鄭 濤， 楊艷芳， 陳 薇， 盧文品

(合肥工業(yè)大學(xué) 先進控制技術(shù)研究所，安徽 合肥 230009)

0 引 言

近年來，在能源枯竭和環(huán)境保護的雙重壓力下，微電網(wǎng)提高分布式能源發(fā)電[1]，具有成本低、污染小、運行模式靈活等特點成為世界電氣領(lǐng)域關(guān)注的熱點[2]。目前，對于微電網(wǎng)的優(yōu)化，有很多理論與方法。根據(jù)配電網(wǎng)中的多級微電網(wǎng)結(jié)構(gòu),分析不同投資主體的利益關(guān)系優(yōu)化[3]?；诠夥A(yù)測的微電網(wǎng)能源隨機優(yōu)化調(diào)度[4]。通過開發(fā)優(yōu)化模型，用來減少成本的葉社區(qū)微電網(wǎng)[5]?；诟倪M螢火蟲算法優(yōu)化支持向量機(support vector machine,SVM)的變電工程造價[6]，對微電網(wǎng)進行優(yōu)化重構(gòu)，將微電網(wǎng)的模糊性和隨機性轉(zhuǎn)換為定量形式[7]。改變粒子群的權(quán)重系數(shù)法對微電進行優(yōu)化[8]。

對于微電網(wǎng)優(yōu)化問題，改進的粒子群算法分為兩大類：一種是對粒子群的各個系數(shù)進行非線性變換，防止陷入局部最優(yōu)收斂速度變快，但不易達到最優(yōu)值；另一類是對粒子進行分組，每組按照不同的速度進行優(yōu)化，具有局部搜索與全局搜索相結(jié)合的優(yōu)點，但收斂速度慢。本文在原有的研究基礎(chǔ)上，結(jié)合兩種算法的優(yōu)點，即：收斂快，且能達到最優(yōu)值使用了全面學(xué)習(xí)粒子群優(yōu)化(comprehensive learning particle swarm optimization,CLPSO)算法。在微電網(wǎng)的調(diào)度中，構(gòu)建光能、風(fēng)能、儲能、及大電網(wǎng)功率交換的數(shù)學(xué)模型，協(xié)調(diào)光伏、風(fēng)能、儲能和大電網(wǎng)的供電量，使分布式能源的利用率、用戶的負載失電率、冗余率在保持經(jīng)濟性為最高的前提下，達到最優(yōu)。在微電網(wǎng)優(yōu)化的CLPSO算法模型下，對離網(wǎng)模式與并網(wǎng)模式下的經(jīng)濟效益、用戶的負載失電率等進行分析。

1 微電網(wǎng)系統(tǒng)的規(guī)劃建模

微電網(wǎng)系統(tǒng)根據(jù)規(guī)劃期間內(nèi)用戶的負荷量、可再生能源資源情況、儲能的供給量和大電網(wǎng)的運行狀態(tài)建設(shè)方案，使得系統(tǒng)的建設(shè)與運行費用最少。

1.1 分布式能源的發(fā)電

以能源清潔高效利用為首要目標的新能源革命在世界各地逐步展開。增加清潔能源的供應(yīng)，降低化石能源的使用，已成為各國減少環(huán)境污染、應(yīng)對全球氣候變化的手段[9]。根據(jù)當天的風(fēng)速、光照強度及溫度(附錄1)可計算出該24 h內(nèi)單臺風(fēng)機和光伏的輸出功率，功率曲線如圖1所示。圖中，Pt為風(fēng)機功率，Ppv為光伏功率。

圖1 單臺分布式能源功率曲線

1.2 微電網(wǎng)系統(tǒng)的目標函數(shù)構(gòu)建

基于等年值的微電網(wǎng)綜合經(jīng)濟成本模型[10]，考慮微電網(wǎng)系統(tǒng)設(shè)備的初始投資成本、運行維護費用、電源壽命截止后的置換費用、燃料費用及環(huán)境成本，可建立微電網(wǎng)設(shè)備的綜合成本評估模型為

(1)

式中CCPi,COMi和CCHi分別為微電網(wǎng)中第i中電源單位安裝容量的等年值初始投資成本、年運行維護費用和等年值置換費用；CFUi，CENi分別為第i中電源單位發(fā)電量的燃料成本和環(huán)境成本；PDGi為第i中電源的安裝容量；EDGi為第i種電源的年發(fā)電量；N為系統(tǒng)中電源的種類數(shù)。

微電網(wǎng)的收益為

(2)

式中C為微電網(wǎng)的收益，Egrid為負荷的年耗電量，Cgrid為微電網(wǎng)對用戶1 kW·h的利潤價格，Ci為第i中分布式電源的國家1 kW·h電量的補助價格。

1.3 微電網(wǎng)系統(tǒng)的運行約束

本文根據(jù)各地實際運行情況設(shè)置了負載失電率約束、冗余率約束、可再生能源利用率約束及蓄電池自身的SOC約束。

2 CLPSO算法分析

帶慣性權(quán)重w的粒子群算法平衡了群體的搜索能力和探索能力。較大的w有利于對搜索空間進行探索，增加群體多樣性，但速度會隨時間增大而達到最大速度，則群體會分散。較小的w會提升局部開發(fā)能力，但粒子將不斷降速，使群體失去探索能力。故本文選用的是非線性的動態(tài)的慣性權(quán)重系數(shù)，避免粒子過早收斂問題。

全面學(xué)習(xí)粒子群算法能夠使粒子能夠更加全面的向群體最優(yōu)位置gbest、自身最優(yōu)位置gbest及其他粒子的歷史最優(yōu)位置pbest學(xué)習(xí)，避免陷入局部最優(yōu)。本文對w的值設(shè)置稍微偏大，加快粒子的收斂速度，結(jié)合全面學(xué)習(xí)粒子群的避免陷入局部最優(yōu)，改進的全面學(xué)習(xí)粒子群優(yōu)化算法不但具有粒子群的重復(fù)性操作與選擇的優(yōu)勢，并且具有全面學(xué)習(xí)能力。既避免粒子陷入局部最優(yōu)，又利用粒子的歷史最好位置更新粒子速度，達到快速收斂的目的。本文使用改進的全面學(xué)習(xí)粒子群算法，對微電網(wǎng)的年度收益優(yōu)化。

微電網(wǎng)基于經(jīng)濟性為目標的調(diào)度，其關(guān)鍵在于將采集來的風(fēng)速、光照、溫度等用于分布式能源功率輸出的數(shù)學(xué)模型建立，然后根據(jù)用戶的負荷功率去合理調(diào)控光伏、風(fēng)機、儲能和大電網(wǎng)的功率。在實際的運用中，為了滿足用戶的負載率、提高分布式能源的利用率需要多次的演算與仿真。CLPSO算法的求解步驟如下所述。

對于CLPSO算法的粒子群體，它會通過不斷的迭代更新例子的速度與位置，相應(yīng)的更新迭代公式為

Vid=wid+c1r1(pid-xid)+c2r2(pgd-xid)

(3)

xid=xid+vid

(4)

式中w為慣性權(quán)重；c1和c2為加速常數(shù)；r1和r2為兩個在[0,1]里變化的隨機值。

若生成向量超出搜索空間S，需要使用粒子隨機重置法，以保證搜索在可行解空間中進行。在搜索空間S的第d次迭代的范圍為[lbd,ubd]，若第d次迭代的粒子位置不屬于[lbd,ubd]，則重置

xid=lbd+(ubd-lbd)·r

(5)

式中r為(0，1)內(nèi)均勻分布的隨機數(shù)。

為了平衡粒子群算法的全局搜索能力和局部改良能力，采用非線性的動態(tài)慣性權(quán)重系數(shù)公式，其表達式為

(6)

式中wmax和wmin分別為w的最大值和最小值，f為微粒當前的目標函數(shù)值，favg和fmin分別為當前所有微粒的平均目標值和最小目標值。

假設(shè)粒子的維數(shù)為n維，為了使它更全面的向其他粒子學(xué)習(xí)，會將其中的m(m

SUMT外點法是根據(jù)約束的特點，構(gòu)造某種懲罰函數(shù)，然后加到目標函數(shù)中去，將約束問題求解轉(zhuǎn)化為一系列的無約束問題。這種“懲罰策略”對于無約束問題求解過程中的那些企圖違反約束條件的目標點給予懲罰。由于SUMT外點法都是近似最優(yōu)并且近似可行的，近似最優(yōu)可以接受，但是近似可行在實際運用中可行性差。這一點SUMT內(nèi)點法可以解決相比于SUMT外點法在不可行區(qū)域加懲罰，SUMT內(nèi)點法相當于在可行域邊界筑起高墻，讓目標函數(shù)無法穿過，就把目標函數(shù)擋在可行域內(nèi)了。且SUMT內(nèi)點法的懲罰策略適用于不等式約束問題。

該微電網(wǎng)的優(yōu)化調(diào)度帶有不等式約束條件，本文在CLPSO算法中加入SUMT內(nèi)點法的懲罰策略對原問題進行求解

F(x,M)=f(x)+Mp(x)=f(x)+

(7)

式中F(x,M)為罰函數(shù)，M為罰因子，是一個正常數(shù)；Mp(x)為罰項。當M充分大時，F(xiàn)(x,M)的最優(yōu)解能逼近約束問題的最優(yōu)解。

3 案例與分析

西北某地區(qū)風(fēng)資源的年利用率小時數(shù)為2 160 h，光資源的年利用率為843 h，風(fēng)資源較好，光資源一般，適合建設(shè)含可再生能源的微電網(wǎng)，可有效緩解當?shù)赜秒娋o張的局面。系統(tǒng)全年用電量為7 038 923 kW·h，月用電量的季節(jié)變化不大。風(fēng)力發(fā)電、光伏發(fā)電和蓄電池儲能等設(shè)備的經(jīng)濟參數(shù)如表1所示。

表1 設(shè)備的經(jīng)濟參數(shù)

3.1 微電網(wǎng)的運行模式

對于微電網(wǎng)的優(yōu)化仿真，本文從微電網(wǎng)的兩個運行模式進行分析：

1)離網(wǎng)模式：對系統(tǒng)的凈負荷量進行判斷。當凈負荷量小于零(分布式電源的發(fā)電量比用戶的負荷需求量大)。判斷蓄電池SOC的狀態(tài)，當SOC最大，無需充電，多余的電量放電處理，(分布式能源造成一定損失)；當SOC不是最大，則對蓄電池充電，若分布式能源多余的發(fā)電功率大于SOC的最大功率，會造成一小部分的電能損失。否則，按分布式能源多余的發(fā)電功率對蓄電池充電，直到下一時刻。當系統(tǒng)的凈負荷量大于零。判斷蓄電池SOC的狀態(tài)，當SOC最小，用戶的供電量不足，造成部分停電。當SOC大于最小值時，則蓄電池放電。若放電功率不能補足用戶停電功率，會出現(xiàn)小面積停電；否則，按用戶的停電功率進行放電，直到下一時刻。

2)并網(wǎng)模式。對系統(tǒng)的凈負荷量進行判斷。當凈負荷量小于零，判斷蓄電池SOC的狀態(tài)。當SOC最大，判斷多余的分布式電量功率是否大于大電網(wǎng)輸送線的功率，若大于，則按輸送線功率對大電網(wǎng)進行售電，否則按多余的分布式電源功率對大電網(wǎng)進行售電，分布式能源損失幾乎為零；當SOC不是最大值時，則對蓄電池充電，若分布式能源多余的發(fā)電功率大于SOC的最大功率，多余的電量輸送到大電網(wǎng)，若分布式能源多余的發(fā)電功率小于SOC的最大功率，則按照分布式能源多余的發(fā)電功率對蓄電池進行充電，直到下一時刻。當系統(tǒng)的凈負荷量大于零時，判斷蓄電池SOC的狀態(tài)，當SOC為最小值時，向大電網(wǎng)購電。當SOC大于最小值時，則蓄電池放電。若放電功率不能補足用戶的停電功率，則向大電網(wǎng)購電，盡量減少停電現(xiàn)象。若放電功率達到用戶的停電功率，則按用戶的停電功率進行放電，直到下一時刻。

3.2 微電網(wǎng)優(yōu)化算法比較

風(fēng)力發(fā)電、光伏發(fā)電和蓄電池儲能等設(shè)備的技術(shù)參數(shù)如表2所示，其中光能與風(fēng)能補貼數(shù)據(jù)來源于國家能源局。根據(jù)表2數(shù)據(jù)，對該地區(qū)的微電網(wǎng)運行進行優(yōu)化，取Pe為0.4；P1為0.1。

表2 技術(shù)參數(shù)

仿真時長設(shè)為1 h，仿真周期為1年。在該地區(qū)的離網(wǎng)模式下，以用戶的年失電率小于96 %、可再生能源利用率大于85 %為限制條件，用PSO算法、APSO算法和CLPSO算法分別進行優(yōu)化仿真。種群個數(shù)設(shè)為40，c1，c2設(shè)為2，wmax為0.9，wmin為0.6，迭代次數(shù)為70次，得到不同的算法下，相應(yīng)的風(fēng)機、光伏等數(shù)量如表3所示，相應(yīng)的目標函數(shù)適應(yīng)度曲線如圖2(a)所示。

表3 離網(wǎng)模式收益

仿真時長設(shè)為1 h，仿真周期為1年。在該地區(qū)的并網(wǎng)模式下，以用戶的年失電率小于96 %、可再生能源利用率大于85 %和冗余率小于15 %時為限制條件，用PSO算法、APSO算法和CLPSO算法分別進行優(yōu)化仿真。種群個數(shù)設(shè)為40，c1,c2設(shè)為2，wmax為0.9，wmin為0.6，迭代次數(shù)為150次，得到不同的算法下，相應(yīng)的風(fēng)機、光伏等數(shù)量如表4所示，相應(yīng)的目標函數(shù)適應(yīng)度曲線如圖2(b)所示。圖2仿真曲線表明，CLPSO算法不但收斂速度快，而且收斂的精度高，能夠快速的找到更優(yōu)的全局最優(yōu)解，故最終選擇該算法。

圖2 離/并網(wǎng)模式收益適應(yīng)度曲線

表4 并網(wǎng)模式收益

3.3 離/并網(wǎng)模式差異

通過以上數(shù)據(jù)，最終選擇選用效果比較好的CLPSO算法對微電網(wǎng)系統(tǒng)進行優(yōu)化。選取附錄1當天的運行數(shù)據(jù)，可得到微電網(wǎng)系統(tǒng)在不同的運行模式下各個單元出力情況。

離網(wǎng)模式，各能源的輸出功率及用戶負荷曲線如圖3(a)，用戶的失電率為0.019，可再生能源的利用率為0.95。并網(wǎng)模式，各能源的輸出功率及用戶負荷曲線如圖3(b)，用戶的失電率為0.011，可再生能源的利用率為0.98，冗余率為0.10。由圖3比較發(fā)現(xiàn)，并網(wǎng)模式相對于離網(wǎng)模式，失電率得到降低，可再生能源利用率得到提高。

圖3 離/并網(wǎng)模式下各能源輸出功率

4 結(jié) 論

對微電網(wǎng)的運行模式進行優(yōu)化發(fā)現(xiàn)：相對于離網(wǎng)模式，在并網(wǎng)模式下，可再生能源的利用率相對高，用戶的失電率相對低，所得的效益相對高。