计及线损的多能系统容量优化与配置方法与流程

1.本发明涉及一种计及线损的多能系统容量优化与配置方法。适用于能源领域。


背景技术：

2.能源是人类赖以生存和发展的基础，电力是目前最重要的能源形式之一，关系着国民经济的命脉。进入21世纪以来，我国的电力系统沿着大规模集中发电和远距离大容量输电的方向发展，形成了日益坚强的大型互联的电力系统。但是，随着电网规模的不断扩大，超大规模电力系统的弊端也日益凸现，如成本高，运行难度大，难以适应用户越来越高的可靠性要求以及多样化的供电需求。同时，这种发电方式加剧了传统能源的消耗，并带来日益严峻的环境污染问题。基于此，分布式多能系统联合发电、互联输电得到了日益广泛的关注。
3.多能互联系统的容量配置是其运行优化中的重要问题，合理配置多种电源容量系统的投资成本，以及长期运行下的经济性、稳定性与合理性。多能系统的电源种类呈现多样化，其中可再生能源的出力环境因素影响较大，出力具间歇性和波动性。为了更好的平抑该波动，目前工程应用中多增加储能装置。同时，在电源能量配置管理中，如何降低系统传输损耗是优化中的重点。尤其对于小型微网，减小系统损耗可显著提升系统的经济性。
4.考虑线路损耗的多能系统容量配置与优化问题是一个典型的复杂多目标优化问题。系统整体的经济性，可靠性和污染物排放等均是需要考虑的优化目标。并且需要依据自然条件和用户需求，合理配置风电、光伏、储能的容量，实现系统整体最优。高效优化求解该问题能够为多能互补系统的建设、运行、调度决策提供理论指导，减少资源浪费，提高能源利用效率。并且通过多能互补优化研究，可以规划引领建设，进一步激活能源供给侧潜力，促进高效率和高质量的能源系统建设，进而从顶层设计角度为电网及其他多能互补技术提供规划理论参考，为加快多能互补技术落地与实施提供理论支撑。


技术实现要素：

5.本发明要解决的技术问题是：针对上述存在的问题，提供一种计及线损的多能系统容量优化与配置方法。
6.本发明所采用的技术方案是：一种计及线损的多能系统容量优化与配置方法，其特征在于：
7.基于多能系统的发电单元组成，并根据发电单元物理特性建立各发电单元的发电出力模型；
8.基于多能系统的物理特性，确定系统损耗，建立系统优化模型；所述系统损耗包括该多能系统的线路损耗和该多能系统中各发电单元的电能损耗；所述系统优化模型包括上层优化函数和下层优化函数，以及相应的系统约束；
9.所述下层优化函数基于缺电量、系统损耗、弃电量对应的投资成本和可再生能源发电单元投资成本进行构建；
10.基于所述下层优化函数优化输出的可再生能源发电单元容量，配置该多能系统中储能装置和柴发单元容量；
11.所述上层优化函数基于缺电量、弃电量、系统损耗、储能装置投资成本、柴发单元投资成本和柴油燃料费进行构建；
12.采用权重改进的粒子群优化算法求解所述系统优化模型，得到多组解，每组解包含的指标包括可再生能源发电单元容量、储能装置容量、柴发单元容量、缺电量和系统损耗；
13.基于选定的评估指标，从求解得到的多组解中选取相应解，并按该相应解中的内容配置该多能系统。
14.所述发电单元包括可再生能源发电单元、储能装置和柴发单元，其中储能装置能在可再生能源发电单元发电量过多时储能且能在可再生能源发电单元发电量不足时补足电量，柴发单元能在可再生能源发电单元发电量不足时补足电量。
15.所述可再生能源发电单元包括光伏发电单元和风机发电单元。
16.所述下层优化函数为：
[0017][0018]
其中，c
lower
代表下层优化函数；e
lack
为缺电量；为系统损耗；c
abadon
为弃电量所对应的投资；c
pv_invest
为光伏发电单元投资成本；c
wt_invest
为风机发电单元投资成本；α为权重系数，取值[0，1]之间。
[0019]
所述上层优化函数为：
[0020][0021]
其中，c
upper
代表上层优化函数；e
lack
为缺电量；e
abadon
为弃电量；c
ess_invest
为储能装置投资成本；c
diesel_invest
为柴发单元投资成本；c
fuel
为柴油燃料费；β为权重系数，取值[0，1]之间。
[0022]
所述系统约束包括发电单元容量约束、电力系统稳定运行约束、功率平衡约束以及多能系统各组成部件运行约束。
[0023]
所述采用权重改进的粒子群优化算法求解所述系统优化模型，包括：
[0024]
采用外点罚函数法将系统优化模型从一个有约束优化问题转换为无约束优化问题。
[0025]
所述采用外点罚函数法将系统优化模型从一个有约束优化问题转换为无约束优化问题，包括：
[0026]
如下式的有约束优化问题
[0027]
min f(x)
[0028]
s.t.gi(x)≥0,i＝1,2,
···
,n
[0029]hj
(x)＝0,j＝1,2,
···
,l
[0030]
首先定义一个辅助函数：
[0031]
f(x,σ)＝f(x) σt(x)
[0032]
其中t(x)为：
[0033][0034]
φ(ai(x))与分别为：
[0035]
φ(ai(x))＝[min{0,-ai(x)}]2[0036][0037]
σt(x)为惩罚项，σ为惩罚因子。
[0038]
本发明的有益效果是：本发明考虑系统运行损耗，可更好地优化多能系统进行储能容量配置；本发明通过建立两层优化目标函数，并采用权重改进的粒子群优化算法进行优化求解，得到多组解，每组解包含多项多能系统中的指标，基于选定的评估指标，从求解得到的多组解中选取相应解，从而可有效的提出满足实际需要的多能系统电源规划与配置方案。
具体实施方式
[0039]
本实施例为一种计及线损的多能系统容量优化与配置方法，具体包括以下步骤：
[0040]
s1、基于多能系统的发电单元(电源)组成，并根据发电单元物理特性建立各发电单元的发电出力模型。
[0041]
在多能互联系统中，发电单元通常包括再生能源发电单元，常见再生能源发电单元包括光伏发电单元和风机发电单元。为了确保系统供电的可靠性，多能系统中还加入有储能装置(蓄电池)和柴发单元(柴油发电机)。
[0042]
本实施例中光伏发电单元根据不同时刻光照强度建立其概率密度函数，并建立光伏出力与光照强度之间的等式关系。风机发电单元建立不同时刻风速的概率密度表达式及其对应的分布函数，并建立风机出力与风速间等式关系。储能装置根据储能装置类型及其物理特点，建立其荷电状态与放电深度等式用于描述放电深度与充放电状态。
[0043]
s2、基于多能系统中的发电出力模型，确定系统损耗，建立系统优化模型。
[0044]
能源系统的电能损耗主要发生在线路上以及变压器设备上。通过调整系统的无功分布可以使得电网中电能损耗降低，并导致网络电压在一定范围内下降。在多能系统中，可以发无功的电源主要有柴发单元以及风机发电单元。同时上述两种电源所发出的有功功率与无功功率均可通过一定的控制策略进行调控。
[0045]
在多能系统中，电力系统中，功率、电压、电流之间的关系为
[0046][0047]
其中，*为共轭操作；s
ij
为线路i～j上传输的复功率；ui为节点i的电压；i
ij
为线路i～j上传输的电流。
[0048]
节点电压与电流直接的关系为
[0049]iij
＝(u
i-uj)y
ij
[0050]
其中，y
ij
为线路i～j上的导纳，该变量复变量。
[0051]
根据电力系统中电路损耗的计算方式，该系统有功损耗可记为
[0052]
[0053]
其中，p
loss
为系统的线路损耗，r
ij
为线路i～j上的电阻值，该变量复变量。
[0054]
同时，多能系统中各种发电设备的电能损耗记为
[0055][0056]
其中，εi为节点i的损耗系数，pi为节点i发出的有功功率。
[0057]
系统整体损耗为上述两部分损耗之和，即
[0058][0059]
本实施例中系统优化模型优化的目标函数分为上下两层，其中下层优化函数为在不考虑储能影响下，系统损耗、投资成本、缺电量、弃风弃光量最小时，得到系统优化配置结果。该优化函数为：
[0060][0061]
其中，c
lower
代表下层优化函数；e
lack
为缺电量；为系统损耗；c
abadon
为弃电量所对应的投资；c
pv_invest
为光伏发电单元投资成本；c
wt_invest
为风机发电单元投资成本；α为权重系数，其取值是[0，1]之间的任意两个数。
[0062]
通过下层优化函数可优化输出光伏发电单元和风机发电单元优化后的配置容量。
[0063]
上层优化函数为结合下层优化的光伏发电单元和风机发电单元优化后的配置容量，引入储能装置和柴发单元并配置合适的容量，使得当风、光发电量过多时储能装置可以吸收掉多余的电能；当风、光发电量不足时，储能装置和柴发单元补足缺少的电量，同时也要考虑到储能和柴发的投资成本。
[0064][0065]
其中，c
upper
代表上层优化函数；e
lack
为缺电量；e
abadon
为弃电量；c
ess_invest
为储能装置投资成本；c
diesel_invest
为柴发单元投资成本，c
fuel
为柴油燃料费；β为权重系数，其取值是[0，1]之间的任意两个数。
[0066]
通过上层优化函数可优化输出储能装置的配置容量和柴发单元的配置容量。
[0067]
本实施例中在系统优化模型的建立时，系统约束主要有多种电源容量约束、电力系统稳定运行约束，功率平衡约束以及多能系统各组成部件运行约束。
[0068]
本例中功率平衡约束为：
[0069][0070]
其中，p
load
——用户负荷功率；pw——风电功率；p
pv
——光伏功率；p
de
——柴发功率；pb——储能装置功率(正值表示放电，负值表示充电)；p
grid
——从电网输电的功率；系统损耗。
[0071]
容量约束为：
[0072]
风机容量约束：n
w,min
≤nw≤n
w,max
[0073]
光伏容量约束：n
pv,min
≤n
pv
≤n
pv,max
[0074]
柴油发电机容量约束：n
de,min
≤n
de
≤n
de,max
[0075]
储能装置容量约束：n
b,min
≤nb≤n
b,max
[0076]
双向变换器容量约束：n
con,min
≤n
con
≤n
con,max
[0077]
运行约束为：
[0078]
风电运行约束：0≤pw≤p
w,max
(p
w,max
——风电最大输出功率)
[0079]
光伏运行约束：0≤p
pv
≤p
pv,max
(p
pv,max
——光伏最大输出功率)
[0080]
柴油发电机运行约束：p
de,min
≤p
de
≤p
de,max
(p
de,max
/p
de,min
——柴油发电机最大/最小输出功率)
[0081]
储能装置运行约束：(soc
max
/soc
min
——蓄电池最大/最小荷电状态，p
b-c,max
/p
b-d,max
蓄电池最大充电/放电功率)
[0082]
弃风弃光约束：(pw p
pv
p
de-p
load
)
·
δt≤n
b,max
[0083]
当风力、光伏、柴油发电机在一段时间内产生的电量减去负荷所需电量的剩余值大于蓄电池最大容量时，该时段应当进行弃风弃光。能量调控策略如下：
[0084]
1、连续光照充足：光伏优先供电，余电送储能，晚上储能放电。
[0085]
2、间断光照不足：光伏优先供电，储能补充，柴发系统后备。
[0086]
如果短时天气不好，光伏发电不足，储能系统补充能量，当电池后备时间少于半小时时启动柴油系统；柴油系统的启动台数与光伏发电功率有关，具体原则为总功率为150％的负荷用电。
[0087]
3、连续光照不足：柴发系统供电。
[0088]
如果多日出现阴雨天气，光伏系统及储能系统不足以支撑负荷用电，当电池后备时间少于半小时时启动柴油系统发电。柴油系统的启动台数与负荷功率有关，具体原则为总功率为150％的负荷用电。
[0089]
由于本实施例所建立的是两层优化模型，因此需要先将优化目标1定位下层优化函数，其约束为系统上述全部；根据下层优化函数所求得的光伏与风机出力代入到上层优化目标中。其中每层优化模型的基本形式可写为：
[0090]
min f(x)
[0091]
s.t.gi(x)≥0,i＝1,2,
···
,n
[0092]hj
(x)＝0,j＝1,2,
···
,l
[0093]
目标函数为f(x)，不等式约束为gi(x)，等式约束为hj(x)，x为决策变量。i为不等式约束的标号，其总数目为n；j为等式约束标号，其总数为l。
[0094]
s3、采用权重改进的粒子群优化算法求解系统优化模型。
[0095]
由于电力系统的运行约束，以及电源出力的非线性等式关系导致该优化问题是一个非凸非线性的问题，传统方法难以进行优化求解。因此，选取启发式算法粒子群算法对该问题进行优化求解。
[0096]
在采用粒子群算法时，首先修改优化模型使之从一个有约束优化问题转换为无约束优化问题。本实施例采用外点罚函数法，对于形如下式的有约束优化问题
[0097]
min f(x)
[0098]
s.t.gi(x)≥0,i＝1,2,
···
,n
[0099]hj
(x)＝0,j＝1,2,
···
,l
[0100]
首先定义一个辅助函数：
[0101]
f(x,σ)＝f(x) σt(x)
[0102]
其中t(x)为
[0103][0104]
φ(ai(x))与分别为
[0105]
φ(ai(x))＝[min{0,-ai(x)}]2[0106][0107]
σt(x)为惩罚项，σ为惩罚因子。
[0108]
将该无约束优化问题采用权重改进的粒子群优化算法进行求解，其具体步骤为：
[0109]
①
初始化粒子的速度和位置；
[0110]
②
通过适应度函数，把最好的适应度值都存放在p
best
当中，把所有p
best
中的适应度值最好的个体的位置以及适应度值都存放在p
gbest
中，并记录目标函数f(p
best
)和f(p
gbest
)的值；
[0111]
③
第k次迭代，粒子会更新速率位置：
[0112][0113][0114]
式中c1和c2是粒子的学习因子，r1和r2是[0，1]之间的任意两个数，为第k次迭代的速度信息，为第k次迭代的位置信息。ω为惯性权重，其迭代过程为
[0115][0116]
k为粒子迭代次数，k
max
是粒子最大迭代次数，w
max
取值为0.9，w
min
取值为0.4。
[0117]
④
计算各个粒子的适应度函数的值，来决定是否要更新p
best
；
[0118]
⑤
比较p
best
与p
gbest
的取值大小，判断是否需要更新p
gbest
；
[0119]
⑥
判断是否满足停止条件(粒子达到全局最优解的位置或者算法的迭代次数达到上限)，若满足则停止搜索输出结果，否则返回继续搜索。
[0120]
s4、基于选定的评估指标，从求解得到的多组解中选取相应解，并按该相应解中的内容配置该多能系统。
[0121]
以下以具体实例进行说明：国内某海岛，多年平均总辐射量在5000mj/m2左右，属资源丰富区域，岛上现有总负荷约120kw，包括冷库20kw，抽水泵38kw，电热水器12kw，空气源热泵15kw等。
[0122]
输入量为：风机价格：7000元/kw，光伏价格：5500元/kw，储能容量价格：1100元/kwh，储能功率价格：500元/kwh，柴发价格：700元/kw，每小时燃料费：0.65元/kwh，蓄电池充放电效率：0.9，蓄电池soc上下限：0.1-0.9，风电容量上下限：0/1000kw，光伏容量上下限：0/1000kw，储能容量上下限：0/1000kwh。本优化的场景是在风机已有的情况下去配置光伏与储能，同时考虑输电线路约束以及损耗。
[0123]
利用本实施例中的计及线损的多能系统容量优化与配置方法进行优化，求解得到
100组解，将得到的100组解逐个输入到评估模块中，得到各组解对应的“缺电量”和“总损耗”这两项指标，根据这两项指标选取对应的优化解。
[0124]
选取合适的解(极端解或适中解)，得出所有的评估指标，包括光伏发电量、柴发发电量、弃电量、弃电率、缺电量、缺电次数、缺电率、储能吸收电量、储能供电量、新能源供电占比等。
[0125]
表1～表3展示优化求解后相应输出参数结果，共展示了两组极端解与适中解。
[0126]
表1、极端解(缺电量最少)
[0127]
光伏容量540kw储能容量327kwh储能功率上限164kw柴发容量67kw总成本363.76万元光伏发电量598641kwh柴发发电量276106kwh光伏弃电量266694kwh弃电率44.55％缺电量252.73kwh缺电率0.000034％总损耗119.932kwh储能吸收电量95370kwh储能供电量77250kwh新能源供电占比77.43％
[0128]
表2、极端解(损耗最低)
[0129]
光伏容量162kw储能容量20kwh储能功率上限10kw柴发容量50kw总成本119.77万元光伏发电量179681kwh柴发发电量378883kwh光伏弃电量17780kwh弃电率9.89％缺电量27031kwh缺电率0.29％总损耗43.786kwh储能吸收电量5486kwh储能供电量4443kwh新能源供电占比77.34％
[0130]
表3、适中解(总损耗适中且同时满足缺电量适中)
[0131][0132]