陳娟，黃元生，魯斌

(1.華北電力大學(xué)經(jīng)管系，河北 保定 071003；2.華北電力大學(xué)計算機系，河北 保定 071003)

協(xié)同遺傳算法在微網(wǎng)孤島下的環(huán)保經(jīng)濟調(diào)度

陳娟1，黃元生1，魯斌2

(1.華北電力大學(xué)經(jīng)管系，河北 保定 071003；2.華北電力大學(xué)計算機系，河北 保定 071003)

主要研究了孤島模式下的微網(wǎng)環(huán)保經(jīng)濟調(diào)度問題，即在滿足微網(wǎng)安全運行約束和負荷需求的條件下，優(yōu)化分布式電源的出力，使微網(wǎng)的發(fā)電成本和排放成本最小。分析建立了微網(wǎng)環(huán)保經(jīng)濟調(diào)度的數(shù)學(xué)模型，考慮了分布式電源的燃料消耗、維護費用、排放成本、微網(wǎng)運行約束條件以及負荷需求等因素。研究了協(xié)同遺傳算法的多種群并行運算機制與合作池特征，并將其用于調(diào)度模型求解。仿真實驗驗證了算法的可行性和有效性。

微網(wǎng)；協(xié)同遺傳算法；孤島模式；發(fā)電成本；排放成本

0 前言

能源危機和節(jié)能減排促使電力行業(yè)在擴大完善原有電力系統(tǒng)的同時，不斷開發(fā)新能源，加強可再生能源的利用率，使新能源發(fā)電、可再生能源發(fā)電這種分布式發(fā)電方式成為大電網(wǎng)的有益補充[1]。

分布式發(fā)電可以有效地解決傳統(tǒng)能源的資源短缺問題和二氧化碳過多排放引起的溫室效應(yīng)問題，常見的分布式電源 (Distributed Generation，DG)包括小型風(fēng)力發(fā)電 (Wind Turbine，WT)、太陽能光伏發(fā)電 (Photo Voltaics，PV)、微型燃氣輪機發(fā)電 (Micro Turbine，MT)、燃料電池發(fā)電 (Fuel Cell，F(xiàn)C)以及燃氣輪機發(fā)電 (Gas Turbine，GT)等[2-3]。而微網(wǎng)是一種將分布式電源、負荷、儲能裝置及各種控制器結(jié)合在一起的電網(wǎng)形式，它作為一個單一可控單元，同時向用戶供給電能和熱能，可以并網(wǎng)運行，也可以孤島運行，實現(xiàn)微網(wǎng)內(nèi)電壓和頻率的穩(wěn)定以及功率平衡[4]。微網(wǎng)不僅解決了分布式電源的大規(guī)模接入問題，而且能夠高效環(huán)保地利用各種分布式電源，具有較高的供電可靠性，是一種將分布式電源接入到大電網(wǎng)并充分發(fā)揮其效能的有效方式，與大電網(wǎng)互為支撐，在微網(wǎng)的研究中，對環(huán)保經(jīng)濟調(diào)度技術(shù)的研究在新能源發(fā)展應(yīng)用方面有著重要的意義，是智能電網(wǎng)研究的一個重要方面[5]。

微網(wǎng)的環(huán)保經(jīng)濟調(diào)度是指在滿足負荷需求的前提下，協(xié)調(diào)各臺分布式電源的出力，使整個微網(wǎng)的發(fā)電成本和排放成本最小。目前，這方面的研究已經(jīng)取得了一些成果，內(nèi)容涉及到粒子群優(yōu)化算法[6]、蟻群優(yōu)化算法[7]以及遺傳算法[8-9]等方面，但距實際需求尚有一定差距。

文中就微網(wǎng)孤島運行模式下的環(huán)保經(jīng)濟調(diào)度技術(shù)做了進一步的探討，重點分析了協(xié)同遺傳算法與微網(wǎng)調(diào)度相結(jié)合的機制與方法，充分發(fā)揮該算法搜索能力強、并行尋優(yōu)速度快的優(yōu)勢，以達到高效、快速、最佳地微網(wǎng)環(huán)保經(jīng)濟運行目標(biāo)。仿真實驗表明，文中所做工作是可行的和有效的。

1 微網(wǎng)環(huán)保經(jīng)濟調(diào)度的數(shù)學(xué)模型

傳統(tǒng)電網(wǎng)經(jīng)濟調(diào)度經(jīng)驗可對微網(wǎng)起到一定的指導(dǎo)作用，但微網(wǎng)自身的特殊性使得調(diào)度DG時與傳統(tǒng)電網(wǎng)的發(fā)電機組調(diào)度存在很大區(qū)別。首先，DG中的太陽能、風(fēng)能等可再生能源是不可調(diào)的，受自然條件的影響很大，導(dǎo)致太陽能光伏發(fā)電、風(fēng)力發(fā)電出力隨機性很大；其次，光伏發(fā)電、風(fēng)力發(fā)電的發(fā)電成本較低，而且?guī)缀鯚o溫室氣體排放，因此應(yīng)優(yōu)先安排其最大限度地發(fā)電；再有，不同類型、容量的DG其燃料消耗種類、效率、運維費用以及溫室氣體排放量均不同。因此，建立微網(wǎng)環(huán)保經(jīng)濟調(diào)度數(shù)學(xué)模型時就要考慮上述因素。

微網(wǎng)主要有并網(wǎng)與孤島兩種運行模式。并網(wǎng)運行時，大電網(wǎng)是微網(wǎng)的重要支撐，可以確保微網(wǎng)內(nèi)所有負荷的可靠供電；孤島運行時，微網(wǎng)不從大電網(wǎng)吸收功率，完全由內(nèi)部的微電源獨立供電，此時，微網(wǎng)的環(huán)保經(jīng)濟調(diào)度是通過調(diào)節(jié)各微電源的出力，使其在滿足功率平衡和負荷需求的前提下，使微網(wǎng)的目標(biāo)成本最小。

1.1 目標(biāo)函數(shù)

其中，N表示DG總數(shù)；CG(Qi)表示第i臺DG的發(fā)電成本；CE(Qi)表示第i臺DG的排放成本。

1.1.1 發(fā)電成本

DG的發(fā)電成本主要由燃料成本和運行、維護成本兩部分構(gòu)成。孤島運行時，微網(wǎng)的發(fā)電成本可表示為下式：

其中，用αi表示第i臺DG每發(fā)電1 kW·h所消耗燃料的費用，即第i臺DG的燃料系數(shù)(歐元/kW·h)；用βi表示第i臺DG每發(fā)電1 kW ·h所需要的運維費用，即第i臺DG的運維系數(shù)(歐元/kw·h)；用Qi表示第 i臺DG的發(fā)電量(kW·h)。

1.1.2 排放成本

微網(wǎng)的排放成本可用下式來表示：

其中，M指的是污染物的種類，通常包括NOx、SO2、CO2等；用γij表示第i個DG每發(fā)電1 kW·h所排放的第j類溫室氣體的重量，即第i個DG第j類排放物的排放系數(shù) (kg/kW·h)；用ηj表示每排放1 kg第j類溫室氣體所需繳納的排放費用，即溫室氣體中第j種排放物的處理單價(歐元/kg)。

1.2 約束條件

在微網(wǎng)的環(huán)保經(jīng)濟調(diào)度中，一般需要滿足兩類約束條件，分別是：

1.2.1 功率平衡約束

功率平衡約束是供用電系統(tǒng)中的一條基本準則，可用下式表示：

其中，分別用PD、PL來表示用戶負荷的需求和電力傳輸過程中的網(wǎng)損。

1.2.2 微電源出力約束

為了保證DG的穩(wěn)定運行，每臺DG必須滿足容量限制，即其出力必須滿足下式：

其中，分別用Pimax、 Pimin來表示第i個DG的有功出力上下限。

2 協(xié)同遺傳算法分析

協(xié)同遺傳算法 (Co-evolutionary Genetic Algorithm，CGA)通?；诙喾N群實現(xiàn)，種群之間通過相互競爭與合作的關(guān)系實現(xiàn)共同進化，對種群個體而言，其進化受其他種群個體及進化環(huán)境的影響，評價時需要利用其他種群個體的信息，具有收斂速度快、健壯性強、不易陷入局部極小的特點[10]。

除競爭外，合作是物種之間另外一種非常普遍的協(xié)同關(guān)系。合作型協(xié)同遺傳算法 (Cooperative Co-evolutionary Genetic Algorithm，CCGA)是為了適應(yīng)現(xiàn)實世界中廣泛存在的相互適應(yīng)模塊的優(yōu)化而提出的，實質(zhì)是對傳統(tǒng)遺傳算法編碼方法的擴展。其編碼方法與傳統(tǒng)遺傳算法截然不同，個體不對所有變量進行編碼，只對部分變量進行編碼，從而將一個復(fù)雜的多變量優(yōu)化問題轉(zhuǎn)化為多個相對簡單的少變量優(yōu)化問題。在進行個體評價時，需要利用其他種群的個體信息以構(gòu)成一個完整的決策變量，繼而利用適應(yīng)度函數(shù)進行計算。這樣做的好處在于，種群之間相互受益、相互制約、相互協(xié)同、共同進化，算法被廣泛地應(yīng)用于分類、過程控制以及約束滿足等領(lǐng)域。

圖1給出了合作型協(xié)同遺傳算法的流程圖，步驟說明如下：

圖1 協(xié)同遺傳算法流程圖

步驟1，編碼并產(chǎn)生所有初始子種群。

步驟2，從其他種群中選擇代表個體，與待評價種群的個體一起構(gòu)成合作團體，進行個體評價。

步驟3，判斷算法是否滿足終止條件，若滿足，則終止種群進化，輸出優(yōu)化結(jié)果；否則，轉(zhuǎn)步驟4。

步驟4，各種群進行選擇、交叉和變異等遺傳操作，生成下一代種群，然后轉(zhuǎn)步驟2。

實際應(yīng)用中，子種群的數(shù)量可多可少，由具體求解問題本身特性來決定。關(guān)于代表個體的選擇，可以采用兩種方法：一種是選擇其他子種群的最優(yōu)個體作為代表個體，對于初始情況，可隨機選擇代表個體，該方法簡單易行，計算量小，適用于決策變量各個分量之間聯(lián)結(jié)不強的情況；另一種是從各子種群中選擇最優(yōu)個體和任一其他個體，分別與待評價個體組成兩個合作團體并進行評價，選擇適應(yīng)度值較大者作為待評價個體的適應(yīng)度值，該方法對決策變量分量之間連結(jié)較強時是可行的，但計算量比前者要大。通過對大量函數(shù)優(yōu)化問題進行實驗分析，結(jié)果表明只要選擇合適的代表個體，合作型協(xié)同遺傳算法的優(yōu)化性能和收斂速度都優(yōu)于傳統(tǒng)遺傳算法。

事實上，協(xié)同遺傳算法各子種群在獨立進化時，進化過程是比較靈活的，既可以采用相同的進化算法，也可以采用不同的進化算法，這與自然界多樣化的進化過程相符。比如，遺傳操作可以采用遺傳算法中的選擇、交叉和變異等，也可采用進化策略或者進化規(guī)劃中的相關(guān)操作。

3 仿真實驗與結(jié)果分析

文中構(gòu)造了一個基本的微網(wǎng)實驗系統(tǒng)，選取了典型的實驗數(shù)據(jù)和系統(tǒng)參數(shù)，在 MATLAB R2010a上進行仿真實驗，并對實驗結(jié)果做了比較和分析。

3.1 微網(wǎng)結(jié)構(gòu)與參數(shù)

給定微網(wǎng)結(jié)構(gòu)如圖2所示，內(nèi)含PV、WT、MT、FC和GT各1臺。現(xiàn)假設(shè)大電網(wǎng)發(fā)生故障導(dǎo)致微網(wǎng)獨立運行，也就是說，整個微網(wǎng)不再從大電網(wǎng)吸收功率，而轉(zhuǎn)由內(nèi)部的DG獨立供電。

圖2 微網(wǎng)結(jié)構(gòu)簡圖

在實驗中，選取了2個典型日的負荷曲線分別進行求解，如圖3所示。

圖3 典型日負荷一和負荷二的24 h功率曲線

微網(wǎng)中含有一定的儲能裝置，與PV、WT并網(wǎng)運行，目的在于穩(wěn)定PV和WT的出力。特別需要指出的是，若微網(wǎng)工況發(fā)生較大變化且所有DG出力不足以滿足負荷需求時，儲能裝置將起到暫時性的支撐作用。由于室外環(huán)境溫度以及日照強度隨季節(jié)、不同時段有很大的變化，因此會對PV的輸出功率造成很大影響；并且，風(fēng)力大小也受天氣和自然界諸多因素影響，因此，WT的輸出功率也時常處于變化之中。圖4給出了某一季節(jié)某一典型日PV和WT的24 h出力數(shù)據(jù)，本文實驗將予以采用。

圖4 典型日PV和WT的24 h預(yù)測出力數(shù)據(jù)

鑒于PV和WT的發(fā)電成本較低且?guī)缀鯚o溫室氣體排放，因此，假設(shè)PV和WT的發(fā)電成本和排放成本均為0，于是，只需考慮MT、FC和GT的發(fā)電成本與排放成本即可。表1和表2分別列出了有關(guān)MT、FC、GT發(fā)電成本和排放成本的所需參數(shù)。在溫室氣體排放中，因CO2比重最大，因此，只考慮CO2的排放，并假定其處理價格為0.02歐元/kg。

表1 DG的發(fā)電參數(shù)

表2 DG的排放系數(shù) (kg/MW·h)

3.2 仿真結(jié)果與分析

文中所用遺傳算法基本參數(shù)設(shè)置為：種群規(guī)模Pop=30，終止進化代數(shù)T=100，交叉操作概率Pc=0.95，變異操作概率Pm=0.3。并且，對于目標(biāo)函數(shù)約束條件的處理方式采用罰函數(shù)法進行，于是基于協(xié)同遺傳算法的微網(wǎng)環(huán)保經(jīng)濟調(diào)度系統(tǒng)核心代碼如下：

%======================

%p1，p2，p3，p4：子種群

%data1：DGs的參數(shù)

function[p1，x2，x3，x4] =gafit(p1，p2，p3，p4，num，numVar，data1，flag)

x1=p1(：，1：numVar)；%從p2中找出代表個體

index=max(p2(：，numVar+1))；

a=find(index==p2(：，numVar+1))；x2=p2(a，1：numVar)；%從p3中找出代表個體

index=max(p3(：，numVar+1))；

a=find(index==p3(：，numVar+1))；x3=p3(a，1：numVar)；%從p4中找出代表個體

index=max(p4(：，numVar+1))；

a=find(index==p4(：，numVar+1))；

x4=p4(a，1：numVar)；

for i=1：num

P1=[x1(i)x2(1)x3(1)x4(1)]；

%計算單個DG的成本

for j=1：3

F1(j)= (data1(j，1)+data1(j，2)+ 0.02?data1(j，3) /1000)?P1(j)；

End

%懲罰項

lam=abs(sum(P1)-Pdh)；%總成本

F(i)=sum(F1)+1000?lam；end

%適應(yīng)度值

fit=MAXFIT-F'；

p1(：，numVar+1)=fit；

%=======================

3.2.1 實驗1

實驗1的目的是驗證文中所提協(xié)同遺傳算法在進行微網(wǎng)環(huán)保經(jīng)濟調(diào)度時的有效性。由圖3可以看出，1時至17時之間，負荷一均小于負荷二，其余時段，負荷二則小于負荷一；相應(yīng)的，由圖5可以看出，1時至17時之間，負荷一的最小總成本恰好低于負荷二的最小總成本，其余時段，負荷二的最小總成本恰好低于負荷一的最小總成本。這一優(yōu)化結(jié)果符合理論分析結(jié)果，也就是說，負荷需求低則對應(yīng)總成本也低，從而說明采用協(xié)同遺傳算法進行微網(wǎng)環(huán)保經(jīng)濟調(diào)度的正確性。

圖5 滿足負荷一和負荷二需求的最小總成本

3.2.2 實驗2

實驗2的目的是驗證協(xié)同遺傳算法與普通典型遺傳算法相比，在微網(wǎng)環(huán)保經(jīng)濟調(diào)度中的優(yōu)越性。本文所選取的普通典型遺傳算法是一種常見算法，為提高實驗結(jié)論的可信度，文中協(xié)同遺傳算法的參數(shù)設(shè)置和各種遺傳操作均與典型算法保持一致。

圖6 兩種方法滿足負荷一需求的最小總成本

從圖6可以看出，各時段經(jīng)協(xié)同遺傳算法優(yōu)化后的負荷一的最小總成本均低于典型遺傳算法優(yōu)化后的結(jié)果，說明在同樣的條件下，協(xié)同遺傳算法的優(yōu)化效果明顯好于典型遺傳算法的優(yōu)化效果，從而體現(xiàn)出了前者的優(yōu)越性。

圖7 兩種方法滿足負荷二需求的最小總成本

圖7 給出了這兩種方法對于負荷二的優(yōu)化結(jié)果，結(jié)論與圖6一致，這里不再贅述。

3.2.3 實驗3

實驗3的目的是進一步從優(yōu)化性能和算法運行時間方面驗證協(xié)同遺傳算法的優(yōu)越性。

以負荷一數(shù)據(jù)為例，保持算法其它參數(shù)不變，僅對種群規(guī)模進行調(diào)整，并分別進行10次測試，取其結(jié)果的平均值填入表3中。

表3 算法性能比較

從表3可以看出，當(dāng)種群規(guī)模均為30時，典型遺傳算法關(guān)于負荷一的24個時段的最小總成本的平均值遠大于協(xié)同遺傳算法的優(yōu)化結(jié)果，而運行時間遠小于協(xié)同遺傳算法的運行時間；隨著典型遺傳算法種群規(guī)模的擴大，總成本平均值有所降低，運行時間卻相應(yīng)增多；直到種群規(guī)模為120時，典型遺傳算法得到的總成本平均值才接近協(xié)同遺傳算法的優(yōu)化結(jié)果，然而此時，運行時間卻超過了協(xié)同遺傳算法。

實驗結(jié)果表明，就典型遺傳算法來說，隨著種群規(guī)模的持續(xù)增大，對于優(yōu)化確實起到了促進作用，但作用越往后越不明顯，且對運行時間造成嚴重影響。因此，對于協(xié)同遺傳算法輕易可以達到的優(yōu)化效果，典型遺傳算法將要付出較為沉重的代價，可見，協(xié)同遺傳算法具有良好的尋優(yōu)性能和收斂速度。

4 結(jié)束語

文中就微網(wǎng)孤島運行模式下的環(huán)保經(jīng)濟調(diào)度技術(shù)引入了一種新的優(yōu)化手段，這種基于協(xié)同進化思想提出的協(xié)同遺傳算法充分表現(xiàn)出了與微網(wǎng)調(diào)度相結(jié)合的可行性與有效性，對于微網(wǎng)這種分布式結(jié)構(gòu)本身就具有良好的適應(yīng)性。下一步，將利用協(xié)同遺傳算法和微網(wǎng)本身的分布式特征，引入分布式并行計算技術(shù)，從而進一步提升協(xié)同遺傳算法的微網(wǎng)調(diào)度優(yōu)化能力。

[1] Hammons T，Lai L L.International Practices in Distributed Generation Development Worldwide[C].Power Engineering Society General Meeting，2007：1-5.

[2] 劉楊華，吳政球，涂有慶，等.分布式發(fā)電及其并網(wǎng)技術(shù)綜述 [J].電網(wǎng)技術(shù)，2008，32(15)：71-76.

[3] 李黎.分布式發(fā)電技術(shù)及其并網(wǎng)后的問題研究 [J].電網(wǎng)與清潔能源，2010，26(2)：55-59.

[4] 張建華，黃偉.微電網(wǎng)運行控制與保護技術(shù) [M].中國電力出版社，2010，7.

[5] 劉文，楊慧霞，祝斌.微電網(wǎng)關(guān)鍵技術(shù)研究綜述 [J].電力系統(tǒng)保護與控制，2012，40(14)：152-155.

[6] 席朋，李鵬，劉金鑫，等.孤島運行模式下的微網(wǎng)經(jīng)濟負荷分配 [J].電網(wǎng)與清潔能源，2011，27(8)：13-18.

[7] 艾欣，崔明勇，雷之力.基于混沌蟻群算法的微網(wǎng)環(huán)保經(jīng)濟調(diào)度 [J].華北電力大學(xué)學(xué)報，2009，36(5)：1-6.

[8] 林偉，陳光堂，邱曉燕，等.基于改進自適應(yīng)遺傳算法的微電網(wǎng)負荷優(yōu)化分配 [J].電力系統(tǒng)保護與控制，2012，40(12)：49-55.

[9] 朱博，陳民鈾，徐瑞林，等.孤島模式下的微網(wǎng)優(yōu)化運行策略 [J].電力系統(tǒng)保護與控制，2012，40(17)：35 -40.

[10] 鞏敦衛(wèi)，孫曉燕.協(xié)同進化遺傳算法理論及應(yīng)用 [M].科學(xué)出版社，2009，5.

Research on Environmental and Economic Dispatch of Microgrid Using Co-evolutionary Genetic Algorithm in Isolated Mode

CHEN Juan1，HUANG Yuansheng1，LU Bin2
(1.Department of Economic Management，North China Electric Power University，Baoding，Hebei，071003；2.Department of Computer Science＆Technology，North China Electric Power University，Baoding，Hebei，071003)

The optimization of environmental and economic dispatch of microgrid in isolated mode is given special attention to make the overall cost of power generation and emission minimum by optimizing the power generated by each distributed source while satisfying the constraints on system operation and demands of loads in this paper.A mathematical model is developed for environmental and economic dispatch of microgrid taking into account fuel consumption，maintenance costs and emission costs of distributed generations，as well as the constraints of power system operation and load demand，etc.Co-evolutionary genetic algorithm is studied for the parallel computing mechanism of multiple populations and cooperation pool characteristic，which is applied into scheduling model.Simulation results verify the feasibility and effectiveness of the algorithm.The optimized microgrid saves power generation costs and reduces environmental pollution in ensuring reliable power supply.

microgrid；co-evolutionary genetic algorithm；isolated mode；generation cost；emission cost

TM73

B

1006-7345(2014)05-0007-06

2014-03-29

陳娟 (1979)，女，博士研究生，講師，研究方向為微電網(wǎng)經(jīng)濟運行、優(yōu)化及評價 (e-mail)chenjuan813＠yahoo.com.cn。

中央高?；究蒲袠I(yè)務(wù)費專項資金資助 (13MS111)

黃元生 (1958)，男，博士，教授，研究方向為技術(shù)經(jīng)濟評價與管理。

魯斌 (1975)，男，博士，副教授，研究方向為微電網(wǎng)運行優(yōu)化與智能控制。