金青峰

(淮南聯合大學智能制造學院，安徽淮南 232038)

隨著化石能源的逐漸枯竭與自然環(huán)境的日益惡化，可再生能源的開發(fā)與應用已成為人們關注的熱點問題，其中風電的發(fā)展勢頭極為迅猛，大有由補充性能源轉向替代性能源的趨勢[1]。風電研究的持續(xù)深入，促進了風電并網技術水平的提升，然而仍然存在著電壓偏差與頻率波動等問題，這在一定程度上對風電并網的穩(wěn)定性與安全性造成了負面影響，阻礙了風電并網配電網的可持續(xù)發(fā)展[2]。作為一種高效的仿生智能優(yōu)化算法，ALO算法能夠完成對配電網部分問題的優(yōu)化，為了顯著提升風電并網技術的水平與應用價值，此次研究將其作為主要求解算法，并在其基礎上進行改進，加快其收斂速度，增強其魯棒性[3]。因此，此次研究將改進ALO算法應用至風電并網穩(wěn)定性的優(yōu)化中，旨在有效控制各節(jié)點的電壓標幺值，實現風電并網配電網的安全穩(wěn)定運行。

1 基于混沌思想的改進ALO算法及其應用研究

1.1 ALO算法的尋優(yōu)機制及其模型構建

蟻獅優(yōu)化算法(Ant Lion optimizer, ALO)源于自然界中蟻獅捕獵螞蟻的生物行為，是一種仿生智能優(yōu)化算法，旨在實現對某類問題的優(yōu)化[4]。在螞蟻圍繞蟻獅進行隨機性游走的過程中，可逐漸完成對搜索空間的全面探索，且在此基礎上進行持續(xù)的學習，最終達到對種群的多樣性與算法的尋優(yōu)性有效保障的目的。蟻獅可視作為待解決問題的解，在成功完成對螞蟻的捕獵后，可實現更新并存儲近似最優(yōu)解的目標[5]。ALO算法模型如圖1所示。

圖1 ALO算法模型的流程示意圖

(1)

(2)

(3)

(4)

在式(4)中，I表示螞蟻活動的范圍空間，ω表示一個常數。若t<0.1T，則I的取值為1。若蟻獅的適應度小于螞蟻的適應度，則可判定前者成功捕獲了后者，而前者的位置也將隨著后者的位置進行更新，詳見式(5)所示。

(5)

在每次迭代的過程中，均存在一只適應度最高的蟻獅，即精英蟻獅，第t次迭代的第i只螞蟻在下一次迭代時的位置可表示為式(6)。

(6)

1.2 基于混沌思想的改進ALO算法

在確定的動力系統(tǒng)中，通常會表現出一定的偽隨機性與不可預測性，這主要是由系統(tǒng)對于初值太過敏感而造成的，該種現象往往表現為不規(guī)則的運動狀態(tài)，即混沌。系統(tǒng)由有序轉化為混沌狀態(tài)時，其中的變量會呈現出四種顯著的特性，包括有界性、初值敏感性、全局遍歷性、不可預估性[6]。有界性是指盡管混沌運動不是有序的，但其隨機運動始終維持在一個固定化的范圍中；初值敏感性主要是指在混沌運動行為的影響下，即使初值具有的偏差極為細微，但其會隨著混沌運動的持續(xù)進行而不斷增大，致使最終獲取到的結果與初值相去甚遠；全局遍歷性，表示所有的變量均可實現對空間中全體狀態(tài)點的不重復遍歷；不可預估性是指盡管混沌運動依托于迭代方程，但其不具有有序性與規(guī)律性，且其運動軌跡難以進行有效的預測[7]。作為一種常用的混沌系統(tǒng)，Logistic映射具有典型代表意義，其數學表達式如式(7)所示。

zt+1=μz(t)(1-z(t))

(7)

在式(7)中，z(t)表示混沌域，取值范圍為(0,1)；t表示進行迭代的次數；μ為常數，表示Logistic映射的參數，且其取值范圍為(0,4)。據相關研究表明，當μ處于(0,4)中時，系統(tǒng)會處于混沌狀態(tài)。μ的值越趨近于4，最后生成的值的隨機性就越高。因此，若將μ的值確定為4，即可令系統(tǒng)始終保持混沌狀態(tài)，初值的運動軌跡也可表現出較為顯著的混沌特性，最終可在混沌運動的作用下實現全局遍歷，搜索并獲取到最優(yōu)解。此次研究將兩個點的初始值分別設定為0.001與0.002，即可獲取到二者的運動軌跡及其對應距離隨著迭代次數不斷增加而變化的情況，詳見圖2所示。

(a)兩個初始點的混沌運動軌跡

(b)兩個初始點混沌運動軌跡間的距離圖2 兩個初始點的混沌運動軌跡及其對應距離

圖2(a)為在持續(xù)迭代的過程中，兩個初始點進行混沌運動的軌跡變化情況。在迭代之初，兩個點的混沌運動軌跡幾乎保持重合狀態(tài)；隨著迭代次數的增加，兩個初始點的位置逐漸相互遠離。觀察圖2(b)可知，在迭代初期，兩個點進行混沌運動時的距離極?。划斶M行到第6次迭代時，兩點之間的距離開始拉開，該距離值在不斷迭代的過程中表現出一定的波動，且整體保持持續(xù)擴大的變化趨勢。此次研究將混沌思想應用至ALO算法的改進中，主要利用Logistic混沌映射對螞蟻種群與蟻獅種群進行初始化處理，通過目標函數獲取到兩個種群在每次迭代中的適應度，并將適應度值最高的蟻獅確定為精英蟻獅；隨后構建精英蟻獅庫，令螞蟻與蟻獅進行多對一的匹配與游走，實現對螞蟻游走空間范圍的標準化與游走邊界的更新；再對全體種群的適應度進行計算，通過降序排列的方式篩選出精英蟻獅，最終實現循環(huán)迭代，直到達到迭代次數的最大值，取得最優(yōu)解。

1.3 風電并網方式及其數學模型構建研究

在風電接入配電網之后，配電網的節(jié)點功率將產生一定的變化，進而導致網絡的節(jié)點電壓與有功網損均表現出相應的波動。風電并網前后的有功損耗情況如圖3所示。

(a)風電并網前的配電網情況

(b)風電并網后的配電網情況圖3 風電并網前后的有功損耗變化情況

據圖3(a)可知，在未接入風電時，電網線路的長度與電壓分別為L與U，負荷表示為PL+jQL，阻抗則為Z=R+jX。配電網結構簡單，其有功損耗可通過式(8)計算得出。

(8)

圖3(b)所示為風電接入后的配電網情況，在與配電網首端相距G處接入一個風機，該風機的并網容量為PDG+jQDG，據此可知此時的配電網有功損耗產生了一定的變化，其計算公式如式(9)所示。

2PLPDG-2QLQDG)]

(9)

聯合式(8)與式(9)，即可求取風電并網前后，配電網有功損耗的實際變化量，詳見式(10)。

(10)

在當前的風電并網方式中，主要按照一定的次序對各臺風機進行排列，使其分布至配電網不同的位置中，隨后在升壓變壓器的作用下，有效連接配電網。風電并網結構示意圖詳見圖4。

圖4 風電并網的結構示意圖

在圖4所示的風電并網結構中，主要包含兩個重要組成部分，其一為雙饋感應電機，該電機中的變流器能夠為轉子提供相應的勵磁電流，且電流的頻率、相位、幅度均為可調狀態(tài)；其二是指轉子勵磁變換器，能夠在相關電力電子設備的作用下，對發(fā)電機輸出功率的幅值與頻率進行適時的改變[8]。二者共同作用，保障發(fā)電機在運行過程中頻率的恒定性與速度的可變性，最終實現有效的功率跟蹤，令風電并網結構可按照相應的用電需求執(zhí)行發(fā)電等任務。

2 改進ALO算法在風電并網穩(wěn)定性優(yōu)化中的應用效果分析

此次研究將經過混沌思想改進后的ALO算法，應用至風電并網模型中，將風電并網的電壓基準值設定為12.66kV；將相應的總負荷設定為3612+j2813kVA；共接入4臺雙饋感應風電機組，每臺的額定電壓均為690V；切入風速、切出風速、額定風速分別定為4m/s、25m/s、12m/s。除此以外，將改進ALO算法中囊括的螞蟻種群與蟻獅種群數量均設置為50，維數與迭代次數分別設定為14與100。在風電并網前后，配電網中不同節(jié)點處的電壓標幺值均會發(fā)生不同程度的改變，詳見圖5。

(a)風電并網前配電網各節(jié)點的電壓標幺值

(b)風電并網后配電網各節(jié)點的電壓標幺值圖5 風電并網前后配電網各節(jié)點電壓標幺值變化情況

圖5(a)所示為接入風電場之前，配電網中各個節(jié)點處電壓的標幺值，從中可以看到隨著節(jié)點編號的不斷增大，電壓標幺值呈現出持續(xù)的波動。當節(jié)點編號處于1至18時，電壓標幺值持續(xù)降低；當節(jié)點編號為20時，電壓標幺值顯著回升，隨后持續(xù)波動，但變化幅度較小。電壓標幺值整體顯示出下降的趨勢，且其在波動過程中始終未超過初始值1。據圖5(b)可知，在風電并網后，1號節(jié)點至18號節(jié)點之間的電壓標幺值顯著上升，隨后有所降低，但就整體情況看來，風電并網后配電網節(jié)點電壓標幺值表現出增大的變化趨勢。為獲取到較為客觀全面的配電網電壓穩(wěn)定性探究結果，此次研究采用分時段策略對配電網進行無功優(yōu)化，每時段為0.5h，隨著時段編號的增大，風速也逐漸提高，四個時段的風速依次為6m/s、9m/s、12m/s、15m/s。在不同時段中，不同算法應用下各節(jié)點的電壓標幺值如圖6所示。

(a)時段1配電網各節(jié)點電壓標幺值

(b)時段2配電網各節(jié)點電壓標幺值

(c)時段3配電網各節(jié)點電壓標幺值

(d)時段4配電網各節(jié)點電壓標幺值

圖6(a)為時段1的節(jié)點電壓標幺值，此時風電場中輸出的有功功率較小，輸送的無功功率較大，這顯示出在風電并網條件下，配電網各節(jié)點處的電壓標幺值有所提升，電能質量得到了一定的改善。圖6(b)為時段2中，風電并網前的節(jié)點電壓標幺值水平較低；在風電并網后，應用ALO算法的節(jié)點電壓標幺值處于中等水平，應用改進ALO算法的節(jié)點電壓標幺值水平最高，且穩(wěn)定性最強。圖6(c)中風速增大至12m/s，此時風電并網的配電網中有功輸出顯著提升，節(jié)點電壓標幺值在優(yōu)化后顯著降低，且波動幅度最小。圖6(d)所示為時段4中，節(jié)點電壓標幺值的變化情況，從中可知風電并網前，配電網的節(jié)點電壓已超過上限值，對配電網的安全穩(wěn)定運行與電壓質量造成了負面影響；風電并網且采用改進ALO算法后，配電網節(jié)點電壓降低至正常范圍中，確保了配電網系統(tǒng)的安全性與穩(wěn)定性[9]。為進一步探究改進ALO算法在風電并網穩(wěn)定性優(yōu)化中的應用效果，此次研究選取多種算法進行迭代訓練，對比分析不同算法的性能，其結果詳見圖7。

圖7 不同算法的收斂曲線比較

據圖7可知，在相同的風電并網條件下，隨著迭代次數的增加，各算法的適應度值均表現出一定的降低。在相同的迭代次數下，改進ALO算法的尋優(yōu)精度顯著高于其他算法；當各算法均達到相同精度時，改進ALO算法的收斂速度最高，ALO算法次之，粒子群優(yōu)化算法(Particle Swarm Optimization, PSO)最低。這顯示出基于混沌思想的改進ALO算法具有較強的收斂性與魯棒性，可在風電并網配電網穩(wěn)定性優(yōu)化中發(fā)揮出良好的應用效果[10]。

3 結論

為了保證風電并網條件下配電網的穩(wěn)定性與安全性，此次研究針對ALO算法進行了深入的探究，考慮到該算法固有的收斂速度較慢、魯棒性較差等問題，采用混沌思想對其改進，將Logistic映射引入其中；隨后將改進ALO算法應用至風電并網穩(wěn)定性的優(yōu)化中，并比較分析囊括改進ALO算法在內的三種算法的性能。研究結果顯示，在風電并網前后，配電網的節(jié)點電壓標幺值會隨著風速的增大而表現出相應的變化；改進ALO算法能夠有效降低電壓的偏移量與有功網損，保證電能質量與配電網的輸變電安全；相較于PSO算法與ALO算法而言，改進ALO算法具有更強的收斂性與魯棒性。這表明改進ALO算法可在風電并網穩(wěn)定性的優(yōu)化中發(fā)揮出良好的應用效果，促進風電并網技術的提升與發(fā)展。本次研究中選擇的時段數量較少，作為變量條件的風速，設置得不夠全面，還需進一步研究。