遗传算法优化粒子群的分布式光伏并网控制方法研究

2023-11-01欧仲曦马玉坤顾延勋

自动化仪表 2023年10期

童铸,欧仲曦,刘超,马玉坤,顾延勋

(广东电网有限责任公司珠海供电局,广东珠海 519000)

0 引言

能源消耗速度随着经济发展速度的加快而不断提高。世界各国在能源不断消耗的背景下开始研究并开发新能源。分布式光伏并网技术已成为电力行业关注的研究重点之一[1-2]。分布式光伏并网技术在能源接入的可靠性、稳定性和安全性等方面存在不足。目前,分布式光伏系统接入电源时存在成本高和控制难度大的问题,且电源接入分布式光伏系统后的发电不规律、具有随机性,会影响分布式光伏发电并网系统的电压和频率[3-5]。因此,研究分布式光伏并网策略及控制方法具有重要意义。

目前,相关学者针对分布式光伏电源与配电网的协调控制进行了研究。袁方方[6]等将配电网工作电压根据配电系统中存在的问题划分为常规情况、预警情况和紧急情况。在常规情况下,配电系统可实现光伏电源的最大消纳。在预警情况下,通过对电力系统的监测和光伏电源有功出力的最大化,可以有效解决电力系统的安全运行问题。在紧急情况下,配电系统可迅速调整配电网络的电压,使其稳定工作。此方法对改善分布式光伏电源的容量、保障电力系统的安全运营具有重要意义。靳伟[7]等针对分布式光伏有功削减配电网的全局电压进行了综合优化,在保证光伏输出功率最大的情况下,采用剩余的光伏发电系统进行无功优化。当优化后仍然存在电压越界时,根据静态无功优化的结果,通过对光伏发电系统的有功功率进行最优控制,使电网的电压分配达到最优。此方法在考虑了光伏、负载发电等因素的影响后,采用复仿射方法对各周期的电力输出进行建模;利用功率计算和基于线性加权的粒子群算法,对最优的数学建模进行研究。研究结果表明,所提出的最优解可行。

在上述研究结果的基础上,本文提出了遗传算法优化粒子群的分布式光伏并网控制方法。该方法通过分布式光伏发电并网系统的能源建模,以降低节点电压偏离额定值、稳态运行有功损耗和使分布式光伏发电并网系统功率最大化为目标,构建分布式光伏并网调控模型。该方法采用遗传算法优化粒子群求解调控模型,以实现分布式光伏并网的有效控制。

1 分布式光伏并网控制方法

1.1 分布式能源建模

①光伏阵列模型。

光伏系统设定电池组件实际输出功率为AP、辐照强度实际值为HC、功率温度系数为1。光伏阵列的输出在一定程度上受光照等级和温度高低等因素的影响[8]。根据分布式光伏并网策略及控制方法构建的光伏阵列模型如式(1)所示。

(1)

式中:ξ为光伏控制下消耗的总功率;Yc为电池温度;AS为光伏阵列输出的最大功率值;HS为辐照强度;Yr为系统参考温度。

②可中断负荷模型。

本文以最大化经济收益为目标,在不考虑提前通知时间的前提下,构建电厂可中断负荷调度收益模型。

D(t,u)V(t,u)≤V(u)

(2)

式中:T为总收益;D(t,u)为t时刻用户u的可中断负载;m为用户数量;μ2为电厂终端用户所获得的激励补偿电价;μ1(t)为分时电价;V(t,u)为t时刻用户u的可中断负载的容量值;V(u)为光伏系统中用户u的可中断负载的总容量值。

若D(t,u)=1,表明当前为中断状态;若D(t,u)=0,则表明当前为未中断状态。

③储能系统模型。

本文设定V(t)、V(t-1)分别为t时刻和(t-1)时刻储能系统产生的总电量,Vs和As分别为储能系统的额定容量值和功率。分布式光伏并网策略与控制方法不考虑自放电率,将充电状态变量Nc(t)和放电状态变量Nd(t)引入后,构建储能系统模型[9]。

(3)

式中:tc为充电效率;Ac(t)为充电功率;td为放电效率;Ad(t)为放电功率;Dsmin为系统的最小荷电状态;Dsmax为系统的最大荷电状态。

1.2 分布式光伏并网调控模型

本文以降低节点电压偏离额定值、稳态运行有功损耗和使分布式光伏发电并网系统功率最大化[10]为目标,构建分布式光伏并网调控模型。

(4)

式中:β为无功权重系数;D为配电网的光伏接入节点数量;Wi为节点i的分布式光伏发电有功功率;Ai为节点i的接入光伏有功功率预测值;brate为对应于节点i的额定电压幅度;bi为对应于节点i的电压幅度;x为加权因子。

本文在分布式光伏并网控制过程中引入以下约束条件。

①功率平衡约束。

为了实现分布式光伏并网控制[11-12],需要在调控过程中保证节点功率平衡。

(5)

②节点电压约束。

节点的电压幅值vi应满足vimin≤vi≤vimax,以确保配电网运行的稳定性和安全性。其中,vimax、vimin分别为最大电压幅值和最小电压幅值。

③关口切换功率约束。

为防止光伏电源的变动对上级电网造成影响,必须设置节点的切换功率约束条件。

(6)

式中:A和W分别为根节点的有功和无功功率;Amin和Wmin分别为A和W的最小值;Amax和Wmax分别为A和W的最大值。

④分组电容器约束。

分布式光伏并网控制过程中的分组电容器约束条件如式(7)所示。

(7)

通过式(7)计算,本文构建的分布式光伏并网调控模型如图1所示。

图1 分布式光伏并网调控模型Fig.1 Distributed photovoltaic grid-connected regulation model

由图1可知,光伏阵列将电流传至电容器中,通过电容器进行能量转换,将功率输出至接入电网,对分布式光伏配电网进行调控。

1.3 模型求解

结合遗传算法和粒子群算法[13]求解分布式光伏并网调控模型的具体步骤如下。

①求出算法的初始速度V0和初始种群P0,得到算法的全局和个体最优解分别为Gbest和Pbest。

②在最优种群H中存储个体的初始值。

③更新个体的速度和种群。

④通过选择、交叉和变异算子对更新的个体和种群进行处理,对比原始值和处理后的个体值。如果更新后的个体质量较优,则在H中存储该个体。如果更新后的个体质量较差,则舍弃本次迭代过程中的交叉处理结果和变异处理结果,并转到下一步骤。

⑤针对H中存在的个体,通过亲和度机制计算其亲和度:

(8)

式中:f为个体在种群中的相似度;{X1,X2,…,Xj,Xi}为初始种群,i≥1,j≤n。

采用遗传算法和粒子群算法求解的分布式光伏并网调控模型流程如图2所示。

图2 分布式光伏并网调控模型流程图Fig.2 Flowchart of distributed photovoltaic grid-connected regulation model

粒子间在种群中的相似性随着f值的增大而减小,随着f值的减小而增大。当两个粒子的f值为0时,则不存在差异。

本文引入近似系数υ计算粒子在种群中的亲和度Qi:

(9)

式中:M为粒子数量;Mυ为近似系数υ大于粒子相似性的个体总数。

本文在H中根据亲和度大小对个体排序,并保留亲和度较大的个体。

⑥更新Gbest和Pbest,设置算法迭代结束条件。在满足该条件的情况下进入步骤⑦,在没有达到该条件的情况下返回至第③步。

⑦获得算法的Gbest,即分布式光伏并网调控模型的最优值,以实现分布式光伏并网的控制。

2 试验与分析

为了验证遗传算法优化粒子群的分布式光伏并网控制的有效性,本文在Matlab和图形界面/模拟计算程序联合仿真平台中展开测试。分布式光伏配电网接线如图3所示。

图3 分布式光伏配电网接线Fig.3 Distributed photovoltaic distribution network wiring

试验在0.1 s内将原始光照强度1 000 Lux降低到500 Lux再提升到1 000 Lux,在并网系统初始功率为80 W时测试所提方法、文献[6]方法和文献[7]方法的控制精度和反应速度。

分布式光伏发电并网系统功率曲线如图4所示。由图4可知,与未采用控制方法相比,三种方法均可对分布式光伏发电并网系统功率起到控制作用,但文献[6]方法和文献[7]方法的控制效果一般,控制后并网功率仍存在振荡现象。采用所提方法控制后,分布式光伏发电并网系统功率没有出现振荡,且可在短时间内获得最大功率。这表明所提方法的控制效果好、响应速度快。

图4 分布式光伏发电并网系统功率曲线Fig.4 Power curves of distributed photovoltaic power grid-connected system

试验将分布式光伏配电网的电压有效值设定为220 V,将分布式光伏发电并网系统的频率设置为50 Hz。采用所提方法获得的分布式光伏发电并网系统电压和电流曲线如图5所示。

图5 分布式光伏发电并网系统电压和电流曲线Fig.5 Voltage and current curves of distributed photovoltaic power generation grid-connected system

由图5可知,与控制前相比,利用所提方法进行控制后,电流和电压波动较稳定,且电压相位与电压频率保持一致,可有效实现电流误差跟踪。这证明所提方法对分布式光伏发电并网系统具有较好的稳定性,能够有效降低分布式光伏发电并网系统的稳态误差、提高分布式光伏并网抗干扰能力。

电流谐波含量和畸变率之间存在密切的关系,畸变率通过电流谐波含量判断。电流谐波含量较高会导致畸变率增加,表示电流波形畸变程度较大。而当电流谐波含量较低时,畸变率也会相应降低,表示电流波形质量较好。为了提高分布式光伏发电并网系统的电流质量,需要将分布式光伏发电并网系统的电流谐波总畸变率控制在0.5以内。采用三种方法控制后,电流谐波总畸变率如图6所示。