首页 > 霍克蓄电池-官网

基于增强型滑翔蛇优化算法的混合可再生能源-热电联产微电网综合降解建模与基于藤Copula的随机优化研究（含EnerSys蓄电池与热能存储）

摘要

包含可再生能源、热电联产（CHP）和储能的混合微电网是极具前景的系统；然而，它们面临着诸如退化、不确定性和多目标问题等优化难题。本文提出了一种基于退化的随机优化框架，该框架考虑了光伏（PV）–风力涡轮机（WT）–热电联产（CHP）–电池储能系统（BESS）–热能储存（TES）微电网。所提出的优化框架具有三个主要创新点：(1) 一个全面的退化模型，涵盖了所有形式的退化，即日历退化、循环退化、电热退化和基于运行的退化；(2) 一种多性向目标改进型滑翔蛇优化算法（MOIGSO）以及基于运动熵的动态滑翔结构变异（DGSV-ME）；(3) 基于藤科Copula的建模，用于描述五个不同随机变量之间的非高斯依赖关系：太阳辐射、温度、风速、电负荷和热负荷。所提出的优化框架通过MOIGSO最小化经济成本和排放成本，解决了双目标问题。在三种情况下考虑了三种配置（光伏+风电+电池储能系统；光伏+风电+热电联产+电池储能系统；光伏+风电+热电联产+电池储能系统+热储能系统）。结果表明，考虑退化的设计使年成本增加了9.8%–13.1%，但将电池寿命延长至20年，从而提供了全生命周期的可持续性。MOIGSO获得了0.978的超体积指数和0的倒向世代距离（IGD）。0074，因此优于多性向目标滑翔蛇优化器（MOGSO）、多性向粒子群优化（MOPSO）、非支配排序遗传算法II（NSGA-II）和多性向鲸鱼优化算法（MOWOA）。基于双层预测模型（MPC）的能量管理系统（EMS）可节省2.9–5.5%的成本、12.4–15.8%的电池循环、6.8–8.2%的燃料以及6.5–8.0%的排放，并使可再生能源使用率提高6.5–8.3%。与蒙特卡洛模拟相比，藤蔓Copula函数使成本期望降低了5.6%，成本标准差降低了31.5%，计算时间缩短了42.2%。所提出的框架为可持续微电网的实施提供了一种切实可行的方法，强调了考虑退化的设计、预测驱动的能量管理以及复杂的确定性建模。

关键词：
微电网规划; 退化建模; 多性向改进藤蔓Copula; 滑翔蛇优化器; 随机优化; 电气与热能储能

1. 引言

1.1. 研究动机与背景

全球范围内正在进行能源转型，旨在缓解气候变化并提高能源安全。微电网已成为整合分布式能源并为多个部门供电的重要结构，因为这些电网能够并网或离网运行[1]。热电联产（CHP）技术效率高达80-90%，与单独生产热能和电能相比具有诸多优势。将上述技术与可再生光伏面板、风力涡轮机（WTs）以及储能系统相结合，可降低成本和排放。然而，由于可再生能源的间歇性、电气与热力部件之间的相互作用以及不确定性，此类混合系统的规划十分困难[2]。此外，此类系统的问题之一是系统组件——光伏面板、风力涡轮机、热电联产机组、电池、热能储存（TES）单元和逆变器——的性能退化，这在传统规划中通常被过度简化或忽视，导致估算错误、尺寸设计不当，以及因过早故障和更换而产生更多成本[3,4]。成本估算可能会高估实际成本20%以上，并使运营成本增加40%以上[3,5]（若不考虑电池退化）。新的研究趋势已将电池退化纳入微电网设计过程[5,6]。考虑退化的CHP调度可使成本降低高达50%[7]。在可靠性工程背景下，不确定性至关重要，因为它可能因辐照度、风速、温度和负荷需求水平的波动而变化。Copula方法已被证明在捕捉可再生能源的非高斯依赖关系方面非常高效，能够提供可靠的相关场景[8]。基于仿射算术的优化已经同时解决了不确定性和电池退化问题[6]。正则藤Copula方法已被应用于孤立校园微电网调度案例[9] 寻找组件的最优容量仍然是一项具有挑战性的任务，这需要使用元启发式算法来处理庞大的解空间，未来的研究需要针对非线性、非凸的多性向问题进行探索 [9]。与规划层优化相结合，运行层调度在实现系统经济调度和可靠性方面发挥着重要作用。在[10]中，引入了一种基于边际成本共识的BESS经济调度重置方法，而在[11], 引入了一种基于多智能体系统的PI+R控制策略，用于孤立BESS的经济调度。这些控制方法强调抗扰动和短期协调，通过提供实时协调能力，成为规划框架的重要补充。在本研究中，通过提出一种基于预测MPC的两层EMS，并与基于退化的容量规划相结合，桥接了这两个层面。

1.2. 文献综述

本节对混合微电网规划与能源管理的文献进行了结构化概述。已研究的最重要因素包括系统架构、退化、不确定性和优化方法。

1.2.1. 微电网规划与容量优化

许多研究人员探索了微电网容量优化。关于电动汽车充电桩供电微电网[12]、经济与技术容量[13]以及启发式、数学和混合优化方法的综合综述[14]的文献非常丰富。包含可再生能源和电池储能系统的多微电网容量[15]、协调分布式能源的选址与容量[16]，以及零碳微电网应用 [17] 已被提出。考虑电池储能系统（BESS）退化和可再生能源（RES）不确定性的混合整数线性规划（MILP）调度[18]、基于雨流计数法的电池退化模型[18]以及针对农业[19]和多能联供[20]微电网的电池退化感知能源管理系统（EMS）已被开发。考虑退化成本的远程光伏电池规划[21]，神经网络调度 [22]，并且研究了与灵活补给相结合的生命周期协同优化[23]。孤岛直流微电网容量规划[24]、包含热电联产厂、锅炉、电池和热能储存系统的互联多能微电网设计[25]以及包含氢能储存的减排发电规划[26]也得到了考虑。

1.2.2. 能源系统中的退化建模

退化建模的重要性已日益凸显。针对动态效率和二次电池的投资优化[3]已得到研究，其中退化导致光伏储能系统的年度节省减少5-12%。考虑退化成本（涡轮温度、启动/停机）的微型热电联产调度实现了高达50%的成本降低[7]。关于日历老化和循环老化对电池调度影响的研究[5]，以及考虑电池储能系统退化和不确定性的基于仿射算术的区间优化[6]，以及成本降低33.33%的BESS退化感知日前调度[27]已完成。多时间尺度混合储能调度[28]，考虑电池老化的两级经济调度[29]，基于强化学习的最优控制[30]，以及用于偏远微电网二次电池的EMS[31]。值得注意的是，所有研究都集中在单一或两个特定部件（尤其是电池）的退化上，这表明了我们全部件退化框架所涵盖的研究空白。文献综述显示，目前尚无研究在统一框架内同时考虑所有可能部件（主要是光伏面板、风力涡轮机、热电联产机组、储热单元、逆变器等）的老化问题。这证明了“仅电池”退化与“组合部件”退化之间的差异仍是一个核心研究空白，而本研究正试图解决这一问题。

1.2.3. 不确定性建模方法

由于经典基于场景的技术存在分布假设和无法处理复杂依赖关系等固有局限性，不确定性建模已成为鲁棒微电网规划中的一项基本要求。为了克服这些缺点，已开展了一些研究工作：基于价格/读档持续时间曲线的分布式能源容量配置随机规划，以减少预测误差[32]；一种用于混合微电网中非线性、非凸问题的最优储能系统调度随机拟梯度技术[33]; 一种用于配电网应急恢复的高维动态藤蔓Copula模型；以及一种基于藤蔓Copula的互联微电网集群多目标模型，该模型采用MOALO方法，有助于在50%可再生能源利用率的情况下降低成本和负荷源不匹配问题[34]。拉丁超立方采样结合正则藤蔓Copula已被应用于孤立校园微电网调度问题[9]。此外，研究了结合电动汽车需求响应的随机韧性导向容量配置，采用的新型元启发式方法比粒子群算法（PSO）提升了约6%[35].

1.2.4. 元启发式优化算法

微电网优化问题的复杂性促使了先进元启发式算法的设计。其中一种新颖的算法是滑翔蛇优化器（GSO），其灵感来源于树栖蛇类表现出的滑翔和蛇类运动行为特征[36]。GSO算法集成了分段运动概念、灵活的滑翔机轨迹生成器和精英引导方案，以确保在探索与开发之间取得适当平衡。它在大多数基准函数上表现出色。在近期，对用于微电网优化的各种元启发式算法的全面综述表明，虽然像粒子群优化、遗传算法和差分进化算法等流行算法在当前一代中被广泛使用，但像GSO及其变体这样的新算法在解决复杂多目标问题方面有望取得更好的结果[14]。针对全局优化问题，研究者提出了一种基于增强变异策略的更有效的差分进化算法[37]，表明对特定算法进行专门改进可以显著提升其性能。然而，目前尚无文献专门针对GSO的基本滑翔机结构设计改进方案。针对联合虚拟储能系统，研究者提出了一种名为NSGA-MOPSO的改进多目标优化算法[38]，这展示了杂交算法在提升帕累托前沿质量方面的潜力。此外，在[39]中，针对突尼斯南部的一个独立光伏/风能/电池微电网开发了一个多目标优化框架，利用带有目标达成细化的混合遗传算法（HGA）来最小化可靠性、LCOE、隐含能和排放量。在[40]，提出了一种基于强化学习的在线EMS（RLEMS），用于高不确定性下微电网的多目标潮流优化，利用能源价格评估模型（EPEM）以最少训练数据实现稳定且经济的运行。此外，在[41]，提出了一种基于Pareto的混沌增强竞争群优化算法（CECSO），用于孤岛微电网的多目标分布式电源调度，通过十种混沌映射平衡燃料成本和排放，同时避免陷入局部最优。
文献综述的摘要呈现在表1.
表1.文献综述摘要。

1.3. 研究空白

尽管上述领域已取得显著进展，但仍存在一些研究空白：

−: ]中，研究空白1：该研究空白涉及缺乏一种统一的方法来模拟所有微电网组件的退化过程。尽管退化建模的研究兴趣日益增长[3,5,6,7], 目前尚无优化框架能同时考虑老化过程及其对所有关键组件——光伏面板、风机、CHP机组、BESS、TES机组和逆变器——性能退化的影响。此外，尚未进行系统性比较，以量化考虑退化的规划与不考虑退化的规划对经济和运营成本的影响。这两个缺陷阻碍了对生命周期成本的现实估算，并导致次优的投资决策。
−: 研究空白2：该空白涉及在考虑退化的优化中对高级不确定性建模的使用不足。尽管藤蔓Copula函数已被用于表征可再生能源的不确定性[8,9,34]，但尚未有研究将这些模型纳入考虑退化的优化模型中。组件退化与不确定性的联合处理是实现现实微电网规划的必然要求。
−: 研究空白3：该空白涉及缺乏针对特定算法的GSO改进。尽管GSO已表现出良好的性能[36]，其一些缺陷，例如对精英成员的高度依赖和移动机制的不完善，尚未通过算法特定的方法得到改善。目前大多使用针对其他算法性能改进的机制特定方法，而针对GSO的特定改进是必要的。

基于上述确定的研究空白，本研究将探讨以下研究问题：

−: RQ1：与不考虑退化效应的方法相比，是否可能采用一个综合优化框架，将所有主要微电网组件（光伏面板、风力涡轮机、热电联产机组、电池储能系统、热储能系统和逆变器）的退化效应纳入考虑，从而使生命周期成本估算更具现实意义，并避免组件过早失效？
−: RQ2：使用DGSV-ME和重置机制的MOIGSO算法在收敛性、多样性和解的质量方面，与最先进的优化器相比表现如何？
−: RQ3：基于藤科Copula的随机建模如何克服蒙特卡洛模拟在模拟非高斯相关性方面的局限性，并实现具有成本效益的微电网设计？
−: RQ4：纳入热电联产和热储能系统在总成本节约、延长电池寿命和可再生能源利用方面有哪些优势？

假设可以表述如下：

−: H1：开发涵盖所有组件的退化模型会增加初始投资，但能降低全生命周期成本，并消除整个项目期间的故障。
−: H2：MOIGSO算法在超体积（HV）、反向代际距离（IGD）和纯分布（PSP）等指标上，表现优于现有的多目标优化算法，如MOPSO算法、NSGA-II、MOWOA和MOGSO。
−: H3：基于藤蔓Copula方法的场景生成能够保持初始数据的统计特性，且与蒙特卡洛方法相比，具有更高的成本稳健性。
−: H4：CHP与TES的集成逐渐降低了年总成本和系统灵活性，其中TES实现了脱钩效应。TES系统将热能生产过程与热能需求过程分离，从而提高了CHP电厂的效率，减少了电池循环次数及电池更换需求，同时将成本降至最低。

1.4. 贡献与创新点

为了填补上述研究空白，本文的贡献如下：

−: 一个统一的全组件退化感知优化框架。这项工作为所有主要微电网组件开发了全面的退化模型：光伏面板、风力涡轮机（WTs）、热电联产（CHP）机组、电池储能系统（BESSs）、热能储存（TES）机组和逆变器。该模型整合了日历老化、循环老化、电热老化和运行老化。与仅考虑电池退化或一两个组件的现有研究不同，该框架捕捉了所有组件的同步老化。它实现了真实的生命周期成本估算，并防止了整个20年项目周期内组件的过早失效，使优化在经济上可行且在运行上可靠。这一退化层为真实的生命周期评估奠定了基础。
−: 一种基于运动熵的动态滑翔结构可变性（DGSV-ME）的新型多性向目标改进滑翔蛇优化器（MOIGSO）。该算法通过根据当前种群的运动熵动态调整滑翔轨迹参数——分段数、偏转角和步长——来改进传统的滑翔蛇优化器。这是首次尝试将滑翔轨迹作为蛇类启发式优化中的自适应参数。高熵促进广泛探索，而低熵则实现精细开发。因此，MOIGSO平衡了探索与开发，避免了过早收敛，并为复杂的微电网规划问题生成了分布良好的帕累托最优解集。MOIGSO作为核心优化引擎。
−: 一种基于藤蔓Copula的多变量不确定性随机建模方法。该方法对五个不确定性变量（太阳辐射、环境温度、风速、电力负荷和热负荷）之间复杂且非高斯的相关性进行建模。藤蔓Copula比蒙特卡洛模拟能提供更精确的相关性建模，并生成逼真的相关场景。这些场景被嵌入到优化过程中，使规划者即使在极端条件下也能获得稳健的解决方案。该层确保了相关场景的生成。
−: 对考虑退化与不考虑退化、确定性与随机规划进行系统性的对比验证。研究考察了三种情况：光伏+风电+电池储能系统、光伏+风电+热电联产+电池储能系统，以及光伏+风电+热电联产+电池储能系统+热储能系统。该对比量化了退化建模、热电联产、热储能系统和随机规划在经济与运行方面的效益。它为最优容量配置、实施成本和组件寿命提供了实际见解，并为微电网规划者提供了关于各提议模块附加价值的指导。结果验证了每个提议模块的有效性。
−: 这些贡献共同建立了一个用于可持续多性向微电网规划的综合平台。通过结合全面的退化建模、先进的藤Copula不确定性处理以及MOIGSO算法，这项工作为未来的退化感知微电网研究提供了基准，并为政策制定者和能源从业者提供了实际的决策支持。该方法的架构如图所示图1.

图1。所提方法流程图。

2. 提出的混合微电网配置与建模

2.1. 混合微电网配置

所设计的方案为光伏-风电-热电联产-电池储能-热储能微电网的高效容量配置与运行提供了一种先进架构。该微电网系统由六个组件组成：光伏面板、风力发电机（WTs）、热电联产（CHP）系统、电池储能系统（BESS）、热储能（TES）系统和功率逆变器，如图所示图2。值得一提的是，该系统设计用于在自主模式下为商业或住宅综合体提供电力和热负荷。
Eng 07 00609 g002

图2。带有电能和热能储存的混合可再生能源-热电联产-热储能微电网的配置。
光伏系统是一种可再生能源，可将太阳能转化为直流电，然后通过逆变器转换为交流电。风力发电机通过在辐照度较低时（即夜间和阴天）发电，来补充可再生能源发电系统。热电联产系统使用天然气或生物质气，同时产生电能和热能，总效率在80%至90%之间。电池储能系统与交流母线和双向逆变器配合工作，有助于在发电量高时储存多余电量，并在发电量低时放电。热储能系统用于储存热电联产系统产生的多余热能。一种自适应能源管理策略根据实时发电量、负荷状况和储能状态协调所有组件的运行。

2.2. 混合微电网建模

2.2.1. 光伏建模

常规光伏模型（基准）：光伏系统每小时的输出功率（t）取决于太阳辐射量、环境温度以及光伏组件的数量（N_PV) 已安装。总光伏输出功率的表达式如下 [2,3,34,39]:

上一个：HAWKER蓄电池基于驾驶策略与能量管理特定配置联合优化的柴电混合动力列车全寿命周期动力总成尺寸设计下一个：返回列表

产品分类

新闻中心

联系我们

联系人：英国霍克蓄电池（中国）营销总部

手机：15313702523（微信同号）

E-mail：ukhawker@yeah.net