IGBT和MOSFET基逆变器中的精确损耗估计方法

《Results in Engineering》:Accurate Loss Estimation Method in IGBT and MOSFET Based Inverters

【字体: 大 中 小 】 时间:2026年02月02日 来源:Results in Engineering 9.4

编辑推荐:

  研究人员提出了一种多目标随机框架(multi-objective stochastic framework),用于并网混合系统(hybrid system)的最优运行,该系统包含光伏(photovoltaic, PV)、生物质(biomass)和电池储能(ba

  
研究人员提出了一种多目标随机框架(multi-objective stochastic framework),用于并网混合系统(hybrid system)的最优运行,该系统包含光伏(photovoltaic, PV)、生物质(biomass)和电池储能(battery storage),并考虑负荷不确定性(load uncertainty)。为了最优确定与电网的电力交换,研究人员定义了一个基于场景的目标函数(scenario-based objective function),该函数将三点估计法(three-point estimation method, 3PEM)集成到多目标随机框架中,以模拟负荷的随机行为。作为两个相互冲突的目标,运行成本(operating cost)和二氧化碳(CO2)排放被同时最小化,使用了两种优化方法。首次开发了多目标探索-开发算法(multi-objective exploration-exploitation, MO-E2)并将其应用于混合能源系统的优化,结果与多目标乌鸦搜索算法(multi-objective crow search algorithm, MO-CSA)在确定性和随机场景下进行了比较,考虑了不同的可靠性水平。案例研究表明,所提出的多目标随机框架具有高效性,能够带来更大的灵活性和更明智的决策。在确定性全负荷满足条件下,当考虑最小排放解时,与最小成本解相比,MO-E2实现了二氧化碳(CO2)排放量减少20.7%。对于随机帕累托前沿(Pareto front)上的最小成本解,当允许5%的未满足负荷时,与确定性场景相比,运行成本和二氧化碳(CO2)排放分别增加了13%和4.6%。
**论文解读:基于多目标随机框架的并网光伏-生物质-电池混合系统最优运行研究**

**研究背景与问题**
化石燃料的使用导致酸雨、臭氧层破坏、空气污染和全球变暖等环境问题,同时引发经济和政治危机。化石燃料的枯竭进一步推高了其成本,促使各国政府寻求环境清洁且成本效益高的能源。可再生能源(如光伏、风电、水电和生物质)不仅能减少碳排放,还能提供经济高效的能源供应,并在配电网络中作为分布式能源资源(DERs)提高可靠性、改善电压分布和降低损耗。然而,可再生能源的间歇性使其难以单独使用,通常以混合系统形式运行,通过互补发电特性提供清洁、可靠且经济的能源供应。混合系统可分为离网和并网两种类型,并网系统因能通过购买和出售电力管理可再生能源波动而具有优势,例如降低平准化能源成本(LCOE)、提高可靠性和减少二氧化碳(CO2)排放。

现有研究多集中于混合系统的规划与容量优化,而对运行优化,特别是多目标框架下的研究较少。在运行优化中,不确定性(如负荷、光伏发电、风电出力、电价等)是关键参数,但确定性模型假设所有输入精确已知,忽略了实际波动,导致解不现实。已有研究采用信息间隙决策理论(IGDT)、云模型、概率场景分析和随机规划等方法建模不确定性,但三点估计法(3PEM)因其快速、简单且精度合理的特点而受到关注。此外,并网系统的最优运行还需确定与电网的电力交换,增加了问题复杂性。目前,针对并网光伏-生物质-电池混合系统的多目标运行优化研究尚不充分,尤其是考虑负荷不确定性的情况。为此,研究人员开展了本研究,旨在提出一种多目标随机框架,同时最小化运行成本与二氧化碳(CO2)排放,并首次开发多目标探索-开发算法(MO-E2)进行求解。论文发表在《Results in Engineering》。

**主要技术方法**
研究人员采用三点估计法(3PEM)建模负荷不确定性,生成三个场景(乐观、最可能、悲观),并集成到多目标随机框架中。为求解优化问题,开发了多目标探索-开发算法(MO-E2),该算法基于探索与开发概念,通过随机选择策略更新解的位置,并利用非支配解存档(NDSA)保存帕累托前沿(Pareto front)。与多目标乌鸦搜索算法(MO-CSA)进行对比,两种算法均运行50次,取总非支配解作为最终帕累托前沿。案例数据来源于文献[34]的负荷和辐射数据,以及文献[35]的电价数据(包含非高峰、中高峰和高峰三级价格)。系统配置包括150块SunPower SPR-305-WHT光伏模块(转换效率18.70%,逆变器效率95%)、一个50千瓦(kW)生物质系统和一个50千瓦时(kWh)电池储能系统(初始荷电状态50%)。碳排放因子中,电网(γg)为0.6 kg-CO2/kWh,生物质系统(γb)为0.307 kg-CO2/kWh。

**研究结果**
**4.1 确定性场景**
在确定性场景下,假设负荷等于预测值,运行成本(COEsys)和二氧化碳(CO2)排放(Emsys)作为目标,并考虑不同可靠性指数(EIRd)值(1、0.98、0.95)。通过MO-E2和MO-CSA求解,得到帕累托前沿。结果表明,MO-E2在大多数区域优于MO-CSA,尤其在低排放区域。当EIRd=1时,最小成本解(由MO-CSA获得)为26.78美元和257.67千克CO2;最小排放解(由MO-E2获得)为43.08美元和204.33千克CO2,相比最小成本解,排放减少20.7%,成本增加60.9%。当EIRd=0.98时,最小成本解(MO-CSA)的成本和排放分别为24.78美元和250.37千克CO2;最小排放解(MO-CSA)为39.45美元和175.79千克CO2,排放减少29.79%,成本增加59.20%。当EIRd=0.95时,最小成本解(MO-E2)为23.25美元和241.92千克CO2,相比EIRd=1,成本降低13.19%,排放降低6.51%。通过距离分布指数(DI)评估,MO-E2的帕累托前沿分布与MO-CSA可比。

**4.2 随机场景**
在随机场景下,采用3PEM建模负荷不确定性,生成乐观、最可能和悲观三个场景,并加权求和计算随机目标函数。当EIRd=0.95时,MO-CSA的帕累托前沿优于MO-E2;最小成本解(MO-CSA)为26.50美元和253.14千克CO2,与确定性场景相比,成本增加13%,排放增加4.6%;最小排放解(MO-CSA)为39.65美元和173.03千克CO2。电池荷电状态(SOC)分析显示,乐观场景下SOC更高,表明更低的负荷可实现更可靠的运行。当EIRd=0.93时,最小成本解(MO-E2)为25.73美元和233.20千克CO2;最小排放解(MO-CSA)为39.20美元和160.47千克CO2。当EIRd=0.90时,最小成本解(MO-E2)为24.58美元和212.22千克CO2;最小排放解(MO-CSA)为37.86美元和144.93千克CO2。DI值显示,MO-E2的帕累托前沿分布更均匀。

**总结与讨论**
讨论部分强调,本研究仅考虑负荷不确定性,未来可纳入光伏发电和电价不确定性;能源管理规则(EMS)为启发式,其最优性有待进一步研究;多日或季节性运行是另一个有前景的方向。研究结论如下:
- 在确定性场景下,当负荷完全满足时,最小成本解(MO-CSA)对应26.78美元和257.67千克CO2;最小排放解(MO-E2)对应43.08美元和204.33千克CO2。与最小成本解相比,运行成本增加约60.9%,二氧化碳(CO2)排放减少20.7%。
- 在确定性场景下,当允许5%未满足负荷时,最小成本解(MO-E2)对应23.25美元和241.92千克CO2;最小排放解(MO-CSA)对应40.40美元和145.10千克CO2。与最小成本解相比,运行成本增加73.8%,二氧化碳(CO2)排放减少约40%。
- 在随机场景下,当允许5%未满足负荷时,最小成本解(MO-CSA)对应26.50美元和253.14千克CO2。与确定性场景相比,运行成本和二氧化碳(CO2)排放分别增加13%和4.6%。从运营者角度看,不确定性评估有助于根据偏好做出决策,并使系统对负荷变化具有鲁棒性。在随机场景下,最小排放解(MO-CSA)对应39.65美元和173.03千克CO2,与最小成本解相比,运行成本降低1.9%,二氧化碳(CO2)排放增加19.3%。
- 若运营者希望从帕累托前沿中部选择解(平衡目标),MO-E2的结果比MO-CSA更精确。
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