風/光互補發電系統恒壓控制的改進微分進化算法分析

孫素軍

滁州職業技術學院，滁州，239000

風/光互補發電系統彌補了傳統單一風力發電及單一太陽能發電的不足，能夠提高電網電能的穩定性。風/光互補發電系統的主要特點為：充分利用空間，合理使用高空及地面；共享送變電設備，提高工作效率；共享經營管理人員，降低運行成本。目前，國內外在風/光互補發電系統恒壓控制方面的研究并不多，由于風/光互補發電系統中使用的是無刷雙饋變速恒頻風力發電機組，它的工作頻率和電網頻率相互獨立，且負載和轉速沒有關系，要使發電機發出恒頻電能，恒壓控制就尤為重要。風/光互補發電系統恒壓控制屬于具備約束條件的多極值非線性組合優化問題，使用傳統方法無法實現動態優化。基于此，本文采用改進微分進化算法，將系統最低投資成本和最小缺電負荷率作為目標，以優化風/光互補發電系統恒壓控制的模型，并用Matlab搭建14節點系統的仿真模型，對改進微分進化算法進行仿真，結果表明，此算法不僅能提高收斂速度及計算精度，還能提高風/光互補發電系統電壓穩定性。

1 風/光互補發電系統能量管理控制體系

圖1為風/光互補發電系統能量管理控制體系，主要包括人際交互界面管理層、發電供電裝置能量管理層及執行層。界面管理層存儲相應數據，能夠進行人際交互，執行層主要包括發電設備、控制器及數據收集系統等[1]。能量管理層屬于風/光互補發電系統能量管理控制體系中的主要內容，不僅能夠和執行層及界面管理層相互通信，也能夠和其他能量管理層實現通信。能量管理層的功能是接收控制指令并執行。為加強各層之間的通信，提高系統性能，將多種裝置通過能量管理層進行管理，并且在能量管理層中用改進微分進化算法實現恒壓控制。

圖1 風/光互補發電系統能量管理控制體系

2 風/光互補發電系統恒壓控制優化模型

2.1 優化目標

在規劃和設計風/光互補發電系統時，風力機組、光伏電池和蓄電池等影響系統的經濟性及可靠性。因此，將風力機組、光伏電池和蓄電池容量作為控制變量，將負荷缺電率及成本作為目標函數搭建模型[2]。

如果天氣較為惡劣，部分條件無法滿足負荷功率需求時，為了能夠對系統全年供電的可靠性進行有效評價，引入負荷缺電率的概念，計算公式如下：

(1)

式中，Ey為一年中負荷總能量消耗，PLS[i]為能量損失。

風/光互補新能源發電系統成分包括維護費用及固定投資。和傳統發電方法對比，風力發電及太陽能光伏發電原料成本較低，系統成本通過相應模型表示：

C=nw*Cw+nPV*CPV+nbat*Cbat

(2)

式中，nw、nPV、nbat分別為風機數、光伏電池數和儲能電池數；Cw、CPV、Cbat分別為單臺風機、光伏電池和儲能電池的投資成本和維護成本。

2.2 約束條件

風/光互補發電系統中光伏每天平均發電量和風機發電量之和要滿足每天平均負荷需求，還要留有相應的裕度。如果天氣惡劣，儲能電池就是主要備用電源，無風或無光時，儲能電池要能滿足負荷工作天數的需求。所以，配置數量要滿足以下條件：

NPVPPV+NWPW≥Pload

(3)

式中，NPV、NW為光伏電池數量和風機數量；NPV、NW分別為單塊電池和單臺風機的輸出功率；、Pload為日負荷平均功率。

考慮風機間距對于風機出力的影響，風機廠在風電機組布置的過程中，要求行距為風輪直徑的5～9倍，列距為風輪直徑的3～5倍。由于場地面積較大，要避免光伏電池板放在陰影的地方，故不考慮陰影對光伏電池的影響。光伏電池和儲能電池受到場地面積的影響，配置數量要滿足以下條件：

NPVSPV+NbSb≤L×W

(4)

式中，SPV、Sb分別為單塊光伏電池和單個儲能電池的占用面積；L和W分別為用地的長和寬。

3 風/光互補發電系統恒壓控制的改進微分進化算法

微分進化算法是一種采用實數編碼的種群進化算法，它源于遺傳算法(GA)，所以進化過程也包括種群初始化、交叉及變異和選擇。

3.1 微分進化算法(DE)

3.1.1 種群初始化

種群初始化是指在給定種群的規模NP和個體維數n的基礎上，在種群邊界范圍內生成種群個體。

3.1.2 交叉及變異

為了避免算法陷入局部最優解，就要融合自適應遺傳算法，不僅能保證群體多樣性，還能提高算法的收斂能力和優化能力，其交叉概率公式為：

(5)

其變異概率公式為：

(6)

其中，fmax為群體中的最大適應值，favg為群體平均適應值，f為要交叉的兩個個體中較大的適應度值，f′為要變異個體的適應度值，k1、k2、k3和k4為常數。根據公式(5)、(6)，在個體適應度比平均值低的時候，變異概率及交叉概率就會提高，此個體就會被淘汰。在適應度比平均值高的時候，變異及交叉概率就以適應度高低線性變化為基礎，若適應度高，則變異及交叉概率就會降低，便于個體存活，在群體陷入局部最優解時，變異及交叉概率就會提高[3，4]。

3.1.3 選擇

微分進化算法實際是一個優勝劣汰的選擇過程。它以個體適應度評價為基礎，讓新生個體與父輩個體一一競爭，只要新生個體的適應度值比父輩個體的適應度值優，則遺傳到下一代，否則被淘汰。

3.2 改進微分進化算法(MDE)

改進微分進化算法是在傳統算法的基礎上，融入帕累托非劣排序，將種群中的個體按目標函數的值進行排序，然后，根據排序結果及特定比例分為劣勢群落和優勢群落。

對劣勢群落中的個體進行定向變異加速分化：

(7)

對優勢群落中的個體進行隨機變異加速分化：

(8)

3.3 算法流程

圖2為改進微分算法優化的流程，Nmax為最大迭代次數，首先實現種群初始化，其中風力發電機及儲能電池數量要根據負載需求選擇0～100之間的正整數，在得到初始種群后，再根據負荷數據、氣候及成本和負荷缺電率，實現下一步循環迭代。當迭代次數N

圖2 改進微分算法優化的流程

4 算法仿真及分析

本文用Matlab搭建14節點系統模型，對改進微分進化算法進行仿真，表1為14節點系統初始狀態值，系統主要包括發電機、調壓變壓器及電容器組。表2為14節點電壓綜合控制的優化結果，由表2可知，微分進化算法優化后的有功損失降低了20.5%[6]。

表1 14節點系統初始狀態值

表2 14節點電壓綜合控制優化結果

由表3可知，和傳統算法相比，改進微分進化算法的最優損失分布范圍較廣，不僅能有效降低有功損失，使系統整體的電壓質量得到改善，而且還有較好的全局收斂能力及尋優效果[7]。

表3 電壓綜合控制算法對比

5 結 語

本文首先以系統成本最低及缺電負荷率最小作為目標函數，以儲能電池的充放電次數、電池充放電的上下限和微網功率平衡為約束條件，創建了風/光互補發電系統恒壓控制的模型，具有一定的實用價值。其次，提出的改進微分算法融入帕累托非劣排序，和傳統算法相比，變異策略有所改進，全局收斂能力及尋優效果良好。最后，通過仿真表明，改進后的微分進化算法能有效解決風/光互補系統發電容量規劃設計過程中的問題，并且具有較高的可靠性及經濟性。