基于HOMER的多場景離網(wǎng)型微電網(wǎng)優(yōu)化設(shè)計

摘 要：基于HOMER軟件對武漢某商業(yè)園區(qū)開展離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)優(yōu)化設(shè)計研究。首先，構(gòu)建多運行策略下離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)容量優(yōu)化配置模型；在此基礎(chǔ)上，分析不同運行策略下系統(tǒng)容量配置、光伏滲透比例和電池儲能運行狀態(tài)，并得出離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)最優(yōu)運行策略；然后，基于最優(yōu)運行策略開展多場景下離網(wǎng)型光-柴-儲微電網(wǎng)容量優(yōu)化配置，對多場景離網(wǎng)型光-柴-儲微電網(wǎng)的平準化度電成本本（LCOE）、系統(tǒng)凈現(xiàn)值（NPC）和總排放等性能進行比較分析；最后，結(jié)合具體案例開展敏感性因素分析。結(jié)果表明，所提容量配置模型可實現(xiàn)系統(tǒng)經(jīng)濟性與清潔性的最佳權(quán)衡，并降低系統(tǒng)對于儲能電池的依賴；通過敏感性分析得出不同機組參數(shù)、負荷參數(shù)對系統(tǒng)最優(yōu)配置的影響。

關(guān)鍵詞：微電網(wǎng)；可再生能源；儲能；HOMER仿真；多場景；容量配置

中圖分類號：TM73" " " " " " " " " " " " " " 文獻標志碼：A

DOI：10.19912/j.0254-0096.tynxb.2023-0539 文章編號：0254-0096（2024）08-0123-12

1. 南京工業(yè)大學(xué)能源科學(xué)與工程學(xué)院，南京 211816；

2. 國網(wǎng)湖北省電力有限公司 電力科學(xué)研究院，武漢 340077

0 引 言

光伏、風電等可再生能源在電網(wǎng)中的接入比例不斷提高，推進可再生能源為主體的新型電力系統(tǒng)建設(shè)成為構(gòu)建現(xiàn)代能源體系的關(guān)鍵［1］。然而，高比例新能源的接入給電網(wǎng)安全經(jīng)濟運行帶來了挑戰(zhàn)［2］。分布式電源接入電網(wǎng)并網(wǎng)運行，既能滿足負荷需求，又有助于可再生能源高效和規(guī)?；?，但也存在能源綜合優(yōu)化和運行調(diào)度困難等問題［3］。以微電網(wǎng)的形式可有效解決上述問題，從而成為大規(guī)模新能源接入的有效補充。

離網(wǎng)型微電網(wǎng)沒有外部電網(wǎng)的保障，分布式可再生能源的出力和負荷波動會給離網(wǎng)型微電網(wǎng)系統(tǒng)帶來極大的影響，儲能是離網(wǎng)型微電網(wǎng)的關(guān)鍵組成部分［4］，可確保微電網(wǎng)獨立運行并改善微電網(wǎng)的電能質(zhì)量［5］。儲能容量過小無法保障微電網(wǎng)電能質(zhì)量和運行性能，儲能容量過大則會降低微電網(wǎng)運行經(jīng)濟性。合理配置微電網(wǎng)系統(tǒng)中各電源設(shè)備和儲能設(shè)備的容量，既能提高微電網(wǎng)運行經(jīng)濟性，又能提高微電網(wǎng)的清潔性以及供電可靠性［6］。國內(nèi)外學(xué)者已對微電網(wǎng)系統(tǒng)優(yōu)化配置問題開展了相關(guān)研究。HOMER （hybrid optimization model for electric renewable）是由美國國家能源實驗室開發(fā)的電力系統(tǒng)設(shè)計軟件［7］，主要用于電力系統(tǒng)仿真、系統(tǒng)優(yōu)化及敏感性分析，可根據(jù)搭建的模型和各種成本變量模擬生成多種系統(tǒng)配置，從使用周期的角度評估系統(tǒng)的可行性、經(jīng)濟性及清潔性，并對易發(fā)生變化的參數(shù)進行敏感性分析［8］。

目前，國內(nèi)外對于并網(wǎng)型微電網(wǎng)系統(tǒng)容量優(yōu)化配置有較多研究，但對于離網(wǎng)型微電網(wǎng)系統(tǒng)的容量優(yōu)化配置研究較少。文獻［9］使用HOMER軟件來優(yōu)化混合光伏發(fā)電、柴油發(fā)電機和蓄電池的微電網(wǎng)系統(tǒng)配置，以滿足能源貧乏社區(qū)的住宅和農(nóng)業(yè)電力負荷需求；文獻［10］利用HOMER軟件實現(xiàn)了由光伏發(fā)電、風力發(fā)電、沼氣發(fā)電和蓄電池組成的微電網(wǎng)系統(tǒng)的技術(shù)經(jīng)濟可行性，其目標為凈現(xiàn)值、能源成本和壽命周期排放；文獻［11］以系統(tǒng)總成本最小為目標函數(shù)，基于HOMER軟件研究了某工業(yè)園區(qū)微電網(wǎng)的容量優(yōu)化配置，分析了并網(wǎng)型風光儲、風光互補以及風儲、光儲發(fā)電系統(tǒng)的優(yōu)化配置方案，獲得了并網(wǎng)型風光儲互補發(fā)電系統(tǒng)總凈現(xiàn)成本最小的配置結(jié)果；文獻［12］從經(jīng)濟角度出發(fā)，研究了風電、光伏發(fā)電等新型發(fā)電方式，并根據(jù)其經(jīng)濟性，確定了不同條件下分布式電源的合理分配，通過美國蒙大納州電力系統(tǒng)調(diào)度實例，應(yīng)用HOMER軟件進行了數(shù)值模擬；文獻［13］以最小化凈現(xiàn)值為目標函數(shù)，以資源、技術(shù)、可靠性、排放為約束條件，使用HOMER Pro軟件設(shè)計了滿足農(nóng)業(yè)和灌區(qū)負荷需求的混合風力發(fā)電、光伏發(fā)電、柴油發(fā)電機和蓄電池的獨立微電網(wǎng)系統(tǒng)；文獻［14］以最小化生命周期總成本為目標，將混沌搜索、和諧搜索和模擬退火3種算法結(jié)合，提出一種用于混合風力發(fā)電、光伏發(fā)電和儲氫的獨立微電網(wǎng)系統(tǒng)配置的優(yōu)化算法。目前，關(guān)于微電網(wǎng)系統(tǒng)的優(yōu)化設(shè)計目標，僅從經(jīng)濟性角度進行仿真研究，對系統(tǒng)配置的敏感性因素分析缺乏深入研究。

綜上，本文利用HOMER軟件對武漢某商業(yè)園區(qū)開展離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)的優(yōu)化配置研究。構(gòu)建多場景容量配置優(yōu)化模型，并基于商業(yè)園區(qū)年8760 h的運行數(shù)據(jù)，從負荷特性、光伏滲透比例和儲能荷電狀態(tài)等方面對微電網(wǎng)配置進行仿真研究，對多場景微電網(wǎng)的平準化度電成本（levelized cost of energy， LCOE）、總成本和總排放等技術(shù)指標進行比較分析，結(jié)合具體案例從柴油價格、負荷規(guī)模以及蓄電池成本等方面開展敏感性研究。

1 基于HOMER的離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)模型

1.1 離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)拓撲

離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)由光伏組件、柴油發(fā)電機、蓄電池組、逆變器和負載組成，基于HOMER的離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)拓撲如圖1所示。其中，光伏發(fā)電受光照、溫度等氣象條件影響較大，輸出功率有很大的波動性，而柴油發(fā)電機輸出功率平穩(wěn)，可有效提高系統(tǒng)的穩(wěn)定性。

1.2 分布式光伏發(fā)電模型

HOMER可根據(jù)光伏陣列面積、溫度、太陽輻照度等參數(shù)計算微電網(wǎng)中分布式光伏可用出力功率，并不斷優(yōu)化最終得出光伏的最佳功率［15］，光伏發(fā)電模型如式（1）所示。式（1）中入射到光伏陣列的太陽輻射以及光伏陣列溫度對光伏出力影響較大，而HOMER將基于商業(yè)園區(qū)所在地的年輻照度以及年溫度數(shù)據(jù)得出該地區(qū)的年光伏出力數(shù)據(jù)。

[PPV=YPVfPVGTGT，STC1+αPTc-Tc，STC] （1）

式中：[YPV]——標準測試條件下光伏陣列輸出功率，kW；[fPV]——光伏陣列降額因子；[GT]——入射到光伏陣列上的太陽輻射；[GT，STC]——標準條件下的太陽輻射；[αP]——功率溫度系數(shù)；[Tc]——光伏陣列溫度；[Tc，STC]——標準測試條件下光伏陣列溫度。

1.3 電池儲能充放電模型

基于HOMER的離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)模型中，蓄電池的運行特性通過KiBam動態(tài)電池模型來體現(xiàn)［14］。在 KiBam 模型中，蓄電池的充電與放電的功率限制如式（2）～式（7）所示，其中式（2）、式（3）分別為儲能電池的最大充電功率約束和最大放電功率約束，式（4）、式（5）分別為每個時間步長內(nèi)單個儲能電池的最大充電功率約束和最大放電功率約束，式（6）為儲能電池在最大允許充電電流范圍內(nèi)的最大充電功率約束，式（7）為單個儲能電池在每個時間步長內(nèi)的最大放電功率約束。

[Pbat，cmax=minPbat，cmax，kbm， Pbat，cmax，mcr， Pbat，cmax，mccηbat，c] （2）

[Pbat，dmax=ηbat，dPbat，amax，kbm] （3）

[Pbat，cmax，kbm=-kcQmax+kQie-kΔt+Qkc1-e-kΔt1-e-kΔt+ckΔt-1+e-kΔt] （4）

[Pbac，cmax，mcr=1-e-acΔtQmax-QΔt] （5）

[Pbac，cmax，mcc=NbatImaxVnom1000] （6）

[Pbat，dmax，kbm=kQie-kΔt+Qkc1-e-kΔt1-e-kΔt+ckΔt-1+e-kΔt] （7）

式中：[Pbat，cmax]——蓄電池最大充電功率，kW；[Pbat，dmax]——蓄電池最大放電功率，kW；[Pbat，cmax，kbm]——蓄電池各時間步長內(nèi)最大充電功率，kW；[Pbat，cmax，mcr]——蓄電池在最大充電速率限制內(nèi)最大充電功率，kW；[Pbat，cmax，mcc]——蓄電池在最大充電電流限制內(nèi)最大充電功率，kW；[Pbat，amax，kbm]——蓄電池各時間步長內(nèi)最大放電功率，kW；[ηbat，c]——蓄電池充電效率；[ηbat，d]——蓄電池放電效率；[Qi]——蓄電池可用能量，kJ；[Qmax]——蓄電池的最大儲能量，kJ；[k]——蓄電池的速率常數(shù)；[c]——蓄電池的容量比例；[ac]——蓄電池的最大充電速率，A；[Nbat]——蓄電池的串并聯(lián)總數(shù)；[Vnom]——蓄電池的額定電壓，V；[Imax]——蓄電池的最大充電電流，A。

HOMER軟件中可設(shè)置電池儲能系統(tǒng)來平抑分布式光伏和負荷的凈負荷波動。設(shè)置電池儲能系統(tǒng)采用100 kWh固定容量的鋰電池，其電池串模型的額定電壓為600 V。電池模塊初始投資和替換成本為2000 元/kWh，年運行和維護成本為80 元/kWh。

1.4 柴油發(fā)電機模型及參數(shù)

HOMER軟件中，柴油發(fā)電機的燃料消耗與發(fā)電功率之間的關(guān)系［16］為：

[FDG=aTDG+bPDG] （8）

式中：[FDG]——柴油發(fā)電機的燃料消耗速率，L/h；[TDG]——柴油發(fā)電機的額定容量，kVA；[PDG]——柴油發(fā)電機的輸出功率，kW；[a]——柴油發(fā)電機燃油消耗曲線的截距，L/kWh；[b]——柴油發(fā)電機燃油消耗曲線的斜率，L/kWh。

柴油發(fā)電機效率為：

[ηDG=3600PDGρDGaTDG+bPDGLDG] （9）

式中：[ηDG]——柴油發(fā)電機的效率，%；[ρDG]——柴油發(fā)電機消耗柴油的密度，kg/m3；[LDG]——柴油發(fā)電機消耗柴油的低熱值，MJ/kg。

柴油發(fā)電機通常用來滿足峰值負荷需求。由于光伏發(fā)電的不穩(wěn)定性，本文采用柴油發(fā)電機作為補充電源。離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)設(shè)計考慮3臺100 kW和1臺50 kW固定容量的柴油發(fā)電機。其中，100 kW柴油發(fā)電機的初始投資和替換成本為40000元/臺，運行和維護成本為9元/（h·臺）。又考慮到柴油發(fā)電機在低負載工況下運行成本較高，故對其最低運行負載進行限制，本文定為25%。

1.5 逆變器參數(shù)

考慮微電網(wǎng)中直流部分和交流部分的轉(zhuǎn)換，在規(guī)劃模型中納入逆變器配置。本文逆變器的投資成本和更換成本分別為5393.54和4800 元/kW，年維護費用為60元/kW，運行壽命設(shè)定為15 a，效率為95%。

2 多場景離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)構(gòu)建

2.1 系統(tǒng)優(yōu)化運行策略

基于HOMER的離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)可選用兩種運行策略，分別為負荷跟隨（load following， LF）運行策略和循環(huán)充電（cycle charging， CC）運行策略。

負荷跟隨運行策略下，柴油發(fā)電機起到跟隨凈負荷作用，當分布式光伏輸出功率大于系統(tǒng)負荷功率需求時，滿足負荷需求外，其多余發(fā)電量將用于電池儲能充電；而當分布式光伏輸出功率小于系統(tǒng)負荷功率需求時，比較柴油發(fā)電機和電池儲能的出力成本，選擇發(fā)電成本低的電源優(yōu)先給負荷供電［17］。負荷跟隨較適用于可再生能源較為豐富的地區(qū)［18］。循環(huán)充電策略下，當分布式光伏輸出功率小于系統(tǒng)負荷功率需求時，柴油發(fā)電機以額定功率運行，滿足負荷需求外，其多余發(fā)電量將用于電池儲能充電。

2.2 清潔性和經(jīng)濟性指標

2.2.1 清潔性指標

本文所構(gòu)建的離網(wǎng)型光-柴-儲微電網(wǎng)中包含兩種分布式電源，分別為光伏和柴油發(fā)電機。為了降低微電網(wǎng)系統(tǒng)中柴油發(fā)電機運行產(chǎn)生的碳排放，同時考慮提高可再生能源利用率，減少微電網(wǎng)的棄光量，本文采用可再生能源占比（renewable fraction，RF）和二氧化碳排放量[（ECO2）]兩個指標來評估離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)的清潔性。

離網(wǎng)型光-柴-儲微電網(wǎng)的可再生能源占比和不可再生能源占比分別為：

[fRF=1-fNRF] （10）

[fNRF=EnonrenEserved×100%] （11）

式中：[fRF]——可再生能源占比，當[fRF]為0時，表明該微電網(wǎng)中電力負荷完全由柴油發(fā)電機供應(yīng)，而當[fRF]為100%時，則表明該微電網(wǎng)中電力負荷完全由分布式光伏供應(yīng)；[fNRF]——不可再生能源占比；[Enonren]——微電網(wǎng)系統(tǒng)中由柴油發(fā)電機產(chǎn)生的年發(fā)電量，kWh/a；[Eserved]——微電網(wǎng)系統(tǒng)中年電負荷量，kWh/a。

對于離網(wǎng)型光-柴-儲微電網(wǎng)，其內(nèi)部傳統(tǒng)分布式發(fā)電機組運行會排放CO2。[ECO2]的計算式為：

[ECO2=ηPDG，t] （12）

式中：[ECO2]——[t]時刻離網(wǎng)型光-柴-儲微電網(wǎng)中柴油發(fā)電機發(fā)電所產(chǎn)出的CO2排放量，kg/kWh；[PDG，t]——[t]時刻柴油發(fā)電機輸出功率，kW；[η]——碳排放系數(shù)，取0.86 kg/kWh。

2.2.2 經(jīng)濟性指標

微電網(wǎng)容量規(guī)劃設(shè)計需綜合考慮系統(tǒng)總凈現(xiàn)值成本，并且為了更充分利用光伏出力，降低用電成本，本文選取系統(tǒng)凈現(xiàn)值（net present cost， NPC）和平準化度電成本（LCOE）作為離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)的經(jīng)濟性指標。

LCOE是對系統(tǒng)生命周期內(nèi)成本和發(fā)電量進行平準化后計算得到的發(fā)電成本［19］，其計算式為：

[fLCOE=Cann，totEserved×100%] （13）

其中：

[Cann，tot=fNPC?CRN（ρ，N）] （14）

[CRNi，N=ρ?（1+ρ）N（1+ρ）N-1] （15）

式中：[fLCOE]——系統(tǒng)平準化度電成本，元；[Cann，tot]——系統(tǒng)年化總成本，元/a；[fNPC]——微電網(wǎng)系統(tǒng)的總凈現(xiàn)值成本，包括所有成本以及在項目生命周期內(nèi)產(chǎn)生的收入，如初始投資成本、運行和維護成本、重置成本、燃料成本和殘值，元；[CRN（ρ，N）]——資本回收系數(shù)，用于將現(xiàn)值轉(zhuǎn)換為相等的年度現(xiàn)金流； [ρ]——貼現(xiàn)率；[N]——項目壽命周期，a。

NPC是系統(tǒng)在其生命周期內(nèi)產(chǎn)生的所有成本的現(xiàn)值減去系統(tǒng)在其生命周期內(nèi)獲得的所有收入的現(xiàn)值。成本部分包括投資成本、重置成本、運行維護成本、燃料成本、排放二氧化碳罰款以及從電網(wǎng)購買電力的成本［20］。收入部分包括設(shè)備殘值和微電網(wǎng)向大電網(wǎng)售電的收入。其計算公式為：

[fNPC=Cann，totCRN（ρ，N）] （16）

2.3 多場景微電網(wǎng)優(yōu)化配置目標

本文從僅考慮微電網(wǎng)經(jīng)濟性、僅考慮微電網(wǎng)清潔性以及同時考慮微電網(wǎng)經(jīng)濟性和清潔性3個角度設(shè)置不同場景，分別開展光-柴-儲協(xié)同配置研究。

1）場景1：考慮微電網(wǎng)系統(tǒng)NPC最低，其目標函數(shù)為：

[min F1=fNPC] （17）

2）場景2：考慮微電網(wǎng)系統(tǒng)可再生能源占比最高，即[fNRF]最低，其目標函數(shù)為：

[min F2=fNRF] （18）

3）場景3：綜合考慮微電網(wǎng)系統(tǒng)經(jīng)濟性及清潔度最佳，其目標函數(shù)為：

[min F3=ω1fLCOE+ω2fNPC+ω3fNRF+ω4ECO2] （19）

式中：[ωn]（[n]=1，2，3，4）——對應(yīng)第[n]個指標的權(quán)重值。

基于熵權(quán)法確定各指標權(quán)重，從而構(gòu)建多目標函數(shù)。熵是對不確定信息的度量，從信息熵的角度看，一個指數(shù)的離散度可用熵值來衡量，它的信息熵越低，其離散度越高，對綜合評估的影響（也就是加權(quán)）越大，當一個指數(shù)的所有數(shù)值都相等時不能作為綜合評估［21］。因此，可通過信息熵來確定各指標的權(quán)重，從而為多項指標的綜合評估奠定基礎(chǔ)。主要步驟包括構(gòu)建決策矩陣、數(shù)據(jù)歸一化、信息熵計算，最終確定指標權(quán)重［22］。

1）構(gòu)建決策矩陣。當有[m]項備選方案時需要根據(jù)[n]項決策指標進行評估，則決策矩陣為：

[A=（aij）m×n=a11…a1n???am1…amn] （20）

式中：[aij]——第[i]個備用方案的第[j]個決策指標的值。

2）數(shù)據(jù)歸一化。由于各項決策指標計量單位不統(tǒng)一，因此在計算綜合權(quán)重前需對其進行歸一化處理，正向指標歸一化和負向指標歸一化分別為：

[rij=aij-minjaijmaxjaij-minjaij] （21）

[rij=maxjaij-aijmaxjaij-minjaij] （22）

3）信息熵計算。決策指標的信息熵：

[Ej=-lnm-1i=1mpijlnpij] （23）

式中：[Ej]——決策指標信息熵；[pij]——[j]項決策指標下[i]方案的概率，其計算公式為：

[pij=riji=1mrij] （24）

4）基于決策指標的信息熵，可得決策矩陣的權(quán)重值[ωj]為：

[ωj=1-Ejn-j=1nEj] （25）

3 算例分析

3.1 參數(shù)設(shè)置

本文選取位于中國武漢市某商業(yè)區(qū)的離網(wǎng)型光-柴-儲微電網(wǎng)開展算例分析。該區(qū)域年無霜期一般為211～272 d［23］，年日照總時數(shù)為1810～2100 h，年總輻射為104～113 kJ/cm2，年太陽輻照度如圖2a所示，年平均氣溫為15.8～17.5 ℃，如圖2b所示。

本文所選光伏組件的初始投資成本和替換成本為9599.26 元/kW，運行壽命設(shè)定為25 a。其中，光伏陣列的降額系數(shù)取為80%。此外，光伏發(fā)電系統(tǒng)采取水平軸持續(xù)跟蹤的策略，地面反射率為20%，溫度系數(shù)為[-0.5]，工作溫度約為47 ℃，平板效率約為13%。離網(wǎng)型光-柴-儲微電網(wǎng)中柴油發(fā)電機碳排放為1.98 g/L。

該商業(yè)園區(qū)年負荷數(shù)據(jù)如圖3a所示，日均負荷用電約為2619.91 kWh，平均功率為109.16 kW，日最高負荷為376.19 kW。如圖3b所示，商業(yè)園區(qū)一天中09：00—20：00為用電高峰時段，從月份跨度來看，商業(yè)園區(qū)月平均負荷始終維持在200～300 kW，在8月份達到用電最高峰。

3.2 多策略下微電網(wǎng)優(yōu)化配置

基于HOMER軟件開展面向場景1的多策略優(yōu)化配置設(shè)計，分別得出LF策略和CC策略下的最優(yōu)配置，對比分析不同策略下最優(yōu)配置以及電源組件參數(shù)，并得出場景1下離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)最優(yōu)配置及優(yōu)化運行策略?；贖OMER的多策略微電網(wǎng)優(yōu)化配置流程如圖4所示。不同策略下微電網(wǎng)最優(yōu)配置結(jié)果如表1所示。LF策略下最優(yōu)配置確定為光伏裝機容量811 kW，14串標稱容量為100 kWh的鋰電池、3臺額定輸出功率為100 kW的柴油發(fā)電機和1臺額定輸出功率為50 kW的柴油發(fā)電機以及額定功率為271 kW的逆變器。CC策略下最優(yōu)配置為光伏裝機容量829 kW，17串標稱容量為100 kWh的鋰電池、2臺輸出功率為100 kW的柴油發(fā)電機和1臺額定輸出功率為50 kW的柴油發(fā)電機以及額定功率為282 kW的逆變器。相比之下，CC策略下微電網(wǎng)系統(tǒng)中光伏裝機容量更大，這是由于該策略下當分布式光伏輸出功率小于系統(tǒng)負荷功率需求時，柴油發(fā)電機以額定功率運行，因此相同負荷下少一組100 kW柴油發(fā)電機，但電池串數(shù)增至17串，用于存儲柴油發(fā)電機產(chǎn)出的多余電能。

兩種運行策略下離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)各組件的初始投資成本、替換成本、運維成本、燃料費用和回收費用如表2、表3所示?？煽闯?，雖然CC策略下微電網(wǎng)系統(tǒng)的最優(yōu)配置少一組100 kW柴油發(fā)電機，但其總成本仍高于LF策略，這是因為電池串數(shù)增多導(dǎo)致其初始投資成本較高，CC策略下當分布式光伏輸出功率小于系統(tǒng)負荷功率需求時，柴油發(fā)電機總是以額定功率運行，致使電池充電次數(shù)增多，因此CC策略下電池的運維成本以及替換成本較高，CC策略下微電網(wǎng)總成本高于LF策略。

LF策略和CC策略下微電網(wǎng)系統(tǒng)的光伏和柴油發(fā)電機的運行時長、電力供應(yīng)比例和柴油消耗量有所不同，各參數(shù)分別如表4和表5所示。

LF策略下離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)中約81.2%的電能來源于光伏，柴油發(fā)電機主要起到后備能源的作用。LF策略下全年柴油消耗量如圖5a所示，柴油發(fā)電機月柴油消耗量如圖5b所示。在全年第90～第200天之間，燃料花費呈顯著減少趨勢，這與所研究微電網(wǎng)所處的地理位置有密切關(guān)系，在北半球亞熱帶季風氣候的作用下，夏天的太陽輻照度于一年中達到頂峰，故光伏出力相較于其他時間更多，在負荷需求相對變化不大的情況下，系統(tǒng)對于柴油發(fā)電機的補充電力依賴較小，燃料花費相應(yīng)減少。CC策略下離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)中81.0%的電能來源于光伏。該策略下當分布式光伏輸出功率小于系統(tǒng)負荷功率需求時，柴油發(fā)電機以額定功率運行滿足負荷需求，為使得NPC最低，微電網(wǎng)系統(tǒng)對50 kW柴油發(fā)電機調(diào)用最多，此避免產(chǎn)生過多的滿足負荷需求外的電能，其產(chǎn)電量也是柴油發(fā)電機組中最多的，明顯多于LF策略下50 kW柴油發(fā)電機發(fā)電量。CC策略下全年柴油消耗量如圖5c所示，柴油發(fā)電機月燃料消耗量如圖5d所示。LF策略下柴油年消耗量為75059 L，CC策略下柴油年消耗量為74224 L，雖然LF策略下多一組100 kW柴油發(fā)電機，但由于柴油發(fā)電機只起到跟隨凈負荷作用，因此其柴油消耗量僅比CC策略多 1.11%。

兩種策略下離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)的光伏出力參數(shù)如表6所示。LF策略下可再生能源容量占總?cè)萘康?9.9%，圖6a給出了全年不同月份光伏發(fā)電占比。LF策略下全年光伏出力時長為4375 h，光伏全年提供的電量占系統(tǒng)負荷全年耗電總量的百分比達到108%，光伏滲透率達到81.2%，微電網(wǎng)系統(tǒng)中電能主要來源于光伏，柴油發(fā)電機作為系統(tǒng)的補充能源主要用于滿足峰值負荷需求。圖6b為CC策略下全年不同月份光伏發(fā)電占比。CC策略下全年光伏出力時長為4375 h，光伏全年提供的電量占系統(tǒng)負荷全年耗電總量的百分比達到112%，光伏滲透率達到81.0%。在CC策略下，棄光較多，損失的過剩電能為297079 kWh/a，占總產(chǎn)出電能的22.5%，且存在負荷無法滿足的情況（無法滿足負荷為13.8 kWh/a）缺電率為0.0014%；而LF策略下，損失的過剩電能為252691 kWh/a，不存在負荷無法滿足的情況，缺電率為0%。

圖7為兩種策略下離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)中蓄電池全年荷電狀態(tài)（state of charge，SOC）。LF策略下電池在全年的使用過程中基本上每天都存在著充放電過程，尤其在第90天～第210天之間電池維持滿電荷的狀態(tài)更多，主要原因是在這期間，太陽輻照度的增強導(dǎo)致光伏出力的增加，且光伏出力大于負荷需求，因此中午時刻SOC基本都在90%以上，這也使得LF策略下出現(xiàn)棄光現(xiàn)象。CC策略下，在全年第90天～第270天期間電池維持滿電荷的狀態(tài)更多，且對于儲能的調(diào)用更積極，從日時間尺度來看儲能SOC全天都較高，因為當分布式光伏輸出功率小于系統(tǒng)負荷功率需求時，柴油發(fā)電機以額定功率運行滿足負荷需求，多余電能將存儲在儲能中，因此在凌晨以及傍晚SOC都較高，而LF策略下在00：00—06：00期間SOC都在最低狀態(tài)，因為LF策略調(diào)用柴油發(fā)電機僅滿足凈負荷，不會產(chǎn)生多余電能。兩種策略下電池充放電參數(shù)如表7所示。

兩種策略下經(jīng)濟性及清潔性指標結(jié)果如表8所示。由表8可看出，LF策略下微電網(wǎng)系統(tǒng)經(jīng)濟性更優(yōu)，NPC和LCOE均低于CC策略；而清潔性方面，RF值相較于CC策略僅提升1.9%，[ECO2]僅增加1.11%。CC策略下經(jīng)濟性較差，且存在無法滿足負荷需求的情況，缺電率為0.0014%；LF策略下供電可靠性更高，缺電率為0%。因此，在所建立場景中離網(wǎng)型光-柴-儲微電網(wǎng)，最優(yōu)運行策略為LF策略。

3.3 多場景優(yōu)化配置結(jié)果

基于2.2節(jié)場景，采用LF策略開展多場景下離網(wǎng)型光-柴-儲微電網(wǎng)優(yōu)化配置。表9為場景3中基于熵權(quán)法的各指標權(quán)重計算結(jié)果。

多場景下離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)最優(yōu)配置如表10所示。場景1下微電網(wǎng)光伏裝機容量為811 kW，鋰電池容量為1400 kWh，NPC和LCOE均最低，但清潔性較差。場景2下微電網(wǎng)系統(tǒng)清潔性最高，其中[ECO2]為0，與場景1相比，其RF提升了24.89個百分點，而[ECO2]減少了100%，但其經(jīng)濟性較差。場景2的優(yōu)化目標為可再生能源占比最高，為實現(xiàn)此優(yōu)化目標，場景2下光伏最優(yōu)裝機容量為3000 kW，鋰電池最優(yōu)容量為13200 kWh，該場景下光伏最優(yōu)裝機容量和鋰電池最優(yōu)容量分別比場景1高269.91%和842.86%，這也使得其經(jīng)濟性較差，其NPC和LCOE分別比場景1高272.94%和273.31%。場景3下，綜合考慮微電網(wǎng)系統(tǒng)的經(jīng)濟性以及清潔性，得出其最優(yōu)配置為光伏額定功率1500 kW，鋰電池容量700 kWh，CO2排放量199576.1 kg/a，與場景1相比，雖然NPC和LCOE都略有增大，但其可再生能源占比也稍有提高了，并且該場景下鋰電池容量減少了50%，減小了系統(tǒng)對于鋰電池組的依賴，場景3實現(xiàn)了微電網(wǎng)系統(tǒng)經(jīng)濟性與清潔性的最佳權(quán)衡。

3.4 敏感性分析

分析離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)配置對不同參數(shù)的敏感性，包括柴油價格、光伏組件初始成本、蓄電池和負荷需求。參數(shù)設(shè)置如表11所示。光伏組件初始成本和蓄電池初始成本倍率分別設(shè)置為1.0和0.6時微電網(wǎng)配置對柴油發(fā)電機柴油價格和負荷需求的靈敏度如圖8所示。

圖8a顯示了光伏組件及蓄電池初始成本倍率均為1.0的場景下柴油價格和負荷對系統(tǒng)NPC最優(yōu)配置的影響。當柴油價格在7.4～8.3元/L、負荷在2700～2950 kWh/d內(nèi)時，微電網(wǎng)系統(tǒng)的最優(yōu)化配置為3臺100 kW固定容量的柴油發(fā)電機以及光伏組件和蓄電池組；當柴油價格在8.6～9.0 元/L、負荷在3000～3200 kWh/d內(nèi)時，最優(yōu)配置為3臺100 kW固定容量的柴油發(fā)電機以及光伏組件和蓄電池組；當柴油價格在6.59～8.10 元/L、負荷在2619.91～2650 kWh/d內(nèi)時，最優(yōu)化配置為2臺100 kW固定容量的柴油發(fā)電機、1臺50 kW固定容量的柴油發(fā)電機以及光伏組件和蓄電池組；其余情況下最優(yōu)配置均為3臺100 kW固定容量的柴油發(fā)電機、1臺50 kW固定容量的柴油發(fā)電機以及光伏組件和蓄電池組。由圖8b可知，在光伏組件和蓄電池初始成本倍率均為0.6的場景下，在柴油發(fā)電機柴油價格和負荷大小的變化范圍內(nèi)，該離網(wǎng)型光-柴-儲微電網(wǎng)的最優(yōu)配置始終為3臺100 kW固定容量的柴油發(fā)電機、1臺50 kW固定容量的柴油發(fā)電機以及光伏組件和蓄電池組。在光伏組件及蓄電池初始成本倍率均為1的場景下，柴油價格以及負荷對系統(tǒng)最優(yōu)配置有較大影響。

柴油價格和負荷對系統(tǒng)NPC的影響如8所示?？梢?，無論光伏組件和蓄電池的初始成本倍率為1.0還是0.6，對應(yīng)系統(tǒng)的NPC均隨柴油發(fā)電機柴油價格和負荷需求的增加而相應(yīng)增大。當柴油價格在7.0～8.2 元/L，負荷在2619.91～3171.95 kWh/d內(nèi)時，1.0成本倍率下系統(tǒng)NPC遠高于0.6成本倍率；而當柴油價格為10 元/L，負荷為4000 kWh/d時，0.6成本倍率下系統(tǒng)NPC卻更高。

4 結(jié) 論

本文利用HOMER軟件對武漢某商業(yè)園區(qū)開展離網(wǎng)型光-柴-儲微電網(wǎng)系統(tǒng)在多場景下的優(yōu)化配置研究，從系統(tǒng)配置結(jié)果、光伏滲透率、電池荷電狀態(tài)等方面進行比較分析，基于經(jīng)濟性和清潔性指標對多場景下微電網(wǎng)系統(tǒng)的配置、LCOE、總成本和總排放等性能進行了比較分析，并結(jié)合具體案例開展了敏感性因素分析。得出以下主要結(jié)論：

1）本文以武漢某商業(yè)園區(qū)場景為對象，以系統(tǒng)NPC最低為目標得到兩種運行策略下系統(tǒng)最優(yōu)配置及其經(jīng)濟性、清潔性結(jié)果，對比發(fā)現(xiàn)，LF策略更適合該場景，LF策略下系統(tǒng)最優(yōu)配置為光伏組件額定功率為811 kW、3臺額定輸出功率為100 kW的柴油發(fā)電機和1臺額定輸出功率為50 kW的柴油發(fā)電機、逆變器輸出功率為271和100 kW固定容量鋰電池14串。由于離網(wǎng)型微電網(wǎng)需要克服光伏出力波動，并在滿足負荷的前提下實現(xiàn)一定的經(jīng)濟性和清潔性目標，因此光伏最優(yōu)配置容量較高，也使得系統(tǒng)存在棄光現(xiàn)象。

2）基于所提經(jīng)濟性和清潔性指標，得到了3種場景下系統(tǒng)的最優(yōu)配置。場景1中僅考慮系統(tǒng)NPC，而配置結(jié)果對應(yīng)的可再生能源占比較低、系統(tǒng)清潔性較差；場景2中僅考慮可再生能源占比，配置結(jié)果對應(yīng)的系統(tǒng)經(jīng)濟性較差，LCOE達到7.694元；對比場景1、場景2和場景3中微電網(wǎng)最優(yōu)配置，場景3實現(xiàn)了微電網(wǎng)系統(tǒng)經(jīng)濟性與清潔性的最佳權(quán)衡，其最優(yōu)配置為光伏額定功率1500 kW，鋰電池容量700 kWh，并且在此場景下系統(tǒng)鋰電池容量最低，極大降低了系統(tǒng)對于儲能電池的依賴。

3）基于敏感性分析可得出，對于該離網(wǎng)型光-柴-儲微電網(wǎng)，柴油發(fā)電機柴油價格和負荷需求都會極大的影響系統(tǒng)NPC，但對系統(tǒng)最優(yōu)配置的影響較小，僅當柴油發(fā)電機柴油價格在7.4～8.3 元/L且負荷在2700～2950 kWh/d內(nèi)以及柴油發(fā)電機柴油價格在8.6～9.0 元/L且負荷在3000～3200 kWh/d內(nèi)時，對應(yīng)最優(yōu)配置與其他參數(shù)下結(jié)果有所不同，且在光伏組件及蓄電池初始成本倍率均為1.0的場景下，柴油價格與負荷對系統(tǒng)最優(yōu)配置有較大影響。

［參考文獻］

［1］ 南斌， 董樹鋒， 唐坤杰， 等. 考慮需求響應(yīng)和源荷不確定性的光儲微電網(wǎng)儲能優(yōu)化配置［J］. 電網(wǎng)技術(shù)， 2023，47（4）： 1340-1352.

NAN B， DONG S F， TANG K J， et al. Optimal configuration of energy storage in PV-storage microgrid considering demand response and uncertainties in source and load［J］. Power system technology， 2023， 47（4） ：1340-1352.

［2］ 王振浩， 馬爽， 李國慶， 等. 考慮復(fù)合儲能電站接入的電網(wǎng)日前-日內(nèi)兩階段滾動優(yōu)化調(diào)度［J］. 太陽能學(xué)報， 2022， 43（10）： 400-408.

WANG Z H， MA S ， LI G Q， et al. Day-ahead and intra-day two-stage rolling optimal dispatch of power grid considering access of composite energy storage power stations［J］. Acta energiae solaris sinica， 2022， 43（10）： 400-408.

［3］ 劉慧文， 王生鐵， 劉廣忱， 等. 風光柴儲微電網(wǎng)容量優(yōu)化配置的運行策略［J］. 太陽能學(xué)報， 2022， 43（9）： 453-460.

LIU H W， WANG S T， LIU G C， et al. Operation strategy of optimal capacity configuration for microgrid with WT-PV-DE-BES［J］. Acta energiae solaris sinica， 2022， 43（9）： 453-460.

［4］ 侯慧， 王晴， 薛夢雅， 等. 計及源荷不確定性及需求響應(yīng)的離網(wǎng)型微電網(wǎng)兩階段日前經(jīng)濟調(diào)度［J］. 電力系統(tǒng)保護與控制， 2022， 50（13）： 73-85.

HOU H， WANG Q， XUE M Y， et al.Two-stage economic day-ahead dispatch of an islanded microgrid considering uncertainty" "and" "demand" "response［J］." "Power" "system protection and control， 2022， 50（13）： 73-85.

［5］ 陳曦， 付文龍， 張海榮， 等. 考慮新能源發(fā)電不確定性的含微電網(wǎng)群共享儲能優(yōu)化調(diào)度［J］. 電網(wǎng)技術(shù)， 2024， 48（1）： 219-236.

CHEN X， FU W L， ZHANG H R， et al. Optimal dispatching strategy of shared energy storage with multi-microgrid considering the uncertainty of new energy generation［J］. Power system technology， 2024， 48（1）： 219-236.

［6］ 趙超， 王斌， 孫志新， 等. 基于改進灰狼算法的獨立微電網(wǎng)容量優(yōu)化配置［J］. 太陽能學(xué)報， 2022， 43（1） ： 256-262.

ZHAO C， WANG B， SUN Z X， et al. Optimal configuration optimization of islanded microgrid using improved grey wolf optimizer algorithm［J］. Acta energiae solaris sinica， 2022， 43（1） ： 256-262.

［7］ 譚穎， 呂智林， 李蘇川. 混合微電網(wǎng)能量優(yōu)化配置及影響因素靈敏度分析［J］. 廣西大學(xué)學(xué)報（自然科學(xué)版）， 2015， 40（5）： 1210-1219.

TAN Y，LYU Z L， LI S C. Hybrid micro-grid energy optimization and sensitivity analysis of influencing factors［J］. Journal of Guangxi University （natural science edition） ， 2015， 40（5）： 1210-1219.

［8］ 張紫禾. 微電網(wǎng)項目成本分析及其對策研究［D］. 天津：天津大學(xué)， 2017.

ZHANG Z H.Research on cost analysis and countermeasures of micro-grid project［D］. Tianjin： Tianjin University， 2017.

［9］ SALAMEH T， GHENAI C， MERABET A， et al. Techno-economical optimization of an integrated stand-alone hybrid solar PV tracking and diesel generator power system in Khorfakkan， United Arab Emirates［J］. Energy， 2020， 190： 116475.

［10］ MALEKI A， POURFAYAZ F， HAFEZNIA H， et al. A novel framework for optimal photovoltaic size and location in remote areas using a hybrid method：a case study of eastern Iran［J］. Energy conversion and management， 2017， 153： 129-143.

［11］ 左沖， 賈彥， 孟克其勞， 等. 基于HOMER仿真的風光儲互補發(fā)電系統(tǒng)容量優(yōu)化配置研究［J］. 內(nèi)蒙古電力技術(shù)， 2023， 41（1）： 21-25.

ZUO C， JIA Y， MENG K Q L. et al. Research on optimized" " capacity" " allocation" " of" " wind?solar?storage complementary power generation system based on HOMER simulation ［J］.Inner mongolia electric power， 2023， 41（1）： 21-25.

［12］ 廉超， 姜一軍， 陳萌， 等. 基于HOMER仿真的微電網(wǎng)電源配置研究［C］//浙江省電力學(xué)會2013年度優(yōu)秀論文集. 2013： 150-155.

LIAN C， JIANG Y J， CHEN M， et al. Study of optimization method of distributed generation in micro-grid base on HOMER simulation［C］//Zhejiang Electric Power Society 2013 Annual Excellent Paper Collection. 2013： 150-155.

［13］ ELKADEEM M R， WANG S R， SHARSHIR S W， et al. Feasibility analysis and techno-economic design of grid-isolated hybrid renewable energy system for electrification of agriculture and irrigation area： a case study in Dongola， Sudan［J］. Energy" conversion" and" management，" 2019， 196： 1453-1478.

［14］ ZHANG W， MALEKI A， ROSEN M A， et al. Sizing a stand-alone solar-wind-hydrogen energy system using weather forecasting and a hybrid search optimization algorithm［J］. Energy conversion amp; management， 2019， 180： 609-621.

［15］ 丁明， 王波， 趙波， 等. 獨立風光柴儲微網(wǎng)系統(tǒng)容量優(yōu)化配置［J］. 電網(wǎng)技術(shù)， 2013， 37（3）： 575-581.

DING M， WANG B， ZHAO B，et al. Configuration optimization of capacity of standalone PV-wind-diesel-battery hybrid microgrid［J］. Power system technology， 2013， 37（3）： 575-581.

［16］ 周民華. 偏遠山區(qū)混合可再生能源系統(tǒng)的優(yōu)選研究［D］.哈爾濱： 哈爾濱工業(yè)大學(xué)， 2020.

ZHOU M H.The optimal selection research of hybrid renewable energy system in remote mountainous areas［D］. Harbin： Harbin Institute of Technology， 2020.

［17］ 劉夢璇， 王成山， 郭力， 等. 基于多目標的獨立微電網(wǎng)優(yōu)化設(shè)計方法［J］. 電力系統(tǒng)自動化， 2012， 36（17）： 34-39.

LIU M X， WANG C S， GUO L， et al.An optimal design method of multi-objective based island microgrid［J］. Automation of electric power systems， 2012， 36（17）： 34-39.

［18］ 趙長龍. 微網(wǎng)運行經(jīng)濟型及HOMER軟件應(yīng)用研究［D］. 成都： 西南交通大學(xué)， 2015.

ZHAO C L. Research on economic operation of microgrid and its application using HOMER software［D］. Chendu： Southwest Jiaotong University， 2015.

［19］ LU J X， WANG W J， ZHANG Y C， et al. Multi-objective optimal design of stand-alone hybrid energy system using entropy weight method based on HOMER［J］. Energies，2017， 10（10）： 1664.

［20］ RIAYATSYAH T M I， GEUMPANA T A， RIZWANUL" FATTAH I M， et al. Techno-economic analysis and optimisation of campus grid-connected hybrid renewable energy" system" using" HOMER" grid［J］." Sustainability， 2022， 14（13）： 7735.

［21］ 羅洋. 基于AHP-熵權(quán)法的綜合能源系統(tǒng)多指標評價研究［D］. 北京： 華北電力大學(xué)， 2021.

LUO Y. Research on multi index evaluation method of integrated energy system based on AHP-entropy weight method［D］." Beijing：" "North" "China" "Electric" "Power University， 2021.

［22］ 劉明亮. 微電網(wǎng)系統(tǒng)環(huán)保經(jīng)濟調(diào)度模型及優(yōu)化算法研究［D］. 北京： 華北電力大學(xué)， 2014.

LIU M L. Research on micro-grid environmental and economic" dispatch" model" and" algorithm［D］." Beijing： North China Electric Power University， 2014.

［23］ 吳浩， 江志猛， 林安琪， 等. 基于隱性—韌性—顯性的武漢城市資源環(huán)境承載力空間特征［J］. 地理學(xué)報， 2021， 76（10）： 2439-2457.

WU H， JIANG Z M， LIN A Q， et al.Analyzing spatial characteristics of urban resource and environment carrying capacity based on Covert-Resilient-Overt： a case study of Wuhan city［J］. Acta geographica sinica， 2021， 76（10）： 2439-2457.

OPTIMIIATION DESIGN OF MULTI-SCENE OFF-GRID

MICROGRID BASED ON HOMER

Zhang Yifan1，Yan Shiye1，Li Bin1，Liu Dan2，Ye Jilei1，Liu Lili1

（1. School of Energy Science and Engineering， Nanjing Tech University， Nanjing 211816， China；

2. Electric Power Research Institute， State Grid HuBei Electric Power Co.， Ltd.， Wuhan 340077， China）

Abstract：This paper conducts an optimization design for off-grid PV-diesel-storage microgrid system in a commercial park in Wuhan based on HOMER software， China. Firstly， a capacity optimization planning model for the off-grid PV-diesel-storage microgrid system under multiple operation strategies is constructed. Based on this， the capacity planning of system， PV penetration ratio， and battery energy storage operational status under different operation strategies are analyzed， and the optimal operation strategy for the off-grid PV-diesel-storage microgrid system is derived. Then， the capacity optimization planning of the off-grid PV-diesel-storage microgrid under multiple scenarios is conducted based on the optimal operation strategy， and a comparative analysis of LCOE， NPC， and total emissions for the off-grid PV-diesel-storage microgrid under multiple scenarios is performed. Finally， the aout sensitivity analysis with specific cases re also carried. The results indicate that the proposed capacity planning model can achieve the best balance between economic and environmental performance of the system， and reduce the reliance on energy storage batteries. Additionally， the sensitivity analysis reveals the impact of different unit and load parameters on the optimal capacity planning.

Keywords：microgrids； renewable energy； energy storage； HOMER simulation； multiple scenarios； capacity configuration