李 明，尹曉宇，董小菱，宮 帥，吳金淦

（1.國網(wǎng)安徽省電力有限公司信息通信分公司，安徽合肥 230061；2.安徽繼遠(yuǎn)軟件有限公司，安徽 合肥 230088）

微網(wǎng)采用的是光伏發(fā)電，其波動(dòng)性和隨機(jī)性會(huì)降低電網(wǎng)運(yùn)行效率，使得電力系統(tǒng)可靠性降低。儲(chǔ)能介質(zhì)的引入雖然提高了供電可靠性，穩(wěn)定了系統(tǒng)波動(dòng)，提高了光伏系統(tǒng)利用率，但與此同時(shí)也大大降低了系統(tǒng)經(jīng)濟(jì)效益。因此，在保證系統(tǒng)可靠運(yùn)行前提下，選擇合適最優(yōu)存儲(chǔ)容量是提高系統(tǒng)經(jīng)濟(jì)效益的關(guān)鍵。文獻(xiàn)[1]提出了基于虛擬儲(chǔ)能的配置方法，該方法在虛擬環(huán)境下構(gòu)建多目標(biāo)仿真模型，并使用蟻群算法求解模型，結(jié)合算例分析可知，雖然該方法提高了光伏微網(wǎng)調(diào)節(jié)能力，但其受到地域限制影響，且對(duì)設(shè)備要求較高，導(dǎo)致配置結(jié)果受限條件較多，不具有全面性；文獻(xiàn)[2]提出了基于改進(jìn)雷達(dá)圖模型的配置方法，該方法通過構(gòu)建光伏光熱單元、變流器、儲(chǔ)能單元結(jié)構(gòu)，分析微網(wǎng)供電可靠性，在確定可靠單元前提下構(gòu)建多目標(biāo)容量配置改進(jìn)雷達(dá)圖模型。構(gòu)建最大化適應(yīng)度函數(shù)，設(shè)定約束條件，以最大化適應(yīng)度函數(shù)為目標(biāo)函數(shù)設(shè)計(jì)優(yōu)化配置方案。雖然通過實(shí)例驗(yàn)證了該方法能夠求解最優(yōu)配置結(jié)果，但調(diào)節(jié)負(fù)載波動(dòng)方面性能較差，導(dǎo)致配置結(jié)果不可靠。為此，統(tǒng)計(jì)影響電力物聯(lián)網(wǎng)光伏微網(wǎng)經(jīng)濟(jì)效益的多個(gè)目標(biāo)，設(shè)計(jì)多目標(biāo)容量?jī)?yōu)化配置方案。

1 電力物聯(lián)網(wǎng)光伏微網(wǎng)結(jié)構(gòu)分析

充分考慮微網(wǎng)動(dòng)態(tài)變化，兼顧電力系統(tǒng)的需求和電力資源，配置多目標(biāo)容量?jī)?chǔ)能方案，提高微網(wǎng)自適應(yīng)能力[3]。微網(wǎng)結(jié)構(gòu)所有系統(tǒng)單元均經(jīng)由功率電子裝置連接，匯集在一條公用總線上。整個(gè)微網(wǎng)主要采用了光伏+儲(chǔ)能的方式，當(dāng)微網(wǎng)光伏存儲(chǔ)能力不能支持系統(tǒng)負(fù)荷時(shí)，需要綜合考慮多個(gè)經(jīng)濟(jì)目標(biāo)來優(yōu)化配置存儲(chǔ)容量，以此保證系統(tǒng)正常工作[4-5]。

2 多目標(biāo)容量配置優(yōu)化策略

2.1 多目標(biāo)容量?jī)?yōu)化配置模型構(gòu)建

2.1.1 運(yùn)行成本目標(biāo)

為了實(shí)現(xiàn)效益最大化，在不考慮微網(wǎng)自身能量供應(yīng)的情況下，電力物聯(lián)網(wǎng)光伏微網(wǎng)不平衡功率計(jì)算公式為：

式中，P發(fā)表示發(fā)電功率；η變表示變換器運(yùn)行效率；P用表示用電功率；η逆表示逆變器運(yùn)行效率[6]。在儲(chǔ)能運(yùn)行期間內(nèi)，當(dāng)ΔP＞0 時(shí)，由光伏微網(wǎng)供電；當(dāng)ΔP＜0 時(shí)，由光伏微網(wǎng)+儲(chǔ)能供電。在電價(jià)較低時(shí)，光伏微網(wǎng)優(yōu)先提供負(fù)荷；在電價(jià)中等或較高時(shí)，光伏微網(wǎng)+儲(chǔ)能提供負(fù)荷[7]?；谠撨\(yùn)行思想，只考慮電網(wǎng)功率交互情況，運(yùn)行成本目標(biāo)函數(shù)為：

式中，z1(t)、z2(t)、z3(t)分別表示電網(wǎng)給負(fù)荷供電，同時(shí)給出儲(chǔ)能充電運(yùn)行模式、余電上網(wǎng)運(yùn)行模式和電網(wǎng)給負(fù)荷供電運(yùn)行模式[8]。對(duì)于這三種運(yùn)行成本，對(duì)應(yīng)的目標(biāo)子函數(shù)為：

式中，p電、p光伏分別表示電網(wǎng)分時(shí)電價(jià)和光伏上網(wǎng)電價(jià)；q用、q發(fā)分別表示用電量和發(fā)電量[9]。

2.1.2 投資成本目標(biāo)

為了滿足離網(wǎng)時(shí)電力物聯(lián)網(wǎng)光伏微網(wǎng)穩(wěn)定運(yùn)行，配置了如下儲(chǔ)能容量，表達(dá)式為：

式中，QR表示儲(chǔ)能剛性容量；QF表示儲(chǔ)能柔性容量。

根據(jù)上述儲(chǔ)能容量滿足條件，構(gòu)建投資成本目標(biāo)函數(shù)：

式中，z4(t)、z5(t)、z6(t) 分別表示光伏微網(wǎng)運(yùn)行年成本、儲(chǔ)能系統(tǒng)運(yùn)行年成本和維護(hù)成本[10]。對(duì)于這三種投資成本，對(duì)應(yīng)的目標(biāo)子函數(shù)為：

2.1.3 年收益目標(biāo)

以一年為365 日為例，年收益目標(biāo)函數(shù)為：

式中，z7(t)、z8(t)、z9(t)、z10(t)分別表示每日用戶用電費(fèi)用、光伏上網(wǎng)費(fèi)用、微網(wǎng)從電網(wǎng)購電費(fèi)用、補(bǔ)貼費(fèi)用[12-13]。對(duì)于這四種投資成本，對(duì)應(yīng)的目標(biāo)子函數(shù)為：

式中，p用戶、p光伏、p微網(wǎng)從電網(wǎng)分別表示用戶單價(jià)、光伏微網(wǎng)單價(jià)、微網(wǎng)從電網(wǎng)購電單價(jià)；W用戶、W光伏、W微網(wǎng)從電網(wǎng)分別表示用戶負(fù)荷功率、光伏上網(wǎng)功率、微網(wǎng)從電網(wǎng)購入電能功率；p′光伏表示光伏補(bǔ)貼單價(jià)；表示光伏出力[14]。

2.1.4 多目標(biāo)函數(shù)及約束條件

以經(jīng)濟(jì)最優(yōu)為目標(biāo)，根據(jù)需求響應(yīng)的儲(chǔ)能要求，構(gòu)建多目標(biāo)函數(shù)：

為了保證微網(wǎng)離網(wǎng)運(yùn)行時(shí)，電力物聯(lián)網(wǎng)依然處于穩(wěn)定狀態(tài)，微網(wǎng)多目標(biāo)容量配置運(yùn)行時(shí)間應(yīng)滿足如下約束條件：

式中，t離網(wǎng)min表示離網(wǎng)最小時(shí)長(zhǎng)。為了保證微網(wǎng)內(nèi)關(guān)鍵負(fù)荷運(yùn)行，應(yīng)在離網(wǎng)最小時(shí)長(zhǎng)內(nèi)滿足最小剛性儲(chǔ)能需求。

2.2 改進(jìn)烏鴉搜索算法的多目標(biāo)函數(shù)求解

使用烏鴉搜索算法進(jìn)行多目標(biāo)函數(shù)求解時(shí)，通過對(duì)一群烏鴉覓食過程進(jìn)行仿真，使得該群體中的所有烏鴉均能給出最優(yōu)解。因?yàn)闉貘f搜索算法是隨機(jī)追蹤，所以無法確保烏鴉藏匿食物的位置是最佳地點(diǎn)，因此，使用烏鴉搜索算法存在一定盲目性[15]。為了解決該問題，使用粒子群算法更新烏鴉藏匿食物位置，通過跟蹤某只烏鴉藏匿食物軌跡以更新自身位置。

引入最優(yōu)粒子群算法的位置，計(jì)算公式為：

式中，φ表示隨機(jī)數(shù)；ω表示位置信息的權(quán)重因子；si,t表示烏鴉i在搜索時(shí)間t下的位置信息；sbest,t表示烏鴉在時(shí)間t下最優(yōu)位置。

烏鴉在沒有發(fā)現(xiàn)跟蹤者的位置，計(jì)算公式為：

式中，Li,t表示飛行步長(zhǎng)；sj,t表示烏鴉j食物藏匿位置[16]。當(dāng)飛行步長(zhǎng)小于1 時(shí)，算法容易陷入局部最優(yōu)；當(dāng)飛行步長(zhǎng)大于1 時(shí)，算法全局搜索能力較強(qiáng)?；谠撛?，構(gòu)建多目標(biāo)函數(shù)：

式中，fmin(Z1) 表示運(yùn)行成本最小求解函數(shù)；fmin(Z2)表示投資成本最小求解函數(shù)；fmax(Z3)年收益最大求解函數(shù)。多目標(biāo)容量配置優(yōu)化策略,評(píng)判公式如下：

式中，κ表示當(dāng)前尋優(yōu)常數(shù)；levyγ表示萊維飛行思想的縮放因子。引入示萊維飛行思想能夠提高全部搜索能力，并在求解集中限制非劣解數(shù)目，從而得到最終非劣解；最終，判定是否滿足停止條件（即重復(fù)次數(shù)達(dá)到設(shè)置最大）。如果滿足該條件，在多目標(biāo)容量配置解集中，將會(huì)有多只烏鴉再次進(jìn)入多目標(biāo)函數(shù)的評(píng)估，如此循環(huán)，直到得到輸出結(jié)果最優(yōu)解。

3 實(shí) 驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)

在實(shí)驗(yàn)過程中，以上級(jí)電網(wǎng)節(jié)點(diǎn)為平衡節(jié)點(diǎn)，該節(jié)點(diǎn)一般位于區(qū)域變電站中。由于沒有考慮變電站的容量，所以不需要將平衡節(jié)點(diǎn)納入光伏微網(wǎng)供電范圍內(nèi)。設(shè)置參考功率是100 kVA，參考電壓是0.4 kV，由此構(gòu)建的微網(wǎng)模擬結(jié)構(gòu)如圖1 所示。

圖1 微網(wǎng)模擬結(jié)構(gòu)

微網(wǎng)由25 kW燃?xì)廨啓C(jī)、5 kW風(fēng)力發(fā)電機(jī)、10 kW燃料電池組成。

在同時(shí)滿足上述所有負(fù)荷參數(shù)的情況下得到的理想光伏負(fù)荷曲線如圖2 所示。

圖2 理想光伏負(fù)荷曲線

由圖2 可知，在0-6 h、20-24 h 電價(jià)較低；6-8 h、12-20 h 電價(jià)中等；8-12 h 電價(jià)較高。在低電價(jià)期間，采取由電網(wǎng)給負(fù)荷供電模式；在中高價(jià)期間，采取由光伏和電網(wǎng)共同供電模式。光伏功率最大值為80 kW，電網(wǎng)功率最大值為48 kW，在不同期間下，采取這兩種供電模式能使配置儲(chǔ)能容量達(dá)到最小，經(jīng)濟(jì)效益最高。

3.2 實(shí)驗(yàn)結(jié)果與分析

分別使用基于虛擬儲(chǔ)能的配置方法、基于改進(jìn)雷達(dá)圖模型的配置方法和所研究方法，對(duì)比分析光伏負(fù)荷曲線是否達(dá)到理想狀態(tài)，如圖3 所示。

圖3 不同方法光伏負(fù)荷曲線對(duì)比分析

由圖3 可知，使用基于虛擬儲(chǔ)能的配置方法光伏功率最大值為60 kW，電網(wǎng)功率最大值為60 kW，且光伏負(fù)荷曲線與理想光伏負(fù)荷曲線不一致；使用基于改進(jìn)雷達(dá)圖模型的配置方法光伏功率最大值為50 kW，電網(wǎng)功率最大值為82 kW，且光伏負(fù)荷曲線與理想光伏負(fù)荷曲線不一致；使用所研究方法光伏功率最大值為80 kW，電網(wǎng)功率最大值為48 kW，且光伏負(fù)荷曲線與理想光伏負(fù)荷曲線一致，達(dá)到了配置儲(chǔ)能容量最小的效果。

為了進(jìn)一步驗(yàn)證多目標(biāo)容量配置優(yōu)化策略研究可靠性，對(duì)比三種方法的配置效益，如表1 所示。其中，總計(jì)（萬元）=年收益-運(yùn)行成本-投資成本。

表1 三種方法配置效益對(duì)比分析

由表1 可知，使用所研究方法優(yōu)化了配置方案，總收益比理想收益高1 410萬元，具有較高經(jīng)濟(jì)效益。

4 結(jié)束語

充分考慮經(jīng)濟(jì)效益，構(gòu)建多目標(biāo)效益最高配置函數(shù)，使用烏鴉算法求解時(shí)，為了解決烏鴉算法的盲目性，引入了粒子群算法，使獲取的解達(dá)到全局最優(yōu)。通過實(shí)驗(yàn)分析，驗(yàn)證了該配置方法的可行性。在后續(xù)研究進(jìn)程中，將光伏微網(wǎng)多目標(biāo)容量的確定轉(zhuǎn)換成優(yōu)化規(guī)劃問題，既考慮了電壓限制，又考慮了網(wǎng)絡(luò)損耗，通過對(duì)目標(biāo)函數(shù)的近似線性變化迭代，滿足容量配置剛性需求。