基于多目标海鸥优化算法的风-光-热储能优化调度.pdf

2023 年 8 月第 19 卷 第 3 期系统仿真技术System Simulation TechnologyAug.，2023Vol.19，No.3基于多目标海鸥优化算法的风-光-热储能优化调度王巍1，王承凯1，刘大为1，刘敏2*（1.国华能源投资有限公司，北京 100007；2.北京理工大学 自动化学院，北京 100081）摘要：针对新能源存储的问题，提出了高效节能的风-光-热储能优化调度模型。在此基础上综合考虑新能源的负荷需求响应和平衡约束，采用混沌理论改进多目标海鸥优化算法，以社会福利最大化为目标，建立面向低碳运行的稳定优化调度控制方法。根据企业的实际数据算例分析表明，优化调度模型能够有效提升系统的稳定性，降低总生产成本11.8%，减少碳排放15.98%，提供了环境友好的优化调度方案。关键词:新能源调度；多目标海鸥算法；碳排放Optimal Scheduling of Wind-Solar-Thermal Energy Storage Based on Multi-Objective Seagull Optimization AlgorithmWANG Wei1，WANG Chengkai1，LIU Dawei1，LIU Min2*（1.Guohua Energy Investment Co.，Ltd.，Beijing 100007，China；2.School of Automation，Beijing University of Technology，Beijing 100081，China）Abstract：Aiming at the problem of efficient new energy storage，this paper proposes an efficient and energy-saving wind solar thermal energy storage optimal scheduling model.On this basis，considering the load demand response and balance constraints of new energy，the multi-objective seagull optimization algorithm is improved by using chaos theory.A stable optimal dispatching control method for low-carbon operation is established with the goal of maximizing social welfare.According to the analysis of the actual data of the enterprise，the optimization scheduling model can effectively improve the stability of the system，reduce the total production cost by 11.8%，reduce carbon emissions by 15.98%，and provide an environmentally friendly optimization scheduling scheme.Key words：new energy dispatching；multi-objective seagull algorithm；carbon emission近年来，随着全球能源危机和环境问题的加剧，发展清洁能源、提高能源质量已成为各国的共识。面向“双碳”目标，众多电力公司在向可持续能源体系转型，风能、太阳能、热能等可再生能源的渗透率不断提高1。风-光-热储能综合能源系统是能源互联网最直观的表现形式，其整合多个能源系统，提高能源利用率，降低能源调度成本。因此，风-光-热储能系统可持续利用有望成为未来新能源可持续发展的重要组成部分2。然而，随着可再生能源的日益普及，新能源的供需平衡出现了新的挑战，可再生能源发电的不确定性亟待解决。为此，国内外众多学者在新能源系统优化调度领域开展研究。Alizadeh等3将夹点理论应用到风能和太阳能的储能系统中，提出一种估算不同风力涡轮机基金项目：国家自然科学基金项目（71934004，42071229)通信作者：刘 敏，E-mail：中图分类号:TM73 文献标志码:ADOI:10.16812/31-1945.2023.03.012王巍，等：基于多目标海鸥优化算法的风-光-热储能优化调度容量下发电经济性的策略，其中包括上网电价率和电力平准化成本参数，以减少环境污染。Duan等4提出了风能-太阳能-核能储能调度模型，采用深度灵活电网抑制算法，引入核能促进形成风电和光电的先进脱碳方法，提供更低的电力成本，减少污染物排放。李艳等5针对风-光-热储能系统的波动性和消纳困难的问题，引入一种考虑风-光-热波动的数学模型并采用混合整数线性规划来求解最优调度方法。黄頔等6针对风电调度的不确定性，结合新能源灵活储能的优势，提出多目标区间新能源经济优化调度方法，获得兼顾经济性和稳定性的最优调度控制方法。上述文献通过优化储能系统、热电联产和波动控制等方法来减少碳排放，而没有进一步研究需求响应对新能源储能系统的影响。多目标海鸥优化算法是由Dhiman7于2021年提出，其运算原理主要是基于海鸥的狩猎和迁徙行为，引入领导者选择机制和自适应网格法来获取Pareto前沿解的分布。该方法主要缺点是初始海鸥群随机性强，有可能出现种群拥挤的情况。也有可能出现算法寻优效率低、收敛性能低而陷入局部最优解的情况。本研究提出改进多目标海鸥优化算法，采用混沌理论Tent映射提升种群的随机性8，进而增强算法的寻优能力，实现面向低碳运行需求的风-光-热新能源系统优化调度。1 风-光-热储能调度模型描述 本研究提出的风-光-热储能调度模型主要由风力发电、光伏发电、相变储热构成，并考虑富余电力信息流对储热的控制以及用户端需求响应的影响。在这种模式下可以降低碳排放，提升能源利用效率，如图 1所示。1.1 物理系统建模风力发电模型考虑风速影响，风电输出功率Pw(T)为Pw(T)=0，0 v(T)vc3v(T)3+2v(T)2+1v(T)PE，v(T)vE（1）其中，v(T)为风速，vc和vE为风机的切入风速和额定风速，PE为额定功率，1，2，3为风速-功率分布参数。光伏发电考虑光照强度S(T)影响，输出功率PS(T)为PS(T)=PmaxS(T)Ts(T)（2）其中，Pmax为光电池板最大输出功率，Ts(T)为工作温度，为电池板发电系数。储热模型考虑相变电加热，可以由式（3）约束，即Peh(T)=Hhot(T)+(1+)Hi(T)（3）其中，Peh(T)为系统加热功率，Hhot(T)为向用户输出的供热功率，Hi(T)为蓄热功率。和分别为换热系数和热损失系数。因此系统功率关系可由式（4）表示，即Pg(T)=Pw(T)+Pgrid(T)+PS(T)-Peh(T)-Pu(T)（4）1.2 系统负荷响应的多目标优化模型1.2.1 目标函数在考虑负荷需求的情景下有2个优化目标，包括系统成本最低和系统碳排放量最少9。系统成本将考虑大电网的购电成本和热能储能系统的运行成本；碳排放量包含系统所有环节可能的碳排放。系统能源成本最小化目标函数为j1=T=124Pricegrid(T)Pgrid(T)+Priceeh(T)Peh(T)（5）其中，Pricegrid(T)为大电网的购电实时价格，Priceeh(T)为热能储能系统的运行成本。系统碳排放量最小化目标函数为j2=T=1241Pgrid(T)+Hi(T)2（6）其中，1为电网发电碳排放系数。1.2.2 约束条件为满足用户的用电要求，应首先满足需求约束，即Pw(T)+Pgrid(T)+PS(T)-Peh(T)-Pu(T)0（7）其次，考虑储热系统输入输出功率约束，可以用式（8）表示，即-Pehmin Peh(T)Pehmax（8）1.2.3 需求响应机制为了提高电网效率，降低系统成本，减少碳排放，本研究引入激励型需求响应机制，根据实时电价和风电功率的波动情况灵活调整负荷，从而使得负荷侧获得调峰的作用，最大限度地降低碳排放量。引入转入图1风-光-热储能优化调度模型Fig.1Optimal scheduling model for wind-solar-thermal energy storage227系统仿真技术第 19 卷 第 3 期转出负荷机制，具体的激励型需求响应模型如下所示：Pdemind(T)*=Pdemind(T)+t=124Ptrans(t，T)-Ptrans(T，t)（9）其中，Ptrans(t，T)表示t时刻转移至T时刻的转入负荷，发生在电价低谷时段，Ptrans(T，t)为T时刻转移至t时刻的转出负荷，用于电价高峰时段。负荷转移可以最大限度地节约成本。需求响应约束如下所示。负荷守恒约束为t=124PTrans(t，T)=t=124PTrans(T，t)（10）可转入负荷容量约束为QinT，mint=124PTrans(t，T)QinT，max（11）可转出负荷容量约束为QoutT，mint=124PTrans(T，t)QoutT，max（12）其中，QinT，min和QinT，max分别表示每天最小和最大的转入负荷。QoutT，min和QoutT，max分别表示每天最小和最大的转出负荷。2 改进多目标海鸥优化算法 为了改善在多目标海鸥优化算法中初始种群多样性较差的问题，可采用混沌理论减弱其过度聚集状态，提高算法的整体性能和提升算法寻优效果。2.1 利用混沌理论生成初始种群令第1组个体的第1维变量x(1，1)取01之间的随机数，利用Tent混沌映射生成每个海鸥个体的第1维变量系数，即x(k+1，1)=x(k，1)(1-)（13）利用生成的变量系数得到种群为pop(g，h)=lb+x(g，h)(ub-lb)（14）其中，lb为变量约束下限，ub为变量约束上限。混沌映射后的初始海鸥分布如图2所示。2.2 海鸥迁徙过程的数学模型为了防止相邻海鸥之间的碰撞导致寻优效率低下，引入表征单个海鸥移动能力的控制变量A来计算新的海鸥位置，即CS=A MS(t)（15）其中，MS(t)为海鸥的当前位置，t为当前迭代次数，CS为不会和其他海鸥发生碰撞的新的海鸥位置，A可以由式（16）得出，即A=fc-t fcItmax)（16）其中，Itmax为最大迭代次数，fc为控制变量A的变化频率。2.3 海鸥狩猎过程的数学模型在狩猎过程当中，海鸥会在空中螺旋飞行，该飞行过程在x、y、z平面上可以表示为 x=r cos(k)y=r sin(k)z=r kr=u ekv（17）其中，r是海鸥螺旋的半径，k (0，2)，u和v是螺旋形状控制常量。本方案在常用多目标问题测试 ZDT 函数上验证10，得出的算法普遍优于传统的海鸥算法以及多目标粒子群、NSGA-II方法，结果如表1所示。3 仿真优化调度实验 本研究从中国吉林省某企业的一个风光电场选取数 据11。该 地 区 的 供 暖 期 约 为 170 d，供 热 面 积20万m2，供热面积热指标为80 W/m2。以第四季度（供暖需求量最大）为例，风力发电缩减量如图3所示。吉林省风力发电大的时段集中在 22：00至 8：00，将 22：00作为风电供热系统的启动时间，调度范围是从22：00到次日21：00。根据需求响应机制求得的Pareto最优解如图4所示。由图4可以看出，引入更高的需求响应系数可以更好地控制相变储能系统的波动，提升系统稳定性，降低成本和碳排放。引入需求响应机制后，成本最低的控制方案如图5所示，该方案以相变热储能系统充放电为主，以电网购电为辅。当风光发电足以满足负荷需求时，储能系统处于充电状态，当风光发电不足以满足负荷的需求时，储能系统进行放电。由于需求响应机制的影响，根据负荷转移原则，运行平衡成本最低的控制方法。在成本优先的运行策略下，购电成本降低了 17.2%。图2混沌映射后初始化位置分布图Fig.2Initialization position distribution after chaotic mapping228王巍，等：基于多目标海鸥优化算法的风-光-热储能优化调度碳排放量最低的控制方案如图6所示，此时储能系统状态最稳定，浪费的电量最少，充分消纳了风、光及电网的电能，并且购电功率也维持在较小值。这种控制优化目标下碳排放量减少了15.8%，购电成本降低了11.8%，是一种环境友好的优化调度方法。4 结 论本研究针对新能源供电波动大、成本高的问题，建立了风、光电消纳与相变系统联合供热的优化调度模型。综合考虑储能功率、经济指标和碳排放量等因素，建立了以“双碳”目标为导向的多目标优化函数。给定约束条件，考虑不同需求，设计优化方案，设计负荷转移原则。采用改进多目标海鸥优化算法求取Pareto最优解。根据吉林省某企业的实际情况开展了仿真实图5成本最低的控制方案Fig.5The control plan with the lowest cost表1算法测试函数实验结果Tab.1Experimental Results of Algorithm Test Functions函数名ZDT1ZDT2ZDT3ZDT4函数方程min f1=x()1f2=1+9n-1i=2nx()i()1-f1/gmin f1=x()1f2=1+9n-1i=2nx()i1-()f1/g2min f1=x()1f2=1+9n-1i=2nx()i 1-f1g-()f1/g sin()10f1min f1=x()1f2=10n-8+i=2n()x2i-10cos()4xi()1-f1/g性能矩阵超体积分布域超体积分布域超体积分布域超体积分布域改进海鸥算法5.91102.411031.281031.091052.33102.591061.017.921034.251.041039.881031.041045.891023.291049.751031.88104海鸥算法5.55102.811031.311031.101052.28102.701061.018.011034.111.211031.001021.161045.611023.341041.011021.97104多目标粒子群算法5.611011.411045.861021.031022.271017.081055.671026.841034.131012.861046.041012.371031.00101.001077.851016.17102NSGA-II5.61101.611042.761011.571022.251012.101043.601012.511024.141012.491046.411011.311025.471012.521032.581012.14102图3第四季度风力发电减少量Fig.3Reduction in wind power generation in the fourth quarter图4考虑需求响应机制的Pareto最优解Fig.4Pareto optimal solution considering demand response mechanism229系统仿真技术第 19 卷 第 3 期验，得到了成本最低和碳排放量最低的控制调度方法，为新能源的推广应用方法提供了新的范式，助力“双碳”宏伟目标。参考文献：1ZHANG S，CHEN W.Assessing the energy transition in China towards carbon neutrality with a probabilistic framework J.Nature Communications，2022，13，87.2申建建，王月，程春田，等.水风光多能互补发电调度问题研究现状及展望 J.中国电机工程学报，2022，42（11）：3871-3885.SHEN Jianjian，WANG Yue，CHENG Chuntian，et al.Current status and prospects of research on the scheduling problem of water solar energy complementary power generation J.Chinese Journal of Electrical Engineering，2022，42（11）：3871-3885.3ALIZADEH Z M，TAHOUNI N，PANJESHAHI M H.Total site integration considering wind/solar energy with supply/demand variation J.Energy，2022：252.4DUAN L，PETROSKI R，WOOD L，et al.Stylized least-cost analysis of flexible nuclear power in deeply decarbonized electricity systems considering wind and solar resources worldwide J.Nature Energy，2022，7：260-269.5李艳，胡志豪，随权，等.考虑风光热不确定性和相变储能系统的城市建筑微网电热联合调度 J.电网技术，2019，43（10）：3687-3697.LI Yan，HU Zhihao，SUI Quan，et al.Urban building microgrid electric thermal joint dispatching considering the uncertainty of wind，solar，and thermal power and phase change energy storage systems J.Grid Technology，2019，43（10）：3687-3697.6黄頔，杨鑫，高林，等.考虑风电和储能接入电网的多目标协同博弈区间经济调度 J.控制理论与应用，2021，38（7）：1061-1070.HUANG Di，YANG Xin，GAO Lin，et al.Multi objective collaborative game interval economic dispatch considering wind power and energy storage connected to the power grid J.Control Theory and Application，2021，38（7）：1061-1070.7GAURAV D，KRISHNA K S，MUKESH S，et al，MOSOA：a new multi-objective seagull optimization algorithmJ.Expert Systems with Applications，2021，167：114150.8徐焕增，徐文倩，孔政敏.基于Tent混沌序列改进的蜉蝣算法及其应用J.控制工程，2022，29（3）：435-440.XU Huanzeng，XU Wenqian，KONG Zhengmin.An improved mayfly algorithm based on Tent chaotic sequence and its applicationJ.Control engineering，2022，29（3）：435-440.9孙金龙，刘海龙.计及电压质量的风电场无功主动控制策略研究 J.计算技术与自动化，2022，41（2）：46-50.SUN Jinlong，LIU Hailong.Research on reactive power active control strategy of wind farm considering voltage quality J.Computing Technology and Automation，2022，41（2）：46-50.王 巍 男（1979-），湖北红安人，硕士，主要研究方向为电力市场、新能源电力交易。王承凯 男（1976-），山东茌平人，硕士，主要研究方向为新能源生产管理、多目标优化。图6碳排放量最低的控制方案Fig.6Control scheme with the lowest carbon emissions230