含有風(fēng)電場(chǎng)和分布式光伏的微電網(wǎng)經(jīng)濟(jì)調(diào)度

王雪峰

摘要：綠色能源逐漸成為國(guó)家供能倡導(dǎo)的主流能源，但是隨著大量的風(fēng)電場(chǎng)和光伏電站并入到微電網(wǎng)中，其輸出功率的波動(dòng)間歇性變化給系統(tǒng)的經(jīng)濟(jì)調(diào)度帶來(lái)了很多不確定性因素。鑒于此，構(gòu)建出含風(fēng)電場(chǎng)和光伏電站的微電網(wǎng)經(jīng)濟(jì)調(diào)度模型，對(duì)遺傳算法（Genetic Algorithm，GA）進(jìn)行自適應(yīng)改進(jìn)，用于對(duì)所提出的動(dòng)態(tài)經(jīng)濟(jì)調(diào)度問(wèn)題進(jìn)行最優(yōu)問(wèn)題求解。實(shí)驗(yàn)結(jié)果顯示，風(fēng)電場(chǎng)和光伏電站并網(wǎng)后，算法給出的最優(yōu)功能方案，較單一火電供電總費(fèi)用降低了26.7%，較人為控制調(diào)度總費(fèi)用下降了12.6%，證明了算法給出的方案能夠降低微電網(wǎng)一次能源消費(fèi)成本，獲得更經(jīng)濟(jì)的調(diào)度方案。

關(guān)鍵詞：風(fēng)電場(chǎng);光伏電站;經(jīng)濟(jì)調(diào)度;遺傳算法

中圖分類號(hào)：TM73

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1001-5922（2022）06-0191-06

Economic dispatch of microgrid with wind farm and distributed photovoltaic

WANG Xuefeng

（State Grid Jilin Province Electric Power Co.， Ltd.， Baicheng Power Supply Company， Baicheng 137000， Jilin China

）

Abstract：Green energy has gradually become the mainstream energy advocated by the state for energy supply， but with a large number of wind farms and photovoltaic power stations incorporated into the microgrid， the intermittent fluctuation of its output power has brought many uncertain factors to the economic dispatch of the system. In view of this， it constructs a microgrid economic dispatch model with wind farms and photovoltaic power stations， and adaptively improves the Genetic Algorithm（GA） to solve the proposed dynamic economic dispatch problem. The experimental results show that after the wind farm and photovoltaic power station are connected to the grid， the total cost of power supply is reduced by 26.7% compared with that of single thermal power plant， and the total cost of manual control and dispatching is reduced by 12.6%， which proves that the scheme given by the algorithm can reduce the primary energy consumption cost of microgrid and obtain a more economical dispatching scheme.

Key words：wind farm;? power station; dispatch; genetic algorithm

含大規(guī)模風(fēng)電場(chǎng)和光伏電廠的電力系統(tǒng)是未來(lái)微電網(wǎng)發(fā)展的趨勢(shì)，隨著風(fēng)電場(chǎng)和光伏電站在微電網(wǎng)中的比重持續(xù)增加，考慮風(fēng)、光電站的最佳經(jīng)濟(jì)調(diào)度方案被提上日程[1]。具體表現(xiàn)為風(fēng)電場(chǎng)電力輸出波動(dòng)較大，光伏電站電力輸出具有較強(qiáng)時(shí)間性，兩者的輸出對(duì)整個(gè)電網(wǎng)的能源輸送帶來(lái)諸多不確定因素，以致于并網(wǎng)之后，傳統(tǒng)的經(jīng)濟(jì)調(diào)度方案并不能起到很好的作用。將風(fēng)力發(fā)電和光伏發(fā)電作為隨機(jī)變量，建立以發(fā)電成本為目標(biāo)函數(shù)的經(jīng)濟(jì)調(diào)度數(shù)學(xué)模型，再通過(guò)智能優(yōu)化算法來(lái)對(duì)問(wèn)題進(jìn)行求解，得出最合適的經(jīng)濟(jì)調(diào)度方案，進(jìn)而降低整個(gè)微電網(wǎng)的運(yùn)行成本[2]。

2含有風(fēng)電場(chǎng)和分布式光伏的微電網(wǎng)經(jīng)濟(jì)調(diào)度模型構(gòu)建

2.1含風(fēng)電場(chǎng)和分布式光伏電站的經(jīng)濟(jì)調(diào)度建模

在機(jī)組啟停的狀態(tài)確定條件下，按照供電需求選取經(jīng)濟(jì)性較好的機(jī)組投入到電力生產(chǎn)當(dāng)中，由于風(fēng)力發(fā)電與光伏發(fā)電的成本較低，且為綠色能源，應(yīng)當(dāng)優(yōu)先考慮。為了維持系統(tǒng)安全穩(wěn)定運(yùn)行，首先需要保證系統(tǒng)功能的平衡，其次再根據(jù)發(fā)電機(jī)組物理特性對(duì)發(fā)電計(jì)劃進(jìn)行定制，微電網(wǎng)供能原理如圖1所示。

相對(duì)于人工控制來(lái)說(shuō)，智能控制能夠起到很好的替代作用，其優(yōu)勢(shì)在于能夠?qū)﹄娋W(wǎng)負(fù)載進(jìn)行提前預(yù)測(cè)，匹配最經(jīng)濟(jì)、最適合的功能方案。其次微電網(wǎng)能夠根據(jù)自身功能特征自行調(diào)整功能方案，以綠色能源優(yōu)先的形式作出權(quán)衡，起到環(huán)境保護(hù)作用[3]。微電網(wǎng)經(jīng)濟(jì)調(diào)度的目標(biāo)函數(shù)應(yīng)當(dāng)是以燃料消耗或者發(fā)電成本，約束條件則為供能的安全和穩(wěn)定。

2.2基于遺傳算法的經(jīng)濟(jì)調(diào)度方案

微電網(wǎng)系統(tǒng)內(nèi)約束條件多、變量維數(shù)多，并且由于風(fēng)光資源、光照強(qiáng)度具有隨機(jī)性，建立的模型具有強(qiáng)非線性，運(yùn)行起來(lái)非常復(fù)雜，求取微電網(wǎng)系統(tǒng)動(dòng)態(tài)經(jīng)濟(jì)調(diào)度優(yōu)化問(wèn)題最優(yōu)解需要大量的計(jì)算[6-7]。而遺傳算法（Genetic Algorithm，GA）具有自尋優(yōu)、無(wú)限逼近、魯棒性好等特點(diǎn)，被廣泛地應(yīng)用到處理各種非線性問(wèn)題當(dāng)中，其中就包括求解電力系統(tǒng)中的最優(yōu)問(wèn)題。定義目標(biāo)函數(shù)成本為遺傳算法中適應(yīng)度數(shù)值，用于反映群體中各個(gè)染色體的優(yōu)劣，采用適應(yīng)度值來(lái)進(jìn)行遺傳和評(píng)價(jià)個(gè)體的好壞，適應(yīng)度函數(shù)：56D34354-1CEC-4C5B-834D-3758BC57FB01

式中：Q表示種群的數(shù)量。通過(guò)模糊數(shù)學(xué)模型進(jìn)行建模，只需要考慮發(fā)電機(jī)組之間的負(fù)荷分配，不需要考慮網(wǎng)絡(luò)的潮流分布。所以，模型中初始參數(shù)數(shù)據(jù)需要涵蓋風(fēng)電場(chǎng)和光電廠的平均輸出功率、發(fā)電機(jī)有功輸出和火電機(jī)爬坡功率上限和下限，以及微電網(wǎng)每個(gè)階段的負(fù)荷;另外，還需要將發(fā)電機(jī)耗量成本系數(shù)、風(fēng)光電廠以及耗量成本隸屬度參數(shù)包含在內(nèi)。模型的變量為單位時(shí)間內(nèi)火電機(jī)、風(fēng)電場(chǎng)以及光伏電廠的出力，即在遺傳算法中的染色體，可以表示為

如圖2所示，遺傳算法在進(jìn)行交叉操作時(shí)，個(gè)體之間交叉的概率是固定的;對(duì)于遺傳算法來(lái)說(shuō)，交叉概率和變異概率是決定遺傳算法行為和性能的關(guān)鍵點(diǎn)，其直接影響算法的收斂性。一般來(lái)說(shuō)，交叉概率越大，產(chǎn)生新個(gè)體的速度就越快，但超過(guò)一定范圍會(huì)導(dǎo)致遺傳模式破壞，具有高度適應(yīng)度的個(gè)體結(jié)構(gòu)也會(huì)隨之破壞。對(duì)于變異概率來(lái)說(shuō)，其值過(guò)大，遺傳算法就變成了純粹的搜索算法。微電網(wǎng)模型結(jié)構(gòu)復(fù)雜、變量眾多，需要經(jīng)過(guò)反復(fù)試驗(yàn)才能確定交叉概率和變異概率，短時(shí)間內(nèi)找到問(wèn)題的最佳值難度較大。因此，本文改用自適應(yīng)遺傳交叉算子，優(yōu)化算法交叉概率值，交叉概率Pc的調(diào)整：

從圖3可以看出，算法通過(guò)不斷的擇優(yōu)、交叉、變異操作產(chǎn)生新的個(gè)體，產(chǎn)生的新一代個(gè)體由于適應(yīng)值較高往往會(huì)對(duì)原來(lái)的種群產(chǎn)生影響，甚至破壞當(dāng)前種群的最優(yōu)解。因此，采用“優(yōu)勝略汰”的方法，在每次進(jìn)化后對(duì)適應(yīng)值較低的個(gè)體進(jìn)行淘汰，保存適應(yīng)度最大的個(gè)體，依次循環(huán)。這樣操作的好處在于避免算法退化，同時(shí)保證算法最后能夠收斂到全局最優(yōu)。設(shè)定算法的迭代次數(shù)為1 000次，且滿足連續(xù)20次最優(yōu)解不變，算法停止迭代，避免使算法陷入局部最優(yōu)，滿足條件，算法結(jié)束，輸出最優(yōu)值;否則返回第3步，直至條件滿足[9]。

3微電網(wǎng)經(jīng)濟(jì)調(diào)度結(jié)果分析

3.1AGA算法性能分析

將AGA算法與GA、PSO、BP 3種優(yōu)化算法進(jìn)行對(duì)比分析，分別對(duì)4個(gè)測(cè)試函數(shù)Sphere、Quadric、Gtiewank和Ackley進(jìn)行獨(dú)立尋優(yōu)20次，實(shí)驗(yàn)得到的最優(yōu)值、最差值、平均迭代次數(shù)和標(biāo)準(zhǔn)方差，結(jié)果如表1所示。需要說(shuō)明的是，經(jīng)過(guò)20次運(yùn)算，算法的平均迭代反映算法的收斂精度，值越小越高;標(biāo)準(zhǔn)方差反映算法的收斂穩(wěn)定性，值越小穩(wěn)定性越高。

從表1數(shù)據(jù)可以看出，AGA算法相較其他3種算法的最優(yōu)值、最差值、平均值和標(biāo)準(zhǔn)方差都要小，證明AGA算法的收斂精度和算法穩(wěn)定性較高，特別是在解決Sphere、Quadric和Ackley的問(wèn)題上表現(xiàn)十分突出。而一般的GA在解決Quadric和Ackley函數(shù)問(wèn)題上容易陷入局部最優(yōu);同樣，PSO算法優(yōu)化Quadric函數(shù)、BP算法在優(yōu)化Ackley函數(shù)時(shí)都會(huì)遇到相同的問(wèn)題。具體來(lái)說(shuō)，GA算法相對(duì)PSO和BP算法得到的結(jié)果較好，平均值和標(biāo)準(zhǔn)方差較低。AGA算法較改進(jìn)前的GA算法相比，兩者在優(yōu)化Griewank函數(shù)時(shí)表現(xiàn)出的效果非常相似，具有非常接近最優(yōu)、最差值、平均值和標(biāo)準(zhǔn)方差，說(shuō)明此兩種算法的收斂穩(wěn)定性與精確度都非常相似。綜上所述，AGA算法在優(yōu)化不同函數(shù)上，平均值和方差均較GA算法低，這驗(yàn)證了，GA算法交叉變異的自適應(yīng)改進(jìn)后收斂性和局部尋優(yōu)能力分別得到了不同程度的提高，最優(yōu)個(gè)體適應(yīng)度收斂特征曲線如圖4所示。

從圖4可以得知，PSO算法優(yōu)化4種函數(shù)的效果均不理想。從PSO算法收斂特征曲線可以看出，其收斂性最差;除此之外，在優(yōu)化Ackley函數(shù)時(shí)，GA曲線在坐標(biāo)（50，2.5）后，呈現(xiàn)與x軸平行的走勢(shì)，說(shuō)明此時(shí)陷入了局部最優(yōu)。BP算法與PSO算法效果較為相似，優(yōu)化效果較PSO算法好;對(duì)于GA算法來(lái)說(shuō)，優(yōu)化效果僅次于AGA算法。由此可知，在對(duì)4種函數(shù)進(jìn)行優(yōu)化時(shí)，相較其他3種算法，收斂速度和收斂精度顯著要高，且能在極短時(shí)間和較少的迭代次數(shù)下接近收斂，這是由于采用自適應(yīng)方式改進(jìn)GA算法后，增強(qiáng)了GA算法與外界適應(yīng)能力與協(xié)調(diào)進(jìn)化能力，導(dǎo)致算法的收斂速度與精度都得到了不同程度的提升。綜上所述，AGA算法從整體上全局尋優(yōu)能力、收斂速度、尋優(yōu)精度以及穩(wěn)定性都要比GA、PSO和BP算法要好，證明了AGA算法的優(yōu)先性和優(yōu)越性。

3.2風(fēng)光電場(chǎng)的微電網(wǎng)經(jīng)濟(jì)調(diào)度分析

以某地區(qū)的一個(gè)微電網(wǎng)為例，用Matlab編程對(duì)模型進(jìn)行求解。該微電網(wǎng)系統(tǒng)由10臺(tái)火電機(jī)組、1個(gè)風(fēng)電場(chǎng)和一個(gè)光伏發(fā)電廠組成，其中風(fēng)電場(chǎng)的額定總有出力120 MW，最小有出功率10 MW。光伏電站的總?cè)萘繛?80 MW，光伏組件轉(zhuǎn)換效率溫度修正系數(shù)為0.957。調(diào)度周期為1 d分為24個(gè)時(shí)段，每個(gè)時(shí)段1 h。AGA算法的種群規(guī)模定為50，最大迭代次數(shù)為1 000，最大交叉概率為0.91，最小交叉概率為0.78，變異概率為0.01，隨機(jī)抽樣1 000次。各個(gè)時(shí)段風(fēng)電場(chǎng)和光伏電廠的平均輸出功率和微電網(wǎng)負(fù)荷預(yù)測(cè)結(jié)果如圖5所示。

經(jīng)過(guò)計(jì)算得到問(wèn)題最優(yōu)解μD為0.847 140，供電總成本為5 009 270元;次優(yōu)解1μ_D為0.847 103，供電總成本為5 041 588萬(wàn)元;次優(yōu)解2μ_D為0.846 899，供電總成為5 076 754萬(wàn)元。從圖5（a）可以看出，風(fēng)電場(chǎng)功能雖然比較持續(xù)，但是整體波動(dòng)不平衡，輸出功率忽高忽低;光伏電站輸出功率較大，但具有較強(qiáng)的時(shí)效性，兩者在一定程度上出現(xiàn)互補(bǔ)的現(xiàn)象。結(jié)合圖5（b）來(lái)看，整個(gè)微電網(wǎng)的負(fù)荷需求不高，風(fēng)電場(chǎng)額定容量為180 MW，光伏電站的額定容量為120 MW，兩者并網(wǎng)后輸出占比較高。圖6為最優(yōu)調(diào)度方案下風(fēng)電場(chǎng)、光伏電廠以及火電廠的出力情況。

通過(guò)驗(yàn)證，各個(gè)階段機(jī)組的運(yùn)行條件均在模型的約束條件之內(nèi)，結(jié)合圖6（a）、圖6（b）進(jìn)行成本計(jì)算，得出在并網(wǎng)前，調(diào)度成本為6 833 463元;風(fēng)電廠并網(wǎng)后，調(diào)度成本降至6 482 859.5元，整體降低了5%。當(dāng)光伏電站并網(wǎng)，系統(tǒng)的總費(fèi)用進(jìn)一步降低，含風(fēng)光電站的微電網(wǎng)總成本為5 009 270.5元，較單一火電站發(fā)電成本下降了26.7%，大大提高了微電網(wǎng)的動(dòng)態(tài)經(jīng)濟(jì)，節(jié)省更多的發(fā)電成本，獲得更經(jīng)濟(jì)的調(diào)度方案。結(jié)果顯示，風(fēng)電場(chǎng)和光伏電站并入微電網(wǎng)之后，出力情況與歷史數(shù)據(jù)得出的電站出力情況基本吻合，表明AGA算法給出的電力調(diào)度優(yōu)化方案是有效可行的。56D34354-1CEC-4C5B-834D-3758BC57FB01

4結(jié)語(yǔ)

要給出含風(fēng)電場(chǎng)和光伏電站的最優(yōu)經(jīng)濟(jì)調(diào)度方案，實(shí)際上就是解決一個(gè)含有復(fù)雜約束條件且具有動(dòng)態(tài)性的非線性規(guī)劃問(wèn)題。在建立數(shù)學(xué)模型時(shí)，需要結(jié)合風(fēng)力發(fā)電的波動(dòng)性與光伏發(fā)電階段性;除此之外，兩者在并網(wǎng)之后微電網(wǎng)出電情況難以預(yù)測(cè)，因此需要設(shè)立約束來(lái)使模型變得更加合理。最后，采用改進(jìn)后的AGA算法來(lái)對(duì)問(wèn)題進(jìn)行求解，即得出最終的優(yōu)化方案。從結(jié)果可知，最終得出的優(yōu)化方案相較單一火力發(fā)電，發(fā)電成本由6 833 463元降至5 009 270.5元，對(duì)比人工調(diào)控方案，發(fā)電成本降低了861 016.3元，驗(yàn)證了本文提出的含風(fēng)電場(chǎng)和光伏電站微電網(wǎng)經(jīng)濟(jì)調(diào)度模型的合理性。同時(shí)，也證明的了AGA算法解決電力調(diào)度問(wèn)題的可行性，大幅降低微電網(wǎng)一次能源消耗量，增加發(fā)電經(jīng)濟(jì)性。

【參考文獻(xiàn)】

[1]周瑋，胡姝博，孫輝，等. 考慮大規(guī)模風(fēng)電并網(wǎng)的電力系統(tǒng)區(qū)間非線性經(jīng)濟(jì)調(diào)度研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào)，2017，37（2）：557-564.

[2]謝敏，熊靖，吉祥，等 考慮多風(fēng)電場(chǎng)相關(guān)性的電網(wǎng)動(dòng)態(tài)經(jīng)濟(jì)調(diào)度二階段帶補(bǔ)償算法[J]. 電力系統(tǒng)自動(dòng)化，2017，41（7）：44-53.

[3]楊金剛，袁志昌，李順昕，等. 經(jīng)柔性直流輸電并網(wǎng)的大型風(fēng)電場(chǎng)頻率控制策略[J]. 電力自動(dòng)化設(shè)備，2019，39（6）：109-114.

[4]唐程輝，張凡，張寧，等. 考慮可再生能源隨機(jī)性和需求響應(yīng)的電力系統(tǒng)日前經(jīng)濟(jì)調(diào)度[J]. 電力系統(tǒng)自動(dòng)化，2019，43（15）：18-25.

[5]王德真. 含多種分布式能源微電網(wǎng)小區(qū)間協(xié)調(diào)調(diào)度方法[J]. 佳木斯大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，38（3）：125-128.

[6]閆秉科，李小平，舒欣，等. 多種分布式電源隨機(jī)性的配電網(wǎng)優(yōu)化運(yùn)行研究[J]. 智慧電力，2017，45（11）：14-18.

[7]程站立，夏海峰，王健，等. 計(jì)及多種分布式電源并網(wǎng)的配電網(wǎng)潮流計(jì)算[J]. 農(nóng)村電氣化，2018（4）：5-7.

[8]李暉，高涵宇，張艷，等. 考慮相關(guān)性的大規(guī)模風(fēng)光互補(bǔ)電網(wǎng)擴(kuò)展規(guī)劃[J]. 電網(wǎng)技術(shù)，2018，42（7）：2 120-2 127.

[9]文志偉，候筱賢. 基于風(fēng)電場(chǎng)集群接入的電網(wǎng)經(jīng)濟(jì)調(diào)度[J]. 電氣時(shí)代，2021（1）：26-27.56D34354-1CEC-4C5B-834D-3758BC57FB01