基于改進蝴蝶算法的變電站分布式電源容量優化配置

楊 陽,孫 杰,王 慧,盧小鐘,孫國平

(蘇州電力設計研究院有限公司,江蘇 蘇州 215000)

0 引言

當前,中國已經全面確立了2030年前碳達峰、2060年前碳中和的“雙碳”目標。其中,能源行業是實現綠色發展的出發點,電力行業是實現低碳減排戰略的著力點[1-2]。作為碳達峰、碳中和的重要實現途徑,新型電力系統建設上升為國家戰略[3]。新型電力系統的構建深刻改變了傳統電力系統的電源結構、電網形態、業務模式和技術基礎[4-5],以風光為代表的新能源發電占比逐步提升,海量風、光、儲等小型分布式設備接入電網。變電站作為電力系統的核心樞紐,在電力輸配和供應方面發揮著至關重要的作用[6]。以變電站為主體,接入風、光、儲等小型分布式新能源是構建新型電力系統的良好選擇。

分布式能源方式相較于集中式能源方式,具有以下3點優勢：①分布式能源可以靈活地進行能源的優化配置,以滿足用戶的多類型能源需求,同時能夠利用余熱來制熱、制冷,實現能源的梯級利用,提高能源的利用率;②分布式能源更加靠近用戶負荷中心,降低了網絡輸配損耗,其相較于集中式,分布式能源系統能夠減少大型電網和大型管網的建設,節約了大量的集中供應成本,實現良好的經濟效益;③無需遠距離傳輸環節,系統可靠性和安全性得到了提升[7-8]。變電站是電力系統的關鍵節點,承擔著電能的分配、優化控制及測量監測的作用,是分布式電源接入的有利落點?？紤]變電站分布廣泛及靠近用戶負荷中心的特點,將分布式電源接入與變電站相結合,且經濟投建分布式電源也是新型電力系統建設的主要內容之一[9]。

本文針對新型電力系統環境下,變電站中分布式電源容量的優化配置問題,以蘇州市為例,首先分析了該市變電站的建設情況及分布式新能源發電的可行性,其次采用改進蝴蝶算法對變電站中分布式電源的容量優化配置進行分析。

1 變電站分布式電源配置分析

1.1 變電站建設情況

蘇州市總面積約8000 km2,建成區域面積約500 km2,人口近1200萬人,蘇州市2020年平均用電量近1500億kWh,平均用電負荷密度50～60 MW/km2。由此可知,蘇州市是一個高人口密度、高用電負荷密度、高用電量的城市,對電網的供電可靠性要求高。因此,為了保證城市生活的供電可靠性,蘇州市電網形成了以特高壓交直流混聯接入作為支撐、500 kV為骨干網架、220 kV電網分區互濟運行、110 kV及以下智能配電網協調發展的網架結構。

截至2020年,該市已投運500 kV變電站11座,變電站站級容量3000～5000 MVA。220 kV電網等級分為10個供電分區,已投運變電站100座左右,變電容量約45 000 MVA。110 kV變電站已投運近350座,建設變電容量約35 000 MVA。35 kV變電站已投運近80座,建設變電容量近25 000 MVA。

在蘇州市4個電壓等級的變電站中,110 kV變電站的建設數量最多。同時,由于城市高人口密度、高用電負荷密度的特點,變電站的供電半徑相應較小,為了滿足居民生產生活的需求,電網建設將廣泛分布于蘇州市各個地區,分散程度廣。同時,從投建安全性的角度考慮,110 kV變電站需距離用戶15 m左右,220 kV變電站需距離用戶30 m左右,500 kV變電站需距離用戶50 m左右。因此,110 kV變電站要距離用戶負荷中心更近,能夠根據用戶不同的能源類型需求及時提供相應的服務。并且,按照通用設計規則,110 kV變電站占地約1000 m2,相較于35 kV變電站面積增大60%左右,建設容量提高1.5倍,能夠更多地搭配不同類型的新能源,更好地為用戶提供高質量的服務。因此,本文以110 kV變電站為落點實現分布式電源接入。

1.2 新能源發電可行性分析

目前,分布式新能源主要考慮風電、光伏。其中,影響風電出力的主要因素是風速,要保證風速大于風機的切入風速,小于切出風速;影響光伏出力的主要因素為太陽輻射強度。

1.2.1 風力發電可行性分析

經過調研發現,蘇州市位于北亞熱帶季風海洋性氣候區,溫暖潮濕多雨,季風明顯,冬夏季長,春秋季短。據資料分析,該市全年最多風向是東南風,最少風向是西北風。調研該市近3個月風力相關數據發現,3～4級風力占據3個月總天數的87%,1～2級風力占13%。分析該地風速與風功率密度數據可知,該地風速年平均值為6.0 m/s,風能年有效小時數為6300 h,年平均風功率密度為250 W/m2。以美國Bergey Windpower公司的Bergey Excel型風機為例[10],考慮該市本地風力相關資源數據,該市具備風能開發的潛力。

經濟效益方面,目前風電機組投建成本為0.58元/kWh,項目投建周期一般為25年。期間風電機組每千瓦時產生的運維成本為投建成本的5%。由此可見,風電機組總的建設成本已經可以和燃煤電廠競爭,并且其相較于燃煤電廠在后期更具備一定的收益價值。因此,從經濟建設上分析,該市發展風力發電是可行的。

從政策上分析,國家能源局發布的《關于報送“十四五電力源網荷儲一體化和多能互補工作方案的通知”》中鼓勵“風光儲”一體化發展,擴展新能源電力打捆規模。當地發布《能源發展“十四五”規劃》,要求加強太陽能、風能的利用,促進可再生能源的發展。由此從政策上進行分析,該市發展風力發電是可行的。

1.2.2 太陽能發電可行性分析

分析該地全年太陽能資源數據可知,該地太陽能資源年總輻射量為4805.13 MJ/m2,日均太陽能輻射量為15.48 MJ/m2。依據資料顯示,該地夏季每日太陽輻射量最大,為18.84 MJ/m2;冬季太陽輻射量最小,為8.25 MJ/m2。從太陽能的資源分布上來考慮,該市具備太陽能開發的潛力。

同時,由于該地屬于全國太陽能資源劃分區域中的第三類資源區,該地光伏機組的收入為0.88元/kWh。對于正常情況下,光伏機組的收入一般高于當地的燃煤機組收入,當自發自用的比例越高,其所獲得的收益也就越高。因此,從經濟上分析,該市光伏發電是可行的。

從政策可行性上分析,國家發改委發布的[2013]24號《國務院關于促進光伏產業健康發展的若干意見》和當地發布的《關于加快推進全市光伏發電開發利用的工作意見(試行)》文件都強烈推進光伏產業發展,以促進綠色低碳化發展。因此,對于太陽能發電從政策上分析是可行的。

1.3 儲能配置必要性

隨著新能源的高比例接入,對電網的調峰能力提出了更高要求。由于在電力系統中,發電、供電實時完成,電網運行必須滿足電力平衡約束,保持發、供電實時平衡,而新能源發電具有隨機性、波動性的特點,將導致發電波動大幅增加,增加了維持電力平衡的難度。同時,新能源高比例接入后,增大了電力外送需求,對網架輸送能力提出了更高要求,可能會導致電網電壓穩定性降低、線路傳輸功率超出熱穩極限、系統轉動慣量下降等問題,增加了電網安全運行風險。因此,需要通過配置儲能來提高電網的調峰能力,加強電網的安全性。

其次,由于電網消納能力不足等原因,也會帶來棄風、棄光現象,配置儲能能夠提高新能源的消納能力,實現新能源的就地消納。同時,通過低谷充電、高峰放電,儲能能夠實現削峰填谷的作用,提升能源的利用率,防止新能源過剩。

最后,對于變電站,配置儲能可以提高用戶的供電可靠性,減少用戶容量電費,并進行峰谷套利。同時,變電站還可以搭配電動汽車充電站,開展電動汽車充電、租賃服務,擴大充電服務市場,提高用戶黏性,保證變電站的合理收益

基于上述分析,給新能源配置儲能是必要的。

2 分布式電源優化配置模型

通過前文分析,該市具備發展風電、光伏的潛在資源及發展可行性。因此,本文以風電、光伏、儲能為基礎研究分布式電源容量的優化配置問題。

2.1 分布式電源模型

2.1.1 風電機組設備模型

風電機組的輸出[11]可由式(1)表示：

(1)

式中：v1為設備的切入風速;v3為設備的切出風速;v2為設備的額定風速;Pe為風力發電機額定功率。當風速位于切入風速與切出風速之間時,其輸出功率一般可以近似表示為線性函數關系：

η(v)=Pe(v-v1)/(v2-v1)

(2)

2.1.2 光伏設備模型

光伏設備的輸出[12]為

(3)

式中：PPV為光伏設備的輸出功率;GSTC為標準工況下的太陽輻射強度,一般取值為1 kW/m2;TSTC為標準工況下的溫度,一般取值為25 ℃[13];Gc為實際的太陽輻射強度;k為功率溫度系數;PSTC為設備的額定功率;Tc為設備的工作溫度[14]。

由式(4)可得Tc：

Tc=Ta+αGc

(4)

式中：Ta為環境溫度;α為比例系數。

由式(5)可得α：

α=f(v)=c1+c2ec3v

(5)

式中：c1、c2、c3為常系數。

2.1.3 儲能設備模型

本文采用蓄電池組作為儲能設備,其實際可用容量函數為

Ebat=ESTC[1+δB(Tbat-Tbat STC)]

(6)

式中：Ebat為蓄電池實際可用容量;ESTC為標準狀況下蓄電池的額定容量;Tbat為工作點蓄電池溫度,即為環境溫度Ta;標準狀況下溫度Tbat STC為25 ℃;δB為容量溫度系數,通常情況下為0.6%。

2.2 目標函數

本文通過研究分布式電源規劃容量,以求分布式電源接入更加經濟。因此,本文的目標函數為總成本,主要分為建設投資費用、運行維護費用、置換費用、購電費用4部分?？偝杀灸Ｐ兔枋鋈缦拢?/p>

(7)

式中：N為電源的類型數目;CCPi為第i種電源的投資費用;COMi為第i種電源的運維費用;COLi為第i種電源的置換費用;CBUY為總體向電網購電費用。

2.2.1 設備建設投資費用

本文中,設備建設投資費用的計算如式(8)所示：

CCP=UPr(1+r)L/((1+r)L-1)

(8)

式中：U為單位容量電源投資成本;P為電源投建容量;r為資金貼現率;L為電源建設壽命。

2.2.2 運行維護費用

分布式電源的運維費用正比于容量。

COM=MP

(9)

式中：M為電源單位容量的運維費用。

2.2.3 置換費用

計算分布式電源的置換費用時需要考慮其設備殘值,其置換費用計算為

COM=DP·f·SFF(r,L′)-CWS·SFF(r,L)

(10)

SFF(r,L)=r/((1+r)L-1)

(11)

(12)

(13)

(14)

式中：D為電源單位容量折舊成本;f為折算系數;CRF(r,L)為資金回收系數;INT為取整函數;LWR為項目周期內風機壽命與置換次數乘積;L′為電源使用壽命;CWS為項目周期結束時電源設備殘值;SFF為償債基金因子。

2.2.4 購電費用

當分布式電源的出力不能滿足負荷需求時,需要大電網出力以彌補缺額,視為分布式電源總體向大電網購買此部分電量。因此,該部分費用表示為

CBUY=λ∑E(t)

(15)

式中：λ為購電單價,取0.4元/kWh;E(t)為t時刻向大電網購買電量。

2.3 約束條件

a. 出力約束

電源的出力約束為

P≤Pmax

(16)

b.蓄電池充放電約束

為保證蓄電池的安全運行,保證電池的使用壽命,電池的荷電狀態[15](state of charge, SOC)要在規定范圍內。同時,電池的充放電需要滿足每小時的充放電容量不能超過其容量的20%[16],約束如下：

SOC_min≤SOC≤SOC_max

(17)

|PB(t)-PB(t-1)|≤0.2PB/Δt

(18)

式中：SOC_min、SOC_max為電池荷電狀態的最小值和最大值;PB為電池容量;Δt為單位時間,取1 h。

c.功率平衡約束

為保證負荷供電可靠性,風機、光伏、儲能三者無法提供負荷供電時,所缺部分需要由電網提供,因此負荷需要保證實時平衡。同時,考慮到系統中負荷可能會逐年增加,因此配置必須能保證為每年逐漸增加的負荷供電。因此,按規劃20年來考慮,假定每年負荷增長率5%,到規劃年末時期負荷將達到最大,則功率平衡為

PWT(t)+PPV(t)+PB_char(t)+Pp(t)=

1.0520·Pload(t)+PB_disc(t)

(19)

式中：PWT為風機設備的輸出功率;PB_char、PB_disc分別為蓄電池放、充電功率;Pload為負荷功率;Pp為電網提供的功率。

d.占地面積約束

實際安裝時,土地資源有限,設備安裝將受此影響,因此還有占地面積的約束。風機布置時,一般要求在盛行風向上機組間隔6～10倍的風輪直徑,在垂直于盛行風向上機組間隔3～5倍風輪直徑[17]。假定盛行風向上間距取6倍風輪直徑,垂直盛行風向上間距取4倍風輪直徑。因此,在占地面積為S,長為L,寬為W的區域內,該約束表示為

(20)

式中：NWT為該區域內所能允許的風機安裝數量;[x]為取整函數,表示不超過x的最大整數;d為風機的風輪直徑。

同理,光伏、儲能則為

(21)

(22)

式中：SPV、SB分別為光伏組件和儲能設備單件的占地面積;α為光伏設備遮陰系數;NPV、NB分別為區域內所能允許的光伏、儲能安裝數量。

3 改進蝴蝶算法

3.1 蝴蝶算法

蝴蝶優化算法(butterfly optimization algorithm, BOA)是由Arora等人受蝴蝶覓食和求偶行為提出的一種新的全局優化算法[18],其分為全局搜索和局部開采2個階段,全局搜索階段為每當蝴蝶在搜索空間中感受到來自最優蝴蝶的香味時,會朝著最優蝴蝶移動;當蝴蝶無法感受到任何蝴蝶時,將無規律游走,即局部開采階段。

BOA算法中蝴蝶產生香味的數學公式為

f=cIa

(23)

式中：f為香味感知強度;c為蝴蝶感官因子,一般取0.01;I為刺激強度;a為基于模態的冪指數,一般取[0,1]。

算法隨機初始化后,通過計算在各自位置產生的香味,然后開始進行全局搜索或局部開采。全局搜索的位置更新如下：

(24)

在算法運行過程中,蝴蝶的全局搜索和局部開采以一定概率隨機發生,因此需要設定1個開關頻率P為0.8對2種模式進行轉換,同時在每1次迭代過程中,需要產生一個[0,1]的隨機數與開關頻率進行比較,以選擇全局搜索還是局部開采。局部開采更新公式為

(25)

式中：xj、xk為從解空間中隨機選取的第j只和第k只蝴蝶。

3.2 改進蝴蝶算法

針對BOA中存在易陷入局部最優值的缺陷,提出一種基于混沌映射和柯西變異的改進BOA算法。首先基于Tent混沌映射對種群進行初始化,使得種群在前期盡可能均勻分布在解空間內,然后引入自適應權重系數對全局搜索和局部開采位置更新公式進行改進,提高尋優精度,最后針對全局最優解采用柯西變異算子對其產生更大的擾動,以便于其跳出局部最優值。

(26)

式中：k為種群數;i為當前迭代次數;u為[0,1]的隨機數。

(27)

b.柯西變異算法具備較大的變異步長,使用柯西變異算子對當前迭代中的最優解進行柯西變異,不僅可以提高種群的多樣性,還能使種群更加廣泛地分布于搜索空間中,從而到達跳出局部最優值目標。改進如下：

xnewbest=xbest+xbest·cauchy(0,1)

(28)

式中：xnewbest為經由柯西變異后獲得的新的最優解;xbest為當前全局最優解;cauchy(0,1)為標準柯西分布函數。

c.本文在算法的群居搜索和局部開采階段共同引入自適應權重系數來更新搜索公式,該系數能夠隨迭代次數而變化,同時利用3種個體的位置信息,控制當前蝴蝶個體的移動方向和距離,從而提高算法尋優精度。自適應權重系數表達式如下：

(29)

式中：tmax為最大迭代次數。

基于自適應權重系數,改進后全局搜索和局部開采位置更新公式為

(30)

綜上所述,改進后的BOA算法流程見圖1。

圖1 改進后BOA算法流程

4 案例分析

4.1 算例概況

本文為求解新型電力系統分布式電源容量的優化配置問題,使用改進BOA算法對風機、光伏、儲能3種常用分布式電源的容量進行多目標優化,將3種電源的容量作為變量構建蝴蝶個體,以最小化成本函數作為適應度函數進行尋優,以風機、光伏、儲能的模型計算所需的風速、太陽輻射強度、溫度、負荷功率數據作為輸入,獲得分布式電源的最優配置。因為成本的計算最少需要考慮1年的成本才更有意義,因此搜集1年中某變電站周邊逐小時的風速、太陽輻射強度、溫度、負荷功率數據作為輸入,如圖2所示。

(a)風速

在目標函數計算中,成本計算的主要參數設置如表1所示。在風機模型中,vci為2.5 m/s,vr為12 m/s,vco為18 m/s。在光伏模型中,功率溫度系數k為-0.0038。在成本函數計算中,資金貼現率r為0.12。在改進BOA算法中,種群數量設定為30,轉換概率為0.8,最大迭代次數500次。容量的上限值為10倍的最大負荷功率,要求總的最優容量不超過此限值。

表1 成本計算相關參數

4.2 結果分析

本文采用改進BOA算法對新型電力系統環境下變電站中常見分布式電源的容量進行尋優,所得最優容量結果及對應收益如表2所示。

表2 改進BOA算法結果

由表2可知,在最優容量構成中,光伏的最優容量在整體總的最優容量中占比最大,風機在總體容量中占比最小。在成本構成中,占比最大的是光伏,最少的是風機,這是因為光伏建設投資和運維的單價最高,從而提高了所帶來的成本。因此,在新型電力系統分布式電源配置過程中,在滿足條件的前提下,可以考慮增大風機的容量配置,減小光伏的容量配置,從而減小所帶來的成本。

4.3 改進的BOA算法分析

為證明本文所提改進BOA算法的有效性,利用改進BOA算法和未改進BOA算法分別進行仿真,未改進BOA算法參數設置為種群數量30,轉換概率為0.8,最大迭代次數為500次,結果如圖3所示。

圖3 改進BOA算法與未改進BOA算法對比

由圖3可知,改進后的BOA算法收斂速度較快且沒有出現局部收斂情況,收斂后未出現較大偏差,證明了改進BOA算法有效,相較于未改進BOA算法有顯著提升。

5 結語

本文針對我國新型電力系統環境下變電站中分布式電源容量的優化配置問題,首先建立了相關的分布式電源容量優化配置模型,其次提出改進BOA算法并將其應用于優化配置模型中,最后以某地變電站周邊以及自身建設相應數據進行試驗仿真分析,得到了最優容量配置方案。采用BOA算法求解多目標優化問題,并在算法基礎上進行3部分改進創新。相較于傳統算法,改進BOA算法更能跳出局部最優值陷阱,尋優更加精確。