电力物联网光伏微网多目标容量配置优化研究

李 明，尹晓宇，董小菱，宫 帅，吴金淦

（1.国网安徽省电力有限公司信息通信分公司，安徽合肥 230061；2.安徽继远软件有限公司，安徽 合肥 230088）

微网采用的是光伏发电，其波动性和随机性会降低电网运行效率，使得电力系统可靠性降低。储能介质的引入虽然提高了供电可靠性，稳定了系统波动，提高了光伏系统利用率，但与此同时也大大降低了系统经济效益。因此，在保证系统可靠运行前提下，选择合适最优存储容量是提高系统经济效益的关键。文献[1]提出了基于虚拟储能的配置方法，该方法在虚拟环境下构建多目标仿真模型，并使用蚁群算法求解模型，结合算例分析可知，虽然该方法提高了光伏微网调节能力，但其受到地域限制影响，且对设备要求较高，导致配置结果受限条件较多，不具有全面性；文献[2]提出了基于改进雷达图模型的配置方法，该方法通过构建光伏光热单元、变流器、储能单元结构，分析微网供电可靠性，在确定可靠单元前提下构建多目标容量配置改进雷达图模型。构建最大化适应度函数，设定约束条件，以最大化适应度函数为目标函数设计优化配置方案。虽然通过实例验证了该方法能够求解最优配置结果，但调节负载波动方面性能较差，导致配置结果不可靠。为此，统计影响电力物联网光伏微网经济效益的多个目标，设计多目标容量优化配置方案。

1 电力物联网光伏微网结构分析

充分考虑微网动态变化，兼顾电力系统的需求和电力资源，配置多目标容量储能方案，提高微网自适应能力[3]。微网结构所有系统单元均经由功率电子装置连接，汇集在一条公用总线上。整个微网主要采用了光伏+储能的方式，当微网光伏存储能力不能支持系统负荷时，需要综合考虑多个经济目标来优化配置存储容量，以此保证系统正常工作[4-5]。

2 多目标容量配置优化策略

2.1 多目标容量优化配置模型构建

2.1.1 运行成本目标

为了实现效益最大化，在不考虑微网自身能量供应的情况下，电力物联网光伏微网不平衡功率计算公式为：

式中，P发表示发电功率；η变表示变换器运行效率；P用表示用电功率；η逆表示逆变器运行效率[6]。在储能运行期间内，当ΔP＞0 时，由光伏微网供电；当ΔP＜0 时，由光伏微网+储能供电。在电价较低时，光伏微网优先提供负荷；在电价中等或较高时，光伏微网+储能提供负荷[7]。基于该运行思想，只考虑电网功率交互情况，运行成本目标函数为：

式中，z1(t)、z2(t)、z3(t)分别表示电网给负荷供电，同时给出储能充电运行模式、余电上网运行模式和电网给负荷供电运行模式[8]。对于这三种运行成本，对应的目标子函数为：

式中，p电、p光伏分别表示电网分时电价和光伏上网电价；q用、q发分别表示用电量和发电量[9]。

2.1.2 投资成本目标

为了满足离网时电力物联网光伏微网稳定运行，配置了如下储能容量，表达式为：

式中，QR表示储能刚性容量；QF表示储能柔性容量。

根据上述储能容量满足条件，构建投资成本目标函数：

式中，z4(t)、z5(t)、z6(t) 分别表示光伏微网运行年成本、储能系统运行年成本和维护成本[10]。对于这三种投资成本，对应的目标子函数为：

2.1.3 年收益目标

以一年为365 日为例，年收益目标函数为：

式中，z7(t)、z8(t)、z9(t)、z10(t)分别表示每日用户用电费用、光伏上网费用、微网从电网购电费用、补贴费用[12-13]。对于这四种投资成本，对应的目标子函数为：

式中，p用户、p光伏、p微网从电网分别表示用户单价、光伏微网单价、微网从电网购电单价；W用户、W光伏、W微网从电网分别表示用户负荷功率、光伏上网功率、微网从电网购入电能功率；p′光伏表示光伏补贴单价；表示光伏出力[14]。

2.1.4 多目标函数及约束条件

以经济最优为目标，根据需求响应的储能要求，构建多目标函数：

为了保证微网离网运行时，电力物联网依然处于稳定状态，微网多目标容量配置运行时间应满足如下约束条件：

式中，t离网min表示离网最小时长。为了保证微网内关键负荷运行，应在离网最小时长内满足最小刚性储能需求。

2.2 改进乌鸦搜索算法的多目标函数求解

使用乌鸦搜索算法进行多目标函数求解时，通过对一群乌鸦觅食过程进行仿真，使得该群体中的所有乌鸦均能给出最优解。因为乌鸦搜索算法是随机追踪，所以无法确保乌鸦藏匿食物的位置是最佳地点，因此，使用乌鸦搜索算法存在一定盲目性[15]。为了解决该问题，使用粒子群算法更新乌鸦藏匿食物位置，通过跟踪某只乌鸦藏匿食物轨迹以更新自身位置。

引入最优粒子群算法的位置，计算公式为：

式中，φ表示随机数；ω表示位置信息的权重因子；si,t表示乌鸦i在搜索时间t下的位置信息；sbest,t表示乌鸦在时间t下最优位置。

乌鸦在没有发现跟踪者的位置，计算公式为：

式中，Li,t表示飞行步长；sj,t表示乌鸦j食物藏匿位置[16]。当飞行步长小于1 时，算法容易陷入局部最优；当飞行步长大于1 时，算法全局搜索能力较强。基于该原理，构建多目标函数：

式中，fmin(Z1) 表示运行成本最小求解函数；fmin(Z2)表示投资成本最小求解函数；fmax(Z3)年收益最大求解函数。多目标容量配置优化策略,评判公式如下：

式中，κ表示当前寻优常数；levyγ表示莱维飞行思想的缩放因子。引入示莱维飞行思想能够提高全部搜索能力，并在求解集中限制非劣解数目，从而得到最终非劣解；最终，判定是否满足停止条件（即重复次数达到设置最大）。如果满足该条件，在多目标容量配置解集中，将会有多只乌鸦再次进入多目标函数的评估，如此循环，直到得到输出结果最优解。

3 实 验

3.1 实验数据

在实验过程中，以上级电网节点为平衡节点，该节点一般位于区域变电站中。由于没有考虑变电站的容量，所以不需要将平衡节点纳入光伏微网供电范围内。设置参考功率是100 kVA，参考电压是0.4 kV，由此构建的微网模拟结构如图1 所示。

图1 微网模拟结构

微网由25 kW燃气轮机、5 kW风力发电机、10 kW燃料电池组成。

在同时满足上述所有负荷参数的情况下得到的理想光伏负荷曲线如图2 所示。

图2 理想光伏负荷曲线

由图2 可知，在0-6 h、20-24 h 电价较低；6-8 h、12-20 h 电价中等；8-12 h 电价较高。在低电价期间，采取由电网给负荷供电模式；在中高价期间，采取由光伏和电网共同供电模式。光伏功率最大值为80 kW，电网功率最大值为48 kW，在不同期间下，采取这两种供电模式能使配置储能容量达到最小，经济效益最高。

3.2 实验结果与分析

分别使用基于虚拟储能的配置方法、基于改进雷达图模型的配置方法和所研究方法，对比分析光伏负荷曲线是否达到理想状态，如图3 所示。

图3 不同方法光伏负荷曲线对比分析

由图3 可知，使用基于虚拟储能的配置方法光伏功率最大值为60 kW，电网功率最大值为60 kW，且光伏负荷曲线与理想光伏负荷曲线不一致；使用基于改进雷达图模型的配置方法光伏功率最大值为50 kW，电网功率最大值为82 kW，且光伏负荷曲线与理想光伏负荷曲线不一致；使用所研究方法光伏功率最大值为80 kW，电网功率最大值为48 kW，且光伏负荷曲线与理想光伏负荷曲线一致，达到了配置储能容量最小的效果。

为了进一步验证多目标容量配置优化策略研究可靠性，对比三种方法的配置效益，如表1 所示。其中，总计（万元）=年收益-运行成本-投资成本。

表1 三种方法配置效益对比分析

由表1 可知，使用所研究方法优化了配置方案，总收益比理想收益高1 410万元，具有较高经济效益。

4 结束语

充分考虑经济效益，构建多目标效益最高配置函数，使用乌鸦算法求解时，为了解决乌鸦算法的盲目性，引入了粒子群算法，使获取的解达到全局最优。通过实验分析，验证了该配置方法的可行性。在后续研究进程中，将光伏微网多目标容量的确定转换成优化规划问题，既考虑了电压限制，又考虑了网络损耗，通过对目标函数的近似线性变化迭代，满足容量配置刚性需求。