【《关于孤岛分布式能源系统的设计与优化研究》4400字】

关于孤岛分布式能源系统的设计与优化研究目录TOC\o"1-3"\h\u27073关于孤岛分布式能源系统的设计与优化研究 127852第1章孤岛可再生能源供电模型的构建 179921.1光谱辐射模型 1113901.2光伏模型 2208561.3风力模型 332841.4电池模型 327088第四章孤岛分布式能源系统设计 4153262.1不同电池容量下不同光伏功率对于系统经济效益的影响 420832.1.1光伏机组单位容量每小时发电量 491442.1.2可再生能源渗透率 5145212.1.3弃电量 6183442.1.4系统成本 6249502.2不同电池容量下不同风机功率对于系统经济效益的影响 7283922.2.1风电机组单位容量每小时发电量 7271182.2.2可再生能源渗透率 8130492.2.3弃电量 8319822.2.4系统成本 9300792.3风光协同系统对于经济效益的影响 930574第3章孤岛分布式能源系统优化 1386823.1优化目标和优化原理 13307373.2系统优化步骤 143763.3优化结果 15234503.2.1LCC与RP的原始数据 15236503.2.2LCC与RP以5：5比例优化结果 1556233.2.3LCC与RP以7：3比例优化结果 16146233.2.4LCC与RP以3：7比例优化结果 17第1章孤岛可再生能源供电模型的构建本章分析了光谱辐射模型，光伏模型，风力模型，以及电池模型。1.1光谱辐射模型整体光谱辐射Gg,t(W/m2)取决于水平辐射和表面定向辐射，它由电子束辐射Gb,t(W/m2)，散射辐射Gd,t(W/m2)和地面反射辐射Gr,t(W/m2)等三个部分组成。（1.1）根据Duffile理论，电子束辐射可以由整体水平辐射和散射水平辐射计算获得，具体公式如下：（1.2）式中：•Gg,h是全球水平辐射(W/m2),•Gd,h是散射水平辐射(W/m2),•α是太阳高度角(°)，θ是入射角（°）入射角θ（°）是偏转角δ（°），纬度φ（°），倾斜角β（°），方位角γ（°）和时角ω（°）的函数，可以根据DuffileandBeckman提出的方法进行计算。散射辐射的计算表达式是:（1.3）地面反射辐射的计算表达式是:（1.4）式中ρg每小时的全球水平辐射和水平散射辐射都可以作为太阳辐射模型的输入参数。1.2光伏模型光伏系统采用Duffile和Beckman的修正公式对光伏系统进行逐时仿真。（1.5）式中：·PPV·μ是输出功率的温度系数(%/°C),·Ta是环境温度(°C),·TSTC是标准测试条件下的温度(25°C),·v是风速(m/s),·NOCT是标准工作单元的温度(°C),·APV是在阵列功率峰值的PV阵列面积,·Gg,t是倾斜表面的全球太阳辐射(W/m2)。1.3风力模型风力模型实际风电机组功率输出PWT(kw)可表示为（1.6）式中：• vi,vr和vo是风力特征曲线的切入、额定和切出特征速度(m/s),• ρ空气密度(1.225kg/m3),• A转子面积(m2),Cp动力系数,• v真实风速(m/s),• PWT,r1.4电池模型电池模型分别根据以下两个方程计算电池荷电状态ADDINNE.Ref.{71B672FE-EA24-4E26-A225-6060623B81DF}[30]:充电：（1.7）放电：（1.8）式中,•t表示计算参数时的时间步长(h),•σsd•Pload•ηinv表示逆变器效率(%),•η表示电池组的效率(%)。第四章孤岛分布式能源系统设计本章分析了光伏机组与风机机组在不同容量下分别与可再生能源渗透率（Renewableenergypenetration，RP），弃电量，生命周期成本（Lifecyclecost，LCC）的变化关系，根据小岛的负荷以及当地的实际情况，将机组容量选在合理范围。2.1不同电池容量下不同光伏功率对于系统经济效益的影响在本节，针对三种不同的可再生能源的配置进行模拟：1.风力发电为零，仅光伏发电的情况；2.光伏发电为零，仅风力发电的情况；1.光伏和风能结合的情况。在这些不同配置的情况下配置了不同的电池，并从“RP，弃电量，LCC”三个方面分析其影响。2.1.1光伏机组单位容量每小时发电量在仅有光伏发电的情况下，单位容量发电量与光照辐射强度有密切关系，全年单位容量每小时发电量为0.14587(kw·h)，夏季，单位容量每小时发电量可达到0.9(kw·h)；全年平均每天单位容量发电量为1.5(kw·h)，夏季一天内单位机组容量发电量可达到1.8(kw·h)。图2.1单位容量发电量与时间的关系2.1.2可再生能源渗透率图2.2弃电量随光伏容量的变化趋势（风力发电=0kw）如图2.2所示，光伏发电容量（下文用PV表示）从0到1800kw，这取决于到岛上居民的用电情况，以及单位容量的机组的发电量，经估算光伏机组达到1800kw足以满足小岛的负荷。且经过计算，光伏安装最大面积为0.05km2。计算步骤如下：1800KW的占地面积=10MW光伏方阵用地面积×（1.8MW/10MW）查资料得到纬度为35°，效率为10%的下，10kV光伏方阵用地面积为28.534公顷。解得1800KW的占地面积为3.13612公顷，即0.05km2，远小于小岛面积，故满足条件。通常，若没有电池容量，RP只能达到40%。随着电池容量的增加，RP可增加到80%左右。但当电池容量超过5000kw时，RP增长的速度会大大减小。2.1.3弃电量图2.3弃电量随光伏容量的变化趋势（风力发电=0kw）如图2.3所示，PV从0到1800kw，由于太阳能和风能随时间的不平衡，能量储存也是需要考虑的因素。显然，在没有电池的情况下，浪费了很多能量。随着电池容量从0到5000kw，弃电量迅速降低，随后随着电池容量的不断增加，弃电量基本保持不变。（值得注意的是，在光伏容量为零时，弃电量为很微小的负值，是因为计算弃电量时，弃电量为总可再生能源发电功率与柴油机发电功率之和再减去总负载，当光伏容量为零时，风力发电功率为零，柴油机发电功率小于总负载，故弃电量小于零。但弃电量值很小，这里当作零处理。）2.1.4系统成本图2.4LCC随光伏容量的变化趋势（风力发电=0kw）评估系统成本，使用LCC来分析。如图2.4所示，没有电池组的情况下，纯光伏的成本最低，随着电池增加，成本相应增加。另外，可以发现电池容量达到9000kw·h，LCC是电池容量为零时的4-5倍，因此，电池容量对系统的经济效益影响很大。2.2不同电池容量下不同风机功率对于系统经济效益的影响2.2.1风电机组单位容量每小时发电量如图2.5所示，在仅有光伏发电的情况下，风机机组全年单位容量每小时发电量为0.09718kw·h，当大风天气时，单位容量每小时发电量可达到1kw点h；全年平均每天单位容量发电量为2.33kw·h，当大风天气时，一天内单位容量发电量可达到2.7kw·h。图2.5风机单位容量发电量与时间的关系2.2.2可再生能源渗透率图2.6可再生能源渗透率随着风机功率的变化趋势（光伏发电=0kw·h）由于风力发电受到大气环境影响不如光伏发电稳定，如图2.6所示，当电池容量为0kw·h、风机功率增加到1800kw时，RP最高可为35%。随着电池容量的增加，RP也相应增加。当电池容量增加到5000kw·h时，对RP的影响可忽略不计。同时，配备9000kw的电池，RP仍低于60%，这表明，与光伏相比，风电整体的RP较低。2.2.3弃电量图2.7弃电量随着风机机组容量的变化趋势（光伏发电=0kw·h）对于可再生能源系系统，考虑弃风现象是必不可少的。如图2.7，分析了电池容量对弃风的影响。当风机机组容量达到1200kw时，图像斜率明显增大。电池容量为0(kw·h)时弃能可达到1000MW·H。因此，与光伏相比，风能利用率更低，弃风现象严重。2.2.4系统成本图2.8LCC随着风机功率的变化趋势(光伏发电=0kw·h）如图2.8，分析了几种不同电池系统的。风机功率对于LCC影响不大，电池容量的增加会引起LCC的增加。因此，适当的增加电池容量来平衡风能与成本是可行的。2.3风光协同系统对于经济效益的影响通过分析六种不同的风光组合，分析了光伏容量和风机容量在不同电池容量条件下的RP，结果如图2.9所示。若没有电池所有系统的RP不超过50%。在仅光伏的系统中，电池组可以提高RP，而在纯风系统下电池组对RP提升不明显。显然，光伏风电和电池的组合是优化问题，要进行优化计算。图2.9可再生能源渗透率随着光伏容量和风机容量的变化趋势在图2.10中，对弃电量进行了评估。在仅使用光伏或将光伏与风电组合的系统，仍有较大的弃电量，原因是没有能量存储来平衡能量的时间差。弃电量比具有风能和电池的系统或具有光伏和电池的系统更多，可能由于发电量过高，电池电池容量过小，无法与大量发电相匹配。图2.10弃电量随着光伏容量和风机容量的变化趋势在图2.11中的曲线根据趋势自动分为两组。图中较低的三个曲线反应的是没有电池的系统。显然，带电池的系统成本是不带电池系统的成本的三倍，所以，为了设计，首要考虑电池系统的价格来控制LCC。图2.11LCC随着光伏容量和风机容量的变化趋势

第3章孤岛分布式能源系统优化一般情况下，在设计混合再生能源系统时，如何同时获得最低LCC和高RP是本文很关注的问题。考虑到斋堂岛可能的可再生能源安装条件，光伏装机容量限制在1800千瓦以内，这取决于可用的光伏面积以及居民的用电负载情况。下面利用遗传算法给出了斋堂岛设计的最有目标和约束条件。3.1优化目标和优化原理优化目标：RP最小，LCC最大。约束条件：光伏容量∈（100kw，1800kw），风机容量∈（100kw，1800kw），电池容量∈（1000kw，9000kw）。我们的优化目标是提高系统的RP（%），同时尽可能的减少生命周期成本LCC（美元）。以下给出了计算RP和LCC的关系式：RP=Lt（2.2）∙L∙D∙ICC是系统的初始资本成本（美元）∙N是项目的生存期（年）∙n是指项目的第n年（年）∙dn是年折旧(US)∙i是利率（%）∙tr是税率（%）∙at是年度维护和运营成本（美元）∙r是指在项目生命周期内以R总更换次数替换r∙ICCc是要更换的组件c-th的投资成本(美元)∙lc是要更换的c-th组件的使用寿命（年份）∙s是残值（美元）∙ICCc和lc是c-th分量的矢量。替换R的总数是要更换的组件数的生命周期的函数，由光伏系统的以下方程给出：（2.3）其中，floor是Matlab的语言函数。其中，要更换的其他组件的R由以下方程给出：（2.4）3.2系统优化步骤在此次研究中，所需要的优化目标的函数式关系式——RP和LCC；所需要的优化目标的约束条件，即光伏发电机组容量，风力发电机组容量和电池容量。随后本文要确定决策变量，在本文中的决策变量有六个，即：①Tiltangle倾斜角度;②Azimuthangle阿齐穆特角度（方位角）;③PVratedpower光伏额定功率;④Towerheight塔高;⑤Windturbineratedpower风力涡轮机额定功率;⑥Batterycapacity电池容量。这些变量决定着本文的目标函数。通过约束条件，确定了本文的可行解。①然后在约束条件下，首先按一定的方法先得出一系列的候选解，也就是按一定方式建立的RP和LCC的相关的解的组合，这些解是通过本文的决策变量来决定的；②随后通过函数运算，本文来测试每一个解是否符合约束条件；③通过测试，本文可以舍去那些不符合条件的候选解；④然后以此类推进行不断的迭代运算，从而得到本文所需要的优化解。3.3优化结果3.2.1LCC与RP的原始数据图3.150组样本优化结果如图3.1是利用遗传算法得到的RP与LCC原始数据的图像，可直观的看出RP越大，相应的LCC越大，与我们建模所分析的内容一致，图表中的横纵坐标所对应的是五十组样本通过遗传算法得出的优化结果，下文将对LCC与RP不同的