徐意婷，艾 芊

（上海交通大學 電子信息與電氣工程學院，上海 200240）

0 引言

在全球能源環(huán)境問題日益凸顯的大背景下，研究利用清潔能源和可再生能源的呼聲日漸高漲［1-2］。微電網(wǎng)包含風電、光伏電池等清潔可再生能源，為解決可再生能源的綜合利用提供了有效手段，并已成為當前電力行業(yè)的研究熱點和發(fā)展趨勢［3-4］。主動配電網(wǎng)（ADN）作為智能電網(wǎng)未來的發(fā)展趨勢，是可以實現(xiàn)分布式電源和微電網(wǎng)在配電網(wǎng)中廣泛接入及高度滲透的重要技術(shù)手段［5］。微電網(wǎng)接入ADN參與互動調(diào)度的作用主要表現(xiàn)在3個方面［6-7］：正常運行情況下的負荷經(jīng)濟分配；尖峰負荷時出力調(diào)峰；緊急情況下對系統(tǒng)的支撐作用。ADN中微電網(wǎng)和其他機組的互補協(xié)調(diào)運行可以提高經(jīng)濟性，同時保證供電穩(wěn)定性和可靠性，針對含微電網(wǎng)的ADN進行相關(guān)技術(shù)研究具有重要的理論意義和實用價值。

目前，針對微電網(wǎng)和分布式電源接入ADN的研究大多集中在正常運行情況下的經(jīng)濟調(diào)度。文獻［8］從規(guī)劃決策和運行策略兩方面考慮，提出了一種ADN規(guī)劃-運行聯(lián)合優(yōu)化模型用于ADN規(guī)劃。文獻［9］針對主動配電系統(tǒng)中間歇性電源和負荷的不確定性問題，基于多場景技術(shù)提出一種結(jié)合日前調(diào)度和實時調(diào)度的兩步優(yōu)化調(diào)度模型。文獻［10］考慮不同時段電價以及聯(lián)絡(luò)開關(guān)調(diào)整對運行成本的影響，以一個完整調(diào)度周期為目標，提出了一種考慮ADN特性以及分布式能源特性的優(yōu)化調(diào)度模型。文獻［11］考慮微電網(wǎng)接入對配電網(wǎng)的影響，提出一種基于動態(tài)獎懲電價的含多微電網(wǎng)的配電網(wǎng)分層協(xié)調(diào)優(yōu)化模型及其優(yōu)化方法。文獻［12］考慮配電網(wǎng)和多微電網(wǎng)交互運行情況，分別分析其經(jīng)濟利益，建立了微電網(wǎng)和配電網(wǎng)隨機雙層調(diào)度模型，并提出協(xié)調(diào)控制策略。文獻［13］通過雙邊交易考慮微電網(wǎng)和配電網(wǎng)間的互動情況，提出雙層規(guī)劃方法，分析市場環(huán)境下微電網(wǎng)和配電網(wǎng)間的分層決策問題。文獻［14］建立了微電網(wǎng)和配電網(wǎng)的互動調(diào)度模型，并且考慮微電網(wǎng)負荷需求側(cè)管理，對電網(wǎng)運行成本進行優(yōu)化。

上述研究從不同角度解決了微電網(wǎng)接入配電網(wǎng)的經(jīng)濟分配問題，但未涉及ADN中微電網(wǎng)和其他機組間的互動協(xié)調(diào)。微電網(wǎng)接入ADN除了參與正常運行情況下的經(jīng)濟分配，還可以參與以下互動運行：將自身擁有的剩余電能或多余負荷為ADN提供有償削峰填谷［15］；在緊急情況下為ADN其他機組提供備用支持服務(wù)［16］。另外，微電網(wǎng)和ADN中其他機組可能屬于不同的利益主體，存在不同的利益需求，它們之間的利益如何協(xié)調(diào)也是需要研究的問題。

本文在上述研究的基礎(chǔ)上，提出一種新的含微電網(wǎng)的ADN協(xié)調(diào)優(yōu)化調(diào)度方法。將微電網(wǎng)和ADN視為不同利益主體，考慮微電網(wǎng)參與ADN運行的各種互動情況，將削峰填谷成本、微電網(wǎng)備用配置成本和用戶停電損失期望體現(xiàn)于目標函數(shù)中，分別建立ADN和微電網(wǎng)的效益模型；同時，考慮不同主體之間存在不同利益需求的博弈關(guān)系，提出了一種協(xié)同演化博弈算法（CGA），將ADN和微電網(wǎng)作為博弈參與者，對效益函數(shù)進行模糊化處理并求解。在此基礎(chǔ)上，考慮分布式能源隨機性影響建立了基于不滿意度的動態(tài)優(yōu)化子模型，對協(xié)同演化博弈算法進行動態(tài)調(diào)整。結(jié)果表明，在本文所提方法中ADN和微電網(wǎng)能夠通過雙方各自效益最大化進行博弈，并基于不滿意度進行動態(tài)優(yōu)化調(diào)整，最終優(yōu)化策略可以保證整個系統(tǒng)的穩(wěn)定性和經(jīng)濟性。

1 模型設(shè)計

1.1 ADN優(yōu)化模型

ADN效益主要由負荷和接入的一般機組決定，在傳統(tǒng)經(jīng)濟運行的基礎(chǔ)上考慮了安全性和可靠性，計及削峰填谷成本、備用購買成本和用戶停電損失成本。其中，ADN調(diào)度微電網(wǎng)出力進行負荷調(diào)峰，并在緊急情況下可以向微電網(wǎng)購買一定的備用容量；將備用需求的確定過程融入到優(yōu)化調(diào)度中，通過用戶停電損失期望反映其效果。于是，在ADN尋求總運行成本最小的過程中，可以自動確定合理的調(diào)度計劃和備用需求。

1.1.1 削峰填谷成本估算方法

在ADN處于峰谷負荷情況時，微電網(wǎng)可以響應(yīng)地區(qū)負荷曲線進行調(diào)峰。設(shè)調(diào)度周期總時段數(shù)為T，以微電網(wǎng)每個時段的輸出功率為變量，由于ADN希望以最小的成本調(diào)度微電網(wǎng)以達到削峰填谷的效果，其成本可表示為負荷曲線的均方差和調(diào)度成本的乘積［15］：

其中，Nmg為微電網(wǎng)個數(shù)；cplm為微電網(wǎng)m的調(diào)峰調(diào)度價格為時段t系統(tǒng)負荷；Pavg為日平均負荷為時段t微電網(wǎng)m的輸出功率；ΔPpl為負荷峰谷差。

1.1.2 用戶停電損失期望估算方法

通過估計ADN用戶失負荷損失，可以將系統(tǒng)可靠性指標轉(zhuǎn)化為經(jīng)濟性指標加入到優(yōu)化目標中。本文對給定調(diào)度周期總時段數(shù)T內(nèi)用戶失負荷損失期望的估計采取以下方式［17］：

其中，IEAR為停電損失評價率IEAR（Interrupted Energy Assessment Rate），可通過對用戶進行問卷調(diào)查等方式得到［18］；ELOL為系統(tǒng)電量不足期望 EENS（Expected Energy Not Supplied）為狀態(tài) k條件下時段t的實際失負荷量；K為不確定狀態(tài)總數(shù)為時段 t系統(tǒng)處于狀態(tài) k的概率［19］。

式（4）中與系統(tǒng)故障機組和負荷預(yù)測誤差有關(guān)，可分別表示為：

其中，U、A分別為狀態(tài)k下的不可用機組集合和可用機組集合為機組i在時段t的輸出功率為機組j可提供的旋轉(zhuǎn)備用容量為微電網(wǎng)m出售的備用容量為系統(tǒng)負荷預(yù)測誤差；λt為機組故障概率為時段t負荷預(yù)測誤差值為的確切概率，可通過高斯分布離散化描述。

1.1.3 效益函數(shù)

ADN的優(yōu)化目標為發(fā)電成本、調(diào)峰成本、備用購買成本和用戶停電損失期望之和最小，具體效益函數(shù)如下：

其中，Cg為機組發(fā)電成本；CR為微電網(wǎng)備用提供成本；Ng為機組臺數(shù)為機組 i輸出功率為時的發(fā)電成本，當取二次成本特性且不計負荷成本時可表示為為微電網(wǎng) m 向ADN出售備用的價格。

1.1.4 約束條件

（1）功率平衡約束。

（2）發(fā)電單元出力上下限約束。

其中分別為可調(diào)度發(fā)電機組i的出力下限值和上限值。

（3）機組爬坡約束。

增負荷時，有：

減負荷時，有：

（4）聯(lián)絡(luò)線容量限制。

其中，Pmin、Pmax分別為聯(lián)絡(luò)線功率的下限值和上限值。

（5）旋轉(zhuǎn)備用約束。

其中，τ為通過增加機組出力提供備用的允許時間，一般取10 min。

1.2 微電網(wǎng)優(yōu)化模型

1.2.1 效益函數(shù)

微電網(wǎng)的優(yōu)化目標為運行成本和電量調(diào)度收益與備用提供收益之差最小，具體效益函數(shù)如下：

其中，Cfuelm、COMm、CDEPm分別為微電網(wǎng) m 中各微源的燃料成本、運行維護成本和安裝折舊成本；Cgridm為微電網(wǎng)m向ADN提供電量的收益；CRm為微電網(wǎng)m向ADN提供備用的收益為分布式電源n在時段t的有功功率輸出；Kfueln為分布式電源n的單位燃料成本；KOMn為分布式電源n的單位運行維護成本；Cinvn為分布式電源n的單位容量安裝成本；r為折舊率；kn=年發(fā)電量/（8760×分布式電源 n的額定功率）；l為分布式電源的使用壽命為微電網(wǎng)m向電網(wǎng)的售電電價。

1.2.2 約束條件

（1）功率平衡約束。

其中為微電網(wǎng)m在時段t的負荷需求。

（2）微電網(wǎng)備用能力約束。

其中為微電網(wǎng)內(nèi)各分布式電源在時段t能夠輸出功率的最大值之和為微電網(wǎng)出力增加限值；為微電網(wǎng)m對自身提供的備用容量為微型燃氣輪機出力增加限值；λ為負荷備用容量系數(shù)，使得微電網(wǎng)預(yù)留部分備用容量以保證自身可靠性。

（3）分布式電源出力約束和微型燃氣輪機爬坡率約束與式（9）—（11）相似，不再贅述。

1.3 模型模糊化處理

ADN和微電網(wǎng)均以經(jīng)濟效益作為優(yōu)化目標，但是直接使兩者進行博弈無法充分反映其優(yōu)化程度，故本文采用模糊數(shù)學來處理效益函數(shù)，使其成為統(tǒng)一數(shù)值以便比較。首先求出ADN和微電網(wǎng)的效益函數(shù)在約束條件下的最優(yōu)解，再利用這些最優(yōu)解通過隸屬度函數(shù)將各自效益函數(shù)模糊化。

為達此目的，需要確定隸屬度函數(shù)u。u的大小反映了優(yōu)化程度，u=1表示優(yōu)化程度最好，而u=0表示優(yōu)化程度最差。通過比較分析，本文選用降半 Γ形分布［20］。對于上述效益函數(shù)，采用降半Γ形分布的隸屬度函數(shù)為：

其中，F(xiàn)kmin（k=1，2）為效益函數(shù) Fk在約束條件下的最小值。

2 基于協(xié)同演化博弈算法的模型求解

2.1 協(xié)同演化博弈算法

演化博弈理論是博弈論的一個分支，它在假定演化的變化是由群體內(nèi)的自然選擇引起的基礎(chǔ)上，通過具有頻率依賴效應(yīng)的選擇行為進行演化以搜索演化穩(wěn)定策略［21］。協(xié)同進化算法在傳統(tǒng)進化算法的基礎(chǔ)上引入生態(tài)系統(tǒng)的概念，將待求解的問題映射為相互作用、相互影響的各物種組成的生態(tài)系統(tǒng)，以生態(tài)系統(tǒng)的進化來達到問題求解的目的［22］?？紤]ADN和微電網(wǎng)之間存在不同利益需求的博弈關(guān)系，本文結(jié)合演化博弈理論和協(xié)同進化算法，針對所建效益模型，提出了一種協(xié)同演化博弈算法來進行求解，實驗結(jié)果表明了其良好性能。

在協(xié)同演化博弈算法中，ADN和微電網(wǎng)作為博弈參與者，分別生成2個種群記為P1和P2，初始群體中的2個種群分布概率分別為p1和p2。每個種群中有一定數(shù)量的個體，個體記錄決策向量的同時還記錄了所屬的種群。種群P1、P2分別以u1、u2為優(yōu)化目標。種群博弈結(jié)構(gòu)如圖1所示。

圖1 種群博弈結(jié)構(gòu)Fig.1 Gaming structure of populations

協(xié)同演化博弈算法借鑒了演化博弈的思想和選擇機制，當群體中2個個體相遇時，它們?yōu)榱送环葙Y源進行博弈。設(shè)效益最大化優(yōu)化問題中2個個體x（x?Pi）和 x′（x′?Pj）相遇并進行博弈，x 所得支付函數(shù)如下：

其中，uimin為群體中最小的ui值；uimax為群體中最大的 ui值。

在算法的每一代，隨機挑選成對的個體進行若干次重復博弈。當所有博弈完成之后，由個體x參與的Ngame次博弈所得到的平均支付作為個體x的適應(yīng)度 F（x）：

值得注意的是，在演化博弈開始前每個種群在群體中的分布概率pi是可以調(diào)整的，而最終所得的優(yōu)化決策在很大程度上與初始種群分布是相關(guān)的，種群分布概率間接反映了博弈參與者的地位。于是，可以通過外部決策者的不同偏好需求使ADN和微電網(wǎng)間的博弈地位靈活變化，最終得到使整個系統(tǒng)達到最優(yōu)的調(diào)度決策。

2.2 基于最大不滿意度的動態(tài)優(yōu)化子模型

由于微電網(wǎng)中的風機和光伏電池受環(huán)境氣候影響極大，為了防止其隨機波動偏差對ADN運行產(chǎn)生過大影響［23］，有必要考慮由于隨機性導致的優(yōu)化決策不滿意度，從而在協(xié)同演化博弈時對算法參數(shù)做出動態(tài)調(diào)整。

已知微電網(wǎng)m在演化的第i代時段t的調(diào)度決策出力為則可以計算在多種隨機場景情況下，如果微電網(wǎng)無法滿足調(diào)度任務(wù)，其產(chǎn)生的電能波動對ADN運行造成的影響，以微電網(wǎng)出力結(jié)果的懲罰成本表示：

其中，S為隨機場景數(shù)；ws為場景s對應(yīng)的概率權(quán)重；為微電網(wǎng)m實際出力與調(diào)度決策出力的差距；γ為單位懲罰成本。設(shè)該次調(diào)度決策下的微電網(wǎng)運行總成本為Cmi，最大不滿意度比例為CdisM，則可根據(jù)決策不滿意度的以下2種關(guān)系，對種群分布概率做適當調(diào)整。

（1）即影響程度小于等于最大不滿意度比例，不調(diào)整種群分布概率。

（2）

其中，d為權(quán)重常量。

2.3 優(yōu)化流程

動態(tài)協(xié)同演化博弈算法具體流程圖如圖2所示。即影響程度大于最大不滿意度比例，從第i+1代開始，調(diào)整種群分布概率pi+1，使得分布式電源隨機性對ADN運行造成的影響在可承受范圍內(nèi)。其中pi+1采用式（23）進行調(diào)整。

3 算例分析

3.1 系統(tǒng)概述

利用MATLAB編寫了測試程序，構(gòu)建了一個包含6臺機組的ADN系統(tǒng)，并接入2個歐洲典型微電網(wǎng)結(jié)構(gòu)［24］。ADN系統(tǒng)機組特性數(shù)據(jù)如表1所示。表1中各發(fā)電機組均取二次成本特性，機組上調(diào)、下調(diào)速率相同，在調(diào)度時段內(nèi)發(fā)生故障概率分別為1 × 10-3、2 × 10-3、4 × 10-3、1 × 10-3、3 × 10-3、5 × 10-3［25］。ADN系統(tǒng)負荷變化曲線如圖3所示。微電網(wǎng)中各分布式電源的相關(guān)信息如表2所示；實時電價如表3所示［26］；風機和光伏電池的功率預(yù)測曲線如圖4所示；微電網(wǎng)負荷的預(yù)測曲線如圖5所示。

圖2 算法流程圖Fig.2 Flowchart of algorithm

表1 機組特性數(shù)據(jù)Table 1 Characteristic data of units

圖3 ADN負荷變化曲線Fig.3 Variation curve of AND load

表2 分布式電源運行參數(shù)Table 2 Operational parameters of distributed generations

表3 實時電價Table 3 Spot prices

圖4 微電網(wǎng)風機和光伏出力預(yù)測曲線Fig.4 Predictive WT and PV power outputs of microgrid

圖5 微電網(wǎng)負荷預(yù)測曲線Fig.5 Predicted load of microgrid

3.2 優(yōu)化結(jié)果

3.2.1 種群分布概率對優(yōu)化結(jié)果的影響

為了驗證種群分布概率和優(yōu)化結(jié)果偏好的聯(lián)系，暫不考慮最大不滿意度的動態(tài)影響，通過人為選取不同的初始種群分布概率分別進行演化博弈，得到上述系統(tǒng)的優(yōu)化結(jié)果變化如圖6所示。

圖6 種群分布概率對優(yōu)化結(jié)果的影響Fig.6 Impact of population distribution probability on optimization results

圖6中橫坐標表示ADN所屬種群1的分布概率p1，即以效益隸屬度u1為優(yōu)化目標的種群在整個群體中所占的比例，取值范圍為［0，1］，間隔為0.05。實驗均重復10次，圖中標出的點為10次重復實驗的平均結(jié)果。從圖中可以看出，隨著p1的增大，最終最優(yōu)決策下的ADN效益隸屬度u1的數(shù)值呈上升趨勢，而微電網(wǎng)效益隸屬度u2的數(shù)值呈下降趨勢。這是由于在協(xié)同演化博弈算法中，當群體中以u1為優(yōu)化目標的個體數(shù)量增多時，這些個體在隨機的博弈過程中容易和同一種群的其他個體進行博弈，間接增大了它們的適應(yīng)度，使u1比u2更具優(yōu)勢，從而導致最終優(yōu)化結(jié)果偏向于u1。

上述結(jié)果表明，初始種群所占比例越大，優(yōu)化結(jié)果更加偏好于其對應(yīng)的目標函數(shù)，優(yōu)化效果越好。于是，通過不同的偏好需求可以使ADN和微電網(wǎng)的地位靈活變化，最終得到最優(yōu)調(diào)度決策。

3.2.2 ADN和微電網(wǎng)優(yōu)化調(diào)度結(jié)果

考慮分布式電源隨機性的影響，通過基于最大不滿意度的動態(tài)優(yōu)化子模型對每一代演化種群的分布概率進行動態(tài)調(diào)整，能夠在進一步保證系統(tǒng)穩(wěn)定性的情況下得到ADN和微電網(wǎng)的最優(yōu)協(xié)調(diào)調(diào)度決策。為了對比不同情形，分別對ADN、微電網(wǎng)和系統(tǒng)整體進行優(yōu)化，結(jié)果對比如圖7和表4所示。其中圖7給出了上述3種優(yōu)化目標下系統(tǒng)的EENS，表4給出了ADN和微電網(wǎng)的經(jīng)濟效益情況。

圖7 3種優(yōu)化目標下的系統(tǒng)電量不足期望Fig.7 EENS for three optimization objectives

表4 3種優(yōu)化目標下的經(jīng)濟效益Table 4 Economic benefits for three optimization objectives

通過比較可以明顯看出，只考慮ADN利益時，系統(tǒng)的EENS較小，ADN自身的成本也最低，而微電網(wǎng)的成本較高；只考慮微電網(wǎng)利益時，微電網(wǎng)自身的成本最低，但是系統(tǒng)的EENS和ADN的成本都很高；相對于前2種情況，綜合考慮ADN和微電網(wǎng)利益，優(yōu)化目標為系統(tǒng)整體時，系統(tǒng)的EENS和成本都能達到一個相對較好的狀態(tài)。值得注意的是，對ADN和微電網(wǎng)整體進行優(yōu)化時的系統(tǒng)總成本比只對ADN進行優(yōu)化時高，看似降低了經(jīng)濟效益，但是如果只考慮ADN而完全不考慮微電網(wǎng)的利益，微電網(wǎng)完全可以不配合ADN運行而使ADN成本更高，也不利于系統(tǒng)穩(wěn)定運行。所以，在制定調(diào)度計劃時，需要協(xié)調(diào)ADN和微電網(wǎng)的利益，最終優(yōu)化結(jié)果應(yīng)是使雙方利益達到相對最優(yōu)的折中解，從而獲得總體較好的經(jīng)濟運行方案。

采用本文方法對ADN和微電網(wǎng)進行協(xié)調(diào)優(yōu)化，使ADN和微電網(wǎng)整體最優(yōu)的調(diào)度方案如圖8所示。從圖中可以看出，微電網(wǎng)的出力順應(yīng)ADN負荷變化，起到了很好的削峰填谷作用。微電網(wǎng)對ADN負荷削峰填谷的具體效果如圖9所示。為了進一步對比效果，圖中也給出了只考慮微電網(wǎng)利益時對ADN負荷的影響情況。

圖8 ADN和微電網(wǎng)整體最優(yōu)時的調(diào)度方案Fig.8 Optimal dispatch scheme for both ADN and microgrid

圖9 不同優(yōu)化目標下的削峰填谷效果Fig.9 Peak load shifting effect for three optimization objectives

從圖中可以看出，在綜合考慮ADN和微電網(wǎng)利益時，微電網(wǎng)可以根據(jù)ADN的需求，將自身擁有的剩余電能或多余負荷為其提供有償削峰填谷，可以有效緩解ADN中機組的調(diào)節(jié)壓力，使自身和ADN各自獲取相應(yīng)的利益。而若只考慮微電網(wǎng)的利益，微電網(wǎng)出力不但對ADN沒有幫助效果，還可能增劇或產(chǎn)生新的負荷峰谷，增加ADN中其他機組的調(diào)節(jié)壓力，不利于系統(tǒng)穩(wěn)定運行。

3.2.3 可靠性參數(shù)靈敏度分析

在本文效益模型中，微電網(wǎng)提供的最佳備用會受系統(tǒng)停電損失評價率的影響。假設(shè)停電損失評價率 IEAR分別為 20 元 /（kW·h）、50 元 /（kW·h）和100元 /（kW·h），圖10給出了微電網(wǎng)提供的備用容量隨IEAR指標的變化情況。

圖10 微電網(wǎng)配置備用隨IEAR指標的變化情況Fig.10 Variation curve of microgrid reserve for different values of IEAR

由圖10可知，隨著停電損失評價率的增加，ADN對供電可靠性的要求提高，使得微電網(wǎng)提供的備用容量也隨之增加。上述3種停電損失評價率對應(yīng)的微電網(wǎng)日平均備用配置分別為64.83 kW、66.94 kW和68.97 kW，ADN和微電網(wǎng)系統(tǒng)總成本分別為20 013.91元、20 730.62元和21 027.46元。由此可見，停電損失評價率的增加會導致整個系統(tǒng)運行成本增加，這是由于微電網(wǎng)提供備用的有限性不足以滿足ADN所需的系統(tǒng)電量不足期望所致。

為驗證ADN中機組和負荷預(yù)測的可靠性水平對本文效益模型的影響，假設(shè)系統(tǒng)機組在各調(diào)度時段內(nèi)的故障概率和負荷預(yù)測誤差概率均提高10倍，并與原來情況進行對比，所得微電網(wǎng)提供的備用容量結(jié)果如圖11所示。

圖11 微電網(wǎng)配置備用隨可靠度參數(shù)的變化情況Fig.11 Variation curve of microgrid reserve for different reliabilities

從圖11中的備用配置情況可以看出，ADN中機組和負荷預(yù)測的可靠程度對微電網(wǎng)提供的備用配置有明顯影響。微電網(wǎng)對可靠性差的系統(tǒng)配置相對較多的備用，而可靠性較高的系統(tǒng)配置相對較少的備用，這是符合實際情況的。由于系統(tǒng)可靠性較差可能引起更大的用戶停電損失期望，這種情況下ADN和微電網(wǎng)系統(tǒng)總成本為21035.18元，比原來情況有所增加。

3.2.4 微電網(wǎng)價格參數(shù)靈敏度分析

在本文效益模型中，微電網(wǎng)對ADN提供有償?shù)南鞣逄罟群蛡溆门渲梅?wù)，不同的單位價格會對優(yōu)化結(jié)果產(chǎn)生影響。

假設(shè)微電網(wǎng)的調(diào)峰價格變?yōu)樵瓉淼?倍，與原來情況進行對比，對ADN負荷的削峰填谷效果如圖12所示。由圖可知，當微電網(wǎng)削峰填谷的價格增加時，ADN考慮自身經(jīng)濟性，會減小對微電網(wǎng)的調(diào)度，這種情況下系統(tǒng)負荷的峰谷調(diào)節(jié)情況相對原來情況有所減弱，系統(tǒng)成本為20128.36元，比原來情況略微上升。

圖12 削峰填谷效果隨調(diào)峰價格變化情況Fig.12 Variation curve of peak load shifting for different shifting prices

考慮微電網(wǎng)向ADN出售備用價格的影響，分別假設(shè)以下情況。情景1為c2=c1；情景2為c2=2c1；情景3為c2=4c1。圖13中給出了上述3種情況下2個微電網(wǎng)各自提供的備用容量配置情況。由圖13可知，在情況1下，2個微電網(wǎng)出售備用價格相同，ADN對它們的需求是平等的，所以出售的備用容量相同；在情況2和情況3下，隨著微電網(wǎng)2出售備用價格的提高，ADN在調(diào)度時會優(yōu)先考慮微電網(wǎng)1，所以微電網(wǎng)1出售的備用容量增加，微電網(wǎng)2減少；微電網(wǎng)2的備用價格越高，出售的備用容量減少越多。

圖13 微電網(wǎng)配置備用隨售價的變化情況Fig.13 Variation curve of microgrid reserve for different sale prices

由以上結(jié)果可知，不同微電網(wǎng)對ADN提供輔助服務(wù)時，其單位價格會對微電網(wǎng)自身的經(jīng)濟效益和ADN的運行產(chǎn)生影響。所得結(jié)論可為在電力市場環(huán)境下微電網(wǎng)參與ADN運行時的競價策略研究提供參考。

3.2.5 多目標優(yōu)化算法對比

如果把ADN和微電網(wǎng)的互動優(yōu)化調(diào)度看作一般多目標優(yōu)化問題，可以求得其Pareto最優(yōu)解集。為了對比本文方法求得的最優(yōu)決策與多目標優(yōu)化的Pareto最優(yōu)解集，同樣考慮ADN和微電網(wǎng)的相應(yīng)效益函數(shù)和約束條件，采用多目標遺傳算法求得其Pareto最優(yōu)解集和本文的協(xié)同演化博弈算法最優(yōu)解如圖14所示。

圖14 Pareto最優(yōu)解和CGA最優(yōu)解Fig.14 Optimal solutions of Pareto and CGA

從圖中可以看出，Pareto最優(yōu)解集中一般有很多個解，要從這些解中選取一個合適的解使ADN和微電網(wǎng)都達到相對最好的利益還需要進一步處理；而協(xié)同演化博弈算法的解是唯一的，并且貼近Pareto最優(yōu)解前沿，證明了其準確性。圖中協(xié)同演化博弈算法的解沒有完全與Pareto最優(yōu)解前沿重合，是因為在ADN和微電網(wǎng)演化博弈的優(yōu)化過程中，考慮了分布式電源隨機性的動態(tài)影響，并通過算法參數(shù)調(diào)整ADN和微電網(wǎng)的優(yōu)化地位，最終得到的優(yōu)化策略也更加合理。

本文所提的協(xié)同演化博弈算法與傳統(tǒng)多目標優(yōu)化算法相比，考慮了微電網(wǎng)中分布式電源隨機性影響，基于最大不滿意度進行動態(tài)優(yōu)化，優(yōu)化過程更能滿足實際需求并且有唯一的最優(yōu)解，具有優(yōu)越性。

4 結(jié)論

本文考慮微電網(wǎng)參與ADN運行的不同互動情況，提出一種新的含微電網(wǎng)的ADN協(xié)調(diào)優(yōu)化調(diào)度方法。將削峰填谷成本、微電網(wǎng)備用配置成本和用戶停電損失期望體現(xiàn)于目標函數(shù)中，分別建立ADN和微電網(wǎng)的效益模型?？紤]不同主體之間存在不同利益需求的博弈關(guān)系，提出了一種協(xié)同演化博弈算法對問題進行求解。在此基礎(chǔ)上，考慮分布式電源隨機性影響，建立了基于不滿意度的動態(tài)優(yōu)化子模型，對協(xié)同演化博弈算法進行動態(tài)調(diào)整。優(yōu)化結(jié)果說明了本文方法的有效性和優(yōu)越性。

通過對ADN可靠性參數(shù)和微網(wǎng)價格參數(shù)的靈敏度分析，可以得出如下結(jié)論。

a.合理設(shè)定ADN的可靠性參數(shù)可以使微電網(wǎng)和ADN更好地協(xié)調(diào)運行，使雙方獲得更好的效益，表現(xiàn)為ADN和微電網(wǎng)之間的博弈。

b.微電網(wǎng)和ADN互動運行時，通過不同微電網(wǎng)各自的價格設(shè)定，微電網(wǎng)間展開競價機制，最終使得每個微電網(wǎng)的效益都達到最大化，表現(xiàn)為微電網(wǎng)和微電網(wǎng)之間的博弈。

上述ADN和多微電網(wǎng)間的多級博弈優(yōu)化運行正在深入研究中。

［1］馬藝瑋，楊蘋，王月武，等.微電網(wǎng)典型特征及關(guān)鍵技術(shù)［J］.電力系統(tǒng)自動化，2015，39（8）：168-175.MA Yiwei，YANG Ping，WANG Yuewu，et al.Typical characteristics and key technologies of microgrid［J］.Automation of Electric Power Systems，2015，39（8）：168-175.

［2］張曉波，張保會，吳雄.風光預(yù)測后微電網(wǎng)的優(yōu)化運行［J］.電力自動化設(shè)備，2016，36（3）：21-25.ZHANG Xiaobo，ZHANG Baohui，WU Xiong.Optimal microgrid operation based on wind /PV power prediction［J］.Electric Power Automation Equipment，2016，36（3）：21-25.

［3］趙金利，宿洪智，李鵬，等.基于靈敏度分析的微電網(wǎng)互動運行成本計算方法［J］.電力自動化設(shè)備，2016，36（6）：208-214.ZHAO Jinli，SU Hongzhi，LI Peng，et al.Cost calculation based on sensitivity analysis for interactive operation of microgrid ［J］.Electric Power Automation Equipment，2016，36（6）：208-214.

［4］FARZAN F，LAHIRI S，KLEINBERG M，et al.Microgrids for fun and profit：the economics of installation investments and operations［J］.IEEE Power and Energy Magazine，2013，11（4）：52-58.

［5］李鵬，竇鵬沖，李雨薇，等.微電網(wǎng)技術(shù)在主動配電網(wǎng)中的應(yīng)用［J］.電力自動化設(shè)備，2015，35（4）：8-16.LI Peng，DOU Pengchong，LI Yuwei，et al. Application of microgrid technology in active distribution network［J］.Electric Power Automation Equipment，2015，35（4）：8-16.

［6］KWASINSKI A.Technology planning for electric power supply in critical events considering a bulk grid，backup power plants，and micro-grids［J］.IEEE Systems Journal，2010，4（2）：167-178.

［7］楊新法，蘇劍，呂志鵬，等.微電網(wǎng)技術(shù)綜述［J］.中國電機工程學報，2014，34（1）：57-70.YANG Xinfa，SU Jian，Lü Zhipeng，et al.Overview on micro-grid technology［J］.Proceedings of the CSEE，2014，34（1）：57-70.

［8］沈欣煒，朱守真，鄭競宏，等.考慮分布式電源及儲能配合的主動配電網(wǎng)規(guī)劃-運行聯(lián)合優(yōu)化［J］.電網(wǎng)技術(shù)，2015，39（7）：1913-1920.SHEN Xinwei，ZHU Shouzhen，ZHENG Jinghong，etal.Active distribution network planning-operation cooptimization considering the coordination of EAA and DG［J］.Power System Technology，2015，39（7）：1913-1920.

［9］高亞靜，李瑞環(huán)，梁海峰，等.考慮間歇性電源與負荷不確定性情況下基于多場景技術(shù)的主動配電系統(tǒng)兩步優(yōu)化調(diào)度［J］.中國電機工程學報，2015，35（5）：1051-1058.GAO Yajing，LI Ruihuan，LIANG Haifeng，et al.Two step optimal dispatch based on multiple scenarios technique considering uncertainties of intermittent distributed generations and loads in the active distribution system ［J］.Proceedings of the CSEE，2015，35（5）：1051-1058.

［10］尤毅，劉東，鐘清，等.主動配電網(wǎng)優(yōu)化調(diào)度策略研究［J］.電力系統(tǒng)自動化，2014，38（9）：177-183.YOU Yi，LIU Dong，ZHONG Qing，et al.Research on optimal schedule strategy for active distribution network［J］.Automation of Electric Power Systems，2014，38（9）：177-183.

［11］胡曉通，劉天琪，劉舒，等.基于動態(tài)獎懲電價的微電網(wǎng)與配網(wǎng)協(xié)調(diào)優(yōu)化運行［J］.電力自動化設(shè)備，2016，36（3）：33-40.HU Xiaotong，LIU Tianqi，LIU Shu，et al.Coordinated optimal operation between microgrid and distribution network based on dynamic award and penalty price［J］.Electric Power Automation Equipment，2016，36（3）：33-40.

［12］WANG Z，CHEN B，WANG J，et al. Coordinated energy management of networked microgrids in distribution systems［J］.IEEE Transactions on Smart Grid，2015，6（1）：45-53.

［13］ASIMAKOPOULOU G，DIMEAS A，HATZIARGYRIOU N.Leaderfollower strategies for energy management of multi-microgrids［J］.IEEE Transactions on Smart Grid，2013，4（4）：1909-1916.

［14］FATHI M，BEVRANI H.Statistical cooperative power dispatching in interconnected microgrids［J］.IEEE Transactions on Sustainable Energy，2013，4（3）：586-593.

［15］WANG Y，MAO S，NELMA R M.On hierarchicalpower scheduling for the macrogrid and cooperative microgrids［J］.IEEE Transactions on Industrial Informatics，2015，11（6）：1574-1584.

［16］NGUYEN D，LE L B.Optimal energy management for cooperative microgrids with renewable energy resources［C］∥2013 IEEE International Conference on Smart Grid Communications.Vancouver，Canada：IEEE，2013：678-683.

［17］楊明，韓學山，梁軍，等.計及用戶停電損失的動態(tài)經(jīng)濟調(diào)度方法［J］.中國電機工程學報，2009，29（31）：103-108.YANG Ming，HAN Xueshan，LIANG Jun，et al.Novel solution to dynamic economic dispatch considering customer interruption costs［J］.Proceedings of the CSEE，2009，29（31）：103-108.

［18］BILLINTON R，OTENG-ADJEI J，GHAJAR R.Comparison of two alternate methods to establish an interrupted energy assessment rate［J］.IEEE Transactions on Power Systems，1987，2（3）：751-757.

［19］DING Y，XIE M，WU Q，et al.Development of energy and reserve pre-dispatch and re-dispatch models for real-time price risk and reliability assessment［J］.IET Generation，Transmission&Distribution，2014，8（7）：1338-1345.

［20］陳潔，楊秀，朱蘭，等.微網(wǎng)多目標經(jīng)濟調(diào)度優(yōu)化［J］.中國電機工程學報，2013，33（19）：57-67.CHEN Jie，YANG Xiu，ZHU Lan，etal.Microgrid multiobjective economic dispatch optimization［J］.Proceedings of the CSEE，2013，33（19）：57-67.

［21］武英利，張彬，閆龍，等.基于演化博弈的海上風電投資策略選擇及模型研究［J］.電網(wǎng)技術(shù)，2014，38（11）：2978-2985.WU Yingli，ZHANG Bin，YAN Long，etal.Research and modeling of evolutionary game based selection of investment strategies for offshore wind farm［J］.Power System Technology，2014，38（11）：2978-2985.

［22］陳皓勇，王錫凡，別朝紅，等.協(xié)同進化算法及其在電力系統(tǒng)中的應(yīng)用前景［J］.電力系統(tǒng)自動化，2004，27（23）：94-100.CHEN Haoyong，WANG Xifan，BIE Zhaohong，et al.Cooperative coevolutionary approaches and their potential applications in power systems［J］.Automation of Electric Power Systems，2004，27（23）：94-100.

［23］向月，劉俊勇，魏震波，等.考慮可再生能源出力不確定性的微電網(wǎng)能量優(yōu)化魯棒模型［J］.中國電機工程學報，2014，34（19）：3063-3072.XIANG Yue，LIU Junyong，WEI Zhenbo，et al.Robust model of microgrid energy optimization with uncertain renewable energy sources［J］.Proceedings of the CSEE，2014，34（19）：3063-3072.

［24］PAPATHANASSIOU S，HATZIARGYRIOU N，STRUNZK.A benchmark LV microgrid for steady state and transient analysis［C］∥Proceedings of the CIGRE Symposium on Power Systems with Dispersed Generation.Athens，Greece：CIGRE，2005：17-20.

［25］BILLINTON R，ALLAN R N.Reliability evaluation of power systems［M］.New York，USA：Plenum Press，1996：215-224.

［26］丁明，張穎媛，茆美琴，等.包含鈉硫電池儲能的微網(wǎng)系統(tǒng)經(jīng)濟運行優(yōu)化［J］.中國電機工程學報，2011，31（4）：7-14.DING Ming，ZHANG Yingyuan，MAO Meiqin，et al.Economic operation optimization for microgrids including Na/S battery storage［J］.Proceedings of the CSEE，2011，31（4）：7-14.