风电高渗透率电网优化GA-PSO 调度及算例分析

张建功， 马阳阳

（国网河北省电力有限公司沧州供电分公司， 河北 沧州 050051）

0 引言

考虑到我国化石能源的储量不断降低，我国制定了新能源发展规划，预期到2050 年我国发电总量中的新能源比例达到30%以上[1-2]。风能在我国属于一类具备广泛来源的资源，因此风力发电也在我国获得了广泛开发，对新能源行业发展发挥了积极促进作用。风电出力存在较大的随机性，并且各时间段发电量也会出现大幅波动，在相同功率状态下预测风电功率的难度比负荷预测的难度更高[3-5]。针对电力系统开展调度时，需引入更高鲁棒性的算法实现电能稳定调控[6]。

考虑到在高渗透率下会产生很大的风电出力预测误差，并不能精确消除风电电量变化的影响，这对系统运行过程造成了较大波动性[7-8]。当前主要采用三种方法来消除风电运行不确定性因素的作用，包括比例备用容量调节、随机优化与鲁棒控制等[9-10]备用容量法是通过增加备用容量的形式来避免引起风电波动的情况，操作过程较为简单，但并不能同时实现低成本运行和达到备用容量的控制要求。

风电高渗透率电网容易在运行期间产生无法消纳的极端情况，因此采用设计机组组合的模式有助于消除非必要风切负荷，促使模型获得更高计算效率[11]。本文在前人研究的基础上，通过遗传算法（GA）优化PSO 的方式设计了一种风电高渗透率电网优化GA-PSO 调度方法。

1 优化GA-PSO 调度模式

在机组出现电力负荷波动或进行风电出力场景切换时，系统只需合理分配机组负荷便能够高效跟踪系统波动功率，以此保证系统在各个场景状态下稳定过渡[12]。

在风电功率点预测方面并不会实现很高的精度，选择传统方法开展调度时，如果出现风电功率的大幅波动，则系统将保持极端运行状态，导致风险成本明显提高，导致系统经济成本的显著提高。

将内层模块包含风电电网机组的形式转变为对混合整数规划进行计算的过程，接着再以MATLAB2016 软件实现的CPLEX 算法开展求解计算。通过启发算法消减外层模块得到不确定集并将数据传输到内层模块，采用遗传粒子群算法开展求解分析[13]。此算法是通过PSO 算法与交叉变异相融合的形式来实现，可以实现PSO 快速收敛的效果，并且还可以避免粒子产生局部最优的情况，从而计算获得更可靠的不确定集。

优化GA-PSO 算法流程见图1 所示。确定粒子初始速率与位置，并把3 个粒子初始位置存储于局部最优位置。根据适应度函数计算结果来判断粒子优劣性，按照粒子适应值对局部与全局最优位置进行分析。对各粒子速度及其位置进行更新。如果未到达规定的迭代次数，则继续实施算法循环；反之，循环结束，得到最优的输出粒子。

图1 优化GA-PSO 算法流程

2 算法分析

为深入探讨优化GA-PSO 算法的处理性能，本研究从某省选择一年中的电网参数进行测试，电网系统中共存在136 台发电机，容量为51 350 MW，其中包含了45 台AGC 机组。本文针对4 机组系统进行了测试，具体参数见表1，此系统中总共存在10 台机组，总装机容量为3 250 MW，AGC 机组包括1 号、2 号、3 号、4 号，风电渗透率接近15%。

表1 算例机组参数

图2 是预测得到的额风电出力与负荷。在风电功率点预测方面并不会实现很高的精度，选择传统方法开展控制时，如果出现风电功率的大幅波动，则系统将保持极端运行状态，导致风险成本明显提高，导致系统经济成本的显著提高

图2 某省实际电网负荷及风电出力结果

选择优化GA-PSO 算法进行处理时能够实现标准粒子群快速收敛的效果，防止引起局部最优的现象。本研究针对标准粒子群、萤火虫以及遗传- 粒子群算法开展对比测试。发电机组则根据前期设置的调度防范方法实施启停调节，按照t=21 的条件完成经济优化目标。分别为各算法构建了规模数为30 的种群，共完成50 代进化，再以相同初值条件进行寻优处理。以粒子进化代数和最优值作为目标进行搜索效率和收敛效果对比，算法计算收敛结果见图3 所示。大规模风电场通常会表现出了显著平滑性和集群特征，从而减小了风速湍流峰值引起的风电场出力变化幅度，由此形成更平滑的风电场出力曲线。

从图3 中可以看到，采用标准PSO 算法处理时收敛时间最短，并且各粒子达到局部最优后都无法跳出，无法达到实际调度的要求；萤火虫算法能够实现快速收敛目标，但会引起局部最优的结果；遗传- 粒子群算法可以实现交叉变异功能，并不能达到优化萤火虫算法的处理效率，但可以消除粒子出现局部最优的情况，由此得到精确结果，更好地适应电网调度要求。

3 结论

1）通过PSO 算法与交叉变异相融合的形式来PSO 快速收敛的效果，避免粒子产生局部最优的情况，计算获得更可靠的不确定集。

2）选择优化GA-PSO 算法处理能够实现标准粒子群快速收敛的效果，防止引起局部最优现象。

3）优化GA-PSO 算法可以实现交叉变异功能，可以消除粒子出现局部最优的情况，更好地适应电网调度要求。

该研究有助于提高电网调度效率，但在面对突发情况的时候存在计算冗长的问题，期待后续引入深度学习算法进行加强。