基于遗传算法的混合供能系统*

2019-09-19丁屹峰梁安琪赵宇彤张雅静

沈阳工业大学学报 2019年5期

丁屹峰，杨烁，梁安琪，赵宇彤，张雅静

(国网北京市电力公司电力科学研究院，北京 100075)

为了缓解化石能源日益减少的问题和温室气体排放、全球变暖等环境问题，世界各国开始采纳可持续发展的策略并使用可再生能源混合供能[1].

目前，针对能源互联系统的研究主要集中在系统建模和优化调度等方面，如文献[9]在考虑实时电价和制热收益的基础上建立了热电联产模型，并使用遗传算法优化各微电源的有功和无功出力；文献[10]主要解决热电联产系统的出力分配问题，在考虑设备特性、能源平衡和负荷波动的基础上，建立了一个非线性优化模型；文献[11]使用燃料消耗费用、分布式电源的运行与维护费用构建系统成本函数；文献[12]根据IP网络建立了功率消耗的基本模型，并使用该模型来估计系统所损耗的能源；文献[13]则致力于多种能源的实时调度问题，建立了一种概率优化模型.

1 混合供能系统架构

1.1 分布式发电建模

1.1.1 光伏发电模型

光伏发电即将太阳能转化为电能，其原理如图1所示.

图1中，RL为电力负荷，其两端电压、电流为UL、IL；Rs为串联电阻；RSH为内阻；光子在太阳能板上激发的电流值为IPH，其值由电池板的有效面积、温度T和太阳能的强度决定.光照强度为零时，UL形成的单向电流为IVD，且有

(1)

式中：A为常数因子，当电压较大时值为1，否则为2；q=1.6×10-19C；K为玻尔兹曼常数；I0为饱和电流；E为电动势.

由图1可知

(2)

由于Rs的值通常较小，RSH的值通常较大，为了简化分析，通常忽略它们的影响，则有

(3)

1.1.2 风力发电模型

风力发电的实质是风驱动发动机叶片旋转，并带动发动机将风能转化为电能，其发电功率可表示为

(4)

式中：v为实时风速；v0为额定风速；vin为启动风速；vout为停机风速；PN为额定输出功率.

1.1.3 燃气轮机模型

燃气轮机通过燃烧天然气输出电能和热能，其具有废气排放少和环境污染小的特点.假设，外界空气的温度和压强分别为(T0，P0)，当空气通过过滤器和发电机后，其温度与压强分别变为(T1，P1)，经压缩机处理后变为(T2，P2)，然后与燃料混合燃烧，变为(T3，P3)，气体燃烧后进入涡轮机并驱动发电机旋转产生电能.燃烧过程中消耗的天然气量为

(5)

式中：ZMT(t)为1台燃气轮机在t时间内消耗的天然气量；PMT(t)为产生的电功率；LHVNG为转换系数，本文取9.7 kWh/m3；ηMT为发电效率，且有

ηMT=a+bPMT(t)+c(PMT(t))2+

d(PMT(t))3

(6)

式中，a、b、c、d为效率系数，本文按照文献[16]将它们设置为a=0.092 6，b=0.836 5，c=-1.013 5，d=0.416 6.

1.2 储能系统建模

1.2.1 电储能设备

本文使用电储能设备在电网负荷低谷时存储电能，在电网负荷高峰时提供电能.电储能设备的额定容量为S0，其充放电倍率C为充放电电流的比率，C=I/S0，其中，I为充放电时的工作电流.设备的剩余电量SOC为剩余容量与总容量的比值，t时刻的剩余电量SOC(t)为

SOC(t)=(1-τ)SOC(t-1)+

(7)

式中：τ为自放电效率；SOC(t-1)为t-1时刻的容量；ηch、ηdis为储能设备的充放电效率；Pch、Pdis为充放电功率.

1.2.2 热储能设备

使用热储能设备不仅可以有效缓解热负荷需求高峰时的供求矛盾，并能提高热能利用率.热储能设备的数学模型为

EHS(t)=(1-μ)EHS(t-1)+

(8)

式中：EHS(t)，EHS(t-1)分别为t时刻和t-1时刻的容量；ηHS，ch，ηHS，dis为设备吸热效率与散热效率；QHS，ch(t)，QHS，dis(t)为设备吸热功率和散热功率；μ为设备散热损失率.

2 系统目标函数

本文结合用电费率结构建立混合供能系统的经济运行目标函数，并忽略传输过程所消耗的电能和热能，建立目标函数为

CPV(t)-Cwind(t)-CES(t)-CHS(t)]

(9)

式中：CG(t)为发电成本；CMT(t)为天然气成本；CGB(t)为售热收益；VMT(t)为燃气轮机在t时刻的启停状态；CPV(t)、Cwind(t)为光伏发电和风力发电的收益；CES(t)、CHS(t)为电、热储能设备的供电和供热收益.发电与天然气成本表达式为

(10)

式中：CCO为电厂燃料消耗的成本；PG(t)为时段t的发电功率；CCH4为天然气单价.

混合供能系统在运行过程中，也需要考虑电功率、热功率的约束以及各设备的运行约束.电功率平衡约束为

PG(t)+PPV(t)+Pwind(t)+PMT(t)+PE，dis(t)=

PL(t)+PE，ch(t)

(11)

式中：PPV(t)、Pwind(t)分别为时段t的太阳能发电功率、风力发电功率；PL(t)为负荷需求量；PE，dis(t)、PE，ch(t)为电储能设备的放电功率和充电功率.

热功率约束为

QMT(t)+QGB(t)+QHS，dis(t)=

QL(t)+QHS，ch(t)

(12)

式中：QMT(t)、QGB(t)为时段t内燃气轮机的产热功率和燃烧天然气产生的热功率；QHS，dis(t)、QHS，ch(t)为储能设备的放热功率和储热功率；QL(t)为热负荷的需求量.

电储能设备约束条件为

(13)

式中：γE，ch、γE，dis为最大充电倍率和最大放电倍率；S0为储能设备的额定储能容量.

热储能设备约束条件为

(14)

式中：γHS，ch、γHS，dis为最大储热倍率和最大放热倍率；SHS为储能设备的额定储热容量.

3 基于遗传算法的混合供能系统优化

遗传算法是从生物进化规律中创造出的一种能处理离散变量，并具有较强全局寻优能力的搜索算法.使用遗传算法求解混合供能系统的主要步骤如下：

1) 输入原始数据和优化的目标函数，并初始化各发电机组、电负荷、热负荷的值以及约束条件.

2) 系统和种群初始化，设置时刻t=0 s和种群大小Ngen=0，并根据式(11)～(14)所示的约束条件对初代种群进行编码.

3) 使用式(9)所示的函数求解步骤2)中所生成种群的适应度值.

4) 从步骤3)中计算出的种群适应度值中选出适应度最大的个体，并对该个体进行选择、交叉和变异操作.

5) 判断步骤4)中得到的新个体是否满足迭代终止条件，若满足则终止迭代并输出个体编码；否则修改各机组的运行状态，并设Ngen=Ngen+1，跳到步骤3)直至迭代终止.

为简化系统的优化过程，本文使用二进制编码对混合供能系统中所有设备进行编码，染色体的长度由储能单元的总数决定.使用轮盘法来实现选择操作，根据每个个体适应度值在种群中的概率确定个体被选择的概率，则个体选择的概率pi可表示为

(15)

交叉操作通过随机对两条染色体在相同位置进行断裂和交换组合，形成两条新染色体.本文使用式(16)所示的方法对染色体h和l进行交叉操作，操作公式为

(16)

变异操作即将染色体某一位置的编码由1变成0或者由0变成1，本文使用式(17)进行变异操作，即

gij=1-gij

(17)

式中，gij为第i条染色体的第j个基因.

4 实验与分析

本文使用如图2所示的IEEE14节点系统进行仿真分析.该系统的节点1和节点2为10 kV级火力发电机组；节点3为风力和光伏发电机组；节点4和节点5为光伏储能设备，节点5为额定容量是100 MVA的变压器；节点6和节点7为燃气锅炉；节点9为热储能设备；节点10～14为电力负荷和热力负荷.其中，火力发电机组的额定容量为80 MW；光伏发电机组的额定容量为12 MW，功率上、下限为0和12 MW；风力发电机组的额定容量为30 MW，功率上、下限为0和30 MW；燃气锅炉的额定容量为20 MW，功率上、下限为0和20 MW；电储能设备的额定容量为10 MW，功率上、下限为-10和10 MW；热储能设备的额定容量为10 MW，功率上、下限为-10和10 MW.

图3～5为火电厂、风力发电机组和光伏发电机组在24 h内的实时功率图.从图3可以看出，发电功率与用电负荷的波动相关，呈现出谷、峰、平、峰、平的波形.在8～9时用电负荷变多，发电量也在变多；在21～23时用电负荷变少，发电量也随之减少.从图4可以看出，风力发电量具有较强的随机性，在夜间的风力要大于白天的风力，因此发电量也更多.从图5可以看出，光伏发电量随着光照强弱的变化而变化.在6～14时光照强度增加，发电量也随之增加；在14～19时光照强度减小，发电量也随之减小.图6为燃气轮机的发电和发热功率变化情况，从图6中可以看出，在0～6时受功率下限的限制，只有20 MW的发电功率和49 MW的发热功率；在7～10时，随着热力负荷的减小和电负荷的增加，燃气轮机以热定电；在17～21时，电热负荷均较大，故燃气轮机以电定热.图7为系统运行成本曲线，从图7中可以看出，在1～6时由于处于深夜时段，系统成本较平稳；在6～13时成本逐渐增加，并在11和12时达到次高峰；在13～17时成本减小；在17～20时成本再次增加，并达到最高峰；而在20～23时成本减小.