聯合互補發電系統優化策略研究

王紅亮，佘金鑫

(特變電工智慧能源有限公司，遼寧 沈陽 110144)

隨著新能源戰略提出，我國近些年在新能源發電領域發展迅速，國內、國外的裝機容量都是最大。新能源發電技術的成熟在并網推進上也較為迅速，除了傳統的燃煤發電外，風電和光伏發電由于借助自然條件，不產生污染，發展迅速，作用日益加大，是清潔能源的典型代表[1]。但風電和光伏發電在時間和空間上受到較大限制，因此在發電輸出上存在一定的波動性和不穩定性，例如風力較大時，風電輸出功率大；風力小或者無風狀態時，風電輸出功率小或者沒有。光伏發電白天可以正常發電，在日光最足時輸出功率最大；但夜晚時無電能輸出。為了解決輸出穩定性問題，提出風光互補發電系統優化策略，利用各自不同特點進行互補輸出，同時配置蓄能系統，提高系統穩定性[2-4]。配置容量小的發電系統可以通過蓄電池蓄能來互補實現；配置容量大的發電系統，蓄電池蓄能無法完全滿足，需要容量大，啟動速度更快的蓄能系統。在整體配置上，如果抽水蓄能容量不足，則無法充分平衡整個系統的功率波動；如果抽水蓄能容量過大，會造成資源浪費。因此，對聯合互補發電系統進行優化研究，具有重大的意義[5]。

1 聯合互補發電系統結構

將傳統的風電和光伏發電及抽水蓄能電站有機結合起來，構成聯合互補發電系統，如圖1所示。

圖1 聯合互補發電系統結構

抽水蓄能電站要求較高，要根據地形進行建設。風電和光伏發電受時間制約，存在一定的不穩定性，輸出電能的波動性大。聯合互補發電系統就是在風光發電基礎上，增加抽水蓄能電站，將不穩定電能轉移到抽水蓄能電站，成為穩定電能進行存儲。我國西北晚上風力明顯比白天大，夜間發電輸出功率較大，往往會超出電網實際負荷量，此時將多余的電能通過抽水蓄能電站進行存儲，就可以大大減少電能浪費[6]。光伏發電受太陽光線強度限制，白天發電量大，夜間幾乎無法發電。通過將三者有機結合，減少電能損失，提高發電效率，減少電網電壓波動，保證電網電壓穩定。

2 聯合互補發電系統模型分析

抽水蓄能電站將電能轉換成水的勢能存儲，因此在聯合互補發電系統中將水作為能量的載體[7]，將水量平衡和排水系統容量作為重點模型。在水量平衡模型中主要是上游水庫的容量大小。

Y0=max(Qti-Qoi)+A

(1)

式中:Qti為1個24 h周期內第i個時間節點上，抽水蓄能電站上游水庫的進水量；Qoi為同1個時間節點，抽水蓄能電站水輪機組一共引用的水量數值，i=1,2,…,24；A為抽水蓄能電站的水庫固定庫容。

(2)

(3)

式中：q1(t)為光伏發電對應的抽水流量；q2(t)為風電對應的抽水流量；q(t)為抽水蓄能電站總水輪發電機運行時產生的引水流量。抽水蓄能電站抽水機的容量大小，根據風電和光伏發電產生的電能確定，多余能量越大，抽水機容量越大[8]。

3 聯合互補發電系統優化

3.1 目標函數

在完成系統模型分析后，建立風電和光伏發電輸出能量模型，同時對風光發電實際輸出能量的利用率進行分析，將電網用電和聯合互補發電系統的效益作為評估手段，構建系統數字模型，通過算法分析，找到系統最優解，作為系統優化的最終方案。目標函數求解的關鍵是根據系統特點，選擇占比重的參數作為目標函數，因為整個系統是1個具有約束條件多、離散程度大的非線性動態系統，因此最優解求解過程較為繁瑣復雜[9]。

a.目標函數1

目標函數1以聯合互補發電系統效益最大化作為切入點進行模型設計，通過對風電、光伏發電和抽水蓄能電站在不同時間點的效益輸出減去抽水過程損失的效益，得到最終能量效益的輸出模型。目標函數1為

(4)

b.目標函數2

目標函數2是對風電和光伏發電的功率波動情況進行建模，主要是相鄰時刻風電和光伏發電系統輸出功率差。目標函數2為

(5)

式中:Pf(i)為第i個時間節點系統輸出功率；Pf(i-1)為第i個時間節點的上1個時間節點系統輸出功率。通過差值得到系統功率是正輸出還是負輸出。

3.2 約束條件

a.發電功率和輸出功率守恒

根據能量守恒定律，風電和光伏發電系統輸出的總功率等于風電負載功率、光伏發電負載功率以及抽水作用在水泵上功率的和。

(6)

b.電網對波動電能接收能力的限制

風電和光伏發電存在不穩定因素，因此電網對入網電能的波動功率有一定要求，電網最大電能接收能力為系統負荷20%。

(7)

c.水庫容量約束

水庫容量對抽水蓄能大小有一定約束，實際運行時容量在一定的范圍。

0≤Vi≤Vmax

(8)

式中：Vi為水庫容量；Vmax為水庫最大容量。

d.水電機組功率約束為

(9)

e.風電輸出功率約束為

(10)

f.光伏發電輸出功率約束為

(11)

4 改進免疫粒子群算法優化

4.1 優化策略

改進免疫粒子群算法為

Vi(t+1)=Vi(t)+c1rand1()(pi(t)-Xi(t))+c2rand2()(BestS(t)-Xi(t))Xi(t+1)=Xi(t)+Vi(t+1)

(12)

式中：pi(t)為t時刻粒子i的個體最優值；BestSi(t)為t時刻的群體最優解；c1，c2為學習因子；rand1(),rand2()為2個相互獨立的(0,1)間的隨機數；Xi(t)為第i個粒子的位置；Vi(t)為第i個粒子的速度。

加入慣性權重ω，速度優化為

Vi(t+1)=ωVi(t)+c1rand1()(pi(t)-Xi(t))+c2rand2()(BestSi(t)-Xi(t))Xi(t+1)=Xi(t)+Vi(t+1)

(13)

式中：ω為速度慣性對粒子群全局搜索與局部尋優之間協調能力。ω值較大時，代表全局搜索能力強；ω值較小時，代表局部搜索能力強。在計算過程中采用線性遞減的方法。

(14)

式中：Tmax為迭代次數;ωmax、ωmin為最大、最小慣性權重;t為當前迭代值。

根據系統建模需求，學習因子變化分為異步變化和同步變化。根據對稱性,異步變化學習因子分為對稱變化和非對稱變化。

同步變化學習因子為

c=c1=c2=cmax-k×(cmax-cmin)/kiter

(15)

式中:k為當前迭代次數；kiter為最大迭代次數；cmax、cmin為c的最大、最小值。

異步變化學習因子為

c1=c1max-k×(c1max-c1min)/kiter

(16)

c2=c2max-k×(c2max-c2min)/kiter

(17)

式中:c1max、c2max為c1、c2的最大值；c1min、c2min為c1、c2的最小值。

由式(15)—式(17)可知，在改進免疫粒子群算法學習過程中，c1值體現了粒子在局部搜索能力的強弱，當c1值較大時，表示當前粒子主要進行局部搜索；c2值體現了粒子全局搜索能力強弱，當c2值較大時，表示當前粒子會更快收斂到局部最優值[10]。粒子搜索的速度和精度是保證算法有效性的關鍵，為了提高搜索速度和精度，需要讓粒子從向自己的最優Pi(t)的學習轉為向社會最優BestSi(t)學習，最終完成向社會最優BestSi(t)靠攏的收斂原則。采用非對稱變化的學習因子方式，能夠提高算法優化速度，更準確收斂到系統最優解。

4.2 優化流程

通過優化算法建立聯合互補發電系統模型，對其最優解求解，實現系統優化，系統流程如圖2所示。

圖2 系統流程

4.3 仿真分析

不同風電、光伏發電以及抽水蓄能電站的裝機容量，最終優化配置均不相同。本文選擇風電容量為l00 MW，光伏發電容量為50 MW，抽水蓄能電站容量分別為21 MW、40 MW以及60 MW。對3種容量進行建模并仿真，最終得到優化方案。因為風電和光伏發電受時間因素影響，在仿真中以小時為調度周期，這樣1天就被劃分為24個時間段，假設每個時段內系統發電和水輪機的工作效率不變,以系統最大的經濟效益以及最小的功率波動為最終目標函數，通過改進免疫粒子群算法對系統進行求解。

a.在系統仿真參數定義上，Δt為時間間隔，設置l h；T為時間周期，設置24 h；光伏發電效率ηp=93.69%、風電效率ηk=93.85%、聯合發電效率ηinv=0.8。通過仿真得到風電及光伏發電輸出的有功功率，如圖3所示。

圖3 風電和光伏發電有功功率輸出

由圖3可知，光伏發電受太陽光強度和角度影響，最終近似成正態分布狀態。風電受時間影響波動很大，在凌晨時風速大，輸出功率大，白天隨著風力減小，輸出曲線呈下降趨勢，即使日照增強，但因為風速減緩，輸出功率下降速度很快；傍晚后隨著風力強度增加，風電輸出功率上升?？梢钥闯觯麄€系統功率波動非常大，對電網和負載造成非常大沖擊。

b.對于不同裝機容量和水庫容量的聯合互補發電系統輸出功率進行仿真，結果如圖4所示。

圖4 聯合互補發電系統輸出功率對比

由圖4可知，裝機容量為40 MW時，系統輸出效率最高，抑制系統功率波動效果最好，產生的經濟效益最大。

c.為了驗證系統收斂性，在仿真過程中選取30個粒子進行100次迭代，系統權重ω根據式(14)選值，學習因子C1、C2通過式(15)、式(16)和式(17)選值,最后對收斂特性進行仿真,如圖5所示。

圖5 收斂特性曲線

由圖5可知，系統收斂性較好，實現了系統優化，同時驗證了改進免疫粒子群算法可靠。

5 結束語

本文針對風電和光伏發電存在的弊端，研究聯合互補發電系統優化策略，建立聯合互補發電系統容量配置優化模型，提出了一種基于改進粒子群算法的聯合互補發電系統各子系統容量分配的設計方案。通過對抽水蓄能電站的水庫容量、各個發電系統及電網負載能力等約束條件分析，給出聯合互補發電系統的數學模型，并設計改進免疫粒子群算法，對各個發電系統的容量配比進行分析和求解并進行仿真，驗證了聯合互補發電系統的可行性，具有很好的實際應用價值。