[发明专利]一种提升风电平滑的储能系统配置方法

权利要求书

1.一种提升风电平滑的储能系统配置方法，其特征在于，包括如下步骤：

步骤1：通过K均值聚类的方法提取三个典型风电功率波动场景；

步骤2：在三个典型风电功率波动场景下，建立风储系统模型，以储能系统的功率损耗最低为目标，通过粒子群算法得出储能系统的最优功率；

步骤3：将储能系统的最优功率用于建立储能系统全寿命周期成本模型，得出储能系统每日成本的函数；包括如下步骤：

步骤3.1：将步骤2得出的三个典型风电功率波动场景下最优储能功率考虑在内，建立储能系统全寿命周期成本模型：

储能系统的初始购置成本C_c为：C_c＝C_P×P_e+C_Q×Q_e，

储能系统的运维成本C_y为：C_y＝C_Py×P_e+C_Qy×Q_e，C_Py为储能系统单位功率运维造价，C_Qy为储能系统单位容量运维造价，

资金回收系数B_y为：r为贴现率，Y为储能系统的运行年限，

通过电池类型可知总的循环寿命，再由功率损耗可知等效的每日循环寿命，用雨流计数法，用总的循环寿命除每日的循环寿命得出的值再除365，便可得到储能系统使用寿命年限；

储能系统全寿命周期成本模型的约束条件要满足步骤2建立的风储系统模型的约束：

P_g(t)＝P_w(t)+P_B(t)，

SOE(t+1)＝SOE(t)+P_B(t)×Δt×η÷Q_e，

其中，P_g(t)为第t时刻的并网点目标功率，P_w(t)为第t时刻的风电场原始输出功率，P_B(t)为第t时刻的储能系统的功率，SOE(t)为第t时刻的储能系统能量状态，Δt为采样时间，η为储能系统充放电效率，Q_e为储能系统额定容量，

储能系统能量状态的限制：SOE^L≤SOE(t)≤SOE^U，

储能系统功率的限制：-P_e≤P_B(t)≤P_e，P_e为储能系统额定功率，

风储系统并网点功率波动的限制：ΔP_g(t)≤δ，ΔP_g(t)为风储系统并网点功率波动，δ为风储系统并网点功率波动要求，

储能系统初始购置成本的限制：C_PP_e+C_QQ_e≤A，Q_e为储能系统额定容量，C_P为储能系统单位功率造价，C_Q为储能系统单位容量造价，A为储能系统初始购置成本上限，

储能系统建设场地的限制：V≤V_m，V所建储能系统体积的总和，V_m为储能系统建设场地物理环境上限，

每日初始时段储能系统能量状态与结束时段储能系统能量状态相同：SOE(T_s)＝SOE(T_e)，SOE(T_s)为每日初始时刻储能系统能量状态，SOE(T_e)为每日结束时刻储能系统能量状态；

步骤3.2：根据步骤3.1建立的储能系统全寿命周期成本模型，得出关于储能系统每日成本的函数：

C＝(C_c×B_y+C_y)÷365；

步骤4：建立基于遗传算法的电池选型及容量配置模型，以储能系统每日成本最低为目标，选择电池单体种类以及该种电池单体的集成数量，进而实现储能系统最优容量配置；包括如下具体过程：

步骤4.1：根据步骤3得出的关于储能系统每日成本的函数，以储能系统每日成本最低为目标，建立基于遗传算法的电池选型及容量配置模型；

遗传算法的目标函数f₂：

f₂＝min[ (C_c×B_y+C_y)÷365]

基于遗传算法的电池选型及容量配置模型的约束条件要满足步骤2建立的风储系统模型的约束：

P_g(t)＝P_w(t)+P_B(t)，

SOE(t+1)＝SOE(t)+P_B(t)×Δt×η÷Q_e，

其中，P_g(t)为第t时刻的并网点目标功率，P_w(t)为第t时刻的风电场原始输出功率，P_B(t)为第t时刻的储能系统的功率，SOE(t)为第t时刻的储能系统能量状态，Δt为采样时间，η为储能系统充放电效率，Q_e为储能系统额定容量，

储能系统能量状态的限制：SOE^L≤SOE(t)≤SOE^U，

储能系统功率的限制：-P_e≤P_B(t)≤P_e，P_e为储能系统额定功率，

风储系统并网点功率波动的限制：ΔP_g(t)≤δ，ΔP_g(t)为风储系统并网点功率波动，δ为风储系统并网点功率波动要求，

储能系统初始购置成本的限制：C_PP_e+C_QQ_e≤A，Q_e为储能系统额定容量，C_P为储能系统单位功率造价，C_Q为储能系统单位容量造价，A为储能系统初始购置成本上限，

储能系统建设场地的限制：V≤V_m，V所建储能系统体积的总和，V_m为储能系统建设场地物理环境上限，

每日初始时段储能系统能量状态与结束时段储能系统能量状态相同：SOE(T_s)＝SOE(T_e)，SOE(T_s)为每日初始时刻储能系统能量状态，SOE(T_e)为每日结束时刻储能系统能量状态；

步骤4.2：初始化交叉率P_c、变异率P_m以及最大迭代次数G，同时设置电池单体种类以及该种电池单体的集成数量，定义电池单体种类以及该种电池单体的集成数量所对应的二进制编码串的形式和数量，在第g次迭代中，二进制编码串为编码串长度等于编码位数n，到之间的二进制编码位对应电池单体种类，其取值为零到电池单体种类的种数K-1的任意整数，1≤p≤n-1，电池单体种类包括电池类型、电池单体体积、电池单体容量和电池单体功率，到之间的二进制编码位对应到之间的二进制编码位所对应的电池单体种类的集成数量，其取值为零到2^n-p-1，初始随机生成M个电池单体种类以及该种电池单体的集成数量所对应的二进制编码串w＝1,2,…,M；

步骤4.3：对步骤4.2中随机生成的M个初始二进制编码串进行判断，根据二进制编码位数值选择对应的电池单体种类以及该种电池单体的集成数量，储能系统额定容量Q_e为所选电池单体种类所决定的最小单元容量与该种电池单体的集成数量的乘积，储能系统额定功率P_e为所选电池单体种类所决定的最小单元功率与该种电池单体的集成数量的乘积，代入步骤4.1所建立的基于遗传算法的电池选型及容量配置模型的约束条件，判断是否满足约束条件，然后去掉不满足约束条件的二进制编码串并再次随机产生与去掉的二进制编码串数目相同的二进制编码串，直到M个二进制编码串全部判断满足遗传算法的电池选型及容量配置模型的约束条件为止，初始化迭代次数为0，即g＝0；

步骤4.4：在步骤4.3中得到M个全部满足遗传算法的电池选型及容量配置模型的约束条件的二进制编码串后，根据二进制编码位数值选择对应的电池单体种类以及该种电池单体的集成数量，储能系统额定容量Q_e为所选电池单体种类所决定的最小单元容量与该种电池单体的集成数量的乘积，储能系统额定功率P_e为所选电池单体种类所决定的最小单元功率与该种电池单体的集成数量的乘积，代入遗传算法的目标函数f₂＝min[(C_c×B_y+C_y)÷365]，计算M₂个二进制编码串对应的目标函数值，若则对应电池单体种类的二进制编码串大于的部分默认对应第零种电池单体；

步骤4.5：根据当前全部满足步骤4.1所建立的基于遗传算法的电池选型及容量配置模型的约束条件的二进制编码串对应的目标函数值，对各个二进制编码串的二进制编码位数值进行选择运算、交叉运算、变异运算，若产生新的二进制编码串，则对新产生的二进制编码串进行判断，去掉不满足遗传算法的电池选型及容量配置模型的约束条件的二进制编码串并再次通过相应运算补充与去掉的二进制编码串数目相同的新的二进制编码串，直到二进制编码串全部判断满足遗传算法的电池选型及容量配置模型的约束条件为止，迭代次数增加1，即g＝g+1；

步骤4.6：判断当前迭代次数是否达到最大迭代次数G，若是，则计算结束，将最后一代二进制编码串中对应的遗传算法的目标函数最低的二进制编码串中所对应的电池单体种类以及该种电池单体的集成数量作为最终结果，通过储能系统额定容量Q_e为所选电池单体种类所决定的最小单元容量与该种电池单体的集成数量的乘积，从而确定了某个典型风电功率波动场景下储能系统最优容量配置，否则回到步骤4.4；

步骤4.7：将步骤4.1到步骤4.6用于步骤1提取的三个典型风电功率波动场景，得到在各个典型风电功率波动场景下的电池单体种类以及该种电池单体的集成数量并代入步骤3得到的储能系统每日成本的函数f₂＝min[(C_c×B_y+C_y)÷365]进行比较，最终选取成本最低的电池选型以及容量配置。