CN109800924A - 一种混合可再生能源系统的优化配置方法及装置 - Google Patents

一种混合可再生能源系统的优化配置方法及装置 Download PDF

Info

Publication number
CN109800924A
CN109800924A CN201910146054.1A CN201910146054A CN109800924A CN 109800924 A CN109800924 A CN 109800924A CN 201910146054 A CN201910146054 A CN 201910146054A CN 109800924 A CN109800924 A CN 109800924A
Authority
CN
China
Prior art keywords
renewable energy
energy system
mixing
mathematical model
solution
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.)
Pending
Application number
CN201910146054.1A
Other languages
English (en)
Inventor
李俊青
陈星睿
段培永
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.)
Shandong Normal University
Original Assignee
Shandong Normal 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 Shandong Normal University filed Critical Shandong Normal University
Priority to CN201910146054.1A priority Critical patent/CN109800924A/zh
Publication of CN109800924A publication Critical patent/CN109800924A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开提供了一种混合可再生能源系统的优化配置方法及装置。其中，优化配置方法，包括构建混合可再生能源系统的数学模型；确定混合可再生能源系统的数学模型中的决策变量及优化的目标及约束条件，进而利用头脑风暴优化算法求取混合可再生能源系统的数学模型的最优解。

Description

一种混合可再生能源系统的优化配置方法及装置
技术领域
本公开属于能源系统发电优化领域，尤其涉及一种混合可再生能源系统的优化配置方法及装置。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
混合可再生能源发电系统(HRES)通过结合不同形式的可再生能源和其他形式的储能和发电系统，可以有效提高供电系统的可靠性，降低发电成本，克服单一能源的不稳定性和随机性，从而提高系统电源的连续性和可靠性，提高系统的整体效率。
发明人发现，混合可再生能源发电系统的各个组件存在不同的建模方法，而选择不同的建模方法，则最终会影响混合可再生能源发电系统的整体功能。
发明内容
本公开的一个方面，提供一种混合可再生能源系统的优化配置方法，其采用头脑风暴优化算法优化系统的组件配置，能够提高混合可再生能源系的发电效率。
本公开的一种混合可再生能源系统的优化配置方法的技术方案为：
一种混合可再生能源系统的优化配置方法，包括：
构建混合可再生能源系统的数学模型；
确定混合可再生能源系统的数学模型中的决策变量及优化的目标及约束条件，进而利用头脑风暴优化算法求取混合可再生能源系统的数学模型的最优解；
所述利用头脑风暴优化算法求取混合可再生能源系统的数学模型的最优解的过程为：
初始化n个候选解种群，并分别计算n个解的适应度值，通过聚类算法，解集合被收敛到m个簇中；其中，n和m均为大于或等于2的正整数；
对每个簇中一个解进行变异生成新解，或两个解的组合进行变异生成新解；
将新的生成解与相同编号的原有解进行比较，存储较优适应值对应的解并作为新解进入迭代；
经过n次迭代，直到待优化的目标值不再发生变化，输出最优解。
进一步地，当所述混合可再生能源系统中包含光伏发电、风力发电机、蓄电池组和柴油发电机时，对光伏发电、风力发电机、蓄电池组和柴油发电机分别建立数学模型。
上述技术方案的优点在于，电池组用来储存多余的能量；柴油发电机的引入可以进一步提高混合可再生能源系统的可靠性。
进一步地，光伏发电的数学模型中的决策变量包括光照强度、环境温度和光伏面板的倾斜角；
风力发电机的数学模型中的决策变量包括风速；
蓄电池组的数学模型中的决策变量包括蓄电池组的充电状态；
柴油发电机的数学模型中的决策变量包括柴油发电机的燃料消耗。
上述技术方案的优点在于，光伏面板相对于太阳照明位置的倾斜度影响光伏面板的输出功率，因此光伏面板的倾斜角是系统中一个重要的决策变量。
由于能量与风速的立方成正比，风力涡轮机的功率随风速而变化。风速随高度的变化而变化，模型也会有所不同。
当发电不能满足负载时，电池组可用于放电负载。大多数电池模型考虑到充电状态(SOC)，该状态应保持在制造商提供的最大值和最小值范围内，以确保电池组的安全。电池组的SOC是建立在可再生能源发电与负荷功率需求之间关系的基础上的。
柴油发电机的引入会提高系统的成本，而柴油等化石燃料的消耗会增加有害污染物和温室气体的排放，柴油发电机的燃料消耗取决于其本身的性质。
进一步地，混合可再生能源系统的数学模型的优化的目标，包括系统年化成本、供电概率损失和燃料排放总量。
上述技术方案的优点在于，混合可再生能源系统的优化设计可以考虑多个目标。尽管这些优化目标在含义上并不完全相同，但它们可以分为三类：经济目标、可靠性目标和环境效益目标。因此，在系统优化设计中，从上述三类优化目标中可选取系统年化成本、供电概率损失和燃料排放总量作为优化目标。
本公开的另一个方面，提供一种混合可再生能源系统的优化配置装置，其采用头脑风暴优化算法优化系统的组件配置，能够提高混合可再生能源系的发电效率。
本公开的一种混合可再生能源系统的优化配置装置的技术方案为：
一种混合可再生能源系统的优化配置装置，包括：
系统模型构建模块，其用于构建混合可再生能源系统的数学模型；
系统模型求解模块，其用于确定混合可再生能源系统的数学模型中的决策变量及优化的目标及约束条件，进而利用头脑风暴优化算法求取混合可再生能源系统的数学模型的最优解；
在所述系统模型求解模块中，利用头脑风暴优化算法求取混合可再生能源系统的数学模型的最优解的过程为：
初始化n个候选解种群，并分别计算n个解的适应度值，通过聚类算法，解集合被收敛到m个簇中；其中，n和m均为大于或等于2的正整数；
对每个簇中一个解进行变异生成新解，或两个解的组合进行变异生成新解；
将新的生成解与相同编号的原有解进行比较，存储较优适应值对应的解并作为新解进入迭代；
经过n次迭代，直到待优化的目标值不再发生变化，输出最优解。
进一步地，当所述混合可再生能源系统中包含光伏发电、风力发电机、蓄电池组和柴油发电机时，对光伏发电、风力发电机、蓄电池组和柴油发电机分别建立数学模型。
上述技术方案的优点在于，电池组用来储存多余的能量；柴油发电机的引入可以进一步提高混合可再生能源系统的可靠性。
进一步地，光伏发电的数学模型中的决策变量包括光照强度、环境温度和光伏面板的倾斜角；
风力发电机的数学模型中的决策变量包括风速；
蓄电池组的数学模型中的决策变量包括蓄电池组的充电状态；
柴油发电机的数学模型中的决策变量包括柴油发电机的燃料消耗。
上述技术方案的优点在于，光伏面板相对于太阳照明位置的倾斜度影响光伏面板的输出功率，因此光伏面板的倾斜角是系统中一个重要的决策变量。
由于能量与风速的立方成正比，风力涡轮机的功率随风速而变化。风速随高度的变化而变化，模型也会有所不同。
当发电不能满足负载时，电池组可用于放电负载。大多数电池模型考虑到充电状态(SOC)，该状态应保持在制造商提供的最大值和最小值范围内，以确保电池组的安全。电池组的SOC是建立在可再生能源发电与负荷功率需求之间关系的基础上的。
柴油发电机的引入会提高系统的成本，而柴油等化石燃料的消耗会增加有害污染物和温室气体的排放，柴油发电机的燃料消耗取决于其本身的性质。
进一步地，混合可再生能源系统的数学模型的优化的目标，包括系统年化成本、供电概率损失和燃料排放总量。
上述技术方案的优点在于，混合可再生能源系统的优化设计可以考虑多个目标。尽管这些优化目标在含义上并不完全相同，但它们可以分为三类：经济目标、可靠性目标和环境效益目标。因此，在系统优化设计中，从上述三类优化目标中可选取系统年化成本、供电概率损失和燃料排放总量作为优化目标。
本公开的另一个方面，提供一种计算机可读存储介质，其采用头脑风暴优化算法优化系统的组件配置，能够提高混合可再生能源系的发电效率。
本公开的一种计算机可读存储介质的技术方案为：
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上述所述的混合可再生能源系统的优化配置方法中的步骤。
本公开的另一个方面，提供一种计算机设备，其采用头脑风暴优化算法优化系统的组件配置，能够提高混合可再生能源系的发电效率。
本公开的一种计算机设备的技术方案为：
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上述所述的混合可再生能源系统的优化配置方法中的步骤。
本公开的有益效果是：
对于混合可再生能源系统的规划和设计，不同的优化目标会产生不同的优化结果，从而产生不同的系统最优配置方案，混合可再生能源系统的优化设计考虑多个目标，是一个多目标优化问题，而且多目标优化问题的中目标之间是矛盾的，其中一个目标的改进可能会导致另一个目标的性能下降，本公开采用头脑风暴优化算法优化系统的组件配置，在多个目标之间进行协调和折衷，加快了对多个目标进行同时优化的过程，提高了混合可再生能源系的发电效率，降低了发电成本，减少了污染排放。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例提供的混合可再生能源系统的例图
图2(a)为本公开实施例提供的太阳能电池板图。
图2(b)为本公开实施例提供的风力涡轮机发电图。
图3为本公开实施例提供的解的Pareto支配图。
图4(a)为本公开实施例提供的由一个解的变异图。
图4(b)为本公开实施例提供的由两个解结合的变异图。
图5为本公开实施例提供的头脑风暴优化算法的过程图。
图6为本公开实施例提供的当地一年中每天负载图。
图7为本公开实施例提供的当地一年中每小时光照，风速，温度图。
图8为本公开实施例提供的50次迭代得到三维Pareto前沿图。
图9为本公开实施例提供的电池组充电放电图。
图10为本公开实施例提供的太阳能光伏板发电图。
图11为本公开实施例提供的风力涡轮机发电图。
图12为本公开实施例提供的柴油机发电图。
图13为本公开实施例提供的混合可再生能源系统的优化配置方法流程图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释：
HRES：混合可再生能源系统。
针对混合可再生能源系统的优化问题，本实施例基于脑风暴优化算法来求解目标最优解，其中，目标是最大限度地降低系统的年化成本(ACS)、供电概率损失(LPSP)和燃料排放总量。
在本实施例的脑风暴优化算法中，首先嵌入K-均值聚类方法，使相同的聚类结果具有相似的解。在此基础上，以城市街区的距离作为距离测度，使求解方法可行。然后，利用综合指数作为适应值来衡量每个个体的优劣。此外，为了提高脑风暴优化算法的效率，详细设计了一对交叉和变异策略。最后，通过一组实际实例对该算法的性能进行了测试，并进行了详细的实验比较，验证了该算法的竞争性能。
如图13所示，本实施例的一种混合可再生能源系统的优化配置方法，包括：
步骤1：构建混合可再生能源系统的数学模型。
在该步骤中，当混合可再生能源系统中包含光伏发电、风力发电机、蓄电池组和柴油发电机时，对光伏发电、风力发电机、蓄电池组和柴油发电机分别建立数学模型，如图1所示。
其中，电池组用来储存多余的能量；柴油发电机的引入可以进一步提高混合可再生能源系统的可靠性。
光伏发电的数学模型中的决策变量包括光照强度、环境温度和光伏面板的倾斜角；
风力发电机的数学模型中的决策变量包括风速；
蓄电池组的数学模型中的决策变量包括蓄电池组的充电状态；
柴油发电机的数学模型中的决策变量包括柴油发电机的燃料消耗。
如图2(a)所示，光伏发电的数学模型通常只考虑光照强度和环境温度作为变量。其中，光伏面板相对于太阳照明位置的倾斜度影响光伏面板的输出功率，因此光伏面板的倾斜角是系统中一个重要的决策变量。
将风力发电的额定输出功率设置为与额定风速相匹配。由于能量与风速的立方成正比，风力涡轮机的功率随风速而变化。风速随高度的变化而变化，模型也会有所不同，如图2(b)所示。
当发电不能满足负载时，电池组可用于放电负载。大多数电池模型考虑到充电状态(SOC)，该状态应保持在制造商提供的最大值和最小值范围内，以确保电池组的安全。电池组的SOC是建立在可再生能源发电与负荷功率需求之间关系的基础上的。
柴油发电机的引入会提高系统的成本，而柴油等化石燃料的消耗会增加有害污染物和温室气体的排放，柴油发电机的燃料消耗取决于其本身的性质。
以上模型计算公式如下：
在倾斜光伏板上的入射辐射太阳能通过方程1计算。δ是太阳纬角，h是太阳高度角，太阳高度角是太阳入射方向与水平地面之间的夹角。其中θ是地轴与地球公转轨道平面的倾角，n是一年中的序数天数并且一月一号等于1，是地理纬度，τ是时角，即每隔一小时地球自转所经过的角度，lt是当地时间。在公式4-5中，Gi是倾斜光伏板上的入射辐射,Gg是太阳辐射的水平分量，β是太阳能光伏板的倾角，计算得到垂直于倾斜表面的太阳辐射的有效分量Gp。光伏板在t时刻考虑周围温度效应的最大输出功率可以由公式6-公式9表示。
ISC(t)表示光伏电池的短路电流；VOC(t)表示光伏电池的开路电压；
TC(t)是t时刻光伏板的温度，TA(t)是t时刻系统周围环境的温度；
ISC,STC和VOC,STC分别是标准测试条件下光伏电池的短路电流和开路电压，KI和KV是相应的温度系数。PM(t,β)是包含Ns个串联NP个并联光伏板的光伏阵列的输出功率，FF(t)是填充因子，该参数值与光伏电池的性质有关。
公式9中v是风力发电机模型的输入，表示其中每一时刻的风速，Cp是风机的性能系数，是一个风机的输出功率除以最大风功率，ρ是空气密度，MA是转子扫过的面积，PR是风机的额定功率。在本实施例中，Vci是风机的切入速度，设置为4(m/s)，额定风速Vr设置为14m/s，切出风速Vco设置为20m/s。
其中：vh是风机高度为Hwg时的风速，Hi为参考高度，x是风速指数定律系数；
电池模型的核电状态(SOC)保持在制造商给定的最大值和最小值范围内，以保证电池组的安全。在公式12中，SOC(t)表示计算电池组在每一仿真时间步长的核电状态，其中Pbat(t)是电池输入/输出功率，Vbus是直流母线电压，Δt是仿真时间步长，本实施例等于1小时，ηbat是双向充放电效率，在充电过程时取80％，在放电过程时取100％。Cn是储能电池组的额定容量。
公式13中Fc表示柴油发电机的燃料消耗，其中Pr是柴油发电机的额定功率，Pdg是柴油发电机的输出功率，Adg和Bdg是燃料消耗曲线系数。
步骤2：确定混合可再生能源系统的数学模型中的决策变量及优化的目标及约束条件，进而利用头脑风暴优化算法求取混合可再生能源系统的数学模型的最优解。
对于混合可再生能源系统的规划和设计，不同的优化目标会产生不同的优化结果，从而产生不同的系统最优配置方案。从混合可再生能源系统的研究现状可以看出，混合可再生能源系统的优化设计可以考虑多个目标，但只有一个目标，而不是多个目标。尽管这些优化目标在含义上并不完全相同，但它们可以分为三类：经济目标、可靠性目标和环境效益目标。
在系统优化设计中，从上述三类优化目标中选取系统年化成本(ACS)、供电概率(LPSP)和燃料排放总量作为优化目标。
(1)系统年化成本(ACS)
系统年化成本是根据系统寿命、年利率、通货膨胀率等因素计算的年成本，能够合理反映系统一年的经济效益。公式如下：
ACS＝IC×CRF+Cr×SFF+OMC (14)
其中：IC表示年化初始投资成本，CRF表示资本回收因子，是计算投资成本在一定利率下，每年可以回收钱数的一个比例。Crep表示元件的更换成本，SFF表示偿债基金系数，将更换成本换算为元件寿命内的平均年化替换成本。OMC表示当年的运行维修成本。
(2)供电概率损失(LPSP)
由于可再生能源的间歇性和随机性，可靠性分析是HRES优化过程中必须考虑的一个重要目标。系统的可靠性是指系统响应要求。供电概率损失(LPSP)被定义为系统容量不能满足负荷需求的总时间的比率。其值范围为[0，1]，0表示始终可以满足负荷，1表示负荷在整个周期中始终不会满足。计算LPSP的公式如下：
其中：LOLE是指一段时间内负载超过可用电量时间的期望值。T为总时长，通常取一年的时长，即8760h。
(3)燃料排放总量
对于环境绩效目标，许多研究已经考虑了燃料的排放，包括温室气体的排放。CO2通常具有代表性，是造成温室效应的主要气体。在HRES中，燃料排放主要来自柴油发电机，其排放大部分为CO2。因此，直接用柴油发电机组的CO2排放来代表系统的燃料排放，并将其作为环境效益的优化目标。排放量可按公式(16)计算：
其中，Fc(t)为柴油发电机在t时刻下的燃料消耗量，Ef为排放因子，该参数取决于柴油发电机和燃料的性质。
在本实施例中，目标函数包括：系统的年化成本(ACS)、供电概率损失(LPSP)和一年内的燃料排放量。
决策变量D描述如下：
D＝[Dpv,Dwg,Dbat,Ddg,Hwg,β] (17)
其中，决策变量包括光伏电池板计数Dpv、风力涡轮机计数Dwg、电池计数Dbat和柴油发电机计数Ddg。另外，光伏板的倾角为β。同时还考虑了风塔高度Hwg对模拟结果的影响。
在本实施例中，考虑到上述决策变量和目标的约束，多目标优化问题可以表示为以下形式。
MinFj＝(ACS,LPSP,Fe) (18)
约束条件如下：
其中，目标函数Dpv，Dwg，Dbat，Ddg是整数，Hwg并且在给定的高度范围内。
在具体实施中，利用头脑风暴优化算法求取混合可再生能源系统的数学模型的最优解的过程为：
初始化n个候选解种群，并分别计算n个个体的适应度值；其中每个个体指的是一个解；通过聚类算法，解集合被收敛到m个簇中；其中，n和m均为大于或等于2的正整数；
通过对每个簇中一个解进行变异生成新解，或两个解的组合进行变异生成新解，将新的生成解与相同编号的原有解进行比较，存储较优适应值对应的解并作为新解进入迭代；
经过n次迭代，直到待优化的目标值不再发生变化，输出最优解。
具体地，头脑风暴方法是指将一些人聚集起来，对单个人难以解决的问题进行集思广益，从而产生解决问题的灵感。在这一过程中，重要的不是这些想法一时的正误，而是不断提出新的想法，并在这些想法的基础上继续扩展，最终找到解决问题的方法，头脑风暴优化算法借鉴了这一过程中的核心思想；延后评判、大胆假设、交叉借鉴以及以量取胜，通过大量的设想，最终极大可能性产生一个优秀的问题解决方案，算法在优化测试函数上取得了良好的效果。这种新算法结合了群智能优化算法与数据挖掘方法的优势，将智能优化算法中的每个解视为一个数据点，通过对数据点的聚类，找到问题的最优解。
头脑风暴优化算法步骤如下：
步骤(1)聚类；
步骤(2)交叉；
步骤(3)变异。
具体地，步骤(1)聚类的过程为：
在头脑风暴优化算法中采用K-Means聚类方法聚类，K-Means聚类算法是一种经典且简单的聚类算法。K-Means聚类算法也叫K-均值聚类算法，算法的基本思想是将每个聚类子集内的所有数据样本的平均值作为该聚类算法的代表点，以城市块距离作相似测度，城市区块距离(city block distance)为标准坐标系上的绝对轴距总和，结果是两个坐标差的绝对值之和。通过迭代过程,将数据集根据相似测度划分为不同的类别，使得评价聚类性能的准则函数达到最优，从而生成类内紧凑，类间独立的类结构。其中每个质心是该群集中各点的分量中位数。
K-Means聚类算法基本步骤如下：
步骤(1-1)：从n个数据对象中任意选择k个对象作为初始聚类中心。
步骤(1-2)：计算每个数据对象与这些聚类中心的距离，并根据最小距离对相应对象进行划分。
步骤(1-3)：重新计算每个(有变化)聚类的均值，求得的均值作为聚类中心。
步骤(1-4)：重复步骤(1-2)、步骤(1-3)、直到迭代最大次数。
具体地，步骤(2)交叉的过程为：
通过步骤(1)把每类中取得最优适应度函数值的个体作为这个分类中的类中心，以一定的概率pa进行类中心的更新，随机选中一个中心，随机产生一个0到1之间的数r1，若r1<pa，则随机产生一个个体替换随机选中的类中心。否则选择随机产生两个类中心或类个体合并。通过聚类中心的寻优过程保证算法的收敛性能，对类中信息变异寻优的过程保证了算法种群的多样性。
具体地，步骤(3)变异的过程为：
步骤(3-1)：个体的更新主要是有以下四种方式：
随机产生一个0到1间的数值，如果该值小于概率参数p5a,按照以下两种方式产生新个体。
第一种方式：随机选中的一个类的类中心加一个随机扰动产生新个体。
第二种方式：在随机选中的类上随机选择一个个体，个体加一个随机扰动产生一个新的个体。
随机产生一个0到1间的数值，如果该值比概率参数p6b小,则按照以下两种方式产生新个体。
第三种方式：随机选中的两个类的类中心，随机产生一个0到1之间的数值，如果该值比概率参数p6biii小，则先进行融合，再在融合的基础上加一个随机扰动产生一个新个体。
第四种方式：在随机选中的两个类上分别随机选择一个个体，随机产生一个0到1之间的数值，如果该值小于概率参数p6c,先进行融合，再在融合基础上加一个随机扰动产生新个体。
步骤(3-2)：比较新产生的个体与原个体的适应度函数值，若新个体较优，则替换原个体。
步骤(3-3)：比较M个分类中的个体，找出其中适应度函数值最优的个体。
步骤(3-4)：个体逐一进行更新，若达到迭代停止的条件，则停止迭代。
在上述的步骤中，每一类的小群体被选中的概率与群体中个体的数量成正比，随机扰动可以用下式表示：
XN＝XS+ξ·n(μ,σ) (20)
γ＝log((0.5*m_i-c_i)/k)*r() (21)
其中，XN是选择信息量的第d维，XS是新产生信息量的第d维，n(μ,σ)为均值为μ方差为σ的高斯函数。γ是一个权重系数，γ用上式描述：其中，log()是S型对数传递函数，m_i是最大迭代次数，c_i是当前迭代次数，k可以改变log()函数的斜率，r()是(0,1)间的随机值，ξ是权重系数。
两个个体融合过程可以用下式表示：
xnew＝tx1+(1-t)x2 (22)
其中xnew为两个个体融合产生的新个体，x1,x2为执行融合操作的两个个体，t是一个0到1之间的随机数。
如图3所示，头脑风暴优化算法中共涉及到四个参数p5a、p6b、p6biii、p6c，其中，p5a确定了算法过程中是否要直接取一个聚类中心，加上随机值产生新的信息，该概率值越小，说明改变聚类中心的可能性越小，参数p5a在算法中起到了一个扰动作用。p6b决定了一个类与两个类的选择，参数p6b决定了选择一个类产生新的信息量还是选择两个类产生新的信息量，p6b决定了算法信息的交互性，而交互性决定了算法解的多样性。p6b越大，选择一个类的可能性越大，选择一个类中信息量产生新的信息量是为了促进局部搜索，而选择合并两个类中的信息量产生新的信息量是为了促进全部搜索。p6biii决定了一个类中优化聚类中心或随机选择一个信息产生新的信息量，参数p6biii的大小确定了选择一个类时，是选择聚类中心产生新的信息量还是随机取一个类成员产生新的信息量，p6biii取值越小，选择聚类中心的可能性就越小。p6c决定了两个类中优化聚类中心或随机选择一个信息量产生新的信息量，选择聚类中心产生新的信息量是为了保证算法的收敛性，p6c取值越小，选择两个聚类中心的可能性就越小。选择其他信息量是为了避免算法早熟。
利用头脑风暴优化算法对混合可再生能源系统模型求解优化时，首先初始化n(例如50)个候选解种群，并分别计算n(例如50)个个体的适应度值，通过聚类算法，解集合被收敛到m(比如m＝2)个簇中。在头脑风暴优化算法中,通过对簇中一个解或两个解的组合，进行变异生成新解，如图4(a)和图4(b)所示。将新的生成解与相同编号的原有解进行比较，存储拥有好的适应值的解并作为新解进入迭代。经过多次迭代后，所有的解以大的几率被聚类到一个小的搜索区域。概率参数用来控制使用随机解替换聚类中心的概率，可以防止算法过早的收敛，并有助于解跳出局部极值。头脑风暴算法是单目标优化算法，为了能够衡量每个个体的优劣性，使用综合指标作为目标值；
经过n(例如50)次的迭代，直到综合指标权重目标值的不在发生变化，如图5所示。
混合可再生能源系统编程通常是一个多目标优化问题，其中涉及多个目标。总体来说，多目标优化问题的子目标是矛盾的，其中一个子目标的改进可能会导致另一个子目标的性能下降。混合可再生能源系统规划通常是一个涉及多个目标的多目标优化问题。一般情况下，多目标优化问题的子目标是矛盾的，对其中一个子目标的改进可能会导致另一个子目标的性能下降。也就是说，不可能同时获得多个子对象的多个最优值，只能在它们之间进行协调和折衷，以便尽可能地对子目标进行优化。它与单目标优化问题的本质区别在于解不是唯一的，而是存在一组由多个Pareto最优解组成的最优解。改进头脑风暴优化算法在求解混合可再生能源系统时得到了n(例如50)个Pareto最优解，其中一个解带入模型，验证了模型的有效性，这表现出了头脑风暴优化算法的竞争性。
下面给出具体实验结果：
通过一个混合能源发电系统，为西班牙萨拉戈萨东北地区供电。由于不同的组件构成不同的混合可再生能源系统，从而在模型优化时获得不同的优化方案。本实施例以Wang等人使用过的模型，使用改进的BSO算法进行系统优化。根据气象站里获取到近几年当地平均风速，光照强度，温度等数据。系统优化时的仿真过程以一小时为步长，因此太阳辐射、风速、环境温度以及负载需求等实验相关数据也以小时为步长，并且假设这些数据在每一个小时内都是固定不变的。如图6所示，为本实施例的当地一年中每天负载图；如图7所示，本实施例提供的当地一年中每小时光照，风速，温度图。为了便于研究，假设混合可再生能源系统中的负载需求均为支流负载，混合可再生能源与电池组储能系统相连时的支流电压为48V。
输入的气象数据包括当地水平面的太阳辐射，在10米高度测量的每小时平均风速和每小时的平均环境温度。
除了气象数据和负载数据，系统仿真与优化过程的输入数据还包括各元件的技术参数与相关的成本数据。结合之前的相关研究文献，可以整理出系统各个元件的相关参数，这些系统元件相关的性质参数，包括标准测试条件下的输出电压电流，最大输出电压电流，最大输出功率，初始投资成本Cinv和维修成本Com等参数。图8是本实施例的50次迭代得到三维Pareto前沿图。图9是本实施例的电池组充电放电图。图10是本实施例的太阳能光伏板发电图。图11是本实施例的风力涡轮机发电图。图12是本实施例的柴油机发电图。
由于模型的复杂性和参数的多样性使得传统算法难以解决这类问题，头脑风暴优化算法作为近几年新兴起的群智能优化算法可以很好的解决该问题。利用头脑风暴优化算法对混合可再生能源系统模型求解优化时，首先初始化50个候选解种群，并分别计算50个个体的适应度值，通过聚类算法，解集合被收敛到簇中。
在头脑风暴优化算法中,通过对簇中一个解或两个解的组合进行变异生成新解。将新的生成解与相同编号的原有解进行比较，存储拥有好的适应值的解并作为新解进入迭代。经过多次迭代后，所有的解以大的几率被聚类到一个小的搜索区域.概率参数用来控制使用随机解替换聚类中心的概率，可以防止算法过早的收敛，并有助于解跳出局部极值。经过50次的迭代，权重目标值的不在发生变化。
从帕累托前沿可以看出，系统的年华成本(ACS)目标与功率供应损失概率(LPSP)和燃料排放两个目标具有明显的相负关系。结合二维帕累托前沿可以得知，要降低系统燃料排放会使得系统年华成本增加，同样降低LPSP的值也会使得ACS值变大，总而言之，一个可靠性更高、燃料排放更低的系统要以花费更多的成本为代价。因此，一个最优的系统配置方案将会是权衡这三个目标得到的方案，没有任何一种方案能够使得三个目标同时最小。
在本实施例中，将头脑风暴优化算法应用到HRES系统中，并同时优化系统年化成本，系统功率缺失率和CO2排放。与SPEA方法相比，两者使用不同的组件，SPEA有更复杂的系统元件。但是在三维坐标系中，头脑风暴优化算法有更好分集性，相似的解在同一个分类中。并且与PICEA相比，头脑风暴优化算法能更快速度收敛和更少的时间找到Pareto最优解。
表1 10个Pareto平面上的解
在另一实施例中，提供了一种混合可再生能源系统的优化配置装置，其采用头脑风暴优化算法优化系统的组件配置，能够提高混合可再生能源系的发电效率。
本实施例的一种混合可再生能源系统的优化配置装置的技术方案为：
一种混合可再生能源系统的优化配置装置，包括：
系统模型构建模块，其用于构建混合可再生能源系统的数学模型；
系统模型求解模块，其用于确定混合可再生能源系统的数学模型中的决策变量及优化的目标及约束条件，进而利用头脑风暴优化算法求取混合可再生能源系统的数学模型的最优解；
在所述系统模型求解模块中，利用头脑风暴优化算法求取混合可再生能源系统的数学模型的最优解的过程为：
初始化n个候选解种群，并分别计算n个解的适应度值，通过聚类算法，解集合被收敛到m个簇中；其中，n和m均为大于或等于2的正整数；
通过对每个簇中一个解进行变异生成新解，或两个解的组合进行变异生成新解；
将新的生成解与相同编号的原有解进行比较，存储较优适应值对应的解并作为新解进入迭代；
经过n次迭代，直到待优化的目标值不再发生变化，输出最优解。
在另一实施例中，当所述混合可再生能源系统中包含光伏发电、风力发电机、蓄电池组和柴油发电机时，对光伏发电、风力发电机、蓄电池组和柴油发电机分别建立数学模型。
上述技术方案的优点在于，电池组用来储存多余的能量；柴油发电机的引入可以进一步提高混合可再生能源系统的可靠性。
在另一实施例中，光伏发电的数学模型中的决策变量包括光照强度、环境温度和光伏面板的倾斜角；
风力发电机的数学模型中的决策变量包括风速；
蓄电池组的数学模型中的决策变量包括蓄电池组的充电状态；
柴油发电机的数学模型中的决策变量包括柴油发电机的燃料消耗。
上述技术方案的优点在于，光伏面板相对于太阳照明位置的倾斜度影响光伏面板的输出功率，因此光伏面板的倾斜角是系统中一个重要的决策变量。
由于能量与风速的立方成正比，风力涡轮机的功率随风速而变化。风速随高度的变化而变化，模型也会有所不同。
当发电不能满足负载时，电池组可用于放电负载。大多数电池模型考虑到充电状态(SOC)，该状态应保持在制造商提供的最大值和最小值范围内，以确保电池组的安全。电池组的SOC是建立在可再生能源发电与负荷功率需求之间关系的基础上的。
柴油发电机的引入会提高系统的成本，而柴油等化石燃料的消耗会增加有害污染物和温室气体的排放，柴油发电机的燃料消耗取决于其本身的性质。
在另一实施例中，混合可再生能源系统的数学模型的优化的目标，包括系统年化成本、供电概率损失和燃料排放总量。
上述技术方案的优点在于，混合可再生能源系统的优化设计可以考虑多个目标。尽管这些优化目标在含义上并不完全相同，但它们可以分为三类：经济目标、可靠性目标和环境效益目标。因此，在系统优化设计中，从上述三类优化目标中可选取系统年化成本、供电概率损失和燃料排放总量作为优化目标。
在另一实施例中，还提供了一种计算机可读存储介质，其采用头脑风暴优化算法优化系统的组件配置，能够提高混合可再生能源系的发电效率。
本实施例的一种计算机可读存储介质的技术方案为：
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上述所述的混合可再生能源系统的优化配置方法中的步骤。
在另一实施例中，还提供了一种计算机设备，其采用头脑风暴优化算法优化系统的组件配置，能够提高混合可再生能源系的发电效率。
本实施例的一种计算机设备的技术方案为：
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上述所述的混合可再生能源系统的优化配置方法中的步骤。
本实施例对于混合可再生能源系统的规划和设计，不同的优化目标会产生不同的优化结果，从而产生不同的系统最优配置方案，混合可再生能源系统的优化设计考虑多个目标，是一个多目标优化问题，而且多目标优化问题的中目标之间是矛盾的，其中一个目标的改进可能会导致另一个目标的性能下降，本公开采用头脑风暴优化算法优化系统的组件配置，在多个目标之间进行协调和折衷，加快了对多个目标进行同时优化的过程，提高了混合可再生能源系的发电效率，降低了发电成本，减少了污染排放。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种混合可再生能源系统的优化配置方法，其特征在于，包括：
构建混合可再生能源系统的数学模型；
确定混合可再生能源系统的数学模型中的决策变量及优化的目标及约束条件，进而利用头脑风暴优化算法求取混合可再生能源系统的数学模型的最优解；
所述利用头脑风暴优化算法求取混合可再生能源系统的数学模型的最优解的过程为：
初始化n个候选解种群，并分别计算n个解的适应度值，通过聚类算法，解集合被收敛到m个簇中；其中，n和m均为大于或等于2的正整数；
对每个簇中一个解进行变异生成新解，或两个解的组合进行变异生成新解；
将新的生成解与相同编号的原有解进行比较，存储较优适应值对应的解并作为新解进入迭代；
经过n次迭代，直到待优化的目标值不再发生变化，输出最优解。
2.如权利要求1所述的一种混合可再生能源系统的优化配置方法，其特征在于，当所述混合可再生能源系统中包含光伏发电、风力发电机、蓄电池组和柴油发电机时，对光伏发电、风力发电机、蓄电池组和柴油发电机分别建立数学模型。
3.如权利要求2所述的一种混合可再生能源系统的优化配置方法，其特征在于，光伏发电的数学模型中的决策变量包括光照强度、环境温度和光伏面板的倾斜角；
风力发电机的数学模型中的决策变量包括风速；
蓄电池组的数学模型中的决策变量包括蓄电池组的充电状态；
柴油发电机的数学模型中的决策变量包括柴油发电机的燃料消耗。
4.如权利要求1所述的一种混合可再生能源系统的优化配置方法，其特征在于，混合可再生能源系统的数学模型的优化的目标，包括系统年化成本、供电概率损失和燃料排放总量。
5.一种混合可再生能源系统的优化配置装置，其特征在于，包括：
系统模型构建模块，其用于构建混合可再生能源系统的数学模型；
系统模型求解模块，其用于确定混合可再生能源系统的数学模型中的决策变量及优化的目标及约束条件，进而利用头脑风暴优化算法求取混合可再生能源系统的数学模型的最优解；
在所述系统模型求解模块中，利用头脑风暴优化算法求取混合可再生能源系统的数学模型的最优解的过程为：
初始化n个候选解种群，并分别计算n个解的适应度值，通过聚类算法，解集合被收敛到m个簇中；其中，n和m均为大于或等于2的正整数；
对每个簇中一个解进行变异生成新解，或两个解的组合进行变异生成新解；
将新的生成解与相同编号的原有解进行比较，存储较优适应值对应的解并作为新解进入迭代；
经过n次迭代，直到待优化的目标值不再发生变化，输出最优解。
6.如权利要求5所述的一种混合可再生能源系统的优化配置装置，其特征在于，当所述混合可再生能源系统中包含光伏发电、风力发电机、蓄电池组和柴油发电机时，对光伏发电、风力发电机、蓄电池组和柴油发电机分别建立数学模型。
7.如权利要求6所述的一种混合可再生能源系统的优化配置装置，其特征在于，光伏发电的数学模型中的决策变量包括光照强度、环境温度和光伏面板的倾斜角；
风力发电机的数学模型中的决策变量包括风速；
蓄电池组的数学模型中的决策变量包括蓄电池组的充电状态；
柴油发电机的数学模型中的决策变量包括柴油发电机的燃料消耗。
8.如权利要求5所述的一种混合可再生能源系统的优化配置装置，其特征在于，混合可再生能源系统的数学模型的优化的目标，包括系统年化成本、供电概率损失和燃料排放总量。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的混合可再生能源系统的优化配置方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一项所述的混合可再生能源系统的优化配置方法中的步骤。
CN201910146054.1A 2019-02-27 2019-02-27 一种混合可再生能源系统的优化配置方法及装置 Pending CN109800924A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910146054.1A CN109800924A (zh) 2019-02-27 2019-02-27 一种混合可再生能源系统的优化配置方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910146054.1A CN109800924A (zh) 2019-02-27 2019-02-27 一种混合可再生能源系统的优化配置方法及装置

Publications (1)

Publication Number Publication Date
CN109800924A true CN109800924A (zh) 2019-05-24

Family

ID=66561385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910146054.1A Pending CN109800924A (zh) 2019-02-27 2019-02-27 一种混合可再生能源系统的优化配置方法及装置

Country Status (1)

Country Link
CN (1) CN109800924A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110363363A (zh) * 2019-07-31 2019-10-22 广东电网有限责任公司 一种用于综合能源系统的双阶段调度模型优化方法
CN111815048A (zh) * 2020-07-07 2020-10-23 江南大学 基于改进头脑风暴算法的低碳垃圾分类收运方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104022534A (zh) * 2014-06-17 2014-09-03 华北电力大学 风光储发电单元多目标协调运行优化方法
CN106779361A (zh) * 2016-12-02 2017-05-31 中国人民解放军国防科学技术大学 并网混合可再生能源系统的多目标优化设计方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104022534A (zh) * 2014-06-17 2014-09-03 华北电力大学 风光储发电单元多目标协调运行优化方法
CN106779361A (zh) * 2016-12-02 2017-05-31 中国人民解放军国防科学技术大学 并网混合可再生能源系统的多目标优化设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
程适等: "数据驱动的发展式头脑风暴优化算法综述", 《郑州大学学报（工学版）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110363363A (zh) * 2019-07-31 2019-10-22 广东电网有限责任公司 一种用于综合能源系统的双阶段调度模型优化方法
CN111815048A (zh) * 2020-07-07 2020-10-23 江南大学 基于改进头脑风暴算法的低碳垃圾分类收运方法及系统

Similar Documents

Publication Publication Date Title
Ridha et al. Multi-objective optimization and multi-criteria decision-making methods for optimal design of standalone photovoltaic system: A comprehensive review
CN109599861A (zh) 考虑本地负荷调峰能力的送端电网电源结构规划方法
CN108879793B (zh) 一种风光蓄能水电站互补的离网式混合能源系统优化方法
CN104836259B (zh) 一种多能源船舶微网实时能量优化调度方法
CN103049798B (zh) 一种应用于光伏发电系统的短期发电功率预测方法
CN109347151A (zh) 一种新能源参与调峰的送端电网电源结构优化方法
Awan Performance analysis and optimization of a hybrid renewable energy system for sustainable NEOM city in Saudi Arabia
CN109361237A (zh) 基于改进混合粒子群算法的微电网容量优化配置方法
CN104765967A (zh) 一种离网混合可再生能源系统的多目标优化设计方法
Sharafi et al. A dynamic MOPSO algorithm for multiobjective optimal design of hybrid renewable energy systems
CN109390973A (zh) 一种考虑通道约束的送端电网电源结构优化方法
CN109598433A (zh) 考虑弃能成本和调峰需求的送端电网电源结构规划方法
CN103854070A (zh) 独立微网系统的随机优化规划方法
CN113326467B (zh) 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统
Perera et al. Converting existing Internal Combustion Generator (ICG) systems into HESs in standalone applications
CN109742781A (zh) 一种船用柴油机混合能源系统配置的优化方法
CN105226639B (zh) 基于系统等效电价最低的微网系统设计方案及测试平台
Chen et al. An improved brain storm optimization for a hybrid renewable energy system
CN105488584A (zh) 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
CN109800924A (zh) 一种混合可再生能源系统的优化配置方法及装置
Singh et al. Techno-socio-economic-environmental estimation of hybrid renewable energy system using two-phase swarm-evolutionary algorithm
Jafari et al. Electrify Italy: The role of renewable energy
Wu et al. Economic analysis of power grid interconnections among Europe, North-East Asia, and North America with 100% renewable energy generation
Manirathinam et al. Sustainable renewable energy system selection for self-sufficient households using integrated fermatean neutrosophic fuzzy stratified AHP-MARCOS approach
Luo et al. Multi-Objective Optimization Scheduling of Microgrids Based on Particle Swarm Optimization Algorithm

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190524