基于遺傳算法的微網系統容量優化配置策略研究

摘 要：本文基于典型風光儲微網系統模型，以系統滿足基本用電負荷為前提，進行微網系統容量優化配置的策略研究。本文提出以系統投資成本、運行成本和維持系統供電可靠性等綜合成本最小為目標的優化配置策略；利用遺傳算法來獲得系統的全局最優解；最后，利用HOMER軟件對所得結果進行測驗分析。

關鍵詞：微網；容量配置；遺傳算法

0 引言

隨著包括風電、光伏等可再生能源和高效清潔的化石燃料在內的新型發電技術的發展，由風電、光伏等DG單元組成的微網供電技術已經日漸成為滿足負荷增長需求、減少環境污染、提高能源綜合利用效率和供電可靠性的一種有效途徑。

微網系統設計的基本要求是滿足微網覆蓋電力負荷以及發電系統經濟可靠運行的需要。即確定系統各組成部分的容量及運行控制策略，使得風力發電量和光伏輸出電量能滿足大部分用電負荷的要求，同時降低系統發電成本，提高系統運行的可靠性。為滿足上述要求，需要對系統進行最優容量配置，計算出微網系統在全年能夠可靠工作所需光伏總容量、風力發電機組功率和蓄電池容量，使其在滿足最大可靠性的同時，盡可能的減少系統的成本。因此，微網的最優容量配置可以看作一個非線性目標優化問題。

為保證微網系統獲得最優容量配置策略，本文采用遺傳優化算法對其進行優化設計，優化指標為風機、光伏電池串和并聯蓄電池組的最優數目，約束條件為功率平衡、蓄電池充電狀態及其他條件。

1 風光儲微網系統模型簡介

風光儲微網系統由風電機組、并列光伏電池組、蓄電池組、逆變器及負載構成。典型系統結構如圖所示。

2 風光儲微網容量優化模型建立

目標函數的確立

微網容量優化配置的最終目標是使系統成本降最低，同時滿足用戶要求的供電可靠性。

3 遺傳算法簡介

遺傳算法屬于智能優化算法中的一種，是一種具有全局優化性能、通用性強且適合于并行處理的算法。

3.1 遺傳算法的基本原理

遺傳算法是從試圖解釋自然過程生物的復雜適應過程入手，模擬生物進化的機制來構造人工系統的模型。它是從代表問題可能潛在解集一個種群開始的，而一個種群則由經過基因編碼的一定數目的個體組成。因此在一開始需要實現從表現型到基因型的映射，即編碼工作。初始種群產生之后，按照適者生存和優勝劣汰的原理，逐代演化出越來越好的近似解。在每一代，根據問題域中個體適應度大小，挑選個體，并借助于自然遺傳學的遺傳算子進行組合交叉和變異，產生出代表新解集的種群。這個過程將導致種群像自然進化一樣，后生代種群比前代更加適應環境。末代種群的最優個體經過解碼，可以作為問題近似最優解。

3.2 模型求解過程

系統的優化變量集合為X=[]，以4個變量作為遺傳算法的基因，將目標函數作為適應度函數，最終尋找到一組最優的[]，使得目標函數的值最小，整個算法流程圖如下圖所示。

4 實例分析

4.1 基礎數據

根據本文中所提出的優化方法對微網電源容量進行優化配置，所應用的分布式電源類型有：風力發電機、光伏模塊、蓄電池及相關組件。

微網容量優化配置還需要系統所在地的年氣象數據和符合數據，其中氣象數據包括平均風速、平均光強度、小時最大光強以及小時平均環境溫度，負荷數據包括小時平均交流負荷和小時平均直流負荷。本文中負荷全部選用交流負荷。

針對微網運行仿真總時間為1年，最小時間間隔為1h，由氣象數據計算各電源的出力，同時計算微網的可靠性指標LPSP及能量過剩倍率EXC，并將其作為約束條件之一。利用表中各組件成本數據計算等年值投資費用，并將其作為目標函數，最后基于GA的微網容量優化配置酸法求解最優變量。

5 結論

在使用單一蓄電池儲能時，因蓄電池功率密度相對較低，為滿足出現沖擊負荷時的供電需求，必須配較大容量蓄電池，因此成本很高?；旌蟽δ芟到y由超級電容來負擔功率波動，減少不必要的蓄電池配置的同時，減少蓄電池充放電次數延長蓄電池壽命，有效縮減的成本。

基于遺傳算法的混合儲能系統容量優化配置研究充分考慮了蓄電池和超級電容各自的運行特性，通過協調互助的運行策略，優化了儲能系統的工作狀態，提高了儲能系統經濟型的同時，保證了微電網的穩定性和可靠性。但是研究中未考慮實際應用中溫度，變流器效率等影響因素的影響，且對儲能設備壽命確定也較為簡單。實現對混合儲能系統精確的配置優化，還需研究實際影響中的印象因素，有待進一步研究。

參考文獻

[1]牛濤，錢康，孫純軍，等.基于遺傳算法的微電網容量配置方法及軟件開發[J].中國電力，2016，49（9）：160-164.

（作者單位：甘肅省引大入秦工程管理局）