风/光互补发电系统恒压控制的改进微分进化算法分析

孙素军

滁州职业技术学院，滁州，239000

风/光互补发电系统弥补了传统单一风力发电及单一太阳能发电的不足，能够提高电网电能的稳定性。风/光互补发电系统的主要特点为：充分利用空间，合理使用高空及地面；共享送变电设备，提高工作效率；共享经营管理人员，降低运行成本。目前，国内外在风/光互补发电系统恒压控制方面的研究并不多，由于风/光互补发电系统中使用的是无刷双馈变速恒频风力发电机组，它的工作频率和电网频率相互独立，且负载和转速没有关系，要使发电机发出恒频电能，恒压控制就尤为重要。风/光互补发电系统恒压控制属于具备约束条件的多极值非线性组合优化问题，使用传统方法无法实现动态优化。基于此，本文采用改进微分进化算法，将系统最低投资成本和最小缺电负荷率作为目标，以优化风/光互补发电系统恒压控制的模型，并用Matlab搭建14节点系统的仿真模型，对改进微分进化算法进行仿真，结果表明，此算法不仅能提高收敛速度及计算精度，还能提高风/光互补发电系统电压稳定性。

1 风/光互补发电系统能量管理控制体系

图1为风/光互补发电系统能量管理控制体系，主要包括人际交互界面管理层、发电供电装置能量管理层及执行层。界面管理层存储相应数据，能够进行人际交互，执行层主要包括发电设备、控制器及数据收集系统等[1]。能量管理层属于风/光互补发电系统能量管理控制体系中的主要内容，不仅能够和执行层及界面管理层相互通信，也能够和其他能量管理层实现通信。能量管理层的功能是接收控制指令并执行。为加强各层之间的通信，提高系统性能，将多种装置通过能量管理层进行管理，并且在能量管理层中用改进微分进化算法实现恒压控制。

图1 风/光互补发电系统能量管理控制体系

2 风/光互补发电系统恒压控制优化模型

2.1 优化目标

在规划和设计风/光互补发电系统时，风力机组、光伏电池和蓄电池等影响系统的经济性及可靠性。因此，将风力机组、光伏电池和蓄电池容量作为控制变量，将负荷缺电率及成本作为目标函数搭建模型[2]。

如果天气较为恶劣，部分条件无法满足负荷功率需求时，为了能够对系统全年供电的可靠性进行有效评价，引入负荷缺电率的概念，计算公式如下：

(1)

式中，Ey为一年中负荷总能量消耗，PLS[i]为能量损失。

风/光互补新能源发电系统成分包括维护费用及固定投资。和传统发电方法对比，风力发电及太阳能光伏发电原料成本较低，系统成本通过相应模型表示：

C=nw*Cw+nPV*CPV+nbat*Cbat

(2)

式中，nw、nPV、nbat分别为风机数、光伏电池数和储能电池数；Cw、CPV、Cbat分别为单台风机、光伏电池和储能电池的投资成本和维护成本。

2.2 约束条件

风/光互补发电系统中光伏每天平均发电量和风机发电量之和要满足每天平均负荷需求，还要留有相应的裕度。如果天气恶劣，储能电池就是主要备用电源，无风或无光时，储能电池要能满足负荷工作天数的需求。所以，配置数量要满足以下条件：

NPVPPV+NWPW≥Pload

(3)

式中，NPV、NW为光伏电池数量和风机数量；NPV、NW分别为单块电池和单台风机的输出功率；、Pload为日负荷平均功率。

考虑风机间距对于风机出力的影响，风机厂在风电机组布置的过程中，要求行距为风轮直径的5～9倍，列距为风轮直径的3～5倍。由于场地面积较大，要避免光伏电池板放在阴影的地方，故不考虑阴影对光伏电池的影响。光伏电池和储能电池受到场地面积的影响，配置数量要满足以下条件：

NPVSPV+NbSb≤L×W

(4)

式中，SPV、Sb分别为单块光伏电池和单个储能电池的占用面积；L和W分别为用地的长和宽。

3 风/光互补发电系统恒压控制的改进微分进化算法

微分进化算法是一种采用实数编码的种群进化算法，它源于遗传算法(GA)，所以进化过程也包括种群初始化、交叉及变异和选择。

3.1 微分进化算法(DE)

3.1.1 种群初始化

种群初始化是指在给定种群的规模NP和个体维数n的基础上，在种群边界范围内生成种群个体。

3.1.2 交叉及变异

为了避免算法陷入局部最优解，就要融合自适应遗传算法，不仅能保证群体多样性，还能提高算法的收敛能力和优化能力，其交叉概率公式为：

(5)

其变异概率公式为：

(6)

其中，fmax为群体中的最大适应值，favg为群体平均适应值，f为要交叉的两个个体中较大的适应度值，f′为要变异个体的适应度值，k1、k2、k3和k4为常数。根据公式(5)、(6)，在个体适应度比平均值低的时候，变异概率及交叉概率就会提高，此个体就会被淘汰。在适应度比平均值高的时候，变异及交叉概率就以适应度高低线性变化为基础，若适应度高，则变异及交叉概率就会降低，便于个体存活，在群体陷入局部最优解时，变异及交叉概率就会提高[3，4]。

3.1.3 选择

微分进化算法实际是一个优胜劣汰的选择过程。它以个体适应度评价为基础，让新生个体与父辈个体一一竞争，只要新生个体的适应度值比父辈个体的适应度值优，则遗传到下一代，否则被淘汰。

3.2 改进微分进化算法(MDE)

改进微分进化算法是在传统算法的基础上，融入帕累托非劣排序，将种群中的个体按目标函数的值进行排序，然后，根据排序结果及特定比例分为劣势群落和优势群落。

对劣势群落中的个体进行定向变异加速分化：

(7)

对优势群落中的个体进行随机变异加速分化：

(8)

3.3 算法流程

图2为改进微分算法优化的流程，Nmax为最大迭代次数，首先实现种群初始化，其中风力发电机及储能电池数量要根据负载需求选择0～100之间的正整数，在得到初始种群后，再根据负荷数据、气候及成本和负荷缺电率，实现下一步循环迭代。当迭代次数N

图2 改进微分算法优化的流程

4 算法仿真及分析

本文用Matlab搭建14节点系统模型，对改进微分进化算法进行仿真，表1为14节点系统初始状态值，系统主要包括发电机、调压变压器及电容器组。表2为14节点电压综合控制的优化结果，由表2可知，微分进化算法优化后的有功损失降低了20.5%[6]。

表1 14节点系统初始状态值

表2 14节点电压综合控制优化结果

由表3可知，和传统算法相比，改进微分进化算法的最优损失分布范围较广，不仅能有效降低有功损失，使系统整体的电压质量得到改善，而且还有较好的全局收敛能力及寻优效果[7]。

表3 电压综合控制算法对比

5 结 语

本文首先以系统成本最低及缺电负荷率最小作为目标函数，以储能电池的充放电次数、电池充放电的上下限和微网功率平衡为约束条件，创建了风/光互补发电系统恒压控制的模型，具有一定的实用价值。其次，提出的改进微分算法融入帕累托非劣排序，和传统算法相比，变异策略有所改进，全局收敛能力及寻优效果良好。最后，通过仿真表明，改进后的微分进化算法能有效解决风/光互补系统发电容量规划设计过程中的问题，并且具有较高的可靠性及经济性。