基于改進遺傳算法的源網荷儲協同控制方法

闕凌燕, 蔣正威, 楊力強, 盧 敏

(1. 河海大學 計算機與信息學院, 江蘇 南京 210024; 2. 國網浙江省電力有限公司 調控中心, 浙江 杭州 315010; 3. 國網湖州供電公司 調控中心, 浙江 湖州 313000)

隨著分布式電源的滲透率逐年升高以及大規模儲能電站的接入,傳統的“無源”配電網逐步向“有源”轉換[1]。由于分布式電源中疊加了多種不可控負荷波動,“有源”主動配電網中的潮流特征將發生顯著變化,易產生線路過壓過載、短路電流越限等問題,進而使配電網優化控制面臨巨大挑戰[2-3]。同時,相應的保護配置相比于“無源”配電網也更為困難。因此,如何改善主動配電網中“源儲網荷”的優化調度,是提高配電網運行效率,實現最優運行亟待解決的問題[4]。

目前,國內外對于源儲網荷的優化調度已有諸多研究,且成果頗豐。劉曉宇等[5]利用多維小波分解調頻信號頻譜,并結合電路結構形成微分方程,以消除電力系統各區域的調頻控制偏差,從而實現多源橫向互補與源網荷儲縱向協調。XU等[6]提出了一種針對多微網主動配電網優化運行的雙層控制策略,利用上層模型的共識算法結合下層模型最低運行成本的優化目標,有效實現對上級控制命令的跟蹤。KONG[7]針對電力系統源網荷可控背景下供電能力評價問題,提出一種考慮主動控制成本的配電網多目標供電能力評價方法,實驗結果展示了方法的有效性和改進算法的性能。姜濤等[8]提出一種計及光伏出力的主動配電網電壓分布式優化控制策略,以節點電壓偏差、光伏削減量和網損最小為目標,采用二階錐松弛技術結合交替方向乘子法有效解決配電網電壓越限及網損過大問題。

上述方法雖然對電網源網荷儲的優化控制取得了一定的成果,但并未充分考慮分布式能源發電和柔性負荷存在的波動,因此調度策略的普適性仍有待提升。為此,提出了一種基于改進遺傳算法的源網荷儲協同控制方法,其兼顧系統運行成本與新能源消納,構建了相應的優化目標,并設計改進了遺傳算法,得到最佳的控制模式,從而實現源網荷儲的合理配置,提高系統的運行效果。

1 源網荷儲協同控制模型

新型電力系統包含了大量分布式能源發電系統以及可調節的儲能與負荷,故通過合理的控制策略能夠實現源網荷儲的協同優化,從而保證系統運行的經濟穩定性[9-10]。系統的整體架構如圖1所示。

圖1 源網荷儲協同優化系統架構Fig.1 Cooperative optimization system architecture of source network load storage

各單元的主要作用如下:

1) 源。通過調控分布式電源在時間和地域上的輸出電量,能夠實現區域內能源的互補,削減功率變化對系統造成的影響,提高可再生能源的利用率。

2) 網。結合系統實時運行情況及以往數據,利用高性能的控制方法調配網內資源,以保證電網的最優運行。

3) 荷。作為系統的末端,可利用分時電價等方式激勵用戶優化用電模式,以縮減用電成本,同時緩解系統不平衡的電力壓力。

4) 儲。根據系統的協同調度迅速完成裝置的充放電功率調整,其響應耗時極短,能夠實現長期的削峰填谷及“低儲高發”,進而提升系統運行的經濟性。

由于源、荷、儲數量多且分布分散,因此在系統終端配置邊緣計算節點進行數據的初步統計和建模,如光伏出力、儲能充放電量等。同時將邊緣節點的數據上傳部署在網內的云計算平臺,通過智能優化算法實現源網荷儲的協同控制,主要是為了實現能源消耗及儲能損耗最小、系統運行更加經濟與環保的優化目標。

1.1 目標函數

源網荷儲協同優化的目的在于實現系統綜合運行成本最小化,以及最大化減少棄光、棄風量。運行成本包括能耗成本、污染物排放懲罰成本CΩ、需求側響應成本CDR、儲能損耗成本CES等。目標函數的數學表達式為

(1)

式中:CPV,M為光伏和風力的發電成本;CF為火電機組的能耗成本;PPV,PM分別為光伏、風力的輸出功率;CΣ,F分別為成本總和,棄光、棄風量總和;T為時長。

1.1.1 能耗成本

系統能耗成本主要為風力、光伏的發電成本以及火電的能耗。其中,t時刻光伏出力PPV(t)的數學表達式為

(2)

式中:P0為光伏機組的額定輸出功率;S(t)、S0分別為t時刻接收的光照強度和標準光照強度;κT為溫度系數;θ(t)、θ0分別為t時刻環境溫度及標準環境溫度。

同樣,風機機組的輸出功率PM可表示為

(3)

式中:rM為風機葉片的半徑;ηM為風能轉化率;v、ρ分別為風速與空氣密度。因此,光伏與風力發電的成本計算表達式為

(4)

式中:CPV、CM分別為光伏、風力機組單位發電量的成本電價;NPV、NM分別為光伏及風力機組的數量。

而火電機組的能耗成本CF表達式為

(5)

式中:NF為發電機組數量;Pit為i機組在t時刻的出力;ait為機組出力的決策量,0代表不出力,1則代表出力;CS,it、CP,i分別為機組啟動與出力時的能耗成本。

1.1.2 需求側響應成本

需求側響應即當供電系統供需不平衡時,用戶側根據電價調整以及負荷補償來改變原先的用電方式,以響應系統調度并保障電網短時間內的可靠運行[11]。需求側響應成本CDR的表達式為

(6)

1.1.3 儲能損耗成本

儲能裝置在網內的作用是平抑與補償分布式能源所造成的波動,進而保證電網平穩運行[12-13]。該裝置的使用壽命受諸多因素的影響,例如充放電次數、環境溫濕度等,而充放電深度則為決定性因素。此外,儲能裝置成本大致由固有投資及運維費用所組成,其中運維費用可以看作一個常數。因此,儲能裝置成本僅考慮固有投資與其使用壽命間的關系,裝置進行一次充放電所消耗的成本C0表達式為

(7)

式中:CES、Nt分別為裝置的固有投資與使用壽命;α1和α2、DoD分別為充放電系數及充放電深度。

綜上,網內所有儲能的損耗成本CES可表示為

(8)

式中:NES為儲能裝置數量;C0,it為i儲能裝置在t時刻的損耗成本;QES,i為裝置的存儲容量;Qit為i儲能裝置在t時刻的放電量。

1.1.4 污染物排放懲罰成本

火電是系統內污染物的主要排放源,污染物包括CO2、SO2以及含氮化合物等,而排放均需承擔相應的環境懲罰成本。排放懲罰成本CΩ的計算表達式為

(9)

式中:λki、βki、υki均為機組污染物排放量與出力間的關系系數;ρk為污染物懲罰成本與排放量的關系系數;sit為機組運行中污染物排放量的影響因子,一般在0.8～1.3之間。

1.2 約束條件

約束條件主要考慮系統功率平衡、儲能裝置容量、可調負荷等。主要約束表達式如下:

1) 系統功率平衡約束表達式為

PMt+PPVt+PDRt+PESt=PLt

(10)

式中:PDR為需求側響應值;PES為儲能裝置的輸出功率;PL為負荷需求電量。

2) 儲能容量約束。為保證儲能裝置的壽命,應避免過充過放,故需將其電量控制在一定范圍內,控制表達式為

(11)

式中:Qmin、Qmax為儲能裝置的最小、最大電量;τ為剩余電量每小時的損失率。

3) 柔性負荷約束表達式為

(12)

2 協同控制模型求解方法

針對所構建的雙目標優化模型,傳統方法存在無效支配解的問題,故提出一種基于雙層嵌套優化結構的求解方法,同時利用混沌算法對遺傳算法加以優化,并用于單一目標問題的求解,從而獲得最佳控制方式。

2.1 改進遺傳算法

遺傳算法擅長在全局范圍內搜索,使得算法不易陷入局部最優且收斂較快[14]。但其存在局部搜索能力差的問題,尤其是后期搜索能力降低會導致早熟收斂[15-16]。針對上述不足,利用混沌算法對該算法加以改進。將適應度值較小的個體進行混沌優化,不僅可以豐富種群,還能夠縮減進化次數,從而加快尋優速度。

所提方法的混沌優化迭代方式采用帳篷映射[17-18],映射計算表達式為

(13)

改進遺傳算法的具體流程如下:

1) 初始化網絡參數,設置種群大小M、混沌優化步長的調控因子φ、最大迭代次數G。

2) 根據適應度函數計算所有個體對應的函數值,并判別其是否早熟,判別計算表達式為

(14)

3) 當進化次數超過G/2時,則對種群進行混沌優化;否則,跳轉步驟4進行個體選擇。

4) 結合混沌優化進行選擇操作,新個體X′n計算表達式為

(15)

式中:ζ為人工退化影響因子;λ為混沌擾動算子。

5) 在交叉變異操作中,改進自適應交叉概率pc及變異概率pm的表達式為

(16)

(17)

式中:pcmax、pcmin分別為交叉算子的最大值和最小值;pmmax、pmmin分別為變異算子的最大值與最小值;σ1=pcmax-pcmin;σ2=pmmax-pmmin。

同時,交叉和變異方式分別可表示為

(18)

(19)

式中,δ1、δ2分別為系統和混沌算法產生的隨機數。

6) 不斷進行迭代優化,直至滿足終止條件,即達到最大代數或適應度函數值小于設定值,便可獲得當前最優解;否則,轉至步驟2)。

2.2 所提協同控制模型求解方法

3 實驗結果與分析

基于Matlab仿真平臺,以IEEE33節點系統為例,選擇5個節點隨機設置為光伏、風電,2個節點設置為可控負荷,3個節點設置為儲能,如圖2所示,其中0為大電網連接點。

圖2 IEEE33節點系統配置結構Fig.2 Configuration structure of IEEE33 node system

系統電壓為12.66 kV,額定功率則為10 MVA。光伏與風電機組均在最大功率點跟蹤模式下運行,兩者的容量分別為1 MW、1.5 MW,而儲能的最大充放電功率為0.5 MW。此外,相關參數設置為:κT=0.85,θ0=25 ℃,CPV=0.29元/kW,CM=0.45元/kW,εa=1.07,εb=0.95,α1=α2=0.9、DoD=0.8,λki=0.782 kg/kW,βki=0.035 kg/kW,υki=0.006 kg/kW,ρk=0.009元/kW,其他參數均采用默認值。系統日運行結果如圖3所示。

圖3 系統日運行結果Fig.3 Daily operation results of system

結合圖3可明顯看出電網負荷的時間特性:用電高峰出現在10點至21點范圍內,用電低谷出現在午夜與凌晨;而光伏發電主要集中在白天;風力發電存在隨機性且夜晚的輸出功率更大。

3.1 優化控制結果

將改進遺傳算法的參數設置為:pcmax=0.9,pcmin=0.6,pmmax=0.01,pmmin=0.001,最大迭代次數為200次。日內優化控制的目標為運行成本及棄風棄光量最小。因此,采用所提方法來優化系統的運行方式,得到的協同控制結果如圖4所示。其中控制周期為15 min,且一天內共有96個控制計劃。

圖4 協同控制的調度結果Fig.4 Scheduling results for cooperative control

由圖4可知,在5時～7時、12時～18時這兩個時間段,風電與光伏的聯合輸出恰好能夠滿足負荷的電力需求,故系統無須購電及售電。而在深夜、凌晨的大部分時段,風力發電均超出負荷需求,因此對儲能進行充電,并向電網售電。而在18時～22時,風力和光伏聯合發電無法滿足負荷需求,所以儲能裝置進行放電,并為負荷供電,同時利用電價等因素調整負荷需求量。通過圖3～4的對比可看出,優化前的負載曲線存在顯著的峰谷差異,而優化后負荷曲線較為平穩,說明實現了削峰填谷的目的。

經過協同優化控制后,系統運行呈現出明顯的削峰填谷趨勢,其源網荷儲控制結果如表1所示。

表1 源網荷儲協同控制結果Tab.1 Cooperative control results of source network load storage

由表1可看出,優化后的棄風棄光量僅為0.872 MW,對比優化前降低了54.72%。原因在于,優化后的系統提高了分布式能源的利用率,從而減少了火電使用量,因此能耗及污染物的排放量均有了一定的減少,具體體現在能耗成本與CΩ上,二者分別下降了1.074萬元與0.108萬元。但由于分布式發電需要更多的儲能作為支撐,導致系統的CES明顯增加,達到了0.452萬元。同時,協調柔性負荷也增加了系統的運行成本。綜合來看,系統運行成本整體下降了23.15%,從而證明了所提方法的有效性。

3.2 不同方法的控制結果分析

為了驗證所提方法的性能,將其與無優化控制方法以及文獻[6]、[8]中的控制方法進行對比。各系統運行成本對比如圖5所示。

圖5 不同方法系統運行成本日變化情況Fig.5 Daily change of system operation cost with different methods

由圖5可知,相比于其他方法,所提方法的系統運行成本及波動均為最小。這是由于算法結合光伏、風力發電量與系統運行成本構建了優化目標,并利用雙層嵌套優化結構疊加改進遺傳算法進行求解,從而獲取最佳的控制方案,再通過協同控制實現系統的經濟運行。本方法在協同調度時,系統運行成本總體較為平穩,原因是儲能的高效投退和柔性負荷的調整,使得全網能源得到了合理的利用,且有效平抑了峰谷差。而無優化控制方法運行成本波動較大;文獻[6]、文獻[8]均采用了優化方法,雖能在一定程度上減少系統的運行成本,但缺乏運行成本及分布式能源利用率的協同考慮,故控制效果不理想。

通過系統24 h的運行分析,利用不同方法得到的運行成本以及棄風棄光量如表2所示。

表2 不同方法的協同控制結果Tab.2 Cooperative control results of different methods

由表2可以看出,文獻[6]采用的雙層控制方法更側重于系統的經濟性,因此運行成本較優化前下降了14.48%,但對分布式能源的利用效果不佳,僅提高了2.54%。文獻[8]采用二階錐松弛技術結合交替方向乘子法求解以光伏削減量、網損最小為目標的控制模型,故棄風棄光量較小,且使用率提升到了46.26%,但由于缺乏系統經濟性的考慮,其系統運行成本達到了2.982萬元。相比之下,所提方法兼顧了分布式能源的利用率和系統的運行成本,取得了較為理想的運行結果,棄風棄光量和運行成本僅為0.872 MW及2.330萬元。由此表明,本方法所提協同控制方案具有顯著優勢,能夠為新型電力系統的可靠運行提供科學指導。

4 結 論

本文基于改進遺傳算法提出了一種源網荷儲協同控制方法,以減少系統的運行成本和波動。構建了運行成本、棄風棄光量最小化的目標模型,并設計了融合雙層嵌套結構與改進遺傳算法的高效方法進行求解,從而得到系統協同控制模式。系統模擬運行結果表明,優化后系統的棄風棄光量和運行成本均明顯下降,經濟與社會效益顯著。雖然本方法取得了明顯的成效,但也存在不足之處。例如在構建優化模型時僅分析了能源的時間特性,并未涉及空間特性,而能源協調還需考慮供需雙方的距離。因此在未來的研究中,將同步考慮能源的空間特性,以提高控制方法的實用性。