现代电网中电池储能系统的最优配置：非线性多目标运营成本及高效计算策略

《Journal of Energy Storage》：Optimal allocation of battery energy storage system in modern grids: Nonlinear, multi-objective operation costs, and efficient computational strategies

提出一种两阶段优化框架，结合TPEM不确定建模和改进的COVIDOA算法，解决BESS选址与容量优化问题，在IEEE 30-bus系统上实现92.97%的运行时间减少及7.27%-12.48%的多目标成本降低。

　　在现代电力系统中，随着可再生能源（Renewable Energy Sources, RES）如风力发电（Wind Turbines, WT）和光伏发电（Photovoltaic, PV）的广泛应用，电力系统的运行变得更加复杂。传统的电力系统规划和调度方法难以应对RES的间歇性和不确定性，以及负载需求的波动性。因此，电池储能系统（Battery Energy Storage Systems, BESS）的优化配置成为提升电网稳定性和经济性的重要手段。本文提出了一种新颖的两阶段优化框架，旨在解决BESS的选址与定容问题，同时兼顾规划和运行成本，并有效应对RES和负载的不确定性。

BESS以其灵活的响应能力和快速的充放电特性，被广泛应用于现代电网中，以缓解电压偏差、改善功率平衡、增强系统稳定性等。然而，BESS的部署涉及诸多挑战，包括高安装和运行成本、对系统运行的影响、以及如何在复杂非线性问题中找到最优解。此外，RES的不确定性使得电网运行变得更加难以预测，传统方法往往难以在不牺牲精度的前提下有效建模这些不确定性。因此，如何在考虑非线性、非凸性以及不确定性的同时，实现BESS的最优配置，成为当前电力系统研究的重要课题。

现有的研究多集中在BESS的控制和调度策略上，较少关注其选址与定容的综合优化问题。部分研究采用了单目标模型，例如仅优化投资成本或运行成本，但忽略了规划决策与运行影响之间的相互作用。另一些研究则尝试引入多目标框架，将规划和运行成本结合起来，但这些方法在处理非线性和非凸性问题时仍面临计算效率低、收敛速度慢等瓶颈。此外，传统的不确定性建模方法如蒙特卡洛模拟（Monte Carlo Simulation, MCS）和场景分析法（Scenario-based methods）虽然能够准确反映RES和负载的波动性，但往往需要大量的计算资源，限制了其在大规模电网中的应用。

为了解决上述问题，本文提出了一种两阶段优化框架。该框架首先通过线性整数优化方法确定BESS的最优选址和定容，以最小化规划成本。随后，在运行阶段，采用一种改进的双层增强型冠状病毒优化算法（Bi-level Enhanced COVIDOA）来优化运行成本，包括发电机运行成本、排放、网络损耗和电压偏差惩罚。这种双层结构能够有效分离规划变量与运行变量，从而减少不必要的全交流潮流（AC Power Flow, ACPF）计算，提高算法的收敛速度和计算效率。

在不确定性建模方面，本文采用了两点估计法（Two-Point Estimation Method, TPEM）。TPEM通过仅使用少量确定性场景来近似不确定变量的统计特性，避免了传统方法中对大规模数据集或详细概率分布的依赖。这种方法不仅降低了计算负担，还保持了较高的建模精度，适用于大规模、不确定性驱动的BESS配置问题。相比传统的MCS和场景分析法，TPEM能够在不牺牲精度的前提下，显著减少计算时间，提高方法的实用性。

本文提出的优化框架还引入了一个全面的多目标运行成本模型，将发电机燃料和排放成本、BESS运行成本、网络损耗以及电压偏差惩罚整合在一起。这种统一的模型能够同时考虑技术性和经济性目标，从而更真实地反映BESS在现代电网中的综合影响。通过将多个影响因素纳入一个统一的成本函数，本文的方法不仅提高了模型的准确性，还增强了其在实际应用中的可行性。

此外，本文还对所提出的双层增强型冠状病毒优化算法进行了改进。该算法在原有冠状病毒优化算法（COVIDOA）的基础上，融合了遗传算法（Genetic Algorithm, GA）、粒子群优化（Particle Swarm Optimization, PSO）和差分进化算法（Differential Evolution, DE）中的变异策略，并引入了一种混合重组过程。这些改进使得算法在处理非线性和非凸性问题时更加高效和鲁棒。同时，双层结构的应用进一步减少了在多时段最优潮流（Optimal Power Flow, OPF）问题中的计算负担，提升了算法在复杂电网中的适用性。

为了验证所提出方法的有效性，本文在IEEE 30节点系统上进行了数值实验。实验结果表明，与传统方法相比，该框架在运行阶段的计算时间减少了92.97%，同时在25次运行中，最小、平均和最大多目标运行成本分别降低了7.27%、9.86%和12.48%。这些结果充分证明了所提出方法在优化BESS配置方面的优越性。特别是在处理非线性和非凸性问题时，该方法表现出更高的计算效率和更强的收敛能力，能够为现代电网提供更具实际意义的解决方案。

本文的研究还指出，尽管近年来出现了多种先进的优化算法，如基于数据驱动的方法、混合整数线性规划（Mixed-Integer Linear Programming, MILP）等，但在处理BESS配置问题时，这些方法仍然存在一定的局限性。例如，数据驱动方法需要大量的训练数据，这在实际应用中可能难以满足；而基于人口的元启发式算法虽然能够有效探索复杂搜索空间，但在多时段和大规模电网中，由于需要重复计算交流潮流，计算负担较大。因此，本文提出的双层增强型冠状病毒优化算法不仅克服了这些问题，还通过引入TPEM和MBDEA（改进的二进制差分进化算法）进一步提升了计算效率和模型的实用性。

综上所述，本文的研究为现代电力系统中BESS的优化配置提供了一种新的解决方案。通过将规划和运行阶段分离，结合TPEM进行不确定性建模，并采用改进的双层增强型冠状病毒优化算法，该方法能够在保持高精度的同时，显著降低计算复杂度，提高运行效率。实验结果表明，该框架在IEEE 30节点系统上的应用效果显著，为未来大规模电网中BESS的部署提供了有力的理论支持和技术手段。本文的研究不仅填补了现有文献在BESS配置问题上的空白，还为应对RES和负载波动带来的不确定性提供了新的思路和方法。