基于改进遗传算法的区域性光伏消纳优化策略研究

何 欣，黄 扬，王维洲，王继有，井天军

（1.国网甘肃省电力公司电力科学研究院，甘肃兰州 730000；2.中国农业大学，北京 100083；3.国网甘肃省电力公司，甘肃兰州 730030）

随着我国光伏扶贫政策的提出，越来越多分布式光伏接入某些特定的区域。而由于农村电网建设进展相对较慢且投资较大，扩大农村电网的并网容量改建与贫困农村的负荷需求经济性不匹配[1]。在此背景下，通过发展地区特色农业，优化建设现代农业产业园基础设施，有利于构成经济产业与光伏供能相结合、供需平衡的协调发展模式。以农业产业园为核心的区域性负荷优化，便成为了消纳扶贫光伏能源的有效发展方式[2-3]。

由于区域内负荷类型复杂，且光伏出力随机性大[4]，为了实现负荷与光伏的最优匹配，提出了一种改进遗传算法的区域性光伏消纳优化策略。结合区域内光伏等相关理论模型构建目标函数，并利用改进遗传算法求出最优解，从而实现区域内光伏最大化消纳，且在一定程度上降低了运行成本。

1 分布式能源模型

1.1 光伏发电模型

半导体界面的光生伏特效应是太阳能发电的主要原理，可以直接将太阳能转换成电能[5]。但随着光照强度和环境温度的改变，太阳能板的输出功率会随之而改变，造成光伏出力的随机性与波动性[6]。

假定太阳辐射强度GSTC为1 000 W/m2，环境温度TSTC为25 ℃，大气光学相对质量为AM1.5，则可以得到输出功率为：

其中，PSTC为额定条件下输出功率；Gc为光照强度；k为温度系数；Tc为环境温度。

1.2 储能模型

储能系统具有灵活的功率吞吐特性，在抑制新能源发电反负荷特性的同时可以有效地削峰填谷，促进新能源的消纳并保证主网的安全、稳定[7-8]。但储能系统除了具有电源特性，还具有负荷特性：在用电低谷时段能够以负荷形式存储新能源电能；在用电高峰时段，则可以释放低谷时储存的电量以缓解电力系统的供电压力[9]。

1.3 负荷模型

区域内负荷消纳光伏主要通过可时移负荷和固定负荷的配合，根据光伏出力特性调节设备的运行时间，将用电高峰时期的可时移负荷转移到用电低谷期或光伏出力的高峰期[10]。根据负荷不同类别所占的比例进行耗能分析，负荷消纳的耗能计算如下：

式中，pc为分时电价，存在峰、平、谷3 个时段的电价；tc为负荷运行时间；Lc为负荷功率；Ec为运行成本。

2 区域性光伏消纳优化策略

2.1 优化目标

为了尽可能多地消纳光伏发电能源，降低区域内的运行成本，设置的目标函数为：

式中，Lt为负荷的运行功率，PEPV,t为储能消纳光伏出力的充电功率，γ为弃光的惩罚系数，取值范围为[0,1]，pt为从大电网中购入的电价，Pgrid,t为区域从电网中购入的功率。

2.2 约束条件

节点电压偏差约束、分布式光伏发电容量约束及线路热稳定约束是不等式约束的主要约束项目[11]。

1）节点电压偏差约束：

其中，UN为系统的标称电压；ε1、ε2为国标规定的允许电压偏差率。

2）光伏发电容量约束：

其中，SPV,i为节点i的光伏发电容量；SPV,max为节点i的最大光伏接入容量。

3）负荷根据区域内电量的供需情况，调整自身的用电结构和方式。但是在一个周期内，其总体的负荷用电量是额定的，且存在上限[12-13]，具体表达式如下：

式中，Lmax为负荷最大值，Lt、L′t分别为调度前后的用户负荷。

2.3 基于改进遗传算法的光伏消纳优化策略

遗传算法是一种通过模拟自然进化过程来搜索最优解的方法[14]，主要包括：编码、初始化种群、计算适应度、遗传操作等步骤。其中遗传操作分为[15]：选择算子从上一代个体中选择同样数量的优秀个体；交叉算子从父代中产生具有更高适应度的个体；变异算子使得个体向更高适应度转变[16]。

为了减少算法时间的复杂度，该文对遗传操作进行改进。在改进算法上建立的光伏消纳优化控制流程，如图1 所示。

图1 基于改进遗传算法的光伏消纳控制流程遗传操作的具体实施如下：

1）初始化。在初始化阶段，确定群体规模S、迭代次数的最大值I、交叉概率pc和突变概率pm。是负荷的调整，υk表示第k个负荷是否供电。

2）选择。此阶段中，具有更高适应度的个体会被选择，其他则通过交叉和变异操作生成下一代群体。在这一问题中，改进遗传算法选择的个体是有着高适应度的个体，算法基于轮盘赌的方法进行个体选择，具体选择个体进行重组的概率与其适应值有关。

3）交叉算子。如果将处于选择阶段的所有个体组合起来，进行交叉运算，再进行选择，这样能够产生更高质量的后代个体。而改进遗传算法正是使用基于先验知识的交叉算子完成了交叉运算，然后该算法在选择阶段从其父代R1和R2中选择一个个体，且个体的每个基因在其父母的对应基因中均更具适应性。

4）变异。交叉操作能够改善遗传算法的全局搜索能力，但过度集中的较优个体容易使其陷入局部最优；因此需要进行变异操作，增强其基因突变能力，提高其全局搜索能力。为了强化变异过程中的目的性和方向性，利用基于种群的分割思想进行变异操作，以保证染色体变异的有效性。

分别对种群分割中较优的染色体子种群进行概率为pk1的小概率变异；对次优的染色体子种群进行概率为pk2的大概率变异。两种变异机制为：在随机产生的两个变异点分别采用两点交换和反转逆序机制扩大搜索空间，以便产生更优的扰动，实现跳出局部最优的全局寻优。变异操作示意图如图2 所示。

图2 变异操作示意图

当达到预设的迭代最大次数时或在连续的群体中最佳个体的适应度不再增加时，则输出最优结果，即满足光伏消纳最大化且园区用电成本最小化。

3 实验结果与分析

该文基于MATLAB/Simulink 平台对所提区域性光伏消纳的策略进行了仿真测试和数据分析，并将实验场景设定为某农业产业园。其中参数设置为：光伏装机容量20 MW，储能系统的最大容量4 MW，时变负荷1～5 MW，固定负荷0～5 MW。且改进遗传算法的种群数量设为35，交叉概率为0.8，迭代次数设为500。

3.1 改进遗传算法的性能分析

为了论证改进遗传算法的收敛性和寻优效果，将其与线性规划、最速下降法、粒子群算法进行对比实验，结果如图3 所示。

图3 不同算法的性能对比

从图3 可以看出，迭代300 次左右的经典线性规划开始收敛；迭代200 次左右的最速下降法和粒子群算法实现收敛。而所提方法具有更快的收敛速度，在迭代50 次左右时可以收敛到稳定水平，寻优速度得到了显著提高，并且达到稳定时的弃光量最少，实现了光伏消纳量最大化的目标。

3.2 园区优化后的光伏消纳量

光伏出力值和典型日负荷曲线如图4 所示。

图4 光伏出力和日负荷曲线

从图4 可以看出，在8～17 时光伏发电的出力处于供过于求的状态，而20 时左右却明显出现了供不应求的情况，难以满足高峰负荷时段的用电需求。可以看出，光伏出力与负荷的供需关系存在明显的不匹配情况。

针对这一问题，利用改进遗传算法对负荷和储能进行优化控制。农业产业园的负荷曲线与消纳的光伏量优化前后的变化，如图5 所示。

图5 负荷与消纳的光伏量对比

从图5 中可以看出，执行优化策略后，用户根据电价的变化主动调整用电方式。将晚上电价高峰的部分负荷转移到主网负荷较低、光伏出力较多的白天时段，降低日负荷峰谷差的同时节约了用电成本。峰谷差由5.9 MW·h 降低到5.2 MW·h，使负荷曲线在时序上的变化更贴近光伏出力变化趋势，满足供需平衡。

同时执行优化策略后，光伏消纳量被部分转移的负荷消纳。且多余的电量尽可能地存储在储能系统，以备农业产业园供电量不足时使用，从而尽可能地减小弃光量。执行优化策略后，弃光量由52.8 MW·h减少到47.1 MW·h，提高了光伏消纳率。

此外，执行优化策略后，农业产业园区的用电成本统计如表1 所示。

表1 园区用电成本对比

从表1 中可以看出，同时引入储能和负荷动态调整可以降低农业产业园的运营成本，提高21.86%的光伏消纳率，节约用电成本约1 万元，实现了光伏扶贫的目的。

4 结束语

为了保证光伏扶贫政策的有力落实，同时提高农业产业园的效益，提出了一种改进遗传算法的区域性光伏消纳优化策略。基于区域内的光伏、负荷和储能的数学模型，以及设计的优化目标和约束条件，利用改进遗传算法进行求解，以得到最优值实现光伏最大化消纳且园区用电成本最小。基于MATLAB 进行的仿真实验结果表明，改进遗传算法能够实现迅速收敛，执行优化策略后的光伏消纳率明显提高，用电成本大幅减少，为区域内光伏扶贫提供了经济可行性指导。

但是该文在设定目标函数时，对于前期的固定投资成本计算较为粗略。因此下一步研究将综合考虑储能系统建设、运行维护及政策扶持等成本，实现更合理和更具工程应用价值的储能系统容量优化配置。