韓楊楊

摘 要：在綜合考慮運行成本和環(huán)境成本的基礎上，建立了針對風光柴蓄獨立型微電網(wǎng)的多目標運行優(yōu)化模型.采用基于模擬退火的PSO算法進行求解.與傳統(tǒng)PSO算法進行比較，結果顯示，改進的PSO算法具有更好的尋優(yōu)能力和更快的收斂速度.通過算例驗證了所提出的優(yōu)化模型和改進的PSO算法的合理性.

關鍵詞：微電網(wǎng);運行優(yōu)化;模擬退火;改進的粒子群算法

中圖分類號：TM734? 文獻標識碼：A? 文章編號：1673-260X（2019）10-0048-04

1 引言

近年來，分布式發(fā)電技術日益成熟，其應用逐漸增多.與集中式發(fā)電相比，分布式發(fā)電可以利用各種分散存在的能源，靈活、經(jīng)濟與環(huán)保是其主要優(yōu)勢.由多種分布式電源（DG）組成的微電網(wǎng)（MG），作為一種新興技術，受到廣泛關注.微電網(wǎng)可被看作小型電力系統(tǒng)，具備發(fā)電和配電功能，既可獨立運行，也可與外部電網(wǎng)并網(wǎng)運行，以滿足網(wǎng)內用戶的電能需求.

MG的理想化狀態(tài)是實現(xiàn)各種DG的方便接入和高效利用，盡可能使用戶感受不到網(wǎng)絡中分布式電源出力變化而引起的波動，即為用戶側提供高質量電能，因而微電網(wǎng)的運行優(yōu)化問題成了研究關鍵.目前，針對這一問題，國內外學者已經(jīng)展開了很多研究.文獻[2]采用改進的遺傳算法求解微電網(wǎng)內分布式電源的最優(yōu)配置方案.文獻[3]采用遺傳算法從最小運行成本和最小污染物排放兩方面進行微電網(wǎng)多目標規(guī)劃.文獻[4、5]針對獨立和并網(wǎng)兩種模式，構建基于改進PSO的MG能量管理系統(tǒng)，選用不同參數(shù)指標進行運行調度優(yōu)化.文獻[6-10]針對不同的MG模型提出了各種智能算法的優(yōu)化運行策略.相比較而言，粒子群算法（PSO）是一種有效的全局尋優(yōu)算法，與傳統(tǒng)進化算法相比，操作簡單，避免復雜的遺傳操作，能在較少的迭代次數(shù)內找到最優(yōu)解，更適用于多目標優(yōu)化問題，但PSO算法也存在一些問題，如迭代收斂速度慢，容易掉進局部最優(yōu)等[4].本文建立以運行成本和環(huán)保因素為指標的微電網(wǎng)多目標優(yōu)化運行模型，提出結合模擬退火算法的改進粒子群優(yōu)化算法求解問題，算例分析表明，應用基于模擬退火的PSO算法其效果優(yōu)于傳統(tǒng)PSO算法，驗證了本文所提出的改進算法的正確性和合理性.

2 微電網(wǎng)運行優(yōu)化模型

微電網(wǎng)的組成方式多種多樣，本文選用風/光/柴/蓄獨立型微電網(wǎng)結構，如圖1所示.該微電網(wǎng)由光伏系統(tǒng)、風力發(fā)電機、蓄電池、柴油發(fā)電機和負荷構成.風機和光伏發(fā)電出力嚴重依賴自然資源，具有隨機性和間歇性，是相對不可控電源;而柴油發(fā)電機和蓄電池儲能系統(tǒng)是相對可控電源，在一定約束條件下對其輸出功率進行管理控制，從而按照預期工況進行工作.

2.1 各單元模型

2.1.1 光伏電池（PV）模型

PV的輸出功率與光照強度和溫度等因素有關，計算公式[1]如下：

2.1.2 風力發(fā)電機（WT）模型

風機的輸出功率與風速大小相關，計算公式[3]如下：

2.1.3 蓄電池（SB）模型

蓄電池某一時刻只能表現(xiàn)為充電或放電狀態(tài)，分別表示[6]為：

（1）充電時，t時刻的剩余電量：

（2）放電時，t時刻的剩余電量：

其中：SOC（t）、SOC（t-1）——分別為蓄電池t時刻、t-1時刻的剩余電量;

PSB（t）——t時刻蓄電池的功率;

ηC、ηD——充、放電效率.

2.1.4 柴油發(fā)電機（DE）模型

柴油發(fā)電機發(fā)電成本計算公式[9]如下：

其中：FDE——燃燒成本;

α、β、γ——燃燒成本系數(shù);

PDE——柴油發(fā)電機輸出功率.

2.2 優(yōu)化運行目標函數(shù)

本文將運行成本和環(huán)境成本作為微電網(wǎng)經(jīng)濟運行的優(yōu)化目標.

2.2.1 運行成本

運行成本部分包括設備更新、運行維護和燃料費用.數(shù)學表達式為：

f1=CR+CM+CF? ?（6）

其中：CR、CM、CF分別代表更新、維護和燃料費用.

CR=CRB+CRPV+CRW+CRDG? ?（7）

CRB、CRPV、CRW、CRDG分別代表蓄電池、光伏組件、風力發(fā)電機和柴油發(fā)電機的更新費用.

CM=CMB+CMPV+CMW+CMDG? （8）

CMB、CMPV、CMW、CMDG分別代表蓄電池、光伏組件、風力發(fā)電機和柴油發(fā)電機的維護費用.

CF=CFDG? ? （9）

CFDG表示柴油發(fā)電機的燃料費用.

2.2.2 環(huán)境成本

利用燃料發(fā)電會排放一定量的污染物，環(huán)境成本主要指污染物的排放費用.本文主要考慮NOX、CO2、SO2的排放，表達式為：

其中：f2代表污染物折算后的環(huán)境成本;M表示各種污染物類型的個數(shù);N表示微電源個數(shù);αj表示單位電量第j項污染物治理費用;Ei，j表示第i個微電源單位電量下第j項污染物的排放量.

2.2.3 多目標優(yōu)化模型

綜合考慮上述兩項評價指標，希望運行成本和環(huán)境成本均達到最低，最終獲得的目標函數(shù)（線性加權處理）為：

其中：λi為權重系數(shù)，C為懲罰項系數(shù).

2.2.4 約束條件

本文主要考慮各單元的功率約束、蓄電池充放電約束以及微電網(wǎng)運行時的功率平衡約束.

（1）各單元的功率約束

其中：Pi代表各出力單元;

Pimin、Pimax分別表示各單元的最小功率、最大功率.

（2）蓄電池充放電約束

其中：SOC（t）表示在t時刻蓄電池的剩余電量;

SOCmin、SOCmax分別表示蓄電池容量的下限、上限.

（3）功率平衡約束

其中：PPV（t）、PWT（t）、PDE（t）、PSB（t）分別表示PV、WT、DE、SB的輸出功率;PL（t）表示微電網(wǎng)負荷.

3 改進的PSO算法

粒子群算法是一種基于群體智能的優(yōu)化算法，與遺傳算法（GA）相比，PSO比GA規(guī)則更加簡單，不需要復雜的操作（選擇、交叉和變異），它通過追隨當前搜索到的最優(yōu)值來尋找全局最優(yōu)[12].PSO算法的流程如圖2所示.

模擬退火算法（SA）是一種通用概率算法，用來在一個大的搜尋空內找尋所需的最優(yōu)解.該算法源自對熱力學中退火過程的模擬，在某一給定的初溫下，通過緩慢下降溫度參數(shù)，使算法能夠在一定時間內給出一個近似最優(yōu)解[12].

模擬退火的尋優(yōu)主要步驟如下：

（1）初始化微粒的位置和速度.

（2）計算種群中每個微粒的目標函數(shù)值.

（3）更新微粒的pbest和gbest.

（4）重復執(zhí)行下列步驟.

對微粒的pbest進SA鄰域搜索.

更新各微粒的pbest.

執(zhí)行最優(yōu)選擇操作，更新種群gbest.

判斷gbest是否滿足算法終止條件？如果是，轉，否則轉.

輸出種群最優(yōu)解.

改進的PSO算法：在傳統(tǒng)PSO算法中加入SA算法，以避免掉入局部最優(yōu).方法是當粒子靠近局部最優(yōu)解時，通過SA從鄰域中隨機產(chǎn)生另一個解，并與當前局部最優(yōu)解進行對比，通過一定的規(guī)則確定采用哪個解為最優(yōu)解（隨機產(chǎn)生的解or局部最優(yōu)解），最終找到真正的最優(yōu)解[4].

4 算例分析

4.1 算例基礎數(shù)據(jù)

算例采用獨立型風/光/柴/蓄微電網(wǎng)結構，其由風力發(fā)電機、光伏電池、柴油發(fā)電機、蓄電池構成.各DG的具體參數(shù)見表1.污染物排放參數(shù)見表2.

以該微電網(wǎng)全天24小時的運行數(shù)據(jù)為例，WT和PV的功率預測曲線如圖3所示.

微電網(wǎng)中居民負荷預測曲線如圖4所示.

4.2 運行結果分析

該微電網(wǎng)在獨立運行狀態(tài)下，用戶負荷全部依靠網(wǎng)內各DG產(chǎn)生電能進行供給，經(jīng)過優(yōu)化后各DG的輸出功率如圖5所示.

從圖5中可以看出：在WT和PV出力大于負荷需求時，對蓄電池進行充電;當出力不足時，蓄電池通過放電在一定程度上彌補電能的不足，保證了供電的持續(xù)性和可靠性.

不同算法的優(yōu)化結果如表3所示.由表3可知，本文提出的基于改進PSO算法的微電網(wǎng)優(yōu)化運行總成本（包括運行成本和環(huán)境成本）為571.9294元，而傳統(tǒng)PSO算法在同等條件下的總成本為592.8728元.相比之下，改進的PSO算法比傳統(tǒng)PSO算法成本降低約4%.由此可見，采用改進的PSO算法尋優(yōu)能力更好，且收斂速度更快.

5 結論

本文提出通過模擬退火算法對傳統(tǒng)的PSO算法進行改進，采用風光柴蓄獨立型微電網(wǎng)系統(tǒng)為模型進行多目標運行優(yōu)化，用改進的PSO算法求解，并與傳統(tǒng)PSO算法相互對比.算例分析顯示，基于SA的PSO算法，其在收斂速度、尋優(yōu)能力等方面均表現(xiàn)更佳;同時也驗證了所建立的多目標函數(shù)優(yōu)化模型（要求運行成本和環(huán)境成本均最低）的可行性.

參考文獻：

〔1〕禇衍廷.微電網(wǎng)系統(tǒng)多目標優(yōu)化運行研究[D].蘭州：蘭州交通大學，2017.

〔2〕盛萬興，葉學順，劉科研，等.基于NSGA-II算法的分布式電源與微電網(wǎng)分組優(yōu)化配置[J].中國電機工程學報，2015，35（18）：4659-4662.

〔3〕陳天翼，劉宏勛.基于遺傳算法的微電網(wǎng)經(jīng)濟運行優(yōu)化[J].電器與能效管理技術，2017，（21）：54-58.

〔4〕孔愛良，梁碩，李春來，等.基于改進粒子群算法的微電網(wǎng)優(yōu)化運行[J].河海大學學報（自然科學版），2017，45（6）：550-555.

〔5〕黃晨，張靠社.基于量子粒子群算法的微電網(wǎng)優(yōu)化調度[J].電網(wǎng)與清潔能源，2016，32（2）：72-76.

〔6〕王海燕，王旭佳，秦健.基于多目標人工蜂群算法的微電網(wǎng)優(yōu)化調度[J].電器與能效管理技術，2016，（19）：57-62.

〔7〕王艷松，宋陽陽，吳昊，等.基于禁忌搜索算法的微電網(wǎng)源/荷安全經(jīng)濟調度[J].電力系統(tǒng)保護與控制，2017，45（20）：21-27.

〔8〕馬文，耿貞偉，張莉娜，等.基于改進多目標狼群算法的微電網(wǎng)高度優(yōu)化[J].電子技術應用，2017，43（11）：124-127.

〔9〕彭春華，王奎，張艷偉，等.基于鳥群算法的微電網(wǎng)多目標運行優(yōu)化[J].電力系統(tǒng)保護與控制，2016，44（13）：117-122.

〔10〕劉榮榮，張靠社，張剛，等.基于自適應人工魚群算法的微電網(wǎng)優(yōu)化運行[J].電網(wǎng)與清潔能源，2017，33（4）：71-76.

〔11〕王成山，許洪華.微電網(wǎng)技術及應用[M].北京：科學出版社，2016.2-3.

〔12〕李婭.MATLAB R2015b最優(yōu)化計算[M].北京：清華大學出版社，2017.400-401.