基于遗传算法的风水协同发电控制

李大鹏 杨秀媛 张 芳 宋墩文



基于遗传算法的风水协同发电控制

李大鹏1杨秀媛1张 芳1宋墩文2

（1. 北京信息科技大学自动化学院，北京 100192;2. 中国电力科学研究院，北京 100192）

风电和水电是最具前景的可再生能源，风电的随机性和波动性使大规模的风电接纳成为当前电力系统面临的重要问题，而利用水电机组的调峰作用可以补偿风电输出的随机性，使水电厂和风电场能够按计划的输出。本文针对水轮机的特点，利用遗传算法对水轮机的调速器参数进行整定。仿真结果表明，整定后的PID比常规PID具有更好的控制效果。水电的输出很好的对风电输出功率进行有效的补偿，减少了对电网的冲击，有利于电网的长期稳定运行。

风电；水单；风水协同发电；遗传算法

随着风力发电的持续发展，风电大规模接入电网给电力系统带来了巨大的冲击，在发电侧引入随机性明显，波动性强的不可控电源，给电力系统维持发电负荷的稳定带来挑战。风电具有了波动性与间歇性的缺点，这给电网的稳定运行以及电能质量带来了较大的影响，同时也给风电场发电和运行计划的制定带来很多困难[1-2]。我国幅员辽阔，水能丰富，水电作为另一种清洁能源也广泛的应用在我国的电力结构当中[3]。因此，风电水电协同发电是未来新能源的发展方向。

利用水电的调节能力将随机的风电转化成可以参与电力系统运行计划的电源，使水电厂和风电场向电力系统可以按照计划提供的功率的输出，这种方式称之为风电场和水电厂的协同运行（coordinated hydropower wind power generation，CHWG）[4-5]。目前国内外已经有许多将风电与抽水蓄能水电站相结合的研究，文献[6-10]基于成本利益效益最大化的角度，构建风电和抽水蓄能电站的数学模型，考虑约束条件，结合不同电价时段，从经济性和可靠性的角度进行了仿真和验证。但是，在当前的电力系统中，绝大部分的水电都是常规水电，若仅仅为了风电并网而建造抽水蓄能电站，则不符合系统的经济效益。

文献[11-15]根据结合西北和东北等风能水能充足地区，通过风电与常规水电站的结合，减少风电负荷在跟踪时间上的波动性，以保证经济效益为目标，建立了风水联合调度的数学模型。本文考虑风水协同发电在电网得以运行的理想条件下，主要研究如何将水电机组的控制精度提高和响应时间减少。根据文献[16-17]，目前的水轮机组的调控主要传统的PID控制，但是传统的PID控制不能快速响应被控对象的实时变化，尤其在风水协同控制中不能应对风电功率快速的变化情况[18-19]，因此，本文提出用遗传算法对水轮机的PID参数进行优化，以满足水轮机在补偿风电过程中的快速准备调节的要求。

1 遗传算法

遗传算法（genetic algorithm, GA）是一种以生自然界中生物进化规律为基础产生的随机搜索算法（适者生存，优胜劣汰）[20]，主要特点为：①对结构对象直接操作，不需要对函数进行求导，不需要判断函数是否连续；②更好全局搜索能力强，并行性良好；③寻优方法使用概率化的方式，自动对搜索空间进行优化，自适应的调整搜索方向，不受规则的限定；④具有良好的自组织、自适应和自学习性。适应度大的个体具有较高的生成概率，并获得适应环境的基因结构。

遗传算法基于PID参数的整定原理如下。

1）参数的确定及表示。确定参数范围，根据不同的精度进行编码。本文采用二进制编码方式与参数进行联系，用二进制的方式组成字符串。

2）初始种群的选取。初始种群随机的产生。以二进制编码为例，选择0～1之间均匀分布的随机数，0～0.5为0，0.5～1则为1。根据计算的复杂程度来决定种群的大小。

3）适配函数的确定。以稳定性、准确性和快速性3个条件来判断控制系统是否稳定，从中求得一个最好的算法。因此，最优的控制参数就是在满足()最大时所对应的控制器参数。

4）遗传算法的操作。首先复制操作，求得适配值，进而求得对应的复制概率。复制概率越大，下一代保留基因越多，越不易被淘汰。然后进行交叉，交叉概率为c。复制后里以概率c利用字串组选择匹配，进而对其中成员随机匹配和交叉，最后进行变异，变异概率为m。

初始种群通过复制、交叉及变异得到新一代种群，再看是否满足条件，若不满足，则重复以上操作直到满足。如果各目标参数处于规定范围，计算就终止。遗传算法流程图如图1所示。

图1 遗传算法流程图

2 遗传算法在风水协同发电的应用

风电场与水电厂协同运行是风电与水电的有机结合与调度。水电不但能够从季节性和风电进行良好的互补，而且快速的调节能力可以实时调节、补偿风电输出功率的波动。本文仅探讨小波动下的风电与水电联合发电，主要研究如何提高水电机组的响应速度，达到利用控制水轮发电机的输出功率与风电功率进行互补的目的。遗传算法在风水协同控制中的应用原理如图2所示。

图2 基于遗传算法的风水协同运行

图2中，w为风电场输出功率；c为并网期望功率；h为并网期望功率，即c与w之差；g为水轮机实际输出。利用遗传算法来对PID调速器中的p、i、d进行调节，改变PID调速器中导叶的行程，调节水流量的大小，进而满足不同工况下水电功率对风电功率的补偿。

PID调速器为传统的PID调节模块，其动态特性为

机械液压模块：机械液压系统主要由配压阀和接力器组成，接力器和主配压阀为一个积分环节。其动态特征为

水轮机及饮水系统一般采用刚性水锤的表达式来描述其动态特性，即

式中，w为水流惯性时间常数，表示引水系统由于水锤效应产生的世界；为接力器导叶开度。

因此，结合水轮机参数要求，本文所取水轮机租参数对照见表1。

3 算例分析

本文研究的仿真模型根据二滩电站机组生产厂家给出的二滩电站水轮机组模型参数，风电场装机容量为100MW，1.5MW的双馈感应风力发电机。

3.1 阶跃仿真

假设并网功率为1，当风力发电机组输出功率在100s由1突变为0.9，发生标幺值为1的阶跃减小时（如图3所示），要求水轮发电机组立即做出响应，其期望功率在10s时突增0.1标幺值（如图4所示）。

表1 水轮机组基本参数

图3 风电机组输出功率

图4 风电并网差额功率

为了对水轮机的PID参数进行更好的调节，以适应风电机组输出的快速变化，在Matlab软件环境下运行遗传算法对水轮机调速器的PID进行整定。根据遗传算法的规则，遗传算法参数见表2。

表2　遗传算法参数取值

p的取值范围为[0.5, 20]，i的取值范围为[0, 10]，d的取值范围为[0, 5]。使用Matlab软件对参数进行100代的优化计算后，PID参数的整定结果为p=4.9365，i=0.0264，d=0.3832。性能指标=35.1536。代价函数的整定过程如图5所示。

图5 代价函数J的优化过程

将水轮机的常规PID参数p=3.5、i=0.5、d=1.5与整定后的PID参数p=4.9365、i=0.0264、d=0.3832。在Matlab环境下，对风电输出功率进行补偿的阶跃仿真，采样时间为500s，水轮机输出，导水叶开度，误差如图6至图8所示。

图6 水轮机输出功率

图7 导水叶开度输出

图8 输出功率误差比较

3.2 不同阶跃幅度信号仿真

当风电功率在200s由0.7标么值下降到0.3，经过100s又恢复到0.7标么值时，风电差额功率在200s增加为0.7标么值，经100s后又恢复到原值0.3标么值。

图9 风电输出功率

图10 风电并网差额功率

在Matlab环境下进行仿真，仿真时间为500s。常规PID和经过遗传算法整定的PID参数的水轮机输出功率，导水叶开度和误差对比如图11至图13所示。

通过仿真结果的比较，水电输出功率很好地达到了对风电功率的补偿要求，水电能够在短时间内响应风电功率的变化，风电输出功率变小，水轮机导水叶开度增大，使得输出功率相应增加，与风电功率形成较好的互补，达到理想的输出功率。且经过遗传算法整定后的PID比常规PID具有更快的调节能力，超调量更小，误差更小，更稳定，更精确的补偿了风功率的变化。

图11 水轮机输出功率

图12 导水叶开度输出

图13 输出功率误差比较

3.3 实际数据仿真

本文采用2013年5月的双馈风力机的输出功率，采集数据时间间隔为15min，故每日共计96个点。选取其中5天共计480个点的风电输出功率标么值如图14所示，图15为风水协同运行的理想输出，假设风水协同理想输出标么值为1，下面曲线为风电输出功率，上面则为水电补偿功率。图16反应了经过遗传算法整定后的PID和使用常规PID时水轮机输出功率的标么值。图17则为不同方法整定下输出功率的误差。

图14 风电5天的输出功率

图15 风水协同运行理想输出

图16 水轮机输出功率

图17 输出功率误差比较

通过仿真结果可以得出，在实际的风电输出过程中，水轮机的输出功率很好地补偿了风电的变化，达到理想的并网输出功率，经过遗传算法整定的PID比常规的PID调节具有效果更精确、超调量更小、跟踪更快速、误差更小、响应时间更短等优点。

4 结论

本文在风水协同运行的背景和研究的基础上，考虑风电的波动性和随机性，采取用水电互补的发电方式，将风电并网时的差额功率作为水电的输出功率，通过对水轮机PID调速器的控制，实现了水轮机对风电功率的补偿，并使用遗传算法对水轮机的常规PID参数进行了进化整定，通过仿真对比，得出结论如下：

1）通过对水轮机组PID的有效调节，水电的输出功率可以有效地跟着风电的输出功率，做到对风电的波动性和不稳定性进行有效的补偿，最终达到理想的输出功率，达到风水协同发电的目的。

2）通过实际数据的仿真的对比，利用遗传算法对水轮机常规PID参数进行整定，可以有效地提高水轮机输出功率对风电跟随的速度、精确度，减小超调量，达到更好的风水协同发电的目的。

本文采用的风功率为实际确定的数据，而在实际的应用过程中，风速和风功率都会在预测的过程中产生误差，影响水电的跟随和输出的功率补偿。水轮机作为非线性，时变的系统，目前的研究状态也大都采用简化的理想模型。在今后的研究中，也应从以上条件考虑，达到更理想的效果。

[1] 姚骏, 郭利莎, 陈知前, 等. 电网电压不平衡下双馈型风电场可控运行区域及其控制策略[J]. 电工技术学报, 2016(20): 181-191.

[2] 于明, 郭华, 潘珍, 等. 基于提升供电能力的配电网协调规划探析[J]. 电气技术, 2015, 16(10): 107-110.

[3] 韩冬, 方红卫, 严秉忠, 等. 2013年中国水电发展现状[J]. 水力发电学报, 2014(5): 15.

[4] Chen Q, Littler T, Wang H. Application of PMUs to coordinate hydroelectric and wind power plant operation[C]//International Conference on Sustainable Power Generation and Supply, 2012: 1-6.

[5] 杨秀媛, 陈瑶, 陈麒宇, 等. 导前微分控制在风电水电协同运行中的应用[J]. 中国电机工程学报, 2015(18): 4591-4597.

[6] 吴杰康, 熊焰. 风水气互补发电优化的云模型自适应粒子群优化算法[J]. 中国电机工程学报, 2014(S1): 17-24.

[7] 张凤阁, 朱连成, 金石, 等. 开绕组无刷双馈风力发电机最大功率点跟踪直接转矩模糊控制研究[J]. 电工技术学报, 2016(15): 43-53.

[8] 徐飞, 陈磊, 金和平, 等. 抽水蓄能电站与风电的联合优化运行建模及应用分析[J]. 电力系统自动化, 2013, 37(1): 149-154.

[9] 潘文霞, 范永威, 杨威. 风-水电联合优化运行分析[J]. 太阳能学报, 2008(1): 80-84.

[10] 张刘冬, 殷明慧, 卜京, 等. 基于成本效益分析的风电-抽水蓄能联合运行优化调度模型[J]. 电网技术, 2015(12): 3386-3392.

[11] 黄金. 电力系统发展性故障实例分析[J]. 电气技术, 2015, 16(10): 111-113, 116.

[12] 衣立东, 朱敏奕, 魏磊, 等. 风电并网后西北电网调峰能力的计算方法[J]. 电网技术, 2010(2): 129-132.

[13] 黄春雷, 丁杰, 田国良, 等. 大规模消纳风电的常规水电运行方式[J]. 电力系统自动化, 2011, 35(23): 37-39, 111.

[14] Angaritaj M, Usaolaj G. Combining hydro-generation and wind energy: biddings and operation on electricity spot markets[J]. Electric Power Systems Research, 2007, 77(5/6): 393-400.

[15] 尚志娟, 周晖, 王天华. 带有储能装置的风电与水电互补系统的研究[J]. 电力系统保护与控制, 2012(2): 99-105.

[16] 陈帝伊, 郑栋, 马孝义, 等. 混流式水轮机调节系统建模与非线性动力学分析[J]. 中国电机工程学报, 2012(32): 116-123, 19.

[17] 魏守平. 水轮机调节系统的MATLAB仿真模型[J]. 水电自动化与大坝监测, 2009, 33(4): 7-11.

[18] 桂小阳, 梅生伟, 刘锋, 等. 水轮机调速系统的非线性自适应控制[J]. 中国电机工程学报, 2006(8): 66-71.

[19] 寇攀高, 周建中, 张孝远, 等. 基于滑模变结构控制的水轮机调节系统[J]. 电网技术, 2012(8): 157-162.

[20] 于莹莹, 陈燕, 李桃迎. 改进的遗传算法求解旅行商问题[J]. 控制与决策, 2014(8): 1483-1488.

Cooperation of Wind-hydro Hybrid Power based on the Genetic Algorithm

Li Dapeng1Yang Xiuyuan1Zhang Fang1Song Dunwen2

(1. School of Automation, Beijing Information Science & Technology University, Beijing 100192;2. China Electric Power Research Institute, Beijing 100192)

Wind power and hydro power is one of the most promising renewable energy. The acceptance of large wind power is a problem because of the randomness and the fluctuation of wind power. Hydropower turbine can feasibly be used to compensate for fluctuation in wind, so the hydropower and wind power can be scheduled. According to the characteristics of the hydropower turbine, the genetic algorithm is used to set the PID parameters of the turbine. The simulation results show that the PID after genetic algorithm tuning has better control performance than conventional PID. The output of hydropower is used effective to compensate for output of wind power. The complementary system could provide a smooth power output, which reduces the impact on the grid.

wind power; hydro power; wind and hydropower coordinating operation; the genetic algorithm

李大鹏（1989-），男，硕士研究生，主要从事控制理论和新能源方向领域的研究工作。

国家自然科学基金（51377011）

北京市教委科技计划面上项目（201511232008）