電力物聯網光伏微網多目標容量配置優化研究

李 明，尹曉宇，董小菱，宮 帥，吳金淦

（1.國網安徽省電力有限公司信息通信分公司，安徽合肥 230061；2.安徽繼遠軟件有限公司，安徽 合肥 230088）

微網采用的是光伏發電，其波動性和隨機性會降低電網運行效率，使得電力系統可靠性降低。儲能介質的引入雖然提高了供電可靠性，穩定了系統波動，提高了光伏系統利用率，但與此同時也大大降低了系統經濟效益。因此，在保證系統可靠運行前提下，選擇合適最優存儲容量是提高系統經濟效益的關鍵。文獻[1]提出了基于虛擬儲能的配置方法，該方法在虛擬環境下構建多目標仿真模型，并使用蟻群算法求解模型，結合算例分析可知，雖然該方法提高了光伏微網調節能力，但其受到地域限制影響，且對設備要求較高，導致配置結果受限條件較多，不具有全面性；文獻[2]提出了基于改進雷達圖模型的配置方法，該方法通過構建光伏光熱單元、變流器、儲能單元結構，分析微網供電可靠性，在確定可靠單元前提下構建多目標容量配置改進雷達圖模型。構建最大化適應度函數，設定約束條件，以最大化適應度函數為目標函數設計優化配置方案。雖然通過實例驗證了該方法能夠求解最優配置結果，但調節負載波動方面性能較差，導致配置結果不可靠。為此，統計影響電力物聯網光伏微網經濟效益的多個目標，設計多目標容量優化配置方案。

1 電力物聯網光伏微網結構分析

充分考慮微網動態變化，兼顧電力系統的需求和電力資源，配置多目標容量儲能方案，提高微網自適應能力[3]。微網結構所有系統單元均經由功率電子裝置連接，匯集在一條公用總線上。整個微網主要采用了光伏+儲能的方式，當微網光伏存儲能力不能支持系統負荷時，需要綜合考慮多個經濟目標來優化配置存儲容量，以此保證系統正常工作[4-5]。

2 多目標容量配置優化策略

2.1 多目標容量優化配置模型構建

2.1.1 運行成本目標

為了實現效益最大化，在不考慮微網自身能量供應的情況下，電力物聯網光伏微網不平衡功率計算公式為：

式中，P發表示發電功率；η變表示變換器運行效率；P用表示用電功率；η逆表示逆變器運行效率[6]。在儲能運行期間內，當ΔP＞0 時，由光伏微網供電；當ΔP＜0 時，由光伏微網+儲能供電。在電價較低時，光伏微網優先提供負荷；在電價中等或較高時，光伏微網+儲能提供負荷[7]。基于該運行思想，只考慮電網功率交互情況，運行成本目標函數為：

式中，z1(t)、z2(t)、z3(t)分別表示電網給負荷供電，同時給出儲能充電運行模式、余電上網運行模式和電網給負荷供電運行模式[8]。對于這三種運行成本，對應的目標子函數為：

式中，p電、p光伏分別表示電網分時電價和光伏上網電價；q用、q發分別表示用電量和發電量[9]。

2.1.2 投資成本目標

為了滿足離網時電力物聯網光伏微網穩定運行，配置了如下儲能容量，表達式為：

式中，QR表示儲能剛性容量；QF表示儲能柔性容量。

根據上述儲能容量滿足條件，構建投資成本目標函數：

式中，z4(t)、z5(t)、z6(t) 分別表示光伏微網運行年成本、儲能系統運行年成本和維護成本[10]。對于這三種投資成本，對應的目標子函數為：

2.1.3 年收益目標

以一年為365 日為例，年收益目標函數為：

式中，z7(t)、z8(t)、z9(t)、z10(t)分別表示每日用戶用電費用、光伏上網費用、微網從電網購電費用、補貼費用[12-13]。對于這四種投資成本，對應的目標子函數為：

式中，p用戶、p光伏、p微網從電網分別表示用戶單價、光伏微網單價、微網從電網購電單價；W用戶、W光伏、W微網從電網分別表示用戶負荷功率、光伏上網功率、微網從電網購入電能功率；p′光伏表示光伏補貼單價；表示光伏出力[14]。

2.1.4 多目標函數及約束條件

以經濟最優為目標，根據需求響應的儲能要求，構建多目標函數：

為了保證微網離網運行時，電力物聯網依然處于穩定狀態，微網多目標容量配置運行時間應滿足如下約束條件：

式中，t離網min表示離網最小時長。為了保證微網內關鍵負荷運行，應在離網最小時長內滿足最小剛性儲能需求。

2.2 改進烏鴉搜索算法的多目標函數求解

使用烏鴉搜索算法進行多目標函數求解時，通過對一群烏鴉覓食過程進行仿真，使得該群體中的所有烏鴉均能給出最優解。因為烏鴉搜索算法是隨機追蹤，所以無法確保烏鴉藏匿食物的位置是最佳地點，因此，使用烏鴉搜索算法存在一定盲目性[15]。為了解決該問題，使用粒子群算法更新烏鴉藏匿食物位置，通過跟蹤某只烏鴉藏匿食物軌跡以更新自身位置。

引入最優粒子群算法的位置，計算公式為：

式中，φ表示隨機數；ω表示位置信息的權重因子；si,t表示烏鴉i在搜索時間t下的位置信息；sbest,t表示烏鴉在時間t下最優位置。

烏鴉在沒有發現跟蹤者的位置，計算公式為：

式中，Li,t表示飛行步長；sj,t表示烏鴉j食物藏匿位置[16]。當飛行步長小于1 時，算法容易陷入局部最優；當飛行步長大于1 時，算法全局搜索能力較強。基于該原理，構建多目標函數：

式中，fmin(Z1) 表示運行成本最小求解函數；fmin(Z2)表示投資成本最小求解函數；fmax(Z3)年收益最大求解函數。多目標容量配置優化策略,評判公式如下：

式中，κ表示當前尋優常數；levyγ表示萊維飛行思想的縮放因子。引入示萊維飛行思想能夠提高全部搜索能力，并在求解集中限制非劣解數目，從而得到最終非劣解；最終，判定是否滿足停止條件（即重復次數達到設置最大）。如果滿足該條件，在多目標容量配置解集中，將會有多只烏鴉再次進入多目標函數的評估，如此循環，直到得到輸出結果最優解。

3 實 驗

3.1 實驗數據

在實驗過程中，以上級電網節點為平衡節點，該節點一般位于區域變電站中。由于沒有考慮變電站的容量，所以不需要將平衡節點納入光伏微網供電范圍內。設置參考功率是100 kVA，參考電壓是0.4 kV，由此構建的微網模擬結構如圖1 所示。

圖1 微網模擬結構

微網由25 kW燃氣輪機、5 kW風力發電機、10 kW燃料電池組成。

在同時滿足上述所有負荷參數的情況下得到的理想光伏負荷曲線如圖2 所示。

圖2 理想光伏負荷曲線

由圖2 可知，在0-6 h、20-24 h 電價較低；6-8 h、12-20 h 電價中等；8-12 h 電價較高。在低電價期間，采取由電網給負荷供電模式；在中高價期間，采取由光伏和電網共同供電模式。光伏功率最大值為80 kW，電網功率最大值為48 kW，在不同期間下，采取這兩種供電模式能使配置儲能容量達到最小，經濟效益最高。

3.2 實驗結果與分析

分別使用基于虛擬儲能的配置方法、基于改進雷達圖模型的配置方法和所研究方法，對比分析光伏負荷曲線是否達到理想狀態，如圖3 所示。

圖3 不同方法光伏負荷曲線對比分析

由圖3 可知，使用基于虛擬儲能的配置方法光伏功率最大值為60 kW，電網功率最大值為60 kW，且光伏負荷曲線與理想光伏負荷曲線不一致；使用基于改進雷達圖模型的配置方法光伏功率最大值為50 kW，電網功率最大值為82 kW，且光伏負荷曲線與理想光伏負荷曲線不一致；使用所研究方法光伏功率最大值為80 kW，電網功率最大值為48 kW，且光伏負荷曲線與理想光伏負荷曲線一致，達到了配置儲能容量最小的效果。

為了進一步驗證多目標容量配置優化策略研究可靠性，對比三種方法的配置效益，如表1 所示。其中，總計（萬元）=年收益-運行成本-投資成本。

表1 三種方法配置效益對比分析

由表1 可知，使用所研究方法優化了配置方案，總收益比理想收益高1 410萬元，具有較高經濟效益。

4 結束語

充分考慮經濟效益，構建多目標效益最高配置函數，使用烏鴉算法求解時，為了解決烏鴉算法的盲目性，引入了粒子群算法，使獲取的解達到全局最優。通過實驗分析，驗證了該配置方法的可行性。在后續研究進程中，將光伏微網多目標容量的確定轉換成優化規劃問題，既考慮了電壓限制，又考慮了網絡損耗，通過對目標函數的近似線性變化迭代，滿足容量配置剛性需求。