风光蓄互补发电系统电源容量优化配置

欧嘉文 许又丹 吴薛伟 王茜茹

(中国农业大学,北京 100083)

风光蓄互补发电系统电源容量优化配置

欧嘉文 许又丹 吴薛伟 王茜茹

(中国农业大学,北京 100083)

风力、光伏发电随时间、空间的变化趋势具有良好的互补性,故可建立风光互补发电系统改善二者的随机性、波动性与间歇性等不利特性。为弥补风光输出的上述不利特性,可在风光互补发电系统中配置储能装置,组成风/光/蓄微电网,进行经济、稳定地供电。[4]

在对风/光/蓄微电网进行经济评估时充分考虑各分布式电源的全生命周期成本的优化配置研究还较为少见。本文采用遗传算法,考虑在满足供电可靠性条件下,全生命周期成本最小为其中优化子目标,取各电源装机数量、蓄电池充放电次数等作为约束条件,提出一种改进容量优化配置模型。最后以某一实地为例,对方案进行仿真和计算,验证所提出的优化方法。

风光蓄互补发电 微电网 全生命周期

1 风/光/蓄微电网各部分数学模型

1.1 风/光/蓄微电网的基本结构

风光互补发电系统结构中分布式电源为风力发电机和光伏阵列,蓄电池作为储能元件。当风力发电机、光伏阵列提供的电能大于负载所需,则给蓄电池充电储存能量;当风力发电机、光伏阵列不能满足负载时,蓄电池放电为负载供电。

1.2 风力发电机模型

风力发电是利用风力机将风能转化为机械能,然后通过风力发电机转换为电能。大量实验表明,风机的输出功率与实际风速及风力发电机的输出特性有关。因此,风力发电机的数学模型为

1.3 光伏发电模型

光伏发电是利用光伏阵列将光能转化为电能。光伏阵列的输出功率与光照度、温度等自然条件有关。光伏阵列的功率输出为

式中, fPV为光伏系统的功率降额因数,表示光伏系统实际输出功率与额定条件下输出功率的比值; YPV为光伏阵列容量(kW); IT为地表水平面实测光照度; IS为标准测试条件下的光照度; ∝P为功率温度系数; Tcell为当前光伏电池的表面温度(℃); Tcell, STC为标准测试条件下的光伏电池温度。

1.4 蓄电池充放电模型

当风力和光伏出力不足时,蓄电池放电,系统的功率关系为

当风力和光伏出力充足时,系统多余的功率蓄电池充电,系统的功率关系为

2 风光互补发电系统的容量优化配置模型

2.1 优化配置目标函数

本文综合建立了全生命周期成本、负荷缺电率(loss of power supply probability,LPSP)、风光互补特性和能源浪费率4个指标最小为优化子目标的多目标规划模型。目标函数表达式为

式中： FCOST为风光互补发电系统年投资运行费用; fLPSP为负荷缺电率; fWASTE为能源浪费率; DL为风光互补特性。

2.2 优化配置的子目标

2.2.1 全生命周期成本

借鉴微电源经济性计算HOMER软件[1],本文基于全生命周期的风光互补发电系统投资运行费用为分别为微电源种类、个数和第 i类微电源的最大个数; eij为0-1变量,决定第 i类第 j个微电源安装与否;

剩余价值的计算公式如下：

式中, TE为原件运行年限; TG为风光互补发电系统运行年限。

2.2.2 负荷缺电率

负荷缺电率 fLPSP定义为

式中, N为选取的采样区间的点数。 fLPSP越小,供电可靠性越高。

2.2.3 风光互补特性

本文利用风电、光伏的输出功率和相对于负荷功率的波动率 DL来表征风光互补特性。

2.2.4 能源浪费率

能源浪费率 fWASTE定义为

式中, N为选取的采样区间的点数。

2.3 多目标权重标准化

本文利用判断矩阵法将多目标函数转化为单目标函数

判断矩阵法的核心是根据各目标之间的等级关系确定判断矩阵,形成准则如表1所示。

针对风光畜的容量优化问题,可将两个目标根据重要性分等级：负荷缺电率之间反映供电可靠性,作为第1等级目标;全生命周期成本作为反映当前方案经济性的重要考核指标,将其作为第2等级目标;风光互补特性反映了风电、光伏的输出功率曲线与负荷曲线的接近程度,将其作为第3等级目标;能源浪费率作为第4等级目标。结合上述分析,取判断数形成判断矩阵

2.4 优化配置约束条件

2.4.1 供电可靠性

负荷供电的可靠性水平用负荷缺电率来衡量,要求负荷缺电率小于制定的标准值

经过矩阵处理后,得到目标权重矢量

式中,Lλ为负荷允许的最大缺电率。

2.4.2 风力发电机的相关约束

由于地理环境等限制,使得具备建立风光互补供电系统的建设面积会受到一定限制,因此风机数量应小于最大装机容量。

2.4.3 蓄电池充放电约束

本文对铅酸蓄电池建模,采用动态充放电模型,考虑铅酸蓄电池的寿命因素,对系统运行过程中蓄电池的充放电作了限制

表1 判断矩阵形成准则

表2 最小成本下系统优化配置结果

2.4.4 蓄电池的充放电次数约束

铅酸蓄电池的充放电次数和放电深度对其寿命影响很大,因此需要对其放电次数和放电深度进行限制为充放电功率,其中

式中, SOC为蓄电池的荷电状态,其中为给定值;为循环充放电次数,其中为给定值。

3 基于遗传算法的容量优化配置求解方法

遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。本文利用遗传算法,通过变异、交叉、迭代来寻找最优解。

3.1 染色体编码策略

本文首先根据风机与光伏等相关约束,选取风机与光伏数量范围,在该范围下计算蓄电池数量并设置初始种群的性质。对于该范围下的风机光伏数量,计算出有N种组合方式,将其作为种群数量。每个个体的染色体上有三个基因,分别为风机数量、光伏数量和蓄电池数量。

3.2 优化配置流程

(1)输入待优化配置的地区的风力、光伏、温度、地区面积和负荷等数据。

(2)获得初始风力发电机、光伏阵列数据范围。

(3)编码。

(4)产生初始化种群,设置迭代次数。

(5)进行蓄电池数量计算。

(6)计算适应度函数,对违反约束条件的个体,在适应度函数后添加罚函数。

4 算例分析

4.1 算例

应用本文所提的算法模型,对表1及图1所示的实际数据进行互补发电系统的优化配置。表1给出的数据为某地区一年中4天(96小时)的负载、风力、光照、温度等数据。该系统内部峰荷为37.19kW,平均负荷为17.46kW,且一年中电荷负载的起伏比较大。

下面结合说明本程序的计算原理：

由于本文的规划模型适用于偏远地区,土地资源丰富,不用考虑占地面积的约束,系统的规划主要受微电网所在地区的可再生能源资源的限制,因此本文对以下三种情形进行计算：(1)微电网的备选能源仅考虑风机和蓄电池,此种情形适用于风力资源丰富而光能资源相对缺乏的地区;(2)微电网的备选电源仅考虑光伏阵列和蓄电池,此种情形适用于光能资源丰富而风力资源相对缺乏的地区;(3)微电网的备选能源全部考虑分机、光伏阵列和蓄电池,此种情形适用于风、光资源都十分丰富的地区应用。

在以上三种情形下,应用本程序,表2给出了最小投资成本目标下,采用遗传算法求解得到的三种情形的微电网优化配置结果。

4.2 算例分析

(1)表3中可以看出,在风力资源和光能资源都充足的条件下,能以最少的成本实现系统的优化配置,所以,该系统用在风光资源充足的地区最合适。

(2)当风、光资源只有一种时,充足的光照比充足的风能更加节省系统投资。

(3)本文的成本只考虑风机、光伏电池、蓄电池的购买成本(价格),并未考虑其安装、运输等费用,实际应用时应结合当地的实际情况进行考虑。

5 结语

本文提出一种基于遗传算法的风光蓄互补发电系统优化配置方案。从节约投资成本的角度出发,综合考虑了风机、光伏电池、蓄电池的设备花费、供电可靠性、缺电率等因素,建立了多目标优化,计及储能电源充放电、微电网系统全年离网孤岛运行充裕性为约束条件,通过遗传算法快速、有效地找出最佳配置组合的微电网系统电源配置方案。通过对某处实际数据进行算例分析,得出了如下结论：

(1)本系统在风力、光能资源丰富的地区能充分利用资源、发挥最大效果、实现投资成本的最小化。

(2)从节约投资成本的角度来看,光照资源丰富的地区比风力资源丰富的地区更加适合发展微电网。

(3)微电网能够利用当地的自然能源进行发电,并结合蓄电池的充放电功能实现独立系统的稳定供电。这种充分利用自然资源、节能环保、安全稳定的供电系统应该大力推广发展。

[1]国家电网公司．《风光储输示范工程关键技术研究》国家科技支撑计划可行性论证报告[R].北京：国家电网公司,2010．

[2]张丽英,叶廷路,辛耀中,等.大规模风电接入电网的相关问题及措施[J]．中国电机工程学报,2010,30(25)：1-9．

[3]王一波,许洪华.基于机会约束规划的并网光伏电站极限容量研究[J].中国电机工程学报,2010,30(22)：22-28．

[4]王皓怀,汤涌,侯俊贤,邹江峰,梁双,苏峰.风光储联合发电系统的组合建模与等值[J].中国电机工程学报,2011,34：1-9+11.

[5]何勇琪,张建成,鲍雪娜.并网型风光储混合发电系统中储能系统容量优化研究[J].华北电力大学学报(自然科学版),2012,04：1-5.

[6]李登峰,谢开贵,胡博,陈涛,万凌云.基于净效益最大化的微电网电源优化配置[J].电力系统保护与控制,2013,20.

[7]周康.风光(柴)储联合发电系统容量配置方法研究[D].电子科技大学,2012.

[8]朱兰,严正,杨秀,符杨,陈洁.风光储微网系统蓄电池容量优化配置方法研究[J].电网技术,2012,12：26-31.