1.本发明属于电力系统储能规划领域，具体涉及一种基于改进遗传算法的电力系统多目标储能优化方法。
背景技术：2.由于储能电站可有效提高风电、光伏等新能源的消纳水平，降低弃电率，提升新能源的整体利用率，同时还能提供调频、电压支撑等服务，其近几年已经成为风电、光伏等新型电力系统的重要组成部分。储能电站合理接入电网可以有效减少网络损耗，减少对电网升级的投资，减少线路上负荷的波动，不合理的规划方案则可能会造成储能电站接入电网后有功损耗的增加，甚至降低电网电压的稳定性，造成部分节点的电压越限。因此，对储能装置进行合理的选址定容规划，可有效提高储能系统的效率，改善电力系统网损及对新能源的平抑效果，优化系统运行的经济性。综上，有必要对储能电站的选址定容进行合理规划。
3.国内外学者储能的选址定容问题进行了大量研究。“王子琪。含风光区域电网的储能选址定容及能量管理研究(华北电力大学，2021)”提出了一种以电压稳定裕度为指标的含风光区域电网的储能电站选址定容规划，建立了一种预选址策略，在预选址策略的基础上，以网络一天有功网损之和最小为目标，确认储能电站安装位置及容量，但是其考虑的是储能集中接入。“李然。基于风储联合输电经济调度的储能系统优化配置研究(华北电力大学，2018)”综合考虑火电的经济调度成本、弃风成本、网损成本和储能投资成本提出了一种基于综合能效最大化的储能系统优化配置方法。以上研究仅考虑储能集中接入某一节点的方式，这种方式在改善电力系统网损、平抑新能源等方面的效果比较有限。
技术实现要素：4.本发明的目的是针对现有技术存在的上述问题，提供一种基于改进遗传算法的电力系统多目标储能优化方法。
5.为实现以上目的，本发明的技术方案如下：
6.一种基于改进遗传算法的电力系统多目标储能优化方法，依次包括以下步骤：
7.步骤a、在电源侧、电网侧和负荷侧均配置储能的前提下，构建以配置储能总成本最小为目标函数的储能多目标优化模型：
8.min[c
investment
(ps,es,ts)+c
operation
(pg,pw,ps)]
[0009]coperation
(pg,pw,ps)＝c
generation
(pg,pw,ps)+η
losswloss
[0010]
上式中，c
investment
(ps,es,ts)为储能配置投资成本，ps、es、ts分别为储能的充放电功率、容量、寿命，c
operation
(pg,pw,ps)为运行成本，pg、pw分别为同步发电机组、风电机组的发电功率，c
generation
(pg,pw,ps)为发电成本，w
loss
、η
loss
分别为网损及其单位成本；
[0011]
步骤b、采用基于pareto最优概念的非支配排序的遗传算法对构建的储能多目标优化模型进行求解，得到储能优化方案，该储能优化方案包括各储能的配置地点和容量。
[0012]
步骤a中，所述发电成本c
generation
(pg,pw,ps)采用下列公式计算得到：
[0013]cgeneration
(pg,pw,ps)＝f
gen
(pg)+f
λ
(pg,pw,ps)
[0014][0015][0016]
上式中，f
gen
(pg)为同步发电机组的运行成本，f
λ
(pg,pw,ps)为总惩罚因子，为电源侧惩罚因子f1、电网侧惩罚因子f2、负荷侧惩罚因子f3的权重系数，η1、η2、η
3t
分别为平滑出力成本系数、弃电成本系数、t时段的峰谷套利成本系数，t为时段总数，n为风电机组的数量，为风电典型日t时段内第j个风电机组输出的最大功率，p
wjt
为考虑弃风后t时段内第j个风电机组输出的平均功率，p
sj1t
、p
sj2t
、p
sj3t
分别为t时段内电源侧第j1个储能、电网侧第j2个储能、用户侧第j3个储能的平均功率，δt为各时段的时长，p
loadjt
为t时段内负荷用电功率。
[0017]
步骤a中，所述储能配置投资成本c
investment
(ps,es,ts)采用以下公式计算得到：
[0018][0019]
上式中，η
p
、ηs分别为储能的充放电功率、容量的单位造价，m为固定造价。
[0020]
步骤a中，所述目标函数的约束条件包括：
[0021]
网损约束：
[0022][0023]
上式中，u
it
、u
jt
分别为t时段节点i、j的电压，g
ij
为节点i、j之间的线路电纳，θ
ijt
为t时段节点i、j电压的相角差；
[0024]
潮流约束：
[0025]
p
git
+p
wit
+p
sit-p
lit
＝u
it
σu
jt
(g
ij
cosθ
ijt
+b
ij
sinθ
ijt
)
[0026]qgit
+q
wit
+q
sit-q
lit
＝u
it
σu
jt
(g
ij
sinθ
ijt-b
ij
cosθ
ijt
)
[0027]
上式中，p
git
、p
wit
、p
sit
、p
lit
分别为t时段节点i的同步发电机组、风电机组、储能和负荷的有功功率，q
git
、q
wit
、q
sit
、q
lit
分别为t时段节点i的同步发电机组、风电机组、储能和负荷的无功功率，b
ij
为节点i、j之间的线路电导；
[0028]
功率约束：
[0029]
p
gmin
≤p
gt
≤p
gmax
[0030]qgmin
≤q
gt
≤q
gmax
[0031]
p
wmin
≤p
wt
≤p
wmax
[0032]qwmin
≤q
wt
≤q
wmax
[0033]
p
smin
≤p
st
≤p
smax
[0034]
上式中，p
gt
、p
wt
、p
st
分别为t时段同步发电机组、风电机组、储能输出的总有功功率，p
gmin
、p
wmin
、p
smin
分别为同步发电机组、风电机组、储能输出的总有功功率最小值，p
gmax
、p
wmax
、p
smax
分别为同步发电机组、风电机组、储能输出的总有功功率最大值，q
gt
、q
wt
分别为t时段同步发电机组、风电机组输出的总无功功率，q
gmin
、q
wmin
分别为同步发电机组、风电机组输出的总无功功率最小值，q
gmax
、q
wmax
分别为同步发电机组、风电机组输出的总无功功率最大值；
[0035]
电压约束：
[0036]uimin
≤u
it
≤u
imax
[0037]
上式中，u
imin
、u
imax
分别为节点i允许的最小、最大电压；
[0038]
容量约束：
[0039]esmin
≤e
st
≤e
smax
[0040]
上式中，e
st
为t时段储能的容量，e
smin
、e
smax
分别为储能允许的最小、最大容量；
[0041]
线路容量约束：
[0042]-p
lijmax
≤p
lijt
≤p
lijmax
[0043]
上式中，p
lijt
、p
lijmax
分别为在节点i、j之间的线路上传输的功率和允许传输的最大功率。
[0044]
所述步骤b依次包括以下步骤：
[0045]
步骤b1、先设定种群规模n
p
、最大迭代次数gen
max
、交叉和变异概率，再采用十进制编码方式，在每个个体上设置六个基因位置，其中三个分别为电源侧、电网侧、负荷侧的节点位置，另外三个分别为电源侧、电网侧、负荷侧所对应的储能容量；
[0046]
步骤b2、分别选择电源侧、电网侧、负荷侧的节点以及任意储能容量随机生成规模为n
p
的初始种群，然后将各个体带入目标函数即适应度函数中计算其适应度值；
[0047]
步骤b3、基于pareto支配关系，先根据适应度值筛选出该种群中所有非支配个体，并将其作为第一层，给它们赋一个共享的虚拟适应度值m1，再对该种群中的其它个体继续按照pareto支配关系筛选出非支配个体作为第二层，给它们赋一个共享的小于m1的虚拟适应度值m2，不断重复，直至种群中的所有个体都被分层，然后对每层中的个体进行拥挤度计算，此时，该种群中每个个体都具有虚拟适应度和拥挤度属性，且虚拟适应度越大则该层的个体越优，在同一层中，个体的拥挤度越大越优；
[0048]
步骤b4、先在上述种群中选择较优个体进行交叉变异操作，生成规模为n
p
的子代种群，然后将子代种群与父代种群合并形成规模为2n
p
的种群，并采用步骤b3所述方法进行非支配排序和拥挤度计算，选择前n
p
个较优个体作为下一代种群；
[0049]
步骤b5、循环重复步骤b4，直至达到最大迭代次数gen
max
，此时选取最优个体作为储能优化方案。
[0050]
步骤b4中，所述交叉操作采用十进制交叉法，将个体k和l的第j个基因按照一定比例b杂交：
[0051]akj
＝a
lj
b+a
kj
(1-b)
[0052]alj
＝a
kj
b+a
lj
(1-b)
[0053]
上式中，a
kj
、a
lj
分别为个体k和l的第j个基因；
[0054]
所述变异操作通过随机挑选个体i的第j个基因进行变异来实现：
[0055]a′
ij
＝a
ij
+σ*randn(n)
[0056]
上式中，a
ij
、a
′
ij
分别为变异前、后个体i的第j个基因，σ为常数矩阵，randn(n)为根据正态分布生成的随机数。
[0057]
所述步骤b1中，每个个体上还设置有3t个基因位置，分别为电源侧、电网侧、负荷侧的储能在t个时段的充放电策略；
[0058]
所述步骤b5中，储能优化方案还包括储能在各时段的充放电策略。
[0059]
与现有技术相比，本发明的有益效果为：
[0060]
1、本发明一种基于改进遗传算法的电力系统多目标储能优化方法提出了在电源侧、电网侧、负荷侧均配置储能的方式，先针对该方式构建配置储能总成本最小为目标函数的储能多目标优化模型，然后采用基于pareto最优概念的非支配排序的遗传算法对构建的储能多目标优化模型进行求解，得到储能优化方案，该方法从源、网、荷三个不同角度综合考虑了新能源机组的功率波动、削峰填谷、效益等多方面的因素，同时实现了电源侧优化电源结构、平滑新能源出力，电网侧削峰填谷、提高供电可靠性，负荷侧通过峰谷套利降低成本，有效提升了系统对新能源的接纳能力，且其在改善电力系统网损、平抑新能源的效果、优化系统运行经济性方面的效果更优，同时，该方法适用于大规模储能接入的情况，可应用于大电网。因此，本发明同时实现了电源侧平滑新能源出力、电网侧削峰填谷、负荷侧通过峰谷套利降低成本。
[0061]
2、本发明一种基于改进遗传算法的电力系统多目标储能优化方法在基于pareto最优概念的非支配排序的遗传算法对储能多目标优化模型进行求解的过程中，考虑到电源侧、电网侧、负荷侧均配置储能的方式，编码时在每个个体上设置电源侧、电网侧、负荷侧的节点位置以及对应的储能容量这六个基因位置，并分别选择电源侧、电网侧、负荷侧的节点以及任意储能容量随机生成初始种群，再利用pareto最优概念将种群分层，给每层赋予一个虚拟适应度值，且下一层的值小于上一层的值，随后对每层进行拥挤度计算，另外，在进化过程中，将父、子代种群合并择优，以保证更优的种群参与进化，该算法实现了储能多目标问题的精准优化。因此，本发明实现了储能多目标问题的精准优化。
附图说明
[0062]
图1为本发明的流程图。
[0063]
图2为实施例1采用的ieee-14节点系统模型图。
[0064]
图3为实施例1中电源侧储能装置24h充放电情况(负值为放电，正值为充电)。
[0065]
图4为实施例1中电网侧储能装置24h充放电情况(负值为放电，正值为充电)。
[0066]
图5为实施例1中负荷侧储能装置24h充放电情况(负值为放电，正值为充电)。
[0067]
图6为实施例1中选择下一代种群的过程图。
具体实施方式
[0068]
下面结合具体实施方式以及附图对本发明作进一步详细的说明。
[0069]
本发明提出了一种基于改进遗传算法的电力系统多目标储能优化方法，该方法在
在电源侧、电网侧、负荷侧均配置储能，不仅能够在确定储能充放电策略的前提下实现储能的选址定容，而且还可以储能的能量管理策略相配合，用于进行储能规划和运行策略优化。
[0070]
实施例1：
[0071]
参见图1，一种基于改进遗传算法的电力系统多目标储能优化方法，本实施例以图2所示的ieee-14节点系统(含有14个节点，有17条支路，有3条变压器支路和5个由同步机组和新能源机组组成的电源，在电源侧、电网侧、负荷侧分别加装一储能装置，各储能装置的24h充放电情况分别如图3、4、5所示，具体容量及节点位置待规划)为优化对象，依次按照以下步骤进行：
[0072]
1、以储能的配置节点和容量为决策变量构建以配置储能总成本最小为目标函数的储能多目标优化模型：
[0073]
min[c
investment
(ps,es,ts)+c
operation
(pg,pw,ps)]
[0074][0075]coperation
(pg,pw,ps)＝c
generation
(pg,pw,ps)+η
losswloss
[0076]cgeneration
(pg,pw,ps)＝f
gen
(pg)+f
λ
(pg,pw,ps)
[0077][0078][0079]
上式中，c
investment
(ps,es,ts)为储能配置投资成本，ps、es、ts分别为储能的充放电功率、容量、寿命，c
operation
(pg,pw,ps)为运行成本，pg、pw分别为同步发电机组、风电机组的发电功率，η
p
、ηs分别为储能的充放电功率、容量的单位造价，m为固定造价，c
generation
(pg,pw,ps)为发电成本，由于本实施例中储能装置的充放电情况已确定，因此该值为定值，w
loss
、η
loss
分别为网损及其单位成本，网损的大小与储能的安装位置相关，f
gen
(pg)为同步发电机组的运行成本，f
λ
(pg,pw,ps)为总惩罚因子，为电源侧惩罚因子f1、电网侧惩罚因子f2、负荷侧惩罚因子f3的权重系数，f1、f2、f3分别代表电源侧平滑新能源出力、电网测减少弃电、负荷侧利用峰谷差价套利后的成本，η1、η2、η
3t
分别为平滑出力成本系数、弃电成本系数、t时段的峰谷套利成本系数，t为时段总数，n为风电机组的数量，为风电典型日t时段内第j个风电机组输出的最大功率，p
wjt
为考虑弃风后t时段内第j个风电机组输出的平均功率，p
sj1t
、p
sj2t
、p
sj3t
分别为t时段内电源侧第j1个储能、电网侧第j2个储能、用户侧第j3个储能的平均功率，δt为各时段的时长，p
loadjt
为t时段内负荷用电功率；
[0080]
上述目标函数的约束条件包括：
[0081]
网损约束：
[0082][0083]
上式中，u
it
、u
jt
分别为t时段节点i、j的电压，为防止线路损耗重复计算设置j∈i，g
ij
为节点i、j之间的线路电纳，θ
ijt
为t时段节点i、j电压的相角差；
[0084]
潮流约束：
[0085]
p
git
+p
wit
+p
sit-p
lit
＝u
it
σu
jt
(g
ij
cosθ
ijt
+b
ij
sinθ
ijt
)
[0086]qgit
+q
wit
+q
sit-q
lit
＝u
it
σu
jt
(g
ij
sinθ
ijt-b
ij
cosθ
ijt
)
[0087]
上式中，p
git
、p
wit
、p
sit
、p
lit
分别为t时段节点i的同步发电机组、风电机组、储能和负荷的有功功率，q
git
、q
wit
、q
sit
、q
lit
分别为t时段节点i的同步发电机组、风电机组、储能和负荷的无功功率，b
ij
为节点i、j之间的线路电导；
[0088]
功率约束：
[0089]
p
gmin
≤p
gt
≤p
gmax
[0090]qgmin
≤q
gt
≤q
gmax
[0091]
p
wmin
≤p
wt
≤p
wmax
[0092]qwmin
≤q
wt
≤q
wmax
[0093]
p
smin
≤p
st
≤p
smax
[0094]
上式中，p
gt
、p
wt
、p
st
分别为t时段同步发电机组、风电机组、储能输出的总有功功率，p
gmin
、p
wmin
、p
smin
分别为同步发电机组、风电机组、储能输出的总有功功率最小值，p
gmax
、p
wmax
、p
smax
分别为同步发电机组、风电机组、储能输出的总有功功率最大值，q
gt
、q
wt
分别为t时段同步发电机组、风电机组输出的总无功功率，q
gmin
、q
wmin
分别为同步发电机组、风电机组输出的总无功功率最小值，q
gmax
、q
wmax
分别为同步发电机组、风电机组输出的总无功功率最大值；
[0095]
电压约束：
[0096]uimin
≤u
it
≤u
imax
[0097]
上式中，u
imin
、u
imax
分别为节点i允许的最小、最大电压；
[0098]
容量约束：
[0099]esmin
≤e
st
≤e
smax
[0100]
上式中，e
st
为t时段储能的容量，e
smin
、e
smax
分别为储能允许的最小、最大容量；
[0101]
线路容量约束：
[0102]-p
lijmax
≤p
lijt
≤p
lijmax
[0103]
上式中，p
lijt
、p
lijmax
分别为在节点i、j之间的线路上传输的功率和允许传输的最大功率；
[0104]
2、先设定种群规模n
p
、最大迭代次数gen
max
、交叉和变异概率，再采用十进制编码方式，在每个个体上设置六个基因位置，其中三个分别为电源侧、电网侧、负荷侧的节点位置，另外三个分别为电源侧、电网侧、负荷侧所对应的储能容量；
[0105]
3、分别选择电源侧、电网侧、负荷侧的节点以及任意储能容量随机生成规模为n
p
的初始种群，然后将各个体带入目标函数即适应度函数中计算其适应度值；
[0106]
4、基于pareto支配关系，先根据适应度值筛选出该种群中所有非支配个体，并将
其作为第一层，给它们赋一个共享的虚拟适应度值m1，再对该种群中的其它个体继续按照pareto支配关系筛选出非支配个体作为第二层，给它们赋一个共享的小于m1的虚拟适应度值m2，不断重复，直至种群中的所有个体都被分层，然后对每层中的个体进行拥挤度计算，此时，该种群中每个个体都具有虚拟适应度和拥挤度属性，且虚拟适应度越大则该层的个体越优，在同一层中，个体的拥挤度越大越优；
[0107]
5、参见图6，先在上述种群中选择多个较优个体进行交叉变异操作，生成规模为n
p
的子代种群，然后将子代种群与父代种群合并形成规模为2n
p
的种群，并采用步骤4所述方法进行非支配排序和拥挤度计算，选择n
p
个较优个体作为下一代种群，其中，所述交叉操作采用十进制交叉法，将个体k和l的第j个基因按照一定比例b杂交：
[0108]akj
＝a
lj
b+a
kj
(1-b)
[0109]alj
＝a
kj
b+a
lj
(1-b)
[0110]
上式中，a
kj
、a
lj
分别为个体k和l的第j个基因；
[0111]
所述变异操作通过随机挑选个体i的第j个基因进行变异来实现：
[0112]a′
ij
＝a
ij
+σ*randn(n)
[0113]
上式中，a
ij
、a
′
ij
分别为变异前、后个体i的第j个基因，σ为常数矩阵，randn(n)为根据正态分布生成的随机数；
[0114]
6、循环重复步骤5，直至达到最大迭代次数gen
max
，此时选取最优个体作为储能优化方案，包括各储能的配置地点和容量，分别为：电源侧，节点9，容量300mwh；电网侧，节点6，容量300mwh；负荷侧，节点4，容量300mwh。
[0115]
实施例2：
[0116]
与实施例1的不同之处在于：
[0117]
所述步骤2中，每个个体上除了关于节点位置和储能容量的六个基因位置外，还加入了3t个基因位置，分别为电源侧、电网侧、负荷侧的储能装置在t个时段的充放电策略；
[0118]
所述步骤6中，储能优化方案还包括各储能装置在各时段的充放电策略。
技术特征：1.一种基于改进遗传算法的电力系统多目标储能优化方法，其特征在于：所述方法依次包括以下步骤：步骤a、在电源侧、电网侧和负荷侧均配置储能的前提下，构建以配置储能总成本最小为目标函数的储能多目标优化模型：min[c
investment
(p
s
,e
s
,t
s
)+c
operation
(p
g
,p
w
,p
s
)]c
operation
(p
g
,p
w
,p
s
)＝c
generation
(p
g
,p
w
,p
s
)+η
loss
w
loss
上式中，c
investment
(p
s
,e
s
,t
s
)为储能配置投资成本，p
s
、e
s
、t
s
分别为储能的充放电功率、容量、寿命，c
operation
(p
g
,p
w
,p
s
)为运行成本，p
g
、p
w
分别为同步发电机组、风电机组的发电功率，c
generation
(p
g
,p
w
,p
s
)为发电成本，w
loss
、η
loss
分别为网损及其单位成本；步骤b、采用基于pareto最优概念的非支配排序的遗传算法对构建的储能多目标优化模型进行求解，得到储能优化方案，该储能优化方案包括各储能的配置地点和容量。2.根据权利要求1所述的一种基于改进遗传算法的电力系统多目标储能优化方法，其特征在于：步骤a中，所述发电成本c
generation
(p
g
,p
w
,p
s
)采用下列公式计算得到：c
generation
(p
g
,p
w
,p
s
)＝f
gen
(p
g
)+f
λ
(p
g
,p
w
,p
s
))上式中，f
gen
(p
g
)为同步发电机组的运行成本，f
λ
(p
g
,p
w
,p
s
)为总惩罚因子，为电源侧惩罚因子f1、电网侧惩罚因子f2、负荷侧惩罚因子f3的权重系数，η1、η2、η
3t
分别为平滑出力成本系数、弃电成本系数、t时段的峰谷套利成本系数，t为时段总数，n为风电机组的数量，为风电典型日t时段内第j个风电机组输出的最大功率，p
wjt
为考虑弃风后t时段内第j个风电机组输出的平均功率，分别为t时段内电源侧第j1个储能、电网侧第j2个储能、用户侧第j3个储能的平均功率，δt为各时段的时长，p
loadjt
为t时段内负荷用电功率。3.根据权利要求1或2所述的一种基于改进遗传算法的电力系统多目标储能优化方法，其特征在于：步骤a中，所述储能配置投资成本c
investment
(p
s
,e
s
,t
s
)采用以下公式计算得到：上式中，η
p
、η
s
分别为储能的充放电功率、容量的单位造价，m为固定造价。4.根据权利要求1或2所述的一种基于改进遗传算法的电力系统多目标储能优化方法，
其特征在于：步骤a中，所述目标函数的约束条件包括：网损约束：上式中，u
it
、u
jt
分别为t时段节点i、j的电压，g
ij
为节点i、j之间的线路电纳，θ
ijt
为t时段节点i、j电压的相角差；潮流约束：p
git
+p
wit
+p
sit-p
lit
＝u
it
σu
jt
(g
ij
cosθ
ijt
+b
ij
sinθ
ijt
)q
git
+q
wit
+q
sit-q
lit
＝u
it
σu
jt
(g
ij
sinθ
ijt-b
ij
cosθ
ijt
)上式中，p
git
、p
wit
、p
sit
、p
lit
分别为t时段节点i的同步发电机组、风电机组、储能和负荷的有功功率，q
git
、q
wit
、q
sit
、q
lit
分别为t时段节点i的同步发电机组、风电机组、储能和负荷的无功功率，b
ij
为节点i、j之间的线路电导；功率约束：p
gmin
≤p
gt
≤p
gmax
q
gmin
≤q
gt
≤q
gmax
p
wmin
≤p
wt
≤p
wmax
q
wmin
≤q
wt
≤q
wmax
p
smin
≤p
st
≤p
smax
上式中，p
gt
、p
wt
、p
st
分别为t时段同步发电机组、风电机组、储能输出的总有功功率，p
gmin
、p
wmin
、p
smin
分别为同步发电机组、风电机组、储能输出的总有功功率最小值，p
gmax
、p
wmax
、p
smax
分别为同步发电机组、风电机组、储能输出的总有功功率最大值，q
gt
、q
wt
分别为t时段同步发电机组、风电机组输出的总无功功率，q
gmin
、q
wmin
分别为同步发电机组、风电机组输出的总无功功率最小值，q
gmax
、q
wmax
分别为同步发电机组、风电机组输出的总无功功率最大值；电压约束：u
imin
≤u
it
≤u
imax
上式中，u
imin
、u
imax
分别为节点i允许的最小、最大电压；容量约束：e
smin
≤e
st
≤e
smax
上式中，e
st
为t时段储能的容量，e
smin
、e
smax
分别为储能允许的最小、最大容量；线路容量约束：-p
lijmax
≤p
lijt
≤p
lijmax
上式中，p
lijt
、p
lijmax
分别为在节点i、j之间的线路上传输的功率和允许传输的最大功率。5.根据权利要求1或2所述的一种基于改进遗传算法的电力系统多目标储能优化方法，其特征在于：所述步骤b依次包括以下步骤：步骤b1、先设定种群规模n
p
、最大迭代次数gen
max
、交叉和变异概率，再采用十进制编码
方式，在每个个体上设置六个基因位置，其中三个分别为电源侧、电网侧、负荷侧的节点位置，另外三个分别为电源侧、电网侧、负荷侧所对应的储能容量；步骤b2、分别选择电源侧、电网侧、负荷侧的节点以及任意储能容量随机生成规模为n
p
的初始种群，然后将各个体带入目标函数即适应度函数中计算其适应度值；步骤b3、基于pareto支配关系，先根据适应度值筛选出该种群中所有非支配个体，并将其作为第一层，给它们赋一个共享的虚拟适应度值m1，再对该种群中的其它个体继续按照pareto支配关系筛选出非支配个体作为第二层，给它们赋一个共享的小于m1的虚拟适应度值m2，不断重复，直至种群中的所有个体都被分层，然后对每层中的个体进行拥挤度计算，此时，该种群中每个个体都具有虚拟适应度和拥挤度属性，且虚拟适应度越大则该层的个体越优，在同一层中，个体的拥挤度越大越优；步骤b4、先在上述种群中选择较优个体进行交叉变异操作，生成规模为n
p
的子代种群，然后将子代种群与父代种群合并形成规模为2n
p
的种群，并采用步骤b3所述方法进行非支配排序和拥挤度计算，选择前n
p
个较优个体作为下一代种群；步骤b5、循环重复步骤b4，直至达到最大迭代次数gen
max
，此时选取最优个体作为储能优化方案。6.根据权利要求5所述的一种基于改进遗传算法的电力系统多目标储能优化方法，其特征在于：步骤b4中，所述交叉操作采用十进制交叉法，将个体k和l的第j个基因按照一定比例b杂交：a
kj
＝a
lj
b+a
kj
(1-b)a
lj
＝a
kj
b+a
lj
(1-b)上式中，a
kj
、a
lj
分别为个体k和l的第j个基因；所述变异操作通过随机挑选个体i的第j个基因进行变异来实现：a
′
ij
＝a
ij
+σ*randn(n)上式中，a
ij
、a
′
ij
分别为变异前、后个体i的第j个基因，σ为常数矩阵，randn(n)为根据正态分布生成的随机数。7.根据权利要求5所述的一种基于改进遗传算法的电力系统多目标储能优化方法，其特征在于：所述步骤b1中，每个个体上还设置有3t个基因位置，分别为电源侧、电网侧、负荷侧的储能在t个时段的充放电策略；所述步骤b5中，储能优化方案还包括储能在各时段的充放电策略。
技术总结一种基于改进遗传算法的电力系统多目标储能优化方法，先针对在电源侧、电网侧、负荷侧均配置储能的方式构建配置储能总成本最小为目标函数的储能多目标优化模型，然后采用基于Pareto最优概念的非支配排序的遗传算法对构建的储能多目标优化模型进行求解，得到储能优化方案，包括各储能的配置地点和容量。本发明同时实现了电源侧平滑新能源出力、电网侧削峰填谷、负荷侧通过峰谷套利降低成本。负荷侧通过峰谷套利降低成本。负荷侧通过峰谷套利降低成本。
技术研发人员：杨旋 任羽纶 赵红生 王博 徐秋实 刘卓 唐飞 徐慎凯 董哲
受保护的技术使用者：武汉大学
技术研发日：2022.07.20
技术公布日：2022/11/1
