賈 濤,王興月
?
海洋平臺(tái)多能互補(bǔ)系統(tǒng)電源容量?jī)?yōu)化
賈 濤,王興月
(太重(天津)濱海重型機(jī)械有限公司技術(shù)中心,天津300457)
將風(fēng)、光等新能源應(yīng)用于海洋平臺(tái)成為研究的熱點(diǎn),但其波動(dòng)性對(duì)平臺(tái)電力系統(tǒng)帶來(lái)一定的不安全因素,所以實(shí)際應(yīng)用中,往往采用風(fēng)光柴儲(chǔ)的多能系統(tǒng)。研究中以海洋平臺(tái)為研究對(duì)象,對(duì)多能系統(tǒng)的電源容量進(jìn)行優(yōu)化,保證系統(tǒng)的經(jīng)濟(jì)性和穩(wěn)定性,實(shí)現(xiàn)新能源最大化利用。研究中為了提高整個(gè)海洋平臺(tái)電力系統(tǒng)的經(jīng)濟(jì)性,需根據(jù)海洋平臺(tái)附近的資源條件對(duì)系統(tǒng)的電源容量進(jìn)行優(yōu)化設(shè)計(jì),選取最優(yōu)的電源容量組合。本文建立了獨(dú)立風(fēng)/光/柴/儲(chǔ)海洋平臺(tái)電力系統(tǒng)中各個(gè)電源的多目標(biāo)優(yōu)化模型,利用多目標(biāo)粒子群(multi-objective particle swarm optimization,MOPSO)求解系統(tǒng)中各個(gè)電源容量配置的Pareto最優(yōu)解集,并基于滿意度評(píng)價(jià)的模糊理論設(shè)計(jì)推薦的折衷解。
容量?jī)?yōu)化 風(fēng)光互補(bǔ) 多目標(biāo)粒子群 模糊理論
針對(duì)傳統(tǒng)能源日益枯竭問(wèn)題,本文充分利用海洋平臺(tái)在海洋環(huán)境下具有較充足的風(fēng)能及光能優(yōu)勢(shì),以及太陽(yáng)能與風(fēng)能之間的天然互補(bǔ)性,將綠色清潔能源的理念引入到海洋平臺(tái)上,構(gòu)建海洋平臺(tái)風(fēng)/光/柴/儲(chǔ)/多能互補(bǔ)發(fā)電系統(tǒng)[1]。
所設(shè)計(jì)的海洋平臺(tái)風(fēng)/光/柴/儲(chǔ)多能互補(bǔ)發(fā)電系統(tǒng)的電源包含可調(diào)度電源和不可調(diào)度電源,不可調(diào)度電源為風(fēng)光互補(bǔ)發(fā)電系統(tǒng)的風(fēng)電機(jī)組和太陽(yáng)能光伏電池,優(yōu)化過(guò)程中為了最大限度實(shí)現(xiàn)節(jié)能減排,對(duì)于海洋平臺(tái)的日常生活用電、小型設(shè)備用電及非動(dòng)力裝置的供電,將優(yōu)先選用風(fēng)光互補(bǔ)發(fā)電系統(tǒng)供電[2];可調(diào)度電源作為不可調(diào)度電源的補(bǔ)充和備用,包括柴油發(fā)電機(jī)及儲(chǔ)能裝置,系統(tǒng)圖如圖1所示。
圖1 海洋平臺(tái)風(fēng)/光/柴/儲(chǔ)系統(tǒng)圖
其中,光伏電池陣列、風(fēng)電機(jī)組、柴油發(fā)電機(jī)構(gòu)成了系統(tǒng)發(fā)電部分,儲(chǔ)能裝置用來(lái)解決融入不可調(diào)度電源后系統(tǒng)中的電力供需矛盾,保證系統(tǒng)的穩(wěn)定運(yùn)行。由于海洋平臺(tái)電網(wǎng)脫離大電網(wǎng)的支撐,僅依靠海洋平臺(tái)內(nèi)部電源對(duì)負(fù)載供電,因此,科學(xué)、合理地優(yōu)化配置各個(gè)電源容量對(duì)于維持系統(tǒng)功率的供需平衡關(guān)系,以及整個(gè)系統(tǒng)的供電可靠性,具有重要的科學(xué)意義[3]。
本文研究了同時(shí)包含可調(diào)度電源及不可調(diào)度電源的海洋平臺(tái)電網(wǎng)電源容量?jī)?yōu)化配置方法,以小型風(fēng)電機(jī)組、光伏電池陣列、儲(chǔ)能裝置以及柴油機(jī)的安裝容量為優(yōu)化變量,以經(jīng)濟(jì)成本和污染物排放量為目標(biāo)函數(shù),利用多目標(biāo)粒子群算法(MOPSO)求解該優(yōu)化問(wèn)題,得到關(guān)于經(jīng)濟(jì)成本和污染物排放量的Pareto最優(yōu)解。此外,本文使用基于決策者滿意度評(píng)價(jià)的模糊理論,提供一種由Pareto多目標(biāo)解集中獲取一個(gè)較好的折衷解的方法,供決策者參考。
1.1 風(fēng)電功率的數(shù)學(xué)模型
風(fēng)速的隨機(jī)性使風(fēng)電場(chǎng)的輸出功率可看作隨機(jī)變量。風(fēng)速概率密度函數(shù)的雙參數(shù)Weibull分布數(shù)學(xué)模型為:
式中:為形狀參數(shù);為尺度參數(shù);風(fēng)機(jī)高度為處的風(fēng)速,本文使用近似的分段線性函數(shù)來(lái)描述風(fēng)電機(jī)組的輸出功率[4]:
(2)
1.2光伏陣列模型
本文采用Beta分布對(duì)光照進(jìn)行處理,其概率密度函數(shù)如下[5]:
(4)
1.3儲(chǔ)能單元的數(shù)學(xué)模型
基于LiFePO4電池在技術(shù)上的成熟性以及低成本的經(jīng)濟(jì)特性,在本文的研究中,采用LiFePO4電池作為儲(chǔ)能裝置。
若時(shí)刻的系統(tǒng)總發(fā)電功率大于系統(tǒng)總負(fù)荷需求,則鋰離子電池充電,時(shí)刻儲(chǔ)能系統(tǒng)的電量公式為
若時(shí)刻的系統(tǒng)總負(fù)荷需求大于系統(tǒng)總發(fā)電功率,鋰離子電池放電,時(shí)刻儲(chǔ)能系統(tǒng)的電量公式為:
(6)
2.4柴油發(fā)電機(jī)
為簡(jiǎn)化處理,利用燃料曲線描述柴油發(fā)電機(jī)發(fā)電功率和燃料使用量的對(duì)應(yīng)關(guān)系[6]。
2.1目標(biāo)函數(shù)
本文建立了含有風(fēng)電機(jī)組、光伏陣列、鋰電池儲(chǔ)能裝置的海洋平臺(tái)獨(dú)立供電系統(tǒng)容量?jī)?yōu)化模型[7],目標(biāo)函數(shù)如下:
2.1.1經(jīng)濟(jì)成本函數(shù)
經(jīng)濟(jì)成本函數(shù)中主要包括設(shè)備的投資成本、運(yùn)行維護(hù)費(fèi)用和鋰電池儲(chǔ)能裝置的重置費(fèi)用,表示如下:
(9)
(11)
其中:
2.1.2污染物排放量
柴油發(fā)電機(jī)以柴油為主要燃料,其污染物包括CO,CO2,燃料中未燃燒盡的碳?xì)浠衔?、硫化物和一氧化氮,由表?
2.2優(yōu)化算法簡(jiǎn)介
2.2.1基于Pareto的MOPSO算法簡(jiǎn)介
基于Pareto的MOPSO的粒子速度更新公式及位置更新公式如式(13)及(14)所示,與標(biāo)準(zhǔn)粒子群算法不同,這里表示第個(gè)粒子第維變量的局部最優(yōu)個(gè)體;表示第個(gè)粒子第維變量的全局最優(yōu)個(gè)體;MOPSO中,局部最優(yōu)個(gè)體與全局最優(yōu)個(gè)體分別來(lái)自非支配性局部最優(yōu)解集和非支配性全局最優(yōu)解集中的個(gè)體,且二者的歐式距離最小[8]。
(14)
2.2.2基于滿意度評(píng)價(jià)的模糊理論
在多目標(biāo)優(yōu)化問(wèn)題中,從Pareto最優(yōu)解集中求取唯一的折衷解已成為多目標(biāo)優(yōu)化問(wèn)題的核心內(nèi)容。Pareto多目標(biāo)優(yōu)化算法得到的是非劣解解集,對(duì)于決策者來(lái)說(shuō),還需要自己根據(jù)經(jīng)驗(yàn)選擇一組推薦折衷解用于實(shí)際工程問(wèn)題,所以本文提供一種由Pareto多目標(biāo)解集中獲取一個(gè)較好的折衷解的方法,其主要步驟如下:
首先,按下述公式定義第個(gè)解,第個(gè)目標(biāo)函數(shù)的隸屬函數(shù):
,(16)
本文研究對(duì)象是獨(dú)立海洋平臺(tái)微網(wǎng)測(cè)試系統(tǒng),研究中選取每個(gè)季節(jié)中典型的20天作為仿真時(shí)段,仿真步長(zhǎng)為1小時(shí),即仿真優(yōu)化的總時(shí)段為1920,系統(tǒng)的峰值負(fù)荷為1600 kW,MOPSO優(yōu)化過(guò)程中的參數(shù)選擇為:粒子規(guī)模,最大迭代次數(shù),學(xué)習(xí)因子1=2=2.05。
圖2為通過(guò)MOPSO優(yōu)化算法得到的關(guān)于經(jīng)濟(jì)成本和污染物排放量的多目標(biāo)Pareto最優(yōu)解。從圖中可以看出:污染物排放量的值隨著經(jīng)濟(jì)成本值的增大而降低,單目標(biāo)優(yōu)化只能達(dá)到某個(gè)目標(biāo)的最優(yōu),往往需要犧牲其它相應(yīng)目標(biāo)的值作為代價(jià)。因此,本文采用多目標(biāo)情況的海洋平臺(tái)微網(wǎng)優(yōu)化,可以實(shí)現(xiàn)經(jīng)濟(jì)成本及表征環(huán)境特性的污染物排放量的多目標(biāo)的綜合考慮。
圖2關(guān)于經(jīng)濟(jì)成本和污染物排放量的多目標(biāo)Paroto最優(yōu)解
基于MOPSO優(yōu)化算法得到的是非劣解解集,考慮工程實(shí)用性,根據(jù)3.2.3節(jié)介紹的基于滿意度評(píng)價(jià)的模糊理論可以從Pareto多目標(biāo)解集中獲取一個(gè)推薦的折衷解,如圖3所示:
圖3 模糊理論確定的關(guān)于經(jīng)濟(jì)成本和污染物排放量的推薦折衷解
表1為模糊理論確定的推薦折衷解所安裝的風(fēng)電機(jī)組、光伏陣列及儲(chǔ)能裝置的裝機(jī)容量以及優(yōu)化目標(biāo)。
圖4和圖5分別為仿真時(shí)段內(nèi)推薦折衷解對(duì)應(yīng)的柴油機(jī)組出力情況及儲(chǔ)能裝置的充放電情況(正值表示儲(chǔ)能裝置放電,負(fù)值表示儲(chǔ)能裝置沖電),從圖4中可以看出,加入風(fēng)光互補(bǔ)系統(tǒng)后,柴油機(jī)組出力明顯小于負(fù)荷需求,且在一段時(shí)間內(nèi)的出力基本平穩(wěn),雖然風(fēng)光互補(bǔ)系統(tǒng)具有很大的波動(dòng)性及隨機(jī)性,但加入儲(chǔ)能裝置后,很好的平抑系統(tǒng)中的能量波動(dòng);同時(shí),從圖5中可以看出,當(dāng)系統(tǒng)中的能量有剩余時(shí),儲(chǔ)能裝置持續(xù)充電,直到充滿為止;當(dāng)系統(tǒng)中的能量有不足時(shí),儲(chǔ)能裝置持續(xù)放電,直到放完為止,儲(chǔ)能裝置充放電基本均衡,用于消納發(fā)電量和負(fù)荷需求間的能量差。
圖5 推薦折衷解對(duì)應(yīng)的儲(chǔ)能裝置的充放電情況(正放負(fù)沖)
表2為風(fēng)/光/柴/儲(chǔ)多目標(biāo)優(yōu)化問(wèn)題的推薦折衷解與柴油機(jī)單獨(dú)供電時(shí)的參數(shù)指標(biāo)對(duì)比,Case1為風(fēng)/光/柴/儲(chǔ)多目標(biāo)優(yōu)化確定的推薦折衷解;Case2為柴油機(jī)單獨(dú)供電時(shí)的參數(shù)指標(biāo)。從表中可以看出風(fēng)/光/柴/儲(chǔ)混合系統(tǒng)仿真時(shí)段內(nèi)的經(jīng)濟(jì)成本和污染物排放量分別為$7.735*105、6.138*105kg,獨(dú)立柴油機(jī)供電系統(tǒng)的經(jīng)濟(jì)成本和污染物排放量分別為$7.116*105、7.914*106kg,雖然所設(shè)計(jì)的風(fēng)/光/柴/儲(chǔ)混合系統(tǒng)經(jīng)濟(jì)成本略有增加,但是污染物排放量卻大幅減小了;理論上安裝該系統(tǒng)后,當(dāng)前柴油價(jià)格約為$0.7092/L,則每年節(jié)省燃料成本費(fèi)用約為$36695,該項(xiàng)目初裝投資額約比獨(dú)立柴油供電系統(tǒng)多$2.911*105,理論上項(xiàng)目投資回收期約7-8年,具有較好經(jīng)濟(jì)效益。若該項(xiàng)目得以海洋平臺(tái)上應(yīng)用,不但可以為海洋平臺(tái)節(jié)約大量能源消耗,還可以減少空氣中有害氣體的排放,很符合國(guó)家節(jié)能減排政策的要求。
本文圍繞風(fēng)/光/柴/儲(chǔ)獨(dú)立海洋平臺(tái)微網(wǎng)電源優(yōu)化規(guī)劃問(wèn)題,設(shè)計(jì)了綜合考慮其經(jīng)濟(jì)性、環(huán)保性的多目標(biāo)優(yōu)化規(guī)劃設(shè)計(jì)模型。該模型可同時(shí)針對(duì)設(shè)備類型和裝機(jī)容量進(jìn)行優(yōu)化設(shè)計(jì)。利用MOPSO算法實(shí)現(xiàn)多目標(biāo)優(yōu)化問(wèn)題的求解,針對(duì)某獨(dú)立海洋平臺(tái)微網(wǎng),開展了不同控制策略下的發(fā)電單元、儲(chǔ)能裝置的裝機(jī)容量?jī)?yōu)化研究,得到Pareto最優(yōu)解,還基于模糊理論獲得了基于Pareto解集的推薦折衷解,仿真結(jié)果驗(yàn)證了方法的有效性及可行性。
[1] Jiang L L, Nayanasiri D R, Maskell D L, et al. A hybrid maximum power point tracking for partially shaded photovoltaic systems in the tropics[J]. Renewable Energy, 2015,76:53-65.
[2] Maleki A, Askarzadeh A. Optimal sizing of a PV/wind/diesel system withbattery storage for electrification to an off-grid remote region: a case study ofRafsanjan, Iran. Sustain Energy Technol Assessments, 2014,7:147-53.
[3] Deshkar S N, Dhale S B, Mukherjee J S, et al. Solar PV array reconfiguration under partial shading conditions for maximum power extraction using genetic algorithm[J]. Renewable and Sustainable Energy Reviews, 2015,43:102-110.
[4] Wen S, Lan H, Fu Q, et al. Economic allocation for energy storage system considering wind power distribution[J]. IEEE Transactions on Power Systems, 2015,30(2):644-652.
[5] Y. M. Atwa, E. F. El-Saadany, et al.Optimal renewable resources mix for distribution[J]. IEEE TRANSACTIONS ON POWER SYSTEMS, 2010,25(1).
[6] 郭力, 富曉鵬, 李霞林, 王成山. 獨(dú)立交流微網(wǎng)中電池儲(chǔ)能與柴油發(fā)電機(jī)的協(xié)調(diào)控制[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2012, 32(25): 70-78.
[7] A. Kaabeche, M. Belhamel, R. Ibtiouen. Sizing optimization of grid-independent hybrid photovoltaic/ wind power generation system [J]. ENERGY, 2011, (36): 1214-1222.
[8] 丁明, 王波, 趙波等. 獨(dú)立風(fēng)/光/柴/儲(chǔ)微網(wǎng)系統(tǒng)容量?jī)?yōu)化配置[J]. 電網(wǎng)技術(shù), 2013, (03): 575-581.
Power Source Capacity Optimization in Multiple Energy Complementary System for Offshore Platform
Jia Tao, Wang Xingyue
(Technology Center, TZ(Tianjin) Binhai Heavymachinery CO., LTD., Tianjin 300457, China).
P741
A
1003-4862(2017)05-0055-05
2016-12-15
賈濤(1984-),男,電氣工程師。研究方向:大型船舶和海洋平臺(tái)電力系統(tǒng)的研發(fā)設(shè)計(jì)。