計及模型差異的分布式電源優化配置方法研究

董 智，李小明，趙 陽

（國網河南省電力公司，河南鄭州 450052）

隨著“雙碳”目標的確立，碳中和的概念改變了全社會用電需求的驅動力，風力發電、光伏發電等分布式發電技術的地位也愈發重要。與此同時，該技術也將得到迅速發展與大力推廣。一方面，分布式發電技術具有良好的環境適應性及友好性；另一方面，自然條件嚴重限制了分布式發電的輸出能力，導致其輸出功率具有隨機波動性，且在并網后會對電網的安全、穩定運行產生一定影響[1]。

分布式電源最大的特性便是分散性強、容量較小但數量多。其在現有分布式電源容量水平下，對電網的安全、穩定運行并未產生較大影響。但隨著分布式發電技術的深入推廣，一旦分布式電源的裝機容量達到一定水平，必然會對電網保護性能的設定產生巨大影響。現階段，分布式發電逆變輸出直接并網于配網，即直接作用于配網，其電壓波動及諧波占比嚴重影響了電網電能質量。

自然條件主導分布式電源的電壓波動現象，只要分布式電源輸出隨機波動性電壓，便會對電網的穩定性產生影響。此外，分布式電源的不同裝機容量也會對電網產生不同程度的影響。因此，在某些情況下該電源輸出的波動性電壓將決定其裝機容量。但若能優化光伏、風電等分布式電源的容量配置，進而找到分布式電源間的最優互補平衡，便可解決輸出電壓的隨機波動性。分布式電源典型的結構特征是電子元件、換流器等元件占主導構架。與傳統火力等發電相比，其開關元件的使用率更高，相應產生諧波也就越多，且還會使系統中諧波的產生機理及傳輸途徑復雜且曲折，進而更易引發電壓諧波占比率較高及穩定性較差的問題[2]。所以，研究如何消除分布式電源的輸出電壓波動性及諧波占比率具有重要意義。

為此，該文結合改進時間動態算法（Dynamic Time Warping，DTW）及遺傳算法（Genetic Algorithm，GA）構建了最優化目標函數。在此基礎上利用分布式優化技術進行求解，即考慮如何把一個綜合性任務分解成若干子任務安排給多個核心，并利用這些核心來實現對一個總體問題的并行快速求解。通過遺傳算法的目標線性函數進行最優搜索，并找尋系統的最佳接入點與注入容量，使得系統有功網損最小。最終，提供了可靠的分布式電源優化方案。

1 改進時間動態與遺傳算法

對模擬信號m(t)與待測信號x(t)進行特征匹配計算，從相關系數算法的理論出發，可以將其理解為m(t)與x(t)的內積除以其模的乘積。而當x(t)分別為m(t)+Δ(t)和km(t)時，傳統相關系數法與改進相關系數法處理的結果則有所不同[3]。對于信號m(t)和x(t)，傳統相關系數c的計算公式為：

設Δ 為時間長度，當x(t)=m(t)+Δ 時，則有：

將上式離散化，有：

只有在Δ →0 時，α→0，相關系數c→1。

當x(t)=km(t)時，有：

此時，無論x(t)與m(t)的數值關系如何，相關系數c始終為1。所以當x(t)為m(t)的不同倍數時，無法識別傳統的相關系數法，這就使基于相關系數算法的模板匹配方法所檢測到的波形不具備唯一性。

該文改進的相關系數法對于信號m(t)和x(t)的計算公式定義為：

上式表明，當α→0，則有c→1 。即僅在Δ →0 時才會有c→1。

當x(t)=km(t)時，則：

為了綜合平衡各參數在目標函數中的份額，考慮分布式電源的類型、安裝位置及計劃容量，通過設計可靠的目標函數，得到與實際運行狀態相對應比例的目標函數，并用以權衡實際因素，且最終得到最優化的分布式電源配置布局[4-5]。

2 分布式電源屬性分析

分布式電源發電效率及并網輸出受限于自然條件，自然條件的不定性直接造成該電源的電壓波動[7-8]。主流的分布式電源包括分布式光伏、雙饋風電機組等發電技術。各自運行狀態的差異性決定了輸出功率的波動性，造成功率的波動性大致存在3種情況[9-10]：

1）自然條件造成原始隨機性

分布式光伏發電裝置如何確定最佳陽光角度，是決定發電效率及輸出電壓波動性的主導因素，而風電機組的輸出功率則受風力角度及方向等因素主導。為了最大化分布式電源發電效率及最小化電壓波動，例如光伏、風機等分布式能源發電采用動態跟隨方式。然而自然條件的變化決定了動態跟隨方式，因此其輸出功率在不同時段會產生不同的波動[11]。

2）分布式電源啟動、停運統一性較差

由于分散性強、容量較小等問題，大多數分布式電源不屬于國家所有，因此較難做到分布式電源啟動、停運統一性。而錯過最佳啟停時間則會極大影響電網的安全、穩定運行[12]。

3）內部轉化效率及其他外界干擾

自然條件限制分布式能源的發電效率，內部電子元件固有效率則限制發電輸出效率，因此高效、便捷的發電組合元件尤為重要。此外，還有其他一些外界干擾因素，如輸電方式、調峰等。

以上內在及外在的不可抗力因素決定了分布式發電的輸出效率，故優化分布式能源配置是最小化內因及外因影響的重要手段。因此，采用某種算法或改善硬件條件均能使復雜的分布式能源配置問題簡單化，從而保障電網的安全、穩定。

3 混合數據處理算法

由于數據含有噪聲，所以需先對數據進行噪聲預處理，再基于改進時間動態算法實現對數據的時間性排列。最后再與遺傳算法相結合，獲取與實際對應的目標函數，并考慮類型、位置與容量因素。以此優化分布式電源配置，進而確定最優網損下的可靠運行方式[13]。

3.1 算法設計

噪聲是實際數據采集中固有的異常數據，其特性區別于有效數據。而分布式電源監測電壓的數據為正弦式分布，且在分辨數據時有高值、低值及零值噪聲。但由于一定范圍內的數據恒定不變，所以必須依靠相應剔除算法來獲取有效數據，并用于分布式電源的最優化配置。例如對光伏并網數據進行檢測，發現有58 條記錄中有異常值，其可細分為3 種情況：

1）12 條記錄，5 個字段值全為0，6 個字段值全為高值，1 個字段值則全為低值，可在噪聲分析時剔除該類記錄。

2）其中，1條記錄中的零值為正常值，即恰好為0。

3）剩下記錄的零值為異常值，可采用相鄰兩個值的平均值將其替換。

剔除異常數值的核心是設定有效值范圍及相鄰值的記憶，監測值若超過有效值范圍則剔除，若低于相鄰兩側區間值也應剔除。則最終正常范圍內的剩余數據，即為有效值。分布式電源數據監測及數據的分類，如圖1、2 所示。

圖1 分布式電源數據監測

圖2 分布式電源有效及異常數據分類

自然選擇保留優良基因，進化獲取適合的生存基因，遺傳算法便是模擬自然優劣淘汰、適者生存的規則，通過多次迭代性遺傳、變異、交叉與復制，來獲得問題的最優解[14-15]。該文采用遺傳算法的基本迭代思想，來解決分布式電源的優化配置的實際問題。

在遺傳算法中，需解決映射問題，即“數學建模”，使用分散設定閾值范圍判斷[16-18]。首先將同類型分布式電源電氣監測數據分批歸類處理，統計不同位置電源的容量，以獲取相應的電氣監測數據，對監測數據x(t)與理論輸出數據m(t)進行如上文所述的相關系數計算，得到數值c。最后，與設定閾值相比較，并結合位置、類型和容量等信息，再根據系數分布范圍設定最優的電源分配。

3.2 仿真算例

為檢驗改進時間動態與遺傳算法交叉模型的正確性，為光伏、風電等分布式電源電壓的自適應控制、指導優化能源配置提供有力數據支撐?；贒IgSILENT 仿真平臺搭建典型風機發電系統模型，不考慮系統故障，設定風機發電自然風速是10～14 m/s 的階躍變化風速，檢驗模型的輸出功率是否符合風機輸出的電壓特性。在不同風速下觀察風機模型輸出電壓的波動性及隨機性，同時基于混合算法觀察電壓及其他電氣量的控制水平。運用IEEE14 節點系統模擬電力傳輸網絡，如圖3 所示，再對數據進行最優解尋找。

圖3 IEEE14節點系統圖

基于圖3 所示的原始數據節點架構，采用算法結合方式搜尋最優目標函數，得到分布式電源優化后的最優解，從而根據實際位置、容量等因素配置分布式電源。

給風力發電系統提供10～14 m/s 變化的階躍風速，分布式電源監測數據變化如圖4 所示。

圖4 分布式電源監測數據變化

不考慮任何外在或內在故障因素，在模型中按照風速設定方案添加風速因子，持續運行25 s。分布式電源輸出的并網仿真數據如圖5 所示。

圖5 并網仿真數據1

改變風速因子，基于原方案繼續運行25 s。分布式電源輸出的仿真數據如圖6 所示。

圖6 并網仿真數據2

由上述分析結果可知，在實際的分布式電源優化配置中，安裝位置是初始過程中的主導因素，其可決定光伏等分布式電源的發電效率，所以需要首先考慮位置的影響。而且改變風速因子后，輸出量在一定波動周期后很快恢復穩定輸出，表明提出方法的強自適應性。其次在位置確定后，再確定相應的安裝容量。這樣權衡分布式電源類型、位置與容量，并在此基礎上利用最優目標函數，進一步取得最佳的配置適應度。由屬性權重的最優分配獲得環境成本及網損降低的最優方案，而最優配置方案的魯棒性也更強。

4 結束語

該文提出了以分布式電源類型、位置和容量為目標函數建立基礎因子，并采用改進時間動態算法和遺傳算法優化了分布式電源配置。改進時間算法計算監測數據時間特性，結合遺傳算法優勝劣汰的自然特性，且綜合考慮了位置、容量及類型因素，解決了內在因素及外在干擾條件造成的分布式電源電壓的輸出問題，提高了能源配置的自適應及決策能力，從而達到了最優化配置分布式電源的目的，最終使能源配置效益提高15%。