基于風光互補的可再生能源優化配置及協調運行控制方法研究

傳統化石能源的大量開采加劇了環境污染與能源危機，推動可再生能源開發利用成為新趨勢。風能、太陽能以其取之不盡、分布廣泛的優勢，展現出廣闊的發展前景，裝機容量持續攀升。然而，作為間歇性能源，風能與太陽能存在不穩定性、分散性等問題，若協調規劃不足，極易導致電力送出受限、消納能力下降，造成棄風棄光現象。因此，在可再生能源配置中，需基于風光互補的最佳容量配置，實施協調運行控制，提升資源利用的穩定性，為優化能源結構提供支持。

一、風光資源特性分析

（一）風電資源特性

風電出力月際變化大，夏季出力最低，主要是風速較小，特別是 7～8 月份，出力波動平穩；冬季出力最高，受冷空氣影響風速不斷變化，增加出力波動性，見圖1。各月日均出力變化趨勢相近，即凌晨3h出力小高峰，早上8h出力谷值；下午17h 出力達高峰，總體波動性大[。尤其是日變化率方面，傍晚和中午時段變化率顯著，出力小高峰呈現鋸齒狀波動，而大高峰則因平滑效應作用，其電量變化率得以降低。

（二）光電資源特性

光電出力存在季節性差異，相比風電出力波動性較低，表現出夏季出力小、冬季出力大特點，能量利用率較低。3月是光電最高峰，9月是最低谷，出力季節變化與相關光照強度不呈正比，表明其處理不僅受光強影響。根據光伏發電機組特性，其發電出力和機組溫度負相關，夏季溫度過高折損組件功率，且降雨天氣較多，降低整體出力[。而在光電日處理中，受溫度、光照影響較大，白天出力呈“拱橋狀”，晚間不出力， 14～16h 時間段峰值集中。光電出力還受云遮擋、組件損耗、衰減等因素影響，出力不確定性較大。

圖1典型年月風電月均出力特性

二、基于風光互補的可再生能源優化配置

（一）容量配置模型

風光互補能力受多種因素影響，系統容量變化將會影響風光輸出功率，進而影響互補性，需構建容量配置模型。容量配置中，以最佳配置獲得最大風光互補效果，要求反映整體出力效果，以標準差對數據平穩性進行描述。公式如下：

其中， δ 是標準差； N 是數據集采樣點數量； Π_x^- 是數據均值； x_i 是采樣點數值。數值越大，代表平均值與數據偏差較大，平穩性不足；相反，則平穩性良好。為實現容量優化配置，以標準差為準，互補率為指標，描述風光出力互補度，明確最佳容量配置。互補率計算公式如下：

其中， Ψ_A ！ δ_B 分別是互補容量最大占比資源、風光資源聯合互補整體功率輸出標準差，確定λ互補率取值（-1]。互補率越大，輸出功率標準差越低，互補程度越好。互補率低于0，代表風光互補后，加劇功率輸出波動性，減弱了資源互補性。并以互補率為指標，考慮年綜合運行效率，確定模型目標函數與優化條件。目標函數包括投資成本、維持成本、更換成本及碳排放效益。約束條件包括負荷缺電率、電源功率容量、系統荷電狀態等。

（二）多目標優化

黏菌優化算法（SMA，SlimeMouldAlgorithm）通過接近、包圍、振蕩覓食這三個階段處理問題，魯棒性與求解精度良好。但是，在實際問題解決中，受邊界條件制約，部分黏菌容易超出邊界，影響算法收斂效果，且黏菌以指數形式降低，不利于算法尋優。立足傳統SMA算法，對其進行改進，具體說明如下：

1.邊界條件

SMA設置上下邊界值，距離全局最優較遠，以隨機系數對黏菌尋優進行影響，拓展尋優空間；反之，以最佳適應度對其進行影響，使其迅速靠攏至最佳位置，加快收斂。

2.引入逼近準則

Levy作為隨機游走準則，能夠將大步長移動穿插至小步長移動中，提高全局搜索效果，增加全面搜索范圍，加快個體年均逼近最佳值速度。

（三）配置設定

根據風光出力特性可知，不同季節風光出力強度不同，容量配置盡管在初期設定為固定值，卻考慮實際運行四季循環，為保證各季節發揮風光互補作用，滿足目標函數與約束條件下，以互補率進行判斷，確定最佳配置。以時間尺度劃分四季，確定不同季節互補與容量配置關系，按照春冬、秋夏方式劃分。

春、冬季節互補性較低，對容量配置要求高。伴隨風光容量配置變化，互補率先增加、后降低，存在峰值，即實際運行需控制風光設備容量比例，方能達到目標輸出功率。例如，春季互補率峰值時，風光容量比 0.75～0.85 ，光伏容量較多；冬季則是 1.7～1.9 ，風機較多，主要是春季光伏資源更多，更能調節系統互補效果。

夏、秋季節互補性良好，互補率始終處于上升狀態，主要是夏、秋風光資源充足，24h風能始終存在，可彌補太陽能夜晚消失、白天存在的缺陷，使得風能成為主要互補資源。根據整體互補率與容量配置變化，控制配置比例在 0.85～1 范圍，除春季互補率有所降低，其他季節呈上升趨勢，可在春季降低風電容量投入，合理利用風光互補性。而其他季節，更多投入至風電運行，平緩備用電力出力，提高風光利用率。例如，以風電機組為小型系統供電，減少投入容量，調整風光容量配置，達到最佳互補率運行模式。

三、基于風光互補的可再生能源協調運行控制方法（一）系統架構設計

風光互補確定能源容量配置后，為提高可再生能源利用率，構建“預測一決策一執行”協調運行控制系統架構。

預測層負責預測短期風光功率，集成多源異構數據，包括風速、風光出力數據等，利用堆疊泛化（Stacking）方式處理數據，輸出短期功率預測序列。

決策層根據系統狀態與預測情況生成優化調度指令，通過總線將數據匯集至中控，以改進蜣螂算法進行協調控制。

執行層要求控制器迅速響應，精準控制設備輸出功率。

（二）短期功率預測

1.數據預處理

風光互補協調運行中，選取風電歷史輸出功率、氣象數據等，2024年1月至10月，每隔 15min 采樣1次，數據共64320組。異常數據直接用于功率預測，將會對模型精度造成干擾，采取K近鄰（KNN，k-NearestNeighbor）算法，確定各數據“鄰居”數量及其距離，設定閾值判斷其是否異常，減少數據不匹配情況。

2.搭建預測模型

風光互補協調運行中，單一預測模型存在欠擬合、過擬合等風險，準確度不一。而Stacking集成學習模型能夠對各模型取長補短，設置2層結構，1層是基學習器模型，將2個及以上學習器融合；2層是元學習器，設置簡單線性算法，強化學習效果。針對風光發電功率序列存在較大波動情況，先以變分模態分解（VMD，VariationalModeDecomposition）分解發電功率序列，后以Stacking預測。步驟如下：第一步，將功率序列分解為k個分量，對功率子序列進行Hilbert變換，獲得單邊頻譜，添加中心頻率修正；第二步，計算梯度范數平方，計算相應負荷子序列極頻帶寬，構建帶約束變分模型，以傅里葉等距變換，對其求解；第三步，以Stacking開展訓練預測，對比測試集預測值、實際值均方差，判斷模型預測性能，獲得輸出結果。

（三）實時協調控制

在風光互補功率優化調度中，為保證供電可靠安全，設置功率平衡、儲能電池、風光出力約束，立足改進蜣螂算法對其進行求解優化。蜣螂算法兼顧局部與全局搜索能力，卻易陷入局部最優，以Levy飛行對個體擾動，增強算法須有全局搜索能力。步驟如下：一是蜣螂滾球。蜣螂根據預定目標，尋找最佳解，不斷滾球更新位置。二是蜣螂跳舞。蜣螂遇到障礙，跳舞尋找新方向，以切線函數建模。三是蜣螂繁殖。蜣螂達到安全地方，則會在邊界范圍內產卵，確定上下限值。四是蜣螂覓食。蜣螂成年先出來覓食，構建覓食區，引導其他蜣螂全局尋優，保證數據服從正態分布。五是蜣螂偷竊。部分蜣螂將其他糞球偷竊過來，更新位置，確定全局最佳位置。蜣螂個體更新，以Levy飛行更新位置，跳出局部最優，確定最佳協調控制方法。

四、應用效果分析

以某風光互補項自為例，為發揮風光互補優勢，按照上述流程配置容量，確定部分單元經濟、工作參數，見表1。

表1部分單元經濟與工作參數

選擇晴天、雨天、多云光伏發電數據輸入至Stacking模型內進行預測，結果見表2。由此可見，預測模型數據擬合度高，以此開展協調控制，可提高控制可靠性。

表2不同天氣預測光伏發電功率

五、結論

綜上所述，在“雙碳”目標下，太陽能與風能已經成為能源結構優化的重要一環，卻由于單一能源隨機性、間歇性特征，對其大規模應用造成制約，應采取風光資源互補方式，提高資源利用率。因此，在風光互補基礎上，需構建容量配置模型，立足多目標對其進行優化，明確四季風光互補容量配置比例的同時，以短期功率預測實現系統實時協調控制，從而保證風電并網功率平滑。

參考文獻：

[1]趙斌，薛平，鄧明麗，等.考慮風光互補的新能源微網系統運行控制與仿真研究].中國測試，2024，50（S2）：294-300.

[2]王海鳴，張潤之，周家輝，等.離網式風光互補制氫合成綠氨系統容量配置優化分析[].綜合智慧能源，2024，46（11）：73-82.

[3]孫英聰，陳來軍，李笑竹，等.考慮資源相關性的新能源場站群集中式共享儲能優化配置Ⅲ太陽能學報，2024，45（7）：2-9.

[4]范旭日.考慮風光互補的新能源分布式儲能配置優化方法[].自動化應用，2024，65（11）：127-129+133.

[5]楊正軍，梁士興，徐鋼，等.風光互補電醇聯產系統的容量優化配置[Ⅲ].綜合智慧能源，2023，45（12）：71-78.

（作者單位：華能西藏雅魯藏布江水電開發投資有限公司新能源分公司）