文摘

针对问题的复杂的结构,可变负载,和波动的电力输出multienergy网络,本文提出了一种优化配置策略multienergy网络基于双层nondominated排序遗传算法,从而优化配置分布式发电(DG),然后提高经济系统。在这个策略,采用多目标nondominated排序遗传算法在这两个层,第二层优化是基于第一层的优化结果。第一层是基于结构和multienergy网络的负载。有功功率损失最小化的目的和节点电压偏移,multienergy网络建立的优化模型,利用多目标nondominated排序遗传算法解决DGs的安装位置和容量multienergy网络。在第二层,根据第一层的优化结果和不同的DGs的特点(风力发电机、光伏面板、microturbine和蓄电池),multienergy网络建立的优化模型来改善经济,multienergy网络的可靠性和环境效益。它使用多目标nondominated排序遗传算法来解决不同的DGs的分配能力,以解决在multienergy网络节点容量的优化配置问题。本文提出的双层优化策略multienergy网络的发展有着巨大的推动作用,为优化配置提供有效的指导和multienergy网络的可靠运行。

1。介绍

能源是社会经济发展的动力和基础。作为传统化石能源日益枯竭,提高能源效率,开发新能源,加强multienergy互补已经成为不可避免的选择来解决能源需求增长和能源短缺之间的矛盾在社会和经济发展的过程中。multienergy网络相结合的混合能源供应系统多个DGs,能源存储单元、负载,以及监测和保护设备。它可以灵活地连接到电网或离岛上操作,可有效提高灵活性,经济、电力系统操作和清洁,并满足用户对供电可靠性的要求,安全,和电能质量。自清洁能源,风能资源和太阳能资源发电的微型燃气轮机(MT)是稳定和可控,和电池可以抑制系统功率波动。一个典型的multienergy网络的节点图如图1。因此,multienergy网络研究包括一个风力涡轮发电机(WTG)光伏(PV)面板,MT和蓄电池(某人)。

然而,DG的安装位置和容量和分配能力各种DGs multienergy网络将有一个伟大的影响操作系统的技术指标和经济指标。因此,它的重要性和必要性研究DG multienergy网络的优化配置。目前,大量的研究已经进行的优化配置国内外DGs multienergy网络。例如,文学研究[1)采用改进粒子群优化算法来优化成本,混合发电系统的可靠性,以及污染物的排放。文学研究[2)利用和声搜索算法模型和分析混合动力系统的成本包括光伏电池板、风力发电机(WG)和柴油,然后比较它们与传统光伏面板/ WG /柴油/电池系统。和文学研究[3]小说提高果蝇优化算法适用于多目标优化方法优化年度总成本和污染物排放的独立混合光伏panel-wind generator-diesel-battery系统。此外,文学研究[4- - - - - -7]介绍了多目标优化算法对多个分布式能源系统。与经济和环境效益为优化目标,不同的优化算法用于优化DG multienergy网络的分配能力。此外,文学研究[8- - - - - -10DG)引入一个特定的分配方法,旨在低系统损失或高电压稳定和解决DG的分配能力。然而,上述研究使用单层多目标优化函数解决DG multienergy网络的优化配置能力当DG的位置确定,虽然DG的安装位置需要由其他算法。

在本文中,首先,第一层优化目标函数的最小有功功率和节点电压损失抵消multienergy网络系统的构建。多目标优化策略基于nondominated排序遗传算法用于解决DG位置和大小。其次,针对各种DGs的功率特性和第一层算法的优化结果,第二层算法考虑了经济成本、供电可靠性和环境效益,结合多目标nondominated排序遗传算法优化配置各种DG的能力。最后,该算法应用于一个multienergy网络在一个特定区域。结果表明,操作性能、经济、可靠性和环保multienergy网络优化的双层nondominated排序遗传算法大大提高了。

2。多目标Nondominated排序遗传算法

2.1。多目标优化算法的数学描述

以最小化多目标函数与约束条件为例,多目标优化问题可以被描述如下: 在哪里是一个向量空间n目标函数,是我th不等式约束函数,是jth等式约束, 是一个向量空间米决策变量。

2.2。在多目标决策优化

多目标nondominated排序遗传算法用于获得一系列离散的解决方案(11- - - - - -13]。如何选择一个最佳的解决方案在这些离散点是多目标优化的关键。在本文中,一个最优方案选择方法提出了基于几何距离的方法。中心思想是几何最优解之间的距离和积极的理想的解决方案是最短的,而最优解之间的几何距离和负理想解是最长的。优化最优解来自帕累托前沿。积极的理想的解决方案是指解决方案,可以满足每个目标函数的最优性。和负理想解是指不满足任何目标函数的解决方案。

几何距离任何解决方案在帕累托前沿积极的理想的解决方案是计算如下: 在哪里米是目标函数的数量,它位于的维度,的直线距离是吗j维的解决方案我积极的理想解决方案。

几何距离任何解决方案的计算帕累托前沿的-理想的解决方案如下: 在哪里是指的直线距离j维度之间的解决方案我和消极的理想解决方案。

的系数定义如下:

的对应于任何可以计算帕累托前沿解决方案(1)(3),然后解对应于最小的被选中,这是最终的最优解。

3所示。第一层:DG的位置和容量的优化

3.1。第一层的决策变量

合理规划的DG multienergy网络可以有效地提高系统的操作性能,所以第一层的决策变量是DG的安装位置和容量。

本文使用一组二维向量来表示第一层的决策变量,也就是说,DG的最佳位置和最佳的能力,如表所示1。

3.2。第一层优化算法的目标函数

合理DG的安装位置和容量配置可以改善电能质量和优化功率流,同时考虑经济效益。此外,一些研究已经证实,不合理的位置或尺寸的DG可能导致更大的系统损失比现有的网络(14]。多目标优化函数应包括经济指标和技术指标。这一层的经济指标主要是指最低multienergy网络的有功功率损耗,和技术指标主要是指最低负荷节点的电压偏移。目标函数如下(必须最小化的功能包括两个目标:一个是经济上的,另一个是技术): 在哪里的有功功率损耗multienergy网络;负荷节点电压的偏移量在multienergy网络;代表的数量的分支multienergy网络;代表的节点数量;代表了电导的分支k(我和j两端的节点数量的分支k);和代表节点的电压振幅我和j分别;是指节点的相角差我和j;所需的节点的电压值吗我;和节点的最大允许电压偏差吗我,也就是说, 。

3.3。第一层优化算法的约束

在multienergy网络、约束分为等式约束和不等式约束。

等式约束主要是网络功率流平衡。等式约束的节点我如下: 在哪里 , ,和指发电机的有功功率,DG和节点的负载我分别;和代表节点之间的电导和导纳我和j分别;和和代表发电机的无功功率和负载的节点我,分别。

不等式约束主要包括以下方面:(1)节点电压约束: 在哪里上限和下限的节点的电压我,分别。(2)DG有功功率无风险约束: 在哪里的上限是DG有功功率和是DGs的数量。(3)分支传动功率约束: 在哪里是分公司的传动功率的上限k。

4所示。第二层:对各种类型的DGs容量的优化配置

4.1。DG建模

Multienergy网络通常包括WTG、光伏面板,太,一个某人15]。本节建立功率模型各种分布式电源。

以下4.4.1。WTGs

由于风力资源的波动,输出功率从WTG也是不稳定的。根据WTG的工作原理,当风速小于切入风速、WTG不发电;当风速大于切入风速低于额定风速,WTG产生电力,和输出电力随风速;当风速超过额定风速和小于断路器风速、WTG输出额定功率;当风速大于断路器风速、WTG停止工作,不发电16]。

输出WTG的时间t如下(17]: 在哪里代表了风速时t; , ,和代表了切入风速、额定风速、断路器风速,分别;和是指WTG的额定功率。

4.1.2。光伏电池板

太阳能电池板的输出电压和电流随光照强度的变化和电池的结温。他们有很强的非线性特征,有一个特定的工作条件下的最大输出功率点。为了充分利用太阳能光伏电池,有必要使光伏电池的工作点落在最大功率点,当光照强度和温度的变化。在最大功率模式下,权力的表达式 ,电压 ,和当前 ,也就是说,最佳工作点t光伏电池,如下(18]: 在哪里代表了光伏电池的最大功率点电压和电流,分别;代表了开路电压;代表了短路电流;代表了照明光辉时刻t;代表当前光伏电池模块的温度系数;代表了光伏电池模块的电压温度系数;和代表了环境温度t。

4.1.3。MTs

MTs广泛应用于分布式系统因其可靠性高、寿命长、低环境污染、和灵活的控制。他们的工作原理是,天然气和高压气体混合,在燃烧室燃烧来产生高质量的气体,产生热能和电能驱动压缩机和发电机。假设某种类型的太完整的操作条件下操作,电气负载提供同时满足用户的冷却和热负荷的要求。太的输出功率t如下(19]: 在哪里代表太时的功率输出t,代表了燃料摄入量在时间t,气体密度,低热值,代表了比热容表明摄入的空气温度和废气温度的燃料t,分别。

4.1.4。SBs

某人可以抑制分布式电源的波动,调峰的性能和河谷充填,并维护权力的稳定。某人的输出功率与系统的运行状态密切相关(20.]。

假设使用的是铅酸电池,时间的状态t相关的时间吗t−1和电力的供应和需求t−1次t。当总干事的总输出功率大于负载功耗,电池处于充电状态;否则,电池处于放电状态。电池组的充电时间t可以表示如下(19]: 在哪里 , 代表的电量储存在某人时t,是由总干事的电力在multienergy网络时间吗t,系统的负荷在时间吗t,代表了逆变器的转换效率,是某人的充电效率,是某人的放电效率。

4.2。第二层的决策变量

第一层的多目标优化算法multienergy网络取得了分布式电源安装位置和总容量。但建设成本、运行成本、产量稳定,不同类型的分布式电源和环境的影响是不同的,因此有必要进行第二层多目标优化获得最优容量分配各种分布式电源。

的主要决策变量在第二层网络如下: 在哪里代表WTGs的数量、光伏电池、MTs和SBs。

4.3。第二层的目标函数优化算法

第二层的目标优化算法主要考虑经济、供电可靠性和环境保护。目标函数如下。

4.3.1。经济

multienergy网络的经济主要是反映在DG系统的建设成本和运营成本(21]。经济的目标函数如下: 在哪里是发电的总成本;和代表的建设和运营成本和维护的DG multienergy网络,分别;代表每个WTG的输出功率,光伏电池,太,和某人,分别;代表WTG的单位成本,光伏电池,太,和某人,分别;代表每个WTG的操作和维护成本,光伏电池,太,和某人,分别;代表的折旧生活WTG,光伏电池,太,和某人,分别;和是设备的折现率,一般8%。

4.3.2。供电可靠性

Multienergy网络包含波动DGs, Multienergy网络的负载也随着时间的变化22]。因此,有必要对电源系统的可靠性;也就是说,负载的速度短缺是必需的。电力短缺率越小,供电的可靠性越高,反之亦然(23]。本文以一天(T= 24小时)的时间评估系统的供电可靠性和将这段时间分为24个部分。假定风速、光、温度和负载恒定在每个部分(1 h)负载短缺率在一个系统的评估阶段如下: 在哪里代表的为期一天的负荷短缺率系统;代表了加载时间t;WTG参考输出功率,光伏电池,太,某人在时间t分别;代表某人的最小允许剩余功率;和代表了逆变器的效率。

4.3.3。环境保护

环境保护主要污染物的排放(没有反映出来_x有限公司有限公司₂,所以₂从DGs)。WTG发电和光伏发电属于清洁能源,也不排放污染物。虽然太的输出功率可以灵活控制,它会排放污染物。排放的污染物,越高越环境保护(24]。发电的环境成本在评估周期如下: 在哪里指的是排放污染物的单位太的力量,治疗费用吗污染物排放单位功率的,表示太时的输出功率t,是输入量太的系统。

4.4。第二层约束的优化算法

4.1.1。功率平衡约束

本文的DG能力multienergy网络通过第一层优化算法来解决各种各样的DGs的总和在第二层,以确保最低的有功功率损耗和电压抵消multienergy网络。权力约束如下: 在哪里 , 表示DGs的装机容量从第一层优化算法获得t,代表权力的最大不平衡率,系统可以承受t。

10/24/11。设计变量范围

设计变量的范围如下: 在哪里 ,分别代表WTGs的最大数量,光伏电池,MTs,满足系统负荷需求和SBs是满足条件的最小数量的MTs的“修复电力热。”

4.4.3。电池的限制

电池的限制如下: 在哪里代表某人的允许的最大存储容量。

5。算法流程

最优分配策略的流程图multienergy网络基于双层nondominated排序遗传算法提出了如图2。

6。案例研究

摘要9-node multienergy网络系统为例来验证优化效果的双层nondominated排序遗传算法。这个multienergy网络系统的拓扑结构如图3。其中,节点1是一个平衡的节点,节点3是一个PV节点,其余节点所有PQ节点。网格参数(单位值)如表所示2。评估期间T这个例子是选为一天(24小时),和负载数据(单位)和气象数据在评估期间的数据所示4- - - - - -7分开。的参数行,WTG,光伏面板,太,某人和污染物处理费用如表所示2- - - - - -8分别为(25]。

本文提出的最优分配策略是用来优化9-node multienergy网络。双层优化算法的人口规模是200,迭代的数量是100,有两个位置可以安装在DG的网络。第一层的多目标优化算法优化24小时实时DG的位置能力基于网络的24小时实时负荷数据。第二层多目标优化算法解决各种DGs的容量优化与第一层的约束优化的结果,设备特点,设计。

第一层优化算法的结果如表所示9和10,帕累托解100代的进化在特定的时间(如下午)如图8。

之后,上面的运行结果表明,采用最优分配策略multienergy网络的基于双层nondominated排序遗传算法,multienergy网络的有功功率损耗降低了54.77%,系统电压偏差降低48.32%。这证明这个策略能有效地提高系统的操作条件,保证稳定和经济效益,改善电能质量。

第二层优化算法的结果如表所示11,100年的帕累托解代进化图所示9。比较本文的优化解决方案和nonoptimization解决方案,结果如表所示12。Nonoptimization解决方案仅由一个单一类型的DG WTG等光伏,太,和某人,其容量上限。

当没有优化和只有一个类型的DG,虽然建设的成本,操作,和维护相对较低,电力短缺率和污染物处理的成本是相对较高的。当没有优化和各种各样的DGs,虽然负载缺电率是0,建设成本,操作,维护和污染物处理是相对较高的。考虑到经济、可靠性和环境保护系统的同时,有必要优化DG multienergy网络的分配使用双层nondominated排序遗传算法。优化后,相对环境成本和multienergy网络的负载缺电率维持在相对较低的水平,提高经济效益、环保效益,供电可靠性。

7所示。结论

针对复杂多变的multienergy网络,提出了一种基于双层nondominated multienergy网络最优分配策略排序遗传算法。首先,根据网络负载和电网结构,第一层优化算法计算最优位置和容量的DG multienergy网络与降低网损的目的和系统电压偏移量。随后,将第一层第二层优化算法计算结果作为约束和计算不同类型的DGs的优化配置,其目的是改善经济,供电可靠性和环境保护。双层优化算法使用基于几何距离的最优方案选择方法的方法来解决决策变量。最后,本文的案例研究表明,双层优化配置策略可以有效地降低网损,提高系统电压,降低系统成本,提高系统供电可靠性,提高系统的环境效益,为设计和优化运行提供指导multienergy网络。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

分钟谅解备忘录,达林、周Yuhao吴文光家郑,Jiongming阮,和东东Ke华电电力科学研究院有限公司的员工有限公司,杭州,310013年浙江,中国。

确认

这项工作得到了中国国家重点研发项目2018号yfb0905101之下。