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

0 引 言

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

1 基于混合粒子群的風?光互補多周期發電調度系統設計

在本文設計的系統中，主要分為硬件和軟件兩部分。硬件部分主要沿用原有系統的硬件部分，本文主要對軟件的調度方法方面進行改進，引入混合粒子群算法對調度算法進行優化。1.1 建立風?光互補多周期發電數學模型由于太陽在地球上的不均勻輻射導致出現溫度差，氣流壓力在這種溫度差的作用下產生一種壓力梯度，造成了地球表面的空氣流動，從而產生風能[4?5]。在調度系統中，一般會涉及到日前調度和日內調度，這兩種調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對未來風電場的發電有功功率進行預報，當預測時間越短時，預測結果越準確[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變大。有功功率PW 隨風速v的變化可以通過分段函數來體現：

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。 在光伏發電中，主要由太陽能電池板、控制器和逆變器構成能量采集與電力輸出的總體結構。太陽能光伏電池串并聯組合形成光伏電池陣列，是光伏發電中的核心結構原件[8?9]。光伏陣列在放置的時候一般會根據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，在不同地表狀態下，反射率不同。太陽能光伏電站所在的環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)對應的輸出電流;?參考光照度下電流變化溫度系數;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；RS表示其中的串聯電阻阻值；Uref表示標準參考條件下對應的輸出電壓。至此，完成風?光互補多周期發電數學模型的建立。

1.2基于混合粒子群的調度算法優化

為了有效地解決發電調度問題，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。假設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可以根據實際情況進行確定，對于數量的要求并不嚴格，可以相同也可以不同[13?14]。在進行發電調度的過程中，可以將基因片段看作發電過程中的電流電壓變化節點，各個發電過程基因片段節點間的游歷可以看作調度問題中各個節點間的游歷，過程如圖3所示。

在基因片段節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定參數，主要包括混合粒子算法中的種群規模、迭代次數、啟發式因子以及信息素等重要參數，在完成參數設定之后，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，并不需要類似優化問題中記錄已經游歷節點的禁忌表，同樣可以使混合粒子順利地將游歷過程度過完畢[15]。主要是因為在調度優化問題中，各發電節點間的兩個方向都可以完成游歷過程，因此在調度優化問題中，任意兩個發電節點之間均存在一定的連接，且弧線是雙向聯通的。綜上，可以設計出本文基于混合粒子群的調度算法的流程如圖4所示。

在算法的優化過程中，為了兼顧算法的效率和調度的質量，將3~5個電流電壓節點作為一個基因片段，基因片段的轉移就是狀態的轉移。為了增加粒子多樣性，加入了基因片段內部的交叉和變異。至此，完成基于混合粒子群的風?光互補多周期發電調度系統的設計。

2 系統測試

2.1 算例參數概況

為了驗證本文設計的系統具有一定的有效性，需要設計具體的系統測試過程，完成系統調度性能的測試。選擇某地區的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1年內月平均風力分布特性參數如表 1所示。

表中：k表示Weibull分布模型的形狀參數,k>0,能夠反映風速分布特點;c表示Weibull分布模型的尺度參數,c>1,能夠反映該地區的平均風速大小。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；Γ 表示Gamma函數。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,風力發電機的額定功率為1000W,啟動風速為3m/s,額定風速為 8m/s,經過計算,維修費率在0.0185元(/kW·h),發電機的單價為3700元；光伏電池板額定功率為300W，轉化率約為14%，溫度?功率系數為-(0.5±0.05)%/℃，維修費率在0.007 9元(/kW·h),電池板單價為2430元。在多周期發電的系統中，負荷最大缺電率 LPSPmax 取0.05，系統最大能量浪費率SPSPmax取0.25。

2.2 仿真算例結果分析

在Matlab仿真軟件中對采用傳統系統和本文設計的系統算法進行仿真，設定種群規模大小為80，微粒的維數為35，最大迭代次數為500，慣性權重初始值ωstart為0.88，終止慣性權重ωend為0.37，標準學習因子取值為0.4。得到兩個系統的適應度值隨著迭代次數的變化曲線，如圖6所示。

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

從表2可以看出，經過本文系統調度后，比傳統系統的調度結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，傳統系統的調度結果維修成本也較高，能量浪費率為28.74%，而本文系統的能量浪費率為21.56%。綜上所述，本文設計的基于混合粒子群的風?光互補多周期發電調度系統的調度尋優能力更強，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 語

本文對風?光互補多周期發電設備的數學模型以及調度系統進行了深入的研究，以傳統調度系統中所存在的問題為切入點，對系統的軟件部分進行了詳細的設計。通過混合粒子群算法優化調度決策變量值，經仿真分析驗證本文系統設計對于調度方案的優化、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，未考慮電網的安全約束，在后續的研究中需要逐步完善。

審核編輯 ：李倩