产品推荐

火箭蓄电池UXL(LH)系列2V
  火箭蓄电池UXL(LH)系列2V电池2V200AH  产品: 火箭蓄电池UXL(LH)...【详细】
火箭蓄电池GB系列
它由特殊的钙合金组成,以保持强大的启动性能。 防止在高温下电池寿命...【详细】

联系我们

服务热线
13240167779

地址:北京市大兴区魏永路2号
网址:www.jltvip.cn

配电网中锂离子ROCKET蓄电池储能系统最优配置的蚁群算法优化

发布者:火箭蓄电池 发布时间:2026-11-05 20:00:29 阅读:次

摘要

本研究提出了一种基于蚁群优化(ACO)的方法,用于在放射状配电网中优化配置锂离子电池储能系统(BESS)。所提出的框架整合了基准潮流评估、关键节点识别、离散BESS选址、技术经济目标评估以及优化后验证。该方法应用于IEEE 33节点放射状配电测试系统,其初始运行状态通过节点电压分布、电压偏差、电压稳定性指数、有功功率损耗和年度损耗成本来表征。优化过程确定13号和31号节点为两个相同BESS单元的最合适位置,报告的验证案例在每个单元达到允许容量上限时进行评估[数学处理错误]1000kW和[数学处理错误]4000kWh所得结果表明,优化后的BESS配置将最低电压曲线提升至高于[数学处理错误]0.94p.u.的水平,将电压稳定性指数提高到0.88以上,将有功功率损耗降低至约[数学处理错误]0.0166p.u.,并将与有功功率损耗相关的年成本降低了超过[数学处理错误]66%相对于基准情况。通过灵敏度分析、重复随机运行、运行模式评估以及与遗传算法的对比,进一步验证了所提出的基于蚁群算法(ACO)的方法的一致性和稳健性。结果表明,该框架为改善径向配电系统的电压调节、降低馈线损耗以及减少与损耗相关的运行成本提供了一种技术上一致且计算上可行的解决方案。
关键词:
锂离子电池储能系统; 配电网; 最佳BESS布局; 蚁群算法; 电压曲线优化; 有功功率损耗降低; 电压稳定性; 运行成本降低

 

1. 引言

配电系统是电力系统的最终环节,负责将电力从变电站输送至终端用户。其正常运行对于确保可靠、稳定和高质量的供电至关重要。由于它们最靠近用电点,因此也是整个电力系统中能量损耗最高的环节[1]。提高这些系统的效率可减少能量损失,优化运营成本,并降低对新增发电容量的需求,从而直接提升系统的可持续性和经济表现[2]。同时,更高的能源效率通过限制不必要地使用化石能源,支持电力部门的脱碳进程[3]。技术损耗仍是配电网面临的主要挑战之一。这些损耗主要包括电阻(I2R)导体和变压器中的损耗,以及读档不平衡和低功率因数的影响[4]。这些损耗会不利地影响电压稳定性,产生过载情况,增加运行成本,并恶化供电质量[2]。此外,受城市增长、电动交通技术融合以及电网内可再生能源扩展的驱动,配电系统的电力需求正持续增长。这种背景下,需要新的自动化、控制和规划策略来维持服务可靠性[5,6]。此外,综合技术和商业损失等指标揭示了影响配电公用事业财务可持续性的结构性低效问题。对这些指标的监测对于制定有效的投资政策和公平的电价方案至关重要[7]。在这种背景下,多准则决策系统等优化工具和技术对于设计具有更低能量损失、更高韧性和更优电压分布的网络变得日益重要[8,9].
储能已成为电力系统现代化的关键要素,它能增强配电网的运行能力和功能稳定性。其应用使得应对可再生能源的波动性、缓解用电高峰以及提供频率和电压调节等辅助服务成为可能[10]. 在这一框架下,锂离子电池凭借其高能量密度、充放电效率高、自放电率低以及使用寿命长等优势脱颖而出,性能优于铅酸电池和液流电池等其他技术 [11,12]。这些电池已证明其能够通过减少技术损耗、支持负荷曲线以及实时电压调节,来提高电网的运行效率 [13,14]。多项案例研究已证实,它们对电源性能有显著的贡献。例如在芬兰,锂离子电池储能系统(BESS)的整合通过主动电网管理方案实现了电压稳定,并改善了对可再生能源波动性的响应[15]。同样,这些电池已被证明能够执行削峰填谷、时移储能和应急备用等功能,从而提高系统的整体可靠性[16]。其他研究表明,即使在快速充电或老化等苛刻的运行条件下,锂离子电池也能通过自适应控制系统和先进的热管理模型保持良好的性能[17]。研究还引入了智能模型来预测荷电状态(SOC)、健康状态(SOH)和电池寿命,从而改善其在智能电网中的运行[18,19,20]. 数据驱动电池管理的最新进展表明,迁移学习和混合深度学习结构可以在有限数据和实际运行条件下改善SOC和SOH估计。这些进展与BESS规划研究相关,因为准确的电池状态估计有助于更安全的运行、提高储能容量利用率,以及更可靠地将锂离子电池长期整合到配电网中。
储能系统的安装直接影响配电网的技术和经济性能。合理的位置布局能够最大化降低损耗、电压调节和缓解过载带来的效益[21]。相反,不当的布置可能导致线路拥塞、增加有功能量损耗并恶化供电质量。这还可能阻碍有效利用锂离子电池提供的快速响应能力[22]。多项研究量化了战略选址的效益,报告称其可实现高达50%的有功损耗降低,并显著改善电压分布[23,24]。在最有效的方法中,包括蚁群算法(ACO)、粒子群算法(PSO)、哈里斯鹰优化算法(HHO)以及多目标进化变体等启发式优化算法。这些方法允许同时考虑多个标准,包括损耗最小化、电压调节和运行成本[25,26]。此外,已有研究提出将电池健康状态等变量纳入考量的策略,从而将该模型扩展为更全面、更可持续的优化框架[CO2]。近期研究还探索了将电压灵敏度作为确定最佳节点位置的准则,在能源效率方面取得了更好的结果[27,28]。同样,基于先进算法的选址定容联合优化已成为通过高效安全地整合储能系统来实现配电网现代化的关键工具[29,30]. Similarly, the combined optimization of siting and sizing based on advanced algorithms has become a key tool for modernizing distribution networks through the efficient and secure integration of energy storage [31].
配电系统日益复杂的特性促使人们采用先进的优化技术来解决与能量损耗、电压波动和资源分配相关的问题。在这种背景下,元启发式算法为探索广泛且非线性的搜索空间提供了高效的解决方案,而传统技术在这些空间中往往力有不逮[32]。在应用最广泛的方法中,包括遗传算法(GA)、粒子群优化(PSO)、差分进化(DE)和模拟退火(SA),每种方法根据所考虑的问题提供特定的优势。GA和PSO在中压网络中表现出良好的收敛特性,而DE在具有高不确定性的场景中表现出更好的性能[33,34]。在配电系统中,这些算法已被应用于分布式发电机、电容器组和储能系统的配置,以减少损耗、稳定电压水平并提高网络资源的有效利用率[35,36在此背景下,ACO因其处理与组合搜索空间相关的离散优化问题的能力而变得尤为重要。通过模拟蚁群的集体路径选择行为,ACO为识别径向配电系统中适合BESS配置的电气化公交提供了有效机制[37与几种基于种群的优化技术相比,ACO在搜索初期表现出强大的探索能力,并通过信息素强化逐步收敛至高质量解。这些特性对于搜索空间高度非线性且强烈依赖馈线拓扑和电压条件的BESS选址问题具有优势。
多项研究表明,在多性向运行约束下,ACO在电压曲线改善、损耗降低和解稳定性方面,相较于PSO和GA等方法具有竞争优势或更优性能[38,39]。此外,将ACO与其他元启发式算法相结合的混合优化策略,在分布式能源规划问题中也取得了良好效果[40,41]。在本研究中,选择遗传算法(GA)作为对比基准,是因为它是分布式能源分配中最广泛采用的优化技术之一,并且在配电网优化研究中构成了一种成熟的参考方法。
尽管在将元启发式算法应用于配电网储能系统配置方面已取得进展,但仍存在重要的方法论和操作局限性。许多研究聚焦于简化网络,或未考虑电池特有的技术约束,如放电深度或老化[42]。同样,大量文献优先考虑PSO、GA或DE等技术,而蚁群优化(ACO)元启发式算法受到的关注相对较少,特别是在其直接应用于配电系统中锂离子电池的配置方面[43]。另一个常见的局限性是使用单准则优化,例如技术损耗或电压剖面改善,而没有同时整合技术和经济方面的联合评估[44]。此外,许多研究依赖于简化的储能模型,这阻碍了其结果向实际运行条件的推广[45]。这些局限性表明,需要一种严谨且实用的方法论,能够通过技术上有意义且经济上合理的框架来解决电池储能系统(BESS)的配置问题。
针对这些研究空白,本研究提出了一种基于蚁群优化算法的框架,用于径向配电网中锂离子电池储能系统(BESS)单元的最优配置。该方法将基准潮流评估、关键节点识别、离散BESS选址、技术经济目标评估以及优化后验证整合到一个可重复的单一流程中。与仅关注损耗最小化、电压曲线校正或通用元启发式基准测试的方法不同,本框架通过综合考虑电压偏差、安装相关成本、有功功率损耗、电压稳定性、年度损耗成本以及BESS运行模式来评估BESS的配置。
主要的理论贡献在于,在径向运行条件下,结构化地应用蚁群算法(ACO)进行离散式电池储能系统(BESS)配置,并结合了一套验证方案,该方案包括在等效计算设置下与遗传算法(GA)进行对比,以及对充电、待机和放电运行情况的评估。这一方法为识别配电系统中有效的BESS位置提供了一个透明且计算可行的流程,在这些系统中,电压恶化和技术损耗受到馈线拓扑结构以及与变电站电气距离的强烈影响。
本文余下部分的结构安排如下。第2节介绍了所提出的方法论,包括对问题背景的简要技术回顾、该方法的数学和算法表述,以及用于验证的案例研究。第3节展示并讨论了将所提框架应用于测试系统后获得的结果。最后,第四节总结了研究的主要发现,并概述了未来的研究方向。

2. 方法论

本节介绍了在配电网中优化配置锂离子电池储能系统(BESS)所采用的方法论框架。所提出的方法整合了径向潮流分析的技术基础、BESS的稳态模型、配置问题的数学建模、蚁群优化(ACO)算法的实现,以及在标准径向测试馈线上的结果验证。该方法论分为四个连续阶段。首先,通过不含电池储能系统的潮流分析确定网络的初始运行状态,从而提供参考电压分布、有功功率损耗及相关的年度损耗成本。其次,通过约束优化模型建立电池储能系统配置问题,同时考虑电压性能提升和安装成本。第三,应用蚁群算法元启发式方法识别使所采用目标函数最小化的候选节点。第四,通过包含所选电池储能单元的新潮流计算验证最优解,从而实现与基准案例的直接比较。整体方法流程如图所示图1.
Batteries 12 00206 g001
图1。配电网中BESS单元最优配置所采用的方法论流程。

2.1. 方法论基础

所提出的方法论由四个技术组件支撑:(i) 径向配电系统潮流估算,(ii) BESS的稳态表示,(iii) BESS配置问题的数学建模,以及(iv) ACO算法的运行逻辑。这些组件构成了优化框架的分析基础,并定义了在实施和验证阶段所使用的变量、方程和计算程序。

2.1.1. 辐射型配电系统中的潮流计算

径向配电网运行状态的表征需要确定有功和无功功率沿馈线的传播、相邻节点间的电压变化,以及与各支路相关的有功功率损耗。从上游节点的电气状态出发,考虑支路阻抗引起的损耗,将潮流变量向各下游节点传播。该公式采用的符号总结在表1.
表1。与潮流计算公式相关的变量。

到达母线的有功功率[数学处理错误]i+1由从母线流出的有功功率i、接收母线的有功需求以及与支路电流相关的电阻损耗决定。该平衡关系表示为
[数学处理错误]Pi+1=Pi−Pi+1c−Ri,i+1Pi2+Qi2Vi2

其中损耗项与通过支路的视在功率平方成正比,与发送母线的电压幅值平方成反比。
以类似形式,到达节点[数学处理错误]i+1的无功功率由上游无功流量、本地无功需求以及与支路电抗相关的无功掉落得出:
[数学处理错误]Qi+1=Qi−Qi+1c−Xi,i+1Pi2+Qi2Vi2

母线电压幅值的平方[数学处理错误]i+1然后根据送端电压、传输的有功和无功功率以及支路串联阻抗计算得出:
[数学处理错误]Vi+12=Vi2−2Ri,i+1Pi+Xi,i+1Qi−Ri,i+12+Xi,i+12Pi2+Qi2Vi2

该表达式捕捉了支路阻抗对径向馈线电压降的线性与二次贡献。
支路的有功功率损耗[数学处理错误](i,i+1)计算方式为
[数学处理错误]ΔPi,i+1=Ri,i+1Pi2+Qi2Vi2

在无储能支持的运行条件下,网络中的总有功功率损耗为
[数学处理错误]ΔPtotal=∑i=1n−1ΔPi,i+1

当BESS接入母线时i,通过下游支路传输的有效有功和无功功率会因本地功率注入而减少。因此,支路有功功率损耗变为
[数学处理错误]ΔPi,i+1BESS=Ri,i+1Pi−PiBESS2+Qi−QiBESS2Vi2

,且在BESS支持下的总有功功率损耗表示为
[数学处理错误]ΔPtotalBESS=∑i=1n−1ΔPi,i+1BESS

2.1.2. BESS的稳态建模

BESS被表示为连接到配电网候选母线的有功和无功功率受控源。其注入量根据储能容量和假设运行特性所施加的技术条件进行建模。所采用的表示方法考虑了每个母线的有功功率限制和目标功率因数条件。该模型中使用的符号列于表2.
表2。与BESS模型相关的变量。

安装在节点处的BESS所提供的有功功率i由下式得出
[数学处理错误]PiBESS=αiPi+Qiϕ−Yiϕ−Xiαi1+ϕ2

其中[数学处理错误]αi表示节点处的控制因子i, [数学处理错误]ϕ与规定的功率因数相关联,并且[数学处理错误]Yi和[数学处理错误]Xi是代表局部电气状态的技术调整项。
BESS提供的无功功率通过假设的功率因数关系与有功注入相联系,
[数学处理错误]QiBESS=ϕPiBESS

这保持了有功功率与无功功率之间恒定的相位关系。
BESS的视在功率随后被评估为
[数学处理错误]SiBESS=PiBESS2+QiBESS2

该数值可用于验证BESS的运行点未超过其装机功率能力。由(8)–(10)定义的BESS稳态模型通过有功和无功注入项与径向潮流模型直接耦合[数学处理错误]PiBESS和[数学处理错误]QiBESS因此,BESS的存在会改变通过馈线传输的净功率,并根据(6),并且影响优化阶段中考虑的每个候选放置位置的技术评估。

2.1.3. BESS配置问题的数学建模

BESS单元的配置被建模为一个混合整数优化问题。初始潮流解中获得的数据被用作该建模的输入数据。目标是通过最小化结合了电压曲线改善和安装成本的复合函数,来确定应安装储能单元的节点。本阶段使用的符号汇总在表3.
表3。与BESS配置问题相关的变量。

关键节点集合根据基准电压分布确定,如下所示
[数学处理错误]Bcrit=i∈N:Vi(0)−1>0.05

其中[数学处理错误]Vi(0)表示节点处的初始电压幅值i。该定义识别了电压偏差超过[数学处理错误]5%(相对于标称值)的节点,因此需要储能系统的纠正支持。
待最小化的目标函数定义为
[数学处理错误]minJ=∑i∈BcritxiΔVi+λ∑i=1nxiCpPiBESS+CEEiBESS

第一项代表与所选BESS安装节点相关的累计电压偏差,而第二项则对应于所分配的BESS功率和能量容量相关的投资成本。变量[数学处理错误]PiBESS和[数学处理错误]EiBESS受限于为每个候选单元定义的准许容量限制,这些限制在(14)和(15)中确立。因此,所提出的公式可用于评估指定限制范围内的替代容量水平。在本研究报告的验证案例中,所选的电池储能系统(BESS)单元在其准许上限处进行评估,以量化在所采用的储能容量假设下可实现的最大的稳态技术效益。引入权重系数[数学处理错误]λ是为了平衡目标函数中技术项和经济项的相对影响。在本研究中,经过初步数值测试后采用了[数学处理错误]λ=0.5,因为它在电压分布改善和安装成本之间提供了平衡的权衡,而不会过度偏向任何一个标准。
尽管有功功率损耗和电压稳定性并未作为独立项明确纳入目标函数,但这两个量本质上都受到电压分布以及BESS配置所导致的潮流重分布的影响。因此,最小化电压偏差间接有助于降低馈线电流幅值、减轻电阻损耗,并改善整个辐射状网络中的电压稳定性条件。因此,有功功率损耗和电压稳定性在优化后的分析中被作为验证指标进行评估,而非作为明确的优化目标。
进行敏感性分析以评估权重系数[数学处理错误]λ在有界BESS容量条件下对BESS配置结果的影响。所有模拟均保持相同的网络数据、候选节点集、最大BESS单元数量和允许的容量限制。表4总结了针对代表性数值获得的结果[数学处理错误]λ.
表4。权重系数的敏感性分析[数学处理错误]λ.

结果表明,较低的数值[数学处理错误]λ会赋予电压偏差项更大的相对重要性,而较高的数值则会增加目标函数中经济项的影响。所选数值[数学处理错误]λ=0.5保持了13号和31号母线的最佳分配,并在电压偏差、有功功率损耗和年度损耗成本方面提供了平衡的运行条件。观察到的其他数值的[数学处理错误]λ变化表明,当在可接受的BESS容量范围内评估配置问题时,技术-经济权重会影响候选母线组合的排名。因此,报告的容量值应被解释为验证场景中采用的可接受上限,而非所提方法所施加的通用固定容量。
在此公式中,二元变量[数学处理错误]xi将关键母线上的技术干预与相应的投资决策明确关联起来,从而确保仅对实际分配了电池储能系统(BESS)的母线评估电压支持贡献和安装成本。
网络中可安装的存储单元最大数量受限于
[数学处理错误]∑i=1nxi≤Nmax

分配给该节点BESS的有功功率i受限于
[数学处理错误]0≤PiBESS≤xiPi,maxBESS,∀i∈N

且相应的能量容量受限于
[数学处理错误]0≤EiBESS≤xiEi,maxBESS,∀i∈N

这些不等式确保不会为安装变量为零的节点分配任何BESS功率或能量容量。
最后,选址决策通过二值条件进行建模
[数学处理错误]xi∈{0,1},∀i∈N

2.1.4. 蚁群算法建模

布局问题的解决方案采用蚁群优化算法实现。这种元启发式算法基于蚁群在寻找高效路径时的集体行为。在本应用中,每个候选解对应一组为BESS安装而选定的母线。每个解的构建由搜索过程中积累的费洛蒙信息以及与每条母线电气相关性相关的启发式项引导。ACO公式中使用的符号汇总在表5.
表5。与ACO公式相关的变量。

全局信息素更新规则定义为
[数学处理错误]τij(t+1)=(1−ρ)τij(t)+Δτij(t)

其中[数学处理错误]ρ控制蒸发过程[数学处理错误]Δτij(t)表示当前迭代期间沉积的总信息素量。
累积的信息素贡献值由所有蚂蚁的个体沉积量得出:
[数学处理错误]Δτij(t)=∑k=1mΔτij(k)(t)

蚂蚁沉积的信息素k过渡时[数学处理错误]i→j定义为
[数学处理错误]Δτij(k)(t)=Qf(k),ifantkselectstransitioni→j0,otherwise

这种强化机制为目标函数值较低的解分配较大的信息素值。
蚂蚁采用的转移概率k由下式给出
[数学处理错误]pij(k)(t)=τij(t)αηijβ∑l∈Niτil(t)αηilβ

其中[数学处理错误]α和[数学处理错误]β分别确定信息素信息和启发式项的相对影响。

2.2. 方法论实施

2.2.1. 初始系统评估

实施的第一阶段包括在研究系统上执行初始潮流解。节点和支路的电气数据被用作该阶段的输入集。在此初始评估的算法实现中具体采用的变量总结在表6.
表6。初始潮流计算实现中使用的变量。

算法1展示了采用后向/前向扫掠法求解初始径向潮流的计算步骤。
算法 1:使用后向/前向扫掠法进行初始潮流计算
Batteries 12 00206 i001

选择后向/前向扫掠法是因为它在辐射系统中的数值效率。支路阻抗[数学处理错误]Rij和[数学处理错误]Xij,负荷功率[数学处理错误]Pic和[数学处理错误]Qic,辐射网络拓扑结构,以及收敛容差[数学处理错误]ε被用作输入数据。该过程首先分配一个标称电压[数学处理错误]1.0对所有节点进行标幺化,并初始化算法的控制变量。在反向扫描过程中,根据局部视在功率和节点电压计算每个节点的电流,并将下游电流贡献逐支路累加至源节点。在正向扫描过程中,利用支路阻抗和支路电流,从源节点向终端节点更新节点电压。该过程不断重复,直到两次连续电压迭代之间的最大差值低于指定的容差。一旦达到收敛,所有支路的有功功率损耗将通过以下方式评估[数学处理错误]ΔPij,并通过累加这些贡献来获得总有功功率损耗。随后,与有功功率损耗相关的年成本被估计为
[数学处理错误]Closs=ΔPtotalTopce

其中[数学处理错误]Top表示年运行时间及[数学处理错误]ce是单位电费。
年度损失成本是通过将潮流分析中获得的有功功率损耗转换为年度能量损耗来计算的。IEEE 33节点系统使用基准功率[数学处理错误]10MVA和额定电压等级[数学处理错误]12.66kV进行评估。因此,以标幺值表示的有功功率损耗根据所采用的基准功率转换为实际功率损耗。年度运行时间定义为[数学处理错误]8760h/year,对应于全年馈线连续运行,而电价固定为[数学处理错误]0.08USD/kWh.
表7总结了用于年度损耗成本计算和电池储能系统(BESS)评估所采用的经济和运行参数。
表7。研究中使用的经济和运营参数。

因此,与馈线损耗相关的年度运行成本是通过每种运行工况下潮流计算所得的有功功率损耗计算得出的。在不含BESS、基于ACO的BESS配置以及基于GA的BESS配置这三种情景下,均保持相同的经济假设。
对已安装BESS单元的经济评估还辅以基于功率容量成本、能量容量成本、年度运维成本和项目寿命的简化投资分析。与两个BESS单元相关的资本支出计算如下
[数学处理错误]CBESS=∑i=1nxiCpPiBESS+CEEiBESS,

其中[数学处理错误]Cp是BESS功率容量的单位成本,且[数学处理错误]CE是BESS能量容量的单位成本。年度运维成本按BESS总资本成本的固定比例计算:
[数学处理错误]CO&M=rO&MCBESS.

与损耗降低相关的年度净节省额由
[数学处理错误]Snet=Closs0−ClossBESS−CO&M,

其中[数学处理错误]Closs0和[数学处理错误]ClossBESS分别是包含和不包含BESS的年度损失成本。随后计算出简单回收期为
[数学处理错误]TPB=CBESSSnet.

表8总结了用于投资评估的经济假设。
Table 8. Economic assumptions used for the BESS investment assessment.

2.2.2. Optimization Model for BESS Placement

在获得初始潮流解后,构建优化结构以确定最适合安装电池储能系统(BESS)的节点。输入量包括电压偏差[Math Processing Error]ΔVi,单位成本参数[Math Processing Error]cp和[Math Processing Error]cE,权重系数[Math Processing Error]λ,BESS安装的最大数量[Math Processing Error]Nmax,以及最大允许的功率和能量容量[数学处理错误]PmaxBESS和[数学处理错误]EmaxBESS. 本阶段具体使用的变量总结在Table 9.
Table 9. Variables used in the BESS optimization model implementation.

关键母线集合根据(11)建立。随后,优化程序评估BESS位置的候选组合,激活相应的二元变量,并为选定的母线分配最大允许功率和能量值。计算每个候选解的目标函数值,并保留值最低的解。计算过程总结在算法2中。
算法 2:电池储能系统(BESS)单元最优配置的优化模型
Batteries 12 00206 i002

此阶段首先将所有母线的决策变量[数学处理错误]xi, [数学处理错误]PiBESS和[数学处理错误]EiBESS设为零。随后,通过选择初始电压偏差超过的母线来建立关键母线集合[数学处理错误]5%相对于标称值。优化程序评估候选BESS放置组合,最多为[数学处理错误]Nmax储能单元。对于每个候选解,通过二值变量激活所选母线[数学处理错误]xi,并分配相应的最大功率和能量容量。随后,通过结合电压偏差项和加权安装成本项来计算目标函数J。如果计算出的值小于之前记录的最佳值,则更新最优解。该阶段的最终输出是最佳位置向量[数学处理错误]xi,以及相关的BESS功率容量、能量容量和目标函数的最小值。这些输出将用于后续的验证阶段。

2.2.3. 蚁群优化算法的应用

一旦定义了优化模型,就会实施ACO算法来确定最佳BESS位置。该算法通过结合信息素强化和源自网络电气状态的启发式信息,迭代地探索候选节点配置。在过程开始时,会定义元启发式算法的控制参数:蚂蚁的数量m,蒸发系数[数学处理错误]ρ,信息素强化常数Q,以及权重系数[数学处理错误]α和[数学处理错误]β,这些参数决定了信息素项和启发式项在选择过程中的影响。BESS单元的最大数量[数学处理错误]Nmax以及相应的技术和经济参数也已明确。与此实现具体相关的变量总结在表10.
表10.用于BESS选址的ACO实现中所使用的参数。

信息素向量初始化为[数学处理错误]τi=1针对所有候选母线。随后,仅根据关键母线集合中的母线计算启发式值
[数学处理错误]ηi=1ΔVi+ϵ,i∈Bcrit

其中[数学处理错误]ϵ是一个引入的小正数常数,用于避免数值奇异性。根据该定义,电压偏差较大的母线在搜索过程中会获得更高的启发式相关性。
在每次迭代中,每只蚂蚁根据信息素和启发式信息概率性地选择母线,从而构建候选解。单个解中不允许重复选择,选择过程持续进行,直到[数学处理错误]Nmax母线被选中。一旦生成候选解,蚂蚁的目标函数值k计算方式为
[数学处理错误]f(k)=∑i∈Bcritxi(k)ΔVi+λ∑ixi(k)cpPiBESS+cEEiBESS

在所有蚂蚁构建完它们的解之后,信息素值会根据生成解的质量,通过蒸发和随后的强化进行全局更新。完整的ACO实现总结在算法3中。
所有迭代完成后,与最小目标函数值关联的解被选为最优配置。该解提供了最终的BESS位置向量、选定的安装母线以及目标函数的最小值,这些结果随后将用于验证阶段。
蚁群算法的实现采用[数学处理错误]m=30蚂蚁和最多100次迭代。信息素挥发系数设置为[数学处理错误]ρ=0.5,信息素增强常数固定为[数学处理错误]Q=1,权重指数选择为[数学处理错误]α=1和[数学处理错误]β=2这些参数是通过初步数值测试确定的,因为它们为IEEE 33节点配电系统提供了稳定的收敛行为和一致的优化性能。停止准则对应于达到最大迭代次数,或在连续20次迭代中全局最佳目标函数值未获得任何改善。
算法3:用于最优BESS配置的蚁群优化算法
Batteries 12 00206 i003

ACO算法在相同的网络条件和优化约束下独立运行了30次。从这些独立运行中获得的统计结果汇总在表11.
表11。ACO在30次独立运行中的统计性能。

重复运行分析显示,目标函数值以及主要技术和经济指标的离散度较低。13号和31号母线作为最频繁的最优分配方案出现,表明在所采用的网络和参数设置下,ACO搜索过程具有稳定的收敛性。
完成一次完整优化运行所需的平均计算时间约为[数学处理错误]4.2s在一台配备Intel Core i7处理器和[数学处理错误]16GB内存的标准台式电脑上。ACO和GA实现均使用了相同的网络模型、目标函数、候选母线集、BESS容量和技术约束。
对主要ACO控制参数进行了参数敏感性评估。在所有模拟中,BESS技术参数、目标函数、候选节点集和负荷条件均保持不变。表12总结了评估的参数组合。
表12。ACO主要控制参数的灵敏度分析。

包含30只蚂蚁、100次迭代的参考配置,[数学处理错误]ρ=0.5, [数学处理错误]α=1和[数学处理错误]β=2保留了13号和31号母线的最优分配。蚁群规模和迭代次数的适度变化维持了相同的解,而更高的蒸发率或更低的启发式影响则导致所选母线发生微小变化。

2.2.4. 最优解的验证

验证阶段包括在优化程序选定的节点安装电池储能系统(BESS)单元后,进行新的潮流计算。更新后的潮流计算可计算新的节点电压分布、各支路的有功功率损耗、总有功功率损耗以及相关的年度损耗成本。随后,将这些数值与初始系统评估中获得的基础案例值进行比较。因此,通过对节点电压特性、支路及总有功功率损耗以及与功率损耗相关的年度成本进行对比分析,来评估所提方法的有效性。
网络响应是基于BESS单元的稳态运行条件进行评估的。放电模式表现为向配电网注入正的有功功率,而充电模式则表现为在选定节点处注入负的有功功率。空闲状态对应于BESS与电网之间零有功功率交换。因此,BESS节点的净有功功率表示为
[数学处理错误]Pinet=Pic−σiPiBESS,

其中[数学处理错误]Pic是该节点的有功负荷i, [数学处理错误]PiBESS是已安装BESS的额定有功功率,以及[数学处理错误]σi是运行模式系数。值为[数学处理错误]σi=1代表放电运行,[数学处理错误]σi=0表示空闲操作,并且[数学处理错误]σi=−1代表充电操作。这种表示方法允许同一潮流模型在保持所选安装节点和辐射状网络拓扑的同时,评估不同电池储能系统(BESS)运行模式下的馈线响应。

2.3. 研究案例

所提出的方法应用于图中所示的IEEE 33节点辐射状配电系统图2。该网络由位于1号节点的[数学处理错误]33/11kV变电站供电,呈现出明显的辐射状馈线结构。此外,系统包含三个支线:第一条从2号节点延伸至19-22号节点,第二条从3号节点延伸至23-25号节点,第三条从7号节点延伸至26-33号节点[46该测试系统为评估放射状配电网中的规划与优化技术提供了合适的基准,因为它具有代表性的馈线特征、显著的电压降以及不可忽视的技术损耗,这些特性使其非常适合用于评估电池储能系统(BESS)配置的技术与经济影响。在此框架下,采用IEEE 33节点系统作为所提方法的验证平台,从而能够在对电压剖面改善和损耗降低足够敏感的放射状运行条件下,量化优化后的BESS配置所产生的影响。
Batteries 12 00206 g002
图2。IEEE 33节点辐射状配电系统被用作研究案例。
功率流计算是基于IEEE 33节点配电系统的标准辐射型配置进行的。尽管原始测试馈线包含可作为网络重构研究联络线的额外支路,但在本研究中,这些支路始终保持断开状态。因此,在基准案例评估和优化过程中,馈线拓扑结构严格保持辐射型。所提出的方法未纳入网络重构策略,因此所有分析场景中的支路状态均保持不变。在此运行条件下,辐射型结构被永久保留,从而确保了有无BESS接入案例之间比较的一致性。

3. 结果与讨论

3.1. 优化后BESS配置的技术与经济性能

在应用所提出的优化框架并结合ACO算法后,确定了13号和31号母线为安装两台BESS单元的最合适位置。表13总结了通过所提方法获得的优化配置,并且图3描绘了在IEEE 33节点辐射配电系统中的相应布置。随后,将这一优化配置纳入潮流模型中,以量化其相对于无电池储能系统基准案例对电压分布、电压稳定性、电压偏差、有功功率损耗以及年度损耗成本的影响。
Batteries 12 00206 g003
图3。IEEE 33节点测试系统中的电池储能系统最优配置。
表13。通过所提方法获得的最佳BESS位置和容量。

两台已安装的BESS单元完全相同。在报告的验证案例中,每个单元的评估参数如下:最大允许有功功率容量为[数学处理错误]1000kW,最大允许能量容量为[数学处理错误]4000kWh,目标功率因数为0.95,往返效率为[数学处理错误]95%,允许的SOC范围为[数学处理错误]20%至[数学处理错误]90%,且最大充放电限制等于额定功率。因此,ACO算法识别安装母线,而采用的验证场景则在所选机组的上限允许容量限制下对其进行评估。这种建模选择能够隔离位置的影响,并确保在一致的储能容量条件下对候选母线进行比较。在扩展的选址定容研究中,可以使用相同的公式评估允许范围内的其他容量水平。
优化后的BESS配置对节点电压分布的影响如图所示图4在13号和31号母线安装BESS单元后,观察到电压幅值显著提升。在没有储能支持的基准情况下,电压从送电母线向馈线末端逐渐下降,在网络最关键区域附近降至接近0.91 p.u.。BESS接入后,全系统的电压曲线均有所提升,所有母线的电压均保持在0.94 p.u.以上。这种改善从13号母线开始尤为明显,这与其中一个储能单元的安装位置一致,并且一直持续到馈线的末端母线。这一现象表明,优化的BESS配置改善了网络电气距离最远区域的电压调节,并减轻了沿辐射状结构累积的电压降严重程度。
Batteries 12 00206 g004
图4。基准工况和优化BESS配置下的节点电压分布。
电压稳定性指数提供了补充评估,如图所示图5BESS单元的接入使得整个馈线上的该指数显著提升。在无储能的场景下,多个节点显示出低于0.75的临界值,最低接近0.66,表明对运行扰动的敏感度较高。一旦在13号和31号节点安装BESS单元,稳定性指数便持续提升,即使是距离变电站最远的节点,该指数也保持在0.88以上。这一结果证实,优化的BESS配置不仅改善了电压幅值,还增强了馈线的静态电压支撑能力,从而降低了最重载运行区域的不稳定风险。
Batteries 12 00206 g005
图5。有无BESS的电压稳定性指数对比。
通过下文所示的电压偏差分析,可以进一步了解馈线运行状态图6。在不含BESS的基准工况下,10至18号节点表现出大于[数学处理错误]−5%的负电压偏差,数值接近[数学处理错误]−10.00%这些数值超出了IEC 61000-2-2规定的允许容差范围,该标准规定了电压变化的限制为[数学处理错误]±5%相对于标称值。在接入BESS后,这些母线的电压偏差降低至约[数学处理错误]−4.60%至[数学处理错误]−5.19%。在28号母线至33号母线之间也观察到了类似运行工况,基准工况下的偏差超过[数学处理错误]−6%,而优化后的BESS方案将偏差范围降低至约[数学处理错误]−5.20%至[数学处理错误]−6.88%。这些结果表明,优化后的BESS配置显著改善了馈线电压分布,特别是在电网的电气应力较大区域。
Batteries 12 00206 g006
图6。有无BESS的电压偏差。
位于侧向馈线末端部分附近的几个母线继续在接近或略低于[数学处理错误]±5%允许电压范围的条件下运行。这种现象与系统的辐射状结构、高阻抗支路上累积的电压掉落,以及验证案例中采用的BESS容量上限有关。尽管已安装的储能单元在主馈线段提供了电压支持,但末端母线与所选BESS位置之间的电气距离限制了最远节点处欠压情况的完全消除。额外的电压支持策略、修订的储能容量界限、馈线重构或分布式补偿装置,可以在重载运行条件下进一步改善末端母线的电压调节。
优化后的BESS配置对有功功率损耗的影响如图所示图7在集成储能单元后,整个馈线上的损耗普遍下降。在不含电池储能系统的基准情况下,总有功功率损耗为0.03794 p.u.,而优化后的电池储能系统配置将该值降至0.01664 p.u.。这种降低在电气上靠近所选电池储能系统母线的馈线段尤为明显,这证实了分布式储能单元有效地缓解了需求最旺盛支路的功率传输需求,并减轻了相关的电阻损耗。
Batteries 12 00206 g007
图7。有无电池储能系统(BESS)的有功功率损耗对比。
技术损耗降低带来的经济效益如图所示图8。安装优化后的BESS单元后,与有功功率损耗相关的年成本显著下降。在无储能场景下,年损耗成本为646,213.77美元,而优化后的BESS配置将该值降至216,044.21美元。这一降幅超过了[数学处理错误]66%,反映了电压分布改善与损耗最小化带来的综合效益。因此,优化的BESS配置不仅提供了技术上更佳的运行条件,还大幅降低了与馈线损耗相关的运行成本。
Batteries 12 00206 g008
图8。有无BESS情况下与有功功率损耗相关的年成本对比。
还评估了安装在13号和31号母线上的BESS单元在不同稳态运行模式下的网络响应。表14总结了在充电、空闲和放电条件下的结果。充电模式会增加馈线有效需求,并产生最不利的电压和损耗情况。空闲模式模拟了储能单元不进行有功功率交换的运行状态。放电模式为馈线提供有功功率支持,在电压偏差、有功功率损耗和年度损耗成本方面表现出最佳的综合性能。
表14。不同BESS运行模式下的网络响应。

运行模式评估证实,储能单元的技术效益取决于其功率交换状态。在放电运行模式下,BESS单元减少了馈线所需的上游功率传输,从而降低了支路电流,减轻了有功功率损耗,并改善了节点电压幅值。在充电运行模式下,则观察到相反的效果,因为储能单元在选定节点处表现为额外负荷。

3.2. ACO与GA的对比分析

为了对所提出的解决方案策略进行更广泛的评估,ACO和遗传算法(GA)的实现均在可比的计算条件下进行了配置。两种算法均使用相同的网络模型、候选节点集、BESS单元数量、BESS功率和能量容量、目标函数以及运行约束。本次对比分析所采用的算法参数汇总于表15.
表15。用于ACO和GA对比分析的算法参数。

使用ACO和GA获得的对比性能结果展示在表16中,以及不含储能的基准情况。在相同的模拟条件下考虑了五个指标:有功功率损耗、最大电压偏差、平均电压偏差、不稳定指数和年度损耗成本。在此对比中,电压偏差以百分比表示,因此保持在[数学处理错误]10%以下,与之前讨论的节点行为一致。
表16。基准案例、ACO和GA的性能对比。

如报告所示表16在两种优化技术下,使用BESS均能显著降低有功功率损耗,相比无储能的情况,GA产生的损耗最低,为0.01468 p.u.,而ACO产生的损耗为0.01664 p.u.;这两个数值均远低于基准情况下的0.03794 p.u.损耗水平。在电压性能方面,两种方法均大幅降低了最大和平均电压偏差。最大偏差从无BESS时的9.6369%降至ACO下的6.5168%和GA下的6.9669%,而平均偏差则从5.4813%分别降至2.6666%和3.0731%。在两项指标中,ACO均略优于GA。在不稳定性指数上也观察到了类似的趋势,该指数从基准情况下的0.3314下降到ACO的0.2343和GA的0.2490。从经济角度来看,两种优化方法都大幅降低了年度损失成本。GA提供的年度成本最低,为213,173.47美元,而ACO为216,044.21美元。尽管GA实现的成本略低,但与无储能情况相比,两种优化方案之间的差异相对于大幅降低的成本而言仍然很小。
这些指标的全局行为综合在图9中,该图展示了三种情景的归一化雷达对比。图表显示,两种优化方法在整体上都产生了极具竞争力的解决方案。尽管如此,ACO在电压相关和稳定性相关指标上略占优势,而GA在降低损耗和年度成本方面表现略好。
Batteries 12 00206 g009
图9。基准案例、ACO和GA在技术与经济性能上的归一化雷达图对比。
图10中显示的电压曲线提供了更详细的节点对比图10。与无储能案例相比,ACO和GA均提高了所有母线的电压幅值。然而,ACO在最远端母线(尤其是20号至33号母线)的电压更接近1.0 p.u.,而GA在同一区域的电压值略低。尽管两种方法都能有效缓解基准案例的渐进式电压掉落,但ACO在馈线电气最薄弱部分提供了略强的电压支撑效果。
Batteries 12 00206 g010
图10。基准案例、ACO和GA的电压分布对比。
两种优化方法对电压稳定性的影响如图11所示。与无BESS的案例相比,ACO和GA均显著提升了稳定性指标,使大多数母线的指标超过0.9。ACO再次表现出微弱优势,特别是在20号至33号母线之间,其指标始终高于GA的结果。这些结果证实,两种技术均能大幅降低馈线的不稳定风险,而ACO在最关键的母线上提供了最强的改善效果。
Batteries 12 00206 g011
图11。基准情况、ACO和GA的电压稳定性指数对比。
三种场景的支路损耗情况如图12所示。与无储能情况相比,两种优化方法均显著降低了有功功率损耗,尤其是在基准情况损耗最高的馈线段。在30号节点附近,原始损耗超过0.06 p.u.,该区域的损耗降幅最为显著。GA在多个节点上略优于ACO,这与报告的较低总损耗值一致。表16从全局来看,该数据证实了两种优化的BESS分配策略都能显著且持续地降低支路损耗。
Batteries 12 00206 g012
图12。基准案例、ACO和GA的有功功率损耗对比。
两种优化方案的经济影响展示在图13中。与无储能案例相比,两种方法均使与有功功率损耗相关的年成本降低了约[数学处理错误]66%。GA得出的数值最低,为213,173.47美元,略低于ACO获得的成本216,044.21美元。这些结果证实了两种优化方法的经济有效性,并表明遗传算法在最小化年损耗成本方面具有微弱优势。
Batteries 12 00206 g013
图13。基准案例、ACO和GA的有功功率损耗相关年成本对比。
最后,图14中报告的ACO较低的最大和平均电压偏差一致。比较了三个评估场景相对于标称值的电压偏差百分比。在没有储能的情况下,多个母线超过了允许的[数学处理错误]±5%限值,偏差接近[数学处理错误]−10%。通过ACO和GA两种方式集成BESS后,电压偏差显著改善,尽管仍有一些母线处于允许范围之外。总体而言,在最关键的母线上,ACO提供的修正效果略优于GA,使偏差更接近监管容差带。这一观察结果与表16.
Batteries 12 00206 g014
图14。基准情况、ACO和GA的电压偏差对比。

3.3. 结果解释

所获得的结果表明,在集成BESS单元后,所提出的方法在IEEE 33节点配电系统中实现了显著的技术改进。特别是,优化配置使得节点电压分布相较于无储能的基准情况得到逐步改善,这在馈线电气最薄弱的区域尤为重要。与此同时,全网电压稳定性指数持续提升,表明运行条件更加安全,且对电压相关扰动的敏感度降低。此外,大多数节点的有功功率损耗显著减少,证实了所提出的储能配置有效缓解了导致系统最高技术损耗的过量功率传输需求。
这些技术改进与通过蚁群优化算法求解的数学优化模型所确定的13号和31号母线处两个BESS单元的最优配置直接相关。所获得的解决方案不仅改善了馈线系统的电气特性,还产生了明显的经济效益。具体而言,与基准情况相比,集成BESS后,有功功率损耗相关的年成本从646,213.77美元降至216,044.21美元,降幅超过[数学处理错误]66%。这一结果证实了所提方法在技术和经济两个方面都是有效的。
综上所述,这些研究结果表明,研究目标已完全实现。首先,所提出的方法成功提升了整个配电馈线的电压水平,特别是受电压降影响最严重的节点。其次,它大幅降低了有功功率损耗,从而提高了网络的运行效率。第三,它降低了与技术损耗相关的年度运行成本,证明了优化后的电池储能系统(BESS)配置的实际价值。因此,在所采用的案例研究条件下,所开发的方法被证明是有效的、技术上一致的,并且具有经济优势。此外,所提出的框架在具有类似特征的其他辐射型配电系统中具有强大的应用潜力,前提是能够获取相应的电气和经济数据。
ACO与GA的技术对比进一步表明,两种优化技术为所评估的系统提供了极具竞争力的解决方案。ACO在电压分布校正和电压稳定性指数改善方面略占优势,而GA在降低有功功率损耗和年度运行成本方面表现略好。尽管这些差异较小,但它们进一步验证了本研究提出的基于ACO的方法的有效性,因为该方法得出了稳健且连贯的结果,与研究的技术和经济目标完全一致。

4. 结论

本研究开发了一种系统性的方法论,用于在放射状配电网中优化锂离子电池储能系统的布置位置。所提出的框架首先通过放射状潮流分析评估基准工况,从而能够从节点电压幅值、电压偏差、有功功率损耗、电压稳定性以及年度损耗成本等方面表征IEEE 33节点系统的初始电气特性。随后,这些量被用于定义关键节点集,并为优化过程提供支持。
该数学模型从技术经济角度解决了BESS配置问题。采用ACO算法确定最佳安装节点,同时报告的验证案例在案例研究定义的上限允许功率和能量容量范围内评估所选BESS单元。在这些假设下,最优解对应于在13号和31号节点安装两个相同的BESS单元,每个单元的评估条件为有功功率限制为[数学处理错误]1000kW以及能量容量限制为[数学处理错误]4000kWh.
优化后的BESS配置使馈线电压分布得到持续改善,提高了电压稳定性指数,并降低了整个系统的有功功率损耗。与基准案例相比,集成BESS后,与有功功率损耗相关的年成本从646,213.77美元降至216,044.21美元,降幅超过[数学处理错误]66%补充投资评估显示,在考虑运营和维护成本后,年度总损失-成本节约额为430,169.56美元/年,年度净节约额为392,169.56美元/年,在所采用的经济假设下,简单回收期为4.84年。
ACO与GA的对比证实,两种优化方法相较于基准案例均能带来显著的技术和经济改进。ACO在电压偏差和稳定性指标方面表现更佳,而GA则在降低损耗和年度损耗成本方面略有优势。重复运行分析、加权系数敏感性评估以及ACO参数敏感性评估表明,所选配置表现稳定,在参考条件下,13号和31号母线始终被确定为最合适的配置位置。
在充电、空闲和放电模式下的补充评估证实,网络响应取决于BESS的功率交换状态。放电操作产生了最佳的电压和损耗性能,而充电操作则增加了有效馈线需求。这些结果强调了在评估储能单元对径向配电馈线的稳态影响时,考虑其运行模式的重要性。
总体而言,所提出的基于ACO的框架为径向配电网络中的BESS选址提供了一种可复现且计算可及的方法。结果表明,在所采用案例研究的假设下,该框架能够改善电压调节、减少有功功率损耗、增强电压稳定性,并降低与馈线损耗相关的年度运行成本。

未来工作

作为未来的研究方向,建议引入多个时段的变量读档和发电曲线,以评估电池储能系统(BESS)单元在不断变化运行工况下的动态性能。此外,还建议整合与电池退化、荷电状态演变以及与可再生能源资源协调相关的进一步约束条件。这些扩展将使所提出的模型能够应用于具有更高时间与运行复杂性的更真实运行场景。
作为补充信息,附录A提供了IEEE 33节点测试系统的电气数据,以及用于为所综述文献提供背景的补充文献分析图表。