在踐行“30達(dá)峰，60中和”雙碳目標(biāo)和能源向清潔化、電氣化轉(zhuǎn)型的國家戰(zhàn)略道路上，利用諸如風(fēng)能、太陽能等可再生能源進(jìn)行電力生產(chǎn)的相關(guān)技術(shù)扮演著重要的角色。然而，風(fēng)力發(fā)電和光伏發(fā)電因受氣象因素影響，存在天然的隨機(jī)波動性，而這種波動性既影響電能質(zhì)量又難以實(shí)時滿足負(fù)荷需求。將風(fēng)力發(fā)電、光伏發(fā)電、儲能及負(fù)荷有機(jī)組織起來，進(jìn)而構(gòu)成微電網(wǎng)，能夠有效抑制風(fēng)光發(fā)電的不確定性，更好地滿足負(fù)荷需求，改善電能質(zhì)量。
　　有鑒于此，微電網(wǎng)的相關(guān)研究備受關(guān)注，主要包括：規(guī)劃設(shè)計(jì)、運(yùn)行控制、故障檢測與保護(hù)、通信技術(shù)、能量管理、穩(wěn)定性分析等多個方面。其中規(guī)劃設(shè)計(jì)是建設(shè)微電網(wǎng)工程的首要任務(wù)，容量優(yōu)化配置是規(guī)劃設(shè)計(jì)的核心任務(wù)。
　　微電網(wǎng)容量優(yōu)化配置問題以構(gòu)建優(yōu)化模型、設(shè)計(jì)優(yōu)化算法、基于解算結(jié)果優(yōu)化容量配置方案為主線。解算優(yōu)化模型過程還需要以資源、負(fù)荷數(shù)據(jù)為基礎(chǔ)，同時需要以設(shè)計(jì)的一套分布式電源、儲能及負(fù)荷的功率運(yùn)行策略為支撐。
　　作者近幾年一直致力于從事微電網(wǎng)規(guī)劃設(shè)計(jì)研究工作，本書是作者近幾年研究成果的總結(jié)。本書立足于微電網(wǎng)規(guī)劃設(shè)計(jì)多目標(biāo)優(yōu)化的需要，以獨(dú)立運(yùn)行風(fēng)光柴儲微電網(wǎng)為研究對象，針對微電網(wǎng)容量優(yōu)化配置的核心問題開展研究。
　　全書共分6章，簡述如下。
　　第1章簡要介紹了微電網(wǎng)及可再生能源的發(fā)展?fàn)顩r，綜述微電網(wǎng)容量優(yōu)化配置關(guān)鍵技術(shù)的研究現(xiàn)狀，進(jìn)而明確了本書的寫作目的。
　　第2章給出了典型獨(dú)立型風(fēng)光柴儲微電網(wǎng)的拓?fù)浣Y(jié)構(gòu)；介紹了風(fēng)機(jī)、光伏、柴油發(fā)電機(jī)及儲能的靜態(tài)運(yùn)行特征模型；建立了獨(dú)立型風(fēng)光柴儲微電網(wǎng)多目標(biāo)容量優(yōu)化配置數(shù)學(xué)模型；闡述了分布式電源的靜態(tài)運(yùn)行特征模型、微電網(wǎng)容量優(yōu)化配置模型、優(yōu)化算法及運(yùn)行策略之間的相互聯(lián)系。
　　第3章基于深度學(xué)習(xí)模型WGAN建立了風(fēng)速、輻照度、負(fù)荷構(gòu)成的源荷數(shù)據(jù)的三維聯(lián)合概率模型，包括：構(gòu)造樣本數(shù)據(jù)結(jié)構(gòu)、設(shè)計(jì)深度學(xué)習(xí)模型和訓(xùn)練算法、評價模型統(tǒng)計(jì)特性等幾個方面。
　　第4章分析了獨(dú)立型風(fēng)光柴儲微電網(wǎng)的運(yùn)行工況，并以此為基礎(chǔ)設(shè)計(jì)了儲能優(yōu)先跟蹤凈負(fù)荷、柴油發(fā)電機(jī)優(yōu)先跟蹤凈負(fù)荷、柴油發(fā)電機(jī)優(yōu)先額定功率運(yùn)行3種微電網(wǎng)功率運(yùn)行策略。
　　第5章設(shè)計(jì)了求解微電網(wǎng)容量配置數(shù)學(xué)模型的多目標(biāo)優(yōu)化算法。在分析強(qiáng)度Pareto進(jìn)化算法2（strength Pareto evolutionary algorithm2，SPEA2）尋優(yōu)特點(diǎn)的基礎(chǔ)上，結(jié)合枚舉法和插值數(shù)據(jù)思想提出了一種多目標(biāo)優(yōu)化算法——基于SPEA2的鄰近參考點(diǎn)搜索算法（search algorithm referencing adjacent points based on SPEA2，SARAP），詳細(xì)闡述了SARAP算法的原理、實(shí)現(xiàn)流程并分析了其時間復(fù)雜度和收斂性。介紹了能夠考慮源荷數(shù)據(jù)不確定性，以SARAP算法和多組場景數(shù)據(jù)為基礎(chǔ)的隨機(jī)場景技術(shù)解算優(yōu)化模型的計(jì)算流程。介紹了篩選最終容量優(yōu)化配置方案的TOPSIS多目標(biāo)決策算法。
　　第6章分析優(yōu)化計(jì)算結(jié)果并進(jìn)行生產(chǎn)模擬驗(yàn)證。首先以歷史數(shù)據(jù)為基礎(chǔ)，在一種運(yùn)行策略下，分析用SARAP算法解算微電網(wǎng)容量配置多目標(biāo)優(yōu)化模型得到的確定性最優(yōu)解集。其次，通過與確定性解算結(jié)果進(jìn)行對比，對以多組場景數(shù)據(jù)（歷史數(shù)據(jù)和WGAN生成的多組場景數(shù)據(jù)）和SARAP算法為基礎(chǔ)的隨機(jī)場景技術(shù)解算優(yōu)化模型得到的不確定性最優(yōu)解集，予以分析。再次，通過比較不同運(yùn)行策略下的最優(yōu)解集，和同一優(yōu)化配置方案在不同運(yùn)行策略下的生產(chǎn)模擬結(jié)果，分析了運(yùn)行策略對優(yōu)化配置結(jié)果的影響。最后，通過年周期數(shù)據(jù)和日周期數(shù)據(jù)生產(chǎn)模擬驗(yàn)證了優(yōu)化配置方案的有效性和結(jié)果分析的合理性。