技术领域
[0001] 本发明属于能源优化配置技术领域，涉及一种制造业企业分布式光伏及储能系统容量配置优化方法及系统，尤其涉及一种考虑碳排放成本和负荷管理策略的制造业企业分布式光伏及储能系统容量配置优化方法及系统。
相关背景技术
[0002] 制造业行业的生产需要消耗大量二次能源(尤其是电力)，清洁电力是制造业行业脱碳转型的关键方向。除了依赖电网电力的清洁化，采用分布式可再生发电系统，正成为接入清洁电力的一种主要选择。分布式光伏及储能系统的容量的设计受多种因素的影响，包括企业的用能行为、气象条件、设备的技术参数、电价框架以及与实现零碳转型相关的碳交易政策等，这需要精确的配置优化以实现系统的高效运行。
具体实施方式
[0021] 下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。
[0022] 根据本发明的一种实施例，一种制造业企业分布式光伏及储能系统容量配置优化系统，包括：
[0023] 模型确定模块，基于企业的负荷、分时电价、设备参数及气象条件输入，确定分布式光伏及储能系统主要设备的数学模型，所述数学模型包括ADR光伏发电效率模型、储能的运行状态模型、储能的寿命模型；
[0024] 配置模块，在配置模块中设有第一、二、三层优化模型，所述配置模块基于所述模型确定模块所确定的数学模型，利用第一、二、三层优化模型，依次进行第一、二、三层优化并不断迭代循环，最终输出企业最优光伏容量配置、最优储能容量配置以及优化后的用户负荷顺序。
[0025] 根据本发明的一种具体实施例，一种制造业企业分布式光伏及储能系统容量配置优化方法，所述方法能够在考虑碳排放成本和负荷管理策略的基础上优化企业光储容量及用电负荷顺序；方法包括：
[0026] 再基于所确定的数学模型，利用第一、二、三层优化模型，依次进行第一、二、三层优化并不断迭代循环，最终输出企业最优光伏容量配置、最优储能容量配置以及优化后的用户负荷顺序。
[0027] 步骤S1，确定分布式光伏及储能系统主要设备的数学模型，并输入企业的负荷、气象条件、分时电价和设备参数；所述数学模型包括ADR光伏发电效率模型、储能的运行状态模型、储能的寿命模型；
[0028] 步骤S2，利用第一层优化模型，在光储容量一定的情况下优化储能系统的运行策略；结合S1的数学模型得到储能寿命；
[0029] 步骤S3，利用第二层优化模型，根据第一层优化模型计算得到的储能寿命，计算系统经济性最优的配置容量；
[0030] 步骤S4，构建第三层优化模型，将用户日负荷聚类，根据前两层计算得到的光伏及储能配置容量调整用户负荷；依次进行第一、二、三层优化并不断迭代循环，最终输出企业最优光伏容量配置、最优储能容量配置以及优化后的用户负荷顺序。
[0031] 其中，步骤S1中系统主要设备的数学模型包括ADR光伏发电效率模型，其是一种阐明发电效率与温度和辐射波动之间的关联的模型，其计算公式如下：
[0032] η(S,T)＝ka[(1+krs+krsh)v(S,T)‑krsS‑krshv(S,T)2]
[0033] v(S,T)＝V(S,T)/V(1,25)
[0034]
[0035] 式中，η发电效率；v是标准化电压；ka、krs、krsh、tcd和kd是根据制造商实验数据拟合的参数。kv是绝对比例因子，等于参考条件下的效率；
[0036] 其中，步骤S1中系统主要设备的数学模型包括储能的运行状态模型，其计算公式如下：
[0037]
[0038] 式中，SOCi为电池在i时刻的荷电状态；Pc,i和Pdis,i分别是i时刻的充电功率和放电功率；ηc和ηdis分别是充电效率和放电效率；
[0039] 其中，步骤S1中系统主要设备的数学模型包括储能的寿命模型，其计算公式如下：
[0040]
[0041] SOH(i+1)＝SOH(i)‑ΔSOH
[0042] 式中，Pc是充电功率；ηc是充电效率；SOH是电池的健康状态，初始值为1，减少至0代表电池报废；Ncyc是电池在标准放电深度下的预计循环次数；DOD是标准放电深度；EES是电池的容量；
[0043] 其中，步骤S2中第一层优化模型的目标函数如下：
[0044]
[0045] 式中，Rbuy,i是第i时刻购电的分时电价；Rsell,i是第i时刻售电的分时电价；Pbuy,i是第i时刻的购电功率；Psell,i是第i时刻的售电功率；Δt是时间间隔；
[0046] 其中，步骤S2中第一层优化模型的用户负荷约束条件如下：
[0047] Pl,i≤Pbuy,i‑Psell,i+Pdis,i‑Pc.i+Pv,i
[0048] 0≤Pbuy,i≤Pl,max
[0049] 0≤Psell,i≤Pl,max
[0050] Bbuy,i+Bsell,i≤1
[0051] 式中，Pl,i是第i时刻的用户需求负荷；Pdis,i是第i时刻储能放电功率；Pc,i是第i时刻储能充电功率；Pv,i是第i时刻光伏发电功率；Pl,max是原用户负荷的最大值；Bbuy,i和Bsell,i分别是购电售电状态，0代表未激活，1代表激活；
[0052] 其中，步骤S2中第一层优化模型的光伏发电和储能电池设备的运行约束如下：
[0053] 0≤Pv,i≤EPVηADR(S,T)
[0054] 0≤Pch,i≤PES
[0055] 0≤Pdis,i≤PES
[0056] 0.2≤SOCi≤0.8
[0057] Bch,i+Bdis,i≤1
[0058] 式中，ηADR是第i时刻由辐照度和温度拟合的光伏设备的发电效率；Bch,i和Bdis,i分别是电池充电和放电状态，0代表未激活，1代表激活；
[0059] 其中，步骤S2中第一层优化模型通过构建整数线性规划模型来求解问题，求得精确解后即停止迭代；
[0060] 其中，步骤S3中第二层优化模型的目标函数如下：
[0061] minF2＝CPV+CES+Cgrid+CCO2
[0062] 式中，CPV是光伏设备年综合成本；CES是储能设备年综合成本；Cgrid是电网购电年成本；CCO2是年碳排放成本；
[0063] 其中，步骤S3中第二层优化模型的目标函数中，光伏设备的年综合成本计算公式如下：
[0064]
[0065] 式中，αPV是光伏设备投资单价；EPV是光伏设备安装容量；βPV是光伏设备的运行维护单价；r是贴现率；YPY是光伏设备的寿命；
[0066] 其中，步骤S3中第二层优化模型的目标函数中，储能设备的年综合成本计算公式如下：
[0067]
[0068] 式中，αES是储能设备单位容量投资成本；αESp是储能设备单位功率投资成本；EES是储能设备的安装容量；PES是储能设备的安装功率；βES是储能设备的运行维护单价；r是贴现率；YES是储能设备的寿命，基于SOH模型计算；
[0069] 其中，步骤S3中第二层优化模型的目标函数中，电网购电的年成本计算公式如下：
[0070]
[0071] 式中，F1是每日的购电成本，即第一层优化的目标函数；
[0072] 其中，步骤S3中第二层优化模型的目标函数中，碳排放的年综合成本计算公式如下：
[0073]
[0074] 式中，λbuy是电网的度电碳排放系数；λPV是光伏发电设备的度电碳排放系数；λES是储能设备运行的度电碳排放系数；RCO2是碳排放权交易价格；
[0075] 其中，步骤S3中第二层优化模型的约束条件如下：
[0076]
[0077] 式中，Smax是企业光伏可用最大面积；Span是单个光伏板的占地面积；Epan是单个光伏板的功率；
[0078] 其中，步骤S3中第二层优化模型通过粒子群算法求解，设置最大迭代次数为100次，作为迭代停止条件；
[0079] 其中，步骤S4中第三层优化需要首先对用户负荷进行聚类，聚类方法为Kmeans算法，其流程如下：
[0080] Step1.设置聚类个数K＝3；
[0081] Step2.从输入数据点随机选择一个点作为第一聚类中心u1；
[0082] Step3.对于数据集中每个点xi，计算其与已确定的聚类中心中，最近的聚类中心的距离D(xi),计算公式见式；
[0083]
[0084] r＝1,2,...,kselected
[0085] 式中，xi为数据集中的点；D(xi)为xi与最近的聚类中心的距离；ur为已被选择的聚类中心，也称质心；
[0086] Step4.选择新的数据点作为聚类中心，原则是D(x)越大，被选概率越大；
[0087] Step5.重复step3和step4直到选出K个聚类质心。
[0088] Step6.计算数据到各聚类中心的欧式距离d(x,y)，其计算公式如下所示，分配各数据对象到距离最近的类中；
[0089]
[0090] 式中，d(x,y)是数据点x和聚类中小u之间的欧式距离；xi和ui是第i个聚类指标的值；
[0091] Step7.重新计算各数据集的聚类中心，计算公式如下，并计算数据对象到各聚类中心的欧氏距离，将数据对象分配距离最近的类中；
[0092]
[0093] 式中，Ci是第i簇的数据集；ui是Ci的均值向量，也称质心；
[0094] Step8，判断重新计算聚类中心后，各类别中的数据对象的位置是否改变；若改变了则跳至Step6；若未变则输出聚类结果；
[0095] 其中，步骤S4中第三层优化模型的目标函数是日用户用电成本最低，其计算公式如下：
[0096]
[0097] 式中，Phigh,i、Pmid,i、Plow,i分别是聚类结果中高、中、低三类负荷的均值；
[0098] 其中，步骤S4中第三层模型的约束主要是日总用电量保持不变，高负荷保持连续，公式如下：
[0099]
[0100] Bhigh,i+Bmid,i+Blow,i＝1
[0101]
[0102] 式中，Bhigh,,i、Bmid,i、Blow,i分别式高、中、低三类负荷在第i时刻是否被选择，0代表选择，1代表不选择；
[0103] 其中，步骤S4的第三层优化模型通过构建整数线性规划模型来求解问题，求得精确解后即停止迭代。
[0104] 以某化纤制造企业的分布式光储系统容量配置为例，对本发明的效果进行说明：步骤101，获取案例的负荷数据，以及优化的系统参数；
[0105] 步骤201，采用本发明的方法，但将碳排放权交易价格设置为0且不进行第三层优化，求解即可得到不考虑碳排放和负荷管理策略的情况下，对企业经济性最佳的分布式光储系统容量配置优化结果(情景1，如图2)；
[0106] 通过方法计算，可以输出企业配置光储系统后的负荷变化(见图2)；
[0107] 步骤301，根据本发明方法，将碳排放权交易价格设置为高或低的不同价格，且不进行第三层优化，求解即可得到考虑碳排放但不考虑负荷管理策略的情况下，对企业经济性最佳的分布式光储系统容量配置优化结果(情景2，如图3)；
[0108] 通过方法计算，可以得到配置分布式光储系统对企业的碳排放的影响具体；通过方法计算，可以观察用户综合成本随着储能安装容量的变化趋势(见图4)；
[0109] 步骤401，根据本发明方法，将碳排放权交易价格设置为高或低的不同价格，且进行第三层优化，求解即可得到考虑碳排放和负荷管理策略的情况下，对企业经济性最佳的分布式光储系统容量配置优化结果(情景3)；
[0110] 通过方法计算，可以得到优化调整后的用户负荷，见图5；
[0111] 上述不同情景下系统容量配置结果对比如表1所示，可以看出，采用本发明方法可以在考虑碳排放及负荷策略基础上获得最优的光储容量配置。
[0112] 表1不同情景下系统容量配置结果汇总
[0113]
