[发明专利]基于遗传算法的储能充电站的储能容量的配置方法

权利要求书

1.一种基于遗传算法的充电站容量的配置方法，其特征在于，该方法包括如下步骤：

1)建立储能全寿命周期成本模型：

储能的全寿命周期总成本C_WLC包括储能系统的配置成本C_BESS、储能的运行维护成本C_OM以及储能的回收价值C_rec，如下式所示

C_WLC＝C_BESS+C_OM-C_rec (1)

所述的储能系统的配置成本C_BESS包括储能电池的购买成本C_bat和储能系统的平衡成本C_bos，如式(2)所示：

C_BESS＝C_bat+C_bos (2)

所述的储能电池的购买成本C_bat主要和电池类型与电池容量相关，计算方式如式(3)所示：

C_bat＝k_sS_rated (3)

式中，k_s为单位容量的储能成本，S_rated为储能的额定容量；

储能系统的平衡成本C_bos与储能系统的额定容量线性相关，计算如式(4)所示：

C_bos＝k_pP_rated (4)

式中，k_p为单位功率成本，P_rated为储能的额定功率；

储能的运行维护成本C_OM一般与充放电功率成正比，如式(5)所示：

C_OM＝k_OMP_rated (5)

式中，k_OM为单位功率运行维护成本；

所述的储能的回收价值C_rec与储能回收时剩余价值相关，如式(6)所示：

C_rec＝k_rec(1-α)^NC_bat (6)

式中，k_rec为价值剩余率，α为年成本下降率，N为储能电池使用年限；综上所述的储能全寿命周期成本模型为：

C_WLC＝C_bat+k_pP_rated+k_OMP_rated-k_rec(1-α)^NC_batk_OMP_rated (7)

2)建立储能寿命损耗模型：

储能随着充放电次数的增加，储能的可用寿命逐渐减少。因此，有必要建立储能的寿命损耗模型来量化储能的寿命衰减程度。

式中：L_loss(t)为t时刻的储能寿命损耗百分比，N(S_OC(t))为充放电循环次数与储能荷电状态的拟合关系式，S_OC(t)是储能在t时刻的荷电状态。

储能的放电和充电功率受到储能系统的变流器限制，有最大放电功率和充电功率限制，如式(9)和(10)：

0＜＝P_ch(t)＜＝v_ch(t)P_rated (9)

0＜＝P_dis(t)＜＝v_dis(t)P_rated (10)

式中，P_ch(t)、P_dis(t)分别为储能的充电功率/放电功率，v_ch(t)/v_dis(t)为储能的充电、放电标志的0-1变量，v_ch(t)、v_dis(t)为1，表示储能处于充电、放电状态，v_ch(t)、v_dis(t)为0，表示储能当前未充电、放电，P_rated为储能的最大充放电功率；

储能无法同时处于充电与放电状态，约束式如式(11)所示：

v_ch(t)+v_dis(t)＜＝1 (11)

储能的荷电状态S_OC也有上下限的约束，如式(12)：

式中，S_OC为储能荷电状态允许最小值，为储能荷电状态允许最大值。

储能的荷电状态随时间变化的计算方式如下式：

式中，η_ch、η_dis分别为储能的充电效率、放电效率。

3)建立基于遗传算法的容量配置模型：

充电站储能容量配置的目标函数为最小化充电站的年均成本，如下式所示：

Min f＝(C_grid+C_WLC-C_EV-C_del)/Y (14)

式中，C_grid为充电站从电网的购电成本，C_EV为充电站为电动汽车的充电收益，C_del为充电站配置储能延缓电网升级的收益；

所述的充电站从电网的购电成本如式(15)所示：

式中，e_tou(t)为分时电价，P_grid(t)是t时刻电网的购电功率，Δt为时间步长；

所述的充电收益如式(16)所示：

式中，e_serv(t)为t时刻充电服务商收取的服务费，P_load(t)为t时刻的充电负荷。

所述的延缓电网升级的收益如式(7)所示：

C_del＝k_expP_rated(1-1/e^θ·Y) (17)

式中，k_exp为单位扩建容量的电网建设费用，P_rated为延缓电网扩建的容量，θ为年利率，N为储能系统的使用年限。

所述的储能系统的使用年限约束如式(18)所示：

Y_min＜＝Y＜＝Y_max (18)

式中，N_min、N_max分别为储能的最小使用年限和最大使用年限；

所述的储能电池的充电功率最大为1C的约束，如(19)所示：

P_rated＜＝S_rated (19)

所述的充电站功率平衡约束为：

P_grid(t)＝P_load(t)+P_ch(t)-P_dis(t) (20)

4)基于启发式算法-遗传算法的最佳配置计算，包括如下步骤：

①设定待优化变量为储能的额定容量S_rated、延缓电网扩建的容量P_rated、充放电循环次数N，并且由matlab的rand函数随机生成满足约束(18)和(19)的50组S_rated、P_rated、N的初始种群；

②将待优化变量的种群的个体依次作为参数代入下述模型，建立一个混合整数线性规划(MILP)模型：该模型包括目标函数为式：

Min f＝(C_grid+C_WLC-C_EV-C_del)/N (14)

约束条件为：

0＜＝P_ch(t)＜＝v_ch(t)P_rated (9)

0＜＝P_dis(t)＜＝v_dis(t)P_rated (10)

v_ch(t)+v_dis(t)＜＝1 (11)

P_grid(t)＝P_load(t)+P_ch(t)-P_dis(t) (20)

③利用商业求解器Gurobi求解MILP模型，得到的最优解当前种群的适应度值；

④保留种群中适应度值最优(即③求出的解中最小)的的三个个体，作为精英个体保存；

⑤通过交叉、变异生成下一代个体；

⑥将由④得到的精英个体和⑤得到的交叉变异生成的个体组合，确定下一代种群；

⑦是否达到最大迭代次数或者连续10次迭代最优值保持不变)，如果不满足，返回步骤②；如果满足，进入下一步；

⑧输出当前种群中的最佳适应度值(即最小解)以及由③求解得到的优化变量取值。