CN109888803B - 风光发电***中混合储能电源容量配置的优化方法 - Google Patents

Abstract

本发明公开了一种风光发电***中混合储能电源容量配置的优化方法，包括：分别建立风力发电机组、光伏太阳能发电机组、蓄电池及超级电容器的能量模型；根据混合储能电源的一次性投资成本和全生命周期的运营成本建立其容量配置的优化模型及相应的约束条件；基于宽容分层序列优化方法，根据预先设定的重要程度排名，分别针对混合储能电源的一次性投资成本和全生命周期的运营成本建立优化目标函数及相应的优化约束条件；根据优化目标函数和优化约束条件的建立顺序，依次进行求解得到最优参数，实现混合储能电源容量配置的优化，其在满足负荷需求的前提下最大化利用风能和光伏太阳能资源的同时，大大降低了一次性投资成本和全生命周期的运营成本。

Description

风光发电***中混合储能电源容量配置的优化方法

技术领域

本发明涉及电池技术领域，尤其涉及一种风光发电***中混合储能电源容量配置的优化方法。

背景技术

随着传统石油资源的快速枯竭和全球变暖现象的日益加剧，世界各地的研究人员和科学家都在极力寻找绿色替代能源，由风能和光伏太阳能组成的风光发电***成为了研究热点。但是，风能和光伏太阳能都是间歇性的，为了确保能源供应的稳定性和可靠性，通常需要在风光发电***中设置合适的储能***。一般来说，在由风能和光伏太阳能组成的中小型发电***中，使用蓄电池进行储能。但是，由蓄电池组成的储能电源存在寿命周期低、功率密度低、充/放电电流存在限制及易受环境影响等问题。

近年来，超级电容器凭借高功率密度、长寿命、高充放电效率等优点逐步得到了重视，然而仅由超级电容器组成的储能电源能量存储能力非常有限，且成本比由蓄电池组成的储能电源高很多。显然，单独使用蓄电池或超级电容器作为风光发电***的储能装置都会存在一定的问题，以此结合了两者的优点的混合储能电源(包括蓄电池和超级电容器)成为了一个作为风光发电***储能装置的研究方向。

在风光发电***的混合储能电源中，容量配置优化是一个难点问题，其对在合理成本下风光发电***的可靠运行至关重要。目前，国内外学者对容量配置优化的研究相对较少，主要优化方法集中在遗传算法和粒子群算法，其中，遗传算法虽然简单易实现，全局解的搜索能力较强，但该方法属于随机类算法，需要多次运算，计算量大，计算时间长，而且不能得到稳定的解；粒子群算法虽然搜索速度快，需调整的参数少，效率高，但是存在收敛精度低、易陷入局部最优解的缺点。

发明内容

针对上述现有技术的不足，本发明提供了一种风光发电***中混合储能电源容量配置的优化方法，有效解决了现有风光发电***混合储能电源的容量配置不能有效优化的技术问题。

为了实现上述目的，本发明通过以下技术方案实现：

一种风光发电***中混合储能电源容量配置的优化方法，其特征在于，应用于风光发电***，所述风光发电***中包括风力发电机组、光伏太阳能发电机组及混合储能电源，其中，混合储能电源中包括用于提供能量的蓄电池及用于提供功率的超级电容器；所述风光发电***中混合储能电源容量配置的优化方法包括：

S10分别建立风力发电机组、光伏太阳能发电机组、蓄电池及超级电容器的能量模型；

S20根据混合储能电源的一次性投资成本和全生命周期的运营成本建立其容量配置的优化模型及相应的约束条件，所述约束条件包括超级电容器的充放电电流约束及最大剩余能量约束，所述最大剩余能量约束根据风力发电机组、光伏太阳能发电机组、蓄电池及超级电容器的能量模型构建；

S30基于宽容分层序列优化方法，根据预先设定的重要程度排名及步骤S20中建立的优化模型和约束条件，分别针对混合储能电源的一次性投资成本和全生命周期的运营成本建立优化目标函数及相应的优化约束条件；

S40根据优化目标函数和优化约束条件的建立顺序，依次进行求解得到最优参数，实现混合储能电源容量配置的优化。

在本发明提供的风光发电***中混合储能电源容量配置的优化方法中，分别建立了风光发电***中风力发电机组、光伏太阳能发电机组、蓄电池及超级电容器的能量模型之后，进一步根据预先设定的重要程度排名和宽容分层序列优化方法分别针对混合储能电源的一次性投资成本和全生命周期的运营成本建立优化目标函数及相应的优化约束条件，并根据优化目标函数和优化约束条件的建立顺序依次采用微分进化算法进行求解和优化，分别实现混合储能电源一次性投资成本和全生命周期的运营成本的最小化，其在满足负荷需求的前提下最大化利用风能和光伏太阳能资源的同时，大大降低了一次性投资成本和全生命周期的运营成本。

附图说明

结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征，其中：

图1为本发明中风光发电***中混合储能电源容量配置的优化方法的流程示意图。

具体实施方式

为使本发明的内容更加清楚易懂，以下结合说明书附图，对本发明的内容作进一步说明。当然本发明并不局限于该具体实施例，本领域内的技术人员所熟知的一般替换也涵盖在本发明的保护范围内。

针对现有风光发电***混合储能电源的容量配置不能有效优化的技术问题，本发明提供了一种风光发电***中混合储能电源容量配置的优化方法，应用于风光发电***，具体，在该风光发电***中包括风力发电机组、光伏太阳能发电机组及混合储能电源，其中，混合储能电源中包括用于提供能量的蓄电池及用于提供功率的超级电容器，风力发电机组和光伏太阳能发电机组分别与混合储能电源并联。在工作过程中，如果风力发电机组和光伏太阳能发电机组的发电量较多，则在满足负载电能需求的前提下，可将负载消耗后剩余的电能存储在混合储能电源中；如果风力发电机组和光伏太阳能发电机组的发电量较少，不足以满足负载的电能需求，混合储能电源可将其存储的电能提供给负载。

如图1所示，该风光发电***中混合储能电源容量配置的优化方法中包括：

S10分别建立风力发电机组、光伏太阳能发电机组、蓄电池及超级电容器的能量模型；

S20根据混合储能电源的一次性投资成本和全生命周期的运营成本建立其容量配置的优化模型及相应的约束条件，约束条件包括超级电容器的充放电电流约束及最大剩余能量约束，最大剩余能量约束根据风力发电机组、光伏太阳能发电机组、蓄电池及超级电容器的能量模型构建；

S30基于宽容分层序列优化方法，根据预先设定的重要程度排名及步骤S20中建立的优化模型和约束条件，分别针对混合储能电源的一次性投资成本和全生命周期的运营成本建立优化目标函数及相应的优化约束条件；

S40根据优化目标函数和优化约束条件的建立顺序，依次进行求解得到最优参数，实现混合储能电源容量配置的优化。

在风力发电机组中，风速是决定其发电量最重要的因素，而风速取决于许多因素，如天气、季节等。以风力发电机组中包括小型涡轮发电机为例进行建模，其输出功率如式(1)：

其中，P_r为小型涡轮发电机的额定功率，v为风速，v_c为切入风速，v_r为额定风速，v_f为切出风速，k'为威布尔分布的形状参数。

以此，小型涡轮发电机的年发电量E_w如式(2)：

其中，t_w1为每年小型涡轮发电机在风速处于v_c≤v<v_r区间的工作时间，t_w2为每年小型涡轮发电机在风速处于v_r≤v≤v_f区间的工作时间。

在光伏太阳能发电机组中，光伏阵列的输出功率取决于许多因素，其中最主要的因素为辐射强度和环境温度，具体，在辐射强度S_STC＝1000W/m²和环境温度T_STC＝25℃的参考条件下，光伏阵列的输出电流I如式(3)：

其中，V为在辐射强度S_STC＝1000W/m²和环境温度T_STC＝25℃参考条件下光伏阵列的输出电压，I_SC为光伏阵列的短路电流，V_oc为光伏阵列的开路电压，V_m为光伏阵列最大功率P_max输出时的电压，I_m为光伏阵列最大功率P_max输出时的电流。

由于辐射强度和环境温度是不断变化的，因此在任意辐射强度S和环境温度T的条件下对光伏阵列进行数学模型，如式(4)：

其中，I(S,T)为光伏阵列的输出电流，ΔI(S,T)为光伏阵列输出电流的矫正因子，V(S,T)为光伏阵列的输出电压，ΔV(S,T)为光伏阵列输出电压的矫正因子，R_S为光伏阵列的串联电阻，α为光伏阵列的短路温度系数，β为光伏阵列的开路温度系数；T_NOR为光伏阵列的正常工作温度，一般取40℃。

在多云天气下，地面接收到的太阳辐射与正常情况相比会有所不同，使用二次函数对地面接收到的太阳辐射进行修正后，光伏阵列的实际输出电流I_real如式(5)：

其中，T_C为削弱系数；N为云盖系数，一般在0-8之间取值，0代表无云，8代表满云；a、b和c分别为经验系数，通常取a＝0.0124，b＝0.2784和c＝1.04。

以此，光伏阵列的年发电量E_s如式(6)：

E_s＝η×I_real×V(S,T)×N_P×N_S×t_s (6)

其中，η为光伏阵列的效率，N_S为光伏阵列的串联数目，N_P为伏阵列的并联数目，t_s表示光伏阵列的年工作时间。

通常，蓄电池的容量等级和电压等级需要通过蓄电池单体的串并联连接来提高，以满足负载需求。当蓄电池单体的充电电流和放电电流均为额定充电电流I_c时，其存储的充电能量Q_b1和放电能量Q_b2如式(7)和(8)：

Q_b1＝U×I_c×t_c (7)

Q_b2＝U×I_c×t_d (8)

其中，t_c为蓄电池单体的充电时间，t_d为蓄电池单体的放电时间；U为蓄电池单体的参考电压，一般取12V。

以此，蓄电池的能量Q_BAT如式(9)：

Q_BAT＝(Q_b1+Q_b2)×h×l (9)

其中，h为蓄电池中蓄电池单体的串联数目，l为蓄电池中蓄电池单体的并联数目。

由于超级电容器单体仅能存储有限的能量，且不能承受高电压，因此超级电容器的容量和电压同样需要通过串并联超级电容器单体来提高。假定超级电容器中串联超级电容器单体的数量为m，并联超级电容器单体的数量为n，则其等效容量如式(10)：

其中，C_f为超级电容器单体的容量。

以此，超级电容器存储的能量Q_SC如式(11)：

其中，U_max为超级电容器的最大电压，U_min为超级电容器的最小电压，U_smax为超级电容器单体的最大电压，U_smin为超级电容器单体的最小电压。

对于混合储能电源容量配置的优化，其目标是在满足风光发电***所有性能参数和保证混合储能电源稳定运行的前提下，最小化混合储能电源的一次性投资成本和全生命周期运营成本，是以，假定风光发电***的生命周期为k(通常为20)年，建立混合储能电源容量配置的优化模型L如式(12)：

其中，L₁为混合储能电源的一次性投资成本，且L₁＝p_BAT×Q_BAT+p_SC×Q_SC；L₂为混合储能电源全生命周期的运营成本，且L₂＝k×λ_BAT×p_BAT×Q_BAT+k×m_BAT×Q_BAT+k×λ_SC×p_SC×Q_SC+k×m_SC×Q_SC；p_BAT为每单位能量的蓄电池价格，p_SC为每单位能量的超级电容器价格，λ_BAT为蓄电池每单位能量的年折现率，λ_SC为超级电容器每单位能量的年折现率，m_BAT为蓄电池每单位能量的年维护费，m_SC为超级电容器每单位能量的年维护费。

另外，在优化蓄电池和超级电容器混合储能电源的容量配置的过程中，需考虑超级电容器充放电电流约束和最大剩余能量约束，具体：

由于超级电容器主要用于混合储能电源在能量密度较低时的瞬时最大负荷波动，假定负载的最大波动电流为8I_c，风光发电***的最大充电电流为3I_c，则超级电容器的充放电电流约束如(13)：

其中，I_s1为超级电容器的充电电流，I_s2为超级电容器的放电电流，I_smax为超级电容器的最大充放电电流；

为了充分吸收多余的能量，提高风光发电***在强风和充足光照条件下的利用率，混合储能电源必须以最大剩余能量进行满负荷运行，因此最大剩余能量约束如(14)：

E_w+E_s-E_l≥Q_BAT+Q_SC (14)

其中，E_l为负载消耗的能量。

混合储能电源容量配置的优化目标为最小化公式(12)中的总成本L，即一次性投资成本L₁和全生命周期的运营成本L₂均需要最小化，属于多目标优化问题，是以本发明基于宽容分层序列优化方法，对一次性投资成本L₁和全生命周期运营成本L₂的重要程度排名后依次进行最小化，实现混合储能电源容量配置的优化目标。

由于一次性投资成本在全生命周期的运营成本之前，因此，为了从源头实现总成本的最小化，设置一次性投资成本L₁的最小化为第一优化目标，全生命周期运营成本L₂的最小化为第二优化目标，即一次性投资成本L₁的重要度排在全生命周期的运营成本L₂的前面，具体：

针对混合储能电源的一次性投资成本建立的第一优化目标函数f₁如式(15)：

f₁＝min(L₁)＝min(p_BAT×Q_BAT+p_SC×Q_SC) (15)

第一优化约束条件如式(16)：

针对混合储能电源的全生命周期的运营成本建立的第二优化目标函数f₂如式(17)：

第二优化约束条件如式(18)：

其中，ε为宽容系数，且ε>0，

为一次性投资成本L₁的最小值，

为第一优化目标函数f₁优化后超级电容器充电电流I_s1的最优解，

为第一优化目标函数f₁优化后超级电容器放电电流I_s2的最优解。

在优化过程中，首先，根据第一优化约束条件，采用微分进化算法对第一优化目标函数进行求解，得到超级电容器充电电流I_s1的最优解

超级电容器放电电流I_s2的最优解

及一次性投资成本L₁的最小值

之后，根据第二优化约束条件及第一次优化的结果，采用微分进化算法对第二优化目标函数进行求解，得到全生命周期运营成本L₂的最小值

即得到了总成本L的最小值：

从而实现混合储能电源容量配置的优化。

Claims (4)

1.一种风光发电***中混合储能电源容量配置的优化方法，其特征在于，应用于风光发电***，所述风光发电***中包括风力发电机组、光伏太阳能发电机组及混合储能电源，其中，混合储能电源中包括用于提供能量的蓄电池及用于提供功率的超级电容器，风力发电机组和光伏太阳能发电机组分别与混合储能电源并联连接；所述风光发电***中混合储能电源容量配置的优化方法包括：

S10分别建立风力发电机组、光伏太阳能发电机组、蓄电池及超级电容器的能量模型，其中，风力发电机组中包括小型涡轮发电机；

S20根据混合储能电源的一次性投资成本和全生命周期的运营成本建立其容量配置的优化模型及相应的约束条件，所述约束条件包括超级电容器的充放电电流约束及最大剩余能量约束，所述最大剩余能量约束根据风力发电机组、光伏太阳能发电机组、蓄电池及超级电容器的能量模型构建；

S30基于宽容分层序列优化方法，根据预先设定的重要程度排名及步骤S20中建立的优化模型和约束条件，分别针对混合储能电源的一次性投资成本和全生命周期的运营成本建立优化目标函数及相应的优化约束条件；

S40根据优化目标函数和优化约束条件的建立顺序，依次进行求解得到最优参数，实现混合储能电源容量配置的优化；

在步骤S20中，

假定风光发电***的生命周期为k年，根据混合储能电源的一次性投资成本和全生命周期的运营成本建立混合储能电源容量配置的优化模型L为：

其中，L₁为混合储能电源的一次性投资成本，且L₁＝p_BAT×Q_BAT+p_SC×Q_SC；L₂为混合储能电源全生命周期的运营成本，且L₂＝k×λ_BAT×p_BAT×Q_BAT+k×m_BAT×Q_BAT+k×λ_SC×p_SC×Q_SC+k×m_SC×Q_SC；p_BAT为每单位能量的蓄电池价格，p_SC为每单位能量的超级电容器价格，λ_BAT为蓄电池每单位能量的年折现率，λ_SC为超级电容器每单位能量的年折现率，m_BAT为蓄电池每单位能量的年维护费，m_SC为超级电容器每单位能量的年维护费，Q_BAT为蓄电池的能量，Q_SC为超级电容器存储的能量；

超级电容器的充放电电流约束为：

其中，I_s1为超级电容器的充电电流，I_s2为超级电容器的放电电流，I_smax为超级电容器的最大充放电电流；I_c为蓄电池单体的额定充电电流；

最大剩余能量约束为：

E_w+E_s-E_l≥Q_BAT+Q_SC

其中，E_l为负载消耗的能量；E_w为小型涡轮发电机的年发电量，E_s为光伏太阳能发电机组中光伏阵列的年发电量；

在步骤S30中，预先设定的重要程度排名为：优先考虑一次性投资成本，其次考虑全生命周期的运营成本；

针对混合储能电源的一次性投资成本建立的第一优化目标函数f₁为：

f₁＝min(L₁)＝min(p_BAT×Q_BAT+p_SC×Q_SC)

第一优化约束条件为：

针对混合储能电源的全生命周期的运营成本建立的第二优化目标函数f₂为：

第二优化约束条件为：

其中，ε为宽容系数，且ε>0；

为一次性投资成本L₁的最小值，

为第一优化目标函数f₁优化后超级电容器充电电流I_s1的最优解，

为第一优化目标函数f₁优化后超级电容器放电电流I_s2的最优解；

在步骤S10中，

当蓄电池单体的充电电流和放电电流均为额定充电电流I_c时，其存储的充电能量Q_b1和放电能量Q_b2分别为：

Q_b1＝U×I_c×t_c

Q_b2＝U×I_c×t_d

其中，t_c为蓄电池单体的充电时间，t_d为蓄电池单体的放电时间，U为蓄电池单体的参考电压；

蓄电池的能量Q_BAT为：

Q_BAT＝(Q_b1+Q_b2)×h×l

其中，h为蓄电池中蓄电池单体的串联数目，l为蓄电池中蓄电池单体的并联数目；

在步骤S10中，

超级电容器的等效电容C为：

其中，m为超级电容器中超级电容器单体的串联数目，n为超级电容器中超级电容器单体的并联数目，C_f为超级电容器单体的容量；

超级电容器存储的能量Q_SC为：

其中，U_max为超级电容器的最大电压，U_min为超级电容器的最小电压，U_smax为超级电容器单体的最大电压，U_smin为超级电容器单体的最小电压。

2.如权利要求1所述的风光发电***中混合储能电源容量配置的优化方法，其特征在于，在步骤S10中，小型涡轮发电机的输出功率P_w(v)为：

其中，P_r为小型涡轮发电机的额定功率，v为风速，v_c为切入风速，v_r为额定风速，v_f为切出风速，k'为威布尔分布的形状参数；

小型涡轮发电机的年发电量E_w为：

其中，t_w1为每年小型涡轮发电机在风速处于v_c≤v<v_r区间的工作时间，t_w2为每年小型涡轮发电机在风速处于v_r≤v≤v_f区间的工作时间。

3.如权利要求1所述的风光发电***中混合储能电源容量配置的优化方法，其特征在于，在步骤S10中，

在任意辐射强度S和环境温度T的条件下，光伏太阳能发电机组中光伏阵列的数学模型为：

其中，I(S,T)为光伏阵列的输出电流，ΔI(S,T)为光伏阵列输出电流的矫正因子，V(S,T)为光伏阵列的输出电压，ΔV(S,T)为光伏阵列输出电压的矫正因子，R_S为光伏阵列的串联电阻，α为光伏阵列的短路温度系数，β为光伏阵列的开路温度系数，T_NOR为光伏阵列的正常工作温度；I为在辐射强度S_STC＝1000W/m²和环境温度T_STC＝25℃参考条件下光伏阵列的输出电流，且

其中，V为在辐射强度S_STC＝1000W/m²和环境温度T_STC＝25℃参考条件下光伏阵列的输出电压，I_SC为光伏阵列的短路电流，V_oc为光伏阵列的开路电压，V_m为光伏阵列最大功率P_max输出时的电压，I_m为光伏阵列最大功率P_max输出时的电流；

光伏阵列的实际输出电流I_real为：

其中，T_C为削弱系数；N为云盖系数，一般在0-8之间取值，0代表无云，8代表满云；a、b和c分别为经验系数；

光伏阵列的年发电量E_s为：

E_s＝η×I_real×V(S,T)×N_P×N_S×t_s

其中，η为光伏阵列的效率，N_S为光伏阵列的串联数目，N_P为光伏阵列的并联数目，t_s表示光伏阵列的年工作时间。

4.如权利要求1所述的风光发电***中混合储能电源容量配置的优化方法，其特征在于，在步骤S40中，进一步包括：

S41根据第一优化约束条件，采用微分进化算法对第一优化目标函数进行求解，得到超级电容器充电电流I_s1的最优解

超级电容器放电电流I_s2的最优解

及一次性投资成本L₁的最小值

S42根据第二优化约束条件，采用微分进化算法对第二优化目标函数进行求解，得到全生命周期运营成本L₂的最小值

完成混合储能电源容量配置的优化。

Images