譚碧飛，陳皓勇，梁子鵬，陳思敏

(華南理工大學(xué) 電力學(xué)院，廣東 廣州 510640)

隨著人口的增長(zhǎng)，世界能源消費(fèi)劇增，選擇可持續(xù)發(fā)展模式逐步成為國(guó)際社會(huì)的共識(shí)。風(fēng)、光等清潔能源由于其可再生性和環(huán)境友好性在國(guó)內(nèi)外得到大力推廣，并且風(fēng)電、光電作為優(yōu)異的分布式電源(distribution generation，DG)，能很方便地與當(dāng)?shù)匦⌒碗娋W(wǎng)結(jié)合在一起。微網(wǎng)通常指結(jié)合當(dāng)?shù)囟喾NDG、儲(chǔ)能系統(tǒng)及各類電負(fù)荷結(jié)合的小型發(fā)-輸-配-用電網(wǎng)系統(tǒng)而形成的網(wǎng)絡(luò)結(jié)構(gòu)[1-2]。通過(guò)內(nèi)部各可控機(jī)組的合理安排，可在滿足內(nèi)部需求的前提下盡可能地消納當(dāng)?shù)禺a(chǎn)生的不確定性能源，如風(fēng)電和光伏發(fā)電，使得棄風(fēng)棄光造成的經(jīng)濟(jì)損失最小化。

冷熱電聯(lián)供(combined cooling，heating and power，CCHP)系統(tǒng)作為一種新型能量供給系統(tǒng)，因出色的能源利用率和環(huán)境友好性而受到廣泛的歡迎，該系統(tǒng)除利用燃?xì)廨啓C(jī)提供電能外，還能回收燃?xì)廨啓C(jī)產(chǎn)生的余熱，通過(guò)能量的多級(jí)利用，可使一次能源利用率提高到80%以上[3]。將CCHP系統(tǒng)結(jié)合到微網(wǎng)系統(tǒng)中可形成CCHP型微網(wǎng)，大幅提高原有微網(wǎng)系統(tǒng)的能量利用率。

目前針對(duì)CCHP系統(tǒng)的研究已取得一定成果：文獻(xiàn)[3]研究了將電氣、煙氣等抽象成母線的CCHP系統(tǒng)；文獻(xiàn)[4]集成太陽(yáng)能和聯(lián)供系統(tǒng)，形成了新型CCHP系統(tǒng)；文獻(xiàn)[5]研究了電能和天然氣的不同費(fèi)率結(jié)構(gòu)及季節(jié)性差異的CCHP系統(tǒng)；文獻(xiàn)[6]采用分布式建模方法，驗(yàn)證了提出的優(yōu)化調(diào)度模型可以實(shí)現(xiàn)2個(gè)利益主體的經(jīng)濟(jì)最優(yōu)；文獻(xiàn)[7]引入考慮光伏發(fā)電的CCHP型系統(tǒng)。文獻(xiàn)[3-7]均是在現(xiàn)有的CCHP型微網(wǎng)模型基礎(chǔ)上增添各類模組，但缺少對(duì)全面接入到微網(wǎng)內(nèi)部CCHP系統(tǒng)的研究。

而在微網(wǎng)方面，相較于集成控制[8]與規(guī)劃設(shè)計(jì)[9-10]，針對(duì)經(jīng)濟(jì)調(diào)度算法的研究較少[11]。文獻(xiàn)[12]在考慮電動(dòng)汽車的基礎(chǔ)上從魯棒的角度評(píng)估棄光棄風(fēng)與切負(fù)荷風(fēng)險(xiǎn)，優(yōu)化出使得綜合成本最小的不確定集；文獻(xiàn)[13]針對(duì)多目標(biāo)優(yōu)化中Pareto最優(yōu)解問(wèn)題，采用改進(jìn)的多屬性決策方法，圍繞多個(gè)指標(biāo)進(jìn)行選擇；文獻(xiàn)[14]采用結(jié)合蒙特卡洛模擬的粒子群優(yōu)化(particle swarm optimization，PSO)算法求解多網(wǎng)系統(tǒng)的經(jīng)濟(jì)調(diào)度方案；文獻(xiàn)[15]提出了基于指標(biāo)化擁堵距離的多目標(biāo)蜂群算法，并且改進(jìn)了Pareto解的分布特性。文獻(xiàn)[12-15]通過(guò)數(shù)值解法以及遺傳算法隨機(jī)性算法求解微網(wǎng)系統(tǒng)，在處理非凸的數(shù)學(xué)模型如考慮風(fēng)電隨機(jī)性的CCHP型微網(wǎng)模型時(shí)表現(xiàn)較為乏力。

在2017年由Xiangyuan Jiang與Shuai Li提出的天牛須搜索(beetle antennae search，BAS)算法為微網(wǎng)經(jīng)濟(jì)調(diào)度提供了新的解決思路。該算法目前主要運(yùn)用在工業(yè)機(jī)器人的控制與工作安排上[16-17]，通過(guò)模擬生物界中天牛搜索事物的過(guò)程來(lái)搜索模型最優(yōu)解，因此具有良好的收斂性與搜索能力。本文首先建立基于分時(shí)電價(jià)[18]的雙層CCHP型微網(wǎng)模型，并根據(jù)該模型提出了結(jié)合粒子群思想與協(xié)同進(jìn)化理論框架的改進(jìn)BAS算法——CoPSO-BAS算法，通過(guò)算例應(yīng)用對(duì)比，分析微網(wǎng)系統(tǒng)調(diào)度優(yōu)化結(jié)果，驗(yàn)證所提算法的適應(yīng)性與優(yōu)越性。

1 CCHP型微網(wǎng)建模

1.1 燃?xì)廨啓C(jī)

燃?xì)廨啓C(jī)由于出色的功率調(diào)節(jié)能力，往往被認(rèn)為是CCHP系統(tǒng)中的核心設(shè)備。燃?xì)廨啓C(jī)在自身產(chǎn)生電能的同時(shí)，余熱可通過(guò)收集裝置為各能量轉(zhuǎn)化機(jī)組提供熱能，以滿足網(wǎng)絡(luò)區(qū)域內(nèi)的熱負(fù)荷與冷負(fù)荷需求。

若不考慮外界因素，燃?xì)廨啓C(jī)發(fā)電效率可通過(guò)負(fù)荷率δ的三次多項(xiàng)式表示，即

ηGT=aδ3-bδ2+cδ+d.

(1)

式中：ηGT為燃?xì)廨啓C(jī)發(fā)電效率；α、b、c、d均為燃?xì)廨啓C(jī)機(jī)組運(yùn)行參數(shù)。

燃?xì)廨啓C(jī)燃?xì)庀牧?/p>

(2)

式中：VGT為燃?xì)廨啓C(jī)消耗的燃?xì)饬?；PGT(t)為t時(shí)段燃?xì)廨啓C(jī)的發(fā)電功率；T為調(diào)度時(shí)段數(shù)；LNG為燃?xì)鉄嶂?，取燃?xì)獾蜔嶂禐?.7 kWh/m3。

燃?xì)廨啓C(jī)排出煙氣的余熱量

(3)

式中vGT,loss為燃?xì)廨啓C(jī)的熱損失系數(shù)。

1.2 余熱鍋爐

燃?xì)廨啓C(jī)排出煙氣余熱通過(guò)余熱鍋爐收集起來(lái)，供給CCHP系統(tǒng)的冷、熱負(fù)荷需求，余熱鍋爐的輸出熱量由輸入熱量與余熱鍋爐效率決定，即

QAH,out(t)=QAH,in(t)ηAF.

(4)

式中：QAH,in(t)、QAH,out(t)為余熱鍋爐的輸入、輸出熱量；ηAF為余熱鍋爐的效率。

1.3 燃?xì)忮仩t

當(dāng)余熱鍋爐的輸出熱量不足以供給聯(lián)供系統(tǒng)熱負(fù)荷需求時(shí)，所缺少的熱量通過(guò)燃?xì)忮仩t燃燒燃?xì)膺M(jìn)行補(bǔ)充，即

QG,out(t)=Gcost(t)LNGηG.

(5)

式中：QG,out(t)為燃?xì)忮仩t在t時(shí)段的輸出熱量；Gcost(t)為燃?xì)忮仩t消耗燃?xì)饬?；ηG為燃?xì)忮仩t的效率。

1.4 蒸汽熱水換熱裝置

換熱裝置將余熱鍋爐的蒸汽熱量進(jìn)行轉(zhuǎn)換，供給系統(tǒng)熱負(fù)荷需求，數(shù)學(xué)模型為

QHX(t)=QAH,H(t)ηHX.

(6)

式中：QHX(t)為換熱裝置在t時(shí)段的輸出熱量；ηHX為換熱裝置的效率；QAH,H(t)為余熱鍋爐輸出熱量中用于供給系統(tǒng)熱負(fù)荷的熱量。

1.5 吸收式制冷機(jī)

吸收式制冷機(jī)將余熱鍋爐中的熱量進(jìn)行制冷供給系統(tǒng)冷負(fù)荷需求，數(shù)學(xué)模型為

QAC(t)=QAH,C(t)ηAC.

(7)

式中：QAC(t)為吸收式制冷機(jī)在t時(shí)段內(nèi)的輸出制冷量；ηAC為吸收式制冷機(jī)的效率；QAH,C(t)為余熱鍋爐輸出熱量中用于供給系統(tǒng)冷負(fù)荷的熱量。

1.6 電制冷機(jī)

當(dāng)吸收式制冷機(jī)的輸出制冷量不足以供給系統(tǒng)的冷負(fù)荷時(shí)，電制冷機(jī)通過(guò)消耗電能制冷對(duì)系統(tǒng)進(jìn)行補(bǔ)冷，其出力數(shù)學(xué)模型為

QEC(t)=PEC(t)λEC.

(8)

式中：QEC(t)為電制冷機(jī)在t時(shí)段內(nèi)的輸出制冷量；PEC(t) 為電制冷機(jī)所消耗的電功率；λEC為能效比。

1.7 風(fēng)電機(jī)組

風(fēng)電是一種清潔能源，一般不會(huì)考慮其環(huán)境補(bǔ)償成本，即通常只考慮折舊成本、運(yùn)維成本等等在內(nèi)的發(fā)電成本。在風(fēng)電場(chǎng)設(shè)備的生命周期內(nèi)，一般近似認(rèn)為[8]風(fēng)力發(fā)電成本CWT與有功出力呈線性關(guān)系，即

(9)

式中：PWT，j為第j臺(tái)風(fēng)電機(jī)組的有功出力；kWT,j為第j臺(tái)風(fēng)電機(jī)組的成本系數(shù)；NWT為風(fēng)電機(jī)組的數(shù)量。

1.8 光伏陣列

與風(fēng)電類似，光電也是一種清潔能源，亦不考慮環(huán)境成本，其綜合運(yùn)行成本主要包括折舊成本、運(yùn)維成本等。當(dāng)光伏板正常工作，近似認(rèn)為[19]光伏發(fā)電成本CPV與其有功出力呈線性關(guān)系，即

(10)

式中：PPV，j為第j臺(tái)光伏機(jī)組的有功出力；kPV,j為第j臺(tái)光伏機(jī)組的成本系數(shù)；NPV為光伏陣列的數(shù)量。

2 CCHP型微網(wǎng)經(jīng)濟(jì)調(diào)度模型

本文使用的CCHP型微網(wǎng)系統(tǒng)優(yōu)化經(jīng)濟(jì)調(diào)度模型通過(guò)各元件的合理安排來(lái)達(dá)到微網(wǎng)系統(tǒng)的最優(yōu)經(jīng)濟(jì)化，具體結(jié)構(gòu)如圖1所示。

2.1 目標(biāo)函數(shù)

CCHP型多微網(wǎng)系統(tǒng)的優(yōu)化目標(biāo)是在CCHP型微網(wǎng)典型日內(nèi)調(diào)度的經(jīng)濟(jì)成本最小化，即

minF=Ffuel+Frun+Fgrid.

(11)

式中：F為CCHP型多微網(wǎng)系統(tǒng)的總運(yùn)行成本；Ffuel為CCHP型微網(wǎng)的燃?xì)馊剂腺M(fèi)用；Frun為CCHP型微網(wǎng)的設(shè)備運(yùn)行維護(hù)費(fèi)用；Fgrid為CCHP型微網(wǎng)與電網(wǎng)交互電功率的費(fèi)用。

燃?xì)赓M(fèi)用

(12)

式中：GC為燃?xì)鈿鈨r(jià)；VG為不能滿足熱負(fù)荷而需要額外購(gòu)買的燃?xì)怏w積。

設(shè)備運(yùn)行維護(hù)費(fèi)用

(13)

式中：kGT、kG、kAH、kHX、kAC、kEC、kFC分別為燃?xì)廨啓C(jī)、燃?xì)忮仩t、余熱鍋爐、換熱裝置、吸收式制冷機(jī)、電制冷機(jī)、燃料電池單位功率運(yùn)行維護(hù)費(fèi)用；PG(t)、PAH(t)、PHX(t)、PAC(t)、PFC(t)分別為燃?xì)忮仩t、余熱鍋爐、換熱裝置、吸收式制冷機(jī)、燃料電池的輸出功率。

圖1 我國(guó)西部某CCHP型微網(wǎng)結(jié)構(gòu)Fig.1 Structure of CCHP micro-grid in Western China

當(dāng)CCHP型微網(wǎng)中的DG，即燃?xì)廨啓C(jī)、風(fēng)力發(fā)電和光伏發(fā)電不能滿足微網(wǎng)的電負(fù)荷需求，微網(wǎng)向電網(wǎng)購(gòu)買電能；同理，當(dāng)CCHP型微網(wǎng)中電能過(guò)剩時(shí)，微網(wǎng)向電網(wǎng)售電。微網(wǎng)向電網(wǎng)交互電量的成本為：

(14)

式中：Pun(t)、Psh(t)、Pov(t)分別為t時(shí)段微網(wǎng)出力與負(fù)荷的差額、微網(wǎng)出力的缺少量以及微網(wǎng)出力的超出量；Bp(t)、Sp(t)分別為t時(shí)段的微網(wǎng)向大電網(wǎng)購(gòu)買和銷售電量的價(jià)格。

2.2 約束條件

CCHP型微網(wǎng)系統(tǒng)運(yùn)行約束條件包括各個(gè)微網(wǎng)內(nèi)冷、熱、電能平衡約束，設(shè)備出力約束，以及與電網(wǎng)的交互功率約束等。

冷平衡約束為

PEC(t)λEC+QAC(t)=Pcool(t).

(15)

熱平衡約束為

QGB(t)+QHX(t)=Pheat(t).

(16)

電平衡約束為

(17)

式(15)—(17)中：Pcool(t)、Pheat(t)、Pload(t)分別為CCHP型微網(wǎng)的冷負(fù)荷功率、熱負(fù)荷功率和電負(fù)荷功率；Ptrans(t)為CCHP型微網(wǎng)在t時(shí)段與電網(wǎng)交互電功率值，若微網(wǎng)從電網(wǎng)購(gòu)電則交互功率值為正，若售電則交互功率值為負(fù)。

設(shè)備平衡約束為：

PGT,min≤PGT(t)≤PGT,max，

(18)

PFC,min≤PFC(t)≤PFC,max，

(19)

QAH,min≤QAH(t)≤QAH,max，

(20)

QG,min≤QG,out(t)≤QG,max，

(21)

0≤QAH,H(t)≤QAH(t)，

(22)

QAC,min≤QAC(t)≤QAC,max，

(23)

PEC,min≤PEC(t)≤PEC,max，

(24)

-Ptrans,max≤Ptrans(t)≤Ptrans,max.

(25)

式(10)—(25)中用下標(biāo)“max、min”表示相應(yīng)參數(shù)的最大、最小值。

3 CoPSO-BAS算法

3.1 BAS算法

BAS算法是一種啟發(fā)式智能優(yōu)化算法，其原理受天牛覓食過(guò)程啟發(fā)。當(dāng)天牛覓食時(shí)，天牛并不知道食物在哪里，而是根據(jù)食物氣味的強(qiáng)弱來(lái)覓食；天牛有兩只長(zhǎng)觸角，如果左邊觸角收到的氣味強(qiáng)度比右邊大，那下一步天牛就往左飛，否則就往右飛；依據(jù)這一原理，經(jīng)過(guò)足夠多次的搜索次數(shù)，天?？梢哉业绞澄?。同理，面對(duì)待尋找的CCHP型微網(wǎng)目標(biāo)函數(shù)最優(yōu)值，可將其抽象成多維空間中的食物，形成BAS算法，并有如下假設(shè)：①天牛在三維空間運(yùn)動(dòng)，為了能在任意維函數(shù)使用BAS，將天牛的覓食行為推廣至任意維空間；②天牛作為一個(gè)沒(méi)有體積的質(zhì)點(diǎn)，左右兩須位于質(zhì)點(diǎn)兩邊；③天牛步長(zhǎng)與兩須間的距離成固定比例；④天牛前進(jìn)一個(gè)步長(zhǎng)后，頭的朝向由隨機(jī)數(shù)決定。

BAS算法流程描述如下：

a)對(duì)于m維優(yōu)化問(wèn)題，質(zhì)心表示為x，為優(yōu)化變量，本文選取7個(gè)優(yōu)化變量：4臺(tái)燃?xì)廨啓C(jī)各自的輸出電功率PGT(t)、1臺(tái)燃料電池機(jī)組的輸出電功率PFC、電網(wǎng)聯(lián)絡(luò)線功率Ptrans(t)以及循環(huán)熱水熱量分配率w。左須xl、右須xr作為變化量，兩須距離為體長(zhǎng)d，其中向量x，xl，xr維度都為m。

b)由于天牛頭的朝向隨機(jī)，所以生成隨機(jī)m維單位向量來(lái)表示天牛左須指向右須的向量

(26)

式中R(m, 1)表示生成m維的隨機(jī)向量。

所以左須可以表示為

xλ+1,l=xλ+dλr.

(27)

右須可以表示為

xλ+1,r=xλ-dλr.

(28)

式中：dλ為在第λ次迭代時(shí)兩須的距離，xλ為第λ次迭代時(shí)天牛質(zhì)心的位置。

c)計(jì)算左右兩須xl和xr的適應(yīng)度值fl和fr，根據(jù)fl和fr的大小關(guān)系，判斷天牛的前進(jìn)方向，即

xλ=xλ-1-δλ-1·γ·sign(fl，λ-1-fr，λ-1).

(29)

式中：δλ為第λ次迭代時(shí)天牛的移動(dòng)步長(zhǎng);γ為各元素小于1且大于0的m維隨機(jī)向量。

d)計(jì)算天牛移動(dòng)后的適應(yīng)度值，同時(shí)更新迭代系數(shù)：

dλ=φddλ-1，

(30)

δλ=φδδλ-1.

(31)

式中φd和φδ為左右兩須距離和步長(zhǎng)的衰減系數(shù)，常取0.95。

e)判斷是否符合迭代結(jié)束條件，符合則結(jié)束迭代，不符合則重復(fù)步驟b。

3.2 CoPSO-BAS算法

BAS算法有較強(qiáng)的全局主動(dòng)搜索能力，但是由于經(jīng)典BAS算法是運(yùn)用單個(gè)粒子進(jìn)行全局尋優(yōu)，并且衰減系數(shù)φd和φδ為常數(shù)，存在早熟、容易收斂至局部最優(yōu)解與容易突破約束條件的缺點(diǎn)。

本文利用粒子群思想與協(xié)同進(jìn)化框架，在算法上層使用多個(gè)體搜索，同時(shí)考慮個(gè)體間的協(xié)同合作關(guān)系，每次迭代中相鄰的天牛進(jìn)行交流、學(xué)習(xí)，在算法下層繼續(xù)使用經(jīng)典的BAS模組，形成一種上層協(xié)同、下層搜索的雙層全局搜索算法。該算法相較于經(jīng)典BAS算法具有更強(qiáng)的最優(yōu)解搜索能力與收斂性能。

設(shè)置在第λ次迭代中的天牛群為

(32)

式中：xi,j為第i天牛向量個(gè)體中優(yōu)化變量j的出力(i=1,…n,j=1,…m)；fn,λ為由個(gè)體n所求得的目標(biāo)函數(shù)；dn,λ為第λ次迭代時(shí)兩須的距離；δn,λ為第λ次迭代時(shí)天牛的移動(dòng)步長(zhǎng)。

在每次迭代的過(guò)程中，計(jì)算各個(gè)天牛個(gè)體的具體位置(即解的內(nèi)容)，單一天牛個(gè)體與距離它較近的個(gè)體(設(shè)定為最接近的2個(gè))作對(duì)比，記錄下當(dāng)前解的內(nèi)容后協(xié)同其他個(gè)體去往適應(yīng)度函數(shù)值更高的位置。同時(shí)針對(duì)多次迭代所得適應(yīng)度函數(shù)變化小于設(shè)定值μ的個(gè)體，首先記錄其適應(yīng)度函數(shù)值，然后在移動(dòng)距離衰減因子中增加突變因子與突變概率模組，迫使其離開(kāi)當(dāng)前位置，降低該個(gè)體陷入局部最優(yōu)解的概率。重復(fù)上述步驟，使得整個(gè)天牛群的個(gè)體在相互的學(xué)習(xí)中趨于全局最優(yōu)解。最終，當(dāng)?shù)螖?shù)超過(guò)設(shè)定值或進(jìn)化過(guò)程中種群變化小于既定值時(shí)，結(jié)束搜索。

由于CoPSO-BAS算法相比經(jīng)典BAS算法復(fù)雜度上升了，為不影響調(diào)度工作的迅速進(jìn)行，將采用并行的計(jì)算環(huán)境，并設(shè)定適應(yīng)度函數(shù)觀察值，當(dāng)連續(xù)多次迭代的適應(yīng)度結(jié)果差異小于設(shè)定值時(shí)，中止迭代并輸出結(jié)果。

為使各約束條件始終成立，本文在適應(yīng)度的計(jì)算中引入罰函數(shù)機(jī)制，計(jì)算各單元最終出力偏移負(fù)荷要求的值，并將偏移值轉(zhuǎn)化成網(wǎng)損作為成本函數(shù)的一部分。

CoPSO-BAS算法流程如圖2所示。

圖2 CoPSO-BAS算法流程Fig.2 CoPSO-BAS algorithm flow chart

4 算例分析

4.1 算例描述

本文以西北某微網(wǎng)為例，該微網(wǎng)電源包含4個(gè)燃?xì)鈾C(jī)組、1個(gè)燃料電池機(jī)組、2個(gè)風(fēng)電機(jī)組、2個(gè)光伏陣列。

考慮到當(dāng)?shù)匚⒕W(wǎng)風(fēng)電與光電出力特性，調(diào)度時(shí)間選擇從當(dāng)日00：00至次日00：00，調(diào)度周期為24 h。算例中BAS算法與CoPSO-BAS算法進(jìn)化次數(shù)均為80次，CoPSO-BAS算法中天牛群個(gè)體數(shù)為20，與外界大電網(wǎng)相連的線路最大功率為30 kW，其中電負(fù)荷、熱負(fù)荷、冷負(fù)荷與可再生能源出力如圖3所示；各出力單元運(yùn)行參數(shù)見(jiàn)表1；本文采用2017中國(guó)某地區(qū)分時(shí)電價(jià)，如圖4所示；各類轉(zhuǎn)換單元的參數(shù)見(jiàn)表2[6]。

表1 供電機(jī)組參數(shù)Tab.1 Parameters of power supply units

圖3 典型日負(fù)荷曲線及風(fēng)電機(jī)組出力Fig.3 Typical daily load curves and wind turbine output

由于燃?xì)鈾C(jī)組響應(yīng)速率快，功率調(diào)節(jié)性能好[20]，故將其作為主要的調(diào)峰機(jī)組。在負(fù)荷低谷，燃?xì)鈾C(jī)組來(lái)不及反應(yīng)時(shí)，可通過(guò)向電網(wǎng)售電的形式消納多余的風(fēng)電與光電，而在負(fù)荷高峰則向電網(wǎng)購(gòu)電，這樣可有效適應(yīng)負(fù)荷峰谷差[21-22]。

圖4 電力交易價(jià)格Fig.4 Electricity transaction price

參數(shù)數(shù)值余熱鍋爐最大輸入功率300 kW余熱鍋爐額定效率0.8燃?xì)忮仩t最大輸入功率350 kW燃?xì)忮仩t額定效率0.9換熱裝置最大輸入功率300 kW換熱裝置額定效率0.9吸收式制冷機(jī)最大輸入功率250 kW吸收式制冷機(jī)額定效率1.2燃?xì)廨啓C(jī)使用維護(hù)成本0.03元/kWh余熱鍋爐使用維護(hù)成本0.02元/kWh燃?xì)忮仩t使用維護(hù)成本0.02元/kWh換熱裝置使用維護(hù)成本0.025元/kWh吸收式制冷機(jī)使用維護(hù)成本0.025元/kWh電制冷機(jī)使用維護(hù)成本0.01元/kWh蓄電池使用維護(hù)成本0.02元/kWh風(fēng)力機(jī)使用維護(hù)成本0.11元/kWh光伏使用維護(hù)成本0.08元/kWh

本文提出的調(diào)度策略涉及3類優(yōu)化變量：各燃?xì)鈾C(jī)組的輸出電功率PGT(t)、電網(wǎng)聯(lián)絡(luò)線功率Ptrans(t)、循環(huán)熱水熱量分配率w。

求解的軟件環(huán)境為Windows 10，硬件為4核2.6 GHz CPU、4G內(nèi)存的個(gè)人計(jì)算機(jī)。在MATLAB上建立微網(wǎng)經(jīng)濟(jì)調(diào)度模型。

4.2 經(jīng)濟(jì)調(diào)度算法對(duì)比

本文使用的CCHP微網(wǎng)優(yōu)化經(jīng)濟(jì)調(diào)度模型目標(biāo)為經(jīng)濟(jì)最優(yōu)化。首先使用經(jīng)典遺傳算法(genetic algorithm，GA)進(jìn)行計(jì)算，得到整個(gè)調(diào)度時(shí)間燃?xì)鈾C(jī)組的具體出力如圖5所示，其中GT1—GT4表示1—4號(hào)燃?xì)鈾C(jī)組功率，F(xiàn)C表示燃料電池功率。

圖5 GA提供的各機(jī)組出力Fig.5 Output of power unit provided by GA algorithm

由圖5可知，在00：00—07：00，由于微網(wǎng)處于負(fù)荷低谷，多發(fā)出來(lái)的風(fēng)電可銷售給電網(wǎng)換取收益。在07：00—13：00與17：00—21：00期間，各類負(fù)荷逐漸升高。在該時(shí)期，若已有機(jī)組無(wú)法滿足負(fù)荷要求，或者滿足要求的代價(jià)太高(燃?xì)鈾C(jī)組運(yùn)行成本隨出力提高而提高)，微網(wǎng)調(diào)度中心則會(huì)向電網(wǎng)購(gòu)買電量。值得注意的是，當(dāng)負(fù)荷突然大幅下降時(shí)或者可再生能源出力突然上升，如在13：00—16：00時(shí)段，這時(shí)的燃?xì)鈾C(jī)組由于向下爬坡約束，無(wú)法及時(shí)完成出力調(diào)整，這時(shí)將會(huì)轉(zhuǎn)為向外界電網(wǎng)售電。

經(jīng)計(jì)算，BAS算法與CoPSO-BAS算法提供的各機(jī)組出力如圖6與圖7所示。

圖6 BAS算法提供的各機(jī)組出力Fig.6 Output of power unit provided by BGA algorithm

對(duì)比圖5與圖6，通過(guò)經(jīng)典GA算法與BAS算法得到的運(yùn)行成本分別為3 545.6元和3 015.9元，后者較前者節(jié)約成本14.94%，優(yōu)化效果較為明顯，并且由BAS算法得出的結(jié)果減少了機(jī)組總體啟停次數(shù)，在降低運(yùn)行成本的同時(shí)提高了微網(wǎng)的響應(yīng)速度。

圖7 CoPSO-BAS算法提供的各機(jī)組出力Fig.7 Output of power unit provided by CoPSO-BAS algorithm

對(duì)比圖6與圖7，通過(guò)BAS算法與CoPSO-BAS算法得到的運(yùn)行成本分別為3 015.9元和2 819.1元，后者較前者節(jié)約成本6.53%，優(yōu)化效果較為明顯，并且由CoPSO-BAS算法所得的機(jī)組出力波動(dòng)范圍更小，各機(jī)組間的出力同步度更高，從長(zhǎng)遠(yuǎn)來(lái)看更加有利于發(fā)電機(jī)組的維護(hù)與運(yùn)行。

由3種算法得到的傳輸線功率如圖8所示。

圖8 傳輸線有功功率Fig.8 Active power of transmission line

通過(guò)CoPSO-BAS算法得到的傳輸線功率傳輸更為平穩(wěn)，峰谷差由50.19 kW降為44.66 kW，功率變化幅度降低11.02%，峰谷差減小效果明顯，提高了運(yùn)行安全性能。

4.3 CoPSO-BAS算法與BAS算法的收斂性能對(duì)比

在某一時(shí)刻(如t=5)的迭代過(guò)程中分別對(duì)CoPSO-BAS算法與BAS算法進(jìn)行收斂性考察，得到圖9。

由圖9可知，2種算法都能在設(shè)定好的50次迭代后進(jìn)入穩(wěn)定解，相較于BAS算法在30次迭代后才進(jìn)入穩(wěn)定的收斂解，CoPSO-BAS算法在第7次迭代后就可以進(jìn)入穩(wěn)定的收斂解。3種算法收斂時(shí)間對(duì)比見(jiàn)表3，BAS算法進(jìn)行50次迭代所需時(shí)間為0.131 6 s，CoPSO-BAS算法所需時(shí)間為0.372 1 s，這是由于相互學(xué)習(xí)以及步長(zhǎng)突變因子的加入使得CoPSO-BAS算法進(jìn)入穩(wěn)定解所需時(shí)間增長(zhǎng)。

圖9 CoPSO-BAS算法與BAS算法的收斂性能對(duì)比Fig.9 Comparison of convergence property betweenCoPSO-BAS and BAS

CoPSO-BAS算法進(jìn)入穩(wěn)定解所需迭代次數(shù)更少。經(jīng)多次檢驗(yàn)計(jì)算，BAS算法與CoPSO-BAS算法進(jìn)入穩(wěn)定解平均所需時(shí)間分別為0.078 9 s與0.052 1 s，CoPSO-BAS算法進(jìn)入穩(wěn)定解的計(jì)算速度提高了33.96%，同時(shí)得益于相互學(xué)習(xí)以及步長(zhǎng)突變因子功能組的引入，CoPSO-BAS算法得到的解相較BAS算法的解更加優(yōu)良。綜上，CoPSO-BAS算法對(duì)比BAS算法無(wú)論是可收斂性或者收斂速度都更加優(yōu)越，主要表現(xiàn)在收斂速度更快，收斂更加穩(wěn)定。

表3 3種算法收斂時(shí)間對(duì)比Tab.3 Comparison of convergence time of 3 Algorithms

5 結(jié)束語(yǔ)

本文基于分時(shí)電價(jià)機(jī)制，建立了CCHP型微網(wǎng)模型，并且針對(duì)BAS算法收斂過(guò)早及收斂速度慢的缺點(diǎn)，提出了結(jié)合粒子群思想與協(xié)同進(jìn)化理論的CoPSO-BAS算法。最后以某CCHP型微網(wǎng)系統(tǒng)為算例進(jìn)行仿真，通過(guò)對(duì)比各算法的仿真結(jié)果，證明了CoPSO-BAS算法的全局最優(yōu)解搜索能力以及收斂性能的優(yōu)越性。