朱輝，呂紅芳，陽曉明

基于多代理系統(tǒng)的微電網(wǎng)多目標(biāo)優(yōu)化調(diào)度

朱輝，呂紅芳，陽曉明

（上海電機(jī)學(xué)院電氣學(xué)院，上海市 浦東新區(qū) 201306）

微電網(wǎng)在并網(wǎng)情況下的多目標(biāo)穩(wěn)定運(yùn)行是微電網(wǎng)運(yùn)營和建設(shè)的基本要求。從并網(wǎng)型微電網(wǎng)的經(jīng)濟(jì)目標(biāo)和環(huán)保目標(biāo)出發(fā)，建立微電網(wǎng)多目標(biāo)優(yōu)化模型，其中經(jīng)濟(jì)目標(biāo)考慮分布式電源的燃料費(fèi)用、運(yùn)行維護(hù)費(fèi)用、啟停費(fèi)用和與大電網(wǎng)的能量交互費(fèi)用，環(huán)保目標(biāo)考慮污染氣體的排放量。提出一種基于多代理系統(tǒng)(multi-agent system，MAS)的分時電價機(jī)制下儲能裝置的調(diào)度策略，并且采用改進(jìn)的NSGA-II算法優(yōu)化可控微源和儲能裝置的出力。以某地區(qū)微電網(wǎng)單元為例進(jìn)行仿真，驗(yàn)證了所建模型和改進(jìn)算法的有效性。試驗(yàn)結(jié)果表明，改進(jìn)的NSGA-II算法性能更優(yōu)，所提出的策略可以控制儲能裝置一個周期內(nèi)的充放電次數(shù)，延長使用壽命。

微電網(wǎng)；多代理系統(tǒng)(MAS)；優(yōu)化調(diào)度；分時電價；改進(jìn)NSGA-II算法

0 引言

微電網(wǎng)作為分布式電源接入電網(wǎng)的一種有效手段，受到國內(nèi)外專家學(xué)者的廣泛關(guān)注。與傳統(tǒng)的集中式發(fā)電相比，將分布式電源組成微電網(wǎng)的形式運(yùn)行，具有多方面的優(yōu)點(diǎn)[1]，對微電網(wǎng)系統(tǒng)的經(jīng)濟(jì)、環(huán)保運(yùn)行有重要意義。

微電網(wǎng)能量調(diào)度含有大量非確定、非線性、有約束的控制變量，本質(zhì)上是一個復(fù)雜的多目標(biāo)優(yōu)化問題[2-8]。多代理系統(tǒng)(multi-agent system，MAS)是由多個代理(即Agent)組成的系統(tǒng)，各個Agent通過交互與協(xié)作可高效地解決復(fù)雜系統(tǒng)的控制和管理問題[9]。因此，MAS被推廣并運(yùn)用到微電網(wǎng)能量優(yōu)化調(diào)度中[10-16]?；诙啻砑夹g(shù)的微電網(wǎng)分布式電源調(diào)度優(yōu)化是實(shí)現(xiàn)微電網(wǎng)經(jīng)濟(jì)效益和環(huán)境效益最大化的重要研究方向。

目前，已有學(xué)者對基于多代理技術(shù)的微電網(wǎng)優(yōu)化調(diào)度問題展開了研究。張鵬等[17]考慮負(fù)荷違約情況對調(diào)度容量分配的影響，構(gòu)建了基于MAS的調(diào)度容量上報策略博弈的電網(wǎng)調(diào)度模型，但并沒有考慮微電網(wǎng)整體經(jīng)濟(jì)效益和環(huán)保效益；蔡高原等[18]利用改進(jìn)的次梯度算法求解模型中的凸優(yōu)化問題，提出了基于MAS的微電網(wǎng)有功協(xié)調(diào)控制方法，但沒有考慮微電網(wǎng)與大電網(wǎng)的能量交換問題；曹洪剛等[19]在調(diào)度周期內(nèi)利用拍賣算法，綜合微電網(wǎng)內(nèi)分布式電源、儲能設(shè)備及可控負(fù)荷等可控單元參與調(diào)度任務(wù)的代價與收益，得到最優(yōu)或接近最優(yōu)的微電網(wǎng)內(nèi)調(diào)度方案，但其只考慮成本問題，未考慮微電網(wǎng)運(yùn)行對環(huán)境的影響。

在此研究基礎(chǔ)上，本文以包含風(fēng)機(jī)、光伏、柴油發(fā)電機(jī)和儲能裝置的單個并網(wǎng)型微電網(wǎng)為研究對象,構(gòu)建單個微電網(wǎng)運(yùn)行的分層MAS，建立考慮經(jīng)濟(jì)性、環(huán)保性目標(biāo)的微電網(wǎng)多目標(biāo)優(yōu)化模型，并給出基于MAS的微電網(wǎng)分時段調(diào)度策略。利用基于正態(tài)分布交叉(normal distribution crossover，NDX)算子和自適應(yīng)變異算子的非支配排序遺傳算法(non-dominated sorting in genetic algorithms-II，NSGA-II)求解該模型。最后以某地區(qū)微電網(wǎng)單元為例進(jìn)行仿真，驗(yàn)證了所建模型的合理性和改進(jìn)算法的有效性。

1 微電網(wǎng)多目標(biāo)優(yōu)化模型

1.1 基于MAS的微電網(wǎng)單元發(fā)電模型

MAS采用多個Agent進(jìn)行相互協(xié)作，通過目標(biāo)任務(wù)的分解和協(xié)調(diào)來提高整個系統(tǒng)完成任務(wù)的能力。由于微電網(wǎng)內(nèi)部能量管理中數(shù)據(jù)冗余，導(dǎo)致效率較低、不夠靈活，因此本文將利用分層MAS解決微電網(wǎng)能量優(yōu)化調(diào)度問題。所構(gòu)建的微電網(wǎng)分層MAS結(jié)構(gòu)如圖1所示。

圖1 基于分層MAS的微電網(wǎng)結(jié)構(gòu)圖

基于分層MAS的典型微電網(wǎng)包括微電網(wǎng)控制中心(microgrid control center，MGCC)Agent、大電網(wǎng)(Grid)Agent、負(fù)載(load，LD)Agent、光伏(photovoltaic，PV)Agent、風(fēng)機(jī)(wind turbine，WT)Agent、柴油發(fā)電機(jī)(diesel engine，DE)Agent和儲能裝置(energy storage，ES)Agent。

1）PV Agent。

光伏發(fā)電系統(tǒng)的輸出功率由環(huán)境溫度、實(shí)際光照強(qiáng)度和標(biāo)準(zhǔn)測試條件下的輸出功率決定[20]：

2）WT Agent。

風(fēng)速是決定風(fēng)力發(fā)電系統(tǒng)輸出功率的主要因素，其與輸出功率的關(guān)系可近似為分段函數(shù)[21]：

3）DE Agent。

柴油發(fā)電機(jī)的出力特性與傳統(tǒng)發(fā)電機(jī)的出力特性相似，其發(fā)電成本為

4）ES Agent。

本文采用蓄電池作為儲能裝置，儲能裝置既能抑制負(fù)荷的波動，又能提高微電網(wǎng)的供電可靠性。儲能裝置充放電過程中的剩余容量描述如下。

儲能裝置充電：

儲能裝置放電：

1.2 目標(biāo)函數(shù)

1）經(jīng)濟(jì)性。

微電網(wǎng)經(jīng)濟(jì)性包含各個微源的發(fā)電成本、運(yùn)行維護(hù)成本和可控微源的啟停成本，以及微電網(wǎng)與大電網(wǎng)能量交互成本等費(fèi)用的總和，其表達(dá)式如下：

2）環(huán)保性。

微電網(wǎng)的環(huán)保性包含微電網(wǎng)發(fā)電和購電所產(chǎn)生的污染氣體(包括二氧化碳、二氧化硫和氮氧化物)總量，即

綜上所述，微電網(wǎng)整體運(yùn)行優(yōu)化模型為

1.3 約束條件

1）有功功率平衡約束。

2）微源出力上下限約束。

3）聯(lián)絡(luò)線傳輸容量約束。

4）發(fā)電機(jī)爬坡約束。

5）儲能裝置能量約束。

6）儲能裝置充放電約束。

2 基于MAS的分時電價調(diào)度策略

對并網(wǎng)型微電網(wǎng)進(jìn)行調(diào)度，將一天的調(diào)度周期分為24個時段，每一個優(yōu)化調(diào)度時段間隔為1h。

根據(jù)日常用電規(guī)律，將全天分為用電低谷階段、用電平峰階段和用電高峰階段，其中：用電高峰階段為11:00—15:00，18:00—21:00；用電平峰階段為7:00—11:00，15:00—18:00，21:00—23:00；用電低谷階段為23:00—次日7:00。

基于MAS的分時電價調(diào)度策略如圖2所示，其中A—U為調(diào)度指令，其內(nèi)容見表1。

圖2 基于MAS的分時電價調(diào)度策略

表1 調(diào)度指令

3 改進(jìn)的NSGA-Ⅱ算法及實(shí)現(xiàn)

3.1 改進(jìn)的NSGA-Ⅱ求解算法

NSGA-II算法是Srinivas和Deb在NSGA算法的基礎(chǔ)上提出的。其遺傳操作采用模擬二進(jìn)制交叉(simulated binary crossover，SBX)和多項(xiàng)式變異，而且交叉概率和變異概率都是固定的，這導(dǎo)致算法可能會陷入局部最優(yōu)。為了適應(yīng)本文的調(diào)度模型，求解得到Pareto最優(yōu)調(diào)度方案解集，對傳統(tǒng)NSGA-II算法作如下改進(jìn)：

1）采用NDX算子提高算法局部搜索能力，保證種群的多樣性；

2）引入自適應(yīng)變異算子，自動調(diào)整變異概率，提高種群的穩(wěn)定性。

3.1.1 NDX算子

與NSGA-II算法的SBX算子相比，NDX算子搜索范圍更廣，且更容易獲得質(zhì)量更優(yōu)的Pareto解集。

3.1.2 自適應(yīng)變異算子

NSGA-II算法的變異過程采用多項(xiàng)式變異方式，若變異概率較大，則接近于隨機(jī)搜索算法；若變異概率較小，則不能維持種群多樣性。自適應(yīng)變異算子的變異概率隨適應(yīng)度大小而改變，具有更好的尋優(yōu)能力，而且提高了種群的穩(wěn)定性，使得Pareto前沿分布更優(yōu)。

自適應(yīng)變異算子定義的變異概率[23]為：

3.2 改進(jìn)的NSGA-II算法實(shí)現(xiàn)

改進(jìn)后的算法實(shí)現(xiàn)步驟如下：

1）算法參數(shù)初始化，設(shè)置初始種群數(shù)目為，=0；

2）輸入預(yù)測的微電網(wǎng)24h負(fù)荷需求以及風(fēng)機(jī)和光伏的出力數(shù)據(jù)；

3）對種群進(jìn)行初始化，隨機(jī)生成個調(diào)度方案組成的初始種群0；

5）評價種群P中Pareto解集中各個調(diào)度方案的適應(yīng)值；

6）對種群P中的各個調(diào)度方案進(jìn)行二元錦標(biāo)賽選擇、NDX交叉及自適應(yīng)變異，產(chǎn)生子代調(diào)度方案組成的種群Q；

7）融合種群P和Q，并進(jìn)行非支配排序；

8）使用精英策略保留個優(yōu)秀的調(diào)度方案，得到新的父代種群P+1；

9）若達(dá)到迭代次數(shù)，輸出單微電網(wǎng)調(diào)度的Pareto最優(yōu)調(diào)度方案解集，若未達(dá)到迭代次數(shù)，則=+1，轉(zhuǎn)到步驟4）。

4 算例分析

4.1 微電網(wǎng)結(jié)構(gòu)

微電網(wǎng)的分布式電源包括風(fēng)機(jī)、光伏和柴油發(fā)電機(jī)，采用蓄電池作為儲能裝置，如圖3所示。該微電網(wǎng)以并網(wǎng)的形式運(yùn)行，且與大電網(wǎng)的交換功率上限為30kW。

4.2 基礎(chǔ)數(shù)據(jù)

由于風(fēng)機(jī)和光伏無燃料成本且無污染，因此只考慮運(yùn)行維護(hù)成本，而柴油發(fā)電機(jī)要考慮啟停成本和運(yùn)行維護(hù)成本。各微源參數(shù)見表2，污染氣體排放因子見表3，大電網(wǎng)分時電價見表4。

圖3 微電網(wǎng)結(jié)構(gòu)圖

表2 各微源參數(shù)

表3 污染氣體排放因子

表4 大電網(wǎng)分時電價

4.3 優(yōu)化結(jié)果

該微電網(wǎng)用電負(fù)荷和不可控微源預(yù)測出力情況如圖4所示。在求解過程中，利用改進(jìn)的NSGA-II算法獲得Pareto最優(yōu)解集。圖5為算法改進(jìn)前后Pareto解集對比，可以看出，與傳統(tǒng)NSGA-II算法相比，基于NDX交叉算子和自適應(yīng)變異算子改進(jìn)的NSGA-II算法Pareto解集的分布更加均勻，并且解的質(zhì)量更高，更加趨近于真實(shí)的Pareto前沿。

從圖5還可以看出，微電網(wǎng)的發(fā)電成本和污染氣體的排放量之間存在矛盾，較低的發(fā)電成本

圖4 微電網(wǎng)負(fù)荷和不可控微源出力

圖5 改進(jìn)前后Pareto解集對比

對應(yīng)較高的污染氣體排放量，較高的發(fā)電成本對應(yīng)較低的污染物氣體放量。工作人員可根據(jù)發(fā)電

商利益、國家政策和用戶需求或者其他客觀條件，在所得的Pareto前沿中選擇合適的設(shè)計方案，合理分配微電網(wǎng)系統(tǒng)的經(jīng)濟(jì)目標(biāo)和環(huán)保目標(biāo)，具有很大的靈活性，能夠有效避免因盲目選擇而導(dǎo)致的效率低下問題。

圖6—8分別給出了3種目標(biāo)的調(diào)度方案。 圖6為經(jīng)濟(jì)性最優(yōu)的調(diào)度方案，此時，運(yùn)行成本為154.60元，污染氣體排放量為463.66kg，大電網(wǎng)是主要的發(fā)電單元。在谷時段，向大電網(wǎng)購電以滿足負(fù)荷需求并向儲能裝置充電；在峰時段，向大電網(wǎng)盡可能出售電量以提高經(jīng)濟(jì)效益。圖7為環(huán)保性最優(yōu)的調(diào)度方案，此時，運(yùn)行成本為261.27元，污染氣體排放量為355.92kg，由于大電網(wǎng)發(fā)電時污染較大，因此需要盡可能減少大電網(wǎng)出力，柴油發(fā)電機(jī)是主要發(fā)電單元。圖8為兼顧經(jīng)濟(jì)效益和環(huán)保效益的一個折中方案，此時，運(yùn)行成本為189.21元，污染氣體排放量為397.52kg。

從圖8可以看出，為了兼顧經(jīng)濟(jì)目標(biāo)和環(huán)保目標(biāo)，在用電低谷時間段(23:00—次日7:00)，主要由售電價格較低的大電網(wǎng)和污染物排放系數(shù)較低的柴油發(fā)電機(jī)進(jìn)行發(fā)電，且儲能裝置盡可能充電；在第1個用電高峰時間段(11:00—15:00)，凈負(fù)荷小于0，儲能裝置放電，向大電網(wǎng)售電；在第2個用電高峰時間段(18:00—21:00)，由于此時向大電網(wǎng)購電價格較高且污染物排放量較大，主要由柴油發(fā)電機(jī)和無污染物排放的儲能裝置發(fā)電，多余電量向大電網(wǎng)出售；在21:00—次日3:00，儲能裝置保持充電并達(dá)到上限，在11:00—14:00放電，15:00—17:00充電，18:00—20:00放電，在整個調(diào)度周期內(nèi)保證經(jīng)濟(jì)環(huán)保運(yùn)行的情況下，儲能裝置充放電次數(shù)有限，達(dá)到了延長儲能裝置壽命的效果。

圖6 經(jīng)濟(jì)最優(yōu)解

圖7 環(huán)保最優(yōu)解

圖8 折中解

5 結(jié)論

構(gòu)建了以光伏、風(fēng)機(jī)、柴油發(fā)電機(jī)和儲能裝置為主要供能單位的微電網(wǎng)分層MAS結(jié)構(gòu)，以運(yùn)行成本最低和污染氣體排放量最少為雙重優(yōu)化目標(biāo)，建立了多目標(biāo)優(yōu)化模型，提出了基于MAS的分時電價調(diào)度策略。在求解方法上，運(yùn)用基于正態(tài)分布的交叉算子和自適應(yīng)變異算子對NSGA-II算法進(jìn)行改進(jìn)，提升了種群的多樣性和穩(wěn)定性，并且能夠更好地向真實(shí)Pareto前沿收斂。算例分析結(jié)果表明，使用基于多代理技術(shù)的分時電價調(diào)度策略可以控制一個周期內(nèi)儲能裝置的充放電次數(shù)，達(dá)到延長使用壽命的效果。

[1] 王成山，武震，李鵬．微電網(wǎng)關(guān)鍵技術(shù)研究[J]．電工技術(shù)學(xué)報，2014，29(2)：1-9．

[2] 孟杰，丁泉，黃超．基于孤島模式下V/f控制的微電網(wǎng)系統(tǒng)研究[J]．華電技術(shù)，2017，39(8)：1-5，77．

[3] 吳成明，尚錦萍，吳婷婷，等．基于TVAC-PSO算法的可重構(gòu)微電網(wǎng)優(yōu)化調(diào)度方案[J]．電力科學(xué)與工程，2018，34(10)：15-23．

[4] 楊毅，雷霞，徐貴陽，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)：12-20．

[5] 任德江，吳杰康．“源-網(wǎng)-荷-儲”協(xié)同的園區(qū)微電網(wǎng)優(yōu)化調(diào)度[J]．廣東電力，2018，31(7)：16-23．

[6] 靳現(xiàn)林，蔡曉宇．考慮低碳效益的混合能源微電網(wǎng)優(yōu)化調(diào)度[J]．分布式能源，2017，2(3)：26-32．

[7] 王向紅，錢文姝．基于改進(jìn)PSO算法的微電網(wǎng)調(diào)度方法[J]．電網(wǎng)與清潔能源，2017，33(7)：53-57，72．

[8] 趙賀，李子矝，閆浩然，等．基于模型預(yù)測控制的微電網(wǎng)經(jīng)濟(jì)調(diào)度[J]．電網(wǎng)與清潔能源，2017，33(9)：119-123．

[9] 劉文，楊慧霞，祝斌．微電網(wǎng)關(guān)鍵技術(shù)研究綜述[J]．電力系統(tǒng)保護(hù)與控制，2012，40(14)：152-155．

[10] 吳文仙，韓冬，孫偉卿，等．考慮韌性增強(qiáng)策略的配電網(wǎng)負(fù)荷恢復(fù)優(yōu)化[J]．電力科學(xué)與工程，2019，35(4)：17-24．

[11] 王思明，牛玉剛，祖其武．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[J]．華東理工大學(xué)學(xué)報(自然科學(xué)版)，2017，43(6)：829-836．

[12] 王凌云，徐嘉陽，丁夢．基于混沌的多Agent粒子群算法在微電網(wǎng)并網(wǎng)調(diào)度中的優(yōu)化研究[J]．電網(wǎng)與清潔能源，2017，33(8)：1-7．

[13] 章健，艾芊，王新剛．多代理系統(tǒng)在微電網(wǎng)中的應(yīng)用[J]．電力系統(tǒng)自動化，2008，32(24)：80-83．

[14] 陳淼，邰能靈．基于NSGA-II的社區(qū)微型電網(wǎng)多目標(biāo)分層優(yōu)化算法[J]．水電能源科學(xué)，2017，35(9)：196-200．

[15] Wu Y，Chen M，Lin J，et al．Corrective economic dispatch in a micro-grid[J]．International Journal of Numerical Modelling：Electronic Networks，Devices and Fields，2013，26(2)：140-150．

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

[17] 張鵬，李春燕，張謙．基于需求響應(yīng)調(diào)度容量上報策略博弈的電網(wǎng)多代理系統(tǒng)調(diào)度模式[J]．電工技術(shù)學(xué)報，2017，32(19)：170-179．

[18] 蔡高原，吳紅斌，季宇，等．基于多代理系統(tǒng)的自治微電網(wǎng)有功協(xié)調(diào)控制[J]．太陽能學(xué)報，2017，38(3)：781-788．

[19] 曹洪剛，曹培．用于微電網(wǎng)MAS調(diào)度的拍賣算法[J]．智能電網(wǎng)，2014，2(1)：73-78．

[20] 牛銘，黃偉，郭佳歡，等．微網(wǎng)并網(wǎng)時的經(jīng)濟(jì)運(yùn)行研究[J]．電網(wǎng)技術(shù)，2010，34(11)：38-42．

[21] Deng Q J，Gao X，Zhou H．System modeling and optimization of microgrid using genetic algorithm

[C]//The 2nd International Conference on Intelligent Control and Information Processing．Harbin：IEEE，2011：540-544．

[22] 楊荔．基于NSGA2算法的復(fù)合式能源系統(tǒng)的優(yōu)化與控制[D]．天津：天津理工大學(xué)，2017．

[23] 鄧富民，梁學(xué)棟，劉愛軍，等．多資源約束下改進(jìn)NSGA-II算法的手術(shù)調(diào)度[J]．系統(tǒng)工程理論與實(shí)踐，2012，23(6)：1338-1345．

Multi-objective Optimization Scheduling of Microgrid Based on Multi-agent System

ZHU Hui, Lü Hongfang, YANG Xiaoming

(College of Electrical Engineering, Shanghai Dianji University, Pudong New Area, Shanghai 201306, China)

Multi-objective stable operation of microgrid under grid-connected condition is the basic requirement of microgrid operation and construction. Starting from the economic and environmental goals of grid-connected microgrid, a multi-objective optimization model of microgrid was established. The economic objectives considered the fuel cost, operating and maintenance cost, start-stop cost of distributed generation and energy interaction cost between microgrid and large grid. The environmental target considered emissions of polluted gases. A scheduling strategy of energy storage device based on multi-agent system (MAS) under time-of-use price mechanism was proposed, and an improved NSGA-II algorithm was used to optimize the output of the controllable micropower supply and energy storage device. Taking the microgrid unit in a certain area as an example, the effectiveness of the proposed model and the solution method were verified. The experimental results show that the improved NSGA-II algorithm has better performance, and the proposed strategy can control the number of charges and discharges in a cycle of energy storage device and prolong its service life.

microgrid; multi-agent system (MAS); optimized scheduling; time-of-use price; improved NSGA-II algorithm

10.12096/j.2096-4528.pgt.19056

2019-04-19。

(責(zé)任編輯 尚彩娟)