基于改进遗传算法的源网荷储协同控制方法

阙凌燕, 蒋正威, 杨力强, 卢 敏

(1. 河海大学 计算机与信息学院, 江苏 南京 210024; 2. 国网浙江省电力有限公司 调控中心, 浙江 杭州 315010; 3. 国网湖州供电公司 调控中心, 浙江 湖州 313000)

随着分布式电源的渗透率逐年升高以及大规模储能电站的接入,传统的“无源”配电网逐步向“有源”转换[1]。由于分布式电源中叠加了多种不可控负荷波动,“有源”主动配电网中的潮流特征将发生显著变化,易产生线路过压过载、短路电流越限等问题,进而使配电网优化控制面临巨大挑战[2-3]。同时,相应的保护配置相比于“无源”配电网也更为困难。因此,如何改善主动配电网中“源储网荷”的优化调度,是提高配电网运行效率,实现最优运行亟待解决的问题[4]。

目前,国内外对于源储网荷的优化调度已有诸多研究,且成果颇丰。刘晓宇等[5]利用多维小波分解调频信号频谱,并结合电路结构形成微分方程,以消除电力系统各区域的调频控制偏差,从而实现多源横向互补与源网荷储纵向协调。XU等[6]提出了一种针对多微网主动配电网优化运行的双层控制策略,利用上层模型的共识算法结合下层模型最低运行成本的优化目标,有效实现对上级控制命令的跟踪。KONG[7]针对电力系统源网荷可控背景下供电能力评价问题,提出一种考虑主动控制成本的配电网多目标供电能力评价方法,实验结果展示了方法的有效性和改进算法的性能。姜涛等[8]提出一种计及光伏出力的主动配电网电压分布式优化控制策略,以节点电压偏差、光伏削减量和网损最小为目标,采用二阶锥松弛技术结合交替方向乘子法有效解决配电网电压越限及网损过大问题。

上述方法虽然对电网源网荷储的优化控制取得了一定的成果,但并未充分考虑分布式能源发电和柔性负荷存在的波动,因此调度策略的普适性仍有待提升。为此,提出了一种基于改进遗传算法的源网荷储协同控制方法,其兼顾系统运行成本与新能源消纳,构建了相应的优化目标,并设计改进了遗传算法,得到最佳的控制模式,从而实现源网荷储的合理配置,提高系统的运行效果。

1 源网荷储协同控制模型

新型电力系统包含了大量分布式能源发电系统以及可调节的储能与负荷,故通过合理的控制策略能够实现源网荷储的协同优化,从而保证系统运行的经济稳定性[9-10]。系统的整体架构如图1所示。

图1 源网荷储协同优化系统架构Fig.1 Cooperative optimization system architecture of source network load storage

各单元的主要作用如下:

1) 源。通过调控分布式电源在时间和地域上的输出电量,能够实现区域内能源的互补,削减功率变化对系统造成的影响,提高可再生能源的利用率。

2) 网。结合系统实时运行情况及以往数据,利用高性能的控制方法调配网内资源,以保证电网的最优运行。

3) 荷。作为系统的末端,可利用分时电价等方式激励用户优化用电模式,以缩减用电成本,同时缓解系统不平衡的电力压力。

4) 储。根据系统的协同调度迅速完成装置的充放电功率调整,其响应耗时极短,能够实现长期的削峰填谷及“低储高发”,进而提升系统运行的经济性。

由于源、荷、储数量多且分布分散,因此在系统终端配置边缘计算节点进行数据的初步统计和建模,如光伏出力、储能充放电量等。同时将边缘节点的数据上传部署在网内的云计算平台,通过智能优化算法实现源网荷储的协同控制,主要是为了实现能源消耗及储能损耗最小、系统运行更加经济与环保的优化目标。

1.1 目标函数

源网荷储协同优化的目的在于实现系统综合运行成本最小化,以及最大化减少弃光、弃风量。运行成本包括能耗成本、污染物排放惩罚成本CΩ、需求侧响应成本CDR、储能损耗成本CES等。目标函数的数学表达式为

(1)

式中:CPV,M为光伏和风力的发电成本;CF为火电机组的能耗成本;PPV,PM分别为光伏、风力的输出功率;CΣ,F分别为成本总和,弃光、弃风量总和;T为时长。

1.1.1 能耗成本

系统能耗成本主要为风力、光伏的发电成本以及火电的能耗。其中,t时刻光伏出力PPV(t)的数学表达式为

(2)

式中:P0为光伏机组的额定输出功率;S(t)、S0分别为t时刻接收的光照强度和标准光照强度;κT为温度系数;θ(t)、θ0分别为t时刻环境温度及标准环境温度。

同样,风机机组的输出功率PM可表示为

(3)

式中:rM为风机叶片的半径;ηM为风能转化率;v、ρ分别为风速与空气密度。因此,光伏与风力发电的成本计算表达式为

(4)

式中:CPV、CM分别为光伏、风力机组单位发电量的成本电价;NPV、NM分别为光伏及风力机组的数量。

而火电机组的能耗成本CF表达式为

(5)

式中:NF为发电机组数量;Pit为i机组在t时刻的出力;ait为机组出力的决策量,0代表不出力,1则代表出力;CS,it、CP,i分别为机组启动与出力时的能耗成本。

1.1.2 需求侧响应成本

需求侧响应即当供电系统供需不平衡时,用户侧根据电价调整以及负荷补偿来改变原先的用电方式,以响应系统调度并保障电网短时间内的可靠运行[11]。需求侧响应成本CDR的表达式为

(6)

1.1.3 储能损耗成本

储能装置在网内的作用是平抑与补偿分布式能源所造成的波动,进而保证电网平稳运行[12-13]。该装置的使用寿命受诸多因素的影响,例如充放电次数、环境温湿度等,而充放电深度则为决定性因素。此外,储能装置成本大致由固有投资及运维费用所组成,其中运维费用可以看作一个常数。因此,储能装置成本仅考虑固有投资与其使用寿命间的关系,装置进行一次充放电所消耗的成本C0表达式为

(7)

式中:CES、Nt分别为装置的固有投资与使用寿命;α1和α2、DoD分别为充放电系数及充放电深度。

综上,网内所有储能的损耗成本CES可表示为

(8)

式中:NES为储能装置数量;C0,it为i储能装置在t时刻的损耗成本;QES,i为装置的存储容量;Qit为i储能装置在t时刻的放电量。

1.1.4 污染物排放惩罚成本

火电是系统内污染物的主要排放源,污染物包括CO2、SO2以及含氮化合物等,而排放均需承担相应的环境惩罚成本。排放惩罚成本CΩ的计算表达式为

(9)

式中:λki、βki、υki均为机组污染物排放量与出力间的关系系数;ρk为污染物惩罚成本与排放量的关系系数;sit为机组运行中污染物排放量的影响因子,一般在0.8～1.3之间。

1.2 约束条件

约束条件主要考虑系统功率平衡、储能装置容量、可调负荷等。主要约束表达式如下:

1) 系统功率平衡约束表达式为

PMt+PPVt+PDRt+PESt=PLt

(10)

式中:PDR为需求侧响应值;PES为储能装置的输出功率;PL为负荷需求电量。

2) 储能容量约束。为保证储能装置的寿命,应避免过充过放,故需将其电量控制在一定范围内,控制表达式为

(11)

式中:Qmin、Qmax为储能装置的最小、最大电量;τ为剩余电量每小时的损失率。

3) 柔性负荷约束表达式为

(12)

2 协同控制模型求解方法

针对所构建的双目标优化模型,传统方法存在无效支配解的问题,故提出一种基于双层嵌套优化结构的求解方法,同时利用混沌算法对遗传算法加以优化,并用于单一目标问题的求解,从而获得最佳控制方式。

2.1 改进遗传算法

遗传算法擅长在全局范围内搜索,使得算法不易陷入局部最优且收敛较快[14]。但其存在局部搜索能力差的问题,尤其是后期搜索能力降低会导致早熟收敛[15-16]。针对上述不足,利用混沌算法对该算法加以改进。将适应度值较小的个体进行混沌优化,不仅可以丰富种群,还能够缩减进化次数,从而加快寻优速度。

所提方法的混沌优化迭代方式采用帐篷映射[17-18],映射计算表达式为

(13)

改进遗传算法的具体流程如下:

1) 初始化网络参数,设置种群大小M、混沌优化步长的调控因子φ、最大迭代次数G。

2) 根据适应度函数计算所有个体对应的函数值,并判别其是否早熟,判别计算表达式为

(14)

3) 当进化次数超过G/2时,则对种群进行混沌优化;否则,跳转步骤4进行个体选择。

4) 结合混沌优化进行选择操作,新个体X′n计算表达式为

(15)

式中:ζ为人工退化影响因子;λ为混沌扰动算子。

5) 在交叉变异操作中,改进自适应交叉概率pc及变异概率pm的表达式为

(16)

(17)

式中:pcmax、pcmin分别为交叉算子的最大值和最小值;pmmax、pmmin分别为变异算子的最大值与最小值;σ1=pcmax-pcmin;σ2=pmmax-pmmin。

同时,交叉和变异方式分别可表示为

(18)

(19)

式中,δ1、δ2分别为系统和混沌算法产生的随机数。

6) 不断进行迭代优化,直至满足终止条件,即达到最大代数或适应度函数值小于设定值,便可获得当前最优解;否则,转至步骤2)。

2.2 所提协同控制模型求解方法

3 实验结果与分析

基于Matlab仿真平台,以IEEE33节点系统为例,选择5个节点随机设置为光伏、风电,2个节点设置为可控负荷,3个节点设置为储能,如图2所示,其中0为大电网连接点。

图2 IEEE33节点系统配置结构Fig.2 Configuration structure of IEEE33 node system

系统电压为12.66 kV,额定功率则为10 MVA。光伏与风电机组均在最大功率点跟踪模式下运行,两者的容量分别为1 MW、1.5 MW,而储能的最大充放电功率为0.5 MW。此外,相关参数设置为: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,其他参数均采用默认值。系统日运行结果如图3所示。

图3 系统日运行结果Fig.3 Daily operation results of system

结合图3可明显看出电网负荷的时间特性:用电高峰出现在10点至21点范围内,用电低谷出现在午夜与凌晨;而光伏发电主要集中在白天;风力发电存在随机性且夜晚的输出功率更大。

3.1 优化控制结果

将改进遗传算法的参数设置为:pcmax=0.9,pcmin=0.6,pmmax=0.01,pmmin=0.001,最大迭代次数为200次。日内优化控制的目标为运行成本及弃风弃光量最小。因此,采用所提方法来优化系统的运行方式,得到的协同控制结果如图4所示。其中控制周期为15 min,且一天内共有96个控制计划。

图4 协同控制的调度结果Fig.4 Scheduling results for cooperative control

由图4可知,在5时～7时、12时～18时这两个时间段,风电与光伏的联合输出恰好能够满足负荷的电力需求,故系统无须购电及售电。而在深夜、凌晨的大部分时段,风力发电均超出负荷需求,因此对储能进行充电,并向电网售电。而在18时～22时,风力和光伏联合发电无法满足负荷需求,所以储能装置进行放电,并为负荷供电,同时利用电价等因素调整负荷需求量。通过图3～4的对比可看出,优化前的负载曲线存在显著的峰谷差异,而优化后负荷曲线较为平稳,说明实现了削峰填谷的目的。

经过协同优化控制后,系统运行呈现出明显的削峰填谷趋势,其源网荷储控制结果如表1所示。

表1 源网荷储协同控制结果Tab.1 Cooperative control results of source network load storage

由表1可看出,优化后的弃风弃光量仅为0.872 MW,对比优化前降低了54.72%。原因在于,优化后的系统提高了分布式能源的利用率,从而减少了火电使用量,因此能耗及污染物的排放量均有了一定的减少,具体体现在能耗成本与CΩ上,二者分别下降了1.074万元与0.108万元。但由于分布式发电需要更多的储能作为支撑,导致系统的CES明显增加,达到了0.452万元。同时,协调柔性负荷也增加了系统的运行成本。综合来看,系统运行成本整体下降了23.15%,从而证明了所提方法的有效性。

3.2 不同方法的控制结果分析

为了验证所提方法的性能,将其与无优化控制方法以及文献[6]、[8]中的控制方法进行对比。各系统运行成本对比如图5所示。

图5 不同方法系统运行成本日变化情况Fig.5 Daily change of system operation cost with different methods

由图5可知,相比于其他方法,所提方法的系统运行成本及波动均为最小。这是由于算法结合光伏、风力发电量与系统运行成本构建了优化目标,并利用双层嵌套优化结构叠加改进遗传算法进行求解,从而获取最佳的控制方案,再通过协同控制实现系统的经济运行。本方法在协同调度时,系统运行成本总体较为平稳,原因是储能的高效投退和柔性负荷的调整,使得全网能源得到了合理的利用,且有效平抑了峰谷差。而无优化控制方法运行成本波动较大;文献[6]、文献[8]均采用了优化方法,虽能在一定程度上减少系统的运行成本,但缺乏运行成本及分布式能源利用率的协同考虑,故控制效果不理想。

通过系统24 h的运行分析,利用不同方法得到的运行成本以及弃风弃光量如表2所示。

表2 不同方法的协同控制结果Tab.2 Cooperative control results of different methods

由表2可以看出,文献[6]采用的双层控制方法更侧重于系统的经济性,因此运行成本较优化前下降了14.48%,但对分布式能源的利用效果不佳,仅提高了2.54%。文献[8]采用二阶锥松弛技术结合交替方向乘子法求解以光伏削减量、网损最小为目标的控制模型,故弃风弃光量较小,且使用率提升到了46.26%,但由于缺乏系统经济性的考虑,其系统运行成本达到了2.982万元。相比之下,所提方法兼顾了分布式能源的利用率和系统的运行成本,取得了较为理想的运行结果,弃风弃光量和运行成本仅为0.872 MW及2.330万元。由此表明,本方法所提协同控制方案具有显著优势,能够为新型电力系统的可靠运行提供科学指导。

4 结 论

本文基于改进遗传算法提出了一种源网荷储协同控制方法,以减少系统的运行成本和波动。构建了运行成本、弃风弃光量最小化的目标模型,并设计了融合双层嵌套结构与改进遗传算法的高效方法进行求解,从而得到系统协同控制模式。系统模拟运行结果表明,优化后系统的弃风弃光量和运行成本均明显下降,经济与社会效益显著。虽然本方法取得了明显的成效,但也存在不足之处。例如在构建优化模型时仅分析了能源的时间特性,并未涉及空间特性,而能源协调还需考虑供需双方的距离。因此在未来的研究中,将同步考虑能源的空间特性,以提高控制方法的实用性。