一种基于MASO的光伏阵列重构参与电网调频方法

技术领域

本申请涉及电力系统控制技术领域，尤其涉及一种基于MASO的光伏阵列重构参与电网调频方法。

背景技术

近年来，由于能源需求量日益增加，化石能源的储量日益下降，可再生能源越来越受到人们的重视，并逐渐取代大多数化石燃料，其中太阳能是最有前景的能源之一。太阳能发电一般采用光伏发电，太阳能电池透过光生伏特效应可以将太阳光能转化成直流电能，但一块光伏模组(光伏板)能够产生的电流不够一般住宅使用，所以将数块光伏模组连接在一起而形成了阵列。光伏阵列能够利用逆变器将直流电转化成交流电以供使用。

然而，部分遮蔽引起的失配损耗和功率损耗会导致光伏阵列的能量输出显著降低。因此，光伏阵列重构技术被用来补偿这些功率损耗，提高局部阴影下光伏阵列的发电量。虽然光伏阵列的初始设计是合理的，但由于云团移动、风尘等动态天气条件造成的局部遮阳仍会造成较大的功率损失和输出特性恶化。这种客观的部分遮蔽在光伏阵列的输出特性曲线上产生多个峰值，容易导致最大功率点跟踪(MPPT)误判，降低光伏发电效率。

发明内容

本申请提供了一种基于MASO(多目标原子搜索优化算法，multi-objective atomsearch optimization algorithm)的光伏阵列重构参与电网调频方法，以解决电力系统的电力干扰平衡的问题。

本申请提供的一种基于MASO的光伏阵列重构参与电网调频方法，包括以下步骤：

建立10×10网状连接配置的光伏阵列重构模型，所述光伏阵列重构模型包括重构后的光伏阵列；

基于所述模型的当前阵列，利用多目标原子搜索优化算法采集额定输出功率与平均输出功率的偏差f

利用MASO采集基于当前的阵列配置下得到的额定输出功率与平均输出功率的偏差f

利用VIKOR决策方法从得到的所述帕累托前沿中确定最优折衷解。

可选的，所述光伏阵列重构模型的目标函数为：

其中，

可选的，所述模型的当前阵列应当满足以下电气开关的约束条件：

其中，Switch

可选的，得到所述偏差f

对重构后的光伏阵列进行约束处理，并得到所述阵列在多目标原子搜索优化算法参与调频中的适应度函数；

利用MASO的搜索机制与VIKOR决策方法，最终输出光伏阵列配置的帕累托前沿。

可选的，所述利用VIKOR决策方法从得到的帕累托前沿中确定最优折衷解的步骤包括：

根据获得的帕累托前沿，确定正理想解和负理想解；

根据所述正理想解和负理想解计算每个备选帕累托解的群效用值和个体遗憾值；

根据所述群效用值和个体遗憾值计算每个备选帕累托解的综合评价值；

根据所述综合评价值确定最优折衷解。

可选的，正理想解和负理想解的计算公式为：

其中，m

可选的，每个备选帕累托解的群效用值和个体遗憾值的计算公式为：

其中，ω

可选的，每个备选帕累托解的综合评价值的计算公式为：

其中，V

可选的，根据所述综合评价值确定最优折衷解计算公式为：

其中，

相比较于其他元启发式算法，MASO可以更有效地降低损耗，提高发电效率。

本发明公开了一种基于MASO(多目标原子搜索优化算法)的光伏阵列重构(optimal array reconfiguration，OAR)参与电网调频方法，以解决电力系统的电力干扰平衡问题。为了解决上述问题，设计了高效的多目标原子搜索优化算法，这是一种受基本分子动力学启发而提出的一种基于种群的启发式算法，该算法模拟原子运动，由相互作用和约束力控制，为全局优化问题设计有效的搜索机制，具有较高的优化效率，能够快速获得最优的帕累托前沿。

本发明不仅能使输出功率最大化，而且能使输出功率与调频信号之间的功率偏差最小，其步骤是：首先建立10×10网状连接配置的光伏阵列重构模型；基于所述模型的当前阵列，利用多目标原子搜索优化算法采集额定输出功率与平均输出功率的偏差f

本发明的有益效果是：

1、构建的OAR可以通过光伏阵列重构令光伏电站在不同的辐照情况下都能输出最大功率，从而使光伏电站的运行经济性和并网运行的安全性得到显著提高。

2、调度工作人员可以通过MASO算法所获得的优质的帕累托前沿来选择不同的优化调度方案，保证当前光伏电站能够高效地运行。

3、VIKOR的设计可以客观地从得到的帕累托前沿中选择最优的折衷解，从而保证公平兼顾每个目标函数，显著提高了运行的经济性和安全性。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的MASO和VIKOR算法对光伏阵列重构的具体执行过程图；

图2为是光伏阵列在每分钟的辐照分布图；

图3为F′在不同η值下的函数行为图；

图4为时变情况下电站输出与装机容量的偏差图；

图5为时变情况下优化与未优化的功率输出对比图；

图6为时变情况下电站输出与装机容量的功率偏差图；

图7为恒定情况下电站输出与装机容量的功率偏差图；

图8为恒定情况下优化与未优化的功率输出对比图；

图9为时变情况下电站输出与装机容量的功率偏差图。

具体实施方式

下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。

参见图1，本申请实施例提供的MASO和VIKOR算法对光伏阵列重构的具体执行过程图。

本申请提供的一种基于MASO的光伏阵列重构参与电网调频的方法具体步骤为：

首先，建立10×10网状连接(total cross tied，TCT)配置的最优阵列重构模型，最大化光伏发电厂的电力输出，即最小化额定输出功率和平均输出功率之间的功率偏差；平衡电力系统的电力干扰，即最小化调频信号和输出功率之间的功率偏差，其目标函数如下：

式中，

除了考虑光伏阵列调频的功率响应，光伏最优阵列重构还需考虑电气开关的约束，如下所示：

式中，Switch

其次，利用MASO采集基于当前的阵列配置下得到的额定输出功率与平均输出功率的偏差f

(a)约束处理

为了满足式(2)中的电气开关约束，可以为光伏阵列的每一列都分配从0到12的不同数字。在这项工作中，这些数字将根据当前解决方案的顺序重新分配。对于第l列，所有光伏阵列的数量可以更新如下：

Switch

式中，x

(b)适应度函数

在ASO(atom search optimization algorithm)中，每个原子在搜索空间中的位置代表一个由其质量衡量的解，解越好质量越重，反之亦然。种群中的所有原子会根据它们之间的距离相互吸引或排斥，促使较轻的原子向较重的原子移动。较重的原子具有较小的加速度，这使得它们在局部空间中集中寻找更好的解。更轻的原子具有更大的加速度，这使得它们在整个搜索空间中广泛搜索，以发现新的有希望的区域。

因为在优化过程中可以满足等式(2)的约束条件，所以，MASO在OAR参与调频中的适应度函数可如下所示：

MASO的搜索机制如下：

(1)将无约束问题定义为最小化：

Minimizef(x)，x＝(x

式中，x

(2)为了求解这个无约束优化，假设一个有N个原子的原子种群。第i个原子的位置表示为：

式中，

在ASO的初始迭代中，每个原子之间通过相互吸引或排斥相互作用，而排斥可以避免原子的过度集中和算法的过早收敛，从而增强了对整个搜索空间的探索能力。随着迭代的进行，斥力逐渐减弱，吸引力逐渐增强，这意味着勘探减少，开发增加。在最后的迭代过程中，每个原子通过引力相互作用，保证了算法具有良好的开发能力。

(3)第t次迭代时第j个原子作用于第i个原子的相互作用力可重写为：

式中，η(t)为深度函数，用于调节斥力区域或吸引区域，可定义为：

式中，α为深度权值，T为最大迭代次数。

(4)根据h的值确定相互作用力的性质与大小：

根据图4可知，当h在0.9到1.12之间时，斥力发生，当h在1.12到2之间时，引力发生，当h＝1.12时，平衡发生。从平衡(h＝1.12)开始，随着h的增加，引力逐渐增大，达到最大值(h＝1.24)，然后开始减小。当h大于等于2时，引力近似等于零。因此，在ASO中，为了改进探索，将函数值较小的斥力的下限设为h＝1.1，将函数值较大的引力的上限设为h＝1.24。因此，h定义为：

式中，h

且

式中，Kbest是一个原子种群的集合，由具有最佳函数适应度值的前K个原子组成。g代表漂移因子，被定义为：

则其他原子作用于第i个原子的随机权重分量之和可视为总力，表示为：

式中，rand

(5)几何约束：分子动力学中的几何约束在原子运动中起着重要的作用。为了简单起见，假设ASO中的每个原子都与最好的原子有共价键。因此，每个原子都受到来自最佳原子的一个约束力的作用，所以第i个原子的约束可以重写为：

式中，x

式中，λ(t)为拉格朗日系数，使2λ变为λ，约束可以被重新定义为：

拉格朗日乘子定义为：

其中β为乘数权重。

(6)数学表示：

在相互作用力和几何约束下，第i个原子在t时刻的加速度可表示为：

式中，m

式中，Fit

Fit

Fit

为简化算法，第(t+1)次迭代时第i个原子的位置和速度可表示为：

在ASO中，为了加强迭代第一阶段的探索，每个原子需要与与其相邻的尽可能多的适应度值更好的原子进行交互。为了加强迭代最后阶段的开发，原子需要与其K邻居一样，与尽可能少的具有更好适应度值的原子进行交互。因此，作为时间的函数，K随着迭代次数的增加而逐渐减小。K可计算为：

最后，利用VIKOR决策方法从得到的帕累托前沿中确定最优折衷解，其主要步骤如下：

(1)根据获得的帕累托前沿，确定正理想解和负理想解，如下所示：

式中，m

(2)计算每个备选帕累托解的群效用值和个体遗憾值，如下所示：

式中，ω

(3)计算每个备选帕累托解的综合评价值，如下所示：

式中，V

(4)根据综合评价值确定最佳折衷解，如下所示：

式中，

本发明引入了具有25个相同子系统的25兆瓦光伏电站，以评估本发明的性能，其中每个子系统均由10×10TCT配置的光伏阵列组成。所有光伏阵列的工作温度设置为25℃，而每个光伏阵列在每分钟的辐照分布如图3所示。MASO的种群大小和最大迭代次数分别设置为60和50。为了保证对每个目标函数的公平兼顾，VIKOR的所有权重系数均设置为0.4将所提出的MASO算法和VIKOR方法结合起来，在两种不同工况下进行对比。具体实施例如下：

实施例1：调频信号恒定。

在这项研究中，采用恒定的调频信号P

实施例2：调频信号随时间变化。

在这项研究中，采用时变的调频信号来评估所提出方法的性能，其中调频信号为：

图4为时变情况下电站输出与装机容量的偏差图；图5为时变情况下优化与未优化的功率输出对比图；图6为时变情况下电站输出与装机容量的功率偏差图；图7为恒定情况下电站输出与装机容量的功率偏差图；图8为恒定情况下优化与未优化的功率输出对比图；图9为时变情况下电站输出与装机容量的功率偏差图。

本申请提出了一种基于MASO的光伏阵列重构参与电网调频的方法。该算法结构简单，收敛稳定性高，收敛时间短，寻优精度高，可以实现实时在线调控，高质量的调控方案可以有效提升整个区域电网的动态响应性能。

本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。