王思明, 牛玉剛, 祖其武

(華東理工大學(xué)化工過(guò)程先進(jìn)控制和優(yōu)化技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室,上海 200237)

并網(wǎng)模式下基于多代理技術(shù)的微電網(wǎng)多目標(biāo)優(yōu)化

王思明, 牛玉剛, 祖其武

(華東理工大學(xué)化工過(guò)程先進(jìn)控制和優(yōu)化技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室,上海 200237)

微電網(wǎng)的經(jīng)濟(jì)運(yùn)行是一個(gè)多目標(biāo)、多約束問(wèn)題。傳統(tǒng)方法將多目標(biāo)轉(zhuǎn)化為單目標(biāo)的求解策略往往難以迅速收斂,且在權(quán)重的選取上具有很強(qiáng)的主觀性。本文提出了一種基于多代理技術(shù)的多目標(biāo)求解策略,考慮微網(wǎng)的整體經(jīng)濟(jì)性問(wèn)題,分別建立發(fā)電側(cè)目標(biāo)代理(PowerAgent)以及需求側(cè)目標(biāo)代理(LoadAgent),從而避免了權(quán)重的選擇。虛擬電價(jià)信息作為發(fā)電側(cè)代理的協(xié)商參數(shù),負(fù)荷調(diào)度信息作為需求側(cè)代理的協(xié)商參數(shù)。利用JADE平臺(tái)提供的Agent通信功能,目標(biāo)代理之間傳遞協(xié)商參數(shù),優(yōu)化自身子目標(biāo)問(wèn)題,迭代協(xié)商,最終達(dá)到目標(biāo)均衡。協(xié)商過(guò)程保證了微網(wǎng)的整體經(jīng)濟(jì)性要求,且兩個(gè)子目標(biāo)通過(guò)目標(biāo)代理分布式求解,能夠快速收斂。最后通過(guò)算例討論了各代理的行為特征,驗(yàn)證了本文方法的可行性。

微網(wǎng); 經(jīng)濟(jì)性; 多目標(biāo); 多代理; JADE; 粒子群

微電網(wǎng)作為一種整合分布式發(fā)電的集成系統(tǒng),由分布式電源、儲(chǔ)能裝置、負(fù)荷和能量管理系統(tǒng)等組成[1],能夠有效解決新能源接入電網(wǎng)問(wèn)題,微電網(wǎng)的運(yùn)行優(yōu)化是保證微電網(wǎng)高效運(yùn)行的基礎(chǔ)[2-4]。

目前,國(guó)內(nèi)外對(duì)微電網(wǎng)優(yōu)化運(yùn)行開(kāi)展的研究,主要是通過(guò)構(gòu)建微網(wǎng)多目標(biāo)優(yōu)化模型,利用智能算法得到Pareto解集[5-8],或者是通過(guò)單目標(biāo)加權(quán)法將多目標(biāo)問(wèn)題轉(zhuǎn)變?yōu)閱文繕?biāo)問(wèn)題進(jìn)行求解[9]。由于多個(gè)目標(biāo)之間往往會(huì)存在沖突,一般情況下很難同時(shí)達(dá)到最優(yōu),并且可能造成某些目標(biāo)的優(yōu)化結(jié)果偏離最優(yōu)值,甚至出現(xiàn)劣解[10]。另外,上述研究工作主要是對(duì)發(fā)電側(cè)能源出力進(jìn)行調(diào)度,沒(méi)有考慮需求側(cè)對(duì)微網(wǎng)經(jīng)濟(jì)調(diào)度的影響。文獻(xiàn)[11]將需求側(cè)響應(yīng)應(yīng)用于智能家居系統(tǒng),對(duì)可轉(zhuǎn)移負(fù)荷進(jìn)行調(diào)度,減少了家庭用電支出。文獻(xiàn)[12]構(gòu)建了需求側(cè)負(fù)荷滿意度模型,將可中斷負(fù)荷以不可轉(zhuǎn)移和可轉(zhuǎn)移兩種狀態(tài)進(jìn)行了對(duì)比研究。這些工作雖然利用需求側(cè)響應(yīng)對(duì)負(fù)荷進(jìn)行了調(diào)度,在一定程度上提高了微電網(wǎng)的經(jīng)濟(jì)效益,但只是單純地將需求側(cè)與發(fā)電側(cè)調(diào)度結(jié)合在一起,然而,這兩者在實(shí)際應(yīng)用中常常存在沖突。文獻(xiàn)[13]將微電網(wǎng)分為發(fā)電側(cè)和需求側(cè),構(gòu)建發(fā)電側(cè)與需求側(cè)的互動(dòng)關(guān)系,引入非合作完全信息博弈理論,能在有效兼顧用戶滿意度的情況下,實(shí)現(xiàn)經(jīng)濟(jì)最優(yōu)。

另一方面,多代理技術(shù)作為解決微網(wǎng)分布式建模的有效方案,受到了越來(lái)越多學(xué)者的關(guān)注。文獻(xiàn)[14-16]將多代理技術(shù)用于微電網(wǎng)能量調(diào)度中,構(gòu)建了各個(gè)微源代理,但沒(méi)有考慮多個(gè)目標(biāo)耦合情況下的求解策略。文獻(xiàn)[17]構(gòu)建了微網(wǎng)多代理系統(tǒng)(MAS),將傳統(tǒng)集中式能量?jī)?yōu)化轉(zhuǎn)變?yōu)榘?xì)化變量定義域的微電源分布式計(jì)算。但是,需要注意的是,以上研究工作并沒(méi)有考慮Agent之間通信協(xié)商策略,求解過(guò)程仍采用集中式求解,設(shè)計(jì)的算法依賴于中央Agent的性能。

本文考慮并網(wǎng)模式下微電網(wǎng)發(fā)電側(cè)和需求側(cè)的整體經(jīng)濟(jì)性,針對(duì)發(fā)電側(cè)成本最小以及需求側(cè)成本最小形成的多目標(biāo)耦合問(wèn)題,提出了基于多代理技術(shù)的分層分布式求解策略。構(gòu)建多代理系統(tǒng),每一個(gè)微網(wǎng)實(shí)體單元都由一個(gè)能夠進(jìn)行交互的智能Agent控制,進(jìn)一步將發(fā)電側(cè)目標(biāo)和需求側(cè)目標(biāo)分別用目標(biāo)Agent表示,通過(guò)目標(biāo)Agent之間的協(xié)商求解多目標(biāo)耦合問(wèn)題,其中需求側(cè)代理(LoadAgent)發(fā)送負(fù)荷調(diào)度信息作為協(xié)商信息,發(fā)電側(cè)代理(PowerAgent)發(fā)送虛擬電價(jià)信息作為協(xié)商信息,每個(gè)目標(biāo)Agent接收到協(xié)商信息后,通過(guò)調(diào)用內(nèi)嵌PSO算法,優(yōu)化自身目標(biāo),迭代協(xié)商,最終達(dá)到目標(biāo)均衡。仿真實(shí)驗(yàn)結(jié)果表明,本文提出的微電網(wǎng)多目標(biāo)求解算法,能夠有效地解決微電網(wǎng)能量管理中的多目標(biāo)問(wèn)題,實(shí)現(xiàn)了微電網(wǎng)的經(jīng)濟(jì)運(yùn)行。且采用分布式Agent建立微電網(wǎng)模型,在一定程度上可以緩解中央控制器的求解壓力,降低問(wèn)題求解維度,具有更快的求解速度。

1 微電網(wǎng)模型

1.1 JADE平臺(tái)

本文采用JADE軟件平臺(tái)進(jìn)行多代理系統(tǒng)(MAS)的設(shè)計(jì)。JADE是一個(gè)完全由Java語(yǔ)言編寫的多Agent開(kāi)發(fā)框架,遵循FIPA規(guī)范,提供了基本的目錄服務(wù)、Agent管理系統(tǒng)、消息傳輸服務(wù)等,可以有效地與其他Java開(kāi)發(fā)平臺(tái)和技術(shù)集成。JADE中定義了Agent基類,開(kāi)發(fā)人員只需在基類的基礎(chǔ)上進(jìn)行擴(kuò)展,即可構(gòu)建具有各種功能的Agent。并且JADE完成了Agent之間的底層通信,只需要進(jìn)行相應(yīng)的方法調(diào)用就能實(shí)現(xiàn)Agent之間的通信協(xié)商功能。JADE平臺(tái)提供的基本服務(wù)如圖1所示。

圖1 JADE平臺(tái)Fig.1 JADE platform

Agent通信是JADE中最基本的功能,它嚴(yán)格遵守了FIPA標(biāo)準(zhǔn)。Agent之間的通信基于言語(yǔ)行為理論,其基本原理是:說(shuō)話人所說(shuō)的話語(yǔ)不僅僅陳述一個(gè)事實(shí),而且是說(shuō)話人做出的帶有某種意圖的動(dòng)作。本文設(shè)計(jì)的Agent中,AGREE通信原語(yǔ)表示接收者Agent同意發(fā)送者Agent的決策,REFUSE通信原語(yǔ)表示拒絕發(fā)送者Agent的決策,INFORM通信原語(yǔ)表示發(fā)送者希望接收者了解某件事,CFP表示發(fā)送者希望進(jìn)行一次談判,PROPOSE則表示發(fā)送者給出談判提議,并希望繼續(xù)談判或者收到AGREE信息。

1.2 MAS系統(tǒng)結(jié)構(gòu)

1.2.1 概述 本文構(gòu)建的MAS系統(tǒng)如圖2所示,每個(gè)單元通過(guò)對(duì)應(yīng)的Agent進(jìn)行控制,不同的實(shí)體單元具有不同的約束限制和決策機(jī)制。主要包含兩類Agent,一是發(fā)電側(cè),包括光伏裝置(PVAgent)、風(fēng)機(jī)裝置(WTAgent)、儲(chǔ)能裝置(BatteryAgent)、電網(wǎng)(GridAgent);二是需求側(cè),包括不可調(diào)節(jié)負(fù)荷(BtAgent)、可調(diào)節(jié)負(fù)荷(RtAgent)。

圖2 MAS結(jié)構(gòu)示意圖Fig.2 MAS structure diagram

發(fā)電側(cè)主要為需求側(cè)提供功率支持,以滿足供需平衡。在本文構(gòu)建的多代理系統(tǒng)中,微網(wǎng)調(diào)度周期T為1 d,最小調(diào)度時(shí)間為1 h,因此將1 d劃分為24個(gè)調(diào)度時(shí)間段,并假設(shè)在每個(gè)時(shí)段內(nèi)發(fā)電側(cè)的輸出功率以及需求側(cè)的需求功率保持不變。

1.2.2 PVAgent和WTAgent模型 PVAgent和WTAgent分別代表光伏裝置和風(fēng)機(jī)裝置,作為新能源發(fā)電端,環(huán)境效益很高,在不考慮初始投資成本時(shí),發(fā)電成本可忽略不計(jì),故在實(shí)際調(diào)度過(guò)程中,應(yīng)該優(yōu)先使用新能源發(fā)電功率。本文設(shè)計(jì)的PVAgent和WTAgent具有相同的功能,擁有向上級(jí)Agent發(fā)送自身狀態(tài)信息以及接收上級(jí)Agent調(diào)度決策的功能。在日前階段,PVAgent和WTAgent連接數(shù)據(jù)庫(kù)獲取相關(guān)信息(風(fēng)速、溫度等),調(diào)用自身功率預(yù)測(cè)方法,并將預(yù)測(cè)信息發(fā)送給上級(jí)Agent,在接收到上級(jí)Agent的調(diào)度信息后,判斷自身約束條件是否滿足,滿足則AGREE上級(jí)決策,并控制相應(yīng)裝置使其滿足決策調(diào)度,否則REFUSE。新能源發(fā)電應(yīng)滿足如下約束:

(1)

1.2.3 BatteryAgent模型 BatteryAgent代表儲(chǔ)能裝置,與其他分布式電源相協(xié)調(diào),共同維持微電網(wǎng)的穩(wěn)定運(yùn)行。由于新能源出力的波動(dòng)性,儲(chǔ)能裝置可以很好地作為緩沖裝置,平滑新能源波動(dòng),并且在分時(shí)電價(jià)的微網(wǎng)中有很好的經(jīng)濟(jì)性。然而儲(chǔ)能裝置的成本相對(duì)較高,考慮將儲(chǔ)能裝置的投資成本折合到使用壽命上,即優(yōu)化儲(chǔ)能裝置的使用壽命,相當(dāng)于減少了儲(chǔ)能成本。研究發(fā)現(xiàn),充放電次數(shù)和充放電深度都會(huì)影響儲(chǔ)能裝置的壽命,因此,將儲(chǔ)能裝置的壽命與充放電功率相結(jié)合,得到儲(chǔ)能裝置充放電成本為

(2)

式中:Pba(t)為儲(chǔ)能裝置的功率,大于零時(shí)為充電狀態(tài),相當(dāng)于負(fù)荷,小于零時(shí)為放電狀態(tài),相當(dāng)于微源;nc和nd分別為儲(chǔ)能裝置的充放電效率;βes為儲(chǔ)能裝置的充放電成本系數(shù)。

BatteryAgent為了達(dá)到自身充放電速率以及容量限制,Pba(t)應(yīng)滿足如下約束:

(3)

(4)

(5)

(6)

SOCmin≤SOC(t)≤SOCmax

(7)

SOC(24)=SOCInt

(8)

1.2.4 GridAgent模型 GridAgent作為電網(wǎng)的代理,參與發(fā)電側(cè)的調(diào)度過(guò)程。當(dāng)微電網(wǎng)中存在能量缺額時(shí),向電網(wǎng)購(gòu)電是微電網(wǎng)保證自身功率平衡的關(guān)鍵決策。由于單微電網(wǎng)剩余的功率一旦回饋到電網(wǎng)上,會(huì)給電網(wǎng)帶來(lái)很多諧波、脈沖電壓、脈沖電流等,給電網(wǎng)本身的運(yùn)行控制帶來(lái)了難度,可能反而增加了整體成本。本文中電網(wǎng)的電價(jià)采用分時(shí)電價(jià)策略,微電網(wǎng)只能從電網(wǎng)購(gòu)電。GridAgent的購(gòu)電成本如下:

(9)

其中,Cb(t)是t時(shí)刻的購(gòu)電電價(jià)。谷時(shí)段為23:00～07:00,平時(shí)段為07:00～08:00、11:00～17:00和22:00～23:00,峰時(shí)段為08:00～11:00、17:00～22:00。類似文獻(xiàn)[18],本文假設(shè)電網(wǎng)各時(shí)段的電價(jià)如表1所示。

表1 電網(wǎng)分時(shí)電價(jià)

由于微電網(wǎng)與電網(wǎng)物理聯(lián)絡(luò)線的約束,GridAgent購(gòu)電功率應(yīng)滿足如下約束:

(10)

在運(yùn)行階段,GridAgent接收上級(jí)Agent的請(qǐng)求信息,將自身電價(jià)信息發(fā)送給上級(jí)Agent,由上級(jí)Agent統(tǒng)一處理,最終將優(yōu)化結(jié)果返回給GridAgent,GridAgent根據(jù)自身約束判斷給出AGREE或者REFUSE信息,并按照調(diào)度要求購(gòu)買電量。

1.2.5 BtAgent和RtAgent模型 需求側(cè)模型包括不可調(diào)節(jié)負(fù)荷(BtAgent)、可調(diào)節(jié)負(fù)荷(RtAgent)。BtAgent包括不可中斷負(fù)荷(冰箱、重要照明等),該類負(fù)荷需求必須滿足。RtAgent包括可平移負(fù)荷(充放電控制器、洗衣機(jī)等)和可中斷負(fù)荷(空調(diào)、非重要照明等),RtAgent具有劃分負(fù)荷優(yōu)先級(jí)、保證優(yōu)先級(jí)高的負(fù)荷供電、并根據(jù)實(shí)際情況平移和切斷負(fù)荷的功能。根據(jù)生活中居民的用電習(xí)慣,一般地,將可調(diào)節(jié)負(fù)荷大致分為4個(gè)時(shí)間段,第1時(shí)段為早晨用電時(shí)段:00:00～08:00,第2時(shí)段為中午用電時(shí)段:08:00～13:00,第3時(shí)段為下午用電時(shí)段:13:00～19:00,第4時(shí)段為夜晚用電時(shí)段:19:00～00:00?？烧{(diào)節(jié)負(fù)荷只能在各自時(shí)間段內(nèi)調(diào)節(jié),以防出現(xiàn)可調(diào)節(jié)負(fù)荷調(diào)度跨度大,與微網(wǎng)實(shí)際運(yùn)行相悖。因此,負(fù)荷模型可以描述為

(11)

dmin-b(t)≤r(t)≤dmax-b(t)

(12)

式中:y(t)表示可調(diào)節(jié)負(fù)荷的期望值,即可調(diào)節(jié)負(fù)荷在每個(gè)時(shí)段的日前預(yù)測(cè)值;b(t)表示不可調(diào)節(jié)負(fù)荷在每個(gè)時(shí)段的日前預(yù)測(cè)值;r(t)表示可調(diào)節(jié)負(fù)荷經(jīng)過(guò)上級(jí)Agent優(yōu)化后的調(diào)度值;Dimin為保證第i個(gè)時(shí)間段內(nèi)可調(diào)節(jié)負(fù)荷需求功率的最小值,防止出現(xiàn)切除全部可調(diào)節(jié)負(fù)荷的情況;dmax和dmin是需求側(cè)物理進(jìn)線容量的上下限約束。

負(fù)荷Agent(BtAgnet、RtAgent)在調(diào)節(jié)自身可調(diào)負(fù)荷后,實(shí)際消耗的功率為[r(t)+b(t)] kW,則產(chǎn)生了用電成本:

(13)

式中,λ(t)為本文引入的虛擬電價(jià)信息,由發(fā)電側(cè)按照成本計(jì)算,該電價(jià)信息反映了在t時(shí)刻微網(wǎng)發(fā)電側(cè)的一個(gè)成本系數(shù)。由于發(fā)電側(cè)儲(chǔ)能裝置的作用,λ(t)≠Cb(t)。另外,可調(diào)節(jié)負(fù)荷r(t)偏離了用戶期望的y(t),那么造成了用戶自身的不滿意度。文獻(xiàn)[16]提出了基于實(shí)際消耗電能的用戶滿意度函數(shù),認(rèn)為該時(shí)刻消耗電能越大,用戶不滿意度越小,這與實(shí)際用電舒適度不相符。本文認(rèn)為實(shí)際消耗電能偏離了期望消耗電能就會(huì)產(chǎn)生不滿意度成本,定義如下:

(14)

其中,βuncom為不滿意度系數(shù),不同類型的用戶,該系數(shù)不同,例如商業(yè)負(fù)荷的不滿意度系數(shù)要比居民的不滿意度系數(shù)大。一般來(lái)說(shuō),隨著βuncom的增大,r(t)趨向于y(t)。另外,由于LoadAgent具有切負(fù)荷的功能,同樣會(huì)造成一定的經(jīng)濟(jì)損失。定義切負(fù)荷成本如下:

(15)

式中,βcut為切負(fù)荷系數(shù)。

在運(yùn)行階段,負(fù)荷Agent(BtAgnet、RtAgent)將負(fù)荷信息(可調(diào)節(jié)負(fù)荷y(t)和不可調(diào)節(jié)負(fù)荷b(t))發(fā)送給上級(jí)Agent,上級(jí)Agent經(jīng)過(guò)優(yōu)化計(jì)算,將優(yōu)化結(jié)果r(t)發(fā)送給RtAgent,那么可調(diào)度負(fù)荷的實(shí)際需求由RtAgent控制。

另外,微電網(wǎng)穩(wěn)定運(yùn)行需要滿足的系統(tǒng)功率平衡約束如下:

r(t)+b(t)+Pba(t)=Pgrid(t)+Ppv(t)+Pwt(t)

(16)

2 微網(wǎng)分層分布式多目標(biāo)優(yōu)化策略

2.1 分層分布式多目標(biāo)優(yōu)化模型

完整的微電網(wǎng)系統(tǒng)是一個(gè)動(dòng)態(tài)、復(fù)雜、耦合的大系統(tǒng)。其穩(wěn)定高效的運(yùn)行往往需要滿足多個(gè)目標(biāo)最優(yōu),即多目標(biāo)優(yōu)化問(wèn)題。本文的控制目標(biāo)是對(duì)發(fā)電單元以及負(fù)荷的合理調(diào)度,同時(shí)滿足發(fā)電側(cè)成本最優(yōu)以及需求側(cè)成本最優(yōu),具體子目標(biāo)如下:

(1) 在負(fù)荷信息確定的條件下,優(yōu)化發(fā)電側(cè)各分布式Agent輸出,使得發(fā)電側(cè)發(fā)電成本最小。微電網(wǎng)的發(fā)電成本包括儲(chǔ)能裝置的充放電成本以及向電網(wǎng)的購(gòu)電成本。發(fā)電側(cè)的發(fā)電成本目標(biāo)函數(shù)為

minf1=min{Cba(Pba(t),t)+Cgrid(Pgrid(t),t)}

(17)

(2) 根據(jù)發(fā)電側(cè)的出力信息,優(yōu)化需求側(cè)的可調(diào)節(jié)負(fù)荷,使得需求側(cè)成本最小。根據(jù)前文所述,需求側(cè)成本包括用電成本、不滿意度成本以及切負(fù)荷成本。

minf2=min{Cuse(r(t),t)+Cuncom(r(t),t)+

Ccut(r(t),t)}

(18)

單個(gè)目標(biāo)函數(shù)只能夠描述微網(wǎng)經(jīng)濟(jì)運(yùn)行的單一指標(biāo),不能夠準(zhǔn)確地描述微電網(wǎng)整體的經(jīng)濟(jì)運(yùn)行。采用傳統(tǒng)單目標(biāo)加權(quán)法處理多目標(biāo)優(yōu)化問(wèn)題,權(quán)重系數(shù)的選取具有主觀性,且對(duì)求解結(jié)果的影響很大,無(wú)法得到全局最優(yōu)的Pareto解集,加權(quán)法形成的單目標(biāo)問(wèn)題往往待求解變量維數(shù)過(guò)大,采用已有算法難以收斂。另外,集中式控制結(jié)構(gòu)難以面對(duì)復(fù)雜、動(dòng)態(tài)的實(shí)際環(huán)境,中央控制器一旦發(fā)生故障,將威脅到整個(gè)系統(tǒng)的安全。

本文針對(duì)微網(wǎng)中的多目標(biāo)問(wèn)題,提出了基于多代理技術(shù)的分布式多目標(biāo)求解策略。為每個(gè)目標(biāo)建立對(duì)應(yīng)Agent模型,即目標(biāo)代理。PowerAgent代表發(fā)電側(cè)目標(biāo),LoadAgent代表需求側(cè)目標(biāo),每個(gè)目標(biāo)Agent具有獨(dú)立解決自身優(yōu)化問(wèn)題的能力,即解決單目標(biāo)優(yōu)化問(wèn)題。發(fā)電側(cè)需要知道需求側(cè)的用電情況,從而決策發(fā)電單元的出力情況;需求側(cè)需要知道發(fā)電側(cè)的電價(jià)信息,從而決策用電單元的出力情況。多目標(biāo)優(yōu)化模型如圖3所示。

圖3 分層分布式多目標(biāo)優(yōu)化模型Fig.3 Hierarchical distributed multi-objective optimization model

虛擬電價(jià)信息λ(t)作為目標(biāo)Agent之間信息傳輸?shù)膮?shù),具有十分重要的意義。在本文設(shè)計(jì)中,生成的虛擬電價(jià)信息可以很好地描述當(dāng)前負(fù)荷側(cè)用電的“代價(jià)”,該信息可以協(xié)助LoadAgent作出正確的決策。只有設(shè)計(jì)適當(dāng)?shù)奶摂M電價(jià)信息,負(fù)荷側(cè)和能源側(cè)協(xié)商的過(guò)程才能滿足微網(wǎng)整體經(jīng)濟(jì)性要求,并達(dá)到目標(biāo)均衡。

2.2 PowerAgent模型

在分層分布式多目標(biāo)優(yōu)化模型中(見(jiàn)圖3),作為發(fā)電側(cè)的代表,目標(biāo)代理PowerAgent的智能性以及決策能力通過(guò)內(nèi)嵌于自身的PSO算法實(shí)現(xiàn)。選擇PSO作為求解單目標(biāo)問(wèn)題的算法是因?yàn)槠湓谔幚矶嗉s束問(wèn)題時(shí),在可行域內(nèi)有很好的搜索能力。在接收到LoadAgent的CFP信息后,PowerAgent通過(guò)REQUEST其下屬Agent,獲取相關(guān)信息(如Cb(t)、SOCInt等),調(diào)用自身PSO方法,其中粒子種群數(shù)量設(shè)置為300,最大迭代次數(shù)為50。計(jì)算該負(fù)荷信息下的最優(yōu)分布式能源出力策略,并按照該時(shí)刻的負(fù)荷需求產(chǎn)生的發(fā)電成本生成虛擬電價(jià)信息λ(t),最后發(fā)送給LoadAgent,等待LoadAgent的優(yōu)化結(jié)果。

2.3 LoadAgent模型

在圖3所示的優(yōu)化模型中,作為需求側(cè)的代表,目標(biāo)代理LoadAgent充分代表了需求側(cè)成本最小的控制要求,在收到PowerAgent發(fā)送的PROPOSE信息后,LoadAgent調(diào)用自身的PSO算法,其中粒子種群數(shù)量設(shè)置為500,最大迭代次數(shù)為50。根據(jù)接收到的虛擬電價(jià)信息λ(t),優(yōu)化可調(diào)節(jié)負(fù)荷的分布,使得滿足需求側(cè)的約束條件。優(yōu)化后的r(t)作為CFP信息發(fā)給PowerAgent,進(jìn)入下一輪協(xié)商過(guò)程。

2.4 基于多代理的微網(wǎng)多目標(biāo)優(yōu)化策略

選擇最初負(fù)荷需求作為初始解,發(fā)電側(cè)目標(biāo)代理按照該負(fù)荷需求優(yōu)化發(fā)電單元出力,并生成電價(jià)信息。需求側(cè)按照發(fā)電側(cè)生成的電價(jià)信息優(yōu)化自身用電單元出力,發(fā)電側(cè)按照此用電單元出力優(yōu)化發(fā)電側(cè)單元出力,并生成電價(jià)信息,如此迭代協(xié)商求解。

優(yōu)化算法流程如下:

具體優(yōu)化流程如下:

(1) PVAgent獲取溫度以及光照強(qiáng)度預(yù)測(cè)信息,WTAgent獲取未來(lái)一天的風(fēng)速預(yù)測(cè)信息,GridAgent獲取電價(jià)預(yù)測(cè)信息,BtAgent和RtAgent分別獲取不可調(diào)節(jié)預(yù)測(cè)負(fù)荷信息和可調(diào)節(jié)預(yù)測(cè)負(fù)荷信息,PVAgent和WTAgent則根據(jù)溫度、光照強(qiáng)度和風(fēng)速情況,計(jì)算對(duì)應(yīng)條件下光伏陣列和風(fēng)機(jī)的最大允許出力。

(2) 每個(gè)實(shí)體代理將自身信息發(fā)送給上層目標(biāo)代理,如圖3所示。例如PVAgent將最大允許出力發(fā)送給PowerAgent。

(3) 目標(biāo)代理收到相關(guān)信息后開(kāi)始協(xié)商。LoadAgent將y(t)作為CFP信息發(fā)送給PowerAgent。

(4) PowerAgent以發(fā)電側(cè)發(fā)電成本最低為優(yōu)化目標(biāo),根據(jù)LoadAgent提供的信息,調(diào)用自身的智能算法,快速求解自身優(yōu)化問(wèn)題,得到最優(yōu)發(fā)電側(cè)出力結(jié)果以及最低成本。

(5) PowerAgent將得到的最低成本折算成虛擬電價(jià)信息作為PROPOSE信息發(fā)給LoadAgent。

(6) LoadAgent收到PROPOSE信息后開(kāi)始調(diào)用自身智能算法,得到優(yōu)化后的負(fù)荷曲線,將本次優(yōu)化的負(fù)荷與上一次優(yōu)化所得的負(fù)荷相比較,當(dāng)偏差小于ε時(shí),優(yōu)化結(jié)束,當(dāng)偏差大于ε時(shí),將優(yōu)化后的負(fù)荷信息更新到步驟(3)中的CFP信息,再次進(jìn)行循環(huán)。

3 仿真結(jié)果及算例分析

3.1 場(chǎng)景模擬與設(shè)計(jì)

仿真實(shí)驗(yàn)選取光伏發(fā)電裝置、風(fēng)機(jī)發(fā)電裝置、儲(chǔ)能裝置各1臺(tái),微電網(wǎng)運(yùn)行模式為并網(wǎng)運(yùn)行。儲(chǔ)能裝置的充放電效率分別是nc=0.927,nd=0.971,儲(chǔ)能裝置的充放電成本系數(shù)βes=0.03,裝機(jī)容量αba=1.5 kW,由于裝機(jī)容量較小,為了充分利用儲(chǔ)能裝置的效益,設(shè)定最大、最小荷電狀態(tài)分別是SOCmax=0.8,SOCmin=0.2,初始時(shí)刻和最終時(shí)刻荷電狀態(tài)SOC(24)=SOCInt=0.5。用戶負(fù)荷數(shù)據(jù)來(lái)源于文獻(xiàn)[19],用戶不滿意度成本系數(shù)βuncom=0.05,用戶切負(fù)荷成本系數(shù)βcut=0.08。新能源輸出功率來(lái)源于香港天文臺(tái)的氣象數(shù)據(jù)[20],如圖4所示。

圖4 風(fēng)機(jī)、光伏陣列和總可再生能源的最大允許發(fā)電量Fig.4 Maximum allowable generation of renewable energy

3.2 基于JADE的MAS建立

采用JADE平臺(tái)建立多代理系統(tǒng)框架,如圖5所示。程序代碼用Java語(yǔ)言編寫。發(fā)電側(cè)實(shí)體代理包括PVAgent、WTAgent、GridAgent、BaAgent,需求側(cè)實(shí)體代理包括BtAgent、RtAgent。另外,PowerAgenr作為發(fā)電側(cè)目標(biāo)函數(shù)的代理,LoadAgent作為需求側(cè)目標(biāo)函數(shù)的代理,通過(guò)兩者之間的通信信息,協(xié)商達(dá)到最優(yōu)策略。Agent之間的通信協(xié)商過(guò)程如圖6所示。

圖5 MAS系統(tǒng)Fig.5 MAS multi agent system

圖6 MAS通信過(guò)程Fig.6 Communication process

多目標(biāo)協(xié)調(diào)過(guò)程描述如下:

(1) 消息1。LoadAgent向PowerAgent發(fā)送CFP(尋求建議),標(biāo)志協(xié)商的開(kāi)始。

(2) 消息2～9。PowerAgent向其下屬發(fā)電側(cè)Agent發(fā)送REQUEST通信原語(yǔ),發(fā)電側(cè)Agent接收到信息后將自身狀態(tài)信息回復(fù)給PowerAgent。

(3) 消息10。PowerAgent根據(jù)收到的信息,根據(jù)發(fā)電側(cè)成本最低為目標(biāo)快速作出決策,并發(fā)送PROPOSE信息給LoadAgent。

(4) 消息11～207。目標(biāo)Agent之間的協(xié)商過(guò)程。

(5) 消息208～215。協(xié)商完成,PowerAgent將最終協(xié)商的策略發(fā)送給發(fā)電側(cè)Agent。

圖7示出了LoadAgent協(xié)商結(jié)果曲線,圖8示出了PowerAgent協(xié)商結(jié)果曲線。從圖7、圖8可以看出,PowerAgent與LoadAgent經(jīng)過(guò)不斷協(xié)商,最終結(jié)果趨于穩(wěn)定。由于發(fā)電側(cè)成本要遠(yuǎn)遠(yuǎn)大于需求側(cè)成本,所以,本實(shí)驗(yàn)中,PowerAgent在協(xié)商過(guò)程中起更大的作用,但由于LoadAgent的存在,PowerAgent成本不能無(wú)限制地減少,通過(guò)兩者協(xié)商,雖然在需求側(cè)增加了少量的成本,但為發(fā)電側(cè)減少了更多的成本,這與本文的初衷,微網(wǎng)的整體經(jīng)濟(jì)性相符合。從這一點(diǎn)也可以看出,本文的協(xié)商過(guò)程與博弈算法“個(gè)人利益最大化”的核心思想不相同,本文設(shè)計(jì)的目標(biāo)代理會(huì)犧牲自己的部分利益以達(dá)到整體收益最大化。

圖7 LoadAgent協(xié)商結(jié)果曲線Fig.7 LoadAgent negotiation result curve

圖8 PowerAgent協(xié)商結(jié)果曲線Fig.8 PowerAgentn negotiation result curve

3.3 Agent行為特性分析

由于用戶舒適度的要求,在削減可調(diào)節(jié)負(fù)荷時(shí)會(huì)帶來(lái)不滿意度成本,需求側(cè)目標(biāo)代理要在削減與用電之間尋找平衡。如圖9、圖10所示,LoadAgent接收到虛擬電價(jià)信息后,在用電低峰時(shí)刻(電價(jià)低),調(diào)整后的負(fù)荷曲線都保持著預(yù)測(cè)負(fù)荷曲線的趨勢(shì),這樣滿足了舒適度要求。在用電高峰時(shí)刻,即高電價(jià)的時(shí)候,LoadAgent能夠及時(shí)削減并轉(zhuǎn)移可調(diào)節(jié)負(fù)荷,以減少需求側(cè)用電成本。這樣在減少需求側(cè)成本的同時(shí)滿足了用電需求和舒適度要求。

從圖11可以看出,儲(chǔ)能裝置的充放電過(guò)程交替進(jìn)行,并且根據(jù)儲(chǔ)能剩余能量曲線看出,儲(chǔ)能裝置沒(méi)有出現(xiàn)過(guò)充、過(guò)放的現(xiàn)象。另外,由于考慮了充放電成本,故儲(chǔ)能裝置并不是一直處于工作狀態(tài),在高電價(jià)的時(shí)候放電,以削減發(fā)電成本,從而延長(zhǎng)了儲(chǔ)能裝置的使用壽命。在平時(shí)電價(jià)階段,儲(chǔ)能裝置選擇充電,是因?yàn)闄z測(cè)到后面有高電價(jià)時(shí)刻,以便削峰填谷,最后能將能量充到50%,以保證每天的運(yùn)行狀態(tài)互不干擾。如果最后時(shí)刻沒(méi)有低電價(jià)階段,PowerAgent會(huì)提前將BatteryAgent的狀態(tài)充到50%,以防止為了滿足約束(8)而進(jìn)行強(qiáng)制充電,增加發(fā)電成本。

圖9 電價(jià)曲線Fig.9 Tariff curve

圖10 可調(diào)節(jié)負(fù)荷的優(yōu)化結(jié)果Fig.10 Adjustable load optimization results

圖11 發(fā)電側(cè)優(yōu)化結(jié)果Fig.11 Generation side optimization results

4 結(jié) 論

本文提出了一種新型的基于多代理技術(shù)的多目標(biāo)求解算法,針對(duì)微電網(wǎng)中傳統(tǒng)的多目標(biāo)求解問(wèn)題,在JADE軟件平臺(tái)上建立了MAS系統(tǒng),并將各個(gè)子目標(biāo)用Agent分別求解。為滿足整體經(jīng)濟(jì)性要求,提出了虛擬電價(jià)概念,發(fā)電側(cè)可以根據(jù)負(fù)荷側(cè)的耗能信息,生成對(duì)應(yīng)的虛擬電價(jià)信息,需求側(cè)則可以根據(jù)虛擬電價(jià)信息,優(yōu)化需求側(cè)的用電行為。目標(biāo)之間的耦合關(guān)系通過(guò)Agent之間通信協(xié)商解決。實(shí)驗(yàn)結(jié)果表明,本文提出的微電網(wǎng)多目標(biāo)求解算法能夠有效地解決微電網(wǎng)能量管理中的多目標(biāo)問(wèn)題,且采用分布式Agent建立微電網(wǎng)模型,在一定程度上可以緩解中央控制器的求解壓力,降低問(wèn)題求解維度,具有更快的求解速度。今后的工作方向?qū)⒅赜趯?duì)Agent計(jì)算能力的改進(jìn),且本文中光伏和風(fēng)機(jī)采用預(yù)測(cè)值,實(shí)際運(yùn)行時(shí)有一定的偏差,未來(lái)可將此偏差考慮在內(nèi)完善模型,使得優(yōu)化結(jié)果更具有實(shí)際價(jià)值。

[1] LOPES J A P,MADUREIRA A G.A view of micro-grids[J].Wiley Interdisciplinary Reviews Energy & Environment,2013,2(1):86-103.

[2] 楊毅,雷霞,葉濤,等.考慮安全性與可靠性的微電網(wǎng)電能優(yōu)化調(diào)度[J].中國(guó)電機(jī)工程學(xué)報(bào),2014,34(19):3080-3088.

[3] LIAO G C.Solve environmental economic dispatch of smart micro-grid containing distributed generation system using chaotic quantum genetic algorithm[J].International Journal of Electrical Power & Energy Systems,2010,43(1):779-787.

[4] MOHAMED F A,KOIVO H N.System modelling and online optimal management of micro-grid using multi-objective optimization[C]//International Conference on Clean Electrical Power.Italy:IEEE,2007:148-153.

[5] 曾嶒,彭春華,王奎,等.基于鳥群算法的微電網(wǎng)多目標(biāo)運(yùn)行優(yōu)化[J].電力系統(tǒng)保護(hù)與控制,2016,44(13):117-122.

[6] 楊毅,雷霞,徐貴陽(yáng),等.采用PSO-BF算法的微電網(wǎng)多目標(biāo)電能優(yōu)化調(diào)度[J].電力系統(tǒng)保護(hù)與控制,2014,42(13):13-20.

[7] 宋曉英,王艷松.基于協(xié)同進(jìn)化遺傳算法的微網(wǎng)經(jīng)濟(jì)環(huán)保調(diào)度[J].電力系統(tǒng)保護(hù)與控制,2014,42(5):85-89.

[8] 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(wèn)題的研究[J].電力系統(tǒng)保護(hù)與控制,2015,43(8):1-7.

[9] 李存斌,張建業(yè),李鵬,等.考慮成本、排污及風(fēng)險(xiǎn)的微電網(wǎng)運(yùn)營(yíng)多目標(biāo)優(yōu)化模型[J].中國(guó)電機(jī)工程學(xué)報(bào),2015,35(5):1051-1058.

[10] 陳潔,楊秀,朱蘭,等.微網(wǎng)多目標(biāo)經(jīng)濟(jì)調(diào)度優(yōu)化[J].中國(guó)電機(jī)工程學(xué)報(bào),2013,33(19):57-66.

[11] BEDAKO B A,KLING K L,RIBERIRO P F.Multi-agent system architecture for smart home energy management and optimization[C]//2013 IEEE PES Innovative Smart Grid Technologies Europe(ISGT Europe).Copenhagen:IEEE,2013:1-5.

[12] 曾君,徐冬冬,劉俊峰,等.考慮負(fù)荷滿意度的微電網(wǎng)運(yùn)行多目標(biāo)優(yōu)化方法研究[J].中國(guó)電機(jī)工程學(xué)報(bào),2016,36(12):3325-3333.

[13] 李晨迪,陳淵睿,曾君,等.基于非合作博弈的微電網(wǎng)能量管理系統(tǒng)優(yōu)化算法[J].電網(wǎng)技術(shù),2016,40(2):387-395.

[14] 丁明,羅魁,畢銳.孤島模式下基于多代理系統(tǒng)的微電網(wǎng)能量協(xié)調(diào)控制策略[J].電力系統(tǒng)自動(dòng)化,2013,37(5):1-8.

[15] 江潤(rùn)洲,邱曉燕,李丹.基于多代理的多微網(wǎng)智能配電網(wǎng)動(dòng)態(tài)博弈模型[J].電網(wǎng)技術(shù),2014,38(12):3321-3327.

[16] NUNNA H S V S K,DOOLLA S.Multiagent-based distributed-energy-resource management for intelligent micro-grids[J].IEEE Transactions on Industrial Electronics,2013,60(4):1678-1687.

[17] 郝雨辰,竇曉波,吳在軍,等.微電網(wǎng)分層分布式能量?jī)?yōu)化管理[J].電力自動(dòng)化設(shè)備,2014,34(1):154-162.

[18] 祖其武,牛玉剛,陳蓓.基于改進(jìn)粒子群算法的微網(wǎng)多目標(biāo)經(jīng)濟(jì)運(yùn)行策略研究[J].電力系統(tǒng)保護(hù)與控制,2017,45(14):57-63.

[19] KARAMI H,SANJARI M J,HOSSEINIAN S H,etal.An optimal dispatch algorithm for managing residential distributed energy resources[J].IEEE Transactions on Smart Grid,2014,5(5):2360-2367.

[20] WANG H,HUANG J.Joint investment and operation of microgrid[J].IEEE Transactions on Smart Grid,2017,8(2):833-845.

Multi-objectiveOptimizationofConnectedMicrogridBasedonMulti-agentTechnology

WANGSi-ming,NIUYu-gang,ZUQi-wu

(KeyLaboratoryofAdvancedControlandOptimizationforChemicalProcesses,MinistryofEducation,
EastChinaUniversityofScienceandTechnology,Shanghai200237,China)

The economic operation of the microgrid is a multi-objective and multi-constraint problem.The traditional method is to transform the multi-objective problem onto a single-objective problem,which often difficultly converges and has a stronger subjectivity in the selection of weights.In this paper,a multi-objective solving strategy is proposed via multi-agent technology.By considering the whole economy of the microgrid,this paper establishes the generation target agent (PowerAgent) and the demand side agent (LoadAgent),respectively,so as to avoid the choice of the weights.Moreover,the virtual electricity price information is introduced as the negotiation parameter of the generating side agent and the load scheduling information is the negotiating parameter of the demand side agent.By utilizing the agent communication function in JADE platform,the target agents communicate the negotiation parameters each other,optimizes every subtarget problem and achieves the goal balance via iterative negotiates.The above negotiation process guarantees the overall economic requirements of the microgrid such that the two sub-targets can attain quickly convergence by distributedly solving the target agent.Finally,an example is given to illustrate the feasibility of the proposed method.

microgrid; economy; multi-objective; multi-agent; JADE; particle swarm

1006-3080(2017)06-0829-08

10.14135/j.cnki.1006-3080.2017.06.012

2016-12-27

國(guó)家自然科學(xué)基金(61673174);上海市優(yōu)秀學(xué)術(shù)/技術(shù)帶頭人計(jì)劃(16XD1421300)

王思明(1993-),男,碩士生,研究方向?yàn)槎啻砑夹g(shù)、微網(wǎng)能量管理。E-mail:wangsiming1314@163.com

牛玉剛,E-mail:acniuyg@ecust.edu.cn

TP273

A