混合可再生能源系统优化设计综述

李俊青 陈星睿 李文涵 李庆华

( 山东师范大学信息科学与工程学院，250358，济南 )

1 引 言

近日，国家能源局发布了《关于可再生能源发展“十三五”规划实施的指导意见》，要求加强可再生能源发展规划的引领作用，创新发展方式促进技术进步、降低成本，全力健全风电、光伏发电建设规模管理机制,能源对世界各地的社会和经济发展具有创造性的作用.随着21世纪的开始，工业化得到了快速发展，这导致了全球范围内化石燃料以惊人的速度被开采.大规模化石能源的应用提高了人类的生活水平，同时也给我们的生态环境造成了严重破坏，为此每年都要蒙受巨大的经济损失.能源开发利用结构不合理，能源可持续发展的意识、生产水平和工业设备落后，是造成了能源利用率低的主要原因.

在可再生能源的利用当中，我国水资源量丰富并且开发规模大，但是我国人口众多，人均用电量及总量也在随着社会的发展不断增加，因此水电并不能满足所有的用电需求.我国面临着煤炭枯竭的状态，所以学者都把目光投向其他可利用的新型能源.核能虽然前景较好，但是自然灾害和人为因素可能导致的核危害时刻威胁着我们，因此核能发展和应用的审慎态度，使其利用规模还处于很低的水平.在新型可再生清洁能源当中，光伏发电及风力发电是最具有开发利用潜力的能源技术，独立可再生能源系统如风能、太阳能的随机性和不确定性等缺点，导致了这些资源利用率低、构造成本高等问题.为了克服这些问题，混合可再生能源系统(Hybrid Renewable Energy System, HRES)引起了越来越多学者的关注和研究并得到了广泛的应用[1].

HRES适当组合不同类型的可再生能源与常规能源，能够有效地克服独立能源系统不稳定的缺点.对于技术和经济落后偏远地区，由于地形复杂，常规能源(如煤、石油和天然气)的运输困难，微电网的扩展也不具有成本效益，所以，HRES是在偏远地区提供供电需求的最合适的解决方案.相比于独立单一可再生能源系统，它更具有可靠性和经济性[2].HRES使用两类或两类以上不同的发电设备，并且结合储能设备，如柴油发电机和蓄电池组等，以满足高峰时刻的负荷需求，典型的HRES配置如图1所示.

图1 混合可再生能源系统

HRES依赖于组件的构成，每个组件的准确建模可以更好地了解系统性能.本文综合叙述了基于光能、风能等可再生能源以及柴油发电机和蓄电池等备用能源装置的混合能源系统的各种优化方法和优化准则.本文还讨论世界能源形势的最新趋势以及在未来能源需求方面的研究，并提供相关参考资料.

2 混合可再生能源系统模型

HRES由太阳能光伏板、风力发电机、逆变器、电池组和其他元件组成，根据组成元件的不同，系统也分为不同的类型.如果可再生能源所产生的功率超过所需负荷需求，则超过剩余的功率来为电池组充电.当产生的功率不足以满足负载需求时，电池组就会放电满足负载需求.系统的组成元件决定了系统的配置结构，同时系统的各个组成部分也有不同的建模方法，这些建模方法的选择也会影响最终的系统功能与运行情况.

HRES的优化设计是一个热门的话题，并且有大量的文献研究这个主题.HRES大多是由太阳能和风能，然后加上合适的储能系统以及相应的负载构成.按照组成元件的不同，常见的混合可再生能源系统可分为混合光伏系统、混合风能系统、混合光伏/风能系统等[3].

2.1混合光伏系统太阳能光伏(Solar Photovoltaic System，SPV)系统利用太阳能来减少对化石燃料的依赖，其中包括光伏发电机，柴油发电机或者电池系统.电池存储增加了系统控制的灵活性，并增加了整个系统的稳定性.SPV系统在炎热的气候中具有良好的应用前景，是满足偏远地区能源需求有效的解决方案.文献[4]对分散发电的混合SPV系统的经济可行性进行了研究，并证明了此系统满足100多个家庭的小村庄供电需求.

当前已经开发出许多光伏模型，包括用概率法来确定混合SPV系统的性能，并找到光伏发电机与柴油发电机的最佳组合.EL-Hefnawi[5]使用数字技术计算混合SPV系统的最小存储天数和最小光伏矩阵面积.Shrestha等人[6]提出一种太阳辐射和负载的统计模型，用来寻找光伏阵列尺寸和电池的最佳组合，以满足制冷负载的方法，计算出SPV系统最佳性能的倾角和方位角取决于地理位置.Bhuiyan等人[7]对孟加拉国的光伏电池系统进行了优化，针对不同倾角和方位角的功率输出，优化了混合SPV系统的性能.

2.2风能系统风能是自然环境中可以利用并且无污染的能源，风力发电系统的发电性能取决于风势，最可行的解决方案是选择较高的风能地理位置，这也是风力发电系统技术实现的条件[8].针对风速和涡轮机的特性，文献[9]比较了不同位置的不同风机性能，此外，还研究了不同位置的风能系统的各种约束条件，并采用可行性、最优系统配置、满足负荷需求、风能成本、能源安全、风电可利用性评估等参数进行了研究.

Kefayat等人[10]将蚁群算法和人工蜂群算法相结合，使用混合智能算法优化风力系统.Salameh等人[11]通过遗传算法分析了风力系统的最优配置.Feijoo等人[12]考虑了风力系统部件的各种约束，利用蒙特卡罗模拟方法进行评估.Stefanos等人[13]采用神经网络、回归分析技术进行了经济性和可靠性的研究.Ahmad等人[14]采用不同的方法训练风能数据，提高了每年额定风机的输出功率.Bohre等人[15]描述了风能系统的最优配置，提出了相应控制策略，通过利用备用电池组，有效地提高了系统性能，降低了能源成本并且增强了系统的可靠性.

2.3光伏/风能系统在自然环境中，可再生能源太阳能和风能资源是相互作用的.与单能源相比，太阳能和风能组成的混合系统全年生产更高的能源，并且效益比单能源更好.单源系统需要备用电池和独立系统中的柴油发电机才能获得更好的性能，这影响到混合系统的成本、可靠性、能源成本和环境排放等目标.

Deshmukh等人[16]讨论了基于光伏的能源系统的现有规模和工作状况，Sinha等人[17]提出了基于光伏-风能的混合能源系统，使用几种方法来实现不同的目标.通过研究HRES的综合文献，我们得出了以下结论:

1) HRES是一种更好的替代方案，用混合系统共同发电替代单一系统发电.

2) 与单能源能源系统相比，整个系统具有多个能源的发电系统组成，具有更高的可靠性和可行性.

3) 最近的研究趋势表明，更多学者研究多目标优化和混合优化方法确定系统元件尺寸，设计更可靠并且环境友好的HRES.

4) 光伏/风能系统具有备用能源单元，如电池组、柴油发电机和燃料电池，可以使系统降低能源成本，并提高系统的可靠性.

2.4光伏/风机/燃料电池系统光伏/风机/燃料电池系统由光伏板、风机、电解槽、氢气罐、燃料电池和负载等组成.在该系统中，燃料电池大多是氢气燃料电池，其功能是储能系统.当可再生能源发电功率大于负载需求时，多余电量会被传送到电解槽，电解槽制取氢气并存到氢气罐中.当可再生能源系统发电不能满足负载时，燃料电池会利用氢气罐中的氢气进行工作放电，从而为负载提供电能.相比蓄电池储能的系统，这种系统的效率并不高，因此这类系统的研究并不是很多.

3 混合可再生能源系统的优化目标

研究人员采用了一些基于经济性、可靠性、环境效益性等目标优化设计HRES，下面简要讨论常用的优化目标.

3.1系统成本HRES系统的一般寿命为20年，电池组通常每5年更换一次.能源成本还取决于投资成本、运行成本、维护成本、折旧期和一年产生的能量.随着产量的增加，设备成本呈现下降趋势[18].公式(1)给出了一个简单的成本计算关系，

(1)

其中，CE是能量消耗，CCap是HRES 发电机和存储设备的投资成本，R是年度资本成本折现率，ETot是产生的总能量，CO&M是每年的操作和维护费用.

许多学者使用发电成本来评估HRES，将出现电力短缺(断电)的总体概率称为负载丢失概率(Load Loss Probability，LOLP)，用每年的天数、每天的小时数或时间的百分比表示.HRES的生命周期成本(Life Cycle Cost，LCC)是指在系统生产生命周期内发生的总成本[19].LCC用来确定系统的经济可行性，考虑系统是否折旧，LCC使用公式(2)和公式(3)计算.

(2)

PVD=(C+m)pv+(C+m)wind+(C+m)battery+(C+m)diesel-D,

(3)

其中，PV，PVD分别是没有折旧和有折旧的系统现值，t是分析的时间，i是每年的利率,Ct是t年的成本，m是系统的维护费用，D是折旧的现值.

3.2系统稳定性可靠性的优化原则是确定电池数量、光伏模块、风力发电机容量和其他可再生发电机的最佳数量[20].供电可靠性是不能满足负荷需求的混合系统供电损失概率(Loss Of Power Supply Probability，LPSP)，LPSP可以定义为系统产能不能满足负载需求的时间所占总时间比例.LPSP为1时表示不能满足负载，而LPSP为0时表示始终满足负载.

LPSP的方法可以概括为两个步骤.

步骤一：在HRES产生的额外功率期间，剩余功率用于给电池充电，并计算新的充电状态，直到电池容量满为止，其中电池充满电后的额外能量不能用于生产工作.

步骤二：在HRES产生的功率不足期间，使用存储在电池中的能量来满足需求负载，并计算新的放电状态，直到电池组容量下降到最小水平，最后从负载中断开.

LPSP可以使用公式(4)求出.

LPSP=Pr{EB(t)≤EBmin;fori≤T},

(4)

其中，t是任意时刻荷电状态的概率，T是最大时间，比如以一年为例，每小时为步长，T的值为8 760 h，EBmin是小于或等于电池所提供能量的最小水平，EB(t)是在t时刻存储在电池中的能量.

也有许多学者以负荷不足概率(Loss of load，LOL)作为稳定性目标.HRES无法满足每日峰值负荷，每当系统负载超过可用发电容量时，就会出现负荷不足概率，LOLP是由下列方程组给出:

(5)

其中，IS是负载的电流是在t小时的需求,In(t)是HRES在t时刻提供的电流，如果LOLP较低，会导致系统成本较高，LOLP较高，则会导致系统成本较低.

3.3环境效益在HRES中，柴油发电机主要排放的气体是CO2，因此，许多文献以CO2的排放量代表燃料的排放，并作为环境效益目标.燃料排放量通过公式(6)计算.

(6)

式中，Fc(t)为柴油发电机在t时刻的燃料消耗量，Ef是排放因子，该参数取决于柴油发电机和燃料的性质.

4 混合可再生能源系统的优化方法

在HRES的发电领域，机组规模优化在文献中有各种各样的方法，图2给出了用于HRES机组规模调整的方法.

图2 HRES优化的方法

在各种优化算法中，人工智能方法用到的最多，表1列出了部分混合可再生能源系统的优化方法.

4.1人工智能优化Paliwal等人[21]建立了一个基于光伏-风能-柴油的集成系统，以满足社会和经济的标准，并建立了在项目生命周期内存储单元的大小、循环次数和更换数量之间的关系.Askarzadeh等人[22]开发了一种基于离散混沌和声搜索的模拟退火(DHSSA)算法，用于光伏-风能-电池集成系统的优化，并将获得的年成本与离散和声搜索(HS)以及离散和声搜索模拟退火(HSSA)算法进行了比较.Merei等人[23]结合三种电池技术(铅酸、锂离子、钒氧化还原液流电池)，对光伏-风能-柴油混合动力系统的最优解进行了分析.针对光伏风力发电系统，Kumar等人[24]使用了一种生物地理学优化(Biogeography-Based Optimization, BBO)算法，在这项研究中，BBO用来预测偏远地区风光互补发电系统的最优规模系数，在保证获得能源的情况下，以混合能源系统总成本最小为目标，对最优部件规模和运行策略进行评估，证明了该算法具有竞争性.Arabali等人[25]使用遗传算法(GA)和两点估计法，对具有电池存储的集成系统进行优化，在得到最小成本的同时也提高了系统效率，并且计算出不同负载转移百分比下存储系统的最大容量和过剩能量.Kaviani等人[26]通过对太阳风燃料电池系统、对可靠性指标进行近似评估，以每年1 h为步长进行仿真，得到了较高的精度，并讨论了系统元件失效对可靠性和系统成本的影响.在电解槽燃料电池中，Hakimi等人[27]使用了多余的风力-燃料电池系统，并用粒子群算法进行模拟计算，当发电量不能满足负荷需求时，用燃料电池来补充发电量的不足.Yang等人[28]提出了一种优化方法来计算最优系统配置，用遗传算法计算出全局最优，最优系统配置可以实现用户所需的LPSP，得出所需的LPSP的值分别为1%和2%.

表1 混合可再生能源系统优化方法

图3 多目标Pareto解

4.2多目标优化在HRES中，多目标设计有两种常见的方法.第一种是将所有目标函数合并为单个复合函数，第二种方法是确定整个Pareto最优解集.如果所得到的解在解空间占主导地位，则称其为Pareto最优解.帕累托最优解决方案不能在降低一个目标的情况下对其他目标进行改进，在降低系统成本的情况下，会导致污染物排放的增加.多目标优化算法的主要目标是得到Pareto最优集合中的解[29]，如图3所示.

在多目标设计HRES的文献中，Maheri等人[30]提出了一种独立的风电-柴油发电机系统，设计系统成本和系统可靠性目标相互矛盾，对其进行不确定性建模并得出两种情况：第一种情况，在成本约束条件下建立了最可靠的系统；第二种情况，在第二种可靠性约束情况下获得了经济有效的系统.Abbes 等人[31]为光伏风力一体化系统计算出120个Pareto优化集，并满足了95%居民用电需求的配置.Tant等人[32]提出了一种具有电池储能系统的太阳能光伏多目标优化方法，并将该方法应用于公共低压配电网,得出了调峰和调压目标之间的成本平衡曲线.Moura等人[33]提出了一种新颖的多目标优化方法，以最小的成本为目标优化HRES，最大程度满足峰值负荷的需求,同时还考虑了大规模需求侧和需求响应技术.Bernal-Austin等人[34]将加强帕累托进化算法 (SPEA)应用于光伏-风能-柴油混合发电系统的多目标设计.

4.3迭代近似法在迭代方法中，HRES优化模型通常考虑用于电力可靠性和净现值(Net Present Value，NPV)的LPSP模型.大多数研究者都考虑了光伏电池板的容量、风力系统的额定功率和蓄电池组容量等参数，对于期望的可靠性水平并没有考虑.在这种方法中，系统成本是通过线性变化参数或线性规划技术来最小化的.

在使用迭代近似法确定HRES系统元件大小的文献中， Zhang等人[35]在优化电力调度仿真的基础上，提出了一种基于PV-柴油发电机组集成系统的元件尺寸调整算法.在优化过程中，以能源成本最小化为目标，其中能源成本包括系统折旧成本、燃料成本、维护成本和排放成本等.Gupta等人[36]建立了混合整数线性规划模型，讲述了模型的运行模式、配置优化、算法控制参数等.他们对成本进行了优化，使成本较低的资源占总能源需求的比例更大.Yang等人[37]优化了基于 LPSP 的太阳能风力电池集成系统的尺寸大小，并在最低 LCE的基础上进行了成本分析和优化配置.

4.4分析法在分析法中，HRES的模型用组件得出，并计算系统的可行性，因此，对于特定尺寸的组件，可以针对一组可行的系统配置来评估系统的性能.通过比较不同配置的单个或多个性能指标来评估HRES的最佳配置.Khatod等人[38]考虑了与太阳辐照度和风速、Beta和Weibull分布相关的不确定性，以模拟太阳辐射和风速.他们发现与蒙特卡罗模拟方法相比，提出的方法在计算上更有效，需要更少的时间和气象逻辑数据.Kaldellis等人[39]发现电池组件的份额超过系统生命周期能源需求总量的27%，显示了基于光伏电池的系统中并网配置和独立配置之间的差异.

4.5概率法在概率法中，研究的方法常用于考虑不确定性的HRES优化，优化设计考虑了日照和风速变化的影响，建立了恰当的能源生成和需求模型，通过这些模型的组合来创建风险模型.然而，这种优化技术不能表现出混合系统的动态变化性能.Lujano-Rojas等人[40]使用了混合算法(Monte Carlo和Ann)，考虑了太阳能-风能-柴油混合系统中太阳辐射、风速、燃油价格和电池库寿命的不确定性.Tina等人[41]研究了太阳风集成系统中，风机输出对前四个矩(均值、方差、偏斜和峰度)的概率密度函数影响.他们还提出了利用双轴跟踪器代替单轴跟踪器的改进方法.Tina等人[42]提出了一种基于卷积技术的概率方法，用来评价系统的长期性能，并用解析表达式来计算风力发电机和光伏输出功率所产生的功率.

4.6图解构造法在该方法中，优化只考虑了两个决策变量，即SPV和电池，或者SPV和风力发电机组.一些重要因素，如SPV数量、SPV面积、SPV倾斜角、风机面积和风力机安装高度完全忽略.Borowy等人[43]开发了一种用于计算独立混合光伏/风机发电系统，提出了最佳电池组和光伏矩阵列尺寸的方法，并用实际数据计算出了最佳电池数量和SPV尺寸大小.Markvart[44]在需求供应标准的基础上优化设计了基于太阳能-风能的集成系统.

4.7商用的用于单位尺寸调整的计算机工具目前，各种计算机工具均可用于HRES的优化配置.根据网络的当前成本和性能，可以在不同的系统配置中找到最优配置.在各种计算机工具中，可再生能源的混合优化模型(Hybrid Optimization Model of Electric Renewable Energy, HOMER)是最流行的综合系统优化工具之一.HOMER 能够根据电力系统的生命周期成本模拟电力系统的物理行为，即系统组件在系统寿命期间的安装和维护费用总和.HOMER允许研究者根据他们的技术和经济优点来比较不同的设计配置[45].

5 挑战和未来展望

虽然可再生能源的发电是可持续发展的，但是基于HRES的发电仍然存在一些挑战[46,47].

1) 与传统发电技术相比，可再生能源发电的成本相对较高.

2) 在HRES中，在使用电源转换器的能量转换过程中损失了大量能量.

3) 需要使用新材料提高存储技术，保证系统生命周期.

4) 无法使用可再生能源(太阳能、风能等)以满足峰值电力需求.

5) 如何更好地利用优化算法理论成果[48,49]，结合问题特征，更好地改进算法性能，优化问题目标.

6 结 语

近年来，由于太阳能和风力发电机成本较低，HRES在偏远地区和农村发电方面越来越受欢迎.混合可再生能源系统通过综合利用太阳能、风能等可再生能源和传统能源实现了多种能源之间优势互补.笔者对HRES的相关方面进行了全面审查，总结了不同研究者用于确定集成系统组件大小的确定方法.通过阅读文献得出，人工智能(AI)技术提供了相对简单的计算原理，以便找到全局最优系统配置.遗传算法(GA)、和声搜索(HS)、粒子群优化(PSO)、基于生物地理的优化(BBO)是最流行的尺寸调整算法，这些算法在当前得到了广泛的应用.此外，这些技术可以处理太阳能或风能资源的随机性.最后，笔者对未来的挑战和展望做出了总结，为研究可再生能源系统优化的学者提供了参考材料.