CN112713621B - 一种交直流混合系统的多目标优化配置方法和系统 - Google Patents

Abstract

本发明公开的一种交直流混合系统的多目标优化配置方法和系统，方法包括基于经济性优化目标、环保性优化目标和技术优化目标建立交直流混合系统优化目标函数和约束条件；约束条件包括可靠性、新能源占比、可再生能源发电弃电率和光伏系统安装容量；建立用于计算系统工作效率的交直流混合系统数学计算模型，并由交直流混合系统数学计算模型、优化目标函数和约束条件共同组成待求解的优化配置问题；对NSGA‑II算法进行改进，包括将优化目标的搜索策略作为NSGA‑II种群进化策略，采用非支配集距离调整解的分散性；采用改进的NSGA‑II算法求解优化配置问题，当满足阈值进化终止条件时，输出优化配置方案Pareto前沿。

Description

一种交直流混合系统的多目标优化配置方法和系统

技术领域

本申请涉及交直流混合配用电和微电网技术领域，尤其涉及一种交直流混合系统的多目标优化配置方法和系统。

背景技术

在进行含可再生能源的交直流混合系统的优化配置时，交直流混合系统规划、设计以及建设的核心问题之一，合理地配置分布式电源和储能是保证交直流混合系统安全、可靠和经济运行的基础。多种分布式可再生能源整合通常根据可利用的能源情况和负荷需求，以经济性、供电可靠性、环保性等为最优目标进行系统规划配置，以确定系统中分布式能源和储能的类型及容量。

在进行分布式能源系统的容量优化配置时，在满足用户需求的前提下，主要目标是获得最经济的系统配置。不同的用户对经济、可靠性、环保的要求各不相同。对含多种可再生能源的交直流混合系统进行多目标优化，意味着可能同时考虑经济性、可靠性、环保性等不同特性下的多个优化指标，也可能仅考虑某一特性下的多个指标。在实际规划时，由于系统中某些技术指标、环保指标暂时不能获取，因此进行后决策多目标优化配置分析是十分必要的。

发明内容

本申请提供了一种交直流混合系统的多目标优化配置方法和系统，用于解决现有技术在实际规划时，由于系统中某些技术指标、环保指标暂时不能获取，因此进行后决策多目标优化配置分析是十分必要的技术问题。

有鉴于此，本申请第一方面提供了一种交直流混合系统的多目标优化配置方法，包括：

基于经济性优化目标、环保性优化目标和技术优化目标建立交直流混合系统优化目标函数和约束条件；所述约束条件包括可靠性、新能源占比、可再生能源发电弃电率和光伏系统安装容量；

建立用于计算系统工作效率的交直流混合系统数学计算模型，并由所述交直流混合系统数学计算模型、所述优化目标函数和所述约束条件共同组成待求解的优化配置问题；

对NSGA-II算法进行改进，包括将优化目标的搜索策略作为NSGA-II种群进化策略，采用非支配集距离调整解的分散性；

采用改进的NSGA-II算法求解所述优化配置问题，当满足阈值进化终止条件时，输出优化配置方案Pareto前沿。

优选的，所述经济性优化目标包括全生命周期净现成本子目标、能源标准化成本子目标、投资回收期子目标和初始投资成本子目标；其中：

所述全生命周期净现成本子目标为：交直流混合系统全生命周期内所有成本和收入的净现值，其中，全生命周期内的成本包括初始投资成本、运行维护成本、设备置换成本和购电成本，全生命周期内的收入包括售电收入以及设备残值总和；

所述能源标准化成本子目标作为每生产单位电量所需的成本，具体为：年平均成本与年发电总量的商；

所述投资回收期子目标作为系统回收初始投资所需要的时间，具体为：系统的初始投资成本除以年净收益现值；

所述初始投资成本子目标作为系统投入的建设成本，包括电力电子变压器、光伏系统、风力发电系统和储能系统容量待优化的设备成本。

优选的，所述环保性优化目标包括二氧化碳排放量子目标和二氧化碳减排量子目标；

所述二氧化碳排放量子目标为：当所述交直流混合系统包括消耗化石能源的发电单元时，记录发电单元在消耗化石能源时产生的二氧化碳排放量A；所述二氧化碳减排量子目标为：当所述交直流混合系统含有可再生能源时，记录当前的二氧化碳减排量B；其中，当二氧化碳排放量A大于二氧化碳减排量B时，则将A和B做减法，得到的差值C1即为二氧化碳排放量；当A小于B时，则将B和A做减法，得到的差值C2即为二氧化碳减排量。

优选的，所述技术优化目标包括供电不足概率子目标、负荷缺电概率子目标、交直流混合系统电能利用率子目标和交直流混合系统电功率传输效率子目标；

所述供电不足概率子目标为电能供应不足量和负荷总需求量的比值；

所述负荷缺电概率子目标为负荷缺电时间与系统运行时间的比值；

所述交直流混合系统电能利用率子目标为负荷总量与可再生能源应发电量和电网净供电量之和的比值；

所述交直流混合系统传输效率子目标为负荷总量与可再生能源实发电量和电网净供电量之和的比值。

优选的，所述对NSGA-II算法进行改进具体为：

根据多目标优化问题的目标维数l设定代沟，其中，各优化目标的进化个体数量为N/l，代沟设为1/l，N为初始种群数；

根据预先设置的种群数量、种群交叉率和变异率，将父代种群分别按各个优化目标进行选择、交叉和变异操作后，得到若干个进化后的子代种群，其中，每个进化后的子代种群中均包括N/l个个体，将所述进化后的子代种群进行组合后形成新的临时种群R_t；

将父代种群和临时种群R_t进行组合，构建用于进入下一代进化过程的新种群，并对新种群构造非支配集Q_t；

采用偏序集排序法调整非支配集Q_t的大小，在使得临时种群的数量和初始种群数N保持一致的情况下，进入下一代的进化过程；其中，在达到预设的进化终止条件时，输出多目标优化的Pareto前沿，若否，则返回至对父代种群的选择、交叉和变异操作步骤，直至满足进化终止条件。

优选的，所述系统工作效率包括电力电子变压器动态效率、光伏系统发电效率和风力发电机的输出功率，其中：

在计算电力电子变压器动态效率的时候包括：获取电力电子变压器两两端口的负载率和对应的功率传输效率；建立电力电子变压器内部简化拓扑，获得多端口电力电子变压器端口之间的连接关系；根据电力电子变压器端口之间的连接关系和电力电子各个端口间的功率传输路径来拟合负载率-效率曲线，根据负载率确定电力电子变压器的效率；

结合光伏系统输出功率与太阳总辐照之间的关系以及光伏组件衰减特性，进行光伏系统发电效率的计算：

P_pv＝η(1-β)P_mG/G_STC；

式中，P_pv为光伏系统输出功率；P_m为光伏装机容量，η为光伏系统发电效率，β为光伏组件年衰减率，G为太阳总辐照，G_STC为标准测试条件下的太阳总辐照；

在计算风机发电效率的时候包括：

将风力发电机处的风速v折算到风机轮毂高度h_w的公式为：

计算风力发电机输出功率的公式为：

式中，v为风力发电机处的风速，v_w为气象数据风速，h为风力发电机塔架高度；P_WT为风力发电机输出功率，P_R为风力发电机额定容量，v_ci、v_r、v_co分别为风力发电机切入风速、额定风速和切出风速，k为形状系数参数；α的计算公式为：

优选的，在所述采用改进的NSGA-II算法求解所述优化配置问题，当满足阈值进化终止条件时，输出优化配置方案Pareto前沿，之前还包括：

建立仿真场景；

所述建立仿真场景包括：

确定对交直流混合系统产生影响的随机因素，所述随机因素包括太阳辐照、风速、负荷和设备运行状态；

针对太阳辐照、风速和负荷分别建立概率分布函数，基于所述概率分布函数采用时间连续状态离散的蒙特卡洛方法，生成若干个第一随机场景；建立可靠性模型，针对设备运行状态确定故障发生率以及故障修复时间，采用两状态连续时间马尔科夫链蒙特卡洛方法，生成第二随机场景；

对生成的多个随机场景提取特征值，由特征值构成聚类对象；基于给定的聚类数目k，采用k近邻法进行场景消减包括根据距离函数通过循环计算将数据集中的数据分成k类，将距离聚类中心最近的场景作为场景消减后得到的场景。

本申请第二方面提供了一种交直流混合系统的多目标优化配置系统，包括：

优化目标函数建立模块，用于基于经济性优化目标、环保性优化目标和技术优化目标建立交直流混合系统优化目标函数和约束条件；所述约束条件包括可靠性、新能源占比、可再生能源发电弃电率和光伏系统安装容量；

优化配置问题建立模块，用于建立用于计算系统工作效率的交直流混合系统数学计算模型，并由所述交直流混合系统数学计算模型、所述优化目标函数和所述约束条件共同组成待求解的优化配置问题；

NSGA-II算法改进模块，用于对NSGA-II算法进行改进，包括将优化目标的搜索策略作为NSGA-II种群进化策略，采用非支配集距离调整解的分散性；

配置方案输出模块，用于采用改进的NSGA-II算法求解所述优化配置问题，当满足阈值进化终止条件时，输出优化配置方案Pareto前沿。

优选的，所述NSGA-II算法改进模块包括代沟设定模块、进化模块、非支配集构造模块和偏序集排序调整模块，其中：

代沟设定模块，用于根据多目标优化问题的目标维数l设定代沟，其中，设定各优化目标的进化个体数量为N/l，代沟设为1/l，N为初始种群数；

进化模块，用于根据预先设置的种群数量、种群交叉率和变异率，将父代种群分别按各个优化目标进行选择、交叉和变异操作后，得到若干个进化后的子代种群，其中，每个进化后的子代种群中均包括N/l个个体，将所述进化后的子代种群进行组合后形成新的临时种群R_t；

非支配集构造模块，用于将父代种群和临时种群R_t进行组合，构建用于进入到下一次进化过程的新种群，并对新种群构造非支配集Q_t；

偏序集排序调整模块，用于采用偏序集排序法调整非支配集Q_t的大小，在使得临时种群的数量和初始种群数N保持一致后，进入下一代的进化过程；其中，在达到预设的进化终止条件时，则输出多目标优化的Pareto前沿，若否，则返回至对父代种群的选择、交叉和变异操作步骤，直至满足进化终止条件。

优选的，所述配置方案输出模块包括用于建立仿真场景的场景建立模块；

所述场景建立模块包括随机因素确定模块、随机场景生成模块和场景消减模块，其中：

所述随机因素确定模块，用于确定对交直流混合系统产生影响的随机因素，所述随机因素包括太阳辐照、风速、负荷和设备运行状态；

所述随机场景生成模块，用于说针对太阳辐照、风速和负荷分别建立概率分布函数，基于所述概率分布函数采用时间连续状态离散的蒙特卡洛方法，生成若干个第一随机场景；建立可靠性模型，针对设备运行状态确定故障发生率以及故障修复时间，采用两状态连续时间马尔科夫链蒙特卡洛方法，生成第二随机场景；

所述场景消减模块，用于对生成的多个随机场景提取特征值，由特征值构成聚类对象；基于给定的聚类数目k，采用k近邻法进行场景消减包括根据距离函数通过循环计算将数据集中的数据分成k类，将距离聚类中心最近的场景作为场景消减后得到的场景。

从以上技术方案可以看出，本申请具有以下优点：

本申请中提供了一种交直流混合系统的多目标优化配置方法，包括：基于经济性优化目标、环保性优化目标和技术优化目标建立交直流混合系统优化目标函数和约束条件；约束条件包括可靠性、新能源占比、可再生能源发电弃电率和光伏系统安装容量；建立用于计算系统工作效率的交直流混合系统数学计算模型，并由交直流混合系统数学计算模型、优化目标函数和约束条件共同组成待求解的优化配置问题；对NSGA-II算法进行改进，包括将优化目标的搜索策略作为NSGA-II种群进化策略，采用非支配集距离调整解的分散性；采用改进的NSGA-II算法求解所述优化配置问题，当满足阈值进化终止条件时，输出优化配置方案Pareto前沿。

本申请带来的实际技术效果针对含多端口电力电子变压器的交直流混合系统在规划阶段存在的不确定条件所引起的建模难问题，采用后决策多目标优化方法，解决了经济性、环保性、技术性等不同方面优化指标的联合优化。可以实现不确定条件下系统发电设备、储能装置以及电力电子变压器的容量优化配置。且，本申请针对含多端口电力电子变压器的交直流混合系统多目标优化配置问题，提出了一种改进的NSGA-II多目标优化组合算法，可以提高多目标优化非支配解集的准确性。

附图说明

图1为本申请一种交直流混合系统的多目标优化配置方法的一个实施例的流程图；

图2为本申请一种交直流混合系统的多目标优化配置方法的另一个实施例的流程图；

图3为本申请一种交直流混合系统的多目标优化配置系统的第一个实施例的系统结构图；

图4为本申请一种交直流混合系统的多目标优化配置系统的第二个实施例的系统结构图；

图5为本申请一种交直流混合系统的多目标优化配置系统的第三个实施例的系统结构图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例1：

请参考图1，其为本申请一种交直流混合系统的多目标优化配置方法的一个实施例的流程图，具体包括以下步骤：

S100、基于经济性优化目标、环保性优化目标和技术优化目标建立交直流混合系统优化目标函数和约束条件；约束条件包括可靠性、新能源占比、可再生能源发电弃电率和光伏系统安装容量；

这里，经济性优化目标包括全生命周期净现成本子目标、能源标准化成本子目标、投资回收期子目标和初始投资成本子目标；其中，上述每项子目标的定义可参考如下方式：

(1)全生命周期净现成本子目标为：交直流混合系统全生命周期内所有成本和收入的净现值，其中，全生命周期内的成本包括初始投资成本、运行维护成本、设备置换成本和购电成本，全生命周期内的收入包括售电收入以及设备残值总和；

一实施例中，全生命周期净现成本子目标的计算公式如下所示：

C_NPC＝C_inv+C_om+C_re+C_buy-B_sell-B_sal；(1)

式(1)中，C_NPC为系统生命周期净现成本，C_inv为初始投资成本，C_om为运行维护成本，C_re为设备置换成本，C_buy为购电成本；B_sell为售电收入，B_sal为设备残值。

另一实施例中，考虑通货膨胀后续每年成本和收益将折算到第一年，得以准确地评价系统全生命周期成本。其中，当交直流混合系统寿命为K年、贴现率为r时，系统全生命周期净现成本C_NPC按下述公式计算：

式(2)中，C(k)表示第k年的成本费用；B(k)表示第k年的系统收入。

(2)能源标准化成本子目标作为每生产单位电量所需的成本，具体为：年平均成本与年发电总量的商；

(3)投资回收期子目标作为系统回收初始投资所需要的时间，具体为：系统的初始投资成本除以年净收益现值；

(4)初始投资成本子目标作为系统投入的建设成本，包括电力电子变压器、光伏系统、风力发电系统和储能系统容量待优化的设备成本。

这里，环保性优化目标包括二氧化碳排放量子目标和二氧化碳减排量子目标；其中，上述每项子目标的定义可参考如下方式：

二氧化碳排放量子目标为：当交直流混合系统包括消耗化石能源的发电单元时，记录发电单元在消耗化石能源时产生的二氧化碳排放量A；

二氧化碳减排量子目标为：当交直流混合系统含有可再生能源时，记录当前的二氧化碳减排量。

需要说明的是，在计算二氧化碳排放量和二氧化碳减排量的时候，可参考以下计算方式即：

当二氧化碳排放量A大于二氧化碳减排量B时，则将A和B做减法，得到的差值C1即为二氧化碳排放量；

当A小于B时，则将B和A做减法，得到的差值C2即为二氧化碳减排量。一实施例中，可由公式(3)进行二氧化碳减排量Q_CO2的计算：

式(3)中，W_RE为可再生能源发电量，单位取kWh；E_REC为可再生能源发电减排CO₂系数，一实施例中，其值取为0.997kg/kWh。

这里，技术优化目标包括供电不足概率子目标、负荷缺电概率子目标、交直流混合系统电能利用率子目标和交直流混合系统电功率传输效率子目标；其中，上述每项子目标的定义可参考如下方式：

(1)供电不足概率子目标为电能供应不足量和负荷总需求量的比值；一实施例中，供电不足概率子目标的计算公式如下所示：

式(4)中，D_E(t)为第t小时的能源短缺量，P_load(t)为负荷功率，T为系统运行时间，T(P_supply(t)＜P_load(t))为电能供不应求的时间。

(2)负荷缺电概率子目标为负荷缺电时间与系统运行时间的比值；

(3)交直流混合系统电能利用率子目标为负荷总量与可再生能源应发电量和电网净供电量之和的比值；一实施例中，交直流混合系统电能利用率子目标的计算公式如下所示：

式(5)中，P_MG2G(t)为第t小时交直流混合系统向电网输送的功率，P_L(t)为第t小时的负荷功率，P_G2MG(t)为第t小时电网向交直流混合系统输送的功率，P_DG(t)为分布式电源发电功率。

(4)交直流混合系统传输效率子目标为负荷总量与可再生能源实发电量和电网净供电量之和的比值。

需要说明的是，本实施例中定义的约束条件包括可靠性、新能源占比、可再生能源发电弃电率和光伏系统安装容量等。具体如表1所示：

表1交直流混合系统多目标优化约束

S200、建立用于计算系统工作效率的交直流混合系统数学计算模型，并由交直流混合系统数学计算模型、优化目标函数和约束条件共同组成待求解的优化配置问题；

这里，计算的系统工作效率类型包括电力电子变压器动态效率、光伏系统发电效率和风力发电机的输出功率，其中：

(1)在计算电力电子变压器动态效率的时候包括：获取电力电子变压器两两端口的负载率和对应的功率传输效率；建立电力电子变压器内部简化拓扑，获得多端口电力电子变压器端口之间的连接关系；根据电力电子变压器端口之间的连接关系和电力电子各个端口间的功率传输路径来拟合负载率-效率曲线，根据负载率确定电力电子变压器的效率；

(2)在计算光伏系统发电效率的时候，一实施例中，结合光伏系统输出功率与太阳总辐照之间的关系以及光伏组件衰减特性，根据公式(6)进行光伏系统发电效率的计算：

P_pv＝η(1-β)P_mG/G_STC； (6)

式(6)中，P_pv为光伏系统输出功率，单位取kW；P_m为光伏装机容量,单位取kWp；η为光伏系统发电效率，本实施例中光伏系统总体效率取85％；β为光伏组件年衰减率；G为太阳总辐照，单位取kW/m²；G_STC为标准测试条件下的太阳总辐照，本实施例中其取值为1kW/m²；

(3)在计算风机发电效率的时候，一实施例中，根据公式(7)将风力发电机处的风速v折算到风机轮毂高度h_w：

其中，假设风速服从Weibull分布，则根据公式(8)计算风力发电机的输出功率：

式(8)中，v为风力发电机处的风速，单位取m/s；v_w为气象数据风速，单位取m/s；h为风力发电机塔架高度；单位取m；P_WT为风力发电机输出功率，单位取kW；P_R为风力发电机额定容量，单位取kW；v_ci、v_r、v_co分别为风力发电机切入风速、额定风速和切出风速，单位取m/s；k为形状系数参数，一实施例中，其为Weibull形状系数；α为与风机所处的地形有关，可通过下述公式进行计算：

一实施例中，建立的交直流混合系统数学模型还包括蓄电池储能模型、系统功率平衡约束和设备运行约束。其中：

(1)根据储能系统容量和充放电速率进行蓄电池储能模型的数学建模，构建形式具体如公式(10)-(11)所示：

/>

式(10)-(11)中，E_ess(t)为t时刻储电系统中存储的电能，单位取kWh；P_ch(t)、P_disch(t)分别为t时刻储电系统进行充放电时的功率，单位取kW；η_ch、η_disch分别为储电系统进行充电和放电的效率；W_ess,max、W_ess,min分别为储电系统存储电能的上、下限，单位取kWh；P_ch,max、P_disch,max分别为储电系统充电和放电时的最大功率，单位取kW。

(2)需要说明的是，系统功率平衡约束包括交直流系统中各条线路和母线的功率平衡约束；一实施例中，功率平衡约束中的交直流系统中各条线路是指各个交直流系统之间的联络线路以及和电网连接的线路，线路功率平衡约束如式(12)所示，母线功率平衡约束如式(13)所示：

P_line,in,j+P_line,out,j+P_line,loss,j＝0； (12)

P_bus,in/out,i+P_bus,DG,i+P_bus,bat,i-P_Bus,load,i-Δ＝0； (13)

式(12)-(13)中，P_line,in,j、P_line,out,j分别为线路j的输入、输出功率，单位取kW；P_line,loss,j为线路j的损耗，单位取kW；P_bus,in/out,i为母线i的输入或输出功率，单位取kW；P_bus,DG,i为母线i所接分布式电源的输出功率；P_bus,bat,i为母线i所接储能的充/放电功率，单位取kW；P_Bus,load,i为母线i所接负荷功率。

(3)需要说明的是，设备运行约束电力电子变压器、储能系统和发电机组等设备的运行约束。一实施例中，电力电子变压器运行约束为端口容量和内部拓扑结构约束；储能系统约束包括容量和充放电速率约束；发电机组运行约束为容量约束、启停和爬坡约束等。

S300、对NSGA-II算法进行改进，包括将优化目标的搜索策略作为NSGA-II种群进化策略，采用非支配集距离调整解的分散性；

这里，对NSGA-II算法进行改进的具体实施步骤请参考图2：

S310、根据多目标优化问题的目标维数l设定代沟，其中，各优化目标的进化个体数量为N/l，代沟设为1/l，N为初始种群数；在进行初始化设置的时候，还需要设定通过选择、交叉、变异后生成的临时种群的数量和初始种群数N基本一致；

S320、根据预先设置的种群数量、种群交叉率和变异率，将父代种群分别按各个优化目标进行选择、交叉和变异操作后，得到若干个进化后的子代种群，其中，每个进化后的子代种群中均包括N/l个个体，将进化后的子代种群进行组合后形成新的临时种群R_t；

S330、将父代种群和临时种群R_t进行组合，构建用于进入下一代进化过程的新种群，并对新种群构造非支配集Q_t；

S340、采用偏序集排序法调整非支配集Q_t的大小，在使得临时种群的数量和初始种群数N保持一致的情况下，进入下一代的进化过程；其中，在达到预设的进化终止条件时(一实施例中，可为达到最大进化条件)，输出多目标优化的Pareto前沿，若否，则返回至对父代种群的选择、交叉和变异操作步骤，直至满足进化终止条件。

需要说明的是，由于在对多目标求解会筛选出一个相对较优解的集合，在这个集合里就要用到pareto找出相对优的解或者最优解。

S400、采用改进的NSGA-II算法求解优化配置问题，当满足阈值进化终止条件时，输出优化配置方案Pareto前沿。

上述实施例中针对含多端口电力电子变压器的交直流混合系统在规划阶段存在的不确定条件所引起的建模难问题，采用后决策多目标优化方法，解决了经济性、环保性、技术性等不同方面优化指标的联合优化。可以实现不确定条件下系统发电设备、储能装置以及电力电子变压器的容量优化配置，具备良好的应用前景。

实施例2：

基于实施例1公开的技术方案，在采用改进的NSGA-II算法求解优化配置问题，之前还包括建立仿真场景；

建立仿真场景的过程，请参考下述步骤：

S510、确定对交直流混合系统产生影响的随机因素，需要说明的是，随机因素包括太阳辐照、风速、负荷预测误差和设备运行状态。

S520、针对太阳辐照、风速和负荷预测误差分别建立概率分布函数，基于前述建立的概率分布函数采用时间连续状态离散的蒙特卡洛方法，生成若干个第一随机场景；建立可靠性模型，针对设备运行状态计算故障发生率以及故障修复时间，并采用两状态连续时间马尔科夫链蒙特卡洛方法，生成第二随机场景；其中：

(1)对于太阳辐照概率分布函数：

式(14)中，PDF(S)_t为第t组太阳辐射数据的β分布；α^t和β^t为大于零的系数；

为该组太阳辐射数据的最大值；Γ为伽玛函数。

(2)对于风速概率分布函数：

式(15)中，PDF(V)为风速的Weibull分布；k为Weibull分布的形状参数(无量纲)；c为Weibull分布的尺度参数(m/s)，反映风电场的平均风速；V为给定风速，m/s。形状参数k和尺度参数c可根据实际风速数据确定，由于风速分布参数随季节变化，因此分季节提取形状参数k和尺度参数c。

(3)负荷预测误差概率分布函数，可认为该函数服从数学期望为μ、方差为σ²的正态分布，记为N(μ，σ²)。为了方便计算，将负荷预测误差的概率分布分为七个部分(0，±σ，±2σ，±3σ)进行离散表示。对于负荷预测误差概率分布相关参数的取值方式，一实施例中，将数学期望μ取值为0，标准差σ取值为2％，上述取值方案符合大部分情况下的负荷不确定性描述，具备实际操作性。且，利用预测所得的误差值对典型的日负荷值进行修正后，即可得到负荷随机序列。

一实施例中，根据设备故障率λ和修复时间T_rep这两项参数进行可靠性模型的构建，并假设上述两项参数均服从指数分布，采用两状态连续时间马尔科夫链蒙特卡洛方法即可生成故障可用状态时间序列。需要说明的是，所提交直流混合可再生能源系统中生成故障可用序列的关键元件包括光伏、风电、储能、电力电子变压器、电网等。

S530、对生成的多个随机场景提取特征值，由特征值构成聚类对象；基于给定的聚类数目k，采用k近邻法进行场景消减包括根据距离函数通过循环计算将数据集中的数据分成k类，将距离聚类中心最近的场景作为场景消减后得到的场景。

这里，对采用蒙特卡洛方法生成的众多随机场景提取特征值，由特征值形成场景，即用于场景消减的聚类对象。交直流混合系统每个运行场景的聚类对象中包含太阳辐射总量、太阳辐射方差、太阳辐射绝对差分均值、风速均值、有效风能密度、风速绝对差分均值、负荷均值、负荷方差、负荷绝对差分均值、各元件故障概率等。进一步采用k近邻法进行聚类，即给定一个数据集和聚类数目k，根据距离函数通过循环计算把数据分成k类。距离聚类中心最近的场景即为场景消减后得到的场景。这里将基于连续时间蒙特卡洛方法生成的1000个随机场景，采用k近邻法进行场景消减，得到10个消减后的场景。

基于整体方案的完整性，需要说明的是，根据前述步骤建立的仿真场景，在将待求解的优化配置问题带入到建立的仿真环境，采用改进的NSGA-II算法求解当前的优化配置问题，且在满足阈值进化终止条件时，输出优化配置方案Pareto前沿即最有配置方案。

实施例3：

请参考图3，其为本发明公开的一种交直流混合系统的多目标优化配置系统的第一个实施例的系统结构图；包括优化目标函数建立模块L1、优化配置问题建立模块L2、NSGA-II算法改进模块L3和配置方案输出模块L4，其中：

优化目标函数建立模块L1用于基于经济性优化目标、环保性优化目标和技术优化目标建立交直流混合系统优化目标函数和约束条件；需要说明的是，约束条件包括可靠性、新能源占比、可再生能源发电弃电率和光伏系统安装容量；

优化配置问题建立模块L2用于建立用于计算系统工作效率的交直流混合系统数学计算模型，并由交直流混合系统数学计算模型、优化目标函数和约束条件共同组成待求解的优化配置问题；

NSGA-II算法改进模块L3用于对NSGA-II算法进行改进，包括将优化目标的搜索策略作为NSGA-II种群进化策略，采用非支配集距离调整解的分散性；其中，NSGA-II算法改进模块L3下还包括代沟设定模块L31、进化模块L32、非支配集构造模块L33和偏序集排序调整模块L34(具体的系统结构图请参考图4)：

代沟设定模块L31用于根据多目标优化问题的目标维数l设定代沟，其中，设定各优化目标的进化个体数量为N/l，代沟设为1/l，N为初始种群数；

进化模块L32用于根据预先设置的种群数量、种群交叉率和变异率，将父代种群分别按各个优化目标进行选择、交叉和变异操作后，得到若干个进化后的子代种群，其中，每个进化后的子代种群中均包括N/l个个体，将进化后的子代种群进行组合后形成新的临时种群R_t；

非支配集构造模块L33用于将父代种群和临时种群R_t进行组合，构建用于进入到下一次进化过程的新种群，并对新种群构造非支配集Q_t；

偏序集排序调整模块L34用于采用偏序集排序法调整非支配集Q_t的大小，在使得临时种群的数量和初始种群数N保持一致后，进入下一代的进化过程；其中，在达到预设的进化终止条件时，则输出多目标优化的Pareto前沿，若否，则返回至对父代种群的选择、交叉和变异操作步骤，直至满足进化终止条件。

配置方案输出模块L4用于采用改进的NSGA-II算法求解优化配置问题，当满足阈值进化终止条件时，输出优化配置方案Pareto前沿。其中，配置方案输出模块L4中还包括用于建立仿真场景的场景建立模块L5；

场景建立模块L5包括随机因素确定模块L51、随机场景生成模块L52和场景消减模块L53，其中(具体的系统结构图请参考图5)：

随机因素确定模块L51用于确定对交直流混合系统产生影响的随机因素，随机因素包括太阳辐照、风速、负荷和设备运行状态；

随机场景生成模块L52用于说针对太阳辐照、风速和负荷分别建立概率分布函数，基于概率分布函数采用时间连续状态离散的蒙特卡洛方法，生成若干个第一随机场景；建立可靠性模型，针对设备运行状态确定故障发生率以及故障修复时间，采用两状态连续时间马尔科夫链蒙特卡洛方法，生成第二随机场景；

场景消减模块L53用于对生成的多个随机场景提取特征值，由特征值构成聚类对象；基于给定的聚类数目k，采用k近邻法进行场景消减包括根据距离函数通过循环计算将数据集中的数据分成k类，将距离聚类中心最近的场景作为场景消减后得到的场景。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (8)

1.一种交直流混合系统的多目标优化配置方法，其特征在于，包括：

基于经济性优化目标、环保性优化目标和技术优化目标建立交直流混合系统优化目标函数和约束条件；所述约束条件包括可靠性、新能源占比、可再生能源发电弃电率和光伏系统安装容量；

建立用于计算系统工作效率的交直流混合系统数学计算模型，并由所述交直流混合系统数学计算模型、所述优化目标函数和所述约束条件共同组成待求解的优化配置问题；

对NSGA-II算法进行改进，包括将优化目标的搜索策略作为NSGA-II种群进化策略，采用非支配集距离调整解的分散性；所述对NSGA-II算法进行改进具体为：

根据多目标优化问题的目标维数l设定代沟，其中，各优化目标的进化个体数量为N/l，代沟设为1/l，N为初始种群数；

根据预先设置的种群数量、种群交叉率和变异率，将父代种群分别按各个优化目标进行选择、交叉和变异操作后，得到若干个进化后的子代种群，其中，每个进化后的子代种群中均包括N/l个个体，将所述进化后的子代种群进行组合后形成新的临时种群R_t；

将父代种群和临时种群R_t进行组合，构建用于进入下一代进化过程的新种群，并对新种群构造非支配集Q_t；

采用偏序集排序法调整非支配集Q_t的大小，在使得临时种群的数量和初始种群数N保持一致的情况下，进入下一代的进化过程；其中，在达到预设的进化终止条件时，输出多目标优化的Pareto前沿，若否，则返回至对父代种群的选择、交叉和变异操作步骤，直至满足进化终止条件；

采用改进的NSGA-II算法求解所述优化配置问题，当满足阈值进化终止条件时，输出优化配置方案Pareto前沿。

2.根据权利要求1所述的多目标优化配置方法，其特征在于，所述经济性优化目标包括全生命周期净现成本子目标、能源标准化成本子目标、投资回收期子目标和初始投资成本子目标；其中：

所述全生命周期净现成本子目标为：交直流混合系统全生命周期内所有成本和收入的净现值，其中，全生命周期内的成本包括初始投资成本、运行维护成本、设备置换成本和购电成本，全生命周期内的收入包括售电收入以及设备残值总和；

所述能源标准化成本子目标作为每生产单位电量所需的成本，具体为：年平均成本与年发电总量的商；

所述投资回收期子目标作为系统回收初始投资所需要的时间，具体为：系统的初始投资成本除以年净收益现值；

所述初始投资成本子目标作为系统投入的建设成本，包括电力电子变压器、光伏系统、风力发电系统和储能系统容量待优化的设备成本。

3.根据权利要求1所述的多目标优化配置方法，其特征在于，所述环保性优化目标包括二氧化碳排放量子目标和二氧化碳减排量子目标；

所述二氧化碳排放量子目标为：当所述交直流混合系统包括消耗化石能源的发电单元时，记录发电单元在消耗化石能源时产生的二氧化碳排放量A；所述二氧化碳减排量子目标为：当所述交直流混合系统含有可再生能源时，记录当前的二氧化碳减排量；其中，当二氧化碳排放量A大于二氧化碳减排量B时，则将A和B做减法，得到的差值C1即为二氧化碳排放量；当A小于B时，则将B和A做减法，得到的差值C2即为二氧化碳减排量。

4.根据权利要求1所述的多目标优化配置方法，其特征在于，所述技术优化目标包括供电不足概率子目标、负荷缺电概率子目标、交直流混合系统电能利用率子目标和交直流混合系统电功率传输效率子目标；

所述供电不足概率子目标为电能供应不足量和负荷总需求量的比值；

所述负荷缺电概率子目标为负荷缺电时间与系统运行时间的比值；

所述交直流混合系统电能利用率子目标为负荷总量与可再生能源应发电量和电网净供电量之和的比值；

所述交直流混合系统传输效率子目标为负荷总量与可再生能源实发电量和电网净供电量之和的比值。

5.根据权利要求1所述的多目标优化配置方法，其特征在于，所述系统工作效率包括电力电子变压器动态效率、光伏系统发电效率和风力发电机的输出功率，其中：

在计算电力电子变压器动态效率的时候包括：获取电力电子变压器两两端口的负载率和对应的功率传输效率；建立电力电子变压器内部简化拓扑，获得多端口电力电子变压器端口之间的连接关系；根据电力电子变压器端口之间的连接关系和电力电子各个端口间的功率传输路径来拟合负载率-效率曲线，根据负载率确定电力电子变压器的效率；

结合光伏系统输出功率与太阳总辐照之间的关系以及光伏组件衰减特性，进行光伏系统发电效率的计算：

P_pv＝η(1-β)P_mG/G_STC；

式中，P_pv为光伏系统输出功率；P_m为光伏装机容量，η为光伏系统发电效率，β为光伏组件年衰减率，G为太阳总辐照，G_STC为标准测试条件下的太阳总辐照；

在计算风机发电效率的时候包括：

将风力发电机处的风速v折算到风机轮毂高度h_w的公式为：

计算风力发电机输出功率的公式为：

式中，v为风力发电机处的风速，v_w为气象数据风速，h为风力发电机塔架高度；P_WT为风力发电机输出功率，P_R为风力发电机额定容量，v_ci、v_r、v_co分别为风力发电机切入风速、额定风速和切出风速，k为形状系数参数；α的计算公式为：

6.根据权利要求5所述的多目标优化配置方法，其特征在于，在所述采用改进的NSGA-II算法求解所述优化配置问题，当满足阈值进化终止条件时，输出优化配置方案Pareto前沿，之前还包括：

建立仿真场景；

所述建立仿真场景包括：

确定对交直流混合系统产生影响的随机因素，所述随机因素包括太阳辐照、风速、负荷和设备运行状态；

针对太阳辐照、风速和负荷分别建立概率分布函数，基于所述概率分布函数采用时间连续状态离散的蒙特卡洛方法，生成若干个第一随机场景；建立可靠性模型，针对设备运行状态确定故障发生率以及故障修复时间，采用两状态连续时间马尔科夫链蒙特卡洛方法，生成第二随机场景；

对生成的多个随机场景提取特征值，由特征值构成聚类对象；基于给定的聚类数目k，采用k近邻法进行场景消减包括根据距离函数通过循环计算将数据集中的数据分成k类，将距离聚类中心最近的场景作为场景消减后得到的场景。

7.一种交直流混合系统的多目标优化配置系统，其特征在于，包括：

优化目标函数建立模块，用于基于经济性优化目标、环保性优化目标和技术优化目标建立交直流混合系统优化目标函数和约束条件；所述约束条件包括可靠性、新能源占比、可再生能源发电弃电率和光伏系统安装容量；

优化配置问题建立模块，用于建立用于计算系统工作效率的交直流混合系统数学计算模型，并由所述交直流混合系统数学计算模型、所述优化目标函数和所述约束条件共同组成待求解的优化配置问题；

NSGA-II算法改进模块，用于对NSGA-II算法进行改进，包括将优化目标的搜索策略作为NSGA-II种群进化策略，采用非支配集距离调整解的分散性；所述NSGA-II算法改进模块包括代沟设定模块、进化模块、非支配集构造模块和偏序集排序调整模块，其中：

代沟设定模块，用于根据多目标优化问题的目标维数l设定代沟，其中，设定各优化目标的进化个体数量为N/l，代沟设为1/l，N为初始种群数；

进化模块，用于根据预先设置的种群数量、种群交叉率和变异率，将父代种群分别按各个优化目标进行选择、交叉和变异操作后，得到若干个进化后的子代种群，其中，每个进化后的子代种群中均包括N/l个个体，将所述进化后的子代种群进行组合后形成新的临时种群R_t；

非支配集构造模块，用于将父代种群和临时种群R_t进行组合，构建用于进入到下一次进化过程的新种群，并对新种群构造非支配集Q_t；

偏序集排序调整模块，用于采用偏序集排序法调整非支配集Q_t的大小，

在使得临时种群的数量和初始种群数N保持一致后，进入下一代的进化过程；其中，在达到预设的进化终止条件时，则输出多目标优化的Pareto前沿，若否，则返回至对父代种群的选择、交叉和变异操作步骤，直至满足进化终止条件；

配置方案输出模块，用于采用改进的NSGA-II算法求解所述优化配置问题，当满足阈值进化终止条件时，输出优化配置方案Pareto前沿。

8.根据权利要求7所述的多目标优化配置系统，其特征在于，所述配置方案输出模块包括用于建立仿真场景的场景建立模块；

所述场景建立模块包括随机因素确定模块、随机场景生成模块和场景消减模块，其中：

所述随机因素确定模块，用于确定对交直流混合系统产生影响的随机因素，所述随机因素包括太阳辐照、风速、负荷和设备运行状态；

所述随机场景生成模块，用于说针对太阳辐照、风速和负荷分别建立概率分布函数，基于所述概率分布函数采用时间连续状态离散的蒙特卡洛方法，生成若干个第一随机场景；建立可靠性模型，针对设备运行状态确定故障发生率以及故障修复时间，采用两状态连续时间马尔科夫链蒙特卡洛方法，生成第二随机场景；

所述场景消减模块，用于对生成的多个随机场景提取特征值，由特征值构成聚类对象；基于给定的聚类数目k，采用k近邻法进行场景消减包括根据距离函数通过循环计算将数据集中的数据分成k类，将距离聚类中心最近的场景作为场景消减后得到的场景。

Images