基于小波分解和粒子群算法的多元储能配置方法和系统与流程

1.本发明涉及储能技术领域，尤其涉及基于小波分解和粒子群算法的多元储能配置方法和系统。


背景技术：

2.储能技术作为新型电力系统的关键技术，被认为是解决新能源出力不稳定的重要手段。事实上，分布式储能因其具有位置分散、安装灵活、容量较小、形式多元、应用场景多样等特征更能适应新型配电网的运行要求。分布式储能和分布式新能源发电的联合运行将是新型配电网的发展趋势。随着构建能源体系进程的推进，促进多能源系统的融合已是大势所趋。现阶段，分布式储能打破了原有单一“电储能”应用的局限，正在朝着电储能，储气、储氢、蓄热、蓄冷等多元储能方向发展。因此，有必要对多元储能的容量配置进行规划，储能系统的有序接入是其技术经济性得以充分展现的重要前提。
3.当前多元储能容量配置的研究，还没有相对成熟和系统的研究成果，还有很多的未知领域需要去探索和实践，因此本发明将小波分解的方法用在分析不同场景下功率波动曲线中，分解出不同频率的波动曲线，分别对应不同响应速度的储能技术类型，通过分析不同储能类型的处理特点，同时以成本最小为目标进行寻优得到了一种较为合理的定容方法，为该领域的进一步发展提供了思路。
4.

技术实现要素：

5.本发明目的在于提供基于小波分解和粒子群算法的多元储能配置方法和系统，充分利用小波分解的优势，并考虑多元储能系统的经济性，得到的结果较为客观，最终能提供一个多元储能容量的最佳配置方案。
6.为实现上述目的，本发明提供基于小波分解和粒子群算法的多元储能配置方法，包括以下步骤：
7.根据储能参与电力系统平抑波动的场景曲线，获取不同波动场景的典型功率波动曲线；
8.对所述场景曲线进行多级小波分解，获取不同频率下的功率波动曲线并进行曲线重构；
9.根据不同频率下的功率波动曲线，获取不同频率下的储能容量的需求量，分别对应不同类型的储能；
10.根据所述储能容量的需求量，建立多元储能系统模型，并通过粒子群算法获得储能系统的最优配置方案。
11.进一步的，根据储能参与电力系统平抑波动的场景曲线，获取不同波动场景的典型功率波动曲线，包括，
12.根据储能参与电力系统平抑波动的场景曲线，依次获取不同波动场景下的功率波
动数据；
13.根据不同波动场景下的功率波动数据，获取不同波动场景对应的每日功率波动曲线；
14.基于不同波动场景对应的每日功率波动曲线，采用k均值聚类方法，对应获得不同波动场景的典型功率波动曲线，并进行分析；
15.其中，所述不同波动场景的典型功率波动曲线，即典型功率波动场景。
16.进一步的，所述场景曲线包括风电波动功率曲线、光伏波动功率曲线、负荷波动功率曲线。
17.进一步的，对所述场景曲线进行多级小波分解，获取不同频率下的波动曲线并进行曲线重构，包括，
18.对所述场景曲线进行多级小波分解，以获取不同频率下的功率波动曲线；
19.采用离散滤波器，对不同频率下的功率波动曲线进行重构，获得频率较低且接近于场所曲线的频率波动曲线。
20.进一步的，对所述场景曲线进行多级小波分解，以获取不同频率下的功率波动曲线，包括，
21.对场景曲线信号进行取样预处理；
22.基于取样率对所述场景曲线进行多频率分析，以确定场景曲线的近似空间；
23.采用离散滤波器，通过近似系数和小波系数，对所述场景曲线进行逐级分解，获取不同频率下的功率波动曲线；
24.其中，逐级分解包括近似分解和小波分解。
25.进一步的，采用离散滤波器，对不同频率下的功率波动曲线进行重构，获得频率较低且接近于场所曲线的频率波动曲线，包括，
26.对所述不同频率下的功率波动曲线进行处理，并采用离散滤波器，通过近似系数和小波系数对所述不同频率下的功率波动曲线进行重构；
27.根据重构的功率波动曲线，获得频率较低且接近于场所曲线的频率波动曲线；
28.根据所述频率波动曲线，获取到能配置能量型储能的预测功率值。
29.进一步的，根据不同频率下的功率波动曲线，获取不同频率下的储能容量的需求量，分别对应不同类型的储能，包括，
30.获取不同场景的不同频率的储能容量需求量；
31.根据重构的功率波动曲线的，对能量型储能进行配置；
32.根据不同频率下的功率波动曲线，对不同场景的不同频率的储能容量需求量进行计算，获得计算结果；
33.通过计算结果，将不同的频率的储能容量需求量分别对应不同类型的储能技术。
34.进一步的，根据所述储能容量的需求量，建立多元储能系统模型，并通过粒子群算法获得储能系统的最优配置方案，包括，
35.根据所述储能容量的需求量，获取约束条件，并根据约束条件建立多元储能系统模型；
36.基于多元储能系统模型，根据典型功率波动场景，获得以成本最低为目标的函数，作为粒子群算法的目标函数；
37.对粒子群进行初始化，设置参数变量以及迭代次数n，对粒子群进行计算；
38.通过约束条件对全部初始粒子进行判断，以获取初始粒子的个体极值点和粒子群的全局极值点，并且设置初始迭代次数为0；
39.对粒子群进行速度更新和位置更新，并通过约束条件对全部粒子进行判断，并更新粒子的个体极值点和粒子群的全局极值点，迭代次数加1；
40.判断当前迭代次数是否达到最大迭代次数n：
41.若是，则计算结束，并将粒子群的全局极值点作为最终结果，从而确定了储能类型的最优容量；
42.否则，继续对粒子群进行速度更新和位置更新，继续迭代计算。
43.进一步的，通过约束条件对全部初始粒子进行判断，以获取初始粒子的个体极值点和粒子群的全局极值点，包括，
44.并判断粒子群中的初始粒子是否满足所述约束条件，对不满足约束条件的初始粒子进行更新，直至粒子群中的全部粒子满足约束条件为止，确定粒子的个体极值点和全局极值点。
45.进一步的，对粒子群进行速度更新和位置更新，并通过约束条件对全部粒子进行判断，并更新粒子的个体极值点和粒子群的全局极值点，迭代次数加1，包括，
46.对粒子群进行速度更新和位置更新，并判断各个粒子是否满足所述约束条件，对不满足约束条件的粒子进行更新，直至粒子群中的全部粒子满足约束条件为止，并更新粒子的各个极值点和粒子群的全局极值点，迭代次数加1。
47.基于统一发明构思，本发明还提供基于小波分解和粒子群算法的多元储能配置系统，包括，第一单元、第二单元、第三单元和第四单元；
48.所述第一单元，用于根据储能参与电力系统平抑波动的场景曲线，获取不同波动场景的典型功率波动曲线；
49.所述第二单元，用于对所述场景曲线进行多级小波分解，获取不同频率下的功率波动曲线并进行曲线重构；
50.所述第三单元，用于根据不同频率下的功率波动曲线，获取不同频率下的储能容量的需求量，分别对应不同类型的储能；
51.所述第四单元，用于建立多元储能系统模型，通过粒子群算法获得储能系统的最优配置方案。
52.本发明的技术效果和优点：通过粒子群算法，得出对于该电力系统中多元储能的最佳容量配置方案，充分利用小波分解的优势，将其筛选频率的作用加以灵活运用，并考虑多元储能系统的经济性，得到的结果较为客观，最终能提供一个多元储能容量的最佳配置方案。
53.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
54.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使
用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
55.图1为本发明实施例的基于小波分解和粒子群算法的多元储能配置方法的流程示意图；
56.图2为本发明实施例的基于小波分解和粒子群算法的多元储能配置方法的详细流程示意图；
57.图3为本发明实施例的场景曲线逐级分解迭代的流程示意图；
58.图4为本发明实施例的场景曲线的重构流程示意图；
59.图5为本发明实施例的现有储能技术及特点汇总示意图；
60.图6为本发明实施例中计算目标函数的流程示意图；
61.图7为本发明实施例的基于小波分解和粒子群算法的多元储能配置系统的结构示意图。
具体实施方式
62.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
63.为解决现有技术的不足，本发明公开了基于小波分解和粒子群算法的多元储能配置方法，如图1所示，包括以下步骤：
64.步骤1：根据储能参与电力系统平抑波动的场景曲线，获取不同波动场景的典型功率波动曲线；如图2所示，包括以下操作：
65.步骤1.1：根据储能参与电力系统平抑波动的场景曲线，依次获取不同波动场景下的功率波动数据；其中，场景曲线包括风电波动功率曲线、光伏波动功率曲线、负荷波动功率曲线；
66.步骤1.2：根据不同波动场景下的功率波动数据，获取不同波动场景对应的每日功率波动曲线；
67.步骤1.3：基于不同波动场景对应的每日功率波动曲线，采用k均值聚类方法，对应获得不同波动场景的典型功率波动曲线，并进行分析；
68.其中，所述不同波动场景的典型功率波动曲线，即典型功率波动场景。
69.步骤1.2和步骤1.3以风电波动功率曲线为例，具体操作如下：
70.根据不同波动场景下的功率波动数据，做成对应功率波动曲线，获得n天风电波动功率数据，每日每隔δt时段采样一次风电波动功率值，得到每日风电功率波动曲线；
71.采用k均值聚类的方法，样本集中存放n个向量，每个向量都代表着每日每t时刻风电功率波动值，确定最终聚类的簇值为3，将n天风电功率波动曲线分为三类，确定最大的计算质心迭代次数为r次，通过聚类得到三类典型风电功率波动曲线，即提取三个典型风电功率波动场景；
72.对获得的三个典型风电功率波动曲线进行分析，找出最典型的曲线作为后续流程
的依据。
73.最后重复上述操作，获得其他场景曲线的典型功率波动曲线即可。
74.步骤2：对所述场景曲线进行多级小波分解，获取不同频率下的功率波动曲线并进行曲线重构；包括以下步骤：
75.步骤2.1：对所述场景曲线进行多级小波分解，以获取不同频率下的功率波动曲线；包括以下步骤：
76.对场景曲线信号进行取样预处理；以能够捕获原信号必要细节的速率进行取样，如：场景曲线信号的细节频率为20khz，由nyquist采样定理，此时的取样率至少应为细节频率的两倍，即40khz，以保证细节频率不失真；
77.基于取样率对所述场景曲线进行多频率分析，以确定场景曲线f的近似空间vj；其中，近似空间vj能最佳的反映f的各种信息，之后选择一个fj∈vj，以便能最佳的逼近f；
78.采用离散滤波器，通过近似系数和小波系数，对所述场景曲线进行逐级分解，获取不同频率下的功率波动曲线；其中，逐级分解包括近似分解和小波分解；具体操作如下：
79.由fj开始，逐级分解为较低级别的近似部分fj-1和小波部分(细节部分)w
j-1
，即有：fj＝f
j-1
+w
j-1
。小波分解的每一层分解结果是上次分解得到的低频信号再分解成低频和高频两个部分，如此进行相同的步骤，如下图3所示，最终止于第0级分解；
80.为进行分解，需要利用近似系数和小波系数进行操作，采用离散滤波器实现形式，先将一个信号进行离散化，再对原信号每隔一个点取一个样本后得到，即舍弃原信号序列中奇数项部分，然后通过离散滤波器(卷积算子)，来描述迭代步骤。滤波器h和l，分别为分解高通和分解低通滤波器。
81.步骤2.2：采用离散滤波器，对不同频率下的功率波动曲线进行重构，获得频率较低且接近于场所曲线的频率波动曲线；包括以下步骤：
82.对所述不同频率下的功率波动曲线进行处理，并采用离散滤波器，通过近似系数和小波系数对所述不同频率下的功率波动曲线进行重构；
83.根据重构的功率波动曲线，获得频率较低且接近于场所曲线的频率波动曲线；
84.根据所述频率波动曲线，获取到能配置能量型储能的预测功率值。
85.步骤2.2具体操作如下：
86.场景曲线信号分解完后，可以通过修改不同频率的权重值，实现对场景曲线信号的处理，可对近似系数和小波系数采用离散滤波器实现形式进行重构，流程图如图4所示：
87.把0均匀分散在离散的序列中，形成一个在所有的奇数位置为0的新序列，原来的每个非零项给定一个新的偶数指标，这只要把原有的指标倍乘即可，通过离散滤波器(卷积算子)，来描述迭代步骤。滤波器h和i，分别为重构高通和重构低通滤波器；
88.根据重构的功率波动曲线，得到频率较低且接近于场景曲线的频率波动曲线，这类波动需要能量型储能进行平抑，比如压缩空气储能和抽水储能等；
89.根据频率波动曲线，还能获取到能配置能量型储能的预测功率值。
90.步骤3：根据不同频率下的功率波动曲线，获取不同频率下的储能容量的需求量，分别对应不同类型的储能；包括以下步骤：
91.步骤3.1：对现有的储能技术类型及适用场景进行归纳总结，分别对应不同频率的波动曲线，获取不同场景的不同频率的储能容量需求量；
92.步骤3.2：根据重构的功率波动曲线的，对能量型储能进行配置；能量型储能主要包括抽水储能和压缩空气储能，根据功率曲线的需求量进行配置，同时应考虑建造成本等其他因素；
93.步骤3.3：根据不同频率下的功率波动曲线，对不同场景的不同频率的储能容量需求量进行计算，获得计算结果；如图5所示，同样响应速度的储能技术包括多种类型，且同类型储能技术可对一定频率范围内的波动进行响应，故需要运用算法进行优化配置；
94.步骤3.4：通过所述计算结果，对不同类型储能的特点进行分析总结，将不同的频率的储能容量需求量分别对应不同类型的储能技术；比如频率最高的应对应于超级电容器和飞轮储能等类型。
95.步骤4：根据所述储能容量的需求量，建立多元储能系统模型，并通过粒子群算法获得储能系统的最优配置方案；包括以下步骤：
96.步骤4.1：根据所述储能容量的需求量，获取约束条件；然后根据约束条件建立多元储能系统模型；其中，约束条件不仅包括储能容量的需求量，还包括多元储能系统的运行状态以及成本、体积等其他约束条件，共同建立多元储能系统模型；具体步骤如下：
97.考虑到储能单元的寿命，其剩余电量都应该控制在合理的范围内，因此首先考虑储能单元剩余电量约束，t时刻超级电容器、锂电池和其他储能剩余电量约束可以表示为：
[0098][0099]
式中，e
limin
、e
limax
分别为锂电池储能系统的最小剩余电量和最大剩余电量；e
cmin
、e
cmax
分别为超级电容器储能系统的最小剩余电量和最大剩余电量；e
hmin
、e
hmax
分别为氢储能的最小剩余电量和最大剩余电量，超级电容器为最大容量10％与90％，锂电池为最大容量的20％与80％；
[0100]
储能单元的容量配置过小，会造成负荷缺电量较大，供电可靠性降低；储能单元的容量配置过大，会导致整个系统的成本升高，经济性降低。鉴于此，引入负荷缺电率和能量溢出率的约束条件为：
[0101][0102]
式中，δ
lpsp
表示负荷缺电率，δ
lpspmax
表示负荷缺电率上限，δ
exc
表示能量溢出率，δ
excmax
表示能量溢出率上限；
[0103]
同时，多元储能系统也受功率、成本等限制，具体如下：公式分别表示储能系统功率的限制、储能系统初始购置成本的限制以及储能系统建设场地(物理环境)的限制：
[0104]-pe≤pb(t)≤pe[0105]cp
pe+cqqe≤a
[0106]
v≤vm[0107]
式中，pe为储能系统额定功率，pb(t)表示储能系统功率，qe为储能系统额定容量，c
p
为储能系统单位功率造价，cq为储能系统单位容量造价，a为储能系统初始购置成本上限，
v表示所建储能系统体积的总和，vm为储能系统建设场地(物理环境)上限。
[0108]
步骤4.2：在步骤1获得的典型功率波动场景下，根据多元储能系统模型，获得以成本最低为目标的函数，作为粒子群算法的目标函数；如图6所示，包括以下步骤：
[0109]
其中，粒子群算法的目标函数如下：
[0110]
minc＝min(c1+c2+c3+
…
)
[0111]
式中，c1、c2和c3等分别代表不同储能技术类型的单位投资成本、运行成本以及建造体积成本等各种成本。
[0112]
对粒子群进行初始化，设定学习因子b1和b2、种群数量s、迭代次数n、惯性权重w，并通过下式分别对粒子位置限制和粒子速度限制：
[0113][0114][0115]
式中，为粒子i在第j次迭代中第d维的位置，第d维度位置矢量代表第d时刻的储能系统的容量；x
min
为位置的最小值，对应-pe，x
max
为位置的最大值，对应pe；为粒子i在第j次迭代中第d维的速度，第d维度速度矢量代表第d时刻的储能系统的容量的改变量；v
min
为速度的最小值，v
max
为速度的最大值。
[0116]
步骤4.3：通过约束条件对全部初始粒子进行判断，对不满足约束条件的初始粒子进行更新(去掉不满足模型的约束的粒子并再次随机产生与去掉的粒子数目相同的粒子)，直至粒子群中的全部s个粒子满足约束条件为止，以获取初始粒子的个体极值点和粒子群的全局极值点，并且设置初始迭代次数为0，即n＝0；
[0117]
步骤4.4：通过下式对粒子群进行速度更新和位置更新，并通过约束条件对更新后的各个粒子进行判断，对不满足约束条件的初始粒子进行更新(去掉不满足系统模型约束的粒子并再次随机产生与去掉的粒子数目相同的粒子)，直至粒子群中的全部s个粒子满足约束条件为止，并更新粒子的个体极值点和粒子群的全局极值点，迭代次数加1，即n＝n+1；
[0118][0119][0120]
其中，表示粒子i在第j+1次迭代中第d维的速度，第d维度速度矢量代表第d时刻的储能系统的容量的改变量；w表示惯性因子，为粒子i在第j次迭代中第d维的速度，第d维度速度矢量代表第d时刻的储能系统的容量的改变量；c1表示学习因子，为粒子i在第d维的个体极值点的位置，为粒子i在第j次迭代中第d维的位置，第d维度位置矢量代表第d时刻的储能系统的容量；c2表示学习因子，为整个种群在第d维的全局极值点的位置，表示粒子i在第j+1次迭代中第d维的位置，第d维度位置矢量代表第d时刻的储能系统的容量；r1和r2为0-1的随机数；
[0121]
步骤4.5：判断当前迭代次数是否达到最大迭代次数n：
[0122]
若是，则计算结束，并将粒子群的全局极值点作为最终结果，从而确定了储能类型
的最优容量；
[0123]
否则，回到步骤4.4继续对粒子群进行速度更新和位置更新，继续迭代计算。
[0124]
在本例中，通过以上步骤的算法，便可最终得出对于该电力系统中多元储能的最佳容量配置方案，该方法把所有因素都考虑在内，充分利用小波分解的优势，将其筛选频率的作用加以灵活运用，并考虑多元储能系统的经济性，得到的结果较为客观，最终能提供一个多元储能容量的最佳配置方案。
[0125]
基于同一发明构思，本发明还提供一种基于小波分解和粒子群算法的多元储能配置系统，如图7所示，包括第一单元、第二单元、第三单元和第四单元；
[0126]
第一单元，用于根据储能参与电力系统平抑波动的场景曲线，获取不同波动场景的典型功率波动曲线；
[0127]
第二单元，用于对所述场景曲线进行多级小波分解，获取不同频率下的功率波动曲线并进行曲线重构；
[0128]
第三单元，用于根据不同频率下的功率波动曲线，获取不同频率下的储能容量的需求量，分别对应不同类型的储能；
[0129]
第四单元，用于建立多元储能系统模型，通过粒子群算法获得储能系统的最优配置方案。
[0130]
关于上述实施例中的系统，其中各个单元模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0131]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.基于小波分解和粒子群算法的多元储能配置方法，其特征在于，包括以下步骤：根据储能参与电力系统平抑波动的场景曲线，获取不同波动场景的典型功率波动曲线；对所述场景曲线进行多级小波分解，获取不同频率下的功率波动曲线并进行曲线重构；根据不同频率下的功率波动曲线，获取不同频率下的储能容量的需求量，分别对应不同类型的储能；根据所述储能容量的需求量，建立多元储能系统模型，并通过粒子群算法获得储能系统的最优配置方案。2.根据权利要求1所述的基于小波分解和粒子群算法的多元储能配置方法，其特征在于，根据储能参与电力系统平抑波动的场景曲线，获取不同波动场景的典型功率波动曲线，包括，根据储能参与电力系统平抑波动的场景曲线，依次获取不同波动场景下的功率波动数据；根据不同波动场景下的功率波动数据，获取不同波动场景对应的每日功率波动曲线；基于不同波动场景对应的每日功率波动曲线，采用k均值聚类方法，对应获得不同波动场景的典型功率波动曲线，并进行分析；其中，所述不同波动场景的典型功率波动曲线，即典型功率波动场景。3.根据权利要求1或2所述的基于小波分解和粒子群算法的多元储能配置方法，其特征在于，所述场景曲线包括风电波动功率曲线、光伏波动功率曲线、负荷波动功率曲线。4.根据权利要求3所述的基于小波分解和粒子群算法的多元储能配置方法，其特征在于，对所述场景曲线进行多级小波分解，获取不同频率下的波动曲线并进行曲线重构，包括，对所述场景曲线进行多级小波分解，以获取不同频率下的功率波动曲线；采用离散滤波器，对不同频率下的功率波动曲线进行重构，获得频率较低且接近于场所曲线的频率波动曲线。5.根据权利要求4所述的基于小波分解和粒子群算法的多元储能配置方法，其特征在于，对所述场景曲线进行多级小波分解，以获取不同频率下的功率波动曲线，包括，对场景曲线信号进行取样预处理；基于取样率对所述场景曲线进行多频率分析，以确定场景曲线的近似空间；采用离散滤波器，通过近似系数和小波系数，对所述场景曲线进行逐级分解，获取不同频率下的功率波动曲线；其中，逐级分解包括近似分解和小波分解。6.根据权利要求4所述的基于小波分解和粒子群算法的多元储能配置方法，其特征在于，采用离散滤波器，对不同频率下的功率波动曲线进行重构，获得频率较低且接近于场所曲线的频率波动曲线，包括，对所述不同频率下的功率波动曲线进行处理，并采用离散滤波器，通过近似系数和小波系数对所述不同频率下的功率波动曲线进行重构；
根据重构的功率波动曲线，获得频率较低且接近于场所曲线的频率波动曲线；根据所述频率波动曲线，获取到能配置能量型储能的预测功率值。7.根据权利要求1所述的基于小波分解和粒子群算法的多元储能配置方法，其特征在于，根据不同频率下的功率波动曲线，获取不同频率下的储能容量的需求量，分别对应不同类型的储能，包括，获取不同场景的不同频率的储能容量需求量；根据重构的功率波动曲线的，对能量型储能进行配置；根据不同频率下的功率波动曲线，对不同场景的不同频率的储能容量需求量进行计算，获得计算结果；通过计算结果，将不同的频率的储能容量需求量分别对应不同类型的储能技术。8.根据权利要求1或7所述的基于小波分解和粒子群算法的多元储能配置方法，其特征在于，根据所述储能容量的需求量，建立多元储能系统模型，并通过粒子群算法获得储能系统的最优配置方案，包括，根据所述储能容量的需求量，获取约束条件，并根据约束条件建立多元储能系统模型；基于多元储能系统模型，根据典型功率波动场景，获得以成本最低为目标的函数，作为粒子群算法的目标函数；对粒子群进行初始化，设置参数变量以及迭代次数n，对粒子群进行计算；通过约束条件对全部初始粒子进行判断，以获取初始粒子的个体极值点和粒子群的全局极值点，并且设置初始迭代次数为0；对粒子群进行速度更新和位置更新，并通过约束条件对全部粒子进行判断，并更新粒子的个体极值点和粒子群的全局极值点，迭代次数加1；判断当前迭代次数是否达到最大迭代次数n：若是，则计算结束，并将粒子群的全局极值点作为最终结果，从而确定了储能类型的最优容量；否则，继续对粒子群进行速度更新和位置更新，继续迭代计算。9.根据权利要求8所述的基于小波分解和粒子群算法的多元储能配置方法，其特征在于，通过约束条件对全部初始粒子进行判断，以获取初始粒子的个体极值点和粒子群的全局极值点，包括，并判断粒子群中的初始粒子是否满足所述约束条件，对不满足约束条件的初始粒子进行更新，直至粒子群中的全部粒子满足约束条件为止，确定粒子的个体极值点和全局极值点。10.根据权利要求8所述的基于小波分解和粒子群算法的多元储能配置方法，其特征在于，对粒子群进行速度更新和位置更新，并通过约束条件对全部粒子进行判断，并更新粒子的个体极值点和粒子群的全局极值点，迭代次数加1，包括，对粒子群进行速度更新和位置更新，并判断各个粒子是否满足所述约束条件，对不满足约束条件的粒子进行更新，直至粒子群中的全部粒子满足约束条件为止，并更新粒子的各个极值点和粒子群的全局极值点，迭代次数加1。11.基于小波分解和粒子群算法的多元储能配置系统，其特征在于，包括，第一单元、第二单元、第三单元和第四单元；
所述第一单元，用于根据储能参与电力系统平抑波动的场景曲线，获取不同波动场景的典型功率波动曲线；所述第二单元，用于对所述场景曲线进行多级小波分解，获取不同频率下的功率波动曲线并进行曲线重构；所述第三单元，用于根据不同频率下的功率波动曲线，获取不同频率下的储能容量的需求量，分别对应不同类型的储能；所述第四单元，用于建立多元储能系统模型，通过粒子群算法获得储能系统的最优配置方案。

技术总结
本发明公开了基于小波分解和粒子群算法的多元储能配置方法和系统，所述方法包括以下步骤：根据储能参与电力系统平抑波动的场景曲线，获取不同波动场景的典型功率波动曲线；对所述场景曲线进行多级小波分解，获取不同频率下的功率波动曲线并进行曲线重构；根据不同频率下的功率波动曲线，获取不同频率下的储能容量的需求量，分别对应不同类型的储能；根据所述储能容量的需求量，建立多元储能系统模型，并通过粒子群算法获得储能系统的最优配置方案。充分利用小波分解的优势，并考虑多元储能系统的经济性，得到的结果较为客观，最终能提供一个多元储能容量的最佳配置方案。供一个多元储能容量的最佳配置方案。供一个多元储能容量的最佳配置方案。


技术研发人员：郭霄宇 杨志强 张谨奕 金成龙 于浩 宋成安 刘雨佳 苏振龙
受保护的技术使用者：内蒙古霍煤鸿骏铝电有限责任公司
技术研发日：2022.12.27
技术公布日：2023/8/4