馬昕霞, 林玉杰, 宋明中, 項(xiàng)俊欣, 吳天予, 熊啟陽

(1.上海電力大學(xué) 能源與機(jī)械工程學(xué)院, 上海 200082; 2.寶武裝備智能科技有限公司 工業(yè)智能事業(yè)部, 上海 201900)

隨著“碳達(dá)峰”“碳中和”目標(biāo)的提出,在我國能源轉(zhuǎn)型過程中,新能源的重要程度再次得到提升。在眾多的新能源中,風(fēng)力發(fā)電和光伏發(fā)電無疑是當(dāng)前發(fā)展最為迅速,也是未來最有前途的。據(jù)國家能源局統(tǒng)計(jì),2020年全國新增發(fā)電設(shè)備容量中,風(fēng)力發(fā)電為7 167萬kW,同比增長178.7%,光伏發(fā)電為4 820萬kW,同比增長81.7%[1]。但我國的風(fēng)能和太陽能資源主要集中在偏遠(yuǎn)地區(qū),受到送出線路的制約以及風(fēng)力、光伏發(fā)電的電能質(zhì)量因素的影響,產(chǎn)生了棄風(fēng)棄光現(xiàn)象。據(jù)統(tǒng)計(jì),我國每年僅風(fēng)力、光伏等可再生能源棄電約1 000億kWh。

為了更好地消納新能源,提高風(fēng)能和太陽能的利用率,減少棄風(fēng)棄光率,有必要搭建風(fēng)光儲(chǔ)發(fā)電系統(tǒng)。風(fēng)光儲(chǔ)發(fā)電系統(tǒng)就是利用風(fēng)力發(fā)電和光伏發(fā)電的互補(bǔ)性來抵消其隨機(jī)性和波動(dòng)性而產(chǎn)生的發(fā)電系統(tǒng)。對(duì)于系統(tǒng)來說,最為關(guān)鍵的指標(biāo)是供電的經(jīng)濟(jì)性和可靠性,而對(duì)這兩個(gè)指標(biāo)起決定性作用的步驟就是設(shè)計(jì)初期的容量配置。

1 風(fēng)光儲(chǔ)發(fā)電系統(tǒng)簡介

系統(tǒng)的結(jié)構(gòu)示意如圖1所示。其主要工作原理為:光伏發(fā)電經(jīng)逆變裝置后與風(fēng)力發(fā)電共同匯入AC母線向電網(wǎng)供電,若電網(wǎng)該時(shí)刻無法消納全部電量,且二者差值電量能夠使儲(chǔ)能設(shè)備正常工作,則將多余電量經(jīng)整流設(shè)備轉(zhuǎn)化為直流電,供儲(chǔ)能設(shè)備工作。這部分存儲(chǔ)能量可在風(fēng)力、光伏發(fā)電出力不足時(shí)向電網(wǎng)補(bǔ)足部分功率缺額。

圖1 風(fēng)光儲(chǔ)發(fā)電系統(tǒng)結(jié)構(gòu)

目前,風(fēng)光儲(chǔ)發(fā)電系統(tǒng)的研究熱點(diǎn)和重點(diǎn)主要是系統(tǒng)容量的優(yōu)化配置和系統(tǒng)能量管理策略兩個(gè)方面。其中,系統(tǒng)容量的優(yōu)化配置是能量管理策略的基礎(chǔ)。容量配置過剩會(huì)導(dǎo)致資金投入過多和棄風(fēng)棄光量增加,容量配置過低則無法充分利用當(dāng)?shù)氐娘L(fēng)光資源,造成電網(wǎng)缺電率升高,進(jìn)而破壞電力系統(tǒng)的穩(wěn)定性。因此,在設(shè)計(jì)風(fēng)光儲(chǔ)發(fā)電系統(tǒng)時(shí),解決容量配置問題至關(guān)重要。

系統(tǒng)容量配置優(yōu)化過程如下:一是收集分析數(shù)據(jù),主要包括當(dāng)?shù)氐娘L(fēng)速、太陽輻照度、溫度,以及電力負(fù)荷數(shù)據(jù)、電網(wǎng)送出線路的容量等;二是根據(jù)收集到的數(shù)據(jù)選擇合適的設(shè)備型號(hào),并對(duì)各單元建立相應(yīng)的模型;三是確定目標(biāo)函數(shù)(如可靠性最高、能源成本最優(yōu)、收益最大化等)和約束條件(如場地規(guī)模約束、負(fù)荷缺電率約束、成本約束等);四是采用適當(dāng)?shù)乃惴ㄟM(jìn)行求解,在得出最優(yōu)解或非劣最優(yōu)解后進(jìn)行系統(tǒng)聯(lián)合仿真調(diào)試,驗(yàn)證所得解的有效性,若驗(yàn)證成功即可得出結(jié)論。

配置優(yōu)化實(shí)際上是一個(gè)多目標(biāo)優(yōu)化問題(Multi-objective Optimization Problem,MOP),求解這類問題最初主要采用傳統(tǒng)的優(yōu)化算法如線性規(guī)劃和迭代技術(shù)[2],目前使用較為廣泛的是啟發(fā)式算法,主要有遺傳算法(Genetic Algorithm,GA)、粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)及其改進(jìn)算法。

2 遺傳算法

2.1 GA基本原理

GA是基于達(dá)爾文的生物進(jìn)化理論和孟德爾的遺傳定律通過模擬自然選擇和自然遺傳過程中發(fā)生的繁殖、雜交和突變現(xiàn)象而提出的。生物可以通過遺傳和變異來適應(yīng)外界環(huán)境,優(yōu)勝劣汰,因此基因優(yōu)良的種群生存的幾率更大,能夠更好地將自己的優(yōu)良基因遺傳給下一代。

使用GA求解問題時(shí)的流程如圖2所示。

圖2 遺傳算法流程

首先,問題的每個(gè)可能的解都被編碼成種群里不同的個(gè)體,隨機(jī)產(chǎn)生一些個(gè)體(即初始解),并根據(jù)預(yù)定的目標(biāo)函數(shù)對(duì)每個(gè)個(gè)體進(jìn)行評(píng)價(jià),進(jìn)而給出一個(gè)適應(yīng)度值?；诖诉m應(yīng)度值,選擇個(gè)體用于復(fù)制下一代?！昂谩钡膫€(gè)體被選擇復(fù)制,而“壞”的個(gè)體則被淘汰,這也就是所謂的適者生存。然后,將選擇出來的個(gè)體經(jīng)過交叉和變異算子進(jìn)行再組合,生成新的一代。這一群新個(gè)體由于繼承了上一代的一些優(yōu)良性狀,因而在整體性能上要優(yōu)于上一代,并逐步朝著更優(yōu)解的方向進(jìn)化。最后,重復(fù)上述步驟,評(píng)判適應(yīng)度值,在達(dá)到收斂條件后得出所求問題的最優(yōu)解[3]。

從上述基本原理分析可以發(fā)現(xiàn),GA的優(yōu)點(diǎn)如下:一是適合求解離散數(shù)值問題;二是由于其結(jié)果就是目標(biāo)函數(shù)的最優(yōu)解,不需要再對(duì)目標(biāo)函數(shù)進(jìn)行求導(dǎo)等復(fù)雜計(jì)算,故使用過程較為簡便;三是適用范圍廣,不局限于求解某類特定的問題。其缺點(diǎn)如下:一是計(jì)算時(shí)間冗長,在處理個(gè)體數(shù)目較大的問題時(shí)尤為明顯;二是其參數(shù)的設(shè)置對(duì)解的影響很大,且參數(shù)的設(shè)置往往需要一定的使用經(jīng)驗(yàn);三是易出現(xiàn)早熟現(xiàn)象,這是由于其后期的搜索能力有所下降所致。

2.2 GA及其改進(jìn)算法的應(yīng)用

文獻(xiàn)[4-6]均采用了傳統(tǒng)的GA對(duì)風(fēng)光儲(chǔ)系統(tǒng)進(jìn)行容量配置。文獻(xiàn)[4]開發(fā)了一種優(yōu)化的綜合可再生能源模型,采用GA確定光伏板的傾斜角度,以及風(fēng)力渦輪機(jī)和蓄電池儲(chǔ)能系統(tǒng)的最佳容量,成功設(shè)計(jì)了一套風(fēng)光蓄電池儲(chǔ)能系統(tǒng)為印度卡納塔克邦一個(gè)偏遠(yuǎn)地區(qū)的4個(gè)負(fù)載部門供電。文獻(xiàn)[5]提出了一種考慮實(shí)際系統(tǒng)和組件生命周期的系統(tǒng)最佳容量配置方法。以生命周期成本最小化、可再生能源滲透率最大化和污染物排放最小化為目標(biāo),采用GA確定了風(fēng)機(jī)、光伏板和儲(chǔ)能設(shè)備的容量,并且已應(yīng)用于浙江省東福山島的一個(gè)風(fēng)光儲(chǔ)發(fā)電系統(tǒng)的設(shè)計(jì)和開發(fā)。文獻(xiàn)[6]利用GA優(yōu)化了敘利亞的一個(gè)由光伏、風(fēng)機(jī)、儲(chǔ)能電池、柴油發(fā)電機(jī)組成的混合風(fēng)光儲(chǔ)發(fā)電系統(tǒng)容量配置,提升了系統(tǒng)的可靠性和整體經(jīng)濟(jì)效益。

雖然傳統(tǒng)GA有較大的應(yīng)用價(jià)值,但存在上述缺點(diǎn),使用范圍并不廣泛。但其改進(jìn)算法,由于在一定程度上克服了這些缺點(diǎn),得到了廣泛應(yīng)用,如第二代非支配排序遺傳算法(Non-dominated Sorting Genetic Algorithm,NSGA)及其改進(jìn)算法。

賈成真等人[7]提出以系統(tǒng)收益和全生命周期年均值成本為經(jīng)濟(jì)性指標(biāo),在考慮系統(tǒng)售氫效益的前提下,建立滿足系統(tǒng)的棄風(fēng)棄光率、功率缺額率約束的多目標(biāo)容量優(yōu)化配置模型,采用NSGA-Ⅱ算法進(jìn)行求解,得到了適合風(fēng)光氫多能源系統(tǒng)內(nèi)部的日前協(xié)調(diào)優(yōu)化調(diào)度的容量配置方案。

NSGA-Ⅱ算法的優(yōu)勢在于:該算法將父代種群與子代種群進(jìn)行合并,使得下一代的種群可以從雙倍的空間中進(jìn)行選取,從而保留了最為優(yōu)秀的所有個(gè)體;引進(jìn)精英策略,確保優(yōu)良基因得以保存下去,提高了結(jié)果的精度;使用擁擠度和擁擠度比較算子,克服了NSGA中需要人為設(shè)定共享參數(shù)的缺陷,且將其作為種群中個(gè)體間的比較標(biāo)準(zhǔn),使得準(zhǔn)Pareto域中的個(gè)體能均勻地?cái)U(kuò)展到整個(gè)Pareto域,保證了種群的多樣性。但是在使用過程中,NSGA-Ⅱ算法仍然難以兼顧尋優(yōu)深度和尋優(yōu)速度。針對(duì)這一問題,SHENG W X等人[8]提出了一種基于層次凝聚聚類[9]截?cái)嗖呗缘母倪M(jìn)NSGA-Ⅱ算法,考慮最小投資成本、最小能量期望和最小線路損失的目標(biāo),得到了一個(gè)綜合解,最后利用該方法對(duì)內(nèi)蒙古IEEE33總線系統(tǒng)進(jìn)行了設(shè)計(jì)。仿真結(jié)果表明,該方案可以在投資成本和供電可靠性之間獲得合理的結(jié)果。

除改進(jìn)算法本身外,還可以引入其他算法,通過算法的組合或提前對(duì)潛在可行解進(jìn)行處理來揚(yáng)長避短。孫海霞等人[10]將入侵雜草算法引入到GA中,利用入侵雜草算法中的變異因子選取優(yōu)秀個(gè)體,減小傳統(tǒng)GA陷入局部最優(yōu)的概率,提高了算法的尋優(yōu)能力和收斂速度,其性能明顯優(yōu)于傳統(tǒng)GA。

總而言之,研究人員分別從如何提升優(yōu)良基因遺傳的概率和擴(kuò)大搜索域的角度來解決收斂于局部最優(yōu)解的問題,通過改變適應(yīng)度值的計(jì)算方式和排序方式在一定程度上縮短了計(jì)算時(shí)間。這些方法都取得了不錯(cuò)的效果,使得GA算法更加適用于解決系統(tǒng)容量配置問題。

3 粒子群優(yōu)化算法

3.1 PSO算法基本原理

PSO算法是以同種動(dòng)物群體(如鳥群、魚群等)之間的社會(huì)信息共享提供了一個(gè)進(jìn)化優(yōu)勢(如食物、棲息地等影響生存、繁殖的重要信息)。這一算法,最早由EBERHART R博士和KENNEDY J博士于1995年總結(jié)提出。某些生物群體在覓食過程中,有時(shí)需要分散尋找,有時(shí)需要集體搜尋。對(duì)于整個(gè)群體來說,總有一些個(gè)體對(duì)食物所在地較為敏感,擁有較為準(zhǔn)確的位置信息。例如,在鳥群覓食過程中,它們會(huì)不斷分享各自所掌握的信息,準(zhǔn)確的信息則會(huì)被更多地分享和接收。隨著精準(zhǔn)食源信息被傳播,鳥群最終會(huì)聚集在食物所在地,達(dá)到覓食的目的[11]。通俗地說,在使用PSO算法時(shí),“尋找食物”的過程就是求解問題的過程,每只“鳥”就相當(dāng)于一個(gè)解,當(dāng)“鳥”飛行時(shí),也就是以某一速度在解空間中移動(dòng)。這時(shí)它們的位置會(huì)被記錄,這些位置就是潛在的解。

PSO算法的步驟[12]如下:一是初始化種群,即初始化各類參數(shù),包括搜索空間、學(xué)習(xí)因子、收斂條件,以及每個(gè)粒子允許的速度范圍和最初的位置等;二是根據(jù)適應(yīng)度函數(shù)計(jì)算各粒子的適應(yīng)值,并計(jì)算各粒子的最優(yōu)位置;三是利用速度和位置更新公式來更新粒子的速度和位置;四是計(jì)算更新后各粒子的最優(yōu)位置,并更新種群的最優(yōu)位置;五是判斷是否滿足收斂條件,若不滿足則轉(zhuǎn)到第3步,若滿足則輸出結(jié)果。上述算法步驟如圖3所示。

圖3 粒子群優(yōu)化算法流程

PSO算法在優(yōu)化容量配置方面的應(yīng)用更為廣泛。其優(yōu)點(diǎn)主要有:一是在三維坐標(biāo)中定義各粒子,使得搜索過程更加靈活、直觀;二是在解決復(fù)雜問題時(shí)計(jì)算速度明顯快于GA;三是可操作性高,能夠衍生出多種改進(jìn)算法。同時(shí),PSO算法存在以下缺點(diǎn):一是計(jì)算非坐標(biāo)問題的性能較差,甚至無法得到最優(yōu)解;二是存在粒子早熟問題,導(dǎo)致收斂于局部最優(yōu)解。

3.2 PSO算法及其改進(jìn)算法的應(yīng)用

PSO算法及其改進(jìn)算法是解決風(fēng)光儲(chǔ)發(fā)電系統(tǒng)容量配置優(yōu)化問題的最優(yōu)選擇之一。由于其具有上述優(yōu)點(diǎn),因此成為應(yīng)用最為廣泛的優(yōu)化算法。

文獻(xiàn)[13]針對(duì)阿拉伯偏遠(yuǎn)地區(qū)提出了一種基于智能電網(wǎng)負(fù)荷管理應(yīng)用的混合可再生能源系統(tǒng)的最優(yōu)容量配置方案。該方案將成本最小和可靠性最高作為優(yōu)化目標(biāo),采用PSO算法求解,在MATLAB平臺(tái)上進(jìn)行仿真,確定了系統(tǒng)各部分的最優(yōu)容量配置,最大限度地提高了系統(tǒng)的產(chǎn)能。文獻(xiàn)[14]采用基本的PSO算法對(duì)所研究的系統(tǒng)進(jìn)行了容量配置優(yōu)化,并取得了較好的結(jié)果。文獻(xiàn)[15]采用了ε約束方法來求解系統(tǒng)的3個(gè)目標(biāo)函數(shù)(即負(fù)荷缺電率、二氧化碳排放量和系統(tǒng)總成本最小化),在對(duì)目標(biāo)函數(shù)進(jìn)行預(yù)處理后,采用PSO算法進(jìn)行了求解。

在面對(duì)復(fù)雜的優(yōu)化問題時(shí),研究人員對(duì)基本的PSO算法做出了一些改進(jìn)。胡仕燦[16]提出了一種自適應(yīng)權(quán)重的PSO算法,可根據(jù)目標(biāo)函數(shù)的變化隨時(shí)對(duì)權(quán)重系數(shù)進(jìn)行調(diào)整。戴航等人[17]提出了一種雙適應(yīng)度混沌PSO算法,將混沌算法融入PSO算法,并對(duì)基本的PSO算法的適應(yīng)度函數(shù)進(jìn)行了改進(jìn)。改進(jìn)后的PSO算法在解決儲(chǔ)能優(yōu)化運(yùn)行問題時(shí)性能更佳,其全局尋優(yōu)能力比基本的PSO算法更強(qiáng),儲(chǔ)能系統(tǒng)收益更高,經(jīng)濟(jì)性更好,儲(chǔ)能出力曲線更加合理。

另外,為了克服 PSO算法易陷入局部最優(yōu)解的缺陷,有學(xué)者提出了量子粒子群(Quantum Particle Swarm Optimization,QPSO)算法。其基本思想是利用粒子的波粒二象性,模擬粒子的量子行為,增加粒子運(yùn)動(dòng)軌跡的不確定性。劉鵬飛[18]在QPSO算法的基礎(chǔ)上又引入了混沌算法和精英粒子學(xué)習(xí)的策略,解決了粒子容易早熟的問題。針對(duì)同一算例分別采用PSO算法、QPSO算法、基于混沌的 QPSO算法來配置系統(tǒng)容量,在各自都能滿足負(fù)荷缺電率等指標(biāo)的前提下進(jìn)行仿真實(shí)驗(yàn)。結(jié)果顯示,與 PSO算法和QPSO算法相比,基于混沌的QPSO算法的總投資成本分別低 13.9%和18.7%。林敏怡等人[19]在QPSO算法的基礎(chǔ)上加入了自適應(yīng)中心權(quán)重思想,引入權(quán)重系數(shù),擴(kuò)大了粒子搜尋的范圍,使每個(gè)粒子更具創(chuàng)造力,提升了全局搜索能力,防止了局部收斂。

除PSO算法及其改進(jìn)算法具有較好的使用效果外,將兩種不同的啟發(fā)式算法相結(jié)合,也能取得令人滿意的結(jié)果。MALEKI A等人[20]以年總成本最小化為目標(biāo)函數(shù),采用多種改進(jìn)的PSO算法優(yōu)化了風(fēng)光儲(chǔ)發(fā)電系統(tǒng)的容量配置,最終結(jié)果顯示具有收縮因子的PSO算法求解結(jié)果最優(yōu)。

綜上,對(duì)于PSO算法的改進(jìn)方式主要有3種:一是改進(jìn)動(dòng)態(tài)慣性的權(quán)重系數(shù)提高算法的全局搜索能力和解的精確度;二是引入波粒二象性,增強(qiáng)粒子運(yùn)動(dòng)范圍的不確定性,提升全局搜索能力;三是與其他算法相結(jié)合。

4 結(jié) 語

本文主要綜述了兩種算法及其改進(jìn)算法在風(fēng)光儲(chǔ)發(fā)電系統(tǒng)容量配置方面的應(yīng)用,對(duì)這兩種算法的基本原理、優(yōu)缺點(diǎn)、基本算法和改進(jìn)算法的應(yīng)用以及算法的改進(jìn)方式都進(jìn)行了深入的分析和總結(jié)。在接下來的工作中,風(fēng)光儲(chǔ)發(fā)電系統(tǒng)容量配置優(yōu)化方面的研究重點(diǎn)如下:在不斷改進(jìn)基礎(chǔ)算法的同時(shí),引進(jìn)新的啟發(fā)式算法,拓寬容量配置優(yōu)化的策略和選擇;加強(qiáng)容量配置與能量管理策略的聯(lián)系,二者的共同目標(biāo)都是造就成本更低、效率更高的風(fēng)光儲(chǔ)混合發(fā)電系統(tǒng),因此將能量管理策略融入容量配置優(yōu)化過程當(dāng)中,采取并行優(yōu)化的方式,也能取得更加理想的效果;引入人工智能,如機(jī)器學(xué)習(xí)等,有助于提升負(fù)荷預(yù)測的精度,使得容量配置優(yōu)化結(jié)果更加精確。