Эффективная оптимизация гибридной системы ветро-солнечных установок с накоплением энергии
1. Анализ характеристик генерации электроэнергии ветровыми и солнечными фотоэлектрическими установками
Анализ характеристик генерации электроэнергии ветровыми и солнечными фотоэлектрическими (ФЭ) установками является фундаментальным для проектирования комплементарной гибридной системы. Статистический анализ данных о годовых скоростях ветра и солнечной радиации для определенного региона показывает, что ветровые ресурсы имеют сезонные колебания, с более высокими скоростями ветра зимой и весной и более низкими — летом и осенью. Генерация электроэнергии ветром пропорциональна кубу скорости ветра, что приводит к значительным колебаниям выходной мощности.
Солнечные ресурсы, напротив, демонстрируют четкие суточные и сезонные паттерны — более длинные световые дни и более интенсивное излучение летом, а также более слабые условия зимой. Эффективность ФЭ снижается при повышении температуры. Сравнение временного распределения ветровой и солнечной энергии показывает, что они демонстрируют комплементарное поведение как на суточном, так и на годовом циклах. Это комплементарное поведение позволяет проектировать эффективные и стабильные энергетические системы, где можно настроить оптимальное соотношение мощностей двух источников энергии, чтобы сгладить общую генерацию мощности.
2. Моделирование гибридных систем генерации электроэнергии ветром и солнцем
2.1 Модель подсистемы ветровой генерации
Модель подсистемы ветровой генерации основывается на данных о скорости ветра и характеристиках турбин. Для описания статистического поведения распределения скорости ветра используется распределение Вейбулла. Связь между выходной мощностью турбины и скоростью ветра представлена кусочно-линейной функцией, включающей ключевые параметры, такие как пороговая скорость ветра, номинальная скорость ветра и максимальная скорость ветра.
Метод наименьших квадратов применяется для аппроксимации кривой мощности турбины, что дает математическое выражение зависимости выходной мощности от скорости ветра. Для учета случайности скорости ветра вводится метод Монте-Карло для прогнозирования генерации ветропарка. Модель точно отражает динамические характеристики ветровых систем и служит основой для их оптимизации. Она также учитывает влияние изменения направления ветра на эффективность генерации, вводя коэффициент коррекции направления ветра, что повышает точность прогноза.
2.2 Модель подсистемы фотоэлектрической генерации
Модель подсистемы ФЭ комплексно учитывает солнечную радиацию, температуру окружающей среды и характеристики модулей ФЭ. Устанавливается статистическая модель солнечной радиации, описывающая ее временные вариации. Выходные характеристики модулей ФЭ представлены I-V кривыми. Влияние температуры на эффективность моделируется с помощью эквивалентной однодиодной схемы, с расчетом выходной мощности путем решения системы нелинейных уравнений.
Модель также включает факторы, такие как затенение и накопление пыли, вводя коэффициенты коррекции для повышения точности прогноза. Она учитывает старение модулей ФЭ, включая годовой коэффициент деградации для прогнозирования долгосрочных изменений выходной мощности. Эта модель точно отражает производительность системы ФЭ в различных условиях окружающей среды.
2.3 Модель системы хранения энергии
Модель системы хранения энергии основана в основном на характеристиках литий-ионных батарей. Разработана динамическая модель состояния заряда (SOC) батареи, описывающая процессы зарядки и разрядки. Учитываются характеристики саморазряда и эффективность зарядки/разрядки, с введением температурного коэффициента коррекции для отражения влияния окружающей среды. Срок службы батареи моделируется с использованием комбинации числа циклов и глубины разряда (DOD) для прогнозирования деградации емкости.
Модель точно отражает производительность батареи в различных условиях эксплуатации, поддерживая оптимальное проектирование и стратегии управления. Она также учитывает изменение внутреннего сопротивления, устанавливая функциональные связи между сопротивлением, числом циклов и температурой, что позволяет более точно моделировать динамическое поведение. Ключевыми выходными данными являются реальное состояние SOC, доступная емкость, мощность зарядки/разрядки и ожидаемый срок службы, предоставляя всестороннюю поддержку данных для оптимальной эксплуатации и обслуживания.
2.4 Интегрированная модель системы
Интегрированная модель системы объединяет подсистемы ветра, солнца и хранения в единую структуру. Метод эквивалентной нагрузки используется для обработки колебаний нагрузки, и устанавливается уравнение баланса мощности системы. Вводятся показатели надежности, такие как вероятность потери нагрузки (LOLP) и ожидаемое количество непоставленной энергии (EENS), для оценки производительности системы. Последовательное временное моделирование используется для вычисления состояний работы системы на различных временных масштабах.
Модель учитывает взаимодействия между подсистемами, такие как затенение ФЭ-панелей турбинами. Также включается интерфейс с сетью, что позволяет анализировать стратегии работы, подключенной к сети, включая экономическое распределение по тарифам с разбивкой по времени и услуги регулирования частоты сети. Выходные данные включают общую генерируемую мощность, степень удовлетворения нагрузки и экономические показатели, предоставляя всестороннее теоретическое основание для планирования, проектирования и принятия операционных решений.
3. Методы оптимизации и экспериментальный анализ гибридных систем ветро-солнечной генерации
3.1 Целевая функция и ограничения
Целевая функция оптимизации интегрирует экономические, надежностные и экологические аспекты. Экономическая цель заключается в минимизации общей стоимости системы, включая первоначальные инвестиции, эксплуатационные и ремонтные (O&M) расходы, а также затраты на замену. Надежностная цель максимизирует надежность поставки электроэнергии, квантифицируемую путем минимизации LOLP. Экологическая цель измеряется максимизацией сокращения выбросов углерода.
Ограничения включают баланс мощности, пределы емкости системы хранения энергии и эксплуатационные пределы оборудования. Ограничение баланса мощности обеспечивает удовлетворение спроса на нагрузку в любое время. Ограничения емкости хранения ограничивают глубину разряда (DOD) для продления срока службы батареи. Ограничения оборудования учитывают номинальную мощность и эксплуатационные характеристики компонентов. Метод многокритериального взвешивания интегрирует эти цели в одну целевую функцию, с весами, определяемыми на основе предпочтений лиц, принимающих решения, и сценариев применения.
3.2 Применение алгоритма оптимизации роя частиц (PSO)
Алгоритм оптимизации роя частиц (PSO), интеллектуальный алгоритм оптимизации, применяется к проектированию гибридных систем ветро-солнечной генерации. Имитируя поведение стаи птиц, PSO ищет оптимальные решения в пространстве решений. Каждая частица представляет собой потенциальную конфигурацию системы, включая переменные решения, такие как мощность ветровых турбин, мощность ФЭ и емкость хранения. Позиция и скорость частицы обновляются итеративно, сходясь к глобальному оптимуму.
Для улучшения производительности используется стратегия линейно уменьшающегося инертного веса, поддерживающая сильное глобальное исследование на ранних этапах и усиление локальной эксплуатации на более поздних. Вводится адаптивная мутация для избежания локальных оптимумов. Учитывая сложность задачи, используется иерархическая кодировка, разделяющая непрерывные и дискретные переменные. Алгоритм завершается при достижении максимального числа итераций или когда оптимальное значение изменяется менее чем на заданный порог в последовательных итерациях.
3.3 Экспериментальное проектирование и настройка параметров
Эксперимент основан на фактических метеорологических и нагрузочных данных конкретного региона, используя типичный годовой набор данных по часам. Метеорологические входные данные включают скорости ветра, солнечную радиацию и температуру окружающей среды по часам. Профили нагрузки следуют типичному шаблону потребления промышленного парка, отражающему сезонные и суточные колебания. Параметры оборудования выбираются из основных коммерческих ветровых турбин и модулей ФЭ, с данными о производительности, полученными из отчетов тестирования производителей.
Для хранения используется литий-ионная батарея, с параметрами, включающими номинальную емкость, эффективность зарядки/разрядки и срок службы. Параметры PSO установлены следующим образом: размер популяции = 50, максимальное число итераций = 1000, инертный вес линейно уменьшается от 0.9 до 0.4, и коэффициенты обучения c1 и c2 оба установлены на 2. Для обеспечения надежности результатов каждая конфигурация запускается 30 раз, и среднее значение принимается как окончательный результат.
3.4 Показатели оценки производительности системы
Показатели оценки производительности охватывают технические, экономические и экологические аспекты. Технические показатели включают надежность системы, коэффициент использования энергии и сглаживание мощности. Надежность измеряется индексом надежности поставки (RSCI) и вероятностью потери поставки электроэнергии (LPSP). Коэффициент использования энергии отражает эффективность возобновляемых источников энергии, а сглаживание мощности оценивает стабильность выхода. Экономические показатели включают уровень стоимости электроэнергии (LCOE), чистую текущую стоимость (NPV) и срок окупаемости. LCOE учитывает затраты за весь жизненный цикл, NPV отражает рентабельность проекта, а срок окупаемости оценивает скорость возврата капитала.
Экологический показатель — это сокращение выбросов углерода, рассчитываемое путем сравнения с традиционной генерацией на основе ископаемого топлива. Кроме того, комплексный показатель производительности системы (SCBI) интегрирует технические, экономические и экологические факторы через взвешенную сумму. Эти показатели и их веса определяются на основе экспертных оценок и практических потребностей, предоставляя всестороннюю оценку производительности системы и поддерживая информированные решения.
| Категория | Название показателя | Символ | Единица измерения | Значение |
| Технические показатели | Надежность поставки электроэнергии | RSCI | % | 99.2 |
| Вероятность потери поставки электроэнергии | LPSP | % | 0.8 | |
| Коэффициент использования энергии | EUF | % | 87.5 | |
| Стоимость поставки электроэнергии | POE | юаней/кВт·ч | 0.85 | |
| Экономические показатели | Уровень стоимости электроэнергии | LCOE | юаней/кВт·ч | 0.45 |
| Чистая текущая стоимость | NPV | тысяч юаней | 1200 | |
| Срок окупаемости | PBP | лет | 7.5 | |
| Экологические показатели | Сокращение выбросов углерода | CER | т/год | 3500 |
| Комплексные показатели | Комплексный показатель выгоды системы | SCBI | — | 0.92 |
3.5 Анализ результатов оптимизации
Результаты оптимизации показывают, что гибридная система генерации электроэнергии ветром и солнцем имеет значительные преимущества по сравнению с системами на основе одного источника энергии. В базовом сценарии оптимальная конфигурация состоит из 2 МВт ветровой мощности, 1.5 МВт мощности ФЭ и 500 кВт·ч хранилища энергии. Эта конфигурация снижает вероятность потери поставки электроэнергии (LPSP) ниже 1% и уменьшает уровень стоимости электроэнергии (LCOE) примерно на 15% по сравнению с автономными системами ветра или ФЭ. Анализ чувствительности показывает, что наибольшее влияние на результаты оптимизации оказывает стоимость оборудования — 10%-ное снижение стоимости приводит к приблизительному 8%-ному снижению LCOE.
Изменения профиля нагрузки значительно влияют на размер системы хранения энергии; увеличение разницы между пиковыми и минимальными нагрузками требует большей емкости хранения. Оптимальные конфигурации различаются в зависимости от региона: районы с богатыми ветровыми ресурсами предпочитают более высокие соотношения ветровой мощности, тогда как солнечные регионы увеличивают долю ФЭ. Многокритериальная оптимизация генерирует фронт Парето, позволяя лицам, принимающим решения, балансировать экономическую эффективность и надежность в соответствии с практическими потребностями. Результаты также показывают, что внедрение механизма торговли углеродом дополнительно улучшает экономическую производительность, снижая LCOE еще на 5%–10%. Долгосрочное моделирование подтверждает стабильность системы, с деградацией производительности за 20-летний период эксплуатации, остающейся в пределах допустимых значений.
