一种基于NSGA-Ⅱ-GWO混合算法的风光容量配置优化方法与流程

本发明涉及新能源电源规划，具体涉及一种基于nsga-ⅱ-gwo混合算法的风光容量配置优化方法。

背景技术：

1、在低碳目标下，电力系统将逐渐转变为以新能源为主体的新型电力系统，风能和太阳能将成为主力电源。然而，风能和太阳能自身所具有的随机波动性使其对电力系统的安全经济运行带来极大挑战。所以要想充分利用风光资源达到发电最佳效果，则需要合理规划风光装机容量大小，在规划阶段对风光装机容量进行合理优化配置。

2、风光发电系统中各电源的容量配置是电站设计阶段尤为关键的部分，合理的配置方案既可以减少投资、增大发电效率，又可以满足负荷在不同时间段的功率需求。因此，风光装机容量配置方案成为近年来业界研究的重点。但是，求解多目标优化模型的算法种类较单一，且容易陷入局部最优解。

技术实现思路

1、针对新能源发电领域中电源容量规划的工程实际问题，本发明提出一种风光系统多目标容量优化配置方案，基于项目建设所在地的风电、光伏的年资源出力特性，以风电、光伏容量为决策变量，建立了以投资最小和年发电量最大为目标函数的多目标优化配置模型，在考虑总装机容量、昼夜负荷功率需求等约束条件下，采用nsga-ⅱ-gwo混合算法(带精英策略和拥挤度的快速非支配排序遗传算法和灰狼优化算法的混合算法)进行求解得到pareto前沿解集，然后采用熵权法对不同目标函数的权重进行定量评估，最后根据权重系数确定出综合目标函数最优所对应的风光容量配置方案，即为最优的风光容量配置方案。

2、本发明的一种基于nsga-ⅱ-gwo混合算法的风光容量配置优化方法，包括以下步骤：

3、基于项目建设所在地的风电、光伏的资源出力特性，以风电、光伏容量为决策变量，建立包括系统成本模型和系统年发电量模型的多目标优化配置模型。

4、在考虑系统总装机容量、所供负荷的功率需求等约束条件下，采用nsga-ⅱ-gwo混合算法求解所述基于多目标优化配置模型得到pareto前沿解集；

5、采用熵权法对不同模型的子目标函数对应的权重系数进行定量评估，根据权重系数计算得出总目标函数；在pareto前沿解集中以总目标函数最优确定最优的风光容量配置方案。

6、在考虑系统总投资、系统年发电量、负荷所需功率等条件下，采用nsga-ⅱ-gwo混合算法求解所述多目标优化配置模型得到pareto前沿解集，包括：

7、构建包括系统成本模型和系统年发电量模型的多目标优化配置模型的多目标优化配置模型，其目标函数为

8、式中dnew为新能源发电系统总成本；enew为新能源发电系统年发电量。

9、系统成本模型的目标函数：

10、

11、其中cpv为光伏电池单价；mpv为光伏系统装机容量；wpv为光伏电池额定功率；cr.pv为光伏电池替换成本；com.pv为光伏电池维护运行成本；tpv为光伏电池使用寿命；rpv为光伏系统折现率，取5％；cw为风力发电机单价；mw为风力发电系统装机容量；ww为风力发电机额定功率；cr.w为风力发电机替换成本；com.w为风机运行维护成本；tw为风力发电机使用寿命；rw为风力发电系统折现率，取5％。

12、系统年发电量模型的目标函数：

13、enew＝mpv×tu×qy×μ+mw×tv

14、mpv为光伏系统装机容量；tu为组件实际利用小时数；qy为项目所在地年平均日照强度；μ为光伏组件转换效率；mw为风力发电系统装机容量；tv为年风机全功率利用时长。

15、建立系统约束条件：

16、以风、光装机容量为决策变量的容量优化配置方案，需根据实际系统规模确定风、光总装机容量大小，以便得出最符合实际的风、光装机容量配置方案；以内蒙古沙戈荒地的待建风光电站为例，设定风、光总装机容量为7千万千瓦，则系统约束条件为：

17、总装机容量约束：

18、mpv+mw＝a

19、其中，a为根据实际系统规模确定的风、光总装机容量之和；

20、白天系统功率约束：

21、pm.l≤pm.new

22、pn.new＝pm.pv+pm.w

23、

24、

25、其中，pm.l为白天负荷所需功率；pm.new为白天新能源系统发电功率；pm.pv为白天光伏系统发电功率；pm.w为白天风力系统发电功率；spv为光伏电池板受光面积；r为风叶长度；vm为白天平均风速；cp为功率系数；ρ为空气密度，取1.225kg/m3；

26、夜间系统功率约束：

27、pn.l≤pn.w

28、

29、其中，pn.l为夜间负荷所需功率；pn.1为夜间风力系统发电功率；vn为夜间平均风速。

30、pm.l为白天负荷所需功率；pm.new为白天新能源系统发电功率；pn.l为夜间负荷所需功率；pn.w为夜间风力系统发电功率。

31、上述采用nsga-ⅱ-gwo混合算法求解多目标优化配置模型的过程为：

32、步骤1：设定遗传算法的基本参数，包括种群大小npop、交叉概率为pc、变异概率为pm、最大迭代次数为maxit。

33、步骤2：初始化种群：随机产生初始种群pop。

34、步骤3：非支配排序计算：计算目标函数值，目标函数值即个体适应度值，对种群进行非支配排序。

35、步骤4：遗传操作：将个体适应度值与变异概率相联系，对初始种群进行选择、交叉、变异；

36、步骤4.1：选择操作：利用灰狼算法的狼群等级制度及狩猎机制找到最优解、次优解以及第三优解，根据群体中三个最优个体的信息更新个体信息，得到新的种群；

37、步骤4.2：交叉：自适应交叉，初始值设定为0.8；

38、步骤4.3：变异：自适应变异，初始值设定为0.2。

39、步骤5：将步骤4遗传操作生成的新种群和初始种群进行合并。

40、步骤6：对合并后的种群进行快速非支配排序、计算拥挤度距离、执行步骤4.1的选择操作选择合适个体组成新父代种群。

41、步骤7：重复步骤4的遗传操作，得到下一代种群。

42、步骤8：合并步骤6和7所得的种群并计算个体适应度函数值，继续执行步骤4的遗传操作，选出合适的个体。

43、步骤9：判断是否满足迭代次数，满足则输出解集，不满足则返回步骤4继续执行遗传操作满足迭代次数为止。

44、采用熵权法得出最优容量配置方案。

45、将灰狼算法的社会等级及狩猎机制引入到遗传算法的选择算子，对选择种群中的个体进行自适应交叉和变异操作，然后更新种群，自适应交叉和变异公式如下：

46、自适应交叉概率公式为：自适应变异概率公式为：式中p1和p2分别为预设的初始交叉概率；im为最大迭代次数；g表示当前代数；gc表示最优适应度未变化代数，其代表当进化陷入局部最优解时，种群中具有最优适应度的个体未得到更新的代数；α和β为平衡调节参数。

47、与现有技术相比，本发明的优点在于：采用nsga-ⅱ-gwo混合算法求解模型，能够极大提升算法的收敛度和精确度，便于找出最优的风光容量配置方案。