一种混合能源系统的多目标优化配置方法以及装置与流程

本发明涉及混合能源系统领域，特别涉及一种混合能源系统的多目标优化配置方法以及装置。
背景技术：
随着人类对化石能源的过度开采，石油的储量逐年降低。近年来，人们开始逐渐地意识到问题的严重性，便转向于对绿色能源的研究，希望可以缓解这种现状。同时为了实现节能减排的目的，相对于传统的柴油机发电，人们提出了混合能源系统。如果能够用不同形式的绿色能源如太阳能、风能、电池储能与柴油机一起为负载供电，在不同种类的行业中都能够得到广泛的应用。因此，现有技术对于如何优化混合能源系统的能源配置进行了大量的研究。例如：文献“fulzelej.b.,daigavanem.b.,designandoptimizationofhybridpv-windrenewableenergysystem[j],materialstoday:proceedings,2018,vol.5,no.1,p.1:pp.810-818.”利用遗传算法对混合能源系统模型进行优化与配置，文献“divyajot,kumarr.andfozdarm.,optimalsizingofhybridshippowersystemusingvariantsofparticleswarmoptimization[a],2017recentdevelopmentsincontrol,automation&powerengineering(rdcape),noida,2017,pp.527-532.”利用改进的粒子群算法来优化混合船舶电力系统的尺寸，“bizonn.,energyoptimizationoffuelcellsystembyusingglobalextremumseekingalgorithm[j],appliedenergy,2017,vol.206:pp.458-474.”利用全局极值寻找算法来优化燃料电池系统的能量，“dongw.,liy.andxiangj.,optimalsizingofastand-alonehybridpowersystembasedonbattery/hydrogenwithanimprovedantcolonyoptimization[j],mdpijournalenergies,2016,vol.9:pp.785-797.”利用改进的蚁群优算法化用于优化独立混合动力系统的规模，“rodríguez-gallegosc.d.,rahbark.,bierim.,gandhio.,reindlt.andpandas.k.,optimalpvandstoragesizingforpv-battery-dieselhybridsystems[a],iecon2016-42ndannualconferenceoftheieeeindustrialelectronicssociety,florence,2016,pp.3080-3086.”将凸优化方法用于优化光伏/电池/柴油混合动力系统的尺寸，萤火虫算法用于优化独立式混合动力系统等等。然而，对于混合能源系统，上述现有技术大多是以最低成本作为单一目标进行优化，而忽略了对于系统使用寿命的考虑，难以同时兼顾系统使用成本和使用寿命这两个优化目标。技术实现要素：为了克服如上所述的技术问题，本发明提出一种混合能源系统的多目标优化配置方法以及装置，同时考虑系统使用成本和使用寿命这两个优化目标，能够在降低混合能源系统的使用成本的同时延长系统使用寿命。本发明所采用的技术方案如下：第一方面，本发明提出一种混合能源系统的多目标优化配置方法，包括：s1，建立混合能源系统的多目标优化模型，包括：s11，根据混合能源系统的使用成本情况以及稳定运行情况，分别建立所述混合能源系统的成本目标函数ct和可用性目标函数t；s12，确定所述成本目标函数ct和可用性目标函数t的相关配置参数的约束条件；s2，采用差分进化算法对所述多目标优化模型进行优化求解，得到满足成本和可用性优化目标的最优配置参数。进一步地，所述成本目标函数采用将所述混合能源系统的年投入费用、年维护费用和年燃料消耗成本之和进行表示；所述可用性目标函数其中dnm表示没有满足的需求量。进一步地，所述配置参数包括所述混合能源系统中的太阳能电池板的总数、风机的总数和蓄电池组的总数。第二方面，本发明提出一种混合能源系统的多目标优化配置装置，所述装置包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由所述处理器执行以实现如第一方面所述的混合能源系统的多目标优化配置方法。第三方面，本发明提出一种计算机可读存储介质，所述存储介质中存储有至少一段程序，所述至少一段程序由所述处理器执行以实现如第一方面所述的混合能源系统的多目标优化配置方法。本发明提供的技术方案带来的有益效果是：本发明技术方案首先根据混合能源系统的使用成本情况以及稳定运行情况，分别建立所述混合能源系统的成本目标函数ct和可用性目标函数t，所述成本目标函数采用将所述混合能源系统的年投入费用、年维护费用和年燃料消耗成本之和进行表示；所述可用性目标函数其中dnm表示没有满足的需求量；然后确定所述成本目标函数ct和可用性目标函数t的相关配置参数的约束条件；建立混合能源系统的多目标优化模型；最后采用差分进化算法对所述多目标优化模型进行优化求解，得到满足成本和可用性优化目标的最优配置参数，在优化过程中，因为需要求解的目标有两个，分别是成本最低和寿命最长，并且它们之间还会相互影响，因此就需要定义一个根据需求描述系统性能好坏的优化目标，所述成本和可用性优化目标其中，λ1和λ2表示ct和t在系统优化中的重要性，为预设值，max(ct)和min(ct)分别表示成本的最大值和最小值，max(t)和min(t)分别表示可用性的最大值和最小值。本发明同时考虑了系统使用成本和使用寿命这两个优化目标，能够在降低混合能源系统的使用成本的同时延长系统使用寿命。附图说明图1所示为本发明的一种混合能源系统的多目标优化配置方法流程图；图2所示为本发明公布的一种采用差分进化算法实现系统配置优化的流程图；图3所示为一种寻找多目标优化问题最优解的流程示意图；图4示出了本发明实施例所涉及的一种混合能源系统的多目标优化配置装置结构示意图。具体实施方式为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方案作进一步地详细描述。如图1所示为本发明的一种混合能源系统的多目标优化配置方法流程图，示出了该方法的具体实施流程，包括：在步骤101中，建立混合能源系统的多目标优化模型；这里的混合能源系统是指系统除了包括传统的供电部分之外，还包括其他形式的绿色能源供电部分，例如：太阳能、风能等。可选的，混合能源系统可以是光伏/风机/柴油机系统、光伏/柴油机系统以及风机/柴油机系统等。容易理解的是，针对混合能源系统的优化问题，首先我们需要建立混合能源系统的系统模型，然后基于该系统模型和优化目标，确定优化目标函数，本发明的优化目标同时考虑系统使用成本和系统使用寿命，所以本发明方案中需要建立成本目标函数ct和可用性目标函数t，这里的成本目标函数表征了系统关于资源配置参数的系统使用成本，可用性目标函数表征了系统关于资源配置参数的系统可用性。在建立系统的目标函数后，考虑到资源配置参数的范围，通过对资源配置参数设定阈值建立目标函数的约束条件。上述的目标函数和相关约束条件便构成了混合能源系统的多目标优化模型，该模型是后续步骤中进行系统资源配置优化的基础。在步骤101a中，根据混合能源系统的使用成本情况以及稳定运行情况，分别建立所述混合能源系统的成本目标函数ct和可用性目标函数t；本步骤101a具体将公布如何根据混合能源系统的组成模块和工作原理，建立混合能源系统的成本目标函数ct和可用性目标函数t的具体实施过程。本发明公布的一种混合能源系统，包括光伏发电模块、风力发电模块、电池储能模块和柴油机供电模块。对于光伏发电模块，太阳能对于现阶段的人们来说就是取之不尽、用之不竭的,而且成本很低，只需要一块太阳能电池板就可以利用“光伏效应”将其转化成电能，太阳能板的主要类型有三种：单晶硅系列、多晶硅系列和非晶硅系列。考虑到经济因素，性价比高的多晶硅会被应用到混合能源优化系统中，作为太阳能方面的主要提供者。在光伏发电模块中，单位时间内太阳能电池板产生的功率ppv(t)就可以由式(1)得到：ppv(t)＝it(t)×a×jpv(1)其中，m2是太阳能电池板的面积单位，每块的太阳能电池板在t时刻所受到的光照强度用it表示，a表示太阳能电池板的面积，jpv表示太阳能电池板的电能转化率。系统的光伏发电模块在t时刻产生的总功率ppv(t)由式(2)可以得到：ppv(t)＝npv×ppv(t)(2)其中，npv是系统中太阳能电池板的总数。对于风力发电模块，风力发电技术已经在陆地上应用了很久，发展的很好，技术比较完善，风力发电机一般分为两种：水平轴发电机和垂直轴发电机。其中垂直轴的风力发电机在风向改变的时候不需要变相,这一点比前一种更具有优势,而且它还便于维护。因此，经过综合考虑，发现将风能应用于混合能源优化系统是可行的。在风力发电模块中，单位时间内风机产生的功率pwt(t)就可以由式(3)得到：其中，t时刻的风速为vt，将风机的额定风速记作vr，其所对应的风机额定功率记作pr_wt。由于风速是具有随机性的，时快时慢，因此在实际工作中，风机只能在一定的风速范围内工作，当实际风速大于启动风速vmin时，风机开始工作，当风速太大，大于预警风速vmax时，为了保护风机，此时风机停止工作。那么系统的风机发电模块在t时刻产生的总功率pwt(t)由式(4)可以得到：pwt(t)＝nwt×pwt(t)(4)其中，nwt是系统中风机的总数。对于电池储能模块，蓄电池组在这个系统中起着非常重要的作用。在绿色能源充足的这些日子里，它们不仅能够完全支持负载的消耗，而且还有一些可以储存的余量，这些余量可以在绿色能源不足的时候使用。所以，蓄电池组可以最大限度地利用清洁能源。在电池储能模块中，一块蓄电池所能储存的最大电量emax_batt和最小电量emin_batt可以由公式(5)得到：emin_batt＝(1-dod)×emax_batt(5)其中，记电池最大放电深度为dod。正常来说，电池出厂时会规定它的额定最大容量。那么此时所有的蓄电池中储存的最大电量emax_batt和最小电量emin_batt可以由式(6)和式(7)得到：emax_batt＝nbatt×emax_batt(6)emin_batt＝nbatt×emin_batt(7)其中，nbatt是系统中蓄电池组的总数。在t时刻，如果光伏发电模块和风机发电模块产生的电能总和高于负载的需求，就对蓄电池进行充电，此时蓄电池的电量ebatt(t)可以由式(8)得到：换而言之，如果光伏发电模块和风机发电模块产生的电能总和低于负载的需求，就对蓄电池进行放电，此时蓄电池的总电量可以由式(9)得到：其中，蓄电池在t时刻的储能量总和为ebatt(t)，负载对电能的需求量记作el(t)，逆变器转换率和电池组充电效率分别为jinv和jbatt，时间的变化量是δt。当然，无论出现那种情况，蓄电池的总电量始终要保持在emax_batt和emin_batt之间，如果充满了就不能再充电，反之，如果没电了电量也不会降为0，最多就降到emin_batt，那么在t时刻蓄电池可以提供的电能pbatt(t)可以由式(10)得到：对于柴油机供电模块，虽然使用柴油机供电会有悖于可持续发展的理念，但是在新能源供给不足的情况下，为了满足负载的要求，利用柴油机补充电能是有必要的，所以柴油机只是作为后备能源进行使用。在柴油机供电模块中，在t时刻，如果以上三部分所能提供的能量和小于负载的需求，柴油机的输出功率pd(t)可以由式(11)得到：否则，就不需要由柴油机供电，当然pd(t)也就等于0了。柴油机的燃料消耗量fd(t)(单位为l/h)可以由式(12)得到：fd(t)＝bd×pn+ad×pd(t)(12)其中，柴油机的额定输出功率为pn,参数ad＝0.246(l/kw·h)，bd＝0.0845(l/kw·h)。此时，根据燃料的单价pf，就可以由式(13)得到柴油机在t时刻时的燃料消耗成本cf_d(t)。cf_d(t)＝pf×fd(t)(13)根据混合能源系统的组成模块以及工作原理，通过上述(1)至(13)式建立了混合能源系统的相关系统模型，基于上述系统模型，下述步骤将建立系统的使用成本优化目标函数和使用寿命目标函数。首先，以节约成本作为目的时，需要考虑的参数有三个：年投入费用cc、年维护费用cm和年燃料消耗成本cf。年投入费用cc可以由式(14)得到：其中，设备的折旧率为i，太阳能电池板、风机、蓄电池和柴油机的寿命分别为npv、nwt、nbatt和nd，最初的投入成本分别为cpv、cwt、cbatt和cd。年维护费用cm就可以由式(15)得到：cm＝npv×cmtn_pv+nwt×cwtn_wt+cmtn_d(15)其中，将太阳能电池板每个单元的年维护费用记作cmtn_pv，单个风机的年维护费用记作cmtn_wt，柴油机的年维护费用记作cmtn_d。上式中的柴油机年维护费用cmtn_d可以由式(16)得到：其中，假设一年中所取的样本数为ndata(为了计算方便，取数据的时候以h(小时)为单位，这样的话，ndata＝8760)，柴油机消耗每度电产生的维护费用为pmtn_d。此时，柴油机年燃料消耗成本cf可以由式(17)得到：结合上面的分析，混合能源优化系统的总成本ct就可以由式(18)得到：ct＝cc+cm+cf(18)其次，为了使系统的工作时间变长，引入了可用性的概念，它是决定能否持续稳定运行的关键组件之一。可用性t可以由式(19)得到：dnm的意思是没有满足的需求量，它可以由式(20)表示：其中，u(t)是一个阶跃函数，当光伏发电模块和风机发电模块产生的总功率大于或等于负载的需求时，u(t)＝1，否则u(t)＝0。在步骤101b中，确定所述成本目标函数ct和可用性目标函数t的相关配置参数的约束条件；也许清洁能源相对于石油燃料具有很大的优势，应该提倡广泛使用。但总归要有个度，东西再好用也不能用的过量，所以需要对三种新型设备的数量进行合理的规划，给予一定的限制，如式(21)至式(23)所示。0≤npv≤nmax_pv(21)0≤nwt≤nmax_wt(22)0≤nbatt≤nmax_batt(23)这三个变量的最大值是人为设定的，因此它们的值需要结合实际应用中各个区域的特点来进行考虑。通过步骤101中式(14)至(23)建立的混合能源系统的多目标优化模型可表示为：如果单一目标使最大限度地节省成本，则使用寿命可能不会太长。相反，如果单一目标是最大限度地延长使用寿命，成本可能就会很高。这两种系统都不太可能会在现实生活中得到应用。因此，选择一个低成本及长寿命都兼顾的系统是至关重要的。所以变量npv、nwt和nbatt的值由目标函数中ct达到最小值时和t达到最大值时来确定。在步骤102中，采用差分进化算法对所述多目标优化模型(24)进行优化求解，得到满足成本和可用性优化目标的最优配置参数；差分进化算法(differentialevolutionalgorithm)是由rainerstorn和kennethprice于1995年共同提出的一种采用浮点矢量编码在连续空间中进行随机搜索的优化算法，相对于其他的算法，差分进化算法具有原理简单、受控参数少、实施随机且并行、运算速度快的优点，易于理解和实现。它分为初始化、变异、杂交和选择四个阶段，经过k次的迭代运算达到寻优的目的。如图2所示为本发明公布的一种采用差分进化算法实现系统配置优化的流程图，包括：在步骤201中，在初始化阶段，程序需要随机生成np个待优化解的初始值npv、nwt和nbatt，np表示种群的大小，待优化解x(l,d)的值可以由式(25)得到：x(l,d)＝xmin(d)+rand×[xmax(d)-xmin(d)](25)其中，xmax(d)和xmin(d)分别是其最大值和最小值，rand表示0～1内的随机数，d是维度，l是待优化解的序号。在步骤202中，在变异阶段，更新解z(l,d)可以由式(26)得到：z(l,d)＝x(r1,d)+f×[x(r2,d)-x(r3,d)](26)其中，r1、r2和r3是从1到np之间的随机整数且互不相等，f表示从0到2的随机数，它决定了[x(r2,d)-x(r3,d)]的值。由于x(l,d)是有最大值和最小值的，所以z(l,d)计算出来可能会超出x(l,d)的取值范围，如果发生这种情况，就需要放弃这个更新解，利用式(21)得到一个新解作为替代品。在步骤203中，之后进入交叉阶段，此时的更新解f(l,d)可以由式(27)得到：其中，cr表示交叉概率，是取值范围从0到1的预定义数，是一个从0到1的随机数，为了保证f(l,d)中至少有一个z(l,d)中的值，在更新过程中加入了l＝d这一个条件。在步骤204中，最后进入选择阶段，因为需要求解的目标有两个，分别是成本最低和寿命最长，并且它们之间还会相互影响，这就需要用一个有效的方法来判断其好坏，而利用pareto最优就可以区分出孰优孰劣。假设此时有两组解s1和s2，如果s1中的每一个元素都不比s2要差，且至少有一个元素比s2要好，那么就可以说解s1支配解s2。若解s1没有被其他所有优化解支配，就可以称解s1是pareto最优解。当然，pareto最优解并不是唯一的，如果将解s3中的元素与s1相比，有好的也有差的，那么就不可以说谁支配谁了，若s3也没有被其他所有优化解支配，那么s3也是一个pareto最优解。利用这种方法，在每一次的迭代寻优过程中，都可以得到分布在pareto前沿上的解。但是，在实际应用中考虑到各种各样的因素后，混合能源系统的成本和使用寿命的重要性并不一定是同等的，因此就需要定义一个根据需求描述系统性能好坏的函数u(ct,t)来寻找经过k次迭代后的全局最优解，它可以由式(28)得到：其中，λ1和λ2是自行定义的参数，λ1和λ2表示ct和t在系统优化中的重要性，为预设值，max(ct)和min(ct)分别表示成本的最大值和最小值，max(t)和min(t)分别表示可用性的最大值和最小值，需要说明的是，它们的作用是为了将使用寿命和可用性在加权前进行标准化。需要说明的是，式(28)中的成本的最大值和最小值以及可用性的最大值和最小值需要预先根据成本优化目标和可用性优化目标进行单目标优化得到的，所采用的优化方法，可选的，可以是人工蜂群算法、差分进化算法、遗传算法、蚁群算法、粒子群算法等启发式算法中的一种。利用贪心法的策略对得到的目标函数值进行比较，选择更好的解记录下来，经过k次的迭代计算，在步骤205中，当k达到kmax，可以获得最终的优化结果，在步骤206中，找到u(ct,t)的最小值以及其所对应的解便是全局最优解对应的npv、nwt和nbatt值，优化的过程如图3所示，为一种寻找多目标优化问题最优解的流程示意图，包括：在步骤301中，设定式(28)中的参数值λ1和λ2；在步骤302中，计算成本的最大值和最小值；在步骤303中，计算可用性的最大值和最小值；在步骤304中，计算u(ct,t)的最小值；在步骤305中，找到u(ct,t)的最小值以及其所对应的解便是全局最优解对应的npv、nwt和nbatt值。在本发明实施例中假设成本和可用性是同等重要的，从而定义λ1＝λ2，为了进一步验证混合能源优化配置的有效性和合理性，需要使用大量的基础数据。在一种可能的实际操作中，由于数据的可获取性，基础数据就以美国爱达荷州某边远地区的太阳能、风能、蓄电池和柴油机的混合能源系统为例来进行优化配置，下述表1至表4示出了该系统各模块的参数值。如下述表1为光伏发电模块参数的数值。参数数值ppv120wa1.07m2cpv614$jpv12％npv120years表1如下表2为风机发电模块参数的数值。参数数值pr_wt1000wvmin2.5m/svmax13m/svr13m/scwt3200$cmtn_wt100$nwt20years表2如下表3为电池储能模块参数的数值。表3如下表4为柴油机供电模块参数的数值。参数数值pn1900wcd1713.15$pmtn_d0.01258$/kw·hpf1.24$/lnbatt5years表4在一种可能的实现中，本发明将差分进化算法的双目标优化结果与单目标优化结果进行比较，如表5为以不同优化目标为目的的系统配置结果。表5从表5可见，双目标优化结果与单目标优化结果相比具有明显的优势。当达到最低成本的时候，系统的可用性会非常低；反之，当可用性达到最高的时候，其所需的成本便会非常高。但是双目标系统配置的优化结果表明，通过在最低成本的基础上增加一定的费用，就可以大大提高系统的可用性。另外，在一种可能的实现中，采用差分进化算法分别对光伏/风机/柴油机系统、光伏/柴油机系统以及风机/柴油机系统进行优化，如表6所示为将不同模式的混合能源系统进行优化配置的对比结果。表6从表6可以发现无论在成本方面还是可用性方面，前者都会明显优于后者。同样，将光伏/风机/柴油机系统与风机/柴油机系统相比，可以发现后者的所需要的成本及可用性都低于前者，但是在成本和可用性同等重要的条件下，u(ct,t)的值低的解更好，因此前者略优于后者。本发明实施例的技术方案首先根据混合能源系统的使用成本情况以及稳定运行情况，分别建立所述混合能源系统的成本目标函数ct和可用性目标函数t，所述成本目标函数采用将所述混合能源系统的年投入费用、年维护费用和年燃料消耗成本之和进行表示；所述可用性目标函数其中dnm表示没有满足的需求量；然后确定所述成本目标函数ct和可用性目标函数t的相关配置参数的约束条件；建立混合能源系统的多目标优化模型；最后采用差分进化算法对所述多目标优化模型进行优化求解，得到满足成本和可用性优化目标的最优配置参数，在优化过程中，因为需要求解的目标有两个，分别是成本最低和寿命最长，并且它们之间还会相互影响，因此就需要定义一个根据需求描述系统性能好坏的优化目标，所述成本和可用性优化目标其中，λ1和λ2表示ct和t在系统优化中的重要性，为预设值，max(ct)和min(ct)分别表示成本的最大值和最小值，max(t)和min(t)分别表示可用性的最大值和最小值。本发明同时考虑了系统使用成本和使用寿命这两个优化目标，能够在降低混合能源系统的使用成本的同时延长系统使用寿命。图4示出了本发明实施例所涉及的一种混合能源系统的多目标优化配置装置结构示意图。该装置包括：处理器401、存储器402和总线403。处理器401包括一个或一个以上处理核心，处理器402通过总线403与处理器401相连，存储器403用于存储程序指令，处理器401执行存储器402中的程序指令时实现上述一种混合能源系统的多目标优化配置方法。可选的，存储器402可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随时存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。本发明还提供一种计算机可读存储介质，所述存储介质中存储有至少一段程序，所述至少一段程序由所述处理器加载并执行以实现上述方法实施例提供的混合能源系统的多目标优化配置方法。可选的，本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面所述的混合能源系统的多目标优化配置方法。本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储与一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。以上所述仅为本发明的较佳实施例，并不用于以限制发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12