基于光伏新能源預測的電網調度優化控制

凌小添

（國網江蘇省供電公司江陰市供電分公司）

0 引言

面對電網用電日益緊張的發展趨勢，各大電力企業紛紛構建了新能源場站，通過新能源發電滿足了市場上的用電需求。然而光伏新能源的波動性與間歇性特征會干擾電網的正常運行，需要科學評估新能源并入電網所產生的影響，通過重新規劃電網、有效控制有功及無功電壓，保障電力系統運行的安全性與經濟性。

1 光伏功率預測及優化控制技術

1.1 光伏功率預測技術

光伏功率預測主要采用構建光伏發電預測模型的方法，可用的建模方式有構建物理預測模型、構建統計預測模型兩種方式。物理預測模型是以光伏電池光電效應為基礎構建而成的，需結合光電轉換效率概念，梳理出光電轉換效率的經驗公式，確定具體的經驗系數，從而計算出光伏輸出功率的預測數據。光電轉換效率建模時，通常采用常數系數、單負溫度系數兩種模型，此外還可應用集成溫度及太陽輻射雙因素模型，太陽輻射總量、物理模型精準度，是光伏輸出功率預測精度高低的主要影響因素。統計預測模型是以氣象要素在光伏發電出力方面所產生的影響為依據，通過構建與二者相關的模型，利用回歸分析、神經網絡分析等方式分析預測環境溫度、太陽輻射度等多種氣象因素對光伏輸出功率產生的影響，此算法雖然操作相對復雜，但預測精度較高。

1.2 光伏有功功率控制技術

光伏電站出力變化的計算是將下一周期期望出力值與當前出力值相減，如果二者之差為正，應適當提高有功出力，如二者之差為負時，則需要降低有功出力。根據光伏發電超短期功率預測結果，可采用輪換啟停逆變器的方法，在保證光伏電站輸出功率符合需求的同時，最大化降低逆變器運行總量。根據這一原理，光伏電站有功功率控制時，首先要對電網調度指令的發出情況進行判定，以最大出力原則為依據提供最大出力，如果已發出指令，則啟動有功功率控制，結合控制模式的具體要求，對下一控制周期的有功設計功率進行計算，根據計算得出功率結果的升高或降低趨勢，采取具體的輪換休眠策略，以分配算法為依據向各光伏陣列中分配所設定的功率，從而實現各個陣列輸出功率的有效控制。有功功率控制時，可采取的控制模式有四種，分別是限值模式、斜率控制模式、調整模式與差值模式。

2 基于光伏新能源預測的電網調度優化控制策略

2.1 電網實時調度策略

光伏新能源向電網接入時，可能會對電網的實時調度產生影響，一是光伏出力具有不確定性，且波動性較強，因而光伏電站日常調度計劃不契合間歇式能源的出力，由于二者之間存在較大偏差，會增大電網的實時調度需求。由于當前階段配電網中接入的可再生性能源類型有所增加，且應用了智能化電網信息通信技術，電網調度形式、調控深度均得到了優化。為此，間歇式光伏新能源接入后，電網實時調度要以增強系統運行穩定性、實現光伏能源高效利用作為主要目標。光伏新能源并網后，應以配電網主動控制為基礎，設計如圖1 所示的實時調度策略。

圖1 電網實時調度策略

2.2 電網實時調度優化流程

首先，針對光伏出力及負荷分別展開超短期預測，預測時間均為15min，之后利用數據采集與監視系統收集當前電網的運行數據，主要是獲取開關狀態、系統實時量測數據。再運用智能通信系統提取光伏新能源出力狀況，了解光伏運行工況，獲取生物質能電站、小水電以及微型燃氣輪機等其他常規電源的運行狀況。其次，采用潮流計算預測分析系統之后15min 內的運行情況，通過計算獲取具備較高能源外送需求的變電站及聯絡線等關鍵節點或重要斷面的功率數據。然后與日常調度計劃展開對比分析，對后續15min 關鍵節點功率偏差值進行計算，目標函數取值為功率偏差最小值，結合功率平衡，考慮到電壓、載流量、爬坡率以及光伏新能源出力四個約束展開優化計算，利用OPF 程序對系統中并網的光伏新能源決策進行求解分析。最后，通過求解得到后續15min 光伏新能源運行工況，并向各個場站進行情況反饋。

2.3 粒子群算法求解

2.3.1 粒子群優化算法

粒子群優化算法是以就近距離區域搜尋作為搜索策略。根據此模型，可設計出用于優化問題求解的PSO 算法，以空間粒子所處位置為解，根據優化目標函數明確各粒子適應值，并結合粒子運動方向及距離向量值，在解空間中實施搜索操作。粒子群算法采用的是實數編碼，相較于免疫算法、遺傳算法而言，求解過程更為簡單，且求解操作易于實現。POS 算法應用時，需要在已知解空間中對粒子群進行隨機性初始化，優化問題的數量決定著解空間的維數。應在獲取各個粒子的位置初始值及速度初始值后開始迭代尋優。在此過程中，要根據各個粒子的極值更新解的位置及速度值。所用極值共有兩個，一是個體極值，指單粒子迭代的最優解。二是全局極值，是全部粒子迭代求出的最優解粒子。

2.3.2 求解計算

光伏新能源調度決策求解時，首先要對各粒子的位置最優值進行計算，計算公式如下：

而粒子群體位置最優值計算則可按照式（2）進行：

之后，還要計算出更新粒子的位置及速度，計算公式為：

式（3）與式（4）中，w代表的是慣性因子，c1與c2則分別代表加速因子，二者均是正的常數，而r1與r2指的是0 與1 之間的隨機數。當第j維這一未知變量發生位置及速度變化時，其位置變化范圍可表示為［-xjmax，xjmax］，速度變化范圍則用［-Vjmax，Vjmax］代表。在迭代時，如果xij、vij的數值超出限定范圍，應取值為邊界值。

2.4 算例優化分析

由于新能源并網后，同時具備多種機組元素，除了火電、水電機組之外，還存在風力發力機及光伏陣列。這些電源采用的都是負荷供電模式。因此，基于光伏新能源預測電網調度優化控制時，要先預測出機組負荷的日變化情況，應分析出風電及光電的預測結果（見圖2）。由于系統預先給定了負荷值，并且預測出了風電功率及光伏功率，計算時燃料電池功率時，在系統負荷中將風電、光伏、柴油發電機以及燃氣輪機的各自功率減除即可。之后，要計算微網運行的成本總額，選取適應度函數為目標函數，迭代次數及粒子數量分別取值為1000 與50。計算過程中，先初始化粒子群參數，而后展開適應度計算，再更新粒子位置及速度，當Xid優于Pid時，認為Pid=Xid，當Xid優于Pgd時，則認為Pgd=Xid。之后再判斷迭代次數，達到迭代次數后便可將計算結果輸出。

圖2 風電/光伏功率預測輸出結果

基于粒子群算法得出了有功功率輸出結果（見圖3），分析發現，晚6 點至早9 點這一供電高峰時段，燃料電池的有功輸出值最高，此階段所做出的調峰貢獻最高，用電需求可得到有效滿足。并且平滑控制效果較為理想，各個機組均未出現較大的變化幅度，可實現各機組的合理調度，節約了高峰運行成本并能有效延長各機組壽命。

圖3 粒子群算法優化結果

3 結束語

由于新能源出力的間歇性及波動性特性的影響，新能源場站的機組控制難度更高，而基于光伏新能源預測方式進行電網調度優化控制，是化解新能源場站建設對電網運行所產生影響的重要路徑。本文結合光伏出力特征，采用光伏有功功率控制技術，針對間歇式電源并網的電網調度優化提出了可行性的策略，有效優化調整了電網無功及電壓，增強了電網系統運行的安全性，并節約了運行成本，取得了良好的經濟效益與社會效益。