考虑柴蓄协调增效的微电网多目标优化调度方法

摘要

本发明公开了一种考虑柴蓄协调增效的微电网多目标优化调度方法，根据考虑含风光柴蓄的独立微电网系统结构，综合分析光伏和风力发电、柴油机发电及储能系统等多方面的运行特性，提出考虑柴油机发电费用和蓄电池循环电量的多目标优化调度数学模型以及目标函数，并构造蓄电池组充电功率和SOC范围约束、柴油机发电功率约束、满足系统功率平衡等约束条件。通过相关多目标优化算法，得到非支配解前沿面，进而获得多个Pareto最优解。根据不同天气条件，确定最佳优化调度方案。本发明以海岛独立微电网系统建立多目标数学模型，以降低柴油机发电费用和蓄电池组循环电量为优化目标，为未来解决海岛供电问题提供理论依据和技术支撑，并有利于提高海岛独立微电网整体运行的经济性。

主权项

一种考虑柴蓄协调增效的微电网多目标优化调度方法，其特征在于包括如下步骤：步骤(1)、确定独立微电网的系统结构及各组件功能；步骤(2)、考虑柴油机发电费用和蓄电池组循环电量，构建柴蓄协调增效的微电网多目标优化调度数学模型的目标函数；步骤(3)、从柴油机发电功率、蓄电池组充电功率和SOC范围、系统功率平衡角度提出优化模型的约束条件；步骤(4)、优化模型求解前，确定必须的基础计算数据；步骤(5)、通过多目标优化算法得到非支配解前沿面，进而获得多个Pareto最优解；步骤(6)、根据蓄电池的起始SOC状态和日照情况，综合考虑蓄电池循环电量和柴油机发电费用因素，最终选择每日的优化调度方案，步骤(2)中，微电网多目标优化调度数学模型的目标函数为：$\left\{\begin{array}{c}\min C=p_d·\underset{i=1}{\overset{24}{\Sigma }}({\mathrm{pd}}_i·{\mathrm{\Delta t}}_i)\\ \min E=\underset{i=1}{\overset{T}{\Sigma }}{{\mathrm{Pb}}_i}^{*}·{\mathrm{\Delta t}}_i\end{array}\right.$${\mathrm{Pd}}_i=\left\{\begin{array}{cc}{\mathrm{Pl}}_i+{\mathrm{Pb}}_i-{\mathrm{Ppv}}_i-{\mathrm{Pwt}}_i,& {\mathrm{Pev}}_i+{\mathrm{Pb}}_i-{\mathrm{Ppv}}_i-{\mathrm{Pwt}}_i\ge 0\\ 0,& \mathrm{Pev}+{\mathrm{Pb}}_i-{\mathrm{Ppv}}_i-{\mathrm{Pwt}}_i<0\end{array}\right.$${{\mathrm{Pb}}_i}^{*}=\left\{\begin{array}{cc}\left|{\mathrm{Pb}}_i\right|,& {\mathrm{Pb}}_i<0\\ 0,& {\mathrm{Pb}}_i\ge 0\end{array}\right.$式中，C为柴油机发电费用；E为循环电量，C为柴油机发电费用；E为循环电量；Pdi为第i时段柴油机发电的平均功率；Δti为第i时段的时长；pd为柴油机发电单价(元/kWh)；Pbi*为第i时段放电功率。Pd_i为第i时段柴油机发电的平均功率；Δt_i为第i时段的时长；p_d为柴油机发电单价(元/kWh)；Pl_i为第i时段负荷平均功率，可根据经验值进行预测；Pb_i为蓄电池组充放电功率；Ppv_i为光伏发电功率，其根据光伏电池的串并联数、日照条件、环境温度和光伏电池板倾角来确定；Ppv_i为风机出力功率值，与风机型号及风速有关；Ppv_i与Pwt_i的值在优化调度中可基于历史数据及气象信息来预测；Pb_i^*为第i时段放电功率，步骤(3)中，1)柴油机发电功率约束：Pd_min≤Pd_i≤Pd_maxor Pd_i＝0柴油发电机一般有最小运行功率限制，因此柴油机运行时有最大和最小功率约束，停止运行时功率为0，2)蓄电池组充电功率和SOC范围约束：a、蓄电池充放电功率受双向AC/DC变换器额定功率约束：|Pb_i|＜Pb_n式中Pbn为双向AC/DC变换器的额定功率b、根据充放电功率，蓄电池SOC在不同时间的状态关系可表示为：SOC_i＝SOC_i‑1+Pb_i·Δt_i/Eb_n式中，Ebn为蓄电池组的额定电量3)系统功率平衡角度：独立微电网系统在运行过程中需满足功率平衡关系：Pd_i+Ppv_i+Ptw_i＝Pl_i+Pb_i步骤(4)中、对优化模型进行求解计算时应具备以下基础数据：1)柴油发电机发电功率变化范围；2)柴油机发电单价；3)风电装机容量；4)光伏额定功率；5)蓄电池额定容量、最大放电深度和充放电最大功率；6)天气条件，步骤(5)中，在确定基于多目标优化算法的优化模型求解流程后，通过特定的寻优机制，得到非支配解前沿面，进而获得多个Pareto最优解。