CN106849157B - 基于风光互补的混合能源系统优化方法 - Google Patents

基于风光互补的混合能源系统优化方法 Download PDF

Info

Publication number
CN106849157B
CN106849157B CN201710018299.7A CN201710018299A CN106849157B CN 106849157 B CN106849157 B CN 106849157B CN 201710018299 A CN201710018299 A CN 201710018299A CN 106849157 B CN106849157 B CN 106849157B
Authority
CN
China
Prior art keywords
energy
bat
value
load
wind turbine
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
CN201710018299.7A
Other languages
English (en)
Other versions
CN106849157A (zh
Inventor
张承曦
王宇澄
高迪驹
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.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
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 Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN201710018299.7A priority Critical patent/CN106849157B/zh
Publication of CN106849157A publication Critical patent/CN106849157A/zh
Application granted granted Critical
Publication of CN106849157B publication Critical patent/CN106849157B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • H02J3/383—
    • H02J3/386—
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (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

本发明披露一种基于风光互补的混合能源系统在随机模型下的优化方法。参考历史数据建立ARMA模型，其相比于传统数学模型更加准确；引入稳定性指标EENS，使得整体模型的稳定性加以改善；Fischer‑Burmeister优化方法结合SAES一起使用，在突变产生的后代个体中，具有高适应度的个体会被限定在Fischer‑Burmeister优化方法所规定的约束范围之内，相比于传统方法，能够在全局内求得最优结果，避免了局部最优的情况，同时计算量也大大减少，使得优化过程的速度得到增加。

Description

基于风光互补的混合能源系统优化方法
技术领域
本发明涉及清洁能源混合系统，具体涉及一种基于风光互补的混合能源系统在随机模型下的优化方法。
背景技术
在偏远地区，通过远距离输电线进行供电是比较困难且经济效益较差的，而这些地区又缺乏电站，若选择电网连接，其高昂的成本及复杂的地形也是一大难题，所以这就迫使人们寻求其他的方法来解决这个问题。基于可再生能源的独立混合能源系统就成为了可满足这些需求的可行方案。
可再生能源中，风能和太阳能在偏远地区是较为丰富的，使用风能/太阳能可以减少燃料成本及传统电网一部分的运行、维护成本。但所能节省的资本成本取决于风能/太阳能的可安装容量，同时风能/太阳能其本身的不稳定性是混合能源系统的主要缺点。通常，使用电池组作为辅助能源以提高系统的稳定性，不过功率平衡问题对由间歇性发电装置供能的独立电网来说仍是一个难题。在独立电网中需要安排更大容量的储能设备以保证足够的安全性及稳定性，不过大容量储能设备也会导致投资和运行成本的增加，所以找到一个合适的容量使系统在稳定性和成本之间达到相对平衡的状态就成为了需要解决的关键问题。
发明内容
针对上述现状与相关技术存在的问题，本发明对此提出了一种基于风光互补的混合能源系统设计优化方法。根据所设计的混合能源系统结构框图，提出了通过风速、太阳辐射值和负载需求的历史数据建立随机数学模型，给出目标函数及约束条件，最后利用智能优化算法对函数进行求解，得出风/光/储能系统的最优容量。在本发明中使用ARMA模型代表风速、太阳辐射值和负载需求的不确定性，用连续蒙特卡洛仿真(SMCS)模型按时间序列表示系统的状态，其后列出目标函数使得混合能源系统的一次性投资成本和运行维护成本最低，同时将稳定性指标EENS也作为约束条件。本发明的创新点主要可总结为以下两点：1)提出了一种基于自适应进化策略结合Fischer–Burmeister算法的优化方案；2)研究在不同的稳定性/负载转移水平下储能单元参数对系统投资成本的影响，从而让决策者可以在满足负载需求的前提下灵活的选择合适的安装容量，同时保持一个较低的投资成本。
为了实现上述目的，首先要建立随机模型并且对其可靠性概率进行评估。ARMA模型是由自回归模型(AR(p))和移动平均数法(MA(q))结合而成，该模型可通过负载、风速和太阳辐射值的历史数据来预估负载需求、风速和太阳辐射值。混合能源系统的不确定性主要包括负载需求的变化、风速的变化、太阳辐射的变化、风力涡轮机和光伏板的设备故障率等问题，可通过计算稳定性指标EENS对其可靠性概率进行评估。
目标函数的设定是为了使在混合能源系统的整个运行周期中风/光/储能系统的一次性投资成本和可变成本最低化。这些成本主要包括电池、风力涡轮机和光伏板的安装及维护成本、柴油机的燃料消耗成本。
对之前建立的关于成本的目标函数可使用自适应进化策略(SAES)进行求解。该方法在种群中随机选取一个父代，通过突变产生子代，在这些子代中选取最优的个体重复突变选择过程，直到达到迭代次数，产生最优结果。但SAES的突变机制未将方案的可行性考虑在内，因此不具有可行性的后代会频繁出现，此外，计算量方面的负担也会很高，这是因为SAES的搜索容量取决于种群规模。故该算法可能会陷入局部最优的状态。为了克服这些缺点，本发明采用Fischer-Burmeister优化方法结合SAES对该目标函数进行求解。
基于风光互补的混合能源系统优化方法，其特征在于包括以下步骤：步骤一、根据一个时间序列内可得到的负载需求/风速/太阳辐射值的历史数据，再使用ARMA模型通过获得的历史数据对下一时序的负载需求/风速/太阳辐射值进行预测；ARMA(p,q)模型由自回归模型(AR(p))和移动平均数法(MA(q))结合而成：
其中，yt表示预测值，用yt(1)、yt(2)和yt(3)分别表示负载/风速/太阳辐射值的预测值，统一以yt表示预测值进行数学计算；Φi是自回归模型AR的系数，θj是移动平均数MA的系数，εt-j是常规的独立分布式随机白噪声过程，该模型给出了在连续时间上任一点的值是先前p点和q白噪声点的线性组合；
将过去一年内每个月的预测值数据分为一个个片段；在前一年每小时的时序安排内，ARMA模型的输出值使用评价标准化误差进行评价化与比例化处理；由式(1)计算出每小时负载/风速/太阳辐射值，如下式：St＝μt+σtyt (2)
其中，μt、σt分别表示每小时预测值的平均值和标准误差；
在已知某年数据的基础上，通过前一年数据和ARMA模型进行预测后与真实数据进行对比，选出绝对百分比误差最小的p，q参数，得到关于负载、风速和太阳辐射的ARMA模型；
步骤二、ARMA可靠性概率评估，包括以下子步骤：
2.1)风力涡轮机的初始状态假设为启动；
2.2)在风力涡轮机的一个状态周期内进行采样，状态周期的采样值由下式给出：其中D、R分别表示周期和[0,1]区间内的一个随机数，γ表示基于现状态下的中断/维修率；
2.3)由ARMA负载模型给出负载需求样本；
2.4)在一个时间序列中重复步骤2.2)和2.3)，采样结果按时间进行排序；
2.5)整个工作时序中所提供能量的中断功率需求的累计值被定义为计算稳定性指标EENS并计算此值；
步骤三、列出目标函数：
其中，CES为储能系统的成本，CPV为光伏板的安装、维护成本，Cwt为风力涡轮机的安装、维护成本；
CES＝pbat×Qbat+(λbat×pbat+mbat)×Qbat
Cwt＝IC×Pr+(IC×λwt+mwt)×Pr
CPV＝ICC×Ppv+(ICC×λPV+mPV)×Ppv
其中，pbat、Qbat、λbat、mbat分别表示电池的单位价格、电池容量、电池的折现率、电池维护成本；IC、ICC表示风力涡轮机和光伏板的安装成本，λwt、λPV表示风力涡轮机和光伏板的折现率，mwt、mPV表示风力涡轮机和光伏板的维护成本，Pr、Ppv表示风力涡轮机和光伏板的额定功率；
步骤四、根据列出的目标函数，限定各变量的约束条件，包括储能约束和稳定性约束条件；电池的充放电过程约束条件如下：
若则
若则
储能约束提供负载管理过程，分为以下几个子步骤：4.1)若风能、太阳能所提供的功率未能满足负载需求水平，同时电池内的储能几乎为零，则要采用负载转移策略；4.2)转移负载被传递到下一个时间区间；4.3)若在负载转移之后仍不能满足功率平衡，则再负载需求在一个特定的功率水平下被打断；4.4)重复子步骤4.1-4.3，并对式(4)重新计算，直至达到功率平衡；
稳定性指标EENS可通过下式计算：
其中，ENS表示未使用能量，N表示样本数；据此给出下述稳定性约束：
EENS≤EENSmax (6)
步骤五、在给出了目标函数和约束条件之后，需要通过智能算法来解决；本发明运用自适应进化策略(SAES)进行对风速、太阳辐射和负载需求由ARMA模型所得的预测值进行初始化，然后再运用Fischer-Burmeister优化方法进行求解式(3)关于成本的目标函数，从而得到混合能源系统中光伏模块、风力涡轮机和电池组的最优容量使整个系统的成本最低。
本发明的主要优点是：1)参考历史数据所建立的ARMA模型相比于传统数学模型更加准确；2)引入了稳定性指标EENS，使得整体模型的稳定性加以改善；3)Fischer-Burmeister优化方法结合SAES一起使用，在突变产生的后代个体中，具有高适应度的个体会被限定在Fischer-Burmeister优化方法所规定的约束范围之内，相比于传统方法，能够在全局内求得最优结果，避免了局部最优的情况，同时计算量也大大减少，使得优化过程的速度得到增加。
附图说明
图1是本发明的混合能源系统结构示意图；
图2是本发明基于风光互补的混合能源系统优化方法的流程图；
具体实施方式
本发明的目的在于提出一种基于风/光互补的混合能源系统设计优化方法，根据所设计的混合能源系统结构框图，如图1所示，本发明的多能源系统主要由风能、太阳能和储能电池组成，提出了通过风速、太阳辐射值和负载需求的历史数据建立随机数学模型，给出目标函数及约束条件，最后利用智能优化算法对函数进行求解，得出风/光/储能系统的最优容量。如图2所示，包括以下步骤：1、首先建立关于目标变量的ARMA模型。根据一个时间序列内可得到的负载需求/风速/太阳辐射值的历史数据，使用ARMA模型通过获得的历史数据对下一时序的负载需求/风速/太阳辐射值进行预测。ARMA(p,q)模型由自回归模型(AR(p))和移动平均数法(MA(q))结合而成：
其中，Φi是自回归模型AR的系数，θj是移动平均数MA的系数，εt-j是常规的独立分布式随机白噪声过程，该模型给出了在连续时间上任一点的值是先前p点和q白噪声点的线性组合。
将过去一年内每个月的数据分为一个个片段，故在一个月内相同的时间有好几个数据点。因此，在前一年每小时的时序安排内，ARMA模型的输出值需使用评价标准化误差进行评价化与比例化处理。由式(1)可计算出每小时负载/风速/太阳辐射值，见下式：
St＝μt+σtyt (2)
其中，μt、σt分别表示每小时负载/风速/太阳辐射的平均值和标准误差。
在已知某年数据的基础上，通过前一年数据和ARMA模型进行预测后与真实数据进行对比，选出绝对百分比误差最小的p，q参数，得到关于负载、风速和太阳辐射的最准确ARMA模型。
2、在建立了关于负载需求/风速/太阳辐射值的ARMA模型后，需要使用SAES模型对变量进行初始化，同时对负载/风速/太阳辐射值进行采样，通过个体的约束条件对其可靠性概率进行评估。混合能源系统的不确定性主要包括负载需求的变化、风速的变化、太阳辐射的变化和风力涡轮机/光伏板设备故障率问题。其中，针对风力涡轮机可采用双态模型来控制其启-停顺序，具体可分为以下步骤：
1)风力涡轮机的初始状态假设为启动；2)在风力涡轮机的一个状态周期内进行采样，状态周期的采样值由下式给出：其中D、R分别表示周期和[0,1]区间内的一个随机数，γ表示基于现状态下的中断/维修率；3)由ARMA负载模型给出的负载需求样本；4)在一个时间序列中重复步骤2)和3)，采样结果按时间进行排序；5)计算稳定性指标EENS。
3、根据发明目的列出目标函数。本发明的目标是使得基于风/光互补的混合能源系统在整个运行周期内一次性投资成本和可变成本最低，故据此可列出目标函数：
其中，CES为储能系统的成本，CPV为光伏板的安装、维护成本，Cwt为风力涡轮机的安装、维护成本。
CES＝pbat×Qbat+(λbat×pbat+mbat)×Qbat
Cwt＝IC×Pr+(IC×λwt+mwt)×Pr
CPV＝ICC×Ppv+(ICC×λPV+mPV)×Ppv
其中，pbat、Qbat、λbat、mbat分别表示电池的单位价格、电池容量、电池的折现率、电池维护成本。IC、ICC表示风力涡轮机和光伏板的安装成本，λwt、λPV表示风力涡轮机和光伏板的折现率，mwt、mPV表示风力涡轮机和光伏板的维护成本，Pr、Ppv表示风力涡轮机和光伏板的额定功率。
4、根据列出的目标函数，限定各变量的约束条件，主要可分为储能约束和稳定性约束。电池的充放电过程如下：
若则
若则
储能约束提供负载管理过程分为以下几部分：1)若风能、太阳能所提供的功率未能满足负载需求水平，同时电池内的储能几乎为零，则要采用负载转移策略；2)转移负载被传递到下一个时间区间；3)若在负载转移之后仍不能满足功率平衡，则再负载需求在一个特定的功率水平下被打断；4)重复1-3步并对式(4)重新计算，直至达到功率平衡。
而在整个工作时序中中断功率需求的累计值被定义为提供能量(EENS)，所以EENS在稳定性分析中是一个概率性指标：
其中，ENS表示未使用能量，N表示样本数。据此，可给出下述稳定性约束：
EENS≤EENSmax (6)
5、在给出了目标函数和约束条件之后，需要通过智能算法来解决这样一个数学问题。本发明运用自适应进化策略(SAES)进行变量初始化，然后再运用Fischer-Burmeister优化方法进行求解关于成本的目标函数，从而得到混合能源系统中光伏模块、风力涡轮机和电池组的最优容量使整个系统的成本最低。具体步骤如下：1)列出风速、太阳辐射和负载需求的ARMA模型；2)通过SAES对参数进行初始化操作；3)在一个周期内进行采样，对每个采样数据给出约束条件，若违反约束条件分配出一个不可行的方案，则需要给目标函数附加一个较大的补偿系数；4)估算突变后代的适应度值，并应用Fischer-Burmeister优化方法进行约束限制，以对突变率进行相应的修改；5)重复该过程直至满足终止条件；6)得出个体的最优适应度值。
本发明的主要优点是：1)参考历史数据所建立的ARMA模型相比于传统数学模型更加准确；2)引入了稳定性指标EENS，使得整体模型的稳定性加以改善；3)Fischer-Burmeister优化方法结合SAES一起使用，在突变产生的后代个体中，具有高适应度的个体会被限定在Fischer-Burmeister优化方法所规定的约束范围之内，相比于传统方法，能够在全局内求得最优结果，避免了局部最优的情况，同时计算量也大大减少，使得运算速度得到增加。

Claims (1)

1.一种基于风光互补的混合能源系统优化方法，其特征在于包括以下步骤：
步骤一、根据一个时间序列内可得到的负载需求/风速/太阳辐射值的历史数据，再使用ARMA模型通过获得的历史数据对下一时序的负载需求/风速/太阳辐射值进行预测；ARMA(p,q)模型由自回归模型(AR(p))和移动平均数法(MA(q))结合而成：
其中，yt表示预测值，用yt(1)、yt(2)和yt(3)分别表示负载/风速/太阳辐射值的预测值，统一以yt表示预测值进行数学计算；Φi是自回归模型AR的系数，θj是移动平均数MA的系数，εt-j是常规的独立分布式随机白噪声过程，该模型给出了在连续时间上任一点的值是先前p点和q白噪声点的线性组合；
将过去一年内每个月的预测值数据分为一个个片段；在前一年每小时的时序安排内，ARMA模型的输出值使用评价标准化误差进行评价化与比例化处理；由式(1)计算出每小时负载/风速/太阳辐射值，为下式：St＝μt+σtyt (2)
其中，μt、σt分别表示每小时预测值的平均值和标准误差；
在已知某年数据的基础上，通过前一年数据和ARMA模型进行预测后与真实数据进行对比，选出绝对百分比误差最小的p，q参数，得到关于负载、风速和太阳辐射的ARMA模型；
步骤二、ARMA可靠性概率评估，包括以下子步骤：
2.1)风力涡轮机的初始状态假设为启动；
2.2)在风力涡轮机的一个状态周期内进行采样，状态周期的采样值由下式给出：其中D、R分别表示周期和[0,1]区间内的一个随机数，γ表示基于现状态下的中断率；
2.3)由ARMA负载模型给出负载需求样本；
2.4)在一个时间序列中重复步骤2.2)和2.3)，采样结果按时间进行排序；
2.5)整个工作时序中所提供能量的中断功率需求的累计值被定义为计算稳定性指标EENS并计算此值；
步骤三、列出目标函数：
其中，CES为储能系统的成本，CPV为光伏板的安装、维护成本，Cwt为风力涡轮机的安装、维护成本；
CES＝pbat×Qbat+(λbat×pbat+mbat)×Qbat
Cwt＝IC×Pr+(IC×λwt+mwt)×Pr
CPV＝ICC×Ppv+(ICC×λPV+mPV)×Ppv
其中，pbat、Qbat、λbat、mbat分别表示电池的单位价格、电池容量、电池的折现率、电池维护成本；IC、ICC表示风力涡轮机和光伏板的安装成本，λwt、λPV表示风力涡轮机和光伏板的折现率，mwt、mPV表示风力涡轮机和光伏板的维护成本，Pr、Ppv表示风力涡轮机和光伏板的额定功率；
步骤四、根据列出的目标函数，限定各变量的约束条件，包括储能约束和稳定性约束条件；电池的充放电过程约束条件如下：
若则
若则
对储能约束提供负载进行管理，分为以下几个子步骤：4.1)若风能、太阳能所提供的功率未能满足负载需求水平，同时电池内的储能几乎为零，则要采用负载转移策略；4.2)转移负载被传递到下一个时间区间；4.3)若在负载转移之后仍不能满足功率平衡，则再负载需求在一个特定的功率水平下被打断；4.4)重复子步骤4.1-4.3，并对式(4)重新计算，直至达到功率平衡；
稳定性指标EENS通过下式计算：
其中，ENS表示未使用能量，N表示样本数；据此给出下述稳定性约束：
EENS≤EENSmax (6)
步骤五、在给出了目标函数和约束条件之后，运用自适应进化策略进行对风速、太阳辐射和负载需求由ARMA模型所得的预测值进行初始化，然后再运用Fischer-Burmeister优化方法进行求解式(3)关于成本的目标函数，从而得到混合能源系统中光伏模块、风力涡轮机和电池组的最优容量使整个系统的成本最低。
CN201710018299.7A 2017-01-10 2017-01-10 基于风光互补的混合能源系统优化方法 Active CN106849157B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710018299.7A CN106849157B (zh) 2017-01-10 2017-01-10 基于风光互补的混合能源系统优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710018299.7A CN106849157B (zh) 2017-01-10 2017-01-10 基于风光互补的混合能源系统优化方法

Publications (2)

Publication Number Publication Date
CN106849157A CN106849157A (zh) 2017-06-13
CN106849157B true CN106849157B (zh) 2019-10-11

Family

ID=59118233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710018299.7A Active CN106849157B (zh) 2017-01-10 2017-01-10 基于风光互补的混合能源系统优化方法

Country Status (1)

Country Link
CN (1) CN106849157B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108622362B (zh) * 2018-01-25 2020-10-13 上海海事大学 一种基于切换系统理论的混合动力船舶能量管理方法
CN112632443A (zh) * 2020-12-28 2021-04-09 咪咕文化科技有限公司 内容评分方法、装置、电子设备及存储介质
CN116502475B (zh) * 2023-06-27 2023-10-27 长江勘测规划设计研究有限责任公司 最优角避风角风保自切换的光伏支架基础一体化计算方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014020671A1 (ja) * 2012-07-31 2014-02-06 三洋電機株式会社 電力変換装置
CN106058917A (zh) * 2016-05-31 2016-10-26 国网山东省电力公司济南供电公司 一种计及光伏发电的电力系统动态经济调度方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014020671A1 (ja) * 2012-07-31 2014-02-06 三洋電機株式会社 電力変換装置
CN106058917A (zh) * 2016-05-31 2016-10-26 国网山东省电力公司济南供电公司 一种计及光伏发电的电力系统动态经济调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
计及分布式电源的配电系统可靠性研究;肖春;《中国优秀硕士学位论文全文数据库》;20150215;第1-62页 *

Also Published As

Publication number Publication date
CN106849157A (zh) 2017-06-13

Similar Documents

Publication Publication Date Title
CN105184404B (zh) 适用于光伏系统全生命周期的输出功率分类预测系统
Petrollese et al. Real-time integration of optimal generation scheduling with MPC for the energy management of a renewable hydrogen-based microgrid
US20190244310A1 (en) Method and instrumentation for sustainable energy load flow management system performing as resilient adaptive microgrid system
CN103904695B (zh) 一种基于mcs-pso的临近海岛多微网动态调度方法
CN104751246A (zh) 一种基于随机机会约束的有源配电网规划方法
CN106849157B (zh) 基于风光互补的混合能源系统优化方法
CN104377693A (zh) 一种发电生产模拟模型
Yan et al. Development of a tool for urban microgrid optimal energy planning and management
CN114707289A (zh) 基于机会约束的电热耦合综合能源系统多目标优化方法
Wu et al. Scheduling of energy management based on battery logistics in pelagic islanded microgrid clusters
Bracco et al. Planning and management of sustainable microgrids: The test-bed facilities at the University of Genoa
CN109449987A (zh) 新能源发电并网的电力系统模拟方法及系统
Després Modelling the long-term deployment of electricity storage in the global energy system
Mohagheghi et al. Real-time optimal power flow under wind energy penetration-Part I: Approach
US11551323B2 (en) Ensuring safe servicing in a low-voltage network of the electric power distribution system
Ciabattoni et al. Neural networks based home energy management system in residential PV scenario
CN113158547B (zh) 计及经济性和可靠性的区域综合能源系统优化配置方法
CN114444850A (zh) 基于数字孪生的园区储能规划方法、装置、设备和介质
Ounnar et al. Intelligent control of renewable holonic energy systems
CN110992206B (zh) 一种多源电场的优化调度方法及系统
Leopold et al. Simulation-based methodology for optimizing energy community controllers
Liu et al. A multi-stage restoration strategy to enhance distribution system resilience with improved conditional generative adversarial nets
CN115082256A (zh) 一种区域综合能源系统站网协同分期扩展规划方法及系统
KR20210015168A (ko) 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법
Saadatmandi et al. Smart electric vehicle charging for reducing photovoltaic energy curtailment

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