CN105337315A - 一种风光蓄互补独立微电网高维多目标优化配置方法 - Google Patents

一种风光蓄互补独立微电网高维多目标优化配置方法 Download PDF

Info

Publication number
CN105337315A
CN105337315A CN201510694313.6A CN201510694313A CN105337315A CN 105337315 A CN105337315 A CN 105337315A CN 201510694313 A CN201510694313 A CN 201510694313A CN 105337315 A CN105337315 A CN 105337315A
Authority
CN
China
Prior art keywords
storage battery
load
independent micro
cost
wind
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201510694313.6A
Other languages
English (en)
Other versions
CN105337315B (zh
Inventor
曾国强
谢晓青
吴烈
李理敏
刘海洋
陆康迪
王琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
The Shenzhen Amperex Technology Limited
Original Assignee
Wenzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN201510694313.6A priority Critical patent/CN105337315B/zh
Publication of CN105337315A publication Critical patent/CN105337315A/zh
Application granted granted Critical
Publication of CN105337315B publication Critical patent/CN105337315B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46Controlling of the sharing of output between the generators, converters, or transformers
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J1/00Circuit arrangements for dc mains or dc distribution networks
    • H02J1/10Parallel operation of dc sources
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J1/00Circuit arrangements for dc mains or dc distribution networks
    • H02J1/14Balancing the load in a network
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H02J3/383
    • H02J3/386
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/35Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00Energy generation through renewable energy sources
    • Y02E10/50Photovoltaic [PV] energy
    • Y02E10/56Power conversion systems, e.g. maximum power point trackers
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00Energy generation through renewable energy sources
    • Y02E10/70Wind energy
    • Y02E10/76Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种风光蓄互补独立微电网高维多目标优化配置方法。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、能量过剩倍率和负载失电率等多性能评价指标,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。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。

Description

一种风光蓄互补独立微电网高维多目标优化配置方法
技术领域
本发明涉及一种新能源微电网规划设计和能量管理领域智能优化与决策方法,特别涉及一种风光蓄互补独立微电网高维多目标优化配置方法。
背景技术
“微网(Microgrid)”概念的提出是分布式电力***发展的里程碑,智能微网是未来智能配电网新的组织形式,为可再生能源分布式发电技术的大规模应用提供了可能。风光蓄互补独立微电网***作为独立供电***实现的重要方式,为有效解决山区偏远地区和沿海海岛等地区供电难题提供了一种可行方案,因此近年来受到了国内外学术界和工程应用界的广泛关注和研究探索。分布式电源与电力电子设备选型、容量优化配置是微电网规划设计阶段必须考虑的重要问题之一。由于风力发电和光伏发电具有随机性,加之负荷需求的多样性和复杂性,微电网容量优化配置应在充分分析微电网***安装处环境条件和负荷需求特征基础上,综合考虑设备的功率特性、安装维护费用以及控制方法,并最终实现微电网***安全可靠、经济环保。因此,微电网设备选型与容量优化配置问题也是微电网规划设计领域的难题之一。目前,国内外学术界和工程界通常是将微电网设备选型与容量优化配置必须考虑的多种因素按照重要性转化为一个加权目标函数,再采用遗传算法、粒子算法等单目标优化算法进行优化求解。但这些现有方法都普遍存在难以准确设定权重系数、算法参数整定复杂、配置方案难以指导工程实践等缺陷。虽然已有部分研发人员采用NSGA-II等多目标优化方法试图解决微电网设备选型与容量优化配置问题,但是NSGA-II等多目标优化算法设计流程和算法参数整定都非常复杂,且计算效率较低,不便于具体工程实施。在国家自然科学基金(51207112)、浙江省公益计划项目(2014C31074、2014C31093)、浙江省自然科学基金(LY16F030011、LZ16E050002、LQ14F030006、LQ14F030007)和浙江省新苗人才计划项目(2014R424014)的支持下,本发明公开一种风光蓄互补独立微电网高维多目标优化配置方法,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。
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;
P i j = P i ( j ) + ( U ( j ) - P i ( j ) ) . A ( t ) , i f r < 0.5 P i ( j ) + ( P i ( j ) - L ( j ) ) . A ( t ) , i f r &GreaterEqual; 0.5 - - - ( 13 )
A ( t ) = &lsqb; r 1 ( 1 - t I m a x ) &rsqb; b - - - ( 14 )
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:
CRF i ( h , Y p r o j ) = h . ( 1 + h ) Y p r o j ( 1 + h ) Y p r o j - 1 - - - ( 18 )
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:
S F F ( h , Y r ) = h ( 1 + h ) Y r - 1 - - - ( 21 )
(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:
B e x c = &Sigma; t = 1 T P e ( t ) . &Delta; t &Sigma; t = 1 T P l ( t ) . &Delta; t = &Sigma; t = 1 T P e ( t ) &Sigma; t = 1 T P l ( t ) - - - ( 22 )
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:
L P S P = &Sigma; t = 1 T S l o s s ( t ) T - - - ( 24 )
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。
附图说明
图1是独立微电网***结构图;
图2是风光蓄互补独立微电网高维多目标优化配置方法原理图;
图3是风光蓄互补独立微电网多目标评价模型计算方法流程图。
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;
P i j = P i ( j ) + ( U ( j ) - P i ( j ) ) . A ( t ) , i f r < 0.5 P i ( j ) + ( P i ( j ) - L ( j ) ) . A ( t ) , i f r &GreaterEqual; 0.5 - - - ( 25 )
A ( t ) = &lsqb; r 1 ( 1 - t I m a x ) &rsqb; b - - - ( 26 )
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:
CRF i ( h , Y p r o j ) = h . ( 1 + h ) Y p r o j ( 1 + h ) Y p r o j - 1 - - - ( 30 )
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:
S F F ( h , Y r ) = h ( 1 + h ) Y r - 1 - - - ( 33 )
(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:
B e x c = &Sigma; t = 1 T P e ( t ) . &Delta; t &Sigma; t = 1 T P l ( t ) . &Delta; t = &Sigma; t = 1 T P e ( t ) &Sigma; t = 1 T P l ( t ) - - - ( 34 )
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:
L P S P = &Sigma; t = 1 T S l o s s ( t ) T - - - ( 36 )
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:
P W G = N W G &Integral; 0 &infin; P w ( v ) f ( v ) d v - - - ( 37 )
P w ( v ) = 0 , v &le; v i n o r v &GreaterEqual; v o u t v 3 - v i n 3 v r 3 - v i n 3 P r , v i n &le; v &le; v r P r , v r &le; v &le; v o u t - - - ( 38 )
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:
f ( v ) = k c . ( v c ) k - 1 . exp &lsqb; - ( v c ) k &rsqb; - - - ( 39 )
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:
P P V = N P V &Integral; 0 G max P p ( G ) f ( G G m a x ) d G - - - ( 40 )
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:
P p ( G ) = P S T C G 1000 &lsqb; 1 + k . ( T a + G 800 . ( T N O C - 20 ) - 25 ) &rsqb; - - - ( 41 )
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。
f ( G G m a x ) = &Gamma; ( &alpha; + &beta; ) &Gamma; ( &alpha; ) &Gamma; ( &beta; ) ( G G m a x ) &alpha; - 1 ( 1 - G G m a x ) &beta; - 1 - - - ( 42 )
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)
I B A T ( t ) = P B A T ( t ) N B A T V B A T ( t ) - - - ( 44 )
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:
&eta; ( t ) = 1 - exp &lsqb; 20.73 ( S O C - 1 ) / ( I B A T ( t ) 0.1 C B A T + 0.55 ) &rsqb; , I B A T ( t ) > 0 1 , , I B A T ( t ) &le; 0 - - - ( 45 )
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:
T B A T = n S &Delta; t 8760 &times; &Sigma; t = 1 n S &lsqb; S B A T , t ( SOC 1 , t - SOC 2 , t ) D O D , t 1 C F D O D , t &rsqb; - - - ( 51 )
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。

Claims (2)

1.一种风光蓄互补独立微电网高维多目标优化配置方法,其特征在于,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;
P i j = P i ( j ) + ( U ( j ) - P i ( j ) ) . A , i f r < 05 P i ( j ) + ( P i ( j ) - L ( j ) ) . A ( t ) , i f r &GreaterEqual; 05 - - - ( 1 )
A ( t ) = &lsqb; r 1 ( 1 - t I m a x ) &rsqb; b - - - ( 2 )
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。
2.根据权利要求1所述的一种风光蓄互补独立微电网高维多目标优化配置方法,其特征在于,所述步骤(3.2)中的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:
Minimize(ACS,Bexc,LPSP)
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(4)
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)(5)
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:
CRF i ( h , Y p r o j ) = h . ( 1 + h ) Y p r o j ( 1 + h ) Y p r o j - 1 - - - ( 6 )
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(7)
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)(8)
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(9)进行计算:
S F F ( h , Y r ) = h ( 1 + h ) Y r - 1 - - - ( 9 )
(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:
B e x c = &Sigma; t = 1 T P e ( t ) . &Delta; t &Sigma; t = 1 T P l ( t ) . &Delta; t = &Sigma; t = 1 T P e ( t ) &Sigma; t = 1 T P l ( t ) - - - ( 10 )
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为仿真计算步长,通常为Δt=1;
Pl(t)=PD(t)+PA(t)/en(11)
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:
L P S P = &Sigma; t = 1 T S l o s s ( t ) T - - - ( 12 )
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。
CN201510694313.6A 2015-10-21 2015-10-21 一种风光蓄互补独立微电网高维多目标优化配置方法 Expired - Fee Related CN105337315B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510694313.6A CN105337315B (zh) 2015-10-21 2015-10-21 一种风光蓄互补独立微电网高维多目标优化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510694313.6A CN105337315B (zh) 2015-10-21 2015-10-21 一种风光蓄互补独立微电网高维多目标优化配置方法

Publications (2)

Publication Number Publication Date
CN105337315A true CN105337315A (zh) 2016-02-17
CN105337315B CN105337315B (zh) 2017-03-08

Family

ID=55287686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510694313.6A Expired - Fee Related CN105337315B (zh) 2015-10-21 2015-10-21 一种风光蓄互补独立微电网高维多目标优化配置方法

Country Status (1)

Country Link
CN (1) CN105337315B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105871302A (zh) * 2016-04-26 2016-08-17 华北电力科学研究院有限责任公司 新能源外送通道容量确定方法及装置
CN106100002A (zh) * 2016-07-28 2016-11-09 华北电力大学(保定) 一种交直流混合微网的优化运行方法
CN106655248A (zh) * 2016-10-21 2017-05-10 中国电建集团中南勘测设计研究院有限公司 一种并网型微电网电源容量配置方法
CN106650998A (zh) * 2016-10-26 2017-05-10 华南理工大学 一种微电网多目标实时滚动优化方法
CN107256241A (zh) * 2017-05-26 2017-10-17 北京工业大学 基于网格与差异替换改进多目标遗传算法的电影推荐方法
CN108988370A (zh) * 2018-08-22 2018-12-11 广东电网有限责任公司 电力***中储能装置的容量确定方法、设备及存储介质
CN109193639A (zh) * 2018-10-10 2019-01-11 河海大学 一种电力***抗差估计方法
CN110008491A (zh) * 2018-11-27 2019-07-12 国网山东省电力公司电力科学研究院 一种基于改进概率模型的风光互补发电出力数据模拟方法
CN110571851A (zh) * 2019-08-28 2019-12-13 山东汇智信息科技有限责任公司 一种分布式发电***配置方法
CN111082442A (zh) * 2019-12-06 2020-04-28 昆明理工大学 一种基于改进fpa的储能容量优化配置方法
CN111585305A (zh) * 2020-06-12 2020-08-25 国网天津市电力公司 适用于多能互补联动经济性评价的方法
CN112491087A (zh) * 2020-11-20 2021-03-12 西安热工研究院有限公司 一种基于需求侧响应的风光储独立微电网经济优化方法
US11368025B2 (en) 2018-07-09 2022-06-21 Vestas Wind Systems A/S Hybrid power plant and a method for controlling a hybrid power plant
CN116720631A (zh) * 2023-08-09 2023-09-08 深圳市洛丁光电有限公司 一种分布式光伏发电电量分析预测方法、***及存储介质
CN117748555A (zh) * 2023-12-18 2024-03-22 上海勘测设计研究院有限公司 分布式光伏储能***多目标优化配置方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110106322A1 (en) * 2009-10-30 2011-05-05 Institute Of Nuclear Energy Research Atomic Energy Council, Executive Yuan Network connection manner of microgrid energy storage backup power source, and method for dispatching the same
CN103151798A (zh) * 2013-03-27 2013-06-12 浙江省电力公司电力科学研究院 独立微网***的优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110106322A1 (en) * 2009-10-30 2011-05-05 Institute Of Nuclear Energy Research Atomic Energy Council, Executive Yuan Network connection manner of microgrid energy storage backup power source, and method for dispatching the same
CN103151798A (zh) * 2013-03-27 2013-06-12 浙江省电力公司电力科学研究院 独立微网***的优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
江全元 等: "风光储独立供电***电源优化配置", 《电力自动化设备》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105871302A (zh) * 2016-04-26 2016-08-17 华北电力科学研究院有限责任公司 新能源外送通道容量确定方法及装置
CN106100002A (zh) * 2016-07-28 2016-11-09 华北电力大学(保定) 一种交直流混合微网的优化运行方法
CN106655248B (zh) * 2016-10-21 2019-01-11 中国电建集团中南勘测设计研究院有限公司 一种并网型微电网电源容量配置方法
CN106655248A (zh) * 2016-10-21 2017-05-10 中国电建集团中南勘测设计研究院有限公司 一种并网型微电网电源容量配置方法
CN106650998A (zh) * 2016-10-26 2017-05-10 华南理工大学 一种微电网多目标实时滚动优化方法
CN107256241A (zh) * 2017-05-26 2017-10-17 北京工业大学 基于网格与差异替换改进多目标遗传算法的电影推荐方法
US11368025B2 (en) 2018-07-09 2022-06-21 Vestas Wind Systems A/S Hybrid power plant and a method for controlling a hybrid power plant
CN108988370A (zh) * 2018-08-22 2018-12-11 广东电网有限责任公司 电力***中储能装置的容量确定方法、设备及存储介质
CN109193639A (zh) * 2018-10-10 2019-01-11 河海大学 一种电力***抗差估计方法
CN109193639B (zh) * 2018-10-10 2021-05-11 河海大学 一种电力***抗差估计方法
CN110008491A (zh) * 2018-11-27 2019-07-12 国网山东省电力公司电力科学研究院 一种基于改进概率模型的风光互补发电出力数据模拟方法
CN110571851B (zh) * 2019-08-28 2020-07-24 湖北虹投电力建设有限公司 一种分布式发电***配置方法
CN110571851A (zh) * 2019-08-28 2019-12-13 山东汇智信息科技有限责任公司 一种分布式发电***配置方法
CN111082442A (zh) * 2019-12-06 2020-04-28 昆明理工大学 一种基于改进fpa的储能容量优化配置方法
CN111082442B (zh) * 2019-12-06 2022-10-18 昆明理工大学 一种基于改进fpa的储能容量优化配置方法
CN111585305A (zh) * 2020-06-12 2020-08-25 国网天津市电力公司 适用于多能互补联动经济性评价的方法
CN111585305B (zh) * 2020-06-12 2023-08-11 国网天津市电力公司 适用于多能互补联动经济性评价的方法
CN112491087A (zh) * 2020-11-20 2021-03-12 西安热工研究院有限公司 一种基于需求侧响应的风光储独立微电网经济优化方法
CN116720631A (zh) * 2023-08-09 2023-09-08 深圳市洛丁光电有限公司 一种分布式光伏发电电量分析预测方法、***及存储介质
CN116720631B (zh) * 2023-08-09 2023-12-19 深圳市洛丁光电有限公司 一种分布式光伏发电电量分析预测方法、***及存储介质
CN117748555A (zh) * 2023-12-18 2024-03-22 上海勘测设计研究院有限公司 分布式光伏储能***多目标优化配置方法及装置
CN117748555B (zh) * 2023-12-18 2024-06-18 上海勘测设计研究院有限公司 分布式光伏储能***多目标优化配置方法及装置

Also Published As

Publication number Publication date
CN105337315B (zh) 2017-03-08

Similar Documents

Publication Publication Date Title
CN105337315B (zh) 一种风光蓄互补独立微电网高维多目标优化配置方法
CN112103946B (zh) 一种基于粒子群算法的微电网储能优化配置方法
Abbes et al. Eco-design optimisation of an autonomous hybrid wind–photovoltaic system with battery storage
Wu et al. Optimal coordinate operation control for wind–photovoltaic–battery storage power-generation units
Kaabeche et al. Optimal sizing method for stand-alone hybrid PV/wind power generation system
CN108764552B (zh) 一种配电网分布式电源的选址定容规划的确定方法
CN105005872A (zh) 一种移峰填谷的储能***的容量配置方法
CN106485358A (zh) 结合序列运算和粒子群算法的独立微电网优化配置方法
CN106849190A (zh) 一种基于Rollout算法的多能互补微网实时调度方法
Barelli et al. Residential micro-grid load management through artificial neural networks
CN103986194B (zh) 一种独立型微网优化配置方法和装置
CN109586325A (zh) 一种新能源储能优化配置方法
CN104092231A (zh) 一种独立微网混和储能容量优化配置方法
CN110135662B (zh) 一种考虑减小峰谷差的储能选址定容多目标优化方法
CN105811397A (zh) 一种基于多时间尺度的多能互补微网调度方法
CN112550047B (zh) 一种充光储一体化充电站优化配置方法和装置
CN112131733A (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
CN106655248A (zh) 一种并网型微电网电源容量配置方法
CN111626527A (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
CN113326467B (zh) 基于多重不确定性的多站融合综合能源***多目标优化方法、存储介质及优化***
CN111064192A (zh) 一种计及源荷不确定性的独立型微网容量优化配置方法
CN110417045A (zh) 一种针对交直流混合微电网容量配置的优化方法
CN107273968A (zh) 一种基于动态模糊混沌粒子群的多目标调度方法及装置
CN109038655B (zh) 限电要求下大型光伏电站的配套储能容量计算方法
CN106779250A (zh) 一种基于新型优化模型的孤立分布式电网配置方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 325006 Zhejiang, Ouhai, South East Road, No. 38, Wenzhou National University Science Park Incubator

Applicant after: Wenzhou University

Address before: 325035 Zhejiang province Chashan Wenzhou Higher Education Park

Applicant before: Wenzhou University

COR Change of bibliographic data
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20180223

Address after: 518109 room 503, A building, west side building, west side building, Longhua street, Longhua District, Shenzhen, Guangdong

Patentee after: The Shenzhen Amperex Technology Limited

Address before: 325006 Zhejiang, Ouhai, South East Road, No. 38, Wenzhou National University Science Park Incubator

Patentee before: Wenzhou University

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170308

Termination date: 20181021