CN113612215A - 风光互补发电系统容量配置方法及装置 - Google Patents

风光互补发电系统容量配置方法及装置 Download PDF

Info

Publication number
CN113612215A
CN113612215A CN202110730589.0A CN202110730589A CN113612215A CN 113612215 A CN113612215 A CN 113612215A CN 202110730589 A CN202110730589 A CN 202110730589A CN 113612215 A CN113612215 A CN 113612215A
Authority
CN
China
Prior art keywords
wind
power generation
generation system
solar hybrid
capacity
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.)
Granted
Application number
CN202110730589.0A
Other languages
English (en)
Other versions
CN113612215B (zh
Inventor
张华赢
吴显
潘天红
陶骏
韦惠丽
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.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau 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 Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN202110730589.0A priority Critical patent/CN113612215B/zh
Priority claimed from CN202110730589.0A external-priority patent/CN113612215B/zh
Publication of CN113612215A publication Critical patent/CN113612215A/zh
Application granted granted Critical
Publication of CN113612215B publication Critical patent/CN113612215B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H02J1/00—Circuit arrangements for dc mains or dc distribution networks
    • H02J1/10—Parallel operation of dc sources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/0631—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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S10/00—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power
    • H02S10/10—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power including a supplementary source of electric power, e.g. hybrid diesel-PV energy systems
    • H02S10/12—Hybrid wind-PV energy systems
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S10/00—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power
    • H02S10/20—Systems characterised by their energy storage means
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及一种风光互补发电系统容量配置方法及装置。所述方法包括：建立风光互补发电系统关于容量配置的成本函数；建立风电互补发电系统关于容量配置的负荷缺电率函数；建立关于所述成本函数和负荷缺电率函数最小化的多目标优化模型；在设定的约束条件下，执行改进的灰狼算法，并获得所述多目标优化模型的帕累托最优解；从所述帕累托最优解中获得系统容量配置。上述风光互补发电系统容量配置方法及装置，以成本函数和负荷缺电率函数进行多目标优化，能够在保证供电稳定性目标的前提下，成本降低。采用改进的灰狼算法进行优化，达到提高收敛速度和解决陷入局部最优解的问题。

Description

风光互补发电系统容量配置方法及装置
技术领域
本发明涉及风光互补发电技术领域，特别是涉及一种风光互补发电系统容量配置方法及装置。
背景技术
风光互补发电系统是一种将风力发电与光伏发电相结合，配合储能装置来调节系统的输出功率的发电系统。风光互补发电系统充分发挥风能和太阳能两种资源的自然互补优势，有效解决了风能和太阳能资源受季节和天气制约的难题。
独立型风光互补发电系统仅依靠系统内部的电源对负载进行供电，为了保持功率平衡，需要根据风光资源的分布情况和负荷需求对系统容量进行合理配置。如果系统容量过大，虽然能够满足负载的功率需求，但是易造成能量浪费和系统运行成本的增加；如果系统容量太小，难以满足负荷需求甚至出现停电现象，很大程度上影响了系统的供电可靠性。因此，根据安装地点的风光资源条件和负荷需求合理配置风力机、光伏电池、蓄电池的最佳组合，不仅关系到整个系统的供电可靠性，也是提高系统经济性和合理性的关键。
目前对风光互补发电系统的配置优化主要有单目标优化和多目标优化两种类型。最常见的是单目标优化，一般将系统成本最小化作为优化目标，进而配置各组件的装机容量。然而，对于风光互补发电系统来说，系统总成本、供电可靠性，在给定的负荷和天气条件下，都是越小越好，它们都是需要考虑的重要因素。
传统智能优化算法如(粒子群算法、遗传算法)以及标准的灰狼算法在求解风光互补发电系统最优配置时大多存在收敛速度慢，陷入局部最优等问题。
发明内容
基于此，有必要针对传统智能优化算法在处理多目标优化时收敛速度慢、陷入局部最优解的问题，提供一种风光互补发电系统容量配置方法及装置。
一种风光互补发电系统容量配置方法，所述方法包括：
建立风光互补发电系统关于容量配置的成本函数；
建立风电互补发电系统关于容量配置的负荷缺电率函数；
建立关于所述成本函数和负荷缺电率函数最小化的多目标优化模型；
在设定的约束条件下，执行改进的灰狼算法，并获得所述多目标优化模型的帕累托最优解；
从所述帕累托最优解中获得系统容量配置。
在其中一个实施例中，所述风光互补发电系统关于容量配置的成本函数为：
TCS＝Co+Cm+Cr
其中，TCS表示风光互补系统全生命周期内的运行总成本；Co表示初始投资成本；Cm表示系统维护费用；Cr表示各组件的年度置换成本。
在其中一个实施例中，所述风电互补发电系统关于容量配置的负荷缺电率函数为：
Figure BDA0003139195150000021
其中，Tf表示选取的采样区间内无法满足负荷需求的小时数；分子部分表示系统所缺少的电能，其中Pi(t)表示各发电单元t时刻发出的功率，分母的PLoad(t)表示给定时间内负载总需求的电能。
在其中一个实施例中，所述设定的约束条件包括：功率平衡约束、蓄电池剩余容量约束、蓄电池充放电功率约束以及发电单元数量约束。
在其中一个实施例中，所述约束条件满足以下至少之一：
使所述功率平衡约束满足：
∑PWT+∑PPV+∑PBAT≥PLoad
其中，∑PWT为风力发电总功率；∑PPV为光伏发电总功率；∑PBAT为蓄电池组的剩余容量；PLoad为可估计的最大负荷功率值；
使所述蓄电池剩余容量SOC约束满足：
SOCmin≤SOC≤SOCmax
其中，SOCmin表示蓄电池的最小荷电量、SOCmax表示蓄电池的最大荷电量；
使所述蓄电池充放电功率约束满足：
Figure BDA0003139195150000031
其中，Pch(t)、Pdis(t)分别表示t时刻蓄电池充、放电功率；SOC(t)、SOC(t-1)分别表示t与t-1时刻蓄电池的剩余容量；γc、γd分别表示蓄电池充、放电效率；Er表示蓄电池额定容量；Pec_max、Ped_max分别表示蓄电池额定最大持续可充、放电功率；
使所述发电单元数量约束满足：
Figure BDA0003139195150000032
其中，NWT_max、NPV_max、NBAT_max分别表示风力发电机、光伏发电机以及蓄电池的最大装机数量。
在其中一个实施例中，所述改进的灰狼算法包括：
随机初始化灰狼种群，设置收敛因子
Figure BDA0003139195150000041
引导系数
Figure BDA0003139195150000042
和
Figure BDA0003139195150000043
所述灰狼种群的每个个体狼的位置为所述风光互补发电系统容量配置的一个随机向量；
根据多目标优化模型和约束条件，狼群寻找、包围和追捕猎物；所述猎物为所述风光互补发电系统的最佳容量配置；
对狼群进行适应度评估；
以步长逐步增加的方式调整收敛因子
Figure BDA0003139195150000045
重复进行狼群寻找、包围和追捕猎物，直至满足终止条件，获得最优解。
在其中一个实施例中，所述以步长逐步增加的方式调整收敛因子
Figure BDA0003139195150000046
为：
Figure BDA0003139195150000044
其中，e表示自然对数函数的底数；k表示当前迭代次数；Max_it表示最大迭代次数。
在其中一个实施例中，所述改进的灰狼算法包括：
当陷入局部最优解时，采用Tent混沌映射，改变个体狼的位置更新策略。
在其中一个实施例中，所述对狼群进行适应度评估，包括：采用成本函数和负荷缺电率函数对狼群进行适应度评估。
一种风光互补发电系统容量配置装置，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
上述风光互补发电系统容量配置方法及装置，以成本函数和负荷缺电率函数进行多目标优化，能够在保证供电稳定性目标的前提下，成本降低。采用改进的灰狼算法进行优化，达到提高收敛速度和解决陷入局部最优解的问题。
附图说明
图1为本申请涉及的独立型风光互补发电系统结构框图；
图2a为解A强帕累托支配解B的情况；
图2b为解A无差别于解B的情况；
图3为本申请一实施例的风光互补发电系统容量配置方法流程图；
图4a为采用标准的灰狼算法进行多目标优化，得到的帕累托的前沿面；
图4b为采用本申请改进的灰狼算法进行多目标优化，得到帕累托的前沿面。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
在本发明的描述中，需要理解的是，术语“上”、“下”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方法或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1所示，为本申请涉及的独立型风光互补发电系统结构框图。该独立型风光互补发电系统100包括：光伏发电装置101(例如弧形太阳能电池板)、风力发电装置102(例如Darrieus垂直轴风力机)、风光互补控制器103、逆变器104、蓄电池105等部件。所述独立型风光互补发电系统100运行机理如下：风力发电装置102的风轮将风能转换为机械能，驱动永磁同步电机将机械能转换成交流电，经整流变成直流电；光伏发电装置101基于光生伏打效应原理将太阳能转换为直流电，二者产生的电能经风光互补控制器103调节后储存在蓄电池105中。蓄电池105一般作为备用电源存在，当光伏发电装置101和风力发电装置102产生的电能不足以满足负载需求时，由蓄电池105向负载供电，以保证稳定的电能供应；如果光伏发电装置101和风力发电装置102产生的电能还有剩余，则将富余的电能储存于蓄电池105中。风光互补控制器103还实现最大功率跟踪、蓄电池105的充放电控制及超速保护等功能。
多个光伏发电装置101、多个风力发电装置102可以分别连接至相同或不同的蓄电池105，因此能够形成不同数量的光伏发电装置101、风力发电装置102、蓄电池105的组合。假设光伏发电装置101的数量为X1，风力发电装置102的数量为X2，蓄电池105的数量为X3。则本申请的目标则是找到一个使用成本和供电稳定性都较好的数量组合(X1，X2，X3)。
本申请采用多目标优化模型的改进型灰狼算法来获得最优解，从而得到较佳的数量组合(X1，X2，X3)。下面分别首先介绍标准灰狼算法和多目标优化模型。
灰狼种群中根据社会阶层从上到下依次分为α狼、β狼、δ狼以及ω狼，α狼负责捕猎决策，β狼、δ狼辅助α狼作出决策，ω狼听指挥围捕猎物。灰狼种群的捕猎大致包括以下阶段：追踪、跟随和靠近猎物；追捕、围堵和骚扰猎物，直到猎物停下来；攻击猎物。
在数学模型中，最接近目标的3个向量分别为α、β、δ，其他的向量则为ω。例如，若要求某个函数f(x)的最小值，则当前使函数值最小前三的向量分别为α、β、δ，即f(α)、f(β)、f(δ)是最小的3个值，剩余的向量则为ω。
在围捕猎物的过程中，由α狼、β狼、δ狼指挥ω狼向猎物靠近，即ω狼根据α狼、β狼、δ狼的位置更新自己的位置。经过多次迭代后，逐步靠近猎物。
在第k次迭代时，若ω狼的当前位置为
Figure BDA0003139195150000071
猎物的位置为
Figure BDA0003139195150000072
则
Figure BDA0003139195150000073
表示灰狼与猎物之间的距离：
Figure BDA0003139195150000074
ω狼继而根据其与猎物之间的距离以及猎物的位置，更新自己的位置：
Figure BDA0003139195150000075
其中，
Figure BDA00031391951500000714
Figure BDA0003139195150000076
为引导系数，用以下公式计算：
Figure BDA0003139195150000077
Figure BDA0003139195150000078
为收敛因子，并在迭代过程中线性地从2减至0，
Figure BDA0003139195150000079
和
Figure BDA00031391951500000710
和是[0，1]区间内的随机数。
由于并不清楚猎物的实际位置，因此将适应度最好的3个灰狼的位置作为猎物位置，获得ω狼与α狼、β狼、δ狼的3个距离信息：
Figure BDA00031391951500000711
以此为基础，得到3个更新位置：
Figure BDA00031391951500000712
以得到的3个更新位置取平均得到ω狼的更新位置：
Figure BDA00031391951500000713
在所有的灰狼位置都更新完成后，可以重新评估灰狼的适应度，得到新的α狼、β狼、δ狼以及ω狼，并重复上述过程,直到符合终止迭代的条件。
多目标优化模型中，目标是获得使多个函数都较小的解。
Min f(x)＝[f1(x),f2(x),……，fn(x),]T
假设有两个目标函数f1(x),f2(x)：
如果解A对应的目标函数值都比解B对应的目标函数值好，则称解A比解B优越，也可以叫做解A强帕累托支配解B。如图2a所示，在解A处，两个目标函数的值均比在解B处的值小。
如果解A对应的一个目标函数值优于解B对应的一个目标函数值，但是解A对应的另一个目标函数值要差于解B对应的一个目标函数值，则称解A无差别于解B，也叫作解A能帕累托支配解B。如图2b所示，解A在f1(x)的值比解B小，但在f2(x)的值比解B大。
如果对于解A而言，在变量空间中找不到其他的解能够优于解A(注意这里的优于一定要两个目标函数值都优于A对应的函数值)，那么解A就是帕累托最优解。帕累托最优解都位于帕累托前沿面上。
本申请中，基于两个目标函数，获得多目标优化的帕累托最优解，然后从中选择得到较佳的光伏发电装置101、风力发电装置102、蓄电池105的数量组合(X1，X2，X3)。
如图3所示，本申请一实施例的风光互补发电系统容量配置方法，包括如下步骤：
S301：建立风光互补发电系统关于容量配置的成本函数。独立型风光互补发电系统仅依靠系统内部的电源对负载进行供电，为了保持功率平衡，需要根据风光资源的分布情况和负荷需求对系统容量进行合理配置。如果系统容量过大，虽然能够满足负载的功率需求，但是易造成能量浪费和系统运行成本的增加；因此容量配置的成本尽量低是本申请方法的目标之一，需要建立风光互补发电系统关于容量配置的成本函数。
在一个实施例中，所述风光互补发电系统关于容量配置的成本函数为：
TCS＝Co+Cm+Cr
其中，TCS表示风光互补系统全生命周期内的运行总成本；Co表示初始投资成本；Cm表示系统维护费用；Cr表示各组件的年度置换成本。该成本函数是本申请实施例的一种选择，还可以有更粗略或更精确的表达。
若Cr1表示每个光伏发电装置101的年度置换成本、Cr2表示每个风力发电装置102的年度置换成本、Cr3表示每个蓄电池105的年度置换成本。则总成本的计算可以是：
TSC＝Co+Cm+X1Cr1+X2Cr2+X3Cr3
也即，上述成本函数可以表示成为数量组合(X1，X2，X3)的函数。
S302：建立风电互补发电系统关于容量配置的负荷缺电率函数。如果系统容量太小，难以满足负荷需求甚至出现停电现象，很大程度上影响了系统的供电可靠性。因此容量配置需要看考虑尽量减少负荷无法满足的情况，这也是本申请方法的目标之一。本申请中采用负荷缺电率函数评估负荷的满足情况。
在一个实施例中，所述风电互补发电系统关于容量配置的负荷缺电率函数为：
Figure BDA0003139195150000091
其中，Tf表示选取的采样区间内无法满足负荷需求的小时数；分子部分表示系统所缺少的电能，其中Pi(t)表示各发电单元t时刻发出的功率，分母的PLoad(t)表示给定时间内负载总需求的电能。
其中，
Figure BDA0003139195150000101
表示光伏发电装置101、风力发电装置102、蓄电池105在t时段的功率之和。其中，光伏发电装置101、风力发电装置102、蓄电池105的功率分别由在该时段的光照条件、风力条件、充放电情况以及各自的数量来确定。光照条件、风力条件、充放电情况大体情况上可以认为是常量，故上述负荷缺电率函数也表示为数量组合(X1，X2，X3)的函数。
在输入光照强度时，根据数学模型可以计算得到光伏发电装置101的出力(即输出功率)：
Figure BDA0003139195150000102
Figure BDA0003139195150000103
其中，PPV为光伏电池的实际输出功率；PSTC为标准测试条件下(GSTC＝1000W/m2，Tref＝25℃)光伏电池的输出功率；τ为功率温度系数，其值为-0.0043℃；Gc为光照强度，单位kW/m2；Tc为光伏电池工作时的表面温度；Te为环境温度。因此输入逐时光照强度数据即可得到光伏发电装置101的出力。
在输入风速数据时，根据数学模型可以计算得到风力发电装置102的出力(即输出功率)：
Figure BDA0003139195150000104
其中，Pr表示风机额定功率；vi、vo、vr分别表示风力机的切入风速、切出风速、额定风速。因此输入逐时风速数据即可得到风力发电装置101的出力。
此外，通过计算t时刻系统的输出功率和设定的条件，为蓄电池充电或对蓄电池放电，从而得到蓄电池的功率。
计算t时刻系统的输出功率：P(t)＝PLoad(t)-PWT(t)-PPV(t)-PBAT(t)
若P(t)＞0，判断SOC(t)是否大于0.1。当SOC(t)＞0.1，蓄电池按照约束放电；反之蓄电池停止放电。
若P(t)＜0，判断SOC(t)是否小于0.9.当SOC(t)＜0.9，蓄电池按照约束放电；反之进行卸负荷操作。
S303：建立关于所述成本函数和负荷缺电率函数最小化的多目标优化模型。该多目标优化模型的求解目标是成本和负荷缺电率都尽可能低。
S304：在设定的约束条件下，执行改进的灰狼算法，并获得所述多目标优化模型的帕累托最优解。约束条件是指上述数量组合(X1，X2，X3)的选择应该满足一定的要求，例如功率平衡约束、蓄电池剩余容量约束、蓄电池充放电功率约束以及发电单元数量约束等。如果不满足这些约束，解就没有实际意义。例如，如果不满足发电单元数量约束，实际的场地条件不可能容纳超过一定数量的发电单元，则该容量配置就不可能实现。
在一个实施例中，所述功率平衡约束可以是：
∑PWT+∑PPV+∑PBAT≥PLoad
其中，∑PWT为风力发电总功率；∑PPV为光伏发电总功率；∑PBAT为蓄电池组的剩余容量；PLoad为可估计的最大负荷功率值。可以理解，上述功率平衡约束可以更严格或更宽松，例如发电总功率可以大于最大负荷功率值的95％或者110％。
在一个实施例中，所述蓄电池剩余容量SOC约束可以是：
SOCmin≤SOC≤SOCmax
其中，SOCmin表示蓄电池的最小荷电量、SOCmax表示蓄电池的最大荷电量。可以理解，上述蓄电池剩余容量约束可以更严格或更宽松，例如将上下边界都进行收缩。
在一个实施例中，所述蓄电池充放电功率约束可以是：
Figure BDA0003139195150000121
其中，Pch(t)、Pdis(t)分别表示t时刻蓄电池充、放电功率；SOC(t)、SOC(t-1)分别表示t与t-1时刻蓄电池的剩余容量；γc、γd分别表示蓄电池充、放电效率；Er表示蓄电池额定容量；Pec_max、Ped_max分别表示蓄电池额定最大持续可充、放电功率。可以理解，上述蓄电池充放电功率约束可以更严格或更宽松。
在一个实施例中，所述发电单元数量约束可以是：
Figure BDA0003139195150000122
其中，NWT_max、NPV_max、NBAT_max分别表示风力发电机、光伏发电机以及蓄电池的最大装机数量。可以理解，上述发电单元数量约束可以更严格。
改进的灰狼算法是在上述标准灰狼算法的基础上进行一定的优化，以解决其收敛速度慢、陷入局部解等问题。
在一个实施例中，如图4所示，改进的灰狼算法包括以下步骤：
S401：随机初始化灰狼种群，设置收敛因子
Figure BDA0003139195150000123
引导系数
Figure BDA0003139195150000124
和
Figure BDA0003139195150000125
所述灰狼种群的每个个体狼的位置为所述风光互补发电系统容量配置的一个随机向量。在初始化阶段，每个个体狼的位置是三维整数向量空间中的随机向量。
S402：根据多目标优化模型和约束条件，狼群寻找、包围和追捕猎物；所述猎物为所述风光互补发电系统的最佳容量配置。初始化完成后，将每个随机向量代入目标函数TCS，得到函数值之间的大小关系，初步获得α、β、δ向量，然后以α、β、δ向量为基础，更新其他的ω向量。
S403：对狼群进行适应度评估。根据目标函数多目标优化模型中，解之间的支配关系，获得新的α、β、δ向量。
S404：以步长逐步增加的方式调整收敛因子
Figure BDA0003139195150000131
重复进行狼群寻找、包围和追捕猎物，直至满足终止条件，获得最优解。终止条件一般是达到设定的最大迭代次数或者得到了期望的求解精度。
通过步长逐步增加的方式在搜索过程初始阶段首先减慢收敛因子
Figure BDA0003139195150000136
的缩减，以尽快寻找到全局最优解；在搜索后期，迭代次数增加，
Figure BDA0003139195150000132
值减小得更快，从而精确地定位到猎物(局部最优解)的位置。
在其中一个实施例中，所述以步长逐步增加的方式调整收敛因子
Figure BDA0003139195150000133
为：
Figure BDA0003139195150000134
其中，e表示自然对数函数的底数；k表示当前迭代次数；Max_it表示最大迭代次数。上述收敛因子的确定方式可以保证全局搜索多样性和局部搜索精度之间的平衡，使得算法在迭代后期也具备较强的探索能力。
在其中一个实施例中，所述改进的灰狼算法还可以包括：当陷入局部最优解时，采用Tent混沌映射，改变个体狼的位置更新策略。
Tent混沌映射方程如下式所示：
Figure BDA0003139195150000135
其中，l表示映射次数，χl、χl+1分别表示第l次和l+1次映射的混沌变量的值。
若改进的灰狼算法在迭代过程中陷入局部最优，引入Tent混沌映射可以改变灰狼个体的位置更新策略，并引导种群完成一定次数的混沌更新，促使搜索过程跳出局部极值点，从而实现算法寻优能力的提升。
S305：从所述帕累托最优解中获得系统容量配置。从图2可知，帕累托最优解是一系列解，相互之间不存在支配关系。因此，可以根据实际情况，选择其中的一个解作为系统容量配置。
本申请实施例涉及的光伏发电装置、风力发电装置和蓄电池的参数如下表1：
Figure BDA0003139195150000141
表1
采用标准的灰狼算法进行多目标优化，得到的帕累托的前沿面如图4a所示，采用本申请改进的灰狼算法进行多目标优化，得到帕累托的前沿面如图4b所示。
分别采用标准的灰狼算法和本申请改进的灰狼算法得到容量配置如下表2：
Figure BDA0003139195150000142
表2
可以看到，改进的灰狼算法在保证供电稳定性目标的前提下，成本得到了大幅度的降低。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种风光互补发电系统容量配置方法，其特征在于，所述方法包括：
建立风光互补发电系统关于容量配置的成本函数；
建立风电互补发电系统关于容量配置的负荷缺电率函数；
建立关于所述成本函数和负荷缺电率函数最小化的多目标优化模型；
在设定的约束条件下，执行改进的灰狼算法，并获得所述多目标优化模型的帕累托最优解；
从所述帕累托最优解中获得系统容量配置。
2.根据权利要求1所述的风光互补发电系统容量配置方法，其特征在于，所述风光互补发电系统关于容量配置的成本函数为：
TCS＝Co+Cm+Cr
其中，TCS表示风光互补系统全生命周期内的运行总成本；Co表示初始投资成本；Cm表示系统维护费用；Cr表示各组件的年度置换成本。
3.根据权利要求1所述的风光互补发电系统容量配置方法，其特征在于，所述风电互补发电系统关于容量配置的负荷缺电率函数为：
Figure FDA0003139195140000011
其中，Tf表示选取的采样区间内无法满足负荷需求的小时数；分子部分表示系统所缺少的电能，其中Pi(t)表示各发电单元t时刻发出的功率，分母的PLoad(t)表示给定时间内负载总需求的电能。
4.根据权利要求1所述的风光互补发电系统容量配置方法，其特征在于，所述设定的约束条件包括：功率平衡约束、蓄电池剩余容量约束、蓄电池充放电功率约束以及发电单元数量约束。
5.根据权利要求4所述的风光互补发电系统容量配置方法，其特征在于，所述约束条件满足以下至少之一：
使所述功率平衡约束满足：
∑PWT+∑PPV+∑PBAT≥PLoad
其中，∑PWT为风力发电总功率；∑PPV为光伏发电总功率；∑PBAT为蓄电池组的剩余容量；PLoad为可估计的最大负荷功率值；
使所述蓄电池剩余容量SOC约束满足：
SOCmin≤SOC≤SOCmax
其中，SOCmin表示蓄电池的最小荷电量、SOCmax表示蓄电池的最大荷电量；
使所述蓄电池充放电功率约束满足：
Figure FDA0003139195140000021
其中，Pch(t)、Pdis(t)分别表示t时刻蓄电池充、放电功率；SOC(t)、SOC(t-1)分别表示t与t-1时刻蓄电池的剩余容量；γc、γd分别表示蓄电池充、放电效率；Er表示蓄电池额定容量；Pec_max、Ped_max分别表示蓄电池额定最大持续可充、放电功率；
使所述发电单元数量约束满足：
Figure FDA0003139195140000022
其中，NWT_max、NPV_max、NBAT_max分别表示风力发电机、光伏发电机以及蓄电池的最大装机数量。
6.根据权利要求1所述的风光互补发电系统容量配置方法，其特征在于，所述改进的灰狼算法包括：
随机初始化灰狼种群，设置收敛因子
Figure FDA0003139195140000023
引导系数
Figure FDA0003139195140000024
和
Figure FDA0003139195140000025
所述灰狼种群的每个个体狼的位置为所述风光互补发电系统容量配置的一个随机向量；
根据多目标优化模型和约束条件，狼群寻找、包围和追捕猎物；所述猎物为所述风光互补发电系统的最佳容量配置；
对狼群进行适应度评估；
以步长逐步增加的方式调整收敛因子
Figure FDA0003139195140000033
重复进行狼群寻找、包围和追捕猎物，直至满足终止条件，获得最优解。
7.根据权利要求6所述的风光互补发电系统容量配置方法，其特征在于，所述以步长逐步增加的方式调整收敛因子
Figure FDA0003139195140000031
为：
Figure FDA0003139195140000032
其中，e表示自然对数函数的底数；k表示当前迭代次数；Max_it表示最大迭代次数。
8.根据权利要求6所述的风光互补发电系统容量配置方法，其特征在于，所述改进的灰狼算法包括：
当陷入局部最优解时，采用Tent混沌映射，改变个体狼的位置更新策略。
9.根据权利要求6所述的风光互补发电系统容量配置方法，其特征在于，所述对狼群进行适应度评估，包括：
采用成本函数和负荷缺电率函数对狼群进行适应度评估。
10.一种风光互补发电系统容量配置装置，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。
CN202110730589.0A 2021-06-29 风光互补发电系统容量配置方法及装置 Active CN113612215B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110730589.0A CN113612215B (zh) 2021-06-29 风光互补发电系统容量配置方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110730589.0A CN113612215B (zh) 2021-06-29 风光互补发电系统容量配置方法及装置

Publications (2)

Publication Number Publication Date
CN113612215A true CN113612215A (zh) 2021-11-05
CN113612215B CN113612215B (zh) 2024-05-31

Family

ID=

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116388252A (zh) * 2023-06-05 2023-07-04 河海大学 风电场储能容量优化配置方法、系统、计算机设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108183500A (zh) * 2017-11-24 2018-06-19 国网甘肃省电力公司电力科学研究院 一种多能互补的农村微能网容量优化配置方法及装置
CN111860937A (zh) * 2020-05-26 2020-10-30 国网天津市电力公司电力科学研究院 基于改进多目标灰狼算法的冷热电联供型微电网优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108183500A (zh) * 2017-11-24 2018-06-19 国网甘肃省电力公司电力科学研究院 一种多能互补的农村微能网容量优化配置方法及装置
CN111860937A (zh) * 2020-05-26 2020-10-30 国网天津市电力公司电力科学研究院 基于改进多目标灰狼算法的冷热电联供型微电网优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WENQIANG ZHU等: "Optimal Sizing of an Island Hybrid Microgrid Based on Improved Multi-Objective Grey Wolf Optimizer", 《PROCESSES》, no. 8, pages 1 - 24 *
张江帆等: "基于人群搜索算法的微电网容量优化配置", 《计算机与数字工程》, vol. 48, no. 5, pages 1095 *
谈发明等: "一种改进非线性收敛方式的灰狼优化算法研究", 《微电子学与计算机》, vol. 36, no. 5, pages 89 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116388252A (zh) * 2023-06-05 2023-07-04 河海大学 风电场储能容量优化配置方法、系统、计算机设备及介质
CN116388252B (zh) * 2023-06-05 2023-08-11 河海大学 风电场储能容量优化配置方法、系统、计算机设备及介质

Similar Documents

Publication Publication Date Title
CN109361237B (zh) 基于改进混合粒子群算法的微电网容量优化配置方法
CN109345019B (zh) 一种基于改进粒子群算法的微电网经济调度优化策略
CN112713618B (zh) 基于多场景技术的主动配电网源网荷储协同优化运行方法
CN112131733A (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
CN112994085A (zh) 基于麻雀搜索算法的微电网储能优化调度方法
CN112238781B (zh) 一种基于分层架构的电动汽车有序充电控制方法
CN112381269A (zh) 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
CN110490429A (zh) 基于ssa算法智能楼宇微电网家用负荷快速调度方法
CN111064192A (zh) 一种计及源荷不确定性的独立型微网容量优化配置方法
CN110518634A (zh) 基于改进指数平滑法的蓄电池储能系接入风电场控制方法
Rodríguez-Gallegos et al. Optimal PV and storage sizing for PV-battery-diesel hybrid systems
CN115764849A (zh) 一种混合储能容量优化配置方法及其配置系统
CN114977152A (zh) 能源管理系统的控制方法、装置、存储介质及设备
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
CN115511386B (zh) 基于多目标混合非洲秃鹫优化算法的多能系统调度方法
CN111509750A (zh) 电网侧储能系统容量配置优化方法
Welch et al. Comparison of two optimal control strategies for a grid independent photovoltaic system
CN113612215A (zh) 风光互补发电系统容量配置方法及装置
CN116191421A (zh) 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法
Zheng et al. Optimal dispatch strategy of microgrid energy storage based on improved sparrow search algorithm
CN115511200A (zh) 一种基于混合粒子群-灰狼算法的优化调度模型
CN113612215B (zh) 风光互补发电系统容量配置方法及装置
CN116029498A (zh) 一种基于改进多目标人工蜂鸟算法的微电网经济调度优化方法
CN109447233A (zh) 电动汽车充放电调度方法及系统
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

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