王雪峰

摘要：綠色能源逐漸成為國家供能倡導(dǎo)的主流能源，但是隨著大量的風(fēng)電場和光伏電站并入到微電網(wǎng)中，其輸出功率的波動間歇性變化給系統(tǒng)的經(jīng)濟調(diào)度帶來了很多不確定性因素。鑒于此，構(gòu)建出含風(fēng)電場和光伏電站的微電網(wǎng)經(jīng)濟調(diào)度模型，對遺傳算法（Genetic Algorithm，GA）進行自適應(yīng)改進，用于對所提出的動態(tài)經(jīng)濟調(diào)度問題進行最優(yōu)問題求解。實驗結(jié)果顯示，風(fēng)電場和光伏電站并網(wǎng)后，算法給出的最優(yōu)功能方案，較單一火電供電總費用降低了26.7%，較人為控制調(diào)度總費用下降了12.6%，證明了算法給出的方案能夠降低微電網(wǎng)一次能源消費成本，獲得更經(jīng)濟的調(diào)度方案。

關(guān)鍵詞：風(fēng)電場;光伏電站;經(jīng)濟調(diào)度;遺傳算法

中圖分類號：TM73

文獻標識碼：A文章編號：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

含大規(guī)模風(fēng)電場和光伏電廠的電力系統(tǒng)是未來微電網(wǎng)發(fā)展的趨勢，隨著風(fēng)電場和光伏電站在微電網(wǎng)中的比重持續(xù)增加，考慮風(fēng)、光電站的最佳經(jīng)濟調(diào)度方案被提上日程[1]。具體表現(xiàn)為風(fēng)電場電力輸出波動較大，光伏電站電力輸出具有較強時間性，兩者的輸出對整個電網(wǎng)的能源輸送帶來諸多不確定因素，以致于并網(wǎng)之后，傳統(tǒng)的經(jīng)濟調(diào)度方案并不能起到很好的作用。將風(fēng)力發(fā)電和光伏發(fā)電作為隨機變量，建立以發(fā)電成本為目標函數(shù)的經(jīng)濟調(diào)度數(shù)學(xué)模型，再通過智能優(yōu)化算法來對問題進行求解，得出最合適的經(jīng)濟調(diào)度方案，進而降低整個微電網(wǎng)的運行成本[2]。

2含有風(fēng)電場和分布式光伏的微電網(wǎng)經(jīng)濟調(diào)度模型構(gòu)建

2.1含風(fēng)電場和分布式光伏電站的經(jīng)濟調(diào)度建模

在機組啟停的狀態(tài)確定條件下，按照供電需求選取經(jīng)濟性較好的機組投入到電力生產(chǎn)當(dāng)中，由于風(fēng)力發(fā)電與光伏發(fā)電的成本較低，且為綠色能源，應(yīng)當(dāng)優(yōu)先考慮。為了維持系統(tǒng)安全穩(wěn)定運行，首先需要保證系統(tǒng)功能的平衡，其次再根據(jù)發(fā)電機組物理特性對發(fā)電計劃進行定制，微電網(wǎng)供能原理如圖1所示。

相對于人工控制來說，智能控制能夠起到很好的替代作用，其優(yōu)勢在于能夠?qū)﹄娋W(wǎng)負載進行提前預(yù)測，匹配最經(jīng)濟、最適合的功能方案。其次微電網(wǎng)能夠根據(jù)自身功能特征自行調(diào)整功能方案，以綠色能源優(yōu)先的形式作出權(quán)衡，起到環(huán)境保護作用[3]。微電網(wǎng)經(jīng)濟調(diào)度的目標函數(shù)應(yīng)當(dāng)是以燃料消耗或者發(fā)電成本，約束條件則為供能的安全和穩(wěn)定。

2.2基于遺傳算法的經(jīng)濟調(diào)度方案

微電網(wǎng)系統(tǒng)內(nèi)約束條件多、變量維數(shù)多，并且由于風(fēng)光資源、光照強度具有隨機性，建立的模型具有強非線性，運行起來非常復(fù)雜，求取微電網(wǎng)系統(tǒng)動態(tài)經(jīng)濟調(diào)度優(yōu)化問題最優(yōu)解需要大量的計算[6-7]。而遺傳算法（Genetic Algorithm，GA）具有自尋優(yōu)、無限逼近、魯棒性好等特點，被廣泛地應(yīng)用到處理各種非線性問題當(dāng)中，其中就包括求解電力系統(tǒng)中的最優(yōu)問題。定義目標函數(shù)成本為遺傳算法中適應(yīng)度數(shù)值，用于反映群體中各個染色體的優(yōu)劣，采用適應(yīng)度值來進行遺傳和評價個體的好壞，適應(yīng)度函數(shù)：56D34354-1CEC-4C5B-834D-3758BC57FB01

式中：Q表示種群的數(shù)量。通過模糊數(shù)學(xué)模型進行建模，只需要考慮發(fā)電機組之間的負荷分配，不需要考慮網(wǎng)絡(luò)的潮流分布。所以，模型中初始參數(shù)數(shù)據(jù)需要涵蓋風(fēng)電場和光電廠的平均輸出功率、發(fā)電機有功輸出和火電機爬坡功率上限和下限，以及微電網(wǎng)每個階段的負荷;另外，還需要將發(fā)電機耗量成本系數(shù)、風(fēng)光電廠以及耗量成本隸屬度參數(shù)包含在內(nèi)。模型的變量為單位時間內(nèi)火電機、風(fēng)電場以及光伏電廠的出力，即在遺傳算法中的染色體，可以表示為

如圖2所示，遺傳算法在進行交叉操作時，個體之間交叉的概率是固定的;對于遺傳算法來說，交叉概率和變異概率是決定遺傳算法行為和性能的關(guān)鍵點，其直接影響算法的收斂性。一般來說，交叉概率越大，產(chǎn)生新個體的速度就越快，但超過一定范圍會導(dǎo)致遺傳模式破壞，具有高度適應(yīng)度的個體結(jié)構(gòu)也會隨之破壞。對于變異概率來說，其值過大，遺傳算法就變成了純粹的搜索算法。微電網(wǎng)模型結(jié)構(gòu)復(fù)雜、變量眾多，需要經(jīng)過反復(fù)試驗才能確定交叉概率和變異概率，短時間內(nèi)找到問題的最佳值難度較大。因此，本文改用自適應(yīng)遺傳交叉算子，優(yōu)化算法交叉概率值，交叉概率Pc的調(diào)整：

從圖3可以看出，算法通過不斷的擇優(yōu)、交叉、變異操作產(chǎn)生新的個體，產(chǎn)生的新一代個體由于適應(yīng)值較高往往會對原來的種群產(chǎn)生影響，甚至破壞當(dāng)前種群的最優(yōu)解。因此，采用“優(yōu)勝略汰”的方法，在每次進化后對適應(yīng)值較低的個體進行淘汰，保存適應(yīng)度最大的個體，依次循環(huán)。這樣操作的好處在于避免算法退化，同時保證算法最后能夠收斂到全局最優(yōu)。設(shè)定算法的迭代次數(shù)為1 000次，且滿足連續(xù)20次最優(yōu)解不變，算法停止迭代，避免使算法陷入局部最優(yōu)，滿足條件，算法結(jié)束，輸出最優(yōu)值;否則返回第3步，直至條件滿足[9]。

3微電網(wǎng)經(jīng)濟調(diào)度結(jié)果分析

3.1AGA算法性能分析

將AGA算法與GA、PSO、BP 3種優(yōu)化算法進行對比分析，分別對4個測試函數(shù)Sphere、Quadric、Gtiewank和Ackley進行獨立尋優(yōu)20次，實驗得到的最優(yōu)值、最差值、平均迭代次數(shù)和標準方差，結(jié)果如表1所示。需要說明的是，經(jīng)過20次運算，算法的平均迭代反映算法的收斂精度，值越小越高;標準方差反映算法的收斂穩(wěn)定性，值越小穩(wěn)定性越高。

從表1數(shù)據(jù)可以看出，AGA算法相較其他3種算法的最優(yōu)值、最差值、平均值和標準方差都要小，證明AGA算法的收斂精度和算法穩(wěn)定性較高，特別是在解決Sphere、Quadric和Ackley的問題上表現(xiàn)十分突出。而一般的GA在解決Quadric和Ackley函數(shù)問題上容易陷入局部最優(yōu);同樣，PSO算法優(yōu)化Quadric函數(shù)、BP算法在優(yōu)化Ackley函數(shù)時都會遇到相同的問題。具體來說，GA算法相對PSO和BP算法得到的結(jié)果較好，平均值和標準方差較低。AGA算法較改進前的GA算法相比，兩者在優(yōu)化Griewank函數(shù)時表現(xiàn)出的效果非常相似，具有非常接近最優(yōu)、最差值、平均值和標準方差，說明此兩種算法的收斂穩(wěn)定性與精確度都非常相似。綜上所述，AGA算法在優(yōu)化不同函數(shù)上，平均值和方差均較GA算法低，這驗證了，GA算法交叉變異的自適應(yīng)改進后收斂性和局部尋優(yōu)能力分別得到了不同程度的提高，最優(yōu)個體適應(yīng)度收斂特征曲線如圖4所示。

從圖4可以得知，PSO算法優(yōu)化4種函數(shù)的效果均不理想。從PSO算法收斂特征曲線可以看出，其收斂性最差;除此之外，在優(yōu)化Ackley函數(shù)時，GA曲線在坐標（50，2.5）后，呈現(xiàn)與x軸平行的走勢，說明此時陷入了局部最優(yōu)。BP算法與PSO算法效果較為相似，優(yōu)化效果較PSO算法好;對于GA算法來說，優(yōu)化效果僅次于AGA算法。由此可知，在對4種函數(shù)進行優(yōu)化時，相較其他3種算法，收斂速度和收斂精度顯著要高，且能在極短時間和較少的迭代次數(shù)下接近收斂，這是由于采用自適應(yīng)方式改進GA算法后，增強了GA算法與外界適應(yīng)能力與協(xié)調(diào)進化能力，導(dǎo)致算法的收斂速度與精度都得到了不同程度的提升。綜上所述，AGA算法從整體上全局尋優(yōu)能力、收斂速度、尋優(yōu)精度以及穩(wěn)定性都要比GA、PSO和BP算法要好，證明了AGA算法的優(yōu)先性和優(yōu)越性。

3.2風(fēng)光電場的微電網(wǎng)經(jīng)濟調(diào)度分析

以某地區(qū)的一個微電網(wǎng)為例，用Matlab編程對模型進行求解。該微電網(wǎng)系統(tǒng)由10臺火電機組、1個風(fēng)電場和一個光伏發(fā)電廠組成，其中風(fēng)電場的額定總有出力120 MW，最小有出功率10 MW。光伏電站的總?cè)萘繛?80 MW，光伏組件轉(zhuǎn)換效率溫度修正系數(shù)為0.957。調(diào)度周期為1 d分為24個時段，每個時段1 h。AGA算法的種群規(guī)模定為50，最大迭代次數(shù)為1 000，最大交叉概率為0.91，最小交叉概率為0.78，變異概率為0.01，隨機抽樣1 000次。各個時段風(fēng)電場和光伏電廠的平均輸出功率和微電網(wǎng)負荷預(yù)測結(jié)果如圖5所示。

經(jīng)過計算得到問題最優(yōu)解μD為0.847 140，供電總成本為5 009 270元;次優(yōu)解1μ_D為0.847 103，供電總成本為5 041 588萬元;次優(yōu)解2μ_D為0.846 899，供電總成為5 076 754萬元。從圖5（a）可以看出，風(fēng)電場功能雖然比較持續(xù)，但是整體波動不平衡，輸出功率忽高忽低;光伏電站輸出功率較大，但具有較強的時效性，兩者在一定程度上出現(xiàn)互補的現(xiàn)象。結(jié)合圖5（b）來看，整個微電網(wǎng)的負荷需求不高，風(fēng)電場額定容量為180 MW，光伏電站的額定容量為120 MW，兩者并網(wǎng)后輸出占比較高。圖6為最優(yōu)調(diào)度方案下風(fēng)電場、光伏電廠以及火電廠的出力情況。

通過驗證，各個階段機組的運行條件均在模型的約束條件之內(nèi)，結(jié)合圖6（a）、圖6（b）進行成本計算，得出在并網(wǎng)前，調(diào)度成本為6 833 463元;風(fēng)電廠并網(wǎng)后，調(diào)度成本降至6 482 859.5元，整體降低了5%。當(dāng)光伏電站并網(wǎng)，系統(tǒng)的總費用進一步降低，含風(fēng)光電站的微電網(wǎng)總成本為5 009 270.5元，較單一火電站發(fā)電成本下降了26.7%，大大提高了微電網(wǎng)的動態(tài)經(jīng)濟，節(jié)省更多的發(fā)電成本，獲得更經(jīng)濟的調(diào)度方案。結(jié)果顯示，風(fēng)電場和光伏電站并入微電網(wǎng)之后，出力情況與歷史數(shù)據(jù)得出的電站出力情況基本吻合，表明AGA算法給出的電力調(diào)度優(yōu)化方案是有效可行的。56D34354-1CEC-4C5B-834D-3758BC57FB01

4結(jié)語

要給出含風(fēng)電場和光伏電站的最優(yōu)經(jīng)濟調(diào)度方案，實際上就是解決一個含有復(fù)雜約束條件且具有動態(tài)性的非線性規(guī)劃問題。在建立數(shù)學(xué)模型時，需要結(jié)合風(fēng)力發(fā)電的波動性與光伏發(fā)電階段性;除此之外，兩者在并網(wǎng)之后微電網(wǎng)出電情況難以預(yù)測，因此需要設(shè)立約束來使模型變得更加合理。最后，采用改進后的AGA算法來對問題進行求解，即得出最終的優(yōu)化方案。從結(jié)果可知，最終得出的優(yōu)化方案相較單一火力發(fā)電，發(fā)電成本由6 833 463元降至5 009 270.5元，對比人工調(diào)控方案，發(fā)電成本降低了861 016.3元，驗證了本文提出的含風(fēng)電場和光伏電站微電網(wǎng)經(jīng)濟調(diào)度模型的合理性。同時，也證明的了AGA算法解決電力調(diào)度問題的可行性，大幅降低微電網(wǎng)一次能源消耗量，增加發(fā)電經(jīng)濟性。

【參考文獻】

[1]周瑋，胡姝博，孫輝，等. 考慮大規(guī)模風(fēng)電并網(wǎng)的電力系統(tǒng)區(qū)間非線性經(jīng)濟調(diào)度研究[J]. 中國電機工程學(xué)報，2017，37（2）：557-564.

[2]謝敏，熊靖，吉祥，等 考慮多風(fēng)電場相關(guān)性的電網(wǎng)動態(tài)經(jīng)濟調(diào)度二階段帶補償算法[J]. 電力系統(tǒng)自動化，2017，41（7）：44-53.

[3]楊金剛，袁志昌，李順昕，等. 經(jīng)柔性直流輸電并網(wǎng)的大型風(fēng)電場頻率控制策略[J]. 電力自動化設(shè)備，2019，39（6）：109-114.

[4]唐程輝，張凡，張寧，等. 考慮可再生能源隨機性和需求響應(yīng)的電力系統(tǒng)日前經(jīng)濟調(diào)度[J]. 電力系統(tǒng)自動化，2019，43（15）：18-25.

[5]王德真. 含多種分布式能源微電網(wǎng)小區(qū)間協(xié)調(diào)調(diào)度方法[J]. 佳木斯大學(xué)學(xué)報（自然科學(xué)版），2020，38（3）：125-128.

[6]閆秉科，李小平，舒欣，等. 多種分布式電源隨機性的配電網(wǎng)優(yōu)化運行研究[J]. 智慧電力，2017，45（11）：14-18.

[7]程站立，夏海峰，王健，等. 計及多種分布式電源并網(wǎng)的配電網(wǎng)潮流計算[J]. 農(nóng)村電氣化，2018（4）：5-7.

[8]李暉，高涵宇，張艷，等. 考慮相關(guān)性的大規(guī)模風(fēng)光互補電網(wǎng)擴展規(guī)劃[J]. 電網(wǎng)技術(shù)，2018，42（7）：2 120-2 127.

[9]文志偉，候筱賢. 基于風(fēng)電場集群接入的電網(wǎng)經(jīng)濟調(diào)度[J]. 電氣時代，2021（1）：26-27.56D34354-1CEC-4C5B-834D-3758BC57FB01