CN106779250B - 一种基于新型优化模型的孤立分布式电网配置方法 - Google Patents

一种基于新型优化模型的孤立分布式电网配置方法 Download PDF

Info

Publication number
CN106779250B
CN106779250B CN201710028882.6A CN201710028882A CN106779250B CN 106779250 B CN106779250 B CN 106779250B CN 201710028882 A CN201710028882 A CN 201710028882A CN 106779250 B CN106779250 B CN 106779250B
Authority
CN
China
Prior art keywords
cost
hydrogen
energy
power
power generation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710028882.6A
Other languages
English (en)
Other versions
CN106779250A (zh
Inventor
李艳君
董伟强
王雪洁
潘树文
陈琢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hongfujin Precision Industry Shenzhen Co Ltd
Original Assignee
Hongfujin Precision Industry Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hongfujin Precision Industry Shenzhen Co Ltd filed Critical Hongfujin Precision Industry Shenzhen Co Ltd
Priority to CN201710028882.6A priority Critical patent/CN106779250B/zh
Publication of CN106779250A publication Critical patent/CN106779250A/zh
Application granted granted Critical
Publication of CN106779250B publication Critical patent/CN106779250B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种基于新型优化模型的孤立分布式电网配置方法，在分布式发电盛行的背景下，秉承供电可靠、经济、环保、节能的理念，将太阳能光伏、风机、蓄电池、电解池、燃料电池和氢气罐等结合在一起，构建孤立分布式发电系统。光伏太阳能和风机保证了发电单元的相对稳定性，蓄电池、燃料电池等储能设备在一定程度上解决了用电供需严重不一致时的弊端，并提出一种实数编码方式的基于排序方法的蚁群算法，进行系统配置问题的优化计算求解。最终为实际搭建类似发电系统提供经济可靠的理论指导。

Description

一种基于新型优化模型的孤立分布式电网配置方法
技术领域
本发明属于分布式发电系统领域，重点在于孤立的分布式电网优化配置中的一种新型优化模型，以及求解该配置问题的优化方法。
背景技术
21世纪，人类在有限资源和环境保护要求日益严格的制约下发展经济，面临着实现经济和社会可持续发展的严重挑战。由于分布式发电系统利用本地可再生能源进行发电，具有经济高效，供电可靠，清洁环保的特点，合理利用风能、太阳能进行发电供应已经越来越受到学者的研究和探讨。特别是对于山区等边远偏僻地区，因地制宜，对当地丰富的可再生能源开发利用，是解决广大无电偏远地区能源问题的必由之路。
研究分布式发电系统的合理配置，在最经济的前提下，使得风能、太阳能等新能源得到充分利用，并且保证系统的供电可靠性，降低系统的成本，是衡量系统优越性的重要指标。
针对分布式发电系统的优化配置，国内外专家学者进行了大量研究，从不同角度提出了各种目标的数学模型。例如，在以停电损失最小为优化目标，以可靠性、安全性为约束条件下进行优化配置；在考虑损耗成本、网络升级成本、电能质量成本的条件下，求解最优系统配置。但是大体上，在系统费用分析角度上，只是研究了分布式发电系统在构建以及运行维护上的可见成本，而并没有对潜在的成本进行系统分析，造成对系统的配置精度要求不高。对于类似于分布式电网优化配置的多变量、多约束非线性组合优化问题，国内外也有许多算法：经典数学优化方法、启发式优化算法、智能优化算法及复合优化算法。
发明内容
本发明所要解决的技术问题是提供一种基于新型优化模型的孤立分布式电网配置方法，采用一种基于排序的实数编码方式的蚁群算法进行该配置问题的优化求解。充分考虑了系统在运行维护期间的潜在成本和利润；优化配置算法求解精度高，且启发式编码方案通俗易懂，能够提高求解效率。
为了解决上述技术问题，一种基于新型优化模型的孤立分布式电网配置方法
步骤如下：
S1.搭建孤立的分布式发电系统，包括发电单元和储能单元，发电单元由太阳能板和风机组成，储能单元由蓄电池、电解池、燃料电池以及氢气罐组成，系统还包括逆变器；
S2.事先定义好供发电设备的工作优先级，确定好电力设备开始或者停止工作的条件，给定系统的运行策略；工作优先级是蓄电池先充放电，氢气单元处于下一个优先级；系统运行时，会检测发电单元的发电量Pgen(t)和负载的电量需求PLoad(t)，通过两者的关系判断，给出系统的工作状态；
S3.在满足供电可靠性的前提下，求解分布式电网系统的最优配置，使得系统总成本Ctotal达到最小；供电可靠性用缺电率LPSP(Loss of Power Supply Probability)描述，它是缺电累积时间与系统总时间的比值；
S4.为该分布式发电系统进行目标函数的建模，构建优化模型，系统的总成本Ctotal由三种成本/收益模型组成，包括设备成本CDEC，电能浪费成本CEWC，氢气所获收益CHPC；
S5.设备成本CDEC由投资成本CINV，系统维护成本CO&M以及设备替换成本CREP组成；
S6.系统的成本必须满足相关的约束条件，在优化模型中组成系统的各种设备数量必须为正整数；系统的供电可靠性LPSP缺电率需要满足预设定的要求；
S7.所构建的优化模型，运用基于排序的实数编码方式的蚁群算法进行求解。
本发明与现有技术相比具有以下有益效果：在分布式发电盛行的背景下，秉承供电可靠、经济、环保、节能的理念，将太阳能光伏、风机、蓄电池、电解池、燃料电池和氢气罐等结合在一起，构建孤立分布式发电系统。光伏太阳能和风机保证了发电单元的相对稳定性，蓄电池、燃料电池等储能设备在一定程度上解决了用电供需严重不一致时的弊端。运行该系统，需要考虑到三方面的成本(收益)：设备成本，包括系统的投资构建成本、维护成本以及后续更换元器件的成本；电能浪费成本，当发电富裕且储能单元不能完全吸纳多余电量时，电能只能浪费；氢气产生利润，在适合的条件下，将该系统产生的氢气另作他用，可以带来收益。在以上三方面成本的系统模型下，提出一种实数编码方式的基于排序方法的蚁群算法，进行系统配置问题的优化计算求解。最终为实际搭建类似发电系统提供经济可靠的理论指导。
附图说明
图1是本发明的配置过程中采集的光能和风能数据。
图2是本发明的分布式发电系统运行策略示意图。
图3是本发明的目标函数总体构成。
图4是本发明的蚁群算法实数编码方式。
图5是本发明的蚁群算法流程框图。
图6是本发明的优化配置中目标函数值和LPSP关系图。
具体实施方式
一种基于新型优化模型的孤立分布式电网配置方法，其特征包括如下步骤：
S1.搭建孤立的分布式发电系统，包括发电单元和储能单元，发电单元由太阳能板和风机组成，储能单元由蓄电池、电解池、燃料电池以及氢气罐组成，系统还包括逆变器；
S2.事先定义好供发电设备的工作优先级，确定好电力设备开始或者停止工作的条件，给定系统的运行策略；工作优先级是蓄电池先充放电，氢气单元处于下一个优先级；系统运行时，会检测发电单元的发电量Pgen(t)和负载的电量需求PLoad(t)，通过两者的关系判断，给出系统的工作状态；
S3.在满足供电可靠性的前提下，求解分布式电网系统的最优配置，使得系统总成本Ctotal达到最小；供电可靠性用缺电率LPSP(Loss of Power Supply Probability)描述，它是一年内缺电累积时间与总时间的比值；
S4.为该分布式发电系统进行目标函数的建模，构建优化模型，系统的总成本Ctotal由三种成本/收益模型组成，包括设备成本CDEC，电能浪费成本CEWC，氢气所获收益CHPC；
S5.设备成本CDEC由投资成本CINV，系统维护成本CO&M以及设备替换成本CREP组成；
S6.系统的成本必须满足相关的约束条件，在优化模型中组成系统的各种设备数量必须为正整数；系统的供电可靠性LPSP缺电率需要满足预设定的要求；
S7.所构建的优化模型，运用基于排序的实数编码方式的蚁群算法进行求解。
步骤S1中的太阳能板、风机、蓄电池、电解池、氢气罐、燃料电池是本模型求解的关键设备，电解池、氢气罐、燃料电池组成氢气单元，太阳能板和风机互补发电、蓄电池以及氢气单元合理充放电保证了系统的高可靠性供电。
该系统需要配置的变量有：太阳能板的数量NPV，风机的数量NWG，蓄电池的数量NBat以及氢气罐的数量NHY，且变量均为正整数，其中，NPV∈(0,200]，NWG∈(0,200]，Nbat∈(0,900]，NHY∈(0,900]电解池、燃料电池、逆变器数量均为1。
分布式发电系统的运行遵循给定的策略，在运行过程中，以电量的供求关系为衡量，当供大于求的时候，优先启用蓄电池进行能量存储，当蓄电池充满后，再考虑电解池，将电能转换为氢能存储；当供不应求的时候，优先启动蓄电池进行能量释放，当蓄电池能量不足时，再考虑启动燃料电池，将氢气罐中的氢能转换为电能。
假设逆变器的效率为ηInv＝90％，若Pgen(t)＝PLoad(t)/ηInv，则储能单元不工作；若Pgen(t)>PLoad(t)/ηInv，则先给蓄电池充电直至满额，接着启动电解池将电能转换为氢气，存储在氢气罐中；若Pgen(t)<PLoad(t)/ηInv，则优先使用蓄电池为负载供电，如果供电依旧不足，那么接着启动燃料电池为负载供电。
步骤S3和S4中系统配置的目标函数为：
Ctotal＝CDEC+CEWC-CHPC
其中氢气产生的利润CHPC，可以减小系统总成本。
在系统运行时间Tsys＝20年内，步骤S5中每年的设备成本的具体组成表达式为：
CDEC＝(CINV+CO&M+CREP)/Tsys
其中，投资成本CINV来源于搭建系统时电力设备的购置，系统后期的运行维护也会产生相应的成本CO&M，当系统中的电力设备老坏时，需要重新更换，产生了设备替换成本CREP。
当系统的发电单元产生的电量大于用电量，并且储能单元不能够完全吸纳多余电量，则会造成电能浪费，即产生步骤S4中的电能浪费成本CEWC，具体表达为：
Figure BDA0001210586510000061
式中，Eout_annual是发电单元年平均发电量，Pgen(t)，PLoad(t)和Pstor(t)分别表达每小时产生的能量，消耗的能量以及需要存储的能量。
每个季度适时检查氢气罐中存储的状态，包括检查氢气罐中存储的氢能，使氢气罐恢复为初始状态，从而获取相应的利润，即步骤S4中的氢气所获收益CHPC，表示如下：
Figure BDA0001210586510000071
EHY(i)是每个季度末，氢气罐中存储的氢气所对应的能量，ηel＝95％是电解池的效率。
步骤S6中的供电可靠性用缺电率LPSP来表示，缺电率越低代表系统的供电可靠性越高，反之，缺电率LPSP越大代表系统的供电可靠性越低，缺电率LPSP用系统不足够供电的时间与总时间的比值来表示，其数学模型为：
Figure BDA0001210586510000072
T表示一年内总的小时数，T＝8760，Pavai(t)是每个小时可用的电量
Pavai(t)＝PPV(t)+PWG(t)+PBat(t)+PHY(t)
PPV(t)、PWG(t)、PBat(t)和PHY(t)分别是t时刻太阳能板、风机、蓄电池和氢气单元的输出电量。
步骤S7中的蚁群算法采用了实数编码方式，根据系统的规模，从变量NPV，NWG，NBat和NHY中确定需要的最大位数n，确定总的编码长度4*n，该系统中取n＝3。
步骤S7中为了提高启发式算法的搜索效率，采用了一种基于排序的蚁群算法优化求解该配置问题，在算法的每次迭代过程中，计算每只蚂蚁选择的路径形成的候选解所对应的系统成本，并根据成本大小对候选解(蚂蚁)进行升序排列，然后选择排序靠前的m只蚂蚁进行路径上信息素的更新，更新的方式如下：
Figure BDA0001210586510000081
Q是一个常数，τij(t)是t时刻路径i,j之间的信息素，m代表所选择的蚂蚁数量，Lr(t)表示第r只蚂蚁在本次迭代中的总成本，L*(t)是本次迭代中最优成本，
当算法迭代结束后，根据迭代过程中产生的符合条件的解，选出所需要的配置。
下面结合附图和实施案例详细说明。
充分利用太阳能、风能的互补特性，选取合适的太阳能板、风机、蓄电池、电解池、氢气罐、燃料电池搭建孤立的分布式发电系统。
建立太阳能板的能量模型
Figure BDA0001210586510000082
其中G(t)表示光照强度，pPV,rated＝500kW是额定功率，ηPV,conv＝68％是太阳能板的效率。
建立风机发电能量和风速的模型
Figure BDA0001210586510000083
式中，v(t),vin,vout,vrated分别表示实时风速、切入风速、切出风速和额定风速，pWG,rated是在额定风速下风机的功率，在该方法的测试实验中，相关参数的取值为：vin＝4m/s,vout＝22m/s,vrated＝15m/s,pWG,rated＝1500kW。
定义蓄电池电量状态的描述SOC(State of Charge)，是当前存储的能量与蓄电池总容量的比值，在0和1之间。
规定SOC的上限为1，下限为0.3。
根据能量转换关系，给出蓄电池的能量表达式
Figure BDA0001210586510000091
Figure BDA0001210586510000092
式中，EBat(t)是t时刻蓄电池的电量，σ是蓄电池自身的放电率，Egen(t),ELoad(t)表示发电量和负载的用电量，ηBC,ηBF分别是充电效率和放电效率，ηBC＝93％,ηBF＝100％。
根据能量转换关系，给出氢气罐中的能量表达式
Etank(t+1)＝Etank(t)+Pel-tank(t+1)-Ptank-FC(t+1)×ηstorage
式中，Etank(t)是氢气罐中的能量，Pel-tank(t),Ptank-FC(t)分别是电解池电解的能量和燃料电池消耗的能量，ηstorage＝75％表示效率。
测量具有代表意义的若干光照和风速数据，用于作为优化配置问题中的输入，图1是夏季某天的太阳能光照强度和风速曲线。
规定该分布式发电系统运行的策略，如图2所示，在运行过程中，以电量的供求关系为衡量。
当供大于求的时候，优先启用蓄电池进行能量存储，当蓄电池充满后，再考虑电解池，将电能转换为氢能存储；
当供不应求的时候，优先启动蓄电池进行能量释放，当蓄电池能量不足时，再考虑启动燃料电池，将氢气罐中的氢能转换为电能。
为系统的优化配置从费用角度建立目标函数Ctotal，如图3所示。
总成本包括各种电器元件组成的设备成本CDEC，电能浪费成本CEWC，氢气所获收益CHPC。
其中氢气所获收益是CHPC负成本。
确定优化配置过程中所需求的优化变量，光伏太阳能板的数量NPV，风机的数量NWG，蓄电池的数量NBat以及氢气罐的数量NHY。
给定该系统发电可靠性要求，LPSP≤0.1％。
对已经确定好的优化变量进行如图4所示的实数编码，前3位表示太阳能板的数量，4-6位表示风机的数量，7-9位表示蓄电池的数量，后三位表示氢气罐的数量。
采用启发式算法中的蚁群算法求解该非线性组合问题。
根据蚁群算法寻优的特点，采用实数编码方式对优化变量进行编码。
实数编码中，连续的几位分别作为某一个优化变量的个位、十位、百位等，然后将它们转换为一个正整数。
在蚁群每次的迭代中，引入排序的方法，择优保留，保证整个过程中的搜索效率。
在排序的过程中，不仅会根据单个解本身进行计算，而且会将当前迭代中的最优解引入。
根据事先采集的环境数据，按照系统运行策略，利用基于实数编码方式的排序蚁群算法对分布式发电系统在不同的LPSP下进行优化配置。
根据实际需要，在LPSP和Ctotal的若干组矛盾数据中，选择最合适的配置方式。
采用基于排序的蚁群算法进行优化求解，如图5所示。
初始化算法中的数据，如蚁群的规模kmax，信息素初始值，迭代的最大值Nc，所需要的一些常数等。
每次迭代过程中，根据如下公式进行路径的选择：
Figure BDA0001210586510000111
Figure BDA0001210586510000112
表示在i和j之间选择蚂蚁k的概率，τ是信息素，η是启发式因子，α＝0.8和β＝0.4是相应的权重。
每次迭代结束，由蚂蚁所选路径计算候选解大小，并计算对应的系统成本，再根据所对应的成本高低将种群里所有蚂蚁进行升序排列，然后从前往后选择若干只蚂蚁进行如下信息素的更新：
Figure BDA0001210586510000113
其中，
Figure BDA0001210586510000114
是本次迭代过程中路径i,j上信息素的增量，式中Q是常数，m是排序后需要挑选的蚂蚁数目，如果蚂蚁经过i,j节点则Lr(t)表示系统的总成本，否则表示为0。
Figure BDA0001210586510000115
表示本次迭代过程中最优路径的额外信息素增量。
当迭代次数达到最大值时，则结束蚁群算法的搜索。
算法结束后，可以绘制出系统总成本与供电可靠性LPSP之间的关系曲线，如图6所示。
从图6可以看出，系统总成本与LPSP是一组矛盾的存在，即总成本越低则LPSP越大，可靠性越差。
根据分布式系统所处的地域民生环境，给出一个合适的LPSP，然后在图6的优化曲线中挑选一组合适的配置，比方图中标注的点(0.3，9.41)。
最后得到了各电器元件的数量，图6中标注点对应的具体配置是NPV＝120，NWT＝14，NBat＝272，NHY＝315。

Claims (12)

1.一种基于优化模型的孤立分布式电网配置方法，其特征包括如下步骤：
S1.搭建孤立的分布式发电系统，包括发电单元和储能单元，发电单元由太阳能板和风机组成，储能单元由蓄电池、电解池、燃料电池以及氢气罐组成，系统还包括逆变器；
S2.事先定义好供发电设备的工作优先级，确定好电力设备开始或者停止工作的条件，给定系统的运行策略；工作优先级是蓄电池先充放电，氢气单元处于下一个优先级；系统运行时，会检测发电单元的发电量Pgen(t)和负载的电量需求PLoad(t)，通过两者的关系判断，给出系统的工作状态；
S3.在满足供电可靠性的前提下，求解分布式电网系统的最优配置，使得系统总成本Ctotal达到最小；供电可靠性用缺电率LPSP描述，它是一年内缺电累积时间与总时间的比值；
S4.为该分布式发电系统进行目标函数的建模，构建优化模型，系统的总成本Ctotal由三种成本/收益模型组成，包括设备成本CDEC，电能浪费成本CEWC，氢气所获收益CHPC；
S5.设备成本CDEC由投资成本CINV，系统维护成本CO&M以及设备替换成本CREP组成；
S6.系统的成本必须满足相关的约束条件，在优化模型中组成系统的各种设备数量必须为正整数；系统的供电可靠性LPSP缺电率需要满足预设定的要求；
S7.所构建的优化模型，运用基于排序的实数编码方式的蚁群算法进行求解。
2.如权利要求1所述的一种基于优化模型的孤立分布式电网配置方法，其特征在于，步骤S1中的太阳能板、风机、蓄电池、电解池、氢气罐、燃料电池是本模型求解的关键设备，电解池、氢气罐、燃料电池组成氢气单元，太阳能板和风机互补发电、蓄电池以及氢气单元合理充放电保证了系统的高可靠性供电。
3.如权利要求1或2所述的一种基于优化模型的孤立分布式电网配置方法，其特征在于，该系统需要配置的变量有：太阳能板的数量NPV，风机的数量NWG，蓄电池的数量NBat以及氢气罐的数量NHY，且变量均为正整数，电解池、燃料电池、逆变器数量均为1。
4.如权利要求1所述的一种基于优化模型的孤立分布式电网配置方法，其特征在于，分布式发电系统的运行遵循给定的策略，在运行过程中，以电量的供求关系为衡量，当供大于求的时候，优先启用蓄电池进行能量存储，当蓄电池充满后，再考虑电解池，将电能转换为氢能存储；当供不应求的时候，优先启动蓄电池进行能量释放，当蓄电池能量不足时，再考虑启动燃料电池，将氢气罐中的氢能转换为电能。
5.如权利要求1或4所述的一种基于优化模型的孤立分布式电网配置方法，其特征在于，假设逆变器的效率为ηInv，若Pgen(t)＝PLoad(t)/ηInv，则储能单元不工作；若Pgen(t)>PLoad(t)/ηInv，则先给蓄电池充电直至满额，接着启动电解池将电能转换为氢气，存储在氢气罐中；若Pgen(t)<PLoad(t)/ηInv，则优先使用蓄电池为负载供电，如果供电依旧不足，那么接着启动燃料电池为负载供电。
6.如权利要求1所述的一种基于优化模型的孤立分布式电网配置方法，其特征在于，步骤S3和S4中系统配置的目标函数为：
Ctotal＝CDEC+CEWC-CHPC
其中氢气产生的利润CHPC，可以减小系统总成本。
7.如权利要求1所述的一种基于优化模型的孤立分布式电网配置方法，其特征在于，在系统运行时间Tsys年内，步骤S5中每年的设备成本的具体组成表达式为：
CDEC＝(CINV+CO&M+CREP)/Tsys
其中，投资成本CINV来源于搭建系统时电力设备的购置，系统后期的运行维护也会产生相应的成本CO&M，当系统中的电力设备老坏时，需要重新更换，产生了设备替换成本CREP。
8.如权利要求1所述的一种基于优化模型的孤立分布式电网配置方法，其特征在于，当系统的发电单元产生的电量大于用电量，并且储能单元不能够完全吸纳多余电量，则会造成电能浪费，即产生步骤S4中的电能浪费成本CEWC，具体表达为：
Figure FDA0002433142690000031
式中，Eout_annual是发电单元年平均发电量，Pgen(t)，PLoad(t)和Pstor(t)分别表达每小时产生的能量，消耗的能量以及需要存储的能量。
9.如权利要求8所述的一种基于优化模型的孤立分布式电网配置方法，其特征在于，每个季度适时检查氢气罐中存储的状态，包括检查氢气罐中存储的氢能，使氢气罐恢复为初始状态，从而获取相应的利润，即步骤S4中的氢气所获收益CHPC，表示如下：
Figure FDA0002433142690000032
EHY(i)是每个季度末，氢气罐中存储的氢气所对应的能量，ηel是电解池的效率。
10.如权利要求1所述的一种基于优化模型的孤立分布式电网配置方法，其特征在于，即步骤S6中的供电可靠性用缺电率LPSP来表示，缺电率越低代表系统的供电可靠性越高，反之，缺电率LPSP越大代表系统的供电可靠性越低，缺电率LPSP用系统不足够供电的时间与总时间的比值来表示，其数学模型为：
Figure FDA0002433142690000033
T表示一年内总的小时数，Pavai(t)是每个小时可用的电量
Pavai(t)＝PPV(t)+PWG(t)+PBat(t)+PHY(t)
PPV(t)、PWG(t)、PBat(t)和PHY(t)分别是t时刻太阳能板、风机、蓄电池和氢气单元的输出电量。
11.如权利要求3所述的一种基于优化模型的孤立分布式电网配置方法，其特征在于，步骤S7中的蚁群算法采用了实数编码方式，根据系统的规模，从变量NPV，NWG，NBat和NHY中确定需要的最大位数n，确定总的编码长度4*n。
12.如权利要求1所述的一种基于优化模型的孤立分布式电网配置方法，其特征在于，步骤S7中为了提高启发式算法的搜索效率，采用了一种基于排序的蚁群算法优化求解该配置问题，在算法的每次迭代过程中，计算每只蚂蚁选择的路径形成的候选解所对应的系统成本，并根据成本大小对候选解进行升序排列，然后选择排序靠前的m只蚂蚁进行路径上信息素的更新，更新的方式如下：
Figure FDA0002433142690000041
Q是一个常数，τij(t)是t时刻路径i,j之间的信息素，m代表所选择的蚂蚁数量，Lr(t)表示第r只蚂蚁在本次迭代中的总成本，L*(t)是本次迭代中最优成本，当算法迭代结束后，根据迭代过程中产生的符合条件的解，选出所需要的配置。
CN201710028882.6A 2017-01-16 2017-01-16 一种基于新型优化模型的孤立分布式电网配置方法 Active CN106779250B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710028882.6A CN106779250B (zh) 2017-01-16 2017-01-16 一种基于新型优化模型的孤立分布式电网配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710028882.6A CN106779250B (zh) 2017-01-16 2017-01-16 一种基于新型优化模型的孤立分布式电网配置方法

Publications (2)

Publication Number Publication Date
CN106779250A CN106779250A (zh) 2017-05-31
CN106779250B true CN106779250B (zh) 2020-07-24

Family

ID=58946850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710028882.6A Active CN106779250B (zh) 2017-01-16 2017-01-16 一种基于新型优化模型的孤立分布式电网配置方法

Country Status (1)

Country Link
CN (1) CN106779250B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710977A (zh) * 2018-06-05 2018-10-26 东南大学 一种分布式供能系统设备配置与运行优化设计方法
CN109995030B (zh) * 2019-04-28 2020-06-30 湖南大学 一种考虑脱网风险的储能装置soc下限值最优设置方法
CN110311408A (zh) * 2019-06-21 2019-10-08 广东电网有限责任公司 一种基于填充函数算法的新型逆变器参数优化方法
CN110647138B (zh) * 2019-10-10 2021-02-02 国网湖北省电力有限公司电力科学研究院 基于改进蚁群算法的充电桩can总线协议的安全检测方法
CN116321626A (zh) * 2023-03-08 2023-06-23 深圳市旗扬特种装备技术工程有限公司 一种路灯照明节能管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914734A (zh) * 2014-03-20 2014-07-09 浙江工业大学 基于改进型蚁群算法的微网容量优化布址方法
CN104362677A (zh) * 2014-11-19 2015-02-18 云南电网公司电力科学研究院 一种主动配电网优化配置结构及其配置方法
CN104795833A (zh) * 2015-05-08 2015-07-22 武汉大学 一种独立微电网蓄电池储能系统容量优化配置方法
CN105976108A (zh) * 2016-05-05 2016-09-28 国网浙江省电力公司电力科学研究院 一种配电网分布式储能规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103151798B (zh) * 2013-03-27 2015-02-04 浙江省电力公司电力科学研究院 独立微网系统的优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914734A (zh) * 2014-03-20 2014-07-09 浙江工业大学 基于改进型蚁群算法的微网容量优化布址方法
CN104362677A (zh) * 2014-11-19 2015-02-18 云南电网公司电力科学研究院 一种主动配电网优化配置结构及其配置方法
CN104795833A (zh) * 2015-05-08 2015-07-22 武汉大学 一种独立微电网蓄电池储能系统容量优化配置方法
CN105976108A (zh) * 2016-05-05 2016-09-28 国网浙江省电力公司电力科学研究院 一种配电网分布式储能规划方法

Also Published As

Publication number Publication date
CN106779250A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN106779250B (zh) 一种基于新型优化模型的孤立分布式电网配置方法
CN110866627B (zh) 一种考虑阶梯气价的多区域电-气耦合综合能源系统优化调度方法
CN105048516B (zh) 一种风光水火多源互补优化调度方法
CN102694391B (zh) 风光储联合发电系统日前优化调度方法
CN107528341B (zh) 一种用于高风电渗透率的大电网储能调度的方法
CN109919399B (zh) 一种综合能源系统日前经济调度方法及系统
CN106485358A (zh) 结合序列运算和粒子群算法的独立微电网优化配置方法
CN110084465B (zh) 基于储能的风力发电系统成本/供电可靠性评估方法
CN113850474B (zh) 一种热电氢多能流综合能源系统及其优化调度方法
CN105427063A (zh) 一种微电网调度决策方法及系统
CN114519543A (zh) 一种乡村多能源系统边缘自治运行方法及系统
CN105574681A (zh) 一种多时间尺度社区能源局域网能量调度方法
Wu et al. Optimized capacity configuration of an integrated power system of wind, photovoltaic and energy storage device based on improved particle swarm optimizer
Dong et al. Sizing of a stand-alone photovoltaic/wind energy system with hydrogen and battery storage based on improved ant colony algorithm
CN117649089A (zh) 一种集成氢能的综合能源系统鲁棒低碳优化调度方法
Lata-García et al. Techno-economic analysis of several energy storage options for off-grid renewable energy systems
CN108233412A (zh) 一种低碳建筑多能互补系统优化运行方法
Bruno et al. Managing networked hybrid-energy systems: A predictive dispatch approach
CN115526381A (zh) 一种面向能源互联网的零碳园区优化规划方法及装置
CN115907363A (zh) 一种基于综合能源系统源-荷多时间尺度优化调度方法
CN115882483A (zh) 一种利用容量弹性实现系统最优储能容量配置的方法
CN115459358A (zh) 一种考虑多类新能源不同配比的储能容量优化配置方法
CN110768306B (zh) 一种提高保底电网中微电网应急能力的电源容量配置方法
CN115964834A (zh) 基于生产工艺虚拟储能的企业综合能源规划方法及系统
CN114398777B (zh) 一种基于巴什博弈理论的电力系统灵活性资源配置方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant