含有风电场和分布式光伏的微电网经济调度

王雪峰

摘要：绿色能源逐渐成为国家供能倡导的主流能源，但是随着大量的风电场和光伏电站并入到微电网中，其输出功率的波动间歇性变化给系统的经济调度带来了很多不确定性因素。鉴于此，构建出含风电场和光伏电站的微电网经济调度模型，对遗传算法（Genetic Algorithm，GA）进行自适应改进，用于对所提出的动态经济调度问题进行最优问题求解。实验结果显示，风电场和光伏电站并网后，算法给出的最优功能方案，较单一火电供电总费用降低了26.7%，较人为控制调度总费用下降了12.6%，证明了算法给出的方案能够降低微电网一次能源消费成本，获得更经济的调度方案。

关键词：风电场;光伏电站;经济调度;遗传算法

中图分类号：TM73

文献标识码：A文章编号：1001-5922（2022）06-0191-06

Economic dispatch of microgrid with wind farm and distributed photovoltaic

WANG Xuefeng

（State Grid Jilin Province Electric Power Co.， Ltd.， Baicheng Power Supply Company， Baicheng 137000， Jilin China

）

Abstract：Green energy has gradually become the mainstream energy advocated by the state for energy supply， but with a large number of wind farms and photovoltaic power stations incorporated into the microgrid， the intermittent fluctuation of its output power has brought many uncertain factors to the economic dispatch of the system. In view of this， it constructs a microgrid economic dispatch model with wind farms and photovoltaic power stations， and adaptively improves the Genetic Algorithm（GA） to solve the proposed dynamic economic dispatch problem. The experimental results show that after the wind farm and photovoltaic power station are connected to the grid， the total cost of power supply is reduced by 26.7% compared with that of single thermal power plant， and the total cost of manual control and dispatching is reduced by 12.6%， which proves that the scheme given by the algorithm can reduce the primary energy consumption cost of microgrid and obtain a more economical dispatching scheme.

Key words：wind farm;  power station; dispatch; genetic algorithm

含大规模风电场和光伏电厂的电力系统是未来微电网发展的趋势，随着风电场和光伏电站在微电网中的比重持续增加，考虑风、光电站的最佳经济调度方案被提上日程[1]。具体表现为风电场电力输出波动较大，光伏电站电力输出具有较强时间性，两者的输出对整个电网的能源输送带来诸多不确定因素，以致于并网之后，传统的经济调度方案并不能起到很好的作用。将风力发电和光伏发电作为随机变量，建立以发电成本为目标函数的经济调度数学模型，再通过智能优化算法来对问题进行求解，得出最合适的经济调度方案，进而降低整个微电网的运行成本[2]。

2含有风电场和分布式光伏的微电网经济调度模型构建

2.1含风电场和分布式光伏电站的经济调度建模

在机组启停的状态确定条件下，按照供电需求选取经济性较好的机组投入到电力生产当中，由于风力发电与光伏发电的成本较低，且为绿色能源，应当优先考虑。为了维持系统安全稳定运行，首先需要保证系统功能的平衡，其次再根据发电机组物理特性对发电计划进行定制，微电网供能原理如图1所示。

相对于人工控制来说，智能控制能够起到很好的替代作用，其优势在于能够对电网负载进行提前预测，匹配最经济、最适合的功能方案。其次微电网能够根据自身功能特征自行调整功能方案，以绿色能源优先的形式作出权衡，起到环境保护作用[3]。微电网经济调度的目标函数应当是以燃料消耗或者发电成本，约束条件则为供能的安全和稳定。

2.2基于遗传算法的经济调度方案

微电网系统内约束条件多、变量维数多，并且由于风光资源、光照强度具有随机性，建立的模型具有强非线性，运行起来非常复杂，求取微电网系统动态经济调度优化问题最优解需要大量的计算[6-7]。而遗传算法（Genetic Algorithm，GA）具有自寻优、无限逼近、鲁棒性好等特点，被广泛地应用到处理各种非线性问题当中，其中就包括求解电力系统中的最优问题。定义目标函数成本为遗传算法中适应度数值，用于反映群体中各个染色体的优劣，采用适应度值来进行遗传和评价个体的好坏，适应度函數：56D34354-1CEC-4C5B-834D-3758BC57FB01

式中：Q表示种群的数量。通过模糊数学模型进行建模，只需要考虑发电机组之间的负荷分配，不需要考虑网络的潮流分布。所以，模型中初始参数数据需要涵盖风电场和光电厂的平均输出功率、发电机有功输出和火电机爬坡功率上限和下限，以及微电网每个阶段的负荷;另外，还需要将发电机耗量成本系数、风光电厂以及耗量成本隶属度参数包含在内。模型的变量为单位时间内火电机、风电场以及光伏电厂的出力，即在遗传算法中的染色体，可以表示为

如图2所示，遗传算法在进行交叉操作时，个体之间交叉的概率是固定的;对于遗传算法来说，交叉概率和变异概率是决定遗传算法行为和性能的关键点，其直接影响算法的收敛性。一般来说，交叉概率越大，产生新个体的速度就越快，但超过一定范围会导致遗传模式破坏，具有高度适应度的个体结构也会随之破坏。对于变异概率来说，其值过大，遗传算法就变成了纯粹的搜索算法。微电网模型结构复杂、变量众多，需要经过反复试验才能确定交叉概率和变异概率，短时间内找到问题的最佳值难度较大。因此，本文改用自适应遗传交叉算子，优化算法交叉概率值，交叉概率Pc的调整：

从图3可以看出，算法通过不断的择优、交叉、变异操作产生新的个体，产生的新一代个体由于适应值较高往往会对原来的种群产生影响，甚至破坏当前种群的最优解。因此，采用“优胜略汰”的方法，在每次进化后对适应值较低的个体进行淘汰，保存适应度最大的个体，依次循环。这样操作的好处在于避免算法退化，同时保证算法最后能够收敛到全局最优。设定算法的迭代次数为1 000次，且满足连续20次最优解不变，算法停止迭代，避免使算法陷入局部最优，满足条件，算法结束，输出最优值;否则返回第3步，直至条件满足[9]。

3微电网经济调度结果分析

3.1AGA算法性能分析

将AGA算法与GA、PSO、BP 3种优化算法进行对比分析，分别对4个测试函数Sphere、Quadric、Gtiewank和Ackley进行独立寻优20次，实验得到的最优值、最差值、平均迭代次数和标准方差，结果如表1所示。需要说明的是，经过20次运算，算法的平均迭代反映算法的收敛精度，值越小越高;标准方差反映算法的收斂稳定性，值越小稳定性越高。

从表1数据可以看出，AGA算法相较其他3种算法的最优值、最差值、平均值和标准方差都要小，证明AGA算法的收敛精度和算法稳定性较高，特别是在解决Sphere、Quadric和Ackley的问题上表现十分突出。而一般的GA在解决Quadric和Ackley函数问题上容易陷入局部最优;同样，PSO算法优化Quadric函数、BP算法在优化Ackley函数时都会遇到相同的问题。具体来说，GA算法相对PSO和BP算法得到的结果较好，平均值和标准方差较低。AGA算法较改进前的GA算法相比，两者在优化Griewank函数时表现出的效果非常相似，具有非常接近最优、最差值、平均值和标准方差，说明此两种算法的收敛稳定性与精确度都非常相似。综上所述，AGA算法在优化不同函数上，平均值和方差均较GA算法低，这验证了，GA算法交叉变异的自适应改进后收敛性和局部寻优能力分别得到了不同程度的提高，最优个体适应度收敛特征曲线如图4所示。

从图4可以得知，PSO算法优化4种函数的效果均不理想。从PSO算法收敛特征曲线可以看出，其收敛性最差;除此之外，在优化Ackley函数时，GA曲线在坐标（50，2.5）后，呈现与x轴平行的走势，说明此时陷入了局部最优。BP算法与PSO算法效果较为相似，优化效果较PSO算法好;对于GA算法来说，优化效果仅次于AGA算法。由此可知，在对4种函数进行优化时，相较其他3种算法，收敛速度和收敛精度显著要高，且能在极短时间和较少的迭代次数下接近收敛，这是由于采用自适应方式改进GA算法后，增强了GA算法与外界适应能力与协调进化能力，导致算法的收敛速度与精度都得到了不同程度的提升。综上所述，AGA算法从整体上全局寻优能力、收敛速度、寻优精度以及稳定性都要比GA、PSO和BP算法要好，证明了AGA算法的优先性和优越性。

3.2风光电场的微电网经济调度分析

以某地区的一个微电网为例，用Matlab编程对模型进行求解。该微电网系统由10台火电机组、1个风电场和一个光伏发电厂组成，其中风电场的额定总有出力120 MW，最小有出功率10 MW。光伏电站的总容量为180 MW，光伏组件转换效率温度修正系数为0.957。调度周期为1 d分为24个时段，每个时段1 h。AGA算法的种群规模定为50，最大迭代次数为1 000，最大交叉概率为0.91，最小交叉概率为0.78，变异概率为0.01，随机抽样1 000次。各个时段风电场和光伏电厂的平均输出功率和微电网负荷预测结果如图5所示。

经过计算得到问题最优解μD为0.847 140，供电总成本为5 009 270元;次优解1μ_D为0.847 103，供电总成本为5 041 588万元;次优解2μ_D为0.846 899，供电总成为5 076 754万元。从图5（a）可以看出，风电场功能虽然比较持续，但是整体波动不平衡，输出功率忽高忽低;光伏电站输出功率较大，但具有较强的时效性，两者在一定程度上出现互补的现象。结合图5（b）来看，整个微电网的负荷需求不高，风电场额定容量为180 MW，光伏电站的额定容量为120 MW，两者并网后输出占比较高。图6为最优调度方案下风电场、光伏电厂以及火电厂的出力情况。

通过验证，各个阶段机组的运行条件均在模型的约束条件之内，结合图6（a）、图6（b）进行成本计算，得出在并网前，调度成本为6 833 463元;风电厂并网后，调度成本降至6 482 859.5元，整体降低了5%。当光伏电站并网，系统的总费用进一步降低，含风光电站的微电网总成本为5 009 270.5元，较单一火电站发电成本下降了26.7%，大大提高了微电网的动态经济，节省更多的发电成本，获得更经济的调度方案。结果显示，风电场和光伏电站并入微电网之后，出力情况与历史数据得出的电站出力情况基本吻合，表明AGA算法给出的电力调度优化方案是有效可行的。56D34354-1CEC-4C5B-834D-3758BC57FB01

4结语

要给出含风电场和光伏电站的最优经济调度方案，实际上就是解决一个含有复杂约束条件且具有动态性的非线性规划问题。在建立数学模型时，需要结合风力发电的波动性与光伏发电阶段性;除此之外，两者在并网之后微电网出电情况难以预测，因此需要设立约束来使模型变得更加合理。最后，采用改进后的AGA算法来对问题进行求解，即得出最终的优化方案。从结果可知，最终得出的优化方案相较单一火力发电，发电成本由6 833 463元降至5 009 270.5元，对比人工调控方案，发电成本降低了861 016.3元，验证了本文提出的含风电场和光伏电站微电网经济调度模型的合理性。同时，也证明的了AGA算法解决电力调度问题的可行性，大幅降低微电网一次能源消耗量，增加发电经济性。

【参考文献】

[1]周玮，胡姝博，孙辉，等. 考虑大规模风电并网的电力系统区间非线性经济调度研究[J]. 中国电机工程学报，2017，37（2）：557-564.

[2]谢敏，熊靖，吉祥，等 考虑多风电场相关性的电网动态经济调度二阶段带补偿算法[J]. 电力系统自动化，2017，41（7）：44-53.

[3]杨金刚，袁志昌，李顺昕，等. 经柔性直流输电并网的大型风电场频率控制策略[J]. 电力自动化設备，2019，39（6）：109-114.

[4]唐程辉，张凡，张宁，等. 考虑可再生能源随机性和需求响应的电力系统日前经济调度[J]. 电力系统自动化，2019，43（15）：18-25.

[5]王德真. 含多种分布式能源微电网小区间协调调度方法[J]. 佳木斯大学学报（自然科学版），2020，38（3）：125-128.

[6]闫秉科，李小平，舒欣，等. 多种分布式电源随机性的配电网优化运行研究[J]. 智慧电力，2017，45（11）：14-18.

[7]程站立，夏海峰，王健，等. 计及多种分布式电源并网的配电网潮流计算[J]. 农村电气化，2018（4）：5-7.

[8]李晖，高涵宇，张艳，等. 考虑相关性的大规模风光互补电网扩展规划[J]. 电网技术，2018，42（7）：2 120-2 127.

[9]文志伟，候筱贤. 基于风电场集群接入的电网经济调度[J]. 电气时代，2021（1）：26-27.56D34354-1CEC-4C5B-834D-3758BC57FB01