Effiziente Optimierung eines Wind-PV-Hybrid-Systems mit Speicher

1. Analyse der Eigenschaften der Wind- und Solarphotovoltaik-Stromerzeugung

Die Analyse der Eigenschaften der Wind- und Solarphotovoltaik (PV)-Stromerzeugung ist grundlegend für die Gestaltung eines komplementären hybriden Systems. Eine statistische Analyse der Jahresdaten zur Windgeschwindigkeit und Sonneneinstrahlung in einer bestimmten Region zeigt, dass die Windressourcen saisonale Schwankungen aufweisen, mit höheren Windgeschwindigkeiten im Winter und Frühling und niedrigeren Geschwindigkeiten im Sommer und Herbst. Die Windstromerzeugung ist proportional zum Würfel der Windgeschwindigkeit, was zu erheblichen Leistungsschwankungen führt.

Solarressourcen hingegen zeigen klare tägliche und saisonale Muster – längere Tageslichtzeiten und stärkere Strahlung im Sommer, und schwächere Bedingungen im Winter. Die PV-Effizienz wird durch steigende Temperaturen negativ beeinflusst. Durch den Vergleich der zeitlichen Verteilung von Wind- und Solarenergie ist offensichtlich, dass sie sowohl täglich als auch jährlich ein komplementäres Verhalten aufweisen. Diese Komplementarität ermöglicht die Gestaltung effizienter und stabiler Stromsysteme, bei denen ein optimales Kapazitätsverhältnis der beiden Energiequellen konfiguriert werden kann, um die gesamte Stromleistung zu glätten.

2. Modellierung von Wind-Solar-Hybrid-Stromerzeugungssystemen

2.1 Modell des Windenergie-Teilsystems

Das Modell des Windenergie-Teilsystems basiert auf Windgeschwindigkeitsdaten und Turbineneigenschaften. Die Weibull-Verteilung wird verwendet, um die Wahrscheinlichkeitsverteilung der Windgeschwindigkeit anzupassen und ihr statistisches Verhalten genau zu beschreiben. Das Verhältnis zwischen der Turbinenleistung und der Windgeschwindigkeit wird durch eine stückweise Funktion dargestellt, die wichtige Parameter wie Einschaltwindgeschwindigkeit, Nennwindgeschwindigkeit und Ausschaltwindgeschwindigkeit berücksichtigt. 

Die Methode der kleinsten Quadrate wird angewendet, um die Turbinenleistungskurve anzupassen, wodurch ein mathematischer Ausdruck der Leistung gegenüber der Windgeschwindigkeit gewonnen wird. Um die Zufälligkeit der Windgeschwindigkeit zu berücksichtigen, wird die Monte-Carlo-Simulationsmethode eingeführt, um die Erzeugung des Windparks vorherzusagen. Das Modell spiegelt die dynamischen Eigenschaften von Windenergiesystemen genau wider und bietet eine Grundlage für die Systemoptimierung. Es berücksichtigt auch die Auswirkungen von Änderungen der Windrichtung auf die Ertragswirksamkeit, indem ein Korrekturfaktor für die Windrichtung eingeführt wird, was die Vorhersagegenauigkeit verbessert.

2.2 Modell des Photovoltaik-Teilsystems

Das Modell des PV-Teilsystems berücksichtigt umfassend die Sonneneinstrahlung, die Umgebungstemperatur und die Eigenschaften der PV-Module. Ein statistisches Modell der Sonneneinstrahlung wird erstellt, um ihre zeitlichen Schwankungen zu beschreiben. Die Ausgabecharakteristika der PV-Module werden durch I-V-Kurven dargestellt. Die Temperaturauswirkungen auf die Effizienz werden mithilfe eines einstufigen Diodengleichwertkreises modelliert, wobei die Ausgangsleistung durch die Lösung eines Systems nichtlinearer Gleichungen berechnet wird.

Das Modell berücksichtigt auch Faktoren wie Verschattung und Staubsammelung, indem Korrekturfaktoren eingeführt werden, um die Vorhersagegenauigkeit zu erhöhen. Es berücksichtigt das Altern der PV-Module, indem ein jährlicher Degradationsgrad eingeführt wird, um langfristige Leistungsschwankungen vorherzusagen. Dieses Modell spiegelt die Leistung von PV-Systemen unter wechselnden Umgebungsbedingungen genau wider.

2.3 Modell des Energiespeichersystems

Das Modell des Energiespeichersystems basiert hauptsächlich auf den Eigenschaften von Lithium-Ionen-Batterien. Ein dynamisches Modell des Batterie-Ladezustands (SOC) wird entwickelt, um Lade- und Entladevorgänge zu beschreiben. Selbstentladungseigenschaften und Lade-/Entladeeffizienz werden berücksichtigt, wobei ein Temperaturkorrekturfaktor eingeführt wird, um Umweltauswirkungen abzubilden. Die Batterielebensdauer wird mithilfe einer Kombination aus Zykluszähler und Tiefe der Entladung (DOD) modelliert, um die Kapazitätsdegradation vorherzusagen.

Das Modell spiegelt die Batterieleistung unter verschiedenen Betriebsbedingungen genau wider und unterstützt optimale Größen- und Einsatzstrategien. Es berücksichtigt auch die Variation des inneren Widerstands, indem funktionale Beziehungen zwischen Widerstand, Zykluszähler und Temperatur hergestellt werden, um das dynamische Verhalten präziser zu simulieren. Hauptergebnisse umfassen den Echtzeit-SOC, die verfügbare Kapazität, die Lade-/Entladeleistung und die erwartete Lebensdauer – was umfassende Daten für optimale Betriebs- und Wartungsmaßnahmen bereitstellt.

2.4 Integriertes Systemmodell

Das integrierte Systemmodell kombiniert die Teilsysteme Wind, Solarenergie und Speicher in einem einheitlichen Rahmen. Die äquivalente Lastmethode wird verwendet, um Lastschwankungen zu bewältigen, und eine Systemleistungsbilanzgleichung wird aufgestellt. Zuverlässigkeitsindikatoren wie Loss of Load Probability (LOLP) und Expected Energy Not Supplied (EENS) werden eingeführt, um die Systemleistung zu bewerten. Eine sequentielle Zeitreihensimulation wird verwendet, um die Systembetriebszustände auf verschiedenen Zeitskalen zu berechnen.

Das Modell berücksichtigt Interaktionen zwischen den Teilsystemen, wie z. B. die Schattenwurf von Windturbinen auf PV-Module. Es beinhaltet auch eine Netzwerkschnittstelle, die die Analyse von netzgekoppelten Betriebsstrategien ermöglicht, einschließlich wirtschaftlicher Verteilung unter Zeitpreisen und Netzfrequenzregelungsdienstleistungen. Ergebnisse umfassen die Gesamtstromerzeugung, die Lastdeckungsrate und wirtschaftliche Leistungsindikatoren, was eine umfassende theoretische Grundlage für Systemplanung, -design und -entscheidungen bietet.

3. Optimierungsverfahren und experimentelle Analyse von Wind-Solar-Hybridsystemen

3.1 Zielfunktion und Nebenbedingungen

Die Zielfunktion der Optimierung integriert ökonomische, zuverlässige und umweltbezogene Aspekte. Das ökonomische Ziel besteht darin, die Gesamtkosten des Systems zu minimieren, einschließlich anfänglicher Investitionen, Betrieb und Wartung (O&M) sowie Ersatzkosten. Das Zuverlässigkeitsziel besteht darin, die Stromversorgungszuverlässigkeit zu maximieren, quantifiziert durch die Minimierung von LOLP. Das Umweltziel wird durch die Maximierung der Reduktion von Kohlenstoffemissionen gemessen.

Nebenbedingungen umfassen Leistungsbilanz, Energiespeicherkapazitätsgrenzen und Gerätebetriebseinschränkungen. Die Leistungsbilanznebenbedingung stellt sicher, dass die Lastanforderungen jederzeit erfüllt werden. Speicherkapazitätsbeschränkungen begrenzen die Tiefe der Entladung (DOD), um die Batterielebensdauer zu verlängern. Gerätebeschränkungen berücksichtigen die Nennleistung und Betriebseigenschaften der Komponenten. Eine multiobjektive Gewichtungsmethode integriert diese Ziele in eine einzige Zielfunktion, wobei die Gewichte auf der Grundlage der Präferenzen der Entscheidungsträger und Anwendungsszenarien bestimmt werden.

3.2 Anwendung der Partikelschwarmoptimierung (PSO)

Die Partikelschwarmoptimierung (PSO), ein intelligenter Optimierungsalgorithmus, wird auf das Design von Wind-Solar-Hybridsystemen angewendet. PSO simulierte Vogelschwarmverhalten, um optimale Lösungen im Lösungsraum zu suchen. Jedes Teilchen repräsentiert eine potenzielle Systemkonfiguration, einschließlich Entscheidungsvariablen wie Windturbinenkapazität, PV-Kapazität und Speicherkapazität. Position und Geschwindigkeit der Teilchen werden iterativ aktualisiert, um sich dem globalen Optimum anzunähern.

Um die Leistung zu verbessern, wird eine linear abnehmende Trägheitsgewichtsstrategie eingesetzt – um starke globale Exploration in frühen Phasen und verstärkte lokale Exploitation in späteren Phasen zu gewährleisten. Adaptive Mutation wird eingeführt, um lokale Optima zu vermeiden. Aufgrund der Komplexität des Problems wird eine hierarchische Kodierungsstrategie verwendet, um kontinuierliche und diskrete Variablen zu trennen. Der Algorithmus endet, wenn die maximale Iterationszahl erreicht ist oder wenn der optimale Wert über aufeinanderfolgende Iterationen weniger als ein Schwellenwert ändert.

3.3 Experimentelles Design und Parametereinstellungen

Das Experiment basiert auf tatsächlichen meteorologischen und Lastdaten aus einer bestimmten Region, wobei ein typisches Jahr an stündlichen Daten verwendet wird. Meteorologische Eingaben umfassen stündliche Windgeschwindigkeit, Sonneneinstrahlung und Umgebungstemperatur. Lastprofile folgen einem typischen Industrieparkverbrauchsmuster, das saisonale und tägliche Schwankungen widerspiegelt. Geräteparameter werden aus gängigen kommerziellen Windturbinen und PV-Modulen ausgewählt, wobei Leistungsdaten aus Herstellertestberichten stammen.

Eine Lithium-Ionen-Batterie wird für den Speicher verwendet, wobei die Parameter Nennkapazität, Lade-/Entladeeffizienz und Zykluslebensdauer umfassen. PSO-Parameter sind wie folgt eingestellt: Population = 50, maximale Iterationen = 1000, Trägheitsgewicht linear abnehmend von 0,9 bis 0,4, und Lernfaktoren c1 und c2 jeweils auf 2 gesetzt. Um die Ergebniszuverlässigkeit sicherzustellen, wird jede Konfiguration 30 Mal ausgeführt, wobei der Durchschnitt als endgültiges Ergebnis genommen wird.

3.4 Systemleistungsbeurteilungsindikatoren

Leistungsbeurteilungsindikatoren umfassen technische, wirtschaftliche und umweltbezogene Aspekte. Technische Indikatoren umfassen Systemzuverlässigkeit, Energieverwendungswirksamkeit und Stromglättung. Die Zuverlässigkeit wird durch den Reliability of Supply Capability Index (RSCI) und den Loss of Power Supply Probability (LPSP) gemessen. Die Energieverwendung spiegelt die Erneuerbare-Energie-Effizienz wider, während die Stromglättung die Ausgangsstabilität bewertet. Wirtschaftliche Indikatoren umfassen den Levelized Cost of Electricity (LCOE), den Net Present Value (NPV) und die Amortisationszeit. LCOE berücksichtigt Lebenszykluskosten, NPV spiegelt die Projektprofitabilität wider, und die Amortisationszeit bewertet die Kapitalrückflussgeschwindigkeit.

Der umweltbezogene Indikator ist die Reduktion der Kohlenstoffemissionen, die durch einen Vergleich mit konventioneller fossiler Kraftwerkserzeugung berechnet wird. Darüber hinaus wird ein zusammengesetzter Leistungsinde