孤島模式下風(fēng)光儲微網(wǎng)容量優(yōu)化配置策略研究

呂生輝，林永君，仲 舉，楊育剛

（華北電力大學(xué) 控制與計算機(jī)工程學(xué)院，河北 保定 071000）

0 引言

隨著新型發(fā)電技術(shù)的發(fā)展，由風(fēng)電、光伏等DG單元組成的微網(wǎng)供電技術(shù)已日漸成為滿足負(fù)荷增長需求、減少環(huán)境污染、提高能源綜合利用率和供電可靠性的有效途徑[1]。

微網(wǎng)系統(tǒng)設(shè)計的基本要求是滿足微網(wǎng)覆蓋電力負(fù)荷以及發(fā)電系統(tǒng)經(jīng)濟(jì)可靠運行的需要，同時降低系統(tǒng)發(fā)電成本，提高系統(tǒng)運行的可靠性[2-4]。因其需要進(jìn)行最優(yōu)容量配置，即計算出微網(wǎng)在全年可靠工作所需光伏總?cè)萘俊L(fēng)力發(fā)電機(jī)組功率和蓄電池容量，使其在滿足最大可靠性的同時，盡可能的減少系統(tǒng)的成本。因此，微網(wǎng)的最優(yōu)容量配置可以看作一個非線性目標(biāo)優(yōu)化問題[5]。

為保證微網(wǎng)系統(tǒng)獲得最優(yōu)容量配置，本文采用遺傳算法對其進(jìn)行優(yōu)化設(shè)計。優(yōu)化指標(biāo)為風(fēng)機(jī)、光伏電池串和并聯(lián)蓄電池組的數(shù)目，約束條件為功率平衡、蓄電池充電狀態(tài)及其他安全性、經(jīng)濟(jì)性要求。最終通過與HOMER仿真軟件的運行結(jié)果進(jìn)行對比分析，得出相應(yīng)結(jié)論。

1 風(fēng)光儲微網(wǎng)系統(tǒng)模型簡介

1.1 系統(tǒng)模型

本文研究的微網(wǎng)系統(tǒng)由風(fēng)電機(jī)組、并列光伏電池組、蓄電池組、逆變器及負(fù)載構(gòu)成。系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 典型獨立風(fēng)光儲微網(wǎng)結(jié)構(gòu)Fig.1 The typical structure of independent microgrid

1.2 風(fēng)力發(fā)電機(jī)模型

風(fēng)力發(fā)電機(jī)各時刻的出力由風(fēng)機(jī)轉(zhuǎn)軸高度處各時刻的平均風(fēng)速與風(fēng)機(jī)的輸出特性決定[6]，風(fēng)機(jī)出力的表達(dá)式：

式中，PW為風(fēng)機(jī)出力功率；PR為風(fēng)機(jī)額定功率，νc為切斷風(fēng)速，νR為額定風(fēng)速；νF為截斷風(fēng)速。

1.3 光伏電池模型

為便于應(yīng)用，只考慮光伏電池出力只與太陽輻射值和環(huán)境溫度相關(guān)，公式為

式中，PPV為光伏電池出力功率；GAC為光照強(qiáng)度；PSTC為標(biāo)準(zhǔn)測試條件下（太陽光入射強(qiáng)度為1000W/m2，環(huán)境溫度為25℃）的最大測試功率；GSTC為標(biāo)準(zhǔn)測試條件下的光照強(qiáng)度，其值取1000W/m2；k為功率溫度系數(shù)；TC為電池板工作溫度；Tr為參考溫度。

1.4 蓄電池模型

蓄電池在t時刻的剩余電量與蓄電池在t-1時刻的剩余電量、[t-1,t]時段蓄電池的充放電量以及每小時的電量衰減量有關(guān)[7]。當(dāng)DG總輸出量大于負(fù)載用電量時，蓄電池處于充電狀態(tài)，否則蓄電池處于放電狀態(tài)。t時刻蓄電池的荷電量可表示為

式中，Pbat(t)為t時刻的儲能量；Pload(t)為t時刻所需電負(fù)荷；Ptotal(t)表示微網(wǎng)系統(tǒng)t時刻的總供電量；ηinv、ηsb分別為逆變器效率和蓄電池的充電效率。

2 風(fēng)光儲微網(wǎng)容量優(yōu)化模型建立

2.1 目標(biāo)函數(shù)的確立

微網(wǎng)容量優(yōu)化配置的最終目標(biāo)是滿足供電可靠性的同時，使系統(tǒng)成本降最低。

假設(shè)本系統(tǒng)的壽命為20年，目標(biāo)函數(shù)的公式表達(dá)如下

式中，Csum為系統(tǒng)總投資費用；X為優(yōu)化變量集合，X=[NPV，NWG，H，Nba]；Cpv、CWG、CBat、Ccov、Cret分別為光伏電池、風(fēng)電機(jī)組、蓄電池和逆變器的成本和重置成本。

1）光伏電池成本Cpv

式中，Cpv,cost、Cpv,rp、Cpv,om分別為光伏電池的購買成本、安裝成本和維護(hù)成本。

2）風(fēng)機(jī)成本CWG

式中，Cwg,cost、Cwg,rp、Cwg,om、Ctower,cost為風(fēng)電機(jī)組的單位購買成本，安裝成本和維護(hù)成本和風(fēng)塔的購買成本。由于風(fēng)電安裝塔的成本Ch與其安裝高度H相關(guān)，所以單獨列出。

3）蓄電池成本Cbat

式中，Cbat,cost、Cbat,om分別為蓄電池的購買成本和運行維護(hù)成本。由于蓄電池的壽命相對較短，所以必須考慮到整個運行周期內(nèi)的重置成本。Ybat是系統(tǒng)周期內(nèi)更換次數(shù)；例如，蓄電池使用壽命為4年，系統(tǒng)使用壽命為20年，所以蓄電池期望更換次數(shù)Ybat=5。

2.2 約束條件

1）功率平衡約束

設(shè)定任一時刻風(fēng)光儲微網(wǎng)系統(tǒng)輸出功率的限制條件為

式中，PWG(t)代表t時刻風(fēng)電功率，PPV(t)代表t時刻光伏發(fā)電功率，Pbat(t)代表t時刻蓄電池放電功率。

2）蓄電池充放電功率限制

出于保護(hù)蓄電池工作壽命的考慮，任意時刻蓄電池充放電功率Pbat必須滿足以下限制

式中，Pbat(max)為蓄電池充電功率上限約束；Pbat(min)為蓄電池放電功率下限約束。詳細(xì)數(shù)據(jù)可以從蓄電池的出廠性能指標(biāo)中得到。

3）個數(shù)約束

式中：Cpv,max，NWG,max，Nbat,max分別為實時環(huán)境下允許的最大安裝數(shù)量。

4）其他約束條件

式中，Hmax、Hmin分別為風(fēng)塔設(shè)計高度的上下限；N為非負(fù)整數(shù)集合。

3 遺傳算法簡介

遺傳算法屬于智能優(yōu)化算法中的一種，是一種具有全局優(yōu)化性能、通用性強(qiáng)且適合于并行處理的算法。

3.1 遺傳算法的基本原理

遺傳算法是從試圖解釋自然過程生物的復(fù)雜適應(yīng)過程入手，模擬生物進(jìn)化的機(jī)制來構(gòu)造人工系統(tǒng)的模型[8]。遺傳算法整個算法流程圖見圖2。

圖2 遺傳算法流程圖Fig.2 The fl owchart of the GA

3.2 遺傳算法在容量最優(yōu)配置中的應(yīng)用

在對微網(wǎng)系統(tǒng)的容量進(jìn)行遺傳算法優(yōu)化時，先要進(jìn)行參數(shù)設(shè)定。其中包括：遺傳進(jìn)化代數(shù)、種群大小、交叉率、變異率、染色體的長度等。具體操作步驟如下：

1）選定優(yōu)化目標(biāo)，生成初始種群：初始種群為隨機(jī)生成的100個染色體組。系統(tǒng)優(yōu)化目標(biāo)為光伏電池組并聯(lián)數(shù)NPV、風(fēng)電機(jī)組個數(shù)NWG、風(fēng)塔的高度H和蓄電池組數(shù)目Nbat。所以染色體包含4個基因[NPV、NWG、H、Nbat]。

2）選擇操作：該過程是將種群中的每一個個體帶入系統(tǒng)的目標(biāo)函數(shù)。本系統(tǒng)中適應(yīng)度函數(shù)與目標(biāo)函數(shù)關(guān)系為

通過比較單個目標(biāo)函數(shù)值與適應(yīng)度函數(shù)的大小來選擇遺傳的個體，當(dāng)個體目標(biāo)函數(shù)值小于適應(yīng)度函數(shù)值時，該個體被遺傳到下一代[9]。

3）交叉操作：在本微網(wǎng)系統(tǒng)的優(yōu)化設(shè)計中，設(shè)定算法交叉率為0.7。

4）變異操作：進(jìn)行變異操作時，首先設(shè)定突變率，然后根據(jù)突變率來改變個體基因上的某個或某串基因。

5）產(chǎn)生新一代群體。經(jīng)過選擇、交叉、變異操作后產(chǎn)生新一代群體，并對其中各個體進(jìn)行適應(yīng)度評價。

6）迭代終止操作判斷。判斷是否滿足遺傳算法迭代終止條件Ngen=Mgen；若滿足，則結(jié)束循環(huán)，執(zhí)行下一步；否則，領(lǐng)算法執(zhí)行循環(huán)迭代次數(shù)Ngen=Ngen+1，返回步驟5），繼續(xù)執(zhí)行循環(huán)計算。

7）將新的種群代替原有種群重新計算系統(tǒng)運行成本，如此往復(fù)，直到算法運行結(jié)束，輸出最優(yōu)解，即得出容量最優(yōu)配置結(jié)果。

4 應(yīng)用與仿真

4.1 應(yīng)用實例簡介

本文選擇某地區(qū)微網(wǎng)實驗區(qū)作為微網(wǎng)供電對象，該實驗區(qū)一年內(nèi)所有用電量數(shù)據(jù)已經(jīng)獲得，其平均值為571kW/d；小時最大功率峰值為68kW。負(fù)荷數(shù)據(jù)包括小時平均交流負(fù)荷。該實驗地區(qū)氣象數(shù)據(jù)包括平均風(fēng)速、平均光強(qiáng)度、小時最大光強(qiáng)以及小時平均環(huán)境溫度均。實驗區(qū)所在地理位置為東經(jīng)115.48°，北緯38.59°，平均輻照度為4.08kW.h/(m2.d)，平均風(fēng)速約為5.3m/s。

微網(wǎng)中光伏電池PV、風(fēng)電機(jī)組WG、風(fēng)塔Tower以及蓄電池Bat的成本見表1。

4.2 基于遺傳算法的容量優(yōu)化配置結(jié)果

根據(jù)本文所建各個分布式電源的數(shù)學(xué)模型以及系統(tǒng)經(jīng)濟(jì)性模型，針對微網(wǎng)運行仿真總時間為1年，最小的時間間隔為1h。歷史氣象數(shù)據(jù)用來計算各電源的出力，最終獲得微網(wǎng)實時輸出功率P(t)。利用表1中各組件成本數(shù)據(jù)來計算總投資費用，并將其作為目標(biāo)函數(shù)，最后基于遺傳算法GA進(jìn)行微網(wǎng)容量優(yōu)化配置求解。最終結(jié)果見表2。

得 到最優(yōu)配置結(jié) 果中風(fēng)機(jī)裝機(jī)容量120kW，光伏裝機(jī)容量為98kW，蓄電池容量為108kW，此時的實際綜合成本費用最小為4369684元。

表1 微網(wǎng)系統(tǒng)組件的運行參數(shù)及成本Table1 The Parameters Of microgrid system components

表2 遺傳優(yōu)化算法優(yōu)化結(jié)果Table 2 The optimize result of GA

4.3 應(yīng)用HOMER軟件的仿真對比分析

4.3.1 HOMER軟件簡介

HOMER軟件是一個專門針對微電網(wǎng)優(yōu)化設(shè)計的仿真軟件，它簡化了離網(wǎng)和并網(wǎng)對于遠(yuǎn)程、獨立的分布式發(fā)電系統(tǒng)的評估選擇任務(wù)[10]。HOMER優(yōu)化和靈敏度分析算法，可以用來評估系統(tǒng)的經(jīng)濟(jì)性和技術(shù)選擇的可行性，以及考慮技術(shù)成本的變化和能源資源的可用性。HOMER可以篩選出滿足供電平衡條件的所有容量組合，然后分別對其綜合成本、CO2排放量、綜合屬性值以及年負(fù)荷缺電率LPSP進(jìn)行計算并一一列出[11-13]。

4.3.2 HOMER仿真設(shè)置

圖3 HOMER系統(tǒng)仿真結(jié)構(gòu)圖Fig.3 The simulation structure of the homer system

因為HOMER軟件采用排列組合、逐次篩選方法進(jìn)行尋優(yōu)，所以在仿真前，根據(jù)前面遺傳算法得到的最優(yōu)解來設(shè)定風(fēng)機(jī)容量、光伏電池和蓄電池容量的大致范圍，以保證快速找到合適的系統(tǒng)配置。具體參數(shù)設(shè)定范圍見表3。

4.3.3 仿真結(jié)果分析

仿真后結(jié)果如圖4、圖5、圖6所示。從圖中可以看出，HOMER軟件最終得出的最優(yōu)容量配置組合為：風(fēng)機(jī)裝機(jī)容量120kW，光伏裝機(jī)容量為90kW，蓄電池容量為100kW，此時的實際綜合成本費用最小為4569684元，平均發(fā)電成本為2.24 ?/kWh。

表3 組件設(shè)定范圍Table 3 The setting range of the microgrid component

圖 4 HOMER仿真結(jié)果 圖Fig.4 The results of simulation diagram

圖5 微網(wǎng)系統(tǒng)最優(yōu)容量配置時的發(fā)電量占比Fig.5 The generation amount of the optimize confi guration

圖6 微網(wǎng)系統(tǒng)在HOMER軟件中運行特性曲線Fig.6 The run result curves of microgrid system in HOMER

仿真結(jié)果基本吻合，從另一方面，驗證了遺傳算法結(jié)果的可行性。通過HOMER軟件中對最后仿真結(jié)果的特性分析看出，光伏發(fā)電功率占比為21%，風(fēng)電功率占比79%。與光伏電池容量配置相比，風(fēng)機(jī)容量要大很多，主要是因為所選取地區(qū)風(fēng)力資源較充裕。而且風(fēng)資源相對光資源的持續(xù)時間更長，風(fēng)機(jī)發(fā)電連續(xù)性更好。光伏電池僅在白天時段才能發(fā)電，增大光伏電池容量配置只能提高此時間段的功率輸出，不能全天與負(fù)荷匹配。為了保證微網(wǎng)供電的可靠性，風(fēng)機(jī)容量必須予以合適的配比。

5 結(jié)論

本文提出了基于遺傳算法的微網(wǎng)容量優(yōu)化配置方法，主要工作如下：1）建立了以經(jīng)濟(jì)性最優(yōu)為目標(biāo)函數(shù)的微網(wǎng)容量配置優(yōu)化模型；2）在求解最優(yōu)變量過程中采用遺傳優(yōu)化算法，保證在求解過程中優(yōu)化結(jié)果的同時，具有良好的選擇性；3）約束條件的可選擇性。因為約束條件是作為子程序單獨加入，所以根據(jù)環(huán)境、供電對象以及供電安全性要求的不同，可以設(shè)置不同的約束條件；4）基于GA算法的多變量優(yōu)化方法相比傳統(tǒng)的多目標(biāo)優(yōu)化算法，能夠更快、更準(zhǔn)確的尋找到最優(yōu)解集。

應(yīng)用算例表明，利用遺傳算法優(yōu)化的微網(wǎng)容量配置方案能夠充分保證供電可靠性，節(jié)省經(jīng)濟(jì)成本。目前，隨著微網(wǎng)中DG種類的增加、規(guī)模的擴(kuò)大以及配電方式的變化，微網(wǎng)系統(tǒng)的優(yōu)化設(shè)計需要考慮加入更多復(fù)雜因素，這值得進(jìn)一步研究。

[1]朱永利,姚建國,劉驥.微網(wǎng)關(guān)鍵技術(shù)及研究現(xiàn)狀[J].江蘇電機(jī)工程,2010,5:81-84.

[2]Ding Ming,Wang Bo,Zhao Bo,etal.Configuration Optimization of Capacity of Standalone PV-Wind-Diesel-Battery Hybrid Microgrid[J],Power System Technology,2013,3:575-581.

[3]Xiao Jun,LIANG Haishen,WANG Xudong,etal.Multiple Objective Planning and Designing of island Microgrid Based on Filtering[J].Power System Technology,2014,3:596-602.

[4]Kirthiga M V,Daniel S A.Optimal sizing of hybrid generators for autonomous operation of a micro-grid[C]//IEEE 26-th Convention of Electrical and Electronics Engineers,Eliat,Is rael:IEEE,2010:864-868．

[5]吳紅斌,陳斌,郭彩云.風(fēng)光互補(bǔ)發(fā)電系統(tǒng)中混合儲能儲能單元的容量優(yōu)化[J].農(nóng)業(yè)工程學(xué)報,2011,27(4):241-245.

[6]Borowy B S,Salameh Z M.Methodology for optimally sizing the combination ofa battery bank and PV array in a wind／PV hybrid sys-tem[J].IEEE Transaction on Energy Conv ersion,1996,l1(2):367—375.

[7]Deb K,Pratap A,Agarwal S,eta1.A fast and elitist multi-objective genetic algorithms:NSGA—II[J].IEEE Transactions on Evolutionary Computation,2002,6(2):182-197.

[8]王瑞琪,李珂,張承慧.基于混沌多目標(biāo)遺傳算法的微網(wǎng)系統(tǒng)容量優(yōu)化[J].電力系統(tǒng)保護(hù)與控制,2011,11(4):16-22.

[9]楊琦,張建華,劉自發(fā),等.風(fēng)光互補(bǔ)混合供電系統(tǒng)多目標(biāo)優(yōu)化設(shè)計[J].電力系統(tǒng)自動化,2009,33(17):86-90.

[10]王茜,張粒子.采用NSGA-Ⅱ混合智能算法的風(fēng)電場多目標(biāo)電網(wǎng)規(guī)劃[J].中國電機(jī)工程學(xué)報,2011,31(19):17-24.

[11]亓偉,耿世彬.基于HOMER仿真的太陽能混合發(fā)電系統(tǒng)設(shè)計[J].電工電氣,2011,8(8):27-32.

[12]Kellogg W.Generation unit sizing and cost analysis for stand-alone wind photovoltaica-nd hybrid wind/PV-systems[J].IEEE Trans on Energy Conversion,1998,13(1):70-75.

[13]Marnay C,Venkataramanan G,Stadler M,et al.Optimal technology selection and operat-ion of commercial building microgrids[J].IEEE Transactions on Power Systems,2008,23(3):975-982.