基于VEGA的風光蓄聯合發電系統多目標容量優化

王曉蘭，劉立強，梁 琛，張曉英

(1.蘭州理工大學電氣工程與信息工程學院，甘肅蘭州730050；2.甘肅電力科學研究院，甘肅蘭州730050)

基于VEGA的風光蓄聯合發電系統多目標容量優化

王曉蘭1，劉立強1，梁 琛2，張曉英1

(1.蘭州理工大學電氣工程與信息工程學院，甘肅蘭州730050；2.甘肅電力科學研究院，甘肅蘭州730050)

針對我國西北地區風、光資源的分布情況，建立小型風光蓄聯合發電系統。依據氣候常年變化的統計情況，考慮投資成本、系統可靠性、風光資源利用率等多個優化目標，建立數學模型；并對系統孤島運行和并網運行的不同情況進行優化處理。采用整數編碼的向量評價遺傳算法(VEGA)進行求解，獲得了微網中分布式電源和儲能電池的多種優化容量配置方案。

風光蓄發電系統；多目標優化；風光資源的利用率；向量評價遺傳算法

隨著自然資源的日漸枯竭，尋求可替代能源成為了越來越迫切的課題[1]。風光蓄聯合發電系統作為一個新型能源發電單元，能夠充分利用當地的自然資源，使得發電系統獨立運行時滿足供電負荷的需求，系統并網運行時減少集中供電所帶來的壓力，特別是在我國西部和輸電不便的偏遠地區，具有很高的實用價值。

目前，國內外學者對于風光蓄聯合發電系統的研究主要集中在優化目標和優化算法的改進上。文獻[2-4]以系統的供電可靠性為約束條件，以系統成本最小為優化目標對整個系統進行容量的優化配置，文獻[5-6]以系統投資成本和穩定性作為主要優化目標，同時考慮能源利用率等作為其他的優化目標，對其進行容量的優化配置。文獻[7-11]對優化算法進行了研究，文獻[8]考慮了風力發電機的類型、臺數和光伏組件的傾角等更多的變量，采用遺傳算法對孤島運行的風光互補發電系統進行容量配置。

本文提出了在系統孤島運行和并網運行時，考慮不同的目標函數。當系統孤島運行時，建立考慮系統成本、供電可靠性和反映風光互補特性的三目標優化數學模型；在系統并網運行時，除上述三個目標函數外，將系統饋入電網的功率波動作為第四個目標函數。采用向量評價遺傳算法(VEGA)對上述多目標優化問題進行求解，以中國西部某地為例，得到了可以輔助決策的多目標Pareto優化解。

1 風光蓄聯合發電系統

1.1 風光蓄聯合發電系統結構

風光蓄聯合發電系統結構如圖1所示，這種方案具有負荷和分布式電源擴容較為便利的優勢。系統由光伏陣列、風力發電機組、蓄電池組等幾部分組成，該系統可以獨立運行，也可以并網運行。

圖1 風光蓄聯合發電系統結構示意圖

1.2風光蓄聯合發電系統的能量變換

當系統獨立運行時，若風能和太陽能發電量不滿足負荷需求，則蓄電池放電。當發電量大于負荷需求時，蓄電池充電。當系統并網運行時，若發電量不滿足負荷需求，負荷先由風光蓄聯合發電系統供電，不足部分由電網提供。當發電量充足時，除滿足系統本身負荷的需求外，多余的電量饋入電網。

2 風光蓄聯合發電系統的優化模型

2.1 風光蓄聯合發電系統的多目標優化模型

2.1.1 優化變量的定義

2.1.2 目標函數

在滿足系統性能指標的前提下，使系統總成本最低，其中包括初始投資成本、系統維護成本以及系統并網時與電網的功率交換成本。系統初始投資成本為：

系統運行維護成本為：

系統并網時，與電網交換功率的成本主要包括系統向主網賣電成本和系統向主網購電成本。

則優化目標函數為：

在分析了系統功率變換的基礎上，采用風力與光伏輸出功率之和相對于負荷功率的波動率表征風光互補特性：

系統并網運行時，考慮到入網功率波動對配電網電能質量的影響，以入網功率標準差作為衡量系統并網性能的優越指標：

2.2 風光蓄聯合發電系統的多目標優化問題的約束條件

考慮極端天氣情況，系統獨立運行時，滿足系統供電要求，風力發電機組數、光伏陣列數、蓄電池數分別小于其最大值

蓄電池電量變化約束條件：考慮到蓄電池的壽命，使蓄電池的荷電狀態在之間，充放電功率小于其最大值。

系統并網時功率交換約束條件：系統并網時，與電網的交換功率在之間。

2.3 風光蓄聯合發電系統的多目標優化問題的數學描述

為了對風光蓄聯合發電系統進行合理優化，基于上述對系統發電單元功率變化情況和儲能單元容量的分析，建立多目標數學模型。在滿足系統可靠性前提下，使得系統總的運行費用、風光互補波動率、入網功率波動最小，其數學表達式為：

3 多目標優化問題的VEGA求解

算法流程如圖2所示，程序具體步驟為：

(1)初始種群的生成，本文的初始種群根據不等式約束進行隨機選取，種群大小設為500，遺傳算法以這500個染色體作為初始點開始迭代，為0.9；

文獻[12]中Schaffer提出了采用VEGA求解多目標優化問題的思路，利用并行的方式給出多目標優化問題的Pareto非劣解，解決了多目標優化的難題。本文采用VEGA算法的思想對建立的多目標經濟優化模型進行求解。

在用VEGA求解時，變量定義為式(1)，故采用整數編碼來表示初始群體中的個體，染色體結構表示為

圖2 算法流程

(2)計算每個染色體對應的目標函數值和適應度函數值；

(3)重組操作，本文以0.7的概率完成對當前種群中一對個體的離散重組，在重組后返回到新種群中；

(4)變異操作，變異算子能夠改善遺傳算法的局部搜索能力，維持染色體的多樣性，防止出現早熟現象，本文以0.02的概率對重組后的子代產生變異；

(5)終止條件判斷，通過設計適應度函數和各遺傳算子，對初始種群進行選擇、重組、變異和重插入操作，若達到最大迭代次數，終止運算，否則，轉到步驟2繼續進行運算，本文在不同的迭代次數下進行優化分析，以得到最優化目標。

4 算例與分析

為驗證本文提出的風光蓄聯合發電系統優化方案的合理性和優越性，選擇甘肅某地為參考區域，借助Matlab軟件對優化模型進行求解。該地區全年預測的負荷功率如圖3，負荷峰值功率為330 kW，平均功率為150 kW；風速數據來源NASA，其中，風速和光照強度經由Homer軟件進行離散化處理，溫度取每月平均值。考慮到本系統為小型發電系統，選取額定功率為1 kW小型風力發電機；選取5片最大功率為230 W的光伏組件進行串并聯作為一組，對應電壓為29.6 V，其最大功率為1.15 kW；選取額定電壓12 V，額定容量為200 Ah的蓄電池作為儲能單元。

圖3 負荷功率曲線

為方便計算，系統并入電網時，假定購入和賣出電量的電價相同，VEGA中初始種群個數500，代溝為0.9，重組概率為0.7，交叉概率為0.02。

圖4 系統獨立運行時尋優過程

圖5 未考慮風光互補特性的Pareto非劣解前沿分布

圖6 考慮風光互補特性的Pareto非劣解前沿分布

由圖5和圖6可知，系統總成本隨著系統供電可靠性的提高而增加，在實際應用中，可以根據不同的需求，在總成本和供電可靠性方面選擇一個折中，在此分別選擇圖5和圖6中箭頭所指示點的優化結果，得到的各目標函數值如表1中所示。

圖7為當系統并網運行時，同時考慮四個優化目標的尋優過程，次數為500時，系統總成本、供電可靠性和風光互補特性三個目標函數的尋優過程。圖8為系統并網運行時總成本和供電可靠性目標函數Pareto非劣解前沿分布，選擇圖8中箭頭所指示點的優化結果，得到的各目標函數值如表1所示。

表1 各目標函數最優解

圖7 系統并網運行時前三個目標函數的尋優過程

圖8 并網運行Pareto非劣解前沿分布

采用分時段優化控制策略對系統饋入電網的功率波動進行補償[13]。由表1可知，系統并網運行的總成本略高于獨立運行時，但并網運行時的供電可靠性和入網功率波動明顯優于獨立運行。當系統獨立運行時，如果充分利用風光互補特性，系統所需儲能單元容量減少，但由于其他發電單元的成本增加，系統總成本略有增加；系統并網運行時，考慮系統饋入電網的功率波動需滿足電網電能質量要求，因而利用蓄電池限制饋入電網的功率波動范圍，使優化結果中蓄電池的容量增大。

5 結論

本文針對小型風光蓄聯合發電系統，考慮系統孤島和并網兩種不同的運行方式，分別提出不同運行方式下的優化目標函數。當孤島運行時，考慮風光互補特性對系統容量優化的影響；并網時，將系統饋入電網功率波動特性作為另外一個目標函數。利用向量評價遺傳算法對多目標優化問題進行求解，得到了反映多種優化配置方案的Pareto非劣解分布。

Pareto非劣解分布為決策者提供了多個選擇，運營商可根據系統不同的指標要求，選擇合理的配置方案。系統獨立運行時，當風光發電功率曲線能夠很好匹配負荷變化曲線時，只需配置較少的儲能裝置，就可以滿足系統性能指標的要求；并網運行時，需同時考慮系統供電可靠性和入網功率波動，系統總成本和儲能單元容量有所增加。

[1]WOYTE A，VAN V，BELMANS R，et al.Voltage fluctuations on distribution level introduced by photovoltaic systems[J].IEEE Trans on Energy Conversion，2006，21(1):202-209.

[2]KELLOGG W.Generation unit sizing and cost analysis for standalone wind，photovoltaic，and hybrid wind/PV systems[J].IEEE Trans on Energy Conversion，1998，13(1):70-75.

[3]BOROWY B S，SALAMEH Z M.Methodology for optimally sizing the combination of a battery bank and PV array in a wind/PV hybrid system[J].IEEE Trans on Energy Conversion，1996，11(2): 367-375.

[4]SHRESTHA G B，GOEL L.A study on optimal sizing of standalone photovoltaic stations[J].IEEE Trans on Energy Conversion，1998，13(4):373-378.

[5]DUFO-LóPEZ R，JOSé L，AGUSTíN B，et al.Multi-objective design of PV-wind-diesel-hydrogen-battery systems[J].Renewable Energy，2008，33(12):2559-2572.

[6]DUFO-LóPEZ R，JOSé L，AGUSTíN B，et al.Multi-objective optimization minimizing cost and life cycle emissions of stand-alone PV-wind-diesel systems with batteries storage[J].Applied Energy，2011，88(11):4033-4041.

[7]MARION W，URBAN K.User’s manual for years[R].London: National Renewable Energy Laboratory，1995.

[8]XU D，KANG L Y，CHANG L C，et al.Optimal sizing of standalone hybrid wind PV power systems using genetic algorithms[C]// 18th Annual Canadian Conference on Electrical and Computer Engineering.Saskatoon，Saskatchewan，Canada:IEEE，2005:1722-1725.

[9]YANG H X，ZHOU W，LU L，et al.Optimal sizing method for stand-alone hybrid solar-wind system with LPSP technology by using genetic algorithm[J].Solar Energy，2008(82):354-357.

[10]徐大明，康龍云，曹秉剛.基于NSGA2Ⅱ的風光互補獨立供電系統多目標優化[J].太陽能學報，2006，27(6)：593-598.

[11]WANG L，SINGH C.PSO-based multi-criteria optimum design of a grid connected hybrid power with multiple renewable source sources of energy[C]//Proceedings of 2007 IEEE Swarm Intelligence Symposium.Piscataway，NJ，USA:IEEE，2007:250-257.

[12]SCHAFFER J D.Multiple objective optimization with vector evaluated genetic algorithms[C]//Proceedings of the First International Conference on Genetic Algorithms and Their Application.Pittsburgh，USA:ICGA，1985:93-100.

[13]徐林，阮新波，張步涵，等.風光蓄互補發電系統容量的改進優化配置方法[J].中國電機工程學報，2012，32(25)：88-98.

Multi-objective capacity optimization for wind-solar-battery hybrid power system based on VEGA

Based on the distribution of wind or solar resources in northwest，a small wind-solar-battery hybrid power system was proposed.Based on the statistical situation of perennial climate changes，the mathematical model was built considering multi optimization objectives including investment cost， system reliability and utilization of wind-solar resources.The different situations in both stand-alone and grid-connected modes were optimized.The vector-evaluated genetic algorithm (VEGA)was used to solve the optimal problems.The optimal allocations of distributed source and batteries were got in micro-grid.

wind-solar-battery hybrid power system;multi-objective optimization;wind-solar resources utilization; vector-evaluated genetic algorithm

TM 73

A

1002-087 X(2016)04-0840-04

2015-09-11

王曉蘭(1963—)，女，甘肅省人，教授，主要研究方向為復雜系統建模和系統優化。