刘田珂，陈加伦

(1.中国电建集团贵阳勘测设计研究院有限公司，贵州 贵阳 550081；2.贵州顺成劳务管理有限公司，贵州 贵阳 550081)

在光伏电站运营阶段，需要对接入的系统进行合理选择，以此控制光伏电站发电量，这种控制模式不仅仅关系到整个光伏电站经济效益，还会对整个电站安全运行造成直接影响[1]。为此，提出了一种水光互补系统。水光互补系统的容量分配是多能量系统的最优问题，其中单目标优化方法充分考虑光伏电站工作环境，而多目标优化方法在自身供电约束条件下，构建多能源互补模型，同时将最小成本作为优化目标，以此保证优化结果的可靠性。但这2种方法都受到光伏电站发电区域性、间断性和波动性影响，导致光伏电站效率低下。为此，提出了基于多目标粒子群的水光互补光伏电站容量优化方法。

1 水光互补原理及特性分析

水光互补发电指的是利用水力发电装置的迅速调整特性及库容，对水力发电进行调峰。通过改变水力的输出量，可以使光伏电池的输出得到补充，从而改善了电网的调峰性能[2]。水光互补发电系统主要包括光伏电站发电、本地直流负荷、交流电网三大模块，水光互补原理示意图，如图1所示。

图1 水光互补原理示意图

由图1可知，水光互补的结构类似于非调度系统，但又有不同之处。水光互补调节方式是将剩余的光伏电站电力直接输送至AC系统，同时利用水光互补技术输送至光伏电站的开关，再“捆绑”起来，通过电力输送至交流网[3]。该调度方式可以迅速改变发电功率的大小，使光伏电站发电性能得到有效的提高，降低乃至消除电厂对电网的影响。水光互补发电不会对电厂的运行和调度产生任何影响，也不会对其上、下游防洪、发电、灌溉等功能产生任何影响，也不会改变其在电网中的地位。

2 基于多目标粒子群的水光互补光伏电站容量优化设计

基于水光互补原理及特性，在确定多目标粒子群全局最优解的情况下，利用短期最优调度的方式来分析水光互补对出力调峰影响程度，由此设计水光互补光伏电站容量优化方案。

2.1 基于多目标粒子群全局最优解计算

粒子群算法最初仅限于求解单目标优化问题，但现在受到光伏电站动态环境影响，需将其应用于多目标优化问题之中。粒子速度矢量的更新也由速度惯性、自学习和社会学习3个部分组成[4]。粒子速度和位置变化情况为：

(1)

(2)

2.2 水光互补光伏电站容量优化

水光互补电站在不影响调峰、调频、电网正常工作的情况下，只需改变水力输出的水光互补机组的出力，增加总的功率，就能达到系统需求。对于光伏发电厂，可以在平水期、旱季进行光伏发电。而在雨季，光伏电站的蓄水量大、调节能力强，必须与光伏发电系统相结合[5]。雨季时，小型光伏发电站常常是满负荷运行，其容量不能与光伏发电相匹配。所以，在光伏电站发电厂的选择中，必须将水力发电作为一个重要的因素。所研究的水光互补电站的光伏电站，具有蓄水量大的多年调节水库，能很好地调节光伏电站发电。

2.2.1水光互补周期调度方案设计

光伏电站发电的输出受到外界环境的极大影响，如果将其直接引入电网，将会对电网的安全、稳定运行造成一定的影响。当光伏与水力协同工作时，就会发电，此时再使用水轮机及时调整发电频率[6]，再结合蓄水池的蓄电能力，能够实现水光互补光伏电站的高效处理。与此同时，使发电曲线平滑，不会出现尖峰，由此改善光伏电站的发电质量，大大降低了对电力系统的影响[7]。

水光互补优化调度方案通常可分为以下几类：以调度周期的长短为标准分类，可分为中长期最优调度方案和短期最优调度方案，水光互补的目标模型为调峰容量最大化，弃电量最小化，发电效益最大化。以上调度方案特点如下。

中长期优化调度模式通常指的是以月、年为周期，而水库调节库容、太阳辐射、来水径流等各因子的长期规模差别很大，此方案适合于长期水光互补发电的可行性与可靠性研究。

短期优化调度模式的研究时间通常很短，通常是1d。在调节库容大的光伏电站中，可以实现水力互补的协同优化。因此，使用短期最优调度的数学模型来分析水光互补对电网调峰能力的影响。

2.2.2容量优化方案

根据前述设计的水光互补短期调度方案，采用多目标粒子群优化水光互补光伏电站容量，详细步骤如下。

步骤1：对种群进行初始化处理，获取参数认知结果和引导粒子。

步骤2：设置迭代次数为2，如果迭代次数小于等于2，则需要更新粒子群速度和位置后再次迭代；反之，则判断当前种群与上一代种群之间的距离。如果距离大于上一代种群与上二代种群之间的距离，那么表明该种群具有多样性，反之，则种群多样性较差，应继续更新速度和位置。

步骤3：计算多目标粒子群中M个目标函数所对应的适应度值。

步骤4：当计算结果小于设定的阈值，那么需更新粒子位置，并重新计算适应度值；当计算结果大于等于设定的阈值，那么将该值作为依据，判断计算结果与最优解的主导关系，如果是最优解主导计算结果，则进行下一步，否则返回步骤3。

步骤5：计算当前粒子与该粒子中其他粒子的种群距离，得到当前粒子的最小种群距离。

步骤6：计算种群中所有粒子之间的总体距离，求出总体中所有粒子的最小总体距离，并求其平均值，即种群距离。

步骤7：分析当前问题解与个体解之间的关系，确定新的非优化解中所有更新的粒子数量。

步骤8：确定新的非优化解决方案和优化解决方案之间的支配关系，如果新的非优化解决方案没有被优化解决方案中的任何解决方案所支配，则将优化解决方案中的新的非优化解决方案保存为新的非优化解决方案。否则，它将不会被添加到优化解决方案之中；如果优化解决方案数量超过设定的数量，则采用自适应调度技术对优化解决方案进行优化。

步骤9：采用轮盘赌注策略，按照从外到内的顺序提取先导粒子。

步骤10：根据粒子提取结果，更新惯性权重和认知的参数值。

为了自适应调整检索模式，将种群距离作为种群进化检验标识，通过这种检索方式能够有效提高优化方法的收敛性。基于此，引入光互补光伏电站运营周期的净值，构建水光互补经济模型：

(3)

式中，CP—光伏电站容量，MW；γ—基准收益率，%；I—水光互补电站每年的收入，元；Z—水光互补电站每年的成本，元；t—运营时间，t。其中水光互补电站每年的成本包括光伏电站基本建设成本、折旧费、经营成本、建设贷款、保险费、修理费等；水光互补电站每年收入包括光伏电站年发电量、水电电价[8]。由于光伏电站参数是固定的，所以在收益计算过程中，光伏电站收入和成本是可以不纳入计算过程中的。

在水光互补电站中，光伏电站年发电量计算公式为：

QP=ηtCP-QK

(4)

式中，η—光伏电站的发电效率，%；QK—光伏电站放光量，kW·h，这种情况一般发生在夏天；其余变量含义同前文所述。

以公式(3)为最优模型函数，使光伏电站在稳定运行情况下，收入效益达到最高，并获取最大利润，该利润下所对应的方案就是水光互补光伏电站容量优化的最好方案。

3 实验

以某峡谷的光伏电站工作为例，该光伏电站运行周期为25a，净现值收益率为10%。在该实验条件下，对基于多目标粒子群的水光互补光伏电站容量优化方法研究合理性进行实验验证分析。

该区域光伏电站24h理想电荷见表1。

表1 24h理想电荷

当使用水光互补方案后，光伏电站按照最优方案发电，该过程主要注意的是：光伏电站需要在中午减少电站出力，在其余时间增加电站出力，以此在保障光伏电站出力效果最好的同时，降低成本，增加收益。

在保证水光互补光伏电站总发电量不变情况下，只有光伏电站输出电量发生改变。此时，光伏电站白天电站减少的出力量应与夜晚电站增加的出力量一致。基于该原理，分别使用多能源系统的容量优化模型、单目标优化模型和水光互补容量优化，对比分析电站24h负荷变化情况，对比结果如图2所示。

图2 2种方法光伏电站负荷变化情况对比分析

由图2可知，使用多能源系统的容量优化模型随着时间的增加，在时间为8h时负荷达到最大值为1010MW。在时间为14h时负荷达到最小值为800MW；使用单目标优化模型随着时间的增加，在时间为18h时负荷达到最大值为1010MW。在时间为14h时负荷达到最小值为790MW；使用水光互补容量优化方法随着时间的增加，在时间为8h时负荷达到最大值为1080MW。在时间为14h时负荷达到最小值为780MW，与表1所示的理想电荷一致。通过上述分析结果可知，使用水光互补容量优化方法具有良好优化效果。

基于此，分别使用3种方法对比分析光伏电站收益情况，结果见表2。

表2 3种方法光伏电站收益情况对比分析

由表2可知，3种方法随着置信水平的变化，收益均有减小趋势。其中，使用多能源系统的容量优化模型的光伏电站最大收益比水光互补容量优化方法光伏电站最大收益要小868MW；使用单目标优化模型的光伏电站最大收益比水光互补容量优化方法光伏电站最大收益要小984MW。由此可知，使用水光互补容量优化方法光伏电站收益最高。

4 结语

为了降低光伏电站受到动态环境的影响，提高电站容量，提出了一种基于多目标粒子群的水光互补光伏电站容量优化方法，考虑到水-光伏混合动力电站的输出约束，采用多目标粒子群算法求解了水能混合光伏电站容量较大时的最大经济效益。证明本文提出的多目标粒子群优化算法能够提高光伏电站运行效率，能够为光伏电站建设规划提供新思路的同时，保障水光互补光伏电站满足实际需求。但是由于时间限制，本文对水光互补光伏电站功率研究较少，在接下来的研究中，将完善本文方法，为我国水利建设提供有力的技术支持。