(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111624160.X (22)申请日 2021.12.28 (71)申请人 南京工程学院 地址 211167 江苏省南京市江宁科 学园弘 景大道1号 (72)发明人 刘秋华　王明康　 (74)专利代理 机构 南京睿之博知识产权代理有 限公司 32 296 专利代理师 杨雷 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06Q 10/04(2012.01) G06F 30/25(2020.01) G06F 111/04(2020.01)G06F 113/04(2020.01) (54)发明名称 一种基于粒子群算法的储能容量配置优化 方法 (57)摘要 本发明公开了一种基于粒子群算法的储能 容量配置优化方法， 包括以下步骤： 分析国内外 梯次利用动力电池的应用现状以及梯次电池储 能经济性评估的研究现状； 建立梯次电池储能效 益模型， 建立电池储能成本模型； 建立以年净收 益最大为目标的容量配置模型， 并引入粒子群算 法求解； 给定粒子群算法初值及容量配置模型参 数， 求解得到最大年效益下的容量配置方案。 本 发明对电池储能的梯次利用进行了容量配置优 化， 可以大幅度提高储能系统的年经济效益， 可 以有效改善园区电网的削峰率， 既保障了经济 性， 又保障了电网的安全稳定运行。 权利要求书2页 说明书6页 附图3页 CN 114741943 A 2022.07.12 CN 114741943 A 1.一种基于粒子群算法的储能容 量配置优化方法， 其特 征在于， 包括如下步骤： S1： 建立梯次电池 储能效益模型， 建立电池 储能成本模型； S2： 建立以年净收益 最大为目标的容 量配置模型， 并引入粒子群算法求 解； S3： 给定粒子群算法初值及容量配置模型参数， 求解得到最大年效益下的容量配置方 案。 2.根据权利要求1所述的一种基于粒子群算法的储能容量配置优化方法， 其特征在于， 步骤S1中建立梯次电池 储能效益模型， 具体包括： (11)峰谷套利收益 退役电池储能系统利用电价机制， 在低电价、 低负荷时充电， 在高电价、 高负荷时放电； 当退役电池储能系统运行n天时， 通过峰谷套利得到的收益 为： 式中， i取值为1 ‑24， 代表日内24小时， Pi+和Pi‑为退役电池系统日内i小时的充放电功 率， ei则为日内i时段电价， n 为退役电池系统一 年内运行天数； (12)碳交易收益 退役电池储能通过碳减排实现的收益表达为： Eb＝n·eD·QD 式中， n为退役电池系统一 年内运行天数， eD为碳交易价格； QD为碳减排量； (13)延缓配电网升级投资效益 退役电池储能系统延缓配电网升级的总收益 为： 式中， Cinv为电网升级的建设成本； ir为通货膨胀率； dr为贴现率； Δn为延缓电网升级 的年限； N 为退役电池系统的运行寿命。 3.根据权利要求2所述的一种基于粒子群算法的储能容量配置优化方法， 其特征在于， 步骤S1中建立电池 储能成本模型， 具体过程包括： (21)初始投资成本 包括与退 役电池的购置成本相关的容 量成本， 与储能变流器成本相关的功率成本； 投资成本计算公式为： 式中， CE是退役电池系统的单位容量成本； Em是退役电池系统的额定容量； CP是储能交 直流功率转换单元单位功率成本； Pm是退役电池系统的额定功率； (22)运行维护成本 退役电池系统的运行维护成本包括退役电池与储能电能转换器的维护费用， 运行维护 成本为： Cb＝KEEm+KPPm 式中， KE是退役电池运行维护时的单位容量成本； KP是储能变流器运行维护时的单位功 率成本， N 为退役电池系统的运行寿命。权　利　要　求　书 1/2 页 2 CN 114741943 A 24.根据权利要求3所述的一种基于粒子群算法的储能容量配置优化方法， 其特征在于， 步骤S2中建立以年净收益 最大为目标的容 量配置模型， 具体过程 为： 建立的以年净收益 最大为目标的容 量配置模型为： S＝Ea+Eb+Ec‑Ca‑Cb   (6) 其中， 约束条件为： (31)充放电功率约束： 0≤Pk+≤Pm    (7) 0≤Pk‑≤Pm    (8) (32)充放电守恒约束： 则充放电守恒约束可以化简为： (33)荷电状态约束： SOCmin≤SOC(t)≤SOCmax    (11) 式中， SOCmax、 SOCmin分别表示储能系统中退 役电池的SOC上、 下限。 5.根据权利要求1所述的一种基于粒子群算法的储能容量配置优化方法， 其特征在于， 步骤S3： 给定粒子群算法初值及容量配置模型参数， 求解得到最大年效益下 的容量配置方 案， 具体过程 为： 定义目标函数， 初始化粒子种群； 初始化参数， 包括种群 个数、 最大迭代次数、 学习因子， 粒子位置， 粒子 速度； 计算粒子个 体的适应度值， 计算个 体极值和全局极值， 通过比较得到当前最优位置； 更新粒子种群的位置和速度； 计算更新后的最优粒子种群位置； 计算适应度值， 若更新后的最优粒子种群优于当前最优粒子种群， 则将其替换， 反之保 留当前最优粒子种群； 判断是否达到最大迭代次数或者达到算法中止条件， 若是则 输出最优粒子种群和目标 函数值； 判断是否满足算法重启条件， 若满足， 则重新初始化 参数并执 行粒子群算法。 6.根据权利要求5所述的一种基于粒子群算法的储能容量配置优化研究方法， 其特征 在于， 步骤S2中， 粒子群算法的算法终止条件如下： σ ＝ ε 其中， σ 为迭代次数， ε为设定的最大迭代次数。 7.根据权利要求5所述的一种基于粒子群算法的储能容量配置优化研究方法， 其特征 在于， 步骤S2中， 粒子群算法的算法重启条件如下： σ ≤ ε 其中， σ 为迭代次数， ε为设定的最大迭代次数。权　利　要　求　书 2/2 页 3 CN 114741943 A 3