风光互补发电外文翻译

外文翻译

题目：独立混合太阳能风力发电系统的最佳规模的研究现状

沈阳农业大学学士学位论文外文翻译

独立混合太阳能风力发电系统的最佳规模的研究现状

周炜娄承芝黎仲实陆林杨宏星

可再生能源研究小组（RERG ），屋宇设备工程学系，香港理工大学，香港

环境科学与技术学院，天津大学，天津，中国

摘要：太阳能和风能可以说是无处不在，自由，环保，他们被视为最具有前途的发电来源之一。混合型太阳能风力发电系统，使用两个可再生能源提高了系统的效率和功率的可靠性和减少了能量的存储要求。本文着重优化独立太阳能风力混合能源系统，蓄电池存储和控制技术。研究发现在持续的研究和开发工作中，建立准确地预测它们的输出和可靠的技术整合他们与其他可再生能源或常规能源共同发电系统性能这方面仍然需要改善。

关键词：太阳能风力混合能源系统；可行性研究；建模；优化

目录

1.引言.. . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . .... .. (1)

2.气象数据生成的可行性研究. . ... . . . . . . . . . .. . . .. . . . . . . . ... . . .. (1)

2.1.时间序列气象数据 . . . . . . . . . ... . . . . . . .. . . . . . . . . . . . ... . .. (1)

2.2.气象数据统计. . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . .... . .. (1)

3.太阳能风力的混合动力系统组件的仿真建模. . ... . .. . . . . . . . . . .. . . . . . .. (2)

3.1光伏发电系统建模. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (3)

3.2风能系统建模. . . . . . . . . . . . . . . . . . . .. . . . . . . . .. . . . . . (3)

3.3电池存储系统的建模. . . . . . . . . . . . . . . .. .. . . . . . . . . . . . ... . (3)

4太阳能风力的混合动力系统优化标准. . . . . ... . . . . . . .. . . . . . . . . . . .... . (4)

4.1电力可靠性分析 . . . .. . .. . . . . . . . . . . . . . . . . . . . . . .... ... .. (4)

4.2系统的成本分析 . . . .. . . . . . . . . . . . . . . . . . . . . . . . . ....... .. (4)

5太阳能风力混合系统的优化上浆方法. . . . . . . . . . . . . . . . . . . . . . .... . .. (4)

5.1模拟和优化软件. . . . . . . . . . . . . . . . . .. . . . . .. . . . . . . . . . . . (4)

5.2太阳能风力的混合动力系统的优化技术. . .. . . . . . . . . . . . . . . . . . . . . . (5)

5.2.1根据不同的气象数据的优化方案 . . . . . . . .. . . . . . . . .. . . . . . .... .. . .. (5)

5.2.2最优化技术 . . . . . . . . . .. . . . . . . . . .. . . . . . . . . . . . . . . . (5)

5.3小结优化技术 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . ...... . (7)

6结论 . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . ... . . (7)

致谢 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ......... . . . . . . . . .. (8)

参考文献 . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . ....... . . (8)

独立混合太阳能风力发电系统的最佳规模的研究现状

1.引言

由于化石燃料资源的快速枯竭需在全球范围内寻找替代能源，以满足社会的需求。另一个关键原因，越来越多的证据表明我们对化石燃料的依赖是全球气候变暖的主要原因。因此，当务之急是要寻找替代能源，以支付不断增加的能源需求，同时减少对环境的负面影响。由于在其可用于偏远地区的本地发电及可再生性，太阳能和风力发电系统被视为最具前途的能源之一。自20世纪70年代初的石油危机以来，太阳能和风能的利用已日益显着，具有吸引力和成本效益，。

然而，缺点在于太阳能和风能的不可预知性和依赖天气和气候的变化性，使得太阳能和风能的变化可负载需求的时间分布不匹配。这个缺点不仅影响系统的节能性能，而且还表现在电池的寿命过短。一般情况下，两个独立能源的联合使用会造成相当的差距，这又使得设计费用相当昂贵。这不是独立的太阳能能源系统，也不是风能系统可以提供连续的电源，而是季节性周期性变化[1]的独立系统。

幸运的是，引起这些问题的可变性质方面是可以部分或全部地克服，集成这两个能源在适当的组合，使用一个源的优势，克服对方的弱点。相比之下（单一的可再生能源）不同的能量源的使用提高了系统的能源供应的效率和可靠性，并减少了将能量存储的要求。与互补太阳能和风能的某些特性之间关系，混合型太阳能风力发电系统存储以便提供高度可靠的电源[2]，这适用于更高的可靠性[3]的电气负载。

当然，随着增加的复杂性与单能源系统比较，混合动力系统的优化设计需要通过复杂的不确定的可再生能源供应和负载的需求，非线性特性的元件，高数的变量和参数，所以必须考虑到优化设计，然而最优的配置和最优控制策略的系统是相互依存的。这种复杂性使得混合动力系统在设计和分析上更加困难。

为了有效地和经济地利用可再生能源，一个最佳的测量方法是必要的。该最佳的测量方法可以帮助保证在最低的投资下充分利用光伏阵列，风力涡轮机和电池组，从而使混合动力系统可以在最佳条件方面的投资和系统电源的可靠性。这类优化包括经济目标，它需要使系统的长期性能评估的可靠性和成本都达到最佳的折衷。

不同的测量方法，如图形的施工方法，概率的方法，迭代的方法和人工智能方法，可以应用到达到一个技术，经济最佳混合可再生能源系统。无论大小和优化技术的使用，它们最终必须搜索以下参数：该系统的最佳组合的可靠性和系统成本。虽然预期的可靠性一个独立的混合动力系统的构成的一个重要标准优化，该系统的成本是决定性因素，除非无限的预算是可用的。因此应仔细研究系统的可靠性和成本，使可以达到一个最佳的解决方案。本文将集中检讨当地的气象数据生成的当前状态，独立的优化和控制技术太阳能风力混合能源电池存储系统，并尝试发现进一步需要做的工作是什么。

2.气象数据生成的可行性研究

气候条件决定太阳能和风能在一个特定的场址的可用性和幅度。对于不同的地区和位置，气候条件，包括太阳辐射，风力速度，空气温度，等等，总是在不断变化。为了更好地利用太阳能和风能资源应在开始阶段分析潜在场址的太阳辐射的特性和风力状况。

2.1.时间气象序列数据

系统的长期性能是独立混合太阳能风力发电系统最重要的设计标准。一些研究人员采用时间气象序列的数据的可行性研究及设计混合动力系统。气象数据含有每小时太阳辐射，风速和环境温度。

沈阳农业大学学士学位论文外文翻译

全局数据可以从网上获得的[9 ]或者其他途径，如当地的气象站。混合太阳能风力系统，可以在全球性的下天气模式下进行评价，但最佳的可行的解决方案，通常还是需要以站点到站点的基础气象数据为主。到现在为止，很多关于太阳能和风能资源的研究已经完成分析，利用太阳能和风能的资源的可行性在许多地区或国家已有报道[10-14]。

2.2.气象数据统计

Knight等[15]指出，在许多地方每小时记录的气象变量不存长时间的变化。当要测得的位置的天气数据不存在，它们可以通过以下两种方法获得。首先，天气必要的数据可能会被合成为每月平均值的气象数据。一些统计的太阳辐射和风速的属性可以代表一个整体，用以产生数天的天气数据以致一个月的数据[16 ]。其次，天气数据可被外推，首先进行一些必要的调整从附近的一个站点推至另一个站点[17]。

合成产生的天气数据不完整时，可以使用天气数据集，用于减少计算工作量模拟研究。

在研究太阳辐射，特别是风速和温度的数据中，在戈登和Reddy开发的太阳辐射发生器上以小时为基础[18]，[20]随机模拟每小时和每天的平均风速。 Knight等[15]提出的技术的代时的太阳辐射和环境温度的数据，以及建议湿度和风速。Knight等开发的算法。

[15]需要输入基于每月平均太阳辐射和太阳辐射产生每小时的日常晴空指数累积频率分布。

“典型气象年（TMY）是一种最常见的天气数据序列合成用于太阳能仿真系统。每小时TMY气象数据通常包括12个月每小时的数据。每月选长期的天气数据作为特定月份的最佳代表，或从几年的天气数据产生，（例如，平均太阳辐射和清晰度那些几年的数据指数）。

最流行的方法，首先派生出的TMY数据（由Hall等人开发的）。[21]是一种经验方法选择个别月份不同年代使用Filkenstein谢弗统计方法[22]。参与研究的最终选择统计每天干球温度和持久性结构每天太阳总辐射量。其他的研究[23,24]派生出不同城市的TMYs 。在这些研究中，对不同的气象参数的加权因子进行了审议。Yang和吕[25 ]开发了当地的太阳能和风能TMY的应用和评价。证明了他们的工作确定了适当的气象参数及其权重因素为发展TMYs的不同种的可再生能源系统。

基于统计的气象数据及各种混合太阳能风力系统可行性和性能的研究报告对性能进行评估[ 26-28 ]。

图1：混合太阳能风力发电系统框图

3.太阳能风力混合系统仿真建模组件

独立混合太阳能风力发电系统的最佳规模的研究现状

太阳能风力的混合系统由光伏阵列，风力发电机组，蓄电池组，逆变器，控制器和

其他配套设备电缆组成。一个基本的混合动力系统的示意图如图1。光伏阵列和风力涡轮机的在一起工作，以满足负载需求。当能量源（太阳能和风能）丰富产生的电力，满足负荷需求后，将提供给电池直到它完全充满。与此相反，当能源都较差，电池将释放能量协助光伏阵列和风力涡轮机，以弥补负载要求直到存储耗尽。

混合型太阳能风力系统的设计主要是依赖于各个组件的性能。为了预测系统的性

能，各组成部分应仿照第一个，然后评估它们的组合，是否满足需求的可靠性。如果这些个体的输出功率预测组件是不够准确的，所得到的组合用最低成本提供电力。

3.1.光伏发电系统建模

光伏组件的性能在不同的操作条件下需要对知识有一个可靠的理解，正确的产品选

择和准确的预测是非常重要的。光伏组件的表面是由晶体硅做成的光伏模块材料是一个关于温度和太阳辐射光物理变量的函数。

在影响光伏模块/数组的性能的因素中已经做了很多的环境分析[29 - 31]。Radziemska

Klugmann [30]提出温度影响硅光电池的参数。对单晶太阳能电池和光电二极管进行了比较

结果表明单晶太阳能电池的利用具有较大的光敏感区。西冈等[31]分析了系统性能的温度系数对年产光伏系统在实际的操作环境中的影响。结果发现年度的太阳光发电系统的输出的能量增加约1％改善为0.1％／℃的温度系数。

在工程应用中，许多研究人员在可预测的时间序列或平均性能光伏阵列可变的气候

条件下调查简化的仿真模型，如功率效率模型[32-37]。

Overstraeten 和梅尔滕斯[32]介绍了太阳能电池电路的模型，它的基本原理是任何进一

步研究的前提。克尔和奎瓦斯[29]提出了一种新的技术，它在测定电流-电压（I-V ）特性的光伏组件的基础上可同时测量作为一个开路缓慢变化的光强度的函数的电压。他们也

给出了详细的理论分析和解释关于准稳态的开路电压测量。Borowy 和Salameh [33]给了我

们一个最大的简化模型该模型表明光伏组件的输出功率在计算一次太阳辐射对PV 模块和环境温度会被发现。

在工程应用性能预测的基础上周等人。[34]提出了一种新的光伏阵列的仿真模型，光

伏模块的I- V 曲线模型。介绍中提到光伏组件的性能依赖太阳辐射强度和光伏组件的温度还有其他的复杂的参数。作者声称，该仿真模型是简单的，有用的在实际操作条件中工程师能够在光伏组件制造商所提供的有限的数据理计算出实际的表现光伏组件的

性能。Yang 等人[2]建立一个模型，作为计算最大输出功率为PV 模块的太阳能电池的等效

电路的理论根据，使用8个参数，它们可以通过回归分析确定变形虫子程序或单纯的从实验数据中得出。这个模型的精度进行了实验验证，而且实验数据具有很好的效果。

琼斯和安德伍德[37]开发的效率模型中用填充因子的方法在光伏组件输出功率的基

础上 ，尝试在既定的太阳辐射和温度特性中考虑一般的光伏发电效率模式理论。该估计在光伏阵列输出的交流电力上，一个单一的光伏组件产品输出功率的光伏组件数量在阵列中逆变器的效率为inv η：

()()inv m ule oco sco N T T G K G K V G G I FF η??????????????? ????=mod 00110arry ln ln P

测得的数据从一个仿真模型中，验证39.5千瓦的建筑集成光伏阵列。光伏模块的

计算输出功率需在两组不同的气候条件下（晴空条件下，阴云密布的条件下）编译，收集一年内各个时期的数据。

沈阳农业大学学士学位论文外文翻译

3.2.风能系统建模

进行文献调查审查系统的性能，风力发电系统的评估表明，在有限的工作特定的时间段里风能已大多集中于区域风能评估，风速分布函数[39]，经济[40]和区域风能风能方面政策[41]。不同的风力发电机有不同的输出功率性能曲线。因此该模型描述的性能与预期的风力发电机是不同的。成功的规划和实施风力发电项目风力涡轮机的功率模拟选择合适的模型是非常重要的，它是一个先决条件。

确定风力发电系统的长期性能一直是以小时模拟程序为主要的工具。风力发电系统基于每小时的风速数据，长期表现可以通过以下方式获得。一般情况下，对于一个典型的风力涡轮机的输出功率特性，可以假设在这样一种方式，它开始在切口发电风速度，然后的输出功率随着风速的增加而线性从切口在额定风速的风速，增加当风速变化从额定功率的产生额定风速，切出风速，风力涡轮机出于安全考虑，将被关闭。基于上述假设，最简化的模型来模拟[42]所描述的风力涡轮机的输出功率。在其他情况下，研究[ 33,43,44 ]，有关类似的形式模型应用于威布尔形状参数K。此外，二次表达式被应用于模拟其他类型的模型来描述的风力涡轮机的输出功率[45,46]。

人们普遍认为，随机的模拟程序需要相对应的风速数据，这显然对许多地方来说是不可能的。因此，一些简化设计算法[ 47,48 ]已经替代仿真方案，用以确定长期表现可再生能源系统。然而，人们普遍认为如果仿真模型越简单准确会越低。

在其他一些研究中，风力涡轮机功率根据用电负荷，平均风速和风力涡轮机的功率曲线来计算[49]。在计算的基础上测试实际的风力速度和方向是很费时的，有时甚至是不可能的，可以使用平均风速代替。有时，所述风力涡轮机功率曲线不能完全代表风力涡轮机的输出功率，因为曲线是风力涡轮机的输出功率平均风速的函数忽略了瞬时风速的变化，因此，在一定程度上破坏了风力涡轮机的性能[50]。所以，考虑风速的瞬时变化的影响可以提高混合动力系统的精度，但是考虑混合动力系统的实际风速几乎是不可能的。ZamaniRiahy [51]提出了一种新的计算方法：考虑风力涡轮机的功率的风速变化。用风速的变化率的评估能量模式实际风因子（EPF），转子速度和性能俯仰角控制器来评估一个新的因素——风涡轮可控（CA）。通过使用EPF和Ca ，由控制器修改考虑电源额外的电源捕获曲线。

3.3.电池存储系统的建模

可再生能源向之前介绍的一样很好，但是进一步的收集技术和经济方面的问题是需要着重解决的。它不像化石燃料和核能燃料是浓缩的能量来源，是容易储存和运输的，可再生能源以高度稀释和扩散的形式出现。此外，他们的供应是间歇性和不可靠的。因此，电池也需要符合太阳能和风能分布的不规则性。

研究人员一直集对电池行为模型的发展研究了许多年。基于Gu 等给出的模型[52]和由Ekdunge Simonsson研究的掺入扩散沉淀机制[53 ]在该反应负极的动力学，Kim和Hong[54 ]分析了影响被水淹没的铅酸电池单元的放电性能的数学建模。Bernardi和Carpenter[55]在铅酸电池的数学模型的基础上，通过添加氧重组反应。Nguyen等[56 ]提出了一个类似的淹没模型的类型检查电池在放电过程中冷起动安培和储备能力的动态行为。

一般情况下，这些模型是关于复杂的表达式和数量的参数。此外，需要通过多次测量内部参数或广泛的实验来确定组件的过程。因此，这些模型通常被用来评估在任意的操作条件下，理论电池的设计和性能是不是模拟实际的任意的电池性能。

另一种常见的电气电路的设计建模方法是开发功能等效的电池[ 57,58]。该电路的元件可以代表内部组件的电池，例如电极和电解液阻力。这些模型的准确度取决于数的特性对它进行测试，以确定电路元素的值[57]。在某些情况下，需要补偿因子消除温度的影响。

独立混合太阳能风力发电系统的最佳规模的研究现状

此外，还需重新定性，以迎合由于电池老化所引起的变化[58]。

其他电池的行为的预测方法包括充电积累和经验模型。Yang等人[2]，铅酸蓄电池的特征在于由两个索引，即状态电量（SOC）和浮充电压（或端子电压）。Sabine Piller等相继出台了广泛的SOC判定方法[59]。它的结论是这个时候对所有的系统最常用的技术是安培小时计算方法因为它是最直接，最透明的方法而且在相当短的时间内应用可以取得令人满意的精确的结果，特别是用在低到中等的范围内SOC很容易地就能实现。Morgan等人[60]用自治的混合动力系统在各种温度单位下研究了电池的性能，考虑电压（SOV）的状态中而不是国家电量（SOC）。按照目前的速度和电池充电状态在文献[61]描述了浮充电压模拟模型和浮充电电压之间的关系。

然而，在操作中电池充电是一个复杂的功能。因此，校正实验确定因素是必需的[62] 。通过观察和实验建立实证模型核实[63]。这些模型采用包括有关衡量的电池参数的电池状态，例如，曲线拟合技术[ 64]。这些模型也需要相当多的实验来取得目标电池的行为参数的特征。

4.太阳能风力混合动力系统优化标准

为了选择一个最佳组合的混合动力系统以满足负载需求，评估必须对在考虑电源的可靠性和系统生命周期成本的基础上进行。一个最佳的混合动力系统的组合可以考虑二者之间的折衷目标：供电可靠性和系统成本。

4.1.电力可靠性分析

由于太阳辐射和风速间歇的特点，能源生产混合动力系统受到影响，所以供电可靠性分析通常被认为是任何此类系统的设计过程中最重要额一步。

也有一些方法用于计算混合动力系统的可靠性。最常用的方法是丧失电源的概率（LPSP）法[65]。LPSP的概率是供电不足时无法产生满足混合系统（光伏发电，风力发电和储能）负载的需求[66]。独立混合LPSP可以作为一个可靠的设计用以追求太阳能风力系统的参数。

有两种方法用于设计一个独立的混合LPSP太阳能风力系统。第一种是在实际模拟上。这种方法计算繁重需要跨越某个数据的一段时间的可用性。第二种方法使用概率技术将资源的负载波动化，从而消除所需要的时间序列数据。

其他一些电力可靠性标准也存在，如亏损负载概率（LOLP），系统性能等级（SPL）亏损负荷小时数（LOLH）。LOLP的概率是衡量一个系统在一个给定的时间内，期间的需求是否会超过系统的供电能力，往往表现为估计的天数超过长时间。Al-Ashwal和Moghram[67]在评估的基础上提出了一种方法进行测试，决定混合式的太阳能和风能的系统最佳比例为最后贷款人（负载损失风险）。 SPL被定义为负载不能满意概率[68] 。这两个SPL和LOLH[69]的方法也应用广泛。

4.2.系统的成本分析

一般来说，存在一些经济条件，如净现成本，均化能源成本和生命周期成本。该净现成本被定义为一个时间序列的总现值现金流量，其中包括所有的系统组件的初始投资成本，项目使用寿命内任何组件发生的更换成本和维护成本。系统寿命通常被认为该光伏模块的寿命的元素。更详细的描述可以发现[70,71 ] ，一些成本可能依赖于那些可能性的精选控制策略[ 70]。HOMER（可再生能源混合电优化模型）使用总净现值代表生命周期系统成本的成本，假定所有价格都在同一时间上升，并采取“每年实质利率”，而不是“名义利率”。将这种允许通胀率的方法分解出来分析[72]。净现成本也考虑到任何救助的成本，这是一个组件保持在该系统在项目生命周期结束的价值。HOMER假设直线折旧组

沈阳农业大学学士学位论文外文翻译

件，这意味着一个组件残值是直接正比于它的剩余寿命。它也假设在残值的基础上更换初始投资成本，而不是成本。

均化能源成本的总的比率被定义为年系统成本和每年的电费交付系统的比[2]。它已被广泛地用作评估混合型太阳能风力系统配置的一个客观的术语[73]。其他经济的方法，如系统的均化成本[1]和生命周期成本也被广泛使用[74]。

5 .太阳能风力混合系统的优化上浆方法

5.1.模拟和优化软件

仿真程序是最常用的用于评估混合型太阳能风力系统的性能的工具。通过使用计算机仿真最优配置，通过比较发现不同的系统性能和能源的生产成本配置。一些软件工具，可用于设计混合动力系统，如HOMER， HYBRID2 ，HOGA 和HYBRIDS。

电动可再生能源的混合优化模型（HOMER），由美国国家公共域软件能源实验室可再生能源生产，采用每小时到达最佳模拟目标。这是一个长时间模拟器使用逐时负荷和环保的可再生能源系统评估的数据;基于净现值成本对于一个给定的约束和灵敏度变量它有利于可再生能源系统的优化。

在可再生能源系统验证测试案例研究中[70]HOMER已被广泛使用[75,76]。模拟所需要的时间取决于所使用的变量的数目，它操作简单明了。该方案的局限性在于它使用户不能够直观地选择适当的元件作为算法和计算是不可见的。

HYBRID2由马萨诸塞大学实验室（RERL）可再生能源的研究所开发。这是一款混合动力系统仿真软件，仿真是非常精确的，因为它可以定义的时间间隔为10分钟至1小时。国家可再生能源能源实验室建议优化HOMER系统，一旦获得最优化的系统，然后提高设计使用HYBRID2 。

HOGA是一种由萨拉戈萨大学电机工程系（西班牙）开发的混合型的系统优化方案。通过遗传算法进行优化，并且可以是单目标或多目标。1小时进行一次仿真，在此期间所有的参数保持不变。控制策略也采用遗传算法优化。

HYBRIDS市售的应用程序所产生的的Solaris家园，评估一个给定的可再生能源技术的潜力配置系统，确定潜在的可再生能源分数和净现值评估经济可行性成本。HYBRIDS 是一个基于Microsoft Excel电子表格可再生能源系统评估中的应用和设计工具，需要在一年内每天平均负载和估计每个月的环境数据。不像HOMER，HYBRIDS只能模拟一个配置的时间，而不是提供一种优化配置。从更高水平的可再生能源的知识系统配置来讲HYBRIDS可再生能源系统变量和要求的详细程度超过HOMER 。它是一个使用户提高其可再生能源系统的设计技巧的应用程序。

5.2.太阳能风力混合动力系统的优化技术

为了有效地和经济地利用可再生能源，需要一个最佳的测量方法。该方法必须满足在可以帮助保证最低的投资下允许充分的利用系统组件，因此，该混合系统可以符合在最佳条件方面的投资，和系统电源的可靠性方面的要求。

5.2.1.根据不同的气象数据的优化方案

一些研究采用典型的气象年数据[ 23-25 ]一个长时间的气象数据[77]，用以混合动力系统的优化。基于表现最差的一个月中也有许多最佳上浆的方法被开发[78-80 ] 。[79]目前有两个上浆方法用于独立混合风力太阳能系统。第一种是“每年每月平均法”，其中光伏电池板和风力涡轮机的大小为每年的平均月度值。同样地，负载用每年每月的平均价值表示。第二种方法是“最糟糕的一个月”的方法，它选择了最糟糕的月份的太阳能和风能系统数据。类似Morgan开发的施胶方法[80]。相反“最好的月份”的方法，这种方法选择了最

独立混合太阳能风力发电系统的最佳规模的研究现状

糟糕的一个月为最大的光伏组件总面积风力发电机发电数据。

时间序列的模拟方法是最常用的可再生能源系统优化程序。一般情况下，研究人员使用的时间序列气象站数据的可行性作为混合动力系统的研究和设计。该混合动力系统基于时间序列气象输入，计算行为数据，通常有一个分辨率为1小时的间隔。BorowySalameh[43]开发了一种算法来优化混合太阳能风系统;提出的模型是基于长期的每小时太阳辐射和高峰负荷需求选择的网站数据。其他应用程序，也可以使用时间序列的方法仿真包括Baring-Gould等[81]和Notton等[82]，他们分别使用增量为1小时，1分钟的时间尺度。Notton等[82]还在独立太阳能的功率曲线系统的基础上研究了影响时间步长，输入和输出上浆结果的仿真程序。

时间步长的模拟方法的主要缺点是，它需要显着的计算工作量。此外，时间序列环境输入的数据，特别是风力数据，可能无法在许多地方使用。为了优化混合动力系统的性能，以减少模拟的时间和减少使用的变量数已进行了许多努力。Celik[83]提出了一种预测算法用月平均的风速分布参数和太阳辐射值，使系统能估计简单的风力分布参数，从而消除了时间序列每小时数据的必要性。Protogeropoulos等[79]以每年平均法进一步简化了这一过程。Muselli等[84]和Kaye[85]用这些预测算法进一步的形式的随机动态优化模型，对装有需求的不确定性，组件故障天气和行为的可再生能源系统的潜能进行了估计。

5.2.2.最优化技术

优化变量的数目的增加数字的模拟也成倍增加，随之所需时间和精力也在增加。因此，设计师需要找到一个可行的优化技术选择最佳的系统配置。

太阳能风力混合系统的各种优化技巧在已报道的文献中，如图形建设方法，概率法，迭代技术，人工情报的方法，多目标设计法。使用可行的优化方法优化配置，以满足负荷的要求，可以得到[1,2]。

5.2.2.1.图形的建设方法

Borowy和Salameh用一个图形化的建设技术基于长期使用的太阳辐射和风速的数据记录为一个独立的太阳能风力混合系统算出光伏阵列和电池的最佳组合[33]，在30年的日子里可每隔一小时。一个典型的空载功耗在马萨诸塞州的房子作为混合动力系统的负载需求。为给定的负载和所希望的LPSP ，在最优的配置或电池和光伏组件的数量计算的基础上，该系统的成本最低。

Borowy 和Salameh[33]假设系统的总成本是线性相关的关于PV模块的数量和电池数的函数。最小费用将在之间的关系的曲线的切点上，它表示数量的光伏组件的电池的数目。然后，用最佳的电池组的大小可以实现光伏阵列。

另一种图形化的技术已由Markvart给出[86]，考虑每月平均太阳能和风能的能量值以优化设计混合太阳能风力发电系统。

然而，这两个图形的方法，只有两个参数（光伏电池，光伏和风力涡轮机）被列入优化过程中，一些重要的因素（如光伏模块的倾斜角和所述风力涡轮机的安装高度）则被完全忽略。

5.2.2.2.概率的方法

用上浆概率的方法研究太阳能风力混合系统在太阳辐射的影响上风速的变化。

Bucciarelli [87]提出了一种治疗储能上浆方法作为一个随机游走的变化。在每天的概率密度递增或递减的存储水平的基础上近似划分为两个事件的概率分布[88]。该方法是由进一步用一天的效果之间的相关性扩展到每天的辐射值[89]。Gordon[90]和Bagul等对Bucciarelli的方法进行了修改。在混合所产生的能量相匹配的实际分布系统[88]中存储的能量转换近似为三事件概率的方法克服了传统的两事件的方法的局限性。

沈阳农业大学学士学位论文外文翻译

Tina等[91]提出了一种基于卷积技术的概率方法[92]消除波动性的资源和负载，从而消除了需要长时间的时间序列数据，以评估太阳能风力的混合系统的长期表现，并可独立并网应用。采用光伏阵列和风力涡轮机的概率模型研究混合动力系统的性能。最后，包括数值例子应用程序说明概率模型的有效性：将结果进行比较，以产生时间序列模拟。

这个概率方法的缺点是，它不能代表混合动力系统的动态变化的性能。

5.2.2.3.迭代技术

Yang等人[2]提出了一种混合型太阳能风力系统优化（HSWSO）模型，它利用LPSP 模型迭代优化技术和电源的可靠性和系统能量模型均化成本。对被认为是三个大小参数进行模拟，即光伏发电系统的容量，太阳能风力系统额定功率及电池组的容量。先确定所需的LPSP值最优的配置最后反复搜索所有可能的套配置实现能源均化成本最低。

由Kellogg等提出迭代优化方法[93 ]在一段时间内选择风力发电机组的大小和PV模块数字使用一个迭代过程的区别生成的和要求的功率（DP）尽可能地接近零。从这个迭代过程中，获得了太阳能风力发电能力的几种可能的组合。然后的年度总费由每个配置计算，并选择具有最低成本的组合代表最佳的混合物。

对于迭代优化法，优化体系成本实现线性变化的值相应的决策变量采用线性规划技术，导致在次优的解决方案中，要求增加计算工作量。此外，它通常不优化光伏模块倾斜角度和风力涡轮机的安装高度，因此产生了能源生产方面和系统方面的成本。

5.2.2.4.人工智能方法

人工智能一个最广泛意义上的术语，意味着一台机器的能力或工艺能执行类似人类思想的多种功能[94]。人工智能的方法，如遗传算法，人工神经网络和模糊逻辑，广泛的用于优化混合动力系统，以便最大限度地发挥其经济效益。

选择遗传算法是因为他们已经被证明是非常适用于非线性系统。案件的位置在哪里全局最优，是一项艰巨的任务。由于概率开发方案的解决，并不局限于遗传算法局部最优，它可以找到全局最优的系统配置与相对于传统计算简单的如动态规划的优化方法梯度技术。

Koutroulis等[77]提出了一种优化设计太阳能风力的混合动力系统的方法。方法建议在市售的列表系统设备的最佳数目和不同的单位下，以确保满足20年一轮的系统总成本最小化的遗传算法负载能量的要求，摆脱负荷的约束。Yang等人[1]采用典型气象年数据的算法提出了一种基于遗传算法的最佳上浆方法。这种优化模型，提出了计算系统最优配置，该配置可以实现以最小的所需LPSP系统的年度成本。作者用图片说明光伏阵列倾斜角度和涡轮机的安装高度两个优化变量是不常见的。Dufo-López[70]和Seeling [ 12 ]用遗传算法减少模拟时间，一些组件将过去和未来的不确定的可再生能源需求解决能源的供应问题，负载的需求和非线性特性。遗传算法也被广泛使用在大电源的配电系统的设计[95]，电力经济调度的解决方案中[96 ]，因为他们有能力处理复杂的问题和线性或非线性的成本函数都准确的问题和效率。

基于遗传算法，Yang等人设计了混合太阳能风力发电项目。始建的电力来自可再生能源供应一个沿中国东南沿海偏远的岛屿（Dalajia岛）的电信[1,4]。为正常的电信站的操作包括1300WGSM基站RBS2206消耗（24VAC）和200W微波通信（DC24V）提供电力。根据项目需求和技术的考虑，选择的连续1500W作为能源消耗的需求负荷，详细的设计参数如表1所示。此外，根据一年期的试点项目的时间序列字段的数据Zhou等人[5]研究了系统的行为和性能。

人工神经网络被称为“神经网络”，是一个基于生物神经网络数学模型或计算模型的网络。它由一个相互联系的人工神经元和流程信息联结的方法计算。Kalogirou利用人

独立混合太阳能风力发电系统的最佳规模的研究现状

工神经网络和遗传算法[ 97 ]提出了一种太阳能系统优化的数学模型。使用一个TRNSYS电

脑程序系统建模塞浦路斯的气候条件，包括典型气象数据。人工神经网络使用少数的TRNSYS模拟进行训练。随后采用遗传算法来估算最佳配置，最大限度地节约了生命周期：

设计时间也大幅减少。

表1试点混合太阳能风力发电项目的详细设计参数

加载光伏阵列风力发电机组电池容量

设计参数 1500W (+24 V) MBFP100 WT6000/024 GFM-1000 (2 V) 100W×78 = 7.8 kW 6 kW×2 = 12 kW 5000 Ah (24 V) (29.5°倾角)

5.2.2.5.系统能量流的控制和管理

混合动力车太阳能风力系统的主要的问题在于控制及相关能量分配和监督。电源的

稳定性和质量的关键问题在于动态交互可再生能源和负载之间，但可能导致的因素在传

统的电力系统中不是很常见。管理建议混合动力系统中确保在整个连续的能量流电源负

载是必不可少的。

传统的方法，根据使用的各种混合系统需求的负载要求控制电源。在传统的方法中，

电力电子基于DC-DC转换器提取最大的能量用于太阳能和风能资源，并控制整个混合动

力系统。一些研究人员使用不同常规的方法控股不同组合的混合能源技术[ 98]系统。Park

等人[99]提出了功补偿系统控制通过混合能源系统负载能量流。Valenciaga和Puleston[100]和

Onar等人[101]开发混合动力系统的控制器。Valenciaga和Puleston [100]开发了三种操作

模式，他们使用其中的滑模控制方法[102]控制该混合动力系统。

除了传统方法外，一些先进的控制技术也存在，它们可以拔下电源波动而引起可能

影响的可再生能源的可变性的质量传递到负载的功率上。

El-Shater等[ 103 ]讨论和管理了混合太阳能风力燃料系统的能量流。用三个能量源的控

制技术，达到最佳效率模糊逻辑控制技术来提供能量，它实现了最大功率跟踪太阳能和

风能的能量，达到一个固定的DC电压总线的最大功率。Chedid和Rahman[ 104 ]设计的控制

器用来监控独立或电网连接的系统的操作。该控制器确定了每个系统的能量组件和系统

的环保积分。该模型可以给出生产成本，未满足的和溢出的能量，和电池充电和放电的

损失方面的数据。基于模糊逻辑和遗传算法技术上一些新的方法[ 105，106 ]也提出了在电池

和柴油的调度上生成太阳能风力柴油混合系统。

5.2.2.

6.多目标设计

我们总是希望在任何工程现场开展设计它是可能的，同时我们也希望有几个典型的

目标发生冲突[107]。在最佳大小的太阳能风力柴油混合系统中，我们进行设计希望同时考

虑至少两个目标（成本和污染物排放）。因为这两个目标发生冲突时，比如设计成本的

降低意味着污染物排放量上升反之亦然。

因此，在这方面的问题上得到了良好的效果的任务实物（多目标）是复杂的。给定

的复杂性样的问题，因为有大量的变量，通常认为，经典优化技术应用的数学模型可能

会占用过多的CPU时间，甚至不能考虑到所有相关的特征所带来的问题。在专业技术文

献[ 27,70,108 ]，这些系统的设计通常是通过搜索配置或控制，以产生最低的总通过安装的使

用寿命成本为设计依据。然而，对环境的这种类型安装的相关问题也应该在设计过程中

加以考虑。到现在为止，计算后获得的污染物排放量通常以最大限度地降低成本为设计

标准。在某些情况下，如在HOMER程序里它可能考虑经济的污染物的排放量为估值，因

此成为一个部分的成本目标函数。这映射排放的成本是主观的，并影响了设计的结果。

沈阳农业大学学士学位论文外文翻译

HOMER的方法是使用多目标设计的已知作为权重的方法[1]。多目标的设计任务从多目标进化算法中脱颖而出，被应用在众多的论文中。Pelet等[109]为三间酒店和突尼斯撒哈拉热电供应的一个镇的独立的混合动力系统的成本和二氧化碳排放量系统进行了多目标进化算法的优化。Bernal-Agustínet等人[ 71 ]提出了多目标优化（全国人大与二氧化碳排放量）的混合型太阳能电池系统基于MOEAS多目标进化算法的存储。Dufo-López和Bernal-Agust ín[110]提出了三重的多目标优化，同时最大限度地减少整个安装过程的污染物排放的二氧化碳（CO2）和未负载以提高使用寿命。用一个多目标进化算法和遗传算法的方法，去找该混合动力系统被用于最佳组合的部件和控制策略。

Pareto强度进化算法也适用于多目标设计的混合动力系统。该方法作为构成优化问题的解决方案，允许获得系统的配置以及控制策略，同时提高了使用寿命，最大限度地减少了总成本安装和污染物的排放量。

5.3.小结优化技术

根据上面给出的详细说明，表2显示了不同的优化软件和技术的相对优点和缺点。

不同的优化方法的相对优点和缺点

优点缺点

软件工具

HOMER 不能直观地选择适当的系统组件HOGA 开展遗传算法，可以是单或多目标

HYBRIDS 优化变量，需要更高的系统配置水平仅模拟一个时间的一个配置

优化技术图形建设法消除时间序列数据的需要不能代表动态变化系统的性能概率法计算量多解决方案不理想

人造情报法寻找全球最佳的系统配置相计算对简单

多目标设计法可以同时优化至少两个冲突的目标

表2

6.结论

在世界各地独立的混合型太阳能风力发电系统是一个可替代电网供电或以常规燃料为基础的偏远地区的电力供应。它通常只需要一个能源的电力供应，比电网应用系统更适合。不过设计混合动力系统的控制和优化通常是非常复杂的任务。

本文综述了这项技术的最新进展，其中包括可行性研究，模拟分量，系统优化和控制技术优化。研究了时间序列气象数据基地和气象统计数据基地的可行性。用大多数常用的标准，在系统成本的影响评估系统供电的可靠性。各种优化包括图形建设技术法，概率法，迭代技术，人工智能法，多目标设计等。

本文中，详细在第一阶段设计的对可再生能源资源分析，混合型太阳能风力系统的最佳大小和根据负载需求的最佳资源分配对该混合动力系统的初始成本和运行成本分析是必不可少的。此外，包括人工智能的一部分，在未来的能源管理系统，绝对可以帮助运营商进一步降低系统的成本。

参考文献(略)

原文出处：Wei Zhou et al. Current status of research on optimum sizing of stand-alone hybrid solar–wind power generation systems[J] Applied Energy 87 (2010) 311–319.