基于生物地理学的风光柴储系统优化配置

孙 瑜 ，童亦斌 ，谢 桦 ，李金科 ，曹天植

（1.北京交通大学国家能源主动配电网技术研发中心，北京 100044；2.华北电力科学研究院有限公司，北京 100045）

引言

随着能源需求量的增加，广泛应用的燃料能源显露出了越来越多的弊端，其引起的环境问题也得到全球日益增加的关注。分布式发电和微电网技术的提出和应用，适用于太阳能等可再生能源地域分散的特点，充分利用了分布式可再生能源发电紧靠本地负荷中心和无污染的优点。由于混合发电系统研究具有非线性的特点，国内外学者主要运用智能优化算法来解决对配置模型进行各种问题的研究。文献［1］建立了基于遗传算法的应急电源优化配置算法，并基于地理信息系统验证了停电损失的减少。文献［2］考虑环保因素，基于改进的遗传算法对微网孤网的经济调度进行了仿真计算。文献［3］提出气候环境和成本因素是影响混合发电系统可靠性的重要因素，并基于遗传算法计算最佳后备电源的容量配置。文献［4］以一个包含风光储、微型燃气轮机、燃料电池以及热电负荷的微网为例，用改进遗传算法优化其有功无功出力，提出了并网和孤网的调度策略。文献［5］将储能智能管理、经济负荷分配、运行效益优化等多目标问题转化为单一目标问题，用改进的遗传算法进行求解。文献［6］提出了并行蚁群算法，通过建立两层规划模型确定分布式电源的位置和容量。文献［7］提出了改进的细菌觅食算法，在保证供电可靠性的基础上，以投资成本最小为目标函数研究，得出了电源优化配置方案。文献［8-9］运用美国新能源实验室开发的HOMER仿真软件仿真小型混合新能源发电系统进行优化配置。文献［10］引入疫苗接种和稀释等策略，对传统粒子群算法进行改进，完成了对分布式电源的选址定容经济最优配置规划。文献［11］通过混沌序列整合粒子群算法解决了全局优化问题，提高了算法的搜索能力。文献［12-13］提出了禁忌搜索算法、平衡法等其他方法进行运行优化的研究。以上文献的研究结论认为：遗传算法编程复杂、参数众多、计算速度慢；蚁群算法的计算量庞大，运行缓慢甚至可能得不到结果；细菌觅食算法在单独使用时，收敛速度比较慢；HOMER仿真软件在国内也缺少使用的条件；而粒子群算法则容易陷入局部最优。

可再生能源的混合发电系统是非线性的组合优化问题，生物地理学算法类似于种群的优化算法，但不需要考虑下一代的繁殖、生产，更不用舍弃现有种群。本文运用生物地理学算法设计了优化运行方案，并与基于遗传算法、粒子群算法的优化方法进行对比。

1 混合发电系统

典型独立型混合发电系统包括风力发电机组、光伏电池、储能电池和柴油发电机组。

1.1 光伏发电

光伏电池的出力受地理位置的影响，太阳辐射、温度等参数都会不一样，在任意时刻的出力可以表示为

式中：ηPV为光伏电池板的转换效率；NP为光伏电池板并联数量；NS为光伏电池板串联数量；VPV为光伏电池板的工作电压；IPV为光伏电池板的工作电流。

1.2 风力发电

风电机组发出的功率由现场机组条件、风机数量、实时的风速等条件共同决定。选择风机参考高度h0，在实际轮毂高度h的风速按小时计算可表示为

风力发电系统在时间t产生的功率［14］可表示为

式中：ηW为风机的效率；ηg为发电机的效率；ρa为大气密度；C为风机的功率系数；A为风机的扫风面积。

1.3 储能电池

储能电池用来进行低高时段电能的充放，输入电池组的能量可以表示为

式中：P（t）为t时刻光伏和风力发电出力的总和；PDG（t）为 t时刻柴油发电机组的出力；Pd（t）为 t时刻的功率需求；ηi为逆变器效率。

2 生物地理学优化算法

生物种群生活在不同的栖息地，它的适宜度指数（habitat suitability index，HIS）［15］因地制宜。 HIS受到很多方面的影响，比如地形特征、降雨、温度、植被特点等等，适宜度就是有关于这些特点的函数，这些方面的相关参数就被称为适宜度相量（habitat suitability vector，HIV）。

HIS是影响栖息地种群分布和迁移的重要因素之一。高适宜度的栖息地由于会渐渐趋于饱和状态，迁出率就会增加，部分物种就会迁徙到别的栖息地去。另一方面，在适宜度低的栖息地，物种的数量决定了他们的迁徙速度，这些地方地广人稀，因此物种的迁入率会相对比较大，但如果长期保持在低适宜度，就会导致物种的灭绝，从而致使更大的迁徙率。物种数量、迁入率和迁出率的相互关系如图1所示。

图1 物种数量、迁入率和迁出率的相互关系

图中，K为适宜的相应栖息地物种数量；Kmax为栖息地所能承受的物种数量最大值；K0处是平衡状态，此时，迁入率和迁出率相等。由图1可知，环境良好的栖息地具有高迁出率和低迁入率，相反，适宜度指数低的则有低迁出率和高迁入率。

通过每个栖息地的适宜度指数，可以对每个地方的迁出率λout和迁入率λin进行计算，即

式中：E为迁出率的最大可能值；I为迁入率的最大可能值；k为某一物种的数量；n为某一物种允许的最大数量。因此，适宜度高代表栖息地更适宜居住，k值高也就代表着适宜居住。

迁入率和迁出率从数学角度可以通过一个概率模型来表示，由概率来决定物种是否迁徙。如果因为栖息地的特征导致物种迁入，而物种迁出是由概率决定的，这种情况下，将统一由迁出率来决定，称为变异率，用到这个变异算子有一定的概率，往往会增加物种的生物多样性，变异率θ和迁徙的概率成反比，可表示为

式中：θmax为用户定义的参数；p为迁徙的概率；pmax是迁徙的最大可能概率。

相比于其他智能算法，生物地理学算法不需要繁殖或者产生下一代；没有交叉操作，可靠性高；不容易陷入局部最优；计算量相对少很多。

3 混合发电系统孤网运行优化问题

根据混合发电系统的特点，需要考虑出力水平、经济性、可靠性等因素，由于目前各种装置的成本较高是目前混合系统难以多加利用的重要因素，尤其是储能装置的成本，所以采用混合发电系统运行优化的成本最小为优化指标，即W（PW，PPV，PES，PDG）最小，也就是要在考虑保证出力的基础上考虑这几部分的成本的总和。

3.1 各部分成本

每个部分成本都包括组件成本、运营维护成本和替换成本三部分，由于光伏和风电机组的使用寿命较长，故暂不考虑替换成本。

（1）光伏机组成本

（2）风电机组成本

（3）储能电池成本

（4）柴油发电机组成本

式中：a、b、c、d分别为各部分组件成本； OM 为运营维护成本；re为置换成本；fuel为燃料消耗成本。

3.2 约束条件

1）满足出力要求

任意一个时间步长内，系统总出力不能低于负荷要求。表示为

2）电源数量限制

根据不同工程的要求，每种类型发电机的数量受到限制，不能超过最大允许范围，即

3）储能电池容量限制

电量的余量不能超出储能电池容量大小，电池的总容量不能超过允许的最大容量，且每小时的充放电量不能超过限制，即

3.3 基于生物地理学算法的求解方法

用生物地理学算法来解决小型混合发电系统的电源配置问题步骤如下。

1）适宜度参数的表示

由前文可知，适宜度参数决定栖息地的大小，所以各个发电设备的容量可以代表不同的栖息地。初始状态下选择算法的适宜度参数数量N1和栖息地数量N2，完整的栖息地设置用矩阵表示为

式中，Mx为每个栖息地x的位置矢量。每个栖息地是该问题的可能的解决方案之一，而栖息地的大小相当于人口规模。Mx的元素Mxj是栖息地x的第j处分量，即Mxj是第x个栖息地的第j个SIV量，SIVxj表示i栖息地中j分量的大小。

2）计算步骤

（1）设定组成元件的初始化数量，即SIV的数量N1和栖息地的数量N2，同时初始化生物地理学优化算法的参数；

（2）初始化栖息地矩阵，每一个栖息地代表一个解决问题的潜在方案，所以每个栖息地矩阵的初始化设置必须满足约束条件；

（3）根据给定的迁入、迁出率计算每个栖息地的适宜度，适宜度代表电力系统中满足电力需求的资本和运营成本；

（4）基于适宜度（成本/（kW·h））计算优秀栖息地的价值，优秀是指栖息地的成本最优；

（5）按照概率为非优秀栖息地选择适宜度参数进行迁徙操作，计算每个栖息地的迁入、迁出率，然后计算迁徙后新生成的栖息地的新参数；

（6）对非优秀栖息地进行变异操作，任何一个栖息地的突变率大于随机生成的数字时，就会进行突变操作，栖息地的参数设置会被随机生成的满足条件的新参数取代。每个栖息地的适宜度就会被重新计算；

（7）回到步骤（3）进行下一次迭代，达到设计数量之后循环终止。

算法的求解流程如图2所示。

图2 基于生物地理学算法的求解流程

4 算例分析

将该算法运用到风光柴储系统中，系统中包括光伏电池板、风机、燃料电池、柴油发电机。某地区2013年的负荷数据，日常负荷为5 330（°）/d，峰值为 583 kW。太阳辐射强度约为 5.8 kW·h·m2/d，一个月内日照时间平均为（5～8）h/d。某典型日太阳辐射实测数据和典型日风速数据如图3所示，辐射量单位W/m2，风速单位m/s。设定栖息地在阳光充足、风速足够的地域，风速、太阳辐射和环境温度测量间隔都为1 h。

图3 典型日太阳辐射量和风速实测数据图

BBO算法参数选择如下：栖息地物种数为100，代数 100，变异概率为 0.05，优秀参数个数为2，最大迁入、迁出率均为1。能源的成本是指产生每度有用电能的所需投入。为了方便比较各种算法，设定算法的迭代次数都为100次。3种算法参数比较见表1。

表1 3种算法参数比较

收敛特性比较如图4所示。

图4 3种算法的迭代过程

为了比较不同的算法，起始点选择同一常量，可以看出适应度在前10代的迭代中迅速减小，在这个阶段，每种方法都在寻找自己的合适解决方案，然后慢慢减小，大约到第20次迭代的时候，开始慢慢交汇，因此，结果所示总的系统成本和元件容量在各种算法中基本保持一致。

3种算法各部分功率曲线如图5所示。计算结果见表2。

从表中可以看到，用生物地理学优化算法产生的多余能量最少，所以得出的净成本和能耗是最低的，也可以从图线看出，生物地理学优化算法的收敛速度较快，因此，生物地理学优化算法可以比较轻松、快速地解决较为复杂的混合发电系统问题。

图5 3种算法功率曲线

表2 3种算法的计算结果

5 结语

研究表明，独立型混合发电系统适用于偏远地区或者需要备用电源的场合，由于其非线性问题的复杂性以及可再生能源难以稳定输出的特性，需要依靠优化算法来优化系统结构和运行方案。另一方面，仅依靠可再生能源发电是无法满足稳定、可靠供电，还需要结合储能及传统的柴油机组才能相辅相成，提高供电的可靠性。而柴油机组的成本受油价和自身的易耗性影响，不利于长远发展，且储能装置的成本目前也比较高。

本文基于生物地理学优化算法，从经济运行的角度对包含风光柴储的独立型混合发电系统运行进行了优化，并且和其他的传统算法进行比较。结果表明，该优化方法能充分利用可再生能源，协调分布式电源和储能系统，得到的设计方案合理可行，验证了方法的有效性。基于生物地理学算法的优化方法计算时间较短，容易跳出局部最优，表现了在解决非线性问题上的先进性和适用性。

［1］周莉梅，范明天，张祖平.基于重要用户的应急电源优化配置［J］.电力系统自动化，2007，31（6）：99-102.

［2］孔淑琴，牛铭，付学谦，等.微网孤网经济运行研究［J］.电网与清洁能源，2012，28（4）：57-62.

［3］Yang Hongxing，Zhou Wei，Lu Lin，et al.Optimal sizing method for stand-alone hybrid solar-wind system with LPSPtechnologybyusinggeneticalgorithm［J］.SolarEnergy，2008，82（4）：354-367.

［4］陈洁，杨秀，朱兰，等.基于遗传算法的热电联产型微网经济运行优化 ［J］.电力系统保护与控制，2013，41（8）：7-15.

［5］陈昌松，段善旭，蔡涛，等.基于改进遗传算法的微网能量管理模型［J］.电工技术学报，2013，28（4）：196-201.

［6］唐勇俊，刘东，阮前途，等.计及节能调度的分布式电源优化配置及其并行计算［J］.电力系统自动化，2008，32（7）：92-97.

［7］马溪原，吴耀文，方华亮，等.采用改进细菌觅食算法的风/光/储混合微电网电源优化配置［J］.中国电机工程学报，2011，31（25）：17-25.

［8］Yadav D K，Girimaji S P，Bhatti T S.Optimal hybrid power system design using HOMER［C］//IEEE 5th India International Conference on Power Electronics.Delhi，Piscataway：IEEE，2012.

［9］Sureshkumar U，Manoharan P S，Ramalakshmi A P S.E-conomic cost analysis of hybrid renewable energy system using HOMER［C］//IEEE International Conference on Advances in Engineering，Science and Management，Tamil Nadu.Piscataway：IEEE Computer Society，2012：94-99.

［10］叶承晋，黄民翔.基于改进粒子群算法的分布式电源经济性最优规划 ［J］.电力系统保护与控制 ，2012，40（19）：126-132.

［11］Park Jong-Bae，Jeong Yun-Won，Shin Joong-Rin，et al.An improved particle swarm optimization for non-convex economic dispatch problems［J］.IEEE Transactions on Power Systems，2010，25（1）：156-166.

［12］Nara Koichi，Hayashi Yasuhiro，Ikeda Kazushige，et al.Application of tabu search to optimal placement of distributed generators［C］//Proceedings of the IEEE Power Engineering Society Transmission and Distribution Conference.Columbus，OH，United states，Institute of Electri-cal and Electronics Engineers Inc，2001：918-923.

［13］Gavanidou E S，Bakirtzis A G.Design of a stand alone system with renewable energy sources using trade off methods［J］.IEEE Transactions on Energy Conversion，1992，7（1）： 42-48.

［14］郭佳欢.微网经济运行优化的研究［D］.北京：华北电力大学，2010.

［15］王存睿，王楠楠，段晓东，等.生物地理学优化算法综述［J］.计算机科学，2010，37（7）：34-38.