孤岛模式下风光储微网容量优化配置策略研究

吕生辉，林永君，仲 举，杨育刚

（华北电力大学 控制与计算机工程学院，河北 保定 071000）

0 引言

随着新型发电技术的发展，由风电、光伏等DG单元组成的微网供电技术已日渐成为满足负荷增长需求、减少环境污染、提高能源综合利用率和供电可靠性的有效途径[1]。

微网系统设计的基本要求是满足微网覆盖电力负荷以及发电系统经济可靠运行的需要，同时降低系统发电成本，提高系统运行的可靠性[2-4]。因其需要进行最优容量配置，即计算出微网在全年可靠工作所需光伏总容量、风力发电机组功率和蓄电池容量，使其在满足最大可靠性的同时，尽可能的减少系统的成本。因此，微网的最优容量配置可以看作一个非线性目标优化问题[5]。

为保证微网系统获得最优容量配置，本文采用遗传算法对其进行优化设计。优化指标为风机、光伏电池串和并联蓄电池组的数目，约束条件为功率平衡、蓄电池充电状态及其他安全性、经济性要求。最终通过与HOMER仿真软件的运行结果进行对比分析，得出相应结论。

1 风光储微网系统模型简介

1.1 系统模型

本文研究的微网系统由风电机组、并列光伏电池组、蓄电池组、逆变器及负载构成。系统结构如图1所示。

图1 典型独立风光储微网结构Fig.1 The typical structure of independent microgrid

1.2 风力发电机模型

风力发电机各时刻的出力由风机转轴高度处各时刻的平均风速与风机的输出特性决定[6]，风机出力的表达式：

式中，PW为风机出力功率；PR为风机额定功率，νc为切断风速，νR为额定风速；νF为截断风速。

1.3 光伏电池模型

为便于应用，只考虑光伏电池出力只与太阳辐射值和环境温度相关，公式为

式中，PPV为光伏电池出力功率；GAC为光照强度；PSTC为标准测试条件下（太阳光入射强度为1000W/m2，环境温度为25℃）的最大测试功率；GSTC为标准测试条件下的光照强度，其值取1000W/m2；k为功率温度系数；TC为电池板工作温度；Tr为参考温度。

1.4 蓄电池模型

蓄电池在t时刻的剩余电量与蓄电池在t-1时刻的剩余电量、[t-1,t]时段蓄电池的充放电量以及每小时的电量衰减量有关[7]。当DG总输出量大于负载用电量时，蓄电池处于充电状态，否则蓄电池处于放电状态。t时刻蓄电池的荷电量可表示为

式中，Pbat(t)为t时刻的储能量；Pload(t)为t时刻所需电负荷；Ptotal(t)表示微网系统t时刻的总供电量；ηinv、ηsb分别为逆变器效率和蓄电池的充电效率。

2 风光储微网容量优化模型建立

2.1 目标函数的确立

微网容量优化配置的最终目标是满足供电可靠性的同时，使系统成本降最低。

假设本系统的寿命为20年，目标函数的公式表达如下

式中，Csum为系统总投资费用；X为优化变量集合，X=[NPV，NWG，H，Nba]；Cpv、CWG、CBat、Ccov、Cret分别为光伏电池、风电机组、蓄电池和逆变器的成本和重置成本。

1）光伏电池成本Cpv

式中，Cpv,cost、Cpv,rp、Cpv,om分别为光伏电池的购买成本、安装成本和维护成本。

2）风机成本CWG

式中，Cwg,cost、Cwg,rp、Cwg,om、Ctower,cost为风电机组的单位购买成本，安装成本和维护成本和风塔的购买成本。由于风电安装塔的成本Ch与其安装高度H相关，所以单独列出。

3）蓄电池成本Cbat

式中，Cbat,cost、Cbat,om分别为蓄电池的购买成本和运行维护成本。由于蓄电池的寿命相对较短，所以必须考虑到整个运行周期内的重置成本。Ybat是系统周期内更换次数；例如，蓄电池使用寿命为4年，系统使用寿命为20年，所以蓄电池期望更换次数Ybat=5。

2.2 约束条件

1）功率平衡约束

设定任一时刻风光储微网系统输出功率的限制条件为

式中，PWG(t)代表t时刻风电功率，PPV(t)代表t时刻光伏发电功率，Pbat(t)代表t时刻蓄电池放电功率。

2）蓄电池充放电功率限制

出于保护蓄电池工作寿命的考虑，任意时刻蓄电池充放电功率Pbat必须满足以下限制

式中，Pbat(max)为蓄电池充电功率上限约束；Pbat(min)为蓄电池放电功率下限约束。详细数据可以从蓄电池的出厂性能指标中得到。

3）个数约束

式中：Cpv,max，NWG,max，Nbat,max分别为实时环境下允许的最大安装数量。

4）其他约束条件

式中，Hmax、Hmin分别为风塔设计高度的上下限；N为非负整数集合。

3 遗传算法简介

遗传算法属于智能优化算法中的一种，是一种具有全局优化性能、通用性强且适合于并行处理的算法。

3.1 遗传算法的基本原理

遗传算法是从试图解释自然过程生物的复杂适应过程入手，模拟生物进化的机制来构造人工系统的模型[8]。遗传算法整个算法流程图见图2。

图2 遗传算法流程图Fig.2 The fl owchart of the GA

3.2 遗传算法在容量最优配置中的应用

在对微网系统的容量进行遗传算法优化时，先要进行参数设定。其中包括：遗传进化代数、种群大小、交叉率、变异率、染色体的长度等。具体操作步骤如下：

1）选定优化目标，生成初始种群：初始种群为随机生成的100个染色体组。系统优化目标为光伏电池组并联数NPV、风电机组个数NWG、风塔的高度H和蓄电池组数目Nbat。所以染色体包含4个基因[NPV、NWG、H、Nbat]。

2）选择操作：该过程是将种群中的每一个个体带入系统的目标函数。本系统中适应度函数与目标函数关系为

通过比较单个目标函数值与适应度函数的大小来选择遗传的个体，当个体目标函数值小于适应度函数值时，该个体被遗传到下一代[9]。

3）交叉操作：在本微网系统的优化设计中，设定算法交叉率为0.7。

4）变异操作：进行变异操作时，首先设定突变率，然后根据突变率来改变个体基因上的某个或某串基因。

5）产生新一代群体。经过选择、交叉、变异操作后产生新一代群体，并对其中各个体进行适应度评价。

6）迭代终止操作判断。判断是否满足遗传算法迭代终止条件Ngen=Mgen；若满足，则结束循环，执行下一步；否则，领算法执行循环迭代次数Ngen=Ngen+1，返回步骤5），继续执行循环计算。

7）将新的种群代替原有种群重新计算系统运行成本，如此往复，直到算法运行结束，输出最优解，即得出容量最优配置结果。

4 应用与仿真

4.1 应用实例简介

本文选择某地区微网实验区作为微网供电对象，该实验区一年内所有用电量数据已经获得，其平均值为571kW/d；小时最大功率峰值为68kW。负荷数据包括小时平均交流负荷。该实验地区气象数据包括平均风速、平均光强度、小时最大光强以及小时平均环境温度均。实验区所在地理位置为东经115.48°，北纬38.59°，平均辐照度为4.08kW.h/(m2.d)，平均风速约为5.3m/s。

微网中光伏电池PV、风电机组WG、风塔Tower以及蓄电池Bat的成本见表1。

4.2 基于遗传算法的容量优化配置结果

根据本文所建各个分布式电源的数学模型以及系统经济性模型，针对微网运行仿真总时间为1年，最小的时间间隔为1h。历史气象数据用来计算各电源的出力，最终获得微网实时输出功率P(t)。利用表1中各组件成本数据来计算总投资费用，并将其作为目标函数，最后基于遗传算法GA进行微网容量优化配置求解。最终结果见表2。

得 到最优配置结 果中风机装机容量120kW，光伏装机容量为98kW，蓄电池容量为108kW，此时的实际综合成本费用最小为4369684元。

表1 微网系统组件的运行参数及成本Table1 The Parameters Of microgrid system components

表2 遗传优化算法优化结果Table 2 The optimize result of GA

4.3 应用HOMER软件的仿真对比分析

4.3.1 HOMER软件简介

HOMER软件是一个专门针对微电网优化设计的仿真软件，它简化了离网和并网对于远程、独立的分布式发电系统的评估选择任务[10]。HOMER优化和灵敏度分析算法，可以用来评估系统的经济性和技术选择的可行性，以及考虑技术成本的变化和能源资源的可用性。HOMER可以筛选出满足供电平衡条件的所有容量组合，然后分别对其综合成本、CO2排放量、综合属性值以及年负荷缺电率LPSP进行计算并一一列出[11-13]。

4.3.2 HOMER仿真设置

图3 HOMER系统仿真结构图Fig.3 The simulation structure of the homer system

因为HOMER软件采用排列组合、逐次筛选方法进行寻优，所以在仿真前，根据前面遗传算法得到的最优解来设定风机容量、光伏电池和蓄电池容量的大致范围，以保证快速找到合适的系统配置。具体参数设定范围见表3。

4.3.3 仿真结果分析

仿真后结果如图4、图5、图6所示。从图中可以看出，HOMER软件最终得出的最优容量配置组合为：风机装机容量120kW，光伏装机容量为90kW，蓄电池容量为100kW，此时的实际综合成本费用最小为4569684元，平均发电成本为2.24 Ұ/kWh。

表3 组件设定范围Table 3 The setting range of the microgrid component

图 4 HOMER仿真结果 图Fig.4 The results of simulation diagram

图5 微网系统最优容量配置时的发电量占比Fig.5 The generation amount of the optimize confi guration

图6 微网系统在HOMER软件中运行特性曲线Fig.6 The run result curves of microgrid system in HOMER

仿真结果基本吻合，从另一方面，验证了遗传算法结果的可行性。通过HOMER软件中对最后仿真结果的特性分析看出，光伏发电功率占比为21%，风电功率占比79%。与光伏电池容量配置相比，风机容量要大很多，主要是因为所选取地区风力资源较充裕。而且风资源相对光资源的持续时间更长，风机发电连续性更好。光伏电池仅在白天时段才能发电，增大光伏电池容量配置只能提高此时间段的功率输出，不能全天与负荷匹配。为了保证微网供电的可靠性，风机容量必须予以合适的配比。

5 结论

本文提出了基于遗传算法的微网容量优化配置方法，主要工作如下：1）建立了以经济性最优为目标函数的微网容量配置优化模型；2）在求解最优变量过程中采用遗传优化算法，保证在求解过程中优化结果的同时，具有良好的选择性；3）约束条件的可选择性。因为约束条件是作为子程序单独加入，所以根据环境、供电对象以及供电安全性要求的不同，可以设置不同的约束条件；4）基于GA算法的多变量优化方法相比传统的多目标优化算法，能够更快、更准确的寻找到最优解集。

应用算例表明，利用遗传算法优化的微网容量配置方案能够充分保证供电可靠性，节省经济成本。目前，随着微网中DG种类的增加、规模的扩大以及配电方式的变化，微网系统的优化设计需要考虑加入更多复杂因素，这值得进一步研究。

[1]朱永利,姚建国,刘骥.微网关键技术及研究现状[J].江苏电机工程,2010,5:81-84.

[2]Ding Ming,Wang Bo,Zhao Bo,etal.Configuration Optimization of Capacity of Standalone PV-Wind-Diesel-Battery Hybrid Microgrid[J],Power System Technology,2013,3:575-581.

[3]Xiao Jun,LIANG Haishen,WANG Xudong,etal.Multiple Objective Planning and Designing of island Microgrid Based on Filtering[J].Power System Technology,2014,3:596-602.

[4]Kirthiga M V,Daniel S A.Optimal sizing of hybrid generators for autonomous operation of a micro-grid[C]//IEEE 26-th Convention of Electrical and Electronics Engineers,Eliat,Is rael:IEEE,2010:864-868．

[5]吴红斌,陈斌,郭彩云.风光互补发电系统中混合储能储能单元的容量优化[J].农业工程学报,2011,27(4):241-245.

[6]Borowy B S,Salameh Z M.Methodology for optimally sizing the combination ofa battery bank and PV array in a wind／PV hybrid sys-tem[J].IEEE Transaction on Energy Conv ersion,1996,l1(2):367—375.

[7]Deb K,Pratap A,Agarwal S,eta1.A fast and elitist multi-objective genetic algorithms:NSGA—II[J].IEEE Transactions on Evolutionary Computation,2002,6(2):182-197.

[8]王瑞琪,李珂,张承慧.基于混沌多目标遗传算法的微网系统容量优化[J].电力系统保护与控制,2011,11(4):16-22.

[9]杨琦,张建华,刘自发,等.风光互补混合供电系统多目标优化设计[J].电力系统自动化,2009,33(17):86-90.

[10]王茜,张粒子.采用NSGA-Ⅱ混合智能算法的风电场多目标电网规划[J].中国电机工程学报,2011,31(19):17-24.

[11]亓伟,耿世彬.基于HOMER仿真的太阳能混合发电系统设计[J].电工电气,2011,8(8):27-32.

[12]Kellogg W.Generation unit sizing and cost analysis for stand-alone wind photovoltaica-nd hybrid wind/PV-systems[J].IEEE Trans on Energy Conversion,1998,13(1):70-75.

[13]Marnay C,Venkataramanan G,Stadler M,et al.Optimal technology selection and operat-ion of commercial building microgrids[J].IEEE Transactions on Power Systems,2008,23(3):975-982.