基于PSO 算法的多電源配電網儲能配置模型

雷建勤，夏陽，呂清泉，王麗娟，張曉軍

（1.國網甘肅省電力公司酒泉供電公司，甘肅酒泉 735000；2.國網甘肅省電力公司電力科學研究院，甘肅蘭州 730000）

可再生能源在大規模并網時具有較高的波動性與間歇性，這種特性會對配電網的安全、穩定運行產生影響，降低配電網中電能的質量，增大多電源配電網運行的難度。儲能是配電網的重要組成結構，其較高的響應速度、靈敏的控制調節能力可以調度與配置配電網容量[1-2]。

文獻[3]提出了基于網損靈敏度方差的多電源配電網儲能配置方法，采用網損靈敏度公式計算多電源配電網的網損靈敏度，根據多電源配電網靈敏度方差確定配電網中儲能的配置方式，通過該方式將儲能接入多電源配電網中，同時，該方法根據多電源靈敏度方差的波動范圍設計了儲能配置目標函數，通過該目標函數對多電源配電網節點的充放電功率進行評估，根據評估結果進行多電源配電網的儲能配置，該方法儲能配置成本較低，但運算過程較為復雜，不易實現。文獻[4]提出了基于改進自適應權重多目標粒子群算法的分布式電源優化配置方法，該方法利用多目標粒子群算法提出了儲能約束模型，該方法對配電網儲能的負荷功率進行了約束與控制，實現了多電源配電網儲能配置的全局性，但該方法提出的模型結構不清晰，方法的魯棒性較差。

為解決以上問題，該文提出了基于粒子群算法的多電源配電網儲能配置方法。

1 多電源配電網儲能配置模型

多電源配電網中可再生能源具有較強的時序性與間歇性，并且具有較高的滲透率，在大規模并網時，可再生能源具有較強的出力特性，該特性提高了電力系統與多電源配電網的負荷波動，給多電源配電網、電力用戶、風電機組等帶來較大的沖擊[5-6]。多電源配電網中的儲能系統具有較好的雙向調節能力與控制能力，可有效抑制電力系統中的負荷波動，抑制過程中將產生一定大小的儲能平抑負荷f1：

式中，P1(t)表示多電源配電網在t時刻的有功功率；表示固定周期內發電機組的平均有功功率[7]。

該文在分析多電源配電網儲能時，在多電源配電網系統中加入儲能設備，為了方便計算投資成本，忽略儲能設備之外的裝置成本，只計算多電源配電網系統中儲能系統的投資成本、日常維護成本、用電成本等，將以上投資成本加權處理，加權總和S為：

式中，i表示天數；Sia表示多電源配電網在前i天的儲能投資成本總和；Sib表示多電源配電網在前i天的儲能日常維護成本總和；Sic表示多電源配電網在前i天的發電機用電成本總和[8-9]。

多電源配電網儲能的有功功率在儲能容量的限制下，電力系統與儲能系統的運行狀態會受到一定程度的影響，為了確保電力系統與多電源配電網能夠安全、穩定、持續運行，需要優化與配置多電源配電網儲能容量，在優化過程中由于受到儲能系統安裝數量、儲能系統有功出力以及儲能系統用電量的多重影響，會產生負荷狀態偏差，對負荷狀態偏差添加約束條件即可確保多電源配電網的潮流平衡，同時，電力系統中的發電機有功出力與無功出力將出現最大值與最小值，平均值作為儲能系統與發電機組的約束電壓[10-11]。儲能系統的電壓范圍為：

式中，Vmin和Vmax分別表示儲能系統電壓的下限和上限；V表示發電機組的約束電壓。儲能配置模型如圖1 所示。

圖1 儲能配置模型

該文建立的儲能配置模型是基于雙層決策理論實現的，圖1 為多電源配電網儲能配置模型的外層模型，其內層模型主要用于解決儲能系統與多電源配電網的負荷波動問題，此外，內層模型在儲能約束時，主要完成功率平衡約束[12-13]、儲能容量約束與多電源配電網用電約束，通過以上建立的儲能配置模型，可實現多電源配電網儲能系統的配置。

2 多電源配電網儲能配置

多電源配電網儲能的配置屬于一個非線性混合問題，該文采用粒子群算法求解構建的儲能配置數學模型，分析儲能系統慣性權重[14]。在迭代多電源配電網儲能系統過程中，儲能系統的慣性權重隨著有功功率的增加呈線性遞減趨勢，在求解儲能系統的慣性權重時，由于缺少最優粒子的調度，導致配置效果較差，因此利用最優相似度調整與迭代儲能系統權重因子。

在每次調整時，通過當前粒子與最優粒子的粒距差，確定慣性權重調整方案。當粒距差較大時表明當前粒子與最優粒子較為相似，選擇慣性權重最小值作為最優值；當粒距差較小時，需要通過交叉變異提升多電源配電網儲能系統的局部尋優能力[15]。具體儲能配置流程如圖2 所示。

圖2 多電源配電網儲能配置流程

在選擇儲能系統的最優慣性權重時，需要預處理粒子所在位置參數，處理過程中當前粒子與最優粒子之間的相似度為：

式中，K表示當前粒子與最優粒子的相似度；x1表示最優粒子的維度；y1表示當前粒子的維度。

根據慣性權重調整策略，由當前粒子與最優粒子的維度和相似度可計算出多電源配電網儲能系統的慣性權重W為：

式中，Wup、Wdown分別表示多電源配電網儲能系統慣性權重的上下限。

在更新Pareto 解集時，相鄰粒子之間的信息交互可通過擁擠距離方法實現，但該方法會降低Pareto解集的均勻性與波動性。為提升Pareto 解集的局部搜索能力，該文通過原有調整策略判定Pareto 解集的規模是否符合標準，如果不符合標準，刪除當前粒子群中粒距最小的粒子，重復更新、迭代，直到Pareto解集正常。在動態調整Pareto 解集時，當前粒子與最優粒子的適應度發生變化，通過Pareto 解集計算粒子適應度dj為：

式中，j表示最優粒子的數量；fj、fj-1分別表示多電源配電網儲能系統中最優粒子的適應度與相鄰粒子的適應度。

該文通過雙層決策理論建立了多電源配電網儲能配置模型，并利用粒子群算法求解該模型。首先設置與更新多電源配電網儲能的迭代次數，初始化儲能系統，根據發電機的安裝位置確定多電源配電網儲能的容量，找出儲能系統選址最優容量[16]。

然后初始化光伏等可再生能源、多電源配電網儲能的有功功率、無功功率，在多電源配電網中輸入光伏、發電機組、儲能的負荷波動數據，根據建立的內層模型解決多電源配電網儲能系統的負荷波動、間歇性較高的問題，并施加約束條件，計算多電源配電網儲能的最大有功出力值，多電源配電網儲能的最大有功出力F為：

式中，r表示多電源配電網儲能的負荷波動數據；er表示多電源配電網儲能的約束條件。

根據上述過程，選取最優粒子確定多電源配電網中儲能接入的最佳方案，實現多電源配電網儲能配置。

3 實驗研究

為了驗證該文提出的基于粒子群算法的多電源配電網儲能配置方法的有效性，選用網損靈敏度方差配置方法和改進自適應權重配置方法作為對比方法進行驗證。

在削峰填谷狀態下，同時使用該文方法和傳統方法進行對比實驗，得到的實驗結果如圖3 所示。

圖3 削峰填谷狀態下實驗結果

根據圖3 可知，在削峰填谷狀態下，該文提出的基于粒子群算法的多電源配電網儲能配置方法配置結果為一條直線，但是對比方法難以達到相同優化效果。該文方法更優的原因是引入了粒子群算法，設定的目標函數為二次項函數，因此配置過程中的所有參數都可以順利地優化，而對比的配置方法僅能優化多電源配電網儲能的最大值和最小值。由此可見，該文提出的配置方法具有更好的配置效果。

在平滑狀態下進行對比實驗，得到的實驗結果如圖4 所示。

圖4 平滑狀態實驗結果

根據圖4 可知，該文提出的基于粒子群算法的多電源配電網儲能配置方法配置結果功率能夠調節到較高水平，在儲能配置功率上高于對比方法的儲能配置功率，儲能效果能夠滿足電網儲能配置的高負荷控制要求，更適合于實際應用。

迭代次數共有140 次，選用三種方法計算均勻性，得到的均勻性指標實驗結果如圖5 所示。

由圖5 可知，在多次迭代中，該文提出的均勻性指標始終高于傳統方法。140 次迭代中，該文方法和對比方法出現了八次波動，相比較于對比方法，該文方法得到的均勻性指標較高，最高值可以達到0.015，而基于網損靈敏度方差的多電源配電網儲能配置方法均勻性指標最高值可以達到0.007，基于改進自適應權重電源配電網儲能配置方法均勻性指標最高值可以達到0.003。

圖5 均勻性指標實驗結果

綜上所述，該文提出的基于粒子群算法的多電源配電網儲能配置方法在不同運行狀態下，都可以很好地實現電網儲能配置，儲能效果好，更適合于實際應用。

4 結束語

隨著電網的快速更新，風電、光伏等可再生能源出現了負荷波動，并且多電源配電網在運行過程中也出現了多個不穩定因素，傳統的儲能配置方法雖具有較好的魯棒性，但運算過程復雜、結構不清晰，無法解決負荷波動等問題，在這樣的背景下，該文提出了基于粒子群算法的多電源配電網儲能配置方法，通過該方法實現了儲能對負荷波動的平抑，提升了Pareto 解集的全局尋優能力，可以有效確保方法的均勻性。但是該文方法求解模型時，未考慮相似度計算結果由于交叉變異產生的不確定性，可能會影響計算精度，下一步研究將針對此方面進行重點分析。