本發(fā)明屬于微電網(wǎng)領(lǐng)域，特別涉及一種并網(wǎng)型微電網(wǎng)電源容量配置方法。

背景技術(shù)：

微電網(wǎng)是指由分布式電源(Distributed Generation，DG)、儲(chǔ)能裝置、能量轉(zhuǎn)換裝置、負(fù)荷監(jiān)控、保護(hù)裝置等匯集而成的，能夠?qū)崿F(xiàn)自我控制、保護(hù)和管理的小型發(fā)配電系統(tǒng)。現(xiàn)有的研究表明，將各類分布式電源以微電網(wǎng)的形式接入使用，是發(fā)揮其效能的有效方式。

微電網(wǎng)能有效整合各類分布式電源、儲(chǔ)能單元以及負(fù)荷，通過(guò)對(duì)不同出力特性DG以及儲(chǔ)能系統(tǒng)的綜合利用，克服了新能源發(fā)電隨機(jī)性、波動(dòng)性帶來(lái)的問題，提高了供電的可靠性并使得新能源發(fā)電的環(huán)保效益得到充分發(fā)揮。

目前，微電網(wǎng)電源容量規(guī)劃方法多針對(duì)獨(dú)立型系統(tǒng)，與獨(dú)立型相比相比，并網(wǎng)型微電網(wǎng)能通過(guò)功率聯(lián)絡(luò)線獲得大電網(wǎng)能量支撐，并在外網(wǎng)故障時(shí)轉(zhuǎn)入孤島運(yùn)行，因而具有很好的供電可靠性及靈活性。

現(xiàn)有的并網(wǎng)型微電網(wǎng)容量的規(guī)劃設(shè)計(jì)方法多只考慮經(jīng)濟(jì)性，沒有將系統(tǒng)自供電能力作為設(shè)計(jì)目標(biāo)之一(自供電能力決定了系統(tǒng)轉(zhuǎn)入孤島運(yùn)行模式后的供電可靠性)，且設(shè)計(jì)模型往往沒有充分考慮風(fēng)光出力的不確定性，故由該類模型得到的配置方案在實(shí)際投入使用時(shí)容易出現(xiàn)系統(tǒng)容量不足的情況，無(wú)法達(dá)到同時(shí)滿足經(jīng)濟(jì)性與自供電能力雙優(yōu)的設(shè)計(jì)需求。因此，需要設(shè)計(jì)一種在考慮風(fēng)光出力不確定性基礎(chǔ)上，兼顧經(jīng)濟(jì)性與自供電能力的并網(wǎng)型微電網(wǎng)電源容量配置方法。

鑒于上述缺陷，發(fā)明人經(jīng)過(guò)長(zhǎng)時(shí)間的研究和實(shí)踐終于獲得了本發(fā)明。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于，針對(duì)上述現(xiàn)有技術(shù)的不足，提供一種并網(wǎng)型微電網(wǎng)電源容量配置方法，在考慮風(fēng)光出力不確定性的同時(shí)，兼顧經(jīng)濟(jì)性與自供電能力。

為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：

一種并網(wǎng)型微電網(wǎng)電源容量配置方法，包括以下步驟：

步驟A，搭建并網(wǎng)型微電網(wǎng)中的風(fēng)機(jī)模型、光伏電池模型和蓄電池模型；

步驟B，搭建容量設(shè)計(jì)優(yōu)化目標(biāo)函數(shù)模型，所述容量設(shè)計(jì)優(yōu)化目標(biāo)函數(shù)包括年平均綜合成本C_ACT和自平衡率SSR，其中，

式中：

和表示目標(biāo)值，是目標(biāo)函數(shù)C_ACT在置信水平不小于α₁下的最小值，是目標(biāo)函數(shù)SSR在置信水平不小于α₂下的最小值，Pr{·}指{·}中的事件成立的概率；α₁和α₂為目標(biāo)函數(shù)的置信水平；

C_ACT＝C_AFC+C_AOM+C_AEC，其中年等值設(shè)備投資費(fèi)用N_WT、N_PV、N_BS分別為風(fēng)機(jī)、光伏電池和蓄電池?cái)?shù)量；C_WT、C_PV、C_BS分別為風(fēng)機(jī)、光伏電池和蓄電池的初始成本；r為貼現(xiàn)率；Y_P為微電網(wǎng)的使用壽命；Y_BS為蓄電池的使用壽命；年平均運(yùn)行維護(hù)費(fèi)用C_AOM＝N_WTC_WOM+N_PVC_POM+N_BSC_BOM，C_WOM、C_POM、C_BOM分別為風(fēng)機(jī)、光伏電池和蓄電池的運(yùn)維成本；年能量交互成本C_AEC＝∑C_p(t)E_p(t)-∑C_s(t)E_s(t)，C_p(t)、C_s(t)分別為t時(shí)刻買入或賣出的電價(jià)，E_p(t)、E_s(t)分別為t時(shí)刻買入或賣出的電量，0≤t≤8760h；

E_MG(t)為第t小時(shí)內(nèi)微電網(wǎng)對(duì)負(fù)荷的供電量；E_load(t)為第t小時(shí)內(nèi)負(fù)荷的用電量；

其中N_WT、N_PV、N_BS為待求量，C_WT、C_PV、C_BS、r、Y_BS、C_WOM、C_POM、C_BOM為已知量，Y_P、α₁、α₂由設(shè)計(jì)者給定，C_p(t)、C_s(t)由仿真軟件查詢微電網(wǎng)所在地的電價(jià)信息得到，E_p(t)、E_s(t)、E_MG(t)、E_load(t)由仿真軟件根據(jù)微電網(wǎng)所在地的風(fēng)速、光強(qiáng)和負(fù)荷信息求解所述風(fēng)機(jī)模型、光伏電池模型和蓄電池模型得到；

步驟C，利用基于隨機(jī)模擬的NSGA-Ⅱ算法，求解所述容量設(shè)計(jì)優(yōu)化目標(biāo)函數(shù)，得到帕累托前沿；

步驟D，利用效用理論，從所述帕累托前沿中選出符合設(shè)計(jì)要求的最佳方案。

借由上述過(guò)程，采用年平均綜合成本作為經(jīng)濟(jì)性目標(biāo)，采用自平衡率作為自供電能力目標(biāo)(自平衡率為并網(wǎng)型微電網(wǎng)內(nèi)設(shè)備年供電量占負(fù)荷年用電量的比例，自平衡率越高則對(duì)大電網(wǎng)的依賴越小，亦即系統(tǒng)轉(zhuǎn)入孤島運(yùn)行時(shí)的供電能力越強(qiáng))，以微電網(wǎng)年平均綜合成本最低和自供電能力最強(qiáng)為優(yōu)化目標(biāo)，優(yōu)化模型綜合考慮了風(fēng)光出力的不確定性和經(jīng)濟(jì)性，對(duì)微電網(wǎng)進(jìn)行多目標(biāo)優(yōu)化數(shù)學(xué)建模，將模型中含有不確定因素的目標(biāo)函數(shù)和約束條件，用滿足一定置信水平的概率形式來(lái)表示，采用基于隨機(jī)模擬的NSGA-Ⅱ算法對(duì)模型進(jìn)行求解，并利用效用理論給出不同的設(shè)計(jì)要求下的推薦方案。其中帕累托前沿為最優(yōu)解的集合。

作為一種優(yōu)選方式，所述步驟C中的求解過(guò)程包括：

步驟C₁，根據(jù)微電網(wǎng)所在地風(fēng)速平均值和光強(qiáng)平均值，調(diào)用隨機(jī)模擬方法，得到N組相互獨(dú)立的風(fēng)速和光強(qiáng)數(shù)據(jù)，N由設(shè)計(jì)者給定；

步驟C₂，采用隨機(jī)方法產(chǎn)生包含M個(gè)染色體的種群P，M由設(shè)計(jì)者給定；

步驟C₃，對(duì)種群P中的每個(gè)染色體進(jìn)行仿真運(yùn)算；

步驟C₄，檢驗(yàn)仿真計(jì)算結(jié)果中是否有滿足容量設(shè)計(jì)優(yōu)化目標(biāo)函數(shù)中約束條件的染色體，如有則進(jìn)入步驟C₅；如無(wú)則對(duì)種群P進(jìn)行變異操作，并跳轉(zhuǎn)至步驟C₃；

步驟C₅，創(chuàng)建滿足約束調(diào)節(jié)的染色體集合P₁，計(jì)算適應(yīng)度函數(shù)、P₁中各個(gè)染色體個(gè)體之間的支配關(guān)系和擁擠距離，根據(jù)計(jì)算結(jié)果對(duì)P₁進(jìn)行帕累托排序；

步驟C₆，對(duì)步驟C₅中經(jīng)過(guò)帕累托排序后的種群P₁連續(xù)進(jìn)行n次交叉變異操作，得到種群P_n+1，n為大于1的正整數(shù)；

步驟C₇，對(duì)種群P進(jìn)行帕累托排序，同時(shí)計(jì)算種群P_n+1中各染色體的適應(yīng)度函數(shù)，根據(jù)計(jì)算結(jié)果對(duì)P_n+1進(jìn)行帕累托排序；

步驟C₈，按照帕累托排序結(jié)果，從經(jīng)過(guò)帕累托排序后的種群P和經(jīng)過(guò)帕累托排序后的種群P_n+1的并集中選擇M個(gè)染色體形成新種群，同時(shí)將種群P更新為所述新種群；

步驟C₉，重復(fù)步驟C₃～C₈直至達(dá)到設(shè)定的迭代次數(shù)，輸出帕累托前沿優(yōu)化結(jié)果。

將隨機(jī)模擬技術(shù)與多目標(biāo)遺傳算法NSGA-Ⅱ結(jié)合，對(duì)模型中含有置信水平的目標(biāo)函數(shù)和約束條件采用隨機(jī)模擬技術(shù)進(jìn)行處理，結(jié)合后的算法稱為基于隨機(jī)模擬的NSGA-Ⅱ算法，解決了本發(fā)明中目標(biāo)函數(shù)中也存在概率形式的模型求解問題。

作為一種優(yōu)選方式，所述步驟D中包括構(gòu)造容量?jī)?yōu)化配置決策模型其中ω₁為設(shè)計(jì)者給定的年平均綜合成本權(quán)重值，ω₂為設(shè)計(jì)者給定的自平衡率權(quán)重值，ω₁+ω₂＝1，min(C_ACT)和max(C_ACT)分別為C_ACT的最小值和最大值，min(SSR)和max(SSR)分別為SSR的最小值和最大值，min(C_ACT)、max(C_ACT)、min(SSR)、max(SSR)由步驟C中求解容量設(shè)計(jì)優(yōu)化目標(biāo)函數(shù)得到。

為了避免多屬性決策的盲目性，引入效用理論對(duì)各待選方案進(jìn)行綜合評(píng)價(jià)，從而確定最優(yōu)方案。效用理論是進(jìn)行多屬性決策的一種理論，其基本思想是先對(duì)不同評(píng)價(jià)指標(biāo)進(jìn)行無(wú)量綱處理，然后運(yùn)用效用函數(shù)求得各指標(biāo)效用值，采用合成函數(shù)將效用值和權(quán)重值加權(quán)合成，計(jì)算各方案效用評(píng)價(jià)綜合得分，根據(jù)得分對(duì)各方案進(jìn)行優(yōu)劣排序。容量?jī)?yōu)化配置決策模型的兩個(gè)屬性分別為年平均綜合成本C_ACT和自平衡率SSR，通過(guò)改變各分量權(quán)重的大小，可以得到不同權(quán)重下的最優(yōu)方案。

作為一種優(yōu)選方式，所述步驟C₆中，通過(guò)輪盤賭轉(zhuǎn)法對(duì)經(jīng)過(guò)帕累托排序后的種群P₁連續(xù)進(jìn)行n次交叉變異操作。

作為一種優(yōu)選方式，所述仿真軟件為HOMER軟件。

HOMER軟件是美國(guó)國(guó)家可再生能源實(shí)驗(yàn)室于1993年開發(fā)的混合電力系統(tǒng)分析設(shè)計(jì)軟件，適用于各微網(wǎng)系統(tǒng)的系統(tǒng)仿真和優(yōu)化設(shè)計(jì)。

與現(xiàn)有技術(shù)相比，本發(fā)明在考慮風(fēng)光出力不確定性的同時(shí)，兼顧經(jīng)濟(jì)性與自供電能力，能根據(jù)設(shè)計(jì)需求確定最優(yōu)的風(fēng)機(jī)數(shù)量、光伏電池?cái)?shù)量和蓄電池?cái)?shù)量。

附圖說(shuō)明

圖1為本發(fā)明模擬實(shí)例中微網(wǎng)所在地全年的風(fēng)速圖。

圖2為本發(fā)明模擬實(shí)例中微網(wǎng)所在地全年的光照強(qiáng)度圖。

圖3為本發(fā)明模擬實(shí)例中微網(wǎng)所在地全年的負(fù)荷用電量圖。

圖4為本發(fā)明中容量設(shè)計(jì)優(yōu)化目標(biāo)函數(shù)求解流程圖。

圖5為本發(fā)明模擬實(shí)例求解得到的帕累托前沿。

具體實(shí)施方式

本發(fā)明的一實(shí)施方式包括以下步驟：

步驟A，在仿真軟件(HOMER軟件)中搭建并網(wǎng)型微電網(wǎng)中的風(fēng)機(jī)模型、光伏電池模型和蓄電池模型。對(duì)此三者進(jìn)行模型搭建屬于現(xiàn)有的成熟技術(shù)。

其中風(fēng)機(jī)模型如下：

式中P_W為風(fēng)機(jī)輸出功率；P_Wr為風(fēng)機(jī)額定輸出功率；V_ci為切入風(fēng)速；V_co為切出風(fēng)速；V_r為額定風(fēng)速。

光伏電池模型如下：

式中G為光照強(qiáng)度；P_STC為標(biāo)準(zhǔn)測(cè)試條件下(光照強(qiáng)度為1KW/m²，環(huán)境溫度為25℃)的最大輸出功率；G_STC為標(biāo)準(zhǔn)測(cè)試條件下的光照強(qiáng)度，η為與電池板表面溫度有關(guān)的系統(tǒng)效率。

蓄電池模型如下：

式中SOC(t)為蓄電池在t時(shí)刻的荷電狀態(tài)；SOC(t-1)為蓄電池在t-1時(shí)刻的荷電狀態(tài)；δ為蓄電池每小時(shí)自放電率；P_c為充電功率；P_d為放電功率；η_c為充電效率；η_d為放電效率；Δt為時(shí)間間隔，本文取1h；E_C為蓄電池額定容量。

步驟B，在仿真軟件中搭建容量設(shè)計(jì)優(yōu)化目標(biāo)函數(shù)模型，所述容量設(shè)計(jì)優(yōu)化目標(biāo)函數(shù)包括年平均綜合成本C_ACT和自平衡率SSR，其中，

式中：

和表示目標(biāo)值，是目標(biāo)函數(shù)C_ACT在置信水平不小于α₁下的最小值，是目標(biāo)函數(shù)SSR在置信水平不小于α₂下的最小值，Pr{·}指{·}中的事件成立的概率；α₁和α₂為目標(biāo)函數(shù)的置信水平，在實(shí)施例中均取為85％；

C_ACT＝C_AFC+C_AOM+C_AEC，其中年等值設(shè)備投資費(fèi)用C_AFC為各電源投資資本乘以資金回收系數(shù)得到，即N_WT、N_PV、N_BS分別為風(fēng)機(jī)、光伏電池和蓄電池?cái)?shù)量；C_WT、C_PV、C_BS分別為風(fēng)機(jī)、光伏電池和蓄電池的初始成本；r為貼現(xiàn)率，其值為加權(quán)平均資本成本，用于測(cè)算投資方案的凈現(xiàn)值和現(xiàn)值系數(shù)，以比較投資方式，進(jìn)行投資決策，取固定值6.15％；Y_P為微電網(wǎng)的使用壽命，設(shè)計(jì)為20年；Y_BS為蓄電池的使用壽命，設(shè)計(jì)為2年；年平均運(yùn)行維護(hù)費(fèi)用C_AOM與各微源的裝機(jī)數(shù)量成正比關(guān)系，即C_AOM＝N_WTC_WOM+N_PVC_POM+N_BSC_BOM，C_WOM、C_POM、C_BOM分別為風(fēng)機(jī)、光伏電池和蓄電池的運(yùn)維成本；年能量交互成本C_AEC為微網(wǎng)每年從大電網(wǎng)購(gòu)買的電量成本與向微網(wǎng)出售電量收益的差值，即C_AEC＝∑C_p(t)E_p(t)-∑C_s(t)E_s(t)，C_p(t)、C_s(t)分別為t時(shí)刻買入或賣出的電價(jià)，E_p(t)、E_s(t)分別為t時(shí)刻買入或賣出的電量，0≤t≤8760h(將一年劃分為8760小時(shí))；

E_MG(t)為第t小時(shí)內(nèi)微電網(wǎng)對(duì)負(fù)荷的供電量；E_load(t)為第t小時(shí)內(nèi)負(fù)荷的用電量；

其中N_WT、N_PV、N_BS為待求量，C_WT、C_PV、C_BS、C_WOM、C_POM、C_BOM為已知量，由表1中的設(shè)備參數(shù)表得到。

表1

C_p(t)、C_s(t)由仿真軟件查詢微電網(wǎng)所在地的電價(jià)信息得到，E_p(t)、E_s(t)、E_MG(t)、E_load(t)由仿真軟件根據(jù)微電網(wǎng)所在地的風(fēng)速、光強(qiáng)和負(fù)荷信息(如圖1至圖3所示)求解所述風(fēng)機(jī)模型、光伏電池模型和蓄電池模型得到。

步驟C，利用基于隨機(jī)模擬的NSGA-Ⅱ算法，求解所述容量設(shè)計(jì)優(yōu)化目標(biāo)函數(shù)，得到帕累托前沿；如圖4所示，所述步驟C中的求解過(guò)程包括：

步驟C₁，根據(jù)微電網(wǎng)所在地風(fēng)速平均值和光強(qiáng)平均值，調(diào)用隨機(jī)模擬方法，得到相互獨(dú)立的全年風(fēng)速和光強(qiáng)數(shù)據(jù)；

步驟C₂，采用隨機(jī)方法產(chǎn)生包含M個(gè)染色體的種群P，M在此例中為50；

步驟C₃，對(duì)種群P中的每個(gè)染色體進(jìn)行仿真運(yùn)算；

步驟C₄，檢驗(yàn)仿真計(jì)算結(jié)果中是否有滿足容量設(shè)計(jì)優(yōu)化目標(biāo)函數(shù)中約束條件的染色體，如有則進(jìn)入步驟C₅；如無(wú)則對(duì)種群P進(jìn)行變異操作，并跳轉(zhuǎn)至步驟C₃；

步驟C₅，創(chuàng)建滿足約束調(diào)節(jié)的染色體集合P₁，計(jì)算適應(yīng)度函數(shù)、P₁中各個(gè)染色體個(gè)體之間的支配關(guān)系和擁擠距離，根據(jù)計(jì)算結(jié)果對(duì)P₁進(jìn)行帕累托排序；

步驟C₆，通過(guò)輪盤賭轉(zhuǎn)法對(duì)步驟C₅中經(jīng)過(guò)帕累托排序后的種群P₁進(jìn)行選擇交叉、變異操作，得到種群P₂，再經(jīng)過(guò)交叉、變異得到種群P₃其中交叉率選為0.9，變異率選為0.2；

步驟C₇，對(duì)種群P進(jìn)行帕累托排序，同時(shí)計(jì)算種群P₃中各染色體的適應(yīng)度函數(shù)，根據(jù)計(jì)算結(jié)果對(duì)P₃進(jìn)行帕累托排序；

步驟C₈，按照帕累托排序結(jié)果，從經(jīng)過(guò)帕累托排序后的種群P和經(jīng)過(guò)帕累托排序后的種群P₃的并集中選擇50個(gè)染色體形成新種群，同時(shí)將種群P更新為所述新種群；

步驟C₉，重復(fù)步驟C₃～C₈直至達(dá)到設(shè)定的迭代次數(shù)(本例中迭代次數(shù)選為100)，輸出帕累托前沿優(yōu)化結(jié)果，如圖5所示。

步驟D，利用效用理論，從所述帕累托前沿中選出符合設(shè)計(jì)要求的最佳方案：首先構(gòu)造容量?jī)?yōu)化配置決策模型其中ω₁為設(shè)計(jì)者給定的年平均綜合成本權(quán)重值，ω₂為設(shè)計(jì)者給定的自平衡率權(quán)重值，ω₁+ω₂＝1，min(C_ACT)和max(C_ACT)分別為C_ACT的最小值和最大值，min(SSR)和max(SSR)分別為SSR的最小值和最大值，min(C_ACT)、max(C_ACT)、min(SSR)、max(SSR)由步驟C中求解容量設(shè)計(jì)優(yōu)化目標(biāo)函數(shù)得到。設(shè)計(jì)者根據(jù)需要，更傾向于經(jīng)濟(jì)性則選取較大的ω₁值，更傾向于供電能力則選擇較大的ω₂值。設(shè)計(jì)者選用三組不同的權(quán)重值，得到三種不同權(quán)重下的容量配置最優(yōu)方案如表2所示。

表2

從表2中看出，三組配置方案的自平衡率都在一個(gè)比較高的水平。高自平衡率下，即使大電網(wǎng)發(fā)生故障，微網(wǎng)依靠自身供電，依然能保證絕大部分微網(wǎng)內(nèi)負(fù)荷需求得到滿足，即并網(wǎng)微網(wǎng)使負(fù)荷的供電可靠性得到了有效提高。

從圖5和表2中看出，微網(wǎng)年平均綜合成本與微網(wǎng)自平衡率這兩個(gè)目標(biāo)函數(shù)是相互沖突的。這是因?yàn)樵谀壳暗臈l件下，采用新能源發(fā)電的直接成本顯然要高于直接從公共電網(wǎng)購(gòu)電的成本。配置一為經(jīng)濟(jì)性與自平衡性等偏重時(shí)的解，配置二為偏重自供電能力的解；配置三為偏重經(jīng)濟(jì)性的解。對(duì)比三組典型配置方案:配置一比配置三年平均綜合成本高出27.85％，自平衡率提升效果為7.25％；配置二的年平均綜合成本要比配置一高出45.47％，自平衡率的提高為5.86％。即對(duì)自平衡性要求越高，相應(yīng)要付出的經(jīng)濟(jì)代價(jià)也越大，尤其是達(dá)到一定水平之后，自平衡性的小幅度提升需要較大的經(jīng)濟(jì)代價(jià)，因此，合理評(píng)估確定各指標(biāo)權(quán)重，是降低系統(tǒng)電源冗余投資、獲得較優(yōu)綜合效益的有效手段之一。