風光儲經濟調度方案研究

郭健偉 夏邦輝

摘?要：近年以來，隨著科學技術和傳統能源的逐漸枯竭，新能源在日常生活中的占比逐年提高，常見的可再生能源如光伏，風能，以及電動汽車并入電網后對于傳統的配電網產生了很大的影響。因此本文主要分析了新能源自身存在的不確定性，以及增強配電網經濟性，可靠性，然后建立經濟性、可靠性的多目標優化問題，用博弈分析處理多目標函數，并用灰狼優化算法求出最優解。

關鍵詞：可再生能源;博弈分析;灰狼優化算法;出力不確定性模型

本文主要建立可再生能源的模型和隨機特性和新能源電動汽車這類負荷的模型和隨機特性，根據建立的配電網多目標優化例如經濟性，可靠性等目標函數，用博弈分析方式處理列出的并用灰狼優化算法對函數進行求解，得出理想結果。

1 電源及負荷不確定性的分析

1.1 新能源使用現狀

據統計，2018年，全國新增并網風電裝機2059萬千瓦，風電發電量3660億千瓦時，占全部發電量的5.2%，比2017年提高0.4個百分點，棄風率同比下降5個百分點，棄風限電狀況明顯緩解。對于光伏發電建設規模迅速增長帶來的棄光限電嚴重等問題，國家及時進行調整優化，全國光伏發電棄光電量同比減少18億千瓦時，棄光率同比下降2.8個百分點。

1.2 模型的建立

常見的可在生能源主要有光伏，太陽能，還有一些具有高滲透特性的負荷，比如電動汽車。因此，對于風電來說，其很大情況下受到風速的影響。通常情況下有兩種建立風電出力的模型，分為間接法和直接法。直接發則是要根據歷史數據，對功率進行預測，工作難度較大;而間接法是首先獲得研究地區風速的時間序列，之后再根據已知的風電出力和風速的函數關系，得到風電出力的時間序列。因此采用間接法建模。

1.2.1 風電分布及出力模型

由上述間接法可知，風電出力和風速直接相關，出力模型如下：

vf（1）

式（1）中，vc，vr，vf分別為切入、額定以及切出風速，Qr為風電機的額定功率。

由于與風速是多變的，無法給出任意時刻具體的大小，則可以用Weibull分布來表示風速v的分布：

fv（V）=（πφ）（Vφ）?π-1e?-（V/φ）π（2）

式（2）中，π和φ分別是形狀和尺度參數;V是v的概率密度函數。

根據（1）和（2）式，可以知道風電出力的概率密度為：

fW（QW）=β[1-e?-（Vc/φ）π]?QW=0

β（kφ）（γφ）?π-1e?-（γ/φ）π0

β[e?-（Vc/φ）π-e?-（Vf/φ）π]QW=Qr（3）

β=Vr-VcQr?α=Vc+βQW（4）

因此可以求得風機出力的累計分布函數為：

FW（QW）=1-e?-[Vc+βQW/φ]π（5）

1.2.2 光伏分布及出力模型

光伏發電方程可以表示為：

QPV=LMθ（6）

式（6）中L是太陽輻照強度，是隨機性很強的一個因素，因此可以采用概率分布的β分布函數來表示L的概率分布：

fL（L）=Γ（a+b）Γ（a）Γ（b）（LLmax）?a-1（1-LLmax）?b-1）（7）

式中a=μBetaμBeta（1-μBeta）σBeta2-1，b=（1-μBeta）μBeta（1-μBeta）σBeta2-1，式中Lmax，μBeta，σBeta分別表示為太陽輻照度的最大偏差值、平均偏差值以及標準偏差值。

由上面可推出QPV的概率密度為：

fPV（QPV）=1QPV（max）·Γ（a+b）Γ（a）+Γ（b）（QPVQPV（max））?a-1（1-QPVQPV（max））（8）

因此由概率密度函數積分便可以得到光伏發電出力分布函數：

FPV（QPV）=∫?QPV0fPV（x）dx

1.2.3 儲能裝置的模型

在眾多儲能元件類型中，采用超級電容儲存能量EC，則輸出功率為：

Pcmax=UcmaxIcmax（9）

式（9）中，Ec=0.5Cc·Uc2，等式右邊Cc，Icmax，Ucmax，Uc分別表示超級電容器電容，最大工作電壓，電容端電壓以及最大工作電流。

2 采用博弈分析進行多目標優化

由于風電，光伏單一新能源供電的話，它們的隨機性比較強其出力分布的隨機性比較強比如風能和太陽能在時間和地區分布上都有明顯的區別，可以進行互補優勢和劣勢都比較明顯，因此若將風電，光伏這類新能源進行組合，加上例如儲能電池，電動汽車充電樁，電動汽車充放電控制，讓他們進行削峰填谷，可以使電網的經濟性得到進一步提高。因此下文主要討論光伏、風電、一系列儲能裝置如何進行組合，通過決策者讓它們進行合作博弈、非合作博弈、部分合作博弈，進行一系列比較，使得電網經濟性以及安全性最佳。

2.1 經濟性目標

風電，光伏，獲得的支付函數：

IE=∑IiSEL+IiD+IiAUX-CiINV-CiOM?（i=W，S，B）（10）

上式為參與者i獲得的支付情況，式（10）中從IiSEL 至CiPUR依次表示為：售電收入、報廢收入、輔助服務收入、設備投資費用、維護費用。W，S，B分別表示為風電、光伏和儲能。

2.2 可靠性目標函數

IR=∑CiEENS+CiPUR（11）

式（11）等式右邊表示三者停電補償和購電費用之和。

2.3 博弈模型

由于本文中存在三個參與者，分別是風電、光伏和儲能裝置，因此存在著完全合作博弈，非合作博弈和部分合作博弈三種情況并可列舉五種博弈模式，分別為：

{風}，{光伏}，{儲能}

{風電，光伏，儲能}

{風電，光伏}，{儲能}

{風電，儲能}，{光伏}

{光伏，儲能}，{風能}

根據電網經濟性和可靠性指標，建立多目標模型，分別分析五種不同的博弈模式它們所帶來的經濟性和可靠性指標，并用Pareto解表示Nash均衡解。

2.4 多目標優化模型

max{IE（PW，PS，PB），minIR（PW，PS，PB）}（12）

其約束條件是：

2.5 博弈模型的迭代優化算法

本文選用灰狼優化算法，采用灰狼捕食獵物活動原理而產生的一種優化搜素解求Pareto解，該算法用處是處理多目標優化問題。算法步驟以及流程圖如下：

（1）獲取數據設置初始參數;

（2）計算適應度和選擇灰狼位置并更新參數位置;

（3）迭代并求最優解。

根據灰狼優化算法，可以得到很非占優解所連成的Pareto前沿，如下圖所示：

Pareto解和Nash均衡圖

由圖可知，風電合作并與儲能裝置競爭即方案三，是Pareto最優解，可以使支付最優。

3 結語

隨著傳統能源的逐漸枯竭，新能源在用電占的比例越來越大，因此必須考慮可再生能源和負荷的隨機特性并處理隨機特性，建立多目標方程進行求解。本文主要考慮風電、光伏和儲能合作使得博弈的支付最大化，還可以將模型進行進一步的優化，將負荷考慮進去形成光—風—儲能—負荷四種在一起的博弈，優化配電網。

參考文獻：

[1]曾鳴，彭麗霖，孫靜惠，劉偉，武賡.兼容需求側可調控資源的分布式能源系統經濟優化運行及其求解算法[J].電網技術，2016，40（06）：1650-1656.

[2]梅生偉，王瑩瑩，劉鋒.風—光—儲混合電力系統的博弈論規劃模型與分析[J].電力系統自動化，2011，35（20）：13-19.

[3]張昭.考慮風—光—負荷變化的多目標配電網重構[D].西安理工大學，2019.

[4]梅生偉，劉鋒，魏韡.工程博弈論基礎及電力系統應用[M].科學出版社，2016.

[5]盧洋.考慮隨機特性的微電網電源優化配置[D].華北電力大學，2013.