本发明涉及分布式发电系统容量配置优化研究，特别涉及一种风光储分布式能源系统容量配置方法。本发明建立了风光储分布式发电系统数学模型，以费用年值为优化目标函数，建立了系统电负荷平衡约束，建立了一个完整的容量配置优化模型，采用最小最大后悔值优化来增强负荷条件变动情况下系统经济效益的鲁棒性，该方法对于系统经济运行具有重要意义。
1.一种风光储分布式能源系统容量配置方法，其特征在于，包括以下步骤：第一步：分别建立光伏发电系统、风力发电系统和蓄电池数学模型，通过电量平衡构成风光储分布式发电系统；
式中：Epv表示Δt时间段内光伏发电系统的累积发电量/kWh；Ppv，i表示太阳能光伏i时2
刻发电功率/kW；Spv表示太阳能光伏板面积/m ；Ipv，i表示单位面积光伏板i时刻接收太阳辐‑2射量/kW·h·m ；ηpv，i表示太阳能光伏i时刻发电效率；
式中，Pwt为风机输出功率；v为风机轮毂高度处的风速；vci、vr、vco分别为风机切入风速、额定风速、切出风速；Pwt‑rate为风机的额定功率；A、B、C为风机风速功率特性曲线参数，对于不同风机会有所不同，可根据风机厂家提供的风速功率曲线经过多项式拟合获得；Ewt表示Δt时间段内风力发电系统的累积发电量/kWh；
当电力供应大于电负荷需求时，蓄电池对电能进行存储：EES(i)＝(1‑σES)·EES(i‑1)+PES，c(i)·ηS，c·Δt
当电力供应小于电负荷需求时，蓄电池对电能进行释放：EES(i)＝(1‑σES)·EES(i‑1)‑PES，d(i)/ηES，d·Δt
式中：EES(i)为蓄电池i时刻蓄电池剩余电能/kW·h；σES为蓄电池自身能量损耗率；PES，c(i)为蓄电池i时刻储电功率/kW；ηES，c为蓄电池充电效率；PES，d(i)为蓄电池i时刻放电功率/kW；ηES，d为蓄电池放电效率；
第二步：确定优化过程中的目标函数、约束条件以及各设备配置方案；
为了体现风光储系统的经济性，采用费用年值作为优化配置的目标函数：AC＝ACC+AOC+Cm
式中：AC表示系统费用年值/元；ACC表示系统年初投资费用/元；AOC表示系统年运行费用/元；Cm表示系统年维修费用/元；R表示投资回收系数；ICC表示系统总初投资；i0表示年利率；j表示系统设备寿命年限，假设所有设备寿命年限相同；Nn表示第n个设备的安装容量/kW；Pn表示第n个设备的单位容量投资成本/元/kW；m表示供能系统设备总数；Eit，grid表示第i天第k小时的购电/kW·h；μit，grid表示第i天第k小时的购电价/元/(kW·h)；ε为比例系数；
Edmn≤EPV+EWT+EES+Egrid式中：Edmn表示用户电负荷需求/kW·h；EPV表示太阳能光伏发电量/kW·h；EWT表示风电机组发电量/kW·h；EES表示蓄电池释电量/kW·h；Egrid表示电网购电量/kW·h；
根据不同型号的光伏电池板、风机以及蓄电池进行设备型号组合，形成N个系统设备配置方案；
第三步：基于负荷不确定性，采用最小最大后悔值法进行鲁棒优化配置，获取最优方案；
式中：α表示负荷不确定度，y表示负荷的实际值/kW；
采用最小最大后悔值法进行鲁棒优化配置分为2步：(1)采用优化算法求解获得各系统设备配置方案在不同的负荷条件下的费用年值，确定在各种负荷条件中费用年值最小的方案，如表1所示；
表中AC(N，1)表示第N种配置方法在第1种负荷条件下优化所得的费用年值，“*”表示在该种负荷条件下，该方案的费用年值最小；
(2)把各种情况下的费用年值减去相应负荷条件下的最小费用年值，求得后悔值；找出各种方案在不同负荷条件下的最大后悔值；在已确定的各个最大后悔值种找出最小的最大后悔值，对应方案既为最优方案，如表2所示：表2最小最大后悔值求解过程表
2.表中RN，1代表第N种配置方案在第1种负荷条件下的后悔值，max(RN，k)代表第N种方案在三种负荷条件下的最大后悔值，min[max(Rl，k)]表示在共l个最大后悔值中最小的后悔值，该最小最大后悔值所对应的方案即为考虑负荷不确定性后经济效益鲁棒性最优的风光储分布式发电系统容量配置方案。
一种风光储分布式能源系统容量配置方法
技术领域
[0001] 本发明涉及分布式发电系统容量配置优化研究，特别涉及一种风光储分布式能源系统容量配置方法。
背景技术
[0002] 由于可再生能源环保性能优良、资源分布广泛、适宜就地开发利用，近年来，含储能装置的风光互补分布式发电系统得到了越来越广泛的应用。分布式发电系统的容量配置对于系统经济效益具有重要影响，同时该类系统的容量配置具体由用户电负荷决定，因此，电负荷的不确定性对于风光储分布式能源系统的经济效益会产生重要影响，采用考虑负荷不确定性的容量配置优化方法对于风光储分布式发电系统的设计具有重要意义。
[0003] 在目前的分布式发电系统容量配置研究中，大多数研究者采用用户的负荷预测值作为分布式发电系统容量配置优化的负荷依据，以此设计出来的分布式发电系统在实际运行过程，往往会因为预测负荷值与实际负荷值的偏差，导致系统设备投资浪费或者不足，经济效益无法得到充分发挥，在极端情况下可能会陷入弃风、弃光甚至停机的尴尬境地，为了充分发挥风光储分布式发电系统的经济效益，有必要研究考虑负荷不确定因素的系统容量配置优化方法，从而为该类系统的优化设计提供科学指导。
发明内容
[0004] 本发明的目的在于提供一种风光储分布式能源系统容量配置方法，充分发挥该类系统的经济效益，为该类系统的设计优化提供指导。包括以下步骤：
[0005] (一)建立风光储分布式发电系统数学模型；
[0006] (二)确定优化过程中的目标函数、决策变量、约束条件以及各设备配置方案；
[0007] (三)基于负荷不确定性，采用最小最大后悔值法进行鲁棒优化配置，获取最优方案。
[0008] 所述步骤(一)中，分别建立光伏发电系统、风力发电系统和蓄电池数学模型，通过电量平衡构成风光储分布式发电系统；
[0009] (1)太阳能光伏组件数学模型
[0010] Ppv，i＝Spv·Ipv，i·ηpv，i
[0011] Epv＝Ppv，i·Δt
[0012] 式中：Epv表示Δt时间段内光伏发电系统的累积发电量/kWh；Ppv，i表示太阳能光伏2
i时刻发电功率/kW；Spv表示太阳能光伏板面积/m ；Ipv，i表示单位面积光伏板i时刻接收太‑2
阳辐射量/kW·h·m ；ηpv，i表示太阳能光伏i时刻发电效率；
[0013] (2)风力发电数学模型
[0014]
[0015] Ewt＝Pwt(v)·Δt
[0016] 式中，Pwt(v)为风机在风速为v时的输出功率；v为风机轮毂高度处的风速；vci、vr、vco分别为风机切入风速、额定风速、切出风速；Pwt‑rate为风机的额定功率；A、B、C为风机风速功率特性曲线参数，对于不同风机会有所不同，可根据风机厂家提供的风速功率曲线经过多项式拟合获得；Ewt表示Δt时间段内风力发电系统的累积发电量/kWh；
[0017] (3)蓄电池数学模型
[0018] 当电力供应大于电负荷需求时，蓄电池对电能进行存储：
[0019] EES(i)＝(1‑σES)·EES(i‑1)+PES，c(i)·ηES，c·Δt
[0020] 0＜ηES，c＜1
[0021] 当电力供应小于电负荷需求时，蓄电池对电能进行释放：
[0022] EES(i)＝(1‑σES)·EES(i‑1)‑PES，d(i)/ηES，d·Δt
[0023] 0＜ηES，d＜1
[0024] 式中：EES(i)为蓄电池i时刻蓄电池剩余电能/kW·h；σES为蓄电池自身能量损耗率；PES，c(i)为蓄电池i时刻储电功率/kW；ηES，c为蓄电池充电效率；PES，d(i)为蓄电池i时刻放电功率/kW；ηES，d为蓄电池放电效率。
[0025] 所述步骤(二)中，确定优化过程中的目标函数、约束条件以及各设备配置方案；
[0026] 为了体现风光储系统的经济性，采用费用年值作为优化配置的目标函数：
[0027] AC＝ACC+AOC+Cm
[0028] ACC＝R·ICC
[0029]
[0030]
[0031]
[0032] Cm＝ε×ACC
[0033] 式中：AC表示系统费用年值/元；ACC表示系统年初投资费用/元；AOC表示系统年运行费用/元；Cm表示系统年维修费用/元；R表示投资回收系数；ICC表示系统总初投资；i0表示年利率；j表示系统设备寿命年限，假设所有设备寿命年限相同；Nn表示第n个设备的安装容量/kW；Pn表示第n个设备的单位容量投资成本/元/kW；m表示供能系统设备总数。Eit，grid表示第i天第k小时的购电/kW·h；μit，grid表示第i天第k小时的购电价/元/(kW·h)；ε为比例系数。
[0034] 设置电负荷平衡约束：
[0035] Edmn≤EPV+EWT+EES+Egrid
[0036] 式中：Edmn表示用户电负荷需求/kW·h；EPV表示太阳能光伏发电量/kW·h；EWT表示风电机组发电量/kW·h；EES表示蓄电池释电量/kW·h；Egrid表示电网购电量/kW·h。
[0037] 根据不同型号的光伏电池板、风机以及蓄电池进行设备型号组合，形成N个系统设备配置方案。
[0038] 所述步骤(三)中，基于负荷不确定性，采用最小最大后悔值法进行鲁棒优化配置，获取最优方案。
[0039] 采用负荷不确定度表征负荷不确定性：
[0040] (1‑α)y≤y≤(1+α)y
[0041] 式中：α表示负荷不确定度，y表示负荷的实际值/kW。
[0042] 采用最小最大后悔值法进行鲁棒优化配置分为2步：
[0043] (1)采用优化算法求解获得各系统设备配置方案在不同的负荷条件下的费用年值，确定在各种负荷条件中费用年值最小的方案，如表1所示；
[0044] 表1各配置方案下费用年值表
[0045]
[0046] 表中AC(N，1)表示第N种配置方法在第1种负荷条件下优化所得的费用年值，“*”表示在该种负荷条件下，该方案的费用年值最小。
[0047] (2)把各种情况下的费用年值减去相应负荷条件下的最小费用年值，求得后悔值；找出各种方案在不同负荷条件下的最大后悔值；在已确定的各个最大后悔值种找出最小的最大后悔值，对应方案既为最优方案，如表2所示。
[0048] 表2最小最大后悔值求解过程表
[0049]
[0050]
[0051] 表中RN，1代表第N种配置方案在第1种负荷条件下的后悔值，max(RN，k)代表第N种方案在三种负荷条件下的最大后悔值，min[max(Rl，k)]表示在共l个最大后悔值中最小的后悔值，该最小最大后悔值所对应的方案即为考虑负荷不确定性后经济效益鲁棒性最优的风光储分布式发电系统容量配置方案。
附图说明
[0052] 图1是风光储分布式能源系统示意图
[0053] 图2是考虑负荷不确定性的风光储分布式能源系统容量配置方法流程图
具体实施方式
[0054] 下面结合附图和具体实施方式对本发明作进一步详细说明：
[0055] 第一步：分别建立光伏发电系统、风力发电系统和蓄电池数学模型，通过电量平衡构成风光储分布式发电系统，如图1所示；
[0056] (1)太阳能光伏组件数学模型
[0057] Ppv，i＝Spv·Ipv，i·ηpv，i
[0058] Epv＝Ppv，i·Δt
[0059] 式中：Epv表示Δt时间段内光伏发电系统的累积发电量/kWh；Ppv，i表示太阳能光伏2
i时刻发电功率/kW；Spv表示太阳能光伏板面积/m ；Ipv，i表示单位面积光伏板i时刻接收太‑2
阳辐射量/kW·h·m ；ηpv，i表示太阳能光伏i时刻发电效率；
[0060] (2)风力发电数学模型
[0061]
[0062] Ewt＝Pwt(v)·Δt
[0063] 式中，Pwt(v)为风机在风速为v时的输出功率；v为风机轮毂高度处的风速；vci、vr、vco分别为风机切入风速、额定风速、切出风速；Pwt‑rate为风机的额定功率；A、B、C为风机风速功率特性曲线参数，对于不同风机会有所不同，可根据风机厂家提供的风速功率曲线经过多项式拟合获得；Ewt表示Δt时间段内风力发电系统的累积发电量/kWh；
[0064] (3)蓄电池数学模型
[0065] 当电力供应大于电负荷需求时，蓄电池对电能进行存储：
[0066] EES(i)＝(1‑σES)·EES(i‑1)+PES，c(i)·ηES，c·Δt
[0067] 0＜ηES，c＜1
[0068] 当电力供应小于电负荷需求时，蓄电池对电能进行释放：
[0069] EES(i)＝(1‑σES)·EES(i‑1)‑PES，d(i)/ηES，d·Δt
[0070] 0＜ηES，d＜1
[0071] 式中：EES(i)为蓄电池i时刻蓄电池剩余电能/kW·h；σES为蓄电池自身能量损耗率；PES，c(i)为蓄电池i时刻储电功率/kW；ηES，c为蓄电池充电效率；PES，d(i)为蓄电池i时刻放电功率/kW；ηES，d为蓄电池放电效率；
[0072] 第二步：确定优化过程中的目标函数、约束条件以及各设备配置方案；
[0073] 为了体现风光储系统的经济性，采用费用年值作为优化配置的目标函数：
[0074] AC＝ACC+AOC+Cm
[0075] ACC＝R·ICC
[0076]
[0077]
[0078]
[0079] Cm＝ε×ACC
[0080] 式中：AC表示系统费用年值/yuan；ACC表示系统年初投资费用/元；AOC表示系统年运行费用/元；Cm表示系统年维修费用/元；R表示投资回收系数；ICC表示系统总初投资；i0表示年利率；j表示系统设备寿命年限，假设所有设备寿命年限相同；Nn表示第n个设备的安装容量/kW；Pn表示第n个设备的单位容量投资成本/元/kW；m表示供能系统设备总数；Eit，grid表示第i天第k小时的购电/kW·h；μit，grid表示第i天第k小时的购电价/元/(kW·h)；ε为比例系数；
[0081] 设置电负荷平衡约束：
[0082] Edmn≤EPV+EWT+EES+Egrid
[0083] 式中：Edmn表示用户电负荷需求/kW·h；EPV表示太阳能光伏发电量/kW·h；EWT表示风电机组发电量/kW·h；EES表示蓄电池释电量/kW·h；Egrid表示电网购电量/kW·h；
[0084] 根据不同型号的光伏电池板、风机以及蓄电池进行设备型号组合，形成N个系统设备配置方案；
[0085] 第三步：基于负荷不确定性，采用最小最大后悔值法进行鲁棒优化配置，获取最优方案，方法流程图如图2所示；
[0086] 采用负荷不确定度表征负荷不确定性：
[0087] (1‑α)y≤y≤(1+α)y
[0088] 式中：α表示负荷不确定度，y表示负荷的实际值/kW；
[0089] 采用最小最大后悔值法进行鲁棒优化配置分为2步：
[0090] (1)采用优化算法求解获得各系统设备配置方案在不同的负荷条件下的费用年值，确定在各种负荷条件中费用年值最小的方案，如表1所示；
[0091] 表1各配置方案下费用年值表
[0092]
[0093]
[0094] 表中AC(N，1)表示第N种配置方法在第1种负荷条件下优化所得的费用年值，“*”表示在该种负荷条件下，该方案的费用年值最小；
[0095] (2)把各种情况下的费用年值减去相应负荷条件下的最小费用年值，求得后悔值；找出各种方案在不同负荷条件下的最大后悔值；在已确定的各个最大后悔值中找出最小的最大后悔值，对应方案既为最优方案，如表2所示；
[0096] 表2最小最大后悔值求解过程表
[0097]
[0098] 表中RN，1代表第N种配置方案在第1种负荷条件下的后悔值，max(RN，k)代表第N种方案在三种负荷条件下的最大后悔值，min[max(Rl，k)]表示在共l个最大后悔值中最小的后悔值，该最小最大后悔值所对应的方案即为考虑负荷不确定性后经济效益鲁棒性最优的风光储分布式发电系统容量配置方案。
[0099] 需要说明的是：本发明用于风光储分布式发电系统容量配置方面，本发明建立了风光储分布式发电系统数学模型，以费用年值为优化目标函数，建立了系统电负荷平衡约束，建立了一个完整的容量配置优化模型，采用最小最大后悔值优化来增强负荷条件变动情况下系统经济效益的鲁棒性，该方法对于系统经济运行具有重要意义。
[0100] 凡在本发明原则内所作的修改、等同替换等，均应在本发明的保护范围之内。
