CN110474330A - 一种并网式混合能源系统的太阳能投资优化方法 - Google Patents

Abstract

本发明公开了一种并网式混合能源系统的太阳能投资优化方法，通过并网式混合能源系统的出力模型、成本函数和约束条件，采用二次序列规划算法和线性递减权重粒子群算法建立双层规划，分别在内外层对并网式混合能源系统的运行优化目标函数和容量优化目标函数进行优化，得到太阳能投资的最优光、热投资面积分配方案及对应热泵和电池的最佳容量。

Description

一种并网式混合能源系统的太阳能投资优化方法

技术领域

本发明属于新能源领域，更为具体地讲，涉及一种考虑光伏/光热/蓄电池的 并网式混合能源系统的太阳能投资优化方法。

背景技术

随着人类发展所需的能源不断增长，化石能源被大量开采和使用。在导致 温室效益及大量空气污染问题的同时，化石能源也日益枯竭。太阳能十分丰富， 可谓取之不尽，用之不竭，被认为是解决能源紧缺问题的最有效的可再生能源 之一。同时，清洁的太阳能的使用也可以有效减少温室效益等环境问题。太阳 能光伏发电是太阳能发电最广泛的应用之一，2018年光伏发电累计装机容量超 过170GW，同比增长34％，占全部电源装机比重超9％。此外，太阳能集热产 业也在飞速发展，太阳能生活热水的供应已占到了当今太阳能利用方式总数的 82％。综合考虑太阳能的多种应用，将太阳能转化为热能、电能满足用户的多种 需求成为太阳能发展的趋势。对区域太阳能的利用进行优化及经济性分析不仅 能提高太阳能的利用效率，也为投资者的利益提供保障，推动太阳能产业的积 极、可持续发展。

近些年，国内外对于太阳能系统的运用研究成果丰硕，极大的推动了太 阳能的发展，不仅对各类太阳能综合利用进行研究，还进行了优化分析。例如， 文献“Xi Luo,Jiaping Liu,Yanfeng Liu,Xiaojun Li,Bi-level optimization of design,operation,and subsidies for standalone solar/diesel multi-generation energysystems, Sustainable Cities and Society,vol.48,101592,2019”考虑孤岛情况下，利用太阳 能及化石能源、蓄能装置满足电热负荷，并建立双层优化模型；文献“Osama BanyMousa,Robert A Taylor,Ali Shirazi,Multi-objective optimization of solarphotovoltaic and solar thermal collectors for industrial rooftopapplications,Energy Conversion and Management,vol.195,pp.392-408,2019”基于多目标函数，采用 遗传算法及粒子群算法优化了用户屋顶太阳装置的分配。太阳能的利用是多种 方面的，对于投资者而言，利用太阳能发电还是供热是亟待解决的问题。考虑 光伏/光热/蓄电池的混合能源系统能够同时使用太阳能发电及发热，其中蓄电池 可以根据电力市场价格波动来储存电能以达到套利的目的。因此，对于需要提 供对于太阳能产热及供电的合理的优化投资技术方案。

发明内容

本发明的目的在于克服现有技术的不足，提供一种并网式混合能源系统的 太阳能投资优化方法，在考虑太阳能供电、供热成本下获取投资太阳能的最优 投资策略。

为实现上述发明目的，本发明一种并网式混合能源系统的太阳能投资优化 方法，其特征在于，包括以下步骤：

(1)、构建并网式混合能源系统的出力模型

(1.1)、构建光伏模块的出力模型；

其中，P_pv为所述光伏面板的输出功率，P_n为光伏面板的额定功率，与光照 面积相关，G_β为在倾斜面板上的总的太阳辐射值，G_ref为参考太阳辐射值，K_t为 最大功率条件下的温度系数，T_c为光伏面板的温度，T_ref为参考温度，η_inv为逆变 器变换效率，G_β,b是倾斜角为β的光伏面板上太阳直接辐射，G_β,d是倾斜角为β 的光伏面板上的漫辐射，G_β,r是倾斜角为β的光伏面板上地面反射辐射，G_b为水 平直射强度，θ为入射角，θ_Z为天顶角，G_d为水平散射辐射，F₁为环绕太阳的 度数，F₂为地平线各向异性的度数，ρ为地面反射反射率，T_a为环境温度，k为 常数；

(1.2)、构建太阳能加热模块的出力模型；

其中，η_c为太阳能热收集器的效率，η₀为热收集器的最大效率，a₁，a₂为热 收集器的热损耗系数，T_m为热收集器的中间温度，T_out为热收集器的出口温度，T_in为热收集器的出口温度，Q_sc为太阳能集热器获得的热能；

(1.3)、构建热泵的出力模型；

其中，P_hp为热泵的电功率，P_hp-pv为热泵来自光伏的供电功率，P_hp-b为热泵 来自蓄电池的供电功率，Q_hp为热泵产生的热量，COP为制热能效比；

(1.4)、构建蓄电池的出力模型；

其中，E_t为t时刻电池中存储的能量，E_t+Δt为Δt时刻后电池中存储的能量， η为电池的效率，P_t为t时刻电池的充/放电功率，P_fpv-t为t时刻来自光伏的充电功 率，P_tr-t为t时刻买电的功率；

(2)、构建并网式混合能源系统的成本函数；

其中，C_bs为蓄电池的投资成本，C_p为电池功率成本系数，P_max为电池最大 充放电功率，C_w为电池容量成本系数，W_max为电池最大容量，C_pv为光伏模块投 资成本，C_pvm为光伏模块单位面积成本，S_pv为光伏面板的面积，C_shs为太阳能加 热系统的投资成本，S_shs为太阳能集热器的面积，C_ins为太阳能加热系统的安装成 本，C_os为太阳能加热系统的其他成本，C_hp为热泵的总成本，C_u为热泵的单位功 率成本，P_hpmax为热泵最大额定功率，λ₁、λ₂为常数；

(3)、构建并网式混合能源系统的目标函数；

(3.1)、构建并网式混合能源系统的运行优化目标函数：

其中，Iⁿ为第n年的年收益，HP_t为t时刻的热价，Q_sc为太阳能集热器产生 的热量，EP_t为t时刻的电价，T₂为优化的总时刻数；

(3.2)、构建并网式混合能源系统的容量优化目标函；

其中，ROI为投资回报率，C_bp为替换成本，C_OM为运行和维护成本，r为利 率，T₁为系统的规划周期；

(4)、构建并网式混合能源系统的约束条件；

式中，DOD为蓄电池最大放电深度，S_total为总的光照面积；

(5)、基于并网式混合能源系统的出力模型、成本函数和约束条件，采用 二次序列规划算法和线性递减权重粒子群算法建立双层规划，分别在内外层对 并网式混合能源系统的运行优化目标函数和容量优化目标函数进行优化，得到 太阳能投资的最优光、热投资面积分配方案及对应热泵和电池的最佳容量。

本发明的发明目的是这样实现的：

本发明一种并网式混合能源系统的太阳能投资优化方法，通过并网式混合 能源系统的出力模型、成本函数和约束条件，采用二次序列规划算法和线性递 减权重粒子群算法建立双层规划，分别在内外层对并网式混合能源系统的运行 优化目标函数和容量优化目标函数进行优化，得到太阳能投资的最优光、热投 资面积分配方案及对应热泵和电池的最佳容量。

同时，本发明一种并网式混合能源系统的太阳能投资优化方法还具有以下 有益效果：

(1)、本发明考虑了太阳能供电、供热两种用途，综合评估了并网式混合 能源系统的太阳能资源分配；

(2)、本发明考虑热力市场和电力市场对于太阳能投资的影响，利用热泵 和蓄电池分别完成电力存储和热电转换，充分利用市场的波动性进行套利，实 现太阳能投资收益最大化；

(3)、本发明采用双层规划方式对光伏/光热/蓄电池的混合能源系统进行双 层优化，通过优化后的最优投资回报率得出最优投资方案，从而使优化更加全 面，且优化效率更高；

(4)、本发明也为并网式混合能源系统提供了合理的运行策略，使得系统 具有较高的经济性。

附图说明

图1是本发明一种并网式混合能源系统的太阳能投资优化方法流程图；

图2是并网式混合能源系统中各单元出力模型的结构示意图；

图3是双层规划流程图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更 好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设 计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明一种并网式混合能源系统的太阳能投资优化方法流程图。

在本实施例中，如图1所示，本发明一种并网式混合能源系统的太阳能投 资优化方法，包括以下步骤：

S1、构建并网式混合能源系统的出力模型

在本实施例中，如图2所示，并网式混合能源系统包括：光伏模块、太阳 能加热模块、蓄电池、热泵及电力市场(大电网)、区域热力市场(区域热网)；

其中，光伏模块与蓄电池、热泵及大电网连接；太阳能加热模块、热泵与 区域热网连接；

光伏模块产生的电能储存在电池中或是出口到大电网，或是经过热泵转化 为电能。电价相对较高时，直接出口到电网；电价低时，来自光伏模块的电能 先储存到蓄电池中，等待价格较高时，再将蓄电池中的电力卖到电网到达套利 的目的。当热价相对较高时，光伏模块产生的电和蓄电池中的电也可能经过热 泵转化为热能出口到区域热网。太阳能加热模块产生的热能将会直接进入区域 热网。

成本包含光伏模块总投资成本、太阳能集热系统总投资成本、蓄电池总投 资成本及热泵的投资成本。

下面我们建立各个模块的出力模型，具体建立过程如下：

S1.1、构建光伏模块的出力模型；

其中，P_pv为光伏面板的输出功率，P_n为光伏面板的额定功率，与光照面积 相关，G_β为在倾斜面板上的总的太阳辐射值，G_ref为参考太阳辐射值，K_t为最大 功率条件下的温度系数，T_c为光伏面板的温度，T_ref为参考温度，η_inv为逆变器变 换效率，G_β,b是倾斜角为β的光伏面板上太阳直接辐射，G_β,d是倾斜角为β的光 伏面板上的漫辐射，G_β,r是倾斜角为β的光伏面板上地面反射辐射，G_b为水平直 射强度，θ为入射角，θ_Z为天顶角，G_d为水平散射辐射，F₁为环绕太阳的度数， F₂为地平线各向异性的度数，ρ为地面反射反射率，T_a为环境温度，k为常数， 取经验值为0.0256；

S1.2、构建太阳能加热模块的出力模型；

其中，η_c为太阳能热收集器的效率，η₀为热收集器的最大效率，a₁，a₂为热 收集器的热损耗系数，T_m为热收集器的中间温度，T_out为热收集器的出口温度，T_in为热收集器的出口温度，Q_sc为太阳能集热器获得的热能；

S1.3、构建热泵的出力模型；

其中，P_hp为热泵的电功率，P_hp-pv为热泵来自光伏的供电功率，P_hp-b为热泵 来自蓄电池的供电功率，Q_hp为热泵产生的热量，COP为制热能效比；

S1.4、构建蓄电池的出力模型；

其中，E_t为t时刻电池中存储的能量，E_t+Δt为Δt时刻后电池中存储的能量， η为电池的效率，P_t为t时刻电池的充/放电功率，P_fpv-t为t时刻来自光伏的充电功 率，P_tr-t为t时刻买电的功率；

S2、构建并网式混合能源系统的成本函数；

其中，C_bs为蓄电池的投资成本，C_p为电池功率成本系数，P_max为电池最大 充放电功率，C_w为电池容量成本系数，W_max为电池最大容量，C_pv为光伏模块投 资成本，C_pvm为光伏模块单位面积成本，S_pv为光伏面板的面积，C_shs为太阳能加 热系统的投资成本，S_shs为太阳能集热器的面积，C_ins为太阳能加热系统的安装成 本，C_os为太阳能加热系统的其他成本，C_hp为热泵的总成本，C_u为热泵的单位功 率成本，P_hpmax为热泵最大额定功率，λ₁、λ₂为常数，取值分别为48.22和785.67；

S3、构建并网式混合能源系统的目标函数；

S3.1、构建并网式混合能源系统的运行优化目标函数：

其中，Iⁿ为第n年的年收益，HP_t为t时刻的热价，Q_sc为太阳能集热器产生 的热量，EP_t为t时刻的电价，T₂为优化的总时刻数，取值为8760；

S3.2、构建并网式混合能源系统的容量优化目标函；

其中，ROI为投资回报率，C_bp为替换成本，C_OM为运行和维护成本，r为利 率，T₁为系统的规划周期；

S4、构建并网式混合能源系统的约束条件；

式中，DOD为蓄电池最大放电深度，S_total为总的光照面积；

S5、通过双层优化获取优化策略

基于并网式混合能源系统的出力模型、成本函数和约束条件，采用二次序 列规划算法和线性递减权重粒子群算法建立双层规划，分别在内外层对并网式 混合能源系统的运行优化目标函数和容量优化目标函数进行优化，得到太阳能 投资的最优光、热投资面积分配方案及对应热泵和电池的最佳容量。

在本实施例中，内层为并网式混合能源系统的运行优化，采用二次序列规 划算法，其优化变量包括：电池的充放电功率P_t，热泵的运行功率P_hp，得到的 最大年收益最为内层优化结果进入外层参与优化。

外层为并网式混合能源系统的容量优化，采用线性递减权重粒子群算法， 其优化变量包括：电池的规格，包括电池的最大充放电功率P_max和最大容量W_max； 光照面积分配，包括光伏面板的面积S_pv，太阳能集热器的面积S_shs；热泵的最大 功率P_hpmax。

如图3所示，下面我们利用双层规划对并网式混合能源系统的运行优化目 标函数和容量优化目标函数进行优化的过程进行详细说明：

S5.1、设置线性递减权重粒子群算法的最大迭代次数G及其他参数；外层 采用线性递减权重粒子群算法对容量优化目标函数进行迭代优化，在解空间范 围内，随机初始化粒子种群中各粒子的位置x⁰和速度v⁰；

S5.2、将电池的最大充放电功率P_max、最大容量W_max、光伏面积S_pv及热泵的 最大功率P_hpmax组成数组[P_max,W_max,S_pv,P_hpmax]，每一轮迭代时，各粒子的位置均存放 该数组，初次迭代时，各粒子的初始位置满足x⁰＝[P_max,W_max,S_pv,P_hpmax]；

S5.3、内层采用二次序列规划算法对运行优化目标函数进行优化，将各粒子 的初始位置带入内层，通过一维搜索目标函数，计算出最大年收益，以及对应 蓄电池每时刻的最优充放电功率P_t ^*和热泵每时刻的最优运行功率

S5.4、跳转进入外层，根据最大年收益计算出外层最优投资回报率；

S5.5、判断当前迭代次数是否达到线性递减权重粒子群算法的最大迭代次 数，如果未达到，进入步骤S5.6；否则，跳转至步骤S5.8；

S5.6、更新线性递减权重粒子群算法中各粒子的速度、位置以及惯性权重；

其中，为第i个粒子第k'次迭代时的速度，为第i个粒子第k'次迭代时 的位置，为第i个粒子第k'次迭代时个体极值，为第i个粒子第k'次迭代时 对应的整个种群当前最优解，即第i个粒子从初始到当前迭代次数搜索产生的最 优解，c₁、c₂分别为个体学习、群体学习因子，G表示最大迭代次数；w(k')表示 第k'次迭代时的权重系数，ω_min、ω_max分别表示最小、最大权重；r₁、r₂分别属于 0到1之间的随机数；

S5.7、将当前迭代次数自加1，并用更新后各粒子的速度、位置迭代上一轮 迭代时各粒子的速度、位置，然后返回步骤S5.2；

S5.8、选出G次迭代后最优的一个投资回报率作为最终输出，然后输出该 最优投资回报率以及该投资回报率对应下的太阳能投资的最优光、热投资面积 分配方案及对应热泵和电池的最佳容量。

最终我们可以得到并网式混合能源系统中蓄电池的规格，包括电池的最大 充放电功率P_max和最大容量W_max；光照面积分配，包括光伏面板的面积S_pv，太阳 能集热器的面积S_shs；热泵的最大功率P_hpmax；以及最优容量下对应的最优运行方 式：蓄电池每时刻的最优充放电功率P_t ^*和热泵每时刻的最优运行功率

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域 的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对 本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定 的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发 明创造均在保护之列。

Claims (2)

1.一种并网式混合能源系统的太阳能投资优化方法，其特征在于，包括以下步骤：

(1)、构建并网式混合能源系统的出力模型

(1.1)、构建光伏模块的出力模型；

其中，P_pv为所述光伏面板的输出功率功率，P_n为光伏面板的额定功率，与光照面积相关，G_β为在倾斜面板上的总的太阳辐射值，G_ref为参考太阳辐射值，K_t为最大功率条件下的温度系数，T_c为光伏面板的温度，T_ref为参考温度，η_inv为逆变器变换效率，G_β,b是倾斜角为β的光伏面板上太阳直接辐射，G_β,d是倾斜角为β的光伏面板上的漫辐射，G_β,r是倾斜角为β的光伏面板上地面反射辐射，G_b为水平直射强度，θ为入射角，θ_Z为天顶角，G_d为水平散射辐射，F₁为环绕太阳的度数，F₂为地平线各向异性的度数，ρ为地面反射反射率，T_a为环境温度，k为常数；

(1.2)、构建太阳能加热模块的出力模型；

其中，η_c为太阳能热收集器的效率，η₀为热收集器的最大效率，a₁，a₂为热收集器的热损耗系数，T_m为热收集器的中间温度，T_out为热收集器的出口温度，T_in为热收集器的出口温度，Q_sc为太阳能集热器获得的热能；

(1.3)、构建热泵的出力模型；

其中，P_hp为热泵的电功率，P_hp-pv为热泵来自光伏的供电功率，P_hp-b为热泵来自蓄电池的供电功率，Q_hp为热泵产生的热量，COP为制热能效比；

(1.4)、构建蓄电池的出力模型；

其中，E_t为t时刻电池中存储的能量，E_t+Δt为Δt时刻后电池中存储的能量，η为电池的效率，P_t为t时刻电池的充/放电功率，P_fpv-t为t时刻来自光伏的充电功率，P_tr-t为t时刻买电的功率；

(2)、构建并网式混合能源系统的成本函数；

其中，C_bs为蓄电池的投资成本，C_p为电池功率成本系数，P_max为电池最大充放电功率，C_w为电池容量成本系数，W_max为电池最大容量，C_pv为光伏模块投资成本，C_pvm为光伏模块单位面积成本，S_pv为光伏面板的面积，C_shs为太阳能加热系统的投资成本，S_shs为太阳能集热器的面积，C_ins为太阳能加热系统的安装成本，C_os为太阳能加热系统的其他成本，C_hp为热泵的总成本，C_u为热泵的单位功率成本，P_hpmax为热泵最大额定功率，λ₁、λ₂为常数；

(3)、构建并网式混合能源系统的目标函数；

(3.1)、构建并网式混合能源系统的运行优化目标函数：

其中，Iⁿ为第n年的年收益，HP_t为t时刻的热价，Q_sc为太阳能集热器产生的热量，EP_t为t时刻的电价，T₂为优化的总时刻数；

(3.2)、构建并网式混合能源系统的容量优化目标函；

其中，ROI为投资回报率，C_bp为替换成本，C_OM为运行和维护成本，r为利率，T₁为系统的规划周期；

(4)、构建并网式混合能源系统的约束条件；

式中，DOD为蓄电池最大放电深度，S_total为总的光照面积；

(5)、基于并网式混合能源系统的出力模型、成本函数和约束条件，采用二次序列规划算法和线性递减权重粒子群算法建立双层规划，分别在内外层对并网式混合能源系统的运行优化目标函数和容量优化目标函数进行优化，得到太阳能投资的最优光、热投资面积分配方案及对应热泵和电池的最佳容量。

2.根据权利要求1所述的一种并网式混合能源系统的太阳能投资优化方法，其特征在于，所述步骤(4)中，通过双层规划对并网式混合能源系统的运行优化目标函数和容量优化目标函数进行优化的过程为：

1)、设置线性递减权重粒子群算法的最大迭代次数G及其他参数；外层采用线性递减权重粒子群算法对容量优化目标函数进行迭代优化，在解空间范围内，随机初始化粒子种群中各粒子的位置x⁰和速度v⁰；

2)、将电池的最大充放电功率P_max、最大容量W_max、光伏面积S_pv及热泵的最大功率P_hpmax组成数组[P_max,W_max,S_pv,P_hpmax]，每一轮迭代时，各粒子的位置均存放该数组，初次迭代时，各粒子的初始位置满足x⁰＝[P_max,W_max,S_pv,P_hpmax]；

3)、内层采用二次序列规划算法对运行优化目标函数进行优化，将各粒子的初始位置带入内层，通过一维搜索目标函数，计算出最大年收益，以及对应蓄电池每时刻的最优充放电功率P_t ^*和热泵每时刻的最优运行功率

4)、跳转进入外层，根据最大年收益计算出外层最优投资回报率；

5)、判断当前迭代次数是否达到线性递减权重粒子群算法的最大迭代次数，如果未达到，进入步骤6)；否则，跳转至步骤8)；

6)、更新线性递减权重粒子群算法中各粒子的速度、位置以及惯性权重；

其中，为第i个粒子第k'次迭代时的速度，为第i个粒子第k'次迭代时的位置，为第i个粒子第k'次迭代时个体极值，为第i个粒子第k'次迭代时对应的整个种群当前最优解，即第i个粒子从初始到当前迭代次数搜索产生的最优解，c₁、c₂分别为个体学习、群体学习因子，G表示最大迭代次数；w(k')表示第k'次迭代时的权重系数，ω_min、ω_max分别表示最小、最大权重；r₁、r₂分别属于0到1之间的随机数；

7)、将当前迭代次数自加1，并用更新后各粒子的速度、位置迭代上一轮迭代时各粒子的速度、位置，然后返回步骤2)；

8)、选出G次迭代后最优的一个投资回报率作为最终输出，然后输出该最优投资回报率以及该投资回报率对应下的太阳能投资的最优光、热投资面积分配方案及对应热泵和电池的最佳容量。