配置光储充微网容量的方法、装置、设备及存储介质与流程

专利检索2022-05-10  13



1.本发明涉及光储充微网的技术领域,尤其涉及配置光储充微网容量的方法、装置、设备及存储介质。


背景技术:

2.微网(micro

grid,也称为“微电网”)是由分布式电源系统和储能系统等组成的小型发电和配电系统;分布式电源系统可以为分布式的可再生电源,例如为通过光伏发电的系统,微网能够将可再生电源随机产生的间歇性能量安全而可靠地并入到电网(grid)。
3.传统的微网在能量储充和容量配置上存在问题。例如,现有技术(如,现有文献一和二,其专利号分别为cn201610182863.4和cn201510473703.0)预先构建了能量存储模型和运行策略,但未考虑到微网在多种不同的应用场景下如何实现成本最优;现有技术(如,现有文献三和四,其专利号分别为cn201810146185.5和cn201710703339.1)涉及微网运行成本的计算,但未考虑到微网的容量变化所产生的技术和经济影响。


技术实现要素:

4.本发明解决的技术问题是如何解决微网在能量存储和容量配置上存在的问题。
5.本发明实施例提供一种配置光储充微网容量的方法,光储充微网包括光伏系统和储能系统,方法包括:步骤一,基于配置点获取光伏系统的光伏容量和储能系统的储能容量,基于太阳光照辐射强度和与光伏容量相关的参数计算出光伏系统的出力功率,配置点为储能容量和光伏容量这二个变量所形成平面上的点;步骤二,将光伏系统的出力功率、用户负荷工况以及智能算法优化得到的电网出力功率输入到功率平衡模型中,从而计算出储能系统的输出功率,以及计算出实时soc;步骤三,将储能系统的输出功率和实时soc输入到电池容量衰减模型中,从而计算出储能系统的置换周期;步骤四,将置换周期和经济相关参量输入到与成本净现值相关的目标函数,目标函数基于迭代优化而计算出配置点处的最低总净现值成本;步骤五,重复步骤一至四直至获取平面上各配置点处的最低总净现值成本;步骤六,比较平面上各配置点处的最低总净现值成本而获取成本最优的配置点。
6.可选地,步骤一包括通过如下公式计算光伏系统的出力功率p
pv

7.p
pv
=i
pv
v
pv

[0008][0009]
[0010][0011][0012][0013]
其中,光伏系统包括光伏电池,i
pv
为光伏电池的工作电流,v
pv
为光伏电池的工作电压,i
ph
为光电流,i
o
为反向电流,r
s
为等效串联电阻的阻值,q为电子电量,n为光电二极管的因数,k为玻尔兹曼常量,t为测试温度,n
s
为光伏电池内电池片的个数,k
i
为短路电流温度系数,t
ref
为标准测试温度,i
scn
为pn结的正向电流,i
m
为光伏电池处于最大输出功率时的输出电流,i
on
为标准测试下pn结的正向电流,v
m
为光伏电池处于最大输出功率时的输出电压,e
g
为光电二极管中光电材料的带隙,v
ocn
为开路电压,s为太阳光照辐射强度,s
ref
为标准测试下太阳光照辐射强度。
[0014]
可选地,功率平衡模型具有如下公式:
[0015]
p
ev
(t)=p
pv
(t) p
ess
(t) p
grid
(t),
[0016]
其中,p
ev
(t)为用户负荷工况中充电桩的负荷功率,p
pv
(t)为光伏系统的出力功率,p
ess
(t)为储能系统的输出功率,p
grid
(t)为电网出力功率。
[0017]
可选地,步骤二通过如下公式计算储能系统的实时soc:
[0018][0019][0020]
v
bat
=ocv
bat

i
bat
r
bat

[0021]
其中,储能系统包括储能电池,实时soc和soc0分别为储能系统的实时电池荷电状态值和初始荷电状态值,η
c
为储能电池的充放电效率,i
bat
为储能电池的充放电电流,q
bat
为储能电池的充放电电荷,ocv
bat
为储能电池的开路电压,p
bat
为储能电池的输出功率,r
bat
为储能电池的内阻,v
bat
为储能电池的工作电压。
[0022]
可选地,步骤三包括:将储能容量由初始容量衰减至比例阈值的时间设置为储能系统的置换周期。
[0023]
可选地,目标函数基于总初始投资成本、总置换成本净现值和总运维成本净现值
之和而取最低总净现值成本,步骤四包括通过如下公式计算配置点处的最低总净现值成本min{npc}:
[0024]
min{npc}=min{c
inv
npc
rep
npc
o&m
},
[0025]
c
inv
=c
inv,pv
c
inv,ess
c
inv,dc/dc

[0026][0027][0028][0029]
其中,c
inv
为总初始投资成本,npc
rep
为总置换成本净现值,npc
o&m
为总运维成本净现值,c
inv,pv
为光伏系统的初始投资成本,c
inv,ess
为储能系统的初始投资成本,c
inv,dc/dc
为dc

dc变换器的初始投资成本,rod为价格贬值率,n
rep
为生命周期内储能系统的置换次数,l为储能系统的生命周期,l
rep
为储能系统的置换周期,i为无风险利率,c
grid
为微网向电网购电的成本,c
m
为储能系统、光伏系统和dc/dc变换器的年均维护成本,inf为年均通货膨胀率。
[0030]
可选地,步骤四包括在目标函数满足约束条件的情况下基于迭代优化而计算出配置点处的最低总净现值成本,约束条件包括以下公式中的至少一者:
[0031]

p
dc/dc
≤p
ess
≤p
dc/dc

[0032]

p
wire
≤p
grid
≤p
wire

[0033][0034]
soc
min
(t)≦soc(t)≦soc
max
(t),
[0035][0036][0037]
其中,p
dc/dc
为dc

dc变换器的输出功率,p
ess
为储能系统的输出功率,p
wire
为电网电缆的传输功率,p
grid
为电网出力功率,

dod为储能系统中储能电池的充放电深度的变化量,soc(t)为储能系统随时间变化的电池荷电状态量,soc
min
(t)为储能系统在运行末期时soc的最小值,soc
max
(t)为储能系统在运行末期时soc的最大值,lpsp为比值,s
loss
(t)为时
刻t微网缺电的能量,s
demand
(t)为时刻t微网需要充电的能量,lpsp
max
为lpsp的最大值,lppv为光伏发电损失的比值,p
pv,loss
(t)为时刻t未被存储至储能系统或者未被利用的能量,p
pv
(t)为时刻t光伏系统发电的能量,lppv
max
为lppv的最大值,t为时刻的数量。
[0038]
可选地,步骤四包括:目标函数通过智能优化算法进行迭代优化而计算出配置点处的最低总净现值成本,智能优化算法包括粒子群优化算法、遗传算法和退火算法。
[0039]
本发明实施例还提供一种设备,包括存储器和处理器,存储器上存储有可在处理器上运行的计算机指令,处理器运行计算机指令时执行上述任一项方法的步骤。
[0040]
本发明实施例还提供一种存储介质,其上存储有计算机指令,计算机指令运行时执行上述任一项方法的步骤。
[0041]
本发明实施例还提供一种配置光储充微网容量的装置,光储充微网包括光伏系统和储能系统,装置包括:第一获取模块,其适于基于配置点获取光伏系统的光伏容量和储能系统的储能容量,基于太阳光照辐射强度和与光伏容量相关的参数计算出光伏系统的出力功率,配置点为储能容量和光伏容量这二个变量所形成平面上的点;第一计算模块,其适于将光伏系统的出力功率、用户负荷工况以及智能算法优化得到的电网出力功率输入到功率平衡模型中,从而计算出储能系统的输出功率,以及计算出实时soc;第二计算模块,其适于将储能系统的输出功率和实时soc输入到电池容量衰减模型中,从而计算出储能系统的置换周期;第三计算模块,其适于将置换周期和经济相关参量输入到与成本净现值相关的目标函数,目标函数基于迭代优化而计算出配置点处的最低总净现值成本;第二获取模块,其适于获取平面上其余各配置点处的最低总净现值成本;比较模块,其适于比较平面上各配置点处的最低总净现值成本而获取成本最优的配置点。
[0042]
可选地,第一获取模块适于通过如下公式计算光伏系统的出力功率p
pv

[0043]
p
pv
=i
pv
v
pv

[0044][0045][0046][0047]
[0048][0049]
其中,光伏系统包括光伏电池,i
pv
为光伏电池的工作电流,v
pv
为光伏电池的工作电压,i
ph
为光电流,i
o
为反向电流,r
s
为等效串联电阻的阻值,q为电子电量,n为光电二极管的因数,k为玻尔兹曼常量,t为测试温度,n
s
为光伏电池内电池片的个数,k
i
为短路电流温度系数,t
ref
为标准测试温度,i
scn
为pn结的正向电流,i
m
为光伏电池处于最大输出功率时的输出电流,i
on
为标准测试下pn结的正向电流,v
m
为光伏电池处于最大输出功率时的输出电压,e
g
为光电二极管中光电材料的带隙,v
ocn
为开路电压,s为太阳光照辐射强度,s
ref
为标准测试下太阳光照辐射强度。
[0050]
可选地,功率平衡模型具有如下公式:
[0051]
p
ev
(t)=p
pv
(t) p
ess
(t) p
grid
(t),
[0052]
其中,p
ev
(t)为用户负荷工况中充电桩的负荷功率,p
pv
(t)为光伏系统的出力功率,p
ess
(t)为储能系统的输出功率,p
grid
(t)为电网出力功率。
[0053]
可选地,第一计算模块适于通过如下公式计算储能系统的实时soc:
[0054][0055][0056]
v
bat
=ocv
bat

i
bat
r
bat

[0057]
其中,储能系统包括储能电池,实时soc和soc0分别为储能系统的实时电池荷电状态值和初始荷电状态值,η
c
为储能电池的充放电效率,i
bat
为储能电池的充放电电流,q
bat
为储能电池的充放电电荷,ocv
bat
为储能电池的开路电压,p
bat
为储能电池的输出功率,r
bat
为储能电池的内阻,v
bat
为储能电池的工作电压。
[0058]
可选地,第二计算模块适于将储能容量由初始容量衰减至比例阈值的时间设置为储能系统的置换周期。
[0059]
可选地,目标函数基于总初始投资成本、总置换成本净现值和总运维成本净现值之和而取最低总净现值成本,第三计算模块适于通过如下公式计算配置点处的最低总净现值成本min{npc}:
[0060]
min{npc}=min{c
inv
npc
rep
npc
o&m
},
[0061]
c
inv
=c
inv,pv
c
inv,ess
c
inv,dc/dc

[0062]
[0063][0064][0065]
其中,c
inv
为总初始投资成本,npc
rep
为总置换成本净现值,npc
o&m
为总运维成本净现值,c
inv,pv
为光伏系统的初始投资成本,c
inv,ess
为储能系统的初始投资成本,c
inv,dc/dc
为dc

dc变换器的初始投资成本,rod为价格贬值率,n
rep
为生命周期内储能系统的置换次数,l为储能系统的生命周期,l
rep
为储能系统的置换周期,i为无风险利率,c
grid
为微网向电网购电的成本,c
m
为储能系统、光伏系统和dc/dc变换器的年均维护成本,inf为年均通货膨胀率。
[0066]
可选地,第三计算模块适于在目标函数满足约束条件的情况下基于迭代优化而计算出配置点处的最低总净现值成本,约束条件包括以下公式中的至少一者:
[0067]

p
dc/dc
≤p
ess
≤p
dc/dc

[0068]

p
wire
≤p
grid
≤p
wire

[0069][0070]
soc
min
(t)≦soc(t)≦soc
max
(t),
[0071][0072][0073]
其中,p
dc/dc
为dc

dc变换器的输出功率,p
ess
为储能系统的输出功率,p
wire
为电网电缆的传输功率,p
grid
为电网出力功率,

dod为储能系统中储能电池的充放电深度的变化量,soc(t)为储能系统随时间变化的电池荷电状态量,soc
min
(t)为储能系统在运行末期时soc的最小值,soc
max
(t)为储能系统在运行末期时soc的最大值,lpsp为比值,s
loss
(t)为时刻t微网缺电的能量,s
demand
(t)为时刻t微网需要充电的能量,lpsp
max
为lpsp的最大值,lppv为光伏发电损失的比值,p
pv,loss
(t)为时刻t未被存储至储能系统或者未被利用的能量,p
pv
(t)为时刻t光伏系统发电的能量,lppv
max
为lppv的最大值,t为时刻的数量。
[0074]
可选地,第三计算模块适于目标函数通过智能优化算法进行迭代优化而计算出配置点处的最低总净现值成本,智能优化算法包括粒子群优化算法、遗传算法和退火算法。
[0075]
本发明的实施例可以解决光储充微电网规划中的多种问题,具有相应的有益效果。
[0076]
例如,在本发明的实施例中,考虑到微网的多种应用场景以及不同的工况,在不同的应用场景或不同的工况下,微网运行寿命期间的成本净现值可能不同,本发明实施例提供的技术方案将目标函数与微网运行寿命期间的成本净现值相关,以匹配微网实际建设或运营维护的具体情形。
[0077]
又例如,在本发明的实施例中,考虑到在运行过程中微网的容量存在变化以及资产基于技术原因而形成随时间变化的价值(即时间价值),如储能系统的性能会衰减、需要置换,本发明实施例提供的技术方案计算出储能系统的输出功率、实时soc(state of charge,荷电状态)和置换周期等作为参数输入到目标函数中,使得微网可以运行于成本最优的配置点。
[0078]
又例如,在本发明的实施例中,提供了智能优化算法的特定应用,通过迭代优化而计算出配置点处的最低总净现值成本;智能优化算法包括粒子群优化算法、遗传算法(ga)和退火算法(sa)。
附图说明
[0079]
图1是本发明实施例中与电网耦接的光储充微网的结构示意图;
[0080]
图2是本发明实施例中配置光储充微网容量的方法的流程图;
[0081]
图3为本发明实施例中六种工况的示意图;
[0082]
图4为本发明实施例中光伏系统的光伏电池单二极管等效电路模型的示意图;
[0083]
图5为本发明实施例中光伏系统的工作电流和出力功率随着工作电压变化的曲线图;
[0084]
图6为本发明实施例中储能电池的开路电压和内阻随荷电状态变化的示意图;
[0085]
图7为本发明实施例中电池容量衰减模型的仿真结果与实际实验数据的对比图;
[0086]
图8为本发明实施例中粒子群优化算法的示意图;
[0087]
图9为本发明实施例中六种工况下运行功率随着时间变化的示意图;
[0088]
图10为本发明实施例中六种工况下最低总净现值成本关于配置点的三维示意图;
[0089]
图11为本发明实施例中配置光储充微网容量的装置的结构示意图。
具体实施方式
[0090]
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例作详细的说明。
[0091]
如图1所示,提供了光储充微网100。光储充微网100为微网的一种类型,其中,电源系统为通过光伏发电的系统;光储充微网100具有能量存储以及对外(如对充电桩)充电的功能。
[0092]
光储充微网100包括光伏系统(photovoltaic,pv)110和储能系统(energy storage system,ess)120。
[0093]
光伏系统110包括光伏阵列(也称为光伏组件),其用于将太阳能转换为电能。
[0094]
储能系统120可以包括至少一个电池系统(也称为储能电池),每一个电池系统可以包括若干个用于储存能量的电池模块。在图1中,示意了n个电池系统。储能系统120可以由能量管理系统(energy management system,ems)进行管理。
[0095]
电网130可以通过交流直流转换设备(ac/dc转换器)与光储充微网100耦接,从而可以接收来自于光储充微网100的能量或者向光储充微网100输送能量。
[0096]
光伏系统110、储能系统120和电网130中的至少一者可以通过直流母线或交流母线向充电桩140输送能量;充电桩140包括直流充电桩和交流充电桩。
[0097]
电池堆管理系统(battery array management system,bams)可以连接ems和充电桩140,以对这二者进行管理。
[0098]
如图2所示,方法200用于配置光储充微网的容量;光储充微网包括光伏系统和储能系统,光储充微网的容量包括与光伏系统出力功率相关的光伏容量和与储能系统所储存的电力相关的储能容量。
[0099]
在本发明的实施例中,储能系统可以包括至少一个储能电池,因此,储能系统的相关参数即为至少一个储能电池的参数。具体而言,储能容量、输出功率、实时电池荷电状态值soc、初始荷电状态值soc0、衰减参数、置换周期l
rep
、初始投资成本c
inv,ess
、生命周期内储能系统的置换次数n
rep
、生命周期l、年均维护成本c
m
等参数分别与至少一个储能电池相关。
[0100]
方法200包括如下步骤:步骤一,基于配置点获取光伏系统的光伏容量和储能系统的储能容量,基于太阳光照辐射强度和与光伏容量相关的参数计算出光伏系统的出力功率,配置点为储能容量和光伏容量这二个变量所形成平面上的点;步骤二,将光伏系统的出力功率、用户负荷工况以及智能算法优化得到的电网出力功率输入到功率平衡模型中,从而计算出储能系统的输出功率,以及计算出实时soc;步骤三,将储能系统的输出功率和实时soc输入到电池容量衰减模型中,从而计算出储能系统的置换周期;步骤四,将置换周期和经济相关参量输入到与成本净现值相关的目标函数,目标函数基于迭代优化而计算出配置点处的最低总净现值成本;步骤五,重复步骤一至四直至获取平面上各配置点处的最低总净现值成本;步骤六,比较平面上各配置点处的最低总净现值成本而获得成本最优的配置点。
[0101]
在本发明的实施例中,通过双层结构对光储充微网的容量进行配置,其中,双层结构包括位于上层的容量配置层和位于下层的能量管理层。通过该双层结构的设置,可以在微网的设计阶段就能够预先确定成本最优的、储能容量和光伏容量的组合。
[0102]
如图2所示,方法200中所反映的双层结构包括容量配置层和能量管理层。
[0103]
容量配置层用于配置光储充微网的储能容量和光伏容量;例如,接收光伏系统的工况和太阳光照辐射强度等参数的输入,确定储能容量和光伏容量的工作范围,对于储能容量和光伏容量的各种组合(组合可称为“配置点”)确定其最低总净现值成本,以及比较平面上各配置点处的最低总净现值成本而获得成本最优的配置点。
[0104]
能量管理层可以基于任一储能容量和光伏容量的组合计算相应的最低总净现值成本和能量运行策略;例如,基于功率平衡模型计算储能系统的输出功率和实时soc,基于电池容量衰减模型计算储能系统的置换周期,基于与成本净现值相关的目标函数计算选定配置点处的最低总净现值成本,其中,目标函数基于光储充微网在其整个生命周期中的各种成本等输入参量,例如,总初始投资成本、置换成本和运维成本。
[0105]
以下结合具体步骤进行描述。
[0106]
在步骤一的执行中,储能容量和光伏容量都可以变化,可以确定这二者的变化范围并将其作为x轴和y轴中的一者和另一者,从而形成xy平面。不同的储能容量和不同的光
伏容量可以彼此组合,从而形成xy平面上的具体配置点。
[0107]
可以基于配置点获取光伏系统的光伏容量和储能系统的储能容量,基于太阳光照辐射强度和与光伏容量相关的参数计算出光伏系统的出力功率。
[0108]
工况包括二种情形:一是充电桩上电动车充电的工况(如24小时的充电工况),可称为用户负荷工况;二是太阳辐射的工况,可以提取太阳光照辐射强度。
[0109]
图3包括子图3a至3f,分别示出了六种不同的工况,均涉及充电桩上电动车充电的工况,其中横坐标对应一天中的24小时,纵坐标表示充电功率。六种不同的工况对应不同的充电行为,使得充电桩上的充电功率基于时间呈现不同的分布,其与太阳光照辐射无关。
[0110]
在具体实施中,工况可以周期性地提取,例如以小时或日为周期进行提取。
[0111]
可以通过聚类算法提取工况。聚类算法包括k

means聚类算法或者其他无监督的机器学习方法。
[0112]
以下基于k

means聚类算法进行说明。
[0113]
确定全部数据集为:p=[p1,p2,...,p
i
,...,p
n
]
t
,其中,p为全部数据集,其中包括n条数据,p1、p2、p
i
、p
n
分别为第1、2、i和n条数据,t为矩阵转置。
[0114]
全部数据集中的每一条数据都可以具有m个维度,例如,p
i
可以表示为:p
i
=[p
i1
,p
i2
,...,p
it
,...,p
im
],其中,p
i1
、p
i2
、p
ii
、p
im
分别为第i条数据的第1、2、t、m个维度。可以以小时为周期,此时,m=24。
[0115]
可以生成k个聚类中心簇:{μ1,μ2,...,μ
k
},1<k≤n,并且通过如下公式计算所有点到中心簇的欧式距离:
[0116][0117]
其中,μ
jt
为第j个中心簇μ
j
的第t个维度。
[0118]
将距离最近的均值向量作为p
j
的簇标记:
[0119]
λ
j
=argmin
i∈{1,2,3,...,k}
d
ji
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0120]
其中,d
ji
为第i条数据到第j个中心簇的距离。
[0121]
将样本p
j
划入相应的簇:
[0122][0123]
其中,为簇标记为λj的样本集合、为将样本p
j
划入的相应簇。
[0124]
计算新的均值向量:
[0125][0126]
其中,|c
i
|为当前属于第i簇所有样本的模。
[0127]
反复迭代,使得:
[0128]


i

μ
i
|<ε
ꢀꢀ
(5)
[0129]
其中,ε为设定的迭代终止条件。
[0130]
可以通过所获得的太阳光照辐射强度s和与光伏容量相关的参数(如光伏系统或
者光伏电池的工作电流、工作电压、光电流、反向电流、等效串联内阻、光电二极管的品质因数、光伏电池内电池片的个数等)计算光伏系统的出力功率p
pv

[0131]
如图4所示,光伏系统的光伏电池包括光电二极管、等效串联电路r
s
和分流电阻r
sh
,可以通过如下公式计算光伏系统的出力功率p
pv

[0132]
p
pv
=i
pv
v
pv
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0133][0134][0135]
其中,在光伏电池中,i
pv
为工作电流,v
pv
为工作电压,i
ph
为光电流,i
o
为反向电流,r
s
为等效串联内阻,q为电子电量,n为光电二极管的品质因数,k为玻尔兹曼常量,t为测试温度,n
s
为光伏电池内电池片的个数,k
i
为短路电流温度系数,t
ref
为标准测试温度(例如,t
ref
可以取25℃),s为太阳光照辐射强度,s
ref
为标准测试下太阳光照辐射强度(例如,s
ref
可以取1000w/m2)。
[0136]
在公式(6)至(8)中,可以通过改变工作电压v
pv
来获得光伏系统的最大出力功率。
[0137]
如图5所示,横坐标为工作电压v
pv
,左侧的纵坐标为工作电流(current)i
pv
;随着工作电压v
pv
从0逐渐增大,工作电流i
pv
由初始电流(位于200至300a之间)逐渐下降至0。右侧的纵坐标为出力功率(power);随着工作电压v
pv
从0逐渐增大,出力功率先从0逐渐增大至最大出力功率(图中标记为max power point),然后下降至0。
[0138]
可以通过如下公式计算等效串联内阻r
s
和反向电流i
o

[0139][0140][0141][0142]
其中,在光伏电池中,i
scn
为pn结的正向电流,i
m
为光伏电池处于最大输出功率时的输出电流,i
on
为标准测试下pn结的正向电流,v
m
为光伏电池处于最大输出功率时的输出电压,e
g
为光电二极管中光电材料的带隙,v
ocn
为开路电压。
[0143]
在本发明的一个实施例中,光伏电池具有设定的参数,如表1所示。
[0144]
表1
[0145][0146]
在步骤二的执行中,可以计算储能系统的输出功率p
ess
(t)。
[0147]
具体而言,将计算出的出力功率p
pv
(由于出力功率是基于时间变化的参量,因此其也可以由p
pv
(t)表示)输入到功率平衡模型中,以计算储能系统的输出功率p
ess
(t);功率平衡模型具有如下公式:
[0148]
p
ev
(t)=p
pv
(t) p
ess
(t) p
grid
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0149]
其中,p
ev
(t)为充电桩的负荷功率(属于用户负荷工况),p
pv
(t)为光伏系统的出力功率,p
ess
(t)为储能系统的输出功率,p
grid
(t)为电网出力功率(可通过现有的智能算法进行优化计算而得到)。
[0150]
在充电桩的负荷功率p
ev
(t)和电网出力功率p
grid
(t)确定时,可以通过光伏系统的出力功率p
pv
(t)计算出储能系统的输出功率p
ess
(t)。
[0151]
在步骤二的执行中,可以计算储能系统的实时soc。
[0152]
具体而言,可以通过如下公式计算实时soc:
[0153][0154][0155]
v
bat
=ocv
bat

i
bat
r
bat
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0156]
其中,储能系统包括储能电池,实时soc和soc0分别为储能系统的实时电池荷电状
态值和初始荷电状态值,η
c
为储能电池的充放电效率,i
bat
为储能电池的充放电电流(i
bat
>0表示储能电池放电,i
bat
<0表示储能电池充电),q
bat
为储能电池的充放电电荷,ocv
bat
为储能电池的开路电压,p
bat
为储能电池的输出功率,r
bat
为储能电池的内阻,v
bat
为所述储能电池的工作电压。
[0157]
如图6所示,横坐标为荷电状态soc,左侧的纵坐标为放电内阻(r
dch
)或者充电内阻(r
cha
);随着荷电状态soc从0逐渐增大,r
dch
或者r
cha
逐渐下降。右侧的纵坐标为储能电池的开路电压ocv
bat
;随着荷电状态soc从0逐渐增大,开路电压ocv
bat
逐渐增大。
[0158]
在步骤三的执行中,将储能系统的输出功率p
ess
(t)和实时soc输入到电池容量衰减模型中,从而计算出储能系统的置换周期。其中,输出功率p
ess
(t)与电池充放电倍率和储能系统的工作电流i
ess
(t)相关,实时soc与电池容量变化的绝对值δah和dod(depth of discharge,放电深度)相关。
[0159]
储能系统具有初始容量,在运行的过程中,储能容量不断衰减,可以预先设置初始容量的比例阈值(其与初始容量之积为容量阈值),将储能系统由初始容量衰减至容量阈值的时间设置为储能系统的置换周期。
[0160]
比例阈值取自70

90%之间;例如,比例阈值可以为85%,即,当储能容量衰减至初始容量的85%时,储能系统中的至少一个储能电池需要更换。
[0161]
具体而言,可以建立电池容量衰减模型,以计算光储充微网在动态运行的工况下电池的衰退程度,从而计算出储能系统或储能电池的置换周期。通过该方式,可以使得储能系统或储能电池的置换成本更加精确。
[0162]
电池容量衰减模型为结合的capn(combined arrhenius

peukert

nrel)离散模型,包括与dod(depth of discharge,放电深度)相关的基于peukert定律的经验公式(peukert lifetime energy throughput,plet)、与电池总有效安时数及soc相关的nrel模型、以及与电池充放电倍率相关的阿伦尼乌斯模型(arrhenius model)。
[0163]
可以通过如下公式计算
[0164][0165]
其中,和分别为基于结合的capn模型的电池容量衰减、基于阿伦尼乌斯模型的电池容量衰减、基于plet经验公式的电池容量衰减和基于nrel模型的电池容量衰减,t为离散的时刻,λ1、λ2和λ3为相应的调节参数。
[0166]
可以通过如下公式计算
[0167][0168][0169]
其中,z为需要辨识的指数参数,a为标定的参数,e
a
为活化能,r为气体常数,t
am
为环境绝对温度,为在t

1时刻积累的容量衰减,δah为在t

1到t时刻电池容
量变化的绝对值,i
ess
(t)为储能系统的工作电流。
[0170]
可以通过如下公式计算
[0171][0172]
其中,和k
p
均为由实验确定的经验常数,δdod(t)为储能电池soc在时间t的间隔内的变化量。
[0173]
可以通过如下公式计算
[0174][0175][0176]
其中,γ
r
为与额定电池容量、额定放电深度和额定循环次数有关的参数,d
a
和c
a
分别为在实际的充放电过程中的dod和电池容量和,c
r
和d
r
分别为在测量γ
r
过程中设置的额定容量和额定放电深度,其他参数由实验标定的经验参数得到。
[0177]
电池容量衰减模型需要根据实验标定符合实际衰减过程的物理参数。
[0178]
如图7所示,横坐标为循环充放电次数(cycle number),纵坐标为电池健康状态参数(state of health);随着循环充放电次数逐渐增大,电池健康状态参数逐渐下降。其中,实验数据标定的值(experiment data)与基于capn离散模型(capn model)计算的值的均方根误差(rmse)为0.15%。
[0179]
在一个实施例中,如表2所示,电池容量衰减模型具有如下参数和相应的数值。
[0180]
表2
[0181]
[0182][0183]
在步骤四的执行中,将置换周期和经济相关参量输入到与成本净现值相关的目标函数,目标函数基于迭代优化而计算出配置点处的最低总净现值成本;其中,目标函数为与成本净现值相关的函数,其基于总初始投资成本、总置换成本净现值和总运维成本净现值之和而取其中的最低总净现值成本。
[0184]
具体而言,可以通过如下公式计算配置点处的最低总净现值成本min{npc}:
[0185]
min{npc}=min{c
inv
npc
rep
npc
o&m
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)
[0186]
其中,c
inv
为总初始投资成本,npc
rep
为总置换成本净现值,npc
o&m
为总运维成本净现值;这三个参数均属于经济相关参量。
[0187]
可以通过如下公式计算总初始投资成本c
inv

[0188]
c
inv
=c
inv,pv
c
inv,ess
c
inv,dc/dc
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)
[0189]
其中,c
inv,pv
为光伏系统的初始投资成本,c
inv,ess
为储能系统的初始投资成本,c
inv,dc/dc
为dc

dc变换器的初始投资成本。
[0190]
在具体实施中,可以将总初始投资成本c
inv
计算到某一天,并假设其对每一年带来的现金流变化是相等的,则可以通过如下公式计算总初始投资成本c
inv

[0191][0192]
其中,c
inv,year
为光伏系统一年的投资成本,r为无风险回报率,n为从投资开始到项目终止的年数。
[0193]
假设一年内的成本或价值不会发生较大的变化,则可以通过如下公式计算一天内的投资成本c
inv,day

[0194][0195]
比较于具有较长使用寿命的光伏系统和dc/dc变换器,储能系统的使用寿命相对较短。区别于现有技术,本发明实施例考虑到储能系统基于其生命周期的置换成本,包括储能系统的置换周期、价格贬值率(rate of descent,rod)和寿命末期储能电池的剩余价值等,其中,储能系统的置换周期包括储能系统中至少一个储能电池的置换周期l
rep

[0196]
可以通过如下公式计算总置换成本净现值npc
rep

[0197][0198]
其中,n
rep
为储能系统全生命周期内储能电池的置换次数,i为无风险利率,l为储能系统的生命周期。
[0199]
可以通过如下公式计算置换次数n
rep

[0200][0201]
由于储能电池的置换,储能系统的初始投资成本发生了变化;可以通过如下公式计算变化后的、储能系统的初始投资成本
[0202][0203]
类似地,也可以将初始投资成本折算为一天中的成本。
[0204]
在微网运营的过程中,还可以考虑微网向电网购电的成本c
grid
,以及光伏系统、储能系统和dc/dc变流器的年均维护成本c
m

[0205]
可以通过如下公式计算总运维成本净现值npc
o&m

[0206][0207]
其中,inf为年均通货膨胀率。
[0208]
可以通过如下公式计算年均维护成本c
m

[0209]
c
m
=c
m,pv
c
m,ess
c
m,dc/dc
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(30)
[0210]
其中,c
m,pv
为光伏系统的年均维护成本,c
m,ess
为储能系统的年均维护成本,c
m,dc/dc
为dc/dc变流器的年均维护成本。
[0211]
可以通过如下公式计算每天的成本净现值npc
day

[0212][0213]
在一个实施例中,如表3和4所示,光储充微网具有如下经济相关参量和相应的数值。
[0214]
表3
[0215][0216][0217]
表4
[0218][0219]
在步骤四的执行中,目标函数可以在满足约束条件的情况下基于迭代优化而计算出配置点处的最低总净现值成本,约束条件包括以下公式中的至少一者:
[0220]

p
dc/dc
≤p
ess
≤p
dc/dc
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(32)
[0221]

p
wire
≤p
grid
≤p
wire
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(33)
[0222][0223]
soc
min
(t)≦soc(t)≦soc
max
(t)(35)
[0224][0225][0226]
其中,p
dc/dc
为dc

dc变换器的输出功率,p
ess
为储能系统的输出功率,p
wire
为电网电缆的传输功率,p
grid
为电网出力功率,

dod为储能系统中储能电池的充放电深度的变化量,soc(t)为储能系统随时间变化的电池荷电状态量,soc
min
(t)为储能系统在运行末期时soc的最小值,soc
max
(t)为储能系统在运行末期时soc的最大值,lpsp为比值,s
loss
(t)为时刻t微网缺电的能量,s
demand
(t)为时刻t网需要充电的能量,lpsp
max
为lpsp的最大值,lppv为光伏发电损失的比值,p
pv,loss
(t)为时刻t未被存储至储能系统或者未被利用的能量,p
pv
(t)为时刻t光伏系统发电的能量,lppv
max
为lppv的最大值,t为时刻的数量。
[0227]
在一个实施例中,如表5所示,目标函数可以具有如下需满足约束条件和相应的数值。
[0228]
表5
[0229][0230]
在步骤四的执行中,目标函数通过智能优化算法进行迭代优化而计算出配置点处的最低总净现值成本,智能优化算法包括粒子群优化算法、遗传算法和退火算法。
[0231]
如图8所示,可以基于粒子群优化算法进行迭代优化而计算出配置点处的最低总净现值成本。
[0232]
粒子群优化算法(particle swarm optimization,pso)是一种群智能进化算法,常被应用于大规模数据的全局最优解的寻找,其基本思想是基于鸟类捕食行为中个体对信息的共享,从而使整体向最优解靠近的过程。
[0233]
在本发明的实施例中,可以搜索24小时的p
grid
(t),结合前面聚类算法得到的光伏出力功率p
pv
(t),通过功率平衡模型的公式(12),可以获得储能系统的输出功率p
ess
(t);通过前述计算进一步代入公式(22),计算得到最低总净现值成本min{npc}以及与其对应的、24维p
grid
(对应24小时),表示为(x1,x2,

,x
d
)。
[0234]
首先,输入微网模型参数,并且初始化由经济相关参量和可靠性优化变量组成的粒子群。
[0235]
假设目标的搜索空间有d个维度(例如,基于一天24小时而取24个维度),初始化m个粒子;可以通过如下公式表示第i个粒子当前的位置和速度:
[0236]
x
m
=(x
m1
,x
m2
,

,x
md
),m=1,2,

,m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(38)
[0237]
v
m
=(v
m1
,v
m2
,

,v
md
),m=1,2,

,m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(39)
[0238]
其中,m为粒子数,x
m
即为第m个粒子对应的p
grid
,v
m
为第m个粒子对应的、在搜索取值范围内初始化的随机数。
[0239]
其次,将生成的粒子群(如其位置和速度)代入功率平衡模型,输出的特征参数,并且基于与成本净现值相关的目标函数计算该粒子群的适应度。
[0240]
在每一次迭代过程中,当单个粒子寻优得到最优适应度值时,记录为个体极值p
best
;可以通过如下公式表示个体极值p
best

[0241]
p
best
=(p
m1
,p
m2
,

,p
md
),m=1,2,

,m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(40)
[0242]
其中,p
m1
、p
m2
和p
md
分别为使得适应度值(即本发明实施例中的npc)最小时第m个粒子的位置(即本发明实施例中的p
grid
)的取值。
[0243]
当一轮所有粒子的搜索结束后,整个粒子群寻优得到最优位置时,记录为全局极值g
best
;可以通过如下公式表示全局极值g
best

[0244]
g
best
=(p
g1
,p
g2
,

,p
gd
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(41)
[0245]
其中,p
g1
、p
g2
和p
gd
分别为使得适应度值(即本发明实施例中的npc)最小时全局粒子的位置(即本发明实施例中的p
grid
)的取值。
[0246]
接着,更新粒子的速度、位置以及全局最优粒子的位置。
[0247]
可以通过如下公式表示更新粒子的速度
[0248][0249]
其中,ω为权重因子,q为迭代次数,为更新前的粒子速度,c1,c2分别为表示社会性和个体性的权重因子,r1,r2分别为[0,1]范围内的随机数,为更新前的粒子位置,x
gbest
为全局最优的粒子位置,x
pbest,m
为局部最优的粒子位置。
[0250]
在公式(42)中,更新后的粒子速度包括三项,依次表示粒子维持自身状态的惯性、趋向于群体最优的社会合作属性、以及朝向自身历史最佳状态的属性。
[0251]
可以通过如下公式表示更新后的粒子位置
[0252][0253]
全局最优的粒子位置x
gbest
也可以通过公式(43)来更新。
[0254]
在步骤五的执行中,重复步骤一至四直至获取平面上各配置点处的最低总净现值成本,从而得到每个配置点的最优能量运行策略;其中,该平面为储能容量和光伏容量这二个变量所形成平面。
[0255]
图9包括子图9a至9f,分别示出了六种工况(对应于图3示出的六种工况)下成本最
优的配置点处储能电池放电功率、光伏发电功率、电网出力功率和电池soc随时间的变化关系;其中,横坐标为一天24小时的时刻,纵坐标可以为功率,例如为光伏系统pv的发电功率、从电网grid取电的功率、充电桩charging给给电动车充电的功率、储能系统ess的出力功率(该出力功率为正表示储能电池放电、为负表示储能电池充电),纵坐标还可以为储能电池的荷电状态soc(其值可控制在10%

90%之间)。
[0256]
图10包括子图10a至10f,分别示出了六种工况(对应于图3示出的六种工况)下最低总净现值成本关于配置点的三维示意图,其中反映了每个配置点的最低总净现值成本随储能容量和光伏容量变化的关系;其中,x坐标为储能系统ess的容量(即储能容量),y坐标为光伏系统pv的装机容量(即光伏容量),z坐标为年净现值成本(即最低总净现值成本)。
[0257]
在子图10a至10f的xy平面,储能容量和光伏容量这二个变量可以分别变化,这二者的不同组合形成了光储充微网中的多个配置点。
[0258]
在子图10a至10f的xy平面,示出的多条曲线为等高线(即对应的年净现值成本相等的多条线)。
[0259]
在子图10a至10f的xyz空间,呈现的不同曲面为年净现值成本基于不同配置点的变化曲面,曲面中的最低点即为期望获取的、年净现值成本最优的配置点。
[0260]
在步骤六的执行中,比较平面上各配置点处的最低总净现值成本,从而获得成本最优的配置点、以及该配置点处的相关配置信息,包括微网投资的总成本、总收益、投资回收年限和投资回报率等各项经济相关参数。
[0261]
可以基于图10的三维示意图比较各配置点处的最低总净现值成本,从而获得成本最优的配置点以及该配置点处的相关配置信息。
[0262]
在一个实施例中,如表6所示,分别得到六种工况下成本最优的配置点处的各配置参量的数值,配置参数包括技术参数和经济相关参量。
[0263]
表6
[0264]
[0265]
本发明实施例还公开了一种配置光储充微网容量的设备,该设备可以包括存储器和处理器,存储器上存储有可在处理器上运行的计算机指令。处理器运行该计算机指令时可以执行上述配置光储充微网容量的方法的步骤。
[0266]
本发明实施例还公开了一种配置光储充微网容量的存储介质,其上存储有计算机指令,计算机指令运行时可以执行上述配置光储充微网容量的方法的步骤。存储介质可以包括rom、ram、磁盘或者光盘等。存储介质还可以包括非挥发性存储器(non

volatile)或者非瞬态(non

transitory)存储器等。
[0267]
本发明实施例还提供一种配置光储充微网容量的装置300,光储充微网包括光伏系统和储能系统。
[0268]
如图11所示,装置300包括:第一获取模块310,其适于基于配置点获取光伏系统的光伏容量和储能系统的储能容量,基于太阳光照辐射强度和与光伏容量相关的参数计算出光伏系统的出力功率,配置点为储能容量和光伏容量这二个变量所形成平面上的点;第一计算模块320,其适于将光伏系统的出力功率、用户负荷工况以及智能算法优化得到的电网出力功率输入到功率平衡模型中,从而计算出储能系统的输出功率,以及计算出实时soc;第二计算模块330,其适于将储能系统的输出功率和实时soc输入到电池容量衰减模型中,从而计算出储能系统的置换周期;第三计算模块340,其适于将置换周期和经济相关参量输入到与成本净现值相关的目标函数,目标函数基于迭代优化而计算出配置点处的最低总净现值成本;第二获取模块350,其适于获取平面上其余各配置点处的最低总净现值成本;比较模块360,其适于比较平面上各配置点处的最低总净现值成本而获取成本最优的配置点。
[0269]
在具体实施中,第一获取模块310适于通过如下公式计算光伏系统的出力功率p
pv

[0270]
p
pv
=i
pv
v
pv

[0271][0272][0273][0274]
[0275][0276]
其中,光伏系统包括光伏电池,i
pv
为光伏电池的工作电流,v
pv
为光伏电池的工作电压,i
ph
为光电流,i
o
为反向电流,r
s
为等效串联电阻的阻值,q为电子电量,n为光电二极管的因数,k为玻尔兹曼常量,t为测试温度,n
s
为光伏电池内电池片的个数,k
i
为短路电流温度系数,t
ref
为标准测试温度,i
scn
为pn结的正向电流,i
m
为光伏电池处于最大输出功率时的输出电流,i
on
为标准测试下pn结的正向电流,v
m
为光伏电池处于最大输出功率时的输出电压,e
g
为光电二极管中光电材料的带隙,v
ocn
为开路电压,s为太阳光照辐射强度,s
ref
为标准测试下太阳光照辐射强度。
[0277]
在具体实施中,功率平衡模型具有如下公式:
[0278]
p
ev
(t)=p
pv
(t) p
ess
(t) p
grid
(t),
[0279]
其中,p
ev
(t)为用户负荷工况中充电桩的负荷功率,p
pv
(t)为光伏系统的出力功率,p
ess
(t)为储能系统的输出功率,p
grid
(t)为电网出力功率。
[0280]
在具体实施中,第一计算模块320适于通过如下公式计算储能系统的实时soc:
[0281][0282][0283]
v
bat
=ocv
bat

i
bat
r
bat

[0284]
其中,储能系统包括储能电池,实时soc和soc0分别为储能系统的实时电池荷电状态值和初始荷电状态值,η
c
为储能电池的充放电效率,i
bat
为储能电池的充放电电流,q
bat
为储能电池的充放电电荷,ocv
bat
为储能电池的开路电压,p
bat
为储能电池的输出功率,r
bat
为储能电池的内阻。
[0285]
在具体实施中,第二计算模块330适于将储能容量由初始容量衰减至比例阈值的时间设置为储能系统的置换周期。
[0286]
在具体实施中,目标函数基于总初始投资成本、总置换成本净现值和总运维成本净现值之和而取最低总净现值成本,第三计算模块340适于通过如下公式计算配置点处的最低总净现值成本min{npc}:
[0287]
min{npc}=min{c
inv
npc
rep
npc
o&m
},
[0288]
c
inv
=c
inv,pv
c
inv,ess
c
inv,dc/dc

[0289]
[0290][0291][0292]
其中,c
inv
为总初始投资成本,npc
rep
为总置换成本净现值,npc
o&m
为总运维成本净现值,c
inv,pv
为光伏系统的初始投资成本,c
inv,ess
为储能系统的初始投资成本,c
inv,dc/dc
为dc

dc变换器的初始投资成本,rod为价格贬值率,n
rep
为生命周期内储能系统的置换次数,l为储能系统的生命周期,l
rep
为储能系统的置换周期,c
grid
为微网向电网购电的成本,c
m
为储能系统、光伏系统和dc/dc变换器的年均维护成本,inf为年均通货膨胀率。
[0293]
在具体实施中,第三计算模块340适于在目标函数满足约束条件的情况下基于迭代优化而计算出配置点处的最低总净现值成本,约束条件包括以下公式中的至少一者:
[0294]

p
dc/dc
≤p
ess
≤p
dc/dc

[0295]

p
wire
≤p
grid
≤p
wire

[0296][0297]
soc
min
(t)≦soc(t)≦soc
max
(t),
[0298][0299][0300]
其中,p
dc/dc
为dc

dc变换器的输出功率,p
ess
为储能系统的输出功率,p
wire
为电网电缆的传输功率,p
grid
为电网出力功率,

dod为储能系统中储能电池的充放电深度的变化量,soc(t)为储能系统随时间变化的电池荷电状态量,soc
min
(t)为储能系统在运行末期时soc的最小值,soc
max
(t)为储能系统在运行末期时soc的最大值,lpsp为比值,s
loss
(t)为时刻t微网缺电的能量,s
demand
(t)为时刻t微网需要充电的能量,lpsp
max
为lpsp的最大值,lppv为光伏发电损失的比值,p
pv,loss
(t)为时刻t未被存储至储能系统或者未被利用的能量,p
pv
(t)为时刻t光伏系统发电的能量,lppv
max
为lppv的最大值,t为时刻的数量。
[0301]
在具体实施中,第三计算模块340适于目标函数通过智能优化算法进行迭代优化而计算出配置点处的最低总净现值成本,智能优化算法包括粒子群优化算法、遗传算法和退火算法。
[0302]
关于配置光储充微网容量的装置300的工作原理、工作方式的更多内容,可以参照上述关于配置光储充微网容量的方法的相关描述,这里不再赘述。
[0303]
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
转载请注明原文地址:https://win.8miu.com/read-150466.html

最新回复(0)