胡宇晴, 朱江锋, 赵淑敏, 莫俊雄, 任核权, 陈扬军, 俞冰
(1. 绍兴大明电力设计院有限公司, 浙江 绍兴 312000; 2. 国网绍兴供电公司, 浙江 绍兴 312000)
一次能源越来越少,分布式发电(distributed generation, DG)由于高效、环保、节能,为能源的可持续发展提供了保障[1-2]。分布式电源并网后,提高分布式电源的利用率,增强电力系统的安全性、稳定性,是当前电力系统研究的热点问题[3-5]。
主动配电网指的是在电力调度中可控的电力能源,如分布式发电、储能设备和柔性负荷[6]。我国的主动配电网调控处于起始阶段,所以主动配电网的优化调度十分有意义。
文献[7]从时间尺度、空间尺度、运行状态等建立主动配电网的优化调度模型,纳入了分布式发电、储能设备和柔性负荷,并提出了优化调度的评估方法以确保调度效果[7]。文献[8]考虑了储能设备,建立了基于多代理系统的主动配电网优化调度模型,经过算例仿真证明了所提方法的实用性[8]。文献[9]提出了一种主动配电网优化调度方法,并采用改进的粒子群算法求解所建立的模型,该方法能够提高可再生能源利用率,降低能量损耗[9]。
风力发电的输出功率P与风速的关系,如式(1)。
(1)
其中,vci是风机的切入风速,vco是风机的切出风速,vr是风机的额定风速,Pr是风机的额定功率。f(v)是当vci≤v≤vr时,输出功率与风速之间的关系。
假设光伏电机的电压为V电流为I,则光伏电池的输出功率,如式(2)。
P=VI
(2)
微汽轮机并网时,功率变化区间,如式(3)。
Pmin≤PMT (3) Pmin和Pmax分布式微汽轮机输出功率的上下限,PMT是实际输出功率。 储能系统与电网之间的能量传递用PESS表示。一般用荷电状态(state of charge, SOC)描述储能状态,如式(4)。 (4) 其中,E是存储的能量,EESS是设备的额定容量。 SOC的储能状态,如式(5)。 (5) 其中,SOC(t)是t时刻储能荷电状态。SOC(t+1)是t+1时刻储能荷电状态。ηc,ηd分别是储能的充放电效率。 为了保证储能设备的使用寿命,通常控制其电量,如式(6)。 SOCmin≤SOCt≤SOCmax (6) 其中,SOCmax和SOCmin是储能设备的最大最小值。 狼群算法(wolf colony algorithm, WCA)将待求解问题等价成头狼、探狼和猛狼。求解最小值问题的步骤,如式(7)。 minf(X) (7) 其中,X=(x1,x2,…,xD);D是X的维度。 1. 位置初始化。初始迭代次数为t=0。根据式(8)随机生成含n个狼的狼群,如式(8)。 (8) 2. 头狼选取。求取每头狼的适应度值,选取适应度值Qlead最小的狼作为头狼,如式(9)。 Q=f(X) (9) 其中,f(X)是待求解问题的目标函数。 3. 探狼游走。除了头狼以外,将适应度值最小的狼Snum,(Snum∈[n/(α+1),n/α]的任意整数)作为探狼。 探狼i向p(p=1,2,…,h)方向搜寻之后,则所处位置的d(d=1,2,…,D)维分量,如式(10)。 (10) 其中,α是探狼比例系数,stepα是搜索步长。 当前探狼i的适应度值为Qip,搜索结束后,适应度值最小的位置为Qio。所有探狼搜索完,取适应度最小的Qmin与Qlead对比,若Qmin 4. 猛狼奔袭。除了头狼和探狼外的个体为猛狼。 探狼搜索完毕之后,头狼召唤猛狼,如式(11)。 (11) (12) 其中,dnear是设定距离,ω是设定距离的权重。 5. 狼群围攻。当猛狼奔袭结束后,猛狼和探狼围绕着头狼所在位置移动搜索猎物,如式(13)。 (13) 围攻结束后,取适应度最小的狼Qmin与Qlead进行比较,若Qmin 6. 狼群更新。将适应度值最差的R,(R∈[n/(2×β),n/β])头狼淘汰。并随机产生R头狼取代被淘汰的狼。β是狼群更新比例因子。其中,探狼、猛狼、狼群的步长之间的关系,如式(14)。 stepa=stepb/2=2×stepc=|XU-XL|/S (14) 其中,S是步长因子。 狼群算法的流程图,如图1所示。 图1 狼群算法流程图 对狼群奔腾行为改进,如式(15)。 (15) 其中,γ∈[-1,1]。 对奔袭行为进行改进,如式(16)。 (16) 对围攻行为进行改进,如式(17)。 (17) stepi是第i头狼的自适应围攻步长,如式(18)。 (18) 其中,maxQ0和minQ0是狼群算法的最优适应度和最差适应度。 差分进化算法(Differential Evolution, DE)优化狼群算法(DE-WCA)如下所述。 1. 变异行为,如式(19)。 (19) 其中,F是权重系数,F∈[0,2]。 2. 交叉行为,如式(20)。 (20) 3. 选择行为,如式(21)。 (21) DE-WCA的流程图,如图2所示。 图2 DE-WCA流程图 基于改进狼群算法的主动配电网优化调度方法的步骤如下所述。主动配电网经济调度模型,如式(22)。 minC=Cpure+Closs+Cin (22) 其中,C是主动配电网的运行总成本。Cpure、Closs、Cin分别是购电成本、损耗成本和储能投资成本。 购电成本,如式(23)。 Cpure=Cpure,grid-Ccell,grid+Cpure,DG (23) 其中,Cpure,grid和Ccell,grid是从上一级电网购电成本和向上一级电网售电的利润。Cpure,DG是从DG购电的成本,如式(24)。 Closs=Closs,line+Closs,ESS (24) 其中,Closs,line是线损成本,Closs,ESS是储能设备充放电损耗。 储能投资成本,如式(25)。 (25) 其中,ke,i是第i个储能设备的容量成本。kp,i是第i个储能设备功率转换成本。PN,i是第i个储能设备额定功率。Ny,i是第i个储能设备使用年限,λi为其折旧率。 配电网优化调度的约束条件。 1. 网络运行约束,如式(26)—式(28)。 (26) Vi,min≤Vi≤Vi,max (27) Sj≤Sj,max (28) 其中,Pload,t是t时刻配电网中的有功功率。Vi是节点i的电压,Vi∈[Vi,min,Vi,max]。Sj是j支路的视在功率,Sj,max是Sj的最大值。 DG和分布式储能的约束,如式(29)—式(34)。 PDG,i,min≤PDG,t,i≤PDG,i,max (29) -ΔPDG,i,max≤PDG,t+1,i-PDG,t,i≤ΔPDG,i,max (30) (31) PESS,i,min≤PESS,t,i≤PESS,i,max (32) SOCi,min≤SOCt,i≤SOCi,max (33) SOCt0,i=SOCtn,i (34) 其中,DG是有功约束,DG∈[PDG,i,min,PDG,i,max]。ΔPDG,i,max是最大有功出力。EESS,i是第i个储能设备的额定容量。式(31)为储能设备有功输出约束。式(32)是储能设备的荷电约束。SOCt,i是t时刻第i台设备的荷电状态。 采用DE-WCA方法对主动配电网进行优化调度的步骤如下所述。 1. 参数初始化。初始化WCA的相关参数。 2. 对储能设备进行约束处理。 PESS(t)<0时,求取t+1时刻的SOC值。当SOC(t+1)>SOCmax,取SOC(t+1)=SOCmax,如式(35)。 (35) PESS(t)>0时,求取t+1时刻的SOC值,若SOC(t+1) PESS(t)=EESS×(SOC(t)-SOCmin)×ηd (36) 3. 潮流计算。求取狼的适应度值即系统运行成本。 4. 根据适应度值,确定头狼、探狼和猛狼。进行游走、奔袭、围攻、交叉、变异、选择等操作。求取适应度值和对SOC进行约束。 5. 判断是否达到停止条件,若达到停止运行,输出当前头狼的适应度值。否则转4继续迭代。 选用Sphere和Schwefel函数进行仿真对比,如表1所示。 表1 测试函数 DE、WCA、DE-WCA算法的收敛曲线,如图3所示。 (a) Sphere收敛对比曲线 (b) Schwefel收敛对比曲线 三种算法的测试结果,如表2所示。 表2 三种算法的测试结果 改进的IEEE33节点,如图4所示。 图4 改进的IEEE33节点图 其中,节点1电压为12.66 kV。2-33是用户负荷。25节点有燃气轮机,0.8 MW。18节点有风电场(0.8 MW)和储能设备1。33节点有光伏电站(1MW)和储能设备2。储能设备1和2额定功率0.7 MW,额定容量1.4 MWh,折旧率10%。kp=4.28×105,ke=6.3×104,单位元/MW。使用时长为30年。其中,并网的电价为:风电和光伏1元/kWh,燃气轮机0.81元/kWh。风电、光伏和负荷预测值,如图5所示。 图5 功率预测结果 本文采用分时电价,9:00-16:00,19:00-23:00,为1元/kWh,01:00-8:00为0.35元/kWh,其他时间0.55元/kWh。 采用DE-WCA算法对含有储能设备的电网进行调度,如图6所示。 图6 基DE-WCA的配电网调度曲线 当储能设备并入电网后的用电成本,如表3所示。 表3 储能设备并网后的运行成本 将分布式储能加入配电网之后,获得IEEE33节点在每个时刻的极大极小值电压曲线,如图7所示。 图7 节点电压极大极小情况 分别采用PSO,DE,WCA,DE-WCA算法对含储能设备的配电网进行优化调度,调度后的最小运行成本,如表4所示。 表4 各算法调度成本对比 四种算法的收敛曲线,如图8所示。 图8 收敛速度对比曲线 从图3的函数寻优结果对比曲线可以看出,本文所提的DE-WCA算法相比于重瞳的DE算法和WCA算法收敛得更快,收敛精度最高,验证了本文所提方法的可靠性。 从图5可以看出,在0:00-1:00,8:00-9:00,16:00-19:00和1:00-8:00时间内,燃气轮机的输出功率为0。在上述时间段内,配电网只从上级电网吸收功率。23:00-24:00时间,功率输出较小。9:00-16:00和19:00-23:00区段,由于电网的电价高于燃气轮机,所以该时间段的燃气轮机输出功率较多。同样的,储能设备1和2在1:00-8:00的时候,电网电价较低,进行充电。在9:00-16:00和19:00-23:00的时候,电网电价较高,储能设备进行放电。由图5可知,调度结果与实际情况相符合,与含储能设备的配电网调度策略相一致,可以降低电网的用电成本,提高设备利用率,说明所提基于DE-WCA的配电网调度策略的实用性。 从表3可以看出,通过DE-WCA的配电网调度,降低了配电网的运行成本。降低了2.234%的日用电成本。 从图6可以看出,储能设备未并网的时候,节点电压极大值出现在17:00-18:00,极小值在21:00-22:00。当储能设备并网后,节点电压极大值出现在8:00-9:00,极小值在2:00-3:00。储能设备并网后为电网的用电高峰减轻了负担,提高了电压质量。 从表4可以看出,相比于其他几种方法,本文所提的DE-WCA算法具有最小的运行成本。从图7可以看出,本文所提的DE-WCA算法收敛速度最快,验证了本文所提方法的快速性和可靠性。 建立了含储能设备的主动配电网调度,损耗成本模型,并对风电、光伏、微型燃气轮机进行了约束调控研究。本文所提方法能够降低配电网运行成本,为电网的运行可靠性提供了理论支持。2 基于改进狼群算法的主动配电网优化调度
2.1 狼群算法
2.2 改进狼群算法
2.3 基于改进狼群算法的主动配电网优化调度
3 算例仿真
3.1 算法验证
3.2 算例仿真
3.3 结果分析
4 总结