吉林電力股份有限公司 范憲國(guó)

1 基于置信度水平的風(fēng)光可信功率分析

1.1 風(fēng)光功率預(yù)測(cè)技術(shù)與誤差分析

風(fēng)光功率的預(yù)測(cè)方法可分為物理方法、統(tǒng)計(jì)方法，其預(yù)測(cè)方法非常多。隨著風(fēng)光功率預(yù)測(cè)技術(shù)的發(fā)展，預(yù)測(cè)精度也在不斷提高，但無論采用哪種預(yù)測(cè)方法，風(fēng)光預(yù)測(cè)功率均存在一定的誤差，從而導(dǎo)致風(fēng)光功率的不確定性。本文采用概率分步法來針對(duì)這種不確定性進(jìn)行描述。

設(shè)置跟蹤計(jì)劃控制策略基于周期為24h 的風(fēng)電、光伏的日前預(yù)測(cè)功率，間隔15min，各次日96個(gè)時(shí)段內(nèi)的預(yù)測(cè)功率值Ptwpre、Ptpvpre，將風(fēng)電、光伏t 時(shí)段的預(yù)測(cè)功率誤差定義為：∈tw=Ptwpre-、∈tpw=Ptpvpre-Ptpvact，其中：t=1,2,3…96，而、Ptpvpre表示風(fēng)電、光伏在t 時(shí)段的實(shí)際最大功率。

風(fēng)光預(yù)測(cè)功率誤差的分布模型包括Beta 分布、正態(tài)分布、Laplace 分布、Cauchy 分布等眾多模型。而Beta 分布雖然優(yōu)勢(shì)眾多，但需進(jìn)行非常復(fù)雜的求解過程，并在某些功率區(qū)間會(huì)發(fā)生概率密度無窮大的情況；Laplace 分布、Cauchy 分布則適合應(yīng)用于時(shí)間尺度小于1h 的風(fēng)電預(yù)測(cè)功率誤差分布；正態(tài)分布的應(yīng)用比較廣泛，所以本文采用正態(tài)分布，標(biāo)準(zhǔn)差為：σtw=0.2Ptwper+0.02PWN、=0.2Ptpvper+0.02PPVN。其中，PWN和PPVN表示風(fēng)電與光伏的裝機(jī)容量[1]。因?yàn)轱L(fēng)電與光伏的輸出功率五相關(guān)性，所以采用 共識(shí)來表達(dá)風(fēng)光預(yù)測(cè)功率總誤差，因此風(fēng)光預(yù)測(cè)總功率為Ptpre=Ptwper+Ptpvper。

1.2 風(fēng)光預(yù)測(cè)功率不確定性分析

風(fēng)光預(yù)測(cè)功率的誤差服從參數(shù)已知的正態(tài)分布，概率密度函數(shù)已知，所以采用解析方法，通過置信區(qū)間理論，對(duì)于預(yù)測(cè)誤差采取提前處理的方式，將不確定規(guī)劃變?yōu)榇_定規(guī)劃。所以，采用一定置信度水平的概率方法對(duì)于風(fēng)光預(yù)測(cè)功率不同階段的誤差進(jìn)行描述，獲得風(fēng)光可信功率，并將其作為次日風(fēng)光出力程度的判斷依據(jù)[2]。

跟蹤計(jì)劃控制策略的制定過程中，如果次日實(shí)際上能夠?qū)崿F(xiàn)的風(fēng)光最大功率比預(yù)測(cè)值高的話，即∈t＜0，在降低風(fēng)機(jī)、光伏組件功率下，根據(jù)前一天預(yù)測(cè)功率進(jìn)行發(fā)電，儲(chǔ)能系統(tǒng)根據(jù)制定好的調(diào)度計(jì)劃來進(jìn)行充放電，實(shí)現(xiàn)跟蹤計(jì)劃控制目標(biāo)。如果次日可實(shí)現(xiàn)小于預(yù)測(cè)值，即∈t＞0，且系統(tǒng)存在失負(fù)荷風(fēng)險(xiǎn)，從而導(dǎo)致原有的跟蹤計(jì)劃控制目標(biāo)實(shí)現(xiàn)難度進(jìn)一步增加?；诖?，針對(duì)∈t＞0的情況下進(jìn)行分析，如圖1所示為風(fēng)光預(yù)測(cè)功率誤差 的概率密度函數(shù)。在制定跟蹤計(jì)劃控制策略時(shí)，采用置信度水平為(100-α)%的風(fēng)光可信功率作為次日風(fēng)光出力的依據(jù)，從而降低風(fēng)光預(yù)測(cè)功率誤差的影響。

圖1 預(yù)測(cè)誤差概率密度函數(shù)

2 跟蹤計(jì)劃策略分析

2.1 系統(tǒng)約束條件分析

在充分利用儲(chǔ)能系統(tǒng)實(shí)施跟蹤計(jì)劃控制策略的過程中，決策變量是儲(chǔ)能系統(tǒng)在不同時(shí)間段的功率指令值。而儲(chǔ)能系統(tǒng)運(yùn)行過程中，剩余電量因充放電而不斷發(fā)生改變。為使儲(chǔ)能系統(tǒng)在任何時(shí)候都具有充放電能力，可隨時(shí)響應(yīng)系統(tǒng)的控制需求，也為了避免過充和過放現(xiàn)象，延長(zhǎng)其使用壽命，需根據(jù)儲(chǔ)能元件的特性，設(shè)定荷電狀態(tài)(State of Charge，SOC)的合理變化范圍[3]。定義儲(chǔ)能系統(tǒng)的SOC 上限與下限分別為SOCmax、SOCmin，那么儲(chǔ)能系統(tǒng)在運(yùn)行過程中需要滿足SOCmin≤SOCt≤SOCmax。

2.2 跟蹤計(jì)劃策略目標(biāo)函數(shù)

基于跟蹤計(jì)劃策略下的風(fēng)光儲(chǔ)聯(lián)合發(fā)電系統(tǒng)運(yùn)行過程中，輸出目標(biāo)功率曲線是電網(wǎng)下發(fā)的計(jì)劃出力曲線，間隔15min，每天均有96個(gè)時(shí)間段，每一個(gè)時(shí)間段均對(duì)應(yīng)一個(gè)計(jì)劃出力值Ptplan。跟蹤計(jì)劃策略是采用數(shù)學(xué)模型，對(duì)于風(fēng)光預(yù)測(cè)功率數(shù)據(jù)處理之后，在滿足儲(chǔ)能系統(tǒng)運(yùn)行各種約束條件的前提條件下，對(duì)于儲(chǔ)能系統(tǒng)的充放電功率進(jìn)行計(jì)算，使風(fēng)光儲(chǔ)合成輸出功率和預(yù)訂的計(jì)劃功率盡量相匹配。

本文設(shè)定的跟蹤計(jì)劃策略的控制目標(biāo)為：計(jì)劃處理曲線與風(fēng)光儲(chǔ)合成出力曲線改進(jìn)余弦的相似度最大[4]；在經(jīng)過一個(gè)24h 的控制周期之后，儲(chǔ)能系統(tǒng)的荷電處于最佳狀態(tài)。所以，在風(fēng)光儲(chǔ)聯(lián)合發(fā)電系統(tǒng)實(shí)施跟蹤計(jì)劃的過程中，需要考慮到運(yùn)行一天之后，儲(chǔ)能系統(tǒng)的SOC 需要盡量接近荷電狀態(tài)的參考值。

2.3 多目標(biāo)效用最優(yōu)化模型

基于上述分析可知，風(fēng)光儲(chǔ)聯(lián)合發(fā)電系統(tǒng)運(yùn)行在跟蹤計(jì)劃出力模式時(shí)，必須要考慮跟蹤計(jì)劃策略的控制目標(biāo)，所以屬于多目標(biāo)規(guī)劃問題。而多目標(biāo)規(guī)劃的表達(dá)式通常為：

其中，x=[x1,x2,…,xn]表示決策變量，目標(biāo)函數(shù)的個(gè)數(shù)為k，約束條件方程的個(gè)數(shù)則是m。在求解過目標(biāo)規(guī)劃問題的過程中，會(huì)出現(xiàn)多個(gè)可行但又無法確定優(yōu)劣的解，可將其稱之為有效解或非劣解。而由其構(gòu)成的集合稱則稱之為非劣解集。要想對(duì)于非劣解急性求解，主要可采用效用最優(yōu)化模型。

2.4 動(dòng)態(tài)適應(yīng)粒子群算法求解模型

本文采用動(dòng)態(tài)適應(yīng)粒子群算法，在基本粒子群算法的缺陷上進(jìn)行了幾方面的優(yōu)化。首先，采用閉環(huán)策略控制種群特征，控制量將采用算法參數(shù)表示，反饋量采用種群特征表示。而反饋量是通過種群進(jìn)化改善率，引入Rechenberg 提出的1/5法則，即每次種群更新找到更優(yōu)解的粒子比例應(yīng)保持1/5，小于的話需調(diào)整算法參數(shù)；其次，通過遺傳算法的選擇操作與變異操作，提高粒子探索新解的能力。在完成每一代粒子群體更新后選取部分粒子，基于交叉概率Pa對(duì)于粒子實(shí)施基因片段的交換。其中交叉概率的更新原則為：

通過動(dòng)態(tài)適應(yīng)粒子群算法對(duì)于儲(chǔ)能系統(tǒng)次日處理計(jì)劃進(jìn)行求解的流程如下：開始-讀取數(shù)據(jù)-初始化粒子位置和速度-計(jì)算粒子適應(yīng)度值-尋找個(gè)體最優(yōu)解和群體最優(yōu)解，獲得初始化改善率-更新離子位置和速度-計(jì)算適應(yīng)度值-更新最優(yōu)解，計(jì)算粒子群算法改善率-選擇個(gè)體最優(yōu)解和群體最優(yōu)解-進(jìn)行交叉操作-更新個(gè)體最優(yōu)解與群體最優(yōu)解-計(jì)算交叉操作改善率，更新交叉概率-達(dá)到迭代次數(shù)，如是，輸出群體最優(yōu)解-結(jié)束；如否，返回尋找個(gè)體最優(yōu)解和群體最優(yōu)解，獲得初始化改善率步驟繼續(xù)進(jìn)行。

3 跟蹤計(jì)劃控制策略仿真試驗(yàn)

根據(jù)我國(guó)的電網(wǎng)結(jié)構(gòu)形勢(shì)政形勢(shì)政策，基于本文提出的策略，建立風(fēng)光儲(chǔ)聯(lián)合發(fā)電系統(tǒng)跟蹤計(jì)劃控制策略算法模型，并開展仿真實(shí)驗(yàn)?；緮?shù)據(jù)：風(fēng)電裝機(jī)容量為100MW、光伏裝機(jī)容量為50MW，儲(chǔ)能系統(tǒng)最大存儲(chǔ)電量為50MWh，最大充電功率為30MW、最大放電功率為30MW、充放電效率為0.9、自放電率p=0。如下圖2所示為風(fēng)電、光伏的預(yù)測(cè)功率。無論是各自的預(yù)測(cè)功率還是合成輸出功率，風(fēng)電和光伏均存在較大的波動(dòng)，光伏僅在白天有功率輸出，在中午達(dá)到最高值。針對(duì)風(fēng)光預(yù)測(cè)功率紙盒，根據(jù)上述方法描述其在t 時(shí)段的預(yù)測(cè)誤差，分別取置信度水平為90%、99%，對(duì)應(yīng)分位點(diǎn)為Z。分別取1.282、2.326，求風(fēng)光可信功率。不同置信度水平下風(fēng)光可信功率如圖3所示。

圖2 風(fēng)電、光伏的預(yù)測(cè)功率

圖3 不同置信度水平下風(fēng)光可信功率

基于上述可知，不同置信度水平的風(fēng)光可信功率均要小于原始的風(fēng)光預(yù)測(cè)功率，并隨著置信度水平的提升，風(fēng)光可信功率逐漸減小。基于提高風(fēng)光資源利用率的前提，本文選擇置信度水平為90%風(fēng)光可信功率，將其作為制定跟蹤計(jì)劃控制策略時(shí)次日風(fēng)光輸出功率的基礎(chǔ)。

為制定科學(xué)合理的儲(chǔ)能系統(tǒng)充放電策略，采用動(dòng)態(tài)適應(yīng)粒子群算法，對(duì)于儲(chǔ)能系統(tǒng)次日出力曲線進(jìn)行求解，設(shè)置算法參數(shù)：種群大小N=50，進(jìn)化代數(shù)M=200，慣性權(quán)重初值ω=0.9，ωmax=0.9，ωmin=0.4，粒子位置分量范圍[Pchmax,Pdismax]，粒子速度分量范圍[0.1Pchmax,0.1Pdismax]，粒子交叉概率初值設(shè)為Pa=0.6，學(xué)習(xí)因子c1、c2的初值和終值分別為c1,min=2.75，c1,fin=0.5，c2,ini=0.5，c2,fini=2.25，允許變化范圍[0,1]，學(xué)習(xí)因子fa=1.05。

3.1 算法收斂性分析

將儲(chǔ)能系統(tǒng)的初始荷電狀態(tài)設(shè)置為最佳狀態(tài)，即SOC0=SOCnorm=0.5。如圖4所示為動(dòng)態(tài)適應(yīng)粒子群算法收斂曲線，可知隨著迭代次數(shù)的增加目標(biāo)函數(shù)減小，算法的收斂性也不斷改善。由于目標(biāo)函數(shù)包含兩個(gè)控制目標(biāo)，它不僅提高了余弦相似性，而且保持了存儲(chǔ)系統(tǒng)的最佳負(fù)載狀態(tài)。在迭代過程中，最優(yōu)改進(jìn)余弦相似度在總目標(biāo)函數(shù)不斷優(yōu)化的過程中，出現(xiàn)部分下滑的情況，但站在總體角度上來看，依舊在向著更為良好的狀態(tài)發(fā)展。在初始化過程中改進(jìn)余弦的最佳相似度大于0.99，最終改進(jìn)余弦的最佳相似度為0.996。

圖4 動(dòng)態(tài)適應(yīng)粒子群算法收斂曲線

3.2 跟蹤計(jì)劃出力效果分析

圖5所示為風(fēng)光儲(chǔ)合成出力和計(jì)劃出力曲線圖。可知在優(yōu)化初期的8～9時(shí)段，因風(fēng)光可信功率較大、但計(jì)劃功率較小。所以要想完全實(shí)現(xiàn)跟蹤計(jì)劃的效果，儲(chǔ)能系統(tǒng)必須要吸收大量的能量，如果無法有效控制儲(chǔ)能系統(tǒng)吸收的能量，將會(huì)導(dǎo)致荷電狀態(tài)過早達(dá)到上限臨界值，從而導(dǎo)致后續(xù)的時(shí)段不能持續(xù)的吸收能量?；诖?，在對(duì)算法進(jìn)行優(yōu)化的過程中，需要在這一時(shí)段采取有效措施進(jìn)行儲(chǔ)能系統(tǒng)的充電功率的限制。由圖6可知，接近一半時(shí)段的相對(duì)跟蹤誤差在1%以下，而剩余時(shí)段的相對(duì)跟蹤誤差為1%～5%范圍內(nèi)，因此風(fēng)光儲(chǔ)合成出力跟蹤計(jì)劃具有比較理想的出力效果。

圖5 風(fēng)光儲(chǔ)合成出力和計(jì)劃出力曲線

圖6 各時(shí)段相對(duì)跟蹤誤差分布情況

綜上，隨著我國(guó)經(jīng)濟(jì)的可持續(xù)發(fā)展，新能源越來越受到人們的關(guān)注。風(fēng)光儲(chǔ)聯(lián)合發(fā)電系統(tǒng)作為一種很有前途的并網(wǎng)方式，越來越受到重視。特別是眾多風(fēng)光儲(chǔ)能基地的建設(shè)，促進(jìn)了風(fēng)光儲(chǔ)能系統(tǒng)的進(jìn)一步發(fā)展。與傳統(tǒng)電源的高污染、高碳排放的缺點(diǎn)相比，風(fēng)能和太陽能生產(chǎn)的清潔、低碳特性特點(diǎn)，將使風(fēng)能和太陽能的發(fā)電方式快速發(fā)展，成為我國(guó)能源體系的重要組成部分。