簡婷

安科瑞電氣股份有限公司 上海嘉定 201801

摘要：文章提出了一種基于遺傳算法的電源規(guī)劃模型，旨在提高電網(wǎng)對風(fēng)電的消納能力并保持系統(tǒng)穩(wěn)定。通過構(gòu)建不同的規(guī)劃方案，分析了儲能電站的引入對電力系統(tǒng)的影響，包括提升風(fēng)電消納能力、電網(wǎng)穩(wěn)定性和經(jīng)濟(jì)效益。即使儲能設(shè)施初期投資較高，但長期看可以有效降低運(yùn)行成本，提高電網(wǎng)的可靠性。此外，文章還探討了允許風(fēng)電輸出波動對規(guī)劃結(jié)果的積極影響，提供了一種在確保電力系統(tǒng)可靠性的同時降低投資成本的策略。

關(guān)鍵詞：風(fēng)電消納；電源規(guī)劃；儲能電站

0引言

  隨著全球氣候變化和能源危機(jī)的日益嚴(yán)峻，可再生能源的開發(fā)和利用成為世界各國的共同選擇，其中風(fēng)能作為清潔能源的代表，其開發(fā)利用受到了廣泛關(guān)注。然而，風(fēng)能的間歇性和不穩(wěn)定性給電網(wǎng)的穩(wěn)定運(yùn)行和風(fēng)電的大規(guī)模消納帶來了挑戰(zhàn)。

1儲能電站提高風(fēng)電消納能力工作機(jī)理

  基于儲能電站提高風(fēng)電消納能力的電源規(guī)劃研究，關(guān)注的是如何通過儲能系統(tǒng)提高風(fēng)電的利用效率和穩(wěn)定性。風(fēng)能作為一種可再生能源，雖然環(huán)保，但存在一定的不穩(wěn)定性，特別是風(fēng)速的變化導(dǎo)致發(fā)電量波動。為了解決這一問題，儲能電站的作用顯得尤為重要。儲能電站通過存儲風(fēng)能在風(fēng)速較高時多出的電力，解決了風(fēng)電供應(yīng)不穩(wěn)定的問題。當(dāng)風(fēng)速減弱，風(fēng)力發(fā)電量減少時，儲能電站可以釋放之前儲存的電力，保證電網(wǎng)的穩(wěn)定供電。

2模型求解的流程

  圖1展示的是一個基于遺傳算法的電源規(guī)劃模型求解流程，遺傳算法是一種啟發(fā)式搜索算法，用于解決優(yōu)化和搜索問題。該流程圖詳細(xì)描述了電源規(guī)劃模型的各個步驟，從初始化種群到解決方案輸出。

  流程從“開始”標(biāo)記出發(fā)，首行的是“種群初始化”。在這個階段，創(chuàng)建了一個種群，包含多個個體，每個個體代表電源規(guī)劃問題的一個潛在解決方案。種群的每個個體都有一個與之相關(guān)的適應(yīng)度值，該值指示該個體解決問題的能力。接下來，流程進(jìn)入“計算個體適應(yīng)度”的步驟，基于現(xiàn)有的系統(tǒng)數(shù)據(jù)和參數(shù)約束，計算每個個體的適應(yīng)度值。適應(yīng)度值越高的個體，被認(rèn)為是更好的解決方案。之后，流程圖指向一個判定環(huán)節(jié)：“滿足條件”，這個環(huán)節(jié)檢查當(dāng)前種群是否已經(jīng)達(dá)到了既定的停止條件，這些條件可能是解決方案的精度滿足預(yù)定的要求，或者算法已經(jīng)達(dá)到了預(yù)設(shè)的迭代次數(shù)。

  在“選擇”階段，根據(jù)個體的適應(yīng)度進(jìn)行選擇，適應(yīng)度較高的個體有更高的機(jī)會被選中參與下一代的生成，這個過程模仿了自然選擇，即適者生存的原則。“交叉”是指選定的個體通過某種方式交換它們的一部分基因，生成新的個體，這個過程對應(yīng)于生物學(xué)中的繁殖和遺傳，有助于產(chǎn)生新的解決方案。

2.1解碼與編碼

  在應(yīng)用遺傳算法進(jìn)行電源規(guī)劃問題求解時，染色體編碼的設(shè)計至關(guān)重要。染色體編碼是算法能否成功應(yīng)用于電源規(guī)劃的決定性因素。一個有效的編碼滿足3個基本原則：完備性、健全性和小冗余性。完備性確保編碼可以覆蓋所有可能的解決方案，健全性保證每個編碼都能夠?qū)?yīng)一個有效的解決方案，而小冗余性則意味著編碼系統(tǒng)盡可能簡潔，以降低無效解的出現(xiàn)。

2.2適應(yīng)度函數(shù)的選擇

  在遺傳算法中，適應(yīng)度函數(shù)是決定個體存續(xù)的關(guān)鍵，它衡量了個體在特定環(huán)境中的生存能力。高適應(yīng)度的個體有大的概率傳遞其基因到下一代，而適應(yīng)度低的個體則可能被淘汰。為了有效地引導(dǎo)算法搜索過程，并確保解決方案的質(zhì)量，本文采用了一種懲罰策略來增強(qiáng)個體的適應(yīng)度。這種策略通過對目標(biāo)函數(shù)添加懲罰項來調(diào)整適應(yīng)值函數(shù)，使其能夠反映約束條件的滿足程度。在構(gòu)建小化國民經(jīng)濟(jì)投入的目標(biāo)函數(shù)時，電力和電量的約束被作為懲罰項考慮在內(nèi)。這樣做的目的是確保在追求成本效益的同時，也要滿足電網(wǎng)的基本運(yùn)行要求。類似地，當(dāng)目標(biāo)是大化風(fēng)電消納能力時，電壓和頻率約束則成為懲罰項。此時的目標(biāo)函數(shù)為：

  這意味著解決方案不僅要追求風(fēng)電的利用，而且要保證電網(wǎng)的穩(wěn)定性和可靠性。目標(biāo)函數(shù)的設(shè)計反映了這種平衡的追求。在適應(yīng)度函數(shù)中，電網(wǎng)的穩(wěn)定運(yùn)行參數(shù)被賦予了權(quán)重，這樣可以在種群進(jìn)化的過程中自然淘汰那些可能導(dǎo)致電網(wǎng)不穩(wěn)定的解決方案。

2.3遺傳參數(shù)的選擇

  經(jīng)過多輪的試驗和調(diào)整，確定了適合本文遺傳算法模型的關(guān)鍵參數(shù)。設(shè)定了一個由150個個體組成的種群，以確保有足夠的多樣性來探索解空間。選擇率設(shè)置為0.65，以平衡精英主義和多樣性的保持。此外，采用了0.78的較高交叉率來鼓勵信息在個體間的廣泛交換，而變異率則定為0.05，以引入新的基因變異但又不至于破壞已經(jīng)適應(yīng)的結(jié)構(gòu)。使用0.68作為隨機(jī)數(shù)種子，以保持實驗的一致性和可重復(fù)性。這些參數(shù)的設(shè)置旨在優(yōu)化算法的搜索能力，同時保持算法的魯棒性和避免過早收斂到局部優(yōu)解。

3算例仿真

3.1規(guī)劃內(nèi)容

  采用了一個虛擬的電網(wǎng)環(huán)境，對特定地區(qū)的電力系統(tǒng)進(jìn)行了未來7年內(nèi)的規(guī)劃，其中涉及12個預(yù)期建立的電源。電力總負(fù)荷及總用電量逐年增長情況如表1所示。特別地，編號為9～12的電源是規(guī)劃中的儲能電站，它們的容量取決于當(dāng)?shù)氐娘L(fēng)能資源利用情況，因此無法在規(guī)劃開始前準(zhǔn)確設(shè)定。儲能電站的容量將依據(jù)規(guī)劃過程中的具體情況動態(tài)確定，每個電站由若干儲能單元組成，具體的技術(shù)參數(shù)如表2所示。這種規(guī)劃方法允許在考慮風(fēng)能資源的同時，靈活調(diào)整儲能電站的規(guī)模，以適應(yīng)實際需求。

3.2不同規(guī)劃方案的結(jié)果及對規(guī)劃結(jié)果的分析

  本文提出的算法與模型應(yīng)用于對一個區(qū)域的電力系統(tǒng)實施了為期7年的電源規(guī)劃，產(chǎn)生了3種不同的規(guī)劃方案。在方案1中，直接采用了本文描述的算法和模型。方案2則在模型的基礎(chǔ)上做了調(diào)整，允許風(fēng)電場的輸出功率有一定幅度的波動。方案3排除了儲能電站的參與，除此之外，與方案1保持一致。這些方案的比較分析旨在評估儲能電站的影響以，及風(fēng)電輸出波動對區(qū)域電力系統(tǒng)規(guī)劃的影響。優(yōu)化方案結(jié)果如表3所示。

  根據(jù)表3的數(shù)據(jù)，可以觀察到以下現(xiàn)象：①不同的投資選擇導(dǎo)致各電廠啟用的順序有所變化。這主要是由于選址的地理位置、當(dāng)?shù)丨h(huán)境條件及電廠類型的不同考量，進(jìn)而影響了投資總額。②通過比較不同的投資模型，可以看出總投資成本和電網(wǎng)對風(fēng)電的吸納能力呈現(xiàn)顯著差異。在方案1和方案3的對比中，方案1由于納入了儲能電站，多出的投資為109.6億元，但其風(fēng)電消納能力顯著優(yōu)于方案3。這表明儲能電站的引入顯著提升了電網(wǎng)的風(fēng)電消納效率，并降低了庫存與缺貨成本，增強(qiáng)了市場競爭力。然而，儲能設(shè)備的高成本也使得經(jīng)濟(jì)投入相應(yīng)增加。③在方案2和方案1的對比中，盡管風(fēng)電消納能力相近，國民經(jīng)濟(jì)總投入?yún)s降低了31.4億元。這是因為方案2在不犧牲電力系統(tǒng)可靠性的前提下，允許風(fēng)電場輸出功率有更大的波動，減少了所需儲能電站的容量。由于儲能系統(tǒng)成本隨容量增加而上升，因此總投入相應(yīng)減少。綜合分析可知，本文模型有效展現(xiàn)了儲能電站在增強(qiáng)風(fēng)電消納能力上的優(yōu)勢。同時，也實現(xiàn)了在風(fēng)電波動范圍內(nèi)的可靠性和經(jīng)濟(jì)性之間的平衡，符合當(dāng)前國際對環(huán)境保護(hù)、可持續(xù)發(fā)展、電能可靠性及市場競爭力新形勢的需求。

4安科瑞Acrel-2000MG微電網(wǎng)能量管理系統(tǒng)

4.1概述

  Acrel-2000MG儲能能量管理系統(tǒng)是安科瑞專門針對工商業(yè)儲能電站研制的本地化能量管理系統(tǒng)，可實現(xiàn)了儲能電站的數(shù)據(jù)采集、數(shù)據(jù)處理、數(shù)據(jù)存儲、數(shù)據(jù)查詢與分析、可視化監(jiān)控、報警管理、統(tǒng)計報表、策略管理、歷史曲線等功能。其中策略管理，支持多種控制策略選擇，包含計劃曲線、削峰填谷、需量控制、防逆流等。該系統(tǒng)不僅可以實現(xiàn)下級各儲能單元的統(tǒng)一監(jiān)控和管理，還可以實現(xiàn)與上級調(diào)度系統(tǒng)和云平臺的數(shù)據(jù)通訊與交互，既能接受上級調(diào)度指令，又可以滿足遠(yuǎn)程監(jiān)控與運(yùn)維，確保儲能系統(tǒng)安全、穩(wěn)定、可靠、經(jīng)濟(jì)運(yùn)行。

4.2應(yīng)用場景

  適用于工商業(yè)儲能電站、新能源配儲電站。

4.3系統(tǒng)結(jié)構(gòu)

4.4系統(tǒng)功能

4.4.1實時監(jiān)管

  對微電網(wǎng)的運(yùn)行進(jìn)行實時監(jiān)管，包含市電、光伏、風(fēng)電、儲能、充電樁及用電負(fù)荷，同時也包括收益數(shù)據(jù)、天氣狀況、節(jié)能減排等信息。

4.4.2優(yōu)化控制

通過分析歷史用電數(shù)據(jù)、天氣條件對負(fù)荷進(jìn)行功率預(yù)測，并結(jié)合分布式電源出力與儲能狀態(tài)，實現(xiàn)經(jīng)濟(jì)優(yōu)化調(diào)度，以降低尖峰或者高峰時刻的用電量，降低企業(yè)綜合用電成本。

4.4.3收益分析

用戶可以查看光伏、儲能、充電樁三部分的每天電量和收益數(shù)據(jù)，同時可以切換年報查看每個月的電量和收益。

4.4.4能源分析

通過分析光伏、風(fēng)電、儲能設(shè)備的發(fā)電效率、轉(zhuǎn)化效率，用于評估設(shè)備性能與狀態(tài)。

4.4.5策略配置

微電網(wǎng)配置主要對微電網(wǎng)系統(tǒng)組成、基礎(chǔ)參數(shù)、運(yùn)行策略及統(tǒng)計值進(jìn)行設(shè)置。其中策略包含計劃曲線、削峰填谷、需量控制、新能源消納、逆功率控制等。

5硬件及其配套產(chǎn)品

6結(jié)語

  本文通過采用遺傳算法對電力系統(tǒng)的電源規(guī)劃進(jìn)行了深入分析。結(jié)果表明，儲能電站的引入顯著提升了風(fēng)電的消納能力，并增強(qiáng)了電網(wǎng)的穩(wěn)定性，為風(fēng)電大規(guī)模應(yīng)用和儲能技術(shù)的集成提供了實用的規(guī)劃策略，對促進(jìn)可持續(xù)能源發(fā)展和電力系統(tǒng)的經(jīng)濟(jì)運(yùn)行具有重要意義。

參考文獻(xiàn)：

[1]林晨，于興達(dá).基于儲能電站提高風(fēng)電消納能力的電源規(guī)劃研究。

[2]張也可，羅志坤，曾林俊，等.考慮風(fēng)光出力相關(guān)性與共享儲能的綜合能源微網(wǎng)雙層優(yōu)化[J].電力科學(xué)與工程，2023，39（10）:26-38.

[3]陳俊.電化學(xué)儲能電站質(zhì)量安全研究[J].電工電氣，2023（9）:74-76.

[4]郝文波，景菲，顏慶宇，等.數(shù)據(jù)驅(qū)動下基于風(fēng)電場景的多時間尺度調(diào)峰調(diào)度研究[J].電力系統(tǒng)保護(hù)與控制，2023，51（16）:115-126.

[5]安科瑞企業(yè)微電網(wǎng)設(shè)計與應(yīng)用手冊.2022年05版

[6]安科瑞Acrel2000ES儲能能量管理系統(tǒng)選型手冊.2024年04版

[7]安科瑞光儲充微電網(wǎng)系統(tǒng)解決方案.2024年04