李旭炯,楊郭明,孫林花
(1.蘭州資源環(huán)境職業(yè)技術大學,甘肅 蘭州 730021; 2.國網(wǎng)蘭州供電公司,甘肅 蘭州 730070)
智能電網(wǎng)優(yōu)化電力生產(chǎn)、分配和消費,保持電網(wǎng)穩(wěn)定運行,克服分布式發(fā)電的高滲透問題[1],減少溫室氣體排放,提高電網(wǎng)效率與可靠性,是電力行業(yè)發(fā)展的新方向[2]。智能電網(wǎng)技術正在從供給側(cè)控制的網(wǎng)絡向需求側(cè)互動的網(wǎng)絡轉(zhuǎn)變[3]。在智能電網(wǎng)中實施需求響應優(yōu)勢明顯,能降低成本和排放、減少燃料依賴、提高系統(tǒng)可靠性等[3]。智能電網(wǎng)面臨的最大挑戰(zhàn)是如何降低系統(tǒng)損耗,改善母線電壓,從而控制供電成本。需求側(cè)管理(demand side management,DSM)使用戶可結(jié)合具體需要選取不同用電方式,讓用戶通過選擇發(fā)電方式和調(diào)整需求來獲得更低價的電能[4],對優(yōu)化電力資源配置、促進能源利用效率提升等起到重要作用。隨著可變分布式發(fā)電單元的持續(xù)發(fā)展,傳感技術、數(shù)據(jù)處理、自動控制和通信等領域的先進技術在配電網(wǎng)中的應用越來越廣泛[5],可再生能源分布式發(fā)電已成為智能電網(wǎng)發(fā)展新方向。
無功優(yōu)化可降低電力系統(tǒng)的功率損耗,改善系統(tǒng)的電壓分布[6]。智能電網(wǎng)中的分散無功最優(yōu)控制是一種先進的電力系統(tǒng)優(yōu)化控制方法[7],能降低系統(tǒng)有功損耗,改善電壓分布,但用假設數(shù)據(jù)降低了結(jié)果準確性,增加了問題復雜性[8]。為此提出了各種優(yōu)化方法,可分為集中式和分布式2類。文獻[9]提出家庭DSM系統(tǒng),隨著配電系統(tǒng)負荷增加,家庭用電成本也隨之增加。為降低家庭用電成本,提出基于人工神經(jīng)網(wǎng)絡算法的主動DSM。文獻[10]提出的能源管理系統(tǒng),通過引入可再生能源降低成本,使消費者參與智能電網(wǎng)技術中。文獻[11]將人工神經(jīng)網(wǎng)絡與馬爾可夫鏈結(jié)合用于不確定負荷需求的最優(yōu)生成,并將改進人工蜂群算法用于能量管理系統(tǒng)。文獻[12]提出一種基于多目標優(yōu)化方法的高功能半分散電力匹配框架。文獻[13]提出考慮能量流動和熱交換的互聯(lián)智能建筑的最優(yōu)能源管理,通過功率交換和熱交換增加了蓄熱壽命,降低總運行成本。文獻[14]建立由光伏發(fā)電、冷熱電聯(lián)合、儲能系統(tǒng)和響應負荷組成的智能園區(qū)微電網(wǎng)模型,研究考慮價格需求響應的智能園區(qū)微電網(wǎng)機組最優(yōu)調(diào)度策略。文獻[15]提出一種進化模擬優(yōu)化框架,用于在設備負載不確定的智能電網(wǎng)上實現(xiàn)“容災”策略。文獻[16]提出一種智能電網(wǎng)中用戶損失最小化的解決方案。文獻[17]提出一種基于電力系統(tǒng)微網(wǎng)格的能量管理優(yōu)化方法。文獻[18]開發(fā)一種有效保護隱私的電力用戶控制協(xié)議,允許電力企業(yè)在不侵犯用戶隱私的情況下控制電網(wǎng)供需。
總結(jié)近年研究成果,智能電網(wǎng)中無功優(yōu)化可降低發(fā)電成本。考慮用戶不確定負荷需求、分布式可再生能源和儲能設備的情況下,由能源用戶組成的配電網(wǎng)與電力企業(yè)雙向?qū)崟r通信,對電力系統(tǒng)無功優(yōu)化。最優(yōu)方法要使系統(tǒng)成本和損失最小化,同時滿足負荷需求、儲備需求和每個獨立單元的物理和運行約束。但遇到中型或大型問題時,已有方法無法在規(guī)定時間內(nèi)解決問題。
本研究提出以DSM為優(yōu)化對象,引入象群優(yōu)化-螢火蟲進化(elephant herd optimization-firefly,EHO-FF)算法,來解決包括等式和不等式約束(供需平衡、母線電壓、線路和無功功率限制等)的優(yōu)化問題。IEEE30母線系統(tǒng)中,考慮不同場景下的無功最優(yōu)解,基于最優(yōu)無功控制方法,改善不同運行條件下電網(wǎng)的能效和電壓分布。
圖1為智能電網(wǎng)無功優(yōu)化(reactive power optimization,RPO)的系統(tǒng)示意圖。采用EHO-FF算法對所研究的系統(tǒng)在不同負載下進行無功優(yōu)化,目標是已知系統(tǒng)和所有分布式發(fā)電(distributed generation,DG)單元母線的現(xiàn)有需求前提下,通過優(yōu)化DG單元規(guī)模使功率損耗最小,并給出物理約束(發(fā)電機與松弛母線無功產(chǎn)生的局限性,電容器輸出,變壓器變比)和操作約束(除松弛母線外母線電壓幅值的界限)下最優(yōu)目標值(DG值、實際功率損耗和電壓偏差)。
RPO目標函數(shù)為最小功率損耗Ploss,如式(1)所示。
(1)
式中:Vi為母線i的電壓幅值;Vj為母線j的電壓幅值;Gij為母線i與j之間的電導;θij為母線i與j之間的電壓角;S為母線支路總數(shù)。
潮流方程如式(2)—式(4)所示。
(2)
(3)
(4)
無功功率產(chǎn)生的輸出限制,靜態(tài)無功補償器的容量限制,電壓幅值的規(guī)定范圍(松弛母線除外)及變壓器Tl抽頭位置的限制如式(5)所示。
(5)
RPO變量分為狀態(tài)變量(負載母線角度、電壓幅值、發(fā)電機母線無功功率、松弛母線實際發(fā)電量)與控制變量(發(fā)電機母線電壓、并聯(lián)電容器/電抗器輸出及變壓器變比)。系統(tǒng)母線順序定為松弛母線、發(fā)電機母線和負載母線(帶有并聯(lián)電容器/電抗器的負載母線在順序中更靠前)?;诖隧樞颍瑺顟B(tài)變量X如式(6)所示。
(6)
控制變量U如式(7)所示。
(7)
由于RPO關注的是無功和電壓分布優(yōu)化,因此忽略了實際電力線路電流和松弛母線實際發(fā)電量等潮流分析中所包含的約束條件。已知有功功率,變壓器與并聯(lián)電容器/電抗器變比在實際中是離散變量,引入補償函數(shù)可有效解決。
由于RPO輸入中存在不確定因素,使其成為不確定的非線性規(guī)劃問題,可表示為模糊數(shù)、隨機數(shù)和區(qū)間。本研究中,由于RPO模型的自驗證計算,因此選取區(qū)間來描述不確定性。與有功和無功變化相關的不確定性,比其他類型的不確定性(如輸電線參數(shù)的不確定性)更需關注。但文獻[19]只考慮了有功產(chǎn)生和負荷需求的不確定性。為便于理解,發(fā)電側(cè)有功功率區(qū)間如式(8)所示。
(8)
負載側(cè)有功功率區(qū)間如式(9)所示。
(9)
負載側(cè)無功功率區(qū)間如式(10)所示。
(10)
在此基礎上,由于發(fā)電側(cè)母線有功功率和無功功率為確定值。推導帶區(qū)間不確定性的平衡方程后,RPO數(shù)學模型如下。
minf(X,U)=[fL,fU]
(11)
h(X,U)=[hL,hU]
(12)
min(g)≤g(X,U)≤max(g)
(13)
式中:f(X,U),h(X,U),g(X,U)為區(qū)間函數(shù);[fL,fU]為實際功率損失區(qū)間;[hL,hU]為潮流變化區(qū)間。
狀態(tài)變量和控制變量X和U分別對應于RPO模型的X和U。由于發(fā)電側(cè)電壓由勵磁系統(tǒng)確定,因此該模型中U為實值向量,并聯(lián)電容器/電抗器輸出和變壓器變比也需調(diào)整。與X不同,U是由區(qū)間值組成,具有不受控的特點。此外,X由U通過區(qū)間潮流方程確定,即每一個U對應一個X。因此采用具有區(qū)間不確定性的非線性規(guī)劃問題來解決,通過EHO-FF算法求解不確定潮流方程區(qū)間,進一步提高精度。
由于EHO算法搜索性能較差,因此引入FF算法提高EHO算法的搜索性能。EHO-FF算法通過控制不同負載下的損耗,優(yōu)化無功功率,其程序簡單,易于實現(xiàn),計算效率高。
EHO算法是一種基于群搜索最優(yōu)解的啟發(fā)式算法,通過象群同類相識的行動原理來尋求系統(tǒng)最優(yōu)策略,算法內(nèi)容包括氏族更新與氏族分離。一般來說,每個氏族中的母系族長都是最年長的,作為優(yōu)化問題,可將氏族中的母系族長想象為最適合的象個體,大象的放牧行為被設定為氏族更新算子和分離算子。
2.1.1 更新算子
氏族更新中,大象依據(jù)母系族長為中心原則進行更新。氏族中每一頭大象的下一個位置都受到母系族長的影響[20]。設每個氏族有j頭大象,象群母系族長位置標記為ci,則象群更新后位置模型如式(14)所示。
(14)
需注意的是,有可能象群中存在多個母系族長,而氏族的更新變化可能只有一個中心,因此母系族長的位置受中心位置的限制,如式(15)—(16)所示。
(15)
(16)
2.1.2 分離算子
經(jīng)過一段時間后,成年大象會離開原氏族重新建立新氏族[21]。利用EHO分離算子,將適應度最差的大象從氏族中分離出來。求解優(yōu)化問題時,該分離過程可作為分離算子。為提高EHO算法的可搜索性,假設所有氏族中適應度最差的大象個體都采用分離算子,如式(17)所示。
(17)
2.1.3 精英策略
與其他啟發(fā)式算法一樣,精英策略用于關注由于部落更新和分離算子淘汰的大象個體,保證后來的大象比之前更好。首先最優(yōu)大象個體被保存下來,搜索結(jié)束時,最差的大象被保存下來的最優(yōu)大象替換。通過FF算法改進搜索過程,提出的EHO-FF算法流程圖如圖2所示,主要實現(xiàn)步驟如下。
a.初始化大象種群、設最大迭代次數(shù)tmax,用適應度函數(shù)計算每個大象個體的適應度值,得到當前最優(yōu)個體位置。
b.根據(jù)式(14)更新種群中每個大象個體的位置,使用式(15)、(16)更新當前最優(yōu)個體的位置。計算更新之后的每個大象個體的適應度值,評估種群,得到更新后的種群最優(yōu)和最差的大象個體位置。
c.將上一步得到的結(jié)果作為FF算法的初始值,設最大迭代次數(shù)kmax。
d.根據(jù)設定的種群大小,建立相應數(shù)量的螢火蟲,在目標函數(shù)自變量的取值范圍內(nèi)隨機確定每個螢火蟲的位置。
e.對于最大化問題,評估過程中直接將目標作為亮度,對于最小化問題,則對目標值取相反數(shù)或倒數(shù)。之后再對螢火蟲按照亮度進行排序,以確定當前種群中最優(yōu)的個體。
f.亮度較低的螢火蟲飛向亮度較高的螢火蟲,亮度最亮的螢火蟲隨機移動。循環(huán)執(zhí)行步驟d-f,直到迭代次數(shù)k達到設定的最大迭代次數(shù)kmax。
g.使用式(17)更新當前最差個體位置,保留更好的解。判斷迭代次數(shù)t是否達到最大迭代次數(shù)tmax,若是,則輸出當前最優(yōu)個體位置及對應的適應度值,否則返回執(zhí)行步驟b。
FF算法是原始的自然啟發(fā)式算法,基于螢火蟲的社會行為來解決連續(xù)多目標優(yōu)化問題[22],滿足3個假設。
a.所有螢火蟲都是單性的,即一只螢火蟲會被其他螢火蟲吸引;
b.吸引力依賴于亮度大小,即較不明亮的螢火蟲會被較明亮的螢火蟲吸引;
c.將螢火蟲亮度設定為目標函數(shù)。
FF算法用來管理濾波元件和降低系統(tǒng)的諧波失真。從系統(tǒng)輸入得到誤差電壓值、誤差變化量及等效輸出,降噪值根據(jù)輸出值確定。FF算法存在2個關鍵點,即光強I變化和吸引力β[23]。當光吸收系數(shù)γ固定時,光強隨距離r變化如式(18)所示。
I(r)=I0e-γr2
(18)
式中:I0為r=0時的光強。
考慮螢火蟲的吸引力與相鄰螢火蟲看到的光強成正比,對其吸引力描述如式(19)所示。
β(r)=β0e-γr2
(19)
式中:β0為r=0時的吸引力。
任意2只螢火蟲i和j在xi和xj處的距離如式(20)所示。
(20)
式中:xi,d為第i只螢火蟲空間坐標xi的第d個分量;xj,d為第j只螢火蟲空間坐標xj的第d個分量;D為問題維度。
螢火蟲i向比螢火蟲j更有吸引力(更明亮)的另一只螢火蟲移動,如式(21)所示。
(21)
式中:α為隨機參數(shù);k為迭代次數(shù);ψi為高斯分布或均勻分布的隨機數(shù)向量。
優(yōu)化過程取決于螢火蟲亮度和螢火蟲向更亮同類的移動。
為驗證智能控制器有效性,采用基準IEEE 30母線系統(tǒng),拓撲圖如圖3所示。
系統(tǒng)由6臺發(fā)電機組和41個支路組成,總負荷為283.4 MW,126.2 Mvar。首先,計算每條線路的電壓、功率損耗、有功功率和無功功率。其次,根據(jù)配電網(wǎng)無功損耗降低和電壓增強的理論,采用EHO-FF算法將DG定位在最優(yōu)位置[24]。最后,利用PSO和Bat等算法驗證其有效性。
表1給出了各種優(yōu)化算法對不同參數(shù)的取值。
表1 算法參數(shù)
考慮一天中隨機變化的24 h負載模式,如圖4所示。首先,用Newton-Raphson法對IEEE 30系統(tǒng)的基本負荷進行程序運行,得到母線電壓幅值、有功功率、無功功率、負載潮流見表2。
表2 Newton-Raphson法求解IEEE 30系統(tǒng)的潮流
從潮流出發(fā),對各支路的電流和損耗進行計算??傆泄β蕿?97.663 MW,無功功率為153.944 Mvar。由表2中得到的發(fā)電總負荷和線損結(jié)果可知,有功和無功功率均滿足負荷平衡方程。
將DG單元放在發(fā)電機母線處(DG1在母線1處,DG2在母線2處,DG3在母線5處,DG4在母線8處,DG5在母線11處,DG6在母線13處)。利用PSO算法獲得不同負載下DG單元的最優(yōu)規(guī)模,如圖3所示。表3給出了利用PSO算法布置與未布置DG時得到的總實際功率損耗。
表3 PSO算法分析隨DG變化負荷需求的功率損耗
采用PSO算法的IEEE 30母線系統(tǒng)在基本負荷下,實際功率損耗和無功功率損耗分別為10.886 MW和43.074 Mvar。布置最佳規(guī)模的DG機組后,每個負荷的實際功率損耗和無功功率損耗
如表3所示。無DG時平均實際功率損耗為11.85 MW,有DG時平均實際功率損耗為9.66 MW。因此,在確定位置以適當規(guī)模布置DG后,實際功率損耗降低。
同樣,利用Bat算法獲得不同負荷下,PSO算法已考慮過的放置在識別位置的DG單元的最優(yōu)規(guī)模,如圖3所示。通過計算,IEEE 30母線系統(tǒng)在基本負荷條件下的線路損耗為8.556 MW和34.389 Mvar。以最佳規(guī)模布置DG單元后,對每個負荷下的功率損耗進行計算,結(jié)果如表4所示。無DG時的實際平均功率損耗為11.4592 MW,有DG時的實際平均功率損耗為7.3971 MW。因此,在確定位置以適當規(guī)模布置DG后,平均實際功率損耗降低。與PSO算法的結(jié)果對比,發(fā)現(xiàn)Bat算法在考慮所有負載情況下均能降低實際損耗和無功損耗的平均值。
表4 Bat算法分析不同負荷下隨DG變化的功率損耗
將EHO-FF算法應用于布置有DG的IEEE 30系統(tǒng),模擬各種負荷下DG單元的最優(yōu)規(guī)模,結(jié)果如表5所示。與PSO算法和Bat算法相比,未布置DG的情況下平均功耗降低到11.4592 MW,布置DG后平均功耗降低到7.3971 MW。
表5 EHO-FF算法分析不同負荷下隨DG變化的功率損耗
PSO算法、Bat算法及EHO-FF算法的收斂性如圖5所示??梢钥闯?,EHO-FF算法與其他算法相比,收斂速度更快,迭代次數(shù)最少,能得到最優(yōu)解。證明所提出EHO-FF算法的有效性和可行性。
IEEE30系統(tǒng)在未布置與布置DG單元,采用Newton-Raphson、PSO、Bat和EHO-FF算法的結(jié)果對比分析如表6所示?;矩撦d情況下,EHO-FF算法的實際功率損耗和無功功率損耗都是最小的。布置DG單元后與其他算法相比,實際功率損耗也最小。
表6 IEEE 30系統(tǒng)未布置與布置DG單元的比較分析
根據(jù)各種優(yōu)化算法的收斂結(jié)果,得出系統(tǒng)各母線處的電壓分布。不同算法得到的電壓分布如圖6(a)所示。由圖6(a)可知,與其他算法相比,EHO-FF算法可改善母線的電壓分布,平均電壓分布為1.02 pu。
系統(tǒng)中布置DG時,24 h實際總功率損耗如圖6(b)所示。由圖6(b)可知,采用EHO-FF算法的實際功率損耗明顯降低。由表6可看出,EHO-FF算法的總實際功率損耗平均指標為7.39 MW,與其他算法相比有所降低。
綜上所述,提出的EHO-FF算法優(yōu)于其他算法,并通過試驗更有效地優(yōu)化智能電網(wǎng)的無功功率,提高不同電力企業(yè)的需求響應。
本研究提出了針對智能電網(wǎng)無功優(yōu)化的EHO-FF算法,將其描述為包含所有約束的優(yōu)化問題,并與PSO、Bat等算法進行比較。結(jié)果表明,所提出的EHO-FF算法能最大限度地降低實際功率損耗,并顯著改善系統(tǒng)的電壓分布,在滿足約束條件和節(jié)省時間方面具有優(yōu)勢。本研究僅涉及智能電網(wǎng)的損耗降低與改善電壓分布,未考慮生產(chǎn)成本、DG成本等。下一步研究方向嘗試由EHO-FF算法來解決包括各種成本函數(shù)及其相關約束的優(yōu)化問題。