一种风光互补的混合能源系统的优化方法与流程
本发明涉及新能源领域，具体涉及一种风光互补的混合能源系统的优化方法。
背景技术：
能源是人类社会赖以生存和发展的重要物质基础。近年来，随着能源需求在持续增长，化石能源日趋枯竭，核能发展受到一定限制，能源问题愈来愈成为世界各国面临的一个严峻挑战。此外，电力系统结构在不断老化，用户对电能质量的要求标准越来越高，且面临着环境问题、能源利用效率瓶颈等问题，催生了开发利用可再生能源资源、构建可持续能源系统逐渐成为全社会的共识与必然的发展趋势。例如我国相继出台了《中华人民共和国可再生能源法》、《可再生能源中长期发展规划》、《可再生能源发展“十一五”规划》等一系列法规及配套政策措施，发展风力发电和光伏发电为代表的可再生能源已成为调整我国能源战略、节能减排的重要内容。分布式发电所展现出了能就地消化电力，节省输变电投资和运行费用，减少集中输电的线路损耗的优点；且还能与大电网供电互为补充，减少电网容量，改善电网峰谷性能，提高供电可靠性，可减少对环境的污染等优点逐渐受到了广泛关注。
集成光伏和风电等可再生能源发电单元热电联产机组及储能装置的混合能源微网系统可以同时向负荷提供电能和热能，既充分利用了可再生能源又提高了化石能源的利用效率。由于混合能源系统中包含可再生能源发电单元热电联供机组和储能装置，因此需要提供一种考虑可再生能源波动性和负荷热电特性对系统运行的影响的技术方案以满足现有技术的需要。
技术实现要素：
本发明提供一种风光互补的混合能源系统的优化方法，其目的是考虑可再生能源发电机组动态运行特性的同时建立了包含运行策略约束的系统规划模型，不仅将经济性作为系统的优化目标还将可靠性也纳入考虑范围。
本发明的目的是采用下述技术方案实现的：
一种风光互补的混合能源系统的优化方法，其改进之处在于，包括：
建立所述混合能源系统的出力模型；
确定所述混合能源系统的经济性目标函数和可靠性目标函数；
根据冷热电供需求的平衡确定所述混合能源系统的约束条件；
基于所述混合能源系统的约束条件，用遗传算法优化所述混合能源系统的经济性目标函 数和可靠性目标函数。
优选的，所述混合能源系统包括：光伏组件、风力发电机组、微型燃气轮机、蓄电池、电力负荷单元和热负荷单元；
所述光伏组件、风力发电机组和微型燃气轮机分别与所述电力负荷单元连接；
所述光伏组件、风力发电机组和微型燃气轮机分别与所述蓄电池连接；
所述微型燃气轮机与所述热负荷单元连接。
优选的，所述建立所述混合能源系统的出力模型包括：建立所述混合能源系统的光伏组件出力模型，公式为：
式(1)中，ppv为所述光伏组件出力功率，pstc为标准测试条件下的最大测试功率，gac为光照强度，k为功率温度系数，tc为电池板工作温度，tr为参考温度，gstc＝1000w/m2·k，其中，所述标准测试条件为太阳入射强度＝1000w/m2和环境温度＝25℃；
建立所述混合能源系统的风力发电机组出力模型，公式为：
式(2)中，pwg为所述风力发电机组出力功率，v为风力机轮毂高度处的风速，vin为切入风速，vout为切出风速，vr为额定风速，prate为风力发电机组的额定发电功率；
建立所述混合能源系统的微型燃气轮机出力模型，公式为：
式(3)中，pmt为微型燃气轮机全工况运行时输出功率，ρ为气体的密度，vin(t)为燃料进气流量，lhvf为低热值，cp为比热容，t1(t)为燃料进气温度，t2(t)为排气温度，pm′t为被回收的热量，cop为热力系数，vex(t)为排烟流量，t3(t)为饱和蒸汽的出口温度；
优选的，按下式确定所述混合能源系统的经济性目标函数：
式(4)中，ctotal为电网用电总成本，cwg为所述混合能源系统的风力发电机组总成本，cpv为所述混合能源系统的光伏组件总成本，cmt为所述混合能源系统的微型燃气轮机总成本，csb为所述混合能源系统的蓄电池总成本，nwg为所述混合能源系统的风力发电机组的单元数目，ewg为所述混合能源系统的风力发电机组的单位造价，pwg为所述混合能源系统的风力发电机组的出力功率，r为贴现率，m为折旧年限，
按下式确定所述混合能源系统的可靠性目标函数：
式(5)中，lpsp(t)为当前时刻负荷缺电率，t为评估周期，pload(t)为当前时刻电负荷需求量，pwg(t)为当前时刻所述混合能源系统的风力发电机组的出力功率，ppv(t)为当前时刻所述混合能源系统的光伏组件的出力功率，pmt(t)为当前时刻所述混合能源系统的微型燃气轮机的出力功率，psb(t)为当前时刻所述混合能源系统的蓄电池的出力功率，psbmin(t)为当前 时刻所述混合能源系统的蓄电池的最小储能量，ηinv为逆变器的效率。
优选的，所述根据冷热电供需求的平衡确定所述混合能源系统的约束条件的公式为：
式(6)中，nwg为所述混合能源系统的风力发电机组的单元数目，nwgmax为所述混合能源系统的风力发电机组的负荷需求个数，npv为所述混合能源系统的光伏组件的单元数目，npvmax为所述混合能源系统的光伏组件的负荷需求个数，nsb为所述混合能源系统的蓄电池的单元数目，nsbmax为所述混合能源系统的蓄电池的负荷需求个数，psbmin为所述混合能源系统的蓄电池的最小储能量，psb为所述混合能源系统的蓄电池的出力功率，psbmax为所述混合能源系统的蓄电池的最大储能量，pload2为冷热负荷需求量，pm′t为被回收的热量，nmt为所述混合能源系统的微型燃气轮机的单元数目，nmtmax为所述混合能源系统的微型燃气轮机的负荷需求个数，其中，psbmin＝0.3psb，psbmax＝0.8psb。
优选的，所述基于所述混合能源系统的约束条件，用遗传算法优化所述混合能源系统的经济性目标函数和可靠性目标函数，包括：
令所述混合能源系统的经济性目标函数和可靠性目标函数为遗传算法中目标函数，所述混合能源系统的风力发电机组的负荷需求个数nwgmax、光伏组件的负荷需求个数npvmax、蓄电池的负荷需求个数nsbmax和微型燃气轮机的负荷需求个数nmtmax为遗传算法中染色体编码对象；
对所述遗传算法中目标函数进行优化，获取所述遗传算法中目标函数最优值及所述遗传算法中目标函数最优值对应的染色体编码对象。
与最接近的现有技术比，本发明提供的技术方案具有以下有益效果：
本发明提供的一种风光互补的混合能源系统的优化方法，设定了系统经济性和供电可靠性两个目标，对风光柴储系统进行优化，全面综合地考量了一个系统的经济性，对环境的影响程度和可靠性，优化得出的方案更加合理。
附图说明
图1是本发明一种风光互补的混合能源系统的优化方法的流程图；
图2是本发明实施例中混合能源系统的出力模型结构示意图；
图3是本发明实施例中遗传算法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提供的一种风光互补的混合能源系统的优化方法，如图1所示，包括：
101.建立所述混合能源系统的出力模型；
102.确定所述混合能源系统的经济性目标函数和可靠性目标函数；
103.根据冷热电供需求的平衡确定所述混合能源系统的约束条件；
104.基于所述混合能源系统的约束条件，用遗传算法优化所述混合能源系统的经济性目标函数和可靠性目标函数。
其中，所述混合能源系统，如图2所示，包括：光伏组件、风力发电机组、微型燃气轮机、蓄电池、电力负荷单元和热负荷单元；
所述光伏组件、风力发电机组和微型燃气轮机分别与所述电力负荷单元连接；
所述光伏组件、风力发电机组和微型燃气轮机分别与所述蓄电池连接；
所述微型燃气轮机与所述热负荷单元连接。
光伏组件的输出功(由逆变器变为交流电)和风力发电机的输出功首先满足负荷需求，剩余电力充入蓄电池，负荷不能满足时蓄电池放电补充，若还有负荷不能满足启动微型燃气轮机发电。
具体的，所述步骤101包括：建立所述混合能源系统的光伏组件出力模型，公式为：
式(1)中，ppv为所述光伏组件出力功率，pstc为标准测试条件下的最大测试功率，gac为光照强度，k为功率温度系数，tc为电池板工作温度，tr为参考温度，gstc＝1000w/m2·k，其中，所述标准测试条件为太阳入射强度＝1000w/m2和环境温度＝25℃；
建立所述混合能源系统的风力发电机组出力模型，公式为：
式(2)中，pwg为所述风力发电机组出力功率，v为风力机轮毂高度处的风速，vin为切入风速，vout为切出风速，vr为额定风速，prate为风力发电机组的额定发电功率；
建立所述混合能源系统的微型燃气轮机出力模型，公式为：
式(3)中，pmt为微型燃气轮机全工况运行时输出功率，ρ为气体的密度，vin(t)为燃料进气流量，lhvf为低热值，cp为比热容，t1(t)为燃料进气温度，t2(t)为排气温度，pm′t为被回收的热量，cop为热力系数，vex(t)为排烟流量，t3(t)为饱和蒸汽的出口温度；
步骤102包括，按下式确定所述混合能源系统的经济性目标函数：
式(4)中，ctotal为电网用电总成本，cwg为所述混合能源系统的风力发电机组总成本，cpv为所述混合能源系统的光伏组件总成本，cmt为所述混合能源系统的微型燃气轮机总成本，csb为所述混合能源系统的蓄电池总成本，nwg为所述混合能源系统的风力发电机组的单元数目，ewg为所述混合能源系统的风力发电机组的单位造价，pwg为所述混合能源系统的风力发电机组的出力功率，r为贴现率，m为折旧年限，
按下式确定所述混合能源系统的可靠性目标函数：
式(5)中，lpsp(t)为当前时刻负荷缺电率，t为评估周期，pload(t)为当前时刻电负荷需求量，pwg(t)为当前时刻所述混合能源系统的风力发电机组的出力功率，ppv(t)为当前时刻所述混合能源系统的光伏组件的出力功率，pmt(t)为当前时刻所述混合能源系统的微型燃气轮机的出力功率，psb(t)为当前时刻所述混合能源系统的蓄电池的出力功率，psbmin(t)为当前时刻所述混合能源系统的蓄电池的最小储能量，ηinv为逆变器的效率。
步骤103包括，所述根据冷热电供需求的平衡确定所述混合能源系统的约束条件的公式为：
式(6)中，nwg为所述混合能源系统的风力发电机组的单元数目，nwgmax为所述混合能源系统的风力发电机组的负荷需求个数，npv为所述混合能源系统的光伏组件的单元数目，npvmax为所述混合能源系统的光伏组件的负荷需求个数，nsb为所述混合能源系统的蓄电池的单元数目，nsbmax为所述混合能源系统的蓄电池的负荷需求个数，psbmin为所述混合能源系统的蓄电池的最小储能量，psb为所述混合能源系统的蓄电池的出力功率，psbmax为所述混合能源系统的蓄电池的最大储能量，pload2为冷热负荷需求量，pm′t为被回收的热量，nmt为所述混合能源系统的微型燃气轮机的单元数目，nmtmax为所述混合能源系统的微型燃气轮机的负荷需求个数，其中，psbmin＝0.3psb，psbmax＝0.8psb。
所述步骤104包括：
令所述混合能源系统的经济性目标函数和可靠性目标函数为遗传算法中目标函数，所述混合能源系统的风力发电机组的负荷需求个数nwgmax、光伏组件的负荷需求个数npvmax、蓄电池的负荷需求个数nsbmax和微型燃气轮机的负荷需求个数nmtmax为遗传算法中染色体编码对象；
对所述遗传算法中目标函数进行优化，获取所述遗传算法中目标函数最优值及所述遗传算法中目标函数最优值对应的染色体编码对象，其中，所述遗传算法操作流程如图3所示，包括：
(1)系统及算法初始化：确染色体编码对象的编码方式及所述遗传算法的初始参数，其中，所述遗传算法的初始参数包括：最大迭代次数tmax、最大进化代数ngenmax、染色体长度lchrom、染色体变异概率pm和遗传代数ngen；
(2)染色体编码：在进行搜索之前先将解空间的解数据表示成遗传空间的基因型串结构数据，这些串结构数据的不同组合便构成了不同的点，随机产生n个初始串结构数据，每个串结构数据称为一个个体，n个个体构成了—个群体。以这n个串结构数据作为初始点开始迭代，将一组所述混合能源系统的风力发电机组的负荷需求个数nwgmax、光伏组件的负荷需求个数npvmax、蓄电池的负荷需求个数nsbmax和微型燃气轮机的负荷需求个数nmtmax作为一个需求个数序列串，一个需求个数序列串就是一个个体，随机生成若干个体组成一个种群。
(3)适应性值评估检测：适应性函数表明个体或解的优劣性。对于不同的问题，适应性函数的定义方式也不同。
(4)选择：选择的目的是为了从当前群体个选出优良的个体，使它们有机会作为父代为下一代繁殖子孙。遗传算法通过选择过程体现这一思想，进行选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大。选择实现了达尔文的适者生存原则。
(5)交叉：交叉操作是遗传算法中最主要的遗传操作。通过交叉操作可以得到新一代个体，新个体组合了其父辈个体的特性。交叉体现了信息交换的思想。：种群中的每个偶数序号个体与其后相邻的个体作为一对，以交叉概率p交换它们之间的部分染色体，交叉点随机；交叉操作后调整交叉后生成的个体，保证其有效性；
(6)变异：变异首先在群体中随机选择一个个体，对于选中的个体以一定的概率随机地改变串结构数据中某个串的值。同生物界一样，中变异发生的概率很低，通常取值在0.001～0.01之间。变异为新个体的产中提供了机会。：每个个体的每一位都以变异概率pm与另外一位交换；变异后调整新产生的个体；
(7)最终输出最优化目标函数，并获取其对应的所述混合能源系统的风力发电机组的负荷需求个数nwgmax最优值、光伏组件的负荷需求个数npvmax最优值、蓄电池的负荷需求个数nsbmax最优值和微型燃气轮机的负荷需求个数nmtmax最优值。
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。
- 还没有人留言评论。精彩留言会获得点赞！