基于改進遺傳算法的源網(wǎng)荷儲協(xié)同控制方法

闕凌燕, 蔣正威, 楊力強, 盧 敏

(1. 河海大學 計算機與信息學院, 江蘇 南京 210024; 2. 國網(wǎng)浙江省電力有限公司 調控中心, 浙江 杭州 315010; 3. 國網(wǎng)湖州供電公司 調控中心, 浙江 湖州 313000)

隨著分布式電源的滲透率逐年升高以及大規(guī)模儲能電站的接入,傳統(tǒng)的“無源”配電網(wǎng)逐步向“有源”轉換[1]。由于分布式電源中疊加了多種不可控負荷波動,“有源”主動配電網(wǎng)中的潮流特征將發(fā)生顯著變化,易產(chǎn)生線路過壓過載、短路電流越限等問題,進而使配電網(wǎng)優(yōu)化控制面臨巨大挑戰(zhàn)[2-3]。同時,相應的保護配置相比于“無源”配電網(wǎng)也更為困難。因此,如何改善主動配電網(wǎng)中“源儲網(wǎng)荷”的優(yōu)化調度,是提高配電網(wǎng)運行效率,實現(xiàn)最優(yōu)運行亟待解決的問題[4]。

目前,國內外對于源儲網(wǎng)荷的優(yōu)化調度已有諸多研究,且成果頗豐。劉曉宇等[5]利用多維小波分解調頻信號頻譜,并結合電路結構形成微分方程,以消除電力系統(tǒng)各區(qū)域的調頻控制偏差,從而實現(xiàn)多源橫向互補與源網(wǎng)荷儲縱向協(xié)調。XU等[6]提出了一種針對多微網(wǎng)主動配電網(wǎng)優(yōu)化運行的雙層控制策略,利用上層模型的共識算法結合下層模型最低運行成本的優(yōu)化目標,有效實現(xiàn)對上級控制命令的跟蹤。KONG[7]針對電力系統(tǒng)源網(wǎng)荷可控背景下供電能力評價問題,提出一種考慮主動控制成本的配電網(wǎng)多目標供電能力評價方法,實驗結果展示了方法的有效性和改進算法的性能。姜濤等[8]提出一種計及光伏出力的主動配電網(wǎng)電壓分布式優(yōu)化控制策略,以節(jié)點電壓偏差、光伏削減量和網(wǎng)損最小為目標,采用二階錐松弛技術結合交替方向乘子法有效解決配電網(wǎng)電壓越限及網(wǎng)損過大問題。

上述方法雖然對電網(wǎng)源網(wǎng)荷儲的優(yōu)化控制取得了一定的成果,但并未充分考慮分布式能源發(fā)電和柔性負荷存在的波動,因此調度策略的普適性仍有待提升。為此,提出了一種基于改進遺傳算法的源網(wǎng)荷儲協(xié)同控制方法,其兼顧系統(tǒng)運行成本與新能源消納,構建了相應的優(yōu)化目標,并設計改進了遺傳算法,得到最佳的控制模式,從而實現(xiàn)源網(wǎng)荷儲的合理配置,提高系統(tǒng)的運行效果。

1 源網(wǎng)荷儲協(xié)同控制模型

新型電力系統(tǒng)包含了大量分布式能源發(fā)電系統(tǒng)以及可調節(jié)的儲能與負荷,故通過合理的控制策略能夠實現(xiàn)源網(wǎng)荷儲的協(xié)同優(yōu)化,從而保證系統(tǒng)運行的經(jīng)濟穩(wěn)定性[9-10]。系統(tǒng)的整體架構如圖1所示。

圖1 源網(wǎng)荷儲協(xié)同優(yōu)化系統(tǒng)架構Fig.1 Cooperative optimization system architecture of source network load storage

各單元的主要作用如下:

1) 源。通過調控分布式電源在時間和地域上的輸出電量,能夠實現(xiàn)區(qū)域內能源的互補,削減功率變化對系統(tǒng)造成的影響,提高可再生能源的利用率。

2) 網(wǎng)。結合系統(tǒng)實時運行情況及以往數(shù)據(jù),利用高性能的控制方法調配網(wǎng)內資源,以保證電網(wǎng)的最優(yōu)運行。

3) 荷。作為系統(tǒng)的末端,可利用分時電價等方式激勵用戶優(yōu)化用電模式,以縮減用電成本,同時緩解系統(tǒng)不平衡的電力壓力。

4) 儲。根據(jù)系統(tǒng)的協(xié)同調度迅速完成裝置的充放電功率調整,其響應耗時極短,能夠實現(xiàn)長期的削峰填谷及“低儲高發(fā)”,進而提升系統(tǒng)運行的經(jīng)濟性。

由于源、荷、儲數(shù)量多且分布分散,因此在系統(tǒng)終端配置邊緣計算節(jié)點進行數(shù)據(jù)的初步統(tǒng)計和建模,如光伏出力、儲能充放電量等。同時將邊緣節(jié)點的數(shù)據(jù)上傳部署在網(wǎng)內的云計算平臺,通過智能優(yōu)化算法實現(xiàn)源網(wǎng)荷儲的協(xié)同控制,主要是為了實現(xiàn)能源消耗及儲能損耗最小、系統(tǒng)運行更加經(jīng)濟與環(huán)保的優(yōu)化目標。

1.1 目標函數(shù)

源網(wǎng)荷儲協(xié)同優(yōu)化的目的在于實現(xiàn)系統(tǒng)綜合運行成本最小化,以及最大化減少棄光、棄風量。運行成本包括能耗成本、污染物排放懲罰成本CΩ、需求側響應成本CDR、儲能損耗成本CES等。目標函數(shù)的數(shù)學表達式為

(1)

式中:CPV,M為光伏和風力的發(fā)電成本;CF為火電機組的能耗成本;PPV,PM分別為光伏、風力的輸出功率;CΣ,F分別為成本總和,棄光、棄風量總和;T為時長。

1.1.1 能耗成本

系統(tǒng)能耗成本主要為風力、光伏的發(fā)電成本以及火電的能耗。其中,t時刻光伏出力PPV(t)的數(shù)學表達式為

(2)

式中:P0為光伏機組的額定輸出功率;S(t)、S0分別為t時刻接收的光照強度和標準光照強度;κT為溫度系數(shù);θ(t)、θ0分別為t時刻環(huán)境溫度及標準環(huán)境溫度。

同樣,風機機組的輸出功率PM可表示為

(3)

式中:rM為風機葉片的半徑;ηM為風能轉化率;v、ρ分別為風速與空氣密度。因此,光伏與風力發(fā)電的成本計算表達式為

(4)

式中:CPV、CM分別為光伏、風力機組單位發(fā)電量的成本電價;NPV、NM分別為光伏及風力機組的數(shù)量。

而火電機組的能耗成本CF表達式為

(5)

式中:NF為發(fā)電機組數(shù)量;Pit為i機組在t時刻的出力;ait為機組出力的決策量,0代表不出力,1則代表出力;CS,it、CP,i分別為機組啟動與出力時的能耗成本。

1.1.2 需求側響應成本

需求側響應即當供電系統(tǒng)供需不平衡時,用戶側根據(jù)電價調整以及負荷補償來改變原先的用電方式,以響應系統(tǒng)調度并保障電網(wǎng)短時間內的可靠運行[11]。需求側響應成本CDR的表達式為

(6)

1.1.3 儲能損耗成本

儲能裝置在網(wǎng)內的作用是平抑與補償分布式能源所造成的波動,進而保證電網(wǎng)平穩(wěn)運行[12-13]。該裝置的使用壽命受諸多因素的影響,例如充放電次數(shù)、環(huán)境溫濕度等,而充放電深度則為決定性因素。此外,儲能裝置成本大致由固有投資及運維費用所組成,其中運維費用可以看作一個常數(shù)。因此,儲能裝置成本僅考慮固有投資與其使用壽命間的關系,裝置進行一次充放電所消耗的成本C0表達式為

(7)

式中:CES、Nt分別為裝置的固有投資與使用壽命;α1和α2、DoD分別為充放電系數(shù)及充放電深度。

綜上,網(wǎng)內所有儲能的損耗成本CES可表示為

(8)

式中:NES為儲能裝置數(shù)量;C0,it為i儲能裝置在t時刻的損耗成本;QES,i為裝置的存儲容量;Qit為i儲能裝置在t時刻的放電量。

1.1.4 污染物排放懲罰成本

火電是系統(tǒng)內污染物的主要排放源,污染物包括CO2、SO2以及含氮化合物等,而排放均需承擔相應的環(huán)境懲罰成本。排放懲罰成本CΩ的計算表達式為

(9)

式中:λki、βki、υki均為機組污染物排放量與出力間的關系系數(shù);ρk為污染物懲罰成本與排放量的關系系數(shù);sit為機組運行中污染物排放量的影響因子,一般在0.8～1.3之間。

1.2 約束條件

約束條件主要考慮系統(tǒng)功率平衡、儲能裝置容量、可調負荷等。主要約束表達式如下:

1) 系統(tǒng)功率平衡約束表達式為

PMt+PPVt+PDRt+PESt=PLt

(10)

式中:PDR為需求側響應值;PES為儲能裝置的輸出功率;PL為負荷需求電量。

2) 儲能容量約束。為保證儲能裝置的壽命,應避免過充過放,故需將其電量控制在一定范圍內,控制表達式為

(11)

式中:Qmin、Qmax為儲能裝置的最小、最大電量;τ為剩余電量每小時的損失率。

3) 柔性負荷約束表達式為

(12)

2 協(xié)同控制模型求解方法

針對所構建的雙目標優(yōu)化模型,傳統(tǒng)方法存在無效支配解的問題,故提出一種基于雙層嵌套優(yōu)化結構的求解方法,同時利用混沌算法對遺傳算法加以優(yōu)化,并用于單一目標問題的求解,從而獲得最佳控制方式。

2.1 改進遺傳算法

遺傳算法擅長在全局范圍內搜索,使得算法不易陷入局部最優(yōu)且收斂較快[14]。但其存在局部搜索能力差的問題,尤其是后期搜索能力降低會導致早熟收斂[15-16]。針對上述不足,利用混沌算法對該算法加以改進。將適應度值較小的個體進行混沌優(yōu)化,不僅可以豐富種群,還能夠縮減進化次數(shù),從而加快尋優(yōu)速度。

所提方法的混沌優(yōu)化迭代方式采用帳篷映射[17-18],映射計算表達式為

(13)

改進遺傳算法的具體流程如下:

1) 初始化網(wǎng)絡參數(shù),設置種群大小M、混沌優(yōu)化步長的調控因子φ、最大迭代次數(shù)G。

2) 根據(jù)適應度函數(shù)計算所有個體對應的函數(shù)值,并判別其是否早熟,判別計算表達式為

(14)

3) 當進化次數(shù)超過G/2時,則對種群進行混沌優(yōu)化;否則,跳轉步驟4進行個體選擇。

4) 結合混沌優(yōu)化進行選擇操作,新個體X′n計算表達式為

(15)

式中:ζ為人工退化影響因子;λ為混沌擾動算子。

5) 在交叉變異操作中,改進自適應交叉概率pc及變異概率pm的表達式為

(16)

(17)

式中:pcmax、pcmin分別為交叉算子的最大值和最小值;pmmax、pmmin分別為變異算子的最大值與最小值;σ1=pcmax-pcmin;σ2=pmmax-pmmin。

同時,交叉和變異方式分別可表示為

(18)

(19)

式中,δ1、δ2分別為系統(tǒng)和混沌算法產(chǎn)生的隨機數(shù)。

6) 不斷進行迭代優(yōu)化,直至滿足終止條件,即達到最大代數(shù)或適應度函數(shù)值小于設定值,便可獲得當前最優(yōu)解;否則,轉至步驟2)。

2.2 所提協(xié)同控制模型求解方法

3 實驗結果與分析

基于Matlab仿真平臺,以IEEE33節(jié)點系統(tǒng)為例,選擇5個節(jié)點隨機設置為光伏、風電,2個節(jié)點設置為可控負荷,3個節(jié)點設置為儲能,如圖2所示,其中0為大電網(wǎng)連接點。

圖2 IEEE33節(jié)點系統(tǒng)配置結構Fig.2 Configuration structure of IEEE33 node system

系統(tǒng)電壓為12.66 kV,額定功率則為10 MVA。光伏與風電機組均在最大功率點跟蹤模式下運行,兩者的容量分別為1 MW、1.5 MW,而儲能的最大充放電功率為0.5 MW。此外,相關參數(shù)設置為:κT=0.85,θ0=25 ℃,CPV=0.29元/kW,CM=0.45元/kW,εa=1.07,εb=0.95,α1=α2=0.9、DoD=0.8,λki=0.782 kg/kW,βki=0.035 kg/kW,υki=0.006 kg/kW,ρk=0.009元/kW,其他參數(shù)均采用默認值。系統(tǒng)日運行結果如圖3所示。

圖3 系統(tǒng)日運行結果Fig.3 Daily operation results of system

結合圖3可明顯看出電網(wǎng)負荷的時間特性:用電高峰出現(xiàn)在10點至21點范圍內,用電低谷出現(xiàn)在午夜與凌晨;而光伏發(fā)電主要集中在白天;風力發(fā)電存在隨機性且夜晚的輸出功率更大。

3.1 優(yōu)化控制結果

將改進遺傳算法的參數(shù)設置為:pcmax=0.9,pcmin=0.6,pmmax=0.01,pmmin=0.001,最大迭代次數(shù)為200次。日內優(yōu)化控制的目標為運行成本及棄風棄光量最小。因此,采用所提方法來優(yōu)化系統(tǒng)的運行方式,得到的協(xié)同控制結果如圖4所示。其中控制周期為15 min,且一天內共有96個控制計劃。

圖4 協(xié)同控制的調度結果Fig.4 Scheduling results for cooperative control

由圖4可知,在5時～7時、12時～18時這兩個時間段,風電與光伏的聯(lián)合輸出恰好能夠滿足負荷的電力需求,故系統(tǒng)無須購電及售電。而在深夜、凌晨的大部分時段,風力發(fā)電均超出負荷需求,因此對儲能進行充電,并向電網(wǎng)售電。而在18時～22時,風力和光伏聯(lián)合發(fā)電無法滿足負荷需求,所以儲能裝置進行放電,并為負荷供電,同時利用電價等因素調整負荷需求量。通過圖3～4的對比可看出,優(yōu)化前的負載曲線存在顯著的峰谷差異,而優(yōu)化后負荷曲線較為平穩(wěn),說明實現(xiàn)了削峰填谷的目的。

經(jīng)過協(xié)同優(yōu)化控制后,系統(tǒng)運行呈現(xiàn)出明顯的削峰填谷趨勢,其源網(wǎng)荷儲控制結果如表1所示。

表1 源網(wǎng)荷儲協(xié)同控制結果Tab.1 Cooperative control results of source network load storage

由表1可看出,優(yōu)化后的棄風棄光量僅為0.872 MW,對比優(yōu)化前降低了54.72%。原因在于,優(yōu)化后的系統(tǒng)提高了分布式能源的利用率,從而減少了火電使用量,因此能耗及污染物的排放量均有了一定的減少,具體體現(xiàn)在能耗成本與CΩ上,二者分別下降了1.074萬元與0.108萬元。但由于分布式發(fā)電需要更多的儲能作為支撐,導致系統(tǒng)的CES明顯增加,達到了0.452萬元。同時,協(xié)調柔性負荷也增加了系統(tǒng)的運行成本。綜合來看,系統(tǒng)運行成本整體下降了23.15%,從而證明了所提方法的有效性。

3.2 不同方法的控制結果分析

為了驗證所提方法的性能,將其與無優(yōu)化控制方法以及文獻[6]、[8]中的控制方法進行對比。各系統(tǒng)運行成本對比如圖5所示。

圖5 不同方法系統(tǒng)運行成本日變化情況Fig.5 Daily change of system operation cost with different methods

由圖5可知,相比于其他方法,所提方法的系統(tǒng)運行成本及波動均為最小。這是由于算法結合光伏、風力發(fā)電量與系統(tǒng)運行成本構建了優(yōu)化目標,并利用雙層嵌套優(yōu)化結構疊加改進遺傳算法進行求解,從而獲取最佳的控制方案,再通過協(xié)同控制實現(xiàn)系統(tǒng)的經(jīng)濟運行。本方法在協(xié)同調度時,系統(tǒng)運行成本總體較為平穩(wěn),原因是儲能的高效投退和柔性負荷的調整,使得全網(wǎng)能源得到了合理的利用,且有效平抑了峰谷差。而無優(yōu)化控制方法運行成本波動較大;文獻[6]、文獻[8]均采用了優(yōu)化方法,雖能在一定程度上減少系統(tǒng)的運行成本,但缺乏運行成本及分布式能源利用率的協(xié)同考慮,故控制效果不理想。

通過系統(tǒng)24 h的運行分析,利用不同方法得到的運行成本以及棄風棄光量如表2所示。

表2 不同方法的協(xié)同控制結果Tab.2 Cooperative control results of different methods

由表2可以看出,文獻[6]采用的雙層控制方法更側重于系統(tǒng)的經(jīng)濟性,因此運行成本較優(yōu)化前下降了14.48%,但對分布式能源的利用效果不佳,僅提高了2.54%。文獻[8]采用二階錐松弛技術結合交替方向乘子法求解以光伏削減量、網(wǎng)損最小為目標的控制模型,故棄風棄光量較小,且使用率提升到了46.26%,但由于缺乏系統(tǒng)經(jīng)濟性的考慮,其系統(tǒng)運行成本達到了2.982萬元。相比之下,所提方法兼顧了分布式能源的利用率和系統(tǒng)的運行成本,取得了較為理想的運行結果,棄風棄光量和運行成本僅為0.872 MW及2.330萬元。由此表明,本方法所提協(xié)同控制方案具有顯著優(yōu)勢,能夠為新型電力系統(tǒng)的可靠運行提供科學指導。

4 結 論

本文基于改進遺傳算法提出了一種源網(wǎng)荷儲協(xié)同控制方法,以減少系統(tǒng)的運行成本和波動。構建了運行成本、棄風棄光量最小化的目標模型,并設計了融合雙層嵌套結構與改進遺傳算法的高效方法進行求解,從而得到系統(tǒng)協(xié)同控制模式。系統(tǒng)模擬運行結果表明,優(yōu)化后系統(tǒng)的棄風棄光量和運行成本均明顯下降,經(jīng)濟與社會效益顯著。雖然本方法取得了明顯的成效,但也存在不足之處。例如在構建優(yōu)化模型時僅分析了能源的時間特性,并未涉及空間特性,而能源協(xié)調還需考慮供需雙方的距離。因此在未來的研究中,將同步考慮能源的空間特性,以提高控制方法的實用性。