CN104616071B

CN104616071B - 一种风光储互补发电系统优化配置方法

Info

Publication number: CN104616071B
Application number: CN201510026469.7A
Authority: CN
Inventors: 马刚; 吴薛红; 徐谷超; 蒋林洳; 居荣; 居茜
Original assignee: Nanjing Normal University
Current assignee: Nanjing Normal University
Priority date: 2015-01-19
Filing date: 2015-01-19
Publication date: 2018-07-20
Anticipated expiration: 2035-01-19
Also published as: CN104616071A

Abstract

本发明公开了一种风光储互补发电系统的优化配置方法。首先，确立各发电单元的电源数学模型，包括风力发电机模型、光伏电池板模型及储能蓄电池模型；然后建立该系统的评价体系，包括全年负荷缺电率、能量浪费率、能量波动率及综合成本；最后利用全年负荷缺电率作为约束条件并简单附加各发电单元的数量约束，利用遗传算法和权重系数变化法相结合的方法对系统进行多目标的优化求解，从而获得最佳系统配置。本发明可在满足约束条件的要求下同时对综合成本、能量浪费率及系统能量波动率进行优化，进而获得较为理想的风光储互补系统各电源的优化组合，从而提高能源利用率，减少投资成本，使系统输出电量与负荷需求更加匹配。

Description

一种风光储互补发电系统优化配置方法

技术领域

本发明涉及一种风光储互补发电系统优化配置方法，属于可再生能源领域。

背景技术

能源和环境问题是如今社会面临的主要问题，用清洁新能源代替传统能源将是必然发展趋势。风能和太阳能作为众多新能源中潜力最大、最有开发价值的能源，由于其资源丰富、污染小等优点，使其开发与利用受到人们高度重视。太阳能与风能都存在这随机性、间歇性、能量波动大等特点，单独的风、光发电存在各种弊端而使其发展受到限制。但实际上，风能与太阳能在时间与空间上存在着自然的互补性，充分利用太阳能与风能的互补特性，采用风光互补发电方式，既可提高系统的可靠性又充分利用了多种新能源，减少能源浪费，风光储互补发电将会逐渐成为一种有效的能源利用方式。

然而，系统的优化配置问题是风光储互补发电系统在建设规划阶段首先要解决的主要问题，其对系统的供电可靠性、能源的利用率及建设运行成本的降低方面有着非常重要的意义。由于可再生能源、发电、储能与负荷之间有着复杂的关系，不合理的系统配置将会导致能量的过剩与设备冗余，对用电负荷也会带来极大的波动，因此，风光储互补发电系统的合理配置问题至关重要。

发明内容

为了克服现有技术的缺点，本发明提供了一种风光储互补发电系统的优化配置方法，能够合理有效的对发电系统中各电源数量进行合理的配置。

本发明解决其技术问题所采用的技术方案是：

一种风光储互补发电系统的优化配置方法，其特征在于，包括如下步骤：

1)建立系统中各发电单元的电源数学模型，包括风力发电机模型、光伏电池板模型和储能蓄电池模型；

2)利用电源数学模型，建立系统评价体系；根据具体的天气数据，从而获得各个发电单元每天的发电量以及蓄电池每天所储存的电量情况，并根据所建立的系统评价体系，计算出系统的全年负荷缺电率、能量浪费率、能量波动率以及综合成本的数值；

3)利用权重系数法与罚函数相结合的方式获得适应度函数，并带入遗传算法中进行迭代计算，获得满足要求的系统优化配置方案。

所述步骤1)中，所述风力发电机模型：其中i＝1，2，…，n，n为整数，P_wt为风力发电机输出功率，h为每个时间间隔长度，N_f为风力发电机数量；

所述光伏电池板模型：W_pv(i)＝N_pv×PPH×P_pvN，其中i＝1，2，…，n，n为整数，N_pv为光伏电池板数量，PPH为等效连续工作小时数，P_PVN为光伏电池板额定功率；

所述储能蓄电池模型：E_{bat_r}＝E_bat×D_OD×N_bat，其中E_bat为蓄电池总电量，D_OD为放电深度，N_bat为蓄电池数量。

所述步骤2)中，所述全年负荷缺电率，即LPSP，等于全年365天内负载缺电量与负载正常运行时全年的耗电量的比值，其比值通常介于0～1之间，

其中，B_LPSP(i)为缺电标志，E(i)为第i个时间段供电不平衡量，Q_l(i)为i时间段的负载耗电量；

所述能量浪费率，即LEP，为系统在全年运行过程中未被使用或储存的电能除以系统负荷总共需求的能量，

其中，B_LEP(i)为能量浪费标志，E₁(i)为第i个时间段电量盈余，E_{bat_r}为蓄电池实际可使用容量；

所述能量波动率，即K_l，风电与光伏输出能量与蓄电池电量变化之和相对于负载耗电量的波动率，

其中，Q_L.ave为负载的平均耗电量，ΔBat(i)＝E_bat(i)-E_bat(i+1)，为蓄电池储能变化量；

所述综合成本，以初始投资、系统运维费用以及元件置换费用三者之和作为综合成本，

C_a＝C_ini+C_OM+C_R＝[N_f·C_f+N_pv·C_pv+N_bat·C_bat]+[C_{OM_f}·t_f+C_{OM_pv}·t_pv

+C_{OM_bat}·t_bat]+[C_f,R+C_pv.R+C_ba.tR]

其中，C_f、C_pv、C_bat分别为风力发电机、光伏电池板及蓄电池的单价，N_f、N_pv、N_bat分别为风力发电机、光伏电池板及蓄电池的数量，C_{OM_f}、C_{OM_pv}、C_{OM_bat}分别为单位时间内风力发电、光伏发电及蓄电池充放电的运行维护成本，单位为：元/年；t_f、t_pv、t_bat分别为风力发电部分、光伏发电部分及蓄电池部分的工作时长，年；C_f,R、C_pv,R、C_bat,R分别为风力发电机、光伏电池板及蓄电池的置换成本，若其使用寿命大于工程预运行时间则为0元。

所述步骤3)中，(a)利用权重系数变化法以及罚函数设计合适的适应度函数min f＝σ+C_B，其中σ为罚函数，C_B为权重系数变换法在多目标优化遗传算法中的体现；

(b)确立二进制编码法为遗传算法的编码方法，把一个问题的可行解从其解空间转换到遗传算法所能处理的搜索空间中；

(c)确定遗传算法过程中的遗传操作：选择操作、交叉操作和变异操作；

(d)将上述内容带入遗传算法中进行优化计算，满足迭代结束条件后输出最终优化配置结果及相关评价系数。

所述步骤(c)中，选择操作的具体步骤为：将已有的优良个体复制后填入新的群体中并删除劣质个体，采用随机遍历选择法，设n_p为需要选择的个体数目，等距离进行个体选择，选择指针的距离为1/n_p，第一个指针的位置由[0,1/n_p]间均匀随机数决定；交叉操作的具体步骤为：将选出的两个个体进行基因交换，从而产生新的个体并加入行的种群中，采用单点交叉算子进行交叉操作；变异操作的具体步骤为：随机改变某个个体基因的一个字符后，加入到新种群中，防止算法过早进入局部搜索，采用离散变异算子实现变异操作。

本发明的优点在于：可提高能源利用率，减少投资成本且使系统输出电量与负荷需求更加匹配；此外，可在满足约束条件的要求下同时对综合成本、能量浪费率及系统能量波动率进行优化，进而获得较为理想的风光储互补系统各电源的优化组合。

附图说明

图1为本发明系统的结构图。

图2为本发明方法的基本流程图。

图3为本发明中遗传算法的具体迭代流程图。

具体实施方式

下面结合附图对本发明进一步说明。

一种风光储互补发电系统主要包括风力发电机、光伏电池板阵、AC/DC变换器、DC/DC变换器、直流母线(控制器)、蓄电池、DC/AC逆变器、交流直流负载和卸荷电路，系统结构图详见图1，其中：

(1)利用风力机将风能转换为机械能，通过风力发电机将机械能转换为电能，利用AC/DC变换器将交流电转换成直流电，将电能送到直流母线；

(2)光伏电池板阵利用太阳能电池板的光伏效应将光能转换为电能，通过DC/DC变换器将电能送到直流母线；

(3)直流母线(控制器)根据日照强度、风力大小及负载的变化，不断对蓄电池的工作状态进行切换和调节：一方面把调整后的电能直接送往直流或交流负载；另一方面把多余的电能送往蓄电池组存储或者送到卸荷电路。发电量不能满足负载需要时，控制器把蓄电池的电能送往负载，保证了整个系统工作的连续性和稳定性；

(4)此外，DC/AC逆变器把直流母线中的直流电变成标准的220v交流电，保证交流电负载设备的正常使用；同时还具有自动稳压功能，可改善风光互补发电系统的供电质量；

(5)此外，蓄电池在系统中同时起到能量调节和平衡负载两大作用。它能将风力发电机和光伏电池板阵输出的电能转化为化学能储存起来，以备供电不足时使用。

风光储互补发电系统根据风力和太阳辐射变化情况，可以在以下模式下运行：风力发电机组单独向负载供电；光伏电池板阵单独向负载供电；风力发电机组和光伏发电系统联合向负载供电。

一种风光储互补发电系统优化配置方法的基本流程(如图2所示)，其过程为：

1、构建风光储互补发电系统中各发电单元的电源数学模型，其中：

1)太阳辐射能量的计算采用尖峰小时数PSH(Peak-Sun-Hour)的计算方法，将每天光伏电池所吸收的太阳能辐射量采用等效的办法转化为kW/m²的日光伏电池的发电小时数，其计算表达式为：

式中，Q为月平均太阳能辐射量，MJ/m²；η为光伏电池板的发电效率，％；D_r为当月晴天发电天数，天；ρ为能量转化系数，其值为3.6MJ/(kW·h)。

假设光伏电池板输出功率不变，始终为额定功率，那么其连续工作PPH小时所输出的电能与其一天实际输出电能相等。PPH表达式如下：

式中，S为光伏电池板面积，单位：m²；P_PVN为光伏电池板额定功率，单位：W。

那么，光伏电池板每天的发电量为：

W_pv(i)＝N_pv×PPH×P_pvN (3)

式中，N_pv为光伏电池板的数量，块；W_pv(i)为第i天光伏电池组的发电量，kWh。

2)风力发电机的输出随风速的变化而变化，风速的大小具有很大随机性，通常认为风速服从双参数的Weibull分布，其概率密度函数如下式：

式中，v为风速，m/s；k和c为Weibull分布的两个参数，k为形状参数，本发明取2，c称为尺度参数，这里取c＝V_ave/0.9，V_ave为平均风速，单位：m/s。

同时，由于风力发电机的高度远比气象局测量风速的位置要高，这里必须考虑到高度对风速的影响，其计算公式如下：

式中，v、v₀分别为H、H₀高度处的风速，m/s；H、H₀为高度单位，m；通常气象局测量风速的高度为9m；修正系数α与地面的粗糙度以及大气的稳定程度等方面有关，取0.125-0.5。

风力发电机厂家通常会提供风力发电机的功率输出与风速之间的关系特性曲线，由此可以近似获得输出功率与风速之间的关系模型，如下式所示：

式中，V_in为切入风速，单位：m/s；V_out为切除风速，单位：m/s；V_r为风力发电机额定风速，单位：m/s；P_wtr为风力发电机额定输出功率，单位：kW。

由式(6)就可以计算出风力发电机组第i天的发电量为：

式中，h为每个时间间隔的长度，单位：h；N_f为风力发电机的个数，单位：台。

3)对于每块容量为C_bat(Ah)、额定电压为U_N(V)、级联数为N_bat的蓄电池，其理论上总的储存电量为：

E_bat＝0.001·N_bat·C_bat·U_N (8)

式中，E_bat为蓄电池总电量，单位：kW·h。

但由于放电深度D_OD与蓄电池的使用寿命有直接的影响，故蓄电池的放电深度通常取65％-75％。因此，蓄电池实际可使用的容量为：

E_{bat_r}＝E_bat×D_OD (9)

式中，E_{bat_r}为蓄电池实际可使用容量，单位：kW·h。

考虑到蓄电池充电效率为γ(假设放电效率为100％)时，充满蓄电池组所需电能为:

E_{bat_c}＝E_{bat_r}/γ (10)

若系统的发电量大于用电量时，多余的电量会被储存在蓄电池中，这时候蓄电池处于充电状态，其电量状态为：

式中，E’_bat(i)为i时间段的蓄电池蓄电量的理论累加值，kW·h；E_bat(i)为i时间段末蓄电池的实际蓄电量，单位：kW·h；Q_l(i)为i时间段的负载耗电量，单位：kW·h。

若系统发电量小于用电量时，蓄电池将在放电状态下运行来给负荷供电，此时蓄电池的蓄电容量状态为：

式中，η_out为蓄电池的放电效率。

2、根据第1步中建立的电源数学模型，构建系统性能的评价体系，其中：

1)全年负荷缺电率(LPSP)等于全年365天内负载缺电量与负载正常运行时全年的耗电量的比值，其比值通常介于0-1之间，数值越小代表系统供电可靠性越高。

第i个时间段供电不平衡量计算公式为：

E(i)＝E_bat(i)+W_f(i)+W_pv(i)-Q_l(i) (13)

当E(i)<0时，说明第i个时间段系统处于缺电状态，记B_LPSP(i)为缺电标志，则：

由此，可以得到全年负荷缺电率(LPSP)的计算公式如下式：

2)能量浪费率(LEP)为系统在全年运行过程中未被使用或储存的电能除以系统负荷总共需求的能量。

第i个时间段电量盈余的计算公式为：

E₁(i)＝E_bat(i)+[W_f(i)+W_pv(i)-Q_l(i)]×γ (16)

当E₁(i)>E_{bat_r}，表明此时的蓄电池已经充满，记B_LEP(i)为能量浪费标志：

由此，可得能量浪费率的计算公式如下式：

3)风电与光伏输出能量与蓄电池电量变化之和相对于负载耗电量的波动率，以此来表征系统的能量波动率(K_l)，其公式如下：

式中，Q_L.ave为负载的平均耗电量，kW·h；ΔBat(i)＝E_bat(i)-E_bat(i+1)，为蓄电池储能变化量。当ΔBat(i)>0时，说明蓄电池作为电源发出电能给负载；当ΔBat(i)<0时，说明蓄电池作为负载吸收电能。K_l越小，说明系统能量波动越小，也就表明系统与负载的匹配度越高，利用风光互补的能力也越好。

4)综合成本，考虑建设投资的多方面因素，以初始投资、系统运维费用以及元件置换费用三者之和作为综合成本。其定义如下：

+C_{OM_bat}·t_bat]+[C_f,R+C_pv.R+C_ba.tR] (20)

式中，C_f、C_pv、C_bat分别为风力发电机、光伏电池板及蓄电池的单价，元；N_f、N_pv、N_bat分别为风力发电机、光伏电池板及蓄电池的数量，个；C_{OM_f}、C_{OM_pv}、C_{OM_bat}分别为单位时间内风力发电、光伏发电及蓄电池充放电的运行维护成本，元/年；t_f、t_pv、t_bat分别为风力发电部分、光伏发电部分及蓄电池部分的工作时长，年；C_f,R、C_pv,R、C_bat,R分别为风力发电机、光伏电池板及蓄电池的置换成本，若其使用寿命大于工程预运行时间则为0元。

3、根据第1、2步中的电源数学模型和评价体系，利用遗传算法进行优化求解(如图3所示)，具体流程如下：

1)对可行解进行编码，即把一个问题的可行解从其解空间转换到遗传算法所能处理的搜索空间中。本文所用编码方法为二进制编码方法，是GA算法中最主要的编码方法，所用的编码符号集由有二进制符号0和1组成。

2)设计合适的适应度函数。为了同时优化综合成本以及能源浪费率和能量波动率，并考虑约束条件对全年负荷缺电率(LPSP)的限制，这里引入罚函数和权重系数变换法，得到所需适应度函数为：

min f＝σ+C_B (21)

式中，σ为罚函数，用于实现对约束条件的处理，其表达式为：

即，当LPSP>0.1时，使得适应度函数f中加上一个很大的值C_big，C_big值远大于系统成本值，使得该解的适应度(Fitness)很低，该个体能被遗传到下一代的概率极小，从而满足了约束条件对LPSP<0.1的约束。C_B为权重系数变换法在多目标优化遗传算法中的体现。对于一个多目标优化问题，若给其每个子目标函数f_i(x_i)(i＝1，2，3，···，n)赋予权重ω_i(i＝1，2，3，···，n)，其中ω_i为相应的f_i(x_i)在多目标优化问题中的重要程度，则各个子目标函数f_i(x_i)的线性加权和可以表示为：

若将u作为多目标优化问题的评价函数，则多目标优化问题可以转化为单目标优化问题，即可以利用单目标优化的遗传算法求解多目标优化问题。

对于本发明的优化配置问题，这里的线性加权和为：

C_B＝ω₁·C_a+ω₂·LEP+ω₃·K_l (24)

式中，ω₁、ω₂、ω₃为综合成本、能源浪费率及系统能量波动率的加权系数。3)确定相应的遗传操作：a.选择操作，将已有的优良个体复制后填入新的群体中并删除劣质个体。本发明采用随机遍历选择法，其本质与传统的轮盘赌算法一样计算选择概率，只是在随机遍历选择法中等距离的选择个体。设n_p为需要选择的个体数目，等距离进行个体选择，选择指针的距离为1/n_p，第一个指针的位置由[0,1/n_p]间均匀随机数决定；b.交叉操作，将选出的两个个体进行基因交换，从而产生新的个体并加入行的种群中。为了简化计算，本发明采用传统的单点交叉算子进行交叉操作；c.变异操作，随机改变某个个体基因的一个字符后，加入到新种群中，防止算法过早进入局部搜索。本发明采用离散变异算子实现变异操作。

4)将生成的新种群解码后计算得到与其对应的适应度函数值，并判断是否满足结束条件，若满足，则输出最终的最优组合结果及相应评价系数，若不满足，则重新迭代进化。

Claims

1.一种风光储互补发电系统的优化配置方法，其特征在于，包括如下步骤：

所述风力发电机模型为：其中i为天数且i＝1，2，…，n，n为整数；h为每个时间间隔长度；N_f为风力发电机数量；P_wt为风力发电机输出功率，其与风速V的关系模型为：

式中，V_in为切入风速，V_out为切除风速，V_r为风力发电机额定风速，P_wtr为风力发电机额定输出功率；

所述风速V首先通过概率密度函数进行模拟：

然后通过下面的公式进行校正：

式中，k和c为Weibull分布的两个参数，k为形状参数，c为尺度参数；V、V₀分别为风机在H、H₀高度处的风速；

3)利用权重系数法与罚函数相结合的方式获得适应度函数，并带入遗传算法中进行迭代计算，获得满足要求的系统优化配置方案；

所述适应度函数min f＝σ+C_B，其中罚函数为：

式中，LPSP为全年负荷缺电率；

C_B为权重系数变换法在多目标优化遗传算法中的体现：

C_B＝ω₁·C_a+ω₂·LEP+ω₃·K_l

式中，ω₁、ω₂、ω₃为综合成本、能源浪费率及系统能量波动率的加权系数；LEP为能量浪费率，K_l为能量波动率；C_a为综合成本，包括初始投资、系统运维费用以及元件置换费用：

C_a＝C_ini+C_OM+C_R＝[N_f·C_f+N_pv·C_pv+N_bat·C_bat]+[C_{OM_f}·t_f+C_{OM_pv}·t_pv+C_{OM_bat}·t_bat]+[C_f,R+C_pv.R+C_ba.tR]

其中，C_f、C_pv、C_bat分别为风力发电机、光伏电池板及蓄电池的单价，N_f、N_pv、N_bat分别为风力发电机、光伏电池板及蓄电池的数量，C_{OM_f}、C_{OM_pv}、C_{OM_bat}分别为单位时间内风力发电、光伏发电及蓄电池充放电的运行维护成本；t_f、t_pv、t_bat分别为风力发电部分、光伏发电部分及蓄电池部分的工作时长；C_f,R、C_pv,R、C_bat,R分别为风力发电机、光伏电池板及蓄电池的置换成本。

2.根据权利要求1所述的一种风光储互补发电系统的优化配置方法，其特征在于，所述步骤1)中，

3.根据权利要求1所述的一种风光储互补发电系统优化配置方法，其特征在于，所述步骤2)中，

所述全年负荷缺电率，即LPSP，等于全年365天内负载缺电量与负载正常运行时全年的耗电量的比值，其比值通常介于0～1之间，

其中，Q_L.ave为负载的平均耗电量，ΔBat(i)＝E_bat(i)-E_bat(i+1)，为蓄电池储能变化量。

4.根据权利要求1、2或3所述的一种风光储互补发电系统的优化配置方法，其特征在于，所述步骤3)中，

(a)利用权重系数变化法以及罚函数设计合适的适应度函数min f＝σ+C_B，用于实现多目标的优化；

(c)确定遗传算法过程中的遗传操作：选择操作、交叉操作和变异操作，并设定相关概率参数；

(d)将适应度函数值带入遗传算法中进行优化计算，满足迭代结束条件后输出最终优化配置结果及相关评价系数。

5.根据权利要求4所述的一种风光储互补发电系统的优化配置方法，其特征在于，所述步骤(c)中，选择操作的具体步骤为：将已有的优良个体复制后填入新的群体中并删除劣质个体，采用随机遍历选择法，设n_p为需要选择的个体数目，等距离进行个体选择，选择指针的距离为1/n_p，第一个指针的位置由[0,1/n_p]间均匀随机数决定；交叉操作的具体步骤为：将选出的两个个体进行基因交换，从而产生新的个体并加入行的种群中，采用单点交叉算子进行交叉操作；变异操作的具体步骤为：随机改变某个个体基因的一个字符后，加入到新种群中，防止算法过早进入局部搜索，采用离散变异算子实现变异操作。