案例分析
5.1 案例概况
本文选取一个中国资源丰富的海岛地区，该地区被视为一个微电网系统，该微电网根据当地的资源条件选取了光伏发电系统、风力发电系统作为可再生能源侧的发电系统。柴油机发电系统作为功率补充，再加上储能系统平滑功率输出并稳定系统。运行方式包括并网运行、孤网运行、计划孤岛运行和非计划孤岛运行。
5.2 原始数据
5.2.1 负荷情况
图5-1 24小时负荷曲线
5.2.2 优化前发电单元调度情况
按照所在地区的风光资源发展趋势，数据中通过对历史风电数据以及光伏数据给出了原始的发电单元调度计划。
图5-2 风光发电出力情况
5.2.3 电源参数
本次选取地区的风机装机总容量为250kW，光伏装机容量为150kW，柴油发电机的装机容量为400kW，运行过程中保持柴油发电机的运行功率再100到400kW之间，蓄电池的最大功率为250kW，初始的SOC状态设定为0.5，同时为了防止电池的过充过放将其SOC状态区间限制在[0.2,0.9]。
表5-1 各分布式电源及储能参数
| 类型 |
风力发电机 |
光伏发电机 |
柴油发电机 |
蓄电池 |
| 使用寿命 |
10 |
20 |
15 |
5 |
| 运行费用系数 |
0.632 |
0.847 |
0.818 |
0.726 |
| 功率区间 |
0~250 |
0~150 |
100~400 |
-200~250 |
表中，寿命单位年，功率单位kW。
5.2.4 算法参数设置
表5-2 算法参数
| 参数 |
PSO |
MOPSO |
| 种群规模 |
600 |
100 |
| 迭代次数 |
300 |
100 |
| 学习因子C1、C2 |
2 |
2 |
| 粒子维度 |
96 |
96 |
| 外部存档 |
— |
100 |
5.3 优化算法结果以及分析
5.3.1 经济调度单目标粒子群算法结果
图5-3 单目标粒子群算法迭代过程
图5-4 各单元24小时出力情况
通过图5-4可以看出当上午八点前光照强度较弱时，光伏发电系统几乎不发电，此时风机以及柴油发电机运行并满足需求侧的负荷。中午时间段内，光照强度升高蓄电池为了平复波动开始充电。
图5-5 风力发电24小时出力情况
图5-6 光伏发电24小时出力情况
5.3.2 消纳单目标粒子群算法结果
图5-7 各单元24小时出力情况
图5-8 风力发电24小时出力情况
图5-9 光伏发电24小时出力情况
通过图5-8、5-9与图5-5、5-6的对比可以看出，将风光消纳设定为目标之后优化调度的运行计划风光消纳的功率非常接近总的风光功率，这表明使用单目标消纳调度有着明显的提升。
5.3.3 多目标粒子群优化调度结果
图5-10 迭代过程图
通过上述提到的数据，结合多目标粒子群算法对本文所建立的微电网优化调度的模型进行分析，得到如图5-10的Pareto前沿图，在该图中第一个维度代表的是包含惩罚的适应度值，第二个维度同时计算了风光消纳的最大值。可以看到前沿图中的最优解构成接近一条线，对于该线上的每一个点都可以看作为最优解。对于线上的各个最优解来说也有区分度，随着风光渗透率的提升经济成本逐渐下降。
图5-11 各单元24小时出力情况
图5-12 风力发电24小时出力情况
图5-13 光伏发电24小时出力情况
5.3.4 数据对比以及结果分析
表5-2 三种优化调度结果对比
| 调度目标 |
经济性 |
适应度值 |
风电消纳 |
光伏消纳 |
| 经济优化调度 |
7802 |
90323 |
0.4997 |
0.5485 |
| 风光消纳优化调度 |
8531 |
463058 |
0.7289 |
0.9232 |
| 多目标优化调度 |
7864 |
130603 |
0.7183 |
0.6904 |
通过上述三种优化调度后的运行计划可以看出，对原始数据进行优化调度后，调度后的三种运行计划整体成本都比原始数据的9345元要低，而在这三种调度计划中，如果只单方面考虑经济调度时经济成本节省了1543元，但是风光消纳率并不高，反而言之如果单方面考虑提升风光消纳率，则会增加发电成本，但比原成本节省了814元。综合考虑风光消纳以及发电成本两个目标函数后可以看出通过多目标粒子群优化算法的调度运行计划，使经济性以及风光消纳折中，有效的降低成本同时提高了风光消纳率。
5.4 本章小结
本章对前几章节构建好的微电网出力、储能系统的模型以及目标函数、约束条件进行归纳。并对实际的微电网系统进行算例的验证，通过对比进行微电网调度后的运行计划可以看出，无论是单目标还是多目标的粒子群算法经济成本均低于原运行计划的成本。且多目标粒子群优化算法的调度计划中可以看出在考虑经济性的同时能够有效的提升微电网中的风光消纳率。