摘要：文章提出了一種基于遺傳算法的電源規劃模型，旨在提高電網對風電的消納能力并保持系統穩定。通過構建不同的規劃方案，分析了儲能電站的引入對電力系統的影響，包括提升風電消納能力、電網穩定性和經濟效益。即使儲能設施初期投資較高，但長期看可以有效降低運行成本，提高電網的可靠性。此外，文章還探討了允許風電輸出波動對規劃結果的積極影響，提供了一種在確保電力系統可靠性的同時降低投資成本的策略。

關鍵詞：風電消納；電源規劃；儲能電站

0引言

隨著全球氣候變化和能源危機的日益嚴峻，可再生能源的開發和利用成為世界各國的共同選擇，其中風能作為清潔能源的代表，其開發利用受到了廣泛關注。然而，風能的間歇性和不穩定性給電網的穩定運行和風電的大規模消納帶來了挑戰。

1儲能電站提高風電消納能力工作機理

基于儲能電站提高風電消納能力的電源規劃研究，關注的是如何通過儲能系統提高風電的利用效率和穩定性。風能作為一種可再生能源，雖然環保，但存在一定的不穩定性，特別是風速的變化導致發電量波動。為了解決這一問題，儲能電站的作用顯得尤為重要。儲能電站通過存儲風能在風速較高時多出的電力，解決了風電供應不穩定的問題。當風速減弱，風力發電量減少時，儲能電站可以釋放之前儲存的電力，保證電網的穩定供電。

2模型求解的流程

圖1展示的是一個基于遺傳算法的電源規劃模型求解流程，遺傳算法是一種啟發式搜索算法，用于解決優化和搜索問題。該流程圖詳細描述了電源規劃模型的各個步驟，從初始化種群到解決方案輸出。

流程從“開始”標記出發，首行的是“種群初始化”。在這個階段，創建了一個種群，包含多個個體，每個個體代表電源規劃問題的一個潛在解決方案。種群的每個個體都有一個與之相關的適應度值，該值指示該個體解決問題的能力。接下來，流程進入“計算個體適應度”的步驟，基于現有的系統數據和參數約束，計算每個個體的適應度值。適應度值越高的個體，被認為是更好的解決方案。之后，流程圖指向一個判定環節：“滿足條件”，這個環節檢查當前種群是否已經達到了既定的停止條件，這些條件可能是解決方案的精度滿足預定的要求，或者算法已經達到了預設的迭代次數。

在“選擇”階段，根據個體的適應度進行選擇，適應度較高的個體有更高的機會被選中參與下一代的生成，這個過程模仿了自然選擇，即適者生存的原則。“交叉”是指選定的個體通過某種方式交換它們的一部分基因，生成新的個體，這個過程對應于生物學中的繁殖和遺傳，有助于產生新的解決方案。

2.1解碼與編碼

在應用遺傳算法進行電源規劃問題求解時，染色體編碼的設計至關重要。染色體編碼是算法能否成功應用于電源規劃的決定性因素。一個有效的編碼滿足3個基本原則：完備性、健全性和小冗余性。完備性確保編碼可以覆蓋所有可能的解決方案，健全性保證每個編碼都能夠對應一個有效的解決方案，而小冗余性則意味著編碼系統盡可能簡潔，以降低無效解的出現。

2.2適應度函數的選擇

在遺傳算法中，適應度函數是決定個體存續的關鍵，它衡量了個體在特定環境中的生存能力。高適應度的個體有大的概率傳遞其基因到下一代，而適應度低的個體則可能被淘汰。為了有效地引導算法搜索過程，并確保解決方案的質量，本文采用了一種懲罰策略來增強個體的適應度。這種策略通過對目標函數添加懲罰項來調整適應值函數，使其能夠反映約束條件的滿足程度。在構建小化國民經濟投入的目標函數時，電力和電量的約束被作為懲罰項考慮在內。這樣做的目的是確保在追求成本效益的同時，也要滿足電網的基本運行要求。類似地，當目標是大化風電消納能力時，電壓和頻率約束則成為懲罰項。此時的目標函數為：

這意味著解決方案不僅要追求風電的利用，而且要保證電網的穩定性和可靠性。目標函數的設計反映了這種平衡的追求。在適應度函數中，電網的穩定運行參數被賦予了權重，這樣可以在種群進化的過程中自然淘汰那些可能導致電網不穩定的解決方案。

2.3遺傳參數的選擇

經過多輪的試驗和調整，確定了適合本文遺傳算法模型的關鍵參數。設定了一個由150個個體組成的種群，以確保有足夠的多樣性來探索解空間。選擇率設置為0.65，以平衡精英主義和多樣性的保持。此外，采用了0.78的較高交叉率來鼓勵信息在個體間的廣泛交換，而變異率則定為0.05，以引入新的基因變異但又不至于破壞已經適應的結構。使用0.68作為隨機數種子，以保持實驗的一致性和可重復性。這些參數的設置旨在優化算法的搜索能力，同時保持算法的魯棒性和避免過早收斂到局部優解。

3算例仿真

3.1規劃內容

采用了一個虛擬的電網環境，對特定地區的電力系統進行了未來7年內的規劃，其中涉及12個預期建立的電源。電力總負荷及總用電量逐年增長情況如表1所示。特別地，編號為9～12的電源是規劃中的儲能電站，它們的容量取決于當地的風能資源利用情況，因此無法在規劃開始前準確設定。儲能電站的容量將依據規劃過程中的具體情況動態確定，每個電站由若干儲能單元組成，具體的技術參數如表2所示。這種規劃方法允許在考慮風能資源的同時，靈活調整儲能電站的規模，以適應實際需求。

3.2不同規劃方案的結果及對規劃結果的分析

本文提出的算法與模型應用于對一個區域的電力系統實施了為期7年的電源規劃，產生了3種不同的規劃方案。在方案1中，直接采用了本文描述的算法和模型。方案2則在模型的基礎上做了調整，允許風電場的輸出功率有一定幅度的波動。方案3排除了儲能電站的參與，除此之外，與方案1保持一致。這些方案的比較分析旨在評估儲能電站的影響以，及風電輸出波動對區域電力系統規劃的影響。優化方案結果如表3所示。

根據表3的數據，可以觀察到以下現象：①不同的投資選擇導致各電廠啟用的順序有所變化。這主要是由于選址的地理位置、當地環境條件及電廠類型的不同考量，進而影響了投資總額。②通過比較不同的投資模型，可以看出總投資成本和電網對風電的吸納能力呈現顯著差異。在方案1和方案3的對比中，方案1由于納入了儲能電站，多出的投資為109.6億元，但其風電消納能力顯著優于方案3。這表明儲能電站的引入顯著提升了電網的風電消納效率，并降低了庫存與缺貨成本，增強了市場競爭力。然而，儲能設備的高成本也使得經濟投入相應增加。③在方案2和方案1的對比中，盡管風電消納能力相近，國民經濟總投入卻降低了31.4億元。這是因為方案2在不犧牲電力系統可靠性的前提下，允許風電場輸出功率有更大的波動，減少了所需儲能電站的容量。由于儲能系統成本隨容量增加而上升，因此總投入相應減少。綜合分析可知，本文模型有效展現了儲能電站在增強風電消納能力上的優勢。同時，也實現了在風電波動范圍內的可靠性和經濟性之間的平衡，符合當前國際對環境保護、可持續發展、電能可靠性及市場競爭力新形勢的需求。

4安科瑞Acrel-2000MG微電網能量管理系統

4.1概述

Acrel-2000MG儲能能量管理系統是安科瑞專門針對工商業儲能電站研制的本地化能量管理系統，可實現了儲能電站的數據采集、數據處理、數據存儲、數據查詢與分析、可視化監控、報警管理、統計報表、策略管理、歷史曲線等功能。其中策略管理，支持多種控制策略選擇，包含計劃曲線、削峰填谷、需量控制、防逆流等。該系統不僅可以實現下級各儲能單元的統一監控和管理，還可以實現與上級調度系統和云平臺的數據通訊與交互，既能接受上級調度指令，又可以滿足遠程監控與運維，確保儲能系統安全、穩定、可靠、經濟運行。

4.2應用場景

適用于工商業儲能電站、新能源配儲電站。

4.3系統結構

4.4系統功能

4.4.1實時監管

對微電網的運行進行實時監管，包含市電、光伏、風電、儲能、充電樁及用電負荷，同時也包括收益數據、天氣狀況、節能減排等信息。

4.4.2優化控制

通過分析歷史用電數據、天氣條件對負荷進行功率預測，并結合分布式電源出力與儲能狀態，實現經濟優化調度，以降低尖峰或者高峰時刻的用電量，降低企業綜合用電成本。

4.4.3收益分析

用戶可以查看光伏、儲能、充電樁三部分的每天電量和收益數據，同時可以切換年報查看每個月的電量和收益。

4.4.4能源分析

通過分析光伏、風電、儲能設備的發電效率、轉化效率，用于評估設備性能與狀態。

4.4.5策略配置

微電網配置主要對微電網系統組成、基礎參數、運行策略及統計值進行設置。其中策略包含計劃曲線、削峰填谷、需量控制、新能源消納、逆功率控制等。

5硬件及其配套產品

6結語

本文通過采用遺傳算法對電力系統的電源規劃進行了深入分析。結果表明，儲能電站的引入顯著提升了風電的消納能力，并增強了電網的穩定性，為風電大規模應用和儲能技術的集成提供了實用的規劃策略，對促進可持續能源發展和電力系統的經濟運行具有重要意義。

參考文獻：

[1]林晨，于興達.基于儲能電站提高風電消納能力的電源規劃研究。

[2]張也可，羅志坤，曾林俊，等.考慮風光出力相關性與共享儲能的綜合能源微網雙層優化[J].電力科學與工程，2023，39（10）:26-38.

[3]陳俊.電化學儲能電站質量安全研究[J].電工電氣，2023（9）:74-76.

[4]郝文波，景菲，顏慶宇，等.數據驅動下基于風電場景的多時間尺度調峰調度研究[J].電力系統保護與控制，2023，51（16）:115-126.

[5]安科瑞企業微電網設計與應用手冊.2022年05版

[6]安科瑞Acrel2000ES儲能能量管理系統選型手冊.2024年04版

[7]安科瑞光儲充微電網系統解決方案.2024年04版