基于多源協(xié)同的主動配電網(wǎng)優(yōu)化控制策略

李慶波， 羅 銳， 翟旭京， 辛超山， 邊家瑜

（國網(wǎng)新疆電力有限公司 經(jīng)濟技術(shù)研究院， 烏魯木齊 830000）

隨著我國社會經(jīng)濟的發(fā)展，電力需求持續(xù)增長，清潔低碳成為我國能源轉(zhuǎn)型發(fā)展的重要特征.如何在保證電力系統(tǒng)安全、穩(wěn)定運行的同時，最大程度地消納各種清潔能源成為當(dāng)前電網(wǎng)轉(zhuǎn)型發(fā)展亟待解決的問題[1].與傳統(tǒng)的被動式運營管理配電網(wǎng)相比，主動配電網(wǎng)可以充分利用各種先進信息與管理技術(shù)，實現(xiàn)對分布式能源靈活有效的控制[2-3].

目前關(guān)于主動配電網(wǎng)的優(yōu)化控制研究多是基于能量管理系統(tǒng)的角度，較少涉及主動配電網(wǎng)供需兩側(cè)的組合優(yōu)化問題[12-13].本文針對主動配電網(wǎng)的多源協(xié)同問題，充分考慮可再生能源以及負(fù)荷需求，構(gòu)建了以節(jié)約系統(tǒng)調(diào)度成本、提升可再生能源利用率及提高用戶滿意度為目標(biāo)的多源協(xié)同主動配電網(wǎng)優(yōu)化調(diào)度模型.利用改進微分進化算法對模型進行求解，實現(xiàn)了對各類資源的有效利用.

1 多源協(xié)同優(yōu)化模型

1.1 配電網(wǎng)模型

主動配電網(wǎng)中分布式電源的出力預(yù)測與負(fù)荷預(yù)測是實現(xiàn)對其優(yōu)化控制的基礎(chǔ)，因此首先建立了包含風(fēng)力發(fā)電、光伏發(fā)電、電動汽車動態(tài)充放電等多種電源的配電網(wǎng)模型.

由統(tǒng)計數(shù)據(jù)可知，風(fēng)力發(fā)電機的輸出功率與風(fēng)速之間關(guān)系式[14-15]為

（1）

式中：PWT為風(fēng)力發(fā)電機的實際輸出功率；PWR為風(fēng)機的最大功率；v、vci、vco、vr分別為風(fēng)機所處位置的風(fēng)速、切入風(fēng)速、切出風(fēng)速與額定風(fēng)速.

光伏發(fā)電輸出功率表達(dá)式[16]為

PM=ARη

（2）

式中：PM為光伏發(fā)電輸出功率；R為光照強度；A為方陣面積；η為光電轉(zhuǎn)換效率.

電動汽車的日行駛里程md服從對數(shù)正態(tài)分布，其概率密度函數(shù)表達(dá)式為

（3）

電動汽車充電時間與離網(wǎng)時間的概率密度函數(shù)表達(dá)式為

（4）

（5）

式中，t0、t1分別為電動汽車接入電網(wǎng)時間與脫離電網(wǎng)時間.計算過程中，通過計算機產(chǎn)生隨機數(shù)的方法模擬電動汽車的充放電行為.

負(fù)荷概率密度函數(shù)可用正態(tài)分布表示為

（6）

式中：PL為負(fù)荷功率；μL為負(fù)荷功率期望；σL為負(fù)荷功率標(biāo)準(zhǔn)差.則負(fù)荷的累計分布函數(shù)為

（7）

1.2 優(yōu)化調(diào)度模型

文中從配網(wǎng)調(diào)度的經(jīng)濟性、清潔能源的利用率及用戶滿意度三個方面，建立了多源協(xié)同的主動配電網(wǎng)優(yōu)化控制模型，在滿足系統(tǒng)功率平衡約束條件下，采用改進的微分進化算法對其進行求解.

1） 調(diào)度的經(jīng)濟性.主動配電網(wǎng)運行總成本主要由調(diào)度成本C1、購電成本C2、分布式電源運維成本C3，清潔能源發(fā)電補貼C4與電動汽車充電收入C5構(gòu)成，其表達(dá)式為

C0=C1+C2+C3-（C4+C5）

（8）

除去成本外，配電網(wǎng)向用戶售電的總收益F表示為

（9）

式中：PL，t為主動配電網(wǎng)在t時刻的負(fù)荷；CEX，t為當(dāng)前時刻的電價；Sum為統(tǒng)計周期的總數(shù).則關(guān)于調(diào)度成本的目標(biāo)函數(shù)表達(dá)式為

（10）

2） 清潔能源利用率.定義清潔能源利用率為調(diào)度周期內(nèi)清潔能源的消納量占其發(fā)電出力的比例，則清潔能源利用率表達(dá)式為

（11）

式中，PRES，t為t時刻清潔能源的總發(fā)電功率.則目標(biāo)函數(shù)可表示為

maxf2=γ

（12）

3） 用戶滿意度.用戶滿意度屬于用戶的一種用電體驗，為對其進行量化衡量，本文從用戶用電時間β1、用電量β2及電動汽車的荷電狀態(tài)β3構(gòu)建的滿意度函數(shù)為

maxf3=β1+β2+β3

（13）

其中，β1、β2、β3分別表示為

（14）

式中：S1、S2分別為削減負(fù)荷、可轉(zhuǎn)移負(fù)荷參與調(diào)度的時間段；ΔQD，t、QDT，t為可削減負(fù)荷在t時刻的削減量和總用電量；ΔQS，t、QST，t為可轉(zhuǎn)移負(fù)荷在t時刻內(nèi)的轉(zhuǎn)移量與總用電量.

（15）

式中：Us為用戶總數(shù)；ΔTD，y、TDT，y為可削減負(fù)荷用戶y的負(fù)荷削減時間和可削減總時間；ΔTS，y、TST，y為可轉(zhuǎn)移負(fù)荷用戶y的負(fù)荷轉(zhuǎn)移時間與可轉(zhuǎn)移總時間.

（16）

式中：NEV為電動汽車總數(shù)；SocE，y、SocB，y分別為汽車現(xiàn)有電量與滿電量.

綜合目標(biāo)函數(shù)f1、f2、f3，則總的目標(biāo)函數(shù)可表示為

（17）

1.3 微分進化算法

本文建立的優(yōu)化調(diào)度模型屬于非線性規(guī)劃問題，因此采用微分進化算法對其進行求解.

1） 初始化.假設(shè)共有N個種群，自變量的個數(shù)為D，第n代的種群為Xn.

（18）

潮州電廠引進的1000MW#3、#4超超臨界機組，分別于2009年11月9日、2010年1月18日通過168小時試運行，于2010年10月18 -22日進行了現(xiàn)場監(jiān)測及調(diào)查。電廠廢水為循環(huán)利用，實現(xiàn)零排放；大氣顆粒污染物主要采用靜電除塵器進行處理，脫硫采用石灰石-石膏濕法煙氣脫硫工藝，采用低NOx燃燒器、分級配風(fēng)、降低燃燒溫度水平等方式控制NOx產(chǎn)生；固體廢物由專門的公司負(fù)責(zé)清理。

3） 交叉操作.交叉操作通過變異量與目標(biāo)量之間的隨機重組，將變異量引入自變量的解集中.交叉過程表示為

（19）

式中：i=1，2，…，N；j=1，2，…，D；φ為0～1之間的隨機數(shù)；cR為交叉因子，用于指定下一代種群的變化率；r為交叉概率，是一個在0～D中的隨機整數(shù).

4） 選擇操作.假設(shè)待求優(yōu)化函數(shù)為minf（x），則選擇操作表達(dá)式為

（20）

根據(jù)實際運行經(jīng)驗，本文在計算過程中選擇種群個數(shù)為500，縮放因子為0.6，cR取0.7.

5） 算法改進.微分進化算法在進化過程中，變異與交叉過程是隨機的，在尋找最優(yōu)解的過程中會導(dǎo)致收斂速度較慢.因此本文在保持種群多樣性的同時，通過將種群的最優(yōu)個體引入變異量中，以提高算法的收斂速度，算法改進表達(dá)式為

（21）

變異量中的縮放因子與交叉因子用于控制算法的搜索速度與范圍.尋優(yōu)過程中，較大的縮放因子有利于完成全局快速搜索，但不利用算法的局部尋優(yōu).本文對縮放因子進行動態(tài)控制，令其值在0.5～0.75范圍內(nèi)動態(tài)變化，控制表達(dá)式為

（22）

交叉因子用于控制算法的局部搜索能力，交叉因子越小局部搜索能力越好，在初期可采用較小的交叉因子以提高局部搜索能力；在后期通過增大交叉因子防止算法陷入局部最優(yōu).本文對交叉因子進行動態(tài)控制，令其值在0.3～0.6內(nèi)變化，控制表達(dá)式為

（23）

2 算例分析

文中以IEEE 11節(jié)點網(wǎng)絡(luò)為例，對算法進行驗證.圖1為電網(wǎng)結(jié)構(gòu)，表1為線路基本參數(shù)，其值為標(biāo)幺值.

圖1中，L1～L5為配電網(wǎng)負(fù)荷.其中固定負(fù)荷所占比例為75%，可轉(zhuǎn)移負(fù)荷與可削減負(fù)荷所占比例分別為15%和10%.各負(fù)荷用戶參與轉(zhuǎn)移或削減調(diào)度過程中實行階梯型補償機制.補償費用如表2所示.

假設(shè)該配電網(wǎng)所有負(fù)荷的用戶數(shù)為20，某一時刻參與負(fù)荷削減調(diào)度的用戶數(shù)量服從均值為12，方差為1.25的正態(tài)分布，負(fù)荷削減量服從均值為10，方差為2.5的正態(tài)分布；某一時刻參與轉(zhuǎn)移負(fù)荷調(diào)度的用戶數(shù)量服從均值為12，方差為1.4的正態(tài)分布，轉(zhuǎn)移負(fù)荷量服從均值為6，方差為2.5的正態(tài)分布，轉(zhuǎn)移負(fù)荷目標(biāo)時間服從均值為3，方差為1.2的正態(tài)分布.

圖1 配電網(wǎng)結(jié)構(gòu)Fig.1 Distribution network structure

表1 配電網(wǎng)線路阻抗參數(shù)Tab.1 Line impedance parameters of distribution network

表2 負(fù)荷階梯型補償費用Tab.2 Compensation cost of load stages

參與調(diào)度的電動汽車為30輛，補償價格為0.6元/kW·h，每臺電動汽車的充電容量為80 kW·h，額定充電功率為10 kW，期望行駛里程500 km.假設(shè)電動汽車每天充、放電各一次，開始充電時間服從均值為18，方差為3.5的正態(tài)分布；結(jié)束充電時間服從均值為8，方差為3.5的正態(tài)分布.

電網(wǎng)電價采用三費率分時電價.峰時段（10∶00～15∶00；18∶00～21∶00）電價為0.8元/kW·h；平時段（7∶00～10∶00；15∶00～18∶00；21∶00～23∶00）電價為0.45元/kW·h；低谷時段（23∶00～7∶00）電價為0.25元/kW·h.

利用本文提出的風(fēng)力、光伏及負(fù)荷預(yù)測模型得到可再生能源日內(nèi)典型出力與負(fù)荷曲線如圖2所示.

圖2 可再生能源出力及負(fù)荷預(yù)測模型Fig.2 Prediction model of renewable energy output and loads

為驗證調(diào)度策略的有效性，本文采用靜態(tài)優(yōu)化調(diào)度與動態(tài)優(yōu)化調(diào)度方法，即常規(guī)微分進化算法與改進的微分進化算法對配電網(wǎng)進行優(yōu)化控制，仿真結(jié)果如圖3所示.

圖3 優(yōu)化控制仿真結(jié)果Fig.3 Simulation results of optimal control

由圖3可知，通過對供給側(cè)與需求側(cè)資源的優(yōu)化調(diào)度，負(fù)荷曲線相比于優(yōu)化前有明顯的改善.優(yōu)化前負(fù)荷曲線的極差為615.6，標(biāo)準(zhǔn)差為175.5；采用靜態(tài)優(yōu)化后的負(fù)荷曲線極差為238.6，標(biāo)準(zhǔn)差為59.0；采用動態(tài)優(yōu)化后的負(fù)荷曲線極差為195.8，標(biāo)準(zhǔn)差為51.8.由此可見，基于本文所提優(yōu)化算法得出的負(fù)荷曲線具有較為明顯的削峰填谷特性，且動態(tài)優(yōu)化的效果優(yōu)于靜態(tài)優(yōu)化.

圖4為兩種優(yōu)化算法的結(jié)果比較，由圖4可知，相比于優(yōu)化前，靜態(tài)優(yōu)化與動態(tài)優(yōu)化模式下分別節(jié)約調(diào)度成本15.3%、18.9%.優(yōu)化前為了滿足用戶的用電需求，不僅需要額外的調(diào)度成本，同時存在大量的棄風(fēng)棄電現(xiàn)象.優(yōu)化后，可再生能源的利用率由優(yōu)化前的85%提高到優(yōu)化后的90%以上，動態(tài)優(yōu)化清潔能源利用率較靜態(tài)優(yōu)化提高3.12%.通過對主動配電網(wǎng)的優(yōu)化控制，減小了棄風(fēng)棄光成本與購電成本，具有顯著的環(huán)保效益與經(jīng)濟效益.

圖4 兩種模式參數(shù)比較Fig.4 Comparison of parameters between two modes

圖5為優(yōu)化后配網(wǎng)各微電源的輸出功率.由圖5可知，光伏出力主要集中在6∶00～16∶00區(qū)間內(nèi)，基本為滿負(fù)荷出力.風(fēng)力發(fā)電機輸出功率主要集中在18點后，覆蓋了晚間用電的高峰時段，充分實現(xiàn)了清潔能源的有效利用.18∶00～22∶00為一天的用電高峰期，僅依靠風(fēng)力發(fā)電難以滿足負(fù)荷需求，此時也有部分儲能電源開始向電網(wǎng)輸出功率.此外，按照本文的調(diào)度策略以及負(fù)荷的削減與轉(zhuǎn)移原則，23∶00～10∶00為用電低谷與平時段，電動汽車和儲能電池陸續(xù)充電，既可以節(jié)約成本，同時又消納了多余的風(fēng)電.

圖5 各電源輸出功率Fig.5 Output power of each power supply

綜上所述，采用基于微分進化算法的多源協(xié)同主動配電網(wǎng)優(yōu)化控制策略能夠在不降低用戶滿意度的前提下，有效節(jié)約調(diào)度成本，達(dá)到削峰填谷目的，同時有力促進了清潔能源的消納及綜合能源的利用效率.

3 結(jié) 論

本文研究了一種基于微分進化算法的多源協(xié)同主動配電網(wǎng)優(yōu)化控制策略.在微分進化算法的基礎(chǔ)上，通過引入動態(tài)縮放因子與交叉因子，對多源協(xié)同的主動配電網(wǎng)進行負(fù)荷預(yù)測和控制.仿真結(jié)果表明，采用動態(tài)優(yōu)化比傳統(tǒng)微分進化算法節(jié)約成本3.6%，用戶滿意度提高4.11%，清潔能源利用率提高3.12%.以此為基礎(chǔ)，通過協(xié)調(diào)需求側(cè)與供給側(cè)資源的互動機制，建立了多源協(xié)同的主動配電網(wǎng)優(yōu)化控制模型.優(yōu)化后配網(wǎng)調(diào)度成本可節(jié)約15%以上，清潔能源利用率可達(dá)90%以上.