基于混合粒子群的风⁃光互补多周期发电调度系统设计

摘  要：为了解决传统调度系统在调度过程中经过较少的迭代次数就趋于收敛，容易使寻优结果陷入局部极值，从而导致调度方案无法得到最优的问题，文中设计一种基于混合粒子群的风⁃光互补多周期发电调度系统。系统的硬件沿用原有系统硬件，该文主要对软件部分进行详细设计。首先根据风⁃光互补多周期发电联合运行的结构来建立风场和光伏的数学模型，为调度过程提供理论基础。然后对基于混合粒子群的调度算法进一步优化，通过分解基因片段并在节点之间进行游历，实现设计算法流程，从而得到一条种群最好的路径。系统性能测试实验结果表明，在相同实验条件下，设计的系统得到的调度方案的投入维修成本与能量浪费率均有所降低，说明设计的调度系统具有一定有效性。  

0 引 言

电力能源是促使我国经济飞速发展的重要能源，以煤炭等不可再生能源为主的发电方式不仅会造成环境问题，而且不符合我国可持续发展的观念，因此可再生能源的清洁成为现在与未来研究开发的重要关注点[1⁃2]。目前，使用最多的可再生能源发电方法是风力发电与光伏发电，这两种发电方法在发电过程中对环境的污染非常小，但是也存在各自的不足之处。例如风力发电与光伏发电都会随着自然环境的变化而产生一定的间歇性和波动性，因此需要对风⁃光互补的多周期发电进行调度，保证在发电过程中综合考虑风力发电与光伏发电的出力约束，通过调度系统的调节保证输出的功率波动性最小[3]。但是在传统的调度系统中，过于追求调度算法的计算速度而使得寻优过程中，经过较少的迭代次数后就趋于收敛，导致寻优结果陷入局部极值，调度方案无法最优。因此，本文设计一种基于混合粒子群的风⁃光互补多周期发电调度系统。

1 基于混合粒子群的风⁃光互补多周期发电调度系统设计

在本文设计的系统中，主要分为硬件和软件两部分。硬件部分主要沿用原有系统的硬件部分，本文主要对软件的调度方法方面进行改进，引入混合粒子群算法对调度算法进行优化。1.1 建立风⁃光互补多周期发电数学模型由于太阳在地球上的不均匀辐射导致出现温度差，气流压力在这种温度差的作用下产生一种压力梯度，造成了地球表面的空气流动，从而产生风能[4⁃5]。在调度系统中，一般会涉及到日前调度和日内调度，这两种调度主要依靠的就是短期预测。这种短期预测指的是提前0.16~24h对未来风电场的发电有功功率进行预报，当预测时间越短时，预测结果越准确[6⁃7]。考虑到风⁃光之间具有天然的时空互补特性，消纳平抑风电和光伏发电的随机波动，可以将其看作一个整体，如图1所示。 风速变化是影响风电场输出功率的主要因素，通过预测风速能够得到风电场发电出力预测值。一般情况下在同一地点，海拔较低的情况下风速较低，离地面越高风速也会相应变大。有功功率PW 随风速v的变化可以通过分段函数来体现：

式中：vin表示风机的切入风速；vo表示风机的切出风速；vr表示风机的额定风速；Pr表示风机的额定输出功率。 在光伏发电中，主要由太阳能电池板、控制器和逆变器构成能量采集与电力输出的总体结构。太阳能光伏电池串并联组合形成光伏电池阵列，是光伏发电中的核心结构原件[8⁃9]。光伏阵列在放置的时候一般会根据太阳的位置摆放不同的倾斜角度，目的是获得更多的太阳能辐射量。辐射量的计算公式为：

式中：G0表示太阳能辐射量，单位为kW/m2；Gb表示水平面上直接接收到的太阳能辐射量；kb表示倾斜面与水平面上直接接收到太阳辐射量的比值；Gd表示水平面上散射出去的太阳能辐射量；μ表示光伏阵列的倾斜角；ρ表示地表的反射率；Gh表示水平面上的总太阳辐射量，在不同地表状态下，反射率不同。太阳能光伏电站所在的环境温度和光照度决定了输出功率[10⁃12]，在一定条件下，光伏阵列的输出电流计算公式为：

式中:T表示环境温度;G表示光照度;ISC表示电流;Iref表示标准参考条件下(温度Tref为25 ℃,太阳辐射量Gref为1 kW/m2)对应的输出电流;ϕ参考光照度下电流变化温度系数;TC表示太阳能光伏电池板表面温度。同样可以得到光伏阵列的电压，如下： 式中：φ表示参考光照度下电压变化的温度系数；RS表示其中的串联电阻阻值；Uref表示标准参考条件下对应的输出电压。至此，完成风⁃光互补多周期发电数学模型的建立。

1.2 基于混合粒子群的调度算法优化

为了有效地解决发电调度问题，本文采用基于基因片段分解的混合粒子群算法来进行最优值求解。算法主要使用大量的粒子，通过迭代的过程来进行寻优。假设粒子的位置可以表示为Xi=[xi,1,xi,2,…,xi,n],将其分解为m个基因片段，如图2所示。

图2分解的基因片段中，每个基因片段中包含的粒子数可以根据实际情况进行确定，对于数量的要求并不严格，可以相同也可以不同[13⁃14]。在进行发电调度的过程中，可以将基因片段看作发电过程中的电流电压变化节点，各个发电过程基因片段节点间的游历可以看作调度问题中各个节点间的游历，过程如图3所示。

在基因片段节点之间的游历是为了从所有的路径中选择一条种群最好的路径。在算法运行前需要设定参数，主要包括混合粒子算法中的种群规模、迭代次数、启发式因子以及信息素等重要参数，在完成参数设定之后，需要注意在混合粒子群算法中，混合粒子在基因片段间进行游历时，并不需要类似优化问题中记录已经游历节点的禁忌表，同样可以使混合粒子顺利地将游历过程度过完毕[15]。主要是因为在调度优化问题中，各发电节点间的两个方向都可以完成游历过程，因此在调度优化问题中，任意两个发电节点之间均存在一定的连接，且弧线是双向联通的。综上，可以设计出本文基于混合粒子群的调度算法的流程如图4所示。

在算法的优化过程中，为了兼顾算法的效率和调度的质量，将3~5个电流电压节点作为一个基因片段，基因片段的转移就是状态的转移。为了增加粒子多样性，加入了基因片段内部的交叉和变异。至此，完成基于混合粒子群的风⁃光互补多周期发电调度系统的设计。  

2 系统测试

2.1 算例参数概况

为了验证本文设计的系统具有一定的有效性，需要设计具体的系统测试过程，完成系统调度性能的测试。选择某地区的7台火电机组，风电场、光伏电站的装机总量分别为 350 MW，50MW，该地区1年内月平均风力分布特性参数如表 1所示。

表中：k表示Weibull分布模型的形状参数,k>0,能够反映风速分布特点;c表示Weibull分布模型的尺度参数,c>1,能够反映该地区的平均风速大小。k和c的计算公式如下：

式中:σ表示参考风力强度下电流变化温度系数；Γ 表示Gamma函数。日前预测风电场和光伏电站出力情况如图5所示。

本文所选择的火电机组中,风力发电机的额定功率为1000W,启动风速为3m/s,额定风速为 8m/s,经过计算,维修费率在0.0185元(/kW·h),发电机的单价为3700元；光伏电池板额定功率为300W，转化率约为14%，温度⁃功率系数为-(0.5±0.05)%/℃，维修费率在0.007 9元(/kW·h),电池板单价为2430元。在多周期发电的系统中，负荷最大缺电率 LPSPmax 取0.05，系统最大能量浪费率SPSPmax取0.25。

2.2 仿真算例结果分析

在Matlab仿真软件中对采用传统系统和本文设计的系统算法进行仿真，设定种群规模大小为80，微粒的维数为35，最大迭代次数为500，惯性权重初始值ωstart为0.88，终止惯性权重ωend为0.37，标准学习因子取值为0.4。得到两个系统的适应度值随着迭代次数的变化曲线，如图6所示。

从图中可看出，采用传统系统的算法在迭代200次后趋于收敛，而采用本文系统的算法在迭代300次后趋于收敛，避免了过早地陷入局部极值中。根据目标函数和约束条件以及各项参数进行求解，得到的调度结果如表2所示。

从表2可以看出，经过本文系统调度后，比传统系统的调度结果的容量配置投入成本降低了7.9%，在满足缺电率要求的情况下，传统系统的调度结果维修成本也较高，能量浪费率为28.74%，而本文系统的能量浪费率为21.56%。综上所述，本文设计的基于混合粒子群的风⁃光互补多周期发电调度系统的调度寻优能力更强，在对容量进行配置的过程中更加合理，能够充分利用风⁃光的互补性，减少能源浪费。

3 结 语

本文对风⁃光互补多周期发电设备的数学模型以及调度系统进行了深入的研究，以传统调度系统中所存在的问题为切入点，对系统的软件部分进行了详细的设计。通过混合粒子群算法优化调度决策变量值，经仿真分析验证本文系统设计对于调度方案的优化、减少投入成本和维修成本具有重要的意义。但是本文还存在很多不足之处，如在调度求解过程中目前还是仅限于直接求解，当预想场景的分支比较多时，未考虑电网的安全约束，在后续的研究中需要逐步完善。
   
       审核编辑 ：李倩