分布式能源系统规划设计软件DES-PSO的设计与开发

古云蛟，　何海斌，　杨　青，　刘　伟，　葛兴凯，　赵晓凯

上海电气集团股份有限公司 中央研究院　上海　200070



分布式能源系统规划设计软件DES-PSO的设计与开发

古云蛟，何海斌，杨青，刘伟，葛兴凯，赵晓凯

上海电气集团股份有限公司 中央研究院上海200070

为解决分布式能源系统的规划设计问题，研发了一款分布式能源系统优化规划设计软件DES-PSO。这一软件适用于多种分布式能源系统设计场景，实现了资源及负荷数据的生成与分析、系统配置的优化计算、设计结果的比较与推荐等功能。软件对于典型系统采用针对性的优化算法，更加合理地确定分布式能源系统技术的组合和规模。采用这一软件可以进行综合性强、集成度高的分布式能源系统规划设计与优化。

分布式能源系统； 规划设计； 软件； 优化算法

分布式能源(Distributed Energy System, DES)技术种类众多，既包含传统的基于微燃机、燃机、燃气内燃机等设备的冷热电三联供技术，又包含基于光伏、风机等的可再生能源发电技术，还包含储能电池、电动汽车、蓄冷/热等新型分布式能源应用技术。在进行分布式能源系统设计时，既需要兼顾并、离网等不同模式，又需要综合考虑用户需求情况、设备投资成本、运行经济性及效率等多种因素。分布式能源的多样性及其技术的耦合性，使系统的优化设计难度大大增加[1]。

现有的针对分布式能源系统的设计方法，由于算法单一，不能满足实际分布式能源系统多样性与复杂性的要求，对于不同类型的分布式能源系统的设计针对性较差，优化效果参差不齐[2]。笔者采用多种优化算法进行系统的综合设计，设计与开发了一款分布式能源系统规划设计软件DES-PSO，该软件以投资经济性为优化设计目标，针对典型分布式能源系统，采用优化算法，大大降低了多种系统设计的耦合性，提高了系统设计的可靠性。

1　DES-PSO规划设计流程

采用流程化的分布式能源系统设计方法，系统设计流程如图1所示，主要包括信息输入、优化计算、结果输出三个部分。

(1) 信息输入。获取用户的负荷数据，包括用户的电负荷、冷负荷及热负荷；市场信息数据，包括电价、气价、设备成本、利率等；设备技术参数，包括设备发电效率、热转换效率等；环境资源数据，包括全年辐照度、风速、全年温度等。数据可以通过算法生成，也可以通过外部文件导入。

图1　分布式能源系统规划设计流程图

(2) 优化计算。在信息输入部分的基础上进行设备选型的优化计算，以满足用户负荷需求为约束，并以实现系统投资成本最低为目标，通过计算得到构成该分布式能源系统的设备类型及容量配置。

① 由信息输入得到可利用资源类型和用户需求，初步确定待用的能源设备类型，并调用对应的设备模型，组成待用能源系统。

② 根据待用能源系统，调用相应设备设计参数，建立优化变量与目标函数及约束条件之间的关系。其中，优化变量为各设备能源供应量及启停状态；目标函数为系统投资成本最低；约束条件为分布式能源系统的输出应满足冷平衡、热平衡、电力平衡及设备的要求。

③ 判断是否是典型的能源系统，是则选择针对性的优化算法，否则选择通用性算法。

④ 进行优化计算，得到构成该分布式能源系统的设备类型及功率，并判断是否耗资最小，如若否，则进行设备组合及运行策略的重置，及新一轮优化计算，直至最优。

(3) 结果输出。在得到系统配置方案后，根据分布式能源系统所有设备全年运行结果计算投资回收期、投资回报率等经济性参数。另外，还可对系统进行各种因素的敏感性分析，如各种能源价格、设备价格、利率变化等对结果的影响程度。

2　系统模型及方法

2.1环境资源计算

2.1.1太阳辐照度计算

DES-PSO软件中全年太阳辐射度数据可以通过多种方法计算[3]，如用户输入当地月平均辐照度，再计算全年8760h的辐能；又如从外部文件导入，软件再依据相应的参数，计算全年8760h辐射到光伏板倾斜面的辐能。图2所示为上海全年辐照度的计算结果。

图2　上海全年辐照度计算

2.1.2风速计算

DES-PSO软件中全年风速数据与全年辐能数据类似，既可以计算生成，也可以从外部导入。用户可以输入当地12个月平均风速，通过韦布尔概率分布计算全年风速[4]，如式(1)所示为韦布尔概率密度函数：

(1)

式中：v为风速，m/s；k韦布尔形状因子；c为韦布尔规模系数，m/s[5]。

如图3所示为DES-PSO根据全年12个月平均风速计算生成的全年风速及韦布尔风速概率密度分布曲线。

图3　全年风速及韦布尔风速概率密度分布曲线

2.2系统元件模型

2.2.1微型燃气轮机

微型燃气轮机分布式能源系统以天然气为燃料，通过燃气透平做功，排气驱动余热利用机组实现供电、供热、制冷和生活热水生产等。微燃机单机功率范围为25kW～300kW，回热器出口烟气温度可达到278～550℃，可进入余热锅炉制蒸汽或热水，也可用于双效吸收式制冷、采暖、供热水，余热利用后烟气温度降至95℃。微燃机结构简单，可采用以下模型[6，7]：

PMGT=aMGTEMGT+bMGT

(2)

QMGT=cMGTEMGT+dMGT

(3)

式中：PMGT为微燃机输出的电功率，kW；EMGT为微燃机消耗的燃料功率，kW；QMGT为微燃机排烟中可利用的热量功率，kW；aMGT、bMGT、cMGT、dMGT为特性参数。

2.2.2燃气轮机

燃气轮机热力性能受负荷、环境温度影响较大，功率大小也有一定范围，此处采用的燃机模型如下[6]：

(4)

式中:PGT为燃机功率，kW；EGT为单位时间输入燃机的燃料热值，kW；QGT为单位时间燃机排气的可利用热值，kW；δGT为燃机的状态参数，燃机运行时为1，停机时为0；t和t0分别为燃机工作的环境温度和设计环境温度，℃；EGT.max为燃机满负荷时单位时间输入燃料热值，kW；EGT.min为燃机最小功率时单位时间输入燃料热值，kW；EGT0.max为t0温度下燃机满负荷时单位时间输入燃料热值，kW；p1(t)、q1(t)、p2(t)、q2(t)分别为环境温度t时对PGT和QGT的修正因数；其它变量符号为因数常数。

2.2.3燃气内燃机

作为分布式能源系统中的重要动力设备，燃气内燃机在联供系统中的主要性能参数包括发电出力、相应的燃料量及可回收热量。此处采用的燃气内燃机特性函数如下[6]：

(5)

式中：Pic为燃气内燃机发电出力，kW；E为单位时间进入燃气内燃机的燃料热值，kW；Qic为单位时间燃气内燃机排出烟气的可利用热值，kW；Wic为单位时间缸套冷却水的可利用热值，kW；Hic为单位时间中冷水的可利用热值，kW；Pmin、Pmax为内燃机的最小、最大发电出力，kW；δ为内燃机的状态参数，内燃机运行时为1，停机时为0；aic、bic、cic、dic、eic、fic、gic、hic为因数特性常数。

2.2.4风机

风机的实际出力受到高度、海拔、风速、风向、环境温度、大气压力等因素的影响，此处主要考虑风速对其输出功率的影响。风机的输出功率PWT与风速之间的关系可用以下函数进行拟合[4]：

(6)

式中:PN为风机的额定输出功率，kW；vCI为切入风速，m/s；vCO为切出风速，m/s；vN为额定风速，m/s。

2.2.5光伏电池

由于光伏组件的出力受太阳辐照度、环境温度影响，因此光伏组件的功率输出一般以标准测试条件(太阳辐照度为1000W/m2，电池温度为25 ℃)下的系统出力为标准进行修正，光伏组件的稳态功率输出为[4]：

(7)

式中：PPV为光伏组件的实际输出功率，kW；GING为实际太阳辐照度，W/m2；GSTC为标准测试条件(STC)下的太阳辐照度，W/m2；PSTC为STC下光伏电池组件的最大输入功率，kW；kPV为功率温度系数，K-1；Tc为电池温度，K；Tr为环境温度，K。

2.2.6储能电池

储能电池一般采用铅酸蓄电池、镍氢电池、磷酸铁锂电池、锂离子电池等。充放电电流、电压、环境条件及电池的自身条件等对电池的使用效果均有一定程度的影响。此处建模假设电池性能良好，只考虑电池在充放电过程中的状态。储能电池的充放电公式为[4]：

(8)

式中：Pd.t为时间t阶段电池的放电功率，kW；Pc.t为时间t阶段电池的充电功率，kW；C(t)为t时刻电池的电量，kWh；Δt为所取的时间间隔；ηd、ηc分别为电池的放电效率、充电效率。此外，还满足下列约束条件：

① 功率约束：

(9)

② 容量约束：

Cmin≤Ct≤Cmax

(10)

③ 初始状态约束：

C(0)=C(T)=CS

(11)

式中：Pd.max为最大放电功率，kW；Pc.max为最大充电功率，kW；Cmin、Cmax分别为电池能量允许的最小值和最大值，kWh；C(0)为电池的初始能量值，kWh；CS为电池的初始能量限定值，kWh；C(T)为电池内部能量值，kWh。

2.3系统优化算法

DES-PSO软件在可行方案计算过程中，采取特定系统对应特定优化算法、非特定系统对应通用优化算法的思想。此处主要介绍DES-PSO软件中包含的风光储系统优化算法、冷热电三联供系统优化算法及基于颗粒群优化(Particle Swarm Optimization, PSO)[8]的通用系统优化算法。

2.3.1风光储系统优化算法

风光储系统规划主要考虑到光伏风机发电量与全年总负载的能量平衡关系，利用其能量平衡来优化风机与光伏的装机容量，使光伏和风机出力能够尽可能满足负荷需求。蓄电池主要用于平衡可再生能源发电与负载之间的不匹配。基于此，以系统全年缺电率来优化蓄电池的装机容量，系统设计的两个标准为：

能量平衡方程：

1.1EL≤Epvηinv+EW≤1.2EL

(12)

缺电率方程：

(13)

式中：LPSP以h为计量单位，若某一时刻蓄电池放电量超过其最小蓄电量，则这一时刻作缺电计算。

图4为风光储规划系统程序流程图。

图4　风光储系统优化算法框图

2.3.2冷热电三联供典型系统优化算法

以系统年度总费用为优化目标，系统年度总费用主要包括初投资年等值费用、年运行能耗费用两部分，初投资年等值费用为各设备总投资根据使用年限折合到每年的平均投资，年运行能耗费用指联产系统消耗的天然气和从电网购电支出的费用及年系统维护费。通过确定配置的联产系统的优化运行问题，得到该配置下联产系统最低的年度总费用，考虑不连续的改变设备容量的大小，得到不同方案的年度总费用。整个优化设计问题从用户侧需求出发，确定所用联产系统的结构形式，对于某种联产系统结构形式，设共有M种设备，每种设备有N种容量可供选择，实际设备台数不能超过最大可选择台数，系统设计程序流程图如图5所示。

图5　冷热电三联供典型系统优化算法

2.3.3通用系统优化算法

DES-PSO软件中通用系统优化算法主要采用PSO[8]算法，模拟鸟群的捕食行为。在PSO中，每个行为都可以想象为D维搜索空间上的一个点，称其为颗粒。在一个规模为m的颗粒群中，假设第S个粒子的位置和速度分别是XS=[XS1，XS2，XS3…XSD]，S=1，2，3…m，代入目标函数得到适应度的值，然后更新颗粒位置，更新速度VS=[VS1，VS2，VS3…VSD]，S=1，2，3…m，进行新一轮的计算，记录该颗粒的个体最优位置PS=[PS1，PS2，PS3…PSD]，S=1，2，3…m，并记录整体最优位置Pg=[Pg1，Pg2，Pg3…PgD]；当达到设定目标或者循环次数时，计算结束。

DES-PSO软件中的颗粒群是不同的设备组合群，包括设备的容量、类型等。计算中更新的速度包括设备容量的更新、设备启停的更新；是否达到目标要求主要是指投资是否最小、回收年限最短等[9，10]。如图6所示为系统优化设计的程序框图。

图6　改进型颗粒群优化算法框图

3　软件功能展示

DES-PSO软件已应用于上海电气集团上海电机厂冷热电三联供系统、内蒙古风光储一体机系统等项目。由于篇幅所限，此处以上海电机厂冷热电三联供系统为案例进行软件功能介绍。

首先进入DES-PSO软件，如图7所示，通过DES-PSO软件负荷模块导入或计算用户负荷数据，如图8所示为软件负荷模块。

然后在软件主界面上完成系统的技术选择与设备参数配置，并完成优化目标、控制策略、优化算法的选择，输入经济性参数，主界面如图9所示。

进入分布式冷热电三联供系统优化计算界面(如图10所示)，按照主界面选定的设备类型进行优化计算，可得到多种可行方案，以及各方案配置系统的投资费用、年运行费用、年购电量等结果。用户可对优化计算结果进行比较分析，综合设计分布式冷热电三联供系统的配置情况，以期达到最优的设计。

图7　DES-PSO软件主界面

图8　DES-PSO软件负荷模块

图9　DES-PSO软件参数配置

图10　冷热电三联供系统优化计算界面

4　结论

综上所述，分布式能源系统优化规划设计软件DES-PSO能够有效解决分布式能源系统的规划设计问题。该软件适用于多种分布式能源系统设计场景，实现了资源及负荷数据的生成与分析、系统配置的优化计算、设计结果的比较与推荐等功能，是一款综合性强、集成度高、算法灵活、界面友好的分布式能源系统规划设计软件，可以有效应用于分布式能源系统的优化设计。

[1] 郭天勇，赵庚中，赵耀，等.基于风光互补的微网系统建模与仿真[J].电力系统保护与控制，2010，38(21)： 104-108.

[2] 葛兴凯，古云蛟.分布式能源系统规划设计软件分析对比[J].电器与能效管理技术，2015(3)： 57-61，66.

[3] 林媛.太阳辐射强度模型的建立及验证[J].安徽建筑工业学院学报(自然科学版)，2007，15(5)： 44-46.

[4] ELTAMALY A M， MOHAMED M A. A Novel Design and Optimization Software for Autonomous PV/Wind/Battery Hybrid Power Systems[J/OL]. Mathematical Problems in Engineering， http:∥dx.doi.org/10.1155/2014/637174.

[5] 韩爽,杨勇平,刘永前.三种方法在风速预测中的应用研究[J].华北电力大学学报,2008,35(3): 57-61.

[6] 王瑞琪.分布式发电与微网系统多目标优化设计与协调控制研究[D].济南： 山东大学，2013.

[7] 杨允.南方地区分布式供能系统优化配置与综合评价研究[D].北京： 中国科学院研究生院(工程热物理研究所)，2013.

[8] 万术来.基于改进粒子群算法的微网环保经济运行的优化[D].广州: 华南理工大学,2012.

[9] 牛东晓,曹树华,赵磊,等.电力负荷预测技术及其应用[M].北京: 中国电力出版社,1998.

[10] 熊信银,吴耀武.遗传算法及其在电力系统中的应用[M].武汉: 华中科技大学出版社,2002.

To solve the issue of planning design of distributed energy systems， developed the software, DES-PSO. The software can be used for a variety of designed scenes of distributed energy systems and can realize the functions including data generation and data analysis of the resources and loads， optimization and calculation of system configuration with comparison and recommendation of the design results. For a typical system the software adopts targeted optimistic algorithm that can be more reasonably to determine the combination and scale of the distributed energy system technology. By the use of this software it is possible to perform more comprehensive and highly integrated planning design and optimization for distributed energy system.

Distributed Energy System； Planning Design； Software； Optimistic Algorithm

2015年12月

古云蛟(1988—)，男，硕士，工程师，主要从事分布式能源系统规划、系统优化算法、能源技术仿真研究工作，

E-mail： jok00619@hotmail.com

TM-9;TP319

A

1674-540X(2016)02-012-07