《Sustainability》：Design and Optimal Sizing of a Photovoltaic/Wind/Diesel/Battery Nanogrid Using Different Multi-Objective Enhanced Algorithms: Application to a Residential Off-Grid Site in Algeria
编辑推荐：
摘要翻译：本研究考虑了阿尔及利亚杰勒法省某离网地区住宅负荷供电的独立混合纳米电网系统（HNGS）的多目标优化。研究重点是获得由光伏（PV）面板、风力涡轮机（WT）、电池储能（BT）、柴油发电机（DG）和功率变换器组成的独立混合纳米电网系统的最优设计，以满足阿尔
摘要翻译：本研究考虑了阿尔及利亚杰勒法省某离网地区住宅负荷供电的独立混合纳米电网系统（HNGS）的多目标优化。研究重点是获得由光伏（PV）面板、风力涡轮机（WT）、电池储能（BT）、柴油发电机（DG）和功率变换器组成的独立混合纳米电网系统的最优设计，以满足阿尔及利亚杰勒法省住宅用户的能源需求。在此背景下，采用四种多目标优化算法（MOPs），即NSGA-II、MOPSO、MOSSA和MODE，来解决所提出系统的最优配置问题。所构建的多目标优化问题考虑了多种性能标准，如能源成本（COE）、供电损失概率（LPSP）、可再生能源渗透率以及柴油发电机使用减少量，平衡了经济性、可靠性和可持续性方面。优化过程针对实际运行场景，优化了关键设计参数，包括光伏系统规模、风力涡轮机数量和电池储能系统规模。优化算法与能量管理策略（EMS）相结合，该策略有助于协调系统各部分之间的功率流分配，以实现最优系统性能。基于所得结果分析了每种所提方法的有效性，研究发现MODE算法提供了最佳折中解，其COE为0.167美元/kWh，LPSP为6.372%，与MOPSO、NSGA-II和MOSSA相比，二氧化碳排放量最低，为205.1 kg/年。此外，该过程获得的结果将提供一组可行的设计方案，使决策者能够根据技术和经济规格选择最合适的设计方案。
论文解读文章：
**研究背景与问题**
现代文明正面临因化石资源枯竭、快速工业化和日益城市化引发的能源危机，这一危机威胁着全球各国的能源安全。尽管世界在可再生能源技术方面取得了巨大进步，但农村和岛屿社区仍持续受到电力短缺的影响。联合国开发计划署强调，全球超过25%的人口（主要在农村地区）无法获得电力。这些社区地理上孤立，位于陡坡或茂密森林等困难地区，这使得延伸输电线路成本极高甚至不可能。可再生能源（如风能、太阳能和水能）因其可获取性、丰富性和清洁性，成为满足这些偏远社区能源需求的有效替代方案。纳米电网（NG）是一种具有自身管理、控制方法、成本、电压和容量的单一电力系统，通常为单个消费者（如小型建筑或单户住宅）设计的配电系统。在阿尔及利亚，针对小型离网纳米电网系统的多目标优化研究非常少。以往研究大多只使用一种或两种算法，难以进行稳健的比较；成本模型通常基于简化模型，忽略了详细的净现值成本（NPC）组成部分和变效率变换器建模；环境指标如CO2排放也不一定一致地纳入优化过程。因此，本研究针对阿尔及利亚杰勒法省哈西巴赫巴市的一个住宅负荷，开展光伏-风电-柴油-电池纳米电网系统的多目标优化研究，采用四种多目标算法（MOPSO、MODE、NSGA-II和MOSSA）在相同的气象和负荷条件下进行比较，并引入变效率逆变器模型、超体积指标和基于规则的改进能量管理策略。
**研究内容与结论**
研究人员设计了一个由光伏阵列、风力涡轮机、电池储能系统、柴油发电机和功率变换器组成的独立纳米电网系统，为阿尔及利亚杰勒法省杰勒法市的一个由十个住宅单元组成的社区供电。研究采用真实的小时级用电数据和NASA气象数据集（太阳辐照度、风速、环境温度），建立了包含经济（COE）、可靠性（LPSP）、环境（CO2排放和柴油消耗）和可再生能源渗透率的多目标优化模型。四种多目标优化算法（NSGA-II、MOPSO、MODE和MOSSA）与规则型能量管理策略相结合，确定最优的PV模块数量、风机数量和电池自给天数。研究结果表明，MODE算法提供了最佳折中解，COE为0.167美元/kWh，LPSP为6.372%，CO2排放量最低（205.1 kg/年）。研究还通过超体积指标评估了Pareto前沿质量，MODE的HV值最高（0.891±0.018），表明其收敛性和多样性最优。该研究为阿尔及利亚偏远地区的离网电气化提供了可行设计参考，决策者可根据技术和经济指标选择合适方案。论文发表在《Sustainability》期刊。
**关键技术方法**
本研究采用的关键技术方法包括：（1）四种多目标优化算法：非支配排序遗传算法II（NSGA-II）、多目标粒子群优化（MOPSO）、多目标樽海鞘群算法（MOSSA）和多目标差分进化（MODE）；（2）基于规则的动态优先级能量管理策略（EMS），包含SOC滞回、自给天数约束和泄放负载模式；（3）Macagnan变效率逆变器模型，用于精确估算功率转换损耗；（4）超体积（HV）指标量化Pareto前沿质量；（5）Wilcoxon秩和检验验证算法间差异的统计显著性。样本数据来源于阿尔及利亚杰勒法省（34.346°N，3.163°E）的NASA气象数据集和住宅负荷实测数据（2024年1月1日至12月31日）。
**研究结果**
**Pareto前沿分析**：四种算法均产生了分布良好的非支配解集，COE与LPSP之间存在反比关系。MODE算法获得的Pareto前沿最均匀，COE范围为0.043至0.167美元/kWh，LPSP保持在10%以下；MOPSO和NSGA-II提供了中等成本和可靠性方案；MOSSA的COE值较高（最高达1.68美元/kWh），但LPSP较低（最低5.838%）。
**超体积指标评估**：MODE获得最高HV值（0.891±0.018），表明其收敛到真实Pareto前沿且多样性优异；MOPSO（0.864±0.021）和NSGA-II（0.847±0.019）次之；MOSSA（0.623±0.035）因部分高COE解导致HV显著较低。Wilcoxon秩和检验（α=0.05）证实这些差异具有统计学显著性（p<0.05）。
**最优配置比较**：MODE算法获得最低COE（0.167美元/kWh），配置为43.05个PV模块、10台风机、11个电池单元和2.329天自给天数；MOPSO的COE为0.178美元/kWh，配置为40.079个PV模块、9.939台风机、9个电池单元和1.238天自给天数；NSGA-II的COE为0.185美元/kWh，配置了最多14个电池单元；MOSSA因COE高达1.68美元/kWh而接近次优区域。
**能量分配结构**：不同算法导致不同的能量混合结构。MOPSO方案中PV贡献62%、电池28%、风电7%、柴油仅3%；MODE方案中PV占60%、风电23%、电池10%、柴油7%；NSGA-II方案中PV占61%、风电15%、电池15%、柴油9%；MOSSA方案中电池为主（43%）、PV占40%、风电12%、柴油5%。所有方案均保持柴油贡献较低，其中MOPSO的可再生能源占比最高。
**电池SOC验证**：MOPSO算法下电池SOC始终保持在预设范围内（20%-80%），验证了所提EMS的有效性。
**讨论与结论**
讨论部分指出，本研究的LPSP值（5-7%）对于发展中国家的农村离网系统是可接受的，符合阿尔及利亚等地区的标准。与已有研究相比，本研究在同等地点（杰勒法）相比Belboul等[18]实现了COE降低30.2%、LPSP降低75.7%的改进，这归因于改进的EMS和引入变效率逆变器模型。研究结论强调，MODE算法在实现高效紧凑的HNGS配置方面表现优异，最优方案中PV满足60%的负荷需求，电池提供10%的储能支持，风电贡献23%，柴油发电机仅作为备用提供7%的电力，最终能量成本为0.167美元/kWh，LPSP为6.372%，展现了良好的经济效率和运行可靠性。该研究为阿尔及利亚偏远地区构建可持续离网供电系统提供了有效方法，并为决策者提供了全面的技术经济比较框架。
