CN113779874A - 一种离网微电网建设的多目标优化方法 - Google Patents

一种离网微电网建设的多目标优化方法 Download PDF

Info

Publication number
CN113779874A
CN113779874A CN202111010147.5A CN202111010147A CN113779874A CN 113779874 A CN113779874 A CN 113779874A CN 202111010147 A CN202111010147 A CN 202111010147A CN 113779874 A CN113779874 A CN 113779874A
Authority
CN
China
Prior art keywords
hres
battery
objective optimization
optimization method
scene
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
CN202111010147.5A
Other languages
English (en)
Other versions
CN113779874B (zh
Inventor
林可尧
刘林
杨思雨
荀超
洪居华
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.)
State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Fujian 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 State Grid Fujian Electric Power Co Ltd filed Critical State Grid Fujian Electric Power Co Ltd
Priority to CN202111010147.5A priority Critical patent/CN113779874B/zh
Publication of CN113779874A publication Critical patent/CN113779874A/zh
Application granted granted Critical
Publication of CN113779874B publication Critical patent/CN113779874B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind 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
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Genetics & Genomics (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出一种离网微电网建设的多目标优化方法，包括以下步骤：步骤S1：考虑所规划可再生能源系统不同场景的运行情况，构建拟规划的可再生能源系统HRES；并对各组件建立相应的数学模型以进行系统仿真获取不同场景下的相关运行数据；步骤S2：基于HRES组件模型，构建以系统年化成本最小和供电损失概率即电源损失概率最小的优化目标函数；步骤S3：对构建的HRES数学模型进行仿真；步骤S4：构建基于场景优势的非支配排序遗传算法II，s‑NSGA‑II，以求解HRES的多场景、多目标优化模型。其针对拟规划的离网微电网的一般结构建优化目标函数，多角度评估离网微电网投资建设，同时利用非支配排序遗传算法（NSGA‑II）模型对优化模型求解获取帕累托前沿。

Description

一种离网微电网建设的多目标优化方法
技术领域
本发明涉及电网建设规划技术领域，尤其涉及一种离网微电网建设的多目标优化方法。
背景技术
在世界能源危机和全球环境迅速恶化的情况下，发展太阳能、风能等可再生能源是当务之急。尽管可再生能源具有可持续性和环境友好性等优点，但其不可预测和间歇性的特性不利于发电。幸运的是，太阳能和风能在不同季节和白天的互补性使得它们能够结合起来，即一个混合可再生能源系统(hybrid renewable energy system HRES)，能够减少不确定性的影响，提供更可靠的电力供应。
HRES无疑是未来能源应用的新趋势。到目前为止，大多数关于HRES优化设计的研究都是基于单场景的,鉴于在多目标优化HRES设计的背景下缺乏多情景研究。然而在实践中，基于单一场景的设计可能无效，因为HRES在其整个生命周期中通常会经历不同的场景。为了适当地处理多种情况，设计人员通常首先确定最坏的情况，然后为这种情况找到最佳设计。很容易知道，这样的设计既不经济也不高效，因为在那些非最坏情况下会浪费资源。对于其他不太占优势的场景，最坏情况的最佳解决方案可能会被高估。
因此，有必要重新审视HRES的设计，并通过多目标优化求解算法，为不同的场景生成多样化的、均衡的解决方案,为HRES投资主体的投资决策和规划提供参考，从而推动HRES的建设进程。
发明内容
本发明针对现有技术存在的缺陷和不足，提出一种离网微电网建设的多目标优化方法，可以科学有效地基于不同的场景生成一组多样化的、均衡的HRES规划方案。
其具体采用以下技术方案：
一种离网微电网建设的多目标优化方法，其特征在于，包括以下步骤：
步骤S1：考虑所规划可再生能源系统不同场景的运行情况，构建拟规划的可再生能源系统HRES；并对各组件建立相应的数学模型以进行系统仿真获取不同场景下的相关运行数据；
步骤S2：基于HRES组件模型，构建以系统年化成本最小和供电损失概率即电源损失概率最小的优化目标函数；
步骤S3：对构建的HRES数学模型进行仿真；
步骤S4：构建基于场景优势的非支配排序遗传算法II，s-NSGA-II，以求解HRES的多场景、多目标优化模型。
进一步地，在步骤S1中，HRES组件包括：光伏电池板、风力发电机、电池组、柴油发电机以及其他附属组件。
进一步地，所述光伏电池板的输出功率由太阳辐射sr，电池板的尺寸，安装角度α三个因素决定，模拟步长t时的光伏输出功率Ppv的计算方式如下：
Figure BDA0003235618630000021
式(1)中，δ为太阳赤纬，δlat为地面法线与赤道平面的夹角，θ为赤道面与地轴的夹角，即23.44°，d为从1月1日起的累计日数，参数β用于测量一天内太阳和地平线之间的夹角，τ和tloc分别表示时角和当地时间，0≤tloc≤23；参数srp用于表示垂直于光伏板的太阳辐射；TC，TA和TCSTC分别表示电池温度、环境温度和电池额定工作温度；ISC为短路电流，VOC为开路电压，KI为短路电流温度系数，KV为开路电压温度系数；Npv是光伏电池板的数量，Ppv是光伏电池板的标准输出功率，ηpv表示光伏板的效率；ISC，STC、VOC，STC分别为标准条件下的短路电流、开路电压；
风力发电机的输出功率采用风速v为输入的分段函数建模，见式(2)：
Figure BDA0003235618630000031
其中，Pwt(t)为风力发电机在模拟步长t时的输出功率，v(t)为模拟步长t时的风速；接入风速为Vin，额定风速为Vr,Vout为截止速度，Pwtr为额定功率；γ为考虑安装高度H影响的系数；
电池组模型：
Figure BDA0003235618630000032
其中，SOC(t+1)和SOC(t)分别为t+1和t时刻电池的荷电状态SOC；δbat为自放电系数.sign＝1指充电，sign＝-1表示放电；Capbat是电池的标称容量；
充放电效率采用往返效率ηbat描述；Ebat(t)是时间步长t期间从电池组Nbat充放电的总功率；
柴油发电机的模型：
Pdg＝Prdg·ηdg (4)
进一步地，在步骤S2中，构建的多场景、多目标优化模型的优化目标函数通过下式描述：
Figure BDA0003235618630000033
其中，k表示场景的个数；在每种情况下，都需要考虑电源损失概率FLPSP和系统年化成本FASC的最小化；在决策变量x＝(Npv,α,Nwt,H,Nbat,Ndg)中,H为风力发电机安装高度，α为光伏板安装角度，Npv为光伏电池板的配置数量，Nwt为风力发电机的配置数量，Nbat为电池组的配置数量，Ndg为柴油发电机的配置数量；
系统年化成本FASC由初始投资成本、运营和维护成本，电池更换成本，燃料消耗成本和温室气体排放成本组成；
进一步地，在所述系统年化成本FASC中，温室气体排放成本包括燃料燃烧排放、以及HRES部件制造和运输过程中产生的排放两部分；所述系统年化成本FASC通过资本回收因子和偿债基金因子量化。
进一步地，步骤S3具体包括以下步骤：
利用光伏电池板和风力发电机的输出功率满足负载需求：
情况1：如果负荷满足，有多余的电力产生，则多余的部分给电池组充电，直到它们达到电池满荷状态；
情况2：如果不满足负载需求，则电池组放电以满足短缺，直到达到电池荷电为0状态；
情况3：如果执行情况2后负荷需求仍未满足，则柴油发电机开始工作，直到燃料用尽为止，且在这一过程中，对温室气体排放进行计算；
情况4：如果执行情况3供需差距仍然不能满足，则选择性切断符合，并记录电源的损失。
进一步地，整个仿真步骤为24T，T＝365，即8760个步骤，T表示情景的持续时间。
进一步地，在步骤S4中，所述基于场景优势的非支配排序遗传算法II与NSGA-II具有相同的框架，包括以下步骤：
步骤S41：s-NSGA-II根据每个场景得到的帕累托最优解初始化N个解；
步骤S42：在每一代中，通过交叉和变异操作生成N个子代解OS；并采用多项式变异PM和模拟二元交叉SBX算子。
步骤S43：将父解决方案和子代解决方案汇集在一起，根据场景-优势关系和拥挤距离机制对联合解决方案进行排序；取最优N个解作为下一次迭代的新父解PS。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的离网微电网建设的多目标优化方法的分析方法的步骤。
一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上所述的离网微电网建设的多目标优化方法的分析方法的步骤。
相较于现有技术，本发明及其优选方案针对拟规划的离网微电网的一般结构建优化目标函数，多角度评估离网微电网投资建设，同时利用非支配排序遗传算法(NSGA-II)模型对优化模型求解获取帕累托前沿，以利于探索更加灵活的离网微电网规划设计方案。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1是本发明实施例基本流程示意图；
图2是本发明实施例HRES系统模型示意图；
图3是本发明实施例基于场景优势的非支配排序遗传算法s-NSGA-II框架示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，并配合附图，作详细说明如下：
图1所示为本实施例体用的多场景下混合可再生能源系统(HRES)的多目标优化设计方法实现流程图。
步骤1，考虑所规划可再生能源系统不同场景的运行情况，首先需构建拟规划的可再生能源系统，如图2所示，组件包括但不仅限于光伏电池板，风力发电机，电池组，柴油发电机，交直流输出，整流器和逆变器。并对各组件建立相应的数学模型以进行系统仿真获取不同场景下的相关运行数据。
光伏板的输出功率由太阳辐射(sr)，电池板的尺寸，安装角度(α)三个因素决定，模拟步长t时的光伏输出功率Ppv计算方式如下：
Figure BDA0003235618630000061
式(1)中，δ为太阳赤纬。θ为赤道面与地轴的夹角，即23.44°。d为从1月1日起的累计日数。参数β测量一天内太阳和地平线之间的夹角。τ和tloc分别表示时角和当地时间(0≤tloc≤23)。参数srp表示垂直于光伏板的太阳辐射。TC，TA和TCSTC分别表示电池温度(℃)、环境温度(℃)和电池额定工作温度(℃)。ISC为短路电流(A)，VOC为开路电压(V)，KI为短路电流温度系数(A/℃)，KV为开路电压温度系数(V/℃)。其中ISC，STC、VOC，STC分别为标准条件下的短路电流、开路电压。Npv是PV板的数量，Ppv是PV板的标准输出功率。ηpv表示光伏板的效率。由于电缆电阻的损耗，太阳辐射的扩散和反射，以及灰尘的累积，本实施例将ηpv设置为0.95。
风机的输出功率可以用风速(v)为输入的分段函数来建模，见式(2)。
Figure BDA0003235618630000062
其中，Pwt(t)为风机在模拟步长t时的输出功率，v(t)为模拟步长t时的风速。接入风速为Vin，额定风速为Vr,Vout为截止速度。考虑安装高度H的影响,γ系数取1/7。
电池组模型：
Figure BDA0003235618630000071
其中SOC(t+1)和SOC(t)分别为t+1和t时刻电池的荷电状态(SOC)。δbat为自放电系数.sign＝1指充电，sign＝-1表示放电。Capbat是电池的标称容量。
充放电效率采用往返效率ηbat来描述。Ebat(t)是时间步长t期间从电池组(Nbat电池)充放电的总功率。
柴油发电机的模型：
Pdg＝Prdg·ηdg (4)
式中，ηdg为效率系数，Prdg为额定输出功率。
步骤2，基于HRES组件模型，构建了一个多场景、多目标优化模型，以优化HRES的规模，该模型通过式(5)描述。
Figure BDA0003235618630000072
其中K表示场景的个数。在每种情况下，都考虑了电源损耗最小化(FLPSP)和年度系统成本(FASC)，决策变量x＝(Npv,α,Nwt,H,Nbat,Ndg),其中H为风机安装高度，α为光伏板安装角度，N为对应各组件配置数量。
其中，FLPSP为电源损失概率。
系统年化成本(FASC)由初始投资成本、运营和维护成本，电池更换成本，燃料消耗成本和温室气体排放成本组成，其中，温室气体排放成本包括燃料燃烧和HRES部件制造和运输过程中产生的排放两部分。考虑到设计使用年限，经济年利率和通货膨胀率等因素，通过资本回收因子和偿债基金因子量化系统年化成本。
步骤3，通过对构建的HRES数学模型进行仿真，该仿真主要描述HRES的工作方式。
首先利用光伏风机的输出功率满足负载需求，如果负荷满足，有多余的电力产生。多余的部分将给电池充电，直到它们达到电池满荷状态。
如果不满足负载需求，电池放电以满足短缺，直到达到电池荷电为0状态。
如果负荷需求仍未满足，则柴油发电机开始工作，直到燃料用尽为止(在这一过程中，温室气体排放计算)。
如果供需差距仍然不能满足，一些负荷将被切断，记录电源的损失。
整个仿真步骤为24T，T＝365，即8760个步骤，T表示情景的持续时间。
步骤4，构建基于场景优势的非支配排序遗传算法II(s-NSGA-II)来求解HRES的多场景、多目标优化模型。具体而言，所提算法即基于场景优势的NSGA-II(简称s-NSGA-II)与NSGA-II具有相同的框架，如图3所示。
首先，s-NSGA-II根据每个场景得到的帕累托最优解初始化N个解。
然后，在每一代中，通过交叉和变异操作生成N个子代解OS。特别地，采用多项式变异(PM)和模拟二元交叉(SBX)算子。
然后将父解决方案和子代解决方案汇集在一起。根据场景-优势关系和拥挤距离机制对联合解决方案进行排序。选取最优N个解作为下一次迭代的新父解PS。
综上所述，本实施例的主要设计是通过整合目前主流可再生能源构建典型单机混合动力系统，构建HRES仿真模型；
其中，典型单机混合动力系统包含光伏，风电发力机，蓄电池和柴油发电机组，并对以上组件分别构建相应的运行数学模型；
考虑多场景运行情况，构建以系统年化成本最小和供电损失概率即电源损失概率最小的优化目标函数；
多场景运行情况包括不同负荷需求下的旺季和淡季，同时，太阳辐射和风速也随时间变化不同；
系统年化成本包括初始投资成本，运营维护成本、电池更换成本、燃料消耗成本和温室气体排放成本；其中，温室气体排放成本包括燃料燃烧和HRES部件制造和运输过程中产生的排放两部分；
考虑HRES的设计使用年限，经济年利率和通货膨胀率等因素，通过资本回收因子和偿债基金因子量化系统年化成本；
采用基于场景优势的非支配排序遗传算法II(s-NSGA-II)对HRES的多场景、多目标优化模型进行求解。
其中，光伏模型提供的能量根据入射到电池板的辐照度和环境温度进行估算；
电池模型考虑一个恒定的效率，并以相对于其额定容量的低功率运行，损耗为近似成正比的调度功率；
柴油发电机在交流电级被调度，通过分段线性近似来考虑和描述燃料消耗对提供的功率的非线性依赖性，启动发电机的瞬态时间非常短，能源成本忽略不计；
当油箱中的燃料水平达到给定的阈值时，需要重新加油以补充缺少的数量，到达时间用给定的概率密度函数构建。
为正确考虑能量流，本实施例将每小时作为计算时间断面。
最后的优化模型通过非支配排序遗传算法进行求解：
一般首先利用LoadProGen工具，通过评估绘制出典型的负载曲线，使用基于Graham程序和HDKR模型的稳健程序估算全年1kW光伏电站在每小时时间分辨率下的特定功率分布；
然后通过MATLAB中的NSGA-II求解器进行求解，具体过程如下：
对求解器进行参数初始化；
从所有可行结果中随机选取一定数量的种群作为父代；
对父代进行交叉和突变操作，从而产生子代；
通过LFS或者RHS策略模拟产生子代结果下的系统运行情况，并记录相关数据；
利用获取的相关数据对目标函数进行评估；
计算所有子代方案下的目标函数，并进行优先级排列，按一定比例选取优势种群作为下一循环过程的父代；
当整个求解过程满足gamultiobj终止条件时，输出当前所获取的帕累托前沿，决策者可在该结果中获取满足自身需求的最佳离网微电网规划方案。
此外，以上可以看出，本实施例提供的多目标优化方案中除了包括技术指标也约束，也可以涉及经济指标，以下对经济指标的部分进行阐述：
本实施例指出的多种经济目标包括不仅限于净现值，净现值成本，内部收益率，贴现盈利指数，贴现回收期，电力均等化成本；
其中，内部收益率为修正内部收益率，也称外部收益率，由未来收益和支出现值两部分组成。
其中，经济目标的计算公式通常包含成本与收益，收益出现在基于利润的指标(NPV、MIRR、DPI和DPP)上，并考虑到每年售出的能源(Rsell)和项目最后一年的投资剩余价值(Rres)，其计算方式如下：
Figure BDA0003235618630000101
Figure BDA0003235618630000102
其中，Rsell与售出的能源成正比，即扣除ENS的总能源需求；πtariff是销售关税，PL,t表示每小时需求量，PLC,t表示负荷削减量。值得注意的是，第一年没有产生利润，因为系统还没有投产，投资剩余价值仅出现在项目的最后一年；
成本费用的计算方式被划分成三个组成部分，每个组成部分分别包含初始投资费用，更换费用，运行维护费用和回收价值，其计算公式如下式所示：
Figure BDA0003235618630000103
其中，初始费用CAPEXi是考虑规模经济和体积经济的非线性函数,计算公式如下：
Figure BDA0003235618630000104
其中Ci,0是与容量Si,0对应的基本成本；Si是资产的安装能力，βi量化规模经济和数量经济，并且当一个组件老化时，它会被另一个组件替换；
所述恢复成本CRev为组件剩余寿命与初始寿命之间的比值，通过下式计算：
Figure BDA0003235618630000111
运维成本CO&M包括发电机的燃料费用、每小时维护费用和ENS的经济成本，具体计算方式如下：
Figure BDA0003235618630000112
其中cm,i为第i个部件单位容量的年维护费，cF为燃料价格，FD,t为每小时燃料消耗量，uD,t表示运行状态的发电机(1：开，0：关)，PD是柴油发电机的容量，cDM为每单位容量和运行小时的相应维护成本。
在本实施例中，用于优化的经济目标包括净现值，净现值成本，修正的内部收益率，贴现盈利指数，电力均等化成本以及贴现回收期。
其中，净现值(NPV)用于根据现值估算项目盈利能力，计算方式如下：
Figure BDA0003235618630000113
收入Ry和成本Cy之间的差额是每个第y年的现金流量，以利率d贴现，然后求和，以根据今天的价值(第0年)计算项目的总价值，NY代表项目的生命周期。
净现值成本(NPC)仅评估成本问题，当电价等于限电成本(LCC)时，NPV和NPC的计算结果是一致的，其计算方式如下：
Figure BDA0003235618630000114
修正内部收益率(Modified Internal Rate of Return,MIRR)，有时也称为外部收益率(External Rate of Return,ERR)，表示为未来收益与支出现值的比值,用于混合微电网规模调整,计算方式如下:
Figure BDA0003235618630000121
其中，正现金流PCFy以投资率r进行再投资直至项目结束，负现金流NCFy以贴现率d进行再投资。
贴现盈利能力指数(DPI)是基于除初始投资C0外的所有现金流的折现和与C0的比值，如下式所示:
Figure BDA0003235618630000122
其中，DPI表示项目每单位初始投资成本的利润，DPI越大，业务利润越高；当DPI小于1时，给定贴现率d，活动价值下降。
贴现回收期(DPP)对应的是达到盈亏平衡点所需的时间，即项目生命周期中贴现现金流之和等于零的时刻，公式如下所示：
Figure BDA0003235618630000123
当其值为小数时，在一年内达到回报，DPP使用线性插值方法计算；
电力均等化成本(LCOE)是用于优化农村微电网的另一个常见的经济目标函数，即在项目生命周期结束时以0.25％的净现值回报投资的等价电价，计算方式如下：
Figure BDA0003235618630000124
其中，Cy表示系统成本，d为贴现率，ETot,y-ELC,y为供给需求，ETot,y为总需求，ELC,y为ENS，Cy中包含ENS的成本。
本实施例提供的以上系统及方法可以代码化的形式存储在计算机可读取存储介质中，并以计算机程序的方式进行实现，并通过计算机硬件输入计算所需的基本参数信息，并输出计算结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的离网微电网建设的多目标优化方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

Claims (10)

1.一种离网微电网建设的多目标优化方法，其特征在于，包括以下步骤：
步骤S1：考虑所规划可再生能源系统不同场景的运行情况，构建拟规划的可再生能源系统HRES；并对各组件建立相应的数学模型以进行系统仿真获取不同场景下的相关运行数据；
步骤S2：基于HRES组件模型，构建以系统年化成本最小和供电损失概率即电源损失概率最小的优化目标函数；
步骤S3：对构建的HRES数学模型进行仿真；
步骤S4：构建基于场景优势的非支配排序遗传算法II，s-NSGA-II，以求解HRES的多场景、多目标优化模型。
2.根据权利要求1所述的离网微电网建设的多目标优化方法，其特征在于：在步骤S1中，HRES组件包括：光伏电池板、风力发电机、电池组、柴油发电机以及其他附属组件。
3.根据权利要求2所述的离网微电网建设的多目标优化方法，其特征在于：
所述光伏电池板的输出功率由太阳辐射sr，电池板的尺寸，安装角度α三个因素决定，模拟步长t时的光伏输出功率Ppv的计算方式如下：
Figure FDA0003235618620000011
式(1)中，δ为太阳赤纬，δlat为地面法线与赤道平面的夹角，θ为赤道面与地轴的夹角，即23.44°，d为从1月1日起的累计日数，参数β用于测量一天内太阳和地平线之间的夹角，τ和tloc分别表示时角和当地时间，0≤tloc≤23；参数srp用于表示垂直于光伏板的太阳辐射；TC，TA和TCSTC分别表示电池温度、环境温度和电池额定工作温度；ISC为短路电流，VOC为开路电压，KI为短路电流温度系数，KV为开路电压温度系数；Npv是光伏电池板的数量，Ppv是光伏电池板的标准输出功率，ηpv表示光伏板的效率；ISC，STC、VOC，STC分别为标准条件下的短路电流、开路电压；
风力发电机的输出功率采用风速v为输入的分段函数建模，见式(2)：
Figure FDA0003235618620000021
Figure FDA0003235618620000022
其中，Pwt(t)为风力发电机在模拟步长t时的输出功率，v(t)为模拟步长t时的风速；接入风速为Vin，额定风速为Vr,Vout为截止速度，Pwtr为额定功率；γ为考虑安装高度H影响的系数；
电池组模型：
Figure FDA0003235618620000023
SOCmin≤SOC(t)≤SOCmax
其中，SOC(t+1)和SOC(t)分别为t+1和t时刻电池的荷电状态SOC；δbat为自放电系数.sign＝1指充电，sign＝-1表示放电；Capbat是电池的标称容量；
充放电效率采用往返效率ηbat描述；Ebat(t)是时间步长t期间从电池组Nbat充放电的总功率；
柴油发电机的模型：
Pdg＝Prdg·ηdg (4)
式中，ηdg为效率系数，Prdg为额定输出功率。
4.根据权利要求3所述的离网微电网建设的多目标优化方法，其特征在于：在步骤S2中，构建的多场景、多目标优化模型的优化目标函数通过下式描述：
Figure FDA0003235618620000031
其中，k表示场景的个数；在每种情况下，都需要考虑电源损失概率FLPSP和系统年化成本FASC的最小化；在决策变量x＝(Npv,α,Nwt,H,Nbat,Ndg)中,H为风力发电机安装高度，α为光伏板安装角度，Npv为光伏电池板的配置数量，Nwt为风力发电机的配置数量，Nbat为电池组的配置数量，Ndg为柴油发电机的配置数量；
系统年化成本FASC由初始投资成本、运营和维护成本，电池更换成本，燃料消耗成本和温室气体排放成本组成。
5.根据权利要求4所述的离网微电网建设的多目标优化方法，其特征在于：在所述系统年化成本FASC中，温室气体排放成本包括燃料燃烧排放、以及HRES部件制造和运输过程中产生的排放两部分；所述系统年化成本FASC通过资本回收因子和偿债基金因子量化。
6.根据权利要求2所述的离网微电网建设的多目标优化方法，其特征在于：
步骤S3具体包括以下步骤：
利用光伏电池板和风力发电机的输出功率满足负载需求：
情况1：如果负荷满足，有多余的电力产生，则多余的部分给电池组充电，直到它们达到电池满荷状态；
情况2：如果不满足负载需求，则电池组放电以满足短缺，直到达到电池荷电为0状态；
情况3：如果执行情况2后负荷需求仍未满足，则柴油发电机开始工作，直到燃料用尽为止，且在这一过程中，对温室气体排放进行计算；
情况4：如果执行情况3供需差距仍然不能满足，则选择性切断符合，并记录电源的损失。
7.根据权利要求6所述的离网微电网建设的多目标优化方法，其特征在于：整个仿真步骤为24T，T＝365，即8760个步骤，T表示情景的持续时间。
8.根据权利要求1所述的离网微电网建设的多目标优化方法，其特征在于：在步骤S4中，所述基于场景优势的非支配排序遗传算法II与NSGA-II具有相同的框架，包括以下步骤：
步骤S41：s-NSGA-II根据每个场景得到的帕累托最优解初始化N个解；
步骤S42：在每一代中，通过交叉和变异操作生成N个子代解OS；并采用多项式变异PM和模拟二元交叉SBX算子。
步骤S43：将父解决方案和子代解决方案汇集在一起，根据场景-优势关系和拥挤距离机制对联合解决方案进行排序；取最优N个解作为下一次迭代的新父解PS。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8其中任一所述的离网微电网建设的多目标优化方法的分析方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如其中任一权利要求1-8所述的离网微电网建设的多目标优化方法的分析方法的步骤。
CN202111010147.5A 2021-08-30 2021-08-30 一种离网微电网建设的多目标优化方法 Active CN113779874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111010147.5A CN113779874B (zh) 2021-08-30 2021-08-30 一种离网微电网建设的多目标优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111010147.5A CN113779874B (zh) 2021-08-30 2021-08-30 一种离网微电网建设的多目标优化方法

Publications (2)

Publication Number Publication Date
CN113779874A true CN113779874A (zh) 2021-12-10
CN113779874B CN113779874B (zh) 2023-06-30

Family

ID=78840390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111010147.5A Active CN113779874B (zh) 2021-08-30 2021-08-30 一种离网微电网建设的多目标优化方法

Country Status (1)

Country Link
CN (1) CN113779874B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114519543A (zh) * 2022-04-21 2022-05-20 国网江西省电力有限公司电力科学研究院 一种乡村多能源系统边缘自治运行方法及系统
CN115036920A (zh) * 2022-07-05 2022-09-09 东南大学 一种混合储能参与调频辅助服务市场的容量投标方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488584A (zh) * 2015-11-20 2016-04-13 中国人民解放军国防科学技术大学 一种孤岛混合可再生能源系统的多目标组合优化配置方法
CN110428103A (zh) * 2019-07-31 2019-11-08 广东电网有限责任公司 一种综合能源系统中可再生能源储能系统协同规划方法
CN111884203A (zh) * 2020-06-10 2020-11-03 华电电力科学研究院有限公司 基于双层非支配排序遗传算法的微电网协调优化配置方法
CN112713621A (zh) * 2020-12-22 2021-04-27 广东电网有限责任公司电力科学研究院 一种交直流混合系统的多目标优化配置方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488584A (zh) * 2015-11-20 2016-04-13 中国人民解放军国防科学技术大学 一种孤岛混合可再生能源系统的多目标组合优化配置方法
CN110428103A (zh) * 2019-07-31 2019-11-08 广东电网有限责任公司 一种综合能源系统中可再生能源储能系统协同规划方法
CN111884203A (zh) * 2020-06-10 2020-11-03 华电电力科学研究院有限公司 基于双层非支配排序遗传算法的微电网协调优化配置方法
CN112713621A (zh) * 2020-12-22 2021-04-27 广东电网有限责任公司电力科学研究院 一种交直流混合系统的多目标优化配置方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
明梦君;张涛;王锐;刘亚杰;查亚兵;: "混合可再生能源系统多目标优化综述", 中国电机工程学报 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114519543A (zh) * 2022-04-21 2022-05-20 国网江西省电力有限公司电力科学研究院 一种乡村多能源系统边缘自治运行方法及系统
CN114519543B (zh) * 2022-04-21 2022-09-02 国网江西省电力有限公司电力科学研究院 一种乡村多能源系统边缘自治运行方法及系统
CN115036920A (zh) * 2022-07-05 2022-09-09 东南大学 一种混合储能参与调频辅助服务市场的容量投标方法

Also Published As

Publication number Publication date
CN113779874B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
Xia et al. Application of a new information priority accumulated grey model with time power to predict short-term wind turbine capacity
Schneider et al. Rechargeable batteries for simultaneous demand peak shaving and price arbitrage business
Martinez-Rico et al. Multi-objective optimization of production scheduling using particle swarm optimization algorithm for hybrid renewable power plants with battery energy storage system
Gbadegesin et al. Techno-economic analysis of storage degradation effect on levelised cost of hybrid energy storage systems
CN105005872A (zh) 一种移峰填谷的储能系统的容量配置方法
CN113779874B (zh) 一种离网微电网建设的多目标优化方法
CN110633854A (zh) 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
CN103854070A (zh) 独立微网系统的随机优化规划方法
CN111210079B (zh) 一种分布式能源虚拟电厂运行优化方法及系统
CN114069678A (zh) 一种考虑储能退化成本的光储直流微电网能量调度方法
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
CN114243791A (zh) 风光氢蓄系统的多目标优化配置方法、系统及存储介质
CN110867852B (zh) 计及全寿命周期成本的微电网储能优化配置方法及装置
CN112836849A (zh) 一种考虑风电不确定性的虚拟电厂调度方法
CN112308411A (zh) 基于动态碳交易模型的综合能源站随机规划方法及系统
Nazari et al. Joint investment of community energy storage systems in distribution networks using modified Nash bargaining theory
Zhang et al. Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach
Ryu Operation planning of energy storage system considering multiperiod energy supplies and demands
Zhang et al. A review on capacity sizing and operation strategy of grid-connected photovoltaic battery systems
Leite et al. Solving an energy resource management problem with a novel multi-objective evolutionary reinforcement learning method
CN113364043A (zh) 一种基于条件风险价值的微电网群优化方法
CN116542489A (zh) 一种考虑碳排放约束的电力系统规划方法及系统
Hjelmeland et al. Combined SDDP and simulator model for hydropower scheduling with sales of capacity
CN113962528A (zh) 多场景优化的混合可再生能源系统投建决策方法及系统
CN113723823A (zh) 电网运营的模拟装置及方法

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
GR01 Patent grant