摘要：為了解決傳統(tǒng)調(diào)度系統(tǒng)在調(diào)度過程中經(jīng)過較少的迭代次數(shù)就趨于收斂，容易使尋優(yōu)結(jié)果陷入局部極值，從而導致調(diào)度方案無法得到最優(yōu)的問題，文中設(shè)計一種基于混合粒子群的風?光互補多周期發(fā)電調(diào)度系統(tǒng)。系統(tǒng)的硬件沿用原有系統(tǒng)硬件，該文主要對軟件部分進行詳細設(shè)計。首先根據(jù)風?光互補多周期發(fā)電聯(lián)合運行的結(jié)構(gòu)來建立風場和光伏的數(shù)學模型，為調(diào)度過程提供理論基礎(chǔ)。然后對基于混合粒子群的調(diào)度算法進一步優(yōu)化，通過分解基因片段并在節(jié)點之間進行游歷，實現(xiàn)設(shè)計算法流程，從而得到一條種群最好的路徑。系統(tǒng)性能測試實驗結(jié)果表明，在相同實驗條件下，設(shè)計的系統(tǒng)得到的調(diào)度方案的投入維修成本與能量浪費率均有所降低，說明設(shè)計的調(diào)度系統(tǒng)具有一定有效性。

0 引 言

電力能源是促使我國經(jīng)濟飛速發(fā)展的重要能源，以煤炭等不可再生能源為主的發(fā)電方式不僅會造成環(huán)境問題，而且不符合我國可持續(xù)發(fā)展的觀念，因此可再生能源的清潔成為現(xiàn)在與未來研究開發(fā)的重要關(guān)注點[1?2]。目前，使用最多的可再生能源發(fā)電方法是風力發(fā)電與光伏發(fā)電，這兩種發(fā)電方法在發(fā)電過程中對環(huán)境的污染非常小，但是也存在各自的不足之處。例如風力發(fā)電與光伏發(fā)電都會隨著自然環(huán)境的變化而產(chǎn)生一定的間歇性和波動性，因此需要對風?光互補的多周期發(fā)電進行調(diào)度，保證在發(fā)電過程中綜合考慮風力發(fā)電與光伏發(fā)電的出力約束，通過調(diào)度系統(tǒng)的調(diào)節(jié)保證輸出的功率波動性最小[3]。但是在傳統(tǒng)的調(diào)度系統(tǒng)中，過于追求調(diào)度算法的計算速度而使得尋優(yōu)過程中，經(jīng)過較少的迭代次數(shù)后就趨于收斂，導致尋優(yōu)結(jié)果陷入局部極值，調(diào)度方案無法最優(yōu)。因此，本文設(shè)計一種基于混合粒子群的風?光互補多周期發(fā)電調(diào)度系統(tǒng)。

1 基于混合粒子群的風?光互補多周期發(fā)電調(diào)度系統(tǒng)設(shè)計

在本文設(shè)計的系統(tǒng)中，主要分為硬件和軟件兩部分。硬件部分主要沿用原有系統(tǒng)的硬件部分，本文主要對軟件的調(diào)度方法方面進行改進，引入混合粒子群算法對調(diào)度算法進行優(yōu)化。1.1 建立風?光互補多周期發(fā)電數(shù)學模型由于太陽在地球上的不均勻輻射導致出現(xiàn)溫度差，氣流壓力在這種溫度差的作用下產(chǎn)生一種壓力梯度，造成了地球表面的空氣流動，從而產(chǎn)生風能[4?5]。在調(diào)度系統(tǒng)中，一般會涉及到日前調(diào)度和日內(nèi)調(diào)度，這兩種調(diào)度主要依靠的就是短期預測。這種短期預測指的是提前0.16~24h對未來風電場的發(fā)電有功功率進行預報，當預測時間越短時，預測結(jié)果越準確[6?7]?？紤]到風?光之間具有天然的時空互補特性，消納平抑風電和光伏發(fā)電的隨機波動，可以將其看作一個整體，如圖1所示。 風速變化是影響風電場輸出功率的主要因素，通過預測風速能夠得到風電場發(fā)電出力預測值。一般情況下在同一地點，海拔較低的情況下風速較低，離地面越高風速也會相應(yīng)變大。有功功率PW 隨風速v的變化可以通過分段函數(shù)來體現(xiàn)：

式中：vin表示風機的切入風速；vo表示風機的切出風速；vr表示風機的額定風速；Pr表示風機的額定輸出功率。 在光伏發(fā)電中，主要由太陽能電池板、控制器和逆變器構(gòu)成能量采集與電力輸出的總體結(jié)構(gòu)。太陽能光伏電池串并聯(lián)組合形成光伏電池陣列，是光伏發(fā)電中的核心結(jié)構(gòu)原件[8?9]。光伏陣列在放置的時候一般會根據(jù)太陽的位置擺放不同的傾斜角度，目的是獲得更多的太陽能輻射量。輻射量的計算公式為：

式中：G0表示太陽能輻射量，單位為kW/m2；Gb表示水平面上直接接收到的太陽能輻射量；kb表示傾斜面與水平面上直接接收到太陽輻射量的比值；Gd表示水平面上散射出去的太陽能輻射量；μ表示光伏陣列的傾斜角；ρ表示地表的反射率；Gh表示水平面上的總太陽輻射量，在不同地表狀態(tài)下，反射率不同。太陽能光伏電站所在的環(huán)境溫度和光照度決定了輸出功率[10?12]，在一定條件下，光伏陣列的輸出電流計算公式為：

式中:T表示環(huán)境溫度;G表示光照度;ISC表示電流;Iref表示標準參考條件下(溫度Tref為25 ℃,太陽輻射量Gref為1 kW/m2)對應(yīng)的輸出電流;?參考光照度下電流變化溫度系數(shù);TC表示太陽能光伏電池板表面溫度。同樣可以得到光伏陣列的電壓，如下： 式中：φ表示參考光照度下電壓變化的溫度系數(shù)；RS表示其中的串聯(lián)電阻阻值；Uref表示標準參考條件下對應(yīng)的輸出電壓。至此，完成風?光互補多周期發(fā)電數(shù)學模型的建立。

1.2基于混合粒子群的調(diào)度算法優(yōu)化

為了有效地解決發(fā)電調(diào)度問題，本文采用基于基因片段分解的混合粒子群算法來進行最優(yōu)值求解。算法主要使用大量的粒子，通過迭代的過程來進行尋優(yōu)。假設(shè)粒子的位置可以表示為Xi=[xi,1,xi,2,…,xi,n],將其分解為m個基因片段，如圖2所示。

圖2分解的基因片段中，每個基因片段中包含的粒子數(shù)可以根據(jù)實際情況進行確定，對于數(shù)量的要求并不嚴格，可以相同也可以不同[13?14]。在進行發(fā)電調(diào)度的過程中，可以將基因片段看作發(fā)電過程中的電流電壓變化節(jié)點，各個發(fā)電過程基因片段節(jié)點間的游歷可以看作調(diào)度問題中各個節(jié)點間的游歷，過程如圖3所示。

在基因片段節(jié)點之間的游歷是為了從所有的路徑中選擇一條種群最好的路徑。在算法運行前需要設(shè)定參數(shù)，主要包括混合粒子算法中的種群規(guī)模、迭代次數(shù)、啟發(fā)式因子以及信息素等重要參數(shù)，在完成參數(shù)設(shè)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間進行游歷時，并不需要類似優(yōu)化問題中記錄已經(jīng)游歷節(jié)點的禁忌表，同樣可以使混合粒子順利地將游歷過程度過完畢[15]。主要是因為在調(diào)度優(yōu)化問題中，各發(fā)電節(jié)點間的兩個方向都可以完成游歷過程，因此在調(diào)度優(yōu)化問題中，任意兩個發(fā)電節(jié)點之間均存在一定的連接，且弧線是雙向聯(lián)通的。綜上，可以設(shè)計出本文基于混合粒子群的調(diào)度算法的流程如圖4所示。

在算法的優(yōu)化過程中，為了兼顧算法的效率和調(diào)度的質(zhì)量，將3~5個電流電壓節(jié)點作為一個基因片段，基因片段的轉(zhuǎn)移就是狀態(tài)的轉(zhuǎn)移。為了增加粒子多樣性，加入了基因片段內(nèi)部的交叉和變異。至此，完成基于混合粒子群的風?光互補多周期發(fā)電調(diào)度系統(tǒng)的設(shè)計。

2 系統(tǒng)測試

2.1 算例參數(shù)概況

為了驗證本文設(shè)計的系統(tǒng)具有一定的有效性，需要設(shè)計具體的系統(tǒng)測試過程，完成系統(tǒng)調(diào)度性能的測試。選擇某地區(qū)的7臺火電機組，風電場、光伏電站的裝機總量分別為 350 MW，50MW，該地區(qū)1年內(nèi)月平均風力分布特性參數(shù)如表 1所示。

表中：k表示W(wǎng)eibull分布模型的形狀參數(shù),k>0,能夠反映風速分布特點;c表示W(wǎng)eibull分布模型的尺度參數(shù),c>1,能夠反映該地區(qū)的平均風速大小。k和c的計算公式如下：

式中:σ表示參考風力強度下電流變化溫度系數(shù)；Γ 表示Gamma函數(shù)。日前預測風電場和光伏電站出力情況如圖5所示。

本文所選擇的火電機組中,風力發(fā)電機的額定功率為1000W,啟動風速為3m/s,額定風速為 8m/s,經(jīng)過計算,維修費率在0.0185元(/kW·h),發(fā)電機的單價為3700元；光伏電池板額定功率為300W，轉(zhuǎn)化率約為14%，溫度?功率系數(shù)為-(0.5±0.05)%/℃，維修費率在0.007 9元(/kW·h),電池板單價為2430元。在多周期發(fā)電的系統(tǒng)中，負荷最大缺電率 LPSPmax 取0.05，系統(tǒng)最大能量浪費率SPSPmax取0.25。

2.2 仿真算例結(jié)果分析

在Matlab仿真軟件中對采用傳統(tǒng)系統(tǒng)和本文設(shè)計的系統(tǒng)算法進行仿真，設(shè)定種群規(guī)模大小為80，微粒的維數(shù)為35，最大迭代次數(shù)為500，慣性權(quán)重初始值ωstart為0.88，終止慣性權(quán)重ωend為0.37，標準學習因子取值為0.4。得到兩個系統(tǒng)的適應(yīng)度值隨著迭代次數(shù)的變化曲線，如圖6所示。

從圖中可看出，采用傳統(tǒng)系統(tǒng)的算法在迭代200次后趨于收斂，而采用本文系統(tǒng)的算法在迭代300次后趨于收斂，避免了過早地陷入局部極值中。根據(jù)目標函數(shù)和約束條件以及各項參數(shù)進行求解，得到的調(diào)度結(jié)果如表2所示。

從表2可以看出，經(jīng)過本文系統(tǒng)調(diào)度后，比傳統(tǒng)系統(tǒng)的調(diào)度結(jié)果的容量配置投入成本降低了7.9%，在滿足缺電率要求的情況下，傳統(tǒng)系統(tǒng)的調(diào)度結(jié)果維修成本也較高，能量浪費率為28.74%，而本文系統(tǒng)的能量浪費率為21.56%。綜上所述，本文設(shè)計的基于混合粒子群的風?光互補多周期發(fā)電調(diào)度系統(tǒng)的調(diào)度尋優(yōu)能力更強，在對容量進行配置的過程中更加合理，能夠充分利用風?光的互補性，減少能源浪費。

3 結(jié) 語

本文對風?光互補多周期發(fā)電設(shè)備的數(shù)學模型以及調(diào)度系統(tǒng)進行了深入的研究，以傳統(tǒng)調(diào)度系統(tǒng)中所存在的問題為切入點，對系統(tǒng)的軟件部分進行了詳細的設(shè)計。通過混合粒子群算法優(yōu)化調(diào)度決策變量值，經(jīng)仿真分析驗證本文系統(tǒng)設(shè)計對于調(diào)度方案的優(yōu)化、減少投入成本和維修成本具有重要的意義。但是本文還存在很多不足之處，如在調(diào)度求解過程中目前還是僅限于直接求解，當預想場景的分支比較多時，未考慮電網(wǎng)的安全約束，在后續(xù)的研究中需要逐步完善。

審核編輯 ：李倩