基于改進遺傳算法的區域性光伏消納優化策略研究

何 欣，黃 揚，王維洲，王繼有，井天軍

（1.國網甘肅省電力公司電力科學研究院，甘肅蘭州 730000；2.中國農業大學，北京 100083；3.國網甘肅省電力公司，甘肅蘭州 730030）

隨著我國光伏扶貧政策的提出，越來越多分布式光伏接入某些特定的區域。而由于農村電網建設進展相對較慢且投資較大，擴大農村電網的并網容量改建與貧困農村的負荷需求經濟性不匹配[1]。在此背景下，通過發展地區特色農業，優化建設現代農業產業園基礎設施，有利于構成經濟產業與光伏供能相結合、供需平衡的協調發展模式。以農業產業園為核心的區域性負荷優化，便成為了消納扶貧光伏能源的有效發展方式[2-3]。

由于區域內負荷類型復雜，且光伏出力隨機性大[4]，為了實現負荷與光伏的最優匹配，提出了一種改進遺傳算法的區域性光伏消納優化策略。結合區域內光伏等相關理論模型構建目標函數，并利用改進遺傳算法求出最優解，從而實現區域內光伏最大化消納，且在一定程度上降低了運行成本。

1 分布式能源模型

1.1 光伏發電模型

半導體界面的光生伏特效應是太陽能發電的主要原理，可以直接將太陽能轉換成電能[5]。但隨著光照強度和環境溫度的改變，太陽能板的輸出功率會隨之而改變，造成光伏出力的隨機性與波動性[6]。

假定太陽輻射強度GSTC為1 000 W/m2，環境溫度TSTC為25 ℃，大氣光學相對質量為AM1.5，則可以得到輸出功率為：

其中，PSTC為額定條件下輸出功率；Gc為光照強度；k為溫度系數；Tc為環境溫度。

1.2 儲能模型

儲能系統具有靈活的功率吞吐特性，在抑制新能源發電反負荷特性的同時可以有效地削峰填谷，促進新能源的消納并保證主網的安全、穩定[7-8]。但儲能系統除了具有電源特性，還具有負荷特性：在用電低谷時段能夠以負荷形式存儲新能源電能；在用電高峰時段，則可以釋放低谷時儲存的電量以緩解電力系統的供電壓力[9]。

1.3 負荷模型

區域內負荷消納光伏主要通過可時移負荷和固定負荷的配合，根據光伏出力特性調節設備的運行時間，將用電高峰時期的可時移負荷轉移到用電低谷期或光伏出力的高峰期[10]。根據負荷不同類別所占的比例進行耗能分析，負荷消納的耗能計算如下：

式中，pc為分時電價，存在峰、平、谷3 個時段的電價；tc為負荷運行時間；Lc為負荷功率；Ec為運行成本。

2 區域性光伏消納優化策略

2.1 優化目標

為了盡可能多地消納光伏發電能源，降低區域內的運行成本，設置的目標函數為：

式中，Lt為負荷的運行功率，PEPV,t為儲能消納光伏出力的充電功率，γ為棄光的懲罰系數，取值范圍為[0,1]，pt為從大電網中購入的電價，Pgrid,t為區域從電網中購入的功率。

2.2 約束條件

節點電壓偏差約束、分布式光伏發電容量約束及線路熱穩定約束是不等式約束的主要約束項目[11]。

1）節點電壓偏差約束：

其中，UN為系統的標稱電壓；ε1、ε2為國標規定的允許電壓偏差率。

2）光伏發電容量約束：

其中，SPV,i為節點i的光伏發電容量；SPV,max為節點i的最大光伏接入容量。

3）負荷根據區域內電量的供需情況，調整自身的用電結構和方式。但是在一個周期內，其總體的負荷用電量是額定的，且存在上限[12-13]，具體表達式如下：

式中，Lmax為負荷最大值，Lt、L′t分別為調度前后的用戶負荷。

2.3 基于改進遺傳算法的光伏消納優化策略

遺傳算法是一種通過模擬自然進化過程來搜索最優解的方法[14]，主要包括：編碼、初始化種群、計算適應度、遺傳操作等步驟。其中遺傳操作分為[15]：選擇算子從上一代個體中選擇同樣數量的優秀個體；交叉算子從父代中產生具有更高適應度的個體；變異算子使得個體向更高適應度轉變[16]。

為了減少算法時間的復雜度，該文對遺傳操作進行改進。在改進算法上建立的光伏消納優化控制流程，如圖1 所示。

圖1 基于改進遺傳算法的光伏消納控制流程遺傳操作的具體實施如下：

1）初始化。在初始化階段，確定群體規模S、迭代次數的最大值I、交叉概率pc和突變概率pm。是負荷的調整，υk表示第k個負荷是否供電。

2）選擇。此階段中，具有更高適應度的個體會被選擇，其他則通過交叉和變異操作生成下一代群體。在這一問題中，改進遺傳算法選擇的個體是有著高適應度的個體，算法基于輪盤賭的方法進行個體選擇，具體選擇個體進行重組的概率與其適應值有關。

3）交叉算子。如果將處于選擇階段的所有個體組合起來，進行交叉運算，再進行選擇，這樣能夠產生更高質量的后代個體。而改進遺傳算法正是使用基于先驗知識的交叉算子完成了交叉運算，然后該算法在選擇階段從其父代R1和R2中選擇一個個體，且個體的每個基因在其父母的對應基因中均更具適應性。

4）變異。交叉操作能夠改善遺傳算法的全局搜索能力，但過度集中的較優個體容易使其陷入局部最優；因此需要進行變異操作，增強其基因突變能力，提高其全局搜索能力。為了強化變異過程中的目的性和方向性，利用基于種群的分割思想進行變異操作，以保證染色體變異的有效性。

分別對種群分割中較優的染色體子種群進行概率為pk1的小概率變異；對次優的染色體子種群進行概率為pk2的大概率變異。兩種變異機制為：在隨機產生的兩個變異點分別采用兩點交換和反轉逆序機制擴大搜索空間，以便產生更優的擾動，實現跳出局部最優的全局尋優。變異操作示意圖如圖2 所示。

圖2 變異操作示意圖

當達到預設的迭代最大次數時或在連續的群體中最佳個體的適應度不再增加時，則輸出最優結果，即滿足光伏消納最大化且園區用電成本最小化。

3 實驗結果與分析

該文基于MATLAB/Simulink 平臺對所提區域性光伏消納的策略進行了仿真測試和數據分析，并將實驗場景設定為某農業產業園。其中參數設置為：光伏裝機容量20 MW，儲能系統的最大容量4 MW，時變負荷1～5 MW，固定負荷0～5 MW。且改進遺傳算法的種群數量設為35，交叉概率為0.8，迭代次數設為500。

3.1 改進遺傳算法的性能分析

為了論證改進遺傳算法的收斂性和尋優效果，將其與線性規劃、最速下降法、粒子群算法進行對比實驗，結果如圖3 所示。

圖3 不同算法的性能對比

從圖3 可以看出，迭代300 次左右的經典線性規劃開始收斂；迭代200 次左右的最速下降法和粒子群算法實現收斂。而所提方法具有更快的收斂速度，在迭代50 次左右時可以收斂到穩定水平，尋優速度得到了顯著提高，并且達到穩定時的棄光量最少，實現了光伏消納量最大化的目標。

3.2 園區優化后的光伏消納量

光伏出力值和典型日負荷曲線如圖4 所示。

圖4 光伏出力和日負荷曲線

從圖4 可以看出，在8～17 時光伏發電的出力處于供過于求的狀態，而20 時左右卻明顯出現了供不應求的情況，難以滿足高峰負荷時段的用電需求?？梢钥闯?，光伏出力與負荷的供需關系存在明顯的不匹配情況。

針對這一問題，利用改進遺傳算法對負荷和儲能進行優化控制。農業產業園的負荷曲線與消納的光伏量優化前后的變化，如圖5 所示。

圖5 負荷與消納的光伏量對比

從圖5 中可以看出，執行優化策略后，用戶根據電價的變化主動調整用電方式。將晚上電價高峰的部分負荷轉移到主網負荷較低、光伏出力較多的白天時段，降低日負荷峰谷差的同時節約了用電成本。峰谷差由5.9 MW·h 降低到5.2 MW·h，使負荷曲線在時序上的變化更貼近光伏出力變化趨勢，滿足供需平衡。

同時執行優化策略后，光伏消納量被部分轉移的負荷消納。且多余的電量盡可能地存儲在儲能系統，以備農業產業園供電量不足時使用，從而盡可能地減小棄光量。執行優化策略后，棄光量由52.8 MW·h減少到47.1 MW·h，提高了光伏消納率。

此外，執行優化策略后，農業產業園區的用電成本統計如表1 所示。

表1 園區用電成本對比

從表1 中可以看出，同時引入儲能和負荷動態調整可以降低農業產業園的運營成本，提高21.86%的光伏消納率，節約用電成本約1 萬元，實現了光伏扶貧的目的。

4 結束語

為了保證光伏扶貧政策的有力落實，同時提高農業產業園的效益，提出了一種改進遺傳算法的區域性光伏消納優化策略?；趨^域內的光伏、負荷和儲能的數學模型，以及設計的優化目標和約束條件，利用改進遺傳算法進行求解，以得到最優值實現光伏最大化消納且園區用電成本最小。基于MATLAB 進行的仿真實驗結果表明，改進遺傳算法能夠實現迅速收斂，執行優化策略后的光伏消納率明顯提高，用電成本大幅減少，為區域內光伏扶貧提供了經濟可行性指導。

但是該文在設定目標函數時，對于前期的固定投資成本計算較為粗略。因此下一步研究將綜合考慮儲能系統建設、運行維護及政策扶持等成本，實現更合理和更具工程應用價值的儲能系統容量優化配置。