基于VEGA的风光蓄联合发电系统多目标容量优化

2016-03-11王晓兰刘立强张晓英

电源技术 2016年4期

关键词：风光容量发电

王晓兰，刘立强，梁琛，张晓英

(1.兰州理工大学电气工程与信息工程学院，甘肃兰州730050；2.甘肃电力科学研究院，甘肃兰州730050)

基于VEGA的风光蓄联合发电系统多目标容量优化

王晓兰1，刘立强1，梁琛2，张晓英1

(1.兰州理工大学电气工程与信息工程学院，甘肃兰州730050；2.甘肃电力科学研究院，甘肃兰州730050)

针对我国西北地区风、光资源的分布情况，建立小型风光蓄联合发电系统。依据气候常年变化的统计情况，考虑投资成本、系统可靠性、风光资源利用率等多个优化目标，建立数学模型；并对系统孤岛运行和并网运行的不同情况进行优化处理。采用整数编码的向量评价遗传算法(VEGA)进行求解，获得了微网中分布式电源和储能电池的多种优化容量配置方案。

风光蓄发电系统；多目标优化；风光资源的利用率；向量评价遗传算法

随着自然资源的日渐枯竭，寻求可替代能源成为了越来越迫切的课题[1]。风光蓄联合发电系统作为一个新型能源发电单元，能够充分利用当地的自然资源，使得发电系统独立运行时满足供电负荷的需求，系统并网运行时减少集中供电所带来的压力，特别是在我国西部和输电不便的偏远地区，具有很高的实用价值。

目前，国内外学者对于风光蓄联合发电系统的研究主要集中在优化目标和优化算法的改进上。文献[2-4]以系统的供电可靠性为约束条件，以系统成本最小为优化目标对整个系统进行容量的优化配置，文献[5-6]以系统投资成本和稳定性作为主要优化目标，同时考虑能源利用率等作为其他的优化目标，对其进行容量的优化配置。文献[7-11]对优化算法进行了研究，文献[8]考虑了风力发电机的类型、台数和光伏组件的倾角等更多的变量，采用遗传算法对孤岛运行的风光互补发电系统进行容量配置。

本文提出了在系统孤岛运行和并网运行时，考虑不同的目标函数。当系统孤岛运行时，建立考虑系统成本、供电可靠性和反映风光互补特性的三目标优化数学模型；在系统并网运行时，除上述三个目标函数外，将系统馈入电网的功率波动作为第四个目标函数。采用向量评价遗传算法(VEGA)对上述多目标优化问题进行求解，以中国西部某地为例，得到了可以辅助决策的多目标Pareto优化解。

1 风光蓄联合发电系统

1.1 风光蓄联合发电系统结构

风光蓄联合发电系统结构如图1所示，这种方案具有负荷和分布式电源扩容较为便利的优势。系统由光伏阵列、风力发电机组、蓄电池组等几部分组成，该系统可以独立运行，也可以并网运行。

图1 风光蓄联合发电系统结构示意图

1.2风光蓄联合发电系统的能量变换

当系统独立运行时，若风能和太阳能发电量不满足负荷需求，则蓄电池放电。当发电量大于负荷需求时，蓄电池充电。当系统并网运行时，若发电量不满足负荷需求，负荷先由风光蓄联合发电系统供电，不足部分由电网提供。当发电量充足时，除满足系统本身负荷的需求外，多余的电量馈入电网。

2 风光蓄联合发电系统的优化模型

2.1 风光蓄联合发电系统的多目标优化模型

2.1.1 优化变量的定义

2.1.2 目标函数

在满足系统性能指标的前提下，使系统总成本最低，其中包括初始投资成本、系统维护成本以及系统并网时与电网的功率交换成本。系统初始投资成本为：

系统运行维护成本为：

系统并网时，与电网交换功率的成本主要包括系统向主网卖电成本和系统向主网购电成本。

则优化目标函数为：

在分析了系统功率变换的基础上，采用风力与光伏输出功率之和相对于负荷功率的波动率表征风光互补特性：

系统并网运行时，考虑到入网功率波动对配电网电能质量的影响，以入网功率标准差作为衡量系统并网性能的优越指标：

2.2 风光蓄联合发电系统的多目标优化问题的约束条件

考虑极端天气情况，系统独立运行时，满足系统供电要求，风力发电机组数、光伏阵列数、蓄电池数分别小于其最大值

蓄电池电量变化约束条件：考虑到蓄电池的寿命，使蓄电池的荷电状态在之间，充放电功率小于其最大值。

系统并网时功率交换约束条件：系统并网时，与电网的交换功率在之间。

2.3 风光蓄联合发电系统的多目标优化问题的数学描述

为了对风光蓄联合发电系统进行合理优化，基于上述对系统发电单元功率变化情况和储能单元容量的分析，建立多目标数学模型。在满足系统可靠性前提下，使得系统总的运行费用、风光互补波动率、入网功率波动最小，其数学表达式为：

3 多目标优化问题的VEGA求解

算法流程如图2所示，程序具体步骤为：

(1)初始种群的生成，本文的初始种群根据不等式约束进行随机选取，种群大小设为500，遗传算法以这500个染色体作为初始点开始迭代，为0.9；

文献[12]中Schaffer提出了采用VEGA求解多目标优化问题的思路，利用并行的方式给出多目标优化问题的Pareto非劣解，解决了多目标优化的难题。本文采用VEGA算法的思想对建立的多目标经济优化模型进行求解。

在用VEGA求解时，变量定义为式(1)，故采用整数编码来表示初始群体中的个体，染色体结构表示为

图2 算法流程

(2)计算每个染色体对应的目标函数值和适应度函数值；

(3)重组操作，本文以0.7的概率完成对当前种群中一对个体的离散重组，在重组后返回到新种群中；

(4)变异操作，变异算子能够改善遗传算法的局部搜索能力，维持染色体的多样性，防止出现早熟现象，本文以0.02的概率对重组后的子代产生变异；

(5)终止条件判断，通过设计适应度函数和各遗传算子，对初始种群进行选择、重组、变异和重插入操作，若达到最大迭代次数，终止运算，否则，转到步骤2继续进行运算，本文在不同的迭代次数下进行优化分析，以得到最优化目标。

4 算例与分析

为验证本文提出的风光蓄联合发电系统优化方案的合理性和优越性，选择甘肃某地为参考区域，借助Matlab软件对优化模型进行求解。该地区全年预测的负荷功率如图3，负荷峰值功率为330 kW，平均功率为150 kW；风速数据来源NASA，其中，风速和光照强度经由Homer软件进行离散化处理，温度取每月平均值。考虑到本系统为小型发电系统，选取额定功率为1 kW小型风力发电机；选取5片最大功率为230 W的光伏组件进行串并联作为一组，对应电压为29.6 V，其最大功率为1.15 kW；选取额定电压12 V，额定容量为200 Ah的蓄电池作为储能单元。

图3 负荷功率曲线

为方便计算，系统并入电网时，假定购入和卖出电量的电价相同，VEGA中初始种群个数500，代沟为0.9，重组概率为0.7，交叉概率为0.02。

图4 系统独立运行时寻优过程

图5 未考虑风光互补特性的Pareto非劣解前沿分布

图6 考虑风光互补特性的Pareto非劣解前沿分布

由图5和图6可知，系统总成本随着系统供电可靠性的提高而增加，在实际应用中，可以根据不同的需求，在总成本和供电可靠性方面选择一个折中，在此分别选择图5和图6中箭头所指示点的优化结果，得到的各目标函数值如表1中所示。

图7为当系统并网运行时，同时考虑四个优化目标的寻优过程，次数为500时，系统总成本、供电可靠性和风光互补特性三个目标函数的寻优过程。图8为系统并网运行时总成本和供电可靠性目标函数Pareto非劣解前沿分布，选择图8中箭头所指示点的优化结果，得到的各目标函数值如表1所示。

表1 各目标函数最优解

图7 系统并网运行时前三个目标函数的寻优过程

图8 并网运行Pareto非劣解前沿分布

采用分时段优化控制策略对系统馈入电网的功率波动进行补偿[13]。由表1可知，系统并网运行的总成本略高于独立运行时，但并网运行时的供电可靠性和入网功率波动明显优于独立运行。当系统独立运行时，如果充分利用风光互补特性，系统所需储能单元容量减少，但由于其他发电单元的成本增加，系统总成本略有增加；系统并网运行时，考虑系统馈入电网的功率波动需满足电网电能质量要求，因而利用蓄电池限制馈入电网的功率波动范围，使优化结果中蓄电池的容量增大。

5 结论

本文针对小型风光蓄联合发电系统，考虑系统孤岛和并网两种不同的运行方式，分别提出不同运行方式下的优化目标函数。当孤岛运行时，考虑风光互补特性对系统容量优化的影响；并网时，将系统馈入电网功率波动特性作为另外一个目标函数。利用向量评价遗传算法对多目标优化问题进行求解，得到了反映多种优化配置方案的Pareto非劣解分布。

Pareto非劣解分布为决策者提供了多个选择，运营商可根据系统不同的指标要求，选择合理的配置方案。系统独立运行时，当风光发电功率曲线能够很好匹配负荷变化曲线时，只需配置较少的储能装置，就可以满足系统性能指标的要求；并网运行时，需同时考虑系统供电可靠性和入网功率波动，系统总成本和储能单元容量有所增加。

[1]WOYTE A，VAN V，BELMANS R，et al.Voltage fluctuations on distribution level introduced by photovoltaic systems[J].IEEE Trans on Energy Conversion，2006，21(1):202-209.

[2]KELLOGG W.Generation unit sizing and cost analysis for standalone wind，photovoltaic，and hybrid wind/PV systems[J].IEEE Trans on Energy Conversion，1998，13(1):70-75.

[3]BOROWY B S，SALAMEH Z M.Methodology for optimally sizing the combination of a battery bank and PV array in a wind/PV hybrid system[J].IEEE Trans on Energy Conversion，1996，11(2): 367-375.

[4]SHRESTHA G B，GOEL L.A study on optimal sizing of standalone photovoltaic stations[J].IEEE Trans on Energy Conversion，1998，13(4):373-378.

[5]DUFO-LÓPEZ R，JOSÉ L，AGUSTÍN B，et al.Multi-objective design of PV-wind-diesel-hydrogen-battery systems[J].Renewable Energy，2008，33(12):2559-2572.

[6]DUFO-LÓPEZ R，JOSÉ L，AGUSTÍN B，et al.Multi-objective optimization minimizing cost and life cycle emissions of stand-alone PV-wind-diesel systems with batteries storage[J].Applied Energy，2011，88(11):4033-4041.

[7]MARION W，URBAN K.User’s manual for years[R].London: National Renewable Energy Laboratory，1995.

[8]XU D，KANG L Y，CHANG L C，et al.Optimal sizing of standalone hybrid wind PV power systems using genetic algorithms[C]// 18th Annual Canadian Conference on Electrical and Computer Engineering.Saskatoon，Saskatchewan，Canada:IEEE，2005:1722-1725.

[9]YANG H X，ZHOU W，LU L，et al.Optimal sizing method for stand-alone hybrid solar-wind system with LPSP technology by using genetic algorithm[J].Solar Energy，2008(82):354-357.

[10]徐大明，康龙云，曹秉刚.基于NSGA2Ⅱ的风光互补独立供电系统多目标优化[J].太阳能学报，2006，27(6)：593-598.

[11]WANG L，SINGH C.PSO-based multi-criteria optimum design of a grid connected hybrid power with multiple renewable source sources of energy[C]//Proceedings of 2007 IEEE Swarm Intelligence Symposium.Piscataway，NJ，USA:IEEE，2007:250-257.

[12]SCHAFFER J D.Multiple objective optimization with vector evaluated genetic algorithms[C]//Proceedings of the First International Conference on Genetic Algorithms and Their Application.Pittsburgh，USA:ICGA，1985:93-100.

[13]徐林，阮新波，张步涵，等.风光蓄互补发电系统容量的改进优化配置方法[J].中国电机工程学报，2012，32(25)：88-98.

Multi-objective capacity optimization for wind-solar-battery hybrid power system based on VEGA

Based on the distribution of wind or solar resources in northwest，a small wind-solar-battery hybrid power system was proposed.Based on the statistical situation of perennial climate changes，the mathematical model was built considering multi optimization objectives including investment cost， system reliability and utilization of wind-solar resources.The different situations in both stand-alone and grid-connected modes were optimized.The vector-evaluated genetic algorithm (VEGA)was used to solve the optimal problems.The optimal allocations of distributed source and batteries were got in micro-grid.

wind-solar-battery hybrid power system;multi-objective optimization;wind-solar resources utilization; vector-evaluated genetic algorithm

TM 73

1002-087 X(2016)04-0840-04