CN106877406A - 一种多能源船舶微网的多目标电源配置优化方法 - Google Patents

Abstract

本发明涉及一种多能源船舶微网的多目标电源配置优化方法，针对一类包含柴油发电机、风力发电、光伏发电和电池储能的船舶微网系统，通过研究动态负荷下储能系统临界出力点，并以此作为柴蓄进行出力优先的判断，构建基于动态临界点的柴蓄优先选择的储能系统调度策略，本发明能够实现真正意义上的动态多目标微电网的电源配置优化。

Description

一种多能源船舶微网的多目标电源配置优化方法

技术领域

本发明涉及多能源船舶能源规划领域，特别是一种多能源船舶微网的多目标电源配置优化方法。

背景技术

在现代社会，交通运输是经济发展的基本需要和先决条件，而水运作为第二大能源消费运输方式，具有运量大、成本低等特点。随着运输行业纳入温室气体减排目标，绿色环保低碳的造船模式将成为未来船舶制造业发展的必然方向。在国家加快推进“中国制造2025”的背景下，新能源在船舶上的应用得到了广泛的关注，而如何有效、合理地利用清洁能源如风能、太阳能以及波浪能等来获取电能的纯绿色船舶可以从根本上解决柴电船舶电力推进系统的污染问题。而微网作为一种包含可再生能源的分布式电源(distributedenergy resource，DER)综合集成技术，是分布式发电的有效管理形式。因此，船舶微电网这样一种新型船舶电力系统由此产生。而在船舶微电网系统中，由于船舶平台在空间环境上的限制，并不是所有类型的船舶平台都适合安装风力发电或太阳能发电装置。船舶微电网的规模、各分布式电源容量以及电压等级与系统所在船舶的用电需求、航运线路、运输距离、环境条件、经济条件等多方面因素有关。对于远洋运输船舶如集装箱船、散货船、游轮、客轮等各类型的船舶构造差异巨大，对船舶微电网系统的需求也各不相同，导致分布式电源的配置也各不相同。由于分布式电源的规格和数量在船舶微电网中受到很大的限制。如何实现合理配置分布式电源，合理协调电源能量分配，最优化经济效益和环境效益等问题亟待解决。多能源船舶微电网电源优化配置目的在于选择出能够实现系统经济性、供电可靠性、节能减排性等目标最优化的分布式电源组合配置，配置包括分布式电源种类、型号、数量、容量、安装位置等。独立微电网电源优化配置的结果是根据所要优化的目标来确定的，优化规划目标通常包括经济性、可靠性、环保性三大类。经济性目标包括全寿命周期内的标准化购置、燃料、维护、更换等成本；可靠性目标包括负荷缺失率、电力不足时间、电力不足概率等；环保性目标主要是CO₂、CO、SO₂、未燃烧碳氢化物、颗粒物、氮氧化物等污染物的排放水平。对于多能源船舶微电网，不同能源之间的运行控制策略具有多样性，而运行控制策略将直接影响系统配置方案的各项技术经济指标。

现有技术都是在特定静态控制策略下对微电网电源类型和容量参数进行优化，即在整个调度过程，固定使用柴油发电机来满足系统的要求，储能系统只是作为补充能源，或者固定使用储能系统来满足系统的要求，柴油发电机只是作为补充能源，而没有充分考虑蓄电池储能系统具有动态吸收能量或释放能量，蓄电池储能系统中能量来源组成比例的不确定性的特点，导致了蓄电池储能系统充放电所造成的使用经济性和环保性的不确定性；因此，从经济性层面考虑，根据储能系统的实时能量来源比例情况，柴油发电机和储能系统哪个作为补充能源应该是个动态变化的情况。

发明内容

有鉴于此，本发明的目的是提出一种多能源船舶微网的多目标电源配置优化方法，通过研究动态负荷下储能系统临界出力点，并以此作为柴蓄进行出力优先的判断，构建基于动态临界点的柴蓄优先选择的储能系统调度策略，实现真正意义上的动态多目标微电网的电源配置优化。

本发明采用以下方案实现：一种多能源船舶微网的多目标电源配置优化方法，具体包括以下步骤：

步骤S1：构建由柴油发电机组、可再生能源以及储能系统组成的船舶电力微网系统；其中所述柴油发电机组采用同步发电机发电，直接并入交流微网；所述可再生能源以及储能系统通过各自的交流器接入交流微网；

步骤S2：确定所述储能系统的实时临界最佳放电点；

步骤S3：基于步骤S2确定的所述储能系统的实时临界最佳放电点的能量协调构建调度控制策略；

步骤S4：将对各种备选电源的配置问题转化为求满足等式约束和不等式约束的目标函数最小值的优化模型：

其中，f(x)为优化目标函数，f₁(x),f₂(x),f₃(x)为目标函数，h(x)和g(x)分别为等式约束条件和不等式约束条件；f₁(x)全寿命周期内的投资总成本函数，f₂(x)为污染物排放治理成本函数，f₃(x)为系统容量可靠性函数；

步骤S5：以步骤S4构建的3个函数作为优化目标，基于步骤S3构建的调度控制策略，基于NSGA-II的多目标遗传算法进行求解。

进一步的，所述步骤S2具体包括以下步骤：

步骤S21：当前净负荷为L_j时，柴油发电机组发电成本Y₁采用下式计算：

Y₁＝(kL_j+C)F₁；

其中，k为燃料费用；C为污染气体单位治理费用；F₁为燃料消耗量；

步骤S22：当前净负荷为L_j时，蓄电池储能系统发电成本Y₂采用下式计算：

其中，k为燃料费用；C为污染气体单位治理费用；F₁为燃料消耗量，P_k为蓄电池储能系统中来自可再生能源的能量；μ为柴油发电机组对蓄电池储能系统的充电效率；

步骤S23：确定满足条件Y₁＝Y₂的点为所述储能系统的实时临界最佳放电点。

进一步的，所述步骤S3具体包括以下步骤：

步骤S31：计算当前仿真步长内蓄电池储能系统的最大充电功率P₃、放电功率P₄；并判断CH的值，当CH＝0，优先选择储能出力；当CH＝1，优先选择柴油发电机组出力；

步骤S32：判断是否n*P₅+P₄+P₁＜P_load并且n＜m；若是，则投入一台发电机，即令n＝n+1，并且重新判断步骤S32；否则，进入步骤S33；

步骤S33：判断是否(n-1)*P₅+P₄+P₁＞P_load、n*P₆+P₄+P₁＞P_load并且n＞1，若是，则关闭一台发电机，即令n＝n-1，并且重新判断步骤S33；否则进入步骤S34；

步骤S34：判断是否n*P₅+P₄+P₁＜P_load，若是，则令

P_gen＝n*P₅；

P＝P₄；

E_cs＝E_cs+P_load-n*P₅-P₄-P；

此时，发电机最大出力，蓄电池最大放电，确定容量短缺，并返回步骤S31；否则，进入步骤S35：

步骤S35：判断是否n*P₅+P₁＞P_load，若否，则令

此时，发电机最大出力，蓄电池实际放电，并返回步骤S31；若是，进入步骤S36；

步骤S36：判断是否n*P₆+P₁＞P_load，若是，进入步骤S37，否则进入步骤S38；

步骤S37：判断是否n*P₆+P₁+P₃＞P_load，若是，则令

此时，发电机最小出力，蓄电池最大充电，确定过剩电能，并返回步骤S31；否则，令

此时，发电机最小出力，蓄电池实际充电，并返回步骤S31；

步骤S38：判断是否CH＝1，若是，则进入步骤S39；否则，令

此时，发电机实际出力，并返回步骤S31；

步骤S39：判断是否n*P₆+P₁+P₄＞P_load，若是，则令

此时，发电机最小出力，蓄电池实际放电，并返回步骤S31；否则，令

此时，蓄电池最大放电，发电机实际出力，并返回步骤S31；

其中，P为实际充放电功率，充电为负，放电为正；P₁为风力发电机组和光伏发电系统可再生能源的总输出功率；n为柴油发电机组数量；P₅、P₆为柴油发电机组最大输出功率、最小输出功率；P_load为负荷需求；P_gen为柴油发电机组实际输出功率；E_cs为容量短缺；E_pt为过剩电能。

进一步的，步骤S3中的调度控制策略满足以下两个前提条件：

当前时刻柴油发电机组能够满足净负荷且无过剩电能；

当前时刻蓄电池储能系统最大放电功率P₄＞0，即SOC＞SOC_min，其中，SOC表示蓄电池储能系统的荷电状态，SOC_min表示蓄电池储能系统最小荷电状态设置。

进一步的，步骤S4中f₁(x),f₂(x),f₃(x)的计算采用下式：

其中，C_I(n)、C_R(n)、C_M(n)、C_F(n)分别为第n年各电源的初始投资费用、更新费用、维护费用和燃料费用；σ^CO、σ^HC、σ^NO、σ^S分别为污染物CO₂、CO、HC、CO、S的排放系数，ν^fule(k)为第k年柴油发电机的年消耗量；E_c(t)为t时刻未满足的容量，即负荷缺电量，E_l(t)为t时刻负荷需求容量。

进一步的，所述步骤S5具体包括以下步骤：

步骤S51：对系统进行初始化，读取独立微电网微电网系统中风力发电机组、蓄电池储能系统、光伏发电系统、柴油发电机组和遗传算法的参数；

步骤S52：初始化种群P，令当前迭代次数gen＝1，通过随机函数产生第一代种群的优化变量；

步骤S53：调用准稳态仿真计算目标函数值，并计算出初始种群个体适应度函数值、拥挤距离来进行Pareto排序；

步骤S54：从父代种群P中通过选择、交叉和变异操作得到子代种群Q_m，调用准稳态仿真计算目标函数值，并计算个体适应度函数值；

步骤S55：对父代种群和子代种群全体进行Pareto分级排序，根据个体的支配关系和拥挤距离保留非支配解，得到新一代种群个体；

步骤S56：判断迭代是否达到最大次数，若是，则输出最终的优化结果，否则将当前种群作为父代种群并返回步骤S53，并将当前迭代次数自增1。

与现有技术相比，本发明有以下有益效果：本发明针对一类包含柴油发电机、风力发电、光伏发电和电池储能的船舶微网系统，通过研究动态负荷下储能系统临界出力点，并以此作为柴蓄进行出力优先的判断，构建基于动态临界点的柴蓄优先选择的储能系统调度策略，实现真正意义上的动态多目标微电网的电源配置优化。

附图说明

图1为本发明实施例中的船舶微网系统示意图。

图2为本发明实施例中不同P_k下发电成本变化曲线图。

图3为本发明实施例中基于临界点的控制策略准稳态仿真计算流程图。

图4为本发明实施例中基于NSGA-II的多目标遗传算法示意图。

图5为风光柴蓄混合能源独立船舶微电网在基于柴蓄选择优先和不加入储能系统动态调度两种控制策略下的电源配置Pareto最优解集。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

本实施例构建由柴油发电机组、太阳能以及锂电池组组成的船舶电力微网系统，从燃料和排污费用角度，研究得到动态负荷下储能系统的临界出力点，对多能源微网在不同工况下的经济稳定运行下，研发了柴蓄选择优先的能量控制策略，充分利用可再生资源，实现船舶电力系统节能减排效果的最大化以及系统稳定经济运行，实现动态能量控制策略下微电网电源的配置优化。

本实施例具体按以下流程进行：

1、构建船舶微电网系统

本实施例所针对的船舶微网系统结构如图1所示。可再生能源和储能系统等通过各自的变流器接入交流微网系统。柴油发电机采用同步发电机发电，直接并入交流微网。在优化规划设计中，忽略线路阻抗引起的损耗。

2、基于柴储优先实时协调控制策略的构建。

2.1储能系统实时动态临界最佳放电点的确定。

对于柴油发电机组和蓄电池储能系统某一时刻发电成本计算，主要考虑运行燃料费用、排污治理费用。假设当前净负荷为L_j时，则利用柴油发电机组发电所产生的燃料和排污治理费用计算如式1所示。

Y₁＝(kL_j+C)F₁ (1)

式中，Y₁为柴油发电机组发电成本，￥；k为燃料费用，￥/h；C为污染气体单位治理费用，￥/L；F₁为燃料消耗量，L。

当净负荷为L_j时，计算蓄电池储能系统某一时刻发电成本需要判断其内部能量的来源情况。若使用来源于柴油发电机组给蓄电池充电的能量，则要通过考虑这部分的能量充电损耗率，计算出充电过程中实际的燃油消耗费用和排污治理费用；若使用来自可再生能源给蓄电池充电的能量，则近似出力成本为零。具体计算如式2所示。

式中，Y₂为蓄电池储能系统发电成本，￥；k为燃料费用，￥/h；C为污染气体单位治理费用，￥/L；F₁为燃料消耗量，L；P_k为蓄电池储能系统中来自可再生能源的能量，kW；μ为柴油发电机组对蓄电池储能系统的充电效率。

式中，λ为污染物当量值与治理费用的折算率；σ^CO、σ^HC、σ^NO、σ^S、和ξ^CO、ξ^HC、ξ^NO、ξ^S、为污染物CO₂、CO、HC、CO、S、SO₂的排放系数，kg/L和污染当量值，如表1所示。

表1大气污染物污染当量值

Tab.1Equivalentvalue ofair pollution

通过式(1)、(2)、(3)可求出不同P_k、不同净负荷条件下Y₁、Y₂大小。图2为Y₁、Y₂随净负荷大小L_j的变化曲线。

从图2可以看出，通过简化计算，发电成本与净负荷成线性关系；储能系统存储来源可再生能源的能量P_k越大，其出力成本越低。以储能P_k＝10为例，当净负荷L_j＝25kW时，Y₁＝Y₂＝2.46￥；当L_j＞25kW时，Y₁＜Y₂；当L_j＜25kW时，Y₁＞Y₂；所以定义在储能P_k＝10kW时，其临界优先放电点为P_Q＝25kW，即优先选择蓄电池储能系统进行出力，最大值为25kW。表2为不同储能下的临界优先放电点。

表2不同储能下的临界优先放电点

Tab.2Critical discharge point under different energy storage

2.2基于储能系统实时临界最佳放电点的能量协调控制策略。

根据以上储能充放临界点的确定方法，可以实时计算出不同时刻不同负荷基于储能不同充放临界点，根据该时刻的临界点构建调度策略准稳态仿真流程图如图3所示。其中CH表示柴蓄选择优先权，当CH＝0，优先选择储能出力；当CH＝1，优先选择柴油发电机组出力。P₃、P₄为当前仿真步长内蓄电池储能系统的最大充电功率、放电功率，P为实际充放电功率，充电为负，放电为正；P₁为风力发电机组和光伏发电系统可再生能源的总输出功率；n为柴油发电机组数量；P₅、P₆为柴油发电机组最大输出功率、最小输出功率；P_load为负荷需求；P_gen为柴油发电机组实际输出功率；E_cs为容量短缺；E_pt为过剩电能；

该调度策略需满足两个前提条件：

1)当前时刻柴油发电机组能够满足净负荷且无过剩电能；

2)当前时刻蓄电池储能系统最大放电功率P₄＞0，即SOC＞SOC_min。

3、船舶微电网的电源优化设计模型。

本实施例对各种备选电源的配置问题可以转化为求满足等式约束和不等式约束的目标函数最小值的优化模型，如式(4)所示：

式中：f(x)为优化目标函数；f₁(x)、f₂(x)、f₃(x)为目标函数；h(x)和g(x)分别为等式约束条件和不等式约束条件。

f₁(x)为全寿命周期内的投资总成本，如式(5)

其中，N为全寿命周期年限；r为折现率；C_I(n)、C_R(n)、C_M(n)、C_F(n)分别为第n年各电源的初始投资费用、更新费用、维护费用和燃料费用。

f₂(x)污染物排放治理成本，如式(6)

式中，σ^CO、σ^HC、σ^NO、σ^S分别为污染物CO₂、CO、HC、CO、S的排放系数，kg/L；ν^fule(k)为第k年柴油发电机的年消耗量，L。

f₃(x)系统容量可靠性，如式(7)

4、多目标电源配置优化求解。

本实施例以以上构建的三个函数作为优化目标，各目标之间不存在优劣之分。基于本发明所构建的柴储优先实时协调控制策略，采用了基于NSGA-II的多目标遗传算法进行求解，其求解流程如图4所示。

具体操作步骤如下：

1)对系统进行初始化。读取独立微电网微电网系统中风力发电机组、蓄电池储能系统、光伏发电系统、柴油发电机组等设备和遗传算法的参数。

2)初始化种群P，令当前迭代次数gen＝1，通过随机函数产生第一代种群的优化变量，调用准稳态仿真计算目标函数值，并计算出初始种群个体适应度函数值、拥挤距离来进行Pareto排序。

3)从父代种群P中通过选择、交叉和变异操作得到子代种群Q_m，调用准稳态仿真计算目标函数值，并计算个体适应度函数值。

4)对父代种群和子代种群全体进行Pareto分级排序，根据个体的支配关系和拥挤距离保留非支配解，得到新一代种群个体。

5)判断迭代是否达到最大次数，若是，则输出最终的优化结果，否则将当前种群P作为父代种群继续进行步骤3)，并将当前迭代次数自增1。

特别的，在本实施例中，如图5所示，图5为风光柴蓄混合能源独立船舶微电网在基于柴蓄选择优先和不加入储能系统动态调度两种控制策略下的电源配置Pareto最优解集。其中，策略1表示以柴油发电机组为主控电源的能量控制策略，策略2代表以柴油发电机组为主控电源并基于柴蓄选择优先的储能系统动态调度的能量控制策略；星型离散点代表在控制策略1下的电源配置Pareto最优解集；点型离散点代表在控制策略2下的电源配置Pareto最优解集。

从图5的(a)中可以发现，两种控制策略的Pareto解集分布趋势基本相同，说明三个目标函数的制约关系是一致的，不会因为控制策略的不同而改变；但同时也可以看出策略2的解集更优于策略1的解集。从图5的(b)、(c)、(d)可以明显地看出控制策略2相比策略1在相同缺失率的条件下，独立微电网的总成本现值和排污水平相对较低，由此可见，基于柴蓄选择优先的控制策略下独立微电网系统能够有效降低了全寿命周期内的成本现值和排污量并且在一定程度上提高了系统可靠性。

从图5所示的优化解集中对不同的能量控制策略各选两种配置组合方案进行分析，表3为策略1、2下选取的电源组合方案的运行结果。

表3策略1、2下的优化结果

从表3中可知，无论是配置1还是配置2，策略2相对策略1下的系统总成本现值、负荷缺失率和污染物排放量均低更低，这是因为在储能系统动态调度的策略中，蓄电池储能系统能够根据当前实际运行状况计算柴蓄发电成本来对出力方式进行选择，大大减少系统的运行成本，同时提高了蓄电池储能系统使用率，降低了污染物的排放量。因此采用基于储能系统动态调度的控制策略比单一使用柴油发电机组为主控电源的控制策略在独立微电网电源优化配置中有更好的经济性能、可靠性能和环保性能。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (6)

1.一种多能源船舶微网的多目标电源配置优化方法，其特征在于：包括以下步骤：

步骤S1：构建由柴油发电机组、可再生能源以及储能系统组成的船舶电力微网系统；其中所述柴油发电机组采用同步发电机发电，直接并入交流微网；所述可再生能源以及储能系统通过各自的交流器接入交流微网；

步骤S2：确定所述储能系统的实时临界最佳放电点；

步骤S3：基于步骤S2确定的所述储能系统的实时临界最佳放电点的能量协调构建调度控制策略；

步骤S4：将对各种备选电源的配置问题转化为求满足等式约束和不等式约束的目标函数最小值的优化模型：

$\left\{\begin{array}{c}\min f\left(x\right)=min\left\{f_1\right(x),f_2(x),f_3(x\left)\right\}\\ s.t.h\left(x\right)=0\\ g\left(x\right)\≤0\end{array}\right.;$

其中，f(x)为优化目标函数，f₁(x),f₂(x),f₃(x)为目标函数，h(x)和g(x)分别为等式约束条件和不等式约束条件；f₁(x)全寿命周期内的投资总成本函数，f₂(x)为污染物排放治理成本函数，f₃(x)为系统容量可靠性函数；

步骤S5：以步骤S4构建的3个函数作为优化目标，基于步骤S3构建的调度控制策略，基于NSGA-II的多目标遗传算法进行求解。

2.根据权利要求1所述的一种多能源船舶微网的多目标电源配置优化方法，其特征在于：所述步骤S2具体包括以下步骤：

步骤S21：当前净负荷为L_j时，柴油发电机组发电成本Y₁采用下式计算：

Y₁＝(kL_j+C)F₁；

其中，k为燃料费用；C为污染气体单位治理费用；F₁为燃料消耗量；

步骤S22：当前净负荷为L_j时，蓄电池储能系统发电成本Y₂采用下式计算：

$Y_2=\left\{\begin{array}{cc}0& (L_j<P_k)\\ ({\mathrm{kL}}_j+C)(L_j-P_k)F_1/\mathrm{\&mu;}& (L_j\&GreaterEqual;P_k)\end{array}\right.;$

其中，k为燃料费用；C为污染气体单位治理费用；F₁为燃料消耗量，P_k为蓄电池储能系统中来自可再生能源的能量；μ为柴油发电机组对蓄电池储能系统的充电效率；

步骤S23：确定满足条件Y₁＝Y₂的点为所述储能系统的实时临界最佳放电点。

3.根据权利要求1所述的一种多能源船舶微网的多目标电源配置优化方法，其特征在于：所述步骤S3具体包括以下步骤：

步骤S31：计算当前仿真步长内蓄电池储能系统的最大充电功率P₃、放电功率P₄；并判断CH的值，当CH＝0，优先选择储能出力；当CH＝1，优先选择柴油发电机组出力；

步骤S32：判断是否n*P₅+P₄+P₁＜P_load并且n＜m；若是，则投入一台发电机，即令n＝n+1，并且重新判断步骤S32；否则，进入步骤S33；

步骤S33：判断是否(n-1)*P₅+P₄+P₁＞P_load、n*P₆+P₄+P₁＞P_load并且n＞1，若是，则关闭一台发电机，即令n＝n-1，并且重新判断步骤S33；否则进入步骤S34；

步骤S34：判断是否n*P₅+P₄+P₁＜P_load，若是，则令

P_gen＝n*P₅；

P＝P₄；

E_cs＝E_cs+P_load-n*P₅-P₄-P；

此时，发电机最大出力，蓄电池最大放电，确定容量短缺，并返回步骤S31；否则，进入步骤S35：

步骤S35：判断是否n*P₅+P₁＞P_load，若否，则令

$\begin{array}{c}{P}_{\mathrm{gen}}=n*P_5\\ P=P_{\mathrm{load}}-n*P_5-P_1\end{array};$

此时，发电机最大出力，蓄电池实际放电，并返回步骤S31；若是，进入步骤S36；

步骤S36：判断是否n*P₆+P₁＞P_load，若是，进入步骤S37，否则进入步骤S38；

步骤S37：判断是否n*P₆+P₁+P₃＞P_load，若是，则令

$\begin{array}{c}{P}_{gen}=n*P_6\\ P=P_3\end{array};$

此时，发电机最小出力，蓄电池最大充电，确定过剩电能，并返回步骤S31；否则，令

$\begin{array}{c}P=P_{load}-n*P_6-P_1\\ P_{gen}=n*P_6\end{array};$

此时，发电机最小出力，蓄电池实际充电，并返回步骤S31；

步骤S38：判断是否CH＝1，若是，则进入步骤S39；否则，令

$\begin{array}{c}P=0\\ P_{gen}=P_{load}-P_1\end{array};$

此时，发电机实际出力，并返回步骤S31；

步骤S39：判断是否n*P₆+P₁+P₄＞P_load，若是，则令

$\begin{array}{c}P=P_{load}-n*P_6-P_1\\ P_{gen}=n*P_6\end{array};$

此时，发电机最小出力，蓄电池实际放电，并返回步骤S31；否则，令

$\begin{array}{c}P=P_4\\ P_{gen}=P_{load}-P_1-P_4\end{array};$

此时，蓄电池最大放电，发电机实际出力，并返回步骤S31；

其中，P为实际充放电功率，充电为负，放电为正；P₁为风力发电机组和光伏发电系统可再生能源的总输出功率；n为柴油发电机组数量；P₅、P₆为柴油发电机组最大输出功率、最小输出功率；P_load为负荷需求；P_gen为柴油发电机组实际输出功率；E_cs为容量短缺；E_pt为过剩电能。

4.根据权利要求3所述的一种多能源船舶微网的多目标电源配置优化方法，其特征在于：步骤S3中的调度控制策略满足以下两个前提条件：

当前时刻柴油发电机组能够满足净负荷且无过剩电能；

当前时刻蓄电池储能系统最大放电功率P₄〉0，即SOC＞SOC_min,其中，SOC表示蓄电池储能系统的荷电状态，SOC_min表示蓄电池储能系统最小荷电状态设置。

5.根据权利要求1所述的一种多能源船舶微网的多目标电源配置优化方法，其特征在于：步骤S4中f₁(x),f₂(x),f₃(x)的计算采用下式：

$f_1\left(x\right)=\underset{n=1}{\overset{N}{\&Sigma;}}\frac{\&lsqb;C_I\left(n\right)+C_R\left(n\right)+C_M\left(n\right)+C_F\left(n\right)\&rsqb;}{{(1+r)}^n};$

$f_2\left(X\right)=\underset{k=1}{\overset{K}{\&Sigma;}}({\mathrm{\&sigma;}}^{{\mathrm{CO}}_2},{\mathrm{\&sigma;}}^{CO},{\mathrm{\&sigma;}}^{HC},{\mathrm{\&sigma;}}^{NO},{\mathrm{\&sigma;}}^S)v^{fule}\left(k\right);$

$f_3\left(3\right)=\frac{\underset{t=1}{\overset{8760}{\&Sigma;}}{E}_c\left(t\right)}{\underset{t=1}{\overset{8760}{\&Sigma;}}{E}_l\left(t\right)};$

其中，C_I(n)、C_R(n)、C_M(n)、C_F(n)分别为第n年各电源的初始投资费用、更新费用、维护费用和燃料费用；σ^CO、σ^HC、σ^NO、σ^S分别为污染物CO₂、CO、HC、CO、S的排放系数，ν^fule(k)为第k年柴油发电机的年消耗量；E_c(t)为t时刻未满足的容量，即负荷缺电量；E_l(t)为t时刻负荷需求容量。

6.根据权利要求1所述的一种多能源船舶微网的多目标电源配置优化方法，其特征在于：所述步骤S5具体包括以下步骤：

步骤S51：对系统进行初始化，读取独立微电网微电网系统中风力发电机组、蓄电池储能系统、光伏发电系统、柴油发电机组和遗传算法的参数；

步骤S52：初始化种群P，令当前迭代次数gen＝1，通过随机函数产生第一代种群的优化变量；

步骤S53：调用准稳态仿真计算目标函数值，并计算出初始种群个体适应度函数值、拥挤距离来进行Pareto排序；

步骤S54：从父代种群P中通过选择、交叉和变异操作得到子代种群Q_m，调用准稳态仿真计算目标函数值，并计算个体适应度函数值；

步骤S55：对父代种群和子代种群全体进行Pareto分级排序，根据个体的支配关系和拥挤距离保留非支配解，得到新一代种群个体；

步骤S56：判断迭代是否达到最大次数，若是，则输出最终的优化结果，否则将当前种群作为父代种群并返回步骤S53，并将当前迭代次数自增1。