CN113610380A - 一种多能互补能源规划方法 - Google Patents
一种多能互补能源规划方法 Download PDFInfo
- Publication number
- CN113610380A CN113610380A CN202110879436.2A CN202110879436A CN113610380A CN 113610380 A CN113610380 A CN 113610380A CN 202110879436 A CN202110879436 A CN 202110879436A CN 113610380 A CN113610380 A CN 113610380A
- Authority
- CN
- China
- Prior art keywords
- full
- life
- cycle
- capacity
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000000295 complement effect Effects 0.000 title claims abstract description 11
- 238000004146 energy storage Methods 0.000 claims abstract description 64
- 230000008859 change Effects 0.000 claims abstract description 59
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000010248 power generation Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 19
- 230000032683 aging Effects 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 13
- 230000005611 electricity Effects 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 238000013486 operation strategy Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 241000102542 Kara Species 0.000 description 1
- 241001481789 Rupicapra Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000011424 computer programming method Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种多能互补能源规划方法，其特征在于，包括以下步骤：信息数据输入；建立分布式能源系统全生命周期模型，该分布式能源系统全生命周期模型包括全生命周期光伏模型、全生命周期风电模型、全生命周期储能模型、全生命周期发电机模型、全生命周期能量平衡计算模型以及全生命周期财务模型；对建立的分布式能源系统全生命周期模型进行模拟或进行优化求解。本发明充分考虑并有效反映全生命周期中的各种变化因素，对系统的实际运行状态进行仿真和优化，取得了最接近于实际运行状态的仿真和优化结果。同时，本发明具备按照多期进行容量规划的能力，可以适应多种容量配置需求。
Description
技术领域
本发明涉及一种多能互补分布式能源规划方法。
背景技术
随着可再生能源技术和储能技术的发展，由可再生能源和储能组成的分布式能源系统为区域能源供应提供了一个全新的解决方案。目前，国内外已建成或在建多个多能互补分布式能源系统，包括美国夏威夷卡哈拉岛(Kohala)微型电网，希腊爱琴海基克拉迪群岛(Kythnos)微型电网示范系统，浙江的东福山岛、南麂岛、鹿西岛，福建湄洲岛，广东的东澳岛，海南三沙的永兴岛，山东的长岛等。通过已建项目的示范，多能互补分布式能源系统技术能够有效减少柴油消耗，减少环境污染，增加能源供给，基本解决当地居民的用电和用水问题，改善了居民的生活品质，极大促进了当地海洋经济和旅游业的发展，获得了较好的经济和社会效益。
多能互补分布式能源系统开发首先要解决的难点是分布式能源系统的规划问题。对于一个包含多种能源形式如光伏、风电、储能的系统，项目的边界条件往往只有负荷需求、气象条件这样的基础数据，无法简单地计算出各种能源的最佳容量配置。对于这一类的分布式能源系统的规划，满足负荷需求的方案往往成千上万，要找出最优的方案并非易事，一般需要通过计算机编程来实现。
现有的计算机编程规划方法存在如下问题：未充分考虑分布式能源系统全生命周期的运行状态，不具备多期规划能力：对于负荷需求持续增长的系统，为了获得更好地经济性，往往需要进行多期规划，在运营期内分期增加电源容量。常规的规划方法未充分考虑全生命周期的影响因素对于系统运行的影响，比如负荷的逐年增长、设备的老化、性能的衰减、设备寿命到期后的替换、运行成本的变动、分期设备投资的影响，因此无法在运营期增加规划容量，同时仿真和优化的结果与系统全生命周期的实际运行状态存在较大的偏差。
发明内容
本发明要解决的技术问题是：现有分布式能源规划方法无法适应负荷持续增长的分布式能源系统的规划。
为了解决上述技术问题，本发明的技术方案是提供了一种多能互补能源规划方法，其特征在于，包括以下步骤：
步骤1、信息数据输入，包括：
通过项目信息输入模块输入项目信息，输入的项目信息是后续光伏建模和全生命周期财务模型建模的依据；
通过负荷信息输入模块输入负荷信息，输入的负荷信息是后续分布式能源系统全生命周期能量平衡建模的依据；
通过财务信息输入模块输入财务信息，输入的财务信息是后续全生命周期财务模型建模的依据；
通过设备信息输入模块输入设备信息，输入的设备信息是后续全生命周期设备模型建模的依据；
通过优化参数输入模块输入优化参数，输入的优化参数包括运行模式设置参数以及新增设备容量参数，其中，新增设备容量参数包括新增加容量矩阵Cnew以及发电机的新增容量间隔，新增加容量矩阵Cnew用于表示新增光伏容量、新增风机容量和新增储能容量，定义为：
X0、Y0及Z0分别表示建设期的新增光伏容量、新增风机容量和新增储能容量；设当前年份为运营期的第n年，则Xi、Yi、Zi为运营期的第i年的历史新增光伏容量、历史新增风机容量和历史新增储能容量，Xn、Yn、Zn为当前年份的新增光伏容量、新增风机容量和新增储能容量；
步骤2、建立分布式能源系统全生命周期模型，该分布式能源系统全生命周期模型包括全生命周期光伏模型、全生命周期风电模型、全生命周期储能模型、全生命周期发电机模型、全生命周期能量平衡计算模型以及全生命周期财务模型，包括以下步骤：
步骤201、基于设备信息输入模块输入的光资源信息、光伏设备信息以及通过项目信息输入模块输入的项目信息完成光伏建模，再结合光伏建模结果和通过优化参数输入模块输入的新增加容量矩阵Cnew建立全生命周期光伏模型，包括光伏全生命周期可用容量的变化、光伏全生命周期发电量的变化；
基于设备信息输入模块输入的风资源信息、风机设备信息完成风机建模，再结合风机建模结果和通过优化参数输入模块输入的新增加容量矩阵Cnew建立全生命周期风电模型，包括风电全生命周期可用容量的变化、风电全生命周期发电量的变化；
基于设备信息输入模块输入的储能设备信息完成储能建模，再结合储能建模结果和通过优化参数输入模块输入的新增加容量矩阵Cnew建立全生命周期储能模型，包括储能全生命周期可用容量的变化；
基于设备信息输入模块输入的发电机设备信息完成发电机建模，再结合发电机建模结果和通过优化参数输入模块输入的发电机的新增容量间隔建立全生命周期发电机模型，包括发电机全生命周期可用容量的变化、发电机全生命周期发电量的变化；
步骤202、基于全生命周期光伏模型、全生命周期风电模型、全生命周期储能模型以及全生命周期发电机模型建立全生命周期能量平衡计算模型，在全生命周期能量平衡计算模型中，各能源形式之间耦合的具体运行策略如下：
光伏、风机负责发电，储能和发电机负责平衡可再生能源发电和负荷之间的差值；当可再生能源发电能够满足负荷的需求时，优先可再生能源发电，多余的电量向储能充电，储能充满后弃风、弃光；当可再生能源发电无法满足负荷需求时，优先储能放电满足负荷需求，如果储能容量不足或电量太低，由发电机供电；
步骤203、利用通过项目信息输入模块输入项目信息，确定全生命周期财务模型的时间跨度，随后利用全生命周期光伏模型、全生命周期风电模型、全生命周期储能模型、全生命周期发电机模型以及全生命周期能量平衡计算模型的建模结果计算全生命周期财务模型，包括设备全生命周期造价的变化、设备全生命周期运行维护成本的变化以及设备全生命周期折旧的变化，全生命周期财务模型所用下式计算全生命周期的度电成本LCOE：
式中：Pcost为建设成本，是以新增加容量矩阵Cnew为变量的函数，表示为Pcost＝F1(Cnew)；R为折现率；n表示运营期中的第n个年度，则T表示运营期总时间长度；D为资产折旧，是以新增加容量矩阵Cnew为变量的函数，表示为D＝F2(Cnew)；Rtax为所得税率；PO&M为运行维护成本，是以新增加容量矩阵Cnew为变量的函数，表示为PO&M＝F3(Cnew)；Vresidual为残值，是以新增加容量矩阵Cnew为变量的函数，表示为Vresidual＝F4(Cnew)；E为系统年发电量，是以新增加容量矩阵Cnew为变量的函数，表示为E＝F5(Cnew)；
步骤3、若通过优化参数输入模块输入的运行模式设置参数为模拟模式，则对步骤2建立的分布式能源系统全生命周期模型进行模拟；
若通过优化参数输入模块输入的运行模式设置参数为优化模式，则对步骤2建立的分布式能源系统全生命周期模型进行优化求解，找出度电成本LCOE最低的各期设备容量配置组合，获得经济性最优的容量配置方案。
优选地，步骤1中，所述负荷信息包括日24小时负荷需求信息、月负荷需求变化信息和年负荷需求变化信息，以形成全生命周期的负荷信息。
优选地，步骤201中，所述光伏全生命周期可用容量的变化表示为下式：
式中，Cpvn为运营期第n年的可用光伏容量，βpv为光伏老化系数。
优选地，步骤201中，所述光伏全生命周期发电量的变化表示为下式：
Epvn＝Cpvn*Epv0
式中，Epvn为运营期第n年的发电量，Epv0为设备建模阶段计算的初始发电量，Cpvn为运营期第n年的可用光伏容量。
优选地，步骤201中，所述风电全生命周期可用容量的变化表示为下式：
式中，Cwtn为运营期第n年的可用风机容量，βwt为风机老化系数。
优选地，步骤201中，所述风电全生命周期发电量的变化表示为下式：
Ewtn＝Cwtn*Ewt0
式中，Ewtn为运营期第n年的发电量，Ewt0为设备建模阶段计算的初始发电量，Cwtn为运营期第n年的可用光伏容量。
优选地，步骤201中，所述储能全生命周期可用容量的变化表示为下式：
式中，Cbtn为运营期第n年的可用储能容量，βbt为储能老化系数。
优选地，步骤202中，所述全生命周期能量平衡计算模型采用的分布式能源系统能量平衡方程如下式所示：
Pload-Pgv-Pwind+Paux＝Pbattery+Pgenerator
式中，Pload为用电负荷，Ppv为光伏出力，Pwind为风机出力，Paux为厂用电，Pbattery为储能放电/充电，Pgenerator为发电机出力。
优选地，步骤3中，采用差分进化算法对步骤2建立的分布式能源系统全生命周期模型进行优化求解，差分进化算法的变量为新增加容量矩阵Cnew，特征方程如下式所示：
式中，MinLCOE表示使全生命周期的度电成本LCOE最小。
本发明对分布式能源系统全生命周期的运行状态进行建模，然后进行多期规划的方法，从而达到最接近于实际运行状态的仿真和优化结果，获得更佳的经济性。本发明充分考虑并有效反映全生命周期中的各种变化因素，对系统的实际运行状态进行仿真和优化，取得了最接近于实际运行状态的仿真和优化结果。同时，本发明具备按照多期进行容量规划的能力，可以适应多种容量配置需求。
附图说明
图1为本发明的流程图；
图2A及图2B为光资源信息示意图；
图3A及图3B为风资源信息示意图；
图4A至图4C为负荷需求示意图；
图5为多期投资的情况示意图；
图6A及图6B为分布式能源系统全生命周期的运行情况示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
为了解决现有的分布式能源规划方法存在的问题，提升分布式能源规划软件对于系统全生命周期运行仿真和优化的准确性，实现多期规划的功能，本发明提供了一种多能互补能源规划方法，如图1所示，包括以下步骤：
步骤1、信息数据输入，包括：
通过项目信息输入模块输入项目信息，项目信息用于输入分布式能源项目的基本信息，包括项目的建设期、运营期、建设起始年限、项目描述、项目所在地的地理位置(经、纬度，标高)等。输入的项目信息是后续光伏建模和全生命周期财务模型建模的依据。
通过负荷信息输入模块输入负荷信息。负荷信息包括日24小时负荷需求信息、月负荷需求变化信息和年负荷需求变化信息，以形成全生命周期(8760小时×运营期)的负荷信息。输入的负荷信息是后续分布式能源系统全生命周期能量平衡建模的依据。
通过财务信息输入模块输入财务信息。财务信息包括折现率、长期贷款利率、还款期、还款方式、自有资金比例、增值税率、所得税率、其它税率、运行人员工资等。输入的财务信息是后续全生命周期财务模型建模的依据。
通过设备信息输入模块输入设备信息。可再生资源信息，设备输入信息，设备成本信息等。输入的设备信息是后续全生命周期设备模型建模的依据；
通过优化参数输入模块输入优化参数，输入的优化参数包括运行模式设置参数以及新增设备容量参数。
通过输入运行模式设置参数来选择优化模式或模拟模式。当选择优化模式时，还需要输入设备容量的范围(上限和下限)以及相关的其它约束条件。当选择模拟模式时，还需要输入给定的设备容量以及相关的其它约束条件。
新增设备容量参数包括新增加容量矩阵Cnew以及发电机的新增容量间隔，新增加容量矩阵Cnew用于表示新增光伏容量、新增风机容量和新增储能容量，定义为：
X0、Y0及Z0分别表示建设期的新增光伏容量、新增风机容量和新增储能容量；设当前年份为运营期的第n年，则Xi、Yi、Zi为运营期的第i年的历史新增光伏容量、历史新增风机容量和历史新增储能容量，Xn、Yn、Zn为当前年份的新增光伏容量、新增风机容量和新增储能容量。
本发明中，优化模式和模拟模式均支持多期容量规划，可以在建设期和运营期任意年份增加新的设备容量。
步骤2、建立分布式能源系统全生命周期模型，该分布式能源系统全生命周期模型包括全生命周期光伏模型、全生命周期风电模型、全生命周期储能模型、全生命周期发电机模型、全生命周期能量平衡计算模型以及全生命周期财务模型，包括以下步骤：
步骤201、基于设备信息输入模块输入的光资源信息、光伏设备信息以及通过项目信息输入模块输入的项目信息完成光伏建模，再结合光伏建模结果和通过优化参数输入模块输入的新增加容量矩阵Cnew建立全生命周期光伏模型，包括光伏全生命周期可用容量的变化、光伏全生命周期发电量的变化。
其中，光资源信息如图2A及图2B所示。光伏设备信息包括主要光伏设备的选型参数(组件、逆变器)，各项损失，老化系数，成本信息(包括造价、造价年变化率、设备运行维护成本、设备折旧年限等)。用于光伏建模的项目信息包括地理位置信息，利用该地理位置信息确定太阳的运行轨迹和光伏设备的最佳安装位置。
光伏全生命周期可用容量的变化表示为下式：
式中，Cpvn为运营期第n年的可用光伏容量，βpv为光伏老化系数。
光伏全生命周期发电量的变化表示为下式：
Epvn＝Cpvn*Epv0
式中，Epvn为运营期第n年的发电量，Epv0为设备建模阶段计算的初始发电量，Cpvn为运营期第n年的可用光伏容量。基于设备信息输入模块输入的风资源信息、风机设备信息完成风机建模，再结合风机建模结果和通过优化参数输入模块输入的新增加容量矩阵Cnew建立全生命周期风电模型，包括风电全生命周期可用容量的变化、风电全生命周期发电量的变化。
其中，风资源信息如图3A及图3B所示。风机设备信息包括风机的选型参数，功率曲线或效率曲线，各项损失，老化系数，成本信息(包括造价、造价年变化率、设备运行维护成本、设备折旧年限等)。
风电全生命周期可用容量的变化表示为下式：
式中，Cwtn为运营期第n年的可用风机容量，βwt为风机老化系数。
风电全生命周期发电量的变化表示为下式：
Ewtn＝Cwtn*Ewt0
式中，Ewtn为运营期第n年的发电量，Ewt0为设备建模阶段计算的初始发电量，Cwtn为运营期第n年的可用风机容量。
基于设备信息输入模块输入的储能设备信息完成储能建模，再结合储能建模结果和通过优化参数输入模块输入的新增加容量矩阵Cnew建立全生命周期储能模型，包括储能全生命周期可用容量的变化、储能全生命周期造价的变化、储能全生命周期运行维护成本的变化、储能全生命周期折旧的变化。
其中，储能设备信息包括储能SOC的运行范围，效率，最大充放电电流，使用寿命(次数和年限)，老化系数，成本信息(包括造价、造价年变化率、设备运行维护成本、设备折旧年限等)。
储能全生命周期可用容量的变化表示为下式：
式中，Cbtn为运营期第n年的可用储能容量，βbt为储能老化系数。
基于设备信息输入模块输入的发电机设备信息完成发电机建模，再结合发电机建模结果和通过优化参数输入模块输入的发电机的新增容量间隔建立全生命周期发电机模型，包括发电机全生命周期可用容量的变化、发电机全生命周期发电量的变化、发电机全生命周期造价的变化、发电机全生命周期运行维护成本的变化、发电机全生命周期折旧的变化。
其中，发电机设备信息包括容量，效率曲线，老化系数，成本信息(包括造价、造价年变化率、设备运行维护成本、设备折旧年限等)。
(在上面步骤中有一个疑问，为什么仅仅给出可用容量变化的表达式，而并没有给出其他变化的表达式，例如：发电量的变化、造价的变化、运行维护成本的变化、折旧的变化均没有给出相关的表达式)
步骤202、基于全生命周期光伏模型、全生命周期风电模型、全生命周期储能模型以及全生命周期发电机模型建立全生命周期能量平衡计算模型，在全生命周期能量平衡计算模型中，各能源形式之间耦合的具体运行策略如下：
光伏、风机负责发电，储能和发电机负责平衡可再生能源发电和负荷之间的差值；当可再生能源发电能够满足负荷的需求时，优先可再生能源发电，多余的电量向储能充电，储能充满后弃风、弃光；当可再生能源发电无法满足负荷需求时，优先储能放电满足负荷需求，如果储能容量不足或电量太低，由发电机供电。
全生命周期能量平衡计算模型采用的分布式能源系统能量平衡方程如下式所示：
Pload-Pgv-Pwind+Paux＝Pbattery+Pgenerator
式中：Pload为用电负荷，单位kw；Ppv为光伏出力，单位kw；Pwind为风机出力，单位kw；Paux为厂用电，单位kw；Pbattery为储能放电/充电，单位kw；Pgenerator为发电机出力，单位kw。
步骤203、利用通过项目信息输入模块输入项目信息，确定全生命周期财务模型的时间跨度，随后利用全生命周期光伏模型、全生命周期风电模型、全生命周期储能模型、全生命周期发电机模型以及全生命周期的能量平衡模型的建模结果计算全生命周期财务模型，包括设备全生命周期造价的变化、设备全生命周期运行维护成本的变化以及设备全生命周期折旧的变化，全生命周期财务模型所用下式计算全生命周期的度电成本LCOE(单位$/kwh)：
式中：Pcost为建设成本，单位$，是以新增加容量矩阵Cnew为变量的函数，表示为Pcost＝F1(Cnew)；R为折现率(％)；n表示运营期中的第n个年度，则T表示运营期总时间长度(单位：年)；D为资产折旧，单位$，是以新增加容量矩阵Cnew为变量的函数，表示为D＝F2(Cnew)；Rtax为所得税率(％)；PO&M为运行维护成本，单位$，是以新增加容量矩阵Cnew为变量的函数，表示为PO&M＝F3(Cnew)；Vresidual为残值，单位$，是以新增加容量矩阵Cnew为变量的函数，表示为Vrexidual＝F4(Cnew)；E为系统年发电量，是以新增加容量矩阵Cnew为变量的函数，表示为E＝F5(Cnew)；
步骤3、若通过优化参数输入模块输入的运行模式设置参数为模拟模式，则对步骤2建立的分布式能源系统全生命周期模型进行模拟；
若通过优化参数输入模块输入的运行模式设置参数为优化模式，则对步骤2建立的分布式能源系统全生命周期模型进行优化求解，找出度电成本LCOE最低的各期设备容量配置组合，获得经济性最优的容量配置方案。
本实施例中，采用差分进化算法对步骤2建立的分布式能源系统全生命周期模型进行优化求解，差分进化算法的变量为新增加容量矩阵Cnew，特征方程如下式所示：
式中，MinLCOE表示使全生命周期的度电成本LCOE最小。
差分进化算法是一种模拟生物进化的随机模型，通过反复迭代，使得那些适应环境的个体被保存了下来。但相比于进化算法，差分进化算法保留了基于种群的全局搜索策略，采用实数编码、基于差分的简单变异操作和一对一的竞争生存策略，降低了遗传操作的复杂性。同时，差分进化算法特有的记忆能力使其可以动态跟踪当前的搜索情况，以调整其搜索策略，具有较强的全局收敛能力和鲁棒性，且不需要借助问题的特征信息，适于求解一些利用常规的数学规划方法所无法求解的复杂环境中的优化问题。
差分进化算法主要用于求解连续变量的全局优化问题，其主要工作步骤与其他进化算法基本一致，主要包括变异Mutation、交叉Crossover、选择Selection三种操作。算法的基本思想是从某一随机产生的初始群体开始，利用从种群中随机选取的两个个体的差向量作为第三个个体的随机变化源，将差向量加权后按照一定的规则与第三个个体求和而产生变异个体，该操作称为变异。然后，变异个体与某个预先决定的目标个体进行参数混合，生成试验个体，这一过程称之为交叉。如果试验个体的适应度值优于目标个体的适应度值，则在下一代中试验个体取代目标个体，否则目标个体仍保存下来，该操作称为选择。在每一代的进化过程中，每一个体矢量作为目标个体一次，算法通过不断地迭代计算，保留优良个体，淘汰劣质个体，引导搜索过程向全局最优解逼近。
综上所述，本发明提供的一种多能互补能源规划方法首先将影响全生命周期各种参数作为约束条件输入到软件输入模块中，通过软件内置的建模算法，建立项目全生命周期(8760小时×运营期)的各种设备模型和财务模型。然后利用差分进化算法(DE)，找出度电成本(LCOE)最低的各期设备容量配置组合，获得经济性最优的容量配置方案。通过规划算法进行多期规划的分布式能源系统的年发电量和年可用容量图表，如图6A和6B所示。
Claims (9)
1.一种多能互补能源规划方法，其特征在于，包括以下步骤：
步骤1、信息数据输入，包括：
通过项目信息输入模块输入项目信息，输入的项目信息是后续光伏建模和全生命周期财务模型建模的依据；
通过负荷信息输入模块输入负荷信息，输入的负荷信息是后续分布式能源系统全生命周期能量平衡建模的依据；
通过财务信息输入模块输入财务信息，输入的财务信息是后续全生命周期财务模型建模的依据；
通过设备信息输入模块输入设备信息，输入的设备信息是后续全生命周期设备模型建模的依据；
通过优化参数输入模块输入优化参数，输入的优化参数包括运行模式设置参数以及新增设备容量参数，其中，新增设备容量参数包括新增加容量矩阵Cnew以及发电机的新增容量间隔，新增加容量矩阵Cnew用于表示新增光伏容量、新增风机容量和新增储能容量，定义为：
X0、Y0及Z0分别表示建设期的新增光伏容量、新增风机容量和新增储能容量；设当前年份为运营期的第n年，则Xi、Yi、Zi为运营期的第i年的历史新增光伏容量、历史新增风机容量和历史新增储能容量，Xn、Yn、Zn为当前年份的新增光伏容量、新增风机容量和新增储能容量；
步骤2、建立分布式能源系统全生命周期模型，该分布式能源系统全生命周期模型包括全生命周期光伏模型、全生命周期风电模型、全生命周期储能模型、全生命周期发电机模型、全生命周期能量平衡计算模型以及全生命周期财务模型，包括以下步骤：
步骤201、基于设备信息输入模块输入的光资源信息、光伏设备信息以及通过项目信息输入模块输入的项目信息完成光伏建模，再结合光伏建模结果和通过优化参数输入模块输入的新增加容量矩阵Cnew建立全生命周期光伏模型，包括光伏全生命周期可用容量的变化、光伏全生命周期发电量的变化；
基于设备信息输入模块输入的风资源信息、风机设备信息完成风机建模，再结合风机建模结果和通过优化参数输入模块输入的新增加容量矩阵Cnew建立全生命周期风电模型，包括风电全生命周期可用容量的变化、风电全生命周期发电量的变化；
基于设备信息输入模块输入的储能设备信息完成储能建模，再结合储能建模结果和通过优化参数输入模块输入的新增加容量矩阵Cnew建立全生命周期储能模型，包括储能全生命周期可用容量的变化；
基于设备信息输入模块输入的发电机设备信息完成发电机建模，再结合发电机建模结果和通过优化参数输入模块输入的发电机的新增容量间隔建立全生命周期发电机模型，包括发电机全生命周期可用容量的变化、发电机全生命周期发电量的变化；
步骤202、基于全生命周期光伏模型、全生命周期风电模型、全生命周期储能模型以及全生命周期发电机模型建立全生命周期能量平衡计算模型，在全生命周期能量平衡计算模型中，各能源形式之间耦合的具体运行策略如下：
光伏、风机负责发电，储能和发电机负责平衡可再生能源发电和负荷之间的差值；当可再生能源发电能够满足负荷的需求时，优先可再生能源发电，多余的电量向储能充电，储能充满后弃风、弃光；当可再生能源发电无法满足负荷需求时，优先储能放电满足负荷需求，如果储能容量不足或电量太低，由发电机供电；
步骤203、利用通过项目信息输入模块输入项目信息，确定全生命周期财务模型的时间跨度，随后利用全生命周期光伏模型、全生命周期风电模型、全生命周期储能模型、全生命周期发电机模型以及全生命周期能量平衡模型的建模结果计算全生命周期财务模型，包括设备全生命周期造价的变化、设备全生命周期运行维护成本的变化以及设备全生命周期折旧的变化，全生命周期财务模型所用下式计算全生命周期的度电成本LCOE：
式中：Pcost为建设成本，是以新增加容量矩阵Cnew为变量的函数，表示为Pcost＝F1(Cnew)；R为折现率；n表示运营期中的第n个年度，则T表示运营期总时间长度；D为资产折旧，是以新增加容量矩阵Cnew为变量的函数，表示为D＝F2(Cnew)；Rtax为所得税率；PO&M为运行维护成本，是以新增加容量矩阵Cnew为变量的函数，表示为PO&M＝F3(Cnew)；Vresidual为残值，是以新增加容量矩阵Cnew为变量的函数，表示为Vresidual＝F4(Cnew)；E为系统年发电量，是以新增加容量矩阵Cnew为变量的函数，表示为E＝F5(Cnew)；
步骤3、若通过优化参数输入模块输入的运行模式设置参数为模拟模式，则对步骤2建立的分布式能源系统全生命周期模型进行模拟；
若通过优化参数输入模块输入的运行模式设置参数为优化模式，则对步骤2建立的分布式能源系统全生命周期模型进行优化求解，找出度电成本LCOE最低的各期设备容量配置组合，获得经济性最优的容量配置方案。
2.如权利要求1所述一种多能互补能源规划方法，其特征在于，步骤1中，所述负荷信息包括日24小时负荷需求信息、月负荷需求变化信息和年负荷需求变化信息，以形成全生命周期的负荷信息。
3.如权利要求1所述的一种多能互补能源规划方法，其特征在于，步骤201中，所述光伏全生命周期可用容量的变化表示为下式：
式中，Cpvn为运营期第n年的可用光伏容量，βpv为光伏老化系数。
4.如权利要求3所述的一种多能互补能源规划方法，其特征在于，步骤201中，所述光伏全生命周期发电量的变化表示为下式：
Epvn＝Cpvn*Epv0
式中，Epvn为运营期第n年的发电量，Epv0为设备建模阶段计算的初始发电量，Cpvn为运营期第n年的可用光伏容量。
5.如权利要求1所述的一种多能互补能源规划方法，其特征在于，步骤201中，所述风电全生命周期可用容量的变化表示为下式：
式中，Cwtn为运营期第n年的可用风机容量，βwt为风机老化系数。
6.如权利要求5所述的一种多能互补能源规划方法，其特征在于，步骤201中，所述风电全生命周期发电量的变化表示为下式：
Ewtn＝Cwtn*Ewt0
式中，Ewtn为运营期第n年的发电量，Ewt0为设备建模阶段计算的初始发电量，Cwtn为运营期第n年的可用风机容量。
7.如权利要求1所述的一种多能互补能源规划方法，其特征在于，步骤201中，所述储能全生命周期可用容量的变化表示为下式：
式中，Cbtn为运营期第n年的可用储能容量，βbt为储能老化系数。
8.如权利要求1所述的一种多能互补能源规划方法，其特征在于，步骤202中，所述全生命周期能量平衡计算模型采用的分布式能源系统能量平衡方程如下式所示：
Pload-Pgv-Pwind+Paux＝Pbattery+Pgenerator
式中，Pload为用电负荷，Ppv为光伏出力，Pwind为风机出力，Paux为厂用电，Pbattery为储能放电/充电，Pgenerator为发电机出力。
9.如权利要求1所述的一种多能互补能源规划方法，其特征在于，步骤3中，采用差分进化算法对步骤2建立的分布式能源系统全生命周期模型进行优化求解，差分进化算法的变量为新增加容量矩阵Cnew，特征方程如下式所示：
式中，MinLCOE表示使全生命周期的度电成本LCOE最小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110879436.2A CN113610380A (zh) | 2021-08-02 | 2021-08-02 | 一种多能互补能源规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110879436.2A CN113610380A (zh) | 2021-08-02 | 2021-08-02 | 一种多能互补能源规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113610380A true CN113610380A (zh) | 2021-11-05 |
Family
ID=78339030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110879436.2A Pending CN113610380A (zh) | 2021-08-02 | 2021-08-02 | 一种多能互补能源规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113610380A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140075617A (ko) * | 2012-12-10 | 2014-06-19 | 주식회사 케이티 | 지능형 에너지 소비 예측 방법 |
| US9286646B1 (en) * | 2013-07-05 | 2016-03-15 | Clean Power Research, L.L.C. | Method for managing centralized power generation with the aid of a digital computer |
| US20180046924A1 (en) * | 2015-08-31 | 2018-02-15 | Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences | Whole-life-cycle power output classification prediction system for photovoltaic systems |
| CN109829228A (zh) * | 2019-01-28 | 2019-05-31 | 江苏理工学院 | 可再生能源系统中混合储能电源容量配置的优化方法 |
| CN109872088A (zh) * | 2019-03-27 | 2019-06-11 | 万克能源科技有限公司 | 一种用于火电厂辅助调频的储能容量及功率规划的方法 |
| CN110188915A (zh) * | 2019-04-10 | 2019-08-30 | 国网浙江省电力有限公司电力科学研究院 | 基于场景集的虚拟电厂中储能系统优化配置方法及系统 |
| CN110633854A (zh) * | 2019-09-16 | 2019-12-31 | 长沙理工大学 | 一种考虑储能电池多重分段服务全生命周期优化规划方法 |
| US20200161867A1 (en) * | 2018-11-15 | 2020-05-21 | Hefei University Of Technology | Method, system and storage medium for load dispatch optimization for residential microgrid |
| CN111639819A (zh) * | 2020-06-08 | 2020-09-08 | 天津大学 | 一种综合能源园区多阶段优化控制方法 |
| CN111723475A (zh) * | 2020-06-01 | 2020-09-29 | 河海大学 | 一种风电、光伏和储热联合热电系统及容量优化建模方法 |
| CN111932025A (zh) * | 2020-08-24 | 2020-11-13 | 南方电网科学研究院有限责任公司 | 考虑光伏随机性的综合能源系统建设多阶段规划方法 |
| CN112381269A (zh) * | 2020-10-30 | 2021-02-19 | 上海电气集团股份有限公司 | 一种考虑负荷重要度及电价激励的独立微电网容量优化配置方法 |
| CN113128070A (zh) * | 2021-05-08 | 2021-07-16 | 国网江苏省电力有限公司镇江供电分公司 | 一种间歇性分布式电源的综合能源系统优化配置方法 |
-
2021
- 2021-08-02 CN CN202110879436.2A patent/CN113610380A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140075617A (ko) * | 2012-12-10 | 2014-06-19 | 주식회사 케이티 | 지능형 에너지 소비 예측 방법 |
| US9286646B1 (en) * | 2013-07-05 | 2016-03-15 | Clean Power Research, L.L.C. | Method for managing centralized power generation with the aid of a digital computer |
| US20180046924A1 (en) * | 2015-08-31 | 2018-02-15 | Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences | Whole-life-cycle power output classification prediction system for photovoltaic systems |
| US20200161867A1 (en) * | 2018-11-15 | 2020-05-21 | Hefei University Of Technology | Method, system and storage medium for load dispatch optimization for residential microgrid |
| CN109829228A (zh) * | 2019-01-28 | 2019-05-31 | 江苏理工学院 | 可再生能源系统中混合储能电源容量配置的优化方法 |
| CN109872088A (zh) * | 2019-03-27 | 2019-06-11 | 万克能源科技有限公司 | 一种用于火电厂辅助调频的储能容量及功率规划的方法 |
| CN110188915A (zh) * | 2019-04-10 | 2019-08-30 | 国网浙江省电力有限公司电力科学研究院 | 基于场景集的虚拟电厂中储能系统优化配置方法及系统 |
| CN110633854A (zh) * | 2019-09-16 | 2019-12-31 | 长沙理工大学 | 一种考虑储能电池多重分段服务全生命周期优化规划方法 |
| CN111723475A (zh) * | 2020-06-01 | 2020-09-29 | 河海大学 | 一种风电、光伏和储热联合热电系统及容量优化建模方法 |
| CN111639819A (zh) * | 2020-06-08 | 2020-09-08 | 天津大学 | 一种综合能源园区多阶段优化控制方法 |
| CN111932025A (zh) * | 2020-08-24 | 2020-11-13 | 南方电网科学研究院有限责任公司 | 考虑光伏随机性的综合能源系统建设多阶段规划方法 |
| CN112381269A (zh) * | 2020-10-30 | 2021-02-19 | 上海电气集团股份有限公司 | 一种考虑负荷重要度及电价激励的独立微电网容量优化配置方法 |
| CN113128070A (zh) * | 2021-05-08 | 2021-07-16 | 国网江苏省电力有限公司镇江供电分公司 | 一种间歇性分布式电源的综合能源系统优化配置方法 |
Non-Patent Citations (2)
| Title |
|---|
| LIU, ZC ET AL.: ""Whole Life Cycle Optimal Allocation of the Energy Storage Systems in a Distributed Network"", 《CHINESE AUTOMATION CONGRESS》, pages 5556 - 5561 * |
| 黄河等: ""考虑多能互补的主动配电网规划与高效Benders求解方法"", 《中国电力》, vol. 52, no. 6, pages 11 - 18 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dufo-Lopez et al. | Multi-objective design of PV–wind–diesel–hydrogen–battery systems | |
| CN110866627B (zh) | 一种考虑阶梯气价的多区域电-气耦合综合能源系统优化调度方法 | |
| Henning et al. | A comprehensive model for the German electricity and heat sector in a future energy system with a dominant contribution from renewable energy technologies—Part I: Methodology | |
| CN104537435B (zh) | 基于用户侧经济性指标的分布式电源优化配置方法 | |
| CN109103926A (zh) | 基于多辐照特性年气象场景的光伏发电接纳能力计算方法 | |
| CN114243694B (zh) | 考虑阶梯碳交易和需求响应的并网型微电网优化配置方法 | |
| Aliari et al. | Planning for integration of wind power capacity in power generation using stochastic optimization | |
| CN109103929A (zh) | 基于改进动态克里丝金模型的配电网经济优化调度方法 | |
| CN113128786B (zh) | 一种基于空间网格搜索的风光水互补容量与选址优化方法 | |
| CN112561273B (zh) | 一种基于改进pso的主动配电网可再生dg规划方法 | |
| Petrichenko et al. | Modelling the Future of the Baltic Energy Systems: A Green Scenario | |
| CN104794533A (zh) | 计入可入网电动汽车的配电网用户光伏电站的容量最优配置方法 | |
| CN114154744A (zh) | 综合能源系统的扩容规划方法、装置及电子设备 | |
| Haddad et al. | Mixed integer linear programming approach to optimize the hybrid renewable energy system management for supplying a stand-alone data center | |
| Vyas et al. | A Review of Algorithms for Control and Optimization for Energy Management of Hybrid Renewable Energy Systems | |
| CN113298407B (zh) | 一种工业园区电-气综合能源系统优化调度模型建立方法 | |
| CN114723230A (zh) | 面向新能源发电和储能的微电网双层调度方法及系统 | |
| CN113779874A (zh) | 一种离网微电网建设的多目标优化方法 | |
| Fiorotti et al. | A novel strategy for simultaneous active/reactive power design and management using artificial intelligence techniques | |
| CN111342456A (zh) | 一种台区能源系统建模方法及系统 | |
| 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 | |
| CN115758763A (zh) | 一种计及源荷不确定性的多能流系统优化配置方法及系统 | |
| CN112600256B (zh) | 微网电力控制方法 | |
| CN113610380A (zh) | 一种多能互补能源规划方法 | |
| Bødal et al. | Production of hydrogen from wind and hydro power in constrained transmission grids, considering the stochasticity of wind power |
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 |