技术领域
[0001] 本
发明属于微电网供电技术领域，更具体地，涉及一种面向新
能源发电基于复合储能装置的微电网供电方法。
背景技术
[0002] 目前，社会对
电能的需求日益增长，使得
可再生能源发电发展迅速，成为微电网的重要组成部分。但是由于可再生能源发电具有很大的
波动性和不确定性，将导致系统供需
不平衡，也带来了新的挑战。为了减少可再生能源输出的不确定性对微电网运行的不利影响，推动
风力发电等间歇性能源的规模化应用，通常设置储能设备来辅助可再生能源机组的运行。因此，研究提高微电网系统可再生能源消纳能力的电能存储技术有着非常重要的应用价值。
[0003] 储能装置主要分为以
蓄电池、锂电池为主的
能量型储能装置和以超级电容类、超导磁储能为主的功率型储能装置。能量型储能装置具有能量
密度大、容量高的特点，功率型储能装置具有功率密度大、响应速度快的优势。因此，目前一般采用能量型储能装置和功率型储能装置结合实现“复合储能”模式，合理分配储能装置的出力，既可降低储能装置的成本，又可使复合储能系统同时满足长时大容量和短时大功率的需求，使电网
电压、
频率、有功和
无功功率容易调节；对于复合储能系统来说，容量越大且响应速度越快，平抑系统波动效果就会越突出，但不可避免的会导致经济性问题；因此就涉及到能量型储能装置、功率型储能装置各自的容量配置问题。
[0004] 传统的复合储能装置容量优化配置，或是采用能量型储能装置、功率型储能装置容量固定的方式，或是仅以复合储能装置的全生命周期成本作为优化目标对采用能量型储能装置、功率型储能装置的储能容量进行优化。以上方法除了会带来经济性问题之外，更重要的是会对微电网的运行
稳定性造成显著影响；如果储能容量的配置不当，会导致微电网的供需功率不平衡，造成系统
输出电压和频率不稳，无法为负载提供稳定电压。
[0005] 因此，有必要对现有的储能系统的优化配置方式进行改进，确保系统安全高效稳定运行。
发明内容
[0006] 针对
现有技术的至少一个
缺陷或改进需求，本发明提供了一种基于复合储能装置的微电网供电方法及电子设备，根据微电网在设定时间段内各时刻的发电功率和负载功率计算第一、第二储能装置在各时刻的充放电功率，并根据该充放电功率实时计算第一、第二储能装置各自在设定时间段内的储能容量；确保复合储能补偿后微电网中的电源功率变化最小，且供需功率的瞬时偏差与平均偏差相差最小，使微电网功率平衡，维持系统电压和频率的稳定，为负载提供稳定电压和功率；此外，可同时满足长时大容量和短时大功率的需求，并提高储能装置配置的经济性。
[0007] 为实现上述目的，按照本发明的一个方面，提供了一种基于复合储能装置的微电网供电方法，所述复合储能装置包括功率型的第一储能装置和能量型的第二储能装置，该方法包括以下步骤：
[0008] S1：创建所述复合储能装置的多目标优化模型，所述多目标优化模型包括以复合储能装置成本、复合储能补偿后微电网中的电源功率变化量和微电网供需功率的瞬时偏差与平均偏差之间的差值最小化作为目标函数，以所述第一、第二储能装置的储能容量和充放电功率作为优化变量；
[0009] S2：采集微电网在设定时间段内各时刻的发电功率和负载功率，根据预设的出力优先级和所述发电功率、负载功率依次计算第一、第二储能装置在各时刻的充放电功率；
[0010] S3：将所述充放电功率输入到所述多目标优化模型中，得到第一、第二储能装置的储能容量的单变量优化模型；
[0011] S4：分别以第一、第二储能装置的储能容量的上限
阈值和下限阈值作为约束条件，采用优化
算法求取所述单变量优化模型的最优解，分别得到第一、第二储能装置在设定时间段内的储能容量；
[0012] S5：控制第一、第二储能装置根据各自在设定时间段内的储能容量为微电网中的负载供电。
[0013] 优选的，上述微电网供电方法，所述单变量优化模型为各目标函数的加权和。
[0014] 优选的，上述微电网供电方法，所述复合储能装置成本对应的目标函数具体为：
[0015]
[0016] 式中：f1代表复合储能装置的成本；n代表复合储能装置的个数；W1n和W2n分别是微电网中需要配置的第一储能装置和第二储能装置的容量；η1n和η2n分别为第一储能装置和第二储能装置能量变换的效率；ce1为第一储能装置单位容量价格；ce2为第二储能装置的单位容量价格；cm1和cm2为储能的维护成本；P1n和P2n为第一储能装置和第二储能装置的功率，此功率为累积功率，是储能装置长期交换功率的算术和。
[0017] 优选的，上述微电网供电方法，所述复合储能补偿后微电网中的电源功率变化量对应的目标函数具体为：
[0018]
[0019] 式中：f2代表设定时间段[t11,t12]内任意时刻复合储能补偿后微电网中的电源功率变化量之和；i表示设定时间段内的各时刻序号；P1,i和P2,i分别为第一储能装置和第二储能装置在i时段的充放电功率；Pg,i为未经复合储能补偿的系统中电源的实际发电功率；PG,i为经复合储能补偿后的系统中电源的实际发电功率。
[0020] 优选的，上述微电网供电方法，所述微电网供需功率的瞬时偏差与平均偏差之间的差值对应的目标函数具体为：
[0021]
[0022] 式中：f3代表设定时间段[t11,t12]内的任意时刻微电网供需功率的瞬时偏差与平均偏差之间的差值之和；PL,i为负荷功率；Pavg为经过储能补偿后的供需差异平均值。
[0023] 优选的，上述微电网供电方法，当第一储能装置的出力优先级高于第二储能装置时，依次计算第一、第二储能装置在各时刻的充放电功率的过程具体为：
[0024] 根据微电网在设定时间段内各时刻的发电功率和负荷功率计算系统缺额功率；
[0025] 获取第一储能装置的
荷电状态，当所述荷电状态满足预置的第一约束范围时，根据该荷电状态计算第一储能装置的充放电功率；
[0026] 当所述充放电功率满足预置的第二约束范围时，将该充放电功率设置为第一储能装置的充放电功率；
[0027] 当第一储能装置的充放电功率小于所述系统缺额功率时，获取第二储能装置的荷电状态，当所述荷电状态满足预置的第三约束范围时，根据该荷电状态计算第二储能装置的充放电功率；
[0028] 当所述充放电功率满足预置的第四约束范围时，将该充放电功率设置为第二储能装置的充放电功率。
[0029] 优选的，上述微电网供电方法，当第一储能装置的荷电状态溢出预置的第一约束范围时，则根据所述第一约束范围的上限阈值或下限阈值计算第一储能装置的充放电功率；
[0030] 当第一储能装置的充放电功率溢出预置的第二约束范围时，将所述第二约束范围的上限阈值或下限阈值设置为第一储能装置的充放电功率。
[0031] 优选的，上述微电网供电方法，当第二储能装置的荷电状态溢出预置的第三约束范围时，则根据所述第三约束范围的上限阈值或下限阈值计算第二储能装置的充放电功率；
[0032] 当第二储能装置的充放电功率溢出预置的第四约束范围时，将所述第四约束范围的上限阈值或下限阈值设置为第二储能装置的充放电功率。
[0033] 优选的，上述微电网供电方法，所述
优化算法为
遗传算法。
[0034] 按照本发明的另一个方面，还提供了一种电子设备，其包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有
计算机程序，当所述计算机程序被所述处理单元执行时，使得所述处理单元执行上述任一项所述方法的步骤。
[0035] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0036] 本发明提供的基于复合储能装置的微电网供电方法及电子设备，首先创建复合储能装置的多目标优化模型，该多目标优化模型以复合储能装置成本、供需功率匹配和电源出力的波动抑制作为优化目标，以第一、第二储能装置的储能容量和充放电功率作为优化变量；根据微电网在设定时间段内各时刻的发电功率和负载功率计算第一、第二储能装置在各时刻的充放电功率，并根据该充放电功率实时计算第一、第二储能装置各自在设定时间段内的储能容量；对微电网中的负荷进行功率补偿，确保复合储能补偿后微电网中的电源功率变化最小，且供需功率的瞬时偏差与平均偏差相差最小，使微电网功率平衡，维持系统电压和频率的稳定，为负载提供稳定电压；此外，可同时满足长时大容量和短时大功率的需求，并提高储能装置配置的经济性。
附图说明
[0037] 图1是本发明
实施例提供的基于复合储能装置的微电网供电方法的
流程图；
[0038] 图2是本发明实施例提供的三机九
母线系统的拓扑结构图；图中，1、4、6-母线；2、3、5-负荷；7-
风力发
电机；8、9-
燃料发电机组；
[0039] 图3是本发明实施例提供的遗传算法的求解思路图；
[0040] 图4是本发明实施例提供的遗传算法的基本流程图；
[0041] 图5是本发明实施例提供的基于遗传算法的优化结果示意图。
具体实施方式
[0042] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0043] 本实施例提供了一种基于复合储能装置的微电网供电方法，参见图1所示，该方法主要包括以下步骤：
[0044] S1：创建所述复合储能装置的多目标优化模型，所述多目标优化模型包括以复合储能装置成本、供需功率匹配和电源出力的波动抑制作为优化目标，以所述第一、第二储能装置的储能容量和充放电功率作为优化变量；
[0045] 本实施例以含风力发电的微电网系统为例进行说明，此微电网系统中包含燃料发电机、风力发电机、负荷和复合储能装置。本实施例分别选取能量型的
蓄电池和功率型的SMES作为微电网中配备的复合储能装置，结合两者优势，合理配置以提升系统接纳可再生能源的能力。
[0046] 本实施例选取三机九母线系统进行复合储能容量的优化算例分析，作为典型微电网的结构，三机九母线系统拓扑简单，易于进行含可再生能源发电的潮流计算。三机九母线系统的拓扑结构如图2所示。其中，在8、9号
节点布置燃料发电机组，7号节点布置风力发电机；2、3、5号节点为负荷节点；线路参数采用三机九母线系统的典型参数。本实例中，各配置一台蓄电池与一台SMES。
[0047] 储能装置某一时刻所存储的电能可由式(1)表示：
[0048]
[0049] 式中：C(t)为t时刻储能设备的总电量；C(t-1)为t-1时刻储能设备的总电能；Δt为存储的时间间隔；Pch(t)和Pdis(t)分别为储能设备在t时刻的充电和放电功率；ηch和ηdis分别为储能设备的充放电效率。
[0050] 由上式可知，储能装置某时刻存储的电能需要由这一时刻的充放电功率表示，因此在本实施例中，设定系统的发电功率及负荷功率为已知信息，对复合储能装置的容量进行优化配置，即以储能容量为优化变量。基于微电网中风力发电的不确定性，为了提高微电网的供电稳定性，本实施例以供需功率匹配和电源出力的波动抑制为技术性目标，同时为了兼顾复合储能装置的运行成本，以复合储能配置运行成本为经济性目标，对复合储能装置容量进行多目标优化，分别对三个优化目标建立目标优化模型。
[0051] 步骤S11：建立复合储能配置运行成本的目标优化模型
[0052] 蓄电池与SMES的配置，应在满足电网功率补偿需求的情况下，使其成本最小；据此可建立成本的目标函数，其中包括初期配置成本与运行成本，如式(2)所示：
[0053]
[0054] 式中：f1代表复合储能装置的成本；n代表储能装置的个数，；WSMESn和Wbatn分别是电网中需要优化配置的SMES和蓄电池的容量；η1n和η2n分别为SMES和蓄电池能量变换的效率；ce1为SMES单位容量价格；ce2为蓄电池的单位容量价格，；cm1和cm2为储能的维护成本，；PSMESn和Pbatn为SMES和蓄电池的功率，此功率为累积功率，是储能装置长期交换功率的算术和。
[0055] 本实施例中，n＝1，ce1为100元，ce2为10元，cm1为5元，cm2为10元。
[0056] 步骤S12：建立电源出力的波动抑制对应的目标优化模型
[0057] 微电网中的调度周期可以取一日、一个月、一季度、一年等；将总的调度周期分成若干时段，应保证在每一时段中，电网功率分布基本保持不变。本发明中认为SMES和蓄电池处于稳定状态，不计暂态过程。
[0058] 设复合储能装置在[t11,t12]时段内参与系统电源出力波动抑制，本实施例以复合储能补偿后微电网中的电源功率变化最小建立优化目标函数，具体如式(3)所示：
[0059]
[0060] 式中：f2代表设定时间段[t11,t12]内任意时刻复合储能补偿后微电网中的电源功率变化量之和；i表示[t11,t12]时段内的第i个时刻；Pbat,i和PSMES,i分别为蓄电池和SMES在i时段的充放电功率；Pg,i为未经复合储能补偿的系统中电源的实际发电功率，是风机和柴油发电机的发电量之和；PG,i为经复合储能补偿后的系统中电源的实际发电功率。
[0061] 步骤S13：建立微电网供需功率匹配的目标优化模型
[0062] 在任意时刻电网都必须保证功率平衡，以维持系统电压和频率的稳定；设调节时间为[t21，t22]，以供需功率的瞬时偏差与平均偏差相差最小为原则，建立优化目标函数，具体如式(4)所示：
[0063]
[0064] 式中：f3代表设定时间段[t11,t12]内的任意时刻微电网供需功率的瞬时偏差与平均偏差之间的差值之和；PL,i为负荷功率；Pavg为经过储能补偿后的供需差异平均值。
[0065] 考虑以上的经济性目标与技术性目标，微电网的复合储能装置容量的多目标优化模型如式(5)所示：
[0066]
[0067] 该模型以复合储能装置成本、供需功率匹配和电源出力的波动抑制作为优化目标，以蓄电池、SMES的储能容量和充放电功率作为双目标优化变量。
[0068] S2：采集微电网在设定时间段内各时刻的发电功率和负载功率，根据预设的出力优先级和所述发电功率、负载功率依次计算第一、第二储能装置在各时刻的充放电功率；
[0069] 基于功率型储能装置功率密度大、响应速度快的优点，对于微电网中出现的功率不平衡，应先由SMES进行响应，通过荷电状态(SOC)上下限的约束以及储能交换功率限制确定SMES的运行策略要求功率，即真实交换功率；若通过计算，该时段所述SMES运行策略要求功率无法补充系统供需功率缺额，则剩下的功率缺额由蓄电池来响应，否则蓄电池不参与功率交换。因此，本实施例中确定SMES的优先级高于蓄电池。
[0070] 设仿真时长为10h，间隔为1h，在每段时间内的所有功率均不变化，微电网系统中的负荷需求功率数据与电源发电数据见表1。
[0071] 表1负荷需求功率数据与电源发电数据
[0072]
[0073] 在已知系统某时刻发电功率Pdg与负荷功率PL的情况下，假设系统功率缺额全部由SMES进行补充，首先计算此时SMES的荷电状态，如式(6)所示：
[0074] SOC(t)＝SOC(t-1)-P1(t)/w1 (6)
[0075] 其中，SOC(t)为t时刻SMES的荷电状态，P1(t)为t时刻SMES的充放电功率(放电为正、充电为负)，w1为SMES的容量。本实例中，SMES的初始荷电状态为0.85。
[0076] 判断此时SMES的荷电状态是否在其约束范围内，如式(7)所示：
[0077] SOCmin≤SOC(t)≤SOCmax (7)
[0078] 本实例中，SMES的最大荷电状态SOCmax为0.9，最小荷电状态SOCmin为0.2。
[0079] 若此时SMES的荷电状态满足其约束条件，则直接判断当前时刻SMES的充放电功率是否满足储能交换功率的约束；若此时SMES的荷电状态溢出其约束，则取其上限或下限重新计算SMES的充放电功率，并判断是否满足储能交换功率的约束，如式(8)所示：
[0080] PSMESmin≤PSMES(t)≤PSMESmax (8)
[0081] 式中：PSMES(t)为t时刻SMES与系统间的交换功率。在本实例中，PSMESmax为40kW。
[0082] 若满足约束，则直接得到此时刻SMES的真实交换功率，否则取其上限或下限为此时刻的SMES真实交换功率，即充放电功率。
[0083] 当计算得到此时刻SMES的充放电功率可补充系统的供需功率缺额时，则蓄电池不参与此时刻的功率交换，否则需由蓄电池承担剩下的充放电工作。假设剩下的功率缺额全部由蓄电池进行补充，计算此时蓄电池的荷电状态，如式(9)所示：
[0084] SOC(t)＝SOC(t-1)-P2(t)/w2 (9)
[0085] 其中，SOC(t)为t时刻蓄电池的荷电状态，P2(t)为t时刻蓄电池的充放电功率(放电为正、充电为负)，w2为蓄电池的容量。本实例中，蓄电池的初始荷电状态为0.6。
[0086] 同样的，判断此时蓄电池的荷电状态是否在其约束范围内，如式(7)。本实例中，SMES的最大荷电状态SOCmax为0.8，最小荷电状态SOCmin为0.2。若此时荷电状态满足其约束，则直接判断此时刻的充放电功率是否满足储能交换功率的约束；若此时荷电状态溢出其约束，则取其上限或下限重新计算蓄电池的充放电功率，并判断是否满足储能交换功率的约束，如式(10)所示：
[0087] Pbatmin≤Pbat(t)≤Pbatmax (10)
[0088] 式中：Pbat(t)为t时刻蓄电池的放电功率。在本实例中，Pbatmax为20kW。
[0089] 与SMES一样，据此可得到此时刻蓄电池的真实交换功率即充放电功率。
[0090] S3：将第一、第二储能装置的充放电功率输入到所述多目标优化模型中，得到第一、第二储能装置的储能容量的单变量优化模型；
[0091] 在步骤S1中分别建立了复合储能装置容量的经济性目标及技术性目标的多目标优化模型，目标中的变量包含了复合储能装置的容量和充放电功率；由步骤S2根据微电网在设定时间段内的发电功率和负载功率计算得到SMES与蓄电池在各时刻的充放电功率，将其输入到多目标优化模型中，即可得到储能容量的单变量优化模型。
[0092] 为联合优化上述三个目标函数，本实施例采用专家法确定各目标函数的权重再聚合成单一目标来进行优化；专家法确定权重的过程如下：
[0093] 选择三位专家进行打分，每位专家根据对此目标的熟悉程度给自己进行打分，分值由熟悉到不熟悉依次是9、7、5、3、1，同时各位专家根据自己认为的子目标重要程度进行打分，分数在[0-1]。将每位专家对于各子目标的上述两项分数相乘并相加，可得到此专家对主问题认知
水平的总分，用此专家总分除以所有专家总分的和可得到此专家的专家权重。将专家权重与此专家对某一目标函数的打分相结合，可得到每个指标的权重。
[0094] 具体评价结果如表2所示：
[0095] 表2专家法确定目标函数权重
[0096]
[0097] 由此可知，目标函数f1的权重λ1为0.6792，目标函数f2的权重λ2为0.1336，目标函数f3的权重λ3为0.1872。
[0098] 聚合后的单变量优化模型如式(11)所示：
[0099] min f＝λ1f1+λ2f2+λ3f3 (11)
[0100] S4：分别以第一、第二储能装置的储能容量的上限阈值和下限阈值作为约束条件，采用优化算法求取所述单变量优化模型的最优解，分别得到第一、第二储能装置在设定时间段内的储能容量；
[0101] 本实施例中，分别设置SMES和蓄电池的储能容量的上下限约束，如式(12)所示：
[0102]
[0103] 式中：w1为SMES的储能容量，w2为蓄电池的储能容量。
[0104] 本实例中，w1min为140kW·h，w2min为100kW·h。
[0105] 本实施例采用遗传算法对复合储能装置的容量配置进行优化；遗传算法是一种模拟
生物界自然选择和自然遗传机理的高度并行、随机搜索和自适应寻优方法；遗传算法的求解思路如图3所示，即先确定目标函数与约束条件，并建立其数学模型编写主程序，再利用遗传算法工具箱引用主程序，并设置变量约束，即可得到优化结果，其鲁棒性能好，易找出全局最优解，并可用于解决非线性问题；遗传算法的基本流程如图4所示。
[0106] 本实施例利用遗传算法求取上述单变量优化模型的最优解，优化结果如图5和表3所示。
[0107] 表3储能容量优化结果
[0108]
[0109] 从图5可以看出，随着子代数目的增加，目标函数值会趋于平稳，逐渐收敛。当遗传到第109代时，目标函数值的波动收敛在要求范围10-6以内，此时的容量值符合要求，可得到最终的优化结果，即SMES的储能容量为152.914kW·h，蓄电池的储能容量为144.16kW·h，最终的最优目标函数值为24817.3。
[0110] S5：控制第一、第二储能装置根据各自在设定时间段内的储能容量为微电网中的负载供电。
[0111] 按照步骤S4中得到的SMES和蓄电池的储能容量为微电网中的负荷供电，进行功率补偿；确保复合储能补偿后微电网中的电源功率变化最小，且供需功率的瞬时偏差与平均偏差相差最小，使微电网功率平衡，维持系统电压和频率的稳定，为负载提供稳定电压；此外，可同时满足长时大容量和短时大功率的需求，并提高储能装置配置的经济性。
[0112] 本实施例还提供了一种电子设备，其包括至少一个处理器、以及至少一个
存储器，其中，存储器中存储有计算机程序，当计算机程序被处理器执行时，使得处理器执行上述微电网供电方法的步骤，具体步骤参见上述记载，此处不再赘述；本实施例中，处理器和存储器的类型不作具体限制，例如：处理器可以是
微处理器、数字信息处理器、片上可编程逻辑系统等；存储器可以是易失性存储器、
非易失性存储器或者它们的组合等。
[0113] 该电子设备也可以与一个或多个外部设备(如
键盘、指向终端、显示器等)通信，还可与一个或者多个使得用户能与该电子设备交互的终端通信，和/或与使得该电子设备能与一个或多个其它计算终端进行通信的任何终端(例如网卡，
调制解调器等等)通信。这种通信可以通过输入/输出(I/O)
接口进行。并且，电子设备还可以通过
网络适配器与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide Area Network，WAN)和/或公共网络，例如因特网)通信。
[0114] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何
修改、等同替换和改进等，均应包含在本发明的保护范围之内。
