[0001] 本发明涉及电力系统规划领域，特别是一种储能系统定容选址方法。

[0002] 在能源需求与环境保护的双重压力下，以集中式单一供电方式为主要特征的电力系统逐渐被分散式多储能供电方式所替代，该方式具有投资成本低、暂态稳定性高和电压稳定性高等优点。因而合理地规划储能系统的安装位置与容量可有效提高配电网的经济性与稳定性，具有重要的意义。

[0003] 储能系统选址定容问题是一个混合非线性规划问题，具有高维数性、非线性、随机性等特点。但现有的优化方法，如线性规划法、非线性规划法等因模型复杂，运行效率低，通用性差等问题无法广泛应用。随着人工智能算法的发展，全局优化性、鲁棒性、自适应等特点，使其广泛应用于优化问题，如遗传算法、粒子群算法、蝙蝠算法等均出现于解决分布式电源的定容选址问题，虽然得到的方案能够有效地提高系统稳定性与损耗，但是该类方法引入权重将多目标整合成单目标，存在着较大的主观性，所得结果误差较大。

[0038] 下面结合附图及实施例对本发明做进一步说明。

[0039] 应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

[0040] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

[0041] 如图1以及图2所示，本实施例提供了一种储能系统定容选址方法，包括以下步骤：

[0042] 构建储能系统定容选址网络等效参数模型，并对储能系统定容选址情况进行编码；

[0043] 构建所述储能系统定容选址的目标函数，建立所述定容选址目标函数的约束条件；

[0044] 根据多目标改进的蝙蝠算法对所述储能系统的定容选址的目标函数进行优化求解，输出满足迭代终止条件的最优解集，为决策提供优良的候选方案；本实施例建立基于matlab环境的仿真平台，采用多目标改进蝙蝠算法进行外层模型优化，输出一组Pareto最优解集；

[0045] 使用熵值法与层次分析法从最优解集中提取最优解，得到储能系统定容选址最优方案。

[0046] 本实施例考虑减少经济效益与提高系统稳定性的基础上，通过改进储能系统多目标优化算法，相比较其他确定的储能选址定容的方法，本实施例不仅能使算法的收敛性与均匀性更好，而且能够减少单目标优化问题中因权重问题而产生的误差。

[0047] 在本实施例中，所述储能系统定容选址网络等效参数模型具体为：采用变压器T型等值电路模型与电路一字型等值电路模型，收集电网线路及变压器参数并整理变压器运行参数，将其中的变压器节点设为储能系统的待选节点，同时基于广度优先搜索编号法对节点进行重新编号。

[0048] 在本实施例中，所述的对储能系统定容选址情况进行编码具体为：采用十进制编码，各个节点对应一个编码数，当编码数为0时表示该节点不接入储能系统，编码数大于0时表明该节点接入相应单位容量的储能系统。

[0049] 在本实施例中，所述构建所述储能系统定容选址的目标函数，建立所述定容选址目标函数的约束条件具体为：以储能系统线路总损耗、电压稳定裕度与投资运行总费用三个负向指标进行评估，通过前推回代潮流计算求得线路运行参数，构建所述多目标优化模型的目标函数与约束条件；其中，目标函数如下：

[0050]

[0051] 式中，f1为线路总损耗，ΔS为系统总损耗；ΔSline为线路损耗；ΔStran为变压器损耗；I(j)为支路j的负荷电流；M为支路数；m为变压器个数；Z(j)为支路j的线路阻抗；ΔPZ(i)、ΔQZ(i)、ΔPY(i)、与ΔQY(i)分别为变压器电阻、电抗、电导与电纳损耗；P(i)、Q(i)、U(i)、RT(i)、GT(i)、XT(i)与BT(i)分别为变压器节点的有功功率、无功功率、电压、电阻、电抗、电导与电纳；f2为电压稳定裕度，Ui为节点i的电压；Ue为节点期望电压；Up为电压允许偏差值，取0.05，N为系统总节点数；f3为投资运行总费用；r为贴现率；a为使用年限；C1为单位储能投资系统成本；C2为储能系统运行成本；Pg为储能系统总投资容量；

[0052] 其中，约束条件包括节点功率平衡约束、节点电压约束以及储能系统安装容量约束。

[0053] 在本实施例中，所述节点功率平衡约束具体为：

[0054]

[0055] 式中，Pi(n+1)、Qi(n+1)、Ii(n+1)与Vi(n+1)分别为节点i的有功、无功功率、电流与电压；ΔPi(n+1)和ΔQi(n+1)分别为节点i上的有功功率损耗与无功功率损耗；rj和xj为支路j的阻抗；ri和xi为节点i的电阻与电抗；

[0056] 所述节点电压约束具体为：

[0057] Ui,min≤Ui≤Ui,max i∈N；

[0058] 式中，Ui,max和Ui,min分别为节点i电压的上、下限；

[0059] 所述储能系统安装容量约束具体为：

[0060] 0≤Pi≤Pi,max i∈N；

[0061] 式中，Pi,max为节点i的电压上限。

[0062] 在本实施例中，所述根据多目标改进的蝙蝠算法对所述储能系统的定容选址的目标函数进行优化求解，输出满足迭代终止条件的最优解集，为决策提供优良的候选方案具体为：

[0063] 步骤一：初始化种群个数、迭代次数与选址节点数，初始化蝙蝠种群速度与位置，并计算种群中每只蝙蝠对应的3个目标函数，进行快速非支配排序，同时将该种群作为第一次迭代的父代；

[0064] 步骤二：外层循环迭代，随机选取第一沿面解集的任意解作为全局最优解，并判断是否满足外层循环终止条件，若是，则输出定容选址方案的最优解集，即预置储能系统各节点的容量值，具体编码采用上文所述的编码方式，否则进入步骤三；

[0065] 步骤三：内层循环迭代，更新解集中的每只蝙蝠的速度、位置与频率；采用SIW策略以得到稳定的结果，采用更新的ILS策略使结果跳出局部最优解，采用新的发射率与音量更新公式去均衡局部解与全局解；

[0066] 步骤四：判断是否满足内层循环迭代的终止条件，若是，则对生成的种群进行交叉、变异产生子代，同时进行非支配排序与拥挤度计算，生成下一次迭代的父代，并返回步骤二继续外层循环；否则返回步骤三继续进行内层循环。

[0067] 具体的，如图2所示，上述过程的具体算法如下：

[0068] 步骤S1：生成蝙蝠初始种群，初始化算法需要的参数；

[0069] 步骤S2：对每只蝙蝠的速度、位置、频率与脉冲发射率进行更新，同时计算每只蝙蝠的目标函数数值，更新公式为：

[0070]

[0071] 其中，β是(0，1)范围内的随机数， 为t时刻粒子的速度与位置，μmax、μmin为惯性权重的最大最小影响因素，σ为偏差系数，X*为最优解。

[0072] 步骤S3：随机选取第一沿面的解集的任意解作为全局最优解；

[0073] 步骤S4：随机产生一个数，并判断随机数与蝙蝠脉冲发射率的大小，如果随机数大于该蝙蝠的脉冲发射率，则执行步骤S5，否则执行步骤S8；

[0074] 步骤S5：通过公式Xnew＝Xold+εAt，随机产生新解，其中ε为(-1，1)的随机数，At是此时刻所有蝙蝠的平均音量，其更新公式为：

[0075]

[0076] 其中，r0和A0是初始脉冲发射率与音量，r∞和A∞是脉冲发射率的最大值与音量的最大值，t是当前迭代次数，tmax是最大迭代次数。

[0077] 步骤S6：随机产生一个数，并判断随机数与音量以及目标函数的关系，如果随机数小于该蝙蝠的音量且任意两个目标函数的新解大于最优解，则执行步骤S7，否则执行步骤S8；

[0078] 步骤S7：接纳新解为最优解并且更新声音与脉冲发射率；

[0079] 步骤S8：判断蝙蝠的个数是否达到最大种群数，若是进行步骤S9，否则返回步骤S4；

[0080] 步骤S9：得到的新的蝙蝠总群进行竞标赛选择，优先选择等级较高，后选择拥挤度较大的蝙蝠；

[0081] 步骤S10：进行交叉、变异产生子代(N)，同时合并父代与子代(2N)；

[0082] 步骤S11：进行非支配排序与拥挤度计算，生成新的种群(N)；

[0083] 步骤S12：判断迭代数是否达到最大迭代数，若是进行步骤S13，否则返回步骤S3；

[0084] 步骤S13：输出Pareto最优解集。

[0085] 其中，在本实施例中，所述层次分析法与熵值法过程为：

[0086] 第一步：层次分析法中通过历史经验与专家询问通过相对尺度比较判断构造判断矩阵；

[0087] 第二步：采用算术平均法估计权向量，其计算公式为：

[0088]

[0089] 其中，式中：ωi为各个目标函数对应的权值；将判断矩阵中的元素归一化后相加后除以n便可得到权重向量。

[0090] 第三步：采用熵值法，由于各个目标函数的量纲，单位大小数值存在差异，因此需要对数据进行归一化处理后求得相应的比重，其公式为：

[0091]

[0092] 第四步：计算第j个目标函数的熵值ej，其公式为：

[0093]

[0094] 第五步：定义权重θi，其公式为：

[0095]

[0096] 第六步：组合权重，结合层次分析法与熵值法的权重得到组合权重，并通过排序得到最优方案值，其公式为：

[0097]

[0098] 为了验证本发明实施例的有效性，接下来以一个具体的例子说明。

[0099] 步骤一：以某市10kv变电站26节点系统进行分析，区域包含12台变压器，26个节点，其中变压器节点设为储能系统待选节点，为便于使用前推回代法潮流计算，基于分层广度优先搜索编号法对节点进行重新编号，编号后的节点图如图3所示；

[0100] 步骤二：设置算法的初始参数，设置迭代次数为300次，储能系统单位容量1MW，初始脉冲发射率与音量分别为0.1、0.9，脉冲发射率最大值为0.7，音量最小值为0.6，惯性权重最值分别为0.9、0.4，偏差系数为0.2；

[0101] 步骤三：为便于观察分析算法的收敛性与均匀性，增设NSGA2算法与NSPSO算法进行对比，设置蝙蝠种群个数为50，根据图4目标函数收敛曲线、表1算法性能比较与图5输出的Pareto解集的空间分布可以看出：NSIBAMO算法较NSGA2与NSPSO算法有着更好的收敛性与收敛精度，同时其空间解集分布较为均匀且不易陷入局部最优解。

[0102] 表1算法收敛性比较

[0103] 算法 f1.min f2.min f3.min 计算时间NSGA2 3.117 1.226 0.182 238.76
NSPSO 3.110 0 0.171 217.80
NSIBAMO 3.110 0 0.171 31.86

[0104] 步骤四：通过步骤三得到Pareto最优解集，运用层次分析法与熵值法求得综合权重进行排序，最终得到如表2所示的规划结果。

[0105] 表2规划结果

[0106]

[0107] 以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。