CN113394817A - 一种风光水火储系统的多能容量优化配置方法 - Google Patents

Abstract

本发明涉及一种风光水火储系统的多能容量优化配置方法，包括：以成本最小、负荷缺电率最小、风光总发电量最大为目标，分别建立相应的三个子目标；对三个子目标分别进行min‑max归一化处理，然后线性加权求和，得到单目标函数；基于多能互补特性及预设运行策略，以及预设约束条件和单目标函数，构建多能容量优化配置模型；在水电总容量固定不变的前提下，通过遗传算法搜索求解最优的风机数量、光伏阵列数量、火电机组数量和储能电池数量，用于计算各子目标的最小值、最大值。本发明涉及了较多种类的电源，综合考虑了较多目标，利用遗传算法简化了各子目标最大值、最小值的分析与计算，提高了整个优化配置过程的计算效率。

Description

一种风光水火储系统的多能容量优化配置方法

技术领域

本发明涉及电力系统规划领域，尤其涉及一种风光水火储系统的多能容量优化配置方法。

背景技术

随着化石燃料的不断消耗和环境污染的日趋加剧，风能、太阳能等可再生能源逐步引起了人们的高度关注。然而，风能和太阳能的随机性和间歇性使得其发电功率存在较强的波动性及不确定性，大规模的风电和光电并入电网将为电网的安全稳定和运行调度带来不可忽视的问题与挑战。

在此背景下，利用不同可再生能源及常规能源的天然互补特性，对各能源的容量进行合理的优化配置，在保证风电和光电发电规模的同时，实现更高质量的电力输出，提高供电可靠性并降低经济成本，是解决这一问题并应对这一挑战的重要途径之一。

目前，很多学者已经开展了多能容量优化配置模型和优化配置算法研究，但是现有联合发电系统容量配置的研究成果大多只考虑了3或4种电源，鲜有涉及5种及以上电源的发电系统。而且在现有研究中，考虑单一经济性目标的研究成果较多，虽然一些学者考虑了经济性和供电可靠性两个主要目标，以及将经济性和可再生能源比例两个指标作为目标，但综合考虑多目标的研究较少。

现有研究在求解多目标优化问题时，通常将各子目标进行归一化处理，利用线性加权法将多目标优化问题转化为单目标问题，然后再求解。但大多数研究都未明确给出归一化处理过程中各子目标最大值与最小值取法，或较为繁琐地采用各单独的子目标优化过程中所获得的最优解作为归一化处理过程中各个子目标的最大值与最小值，或根据不准确的经验选取归一化处理过程中各个子目标的最大值与最小值。因此，亟需一种能够快速、可靠提供归一化处理过程中各个子目标的最大值与最小值的手段。

发明内容

本发明所要解决的技术问题是提供一种风光水火储系统的多能容量优化配置方法，其涉及了较多种类的电源、综合考虑了较多目标，并且简化了各子目标最大值、最小值的分析与计算，提高了整个优化配置过程的计算效率。

为解决上述问题，本发明所述的一种风光水火储系统的多能容量优化配置方法方法包括：

以成本C最小、负荷缺电率D_LE最小、风光总发电量f_P最大为目标，分别建立相应的三个子目标f₁、f₂、f₃；其中，f₁＝C，f₂＝D_LE，f₃＝-f_P；

分别对三个子目标f₁、f₂、f₃进行min-max归一化处理，然后线性加权求和，得到单目标函数min F：

min F＝λ₁f₁'+λ₂f'₂+λ₃f'₃

其中，f₁'、f'₂、f'₃分别为成本、负荷缺电率、风光出力的归一化值；f_1.max、f_2.max、f_3.max分别为成本、负荷缺电率、风光总发电量的最大值；f_1.min、f_2.min、f_3.min分别为成本、负荷缺电率、风光总发电量的最小值；λ₁、λ₂、λ₃分别为成本、负荷缺电率、风光总发电量的权重系数，λ₁+λ₂+λ₃＝1；

基于多能互补特性及预设运行策略，以及预设约束条件和所述单目标函数min F，构建多能容量优化配置模型；

在水电总容量固定不变的前提下，通过遗传算法搜索求解所述多能容量优化配置模型的最优的风机数量、光伏阵列数量、火电机组数量和储能电池数量；

将最优解代入各子目标最小值、最大值的计算公式，计算结果用于风光火储能的容量优化配置。

优选地，所述遗传算法经过一定代数的搜索后，子目标的最小值、最大值将不再更新，将最后一代的结果作为最优值输出。

优选地，所述预设运行策略包括：以最大化风光出力为目标，需要水火储参与调节时，按照水电、火电和储能的顺序依次出力。

优选地，min C＝C₁+C₂+C₃，C₁为系统固定投资成本，C₂为系统运行维护成本，C₃为火电燃料成本；

C₁＝C_wN_wS_w+C_pvN_pvS_pv+C_batN_bat+C_hN_hS_h

式中：N_w、N_pv、N_s、N_h、N_bat分别为风机、光伏阵列、水电站、火电机组和储能电池的数量；C_w、C_pv、C_h分别为风机、光伏阵列和火电机组单位容量投资成本；C_bat为储能电池单价；S_w、S_pv、S_h分别为风机、光伏阵列和火电机组总容量；C′_w、C′_pv、C′_s、C′_h、C′_bat分别为风机、光伏阵列、水电、火电和储能单位发电量运行维护成本；P_w(t)、P_pv(t)、P_h(t)分别为单台风机、单位光伏阵列、单台火电机组t时刻输出功率；P_s.sum(t)为全部水电t时刻输出功率；P_bat(t)为单位储能电池t时刻输出(输入)功率；T为运行周期时段数；D(t)为单位火电机组t时间的煤耗量；C"_h为单位煤耗成本。

优选地，

式中：E_L为T时间内负荷总消耗电量，P_LE(t)为t时刻负荷缺电功率；

优选地，所述预设约束条件包括：

(1)功率平衡约束与电池荷电状态约束

当风光水火总出力之和达到负荷需求时，

N_batP_bat(t)＝N_wP_w(t)+N_pvP_pv(t)+P_s.sum(t)+N_hP_h(t)-P_L(t)

式中，P_L(t)为t时刻负荷需求功率；

当风光水火总出力之和仍未达到负荷需求时，

N_batP_bat(t)＝-N_wP_w(t)-N_pvP_pv(t)-P_s.sum(t)-N_hP_h(t)+P_L(t)

并且，储能电池荷电状态SOC需满足0.25≤SOC≤0.9；

(2)能源浪费率约束

式中P_WE(t)为t时刻能源浪费功率；

(3)各能源数量约束

式中N_w.min、N_pv.min、N_h.min、N_bat.min分别为风机、光伏阵列、火电机组和储能电池的最小允许数；N_w.max、N_pv.max、N_h.max、N_bat.max分别为风机、光伏阵列、火电机组和储能电池的最大允许数；

(4)水电出力约束与火电出力约束

P_s.min≤P_s(t)≤P_s.max

式中D_h、U_h分别为单台火电机组出力的上升速率、下降速率，P_s.min、P_h.min分别为单位水电和单台火电机组的最小允许出力，P_s.max、P_h.max分别为单位水电和单台火电机组的最大允许出力。

本发明与现有技术相比具有以下优点：

本发明涉及了较多种类的电源，共包含风光水火储五种电源，综合考虑了较多目标，包括系统经济性最好、系统可靠性最好和风光发电量最大三个目标，利用遗传算法引入了一种新的归一化子目标最大值与最小值取值方法，简化了各子目标最大值、最小值的分析与计算，毋须引入额外的分析与计算，各子目标的最大和最小值根据搜索过的状态空间信息自动更新，提高了整个优化配置过程的计算效率。

本发明基于多能互补特性及运行策略，建立了风光水火储多能联合发电系统的多能容量优化配置模型，可以实现风电、光伏、火电和储能的容量的优化配置，从而在保证风电和光电发电规模的同时，实现更高质量的电力输出，提高供电可靠性并降低经济成本。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1为本发明实施例提供的流程图。

具体实施方式

参考图1，本发明实施例提供了一种风光水火储系统的多能容量优化配置方法，应用于风光水火储联合发电系统规划建设，该配置方法包括：

步骤S100、以成本C最小、负荷缺电率D_LE最小、风光总发电量f_P最大为目标，分别建立相应的三个子目标f₁、f₂、f₃。

在一定的约束条件下，以经济性最优、系统可靠性最佳以及风光总发电量最大为优化目标，具体描述如下。

(1)系统经济性最优

min C＝C₁+C₂+C₃

式中：C₁为系统固定投资成本，C₂为系统运行维护成本，C₃为火电燃料成本；

C₁＝C_wN_wS_w+C_pvN_pvS_pv+C_batN_bat+C_hN_hS_h

式中：N_w、N_pv、N_s、N_h、N_bat分别为风机、光伏阵列、水电站、火电机组和储能电池的数量；C_w、C_pv、C_h分别为风机、光伏阵列和火电机组单位容量投资成本；C_bat为储能电池单价；S_w、S_pv、S_h分别为风机、光伏阵列和火电机组总容量；C′_w、C′_pv、C′_s、C′_h、C′_bat分别为风机、光伏阵列、水电、火电和储能单位发电量运行维护成本；P_w(t)、P_pv(t)、P_h(t)分别为单台风机、单位光伏阵列、单台火电机组t时刻输出功率；P_s.sum(t)为全部水电t时刻输出功率；P_bat(t)为单位储能电池t时刻输出(输入)功率；T为运行周期时段数；D(t)为单位火电机组t时间的煤耗量；C"_h为单位煤耗成本。

(2)系统可靠性最佳

为了保证系统对负荷的供电质量，定义如下的负荷缺电率D_LE以描述系统可靠性：

式中：E_L为T时间内负荷总消耗电量，P_LE(t)为t时刻负荷缺电功率；由上式可知，负荷缺电率D_LE越小，系统供电可靠性越高。

(3)风光总发电量最大

为最大程度地利用风电和光伏能源，将风光总发电量f_P最大作为目标函数之一：

(4)构建多目标优化目标函数

令f₁＝C，f₂＝D_LE，f₃＝-f_P，为保证经济性最优、系统可靠性最佳以及风光出力最大，多能互补容量优化配置的多目标优化目标函数为min(f₁,f₂,f₃)。

步骤S101、分别对三个子目标f₁、f₂、f₃分别进行min-max归一化处理，然后线性加权求和，得到单目标函数min F。

由于各子目标函数，即经济性、系统供电可靠性目标和风光总发电量最优相互冲突，故不存在使得这三个目标同时最优的绝对最优解。为此，先统一各目标函数的量纲和变化范围(数量级)，然后按照偏好采用不同的权重系数将多目标优化问题转化为单目标优化，最后应用遗传算法进行求解。

首先，为统一各目标函数的量纲和数量级，采用min-max归一化处理方法，对三个子目标分别进行了归一化处理，从而使得各个子目标统一在同一量纲和数量级下，具备了可比性。

其中，f₁'、f'₂、f'₃分别为成本、负荷缺电率、风光出力的归一化值；f_1.max、f_2.max、f_3.max分别为成本、负荷缺电率、风光总发电量的最大值；f_1.min、f_2.min、f_3.min分别为成本、负荷缺电率、风光总发电量的最小值。

为简化各子目标最大值、最小值的分析与计算，提高整个优化配置过程的计算效率，在归一化过程中利用遗传算法引入了较为简洁的子目标最大值与最小值计算方法，各自目标的最大和最小值根据搜索过的状态空间信息自动更新。同时，为实现计算效率和计算稳定性的平衡，经过一定代数(次数)的搜索后，子目标的最大、最小值将不再更新，将最后一代的结果作为最优值输出。

举例来说，设进化算法的总迭代次数为N，在进化算法的每代结束后，根据本代个体的目标函数值，更新各子目标的最大值和最小值，直到第k代(k<N)为止；随后各子目标的最大值和最小值不再更新和变化。因此，优化过程中，第k代之前的各子目标最大最小值均随迭代次数的变化而动态变化，从而使得第k代之前的适应度值不断波动，由于第k代之后的所有代均采用第k之前的各子目标的最大值和最小值，故直到第k代之后其适应度曲线才停止动态变化并逐步收敛，才能较好地反映算法收敛性。

其次，按照偏好采用不同的权重系数将多目标优化问题转化为单目标优化：

min F＝λ₁f₁'+λ₂f'₂+λ₃f'₃

式中：λ₁、λ₂、λ₃分别为成本、负荷缺电率、风光总发电量的权重系数(偏好)，λ₁+λ₂+λ₃＝1；由上式可知，权重系数越大，目标函数受到的偏好越大。为实现在系统供电可靠的前提下，保证系统的经济效益和风光总发电量最大，设置权重系数分别设置为0.3、0.4、0.3。

步骤S102、基于多能互补特性及预设运行策略，以及预设约束条件和单目标函数min F，构建多能容量优化配置模型。

其中，预设运行策略为：考虑到风光水火储互补特性和不同类型能源的特点，以最大化风光出力为目标，需要水火储参与调节时，按照水电、火电和储能的顺序依次出力，具体见下。

第一种、时间互补特性风光出力之和小于负荷需求

此时，由于风光出力之和未达到负荷需求，考虑到具备一定的水库库容的水电站具有良好的调节能力，优先通过调节水电站库容的方法提高各水电机组出力，从而补充负荷需求的差值。

如果增加水电站出力后仍不能达到负荷需求，又由于火电机组有较好的调峰能力，则顺序利用火电机组进一步补偿此时负荷需求的差值。

如果火电站参与调节后也仍无法达到负荷需求，且此时储能电池仍有剩余电能，则启动具备快速响应能力的储能电池参与调节以补充剩余的负荷需求差值，储能电池将处于放电状态。为保证储能电池的寿命和安全性，当储能电池荷电状态SOC在放电过程中达到最小值时，储能电池放电过程将终止。

第二种、时间互补特性风光出力之和大于负荷需求

此时，由于风光出力之和已达到负荷需求，则分别调节水电站和火电机组，使水火出力均控制在维持水电站和火电机组正常运行的最低出力。

若此时的储能电池还未达到满电状态，为降低系统的能源浪费，利用多余的能量对储能电池进行充电，即将多余的电能储存在储能电池中，使储能电池处于充电状态。在此过程中，需要检测储能电池的工作状态。当储能电池荷电状态SOC在充电过程中达到最大值时，终止储能电池充电。

步骤S103、在水电总容量固定不变的前提下，通过遗传算法搜索求解模型最优的风机数量、光伏阵列数量、火电机组数量和储能电池数量。

其中，遗传算法求解最优解过程参考步骤S101中的相关说明和后文详细说明。

步骤S104、将最优解代入各子目标最小值、最大值的计算公式，计算结果用于风光火储能的容量优化配置。

本发明中，预设约束条件包括：

(1)功率平衡约束与电池荷电状态约束

当风光水火总出力之和达到负荷需求时，储能电池参与调节，即将多余的电能存入储能电池中，储能电池处于充电状态，储能电池充电功率需满足：

N_batP_bat(t)＝N_wP_w(t)+N_pvP_pv(t)+P_s.sum(t)+N_hP_h(t)-P_L(t)

式中，P_L(t)为t时刻负荷需求功率；需要注意的是，当储能电池荷电状态SOC在充电过程中达到最大值0.9时，为保证储能电池的寿命和安全性，停止给储能电池，某种程度上导致了能源浪费。

当风光水火总出力之和仍未达到负荷需求时，储能电池处于放电状态，储能电池放电功率需满足：

N_batP_bat(t)＝-N_wP_w(t)-N_pvP_pv(t)-P_s.sum(t)-N_hP_h(t)+P_L(t)

同样需要注意的是，当储能电池荷电状态SOC在放电过程中达到最小值0.25时，为保证储能电池的寿命和安全性，停止储能电池放电，从而使得风光水火储总出力达到负荷需求。

综上，储能电池荷电状态SOC需满足：

0.25≤SOC≤0.9

(2)能源浪费率约束

为了减少资源的浪费率，能源浪费率DWE需要满足：

式中P_WE(t)为t时刻能源浪费功率；从上式可知，能源浪费率D_WE越小，系统能源利用率越好。

(3)各能源数量约束

考虑到各能源数量并非无限，则各能源数量需满足：

式中N_w.min、N_pv.min、N_h.min、N_bat.min分别为风机、光伏阵列、火电机组和储能电池的最小允许数；N_w.max、N_pv.max、N_h.max、N_bat.max分别为风机、光伏阵列、火电机组和储能电池的最大允许数；

(4)水电出力约束与火电出力约束

水电出力和火电出力分别需要满足如下约束：

P_s.min≤P_s(t)≤P_s.max

式中D_h、U_h分别为单台火电机组出力的上升速率、下降速率，P_s.min、P_h.min分别为单位水电和单台火电机组的最小允许出力，P_s.max、P_h.max分别为单位水电和单台火电机组的最大允许出力。

以下针对步骤S103使用遗传算法进行求解最优的风机数量、光伏阵列数量、火电机组数量和储能电池数量，进行详细说明。

考虑到遗传算法优异的寻优能力，对于前述的风光水火储多能联合发电系统优化问题，选择应用遗传算法实现风电、光伏、火电和储能的容量的优化配置，即在水电总容量固定不变的前提下，通过遗传算法配置最优的风机数量、光伏阵列数量、火电机组数量和储能电池数量。为此，根据问题的特点，在基因算法中的染色体的基因数为4，对应的基因分别表示风机数量、光伏阵列数量、火电机组数量和储能电池数量。具体优化过程详述如下：

(1)初始化。设定算法参数值。首先，根据风机数量范围、光伏阵列数量范围、火电机组数量范围和储能电池数量范围，分别对这四个决策变量进行初始化。然后，为保证每个染色体上决策变量初值均满足约束条件，每个染色体完成初始化操作后，首先需要判断该染色体表示的各电源配置数是否满足各约束条件，若不满足，则设置循环，重新进行初始化操作，直到产生满足约束条件的染色体为止。需要说明的是，为保证计算速度，若在连续600次循环后仍不能产生满足约束的新染色体，则终止循环，在随后的适应度计算中进行相应的惩罚函数处理。接着，计算总目标函数F的适应度值。当该染色体表示的各电源配置结果仍不满足约束条件时，对适应度值进行相应的惩罚处理，使其易于在进化过程中被环境淘汰。

(2)选择操作。根据适应度值的大小对种群中的所有个体排序，淘汰适应度值排名后三分之一的个体，并用适应度值排名前三分之一的个体代替。

(3)交叉操作。选择交叉个体，按照交叉概率交换其部分染色体。在完成每对染色体交叉操作后，都需要判断该对染色体对应的各电源配置结果是否满足各约束条件。若不满足，则设置循环，重新进行交叉操作，直到产生满足约束条件的新染色体为止。同样，若连续循环600次后仍不能产生满足要求的新染色体，则停止循环，在随后的适应度计算中进行相应的惩罚处理。

(4)变异操作。选择变异个体，根据变异概率改变该染色体的部分基因值。同理，在每个染色体变异操作后，都需要判断该染色体对应的电源配置结果是否满足约束条件。若不满足，则设置循环，重新进行变异操作，直到产生满各约束条件的新染色体为止。同理，若连续循环600次后仍未能产生满足要求的染色体，则终止循环，在随后的适应度计算中进行相应的惩罚处理。种群经过选择、交叉和变异操作进化为新的种群，并把上一代的最优个体保留在新种群中。然后，计算总目标函数F的适应度值，当某染色体对应的电源配置结果仍不满足约束条件时，对适应度值进行相应的惩罚处理。

(5)终止条件判定。判断算法是否达到了规定的迭代次数。若满足，则结束优化搜索，并输出最优的风机数量、光伏阵列数量、火电机组数量和储能电池数量；若未达到，则转到步骤(2)，继续进行迭代搜索。

以上对本发明所提供的技术方案进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (6)

1.一种风光水火储系统的多能容量优化配置方法，其特征在于，该配置方法包括：

以成本C最小、负荷缺电率D_LE最小、风光总发电量f_P最大为目标，分别建立相应的三个子目标f₁、f₂、f₃；其中，f₁＝C，f₂＝D_LE，f₃＝-f_P；

分别对三个子目标f₁、f₂、f₃进行min-max归一化处理，然后线性加权求和，得到单目标函数min F：

min F＝λ₁f₁'+λ₂f₂'+λ₃f₃'

其中，f₁'、f₂'、f₃'分别为成本、负荷缺电率、风光出力的归一化值；f_1.max、f_2.max、f_3.max分别为成本、负荷缺电率、风光总发电量的最大值；f_1.min、f_2.min、f_3.min分别为成本、负荷缺电率、风光总发电量的最小值；λ₁、λ₂、λ₃分别为成本、负荷缺电率、风光总发电量的权重系数，λ₁+λ₂+λ₃＝1；

基于多能互补特性及预设运行策略，以及预设约束条件和所述单目标函数min F，构建多能容量优化配置模型；

在水电总容量固定不变的前提下，通过遗传算法搜索求解所述多能容量优化配置模型的最优的风机数量、光伏阵列数量、火电机组数量和储能电池数量；

将最优解代入各子目标最小值、最大值的计算公式，计算结果用于风光火储能的容量优化配置。

2.如权利要求1所述的配置方法，其特征在于，所述遗传算法经过一定代数的搜索后，子目标的最小值、最大值将不再更新，将最后一代的结果作为最优值输出。

3.如权利要求1所述的配置方法，其特征在于，所述预设运行策略包括：以最大化风光出力为目标，需要水火储参与调节时，按照水电、火电和储能的顺序依次出力。

4.如权利要求1所述的配置方法，其特征在于：

min C＝C₁+C₂+C₃，C₁为系统固定投资成本，C₂为系统运行维护成本，C₃为火电燃料成本；

C₁＝C_wN_wS_w+C_pvN_pvS_pv+C_batN_bat+C_hN_hS_h

式中：N_w、N_pv、N_s、N_h、N_bat分别为风机、光伏阵列、水电站、火电机组和储能电池的数量；C_w、C_pv、C_h分别为风机、光伏阵列和火电机组单位容量投资成本；C_bat为储能电池单价；S_w、S_pv、S_h分别为风机、光伏阵列和火电机组总容量；C′_w、C′_pv、C′_s、C′_h、C′_bat分别为风机、光伏阵列、水电、火电和储能单位发电量运行维护成本；P_w(t)、P_pv(t)、P_h(t)分别为单台风机、单位光伏阵列、单台火电机组t时刻输出功率；P_s.sum(t)为全部水电t时刻输出功率；P_bat(t)为单位储能电池t时刻输出(输入)功率；T为运行周期时段数；D(t)为单位火电机组t时间的煤耗量；C"_h为单位煤耗成本。

5.如权利要求4所述的配置方法，其特征在于：

式中：E_L为T时间内负荷总消耗电量，P_LE(t)为t时刻负荷缺电功率；

6.如权利要求4所述的配置方法，其特征在于，所述预设约束条件包括：

(1)功率平衡约束与电池荷电状态约束

当风光水火总出力之和达到负荷需求时，

N_batP_bat(t)＝N_wP_w(t)+N_pvP_pv(t)+P_s.sum(t)+N_hP_h(t)-P_L(t)

式中，P_L(t)为t时刻负荷需求功率；

当风光水火总出力之和仍未达到负荷需求时，

N_batP_bat(t)＝-N_wP_w(t)-N_pvP_pv(t)-P_s.sum(t)-N_hP_h(t)+P_L(t)

并且，储能电池荷电状态SOC需满足0.25≤SOC≤0.9；

(2)能源浪费率约束

式中P_WE(t)为t时刻能源浪费功率；

(3)各能源数量约束

式中N_w.min、N_pv.min、N_h.min、N_bat.min分别为风机、光伏阵列、火电机组和储能电池的最小允许数；N_w.max、N_pv.max、N_h.max、N_bat.max分别为风机、光伏阵列、火电机组和储能电池的最大允许数；

(4)水电出力约束与火电出力约束

P_s.min≤P_s(t)≤P_s.max

式中D_h、U_h分别为单台火电机组出力的上升速率、下降速率，P_s.min、P_h.min分别为单位水电和单台火电机组的最小允许出力，P_s.max、P_h.max分别为单位水电和单台火电机组的最大允许出力。

Images