孫嫣嬌，代永強(qiáng)

(甘肅農(nóng)業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院，甘肅 蘭州 730070)

在人類(lèi)不斷發(fā)展過(guò)程中，能源對(duì)社會(huì)的進(jìn)步起到關(guān)鍵作用.在中國(guó)可持續(xù)發(fā)展的號(hào)召下，新能源技術(shù)也不斷出現(xiàn)，風(fēng)力發(fā)電、光伏電池和燃?xì)廨啓C(jī)等各種分布式電源也應(yīng)時(shí)而生，于是協(xié)調(diào)各因素的微電網(wǎng)也不斷成長(zhǎng).微電網(wǎng)作為新能源的主要載體,它得到了廣泛的發(fā)展和應(yīng)用,它既可以孤島運(yùn)行,也可與主電網(wǎng)相連以滿足更大范圍的負(fù)荷需求[1].對(duì)于孤島運(yùn)行的微電網(wǎng)系統(tǒng)，經(jīng)濟(jì)性、可靠性和節(jié)能性是其運(yùn)行必須兼顧的3個(gè)方面[2-4]，如何妥善處理孤島微電網(wǎng)的組合經(jīng)濟(jì)運(yùn)行,實(shí)現(xiàn)效益最優(yōu)化問(wèn)題就成為了新的研究方向，而智能優(yōu)化算法因其性能的優(yōu)越性在微電網(wǎng)的優(yōu)化運(yùn)行領(lǐng)域得到了普遍應(yīng)用.

目前為止，國(guó)內(nèi)外專(zhuān)家已經(jīng)對(duì)微電網(wǎng)的優(yōu)化運(yùn)行與理論實(shí)踐展開(kāi)研究.黃偉等[5]創(chuàng)建了基于改進(jìn)微分進(jìn)化算法的微電網(wǎng)動(dòng)態(tài)經(jīng)濟(jì)優(yōu)化調(diào)度模型，考慮了一些不確定因素對(duì)經(jīng)濟(jì)調(diào)度產(chǎn)生的影響，以微電網(wǎng)最高環(huán)境效益以及最低運(yùn)行成本為目標(biāo)函數(shù)，采用動(dòng)態(tài)優(yōu)化理論，在成本節(jié)約中發(fā)揮一定作用，但是該改進(jìn)微分算法易于陷入早熟.王銳等[6]針對(duì)含可再生能源的熱電聯(lián)供型微電網(wǎng)系統(tǒng)，選用機(jī)會(huì)約束規(guī)劃建立了經(jīng)濟(jì)運(yùn)行優(yōu)化數(shù)學(xué)模型，并結(jié)合隨機(jī)模擬PSO算法對(duì)模型進(jìn)行處理.陳潔等[7]提出了熱電聯(lián)產(chǎn)型微電網(wǎng)的多目標(biāo)經(jīng)濟(jì)調(diào)度優(yōu)化模型，以發(fā)電成本和污染物對(duì)環(huán)境影響成本最低為優(yōu)化目標(biāo)，運(yùn)用最大化滿意度指標(biāo)法把多目標(biāo)轉(zhuǎn)為單目標(biāo)，并采用改進(jìn)自適應(yīng)遺傳算法進(jìn)行處理.Sanjari等[8]提出運(yùn)用超球面搜索算法并以經(jīng)濟(jì)的角度優(yōu)化一個(gè)包含熱電聯(lián)產(chǎn)機(jī)組的樓宇微電網(wǎng)，并有效地完成微電網(wǎng)經(jīng)濟(jì)優(yōu)化運(yùn)行問(wèn)題.

本研究提出了一種改進(jìn)的雞群算法(improved chicken swarm optimization，ICSO)，算法中引入學(xué)習(xí)更新策略和邊界變異策略，防止陷入局部極值且早熟收斂.同時(shí)在分析各分布式電源特性的基礎(chǔ)上，研究了孤島運(yùn)行方式下微電網(wǎng)的優(yōu)化運(yùn)行問(wèn)題，綜合考慮了微電網(wǎng)的可靠性以及經(jīng)濟(jì)環(huán)保性的要求，利用ICSO算法對(duì)夏季24 h典型負(fù)荷日的微電網(wǎng)系統(tǒng)進(jìn)行參數(shù)優(yōu)化配置,并且搭建以綜合效益最優(yōu)為目標(biāo)的微電網(wǎng)優(yōu)化運(yùn)行模型,最后得到在孤島運(yùn)行下微電網(wǎng)的夏季優(yōu)化運(yùn)行方案.

1 雞群算法(CSO)

雞群算法(chicken swarm optimization，CSO)[9-10]是由Meng等提出的一種基于雞群搜尋食物過(guò)程中的智能優(yōu)化方法，它對(duì)雞群所存在的等級(jí)制度和雞群行為進(jìn)行模擬.在不同的等級(jí)制度下，不同的雞群存在一定的競(jìng)爭(zhēng)，經(jīng)過(guò)競(jìng)爭(zhēng)尋找到最佳位置，找到最佳位置的個(gè)體即為優(yōu)化問(wèn)題的最優(yōu)解，它是一種群智能優(yōu)化算法.然而，與其他群體智能算法相似，雞群算法在優(yōu)化部分函數(shù)時(shí)存在易陷入局部最優(yōu)，效果不夠理想等缺點(diǎn)[11].其具體內(nèi)容如下：

1) 整個(gè)雞群分為若干個(gè)子群，每個(gè)子群都包括一只公雞，若干只母雞和小雞.

2) 在雞群中把適應(yīng)度值最佳的若干只雞作為公雞并且將其分布在不同的子群中作為頭領(lǐng)，也就是說(shuō)公雞的數(shù)量等于子群的數(shù)量，把適應(yīng)度值最差的若干個(gè)體假定為小雞，除去這兩種剩余的其他個(gè)體作為母雞，母雞的數(shù)量通常是最大的，并且母雞與小雞之間的母子關(guān)系是隨機(jī)確定的.

3) 在雞群中，母雞和小雞的關(guān)系如果確定就保持不變直至數(shù)代后開(kāi)始更新，即等級(jí)分類(lèi)和支配關(guān)系只在更新時(shí)發(fā)生變化.

4) 根據(jù)雞在子群中的角色，它們?cè)趯ふ沂澄飼r(shí)有不同的行為.公雞是每個(gè)子群里最強(qiáng)壯的，它們會(huì)無(wú)私地去尋找食物，也要阻止其他子群個(gè)體爭(zhēng)奪本子群食物，母雞必須要以公雞為中心去搜索食物，小雞是子群里最弱的，它們會(huì)模仿媽媽的行為來(lái)尋找食物，所以在搜尋食物的過(guò)程中可以隨著母雞一起搜尋.

在雞群算法中雞群個(gè)體的位置更新隨著雞的角色不同而采用不同的位置變換規(guī)則，即3種不同角色的雞具有不同的位置.在整個(gè)雞群算法中，設(shè)定所有雞群的個(gè)體數(shù)目為N，每個(gè)雞群個(gè)體所在位置采用Xij(t)表示，其意義為在第t次迭代中第i只雞的第j個(gè)元素所得到的值.公雞的位置更新公式如下：

xi,j(t+1)=xi,j(t)·(1+Randn(0,σ2))

(1)

(2)

式中，Randn(0,σ2)是一個(gè)服從正態(tài)分布的隨機(jī)數(shù)，均值為0，標(biāo)準(zhǔn)差為σ2；ε是一個(gè)最小的不為0的常數(shù)，使方程有意義；k為排除i的隨機(jī)選擇的公雞指數(shù)；fi為第i只雞對(duì)應(yīng)的適應(yīng)度值.

母雞的位置更新公式如下：

xi,j(t+1)=xi,j(t)+C1·Rand1·(xr1,j(t)-xi,j(t))+C2·Rand2·(xr2,j(t)-xi,j(t))

(3)

(4)

C2=exp(fr2-fi)

(5)

式中，Rand是[0,1]中的分布均勻的隨機(jī)數(shù)；ri表示第i只母雞屬于同一子群的公雞；r2為整個(gè)雞群中隨機(jī)選取的個(gè)體(公雞或母雞)且兩者不同即：

r1≠r2

小雞的位置更新公式如下：

xi,j(t+1)=xi,j(t)+F·(xm,j(t)-xi,j(t))

(6)

式中，m表示第i只小雞相對(duì)應(yīng)的母雞；F是[0,2]之間均勻分布的跟隨系數(shù)，表示小雞跟隨母雞搜尋食物.

2 雞群算法優(yōu)化(ICSO)

2.1 學(xué)習(xí)更新策略

在CSO算法中，雞群中母雞的數(shù)量最多，母雞的位置更新規(guī)則的變量參數(shù)較多，母雞的適應(yīng)度值對(duì)算法性能有很大影響.在母雞的位置更新規(guī)則中，公雞的位置被提到，與其他智能優(yōu)化算法相比，CSO算法可以使母雞遠(yuǎn)離局部最優(yōu)，最終使算法陷入局部最優(yōu)的可能性較小.然而當(dāng)更多的公雞陷入局部最優(yōu)時(shí)，母雞也會(huì)面臨同樣的情況，這將導(dǎo)致錯(cuò)過(guò)全部最優(yōu).因此對(duì)母雞位置更新公式改進(jìn)如下：

xi,j(t+1)=ω·xi,j(t)+C1·Rand1·(xr,j(t)-xi,j(t))+C2·Rand2·(xb,j(t)-xi,j(t))

(7)

式中，ω是動(dòng)態(tài)慣性權(quán)重，xb是全局個(gè)體最佳位置，xr為雞群中公雞的位置.

本研究引用一種求解動(dòng)態(tài)慣性權(quán)重的方法，每次迭代隨機(jī)選取一個(gè)滿足正態(tài)分布的慣性權(quán)重值[12]，慣性權(quán)重取較大值時(shí)，可避免算法過(guò)早陷入局部最優(yōu)；而慣性權(quán)重取較小值時(shí)，可解決進(jìn)化后期收斂精度不高的問(wèn)題[13]，其動(dòng)態(tài)慣性權(quán)重ω的更新公式為：

ω=μmin+normrand()×(μmax-μmin)+randn()×δ

(8)

式中，μmax表示慣性權(quán)重最大值，μmin表示慣性權(quán)重最小值，normrand()表示服從均勻分布的隨機(jī)數(shù)，randn()表示服從正態(tài)分布的隨機(jī)數(shù)，δ表示期望值與慣性權(quán)重之間的偏離程度.

對(duì)于基本CSO算法中小雞的位置更新公式，小雞覓食路線只會(huì)向所在子群雞媽媽覓食路線學(xué)習(xí)，而不會(huì)向所在子群的公雞學(xué)習(xí).因?yàn)殡u媽媽的覓食路線不是雞群的最佳路線，所以初期算法的收斂速度會(huì)降低，后期由于小雞只向雞媽媽學(xué)習(xí)，當(dāng)雞媽媽陷入局部最優(yōu)時(shí)，小雞隨之也會(huì)陷入局部最優(yōu)[14]，所以對(duì)研究中小雞位置的更新方式進(jìn)行優(yōu)化，一是加入對(duì)所在子群中公雞的學(xué)習(xí)，二是為使整個(gè)雞群充滿活力，打破局部最優(yōu).

小雞改進(jìn)后的位置更新公式如下：

xi,j(t+1)=ω·xi,j(t)+F·rand·[xm,j(t)-xi,j(t)]+C·rand·[xr,j(t)-xi,j(t)]

(9)

2.2 邊界變異策略

針對(duì)雞群算法中的粒子經(jīng)常發(fā)生越界問(wèn)題，對(duì)越界粒子引入了邊界變異的策略，有效地克服了粒子容易在邊界上陷入局部最優(yōu)解的缺陷，同時(shí)縮短了算法所需要的計(jì)算時(shí)間，并且在一定程度上增強(qiáng)了算法的全局搜索能力與精度[15].

這里把邊界變異的策略引進(jìn)到雞群算法中，對(duì)雞群中的每一個(gè)體在進(jìn)行尋找最優(yōu)解時(shí)產(chǎn)生的越界個(gè)體行為進(jìn)行邊界變異，該變異策略表示為：

(10)

其中c=0.01.

2.3 算法流程

算法的流程如下：

1) 確定初始參數(shù).定義公雞數(shù)量NR、母雞數(shù)量NH、小雞數(shù)量NB、母雞媽媽數(shù)量NM、雞群關(guān)系迭代次數(shù)G、維數(shù)dim等參數(shù).

2) 初始化個(gè)體最佳位置和雞群最佳位置，計(jì)算個(gè)體適應(yīng)度值fitness，k=1.

3) 若k%G=1，對(duì)適應(yīng)度值進(jìn)行排序，把適應(yīng)度值最好的作為公雞，最差的作為小雞，其余為母雞.其中公雞個(gè)體所占比例為20%，小雞個(gè)體所占比例為20%，母雞個(gè)體(包含母雞媽媽)所占比例為60%，其中母雞媽媽所占比例為20%.母雞隨機(jī)分配到各群中，確定公雞和母雞的伙伴關(guān)系.母雞隨機(jī)帶領(lǐng)小雞，確定母雞媽媽與小雞之間的母子關(guān)系.其中G表示開(kāi)始更新等級(jí)分類(lèi)、母子關(guān)系和支配關(guān)系的迭代次數(shù).

4) 利用公式(1)、公式(7)和公式(9)分別更新公雞、母雞和小雞的個(gè)體位置并且計(jì)算個(gè)體的適應(yīng)度值.

5) 若新位置的fitness更優(yōu)于原位置的fitness，則不斷更新個(gè)體最佳位置和雞群最佳位置，否則放棄更新.

6) 使k=k+1，若k

7) 輸出結(jié)果并結(jié)束程序.

算法流程如圖1所示.

2.4 改進(jìn)雞群算法測(cè)試標(biāo)準(zhǔn)函數(shù)

為了驗(yàn)證ICSO算法改進(jìn)的有效性，與CSO和文獻(xiàn)[16]提出來(lái)的改進(jìn)雞群算法進(jìn)行在100維和50維情況下的對(duì)比.本研究選取了Sphere、Ackley、Rosenbroke、Rastrigin 4個(gè)標(biāo)準(zhǔn)函數(shù)進(jìn)行測(cè)試，4個(gè)函數(shù)中Rosenbroke單峰函數(shù)主要作為檢測(cè)算法全局的搜索性能，Rastrigin、Ackley兩個(gè)多峰函數(shù)主要用來(lái)檢測(cè)函數(shù)打破局部最優(yōu)值的能力.

試驗(yàn)中參數(shù)設(shè)置：雞群規(guī)模為100，其中NR=10，NH=70，NB=20，NM=30，更新維持代數(shù)為10，最大迭代次數(shù)為1 000，試驗(yàn)結(jié)果采用算法獨(dú)立運(yùn)行20次.測(cè)試函數(shù)如表1所示，表2和表3分別記錄了維度為100和50時(shí)3種算法的對(duì)比結(jié)果.

圖1 算法流程Figure 1 The process of algorithm

表1 標(biāo)準(zhǔn)測(cè)試函數(shù)

由表2和表3對(duì)比可以看出，ICSO的最優(yōu)值、最差值與平均值均小于CSO和文獻(xiàn)[16]提出的改進(jìn)雞群算法，說(shuō)明ICSO的優(yōu)化結(jié)果明顯好于CSO和文獻(xiàn)[16]提出的改進(jìn)雞群算法，此外標(biāo)準(zhǔn)差相對(duì)較小，表明ICSO具有更好的穩(wěn)定性.同時(shí)隨著維度的增加，優(yōu)化性能也有所改善.ICSO對(duì)于標(biāo)準(zhǔn)測(cè)試函數(shù)的優(yōu)化整體上取得了較好的結(jié)果，算法優(yōu)化性能得到了顯著提升.

表3 3種算法在維度為50時(shí)的比較結(jié)果

3 微電網(wǎng)結(jié)構(gòu)

3.1 光伏電池(PV)

光伏電池的輸出特性具有非線性特征，隨著光照強(qiáng)度、溫度和負(fù)載的改變而改變.光伏電池在某個(gè)光照強(qiáng)度和溫度下能夠工作在不同的輸出電壓，然而電池的輸出功率僅在特定的輸出電壓下可以達(dá)到最大值，稱(chēng)為最大功率點(diǎn)[17]，而光伏電池往往工作在最大功率點(diǎn)下.在研究微電網(wǎng)的優(yōu)化運(yùn)行問(wèn)題時(shí)，需要明確光伏電池的輸出功率，而光伏電池的輸出功率與太陽(yáng)光照強(qiáng)度的變化息息相關(guān).光伏發(fā)電的輸出功率[18]如下：

Ppv(t)=ξηpApηmcosθ

(11)

式中，Ppv(t)為光伏電池在太陽(yáng)光照強(qiáng)度為G(t)時(shí)的實(shí)際輸出功率；ξ為光照強(qiáng)度；ηp為光伏電池的效率；Ap為電池板接受光照的面積；ηm為最大功率點(diǎn)跟蹤效率；θ為太陽(yáng)光照的入射角.

3.2 風(fēng)力發(fā)電機(jī)(WT)

風(fēng)力發(fā)電機(jī)的輸出功率是不可控制的，是隨著風(fēng)速的變化而改變的，但是能夠通過(guò)預(yù)測(cè)風(fēng)速的情況得到輸出功率.風(fēng)力發(fā)電機(jī)的發(fā)電功率輸出模型可表示為：

(12)

式中，PWT為風(fēng)力發(fā)電機(jī)的實(shí)際功率(kW)；vci為風(fēng)機(jī)的切入風(fēng)速(m/s)；vr為風(fēng)機(jī)的額定風(fēng)速(m/s)；vco為風(fēng)機(jī)的切出風(fēng)速(m/s)；PWTr為風(fēng)力發(fā)電機(jī)的額定功率(kW)；a、b、c為風(fēng)機(jī)組的功率特性參數(shù).

3.3 微型燃?xì)廨啓C(jī)(MT)

微型燃?xì)廨啓C(jī)的發(fā)電效率與輸出功率密切相關(guān)，微型燃?xì)廨啓C(jī)的發(fā)電效率隨著輸出功率的增加而增加.以微型燃?xì)廨啓C(jī)進(jìn)行建模計(jì)算，其發(fā)電效率計(jì)算表達(dá)式為：

(13)

式中，PMT為微型燃?xì)廨啓C(jī)輸出功率(kW)；ηMT為微型燃?xì)廨啓C(jī)工作的發(fā)電效率.

微型燃?xì)廨啓C(jī)的燃料成本表達(dá)式[19]為：

(14)

式中，c為目前天然氣價(jià)格，本研究取值2元/m3；LHV為天然氣低熱熱值(kWh/m3)，一般取9.7 kWh/m3.

3.4 燃料電池(FC)

燃料電池發(fā)電效率表達(dá)式為：

ηFC=-0.002 3PFC+0.673 5

(15)

燃料電池的燃料成本數(shù)學(xué)模型表達(dá)式為：

(16)

式中，CFC為t時(shí)間內(nèi)燃料電池的燃料成本(元)；PFC為燃料電池的輸出功率(kW)；ηFC是燃料電池的效率.

3.5 柴油發(fā)電機(jī)(DE)

柴油發(fā)電機(jī)是最早應(yīng)用到分布式發(fā)電的一種分布式電源，其燃料消耗費(fèi)用主要與輸出的有功功率相關(guān)，其表達(dá)式為：

CDE=mPDE2+nPDE+q

(17)

式中，CDE為柴油發(fā)電機(jī)的燃料消耗費(fèi)用(元)；PDE為柴油發(fā)電機(jī)的輸出功率(kW)；m、n、q為柴油發(fā)電機(jī)燃料成本參數(shù).

4 微電網(wǎng)優(yōu)化運(yùn)行模型

4.1 建立目標(biāo)函數(shù)

微電網(wǎng)進(jìn)入到孤島狀態(tài)時(shí)，與外部主電網(wǎng)的聯(lián)系處于中斷狀態(tài)，這是微電網(wǎng)的重要特征[20]，因此不再考慮向外部電網(wǎng)購(gòu)電、售電的計(jì)劃和相關(guān)約束，于是各分布式電源承擔(dān)起向微電網(wǎng)內(nèi)所有負(fù)荷供電，因此需要考慮以綜合效益為目標(biāo)進(jìn)行優(yōu)化運(yùn)行，主要包含燃料費(fèi)用，維護(hù)費(fèi)用和治污費(fèi)用.

(18)

4.2 約束條件

在建立目標(biāo)函數(shù)的基礎(chǔ)上，系統(tǒng)的約束條件必須要兼顧，具體如下.

1) 微電網(wǎng)功率平衡約束

(19)

(20)

2) 微電源輸出功率約束

為保證系統(tǒng)的平穩(wěn)運(yùn)行，每個(gè)分布式電源在任何時(shí)刻的實(shí)際功率都要滿足其容量的上下限約束，如式所示：

Pi,min≤Pi≤Pi,max

(21)

Ri,down·Δt≤Pi,t-Pi,t-1≤Ri,up·Δt

(22)

式中，Pi,max為第i個(gè)分布式電源的最大輸出功率，Pi,min為第i個(gè)分布式電源的最小輸出功率.Ri,down，Ri,up分別為第i種分布式電源負(fù)向和正向的爬坡速率(kW/h).

5 改進(jìn)雞群算法在微電網(wǎng)優(yōu)化運(yùn)行中的應(yīng)用

5.1 算例系統(tǒng)

微電網(wǎng)系統(tǒng)包括分布式電源類(lèi)型有不可控單元(風(fēng)力發(fā)電機(jī)WT、光伏發(fā)電裝置PV)、可控單元(微型燃?xì)廨啓C(jī)MT、燃料電池FC、柴油發(fā)電機(jī)DE)以及蓄電池裝置.微電網(wǎng)中各個(gè)分布式電源的輸出功率限值如下表4所示，各種污染物治污費(fèi)用如表5所示，各分布式電源的燃料與維護(hù)成本如表6所示.

表4 各分布式電源輸出功率參數(shù)

表5 污染物治污費(fèi)用和排放系數(shù)

表6 分布式電源的的發(fā)電費(fèi)用

5.2 微電網(wǎng)優(yōu)化結(jié)果分析

本研究中針對(duì)10 kV微電網(wǎng)夏季某典型日案例進(jìn)行分析，測(cè)量周期為1 d，在以24 h日負(fù)荷變化、光照強(qiáng)度、風(fēng)速和溫度的基礎(chǔ)上，利用ICSO算法對(duì)微電網(wǎng)進(jìn)行優(yōu)化，試驗(yàn)參數(shù)設(shè)置同上.圖2為夏季典型日負(fù)荷變化情況，溫度、風(fēng)速與光照強(qiáng)度變化情況分別為圖3～5所示.

圖2 24 h負(fù)荷變化曲線Figure 2 Load change curve in 24 h

圖4 24 h風(fēng)速曲線Figure 4 Wind speed curve in 24 h

根據(jù)夏季典型日的溫度、風(fēng)速和光照強(qiáng)度數(shù)據(jù)，由風(fēng)力和光伏發(fā)電的輸出功率計(jì)算公式與方法，得到夏季典型日風(fēng)力發(fā)電和光伏發(fā)電在24 h內(nèi)不同時(shí)刻的輸出功率如圖6所示.

在不考慮與外部主電網(wǎng)能量交換的情況下，利用上述數(shù)據(jù)，根據(jù)各種類(lèi)型分布式電源的輸出功率和建立的微電網(wǎng)優(yōu)化運(yùn)行模型，并利用ICSO算法，以運(yùn)行總效益最優(yōu)為目標(biāo)，得到該地區(qū)孤島運(yùn)行狀態(tài)下夏季典型日微電網(wǎng)優(yōu)化運(yùn)行結(jié)果如圖7所示.

圖5 24 h光照強(qiáng)度曲線Figure 5 Light intensity curve in 24 h

圖6 光伏、風(fēng)力輸出功率曲線Figure 6 WT and PV output power curve

圖7 各分布式電源輸出功率曲線Figure 7 Output power curve of each distributed generations

由圖7可知，綜合考慮成本和污染處理費(fèi)用，在0～5點(diǎn)用電低谷期內(nèi)，當(dāng)PV和WT提供的電能不能滿足用電需求時(shí)，由于微型燃?xì)廨啓C(jī)的發(fā)電費(fèi)用高于燃料電池，所以用燃料電池向負(fù)荷提供不足的電能；在6～10點(diǎn)時(shí)段內(nèi)，由于用電量在不斷增加且MT發(fā)電費(fèi)用高于FC，因此 FC處于滿載運(yùn)行，而不足的電能由MT提供；在11～15點(diǎn)時(shí)段處于高峰期，F(xiàn)C持續(xù)滿載運(yùn)行；在19～22點(diǎn)時(shí)段也處于用電高峰期，用電需求量最大，MT、FC以最大功率運(yùn)行.

為了驗(yàn)證本研究所用優(yōu)化方法和模型的有效性，需將3種算法優(yōu)化的綜合成本情況進(jìn)行對(duì)比.對(duì)發(fā)電成本進(jìn)行加權(quán)平均處理，優(yōu)化結(jié)果如表7所示.

表7 3種算法優(yōu)化日綜合成本對(duì)比表

由表7可知，采用ICSO算法對(duì)微電網(wǎng)進(jìn)行優(yōu)化分析后，綜合成本比CSO和文獻(xiàn)[16]提出的改進(jìn)雞群算法優(yōu)化時(shí)有所降低，有效地增大了綜合效益，從而驗(yàn)證了本研究算法和模型的有效性.

6 結(jié)論

本研究提出一種改進(jìn)雞群算法ICSO并將其應(yīng)用到微電網(wǎng)孤島運(yùn)行時(shí)的優(yōu)化問(wèn)題中，該算法引入學(xué)習(xí)更新策略和邊界變異策略，提升了其尋優(yōu)能力并在測(cè)試函數(shù)中得到了驗(yàn)證.其次構(gòu)建了風(fēng)、光、儲(chǔ)、微型燃?xì)廨啓C(jī)、燃料電池等組成的微電網(wǎng)系統(tǒng)，并建立了微電網(wǎng)系統(tǒng)各個(gè)結(jié)構(gòu)的數(shù)學(xué)模型，在滿足約束條件的前提下，考慮了微電網(wǎng)的經(jīng)濟(jì)環(huán)保以及成本節(jié)約問(wèn)題，利用ICSO算法優(yōu)化參數(shù)配置并搭建了以微電網(wǎng)綜合效益最優(yōu)的優(yōu)化運(yùn)行模型，使目標(biāo)函數(shù)盡量達(dá)到最優(yōu).通過(guò)與基本雞群算法和其他改進(jìn)雞群算法進(jìn)行對(duì)比，降低了運(yùn)行成本，得到了孤島運(yùn)行下微電網(wǎng)在夏季24 h內(nèi)典型負(fù)荷日的優(yōu)化運(yùn)行方案.