CN104158203A - 一种微电网电源容量优化配置方法 - Google Patents

Abstract

本发明提供了一种微电网电源容量优化配置方法，其以孤岛微电网为研究对象，分析了铅酸蓄电池充放电深度和次数对其寿命的影响，考虑了铅酸蓄电池的储能寿命对微电网电源容量优化配置的影响以及弃风惩罚费用、可靠性约束等对微电网电源容量优化配置的影响，建立的模型更加全面，采用线性加权的遗传算法对所建立的微电网电源容量优化配置模型求解得到的微电网电源容量的最优配置方案能够帮助提高微电网系统电源容量配置的利用率、减少电源配置浪费，降低微电网系统的投资成本和运行成本；同时，本发明微电网电源容量优化配置方法的运算流程较为简单，通用性较好，可广泛应用于不同应用场合下的微电网电源配置规划，具有很好的市场推广应用价值。

Description

一种微电网电源容量优化配置方法

技术领域

本发明涉及电力系统规划技术，具体涉及一种微电网电源容量优化配置方法，属于电力系统规划领域。

背景技术

随着全球能源危机和环境问题的日益突出，以风力发电为代表的新能源发电逐渐成为人们关注的焦点。微电网是一种新型网络结构，是多种分布式的微电源(通常包括风电机组、微燃机和铅酸蓄电池)、负荷以及控制装置集合成一个整体的系统单元，可进行并网和孤网模式转化运行，实现新能源的高效利用。但微电网中分布式电源单机投入成本较高，如果微电网电源容量配置不合理，不仅造成能量的浪费，还可能由于投资成本过高，造成投资失败。根据不同地区风能资源和负荷大小合理配置微电网中微电源的容量具有重要的研究意义。

随着微电网的逐步推广，广大学者对微电网进行了积极探索。目前已有一些针对微电网容量优化配置的研究，但较少的研究考虑系统可靠性以及电能过剩的影响，且在进行电源容量优化配置时未考虑蓄电池寿命的影响，因此都未能很好地结合实际情况而得到较为准确的风电机组、微燃机、铅酸蓄电池优化配置方案，从而存在电源配置的利用率不高、电源配置存在浪费、投资和运行成本偏高的问题。

发明内容

针对微电网电源容量优化配置模型存在的不足，本发明提供了一种微电网电源容量优化配置方法，其以孤岛微电网为研究对象，分别以总成本最小和弃风惩罚费用最小为目标建立了微电网电源容量优化配置模型，该模型考虑储能寿命、可靠性以及弃风惩罚费用对微电网电源容量优化配置的影响，再采用线性加权的遗传算法对所建立的微电网电源容量优化配置模型进行求解，确定微电网电源容量的最优配置方案，以提高微电网系统电源容量配置的利用率、减少电源配置浪费，降低微电网系统的投资成本和运行成本。

为实现上述目的，本发明采用了如下技术手段：

微电网电源容量优化配置方法，以孤岛微电网为研究对象，以总成本最小和弃风惩罚费用最小为目标建立微电网电源容量优化配置模型，采用线性加权的遗传算法对所建立的微电网电源容量优化配置模型进行求解，确定孤岛微电网电源容量的最优配置方案；该方法具体包括如下步骤：

(1)统计孤岛微电网中风速及负荷的历史数据，根据历史数据对调度周期内各时段的风电机组出力值和负荷进行预测，进而估算出调度周期内孤岛微电网中微燃机的总发电量以及铅酸蓄电池的总出力值；

(2)制定孤岛微电网的运行策略：孤岛微电网运行过程中，当风电机组出力大于负荷，铅酸蓄电池进行充电，如果还有过剩的电量，则舍弃该过剩电量；风电机组出力小于负荷时，铅酸蓄电池优先进行放电，如果铅酸蓄电池和风电机组出力之和能满足负荷需求，则不启动微燃机，反之，则开启微燃机向负荷供电；

(3)确定铅酸蓄电池寿命：当铅酸蓄电池充放电循环深度为R时，故障前最大循环充放电次数N_ESS表示为：

$N_{\mathrm{ESS}}={\mathrm{\α}}_1+{\mathrm{\α}}_2{e}^{{\mathrm{\α}}_{3}R}+{\mathrm{\α}}_4{e}^{{\mathrm{\α}}_{5}R};$

铅酸蓄电池充放电循环一次，其寿命损耗占总寿命百分比为1/N_ESS，铅酸蓄电池在调度周期内的寿命损耗为：

$C_1=\underset{j=1}{\overset{N_T}{\mathrm{\Σ}}}\frac{1}{N_{\mathrm{ESS},j}};$

铅酸蓄电池的寿命所能够维持的调度周期数量为：

Y_B＝1/C₁；

式中，α₁～α₅为铅酸蓄电池的特征参数，这些参数可由厂商提供的寿命测试数据得到；j表示铅酸蓄电池第j次充放电；N_T为调度周期中蓄电池充放电次数；1/N_ESS,j表示第j次充放电铅酸蓄电池寿命损耗占总寿命的比例；Y_B为铅酸蓄电池的寿命所能够维持的调度周期数量；

(4)以投资和运行总成本最小以及弃风惩罚费用最小为目标，基于制定的微电网运行策略，建立孤立储能寿命影响的微电网电源容量优化配置模型；

(5)采用线性加权的遗传算法对所建立的微电网电源容量优化配置模型进行求解，确定孤岛微电网电源容量的最优配置方案，对微电网中的风电机组数目、蓄电池数目和微燃机数目进行配置。

上述的微电网电源容量优化配置方法中，具体而言，所述微电网电源容量优化配置模型具体为：

微电网电源容量优化配置模型的目标函数：

分别以投资和运行总成本最小、弃风惩罚费用最小为目标函数，建立电源容量优化配置模型，其目标函数表达式如下：

$\left\{\begin{array}{c}\min F_1=C_{\mathrm{WT}}+C_{\mathrm{MT}}+C_B+C_R+C_M+C_F+C_E\\ {\min F}_2=E_{\mathrm{windcut}}\·C_{\mathrm{Windcut}}\end{array}\right.;$

式中，F₁为投资和运行总成本；F₂为弃风惩罚费用；C_WT为风电机组投资成本；C_MT为微燃机投资成本；C_B为铅酸蓄电池投资成本；C_M为微燃机运行维护成本；C_F为微燃机燃料消耗成本；C_E为环保折算成本；C_R为设备置换成本，当设备的寿命小于工程年限时，需对设备进行更换，设各种类型的设备单次置换成本与该设备的投资成本相同；E_windcut为弃风量；C_Windcut为单位弃风惩罚费用；

所述风电机组投资成本C_WT、微燃机投资成本C_MT、铅酸蓄电池投资成本C_B、微燃机运行维护成本C_M、微燃机燃料消耗成本C_F、环保折算成本C_E和设备置换成本C_R分别按如下方式确定：

①设备的投资成本：

按等年值法确定设备的风电机组投资成本C_WT、微燃机投资成本C_MT、铅酸蓄电池投资成本C_B分别为：

$C_{\mathrm{WT}}=N_{\mathrm{WT}}{e}_{\mathrm{WT}}{P}_{\mathrm{WT}}\frac{r{(1+r)}^{Y_{\mathrm{WT}}}}{{(1+r)}^{Y_{\mathrm{WT}}}-1};$

$C_{\mathrm{MT}}=N_{\mathrm{MT}}{e}_{\mathrm{MT}}{P}_{\mathrm{MT}}\frac{r{(1+r)}^{Y_{\mathrm{MT}}}}{{(1+r)}^{Y_{\mathrm{MT}}}-1};$

$C_B=N_B{e}_B{P}_B\frac{r{(1+r)}^{Y_B}}{{(1+r)}^{Y_B}-1};$

式中，N_WT、N_MT、N_B分别为风电机组、微燃机、蓄电池的数量；e_WT、e_MT、e_B分别为风电机组、微燃机、蓄电池的单位投资成本；P_WT、P_MT、P_B分别为风电机组、微燃机、蓄电池的单台装机容量；Y_WT、Y_MT、Y_B分别为风电机组、微燃机、蓄电池的寿命所能够维持的调度周期数量；r为折现率；

②微燃机运行维护成本：

通过下式计算微燃机运行维护成本：

$C_M=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_i{K}_{O{M}_i};$

式中，N为孤岛微电网中微燃机的总类型数；P_i为第i种类型的微燃机的装机容量；K_OMi为第i种类型的微燃机的运行维护成本比例系数，单位为$/(kW·a)；

③燃料消耗成本：

按下式计算微燃机燃料成本：

$C_F=F_f\underset{t=1}{\overset{T_2}{\mathrm{\Σ}}}\frac{P_t}{{\mathrm{\η}}_t};$

式中，C_F为微燃机燃料消耗成本；F_f为燃料价格；P_t为调度周期中第t个时段的微燃机输出功率；η_t为调度周期中第t个时段微燃机的效率，可通过微燃机典型效率曲线获得；T₂为调度周期内包含的总时段数；

④环保折算成本：

按下式计算环保折算成本：

$C_E=W\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{v}_k(V_{k1}+V_{k2});$

式中，W为调度周期内微燃机的总发电量；M为污染物的种类；v_k1、v_k2分别为第k种污染物的环境价值、所受罚款；

微电网电源容量优化配置模型的约束条件：

①各种微电源数量约束条件：

$\left\{\begin{array}{c}0\≤N_{\mathrm{WT}}\≤N_{\mathrm{WT},\max }\\ 0\≤N_{\mathrm{MT}}\≤N_{\mathrm{MT},\max }\\ N_{B,\min }\≤N_B\≤N_{B,\max }\end{array}\right.;$

式中，N_WT、N_MT、N_B分别为风电机组、微燃机、蓄电池的数量；N_WT,max为风电机组的最大装机数目；N_MT,max为微燃机的最大装机数目；N_B,min、N_B,max分别为蓄电池的最小装机数目、最大装机数目；

风电机组和蓄电池的最大装机数目受占地面积的限制：

$N_{\mathrm{WT},\max }=[\frac{L}{8d}+1]\·[\frac{W}{4d}+1];$

$N_{B,\max }\≤\left[\frac{S}{S_B}\right];$

式中，S、L、W分别为给定的占地面积、长度和宽度；S_B为单台蓄电池的占地面积；

②微燃机出力约束条件：

单台微燃机的出力受其最大、最小出力限制：

P_min≤P≤P_max；

式中，P为微燃机的输出功率大小；P_min、P_max分别为微燃机的最小、最大输出功率；

③铅酸蓄电池充放电约束条件：

铅酸蓄电池的额定功率限制：

0≤P_t ^c≤P_ch，max；

0≤P_t ^d≤P_dch，max；

式中，P_t ^c、P_t ^d分别为t时段铅酸蓄电池的充电、放电功率；P_ch,max、P_dch,max分别为最大充电、放电功率；

铅酸蓄电池的剩余容量限制：

S_ocmin≤S_oc(t)≤S_ocmax；

式中，S_oc(t)为t时段铅酸蓄电池的剩余容量；S_ocmin、S_ocmax分别为铅酸蓄电池的最小、最大剩余容量；

④可靠性约束条件：

LOLP≤LOLP_max；

式中，LOLP为微电网系统的缺电概率；LOLP_max为微电网系统所能允许的最大缺电概率；

若调度周期中第t个时段所有电源的最大出力不能够满足负荷需求，则其缺电量E_cut，t为：

E_cut,t＝(P_load,t-P_Bt-P_wt-P_MT)·△t；

$\mathrm{LOLP}=\underset{t=1}{\overset{T_1}{\mathrm{\Σ}}}{E}_{\mathrm{cut},t}/\underset{t=1}{\overset{T_2}{\mathrm{\Σ}}}(P_{\mathrm{load},t}\·\mathrm{\Δt});$

式中，T₁为缺供电时段数，T₂为调度周期内包含的总时段数，Δt为相邻两时段的时间间隔。

上述的微电网电源容量优化配置方法中，具体而言，采用线性加权的遗传算法对所述微电网电源容量优化配置模型的求解过程具体包如下步骤：

Step1：随机产生一个取值在[0,1]区间内的随机数α，将α作为目标函数F₁的权重系数，则1-α作为目标函数F₂的权重系数，从而将微电网电源容量优化配置模型的两个目标函数经线性加权求和后转化为一个单目标函数F：

F＝αF₁+(1-α)F₂；

Step2：将根据历史数据估算出的调度周期内孤岛微电网中微燃机的总发电量以及铅酸蓄电池的总出力值作为微电网电源容量优化配置模型的输入参数，设置遗传算法计算所需参数，包括种群规模、选择概率、交叉概率、变异概率和最大进化代数；

Step3：产生初始种群：

随机生成三个k位的二进制数分别代表风电机组数目、铅酸蓄电池数目和微燃机数目，并组成一个3×k位的二进制数组，作为初始种群的一个染色体；由此，根据设定的种群规模，生成种群中的各个染色体；

Step4：判断当前种群中每个染色体所代表的三种微电源数目是否超过各自相应类型微电源的数量约束要求；如果超过最大数量的要求，则调整相应类型微电源数目为最大值，如果小于最小数目的要求，则调整相应类型微电源数目为最小值；

Step5：对当前种群中的每个染色体分别进行解码，并计算每个染色体的适应值和系统可靠性指标；

每个染色体x的适应值函数表达式如下式所示：

$\mathrm{fitness}\left(x\right)=\frac{1}{F\left(x\right)+\mathrm{pen}\left(x\right)+A};$

其中，

式中，F(x)为染色体x对应的目标函数F₁和目标函数F₂线性加权求和所得的单目标函数；A为正常数；pen(x)为染色体x对应的惩罚项；δ为正常数；

Step6：按照设定的选择概率从当前种群中选择适应值靠前的染色体，根据设定的交叉概率对选择的染色体进行交叉，并根据设定的变异概率对选择和交叉过后的染色体进行变异操作，得到新的种群；

Step7：判断遗传算法是否达到最大迭代次数，如果是，则执行Step8；如果不是，则转到Step4；

Step8：判断当前的循环次数是否为设定的最大循环次数；如果尚未达到最大循环次数，则转到Step1，随机生成新的权重系数方案，重新进行求解；如果已达到最大循环次数，则结束计算，输出各次权重系数方案中求解得到的种群中适应值最优的染色体；然后，选择其中一个权重系数方案中适应值最优染色体的二进制数组所代表的风电机组数目、蓄电池数目和微燃机数目设定微电网中的风电机组数目、蓄电池数目和微燃机数目，作为孤岛微电网电源容量的最优配置方案。

相比于现有技术，本发明具有如下有益效果：

1、本发明的微电网电源容量优化配置方法，分析了铅酸蓄电池充放电深度和次数对其寿命的影响，考虑了铅酸蓄电池的储能寿命对微电网电源容量优化配置的影响以及弃风惩罚费用、可靠性约束等对微电网电源容量优化配置的影响，建立的模型更加全面，求解得到的微电网电源容量的最优配置方案也更加符合实际微电网的电源配置规划需求，从而帮助提高微电网系统电源容量配置的利用率、减少电源配置浪费，降低微电网系统的投资成本和运行成本。

2、本发明微电网电源容量优化配置方法的运算流程较为简单，便于工程人员学习使用，并且通用性较好，可广泛应用于不同应用场合下的微电网电源配置规划，具有很好的市场推广应用价值。

附图说明

图1为本发明微电网电源容量优化配置方法的流程图。

图2为本发明实施例中海岛地区微电网系统过去一年的负荷标幺值统计曲线图。

图3为本发明实施例中海岛地区微电网系统过去一年的风速统计曲线图。

图4为本发明方法中采用线性加权的遗传算法对微电网电源容量优化配置模型的求解流程图。

图5为本发明实施例中微电网电源容量优化配置模型两目标函数之间的关系图。

图6为本发明实施例中海岛地区微电网系统的投资成本与可靠性之间的关系曲线图。

具体实施方式

本发明在现有研究的基础上，重点分析铅酸蓄电池充放电对其寿命的影响。铅酸蓄电池的充放电、微燃机的出力除与负荷和风电功率大小相关外，还依赖于微电网的运行策略，因此本发明从减少常规能源消耗的角度，制定微电网的运行策略，并分别以总成本最小和弃风惩罚费用最小为目标，建立计及储能寿命影响的微电网电源容量优化配置模型，然后采用线性加权的遗传算法对所建立的微电网电源容量优化配置模型进行求解，确定孤岛微电网电源容量的最优配置方案，以帮助提高微电网系统电源容量配置的利用率、减少电源配置浪费，降低微电网系统的投资成本和运行成本。

1.本发明微电网电源容量优化配置方法的流程图如图1所示，具体步骤为：

(1)统计孤岛微电网中风速及负荷的历史数据，根据历史数据对调度周期内各时段的风电机组出力值和负荷进行预测，进而估算出调度周期内孤岛微电网中微燃机的总发电量以及铅酸蓄电池的总出力值；

(2)制定孤岛微电网的运行策略：

铅酸蓄电池的充放电时刻、充放电功率以及微燃机的出力除了与负荷和间歇式能源大小相关外，还在很大程度上依赖于微电网的运行策略。

本发明从减少常规能源消耗的角度制定了孤岛微电网的运行策略，其主要思想为：孤岛微电网运行过程中，当风电机组出力大于负荷，铅酸蓄电池进行充电，如果还有过剩的电量，则舍弃该过剩电量；风电机组出力小于负荷时，铅酸蓄电池优先进行放电，如果铅酸蓄电池和风电机组出力之和能满足负荷需求，则不启动微燃机，反之，则开启微燃机向负荷供电。

(3)确定铅酸蓄电池寿命：

在运行过程中，铅酸蓄电池的寿命所能够维持的调度周期数量依赖于多种因素，如运行温度、最大充电电流、充放电深度、充放电次数等。其中，铅酸蓄电池的运行温度和充电电流通常与其散热特性和控制系统有关，本发明侧重于研究充放电深度和充放电次数对铅酸蓄电池寿命的影响。

当铅酸蓄电池充放电循环深度为R时，故障前最大循环充放电次数N_ESS表示为：

$N_{\mathrm{ESS}}={\mathrm{\α}}_1+{\mathrm{\α}}_2{e}^{{\mathrm{\α}}_{63}R}+{\mathrm{\α}}_4{e}^{{\mathrm{\α}}_{5}R};$

铅酸蓄电池充放电循环一次，其寿命损耗占总寿命百分比为1/N_ESS，铅酸蓄电池在调度周期内的寿命损耗为：

$C_1=\underset{j=1}{\overset{N_T}{\mathrm{\Σ}}}\frac{1}{N_{\mathrm{ESS},j}};$

铅酸蓄电池的寿命所能够维持的调度周期数量为：

Y_B＝1/C₁；

式中，α₁～α₅为铅酸蓄电池的特征参数，这些参数可由厂商提供的寿命测试数据得到；j表示铅酸蓄电池第j次充放电；N_T为调度周期中蓄电池充放电次数；1/N_ESS,j表示第j次充放电铅酸蓄电池寿命损耗占总寿命的比例；Y_B为铅酸蓄电池的寿命所能够维持的调度周期数量；

由于铅酸蓄电池的寿命所能够维持的调度周期数量与其充放电深度、充放电次数紧密相关，在进行微电网电源容量优化配置时，如果铅酸蓄电池容量配置不合理，铅酸蓄电池反复进行深度充放电，对其寿命影响较大，当铅酸蓄电池的的寿命相对微电网的设计周期较短时，需进行设备更换，增加了整个电网的投资成本，影响微电网投资决策。因此，在进行微电网电源容量优化配置时，需要考虑铅酸蓄电池寿命对微电网电源容量优化配置的影响。

(4)以投资和运行总成本最小以及弃风惩罚费用最小为目标，基于制定的微电网运行策略，建立孤立储能寿命影响的微电网电源容量优化配置模型。

(5)采用线性加权的遗传算法对所建立的微电网电源容量优化配置模型进行求解，确定孤岛微电网电源容量的最优配置方案，对微电网中的风电机组数目、蓄电池数目和微燃机数目进行配置。

2.具体而言，本发明以投资和运行总成本最小以及弃风惩罚费用最小为目标，基于制定的微电网运行策略，建立的微电网电源容量优化配置模型为：

2.1.分别以投资和运行总成本最小、弃风惩罚费用最小为目标函数，建立了孤岛微电网系统的电源容量优化配置模型。目标函数表达式如下：

$\left\{\begin{array}{c}\min F_1=C_{\mathrm{WT}}+C_{\mathrm{MT}}+C_B+C_R+C_M+C_F+C_E\\ \min F_2=E_{\mathrm{windcut}}\·C_{\mathrm{Windcut}}\end{array}\right.;$

式中，F₁为投资和运行总成本；F₂为弃风惩罚费用；C_WT为风电机组投资成本；C_MT为微燃机投资成本；C_B为铅酸蓄电池投资成本；C_M为微燃机运行维护成本；C_F为微燃机燃料消耗成本；C_E为环保折算成本；C_R为设备置换成本，当设备的寿命小于工程年限时，需对设备进行更换，设各种类型的设备单次置换成本与该设备的投资成本相同；E_windcut为弃风量；C_Windcut为单位弃风惩罚费用。

其中，风电机组投资成本C_WT、微燃机投资成本C_MT、铅酸蓄电池投资成本C_B、微燃机运行维护成本C_M、微燃机燃料消耗成本C_F、环保折算成本C_E和设备置换成本C_R分别按如下方式确定：

①设备的投资成本：

由于风电机组、微燃机和蓄电池等设备的寿命周期较长，不同的设备寿命周期不同，且进行微电网规划研究时，计算的费用为一年内的运行费用，因此，需将设备投资费用折算为等年值。等年值费用可避免设备寿命差异对经济投资方案的影响。按等年值法确定设备的风电机组投资成本C_WT、微燃机投资成本C_MT、铅酸蓄电池投资成本C_B分别为：

$C_{\mathrm{WT}}=N_{\mathrm{WT}}{e}_{\mathrm{WT}}{P}_{\mathrm{WT}}\frac{r{(1+r)}^{Y_{\mathrm{WT}}}}{{(1+r)}^{Y_{\mathrm{WT}}}-1};$

$C_{\mathrm{MT}}=N_{\mathrm{MT}}{e}_{\mathrm{MT}}{P}_{\mathrm{MT}}\frac{r{(1+r)}^{Y_{\mathrm{MT}}}}{{(1+r)}^{Y_{\mathrm{MT}}}-1};$

$C_B=N_B{e}_B{P}_B\frac{r{(1+r)}^{Y_B}}{{(1+r)}^{Y_B}-1};$

式中，N_WT、N_MT、N_B分别为风电机组、微燃机、蓄电池的数量；e_WT、e_MT、e_B分别为风电机组、微燃机、蓄电池的单位投资成本；P_WT、P_MT、P_B分别为风电机组、微燃机、蓄电池的单台装机容量；Y_WT、Y_MT、Y_B分别为风电机组、微燃机、蓄电池的寿命所能够维持的调度周期数量，蓄电池的寿命所能够维持的调度周期数量与其运行过程相关；r为折现率。

②微燃机运行维护成本：

孤岛微电网系统的运行维护成本中，风电机组的运行维护成本相对其一次投资成本较少，再者国家对风电事业的鼓励支持政策，因此风电机组的运行维护费用不予考虑；而铅酸蓄电池是免维护的电池储能设备，因此其运行维护费用也不予考虑。因此，本发明中，孤岛微电网系统的运行维护成仅考虑微燃机的运行维护成本。

通过下式计算微燃机运行维护成本：

$C_M=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_i{K}_{{\mathrm{OM}}_i};$

式中，N为孤岛微电网中微燃机的总类型数；P_i为第i种类型的微燃机的装机容量；K_OMi为第i种类型的微燃机的运行维护成本比例系数，单位为$/(kW·a)。

③燃料消耗成本：

微燃机通常以天然气、甲烷等为燃料，该燃料的购买需支付一定的费用，微燃机燃料成本的计算可参考下式进行计算：

$C_F=F_f\underset{t=1}{\overset{T_2}{\mathrm{\Σ}}}\frac{P_t}{{\mathrm{\η}}_t};$

式中，C_F为微燃机燃料消耗成本；F_f为燃料价格；P_t为调度周期中第t个时段的微燃机输出功率；η_t为调度周期中第t个时段微燃机的效率，可通过微燃机典型效率曲线获得(一般出力越大对应的运行效率越高)；T₂为调度周期内包含的总时段数。

④环保折算成本：

根据《京都议定书》的规定，发展中国家自2012年起需承担节能减排工作。中国政府为节约能源，减少污染气体的排放，鼓励发展风能、太阳能等新型清洁能源。根据现有文献中提出各种类型分布式电源的排污特性，本发明将污染物排放对环境的影响折算为费用：

$C_E=W\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{v}_k(V_{k1}+V_{k2});$

式中，W为调度周期内微燃机的总发电量；M为污染物的种类；v_k1、v_k2分别为第k种污染物的环境价值、所受罚款。

在本发明中，微燃机的排放系数和电力行业环境评价标准如表1和表2所示。

表1 微燃机的污染排放系数                  g/(kW·h)

表2 电力行业污染物环境评价标准

2.2.微电网电源容量优化配置模型的约束条件：

①各种微电源数量约束条件：

$\left\{\begin{array}{c}0\≤N_{\mathrm{WT}}\≤N_{\mathrm{WT},\max }\\ 0\≤N_{\mathrm{MT}}\≤N_{\mathrm{MT},\max }\\ N_{B,\min }\≤N_B\≤N_{B,\max }\end{array}\right.;$

式中，N_WT、N_MT、N_B分别为风电机组、微燃机、蓄电池的数量；N_WT,max为风电机组的最大装机数目；N_MT,max为微燃机的最大装机数目；N_B,min、N_B,max分别为蓄电池的最小装机数目、最大装机数目。

风电机组和蓄电池的最大装机数目受占地面积的限制：

$N_{\mathrm{WT},\max }=[\frac{L}{8d}+1]\·[\frac{W}{4d}+1];$

$N_{B,\max }\≤\left[\frac{S}{S_B}\right];$

式中，S、L、W分别为给定的占地面积、长度和宽度；S_B为单台蓄电池的占地面积。在微电网系统中，微燃机的占地面积通常很小，因此可以不考虑其对占地面积的影响。

②微燃机出力约束条件：

单台微燃机的出力受其最大、最小出力限制：

P_min≤P≤P_max；

式中，P为微燃机的输出功率大小；P_min、P_max分别为微燃机的最小、最大输出功率。

③铅酸蓄电池充放电约束条件：

铅酸蓄电池在充放电过程中，受其最大充放电功率和容量的限制。

铅酸蓄电池的额定功率限制：

0≤P_t ^c≤P_ch，max；

0≤P_t ^d≤P_dch，max；

式中，P_t ^c、P_t ^d分别为t时段铅酸蓄电池的充电、放电功率；P_ch,max、P_dch,max分别为最大充电、放电功率；

铅酸蓄电池的剩余容量限制：

S_ocmin≤S_oc(t)≤S_ocmax；

式中，S_oc(t)为t时段铅酸蓄电池的剩余容量；S_ocmin、S_ocmax分别为铅酸蓄电池的最小、最大剩余容量。

④可靠性约束条件：

LOLP≤LOLP_max；

式中，LOLP为微电网系统的缺电概率；LOLP_max为微电网系统所能允许的最大缺电概率。

本发明基于前述微电网运行策略，计算微电网的年度可靠性指标。在运行过程中，当电源配置较小，所有电源出力不能够满足负荷需求时，存在削减负荷情况。若调度周期中第t个时段所有电源的最大出力不能够满足负荷需求，则其缺电量E_cut，t为：

E_cut,t＝(P_load,t-P_Bt-P_wt-P_MT)·△t；

$\mathrm{LOLP}=\underset{t=1}{\overset{T_1}{\mathrm{\Σ}}}{E}_{\mathrm{cut},t}/\underset{t=1}{\overset{T_2}{\mathrm{\Σ}}}(P_{\mathrm{load},t}\·\mathrm{\Δt});$

式中，T₁为缺供电时段数，T₂为调度周期内包含的总时段数，Δt为相邻两时段的时间间隔。

微电网优化配置是一个离散非线性优化问题，其求解过程复杂，因此本发明采用了线性加权的遗传算法对该模型进行求解。

下面结合具体实施方式，进一步说明本发明的技术特点和效果。

实施实例：

为验证本发明微电网电源容量优化配置方法的有效性，采用本发明微电网电源容量优化配置方法对某一海岛地区进行微电网电源容量优化配置。本实施例中，规划的调度周期为1年，一个时段t设定为1小时；因此1年的调度周期中包含的总时段数T₂＝8760个时段。单位弃风惩罚费用为0.5$/kWh。系统的峰值负荷取为1MW，统计该海岛地区微电网过去一年的风速及负荷的历史数据，负荷每小时统计一次，其标幺值如图2所示，该地区过去一年各个小时的风速如图3所示。各种微电源的参数如表3所示：

表3 微电源参数

注：蓄电池的寿命年限与其充放电过程相关，具体计算方法如前所述。

然后，以投资和运行总成本最小以及弃风惩罚费用最小为目标，基于制定的微电网运行策略，建立了该海岛地区的微电网电源容量优化配置模型后，采用线性加权的遗传算法对该微电网电源容量优化配置模型进行求解，其求解流程如图4所示，具体实现过程如下：

Step1：随机产生一个取值在[0,1]区间内的随机数α，将α作为目标函数F₁的权重系数，则1-α作为目标函数F₂的权重系数，从而将微电网电源容量优化配置模型的两个目标函数经线性加权求和后转化为一个单目标函数F：

F＝αF₁+(1-α)F₂。

Step2：将根据历史数据估算出的调度周期内孤岛微电网中微燃机的总发电量以及铅酸蓄电池的总出力值作为微电网电源容量优化配置模型的输入参数，设置遗传算法计算所需参数，包括种群规模、选择概率、交叉概率、变异概率和最大进化代数。

Step3：产生初始种群：

由于该模型中各个微电源的数量为整数，因此采用二进制编码的遗传算法，每个遗传算子用一定位数的二进制来表示各种微电源的数量。

随机生成三个k位的二进制数分别代表风电机组数目、铅酸蓄电池数目和微燃机数目，并组成一个3×k位的二进制数组，作为初始种群的一个染色体；由此，根据设定的种群规模，生成种群中的各个染色体。

本实施例中，根据给定的各种微电源的最大数目的限制，只需采用三个7位的二进制数分别代表风电机组数目、储能数目和微燃机数目，由此每个染色体为一个21位的二进制数组。同时，本实施例中，种群规模M取30，因此生成的初始种群中包含30个染色体。

Step4：判断当前种群中每个染色体所代表的三种微电源数目是否超过各自相应类型微电源的数量约束要求；如果超过最大数量的要求，则调整相应类型微电源数目为最大值，如果小于最小数目的要求，则调整相应类型微电源数目为最小值。

Step5：对当前种群中的每个染色体分别进行解码，并计算每个染色体的适应值和系统可靠性指标；

本发明建立的微电网电源容量优化配置模型中含有两个目标函数，采用线性加权的遗传算法用于求解该多目标优化问题。每个染色体x的适应值函数表达式如下式所示：

$\mathrm{fitness}\left(x\right)=\frac{1}{F\left(x\right)+\mathrm{pen}\left(x\right)+A};$

其中，

式中，F(x)为染色体x对应的目标函数F₁和目标函数F₂线性加权求和所得的单目标函数；A为正常数；pen(x)为染色体x对应的惩罚项，本发明对可靠性约束采用罚函数法进行限制；δ为正常数。

Step6：按照设定的选择概率从当前种群中选择适应值靠前的染色体，根据设定的交叉概率对选择的染色体进行交叉，并根据设定的变异概率对选择和交叉过后的染色体进行变异操作，得到新的种群。

Step7：判断遗传算法是否达到最大迭代次数，如果是，则执行Step8；如果不是，则转到Step4。

Step8：判断当前的循环次数是否为设定的最大循环次数；如果尚未达到最大循环次数，则转到Step1，随机生成新的权重系数方案，重新进行求解；如果已达到最大循环次数，则结束计算，输出各次权重系数方案中求解得到的种群中适应值最优的染色体；然后，选择其中一个权重系数方案中适应值最优染色体的二进制数组所代表的风电机组数目、蓄电池数目和微燃机数目设定微电网中的风电机组数目、蓄电池数目和微燃机数目，作为孤岛微电网电源容量的最优配置方案。

在本实施例中，设定的最大循环次数为300次，因此能够随机产生300种权重系数方案，得到300个不同权重系数方案中的适应值最优染色体。所得到的300个不同的适应值最优染色体中，任一个染色体的二进制数组所代表的风电机组数目、蓄电池数目和微燃机数目，都可以作为一组孤岛微电网电源容量的最优配置方案；至于，实际应用中选择哪一组，需要根据实际应用的情况加以判断。本实施例中，通过以上计算出两目标函数之间的关系如图5所示。从图5中可以看出，弃风惩罚费用随投资和运行总成本的增加呈现递减趋势，主要是因为燃料消耗成本较高，当弃风惩罚费用较低时，风电机组的接入较少，燃料消耗较多，整个电网的运行成本较高；同时为了减少弃风惩罚费用，需投入较多的铅酸蓄电池来储存多余的能量，微电网系统的投资成本增加。

为进一步分析弃风惩罚费用对微电网电源容量优化配置的影响，在既定运行策略下，分两种情况讨论孤岛微电网电源容量配置方案。

情形一：目标函数F₁和F₂的权重系数都取为0.5，转化为单目标函数；

情形二：只考虑目标函数F₁，目标函数只计及电网投资成本、设备更换成本、运行维护成本、燃料消耗成本、环保折算成本，而不考虑弃风惩罚费用。

上述两种情形下，微电网电源最优配置方案如表4，等年值费用如表5所示。

表4 微电网电源最优配置方案

表5 电源最优配置方案对应的各项费用(104$/a)

注：表中内容为目标函数中不考虑弃风惩罚费用时计算结果。

情形一与情形二计算结果对比可发现，不考虑弃风惩罚费用时，风电机组配置的台数较多，过多的风能被丢弃掉，造成能源的浪费；风电机组单机成本较高，总的投资成本增加，但由于风电机组接入功率较大，减少了燃料消耗，总的燃料消耗成本减小。在情形二的情况下，不考虑弃风惩罚的影响，风电配置比较充足，铅酸蓄电池的配置容量较小。由此可见，实际微电网电源容量优化配置时，为了减少能源的浪费，需要考虑弃风惩罚的影响。

基于本发明中制定的运行策略，通过前文中介绍的计算方法可计算出微电网的缺电概率。在情形一下，改变系统所允许的最大缺电概率数值，计算系统的配置方案，得到系统投资成本与可靠性之间关系曲线如图6所示。从图6中可以看出，随系统可靠性增加，电网投资成本增加；系统可靠性水平对电网投资成本有较大影响，高可靠性要求会造成较高的投资成本，在进行微电网电源容量优化配置时，需根据实际电网需求，确定合理的可靠性水平。

综上所述，本发明的微电网电源容量优化配置方法，分析了铅酸蓄电池充放电深度和次数对其寿命的影响，考虑了铅酸蓄电池的储能寿命对微电网电源容量优化配置的影响以及弃风惩罚费用、可靠性约束等对微电网电源容量优化配置的影响，建立的模型更加全面，采用线性加权的遗传算法对所建立的微电网电源容量优化配置模型求解得到的微电网电源容量的最优配置方案也更加符合实际微电网的电源配置规划需求，从而能够帮助提高微电网系统电源容量配置的利用率、减少电源配置浪费，降低微电网系统的投资成本和运行成本。同时，本发明微电网电源容量优化配置方法的运算流程较为简单，便于工程人员学习使用，并且通用性较好，可广泛应用于不同应用场合下的微电网电源配置规划，具有很好的市场推广应用价值。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.微电网电源容量优化配置方法，其特征在于，以孤岛微电网为研究对象，以总成本最小和弃风惩罚费用最小为目标建立微电网电源容量优化配置模型，采用线性加权的遗传算法对所建立的微电网电源容量优化配置模型进行求解，确定孤岛微电网电源容量的最优配置方案；该方法具体包括如下步骤：

(1)统计孤岛微电网中风速及负荷的历史数据，根据历史数据对调度周期内各时段的风电机组出力值和负荷进行预测，进而估算出调度周期内孤岛微电网中微燃机的总发电量以及铅酸蓄电池的总出力值；

(2)制定孤岛微电网的运行策略：孤岛微电网运行过程中，当风电机组出力大于负荷，铅酸蓄电池进行充电，如果还有过剩的电量，则舍弃该过剩电量；风电机组出力小于负荷时，铅酸蓄电池优先进行放电，如果铅酸蓄电池和风电机组出力之和能满足负荷需求，则不启动微燃机，反之，则开启微燃机向负荷供电；

(3)确定铅酸蓄电池寿命：当铅酸蓄电池充放电循环深度为R时，故障前最大循环充放电次数N_ESS表示为：

$N_{\mathrm{ESS}}={\mathrm{\α}}_1+{\mathrm{\α}}_2{e}^{{\mathrm{\α}}_{3}R}+{\mathrm{\α}}_4{e}^{{\mathrm{\α}}_{5}R};$

铅酸蓄电池充放电循环一次，其寿命损耗占总寿命百分比为1/N_ESS，铅酸蓄电池在调度周期内的寿命损耗为：

$C_1=\underset{j=1}{\overset{N_T}{\mathrm{\Σ}}}\frac{1}{N_{\mathrm{ESS},j}};$

铅酸蓄电池的寿命所能够维持的调度周期数量为：

Y_B＝1/C₁；

式中，α₁～α₅为铅酸蓄电池的特征参数，这些参数可由厂商提供的寿命测试数据得到；j表示铅酸蓄电池第j次充放电；N_T为调度周期中蓄电池充放电次数；1/N_ESS,j表示第j次充放电铅酸蓄电池寿命损耗占总寿命的比例；Y_B为铅酸蓄电池的寿命所能够维持的调度周期数量；

(4)以投资和运行总成本最小以及弃风惩罚费用最小为目标，基于制定的微电网运行策略，建立孤立储能寿命影响的微电网电源容量优化配置模型；

(5)采用线性加权的遗传算法对所建立的微电网电源容量优化配置模型进行求解，确定孤岛微电网电源容量的最优配置方案，对微电网中的风电机组数目、蓄电池数目和微燃机数目进行配置。

2.根据权利要求1所述的微电网电源容量优化配置方法，其特征在于，所述微电网电源容量优化配置模型具体为：

微电网电源容量优化配置模型的目标函数：

分别以投资和运行总成本最小、弃风惩罚费用最小为目标函数，建立电源容量优化配置模型，其目标函数表达式如下：

$\left\{\begin{array}{c}\min F_1=C_{\mathrm{WT}}+C_{\mathrm{MT}}+C_B+C_R+C_M+C_F+C_E\\ \min F_2=E_{\mathrm{windcut}}\·C_{\mathrm{Windcut}}\end{array}\right.;$

式中，F₁为投资和运行总成本；F₂为弃风惩罚费用；C_WT为风电机组投资成本；C_MT为微燃机投资成本；C_B为铅酸蓄电池投资成本；C_M为微燃机运行维护成本；C_F为微燃机燃料消耗成本；C_E为环保折算成本；C_R为设备置换成本，当设备的寿命小于工程年限时，需对设备进行更换，设各种类型的设备单次置换成本与该设备的投资成本相同；E_windcut为弃风量；C_Windcut为单位弃风惩罚费用；

所述风电机组投资成本C_WT、微燃机投资成本C_MT、铅酸蓄电池投资成本C_B、微燃机运行维护成本C_M、微燃机燃料消耗成本C_F、环保折算成本C_E和设备置换成本C_R分别按如下方式确定：

①设备的投资成本：

按等年值法确定设备的风电机组投资成本C_WT、微燃机投资成本C_MT、铅酸蓄电池投资成本C_B分别为：

$C_{\mathrm{WT}}=N_{\mathrm{WT}}{e}_{\mathrm{WT}}{P}_{\mathrm{WT}}\frac{r{(1+r)}^{Y_{\mathrm{WT}}}}{{(1+r)}^{Y_{\mathrm{WT}}}-1};$

$C_{\mathrm{MT}}=N_{\mathrm{MT}}{e}_{\mathrm{MT}}{P}_{\mathrm{MT}}\frac{r{(1+r)}^{Y_{\mathrm{MT}}}}{{(1+r)}^{Y_{\mathrm{MT}}}-1};$

$C_B=N_B{e}_B{P}_B\frac{r{(1+r)}^{Y_B}}{{(1+r)}^{Y_B}-1};$

式中，N_WT、N_MT、N_B分别为风电机组、微燃机、蓄电池的数量；e_WT、e_MT、e_B分别为风电机组、微燃机、蓄电池的单位投资成本；P_WT、P_MT、P_B分别为风电机组、微燃机、蓄电池的单台装机容量；Y_WT、Y_MT、Y_B分别为风电机组、微燃机、蓄电池的寿命所能够维持的调度周期数量；r为折现率；

②微燃机运行维护成本：

通过下式计算微燃机运行维护成本：

$C_M=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_i{K}_{{\mathrm{OM}}_i};$

式中，N为孤岛微电网中微燃机的总类型数；P_i为第i种类型的微燃机的装机容量；K_OMi为第i种类型的微燃机的运行维护成本比例系数，单位为$/(kW·a)；

③燃料消耗成本：

按下式计算微燃机燃料成本：

$C_F=F_f\underset{t=1}{\overset{T_2}{\mathrm{\Σ}}}\frac{P_t}{{\mathrm{\η}}_t};$

式中，C_F为微燃机燃料消耗成本；F_f为燃料价格；P_t为调度周期中第t个时段的微燃机输出功率；η_t为调度周期中第t个时段微燃机的效率，可通过微燃机典型效率曲线获得；T₂为调度周期内包含的总时段数；

④环保折算成本：

按下式计算环保折算成本：

$C_E=W\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{v}_k(V_{k1}+V_{k2});$

式中，W为调度周期内微燃机的总发电量；M为污染物的种类；v_k1、v_k2分别为第k种污染物的环境价值、所受罚款；

微电网电源容量优化配置模型的约束条件：

①各种微电源数量约束条件：

$\left\{\begin{array}{c}0\≤N_{\mathrm{WT}}\≤N_{\mathrm{WT},\max }\\ 0\≤N_{\mathrm{MT}}\≤N_{\mathrm{MT},\max }\\ N_{B,\min }\≤N_B\≤N_{B,\max }\end{array}\right.;$

式中，N_WT、N_MT、N_B分别为风电机组、微燃机、蓄电池的数量；N_WT,max为风电机组的最大装机数目；N_MT,max为微燃机的最大装机数目；N_B,min、N_B,max分别为蓄电池的最小装机数目、最大装机数目；

风电机组和蓄电池的最大装机数目受占地面积的限制：

$N_{\mathrm{WT},\max }=[\frac{L}{8d}+1]\·[\frac{W}{4d}+1];$

$N_{B,\max }\≤\left[\frac{S}{S_B}\right];$

式中，S、L、W分别为给定的占地面积、长度和宽度；S_B为单台蓄电池的占地面积；

②微燃机出力约束条件：

单台微燃机的出力受其最大、最小出力限制：

P_min≤P≤P_max；

式中，P为微燃机的输出功率大小；P_min、P_max分别为微燃机的最小、最大输出功率；

③铅酸蓄电池充放电约束条件：

铅酸蓄电池的额定功率限制：

0≤P_t ^c≤P_ch，max；

0≤P_t ^d≤P_dch，max；

式中，P_t ^c、P_t ^d分别为t时段铅酸蓄电池的充电、放电功率；P_ch,max、P_dch,max分别为最大充电、放电功率；

铅酸蓄电池的剩余容量限制：

S_ocmin≤S_oc(t)≤S_ocmax；

式中，S_oc(t)为t时段铅酸蓄电池的剩余容量；S_ocmin、S_ocmax分别为铅酸蓄电池的最小、最大剩余容量；

④可靠性约束条件：

LOLP≤LOLP_max；

式中，LOLP为微电网系统的缺电概率；LOLP_max为微电网系统所能允许的最大缺电概率；

若调度周期中第t个时段所有电源的最大出力不能够满足负荷需求，则其缺电量E_cut，t为：

E_cut,t＝(P_load,t-P_Bt-P_wt-P_MT)·△t；

$\mathrm{LOLP}=\underset{t=1}{\overset{T_1}{\mathrm{\Σ}}}{E}_{\mathrm{cut},t}/\underset{t=1}{\overset{T_2}{\mathrm{\Σ}}}(P_{\mathrm{load},t}\·\mathrm{\Δt});$

式中，T₁为缺供电时段数，T₂为调度周期内包含的总时段数，Δt为相邻两时段的时间间隔。

3.根据权利要求2所述的微电网电源容量优化配置方法，其特征在于，采用线性加权的遗传算法对所述微电网电源容量优化配置模型的求解过程具体包如下步骤：

Step1：随机产生一个取值在[0,1]区间内的随机数α，将α作为目标函数F₁的权重系数，则1-α作为目标函数F₂的权重系数，从而将微电网电源容量优化配置模型的两个目标函数经线性加权求和后转化为一个单目标函数F：

F＝αF₁+(1-α)F₂；

Step2：将根据历史数据估算出的调度周期内孤岛微电网中微燃机的总发电量以及铅酸蓄电池的总出力值作为微电网电源容量优化配置模型的输入参数，设置遗传算法计算所需参数，包括种群规模、选择概率、交叉概率、变异概率和最大进化代数；

Step3：产生初始种群：

随机生成三个k位的二进制数分别代表风电机组数目、铅酸蓄电池数目和微燃机数目，并组成一个3×k位的二进制数组，作为初始种群的一个染色体；由此，根据设定的种群规模，生成种群中的各个染色体；

Step4：判断当前种群中每个染色体所代表的三种微电源数目是否超过各自相应类型微电源的数量约束要求；如果超过最大数量的要求，则调整相应类型微电源数目为最大值，如果小于最小数目的要求，则调整相应类型微电源数目为最小值；

Step5：对当前种群中的每个染色体分别进行解码，并计算每个染色体的适应值和系统可靠性指标；

每个染色体x的适应值函数表达式如下式所示：

$\mathrm{fitness}\left(x\right)=\frac{1}{F\left(x\right)+\mathrm{pen}\left(x\right)+A};$

其中，

式中，F(x)为染色体x对应的目标函数F₁和目标函数F₂线性加权求和所得的单目标函数；A为正常数；pen(x)为染色体x对应的惩罚项；δ为正常数；

Step6：按照设定的选择概率从当前种群中选择适应值靠前的染色体，根据设定的交叉概率对选择的染色体进行交叉，并根据设定的变异概率对选择和交叉过后的染色体进行变异操作，得到新的种群；

Step7：判断遗传算法是否达到最大迭代次数，如果是，则执行Step8；如果不是，则转到Step4；

Step8：判断当前的循环次数是否为设定的最大循环次数；如果尚未达到最大循环次数，则转到Step1，随机生成新的权重系数方案，重新进行求解；如果已达到最大循环次数，则结束计算，输出各次权重系数方案中求解得到的种群中适应值最优的染色体；然后，选择其中一个权重系数方案中适应值最优染色体的二进制数组所代表的风电机组数目、蓄电池数目和微燃机数目设定微电网中的风电机组数目、蓄电池数目和微燃机数目，作为孤岛微电网电源容量的最优配置方案。