蔡志遠(yuǎn)， 戈陽陽,2， 李洋,3， 馬少華

(1．沈陽工業(yè)大學(xué) 電氣工程學(xué)院，遼寧 沈陽 110003；2．國網(wǎng)遼寧省電力有限公司電力科學(xué)研究院，遼寧 沈陽 110000；3．中國電力科學(xué)研究院，北京100192)

多微電源混合系統(tǒng)在微電網(wǎng)中最優(yōu)定位和規(guī)劃研究

蔡志遠(yuǎn)1， 戈陽陽1,2， 李洋1,3， 馬少華1

(1．沈陽工業(yè)大學(xué) 電氣工程學(xué)院，遼寧 沈陽 110003；2．國網(wǎng)遼寧省電力有限公司電力科學(xué)研究院，遼寧 沈陽 110000；3．中國電力科學(xué)研究院，北京100192)

合理利用多種形式能源為負(fù)荷供電可以有效提高微電網(wǎng)運(yùn)行經(jīng)濟(jì)和可靠性，然而目前微電源的前期選址定容和后期優(yōu)化運(yùn)行均孤立考慮，為了充分發(fā)揮其靈活供電能力，提出一種基于光伏、電池組以及柴油發(fā)電機(jī)的混合供電系統(tǒng)規(guī)劃策略。首先，給出了光伏-電池組-柴油發(fā)電機(jī)混合供電系統(tǒng)能量運(yùn)行方式，提高其運(yùn)行經(jīng)濟(jì)性和靈活性；其次，提出了綜合考慮多電源定位規(guī)劃和運(yùn)行優(yōu)化的多目標(biāo)優(yōu)化模型，不僅減小總投資、運(yùn)行維護(hù)成本、上級(jí)電網(wǎng)輸送功率引起的網(wǎng)損及緊急情況引起的切負(fù)荷發(fā)生概率，同時(shí)可以使剩余能量反送給上級(jí)電網(wǎng)；最后，給出了基于粒子群優(yōu)化人工蜂群算法改進(jìn)求解方法，有效提高收斂速度。仿真結(jié)果證明，所提出的規(guī)劃策略可顯著提高微電網(wǎng)運(yùn)行的經(jīng)濟(jì)性和可靠性。

分布式電源；微電網(wǎng)；混合供電系統(tǒng)；切負(fù)荷；人工蜂群算法

0 引 言

分布式電源(distributed generation，DG)是一種高效、距離負(fù)荷需求近的開發(fā)方式，相對(duì)于集中式開發(fā)能源而言是一種新型能源并網(wǎng)方式[1-2]。隨著分布式能源系統(tǒng)在配電網(wǎng)和輸電網(wǎng)中滲透率的增大，其不確定性對(duì)電力系統(tǒng)的傳統(tǒng)運(yùn)行控制方式帶來了巨大挑戰(zhàn)[3-5]。

目前分布式電源的研究熱點(diǎn)集中在最優(yōu)選址及運(yùn)行優(yōu)化方面。針對(duì)DG選址和定容方面，目前學(xué)者進(jìn)行了較深入的研究，然而相關(guān)文獻(xiàn)均假設(shè)DG被動(dòng)管理，沒有考慮微網(wǎng)中DG運(yùn)行策略對(duì)提高故障期間穩(wěn)定性的影響。文獻(xiàn)[6-8]中不同DG出力情況會(huì)改變微電網(wǎng)的運(yùn)行狀態(tài)，進(jìn)而配電網(wǎng)導(dǎo)致不能實(shí)時(shí)滿足選址定容時(shí)設(shè)計(jì)的目標(biāo)值。針對(duì)多分布式電源的優(yōu)化運(yùn)行方面，相關(guān)研究成果雖解決了混合供電系統(tǒng)的規(guī)劃問題，但均假設(shè)固定的接入位置，并沒有考慮最優(yōu)定位的問題。如果接入點(diǎn)改變，微電網(wǎng)的設(shè)計(jì)、規(guī)劃等均會(huì)偏離其設(shè)計(jì)最優(yōu)值[9-12]。綜上，選址定容和運(yùn)行兩個(gè)方面具有密切的聯(lián)系，而相關(guān)研究均獨(dú)立設(shè)計(jì)，鮮有針對(duì)二者結(jié)合對(duì)微電網(wǎng)的影響效果分析。

針對(duì)以上研究不足，本文提出綜合考慮選址定容和運(yùn)行的多目標(biāo)優(yōu)化方法。首先，DG主動(dòng)管理運(yùn)行目標(biāo)設(shè)定為實(shí)現(xiàn)微電網(wǎng)內(nèi)部自給自足，多余能量外送，同時(shí)給出混合系統(tǒng)發(fā)電能量運(yùn)行方式。其次，利用改進(jìn)的人工蜂群算法求解優(yōu)化模型，得到各微電源的最優(yōu)接入點(diǎn)、接入容量及運(yùn)行方式，規(guī)劃目標(biāo)為微電網(wǎng)總成本最小。最后，利用不同電網(wǎng)模型驗(yàn)證所提方法對(duì)提高供電經(jīng)濟(jì)和穩(wěn)定性的效果。

1 光柴混合系統(tǒng)運(yùn)行方式研究

近幾年發(fā)生的大規(guī)模城市斷電事件均是由于一個(gè)或多個(gè)配電網(wǎng)連接到輸電網(wǎng)的傳輸線路過載導(dǎo)致的。因此，本文提出的規(guī)劃問題考慮以最大程度滿足配電網(wǎng)內(nèi)部負(fù)荷需求，減小從輸電網(wǎng)遠(yuǎn)距離輸入功率，自發(fā)自用，多余電量外送輸電網(wǎng)的運(yùn)行策略為基礎(chǔ)，假設(shè)光柴混合供電系統(tǒng)按照孤島運(yùn)行模式規(guī)劃，以最大限度接入新能源；按照并網(wǎng)模式運(yùn)行，使光伏剩余能量外送輸電網(wǎng)，不僅減少了主網(wǎng)輸送電能產(chǎn)生的傳輸網(wǎng)損，又避免了因傳輸線路過載等故障引起的切負(fù)荷等極端事件發(fā)生。

針對(duì)可并入配電網(wǎng)每個(gè)節(jié)點(diǎn)的光柴混合系統(tǒng)(hybrid energy systems，HEMS)，設(shè)計(jì)的運(yùn)行策略如圖1所示。

圖1 光柴混合發(fā)電系統(tǒng)運(yùn)行策略Fig.1 Flow chart of HEMS containing photovoltaic,battery and diesel generator

如圖1所示，在有光伏出力的情況下，如果光伏出力大于本地負(fù)荷需求，并且電池組沒有充滿電，則光伏輸出功率再滿足負(fù)荷需求后多余的電量用于給電池組充電；如果電池組已經(jīng)充滿電，但仍有剩余能量，則外送主網(wǎng)。如果光伏出力小于本地負(fù)荷，則光伏滿發(fā)，如果電池組可以滿足剩余負(fù)荷需求，則剩余負(fù)荷根據(jù)“敏感負(fù)荷”判斷是由電池還是柴油機(jī)承擔(dān)剩余負(fù)荷。敏感負(fù)荷Ld定義為電池組和柴油發(fā)電機(jī)出力經(jīng)濟(jì)性相等的供給負(fù)荷，當(dāng)超過敏感負(fù)荷后無論電池組是否有能力滿足負(fù)荷，均由柴油機(jī)發(fā)電滿足負(fù)荷需求[13]，其計(jì)算公式為

(1)

式中：A和B為柴油機(jī)的燃料曲線系數(shù)；Pg為柴油發(fā)電機(jī)額定功率；Pf為燃料價(jià)格；Cg為柴油機(jī)每小時(shí)的運(yùn)行和維護(hù)成本；Cr為柴油機(jī)每小時(shí)的部件損耗成本；Cb為電池組運(yùn)行成本。

在沒有光伏出力的情況下：如果電池組出力小于本地負(fù)荷需求，則柴油機(jī)發(fā)電以滿足負(fù)荷需求；如果電池組可以滿足負(fù)荷需求，則負(fù)荷根據(jù)“敏感負(fù)荷”判斷是由電池還是柴油機(jī)滿足負(fù)荷需求。

綜上，所提運(yùn)行策略可達(dá)到兩個(gè)目的：1)電池組僅在光伏出力大于本地負(fù)荷需求的情況下充電，并且避免了柴油機(jī)向電池組充電的情況發(fā)生；2)柴油發(fā)電機(jī)僅承擔(dān)光伏滿發(fā)后不能滿足的剩余負(fù)荷需求，避免了配電網(wǎng)輸入或外送能量的情況發(fā)生。

2 多目標(biāo)尋優(yōu)函數(shù)

將多光伏-柴油機(jī)混合發(fā)電系統(tǒng)的最優(yōu)選址、定位及出力作為最優(yōu)函數(shù)，通過特定候選接入位置中選擇出使總成本最低的接入點(diǎn)和光伏及儲(chǔ)能電池接入容量。因此，光伏-柴油機(jī)混合發(fā)電系統(tǒng)的接入數(shù)量和位置是隨機(jī)的。在每個(gè)接入位置，尋優(yōu)函數(shù)求解得到最優(yōu)的接入容量和運(yùn)行模式。尋優(yōu)流程如圖2所示。

圖2 多目標(biāo)尋優(yōu)流程Fig.2 Multi-objective optimization flow

針對(duì)上、下限約束，通過設(shè)計(jì)優(yōu)化算法算子化為非約束問題，針對(duì)等式約束，采用懲罰函數(shù)法，具體約束條件的求解采用文獻(xiàn)[14]所提方法。

2.1 尋優(yōu)函數(shù)

基于總成本的尋優(yōu)函數(shù)由以下幾項(xiàng)組成：1)前期投資成本；2)設(shè)備置換成本；3)運(yùn)行維護(hù)成本；4)能量傳輸引起的線路損耗；5)緊急情況下的切負(fù)荷損失；6)超過負(fù)荷需求的富余能量外送配電網(wǎng)帶來的收益。

尋優(yōu)函數(shù)可由式(2)表示：

MinF=CP+Cd+Cb+Cs+Cl+Ci-Ce。

(2)

其中：CP為光伏電池板總成本；Cd為柴油發(fā)電機(jī)總成本；Cb為電池組總成本；Cs為切負(fù)荷損失；Cl為由配電網(wǎng)輸入的功率引起的網(wǎng)損成本；Ci為由配電網(wǎng)輸入的功率成本；Ce為光-柴混合供電系統(tǒng)外送配電網(wǎng)的功率收益，其為負(fù)值，表示微電網(wǎng)在滿足自身消耗時(shí)發(fā)出的電量越多，微電網(wǎng)獲得的經(jīng)濟(jì)效益越高，進(jìn)而使得微電網(wǎng)的綜合成本越低。其中，CP、Cd及其Cb分別由三部分組成，如式(3)～式(5)所示：

CP=Cp_i+Cp_r+Cp_o，

(3)

Cd=Cd_i+Cd_r+Cd_o，

(4)

Cb=Cb_i+Cb_r+Cb_o。

(5)

式中：Cp_i為光伏電池板初期投資成本；Cp_r為光伏電池板置換成本；Cp_o為光伏電池板運(yùn)行維護(hù)成本；Cd_i為柴油發(fā)電機(jī)初期投資成本；Cd_r為柴油發(fā)電機(jī)置換成本；Cd_o為柴油發(fā)電機(jī)運(yùn)行維護(hù)成本；Cb_i為電池組初期投資成本；Cb_r為電池組置換成本；Cb_o為電池組運(yùn)行維護(hù)成本。

2.2 等式約束條件

在任何時(shí)刻下，總發(fā)電功率應(yīng)該與負(fù)荷需求和線路損失平衡，因此功率平衡等式約束為

PP(t)+Pd(t)+Pb_d(t)+Ps(t)+

Pi(t)-Pb_c(t)-Pl(t)-PD(t)=0。

(6)

式中：PP為光伏電池板產(chǎn)生的功率；Pd為柴油發(fā)電機(jī)產(chǎn)生的功率；Pb_d為電池組放電功率；Ps為切負(fù)荷造成的能量損失；Pi為由外部電網(wǎng)輸入的功率；Pb_c為電池組充電功率；PD為負(fù)荷需求功率。

2.3 不等式約束條件

光伏輸入功率應(yīng)控制在最大裝機(jī)容量和日照輻射量限制，如下式所示：

(7)

柴油發(fā)電機(jī)需要根據(jù)混合光-柴控制系統(tǒng)的指令運(yùn)行?？紤]到柴油機(jī)的運(yùn)行經(jīng)濟(jì)效率限制，不能低于最低經(jīng)濟(jì)運(yùn)行點(diǎn)，因此，其運(yùn)行限制在最大裝機(jī)容量和最小經(jīng)濟(jì)運(yùn)行點(diǎn)的范圍內(nèi)，如下式所示：

(8)

儲(chǔ)能電池組具有和柴油機(jī)相同的控制特性，其中，儲(chǔ)能容量限制[15]為

(9)

最大功率放電限制為

(10)

最大功率充電限制為：

(11)

實(shí)時(shí)能量平衡關(guān)系為

Ps(t)=Ps(t-1)-M(t)Pb-d(t)+N(t)Pb-c(t)。

(12)

其中：

考慮到電池組不能同時(shí)充電放電，因此，還需要滿足

M(t)+N(t)≤1。

(13)

單個(gè)混合風(fēng)-柴發(fā)電系統(tǒng)容量限制為

(14)

為了充分驗(yàn)證所提控制策略有效性，將通過外部電網(wǎng)輸入能量不超過配電網(wǎng)總?cè)萘康?0%。

(15)

節(jié)點(diǎn)電壓限制：

(16)

傳輸線路容量限制：

(17)

3 求解算法

3.1 人工蜂群算法

人工蜂群算法是一種隨機(jī)優(yōu)化算法，通過模擬各蜜蜂個(gè)體的局部尋優(yōu)行為，最終使全局最優(yōu)值在群體中突現(xiàn)得到最優(yōu)解，不必掌握任何的先驗(yàn)性信息，具有良好的魯棒性和廣泛的適用性。

蜂群算法中的引領(lǐng)蜂和跟隨蜂的食物源位置更新公式[16]為

Vij=Sij+rij(Sij+Skj)。

(18)

式中：k∈(1,2,…L)，L為雇傭蜂的數(shù)量，j∈(1,2,…,N)，k≠j；rij為區(qū)間[-1，1]之間的隨機(jī)數(shù)，且i≠j，它控制著鄰域搜索空間的大小，隨著問題最優(yōu)解的逐步靠近，搜索的鄰域空間也越來越?。籗ij為食物源當(dāng)前的位置，Skj為隨機(jī)選擇的鄰域個(gè)體食物源位置。

觀察蜂根據(jù)雇傭蜂分享的信息，對(duì)食物源選擇按輪盤賭的方式選擇，其概率Pi為

(19)

式中f(δi)為第i個(gè)食物源的收益度值。

3.2 基于粒子群優(yōu)化ABC改進(jìn)方法

傳統(tǒng)ABC算法在迭代過程中，若某個(gè)蜜源被搜索更新的次數(shù)達(dá)到了預(yù)先的設(shè)定值，為了避免算法陷入局部極值，ABC 算法必須對(duì)種群重新初始化重新搜索；但其對(duì)局部極值的利用忽視了個(gè)體極值的信息，采用隨機(jī)生成的方式無法滿足新蜜源的好壞程度，因此算法會(huì)帶來無謂的迭代計(jì)算，降低了算法的收斂速度，進(jìn)而影響了算法的全局尋優(yōu)的能力。針對(duì)這種缺點(diǎn)引入粒子群優(yōu)化算法對(duì)其進(jìn)行改進(jìn)。粒子群優(yōu)化算法具有很強(qiáng)的全局搜索能力和快速的收斂速度，對(duì)陷入局部極值的個(gè)體在其現(xiàn)有的位置上拓寬一個(gè)領(lǐng)域作為粒子群優(yōu)化算法的尋優(yōu)范圍重新進(jìn)行搜索，可加快算法跳出局部約束從而搜索到最優(yōu)解。

設(shè)第i個(gè)粒子的位置和速度分別為Xi=(xi1,xi2,…,xiD)和Vi=(vi1,vi2,...,viD)，其適應(yīng)度是由一個(gè)被優(yōu)化的函數(shù)值所決定的，粒子根據(jù)自身所經(jīng)歷過的歷史最好位置Pbest=(pi1,pi2,…,piD)和整個(gè)種群所經(jīng)歷過的最好位置Gbest=(gi1,gi2,…,giD)對(duì)目前自身的速度和位置進(jìn)行更新。

粒子在第k次迭代后，速度和位置的更新公式[17]如下：

Vi,d(k+1)=w·vi,d(k)+c1·

r1(Pbest,d-xi,d(k))+c2·

r2(Gbest,d-xi,d(k))，

(20)

xi,d(k+1)=xi,d(k)+vi,d(k+1)。

(21)

式中：j∈(1,2,…,N)，N為種群規(guī)模，d∈(1,2,…，D)，D為搜索空間；xi,d(k)為粒子i位置的第d維分量，vi,d(k)為粒子i速度的第d維分量；Pbest,d為粒子i最好位置的第d維分量；Gbest,d為粒子群體中最好位置的第d維分量；r1和r2為[0，1]之間的隨機(jī)數(shù)；c1和c2為局部加速因子和全局加速因子；w為慣性權(quán)重系數(shù)。

3.3 求解流程

通過結(jié)合PSO算法，既考慮了當(dāng)前的最優(yōu)情況，又有全局的探索性，使得新偵察蜂在一定范圍內(nèi)做了更詳細(xì)的尋優(yōu)，使得偵察蜂性能優(yōu)異，進(jìn)而保證了全局優(yōu)化的快速性。

本文將最優(yōu)并網(wǎng)母線、光伏和儲(chǔ)能電池出力這3個(gè)優(yōu)化目標(biāo)作為ABC算法最優(yōu)食物源位置。由于光伏發(fā)電的間歇性，柴油發(fā)電機(jī)接入容量按照滿足全部滿足負(fù)荷需求的容量設(shè)計(jì)。具體規(guī)劃步驟如下：

步驟1：讀入初始數(shù)據(jù)：包括潮流計(jì)算數(shù)據(jù)、控制變量的描述以及各種等式和不等式約束條件；輸入控制變量(光伏、儲(chǔ)能電池及柴油發(fā)電機(jī)出力)的維數(shù)和上、下限值，設(shè)置狀態(tài)變量(PQ節(jié)點(diǎn)電壓、電池組荷電狀態(tài)及平衡節(jié)點(diǎn)的有功出力)的限值；設(shè)置蜂群及粒子群優(yōu)化算法參數(shù)。

步驟2：初始化：ABC和PSO的迭代次數(shù)均設(shè)為 0。在控制變量的取值范圍內(nèi)，隨機(jī)產(chǎn)生種群x，對(duì)雇傭蜂的位置進(jìn)行初始化，并且雇傭蜂的數(shù)量等于跟隨蜂的數(shù)量。

步驟3：判斷從主電網(wǎng)輸入電量是否大于最大輸入電量限制：如果超過，則切負(fù)荷保證微電網(wǎng)運(yùn)行穩(wěn)定；如果沒超過，則判斷是否滿足約束條件，如果滿足則進(jìn)入步驟4，如果不滿足，則返回步驟2。

步驟4：對(duì)每只雇傭蜂所對(duì)應(yīng)的食物源進(jìn)行收益度評(píng)價(jià)，并對(duì)食物源的位置進(jìn)行更新。跟隨蜂按照式(18)在所選食物源的鄰域內(nèi)進(jìn)行搜索產(chǎn)生新的食物源，并按照式(19)輪盤賭的選擇方式對(duì)食物源進(jìn)行位置的更新。

步驟5：判斷某個(gè)食物源在達(dá)到上限limit后，雇傭蜂是否將其更新，如果仍沒有，則該雇傭蜂轉(zhuǎn)為偵察蜂，利用粒子群算法按照式(20)更新位置。

步驟6：對(duì)更新后的食物源進(jìn)行收益度評(píng)價(jià)。判斷是否滿足終止條件,若不滿足終止條件,則轉(zhuǎn)向步驟2；否則，跳出循環(huán)，輸出最優(yōu)并網(wǎng)母線及光伏、儲(chǔ)能電池和柴油發(fā)電機(jī)輸出功率指令。

求解流程如圖3所示。

圖3 光柴混合發(fā)電系統(tǒng)控制流程Fig.3 Flow chart of HEMS

4 算例仿真

為了驗(yàn)證PABC算法的有效性，將改進(jìn)的PABC算法與基本ABC算法進(jìn)行實(shí)驗(yàn)比較。利用DIgSILENTPowerFactory軟件和Matlab建立風(fēng)電場(chǎng)仿真環(huán)境，將采用規(guī)劃策略的最大分支線層數(shù)不同的IEEE-33[18]和PG&E-69[19]節(jié)點(diǎn)系統(tǒng)進(jìn)行測(cè)試，其拓?fù)淙鐖D4和圖11所示，規(guī)劃得到的各微電源最優(yōu)接入位置和容量參數(shù)如表1、表2所示。圖9、圖10和圖14、圖15分別為采用所提運(yùn)行策略與被動(dòng)管理運(yùn)行方式的出力及切負(fù)荷率對(duì)比。

表1 各微電源最優(yōu)接入位置和容量參數(shù)

圖4 含有混合光-柴系統(tǒng)的IEEE-33節(jié)點(diǎn)測(cè)試系統(tǒng)Fig.4 IEEE-33 bus system containing HEMS

設(shè)ABC種群規(guī)模設(shè)置為100，雇傭蜂和觀察蜂各為50，limit為10，測(cè)試函數(shù)的維數(shù)分別為50維和100維，迭代次數(shù)為1000。PABC算法中PSO算法參數(shù)設(shè)置為：種群規(guī)模為24；最大迭代次數(shù)為50；局部加速因子c1為2.0；全局加速因子c2為2.0；慣性因子w為0.8。對(duì)每個(gè)測(cè)試函數(shù)連續(xù)運(yùn)行20次求其平均值。

表1可以看出對(duì)于IEEE-33節(jié)點(diǎn)測(cè)試系統(tǒng)，最優(yōu)接入點(diǎn)分別為17、20及31節(jié)點(diǎn)，接入的光伏容量分別為0.156、0.256及0.214 MW，接入的柴油機(jī)組容量分別為0.14、0.25及0.29 MW。

在前文中介紹傳統(tǒng)ABC算法主要是收斂速度，避免陷入局部最優(yōu)解、求解最優(yōu)解能力上加強(qiáng)。通過引入粒子群算法的改進(jìn)IEEE-33和PG&E-69節(jié)點(diǎn)系統(tǒng)PABC和ABC的收斂情況對(duì)比如圖5和圖12所示。

圖5 改進(jìn)PABC 和ABC的收斂情況對(duì)比Fig.5 Convergence contrast of improved PABC and ABC algorithm for IEEE-33 bus system

從圖5中可以對(duì)比看出，前期迭代混合人工蜂群算法收斂迅速，中后期逐步向最優(yōu)解靠近，并在迭代46次后就穩(wěn)定在最優(yōu)點(diǎn)，收斂速度快于傳統(tǒng)ABC算法，并且最優(yōu)成本值也低于常規(guī)ABC算法，進(jìn)一步證明了改進(jìn)算法在重新初始化中有效減少了隨機(jī)初始化帶來的沒有必要的計(jì)算。

為了進(jìn)一步驗(yàn)證算法的在能量管理方面的有效性，采用錦州某實(shí)際光伏電站的當(dāng)日負(fù)荷曲線和日輻射值仿真分析，如圖6、圖7所示。圖8～圖10分別針對(duì)IEEE33節(jié)點(diǎn)分析了輸入功率占總負(fù)荷需求的比例、光柴混合功率控制系統(tǒng)分配結(jié)果以及切負(fù)荷情況對(duì)比。

圖6 當(dāng)日負(fù)荷曲線Fig.6 Load curve

圖7 錦州某實(shí)際光伏電站日輻射值Fig.7 Daily radiation of Jinzhou photovoltaic power station

圖8 輸入功率占總負(fù)荷需求比例Fig.8 Proportion of input power with total load demand

圖9 光柴混合功率控制系統(tǒng)能量分配結(jié)果Fig.9 Output allocation results of HEMS

圖10 切負(fù)荷結(jié)果對(duì)比Fig.10 Contrast of load shedding results

圖8可知，由上級(jí)電網(wǎng)遠(yuǎn)距離輸送電量沒有超過本地負(fù)荷的30%，有效減小了輸送網(wǎng)損。圖9可見，當(dāng)日輻射量比較小且電池已經(jīng)充滿電的凌晨時(shí)間段，電池提供負(fù)荷需求。當(dāng)電池持續(xù)放電1 h后，柴油發(fā)電機(jī)開始替代電池組為負(fù)荷供電。當(dāng)從8點(diǎn)到下午6點(diǎn)之間，太陽能可用，光伏輸出功率滿足負(fù)荷需求。在10:00時(shí)刻，由于光伏輸出功率超過負(fù)荷需求，富余功率為電池組充電。電池組在下午2:00時(shí)充滿電，此刻，剩余功率向上級(jí)電網(wǎng)外送功率。從下午5:00開始，光伏出力逐漸減小，電池組重新向負(fù)荷提供能量，最后重新由柴油發(fā)電機(jī)單獨(dú)滿足負(fù)荷需求。以上結(jié)果進(jìn)一步驗(yàn)證了所提控制策略可以實(shí)現(xiàn)當(dāng)光伏出力不足時(shí)由柴油發(fā)電機(jī)滿足負(fù)荷需求，并且電池組僅由光伏充電的控制目標(biāo)。圖10設(shè)置了當(dāng)外送電網(wǎng)功率減少一半時(shí)的系統(tǒng)穩(wěn)定性，圖中看出具有混合光柴供電系統(tǒng)的配電網(wǎng)僅切負(fù)荷12.53 MW，僅占總負(fù)荷的15.1%；而傳統(tǒng)配電網(wǎng)切負(fù)荷69.27 MW，占總負(fù)荷的43.65%，進(jìn)一步證明了所提策略可有大幅提高系統(tǒng)運(yùn)行穩(wěn)定性和經(jīng)濟(jì)性。

由表2可以看出對(duì)于PG&E69節(jié)點(diǎn)測(cè)試系統(tǒng)，最優(yōu)接入點(diǎn)分別為7、16及49節(jié)點(diǎn)，接入的光伏容量分別為0.213 MW、0.275 MW及0.221 MW，接入的柴油機(jī)組容量分別為0.21 MW、0.19 MW及0.24 MW。

表2 各微電源最優(yōu)接入位置和容量參數(shù)Table 2 Parameters of micro-powers

如圖11所示，利用PABC得到的最優(yōu)接入位置為7、16和49節(jié)點(diǎn)。圖12說明了69節(jié)點(diǎn)系統(tǒng)具有類似于33節(jié)點(diǎn)的收斂特性，兩種算法均在39次后逐步收斂，而PABC算法在初期具有較快的收斂速度。再次證明了改進(jìn)算法收斂速度快，最優(yōu)解能力較高的特點(diǎn)。圖13-15分別針對(duì)PG&E69節(jié)點(diǎn)測(cè)試系統(tǒng)分析了混合光柴混合功率分配結(jié)果、輸入功率占總負(fù)荷需求的比例和切負(fù)荷情況對(duì)比。

圖11 含有HEMS的PG&E69節(jié)點(diǎn)測(cè)試系統(tǒng)Fig.11 PG&E69 bus system containing HEMS

圖13顯示了采用所提策略后，從上級(jí)電網(wǎng)遠(yuǎn)距離送電功率小于負(fù)荷的30%。圖14說明了當(dāng)缺失上級(jí)電網(wǎng)傳輸功率40%的情況下，傳統(tǒng)配電網(wǎng)切負(fù)荷35.24%，采用所提策略后，切負(fù)荷率僅為11.1%，大幅提高了供電可靠性。如圖15所示，在0-7點(diǎn)之間，沒有光輻射且電池已經(jīng)充滿電的情況下，電池組啟動(dòng)以滿足負(fù)荷需求，在持續(xù)供電1h后，由于其供電能力低于敏感負(fù)荷，柴油發(fā)電機(jī)啟動(dòng)接替電池組繼續(xù)為負(fù)荷供電。當(dāng)上午8點(diǎn)至下午6點(diǎn)之間，光輻射量充足，光伏出力，接替柴油發(fā)電機(jī)為負(fù)荷供電。在10點(diǎn)時(shí)刻，光伏出力超過本地負(fù)荷，剩余能量首先向電池組充電。當(dāng)下午2點(diǎn)電池組充滿電后，光伏產(chǎn)生的剩余能量向上級(jí)電網(wǎng)外送能量。從下午5點(diǎn)開始，光照輻射量逐漸減小，電池組重新啟動(dòng)為負(fù)荷供電直到其供電能力低于敏感負(fù)荷，柴油發(fā)電機(jī)進(jìn)而啟動(dòng)接替電池組供電。以上結(jié)果證明了所提策略實(shí)現(xiàn)了電池組僅由光伏充電且光伏出力具有剩余功率時(shí)向上級(jí)電網(wǎng)反送電，提高了配電網(wǎng)的運(yùn)行經(jīng)濟(jì)性。

圖12 改進(jìn)PABC 和ABC的收斂情況對(duì)比Fig.12 Convergence contrast of improved PABC and ABC algorithm for PG&E69 bus system

圖13 輸入功率占總負(fù)荷需求Fig.13 Proportion of input power with total load demand

圖14 切負(fù)荷情況對(duì)比Fig.14 Contrast of load shedding results

圖15 光柴混合系統(tǒng)出力分配結(jié)果Fig.15 Output allocation results of HEMS

5 結(jié) 論

本文創(chuàng)新性地將微電網(wǎng)中多微電源的前期規(guī)劃和后期運(yùn)行綜合為1個(gè)尋優(yōu)函數(shù)，并提出了多能源能量管理策略。通過實(shí)際算例仿真得到以下結(jié)論：

1)通過最大分支線層數(shù)不同的配電網(wǎng)系統(tǒng)輸入功率情況對(duì)比可以看出，采用所提控制策略后，由上級(jí)電網(wǎng)的輸入功率均不超過本地負(fù)荷的30%，同時(shí)，電池組僅由光伏充電且光伏出力具有剩余功率時(shí)向上級(jí)電網(wǎng)反送電，進(jìn)而可證明在規(guī)劃中考慮多種微電源的最優(yōu)運(yùn)行可有效增強(qiáng)微電網(wǎng)運(yùn)行經(jīng)濟(jì)性。

2)針對(duì)IEEE33和PG&E69系統(tǒng)在上級(jí)電網(wǎng)不同程度的輸送電網(wǎng)缺失50%和40%情況下，所提策略分別使切負(fù)荷率比傳統(tǒng)方法降低了65.41%和68.5%。所提策略較傳統(tǒng)方法可更加靈活調(diào)用可調(diào)度能源和不可調(diào)度能源，進(jìn)一步證明可有效提高微電網(wǎng)運(yùn)行可靠性。

[1] WANG Trudie,O′NEILL Daniel,KAMATH Haresh.Dynamic control and optimization of distributed energy resources in a microgrid[J].IEEE Transactions on Smart Grid,2015，6(6) :2884-2894．

[2] SHAH Kunal K,MUNDADA Aishwarya S,PEARCEL J M.Performance of U.S.hybrid distributed energy systems: solar photovoltaic,battery and combined heat and power[J].Energy Conversion and Management,2015 (105):71-80．

[3] 高海翔，陳穎，黃少偉，等.配電網(wǎng)韌性及其相關(guān)研究進(jìn)展[J].電力系統(tǒng)自動(dòng)化， 2015，39(23):1-8． GAO Haixiang，CHEN Ying，HUANG Shaowei，et al.Distribution systems resilience: an overview of research progress[J].Automation of Electric Power Systems ， 2015，39(23):1-8．

[4] MAHMOUDA M S,HUSSAINA S Azher,ABID M A．Modeling and control of microgrid: An overview[J]．Journal of the Franklin Institute，2015(351)：2822-2859．

[5] 陳任峰， 黃少偉， 王志文，等．光伏微電網(wǎng)分層式綜合保護(hù)體系設(shè)計(jì)[J].電機(jī)與控制學(xué)報(bào)， 2015，19(8):9-14． CHEN Renfeng，HUANG Shaowei， WANG Zhiwen，et al.Design of hierarchical comprehensive protection system for photovoltaic micro-grid[J].Electric Machines and Control，2015，19(8):9-14．

[6] 楊俊友，崔嘉，田艷豐，等．計(jì)及網(wǎng)損最小的含分散式風(fēng)電場(chǎng)配電網(wǎng)多目標(biāo)優(yōu)化策略[J]．電網(wǎng)技術(shù)，2015，39(8)：2141-2147． YANG Junyou,CUI Jia,TIAN Yanfeng，et al．Multi-Objective optimization strategy of distribution network containing dispersed wind farm considering minimum network loss[J]．Power System Technology，2015，39(8)：2141-2147．

[7] HUNGD Q，MITHULANANTHAN N，LEE K Y．Optimal placement of dispatchable and nondispatchable renewable DG units in distribution networks for minimizing energy loss[J]．Electrical Power and Energy Systems，2014(55)：179-186．

[8] MOHAMED A， KOWSALYA M．A new power system reconfiguration scheme for power loss minimization and voltage profile enhancement using fireworks algorithm[J]．International Journal of Electrical Power and Energy Systems，2014(62)：312-322．

[9] 任佳佳，王建賾，周志,等.利用STATCOM和串聯(lián)制動(dòng)電阻改善風(fēng)電場(chǎng)暫態(tài)穩(wěn)定性[J]．哈爾濱理工大學(xué)學(xué)報(bào),2013，18(2)：52-56． REN Jiajia，WANG Jianze，ZHOU Zhi,et al.Transient stability improvement of wind farm using statcom and series dynamic braking resistors[J].Journal of Harbin University of Science and Technology,2013，18(2)：52-56．

[10] HAN Junbiao,SARIKA Khushalani-Solanki,JIGNESH Solanki，et al.Adaptive critic design-based dynamic stochastic optimal control design for a microgrid with multiple renewable resources[J].IEEE Transactions on Smart Grid，2015， 6(6):2694-2703．

[11] 趙波，包侃侃，徐志成，等.考慮需求側(cè)響應(yīng)的光儲(chǔ)并網(wǎng)型微電網(wǎng)優(yōu)化配置[J].中國電機(jī)工程學(xué)報(bào)，2015，35(21):5465-5474． ZHAO Bo,BAO Kankan,XU Zhicheng，et al.Optimal sizing for grid-connected PV-and-storage microgrid considering demand response[J].Automation of Electric Power Systems ，2015，35(21):5465-5474．

[12] 胡長斌，王鑫，羅珊娜，等.微電網(wǎng)多微源能量優(yōu)化協(xié)調(diào)控制[J].中國電機(jī)工程學(xué)報(bào)，2015，35(增):36-43． HU Changbin,WANG Xin,LUO Shanna，et al.Energy optimization coordination control of multi-sources in microgrid[J].Automation of Electric Power Systems ，2015，35(Supplement):36-43．

[13] Dufo-López R,Bernal-Agustín JL.Design and control strategies of PV-diesel systems using genetic algorithms[J].Sol Energy，2005，79(1):33-46.

[14] 郭廣寒，王志剛．一種改進(jìn)的粒子群算法[J]．哈爾濱理工大學(xué)學(xué)報(bào)，2010，15(2)：31-34． GUO Guanghan，WANG Zhigang．A modified particle swarm optimization[J].Journal of Harbin University of Science and Technology,2010，15(2)：31-34．

[15] ZHANG Zhong,WANG Jianxue,WANG Xiuli.An improved charging/discharging strategy of lithium batteries considering depreciation cost in day-ahead microgrid scheduling[J].Energy Conversion and Management， 2015，(105)：675-684．

[16] KALLOL Roy,KRISHNA Mandal Kamal,Mandal.Modeling and managing of micro grid connected system using improved artificial bee colony algorithm[J].Journal of Electrical Power & Energy Systems.2016,(75):50-58.

[17] THIDA Myo,ENG How-Lung,MONEKOSSO Dorothy N，et al.A particle swarm optimisation algorithm with interactive swarms for tracking multiple targets[J].Applied Soft Computing， 2013，13(6)：3106-3117．

[18] AMANY El-Z.Optimal placement and schedule of multiple grid connected hybrid energy systems[J].Electrical Power and Energy Systems.2014,(61):239-247.

[19] AREFIFAR Seyed Ali,MOHAMED Yasser Abdel-Rady,El-Fouly Tarek.Optimized multiple microgrid-based clustering of active distribution systems considering communication and control requirements[J].IEEE Tranransactions on Industrial Electronics,2015，62(2)：711-723．

Optimal placement and schedule of hybrid energy management system in microgrid

CAI Zhi-yuan1， GE Yang-yang1,2， LI Yang1,3， MA Shao-hua1

(1.Shenyang University of Technology,Shenyang 110003,China；2.State Grid Liaoning Electric Power Research Insitute,Shenyang 110000,China；3.China Electric Power Research Institute，Beijing 100192，China)

Reasonable control of multiple energy forms for load power supply can effectively improve economy and reliability of microgrid(MG) operation,however,these two problems of siting hybrid energy systems(HEMS) and scheduling them are separately solved.In order to optimize flexible power supply capacity,an algorithm was put forward to solve the problem of allocation and schedule of multiple hybrid photovoltaic (PV)-diesel distributed generation(DG) in distribution systems optimally.Firstly,an energy control method of HEMS was presented to improve efficiency and flexibility of MG operation; Secondly,an optimization problem was formulated considering not only to reduce the total investment,operation maintenance cost,network loss caused by imported power from the transmission grid,and un-served load in case of emergency,but also to maximize the excess generated power by the HEMS that may be injected into the distribution network;Finally,an improved artificial bee colony (ABC)based on particle swarm optimization(PSO) was put forward to increase convergence speed.Simulation results show that the presented control method improves the economy of MG operation and reliability significantly.

distributed generation; microgrid; hybrid energy systems; load shedding; artificial bee colony

2016-03-01

國家863計(jì)劃項(xiàng)目(2015AA050403)；國家電網(wǎng)公司科技項(xiàng)目(廣域分布式電源動(dòng)態(tài)管控與運(yùn)行分析關(guān)鍵技術(shù)研究與開發(fā))

蔡志遠(yuǎn)(1962—)，男，博士，教授，博士生導(dǎo)師，研究方向?yàn)橹悄茈娖骺刂?、風(fēng)力發(fā)電及其控制； 戈陽陽(1983—)，男，博士研究生，研究方向?yàn)榍鍧嵞茉床⒕W(wǎng)、微電網(wǎng)運(yùn)行關(guān)鍵技術(shù)； 李 洋(1982—)，男，博士研究生，研究方向?yàn)榕潆娋W(wǎng)優(yōu)化、智能電網(wǎng)技術(shù)研究； 馬少華(1963—)，女，博士，教授，博士生導(dǎo)師，研究方向?yàn)橹悄芑娖骷拔㈦娋W(wǎng)控制技術(shù)。

戈陽陽

10.15938/j.emc.2017.05.006

TM 312

A

1007-449X(2017)05-0042-09