在天气变化条件下,利用基于概率的多目标优化方法对混合能源系统的性能进行分析

《ENERGY CONVERSION AND MANAGEMENT》:Performance analysis of a hybrid energy system under weather variability using probability-based multi-objective optimization

【字体: 大 中 小 】 时间:2026年01月18日 来源:ENERGY CONVERSION AND MANAGEMENT 10.9

编辑推荐:

  基于概率场景的多目标优化框架研究混合分布式能源系统,通过整合光伏、风电、燃料电池及储能单元,同步最小化日运营成本和购电率,考虑季节与云覆盖概率情景,结合Shapley分析量化变量影响,揭示可再生能源容量与成本-可靠性权衡关系,对比不同情景下系统性能,提出概率场景建模与可解释性分析结合的方法。

  
申贤燮(Hyeon Seop Shin)| 金珍瑞(Jin Seo Kim)| 金桐燮(Tong Seop Kim)
韩国仁川市仁荷大学研究生院,邮编22212

摘要

本研究提出了一个基于概率的多目标优化框架,用于混合分布式能源系统,该系统整合了光伏发电、风力涡轮发电、磷酸燃料电池、燃气轮机联合循环单元和蓄电池储能技术。该框架在考虑季节性和云层覆盖概率情景下,同时最小化每单位发电量的日常运营成本和电力购买成本。与以往的确定性方法不同,本研究将概率建模与Shapley加性解释分析相结合,以量化主要设计变量的影响并提高优化结果的可解释性。敏感性分析表明,光伏和风能容量是影响这两个目标的最重要变量,突显了投资扩张与电网依赖性之间的明显成本-可靠性权衡。年度、季节性和概率季节性情景的比较分析显示,随着天气变化性的增加,运营成本和电力购买成本也随之上升,表明资源不确定性会导致整体性能下降。通过这种顺序案例结构(即年度、季节性和基于云层覆盖概率的概率季节性)验证的概率季节性配置,为系统设计提供了一个现实且计算上可行的框架。将概率建模与基于Shapley的分析相结合,提高了优化结果的可解释性,并为在多变天气条件下确定可再生能源容量提供了实用依据。

引言

由于工业化、城市化和数字化,全球能源需求在过去几十年里急剧增加,这一趋势预计将持续[1]。根据国际能源署(IEA)的预测,到2040年全球能源使用量将比2018年增加约25%[2]。因此,对稳定和可持续能源供应的需求变得日益紧迫。同时,由温室气体(GHG)排放引起的气候变化已成为全球性问题,许多国家已经采取了净零政策并扩大了可再生能源的部署[3]。
大多数国家仍然严重依赖大型化石燃料电厂的集中式发电[4],这些电厂占据了温室气体排放的主要份额。实现碳中和需要向可再生能源更广泛地转型。尽管如此,光伏(PV)和风力涡轮机(WT)等技术通常以小规模的方式在本地安装,这使得向需求中心的传输损耗不可避免。这种情况凸显了分布式发电(DG)作为集中式系统的实际替代方案[5]。
分布式发电与可再生能源的可变性和分散性特性相兼容[6]。当电力在更接近需求中心的地方产生时,传输损耗减少,系统韧性得到提升,因为可以更灵活地整合多种资源[7]。分布式发电与光伏和风力涡轮机特别适用,因为小型发电单元分布在各个区域[8]。
分布式发电面临的一个关键挑战是管理光伏和风力涡轮机固有的间歇性问题。光伏和风力涡轮机的输出会随天气条件波动,这常常导致供需不匹配[9]。当发电量超过需求时,必须储存多余的电力;而在发电量不足时,则需要从电网进口电力。然而,过度扩大储能设施以减少对电网的依赖会显著增加成本。因此,需要一个优化的设计来确定可再生能源容量,操作如燃气轮机联合循环(GTCC)和燃料电池(FC)等灵活的发电单元,并制定电池充放电策略[10]。
许多研究探讨了分布式发电的优化问题,主要使用确定性或年度时间序列数据来提高经济性能和自给自足能力。Heydari等人[11]将Moth-Flame优化算法与Taguchi方法相结合,以提高混合微电网的性能;Parvin等人[12]使用每小时气象数据应用多目标粒子群优化(MOPSO)来优化并网系统;Ouederni等人[13]应用Chameleon Swarm算法评估资源间歇性;Ouederni等人[14]将元启发式优化扩展到混合多源配置。
尽管这些确定性框架能够捕捉运营动态,但当包含高分辨率数据集和具有小时级控制的灵活组件(如GTCC和FC)时,它们往往会导致计算负担过重。随着决策变量数量的增加,搜索过程可能收敛到低质量的帕累托前沿或需要过长的计算时间,这限制了其在实际规划中的可行性。为了解决这个问题,提出了基于概率和情景的方法作为表示可再生能源变异性的更易处理的替代方案。这些方法在保持真实天气多样性的同时,通过生成具有概率权重的代表性情景显著减少了总计算负荷。
最近的研究揭示了这种概率形式的优势。Faraji等人[15]开发了一个基于蒙特卡洛模拟(MCS)的概率调度模型,用于Prosumer微电网,并比较了几种情景简化算法,包括k-means、k-medoids和差分进化。他们的结果表明,与确定性方法相比,概率建模提高了准确性,并通过聚类显著减少了计算时间。Habibi等人[16]采用了一种两点估计方法——一种使用代表性点近似概率分布的有效随机技术——并将其与模糊多目标增强型灰狼优化器结合,以管理可再生能源和负荷的不确定性。这些研究共同验证了基于概率情景的优化在提高可靠性和成本性能方面的有效性。另一方面,它们主要集中在推导最优调度方案上,对于某些设计变量为何占主导地位或它们之间如何相互作用缺乏深入分析。因此,大多数优化框架被视为“黑箱”,未能充分解释变量相互作用的物理和经济影响。
本研究开发了一个基于概率加权的情景多目标优化框架,将云层覆盖概率作为表示可再生能源变异性的关键因素。此外,引入了基于SHAP(Shapley加性解释)的可解释性分析,以定量评估每个设计变量对两个目标(每单位能源输出的日常运营成本(DOCPE)和电力购买成本(EPR)的贡献。这一综合框架提高了计算效率,并为优化结果提供了透明的解释,实现了确定性优化与可解释系统设计之间的桥梁。

方法部分

方法

本节概述了用于在概率天气条件下评估混合分布式发电系统的方法论框架。整个过程包括三个主要阶段:数据预处理、组件建模和优化。基于季节性和云层覆盖变化的天气情景被用来表示可再生能源的变异性,同时保持计算效率。

结果与讨论

根据不同的天气表示水平定义了三种情况,这些情况直接影响目标函数的评估方式。表4总结了每种情况下天气条件的处理方式。案例1仅考虑年度平均条件作为一个单一情景,而案例2和3基于季节性数据。案例3进一步纳入了云层覆盖的概率分布,从而更详细地表示了天气的变异性。

结论

将基于概率的多目标优化应用于集成可再生能源、非可再生能源和储能单元的混合能源系统。该分析在考虑不同天气情景的同时,评估了系统设计和运营策略,并共同优化了电力购买成本(EPR)和每单位能源输出的日常运营成本(DOCPE)。主要结果和结论总结如下:
  • •
    增加可再生能源容量通常会提高系统的自给自足能力,而更大的变异性和间歇性则需要进一步扩展
  • 作者贡献声明

    申贤燮(Hyeon Seop Shin):撰写——原始草案、验证、软件开发、方法论、调查、正式分析、数据整理、概念化。金珍瑞(Jin Seo Kim):撰写——审阅与编辑、软件开发、调查、概念化。金桐燮(Tong Seop Kim):

    利益冲突声明

    作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

    致谢

    本研究得到了韩国国家研究基金会(NRF)(由韩国政府(MSIT)资助,项目编号RS-2023-00208318)和韩国贸易、工业和能源部(MOTIE)(项目编号202502662968)的支持。
    相关新闻
    生物通微信公众号
    微信
    新浪微博

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号