CN111311032B - 一种基于扇形雷达图模型的微网系统容量优化配置方法 - Google Patents

一种基于扇形雷达图模型的微网系统容量优化配置方法 Download PDF

Info

Publication number
CN111311032B
CN111311032B CN202010250035.6A CN202010250035A CN111311032B CN 111311032 B CN111311032 B CN 111311032B CN 202010250035 A CN202010250035 A CN 202010250035A CN 111311032 B CN111311032 B CN 111311032B
Authority
CN
China
Prior art keywords
power
soc
optimization
energy
unit
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
CN202010250035.6A
Other languages
English (en)
Other versions
CN111311032A (zh
Inventor
赵建勇
年珩
康钧
赵文强
马润生
雷国斌
宋晓童
周军
徐元祥
范彩兄
石生超
徐嘉伟
祁富志
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.)
Zhejiang University ZJU
Electric Power Research Institute of State Grid Qinghai Electric Power Co Ltd
Original Assignee
Zhejiang University ZJU
Electric Power Research Institute of State Grid Qinghai Electric Power 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 Zhejiang University ZJU, Electric Power Research Institute of State Grid Qinghai Electric Power Co Ltd filed Critical Zhejiang University ZJU
Priority to CN202010250035.6A priority Critical patent/CN111311032B/zh
Publication of CN111311032A publication Critical patent/CN111311032A/zh
Application granted granted Critical
Publication of CN111311032B publication Critical patent/CN111311032B/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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • 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)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于扇形雷达图模型的微网系统容量优化配置方法，其首先选取负荷失电率、年化成本、可再生能源发电损失率和能量过剩率分别作为微网系统供电稳定性、经济性和新能源消纳情况和能源利用率四方面的评估指标，建立扇形雷达图模型，并设定扇形雷达图的面积为目标函数；然后以扇形雷达图的面积最大为目标，服从约束条件，建立微网系统容量配置的优化数学模型；最后采用基于负荷跟踪管理策略的遗传算法，求解出微网系统容量的最优配置方案，并通过实际算例验证了该优化方法的正确性和可行性，优化配置方案可以满足由各类新能源模块及储能装置组成的微网系统的稳定运行目标，并有利于微网系统自身的经济运行和可再生能源的高效利用。

Description

一种基于扇形雷达图模型的微网系统容量优化配置方法
技术领域
本发明属于能源供给技术领域，具体涉及一种基于扇形雷达图模型的微网系统容量优化配置方法。
背景技术
目前，我国众多的海岛以及西部部分偏远地区由于远离大陆、自然环境恶劣、居民居住分散等各种原因，均存在用电难的问题；考虑到实际供电工程建设成本，架设海底电缆和远距离电力传输等方式均不适用与该类地区。基于可再生能源的开发利用，以解决海岛和偏远地区的供电问题，则成为现阶段能源供给领域的研究热点；因此，微电网系统应运而生，微网系统以光伏发电为主，综合利用新能源分布式发电、储能的先进技术，构成源、网、荷、储一体化的电力供给系统，可以实现对分布式可再生能源的充分消纳以及电力、热力等多种形式的能量供给，有助于满足偏远地区居民用户的用电需求。
微网系统的结构如图1所示，其由发电单元、变流器单元、储电单元及电负荷单元组成；其中，发电单元可包含光伏组件、风力机等可再生能源发电装置中的一种或几种，同时配备对应的逆变器，主要实现太阳能、风能等新能源到电能的能量转换；变流器单元及储电单元主要包括储能逆变器及储能电池，主要实现发电单元输出电能的存储及维持整个微网系统的能量供需平衡。上述模块的容量配置极大影响着微网系统的整体性能，合理配置微网内发电单元、储能单元和以及变流器的容量是成功建设微网最为关键的一步。
为了实现微网系统的合理运行，需要对所含单元进行合理的容量配置；现有针对交(直)流微网系统的优化配置方法，一般是根据交(直)流微网系统对应的负荷数据，选取一到两个性能指标以及合适的数值优化算法，进而优化得到在该负荷数据下性能指标较优的优化配置结果。其中，性能指标的选取需要对应交(直)流微网系统的关键特性，通常从经济性和稳定性两方面考虑；常用的数值优化算法包括迭代算法、神经网络算法、遗传算法等先进算法，通常根据优化问题的计算难度和收敛精度来选择性能匹配的优化算法。
以经济性和稳定性两个条件作为优化目标的优化配置方法具有求解精度高、收敛速度快等优点，但是由于优化目标函数设计过于简单，忽略了新能源利用率等其他重要指标，优化配置结果往往难以实现系统综合最优，也不易推广到其他系统。针对此问题，现阶段微网系统在进行容量优化配置时更多的在考虑多目标优化问题，现有的多目标算法一般是将多个目标进行线性加和或基于模糊隶属度函数将多目标问题转变为非线性单目标优化问题；但这两种方法中，线性加权系数依赖经验设计具有极大的不确定性，而模糊隶属度函数的选取则十分复杂。
雷达图法是一种典型的数值图形相结合的评估方法，可用于得到合理的优化目标函数；然而，在传统的雷达图模型中，各优化目标之间存在信息的共用问题，并且各目标的排列顺序不同，雷达图的面积周长也不一样，容易造成优化结果的不一致，难以直接应用。如何针对微网系统容量的多个性能指标进行合理的综合评估，则决定了优化算法的执行过程和优化结果的满意程度。
发明内容
鉴于上述，本发明提出了一种基于扇形雷达图模型的微网系统容量优化配置方法，以实现微网系统供电可靠性、经济性、可再生能源消纳情况以及能源利用情况四方面达到综合最优为目标，优化配置方案可以满足微网系统的刚性需求，并有利于系统自身的经济运行和可再生能源的高效利用。
一种基于扇形雷达图模型的微网系统容量优化配置方法，所述微网系统包含四个单元：发电单元、变流器单元、储电单元和电负荷单元；所述微网系统容量优化配置方法包括如下步骤：
(1)以供电稳定性、经济性、新能源消纳情况和能源利用率作为微网系统的四个优化目标，选取负荷失电率、年化成本、可再生能源发电损失率和能量过剩率分别作为这四个优化目标的评估指标，建立扇形雷达图模型并计算模型面积；
(2)以扇形雷达图总面积F最大为目标，在服从运行约束条件的前提下，建立微网系统的优化数学模型如下：
Figure BDA0002435148120000031
Figure BDA0002435148120000032
Xi∈{LPSPnorm,ASCnorm,LREGnorm,EXRnorm}
其中：Si为第i个优化目标对应扇区的面积，θi为第i个优化目标对应扇区的圆心角，Xi为第i个优化目标标准化后的评估指标，LPSPnorm为标准化后的系统负荷失电率，ASCnorm为标准化后的系统年化成本，LREGnorm为标准化后的系统可再生能源发电损失率，EXRnorm标准化后的系统能量过剩率；
(3)采用基于负荷跟踪管理策略的遗传算法遍历所有配置方案求解上述优化数学模型，得到包含各单元配置容量的系统最优配置方案，以使系统在供电稳定性、经济性、新能源消纳情况和能源利用率这四个方面达到综合最优。
进一步地，所述负荷失电率的计算表达式如下：
Figure BDA0002435148120000033
其中：LPSP为系统的负荷失电率，Psue(t)为t时刻系统的供电功率，Peload(t)为t时刻系统的电负荷功率，t为自然数，T为给定的时间长度，p(Psue(t)＜Peload(t))＝0或1，即当Psue(t)＜Peload(t)时p(Psue(t)＜Peload(t))＝1，否则p(Psue(t)＜Peload(t))＝0。
进一步地，所述年化成本的计算表达式如下：
Figure BDA0002435148120000034
其中：ASC为系统的年化成本，Ci(j)为系统中第j个单元的初始年化投资成本，Cm(j)为系统第j个单元的年化运行维护成本，j为自然数。
进一步地，所述可再生能源发电损失率的计算表达式如下：
Figure BDA0002435148120000041
其中：LREG为系统的可再生能源发电损失率，Pdump(t)为t时刻系统弃掉的可再生能源输出功率，Ppv(t)为t时刻发电单元的输出功率，t为自然数，T为给定的时间长度。
进一步地，所述能量过剩率的计算表达式如下：
Figure BDA0002435148120000042
其中：EXR为系统的能量过剩率，Pexr(t)为t时刻系统过剩的能量功率，Pload(t)为t时刻系统的负荷功率，t为自然数，T为给定的时间长度。
进一步地，所述步骤(1)中建立扇形雷达图模型的具体实现过程如下：
1.1对负荷失电率、年化成本、可再生能源发电损失率和能量过剩率这四个评估指标进行单位标准化处理；
1.2采用主观权重法确定四个优化目标对应扇区的圆心角；
1.3以标准化后的评估指标为半径，根据圆心角确定四个优化目标所对应的扇形区域及面积，由此建立扇形雷达图模型。
进一步地，所述步骤1.2的具体实现方式如下：
1.2.1根据专家经验判断各优化目标的相对重要性，并将四个优化目标按重要程度依次进行排序；
1.2.2根据排序结果通过以下公式确定相邻两个优化目标的相对重要程度之比；
Figure BDA0002435148120000043
其中：rk为第k个优化目标与第k-1个优化目标的相对重要程度之比，Xk为第k个优化目标标准化后的评估指标，Xk-1为第k-1个优化目标标准化后的评估指标；
1.2.3根据相邻两个优化目标的相对重要程度之比，通过以下公式计算四个优化目标的权重；
Figure BDA0002435148120000051
其中：wk为第k个优化目标的权重，wk-1为第k-1个优化目标的权重；
1.2.4根据各优化目标的权重，通过以下公式计算确定四个优化目标对应扇区的圆心角；
θi＝2πwi,i＝1,2,3,4
进一步地，所述步骤(2)中的运行约束条件如下：
系统功率平衡约束：
Peload(t)＝Ppv(t)+Pbat(t)
储电单元的容量和功率交换能力约束：
SOCmin≤SOC(t)≤SOCmax 0≤|Pbat(t)|≤Pbat_max
储电单元的效率约束：
SOC(t)＝SOC(t-1)+α·Pbat(t)Δt
Figure BDA0002435148120000052
其中：Peload(t)为t时刻系统的电负荷功率，PPV(t)为t时刻发电单元的总输出功率，Pbat(t)为t时刻储电单元的储电或放电功率，储电时为负值，放电时为正值，SOC(t)和SOC(t-1)分别为t时刻和t-1时刻储电单元的荷电量，SOCmin和SOCmax分别为荷电量的下限值和上限值，Pbat_max为储电单元储电或放电功率的上限值，t为自然数，Δt为时间间隔，ηc为储电单元的充电效率，ηd为储电单元的放电效率。
进一步地，所述步骤(3)中基于负荷跟踪管理策略的遗传算法具体过程如下：
3.1获得目标地区给定时间段内各时刻系统的电负荷功率、发电单元的单位输出功率，进而确定发电单元总功率、储电单元容量以及变流器单元功率的最大可执行范围；
3.2设定初始时刻储电单元的荷电状态；
3.3对于任一系统配置方案，根据负荷的变化规律以及该方案对系统各组成单元的功率及能量状态进行调控并执行以下迭代操作：
当PPV_e(t)＞Peload(t)情况下，判断SOC(t)与SOCmax的大小：若SOC(t)≥SOCmax，则不进行充电操作并令SOC(t)＝SOCmax；若SOC(t)＜SOCmax，则根据下式确定储电功率Pbat(t)大小并完成储电单元的充电操作；
Figure BDA0002435148120000061
当PPV_e(t)≤Peload(t)情况下，判断SOC(t)与SOCmin的大小：若SOC(t)≤SOCmin，则不进行放电操作并令SOC(t)＝SOCmin；若SOC(t)＞SOCmin，则根据下式确定放电功率Pbat(t)大小并完成储电单元的放电操作；
Figure BDA0002435148120000062
其中：Pbat(t)为t时刻储电单元的储电或放电功率，储电时为负值，放电时为正值，Peload(t)为t时刻系统的电负荷功率，SOC(t)为t时刻储电单元的荷电量，PPV_e(t)为t时刻发电单元的输出功率，SOCmin和SOCmax分别为荷电量的下限值和上限值，Pinverter为变流器单元的额定功率；
遍历求得给定时间段内各时刻的SOC(t)和Pbat(t)，计算该方案下微网系统的负荷失电率、年化成本、可再生能源发电损失率和能量过剩率，建立扇形雷达图模型并计算其面积；在微网系统最大可执行范围内，按照设定步长改变系统的配置方案，并重新根据本步骤进行迭代操作；
3.4确定包含各单元配置容量的系统最优配置方案，以使系统在供电可靠性、经济性、可再生能源消纳情况以及能源利用情况这四个方面达到综合最优。
基于上述技术方案，本发明方法具有以下有益技术效果：
1.本发明选取负荷失电率、年化成本、可再生能源发电损失率和能源过剩率作为系统的四个评估指标，建立扇形雷达图模型进行综合评估，有利于实现微网系统在供电可靠性、经济性、可再生能源消纳情况以及能源利用情况四方面的综合最优。
2.本发明利用主观权重法建立扇形雷达图评估模型，并基于扇形面积构造了系统的适应度函数，实现多目标的平衡化处理，避免了传统方法将多个指标加和作为优化目标的加权系数设定问题。
3.本发明给出了基于负荷跟踪管理策略和遗传算法的优化执行过程，可以更加快速有效求解得到综合性能最优的微网容量配置结果。
附图说明
图1为微网系统的结构示意图。
图2为本发明微网系统优化目标的扇形雷达图。
图3为某地区电负荷、夏季典型日和冬季典型日1MW光伏发电单元输出功率预测数据示意图。
图4为微网系统最优容量配置下各单元的功率(容量)曲线示意图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
本发明基于扇形雷达图模型的微网系统容量优化配置方法，包括如下步骤：
(1)选取负荷失电率、年化成本、可再生能源发电损失率和能量过剩率分别作为微网系统供电稳定性、经济性、新能源消纳情况和能源利用率四方面的评估指标，建立扇形雷达图模型，并设定扇形雷达图模型的面积为优化配置方法的目标函数。
负荷失电率通过以下公式计算得到：
Figure BDA0002435148120000071
其中：Psue(t)为t时刻系统的供电功率，Peload(t)为t时刻的电负荷功率，T为总时段数，LPSP为系统的负荷失电率，等于供电功率小于电负荷功率的时间概率。
系统年化成本通过以下公式计算得到：
Figure BDA0002435148120000081
其中：ASC为系统年化成本，Ci(j)为系统第j个单元的初始年化投资成本，Cm(j)为系统第j个单元的年化运行维护成本。
可再生能源发电损失率通过以下公式计算得到：
Figure BDA0002435148120000082
其中：Pdump(t)为弃掉的可再生能源输出功率，Ppv(t)为发电单元的输出功率，t为自然数。
能源过剩率通过以下公式计算得到：
Figure BDA0002435148120000083
其中：EXR为系统的能量过剩率，Pexr(t)为t时刻系统过剩的能量功率，Pload(t)为t时刻系统的负荷功率。
建立扇形雷达图模型的具体实现过程如下：
1.1选取四个优化目标，用于表征微网系统的供电可靠性、经济性、可再生能源消纳情况以及能源利用情况；
1.2对负荷失电率、系统年化成本、可再生能源发电损失率和能量过剩率这四个评估指标进行单位标准化处理；处理过程如下：
Figure BDA0002435148120000084
其中：LPSPdesire为期望的负荷失电率，max(0,LPSP-LPSPdesire)等于0和LPSP-LPSPdesire中较大的值，LPSPmax为max(0,LPSP-LPSPdesire)可能的最大值，LPSPmin为max(0,LPSP-LPSPdesire)可能的最小值。
Figure BDA0002435148120000091
其中：ASCmax为ASC可能的最大值，ASCmin为ASC可能的最小值。
Figure BDA0002435148120000092
其中：LREGdesire为LREG的期望最大值，LREGmax和LREGmin分别为max(0,LREG-LREGdesire)可能存在的最大值和最小值。
Figure BDA0002435148120000093
其中：EXRmax为EXR可能的最大值，EXRmin为EXR可能的最小值。
1.3采用主观权重法确定扇形雷达图目标轴夹角，具体实现过程如下：
第一步，根据专家经验判断各优化目标的相对重要性，并将各优化目标按重要程度大小进行排序；
第二步，按照专家经验给出的排序结果，确定相邻两优化目标的相对重要程度之比；
Figure BDA0002435148120000094
其中：rk为相对重要程度之比，xk为第k个指标；
第三步，根据专家经验确定重要程度之比rk计算各优化目标的权重；
Figure BDA0002435148120000095
其中：wk表示第k个优化目标的权重；
第四步，根据各优化目标对应的权重，计算各目标轴夹角；
θi＝2πwi,i＝1,2,3,4
其中：θi表示第i个优化目标对应的目标轴夹角。
1.4以圆心为起点，沿垂直方向作一条射线作为第一优化目标的参考轴，并在参考轴上以第一个标准化后的目标值LPSPnorm为半径，逆时针方向作出夹角为θ1的扇形区域，即第一优化目标的代表区域，同理依次作出各个优化目标的代表区域，由此建立扇形雷达图模型，雷达图模型如图2所示。
1.5分别计算雷达图模型中各扇形区域面积，然后将各扇形面积相加计算雷达图总面积作为目标函数。
目标函数通过以下公式计算得到：
Figure BDA0002435148120000101
其中：F为扇形雷达图总面积，Si为某一优化目标代表区域的面积，Xi为对应优化目标标准化后的评估指标，θi表示第i个优化目标对应的雷达图目标轴夹角，LPSPnorm为标准化后系统的负荷失电率，ASCnorm为标准化后的系统年化成本，LREGnorm为标准化后的可再生能源发电损失率，EXRnorm标准化后系统的能量过剩率。
(2)以扇形雷达图模型的面积最大为目标，服从以下约束条件，建立微网系统容量的优化数学模型。
系统功率平衡约束：
Peload(t)＝Ppv(t)+Pbat(t) (10)
储电单元的容量约束：
SOCmin≤SOC(t)≤SOCmax (11)
储电单元功率交换能力约束：
0≤|Pbat(t)|≤Pbat_max (12)
储电单元的效率约束：
SOC(t)＝SOC(t-1)+α·Pbat(t)Δt (13)
Figure BDA0002435148120000102
其中：Peload(t)为t时刻系统的负荷功率，PPV(t)为t时刻发电单元的总输出功率，Pbat(t)为t时刻储电单元的储电或放电功率，储电时为负值，放电时为正值，SOC(t)和SOC(t-1)分别为t时刻和t-1时刻储电单元的荷电量，SOCmin和SOCmax分别为荷电量的下限值和上限值，Pbat_max为储电单元储电或放电功率的上限值，t为自然数，Δt为时间间隔，ηc为储电单元的充电效率，ηd为储电单元的放电效率。
(3)采用基于负荷跟踪管理策略的遗传算法，求解出微网系统的最优容量配置方案，该方案包含了各单元的配置容量，以使得系统在供电稳定性、经济性和新能源消纳情况和能源利用率四方面达到综合最优；求解算法包括如下步骤：
3.1获得目标地区给定时间段内各时刻系统的电负荷功率、发电单元的单位输出功率，进而确定发电单元总功率、储电单元容量以及变流器单元功率的最大可执行范围；
3.2设定初始时刻储电单元的荷电状态；
3.3选取负荷失电率、年化成本、可再生能源发电损失率和能源过剩率作为系统的四个评估指标；
3.4根据负荷的变化规律，对系统各组成单元的功率及能量状态进行调控，执行迭代操作如下：
当PPV_e(t)＞Peload(t)情况下，判断SOC(t)与SOCmax的大小：若SOC(t)≥SOCmax，则不进行充电操作并令SOC(t)＝SOCmax；若SOC(t)＜SOCmax，则根据下式确定储电功率Pbat(t)大小并完成储电单元的充电操作；
Figure BDA0002435148120000111
当PPV_e(t)≤Peload(t)情况下，判断SOC(t)与SOCmin的大小：若SOC(t)≤SOCmin，则不进行放电操作并令SOC(t)＝SOCmin；若SOC(t)＞SOCmin，则根据下式确定放电功率Pbat(t)大小并完成储电单元的放电操作；
Figure BDA0002435148120000112
其中：Pbat(t)为t时刻储电单元的储电或放电功率，储电时为负值，放电时为正值，Peload(t)为t时刻系统的电负荷功率，SOC(t)为t时刻储电单元的荷电量，PPV_e(t)为t时刻发电单元的输出功率，SOCmin和SOCmax分别为荷电量的下限值和上限值，Pinverter为变流器单元的额定功率；
遍历求得给定时间段内各时刻的SOC(t)和Pbat(t)，计算该方案下微网系统四个评估指标，建立扇形雷达图模型并计算其面积；在微网系统最大可执行范围内，按照设定步长改系统的容量配置方案，并重新根据步骤3.4进行迭代操作；
3.5确定微网系统最优容量配置方案，即得到包含各单元配置容量的系统最优配置方案，以使系统在供电可靠性、经济性、可再生能源消纳情况以及能源利用情况四方面达到综合最优。
下面根据实际算例对本发明技术效果进行说明。
微网系统典型结构如图1所示，包括发电单元、储电单元、变流器单元和电负荷；其中，发电单元采用光伏发电，储电单元采用Li蓄电池。图3给出了某地区电负荷和夏季典型日和冬季典型日1MW光伏发电单元输出功率；其中，电负荷最大功率为746kW。表1给出了微网系统容量各单元的成本参数；其中，储电单元最大荷电量为额定荷电量的0.9，最小荷电量为额定荷电量的0.3。设定储电单元的充电效率ηc和放电效率ηd都为1，优化周期为1年，采用基于负荷跟踪管理策略的遗传算法求解时的迭代步长为1小时，即总时段数T为8760。
表1
Figure BDA0002435148120000121
设定期望的负荷失电率LPSPdesire为0.01，使用期限为20年，由图3所示的电负荷和1MW光伏发电单元输出功率的预测数据，经基于负荷跟踪管理策略的遗传算法求解得到微网系统最优容量配置方案为：根据该地区光伏和电负荷的预测数据，设定使用期限为20年，可得到微网系统的优化配置结果如下：光伏发电单元2.222MW，储电单元6851组，变流器单元0.9524MW。上述方案对应的各优化目标如下：LPSP为0；ASC为1.855×106￥/年；单日LREG最小值为0.04632，单日LREG最大值为0.2531；单日EXR最小值为0.04633，单日EXR最大值为0.3421；表2对比了采用单目标和多目标时微网系统的容量优化配置结果，考虑到单目标的优化配置结果可能导致系统难以正常运行，增加LPSP<LPSPdesire作为系统约束。由表2可知，本发明所提出的多目标优化配置方法可以实现更优的系统综合性能，图4为微网系统最优容量配置下各单元的功率(容量)曲线。
表2
Figure BDA0002435148120000131
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (9)

1.一种基于扇形雷达图模型的微网系统容量优化配置方法，所述微网系统包含四个单元：发电单元、变流器单元、储电单元和电负荷单元；其特征在于，所述微网系统容量优化配置方法包括如下步骤：
(1)以供电稳定性、经济性、新能源消纳情况和能源利用率作为微网系统的四个优化目标，选取负荷失电率、年化成本、可再生能源发电损失率和能量过剩率分别对应作为这四个优化目标的评估指标，建立扇形雷达图模型并计算模型面积；
(2)以扇形雷达图总面积F最大为目标，在服从运行约束条件的前提下，建立微网系统的优化数学模型如下：
Figure FDA0003416435790000011
Figure FDA0003416435790000012
Xi∈{LPSPnorm,ASCnorm,LREGnorm,EXRnorm}
其中：Si为第i个优化目标对应扇区的面积，θi为第i个优化目标对应扇区的圆心角，Xi为第i个优化目标标准化后的评估指标，LPSPnorm为标准化后的系统负荷失电率，ASCnorm为标准化后的系统年化成本，LREGnorm为标准化后的系统可再生能源发电损失率，EXRnorm标准化后的系统能量过剩率；
(3)采用基于负荷跟踪管理策略的遗传算法遍历所有配置方案求解上述优化数学模型，得到包含各单元配置容量的系统最优配置方案，以使系统在供电稳定性、经济性、新能源消纳情况和能源利用率这四个方面达到综合最优。
2.根据权利要求1所述的微网系统容量优化配置方法，其特征在于：所述负荷失电率的计算表达式如下：
Figure FDA0003416435790000013
其中：LPSP为系统的负荷失电率，Psue(t)为t时刻系统的供电功率，Peload(t)为t时刻系统的电负荷功率，t为自然数，T为给定的时间长度，p(Psue(t)＜Peload(t))＝0或1，即当Psue(t)＜Peload(t)时p(Psue(t)＜Peload(t))＝1，否则p(Psue(t)＜Peload(t))＝0。
3.根据权利要求1所述的微网系统容量优化配置方法，其特征在于：所述年化成本的计算表达式如下：
Figure FDA0003416435790000021
其中：ASC为系统的年化成本，Ci(j)为系统中第j个单元的初始年化投资成本，Cm(j)为系统第j个单元的年化运行维护成本，j为自然数。
4.根据权利要求1所述的微网系统容量优化配置方法，其特征在于：所述可再生能源发电损失率的计算表达式如下：
Figure FDA0003416435790000022
其中：LREG为系统的可再生能源发电损失率，Pdump(t)为t时刻系统弃掉的可再生能源输出功率，Ppv(t)为t时刻发电单元的输出功率，t为自然数，T为给定的时间长度。
5.根据权利要求1所述的微网系统容量优化配置方法，其特征在于：所述能量过剩率的计算表达式如下：
Figure FDA0003416435790000023
其中：EXR为系统的能量过剩率，Pexr(t)为t时刻系统过剩的能量功率，Pload(t)为t时刻系统的负荷功率，t为自然数，T为给定的时间长度。
6.根据权利要求1所述的微网系统容量优化配置方法，其特征在于：所述步骤(1)中建立扇形雷达图模型的具体实现过程如下：
1.1对负荷失电率、年化成本、可再生能源发电损失率和能量过剩率这四个评估指标进行单位标准化处理；
1.2采用主观权重法确定四个优化目标对应扇区的圆心角；
1.3以标准化后的评估指标为半径，根据圆心角确定四个优化目标所对应的扇形区域及面积，由此建立扇形雷达图模型。
7.根据权利要求6所述的微网系统容量优化配置方法，其特征在于：所述步骤1.2的具体实现方式如下：
1.2.1根据专家经验判断各优化目标的相对重要性，并将四个优化目标按重要程度依次进行排序；
1.2.2根据排序结果通过以下公式确定相邻两个优化目标的相对重要程度之比；
Figure FDA0003416435790000031
其中：rk为第k个优化目标与第k-1个优化目标的相对重要程度之比，Xk为第k个优化目标标准化后的评估指标，Xk-1为第k-1个优化目标标准化后的评估指标；
1.2.3根据相邻两个优化目标的相对重要程度之比，通过以下公式计算四个优化目标的权重；
Figure FDA0003416435790000032
其中：wk为第k个优化目标的权重，wk-1为第k-1个优化目标的权重；
1.2.4根据各优化目标的权重，通过以下公式计算确定四个优化目标对应扇区的圆心角；
θi＝2πwi,i＝1,2,3,4。
8.根据权利要求1所述的微网系统容量优化配置方法，其特征在于：所述步骤(2)中的运行约束条件如下：
系统功率平衡约束：
Peload(t)＝Ppv(t)+Pbat(t)
储电单元的容量和功率交换能力约束：
SOCmin≤SOC(t)≤SOCmax 0≤|Pbat(t)|≤Pbat_max
储电单元的效率约束：
SOC(t)＝SOC(t-1)+α·Pbat(t)Δt
Figure FDA0003416435790000041
其中：Peload(t)为t时刻系统的电负荷功率，PPV(t)为t时刻发电单元的输出功率，Pbat(t)为t时刻储电单元的储电或放电功率，储电时为负值，放电时为正值，SOC(t)和SOC(t-1)分别为t时刻和t-1时刻储电单元的荷电量，SOCmin和SOCmax分别为荷电量的下限值和上限值，Pbat_max为储电单元储电或放电功率的上限值，t为自然数，Δt为时间间隔，ηc为储电单元的充电效率，ηd为储电单元的放电效率。
9.根据权利要求1所述的微网系统容量优化配置方法，其特征在于：所述步骤(3)中基于负荷跟踪管理策略的遗传算法具体过程如下：
3.1获得目标地区给定时间段内各时刻系统的电负荷功率、发电单元的单位输出功率，进而确定发电单元总功率、储电单元容量以及变流器单元功率的最大可执行范围；
3.2设定初始时刻储电单元的荷电状态；
3.3对于任一系统配置方案，根据负荷的变化规律以及该方案对系统各组成单元的功率及能量状态进行调控并执行以下迭代操作：
当PPV_e(t)＞Peload(t)情况下，判断SOC(t)与SOCmax的大小：若SOC(t)≥SOCmax，则不进行充电操作并令SOC(t)＝SOCmax；若SOC(t)＜SOCmax，则根据下式确定储电功率Pbat(t)大小并完成储电单元的充电操作；
Figure FDA0003416435790000042
当PPV_e(t)≤Peload(t)情况下，判断SOC(t)与SOCmin的大小：若SOC(t)≤SOCmin，则不进行放电操作并令SOC(t)＝SOCmin；若SOC(t)＞SOCmin，则根据下式确定放电功率Pbat(t)大小并完成储电单元的放电操作；
Figure FDA0003416435790000043
其中：Pbat(t)为t时刻储电单元的储电或放电功率，储电时为负值，放电时为正值，Peload(t)为t时刻系统的电负荷功率，SOC(t)为t时刻储电单元的荷电量，PPV_e(t)为t时刻发电单元的输出功率，SOCmin和SOCmax分别为荷电量的下限值和上限值，Pinverter为变流器单元的额定功率；
遍历求得给定时间段内各时刻的SOC(t)和Pbat(t)，计算该方案下微网系统的负荷失电率、年化成本、可再生能源发电损失率和能量过剩率，建立扇形雷达图模型并计算其面积；在微网系统最大可执行范围内，按照设定步长改变系统的配置方案，并重新根据本步骤进行迭代操作；
3.4确定包含各单元配置容量的系统最优配置方案，以使系统在供电可靠性、经济性、可再生能源消纳情况以及能源利用情况这四个方面达到综合最优。
CN202010250035.6A 2020-04-01 2020-04-01 一种基于扇形雷达图模型的微网系统容量优化配置方法 Active CN111311032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010250035.6A CN111311032B (zh) 2020-04-01 2020-04-01 一种基于扇形雷达图模型的微网系统容量优化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010250035.6A CN111311032B (zh) 2020-04-01 2020-04-01 一种基于扇形雷达图模型的微网系统容量优化配置方法

Publications (2)

Publication Number Publication Date
CN111311032A CN111311032A (zh) 2020-06-19
CN111311032B true CN111311032B (zh) 2022-03-25

Family

ID=71159079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010250035.6A Active CN111311032B (zh) 2020-04-01 2020-04-01 一种基于扇形雷达图模型的微网系统容量优化配置方法

Country Status (1)

Country Link
CN (1) CN111311032B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408886B (zh) * 2021-06-11 2022-09-13 中国能源建设集团广东省电力设计研究院有限公司 一种储能容量的配置方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103151797A (zh) * 2013-03-04 2013-06-12 上海电力学院 基于多目标调度模型的并网运行方式下微网能量控制方法
CN107767047A (zh) * 2017-10-19 2018-03-06 国电南瑞科技股份有限公司 一种配电网调控一体化系统运行状况评价方法
US9926852B2 (en) * 2015-03-03 2018-03-27 General Electric Company Methods and systems for enhancing control of power plant generating units
CN110266059A (zh) * 2019-06-06 2019-09-20 浙江大学 一种基于三角综合评估的新型能源供给系统优化配置方法
CN110932299A (zh) * 2019-12-13 2020-03-27 国网陕西省电力公司电力科学研究院 一种光氢储耦合微电网中电池储能系统的容量优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103151797A (zh) * 2013-03-04 2013-06-12 上海电力学院 基于多目标调度模型的并网运行方式下微网能量控制方法
US9926852B2 (en) * 2015-03-03 2018-03-27 General Electric Company Methods and systems for enhancing control of power plant generating units
CN107767047A (zh) * 2017-10-19 2018-03-06 国电南瑞科技股份有限公司 一种配电网调控一体化系统运行状况评价方法
CN110266059A (zh) * 2019-06-06 2019-09-20 浙江大学 一种基于三角综合评估的新型能源供给系统优化配置方法
CN110932299A (zh) * 2019-12-13 2020-03-27 国网陕西省电力公司电力科学研究院 一种光氢储耦合微电网中电池储能系统的容量优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Investment optimization of grid-scale energy storage;Yuhao Li et.al;《Journal of Modern Power Systems and Clean Energy》;20191231;全文 *
基于改进雷达图模型的热电联供型微网系统;赵建勇 等;《电力自动化设备》;20201231;全文 *

Also Published As

Publication number Publication date
CN111311032A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN109325608B (zh) 考虑储能并计及光伏随机性的分布式电源优化配置方法
WO2023274425A1 (zh) 一种风光水火储系统的多能容量优化配置方法
CN112734098B (zh) 一种基于源-荷-网平衡的配电网电力调度方法及系统
CN110135662B (zh) 一种考虑减小峰谷差的储能选址定容多目标优化方法
CN112993979A (zh) 配电网无功优化方法、装置、电子设备和存储介质
CN110956324B (zh) 基于改进的moea/d的主动配电网日前高维目标优化调度方法
CN115496273A (zh) 一种可再生能源集群分布鲁棒优化配置方法及系统
Aiswariya et al. Optimal microgrid battery scheduling using simulated annealing
CN111311032B (zh) 一种基于扇形雷达图模型的微网系统容量优化配置方法
CN117172486A (zh) 一种基于强化学习的虚拟电厂光储资源聚合调控方法
CN115940284B (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
CN116645089A (zh) 一种考虑退役电池容量退化的储能系统双层优化配置方法
CN116865270A (zh) 一种含嵌入式直流的柔性互联配电网优化调度方法及系统
CN115375032A (zh) 一种含分布式储能的区域电网多时间尺度优化调度方法
CN115912421A (zh) 一种配电网储能选址定容多目标优化方法及系统
CN115796533A (zh) 考虑清洁能源消纳的虚拟电厂双层优化调度方法及装置
CN112952914B (zh) 一种多能互补电力系统多目标运行优化方法
CN110266059B (zh) 一种基于三角综合评估的新型能源供给系统优化配置方法
CN110729759B (zh) 一种微电网中分布式电源配置方案的确定方法及装置
CN109754128B (zh) 一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法
Kai et al. Optimization for PV-ESS in Distribution Network Based on CSBO
CN113255957A (zh) 综合服务站不确定因素的定量优化分析方法及系统
CN113783213B (zh) 一种集中式储能电站选址定容两阶段优化方法
Yang et al. Multi-source scheduling method on supply side of microgrid based on reinforcement learning algorithm
CN116090649A (zh) 一种新能源直流微电网制水系统的能量管理策略

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