李 鵬， 韓鵬飛

(華北電力大學電氣與電子工程學院, 河北 保定 071003)

含高密度可再生能源的交直流混合微網(wǎng)模糊優(yōu)化運行

李 鵬， 韓鵬飛

(華北電力大學電氣與電子工程學院, 河北 保定 071003)

交直流混合微網(wǎng)具有便于多種類型電源及負荷靈活規(guī)?；尤氲膬?yōu)勢，卻存在高密度可再生能源接入后帶來明顯不確定性、優(yōu)化調度復雜等難題。本文將可再生能源出力預測誤差處理為模糊變量，建立了交直流混合微網(wǎng)模糊機會約束優(yōu)化模型。針對模型同時包含不確定規(guī)劃、混合整數(shù)規(guī)劃等常規(guī)算法難以求解的問題，本文將模糊模擬、神經(jīng)網(wǎng)絡算法和二進制粒子群算法結合，提出了一種適用于求解交直流混合微網(wǎng)模糊機會約束優(yōu)化模型的混合智能算法。最后采用某交直流混合微網(wǎng)示范工程現(xiàn)場數(shù)據(jù)驗證了模型和算法的有效性。

交直流混合微網(wǎng)； 不確定； 模糊； 機會約束優(yōu)化； 混合智能算法

1 引言

交直流混合微網(wǎng)作為接納高密度可再生能源的有效技術平臺，同時集中了交流微網(wǎng)與直流微網(wǎng)的優(yōu)勢，可有效整合多種形式的分布式能源及負荷，為實現(xiàn)多能互補及能源互聯(lián)網(wǎng)提供了便捷途徑[1-4]，在理論研究及工程應用中有更好的前景和更為突出的優(yōu)勢[5]。然而在交直流混合微網(wǎng)中，以風力、光伏發(fā)電為代表的可再生能源大量接入，會給微網(wǎng)的穩(wěn)定運行帶來明顯的不利影響[6-8]，同時交直微網(wǎng)復雜的拓撲結構及多樣的運行模式對優(yōu)化運行理論研究提出了更高的要求。

計及不確定性是處理間歇性出力難題的有效措施。隨機優(yōu)化和模糊優(yōu)化是對可再生能源出力不確定建模的兩種并行方法[9]，現(xiàn)有文獻針對可再生能源出力不確定的研究多集中于可再生能源預測誤差的隨機不確定性，即假設不確定因素為服從某一特定概率分布的隨機變量[10-13]，然而由于氣象預測本身的模糊性，基于氣象預測的可再生能源發(fā)電預測誤差并不明顯服從這些分布，因此將預測誤差處理為模糊變量更加符合實際[14]。文獻[13]針對風力發(fā)電的隨機性，在風速預測的基礎上，建立了考慮機組組合的含風電場隨機動態(tài)經(jīng)濟調度模型；文獻[14]將可信性理論和模糊機會約束規(guī)劃引入含風電場動態(tài)經(jīng)濟調度中，得到考慮風電預測誤差模糊性下的調度決策方案，但該文獻側重于大電網(wǎng)調度的研究；文獻[15]在考慮可再生能源出力的隨機性和模糊性的前提下建立了微網(wǎng)優(yōu)化運行模型，但運行成本中并未計及儲能的損耗成本；文獻[16]在考慮微網(wǎng)保護系統(tǒng)的穩(wěn)定性研究中建立了穩(wěn)定性指標和保護方案的模糊關系模型，但未針對基于氣象預測的不確定變量展開研究；文獻[17]針對電力系統(tǒng)中風力發(fā)電、光伏發(fā)電難以精確預測的問題，將可再生能源出力處理為模糊變量，建立了最小化燃料成本的優(yōu)化模型。綜上所述，目前針對可再生能源出力不確定的研究多集中于大電網(wǎng)或者常規(guī)交流微網(wǎng)，對交直流混合微網(wǎng)中高密度可再生能源出力不確定的研究較少。本文將模糊機會規(guī)劃理論運用于含高密度可再生能源的交直流混合微網(wǎng)日前優(yōu)化調度中，以提高調度方案的準確性。

本文在對模糊優(yōu)化理論詳細闡述的基礎上首先提出可再生能源的模糊出力模型，然后針對包含儲能、微燃機、光伏及風機的并網(wǎng)型交直流混合微網(wǎng)，以15min為最小時間尺度，建立了計及風光發(fā)電預測誤差模糊性的優(yōu)化調度模型。由于模型包含機會約束規(guī)劃、混合整數(shù)規(guī)劃等難題，提出一種將模糊模擬技術、神經(jīng)網(wǎng)絡和離散二進制粒子群算法相結合的混合智能算法。最后結合某示范工程實測數(shù)據(jù)對交直流混合微網(wǎng)模糊機會約束優(yōu)化模型及混合智能算法進行了驗證。

2 模糊優(yōu)化理論概述

在不確定理論中，模糊性是由于被研究對象本身狀態(tài)的不確切而導致結果的不確定。模糊變量是分析研究對象模糊性的有效數(shù)學工具。

2.1模糊變量

模糊變量定義如下：假設ξ為一從可能性空間(Θ,P(Θ),Pos)到實直線R上的函數(shù)，則稱ξ是一個模糊變量。其中Θ為非空集合，P(Θ)為Θ的冪集，Pos為可能性測度。

2.2模糊機會約束優(yōu)化模型

模糊機會約束規(guī)劃與隨機機會約束規(guī)劃類似，由于不確定因素的存在，其約束條件都是在一定置信度下滿足。與隨機機會約束規(guī)劃不同的是，模糊機會約束規(guī)劃的置信水平通過可信性Cr刻劃，即可信性應不小于決策者預先設定的水平。典型的模糊機會約束規(guī)劃模型為：

(1)

(2)

定義1：滿足以下三條公理則稱Pos為可能性測度：

(1)Pos{Θ}=1；

(2)Pos{?}=0；

(3)對于P(Θ)中的任意集合Ai，Pos∪iAi=supPosAi。其中?表示空集；sup表示上確界。

定義2：假設(Θ,P(Θ),Pos)是可能性空間，A是冪集P(Θ)中的一個元素，則稱

Nec{A}=1-Pos{Ac}

(3)

為事件A的必要性測度?？梢娛录嗀的必要性測度為其對立集合Ac的不可能性。

3 計及模糊不確定性的風光出力模型

含高密度可再生能源的微網(wǎng)將給主電網(wǎng)穩(wěn)定運行帶來明顯的不確定性。通過區(qū)分日前與日內購售電電價是大電網(wǎng)降低微網(wǎng)帶來的不利影響的有效措施，這一價格策略具體表現(xiàn)為：微網(wǎng)計劃外盈余功率上網(wǎng)電價低于日前調度的上網(wǎng)電價，微網(wǎng)計劃外差額功率購電價格高于日前購電電價。

顯然，為提高運行經(jīng)濟性，減少計劃外功率調整帶來的經(jīng)濟損失，微網(wǎng)運營商應努力提升日前優(yōu)化調度的準確性，在充分考慮可再生能源預測誤差的前提下制定合理的機組啟停計劃及調度方案?？紤]風光出力的不確定性是提高調度準確性的有效手段。

3.1可再生能源出力模型

風力(WT)、光伏(PV)發(fā)電預測基于氣象預測，由于氣象預測的不確定性，可再生能源實際出力通常會與預測出力之間存在明顯偏差。本文將可再生能源出力分為預測分量和模糊分量兩部分，如式(4)所示：

Pθ=Pθ,pre(1+ΔPθ,fuzzy)θ∈WT,PV

(4)

式中，Pθ為可再生能源實際出力；Pθ,pre為預測分量，由微網(wǎng)調度中心根據(jù)氣象及歷史發(fā)電數(shù)據(jù)預測得到；ΔPθ,fuzzy為可再生能源實際發(fā)電功率與預測功率之差相對于預測功率的百分數(shù)，由式(5)計算：

(5)

3.2模糊變量隸屬度函數(shù)

預測誤差的隸屬度值反映其從屬于預測誤差集合的程度，隸屬度函數(shù)是模糊變量與其隸屬度值的映射關系。按照模糊變量的分布趨勢，隸屬度函數(shù)可以分為偏小型、中間型和偏大型隸屬度函數(shù)。對典型的風光出力預測誤差分析可知，預測誤差分布在0的左右兩側的可能性相近，因此可對預測誤差構建中間型隸屬度函數(shù)。通過對風速及光照強度預測誤差統(tǒng)計，預測誤差絕對值越小時預測誤差從屬于預測誤差集合的可能性越大，預測誤差的絕對值越大時從屬于預測誤差集合的可能性越低，因此可基于中間型隸屬度函數(shù)構建柯西隸屬度函數(shù)，從而得到風力、光伏發(fā)電隸屬度函數(shù)[17]，其表達式為：

(6)

式中，θ∈WT,PV，ηθ為權重系數(shù)；Δθ為預測誤差；θ+為正值預測誤差的平均值；θ-為負值預測誤差的平均值。隸屬度函數(shù)μθ與可能性之間的關系如式(7)所示[18]：

(7)

基于式(6)的中間型柯西隸屬度函數(shù)，采用常規(guī)預測方法對風光出力進行預測，可得到典型預測誤差隸屬度曲線，如圖1所示。由圖1可知，隨著預測誤差絕對值的增加，其隸屬于預測誤差集合的程度逐漸降低；對比風光預測誤差隸屬度曲線可發(fā)現(xiàn)，相對預測誤差相同時，風力發(fā)電預測誤差的隸屬度較大；隸屬度相同時，光伏發(fā)電預測相對誤差的絕對值較小。這與目前光伏發(fā)電預測相對于風力發(fā)電預測較為精確[19]的現(xiàn)狀相符。

圖1 風力及光伏發(fā)電預測誤差隸屬度Fig.1 Membership curve of WT and PV generation prediction error

4 含高密度可再生能源的交直流混合微網(wǎng)模糊優(yōu)化模型

交直流混合微網(wǎng)的典型拓撲結構如圖2所示。由圖2可知，交直流混合微網(wǎng)主要可以分為交流區(qū)、直流區(qū)和交直潮流斷面三部分。在含高密度可再生能源接入的微網(wǎng)中，高密度是指微網(wǎng)中可再生能源的能量密度高和裝機空間密度高。其中能量密度高表現(xiàn)為可再生能源裝機容量在總負荷中占比大、滲透率高，微網(wǎng)的運行狀態(tài)明顯受到可再生能源的影響；裝機空間密度高表現(xiàn)為微網(wǎng)內部可再生能源及相應的能量轉換設備接入數(shù)量大，電源、負荷與儲能等設備的優(yōu)化調度、協(xié)調配合方式更為復雜多樣。

圖2 交直流混合微網(wǎng)典型拓撲結構Fig.2 Structure of hybrid AC/DC microgrid

與普通微網(wǎng)相比，含高密度可再生能源的微網(wǎng)具有顯著優(yōu)勢。其有利于可再生能源分布式規(guī)?；尤胛⒕W(wǎng)，帶來更為可觀的經(jīng)濟、環(huán)境和社會效益；在相同能量密度的情況下，降低微網(wǎng)內部設備的容量要求，提高運行安全性。然而含高密度可再生能源的微網(wǎng)還帶來一些挑戰(zhàn)。微網(wǎng)運行時需要調度、協(xié)調的設備更多，對能量管理系統(tǒng)性能提出了更高的要求，增加了微網(wǎng)運行控制難度。因此計及不確定性的交直流混合微網(wǎng)優(yōu)化運行新方法亟待提出?；谏鲜鲅芯勘尘埃疚脑诮⒍喾N運行成本模型的基礎上，提出交直流混合微網(wǎng)模糊機會約束優(yōu)化模型。

4.1交直流混合微網(wǎng)運行成本模型

(1)大電網(wǎng)購電費用

電網(wǎng)購電成本為：

(8)

(2)微燃機運行成本模型

根據(jù)300kW微燃機的輸出功率和發(fā)電效率特性曲線，取三階模型，如式(9)所示：

(9)

微燃機運行成本模型為：

(10)

式中，CMT為微型燃氣輪機的燃料成本；cng為燃料價格(2.3元/m3)；LHV為天然氣低熱值。

(3)儲能綜合成本模型

儲能電池的使用成本應當由兩部分構成：壽命損耗成本CES,L、功率損耗成本CES,E，如式(11)所示。壽命損耗成本是由于電池充放電過程中的電池劣化導致的成本損失，功率損耗成本由充放電過程中的電能損耗產生。

(11)

(4)交直流潮流斷面損耗成本

交直潮流斷面是交直流微網(wǎng)區(qū)別于交流或直流微網(wǎng)的一個重要特征。交流區(qū)和直流區(qū)通過潮流控制器(Power Flow Controller，PFC)或其他電能轉換裝置相連接，因此通常會產生較大的功率損耗。為優(yōu)先滿足各自區(qū)域內部功率平衡，降低潮流斷面能量，應當計及潮流控制器傳輸功率導致的成本。

通過對潮流控制器兩側傳輸功率進行測量并多項式擬合，可得到潮流控制器的傳輸效率函數(shù)：

η=0.2255β3-0.4784β2+0.3259β+0.9084

(12)

(13)

交直流潮流斷面損耗成本為：

(14)

式中，Closs為1個調度周期中潮流控制器傳輸功率損耗成本。

(5)設備維護成本

設備維護成本同樣是運行成本中的一項重要組成部分，可認為維護費用與設備發(fā)出或傳輸電量成正比，如式(15)所示：

(15)

式中，Com為設備維護成本；Ki為設備i的單位功率的維護費用；M為需要維護的設備的數(shù)量；PDEV,i為設備i在1個調度周期中的功率向量。

4.2含高密度可再生能源的交直流模糊優(yōu)化模型

(1)目標函數(shù)

在建立4.1節(jié)多種成本模型的基礎上，結合模糊機會約束優(yōu)化理論，可構建交直流混合微網(wǎng)綜合成本模糊機會約束優(yōu)化模型，如式(16)所示：

(16)

(2)約束條件

交直流混合微網(wǎng)模糊機會約束優(yōu)化運行應當綜合考慮交流區(qū)功率平衡約束、直流區(qū)功率平衡約束、儲能約束、可控電源出力約束。在可信度為α的模糊置信水平下，約束條件可以用式(17)～式(24)表示。

1)交流區(qū)功率平衡約束

(17)

2)直流區(qū)功率平衡約束

(18)

3)儲能荷電狀態(tài)(State of Charge，SOC)及出力上下限約束

(19)

(20)

Socmin≤Soct≤Socmax

(21)

Socinitial=Socend

(22)

4)可控微源出力約束

(23)

5)潮流控制器傳輸功率上下限約束

(24)

5 基于模糊模擬的混合智能算法

綜合4.2節(jié)目標函數(shù)和約束條件，可將交直流微網(wǎng)模糊機會約束優(yōu)化模型歸納如式(25)所示：

(25)

式中，Pd為決策變量；Pf為模糊變量。與常規(guī)優(yōu)化模型不同的是，模型式(25)中因含有機會約束而變得難以求解，因此可使用模糊模擬產生樣本數(shù)據(jù)，并通過神經(jīng)網(wǎng)絡尋找機會約束函數(shù)的替代函數(shù)。考慮到模型中包含0、1整型變量，最終采用離散二進制粒子群算法[20]對等效模型求解。

5.1模糊模擬

模糊模擬技術是求解模糊機會約束規(guī)劃問題的基礎，可分為如下三個主要步驟：

(1)分別從Θ中均勻產生θk，并使其滿足Posθk≥ε，k=1,2,…,N，其中ε是個充分小的正數(shù)；

(2)找到滿足L(χ)≥α的最大的值χ，其中

(26)

(3)返回χ。

5.2混合智能算法

基于模糊模擬、神經(jīng)網(wǎng)絡和離散二進制粒子群的混合模擬算法步驟如下：

(1)用模糊模擬技術為下列不確定函數(shù)U1(x)和U2(x)產生輸入輸出數(shù)據(jù)：

(2)根據(jù)產生的數(shù)據(jù)訓練一個神經(jīng)元網(wǎng)絡逼近不確定函數(shù)；

(3)初始產生popsize個種群，并利用訓練好的神經(jīng)元網(wǎng)絡檢驗粒子的可行性；

(4)通過位置和速度迭代公式不斷更新粒子，并利用訓練好的神經(jīng)元網(wǎng)絡檢驗粒子的可行性；

(5)利用訓練好的神經(jīng)元網(wǎng)絡計算所有種群的適應度；

(6)更新個體最優(yōu)位置和全局最優(yōu)位置，更新粒子的位置和速度；

(7)重復步驟(4)～步驟(6)，直到完成給定的循環(huán)次數(shù)或者滿足迭代收斂條件；

(8)給出最好的粒子位置作為最優(yōu)解。

6 基于示范工程的仿真驗證

為驗證本文提出的交直流混合微網(wǎng)模糊機會約束優(yōu)化模型的正確性，本文基于國家高技術研究發(fā)展計劃(863計劃)示范工程現(xiàn)場數(shù)據(jù)進行驗證，示范工程拓撲結構經(jīng)合理簡化后可用圖2表示。

在示范工程中，交流電源和交流負荷接入交流區(qū)，直流電源和直流負荷接入直流區(qū)。由于負荷的電壓并非均為母線電壓，因此負荷可以分為母線電壓負荷和非母線電壓負荷兩類。

6.1基本數(shù)據(jù)

交直流混合微網(wǎng)中電源的部分參數(shù)見表1，儲能的相關數(shù)據(jù)見表2。圖3為交流區(qū)和直流區(qū)的負荷預測曲線，均包含母線負荷和非母線負荷。

表1 分布式電源運行參數(shù)

圖4為風力和光伏發(fā)電預測曲線。示范工程中風機接入交流區(qū)，光伏接入直流區(qū)。可以看出，盡管風機裝機容量較大，但由于風速等原因，預測的最大功率僅約為裝機容量的50%。

表2 儲能相關參數(shù)

圖3 交流區(qū)與直流區(qū)負荷預測數(shù)據(jù)Fig.3 Load forecast data in AC area and DC area

圖4 光伏及風力發(fā)電預測Fig.4 Forecast data of PV and WT

6.2仿真分析

為驗證模型的正確性，分別在可信度為0.75、0.85和0.95的條件下對交直流混合微網(wǎng)優(yōu)化模型進行求解。

圖5為微網(wǎng)與大電網(wǎng)的交換功率曲線?？梢钥闯?，在風光裝機容量與負荷相近的情況下微網(wǎng)仍始終從大電網(wǎng)購電， 14∶00左右購電功率最小， 22∶00左右購電功率最大。隨著可信度的提升，微網(wǎng)與大電網(wǎng)交換功率曲線波動性有所降低，主要是因為較高的可信度下風光出力值的不確定性較小，相應的功率波動也較小。

圖5 大電網(wǎng)出力計劃曲線Fig.5 Output scheduling of utility grid

圖6為不同可信度下儲能的出力曲線。可以看出，儲能出力與分時電價具有明顯的相關性。在電價較低時儲能充電，在電價較高時放電，本質上是將峰時負荷轉移到谷時，從而有效降低了運行成本。同時可發(fā)現(xiàn)三種可信度下儲能出力相似，但可信度較低時儲能出力波動同樣較大。

圖6 儲能出力與分時電價曲線Fig.6 Curves of energy storage and TOU power price

圖7為儲能的荷電狀態(tài)變化曲線。運行中設置儲能SOC初始和結束均為0.625?？梢钥闯觯\行中儲能SOC可始終維持在上下限值內，且無頻繁波動，從而有效降低了儲能壽命損耗。

圖7 儲能荷電狀態(tài)變化曲線Fig.7 Curves of SOC in energy storage

圖8為微燃機出力曲線?？梢钥闯觯谌N可信度下微燃機的出力趨勢比較相似，均在電價較高且新能源出力較低的情況下運行。不同的是隨著可信性的提升，微燃機對分時電價更加敏感，隨著電價的變化更能及時調整出力。

圖8 微燃機出力曲線Fig.8 Output scheduling of MT

交直流混合微網(wǎng)在不同可信度下的各項運行成本見表3?？梢钥闯?，在同一可信度下，微網(wǎng)向大電網(wǎng)購電成本占綜合運行成本中的絕大部分，其次是設備維護成本和微燃機運行成本，儲能運行成本占比最小。在不同可信度下，綜合運行成本隨可信度增大，主要是由于隨著可信度的提高，向大電網(wǎng)購電價格和微燃機燃料成本具有較明顯的增加。

表3 模糊優(yōu)化綜合成本

7 結論

在高密度可再生能源接入的交直流混合微網(wǎng)環(huán)境下，微網(wǎng)的優(yōu)化調度問題將更加復雜。為考慮可再生能源預測偏差的模糊不確定性，本文提出一種基于模糊機會約束的交直流混合微網(wǎng)優(yōu)化運行模型，并通過將模糊模擬、神經(jīng)網(wǎng)絡和離散二進制粒子群算法結合得到混合智能算法對模型進行求解。結合工程現(xiàn)場數(shù)據(jù)在不同可信度下進行了仿真驗證，仿真結果表明綜合運行成本與可信度具有正相關關系。本文目前僅考慮了源側的不確定性，關于負荷預測不確定性的研究工作將進一步開展。

[1] 曾鳴，楊雍琦，李源非，等(Zeng Ming，Yang Yongqi，Li Yuanfei，et al.)．能源互聯(lián)網(wǎng)背景下新能源電力系統(tǒng)運營模式及關鍵技術初探(The preliminary research for key operation mode and technologies of electrical power system with renewable energy sources under Energy Internet)[J]．中國電機工程學報(Proceedings of the CSEE)，2016，36(3)：681-691．

[2] 狄開麗，李鑫明，李鵬，等(Di Kaili，Li Xinming，Li Peng，et al.)．基于改進黑洞算法的交直流混合微網(wǎng)優(yōu)化運行(Optimal operation of AC/DC hybrid microgrid based on coevolution improved black hole algorithm)[J]．電力建設(Electric Power Construction)，2016，37(10)：1-8．

[3] 汪湘晉，趙波，吳紅斌，等(Wang Xiangjin，Zhao Bo，Wu Hongbin，et al.)．并網(wǎng)型交直流混合微網(wǎng)優(yōu)化配置分析(Optimal sizing analysis of grid-connected hybrid AC-DC microgrid)[J]．電力系統(tǒng)自動化(Automation of Electric Power Systems)，2016，40(13)：55-62．

[4] 陸曉楠，孫凱，Josep Guerrero，等(Lu Xiaonan，Sun Kai，Guerrero Josep，et al.)．適用于交直流混合微電網(wǎng)的直流分層控制系統(tǒng)(DC hierarchical control system for microgrid applications)[J]．電工技術學報(Transactions of China Electrotechnical Society)，2013，28(4)：35-42．

[5] Farzam N，Yunwei L．Overview of power management strategies of hybrid AC/DC microgrid[J]．IEEE Transactions on Power Electronics，2015，30(12)：7072-7089．

[6] 施琳，羅毅，施念，等(Shi Lin，Luo Yi，Shi Nian，et al.)．高滲透率風電-儲能孤立電網(wǎng)控制策略(A control strategy of isolated grid with high penetration of wind and energy storage systems)[J]．中國電機工程學報(Proceedings of the CSEE)，2013，33(16)：78-85．

[7] 栗賽男，馬建偉，孫芊，等(Li Sainan，Ma Jianwei，Sun Qian，et al.)．考慮不確定出力的微網(wǎng)內分布式發(fā)電和儲能的容量配置(Configuration optimization of capacity of distributed generation and energy storage in microgrid considering uncertain output)[J]. 電工電能新技術(Advanced Technology of Electrical Engineering and Energy)，2016，35(8)：21-28．

[8] 肖浩，裴瑋，孔力，等(Xiao Hao，Pei Wei，Kong Li，et al.)．綜合能源微網(wǎng)運行優(yōu)化調度方法研究(Research on optimal operation method of integrated energy microgrid system)[J]．電工電能新技術(Advanced Technology of Electrical Engineering and Energy)，2016，35(12)：1-11．

[9] 薛禹勝，雷興，薛峰，等(Xue Yusheng，Lei Xing，Xue Feng，et al.)．關于風電不確定性對電力系統(tǒng)影響的評述(A review on impacts of wind power uncertainties on power systems)[J]．中國電機工程學報(Proceedings of the CSEE)，2014，34(29)：5029-5040．

[10] 苗軼群，江全元，曹一家(Miao Yiqun，Jiang Quanyuan，Cao Yijia)．考慮電動汽車及換電站的微網(wǎng)隨機調度研究(Microgrid stochastic dispatch considering electric vehicles and battery swap stations)[J]．電力自動化設備(Electric Power Automation Equipment)，2012，32(9)：18-24．

[11] 余舟子，郭力，劉文建，等(Yu Zhouzi，Guo Li，Liu Wenjian，et al.)．獨立微網(wǎng)隨機優(yōu)化規(guī)劃軟件及其實現(xiàn)(A stochastic optimal planning software for stand-alone microgrid and its implementation)[J]．電力系統(tǒng)自動化(Automation of Electric Power Systems)，2015，39(6)：18-23．

[12] Mazidi M，Zakariazadeh A，Jadid S，et al．Integrated scheduling of renewable generation and demand response programs in a microgrid[J]．Energy Conversion and Management，2014，86(10)：1118-1127．

[13] 孫元章，吳俊，李國杰，等(Sun Yuanzhang，Wu Jun，Li Guojie, et al.)．基于風速預測和隨機規(guī)劃的含風電場電力系統(tǒng)動態(tài)經(jīng)濟調度(Dynamic economic dispatch considering wind power penetration based on wind speed forecasting and stochastic programming)[J]．中國電機工程學報(Proceedings of the CSEE)，2009，29(4)：41-47．

[14] 艾欣，劉曉(Ai Xin，Liu Xiao)．基于可信性理論的含風電場電力系統(tǒng)動態(tài)經(jīng)濟調度(Dynamic economic dispatch for wind farms integrated power system based on credibility theory)[J]．中國電機工程學報(Proceedings of the CSEE)，2011，31(S1)：12-18.

[15] 李鵬，王雪瑩，韓鵬飛(Li Peng，Wang Xueying，Han Pengfei)．雙重不確定環(huán)境下的微網(wǎng)優(yōu)化運行調度風險分析研究(Risk analysis of microgrid optimal operation scheduling under double uncertainty environment)[J]．中國電機工程學報(Proceedings of the CSEE)，2016, 36(1): 1-8.

[16] Xu X，Mitra J，Wang T，et al．An evaluation strategy for microgrid reliability considering the effects of protection system[J]．IEEE Transactions on Power Delivery，2016，31(5)：1989-1997．

[17] Liang R H，Liao J H．A fuzzy-optimization approach for generation scheduling with wind and solar energy systems[J]．IEEE Transactions on Power Systems，2007，22(4)：1665-1674．

[18] 劉寶碇，趙瑞清(Liu Baoding，Zhao Ruiqing)．隨機規(guī)劃與模糊規(guī)劃(Stochastic programming and fuzzy programming)[M]．北京：清華大學出版社(Beijing: Tsinghua University Press)，1998．

[19] 華浩瑞，李鵬(Hua Haorui，Li Peng)．計及功率預測誤差的交直流混合微網(wǎng)多時間尺度優(yōu)化運行方法(Multiple time scale optimal operation method of AC/DC hybrid microgrid considering power prediction error)[J]．電力建設(Electric Power Construction)，2016 (12)：40-47．

[20] 陸亞南，施泉生(Lu Yanan，Shi Quansheng)．基于改進粒子群算法的含分布式發(fā)電配網(wǎng)孤島劃分(Islanding algorithm of distribution system with distributed generations based on improved particle swarm algorithm)[J]．電工電能新技術(Advanced Technology of Electrical Engineering and Energy)，2016，35(7)：17-23．

FuzzyoptimaloperationofhybridAC/DCmicrogridwithhigh-densityrenewableenergysources

LI Peng, HAN Peng-fei

(School of Electrical and Electronic Engineering, North China Electric Power University, Baoding 071003, China)

Despite of the flexible access of multiple types of power and load, hybrid AC/DC microgrid with high-density renewable energy encounters the uncertain and complex scheduling problems. In this paper, the intermittent output prediction error is treated as fuzzy variable, and the fuzzy chance-constrained programming model is established. To solve the dispatch problem, a hybrid intelligent algorithm comprised of fuzzy simulation, neural network algorithm and discrete binary particle swarm optimization is proposed. Finally, the validity of the model and the algorithm is verified by the field data of a hybrid AC/DC microgrid.

hybrid AC/DC microgrid; uncertainty; fuzzy; chance constrained programming; hybrid intelligent algorithm

2017-05-31

國家高技術研究發(fā)展計劃(863計劃)項目(2015AA050104)、 國家自然科學基金項目(51577068)

李 鵬 (1965-)， 男， 河北籍， 教授， 博導， 博士， 研究方向為新能源并網(wǎng)發(fā)電微網(wǎng)技術、 電能質量分析與控制、 電力電子技術在智能電網(wǎng)中的應用等； 韓鵬飛 (1993-)， 男， 河北籍， 碩士研究生， 研究方向為新能源并網(wǎng)發(fā)電與微網(wǎng)技術。

10.12067/ATEEE1705085

： 1003-3076(2017)09-0063-08

：TM727