一种离网混合可再生能源系统的多目标优化设计方法

摘要

本发明公开了一种离网混合可再生能源系统的多目标优化设计方法，所述方法通过考虑某地区的光照、风速、温度等气象数据，以混合可再生能源系统年度化成本和功率供应缺损率最小化为目标，构建了适用于混合可再生能源系统的带约束的两目标优化模型，以期获得构成系统最佳配置的光伏板数量及安装倾角、风力机数量及安装高度、储能装置和柴油发电机的数量。利用了进化多目标优化算法NSGAII求解该模型，得到一组Pareto最优解，最后介绍了如何根据决策者的偏好信息，确定最终的实施方案。本发明采用多目标优化方法进行HRES的规划，更符合实际情况、可行性更强。

主权项

一种离网混合可再生能源系统的多目标优化设计方法，其特征在于包括以下步骤：第一步,设计混合可再生能源系统的优化目标以及约束函数，建立混合可再生能源系统的多目标优化设计模型；以最小化系统年度化成本和系统功率供应缺失率为目标，构建带约束的两目标优化问题，如下：min{F_cost,F_reliablility}s.t.(N_pv,N_wg,N_bat,N_dg)≥0              (1)H_low≤H_wg≤H_high0°≤β≤90°其中F_cost表示系统总的年度成本，包括：系统中各类设备的初始投资成本、使用过程中的操作与维修成本以及部分设备的替换成本；F_reliablility表示系统功率供应缺失率，即系统不能满足负载的时间在仿真时间内所占的比例，值越小表示系统可靠性越高；N_pv、N_wg、N_bat、N_dg分别表示混合可再生能源系统中待优化的光伏板、风机、电池组和柴油发电机的数量；H_wg表示风机的安装高度，H_low和H_high分别表示风机安装高度H_wg的变化范围的最小值和最大值，β表示太阳能光伏板的安装倾角；假设组成混合可再生能源系统系统的各设备的型号已知，即光伏板、风机、电池组和柴油发电机的性质和相关参数是确定的；其中光伏板参数包括开路电压、短路电流、最大工作电压、最大工作电流、额定工作温度、初始投资成本、操作维修成本以及使用寿命，风机参数包括额定功率、初始投资成本、操作维修成本以及使用寿命，储能设备即电池组参数包括额定容量、电压、最大放电深度、初始投资成本、操作维修成本、替换成本以及使用寿命，柴油发电机参数包括额定功率、初始投资成本、每小时操作维修成本和使用寿命；根据上述已知的各设备相关数据，建立针对离网的混合可再生能源系统多目标优化设计模型；混合可再生能源系统规划设计模型涉及到多个类型的变量，包括光伏板数量、风机数量、电池组数量、柴油机数量、风机安装高度以及光伏板安装倾角，将上述变量进行编码，编码规则是：若编码显示为(22,8,28,3,23.55，59.76)，那么使用22个给定的光伏板，8个风力发电机，28个电池组，3个柴油发电机，同时风机安装高度为23.55米，光伏板安装倾角为59.76°；结合各设备的寿命，以25年为项目周期，混合可再生能源系统系统年度成本目标函数为：$\begin{array}{c}ACS=C_{ainv}(PV+WG+Tower+BAT+DG)\\ +C_{aom}\left(PV+WG+Tower+BAT+DG\right)\\ +C_{arep}\left(BAT\right)\end{array}---\left(2\right)$其中ACS表示混合可再生能源系统年度成本，PV表示光伏板，WG表示风机，Tower表示风机塔，BAT表示电池组，DG表示柴油发电机，C_ainv是年度初始投资成本，C_aom是年度操作和维修成本，C_arep是年替换成本，分别用下式计算：C_ainv＝∑C_inv·CRF(i,L_com)      (3)$CRF(i,L_{com})=\frac{i·{(1+i)}^{L_{com}}}{{(1+i)}^{L_{com}}-1}---\left(4\right)$$i=\frac{i_{nom}-f}{1+f}---\left(5\right)$其中C_inv是每个元件的初始投资成本，元件包括光伏板、风机、风机塔、电池组和柴油发电机，CRF是资本回收因子，L_com是元件寿命，单位是年；i是年实际利率，i_nom是名义利率，f是年通胀率；C_arep＝C_rep·SFF(i,L_rep)   (6)$SFF(i,L_{rep})=\frac{i}{{(1+i)}^{L_{rep}}-1}---\left(7\right)$C_aom(n)＝C_aom(1)·(1+f)ⁿ   (8)其中C_rep是每个元件的替换成本，元件包括光伏板、风机、风机塔、电池组和柴油发电机，SFF是沉默资金因子，L_rep是元件替换寿命，C_aom(n)是第n年的操作与维修成本；混合可再生能源系统一年时间内的功率供应缺失概率目标函数为：$LPSP=\frac{{\Sigma }_{t=0}^{T}T\left(P_{avail}\right(t)<P_{load}\left(t\right))}{T}---\left(9\right)$其中T是一年总的小时数即8760，P_avail(t)和P_load(t)分别是每个仿真时间步长可用的功率供应和负载需求；负载由用户端获得，功率供应包括光伏发电和风力发电的供应、储能供应和柴油发电机供应四个部分；功率供应过程是：首先由光伏发电和风力发电直接供给负载以满足需求，当光伏发电和太阳能发电的功率大于负载时，多余的电量就给电池组充电；相反当发电量不能满足负载时，首先由储能装置放电，电池组达到最大放电深度仍不能满足负载时，柴油发电机作为备用电源使用，剩余的仍不能满足的负载会被切断以保护系统；系统的功率供应用下式表示：P_avail(t)＝P_pv(t)+P_wg(t)+P_bat(t)+P_dg(t)   (10)其中P_pv(t)表示光伏板在时间t内的输出功率，P_wg(t)表示风机在时间t内的输出功率，P_bat(t)表示电池组在时间t内的输出功率，P_dg(t)表示柴油发电机在时间t内的输出功率；光伏发电和风机发电的功率分别由下式计算：$T_C\left(t\right)=T_A\left(t\right)+\frac{NCOT-20}{800}{S}_p(t,\beta )---\left(11\right)$V_OC(t)＝V_OC,STC‑K_V·T_C(t)   (13)$\begin{array}{c}{P}_{pv}\left(t,\beta \right)=N_S·N_P{V}_{OC}\left(t\right)·I_{SC}\left(t,\beta \right)·FF\left(t\right)\\ =N_{pv}·V_{OC}\left(t\right)·I_{SC}\left(t,\beta \right)·FF\left(t\right)\end{array}---\left(14\right)$其中T_C(t)是在时间t的光伏电池温度，T_A(t)是时间t时的周围温度，NCOT是制造商提供的额定电池工作温度，S_p(t,β)是垂直于光伏板倾斜表面上的太阳辐射，I_SC,STC和V_OC,STC是模组在标准测试条件下的短路电流和开路电压，其中标准测试条件是指温度为25度，太阳辐射为1kW/m²；I_SC(t,β)是光伏模组的短路电流，V_OC(t)表示光伏模组的开路电压，K_I和K_V是相应的温度系数；P_pv(t,β)是由一个包含N_S个串联，N_P个并联模组的光伏阵列的输出功率，N_pv表示光伏板的总数量，FF(t)是填充因子；$P_{wg}\left(t\right)=\left|\begin{array}{cc}0,& v<V_c\\ \frac{1}{2}{C}_P{\mathrm{\rho A}}_{WG}{v}^3,& V_c\le v<V_r\\ P_{WGR},& V_r\le v<V_f\\ 0,& v\ge V_f\end{array}\right.---\left(15\right)$其中v是每一时刻的风速，C_P是风机性能系数，ρ是空气密度，A_WG是转子扫过的面积，P_WGR是风机的额定功率；V_c是风机的切入速度，V_r是风机的额定风速，V_f是风机的切出风速；混合可再生能源系统规划中用到的太阳辐射、风速分布以及温度数据根据研究地区的历史数据进行相应处理得到过去十年的平均数据，或者根据分布函数产生模拟数据；第二步，利用NSGAII算法求解混合可再生能源系统规划模型，具体流程为：(1)算法参数设置：包括种群规模和终止条件，这里种群N设置为100，终止条件采用最大运行代数，设置为maxGen＝100；(2)初始化种群，随机生成N＝100个初始父代种群S；每个个体x有6个编码，即x＝(N_pv,N_wg,N_bat,N_dg,H_wg,β)，其中0≤N_pv≤30，0≤N_wg≤20，0≤N_bat≤30，0≤N_dg≤10，5≤H_wg≤30，0≤β≤90；(3)若满足终止条件，则终止计算，输出当前的非支配解集；否则，基于当前种群S，通过遗传重组算子产生子代种群Sc，规模也为N；具体操作步骤：(a)针对当前种群S内的每个个体x_i，结合随机选择的另外两个个体x_m和x_n，通过式(17)产生新的个体x_new；其中表示新个体的第k个变量值，表示一个临时变量值，和分别表示个体i、个体m和个体n的第k个变量值，这里k＝[1,2,...,6]；F和CR分别为该操作的两个参数，这里设置为0.9和0.05；rand表示位于区间(0,1)的随机数；k_rand表示一个随机产生的位于区间[1,6]整数；floor( )表示向下取整函数；$\begin{array}{c}{x}_{temp}^k=\left\{\begin{array}{c}\begin{array}{ccc}{x}_i^k+F\times \left(x_m^k-x_n^k\right)& if& rand<CRork=k_{rand}\end{array}\\ x_i^k\end{array}\right.\\ x_{new}^k=\left\{\begin{array}{c}\begin{array}{ccc}floor\left(x_{temp}^k\right)& if& k<5\end{array}\\ x_{temp}^k\end{array}\right.\end{array}---\left(17\right)$(b)若产生的新个体为非可行解，即变量值超出了定义的上下界，则采取以下措施将其修正为可行解；其中ub^k和lb^k分别表示第k个变量的上下界；所有的x_new构成了子代种群Sc；$x_{new}^k=\frac{({\mathrm{ub}}^k+{\mathrm{lb}}^k)}{2}---\left(18\right)$(4)将父代S与子代Sc合并，得到规模为2N的合种群S_all＝S∪Sc，对R中的个体进行个体非劣分层，R是指规模为2N的合种群S_all，然后计算每一个非劣层的个体局部拥挤距离，最后依据个体所处的非劣层及拥挤距离，对所有个体进行排序；(5)根据排序结果从前往后选取N个体作为新的父代种群S；(6)重复(3)至(5)步，直至满足终止条件，即达到最大运行代数，输出S中的非支配个体作为所求解的解；第三步，结合决策者的偏好信息，从多个帕累托最优解中，选择一个作为最后混合可再生能源系统的实施方案；当决策者对成本比较重视时，则在满足成本限制的情况下，选择可靠性最高的方案，即功率供应缺失率最小的方案；当决策者比较重视系统供电可靠性时，则在满足功率供应缺失率的要求下，选择系统成本最小的方案。