联合互补发电系统优化策略研究

王红亮，佘金鑫

(特变电工智慧能源有限公司，辽宁 沈阳 110144)

随着新能源战略提出，我国近些年在新能源发电领域发展迅速，国内、国外的装机容量都是最大。新能源发电技术的成熟在并网推进上也较为迅速，除了传统的燃煤发电外，风电和光伏发电由于借助自然条件，不产生污染，发展迅速，作用日益加大，是清洁能源的典型代表[1]。但风电和光伏发电在时间和空间上受到较大限制，因此在发电输出上存在一定的波动性和不稳定性，例如风力较大时，风电输出功率大；风力小或者无风状态时，风电输出功率小或者没有。光伏发电白天可以正常发电，在日光最足时输出功率最大；但夜晚时无电能输出。为了解决输出稳定性问题，提出风光互补发电系统优化策略，利用各自不同特点进行互补输出，同时配置蓄能系统，提高系统稳定性[2-4]。配置容量小的发电系统可以通过蓄电池蓄能来互补实现；配置容量大的发电系统，蓄电池蓄能无法完全满足，需要容量大，启动速度更快的蓄能系统。在整体配置上，如果抽水蓄能容量不足，则无法充分平衡整个系统的功率波动；如果抽水蓄能容量过大，会造成资源浪费。因此，对联合互补发电系统进行优化研究，具有重大的意义[5]。

1 联合互补发电系统结构

将传统的风电和光伏发电及抽水蓄能电站有机结合起来，构成联合互补发电系统，如图1所示。

图1 联合互补发电系统结构

抽水蓄能电站要求较高，要根据地形进行建设。风电和光伏发电受时间制约，存在一定的不稳定性，输出电能的波动性大。联合互补发电系统就是在风光发电基础上，增加抽水蓄能电站，将不稳定电能转移到抽水蓄能电站，成为稳定电能进行存储。我国西北晚上风力明显比白天大，夜间发电输出功率较大，往往会超出电网实际负荷量，此时将多余的电能通过抽水蓄能电站进行存储，就可以大大减少电能浪费[6]。光伏发电受太阳光线强度限制，白天发电量大，夜间几乎无法发电。通过将三者有机结合，减少电能损失，提高发电效率，减少电网电压波动，保证电网电压稳定。

2 联合互补发电系统模型分析

抽水蓄能电站将电能转换成水的势能存储，因此在联合互补发电系统中将水作为能量的载体[7]，将水量平衡和排水系统容量作为重点模型。在水量平衡模型中主要是上游水库的容量大小。

Y0=max(Qti-Qoi)+A

(1)

式中:Qti为1个24 h周期内第i个时间节点上，抽水蓄能电站上游水库的进水量；Qoi为同1个时间节点，抽水蓄能电站水轮机组一共引用的水量数值，i=1,2,…,24；A为抽水蓄能电站的水库固定库容。

(2)

(3)

式中：q1(t)为光伏发电对应的抽水流量；q2(t)为风电对应的抽水流量；q(t)为抽水蓄能电站总水轮发电机运行时产生的引水流量。抽水蓄能电站抽水机的容量大小，根据风电和光伏发电产生的电能确定，多余能量越大，抽水机容量越大[8]。

3 联合互补发电系统优化

3.1 目标函数

在完成系统模型分析后，建立风电和光伏发电输出能量模型，同时对风光发电实际输出能量的利用率进行分析，将电网用电和联合互补发电系统的效益作为评估手段，构建系统数字模型，通过算法分析，找到系统最优解，作为系统优化的最终方案。目标函数求解的关键是根据系统特点，选择占比重的参数作为目标函数，因为整个系统是1个具有约束条件多、离散程度大的非线性动态系统，因此最优解求解过程较为繁琐复杂[9]。

a.目标函数1

目标函数1以联合互补发电系统效益最大化作为切入点进行模型设计，通过对风电、光伏发电和抽水蓄能电站在不同时间点的效益输出减去抽水过程损失的效益，得到最终能量效益的输出模型。目标函数1为

(4)

b.目标函数2

目标函数2是对风电和光伏发电的功率波动情况进行建模，主要是相邻时刻风电和光伏发电系统输出功率差。目标函数2为

(5)

式中:Pf(i)为第i个时间节点系统输出功率；Pf(i-1)为第i个时间节点的上1个时间节点系统输出功率。通过差值得到系统功率是正输出还是负输出。

3.2 约束条件

a.发电功率和输出功率守恒

根据能量守恒定律，风电和光伏发电系统输出的总功率等于风电负载功率、光伏发电负载功率以及抽水作用在水泵上功率的和。

(6)

b.电网对波动电能接收能力的限制

风电和光伏发电存在不稳定因素，因此电网对入网电能的波动功率有一定要求，电网最大电能接收能力为系统负荷20%。

(7)

c.水库容量约束

水库容量对抽水蓄能大小有一定约束，实际运行时容量在一定的范围。

0≤Vi≤Vmax

(8)

式中：Vi为水库容量；Vmax为水库最大容量。

d.水电机组功率约束为

(9)

e.风电输出功率约束为

(10)

f.光伏发电输出功率约束为

(11)

4 改进免疫粒子群算法优化

4.1 优化策略

改进免疫粒子群算法为

Vi(t+1)=Vi(t)+c1rand1()(pi(t)-Xi(t))+c2rand2()(BestS(t)-Xi(t))Xi(t+1)=Xi(t)+Vi(t+1)

(12)

式中：pi(t)为t时刻粒子i的个体最优值；BestSi(t)为t时刻的群体最优解；c1，c2为学习因子；rand1(),rand2()为2个相互独立的(0,1)间的随机数；Xi(t)为第i个粒子的位置；Vi(t)为第i个粒子的速度。

加入惯性权重ω，速度优化为

Vi(t+1)=ωVi(t)+c1rand1()(pi(t)-Xi(t))+c2rand2()(BestSi(t)-Xi(t))Xi(t+1)=Xi(t)+Vi(t+1)

(13)

式中：ω为速度惯性对粒子群全局搜索与局部寻优之间协调能力。ω值较大时，代表全局搜索能力强；ω值较小时，代表局部搜索能力强。在计算过程中采用线性递减的方法。

(14)

式中：Tmax为迭代次数;ωmax、ωmin为最大、最小惯性权重;t为当前迭代值。

根据系统建模需求，学习因子变化分为异步变化和同步变化。根据对称性,异步变化学习因子分为对称变化和非对称变化。

同步变化学习因子为

c=c1=c2=cmax-k×(cmax-cmin)/kiter

(15)

式中:k为当前迭代次数；kiter为最大迭代次数；cmax、cmin为c的最大、最小值。

异步变化学习因子为

c1=c1max-k×(c1max-c1min)/kiter

(16)

c2=c2max-k×(c2max-c2min)/kiter

(17)

式中:c1max、c2max为c1、c2的最大值；c1min、c2min为c1、c2的最小值。

由式(15)—式(17)可知，在改进免疫粒子群算法学习过程中，c1值体现了粒子在局部搜索能力的强弱，当c1值较大时，表示当前粒子主要进行局部搜索；c2值体现了粒子全局搜索能力强弱，当c2值较大时，表示当前粒子会更快收敛到局部最优值[10]。粒子搜索的速度和精度是保证算法有效性的关键，为了提高搜索速度和精度，需要让粒子从向自己的最优Pi(t)的学习转为向社会最优BestSi(t)学习，最终完成向社会最优BestSi(t)靠拢的收敛原则。采用非对称变化的学习因子方式，能够提高算法优化速度，更准确收敛到系统最优解。

4.2 优化流程

通过优化算法建立联合互补发电系统模型，对其最优解求解，实现系统优化，系统流程如图2所示。

图2 系统流程

4.3 仿真分析

不同风电、光伏发电以及抽水蓄能电站的装机容量，最终优化配置均不相同。本文选择风电容量为l00 MW，光伏发电容量为50 MW，抽水蓄能电站容量分别为21 MW、40 MW以及60 MW。对3种容量进行建模并仿真，最终得到优化方案。因为风电和光伏发电受时间因素影响，在仿真中以小时为调度周期，这样1天就被划分为24个时间段，假设每个时段内系统发电和水轮机的工作效率不变,以系统最大的经济效益以及最小的功率波动为最终目标函数，通过改进免疫粒子群算法对系统进行求解。

a.在系统仿真参数定义上，Δt为时间间隔，设置l h；T为时间周期，设置24 h；光伏发电效率ηp=93.69%、风电效率ηk=93.85%、联合发电效率ηinv=0.8。通过仿真得到风电及光伏发电输出的有功功率，如图3所示。

图3 风电和光伏发电有功功率输出

由图3可知，光伏发电受太阳光强度和角度影响，最终近似成正态分布状态。风电受时间影响波动很大，在凌晨时风速大，输出功率大，白天随着风力减小，输出曲线呈下降趋势，即使日照增强，但因为风速减缓，输出功率下降速度很快；傍晚后随着风力强度增加，风电输出功率上升。可以看出，整个系统功率波动非常大，对电网和负载造成非常大冲击。

b.对于不同装机容量和水库容量的联合互补发电系统输出功率进行仿真，结果如图4所示。

图4 联合互补发电系统输出功率对比

由图4可知，装机容量为40 MW时，系统输出效率最高，抑制系统功率波动效果最好，产生的经济效益最大。

c.为了验证系统收敛性，在仿真过程中选取30个粒子进行100次迭代，系统权重ω根据式(14)选值，学习因子C1、C2通过式(15)、式(16)和式(17)选值,最后对收敛特性进行仿真,如图5所示。

图5 收敛特性曲线

由图5可知，系统收敛性较好，实现了系统优化，同时验证了改进免疫粒子群算法可靠。

5 结束语

本文针对风电和光伏发电存在的弊端，研究联合互补发电系统优化策略，建立联合互补发电系统容量配置优化模型，提出了一种基于改进粒子群算法的联合互补发电系统各子系统容量分配的设计方案。通过对抽水蓄能电站的水库容量、各个发电系统及电网负载能力等约束条件分析，给出联合互补发电系统的数学模型，并设计改进免疫粒子群算法，对各个发电系统的容量配比进行分析和求解并进行仿真，验证了联合互补发电系统的可行性，具有很好的实际应用价值。