CN103854070A - 独立微网***的随机优化规划方法 - Google Patents

Abstract

本发明涉及一种独立微网***的随机优化规划方法，提出了计及不确定因素的多目标随机机会约束规划模型，随机数据采用马尔科夫状态转移矩阵实现模拟；控制策略采用准稳态仿真策略进行模拟；优化指标为全寿命周期内的资本金现金流收益净现值和污染物排放量，所述全寿命周期内的资本金现金流收益净现值为所述独立微网***在末年的资本金累计现金流净现值；所述污染物排放量为全寿命周期内各类污染物的排放总量；选择负荷容量缺失率作为概率约束条件；选择工程动态经济分析方法进行经济评估，提供了还本付息参考电价和期望收益参考电价。本发明可实现独立微网***设备类型与设备容量的组合优化。

Description

独立微网***的随机优化规划方法

技术领域

本发明属于微网优化规划设计领域，提出了包含微网全寿命周期内资本金现金流收益净现值和污染排放水平在内的风光柴储微网***的多目标随机机会约束优化规划方法。

背景技术

随着能源需求的不断增长，温室效应愈加明显，风机、光伏等分布式发电单元，在微网经济性、环境性等方面起到的作用更加重要。独立微网***可将多种类型的分布式发电单元组合在一起，有效发挥单一能源***的优点，实现多种能源互补，提高整个独立微网***的效率、能源利用率和供能可靠性。在偏远和海岛地区，相比线路搭建和线路损耗，独立微网***具有更低的成本，是解决其供电的有效手段之一。

开展独立微网***的优化规划设计，需要充分考虑独立微网***内分布式电源的组合方案和运行控制策略。在确定性优化规划建模上，国内外的研究多采用基于气象数据和负荷数据的准稳态逐时仿真优化设计方法，根据已获得***全寿命周期内的风速、光照强度、温度和负荷的延时数据（通常以小时为单位），利用准稳态仿真程序，计算不同类型可再生能源组合方案下***的各项指标。

然而，采用确定性的规划方法，需要获取全寿命周期内小时级的气象和负荷数据。在实际规划设计阶段获取相关数据存在着一定的困难。同时，大量的不确定性因素，如风速、光照强度，负荷水平，电价、燃料价格等，将对独立微网***的优化规划结果产生影响。在独立微网***中确定性规划中引入随机变量，构建微网的随机优化规划模型，能够更加符合实际情况，从而使决策更加合理。

现阶段，关于计及不确定性条件下的随机优化规划研究主要将其转化为确定性等价类，采用确定性模型和算法对其优化求解。在优化规划设计上，现有规划设计方法中并未考虑***内常规电源，如柴油发电的单机容量和设备台数的组合优化、多机设备的组合开机方式、以及***备用容量和设备选型等问题。在计及不确定性因素的随机规划过程中，现有方法一般采用蒙特卡罗方法或类似方法仿真模拟不确定性因素，并通过大规模的统计和实验获得优化结果，这种方法计算量大，比较费时，而且不能体现随机变量的时序性。另外，现有多以***总成本作为经济目标，既没有考虑项目建设期和银行贷款利息等实际工程经济因素，也没有反映出投资者关心的项目现金流量情况。

发明内容

本发明目的在于提出一种适用于独立风光柴储微网***的多目标随机机会约束优化规划方法，有效计及独立微网***规划过程中的各种不确定因素，以实现独立微网***随机优化规划设计运行更高的经济性、可靠性和资源利用率。本发明的技术方案如下：

一种适用于独立风光柴储微网***的随机优化规划方法，其特征在于，包括：

获取所述风力发电机、所述光伏电池、所述柴油发电机和所述储能电池的设备参数；

基于风速、大气清洁指数、负荷随机数据的概率模型，采用马尔可夫状态转换概率矩阵模拟上述随机数据；

根据所述设备参数和所述随机数据，利用NSGA-II多目标遗传算法进行优化求解，在求解过程中采用随机机会约束规划，获得所述独立微网***的优化指标，最终通过所述多目标遗传算法获得优化结果，并依据经济评价环节获取优化结果的具体经济性信息；

所述随机机会约束规划采用准稳态仿真策略进行模拟，以负荷容量缺失率为概率约束条件；所述负荷容量缺失率指将***备用容量计入净负荷中，所得***未满足的负荷容量与整个负荷需求容量的比值；

所述独立微网***的优化指标为全寿命周期内的资本金现金流收益净现值和污染物排放量，所述全寿命周期内的资本金现金流收益净现值为所述独立微网***在末年的资本金累计现金流净现值；所述污染物排放量为全寿命周期内各类污染物的排放总量；

所述经济评价环节采用工程经济学中的动态分析方法，所述动态分析方法计入项目建设期、资本金比例、银行贷款利息工程财务评估要素，获得优化结果对应的还本付息参考电价和期望收益参考电价。

作为优选实施方式，利用NSGA-II多目标遗传算法进行优化求解的过程中，选取所述独立微网***中风力发电机的类型、风力发电机的台数、柴油发电机的类型、柴油发电机的台数，光伏电池的容量，储能电池的类型、并联支路数、电池用双向变流器的容量为优化变量。

利用NSGA-II多目标遗传算法进行优化求解的过程中，建立了随机机会约束规划模型，采用准稳态仿真策略进行模拟，以负荷容量缺失率为概率约束条件，具体为：

以小时为仿真步长，根据马尔可夫状态转换概率矩阵生成的风力资源、光照资源和负荷需求情况，对所述独立微网***内的全部设备进行全寿命周期内的准稳态仿真，根据硬充电策略，确定每个仿真步长内，所述柴油发电机的启停状态和燃料消耗、所述储能电池的充放电功率和剩余容量，以及所述仿真步长内未满足的负荷量，计算得到全寿命周期内的资本金现金流收益净现值、污染物排放量和负荷容量缺失率，判断负荷容量缺失率是否满足预设的约束条件；

上述为一次完整的随机机会规划迭代过程，根据预设的随机机会规划迭代次数反复执行所述随机机会规划迭代过程，终止时可获得整个随机机会规划过程中的负荷容量缺失率满足约束条件的概率；若所述概率不低于预设的置信水平，认为该决策是可行的，以所述迭代过程中的平均资本金现金流收益净现值和平均污染物排放量作为优化指标；若所述概率低于预设的置信水平，认为该决策不可行，将不满足约束条件个体的相关约束的绝对值之和作为惩罚项增加到目标函数中。

获得所述独立微网***全寿命周期内的资本金现金流收益净现值的过程中，以资本金现金流量表作为分析依据，具体为：

获取所述独立微网***及其设备的经济参数，根据所述经济参数，计算初始投资中的资本金金额和长期银行贷款金额，根据长期银行贷款金额和***建设期确定建设期内利息，得到含建设期利息的银行欠款总额；

对***寿命周期中的每一年，根据售电量和售电价格确定售电收益，根据设备剩余寿命确定残值收益；根据银行欠款额、长期贷款利率和银行还款年限确定还本付息费用，根据设备替换情况确定更新费用，根据设备开启时间确定维护费用，根据柴油发电机燃料消耗和燃料价格确定燃料费用；根据收益项计算该年的现金流入，根据费用项计算该年的现金流出；

依据所述现金流入和现金流出，计算每一年的净收益，所述净收益在每年年初修正银行欠款总额，得到该年的资本金累计净现金流量，并根据折现率计算其净现值，将***寿命周期最后一年的资本金累计净现金流量净现值作为优化中的经济指标。

所述独立微网***优化结果的经济评价环节中，获取还本付息参考电价和期望收益参考电价的方法为：

计算银行还款年限内的***总成本现值，所述总成本现值为资本金金额与还款年限内每年的现金流出之和；计算年售电总量，所述售电总量为每个步长能得到满足的负荷之和；根据还款期限内的总收益现值等于该期限内的总成本总现值，计算还本付息参考电价，所述还本付息参考电价反映了在还款期限内还清银行贷款的最低电价；

计算***寿命周期内的***总成本现值，所述总成本现值为资本金金额、寿命周期内每年的现金流出与最后一年***残值收益之和；计算年售电总量；根据预设的期望收益值，令***在整个寿命周期内的总盈利等于预设的期望收益值，计算期望收益参考电价，所述期望收益参考电价反映了***达到期望盈利要求的最低电价。

本发明的技术效果包括：

1.所述利用NSGA-II多目标遗传算法进行优化求解的过程中，选取所述独立微网***中风力发电机的类型、风力发电机的台数、柴油发电机的类型、柴油发电机的台数，光伏电池的容量，储能电池的类型、并联支路数、电池用双向变流器的容量为优化变量，从而实现了设备类型与设备容量的组合优化，大大节约了进行独立微网随机优化规划设计的时间。

2.所述利用NSGA-II多目标遗传算法进行优化求解的过程中，建立了随机机会约束规划模型，采用准稳态仿真策略进行模拟，以负荷容量缺失率为概率约束条件。利用准稳态仿真策略，实现了计及多台柴油机组合运行的柴油机/蓄电池协调运行模拟；以负荷容量缺失率为概率约束条件，有效计入了风、光等自然资源的随机性影响，提高了独立微网***随机优化规划设计运行的可靠性。

3.获得所述独立微网***全寿命周期内的资本金现金流收益净现值的过程中，以资本金现金流量表作为分析依据。此方法考虑了工程建设期、项目资本金、长期银行贷款利息、项目投产后还本付息等实际工程建设中的经济要素，可得到项目寿命周期中每一年内的资金流入和流出情况，充分反映出独立微网***规划者所关心的经济细节，提高了独立微网***随机优化规划设计中经济模型的精确性和实用性。

4.所述独立微网***优化结果的经济评价环节中，提出了还本付息参考电价和期望收益参考电价。还本付息参考电价是在还款期限内还清银行贷款的最低电价，期望收益参考电价是令方案在寿命周期末达到盈利要求的最低电价。所述两种参考电价可为独立微网***随机优化规划设计提供合理的收益区间，从而为独立微网***的电价设置提供依据。

附图说明

图1为本发明独立微网***结构拓扑图；

图2为本发明优化计算流程图。

具体实施方式

下面根据说明书附图，详细地介绍一下本发明的技术方案。

独立微网***结构如图1所示。风力发电机、光伏发电和储能***等通过各自的变流器接入交流微网***。柴油发电机采用同步发电机发电，直接并入交流微网。在优化规划设计中，忽略线路阻抗引起的损耗。

本发明建立了多目标随机机会约束规划模型。机会约束规划采用置信度水平描述目标函数和约束条件，提供了一种显示表示风险程度的手段。机会约束规划是在一定概率意义下达到最优，主要用于解决约束条件中含有随机变量且必须在观测到随机变量实现之前做出的决策优化问题。随机优化的表现形式：

minf(x)

                                        (1)

s.t Pr{g(x,ξ)≤0,j＝1,2,...k}＞β

其中，x是n维决策变量，ξ为已知概率密度函数的随机向量，f(x)为目标函数，g(x,ξ)为随机约束函数，Pr{g(x,ξ)≤0,j=1,2,…k}>β表示g(x,ξ)中的事件成立的概率，为给定约束条件的置信水平。

选择负荷容量缺失率（LOC，Loss of Capacity）作为概率约束条件，LOC是将***备用容量计入净负荷中，所得***未满足的负荷容量与整个负荷需求容量的比值。计入备用容量的净负荷可表示如下：

P₂(t)＝P_res(t)+P₁(t)＝r_loadP_prim(t)+r_peakloadP_peakprim

                                                             (2)

+r_windP_wind(t)+r_solarP_pv(t)+P₁(t)

其中：P₁(t)表示t时刻***净负荷；P₂(t)表示t时刻***计入备用容量的净负荷；P_res(t)为t时刻需要考虑的***备用容量；r_load为负荷的备用容量系数；P_prim(t)为t时刻的负荷有功需求；r_peakload为全年范围内峰值负荷的备用容量系数；P_peakprim为全年范围内的峰值负荷；r_wind为风力发电机的备用容量系数；P_wind(t)为t时刻风力发电机的有功出力；r_solar为光伏发电的备用容量系数；P_pv(t)为t时刻光伏发电的有功功率。

LOC作为概率约束条件表示为：

$\mathrm{Pr}(\mathrm{LOC}=\frac{E_{\mathrm{CS}}}{E_{\mathrm{tot}}}\≤0.01)\≥80\%---\left(3\right)$

其中：E_CS为总的未满足负荷容量；E_tot为总的电负荷需求容量；LOC表示未满足需求的负荷容量与整个负荷需求容量的比值。LOC的取值在0～1之间，数值越小，供电可靠性越高。

优化设计重点考察两个指标：全寿命周期内的资本金现金流收益净现值和污染物排放。通常情况下，收益净现值与污染物排放存在着一定的矛盾，如果污染物排放较小，则需要的可再生能源发电单元和储能电池则越多，经济性相对较差。因此该问题为一个多目标优化问题，目标函数表示为：

minf_i(X)i＝1,2    （4）

全寿命周期内的资本金现金流收益净现值需通过资本金现金流分析获得。第k年累计净现金流量（收益为正）的净现值可表示为：

$\begin{array}{c}\mathrm{CNPV}\left(k\right)=\frac{\mathrm{CNPV}(k-1)-(C_{\mathrm{in}}\left(k\right)-c_{\mathrm{out}}\left(k\right))}{{(1+r)}^k}\\ k=Y_c+1,Y_c+2,\·\·\·,Y_c+Y_l\end{array}---\left(5\right)$

其中，CPNV(k)为第k年累计净现金流量的净现值，CPNV(Y_c)代表项目的初始资本金投入；r为折现率；Y_c为项目建设期；Y_l为项目寿命周期；C_in(k)、C_out(k)分别为第k年的现金流入和现金流出，可表示为：

C_in(k)＝C_E(k)+C_S(k)

                                                                  (6)

C_out(k)＝C_D(k)+C_R(k)+C_M(k)+C_F(k)

其中，C_E(k)和C_S(k)分别为第k年的售电收益和残值收益；C_D(k)，C_R(k)，C_M(k)，C_F(k)分别为第k年的还本付息、更新、维护、燃料费用。

由于资本金现金流表得到的是项目的收益现值而非成本现值，本方法选择项目寿命周期最后一年的累计净现金流量净现值的负值作为目标函数，即：

f₁(X)＝-CNPV(Y_c+Y_l)    （7）

柴油发电机以柴油作为主要燃料，其污染物包括CO、CO2、燃料中未燃烧尽的碳氢化合物、硫化物和一氧化氮。污染物的排放量与燃料消耗量直接相关。微网年排放水平表示如下：

$f_2\left(X\right)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}({\mathrm{\σ}}^{{\mathrm{CO}}_2}+{\mathrm{\σ}}^{\mathrm{CO}}+{\mathrm{\σ}}^{\mathrm{HC}}+{\mathrm{\σ}}^{\mathrm{NO}}+{\mathrm{\σ}}^S)v^{\mathrm{fule}}\left(k\right)---\left(8\right)$

其中：σ^CO2、σ^CO、σ^HC、σ^NO、σ^S分别代表各污染物的排放系数[kg/L]；v^fule(k)代表第k年柴油发电机的年消耗量，单位是升。

选择独立微网中的风机类型Wind_type、风机台数Wind_Num、柴油发电机的类型Disel_type、柴油发电机的台数Disel_num，光伏电池的容量PV_cap，储能电池的类型Bat_type、并联支路数Bat_parrel（此处假定电池的串联个数根据逆变器的直流工作电压已确定）、电池用双向变流器的容量Con_cap为优化变量。定义优化变量为：

X＝[Wind_type,Wind_Num,Disel_type,Disel_num,PV_cap,

                                             (9)

Bat_type,Bat_Parrel,Con_cap]

柴油发电机与储能***共同使用时，采用柴油发电机与蓄电池可轮流做主电源满足净负荷需求的运行策略。本发明采用硬充电策略作为独立微网***的控制策略。该策略的主要目的是尽量减少柴油机组的运行时间，一般适用于因环境或能源约束对柴油机组运行时间有限制的场合，以及可再生能源资源充沛的地区。该策略下，柴油发电机与蓄电池可轮流做主电源满足净负荷（本发明中净负荷表示为可再生能源出力减去负荷）需求，允许柴油机给蓄电池充电。

本发明在经济评价环节中提供了还本付息参考电价和期望收益参考电价，为独立微网***的电价设置提供依据，具体方法如下。

还本付息参考电价是在还款期限内还清银行贷款的最低电价，考虑到资金的时间价值（即折现率）的影响，还本付息参考电价应使还款期限内的总收益现值等于该期限内的总成本总现值：

$\underset{k=Y_c+1}{\overset{Y_c+Y_r}{\mathrm{\Σ}}}\frac{P_r\·E\left(k\right)}{{(1+r)}^k}=\mathrm{CNPV}\left(Y_c\right)+\underset{k=Y_c+1}{\overset{Y_c+Y_r}{\mathrm{\Σ}}}\frac{C_{\mathrm{out}}\left(k\right)}{{(1+r)}^k}---\left(10\right)$

式中，P_r为还本付息参考电价；E(k)为第k年的总售电量；Y_r为银行规定的还款期限。

期望收益参考电价是令方案在寿命周期末达到盈利要求的最低电价，它应使项目整个寿命期限内的总盈利应等于投资者的期望收益值：

$P_b=\frac{\mathrm{CNPV}\left(Y_c\right)+\underset{k=Y_c+1}{\overset{Y_c+Y_l}{\mathrm{\Σ}}}(C_{\mathrm{out}}\left(k\right)-C_s\left(k\right))+R_{\mathrm{expect}}}{\underset{k=Y_c+1}{\overset{Y_c+Y_l}{\mathrm{\Σ}}}E\left(k\right)}---\left(11\right)$

式中，P_b为项目期望收益参考电价；R_expect为还本付息期结束后的期望收益值。

本发明基于随机数据（风速、清洁指数、负荷）的概率密度函数，采用马尔科夫状态转移概率矩阵实现数据的随机模拟，具体方法如下。

风速数据采用韦布尔概率密度函数生成，表达式为：

$p\left(W\right)=\left(\frac{k}{c}\right){\left(\frac{W}{c}\right)}^{k-1}\exp (-{\left(\frac{W}{c}\right)}^k)---\left(12\right)$

k和c的的计算公式如下：

$k={\left(\frac{\mathrm{\σ}}{\stackrel{\‾}{W}}\right)}^{-1.086}---\left(13\right)$

$c=\frac{\stackrel{\‾}{W}}{\mathrm{\Γ}(1+1/k)}---\left(14\right)$

其中：

表示风速平均值；σ是标准差；Γ(·)表示伽玛函数。

负荷采用原始数据乘以扰动因子得到。输入数据为一年不同月份每一天24小时负荷值，共12×24个数值。扰动系数公式如下：

α＝1+δ_d+δ_h    （15）

其中：δ_d为日扰动因子，δ_h为时扰动因子。日扰动因子服从正态分布，平均值为零。时扰动因子也服从正态分布，平均值为零。

由于光照强度具有非常强烈的昼夜模式，不能直接由概率密度函数建模。本发明采用清洁指数代表天气状况的不确定性，进而表示光照强度的随机特性。清洁指数指地表的水平光照总量I与地球大气顶层的平均小时光照量I₀之比：

$k_T=\frac{I}{I_o}---\left(16\right)$

地表的水平光照总量I公式如下：

I＝I_b+I_d    （17）

其中，其中I_b表示束辐射，I_d漫辐射，其表达如下：

$\frac{I_d}{I}=\left\{\begin{array}{cc}1.0-0.09k_T& \mathrm{for}{k}_T\&le;0.22\\ 0.9511-0.1604k_T+4.388{k_T}^2-16.638{k_T}^3+12.336{k_T}^4& \mathrm{for}0.22<k_T<0.80\\ 0.165& \mathrm{for}{k}_T>0.80\end{array}\right.---\left(18\right)$

$I_T=(I_b+I_d\frac{I_b}{I_o})\frac{\cos \mathrm{\&theta;}}{\cos {\mathrm{\&theta;}}_z}{+I}_d(1-\frac{I_b}{I_o})\left(\frac{1+\cos \mathrm{\&beta;}}{2}\right)[1+\sqrt{\frac{I_b}{I}}\mathrm{si}{n}^3\left(\frac{\mathrm{\&beta;}}{2}\right)]+{\mathrm{I\&rho;}}_g\left(\frac{1-\cos \mathrm{\&beta;}}{2}\right)---\left(19\right)$

其中，θ太阳光于任意时刻到达任意朝向的光伏板表面的入射角,θ_z太阳光和地表水平面的入射角,β为表面倾斜角,ρ_g为地面反射系数。

大气清洁指数的概率密度分布函数表示为：

$P\left(k_t\right)=C\frac{(k_{\mathrm{tu}}-k_t)}{k_{\mathrm{tu}}}\exp \left(\mathrm{\&lambda;}{k}_t\right)---\left(20\right)$

其中：

表示平均值；最大清洁指数k_tu理论计算值为0.864。系数C的表达式为：

$C={\mathrm{\&lambda;}}^2{k}_{\mathrm{tu}}/(e^{\mathrm{\&lambda;}{k}_{\mathrm{tu}}}-1-\mathrm{\&lambda;}{k}_{\mathrm{tu}})---\left(21\right)$

系数λ的表达式为：

λ＝(2τ-17.519exp(-1.3118τ)

                                                            （22）

-1062exp(-5.0426τ))/k_tu

τ的表达式为：

$\mathrm{\&tau;}=k_{\mathrm{tu}}/(k_{\mathrm{tu}}-\stackrel{\&OverBar;}{k_t})---\left(23\right)$

由于风速，负荷，清洁指数存在着时序性，即下一时刻的数据与上一时刻的数据有一定的关联，故本发明采用马尔可夫状态转移概率矩阵的方法生成随机数据。

马尔可夫状态转移概率矩阵[T]由三个矩阵的乘积构成，从左至右分别是标准化矩阵[N]，衰减矩阵[G]和初始概率矩阵[P]。其中，[N]、[P]是对角元素矩阵。若某时刻状态为i，下一刻状态转化为j的概率即为T_i,j。由于状态i在下一时刻一定会转移到[T]矩阵中i行的某一个状态中，故转移矩阵[T]中每行元素之和为1。

衰减矩阵[G]中的元素G_i,j如下所示：

G_i,j＝g_base∧(i-j)    （24）

其中：g_base表示初始基准值。

标准化矩阵[N]为对角矩阵，其作用是使得[T]中每一行元素之和为1。[N]中元素N_i,i表达式如下：

$N_{i,i}=\frac{1}{\underset{j=1}{\overset{K}{\mathrm{\&Sigma;}}}{p}_{i,i}{g}_{i,j}}---\left(25\right)$

先根据概率模型得到稳态分布向量{R}，{R}中的元素为不同数据下的概率值，然后采用如下方法得到初始概率矩阵[P]：

首先假设初始概率向量{P}等于稳态分布向量{R}，过渡稳态向量{R_t}表示为：

{R_t}=[P][G]{P}    （26）

其中：{P}中元素与[P]中的对角线元素相等。

其次迭代修正初始概率向量{P}，即：

{P}={P}+0.9×（{R}-{R_t}）    （27）

当稳态分布向量与过渡稳态向量之间差值小于某一个阀值时，停止迭代。此时的向量{P}即为所需的初始概率向量，即[P]上的对角线元素。然后便可利用此初始概率矩阵[P]生成所需的转移矩阵[T]：

[T]=[N][G][P]    （28）

根据[T]生成累积概率矩阵，从而生成所需的随机数据。假设累积概率矩阵为[C]，其元素为C_i,j，则：

C_i,1=T_i,1，C_i,j=C_i,j-1+T_i,j    （29）

随机生成一个在（0，1）上均匀分布的数x，假设此时状态为i，若x≥C_i,j且x<C_i,j+1，则下一时刻状态由i转移到j。

自相关系数用于判断某一时间间隔前后数据的线性相关性，公式如下：

$R\left(\mathrm{r\&Delta;t}\right)=\frac{1}{{\mathrm{\&sigma;}}_x(N-r)}\underset{i=1}{\overset{N-r}{\mathrm{\&Sigma;}}}(x_i-\stackrel{\&OverBar;}{x})(x_{i+r}-\stackrel{\&OverBar;}{x})---\left(30\right)$

其中：N为生成的总数据数，r是所选的时间间隔，σ_x为生成数据的方差，x_i、x_i+r分别为生成的随机数据，为生成随机数据平均值。若得到的自相关系数过小，则可通过增大g_base，从而使得某时刻的状态i在下一时刻转移到i附近的概率增大，即增大了两者之间的线性相关性，反之，减小g_base。

本发明采用了基于NSGA-II的多目标遗传算法进行求解。首先，对当前种群P个体进行Pareto分层排序，即按个体支配关系进行分层并计算聚集距离，排序时优先考虑层级关系，同层则按聚集距离大小排序，层级低、聚集距离大的个体优先。然后对种群个体进行遗传算法的选择、交叉、变异和重插操作，得到子代种群Q。其中选择算子采用锦标赛法，比赛规模为2个，比赛中优先选取Pareto分层排序较高的个体；交叉算子采用单点交叉方式；变异算子采用均匀变异方式。最后，将当前种群P与子代种群Q合并，重新进行Pareto分层排序操作，按排序次序选择满足群体规模的个体组成新一代种群P。重复上述操作，直至满足终止条件。本发明将进化代数作为进化算法终止判据。最后一代种群的所有非支配解构成的集合，即所研究问题的Pareto最优解集；各非支配解对应的目标函数值构成的解集，即为该问题的Pareto最优边界，也即本发明多目标问题的最优解集。

多目标优化计算的求解流程如图2所示，描述如下：

1）***初始化。读取***中蓄电池、风机、光伏、柴油发电机、变流器等设备和遗传算法的参数。

2）初始化种群P，通过随机函数产生N个个体，作为初始种群P。

3）计算种群P适应度函数值：

首先进行随机机会约束规划，在一定的迭代次数内，利用马尔可夫状态转移概率矩阵生成全年的逐时数据（风速、清洁指数和负荷），对种群中的每个个体调用控制策略仿真计算，记录每个个体的目标函数和LOC满足次数。满足迭代次数后对目标函数求取平均值，计算约束值。然后按照式（26）计算各个体适应度函数值。

其中：f_1,max(X)表示所有个体的第1个目标函数值中的最大值，f_2,max(X)表示所有个体的第2个目标函数值中的最大值，Δ为不满足约束条件个体的相关约束的绝对值之和。

4）对初始种群P进行Pareto排序操作

a.按个体目标函数值计算各个体之间的支配关系。

b.计算各个体间聚集距离。

c.按个体间支配关系和聚集距离执行Pareto排序操作。

5）选择、交叉、遗传操作

a.通过轮盘赌转法从当前（父代）种群P中选择交叉、变异种群P2。

b.通过交叉、变异算子更新种群P2的子代种群P3。

6）计算种群P3适应度函数值。

7）对父代种群和子代种群P∪P3进行Pareto排序。

8）更新种群P。按Pareto排序结果，从种群P∪P3选择N个个体形成新的种群P。

9）终止条件：本发明将进化代数作为进化算法终止判据。最后一代种群的所有非支配解构成的集合，即所研究问题的Pareto最优解集；各非支配解对应的目标函数值构成的解集，即为该问题的Pareto最优边界。若满足，则对最后一代种群调用准稳态仿真策略后输出最终的优化结果，否则返回5）。

Claims (5)

1.一种独立微网***的随机优化规划方法，其特征在于，包括：

获取风力发电机、光伏电池、柴油发电机和所述储能电池的设备参数；

基于风速、大气清洁指数、负荷随机数据的概率模型，采用马尔可夫状态转换概率矩阵模拟上述随机数据；

根据所述设备参数和所述随机数据，利用NSGA-II多目标遗传算法进行优化求解，在求解过程中采用随机机会约束规划，获得所述独立微网***的优化指标，最终通过所述多目标遗传算法获得优化结果，并依据经济评价环节获取优化结果的具体经济性信息；

所述随机机会约束规划采用准稳态仿真策略进行模拟，以负荷容量缺失率为概率约束条件；所述负荷容量缺失率指将***备用容量计入净负荷中，所得***未满足的负荷容量与整个负荷需求容量的比值；

所述独立微网***的优化指标为全寿命周期内的资本金现金流收益净现值和污染物排放量，所述全寿命周期内的资本金现金流收益净现值为所述独立微网***在末年的资本金累计现金流净现值；所述污染物排放量为全寿命周期内各类污染物的排放总量；

所述经济评价环节采用工程经济学中的动态分析方法，所述动态分析方法计入项目建设期、资本金比例、银行贷款利息工程财务评估要素，获得优化结果对应的还本付息参考电价和期望收益参考电价。

2.根据权利要求1所述的方法，其特征在于，利用NSGA-II多目标遗传算法进行优化求解的过程中，选取所述独立微网***中风力发电机的类型、风力发电机的台数、柴油发电机的类型、柴油发电机的台数，光伏电池的容量，储能电池的类型、并联支路数、电池用双向变流器的容量为优化变量。

3.根据权利要求1所述的方法，其特征在于，利用NSGA-II多目标遗传算法进行优化求解的过程中，建立了随机机会约束规划模型，采用准稳态仿真策略进行模拟，以负荷容量缺失率为概率约束条件，具体为：

以小时为仿真步长，根据马尔可夫状态转换概率矩阵生成的风力资源、光照资源和负荷需求情况，对所述独立微网***内的全部设备进行全寿命周期内的准稳态仿真，根据硬充电策略，确定每个仿真步长内，所述柴油发电机的启停状态和燃料消耗、所述储能电池的充放电功率和剩余容量，以及所述仿真步长内未满足的负荷量，计算得到全寿命周期内的资本金现金流收益净现值、污染物排放量和负荷容量缺失率，判断负荷容量缺失率是否满足预设的约束条件；

上述为一次完整的随机机会规划迭代过程，根据预设的随机机会规划迭代次数反复执行所述随机机会规划迭代过程，终止时可获得整个随机机会规划过程中的负荷容量缺失率满足约束条件的概率；若所述概率不低于预设的置信水平，认为该决策是可行的，以所述迭代过程中的平均资本金现金流收益净现值和平均污染物排放量作为优化指标；若所述概率低于预设的置信水平，认为该决策不可行，将不满足约束条件个体的相关约束的绝对值之和作为惩罚项增加到目标函数中。

4.根据权利要求1所述的方法，其特征在于，获得所述独立微网***全寿命周期内的资本金现金流收益净现值的过程中，以资本金现金流量表作为分析依据，具体为：

获取所述独立微网***及其设备的经济参数，根据所述经济参数，计算初始投资中的资本金金额和长期银行贷款金额，根据长期银行贷款金额和***建设期确定建设期内利息，得到含建设期利息的银行欠款总额；

对***寿命周期中的每一年，根据售电量和售电价格确定售电收益，根据设备剩余寿命确定残值收益；根据银行欠款额、长期贷款利率和银行还款年限确定还本付息费用，根据设备替换情况确定更新费用，根据设备开启时间确定维护费用，根据柴油发电机燃料消耗和燃料价格确定燃料费用；根据收益项计算该年的现金流入，根据费用项计算该年的现金流出；

依据所述现金流入和现金流出，计算每一年的净收益，所述净收益在每年年初修正银行欠款总额，得到该年的资本金累计净现金流量，并根据折现率计算其净现值，将***寿命周期最后一年的资本金累计净现金流量净现值作为优化中的经济指标。

5.根据权利要求1所述的方法，其特征在于，所述独立微网***优化结果的经济评价环节中，获取还本付息参考电价和期望收益参考电价的方法为：

计算银行还款年限内的***总成本现值，所述总成本现值为资本金金额与还款年限内每年的现金流出之和；计算年售电总量，所述售电总量为每个步长能得到满足的负荷之和；根据还款期限内的总收益现值等于该期限内的总成本总现值，计算还本付息参考电价，所述还本付息参考电价反映了在还款期限内还清银行贷款的最低电价；

计算***寿命周期内的***总成本现值，所述总成本现值为资本金金额、寿命周期内每年的现金流出与最后一年***残值收益之和；计算年售电总量；根据预设的期望收益值，令***在整个寿命周期内的总盈利等于预设的期望收益值，计算期望收益参考电价，所述期望收益参考电价反映了***达到期望盈利要求的最低电价。

Images