[发明专利]一种基于混沌粒子群的风储系统可信容量优化方法

权利要求书

1.一种基于混沌粒子群的风储系统可信容量优化方法，其特征在于，该方法包括以下步骤：

步骤1：收集地区已投运风电场历史多年实际有功数据；

步骤2：从日平均出力特性、月平均出力特性、可信容量和有效容量四个维度构建新能源出力特性计算模型和指标体系；

步骤3：以风储系统总发电功率与计划输出功率的偏差平方和最小为目标构建了风储系统可信容量优化模型；

步骤4：采用改进的混沌粒子群优化算法求解模型得到不同场景下的储能充放电策略；

步骤5：以实际案例为例研究了不同储能容量配置下风电可信容量灵敏度变化曲线；

其中：

所述步骤2中构建的新能源出力特性计算模型和指标体系如下：

（1）日平均出力特性指标，其计算表达式如下：

其中，

式中：为风电场日平均出力特性序列；为风电场一天之内在h点时刻有功功率均值与装机容量的比值；H表示一天的时刻23点；N表示全年h点时刻有功功率数据的总个数；为风电场的装机容量；为h点时刻第j个有功功率数值；

（2）月平均出力特性指标，其计算表达式如下：

其中，

式中：为风电场月平均出力特性序列；为风电场一年之内在m月份有功功率均值与装机容量的比值；M表示一年的12月；L表示全年m月份有功功率数据的总个数；为风电场的装机容量；为m月份第j个有功功率数值；

（3）可信容量指标，其计算表达式如下：

其中，

式中：为风电场可信容量序列；为风电场在保证率r下对应的有效容量；表示一年之内负荷晚高峰时段全部有功功率数值降序排列后的序列在保证率r下对应的有功功率数值；R表示最大保证率100%；为风电场的装机容量；

（4）有效容量指标，其计算表达式如下：

其中，

式中：为风电场有效容量序列；为风电场在保证率r下对应的有效容量；表示一年之内负荷低谷时段全部有功功率数值升序排列后的序列在保证率r下对应的有功功率数值；R表示最大保证率100%；为风电场的装机容量；

所述步骤3中以风储系统总发电功率与计划输出功率的偏差平方和最小为目标构建了风储系统可信容量优化模型的具体步骤：

（1）风电作为间歇式的新能源，配以储能来可使其出力变得平滑，提升新能源出力的“友好”程度，以此得到储能策略的目标函数为：

其中，

式中，为电源侧的总功率；表示储能放电功率；表示储能充电功率；为风电功率；为常规机组的功率；为负荷功率；为指定储能策略作用于风电后的可信容量值；

（2）储能系统在平滑风电场出力的过程中，主要考虑储能系统的充放电约束与电量约束，且为了保护蓄电池，电池中存储的最低电量不得低于电池容量的5%，最高电量不得高于电池容量的95%，且考虑系统对风电接纳能力的约束，则上述优化模型的约束条件如下：

式中，为在第i时间段的功率；为电池的容量；为充放电转换效率；

（3）对储能的约束条件，使用外点罚函数法进行处理，蓄电池的目标函数表示如下：

其由外点法所构造的相应的惩罚函数形式为：

首先以风电单独计算得到的可信容量值作为，带入系统计算以指定目标函数进行优化，求解得到每个点的储能充放电策略；将该策略运用于风电系统，得到新的电源侧功率曲线，计算出经过储能优化后的风电曲线的可信容量，并使用该可信容量加入下一步的目标函数中，如此迭代计算，直到求出满足精度要求的风电储能系统的可信容量值，并得到最大化可信容量的储能策略；

所述步骤4中采用改进的混沌粒子群优化算法求解模型得到不同场景下的储能充放电策略的具体步骤：

（1）设粒子群中第i个粒子在D维解空间中的位置和速度可以表示为和；在寻优过程中，粒子通过不断跟踪其自身个体最优位置和种群的全局最优位置来更新自身状态，经过粒子的个性化学习和彼此间的协作交互，促使整个群体不断向着问题的最优解逼近；粒子i将根据下式来更新其速度和位置：

式中，i=1, 2, 3, …, M；d=1, 2, 3, …, D；k为进化代数；w为惯性权重因子；c₁和c₂为加速系数，通常取值为2.0；r₁和r₂是[0,1]之间的随机数；此外，为改善标准PSO算法容易陷入局部最优值从而出现早熟收敛的不足，将混沌优化的思想引入标准PSO算法中，并提出一种混沌粒子群优化算法（CPSO)，利用混沌运动遍历性和随机性的特点对群体最优位置进行混沌变异处理，以增加种群多样性，改善算法的全局收敛性能；

（2）实际寻优过程中，惯性权重w主要用于CPSO算法中全局搜索与局部搜索能力之间的平衡，本文将采用一种基于群体早熟收敛程度和个体适应值来自适应调整惯性权重的策略，其计算式为：

式中，和是w的取值上下限；为粒子的适应度；为所有粒子适应度的均值；为粒子群适应度优于的粒子的平均适应度值；用于评价粒子进化过程中的早熟收敛程度；一般取；为进一步提高算法寻优效率，引入收敛因子δ对粒子的位置方程进行修正为：

其中，

（3）Tent映射相比于Logistic映射具有更好的遍历均匀性和更高的寻优效率，为此，引入Tent混沌变异处理来改善算法容易陷入局部最优的问题；Tent混沌映射动力学方程为：

（4）为避免迭代序列落入小周期点(0.2, 0.4, 0.6, 0.8)或不动点(0, 0.25, 0.5,0.75)的问题，引入扰动方程对式(10)进行修正为：

（5）当粒子群全局最优适应度值连续数次停止更新时，则对群体最优粒子位置进行混沌变异处理：

式中，称为收缩因子，决定了粒子位置的变异空间。