基于粒子群算法的多能互补发电系统优化配置研究

刘光辉

（新疆工程学院，新疆 乌鲁木齐 830023）

0 引 言

在以清洁能源为基础的发电系统中，无论是风力发电、光伏发电还是水力发电，在实际应用中都表现出其特有的优势。为了提高发电系统的利用效率，对发电系统进行有机结合成为电力系统的主流发展趋势。各种能源表现出的互补性在适应负载波动，提供稳定可靠电能方面具有重要意义。值得注意的是，对多能互补发电系统各机组出力进行合理配置是实现其为负载提供持续、可靠电力供应环境的重要基础和前提。针对这一问题，诸多专家学者进行了相关研究，在不断探索多能互补发电系统特性的过程中，能源的综合利用率得到一定程度的提升。粒子群算法作为一种重要的寻优手段，将其应用到系统的配置优化研究中具有十分重要的现实意义。

为此，本文提出基于粒子群算法的多能互补发电系统优化配置方法，并通过试验测试的方式分析验证了设计方法在实际应用中的价值。希望通过本文的研究可以为相关多能互补发电系统管理工作的开展提供帮助，助力清洁能源在电力系统中发挥更大的价值。

1 多能互补发电系统配置优化方法

1.1 构建多能互补发电系统功率分布模型

要实现对多能互补发电系统配置的合理设置，首先需要对系统中各构成机组的功率分布情况进行计算，为此，本文结合Weibull分布构建了多能互补发电系统功率分布模型。

以Weibull 分布为基础，本文将多能互补发电系统中的能源看作是以密度为核心参数的值，密度分布越高，其在实际运行中的出力能力也就越高，对应的密度函数可以表示为：

以此为基础，各个能源在多能互补发电系统运行过程中的功率是以其密度分布函数为约束的，这就意味着密度函数在有效区间内的叠加上限为其可调节的最大阈值。结合该理论，本文采用最小二乘法对各机组的发电功率分布进行计算，可以表示为：

通过这种方式得到多能互补发电系统中各机组的功率分布情况，为后续的配置调度提供可靠的数据基础。

1.2 基于粒子群算法的系统配置参数寻优

在上述数据基础上，本文采用粒子群优化算法（Particle Swarm Optimization,POS）实现对多能互补发电系统最优配置的设置，具体的实现流程如图1所示。

图1 基于PSO 算法的电力系统配置参数计算流程

按照如图1所示的方式，本文在利用PSO 算法对系统配置参数进行寻优的过程中，首先对粒子群进行初始化处理，在该阶段，本文将各个机组的输出功率作为寻优粒子，对应的约束条件即为1.1 部分构建模型的阈值。需要注意的是，在对含有制约条件的约束问题进行求解的过程中，寻优步长决定了最终输出结果与最优解之间的拟合度，为此，本文在对粒子移动步长进行设置的阶段，引入了多能互补发电系统的负荷波动参数，对应的步长计算公式可以表示为：

在此基础上，计算满足系统负荷需求的各机组的输出功率，并将粒子移动过程中拟合度最高的参数值作为寻优结果，其中，适应度计算公式可以表示为：

其中，表示系统负荷，表示适应度函数，当值达到最大值时，此时系统平抑出力最低。

通过这样的方式，完成对多能互补发电系统配置的优化设置，确保各机组的输出可最大限度地满足用电需求。

2 测试分析

本文通过算例分析的方式，对所设计配置方法的应用效果进行验证，为了提高测试结果的可靠性，分别采用文献[5]提出的以价值最优为配置目标的分层优化配置方法以及文献[6]提出的基于天牛须搜索遗传算法的优化配置方法进行试验测试。

2.1 测试环境参数概况

本文以某配置有光伏电池组、风电机组的水电站作为测试环境，以负荷中心为基础对其地理位置进行分析，其处于负荷中心的西北侧，具有充沛的风能和光能资源，对于风光出力波动问题，主要是通过储能电池来实现对其的平抑。在此基础上，该水电站形成了风—光—水—储多能互补的发电系统构架，实现了为电网的稳定供电，并且在极大程度上降低了传统供电方式带来的能源开采和环境污染问题，对可再生能源的综合使用程度较高。对风—光—水—储多能互补的发电系统的运行参数进行分析，其水能装机系统包括三台单机容量为600.00 MW 的水轮机组，总容量为1 800.00 MW，年平均发电量可以达到45.25 亿千瓦时，光能装机系统包括2 台单机容量为1 000.00 MW 的光能机组，总容量为2 000.00 MW，年平均发电量可以达到27.17 亿千瓦时，风能装机系统包括2 台单机容量为500.00 MW 的风轮机组，总容量为1 000.00 MW，年平均发电量可以达到20.80 亿千瓦时。在汛期期间，承担基荷的主要为水电机组，在枯水期，水电机组主要起到调峰作用。文章统计分析了测试机组系统的负荷数据，工业用电、农、林、牧、渔、水利业用电、城市交通运输及照明用电等基础用电为主要用电负荷，日平均负荷曲线表现出一定的波动性，对应的平均负荷峰值和最低值分别为1 407.50 MW和530.45 MW。在此基础上，统计了风—光—水—储多能互补发电系统的运行成本，具体如表1所示。

表1 风力发电和光伏发电单位成本

在此基础上，采用三种方法对其配置进行优化设计，并对其运行效果进行检验。

2.2 测试结果

在上述基础上，本文对不同供电损失概率（the Loss of Power Supply Probability,LPSP）条件下的风—光—水—储多能互补发电系统配置结果如表2所示。

表2 本文风—光—水—储多能互补发电系统优化配置结果

在此基础上，分析了三种方法对应系统平抑风—光—水机组出力波动的情况，具体如图2所示。

图2 三种配置方法下系统平抑出力情况对比图

从图2中可以看出，对比三种方法的测试结果，应用文献[5]方法后系统的平抑出力最小值仅为220.45 MW，但是却出现了较为明显的波动，最大值达到266.45 MW。应用文献[6]方法后系统的平抑出力虽然稳定性较高，但是其始终处于较高的水平，介于240.00 MW～270.00 MW 之间。相比之下，应用本文提出的配置方法之后，系统的平抑出力始终具有较高的稳定性，波动范围不超过20.00 MW，且始终处于较低的水平，最大值仅为217.85 MW，最小值仅为203.15 MW。测试结果表明，本文提出的基于粒子群算法的多能互补发电系统优化配置方法可以为发电站能源调度配置提供可靠的指导，降低平抑带来的能源开销，提升多能互补发电系统优化配置效果。

在此基础上，比较了文献[5]方法、文献[6]方法以及本文方法的多能互补发电系统优化配置耗时，以此来验证不同方法的优化配置效率，结果如表3所示。

表3 三种方法的多能互补发电系统优化配置耗时比较结果（单位：s）

30 1.41 1.74 0.71 35 1.69 1.93 0.83 40 1.85 1.54 0.58平均值 1.60 2.03 0.75

分析表3中的数据可知，随着实验次数的增加，不同方法的多能互补发电系统优化配置耗时均呈现出波动变化趋势，其中文献[5]方法的多能互补发电系统优化配置耗时最大值为1.96 s，最小值为1.25 s，平均值为1.60 s；文献[6]方法的多能互补发电系统优化配置耗时最大值为2.57 s，最小值为1.54 s，平均值为2.03 s；本文方法的多能互补发电系统优化配置耗时最大值为0.86 s，最小值为0.58 s，平均值为0.75 s，与文献[5]方法、文献[6]方法相比，该方法的优化配置耗时更短，证明基于粒子群算法的多能互补发电系统优化配置方法的效率更高。

3 结 论

为了提升多能互补发电系统配置效果，本文提出了基于粒子群算法的多能互补发电系统优化配置方法，通过对多能互补发电系统各构成机组的出力分布情况进行分析，利用具有较强寻优能力的粒子群算法实现了对不同负荷条件下系统配置参数寻优，大大降低了负荷曲线波动作用带来的平抑输出，保证多能互补发电系统配置的均衡性，对于提高能源利用率具有一定的现实意义。通过本文的研究，希望可以为促进多能互补发电系统的优化发展提供有价值的参考，助力可再生能源在实际生产中发挥更大功用。