宁夏地区风光互补发电系统容量优化配置的研究

徐爽，唐浩

(1.银川能源学院，宁夏银川，750021；2.宁夏回族自治区地震局，宁夏银川，750021)

0 引言

近年来，环境恶化越来越严重，尤其是化石能源的燃烧，产生的尾气给环境造成了很大的影响。但是，人们要生存，要发展就离不开能源，为此，很多的国家开始研究清洁能源，需要从技术上进行突破，开发既能取之不尽用之不竭，又能够对环境没有危害，或者危害比较少的能源。在这样的背景下，人们开发出了风能发电站、核能发电站、太阳能发电站，以及水能发电站等，这些发电站为当地，以及全国输送了源源不断的电能，改善了人们生活的质量，促进了整个社会的进步。然而，由于这些发电站采用的是单一的发电方式，对环境的要求非常严格。例如风能发电站需要在风能非常丰富的地区建立电站，核能需要在水资源丰富，外界影响较少，并且人比较少的地方；太阳能需要建在日照时间很长的地区；水能发电站需要建在水资源非常丰富的地方等等。但是，人们生活的地方很多都不能满足这些严格的要求，即使当地有丰富的太阳能、水能、风能等资源。因此，通过合理地将几个发电系统进行结合将是一种全新的选择，可以在全国大范围进行推广。

在微电网中，储能是最重要的环节之一。普通储能可分为功率型储能和能量型储能。前者(如超级电容器)功率密度高，响应速度快，但充放电时间短，成本较高;后者(如压缩空气)储能等，能量释放时间长，成本较低，但功率响应时间较长，不适合频繁充放电。在风能和太阳能混合发电系统中，既有瞬时冲击功率，又有长期储能释放要求。与此同时，系统的经济性也需要加以考虑。单一的储能不能更好地满足技术和经济的要求。因此，不同类型储能的混合使用，不仅可以发挥各类型储能的优势，还可以弥补其在某些方面的不足，发挥“扬长避短”的作用。因此，混合储能系统已成为可再生能源利用和分布式能源供应领域的研究热点。对于混合储能系统而言，如何进行功率分配和容量配置对整个微电网系统的技术和经济有着重要的影响。研究人员对电池和超级电容器混合储能系统的研究最多。例如，文献通过低通滤波方法、频谱分析方法、傅里叶变换方法对电池和超级电容器的功率进行分配，并对其容量进行配置。

利用改进粒子群算法、遗传算法等启发式智能算法，在一定约束条件下，以储能成本最低为目标，搜索最优功率和容量。此外，还有文献利用统计方法对电池和超级电容器的功率进行概率统计和蒙特卡罗模拟，以优化容量分配。该组合形式具有变工况性能好、易于控制等优点。然而，由于这两种储能方式的容量成本较高，只能开发一种规模较小的储能系统。也有学者对压缩空气与超级电容器混合储能系统或飞轮储能系统进行了研究。该混合动力系统具有大容量和长期储能释放能力，并能吸收冲击载荷。然而,由于压缩空气能源储存的响应时间相对较长,进行变工调节效果较差，以及充电和放电的电容性能不稳定，充放电的时间都较短，并且容易耗费大量的资金，导致整个系统能持续几个小时以上的工作能力差，储能成本高。

因此，本文提出了一种改进的粒子群算法来优化风光互补发电系统，这种系统能够产生很大的发电效益，并且使用的成本比较低廉，技术难度较低，适合大规模推广。一方面，通过粒子群算法改变成本最低的问题；另一方面，对发电容量配置进行改进，降低能量的损失，保证系统的稳定、持续进行。

1 风光互补发电系统模型

在当前石油资源越来越短缺的情况下，利用风能和太阳能是最佳的选择。但是，单一的使用风能和单一使用太阳能对于环境的要求比较苛刻。由于我国很多地方的风能和太阳能都存在昼夜变化明显的问题，如何能够开发一种实现风能与太阳能合理利用的风光互补系统意义将非常重大。当前，已经有一些机构研发了风光互补系统，这种系统能够白天利用太阳能，晚上利用风能。但是，由于技术还不够成熟，在稳定性方面还存在问题，并且当前都是讲求经济和效益的社会。既不能只讲求经济而忽略效益，也不能只讲求效益而忽略经济。总之，两者都要兼顾，这就给风光互补系统的研发带来了很大的压力。人们已经研发了几种比较典型的风光蓄互补发电系统，例如直流风光互补发电系统、交流风光互补发电系统，以及混合互补发电系统。直流风光互补发电系统是绝大多数组网中使用最多的，这种方式对于技术的要求相对来说简单一些。交流风光互补发电系统由于需要使用多种技术，技术难度大，所以，这只在一些比较重要的地区得到了应用。混合互补发电系统是未来将要重点研发的，这个由于技术比较新，还处于不稳定阶段，使用的并不是很多。不过，这种混合的方式技术难度适中，成本也比较低廉，适合大规模推广。系统主要由风力发电机，光伏电池板，蓄电池组，逆变器，整流器，直流母线等组成。

风光-太阳能混合发电系统主要以相关研究和有效气象信息为基础，合理有效地利用风能和太阳能光伏发电的互补性来发电。在阳光明媚的日子里，光照强度和风速相对较低的时候，太阳能就可以用来发电。当夜晚与雨天的温差较大，风力较大时，可以利用风能发电。这两种可再生能源在地域和时间上具有很强的互补性。这样，风光互补发电系统既可以降低设备成本，又可以满足连续供电的要求。风光-太阳能混合发电系统的结构较为复杂，主要由风力发电机、光伏阵列、光伏电池、电荷控制器和逆变器组成。控制装置主要是由电荷控制器和逆变器在16位微处理器上独立运行，在上位机上依靠RS-485通信的系统。

在发电系统中，一般分为离网和并网。但是，离网的发电效率并不是很高，所以，需要采用并网的方式。无论是风力发电，还是光能发电，这都是采用并网发电。风力机、并网逆变电源、风力机控制器、变压器、仪表等控制设备是构成风力并网发电系统的主要设备。风力发电机的关键功能是将风能转换成电能,然后交流电源转换成直流电源的风力发电机控制器,然后转化为电力,电网频率相同的风力涡轮机的发电逆变器送入电网。由此可见，风电并网发电系统的关键设备为风电并网逆变电源，风能可选用专用的高压计量箱，防止电能盗窃。针对窃电现象中可能出现的断电和窃电现象，供电公司可结合干式组合变压器和高压计量箱进行防窃电。在用电的远程控制方面，电力公司可以选择用电采集系统来采集用电信息。当用户用电量有异常用电量信息时，用电量的采集和吸收通过光纤网络、载波信道或无线信道传输报警信息。集电系统是反窃电技术的重要组成部分，在供电企业的供电监控中起着重要的作用。因此，相关供电企业必须加强防盗技术的创新应用研究，提高用电监管水平。

2 风光互补发电系统容量优化模型

风光互补发电系统同时利用风能和光能，当白天光能比较充分，而风能缺乏的时候，光能系统起到核心的作用；当晚上没有光照后，太阳能系统处于休眠状态，而风能系统起到核心的作用，保持整个风光互补发电系统能够一直保持运转发电的状态。根据不同的外部环境，进行不同的作业，保持在最低成本的状态下，系统的发电效率最高这就需要对系统建立影响的模型；然后，在此基础上对模型不断进行优化。本文将会重点分析优化目标，以及风光互补系统在运行时的关键指标。

2.1 优化目标

优化目标是风光互补发电系统的核心，本文所做的工作就是通过各种方法最终达到目标的最好化。风光互补发电系统容量优化的主要工作有三点：第一，首先，需要保证无论是在白天，还是晚上，系统能够正常工作，并且能够产生电能；其次，整个系统在负电荷上必须得满足实际的用电需求；第三，在前面两个的基础上再加入成本的因素，使得整个成本最低，效益最大化。因为风光互补发电系统是需要成本的，而整个系统除了满足人们的日常用电外，更多的就是实现商业盈利。因此，成本问题是一个关键性的问题，系统的优化目标函数是:

2.2 系统运行指标

整个风光互补发电系统属于一个比较大的系统，系统在运行的时候需要关注一些核心的指标，便于对系统的运行状态进行分析。负荷缺电率是系统运行时的核心指标，它所指的是负荷的缺电量与负荷总需求量的百分比。无论是负荷缺电量，还是负荷总需求量都是一个变化的量，其总比值也随着发生相应的变化。其中，负荷的缺电量会根据电路总体的变化，对每个部分的负荷的缺电量进行一个累积求和。负荷缺电率简称LPSP，其计算公式如下：

式中PH(ti)、Pf(ti)、Pg(ti)、Pc(ti)分别为ti时刻负荷、风力发电机、光伏电池板、蓄电池组的功率;M为给定时间段内选取的采样点数。显然，LPSP 越小说明供电可靠性越高。

除了上面介绍的负荷缺电率指标外，还有一个也是比较重要的指标，也就是能量浪费率。众所周知，能量进行转化的时候并不是全部都进行了转化，而是转化了一部分，还有一部分能量损失了，我们称能量的损失为能量浪费率。它的具体定义为：在一定的时间内，风光互补发电系统损失浪费的能量占负荷总需求电量的百分比，其简称为SPSP。在实际的环境中，可能由于天气，线路材料，以及其他方面的原因导致系统实际的能量浪费会比较大。因此，整个风光互补发电系统需要格外注意外部环境造成的能量浪费。SPSP的计算公式为：

式中，m为给定时间段内选取的采样点数。SPSP越小说明风光蓄互补发电系统的互补特性越好，资源的浪费越少。

2.3 约束条件

风光互补发电系统的各个部分需要有机结合在一起，通过内部之间的控制进行运作。为了保证整个系统的可靠运行，需要对整个系统进行一定的约束。具体来说，需要注意以下的三点：第一，首先，需要考虑的因素是鲁棒性的问题，如果系统运行时电压不稳定就容易造成可靠性的缺失；其次，如果风能发电机组和光能发电机组在实际运行的时候不能很好继续衔接，那么也容易出现发电不稳定的情况；第二，需要严格遵守规定的一些指标，不能超过规定的指标而造成资源的大量浪费，因为整个系统的能量浪费是可以进行调节的；第三，发电机组发电后需要对电量进行存储，这就需要蓄电池发挥其作用；蓄电池能够进行充电和放电，但是，为了保证系统的整体稳定性，还需要对其充电和放电进行必要的限制。总体来说，需要关注缺电率、能量浪费率，以及蓄电池充电和放电约束。

电力系统半线性与全线性最优潮流模型//卫志农,朱梓荣,赵静波,刘建坤,孙国强,臧海祥//(14):107

(1)缺电率是一个很关键的指标，很多的风光互补发电系统就是由于缺点率不好，导致系统不稳定，输电的质量并不是很高。因此，为了使整个系统能够持续稳定供电，需要缺点率满足以下条件：

(2)能量的损失也是一个很关键的问题，以往的做法是提高电压，对材料进行改进，但是，这个需要的成本更多。为了使得成本更低，需要能量损失控制在一个范围，具体的条件如下：

(3)风光互补发电系统所产生的电能还需要进行存储，这个一般是存储在蓄电池组里，为了最大化使用率，需要充放电控制在一个合理的范围，具体如下：

SOCmin和SOCmax蓄电池组荷电状态的上下限，一般取0.1和0.9。

3 算法改进

前人的研究主要集中在粒子群算法上，这种算法已经非常常见了，无论是在火力发电厂，水电发电厂，核电发电厂，还是风能与光能发电厂，基本上都能够看到该算法的身影。该算法比较简单，也比较高效，备受人们的关注。然而，这种算法也存在一些弊端，例如实际的转化效率并不是很高，能量的浪费有点大。此外，利用该算法会造成系统的整个成本的偏高。因此，也有许多的研究者提出了一些改进的算法，但是，效果都不是很明显。有的研究者设计的改进的粒子群算法效果好，但是，鲁棒性比较差，不能很好平衡整个系统的运行。本文将会详细介绍标准粒子群算法，以及它的改进算法。

3.1 标准粒子群算法

这种算法是20世纪提出来的，当时主要是学习了鸟类的飞行，以及鱼类的群体特征后，通过数学建模而得到了此算法。这种算法能够对非线性问题的最优解进行求解，从而能够很好解决实际的问题。标准粒子群算法非常简单，但是，却很高效，在收敛性方面表现很好，无论是在仿真模拟中，还是在实际的应用中都获得了最佳的效果，远远要好于其他的算法，因此，该算法备受人们的青睐。粒子群算法的公式里能够确定速度的大小和方向；然后，设置约束条件，加入惩罚函数对模型进行控制；最后，求得最优的解。

粒子群优化算法属于随机搜索算法，能够反映群体变化的具体情况。在这种算法中，它比较关注是否会与个体发生交叉；其次，会对个体的速度进行计算，然后进行速度的配置工作；最后，确定总体的目标，并不断通过改进环境去接近总体的目标。这种算法的实质就是解决优化问题，而要求解最优的解是该算法的关键。每个粒子都是一个潜在的解，通过标准的函数可以确定最优的值，粒子随着最优的粒子进行搜索。这样，每个粒子能够知道自己当前的位置，当前的速度，以及自己与群体中最优中心的距离。

3.2 改进粒子群算法

很多的学者已经对粒子群算法进行了改进，主要是对与速度有关的公式进行一些改进，具体来说，在公式原有的基础上添加二阶振荡，主要目的是解决粒子单一的问题，其次，也能够增强其实际的搜索能力。实验结果也显示，通过这种方式改进的粒子群算法实际的效果是不错的，收敛性比较好，优于标准的粒子群算法。粒子先前速度对当前速度的影响程度受到惯性权重大小的决定。通过调整惯性权重的大小可以协调全局搜索能力和局部搜索能力。为典型的惯性权重递减策略，这种策略下迭代初期全局搜索能力较强，若在初期搜索不到最优点，随着ω递减，局部搜索能力加强搜索结果容易陷入到局部最优。一旦陷入局部最优中就很难跳出来。为了克服这种不足，提出非线性动态的惯性权重方法，即:

通过这种改进后，可以很好解决原有的粒子群算法存在的缺陷，减少能量的损失，以及最大化接近优化的目标，使得利用率得到了很大的提升。

4 实例分析

本文提出的改进的粒子群算法是在标准的粒子群算法上进行的改进，主要针对的是标准的粒子群算法存在的不足。风光互补发电系统属于大型的系统，对于发电量，以及系统的稳定性要求非常高。此外，由于整个系统能量的浪费是可以进行调节的，而标准粒子群算法对于能量损失的约束并不是很强，这样就造成了不必要能量的大量损失。然而，系统提出的要求是最小化成本，这就需要对粒子群算法进行改进。本文已经完成了对算法的改进工作，为了验证算法的有效性，本文也进行了仿真实验。实验的配置环境为：CPU为英特尔i7，MATLAB软件进行仿真。

4.1 系统参数

该风光互补发电系统建在宁夏某地区，该地区地理位置离市区比较远，属于平原地带，拥有丰富的风能和太阳能。白天该地区的光照比较充分，有4-5级的风，晚上的风力达到了6级以上，安装风光互补发电系统是合理的。在白天的时候，太阳能电池板能够持续产生电能，并且风能机也能产生稳定的电能。在晚上由于没有光照，只能依靠风能机组进行持续供电。该风光互补发电系统性能较好，运行稳定，输电质量比较高，不会对环境造成负面影响。整个机组的装机容量属于中型，达到了1330兆瓦，最近三年的发电情况比较稳定，常年维持在49亿千瓦时。系统负载最大电量不足LPSPmax率取0.06。系统最大能源浪费率是0.26。

4.2 算例仿真分析

在进行实验的时候，需要对实验的环境进行配置。本实验需要提前进行环境的配置，使用的平台是MATLAB。在实验的准备阶段，需要进行初始化的操作，由于参数的值会随机分配，这样对实验的结果并不是很好。因此，本文提出的策略是利用概率的方式取代随机的方式，这样就避免了随机化的数值不合理的问题。此外，由于算法的参数比较多，如果训练的次数过少，并不能使得模型的表现足够好。因此，本文提出的方法是至少训练500次。对于每一个参数，都进行测试，并利用GPU加速，获取每一个参数下的最优数据，并记录此时参数的具体值；最后，记录最优的参数组合，训练500次获得数据，然后，重复做20次实验，将实验的数值取平均值作为最终的结果。此外，当数据集的数据误差太大时，需要进行必要的去噪工作，将一些偏差太不合理的数据剔除掉，提高模型实际的处理效果。

在MATLAB中对采用典型线性递减策略的粒子群算法和非线性动态改进惯性权重策略的粒子群算法进行仿真，设定种群规模大小为50，微粒的维数为25，最大迭代次数为400，惯性权重初始值ωstart=0.9，终止惯性权重ωend=0.4，k取5。学习因子取标准学习因子c1=c2=2。图1为不同权重下适应度值随迭代次数的变化曲线，从图中可以看出，采用典型的线性惯性权重策略的粒子群算法在迭代300次后趋于收敛，而采用非线性动态改进惯性权重的粒子群算法在迭代400次后趋于收敛，避免了过早的陷入局部极值中。根据目标函数和约束条件以及各项参数运用非线性动态改进惯性权重的粒子群算法进行求解。得到的优化结果如表1所示。

图1 不同权重策略下适应度值随迭代次数的变化曲线

表1 未优化时、线性优化时、非线性优化时的实验结果对比

从表中的数据可以分析出，当使用了改进的粒子群算法后，风光互补发电系统容量配置好了很多，在投入成本和维修成本上都明显下降了，进而导致总的目标成本的下降。此外，我们也对比了在线性和非线性条件下的粒子群算法的优劣。总体来看，投入成本线性的要低一点，但是，在维修成本上，非线性要稍微低一点。从具体的比例来看，两者投入成本相差不会超过2%，但是，维修成本线性占比要明显高出20%。然而，非线性的浪费率不足15%，而线性的能量浪费率偏高，达到了25%。综合来看，风光互补发电系统选择非线性的要好一些，这样能量的损失可以降低很多，严格来说总成本降低了0.9%，能量损失下降了10%。本文所采用的改进的粒子群算法总体效果很成功，尤其是非线性的粒子群算法更加可靠，能够极大降低成本，减少能量损失，适合大规模推广。

5 结束语

当前，宁夏地区的风能资源和太阳能资源都比较丰富，然而，风能会随着昼夜交替季节的变化而呈现周期性的变化；太阳能也会随着昼夜和季节的变化而变化，这样就造成了发电量的不足，或者不稳定的问题。为了解决这个问题，本文提出了风光互补发电系统。该系统是在粒子群算法的基础上进行的改进，主要是为了降低系统的成本，以及提高资源的利用率和降低能量的损失。在设计出改进的粒子群算法后，本文除了利用公式的推导证明其有效性外，还进行了仿真性实验。通过仿真结果可以看出，改进的粒子群算法确实提升效果明显，显著降低了投入成本和维修成本。在整个系统的能量损失上也明显得到改善，电能的利用效率也得到了提升。总体来说，本文所提出的优化还是比较成功的，下一步将会对整个系统的实际能量转化进行研究，再次提升其转化率。