亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        考慮多目標(biāo)優(yōu)化模型的風(fēng)電場儲能容量配置方案

        2022-11-09 10:13:42陳曉光楊秀媛王鎮(zhèn)林王浩揚
        發(fā)電技術(shù) 2022年5期
        關(guān)鍵詞:成本系統(tǒng)

        陳曉光,楊秀媛,王鎮(zhèn)林,王浩揚

        (北京信息科技大學(xué)自動化學(xué)院,北京市 海淀區(qū) 100192)

        0 引言

        2021年1—11 月,全國發(fā)電裝機容量約23.2億kW,同比增長9.0%,其中,風(fēng)電裝機容量約3.0億kW,同比增長29%。風(fēng)力發(fā)電具有隨機性、波動性較大等特點,這給風(fēng)電并網(wǎng)帶來很多問題,如系統(tǒng)的穩(wěn)定性、電能質(zhì)量、系統(tǒng)發(fā)電計劃和調(diào)度等[1-5]。儲能系統(tǒng)擁有快速存儲和及時釋放電能的雙向吞吐功率能力,這種能力具有靈活、快速的特點,且過程中不需要風(fēng)電機組的控制[6-8]。在實際工程中,受地理位置、技術(shù)和經(jīng)濟等多方面的制約,儲能系統(tǒng)無法無限滿足電力系統(tǒng)的需求[9-11]。儲能系統(tǒng)成本與功能存在相互制約關(guān)系,所以在儲能系統(tǒng)配置過程中,考慮運行功能性的同時引入經(jīng)濟效益分析更合理。

        關(guān)于儲能系統(tǒng)優(yōu)化配置,研究者做了大量工作,并取得了一定成果[12-16]。儲能系統(tǒng)優(yōu)化配置為高維非線性優(yōu)化問題,傳統(tǒng)方法的求解難度較高,儲能系統(tǒng)配置模型的搭建以及根據(jù)模型選取合適的智能算法至關(guān)重要[17-19]。當(dāng)前研究中儲能系統(tǒng)功率和容量的配置主要采用模型求解法[20-21],即基于對研究問題的需求不同,建立不同的數(shù)學(xué)模型(目標(biāo)函數(shù)和約束條件),同時又根據(jù)目標(biāo)函數(shù)個數(shù)分為單目標(biāo)模型、多目標(biāo)模型。

        文獻[22]建立了單目標(biāo)經(jīng)濟模型,以運行成本、懲罰成本和固有成本3部分費用現(xiàn)值最小作為目標(biāo)函數(shù);文獻[23]中建立了全壽命周期的單目標(biāo)經(jīng)濟模型,完善了全壽命周期模型目標(biāo)函數(shù),加入了報廢處理成本,并對不同配置方案進行了經(jīng)濟性評估和靈敏度分析。以上兩者雖然對儲能系統(tǒng)進行了經(jīng)濟分析,但經(jīng)濟組成部分忽略了配置儲能系統(tǒng)后的效益分析。文獻[24]為了平抑風(fēng)電波動,利用概率數(shù)理統(tǒng)計計算出最優(yōu)的混合儲能容量配置,雖然有很強的理論支持,但過于側(cè)重儲能的功能型效果,弱化了儲能成本對儲能推廣的影響,無法兼顧經(jīng)濟性和功能性。文獻[25]提出一種光熱-抽水蓄能-電池復(fù)合儲能系統(tǒng)容量多目標(biāo)優(yōu)化模型,以混合儲能系統(tǒng)效益最大和等效負荷方差最小作為目標(biāo)函數(shù),利用粒子群算法進行求解;文獻[26]頂層模型以年綜合成本費用年值最小為目標(biāo)函數(shù),底層模型以日懲罰成本最小為目標(biāo)函數(shù),利用粒子群算法對雙層模型進行迭代求解。以上兩者都考慮了功能性和經(jīng)濟性目標(biāo),但其所建立模型維度較高,計算復(fù)雜,利用傳統(tǒng)的粒子群算法進行求解,可能會陷入局部最優(yōu)。

        基于以上分析,現(xiàn)階段儲能配置存在以下問題:一是在經(jīng)濟性分析上過于單一,經(jīng)濟模型中的組成部分劃分不清晰,大多數(shù)研究僅考慮了投資成本和運維成本2部分,此外,效益模型仍不完善,忽略了儲能系統(tǒng)投入使用后的直接收益和間接收益;二是不同儲能容量對功能性和經(jīng)濟性的相關(guān)性研究多側(cè)重于其中一方面;三是現(xiàn)有研究涉及的智能算法存在求解精度低、同一化等缺陷[27-31]。因此,建立一種考慮多目標(biāo)優(yōu)化的儲能配置模型,完善模型中成本和效益的經(jīng)濟組成部分,并同時將功能性指標(biāo)和經(jīng)濟性指標(biāo)作為目標(biāo)函數(shù)進行求解計算具有實際意義。

        本文利用小波包分解將風(fēng)電原始信號分頻,得到混合儲能系統(tǒng)的補償功率,基于全壽命周期成本模型,完善其組成部分,建立了經(jīng)濟-應(yīng)用多目標(biāo)優(yōu)化模型,利用改進概率變異粒子群優(yōu)化(probabilistic mutation particle swarm optimization,PMPSO)算法求解模型的容量配置,并且引入熵權(quán)概念對Pareto解集進行歸一化處理,得到最優(yōu)儲能配置方案,最后通過與多種配置方案進行對比分析,驗證了求解得出的配置方案兼顧經(jīng)濟性和功能性。

        1 基于小波包分解算法的功率分配

        1.1 自適應(yīng)小波包分解算法

        風(fēng)電功率可以通過小波包分解為不同頻率的分量。低頻分量變化平緩,波動性較小,其功率幅值較高;次高頻分量和高頻分量波動性強,其功率幅值小,基本上在零值左右波動。因此,風(fēng)電場可以根據(jù)并網(wǎng)波動率的要求,選擇合適的小波包分解層數(shù)n,將分解后的低頻分量作為并網(wǎng)功率,次高頻分量和高頻分量則可以通過不同的儲能裝置來進行平抑。

        分解層數(shù)n的選擇:小波包分解層數(shù)n越大,并網(wǎng)目標(biāo)功率曲線越平滑,所需配置的儲能容量越大;n越小,低頻并網(wǎng)信號波動率越大。因此,采用小波包分解風(fēng)電功率,計算每個分界層數(shù)下低頻分量的功率波動是否滿足現(xiàn)行國家標(biāo)準(zhǔn)規(guī)定的風(fēng)電場低頻分量功率波動的最大限值。若滿足并網(wǎng)要求,則停止循環(huán),此時n為需要的分解層數(shù);否則,繼續(xù)加深分解層數(shù),進而確定小波包最優(yōu)分解層數(shù)[32-33]。

        小波包算法由小波包分解和重構(gòu)2個部分組成。分解過程如下:

        式中:S2nn,0(t)、S2n+1n,1(t)分別為第n層小波包分解的低頻分解系數(shù)和高頻分解系數(shù);an、bn分別為分解的低通濾波系數(shù)和高通濾波系數(shù);Sn-1,0(t)為第n-1層小波包的重構(gòu)信號。

        重構(gòu)過程如下:

        式中:Sn,0(t)、Sn,1(t)分別為小波包重構(gòu)的低頻信號和高頻信號;hn、gn分別為重構(gòu)的低通濾波系數(shù)和高通濾波系數(shù)。

        經(jīng)過n層小波包分解后,原始信號被分解成2n個頻段,每個頻段的帶寬為f0=fs/2n+1,其中fs為采樣頻率。第m個小波包頻段為[mfs/2n+1,(m+1)fs/2n+1]。

        1.2 混合儲能系統(tǒng)功率分配

        小波包分解后的低頻分量P(n,0)作為并網(wǎng)目標(biāo)功率,其余高頻分量P(n,1)~P(n,2n-1)則為風(fēng)電功率的波動分量,由混合儲能裝置來平抑,即

        式中:Pref為并網(wǎng)功率;Pli、Psc分別為鋰離子電池、超級電容補償功率,其值大于零時表示充電,小于零時表示放電;Pw(·)為各頻段重構(gòu)后對應(yīng)功率;1:k、k+1:2n-1表示頻帶區(qū)間范圍,其中k為高頻分段數(shù)。

        2 混合儲能優(yōu)化配置模型

        本文基于全壽命周期成本,利用費用年值法[34]對儲能系統(tǒng)整個生命周期內(nèi)產(chǎn)生的所有費用建立經(jīng)濟性模型,以凈收益最大、波動量最小和棄風(fēng)量最小為目標(biāo)函數(shù),對儲能系統(tǒng)容量進行優(yōu)化配置。

        2.1 優(yōu)化配置模型

        模型主要對項目周期T年、基準(zhǔn)折現(xiàn)率為i0的儲能系統(tǒng)初期購置階段、運行階段和報廢處理階段的成本與收益進行分析。需要指出的是,對于混合儲能系統(tǒng),鋰離子電池和超級電容的計算方式相同,因此本文只列舉鋰離子電池的計算公式。

        1)初期購置階段

        初期購置成本主要由初始投資資金與輔助設(shè)備資金構(gòu)成,由儲能系統(tǒng)的額定功率和額定容量決定,可表示為

        式中:Cpur為初期購置成本;Cppur為單位功率投資成本;Cepur為單位容量投資成本;Cpau為單位功率輔助成本;Prate為儲能額定功率。

        2)運行階段

        運行階段成本主要由運行維護成本、置換成本和懲罰成本構(gòu)成。運行維護成本Com主要由固定維護成本和可變維護成本2部分構(gòu)成,如式(5)所示,其中,固定維護成本與儲能額定功率Prate有關(guān),與日常運行狀態(tài)無關(guān);可變維護成本與年充放電量Wess有關(guān)。

        式中:Cpom為單位功率運維成本;Ceom為單位電量運維成本;Preffact為風(fēng)電實際并網(wǎng)功率;Pw為原始風(fēng)功率;Δt為采樣時間;N為一年內(nèi)的采樣點個數(shù)。考慮到原始數(shù)據(jù)長度的局限性,這里Wess代表項目周期的年均充放電量。

        置換成本表示為

        式中:Cpex為單位功率置換成本;nex為置換次數(shù),nex=T/Ln,Ln為儲能等效循環(huán)壽命,由雨流計數(shù)法折算得出。

        懲罰成本由缺電懲罰成本和棄風(fēng)懲罰成本組成。其中,缺電懲罰成本表示為

        式中:αlack為單位能量缺電懲罰系數(shù);Elack為年缺電量,表示為

        式中:x為不同儲能介質(zhì);Px為x儲能系統(tǒng)的補償功率;Ex_bat為x儲能系統(tǒng)的補償值;Px_rate為x儲能系統(tǒng)的額定功率值;Ex_min為x儲能系統(tǒng)的安全容量最小值;alp、ale為缺電布爾值,其值為1時表示缺電。考慮到原始數(shù)據(jù)長度的局限性,這里Elack代表項目周期的年均缺電電量。

        棄風(fēng)懲罰成本表示為

        式中:αab為單位能量棄風(fēng)懲罰系數(shù);Eab為年棄風(fēng)量,表示為

        式中:Ex_max為x儲能系統(tǒng)的安全容量最大值;abp、abe為棄風(fēng)布爾值,其值為1時表示棄風(fēng)??紤]到原始數(shù)據(jù)長度的局限性,這里Eab代表項目周期的年均棄風(fēng)電量。

        3)報廢處理階段

        該階段成本由報廢處理成本和回收殘值構(gòu)成。其中,報廢處理成本表示為

        式中:Cpsc為單位功率報廢成本;Cesc為單位容量報廢成本。

        回收殘值表示為

        式中δres為回收殘值率。

        綜上,儲能系統(tǒng)成本為

        式中求和表示2種儲能成本費用之和。

        儲能系統(tǒng)收益Iin包括風(fēng)電場配置儲能系統(tǒng)后的多發(fā)電量收益Imul、財政補貼的收益Isub和緩建并網(wǎng)通道的效益Ipass,表示如下:

        式中:αmul為售電價;Eess為風(fēng)電場配置儲能系統(tǒng)后多發(fā)電量;αsub為補貼電價;kpass為并網(wǎng)通道的單位功率造價;Pb為混合儲能系統(tǒng)補償功率。

        因此,儲能系統(tǒng)的凈效益現(xiàn)值為Inet=Iin-Cc,目標(biāo)函數(shù)為

        為表征儲能系統(tǒng)平抑波動的功能效果,建立了波動量指標(biāo),即以并網(wǎng)風(fēng)功率的波動量平方和為目標(biāo)函數(shù):

        為表征儲能系統(tǒng)減小棄風(fēng)的功能效果,建立了棄風(fēng)量指標(biāo),即以年平均棄風(fēng)量為目標(biāo)函數(shù):

        綜上,儲能系統(tǒng)優(yōu)化配置模型為

        儲能系統(tǒng)有以下約束:

        ①額定功率約束。任意時刻下不同介質(zhì)補償值不能超過其額定功率值,即

        ②額定容量約束。任意時刻下不同儲能介質(zhì)的儲能容量不能大于其額定容量,即

        式中Px_c、Px_d分別為x儲能系統(tǒng)的充、放電功率。

        ③荷電狀態(tài)(state of charge,SOC)約束。

        式中Sx_min、Sx_max分別為x儲能系統(tǒng)的SOC最小值和最大值。

        2.2 改進粒子群算法

        傳統(tǒng)粒子群算法存在易丟部分解、陷入局部最優(yōu)解等缺陷。針對這些問題,基于自適應(yīng)權(quán)重粒子群優(yōu)化(adaptive weighted particle swarm optimization,AWPSO)算法,引入網(wǎng)格質(zhì)量和非支配排序遺傳算法(non-dominated sorting geneticalgorithm,NSGA-II)[35]和PMPSO算法中的變異、精英庫操作,對變異概率進行局部非均勻動態(tài)更新,提出一種改進PMPSO算法,并與文獻[31]中自適應(yīng)量子粒子群優(yōu)化(adaptive quantum particle swarm optimization,AQPSO)算法進行比較。

        2.2.1 AQPSO算法

        相對于傳統(tǒng)的粒子群優(yōu)化(particle swarm optimization,PSO)算法,量子粒子群優(yōu)化(quantum particle swarm optimization,QPSO)算法不再關(guān)注粒子的移動速度,只考慮粒子位置。在QPSO算法中,粒子位置的更新方程為:

        式中:xid為第i個粒子位置,其中d為粒子維度;φid、uid為服從[0,1]上均勻分布的隨機數(shù);pid=(pi1,pi2,…,pid)為第i個粒子迭代計算的吸引因子;Lid為粒子在某一相對點位置的概率;Pid為個體歷史最優(yōu);Pgd為全局最優(yōu)點;E為單位矩陣。

        式中:ρ為收縮擴張系數(shù);mb為當(dāng)前粒子的個體平均最優(yōu)點;m為種群粒子數(shù)。

        從參數(shù)自適應(yīng)以及最優(yōu)權(quán)重分配方面對QPSO算法進行改進,加入自適應(yīng)中心權(quán)重思想,構(gòu)成歸一化權(quán)重向量:

        式中:fid、fidb分別為當(dāng)前位置的適應(yīng)度數(shù)值和最優(yōu)粒子適應(yīng)度數(shù)值;wid為中心權(quán)重系數(shù),即每個粒子對平均粒子最優(yōu)的權(quán)值,以提高全局搜索能力。

        改進收縮擴張系數(shù)的制定規(guī)則:

        式中:ρte、ρ0分別為收縮擴張系數(shù)的末值與初值;gen、genmax分別為當(dāng)前迭代次數(shù)和最大迭代次數(shù)。

        2.2.2 PMPSO算法

        AWPSO算法速度與位置更新方程如下:

        式中:ωmax、ωmin分別為非負數(shù)的慣性權(quán)重ω可取的最大值和最小值;f為微粒當(dāng)前的目標(biāo)函數(shù)值;fav、fmin分別為當(dāng)前空間中微粒的平均目標(biāo)值和最小目標(biāo)值;c1和c2為非負數(shù)的學(xué)習(xí)因子;r1和r2為服從[0,1]上均勻分布的偽隨機數(shù);vid為微粒速度,取值范圍為[-vmax,vmax],其中vmax為微粒最大速度,是常數(shù),根據(jù)工程需求自行設(shè)定。

        動態(tài)更新權(quán)重,使其在飛行尋優(yōu)中避免局部最優(yōu)點,但忽略了初始化粒子時導(dǎo)致的分布不均勻問題,也沒有改善粒子群算法普遍容易丟失個別解的缺點。針對以上問題,引入網(wǎng)格質(zhì)量和非支配排序遺傳算法中的變異、精英庫操作,網(wǎng)格質(zhì)量用來表示粒子在飛行過程中某局域的搜索質(zhì)量水平,某一區(qū)域粒子越多,網(wǎng)格質(zhì)量就越低,說明該區(qū)域已經(jīng)搜索較為完全,無需繼續(xù)尋優(yōu),可通過變異操作對未開發(fā)的區(qū)域進行精確查找。對PMPSO引入局部非均勻操作,動態(tài)更新變異概率,基本原理如圖1所示,將種群均勻分成m等份,對m等份進行不同變異操作:第1部分不變異;第2部分到第m-1部分為定概率的均勻變異;第m部分為不均勻變異。由于隨著迭代次數(shù)的增加,尋優(yōu)范圍應(yīng)更精細,變異的粒子數(shù)不應(yīng)過多,因此概率隨迭代次數(shù)動態(tài)變化,表示如下:

        圖1 概率變異示意圖Fig.1 Schematic diagram of probability variation

        式中:Pper_mut為第gen代的變異概率;nvar為變量個數(shù)。

        PMPSO算法具體步驟如下:

        1)賦值相關(guān)算法參數(shù),對種群以及粒子進行初始化,并將初始適應(yīng)度存入精英庫。

        2)初始化個體最優(yōu)Pbest及全局最優(yōu)Gbest,并存入精英庫,記錄粒子具體信息。

        3)定義網(wǎng)絡(luò)計算擁擠度,計算網(wǎng)格質(zhì)量Q;

        4)開始主循環(huán),利用網(wǎng)格質(zhì)量更新選擇個體最優(yōu)Pbest,若空間不夠,則可以進行縮減。

        5)對粒子進行飛行尋優(yōu)操作,更新粒子速度、位置及權(quán)重,計算適應(yīng)度函數(shù)值。

        6)對種群進行概率變異操作,同時核驗邊界。

        7)根據(jù)支配關(guān)系,比較粒子新位置和局部最優(yōu)位置的優(yōu)劣,更新每個粒子的局部最優(yōu)Pbest與全局最優(yōu)Gbest,并存入精英庫。

        8)更新網(wǎng)格,計算網(wǎng)格質(zhì)量,同時更新精英庫。

        9)判斷是否達到最大迭代次數(shù)或滿足設(shè)定的條件,若不滿足,則跳轉(zhuǎn)至步驟4);否則,結(jié)束程序并輸出存檔中的最優(yōu)解集。

        2.3 多目標(biāo)優(yōu)化結(jié)果處理

        本文提出的風(fēng)電場儲能優(yōu)化配置模型基于智能算法得出的Pareto解集基于優(yōu)劣解距離(technique for order preference by similarity to ideal solution,TOPSIS)法進行改進,對解集中每個解的優(yōu)劣程度進行評判,得出綜合滿意度最高的熵權(quán)最優(yōu)解。具體步驟如下:

        1)對目標(biāo)函數(shù)進行歸一化處理,將波動量、成本、總收益和棄風(fēng)量作為影響因子引入。

        式中:δi,q、fi,q分別為第i個解在第q個目標(biāo)上歸一化后的值與實際值;fi,max、fi,min分別為第i個目標(biāo)的最大、最小值。

        2)求各影響因子的權(quán)重。

        式中:Wq為第q個影響因子的信息熵;np為Pareto前沿解的個數(shù);τq為第q個影響因子的權(quán)重;y為影響因子的個數(shù)。

        3)計算綜合滿意度。

        式中:Zi_+、Zi_-分別為個體i的正、負理想尺度;δi,q+、δi,q-分別為歸一化后個體i對應(yīng)的最大、最小值;Z為熵權(quán)擬合度,其值越接近1,說明影響因子綜合滿意度越高。

        4)取熵權(quán)擬合度最高值對應(yīng)的熵權(quán)最優(yōu)儲能容量配置方案。

        本文提出的儲能優(yōu)化配置流程如圖2所示。

        圖2 儲能優(yōu)化配置流程圖Fig.2 Flow chart of energy storage optimization allocation

        3 算例分析和仿真驗證

        3.1 評價參數(shù)

        為了進一步量化儲能系統(tǒng)效果,可以用以下參數(shù)衡量:

        1)波動量裕度χ。

        式中:ΔPTL(t)為時間尺度為TL時允許的最大波動量,TL一般取1 min或10 min;ΔPreffact為經(jīng)運行策略實際并網(wǎng)的最大波動量。

        2)儲能系統(tǒng)因額定容量限制而無法按預(yù)補償值工作的百分數(shù)ε。ε值越小,說明儲能系統(tǒng)輸出功率分配越合理。

        式中:Tbat為儲能系統(tǒng)補償工作時間;al(t)為缺電決策變量,其值為1時,表示儲能系統(tǒng)因容量限制而無法繼續(xù)放電的缺電狀態(tài);aab(t)為充電決策變量,其值為1時,表示儲能系統(tǒng)因容量限制而無法繼續(xù)充電的狀態(tài)。

        3)儲能等效循環(huán)壽命Ln。對于功率型儲能,其循環(huán)使用次數(shù)可達10萬次,與充放電深度(depth of discharge,DOD)關(guān)系不明顯,且使用壽命遠高于能量型儲能,因此本文著重考慮能量型儲能。

        采用雨流計數(shù)法計算DODx(表示儲能系統(tǒng)充放電深度為x),電池第x次循環(huán)的等效循環(huán)系數(shù)為

        式中:DODb為基準(zhǔn)放電深度,b=1;Nc(DODb)、Nc(DODx)為對應(yīng)的循環(huán)使用次數(shù)。

        電池工作1個工作周期Y內(nèi),DODx對應(yīng)的循環(huán)個數(shù)為mx,共有Ncd個放電深度。則在周期Y內(nèi)電池消耗的壽命為

        Yy為采樣數(shù)據(jù)時間長度,本文取1 a,則電池的運行年限Ln為

        3.2 算例仿真

        3.2.1 仿真數(shù)據(jù)準(zhǔn)備

        由1.1節(jié)方法確定小波包分解層數(shù)n:采用db6小波對風(fēng)電功率進行2層分解后,低頻分量功率波動最大值為7.68 MW,因此2層分解不滿足要求;對風(fēng)電功率進行3層分解后,低頻分量功率波動最大值為3.15 MW,滿足風(fēng)電并網(wǎng)要求,最終確定小波包分解層次為3層。再對原始信號進行FFT變換,得出其幅頻特性曲線,發(fā)現(xiàn)當(dāng)頻率大于1.54 mHz時,幅值接近于0,說明能量很小,因此可將該頻率作為鋰離子電池和超級電容的界限。

        算例數(shù)據(jù)為某風(fēng)電場一年的歷史數(shù)據(jù),額定功率為50 MW,優(yōu)化模型相關(guān)參數(shù)見表1、2;改進PMPSO相關(guān)參數(shù),種群規(guī)模設(shè)為200,迭代次數(shù)設(shè)為100次,個體、群體自信度均為1.5,初始變異概率為0.5。

        表1 儲能經(jīng)濟參數(shù)Tab.1 Energy storage economic parameters

        表2 相關(guān)技術(shù)參數(shù)Tab.2 Relevant technical parameters

        3.2.2 熵權(quán)最優(yōu)配置方案的驗證

        利用改進PMPSO算法求解風(fēng)電場儲能配置模型得到的Pareto解集如圖3所示,該圖表征了3個目標(biāo)函數(shù)f1、f2、f3隨自變量(額定功率和額定容量)變化的趨勢,同時也直觀地展示了3個目標(biāo)函數(shù)之間的變化關(guān)系。此外,根據(jù)Pareto前沿解的個數(shù)均勻取出7個解進行定量分析,結(jié)果如表3所示。

        圖3 改進PMPSO算法的Pareto解集Fig.3 Pareto solution set of improved PMPSO algorithm

        多目標(biāo)優(yōu)化側(cè)重探究解的多樣性,通過表3可以得到,1—7號方案儲能容量逐漸減少,由1號配置方案的10.089 MW/14.991 MW·h到7號配置方案的5.003 MW/7.559 MW·h。Pareto典型配置方案目標(biāo)函數(shù)值如圖4所示,不同方案成本和總收益曲線如圖5所示。

        表3 改進PMPSO Pareto部分解集Tab.3 Partial solution set of improved PMPSO Pareto

        圖5 不同方案成本和總收益曲線Fig.5 Cost and total benefit curves of different schemes

        結(jié)合圖4、5可知,隨著容量的減少,成本和總收益均減小,目標(biāo)函數(shù)f1減小(即凈收益增大),說明儲能成本對儲能系統(tǒng)凈收益影響更大,對應(yīng)的波動指標(biāo)(目標(biāo)函數(shù)f2)、棄風(fēng)指標(biāo)(目標(biāo)函數(shù)f3)均逐步上升,即平抑效果變差、棄風(fēng)量增大。1號方案凈收益最小,波動指標(biāo)和棄風(fēng)指標(biāo)均最低,是偏向功能性的風(fēng)電場儲能配置方案;7號方案凈收益最大,波動指標(biāo)和棄風(fēng)指標(biāo)均最高,是偏向經(jīng)濟性的風(fēng)電場儲能配置方案。

        圖4 Pareto典型配置方案目標(biāo)函數(shù)值Fig.4 Objective function values of Pareto typical allocation schemes

        為了得到兼顧功能性與經(jīng)濟性的配置方案,利用2.3節(jié)的方法求得熵權(quán)最優(yōu)方案,定義為8號方案(7.613 MW/11.329 MW·h),1、7、8號方案的容量配置和評價參數(shù)分別如表4、5所示。圖6、7分別為3種配置方案下風(fēng)電日運行曲線和儲能系統(tǒng)功率,圖6中并網(wǎng)功率上方的黃色陰影面積為棄風(fēng)量。

        圖6 1、7、8號方案日運行曲線Fig.6 Daily operation curves of scheme 1,7,8

        結(jié)合表4、5可以得出,隨著配置比例的增加,黃色陰影面積依次減小,說明棄風(fēng)量逐漸減少,同時因功率和容量限制而不能工作的情況在減少,8號方案的成本、總收益、凈收益、波動指標(biāo)和棄風(fēng)指標(biāo)均處于1號、7號方案之間。相較于7號方案,8號方案的成本增加了2%,凈收益減小了2.7%,棄風(fēng)量下降了34%,最大波動量下降了近50%,運行年限由9.52 a提升到10.32 a,說明8號方案用較小的成本增量換取了較大的功能效果。相較于8號方案,1號方案的成本增加了6.4%,遠高于8號相較于7號的成本增幅,但棄風(fēng)量下降了30%,近似于8號相較于7號的棄風(fēng)量降幅,運行年限相似,說明1號方案雖然有較大的成本增量,但波動量和棄風(fēng)量指標(biāo)并未大幅度減少,因此配置不同比例的儲能系統(tǒng)棄風(fēng)量差異不大時,無需配置更大容量的儲能系統(tǒng)去進行平抑,可以通過降低波動量裕度使成本下降。此外,3種方案的熵權(quán)擬合度中8號方案最大,其值為0.995,從而驗證了熵權(quán)最優(yōu)方案是兼顧功能性和經(jīng)濟性的最優(yōu)配置。

        表4 1、7、8號方案的容量配置Tab.4 Capacity configuration of scheme 1,7,8

        表5 1、7、8號方案的評價參數(shù)Tab.5 Evaluation parameters of scheme 1,7,8

        圖7 1、7、8號方案儲能系統(tǒng)功率Fig.7 Energy storage system power of scheme 1,7,8

        3.2.3不同算法的熵權(quán)最優(yōu)配置方案對比

        由于文獻[31]已經(jīng)驗證AQPSO算法尋優(yōu)能力遠大于AWPSO算法,因此該算例只對AQPSO算法和改進PMPSO算法進行對比分析。通過上文分析可知,波動指標(biāo)和棄風(fēng)指標(biāo)具有相同的變化趨勢,因此為了直觀展示不同目標(biāo)函數(shù)之間的關(guān)系,取目標(biāo)函數(shù)f1為縱坐標(biāo)、目標(biāo)函數(shù)f2為橫坐標(biāo)的二維圖進行分析,結(jié)果如圖8所示。

        圖8 不同算法Pareto最優(yōu)解集Fig.8 Pareto optimal solution sets of different algorithms

        多目標(biāo)優(yōu)化不僅關(guān)注解的多樣性,還關(guān)注解的收斂性。將AQPSO算法得到的熵權(quán)最優(yōu)方案定義為9號方案。結(jié)合圖8可知,由于AQPSO算法尋優(yōu)能力比改進PMPSO算法弱,AQPSO算法尋優(yōu)過程中,在目標(biāo)函數(shù)f2=2.4×1011W附近陷入局部最優(yōu),導(dǎo)致求得的儲能配置方案容量比改進PMPSO算法求得的容量大,如表6所示。8、9號方案的評價參數(shù)如表7所示,圖9為8、9號方案風(fēng)功率和儲能補償功率日運行圖。

        表7 8、9號方案的評價參數(shù)Tab.7 Evaluation parameters of scheme 8,9

        結(jié)合表6、7和圖9可以看出,2種方案因功率和容量限制而導(dǎo)致無法工作的比例均較小,在最大波動量、波動指標(biāo)、棄風(fēng)指標(biāo)和運行年限多個參數(shù)值上相差不大,9號方案成本增加了15%,而8號方案在經(jīng)濟性占優(yōu)的情況下,與9號方案的波動指標(biāo)、棄風(fēng)指標(biāo)接近,并且儲能配置容量減少了18%,說明了本文算法求得的配置方案的有效性和優(yōu)越性。

        表6 8、9號方案的容量配置Tab.6 Capacity configuration of scheme 8,9

        圖9 8、9號方案風(fēng)功率和儲能補償功率日運行圖Fig.9 Daily operation diagram of wind power and energy storage compensation power of scheme 8,9

        4 結(jié)論

        1)基于全周期壽命成本模型,建立了凈收益最大-波動量小-棄風(fēng)量小的多目標(biāo)儲能配置模型,引入熵權(quán)概念對Pareto配置方案解集進行熵權(quán)擬合度評估,得出的熵權(quán)最優(yōu)配置方案相較于單目標(biāo)配置方案能夠平衡功能性和經(jīng)濟性需求。

        2)與AQPSO算法相比,改進PMPSO算法在高維問題求解方面有更好的尋優(yōu)能力和求解速度,求解得到的熵權(quán)最優(yōu)配置方案波動量裕度減小了6%,保證了波動量滿足要求、棄風(fēng)量較小的同時,配置容量減小了18%,凈收益提高了4.6%,表明該方法有效可行。

        以上所得儲能系統(tǒng)補償功率和配置方案均是基于風(fēng)電場的歷史數(shù)據(jù),后續(xù)將圍繞風(fēng)功率精確預(yù)測及儲能配置影響因素的靈敏度開展研究。

        猜你喜歡
        成本系統(tǒng)
        Smartflower POP 一體式光伏系統(tǒng)
        2021年最新酒駕成本清單
        河南電力(2021年5期)2021-05-29 02:10:00
        WJ-700無人機系統(tǒng)
        ZC系列無人機遙感系統(tǒng)
        北京測繪(2020年12期)2020-12-29 01:33:58
        基于PowerPC+FPGA顯示系統(tǒng)
        半沸制皂系統(tǒng)(下)
        溫子仁,你還是適合拍小成本
        電影(2018年12期)2018-12-23 02:18:48
        鄉(xiāng)愁的成本
        特別健康(2018年2期)2018-06-29 06:13:42
        連通與提升系統(tǒng)的最后一塊拼圖 Audiolab 傲立 M-DAC mini
        “二孩補貼”難抵養(yǎng)娃成本
        伊伊人成亚洲综合人网7777| 亚洲日韩中文字幕一区| 日本不卡一区二区三区在线 | 亚洲熟女www一区二区三区| 久久www色情成人免费观看| 色窝窝免费播放视频在线| 人妻AV无码一区二区三区奥田咲| 少妇无码一区二区三区| 国产毛片视频网站| 亚洲AV无码一区二区三区少妇av| 亚洲精品在线观看自拍| 青青草手机在线观看视频在线观看 | 久久精品国产久精国产69| 青青草好吊色在线视频| 亚洲美女毛多水多免费视频| 大地资源高清在线视频播放| 免费a级毛片无码| 99精品电影一区二区免费看| 久久这里有精品国产电影网 | 国产熟女自拍av网站| 精品人妻系列无码人妻漫画| 亚洲人成色7777在线观看| 免费又黄又爽又猛的毛片| 韩国无码精品人妻一区二| 国产精品一区二区三区三| 在线精品国产亚洲av蜜桃| 67194熟妇人妻欧美日韩| 99精产国品一二三产品香蕉| 99久久综合狠狠综合久久一区| 麻豆视频av在线观看| www国产亚洲精品久久麻豆| 国精品无码一区二区三区在线蜜臀| 国产精品亚洲A∨天堂不卡| 亚洲无人区一码二码国产内射 | 国产女同va一区二区三区| 亚洲中文字幕久久精品无码a | 色婷婷五月综合激情中文字幕| 日韩精品无码一区二区三区视频| 国产日韩精品一区二区在线观看播放| 午夜日本理论片最新片| 亚洲综合自拍偷拍一区|