一种直流微电网系统及设计方法

1.本发明涉及供电系统技术领域，尤其涉及一种直流微电网系统及设计方法。


背景技术：

2.为了满足用户日益增长的多元化需求，发展利用可再生自然资源，同时提高用户端的电能质量和系统的供电可靠性，通过交流微网的形式把各种各样的分布式电源组合到微网系统，共同满足用户的需求。
3.但现有交流微网系统在某些特殊的环境下，如在偏远山区和海岛上生活训练的人群，通过传统的柴油发电机因噪声和红外特征无法保证训练场地的安全和隐蔽。


技术实现要素：

4.本发明的目的在于提供一种直流微电网系统及设计方法，旨在解决现有交流微网系统的柴油发电机噪声大，影响训练场地隐蔽性的问题。
5.为实现上述目的，第一方面，本发明提供了一种直流微电网系统及设计方法，包括直流母线、铝空发电模块、光伏发电模块、混合储能模块、柴油发电机、电力电子模块和转换开关；
6.所述电力电子模块分别与所述铝空发电模块、所述光伏发电模块、所述混合储能模块和所述柴油发电机连接，所述转换开关分别与所述电力电子模块和所述直流母线电连接。
7.其中，所述电力电子模块包括dc/dc变换器和ac/dc逆变器，所述dc/dc变换器分别与所述铝空发电模块、所述光伏发电模块和所述混合储能模块电连接，且位于所述铝空发电模块、所述光伏发电模块和所述混合储能模块一侧，所述ac/dc逆变器与所述柴油发电机连接，且位于所述柴油发电机一侧。
8.第二方面，本发明还提供了一种直流微电网的设计方法，包括以下步骤：
9.设计直流微电网，并对设计的直流微电网建模，得到设计数据；
10.规划所述设计数据，并对规划的所述设计数据进行计算求解，得到计算数据；
11.基于所述计算数据配置分布式电源容量；
12.对所述分布式电源容量进行实验后搭建直流微电网。
13.其中，所述设计直流微电网，并对设计的直流微电网建模，得到设计数据的具体方式：
14.分析设计直流微电网，得到分析数据；
15.基于所述分析数据进行建模，得到所述设计数据。
16.其中，所述规划所述设计数据，并对规划的所述设计数据进行计算求解，得到计算数据的具体方式：
17.对所述设计数据规划目标函数和约束条件，得到规划数据；
18.对所述规划数据进行分析求解，得到所述计算数据。
19.其中，所述对所述分布式电源容量实验，并搭建直流微电网的具体方式：
20.对所述分布式电源容量进行负载突变实验，得到验证数据；
21.基于所述验证数据搭建直流微电网。
22.本发明的一种直流微电网系统及设计方法，所述光伏发电模块充分的利用了太阳能，所述柴油发电机为备用电源，所述混合储能模块的设置增加了微电网稳定性和可靠性，所述铝空发电模块工作安静，散发的热量低，供能稳定，基本无污染废物产生，所述转换开关用于控制所述电力电子模块的停起，所述电力电子模块用于将直流电转化为交流电传输给所述直流母线供负载使用，解决现有交流微网系统的柴油发电机噪声大，影响训练场地隐蔽性的问题。
附图说明
23.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
24.图1是直流微电网系统运行工作示意图。
25.图2是模拟退火算法的基本流程图。
26.图3是自适应模拟退火粒子群算法的基本流程图。
27.图4是一种直流微电网设计方法流程图。
28.图5是基本粒子群算法流程图。
29.图6是一种直流微电网系统结构示意图。
30.图7是一种直流微电网系统连接示意图。
31.图中：1-直流母线、2-铝空发电模块、3-光伏发电模块、4-混合储能模块、5-柴油发电机、6-电力电子模块、7-转换开关。
具体实施方式
32.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
33.请参阅图6至图7，第一方面，本发明提供一种直流微电网系统及设计方法，包括直流母线1、铝空发电模块2、光伏发电模块3、混合储能模块4、柴油发电机5、电力电子模块6和转换开关7；
34.所述电力电子模块6分别与所述铝空发电模块2、所述光伏发电模块3、所述混合储能模块4和所述柴油发电机5连接，所述转换开关7分别与所述电力电子模块6和所述直流母线1电连接。
35.在本实施方式中，所述光伏发电模块3充分的利用了太阳能，所述柴油发电机5为备用电源，所述混合储能模块4的设置增加了微电网稳定性和可靠性，其中，所述蓄电池和所述超级电容的接入减少了系统能量损耗和系统建设的成本，所述铝空发电模块2工作安静，散发的热量低，供能稳定，基本无污染废物产生，所述转换开关7用于控制所述电力电子
模块6的停起，所述电力电子模块6用于将直流电转化为交流电传输给所述直流母线1供负载使用，解决现有交流微网系统的柴油发电机5噪声大，影响训练场地隐蔽性的问题。
36.进一步的，所述电力电子模块6包括dc/dc变换器和ac/dc逆变器，所述dc/dc变换器分别与所述铝空发电模块2、所述光伏发电模块3和所述混合储能模块4电连接，且位于所述铝空发电模块2、所述光伏发电模块3和所述混合储能模块4一侧，所述ac/dc逆变器与所述柴油发电机5连接，且位于所述柴油发电机5一侧，
37.在本实施方式中，所述dc/dc变换器将述铝空发电模块2、所述光伏发电模块3和所述混合储能模块4传输的直流电转化为交流电，所述ac/dc逆变器将所述柴油发电机5产生的直流电转换为交流电。
38.请参阅图1至图5，第二方面，本发明还提供了一种直流微电网的设计方法，包括以下步骤：
39.s1设计直流微电网，并对设计的直流微电网建模，得到设计数据；
40.具体方式：
41.s11分析设计直流微电网，得到分析数据；
42.具体的，根据环境及用户需求分析设计直流微电网，且满足形式多样的布式发电单元的接入，保证供电的连续性和可靠性，结构具有可扩展性，方便以后新的分布式发电单元的接入，在孤岛模式和并网模式下都能正常可靠工作。
43.s12基于所述分析数据进行建模，得到所述设计数据。
44.具体的，基于所述分析数据分别对所述铝空发电模块2、所述光伏发电模块3、所述混合储能模块4和所述柴油发电机5建模，得到所述设计数据。
45.s2规划所述设计数据，并对规划的所述设计数据进行计算求解，得到计算数据；
46.具体方式：
47.s21对所述设计数据规划目标函数和约束条件，得到规划数据；
48.具体的，全寿命周期成本是在工程预期寿命内所需要的或者是在此期间产生的全部成本，这个周期包括产品的研究论证、设计、制造、使用直到产品报废所经历的全部时间，经济性指标主要有直流微电网系统周期全寿命周期成本c
tol
、系统初始设备购置成本c
cap
、设备运行维护成本c
om
、设备消耗燃料成本c
fuel
、设备运行产生的污染惩罚成本c
pollution
和设备残余值c
rem
等。所以可以得出系统寿命周期总成本c
tol
为：
49.c
tol
＝c
cap
c
om
c
fuel
c
pollution-c
rem
50.在式上述公式中，系统初始设备购置成本c
cap
为：
[0051][0052]
在上述公式中，c
cpv
、c
cal
、c
cbat
、c
csc
和c
cdl
分别表示光伏发电系统、铝空发电模块2、磷酸铁锂电池、超级电容和柴油发电机5单位容量(kw)的设备购置成本，i、j、k、l、m分别是光伏发电系统、铝空发电模块2、磷酸铁锂电池、超级电容和柴油发电机5的待选数量。但在实际使用过程中，不同电源的设计使用寿命会有不同，而且在整个使用周期内，初始投资成本还可以用于投资其他项目产生收益，为了更好的计算系统的经济性目标，使用了等年值成本的方法，此时等年值初始投资成本c
year
为：
[0053][0054]
在上述公式中，r表示为年利率，n表示为设备工作寿命。设备运行维护成本c
om
为：
[0055][0056]
在上述公式中，c
opv
、c
oal
、c
obat
、c
osc
和c
odl
分别表示光伏发电系统、铝空电池、磷酸铁锂电池、超级电容和柴油发电机5单位容量(kw)的设备运行维护成本；设备消耗燃料成本c
fuel
为：
[0057][0058]
在式上述公式中，c
fuelal
和c
fueldl
分别表示铝空发电模块2、柴油发电机5组发出单位电量(kw)时消耗的燃料费用系数；污染惩罚成本c
pollution
为：
[0059][0060]
在上述公式中，c
pollutiondl
表示柴油发电机5发出单位电量(kw)的污染惩罚费用系数；考虑到铝空发电模块2反应的最终产物是陶瓷工业原料，收集后可以继续发挥其使用价值，所以不考虑铝空发电模块2的污染惩罚成本；模型中未考虑光伏发电模块3和其他电池等在制造过程及报废中的污染。设备残余值c
rem
为：
[0061][0062]
在式上述公式中，c
rpv
、c
ral
、c
rbat
、c
rsc
和c
rdl
分别表示光伏发电系统、铝空发电模块2、磷酸铁锂电池、超级电容和柴油发电机5单位容量(kw)的设备残余值系数。
[0063]
s22对所述规划数据进行分析求解，得到所述计算数据。
[0064]
具体的，在直流微电网的调度管理中，需要考虑不同类型设备之间的相互制约作用，设备自身也有一定的限制条件，因此在运行过程中，要在保证设备安全和合理使用的情况下进行系统规划和配置优化，本发明微网系统主要包含以下约束限制条件：
[0065]
(1)直流微电网系统的功率平衡分布式电源各个机组的出力情况和负载之间应该满足等式：
[0066]
p
load
＝p
grid
p
pv
p
al
p
bat
p
sc
p
dl
[0067]
在上述公式中，p
load
为直流微网系统中所有负载在某一时刻需要的总功率(kw)，p
pv
、p
al
、p
bat
、p
sc
、p
dl
分别表示光伏发电系统、铝空发电模块2、蓄电池、超级电容和柴油发电机5在该时刻的出力大小情况(kw)，p
grid
表示直流微网系统与大电网交换的能量(kw)能量从大电网流入微网系统时取正值。
[0068]
(2)直流微网中分布式电源发电功率限制
[0069][0070]
在上述公式中，p
dg,i
表示分布式发电单元i的实时输出功率，和则表示该类型的发电单元的安全出力的最小值和安全出力的最大值。
[0071]
(3)蓄电池存储容量限制如果蓄电池在使用过程当中，经常出现过度放电现象，会
严重影响蓄电池的使用寿命，因此我们需要尽量避免此类问题的发生。为了保证蓄电池不过度放电，其荷电状态应该满足约束条件：
[0072]smin
≤soc≤s
max
[0073]
在式上述公式中，soc为磷酸铁锂电池的实时荷电状态，其取值在0～100％之间，s
min
和s
max
分别为磷酸铁锂电池高效安全运行时允许的荷电状态的最小值和最大值，为了保证蓄电池的寿命和使用性能，s
min
一般为20％，s
max
一般为90％。考虑到经济成本和环境污染问题，优先使用光伏发电为负载供能，在满足负载需求的前提下，光伏发电模块3多余的能量为储能系统充电直到储能系统充满；若是在夜晚没有光照条件的情况下，光伏发电模块3无法提供功率输出，则此时使用储能系统为负载供能，若储能系统耗尽能量或者是无法满足负载需求时，储能系统停止工作，由最经济机组组合为负载供能，同时多余能量为储能系统充电，直到储能系统达到饱和状态。在光伏发电模块3按照最大功率跟踪策略进行工作仍然不能满足负载需求的情况下，负载所需的缺额部分由储能系统放电提供。这对储能系统提出了比较高的要求，并且储能系统在放电之前需要有足够的能量储备，储能系统达到了满荷电量状态后才能工作放电，能够保持较长的工作时间，同时也可以减少充放电次数，保证了储能系统的经久耐用。储能系统的充放电状态由系统中分布式发电单元的总出力与负载需求之间的大小来决定。假如微网系统中负载的总需求功率小于光伏发电模块3的输出功率，并且此时储能系统仍然可以吸收能量时，可以把储能系统所需的电能看做是负载用电需求，光伏发电模块3剩下的能量补充给储能系统，直到储能系统充满。光伏发电模块3进入限功率运行，实时跟踪负载的需求，此时储能系统发挥削峰填谷作用，改善直流母线1的电能质量。假如微网系统中负载的总需求功率大于光伏发电模块3的输出功率，则光伏发电模块3工作于最大功率跟踪状态，其余的负载需求由储能系统提供，若储能系统不能满足功率需求或是储能系统消耗完所存储的电能后，储能系统停止工作，由负载所需功率决定最经济机组组合方式，此时最经济机组组合方式由后续的模型计算得出混合出力组合，微网系统在孤岛运行时候的运行工作示意图如下图1所示，soc表示为磷酸铁锂电池的荷电状态，soc
max
表示磷酸铁锂电池允许的最大荷电状态，最经济组合是在微网分布式发电单元数学建模后，根据智能优化算法计算得出的分布式发电单元的最优出力组合。
[0074]
具体方式：
[0075]
s221利用基本粒子群优化优化计算所述规划数据，得到优化数据；
[0076]
具体的，在该算法中，n维空间中的粒子群(鸟群)就是所求函数的解，粒子的飞行速度和当前粒子所在的位置是算法中两个重要的矢量参数，通过评价粒子在不同位置时的适应值(fitness)，可以得出粒子当前时刻自身发现的最好位置(pbest)和自身当前所处位置，以及所有粒子中适应度值最好的位置(gbest)，根据所得的所有粒子中的最佳位置，可以知道粒子群下一步的飞行方向和距离基本粒子群优化算法可以表示为：
[0077]
pso＝(fitness,n,c1,c2,w,m,d)
[0078]
在上述公式中，fitness表示为需要求解的目标函数；n表示为粒子的数目，粒子数目n的取值取决于所求问题的难易程度，根据一般经验，普通优化求解问题需要20～40个，当所求问题比较复杂时，要适当的增加粒子的数目；c1和c2是学习因子，代表着粒子群向适应值最好的粒子靠近的能力，通过学习因子，使得粒子向群体中的最优点靠近，一般c1和c2取值范围在0～4之间，通常取c1＝c2＝2；w表示为惯性权重，代表着粒子偏离上一步轨迹的
程度，若取值恰当的话，粒子会具有较好的探索能力和开发能力；m表示为最大的迭代次数，在其他参数不变的条件下，一般迭代次数越多，其目标函数的解精度越高；d为自变量的个数，由求解问题决定。基本粒子群算法的流程图5所示，算法的具体步骤可以描述为：
[0079]
(1)初始粒子群的生成：采用随机的方法确定各个粒子的初始状态，主要是初始位置和初始速度；
[0080]
(2)适应度值的评价：计算粒子群中所有个体的适应度值，把计算所得结果和各自的位置赋值给pbest，综合比较所有个体的pbest值，选出适应度最优值的个体，把该个体的位置和适应度值赋值给gbest；
[0081]
(3)更新粒子的速度和位移：粒子的速度和位移用如下的公式来更新：
[0082]vi,j
(t 1)＝w
·vi,j
(t) c1r1[p
i,j-x
i,j
(t)] c2r2[p
i,j-x
g,j
(t)]
[0083]
x
i,j
(t 1)＝x
i,j
(t) v
i,j
(t 1),j＝1,2,3
…d[0084]
(4)粒子位置的确定：粒子群中所有个体的适应值和各自历史最优值进行对比，如果当前值比历史出现的值更好，那么就把个体当前位置当做该粒子的最佳位置；
[0085]
(5)gbest值更新：一一对比目前全部个体的pbest值和粒子群的gbest值，选出最佳适应度值作为新的gbest；
[0086]
(6)算法的结束：若满足算法的停止条件，一般是设置的运算精度或者是迭代次数，那么搜索到此结束，并给出结果，若不满足，那么返回到步骤(2)重新进行计算。
[0087]
s222通过模拟退火算法计算所述优化数据，得到基础数据；
[0088]
具体的，模拟退火算法(simulate anneal arithmetic，saa)是模拟了自然界固体物质退火过程，随着温度的降低，结合概率跳跃特征随机找到空间内的全局最优解的一种智能算法。模拟退火算法因其在寻找优化结果的同时，可以接受相对来说比较差的结果，使得算法有一定概率跳出局部最优解。在算法中，内能e表示为目标函数值f，温度t表示为控制参数t，在循环迭代中逐步减小参数t，直到算法停止。模拟退火算法的基本概念有：
[0089]
(1)温度
[0090]
温度的作用有两个方面，一是可以限制模拟退火算法产生的新解与当前解之间的距离(模拟退火算法的搜索范围)，二是温度还决定着模拟退火算法允许较差新解的概率。
[0091]
(2)退火进度表
[0092]
退火进度表控制着温度的下降快慢，假如温度下降较慢，那么算法就越有可能找到目标函数的最优解。退火进度表主要由初始温度和温度更新函数决定。
[0093]
(3)meteoopolis准则
[0094]
该准则表示了模拟退火算法允许新解的概率，当目标函数想取得最小值时，模拟退火算法的允许新解概率可以表示为：
[0095][0096]
在上述公式中，p(x1→
x2)表示为物体在某一温度下从x1状态转变到x2状态的概率，f(x1)、f(x2)分别表示为固体在状态x1、x2时的内能。从meteoopolis准则中可以知道，在一定温度下，物体的状态发生变化的时候会导致其能量也发生变化，如果这种变化是朝着系统能量减少的方向进行，就接受这个变化，若不是这样的方向，则以一定的概率接受这个
变化。模拟退火算法的基本流程可以概括为图2所示。
[0097]
通过合理的调节算法的惯性权重因子，能够较好的平衡模拟退火算法的全局搜索能力与局部改良能力，调节惯性权重因子的表达式有下式给出：
[0098][0099]
在上述公式中，w
max
和w
min
分别表示惯性权重因子的最大值和最小值，根据一般经验分别取0.9和0.4，f表示粒子当前的目标函数值，f
avg
为当前所有粒子的平均目标值，f
min
为粒子的最小目标值。由表达式可以得知，粒子的目标函数值的改变会引起w值的改变。w的取值能够自动适应算法在不同进程中的需求，使得算法避免陷入局部极值，同时也平衡了收敛速度此时经过改进后的算法的速度和位置的更新表达式可以表示为：
[0100]vi,j
(t 1)＝w
·vi,j
(t) c1r1[p
i,j-x
i,j
(t)] c2r2[p
g,j-x
i,j
(t)]
[0101]
x
i,j
(t 1)＝x
i,j
(t) v
i,j
(t 1),j＝1,2,3
…d[0102]
通过调节惯性权重因子，使得自适应模拟退火算法平衡了全局搜索能力与局部改良能力，同时优化了算法的进化过程。
[0103]
自适应模拟退火粒子群算法的流程如图3所示，其算法步骤可以分解为：
[0104]
(1)算法的初始化：用随机产生的方法确定各个粒子的位置和速度，设定最大
[0105]
退火温度、最小退火温度、最大惯性权重因子、最小惯性权重因子、学习因子等参数；
[0106]
(2)适应度计算：计算粒子群中所有个体的适应度值，把计算所得结果和各自
[0107]
的位置赋值给pbest，综合比较所有个体的pbest值，选出适应度最优值的个体，把该个体的位置和适应度值赋值给gbest；
[0108]
(3)确定初始温度：根据当前温度确定粒子的被选择概率，选出差解并计算惯性权重因子；
[0109]
(4)计算粒子适应值：每一个粒子pi的适应值可以根据下式计算：
[0110][0111]
(5)确定全局最优替代值：比较所有粒子的pi值，从而确定替代值pi，然后
[0112]
更改各个粒子的位置和速度信息；
[0113]
(6)计算粒子目标值：重新计算各个粒子的目标值，更改各个粒子的pbest和gbest值；
[0114]
(7)退温操作：计算退火速率，进行退温操作；
[0115]
(8)结果输出：如果算法满足终止条件时，算法终止并输出所得结果，若不满足，那么就回到步骤(4)。
[0116]
s223基于所述基础数据规划，并与容量配置优化求解，得到所述计算数据。具体的，将模拟退火算法的跳出局部最优的能力应用于粒子群算法，并通过两个标准测试函数验证了算法性能。
[0117]
(1)测试函数
[0118]
为了证明自适应模拟退火粒子群算法的优越性和可靠性，选择了两个经典的标准测试函数。
[0119]
1.de jong’s function
[0120]
f(x,y)＝x2 y
2-5≤x≤5,-5≤y≤5
[0121]
该测试函数的全局最小值为f(x,y)＝0，当x＝y＝0的时候取得。
[0122]
2.rastrigin函数
[0123]
其函数表达式为：
[0124]
f(x,y)＝20 [x
2-10 cos(2πx)] [y
2-10 cos(2πy)]-2≤x≤2,-2≤y≤2
[0125]
该测试函数的全局最小值为f(x,y)＝0，当x＝y＝0的时候取得。以下表格1和表格2是函数f1(x)和f2(x)分别利用粒子群算法、模拟退火算法和自适应模拟退火算法得出的最小值结果。在这三种算法中，迭代次数均为1000，选用的粒子数目均为40，粒子群算法的惯性因子为0.5，学习因子都为2。
[0126]
表1 各个算法求解de jong’s函数全局最优解性能比较
[0127][0128]
表2 各个算法求解rastrigin函数全局最优解性能比较
[0129][0130]
s3基于所述计算数据配置分布式电源容量；
[0131]
具体的，分别对所述铝空发电模块2、所述光伏发电模块3和所述混合储能模块4进行配置。
[0132]
s4对所述分布式电源容量进行实验后搭建直流微电网。
[0133]
具体方式：
[0134]
s41对所述分布式电源容量进行负载突变实验，得到验证数据；
[0135]
s42基于所述验证数据搭建直流微电网。
[0136]
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。