風電高滲透率電網優化GA-PSO 調度及算例分析

張建功， 馬陽陽

（國網河北省電力有限公司滄州供電分公司， 河北 滄州 050051）

0 引言

考慮到我國化石能源的儲量不斷降低，我國制定了新能源發展規劃，預期到2050 年我國發電總量中的新能源比例達到30%以上[1-2]。風能在我國屬于一類具備廣泛來源的資源，因此風力發電也在我國獲得了廣泛開發，對新能源行業發展發揮了積極促進作用。風電出力存在較大的隨機性，并且各時間段發電量也會出現大幅波動，在相同功率狀態下預測風電功率的難度比負荷預測的難度更高[3-5]。針對電力系統開展調度時，需引入更高魯棒性的算法實現電能穩定調控[6]。

考慮到在高滲透率下會產生很大的風電出力預測誤差，并不能精確消除風電電量變化的影響，這對系統運行過程造成了較大波動性[7-8]。當前主要采用三種方法來消除風電運行不確定性因素的作用，包括比例備用容量調節、隨機優化與魯棒控制等[9-10]備用容量法是通過增加備用容量的形式來避免引起風電波動的情況，操作過程較為簡單，但并不能同時實現低成本運行和達到備用容量的控制要求。

風電高滲透率電網容易在運行期間產生無法消納的極端情況，因此采用設計機組組合的模式有助于消除非必要風切負荷，促使模型獲得更高計算效率[11]。本文在前人研究的基礎上，通過遺傳算法（GA）優化PSO 的方式設計了一種風電高滲透率電網優化GA-PSO 調度方法。

1 優化GA-PSO 調度模式

在機組出現電力負荷波動或進行風電出力場景切換時，系統只需合理分配機組負荷便能夠高效跟蹤系統波動功率，以此保證系統在各個場景狀態下穩定過渡[12]。

在風電功率點預測方面并不會實現很高的精度，選擇傳統方法開展調度時，如果出現風電功率的大幅波動，則系統將保持極端運行狀態，導致風險成本明顯提高，導致系統經濟成本的顯著提高。

將內層模塊包含風電電網機組的形式轉變為對混合整數規劃進行計算的過程，接著再以MATLAB2016 軟件實現的CPLEX 算法開展求解計算。通過啟發算法消減外層模塊得到不確定集并將數據傳輸到內層模塊，采用遺傳粒子群算法開展求解分析[13]。此算法是通過PSO 算法與交叉變異相融合的形式來實現，可以實現PSO 快速收斂的效果，并且還可以避免粒子產生局部最優的情況，從而計算獲得更可靠的不確定集。

優化GA-PSO 算法流程見圖1 所示。確定粒子初始速率與位置，并把3 個粒子初始位置存儲于局部最優位置。根據適應度函數計算結果來判斷粒子優劣性，按照粒子適應值對局部與全局最優位置進行分析。對各粒子速度及其位置進行更新。如果未到達規定的迭代次數，則繼續實施算法循環；反之，循環結束，得到最優的輸出粒子。

圖1 優化GA-PSO 算法流程

2 算法分析

為深入探討優化GA-PSO 算法的處理性能，本研究從某省選擇一年中的電網參數進行測試，電網系統中共存在136 臺發電機，容量為51 350 MW，其中包含了45 臺AGC 機組。本文針對4 機組系統進行了測試，具體參數見表1，此系統中總共存在10 臺機組，總裝機容量為3 250 MW，AGC 機組包括1 號、2 號、3 號、4 號，風電滲透率接近15%。

表1 算例機組參數

圖2 是預測得到的額風電出力與負荷。在風電功率點預測方面并不會實現很高的精度，選擇傳統方法開展控制時，如果出現風電功率的大幅波動，則系統將保持極端運行狀態，導致風險成本明顯提高，導致系統經濟成本的顯著提高

圖2 某省實際電網負荷及風電出力結果

選擇優化GA-PSO 算法進行處理時能夠實現標準粒子群快速收斂的效果，防止引起局部最優的現象。本研究針對標準粒子群、螢火蟲以及遺傳- 粒子群算法開展對比測試。發電機組則根據前期設置的調度防范方法實施啟停調節，按照t=21 的條件完成經濟優化目標。分別為各算法構建了規模數為30 的種群，共完成50 代進化，再以相同初值條件進行尋優處理。以粒子進化代數和最優值作為目標進行搜索效率和收斂效果對比，算法計算收斂結果見圖3 所示。大規模風電場通常會表現出了顯著平滑性和集群特征，從而減小了風速湍流峰值引起的風電場出力變化幅度，由此形成更平滑的風電場出力曲線。

從圖3 中可以看到，采用標準PSO 算法處理時收斂時間最短，并且各粒子達到局部最優后都無法跳出，無法達到實際調度的要求；螢火蟲算法能夠實現快速收斂目標，但會引起局部最優的結果；遺傳- 粒子群算法可以實現交叉變異功能，并不能達到優化螢火蟲算法的處理效率，但可以消除粒子出現局部最優的情況，由此得到精確結果，更好地適應電網調度要求。

3 結論

1）通過PSO 算法與交叉變異相融合的形式來PSO 快速收斂的效果，避免粒子產生局部最優的情況，計算獲得更可靠的不確定集。

2）選擇優化GA-PSO 算法處理能夠實現標準粒子群快速收斂的效果，防止引起局部最優現象。

3）優化GA-PSO 算法可以實現交叉變異功能，可以消除粒子出現局部最優的情況，更好地適應電網調度要求。

該研究有助于提高電網調度效率，但在面對突發情況的時候存在計算冗長的問題，期待后續引入深度學習算法進行加強。