CN103996075A - 考虑柴蓄协调增效的微电网多目标优化调度方法 - Google Patents

Abstract

本发明公开了一种考虑柴蓄协调增效的微电网多目标优化调度方法，根据考虑含风光柴蓄的独立微电网系统结构，综合分析光伏和风力发电、柴油机发电及储能系统等多方面的运行特性，提出考虑柴油机发电费用和蓄电池循环电量的多目标优化调度数学模型以及目标函数，并构造蓄电池组充电功率和SOC范围约束、柴油机发电功率约束、满足系统功率平衡等约束条件。通过相关多目标优化算法，得到非支配解前沿面，进而获得多个Pareto最优解。根据不同天气条件，确定最佳优化调度方案。本发明以海岛独立微电网系统建立多目标数学模型，以降低柴油机发电费用和蓄电池组循环电量为优化目标，为未来解决海岛供电问题提供理论依据和技术支撑，并有利于提高海岛独立微电网整体运行的经济性。

Description

考虑柴蓄协调增效的微电网多目标优化调度方法

技术领域

本发明涉及智能电网技术领域，更具体地说，涉及一种考虑柴蓄协调增效的微电网多目标优化调度方法。

背景技术

我国海岸线长、海岛数量众多，安全可靠的电力供应是海岛开发建设和居民日常生活的基础保障。过去，我国海岛多采用海缆供电或自备柴油发电机发电，故障频繁、环境污染大。一般情况下，海岛及周边区域拥有丰富的太阳能、风能等可再生能源发电资源，随着分布式电源及微电网技术的发展，可形成多种能源互补的海岛微电网供电模式，并配置蓄电池组等储能装置，对分布式电源的有效利用及灵活、智能的控制，是解决未来海岛供电问题的有效途径之一。

但是，现在关于独立微电网的优化运行研究主要是对可控传统发电的运行费用进行优化，未计及系统中储能的运行损耗。尽管微电网初期建设蓄电池投资相对不算高，但是蓄电池经常由于使用寿命的原因而频繁更换，后期运行寿命中储能系统的蓄电池是整个系统中最为昂贵的部件。因此，对独立微电网的优化运行进行研究时，需考虑储能系统的使用寿命问题，尽可能降低储能的循环电量。

发明内容

为了克服上述不足，本发明针对海岛独立微电网系统建立多目标数学模型，以降低柴油机发电费用和蓄电池组循环电量为优化目标，提供一种考虑柴蓄协调增效的微电网多目标优化调度方法。

本发明解决其技术问题所采用的技术方案如下所述：一种考虑柴蓄协调增效的微电网多目标优化调度方法，包括如下步骤：

步骤(1)、确定独立微电网的系统结构及各组件功能；

步骤(2)、考虑柴油机发电费用和蓄电池组循环电量，构建柴蓄协调增效的微电网多目标优化调度数学模型的目标函数；

步骤(3)、从柴油机发电功率、蓄电池组充电功率和SOC范围、系统功率平衡角度提出优化模型的约束条件；

步骤(4)、优化模型求解前，确定必须的基础计算数据；

步骤(5)、通过多目标优化算法得到非支配解前沿面，进而获得多个Pareto最优解；

步骤(6)、根据蓄电池的起始SOC状态和日照情况，综合考虑蓄电池循环电量和柴油机发电费用因素，最终选择每日的优化调度方案，

步骤(1)中，独立微电网的系统主要由光伏发电系统、风力发电系统、储能系统、柴油发电机系统和控制中心组成。

步骤(2)中，微电网多目标优化调度数学模型的目标函数为：

$\left\{\begin{array}{c}\min C=p_d\·\underset{i=1}{\overset{24}{\mathrm{\Σ}}}({\mathrm{pd}}_i\·{\mathrm{\Δt}}_i)\\ \min E=\underset{i=1}{\overset{T}{\mathrm{\Σ}}}{{\mathrm{Pb}}_i}^{*}\·{\mathrm{\Δt}}_i\end{array}\right.$

${\mathrm{Pd}}_i=\left\{\begin{array}{cc}{\mathrm{Pl}}_i+{\mathrm{Pb}}_i-{\mathrm{Ppv}}_i-{\mathrm{Pwt}}_i,& {\mathrm{Pev}}_i+{\mathrm{Pb}}_i-{\mathrm{Ppv}}_i-{\mathrm{Pwt}}_i\&GreaterEqual;0\\ 0,& \mathrm{Pev}+{\mathrm{Pb}}_i-{\mathrm{Ppv}}_i-{\mathrm{Pwt}}_i<0\end{array}\right.$

${{\mathrm{Pb}}_i}^{*}=\left\{\begin{array}{cc}\left|{\mathrm{Pb}}_i\right|,& {\mathrm{Pb}}_i<0\\ 0,& {\mathrm{Pb}}_i\&GreaterEqual;0\end{array}\right.$

式中，C为柴油机发电费用；E为循环电量，C为柴油机发电费用；E为循环电量；Pdi为第i时段柴油机发电的平均功率；Δti为第i时段的时长；pd为柴油机发电单价(元/kWh)；Pbi*为第i时段放电功率。

Pd_i为第i时段柴油机发电的平均功率；Δt_i为第i时段的时长；p_d为柴油机发电单价(元/kWh)；Pl_i为第i时段负荷平均功率，可根据经验值进行预测；Pb_i为蓄电池组充放电功率；Ppv_i为光伏发电功率，其根据光伏电池的串并联数、日照条件、环境温度和光伏电池板倾角来确定；Ppv_i为风机出力功率值，与风机型号及风速有关；Ppv_i与Pwt_i的值在优化调度中可基于历史数据及气象信息来预测；Pb_i ^*为第i时段放电功率，

步骤(3)中，

1)柴油机发电功率约束：

Pd_min≤Pd_i≤Pd_maxor Pd_i＝0

柴油发电机一般有最小运行功率限制，因此柴油机运行时有最大和最小功率约束，停止运行时功率为0，

2)蓄电池组充电功率和SOC范围约束：

a、蓄电池充放电功率受双向AC/DC变换器额定功率约束：

|Pb_i|＜Pb_n

式中Pbn为双向AC/DC变换器的额定功率。

b、根据充放电功率，蓄电池SOC在不同时间的状态关系可表示为：

SOC_i＝SOC_i-1+Pb_i·Δt_i/Eb_n

式中，Ebn为蓄电池组的额定电量。

3)系统功率平衡角度：独立微电网系统在运行过程中需满足功率平衡关系：

Pd_i+Ppv_i+Ptw_i＝Pl_i+Pb_i

步骤(4)中、对优化模型进行求解计算时应具备以下基础数据：1)柴油发电机发电功率变化范围；2)柴油机发电单价；3)风电装机容量；4)光伏额定功率；5)蓄电池额定容量、最大放电深度和充放电最大功率；6)天气条件，

步骤(5)中，在确定基于多目标优化算法的优化模型求解流程后，通过特定的寻优机制，得到非支配解前沿面，进而获得多个Pareto最优解。

步骤(3)中，蓄电池组充电功率和SOC范围约束：如果放电深度过大，会影响蓄电池使用寿命，对蓄电池组的SOC范围约束如下：

1-D≤SOC_i≤1

式中，D为储能电池组最大放电深度；SOCi为第i时段蓄电池组荷电状态。

步骤(5)中，多目标优化算法采用NSGA-II算法或多目标微分进化算法。

根据上述技术方案的本发明，其有益效果在于，本发明以海岛独立微电网系统建立多目标数学模型，以降低柴油机发电费用和蓄电池组循环电量为优化目标，为未来解决海岛供电问题提供理论依据和技术支撑，并有利于提高海岛独立微电网整体运行的经济性。

附图说明

下面结合附图以及实施例对本发明做进一步的说明。

图1为含风光柴蓄的独立微电网系统结构示意图；

图2为不同天气条件下目标函数优化结果示意图。

具体实施方式

如图1所示，一种考虑柴蓄协调增效的微电网多目标优化调度方法，包括如下步骤：

(1)确定光、风、储、柴的系统结构及各组件功能(结构示意图)。含光、风、储、柴的独立微电网系统主要由光伏发电、风力发电、储能系统、柴油发电机和控制中心组成；

(2)、考虑柴油机发电费用和蓄电池组循环电量，构建柴蓄协调增效的微电网多目标优化调度数学模型的目标函数，

微电网多目标优化调度数学模型的目标函数为：

$\left\{\begin{array}{c}\min C=p_d\&CenterDot;\underset{i=1}{\overset{24}{\mathrm{\&Sigma;}}}({\mathrm{pd}}_i\&CenterDot;{\mathrm{\&Delta;t}}_i)\\ \min E=\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{{\mathrm{Pb}}_i}^{*}\&CenterDot;{\mathrm{\&Delta;t}}_i\end{array}\right.$

${\mathrm{Pd}}_i=\left\{\begin{array}{cc}{\mathrm{Pl}}_i+{\mathrm{Pb}}_i-{\mathrm{Ppv}}_i-{\mathrm{Pwt}}_i,& {\mathrm{Pev}}_i+{\mathrm{Pb}}_i-{\mathrm{Ppv}}_i-{\mathrm{Pwt}}_i\&GreaterEqual;0\\ 0,& \mathrm{Pev}+{\mathrm{Pb}}_i-{\mathrm{Ppv}}_i-{\mathrm{Pwt}}_i<0\end{array}\right.$

${{\mathrm{Pb}}_i}^{*}=\left\{\begin{array}{cc}\left|{\mathrm{Pb}}_i\right|,& {\mathrm{Pb}}_i<0\\ 0,& {\mathrm{Pb}}_i\&GreaterEqual;0\end{array}\right.$

式中，C为柴油机发电费用；E为循环电量；Pdi为第i时段柴油机发电的平均功率；Δti为第i时段的时长；pd为柴油机发电单价(元/kWh)；Pbi*为第i时段放电功率。

Pd_i为第i时段柴油机发电的平均功率；Δt_i为第i时段的时长；p_d为柴油机发电单价(元/kWh)；Pl_i为第i时段负荷平均功率，可根据经验值进行预测；Pb_i为蓄电池组充放电功率；Ppv_i为光伏发电功率，其根据光伏电池的串并联数、日照条件、环境温度和光伏电池板倾角来确定；Ppv_i为风机出力功率值，与风机型号及风速有关；Ppv_i与Pwt_i的值在优化调度中可基于历史数据及气象信息来预测；Pb_i ^*为第i时段放电功率；

(3)、从柴油机发电功率、蓄电池组充电功率和SOC范围、系统功率平衡角度提出优化模型的约束条件；

1)柴油机发电功率约束：

Pd_min≤Pd_i≤Pd_maxor Pd_i＝0

柴油发电机一般有最小运行功率限制，因此柴油机运行时有最大和最小功率约束，停止运行时功率为0，

2)蓄电池组充电功率和SOC范围约束：

a、蓄电池充放电功率受双向AC/DC变换器额定功率约束：

|Pb_i|＜Pb_n

式中Pbn为双向AC/DC变换器的额定功率。

b、蓄电池组充电功率和SOC范围约束：如果放电深度过大，会影响蓄电池使用寿命，对蓄电池组的SOC范围约束如下：

1-D≤SOC_i≤1

式中，D为储能电池组最大放电深度；SOCi为第i时段蓄电池组荷电状态。

c、根据充放电功率，蓄电池SOC在不同时间的状态关系可表示为：

SOC_i＝SOC_i-1+Pb_i·Δt_i/Eb_n

式中，Ebn为蓄电池组的额定电量。

3)系统功率平衡角度：独立微电网系统在运行过程中需满足功率平衡关系：

Pd_i+Ppv_i+Ptw_i＝Pl_i+Pb_i

(4)、优化模型求解前，确定必须的基础计算数据，

对优化模型进行求解计算时应具备以下基础数据：1)柴油发电机发电功率变化范围；2)柴油机发电单价；3)风电装机容量；4)光伏额定功率；5)蓄电池额定容量、最大放电深度和充放电最大功率；6)天气条件，

(5)、通过多目标优化算法得到非支配解前沿面，进而获得多个Pareto最优解，

在确定基于多目标优化算法的优化模型求解流程后，通过特定的寻优机制，得到非支配解前沿面，进而获得多个Pareto最优解。

多目标优化算法采用NSGA-II算法或多目标微分进化算法。

(6)、根据蓄电池的起始SOC状态和日照情况，综合考虑蓄电池循环电量和柴油机发电费用因素，最终选择每日的优化调度方案。

如图2所示，本发明公开了一例不同天气条件下目标函数优化结果示意图。优化结果是一组pareto最优解，在实际应用中可根据蓄电池的起始SOC状态和日照情况，综合考虑蓄电池循环电量和柴油机发电费用等因素，选择每日的优化调度方案。

本发明适用于海岛独立微电网内，对柴油机发电费用和循环电量进行优化配置，从而确定优化调度方案。

本发明实现了在不同天气条件下对海岛独立微电网进行费用优化，以及优化调度方案的确定。

以上所述，仅为本发明较佳的具体实施方法，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种考虑柴蓄协调增效的微电网多目标优化调度方法，其特征在于包括如下步骤：

步骤(1)、确定独立微电网的系统结构及各组件功能；

步骤(2)、考虑柴油机发电费用和蓄电池组循环电量，构建柴蓄协调增效的微电网多目标优化调度数学模型的目标函数；

步骤(3)、从柴油机发电功率、蓄电池组充电功率和SOC范围、系统功率平衡角度提出优化模型的约束条件；

步骤(4)、优化模型求解前，确定必须的基础计算数据；

步骤(5)、通过多目标优化算法得到非支配解前沿面，进而获得多个Pareto最优解；

步骤(6)、根据蓄电池的起始SOC状态和日照情况，综合考虑蓄电池循环电量和柴油机发电费用因素，最终选择每日的优化调度方案，

步骤(2)中，微电网多目标优化调度数学模型的目标函数为：

$\left\{\begin{array}{c}\min C=p_d\&CenterDot;\underset{i=1}{\overset{24}{\mathrm{\&Sigma;}}}({\mathrm{pd}}_i\&CenterDot;{\mathrm{\&Delta;t}}_i)\\ \min E=\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{{\mathrm{Pb}}_i}^{*}\&CenterDot;{\mathrm{\&Delta;t}}_i\end{array}\right.$

${\mathrm{Pd}}_i=\left\{\begin{array}{cc}{\mathrm{Pl}}_i+{\mathrm{Pb}}_i-{\mathrm{Ppv}}_i-{\mathrm{Pwt}}_i,& {\mathrm{Pev}}_i+{\mathrm{Pb}}_i-{\mathrm{Ppv}}_i-{\mathrm{Pwt}}_i\&GreaterEqual;0\\ 0,& \mathrm{Pev}+{\mathrm{Pb}}_i-{\mathrm{Ppv}}_i-{\mathrm{Pwt}}_i<0\end{array}\right.$

${{\mathrm{Pb}}_i}^{*}=\left\{\begin{array}{cc}\left|{\mathrm{Pb}}_i\right|,& {\mathrm{Pb}}_i<0\\ 0,& {\mathrm{Pb}}_i\&GreaterEqual;0\end{array}\right.$

式中，C为柴油机发电费用；E为循环电量，C为柴油机发电费用；E为循环电量；Pdi为第i时段柴油机发电的平均功率；Δti为第i时段的时长；pd为柴油机发电单价(元/kWh)；Pbi*为第i时段放电功率。

Pd_i为第i时段柴油机发电的平均功率；Δt_i为第i时段的时长；p_d为柴油机发电单价(元/kWh)；Pl_i为第i时段负荷平均功率，可根据经验值进行预测；Pb_i为蓄电池组充放电功率；Ppv_i为光伏发电功率，其根据光伏电池的串并联数、日照条件、环境温度和光伏电池板倾角来确定；Ppv_i为风机出力功率值，与风机型号及风速有关；Ppv_i与Pwt_i的值在优化调度中可基于历史数据及气象信息来预测；Pb_i ^*为第i时段放电功率，

步骤(3)中，

1)柴油机发电功率约束：

Pd_min≤Pd_i≤Pd_maxor Pd_i＝0

柴油发电机一般有最小运行功率限制，因此柴油机运行时有最大和最小功率约束，停止运行时功率为0，

2)蓄电池组充电功率和SOC范围约束：

a、蓄电池充放电功率受双向AC/DC变换器额定功率约束：

|Pb_i|＜Pb_n

式中Pbn为双向AC/DC变换器的额定功率

b、根据充放电功率，蓄电池SOC在不同时间的状态关系可表示为：

SOC_i＝SOC_i-1+Pb_i·Δt_i/Eb_n

式中，Ebn为蓄电池组的额定电量

3)系统功率平衡角度：独立微电网系统在运行过程中需满足功率平衡关系：

Pd_i+Ppv_i+Ptw_i＝Pl_i+Pb_i

步骤(4)中、对优化模型进行求解计算时应具备以下基础数据：1)柴油发电机发电功率变化范围；2)柴油机发电单价；3)风电装机容量；4)光伏额定功率；5)蓄电池额定容量、最大放电深度和充放电最大功率；6)天气条件，

步骤(5)中，在确定基于多目标优化算法的优化模型求解流程后，通过特定的寻优机制，得到非支配解前沿面，进而获得多个Pareto最优解。

2.根据权利要求1所述的考虑柴蓄协调增效的微电网多目标优化调度方法，其特征在于，步骤(1)中，独立微电网的系统主要由光伏发电系统、风力发电系统、储能系统、柴油发电机系统和控制中心组成。

3.根据权利要求1所述的考虑柴蓄协调增效的微电网多目标优化调度方法，其特征在于，步骤(3)中，蓄电池组充电功率和SOC范围约束：如果放电深度过大，会影响蓄电池使用寿命，对蓄电池组的SOC范围约束如下：

1-D≤SOC_i≤1

式中，D为储能电池组最大放电深度；SOCi为第i时段蓄电池组荷电状态。

4.根据权利要求1所述的考虑柴蓄协调增效的微电网多目标优化调度方法，其特征在于，步骤(5)中，多目标优化算法采用NSGA-II算法或多目标微分进化算法。