一种风光柴储微电网系统的多目标智能规划方法与流程

1.本发明涉及综合能源系统，尤其是新能源微电网系统领域的智能规划设计技术，特别涉及一种风光柴储微电网系统的多目标智能规划方法。


背景技术：

2.微电网系统的提出和实施为太阳能、风能等多种可再生能源分布式发电系统的推广应用提供了有效的解决方案。由风机、光伏板、柴油机组和蓄电池组组成的风光柴储微电网系统可以为偏远山区、海岛开发建设等提供重要的供电保障，已受到了学术界和工程界的广泛关注。
3.由于风机和光伏板的输出功率特性与微电网系统所实施地区的风速、光照强度和环境温度等密切相关，因此风光柴储微电网系统规划设计时应对微电网系统安装处环境条件和用户侧需求负荷特性进行系统分析，且应综合考虑如下因素：(1)风机、光伏板、柴油机组和蓄电池组的功率特性；(2)风机、光伏板、柴油机组和蓄电池组的安装维护费用和蓄电池组更换费用等投资成本；(3)微电网系统的供电可靠性；(4)微电网系统的污染物排放量。然而，目前现有技术局限于对上述部分因素的单目标优化设计，普遍采用加权优化目标函数和单目标优化算法，都普遍存在权重系数难以精确整定、综合性能难以折衷优化等缺陷。此外，有少数研究方案虽然从多目标优化设计的角度进行了尝试，但是通常只考虑了微电网系统的经济性和供电可靠性等优化目标，仅仅对微电网系统的组件数量和容量进行了优化，且采用的多目标优化算法较为复杂。因此，如何对风光柴储微电网系统的组件数量、容量、风机安装高度、光伏板安装仰角等进行最优化规划设计以最终实现微电网系统的安全可靠和经济环保，已成为微电网系统智能规划设计领域亟待解决的关键技术难题之一。


技术实现要素：

4.本发明的目的在于针对现有技术的不足，提供一种风光柴储微电网系统的多目标智能规划方法。
5.本发明的目的是通过以下技术方案来实现的：一种风光柴储微电网系统的多目标智能规划方法，包括以下步骤：
6.(1)读取以1小时为步长的风光柴储微电网系统规划地区的年度气象信息，所述气象信息包括风速、光照强度和环境温度；读取风机、光伏板、柴油机组和蓄电池组的参数值，所述风机的参数值包括额定风速vr、切入风速vc、切出风速vf、风机输出功率除以最大功率所得到的性能系数δ、风密度ρ
ad
、风机转子扫过的区域面积a
wg
和风力发电机的额定输出功率p
wgr
；所述光伏板的参数值包括太阳仰角h
ea
、填充系数β、每一块光伏板中串联的光伏组件数量ns、每一块光伏板中并联的光伏组件数量n
p
、开路电流i
sc
、短路电流的温度系数ki、光伏组件的标称工作温度t
noc
、开路电压v
oc
和开路电压温度系数kv；所述柴油机组的参数值包括每个柴油机发电机组的额定功率p
degr
、柴油机发电机组额定功率对应的燃料消耗系数η1和柴油机发电机组实际输出功率对应的燃料消耗系数η2；所述蓄电池组的参数值包括蓄电池
能量转换效率系数λ
bat
、每个蓄电池组的标称容量c
bat
以及读取以1小时为步长的用户侧需求负荷数据；
7.(2)设定风光柴储微电网系统多目标规划的参数值，所述多目标规划的参数值包括最大迭代次数g
max
、种群规模np、外部存档规模a
max
、第一变异操作的参数b和第二变异操作的参数q；
8.(3)采用实数编码方式随机生成一个满足约束条件的均匀分布的初始种群p＝{pi}，i＝1,2,
…
,np，种群规模为np，第i个个体pi＝(x
1i
,x
2i
,x
3i
,x
4i
,x
5i
,x
6i
)＝(n
wgi
,n
pvi
,n
degi
,n
bati
,α
pvi
,h
wgi
)，其中x
1i
,x
2i
,x
3i
,x
4i
,x
5i
,x
6i
分别表示第i个个体对应的第1，2，3，4，5，6个组元，n
wgi
,n
pvi
,n
degi
,n
bati
分别表示第i个个体对应的风机、光伏板、柴油机组和蓄电池组待安装的数量，将n
wgi
,n
pvi
,n
degi
,n
bat
进行四舍五入取整，α
pvi
表示第i个个体对应的光伏板安装仰角，h
wgi
表示第i个个体对应的风机安装高度，并且将外部存档a的初始值设为空集，初始迭代次数g＝1；所述约束条件为：
[0009][0010]
其中，n
wgmin
和n
wgmax
分别表示待安装风机数量的下限和上限，n
pvmin
和n
pvmax
分别表示待安装光伏板数量的下限和上限，n
degmin
和n
degmax
分别表示待安装柴油机组数量的下限和上限，n
batmin
和n
batmax
分别表示待安装蓄电池组数量的下限和上限，h
min
和h
max
分别表示风机安装高度的下限和上限；
[0011]
(4)对种群p中每一个个体pi,i＝1,2,
…
,np执行如下操作：对每个组元x
1i
,x
2i
,x
3i
,x
4i
,x
5i
,x
6i
逐一实施变异操作，同时保持其他组元不变，以获取得到6个个体q
1i
,q
2i
,q
3i
,q
4i
,q
5i
,q
6i
，以获取变异后的种群q＝{q
1i
,q
2i
,q
3i
,q
4i
,q
5i
,q
6i
}，i＝1,2,
…
,np；所述变异操作具体包括：
[0012]
(4.1)首先在0到1范围内生成一个随机数rm，判断该随机数rm是否大于等于0.8，若该随机数rm大于等于0.8，则执行步骤(4.2)；否则，执行步骤(4.3)；
[0013]
(4.2)根据公式(2)进行第一变异操作：
[0014][0015]
其中，r1和r2表示在0到1范围内按照均匀分布产生的随机数；g表示当前迭代次数，1≤g≤g
max
；x
ki
(g+1)表示第(g+1)次迭代时第i个个体中第k个组元，x
ki
(g)表示第g次迭代时第i个个体中第k个组元，表示第k个组元的下限，表示第k个组元的上限；b为第一变异操作的参数；将k＝1,2,3,4对应的x
ki
(g+1)进行四舍五入取整；如果则
如果则
[0016]
(4.3)根据公式(3)进行第二变异操作：
[0017][0018]
其中，r3表示在0到1范围内按照均匀分布产生的随机数；q为第二变异操作的参数，max[]表示取最大值，将k＝1,2,3,4对应的x
ki
(g+1)进行四舍五入取整；如果则如果则
[0019]
(5)根据公式(4)～(11)评估种群q中每个个体所对应的适应度函数，所述适应度函数包括个体x对应的风光柴储微电网系统等年值投资总成本c
t
(x)、微电网系统的污染排放em(x)、微电网系统供电缺失率r
p
(x)；
[0020]
{c
t
(x),em(x),r
p
(x)},其中x＝(n
wg
,n
pv
,n
deg
,n
bat
,α
pv
,h
wg
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0021]
其中，n
wg
,n
pv
,n
deg
,n
bat
分别表示个体x对应的风机、光伏板、柴油机组和蓄电池组待安装的数量，α
pv
表示个体x对应的光伏板安装仰角，h
wg
表示个体x对应的风机安装高度；
[0022]
所述风光柴储微电网系统等年值投资总成本c
t
的计算过程如公式(5)所示：
[0023][0024]
其中，n
wg
,n
pv
,n
deg
,n
bat
分别表示风机、光伏板、柴油机组和蓄电池组待安装的数量，h
wg
表示风机安装高度，c
pv1
、c
wg1
、c
bat1
、c
deg1
分别为单个光伏板、风机、蓄电池、柴油发电机的等年值初始投资费用，c
wgh1
表示单个风机的每米高度安装费用；c
pv2
、c
wg2
、c
bat2
、c
deg2
分别为单个光伏板、风机、蓄电池、柴油发电机的等年值运行维护费用，c
wgh2
表示单个风机每米运行维护费用；c
bat3
为单个蓄电池组的更换成本；
[0025]
所述微电网系统的污染排放em的计算过程如公式(6)所示：
[0026][0027]
其中，μ表示柴油机发电机的污染物排放系数，t表示微电网系统运行时间，t
max
表示系统信息采样的最大步长，p
degr
表示每个柴油机发电机组的额定功率，p
deg
(t)表示每个柴油机发电机组在第t个采样时刻的实际输出功率，η1表示柴油机发电机组额定功率对应的燃料消耗系数，η2表示柴油机发电机组实际输出功率对应的燃料消耗系数；
[0028]
以微电网系统供电缺失率r
p
作为可靠性评价指标，r
p
为微电网系统缺电时间与总供电时间的比值，所述微电网系统供电缺失率r
p
的计算公式如公式(7)～(11)所示：
[0029][0030]
[0031][0032][0033][0034][0035]
其中，θ(t)为系统缺电标记符，其值为1表示在t时刻系统供电总功率小于负荷需求的功率，其值为0表示系统供电的总功率能满足所有负荷需求，t表示系统总供电时间，p
wg
(t)表示每个风机在第t个采样时刻的实际输出功率，p
pv
(t)表示每个光伏板在第t个采样时刻的实际输出功率，p
bat
(t)表示每个蓄电池组在第t个采样时刻的实际输出功率，如果蓄电池组处于充电模式，则p
bat
为正值；如果蓄电池组处于放电模式，则p
bat
为负值；p
load
(t)表示用户侧需求负荷在第t个采样时刻的需求功率；v为风机轮毂高度处的风速，vr为额定风速，vc为切入风速，vf为切出的风速，δ表示风机输出功率除以最大功率所得到的性能系数，ρ
ad
表示风密度，a
wg
表示风机转子扫过的区域面积，p
wgr
为风力发电机的额定输出功率，hr表示风机安装高度的参考数值，s
ri
表示太阳能入射辐射的总强度，h
ea
表示太阳仰角，α
pv
表示每一块光伏板的安装角，β表示填充系数，ns表示每一块光伏板中串联的光伏组件数量，n
p
表示每一块光伏板中并联的光伏组件数量，i
sc
表示开路电流，ki表示短路电流的温度系数，t0为环境温度，t
noc
为光伏组件的标称工作温度，v
oc
表示开路电压，kv表示开路电压温度系数，soc(t)和soc(t+1)分别表示每个蓄电池组在第t个和第(t+1)采样时刻的剩余电量百分比，λ
bat
表示蓄电池组的能量转换效率系数，v
bus
表示直流母线电压，v
bat
表示每个蓄电池组的标称电压，c
bat
表示每个蓄电池组的标称容量；
[0036]
(6)对种群q每个个体对应的适应度值c
t
、em、r
p
进行快速非支配排序，所述非支配定义为：对于种群中任意两个个体q1和q2，如果个体q1对应的适应度值c
t
、em、r
p
均分别小于个体q2对应的适应度值c
t
、em、r
p
，那么则称q2支配q1，如果q2没有被种群中其它个体所支配，那么q2被称为非支配解或帕累托解；将种群q的帕累托前沿解集标记为q
pf
，从q
pf
中随机选取一个个体，将选取的该个体标记为q
best
；
[0037]
(7)将q
best
加入外部存档a后，对a进行快速非支配排序，将a的帕累托前沿解集标记为a
pf
，并按照公式(12)计算a中所有个体的拥挤度，并按照拥挤度值从小到大的顺序进行排序：如果a
pf
中个体的数量大于a
max
，则从拥挤度排序最高的个体开始，依次移除a
pf
中拥挤
度排序较高的个体，直到a
pf
中个体的数量刚好等于a
max
；
[0038][0039]
其中，dm表示a中第m个个体的拥挤度值，表示第(m+1)个个体的第j个适应度值，表示第(m-1)个个体的第j个适应度值；
[0040]
(8)从外部文档a中选择拥挤度值较小的前1/2数量的个体，对种群q中1/2数量的个体进行随机替换，同时保持q中其它个体不变，从而获得新种群pn；
[0041]
(9)根据新种群pn更新种群，无条件地接受p＝pn，令g＝g+1；
[0042]
(10)重复步骤(4)～步骤(9)，至到满足g＝g
max
；
[0043]
(11)将外部存档a作为最优的帕累托解集，选取最靠近坐标轴左下方的非支配解作为风光柴储微电网系统最终的多目标规划方案。
[0044]
本发明的有益效果是，本发明实现了风光柴储微电网系统的多目标智能规划；本发明能够获得投资成本、污染物排放和供电可靠性等多性能指标的折衷优化效果，在满足相同供电可靠性指标的情况下系统投资成本和污染物排放均更少，且多目标智能规划方法易于工程实施。
附图说明
[0045]
图1是本发明实施例中待规划的风光柴储微电网系统架构示意图；
[0046]
图2是本发明实施例中光伏板的安装示意图；
[0047]
图3是本发明的风光柴储微电网系统的多目标智能规划方法的流程图。
具体实施方式
[0048]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0049]
本发明以某地区风光柴储微电网系统为例，待规划的风光柴储微电网系统架构示意图如图1所示，该风光柴储微电网系统主要由风力发电系统、光伏发电系统、柴油发电机系统、蓄电池组组成的储能系统、电力电子功率变换设备、用户侧需求负荷和能量管理系统组成，其中，用户侧需求负荷包含n个负荷。光伏板的安装如图2所示，其中，α
pv
表示光伏板的安装仰角，s
ri
表示太阳能入射辐射的总强度，h
ea
表示太阳仰角。
[0050]
参见图3，本发明的风光柴储微电网系统的多目标智能规划方法的主要实施步骤如下所示：
[0051]
(1)读取以1小时为步长的风光柴储微电网系统规划地区的年度气象信息以及风机、光伏板、柴油机组和蓄电池组的参数值。其中，气象信息包括风速、光照强度和环境温度；风机的参数值包括额定风速vr＝7米/秒，切入风速vc＝4.2米/秒，切出风速vf＝15米/秒，风机输出功率除以最大功率所得到的性能系数δ＝0.42，风密度ρ
ad
＝1.31，风机转子扫
过的区域面积a
wg
＝12.61，风力发电机的额定输出功率p
wgr
＝10千瓦。光伏板的参数值包括太阳仰角h
ea
＝-72
°
，填充系数β＝5.25，每一块光伏板中串联的光伏组件数量ns＝2，每一块光伏板中并联的光伏组件数量n
p
＝2，开路电流i
sc
＝7.22，短路电流的温度系数ki＝0.0041，光伏组件的标称工作温度t
noc
＝43，开路电压v
oc
＝21，开路电压温度系数kv＝0.005；柴油机组的参数值包括每个柴油机发电机组的额定功率p
degr
＝300千瓦，柴油机发电机组额定功率对应的燃料消耗系数η1＝0.081，柴油机发电机组实际输出功率对应的燃料消耗系数η2＝0.25；蓄电池组的参数值包括充电模式下蓄电池能量转换效率系数λ
bat
＝0.8，充电模式下蓄电池能量转换效率系数λ
bat
＝0.99，每个蓄电池组的标称容量c
bat
＝100，读取以1小时为步长的用户侧需求负荷数据。
[0052]
应当理解的是，根据实际情况读取风光柴储微电网系统规划地区的年度气象信息以及风机、光伏板、柴油机组和蓄电池组的参数值即可。
[0053]
(2)设定风光柴储微电网系统多目标智能规划的参数值，其中多目标智能规划的参数值包括最大迭代次数g
max
＝100、种群规模np＝30、外部存档规模a
max
＝50、第一变异操作的参数b＝3和第二变异操作的参数q＝2.5。
[0054]
应当理解的是，这些多目标智能规划的参数值均是预设值，根据实际需要和经验值进行设置即可。
[0055]
(3)采用实数编码方式随机生成一个满足如公式(1)所示的约束条件的均匀分布的初始种群p＝{pi}，i＝1,2,
…
,np，种群规模为np，第i个个体pi＝(x
1i
,x
2i
,x
3i
,x
4i
,x
5i
,x
6i
)＝(n
wgi
,n
pvi
,n
degi
,n
bati
,α
pvi
,h
wgi
)，其中x
1i
,x
2i
,x
3i
,x
4i
,x
5i
,x
6i
分别表示第i个个体对应的第1，2，3，4，5，6个组元，n
wgi
,n
pvi
,n
degi
,n
bati
分别表示第i个个体对应的风机、光伏板、柴油机组和蓄电池组待安装的数量，将n
wgi
,n
pvi
,n
degi
,n
bat
进行四舍五入取整，α
pvi
表示第i个个体对应的光伏板安装仰角，h
wgi
表示第i个个体对应的风机安装高度，并且令外部存档a的初始值为空集，初始迭代次数g＝1；
[0056][0057]
其中，n
wgmin
和n
wgmax
分别表示待安装风机数量的下限和上限，n
pvmin
和n
pvmax
分别表示待安装光伏板数量的下限和上限，n
degmin
和n
degmax
分别表示待安装柴油机组数量的下限和上限，n
batmin
和n
batmax
分别表示待安装蓄电池组数量的下限和上限，h
min
和h
max
分别表示风机安装高度的下限和上限。
[0058]
(4)对种群p中每一个个体pi,i＝1,2,
…
,np执行如下操作：依据公式(2)～(3)对每个组元x
1i
,x
2i
,x
3i
,x
4i
,x
5i
,x
6i
逐一实施变异操作，同时保持其他组元不变，分别可以得到6个个体q
1i
,q
2i
,q
3i
,q
4i
,q
5i
,q
6i
，从而获得变异后的种群q＝{q
1i
,q
2i
,q
3i
,q
4i
,q
5i
,q
6i
}，i＝1,2,
…
,np。
[0059]
进一步地，变异操作具体包括如下步骤：
[0060]
(4.1)首先在0到1范围内生成一个随机数rm，判断该随机数rm是否大于等于0.8，若该随机数rm大于等于0.8，则执行步骤(4.2)；否则，执行步骤(4.3)。
[0061]
(4.3)如果随机数rm≥0.8，则采用如公式(2)所示的第一变异操作：
[0062][0063]
其中，r1和r2表示在0到1范围内按照均匀分布产生的随机数；g表示当前迭代次数，1≤g≤g
max
；x
ki
(g+1)表示第(g+1)次迭代时第i个个体中第k个组元，x
ki
(g)表示第g次迭代时第i个个体中第k个组元，表示第k个组元的下限，表示第k个组元的上限；b为第一变异操作的参数；将k＝1,2,3,4对应的x
ki
(g+1)进行四舍五入取整；如果则如果则
[0064]
(4.3)如果随机数rm《0.8，则采用如公式(3)所示的第二变异操作：
[0065][0066]
其中，r3表示在0到1范围内按照均匀分布产生的随机数；q为第二变异操作的参数，max[]表示取最大值，将k＝1,2,3,4对应的x
ki
(g+1)进行四舍五入取整；如果则如果则
[0067]
(5)按照公式(4)～(11)评估种群q中每个个体所对应的适应度函数，其中，适应度函数包括个体x对应的风光柴储微电网系统等年值投资总成本c
t
(x)、微电网系统的污染排放em(x)、微电网系统供电缺失率r
p
(x)：
[0068]
{c
t
(x),em(x),r
p
(x)},其中x＝(n
wg
,n
pv
,n
deg
,n
bat
,α
pv
,h
wg
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0069]
其中，n
wg
,n
pv
,n
deg
,n
bat
分别表示个体x对应的风机、光伏板、柴油机组和蓄电池组待安装的数量，α
pv
表示个体x对应的光伏板安装仰角，h
wg
表示个体x对应的风机安装高度。
[0070]
进一步地，风光柴储微电网系统等年值投资总成本c
t
的计算过程如公式(5)所示：
[0071][0072]
其中，n
wg
,n
pv
,n
deg
,n
bat
分别表示风机、光伏板、柴油机组和蓄电池组待安装的数量，α
pv
表示光伏板安装仰角，h
wg
表示风机安装高度，c
pv1
、c
wg1
、c
bat1
、c
deg1
分别为单个光伏板、风机、蓄电池、柴油发电机等年值初始投资费用，c
wgh1
表示单个风机的每米高度安装费用；c
pv2
、c
wg2
、c
bat2
、c
deg2
分别为单个光伏板、风机、蓄电池、柴油发电机等年值运行维护费用，c
wgh2
表示单个风机每米运行维护费用；c
bat3
为单个蓄电池的更换成本。
[0073]
进一步地，微电网系统的污染物排放em的计算过程如公式(6)所示：
[0074]
[0075]
其中，μ表示柴油机发电机的污染物排放系数，在此μ＝2.5，t表示微电网系统运行时间，t
max
表示系统信息采样的最大步长，p
degr
表示每个柴油机发电机组的额定功率，p
deg
(t)表示每个柴油机发电机组在第t个采样时刻的实际输出功率，η1表示柴油机发电机组额定功率对应的燃料消耗系数，η2表示柴油机发电机组实际输出功率对应的燃料消耗系数。
[0076]
进一步地，以微电网系统供电缺失率r
p
作为可靠性评价指标，表示系统缺电时间与总供电时间的比值，微电网系统供电缺失率r
p
的计算公式如公式(7)～(11)所示：
[0077][0078][0079][0080][0081][0082][0083]
其中，θ(t)为系统缺电标记符，其值为1表示在t时刻系统供电总功率小于负荷需求的功率，其值为0表示系统供电的总功率能满足所有负荷需求，t表示系统总供电时间，p
wg
(t)表示每个风机在第t个采样时刻的实际输出功率，p
pv
(t)表示每个光伏板在第t个采样时刻的实际输出功率，p
bat
(t)表示每个蓄电池组在第t个采样时刻的实际输出功率，如果蓄电池组处于充电模式，则p
bat
为正值；如果蓄电池组处于放电模式，则p
bat
为负值；p
load
(t)表示用户侧负荷在第t个采样时刻的需求功率；v为风机轮毂高度处的风速，vr为额定风速，vc为切入风速，vf为切出的风速，δ表示风机输出功率除以最大功率所得到的性能系数，ρ
ad
表示风密度，a
wg
表示风机转子扫过的区域面积，p
wgr
为风力发电机的额定输出功率，hr表示风机安装高度的参考数值，本实施例中hr＝11米，s
ri
表示太阳能入射辐射的总强度，h
ea
表示太阳仰角，α
pv
表示每一块光伏板的安装角，β表示填充系数，ns表示每一块光伏板中串联的光伏组件数量，n
p
表示每一块光伏板中并联的光伏组件数量，i
sc
表示开路电流，ki表示短路电流的温度系数，t0为环境温度，t
noc
为光伏组件的标称工作温度，v
oc
表示开路电压，kv表示开路
电压温度系数，soc(t)和soc(t+1)分别表示每个蓄电池组在第t个和第(t+1)采样时刻的剩余电量百分比，在此实施例中，通过能量管理系统将soc(t+1)限制在20％至99％之间，λ
bat
表示蓄电池能量转换效率系数，v
bus
表示直流母线电压，v
bat
表示每个蓄电池组的标称电压，c
bat
表示每个蓄电池组的标称容量。
[0084]
(6)对种群q每个个体对应的适应度值c
t
、em、r
p
进行快速非支配排序，其中，非支配定义为：对于种群中任意两个个体q1和q2，如果个体q1对应的适应度值c
t
、em、r
p
均分别小于个体q2对应的适应度值c
t
、em、r
p
，那么则称q2支配q1，如果q2没有被种群中其它个体所支配，那么q2被称为非支配解或帕累托(pareto)解；将种群q的帕累托(pareto)前沿解集标记为q
pf
，从q
pf
中随机选取一个个体，将选取的该个体标记为q
best
。
[0085]
(7)将q
best
加入外部存档a后，对a进行快速非支配排序，将a的pareto前沿解集标记为a
pf
，并按照公式(12)计算a中所有个体的拥挤度，并按照拥挤度值从小到大的顺序排序：如果a
pf
中个体的数量大于外部存档规模a
max
，则从拥挤度排序最高的个体开始，依次移除a
pf
中拥挤度排序较高的个体，直到a
pf
中个体的数量刚好等于a
max
。
[0086][0087]
其中，dm表示a中第m个个体的拥挤度值，表示第m+1个个体的第j个适应度值，表示第m-1个个体的第j个适应度值。
[0088]
(8)从外部文档a中选择拥挤度值较小的前1/2数量的个体，对种群q中1/2数量的个体进行随机替换，同时保持q中其它个体不变，从而获得新种群pn。
[0089]
应当理解的是，步骤(7)中按照拥挤度值从小到大的顺序排序后，可以很容易的从外部文档a中选择拥挤度值较小的前1/2数量的个体。
[0090]
(9)根据新种群pn更新种群，无条件地接受p＝pn，令g＝g+1。
[0091]
(10)重复步骤(4)～步骤(9)，至到满足g＝g
max
。
[0092]
(11)将外部存档a作为最优的pareto解集，选取最靠近坐标轴左下方的非支配解作为风光柴储微电网系统最终的多目标规划方案。
[0093]
通过对上述实施例的实施，本发明实现了风光柴储微电网系统的多目标智能规划；相比现有技术，本发明技术获得了在投资成本、污染物排放和供电可靠性等多性能指标的折衷优化效果，在满足相同供电可靠性指标的情况下系统投资成本至少节省了10％，污染物排放至少降低了5％，且多目标智能规划方法易于工程实施。
[0094]
综述所述，本发明实现了风光柴储微电网系统的多目标智能规划；本发明技术获得了在投资成本、污染物排放和供电可靠性等多性能指标的折衷优化效果，在满足相同供电可靠性指标的情况下系统投资成本和污染物排放均更少，且多目标智能规划方法易于工程实施。
[0095]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种风光柴储微电网系统的多目标智能规划方法，其特征在于，包括以下步骤：(1)读取以1小时为步长的风光柴储微电网系统规划地区的年度气象信息，所述气象信息包括风速、光照强度和环境温度；读取风机、光伏板、柴油机组和蓄电池组的参数值，所述风机的参数值包括额定风速v
r
、切入风速v
c
、切出风速v
f
、风机输出功率除以最大功率所得到的性能系数δ、风密度ρ
ad
、风机转子扫过的区域面积a
wg
和风力发电机的额定输出功率p
wgr
；所述光伏板的参数值包括太阳仰角h
ea
、填充系数β、每一块光伏板中串联的光伏组件数量n
s
、每一块光伏板中并联的光伏组件数量n
p
、开路电流i
sc
、短路电流的温度系数k
i
、光伏组件的标称工作温度t
noc
、开路电压v
oc
和开路电压温度系数kv；所述柴油机组的参数值包括每个柴油机发电机组的额定功率p
degr
、柴油机发电机组额定功率对应的燃料消耗系数η1和柴油机发电机组实际输出功率对应的燃料消耗系数η2；所述蓄电池组的参数值包括蓄电池能量转换效率系数λ
bat
、每个蓄电池组的标称容量c
bat
以及读取以1小时为步长的用户侧需求负荷数据；(2)设定风光柴储微电网系统多目标规划的参数值，所述多目标规划的参数值包括最大迭代次数g
max
、种群规模np、外部存档规模a
max
、第一变异操作的参数b和第二变异操作的参数q；(3)采用实数编码方式随机生成一个满足约束条件的均匀分布的初始种群p＝{p
i
}，i＝1,2,
…
,np，种群规模为np，第i个个体p
i
＝(x
1i
,x
2i
,x
3i
,x
4i
,x
5i
,x
6i
)＝(n
wgi
,n
pvi
,n
degi
,n
bati
,α
pvi
,h
wgi
)，其中x
1i
,x
2i
,x
3i
,x
4i
,x
5i
,x
6i
分别表示第i个个体对应的第1，2，3，4，5，6个组元，n
wgi
,n
pvi
,n
degi
,n
bati
分别表示第i个个体对应的风机、光伏板、柴油机组和蓄电池组待安装的数量，将n
wgi
,n
pvi
,n
degi
,n
bat
进行四舍五入取整，α
pvi
表示第i个个体对应的光伏板安装仰角，h
wgi
表示第i个个体对应的风机安装高度，并且将外部存档a的初始值设为空集，初始迭代次数g＝1；所述约束条件为：其中，n
wgmin
和n
wgmax
分别表示待安装风机数量的下限和上限，n
pvmin
和n
pvmax
分别表示待安装光伏板数量的下限和上限，n
degmin
和n
degmax
分别表示待安装柴油机组数量的下限和上限，n
batmin
和n
batmax
分别表示待安装蓄电池组数量的下限和上限，h
min
和h
max
分别表示风机安装高度的下限和上限；(4)对种群p中每一个个体p
i
,i＝1,2,
…
,np执行如下操作：对每个组元x
1i
,x
2i
,x
3i
,x
4i
,x
5i
,x
6i
逐一实施变异操作，同时保持其他组元不变，以获取得到6个个体q
1i
,q
2i
,q
3i
,q
4i
,q
5i
,q
6i
，以获取变异后的种群q＝{q
1i
,q
2i
,q
3i
,q
4i
,q
5i
,q
6i
}，i＝1,2,
…
,np；所述变异操作具体包括：(4.1)首先在0到1范围内生成一个随机数r
m
，判断该随机数r
m
是否大于等于0.8，若该随机数r
m
大于等于0.8，则执行步骤(4.2)；否则，执行步骤(4.3)；
(4.2)根据公式(2)进行第一变异操作：其中，r1和r2表示在0到1范围内按照均匀分布产生的随机数；g表示当前迭代次数，1≤g≤g
max
；x
ki
(g+1)表示第(g+1)次迭代时第i个个体中第k个组元，x
ki
(g)表示第g次迭代时第i个个体中第k个组元，表示第k个组元的下限，表示第k个组元的上限；b为第一变异操作的参数；将k＝1,2,3,4对应的x
ki
(g+1)进行四舍五入取整；如果则如果则(4.3)根据公式(3)进行第二变异操作：其中，r3表示在0到1范围内按照均匀分布产生的随机数；q为第二变异操作的参数，max[]表示取最大值，将k＝1,2,3,4对应的x
ki
(g+1)进行四舍五入取整；如果则如果则(5)根据公式(4)～(11)评估种群q中每个个体所对应的适应度函数，所述适应度函数包括个体x对应的风光柴储微电网系统等年值投资总成本c
t
(x)、微电网系统的污染排放e
m
(x)、微电网系统供电缺失率r
p
(x)；{c
t
(x),e
m
(x),r
p
(x)},其中x＝(n
wg
,n
pv
,n
deg
,n
bat
,α
pv
,h
wg
)
ꢀꢀꢀꢀ
(4)其中，n
wg
,n
pv
,n
deg
,n
bat
分别表示个体x对应的风机、光伏板、柴油机组和蓄电池组待安装的数量，α
pv
表示个体x对应的光伏板安装仰角，h
wg
表示个体x对应的风机安装高度；所述风光柴储微电网系统等年值投资总成本c
t
的计算过程如公式(5)所示：其中，n
wg
,n
pv
,n
deg
,n
bat
分别表示风机、光伏板、柴油机组和蓄电池组待安装的数量，h
wg
表示风机安装高度，c
pv1
、c
wg1
、c
bat1
、c
deg1
分别为单个光伏板、风机、蓄电池、柴油发电机的等年值初始投资费用，c
wgh1
表示单个风机的每米高度安装费用；c
pv2
、c
wg2
、c
bat2
、c
deg2
分别为单个光伏板、风机、蓄电池、柴油发电机的等年值运行维护费用，c
wgh2
表示单个风机每米运行维护费用；c
bat3
为单个蓄电池组的更换成本；所述微电网系统的污染排放e
m
的计算过程如公式(6)所示：其中，μ表示柴油机发电机的污染物排放系数，t表示微电网系统运行时间，t
max
表示系统信息采样的最大步长，p
degr
表示每个柴油机发电机组的额定功率，p
deg
(t)表示每个柴油
机发电机组在第t个采样时刻的实际输出功率，η1表示柴油机发电机组额定功率对应的燃料消耗系数，η2表示柴油机发电机组实际输出功率对应的燃料消耗系数；以微电网系统供电缺失率r
p
作为可靠性评价指标，r
p
为微电网系统缺电时间与总供电时间的比值，所述微电网系统供电缺失率r
p
的计算公式如公式(7)～(11)所示：的计算公式如公式(7)～(11)所示：的计算公式如公式(7)～(11)所示：的计算公式如公式(7)～(11)所示：的计算公式如公式(7)～(11)所示：其中，θ(t)为系统缺电标记符，其值为1表示在t时刻系统供电总功率小于负荷需求的功率，其值为0表示系统供电的总功率能满足所有负荷需求，t表示系统总供电时间，p
wg
(t)表示每个风机在第t个采样时刻的实际输出功率，p
pv
(t)表示每个光伏板在第t个采样时刻的实际输出功率，p
bat
(t)表示每个蓄电池组在第t个采样时刻的实际输出功率，如果蓄电池组处于充电模式，则p
bat
为正值；如果蓄电池组处于放电模式，则p
bat
为负值；p
load
(t)表示用户侧需求负荷在第t个采样时刻的需求功率；v为风机轮毂高度处的风速，v
r
为额定风速，v
c
为切入风速，v
f
为切出的风速，δ表示风机输出功率除以最大功率所得到的性能系数，ρ
ad
表示风密度，a
wg
表示风机转子扫过的区域面积，p
wgr
为风力发电机的额定输出功率，h
r
表示风机安装高度的参考数值，s
ri
表示太阳能入射辐射的总强度，h
ea
表示太阳仰角，α
pv
表示每一块光伏板的安装角，β表示填充系数，n
s
表示每一块光伏板中串联的光伏组件数量，n
p
表示每一块光伏板中并联的光伏组件数量，i
sc
表示开路电流，k
i
表示短路电流的温度系数，t0为环境温度，t
noc
为光伏组件的标称工作温度，v
oc
表示开路电压，kv表示开路电压温度系数，soc(t)和soc(t+1)分别表示每个蓄电池组在第t个和第(t+1)采样时刻的剩余电量百分比，λ
bat
表示蓄电池组的能量转换效率系数，v
bus
表示直流母线电压，v
bat
表示每个蓄电池组的标称
电压，c
bat
表示每个蓄电池组的标称容量；(6)对种群q每个个体对应的适应度值c
t
、e
m
、r
p
进行快速非支配排序，所述非支配定义为：对于种群中任意两个个体q1和q2，如果个体q1对应的适应度值c
t
、e
m
、r
p
均分别小于个体q2对应的适应度值c
t
、e
m
、r
p
，那么则称q2支配q1，如果q2没有被种群中其它个体所支配，那么q2被称为非支配解或帕累托解；将种群q的帕累托前沿解集标记为q
pf
，从q
pf
中随机选取一个个体，将选取的该个体标记为q
best
；(7)将q
best
加入外部存档a后，对a进行快速非支配排序，将a的帕累托前沿解集标记为a
pf
，并按照公式(12)计算a中所有个体的拥挤度，并按照拥挤度值从小到大的顺序进行排序：如果a
pf
中个体的数量大于a
max
，则从拥挤度排序最高的个体开始，依次移除a
pf
中拥挤度排序较高的个体，直到a
pf
中个体的数量刚好等于a
max
；其中，d
m
表示a中第m个个体的拥挤度值，表示第(m+1)个个体的第j个适应度值，表示第(m-1)个个体的第j个适应度值；(8)从外部文档a中选择拥挤度值较小的前1/2数量的个体，对种群q中1/2数量的个体进行随机替换，同时保持q中其它个体不变，从而获得新种群p
n
；(9)根据新种群p
n
更新种群，无条件地接受p＝p
n
，令g＝g+1；(10)重复步骤(4)～步骤(9)，至到满足g＝g
max
；(11)将外部存档a作为最优的帕累托解集，选取最靠近坐标轴左下方的非支配解作为风光柴储微电网系统最终的多目标规划方案。

技术总结
本发明公开了一种风光柴储微电网系统的多目标智能规划方法，该方法将风光柴储微电网系统中风机、光伏板、柴油机发电机组和蓄电池组待安装的数量、光伏板安装仰角和风机安装高度作为优化变量，将等年值投资总成本、污染物排放和系统供电缺失率作为优化目标，设计了一种高效的多目标优化求解技术，从而实现了风光柴储微电网系统的多目标智能规划。相比现有技术，本发明获得了在投资成本、污染物排放和供电可靠性等多性能指标的折衷优化效果，在满足相同供电可靠性指标的情况下系统投资成本和污染物排放均更少，且多目标智能规划方法易于工程实施。工程实施。工程实施。


技术研发人员：吴烈 曾国强 陆康迪 秦臻 王环 苏立业 徐明雷 邱勇 陈贤钰 杨仲豪
受保护的技术使用者：浙江九宏电力工程有限公司
技术研发日：2023.06.07
技术公布日：2023/9/6