基于灰狼算法的分布式混合能源優(yōu)化配置方法

，

(上海電力學院 計算機學院，上海 200090)

0 引言

世界范圍內(nèi)化石燃料資源的迅速枯竭，迫切需要尋找替代能源方案來迎合當前的需求。分布式能源如太陽能和風能等吸引了能源部門大規(guī)模的發(fā)電。但風能和太陽能因其不可預測性，以及對天氣和氣候變化的依賴性，導致分布能源的發(fā)電與其需求的時間分配可能不相匹配，也即分布式能源的不穩(wěn)定。

因此，可以通過系統(tǒng)整合來一定程度上地克服這個問題。將風能與太陽能資源適當組合，利用互補的優(yōu)勢，再加上備用電池的使用，使得供電不會出現(xiàn)供不應求或大量浪費的情況。

太陽能和風能相結(jié)合的混合動力系統(tǒng)，可以顯著減弱單一形式發(fā)電的功率波動，并降低能量儲存的要求。但從而系統(tǒng)的復雜性相較單一能源系統(tǒng)增加了，分析也因此更加困難。為了有效和經(jīng)濟地利用這些可再生能源，有必要設(shè)計出最佳優(yōu)化方法。

在分布式能源混合系統(tǒng)優(yōu)化配置方面，國內(nèi)外學者在不同類型系統(tǒng)中，從不同角度進行研究，取得了一定的成果。Hongxing Yan等人使用遺傳算法對孤立風能太陽能混合系統(tǒng)進行優(yōu)化[1]，在滿足最小負荷損失概率的情況下，尋找最小成本。文獻[2]在孤網(wǎng)能量過剩和缺額的控制策略下，整合微網(wǎng)成本和收益，利用遺傳算法優(yōu)化孤網(wǎng)的容量配置。Masoud Sharafi等人提出了混合能源系統(tǒng)中以二氧化碳排放量、系統(tǒng)成本和負荷損失概率為目標函數(shù)的多目標粒子群優(yōu)化算法[3]。相較于傳統(tǒng)的粒子群算法，遺傳算法，灰狼算法具有收斂速度快，分布更廣等特點[4]。A. Yahiaoui等提出用灰狼優(yōu)化算法優(yōu)化混合能源系統(tǒng)的成本，并與粒子群算法進行了比較，該系統(tǒng)為光伏、柴油機、電池組混合系統(tǒng)的電網(wǎng)[5]。

本文考慮整合風力發(fā)電機發(fā)電，太陽能光伏發(fā)電，以及蓄電池組儲能，形成風-光-儲混合能源系統(tǒng)?；依莾?yōu)化方法作為一種新穎的優(yōu)化算法，用以優(yōu)化系統(tǒng)成本，并充分利用光伏發(fā)電系統(tǒng)、風力系統(tǒng)和電池板，通過調(diào)整光能、風能產(chǎn)能比和電池容量，來滿足電力負荷需求。使得這樣的混合動力系統(tǒng)可以在最佳狀態(tài)下工作，并達到節(jié)能、經(jīng)濟的目的。

1 分布式混合能源系統(tǒng)及經(jīng)濟模型

在本文的研究模型中，混合光伏-風力發(fā)電系統(tǒng)包括光伏陣列、風力發(fā)電機組、電池組和其他輔助設(shè)備?？紤]到清潔能源的未來發(fā)展需求，此類利用自然能源的發(fā)電形式為分布式能源的主要來源。而由于成本過高，光伏陣列和風力發(fā)電機一起工作以滿足負載需求。當太陽能和風能充足時，在滿足負載需求之后，所產(chǎn)生的功率將會供應給電池，直到電池充滿電為止。相反，當能源不足時，電池會釋放能量來協(xié)助光伏陣列和風力發(fā)電機組滿足負載要求直至存量耗盡。

1.1 電池模型

太陽能和風能組成的新能源系統(tǒng)可能會產(chǎn)生多于負荷要求的能源，此時多產(chǎn)出的電能將給蓄電池充電，如式(1)。

(1)

ηB為電池充電效率，CB為電池的額定容量，單位kW·h, SOC(t)代表t時刻電池的荷電狀態(tài)，其值指電池使用一段時間或長期擱置不用后的剩余容量與其完全充電狀態(tài)的容量的比值，以百分數(shù)表示。電池完全放電時等于0，電池完全充電時等于100%[3]。

當太陽輻射不夠或風能不強時，可能出現(xiàn)新能源產(chǎn)出無法滿足負荷的情況，此時存儲在蓄池板中的電量可放出以供電，電池荷電狀態(tài)計算如式(2)、(3)。

(2)

EB=|npPPV(t)+nwPwind(t)-PL(t)|

(3)

E(t)為t時刻可能流動在電池板與太陽能、風能系統(tǒng)間的電量。np為太陽能板的數(shù)量，nw為風力發(fā)電機容量，PPV(t)、Pwind(t)為分別為t時刻太陽能、風機的輸出功率，PL(t)為t時刻系統(tǒng)負荷需求。

1.2 約束條件

電池只能工作在所限的荷電狀態(tài)下，在實際情況中不會達到完全充滿電的狀態(tài)。同時整個能源系統(tǒng)應該滿足能源供給與電力需求的動態(tài)平衡，如式(4)、(5)。

SOCmin

(4)

PL(t)≤npPPV(t)+nwPwind(t)+nBCB·SOC(t-1)，

(0

(5)

nB為電池組的數(shù)量，8 760小時代表一年的時間。

風力、光伏、儲能混合系統(tǒng)在工作時，風、光產(chǎn)能大于負載時，電池充電直至達到電池最大荷電狀態(tài)，而供電不足時，電池放電，直到放電至電池的最小荷電狀態(tài)。如果仍無法滿足用電需求，則應適當調(diào)整各成分的容量。滿足該約束建立的模型如圖1所示。

1.3 混合系統(tǒng)經(jīng)濟模型

工作在所限的荷電狀態(tài)下，在實際情況中不會達到完全充滿電的狀態(tài)。同時整個能源系統(tǒng)應該滿足能源供給與電力需求的動電力能源系統(tǒng)的系統(tǒng)經(jīng)濟模型可由下式建立，如式(6)。

ACS=ACC+ARC+AOM

(6)

其中，ACC(Annualized Capital Cost)為年度資本成本，AOM(Annualized Operation and Maintenance Cost)為年度運營與維護成本，ARC(Annualized Replacement Cost)為年度更換成本，一般僅電池需要考慮此項[1-6]。

圖1 風-光-儲混合系統(tǒng)模型

1.1.1 年度資本成本

年度資本成本ACC的計算如下式(7)。

ACC=Ccap0·CRF

(7)

其中，Ccap0是以歐元為單位，系統(tǒng)中各個組成部分的初始資金成本，CRF為資本回收率，計算方法如(8)、(9)。

(8)

(9)

其中，ys為系統(tǒng)中元件壽命/年，i為年實際利率，與i′名義利率相關(guān)，f為年通貨膨脹率。

1.1.2 年度運營與維護成本

年度運營與維護成本AOM可由下式計算，如式(10)。

(10)

其中，Ccap1為初始維護成本，λ為組件的可靠性[6]。

1.1.3 年度更換成本

年度更換成本ARC的計算方法如下式(11)、(12)。

ARC=Crep·SFF

(11)

(12)

其中，Crep是電池組以歐元為單位的更換成本，SFF是償債基金因素，用以計算一系列等年度現(xiàn)金流量未來價值的比率，與電池壽命ys和年實際利率i有關(guān)[1]。

2 灰狼優(yōu)化算法

灰狼優(yōu)化算法是一種由Seyedali Mirjalili提出的新穎的優(yōu)化算法[4]，具有精度高、收斂快、靈活、可避免局部最優(yōu)等特點。該算法模擬狼群捕獵的機制，通過追尋、包圍、靠近、攻擊獵物的行為來尋找最優(yōu)目標的解集。在邊界條件內(nèi)隨機產(chǎn)生初始化狼群，根據(jù)初始化狼群計算適應函數(shù)值，由最合適的首領(lǐng)Alpha(α)狼及次優(yōu)的Beta(β)狼、Delta(δ)狼帶領(lǐng)其余的Omega(ω)狼群追捕獵物。并不斷更新狼群位置，直至足夠靠近獵物或達到最大收斂次數(shù)。狼群包圍的行為如式(14)。

(13)

(14)

(15)

(16)

接著狼群將跟隨根據(jù)下列公式更新為式(17)～式(18)。

(17)

(18)

(19)

(20)

3 基于灰狼算法的系統(tǒng)優(yōu)化模型

德國作為對可再生能源開發(fā)的國家，分布式能源的覆蓋率極高，其輸電網(wǎng)按區(qū)域劃分主要有四家電力公司。本文將德國50赫茲電力公司供電范圍的電網(wǎng)作為一個整體，作黑盒處理，考慮總體的電能平衡而暫時忽略其內(nèi)部的電力調(diào)度與潮流分布。根據(jù)該公司公布的2017年電力能源統(tǒng)計數(shù)據(jù)，到2017年底，該供電地區(qū)風力發(fā)電的裝機容量為17 866 MW，光伏發(fā)電的裝機容量為10 385 MW[7]。本文將根據(jù)50赫茲供電地區(qū)的光伏發(fā)電和風力發(fā)電的每小時歷史發(fā)電數(shù)據(jù)[8]及總裝機量，對其小時產(chǎn)量作單位化處理。并根據(jù)德國新能源的實際占比情況，假設(shè)系統(tǒng)中新能源的供電滿足總負荷的30%，建立電能供需的動態(tài)平衡。

首先，根據(jù)模型參數(shù)及約束條件初始化光伏陣列容量、風機容量、及大小電池的數(shù)量，即灰狼算法中的初始狼群。然后根據(jù)歷史數(shù)據(jù)每小時太陽能、風能的產(chǎn)量和電力負荷的平衡，建立新能源的經(jīng)濟性目標函數(shù)，根據(jù)初始化狼群計算目標函數(shù)值，找出最優(yōu)解成為領(lǐng)頭狼。根據(jù)規(guī)則更新頭狼Alpha狼、Beta狼和Delta狼的位置，直至最大收斂次數(shù)，最終收斂得到最優(yōu)經(jīng)濟函數(shù)，即滿足約束條件。算法流程如圖2所示。

圖2 基于灰狼算法的優(yōu)化算法流程

輸入的經(jīng)濟參數(shù)見表1，額定參數(shù)見表2所示。

表1 經(jīng)濟參數(shù)

表2 額定參數(shù)

經(jīng)過迭代后得到結(jié)果見表3所示。

表3 迭代結(jié)果

實驗表明光伏陣列容量為928 MW，風力發(fā)電機最佳容量為23 091 MW，小型電池數(shù)量為11 412，大型電池數(shù)量為7，系統(tǒng)總成本最終為53 148 00，大大減少了投資。光伏發(fā)電因其晚間或陰天無光照的局限性，而所分配的容量占比較小。風力發(fā)電機雖然造價成本較高，但因其發(fā)電能力較強，所以在滿足負荷需求的要求下，配比的容量也更大。大型電池因其經(jīng)濟成本高而數(shù)量很少，但在實際應用中，可能會考慮耐用程度、壽命長短等。該算法在需要滿足年度所有供電需求，即百分之百滿足一定比例負荷需求的情況下，仍較快達到收斂，體現(xiàn)了灰狼算法速度較快、收斂迅速的優(yōu)點。收斂曲線見圖3所示。

圖3 收斂曲線

圖3顯示了狼群在搜索空間捕獵的過程，也即變量變化使得灰狼位置變化尋找最佳目標函數(shù)值的過程，如圖4所示。

圖4 灰狼捕獵過程

由于約束條件限制，灰狼在搜索空間中隨機探索位置的范圍較廣，需要不斷嘗試，這也體現(xiàn)了灰狼算法的隨機性，即每次迭代灰狼位置之間的非依賴性?？梢栽谝欢ǔ潭壬媳苊庀萑刖植孔顑?yōu)的問題。

4 總結(jié)

本文通過建立分布式混合能源系統(tǒng)中光伏發(fā)電、風力發(fā)電產(chǎn)能和電池充放電模型，滿足電力負荷的時刻需求，并以此為約束條件，建立能源系統(tǒng)的經(jīng)濟性目標函數(shù)。使用灰狼優(yōu)化算法，快速收斂到最佳結(jié)果。對于分布式能源系統(tǒng)的容量配置等具有參考意義。該優(yōu)化設(shè)計方法能有效節(jié)約成本，達到了經(jīng)濟、節(jié)能的目的。此后，考慮電力系統(tǒng)潮流分布及線路損耗，實現(xiàn)多目標的灰狼優(yōu)化等工作有待繼續(xù)研究。