风光储互补发电系统的容量优化研究综述

陈 凯

陕西铁路工程职业技术学院 陕西渭南 714000

能源是经济可持续发展的重要保障，但能源的短缺和造成的污染也带来了挑战。随着可再生能源，尤其是风能、太阳能等清洁能源的不断开发，调整能源结构是未来的发电系统的必经之路。清洁能源，特别是风能和太阳能，缺点是其随机性和间歇性等问题会导致发电系统的安全可靠性降低，限制了其大规模发展。因此，在满足用户用电功能的前提下，风光储互补发电系统应运而生，得到了众多学者的研究，结合风能、太阳自然界中的互补特性，同时增加储能装置帮助改善发电的安全可靠性，从而提供充足稳定的电能。相比传统的集中供电，风光储互补发电系统传输损耗低、启停快、区域动力强、经济性能好。通过合理灵活的配置容量，甚至可以应用于偏僻落后的地区。今年来，智能电网也有了很大发展，结合风光储互补发电系统，与微电网连接，能够挖掘出更大的潜能，改善自然环境，补充电力系统，解决经济欠发达地区的电力问题，改善人们的基本生活。

目前，风光储互补发电系统作为新能源利用的重要方式，是很多企业研究的热点内容，包括风光储离散型配置分析、容量优化、控制策略、设计方法、经济性分析等。其中容量优化作为前期设计阶段，通过计算进行研究和规划，完成三种能源的容量分配，达到能源互补的最大化，提高自然资源利用率，使得风光储互补发电系统能够输出较大的平稳功率，收益最大化。本文针对现有的风光储互补发电系统的容量优化方法进行了总结和研究，目标函数包括系统成本、负载缺电率、浪费概率等，优化方法则包括遗传算法、粒子群算法等各种智能算法，通过不同的改进手段实现目标函数的优化。

1 风光储互补发电系统的结构

风光储互补发电系统结构分为三个部分，能量产生环节、存储环节和消耗环节。风力发电机部分和太阳能发电构成能量产生环节，蓄电池实现能量存储，逆变器和控制系统将电能逆变后供给电网及其负载使用构成能量消耗环节。结构框图如下图所示。

风光储互补发电系统结构框图

相比光伏发电，风力发电机发电量更大，但由于随机性导致可靠性低。光伏发电量则主要受到温度和光照的影响，蓄电池受内部电容充放电的容量影响。将三者的运行方式相结合进行研究综述，以小型的风光储互补发电系统为例，设置可靠性适中的太阳能为主电源，风力发电和蓄电池作为辅助。

2 风光储互补发电系统目标函数的选取

在满足用电需求的基础上，风光储互补发电系统需要进行容量优化配置。通过计算获得不同配置方案的数据，以此作为衡量经济性的指标。事实上，风电机组和光伏机组目前的价格都偏高，因此探究容量配置能够很好地节约投资，尽可能地减少和优化风光储设备的数量，为其在偏远地区和经济欠发达地区的应用提供条件。

2.1 可靠性目标

国际上普遍采用负载缺电率(Loss of Power Supply Probability，LPSP)来表征系统可靠性，负载缺电率LPSP的计算公式如下所示：

(1)

式(1)中

L

(

t

)为负载侧调控需要的电量；

E

(

t

)为风力发电机的电量；

E

(

t

)为光伏发电的电量；

E

(

t

)为蓄电池所发的电量。

2.2 经济性目标

在风光储互补发电系统的经济性方案中，目前被学者们使用较多的是总拥有费用法(Total Owning Cost，T)，T包括两个方面的费用总和，即初期投资费用和运行损失费用。总拥有费用的公式为:

(2)

式(2)中

C

为系统投资总成本；

f

为通货膨胀率；

i

为利率；

n

为系统寿命周期；

E

为系统缺电量；

b

为单位停电量的电价与平均电价的比值；

d

为平均电价。从公式中可以看出，系统的缺电量

E

被转换为初始投资成本，可靠性与经济性综合为总费用计入目标函数，能够成为不同方案比较的依据。

2.3 目标函数

在小型风光互补发电系统中，同时考虑可靠性和经济性，为了将LPSP控制0.2%以内，引入使用可靠性成本

C

，使得

C

=

λ

×

LPSH

。

目标函数取为：

(3)

总投资成本

C

=

C

+

C

+

C

，其中:

式中

x

、

x

、

x

分别为风力发电机、太阳能电池、蓄电池的数目；

c

、

c

、

c

分别为风力发电机、太阳能电池、蓄电池的单价。

3 风光储互补发电系统的容量优化配置算法

3.1 改进粒子群算法

传统粒子群算法在风光储互补系统的容量优化中，对于目标函数的搜索精度不够，容易陷入局部最优，容易出现错误的计算结果。因此有学者在此基础上将传统粒子群算法与“禁忌表”相结合，为了防止陷入局部最优解，引入了“重启”操作。改进的粒子群算法的步骤如下：

(1)初始化粒子：初始化风力发电机、太阳能电池和蓄电池的数目；

(2)根据气候环境及用户数据，分析和计算风机，光伏板的发电量

E

(

t

)和

E

(

t

)，同时校验蓄电池的充放电量

E

(

t

)，计算LPSH和期望缺电量

E

；

(3)通过计算获取每个粒子的目标函数值，找到最小的那个作为最初的最优解；

(4)更新粒子的速度和位置；

(5)计算新粒子的T，更新每个粒子的局部最优解和全局最优解；

(7)计算

pbest

(

t

+1)-

pbest

(

t

)的数值，若

pbest

(

t

+1)-

pbest

(

t

)<

ε

，

β

=

β

+1；若

pbest

(

t

+1)-

pbest

(

t

)>

ε

，

β

=0。当

β

≥

η

算法需要重新开始，将[

Xbest

-

δ

，

Xbest

+

δ

]内的计算结果去除，转向8，否则转向9；(8)迭代次数：

t

=

t

+1，若

t

<

M

转向5，否则转向10；(9)迭代次数：

t

=

t

+1，若

t

<

M

转向4，否则转向10；

(10)输出结果，即风力发电机、光伏电池板、蓄电池的数量。

改进粒子群算法使得粒子能够跳出局部最优解，避免了重复搜索，加快收敛速度，从而提高精度。通过对某地的仿真计算，证明了本文算法比传统粒子群算法寻优能力强，“禁忌表”“扰动”“重启”的引入帮助扩大了搜索范围，搜索的精度也得到了保证，通过计算能够设计出更加经济的容量优化配置方案，解决了小型风光储容量优化配置的问题。但是该方法在寻找风光储互补发电系统的容量优化中，并没有考虑风机、光伏列阵的离散特性，且风光储互补发电系统是一个多目标的优化问题，因此改进的粒子群算法在相互冲突的极大可靠性和极小化成本状况下计算结果并不准确，还需要继续优化改进后的粒子群算法。

3.2 余弦改进型自适应遗传算法

传统自适应遗传算法也能够用来解决风光储互补发电系统的容量优化配置问题。在针对目标函数进行优化时，交叉算子P和变异算子P的数值与优劣个体的保存和脱离相矛盾，难以平衡随机搜索和适应度导致容易过快收敛或太慢收敛，从而得出错误的计算结果。尤其是在系统多样性好、适应度分散时本算法使用效果较差。

针对这个问题，有学者将传统自适应算法的P和P采用非线性处理，增大交叉变异率，使得不理想的个体适应度增强，提出了余弦改进型自适应遗传算法。该算法六个基本要素，其求解思路如下：

3.2.1 编码

利用本算法求解风光储互补发电系统的目标函数时，现将本系统的数据转换为程序语言，即进行编码。具体方法为将目标函数中的数据与染色体上的基因进行对应，由于二进制数编码复杂，选择实数展开编码。染色体表示为

X

=[

X

，

X

，…

X

]，其中

X

表示互补发电系统中相对最大负荷比例及风、光、储占比。

3.2.2 初始种群

种群进化是由初始种群发展而来的，在目标函数的参数限值内产生初始种群，通过随机均匀函数创建，这样有助于提高计算速率和效率。种群数目中的个体数目是影响计算的关键因素，既不能选得过大，也不能过小，而是要根据目标函数综合考量。

3.2.3 个体适应度评价

适应度函数作为遗传算法的重要指标，能够很好地判断个体优劣，以此为依据建立风光储互补发电系统容量配置优化的个体适应度，根据式(3)确定本算法的目标函数，并建立数学模型。

3.2.4 个体选择

遗传算法中要得到新一代，需要通过选择操作实现。适应度大的个体被留下来的概率越高，因此采用精英策略提高种群的适应能力。适应度大的个体直接进行复制，适应度低的则采用锦标赛策略，随机比较两个个体，保留适应度更大的那一个。以此类推，直到系统中子群数目等于父群数目。

3.2.5 个体交叉

改变基因序列才能形成新个体，即基因的交叉重组。交叉重组就是将染色体或部分基因进行概率交换，基因交换的分界点通过随机数生成，接着在这个位置进行交换。

3.2.6 变异

变异是在遗传中出现了父代中没有的基因，在算法中变异能够维持系统中物种的多样性，这有助于算法在计算中过早收敛，同时变异还能够提高计算的速率。在本系统目标函数的计算过程中，变异作为算法的辅助操作。

将本算法应用于风光储互补发电系统的容量优化配置中，将风力电机、光伏板和蓄电池的数量作为目标函数的优化变量，设置缺电率、投资成本、维护成本等约束条件，建立算法模型，结合数据计算各种配比方案下，在满足条件的计算结果中进行多次迭代，最终保证在全部解集中找到最优解，保证供电系统可靠性的前提下，使得成本最低。本算法的迭代次数需要预设，当算法的适应度趋于稳定后，选择大于这个迭代次数一倍数值作为系统的迭代次数。本算法运行显示，算法的收敛效率显著提高，能够在迭代次数达到之前便收敛到稳定数值。

利用该算法求解风光储互补发电系统的容量配置问题时，能够有效地改善计算速度，避免出现计算过早收敛导致出现错误求解。这六个要素的设计和应用可以很好地实现算法的控制和应用。但是本算法仍然存在问题，当要素中的变量发生某些不可控的变化时，会导致计算结果不够准确，因此对于关键要素的选取和改进是继续考虑的问题，在系统随机性增强的同时，对算法进行进一步改进仍然是需要研究的关键问题。

结语

风光储互补发电系统在规划建设时，应在保证可靠性的前提下，尽量减少各种成本提高收益。目前研究表明，风电机组和光伏板的各项成本均不相同，在规划时应根据实际情况合理设计容量分配方案，改善互补系统的经济性。在考虑互补系统的容量优化目标，还应该考虑与系统有关的约束条件，包括资源利用率、建设用地条件、互补特性、总出力、跟踪曲线等约束。优化目标则常常围绕可靠性和经济性展开讨论，常用的有工程寿命周期和总收益，负载缺电率和循环累计亏电量等。确定目标函数后需要对变量进行优化，例如，风电机组、光伏阵列的数目，以及各种装置的容量等。最后采用不同的智能算法对目标函数进行求解，除了本文介绍的改进粒子群算法和改进遗传算法之外，目前还有各种新的算法也逐渐被广泛应用，也有很多学者进行运算，例如，改进微分进行算法、精英非支配解排序遗传算法、粒子群优化算法、蚁群优化算法等。在未来的发展中，这些算法能够为风光储互补发电系统的容量优化配置提供更多的思路和解决方法。