多场景优化的混合可再生能源系统投建决策方法及系统技术方案

本发明专利技术公开了一种多场景优化的混合可再生能源系统投建决策方法及系统，包括：构建拟规划的混合可再生能源系统(HRES),通过数学模型对各组件能量产出和消纳进行量化；构建基于该多目标优化模型，以各组件的配置数量及安装参数为决策变量；以系统年化成本最小和供电损失概率即电源损失概率最小为优化目标函数；通过对不同决策参数下的HRES进行仿真计算供电损失概率；采用基于场景优势的非支配排序遗传算法II对HRES的多场景、多目标优化模型进行求解。本发明专利技术从场景优势角度出发，优化了帕累托求解带来的不足，为不同的场景生成多样化的、均衡的解决方案,为HRES投资主体的投资决策和规划提供参考。规划提供参考。规划提供参考。

【技术实现步骤摘要】
多场景优化的混合可再生能源系统投建决策方法及系统


[0001]本专利技术涉及一种电网规划领域，具体地，涉及一种多场景下混合可再生能源系统(HRES)的多目标投资建设决策方法及系统。

技术介绍

[0002]在世界能源危机和全球环境迅速恶化的情况下，发展太阳能、风能等可再生能源是当务之急。尽管可再生能源具有可持续性和环境友好性等优点，但其不可预测和间歇性的特性不利于发电。幸运的是，太阳能和风能在不同季节和白天的互补性使得它们能够结合起来，即一个混合可再生能源系统(hybrid renewable energy system HRES)，能够减少不确定性的影响，提供更可靠的电力供应。
[0003]HRES无疑是未来能源应用的新趋势。到目前为止，大多数关于HRES优化设计的研究都是基于单场景的，鉴于在多目标优化HRES设计的背景下缺乏多情景研究。然而在实践中，基于单一场景的设计可能无效，因为HRES在其整个生命周期中通常会经历不同的场景。为了适当地处理多种情况，设计人员通常首先确定最坏的情况，然后为这种情况找到最佳设计。很容易知道，这样的设计既不经济也不高效，因为在那些非最坏情况下会浪费资源。对于其他不太占优势的场景，最坏情况的最佳解决方案可能会被高估。
[0004]因此，有必要重新审视HRES的设计，并通过多目标优化求解算法，为不同的场景生成多样化的、均衡的解决方案,为HRES投资主体的投资决策和规划提供参考，从而推动HRES的建设进程。

技术实现思路

[0005]本专利技术要解决的技术问题在于提供一种多场景下混合可再生能源系统(HRES)的多目标投资建设决策方法，可以科学有效地基于不同的场景生成一组多样化的、均衡的HRES规划方案。
[0006]本专利技术解决其技术问题所采用的技术方案是：构造一种多场景优化的混合可再生能源系统投建决策方法，包括以下步骤：
[0007]S1：考虑所规划可再生能源系统不同场景的运行情况，构建拟规划的混合可再生能源系统数学模型；
[0008]S2：基于混合可再生能源系统数学模型，构建基于多场景优化的多目标优化模型；
[0009]S3：通过对构建的多目标优化模型进行仿真，确定拟规划的混合可再生能源系统的运行方式，并通过仿真模型计算目标函数中所包含的电源损失；
[0010]S4：采用基于场景优势的非支配排序遗传算法II对混合可再生能源系统的多场景、多目标优化模型进行求解；
[0011]S5：基于上述求解结果，获得多场景下混合可再生能源系统的多目标投资建设方案，通过获得的各组件配置数量构件混合可再生能源系统，基于不同的场景生成一组多样化的、均衡的混合可再生能源系统规划方案。
[0012]优选地，所述步骤S1包括：确定拟构建的混合可再生能源系统的组成组件种类，对各类组件分别构建相应的运行数学模型。
[0013]优选地，所述步骤S1中所构建的混合可再生能源系统各组件运行数学模型为以小时为时间断面的模型，考虑不同时间断面的负荷需求，光伏产能和风机产能，通过仿真模型计算出不同场景下的电源损失情况。
[0014]优选地，所述步骤S2中，所述多目标优化模型由决策函数和目标函数组成。
[0015]优选地，，所述决策函数由混合可再生能源系统各组件的配置数量，以及风机安装高度，光伏电板安装角度共同组成。
[0016]优选地，所述步骤S2中，所述目标函数包括电源损耗和系统年化成本组成，其中系统年化成本由初始投资成本、运营和维护成本，电池更换成本，燃料消耗成本和温室气体排放成本组成。
[0017]优选地，其中温室气体排放成本包括燃料燃烧和混合可再生能源系统部件制造和运输过程中产生的排放两部分。
[0018]优选地，考虑到设计使用年限，经济年利率和通货膨胀率因素，通过资本回收因子和偿债基金因子量化系统年化成本。
[0019]优选地，所述目标函数包含多个场景，每个场景均设有相关的决策变量和目标函数，该公式化表达如下式：
[0020][0021]其中K表示场景的个数，F
LPSP
为电源损失概率，F
ASC
表示系统年化成本，x＝(N
pv
,α,N
wt
,H,N
bat
,N
dg
)表示决策变量,其中H为风机安装高度，α为光伏板安装角度，N
pv
指光伏板配置数量，N
wt
指风机配置数量，N
bat
指电池配置数量，N
dg
指柴油发电机配置数量。
[0022]优选地，所述电源损失概率F
LPSP
计算方法如下：
[0023][0024]其中，T为系统运行小时数，t
i
为电源状态，当供应小于负载时，t
i
＝1；当供应大于负载时，t
i
＝0。
[0025]优选地，所述步骤S3中，仿真模型的仿真步骤如下：
[0026]首先利用光伏风机的输出功率满足负载需求，
[0027]如果满足负载需求，且有多余的电力产生，多余的电力用于给电池充电，直到它们达到电池满荷状态；
[0028]如果不满足负载需求，电池放电以满足短缺，直到达到电池荷电为0状态；
[0029]如果负荷需求仍未满足，则柴油发电机开始工作，直到燃料用尽为止；
[0030]如果供需差距仍然不能满足，一些负荷将被切断，记录电源的损失；
[0031]整个仿真步骤为24T，T＝365，即8760个步骤，T表示情景的持续时间。
[0032]优选地，所述步骤S4中，求解多场景、多目标优化模型的基于场景优势的非支配排序遗传算法IIs
‑
NSGA
‑
II求解过程如下：
[0033]S1：遗传算法s
‑
NSGA
‑
II根据每个场景得到的帕累托最优解初始化N个解；
[0034]S2：在每一代中，通过交叉和变异操作生成N个子代解OS，采用多项式变异PM和模拟二元交叉SBX算子；
[0035]S3：将父解决方案和子代解决方案汇集在一起，根据场景
‑
优势关系和拥挤距离机制对联合解决方案进行排序；
[0036]S4：选取最优N个解作为下一次迭代的新父解PS。
[0037]本专利技术还提出一种多场景优化的混合可再生能源系统投建决策系统，包括：
[0038]混合可再生能源系统数学模型构建模块，用于构建拟规划的可再生能源系统，对各组件建立相应的数学模型以进行系统仿真获取不同场景下的相关运行数据；
[0039]多场景优化模型构件模块：基于混合可再生能源系统数学模型，构建基于多场景优化的多目标优化模型；
[0040]仿真模块：通过对构建的多目标优化模型进行仿真，确定拟规划的混合可再生能源系统的运行方式，并通过仿真模型计算目标函数中所包含的电源损失；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多场景优化的混合可再生能源系统投建决策方法，其特征在于，包括如下步骤：S1：考虑所规划可再生能源系统不同场景的运行情况，构建拟规划的混合可再生能源系统数学模型；S2：基于混合可再生能源系统数学模型，构建基于多场景优化的多目标优化模型；S3：通过对构建的多目标优化模型进行仿真，确定拟规划的混合可再生能源系统的运行方式，并通过仿真模型计算目标函数中所包含的电源损失；S4：采用基于场景优势的非支配排序遗传算法II对混合可再生能源系统的多场景、多目标优化模型进行求解；S5：基于上述求解结果，获得多场景下混合可再生能源系统的多目标投资建设方案，通过获得的各组件配置数量构件混合可再生能源系统，基于不同的场景生成一组多样化的、均衡的混合可再生能源系统规划方案。2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括：确定拟构建的混合可再生能源系统的组成组件种类，对各类组件分别构建相应的运行数学模型。3.根据权利要求2所述的方法，其特征在于，所述步骤S1中所构建的混合可再生能源系统各组件运行数学模型为以小时为时间断面的模型，考虑不同时间断面的负荷需求，光伏产能和风机产能，通过仿真模型计算出不同场景下的电源损失情况。4.根据权利要求1所述的方法，其特征在于，所述步骤S2中，所述多目标优化模型由决策函数和目标函数组成。5.根据权利要求4所述的方法，其特征在于，所述决策函数由混合可再生能源系统各组件的配置数量，以及风机安装高度，光伏电板安装角度共同组成。6.根据权利要求4所述的方法，其特征在于，所述步骤S2中，所述目标函数包括电源损耗和系统年化成本组成，其中系统年化成本由初始投资成本、运营和维护成本，电池更换成本，燃料消耗成本和温室气体排放成本组成。7.根据权利要求6所述的方法，其中温室气体排放成本包括燃料燃烧和混合可再生能源系统部件制造和运输过程中产生的排放两部分。8.根据权利要求6所述的方法，考虑到设计使用年限，经济年利率和通货膨胀率因素，通过资本回收因子和偿债基金因子量化系统年化成本。9.根据权利要求4所述的方法，其特征在于，所述目标函数包含多个场景，每个场景均设有相关的决策变量和目标函数，该公式化表达如下式：Scenario 1：minF(x)＝{F
LPSP
,F
ASC
}x＝(N
pv
,α,N
wt
,H,N
bat
,N
dg
)Scenario 2：minF(x)＝{F
LPSP
,F
ASC
}x＝(N
pv
,α,N
wt
,H,N
bat
,N
dg
)Scenario k：minF(x)＝{F
LPSP
,F
ASC
}x＝(N
pv
,α,N
wt
,H,N
bat
,N
dg
)
其中K表示场景的个数，F
LPSP
为电源损失概率，F
ASC
表示系统年化成本，x＝(N
pv
,α,N
wt
,H,N
bat
,N
dg
)表示决策变量,其中H为风机安装高度，α为光伏板安装角度，N
pv
指光伏板配置数量，N
wt
指风机配置数量，N
bat
指电池配置数量，N
dg
指柴油发电机配置数量。10.根据权利要求9所述的方法，其特征在于，所述电源损失概率F
LPSP
计算方法如下：其中，T为系统运行小时数，t
i
为电源状态，当供应小于负载时，t
i
＝1；当供应大于负载时，t
i
＝0。11.根据权利要求1所述的方法，其特征在于，所述步骤S3中，仿真模型的仿真步骤如下：首先利用光伏风机的输出功率满足负载需求，如果满足负载需求，且有多余的电力产生，多余的电力用于给电池充电，直到...

【专利技术属性】
技术研发人员：马倩，徐超，黄翔，王峰，刘汇川，吴霜，徐佳琪，许洪华，
申请(专利权)人：国网江苏省电力有限公司，
类型：发明
国别省市：