風光儲互補發電系統的容量優化研究綜述

陳 凱

陜西鐵路工程職業技術學院 陜西渭南 714000

能源是經濟可持續發展的重要保障，但能源的短缺和造成的污染也帶來了挑戰。隨著可再生能源，尤其是風能、太陽能等清潔能源的不斷開發，調整能源結構是未來的發電系統的必經之路。清潔能源，特別是風能和太陽能，缺點是其隨機性和間歇性等問題會導致發電系統的安全可靠性降低，限制了其大規模發展。因此，在滿足用戶用電功能的前提下，風光儲互補發電系統應運而生，得到了眾多學者的研究，結合風能、太陽自然界中的互補特性，同時增加儲能裝置幫助改善發電的安全可靠性，從而提供充足穩定的電能。相比傳統的集中供電，風光儲互補發電系統傳輸損耗低、啟停快、區域動力強、經濟性能好。通過合理靈活的配置容量，甚至可以應用于偏僻落后的地區。今年來，智能電網也有了很大發展，結合風光儲互補發電系統，與微電網連接，能夠挖掘出更大的潛能，改善自然環境，補充電力系統，解決經濟欠發達地區的電力問題，改善人們的基本生活。

目前，風光儲互補發電系統作為新能源利用的重要方式，是很多企業研究的熱點內容，包括風光儲離散型配置分析、容量優化、控制策略、設計方法、經濟性分析等。其中容量優化作為前期設計階段，通過計算進行研究和規劃，完成三種能源的容量分配，達到能源互補的最大化，提高自然資源利用率，使得風光儲互補發電系統能夠輸出較大的平穩功率，收益最大化。本文針對現有的風光儲互補發電系統的容量優化方法進行了總結和研究，目標函數包括系統成本、負載缺電率、浪費概率等，優化方法則包括遺傳算法、粒子群算法等各種智能算法，通過不同的改進手段實現目標函數的優化。

1 風光儲互補發電系統的結構

風光儲互補發電系統結構分為三個部分，能量產生環節、存儲環節和消耗環節。風力發電機部分和太陽能發電構成能量產生環節，蓄電池實現能量存儲，逆變器和控制系統將電能逆變后供給電網及其負載使用構成能量消耗環節。結構框圖如下圖所示。

風光儲互補發電系統結構框圖

相比光伏發電，風力發電機發電量更大，但由于隨機性導致可靠性低。光伏發電量則主要受到溫度和光照的影響，蓄電池受內部電容充放電的容量影響。將三者的運行方式相結合進行研究綜述，以小型的風光儲互補發電系統為例，設置可靠性適中的太陽能為主電源，風力發電和蓄電池作為輔助。

2 風光儲互補發電系統目標函數的選取

在滿足用電需求的基礎上，風光儲互補發電系統需要進行容量優化配置。通過計算獲得不同配置方案的數據，以此作為衡量經濟性的指標。事實上，風電機組和光伏機組目前的價格都偏高，因此探究容量配置能夠很好地節約投資，盡可能地減少和優化風光儲設備的數量，為其在偏遠地區和經濟欠發達地區的應用提供條件。

2.1 可靠性目標

國際上普遍采用負載缺電率(Loss of Power Supply Probability，LPSP)來表征系統可靠性，負載缺電率LPSP的計算公式如下所示：

(1)

式(1)中

L

(

t

)為負載側調控需要的電量；

E

(

t

)為風力發電機的電量；

E

(

t

)為光伏發電的電量；

E

(

t

)為蓄電池所發的電量。

2.2 經濟性目標

在風光儲互補發電系統的經濟性方案中，目前被學者們使用較多的是總擁有費用法(Total Owning Cost，T)，T包括兩個方面的費用總和，即初期投資費用和運行損失費用。總擁有費用的公式為:

(2)

式(2)中

C

為系統投資總成本；

f

為通貨膨脹率；

i

為利率；

n

為系統壽命周期；

E

為系統缺電量；

b

為單位停電量的電價與平均電價的比值；

d

為平均電價。從公式中可以看出，系統的缺電量

E

被轉換為初始投資成本，可靠性與經濟性綜合為總費用計入目標函數，能夠成為不同方案比較的依據。

2.3 目標函數

在小型風光互補發電系統中，同時考慮可靠性和經濟性，為了將LPSP控制0.2%以內，引入使用可靠性成本

C

，使得

C

=

λ

×

LPSH

。

目標函數取為：

(3)

總投資成本

C

=

C

+

C

+

C

，其中:

式中

x

、

x

、

x

分別為風力發電機、太陽能電池、蓄電池的數目；

c

、

c

、

c

分別為風力發電機、太陽能電池、蓄電池的單價。

3 風光儲互補發電系統的容量優化配置算法

3.1 改進粒子群算法

傳統粒子群算法在風光儲互補系統的容量優化中，對于目標函數的搜索精度不夠，容易陷入局部最優，容易出現錯誤的計算結果。因此有學者在此基礎上將傳統粒子群算法與“禁忌表”相結合，為了防止陷入局部最優解，引入了“重啟”操作。改進的粒子群算法的步驟如下：

(1)初始化粒子：初始化風力發電機、太陽能電池和蓄電池的數目；

(2)根據氣候環境及用戶數據，分析和計算風機，光伏板的發電量

E

(

t

)和

E

(

t

)，同時校驗蓄電池的充放電量

E

(

t

)，計算LPSH和期望缺電量

E

；

(3)通過計算獲取每個粒子的目標函數值，找到最小的那個作為最初的最優解；

(4)更新粒子的速度和位置；

(5)計算新粒子的T，更新每個粒子的局部最優解和全局最優解；

(7)計算

pbest

(

t

+1)-

pbest

(

t

)的數值，若

pbest

(

t

+1)-

pbest

(

t

)<

ε

，

β

=

β

+1；若

pbest

(

t

+1)-

pbest

(

t

)>

ε

，

β

=0。當

β

≥

η

算法需要重新開始，將[

Xbest

-

δ

，

Xbest

+

δ

]內的計算結果去除，轉向8，否則轉向9；(8)迭代次數：

t

=

t

+1，若

t

<

M

轉向5，否則轉向10；(9)迭代次數：

t

=

t

+1，若

t

<

M

轉向4，否則轉向10；

(10)輸出結果，即風力發電機、光伏電池板、蓄電池的數量。

改進粒子群算法使得粒子能夠跳出局部最優解，避免了重復搜索，加快收斂速度，從而提高精度。通過對某地的仿真計算，證明了本文算法比傳統粒子群算法尋優能力強，“禁忌表”“擾動”“重啟”的引入幫助擴大了搜索范圍，搜索的精度也得到了保證，通過計算能夠設計出更加經濟的容量優化配置方案，解決了小型風光儲容量優化配置的問題。但是該方法在尋找風光儲互補發電系統的容量優化中，并沒有考慮風機、光伏列陣的離散特性，且風光儲互補發電系統是一個多目標的優化問題，因此改進的粒子群算法在相互沖突的極大可靠性和極小化成本狀況下計算結果并不準確，還需要繼續優化改進后的粒子群算法。

3.2 余弦改進型自適應遺傳算法

傳統自適應遺傳算法也能夠用來解決風光儲互補發電系統的容量優化配置問題。在針對目標函數進行優化時，交叉算子P和變異算子P的數值與優劣個體的保存和脫離相矛盾，難以平衡隨機搜索和適應度導致容易過快收斂或太慢收斂，從而得出錯誤的計算結果。尤其是在系統多樣性好、適應度分散時本算法使用效果較差。

針對這個問題，有學者將傳統自適應算法的P和P采用非線性處理，增大交叉變異率，使得不理想的個體適應度增強，提出了余弦改進型自適應遺傳算法。該算法六個基本要素，其求解思路如下：

3.2.1 編碼

利用本算法求解風光儲互補發電系統的目標函數時，現將本系統的數據轉換為程序語言，即進行編碼。具體方法為將目標函數中的數據與染色體上的基因進行對應，由于二進制數編碼復雜，選擇實數展開編碼。染色體表示為

X

=[

X

，

X

，…

X

]，其中

X

表示互補發電系統中相對最大負荷比例及風、光、儲占比。

3.2.2 初始種群

種群進化是由初始種群發展而來的，在目標函數的參數限值內產生初始種群，通過隨機均勻函數創建，這樣有助于提高計算速率和效率。種群數目中的個體數目是影響計算的關鍵因素，既不能選得過大，也不能過小，而是要根據目標函數綜合考量。

3.2.3 個體適應度評價

適應度函數作為遺傳算法的重要指標，能夠很好地判斷個體優劣，以此為依據建立風光儲互補發電系統容量配置優化的個體適應度，根據式(3)確定本算法的目標函數，并建立數學模型。

3.2.4 個體選擇

遺傳算法中要得到新一代，需要通過選擇操作實現。適應度大的個體被留下來的概率越高，因此采用精英策略提高種群的適應能力。適應度大的個體直接進行復制，適應度低的則采用錦標賽策略，隨機比較兩個個體，保留適應度更大的那一個。以此類推，直到系統中子群數目等于父群數目。

3.2.5 個體交叉

改變基因序列才能形成新個體，即基因的交叉重組。交叉重組就是將染色體或部分基因進行概率交換，基因交換的分界點通過隨機數生成，接著在這個位置進行交換。

3.2.6 變異

變異是在遺傳中出現了父代中沒有的基因，在算法中變異能夠維持系統中物種的多樣性，這有助于算法在計算中過早收斂，同時變異還能夠提高計算的速率。在本系統目標函數的計算過程中，變異作為算法的輔助操作。

將本算法應用于風光儲互補發電系統的容量優化配置中，將風力電機、光伏板和蓄電池的數量作為目標函數的優化變量，設置缺電率、投資成本、維護成本等約束條件，建立算法模型，結合數據計算各種配比方案下，在滿足條件的計算結果中進行多次迭代，最終保證在全部解集中找到最優解，保證供電系統可靠性的前提下，使得成本最低。本算法的迭代次數需要預設，當算法的適應度趨于穩定后，選擇大于這個迭代次數一倍數值作為系統的迭代次數。本算法運行顯示，算法的收斂效率顯著提高，能夠在迭代次數達到之前便收斂到穩定數值。

利用該算法求解風光儲互補發電系統的容量配置問題時，能夠有效地改善計算速度，避免出現計算過早收斂導致出現錯誤求解。這六個要素的設計和應用可以很好地實現算法的控制和應用。但是本算法仍然存在問題，當要素中的變量發生某些不可控的變化時，會導致計算結果不夠準確，因此對于關鍵要素的選取和改進是繼續考慮的問題，在系統隨機性增強的同時，對算法進行進一步改進仍然是需要研究的關鍵問題。

結語

風光儲互補發電系統在規劃建設時，應在保證可靠性的前提下，盡量減少各種成本提高收益。目前研究表明，風電機組和光伏板的各項成本均不相同，在規劃時應根據實際情況合理設計容量分配方案，改善互補系統的經濟性。在考慮互補系統的容量優化目標，還應該考慮與系統有關的約束條件，包括資源利用率、建設用地條件、互補特性、總出力、跟蹤曲線等約束。優化目標則常常圍繞可靠性和經濟性展開討論，常用的有工程壽命周期和總收益，負載缺電率和循環累計虧電量等。確定目標函數后需要對變量進行優化，例如，風電機組、光伏陣列的數目，以及各種裝置的容量等。最后采用不同的智能算法對目標函數進行求解，除了本文介紹的改進粒子群算法和改進遺傳算法之外，目前還有各種新的算法也逐漸被廣泛應用，也有很多學者進行運算，例如，改進微分進行算法、精英非支配解排序遺傳算法、粒子群優化算法、蟻群優化算法等。在未來的發展中，這些算法能夠為風光儲互補發電系統的容量優化配置提供更多的思路和解決方法。