并网混合可再生能源系统的多目标优化设计方法与流程

技术特征：

1.一种并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,设计并网混合可再生能源系统的优化目标以及约束函数，建立并网混合可再生能源系统的多目标优化设计模型；

以最小化系统年化成本、系统净购电成本、系统碳排放量为目标，构建带约束的三目标优化问题，如下：

其中F_cost表示系统总的年度成本；F_grid表示系统净购电成本；F_emission表示系统的碳排放量，只考虑柴油发电机使用过程中产生的CO₂排放；N_pv、N_wg、N_dg分别表示并网混合可再生能源系统中待优化的光伏板、风机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表示光伏板的安装倾角；

已知条件：a.组成并网混合可再生能源系统的各设备的型号，即光伏板、风机和柴油发电机的性质和设备参数是确定的，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；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；b.并网混合可再生能源系统向电网买电和卖电的价格是固定的；c.Femission考虑等价二氧化碳排放量，来自于柴油发电机；

根据上述已知条件，并网混合可再生能源系统的各个优化目标计算方法，如下；

(1)以25年为项目周期，并网混合可再生能源系统年化成本目标函数为：

$\begin{array}{c}ACS=C_{ainv}(PV+WG+Tower+DG)\\ +C_{aom}\left(PV+WG+Tower+DG\right)\\ +C_{arep}\left(PV+WG+Tower+DG\right)\end{array}---\left(2\right)$

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，DG表示柴油发电机，C_ainv是年度初始投资成本，C_aom是年度设备维护成本，C_arep是年度元器件总成本，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，元件包括并网混合可再生能源系统中的光伏板、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_arep是年度元器件总成本，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年使用过程中的操作与维修成本；

(2)并网混合可再生能源系统在T时间内的碳排放量的目标函数为：.

$F_{emission}=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{F}_{cons}\left(t\right)\·Ef---\left(9\right)$

其中T是一年总的小时数即8760，Ef是排放因子；F_cons为柴油发电机的燃料消耗，表达式如下所示：

F_cons＝A_dgP_{r_dg}+B_dgP_dg (10)

其中P_{r_dg}是柴油发电机的额定功率，P_dg是柴油发电机的输出功率，A_dg和B_dg是燃料消耗曲线的系数；

(3)并网混合可再生能源系统在T时间内的净购电成本目标函数为：.

F_grid＝P_b·E_b-P_s·E_s (11)

其中E_b和P_b表示总的买电数量和价格，E_s和P_s表示总的卖电数量和价格。

并网混合可再生能源系统的功率供应过程：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P_pv(t)和风力发电P_wg(t)的功率大于负载需求P_load(t)时，多余的电量卖给电网；相反当光伏和风力的总发电量不能满足负载时，首先由柴油机发电P_dg(t)，若仍不能满足负载时，系统向电网买电P_grid(t)，用于满足负载需求；其中P_dg(t)表示在时间t内柴油发电机的输出功率P_dg；P_grid(t)表示在时间t电网电量供给功率；

关于光伏板和风机的输出功率计算如下：

P_pv(t)表示光伏板在时间t内的输出功率，由(12-15)计算得到：

$T_C\left(t\right)=T_A\left(t\right)+\frac{NCOT-20}{800}{S}_p(t,\mathrm{\β})---\left(12\right)$

V_OC(t)＝V_OC,STC-K_V·T_C(t) (14)

$\begin{array}{c}{P}_{pv}(t,\mathrm{\β})=N_S\·N_P\·V_{OC}\left(t\right)\·I_{SC}(t,\mathrm{\β})\·FF\left(t\right)\\ =N_{pv}\·V_{OC}\left(t\right)\·I_{SC}\left(t,\mathrm{\β}\right)\·FF\left(t\right)\end{array}---\left(15\right)$

其中T_C(t)是在时间t时的光伏电池温度，T_A(t)是时间t时的周围环境温度，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是光伏板在温度为25，太阳辐射为1kW/m²的标准测试条件下的短路电流和开路电压，I_SC(t,β)是光伏板的短路电流，V_OC(t)表示光伏模组的开路电压，K_I和K_V是所选光伏板对应电流和电压下的温度系数；P_pv(t,β)是由一个包含N_S个串联，N_P个并联光伏板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(t)表示风机在时间t内的输出功率由公式(16)计算得到：

$P_{wg}\left(t\right)=\left\{\begin{array}{c}0,v\<V_c\\ \frac{1}{2}{C}_P{\mathrm{\ρA}}_{WG}{v}^3,V_c\≤v\<V_r\\ P_{WGR},V_r\≤v\<V_f\\ 0,v\≥V_f\end{array}\right.---\left(16\right)$

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是风机上转子扫过的面积，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；

第二步，利用PICEA-g算法求解并网混合可再生能源系统的多目标优化设计模型；

(1)算法参数设置：包括种群规模和终止条件，种群N设置为200，终止条件采用最大运行代数，设置为maxGen＝500；

(2)初始化种群，随机生成N＝200个初始父代种群S；每个个体x有5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_dg≤10，5≤H_wg≤30，0≤β≤90；同时，随机生成Ng＝200参考点g＝(g₁,...,g_m)的偏好信息种群，记作父代参考点种群G，其中0＜g_i＜1.2,i＝1,2,...,m，m表示目标个数；

(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；重新生成Ng＝200个新的参考点，记为种群Gc；

(4)将父代种群S与子代种群Sc合并，得到规模为2N的合种群S_all＝S∪Sc，将父代参考点种群G和子代参考点种群Gc合并，得到规模为2Ng的合种群G_all＝G∪Gc；基于S_all和G_all计算个体和参考点的适应度，然后依据适应度对所有个体进行排序；

(5)根据排序结果从前往后选取N个体和Ng个参考点作为新的父代种群S和参考点种群G；

(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Pareto最优解中，选择一个作为最后并网混合可再生能源系统的实施方案。

2.根据权利要求1所述的并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，第二步其分步骤(3)中所述的通过遗传重组算子产生子代种群Sc，其操作步骤如下：

(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。

$\begin{array}{c}{x}_{temp}^k=\left\{\begin{array}{cc}{x}_i^k+F\×\left(x_m^k-x_n^k\right)& ifrand\<CRork=k_{rand}\\ x_i^k& \end{array}\right.\\ x_{new}^k=\left\{\begin{array}{cc}floor\left(x_{temp}^k\right)& ifk\<5\\ x_{temp}^k& \end{array}\right.\end{array}---\left(17\right)$

(b)若产生的新个体非可行解，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。

$x_{new}^k=\frac{({\mathrm{ub}}^k+{\mathrm{lb}}^k)}{2}.---\left(18\right)$

3.根据权利要求2所述的并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，第二步其分步骤(4)中所述的个体和参考点的适应度计算方法为：

(a)将种群中的个体归一化：获取每一个目标函数f_m的最大值max(f_m)和最小值min(f_m)，目标函数f_m是指公式(1)中的F_cost、F_grid和F_emission，然后依据下式将每个个体目标函数值转换到区间[0,1]；

${\stackrel{\‾}{f}}_i\left(x\right)=\frac{f_i\left(x\right)-min\left(f_i\right)}{max\left(f_i\right)-\min \left(f_i\right)},i=1,2,...,M---\left(19\right)$

其中，f_i(x)表示进化过程中个体x的第i个目标的原始目标函数值，表示个体x归一化后的目标函数值；

(b)个体与参考点的支配关系统计：遍历每一组个体与参考点，确定他们之间的Pareto支配关系；同时设定每个参考点携带的积分为1，当某一参考点仅被一个个体支配，那么它的积分全部分配给该个体；当参考点被多个个体支配，那么它的积分平均分配给这n_r个个体，即每个个体得到1/n积分；由此得到个体的初始适应度计算公式，如(20)所示；

${\mathrm{fitness}}_{s_i}=0+\underset{g\∈G_{all}|s_i\<g}{\Σ}\frac{1}{n_r}---\left(20\right)$

其中p_i表示第i个个体，r表示参考点，n_r表示参考点被个体p_i支配的个数，个体初始适应度值等于该个体能够支配的所有参考点赋予其的积分，若个体不能支配任何参考点，那么

对于每个参考点，若其被n_r个个体支配，则得到积分1/n，若不被任何个体支配，则得到积分0；由此得到参考点的适应度其计算公式，如(21)所示；

${\mathrm{fitness}}_{r_i}=\left\{\begin{array}{cc}0,& n_r=0\\ 1/n_r& n_r\≠0\end{array}\right.---\left(21\right)$

依据个体和参考点的适应度值和的值，对个体和参考点进行从大到小排序。

4.根据权利要求1所述的并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，第三步中可以选择以下三种并网混合可再生能源系统的实施方案：

(1)当决策者偏重年度化成本F_cost和碳排放量F_emission时，则在满足二者限制的条件下，给定的最大F_cost和F_emission容忍值，即F_cost<Cost且F_emission<Emission，选择使净购电成本最低的方案，即F_grid最小化；

(2)当决策者偏重净购电成本F_grid和碳排放量F_emission时，则在满足二者限制的条件下，给定的最大F_grid和F_emission容忍值，即F_grid<Cgrid且F_emission<Emission，选择使年度化成本最低的方案，即F_cost最小化；

(3)当决策者偏重年度化成本F_cost和净购电成本F_grid时，则在满足二者限制的条件下，给定的最大F_cost和F_grid容忍值，即F_cost<Cost且F_grid<Cgrid，选择使碳排放量最低的方案,即F_emission最小化。