[发明专利]一种基于遗传算法的多储能系统优化调度方法

摘要

本发明公开了一种基于遗传算法的多储能系统优化调度方法，该方法基于电力负荷的历史数据，使用线性回归预测法进行当日的电力负荷预测，并在预测负荷的基础上，基于多个电池储能系统的工作参数和特点进行分别建模，结合多个储能系统协同工作的特点，将不同电池不同时刻的功率变化情况作为决策变量，将各个用户的用电峰值之和作为优化目标，采用启发式的遗传算法对问题模型进行求解并进行优化调度，在不改变用户用电行为的前提下，达到整体用户峰值削减更显著的目的。本方法提高了单个储能系统的利用率，对用户群整体而言，可以实现综合利益最大化、整体最优的优化结果。本发明方法对储能系统的研究推广具有重要科学意义和应用价值。

主权项

一种基于遗传算法的多储能系统优化调度方法，其特征在于，包括以下步骤：(1)获取用户的历史用电负荷数据，将预测日分为N个时间阶段，每个阶段的时间间隔为Δt，采用多元线性回归预测法进行短期电力负荷预测，得到预测负荷数据；(2)根据储能系统自身物理特性、工作特点和相关参数，对K个储能系统进行分别建模，第k个用户在i时刻的储能系统模型如下：SoCk_min≤SoCk(i)≤SoCk_maxSoCk(i)＝SoCk(i‑1)+bk(i)·Δtbk_min≤bk(i)≤bk_max其中，SoCk(i)为第k个用户储能系统i时刻的电池剩余电量，SoCk_max、SoCk_min分别为考虑过充过放保护时该储能系统SoC的上下限，bk为单位时间间隔内该储能系统的平均功率，bk_max、bk_min为bk的上下限，其中bk_min为负数，表示最大放电功率，bk_max为正数，表示最大充电功率；(3)给出需要优化的目标函数，目标函数定义如下：J=minΣk=1K{max(Pk_net)·c1+[Σi=1NPk_net(i)]·c2}]]>其中，c1是按照用户一段时间内用电功率最大值进行收费的费用，c2是电池的损耗费用，Pk_net(i)为第k个用户i时刻电网端的负荷情况；(4)考虑多储能系统协同优化，给出约束条件：bk(i)＝bk_itself(i)+bk_others(i)αk·bk_min≤bk_others(i)≤αk·bk_maxbkj(i)·bjk(i)≥0j≠kbk_itself(i)·bkj(i)≥0j≠kPk_net(k)＝Pk_load(k)+bk_itself(i)+b'k_others(i)其中bk_itself(i)为第k个用户储能系统i时刻对自身负荷的充放电情况，bk_others(i)为储能系统对其他用户负荷的充放电情况，bk_others(i)由对不同用户的充放电变量bkj(i)构成，αk为用户定义系数，表明用户在单位时刻储能系统参与协同优化的指标，b'k_others(i)为其他储能设备对第k个用户的负荷充放电情况，由不同用户的储能系统对第k个用户的充放电变量bjk(i)构成，Pk_load(i)为第k个用户实际的负荷情况；(5)根据构造的优化问题进行优化，采用启发式的遗传算法进行求解，得到多储能系统的充放电功率序列，并作为预测日储能系统的充放电行为的执行标准，完成电池储能系统的优化调度。