CN105488584A - 一种孤岛混合可再生能源系统的多目标组合优化配置方法 - Google Patents

Abstract

本发明公开了一种孤岛混合可再生能源系统的多目标组合优化配置方法，解决的技术问题是如何合理配置风力机、光伏板、柴油机以及储能设备以使得整个孤岛混合可再生能源系统满足区域用能需求，且经济成本最低、环境危害最小。采用的技术方案是建立HRES的组合优化配置模型，利用智能多目标优化算法求解，得到一组分布均匀的Pareto最优解集，从这组最优解集中，选择一个作为最终配置方案来进行配置。取得的有益效果一是针对HRES中设备的组合配置构建了带约束的多目标组合优化模型，更符合实际情况、方案可行性更强；二是采用多目标智能优化算法求解，能够同时找到一组Pareto最优解集，满足不同情况要求下的HRES方案配置。

Description

一种孤岛混合可再生能源系统的多目标组合优化配置方法

技术领域

本发明涉及一种孤岛混合可再生能源系统的多目标组合优化配置方法，具体而言是考虑能源系统中的各单元的类型和数量的配置,最优化系统的各个目标，属于计算机领域。

背景技术

能源问题始终伴随着人类文明发展的整个进程，特别是进入21世纪后，工业经济的急速发展对能源需求提出了更高的要求。然而煤、石油之类的化石能源日益枯竭，并且使用化石燃料带来的环境问题日益凸显，能源安全和环境污染已经成为当前世界各国面临的巨大挑战。为了应对能源和环境的双重危机，大力发展和利用可再生能源，如太阳能、风能等，成为当务之急。

混合可再生能源系统(HybridRenewableEnergySystems,HRES)顾名思义，是一种混合使用化石能源和可再生能源的系统。具体而言是包括风力发电、光伏发电、柴油发电以及储能装置的能源系统。孤岛混合可再生能源系统指HRES没有接入系统电网。孤岛混合可再生能源系统通常用于海岛之类的偏远地区。用户相对较少，用电量需求较低，引入大电网比较困难且经济成本较高。

孤岛混合可再生能源系统规划需要解决的问题是：如何合理配置风力机、光伏板、柴油机以及储能设备以使得整个能源系统满足区域用能需求，同时经济成本最低、对环境危害最小。

目前关于孤岛混合可再生能源系统的组合优化配置研究主要集中于单目标的优化模型，如在满足供需平衡下，最小化HRES全寿命周期成本或最小化HRES的温室气体排放量等。然而，从实际角度出发，HRES的组合优化配置需要同时考虑全寿命周期成本、温室气体排放量等评估指标，是一个多目标优化问题。同时，HRES的组合优化配置中涉及到风光柴储设备的选择，柴油使用量等变量的规划，是一个多类型变量的(连续、离散变量)优化问题。此外，HRES组合优化配置还需满足供需平衡约束。综上所述，HRES的组合优化配置是一个多变量、多目标、带约束的复杂优化问题，目前关于HRES优化配置的相关研究(包括模型及求解算法)远不能满足实际需求。

所述的多目标优化问题是指：同时对多个目标进行优化，由于各个目标之间通常是耦合在一起且互相制约、互相竞争，即某个目标的改善可能引起其他目标性能的降低，很难找到一个真正意义上的最优解使得各个目标同时达到最优，因此多目标优化问题的最优解通常不是单一的，而是一组多个互有利弊的非支配解，是一个非劣解的集合，即帕累托(Pareto)最优解集。求解多目标优化问题的核心是找到一组分布均匀的Pareto最优解。

所述的智能多目标优化算法是指：传统的处理多目标优化问题的方法，如加权法、约束法、目标规划法等，通过构建一个评价函数，将多目标问题转化为单目标优化问题，然后利用一般的求解方法计算得到问题的一个解。智能多目标优化算法是通过模拟某些自然过程发展而来的基于种群的优化算法，其思想和内容涉及数学、生物学和计算机学科等。该类算法不依赖于梯度信息，一次运行能够找到一组Pareto最优解，具有全局、并行、高效、鲁棒和通用性强等特点。是求解复杂非线性多目标优化问题的有效方法。

发明内容

本发明要解决的技术问题是如何合理配置风力机、光伏板、柴油机以及储能设备以使得整个孤岛混合可再生能源系统满足区域用能需求，且经济成本最低、环境危害最小。

为解决该问题，本发明所采取的技术方案是：建立HRES的组合优化配置模型，利用智能多目标优化算法求解，得到一组分布均匀的Pareto最优解，从这组Pareto最优解中，选择一个作为最终配置方案来对HRES进行配置。

步骤1：以HRES全寿命周期成本最低，HRES对环境危害最小为目标，以满足区域能源需求为约束条件，建立HRES的多目标组合优化配置模型:

$min\{F_{\cos t}\left(x\right),F_{{\mathrm{co}}_2}\left(x\right)\}$

(1)

s.t.F_supply(x)≥F_demand

式(1)表示以最小化HRES的全寿命周期成本和系统的CO₂排放量为目标，以系统供能满足用户用电需求为约束条件，构造出带约束的两目标优化模型；

其中F_cost(x)表示HRES配置方案为x下的全寿命周期(T年)成本,包括孤岛风光柴储能源系统中各类设备的初始安装费用和使用过程中的维护费用；

表示HRES配置方案为x下系统的CO₂排放量,包括HRES中风光柴储设备在生产制造过程的CO₂排放量和柴油机使用过程中的CO₂排放量，其中风力机、光伏板以及储能设备在使用过程中的CO₂排放量不予考虑；

F_supply(x)表示HRES配置方案为x下的供电量；

F_demand表示某一地区的用电需求量；

所述配置方案x是指HRES系统中光伏组件、风力机、储能设备、柴油机四类组件的配置数量以及柴油使用量，配置方案x表示如下：

$\begin{array}{c}x=(x_1,x_2,\mathrm{...},x_i\mathrm{...},x_{N_{pv}},x_{N_{pv}+1},x_{N_{pv}+2},\mathrm{...},x_{N_{pv}+j},\mathrm{...},x_{N_{pv}+N_{wt}+1},x_{N_{pv}+N_{wt}+2},\mathrm{...},\\ x_{N_{pv}+N_{wt}+k},\mathrm{...},x_{N_{pv}+N_{wt}+N_{ba}},x_{N_{pv}+N_{wt}+N_{ba}+1},x_{N_{pv}+N_{wt}+N_{ba}+2},\mathrm{...},x_{N_{pv}+N_{wt}+N_{ba}+l},\mathrm{...},x_{N_{pv}+N_{wt}+N_{ba}+N_{fg}},\\ x_{N_{pv}+N_{wt}+N_{ba}+N_{fg}+1},,\mathrm{...},x_{N_{pv}+N_{wt}+N_{ba}+N_{fg}+l}\mathrm{...},x_{N_{pv}+N_{wt}+N_{ba}+2N_{fg}})\end{array}$

x_i表示HRES中第i类型的光伏板个数，i∈{1,2,...,N_pv}；表示HRES中第j类型的风力机个数，j∈{1,2,...,N_wt}；表示HRES中第k类型的储能设备个数，k∈{1,2,...,N_ba}；表示HRES中第l类型的柴油机个数，l∈{1,2,...,N_fg}；表示HRES中第l类型的柴油机的柴油使用量，单位为升，取值范围为[0，C]，C表示柴油使用量的上限值，对于柴油发电机，若未使用某一类型的柴油机，那么其对应的柴油使用量设定为0；配置方案x的前N_pv+N_wt+N_ba+N_fg个变量取值范围为(0，N_L]，N_L表示设备个数的上限值；N_pv表示光伏板的类型数，N_wt表示风力机的类型数，N_ba表示备选储能设备的类型数，N_fg表示柴油机的类型数；

F_cost(x)表示为：

$\begin{array}{c}{F}_{\cos t}\left(x\right)=F_{\cos tPV}\left(x\right)+F_{\cos tWT}\left(x\right)+F_{\cos tBA}\left(x\right)+F_{\cos tFG}\left(x\right)\\ ={\Σ}_{i=1}^{N_{pv}}(C{1}_{PVi}+C{2}_{PVi}*T)*x_i+{\Σ}_{j=1}^{N_{wt}}(C{1}_{WTj}+C{2}_{WTj}*T)*x_{N_{pv}+j}\\ +{\Σ}_{k=1}^{N_{ba}}(C{1}_{BAk}+C{2}_{BAk}*T)*x_{N_{pv}+N_{wt}+k}\\ +{\Σ}_{l=1}^{N_{fg}}(C{1}_{FGl}+C{2}_{FGl}*T+C_{FG}*x_{N_{pv}+N_{wt}+N_{fg}+l})*x_{N_{pv}+N_{wt}+N_{ba}+l}\end{array}$

F_costPV(x)表示HRES配置方案为x下的光伏板全寿命周期费用，F_costWT(x)表示HRES配置方案为x下的风力机全寿命周期费用，F_costBA(x)表示HRES配置方案为x下的备选储能设备全寿命周期费用， $F_{\cos tBA}\left(x\right)={\Σ}_{k=1}^{N_{ba}}(C{1}_{BAk}+C{2}_{BAk}*T)*x_{N_{pv}+N_{wt}+k};$ F_costFG(x)表示HRES配置方案为x下的柴油机全寿命周期费用， $F_{\cos tFG}\left(x\right)={\Σ}_{l=1}^{N_{fg}}(C{1}_{FGl}+C{2}_{FGl}*T+C_{FG}*x_{N_{pv}+N_{wt}+N_{ba}+N_{fg}+l})*x_{N_{pv}+N_{wt}+N_{ba}+l};$ C1_PVi表示第i类型光伏板的初装费用，C2_PVi表示第i类型光伏板的维护费用；C1_WTj表示第j类型风力机的初装费用，C2_WTj表示第j类型风力机的维护费用；C1_BAk表示第k类型备选储能设备的初装费用，C2_BAk表示第k类型备选储能设备的维护费用；C1_FGl表示第l类型柴油机的初装费用，C2_FGl表示第l类型柴油机的维护费用；C_FG表示柴油价格；

表示为

$\begin{array}{c}{F}_{{\mathrm{co}}_2}\left(x\right)=F_{{\mathrm{co}}_{2}PV}\left(x\right)+F_{{\mathrm{co}}_{2}WT}\left(x\right)+F_{{\mathrm{co}}_{2}BA}\left(x\right)+F_{{\mathrm{co}}_{2}FG}\left(x\right)\\ ={\Σ}_{i=1}^{N_{pv}}{P}_{PVi}*O_{PVi}*x_i+{\Σ}_{j=1}^{N_{wt}}{O}_{WTj}*x_{N_{pv}+j}+{\Σ}_{k=1}^{N_{ba}}{O}_{BAk}*x_{N_{pv}+N_{wt}+k}\\ +{\Σ}_{l=1}^{N_{fg}}(O_{FGl}*x_{N_{pv}+N_{wt}+N_{ba}+N_{fg}+l}+B_{FGl}*x_{N_{pv}+N_{wt}+N_{ba}+N_{fg}+l})\end{array}$

表示HRES配置方案为x下的光伏板全寿命周期碳排放量，表示HRES配置方案为x下的风力机全寿命周期碳排放量，表示HRES配置方案为x下的备选储能设备全寿命周期碳排放量，表示HRES配置方案x下的柴油设备全寿命周期碳排放量， $F_{{\mathrm{co}}_{2}FG}\left(x\right)={\Σ}_{l=1}^{N_{fg}}(O_{FGl}*x_{N_{pv}+N_{wt}+N_{ba}+N_{fg}+l}+B_{FGl}*x_{N_{pv}+N_{wt}+N_{ba}+N_{fg}+l});$ P_PVi表示第i类型光伏板的额定功率；O_PVi表示制造单位面积的第i类型光伏板产生的碳排放量；O_WTj表示制造第j类型风力机产生的碳排放量；O_BAk表示制造第k类型备选储能设备产生的碳排放量；O_FGl表示第l类型柴油发电设备产生的碳排放量；B_FGl表示燃烧每升柴油的碳排放量；

F_supply(x)表示为：

$\begin{array}{c}{F}_{\sup ply}\left(x\right)=F_{\sup plyPV}\left(x\right)+F_{\sup plyWT}\left(x\right)+F_{\sup plyBA}\left(x\right)+F_{\sup plyFG}\left(x\right)\\ ={\Σ}_{i=1}^{N_{pv}}{P}_{PVi}*L*x_i+{\Σ}_{j=1}^{N_{wt}}{P}_{WTj}*V*x_{N_{pv}+j}+{\Σ}_{k=1}^{N_{ba}}{P}_{BAk}*x_{N_{pv}+N_{wt}+k}\\ +{\Σ}_{l=1}^{N_{fg}}{P}_{FGl}*x_{N_{pv}+N_{wt}+N_{ba}+N_{fg}+l}*x_{N_{pv}+N_{wt}+N_{ba}+l}\end{array}$

F_supplyPV(x)表示HRES配置方案为x下的光伏板发电量，L为HRES建设地区年平均光照强度，单位为勒克斯，相关数据可以通过查询当地历史天气数据分析得到；F_supplyWT(x)表示HRES配置方案为x下的风力机发电量，V为年平均风速，单位为米/秒，相关数据可以通过查询当地历史天气数据分析得到；F_supplyBA(x)表示HRES配置方案为x下的备选储能设备供电量，F_supplyFG(x)表示HRES配置方案为x下的柴油设备发电量， $F_{\sup plyFG}\left(x\right)={\Σ}_{l=1}^{N_{fg}}{P}_{FGl}*x_{N_{pv}+N_{wt}+N_{ba}+N_{fg}+l}*x_{N_{pv}+N_{wt}+N_{ba}+l};$

P_PVi表示第i类型光伏板的额定功率；P_WTj表示第j类型风力机的额定功率，P_BAk表示第k类型备选储能设备的额定功率，P_FGl表示第l类型柴油机的额定功率；

F_demand表示为：

F_demand＝Q，其中Q为某地区年平均用电量为Q(瓦)；

步骤2：利用智能多目标优化算法NSGA-II求解HRES组合优化模型，具体过程如下：

步骤2.1：设置算法参数：包括种群规模和终止条件，种群规模为N，取值范围100至500，终止条件采用最大运行代数maxgen，取值范围50至500；

步骤2.2：初始化种群：随机生成种群规模N＝100父代种群S；种群中每个个体x包含n个编码值,其中n＝N_pv+N_wt+N_ba+2*N_fg，令当前运行代数gen＝1；

步骤2.3：基于当前种群S，通过交叉变异操作产生子代种群Sc，种群规模也为N。所述交叉变异操作实施方法如下:

步骤2.3.1：交叉操作；

步骤2.3.1.1:令q＝1，并初始化集合Sc'为空集；

步骤2.3.1.2:选取个体x_2q-1和x_2q，x_2q-1∈S，x_2q∈S,，首先随机生成一个位于区间[1,n]之间的整数，作为交叉位置，记为i'，然后用x_2q-1的前半段第1到第i'个编码和x_2q的后半段即第i'+1到最后一个编码组成子个体x'_2q-1，x_2q-1的后半段即第i'+1到最后一个编码和x_2q的前半段即第1到第i'个编码组成子个体x'_2q；将产生的个体x'_2q-1和x'_2q存入集合Sc'，即Sc'＝Sc'∪x'_2q-1∪x'_2q；

步骤2.3.1.3:令q＝q+1；若q>N/2，转向步骤2.3.2，否则转向步骤2.3.1.2；

步骤2.3.2：变异操作，设置变异操作的概率为σ，σ∈(0,1)；

步骤2.3.2.1：令q＝1，初始化Sc为空集；

步骤2.3.2.2：针对个体x_q∈Sc'，随机生成一个位于(0，1)区间的实数，记为rand。若rand<σ，则随机选取一个变异位置v，v∈[1,n]，若v∈[1,n-N_fg]，则随机选取[1，N_L]区间的一个正整数代替个体x_q的第v个变量值，得到变异个体x'_q,并存入集合Sc，即Sc＝Sc∪x'_q；若v∈[n-N_fg+1,n]，则随机选取位于(0，C]区间的实数代替个体x_q的第v个变量值，得到变异个体x'_q,并存入集合Sc，即Sc＝Sc∪x'_q；若rand≥σ，将x_q存入集合Sc，即Sc＝Sc∪x_q；

步骤2.3.2.3：令q＝q+1；若q>N，转向步骤2.4，否则转向步骤2.3.2.2；

步骤2.4：将父代种群S与子代种群Sc合并，得到规模为2N的合种群S_all＝S∪Sc，对合种群S_all中的个体进行非劣分层，然后计算每一个非劣层的个体局部拥挤距离，最后依据个体所处的非劣层及拥挤距离，对所有个体进行排序；

步骤2.4.1：对种群S_all中的个体进行非劣分层。下面介绍非劣分层的方法；

步骤2.4.1.1：令h＝1；

步骤2.4.1.2：找出种群S_all中不被任何个体Pareto约束支配的个体，并保存在集合A_h中，即集合A_h中的个体均属于第h非劣层；所述个体xPareto约束支配个体y，是指当下列其中一个条件满足时：(i)个体x和y均满足约束条件且(ii)个体x满足约束条件，而y不满足约束条件；(iii)个体x和y均不满足约束条件，个体x违反约束条件的程度小于个体y违反约束条件的程度，则称个体xPareto约束支配个体y；所述的关系式表示个体xPareto支配个体y，是在所有目标函数值上，个体x的目标函数值都不大于个体y的目标函数值即f_m(x)≤f_m(y)，并且至少存在一个目标函数上个体x的目标函数值小于个体y的目标函数值，即f_m'(x)<f_m'(y)，所述f_m，m＝1,2为步骤1的公式(1)中的两个目标函数，f₁表示目标函数F_cost(x)的值，f₂表示目标函数的值；

步骤2.4.1.3：从S_all中除去所有在集合A_h中的个体，判断当前S_all是否为空集，若是，则分层完毕，转入步骤2.4.2；否则转入步骤2.4.1.2,令h＝h+1；

步骤2.4.2：计算种群中个体的拥挤距离，拥挤距离越小，个体周围越稠密；拥挤距离具体计算方法如下：

步骤2.4.2.1：计算种群S_all内每个个体的目标函数值，并对其进行排序；所述目标函数值指在步骤1的公式(1)中的目标函数F_cost(x)和的值；

步骤2.4.2.2：计算拥挤距离；首先定义在种群中目标函数f₁或f₂最小的个体为边界个体，边界个体的拥挤距离dist定义为无穷大；其次计算除边界外的个体x_q拥挤距离dist(q)为

$dist\left(q\right)=\underset{m=1}{\overset{2}{\&Sigma;}}\frac{f_m^{q-1}-f_m^{q+1}}{f_m^{\max }-f_m^{\min }}$

其中和分别表示当前种群中目标函数f_m的最大和最小值；和表示个体x_q-1和个体x_q+1的目标函数f_m值，f_m＝1表示目标函数F_cost(x)的值，f_m＝2表示目标函数的值；

步骤2.4.3：基于个体所处的非劣层及拥挤距离，对所有个体进行排序，排序准则为：处于第h非劣层的个体排序在第h'非劣层的个体之前，其中h'>h；若两个个体处于同一非劣层，那么拥挤距离大的个体排序在拥挤距离小的个体之前；

步骤2.5：在排序之后的个体种群中选取第1到N个个体作为新的父代种群S，令gen＝gen+1；

步骤2.6：判断gen是否大于maxgen，若大于，则输出种群S中的处于第1非劣层中的个体作为步骤1中所确定的多目标优化模型的Pareto最优解集，转步骤3；否则转步骤2.3。

步骤3:从Pareto最优解集中选择最优HRES方案；

步骤3.1当要求整个系统的全寿命周期成本小于等于给定值Cost_A时，选择Pareto最优解集中目标函数值最小的解,即使系统CO₂排放量最小的个体x，作为最终的配置方案x，所述Cost_A指HRES配置过程所要求的最大成本额度；

步骤3.2当要求整个系统的CO₂排放量小于等于给定值CO_2A时，选择Pareto最优解集中目标函数值F_cost(x)最小的解，即使系统全寿命周期成本最小的个体x，作为最终的配置方案x，所述CO_2A指HRES配置过程所要求的最大排放量；

本发明的优点在于：

(1)本发明针对HRES中设备的组合配置构建了带约束的多目标组合优化模型，更符合实际情况、方案可行性更强。

(2)本发明采用多目标智能优化算法求解问题，能够同时找到一组Pareto最优解集，满足不同情况(即，对成本和环境污染的不同要求)下的HRES方案配置。

附图说明

图1典型孤岛混合可再生能源系统示意图

图2是利用智能多目标优化算法NSGA-II求解HRES组合优化配置问题的流程图

图3HRES方案设计编码

图4单点交叉和均匀变异算子示意图

图5个体非劣分层及拥挤距离计算示意图

图6HRES规划的Pareto最优解集

图7HRES规划的决策过程示意图

具体实施方式

下面结合附图和实例对本发明作进一步的详细说明。

本发明提供的孤岛混合可再生能源系统的多目标组合优化配置方法，具体步骤如下：

表1至4给出了HRES系统(如图1所示)中各设备的相关数据，同时已知在HRES建设地区年平均光照强度L＝20(单位：勒克斯)、年平均风速V＝5(单位：米/秒)以及年平均用电量Q＝1000(单位：千瓦)；

表1备选光伏板相关参数(假设每块光伏板面积为1米²)

表2备选风力机相关参数

表3备选储能设备相关参数

表4备选柴油机相关参数

步骤1：考虑HRES的全寿命周期T＝20年，以HRES全寿命周期成本

最低，系统排放CO₂量最小为目标，以满足区域能源需求为约束条件，

建立HRES的多目标组合优化配置模型；

$\min \{F_{\cos t}\left(x\right),F_{{\mathrm{co}}_2}\left(x\right)\}$

s.t.F_supply(x)≥F_demand

步骤2：利用智能多目标优化算法NSGA-II求解HRES组合优化模型，算法流程见图2，具体过程描述如下：

步骤2.1：设置算法参数：包括种群规模和终止条件，种群规模N设置为100，终止条件采用最大运行代数maxgen，设置为maxgen＝100。

步骤2.2：初始化种群：令当前运行代数gen＝1。随机生成N＝100父代种群S。种群中每个个体x包含n个编码值,其中n＝N_pv+N_wt+N_ba+2*N_fg，且N_L取5，C取100；由表1-4数据得到，本实例中所考虑的光伏板类型数N_pv＝5，风力机类型数N_wt＝5，储能设备类型数N_ba＝3，柴油发电机类型数N_fg＝5，个体编码长度n＝5+5+3+2*5＝23,即每个个体包括23个编码值。图3给出了针对此算例的一个个体编码。

步骤2.3：基于当前种群S，通过交叉变异操作(如图4所示)产生子代种群Sc，种群规模也为N。所述交叉变异操作实施方法如下:

步骤2.3.1：交叉操作；

步骤2.3.1.1:令q＝1，并初始化集合Sc'为空集；

步骤2.3.1.2:选取个体x_2q-1和x_2q，x_2q-1∈S，x_2q∈S,，首先随机生成一个位于区间[1,n]之间的整数，作为交叉位置，记为i'，然后用x_2q-1的前半段第1到第i'个编码和x_2q的后半段即第i'+1到最后一个编码组成子个体x'_2q-1，x_2q-1的后半段即第i'+1到最后一个编码和x_2q的前半段即第1到第i'个编码组成子个体x'_2q；将产生的个体x'_2q-1和x'_2q存入集合Sc_1，即Sc'＝Sc'∪x'_2q-1∪x'_2q；

步骤2.3.1.3:令q＝q+1；若q>N/2，转向步骤2.3.2，否则转向步骤2.3.1.2；

步骤2.3.2：变异操作，设置变异操作的概率为σ，σ∈(0,1)，取σ＝0.01；

步骤2.3.2.1：令q＝1，初始化Sc为空集；

步骤2.3.2.2：针对个体x_q∈Sc'，随机生成一个位于(0，1)区间的实数，记为rand。若rand<σ，则随机选取一个变异位置v，v∈[1,n]，若v∈[1,n-N_fg]，则随机选取[1，N_L]区间的一个正整数代替个体x_q的第v个变量值，得到变异个体x'_q,并存入集合Sc，即Sc＝Sc∪x'_q；若v∈[n-N_fg+1,n]，则随机选取位于(0，C]区间的实数代替个体x_q的第v个变量值，得到变异个体x'_q,并存入集合Sc，即Sc＝Sc∪x'_q；若rand≥σ，将x_q存入集合Sc，即Sc＝Sc∪x_q；

步骤2.3.2.3：令q＝q+1；若q>N，转向步骤2.4，否则

转向步骤2.3.2.2；

步骤2.4：将父代种群S与子代种群Sc合并，得到规模为2N的合种群S_all＝S∪Sc，对合种群S_all中的个体进行非劣分层，然后计算每一个非劣层的个体局部拥挤距离，最后依据个体所处的非劣层及拥挤距离，对所有个体进行排序；

步骤2.4.1：对种群S_all中的个体进行非劣分层。下面介绍非劣分层的方法；

步骤2.4.1.1：令h＝1；

步骤2.4.1.2：找出种群S_all中不被任何个体Pareto约束支配的个体，并保存在集合A_h中，即集合A_h中的个体均属于第h非劣层；所述个体xPareto约束支配个体y，是指当下列其中一个条件满足时：(i)个体x和y均满足约束条件且(ii)个体x满足约束条件，而y不满足约束条件；(iii)个体x和y均不满足约束条件，个体x违反约束条件的程度小于个体y违反约束条件的程度，则称个体xPareto约束支配个体y；所述的关系式表示个体xPareto支配个体y，是在所有目标函数值上，个体x的目标函数值都不大于个体y的目标函数值即f_m(x)≤f_m(y)，并且至少存在一个目标函数上个体x的目标函数值小于个体y的目标函数值，即f_m'(x)<f_m'(y)，所述f_m，m＝1,2为步骤1的公式(1)中的两个目标函数，f₁表示目标函数F_cost(x)的值，f₂表示目标函数的值；

步骤2.4.1.3：从S_all中除去所有在集合A_h中的个体，判断当前S_all是否为空集，若是，则分层完毕，转入步骤2.4.2；否则转入步骤2.4.1.2,令h＝h+1；

步骤2.4.2：计算种群中个体的拥挤距离，拥挤距离越小，个体周围越稠密；拥挤距离具体计算方法如下：

步骤2.4.2.1：计算种群S_all内每个个体的目标函数值，并对其进行排序；所述目标函数值指在步骤1中的目标函数F_cost(x)和的值；

步骤2.4.2.2：计算拥挤距离；首先定义在种群中目标函数f₁或f₂最小的个体为边界个体，边界个体的拥挤距离dist定义为无穷大；其次计算除边界外的个体x_q拥挤距离dist(q)为

$dist\left(q\right)=\underset{m=1}{\overset{2}{\&Sigma;}}\frac{f_m^{q-1}-d_m^{q+1}}{f_m^{\max }-f_m^{\min }}$

其中和分别表示当前种群中目标函数f_m的最大和最小值；和表示个体x_q-1和个体x_q+1的目标函数f_m值，f_m＝1表示目标函数F_cost(x)的值，f_m＝2表示目标函数的值；

步骤2.4.3：基于个体所处的非劣层及拥挤距离，对所有个体进行排序，排序准则为：处于第h非劣层的个体排序在第h'非劣层的个体之前，其中h'>h；若两个个体处于同一非劣层，那么拥挤距离大的个体排序在拥挤距离小的个体之前；

步骤2.5：在排序之后的个体种群中选取第1到N个个体作为新的父代种群S，令gen＝gen+1；

步骤2.6：判断gen是否大于maxgen，若大于，则输出种群S中的处于A₁集合(即第1非劣层中)的个体作为步骤1中所确定的多目标优化模型的Pareto最优解集，转步骤3；否则转步骤2.3。

步骤3:从Pareto最优解集中选择最优HRES方案:依据本实例中建立的模型，利用智能多目标优化算法NSGA-II求解模型，得到如图6所示的一组Pareto最优解集。

步骤3.1：当整个系统的全寿命周期成本小于等于给定值Cost_A时，选择Pareto最优解集中目标函数值最小的解,即使系统CO₂排放量最小的个体x，作为最终的配置方案x，如图7所示，所述Cost_A指HRES配置过程所要求的最大成本额度。当要求HRES系统的全寿命周期成本小于5.26*10⁴千元，即Cost_A＝5.26*10⁴，HRES系统配置为使用36个#1类型光伏板，19个#2类型光伏板，不使用#3、#4和#5类型的光伏板；使用41个#1类型风力机，22个#3类型风力机，14个#4类型风力机，不使用#2、#5类型的风力机；使用26个#1类型储能设备，不使用#2和#3类型的储能设备；使用4台#2类型柴油机，每台使用柴油183升，不使用其他类型的柴油机；

步骤3.2：当整个系统的CO₂排放量小于等于给定值CO_2A时，选择Pareto最优解集中目标函数值F_cost(x)最小的解，即使系统全寿命周期成本最小的个体x，作为最终的配置方案x，如图7所示。所述CO_2A指HRES配置过程所要求的最大排放量。当要求HRES系统的CO₂排放量小于0.9*10⁴克，即CO_2A＝0.9*10⁴，HRES系统配置为使用69个#1类型光伏板，不使用#2、#3、#4和#5类型的光伏板；使用72个#1类型风力机，31个#2类型风力机，不使用#3、#4、#5类型的风力机；使用52个#1类型储能设备，12个#2类型储能设备，不使用#3类型的储能设备；使用1台#1类型柴油机，使用柴油11升，不使用其他类型的柴油机；

本发明不仅限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体方式实施本发明，如采用其他类似的多目标智能优化算法(如MOGA、MOEA/D)。凡是采用本发明的技术思路，做一些简单的变化或改善的设计，如修改算法参数等，都属于本发明保护的范围。

Claims (10)

1.一种孤岛混合可再生能源系统的多目标组合优化配置方法，其特征在于所述方法包括以下具体步骤：

步骤1：建立HRES的多目标组合优化配置模型；

以HRES全寿命周期成本最低，HRES对环境危害最小为目标，以满足区域能源需求为约束条件；

步骤2：利用智能多目标优化算法NSGA-II求解HRES组合优化模型，输出Pareto最优解集；

步骤3：从Pareto最优解集中选择最优HRES方案；

步骤3.1当要求整个系统的全寿命周期成本小于等于给定值Cost_A时，选择Pareto最优解集中目标函数值最小的解,即使系统CO₂排放量最小的个体x，作为最终配置方案，所述Cost_A指HRES配置过程所要求的最大成本额度；

步骤3.2当要求整个系统的CO₂排放量小于等于给定值CO_2A时，选择Pareto最优解集中目标函数值F_cost(x)最小的解，即使系统全寿命周期成本最小的个体x，作为最终配置方案，所述CO_2A指HRES配置过程所要求的最大排放量。

2.根据权利要求1所述的一种孤岛混合可再生能源系统的多目标组合优化配置方法，其特征在于所述的组合优化配置模型为：

s.t.F_supply(x)≥F_demand(1)

式(1)表示以最小化HRES的全寿命周期成本和系统的CO₂排放量为目标，以系统供能满足用户用电需求为约束条件，构造出带约束的两目标优化模型；

其中F_cost(x)表示HRES配置方案为x下全寿命周期T年的成本,包括孤岛风光柴储能源系统中各类设备的初始安装费用和使用过程中的维护费用；

表示HRES配置方案为x下系统的CO₂排放量,包括HRES中风光柴储设备在生产制造过程的CO₂排放量和柴油机使用过程中的CO₂排放量，其中风力机、光伏板以及储能设备在使用过程中的CO₂排放量不予考虑；

F_supply(x)表示HRES配置方案为x下的供电量；

F_demand表示某一地区的用电需求量；

所述配置方案x是指HRES系统中光伏组件、风力机、储能设备、柴油机四类组件的配置数量以及柴油使用量，配置方案x表示如下：

x_i表示HRES中第i类型的光伏板个数，i∈{1,2,...,N_pv}；表示HRES中第j类型的风力机个数，j∈{1,2,...,N_wt}；表示HRES中第k类型的储能设备个数，k∈{1,2,...,N_ba}；表示HRES中第l类型的柴油机个数，l∈{1,2,...,N_fg}；表示HRES中第l类型的柴油机的柴油使用量，单位为升，取值范围为[0，C]，C表示柴油使用量的上限值，对于柴油发电机，若未使用某一类型的柴油机，那么其对应的柴油使用量设定为0；配置方案x的前N_pv+N_wt+N_ba+N_fg个变量取值范围为(0，N_L]，N_L表示设备个数的上限值；N_pv表示光伏板的类型数，N_wt表示风力机的类型数，N_ba表示备选储能设备的类型数，N_fg表示柴油机的类型数；

F_cost(x)表示为：

F_costPV(x)表示HRES配置方案为x下的光伏板全寿命周期费用，F_costWT(x)表示HRES配置方案为x下的风力机全寿命周期费用，F_costBA(x)表示HRES配置方案为x下的备选储能设备全寿命周期费用，F_costFG(x)表示HRES配置方案为x下的柴油机全寿命周期费用，C1_PVi表示第i类型光伏板的初装费用，C2_PVi表示第i类型光伏板的维护费用；C1_WTj表示第j类型风力机的初装费用，C2_WTj表示第j类型风力机的维护费用；C1_BAk表示第k类型备选储能设备的初装费用，C2_BAk表示第k类型备选储能设备的维护费用；C1_FGl表示第l类型柴油机的初装费用，C2_FGl表示第l类型柴油机的维护费用；C_FG表示柴油价格；

表示为

表示HRES配置方案为x下的光伏板全寿命周期碳排放量， 表示HRES配置方案为x下的风力机全寿命周期碳排放量， 表示HRES配置方案为x下的备选储能设备全寿命周期碳排放量， 表示HRES配置方案x下的柴油设备全寿命周期碳排放量，

P_PVi表示第i类型光伏板的额定功率；O_PVi表示制造单位面积的第i类型光伏板产生的碳排放量；O_WTj表示制造第j类型风力机产生的碳排放量；O_BAk表示制造第k类型备选储能设备产生的碳排放量；O_FGl表示第l类型柴油发电设备产生的碳排放量；B_wGl表示燃烧每升柴油的碳排放量；

F_supply(x)表示为：

F_supplyPV(x)表示HRES配置方案为x下的光伏板发电量，L为HRES建设地区年平均光照强度，单位为勒克斯，相关数据可以通过查询当地历史天气数据分析得到；F_supplyWT(x)表示HRES配置方案为x下的风力机发电量，V为年平均风速，单位为米/秒，相关数据可以通过查询当地历史天气数据分析得到；F_supplyBA(x)表示HRES配置方案为x下的备选储能设备供电量，F_supplyFG(x)表示HRES配置方案为x下的柴油设备发电量，

P_PVi表示第i类型光伏板的额定功率；P_WTj表示第j类型风力机的额定功率，P_BAk表示第k类型备选储能设备的额定功率，P_FGl表示第l类型柴油机的额定功率；

F_demand表示为：

F_demand＝Q，其中Q为某地区年平均用电量为Q(瓦)。

3.根据权利要求1所述的一种孤岛混合可再生能源系统的多目标组合优化配置方法，其特征在于所述的智能多目标优化算法NSGA-II的具体过程为：

步骤2.1：设置算法参数：包括种群规模和终止条件，种群规模为N，取值范围100至500，终止条件采用最大运行代数maxgen，取值范围50至500；

步骤2.2：初始化种群：随机生成种群规模N＝100父代种群S；种群中每个个体x包含n个编码值,其中n＝N_pv+N_wt+N_ba+2*N_fg，令当前运行代数gen＝1；

步骤2.3：基于当前种群S，通过交叉变异操作产生子代种群Sc，种群规模也为N；

步骤2.3.1：交叉操作；

步骤2.3.2：变异操作，设置变异操作的概率为σ，σ∈(0,1)；

步骤2.4：将父代种群S与子代种群Sc合并，得到规模为2N的合种群S_all＝S∪Sc，对合种群S_all中的个体进行非劣分层，然后计算每一个非劣层的个体局部拥挤距离，最后依据个体所处的非劣层及拥挤距离，对所有个体进行排序；

步骤2.4.1：对种群S_all中的个体进行非劣分层；

步骤2.4.2：计算种群中个体的拥挤距离，拥挤距离越小，个体周围越稠密；

步骤2.4.3：基于个体所处的非劣层及拥挤距离，对所有个体进行排序；

步骤2.5：在排序之后的个体种群中选取第1到N个个体作为新的父代种群S，令gen＝gen+1；

步骤2.6：判断gen是否大于maxgen，若大于，则输出种群S中的处于第1非劣层中的个体作为步骤1中所确定的多目标优化模型的Pareto最优解集，转步骤3；否则转步骤2.3。

4.根据权利要求3所述的一种孤岛混合可再生能源系统的多目标组合优化配置方法，其特征在于所述步骤2.1中的种群规模取值为100，最大运行代数取值为100。

5.根据权利要求3所述的一种孤岛混合可再生能源系统的多目标组合优化配置方法，其特征在于所述交叉操作的具体方法为：

步骤2.3.1.1:令q＝1，并初始化集合Sc'为空集；

步骤2.3.1.2:选取个体x_2q-1和x_2q，x_2q-1∈S，x_2q∈S,，首先随机生成一个位于区间[1,n]之间的整数，作为交叉位置，记为i'，然后用x_2q-1的前半段第1到第i'个编码和x_2q的后半段即第i'+1到最后一个编码组成子个体x'_2q-1，x_2q-1的后半段即第i'+1到最后一个编码和x_2q的前半段即第1到第i'个编码组成子个体x'_2q；将产生的个体x'_2q-1和x'_2q存入集合Sc'，即Sc'＝Sc'∪x'_2q-1∪x'_2q；

步骤2.3.1.3:令q＝q+1；若q>N/2，转向步骤2.3.2，否则转向步骤2.3.1.2。

6.根据权利要求3所述的一种孤岛混合可再生能源系统的多目标组合优化配置方法，其特征在于所述变异操作的具体方法为：

步骤2.3.2.1：令q＝1，初始化Sc为空集；

步骤2.3.2.2：针对个体x_q∈Sc'，随机生成一个位于(0，1)区间的实数，记为rand；若rand<σ，则随机选取一个变异位置v，v∈[1,n]，若v∈[1,n-N_fg]，则随机选取[1，N_L]区间的一个正整数代替个体x_q的第v个变量值，得到变异个体x'_q,并存入集合Sc，即Sc＝Sc∪x'_q；若v∈[n-N_fg+1,n]，则随机选取位于(0，C]区间的实数代替个体x_q的第v个变量值，得到变异个体x'_q,并存入集合Sc，即Sc＝Sc∪x'_q；若rand≥σ，将x_q存入集合Sc，即Sc＝Sc∪x_q；

步骤2.3.2.3：令q＝q+1；若q>N，转向步骤2.4，否则转向步骤2.3.2.2。

7.根据权利要求3所述的一种孤岛混合可再生能源系统的多目标组合优化配置方法，其特征在于所述步骤2.3.2中σ＝0.01。

8.根据权利要求3所述的一种孤岛混合可再生能源系统的多目标组合优化配置方法，其特征在于非劣分层方法为：

步骤2.4.1.1：令h＝1；

步骤2.4.1.2：找出种群S_all中不被任何个体Pareto约束支配的个体，并保存在集合A_h中，即集合A_h中的个体均属于第h非劣层；

所述个体xPareto约束支配个体y，是指当下列其中一个条件满足时：(i)个体x和y均满足约束条件且x＜y；(ii)个体x满足约束条件，而y不满足约束条件；(iii)个体x和y均不满足约束条件，个体x违反约束条件的程度小于个体y违反约束条件的程度，则称个体xPareto约束支配个体y；所述的关系式x＜y表示个体xPareto支配个体y，是在所有目标函数值上，个体x的目标函数值都不大于个体y的目标函数值即并且至少存在一个目标函数上个体x的目标函数值小于个体y的目标函数值，即f_m'(x)<f_m'(y)，所述f_m，m＝1,2为步骤1的公式(1)中的两个目标函数，f₁表示目标函数F_cost(x)的值，f₂表示目标函数的值；

步骤2.4.1.3：从S_all中除去所有在集合A_h中的个体，判断当前S_all是否为空集，若是，则分层完毕，转入步骤2.4.2；否则转入步骤2.4.1.2,令h＝h+1。

9.根据权利要求3所述的一种孤岛混合可再生能源系统的多目标组合优化配置方法，其特征在于所述拥挤距离计算方法为：

步骤2.4.2.1：计算种群S_all内每个个体的目标函数值，并对其进行排序；所述目标函数值指在步骤1中的目标函数F_cost(x)和的值；

步骤2.4.2.2：计算拥挤距离；首先定义在种群中目标函数f₁或f₂最小的个体为边界个体，边界个体的拥挤距离dist定义为无穷大；其次计算除边界外的个体x_q拥挤距离dist(q)为

其中和分别表示当前种群中目标函数f_m的最大和最小值；

和表示个体x_q-1和个体x_q+1的目标函数f_m值。

10.根据权利要求3所述的一种孤岛混合可再生能源系统的多目标组合优化配置方法，其特征在于所述排序准则为：处于第h非劣层的个体排序在第h'非劣层的个体之前，其中h'>h；若两个个体处于同一非劣层，那么拥挤距离大的个体排序在拥挤距离小的个体之前。