一种风光互补发电系统优化配置方法

摘要

本发明公开了一种风光互补发电系统优化配置方法。计算风力发电和光伏发电相关性，得到风光发电出力联合概率分布；综合考虑风速和光照对发电的影响及储能蓄电池寿命等因素，建立以系统发电成本最低为目标和以负载失电率为约束条件的优化函数；采用改进和声搜索算法进行两次优化，第一次优化得到需求的风力发电功率、光伏发电功率及储能电池容量理论值；然后将风力发电功率定值调整为市场存在的风力发电机额定功率，再重新优化目标函数，得到满足约束条件的光伏发电功率及储能蓄电池容量最终目标值。本发明提出的风光互补发电系统优化配置方法可以加快求解过程收敛速度，二次优化符合实际需求，优化结果可以提高供电可靠性并降低系统建设成本。

说明书

技术领域

本发明涉及一种风光互补发电系统优化配置方法。

背景技术

风光互补发电系统是解决常规电网不能到达的偏远地区进行电力供应的一种手段。由于 风光互补发电系统没有大电网作为备用容量的支持，风速与光照的随机波动会影响系统的可 靠运行。如果采用较大的储能备用容量来满足供电可靠性，将增加风光互补发电系统建设成 本和维修成本。风能和太阳能发电具有互补性，进行风光互补发电系统的合理配置可以满足 负载供电需求、提高供电可靠性，同时降低发电成本，进而更好地实现风光互补发电系统的 优化运行。

风光互补发电系统优化配置中，合理的优化配置模型与求解方法影响结果的准确性。在 现有的研究中，将风速、光强在评估时间段内作为不变量处理，没有考虑风速光照之间的相 关性，建模难度降低但引入了较大的误差。在采用概率密度函数描述风力发电及光伏发电的 统计特性模型时，风速和光照的概率密度函数影响着风力发电和光伏发电功率预测的准确度。 目前对风速和光照强度概率分布的描述没有统一形式，风速常用威布尔分布、伽马分布、对 数正态分布等描述；光照强度常用贝塔分布描述。实际上风速与光照强度的概率分布有差别， 威布尔分布主要描述年平均风速的情况。现有文献将风电、光伏发电两者的出力按服从独立 分布处理，用频率统计形式计算局部条件下的风速、光照联合概率分布。风速、光照的概率 密度函数不一定精确满足特定的典型分布，因此基于参数检验法研究概率分布具有一定的局 限性。在建立风光互补发电系统优化配置的目标函数时，虽然有的考虑了折旧成本等因素， 但是忽略了风速和光照的相关性。有的采用改进拉格朗日算法对风光互补发电系统进行优化， 但对蓄电池选取具有主观性。有的采用多目标建模，但是在将多目标转化成单目标时，各目 标加权值分配具有较大的主观性。在对目标优化模型进行求解时，利用遗传算法存在收敛速 度慢、迭代次数多等问题。粒子群算法有结构简单、收敛速度快、对目标函数要求少等优点， 但也存在“早熟”问题，易陷入局部最优解。混沌优化算法具有随机性、遍历性和内在规律 性的特点，但是算法精度与寻优函数的复杂程度和寻优空间的大小有关。蚁群算法参数的选 择对优化结果影响较大，易导致结果非最优解。细菌觅食算法存在易陷入局部最优解及寻优 速度较慢等问题。

发明内容

本发明的目的在于克服上述技术存在的缺陷，提供一种风光互补发电系统优化配置设计 的方法，达到提高可再生能源发电利用效率、降低风光互补发电系统建设成本和维修成本以 及增强系统可靠性的目的。本发明通过分析风力发电和光伏发电之间出力的相关性，表征风 力发电和光伏发电联合出力的互补关系。根据风力发电和光伏发电特性，建立风光互补发电 出力的模型。综合考虑风速和光照对发电的影响及储能蓄电池寿命等因素，建立以系统发电 成本最低为目标和以负载失电率为约束条件的优化函数，用改进和声搜索算法对目标函数优 化，在初次优化结果的基础上，考虑实际情况对结果进行修正，再对目标函数重新优化，最 后，得到满足约束条件的系统优化结果。

其具体技术方案为：

1风光发电联合出力概率分布的计算

1.1风力发电和光伏发电出力边缘概率分布

为了得到在不同气象条件下风光联合发电功率输出，需知道风光共同作用下的联合概率 分布，而联合概率分布可以通过边缘概率分布得到。受天气变化影响，风速和光照强度概率 密度轮廓曲线形式不固定，本发明采用非参数估计分析概率密度，运用核密度估计得出风力 发电机和光伏电池出力的边缘概率密度。根据风速、光照数据计算风力发电机、太阳能电池 板的实际功率，并以额定出力为基准进行归一化。以出力率为随机变量p，其概率密度函数 为f(p)，则f(p)的核密度估计为：

$f_h\left(p\right)=\frac{1}{nh}\underset{j=1}{\overset{n}{\Sigma }}K\left(\frac{p-p_j}{h}\right)=\frac{1}{nh}\underset{j=1}{\overset{n}{\Sigma }}\frac{1}{\sqrt{2\pi }}\exp (-\frac{{(P-P_j)}^2}{2h^2})---\left(1\right)$

式中，n为样本容量；h为平滑系数；K(x)为核函数，这里选取核函数服从标准正态分布。

将风力发电一年中每月出力率P1(P_1，1，P_1，2...P_1，12)和光伏发电每月出力率为P2(P_2，1P_2，2...P_2，12) 代入(1)式，即得到风力发电和光伏发电单独作用时的出力边缘概率密度f_WG(P1)和f_PV(P2)。 分别对f_WG(P1)和f_PV(P2)进行积分运算，可以得到风力发电和光伏发电的边缘概率分布。

1.2风力发电和光伏发电出力相关性

由随机向量(P1，P2)的观察值组成样本空间Ф＝{(P_1，1，P_2，1)，(P_1，2，P_2，2)，...(P_1，12，P_2，12)}，取(P_1，i，P_2，i) 和(P_1，j，P_2，j)且i≠j，若(P_1，i-P_1，j)·(P_2，i-P_2，j)＞0，则(P_1，i，P_2，i)和(P_1，j，P_2，j)一致，反之，二者不一 致。Kendall秩相关参数法在研究非线性相关问题时具有较好的特性，本发明采用Kendall 秩相关参数分析风力发电和光伏发电的相关性。Kendall秩相关参数τ为样本中选取的观测 值一致的概率与不一致的概率之差：

τ＝P{(P_1i-P_1j)·(P_2j-p_2j)＞0}-P{(P_1i-p_1j)·(P_2i-p_2j)＜0}(2)

式中，τ范围为[-1，1]，P表示事件发生的概率。

1.3风力发电与光伏发电出力的联合概率分布

风力发电和光伏发电出力具有负相关性，通过Copula函数可以求解非线性随机变量概率 分布。常用的Copula函数分别是G-Copula、Clay-Copula以及FrankCopula，其中Frank Copula函数能够描述非线性型变量间的负相关特性。这里运用Copula函数求解风力发电和 光伏发电出力的联合概率分布，具体数学公式如下：

$F(P_1,P_2)=-\frac{1}{\theta }\ln [1+\frac{(e^{-\theta ·F_{WG}\left(P_1\right)}-1)·(e^{-\theta ·F_{PV}\left(P_2\right)}-1)}{e^{-\theta }-1}]---\left(3\right)$

式中，相关参数θ与Kendall秩相关参数关系如下：

$\tau =1+\frac{4}{\theta }[\frac{1}{\theta }{\int }_0^{\theta }\frac{t}{e^{\prime }-1}dt-1]---\left(4\right)$

2风光互补发电出力模型

2.1风力发电模型

风力发电机的发电量受风力机输出特性影响。风力发电机输出功率P_WG随风速V变化的关 系式如下：

风力机发电量计算公式如下：

式中，h_i是风速V所对应的小时数。

2.2光伏发电模型

太阳能电池板的功率输出取决于光照强度、电池板的面积以及转换效率，因此，给出如 下计算方法：

P_PV＝G·A·η(7)

式中，P_PV为光伏电池实际输出功率，G为光照强度(kW/m²)，A为光伏电池板面积(m²)，η为 光伏电池的效率。

光伏电池每天发电量E_PV为

E_PV＝P_PV·h_d(8)

其中，h_d平均每天光照时间。

2.3蓄电池模型

在风光互补发电系统中蓄电池处于充电和放电两种状态，蓄电池存储电量关系如下：

C_bm(1-DOD)≤C_b≤C_bm(9)

式中，C_b为蓄电池电量，DOD为放电深度，C_bm为蓄电池最大蓄电量。

当系统发电量大于负载用电时，蓄电池处于充电状态，蓄电池能量关系式如下：

C_b(t)＝C_b(t-1)+[P_PV(t)+P_WG(t)-P_LOAD]·η_ch≤C_bm(10)

式中，C_b(t)为t时刻蓄电池的电量，η_ch为充电效率。

当系统发电量小于负载用电时，蓄电池处于放电状态，蓄电池能量关系式如下：

C_b(t)·η_dis＝C_b(t-1)+[P_LOAD(t)-P_PV(t)-P_WG(t)]≥C_bm(1-DOD)(11)

式中，C_b(t)为t时刻蓄电池的电量，η_dis为放电效率。

3目标优化

3.1目标函数

风光互补发电系统优化配置的目标是在保证负载供电可靠性和系统使用寿命的前提下， 使系统的初期建设成本和后期维护成本构成的综合成本最小。其目标函数如下：

min{J(x)}＝min{J(P_PV，P_WG，P_BAT)}(12)

＝min{P_PV·C_PV+P_WG·C_WG+P_BAT·C_BAT+n·(P_PV·C_PVm+P_WG·C_WGM+P_BAT·C_BM)+C_IV+C_CL}

式中J(x)为综合成本(系统初期建设成本与维修成本共同费用)，x为组成部分的千瓦数， X＝{P_PV，P_WG，P_BAT}；P_PV为满足负载需求的光伏电池发电总功率，P_WG为满足负载需求的风力发电 机发电总功率，P_BAT为负载需要的蓄电池总容量；C_WG，C_PV，C_BAT分别为风力发电机、光伏电池、 蓄电池单位购置成本，C_WGM，C_PVM，C_BM分别为风力发电机、光伏电池、蓄电池单位维修费用；n为 使用年限，C_IV，C_CL为逆变器和控制器成本。

上述目标函数不仅计算了系统初期费用而且还加入了使用年限内的维修费用，更贴近于 实际。

3.2约束条件

(1)光伏电池功率约束

0≤P_PV≤P_PVmax(13)

其中，P_PV为负载需要光伏电池发电总功率；P_PVmax为无风条件下，太阳能电池独立供电时光伏 电池最大功率即负载功率。

(2)风力发电机功率约束

0≤P_WG≤P_WGmax(14)

其中，p_WG为负载需要风力发电机发电总功率；P_WGmax为无光条件下，风力发电机独立供电时风 力发电机最大功率即负载功率。

(3)蓄电池最大容量约束

0≤P_BAT≤P_BATmax(15)

其中，P_BAT为负载需要蓄电池存储电量的总容量；P_BATmax为无风、无光条件下，蓄电池独立供电 时蓄电池的最大容量。

(4)负载失电率LOLP约束

LOLP为系统所产生的电量不能满足负载需求条件下，所缺少的电量与负荷总需求量的比， 其表达式为，

$\frac{P_{load}-[(P_{PV}+P_{WG})·p+\frac{P_{BAT}·U}{1000·t}·(1-p)]}{P_{load}}\le {\mathrm{LOLP}}_{set}---\left(16\right)$

式中，P_load为负载总功率，p为风力发电与光伏发电联合出力概率，U为选取的系统母线供电 电压，t为无风无光最长小时数。

3.3改进和声搜索算法

和声搜索算法模拟了音乐演奏中乐师之间相互磨合直到整个演奏效果达到最美和声的过 程。虽然该算法具有通用性好、思想原理简单、与其他算法结合性强等优点，但是和声搜索 算法也有已陷入局部最优的缺点，算法的参数控制对收敛速度有很大的影响。标准和声搜索 算法初始化时固定变量扰动基准和扰动带宽这两个参数，使得产生的解容易陷入局部最优。 本发明采用改进的和声搜索算法将变量扰动基准和扰动带宽随着迭代次数动态调整，从而全 局寻优。

和声搜索算法求解步骤如下：

(1)初始化和声库

随机产生一系列初始解构成的和声库，其库容量为HMS。为保证产生的解具有一定的代 表性，并在定义域中均匀分布，初始解X_ij通过如下公式产生，

X_ij＝LB_i+Rnd1×(UB_i-LB_i)(17)

式中，X_i∈[LB_i，UB_i]，j∈(1，2......HMS)，LB_i，UB_i分别为区间最大值及最小值，Rnd1为(0，1) 之间均匀分布产生的随机数。

(2)解的产生

指定从和声库中产生解的挑选率HMCR。产生随机数Rnd2，当Rnd2小于HMCR时，从和声 库中随机的选取一个解，否则就由公式(17)产生新的解，这里记为Ω。采用式(18)产生 原始解：

$x_i=\left(\begin{array}{cc}{x}_i\in (x_{i1},x_{i2},...x_{iHMS})& Rnd2<HMCR\\ x_i\in \Omega & Rnd2\ge 1-HMCR\end{array}\right)---\left(18\right)$

对原始解进行微量扰动，采用式(19)产生新解：

$x_i=\left(\begin{array}{cc}{x}_i+Rnd3\times bw& Rnd3<PAR\\ x_i& Rnd3\ge 1-PAR\end{array}\right)---\left(19\right)$

式中，随机产生的微调量Rnd3×bw，bw为扰动带宽，Rnd3为随机数，PAR为变量扰动基准。 标准和声搜索算法初始化时固定PAR和bw这两个参数，使得PAR在与随机数Rnd3进行比较 时，Rnd3总是与同一个PAR比较，会多次产生相同的微调量，从而产生的解不具有全局性。

改进的和声搜索算法将PAR和bw随着迭代次数动态调整，PAR按式(20)调整，bw按式 (21)调整，

PAR＝(PAR_max-PAR_min)/MItr×cItr+PAR_min(20)

式中，PAR_max和PAR_min为PAR的取值范围。MItr为最大迭代次数，cItr为当前迭代次数。

bw＝bw_max×exp(ln(bw_min/bw_max)/MItr×cItr)(21)

式中，bw_min和bw_max分别为带宽的最大值和最小值。

(3)更新记忆库

将新解代入目标函数中，得到的目标值与和声库中解的目标值比较，如果新解的目标函 数值优于和声库中的最差解的目标值，则用新解替换和声库中的最差解，否则不替换。

(4)算法停止

当得到最优解或到达最大迭代次数时，停止运算。

与现有技术相比，本发明的有益效果为：首先，对风力发电和光伏发电的相关性进行分 析，得到风速与光照的联合概率分布；其次，建立以系统发电成本最低为目标和以负载失电 率为约束条件的优化函数；再次，采用改进的和声搜索算法对目标函数优化，通过两次优化 过程得到最终目标值，第一次优化得到需求的风力发电机功率、光伏发电功率及储能电池容 量值，然后将风力发电功率取整为市场存在的风力发电机功率，在对目标函数重新优化，最 后，得到满足约束条件的系统优化结果。

附图说明

图1光照概率密度

图2风速概率密度

图3风力发电和光伏发电出力联合概率分布

图4目标函数优化结果

图5系统发电量与负载用电量关系

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合附 图和具体实例，进一步阐述本发明。

选取内蒙古赤峰市克什克腾旗达里诺尔地区进行户用风光互补发电系统配置实例计算， 该地区位于北纬43°，东经117°。根据当地气象台站提供的数据，结合NASA网站的数据资料， 根据风速、光照数据计算风力发电机、太阳能电池板的实际功率，并以额定出力为基准进行 归一化。风力发电各月出力率为P1＝(0.072，0.046，0.040，0.043，0.061，0.005，0.022， 0.006，0.014，0.021，0.065，0.094)，PV组件各月出力率为P2＝(0.3，0.377，0.512，0.688， 0.773，0.80，0.692，0.615，0.592，0.515，0.358，0.277)。

1风力发电和光伏发电出力相关性

将风力发电和光伏发电各月出力率数据带入式(1)，可以得到图1所示的风速边缘概率 密度f_WG(P1)和图2所示的光照边缘概率密度f_PV(P2)。进而积分可以得到风速和光照的边缘概 率分布F_WG(P1)和F_PV(P2)。

相关性测度

风力发电和光伏发电各月出力率集合Ф＝{(0.3，0.072)，(0.377，0.046)， (0.512，0.040)，(0.688，0.043)，(0.773，0.061)，(0.8，0.005)，(0.692，0.022)， (0.615，0.006)，(0.515，0.014)，(0.358，0.021)，(0.277，0.065)，(0.5，0.094)}构成随 机向量(P1，P2)的样本空间。计算风力发电和光伏发电变化一致的概率为0.242，不一致的概 率为0.758，利用式(2)得到相关系数τ＝-0.516，这说明风力发电与光伏发电具有负相关 特性。

2风力发电和光伏发电出力联合概率分布

在已知相关系数τ后，根据式(4)计算得到Copula函数中的参数θ＝-6.04，从而由式 (3)可以计算风力发电和光伏发电出力联合概率分布，风力发电和光伏发电出力的联合概率 分布如图3所示。

3目标优化

通过调查住户家中家用电器种类，统计的日用电量及各月用电量。根据统计得到的用户 负荷曲线，选取最大功率为5kW的负荷。根据气象资料中一年连续阴雨天数和风速数据，得 出连续弱风和无光照条件下的时间，在负载失电率1％条件下，计算极端条件下需要的蓄电池 容量，考虑保护蓄电池的安全使用条件，蓄电池最大放电深度设定为80％，经计算得出，最 大缺电量10kW·h。设风光互补发电系统的直流母线电压为24V，采用12V蓄电池串并联形式 扩大容量。根据市场调查，风力发电和光伏发电单位购置成本与维修成本如表1所示。

表1风力发电和光伏发电单位购置成本与维修成本

利用改进的和声搜索算法进行系统优化配置，优化过程中各参数分别为，HMS＝5、 HMCR＝0.9999、PAR_min＝0.4，PAR_max＝0.9。目标函数优化过程如图4所示。经过第一次优化后， 风力发电机总的千瓦数为3.397kW，但是市场上并没有这种功率型号的风力发电机，因此将 风力发电机功率调整为市场上常见的3kW风力发电机，进行第二次优化，得到光伏电池功率 千瓦数与蓄电池容量的大小。第二次优化后光伏电池功率为1.997kW，可以近似2kW。蓄电池 容量为500A·H。两次优化结果对比如表2所示。

表2优化结果对比

为了验证优化结果的正确性，计算优化配置的风光互补发电系统满足负载供电率情况。 图5为计算的系统供电曲线和负荷曲线。纵观全年发电曲线，夏季光照强，太阳能发电量多， 6-9月份风力发电量较少，总之，太阳能发电与风力发电具有良好的互补性。以用电量最大、 同时风速和光照都不是很充足的月份进行发电量计算比较，得出负载缺电率LOLP为0.97％， 小于设计指标1％，能够满足供电可靠性要求。

以上所述，仅为本发明最佳实施方式，任何熟悉本技术领域的技术人员在本发明披露技 术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。