基于光伏新能源预测的电网调度优化控制

凌小添

（国网江苏省供电公司江阴市供电分公司）

0 引言

面对电网用电日益紧张的发展趋势，各大电力企业纷纷构建了新能源场站，通过新能源发电满足了市场上的用电需求。然而光伏新能源的波动性与间歇性特征会干扰电网的正常运行，需要科学评估新能源并入电网所产生的影响，通过重新规划电网、有效控制有功及无功电压，保障电力系统运行的安全性与经济性。

1 光伏功率预测及优化控制技术

1.1 光伏功率预测技术

光伏功率预测主要采用构建光伏发电预测模型的方法，可用的建模方式有构建物理预测模型、构建统计预测模型两种方式。物理预测模型是以光伏电池光电效应为基础构建而成的，需结合光电转换效率概念，梳理出光电转换效率的经验公式，确定具体的经验系数，从而计算出光伏输出功率的预测数据。光电转换效率建模时，通常采用常数系数、单负温度系数两种模型，此外还可应用集成温度及太阳辐射双因素模型，太阳辐射总量、物理模型精准度，是光伏输出功率预测精度高低的主要影响因素。统计预测模型是以气象要素在光伏发电出力方面所产生的影响为依据，通过构建与二者相关的模型，利用回归分析、神经网络分析等方式分析预测环境温度、太阳辐射度等多种气象因素对光伏输出功率产生的影响，此算法虽然操作相对复杂，但预测精度较高。

1.2 光伏有功功率控制技术

光伏电站出力变化的计算是将下一周期期望出力值与当前出力值相减，如果二者之差为正，应适当提高有功出力，如二者之差为负时，则需要降低有功出力。根据光伏发电超短期功率预测结果，可采用轮换启停逆变器的方法，在保证光伏电站输出功率符合需求的同时，最大化降低逆变器运行总量。根据这一原理，光伏电站有功功率控制时，首先要对电网调度指令的发出情况进行判定，以最大出力原则为依据提供最大出力，如果已发出指令，则启动有功功率控制，结合控制模式的具体要求，对下一控制周期的有功设计功率进行计算，根据计算得出功率结果的升高或降低趋势，采取具体的轮换休眠策略，以分配算法为依据向各光伏阵列中分配所设定的功率，从而实现各个阵列输出功率的有效控制。有功功率控制时，可采取的控制模式有四种，分别是限值模式、斜率控制模式、调整模式与差值模式。

2 基于光伏新能源预测的电网调度优化控制策略

2.1 电网实时调度策略

光伏新能源向电网接入时，可能会对电网的实时调度产生影响，一是光伏出力具有不确定性，且波动性较强，因而光伏电站日常调度计划不契合间歇式能源的出力，由于二者之间存在较大偏差，会增大电网的实时调度需求。由于当前阶段配电网中接入的可再生性能源类型有所增加，且应用了智能化电网信息通信技术，电网调度形式、调控深度均得到了优化。为此，间歇式光伏新能源接入后，电网实时调度要以增强系统运行稳定性、实现光伏能源高效利用作为主要目标。光伏新能源并网后，应以配电网主动控制为基础，设计如图1 所示的实时调度策略。

图1 电网实时调度策略

2.2 电网实时调度优化流程

首先，针对光伏出力及负荷分别展开超短期预测，预测时间均为15min，之后利用数据采集与监视系统收集当前电网的运行数据，主要是获取开关状态、系统实时量测数据。再运用智能通信系统提取光伏新能源出力状况，了解光伏运行工况，获取生物质能电站、小水电以及微型燃气轮机等其他常规电源的运行状况。其次，采用潮流计算预测分析系统之后15min 内的运行情况，通过计算获取具备较高能源外送需求的变电站及联络线等关键节点或重要断面的功率数据。然后与日常调度计划展开对比分析，对后续15min 关键节点功率偏差值进行计算，目标函数取值为功率偏差最小值，结合功率平衡，考虑到电压、载流量、爬坡率以及光伏新能源出力四个约束展开优化计算，利用OPF 程序对系统中并网的光伏新能源决策进行求解分析。最后，通过求解得到后续15min 光伏新能源运行工况，并向各个场站进行情况反馈。

2.3 粒子群算法求解

2.3.1 粒子群优化算法

粒子群优化算法是以就近距离区域搜寻作为搜索策略。根据此模型，可设计出用于优化问题求解的PSO 算法，以空间粒子所处位置为解，根据优化目标函数明确各粒子适应值，并结合粒子运动方向及距离向量值，在解空间中实施搜索操作。粒子群算法采用的是实数编码，相较于免疫算法、遗传算法而言，求解过程更为简单，且求解操作易于实现。POS 算法应用时，需要在已知解空间中对粒子群进行随机性初始化，优化问题的数量决定着解空间的维数。应在获取各个粒子的位置初始值及速度初始值后开始迭代寻优。在此过程中，要根据各个粒子的极值更新解的位置及速度值。所用极值共有两个，一是个体极值，指单粒子迭代的最优解。二是全局极值，是全部粒子迭代求出的最优解粒子。

2.3.2 求解计算

光伏新能源调度决策求解时，首先要对各粒子的位置最优值进行计算，计算公式如下：

而粒子群体位置最优值计算则可按照式（2）进行：

之后，还要计算出更新粒子的位置及速度，计算公式为：

式（3）与式（4）中，w代表的是惯性因子，c1与c2则分别代表加速因子，二者均是正的常数，而r1与r2指的是0 与1 之间的随机数。当第j维这一未知变量发生位置及速度变化时，其位置变化范围可表示为［-xjmax，xjmax］，速度变化范围则用［-Vjmax，Vjmax］代表。在迭代时，如果xij、vij的数值超出限定范围，应取值为边界值。

2.4 算例优化分析

由于新能源并网后，同时具备多种机组元素，除了火电、水电机组之外，还存在风力发力机及光伏阵列。这些电源采用的都是负荷供电模式。因此，基于光伏新能源预测电网调度优化控制时，要先预测出机组负荷的日变化情况，应分析出风电及光电的预测结果（见图2）。由于系统预先给定了负荷值，并且预测出了风电功率及光伏功率，计算时燃料电池功率时，在系统负荷中将风电、光伏、柴油发电机以及燃气轮机的各自功率减除即可。之后，要计算微网运行的成本总额，选取适应度函数为目标函数，迭代次数及粒子数量分别取值为1000 与50。计算过程中，先初始化粒子群参数，而后展开适应度计算，再更新粒子位置及速度，当Xid优于Pid时，认为Pid=Xid，当Xid优于Pgd时，则认为Pgd=Xid。之后再判断迭代次数，达到迭代次数后便可将计算结果输出。

图2 风电/光伏功率预测输出结果

基于粒子群算法得出了有功功率输出结果（见图3），分析发现，晚6 点至早9 点这一供电高峰时段，燃料电池的有功输出值最高，此阶段所做出的调峰贡献最高，用电需求可得到有效满足。并且平滑控制效果较为理想，各个机组均未出现较大的变化幅度，可实现各机组的合理调度，节约了高峰运行成本并能有效延长各机组寿命。

图3 粒子群算法优化结果

3 结束语

由于新能源出力的间歇性及波动性特性的影响，新能源场站的机组控制难度更高，而基于光伏新能源预测方式进行电网调度优化控制，是化解新能源场站建设对电网运行所产生影响的重要路径。本文结合光伏出力特征，采用光伏有功功率控制技术，针对间歇式电源并网的电网调度优化提出了可行性的策略，有效优化调整了电网无功及电压，增强了电网系统运行的安全性，并节约了运行成本，取得了良好的经济效益与社会效益。