CN102182634A - 基于改进粒子群的海岛风柴蓄发电功率优化设计方法 - Google Patents

Abstract

本发明公布了一种基于改进粒子群的海岛风柴蓄发电功率优化设计方法，所述方法包括：采集孤岛风资源数据，以小时的平均风速为单位；同时采集对应风速的负荷数据，以小时的平均负荷为单位；确定海岛风-柴-蓄负荷发电系统；对风力机的风速-功率曲线线性化；改进粒子群优化PSO算法；采用单位度电度电成本计算模型；采用失电率LLP为系统停电时间与评估期时间的比率；结果输出，得到度电成本最低时风力发电机、柴油机的台数和蓄电池的容量，以及单位度电成本预测。本发明把改进粒子群算法应用到对孤岛采用风柴蓄联合供电，按照能量的优化调度方法，在满足用电要求情况下，用电成本最低，优点是优化方法简单、效率高，获得的优化结果准确。

Description

基于改进粒子群的海岛风柴蓄发电功率优化设计方法

技术领域

本发明涉及在不与大电网连接的孤立海岛，利用风力发电和柴油机联合为该地区供电的机组选择方法，特别是利用改进的粒群优化方法为风力机组、柴油机组台数和蓄电池容量选择的优化设计方法，属于能源动力工程和电气工程领域的问题。

背景技术

至2006年，世界上约有1/3的人居住在没有电网到达的地区，其中有相当部分是居住在海岛地区，这些地区中大部分采用柴油机发电。随着石油的短缺和油价的上涨，海岛上供电成本飞速上涨与可靠性降低的不利因素并存，这严重制约了这些地区经济的发展和影响了当地居民或驻军的日常生活。而目前，以风力发电为代表的一批可再生能源发电技术得到迅猛发展，其发电成本已得到大幅下降。尤其在远离电网、具有风能资源的边远地区，风电已具有与传统常规电源发电竞争的潜力。但风能有很强的间歇性缺点，为了保证可靠供电，风电机组往往需要和柴油机组联合运行。为了增加海岛地区供电的可靠性、降低供电成本、减少环境污染以及利用海水淡化解决海岛的吃水难问题，近年，对在海岛利用风力或和其它可再生能源和柴油机联合对海岛或偏远远离电网地区供电成为一个研究和应用的热点。

在海岛风柴蓄复合发电的功率配备选择中目前常应用气象(风速、风向)的平均资料以及负荷的年平均值，按照经验预估的方法设计风力机、柴油机功率以及蓄电池的容量，设计的结果不一定是优化的结果，造成投资浪费，另外能量调度不合理，造成单位度电成本高，有的甚至超过单纯柴油发电，以至于海岛电源设计中在电源种类选择上犹豫，有的干脆选择常规的柴油机发电，造成成本高、供电可靠性差、污染环境。

根据申请者了解，目前没有关于对海岛的风柴蓄复合发电过程功率优化设计方面的专利。

发明内容

技术问题：海岛中吃水难、用电难一直是制约海岛经济发展的重要因素，以至于被荒芜的岛屿越来越多。在海岛中利用风-光等可再生资源发电，柴油机发电作为补充被认为是海岛解决供电吃水的重要途径之一，而其中风柴蓄发电是海岛目前常选的发电方式。在海岛风-柴-蓄复合发电的功率配备选择中目前常应用气象(风速、风向)的平均资料以及负荷的年平均值，按照经验预估的方法设计风力机、柴油机台数以及蓄电池的容量，造成投资浪费，另外能量调度不合理，造成单位度电成本高，有的甚至超过单纯柴油发电，以至于海岛电源设计中在电源种类选择上犹豫，有的还是选择常规的柴油机发电，造成成本高、供电可靠性差、污染环境。

技术方案：

本发明为实现上述目的，采用如下技术方案：

本发明基于改进粒子群的海岛风柴蓄发电功率优化方法包括如下步骤：

1)采集孤岛风资源数据，以小时的平均风速为单位；

2)同时采集对应风速的负荷数据，以小时的平均负荷为单位；

3)确定海岛风柴蓄负荷发电系统：发电部分由若干台风力发电机和若干台柴油发电机组成，风力发电机通过交-直-交的方式与柴油发电机发出的交流电向负荷或者蓄电池供电；

4)对风力机的风速-功率曲线线性化：

$\frac{v}{v_0}={\left(\frac{h}{h_0}\right)}^{\mathrm{\α}}---\left(1\right)$

其中：v指要计算h高度的速度，v₀指测试高度h₀处的速度，α为风切变指数系数；

有多种风力发电机的功率离散化方法，如分段二次或多次拟合方法、分段线性拟合方法等，采用线性化方法，线性分段模型如式(2)所示：

$P_w\left(v\right)=\left\{\begin{array}{cc}0& v<v_{\mathrm{cutin}}\\ P_w\left(v_{i-1}\right)+(P_w\left(v_i\right)-P_w\left(v_{i-1}\right))(v-v_{i-1})& v_i>v>v_{i-1},v_i=i,i=[v_{\mathrm{cutin}}+1,v_{\mathrm{rated}}-1],i\&Element;\mathrm{int}\\ P_{\mathrm{rated}}& v_{\mathrm{cutoff}}>v>v_{\mathrm{rated}}\\ 0& v>v_{\mathrm{cutoff}}\end{array}\right.---\left(2\right)$

6)改进粒子群优化PSO算法

随机产生一个初始种群，赋予每个粒子一个随机速度后按照式(3)和式(4)来更新粒子的速度和位置。

v_i(k+1)＝v_i(k)+c₁r₁(P_ibest(k)-x_i(k))+c₂r₂(P_gbest(k)-x_i(k))     (3)

x_i(k+1)＝x_i(k)+v_i(k+1)                                         (4)

其中：i为粒子的标记，i＝1，2，…，m；k为迭代的代数；v_i(k)为粒子i在第k次跌代时的飞行速度；x_i(k)为第k次叠代时粒子的位置；P_ibest(k)为粒子i个体最好位置；P_gbest(k)为群体最好位置；c₁，c₂表示认知系数；r₁，r₁是均匀分布于[0 1]之间的随机数：

设置惯性权重c₃(k)用来控制历史速度对当前速度的影响程度，修正式(3)为：

v_i(k+1)＝c₃(k)v_i(k)+c₁r₁(P_ibest(k)-x_i(k))+c₂r₂(P_gbest(k)-x_i(k))(5)

其中：

c_3max为c₃(k)可取的最大值，L为最大跌代次数；

7)采用单位度电度电成本计算模型：

C＝(I_WTGCRF_WTG+I_DGCRF_DG+I_BSCRF_BS+O_SUM+M_WTG+M_DG+M_BS)/N    (6)

其中：C为度电成本；I_WTG、I_DG和I_BS分别为风力发电机组、柴油发电机组和蓄电池的初投资；I_WTG＝c_WTGm，c_WTG为单台风力发电机组的价格，m为风力发电机组的台数；I_DG＝c_DGn，c_DG为单台柴油发电机组的价格，n为柴油发电机组的台数；I_BS＝c_BSs，c_BS为单位千瓦时蓄电池的价格，s为配备的蓄电池千瓦时数；CRF_WTG、CRF_DG和CRF_BS分别为风力发电机组、柴油发电机组和蓄电池的折现率；

LT_WTG为风力发电机组的寿命；LT_DG为柴油发电机组的寿命；

LT_BS为蓄电池的寿命；i为银行利率；O_SUM为全年的运行费用，O_SUM＝c_oilM_oil，c_oil为柴油的单价，M_oil为柴油消耗量；M_WTG，M_DG和M_BS分别为风力发电机组、柴油发电机组和蓄电池的年维修费用；N为发电量。

8)能量调度方法

采用失电率LLP为系统停电时间与评估期时间的比率：

LLP(t)＝(P_load(t)Δt-(P_WTG(t)Δt+P_DGmaxΔtη_inv)-(C_BS(t-1)-C_BSmin)η_inv)/P_loadΔt    (7)

$\mathrm{LLP}=\underset{t=0}{\overset{8760}{\mathrm{\&Sigma;}}}\mathrm{LLP}\left(t\right)/8760---\left(8\right)$

其中：LLP(t)为第t小时的失电率，0≤LLP(t)≤1；Δt为时间步长；P_load(t)为第t小时的负荷；P_WTG(t)为第t小时风力发电机的功率；P_DGmax为柴油机的每小时最大发电功率；η_inv为变流器的效率；C_BS(t-1)为t-1小时蓄电池的蓄电量；C_BSmin为蓄电池的最小蓄电量；9)结果输出，得到度电成本最低时风力发电机、柴油机的台数和蓄电池的容量，以及单位度电成本预测。

优选地，先利用风力发电发出的电力，如果风力发电不能满足负荷的要求，选择利用蓄电池的蓄能为负荷供电，如果仍然不能满足负荷的要求，最后启动柴油机组为负荷供电，风力发电发出的电力多于负荷的用电量，向蓄电池充电，最后向海水淡化供电。

优选地，风力发出的电力大于负荷，在蓄电池容量达到上限情况下，多余电力供海水淡化应用。

优选地，所述方法适用于不与大电网相连的孤岛或者孤网。

有益效果：与现有的海岛利用风-柴-蓄复合发电系统供率设计的经验法相比，本发明的利用改进粒子群算法的风柴蓄复合发电的功率优化设计方法有以下优点：

(1)对风柴蓄复合发电的功率优化采用一年的风资源数据和负荷数据，应用优化算法设计出的风力机、柴油机台数和蓄电池的容量是一个优化的结果，满足失电率小于要求的最小失电率条件下，单位度电成本最低，单位度电成本比单纯应用柴油机发电约降低10％-15％。

(2)设计的风柴蓄复合发电能量调度系统保证了系统设备可靠性条件下(蓄电池蓄电容量不会低于下限)，高效合理的对系统进行能量调度。

(3)粒群优化算法应用在风柴蓄复合发电的功率优化设计中显示了高效可靠的特点。

附图说明

图1是海岛风柴蓄复合发电原则性系统图。

图2风力发电功率曲线的线性化图。

图3海岛风柴蓄复合发电能量调度与优化过程图。

图4海岛风柴蓄复合发电功率优化过程风力机、柴油机台数和蓄电池容量的优化过程和结果图。

具体实施方式

基于改进粒子群算法的孤岛风柴蓄复合发电功率优化设计方法，采用小时平均风速和小时平均负荷，针对特定的风力机组、柴油机组和蓄电池，采用改进粒子群算法，以满足最小失电率条件下的单位度电成本最低为目标，优化出风力机组、柴油机组的台数和蓄电池的容量。本发明的主要特点是把改进粒子群算法应用到对孤岛的应用风-柴-蓄联合供电，使满足用电要求情况下，用电成本最低。

其基本过程如下：

5)采集孤岛一年的风资源数据，以小时的平均风速为单位；

6)同时采集对应风速时间的一年中的负荷数据，以小时的平均负荷为单位；

7)确定海岛风-柴-蓄负荷发电的系统图，图1即为某海岛的风-柴-蓄复合发电原则性系统图；

发电部分由一台或者多台风力机和一台或者多台柴油机组成，风力发电机通过交-直-交的方式通过交流的方式与柴油发电机发出的交流电向负荷或者蓄电池供电。供电的负荷以交流电为主，需要直流供电的通过交-直变流器实现。蓄能装置采用市场上性价比较高的铅酸蓄电池，由一组或者若干组组成。多余的电力供给已经建成的反滲透膜海水淡化装置。整个供电系统通过控制器调配系统的能流。

8)按照性能可靠、价格合理、维修运行方便、商家信誉高等原则选择风力机组、柴油机组和蓄电池的型号；

9)对风力机的风速-功率曲线线性化：

风力发电机功率输出与在风力发电机轮毂高度的风速以及风力发电机的功率曲线有关。而由于风切变的影响，在轮毂高度的风速一般不等于测试高度的风速，其一般按照指数关系计算：

$\frac{v}{v_0}={\left(\frac{h}{h_0}\right)}^{\mathrm{\&alpha;}}---\left(1\right)$

其中：v指要计算h高度的速度，v₀指测试高度h₀处的速度，α为风切变指数系数，一般与地面的摩擦阻力有关系，涉及的风电场地段属于低起伏的岩石地面，取为1/7。

有多种风力发电机的功率离散化方法，如分段二次或多次拟合方法、分段线性拟合方法等，采用线性化方法，线性分段模型如式(2)和图2所示。

$P_w\left(v\right)=\left\{\begin{array}{cc}0& v<v_{\mathrm{cutin}}\\ P_w\left(v_{i-1}\right)+(P_w\left(v_i\right)-P_w\left(v_{i-1}\right))(v-v_{i-1})& v_i>v>v_{i-1},v_i=i,i=[v_{\mathrm{cutin}}+1,v_{\mathrm{rated}}-1],i\&Element;\mathrm{int}\\ P_{\mathrm{rated}}& v_{\mathrm{cutoff}}>v>v_{\mathrm{rated}}\\ 0& v>v_{\mathrm{cutoff}}\end{array}\right.---\left(2\right)$

6.粒子群优化算法及改进

微粒群优化(PSO)算法用组织社会行为代替了进化算法的自然选择机制，通过种群间的个体协作来实现对问题最好解的搜索。基本PSO算法运行过程中，随机产生一个初始种群，赋予每个粒子一个随机速度后按照式(3)和式(4)来更新粒子的速度和位置。

v_i(k+1)＝v_i(k)+c₁r₁(P_ibest(k)-x_i(k))+c₂r₂(P_gbest(k)-x_i(k))    (3)

x_i(k+1)＝x_i(k)+v_i(k+1)                                        (4)

其中：i为粒子的标记，i＝1，2，…，m；k为迭代的代数；v_i(k)为粒子i在第k次跌代时的飞行速度，一般v_i∈[-v_maxv_max]，v_max为设定的飞行速度最大值；x_i(k)为第k次跌代时粒子的位置；P_ibest(k)为粒子i个体最好位置；P_gbest(k)为群体最好位置；c₁，c₂表示认知系数，一般取(0，2)的随机数；r₁，r₁是均匀分布于[01]之间的随机数。

标准的PSO算法中，在计算新一次的飞行速度时，实在上一次飞行速度的基础上，即v_i(k)前的系数为1，本发明采用的方法是：设置惯性权重c₃(k)用来控制历史速度对当前速度的影响程度，平衡PSO算法的全局搜索能力和局部搜索能力。c₃(k)的选取对PSO算法的收敛性有很大的影响。若c₃(k)较小，会加速算法对新域的搜索能力，当然c₃(k)过大也会导致微粒群爆炸现象。适当的c₃(k)值可使算法在全局搜索能力和局部搜索能力两者之间取得平衡，使算法更优。数值试验表明，行之有效的方法是在初始化时取较大的c₃(k)值以加快全局搜索，随后将c₃(k)逐代减小，以获得更为精细的结果，这样式(3)被修正为：

v_i(k+1)＝c₃(k)v_i(k)+c₁r₁(P_ibest(k)-x_i(k))+c₂r₂(P_gbest(k)-x_i(k))(5)

其中：

c_3max为c₃(k)可取的最大值，L为最大跌代次数。

微粒群优化算法一般用于基于实数的优化问题，对于整数范围内的优化问题可以采用实数优化后对应区域取整方法得到整数的方法实现整个优化过程。

7.度电成本计算模型

本文采用单位度电动态成本计算模型，独立风柴蓄复合发电系统单位度电动态成本计算模型为：

C＝(I_WTGCRF_WTG+I_DGCRF_DG+I_BSCRF_BS+O_SUM+M_WTG+M_DG+M_BS)/N    (6)

其中：C为度电成本，元/kWh；I_WTG、I_DG和I_BS分别为风力发电机组、柴油发电机组和蓄电池的初投资，元；I_WTG＝c_WTGm，c_WTG为单台风力发电机组的价格，元/台，m为风力发电机组的台数；I_DG＝c_DGn，c_DG为单台柴油发电机组的价格，元/台，n为柴油发电机组的台数；I_BS＝c_BSs，c_BS为单位千瓦时蓄电池的价格，元/kWh，s为配备的蓄电池千瓦时数；CRF_WTG、CRF_DG和CRF_BS分别为风力发电机组、柴油发电机组和蓄电池的折现率；

LT_WTG为风力发电机组的寿命，年；

LT_DG为柴油发电机组的寿命，年；LT_BS为蓄电池的寿命，年；i为银行利率；O_SUM为全年的运行费用，元，主要是燃油费用，O_SUM＝c_oilM_oil，c_oil为柴油的单价，元/千克，M_oil为柴油消耗量，千克；M_WTG，M_DG和M_BS分别为风力发电机组、柴油发电机组和蓄电池的年维修费用；M_WTG＝0.02I_WTG；M_DG＝0.01I_DG；M_BS＝0.005I_BS。

8.能量调度方法

供电系统的可靠性通常可以有两种几率的定义方法，功率供给亏欠率LPSP(the loss of power supply probability)和失电率LLP(the loss of load probability)，前者定义为系统亏欠负载的功率除以评估期负载总的功率，发明采用后者，定义为系统停电时间与评估期时间的比率。

LLP(t)＝(P_load(t)Δt-(P_WTG(t)Δt+P_DGmaxΔtη_inv)-(C_BS(t-1)-C_BSmin)η_inv)/P_loadΔt    (7)

$\mathrm{LLP}=\underset{t=0}{\overset{8760}{\mathrm{\&Sigma;}}}\mathrm{LLP}\left(t\right)/8760---\left(8\right)$

其中：LLP(t)为第t小时的失电率，0≤LLP(t)≤1；Δt为时间步长，本文取为1小时；P_load(t)为第t小时的负荷，kW；P_WTG(t)为第t小时风力发电机的功率，kW；P_DGmax为柴油机的每小时最大发电功率，kW；η_inv为变流器的效率；C_BS(t-1)为t-1小时蓄电池的蓄电量；C_BSmin为蓄电池的最小蓄电量。

独立风柴蓄复合发电系统的能量调度与机组优化配置过程如图3所示，通过粒群优化算法调整每个粒子的位置，即风力机和柴油机的台数以及蓄电池的容量(实数)，对每个粒子采用序贯方法模拟一年的运行过程，模拟中能量调度采用的原则是首选风力发电为负荷供电，如果风力发电不能满足负荷的要求，其次再选择利用蓄电池的蓄能为负荷供电，如果仍然不能满足负荷的要求，最后启动柴油机组为负荷供电，这样每个粒子8760小时模拟运行结束后，计算失电率和度电成本，优化选择满足失电率要求条件下，度电成本最低的为优化的最优解。

9.结果输出

得到度电成本最低时风力发电机、柴油机的台数和蓄电池的容量，以及单位度电成本预测。必要时也可以对柴油价格、柴油机价格变动以及风资源和负荷变化后的单位度电成本进行预测，图4为某海岛的风柴蓄在优化过程中风力发电机、柴油机的台数和蓄电池的容量的变化过程与结果。

Claims (4)

1.一种基于改进粒子群的海岛风柴蓄发电功率优化设计方法，其特征在于包括如下步骤：

1)采集孤岛风资源数据，以小时的平均风速为单位；

2)同时采集对应风速的负荷数据，以小时的平均负荷为单位；

3)确定海岛风-柴-蓄负荷发电系统：发电部分由若干台风力发电机和若干台柴油发电机组成，风力发电机通过交-直-交的方式与柴油发电机发出的交流电向负荷或者蓄电池供电；

4)对风力机的风速-功率曲线线性化：

$\frac{v}{v_0}={\left(\frac{h}{h_0}\right)}^{\mathrm{\&alpha;}}---\left(1\right)$

其中：v指要计算h高度的速度，v₀指测试高度h₀处的速度，α为风切变指数系数；

有多种风力发电机的功率离散化方法，如分段二次或多次拟合方法、分段线性拟合方法等，采用线性化方法，线性分段模型如式(2)所示：

$P_w\left(v\right)=\left\{\begin{array}{cc}0& v<v_{\mathrm{cutin}}\\ P_w\left(v_{i-1}\right)+(P_w\left(v_i\right)-P_w\left(v_{i-1}\right))(v-v_{i-1})& v_i>v>v_{i-1},v_i=i,i=[v_{\mathrm{cutin}}+1,v_{\mathrm{rated}}-1],i\&Element;\mathrm{int}\\ P_{\mathrm{rated}}& v_{\mathrm{cutoff}}>v>v_{\mathrm{rated}}\\ 0& v>v_{\mathrm{cutoff}}\end{array}\right.---\left(2\right)$

6)改进粒子群优化PSO算法

随机产生一个初始种群，赋予每个粒子一个随机速度后按照式(3)和式(4)来更新粒子的速度和位置。

v_i(k+1)＝v_i(k)+c₁r₁(P_ibest(k)-x_i(k))+c₂r₂(P_gbest(k)-x_i(k))(3)

x_i(k+1)＝x_i(k)+v_i(k+1)                                    (4)

其中：i为粒子的标记，i＝1，2，…，m；k为迭代的代数；v_i(k)为粒子i在第k次叠代时的飞行速度；x_i(k)为第k次叠代时粒子的位置；P_ibest(k)为粒子i个体最好位置；P_gbest(k)为群体最好位置；c₁，c₂表示认知系数；r₁，r₁是均匀分布于[0 1]之间的随机数：

设置惯性权重c₃(k)来控制历史速度对当前速度的影响程度，修正式(3)为：

v_i(k+1)＝c₃(k)v_i(k)+c₁r₁(P_ibest(k)-x_i(k))+c₂r₂(P_gbest(k)-x_i(k))(5)

其中：c_3max为c₃(k)可取的最大值，L为最大叠代次数；

7)采用单位度电度电成本计算模型：

C＝(I_WTGCRF_WTG+I_DGCRF_DG+I_BSCRF_BS+O_SUM+M_WTG+M_DG+M_BS)/N    (6)

其中：C为度电成本；I_WTG、I_DG和I_BS分别为风力发电机组、柴油发电机组和蓄电池的初投资；I_WTG＝c_WTGm，c_WTG为单台风力发电机组的价格，m为风力发电机组的台数；I_DG＝c_DGn，c_DG为单台柴油发电机组的价格，n为柴油发电机组的台数；I_BS＝c_BSs，c_BS为单位千瓦时蓄电池的价格，s为配备的蓄电池千瓦时数；CRF_WTG、CRF_DG和CRF_BS分别为风力发电机组、柴油发电机组和蓄电池的折现率；

LT_WTG为风力发电机组的寿命；

LT_DG为柴油发电机组的寿命；

LT_BS为蓄电池的寿命；i为银行利率；O_SUM为全年的运行费用，O_SUM＝c_oilM_oil，c_oil为柴油的单价，M_oil为柴油消耗量；M_WTG，M_DG和M_BS分别为风力发电机组、柴油发电机组和蓄电池的年维修费用；N为总发电量。

8)能量调度方法

采用失电率LLP为系统停电时间与评估期时间的比率：

LLP(t)＝(P_ooad(t)Δt-(P_WTG(t)Δt+P_DGmaxΔtη_inv)-(C_BS(t-1)-C_BSmin)η_inv)/P_loadΔt    (7)

$\mathrm{LLP}=\underset{t=0}{\overset{8760}{\mathrm{\&Sigma;}}}\mathrm{LLP}\left(t\right)/8760---\left(8\right)$

其中：LLP(t)为第t小时的失电率，0≤LLP(t)≤1；Δt为时间步长；P_load(t)为第t小时的负荷；P_WTG(t)为第t小时风力发电机的功率；P_DGmax为柴油机的每小时最大发电功率；η_inv为变流器的效率；C_BS(t-1)为t-1小时蓄电池的蓄电量；C_BS min为蓄电池的最小蓄电量；

9)结果输出，得到度电成本最低时风力发电机、柴油机的台数和蓄电池的容量，以及单位度电成本预测。

2.根据权利要求1所述的基于改进粒子群的海岛风柴蓄发电功率优化设计方法，其特征在于优先利用风力发电发出的电力，如果风力发电不能满足负荷的要求，选择利用蓄电池的蓄能为负荷供电，如果仍然不能满足负荷的要求，最后启动柴油机组为负荷供电，风力发电发出的电力多于负荷的用电量，向蓄电池充电，最后向海水淡化供电。

3.根据权利要求1所述的基于改进粒子群的海岛风柴蓄发电功率优化设计方法，其特征在于风力发出的电力大于负荷，在蓄电池容量达到上限情况下，多余电力供海水淡化应用。

4.根据权利要求1所述的基于改进粒子群的海岛风柴蓄发电功率优化设计方法，其特征在于所述方法适用于不与大电网相连的孤岛或者孤网。

Images