首页 理论教育优化风光抽蓄复合发电系统

优化风光抽蓄复合发电系统

【摘要】:在风—光—抽蓄复合系统的设计过程中,系统的优化配置非常重要。风能资源、太阳能资源、抽水蓄能机组容量和负荷之间有复杂的匹配关系,风—光—抽蓄复合系统的容量配置就是根据这些复杂的匹配关系来决定系统各部件的容量,以提高系统的供电可靠性和降低成本。文献[115]同时利用多目标优化算法和遗传算法对光—风—柴—氢—蓄系统进行优化。优化参数包括风力发电机的容量、光伏阵列的容量、抽水蓄能机组的容量。

在风—光—抽蓄复合系统的设计过程中,系统的优化配置非常重要。风能资源、太阳能资源、抽水蓄能机组容量和负荷之间有复杂的匹配关系,风—光—抽蓄复合系统的容量配置就是根据这些复杂的匹配关系来决定系统各部件的容量,以提高系统的供电可靠性和降低成本。

文献[109]采用改进的粒子群优化算法对风光互补系统进行优化设计,假定系统的部件、辐射量和风速都是完全确定的,系统的成本包括投资、运行、维护和负荷失电率。文献[110]针对风光互补系统中的储能设备的容量配置提出了基于负荷失电率的概率设计方法,利用此方法找到风力电机光伏阵列和储能设备的最优容量组合。文献[111]提出了风光互补系统的鲁棒性设计,得到了不受设计变量影响的优化系统结构,利用多目标遗传算法NSGA-Ⅱ对系统进行优化,用MCS方法(蒙特卡罗模拟法)和LHS方法(拉丁超立方体抽样方法)评估系统的性能。文献[112]提出,风光互补系统的优化包括对风力发电机的类型和大小、光伏板的倾角和大小、储能设备的容量的优化,并将系统的优化定义为多准则整数规划问题。文献[113]将确定性算法用于MATLAB环境中对风光互补系统进行优化。文献[114]提出了微分进化算法对风光互补系统进行优化,避免了局部极小化。文献[115]同时利用多目标优化算法(MOEA)和遗传算法(GA)对光—风—柴—氢—蓄系统进行优化。文献[116]定义了离散成本函数,将光伏阵列的最大功率点跟踪(MPPT)和风力发电机的叶片角度的节距调节用于优化设计中,以确定最优的设计方法。文献[117]认为风光互补独立供电系统的优化配置是多目标优化问题,两个冲突的目标是极大化供电可靠性和极小化成本。

在前人研究的基础上,本文对风—光—抽蓄复合发电系统的优化配置进行了研究。优化方法多采用遗传算法和粒子群算法,因两种方法都是全局性优化方法,但相比较而言,粒子群优化算法避免了复杂的遗传操作,且具有更强的全局收敛能力和鲁棒性,因此本文拟采用粒子群优化算法对系统进行优化配置。系统优化配置的目标函数为系统初次投资,约束条件为供电可靠性。初次投资的评价指标用CE(cost of energy),供电可靠性的评价指标用负荷失电率LPSP(loss of power supply probability),电量累计盈亏量,保证连续阴雨天和无风天气的天数。优化参数包括风力发电机的容量、光伏阵列的容量、抽水蓄能机组的容量。