发明内容
本发明的目的在于针对现有技术的不足,提供一种风光蓄互补独立微电网高维多目标优化配置方法。
本发明的目的是通过以下技术方案来实现的:一种风光蓄互补独立微电网高维多目标优化配置方法,该方法包括以下步骤:
(1)读取以1小时为步长的风光蓄互补独立微电网***实施地区的年度气象数据(包括风速、光照强度、环境温度等)、风光蓄互补独立微电网***各组件参数信息和负荷数据(包括小时平均直流负荷和小时平均交流负荷等);产生参考点,采用NBI(Normal-boundaryintersection)方法产生H个参考点,根据产生的参考点个数确定种群大小NP=H(若H为偶数),NP=H+1(若H为奇数);
(2)初始化,随机生成一个均匀分布种群大小为NP的初始种群P={Pi,i=1,2,…,NP},其中第i个个体Pi=(NWGi,NPVi,NBATi),NWGi为风力发电机安装台数,NPVi为光伏电池模块安装块数,NBATi为蓄电池单元组数;
(3)对种群P中的每一个个体Pi,i=1,2,…,NP,进行非均匀变异、多目标函数评估计算、非支配排序等多目标优化操作,具体包括以下子步骤:
(3.1).对Pi={Pi(j),j=1,2,3}中每个组元逐一执行多非均匀变异(Multi-non-uniformmutation,MNUM),同时保持其他组元不变,得到新的个体Pij,j=1,2,3;
其中r、r1是[0,1]范围内产生的随机数,t表示当前迭代次数,L(j)表示第j个优化变量的下限,U(j)表示第j个优化变量的上限,b为MNUM变异系数,Imax为用户设定的最大迭代次数;
(3.2)计算Pij对应的多目标函数值,包括等年值投资费用ACS(Pij)、能量过剩倍率Bexc(Pij)和负载失电率LPSP(Pij);
(3.3)对当前3个子个体Pij进行非支配排序,从而得到其支配排序数rij∈[0,2],j=1,2,3,将支配排序数为0的个体记录为Pi0,并将Pi0及对应的多目标函数值存档;
(4)将Pi0作为新的种群个体,从而产生新的种群PN={Pi0,i=1,2,…,NP};
(5)无条件接受P=PN;
(6)重复步骤3-5直到满足用户设定的最大迭代次数;
(7)输出Pareto最优解以及对应的ACS、能量过剩倍率Bexc、负载失电率LPSP评价指标值,为用户提供风光蓄互补独立微电网优化配置方案。
进一步地,步骤(3.2)中高维多目标函数可根据实际需求设定,具有一定的灵活性且能达到不同的优化效果,一般选取***等年值投资费用ACS、能量过剩倍率Bexc、负载缺电概率LPSP作为目标函数,即:
Lmax为独立微电网***能容忍的最大负载缺电概率值,Bmax为能容忍的最大能量过剩倍率值。(a)***等年值投资费用ACS计算过程如下:
ACS(X)=(C11NWG+C12NPV+C13NBAT)+(C21NWG+C22NPV+C23NBAT)+C3NBAT(16)
式中:X为优化变量集合,X=(NWG,NPV,NBAT);C11、C12、C13分别为风机、光伏和蓄电池各组件安装成本年平均费用;C21、C22、C23分别为风机、光伏和蓄电池各单元年运行维护成本;C3为蓄电池年均重置成本。
风机、光伏和蓄电池各组件安装成本年平均费用与组件寿命周期年限相关,其关系表达式为:
C1i=CPi.CRFi(h,Yproj)(17)
式中:CP为安装成本;Yproj为组件寿命年限;CRF为资金回收系数(capitalrecoveryfactor,CRF),其表达式为:
其中,h为贴现率。
各组件第n年的运行维护费用C2i(n)计算如下:
C2i(n)=C2i(1).(1+f)n(19)
其中C2i(1)为第1年的运行成本,f表示年度通胀率。
在项目年限内,若***组件达到其寿命终止年限,则需要对组件进行重置替换,组件的重置费用计算如下:
C3=Cr.SFE(h,Yr)(20)
式中:Cr为重置成本;Yr为组件重置寿命;SFE为补偿基金因子,按照式(21)进行计算:
(b)能量过剩倍率Bexc为在所考虑的特定时期内(通常设置为1年)浪费的能量与***负荷总需求能量的比值,具体计算如下:
式中:Pe(t)***过剩功率;Pl(t)***总负荷功率;T为供电总时间段数,通常为T=8760;Δt为仿真步长,通常为Δt=1;
Pl(t)=PD(t)+PA(t)/en(23)
其中,PD(t)表示总直流负荷,PA(t)表示总交流负荷,en表示逆变器效率。
(c)以负载缺电概率LPSP作为可靠性评价指标,表示***缺电时间与总供电时间的比值,计算如下:
式中:Sloss(t)为***缺电标记符,其值为1表示***缺电(即在t时刻***能提供的总功率小于***负荷需求),其值为0表示***能满足所有负荷需求。、
本发明的有益效果是:以风力发电机、光伏阵列输出功率数学模型和蓄电池充放电特性与寿命周期数学模型为基础,综合考虑等年值投资费用(包括设备投资费用、运行维护费用和设备重置费用等)、能量过剩倍率和负载失电率(微电网全年运行可靠性指标)等多性能评价指标,设计高维多目标极值优化方法作为求解器,实现风光蓄互补独立微电网高维多目标优化配置。本发明可实现风光蓄互补独立微电网高维多目标优化配置效果,具有传统单目标优化方法和传统多目标优化方法所不具备的以下优点:为微电网设计规划者提供的优化配置方案更为合理,在满足相同供电可靠性指标的情况下的优化配置方案投资更少,优化方法实施简单,无需复杂目标函数权重系数整定,无需复杂的优化参数整定,且优化效率更高。
具体实施方式
下面结合附图对本发明进一步说明,本发明的目的和效果将更加明显。
图1是独立微电网***结构图,包括双馈异步风力发电机、光伏阵列、铅酸蓄电池、直流母线、AC/DC变换器、DC/DC变换器、DC/AC变换器、直流负荷设备和交流负荷设备等。
图2是本发明提出的一种风光蓄互补独立微电网高维多目标优化配置方法总图。以温州市某地区150kW风光蓄互补独立微电网***优化设计工程为例,采用本发明提出的光蓄互补独立微电网高维多目标优化配置方法进行设计实施。
所述的风光蓄互补独立微电网高维多目标极值优化配置方法,包括以下步骤:
(1)读取以1小时为步长的温州市某工业区年度气象数据(包括风速、光照强度、环境温度等)、风光蓄互补独立微电网***各组件参数信息(***结构图如图1所示)和温州市某工业区负荷数据负荷数据(包括小时平均直流负荷和小时平均交流负荷等);产生参考点,采用NBI(Normal-boundaryintersection)方法产生H个参考点,根据产生的参考点个数确定高维多目标极值优化配置方法中种群大小NP=H(若H为偶数),NP=H+1(若H为奇数);
(2)初始化,随机生成一个均匀分布种群大小为NP的初始种群P={Pi,i=1,2,…,NP},其中第i个个体Pi=(NWGi,NPVi,NBATi),NWGi为风力发电机安装台数,NPVi为光伏电池模块安装块数,NBATi为蓄电池单元组数;
(3)对种群P中的每一个个体Pi,i=1,2,…,NP,进行非均匀变异、多目标函数评估计算、非支配排序等多目标优化操作,具体包括以下子步骤:
(3.1)对Pi={Pi(j),j=1,2,3}中每个组元逐一执行多非均匀变异(Multi-non-uniformmutation,MNUM),同时保持其他组元不变,得到新的个体Pij,j=1,2,3;
其中r、r1是[0,1]范围内产生的随机数,t表示当前迭代次数,L(j)表示第j个优化变量的下限,U(j)表示第j个优化变量的上限,b为MNUM变异系数,Imax为用户设定的最大迭代次数;
(3.2)计算Pij对应的多目标函数值,包括等年值投资费用ACS(Pij)、能量过剩倍率Bexc(Pij)和负载失电率LPSP(Pij),具体计算过程参见风光蓄互补独立微电网多目标评价模型计算方法所描述步骤;
(3.3)对当前3个子个体Pij进行非支配排序,从而得到其支配排序数rij∈[0,2],j=1,2,3,将支配排序数为0的个体记录为Pi0,并将Pi0及对应的多目标函数值存档;
(4)将Pi0作为新的种群个体,从而产生新的种群PN={Pi0,i=1,2,…,NP};
(5)无条件接受P=PN;
(6)重复步骤3-5直到满足用户设定的最大迭代次数;
(7)输出Pareto最优解以及对应的ACS、能量过剩倍率Bexc、负载失电率LPSP评价指标值,为用户提供风光蓄互补独立微电网优化配置方案。
图3给出了步骤(3.2)中风光蓄互补独立微电网多目标评价模型计算方法具体流程图,高维多目标函数可根据实际需求设定,具有一定的灵活性且能达到不同的优化效果,一般选取***等年值投资费用ACS、能量过剩倍率Bexc、负载缺电概率LPSP作为目标函数,即:
Lmax为独立微电网***能容忍的最大负载缺电概率值,Bmax为能容忍的最大能量过剩倍率值。(a)***等年值投资费用ACS计算过程如下:
ACS(X)=(C11NWG+C12NPV+C13NBAT)+(C21NWG+C22NPV+C23NBAT)+C3NBAT(28)
式中:X为优化变量集合,X=(NWG,NPV,NBAT);C11、C12、C13分别为风机、光伏和蓄电池各组件安装成本年平均费用;C21、C22、C23分别为风机、光伏和蓄电池各单元年运行维护成本;C3为蓄电池年均重置成本。
风机、光伏和蓄电池各组件安装成本年平均费用与组件寿命周期年限相关,其关系表达式为:
C1i=CPi.CRFi(h,Yproj)(29)
式中:CP为安装成本;Yproj为组件寿命年限;CRF为资金回收系数(capitalrecoveryfactor,CRF),其表达式为:
其中,h为贴现率。
各组件第n年的运行维护费用C2i(n)计算如下:
C2i(n)=C2i(1).(1+f)n(31)
其中C2i(1)为第1年的运行成本,f表示年度通胀率。
在项目年限内,若***组件达到其寿命终止年限,则需要对组件进行重置替换,组件的重置费用计算如下:
C3=Cr.SFE(h,Yr)(32)
式中:Cr为重置成本;Yr为组件重置寿命;SFE为补偿基金因子,按照式(33)进行计算:
(b)能量过剩倍率Bexc为在所考虑的特定时期内(通常设置为1年)浪费的能量与***负荷总需求能量的比值,具体计算如下:
式中:Pe(t)***过剩功率;Pl(t)***总负荷功率;T为供电总时间段数,通常为T=8760;Δt为仿真步长,通常为Δt=1;
Pl(t)=PD(t)+PA(t)/en(35)
其中,PD(t)表示总直流负荷,PA(t)表示总交流负荷,en表示逆变器效率。
(c)以负载缺电概率LPSP作为可靠性评价指标,表示***缺电时间与总供电时间的比值,计算如下:
式中:Sloss(t)为***缺电标记符,其值为1表示***缺电(即在t时刻***能提供的总功率小于***负荷需求),其值为0表示***能满足所有负荷需求。
步骤1和步骤3中所涉及的双馈异步风力发电机、光伏阵列输出功率数学模型和铅酸蓄电池充放电与寿命周期数学模型计算如下:
1)风力发电机输出功率模型
当已知风速的分布之后,就可以通过风力发电机组的输出功率与风速间的特性曲线得到风机***的平均输出功率:
式中:Pr为额定输出功率;v为风力机轮毂高度处的风速,vr为额定风速,vin为切入风速;vout为切出的风速。风速具有高度的随机性,在此采用双参数威布尔(Weibull)模型来产生获得模拟的风速数据,其概率密度函数表达式为:
式中:k和c为Weibull分布的2个参数,k称为形状参数,k>0,c是尺度参数,c>1。
2)光伏阵列输出功率计算模型
数量为NPV的光伏阵列输出功率模型PPV计算如下:
其中,G、Gmax分别为在一定时间内的实际光照强度和最大光照强度;Pp(G)为单件光伏模块的输出功率,为光照强度概率密度函数,分别计算如下:
其中,PSTC表示标准测试条件下的最大测试功率,G为实际的光照强度;k为功率温度系数;Ta为环境温度,TNOC为组件额定工作温度。
其中,α、β为Beta分布的形状参数。
3)蓄电池模型
荷电状态(SOC)、端电压以及寿命周期是蓄电池管理的几个重要参数,其计算模型如下:
蓄电池荷电状态SOC是反应蓄电池剩余电量占其总容量的比例的参数,前后两时刻间蓄电池SOC可表示为如下关系式:
SOC(t+1)=SOC(t)(1-δ(t))+IBAT(t).Δt.η(t)/CBAT(43)
式中:IBAT(t)为t时刻充放电电流,充电时为正,放电是为负;PBAT(t)为蓄电池的充放电功率,充电为正,放电为负;VBAT(t)为蓄电池端电压;δ为自然放电率;Δt为前后两时刻的时间间隔;CBAT为蓄电池按时容量;η(t)为充放电效率,放电时其值为1,充电时与SOC和充电电流有关,计算模型如下:
蓄电池的端电压可由其开路电压和因充放电电流在其内阻上产生的内阻压降表示,计算公式如下:
VBAT(t)=Eoc(t)+IBAT(t)RBAT(t)(46)
Eoc(t)=VF+b.log(SOC(t))(47)
RBAT(t)=Relectrode(t)+Relectrlyte(t)(48)
Relectrode(t)=r1+r2.SOC(t)(49)
Relectrolyte(t)=[r3+r4.SOC(t)]-1(50)
式中:Eoc(t)为蓄电池的开路电压;IBAT(t)为蓄电池电流(其值大于0表示充电,其值小于0表示放电);RBAT(t)为蓄电池内阻,包括电解质电阻Relectrode(t)和电解液电阻Relectrolyte(t)两部分;b,r1,r2,r3,r4为经验系数在充电和放电模式下其值具有不同的值:
蓄电池寿命损坏期TBAT计算如下:
nS=T/Δt表示仿真总时段数目,SOC1,t、SOC2,t分别为第t个仿真时段开始和结束时的SOC数值,SBAT,t表示第t个仿真时段蓄电池实际的充放电状态,
DOD,t表示第t个仿真时段结束时检测到的蓄电池放电深度,DOD,t=1-SOC2,t。
蓄电池的重置周期YB计算如下:
TBR=min{TBAT,TFL}(53)
其中,TFL表示蓄电池生产厂家提供的浮充寿命参考值。
在***运行过程中,蓄电池受其荷电状态限制范围(SOCmin≤SOC≤SOCmax)与蓄电池本身技术限制的影响,其最大充放电功率计算如下:
Pcm(t)=NBAT.max{0,min{(SOCmax-SOC(t)).CBAT/Δt,Icm}.VBAT(t)}(54)
Pdm(t)=NBAT.max{0,min{(SOC(t)-SOCmin).CBAT/Δt,Idm}.VBAT(t)}(55)
式中:SOCmax,SOCmin分别为蓄电池荷电状态的上下限;CBAT为蓄电池容量;VBAT(t)为蓄电池端电压;Δt为单位仿真时间间隔;Pcm(t),Pdm(t)分别为在t个仿真时段内蓄电池的最大可充电电流和最大放电电流;Icm,Idm分别为蓄电池允许的最大充电电流和最大放电电流,单位时间内最大充放电电流为蓄电池额定安时容量的20%,即,
Icm=Idm=0.2CBAT/Δt(56)
采用本发明对温州地区150kW风光蓄互补独立微电网***进行优化设计,结果表明:本发明可实现风光蓄互补独立微电网高维多目标优化配置效果,在满足相同供电可靠性指标的情况下的优化配置方案投资比传统单目标优化方法(如遗传算法、粒子群算法)和传统多目标优化方法(如NSGA-II算法)至少节省20%以上,并且本发明仅有MNUM变异系数和迭代优化次数两个参数需整定,无需复杂目标函数权重系数整定,优化方法也不需要种***叉等操作环节,实施更为简单,整个方法的计算时间更短。
综上所述,采用本发明可实现风光蓄互补独立微电网高维多目标优化配置效果,具有传统单目标优化方法和传统多目标优化方法所不具备的以下优点:为微电网设计规划者提供的优化配置方案更为合理,在满足相同供电可靠性指标的情况下的优化配置方案投资更少,优化方法实施简单,无需复杂目标函数权重系数整定,无需复杂的优化参数整定,且优化效率更高。