基于短期負荷預測的可再生能源調度優化算法設計

黃地，黃平，李杰，閆玉超，席東生

（1.國網江蘇省電力有限公司，江蘇南京 210024；2.清華海峽研究院，福建廈門 361015）

隨著我國經濟的持續快速發展，國家對于能源的依賴、要求也不斷加重。當前，化石能源在能源占比中居于主導地位。但化石能源是不可再生能源，該問題將是21 世紀我國所面臨的最嚴峻挑戰[1-4]。為了應對該項挑戰，我國提出了“碳達峰、碳中和”的戰略目標。

大力發展風能、太陽能等可再生清潔資源，提高其在經濟發展中的能源占比是實現“雙碳”目標的重要途徑之一[5-12]。當前，我國的電網中已接入了多種形式的風力、光伏發電機組。如何協調發電單元與儲能單元、用電負荷的關系，做好可再生能源機組的調度優化，處理好不同時間段之間傳統內燃機組與新能源機組間的相互關系，是新形式下電力調度必須要解決優化的問題。

基于電力短期負荷實現可再生能源的調度是一個復雜的非線性優化問題，在該問題中，需要滿足電網運行的多項時變約束條件。為了解決這一問題，該文引入了一種基于磷蝦群算法的可再生能源調度優化算法。該方法對傳統的磷蝦算法進行了改進，可以在微電網環境下滿足功率平衡約束，實現區域內經濟、環境效益的最大化[13-15]。

1 理論基礎

1.1 磷蝦群算法

磷蝦群算法（Krill Herd algorithm,KH）是由Gandomi 于2012 年提出的基于磷蝦群覓食特性的仿生學優化算法。在磷蝦種群的覓食過程中，磷蝦通過聚集來提升種群內個體的密度，這種行為有利于磷蝦群避免遇到天敵。磷蝦群在運動時，不斷探索新的生存區域，縮短與食物間的距離。磷蝦群算法的基本原理如圖1 所示[16]。

圖1 磷蝦群算法的基本原理

磷蝦的覓食是一種群體行為，根據上述分析，種群密度與食物是影響種群行為的兩個主要因素。對于每個磷蝦個體，其位置可以用式（1）描述：

式中，Xi是表示第i個磷蝦個體的位置向量；Ni為個體i受到其他個體的影響導致的誘導位移；Fi為受到食物影響導致的覓食位移；Di為個體的隨機物理運動導致隨機位移；Ni、Fi、Di均為時間t的函數。其各自的變化規律如下：

1）誘導位移

誘導位移的變化方式如下：

式中，Nmax為磷蝦個體在每次迭代過程中最大的移動距離；ωn為上次迭代過程中誘導位移的權重，其取值范圍為[0,1]；αi是誘導位移的誘導方向，其計算方法如下：

其中：

2）覓食位移

覓食位移是由食物位置以及磷蝦個體之前對于食物位置的經驗決定的，可由式（6）表示：

其中，ωf是個體的覓食經驗權重，取值范圍為[0,1]；Vf是個體i在覓食過程中的游動速度；βi是該個體的覓食方向，其表達式如下：

由于食物對于磷蝦群體的影響由其位置決定，因此需要在算法優化前，首先定義食物的中心：

3）物理擴散

物理擴散是磷蝦個體的隨機運動行為描述，根據自然界中磷蝦個體的隨機運動特性，這種隨機運動可描述為：

根據上述的三種擴散方法，磷蝦個體i進行位置改變的數學模型為：

1.2 算法改進

研究表明，對于高維度的優化問題，傳統的磷蝦算法會陷入局部最優值，影響算法的全局搜索，導致種群的早熟。為了解決這些問題，該文引入了SEL 和CHS兩種算子對KH算法進行改進，得到了CO-KH算法。

1）SEL 算子

通過引入SEL 算子，基于貪婪搜索的策略，選取部分磷蝦個體進行交叉。在進行位置更新時，可對個體的適應度進行優化，從而提升群體的收斂速度：

式中，Xelist是由交叉操作篩選的適應度較低的精英個體集合。

2）CHS 算子

傳統的KH 算法下，磷蝦群體的迭代搜索采用的是自適應變異算子。為了提升搜索的效率，該文使用了一種基于混沌序列的隨機搜索方法來模擬種群的非周期運動現象：

傳統的KH 算法通過式（13）映射后，進行位置更新，更新方法如下：

式中，Cchaos是CHS 算子的搜索系數，其取值范圍為[0,1]，可以對磷蝦個體的搜索活躍度進行調節。

SEL 和CHS 算子引入后，為了進一步提升算法的優化能力，對傳統KH 算法中的交叉與變異機制進行保留，如下式所示：

2 方法實現

2.1 實驗設計

為了驗證該文算法的有效性，以江蘇省某示范性微電網工程數據集為基礎，對算法進行仿真驗證。在該微電網中，包含了光伏、風電兩類可再生能源發電機組，其基本結構如圖2 所示。

圖2 微電網結構

為了保障電力負荷的穩定性，新能源機組必須與傳統的內燃機組協同工作，在圖2 中，包含了風力發電（WT）、光伏電池（PV）、微型燃氣輪機（MT）、燃氣鍋爐（GB）四種形式的機組。微電網與傳統的配電網互為補充，其既可以為配電網提供能源，也可以作為配電網的負荷。當配電網發生故障時，微電網可斷開與配電網間的連接，轉入孤島模式進行內部電能的自給自足。表1 給出了微電網內各個機組的發電參數。

表1 微電網內能源發電單元參數

微電網內部的可再生能源調度與內部的短期負荷相關，該文以24 h 為周期，對于內部的電力負荷需求情況進行了統計預測。同時，給出該地區各個時段的電價標準如表2 所示。

表2 該區域內用電負荷和電價的時段統計表

結合表2 的負荷和表1 所列的各機組功率平衡為約束條件，以微電網運行的收益最大為目標函數，使用改進磷蝦群算法進行微電網區域內各個機組的調度優化。優化所使用的計算機軟硬件環境如表3所示。

表3 算法仿真的軟硬件環境

2.2 實驗結果

為了評估該文對磷蝦群算法改進的有效性，使用傳統的磷蝦群算法（KH）、具有遺傳和變異機制的磷蝦群算法（SKH）與該文算法（CO-KH）進行了對比。在進行優化時，各個算法以1 500 為最大迭代次數，每個算法在相同的環境下優化30 次，對于算法的運行結果取平均適應度（Mean）和標準差（Std）。圖3 給出了在迭代過程中，三個算法的平均最優適應度隨著迭代次數的變化情況；表4 給出了30 次優化后的計算誤差統計結果。

圖3 迭代次數和平均最優適應度的關系

表4 誤差統計結果

從圖3 中的三條曲線變化趨勢可以看出，在算法的迭代速度上，該文的算法優于SKH、KH 兩個算法。在算法的迭代次數達到500 時，文中算法的平均適應度值已有了明顯的下降；當迭代次數達到1 500 時，該文算法的平均適應度值明顯優于KH、SKH 算法。這說明該文引入的SEL 和CHS 算子大幅提升了磷蝦群算法的全局搜索能力。

結合圖3 和表4 的統計值可以看出，在Mean 和Std的數量級上，CO-KH 算法可以達到1×10-4；而KH、SKH 算法分別僅有1×10-1和1×10-2。由此說明，該文算法的優化精度與魯棒性也均優于KH 和SKH 算法。

通過算法的迭代得到，在24 h 內，基于微電網短期負荷的各個機組的功率調度情況如表5 所示。

表5 中，為了發揮可再生能源高效清潔、成本低廉的優勢，在進行磷蝦群算法優化時，優先使用風機PWT和光伏PPV。當可再生能源的功率不滿足微電網內的用電負荷要求時，再使用內燃機組。調度后的成本統計結果顯示，引入改進磷蝦群算法優化后，該區域內的微電網日運行維護費用下降了3.67%，供電成本下降了1.43%，從而提高了該區域內的能源綜合利用效率。

表5 各機組在不同時刻的功率調度（單位：kW）

3 結束語

隨著國家發展戰略目標的提出，我國的電網開始著力提升新能源發電機組在電網中的占比。新能源機組接入電網后，將對電力調度提出新的挑戰。該文基于電力的短期負荷約束對電力調度的優化問題進行了研究，所提出的算法可有效降低區域內電網的日運行維護成本和供電成本，對未來新能源接入后的電網調度具有一定的參考價值。