本發(fā)明涉及清潔能源混合系統(tǒng)，具體涉及一種基于風(fēng)光互補(bǔ)的混合能源系統(tǒng)在隨機(jī)模型下的優(yōu)化方法。

背景技術(shù)：

在偏遠(yuǎn)地區(qū)，通過遠(yuǎn)距離輸電線進(jìn)行供電是比較困難且經(jīng)濟(jì)效益較差的，而這些地區(qū)又缺乏電站，若選擇電網(wǎng)連接，其高昂的成本及復(fù)雜的地形也是一大難題，所以這就迫使人們尋求其他的方法來解決這個問題?；诳稍偕茉吹莫毩⒒旌夏茉聪到y(tǒng)就成為了可滿足這些需求的可行方案。

可再生能源中，風(fēng)能和太陽能在偏遠(yuǎn)地區(qū)是較為豐富的，使用風(fēng)能/太陽能可以減少燃料成本及傳統(tǒng)電網(wǎng)一部分的運行、維護(hù)成本。但所能節(jié)省的資本成本取決于風(fēng)能/太陽能的可安裝容量，同時風(fēng)能/太陽能其本身的不穩(wěn)定性是混合能源系統(tǒng)的主要缺點。通常，使用電池組作為輔助能源以提高系統(tǒng)的穩(wěn)定性，不過功率平衡問題對由間歇性發(fā)電裝置供能的獨立電網(wǎng)來說仍是一個難題。在獨立電網(wǎng)中需要安排更大容量的儲能設(shè)備以保證足夠的安全性及穩(wěn)定性，不過大容量儲能設(shè)備也會導(dǎo)致投資和運行成本的增加，所以找到一個合適的容量使系統(tǒng)在穩(wěn)定性和成本之間達(dá)到相對平衡的狀態(tài)就成為了需要解決的關(guān)鍵問題。

技術(shù)實現(xiàn)要素：

針對上述現(xiàn)狀與相關(guān)技術(shù)存在的問題，本發(fā)明對此提出了一種基于風(fēng)光互補(bǔ)的混合能源系統(tǒng)設(shè)計優(yōu)化方法。根據(jù)所設(shè)計的混合能源系統(tǒng)結(jié)構(gòu)框圖，提出了通過風(fēng)速、太陽輻射值和負(fù)載需求的歷史數(shù)據(jù)建立隨機(jī)數(shù)學(xué)模型，給出目標(biāo)函數(shù)及約束條件，最后利用智能優(yōu)化算法對函數(shù)進(jìn)行求解，得出風(fēng)/光/儲能系統(tǒng)的最優(yōu)容量。在本發(fā)明中使用ARMA模型代表風(fēng)速、太陽輻射值和負(fù)載需求的不確定性，用連續(xù)蒙特卡洛仿真(SMCS)模型按時間序列表示系統(tǒng)的狀態(tài)，其后列出目標(biāo)函數(shù)使得混合能源系統(tǒng)的一次性投資成本和運行維護(hù)成本最低，同時將穩(wěn)定性指標(biāo)EENS也作為約束條件。本發(fā)明的創(chuàng)新點主要可總結(jié)為以下兩點：1)提出了一種基于自適應(yīng)進(jìn)化策略結(jié)合Fischer–Burmeister算法的優(yōu)化方案；2)研究在不同的穩(wěn)定性/負(fù)載轉(zhuǎn)移水平下儲能單元參數(shù)對系統(tǒng)投資成本的影響，從而讓決策者可以在滿足負(fù)載需求的前提下靈活的選擇合適的安裝容量，同時保持一個較低的投資成本。

為了實現(xiàn)上述目的，首先要建立隨機(jī)模型并且對其可靠性概率進(jìn)行評估。ARMA模型是由自回歸模型(AR(p))和移動平均數(shù)法(MA(q))結(jié)合而成，該模型可通過負(fù)載、風(fēng)速和太陽輻射值的歷史數(shù)據(jù)來預(yù)估負(fù)載需求、風(fēng)速和太陽輻射值?；旌夏茉聪到y(tǒng)的不確定性主要包括負(fù)載需求的變化、風(fēng)速的變化、太陽輻射的變化、風(fēng)力渦輪機(jī)和光伏板的設(shè)備故障率等問題，可通過計算穩(wěn)定性指標(biāo)EENS對其可靠性概率進(jìn)行評估。

目標(biāo)函數(shù)的設(shè)定是為了使在混合能源系統(tǒng)的整個運行周期中風(fēng)/光/儲能系統(tǒng)的一次性投資成本和可變成本最低化。這些成本主要包括電池、風(fēng)力渦輪機(jī)和光伏板的安裝及維護(hù)成本、柴油機(jī)的燃料消耗成本。

對之前建立的關(guān)于成本的目標(biāo)函數(shù)可使用自適應(yīng)進(jìn)化策略(SAES)進(jìn)行求解。該方法在種群中隨機(jī)選取一個父代，通過突變產(chǎn)生子代，在這些子代中選取最優(yōu)的個體重復(fù)突變選擇過程，直到達(dá)到迭代次數(shù)，產(chǎn)生最優(yōu)結(jié)果。但SAES的突變機(jī)制未將方案的可行性考慮在內(nèi)，因此不具有可行性的后代會頻繁出現(xiàn)，此外，計算量方面的負(fù)擔(dān)也會很高，這是因為SAES的搜索容量取決于種群規(guī)模。故該算法可能會陷入局部最優(yōu)的狀態(tài)。為了克服這些缺點，本發(fā)明采用Fischer-Burmeister優(yōu)化方法結(jié)合SAES對該目標(biāo)函數(shù)進(jìn)行求解。

基于風(fēng)光互補(bǔ)的混合能源系統(tǒng)優(yōu)化方法，其特征在于包括以下步驟：

步驟一、根據(jù)一個時間序列內(nèi)可得到的負(fù)載需求/風(fēng)速/太陽輻射值的歷史數(shù)據(jù)，再使用ARMA模型通過獲得的歷史數(shù)據(jù)對下一時序的負(fù)載需求/風(fēng)速/太陽輻射值進(jìn)行預(yù)測；ARMA(p,q)模型由自回歸模型(AR(p))和移動平均數(shù)法(MA(q))結(jié)合而成：

其中，y_t表示預(yù)測值，用y_t(1)、y_t(2)和y_t(3)分別表示負(fù)載/風(fēng)速/太陽輻射值的預(yù)測值，統(tǒng)一以y_t表示預(yù)測值進(jìn)行數(shù)學(xué)計算；Φ_i是自回歸模型AR的系數(shù)，θ_j是移動平均數(shù)MA的系數(shù)，ε_t-j是常規(guī)的獨立分布式隨機(jī)白噪聲過程，該模型給出了在連續(xù)時間上任一點的值是先前p點和q白噪聲點的線性組合；

將過去一年內(nèi)每個月的預(yù)測值數(shù)據(jù)分為一個個片段；在前一年每小時的時序安排內(nèi)，ARMA模型的輸出值使用評價標(biāo)準(zhǔn)化誤差進(jìn)行評價化與比例化處理；由式(1)計算出每小時負(fù)載/風(fēng)速/太陽輻射值，如下式：S_t＝μ_t+σ_ty_t (2)

其中，μ_t、σ_t分別表示每小時預(yù)測值的平均值和標(biāo)準(zhǔn)誤差；

在已知某年數(shù)據(jù)的基礎(chǔ)上，通過前一年數(shù)據(jù)和ARMA模型進(jìn)行預(yù)測后與真實數(shù)據(jù)進(jìn)行對比，選出絕對百分比誤差最小的p，q參數(shù)，得到關(guān)于負(fù)載、風(fēng)速和太陽輻射的ARMA模型；

步驟二、ARMA可靠性概率評估，包括以下子步驟：

2.1)風(fēng)力渦輪機(jī)的初始狀態(tài)假設(shè)為啟動；

2.2)在風(fēng)力渦輪機(jī)的一個狀態(tài)周期內(nèi)進(jìn)行采樣，狀態(tài)周期的采樣值由下式給出：其中D、R分別表示周期和[0,1]區(qū)間內(nèi)的一個隨機(jī)數(shù)，γ表示基于現(xiàn)狀態(tài)下的中斷/維修率；

2.3)由ARMA負(fù)載模型給出負(fù)載需求樣本；

2.4)在一個時間序列中重復(fù)步驟2.2)和2.3)，采樣結(jié)果按時間進(jìn)行排序；

2.5)整個工作時序中所提供能量的中斷功率需求的累計值被定義為計算穩(wěn)定性指標(biāo)EENS并計算此值；

步驟三、列出目標(biāo)函數(shù)：

其中，C_ES為儲能系統(tǒng)的成本，C_PV為光伏板的安裝、維護(hù)成本，C_wt為風(fēng)力渦輪機(jī)的安裝、維護(hù)成本；

C_ES＝p_bat×Q_bat+(λ_bat×p_bat+m_bat)×Q_bat

C_wt＝IC×P_r+(IC×λ_wt+m_wt)×P_r

C_PV＝ICC×P_pv+(ICC×λ_PV+m_PV)×P_pv

其中，p_bat、Q_bat、λ_bat、m_bat分別表示電池的單位價格、電池容量、電池的折現(xiàn)率、電池維護(hù)成本；IC、ICC表示風(fēng)力渦輪機(jī)和光伏板的安裝成本，λ_wt、λ_PV表示風(fēng)力渦輪機(jī)和光伏板的折現(xiàn)率，m_wt、m_PV表示風(fēng)力渦輪機(jī)和光伏板的維護(hù)成本，P_r、P_pv表示風(fēng)力渦輪機(jī)和光伏板的額定功率；

步驟四、根據(jù)列出的目標(biāo)函數(shù)，限定各變量的約束條件，包括儲能約束和穩(wěn)定性約束條件；電池的充放電過程約束條件如下：

若則

若則

儲能約束提供負(fù)載管理過程，分為以下幾個子步驟：4.1)若風(fēng)能、太陽能所提供的功率未能滿足負(fù)載需求水平，同時電池內(nèi)的儲能幾乎為零，則要采用負(fù)載轉(zhuǎn)移策略；4.2)轉(zhuǎn)移負(fù)載被傳遞到下一個時間區(qū)間；4.3)若在負(fù)載轉(zhuǎn)移之后仍不能滿足功率平衡，則再負(fù)載需求在一個特定的功率水平下被打斷；4.4)重復(fù)子步驟4.1-4.3，并對式(4)重新計算，直至達(dá)到功率平衡；

穩(wěn)定性分析中的概率性指標(biāo)EENS可通過下式計算：

其中，ENS表示未使用能量，N表示樣本數(shù)；據(jù)此給出下述穩(wěn)定性約束：

EENS≤EENS_max (6)

步驟五、在給出了目標(biāo)函數(shù)和約束條件之后，需要通過智能算法來解決；本發(fā)明運用自適應(yīng)進(jìn)化策略(SAES)進(jìn)行對風(fēng)速、太陽輻射和負(fù)載需求由ARMA模型所得的預(yù)測值進(jìn)行初始化，然后再運用Fischer-Burmeister優(yōu)化方法進(jìn)行求解式(3)關(guān)于成本的目標(biāo)函數(shù)，從而得到混合能源系統(tǒng)中光伏模塊、風(fēng)力渦輪機(jī)和電池組的最優(yōu)容量使整個系統(tǒng)的成本最低。

本發(fā)明的主要優(yōu)點是：1)參考?xì)v史數(shù)據(jù)所建立的ARMA模型相比于傳統(tǒng)數(shù)學(xué)模型更加準(zhǔn)確；2)引入了穩(wěn)定性指標(biāo)EENS，使得整體模型的穩(wěn)定性加以改善；3)Fischer-Burmeister優(yōu)化方法結(jié)合SAES一起使用，在突變產(chǎn)生的后代個體中，具有高適應(yīng)度的個體會被限定在Fischer-Burmeister優(yōu)化方法所規(guī)定的約束范圍之內(nèi)，相比于傳統(tǒng)方法，能夠在全局內(nèi)求得最優(yōu)結(jié)果，避免了局部最優(yōu)的情況，同時計算量也大大減少，使得優(yōu)化過程的速度得到增加。

附圖說明

圖1是本發(fā)明的混合能源系統(tǒng)結(jié)構(gòu)示意圖；

圖2是本發(fā)明基于風(fēng)光互補(bǔ)的混合能源系統(tǒng)優(yōu)化方法的流程圖；

具體實施方式

本發(fā)明的目的在于提出一種基于風(fēng)/光互補(bǔ)的混合能源系統(tǒng)設(shè)計優(yōu)化方法，根據(jù)所設(shè)計的混合能源系統(tǒng)結(jié)構(gòu)框圖，如圖1所示，本發(fā)明的多能源系統(tǒng)主要由風(fēng)能、太陽能和儲能電池組成，提出了通過風(fēng)速、太陽輻射值和負(fù)載需求的歷史數(shù)據(jù)建立隨機(jī)數(shù)學(xué)模型，給出目標(biāo)函數(shù)及約束條件，最后利用智能優(yōu)化算法對函數(shù)進(jìn)行求解，得出風(fēng)/光/儲能系統(tǒng)的最優(yōu)容量。如圖2所示，包括以下步驟：1、首先建立關(guān)于目標(biāo)變量的ARMA模型。根據(jù)一個時間序列內(nèi)可得到的負(fù)載需求/風(fēng)速/太陽輻射值的歷史數(shù)據(jù)，使用ARMA模型通過獲得的歷史數(shù)據(jù)對下一時序的負(fù)載需求/風(fēng)速/太陽輻射值進(jìn)行預(yù)測。ARMA(p,q)模型由自回歸模型(AR(p))和移動平均數(shù)法(MA(q))結(jié)合而成：

其中，Φ_i是自回歸模型AR的系數(shù)，θ_j是移動平均數(shù)MA的系數(shù)，ε_t-j是常規(guī)的獨立分布式隨機(jī)白噪聲過程，該模型給出了在連續(xù)時間上任一點的值是先前p點和q白噪聲點的線性組合。

將過去一年內(nèi)每個月的數(shù)據(jù)分為一個個片段，故在一個月內(nèi)相同的時間有好幾個數(shù)據(jù)點。因此，在前一年每小時的時序安排內(nèi)，ARMA模型的輸出值需使用評價標(biāo)準(zhǔn)化誤差進(jìn)行評價化與比例化處理。由式(1)可計算出每小時負(fù)載/風(fēng)速/太陽輻射值，見下式：

S_t＝μ_t+σ_ty_t (2)

其中，μ_t、σ_t分別表示每小時負(fù)載/風(fēng)速/太陽輻射的平均值和標(biāo)準(zhǔn)誤差。

在已知某年數(shù)據(jù)的基礎(chǔ)上，通過前一年數(shù)據(jù)和ARMA模型進(jìn)行預(yù)測后與真實數(shù)據(jù)進(jìn)行對比，選出絕對百分比誤差最小的p，q參數(shù)，得到關(guān)于負(fù)載、風(fēng)速和太陽輻射的最準(zhǔn)確ARMA模型。

2、在建立了關(guān)于負(fù)載需求/風(fēng)速/太陽輻射值的ARMA模型后，需要使用SAES模型對變量進(jìn)行初始化，同時對負(fù)載/風(fēng)速/太陽輻射值進(jìn)行采樣，通過個體的約束條件對其可靠性概率進(jìn)行評估。混合能源系統(tǒng)的不確定性主要包括負(fù)載需求的變化、風(fēng)速的變化、太陽輻射的變化和風(fēng)力渦輪機(jī)/光伏板設(shè)備故障率問題。其中，針對風(fēng)力渦輪機(jī)可采用雙態(tài)模型來控制其啟-停順序，具體可分為以下步驟：

1)風(fēng)力渦輪機(jī)的初始狀態(tài)假設(shè)為啟動；2)在風(fēng)力渦輪機(jī)的一個狀態(tài)周期內(nèi)進(jìn)行采樣，狀態(tài)周期的采樣值由下式給出：其中D、R分別表示周期和[0,1]區(qū)間內(nèi)的一個隨機(jī)數(shù)，γ表示基于現(xiàn)狀態(tài)下的中斷/維修率；3)由ARMA負(fù)載模型給出的負(fù)載需求樣本；4)在一個時間序列中重復(fù)步驟2)和3)，采樣結(jié)果按時間進(jìn)行排序；5)計算穩(wěn)定性指標(biāo)EENS。

3、根據(jù)發(fā)明目的列出目標(biāo)函數(shù)。本發(fā)明的目標(biāo)是使得基于風(fēng)/光互補(bǔ)的混合能源系統(tǒng)在整個運行周期內(nèi)一次性投資成本和可變成本最低，故據(jù)此可列出目標(biāo)函數(shù)：

其中，C_ES為儲能系統(tǒng)的成本，C_PV為光伏板的安裝、維護(hù)成本，C_wt為風(fēng)力渦輪機(jī)的安裝、維護(hù)成本。

C_ES＝p_bat×Q_bat+(λ_bat×p_bat+m_bat)×Q_bat

C_wt＝IC×P_r+(IC×λ_wt+m_wt)×P_r

C_PV＝ICC×P_pv+(ICC×λ_PV+m_PV)×P_pv

其中，p_bat、Q_bat、λ_bat、m_bat分別表示電池的單位價格、電池容量、電池的折現(xiàn)率、電池維護(hù)成本。IC、ICC表示風(fēng)力渦輪機(jī)和光伏板的安裝成本，λ_wt、λ_PV表示風(fēng)力渦輪機(jī)和光伏板的折現(xiàn)率，m_wt、m_PV表示風(fēng)力渦輪機(jī)和光伏板的維護(hù)成本，P_r、P_pv表示風(fēng)力渦輪機(jī)和光伏板的額定功率。

4、根據(jù)列出的目標(biāo)函數(shù)，限定各變量的約束條件，主要可分為儲能約束和穩(wěn)定性約束。電池的充放電過程如下：

若則

若則

儲能約束提供負(fù)載管理過程分為以下幾部分：1)若風(fēng)能、太陽能所提供的功率未能滿足負(fù)載需求水平，同時電池內(nèi)的儲能幾乎為零，則要采用負(fù)載轉(zhuǎn)移策略；2)轉(zhuǎn)移負(fù)載被傳遞到下一個時間區(qū)間；3)若在負(fù)載轉(zhuǎn)移之后仍不能滿足功率平衡，則再負(fù)載需求在一個特定的功率水平下被打斷；4)重復(fù)1-3步并對式(4)重新計算，直至達(dá)到功率平衡。

而在整個工作時序中中斷功率需求的累計值被定義為提供能量(EENS)，所以EENS在穩(wěn)定性分析中是一個概率性指標(biāo)：

其中，ENS表示未使用能量，N表示樣本數(shù)。據(jù)此，可給出下述穩(wěn)定性約束：

EENS≤EENS_max (6)

5、在給出了目標(biāo)函數(shù)和約束條件之后，需要通過智能算法來解決這樣一個數(shù)學(xué)問題。本發(fā)明運用自適應(yīng)進(jìn)化策略(SAES)進(jìn)行變量初始化，然后再運用Fischer-Burmeister優(yōu)化方法進(jìn)行求解關(guān)于成本的目標(biāo)函數(shù)，從而得到混合能源系統(tǒng)中光伏模塊、風(fēng)力渦輪機(jī)和電池組的最優(yōu)容量使整個系統(tǒng)的成本最低。具體步驟如下：1)列出風(fēng)速、太陽輻射和負(fù)載需求的ARMA模型；2)通過SAES對參數(shù)進(jìn)行初始化操作；3)在一個周期內(nèi)進(jìn)行采樣，對每個采樣數(shù)據(jù)給出約束條件，若違反約束條件分配出一個不可行的方案，則需要給目標(biāo)函數(shù)附加一個較大的補(bǔ)償系數(shù)；4)估算突變后代的適應(yīng)度值，并應(yīng)用Fischer-Burmeister優(yōu)化方法進(jìn)行約束限制，以對突變率進(jìn)行相應(yīng)的修改；5)重復(fù)該過程直至滿足終止條件；6)得出個體的最優(yōu)適應(yīng)度值。

本發(fā)明的主要優(yōu)點是：1)參考?xì)v史數(shù)據(jù)所建立的ARMA模型相比于傳統(tǒng)數(shù)學(xué)模型更加準(zhǔn)確；2)引入了穩(wěn)定性指標(biāo)EENS，使得整體模型的穩(wěn)定性加以改善；3)Fischer-Burmeister優(yōu)化方法結(jié)合SAES一起使用，在突變產(chǎn)生的后代個體中，具有高適應(yīng)度的個體會被限定在Fischer-Burmeister優(yōu)化方法所規(guī)定的約束范圍之內(nèi)，相比于傳統(tǒng)方法，能夠在全局內(nèi)求得最優(yōu)結(jié)果，避免了局部最優(yōu)的情況，同時計算量也大大減少，使得運算速度得到增加。