改進ALO算法在風電并網(wǎng)穩(wěn)定性優(yōu)化中的應用研究

金青峰

(淮南聯(lián)合大學智能制造學院，安徽淮南 232038)

隨著化石能源的逐漸枯竭與自然環(huán)境的日益惡化，可再生能源的開發(fā)與應用已成為人們關(guān)注的熱點問題，其中風電的發(fā)展勢頭極為迅猛，大有由補充性能源轉(zhuǎn)向替代性能源的趨勢[1]。風電研究的持續(xù)深入，促進了風電并網(wǎng)技術(shù)水平的提升，然而仍然存在著電壓偏差與頻率波動等問題，這在一定程度上對風電并網(wǎng)的穩(wěn)定性與安全性造成了負面影響，阻礙了風電并網(wǎng)配電網(wǎng)的可持續(xù)發(fā)展[2]。作為一種高效的仿生智能優(yōu)化算法，ALO算法能夠完成對配電網(wǎng)部分問題的優(yōu)化，為了顯著提升風電并網(wǎng)技術(shù)的水平與應用價值，此次研究將其作為主要求解算法，并在其基礎(chǔ)上進行改進，加快其收斂速度，增強其魯棒性[3]。因此，此次研究將改進ALO算法應用至風電并網(wǎng)穩(wěn)定性的優(yōu)化中，旨在有效控制各節(jié)點的電壓標幺值，實現(xiàn)風電并網(wǎng)配電網(wǎng)的安全穩(wěn)定運行。

1 基于混沌思想的改進ALO算法及其應用研究

1.1 ALO算法的尋優(yōu)機制及其模型構(gòu)建

蟻獅優(yōu)化算法(Ant Lion optimizer, ALO)源于自然界中蟻獅捕獵螞蟻的生物行為，是一種仿生智能優(yōu)化算法，旨在實現(xiàn)對某類問題的優(yōu)化[4]。在螞蟻圍繞蟻獅進行隨機性游走的過程中，可逐漸完成對搜索空間的全面探索，且在此基礎(chǔ)上進行持續(xù)的學習，最終達到對種群的多樣性與算法的尋優(yōu)性有效保障的目的。蟻獅可視作為待解決問題的解，在成功完成對螞蟻的捕獵后，可實現(xiàn)更新并存儲近似最優(yōu)解的目標[5]。ALO算法模型如圖1所示。

圖1 ALO算法模型的流程示意圖

(1)

(2)

(3)

(4)

在式(4)中，I表示螞蟻活動的范圍空間，ω表示一個常數(shù)。若t<0.1T，則I的取值為1。若蟻獅的適應度小于螞蟻的適應度，則可判定前者成功捕獲了后者，而前者的位置也將隨著后者的位置進行更新，詳見式(5)所示。

(5)

在每次迭代的過程中，均存在一只適應度最高的蟻獅，即精英蟻獅，第t次迭代的第i只螞蟻在下一次迭代時的位置可表示為式(6)。

(6)

1.2 基于混沌思想的改進ALO算法

在確定的動力系統(tǒng)中，通常會表現(xiàn)出一定的偽隨機性與不可預測性，這主要是由系統(tǒng)對于初值太過敏感而造成的，該種現(xiàn)象往往表現(xiàn)為不規(guī)則的運動狀態(tài)，即混沌。系統(tǒng)由有序轉(zhuǎn)化為混沌狀態(tài)時，其中的變量會呈現(xiàn)出四種顯著的特性，包括有界性、初值敏感性、全局遍歷性、不可預估性[6]。有界性是指盡管混沌運動不是有序的，但其隨機運動始終維持在一個固定化的范圍中；初值敏感性主要是指在混沌運動行為的影響下，即使初值具有的偏差極為細微，但其會隨著混沌運動的持續(xù)進行而不斷增大，致使最終獲取到的結(jié)果與初值相去甚遠；全局遍歷性，表示所有的變量均可實現(xiàn)對空間中全體狀態(tài)點的不重復遍歷；不可預估性是指盡管混沌運動依托于迭代方程，但其不具有有序性與規(guī)律性，且其運動軌跡難以進行有效的預測[7]。作為一種常用的混沌系統(tǒng)，Logistic映射具有典型代表意義，其數(shù)學表達式如式(7)所示。

zt+1=μz(t)(1-z(t))

(7)

在式(7)中，z(t)表示混沌域，取值范圍為(0,1)；t表示進行迭代的次數(shù)；μ為常數(shù)，表示Logistic映射的參數(shù)，且其取值范圍為(0,4)。據(jù)相關(guān)研究表明，當μ處于(0,4)中時，系統(tǒng)會處于混沌狀態(tài)。μ的值越趨近于4，最后生成的值的隨機性就越高。因此，若將μ的值確定為4，即可令系統(tǒng)始終保持混沌狀態(tài)，初值的運動軌跡也可表現(xiàn)出較為顯著的混沌特性，最終可在混沌運動的作用下實現(xiàn)全局遍歷，搜索并獲取到最優(yōu)解。此次研究將兩個點的初始值分別設定為0.001與0.002，即可獲取到二者的運動軌跡及其對應距離隨著迭代次數(shù)不斷增加而變化的情況，詳見圖2所示。

(a)兩個初始點的混沌運動軌跡

(b)兩個初始點混沌運動軌跡間的距離圖2 兩個初始點的混沌運動軌跡及其對應距離

圖2(a)為在持續(xù)迭代的過程中，兩個初始點進行混沌運動的軌跡變化情況。在迭代之初，兩個點的混沌運動軌跡幾乎保持重合狀態(tài)；隨著迭代次數(shù)的增加，兩個初始點的位置逐漸相互遠離。觀察圖2(b)可知，在迭代初期，兩個點進行混沌運動時的距離極小；當進行到第6次迭代時，兩點之間的距離開始拉開，該距離值在不斷迭代的過程中表現(xiàn)出一定的波動，且整體保持持續(xù)擴大的變化趨勢。此次研究將混沌思想應用至ALO算法的改進中，主要利用Logistic混沌映射對螞蟻種群與蟻獅種群進行初始化處理，通過目標函數(shù)獲取到兩個種群在每次迭代中的適應度，并將適應度值最高的蟻獅確定為精英蟻獅；隨后構(gòu)建精英蟻獅庫，令螞蟻與蟻獅進行多對一的匹配與游走，實現(xiàn)對螞蟻游走空間范圍的標準化與游走邊界的更新；再對全體種群的適應度進行計算，通過降序排列的方式篩選出精英蟻獅，最終實現(xiàn)循環(huán)迭代，直到達到迭代次數(shù)的最大值，取得最優(yōu)解。

1.3 風電并網(wǎng)方式及其數(shù)學模型構(gòu)建研究

在風電接入配電網(wǎng)之后，配電網(wǎng)的節(jié)點功率將產(chǎn)生一定的變化，進而導致網(wǎng)絡的節(jié)點電壓與有功網(wǎng)損均表現(xiàn)出相應的波動。風電并網(wǎng)前后的有功損耗情況如圖3所示。

(a)風電并網(wǎng)前的配電網(wǎng)情況

(b)風電并網(wǎng)后的配電網(wǎng)情況圖3 風電并網(wǎng)前后的有功損耗變化情況

據(jù)圖3(a)可知，在未接入風電時，電網(wǎng)線路的長度與電壓分別為L與U，負荷表示為PL+jQL，阻抗則為Z=R+jX。配電網(wǎng)結(jié)構(gòu)簡單，其有功損耗可通過式(8)計算得出。

(8)

圖3(b)所示為風電接入后的配電網(wǎng)情況，在與配電網(wǎng)首端相距G處接入一個風機，該風機的并網(wǎng)容量為PDG+jQDG，據(jù)此可知此時的配電網(wǎng)有功損耗產(chǎn)生了一定的變化，其計算公式如式(9)所示。

2PLPDG-2QLQDG)]

(9)

聯(lián)合式(8)與式(9)，即可求取風電并網(wǎng)前后，配電網(wǎng)有功損耗的實際變化量，詳見式(10)。

(10)

在當前的風電并網(wǎng)方式中，主要按照一定的次序?qū)Ω髋_風機進行排列，使其分布至配電網(wǎng)不同的位置中，隨后在升壓變壓器的作用下，有效連接配電網(wǎng)。風電并網(wǎng)結(jié)構(gòu)示意圖詳見圖4。

圖4 風電并網(wǎng)的結(jié)構(gòu)示意圖

在圖4所示的風電并網(wǎng)結(jié)構(gòu)中，主要包含兩個重要組成部分，其一為雙饋感應電機，該電機中的變流器能夠為轉(zhuǎn)子提供相應的勵磁電流，且電流的頻率、相位、幅度均為可調(diào)狀態(tài)；其二是指轉(zhuǎn)子勵磁變換器，能夠在相關(guān)電力電子設備的作用下，對發(fā)電機輸出功率的幅值與頻率進行適時的改變[8]。二者共同作用，保障發(fā)電機在運行過程中頻率的恒定性與速度的可變性，最終實現(xiàn)有效的功率跟蹤，令風電并網(wǎng)結(jié)構(gòu)可按照相應的用電需求執(zhí)行發(fā)電等任務。

2 改進ALO算法在風電并網(wǎng)穩(wěn)定性優(yōu)化中的應用效果分析

此次研究將經(jīng)過混沌思想改進后的ALO算法，應用至風電并網(wǎng)模型中，將風電并網(wǎng)的電壓基準值設定為12.66kV；將相應的總負荷設定為3612+j2813kVA；共接入4臺雙饋感應風電機組，每臺的額定電壓均為690V；切入風速、切出風速、額定風速分別定為4m/s、25m/s、12m/s。除此以外，將改進ALO算法中囊括的螞蟻種群與蟻獅種群數(shù)量均設置為50，維數(shù)與迭代次數(shù)分別設定為14與100。在風電并網(wǎng)前后，配電網(wǎng)中不同節(jié)點處的電壓標幺值均會發(fā)生不同程度的改變，詳見圖5。

(a)風電并網(wǎng)前配電網(wǎng)各節(jié)點的電壓標幺值

(b)風電并網(wǎng)后配電網(wǎng)各節(jié)點的電壓標幺值圖5 風電并網(wǎng)前后配電網(wǎng)各節(jié)點電壓標幺值變化情況

圖5(a)所示為接入風電場之前，配電網(wǎng)中各個節(jié)點處電壓的標幺值，從中可以看到隨著節(jié)點編號的不斷增大，電壓標幺值呈現(xiàn)出持續(xù)的波動。當節(jié)點編號處于1至18時，電壓標幺值持續(xù)降低；當節(jié)點編號為20時，電壓標幺值顯著回升，隨后持續(xù)波動，但變化幅度較小。電壓標幺值整體顯示出下降的趨勢，且其在波動過程中始終未超過初始值1。據(jù)圖5(b)可知，在風電并網(wǎng)后，1號節(jié)點至18號節(jié)點之間的電壓標幺值顯著上升，隨后有所降低，但就整體情況看來，風電并網(wǎng)后配電網(wǎng)節(jié)點電壓標幺值表現(xiàn)出增大的變化趨勢。為獲取到較為客觀全面的配電網(wǎng)電壓穩(wěn)定性探究結(jié)果，此次研究采用分時段策略對配電網(wǎng)進行無功優(yōu)化，每時段為0.5h，隨著時段編號的增大，風速也逐漸提高，四個時段的風速依次為6m/s、9m/s、12m/s、15m/s。在不同時段中，不同算法應用下各節(jié)點的電壓標幺值如圖6所示。

(a)時段1配電網(wǎng)各節(jié)點電壓標幺值

(b)時段2配電網(wǎng)各節(jié)點電壓標幺值

(c)時段3配電網(wǎng)各節(jié)點電壓標幺值

(d)時段4配電網(wǎng)各節(jié)點電壓標幺值

圖6(a)為時段1的節(jié)點電壓標幺值，此時風電場中輸出的有功功率較小，輸送的無功功率較大，這顯示出在風電并網(wǎng)條件下，配電網(wǎng)各節(jié)點處的電壓標幺值有所提升，電能質(zhì)量得到了一定的改善。圖6(b)為時段2中，風電并網(wǎng)前的節(jié)點電壓標幺值水平較低；在風電并網(wǎng)后，應用ALO算法的節(jié)點電壓標幺值處于中等水平，應用改進ALO算法的節(jié)點電壓標幺值水平最高，且穩(wěn)定性最強。圖6(c)中風速增大至12m/s，此時風電并網(wǎng)的配電網(wǎng)中有功輸出顯著提升，節(jié)點電壓標幺值在優(yōu)化后顯著降低，且波動幅度最小。圖6(d)所示為時段4中，節(jié)點電壓標幺值的變化情況，從中可知風電并網(wǎng)前，配電網(wǎng)的節(jié)點電壓已超過上限值，對配電網(wǎng)的安全穩(wěn)定運行與電壓質(zhì)量造成了負面影響；風電并網(wǎng)且采用改進ALO算法后，配電網(wǎng)節(jié)點電壓降低至正常范圍中，確保了配電網(wǎng)系統(tǒng)的安全性與穩(wěn)定性[9]。為進一步探究改進ALO算法在風電并網(wǎng)穩(wěn)定性優(yōu)化中的應用效果，此次研究選取多種算法進行迭代訓練，對比分析不同算法的性能，其結(jié)果詳見圖7。

圖7 不同算法的收斂曲線比較

據(jù)圖7可知，在相同的風電并網(wǎng)條件下，隨著迭代次數(shù)的增加，各算法的適應度值均表現(xiàn)出一定的降低。在相同的迭代次數(shù)下，改進ALO算法的尋優(yōu)精度顯著高于其他算法；當各算法均達到相同精度時，改進ALO算法的收斂速度最高，ALO算法次之，粒子群優(yōu)化算法(Particle Swarm Optimization, PSO)最低。這顯示出基于混沌思想的改進ALO算法具有較強的收斂性與魯棒性，可在風電并網(wǎng)配電網(wǎng)穩(wěn)定性優(yōu)化中發(fā)揮出良好的應用效果[10]。

3 結(jié)論

為了保證風電并網(wǎng)條件下配電網(wǎng)的穩(wěn)定性與安全性，此次研究針對ALO算法進行了深入的探究，考慮到該算法固有的收斂速度較慢、魯棒性較差等問題，采用混沌思想對其改進，將Logistic映射引入其中；隨后將改進ALO算法應用至風電并網(wǎng)穩(wěn)定性的優(yōu)化中，并比較分析囊括改進ALO算法在內(nèi)的三種算法的性能。研究結(jié)果顯示，在風電并網(wǎng)前后，配電網(wǎng)的節(jié)點電壓標幺值會隨著風速的增大而表現(xiàn)出相應的變化；改進ALO算法能夠有效降低電壓的偏移量與有功網(wǎng)損，保證電能質(zhì)量與配電網(wǎng)的輸變電安全；相較于PSO算法與ALO算法而言，改進ALO算法具有更強的收斂性與魯棒性。這表明改進ALO算法可在風電并網(wǎng)穩(wěn)定性的優(yōu)化中發(fā)揮出良好的應用效果，促進風電并網(wǎng)技術(shù)的提升與發(fā)展。本次研究中選擇的時段數(shù)量較少，作為變量條件的風速，設置得不夠全面，還需進一步研究。