一种基于复合储能功率分配的微电网多目标优化控制方法

本发明属于电力系统多目标优化控制研究领域，具体涉及一种基于复合储能功率分配的微电网多目标优化控制方法。

背景技术：

1、近年来各国逐步优化能源结构向可再生能源方向持续推进，水电、风电、太阳能等清洁能源发电规模也不断增大。然而，由于自然风存在随机波动的特性，风力发电的电能输出存在严重间歇性波动，导致其出力的可靠性较差。大规模的风电接入将对电网的安全稳定运行造成严重威胁。目前，已广泛采用抽蓄机组与风电机组互联运行的方法，抽水蓄能机组同时具有发电、储能可双向运行，可实现大功率、大容量的电能储存在电网中起到调峰调频等作用，以消纳风光这类间歇性能源给电网造成的冲击，可提高风电机组的可靠性和稳定性。但抽蓄机组在承担调峰任务时，由于功率响应需要经过引水系统等一系列复杂物理过程改变机组出力，其响应速率远不如化学电池储能及电磁储能等设备。在电网中平抑间歇性能源波动时面对较高频波动时，其爬坡速率较慢无法维持频率水平，依然影响电网系统的安全稳定运行。而超级电容具有长寿命、循环次数多、充放电时间响应速度快等优点，但超级电容器的电介质耐压很低，储能水平受到耐压限制，储存的能量不大，放电时间较短，要使其大规模应用于微电网中，可与蓄电池类储能组成复合储能系统，以兼具功率型、能量型储能特点。

2、变分模态分解(variational mode decomposition，vmd)是一种单变量信号分解方法，旨在将一个复杂信号分解为一组内在模态函数(intrinsic mode functions,imfs)，每个imf都具有清晰的瞬时频率。vmd通过最小化信号重构误差和模态频带宽度来实现这一目标，从而得到一组纯净的、相互正交的模态信号。vmd设计用于处理单通道信号，而mvmd(多元变分模态分解)能够同时处理多个相关信号或通道，在微电网系统中其不平稳功率可能来自多个可再生能源发电单元和负荷变化，这些信号之间很可能存在关联性。mvmd是对vmd的一种扩展，旨在处理多变量或多通道信号的分解。mvmd通过同时考虑所有通道的信息来优化模态的频率分离，这有助于在复杂和动态的微电网系统中更准确地识别和分离不同频率的功率波动。

3、竞争与合作群优化算法(competition and cooperation swarm optimization,ccso)是一种竞争与合作群体优化方法。ccso算法更新策略允许通过一个粒子的适应度下降，以使得另一个粒子适应度更好。ccso通过这种特殊协同学习模型可从局部最优区域生成粒子，通过允许一个粒子的适应度恶化，即牺牲一个粒子来使另一个粒子位置更优，实现了一种新的位置更新策略。但传统的ccso算法，其竞争群优化策略借鉴粒子群算法(pso)，其学习率参数是设定不变的，这种方式虽然减少了参数但不利于算法收敛。

技术实现思路

1、发明目的：本发明提供一种基于复合储能功率分配的微电网多目标优化控制方法，使得含可再生能源微电网系统能够更精准、迅速地调节电网频率，达到了全频段针对性平抑波动，进一步保障系统的安全稳定运行。

2、技术方案：本发明所述的一种基于复合储能功率分配的微电网多目标优化控制方法，包括以下步骤：

3、(1)构建水风储互联微电网系统，并根据微电网系统功率分配策略得到所需复合储能系统平抑的功率信号；所述复合储能系统包括抽水蓄能电站、蓄电池组及超级电容组；

4、(2)通过mvmd分解需要复合储能系统平抑的功率信号，得到多元调制分量信号；

5、(3)对多元调制分量信号进行重构，以得到相对的高中低三个频段的功率信号；

6、(4)对微电网系统建立基于复合储能功率分配的多目标优化模型，包括优化变量、目标函数和约束条件；

7、(5)对ccso算法进行改进获取iccso算法；所述iccso算法针对ccso算法易陷入局部最优缺陷，更新策略引入莱维飞行随机游走策略及随当前迭代数动态自适应的学习率调整策略，前期快速扩大搜索空间以充分探寻，后期保证最优解附近精细调整；并引入chebyshev映射初始化，以提高算法全局收敛效率；

8、(6)利用iccso算法求解所建立的多目标优化模型，以得到符合期望目标函数的最优的信号重构求和模态数及惩罚因子参数组，实现全频段精准平抑微电网系统风电功率波动。

9、进一步地，步骤(1)所述水风储互联微电网系统包括水电站、风电场、负荷系统、复合储能系统及控制系统。

10、进一步地，步骤(1)所述所需复合储能系统平抑的功率信号为：

11、pc(t)＝pw(t)-pgrid(t)

12、其中，pc(t)为互联微电网需复合储能系统平抑的功率信号，pw(t)为风电输出功率，pgrid(t)为风电并网期望功率；且：

13、pc(t)＝pp(t)+pb(t)+psc(t)

14、其中，pp(t)为需抽水蓄能机组平抑功率，pb(t)为需蓄电池组平抑功率，psc(t)为需超级电容组平抑功率。

15、进一步地，所述步骤(2)实现过程如下：

16、待分解功率信号pc(t)的通道数为c,待分解所得多元调制分量数目为k,分解得到k个多元调制分量uk(t),k＝1,2,…,k，3≤k≤20，据此构造变分问题为：

17、

18、式中，c为算法输入的原始信号数；ωk为mvmd分解后每个模态的中心频率；pc(t)为输入多元时序特征信号的集合；uk,c(t)为分解后时序特征信号的集合，为利用hilbert变换所求得多元调制信号uk,c(t)的解析信号。

19、进一步地，所述步骤(3)实现过程如下：

20、将分解所得k个多元调制分量uk(t),k＝1,2,...,k，3≤k≤20重构为高中低频三个重构信号，根据每个模态的中心频率ωj将模态分类，其分类原则如下：

21、

22、式中，ωmax、ωmin分别为除分解的最后一个模特分量uk(t)以外的模态中最高与最低中心频率，ωc为二者平均值作为信号重构的高中频临界值，除uk(t)以外所有模态中，中心频率ωk≤ωc将其归类为中频信号，中心频率ωk＞ωc将其归类为高频信号，经mvmd分解出的最后一个模特分量uk(t)为低频信号；

23、将属于同一频带的模态信号相加以获得相应高中低三个频段的重构信号：

24、

25、式中，h(t)为重构所得高频分量信号分配给超级电容组进行平抑，m(t)为重构所得中频分量信号分配给蓄电池组进行平抑，l(t)为重构所得低频分量信号分配给抽水蓄能进行平抑，h、m为分解所得多元调制信号进行高、中频信号重构时分别进行求和的模态数，3≤k≤20是mvmd分解所得多元调制信号模态总数。

26、进一步地，所述步骤(4)实现过程如下：

27、选取优化变量为mvmd分解中构造拉格朗日函数的惩罚因子ε以及经mvmd分解进行高、中频信号重构时所分别求和的模态数h、m；

28、目标函数f1为信号分解重构过程中所得重构信号相较原信号的均方误差与分解模态的平均峭度的加权值，保证分解过程中信号的保真性与减少模态间的交叉干扰：

29、f1＝α×mse+(1-α)×q

30、其中，α为均方误差所占权重，q为分解模态的平均峭度，mse为均方误差；

31、目标函数f2为系统电网频率的时间乘以绝对误差积分：

32、

33、其中，e(t)表示系统实际输出与期望输出的误差，t表示时间；

34、约束条件为：

35、

36、其中，ht(t)、mt(t)、lt(t)分别为重构所得高中低频功率信号在任意t时刻的值，psc,max、psc,min表示超级电容组出力上下限，psoc,max、psoc,min表示蓄电池组出力上下限，其值正负号分别表示充放电，pp,max、pp,min表示抽蓄机组出力上下限，其值正负号表示抽水放水，k是mvmd分解所得多元调制信号模态总数。

37、进一步地，所述步骤(5)实现过程如下：

38、利用chebyshev映射进行种群初始化，确定种群的初始布局：

39、xn+1＝cos(μarccos xn),xn∈[-1,1]

40、其中，μ为chebyshev多项式的阶次,能够生成不相关的有遍历性质的混沌序列；

41、引入莱维飞行策略，促使个体在搜索空间内广泛散布，规避局部最优陷阱，显著提升了全局优化效能；莱维飞行的位置更新公式为：

42、

43、其中，xi(t)表示第t代的第i个解；表示点对点乘法；α表示控制步长的权重，α＝0.01(xi(t)-xb)，xb为当前的最优解；levy(λ)表示服从莱维分布的路径，且满足：levy(λ)～μ＝t-λ，1≤λ≤3；

44、采用指数衰减法自适应学习率调整策略，动态调整机制确保学习率能够随着迭代进程而适当地减小，有利于模型收敛，具体如下：

45、ηt＝η0·υt

46、其中，t为实时迭代轮数，ηt代表算法迭代至第t轮时的学习率值，η0代表初始设定的学习率，γ作为衰减系数，体现学习率随迭代进程逐步下降的速率。

47、进一步地，所述均方误差为：

48、

49、其中，pc(t)是原始待分解功率信号，是经分解重构后的信号，n是信号的长度，即时间序列中的样本点数。

50、进一步地，所述分解模态的平均峭度为：

51、

52、其中，3≤k≤20是分解模态数，n是信号长度，uj是模态信号uj(t)的平均值：

53、

54、进一步地，所述利用chebyshev映射进行种群初始化实现过程如下：

55、设定种群数为n,在d维空间中随机产生一个d维向量作为初始个体,y＝(y1,y2,...,yd),vi∈[-1,1]；

56、对y的每一维进行n-1次迭代,生成其余的n-1个个体；

57、将生成的n个个体依次映射到解搜索空间：

58、xid＝ld+(1+yid)×(ud-ld)/2

59、其中,ud，ld分别为搜索空间第d维的上、下界,yid为第i个个体的第d维,xid为第i个个体在搜索空间中第d维坐标值。

60、有益效果：与现有技术相比，本发明的有益效果：

61、1、本发明构建了基于抽水蓄能电站、蓄电池组、超级电容组复合储能系统的水风储互联微电网系统模型，考虑了抽蓄机组在面对微网中受风电高频波动时响应速度较慢的缺陷，提出通过将微电网风电不平稳功率信号进行分解重构再以复合储能系统进行针对性平抑，重构为高中低频并分别分配于超级电容组、蓄电池组、抽水蓄能电站进行响应，进一步实现了对于风电并网波动的细致全频平抑；

62、2、本发明将风电不平稳功率信号进行mvmd分解并重构，以分解参数惩罚因子及重构信号的各自求和模态数作为优化变量，以微电网系统电网频率的时间乘以绝对误差积分(itae)为目标一，并考虑了信号分解中的保真性并减少模态间的交叉重叠影响，以信号分解中的均方误差和平均峭度为目标二，建立了微电网多目标优化模型；

63、3、本发明为求解所建立的微电网多目标优化模型，提出了改进求解算法iccso，解决了ccso算法易陷入局部最优缺陷，提高了算法全局收敛效率，通过对所建立的多目标优化模型求解，可得到符合期望目标函数的最优信号重构求和模态数及惩罚因子参数组，实现全频段精准平抑微电网系统风电功率波动。

技术特征：

1.一种基于复合储能功率分配的微电网多目标优化控制方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于复合储能功率分配的微电网多目标优化控制方法，其特征在于，步骤(1)所述水风储互联微电网系统包括水电站、风电场、负荷系统、复合储能系统及控制系统。

3.根据权利要求1所述的一种基于复合储能功率分配的微电网多目标优化控制方法，其特征在于，步骤(1)所述所需复合储能系统平抑的功率信号为：

4.根据权利要求1所述的一种基于复合储能功率分配的微电网多目标优化控制方法，其特征在于，所述步骤(2)实现过程如下：

5.根据权利要求1所述的一种基于复合储能功率分配的微电网多目标优化控制方法，其特征在于，所述步骤(3)实现过程如下：

6.根据权利要求1所述的一种基于复合储能功率分配的微电网多目标优化控制方法，其特征在于，所述步骤(4)实现过程如下：

7.根据权利要求1所述的一种基于复合储能功率分配的微电网多目标优化控制方法，其特征在于，所述步骤(5)实现过程如下：

8.根据权利要求6所述的一种基于复合储能功率分配的微电网多目标优化控制方法，其特征在于，所述均方误差为：

9.根据权利要求6所述的一种基于复合储能功率分配的微电网多目标优化控制方法，其特征在于，所述分解模态的平均峭度为：

10.根据权利要求7所述的一种基于复合储能功率分配的微电网多目标优化控制方法，其特征在于，所述利用chebyshev映射进行种群初始化实现过程如下：

技术总结
本发明公开了一种基于复合储能功率分配的微电网多目标优化控制方法，首先，根据微电网系统功率分配策略得到所需储能系统平抑的功率信号；其次，通过MVMD分解所得功率信号，并重构为高中低频三个重构信号以分配给复合储能系统，各储能按频进行针对性平稳波动；对微电网系统建立基于复合储能功率分配的多目标优化模型，包括优化变量、目标函数和约束条件；并提出ICCSO改进算法以增强其全局收敛性，对所建立的多目标优化模型求解，得到符合期望目标函数的最优信号重构求和模态数及惩罚因子参数组。本发明通过复合储能系统进行三频段功率分配响应建立多目标优化模型并求解，可进一步完善微电网系统风电功率波动的全频段精准平抑。

技术研发人员：王业琴,吴明江,郭鑫喆,张楚,杨艳,裴家勇,姚君豪
受保护的技术使用者：淮阴工学院
技术研发日：
技术公布日：2024/12/5