基于風(fēng)光資源特性的獨(dú)立微電網(wǎng)電源優(yōu)化配置方法

林凌雪 廖碧英 管霖

(華南理工大學(xué) 電力學(xué)院，廣東 廣州 510640)

電源優(yōu)化配置是微電網(wǎng)規(guī)劃設(shè)計(jì)階段的一個(gè)重要內(nèi)容，受當(dāng)?shù)刎?fù)荷水平、地理情況和氣候條件等因素的影響，其中氣候條件對(duì)風(fēng)光發(fā)電設(shè)備的配置起了決定性作用。根據(jù)不同地區(qū)的自然資源特性，研究不同風(fēng)光資源條件下微電網(wǎng)的電源優(yōu)化配置，對(duì)提升微電網(wǎng)的規(guī)劃水平和提高清潔能源的利用效率具有重要的意義。“風(fēng)/光/儲(chǔ)”是最典型的獨(dú)立微電網(wǎng)電源組合方式，以風(fēng)力發(fā)電和光伏發(fā)電為主，儲(chǔ)能裝置作為備用和補(bǔ)充、維護(hù)系統(tǒng)的穩(wěn)定。

分析風(fēng)光資源特性需要建立科學(xué)合理的風(fēng)光資源指標(biāo)評(píng)價(jià)體系與評(píng)價(jià)方法。目前國(guó)內(nèi)外關(guān)于風(fēng)能資源評(píng)價(jià)[1]和光伏資源評(píng)價(jià)[2]的研究較多，國(guó)內(nèi)風(fēng)電光伏行業(yè)已有一些規(guī)范的指標(biāo)評(píng)價(jià)體系，如2013年國(guó)家能源局發(fā)布了NB/T 31045—2013風(fēng)電場(chǎng)運(yùn)行指標(biāo)與評(píng)價(jià)導(dǎo)則，2016年發(fā)布了光伏電池行業(yè)清潔生產(chǎn)評(píng)價(jià)指標(biāo)體系，但從電源規(guī)劃層面進(jìn)行風(fēng)光總體資源評(píng)價(jià)的研究較少。文獻(xiàn)[3]從運(yùn)行層面對(duì)多種清潔能源互補(bǔ)發(fā)電提出了一種考慮多指標(biāo)綜合評(píng)價(jià)的多能互補(bǔ)方法。文獻(xiàn)[4]采用平均距平百分率和變異系數(shù)作為衡量年內(nèi)發(fā)電量波動(dòng)性的指標(biāo)，給出了以發(fā)電量年內(nèi)波動(dòng)性最小為目標(biāo)的風(fēng)電/光伏容量?jī)?yōu)化配置方法。在指標(biāo)評(píng)價(jià)方法方面，文獻(xiàn)[5]針對(duì)光伏資源利用水平，提出了基于熵權(quán)法的模糊綜合評(píng)價(jià)模型，但在進(jìn)行權(quán)重計(jì)算時(shí)，僅考慮了客觀權(quán)重，過(guò)于依賴指標(biāo)數(shù)據(jù)的信息量，未考慮主觀權(quán)重，忽略了指標(biāo)所代表的現(xiàn)實(shí)意義。文獻(xiàn)[6]基于灰色評(píng)價(jià)法對(duì)風(fēng)光互補(bǔ)系統(tǒng)的可靠性進(jìn)行評(píng)價(jià)，采用熵權(quán)-層次分析法計(jì)算權(quán)重，雖然同時(shí)考慮了客觀和主觀權(quán)重，但層次分析法需要進(jìn)行一致性檢驗(yàn)，且在指標(biāo)數(shù)較多時(shí)不能準(zhǔn)確體現(xiàn)專家的意愿。

在獨(dú)立微電網(wǎng)電源優(yōu)化配置模型方面，現(xiàn)有研究中關(guān)于優(yōu)化目標(biāo)的建立，通?？紤]了經(jīng)濟(jì)性[7]、環(huán)境污染[8]、供電可靠性[9]、棄風(fēng)棄水量[10]和風(fēng)光資源不確定性[11]等。文獻(xiàn)[12]以總凈現(xiàn)成本最低為優(yōu)化目標(biāo)，分析了不同補(bǔ)貼方式對(duì)電源容量配置優(yōu)化結(jié)果的影響，結(jié)果表明，按發(fā)電量補(bǔ)貼的整體總成本比按投資安裝補(bǔ)貼更少。關(guān)于運(yùn)行約束，除了基本的機(jī)組出力等約束，文獻(xiàn)[13]還考慮了可控負(fù)荷對(duì)系統(tǒng)運(yùn)行成本及棄風(fēng)光率的影響。文獻(xiàn)[14- 15]考慮了多個(gè)目標(biāo)的電源配置模型，并采用多目標(biāo)優(yōu)化算法對(duì)構(gòu)建的多目標(biāo)模型進(jìn)行求解。文獻(xiàn)[16]分析了不同獨(dú)立微電網(wǎng)電源容量配置優(yōu)化模型的差異及其造成的原因。

然而，現(xiàn)有模型很少考慮不同風(fēng)光資源條件下獨(dú)立微電網(wǎng)的電源優(yōu)化配置問(wèn)題。為此，本文提出了基于風(fēng)光資源特性的獨(dú)立微電網(wǎng)電源優(yōu)化配置方法。首先構(gòu)建包含風(fēng)電資源、光伏資源和風(fēng)光互補(bǔ)3類指標(biāo)的風(fēng)光資源指標(biāo)評(píng)價(jià)體系；接著提出了基于熵權(quán)-復(fù)相關(guān)系數(shù)-序關(guān)系分析的主客觀組合權(quán)重法，并采用模糊評(píng)價(jià)和灰色評(píng)價(jià)方法對(duì)風(fēng)光資源特性進(jìn)行分析；然后基于生成對(duì)抗網(wǎng)絡(luò)(GAN)的場(chǎng)景模擬生成法和K- 中心點(diǎn)的場(chǎng)景聚類消減法構(gòu)建了微電網(wǎng)場(chǎng)景模型，并建立了考慮經(jīng)濟(jì)性、供電可靠性和環(huán)保性的多目標(biāo)電源配置優(yōu)化模型，采用線性規(guī)劃算法進(jìn)行求解；最后進(jìn)行獨(dú)立微電網(wǎng)電源配置優(yōu)化，以驗(yàn)證所提方法的可行性，并分析了代表地區(qū)的電源配置結(jié)果的差異及規(guī)律，以期為獨(dú)立微電網(wǎng)電源配置提供參考。

1 我國(guó)不同地區(qū)的風(fēng)光資源評(píng)估

1.1 風(fēng)光資源指標(biāo)評(píng)價(jià)體系

本文從電源規(guī)劃配置層面，構(gòu)建風(fēng)光資源指標(biāo)評(píng)價(jià)體系，包括風(fēng)電資源評(píng)價(jià)指標(biāo)、光伏資源評(píng)價(jià)指標(biāo)和風(fēng)光互補(bǔ)評(píng)價(jià)指標(biāo)。其中，從出力大小、有效利用時(shí)數(shù)和出力波動(dòng)性方面評(píng)價(jià)風(fēng)電資源和光伏資源；從晝夜互補(bǔ)、季節(jié)互補(bǔ)方面評(píng)價(jià)風(fēng)光互補(bǔ)的影響。風(fēng)光資源的指標(biāo)評(píng)價(jià)體系如圖1所示。

圖1 獨(dú)立微電網(wǎng)風(fēng)光資源指標(biāo)評(píng)價(jià)體系

風(fēng)能的大小與風(fēng)速、氣溫和大氣壓強(qiáng)有關(guān)，可用風(fēng)功率密度D風(fēng)表示，

(1)

式中，p為大氣壓強(qiáng)，v為風(fēng)速，T為氣體的熱力學(xué)溫度，R為氣體常數(shù)。

因此，風(fēng)能的出力大小用平均風(fēng)速、平均氣溫和平均大氣壓強(qiáng)表征，風(fēng)能的有效利用時(shí)數(shù)和出力波動(dòng)性分別采用有效風(fēng)速時(shí)數(shù)和風(fēng)速波動(dòng)量表征。其中風(fēng)速波動(dòng)量Δv為統(tǒng)計(jì)周期內(nèi)相鄰單位時(shí)間平均風(fēng)速變化值之和，由于風(fēng)速波動(dòng)性大，因此統(tǒng)計(jì)一年內(nèi)每個(gè)小時(shí)的風(fēng)速變化，其計(jì)算公式如下：

(2)

光伏的出力大小與輻射強(qiáng)度和溫度有關(guān)[17]，因此采用平均輻射強(qiáng)度和平均溫度表征。光伏的有效利用時(shí)數(shù)和出力波動(dòng)性分別采用有效光照時(shí)數(shù)和輻射強(qiáng)度波動(dòng)量表征。其中輻射強(qiáng)度波動(dòng)量ΔQ為統(tǒng)計(jì)一年內(nèi)每日平均輻射強(qiáng)度變化之和，體現(xiàn)了輻射強(qiáng)度波動(dòng)的日特性和季節(jié)特性，其計(jì)算公式如下：

(3)

由于光伏只能白天出力，且夏季出力比冬季多，若某地夜間風(fēng)速比白天大、冬季風(fēng)速比夏季大，則其風(fēng)能和光伏具有天然的互補(bǔ)優(yōu)勢(shì)，有利于獨(dú)立微電網(wǎng)電源配置。因此,對(duì)于風(fēng)光互補(bǔ)性考慮兩個(gè)方面：晝夜互補(bǔ)和季節(jié)互補(bǔ)，分別采用晝夜風(fēng)速之差Δv晝夜、風(fēng)速季節(jié)變化量Δv季節(jié)表征，其計(jì)算公式如下：

(4)

Δv季節(jié)=v冬-v夏

(5)

式中，v夜為傍晚6點(diǎn)至凌晨6點(diǎn)之間的平均風(fēng)速，v晝?yōu)榱璩?點(diǎn)至傍晚6點(diǎn)之間的平均風(fēng)速，v冬為1月1日至3月20日和9月24日至12月31日的平均風(fēng)速，v夏為3月21日至9月23日的平均風(fēng)速(我國(guó)屬于北半球，考慮南半球地區(qū)時(shí)則相反)。

1.2 風(fēng)光資源綜合評(píng)價(jià)方法

模糊評(píng)價(jià)可獲得各地區(qū)各類指標(biāo)的評(píng)價(jià)等級(jí)，能直觀反映各地區(qū)風(fēng)光資源各類指標(biāo)的優(yōu)劣勢(shì)，但無(wú)法比較相同評(píng)價(jià)等級(jí)的地區(qū)?；疑u(píng)價(jià)可以清晰對(duì)比出不同地區(qū)風(fēng)光資源水平的大小，其中灰色關(guān)聯(lián)度可以作為表示風(fēng)光資源水平總體情況的指標(biāo)。因此，本文采用模糊評(píng)價(jià)和灰色評(píng)價(jià)相結(jié)合的方法對(duì)風(fēng)光資源指標(biāo)進(jìn)行分析，兩種評(píng)價(jià)方法側(cè)重點(diǎn)不同，可以從不同層面綜合評(píng)價(jià)風(fēng)光資源特性。在計(jì)算權(quán)重時(shí)，本文提出了基于熵權(quán)-復(fù)相關(guān)系數(shù)-序關(guān)系分析的主客觀組合權(quán)重法。其整體流程圖見(jiàn)圖2。

圖2 風(fēng)光資源綜合評(píng)價(jià)方法的流程圖

1.2.1 主客觀組合權(quán)重法

在指標(biāo)體系評(píng)價(jià)過(guò)程中，各指標(biāo)的權(quán)重會(huì)對(duì)評(píng)價(jià)結(jié)果產(chǎn)生重大的影響，本文采用客觀和主觀權(quán)重組合的計(jì)算方法，可以綜合考慮指標(biāo)數(shù)據(jù)的信息量和指標(biāo)所代表的現(xiàn)實(shí)意義。

基于熵權(quán)法的客觀權(quán)重取決于指標(biāo)信息的多少和質(zhì)量，但沒(méi)有考慮到指標(biāo)間信息存在重疊的情況；復(fù)相關(guān)系數(shù)法可以減小指標(biāo)間重復(fù)信息的影響，適用于指標(biāo)間存在錯(cuò)綜復(fù)雜關(guān)系的情況，可用于改良客觀權(quán)重?；谛蜿P(guān)系分析法的主觀權(quán)重?zé)o需一致性檢驗(yàn)，且在指標(biāo)數(shù)量較多時(shí)，可以解決因?qū)＜遗袛鄷r(shí)猶豫而造成的“判斷不完全”問(wèn)題。主客觀組合權(quán)重法的流程圖如圖3所示。

圖3 主客觀組合權(quán)重法的流程圖

1)基于熵權(quán)法的客觀權(quán)重法

(2)計(jì)算第j項(xiàng)指標(biāo)的熵值

(6)

式中，k=(lnm)-1，當(dāng)pij=0時(shí)pijlnpij=0。

(7)

2)基于復(fù)相關(guān)系數(shù)法的客觀權(quán)重法

(8)

3)基于序關(guān)系分析法的主觀權(quán)重法

序關(guān)系分析法通過(guò)對(duì)指標(biāo)的重要性進(jìn)行排序，根據(jù)序關(guān)系確定權(quán)重，序關(guān)系越重要，權(quán)重越大，其步驟如下：

(2)給出序關(guān)系中相鄰指標(biāo)間相對(duì)重要程度的比較判斷。專家根據(jù)對(duì)相鄰指標(biāo)xj-1與xj的重要程度的判斷給出其權(quán)重之比,即

aj=wj-1/wj,j=2,3,…,m

(9)

相鄰指標(biāo)重要程度的比較分為同樣重要、稍微重要、明顯重要、強(qiáng)烈重要、極端重要5個(gè)等級(jí)，aj依次取值為1.0、1.2、1.4、1.6、1.8。

(3)計(jì)算權(quán)重系數(shù)wj。根據(jù)式(9)及權(quán)重之和為1，先求得指標(biāo)xm的權(quán)重wm，并依次算出其余指標(biāo)的權(quán)重

(10)

4)基于最小二乘優(yōu)化的組合權(quán)重法

組合權(quán)重是對(duì)幾種單一權(quán)重進(jìn)行組合，合理的組合方式應(yīng)兼顧各權(quán)重的優(yōu)點(diǎn)。通過(guò)加權(quán)平均合成的組合方式容易產(chǎn)生組合權(quán)重方差較大的問(wèn)題，通過(guò)乘法合成可能會(huì)導(dǎo)致“倍增效應(yīng)”，因此本文采用基于最小二乘的優(yōu)化法計(jì)算最優(yōu)組合權(quán)重，可獲得較為科學(xué)合理的組合權(quán)重，具體過(guò)程如下：

以主客觀權(quán)重組合為例，假設(shè)各指標(biāo)的主觀權(quán)重為Wz=[wz1,wz2,…,wzm]T，客觀權(quán)重為Wk=[wk1,wk2,…,wkm]T，各指標(biāo)的優(yōu)化組合權(quán)重為Wc=[wc1,wc2,…,wcm]T，計(jì)算標(biāo)準(zhǔn)化矩陣Xn×m中第i個(gè)被評(píng)價(jià)對(duì)象的評(píng)價(jià)值,即

(11)

基于最小二乘優(yōu)化法，以主客觀權(quán)重下的評(píng)價(jià)值和組合權(quán)重的評(píng)價(jià)值偏差最小為目標(biāo)，建立優(yōu)化組合評(píng)價(jià)模型，其表達(dá)式如下：

[(wkj-wcj)xij]2}

(12)

求解式(12)，得到組合權(quán)重

(13)

1.2.2 模糊評(píng)價(jià)和灰色評(píng)價(jià)

模糊評(píng)價(jià)基于模糊數(shù)學(xué)的線性變換原理和最大隸屬度原則，其評(píng)價(jià)過(guò)程如下：先確定指標(biāo)的評(píng)價(jià)等級(jí)，一般劃分為3～5個(gè)等級(jí)；再分別確定各指標(biāo)的隸屬度向量，獲得模糊評(píng)判矩陣；然后對(duì)模糊評(píng)判矩陣和已求得的組合權(quán)值進(jìn)行線性變化運(yùn)算，可得到模糊評(píng)價(jià)向量；最后根據(jù)最大隸屬度原則確定評(píng)價(jià)等級(jí)，流程如圖2所示。

根據(jù)模糊數(shù)學(xué)理論，5級(jí)制能對(duì)被評(píng)價(jià)對(duì)象作出較準(zhǔn)確的描述，因此劃分風(fēng)光資源指標(biāo)的評(píng)價(jià)等級(jí)為V={v1,v2,v3,v4,v5}，對(duì)應(yīng)評(píng)語(yǔ)為{差，較差，一般，較好，好}。模糊評(píng)價(jià)的關(guān)鍵在于隸屬度函數(shù)的構(gòu)造，基于風(fēng)光資源的分布特點(diǎn)，本文采用如下高斯函數(shù)構(gòu)造隸屬度函數(shù)：

(14)

式中，x為指標(biāo)的原始數(shù)據(jù)。

評(píng)價(jià)等級(jí)的隸屬度函數(shù)和分級(jí)界限如圖4所示。

圖4 等級(jí)隸屬度函數(shù)與分級(jí)界限

確定隸屬度函數(shù)形式后，指標(biāo)分級(jí)界限與隸屬度函數(shù)參數(shù)存在如下關(guān)系：

(15)

式中，cjh、σjh和bjh分別為第j個(gè)指標(biāo)第h個(gè)等級(jí)的分級(jí)界限、隸屬度函數(shù)的方差及中間值。因此只要確定指標(biāo)分級(jí)界限，隸屬度函數(shù)就唯一確定。規(guī)定各等級(jí)的隸屬度函數(shù)的方差相等，則分級(jí)界限計(jì)算公式如下：

(16)

灰色系統(tǒng)是表示部分信息明確、部分信息不明確的貧信息系統(tǒng)?；疑u(píng)價(jià)的思想來(lái)源于灰色系統(tǒng)理論，利用已知信息確定未知信息，對(duì)樣本量沒(méi)有嚴(yán)格的要求?；疑u(píng)價(jià)的關(guān)鍵在于灰色關(guān)聯(lián)度分析，利用各評(píng)價(jià)對(duì)象序列的曲線形狀與最優(yōu)序列的曲線形狀之間的關(guān)聯(lián)度大小對(duì)被評(píng)價(jià)對(duì)象進(jìn)行比較，關(guān)聯(lián)度越大，說(shuō)明曲線形狀越接近最優(yōu)序列，灰色評(píng)價(jià)的流程如圖2所示。

最優(yōu)序列一般選取各指標(biāo)的最佳值，設(shè)為x0={x01,x02,…,x0m}，則xi與x0關(guān)于第j項(xiàng)指標(biāo)的關(guān)聯(lián)系數(shù)為

ξi(j)=

(17)

式中，ρ為分辨系數(shù)，ρ∈[0,1]，一般取0.5。

第i個(gè)方案與最優(yōu)序列的加權(quán)關(guān)聯(lián)度為

(18)

加權(quán)關(guān)聯(lián)度可表征各地區(qū)總風(fēng)光資源水平。

1.3 我國(guó)風(fēng)光資源評(píng)估結(jié)果及分析

1.3.1 指標(biāo)權(quán)重計(jì)算結(jié)果分析

基于上述的風(fēng)光資源評(píng)價(jià)指標(biāo)體系及權(quán)重計(jì)算方法，對(duì)2017年我國(guó)30個(gè)省的風(fēng)光氣象數(shù)據(jù)進(jìn)行分析，數(shù)據(jù)來(lái)源于中國(guó)氣象數(shù)據(jù)網(wǎng)。基于熵權(quán)-復(fù)相關(guān)系數(shù)-序關(guān)系分析的主客觀組合權(quán)重法得到各指標(biāo)權(quán)重，結(jié)果如表1所示，其中一級(jí)指標(biāo)的總權(quán)重為其所有二級(jí)指標(biāo)的主客觀權(quán)重之和。從表中可知，復(fù)相關(guān)系數(shù)法確定的組合客觀權(quán)重可減小指標(biāo)間信息重復(fù)的影響，如指標(biāo)有效風(fēng)速時(shí)數(shù)通過(guò)復(fù)相關(guān)系數(shù)法有效降低了客觀權(quán)重。由式(1)可知，指標(biāo)平均風(fēng)速是評(píng)價(jià)風(fēng)電資源的主要因素，但其客觀權(quán)重較低，通過(guò)主客觀組合權(quán)重可提升其權(quán)重。從最終的主客觀組合權(quán)重可以看出，基于最小二乘優(yōu)化的權(quán)重組合方式可以平衡主客觀權(quán)重，使評(píng)價(jià)結(jié)果更加科學(xué)合理。

表1 風(fēng)光資源評(píng)價(jià)指標(biāo)權(quán)重

1.3.2 模糊評(píng)價(jià)結(jié)果分析

根據(jù)已求得的主客觀組合權(quán)重，一級(jí)指標(biāo)的權(quán)重記為A，風(fēng)電資源、光伏資源和風(fēng)光互補(bǔ)的二級(jí)指標(biāo)權(quán)重分別記為A1、A2和A3。然后根據(jù)隸屬度函數(shù)確定各二級(jí)指標(biāo)的隸屬度值，記為V1、V2和V3，分別是評(píng)價(jià)風(fēng)電資源、光伏資源和風(fēng)光互補(bǔ)的單因素隸屬度評(píng)價(jià)矩陣。采用加權(quán)平均型的模糊算子進(jìn)行模糊評(píng)價(jià)，即

(19)

式中：B1、B2、B3和C分別為風(fēng)電資源、光伏資源、風(fēng)光互補(bǔ)及總風(fēng)光資源的模糊評(píng)價(jià)向量。

以北京為例，根據(jù)式(14)計(jì)算隸屬度V1、V2和V3，代入式(19)得到：

B1=[0.148 9 0.938 9 0.622 2 0.585 6 0.141 9]，

B2=[0.051 7 0.363 0 0.848 9 0.831 4 0.416 9]，

B3=[0.310 2 0.785 8 0.766 4 0.370 9 0.078 6]，

C=[0.145 8 0.546 1 0.874 3 0.647 2 0.226 0]。

根據(jù)最大隸屬度原則可判斷北京風(fēng)電資源、光伏資源、風(fēng)光互補(bǔ)及總風(fēng)光資源的模糊評(píng)價(jià)等級(jí)分別為較差、一般、較差和一般。依次對(duì)其余省份進(jìn)行模糊評(píng)價(jià)，得到我國(guó)30個(gè)省的總風(fēng)光資源模糊評(píng)價(jià)等級(jí)，如圖5所示。由圖中可知，總風(fēng)光資源評(píng)價(jià)等級(jí)是好的有內(nèi)蒙古、海南，差的有重慶，評(píng)價(jià)等級(jí)集中在較差、一般和較好上，屬于差和好等級(jí)的省份較少，結(jié)果符合正態(tài)分布，說(shuō)明評(píng)價(jià)模型較為客觀。風(fēng)電資源、光伏資源、風(fēng)光互補(bǔ)評(píng)價(jià)等級(jí)結(jié)果與總風(fēng)光資源的結(jié)果類似，具體評(píng)價(jià)等級(jí)如表2所示。

圖5 中國(guó)30個(gè)省的風(fēng)光資源模糊評(píng)價(jià)等級(jí)

表2 我國(guó)不同地區(qū)的風(fēng)光資源模糊評(píng)價(jià)結(jié)果

1.3.3 灰色評(píng)價(jià)結(jié)果分析

先根據(jù)各指標(biāo)標(biāo)準(zhǔn)化后的最優(yōu)值確定最優(yōu)序列，即越大越優(yōu)型取1，越小越優(yōu)型取0；然后計(jì)算各省各指標(biāo)與最優(yōu)序列的關(guān)聯(lián)系數(shù)ξN×M；最后將前面求得的主客觀組合權(quán)重代入式(18)，得到各省的加權(quán)關(guān)聯(lián)度，以此對(duì)各省的風(fēng)光資源水平進(jìn)行評(píng)價(jià)，結(jié)果見(jiàn)圖6。從圖中可知：云南、內(nèi)蒙古與最優(yōu)序列的關(guān)聯(lián)度最大，說(shuō)明其風(fēng)光資源總體水平最好；湖北、安徽的關(guān)聯(lián)度最小，說(shuō)明其風(fēng)光資源總體水平最差；從灰色評(píng)價(jià)結(jié)果可以清晰看出各省風(fēng)光資源水平的大小。

圖6 中國(guó)30個(gè)省的風(fēng)光資源灰色評(píng)價(jià)結(jié)果

從圖5、圖6可以看出：對(duì)于大多數(shù)省份來(lái)說(shuō)，兩種評(píng)價(jià)方法的結(jié)果基本相同，但個(gè)別省份的結(jié)果有差異，如云南的模糊評(píng)價(jià)等級(jí)為較好，灰色評(píng)價(jià)的關(guān)聯(lián)度卻最高，這是由于模糊評(píng)價(jià)是通過(guò)劃分等級(jí)來(lái)評(píng)價(jià)，灰色評(píng)價(jià)是通過(guò)和最優(yōu)序列的關(guān)聯(lián)度來(lái)評(píng)價(jià)，兩種評(píng)價(jià)方法的思想不同，個(gè)別評(píng)價(jià)對(duì)象的結(jié)果會(huì)有差異，特別是在模糊評(píng)價(jià)相鄰等級(jí)的評(píng)價(jià)對(duì)象上。

2 獨(dú)立微電網(wǎng)的電源優(yōu)化配置模型

在獨(dú)立微電網(wǎng)的電源優(yōu)化配置過(guò)程中，需要考慮兩個(gè)基本問(wèn)題：微電網(wǎng)場(chǎng)景模型和電源容量?jī)?yōu)化模型的建立。對(duì)于微電網(wǎng)的場(chǎng)景模型，當(dāng)前國(guó)內(nèi)外研究大多是基于歷史數(shù)據(jù)或典型日?qǐng)鼍皝?lái)建立的，電源配置結(jié)果只是針對(duì)歷史場(chǎng)景的最優(yōu)配置，對(duì)風(fēng)光出力的隨機(jī)場(chǎng)景的適用性無(wú)法保證。因此，本文采用基于GAN的隨機(jī)場(chǎng)景模擬生成法和基于K-中心點(diǎn)的場(chǎng)景聚類消減的場(chǎng)景分析方法，從歷史場(chǎng)景中學(xué)習(xí)特征并生成新的場(chǎng)景，再聚類出典型場(chǎng)景，以解決考慮風(fēng)光出力隨機(jī)性的微電網(wǎng)電源容量?jī)?yōu)化配置問(wèn)題。

關(guān)于電源容量?jī)?yōu)化模型的研究較為成熟，本文建立典型的考慮經(jīng)濟(jì)性、供電可靠性、環(huán)保性的多目標(biāo)優(yōu)化模型。

2.1 基于場(chǎng)景分析法的微電網(wǎng)場(chǎng)景模型

2.1.1 基于GAN的風(fēng)光場(chǎng)景模擬生成法

GAN自2014年被提出后，已廣泛運(yùn)用在圖像生成、場(chǎng)景生成、視頻預(yù)測(cè)等領(lǐng)域[20]，其數(shù)據(jù)無(wú)需服從特定分布，可自動(dòng)學(xué)習(xí)真實(shí)數(shù)據(jù)的分布，可用于考慮風(fēng)光出力隨機(jī)性的風(fēng)光場(chǎng)景模擬生成中[21]。

GAN通過(guò)神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)特征，理論上可以逼近任何分布，其由兩個(gè)深度學(xué)習(xí)模型組成，包括生成模型G和判別模型D，框架如圖7所示。

圖7 GAN框架結(jié)構(gòu)

生成模型G從已知分布采樣生成數(shù)據(jù)G(z)，其分布記作pg(z)，該分布應(yīng)該盡量逼近真實(shí)數(shù)據(jù)的分布pdata(x)。判別模型D的輸入包括真實(shí)數(shù)據(jù)x和生成數(shù)據(jù)G(z)，輸出是一個(gè)概率值(0～1)，該值越大，代表輸入數(shù)據(jù)是真實(shí)數(shù)據(jù)的概率越大。

生成模型G和判別模型D實(shí)質(zhì)上是兩個(gè)對(duì)抗的神經(jīng)網(wǎng)絡(luò)，形成二人零和博弈，是一個(gè)極小極大化問(wèn)題，其目標(biāo)函數(shù)表示為

Ez～pg(z)[ln(1-D(G(z)))]

(20)

式中，第一項(xiàng)Ex～pdata(x)[lnD(x)]表示對(duì)真實(shí)數(shù)據(jù)進(jìn)行判別，第二項(xiàng)Ez～pg(z)[ln(1-D(G(z)))]表示對(duì)生成數(shù)據(jù)進(jìn)行判別。

判別模型D的目的是使式(20)最大，第一項(xiàng)最大時(shí)，D(x)→1，表示真實(shí)數(shù)據(jù)為真的概率接近1；第二項(xiàng)最大時(shí)，D(G(z))→0，表示生成數(shù)據(jù)為真的概率接近0。生成模型G的目的是使式(20)最小，其中第一項(xiàng)為常數(shù)，因?yàn)樯赡Ｐ筒挥绊懻鎸?shí)數(shù)據(jù)；第二項(xiàng)最小時(shí)，D(G(z))→1，表示生成數(shù)據(jù)為真的概率接近1。兩者互相博弈對(duì)抗，經(jīng)過(guò)足夠的訓(xùn)練，達(dá)到納什平衡，判別模型的輸出為0.5，無(wú)法判斷是真實(shí)數(shù)據(jù)還是生成數(shù)據(jù)，則認(rèn)為生成模型可以以假亂真。

2.1.2 基于改進(jìn)K- 中心點(diǎn)聚類的場(chǎng)景消減

K- 均值聚類算法是典型的基于劃分的無(wú)監(jiān)督聚類算法，由于其利用簇內(nèi)數(shù)據(jù)點(diǎn)的均值作為下一次更新的聚類中心，所以收斂速度較快，但對(duì)孤立點(diǎn)比較敏感，會(huì)造成魯棒性和準(zhǔn)確性不好的問(wèn)題。K-中心點(diǎn)聚類可以克服對(duì)孤立點(diǎn)敏感的缺陷，具有較強(qiáng)的準(zhǔn)確性和魯棒性，但其時(shí)間復(fù)雜度為O(n2)，對(duì)于數(shù)據(jù)集較多的聚類，時(shí)間代價(jià)太大。文獻(xiàn)[22- 23]對(duì)K- 均值和K- 中心點(diǎn)聚類算法進(jìn)行了對(duì)比，驗(yàn)證了K- 中心點(diǎn)聚類算法在含孤立點(diǎn)的情況下具有更強(qiáng)的魯棒性，因此K- 中心點(diǎn)聚類算法更適用于解決本文所研究的隨機(jī)性較強(qiáng)的風(fēng)光場(chǎng)景聚類問(wèn)題?；谥行狞c(diǎn)劃分(PAM)算法是一種典型的K- 中心點(diǎn)聚類算法，本文采用PAM算法對(duì)聚類中心進(jìn)行更新，并通過(guò)改進(jìn)初始聚類中心[24]來(lái)減少計(jì)算時(shí)間，實(shí)現(xiàn)風(fēng)光場(chǎng)景的快速消減，其步驟如下：

2)根據(jù)到聚類中心序號(hào)差最小的原則，分配每個(gè)場(chǎng)景到距離最近的聚類中心。

3)更新聚類中心。根據(jù)使目標(biāo)函數(shù)式(21)最小原則，參考PAM算法，用本簇中的非聚類中心場(chǎng)景依次替代聚類中心，以替代后讓式(21)變小最多的場(chǎng)景作為新的聚類中心。

(21)

式中，d(ui,uj)表示場(chǎng)景ui與uj的歐幾里得距離。

4)根據(jù)步驟2)重新分配每個(gè)場(chǎng)景到新的聚類中心，若式(21)變小程度小于設(shè)定值或迭代次數(shù)達(dá)到上限，則轉(zhuǎn)步驟5)，否則返回步驟3)。

5)根據(jù)聚類后每個(gè)簇內(nèi)場(chǎng)景的個(gè)數(shù)除以總的場(chǎng)景數(shù)得到每個(gè)聚類場(chǎng)景的概率。

2.2 獨(dú)立微電網(wǎng)的電源容量?jī)?yōu)化模型

本文建立考慮經(jīng)濟(jì)性、供電可靠性和環(huán)保性的多目標(biāo)函數(shù)，并基于場(chǎng)景分析法考慮風(fēng)光隨機(jī)性，用停電懲罰成本表示供電可靠性、能量浪費(fèi)懲罰成本表示環(huán)保性，即通過(guò)引入懲罰因子將多目標(biāo)問(wèn)題變?yōu)閱文繕?biāo)問(wèn)題。

2.2.1 目標(biāo)函數(shù)

同時(shí)考慮經(jīng)濟(jì)性、供電可靠性和環(huán)保性的目標(biāo)函數(shù)表達(dá)式如下：

minC=min(Cinvest+Closs+Cwaste)

(22)

式中，Cinvest為年投資成本，Closs為年停電懲罰成本，Cwaste為年能量浪費(fèi)懲罰成本。

考慮經(jīng)濟(jì)性時(shí)，一般是考慮全壽命周期內(nèi)的成本現(xiàn)值，本文對(duì)規(guī)劃周期進(jìn)行等年值計(jì)算，用年投資成本Cinvest表示，其表達(dá)式為

Cinvest=Cinitial+CO&M

(23)

年等值初始投資成本Cinitial由各設(shè)備的初始投資成本乘以投資成本資金年回收系數(shù)得到，即

Cinitial=(NPVIPV+NWTIWT+NbatIbat)γ

(24)

式中，NPV、NWT和Nbat分別為光伏陣列、風(fēng)力發(fā)電機(jī)和儲(chǔ)能裝置的配置臺(tái)數(shù)；IPV、IWT和Ibat分別為單臺(tái)光伏陣列、風(fēng)力發(fā)電機(jī)和儲(chǔ)能裝置的初始安裝成本；γ為投資成本資金年回收系數(shù)，代表已知現(xiàn)值(發(fā)生在第一年初)和Y個(gè)等年值(發(fā)生在第1，2，…，Y年末)之間的等效關(guān)系，其計(jì)算公式參見(jiàn)文獻(xiàn)[17]。

年運(yùn)行維護(hù)成本CO&M由各設(shè)備的維護(hù)運(yùn)行費(fèi)用構(gòu)成，其表達(dá)式為

(25)

式中，KPV、KWT、Kbat分別為各設(shè)備運(yùn)行單位能量的運(yùn)行維護(hù)成本；PPV(t)、PWT(t)、Pbat(t)分別為各設(shè)備在第t個(gè)調(diào)度時(shí)段的功率，儲(chǔ)能電池功率Pbat(t)在充電時(shí)為正，在放電時(shí)為負(fù)；T為總的調(diào)度時(shí)段的個(gè)數(shù)；Δt為調(diào)度時(shí)段時(shí)間間隔。

考慮供電可靠性時(shí)，對(duì)于獨(dú)立微電網(wǎng)，僅靠?jī)?nèi)部電源供電時(shí)，會(huì)出現(xiàn)部分負(fù)荷因得不到滿足而被切斷。為了保證可靠供電，進(jìn)行電源配置優(yōu)化時(shí)，在目標(biāo)函數(shù)中引入年停電懲罰成本，即

(26)

式中：Kloss為懲罰因子，表示單位發(fā)電量不足的懲罰成本，其值越大，表示該項(xiàng)的懲罰作用越大；Ploss(t)為第t個(gè)調(diào)度時(shí)段的功率缺額，

Ploss(t)=Pload(t)-[PPV(t)+PWT(t)-Pbat(t)]

(27)

Pload(t)為第t個(gè)調(diào)度時(shí)段的負(fù)荷功率。

為了避免因過(guò)高棄風(fēng)光率造成的能量浪費(fèi)，在目標(biāo)函數(shù)中加入考慮環(huán)保性的年能量浪費(fèi)懲罰成本：

(28)

式中：Kwaste為懲罰因子，表示單位能量浪費(fèi)的懲罰成本；Pwaste(t)為第t個(gè)調(diào)度時(shí)段的功率盈余，

Pwaste(t)=NPVPPV1max(t)+NWTPWT1max(t)-

PPV(t)-PWT(t)

(29)

PPV1max(t)、PWT1max(t)分別為第t個(gè)調(diào)度時(shí)段單臺(tái)光伏陣列、單個(gè)風(fēng)力發(fā)電機(jī)由當(dāng)?shù)毓庹盏茸匀粭l件決定的最大發(fā)電功率。

2.2.2 約束條件

約束條件包括各電源的功率上下限約束和儲(chǔ)能電池電量約束，且在考慮儲(chǔ)能電池約束時(shí)要同時(shí)滿足電力供需平衡和盡可能減少棄風(fēng)光率。

(1)功率上下限約束為

0≤PPV(t)≤NPVPPV1max(t)

(30)

0≤PWT(t)≤NWTPWT1max(t)

(31)

-Pbat1NdisNbat≤Pbat(t)≤Pbat1NchNbat

(32)

式中：Pbat1Ndis為單個(gè)儲(chǔ)能電池的額定放電功率，其值為單個(gè)儲(chǔ)能電池的額定功率乘以放電效率；Pbat1Nch為單個(gè)儲(chǔ)能電池的額定充電功率，其值為單個(gè)儲(chǔ)能電池的額定功率除以充電效率。

(2)儲(chǔ)能電池電量約束為

E(t)=E(t-1)(1-δΔt)+ΔtPbat(t)

(33)

SOC,minNbatEbat1N≤E(t)≤SOC,maxNbatEbat1N

(34)

式中，E(t)為儲(chǔ)能電池系統(tǒng)在第t個(gè)調(diào)度時(shí)段結(jié)束時(shí)的剩余電量，δ為儲(chǔ)能電池每小時(shí)的自放電率，Ebat1N為單個(gè)儲(chǔ)能電池的額定容量，SOC,max、SOC,min分別為儲(chǔ)能電池剩余電量百分比的上、下限。

2.2.3 模型線性化及求解

本文計(jì)及儲(chǔ)能電池的運(yùn)行費(fèi)用時(shí)，用Pbat(t)表示儲(chǔ)能電池功率，充電為正，放電為負(fù)。這可使約束條件不含布爾量和正數(shù)變量相乘的情況，且是線性的，但也使目標(biāo)函數(shù)式(25)中含有絕對(duì)值項(xiàng)且是非線性的，因此需要對(duì)式(25)的絕對(duì)值項(xiàng)進(jìn)行線性化，可以通過(guò)對(duì)需要絕對(duì)值的變量分離出正數(shù)和負(fù)數(shù)部分，即增加兩個(gè)非負(fù)變量，本文把儲(chǔ)能電池的功率Pbat(t)分為充電功率Pbatch(t)和放電功率Pbatdis(t)，要滿足約束：

(35)

(36)

Pbat(t)=Pbatch(t)-Pbatdis(t)

(37)

且將目標(biāo)函數(shù)式(25)中的絕對(duì)值項(xiàng)改為

約束條件中式(32)變?yōu)?/p>

(38)

本文采用優(yōu)化軟件GAMS進(jìn)行建模求解，該軟件允許模型的描述獨(dú)立于求解算法，建模過(guò)程簡(jiǎn)單，并可調(diào)用多種求解器進(jìn)行求解。本文調(diào)用專門求解線性規(guī)劃問(wèn)題的CPLEX求解器，對(duì)所建立的線性規(guī)劃模型進(jìn)行求解。

本文建立的基于風(fēng)光資源特性的獨(dú)立微電網(wǎng)電源配置方法的流程圖如圖8所示。

圖8 本文獨(dú)立微電網(wǎng)電源優(yōu)化配置方法的流程圖

3 算例分析

3.1 算例條件

調(diào)度時(shí)段時(shí)間間隔Δt取1 h，故年總調(diào)度時(shí)段T為8 760；設(shè)備使用壽命及項(xiàng)目規(guī)劃期Y均為20，投資成本資金年回收系數(shù)γ取0.060 2。儲(chǔ)能電池的額定容量Ebat1N為6 kW·h，充電和放電效率為0.88，自放電率δ為0.01，剩余電量百分比的上下限SOC,max、SOC,min分別為0.9和0.2。為了保證負(fù)荷供電需求并降低棄風(fēng)光率，懲罰因子Kloss和Kwaste都應(yīng)取一個(gè)很大的正數(shù)。各發(fā)電設(shè)備和儲(chǔ)能電池參數(shù)如表3所示，采用的典型年負(fù)荷曲線如圖9所示。

表3 發(fā)電設(shè)備和儲(chǔ)能電池參數(shù)

圖9 獨(dú)立微電網(wǎng)典型的年負(fù)荷曲線

3.2 基于典型場(chǎng)景的電源配置結(jié)果

根據(jù)典型年的風(fēng)速、輻射強(qiáng)度等氣象數(shù)據(jù)，參考文獻(xiàn)[17]計(jì)算風(fēng)光出力。以每個(gè)月選取一天24 h的風(fēng)光出力作為一個(gè)場(chǎng)景，從典型年中選取10 000個(gè)場(chǎng)景作為訓(xùn)練集，用GAN算法模擬生成1 000個(gè)場(chǎng)景，采用改進(jìn)的K- 中心點(diǎn)聚類算法削減至10個(gè)場(chǎng)景。最后根據(jù)所建立的電源容量?jī)?yōu)化模型進(jìn)行求解，以內(nèi)蒙古為例，得到的電源配置結(jié)果如表4所示。

表4 內(nèi)蒙古不同場(chǎng)景的電源配置結(jié)果

根據(jù)每個(gè)場(chǎng)景配置結(jié)果和場(chǎng)景概率加權(quán)得到綜合場(chǎng)景的配置結(jié)果。內(nèi)蒙古綜合場(chǎng)景的風(fēng)光配置容量分別為4 550、3 535 kW，占比分別為56%、44%。從表4可以看出，大部分場(chǎng)景風(fēng)機(jī)的配置容量都比光伏多，這是因?yàn)閮?nèi)蒙古地區(qū)的風(fēng)力資源較為豐富，并且風(fēng)機(jī)夜晚也能發(fā)電，與負(fù)荷匹配的有效時(shí)間更長(zhǎng)。以概率最高的場(chǎng)景10為例，選6月、12月典型日電源發(fā)電功率配置結(jié)果，其風(fēng)機(jī)、光伏、儲(chǔ)能的功率曲線如圖10所示。

為了驗(yàn)證本文提出的基于CPLEX求解電源優(yōu)化配置方法的準(zhǔn)確性和快速性優(yōu)勢(shì)，將CLPEX算法與遺傳算法(GA)[17]、內(nèi)點(diǎn)法(IPM)[25]進(jìn)行對(duì)比。其中，GA為隨機(jī)搜索算法，其收斂到全局最優(yōu)解的概率和運(yùn)算時(shí)間均隨著種群的增加而增加，由于本文考慮了12個(gè)月的典型日數(shù)據(jù)，為了同時(shí)保證速度和質(zhì)量，設(shè)定GA的種群數(shù)量為300，并運(yùn)行20次，每次的初始解都相同，選最優(yōu)的一次解；IPM是在可行解空間中有選擇地進(jìn)行迭代，并考慮可行解的邊界，適用于求解規(guī)模較大的最優(yōu)化問(wèn)題?；趫?chǎng)景10，采用上述這3種算法進(jìn)行優(yōu)化配置，結(jié)果如表5所示。

圖10 內(nèi)蒙古電源發(fā)電功率配置結(jié)果

表5 3種算法的優(yōu)化配置結(jié)果

從表5可以看出：采用GA算法得到的電源配置結(jié)果的費(fèi)用比CPLEX算法多，且運(yùn)行時(shí)間是CPLEX算法的幾百倍，說(shuō)明GA算法收斂的速度較慢且收斂到全局最優(yōu)解的概率較低；而IPM算法的費(fèi)用很接近CPLEX，但運(yùn)行時(shí)間是CPLEX十幾倍。因此可以看到，CPLEX算法在解的準(zhǔn)確性和快速性上都有較好的優(yōu)勢(shì)。

3.3 風(fēng)光資源指標(biāo)對(duì)電源配置的影響

為了體現(xiàn)所選的代表地區(qū)對(duì)不同情況的覆蓋，根據(jù)模糊評(píng)價(jià)等級(jí)及灰色關(guān)聯(lián)度選出內(nèi)蒙古、海南、甘肅、北京、湖北作為代表地區(qū)，涵蓋了模糊評(píng)價(jià)結(jié)果各類指標(biāo)的不同等級(jí)，且灰色關(guān)聯(lián)度的分布盡量均勻。圖11為代表地區(qū)的風(fēng)電資源、光伏資源、風(fēng)光互補(bǔ)及總風(fēng)光資源水平的模糊評(píng)價(jià)等級(jí)的雷達(dá)圖。從圖中可以看出，內(nèi)蒙古的4個(gè)指標(biāo)都是較高的，海南是風(fēng)光互補(bǔ)好、光伏資源一般，甘肅是風(fēng)電資源一般、光伏資源好，北京的4個(gè)指標(biāo)都是中等的，湖北的4個(gè)指標(biāo)都是較低的。

圖11 風(fēng)光資源指標(biāo)模糊評(píng)價(jià)等級(jí)雷達(dá)圖

對(duì)代表地區(qū)依次進(jìn)行基于風(fēng)光場(chǎng)景的電源容量配置優(yōu)化，以綜合場(chǎng)景的配置方案代表每個(gè)地區(qū)的最終配置結(jié)果，如表6所示，其中風(fēng)光比例為風(fēng)光發(fā)電機(jī)組配置容量的占比。

表6 代表地區(qū)的電源配置結(jié)果

從圖11和表6可以看出：

(1)總風(fēng)光資源評(píng)價(jià)等級(jí)越高的地區(qū)，其風(fēng)光發(fā)電機(jī)組配置的總?cè)萘吭降?，總成本也越低。原因在于，總風(fēng)光水平越高，單位容量風(fēng)機(jī)或光伏出力越大，在滿足相同負(fù)荷需求時(shí)，配置較小的容量即可滿足電力平衡，因此總成本也越低。

(2)風(fēng)電資源指標(biāo)評(píng)價(jià)等級(jí)越高的地區(qū)，其風(fēng)機(jī)配置容量占比越高。風(fēng)電資源指標(biāo)評(píng)價(jià)等級(jí)與風(fēng)機(jī)配置容量占比有相關(guān)關(guān)系，而光伏資源指標(biāo)評(píng)價(jià)等級(jí)與光伏配置容量占比沒(méi)有明顯的相關(guān)關(guān)系。原因在于，當(dāng)前風(fēng)機(jī)單位容量的初裝成本比光伏低，且風(fēng)機(jī)的有效發(fā)電時(shí)間和負(fù)荷更匹配，造成風(fēng)機(jī)發(fā)電的成本更低，因此風(fēng)電資源指標(biāo)對(duì)配置結(jié)果的影響較大。但隨著光伏技術(shù)的進(jìn)步，其發(fā)電成本下降潛力較大，以后光伏資源指標(biāo)對(duì)配置容量結(jié)果的影響會(huì)越來(lái)越明顯。

(3)風(fēng)光互補(bǔ)指標(biāo)評(píng)價(jià)等級(jí)越高的地區(qū)，儲(chǔ)能配置容量越低。原因在于，風(fēng)光互補(bǔ)指標(biāo)越高，風(fēng)機(jī)平衡光伏因日特性和季節(jié)特性引起的出力波動(dòng)的效果越好，對(duì)儲(chǔ)能平衡發(fā)電峰谷的需求越小，儲(chǔ)能配置容量越低。

從灰色評(píng)價(jià)結(jié)果可以得到關(guān)于總體配置情況的結(jié)論：代表地區(qū)與最優(yōu)序列的關(guān)聯(lián)度越高，其風(fēng)光發(fā)電機(jī)組配置的總?cè)萘吭降?，總成本越低，如?所示。灰色評(píng)價(jià)得到的結(jié)論與模糊評(píng)價(jià)得到的結(jié)論一樣，這驗(yàn)證了評(píng)價(jià)模型及電源配置優(yōu)化模型的有效性和合理性。

表7 灰色關(guān)聯(lián)度與風(fēng)光總?cè)萘考翱偝杀镜年P(guān)系

根據(jù)上述分析，為了更加清晰地表示風(fēng)電資源指標(biāo)評(píng)價(jià)等級(jí)與風(fēng)機(jī)配置容量占比的關(guān)系，對(duì)我國(guó)不同風(fēng)電資源指標(biāo)評(píng)價(jià)等級(jí)的其他省份進(jìn)行電源配置，其風(fēng)機(jī)配置容量占比如圖12所示。從圖中可知，風(fēng)電資源指標(biāo)評(píng)價(jià)等級(jí)越高，風(fēng)機(jī)配置容量占比越高，這與前面的分析結(jié)果一致。根據(jù)圖12可得到我國(guó)風(fēng)電資源指標(biāo)評(píng)價(jià)的5個(gè)等級(jí)(差、較差、一般、較好、好)對(duì)應(yīng)的風(fēng)機(jī)配置容量占比區(qū)間分別為[20%,25%]、[25%,30%]、[30%，35%]、[35%,45%]、[45%,60%]。

圖12 風(fēng)電資源指標(biāo)評(píng)價(jià)等級(jí)與風(fēng)機(jī)配置容量占比圖

4 結(jié)論

為了使電源容量配置更加符合實(shí)際，需要根據(jù)實(shí)際風(fēng)光資源情況來(lái)進(jìn)行微電網(wǎng)的電源容量配置，本文提出了基于風(fēng)光資源特性的獨(dú)立微電網(wǎng)的電源優(yōu)化配置方法。該方法構(gòu)建的風(fēng)光資源指標(biāo)體系能合理地評(píng)價(jià)不同地區(qū)的風(fēng)光資源特性；提出的基于熵權(quán)-復(fù)相關(guān)系數(shù)-序關(guān)系分析的主客觀組合權(quán)重法，同時(shí)考慮了客觀和主觀權(quán)重，通過(guò)基于最小二乘法的組合方式，可以獲得更加科學(xué)合理的評(píng)價(jià)指標(biāo)權(quán)重；模糊評(píng)價(jià)可以獲得各地區(qū)各類指標(biāo)的評(píng)價(jià)等級(jí)，全面評(píng)價(jià)各地區(qū)的風(fēng)光資源水平，而灰色評(píng)價(jià)可直觀獲得各地區(qū)風(fēng)光資源的排序；基于GAN場(chǎng)景模擬生成和改進(jìn)K- 中心點(diǎn)場(chǎng)景聚類削減的場(chǎng)景分析法，能有效考慮不同風(fēng)光出力的隨機(jī)場(chǎng)景，使得電源配置更加合理；對(duì)我國(guó)代表地區(qū)進(jìn)行算例分析，得到的不同地區(qū)的電源配置方案符合當(dāng)?shù)仫L(fēng)光資源特性，驗(yàn)證了所提指標(biāo)評(píng)價(jià)體系、評(píng)價(jià)方法以及電源優(yōu)化配置模型的合理性；分析風(fēng)光資源指標(biāo)對(duì)電源配置的影響，獲得我國(guó)風(fēng)電資源指標(biāo)評(píng)價(jià)等級(jí)與風(fēng)機(jī)配置容量占比的對(duì)應(yīng)關(guān)系，可作為參考。本文所提出的基于風(fēng)光資源特性的電源優(yōu)化配置方法可用于指導(dǎo)獨(dú)立微電網(wǎng)的電源規(guī)劃。