一种基于Benders分解的独立型微电网多目标设备优化配置方法

一种基于benders分解的独立型微电网多目标设备优化配置方法
技术领域
1.本发明涉及一种独立型微电网优化配置方法。特别是涉及一种基于benders分解的独立型微电网多目标设备优化配置方法。


背景技术：

2.对于极区、海岛和部分偏远地区，由于受地理环境的限制无法与电网互联，独立型微电网成为解决这类地区供电问题的有效手段。与并网型微电网不同，独立型微电网内部发电和储能设备故障可能导致用户电力供应中断，在一些特殊场景给用户造成无法承担的损失。因此，在追求经济性和环保性的同时，进一步考虑供电可靠性对独立型微电网配置方案的影响，这对于进一步推动其工程应用具有重要意义。
3.微电网的优化配置涉及设备容量配置和运行优化的耦合，是一个典型的多目标组合优化问题，常用的求解方法有人工智能算法以及解耦算法。其中，粒子群算法和遗传算法等人工智能算法不受限于具体的数学模型，适用范围极其广泛。但由于可靠性评估本身就是包含抽样和状态模拟的复杂问题，计及供电可靠性的独立型微电网的优化配置问题，若采用需要大量初始种群的人工智能算法会带来庞大的计算量。对于大规模混合变量的优化问题，一些研究学者提出了解耦算法，根据模型的某些特征，包括变量类型、目标函数、约束条件等，对大规模复杂的问题进行划分归类，变换成若干个较为简单的优化问题，从而通过迭代进行求解。benders分解法是一种典型的解耦算法，目前已有若干研究将其应用于求解电力系统中的复杂问题，包括考虑负荷需求以及风电出力的不确定性的配电网运行优化问题、具有复杂多场景的电力系统风-水-热优化调度问题以及考虑发电机组禁止运行区间的安全约束最优潮流等问题，有效地降低了大规模问题求解的复杂度。因此，benders分解在大规模规划场景下能够表现出显著的计算优势。
4.现有文献在独立型微电网的优化配置方面进行了较为全面的研究，但针对计及供电可靠性的优化配置问题，考虑发电和储能设备因故障停运对独立型微电网供电可靠性影响的研究还比较少，求解包含可靠性评估的优化配置模型的计算效率尚待提高。因此，亟需发展综合考虑经济性、环保性以及供电可靠性的独立型微电网优化配置高效求解方法。
5.本方法基于benders分解理论，提出了一种适用于独立型微电网的多目标设备优化配置方法，通过求解考虑经济性和环保性的设备容量优化配置主问题和基于主问题配置方案求解供电可靠性检验子问题两个步骤，即可求解出满足系统供电可靠性要求条件下，经济、环保性最优的设备配置方案，并通过主、子问题解耦提高了优化配置求解效率。


技术实现要素：

6.本发明所要解决的技术问题是，提供一种计及供电可靠性的独立型微电网多目标优化配置方法，用于提升考虑供电可靠性的独立型微电网优化配置模型的求解效率。
7.本发明所采用的技术方案是：
8.步骤1：输入系统参数(系统类型，系统规划参数，备选设备型号，备选设备经济及技术参数，负荷曲线，可再生能源数据，重要负荷占比)，设置系统年最大允许缺供电量eens
set
。
9.步骤2：初始化迭代次数i＝1。
10.步骤3：求解计及经济性和环保性的设备优化配置主问题。
11.步骤3-1：考虑可再生能源与负荷波动性的影响，利用基于典型日评价指标体系的混合整数多目标线性优化模型选取典型日及相应权重系数。
12.步骤3-2：以等年值总成本c
total
为优化目标，设备配置及运行变量为优化变量，求解仅考虑经济性和环保性的设备优化配置主问题。
13.主问题优化模型可以表示为以下形式：
[0014][0015][0016][0017][0018][0019][0020][0021][0022][0023][0024]cmin
≤cd(t)≤c
max (15)
[0025][0026]
[0027][0028]
式中，ω
de
为柴油发电机集合，n
de,i
为i型柴油发电机台数；ω
wt
为风力发电机集合，n
wt,i
为i型风力发电机台数；c
de,i
、c
wt,i
、c
pv
、c
es
为各类设备的单位投资成本；ω
de,i
、ω
wt,i
、ω
pv
、ω
es
为各设备单位年维护成本；n
day
为选取典型日总数；ωd为典型日d代表的天数；μ
fuel
为每升柴油的价格；c
co2
为排放每单位co2气体的处罚费用；ef为柴油的co2排放系数，即平均每升柴油燃烧产生的co2量；n
de,i
分别为i型柴油发电机配置台数n
de,i
上、下限；n
wt,i
分别为i型风机配置台数n
wt,i
上、下限；p
pv
分别为光伏配置容量上、下限；e
es
分别表示电池储能系统配置容量上、下限；上、下限；为各设备在典型日d时刻t的出力；表示的总电力负荷功率；f
pv
为光伏阵列的降额系数，通常取0.9；为标准测试环境下光伏发电系统的额定输出功率；gd(t)为典型日d时刻t的实际光照强度；g
stc
为标准测试环境下的光照强度，通常取1kw/m2；vd(t)为典型日d时刻t的实际风速；为i型风机单台额定功率；v
ci
、vr、v
co
分别为风机切入风速、额定风速以及切出风速；为i型柴油发电机单台额定功率；为i型柴油发电机最小允许运行功率；cd(t)和cd(t-1)分别为电池储能系统在典型日d时刻t、时刻t-1的soc；σ为电池储能系统的自放电率；为电池储能系统额定容量；ηc、ηd分别为电池储能系统的充电、放电效率；c
min
、c
max
分别为电池储能系统soc的下限和上限值；ed(t)为0-1变量；ε(γ,y)为净现值系数，与系统全寿命周期年限y、通货膨胀率γ有关，其计算公式如下所示：
[0029][0030]
步骤4：若主问题可行，则转向步骤5。否则根据实际安装场地环境和空间大小等因素合理地调整设备配置约束，并转向步骤3。
[0031]
步骤5：基于拉丁超立方抽样以及choleskey分解进行相关性抽样，根据主问题设备配置方案计算设备故障状态组合及各状态的概率。
[0032]
步骤5-1：以小时级风速v、光照强度g、电池储能系统荷电状态c和电力负荷p
l
组成相关性抽样输入向量v＝[v,g,c,p
l
]，其中风速服从威布尔分布，光照强度服从贝塔分布，电力负荷以及储能soc服从经验分布。对v进行拉丁超立方抽样和choleskey分解排序得到具有目标相关性的样本矩阵r，包含n
lhs
个样本rj(j＝1,2,
…
,n
lhs
)。
[0033]
步骤5-2：对发电和储能设备采用“正常-故障”两状态模型，并假定各设备故障事件相互独立，枚举出各设备故障状态得到每一样本条件下的故障状态组合矩阵zj，该矩阵包含nf个样本z
j,z
(z＝1,2,
…
,nf)，根据设备故障率相应计算出各状态z概率。计算公式如下：
[0034][0035]
式中，p代表以容量为单位的设备集合；r
p
表示其中第p类设备运行状态，1表示设备正常运行，0表示设备故障；q代表以台数为单位的设备集合；nq为第q类设备的配置台数，
nq为该类设备故障台数；和为各类设备的故障率。
[0036]
步骤6：求解供电可靠性检验子问题，判断当前配置条件下系统的供电可靠性是否满足要求。
[0037]
步骤6-1：为了检验给定配置方案的系统供电可靠性能否满足要求，子问题引入松弛变量s以控制子问题始终存在可行解。s由切负荷约束对应的松弛变量s1和供电可靠性约束对应的松弛变量s2两部分组成，其中s1用于衡量负荷切除功率与非重要负荷需求的差距，s2用于衡量供电可靠性指标eens与预先设定年最大允许缺供电量eens
set
的差距。
[0038]
考虑到独立型微电网中不同类型的负荷对用户生产、生活的重要程度具有较大差异，根据负荷切除对国民经济、生产生活、人身安全等造成不良影响的严重程度建立分级负荷模型，将独立型微电网的电力负荷p
l
分为重要负荷p
l,1
和非重要负荷p
l,2
两类，如下式所示。
[0039][0040]
式中，α为重要负荷占比，p
l,1
通常是指为保证基本用电需求和重要生产科研活动而必须持续可靠供电的电力负荷，在电力供应不足时仍然不可切除；p
l,2
是指除了重要负荷以外的其他电力负荷，包括装饰景观、娱乐设施等负荷，在设备故障等原因导致供电不足的情况下可部分或全部切除。
[0041]
步骤6-2：以松弛变量s最小为优化目标，不同样本j和状态z下各设备的出力为优化变量，求解供电可靠性检验子问题。
[0042]
子问题优化模型可以表示为以下形式：
[0043]fsp
＝min s＝min(s1 s2) (22)
[0044][0045][0046][0047][0048]
s1≥0,s2≥0 (27)
[0049][0050][0051][0052][0053]
式中，p
de,i,j,z
、p
wt,i,j,z
、p
pv,j,z
、p
dis,j,z
、p
ch,j,z
、p
dump,j,z
分别为不同样本j和状态z下各设备的出力、切负荷功率以及弃电功率；p
l,l,j
(l＝1,2)为样本j的重要/非重要负
荷功率；为主问题求解所得设备配置方案；φ
de,i
、φ
wt,i
、φ
pv
、φ
es
分别为4个等式约束对应的对偶乘子，其物理含义为各设备的边际增量，即设备单位配置变化可使子问题最优解对应f
sp
的变化量。
[0054]
除了以上约束，子问题的设备运行约束类似于主问题，但需额外考虑设备状态组合的影响。若设备处于正常运行状态，设备出力满足主问题中对应的出力约束；若设备处于故障停运状态，设备出力为0。
[0055]
步骤7：若松弛变量s为零，转入步骤8；若松弛变量s大于零，根据子问题配置变量约束的对偶变量给主问题添加benders割约束，并返回步骤3，以求解新的配置方案。
[0056]
当前配置方案下系统eens与eens
set
的差值、切负荷功率与非重要负荷功率的差值等信息能够通过benders割传递给主问题，在下一轮迭代过程中以约束项的形式添加到主问题优化模型，以修正主问题的可行域，将主问题的最优解沿最优方向约束至原问题的可行域中，进一步优化设备配置方案。benders割约束具体形式如下所示：
[0057][0058]
式中，f
sp
为子问题最优目标值；表示子问题返回的benders优化割集，其构造基于供电可靠性检验子问题的配置变量约束和相应对偶变量，具体表达式如下所示：
[0059][0060]
步骤8：输出系统优化配置结果。
[0061]
本发明所提供的上述一种基于benders分解的独立型微电网多目标设备优化配置方法，与现有技术相比，所具有的优点与积极效果在于：(1)提出了一种计及供电可靠性的独立型微电网多目标双层优化配置方法，基于benders分解将优化配置问题解耦为考虑经济性和环保性的设备优化配置主问题和供电可靠性检验子问题，显著地降低了问题的复杂度，提高了求解效率。(2)考虑负荷重要等级，建立了分级负荷模型，并在供电可靠性检验子问题中引入了两类松弛变量，同时保证了重要负荷的可靠供电以及系统的供电可靠性要求。
附图说明
[0062]
图1是本发明基于benders分解的独立型微电网多目标设备优化配置方法的流程图；
[0063]
图2是本发明所涉及的一种独立型微电网结构图；
具体实施方式
[0064]
一种独立型微电网由不可控分布式电源风机和光伏、可控分布式电源柴油发电机、电池储能系统以及电力负荷构成。其中，光伏和电池储能系统以设备容量为单位，风机和柴油发电机以设备台数为单位。
[0065]
如图1所示，一种基于benders分解的独立型微电网多目标设备优化配置方法，包括如下步骤：
[0066]
步骤1：输入系统参数(系统类型，系统规划参数，备选设备型号，备选设备经济及
技术参数，负荷曲线，可再生能源数据，重要负荷占比)，设置系统年最大允许缺供电量eens
set
。
[0067]
步骤2：初始化迭代次数i＝1。
[0068]
步骤3：求解计及经济性和环保性的设备优化配置主问题。
[0069]
步骤3-1：考虑可再生能源与负荷波动性的影响，利用基于典型日评价指标体系的混合整数多目标线性优化模型选取典型日及相应权重系数。
[0070]
步骤3-2：以等年值总成本c
total
为优化目标，设备配置及运行变量为优化变量，求解仅考虑经济性和环保性的设备优化配置主问题。
[0071]
主问题优化模型可以表示为以下形式：
[0072][0073][0074][0075][0076][0077][0078][0079][0080][0081][0082]cmin
≤cd(t)≤c
max (44)
[0083][0084][0085]
[0086]
式中，ω
de
为柴油发电机集合，n
de,i
为i型柴油发电机台数；ω
wt
为风力发电机集合，n
wt,i
为i型风力发电机台数；c
de,i
、c
wt,i
、c
pv
、c
es
为各类设备的单位投资成本；ω
de,i
、ω
wt,i
、ω
pv
、ω
es
为各设备单位年维护成本；n
day
为选取典型日总数；ωd为典型日d代表的天数；μ
fuel
为每升柴油的价格；c
co2
为排放每单位co2气体的处罚费用；ef为柴油的co2排放系数，即平均每升柴油燃烧产生的co2量；n
de,i
分别为i型柴油发电机配置台数n
de,i
上、下限；n
wt,i
分别为i型风机配置台数n
wt,i
上、下限；p
pv
分别为光伏配置容量上、下限；e
es
分别表示电池储能系统配置容量上、下限；上、下限；为各设备在典型日d时刻t的出力；表示的总电力负荷功率；f
pv
为光伏阵列的降额系数，通常取0.9；为标准测试环境下光伏发电系统的额定输出功率；gd(t)为典型日d时刻t的实际光照强度；g
stc
为标准测试环境下的光照强度，通常取1kw/m2；vd(t)为典型日d时刻t的实际风速；为i型风机单台额定功率；v
ci
、vr、v
co
分别为风机切入风速、额定风速以及切出风速；为i型柴油发电机单台额定功率；为i型柴油发电机最小允许运行功率；cd(t)和cd(t-1)分别为电池储能系统在典型日d时刻t、时刻t-1的soc；σ为电池储能系统的自放电率；为电池储能系统额定容量；ηc、ηd分别为电池储能系统的充电、放电效率；c
min
、c
max
分别为电池储能系统soc的下限和上限值；ed(t)为0-1变量；ε(γ,y)为净现值系数，与系统全寿命周期年限y、通货膨胀率γ有关，其计算公式如下所示：
[0087][0088]
步骤4：若主问题可行，则转向步骤5。否则根据实际安装场地环境和空间大小等因素合理地调整设备配置约束，并转向步骤3。
[0089]
步骤5：基于拉丁超立方抽样以及choleskey分解进行相关性抽样，根据主问题设备配置方案计算设备故障状态组合及各状态的概率。
[0090]
步骤5-1：以小时级风速v、光照强度g、电池储能系统荷电状态c和电力负荷p
l
组成相关性抽样输入向量v＝[v,g,c,p
l
]，其中风速服从威布尔分布，光照强度服从贝塔分布，电力负荷以及储能soc服从经验分布。对v进行拉丁超立方抽样和choleskey分解排序得到具有目标相关性的样本矩阵r，包含n
lhs
个样本rj(j＝1,2,
…
,n
lhs
)。
[0091]
步骤5-2：对发电和储能设备采用“正常-故障”两状态模型，并假定各设备故障事件相互独立，枚举出各设备故障状态得到每一样本条件下的故障状态组合矩阵zj，该矩阵包含nf个样本z
j,z
(z＝1,2,
…
,nf)，根据设备故障率相应计算出各状态z概率。计算公式如下：
[0092][0093]
式中，p代表以容量为单位的设备集合；r
p
表示其中第p类设备运行状态，1表示设备正常运行，0表示设备故障；q代表以台数为单位的设备集合；nq为第q类设备的配置台数，nq为该类设备故障台数；和为各类设备的故障率。
[0094]
步骤6：求解供电可靠性检验子问题，判断当前配置条件下系统的供电可靠性是否满足要求。
[0095]
步骤6-1：为了检验给定配置方案的系统供电可靠性能否满足要求，子问题引入松弛变量s以控制子问题始终存在可行解。s由切负荷约束对应的松弛变量s1和供电可靠性约束对应的松弛变量s2两部分组成，其中s1用于衡量负荷切除功率与非重要负荷需求的差距，s2用于衡量供电可靠性指标eens与预先设定年最大允许缺供电量eens
set
的差距。
[0096]
考虑到独立型微电网中不同类型的负荷对用户生产、生活的重要程度具有较大差异，根据负荷切除对国民经济、生产生活、人身安全等造成不良影响的严重程度建立分级负荷模型，将独立型微电网的电力负荷p
l
分为重要负荷p
l1
和非重要负荷p
l2
两类，如下式所示。
[0097][0098]
式中，α为重要负荷占比，p
l,1
通常是指为保证基本用电需求和重要生产科研活动而必须持续可靠供电的电力负荷，在电力供应不足时仍然不可切除；p
l,2
是指除了重要负荷以外的其他电力负荷，包括装饰景观、娱乐设施等负荷，在设备故障等原因导致供电不足的情况下可部分或全部切除。
[0099]
步骤6-2：以松弛变量s最小为优化目标，不同样本j和状态z下各设备的出力为优化变量，求解供电可靠性检验子问题。
[0100]
子问题优化模型可以表示为以下形式：
[0101]fsp
＝min s＝min (s1 s2) (51)
[0102][0103][0104][0105][0106]
s1≥0,s2≥0 (56)
[0107][0108][0109][0110][0111]
式中，p
de,i,j,z
、p
wt,i,j,z
、p
pv,j,z
、p
dis,j,z
、p
ch,j,z
、p
dump,j,z
分别为不同样本j和状态z下各设备的出力、切负荷功率以及弃电功率；p
l,l,j
(l＝1,2)为样本j的重要/非重要负荷功率；为主问题求解所得设备配置方案；φ
de,i
、φ
wt,i
、φ
pv
、φ
es
分别为4个等式约束对应的对偶乘子，其物理含义为各设备的边际增量，即设备单位配置变化可使子问题最优解对应f
sp
的变化量。
[0112]
除了以上约束，子问题的设备运行约束类似于主问题，但需额外考虑设备状态组合的影响。若设备处于正常运行状态，设备出力满足主问题中对应的出力约束；若设备处于故障停运状态，设备出力为0。
[0113]
步骤7：若松弛变量s为零，转入步骤8；若松弛变量s大于零，根据子问题配置变量约束的对偶变量给主问题添加benders割约束，并返回步骤3，以求解新的配置方案。
[0114]
当前配置方案下系统eens与eens
set
的差值、切负荷功率与非重要负荷功率的差值等信息能够通过benders割传递给主问题，在下一轮迭代过程中以约束项的形式添加到主问题优化模型，以修正主问题的可行域，将主问题的最优解沿最优方向约束至原问题的可行域中，进一步优化设备配置方案。benders割约束具体形式如下所示：
[0115][0116]
式中，f
sp
为子问题最优目标值；表示子问题返回的benders优化割集，其构造基于供电可靠性检验子问题的配置变量约束和相应对偶变量，具体表达式如下所示：
[0117][0118]
步骤8：输出系统优化配置结果。