張 萍 陸 霞 孟慶鶴

基于多策略麻雀搜索算法的微電網(wǎng)容量優(yōu)化配置

張 萍 陸 霞 孟慶鶴

（蘭州理工大學(xué)電氣工程與信息工程學(xué)院，蘭州 730050）

微電網(wǎng)系統(tǒng)的穩(wěn)定性易受可再生能源不確定因素的影響，為解決能源利用問題、減少棄風(fēng)棄光現(xiàn)象的發(fā)生，結(jié)合優(yōu)化算法進(jìn)行微電網(wǎng)容量的合理配置至關(guān)重要。本文提出將蓄電池和氫儲(chǔ)能系統(tǒng)結(jié)合，組成獨(dú)立微電網(wǎng)系統(tǒng)，以提高能源的利用率。同時(shí)，考慮到基本麻雀搜索算法（SSA）在處理復(fù)雜優(yōu)化問題時(shí)存在搜索空間不足、收斂速度慢和易陷入局部最優(yōu)等問題，本文利用改進(jìn)后的多策略麻雀搜索算法（MSSA）得到系統(tǒng)總投資費(fèi)用最小、源荷偏差率最低的多目標(biāo)優(yōu)化方案。最后，通過Matlab仿真證明改進(jìn)的麻雀搜索算法在容量配比優(yōu)化問題中具有更好的性能。所得優(yōu)化配置結(jié)果可為解決農(nóng)村、島嶼及其他偏遠(yuǎn)地區(qū)的供電問題提供參考。

風(fēng)光互補(bǔ)；氫儲(chǔ)能；麻雀搜索算法（SSA）；容量配置

0 引言

在當(dāng)今世界形勢(shì)下，資源短缺、生態(tài)環(huán)境惡化等問題正隨著化石能源的大量使用而愈發(fā)突出[1]。含清潔能源的微電網(wǎng)系統(tǒng)具有經(jīng)濟(jì)性和靈活性的特點(diǎn)，吸引了世界各國學(xué)者的高度關(guān)注。為保證系統(tǒng)安全可靠運(yùn)行，微電網(wǎng)中合理的容量配置至關(guān)重要。文獻(xiàn)[2]利用魯棒理論和引入空間約束參數(shù)合理減少儲(chǔ)能容量，實(shí)現(xiàn)魯棒性和經(jīng)濟(jì)性的平衡。文獻(xiàn)[3]結(jié)合混合整數(shù)線性規(guī)劃設(shè)計(jì)了儲(chǔ)能規(guī)劃軟件來解決儲(chǔ)能配置問題。文獻(xiàn)[4]從系統(tǒng)可靠性出發(fā)，搭建風(fēng)光機(jī)組容量配置優(yōu)化模型。文獻(xiàn)[5]考慮運(yùn)行成本和環(huán)保成本，使用改進(jìn)的果蠅算法求解獨(dú)立微電網(wǎng)容量優(yōu)化配置問題。

以上儲(chǔ)能配置存在一定的局限性，無法長期、跨季節(jié)儲(chǔ)能，而氫儲(chǔ)能正好能克服這一缺點(diǎn)且受外界環(huán)境影響較小，屬于環(huán)境友好型的清潔儲(chǔ)能系統(tǒng)，因此成為近年來研究熱點(diǎn)。文獻(xiàn)[6]在含氫儲(chǔ)能的微電網(wǎng)系統(tǒng)中引入快速估計(jì)方法，結(jié)合多種不同情況，優(yōu)化系統(tǒng)容量配置；文獻(xiàn)[7]考慮集裝箱功率密度、剩余電量、能量溢出率與負(fù)荷缺電率約束，采用遺傳算法得到多元儲(chǔ)能單元的優(yōu)化配置模型；文獻(xiàn)[8]提出考慮熱平衡不確定的風(fēng)氫儲(chǔ)能容量配置方法，利用分布魯棒優(yōu)化對(duì)新能源功率進(jìn)行建模，實(shí)驗(yàn)結(jié)果表明該方法可有效提升氫系統(tǒng)的可用容量。

以上研究未在風(fēng)光互補(bǔ)條件下考慮氫儲(chǔ)能和其他儲(chǔ)能協(xié)調(diào)運(yùn)行的成本問題。因此，本文在風(fēng)光互補(bǔ)背景下，將氫儲(chǔ)能和蓄電池結(jié)合，提出以系統(tǒng)總投資成本和源荷偏差率最小為優(yōu)化目標(biāo)，利用改進(jìn)的多策略麻雀搜索算法（multi-strategy sparrow search algorithm, MSSA）對(duì)系統(tǒng)進(jìn)行容量配置，以期降低總體配置成本、減小系統(tǒng)波動(dòng)、提高整體經(jīng)濟(jì)效益。

1 風(fēng)光氫蓄發(fā)電系統(tǒng)

風(fēng)光氫蓄發(fā)電系統(tǒng)包括風(fēng)力發(fā)電、光伏發(fā)電、鉛蓄電池、電解槽、儲(chǔ)氫罐、燃料電池、微電網(wǎng)能量管理系統(tǒng)和負(fù)載單元，系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 風(fēng)光氫蓄發(fā)電系統(tǒng)結(jié)構(gòu)

1.1 風(fēng)力發(fā)電單元

風(fēng)力發(fā)電是風(fēng)力發(fā)電機(jī)將風(fēng)能轉(zhuǎn)換為機(jī)械能進(jìn)而轉(zhuǎn)換為電能。輪轂所處高度的風(fēng)速和風(fēng)力發(fā)電機(jī)的輸出特性決定其發(fā)電量。單個(gè)風(fēng)力發(fā)電機(jī)的發(fā)電功率為

式中：wt()為風(fēng)機(jī)在時(shí)刻的實(shí)際輸出功率；r為風(fēng)機(jī)的額定輸出功率；()為時(shí)刻的風(fēng)速；r為額定風(fēng)速；in為風(fēng)機(jī)的切入風(fēng)速；out為風(fēng)機(jī)的切出風(fēng)速。

利用對(duì)數(shù)分布原理將測(cè)量風(fēng)速轉(zhuǎn)換為風(fēng)機(jī)發(fā)電的實(shí)際風(fēng)速，轉(zhuǎn)換函數(shù)表達(dá)式為

式中：f為風(fēng)機(jī)所處高度；m為實(shí)測(cè)點(diǎn)所處高度；d為水平地表長度；(f)為風(fēng)機(jī)處的實(shí)際風(fēng)速；(m)為實(shí)測(cè)點(diǎn)的風(fēng)速。

1.2 光伏發(fā)電單元

光伏發(fā)電是光伏電池板根據(jù)光的伏特效應(yīng)產(chǎn)生直流電，即將太陽能轉(zhuǎn)換為電能。其中，光照強(qiáng)度和氣候條件是影響光伏發(fā)電功率的主要因素。單個(gè)光伏電池板發(fā)電功率為

式中：pv()為光伏電池板在時(shí)刻的實(shí)際輸出功率；STC為在標(biāo)準(zhǔn)環(huán)境下單塊光伏電池板的額定輸出功率；()為光照強(qiáng)度；STC為標(biāo)準(zhǔn)環(huán)境下的光照強(qiáng)度；為功率溫度因數(shù)；C()為光伏電池板表面溫度；STC()為對(duì)比溫度，本文設(shè)為25℃；EN()為時(shí)刻的環(huán)境溫度。

1.3 蓄電池單元

蓄電池以其自放電率低、性能穩(wěn)定、技術(shù)成熟和價(jià)格實(shí)惠等優(yōu)勢(shì)而得到廣泛應(yīng)用。蓄電池的蓄電能力主要體現(xiàn)在容量大小、荷電狀態(tài)及放電深度。為保證蓄電池的正常使用，需對(duì)蓄電池進(jìn)行最小容量值的限定，其最小容量值為額定容量值的0.2倍。蓄電池的儲(chǔ)能函數(shù)表達(dá)式為

式中：bs為儲(chǔ)能總量；為蓄電池單體數(shù)目；bs、bs分別為單個(gè)蓄電池額定容量（A?h）、額定電壓（V）；DOD為最大放電深度；bs為蓄電池額定輸出功率。

1.4 電解槽單元

電解槽的工作原理是通過直流電將水電解為氫氣和氧氣，即將電能轉(zhuǎn)化為化學(xué)能。結(jié)構(gòu)主要包括電源、電解液、陰陽電極[9]。電解槽的電壓電流的關(guān)系為

式中：el為電解槽電壓；el為電解槽逆電壓；12為與電解槽有關(guān)的電阻參數(shù)；el為實(shí)際工作溫度；el為工作時(shí)的有效面積；1、2、3和1、2為與極化過電壓有關(guān)的參數(shù)；el為直流電流。

1.5 燃料電池單元

燃料電池的工作原理為燃?xì)渲齐?，是一種環(huán)境友好型發(fā)電裝置。其主要結(jié)構(gòu)由陰極、陽極和質(zhì)子交換膜組成。實(shí)際系統(tǒng)工作中采用由燃料電池單體串聯(lián)組成的電堆向系統(tǒng)供能，以滿足輸出電壓的需求。燃料電池單體輸出電壓為

燃料電池工作效率為

1.6 儲(chǔ)氫罐單元

儲(chǔ)氫罐主要存放電解槽電解產(chǎn)生的氫氣，并向燃料電池供能。其結(jié)構(gòu)包括儲(chǔ)氫材料、容器、導(dǎo)熱機(jī)構(gòu)、閥門等。將儲(chǔ)氫罐置于瞬態(tài)封閉情況下，根據(jù)范德華實(shí)際氣體狀態(tài)方程得到內(nèi)部壓強(qiáng)為

式中：0、1分別為電解開始、結(jié)束時(shí)刻；為儲(chǔ)氫量；A為阿伏伽德羅常數(shù)；為環(huán)境溫度；st為儲(chǔ)氫罐容積；為比例系數(shù)，取=0.247 6Pa·m6/mol，=2.661×10-5m3/mol；為電解H2的實(shí)際體積。

氫儲(chǔ)能系統(tǒng)結(jié)構(gòu)由電解槽、儲(chǔ)氫罐和燃料電池組成。當(dāng)微電網(wǎng)系統(tǒng)處于功率剩余狀態(tài)時(shí)，電解槽吸收功率電解產(chǎn)生氫氣，并將氫氣存放于儲(chǔ)氫罐中。當(dāng)系統(tǒng)處于功率缺額狀態(tài)時(shí)，燃料電池消耗來自儲(chǔ)氫罐中的氫氣并向外界供能。由于電解槽和燃料電池的工作特性不同，故不能同時(shí)出力。以等效能量為原則，結(jié)合氫儲(chǔ)能系統(tǒng)中各單元之間的關(guān)系進(jìn)行建模。當(dāng)電解槽電解制氫時(shí)，儲(chǔ)氫罐的能量增加；當(dāng)燃料電池燃?xì)涔┠軙r(shí)，儲(chǔ)氫罐的能量減少?？紤]各單元的能量轉(zhuǎn)換效率，儲(chǔ)氫罐的能量可用電解槽和燃料電池的輸出功率計(jì)算，即

2 風(fēng)光氫蓄系統(tǒng)容量優(yōu)化配置模型

以微電網(wǎng)系統(tǒng)總投資成本和源荷偏差率最小為目標(biāo)，充分考慮系統(tǒng)的電源和儲(chǔ)能約束，建立獨(dú)立型風(fēng)光氫蓄系統(tǒng)優(yōu)化配置模型?？紤]系統(tǒng)穩(wěn)定性、經(jīng)濟(jì)性，并結(jié)合實(shí)際氣象條件和運(yùn)行需求，通過具體算例，對(duì)建立的微電網(wǎng)系統(tǒng)容量優(yōu)化配置模型進(jìn)行仿真分析。

2.1 優(yōu)化配置的評(píng)價(jià)指標(biāo)

1）源荷偏差率

源荷偏差率為風(fēng)力發(fā)電機(jī)、光伏電池板運(yùn)行時(shí)間段內(nèi)的發(fā)電功率總和相對(duì)于微電網(wǎng)內(nèi)的負(fù)荷功率的波動(dòng)率，用Y表示，則

2）系統(tǒng)總投資成本

系統(tǒng)總投資成本需要考慮以下幾個(gè)部分。

（1）系統(tǒng)設(shè)備安裝成本ba

式中：N、C、cri、r、ri（∈{wt、pv、bs、el、st、fc}）分別為風(fēng)力發(fā)電機(jī)（wt）、光伏電池板（pv）、蓄電池（bs）、電解槽（el）、儲(chǔ)氫罐（st）、燃料電池（fc）的數(shù)量、單價(jià)、折舊系數(shù)、折舊率和使用年限。

（2）系統(tǒng)運(yùn)行維護(hù)成本ma

式中，mai（∈{wt、pv、bs、el、st、fc}）為從設(shè)備安裝成本轉(zhuǎn)化為運(yùn)行維護(hù)成本因子。

（3）系統(tǒng)總替換成本re

式中，rei（∈{wt、pv、bs、el、st、fc}）為從設(shè)備安裝成本轉(zhuǎn)化為替換成本因子。

綜上所述，系統(tǒng)總投資成本all為

2.2 優(yōu)化配置的約束條件

1）系統(tǒng)裝機(jī)容量約束

在本文優(yōu)化問題中，優(yōu)化變量為風(fēng)光氫蓄系統(tǒng)中主要的設(shè)備數(shù)量。結(jié)合各變量在微電網(wǎng)中的實(shí)際意義，為保證風(fēng)光氫蓄系統(tǒng)容量配置的合理性，需對(duì)系統(tǒng)內(nèi)各電源單元及儲(chǔ)能單元進(jìn)行裝機(jī)容量約束。各優(yōu)化變量的約束為

式中，mini、maxi（∈{wt、pv、bs、el、st、fc}）為各電源、儲(chǔ)能數(shù)量的下限和上限。

2）系統(tǒng)功率約束

式中，bs()、el()、fc()分別為時(shí)刻混合儲(chǔ)能蓄電池、電解槽、燃料電池的出力。

3）蓄電池充放電約束

式中，SOCmin、SOCmax分別為蓄電池運(yùn)行荷電狀態(tài)的下限和上限。

4）氫儲(chǔ)能系統(tǒng)約束

式中：EL、FC分別為電解槽和燃料電池的額定輸出功率；stmin、stmax分別為儲(chǔ)氫罐容量的下限和上限。

2.3 優(yōu)化配置的目標(biāo)函數(shù)

本文以系統(tǒng)總投資成本最低、源荷偏差率最小作為系統(tǒng)的目標(biāo)函數(shù)，相應(yīng)表達(dá)式為

式中：minall為系統(tǒng)總投資成本最?。籱inY為源荷偏差率最小。

3 改進(jìn)麻雀搜索算法求解

3.1 麻雀搜索算法

麻雀搜索算法（sparrow search algorithm,SSA）是2020年提出的一種新型群智能算法[10]，主要模仿麻雀覓食過程，其分為探索者、跟隨者和偵察者三種機(jī)制。探索者的適應(yīng)度較高，搜索范圍廣，帶領(lǐng)種群搜索食物。跟隨者會(huì)根據(jù)探索者的最優(yōu)覓食位置來尋找食物，同時(shí)通過監(jiān)視探索者來爭(zhēng)奪食物，提高自己的捕食率。當(dāng)遇見危險(xiǎn)時(shí)，會(huì)立即進(jìn)入反捕食狀態(tài)。

假設(shè)在維的搜索空間中，含只麻雀，則第只麻雀在維搜索空間中的位置為,D[x,1,x,2, …,x,d,…,x,D],1, 2, 3,…,，適應(yīng)度值為(,D)([x,1,x,2,…,x,d,…,x,D])。探索者和偵察者分別占整個(gè)種群的10%～20%。

在SSA中，適應(yīng)度高的探索者可優(yōu)先獲得食物，并為跟隨者提供方向。探索者的位置更新公式為

跟隨者的位置更新公式為

偵察者的位置更新公式為

3.2 多策略麻雀搜索算法

麻雀在尋找食物時(shí)，位置的更新公式?jīng)Q定了其能否快速找到更合適的食物。未改進(jìn)的SSA雖然具有一定的搜索能力，但搜索速度較慢，容易陷入局部最優(yōu)。為解決這一問題，首先引入Piecewise映射初始化麻雀的位置，其次針對(duì)探索者提出融合差分進(jìn)化思想，最后對(duì)偵察者的位置進(jìn)行柯西變異和高斯變異。

1）基于Piecewise混沌初始化階段

混沌存在的現(xiàn)象為非線性現(xiàn)象，廣泛分布于自然界中?；煦缧蛄猩傻姆椒ㄖ粸榛煦缬成?，其中一個(gè)典型代表為Piecewise映射，具有簡(jiǎn)單性、隨機(jī)性和遍歷性。利用Piecewise映射來初始化種群位置，增加種群多樣性，提高算法收斂速度和全局搜索能力。Piecewise混沌映射的表達(dá)式為

式中，定義=0.4，(1)=rand。Piecewise混沌序列分布圖及混沌序列直方圖如圖2所示。

2）融合差分進(jìn)化思想的自適應(yīng)搜索階段

為增強(qiáng)探索者的全局搜索能力，在SSA中引入差分進(jìn)化思想。同時(shí)為改善SSA的收斂性及勘探和開發(fā)性能，在改進(jìn)的基礎(chǔ)上引入自適應(yīng)策略。改進(jìn)后探索者的表達(dá)式為

圖2 Piecewise混沌序列分布及直方圖

式中：1,d、2,d為隨機(jī)選擇的兩個(gè)不同個(gè)體的第維分量，且≠1≠2；為自適應(yīng)參數(shù)。算法迭代初期，自適應(yīng)參數(shù)值較小，利于算法的勘探；迭代后期，自適應(yīng)參數(shù)值變大，利于算法的開發(fā)。

3）引入柯西變異和高斯變異階段

利用柯西和高斯分布對(duì)偵察者的位置進(jìn)行變異，即

式中：()為柯西變異；()為高斯變異。在原先偵察者位置的基礎(chǔ)上引入柯西變異和高斯變異，能夠充分利用麻雀種群內(nèi)的信息。在迭代初期，算法具有較強(qiáng)的全局搜索能力，對(duì)偵察者進(jìn)行擾動(dòng)變異；在迭代后期，擴(kuò)大對(duì)外搜索偵察能力，提高算法跳出局部最優(yōu)的能力和收斂速度。

4）算法測(cè)試

為測(cè)試算法性能，將MSSA與近年來新提出的幾種群智能算法，如灰狼算法（gray wolf optimi- zation, GWO）和人工蜂群算法（artificial bee colony algorithm, ABC），進(jìn)行性能對(duì)比。將種群規(guī)模設(shè)置為200，迭代次數(shù)設(shè)置為1 000。測(cè)試函數(shù)見表1，對(duì)四種算法進(jìn)行獨(dú)立運(yùn)行對(duì)比測(cè)試。為更好地體現(xiàn)出算法的優(yōu)越性，從最優(yōu)值、最差值、平均值及方差四個(gè)方面進(jìn)行對(duì)比，其中四種函數(shù)50維和100維的測(cè)試結(jié)果見表2～表5。

表1 測(cè)試函數(shù)

表2 函數(shù)f1測(cè)試結(jié)果

表3 函數(shù)f2測(cè)試結(jié)果

表4 函數(shù)f3測(cè)試結(jié)果

將SSA、GWO、ABC的迭代次數(shù)設(shè)置為500，運(yùn)行20次，并取平均值。與MSSA進(jìn)行對(duì)比，對(duì)比結(jié)果見表6。

表5 函數(shù)f4測(cè)試結(jié)果

綜上可知，改進(jìn)的算法在測(cè)試函數(shù)中的性能優(yōu)于其他群智能算法，且能夠獲得理想解。MSSA相比于SSA可用較少的迭代次數(shù)、更快的速度達(dá)到精確解，這是因?yàn)镸SSA在原有算法的基礎(chǔ)上，利用差分進(jìn)化算法的思想對(duì)每次迭代的最優(yōu)解進(jìn)行交叉變異操作，重新選擇最優(yōu)解進(jìn)行下一次迭代；同時(shí)在引入自適應(yīng)參數(shù)的情況下，對(duì)整個(gè)迭代過程中探索者搜尋食物的能力進(jìn)行擾動(dòng)，將迭代前期的勘探能力和迭代后期的開發(fā)能力相結(jié)合，以此引導(dǎo)探索者以最快的速度搜尋食物，從而改善了算法的收斂過程，提高了算法的收斂速度。在方差方面，MSSA在測(cè)試函數(shù)中求得的結(jié)果都達(dá)到了理想值0，這是因?yàn)樵谠紓刹煺吣Ｐ椭幸肟挛鞣植己透咚狗植?，增加了偵察者的種群多樣性，并對(duì)偵察者進(jìn)行擾動(dòng)變異，迭代前期主要為柯西變異，幫助偵察者對(duì)整個(gè)種群進(jìn)行干擾變異，增強(qiáng)探索者的全局搜索能力，提高算法的穩(wěn)定性，迭代后期為高斯變異，使種群個(gè)體跳出局部最優(yōu)，帶領(lǐng)種群尋找最優(yōu)食物，提高了算法的收斂精度。

表6 算法對(duì)比

3.3 求解步驟

利用MSSA對(duì)風(fēng)光氫蓄型微電網(wǎng)系統(tǒng)容量優(yōu)化配置問題進(jìn)行求解，求解流程如圖3所示。

圖3 MSSA求解流程

4 算例分析

4.1 算例及計(jì)算方法

本文以內(nèi)蒙古某地區(qū)的風(fēng)光資源、負(fù)荷功率為例，其中負(fù)荷功率包括直流負(fù)荷和交流負(fù)荷。設(shè)置種群規(guī)模為200，迭代次數(shù)為500。選擇典型工作日，采樣周期為1h，利用MSSA對(duì)該地區(qū)的微電網(wǎng)系統(tǒng)容量優(yōu)化配置問題進(jìn)行求解，利用當(dāng)?shù)氐臍庀髷?shù)據(jù)資源，得到風(fēng)速和光照強(qiáng)度，選擇適合該系統(tǒng)的設(shè)備參數(shù)，各單元的主要仿真參數(shù)見表7。

表7 各單元主要仿真參數(shù)

選擇蓄電池和氫儲(chǔ)能作為該系統(tǒng)的儲(chǔ)能裝置,蓄電池優(yōu)先充放電，氫儲(chǔ)能系統(tǒng)作為后備儲(chǔ)能，具有長期儲(chǔ)能、環(huán)境友好及穩(wěn)定性較高的特點(diǎn)，氫儲(chǔ)能主要用于減少棄風(fēng)棄光現(xiàn)象的發(fā)生，并滿足用戶的需求。結(jié)合實(shí)際情況，分為蓄電池、氫蓄儲(chǔ)能兩種儲(chǔ)能方案，并對(duì)優(yōu)化結(jié)果進(jìn)行對(duì)比。

4.2 優(yōu)化配置結(jié)果

結(jié)合所建立的風(fēng)光氫蓄型微電網(wǎng)系統(tǒng)模型及目標(biāo)函數(shù)模型，利用MSSA和SSA分別對(duì)微電網(wǎng)系統(tǒng)中的兩種儲(chǔ)能方案進(jìn)行多目標(biāo)函數(shù)尋優(yōu)，得到滿足當(dāng)?shù)刭Y源供應(yīng)及負(fù)荷實(shí)際需求的最優(yōu)解。利用隸屬度決策[10]得到系統(tǒng)容量配置最優(yōu)折中解，優(yōu)化結(jié)果見表8和表9。

由表8和表9可知，相對(duì)于蓄電池儲(chǔ)能方案，氫蓄儲(chǔ)能方案的費(fèi)用更高，這是因?yàn)闅鋬?chǔ)能的成本較高，但源荷偏差率低0.82%，實(shí)現(xiàn)了能源的合理應(yīng)用，平抑了源荷波動(dòng)，減少了能源浪費(fèi)。相對(duì)于SSA，MSSA所得優(yōu)化結(jié)果的日均經(jīng)濟(jì)費(fèi)用和系統(tǒng)總投資費(fèi)用均更少。含單個(gè)蓄電池儲(chǔ)能結(jié)構(gòu)的微電網(wǎng)系統(tǒng)在算法改進(jìn)前后的日均經(jīng)濟(jì)費(fèi)用相差0.01萬元、系統(tǒng)總投資費(fèi)用相差58.90萬元；含氫蓄儲(chǔ)能結(jié)構(gòu)的微電網(wǎng)系統(tǒng)在算法改進(jìn)前后的日均經(jīng)濟(jì)費(fèi)用相差0.02萬元、系統(tǒng)總投資費(fèi)用相差72.29萬元，所以MSSA所得優(yōu)化結(jié)果更優(yōu)。

表8 SSA對(duì)不同儲(chǔ)能方案的優(yōu)化結(jié)果

表9 MSSA對(duì)不同儲(chǔ)能方案的優(yōu)化結(jié)果

MSSA對(duì)風(fēng)光氫蓄微電網(wǎng)系統(tǒng)容量優(yōu)化配置結(jié)果見表10，風(fēng)、光、負(fù)荷功率如圖4所示，儲(chǔ)能單元功率如圖5所示。

表10 MSSA對(duì)風(fēng)光氫蓄微電網(wǎng)系統(tǒng)容量優(yōu)化配置結(jié)果

圖4 風(fēng)、光、負(fù)荷功率

圖5 儲(chǔ)能單元功率

由表10可知，微電網(wǎng)系統(tǒng)的配置為：風(fēng)機(jī)32組，裝機(jī)容量14.48MW；光伏電池740組，裝機(jī)容量14.10MW；蓄電池1 949個(gè)；電解槽15個(gè)；儲(chǔ)氫罐61個(gè)，儲(chǔ)氫體積6.1×104N·m3；燃料電池11個(gè)。此時(shí)系統(tǒng)的源荷偏差率為0.76%，總投資成本為約3 280萬元。

由圖4和圖5可知，凌晨01:00～04:00，在負(fù)荷功率大于風(fēng)光輸出功率階段，蓄電池先放電，不足功率由燃料電池供能；在負(fù)荷功率小于風(fēng)光輸出功率階段，蓄電池先充電，充電完成之后，電解槽利用多余能量電解制氫，將氫氣存儲(chǔ)在儲(chǔ)氫罐中。其中，風(fēng)機(jī)和光伏的裝機(jī)容量相差0.38MW，表明當(dāng)?shù)氐娘L(fēng)能資源較豐富，該系統(tǒng)的配置合理地平衡了風(fēng)力發(fā)電機(jī)和光伏電池的裝機(jī)容量比例。另外，因充分利用了風(fēng)光互補(bǔ)特性，故減少了蓄電池的容量配置，降低了系統(tǒng)的投資成本，提高了經(jīng)濟(jì)效益。氫儲(chǔ)能系統(tǒng)中電解槽、儲(chǔ)氫罐和燃料電池以5:20:4的比例進(jìn)行配置，有效解決了因風(fēng)光資源過剩導(dǎo)致的資源浪費(fèi)問題。氫儲(chǔ)能系統(tǒng)與蓄電池混合出力，降低了蓄電池充放電次數(shù)、提高了蓄電池使用壽命。

5 結(jié)論

由于風(fēng)電、光電具有隨機(jī)性和波動(dòng)性，結(jié)合氫儲(chǔ)能的優(yōu)點(diǎn)，建立了風(fēng)光氫蓄型獨(dú)立微電網(wǎng)系統(tǒng)。針對(duì)SSA的不足對(duì)其進(jìn)行改進(jìn)：①引入Piecewise混沌進(jìn)行初始化；②融合差分進(jìn)化思想的自適應(yīng)搜索；③引入柯西變異和高斯變異。利用改進(jìn)得到的MSSA求解多目標(biāo)優(yōu)化配置問題，優(yōu)化結(jié)果表明，與SSA相比，本文提出的改進(jìn)算法可得到使系統(tǒng)的源荷偏差率更小、總投資成本更低的配置方案。氫儲(chǔ)能和蓄電池的互補(bǔ)特性，降低了棄風(fēng)棄光現(xiàn)象的發(fā)生，提高了系統(tǒng)供電可靠性及整體經(jīng)濟(jì)效益，可為獨(dú)立風(fēng)光氫蓄型微電網(wǎng)系統(tǒng)的建立提供參考。

[1] 荊濤, 陳庚, 王子豪, 等. 風(fēng)光互補(bǔ)發(fā)電耦合氫儲(chǔ)能系統(tǒng)研究綜述[J]. 中國電力, 2022, 55(1): 75-83.

[2] 李笑竹, 王維慶, 王海云, 等. 基于魯棒優(yōu)化的風(fēng)光儲(chǔ)聯(lián)合發(fā)電系統(tǒng)儲(chǔ)能配置策略[J]. 太陽能學(xué)報(bào), 2020, 41(8): 67-78.

[3] 郭國偉, 劉鵬祥, 徐欣慰, 等. 含可再生能源的配網(wǎng)中儲(chǔ)能容量優(yōu)化配置方法及軟件設(shè)計(jì)[J]. 電氣技術(shù), 2020, 21(4): 56-60.

[4] 宋宇, 李涵, 楚皓翔, 等. 計(jì)及可靠性的風(fēng)光互補(bǔ)發(fā)電系統(tǒng)容量優(yōu)化配比研究[J]. 電氣技術(shù), 2022, 23(6): 49-58, 68.

[5] ZHAO Jingyi, YUAN Xiaofang. Multi-objective optimization of stand-alone hybrid PV-wind-diesel- battery system using improved fruit fly optimization algorithm[J]. Soft Computing, 2016, 20(7): 2841-2853.

[6] NGUYEN T H T, NAKAYMA T, ISHIDA M. Optimal capacity design of battery and hydrogen system for the DC grid with photovoltaic power generation based on the rapid estimation of grid dependency[J]. Inter- national Journal of Electrical Power & Energy Systems, 2017, 89: 27-39.

[7] 袁鐵江, 張昱, 栗磊, 等. 計(jì)及功率密度約束含氫儲(chǔ)能的預(yù)裝式多元儲(chǔ)能電站容量優(yōu)化配置研究[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(3): 496-506.

[8] 司楊, 陳來軍, 陳曉弢, 等. 基于分布魯棒的風(fēng)-氫混合系統(tǒng)氫儲(chǔ)能容量優(yōu)化配置[J]. 電力自動(dòng)化設(shè)備, 2021, 41(10): 3-10.

[9] 陳錦洲, 林飛, 何洪文, 等. 質(zhì)子交換膜燃料電池/電解槽系統(tǒng)建模及負(fù)荷追蹤策略[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(增刊2): 636-643.

[10] XIONG Xin, HU Xi, GUO Huan. A hybrid optimized grey seasonal variation index model improved by whale optimization algorithm for forecasting the residential electricity consumption[J]. Energy, 2021, 234: 121127.

Optimal allocation of micro-grid capacity based on multi-strategy sparrow search algorithm

ZHANG Ping LU Xia MENG Qinghe

(College of Electrical and Information Engineering, Lanzhou University of Technology, Lanzhou 730050)

The stability of the micro-grid system is vulnerable to the uncertainty of renewable energy. In order to solve the problem of energy utilization and reduce the occurrence of wind and solar abandonment, it is important to reasonably configure the capacity of the micro-grid system in combination with optimization algorithms. An independent micro-grid system is proposed by combining storage battery and hydrogen energy storage system to improve the utilization of energy. In order to solve the problems of insufficient search space, slow convergence speed and easy to fall into local optimum when the basic sparrow search algorithm (SSA) is used to deal with complex optimization problems, this paper uses the improved multi strategy sparrow search algorithm (MSSA) to obtain a multi-objective optimization scheme with the minimum total investment cost of the system and the lowest source load deviation rate. Finally, the Matlab simulation proves that the improved sparrow search algorithm has better performance in the capacity allocation optimization problem. The optimized configuration results can provide reference for solving power supply problems in rural areas, islands and other remote areas.

wind-solar complementary; hydrogen storage; sparrow search algorithm (SSA); capacity allocation

2022-08-10

2022-10-14

張 萍（1979—），女，甘肅省蘭州市人，副教授，主要從事新能源發(fā)電建模與分析、電力電子技術(shù)開發(fā)與應(yīng)用的研究工作。