CN106159938A - 一种风光联合发电微电网系统电源优化配置方法 - Google Patents

Abstract

本文公开了一种风光联合发电微电网系统电源优化配置方法，属于电网优化规划领域。包括以下步骤：考虑微电网中新能源发电出力相关性及不同类型负荷功率间的相关性，基于Copula理论分别建立新能源发电联合出力、负荷总功率概率分布模型；利用历史模拟法得到微电网运行规划中的风险价值，实现对微电网的风险评估；以考虑投资成本、低碳费用、并网运行电能交易等综合经济成本为目标，构建微电网电源优化配置模型；采用改进的入侵杂草优化算法求解配置方案。考虑相关性极大地提高了优化方案的经济性，同时通过风险价值将系统运行风险与经济损失很好地结合起来，提高了系统的经济性和可靠性。

Description

一种风光联合发电微电网系统电源优化配置方法

技术领域

本发明涉及一种电源优化配置的方法，更具体的说涉及一种风光联合发电微电网系统电源优化配置方法

背景技术

近年来，风能、太阳能等新能源发电成为世界范围内研究的热点。微电网能够整合新能源发电单元、储能单元及负荷，实现一体化运行，灵活地接入和切出配电网，工作于并网或者孤岛模式，成为实现能源多元化和高效利用的重要技术手段。微电网电源合理配置是保证其可靠、经济、环保运行的关键问题之一。

国内外许多学者对新能源发电进行研究，成果显著。但大多在建立风光发电模型时，只考虑了风光出力不确定性而忽略了相关性，并且不同类型的负荷功率间也具有相关性。包含新能源发电出力相关性及不同类型负荷功率间的相关性新能源发电的微电网电源优化配置研究中，结合相关性的研究尚不多见。本文基于Copula理论，建立新能源联合出力及负荷总功率概率分布函数，进而构建微电网电源优化配置模型。为量化微电网运行风险，利用历史模拟法计算微电网风险价值。

发明内容

本发明的目的在于，针对风光联合发电微电网系统，提出一种考虑出力相关性及运行风险的储能配置方法，提高了系统的经济性和可靠性。

为实现上述目的，本发明采用的技术方案是：

1)考虑微电网中新能源发电出力相关性及不同类型负荷功率间的相关性，基于Copula理论分别建立新能源发电联合出力、负荷总功率概率分布模型；

2)利用历史模拟法得到微电网运行规划中的风险价值，实现对微电网的风险评估；

3)以考虑投资成本、低碳费用、并网运行电能交易等综合经济成本为目标，构建微电网电源优化配置模型；

4)采用改进的入侵杂草优化算法求解配置方案。

本发明的技术方案具有以下有益效果：

基于风电、光伏出力相关性及负荷功率间相关性，建立的新能源发电单元及负荷功率概率模型，应用到微电网电源配置中，极大地提高了优化方案的经济性。通过风险价值将系统运行风险与经济损失很好地结合起来，实现了对微电网的风险评估。该配置方法可同时提高系统的经济性和可靠性。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1是本发明实施例所述的一种风光联合发电微电网系统电源优化配置方法流程图

图2是微电网各单元并网模式下发电顺序流程图

图3是微电网中负荷总功率仿真图

具体实施方式

下面将结合附图和具体实施例对本发明进行进一步详细说明。

1)考虑微电网中新能源发电出力相关性及不同类型负荷功率间的相关性，基于Copula理论分别建立新能源发电联合出力、负荷总功率概率分布模型。

选取Frank Copula函数作为风光出力联合概率分布的连接函数，从而得到新能源发电单元联合概率密度函数：

$h(P_w,P_{\mathrm{pv}})=\frac{-\mathrm{\θ}(e^{-\mathrm{\θ}}-1)e^{-\mathrm{\θ}(u+v)}f\left(P_w\right)f\left(P_{\mathrm{pv}}\right)}{{[(e^{-\mathrm{\θ}}-1)+(e^{-\mathrm{\θu}}-1)(e^{-\mathrm{\θv}}-1)]}^2}$

式中，u＝F(P_w)，v＝F(P_pv)；P_w为风机出力率；P_pv为光伏出力率；θ为Copula函数相关参数。

选取正态Copula函数构造负荷总功率概率模型。

C(u₁，u₂；ρ)＝φ_ρ(φ^-1(u₁)，φ^-1(u₂)) u₁，u₂∈[0，1]

式中，φ_ρ相关系数为ρ的标准正态分布函数；φ^-1(·)为标准正态分布函数的逆函数。

$P_L={\mathrm{a\φ}}_{\mathrm{\ρ},1}^{-1}+{\mathrm{b\φ}}_{\mathrm{\ρ},2}^{-1}+c$

式中，P_L为总负荷功率，kW；为过渡负荷伪随机数；为可中断负荷伪随机数；c为重要负荷，kW；a，b为相关参数，kW。

利用MATLAB编程，得到不同季节风电、光伏出力相关性，秩相关系数τ和Copula相关参数θ，计算结果见表1：

表1不同季节风光出力相关性

从表1可以看出一年中风光出力具有不同程度的负相关性，夏天和冬天的互补性更加明显。因此互补性对微电网系统电源配置影响不容忽视。

编程得到不同负荷间的相关性，统计一年数据得到过渡负荷与可中断负荷间秩相关系数为0.0792。模拟全年负荷变化，结果见图2

2)利用历史模拟法得到微电网运行规划中的风险价值，实现对微电网的风险评估。求取负荷功率和风光联合出力的差额，作为规划运行中的“市场因子”。采用排序的办法，得到规划期间第aN个差额值，即为1-a置信水平下功率波动造成的风险价值。设定该地区负荷停电造成损失为31.8元/kW，计算置信水平为95％、99％、99.5％时短期内不同置信水平下的风险价值。

表2不同置信水平下的风险价值

数据显示，新能源发电出力和负荷功率不确定性、相关性因素等给系统安全可靠运行带来极大风险，并且风险随置信区间的增大而增大，为降低风险价值，投入燃气轮机和储能装置。

3)以考虑投资成本、低碳费用、并网运行电能交易等综合经济成本为目标，构建微电网电源优化配置模型。以包括初始投资成本和运行管理费用、燃料费用、低碳费用、购售电费用构成的综合经济成本最小为目标：

$\min C_{\mathrm{total}}=C_{\mathrm{ini}}+C_m+C_f+C_{{\mathrm{CO}}_2}+C_{\mathrm{cha}}$

式中，G_ini为初始投资费用，元；C_m为运行维护成本，元；C_f为燃料费用，元；C_CO2为低碳费用，元；C_cha为微电网向大电网购售电费用，元。

初始投资费用：

$C_{\mathrm{ini}}=\underset{t=1}{\overset{N}{\mathrm{\Σ}}}\frac{i{(1+i)}^{n_t}}{{(1+i)}^{n_t}-1}{a}_t$

式中，i为贴现率；n_t为微电源t的寿命，年；a₁为微电源t的装机费用，元。

运行维护成本、燃料费用：

$C_m+C_f=\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{k}_t{P}_t+c\underset{l=1}{\overset{8760}{\mathrm{\Σ}}}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{V}_{l,t}$

式中，k_t为第t台微电源的运行维护系数，元/kW；P_t为微电源t的装机容量，kW；V_l，t为第t台微电源l时刻耗费燃料量，L。c为单位体积燃料价格，元/L。

低碳费用：

$C_{{\mathrm{CO}}_2}=c_{{\mathrm{co}}_2}\underset{l=1}{\overset{8760}{\mathrm{\Σ}}}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}(k_m{V}_{l,t}-x_t)$

式中，k_m为单位体积燃料燃烧释放二氧化碳量，kg/L；x_t为每台微电源单位时间二氧化碳排放权，kg；c_co2为排放单位质量二氧化碳征收价格，元/kg。

微电网系统中新能源污染气体排放为零，燃气轮机排放的二氧化硫等污染性气体非常少，忽略不计，故只计入由燃气轮机排放二氧化碳支付的低碳费用。

$C_{\mathrm{cha}}=\underset{l=1}{\overset{8760}{\mathrm{\&Sigma;}}}\left\{\begin{array}{cc}{c}_{\mathrm{buy},l}{P}_{\mathrm{cha},l}& P_{\mathrm{cha},l}\&GreaterEqual;0\\ c_{\mathrm{sell},l}{P}_{\mathrm{cha},l}& P_{\mathrm{cha},l}<0\end{array}\right.$

式中，c_buy，l为l时刻购电价格，元；c_sell，l为l时刻售电价格，元；P_cha，l为l时刻微电网与主网交换功率，kW。

微电源及储能装置调度策略如，如图所示

①新能源发电清洁、无污染，首先投入该类电源，新能源联合出力为P_h。

②若新能源发电不能满足供应负荷需求，则比较时段t微型燃气轮机发电成本c_mt与购电成本大小c_buy，t，若发电成本大于停机成本，则微型燃气轮机停机，否则按最大输出功率P_MTmax输出。

③若P_h大于负荷功率P_L，对混合储能充电；充电完毕若电能仍盈余，则出售电能给大电网。反之，通过储能放电弥补电量不足，若放电结束电能仍不足则向大电网购电，储能装置充放电功率为P_ST。

4)采用改进的入侵杂草优化算法求解配置方案。由于新能源发电单元和燃气轮机单机发电成本不同，迭代后期一致步长不能很好地考虑适应值对各微电源数量的灵敏度，为迅速地寻优，同时避免基本杂草算法由于某一区域杂草过密导致算法早熟，不同杂草可根据自身可行域设定间距不一致的网格，将种子播撒在网格内。迭代初期设定间距较大网格以满足全局寻优，迭代后期加密网格以满足局部寻优。为适应值方差设定阀值，如果超过阀值，则设定排斥扰动因数乘以网格间距，使得杂草稀疏，反之，设定吸引扰动因子乘以网格间距，进行加密。

$D_{i,p}=\left\{\begin{array}{cc}{D}_{i-1,p}{c}_1& \mathrm{\&Delta;}>d\\ D_{i-1,p}{c}_2& \mathrm{\&Delta;}\&le;d\end{array}\right.$

式中，D_i，p为第P种电源第i次迭代网格间距；c₁为排斥扰动因子；c₂为吸引扰动因子；Δ为适应值方差差值；d为阀值。

表3并网运行微电网电源最优配置组合

不考虑相关性与考虑相关性得到综合经济成本分别为772万元和693万元。考虑相关性因为计及了各单元相互影响关系，更符合实际，同时由于风光互补优越性比较明显，所以也更经济。

采用期望缺供电量(Expected energy not supplied，EENS)评估风光联合微电网系统进入独立运行模式下的可靠性。由期望缺供电量得到系统电量可用指标(Energy index of reliability，EIR)。

EENS公式推导见下：

P_BSM＝P_bat+P_SC+P_MT

式中，P_bat为蓄电池有功功率，kW；P_sc为电容器有功功率，kW。

$\mathrm{EENS}=\left\{\begin{array}{cc}{P}_L-{\&Integral;}_{P_{h\min }}^{P_{h\max }}{P}_{h}f\left(P_h\right)d{P}_h& P_L\&GreaterEqual;P_{h\max }\\ {\&Integral;}_{P_{h\min }}^{P_L}(P_L-P_h-P_{\mathrm{BSM}})f\left(P_h\right)d{P}_h& P_{h\min }\&le;P_L\&le;P_{h\max }\\ 0& P_L<P_{h\min }\end{array}\right.$

每个季节取典型的某一个月，计算可靠性能指标。比较考虑相关性和不考虑相关性对可靠性能指标的影响。

表4系统电量可用指标(EIR)

由表4可看出，考虑相关性时，由于风光出力具有互补性，可靠性指标比不计相关性时有所提高。互补性夏季、冬季比较明显，所以可靠性指标也更高，符合实际情况。

本发明中所描述的具体实施例是对本发明精神作举例说明，对于本领域的技术人员来说，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。但并不会偏离或者超越所附权利要求书所定义的范围。

Claims (5)

1.一种风光联合发电微电网系统电源优化配置方法，包含以下步骤：

1)考虑微电网中新能源发电出力相关性及不同类型负荷功率间的相关性，基于Copula理论分别建立新能源发电联合出力、负荷总功率概率分布模型；

2)利用历史模拟法得到微电网运行规划中的风险价值，实现对微电网的风险评估；

3)以考虑投资成本、低碳费用、并网运行电能交易等综合经济成本为目标，构建微电网电源优化配置模型；

4)采用改进的入侵杂草优化算法求解配置方案。

2.根据权利要求1所述的一种风光联合发电微电网系统电源优化配置方法，其特征在于，步骤1)对风光单元出力及不同类型负荷数据进行归一化处理，采用核光滑方法估计风光发电单元出力概率密度函数和累积分布函数。

选取Frank Copula函数作为风光出力联合概率分布的连接函数，从而得到新能源发电单元联合概率密度函数：

$h(P_w,P_{\mathrm{pv}})=\frac{-\mathrm{\&theta;}(e^{-\mathrm{\&theta;}}-1)e^{-\mathrm{\&theta;}(u+v)}f\left(P_w\right)f\left(P_{\mathrm{pv}}\right)}{[(e^{-\mathrm{\&theta;}}-1)+(e^{-\mathrm{\&theta;u}}-1)(e^{-\mathrm{\&theta;v}}-1){]}^2}$

式中，u＝F(P_w)，v＝F(P_pv)；P_w为风机出力率；P_pv为光伏出力率；θ为Copula函数相关参数。

选取正态Copula函数构造负荷总功率概率模型。

C(u₁，u₂；ρ)＝φ_ρ(φ^-1(u₁)，φ^-1(u₂)) u₁，u₂∈[0，1]

式中，φ_ρ相关系数为ρ的标准正态分布函数；φ^-1(·)为标准正态分布函数的逆函数。

$P_L=a{\mathrm{\&phi;}}_{\mathrm{\&rho;},1}^{-1}+b{\mathrm{\&phi;}}_{\mathrm{\&rho;},2}^{-1}+c$

式中，P_L为总负荷功率，kW；为过渡负荷伪随机数；为可中断负荷伪随机数；c为重要负荷，kW；a，b为相关参数，kW。

3.根据权利要求1所述的一种风光联合发电微电网系统电源优化配置方法，其特征在于，步骤2)中求取负荷功率和风光联合出力的差额，作为规划运行中的“市场因子”。采用排序的办法，得到规划期间第aN个差额值，即为1-a置信水平下功率波动造成的风险价值。

4.根据权利要求1所述的一种风光联合发电微电网系统电源优化配置方法，其特征在于，步骤3)以包括初始投资成本和运行管理费用、燃料费用、低碳费用、购售电费用构成的综合经济成本最小为目标：

$\min C_{\mathrm{total}}=C_{\mathrm{ini}}+C_m+C_f+C_{{\mathrm{CO}}_2}+C_{\mathrm{cha}}$

式中，C_ini为初始投资费用，元；C_m为运行维护成本，元；C_f为燃料费用，元；C_CO2为低碳费用，元；C_cha为微电网向大电网购售电费用，元。

初始投资费用：

$C_{\mathrm{ini}}=\underset{t=1}{\overset{N}{\mathrm{\&Sigma;}}}\frac{i{(1+i)}^{n_t}}{{(1+i)}^{n_t}-1}{a}_t$

式中，i为贴现率；n_t为微电源t的寿命，年；a_t为微电源t的装机费用，元。

运行维护成本、燃料费用：

$C_m+C_f=\underset{t=1}{\overset{N}{\mathrm{\&Sigma;}}}{k}_t{P}_t+c\underset{l=1}{\overset{8760}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{N}{\mathrm{\&Sigma;}}}{V}_{l,t}$

式中，k_t为第t台微电源的运行维护系数，元/kW；P_t为微电源t的装机容量，kW；V_l，t为第t台微电源l时刻耗费燃料量，L。c为单位体积燃料价格，元/L。

低碳费用：

$C_{{\mathrm{CO}}_2}=c_{{\mathrm{co}}_2}\underset{l=1}{\overset{8760}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{N}{\mathrm{\&Sigma;}}}(k_m{V}_{l,t}-x_t)$

式中，k_m为单位体积燃料燃烧释放二氧化碳量，kg/L；x_t为每台微电源单位时间二氧化碳排放权，kg；c_co2为排放单位质量二氧化碳征收价格，元/kg。

微电网系统中新能源污染气体排放为零，燃气轮机排放的二氧化硫等污染性气体非常少，忽略不计，故只计入由燃气轮机排放二氧化碳支付的低碳费用。

$C_{\mathrm{cha}}=\underset{l=1}{\overset{8760}{\mathrm{\&Sigma;}}}\left\{\begin{array}{cc}{c}_{\mathrm{buy},l}{P}_{\mathrm{cha},l}& P_{\mathrm{cha},l}\&GreaterEqual;0\\ c_{\mathrm{sell},l}{P}_{\mathrm{cha},l}& P_{\mathrm{cha},l}<0\end{array}\right.$

式中，c_buy，l为l时刻购电价格，元；c_sell，l为l时刻售电价格，元；P_cha，l为l时刻微电网与主网交换功率，kW。

5.根据权利要求1所述的一种风光联合发电微电网系统电源优化配置方法，其特征在于，步骤4)中由于新能源发电单元和燃气轮机单机发电成本不同，迭代后期一致步长不能很好地考虑适应值对各微电源数量的灵敏度，为迅速地寻优，同时避免基本杂草算法由于某一区域杂草过密导致算法早熟，不同杂草可根据自身可行域设定间距不一致的网格，将种子播撒在网格内。迭代初期设定间距较大网格以满足全局寻优，迭代后期加密网格以满足局部寻优。为适应值方差设定阀值，如果超过阀值，则设定排斥扰动因数乘以网格间距，使得杂草稀疏，反之，设定吸引扰动因子乘以网格间距，进行加密。

$D_{i,p}=\left\{\begin{array}{cc}{D}_{i-1,p}{c}_1& \mathrm{\&Delta;}>d\\ D_{i-1,p}{c}_2& \mathrm{\&Delta;}\&le;d\end{array}\right.$

式中，D_i，p为第P种电源第i次迭代网格间距；c₁为排斥扰动因子；c₂为吸引扰动因子；△为适应值方差差值；d为阀值。