混合可再生能源微电网优化技术：综述

摘要

PV和WT发电机产生的电力依赖于气候的变化。如果没有足够容量的储能单元(如蓄电池)或备用单元(如柴油发电机)，风能和太阳能系统都是不可靠的。当两个系统(风力涡轮机和光电)与存储设备相结合时，[微电网]的可靠性会增加。在阴天和非阴天，都需要足够的储能电池组容量来满足负载需求的电力。因此，组件的最佳位置分配给混合微电网的所需部分。此外，本研究还回顾了混合能源的新实践方式。它提出了[可再生能源]的[物理模型]与混合网络的许多方法和优化原则。此外，在环境危机和当前的能源形势下，混合能源越来越受欢迎，名气也越来越大。在这项研究的基础上，它介绍了对优化技术现状的全面调查，特别是与孤立的微电网有关的文献。目前混合可再生能源的优化趋势表明，人工智能在没有广泛的长期天气数据的情况下为微电网的运行提供了有价值的优化。

能源对全世界的社会和经济发展有着创造性的作用。如今，考虑到柴油的枯竭、不断增长的居民和不断增加的负荷需求，全世界的能源需求都是用化石燃料供应的。发电设备]已经进入了一个新的演变阶段，其特点是对天气变化的关注越来越多，从以碳氢化合物为基础的经济转型，以及能源的有效部署[[1]], [[2]], [[3]], [[4]]。

以煤炭、石油和天然气为代表的化石燃料是世界的主要能源。在20世纪，对化石燃料的依赖大大降低了其自然储备。最广泛使用的三种可再生能源是水电、风电机组和SPV。可再生能源被认为是重要的替代能源，因此在许多国家被选中。混合系统可以是SPV、WTG和水电或这些机组的混合。这种系统有备用机组，如[柴油机]和/或储能电池，以满足高峰时段的需求。表1]中介绍了可再生能源的特点。最近，为了有效利用电能，人们对通过利用普通能源如SPV、WTG系统和建筑管理的发展来优化城市住区的设计产生了极大兴趣。从发电站层面到用户层面，[可再生分布式发电]可以帮助有效利用消费者的能源，并达到智能需求响应[[5]]，[[6]]。

表1. 可再生能源系统的特点。

| 优点 | 缺点 | | | | | | 可再生能源是很好的可再生资源，如太阳和风作为燃料。| 可再生能源在很大程度上依赖于气候的供应来源：雨水、风、阳光...等。| | 经济效益。可再生能源的燃料消耗较少，运营和维护(O&M)的要求也较低。| | 环境效益。| 难以像煤电站那样生产大量的能源。 | 没有污染或浪费自然资源 | 可靠的能源来源：太阳能和风能工厂分布在所有的地理区域，一个地区的气候破坏不会切断任何地区的电力。| 为了满足化石燃料产生的大量电力，需要建立大量的SPV电池板和风电场。

大多数可再生能源，如SPV和WTG，都是清洁和环保的。许多研究人员已经进行了有关SPV-WTG混合[微电网]的研究。调查证实，与单独的SPV或WTG系统相比，HRES具有良好的性能和较低的成本[[7]], [[8]], [[9]], [[10]] 。然而，如果不以准确的方式设计，混合SPV和WTG与传统能源相比仍然有较少的缺点。例如，风速和太阳辐射的不规则性导致电力波动，可以通过使用储能电池组等存储单元来处理。这些电池可以储存额外的电力，并在发生电力短缺的情况下向负载供电[[11]]。 增加储能电池也有助于避免SPV和WTG来源过大。然而，当储能电池充电到最大值时，仍有多余的电力从发电装置中流失，必须在某处避免。减少这种未利用的过剩电力可导致能源成本(COE)的降低[[12]]。因此，每个可再生能源的最佳容量对于确认所容纳的实际负荷是必要的。

自1970年代以来，由于石油危机，由替代能源(如WTG和SPV)进行的发电已经引起了更多的关注，并被广泛用于替代电能过程中的化石燃料。然而，这种替代能源装置发展缓慢，由于存在不同的问题见解，在发电领域转化为新的发展阶段似乎是复杂的任务。环境和经济问题不仅是充分的理由，而且还有其他原因，如对人们行为的社会和心理影响。此外，替代能源生产的新技术方向已经测试了相当大的发展，以改善微电网的效率和替代能源的发电可靠性网络，其中包括信息和通信技术的实践。通过这种方式，电力公司被发展得更加动态和灵活，并支持分布式存储单元[[13]]。然而，由于一些替代能源的随机性，如SPV和WTG，过渡到低碳社会将需要一个非单一的解决方案。

专家预测，化石燃料可以通过替代能源的方式来替代，这对多能源系统来说是综合的，也是必不可少的，这些能源系统一起工作，如水力、地热、生物质能(BM)、风电机组、SPV、氢气和核能在能源生产的关键部分和用户层面的重组RES[[9]], [[10]], [[14]]。当能源系统包含两种或更多的能源供应时，它被称为HRES。有时这些系统与其他只使用一种可再生资源的系统相比，成本最低，可靠性最高。因此，HRES对能源市场的渗透取决于主要的方法，这些方法可以被用来以最佳的方式设计这些类型的HERS。讨论优化问题是为了从搜索空间或可能的解决方案集合中选择 "最佳 "系统组件。这包括选择一个或多个优化问题、一个目标函数(FC)和问题约束。

FC和约束条件应该是单一优化变量或更多的函数。此外，由于系统组件的非线性特征、某些可再生能源(如SPV和WTG)的随机能力、所考虑的约束条件和优化变量，问题的复杂性增加了。电力对于经济和个人的HRES具有重要作用。已知的工程化的HRES在成本上有很好的效果，可靠性高，并能提高生活质量[[15]]。在大多数情况下，SPV和WTG相互补充；然而，这两个系统都是不可预测的，因为风速和太阳辐射的瞬间波动。参考文献[[16]]、[[17]]在尼泊尔的农村实现了包含SPV-WTG和水电的混合系统。参考文献[[18]]发现了一个孤立的微电网HRES的特点，以及它们对微电网可靠性的影响。HRES严重依赖其组件。因此，对HRES的每个组件进行准确的建模，可以很好地识别模型的性能，并帮助优化HRES。

本文全面回顾了依靠小型SPV、WTG、水电和电池设备的HPS的优化标准和各种优化尺寸。为了清楚地理解，表格显示了最佳设计和不同的优化方法。数学模型、流程图和图表也在必要时添加。本文将介绍世界能源状况的新趋势，并通过适当的参考资料来发展对未来能源负荷需求的限制。此外，能源微电网的性能通常是通过长系列的时间来评估气候或负荷需求状况，这记录了方法计算复杂性的增加。一些数学模型，如[概率方法][[19]]、[[20]]、[[21]]、[人工神经网络][[21]]、[[22]]、遗传算法(GA)[[22]]、[23]。[[24]]和粒子群优化[[25]], [[26]]已被建议用于处理多FCs、模型组件的非线性特征响应和气候变量的长时间序列。

本研究的目的是对目前用于确定独立和并网系统中的储能装置的人力资源服务的方法进行简要概述。

本文分为12个部分。[第2节]提供了混合RES架构。[第3节]包含世界能源状况。[第4节]提供了小型电力网络的种类，包括两种类型的电网连接和远程操作。[第5节]介绍了包含SPV、WTG、水电站和生物质能的HRES。[第6节]涉及HRES的未来。[第7节]介绍了HRES的[数学模型]。[第8节]包含HRES的扩展规划方法。[第9节]介绍了HRES的优化技术。[第10节]提供HRES的最佳设计标准。[第11节]包括HRES的问题。最后，[第12节]总结了本文的结论。

2. 混合RES结构

一般的HRES结构在[图1]中展示。这种类型的能源系统被称为 "混合"，因为它们包括两个或更多的RES，以供应所需的电力负荷，以及一个常见的交流负荷。它也可以在相同的时间内供应直流负载或两者。能源可以是可再生能源、传统能源或储能单元。在这种方法中，缺乏一些能源单位是通过以自然或控制的方式加强其他来源来补充的。可以证明，尽管一些替代能源(如SPV和WTG)的可用性不可预测，但它们呈现出互补的模式[[27]], [[28]]。HRES可以连接电网或独立运行[微电网]。它可以用作并网，以满足当地的能源需求，并向电网供应任何剩余的能源，另一方面，它可以用作独立的系统，为农村地区的电网设施自主地制造能源。HRES包含SPV或WTG，辅助能源如电池组、燃料电池或备用[柴油机]也可以考虑。因此，前面提到要绕过这些能源资源的随机可用性[[29]]。能源的可用性对于达到平衡是非常重要的，在其他方面，选择任何能源的控制单元都会为电力负荷供电。为了评估人力资源服务系统的性能，在过去几年中使用了几个指标。其中一些指标在第十节中介绍。

图1. 一般的HRES结构。

3. 世界能源状况

根据能源信息署的数据，世界能源消耗量每年增长约2.3%[[30]]。在丹麦，风电机组的供电量约占总电量的20%，在全球范围内，风电机组的供电量不到总电量的1%，但风电机组是一个快速增长的能源来源。据预测，从2008年到2035年，世界能源消耗将增加53%[[30]]。[图2]显示了世界总体能源消费的最强劲增长。在[图2]中，我们可以注意到，尽管可再生能源的份额将上升几个百分点，但化石燃料，如天然气和煤炭仍然占主导地位。整体经济的增长取决于气候的变化，是否能满足不断增长的能源需求。在世界范围内，化石燃料的分布并不均匀，如果全球经济严重依赖化石燃料，那么地方或世界范围内的冲突可能会发生能源危机。如今，传统燃料的使用已经对全球环境产生了有害影响，近郊地区的环境已经被严重破坏[[31]]。[图3]显示了从2000年到2040年风电机组和SPV的增长情况。2013 年，由于风电机组和[SPV 资源]的产量增加，水电 RE 几乎与水力发电持平。2040年，水电可再生能源的产出将占总可再生能源的2/3以上。所有[发电]的可再生能源总份额从2013年的13%增长到2040年的18%，在燃料成本最高的2040年高达22%。由于天然气成本的降低和柴油成本的上升，整个发电量中的可再生能源份额产生了更多的产出，但预测它将逐渐增长到2040年整个发电量的15%。

图2. 世界能源消耗，1990-2035年。

图3. 2000-2040年按燃料类型划分的[可再生能源发电量]。

在[图4]、[图5]中，显示了美国使用各种能源的发电量。2015年，全球对可再生能源的需求继续增长，估计在2014年提供了整个最终能源消费的13%。2015年，全球风电机组占可再生能源容量的34%。可以注意到，2015年可再生能源发电的主要份额由水电站提供(48%)，然后是风电机组(34%)，BMs(12%)，地热(3%)和SPVs(3%)。此外，这表明2015年是风能、太阳能和另一种混合型非水电资源的年发电量首次超过水电站发电量的一年。

图4. 2015年美国的能源来源。

图5.2015年美国的[可再生能源]。

4. 小型电力系统(SPS)的种类

SPS用于为农村地区提供电力。由于SPV、WTG和电源[逆变器]技术的价格低廉，小电网的增长与之同步。根据电力网络与电网的连接情况，SPS可以分为并网型和隔离型电力网络。[图6]显示了各种类型的电力网络的细节。

图6. 依靠电网连接的SPS的分类。

4.1. 独立的电力系统

大多数计划用于满足农村地区电力需求的SPS是孤立的[电网系统]。独立的系统没有连接到电网上。单机系统在农村地区的大小和应用方面有很大的不同。

4.2. 电网连接的电力系统

并网系统与更大的独立网络相连，通常是公共电网[[13]]，直接向电网提供能源。用能源供给电网需要通过逆变器将直流电转换为交流电。

5. 混合可再生能源系统

1978年，在美国，第一个包含SPV和柴油发电机的乡村HRES被建成。这个微电网产生的电力被用来为[洗衣机]、社区冰箱、水泵和轻型负载提供电力，直到1983年电网被延长到负载[[32]]。如今，可再生能源的组合被用于人力资源服务。SPV、[微型水电]和带或不带储能装置的小型风电机组被广泛用于为农村地区的电力负荷供电。不同替代能源的好处是具有不同的发电特性，如河流中的水流量随季节而变化。夏季的太阳辐射比冬季大，白天高，夜间无辐射，风速相似，某些地区夏季的风速更高。两种或更多的可再生能源可以组合成一个系统，取决于当地可再生能源的可能性。许多人力资源系统(如SPV、WTG和水电集成)没有排放结果。模块化(SPV和WTG系统)很容易固定，在大多数情况下需要根据房屋负荷要求进行小规模设计。小型混合机组比大型复杂系统如核电系统便宜。HRES的燃料是免费的，大量的，取之不尽用之不竭的，因此，小型混合机组产生的电能并不取决于该地区的燃料价格。将SPV和WTG结合起来，对减少电池容量(成本高)和柴油需求有好处。此外，SPV-WTG系统的良好性能、可能的太阳辐射和WTG能量是该地区的必要条件。环境因素、SPV容量、WTG容量、储能设备容量、负载的位置和大小以及发电地点在SPV/WTG/柴油混合系统的运行和价格方面起着至关重要的作用。在参考文献[[33]]中，作者报告说，SPV/WTG混合微电网的整体性能评估可以通过MATLAB/Simulink软件程序的计算机建模方法来进行。在[[34]]中展示了用于规划基于多SPV的分布式发电机在微电网中的最佳位置的技术。作者在参考文献[[35]]中提出了考虑到负载损失概率的混合SPV单元大小的[数学模型]。在该参考文献中，如果SPV贡献了所需能量的75%，则可以得到最佳解决方案。[[10]]对SPV和WTG在埃及农村地区微电网中的可靠性效果进行了比较研究。这项工作表明风电机组帮助微电网提高了2.92%的能源供给，每年提高了1.57%的中断率，但是，SPV电力每年提高了1.46%的模型中断时间。

在[[36]]中存在使用可再生能源来减少化石燃料的消耗以满足Ikwerre的GSM[基站]的负荷需求的可能性。参考文献[[37]]使用HOMER软件研究了在SPV混合微电网中使用柴油机和电池减少燃料消耗的问题。在[[38]]中，使用[PSO]技术获得了考虑到不确定性的带有风电机组、SPV发电、柴油机和储能装置的微电网的经济运行。

在[[39]]中，作者分析了改变SPV阵列面积、电池单元和HRES的WTG容量的影响。作者在[[30]]中提出了一种决策支持方法，用于决策者对SPV-WTG系统并网计划中的影响因素进行决策。该参考文献使用分析方法来计算不同的参数，这些参数在HPS的规划中造成了混乱。该研究依赖于经济、政治和社会问题。

图7是HREs的方框图。在这个图中，混合转换器被用来连接两个来源(SPV-WTG)。电池存储单元被用来存储额外的电力，并在混合微电网电力不足的情况下为负载提供电力。逆变器]将直流电转换为交流电压，以满足负载需求。太阳辐射和风速特性的瞬时变化会影响所产生的能量，因此，精确的设计对于可靠的混合微电网在不断变化的天气条件下供应负载是必要的。为了使微电网的成本降低，也应该进行精确的设计。

图7. HRE系统的示意图。

5.1. 太阳能光伏发电系统

太阳能电池板将来自太阳的太阳能直接转换为受益的电能。拥有最大的单个SPV发电站的国家是Agua Caliente光伏项目(美国亚利桑那州)和加州山谷光伏牧场(美国)。这两个发电站的发电量超过250兆瓦[[30]]。由于太阳能电池板的价格仍然很高，使用它们只限于全球发电量的1%。由于SPV的间歇性，它不能每天24小时都产生能量，所以要使用蓄电池等存储单元。在2011年固定的系统中，10千瓦以下的小型商业应用的声明成本中值约为6.13美元/瓦，100千瓦以上的商业应用约为4.87美元/瓦[[40]]。SPV系统被描述为一种有效的价格解决方案，可以为农村地区提供能源供应。SPV系统用于分散式发电的经济可行性已经实现，并且已经验证了它对有100个家庭的村庄的有效性。在[[41]]中显示了一个包含备用柴油发电机的SPV-混合微电网的规模。备用发电机的启动和停止阈值与电池单元的容量相关，进行了评估。在[[42]]中显示了使用FORTRAN语言的数学模型，考虑到混合SPV系统的柴油机组的预操作时间，估计SPV阵列和存储天数的最小数量。在[[43]]中建立了一种技术，以获得SPV和电池单元的最佳组合来满足负载需求。负荷和绝缘是通过统计模型发现的。在[[44]]中考虑了计算独立(SPV-电池储能)混合微电网的供电损失概率(LPSP)的封闭程序解决方法。在混合SPV系统的迭代优化技术中，可以在生产的电力价格的基础上提出最佳组合，该价格是在靠近电力线、方位角和倾斜角的基础上扩展的。混合SPV结构的性能是根据广泛波动的负载条件下的来源可靠性来计算的。[[7]]中提出了一种以最低价格计算SPV阵列、电池和风电机组容量的技术。在参考文献[[45]]中，作者评估了并网SPV系统的电池容量。

5.2. 风力涡轮机系统

如今，已经建立了新的技术，通过使用风电机组来获取所需的能量。风电机组以前的用途是用来移动船只和抽水。用于发电的主要风车是1887年在苏格兰建造的。风电机组的设计通常是根据具体地点的特点而设计的，风速低的地方有大的转子，风速高的地方有小的转子。在任何地方的高风速条件下，机械载荷的限制都是持续发展的，因此，最大风速需要小转子。许多风电机组被设计成变桨距或变转速以控制负荷。在一年的冬天(1887年)，查尔斯是第一个使用风力机发电的人[[46]] 。为了经济有效地使用混合型风电机组，选择的地点应该在一年中具有值得信赖的风电机组能源潜力。现在，风电机组在不同种类和结构中都有大型和小型风电机组的组合。它是一种快速崛起的替代能源装置。与太阳能发电不同的是，风电机组的运行时间长，而且在夜间和阴天也能发电。欧洲利用[风力发电]只生产了大约35,000兆瓦的电力。当风速很低时，这些风电机组就不能发电。在没有风力发电的时间里，需要其他资源来满足负荷。因此，风能和太阳能都需要一个存储设备来存储多余的能量，并在没有足够的发电量来满足负载需求时利用它。相比之下，令人欣慰的是，消费者可以通过建设小型SPV和风电场来生产自己的能源来满足日常的负荷需求。在参考文献[[47]]中，作者介绍了风车约束对基于延长期风[涡轮]速数据的容量因子(CF)的影响。风电机组的容量系数用于在选定的地点选择特定类型的风电机组作为混合风电系统的必要组成部分。作者在[[48]]中获得了一种计算带储能装置的独立风电机组LPSP的封闭程序解决方法。作者在[[49]]中提出了一种通过蒙特卡洛模拟产生概率指数的模拟方法，这有助于在考虑可靠性和经济性的情况下确定现有系统中适当的风电机组渗透率。

5.3. 水力发电系统

水轮是现阶段现代水轮机的前身，用于将水力转化为机械力，然后通过发电机转化为电能。第一座水电站于1882年在威斯康星州建成，产量为12.5千瓦。在过去的四十年里，全世界的[水力发电量]每年逐渐增加约3%。2011年，全球约有16%的电力是由160多个国家的水电提供的。挪威、不丹、巴拉圭、埃塞俄比亚、埃及、委内瑞拉和尼泊尔等国家的大部分能源都是通过水力发电获得的[[30]]。在SPV和WTG的持续不可预测性和快速波动中，水电有一个延长的季节性周期。通过溪流和河流的水根据一年中的季节缓慢变化。因此，不需要储能装置。水电是可再生能源的最大利用形式，占2010年整个电力生产的16%。

5.4. 生物质系统

生物质(BM)是所有有机材料的残余物，它们被回收后可用于产生能源。有三种主要的[生物质资源]配置，分别是农业中未使用的作物残体[可生物降解的废物]，工业中的泥土、粪便和食物废料，以及森林[生物能源]资源。到目前为止，BM仍然是发展中国家传统方法中的一种简单的能源来源。通过努力将能源从不可再生的能源转移到可再生的能源，BM被认为是常用的能源之一。在世界各国，BM的技术和[经济可行性]仍处于证明阶段。使用BM发电，可以实现发电方案的变化。通过其他运行的能源资源，如[生物柴油]、[生物乙醇]、[BM颗粒]和生物甲烷气体，BM可以产生热量或蒸汽用于发电。在一些国家，目前的趋势是在建筑或社区范围内将热能和电能结合起来，用于电力或区域供热。使用BM发电仍然广泛地取决于指数因素，如微电网的效率、资源的可用性、社会适宜性、排放系数、土地利用战略、技术和电网的经济成本。有一些限制，例如土地和水的经济困难，加上世界上许多发展中国家无补贴的可再生能源的数量激增，影响了新的生物能源结构实践的扩散和采用水平。然而，BM资源和能源提取方法的多样性说明了可再生能源应用和电力部门[脱碳]的活力。[沼气]被认为是可再生能源之一，它可以从具有生物降解特性的BM群体中获得。例如，这些来源包括当地动物的粪便、人类的粪便、废水、城市硬垃圾的生物元素和餐馆的食物垃圾。沼气是具有典型的巨大能量的甲烷爆炸性化学品。在过去，世界上的一些发展中国家一直在努力提高沼气用于能源建设的水平。在发展中国家的偏远地区，普通居民像农民一样，可以帮助社区参与生产用于发电的生物原料。值得同情的是，农作物秸秆的[能量密度]肯定是相当小的，而且大多数使用这些秸秆的发电装置通常是在小功率规模下运行。因此，结论解释说，利用农业残留物的BM所涉及的混合系统可能对附近有资源的农村地区很重要。

6. HRE系统的未来

在分布式混合网络中，电力是在生产阶段产生或关闭的。分布式能源减少了传输和[分配网络]的高成本和电力损耗。因此，需要选择建立SPV和WTG的地点，然后将它们与电网连接起来，以降低电价，同时不对现有网络造成干扰。可再生能源在世界多个国家的能源需求中发挥着重要作用。

如今，可再生能源技术，特别是风电机组和SPV的成本不断下降，使可再生能源逐渐对其他传统能源技术产生了竞争力。与混合机组有关的最主要的事情是在变化的环境条件下的系统可靠性和网络的总成本。许多作者试图优化其中一个或多个方面。[图8]显示了本文研究领域的泡沫图。

! 图8

图8. 显示本文步骤的示意图。

7. HRES的数学模型

HRES包括可再生能源转换系统，如风电机组、SPV阵列、水力[涡轮机]和其他传统发电机，如柴油发电机、[微型涡轮机]和存储系统，如电池和[储氢]罐。HRES可以使用这些单元的全部或部分。为了使微电网的各个组成部分的尺寸准确，有必要在适当的天气、绝缘、风速和电力负荷等积极的操作条件下对该方案进行模拟运行。HRES的各个组成部分被连接在一起，以获得最佳的系统配置。混合微电网的计划将取决于几个因素，如位置、离网或并网的直流负载或交流负载。

通常，所有的分布式系统都计划为家庭或小社会提供电力，用于基本的房屋、街道照明和小型家庭应用等简单的电力使用。利用人力资源服务的主要目的是为了获得最大比例的可再生能源。其他因素包括财务投资和电力系统的可靠性。HRES性能优化的初始点是对每个组件进行单独建模。HRES的综合数学模型包括[小水电]、SPV和WTG系统，已在[[50]]中显示。HRES的模型，如SPV、WTG、柴油机组和电池组，解释如下。

7.1. SPV阵列模型

用于表示SPV建模的能源建设的最公共模型是一个二极管电路，如[图9]所示，没有并联电阻的单二极管SPV电池被定义为理想的单二极管建模[[19]], [[20]], [[21]], [[50]]。取决于是否有并联电阻(Rsh)，单二极管SPV电池模型的输出电流用公式[(1)], [(2)], [(3)]表示。然而，双二极管SPV电池也很常见。(1)I=Ip-Io(exp(v+RsIA)-1)-v+RsIRsh(2)I=Ip-Io(exp(qvkT)-1)(3)A=NsnkTq其中，I和I0分别为输出电流(A)和反饱和电流。q是电子电荷，等于1.6×10-19C，k是[玻尔兹曼常数]，T是SPV温度(℃)，n是通常的[理想系数]，Rsh是并联电阻(Ω)，Ns是串联的SPV数量。

图9. [SPV]电池模型。

SPV的发电量是由电流乘以电压得出的。SPV模型的输入功率是取决于太阳的位置和一年中的某个时间的漫射和正常的太阳照射。SPV的整个辐照量计算如下：(4)It=IbRsh+IdRd+(Ib+Id)Rr其中，Ib和Id是SPV的正常辐射和漫射[太阳辐照]，Rd和Rr是反射太阳辐照的倾斜漫射和倾斜系数[[51]] 。SPV每小时的输出功率PSJ(千瓦)，面积ASPV(平方米)[[21]]。入射到SPV表面的整个太阳辐照量为ITJ，单位为kW/m2。(5)PSJ=ITJASPVμ其中，μ是SPV的效率。光伏输出功率主要与光照强度和环境温度有关，而光照强度受阴影、云层和其他因素影响，具有一定的随机性。(6)PSJ=PSTCGC[1+K(TC-TSTC)]/GSTC其中，GC为工作点的光照强度，GSTC=1 kW/m2；PSJ为光伏发电的输出功率，PSTC为光伏发电的额定功率，TC为电池的表面温度，TSTC=25℃；k为温度参数。参考文献[[23]]、[[24]]提出了SPV的简化模型：(7)voc=VocNkT/q(8)Pmax=(VocNkT/q-Ln(VocNkT/q+0。 72)1+VocNkT/q)(1-RsVoc/ISC)(Voco1+βLnGoG)(TOT)γISCO(GGo)α其中，voc是开路VOC阶段的归一化电压值，与热电压有关，Vt=N k T/q。N是理想性系数，N的值在1到2之间。T是[SPV模块]的温度，α是负责[非线性效应]的因素，光电流取决于它；β是SPV模块技术相关的无尺寸系数，γ是一个考虑所有非线性温度电压影响的因素。对于一个实际的系统，电流和电压通常是通过并联和串联SPV阵列的SPV发电源来放大的。SPV阵列的峰值输出功率由公式[(9)]表示。(9)PAr=NsNp*PmW其中，Ns是串联的SPV阵列，Np是并联的SPV阵列，Pm是SPV模块的功率。

7.2. 风电机组建模

风电机组在某一地区的输出取决于风电机组的速度设计和轮毂高度的风速值。(10)vs=vi[hi]x其中，vi和vs分别是高度为hi和h的风速。x是[幂律指数]，是大气层和稳定的函数。例如，开阔地的x值等于1/7[[52]]。计算风电机组[机械输出功率]的主要方程式写为：(11)Pm=Cp(λ,β)ρA2VW3其中，Pm是风电机组的机械输出功率，单位为Kw，ρ和A分别是空气密度，单位为kg/m3，和风电机组的扫风面积，单位为m2，Vw和ß是风速，单位为m/s，叶片俯仰角为deg。Cp是[风电机组的性能系数]。λ的值写为：(12)λ=ωrVW其中，ω和r分别为[角速度]和风电机组的半径(m)。[图10]显示了[额定风速]下的风电机组输出功率特性。切入速度是风电机组首次旋转并开始发电的小风速。切出速度是风电机组配置受力时的最高风轮转速，它非常高，所以当风轮转速增加到超过切出速度时，有损坏风轮的危险。为了防止损坏，制动系统会启动，使风轮达到静止状态。额定输出速度是介于切入速度和切出速度之间的速度，在这个速度下，输出功率接近最大限度，发电机足以为负载提供能量。

图 10. 理想[风电机组]功率的输出曲线。

每个风电机组模型都有一个特定的功率曲线，可以确定风速和功率，它是风电机组速度的函数。通常，它们的发电量从4米/秒的风速到25米/秒。由于风速在一天中的变化，一天中的发电量也在变化。风速从3.5米/秒上升到11米/秒时，功率会变高；然后在11米/秒和25米/秒之间的风速下，功率保持不变，之后，功率突然降低到零，以保护风电机组免受机械损坏[[8]]。风电机组的输出与风速有关，因为风电机组将风的机械能转换为电能。风电机组叶片获得的机械能被合并到发电机中。风电机组输出功率PWT(kW/m2)的计算方法是：(13)PWT(t)={0,V≤Vin,V>VcoutA+B+CV2,Vin<V≤VcoutPr,Vr<V≤Vcout其中，A、B、C是风电机组的功率特性曲线参数，对不同风电机组略有不同，Pr是风电机组额定功率。Vin, Vr, Vcout是风电机组的切入、额定和切出速度，这些速度的值分别为4米/秒、14米/秒和24米/秒。风速与风电机组输出功率之间的曲线见[图10]。 (14)P=PWinAWinη其中，Awin是扫风面积，η是风电机组的效率，PWin是风电机组的额定功率。

7.3. 发动机发电机模型

柴油发电机包含三个主要部分，如柴油机、同步交流发电机和控制系统。在孤立的微电网运行中，它像一个电压稳定器一样工作。当风能或太阳能资源不足时，柴油发电机会增加其输出，以弥补电力的不足。在某一时间段内，单台柴油机的输出功率与燃料消耗之间的关系可以用下面的公式来写。(15)Vfuel(t)=a+bPengine(t)其中，Vfuel(t)的单位是(L/h)，a是柴油发电机空载时的燃料消耗，单位是(L/h)，b是柴油燃料与输出功率之间关系曲线的斜率(L/kW h)。

7.4. 蓄电池组的建模

蓄电池组是后备储能单元，其设计准确，可以在人力资源服务的能量不足时为电力负荷提供能量。有一些因素会影响电池的大小，例如，电池存储的容量、电池的寿命和温度校正。当微电网中的[分布式发电]充足时，电池充电；当发电量不足时，[电池放电]。因此，它们在独立的微电网运行中起着基本作用。根据能量守恒定理，在任何已知的时间，储能单元的充电和放电都可以用以下公式计算。(16)Eb,t=Eb,t-1(1-σ)+[Eg,t-EL,t/μinv]μbat其中，E**b,t和E**b,t-1分别是在一个小时(t)和前一个小时储存在电池中的能量。E**L,t是一小时内(t)的负荷需求。µ**bat和µ**inv分别是电池和逆变器的效率。σ是每小时的自放电率。当电力负荷大于现有产生的能量时，电池储存将被放掉。一个[储能电池]的放电可以估算为[[53]]：(17)Eb,t=Eb,t(1-σ)-[EL,t/μinv-Eg,t]

当计算出的电池产生和储存的能量不足以满足一小时t的电力负荷需求时，这种亏损称为一小时t的电源损失(LPSs)，计算公式为[[53]]：(18)LPSt=EL,t-[Eg,t+Eb,t-1-Ebmin]

一个时期T的LPSP是这个时期的所有LPS值与类似时期的负载之和的比率，它的定义为[[53]]：(19)LPSP=pr{Eb,t≤Ebmin,fert≤其中，E**b,t是t小时的电池存储能量，Ebmin是存储电池允许的最低能量水平。让E**b Max是电池的额定容量，电池的充电状态(SOC)率为：(20)Ebmin=(1-DOD)Ebmax其中，DOD是等于30-50%的放电深度

8. HRES扩展规划方法

本文还回顾了隔离和并网微电网的混合发电扩展规划，其分类如下。

8.1. 可靠性分析

微电网的可靠性分析收集了应用于微电网的所有约束和限制。这种设计是为了满足电力资源和电力负荷之间的平衡。可靠性评估有几个因素，它们与供电和电力负荷之间的不平衡的概率有关。主要因素是LPSP、预期不供应的能量(ENNS)、[LOLP]、COE和生命周期成本，如[第10节]中所述。

8.2. 优化

它包含了优化方程中的FC表示方法，利用成套的算法步骤，例如，SPV/WTG微电网，以获得更好的最佳规模和操作。如[第9节]所述，有许多参数需要考虑，如风电机组类型、风电机组容量、[SPV模块]、最佳倾斜角度、最小系统资本成本、更换成本、运行和维护成本、考虑到可靠性要求和二氧化碳排放限制的燃料消耗减少...等。

8.3. 枚举

编程算法研究了几种技术以得到FC的解决方案和给定时间的扩展策略。如[第9节]所述，有许多计算方法和过程来达到优化的解决方案。

9. HRES优化技术

设计良好的模拟程序允许获得电池组、SPV阵列、风电机组、水力发电和其他系统的最佳尺寸，用于独立或并网的HRES，以满足所需的负载和所需的LPSP，这取决于许多标准。LPSP是一个可测量的电力负载的概率，它已经被输入。当可再生能源产生的能量和电池提供的能量大于供给负载所需的能量时，负载将被供给。在一个理想的系统中，负载由电源提供，LPSP等于零。另一方面，如果系统中的负载从未被供给，LPSP等于1。一些标准被分类为最小系统成本、系统容量、电池单元数量、LPSPs、LOLPs和最大发电量。不同的优化技术，如图形构造、[[38]]、[[53]]、[[54]]、[[55]]、[[56]]、[[57]] 。研究人员研究了[概率方法]、[迭代技术]、人工智能、动态编程(DP)、线性编程(LP)和多目标，以改进混合SPV/WTG模型。[表2]显示了不同技术所使用的优化方法的细节。

表2. 优化技术的种类。

|研究技术 |能源来源 |参考资料 |评论 | | - | | | | | 图形构造 | 电池储能和SPV | [[52]], [[58]], [[60]], [[61]], [[62]] 。| 此方法用于两个参数。| | 确定性方法 | 带电池储能的独立SPV | [[63]], [[64]] 。| 基于数据收集的统计方法。 | 基于LOLP得到混合型SPV与WTG系统，并取决于FC和系统的约束条件。| | - 爬坡法 | [[27]], [[61]], [[65]], [[66]], [[67]] 。| | | | - dp | [[68]] | | | |--LP |[[69]], [[70]] | | | | - 多层FC | [[69]], [[71]] 。| | | | 人工智能 | 混合SPV-WTG | [[72]], [[73]], [[74]], [[75]], [[76]] 。| 真实编码的GA取决于自然选择和自然GA的机制 基于提出的技术和系统的FC。| |-GA | | | | | | 带电池存储的GA | [[77]], [[78]] 。| PSO可以解决分散和优化的问题。考虑到生成训练的概率参数||||。 | 不确定函数的输入-输出数据。在混合方法中，优化能力可以简单完成。| | | | | - pso | [[79]] | | | |-fl |[[80]], [[81]] | | | |--Ann | [[82]], [[83]] |--人工智能的混合体 | | | | 荷马软件 | 所有RE元素 | [[7]], [[53]], [[84]], [[85]], [[86]] 。| HOMER建立具有单一或多种能源的微型电力系统模型。SPV, WTG, BM 柴油机和其他热电联产微型涡轮机 电池。|

9.1. 图形化构造方法

在图解法中，两个计划变量的问题是通过观察它如何从一个到另一个的变化来解决的。约束函数已被绘制在同一图表上。通过对可行区域的视觉检查，在画出FC轮廓后，就可以知道图上的最佳点。在[[58]]中，作者使用了太阳辐射的长序列时间，所以最佳坐姿是由每天低[太阳辐照]的气候周期的贡献叠加而得到。在[[59]]中，作者展示了一种混合SPV/WTG系统的最佳尺寸方法。通过使风电机组容量恒定，确定了混合SPV/WTG微电网的性能取决于一个小时。设计了不同容量的SPV阵列和电池储能的年度LOLP，并通过绘制折衷曲线的切线获得最佳配置(成本和LPSP)。

9.2. 概率方法技术

在这种方法中，随机性是目前的一种方法，它取决于收集的数据。因此，变量状态是不知道单个数值的，而是倾向于使用其中一个统计工具。SPV/WTG混合系统的最佳规模是按每小时计算的。SPV/WTG混合系统也可以在SPV的太阳辐射最小和风力较小的日子里按月评估。这种技术的两个好处是，系统的成本和负载的数据收集是最小的。

9.2.1. 每小时平均发电量技术

风力、绝缘和电力需求的每小时平均数据被用来获得系统的最佳规模。这些计算依赖于风和太阳的年、月平均数据。下面的公式给出了FC：(21)FC=CC+CM其中，CM和Cc分别是年度维护成本和资本成本。(22)ΔP=PGen-PDem，PGen的发电量与负载的耗电量之间的差额功率(ΔP)减少，以达到时间上的平衡。

9.2.2. 最不利的月度方法

不利的风速和太阳辐照月的评估取决于参考文献[[87]]中的现有数据。基于这种方法，SPV 和 WTG 的尺寸是在最不利的月份评估的。SPV 或 WTG 组件的尺寸 A1(m2)由以下公式估算：(23)A1=max(ELoad,MEI,M)其中，M 是一年中的一个月份，M 的值在 1 到 12 之间，ELoad 是某一月份的负荷。EI,M是单位面积上(SPV或WTG)系统每月产生的能量。公式[(24)]、[(25)]表示从发电机(SPV、WTG)获得的全部能量，并供给负载：(24)∑E1A1=ELoad(25)E1A1=F1ELoad其中，F1是由发电机1供给负载的部分。

9.3. 确定性的方法方法

基于这种技术，每组变量状态由模型中的一个参数单独评估，并将这些变量的值与早期状态的值放在一起。因此，对于已知的参数，与概率方法不同，连续存在一个唯一的最优解。作者[[87]]已经评估了尼泊尔SPV安装系统的系统规模和价格。

9.4. 迭代法

迭代法是一种使用计算机进行的[数学技术]，计算优化问题的近似细化解序列，直到达到终止标准。如果优化变量的数量增加，使用这种方法估计的时间会呈指数级增长。作者在参考文献[[67]]中使用了这种方法来优化SPV-WTG-电池的HRES，取决于[LCC]的最小化。

9.5. 人工智能技术模型

AI是计算机科学的一个分支，它改进了AI软件和机器。AI包括许多分支，如[ANN]、模糊逻辑(FL)、GA和包含该分支中两个或更多的混合技术。适当使用人工智能技术的前提是具有良好的人工智能性能或其他可能不适合传统技术的功能的适当系统。

9.5.1. GA的优化

GA被归类为全局搜索启发式方法。它是进化算法的一个特殊类别，采用了进化生物学激发的技术，例如变异、选择和组合。一个典型的GA需要知道两个变量。

• 一个用于解决领域的遗传证明。

• 估计解域的健身函数(FF)。

GA对于具有复杂FF景观的问题域可能是有用的，而传统的爬坡方法可能会失败。[图11]显示了HRES的遗传算法优化过程的流程图。在[[76]]中，作者使用GA和精英策略对独立的SPV/WTG混合系统进行一年(8760小时)的优化。他们的主要目标是在有限的LPSP下降低系统的总初始资本成本。

图11. 包含SPV-WTG-水力模型的典型GA流程图。

9.5.2. 模糊逻辑的优化

FL建立的模型被高度使用，因为它将确切的情况映射到最佳水平。当专家的反应具有模糊性时，就会使用这种方法。在专业人员中显示出许多回合，以达成共识。在模糊回归中，因变量和非因变量的数据以模糊的方式被捕获，结果[回归方程]估计自变量对因变量的影响。模糊灰色预测类似于回归方法，其中[模糊性]被用来呈现依赖性预测所考虑的变量中的旧区域。模糊AHP和ANP被用来寻找变量的相对状态。模糊方法有助于正确捕捉人们在对变量进行排名时的注意力的模糊性，变量的范围被赋予了明确的帮助，以明确定义聚类和绘制边界。这些方法被用于与问题领域相关的领域。对于预测的目的，模糊回归和模糊灰色预测被利用。模糊AHP和ANP被用于获得能源资源的相对重要性。模糊聚类用于收集取决于选定标准的资源，如价格、可获得性、污染...等。考虑到该技术的复杂性，这些技术被归类为 "简单"，它们被用来预测或评定电力设施的重要性。

9.5.3. ANN的优化

ANN是由人工智能神经元组成的结构化群体，它采用数学模型来处理信息，依靠连接主义方法进行计算。在参考文献[[88]]中，作者将基于ANN的方法用于大型HRES的预防控制方法。ANNs是一个重要的部分，它在动态安全模式类中优于普通的统计方法，也能计算出安全水平。参考文献[[89]]通过研究SPV、WTG的特性，提出了多能源共同直流母线混合电源的ANN控制策略。在参考文献[[90]]中，作者改进了SPV-WTG RES每小时预测的混合模型，并使用PSO的计算智能来计算预测误差的不同定义。

9.6. HOMER软件

HOMER帮助我们规划离网和并网系统。HOMER可以做分析来解决一系列的项目问题。

• 组件的尺寸应该是多少？

• 哪些系统的成本最具有操作性？

• 如果价格或负荷发生变化，方案的经济性会发生什么变化？

• 可再生能源是否足够？

美国国家可再生能源实验室(NREL)的HOMER软件是用于规划和检查HPS的通用商业软件。HOMER软件的输入包括太阳能绝缘、电力负荷、混合微电网技术细节、价格、约束条件、控制和战略调度的种类。它每年每隔一小时做一次能量平衡的计算。HOMER软件将每小时的电力和[热负荷]与系统在这一小时内可以提供的能量进行比较。对于包含储能电池的系统，HOMER每小时选择如何控制单元以及储能电池是否可以充电或放电。如果系统为整个一年的负荷提供能量，HOMER通过计算初始、更换、运行和维护、燃料和利息成本来估计一个方案的总成本。每小时流经每个部件的能量，可以得到年度成本。在[[91]]中，Hrayshat通过HOMER进行了详细的技术-经济分析，为约旦的农村房屋规划了一个最佳的混合SPV-柴油-电池系统模型。关于HRES中采用的优化方法的进一步信息。[表2]列出了每种优化方法的详细参考资料。

10. HRES的设计标准

利用[HRES的规模]是为了获得所有资源规模(可再生能源和传统发电机)和储能电池的最廉价组合，以满足预期的需求负荷，但安全水平不太令人满意。为了优化HRES的设计，研究人员已经采用了一些取决于经济性、可靠性和电力负荷的设计标准。[表3]显示了最佳人力资源服务计划标准的细节。在本节中，通常使用的计划标准将被简要说明。

表3. HRES的最佳选型方法。

| 基于的优化 * FC | 参考 * * | | | | | 经济 | 资本成本 | [[92]], [[93]] 。| |年化成本 | [[66]] 。| | | 可靠性 | LPSP | [[84]], [[85]] 。| | 寿命 | [[94]] | | | LOLP | [[95]] 。| | | 技术经济分析 | 系统成本 | [[36]], [[96]] 。| | 年-月-小时数 | [[61]] | | 平均法 | | | | | 最不利月份法 | [[87]], [[97]] ! | | 电力负荷 | | | | - 恒定负载

• 可变负荷 | | [[97]] 。| | [[98]] | | |

10.1. 能源的成本

在混合微电网中，发电厂的寿命应该是25年，而蓄电池通常每5年更换一次。COE取决于折旧期、初始成本、运营和维护成本以及一年中产生的能量。(26)CE=CcARETOTCOMW 其中，CE和CCA分别是能源成本和HRES的初始成本，R是初始成本的年折现率，ETOT和COM分别是产生的全部能量和年运行维护成本。许多研究人员已经广泛使用混合动力发电的价格来估计在预定的LOLP下的HRES配置。COE的计算对于HRES的计算非常重要。COE(美元/千瓦时)写成：(27)COST/千瓦时(美元)=CTOTETOT(千瓦时)其中，CTOT是产生每年总发电量ETOT(千瓦时)的总成本。HOMER估算的COE如参考文献[[84]]。为了计算COE，HOMER软件将年化的发电成本除以整个有用的发电量，如下式所示：(28)COE=Can,tot/(Eprim+Edef)其中，Can,tot是整个年化成本，Eprim和Edef分别是系统每年可以提供的整个初级和[可延缓的负载]。公式[(28)]的分母是系统每年可产生的全部合适能量的表达。

10.2. 生命周期成本

HRES的[全寿命成本]是指在一个系统的多产期内发生的全部成本。LCC被用来选择系统的[经济可行性]。选择具有最小LCC的系统。(29)PV=∑K=1TCk(1+I)kW其中，PV是没有折旧的系统的当前值，T代表分析时间，I是一年的利息率。LCC是指在一定的时间跨度内，安装和运行一个部件或系统的总成本，通常是几年。对于项目的经济估算，LCC的计算公式为[[84]]：(30)LCC=初始成本+O&MC成本+燃料成本+替换成本-Salvagevalue

HOMER计算资本初始成本、替换成本、运行和维护成本以及每个部件的残值和任何其他成本，以获得该部件的年化成本。运营成本是所有成本的年化值，如替换、燃料、运行和维护以及除初始成本外的收入。(31)Cop=Can,tot-Can,cap其中，Cop是运营成本，Can,tot是整个年化成本，Can,cap是整体年化[初始资本成本]。HOMER包括整个项目期间的总成本和收入。此外，所有的成本和收入包括系统组件的初始成本，在项目期间发生的每个组件的更换成本，燃料成本，维护成本，以及从电力公司购买电力的成本。以下公式给出了NPC：(32)NPC=Can,tot/CRF(i,Rpro)其中，Can,tot是总的年化成本，Rpro表示项目寿命，CRF是初始[资本回收系数]，用下一个公式表示：(33)CRF=i(1+i)N/[i(1+i)-1]其中，i和N分别为年实际利率和年数。

10.3. 失去电源的概率

电源的可靠性取决于HRES的LPS概率概念，它不能满足负载需求。LPSP等于1是指电力负荷从未被供给，而LPSP等于0是指电力负荷被持续供给[[84]]。LPSP的方法将在以下两个步骤中讨论。

• 通过HRES的额外发电，剩余电力被用来给蓄电池充电，新的SOC被估算出来，直到储能单元充满。此外，在电池的最大充电量之后，能源不会被用于生产性微电网。

• 在HRES发电量不足的情况下，存储在存储单元中的能量被用来供应电力负荷需求，新的SOC被估计，直到电池单元容量下降到最低水平，直到硬件将电池单元与电力负荷断开。取决于电池组的SOC，LPSP的评估方法是。

(34)LPSP=pr{Eb,t≤Ebmin, fort≤TW其中，Eb(t)是任何时间(t)的电池存储能量。在T期的任何时间t的SOC的概率较小或相当于存储系统Ebmin的低水平供应能量。

10.4. 失载概率

LOLP是HRES每天供给最大负荷的一种能力。当电力负荷超过现有发电能力时，LOLP就会发生。考虑到一年中的天数、一天中的小时数或时间的百分比，会导致电力损失的总概率被命名为LOLP。公式[(35)], [(36)], [(37)]计算LOLP[[100]]。(35)LOLP=∑T=1NHOUR(ISUP<INED(T))N(36)INED(T)=L(T)-PW(T)-PPV(T)VLμ(IBAT(T) (37)ISUP(T)=MIN(IMAX=0。 2SOCΔT,SOC(T)σ-SOCMINΔT)其中，INED(t)是一个小时t时负载所需的电流，ISUP(t)是时间t时HRES的供应电流。 VL是系统所需的额定电压。N是一些样本。L(T)是[时间 T]的电力负荷需求。PW(T)是时间 T 的风电机组的输出功率。PPV(T)是时间 T 的 SPV 模块的发电量。

10.5. 预期未供应的能量

EENS是一个概率可靠性指数，在参考文献[[94]]中讨论过，由于负载可用容量的增加。根据负荷需求(L)和[混合能源系统]的发电量(PH)，EENS写成：。 (38)EENS(L,PH)={L>PHMAXL-∫PHMIPHMPH*FPH(PH)dPHPHMI<L<PHM∫PHMIPHM(1-PH)*FPH(PH)dPHL<PHMI0其中，PHM是混合能源系统的最大发电量，PHMI是HES的最小发电量，其值为零，而FPH(PH)是HES输出功率的[概率密度函数]。

11. HRE微电网的问题

尽管HRE微电网有很多优点，但也有一些与HRE微电网有关的问题需要提及。

• 大多数的HRE微电网需要存储单元，而电池被大量使用。这些储能电池需要监测和更换，所以其成本会增加，因为储能电池的寿命有限，只有几年。据悉，为了在HRE微电网中的经济使用，电池的储存寿命将增加到几年左右。

• 由于包括HRE微电网在内的可再生能源对气候的依赖性，导致各种发电来源之间的负荷需求分担，最佳电力调度和每单位发电成本的计算并不容易。

• HRE微电网的发电可靠性可以通过纳入独立的天气能源，如柴油机组或燃料电池来保证。

• 对于稳定性问题，一些能源的输出功率的突然变化或负载需求的突然变化会明显影响微电网的稳定性，因为HRE微电网的众多电源的发电量是相当的。

• HRE微电网的各个电源应该在一个点上工作，以提供最大的足够的发电量。事实上，这不会发生，因为负荷需求的分担往往与电源的额定值无关。许多因素影响着负荷需求的分担，如电源的可靠性、使用的经济性、电源之间的必要转换、燃料的可用性等。因此，选择估算方案，将效率提高到一个高的可能水平。

12. 结论

如今，由于SPV和WTG的成本较低，HRES在农村地区的电气化中逐渐普及。据推测，它将有助于为发展中国家十几亿缺电人口提供电力。与SPV或WTG等[单一发电系统]相比，HRES可以产生能量，即使一个单元的潜力很小，也能提高电力的可靠性。本文系统地介绍了目前的整体能源状况和HRE微电网的主要贡献。本文介绍了几种可再生能源和电池单元的紧凑数学模型。详细描述了包含可再生能源的HRE微电网的优化方法的全面回顾。大量的优化技术和设计标准被高度详细地讨论。本研究涉及的审查提供了一个简短而合理的想法，研究人员在几十年内用于改善HRE微电网的工具，无论是否并网，这都是非常值得的。此外，为了简化本文内容的可视化，还提供了一个明显的可视化的范围图。这两张表都包含了优化方法的细节，以及所有研究人员都在认真进行的几个重要标准的HRE微电网。

参考：www.sciencedirect.com/science/art…