基于多目標粒子群的水光互補光伏電站容量優化方法

劉田珂，陳加倫

(1.中國電建集團貴陽勘測設計研究院有限公司，貴州 貴陽 550081；2.貴州順成勞務管理有限公司，貴州 貴陽 550081)

在光伏電站運營階段，需要對接入的系統進行合理選擇，以此控制光伏電站發電量，這種控制模式不僅僅關系到整個光伏電站經濟效益，還會對整個電站安全運行造成直接影響[1]。為此，提出了一種水光互補系統。水光互補系統的容量分配是多能量系統的最優問題，其中單目標優化方法充分考慮光伏電站工作環境，而多目標優化方法在自身供電約束條件下，構建多能源互補模型，同時將最小成本作為優化目標，以此保證優化結果的可靠性。但這2種方法都受到光伏電站發電區域性、間斷性和波動性影響，導致光伏電站效率低下。為此，提出了基于多目標粒子群的水光互補光伏電站容量優化方法。

1 水光互補原理及特性分析

水光互補發電指的是利用水力發電裝置的迅速調整特性及庫容，對水力發電進行調峰。通過改變水力的輸出量，可以使光伏電池的輸出得到補充，從而改善了電網的調峰性能[2]。水光互補發電系統主要包括光伏電站發電、本地直流負荷、交流電網三大模塊，水光互補原理示意圖，如圖1所示。

圖1 水光互補原理示意圖

由圖1可知，水光互補的結構類似于非調度系統，但又有不同之處。水光互補調節方式是將剩余的光伏電站電力直接輸送至AC系統，同時利用水光互補技術輸送至光伏電站的開關，再“捆綁”起來，通過電力輸送至交流網[3]。該調度方式可以迅速改變發電功率的大小，使光伏電站發電性能得到有效的提高，降低乃至消除電廠對電網的影響。水光互補發電不會對電廠的運行和調度產生任何影響，也不會對其上、下游防洪、發電、灌溉等功能產生任何影響，也不會改變其在電網中的地位。

2 基于多目標粒子群的水光互補光伏電站容量優化設計

基于水光互補原理及特性，在確定多目標粒子群全局最優解的情況下，利用短期最優調度的方式來分析水光互補對出力調峰影響程度，由此設計水光互補光伏電站容量優化方案。

2.1 基于多目標粒子群全局最優解計算

粒子群算法最初僅限于求解單目標優化問題，但現在受到光伏電站動態環境影響，需將其應用于多目標優化問題之中。粒子速度矢量的更新也由速度慣性、自學習和社會學習3個部分組成[4]。粒子速度和位置變化情況為：

(1)

(2)

2.2 水光互補光伏電站容量優化

水光互補電站在不影響調峰、調頻、電網正常工作的情況下，只需改變水力輸出的水光互補機組的出力，增加總的功率，就能達到系統需求。對于光伏發電廠，可以在平水期、旱季進行光伏發電。而在雨季，光伏電站的蓄水量大、調節能力強，必須與光伏發電系統相結合[5]。雨季時，小型光伏發電站常常是滿負荷運行，其容量不能與光伏發電相匹配。所以，在光伏電站發電廠的選擇中，必須將水力發電作為一個重要的因素。所研究的水光互補電站的光伏電站，具有蓄水量大的多年調節水庫，能很好地調節光伏電站發電。

2.2.1水光互補周期調度方案設計

光伏電站發電的輸出受到外界環境的極大影響，如果將其直接引入電網，將會對電網的安全、穩定運行造成一定的影響。當光伏與水力協同工作時，就會發電，此時再使用水輪機及時調整發電頻率[6]，再結合蓄水池的蓄電能力，能夠實現水光互補光伏電站的高效處理。與此同時，使發電曲線平滑，不會出現尖峰，由此改善光伏電站的發電質量，大大降低了對電力系統的影響[7]。

水光互補優化調度方案通?？煞譃橐韵聨最悾阂哉{度周期的長短為標準分類，可分為中長期最優調度方案和短期最優調度方案，水光互補的目標模型為調峰容量最大化，棄電量最小化，發電效益最大化。以上調度方案特點如下。

中長期優化調度模式通常指的是以月、年為周期，而水庫調節庫容、太陽輻射、來水徑流等各因子的長期規模差別很大，此方案適合于長期水光互補發電的可行性與可靠性研究。

短期優化調度模式的研究時間通常很短，通常是1d。在調節庫容大的光伏電站中，可以實現水力互補的協同優化。因此，使用短期最優調度的數學模型來分析水光互補對電網調峰能力的影響。

2.2.2容量優化方案

根據前述設計的水光互補短期調度方案，采用多目標粒子群優化水光互補光伏電站容量，詳細步驟如下。

步驟1：對種群進行初始化處理，獲取參數認知結果和引導粒子。

步驟2：設置迭代次數為2，如果迭代次數小于等于2，則需要更新粒子群速度和位置后再次迭代；反之，則判斷當前種群與上一代種群之間的距離。如果距離大于上一代種群與上二代種群之間的距離，那么表明該種群具有多樣性，反之，則種群多樣性較差，應繼續更新速度和位置。

步驟3：計算多目標粒子群中M個目標函數所對應的適應度值。

步驟4：當計算結果小于設定的閾值，那么需更新粒子位置，并重新計算適應度值；當計算結果大于等于設定的閾值，那么將該值作為依據，判斷計算結果與最優解的主導關系，如果是最優解主導計算結果，則進行下一步，否則返回步驟3。

步驟5：計算當前粒子與該粒子中其他粒子的種群距離，得到當前粒子的最小種群距離。

步驟6：計算種群中所有粒子之間的總體距離，求出總體中所有粒子的最小總體距離，并求其平均值，即種群距離。

步驟7：分析當前問題解與個體解之間的關系，確定新的非優化解中所有更新的粒子數量。

步驟8：確定新的非優化解決方案和優化解決方案之間的支配關系，如果新的非優化解決方案沒有被優化解決方案中的任何解決方案所支配，則將優化解決方案中的新的非優化解決方案保存為新的非優化解決方案。否則，它將不會被添加到優化解決方案之中；如果優化解決方案數量超過設定的數量，則采用自適應調度技術對優化解決方案進行優化。

步驟9：采用輪盤賭注策略，按照從外到內的順序提取先導粒子。

步驟10：根據粒子提取結果，更新慣性權重和認知的參數值。

為了自適應調整檢索模式，將種群距離作為種群進化檢驗標識，通過這種檢索方式能夠有效提高優化方法的收斂性?；诖?，引入光互補光伏電站運營周期的凈值，構建水光互補經濟模型：

(3)

式中，CP—光伏電站容量，MW；γ—基準收益率，%；I—水光互補電站每年的收入，元；Z—水光互補電站每年的成本，元；t—運營時間，t。其中水光互補電站每年的成本包括光伏電站基本建設成本、折舊費、經營成本、建設貸款、保險費、修理費等；水光互補電站每年收入包括光伏電站年發電量、水電電價[8]。由于光伏電站參數是固定的，所以在收益計算過程中，光伏電站收入和成本是可以不納入計算過程中的。

在水光互補電站中，光伏電站年發電量計算公式為：

QP=ηtCP-QK

(4)

式中，η—光伏電站的發電效率，%；QK—光伏電站放光量，kW·h，這種情況一般發生在夏天；其余變量含義同前文所述。

以公式(3)為最優模型函數，使光伏電站在穩定運行情況下，收入效益達到最高，并獲取最大利潤，該利潤下所對應的方案就是水光互補光伏電站容量優化的最好方案。

3 實驗

以某峽谷的光伏電站工作為例，該光伏電站運行周期為25a，凈現值收益率為10%。在該實驗條件下，對基于多目標粒子群的水光互補光伏電站容量優化方法研究合理性進行實驗驗證分析。

該區域光伏電站24h理想電荷見表1。

表1 24h理想電荷

當使用水光互補方案后，光伏電站按照最優方案發電，該過程主要注意的是：光伏電站需要在中午減少電站出力，在其余時間增加電站出力，以此在保障光伏電站出力效果最好的同時，降低成本，增加收益。

在保證水光互補光伏電站總發電量不變情況下，只有光伏電站輸出電量發生改變。此時，光伏電站白天電站減少的出力量應與夜晚電站增加的出力量一致?；谠撛?，分別使用多能源系統的容量優化模型、單目標優化模型和水光互補容量優化，對比分析電站24h負荷變化情況，對比結果如圖2所示。

圖2 2種方法光伏電站負荷變化情況對比分析

由圖2可知，使用多能源系統的容量優化模型隨著時間的增加，在時間為8h時負荷達到最大值為1010MW。在時間為14h時負荷達到最小值為800MW；使用單目標優化模型隨著時間的增加，在時間為18h時負荷達到最大值為1010MW。在時間為14h時負荷達到最小值為790MW；使用水光互補容量優化方法隨著時間的增加，在時間為8h時負荷達到最大值為1080MW。在時間為14h時負荷達到最小值為780MW，與表1所示的理想電荷一致。通過上述分析結果可知，使用水光互補容量優化方法具有良好優化效果。

基于此，分別使用3種方法對比分析光伏電站收益情況，結果見表2。

表2 3種方法光伏電站收益情況對比分析

由表2可知，3種方法隨著置信水平的變化，收益均有減小趨勢。其中，使用多能源系統的容量優化模型的光伏電站最大收益比水光互補容量優化方法光伏電站最大收益要小868MW；使用單目標優化模型的光伏電站最大收益比水光互補容量優化方法光伏電站最大收益要小984MW。由此可知，使用水光互補容量優化方法光伏電站收益最高。

4 結語

為了降低光伏電站受到動態環境的影響，提高電站容量，提出了一種基于多目標粒子群的水光互補光伏電站容量優化方法，考慮到水-光伏混合動力電站的輸出約束，采用多目標粒子群算法求解了水能混合光伏電站容量較大時的最大經濟效益。證明本文提出的多目標粒子群優化算法能夠提高光伏電站運行效率，能夠為光伏電站建設規劃提供新思路的同時，保障水光互補光伏電站滿足實際需求。但是由于時間限制，本文對水光互補光伏電站功率研究較少，在接下來的研究中，將完善本文方法，為我國水利建設提供有力的技術支持。