风光互补发电系统容量配置方法及装置与流程

1.本发明涉及风光互补发电技术领域，特别是涉及一种风光互补发电系统容量配置方法及装置。


背景技术：

2.风光互补发电系统是一种将风力发电与光伏发电相结合，配合储能装置来调节系统的输出功率的发电系统。风光互补发电系统充分发挥风能和太阳能两种资源的自然互补优势，有效解决了风能和太阳能资源受季节和天气制约的难题。
3.独立型风光互补发电系统仅依靠系统内部的电源对负载进行供电，为了保持功率平衡，需要根据风光资源的分布情况和负荷需求对系统容量进行合理配置。如果系统容量过大，虽然能够满足负载的功率需求，但是易造成能量浪费和系统运行成本的增加；如果系统容量太小，难以满足负荷需求甚至出现停电现象，很大程度上影响了系统的供电可靠性。因此，根据安装地点的风光资源条件和负荷需求合理配置风力机、光伏电池、蓄电池的最佳组合，不仅关系到整个系统的供电可靠性，也是提高系统经济性和合理性的关键。
4.目前对风光互补发电系统的配置优化主要有单目标优化和多目标优化两种类型。最常见的是单目标优化，一般将系统成本最小化作为优化目标，进而配置各组件的装机容量。然而，对于风光互补发电系统来说，系统总成本、供电可靠性，在给定的负荷和天气条件下，都是越小越好，它们都是需要考虑的重要因素。
5.传统智能优化算法如(粒子群算法、遗传算法)以及标准的灰狼算法在求解风光互补发电系统最优配置时大多存在收敛速度慢，陷入局部最优等问题。


技术实现要素：

6.基于此，有必要针对传统智能优化算法在处理多目标优化时收敛速度慢、陷入局部最优解的问题，提供一种风光互补发电系统容量配置方法及装置。
7.一种风光互补发电系统容量配置方法，所述方法包括：
8.建立风光互补发电系统关于容量配置的成本函数；
9.建立风电互补发电系统关于容量配置的负荷缺电率函数；
10.建立关于所述成本函数和负荷缺电率函数最小化的多目标优化模型；
11.在设定的约束条件下，执行改进的灰狼算法，并获得所述多目标优化模型的帕累托最优解；
12.从所述帕累托最优解中获得系统容量配置。
13.在其中一个实施例中，所述风光互补发电系统关于容量配置的成本函数为：
14.tcs＝c
o
c
m
c
r
15.其中，tcs表示风光互补系统全生命周期内的运行总成本；c
o
表示初始投资成本；c
m
表示系统维护费用；c
r
表示各组件的年度置换成本。
16.在其中一个实施例中，所述风电互补发电系统关于容量配置的负荷缺电率函数
为：
[0017][0018]
其中，t
f
表示选取的采样区间内无法满足负荷需求的小时数；分子部分表示系统所缺少的电能，其中p
i
(t)表示各发电单元t时刻发出的功率，分母的p
load
(t)表示给定时间内负载总需求的电能。
[0019]
在其中一个实施例中，所述设定的约束条件包括：功率平衡约束、蓄电池剩余容量约束、蓄电池充放电功率约束以及发电单元数量约束。
[0020]
在其中一个实施例中，所述约束条件满足以下至少之一：
[0021]
使所述功率平衡约束满足：
[0022]
∑p
wt
∑p
pv
∑p
bat
≥p
load
[0023]
其中，∑p
wt
为风力发电总功率；∑p
pv
为光伏发电总功率；∑p
bat
为蓄电池组的剩余容量；p
load
为可估计的最大负荷功率值；
[0024]
使所述蓄电池剩余容量soc约束满足：
[0025]
soc
min
≤soc≤soc
max
[0026]
其中，soc
min
表示蓄电池的最小荷电量、soc
max
表示蓄电池的最大荷电量；
[0027]
使所述蓄电池充放电功率约束满足：
[0028][0029]
其中，p
ch
(t)、p
dis
(t)分别表示t时刻蓄电池充、放电功率；soc(t)、soc(t
‑
1)分别表示t与t
‑
1时刻蓄电池的剩余容量；γ
c
、γ
d
分别表示蓄电池充、放电效率；e
r
表示蓄电池额定容量；p
ec_max
、p
ed_max
分别表示蓄电池额定最大持续可充、放电功率；
[0030]
使所述发电单元数量约束满足：
[0031][0032]
其中，n
wt_max
、n
pv_max
、n
bat_max
分别表示风力发电机、光伏发电机以及蓄电池的最大装机数量。
[0033]
在其中一个实施例中，所述改进的灰狼算法包括：
[0034]
随机初始化灰狼种群，设置收敛因子引导系数和所述灰狼种群的每个个体狼的位置为所述风光互补发电系统容量配置的一个随机向量；
[0035]
根据多目标优化模型和约束条件，狼群寻找、包围和追捕猎物；所述猎物为所述风光互补发电系统的最佳容量配置；
[0036]
对狼群进行适应度评估；
[0037]
以步长逐步增加的方式调整收敛因子重复进行狼群寻找、包围和追捕猎物，直至满足终止条件，获得最优解。
[0038]
在其中一个实施例中，所述以步长逐步增加的方式调整收敛因子为：
[0039][0040]
其中，e表示自然对数函数的底数；k表示当前迭代次数；max_it表示最大迭代次数。
[0041]
在其中一个实施例中，所述改进的灰狼算法包括：
[0042]
当陷入局部最优解时，采用tent混沌映射，改变个体狼的位置更新策略。
[0043]
在其中一个实施例中，所述对狼群进行适应度评估，包括：采用成本函数和负荷缺电率函数对狼群进行适应度评估。
[0044]
一种风光互补发电系统容量配置装置，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
[0045]
上述风光互补发电系统容量配置方法及装置，以成本函数和负荷缺电率函数进行多目标优化，能够在保证供电稳定性目标的前提下，成本降低。采用改进的灰狼算法进行优化，达到提高收敛速度和解决陷入局部最优解的问题。
附图说明
[0046]
图1为本技术涉及的独立型风光互补发电系统结构框图；
[0047]
图2a为解a强帕累托支配解b的情况；
[0048]
图2b为解a无差别于解b的情况；
[0049]
图3为本技术一实施例的风光互补发电系统容量配置方法流程图；
[0050]
图4a为采用标准的灰狼算法进行多目标优化，得到的帕累托的前沿面；
[0051]
图4b为采用本技术改进的灰狼算法进行多目标优化，得到帕累托的前沿面。
具体实施方式
[0052]
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
[0053]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0054]
在本发明的描述中，需要理解的是，术语“上”、“下”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方法或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0055]
如图1所示，为本技术涉及的独立型风光互补发电系统结构框图。该独立型风光互
补发电系统100包括：光伏发电装置101(例如弧形太阳能电池板)、风力发电装置102(例如darrieus垂直轴风力机)、风光互补控制器103、逆变器104、蓄电池105等部件。所述独立型风光互补发电系统100运行机理如下：风力发电装置102的风轮将风能转换为机械能，驱动永磁同步电机将机械能转换成交流电，经整流变成直流电；光伏发电装置101基于光生伏打效应原理将太阳能转换为直流电，二者产生的电能经风光互补控制器103调节后储存在蓄电池105中。蓄电池105一般作为备用电源存在，当光伏发电装置101和风力发电装置102产生的电能不足以满足负载需求时，由蓄电池105向负载供电，以保证稳定的电能供应；如果光伏发电装置101和风力发电装置102产生的电能还有剩余，则将富余的电能储存于蓄电池105中。风光互补控制器103还实现最大功率跟踪、蓄电池105的充放电控制及超速保护等功能。
[0056]
多个光伏发电装置101、多个风力发电装置102可以分别连接至相同或不同的蓄电池105，因此能够形成不同数量的光伏发电装置101、风力发电装置102、蓄电池105的组合。假设光伏发电装置101的数量为x1，风力发电装置102的数量为x2，蓄电池105的数量为x3。则本技术的目标则是找到一个使用成本和供电稳定性都较好的数量组合(x1，x2，x3)。
[0057]
本技术采用多目标优化模型的改进型灰狼算法来获得最优解，从而得到较佳的数量组合(x1，x2，x3)。下面分别首先介绍标准灰狼算法和多目标优化模型。
[0058]
灰狼种群中根据社会阶层从上到下依次分为α狼、β狼、δ狼以及ω狼，α狼负责捕猎决策，β狼、δ狼辅助α狼作出决策，ω狼听指挥围捕猎物。灰狼种群的捕猎大致包括以下阶段：追踪、跟随和靠近猎物；追捕、围堵和骚扰猎物，直到猎物停下来；攻击猎物。
[0059]
在数学模型中，最接近目标的3个向量分别为α、β、δ，其他的向量则为ω。例如，若要求某个函数f(x)的最小值，则当前使函数值最小前三的向量分别为α、β、δ，即f(α)、f(β)、f(δ)是最小的3个值，剩余的向量则为ω。
[0060]
在围捕猎物的过程中，由α狼、β狼、δ狼指挥ω狼向猎物靠近，即ω狼根据α狼、β狼、δ狼的位置更新自己的位置。经过多次迭代后，逐步靠近猎物。
[0061]
在第k次迭代时，若ω狼的当前位置为猎物的位置为则表示灰狼与猎物之间的距离：
[0062][0063]
ω狼继而根据其与猎物之间的距离以及猎物的位置，更新自己的位置：
[0064][0065]
其中，其中，为引导系数，用以下公式计算：
[0066][0067]
为收敛因子，并在迭代过程中线性地从2减至0，和和是[0，1]区间内的随机数。
[0068]
由于并不清楚猎物的实际位置，因此将适应度最好的3个灰狼的位置作为猎物位置，获得ω狼与α狼、β狼、δ狼的3个距离信息：
[0069][0070]
以此为基础，得到3个更新位置：
[0071][0072]
以得到的3个更新位置取平均得到ω狼的更新位置：
[0073][0074]
在所有的灰狼位置都更新完成后，可以重新评估灰狼的适应度，得到新的α狼、β狼、δ狼以及ω狼，并重复上述过程,直到符合终止迭代的条件。
[0075]
多目标优化模型中，目标是获得使多个函数都较小的解。
[0076]
min f(x)＝[f1(x),f2(x),
……
，f
n
(x),]
t
[0077]
假设有两个目标函数f1(x),f2(x)：
[0078]
如果解a对应的目标函数值都比解b对应的目标函数值好，则称解a比解b优越，也可以叫做解a强帕累托支配解b。如图2a所示，在解a处，两个目标函数的值均比在解b处的值小。
[0079]
如果解a对应的一个目标函数值优于解b对应的一个目标函数值，但是解a对应的另一个目标函数值要差于解b对应的一个目标函数值，则称解a无差别于解b，也叫作解a能帕累托支配解b。如图2b所示，解a在f1(x)的值比解b小，但在f2(x)的值比解b大。
[0080]
如果对于解a而言，在变量空间中找不到其他的解能够优于解a(注意这里的优于一定要两个目标函数值都优于a对应的函数值)，那么解a就是帕累托最优解。帕累托最优解都位于帕累托前沿面上。
[0081]
本技术中，基于两个目标函数，获得多目标优化的帕累托最优解，然后从中选择得到较佳的光伏发电装置101、风力发电装置102、蓄电池105的数量组合(x1，x2，x3)。
[0082]
如图3所示，本技术一实施例的风光互补发电系统容量配置方法，包括如下步骤：
[0083]
s301：建立风光互补发电系统关于容量配置的成本函数。独立型风光互补发电系统仅依靠系统内部的电源对负载进行供电，为了保持功率平衡，需要根据风光资源的分布情况和负荷需求对系统容量进行合理配置。如果系统容量过大，虽然能够满足负载的功率需求，但是易造成能量浪费和系统运行成本的增加；因此容量配置的成本尽量低是本技术方法的目标之一，需要建立风光互补发电系统关于容量配置的成本函数。
[0084]
在一个实施例中，所述风光互补发电系统关于容量配置的成本函数为：
[0085]
tcs＝c
o
c
m
c
r
[0086]
其中，tcs表示风光互补系统全生命周期内的运行总成本；c
o
表示初始投资成本；c
m
表示系统维护费用；c
r
表示各组件的年度置换成本。该成本函数是本技术实施例的一种选择，还可以有更粗略或更精确的表达。
[0087]
若c
r1
表示每个光伏发电装置101的年度置换成本、c
r2
表示每个风力发电装置102
的年度置换成本、c
r3
表示每个蓄电池105的年度置换成本。则总成本的计算可以是：
[0088]
tsc＝c
o
c
m
x1c
r1
x2c
r2
x3c
r3
[0089]
也即，上述成本函数可以表示成为数量组合(x1，x2，x3)的函数。
[0090]
s302：建立风电互补发电系统关于容量配置的负荷缺电率函数。如果系统容量太小，难以满足负荷需求甚至出现停电现象，很大程度上影响了系统的供电可靠性。因此容量配置需要看考虑尽量减少负荷无法满足的情况，这也是本技术方法的目标之一。本技术中采用负荷缺电率函数评估负荷的满足情况。
[0091]
在一个实施例中，所述风电互补发电系统关于容量配置的负荷缺电率函数为：
[0092][0093]
其中，t
f
表示选取的采样区间内无法满足负荷需求的小时数；分子部分表示系统所缺少的电能，其中p
i
(t)表示各发电单元t时刻发出的功率，分母的p
load
(t)表示给定时间内负载总需求的电能。
[0094]
其中，表示光伏发电装置101、风力发电装置102、蓄电池105在t时段的功率之和。其中，光伏发电装置101、风力发电装置102、蓄电池105的功率分别由在该时段的光照条件、风力条件、充放电情况以及各自的数量来确定。光照条件、风力条件、充放电情况大体情况上可以认为是常量，故上述负荷缺电率函数也表示为数量组合(x1，x2，x3)的函数。
[0095]
在输入光照强度时，根据数学模型可以计算得到光伏发电装置101的出力(即输出功率)：
[0096][0097][0098]
其中，p
pv
为光伏电池的实际输出功率；p
stc
为标准测试条件下(g
stc
＝1000w/m2，t
ref
＝25℃)光伏电池的输出功率；τ为功率温度系数，其值为
‑
0.0043℃；g
c
为光照强度，单位kw/m2；t
c
为光伏电池工作时的表面温度；t
e
为环境温度。因此输入逐时光照强度数据即可得到光伏发电装置101的出力。
[0099]
在输入风速数据时，根据数学模型可以计算得到风力发电装置102的出力(即输出功率)：
[0100][0101]
其中，p
r
表示风机额定功率；v
i
、v
o
、v
r
分别表示风力机的切入风速、切出风速、额定
风速。因此输入逐时风速数据即可得到风力发电装置101的出力。
[0102]
此外，通过计算t时刻系统的输出功率和设定的条件，为蓄电池充电或对蓄电池放电，从而得到蓄电池的功率。
[0103]
计算t时刻系统的输出功率：p(t)＝p
load
(t)
‑
p
wt
(t)
‑
p
pv
(t)
‑
p
bat
(t)
[0104]
若p(t)＞0，判断soc(t)是否大于0.1。当soc(t)＞0.1，蓄电池按照约束放电；反之蓄电池停止放电。
[0105]
若p(t)＜0，判断soc(t)是否小于0.9.当soc(t)＜0.9，蓄电池按照约束放电；反之进行卸负荷操作。
[0106]
s303：建立关于所述成本函数和负荷缺电率函数最小化的多目标优化模型。该多目标优化模型的求解目标是成本和负荷缺电率都尽可能低。
[0107]
s304：在设定的约束条件下，执行改进的灰狼算法，并获得所述多目标优化模型的帕累托最优解。约束条件是指上述数量组合(x1，x2，x3)的选择应该满足一定的要求，例如功率平衡约束、蓄电池剩余容量约束、蓄电池充放电功率约束以及发电单元数量约束等。如果不满足这些约束，解就没有实际意义。例如，如果不满足发电单元数量约束，实际的场地条件不可能容纳超过一定数量的发电单元，则该容量配置就不可能实现。
[0108]
在一个实施例中，所述功率平衡约束可以是：
[0109]
∑p
wt
∑p
pv
∑p
bat
≥p
load
[0110]
其中，∑p
wt
为风力发电总功率；∑p
pv
为光伏发电总功率；∑p
bat
为蓄电池组的剩余容量；p
load
为可估计的最大负荷功率值。可以理解，上述功率平衡约束可以更严格或更宽松，例如发电总功率可以大于最大负荷功率值的95％或者110％。
[0111]
在一个实施例中，所述蓄电池剩余容量soc约束可以是：
[0112]
soc
min
≤soc≤soc
max
[0113]
其中，soc
min
表示蓄电池的最小荷电量、soc
max
表示蓄电池的最大荷电量。可以理解，上述蓄电池剩余容量约束可以更严格或更宽松，例如将上下边界都进行收缩。
[0114]
在一个实施例中，所述蓄电池充放电功率约束可以是：
[0115][0116]
其中，p
ch
(t)、p
dis
(t)分别表示t时刻蓄电池充、放电功率；soc(t)、soc(t
‑
1)分别表示t与t
‑
1时刻蓄电池的剩余容量；γ
c
、γ
d
分别表示蓄电池充、放电效率；e
r
表示蓄电池额定容量；p
ec_max
、p
ed_max
分别表示蓄电池额定最大持续可充、放电功率。可以理解，上述蓄电池充放电功率约束可以更严格或更宽松。
[0117]
在一个实施例中，所述发电单元数量约束可以是：
[0118][0119]
其中，n
wt_max
、n
pv_max
、n
bat_max
分别表示风力发电机、光伏发电机以及蓄电池的最大
装机数量。可以理解，上述发电单元数量约束可以更严格。
[0120]
改进的灰狼算法是在上述标准灰狼算法的基础上进行一定的优化，以解决其收敛速度慢、陷入局部解等问题。
[0121]
在一个实施例中，如图4所示，改进的灰狼算法包括以下步骤：
[0122]
s401：随机初始化灰狼种群，设置收敛因子引导系数和所述灰狼种群的每个个体狼的位置为所述风光互补发电系统容量配置的一个随机向量。在初始化阶段，每个个体狼的位置是三维整数向量空间中的随机向量。
[0123]
s402：根据多目标优化模型和约束条件，狼群寻找、包围和追捕猎物；所述猎物为所述风光互补发电系统的最佳容量配置。初始化完成后，将每个随机向量代入目标函数tcs，得到函数值之间的大小关系，初步获得α、β、δ向量，然后以α、β、δ向量为基础，更新其他的ω向量。
[0124]
s403：对狼群进行适应度评估。根据目标函数多目标优化模型中，解之间的支配关系，获得新的α、β、δ向量。
[0125]
s404：以步长逐步增加的方式调整收敛因子重复进行狼群寻找、包围和追捕猎物，直至满足终止条件，获得最优解。终止条件一般是达到设定的最大迭代次数或者得到了期望的求解精度。
[0126]
通过步长逐步增加的方式在搜索过程初始阶段首先减慢收敛因子的缩减，以尽快寻找到全局最优解；在搜索后期，迭代次数增加，值减小得更快，从而精确地定位到猎物(局部最优解)的位置。
[0127]
在其中一个实施例中，所述以步长逐步增加的方式调整收敛因子为：
[0128][0129]
其中，e表示自然对数函数的底数；k表示当前迭代次数；max_it表示最大迭代次数。上述收敛因子的确定方式可以保证全局搜索多样性和局部搜索精度之间的平衡，使得算法在迭代后期也具备较强的探索能力。
[0130]
在其中一个实施例中，所述改进的灰狼算法还可以包括：当陷入局部最优解时，采用tent混沌映射，改变个体狼的位置更新策略。
[0131]
tent混沌映射方程如下式所示：
[0132][0133]
其中，l表示映射次数，χ
l
、χ
l 1
分别表示第l次和l 1次映射的混沌变量的值。
[0134]
若改进的灰狼算法在迭代过程中陷入局部最优，引入tent混沌映射可以改变灰狼个体的位置更新策略，并引导种群完成一定次数的混沌更新，促使搜索过程跳出局部极值点，从而实现算法寻优能力的提升。
[0135]
s305：从所述帕累托最优解中获得系统容量配置。从图2可知，帕累托最优解是一系列解，相互之间不存在支配关系。因此，可以根据实际情况，选择其中的一个解作为系统容量配置。
[0136]
本技术实施例涉及的光伏发电装置、风力发电装置和蓄电池的参数如下表1：
[0137][0138]
表1
[0139]
采用标准的灰狼算法进行多目标优化，得到的帕累托的前沿面如图4a所示，采用本技术改进的灰狼算法进行多目标优化，得到帕累托的前沿面如图4b所示。
[0140]
分别采用标准的灰狼算法和本技术改进的灰狼算法得到容量配置如下表2：
[0141][0142]
表2
[0143]
可以看到，改进的灰狼算法在保证供电稳定性目标的前提下，成本得到了大幅度的降低。
[0144]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0145]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。