基于多目標(biāo)優(yōu)化的含電力電容器的農(nóng)網(wǎng)系統(tǒng)調(diào)度策略研究

劉冰冰，周文俊

(溫州商學(xué)院 信息工程學(xué)院，溫州 325000)

0 引言

農(nóng)網(wǎng)是電網(wǎng)系統(tǒng)的重要組成部分，農(nóng)網(wǎng)系統(tǒng)調(diào)度的目的是在保證電網(wǎng)安全可靠運行的條件下，最大限度地提高農(nóng)網(wǎng)運行的經(jīng)濟(jì)性和可靠性。研究含電力電容器的農(nóng)網(wǎng)系統(tǒng)調(diào)度可以有效改善電能質(zhì)量、降低農(nóng)網(wǎng)系統(tǒng)的網(wǎng)損，提高農(nóng)網(wǎng)系統(tǒng)的安全性[1]。本文在傳統(tǒng)農(nóng)網(wǎng)調(diào)度研究的基礎(chǔ)上，針對含風(fēng)電系統(tǒng)的農(nóng)網(wǎng)電力系統(tǒng)，將柔性負(fù)荷引入農(nóng)網(wǎng)調(diào)度系統(tǒng)，提出一種基于多目標(biāo)優(yōu)化的含電力電容器的農(nóng)網(wǎng)系統(tǒng)調(diào)度策略研究方法。

1 灰狼優(yōu)化算法

GWO算法[2](Grey Wolf Optimization Algorithm，GWO)是受灰狼捕食行為啟發(fā)而提出的仿生尋優(yōu)算法[3]，該算法將灰狼群體按照金字塔等級原則分為α、β、δ、ω4個等級，等級分層如圖1所示。

其中，α表示頭狼，在狼群群體中處于最高等級，主要進(jìn)行灰狼群體內(nèi)部事務(wù)的決策和調(diào)度；β是α的智囊團(tuán)隊，起到參謀的作用，協(xié)助頭狼管理狼群內(nèi)部事務(wù)；δ受α和β指揮和領(lǐng)導(dǎo)，在灰狼群體中主要進(jìn)行偵查、放哨、捕獵以及幼狼的看護(hù)事務(wù)；ω處于金字塔的最底層，主要負(fù)責(zé)平衡狼群內(nèi)部關(guān)系和看護(hù)幼狼事務(wù)。在GWO算法中，狼群種群位置的更新如式(1)、式(2)[6]：

圖1 灰狼種群等級圖

D=|C·Xp(t)-X(t)|

(1)

X(t+1)=Xp(t)-A·D

(2)

式中，A=2a·r1-a，C=2·r2，Xp表示獵物的位置，X表示灰狼的位置，t表示當(dāng)前迭代次數(shù)，隨著尋優(yōu)過程的進(jìn)行，a由2線性下降到0，r1,r2表示為[0,1]的隨機(jī)向量。

假設(shè)α、β、δ為獵物最可能處于的位置，在GWO算法中，將前3個變量的最優(yōu)解分別賦值給α、β、δ，而其他灰狼被當(dāng)作為ω，其可以根據(jù)α、β、δ的位置實現(xiàn)重新定位。狼群ω的位置調(diào)整如式(3)-式(5)[4-5]：

Dα=|C1·Xα-X|

(3)

Dβ=|C2·Xβ-X|

(4)

Dδ=|C3·Xδ-X|

(5)

式中，Xα、Xβ、Xδ分別表示α、β、δ的位置，C1、C2、C3分別表示隨機(jī)數(shù)，X為當(dāng)前解的位置。在公式(3)-公式(5)的基礎(chǔ)上，分別計算當(dāng)前解和α、β、δ之間的近似距離，在此基礎(chǔ)上，當(dāng)前解的最終位置如式(6)-式(9)[6]：

X1=Xα-A1·(Dα)

(6)

X2=Xβ-A2·(Dβ)

(7)

X3=Xδ-A3·(Dδ)

(8)

(9)

式中，Xα、Xβ、Xδ分別為α、β、δ的位置，A1、A2、A3為隨機(jī)數(shù)，t為當(dāng)前迭代次數(shù)。

2 含電力電容器的農(nóng)網(wǎng)系統(tǒng)多目標(biāo)優(yōu)化調(diào)度模型

2.1 含電力電容器的風(fēng)電農(nóng)網(wǎng)系統(tǒng)模型

含電力電容器的風(fēng)電農(nóng)網(wǎng)系統(tǒng)由光伏列陣、柴油發(fā)電機(jī)、微型燃?xì)廨啓C(jī)、燃料電池、儲能裝置、風(fēng)機(jī)、逆變器等分布式電源及其控制器構(gòu)成[6-7]，之后，農(nóng)網(wǎng)系統(tǒng)通過公共連接點和配電網(wǎng)連接起來，其模型圖如圖2所示。

圖2 含電力電容器的風(fēng)電農(nóng)網(wǎng)系統(tǒng)模型

2.2 目標(biāo)函數(shù)

(1)農(nóng)網(wǎng)系統(tǒng)運行成本最小

①農(nóng)網(wǎng)系統(tǒng)的發(fā)電成本

火電機(jī)組發(fā)電成本數(shù)學(xué)模型為[8]式(10)。

(10)

②可中斷負(fù)荷補(bǔ)償成本如式(11)。

(11)

③激勵負(fù)荷成本如式(12)。

(12)

農(nóng)網(wǎng)系統(tǒng)發(fā)電成本的最小化數(shù)學(xué)模型可描述為式(13)。

(13)

(2)污染氣體排放量最小

本文考慮CO2、NOx、SO2三種氣體的影響如式(14)。

kNOx·ENOx+kSO2·ESO2)

(14)

其中，Me表示總污染氣體排放量，Cln表示煤耗量系數(shù)，kNOx、kSO2表示NOx、SO2相對于CO2的污染嚴(yán)重系數(shù)，ECO2、ENOx、ESO2分別表示單位煤耗量所對應(yīng)的CO2、NOx、SO2排放量。

(3)農(nóng)網(wǎng)系統(tǒng)運行風(fēng)險最小

本文定義系統(tǒng)的運行風(fēng)險程度如式(15)-式(19)。

(15)

(16)

(17)

(18)

(19)

2.3 約束條件

(1)功率平衡約束如式(20)。

(20)

(2)各單元出力上下限約束如式(21)。

(21)

(3)旋轉(zhuǎn)備用容量約束

正旋轉(zhuǎn)備用如式(22)、式(23)。

(22)

負(fù)旋轉(zhuǎn)備用：

(23)

其中，L%表示用電負(fù)荷對備用需求系數(shù)；us%、ds%分別表示風(fēng)電對正備用需求系數(shù)和負(fù)備用需求系數(shù)。

(4)機(jī)組爬坡速率約束如式(24)。

船舶電力系統(tǒng)故障一般有局部配電板故障、發(fā)電機(jī)故障、推進(jìn)器失效故障、全船失電故障等。本文以工況3(較惡劣海況，發(fā)電機(jī)組無/有隱藏故障兩種情況)條件下，主匯流排發(fā)生短路故障為例，仿真分析系統(tǒng)動態(tài)響應(yīng)，對電力系統(tǒng)設(shè)計進(jìn)行驗證。在仿真模型中，電力系統(tǒng)故障響應(yīng)動作的要求和保護(hù)開關(guān)動作順序的要求均按DP-ER附加標(biāo)志要求進(jìn)行設(shè)置,同時發(fā)電機(jī)均設(shè)置為熱備機(jī)狀態(tài)，以降低備用冗余發(fā)電機(jī)并入電網(wǎng)時對電網(wǎng)的沖擊。

(24)

(5)機(jī)組最小起停時間約束如式(25)。

(25)

(6)可中斷負(fù)荷中斷時間約束如式(26)。

(26)

(7)可中斷負(fù)荷中斷次數(shù)約束如式(27)。

(27)

其中，Nj表示在整個周期內(nèi)第j個可中斷負(fù)荷用戶所允許的負(fù)荷中斷的最大次數(shù)。

3 基于GWO的農(nóng)網(wǎng)系統(tǒng)調(diào)度策略優(yōu)化研究

GWO算法求解農(nóng)網(wǎng)系統(tǒng)調(diào)度策略優(yōu)化過程如下所示，其流程框圖如圖3所示。

圖3 基于GWO算法的農(nóng)網(wǎng)系統(tǒng)調(diào)度策略優(yōu)化

Step1：輸入電網(wǎng)相關(guān)信息，如風(fēng)電場規(guī)模、負(fù)荷要求和中斷時間等要求；

Step2：根據(jù)優(yōu)化變量的取值范圍，隨機(jī)生成初始化種群；

Step3：計算每個灰狼的適應(yīng)度函數(shù)值；

Step4：對適應(yīng)度進(jìn)行排序，將適應(yīng)度排名前三的灰狼定義和保存為Xa、Xb、X；

Step5：調(diào)整和更新狼群ω的位置；

Step6：更新參數(shù)a、A、C；

Step7：若gen>maxgen，保存最優(yōu)解；否則，gen=gen+1，返回Step4，重新尋優(yōu)。

4 實證分析

4.1 數(shù)據(jù)來源

為了驗證GWO算法進(jìn)行含電力電容器的農(nóng)網(wǎng)系統(tǒng)調(diào)度策略的優(yōu)越性，選擇文獻(xiàn)中的模型和參數(shù)為研究對象，該模型含電力電容器和風(fēng)電接入，共有10臺常規(guī)風(fēng)機(jī)，其中包括功率規(guī)模分別為150 MW和100 MW的2個并網(wǎng)風(fēng)電場。模型相關(guān)參數(shù)設(shè)定如下：調(diào)度時段數(shù)T=24(每時段1小時)，風(fēng)電波動備用系數(shù)r%=20%，可中斷負(fù)荷最大、最小中斷時間分別為6 h、2 h，最大中斷次數(shù)為Nj均為3 h，負(fù)荷對備用的需求系數(shù)L%=7%，風(fēng)電對正、負(fù)備用需求系數(shù)us%取值范圍為[10%20%]，ds%的取值范圍為[10%30%]，柔性負(fù)荷參數(shù)如表1所示。

表1 柔性負(fù)荷參數(shù)

4.2 結(jié)果分析

4.2.1 考慮風(fēng)電輸出相關(guān)性和柔性負(fù)荷的多目標(biāo)供需互動調(diào)度策略

設(shè)定GWO算法的最大迭代次數(shù)為100，種群規(guī)模為50，運用GWO算法求解可得負(fù)荷和各單元出力情況如圖4所示。

圖4 負(fù)荷及各單元出力情況

4.2.2 調(diào)度策略對比

為了對比各因素對農(nóng)網(wǎng)系統(tǒng)調(diào)度結(jié)果的影響，在考慮了風(fēng)電出力結(jié)構(gòu)和柔性負(fù)荷兩個因素的基礎(chǔ)上，本文對如下3種方案進(jìn)行驗證，3種方案如下：

方案1：僅考慮農(nóng)網(wǎng)系統(tǒng)中的風(fēng)電出力結(jié)構(gòu)的調(diào)度方案；

方案2：僅考慮農(nóng)網(wǎng)系統(tǒng)中的柔性負(fù)荷調(diào)節(jié)的調(diào)度方案；

方案3：綜合考慮風(fēng)電出力結(jié)構(gòu)和柔性負(fù)荷調(diào)節(jié)的調(diào)度方案；

3種調(diào)度方案求解的的經(jīng)濟(jì)和環(huán)境效益結(jié)果如表2所示。

表2 3種方案的經(jīng)濟(jì)和環(huán)境效益

由表2可知，方案2比方案1多考慮了柔性負(fù)荷因素，總運行成本降低了1.19%，污染氣體排放量降低了1.12%，發(fā)電成本、總運行成本以及污染氣體排放量均有了一定程度降低。

方案3比方案2多考慮了風(fēng)電場出力結(jié)構(gòu)因素，總運行成本降低了1.23%，污染氣體排放量降低了1.04%。綜合結(jié)果，考慮風(fēng)電出力結(jié)構(gòu)和柔性負(fù)荷調(diào)峰的調(diào)度方案在環(huán)境效益和經(jīng)濟(jì)效益上較單一方案1或者方案2具有更明顯的優(yōu)勢。

4.2.3 不同算法結(jié)果對比

為了說明GWO算法的優(yōu)越性，將GWO和遺傳算法[12](Genetic Algorithm，GA)、粒子群算法(Particle Swarm Optimization Algorithm，PSO)、果蠅優(yōu)化算法(Fruit Flying Optimization Algorithm，F(xiàn)OA)優(yōu)化結(jié)果對比結(jié)果如表3所示。

表3 不同算法結(jié)果

由表3可知，本文算法GWO結(jié)果優(yōu)于FOA、PSO和GA算法，總運行成本、污染氣體排放量的目標(biāo)函數(shù)值更小，表明GWO算法具有更好的收斂特性。如圖5所示。

由圖5可知，本文算法GWO具有更快的收斂速度，效果優(yōu)于FOA、PSO和GA算法，長期看來，可以節(jié)省更多成本，降低污染物的排放。

(a)方案1

(b)方案2

(c)方案3

圖5 尋優(yōu)收斂圖

5 總結(jié)

針對含風(fēng)電系統(tǒng)的農(nóng)網(wǎng)電力系統(tǒng)，將柔性負(fù)荷引入農(nóng)網(wǎng)調(diào)度系統(tǒng)，提出一種基于多目標(biāo)優(yōu)化的含電力電容器的農(nóng)網(wǎng)系統(tǒng)調(diào)度策略研究方法。研究結(jié)果表明，與FOA、PSO和GA算法相比，GWO算法具有更快的收斂速度，總運行成本、污染氣體排放量的目標(biāo)函數(shù)值更優(yōu)。