论文部分内容阅读
摘 要：本文基于典型风光储微网系统模型，以系统满足基本用电负荷为前提，进行微网系统容量优化配置的策略研究。本文提出以系统投资成本、运行成本和维持系统供电可靠性等综合成本最小为目标的优化配置策略；利用遗传算法来获得系统的全局最优解；最后，利用HOMER软件对所得结果进行测验分析。
关键词：微网；容量配置；遗传算法
0 引言
随着包括风电、光伏等可再生能源和高效清洁的化石燃料在内的新型发电技术的发展，由风电、光伏等DG单元组成的微网供电技术已经日渐成为满足负荷增长需求、减少环境污染、提高能源综合利用效率和供电可靠性的一种有效途径。
微网系统设计的基本要求是满足微网覆盖电力负荷以及发电系统經济可靠运行的需要。即确定系统各组成部分的容量及运行控制策略，使得风力发电量和光伏输出电量能满足大部分用电负荷的要求，同时降低系统发电成本，提高系统运行的可靠性。为满足上述要求，需要对系统进行最优容量配置，计算出微网系统在全年能够可靠工作所需光伏总容量、风力发电机组功率和蓄电池容量，使其在满足最大可靠性的同时，尽可能的减少系统的成本。因此，微网的最优容量配置可以看作一个非线性目标优化问题。
为保证微网系统获得最优容量配置策略，本文采用遗传优化算法对其进行优化设计，优化指标为风机、光伏电池串和并联蓄电池组的最优数目，约束条件为功率平衡、蓄电池充电状态及其他条件。
1 风光储微网系统模型简介
风光储微网系统由风电机组、并列光伏电池组、蓄电池组、逆变器及负载构成。典型系统结构如图所示。
2 风光储微网容量优化模型建立
目标函数的确立
微网容量优化配置的最终目标是使系统成本降最低，同时满足用户要求的供电可靠性。
3 遗传算法简介
遗传算法属于智能优化算法中的一种，是一种具有全局优化性能、通用性强且适合于并行处理的算法。
3.1 遗传算法的基本原理
遗传算法是从试图解释自然过程生物的复杂适应过程入手，模拟生物进化的机制来构造人工系统的模型。它是从代表问题可能潜在解集一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。因此在一开始需要实现从表现型到基因型的映射，即编码工作。初始种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化出越来越好的近似解。在每一代，根据问题域中个体适应度大小，挑选个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新解集的种群。这个过程将导致种群像自然进化一样，后生代种群比前代更加适应环境。末代种群的最优个体经过解码，可以作为问题近似最优解。
3.2 模型求解过程
系统的优化变量集合为X=[]，以4个变量作为遗传算法的基因，将目标函数作为适应度函数，最终寻找到一组最优的[]，使得目标函数的值最小，整个算法流程图如下图所示。
4 实例分析
4.1 基础数据
根据本文中所提出的优化方法对微网电源容量进行优化配置，所应用的分布式电源类型有：风力发电机、光伏模块、蓄电池及相关组件。
微网容量优化配置还需要系统所在地的年气象数据和符合数据，其中气象数据包括平均风速、平均光强度、小时最大光强以及小时平均环境温度，负荷数据包括小时平均交流负荷和小时平均直流负荷。本文中负荷全部选用交流负荷。
针对微网运行仿真总时间为1年，最小时间间隔为1h，由气象数据计算各电源的出力，同时计算微网的可靠性指标LPSP及能量过剩倍率EXC，并将其作为约束条件之一。利用表中各组件成本数据计算等年值投资费用，并将其作为目标函数，最后基于GA的微网容量优化配置酸法求解最优变量。
5 结论
在使用单一蓄电池储能时，因蓄电池功率密度相对较低，为满足出现冲击负荷时的供电需求，必须配较大容量蓄电池，因此成本很高。混合储能系统由超级电容来负担功率波动，减少不必要的蓄电池配置的同时，减少蓄电池充放电次数延长蓄电池寿命，有效缩减的成本。
基于遗传算法的混合储能系统容量优化配置研究充分考虑了蓄电池和超级电容各自的运行特性，通过协调互助的运行策略，优化了储能系统的工作状态，提高了储能系统经济型的同时，保证了微电网的稳定性和可靠性。但是研究中未考虑实际应用中温度，变流器效率等影响因素的影响，且对储能设备寿命确定也较为简单。实现对混合储能系统精确的配置优化，还需研究实际影响中的印象因素，有待进一步研究。
参考文献
[1]牛涛，钱康，孙纯军，等.基于遗传算法的微电网容量配置方法及软件开发[J].中国电力，2016，49（9）：160-164.
（作者单位：甘肃省引大入秦工程管理局）
关键词：微网；容量配置；遗传算法
0 引言
随着包括风电、光伏等可再生能源和高效清洁的化石燃料在内的新型发电技术的发展，由风电、光伏等DG单元组成的微网供电技术已经日渐成为满足负荷增长需求、减少环境污染、提高能源综合利用效率和供电可靠性的一种有效途径。
微网系统设计的基本要求是满足微网覆盖电力负荷以及发电系统經济可靠运行的需要。即确定系统各组成部分的容量及运行控制策略，使得风力发电量和光伏输出电量能满足大部分用电负荷的要求，同时降低系统发电成本，提高系统运行的可靠性。为满足上述要求，需要对系统进行最优容量配置，计算出微网系统在全年能够可靠工作所需光伏总容量、风力发电机组功率和蓄电池容量，使其在满足最大可靠性的同时，尽可能的减少系统的成本。因此，微网的最优容量配置可以看作一个非线性目标优化问题。
为保证微网系统获得最优容量配置策略，本文采用遗传优化算法对其进行优化设计，优化指标为风机、光伏电池串和并联蓄电池组的最优数目，约束条件为功率平衡、蓄电池充电状态及其他条件。
1 风光储微网系统模型简介
风光储微网系统由风电机组、并列光伏电池组、蓄电池组、逆变器及负载构成。典型系统结构如图所示。
2 风光储微网容量优化模型建立
目标函数的确立
微网容量优化配置的最终目标是使系统成本降最低，同时满足用户要求的供电可靠性。
3 遗传算法简介
遗传算法属于智能优化算法中的一种，是一种具有全局优化性能、通用性强且适合于并行处理的算法。
3.1 遗传算法的基本原理
遗传算法是从试图解释自然过程生物的复杂适应过程入手，模拟生物进化的机制来构造人工系统的模型。它是从代表问题可能潜在解集一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。因此在一开始需要实现从表现型到基因型的映射，即编码工作。初始种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化出越来越好的近似解。在每一代，根据问题域中个体适应度大小，挑选个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新解集的种群。这个过程将导致种群像自然进化一样，后生代种群比前代更加适应环境。末代种群的最优个体经过解码，可以作为问题近似最优解。
3.2 模型求解过程
系统的优化变量集合为X=[]，以4个变量作为遗传算法的基因，将目标函数作为适应度函数，最终寻找到一组最优的[]，使得目标函数的值最小，整个算法流程图如下图所示。
4 实例分析
4.1 基础数据
根据本文中所提出的优化方法对微网电源容量进行优化配置，所应用的分布式电源类型有：风力发电机、光伏模块、蓄电池及相关组件。
微网容量优化配置还需要系统所在地的年气象数据和符合数据，其中气象数据包括平均风速、平均光强度、小时最大光强以及小时平均环境温度，负荷数据包括小时平均交流负荷和小时平均直流负荷。本文中负荷全部选用交流负荷。
针对微网运行仿真总时间为1年，最小时间间隔为1h，由气象数据计算各电源的出力，同时计算微网的可靠性指标LPSP及能量过剩倍率EXC，并将其作为约束条件之一。利用表中各组件成本数据计算等年值投资费用，并将其作为目标函数，最后基于GA的微网容量优化配置酸法求解最优变量。
5 结论
在使用单一蓄电池储能时，因蓄电池功率密度相对较低，为满足出现冲击负荷时的供电需求，必须配较大容量蓄电池，因此成本很高。混合储能系统由超级电容来负担功率波动，减少不必要的蓄电池配置的同时，减少蓄电池充放电次数延长蓄电池寿命，有效缩减的成本。
基于遗传算法的混合储能系统容量优化配置研究充分考虑了蓄电池和超级电容各自的运行特性，通过协调互助的运行策略，优化了储能系统的工作状态，提高了储能系统经济型的同时，保证了微电网的稳定性和可靠性。但是研究中未考虑实际应用中温度，变流器效率等影响因素的影响，且对储能设备寿命确定也较为简单。实现对混合储能系统精确的配置优化，还需研究实际影响中的印象因素，有待进一步研究。
参考文献
[1]牛涛，钱康，孙纯军，等.基于遗传算法的微电网容量配置方法及软件开发[J].中国电力，2016，49（9）：160-164.
（作者单位：甘肃省引大入秦工程管理局）