吳 昊，王艷松

(信息與控制工程學(xué)院(中國(guó)石油大學(xué)(華東))，山東 青島 266580)

基于智能單粒子算法的微電網(wǎng)經(jīng)濟(jì)調(diào)度

吳 昊，王艷松

(信息與控制工程學(xué)院(中國(guó)石油大學(xué)(華東))，山東 青島 266580)

為充分消納可再生能源，以分時(shí)電價(jià)為杠桿，通過經(jīng)濟(jì)調(diào)度手段，對(duì)微電網(wǎng)內(nèi)分布式發(fā)電資源進(jìn)行優(yōu)化配置。在綜合考慮各類分布式電源發(fā)電成本和環(huán)境成本的基礎(chǔ)上，計(jì)及熱電聯(lián)供收益、電能交易收益、電價(jià)補(bǔ)貼等多項(xiàng)運(yùn)行收益，建立微電網(wǎng)多目標(biāo)經(jīng)濟(jì)函數(shù)?？紤]儲(chǔ)能系統(tǒng)在不同時(shí)間斷面上的耦合性問題以及時(shí)移特性，結(jié)合分時(shí)電價(jià)、凈負(fù)荷曲線進(jìn)行預(yù)調(diào)度?？紤]微電網(wǎng)實(shí)時(shí)調(diào)度的快速性要求，運(yùn)用智能單粒子算法搜索調(diào)度變量的最優(yōu)解，并與常規(guī)粒子群算法進(jìn)行對(duì)比。算例分析了基于冬季典型日數(shù)據(jù)的微電網(wǎng)調(diào)度方案和各項(xiàng)經(jīng)濟(jì)指標(biāo)，結(jié)果表明微電網(wǎng)調(diào)度模型、調(diào)度策略和優(yōu)化算法合理有效。

微電網(wǎng)；有功優(yōu)化；儲(chǔ)能系統(tǒng)；分階段經(jīng)濟(jì)調(diào)度策略；智能單粒子算法

0 引言

近年來，分布式電源(distributed generation，DG)因其環(huán)境友好，輸、配電費(fèi)用低，靈活高效[1-2]等優(yōu)點(diǎn)大量接入電網(wǎng)。但風(fēng)電、光電等可再生能源發(fā)電具有間歇性、波動(dòng)性，不宜分散接入電網(wǎng)[3-4]，因此含分布式電源的微電網(wǎng)(microgrid，MG)作為新的電力組織形式快速發(fā)展，成為主網(wǎng)供電的有效補(bǔ)充[5-6]。微電網(wǎng)內(nèi)部能源結(jié)構(gòu)復(fù)雜、分布式電源類型多樣，且具有經(jīng)濟(jì)、環(huán)保等多目標(biāo)屬性。在此背景下，微電網(wǎng)的經(jīng)濟(jì)調(diào)度成為國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)。

儲(chǔ)能系統(tǒng)(energy storage system，ESS)的能量雙向流動(dòng)性對(duì)于平滑微電網(wǎng)可再生能源發(fā)電波動(dòng)、提高微電網(wǎng)供電穩(wěn)定性等具有顯著作用[8]。文獻(xiàn)[9]利用電動(dòng)汽車的儲(chǔ)能特性，降低了微電網(wǎng)的靜態(tài)儲(chǔ)能設(shè)備投資和運(yùn)行費(fèi)用。本文針對(duì)微網(wǎng)中廣泛應(yīng)用的蓄電池儲(chǔ)能系統(tǒng)(battery energy storage system，BESS)，綜合考慮儲(chǔ)能設(shè)備使用周期、電能交易成本、負(fù)荷峰谷性三個(gè)因素進(jìn)行儲(chǔ)能系統(tǒng)預(yù)調(diào)度，以降低微電網(wǎng)的投資、運(yùn)行成本。

在經(jīng)濟(jì)調(diào)度模型的求解方面，傳統(tǒng)線性規(guī)劃方法和新型智能算法應(yīng)用廣泛。文獻(xiàn)[10]運(yùn)用混合整數(shù)線性規(guī)劃求解風(fēng)力發(fā)電經(jīng)濟(jì)調(diào)度模型，文獻(xiàn)[11]運(yùn)用改進(jìn)的細(xì)菌覓食算法搜索各分布式電源的最優(yōu)出力。在智能算法中，粒子群算法(Particle Swarm Optimization，PSO)因其簡(jiǎn)潔易實(shí)現(xiàn)、參數(shù)調(diào)整簡(jiǎn)單等特點(diǎn)受到青睞。文獻(xiàn)[12]采用基于遷移態(tài)的粒子群算法對(duì)分布式電源出力進(jìn)行優(yōu)化；文獻(xiàn)[13]采用離散二進(jìn)制粒子群算法對(duì)離網(wǎng)狀態(tài)的微電網(wǎng)模型進(jìn)行優(yōu)化。本文應(yīng)用基于粒子群算法改進(jìn)的智能單粒子算法(Intelligent Single Particle Optimizer，ISPO)尋找經(jīng)濟(jì)調(diào)度模型的最優(yōu)解，與粒子群算法相比，智能單粒子算法提高了微電網(wǎng)的實(shí)時(shí)調(diào)度速度。

建立熱電聯(lián)產(chǎn)型(Combined Heat and Power，CHP)微電網(wǎng)多目標(biāo)經(jīng)濟(jì)調(diào)度模型，結(jié)合冬季典型日數(shù)據(jù)，驗(yàn)證模型、調(diào)度策略、優(yōu)化算法的有效性。

1 微電網(wǎng)經(jīng)濟(jì)調(diào)度模型

微電網(wǎng)基本結(jié)構(gòu)如圖1所示。

圖1 微電網(wǎng)基本結(jié)構(gòu)圖Fig. 1 Basic construction of microgrid

微型燃?xì)廨啓C(jī)(MT)、燃料電池(FC)發(fā)電模型采用文獻(xiàn)[14]中數(shù)學(xué)模型，光伏電池組(PV)發(fā)電模型采用文獻(xiàn)[15]中數(shù)學(xué)模型，小型風(fēng)機(jī)(WT)發(fā)電模型采用文獻(xiàn)[12]中數(shù)學(xué)模型，蓄電池儲(chǔ)能系統(tǒng)(BESS)充放電模型采用文獻(xiàn)[16]中數(shù)學(xué)模型。

1.1多目標(biāo)函數(shù)

綜合考慮微電網(wǎng)的發(fā)電成本最低、環(huán)境成本最低和運(yùn)行經(jīng)濟(jì)收益最高，建立多目標(biāo)函數(shù)為

1.1.1 發(fā)電成本

微電網(wǎng)發(fā)電成本包含各分布式電源燃料成本及運(yùn)行維護(hù)費(fèi)用，如式(2)。

式中：F()C t 為分布式電源燃料成本，元/h；為分布式電源運(yùn)行維護(hù)成本，元/h。

其中，分布式電源燃料成本為

分布式電源運(yùn)行維護(hù)成本為

1.1.2 環(huán)境成本

1.1.3 運(yùn)行經(jīng)濟(jì)收益

微電網(wǎng)運(yùn)行的經(jīng)濟(jì)收益由電能交易收益、熱電聯(lián)產(chǎn)制熱收益、可再生能源發(fā)電補(bǔ)貼構(gòu)成。

其中，微電網(wǎng)通過聯(lián)絡(luò)線與主網(wǎng)進(jìn)行功率交換，利用分時(shí)電價(jià)差進(jìn)行電能交易獲取收益。

提供電能的同時(shí)，微電網(wǎng)利用微型燃?xì)廨啓C(jī)進(jìn)行熱電聯(lián)產(chǎn)，實(shí)現(xiàn)能量梯級(jí)利用、獲取制熱收益。

為鼓勵(lì)新能源建設(shè)，國(guó)家對(duì)分布式光伏發(fā)電、分布式風(fēng)力發(fā)電施行全電量補(bǔ)貼政策。

1.2 約束條件

本文在考慮功率平衡、分布式電源出力和聯(lián)絡(luò)線容量等約束的基礎(chǔ)上，重點(diǎn)分析了蓄電池儲(chǔ)能系統(tǒng)運(yùn)行約束。

1.2.1 功率平衡約束

功率平衡約束是微電網(wǎng)運(yùn)行的關(guān)鍵約束，kW，即微電網(wǎng)有功源功率之和與微電網(wǎng)負(fù)荷需求時(shí)時(shí)相等。

式中，L()Pt 為 t時(shí)段微電網(wǎng)內(nèi)的負(fù)荷需求，kW。

1.2.2 分布式電源出力上下限約束

分布式電源出力受發(fā)電特性和環(huán)境條件制約。

1.2.3 聯(lián)絡(luò)線容量約束

聯(lián)絡(luò)線傳輸微電網(wǎng)與主網(wǎng)之間的雙向功率流，自身存在容量限制：

1.2.4 蓄電池儲(chǔ)能系統(tǒng)運(yùn)行約束

蓄電池儲(chǔ)能系統(tǒng)具有時(shí)間耦合特性，其 t時(shí)段電量與 t-1 時(shí)段電量相關(guān)：

儲(chǔ)能系統(tǒng)自身特性決定其充放電功率上限：

為提高蓄電池儲(chǔ)能系統(tǒng)使用壽命，降低微電網(wǎng)設(shè)備折舊投資，蓄電池組采用部分荷電狀態(tài)循環(huán)模式，即在較窄的荷電狀態(tài)窗口內(nèi)進(jìn)行單向充放電循環(huán)。由電量變化反映儲(chǔ)能系統(tǒng)荷電狀態(tài)變化：

儲(chǔ)能系統(tǒng)充電至荷電窗口上界或放電至荷電窗口下界時(shí)變更充放電狀態(tài)，判別條件如下：

2 微電網(wǎng)分階段經(jīng)濟(jì)調(diào)度策略

基于可再生能源發(fā)電的波動(dòng)性和儲(chǔ)能系統(tǒng)不同時(shí)間斷面上的耦合性，提出微電網(wǎng)分階段經(jīng)濟(jì)調(diào)度策略如圖2所示。首先結(jié)合日前預(yù)測(cè)、分時(shí)電價(jià)等進(jìn)行儲(chǔ)能系統(tǒng)預(yù)調(diào)度；然后結(jié)合預(yù)調(diào)度和超短期預(yù)測(cè)進(jìn)行微電網(wǎng)實(shí)時(shí)調(diào)度。

圖2 分階段經(jīng)濟(jì)調(diào)度策略流程Fig. 2 Phased economic dispatching strategy

2.1 儲(chǔ)能系統(tǒng)預(yù)調(diào)度

根據(jù)微電網(wǎng)熱負(fù)荷日前預(yù)測(cè)，可以得到微型燃?xì)廨啓C(jī)最小出力，將微電網(wǎng)中部分不可中斷負(fù)荷作為基荷追蹤微型燃?xì)廨啓C(jī)的最小出力；根據(jù)可再生能源發(fā)電日前預(yù)測(cè)，利用微電網(wǎng)中部分柔性負(fù)荷追蹤可再生能源的發(fā)電波動(dòng)；結(jié)合微電網(wǎng)電負(fù)荷日前預(yù)測(cè)可以得到微電網(wǎng)凈負(fù)荷預(yù) 測(cè)凈 負(fù) 荷 為 考 慮 可再生能源發(fā)電波動(dòng)和多聯(lián)供系統(tǒng)固定基荷的微電網(wǎng)負(fù)荷預(yù)測(cè)，能反映發(fā)電側(cè)需要追蹤的真實(shí)負(fù)荷曲線。

儲(chǔ)能系統(tǒng)結(jié)合分時(shí)電價(jià)、儲(chǔ)能系統(tǒng)充放電狀態(tài)，利用能量雙向流動(dòng)性進(jìn)行“削峰填谷”，平滑微電網(wǎng)凈負(fù)荷曲線：在微電網(wǎng)凈負(fù)荷曲線的谷荷時(shí)段允許充電，峰荷時(shí)段允許放電，減輕微網(wǎng)供電壓力。

由表1，X 、Y 、Z 三個(gè)變量分別代表主網(wǎng)分時(shí)電價(jià)、凈負(fù)荷曲線、儲(chǔ)能系統(tǒng)狀態(tài)。當(dāng)時(shí)，儲(chǔ)能系統(tǒng)作為分布式電源參與調(diào)度；當(dāng)時(shí)，儲(chǔ)能系統(tǒng)作為負(fù)荷參與調(diào)度；否則不參與調(diào)度。

表1 儲(chǔ)能系統(tǒng)預(yù)調(diào)度變量賦值表Table 1 BESS pre-dispatching control variables assignment

2.2 微電網(wǎng)實(shí)時(shí)調(diào)度

微電網(wǎng)調(diào)度對(duì)象包含各類分布式電源、聯(lián)絡(luò)線和儲(chǔ)能系統(tǒng)，因此微電網(wǎng)實(shí)時(shí)調(diào)度中的調(diào)度變量為：微型燃?xì)廨啓C(jī)出力燃料電池出力風(fēng)機(jī)出力光伏電池出力、聯(lián)絡(luò)線交易功率儲(chǔ)能系統(tǒng)放電功率

根據(jù)儲(chǔ)能系統(tǒng)預(yù)調(diào)度結(jié)果，當(dāng)儲(chǔ)能系統(tǒng)不參與調(diào)度或作為負(fù)荷參與調(diào)度時(shí)，；根據(jù)微電網(wǎng)的運(yùn)行方式，當(dāng)微電網(wǎng)孤網(wǎng)運(yùn)行時(shí)聯(lián)絡(luò)線停止功率傳輸，。結(jié)合超短期預(yù)測(cè)和各分布式電源的運(yùn)行約束確定各變量的取值區(qū)間

綜上確定參與實(shí)時(shí)調(diào)度的調(diào)度變量和變量的取值范圍，利用優(yōu)化算法對(duì)調(diào)度模型進(jìn)行求解。

3 智能單粒子優(yōu)化求解算法

微電網(wǎng)經(jīng)濟(jì)調(diào)度模型的優(yōu)化求解可歸類為帶約 束多 目 標(biāo) 優(yōu) 化 問 題 (Multi-objective Constrained Optimization Problems，MCOPs)。智能優(yōu)化算法在電力系統(tǒng)優(yōu)化問題中的應(yīng)用越來越廣泛，本文應(yīng)用基于粒子群算法改進(jìn)的智能單粒子算法求解優(yōu)化模型。

3.1 粒子群算法

粒子群算法是根據(jù)鳥群覓食的運(yùn)動(dòng)規(guī)律提出的，鳥群中的個(gè)體相互分享自己相對(duì)于食物的位置信息，群體搜索最靠近食物的個(gè)體附近的區(qū)域，向食物靠近。將鳥群模型抽象成“粒子群”，將鳥群覓食抽象成“尋找最優(yōu)解”。粒子群算法中粒子通過速度決定尋優(yōu)的方向，每個(gè)粒子經(jīng)歷過的最優(yōu)位置即自身最優(yōu)位置，所有粒子經(jīng)歷過的最優(yōu)位置即群體最優(yōu)位置。粒子速度的更新既取決于飛行慣性(粒子當(dāng)前速度)，也包含粒子對(duì)自身信息的學(xué)習(xí)(當(dāng)前位置與自身最優(yōu)位置對(duì)比)和對(duì)群體信息的學(xué)習(xí)(當(dāng)前位置與群體最優(yōu)位置對(duì)比)。通過對(duì)自身和群體信息的學(xué)習(xí)，粒子群向最優(yōu)位置靠近，優(yōu)化問題向最優(yōu)解收斂。粒子群算法參數(shù)調(diào)整簡(jiǎn)單、易于實(shí)現(xiàn)，適宜于工程應(yīng)用，但尋優(yōu)時(shí)易收斂于次優(yōu)位置，降低了算法速度，智能單粒子算法針對(duì)這一現(xiàn)象進(jìn)行了改進(jìn)。

3.2 智能單粒子算法

微電網(wǎng)實(shí)時(shí)調(diào)度的可行解中包含 N個(gè)調(diào)度變量，每個(gè)變量的初始值在各自取值區(qū)間內(nèi)隨機(jī)生成，組成N維單粒子。

算法每次尋優(yōu)只更新單粒子P的一維，即一個(gè)調(diào)度變量。將單粒子 P代入多目標(biāo)函數(shù) f(P)評(píng)價(jià)優(yōu)劣， f(P)值越小，單粒子質(zhì)量越優(yōu)。

為使尋優(yōu)速度具有一定的隨機(jī)性，保證尋優(yōu)范圍盡可能覆蓋可行解區(qū)域，根據(jù)迭代次數(shù)和尋優(yōu)半徑生成隨機(jī)速度

達(dá)到規(guī)定迭代次數(shù)后，單粒子最終收斂于多目標(biāo)函數(shù)的全局最優(yōu)解，即為各變量最優(yōu)出力。

智能單粒子算法針對(duì)粒子群算法易收斂于次優(yōu)位置的缺點(diǎn)進(jìn)行改進(jìn)，對(duì)尋優(yōu)過程降維，以單粒子單維尋優(yōu)取代粒子群整體尋優(yōu)，保證單粒子各維質(zhì)量同時(shí)提升，始終向最優(yōu)解收斂，避免陷入次優(yōu)解，提升了優(yōu)化速度。

4 算例分析

微電網(wǎng)結(jié)構(gòu)如圖1所示，采用冬季典型日負(fù)荷曲線、分時(shí)電價(jià)、環(huán)境條件等對(duì)模型、調(diào)度策略、優(yōu)化算法進(jìn)行驗(yàn)證。

4.1 微源出力優(yōu)化結(jié)果

并網(wǎng)運(yùn)行方式下各微源出力優(yōu)化結(jié)果如圖3所示。由圖中電負(fù)荷曲線可知，1~7 時(shí)、23~24 時(shí)，微電網(wǎng)負(fù)荷需求小，處于谷荷時(shí)段；10~14 時(shí)、18~22時(shí)微電網(wǎng)負(fù)荷需求大，處于峰荷時(shí)段。經(jīng)過儲(chǔ)能系統(tǒng)預(yù)調(diào)度：谷荷時(shí)段蓄電池作為負(fù)荷充電“填谷”，峰荷時(shí)段蓄電池作為微源放電“削峰”，平滑負(fù)荷曲線，且調(diào)度周期內(nèi)蓄電池只進(jìn)行了一次荷電窗口內(nèi)的運(yùn)行循環(huán)，避免了頻繁充放電，有效延長(zhǎng)儲(chǔ)能設(shè)備使用周期。

圖3 并網(wǎng)運(yùn)行方式微源優(yōu)化結(jié)果Fig. 3 Dispatching results in grid-connected operation

經(jīng)過微電網(wǎng)實(shí)時(shí)調(diào)度：谷價(jià)時(shí)段電價(jià)低，配合儲(chǔ)能系統(tǒng)充電，微電網(wǎng)通過聯(lián)絡(luò)線從主網(wǎng)購(gòu)電；峰價(jià)時(shí)段電價(jià)高，配合儲(chǔ)能系統(tǒng)放電，微電網(wǎng)通過聯(lián)絡(luò)線向主網(wǎng)出售電能；通過分時(shí)電價(jià)差獲取收益。風(fēng)電、光電按出力上限發(fā)電，可再生能源利用率較高。微型燃?xì)廨啓C(jī)基本按出力下限發(fā)電，在滿足微電網(wǎng)熱負(fù)荷需求前提下降低發(fā)電成本。

孤網(wǎng)運(yùn)行方式下各微源出力優(yōu)化結(jié)果如圖4。

圖4 孤網(wǎng)運(yùn)行方式微源優(yōu)化結(jié)果Fig. 4 Dispatching results in isolated-connected operation

經(jīng)過預(yù)調(diào)度，儲(chǔ)能系統(tǒng)在孤網(wǎng)運(yùn)行時(shí)平滑負(fù)荷曲線，提高系統(tǒng)穩(wěn)定性，避免在一個(gè)調(diào)度周期內(nèi)頻繁充放電，延長(zhǎng)使用周期。

經(jīng)過微電網(wǎng)實(shí)時(shí)調(diào)度，風(fēng)電、光電按出力上限發(fā)電；微型燃?xì)廨啓C(jī)基本按出力下限發(fā)電，在某幾個(gè)時(shí)段(如 6~8 時(shí))，其他微源(燃料電池等)滿發(fā)仍不能滿足負(fù)荷需求時(shí)，微型燃?xì)廨啓C(jī)增加出力保證系統(tǒng)穩(wěn)定運(yùn)行。

4.2 微電網(wǎng)經(jīng)濟(jì)成本

微電網(wǎng)可并網(wǎng)運(yùn)行(主網(wǎng)和分布式電源協(xié)同供電)、孤網(wǎng)運(yùn)行(分布式電源獨(dú)立供電)，為分析微電網(wǎng)經(jīng)濟(jì)成本，引入對(duì)照情況：主網(wǎng)獨(dú)立供電。微電網(wǎng)不同運(yùn)行方式下的經(jīng)濟(jì)成本對(duì)照如表2所示。

表2 不同運(yùn)行方式下微電網(wǎng)經(jīng)濟(jì)成本Table 2 Comprehensive cost comparison of three modes

由表2可知，微電網(wǎng)負(fù)荷由主網(wǎng)獨(dú)立供電時(shí)單位電能成本最高，為 1.087 6 元/kWh× 。

孤網(wǎng)運(yùn)行時(shí)(微電網(wǎng)獨(dú)立供電)，由于分布式發(fā)電成本低且獲取電價(jià)補(bǔ)貼，多聯(lián)供系統(tǒng)的能量梯級(jí)利用增加熱電聯(lián)產(chǎn)收益，單位電能成本下降為0.770 4 元/kWh× 。

并網(wǎng)運(yùn)行時(shí)(主網(wǎng)和微電網(wǎng)協(xié)同供電)，由于微電網(wǎng)與主網(wǎng)進(jìn)行電能交易獲取收益，單位電能成本進(jìn)一步下降，為 0.536 8 元/kWh× 。

4.3 智能單粒子算法與粒子群算法對(duì)比

以 24個(gè)調(diào)度時(shí)段中 1時(shí)段的優(yōu)化求解過程為例，分別應(yīng)用智能單粒子算法、粒子群算法對(duì)經(jīng)濟(jì)調(diào)度模型進(jìn)行優(yōu)化，用多目標(biāo)函數(shù)的適應(yīng)值評(píng)價(jià)解的質(zhì)量，用函數(shù)計(jì)算次數(shù)衡量?jī)?yōu)化速度。對(duì)比結(jié)果如圖5所示：智能單粒子算法在計(jì)算次數(shù)達(dá)到約200次時(shí)收斂于最優(yōu)解；粒子群算法在優(yōu)化初始階段即陷入局部最優(yōu)解，函數(shù)計(jì)算次數(shù)達(dá)到約 750 次時(shí)收斂于最優(yōu)解。智能單粒子算法收斂速度快，優(yōu)化時(shí)間少，更符合實(shí)時(shí)優(yōu)化的快速性要求。

5 結(jié)論

本文圍繞微電網(wǎng)運(yùn)行的經(jīng)濟(jì)、環(huán)保、目標(biāo)，以熱電聯(lián)產(chǎn)型微電網(wǎng)經(jīng)濟(jì)調(diào)度模型為基礎(chǔ)，結(jié)合分階段經(jīng)濟(jì)調(diào)度策略和智能單粒子優(yōu)化算法搜索微電網(wǎng)的最優(yōu)運(yùn)行點(diǎn)：

(1) 在考慮發(fā)電成本、環(huán)境成本的基礎(chǔ)上，計(jì)及了熱電聯(lián)供收益、電能交易收益和電價(jià)補(bǔ)貼等運(yùn)行效益，進(jìn)一步優(yōu)化利用微電網(wǎng)內(nèi)的電力資源。

(2) 提出微電網(wǎng)分階段經(jīng)濟(jì)調(diào)度策略，通過預(yù)調(diào)度解決儲(chǔ)能系統(tǒng)在不同時(shí)間斷面上運(yùn)行狀態(tài)的耦合問題，避免儲(chǔ)能系統(tǒng)頻繁充放電。

(3) 應(yīng)用的智能單粒子算法具有快速性，更好地滿足微電網(wǎng)調(diào)度的實(shí)時(shí)性要求。

此外，豐富儲(chǔ)能形式、引入負(fù)荷調(diào)度等都可以作為微電網(wǎng)經(jīng)濟(jì)調(diào)度進(jìn)一步研究的內(nèi)容。

[1]TAN W S, HASSAN M Y, MAJID M S, et al. Optimal distributed renewable generation planning: a review of different approaches[J]. Renewable and Sustainable Energy Reviews, 2013, 18: 626-645.

[2]LASSETER R H, CERT S. Microgrid[C]// International Conference on System of Systems Engineering. San Antonio, TX, United States: IEEE, 2007: 1-5.

[3]張順, 葛智平, 郭濤, 等. 大規(guī)模新能源接入后系統(tǒng)調(diào)峰能力與常規(guī)電源開機(jī)方式關(guān)系研究[J]. 電力系統(tǒng)保護(hù)與控制, 2016, 44(1): 106-110.

ZHANG Shun, GE Zhiping, GUO Tao, et al. Research on relationship between the capacity of systematic peak regulation and conventional power startup mode after access to large-scale new energy[J]. Power System Protection and Control, 2016, 44(1): 106-110.

[4]黃銀華, 李常春, 羅方旋, 等. 大規(guī)模風(fēng)電接入對(duì)福建電網(wǎng)調(diào)峰的影響[J]. 電網(wǎng)與清潔能源, 2015, 31(12): 97-100. HUANG Yinhua, LI Changchun, LUO Fangxuan, et al. Impact of large-scale wind farm connected with Fujian power grid on peak load regulation[J]. Power System and Clean Energy, 2015, 31(12): 97-100.

[5]竇春霞, 李娜, 徐曉龍. 基于多智能體系統(tǒng)的微電網(wǎng)分散協(xié)調(diào)控制策略[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(7): 125-134. DOU Chunxia, LI Na, XU Xiaolong. Multi-agent system based decentralized coordinated control strategy for microgrids[J]. Transactions of China Electrotechnical Society, 2015, 30(7):125-134.

[6]王成山, 武震, 李鵬. 微電網(wǎng)關(guān)鍵技術(shù)研究[J]. 電工技術(shù)學(xué)報(bào), 2014, 29(2): 1-11. WANG Chengshan, WU Zhen, LI Peng. Research on key technologies of microgrid[J]. Transactions of China Electrotechnical Society, 2014, 29(2): 1-11.

[7]談麗娟, 趙彩虹, 陳子奇, 等. 電動(dòng)汽車與分布式電源的微網(wǎng)經(jīng)濟(jì)調(diào)度[J]. 電網(wǎng)與清潔能源, 2015, 31(4): 100-105. TAN Lijuan, ZHAO Caihong, CHEN Ziqi, et al. Economical dispatch for microgrids of electric vehicles and distributed power[J]. Power System and Clean Energy, 2015, 31(4): 100-105.

[8]楊艷紅, 裴瑋, 鄧衛(wèi), 等. 計(jì)及蓄電池儲(chǔ)能壽命影響的微電網(wǎng)日前調(diào)度優(yōu)化[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(22): 172-180. YANG Yanhong, PEI Wei, DENG Wei, et al. Day-ahead scheduling optimization for microgrid with battery life model[J]. Transactions of China Electrotechnical Society, 2015, 30(22): 172-180.

[9]茆美琴, 孫樹娟, 蘇建徽. 包含電動(dòng)汽車的風(fēng)光儲(chǔ)微電網(wǎng)經(jīng)濟(jì)性分析[J]. 電力系統(tǒng)自動(dòng)化, 2011, 35(14): 30-35. MAO Meiqin, SUN Shujuan, SU Jianhui. Economic analysis of a microgrid with wind/photovoltaic/storages and electric vehicles[J]. Automation of Electric Power Systems, 2011, 35(14): 30-35.

[10]田建芳, 毛亞珊, 翟橋柱, 等. 基于風(fēng)電消納能力評(píng)估的安全約束經(jīng)濟(jì)調(diào)度方法[J]. 電網(wǎng)技術(shù), 2015, 39(9): 2392-2398. TIAN Jianfang, MAO Yashan, ZHAI Qiaozhu, et al. Security constrained unit commitment with wind power based on evaluation of wind power penetration capacity[J]. Power System Technology, 2015, 39(9): 2392-2398.

[11]彭春華, 謝鵬, 詹驥文, 等. 基于改進(jìn)細(xì)菌覓食算法的微 網(wǎng) 魯 棒 經(jīng) 濟(jì) 調(diào) 度 [J]. 電 網(wǎng) 技 術(shù) , 2014, 38(9): 2392-2398. PENG Chunhua, XIE Peng, ZHAN Jiwen, et al. Robust economic dispatch of microgrid using improved bacterial foraging algorithm[J]. Power System Technology, 2014, 38(9): 2392-2398.

[12]白峪豪. 含分布式電源的微電網(wǎng)經(jīng)濟(jì)調(diào)度模型研究[D].杭州: 浙江大學(xué), 2012. BAI Yuhao. Research on microgrid economic dispatch model with distributed power sources embedded[D]. Hangzhou: Zhejiang University, 2012.

[13]KUMAR R H, USHAKUMARI S. Optimal management of islanded microgrid using binary particle swarm optimization[C]// International Conference on Advancesin Green Energy, Trivandrum, Kerala, India: IEEE, 2014: 251- 257.

[14]陳潔, 楊秀, 朱蘭, 等. 基于遺傳算法的熱電聯(lián)產(chǎn)型微網(wǎng)經(jīng)濟(jì)運(yùn)行優(yōu)化[J]. 電力系統(tǒng)保護(hù)與控制, 2013, 41(8): 7-15. CHEN Jie, YANG Xiu, ZHU Lan, et al. Genetic algorithm based economic operation optimization of a combined heat and power microgrid[J]. Power System Protection and Control, 2013, 41(8): 7-15.

[15]洪博文, 郭力, 王成山, 等. 微電網(wǎng)多目標(biāo)動(dòng)態(tài)優(yōu)化調(diào)度 模 型 與 方 法 [J]. 電 力 自 動(dòng) 化 設(shè) 備 , 2013, 33(3): 100-107. HONG Bowen, GUO Li, WANG Chengshan, et al. Mode and method of dynamic multi-objective optimal dispatch for microgrid[J]. Electric Power Automation Equipment, 2013, 33(3): 100-107.

[16]RAND D A J. Valve-regulated lead-acid batteries[M]. Elsevier Science & Technology, 2004.

[17]徐永豐, 吳潔晶, 黃海濤, 等. 考慮負(fù)荷率的峰谷分時(shí)電 價(jià) 模 型 [J]. 電 力 系 統(tǒng) 保 護(hù) 與 控 制 , 2015, 43(23): 96-103. XU Yongfeng, WU Jiejing, HUANG Haitao, et al. Timeof-use tariff model considering load factor[J]. Power System Protection and Control, 2015, 43(23): 96-103.

[18]劉前進(jìn), 許慧銘, 施超. 基于人工蜂群算法的多目標(biāo)最優(yōu)潮流問題的研究[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(8): 1-7. LIU Qianjin, XU Huiming, SHI Chao. Research on power flow optimization based on multi-objective artificial bee colony algorithm[J]. Power System Protection and Control, 2015, 43(8): 1-7.

[19]陳海東, 莊平, 夏建礦, 等. 基于改進(jìn)螢火蟲算法的分布式電源優(yōu)化配置[J]. 電力系統(tǒng)保護(hù)與控制, 2016, 44(1): 149-154. CHEN Haidong, ZHUANG Ping, XIA Jiankuang, et al. Optimal power flow of distribution network with distributed generation based on modified firefly algorithm[J]. Power System Protection and Control, 2016, 44(1): 149-154.

[20]紀(jì)震, 周家銳, 廖惠連, 等. 智能單粒子優(yōu)化算法[J].計(jì)算機(jī)學(xué)報(bào), 2010, 33(3): 556-561. JI Zhen, ZHOU Jiarui, LIAO Huilian, et al. A novel intelligent single particle optimizer[J]. Chinese Journal of Computers, 2010, 33(3): 556-561.

[21]JIE Zeng. A self adaptive intelligent single particle optimizer compression algorithm[J]. Neural Computing and Applications, 2014, 25(6): 1285-1292.

[22]李樂. 微網(wǎng)的經(jīng)濟(jì)運(yùn)行研究[D]. 北京: 華北電力大學(xué), 2011. LI Le. Study of economic operation in microgrid[D]. Beijing: North China Electric Power University, 2011.

(編輯 魏小麗)

Economic dispatch of microgrid using intelligent single particle optimizer algorithm

WU Hao, WANG Yansong
(College of Information and Control Engineering, China University of Petroleum, Qingdao 266580, China)

For the purpose of absorbing the renewable energy sources adequately, the time-of-use electricity price is used as leverage and economic dispatching as a means to realize the optimal arrangement of distributed generation resources. On the basis of consideration for generation cost and environmental cost, economic incomes such as CHP income, energy trading income and renewable energy distributed generation subsidy are added to establish a multi-objective function. A pre-dispatching strategy which considers the coupling between different time intervals of storage system as well as time-of-use electricity price, net load curve is proposed. The intelligent single particle optimizer is applied to seek the best solution of dispatching variables compared to particle swarm optimization. The analysis of dispatching scheme and economic index based on typical winter data validate the effectiveness of dispatching model, dispatching strategy and optimal algorithm.

microgrid; active power optimization; battery energy storage system; phased economic dispatching strategy; intelligent single particle optimizer (ISPO)

10.7667/PSPC201617

：2016-05-27

吳 昊(1993-)，女，碩士研究生，研究方向?yàn)殡娋W(wǎng)的優(yōu)化規(guī)劃與節(jié)能技術(shù)；E-mail: wuhao_19930115@163.com

王艷松(1965-)，女，博士，教授，研究生導(dǎo)師，主要研究方向?yàn)殡娋W(wǎng)的優(yōu)化規(guī)劃與節(jié)能技術(shù)，電網(wǎng)故障診斷與配電自動(dòng)化，電力負(fù)荷預(yù)測(cè)，電能質(zhì)量分析與諧波治理等。E-mail: wys91517@163.com