光储充一体化系统的多目标优化配置及经济环境分析方法与流程

本发明属于光储充，具体涉及一种光储充一体化系统的多目标优化配置及经济环境分析方法。

背景技术：

1、目前，新型电力系统建设加速推进，光伏发电与电动汽车产业规模化发展，光储充一体化系统作为新能源综合利用的主要场景，通过光伏发电、储能调节、电动汽车充放电与电网的协同运行，成为解决光伏消纳难题、平抑电网负荷波动、提升新能源利用效率的重要途径。现有光储充一体化系统的配置方法仍存在诸多关键局限性，难以满足工程实际的精细化规划与运行需求：

2、其一，优化目标设计缺乏耦合性，多数研究仅单一聚焦经济收益最大化或弃光率、负荷峰谷差等技术目标优化，未实现经济目标与技术目标的深度融合，导致系统要么投资回报不足，要么技术性能难以适配电网与新能源消纳要求，无法兼顾工程投资决策与行业发展的双重需求。

3、其二，能量交互环节考虑不全面，部分研究未整合电动汽车v2g反向放电的能量价值，系统能量利用率低，且对光、储、充、v2g与电网的全环节耦合约束构建不完善，易出现功率失衡、设备过载等问题，影响系统全工况下的安全稳定运行。

4、其三，配置方案的动态适应性差，现有研究多仅给出固定的最优配置结果，未对影响系统运行的关键变量进行量化敏感性分析，无法明确各变量对配置方案与运行策略的影响程度，导致方案在工程应用中难以根据市场参数、设备性能、政策要求的变化进行动态调整，抗风险能力弱。

5、针对上述问题，亟需提出一种覆盖全能量交互环节、耦合经济与多技术目标、适配改进优化算法、兼具量化敏感性分析的光储充一体化系统多目标优化配置及全场景经济环境稳定分析方法，构建“边界约束-多目标建模-算法求解-敏感性分析”的完整配置体系，为光储充一体化项目的工程落地提供科学、精准的理论支撑与实践指导。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种光储充一体化系统的多目标优化配置及经济环境分析方法，通过构建全维度约束条件体系、经济-技术耦合的多目标优化模型，采用nsga-ⅱ算法求解最优容量配置与运行策略，并开展量化敏感性分析，解决现有方法优化目标单一、能量环节考虑不全、算法适配性差、方案动态性不足的问题。

2、本发明的解决方案为：光储充一体化系统的多目标优化配置及经济环境分析方法，其特征在于：包括以下步骤：

3、s1：界定光储充一体化系统的全维度边界条件，构建覆盖系统全能量交互环节的约束条件体系，所述约束条件包括系统逐时能量平衡约束、光伏出力特性约束、储能系统运行约束、充电桩及v2g耦合运行约束、电网交互安全约束；

4、s2：构建多目标优化配置模型，以项目全生命周期收益率最大化为核心经济目标，同时耦合弃光率最低、负荷峰谷差最小、全生命周期碳排放量最小三大技术目标；

5、s3：采用nsga-ⅱ算法对多目标优化配置模型进行求解，得到系统最优容量配置方案与全工况运行策略；

6、s4：开展系统多维度敏感性分析，量化各影响变量对系统最优容量配置方案、全工况运行策略及多目标函数值的影响程度，划分变量敏感等级并明确影响规律，为系统动态调整与风险管控提供依据。

7、本发明步骤s1中，所述的系统逐时能量平衡约束的公式为：ppv,t+pgrid,in,t+pes,out,t+pv2g,t=pcdz,t+pgrid,out,t+pes,in,t+pbasic,t+ploss,t，其中，ppv,t为t时刻光伏发电功率，pgrid,in,t为t时刻电网下网功率，pes,out,t为t时刻储能放电功率，pv2g,t为t时刻充电桩v2g放电功率；pcdz,t为t时刻充电桩充电功率，pgrid,out,t为t时刻电网上网功率，pes,in,t为t时刻储能充电功率，pbasic,t为t时刻边界内基础有功负荷，ploss,t为t时刻系统线路及设备功率损耗。

8、本发明步骤s1中，所述的光伏出力特性约束包括光伏功率出力约束、光伏出力波动速率约束及光伏并网安全约束；

9、（1）光伏功率出力约束的公式为：

10、，其中，ppv,stc为标准测试条件下光伏额定功率，gt为t时刻实际太阳辐照度，gstc为标准测试条件下辐照度，kt为光伏组件功率温度系数，tt为t时刻光伏电池温度，tstc为标准测试条件下光伏电池温度，ppv,inst为光伏装机容量；

11、（2）光伏出力波动速率约束公式为：｜ppv,t-ppv,t-1｜≤δppv,max×δt，其中，δppv,max为光伏功率最大允许波动速率；

12、（3）光伏并网安全约束公式为：umin≤upv,t≤umax,fmin≤fpv,t≤fmax，其中，upv,t为t时刻光伏并网点电压，umin为电网允许电压下限，umax为电网允许电压上限；fpv,t为t时刻光伏并网点频率，fmin为电网允许频率下限，fmax为电网允许频率上限。

13、本发明步骤s1中，所述的储能系统运行约束包括储能充放电功率约束、储能荷电状态约束及储能循环寿命约束；

14、（1）储能充放电功率约束的公式为：0≤pes,in,t≤pes,in,max,0≤pes,out,t≤pes,out,max,τin,t+τout,t≤1，其中，pes,in,max为储能最大充电功率，pes,out,max为储能最大放电功率，τin,t和τout,t为0-1变量，τin,t表征t时刻储能是否允许充电，τout,t表征t时刻储能是否允许放电，允许为1，不允许为0；

15、（2）储能荷电状态约束的公式为：

16、，其中，soct为t时刻储能荷电状态，socmin为soc下限，socmax为soc上限，ηin为储能充电效率，ηout为储能放电效率，ees,rated为储能额定容量；

17、（3）储能循环寿命约束的公式为：ncycle≤ncycle,max，其中，ncycle为储能累计循环次数，ncycle,max为储能电芯额定循环寿命。

18、本发明所述的步骤s1中：

19、（一）所述的充电桩v2g耦合运行约束包括充电桩功率约束、电动汽车充电约束、电动汽车v2g放电约束；

20、（1）充电桩功率约束公式为：

21、，其中，pcdz,q,t为第q个充电桩t时刻功率，pcdz,q,rated为单桩额定功率，q为充电桩总数，pcdz,max为充电桩群总允许功率；

22、（2）电动汽车充电约束公式为：

23、，其中，pcar,n,max为第n辆电动汽车最大充电功率，n为接入电动汽车数量，ecar,n,t为第n辆电动汽车t时刻电量，ecar,n,rated为电动汽车电池额定容量；

24、（3）电动汽车v2g放电约束公式为：

25、，其中，pcar,n,v2g,max为第n辆电动汽车v2g最大放电功率，ecar,n,min为电动汽车v2g放电最低剩余电量。

26、本发明所述的步骤s1中：电网交互安全约束公式为：0≤pgrid,in,t≤pgrid,in,max,0≤pgrid,out,t≤pgrid,out,max，其中，pgrid,in,max为电网最大下网功率，pgrid,out,max为电网最大上网功率。

27、本发明所述的步骤s2中，项目全生命周期收益率最大化目标以税后内部收益率作为量化评价标准，税后内部收益率计算公式如下：npv=0，i=irr；其中，npv表示税后净现值，irr为税后内部收益率，即是税后净现值为0时的基准折现率i。

28、本发明所述的步骤s2中：

29、（1）弃光率最低目标计算公式为：

30、，其中，μ为弃光率，epv,cdz,x为第x年光伏供给充电桩电量，epv,es,x为第x年光伏供给储能充电电量，epv,grid,x为第x年光伏上网电量，h为光伏首年发电小时数，ωx为第x年光伏组件衰减率；

31、（2）负荷峰谷差最小目标计算公式为：min(δpload)=max(pload,t)-min(pload,t),t∈[1,t]，其中，δpload为调度周期内负荷峰谷差，pload,t为t时刻系统综合负荷，t为调度周期总时段数；

32、系统综合负荷计算公式为：pload,t=pbasic,t+pcdz,t+pes,in,t-pes,out,t-ppv,t；

33、（3）全生命周期碳排放量最小目标计算公式为：

34、，其中，cf为全生命周期碳排放量，in为第n类设备建设安装数量，cecon-n为第n类设备建设安装碳排放系数，im,x为第x年第m类维修设备数量，cema-m为第m类维修设备碳排放系数，efom,x为第x年电网电量边际排放因子，efbm,x为第x年电网容量边际排放因子，φom为电量边际排放因子权重，φbm为容量边际排放因子权重，cesc-n为第n类设备报废回收碳排放系数。

35、本发明所述的步骤s3具体包括以下步骤：

36、（一）算法参数初始化；

37、设定种群规模n、最大迭代次数k、交叉概率pc、变异概率pm；初始化决策变量取值范围，决策变量包括光伏功率分配系数、储能充放电功率系数、充电桩及v2g功率调度系数、电网购售电功率系数；初始化多目标初始权重并满足归一化约束；

38、（二）初始种群生成与可行性校验；

39、随机生成初始种popk，基于s1的约束条件对种群中每个个体进行可行性校验，剔除不可行解，得到可行解种群pop’k；

40、（三）快速非支配排序与自适应权重计算；

41、dk,i为第i个目标在第k代种群的离散度，ck,i为其收敛率，λ为平衡因子；

42、（1）对可行解种群进行快速非支配排序，划分非支配层级f1,f2,...,fn；

43、（2）计算第i个目标在第k代种群的离散度dk,i与收敛率ck,i；

44、（3）计算各目标的权重调节因子与更新后自适应权重αk,i；

45、（四）基于自适应权重计算个体加权拥挤度；

46、（五）子代种群生成与种群合并；

47、采用模拟二进制交叉和多项式变异操作对父代种群pop'k进行遗传操作，生成子代种群offk；将父代与子代种群合并，得到合并种群combk=pop'k∪offk；

48、（六）精英个体保留与迭代；

49、对合并种群combk重新执行快速非支配排序与加权拥挤度计算，选取非支配层级靠前、加权拥挤度较大的n个个体，组成新一代可行解种群pop'k+1；判断k是否达到最大迭代次数k，若未达到则返回步骤（三）继续迭代，若达到则终止迭代；

50、（七）最优解输出；

51、迭代终止后，输出种群中的最优解，得到系统最优容量配置方案与全工况运行策略。

52、本发明所述的步骤s4具体包括以下步骤：

53、（一）确定关键影响变量集；

54、选取关键影响变量，涵盖五大类：设备成本类、电价及服务费类、设备性能类、负荷规模类、碳交易政策类；

55、（二）设定变量波动幅度；

56、对每个变量设定梯度波动幅度，每次仅改变一个变量取值，其余变量保持基准值不变；

57、（三）次优解求解；

58、将各变量不同波动幅度的取值代入多目标优化配置模型，采用nsga-ⅱ算法重新求解，得到各波动场景下的次优容量配置方案、次优运行策略及对应的多目标函数值；

59、（四）计算绝对影响值和相对影响值；

60、（五）敏感等级划分与影响规律总结。

61、本发明的有益效果在于：

62、1.构建了覆盖光、储、充、v2g与电网全能量交互环节的约束条件体系，整合了电动汽车v2g反向放电的能量价值，完善了各环节的耦合约束，确保系统全工况下的安全稳定运行，大幅提升了系统的能量利用率；

63、2.设计了经济-技术耦合的四目标优化配置模型，突破了单一优化目标的局限性，实现了项目全生命周期收益率、光伏弃光率、系统负荷峰谷差、全生命周期碳排放量的协同优化；

64、3.改进了nsga-ⅱ算法的多目标求解性能，通过自适应权重调节、精英个体保留及加权拥挤度优化，解决了传统算法权重固化、收敛慢、易陷入局部最优的问题，提升了算法的收敛性与多样性，能够得到全局最优的容量配置方案与全工况运行策略；

65、4.开展了多维度量化敏感性分析，明确了各关键变量对最优方案的影响程度、敏感等级及影响规律，为系统的动态调整、风险管控与工程落地提供了精准的量化依据，提升了配置方案的动态适应性与工程实用性。