}

step1.2：输入风速V＝{V₁,V₂,…V₂₄}

根据具体的风电模型求得风电出力值：

式中：P_r为额定功率，V_r为额定风速，V_in为切入风速，V_out为切出风速；

风电出力值集合P_WT'＝{P_WT1,P_WT2,…P_WT24}

step1.3：输入负荷集合P_L'＝{P_L1,P_L2,…P_L24}，P_L为负荷值；

所述的步骤2)中的分布式微电源出力约束条件包括：

Step2.1：设立功率平衡约束条件：

P_pv+P_WT+P_Thermal+P_ESS+P_Grid＝P_L

式中：P_pv为光伏出力值，P_WT为风电出力值，P_ESS为储能出力值，P_Thermal为火电机组出力值，P_Grid为大电网联络线功率值，P_L为负荷值；

Step2.2：设立各微电源出力约束条件

火电机组出力的约束条件：

P_Thermalmin≤P_Thermal≤P_Thermalmax

式中：P_Thermalmin为火电机组最小出力值，P_Thermalmax为火电机组最大出力值；

储能出力的约束条件：

P_ESSmin≤P_ESS≤P_ESSmax

式中：P_ESSmin为储能最小出力值，P_ESSmax为燃气轮机最大出力值；

大电网联络线功率约束：

P_Gridmin≤P_Grid≤P_Gridmax

式中：P_Gridmin为联络线最小出力值，P_Gridmax为联络线最大出力值；

Step2.3：爬坡约束条件

火电机组的爬坡约束条件：

P_Thermal(t+1)-P_Thermal(t)≤R*Δt

式中：P_Thermal(t+1)为t+1时段火电机组出力值，P_Thermal(t)为t时段火电机组出力值，R代表爬坡速率，Δt为调度时段；

Step2.4：生成初始储能容量配置及微电源出力组合种群：

式中，代表第g次第i个储能容量配置及微电源出力组合，P_ESS(t)代表t时段储能的出力值，P_Thermal(t)代表t时段火电机组的出力值，P_Grid(t)代表t时段大电网交互值，Q_ESS(t)代表t时段储能容量配置；

所述的步骤3)包括如下步骤：

Step3.1：投资成本：

式中，c代表储能系统寿命折损系数，Q_ESS代表储能系统容量，C_{Q_price}代表单位容量装机成本，代表储能系统t时段出力值，C_{P_price}代表储能系统单位功率装机成本；

深度调峰率：

式中，T代表总的调度时段数，代表火电机组出力最大值，代表t时段火电机组出力值，代表储能系统t时段出力值，代表火电机组投油调峰限值；

储能收益：

式中，T_la代表低电价和平电价总时段数，代表低电价和平电价时段储能系统出力值，代表低电价和平定价时段净负荷值，代表火电机组在低电价和平电价时段的出力值，代表低电价和平电价时段分时电价，T_h代表高电价总时段数，代表高电价时段净负荷值，代表火电机组在高电价时段出力值，代表高电价时段分时电价，代表高电价时段储能系统出力值；

Step3.2：综合总目标函数：

f＝F₁+F₂+F₃

Step3.3：代入生成的初始储能容量配置及微电源出力组合，得到g次适应度函数初始群；

式中，代表代入储能容量配置及微电源出力组合后的投资成本，代表代入储能容量配置及微电源出力组合后的火电深度调峰率，代表代入储能容量配置及微电源出力组合后的环境成本；

Step3.4：比较g次种群中所有适应度函数值，更新局部最优储能容量配置及微电源出力值组合；

式中，代表g次种群中第i'个适应度函数值，代表g次种群中第i个适应度函数值，代表g次局部最优储能容量配置及微电源出力值组合，代表g次种群中第i'个储能容量配置及微电源出力值组合；

所述的步骤4)中的步骤具体如下：

step4.1：若间隔代数NUM未执行完毕，则执行优化的FPA算法；

step4.2：按优化的全局搜索模型进行种群更新：

w(i)＝0.2+0.7*(0.5*(1-g/N_iter)+0.5*(1-(f(i)-f_min)/(f_avg-f_min)))

式中：w(i)为自适应惯性权重，g为当前迭代次数，N_iter为总迭代次数，f(i)为第i个储能容量配置及微电源出力组合对应的总目标函数值，f_avg为总目标函数值均值，f_min为总目标函数值最小值，为g+1次迭代的储能容量配置及微电源出力值组合，L为莱维飞行机制，Γ(λ)为标准的gamma函数，λ经多次试验取1.5，为当前g次迭代的储能容量配置及微电源出力组合，g^*为全局搜索过程中的最优目标函数值对应的储能容量配置及微电源出力值组合；

将g+1次更新的储能容量配置及微电源出力值组合种群代入目标函数，比较g+1次种群中所有适应度函数值，更新g+1次种群局部最优储能容量配置及微电源出力值组合，并与之前得到的局部最优函数值进行比较，更新全局最优储能容量配置及微电源出力值组合；

式中，代表g+1次种群中第i'个适应度函数值，代表g+1次种群中第i个适应度函数值，代表g+1次种群中第i'个储能容量配置，代表g+1次种群中第i个储能容量配置，代表g+1次局部最优储能容量配置，X_global-best代表全局最优储能容量配置；

step4.3：更新NUM代数：

NUM＝NUM-1

式中，NUM代表间隔代数；

step4.4：若间隔代数NUM未执行完毕，则执行EO算法，更新全局最优微电源出力值；

step4.5：NUM代数初始化：

NUM＝NUM_start

式中，NUM_start代表间隔代数初始值；

step4.6：输出全局最优储能容量配置，即为最优容量配置及调度计划：

X_global-best＝(P_ESSbest,P_Thermalbest,P_Gridbest,Q_ESSbest)

式中，P_ESSbest代表储能出力最优值，P_Thermalbest代表火电机组出力最优值，P_Gridbest代表大电网交互最优值，Q_ESSbest代表储能容量配置最优值。