PSO/GA融合算法的風力和光伏發電與儲能配置方法

摘 要：鐵路是電能消耗的重點行業。我國“雙碳”目標的提出，為鐵路行業推進其自身能源結構調整，尤其是風光能儲等新能源技術的引入提出了現實需求。風光能儲系統在鐵路電力供電系統中的設置方案是急待解決的問題。受風光能儲系統設置方案的決定，系統在全生命周期內的成本也成為制約該系統在鐵路中推廣應用的關鍵因素之一。本文從成本角度出發，以潮流計算為基礎，運用粒子群及遺傳算法，以Matlab軟件中IEEE9節點系統為工具，研究了鐵路電力供電系統中風光能儲系統接入位置、容量配置、運行策略的配置方法。

關鍵詞：鐵路電力；風光能儲裝置；遺傳算法；粒子群算法

中圖分類號：TM615 + .2；TP391 文獻標志碼：A 文章編號：1001-5922（2025）03-0138-04

Wind power and photovoltaic power generationand energy storage configuration methodof PSO/GA fusion algorithm

TIAN Shiji，KANG De

（China Railway Electrification Bureau Design and Research Institute，Beijing 100166，China）

Abstract：Railways are a key sector for electricity consumption. The proposal of China's \"dual carbon\" goal hasput forward a realistic demand for the railway industry to promote its own energy structure adjustment， especiallythe introduction of new energy technologies such as wind， solar， energy and storage. The installation scheme of windand solar energy storage system in railway power supply system is an urgent problem to be solved. Due to the deci?sion of the setting scheme of the wind and solar energy storage system， the cost of the system in the whole life cyclehas also become one of the key factors restricting the promotion and application of the system in the railway. Fromthe perspective of cost， based on power flow calculation， particle swarm and genetic algorithm were used， and takingthe IEEE9 node system in Matlab software as a tool， this paper studied the configuration methods of wind and solarenergy storage system access location， capacity configuration and operation strategy in railway power supply system.

Key words：railway electric power；Wind and solar energy storage devices；genetic algorithm；particle swarm algo?rithm

為應對全球氣候變化問題，中國已提出“雙碳”目標。因此，以風力發電、光伏發電為代表的可再生能源，已成為未來能源系統建設的必然趨勢。同時，儲能系統所具備的響應速度快、控制靈活的特點，可以有效解決風力及光伏發電并網及消納的技術需求，減小分布式電源并網對鐵路電力系統的沖擊，保持系統穩定。鐵路電力系統主要負責向其區間及車站信號、通信等行車負荷供電，同時負責向沿線其他生產、辦公、生活設施用電負荷及旅客出行服務用電負荷供電。上述用電負荷可以為“風光能儲”設施提供電能消納空間。鐵路沿線路基、橋梁、站房等大型建筑物屋面、雨棚、車站空地，為風光能儲設施安裝提供了空間資源。因此，充分利用鐵路的自有空間資源，在既有電力供電系統的基礎上開發建設風光能儲系統，可為鐵路提供可再生電力供給減少能耗，尤其是在2部制電價制度基礎上，利用削峰填谷措施，合理優化分布式發電系統出力，從而進一步降低鐵路用電成本。同時，在公網薄弱地區合理的設置“風光能儲”設施，也可有效提高鐵路供電系統可靠性。

1 系統結構

1.1 傳統鐵路電力系統

當前，我國鐵路電力供電系統普遍采用由公網接引電源，自建10 kV供電網的模式。系統于鐵路用電較為集中的車站設置10 kV配電所，各10 kV配電所間距一般為40 km左右，配電所由公網接引10 kV電源，配電所之間由其饋出的10 kV電力貫通線聯接，車站及區間負荷由車站配電所或10 kV貫通線接引電源供電 [1] 。

1.2 引入分布式發電系統后的鐵路電力系統

典型的分布式發電裝置系統由風力發電機、太陽能電池、儲能裝置等設施及其配套的整流、逆變、控制等裝置組成。

在鐵路電力供電系統中，分布式發電裝置可以同時或單獨設置于系統中配電所或沿線用電負荷供電設備位置。新系統中配電所由電網購入電能，向沿線用電負荷供電；風力發電及太陽能發電裝置可以向公網、傳統的鐵路電力供電系統及儲能裝置輸出電能；儲能設備則存在充/放電2種工況。

本文以傳統的鐵路電力供電系統為基礎，引入風光儲分布式發電裝置，形成新的鐵路電力供電系統。新系統以運營成本最低為目標，以潮流計算為基礎，綜合運用優化后的粒子群算法、遺傳算法，采用Matlab軟件中IEEE9節點系統為工具 [2] ，針對鐵路電力供電系統中風光能儲系統接入位置、容量配置、運行策略等問題開展研究。

2 模型的建立及優化

考慮到風力和光伏及儲能系統中的配置，采用經濟性指標作為不同系統方案的評價，最終取經濟費用最少，作為風光能儲能系統接入位置和容量配置的最佳方案。

2.1 目標函數

目標函數選取為系統日內總成本，主要包括鐵路電力供電系統的電網損耗費、負荷用電費、儲能系統提供無功功率費、儲能充電費及儲能成本。

2.3求解算法

2.3.1 求解流程

鐵路電力供電系統中，增設分布式風光能儲發電系統，保障系統安全性和穩定性；需要多目標非線性整數規劃進行優化配置分布式風光能儲發電系統，優化配置包含分布式風光發電系統及儲能單元的接入位置、儲能單位容量及運行策略 [5-6] 。將多目標優化求解問題轉化為雙層策略求解，這樣求解難度將極大的簡化。因此，算法求解采用雙層策略進行優化求解。外層求解目標選取儲能單元的接入位置、容量，求解參數為離散化整數，宜采用遺傳算法優化求解；內層優化為系統日內運行成本最低，在外層求解確定儲能單元容量，內層求解利用約束條件，通過粒子群算法和二階錐潮流計算，確定最優運行策略，使得系統日運行成本最??；然后，將內層結果反饋給外層，進行遺傳算法交叉、變異運算，確定儲能單元接入位置。這樣反復迭代比較，最終確定系統分布風光能儲存與發電系統最優配置和運行策略 [7-8] 。

2.3.2 粒子群算法

粒子群算法（PSO）[9] 是一種群體相互協作的搜尋算法。對一群粒子進行隨機初始化，通過粒子迭代的方法，最終尋求得最優解。每個粒子在參數設置時，需包含有兩個參數，分別為速度和位置。每個粒子單獨在空間中搜索最優解，對所粒子的最優解共享，找出整個群體最優解，判斷是否符合參數設置要求，滿足要求停止搜尋；不滿足要求，這次最優解作為整個粒子群的全局最優解，進行下一步迭代，反復迭代直到搜尋到最優解為止。

2.3.3 遺傳算法

遺傳算法（GA）是模擬生物進化論的計算模型，對自然界生物進化過程的模擬進行搜尋最優解。算法首先進行種群編碼的初始化；計算個體的適配度選取最優個體，組成最優種群，進行優勝劣汰；對最優種群進交叉、變異進行下一代迭代，根據適配度選擇個體，最后得到最優解 [10] 。

3 算例及結果分析

3.1 實際供電系統

供電系統為鐵路10 KV貫通線，選擇9節點配電系統，采用環網接線方式，其中1號節點為外電電源接入，其他節點處均接入負荷?，F考慮1～9節點最多一個節點接入風光能儲存發電裝置。

3.2 參數設置

風光發電系統選擇典型日的出力圖，采樣間隔為1 h。出力情況如圖1所示為典型日光出力曲線圖，如圖2所示為典型日風出力曲線圖。

電價選擇我國某地區的分時段電價，具體每千瓦時分時電價：00：00-08：00，為0.32元；08：00-11：00，為0.65元；11：00-18：00，為0.52元；18：00-22：00，為0.65元；22：00-24：00，為0.32元。

儲能單元選擇鉛酸電池組，放電深度可以達到75%，循環次數可達2 500次 [11-12] ，其他仿真相關參數選取 C p 為700元·kW -1 ； C m 為600元·kWh a。

3.3 仿真結果

采用雙層優化模型求解，在外層采用遺傳算法最大20次，其中交叉率為0.85，變異率為0.06，最終在內層粒子群迭代60次，種群在5次數，得到日最佳配置方案：風光分布儲能接入點在6節點，接入儲能容量為2.16 MVA。

圖3表示風光分布儲能系統平均日成本最小隨迭代次數的變化曲線，在迭代次數17次后處于收斂狀態，日成本最小為3 995元。

圖4為典型日分時系統運行有功功率狀態分布。

通過圖5可知，在分時電價低，與分布式風光發電系統出力高時，儲能單元充電。分時電價高時，儲能單元在放電。儲能單元運行策略錯峰利用電價峰谷差額，與分布式風光發電系統出力情況，綜合來減小系統運行成本。

根據典型日分時用電負荷，計算典型日用電費用為5 024元，與典型日添加分布式分光能儲存發電裝置日最小成本3 995元相比，系統加入分布式分光儲發電裝置節約了耗電成本 [13-14] 。根據一次投資成本，按照典型日成本節約計算，一次投資成本約第10年收回。

4 結語

本文針對鐵路電力供電系統接入風力和光伏發電及儲能裝置，系統存在對風光能儲接入位置、儲能容量和運行策略的最優問題研究。通過運用粒子群算法和遺傳融合算法進行雙層優化求解，解決風光儲接入位置、儲能容量選擇和運行策略。

【參考文獻】

[1] 國家鐵路局. 鐵路電力設計規范：TB 10008—2015[S]. 北京：中國鐵道出版社，2016.

[2] 高明杰，惠東，高宗和，等. 國家風光儲輸示范工程介紹及其典型運行模式分析[J]. 電力系統自動化，2013（1）：59-64.

[3] 童鑄，歐仲曦，劉超等. 遺傳算法優化粒子群的分布式光伏并網控制方法研究[J]. 自動化儀表，2023，44（10）：39-43.

[4] 陳磊，牛玉剛，賈廷綱. 基于主從博弈的多微網能量調度策略[J]. 電力系統保護與控制，2020，48（19）：35-42.

[5] 王玨. 分布式光伏并網對10 kV城市配電網線損的影響研究[J]. 現代工業經濟和信息化，2023，13（9）：308-310.

[6] 牛瑞杰，郭俊文，李曉博，等. 風光儲聯合發電系統儲能控制策略[J]. 熱力發電，2020，49（8）：150-155.

[7] 魏欣榮，吳俊勇，丁然，等. 基于光伏重心理論的配電網分布式光伏最大準入容量計算[J]. 電網技術，2023，47（11）：205-221.

[8] 張濤，楊建華，靳開元，等. 基于Stackelberg博弈的配電網分布式光伏低碳化消納方法[J]. 電力自動化設備，2023，43（1）：48-54.

[9] 王成山，王守相. 分布式發電供能系統若干問題研究[J].電力系統自動化，2008，32（20）：1-4.

[10] 曹佳，曹建國，胡家喜，等. 考慮需求響應的多目標概率最優潮流問題研究[J].控制與信息技術，2019（2）：32-39.

[11] 趙爭鳴，雷一，賀凡波，等. 大容量并網光伏電站技術綜述[J]. 電力系統自動化，2011，35， （12）：101-107.

[12] 武昭原，劉婧宇，周明，等. 分散決策下分布式光伏儲能系統外部性價值量化評估[J]. 電力系統自動化，2024，48（5）：43-52.

[13] 王一波，許洪華. 基于機會約束規劃的并網光伏電站極限容量研究[J].中國電機工程學報，2010，30（22）：22-28.

[14] 謝娜，吳蘇朋. 基于BA-BP網絡構建的企業升級與創新指標參數預測分析[J]. 粘接，2023，50（9）：151-154.

（責任編輯：張玉平）