• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 17
    • 下载费用:30 金币  

    重庆时时彩杀号算法: 一种离网混合可再生能源系统的多目标优化设计方法.pdf

    摘要
    申请专利号:

    重庆时时彩单双窍门 www.4mum.com.cn CN201510187148.5

    申请日:

    2015.04.20

    公开号:

    CN104765967A

    公开日:

    2015.07.08

    当前法律状态:

    授权

    有效性:

    有权

    法律详情: 授权|||实质审查的生效IPC(主分类):G06F 19/00申请日:20150420|||公开
    IPC分类号: G06F19/00(2011.01)I 主分类号: G06F19/00
    申请人: 中国人民解放军国防科学技术大学
    发明人: 王锐; 史志超; 雷洪涛; 张涛; 刘亚杰; 查亚兵
    地址: 410073湖南省长沙市开福区德雅路109号
    优先权:
    专利代理机构: 北京中济纬天专利代理有限公司11429 代理人: 胡伟华
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201510187148.5

    授权公告号:

    ||||||

    法律状态公告日:

    2016.05.11|||2015.08.05|||2015.07.08

    法律状态类型:

    授权|||实质审查的生效|||公开

    摘要

    本发明公开了一种离网混合可再生能源系统的多目标优化设计方法,所述方法通过考虑某地区的光照、风速、温度等气象数据,以混合可再生能源系统年度化成本和功率供应缺损率最小化为目标,构建了适用于混合可再生能源系统的带约束的两目标优化模型,以期获得构成系统最佳配置的光伏板数量及安装倾角、风力机数量及安装高度、储能装置和柴油发电机的数量。利用了进化多目标优化算法NSGAII求解该模型,得到一组Pareto最优解,最后介绍了如何根据决策者的偏好信息,确定最终的实施方案。本发明采用多目标优化方法进行HRES的规划,更符合实际情况、可行性更强。

    权利要求书

    权利要求书
    1.  一种离网混合可再生能源系统的多目标优化设计方法,其特征在于包括以下步骤:
    第一步,设计HRES的优化目标以及约束函数,建立HRES的多目标优化设计模型;
    以最小化系统年度化成本和系统功率供应缺失率为目标,构建带约束的两目标优化问题,如下:
    min{Fcost,Freliablility}
    s.t.(Npv,Nwg,Nbat,Ndg)≥0  (1)
    Hlow≤Hwg≤Hhigh
    0°≤β≤90°
    其中Fcost表示系统总的年度成本,包括:系统中各类设备的初始投资成本、使用过程中的操作与维修成本以及部分设备的替换成本;Freliability表示系统功率供应缺失率,即系统不能满足负载的时间在仿真时间内所占的比例,值越小表示系统可靠性越高;Npv、Nwg、Nbat、Ndg分别表示HRES系统中待优化的光伏板、风机、电池组和柴油发电机的数量;Hwg表示风机的安装高度,β表示太阳能光伏板的安装倾角;
    假设组成HRES系统的各设备的型号已知,即光伏板、风力机、电池组和柴油发电机的性质和相关参数是确定的;其中光伏板参数包括开路电压、短路电流、最大工作电压、最大工作电流、额定工作温度(NCOT)、初始投资成本、操作维修成本以及使用寿命,风机参数包括额定功率、初始投资成本、操作维修成本以及使用寿命,储能设备即电池组参数包括额定容量、电压、最大放电深度(DOD)、初始投资成本、操作维修成本、替换成本以及使用寿命,柴油发电机参数包括额定功率、初始投资成本、每小时操作维修成本和使用寿命;
    根据上述已知的各设备相关数据,建立针对离网的HRES多目标优化设计模型;
    HRES规划设计模型涉及到多个类型的变量,包括光伏板数量、风机数量、电池组数量、柴油机数量、风机安装高度以及光伏板安装倾角,将上述变量进行编码,编码规则是:若编码显示为(22,8,28,3,23.55,59.76),那么使用22个给定的光伏板,8个风力发电机,28个电池组,3个柴油发电机,同时风机安装高度为23.55米,光伏板安装倾角为59.76°;
    结合各设备的寿命,以25年为项目周期,HRES系统年度成本目标函数为:
    ACS=Cainv(PV+WG+Tower+BAT+DG)
    +Caom(PV+WG+Tower+BAT+DG)  (2)
    +Carep(BAT)
    其中Cainv是年度初始投资成本,Caom是年度操作和维修成本,Carep是年替换成本,分别用下式计算:
    Cainv=∑Cinv·CRF(i,Lcom)  (3)
    CRF(i,Lcom)=i·(1+i)Lcom(1+i)Lcom-1---(4)]]>
    i=inom-f1+f---(5)]]>
    其中Cinv是每个元件的初始投资成本,CRF是资本回收因子,Lcom(year)是元件寿命,i是年实际利率,inom是名义利率,f是年通胀率;
    Carep=Crep·SFF(i,Lrep)  (6)
    SFF(i,Lrep)=i(1+i)Lrep-1---(7)]]>
    Caom(n)=Caom(1)·(1+f)n  (8)
    其中Crep是每个元件的替换成本,SFF是沉默资金因子,Lrep是元件替换寿命,Caom(n)是第n年的操作与维修成本;
    HRES一年时间内的功率供应缺失概率目标函数为:
    LPSP=Σt=0TT(Pavail(t)<Pload(t))T---(9)]]>
    其中T是一年总的小时数即8760,Pavail(t)和Pload(t)分别是每个仿真时间步长可用的功率供应和负载需求;负载由用户端获得,功率供应包括光伏发电和风力发电的供应、储能供应和柴油发电机供应四个部分;功率供应过程是:首先由光伏发电和风力发电直接供给负载以满足需求,当光伏发电和太阳能发电的功率大于负载时,多余的电量就给电池组充电;相反当发电量不能满足负载时,首先由储能装置放电,电池组达到最大放电深度仍不能满足负载时,柴油发电机作为备用电源使用,剩余的仍不能满足的负载会被切断以?;は低?;
    系统的功率供应用下式表示:
    Pavail(t)=Ppv(t)+Pwg(t)+Pbat(t)+Pdg(t)  (10)
    其中光伏发电和风机发电的功率分别由下式计算:
    TC(t)=TA(t)+NCOT-20800Sp(t,β)---(11)]]>

    VOC(t)=VOC,STC-KV·TC(t)  (13)
    Ppv(t,β)=NS·NP·VOC(t)·ISC(t,β)·FF(t)  (14)
    =Npv·VOC(t)·ISC(t,β)·FF(t)
    其中TC(t)是在时间t的光伏电池温度,TA(t)是时间t时的周围温度,NCOT是制造商提供的额定电池工作温度,Sp(t,β)是垂直于光伏板倾斜表面上的太阳辐射,ISC,STC和VOC,STC是模组在标准测试条件下的(温度25,太阳辐射1kW/m2)短路电流和开路电压,KI和KV是相应的温度系数;Ppv(t,β)是由一个包含NS个串联,NP个并联模组的光伏阵列的输出功率,FF(t)是填充因子;
    Pwg(t)=0,v<Vc12CPρAWGv3,Vcv<VrPWGR,Vr,v<Vf0,v&GreaterEqual;Vf---(15)]]>
    其中v是每一时刻的风速,CP是风机性能系数,ρ是空气密度,AWG是转子扫过的面积,PWGR是风机的额定功率;Vc是风机的切入速度,Vr是风机的额定风速,Vf是风机的切出风速;
    HRES规划中用到的太阳辐射、风速分布以及温度数据根据研究地区的历史数据进行相应处理得到即取过去十年的平均数据,或者根据分布函数产生模拟数据;
    第二步,利用NSGAII算法求解HRES规划模型,具体流程为:
    (1)算法参数设置:主要包括种群规模和终止条件,这里种群N设置为100,终止条件采用最大运行代数,设置为maxGen=100;
    (2)初始化种群,随机生成N=100个初始父代种群S;每个个体x有6个编码,即x=(Npv,Nwg,Nbat,Ndg,Hwg,β),其中0≤Npv≤30,0≤Nwg≤20,0≤Nbat≤30,0≤Ndg≤10,5≤Hwg≤30,0≤β≤90;
    (3)若满足终止条件,则终止计算,输出当前的非支配解集;否则,基于当前种群S,通过遗传重组算子产生子代种群Sc,规模也为N;具体操作步骤:
    (a)针对当前种群S内的每个个体xi,结合随机选择的另外两个个体xm和xn,通过式(17)产生新的个体xnew;其中表示新个体的第k个变量值,这里k=[1,2,...,6];F和CR分别为该操作的两个参数,这里设置为0.9和0.05;rand表示位于区间(0,1)的随机数;krand表示一个随机产生的位于区间[1,6]整数;floor()表示向下取整函数;
    xtempk=xik+F×(xmk-xnk)ifrand<CR or k=krandxikxnewk=floor(xtempk)ifk<5xtempk---(17)]]>
    (b)若产生的新个体为非可行解,即变量值超出了定义的上下界,则采取以下措施将其修正为可行解;其中ubk和lbk分别表示第k个变量的上下界;所有的xnew构成了子代种群Sc;
    xnewk=(ubk+lbk)2---(18)]]>
    (4)将父代S与子代Sc合并,得到规模为2N的合种群Sall=S∪Sc,对R中的个体进行个体非劣分层,然后计算每一个非劣层的个体局部拥挤距离,最后依据个体所处的非劣层及拥挤距离,对所有个体进行排序;
    (5)根据排序结果选取较优的N个体作为新的父代种群S;
    (6)重复(3)至(5)步,直至满足终止条件,即达到最大运行代数,输出S中的非支配个体作为所求解的解;
    第三步,结合决策者的偏好信息,从多个Pareto最优解中,选择一个作为最后HRES的实施方案;
    当决策者对成本比较重视时,则在满足成本限制的情况下,选择可靠性最高的方案,即功率供应缺失率最小的方案;当决策者比较重视系统供电可靠性时,则在满足功率供应缺失率的要求下,选择系统成本最小的方案。

    2.  根据权利要求1所述的离网混合可再生能源系统的多目标优化设计方法,其特征在于所述第二步的分步骤(4)中,个体非劣分层方法具体为:
    (a)将种群中的个体归一化:获取每一个目标函数fm的最大值,max(fm)和最小值,min(fm),然后依据下式将每个个体目标函数值转换到区间[0,1];
    f&OverBar;i(x)=fi(x)-min(fi)max(fi)-min(fi),i=1,2,...,M---(16)]]>
    (b)找出合成种群Sall中不被任何个体约束Pareto支配的个体,并保存在集合A1中,作为 第一非劣层;个体x约束支配个体y,当下列其中一个条件满足:(i)个体x和y均满足约束条件且(ii)个体x满足约束条件,而y不满足约束条件;(iii)个体x和y均不满足约束条件,个体x违反约束条件的程度小于个体y违反约束条件的程度;表示个体x支配个体y,当且仅当&ForAll;i&Element;1,2,...,M,fi(x)fi(y)&Exists;j&Element;1,2,...,M,fj(x)<fj(y),]]>M表示目标函数个数;即个体x在所有目标函数上不差于个体y,并且x至少在一个目标函数上优于y;
    (c)从Sall中除去所有在集合A1中的个体,剩余合成种群记为Sall\A1,重复(a),找出种群Sall\A1中不被任何个体约束Pareto支配的个体,并保存在集合A2中,作为第二非劣层;
    (d)依次类推,直至整个种群被分层完毕。

    3.  根据权利要求2所述的离网混合可再生能源系统的多目标优化设计方法,其特征在于所述第二步的分步骤(4)中,所述的拥挤距离直观上可看为个体xi周围包含个体xi但不包含其他个体的最小长方形;拥挤距离越小,说明个体周围越稠密;其具体计算方法如下:
    (a)针对每个目标函数fm,对种群内的个体进行排序;
    (b)对于边界个体即拥有最小fm值的个体,定义拥挤距离dist为无穷大;
    (c)同一非劣层中除边界外的其他个体xi的拥挤距离为
    dist(i)=Σm=12fmi-1-fmi+1fmmax-fmmin---(19)]]>
    其中和表示当前种群中目标函数fm的最大(小)值;和第i-1和i+1个个体的目标函数值。

    4.  根据权利要求3所述的离网混合可再生能源系统的多目标优化设计方法,其特征在于所述第二步的分步骤(4)中,所述的依据个体所处的非劣层及拥挤距离,对所有个体进行排序,具体指:(i)处于第i非劣层的个体优于第j(j>i)非劣层的个体;(ii)处于同一非劣层的个体,拥挤距离大的个体更优。

    说明书

    说明书一种离网混合可再生能源系统的多目标优化设计方法
    技术领域
    本发明涉及一种离网混合可再生能源系统的规划设计方法,具体而言是考虑能源系统中的各组件的数量和相关组件安装倾角、高度等的配置,最优化系统的各个目标。
    背景技术
    能源是人类赖以生存和发展的重要基础。进入21世纪,经济社会的急速发展使得能源需求不断增加,化石能源如煤、石油等随着快速消耗也不断减少,并且这些化石能源的大量使用造成的环境污染问题日益严重。能源问题和环境污染日益成为制约社会可持续发展的重要因素。面对能源问题和环境问题带来的双重压力,大力发展新能源、加强利用可再生能源成为经济社会发展的一种迫切需要。
    混合可再生能源系统(Hybrid Renewable Energy Systems,HRES)是一种以合适的方式组合使用不同种类的可再生能源和化石能源的系统,能够克服单一可再生能源的间歇性、不稳定性等缺点。具体而言是包括光伏发电、风力发电、柴油发电机发电以及储能装置的能源系统。离网是指该系统没有接入系统电网。离网混合可再生能源系统一般适用于海岛、山区之类的偏远地区。这些地区通常用户比较少,负载比较低,现阶段并入大电网比较困难且不够经济。
    关于HRES的规划设计可以分为单目标优化和多目标优化研究,目前大部分研究都是考虑了单目标的优化,如最小化系统的总成本、最大化可靠性、最小化温室气体排放量等。然而从实际角度出发,HRES的规划设计通常是一个多目标优化问题,即多个目标如成本、可靠性等需要同时优化,此外还需要考虑混合系统中各组件的数量、光伏板安装倾角、风机安装高度等,因此HRES的规划设计是一个多变量、离散、非线性的复杂优化问题。
    发明内容
    由于多目标优化问题的复杂性,传统的优化算法如线性规划、梯度法等已不能有效地解决问题,针对现有技术存在的缺陷,本发明的目的是提出一种离网混合可再生能源系统的多目标优化设计方法。
    本发明的技术方案是:
    第一步,设计HRES的优化目标以及约束函数,建立HRES的多目标优化设计模型;
    以最小化系统年度化成本和系统功率供应缺失率为目标,构建带约束的两目标优化问题,如下:
    min{Fcost,Freliablility}
    s.t.(Npv,Nwg,Nbat,Ndg)≥0   (1)
    Hlow≤Hwg≤Hhigh
    0°≤β≤90°
    其中Fcost表示系统总的年度成本,包括:系统中各类设备的初始投资成本、使用过程中的操作与维修成本以及部分设备的替换成本;Freliability表示系统功率供应缺失率,即系统不能满足负载的时间在仿真时间内所占的比例,值越小表示系统可靠性越高;Npv、Nwg、Nbat、Ndg分别表示HRES系统中待优化的光伏板、风机、电池组和柴油发电机的数量;Hwg表示风机 的安装高度,β表示太阳能光伏板的安装倾角;
    假设组成HRES系统的各设备的型号已知,即光伏板、风力机、电池组和柴油发电机的性质和相关参数是确定的;其中光伏板参数包括开路电压、短路电流、最大工作电压、最大工作电流、额定工作温度(NCOT)、初始投资成本、操作维修成本以及使用寿命,风机参数包括额定功率、初始投资成本、操作维修成本以及使用寿命,储能设备即电池组参数包括额定容量、电压、最大放电深度(DOD)、初始投资成本、操作维修成本、替换成本以及使用寿命,柴油发电机参数包括额定功率、初始投资成本、每小时操作维修成本和使用寿命;
    根据上述已知的各设备相关数据,建立针对离网的HRES多目标优化设计模型;
    HRES规划设计模型涉及到多个类型的变量,包括光伏板数量、风机数量、电池组数量、柴油机数量、风机安装高度以及光伏板安装倾角,将上述变量进行编码,编码规则是:若编码显示为(22,8,28,3,23.55,59.76),那么使用22个给定的光伏板,8个风力发电机,28个电池组,3个柴油发电机,同时风机安装高度为23.55米,光伏板安装倾角为59.76°;
    结合各设备的寿命,以25年为项目周期,HRES系统年度成本目标函数为:
    ACS=Cainv(PV+WG+Tower+BAT+DG)
    +Caom(PV+WG+Tower+BAT+DG)   (2)
    +Carep(BAT)
    其中Cainv是年度初始投资成本,Caom是年度操作和维修成本,Carep是年替换成本,分别用下式计算:
    Cainv=ΣCinv·CRF(i,Lcom)   (3)
    CRF(i,Lcom)=i&CenterDot;(1+i)Lcom(1+i)Lcom-1---(4)]]>
    i=inom-f1+f---(5)]]>
    其中Cinv是每个元件的初始投资成本,CRF是资本回收因子,Lcom(year)是元件寿命,i是年实际利率,inom是名义利率,f是年通胀率;
    Carep=Crep·SFF(i,Lrep)   (6)
    SFF(i,Lrep)=i(1+i)Lrep-1---(7)]]>
    Caom(n)=Caom(1)·(1+f)n   (8)
    其中Crep是每个元件的替换成本,SFF是沉默资金因子,Lrep是元件替换寿命,Caom(n)是第n年的操作与维修成本;
    HRES一年时间内的功率供应缺失概率目标函数为:
    LPSP=Σt=0TT(Pavail(t)<Pload(t))T---(9)]]>
    其中T是一年总的小时数即8760,Pavail(t)和Pload(t)分别是每个仿真时间步长可用的功率供应和负载需求;负载由用户端获得,功率供应包括光伏发电和风力发电的供应、储能供应和柴油发电机供应四个部分;功率供应过程是:首先由光伏发电和风力发电直接供给负载以满足需求,当光伏发电和太阳能发电的功率大于负载时,多余的电量就给电池组充电;相反 当发电量不能满足负载时,首先由储能装置放电,电池组达到最大放电深度仍不能满足负载时,柴油发电机作为备用电源使用,剩余的仍不能满足的负载会被切断以?;は低?;
    系统的功率供应用下式表示:
    Pavail(t)=Ppv(t)+Pwg(t)+Pbat(t)+Pdg(t)   (10)
    其中光伏发电和风机发电的功率分别由下式计算:
    TC(t)=TA(t)+NCOT-20800Sp(t,β)---(11)]]>

    VOC(t)=VOC,STC-KV·TC(t)   (13)
    Ppv(t,β)=NS·NP·VOC(t)·ISC(t,β)·FF(t)
    =Npv·VOC(t)·ISC(t,β)·FF(t)   (14)
    其中TC(t)是在时间t的光伏电池温度,TA(t)是时间t时的周围温度,NCOT是制造商提供的额定电池工作温度,Sp(t,β)是垂直于光伏板倾斜表面上的太阳辐射,ISC,STC和VOC,STC是模组在标准测试条件下的(温度25,太阳辐射1kW/m2)短路电流和开路电压,KI和KV是相应的温度系数;Ppv(t,β)是由一个包含NS个串联,NP个并联模组的光伏阵列的输出功率,FF(t)是填充因子;
    Pwg(t)=0,v<Vc12CPρAWGv3,Vcv<VrPWGR,Vrv<Vf0,v&GreaterEqual;Vf---(15)]]>
    其中v是每一时刻的风速,CP是风机性能系数,ρ是空气密度,AWG是转子扫过的面积,PWGR是风机的额定功率;Vc是风机的切入速度,Vr是风机的额定风速,Vf是风机的切出风速;
    HRES规划中用到的太阳辐射、风速分布以及温度数据根据研究地区的历史数据进行相应处理得到即取过去十年的平均数据,或者根据分布函数产生模拟数据;
    第二步,利用NSGAII算法求解HRES规划模型,具体流程为:
    (1)算法参数设置:主要包括种群规模和终止条件,这里种群N设置为100,终止条件采用最大运行代数,设置为maxGen=100;
    (2)初始化种群,随机生成N=100个初始父代种群S;每个个体x有6个编码,即x=(Npv,Nwg,Nbat,Ndg,Hwg,β),其中0≤Npv≤30,0≤Nwg≤20,0≤Nbat≤30,0≤Ndg≤10,5≤Hwg≤30,0≤β≤90;
    (3)若满足终止条件,则终止计算,输出当前的非支配解集;否则,基于当前种群S,通过遗传重组算子产生子代种群Sc,规模也为N。具体操作步骤:
    (a)针对当前种群S内的每个个体xi,结合随机选择的另外两个个体xm和xn,通过式(17)产生新的个体xnew。其中表示新个体的第k个变量值,这里k=[1,2,...,6];F和CR分别为该操作的两个参数,这里设置为0.9和0.05;rand表示位于区间(0,1)的随机数;krand表示一个随机产生的位于区间[1,6]整数;floor()表示向下取整函数。
    xtempk=xik+F×(xmk-xnk)ifrand<CRork=krandxik---(16)]]>
    xnewk=floor(xtempk)ifk<5xtempk]]>
    (b)若产生的新个体为非可行解,即变量值超出了定义的上下界,则采取以下措施将其修正为可行解。其中ubk和lbk分别表示第k个变量的上下界。所有的xnew构成了子代种群Sc。
    xnewk=(ubk+lbk)2---(17)]]>
    (4)将父代S与子代Sc合并,得到规模为2N的合种群Sall=S∪Sc,对R中的个体进行非劣分层,然后计算每一个非劣层的个体局部拥挤距离,最后依据个体所处的非劣层及拥挤距离,对所有个体进行排序。
    其中:所述的个体非劣分层方法具体为:
    (a)将种群中的个体归一化:获取每一个目标函数fm的最大值,max(fm)和最小值,min(fm),然后依据下式将每个个体目标函数值转换到区间[0,1]。
    f&OverBar;i(x)=fi(x)-min(fi)max(fi)-min(fi)i=1,2,...,M---(18)]]>
    (b)找出合成种群Sall中不被任何个体约束Pareto支配的个体,并保存在集合A1中,作为第一非劣层;我们称个体x约束支配个体y,当下列其中一个条件满足:(i)个体x和y均满足约束条件且x<y;(ii)个体x满足约束条件,而y不满足约束条件;(iii)个体x和y均不满足约束条件,个体x违反约束条件的程度小于个体y违反约束条件的程度。x<y表示个体x支配个体y,当且仅当&ForAll;i&Element;1,2,...,M,fi(x)fi(y)&Exists;j&Element;1,2,...,M,]]>fj(x)<fj(y),M表示目标函数个数;即个体x在所有目标函数上不差于个体y,并且x至少在一个目标函数上优于y。
    (c)从Sall中除去所有在集合A1中的个体,剩余合成种群记为Sall\A1,重复(a),找出种群Sall\A1中不被任何个体约束Pareto支配的个体,并保存在集合A2中,作为第二非劣层。
    (d)依次类推,直至整个种群被分层完毕。
    所述的拥挤距离(记为dist),直观上可看为个体xi周围包含个体xi但不包含其他个体的最小长方形;拥挤距离越小,说明个体周围越稠密。其具体计算方法如下:
    (a)针对每个目标函数fm,对种群内的个体进行排序;
    (b)对于边界个体(即拥有最小fm值的个体),定义拥挤距离dist为无穷大;
    (c)同一非劣层中除边界外的其他个体xi的拥挤距离为
    dist(i)=Σm=12fmi-1-fmi+1fmmax-fmmin---(19)]]>
    其中和表示当前种群中目标函数fm的最大(小)值;和第i-1和i+1个个体的目标函数值。
    所述的依据个体所处的非劣层及拥挤距离排序方法,具体指:(i)处于第i非劣层的个体优于第j(j>i)非劣层的个体;(ii)处于同一非劣层的个体,拥挤距离大的个体更优。
    (5)根据排序结果选取较优的N个体作为新的父代种群S。
    (6)重复(3)至(5)步,直至满足终止条件,即达到最大运行代数,输出S中的非支 配个体作为所求解的解;
    第三步,结合决策者的偏好信息,从多个Pareto最优解中,选择一个作为最后HRES的实施方案;
    当决策者对成本比较重视时,则在满足成本限制的情况下,选择可靠性最高的方案,即功率供应缺失率最小的方案;当决策者比较重视系统供电可靠性时,则在满足功率供应缺失率的要求下,选择系统成本最小的方案。
    在本发明中:离网混合可再生能源系统规划是指:如何确定合适数量的光伏板、风机、柴油发电机、储能设备以及安装方式以使得整个能源系统尽可能满足区域负载需求,同时最经济、最环保。
    多目标优化问题是指:同时对多个目标进行优化,由于各个目标之间通常是联系在一起且互相制约、互相竞争,即某个目标的改善可能引起其他目标的退化,很难找到一个真正意义上的最优解使得各个优化目标同时达到最优,因此多目标优化问题的最优解通常是一个非劣解的集合,即Pareto最优解集。求解多目标优化问题的核心是找到一组分布均匀的Pareto最优解。
    进化多目标优化算法是通过模拟或揭示某些自然现象或过程发展而来的基于种群的优化算法,其思想和内容涉及数学、生物学和计算机学科等。该类算法不依赖于梯度信息,一次运行能够找到一组Pareto最优解,具有全局、并行、高效、鲁棒和通用性强等特点。是求解复杂非线性多目标优化问题的有效方法。它不同于传统的处理多目标优化问题的方法,如加权法、约束法、目标规划法等,这些传统方法通过构建一个评价函数,将多目标问题转化为单目标优化问题,然后利用一般的求解方法计算得到问题的一个解。NSGAII是进化多目标优化算法中的一个经典算法。
    本发明的有益技术效果是:
    (1)本发明采用多目标优化方法进行HRES的规划,更符合实际情况、可行性更强。
    (2)本发明求解问题时采用进化多目标优化算法,能够同时找到一组各有优点的Pareto最优解,供决策者根据不同的情况,选择实施。
    附图说明
    图1典型离网混合可再生能源系统示意图
    图2HRES设计方案编码
    图3进化多目标优化算法NSGAII求解HRES规划问题的流程图
    图4HRES规划的Pareto非支配解集
    具体实施方式
    本发明提供的离网混合可再生能源系统的多目标优化设计方法,具体步骤如下:
    第一步,设计HRES的优化目标以及约束函数,建立HRES的多目标优化设计模型。
    一个典型的离网风光柴储能源系统如图1所示。针对这类典型系统,以最小化系统年度化成本和系统功率供应缺失率为目标,考虑相关决策变量的约束条件,构建带约束的两目标优化问题,如下
    min{Fcost,Freliablility}
    s.t.(Npv,Nwg,Nbat,Ndg)≥0   (20)
    Hlow≤Hwg≤Hhigh
    0°≤β≤90°
    其中Fcost表示系统总的年度成本,包括:系统中各类设备的初始投资成本、使用过程中的 操作与维修成本以及部分设备的替换成本;Freliability表示系统功率供应缺失率,即系统不能满足负载的时间在仿真时间内(以一年为例)所占的比例,值越小表示系统可靠性越高。Npv等表示HRES系统中光伏等各类设备的数量,即待优化的光伏板、风机、电池组和柴油发电机的数量;Hwg表示风机的安装高度,β表示太阳能光伏板的安装倾角。
    假设组成HRES系统的各设备的型号已知,即光伏板、风力机、电池组和柴油发电机的性质和相关参数是确定的。这些设备的模拟数据分别如表1-4所示。其中光伏板参数包括开路电压、短路电流、最大工作电压、最大工作电流、额定工作温度(NCOT)、初始投资成本以及操作维修成本等,风机参数包括额定功率、初始投资成本、操作维修成本、使用寿命等,储能设备(电池组)参数包括额定容量、电压、最大放电深度(DOD)、初始投资成本、操作维修成本以及替换成本等,柴油发电机相关参数包括额定功率、初始投资成本、每小时操作维修成本和使用寿命等。
    表1 光伏板相关参数(假设每块光伏板面积为1米2)

    表2 风力机相关参数

    表3 储能设备相关参数

    表4 柴油机相关参数

    根据表1至4中提供的设备相关数据,建立针对离网的HRES多目标优化设计模型,具体而言,是指找出各类设备数量的最佳组合方式以及光伏板安装倾角、风机安装高度等,使得HRES既经济又有较高的可靠性。
    HRES规划设计模型涉及到多个类型的变量,如:使用某类型设备的数量(整数变量),光伏板安装倾角、风机安装高度(实数变量)。具体一个实施方案的编码规则如图2。
    方案编码考虑了6个变量,包括光伏板数量、风机数量、电池组数量、柴油机数量、风机安装高度以及光伏板安装倾角。以下面编码为例,若编码显示为(22,8,28,3,23.55,59.76),那么使用22个给定的光伏板,8个风力发电机,28个电池组,3个柴油发电机,同时风机安装高度为23.55米,光伏板安装倾角为59.76°。
    结合各设备的寿命,以25年为项目周期,由此仿真过程中只有电池组需要考虑替换成本,HRES系统年度成本目标函数为:
    ACS=Cainv(PV+WG+Tower+BAT+DG)
    +Caom(PV+WG+Tower+BAT+DG)   (21)
    +Carep(BAT)
    其中Cainv是年度初始投资成本,Caom是年度操作和维修成本,Carep是年替换成本,分别可以用下式计算:
    Cainv=ΣCinv·CRF(i,Lcom)   (22)
    CRF(i,Lcom)=i&CenterDot;(1+i)Lcom(1+i)Lcom-1---(23)]]>
    i=inom-f1+f---(24)]]>
    其中Cinv是每个元件的初始投资成本,CRF是资本回收因子,Lcom(year)是元件寿命,i是年实际利率,inom是名义利率,f是年通胀率。
    Carep=Crep·SFF(i,Lrep)   (25)
    SFF(i,Lrep)=i(1+i)Lrep-1---(26)]]>
    Caom(n)=Caom(1)·(1+f)n   (27)
    其中Crep是每个元件的替换成本,SFF是沉默资金因子,Lrep是元件替换寿命,Caom(n)是第n年的操作与维修成本。
    HRES一年时间内的功率供应缺失概率目标函数为:
    LPSP=Σt=0TT(Pavail(t)<Pload(t))T---(28)]]>
    其中T是考虑的一年总的小时数即8760,Pavail(t)和Pload(t)分别是每个仿真时间步长可用的功率供应和负载需求。负载可以由用户端获得,功率供应包括光伏发电和风力发电的供应、储能供应和柴油发电机供应等四个部分。功率供应过程是:首先由光伏发电和风力发电直接供给负载以满足需求,当光伏发电和太阳能发电的功率大于负载时,多余的电量就给电池组充电。相反当发电量不能满足负载时,首先由储能装置放电,电池组达到最大放电深度仍不能满足负载时,柴油发电机作为备用电源使用,剩余的仍不能满足的负载会被切断以?;は低?。
    系统的功率供应可用下式表示:
    Pavail(t)=Ppv(t)+Pwg(t)+Pbat(t)+Pdg(t)   (29)
    其中光伏发电和风机发电的功率分别可以由下式计算:
    TC(t)=TA(t)+NCOT-20800Sp(t,β)---(30)]]>

    VOC(t)=VOC,STC-KV·TC(t)   (32)
    Ppv(t,β)=NS·NP·VOC(t)·ISC(t,β)·FF(t)
    =Npv·VOC(t)·ISC(t,β)·FF(t)   (33)
    其中TC(t)是在时间t的光伏电池温度,TA(t)是时间t时的周围温度,NCOT是制造商提 供的额定电池工作温度,Sp(t,β)是垂直于光伏板倾斜表面上的太阳辐射,ISC,STC和VOC,STC是模组在标准测试条件下的(温度25,太阳辐射1kW/m2)短路电流和开路电压,KI和KV是相应的温度系数;Ppv(t,β)是由一个包含NS个串联,NP个并联模组的光伏阵列的输出功率,FF(t)是填充因子。
    Pwg(t)=0,v<Vc12CPρAWGv3,Vcv<VrPWGR,Vrv<Vf0,v&GreaterEqual;Vf---(34)]]>
    其中v是每一时刻的风速,CP是风机性能系数,ρ是空气密度,AWG是转子扫过的面积,PWGR是风机的额定功率。Vc是风机的切入速度,Vr是风机的额定风速,Vf是风机的切出风速。
    HRES规划中用到的太阳辐射、风速分布以及温度数据可以根据研究地区的历史数据进行相应处理得到,如取过去十年的平均数据,也可以根据分布函数产生模拟数据。
    第二步,利用NSGAII算法求解HRES组合优化模型,如图3所示,具体流程为:
    (1)算法参数设置:主要包括种群规模和终止条件,这里种群N设置为100,终止条件采用最大运行代数,设置为maxGen=100。当然针对不同的问题和问题规模,可以选择不同参数值。
    (2)初始化种群,随机生成N=100个初始父代种群S。每个个体x有6个编码,即x=(Npv,Nwg,Nbat,Ndg,Hwg,β),其中0≤Npv≤30,0≤Nwg≤20,0≤Nbat≤30,0≤Ndg≤10,5≤Hwg≤30,0≤β≤90;
    (3)若满足终止条件,则终止计算,输出当前的非支配解集;否则,基于当前种群S,通过遗传重组算子产生子代种群Sc,规模也为N。具体操作步骤:
    (a)针对当前种群S内的每个个体xi,结合随机选择的另外两个个体xm和xn,通过下式产生新的个体xnew。其中表示新个体的第k个变量值,这里k=[1,2,...,6];F和CR分别为该操作的两个参数,这里设置为0.9和0.05;rand表示位于区间(0,1)的随机数;krand表示一个随机产生的位于区间[1,6]整数;floor()表示向下取整函数。
    xtempk=xik+F×(xmk-xnk)ifrand<CRork=krandxik---(35)]]>
    xnewk=floor(xtempk)ifk<5xtempk]]>
    (b)若产生的新个体非可行解,则采取以下措施将其修正为可行解。其中ubk和lbk分别表示第k个变量的上下界。所有的xnew构成了子代种群Sc。
    xnewk=(ubk+lbk)2---(36)]]>
    (4)将父代S与子代Sc合并,得到规模为2N的合种群Sall=S∪Sc,对Sall中的个体进行非劣分层,然后计算每一个非劣层的个体局部拥挤距离,最后依据个体所处的非劣层及拥挤距离,对所有个体进行排序。
    所述的个体非劣分层方法具体为:
    (a)将种群中的个体归一化:获取每一个目标函数fm的最大值,max(fm)和最小值,min(fm),然后依据下式将每个个体目标函数值转换到区间[0,1]。
    f&OverBar;i(x)=fi(x)-min(fi)max(fi)-min(fi)i=1,2,...,M---(37)]]>
    (b)找出合成种群Sall中不被任何个体约束Pareto支配的个体,并保存在集合A1中,作为第一非劣层;我们称个体x约束支配个体y,当下列其中一个条件满足:(i)个体x和y均满足约束条件且x<y;(ii)个体x满足约束条件,而y不满足约束条件;(iii)个体x和y均不满足约束条件,个体x违反约束条件的程度小于个体y违反约束条件的程度。x<y表示个体x支配个体y,当且仅当&ForAll;i&Element;1,2,...,M,fi(x)fi(y)&Exists;j&Element;1,2,...,M,]]>fj(x)<fj(y),M表示目标函数个数;即个体x在所有目标函数上不差于个体y,并且x至少在一个目标函数上优于y。
    (c)从Sall中除去所有在集合A1中的个体,剩余合成种群记为Sall\A1,重复(a),找出种群Sall\A1中不被任何个体约束Pareto支配的个体,并保存在集合A2中,作为第二非劣层。
    (d)依次类推,直至整个种群被分层完毕。
    所述的拥挤距离(记为dist),直观上可看为个体xi周围包含个体xi但不包含其他个体的最小长方形;拥挤距离越小,说明个体周围越稠密。其具体计算方法如下:
    (a)针对每个目标函数fm,对种群内的个体进行排序;
    (b)对于边界个体(即拥有最小fm值的个体),定义拥挤距离dist为无穷大;
    (c)同一非劣层中除边界外的其他个体xi的拥挤距离为
    dist(i)=Σm=12fmi-1-fmi+1fmmax-fmmin---(38)]]>
    其中和表示当前种群中目标函数fm的最大(小)值;和第i-1和i+1个个体的目标函数值。
    所述的依据个体所处的非劣层及拥挤距离排序方法,具体指:(i)处于第i非劣层的个体优于第j(j>i)非劣层的个体;(ii)处于同一非劣层的个体,拥挤距离大的个体更优。
    (5)根据排序结果选取较优的N个体作为新的父代种群S。
    (6)重复(3)至(5)步,直至满足终止条件,即达到最大运行代数,输出S中的非支配个体作为所求解的解;
    依据表1至4中的数据,以及模型中的其它已知的气象数据如光照、风速和温度等,负载数据也可以由用户端获取。以一年为仿真周期,一小时为仿真步长,最终求解得到的Pareto最非支配集如图4所示。
    第三步,结合决策者的偏好信息,从多个Pareto最优解中,选择一个作为最后HRES的实施方案??梢源恿街智榭隹悸牵旱本霾哒叨猿杀颈冉现厥邮?,则在满足成本限制的情况下,选择可靠性最高的方案,即功率供应缺失率最小的方案;当决策者比较重视系统供电可靠性时,则在满足功率供应缺失率的要求下,选择系统成本最小的方案。
    综上所述,虽然本发明已以较佳实施揭露如上,然其并非用以限定本发明,任何本领域普通技术人员,在不脱离本发明的精神和范围内,当可作各种更动与润饰,因此本发明的?;し段У笔尤ɡ笫榻缍ǖ姆段?。

    关 键 词:
    一种 混合 可再生能源 系统 多目标 优化 设计 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    关于本文
    本文标题:一种离网混合可再生能源系统的多目标优化设计方法.pdf
    链接地址://www.4mum.com.cn/p-5894769.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03