一种基于新型优化模型的孤立分布式电网配置方法

摘要

一种基于新型优化模型的孤立分布式电网配置方法，在分布式发电盛行的背景下，秉承供电可靠、经济、环保、节能的理念，将太阳能光伏、风机、蓄电池、电解池、燃料电池和氢气罐等结合在一起，构建孤立分布式发电系统。光伏太阳能和风机保证了发电单元的相对稳定性，蓄电池、燃料电池等储能设备在一定程度上解决了用电供需严重不一致时的弊端，并提出一种实数编码方式的基于排序方法的蚁群算法，进行系统配置问题的优化计算求解。最终为实际搭建类似发电系统提供经济可靠的理论指导。

说明书

技术领域

本发明属于分布式发电系统领域，重点在于孤立的分布式电网优化配置中的一种新型优化模型，以及求解该配置问题的优化方法。

背景技术

21世纪，人类在有限资源和环境保护要求日益严格的制约下发展经济，面临着实现经济和社会可持续发展的严重挑战。由于分布式发电系统利用本地可再生能源进行发电，具有经济高效，供电可靠，清洁环保的特点，合理利用风能、太阳能进行发电供应已经越来越受到学者的研究和探讨。特别是对于山区等边远偏僻地区，因地制宜，对当地丰富的可再生能源开发利用，是解决广大无电偏远地区能源问题的必由之路。

研究分布式发电系统的合理配置，在最经济的前提下，使得风能、太阳能等新能源得到充分利用，并且保证系统的供电可靠性，降低系统的成本，是衡量系统优越性的重要指标。

针对分布式发电系统的优化配置，国内外专家学者进行了大量研究，从不同角度提出了各种目标的数学模型。例如，在以停电损失最小为优化目标，以可靠性、安全性为约束条件下进行优化配置；在考虑损耗成本、网络升级成本、电能质量成本的条件下，求解最优系统配置。但是大体上，在系统费用分析角度上，只是研究了分布式发电系统在构建以及运行维护上的可见成本，而并没有对潜在的成本进行系统分析，造成对系统的配置精度要求不高。对于类似于分布式电网优化配置的多变量、多约束非线性组合优化问题，国内外也有许多算法：经典数学优化方法、启发式优化算法、智能优化算法及复合优化算法。

发明内容

本发明所要解决的技术问题是提供一种基于新型优化模型的孤立分布式电网配置方法，采用一种基于排序的实数编码方式的蚁群算法进行该配置问题的优化求解。充分考虑了系统在运行维护期间的潜在成本和利润；优化配置算法求解精度高，且启发式编码方案通俗易懂，能够提高求解效率。

为了解决上述技术问题，一种基于新型优化模型的孤立分布式电网配置方法

步骤如下：

S1.搭建孤立的分布式发电系统，包括发电单元和储能单元，发电单元由太阳能板和风机组成，储能单元由蓄电池、电解池、燃料电池以及氢气罐组成，系统还包括逆变器；

S2.事先定义好供发电设备的工作优先级，确定好电力设备开始或者停止工作的条件，给定系统的运行策略；工作优先级是蓄电池先充放电，氢气单元处于下一个优先级；系统运行时，会检测发电单元的发电量P_gen(t)和负载的电量需求P_Load(t)，通过两者的关系判断，给出系统的工作状态；

S3.在满足供电可靠性的前提下，求解分布式电网系统的最优配置，使得系统总成本C_total达到最小；供电可靠性用缺电率LPSP(Loss>

S4.为该分布式发电系统进行目标函数的建模，构建优化模型，系统的总成本C_total由三种成本/收益模型组成，包括设备成本C_DEC，电能浪费成本C_EWC，氢气所获收益C_HPC；

S5.设备成本C_DEC由投资成本C_INV，系统维护成本C_O&M以及设备替换成本C_REP组成；

S6.系统的成本必须满足相关的约束条件，在优化模型中组成系统的各种设备数量必须为正整数；系统的供电可靠性LPSP缺电率需要满足预设定的要求；

S7.所构建的优化模型，运用基于排序的实数编码方式的蚁群算法进行求解。

本发明与现有技术相比具有以下有益效果：在分布式发电盛行的背景下，秉承供电可靠、经济、环保、节能的理念，将太阳能光伏、风机、蓄电池、电解池、燃料电池和氢气罐等结合在一起，构建孤立分布式发电系统。光伏太阳能和风机保证了发电单元的相对稳定性，蓄电池、燃料电池等储能设备在一定程度上解决了用电供需严重不一致时的弊端。运行该系统，需要考虑到三方面的成本(收益)：设备成本，包括系统的投资构建成本、维护成本以及后续更换元器件的成本；电能浪费成本，当发电富裕且储能单元不能完全吸纳多余电量时，电能只能浪费；氢气产生利润，在适合的条件下，将该系统产生的氢气另作他用，可以带来收益。在以上三方面成本的系统模型下，提出一种实数编码方式的基于排序方法的蚁群算法，进行系统配置问题的优化计算求解。最终为实际搭建类似发电系统提供经济可靠的理论指导。

附图说明

图1是本发明的配置过程中采集的光能和风能数据。

图2是本发明的分布式发电系统运行策略示意图。

图3是本发明的目标函数总体构成。

图4是本发明的蚁群算法实数编码方式。

图5是本发明的蚁群算法流程框图。

图6是本发明的优化配置中目标函数值和LPSP关系图。

具体实施方式

一种基于新型优化模型的孤立分布式电网配置方法，其特征包括如下步骤：

S1.搭建孤立的分布式发电系统，包括发电单元和储能单元，发电单元由太阳能板和风机组成，储能单元由蓄电池、电解池、燃料电池以及氢气罐组成，系统还包括逆变器；

S2.事先定义好供发电设备的工作优先级，确定好电力设备开始或者停止工作的条件，给定系统的运行策略；工作优先级是蓄电池先充放电，氢气单元处于下一个优先级；系统运行时，会检测发电单元的发电量P_gen(t)和负载的电量需求P_Load(t)，通过两者的关系判断，给出系统的工作状态；

S3.在满足供电可靠性的前提下，求解分布式电网系统的最优配置，使得系统总成本C_total达到最小；供电可靠性用缺电率LPSP(Loss>

S4.为该分布式发电系统进行目标函数的建模，构建优化模型，系统的总成本C_total由三种成本/收益模型组成，包括设备成本C_DEC，电能浪费成本C_EWC，氢气所获收益C_HPC；

S5.设备成本C_DEC由投资成本C_INV，系统维护成本C_O&M以及设备替换成本C_REP组成；

S6.系统的成本必须满足相关的约束条件，在优化模型中组成系统的各种设备数量必须为正整数；系统的供电可靠性LPSP缺电率需要满足预设定的要求；

S7.所构建的优化模型，运用基于排序的实数编码方式的蚁群算法进行求解。

步骤S1中的太阳能板、风机、蓄电池、电解池、氢气罐、燃料电池是本模型求解的关键设备，电解池、氢气罐、燃料电池组成氢气单元，太阳能板和风机互补发电、蓄电池以及氢气单元合理充放电保证了系统的高可靠性供电。

该系统需要配置的变量有：太阳能板的数量N_PV，风机的数量N_WG，蓄电池的数量N_Bat以及氢气罐的数量N_HY，且变量均为正整数，其中，N_PV∈(0,200]，N_WG∈(0,200]，N_bat∈(0,900]，N_HY∈(0,900]电解池、燃料电池、逆变器数量均为1。

分布式发电系统的运行遵循给定的策略，在运行过程中，以电量的供求关系为衡量，当供大于求的时候，优先启用蓄电池进行能量存储，当蓄电池充满后，再考虑电解池，将电能转换为氢能存储；当供不应求的时候，优先启动蓄电池进行能量释放，当蓄电池能量不足时，再考虑启动燃料电池，将氢气罐中的氢能转换为电能。

假设逆变器的效率为η_Inv＝90％，若P_gen(t)＝P_Load(t)/η_Inv，则储能单元不工作；若P_gen(t)>P_Load(t)/η_Inv，则先给蓄电池充电直至满额，接着启动电解池将电能转换为氢气，存储在氢气罐中；若P_gen(t)<P_Load(t)/η_Inv，则优先使用蓄电池为负载供电，如果供电依旧不足，那么接着启动燃料电池为负载供电。

步骤S3和S4中系统配置的目标函数为：

C_total＝C_DEC+C_EWC-C_HPC

其中氢气产生的利润C_HPC，可以减小系统总成本。

在系统运行时间T_sys＝20年内，步骤S5中每年的设备成本的具体组成表达式为：

C_DEC＝(C_INV+C_O&M+C_REP)/T_sys

其中，投资成本C_INV来源于搭建系统时电力设备的购置，系统后期的运行维护也会产生相应的成本C_O&M，当系统中的电力设备老坏时，需要重新更换，产生了设备替换成本C_REP。

当系统的发电单元产生的电量大于用电量，并且储能单元不能够完全吸纳多余电量，则会造成电能浪费，即产生步骤S4中的电能浪费成本C_EWC，具体表达为：

式中，E_{out_annual}是发电单元年平均发电量，P_gen(t)，P_Load(t)和P_stor(t)分别表达每小时产生的能量，消耗的能量以及需要存储的能量。

每个季度适时检查氢气罐中存储的状态，包括检查氢气罐中存储的氢能，使氢气罐恢复为初始状态，从而获取相应的利润，即步骤S4中的氢气所获收益C_HPC，表示如下：

E_HY(i)是每个季度末，氢气罐中存储的氢气所对应的能量，η_el＝95％是电解池的效率。

步骤S6中的供电可靠性用缺电率LPSP来表示，缺电率越低代表系统的供电可靠性越高，反之，缺电率LPSP越大代表系统的供电可靠性越低，缺电率LPSP用系统不足够供电的时间与总时间的比值来表示，其数学模型为：

T表示一年内总的小时数，T＝8760，P_avai(t)是每个小时可用的电量

P_avai(t)＝P_PV(t)+P_WG(t)+P_Bat(t)+P_HY(t)

P_PV(t)、P_WG(t)、P_Bat(t)和P_HY(t)分别是t时刻太阳能板、风机、蓄电池和氢气单元的输出电量。

步骤S7中的蚁群算法采用了实数编码方式，根据系统的规模，从变量N_PV，N_WG，N_Bat和N_HY中确定需要的最大位数n，确定总的编码长度4*n，该系统中取n＝3。

步骤S7中为了提高启发式算法的搜索效率，采用了一种基于排序的蚁群算法优化求解该配置问题，在算法的每次迭代过程中，计算每只蚂蚁选择的路径形成的候选解所对应的系统成本，并根据成本大小对候选解(蚂蚁)进行升序排列，然后选择排序靠前的m只蚂蚁进行路径上信息素的更新，更新的方式如下：

Q是一个常数，τ_ij(t)是t时刻路径i,j之间的信息素，m代表所选择的蚂蚁数量，L^r(t)表示第r只蚂蚁在本次迭代中的总成本，L^*(t)是本次迭代中最优成本，

当算法迭代结束后，根据迭代过程中产生的符合条件的解，选出所需要的配置。

下面结合附图和实施案例详细说明。

充分利用太阳能、风能的互补特性，选取合适的太阳能板、风机、蓄电池、电解池、氢气罐、燃料电池搭建孤立的分布式发电系统。

建立太阳能板的能量模型其中G(t)表示光照强度，p_PV,rated＝500kW是额定功率，η_PV,conv＝68％是太阳能板的效率。

建立风机发电能量和风速的模型

式中，v(t),v_in,v_out,v_rated分别表示实时风速、切入风速、切出风速和额定风速，p_WG,rated是在额定风速下风机的功率，在该方法的测试实验中，相关参数的取值为：v_in＝4m/s,v_out＝22m/s,v_rated＝15m/s,p_WG,rated＝1500kW。

定义蓄电池电量状态的描述SOC(State of Charge)，是当前存储的能量与蓄电池总容量的比值，在0和1之间。

规定SOC的上限为1，下限为0.3。

根据能量转换关系，给出蓄电池的能量表达式

式中，E_Bat(t)是t时刻蓄电池的电量，σ是蓄电池自身的放电率，E_gen(t),E_Load(t)表示发电量和负载的用电量，η_BC,η_BF分别是充电效率和放电效率，η_BC＝93％,η_BF＝100％。

根据能量转换关系，给出氢气罐中的能量表达式

E_tank(t+1)＝E_tank(t)+P_el-tank(t+1)-P_tank-FC(t+1)×η_storage

式中，E_tank(t)是氢气罐中的能量，P_el-tank(t),P_tank-FC(t)分别是电解池电解的能量和燃料电池消耗的能量，η_storage＝75％表示效率。

测量具有代表意义的若干光照和风速数据，用于作为优化配置问题中的输入，图1是夏季某天的太阳能光照强度和风速曲线。

规定该分布式发电系统运行的策略，如图2所示，在运行过程中，以电量的供求关系为衡量。

当供大于求的时候，优先启用蓄电池进行能量存储，当蓄电池充满后，再考虑电解池，将电能转换为氢能存储；

当供不应求的时候，优先启动蓄电池进行能量释放，当蓄电池能量不足时，再考虑启动燃料电池，将氢气罐中的氢能转换为电能。

为系统的优化配置从费用角度建立目标函数C_total，如图3所示。

总成本包括各种电器元件组成的设备成本C_DEC，电能浪费成本C_EWC，氢气所获收益C_HPC。

其中氢气所获收益是C_HPC负成本。

确定优化配置过程中所需求的优化变量，光伏太阳能板的数量N_PV，风机的数量N_WG，蓄电池的数量N_Bat以及氢气罐的数量N_HY。

给定该系统发电可靠性要求，LPSP≤0.1％。

对已经确定好的优化变量进行如图4所示的实数编码，前3位表示太阳能板的数量，4-6位表示风机的数量，7-9位表示蓄电池的数量，后三位表示氢气罐的数量。

采用启发式算法中的蚁群算法求解该非线性组合问题。

根据蚁群算法寻优的特点，采用实数编码方式对优化变量进行编码。

实数编码中，连续的几位分别作为某一个优化变量的个位、十位、百位等，然后将它们转换为一个正整数。

在蚁群每次的迭代中，引入排序的方法，择优保留，保证整个过程中的搜索效率。

在排序的过程中，不仅会根据单个解本身进行计算，而且会将当前迭代中的最优解引入。

根据事先采集的环境数据，按照系统运行策略，利用基于实数编码方式的排序蚁群算法对分布式发电系统在不同的LPSP下进行优化配置。

根据实际需要，在LPSP和C_total的若干组矛盾数据中，选择最合适的配置方式。

采用基于排序的蚁群算法进行优化求解，如图5所示。

初始化算法中的数据，如蚁群的规模k_max，信息素初始值，迭代的最大值N_c，所需要的一些常数等。

每次迭代过程中，根据如下公式进行路径的选择：

表示在i和j之间选择蚂蚁k的概率，τ是信息素，η是启发式因子，α＝0.8和β＝0.4是相应的权重。

每次迭代结束，由蚂蚁所选路径计算候选解大小，并计算对应的系统成本，再根据所对应的成本高低将种群里所有蚂蚁进行升序排列，然后从前往后选择若干只蚂蚁进行如下信息素的更新：

其中，是本次迭代过程中路径i,j上信息素的增量，式中Q是常数，m是排序后需要挑选的蚂蚁数目，如果蚂蚁经过i,j节点则L^r(t)表示系统的总成本，否则表示为0。

表示本次迭代过程中最优路径的额外信息素增量。

当迭代次数达到最大值时，则结束蚁群算法的搜索。

算法结束后，可以绘制出系统总成本与供电可靠性LPSP之间的关系曲线，如图6所示。

从图6可以看出，系统总成本与LPSP是一组矛盾的存在，即总成本越低则LPSP越大，可靠性越差。

根据分布式系统所处的地域民生环境，给出一个合适的LPSP，然后在图6的优化曲线中挑选一组合适的配置，比方图中标注的点(0.3，9.41)。

最后得到了各电器元件的数量，图6中标注点对应的具体配置是N_PV＝120，N_WT＝14，N_Bat＝272，N_HY＝315。