馬磊，張超，鐘鳴，李劍，劉曉華，袁博

（1.國網(wǎng)新疆電力有限公司，新疆 烏魯木齊 830063；2.中國電力科學(xué)院有限公司，北京 100192）

隨著化石能源的枯竭及環(huán)境問題日益凸顯，可再生能源與清潔能源的發(fā)展受到了廣泛關(guān)注，其在能源結(jié)構(gòu)中的占比逐年增加。由于光伏發(fā)電和風(fēng)力發(fā)電具有不確定性及間歇性的特點(diǎn)，目前還存在著較大的棄風(fēng)棄光量。此外，我國天然氣資源較為豐富，天然氣發(fā)電仍是拉動天然氣消費(fèi)的重要推手[1]。我國天然氣發(fā)電行業(yè)處于剛起步階段，具有較為廣闊的發(fā)展前景。如何提高可再生能源的利用率、減小可再生能源發(fā)電并網(wǎng)對電力系統(tǒng)產(chǎn)生的影響以及對天然氣發(fā)電參與電網(wǎng)調(diào)峰的研究是現(xiàn)如今的熱點(diǎn)問題。

在我國推動能源互聯(lián)網(wǎng)建設(shè)下，天然氣以其清潔、高效和可儲存性，在與可再生能源融合發(fā)展中具有明顯優(yōu)勢。目前國內(nèi)外學(xué)者對于互補(bǔ)發(fā)電系統(tǒng)的研究有如下幾個(gè)方面：文獻(xiàn)[2-4]對于含電轉(zhuǎn)氣（P2G）設(shè)備的電-氣互聯(lián)系統(tǒng)的控制策略、容量規(guī)劃進(jìn)行研究，建立了多目標(biāo)優(yōu)化運(yùn)行模型，但是多目標(biāo)優(yōu)化問題由于各目標(biāo)權(quán)重的確定未能有統(tǒng)一標(biāo)準(zhǔn)，因此最優(yōu)解并不唯一；文獻(xiàn)[5-7]以系統(tǒng)運(yùn)行成本最小為目標(biāo)，開展了基于風(fēng)光氣儲多能互補(bǔ)的聯(lián)供系統(tǒng)優(yōu)化經(jīng)濟(jì)調(diào)度及容量配置的研究，發(fā)揮能源各自的優(yōu)勢，提高了能源利用效率的目的，但系統(tǒng)所體現(xiàn)的效益評價(jià)指標(biāo)也較為單一，未考慮到碳排放成本對效益的影響；文獻(xiàn)[8]考慮可靠供能率，提出長期優(yōu)化電-氣互聯(lián)能源系統(tǒng)規(guī)劃模型；文獻(xiàn)[9]建立水火電力系統(tǒng)發(fā)電模型，充分利用了水資源的存儲特性，起到了較好的調(diào)峰效果，但容量較小，在負(fù)荷波動的工況下，承擔(dān)基荷的火電機(jī)組出力曲線變化較大，并且在火力發(fā)電的約束中未設(shè)置火電機(jī)組的備用容量，存在一定的運(yùn)行風(fēng)險(xiǎn)；文獻(xiàn)[10-11]構(gòu)建了風(fēng)電與火電機(jī)組協(xié)同調(diào)度模型，協(xié)調(diào)效果好，但是受火電機(jī)組的調(diào)峰能力制約，風(fēng)電機(jī)組容量在模型中所占的比例不高；文獻(xiàn)[12]分析了多能源系統(tǒng)運(yùn)行對電網(wǎng)運(yùn)行可靠性的影響，建立了包含多個(gè)能量載體的能量系統(tǒng)通用建模和優(yōu)化框架；文獻(xiàn)[13]建立了風(fēng)水氣互補(bǔ)發(fā)電模型，克服了水能容量小，風(fēng)電出力波動的缺陷，但部分氣電機(jī)組在負(fù)荷低谷時(shí)運(yùn)行效率較低，在一定程度上增加了一次能源的消耗。

在研究中將燃?xì)獍l(fā)電機(jī)組碳排放稅納入微網(wǎng)運(yùn)行優(yōu)化中，依據(jù)微網(wǎng)系統(tǒng)實(shí)際運(yùn)行條件和運(yùn)行方式，以此為基礎(chǔ)建立一種以經(jīng)濟(jì)運(yùn)行為目標(biāo)，包含光伏發(fā)電、儲能系統(tǒng)及天然氣發(fā)電系統(tǒng)的協(xié)同優(yōu)化運(yùn)行模型。之后，針對粒子群算法存在的早熟缺陷，提出一種狼群與粒子群混合算法，將狼群算法中的搜索策略應(yīng)用在前期對約束條件及最優(yōu)結(jié)果的求解過程中。所提出的混合算法能夠彌補(bǔ)傳統(tǒng)粒子群算法的缺陷，解決其早熟及易陷入局部最優(yōu)的問題。通過算例驗(yàn)證，混合算法的求解結(jié)果降低了光儲氣微網(wǎng)運(yùn)行的經(jīng)濟(jì)成本，減小了微網(wǎng)系統(tǒng)在高峰時(shí)段對電網(wǎng)的負(fù)擔(dān)。

1 光儲氣互補(bǔ)微網(wǎng)結(jié)構(gòu)及模型

1.1 光儲氣微網(wǎng)系統(tǒng)結(jié)構(gòu)

光儲氣互補(bǔ)發(fā)電系統(tǒng)結(jié)構(gòu)如圖1所示，微網(wǎng)由光伏發(fā)電系統(tǒng)、天然氣發(fā)電機(jī)組、儲能系統(tǒng)及負(fù)荷所構(gòu)成。其中，光伏發(fā)電系統(tǒng)在白天8：00—18：00時(shí)刻出力，并且光伏發(fā)電系統(tǒng)存在著間歇性與波動性，因此需要天然氣發(fā)電機(jī)組及儲能裝置對其輸出的功率進(jìn)行平抑，減小出力波動對配電網(wǎng)的影響。天然氣機(jī)組提供大部分的電能。同時(shí)，儲能裝置根據(jù)當(dāng)前微網(wǎng)的運(yùn)行狀態(tài)及時(shí)充放電，對微網(wǎng)內(nèi)功率波動起到緩沖作用。

圖1 微網(wǎng)系統(tǒng)結(jié)構(gòu)圖Fig.1 Structure of the micro-grid

當(dāng)微網(wǎng)系統(tǒng)內(nèi)負(fù)荷處于低谷時(shí)，若光伏發(fā)電量較為充足，則調(diào)整部分天然氣機(jī)組減小或停止出力，同時(shí)對荷電量較低的蓄電池組進(jìn)行充電；當(dāng)負(fù)荷處于較高時(shí)段，且光伏出力較低時(shí)，調(diào)整燃?xì)鈾C(jī)組增加出力，同時(shí)利用蓄電池的富余電量，微網(wǎng)系統(tǒng)中多余的電能根據(jù)實(shí)時(shí)電價(jià)并入電網(wǎng)。

1.2 光伏發(fā)電系統(tǒng)模型

光伏發(fā)電系統(tǒng)的輸出功率[14]如下：

式中：PSTC為光伏發(fā)電系統(tǒng)在標(biāo)準(zhǔn)測試條件下的最大功率值；GAC，GSTC分別為當(dāng)前日照輻射強(qiáng)度與測試條件下的日照輻射強(qiáng)度；TC，TSTC分別為工作點(diǎn)光伏電池板溫度與測試條件下的參考溫度。

光伏發(fā)電系統(tǒng)的日常運(yùn)行無須考慮燃料成本及碳排放。

1.3 微燃機(jī)組

天然氣發(fā)電所用燃?xì)廨啓C(jī)作為動力裝置，其優(yōu)點(diǎn)有燃料選擇范圍廣、燃料利用率高、啟動快、廢氣幾乎無污染且余熱可回收等。在發(fā)電過程中，壓縮的空氣進(jìn)入燃料室與天然氣混合燃燒，通過渦輪透平裝置，產(chǎn)生機(jī)械能，進(jìn)而帶動發(fā)電機(jī)完成發(fā)電過程。

燃?xì)廨啓C(jī)工作耗氣量[15]公式如下：

式中：PGT，i（t）為第i臺燃?xì)獍l(fā)電機(jī)在第t時(shí)刻的發(fā)電功率；ηGT，i（t）為第i臺燃?xì)獍l(fā)電機(jī)在第t時(shí)刻的發(fā)電效率；LNG為天然氣低熱值，取9.7（kW·h）/m3。

燃?xì)廨啓C(jī)的發(fā)電效率公式用三階多項(xiàng)式來描述：

式中：ai，bi，ci，di為效率系數(shù)，通過曲線擬合得出；P*i，t為燃?xì)獍l(fā)電機(jī)在t時(shí)段內(nèi)電功率的標(biāo)幺值。

1.4 儲能裝置

儲能裝置是光儲氣微網(wǎng)中關(guān)鍵部分，能夠平抑光伏發(fā)電波動，緩解微網(wǎng)中供需不平衡的矛盾。同時(shí)，儲能裝置在電價(jià)低谷時(shí)大量充入，在用電高峰期電價(jià)較高的時(shí)段，將存儲的電能供給負(fù)荷或電網(wǎng)中，減小了微網(wǎng)的運(yùn)行成本，起到削峰填谷的作用。t時(shí)刻儲能裝置充放電公式[16]如下：

式中：E（t）為儲能電池在t時(shí)刻的剩余容量；δdis為儲能電池的自放電系數(shù)；ηch，ηdis分別為儲能裝置的充、放電效率。

2 光儲氣微網(wǎng)運(yùn)行模型及求解

微網(wǎng)中的儲能裝置、光伏發(fā)電系統(tǒng)、天然氣發(fā)電機(jī)組的協(xié)同配合是保證微網(wǎng)穩(wěn)定運(yùn)行的前提。以微網(wǎng)的經(jīng)濟(jì)運(yùn)行成本及碳排放稅成本之和最小為目標(biāo)，綜合考慮各項(xiàng)約束條件、分時(shí)電價(jià)等因素，建立微網(wǎng)調(diào)度運(yùn)行模型。調(diào)度模型的決策變量為各天然氣發(fā)電機(jī)組的出力、光伏發(fā)電系統(tǒng)出力和儲能系統(tǒng)的充放電功率及荷電量狀態(tài)。綜合上述條件，并依據(jù)前述光儲氣微網(wǎng)結(jié)構(gòu)及實(shí)際運(yùn)行狀態(tài)搭建優(yōu)化運(yùn)行模型。

2.1 目標(biāo)函數(shù)

微網(wǎng)優(yōu)化運(yùn)行的目標(biāo)函數(shù)以日運(yùn)行成本最小和碳排放量最少為目標(biāo)。若以多目標(biāo)問題考慮，對最優(yōu)調(diào)度進(jìn)行求解時(shí)，各目標(biāo)權(quán)重系數(shù)的確定具有較強(qiáng)的主觀性，不能客觀衡量其求解結(jié)果。為此，碳排放最小化目標(biāo)轉(zhuǎn)換為碳排放稅成本最小，具體為日運(yùn)行下的碳排放量與稅率的乘積。由此，最小日運(yùn)行成本及最少碳排放量兩個(gè)目標(biāo)則可以轉(zhuǎn)變?yōu)槿者\(yùn)行成本與碳排放稅成本之和最小，上述問題變?yōu)榱藢我唤?jīng)濟(jì)性問題的求解。

微網(wǎng)的日運(yùn)行成本中包含天然氣發(fā)電成本和微網(wǎng)向電網(wǎng)購售電的交互成本。以24 h為調(diào)度周期，對各小時(shí)內(nèi)的天然氣發(fā)電成本、電網(wǎng)交互費(fèi)用及碳排放稅成本求和，得到光儲充微網(wǎng)在調(diào)度周期內(nèi)的總費(fèi)用。目標(biāo)函數(shù)如下：

式中：F為微網(wǎng)在調(diào)度周期T內(nèi)總運(yùn)行費(fèi)用；CNG（t），CGR（t），CCO2（t）分別為t時(shí)刻的天然氣發(fā)電成本、微網(wǎng)與電網(wǎng)交互費(fèi)用和微網(wǎng)碳排放產(chǎn)生的相應(yīng)稅收；SCH4為單位體積天然氣價(jià)格；VGT，t為 t時(shí)刻內(nèi)發(fā)電的耗氣量；Sgb（t）為t時(shí)刻電網(wǎng)電價(jià)；Sgs（t）為t時(shí)刻上網(wǎng)電價(jià)；Pmg（t）為當(dāng)前時(shí)刻微網(wǎng)與電網(wǎng)的交互功率；αGT，i為天然氣發(fā)電機(jī)組CO2的排放系數(shù)；βmg為電網(wǎng)供電對應(yīng)排放系數(shù)[17]。

其中，天然氣發(fā)電成本CNG包括購氣費(fèi)用SCH4VGT，t以及燃?xì)鈾C(jī)組啟停費(fèi)用Ssc，交互費(fèi)用CGR為微網(wǎng)的購電費(fèi)用與向電網(wǎng)售電收益之差，碳排放稅收CEN為各天然氣機(jī)組出力及電網(wǎng)交互功率對應(yīng)產(chǎn)生的碳排放量與稅率單價(jià)λCO2的乘積。

上述以微網(wǎng)碳排放稅來衡量微網(wǎng)碳排放量，以運(yùn)行成本及碳排稅成本之和最小作為優(yōu)化目標(biāo)求解調(diào)度問題，對微網(wǎng)的運(yùn)行評價(jià)能夠更客觀。之后考慮微網(wǎng)系統(tǒng)實(shí)際運(yùn)行過程及方式，制定協(xié)同運(yùn)行模型的約束條件，使微網(wǎng)各系統(tǒng)滿足實(shí)際運(yùn)行工況。

2.2 約束條件

2.2.1 功率平衡約束

微網(wǎng)在t時(shí)刻各系統(tǒng)發(fā)電出力值等于微網(wǎng)內(nèi)負(fù)荷與電網(wǎng)交互電功率之和，如下式：

式中：PGT，i（t），PPV（t），PES（t）分別為第i臺天然氣發(fā)電機(jī)組在t時(shí)刻的發(fā)電功率、光伏發(fā)電系統(tǒng)在t時(shí)刻出力值、儲能系統(tǒng)在t時(shí)刻的充/放電功率；Pload（t），Pmg（t）分別為t時(shí)刻微網(wǎng)用電負(fù)荷、t時(shí)刻微網(wǎng)與電網(wǎng)交互功率。

2.2.2 光伏發(fā)電功率約束

光伏發(fā)電某時(shí)刻的出力值為各光伏電池組功率之和，光伏電池的功率上下限約束為

2.2.3 天然氣發(fā)電機(jī)組約束

機(jī)組的變化功率和啟停次數(shù)需要設(shè)置在一定范圍內(nèi)以滿足機(jī)組的爬坡功率限制以及降低機(jī)組的啟停成本。天然氣發(fā)電機(jī)組的約束有功率上下限約束、機(jī)組爬坡功率約束和機(jī)組啟停次數(shù)約束，公式如下：

式中：ΔPGT，i為連續(xù)時(shí)間段Δt內(nèi)機(jī)組功率變化范圍；UGT，i，t表示第 i個(gè)機(jī)組在時(shí)間 t時(shí)刻的啟停狀態(tài)，0表示停機(jī)，1表示啟動。

微網(wǎng)內(nèi)部的優(yōu)化調(diào)度需考慮日前負(fù)荷預(yù)測值及光伏出力預(yù)測值，由于預(yù)測值存在一定的預(yù)測誤差，因此需要留有一定的備用旋轉(zhuǎn)容量，以降低微網(wǎng)內(nèi)部供需不平衡的風(fēng)險(xiǎn)，以及降低微網(wǎng)波動對配電網(wǎng)造成的電壓和頻率偏差影響。因此天然氣發(fā)電機(jī)組的功率如下：

式中：RGT，i為微網(wǎng)中第i臺可控機(jī)組在時(shí)段所提供的備用值；置信水平α為備用約束不等式成立下所滿足的概率值；δPV為對應(yīng)于光伏預(yù)測值的誤差正態(tài)分布均值。

2.2.4 儲能系統(tǒng)約束

蓄電池作為儲能裝置中的主要設(shè)備，起到了對電能的緩沖作用。當(dāng)電價(jià)較低或微網(wǎng)發(fā)電功率高于負(fù)荷需求時(shí)，驅(qū)動儲能裝置蓄能；電價(jià)較高或微網(wǎng)發(fā)電功率不能滿足負(fù)荷需求時(shí)，蓄電池釋放存儲的電量，緩解電量供需矛盾?？紤]到實(shí)際運(yùn)行情況，在整個(gè)調(diào)度周期內(nèi)，設(shè)置蓄電池初始容量等于調(diào)度結(jié)束容量約束如下式，以便微網(wǎng)在下一調(diào)度周期內(nèi)穩(wěn)定運(yùn)行。

儲能電池的充放電功率約束和容量約束公式如下：

2.3 求解算法

傳統(tǒng)的粒子群算法中慣性權(quán)重ω隨著迭代次數(shù)的增加而遞減，但是由于粒子的啟發(fā)性得不到提高，常常會使得種群陷入局部最優(yōu)解[18-19]。粒子群算法速度及位置更新公式如下：

權(quán)重系數(shù)ω僅與迭代次數(shù)有關(guān)，沒有與計(jì)算中實(shí)際過程狀態(tài)建立聯(lián)系，因此缺乏一定的合理性。在此考慮到傳統(tǒng)粒子群算法的缺陷，提出將狼群算法中的搜索策略結(jié)合粒子群算法應(yīng)用于對模型約束度的求解中。

狼群算法為近年來通過仿生自然界中的狼群捕食行為而提出的群體智能算法，該算法抽象出狼群捕食過程中存在的游走、召喚及圍攻行為以及優(yōu)勝劣汰的狼群更新機(jī)制。

傳統(tǒng)粒子群算法收斂速度較快，但在求解前期存在全局搜尋能力較弱及易陷入局部最優(yōu)的缺點(diǎn)。狼群算法具有較強(qiáng)的全局搜索能力，但尋優(yōu)過程較復(fù)雜，且收斂速度不如粒子群算法，同時(shí)不同粒子間缺乏信息的交互，使得探狼粒子游走相對單一、盲目化。為充分發(fā)揮上述算法各自的優(yōu)勢，以及彌補(bǔ)兩種算法各自的缺陷，提出狼群-粒子群混合算法（WPA-PSO），并利用該混合算法對前文搭建的模型進(jìn)行求解。

狼群算法前期探狼的游走搜索階段，通過探狼對不同方向的嗅尋，能夠感知獵物濃度的變化。探狼分別向h個(gè)方向分別前進(jìn)一步，并記錄h個(gè)方向上獵物氣味濃度的大小，并退回原位置。之后，探狼向氣味最濃的方向前進(jìn)并進(jìn)行下一步的嗅尋。在狼群算法中探狼的游走行為如下：

由于狼群算法在求解前期，探狼粒子具有從當(dāng)前位置向各方向的試探性搜尋行為，因此相較于粒子群算法，對最優(yōu)解的搜索更為全面，全局尋優(yōu)能力更高，在前期不易陷入局部最優(yōu)。在搜尋過程中，考慮到傳統(tǒng)狼群算法在前期搜索中不同狼之間沒有信息交互行為，不能及時(shí)把握全局狀態(tài)，游走行為較單一，因此結(jié)合粒子群的速度更新思想，引入了信息交互行為。以個(gè)體狼粒子適應(yīng)度值作為獵物氣味濃度，適應(yīng)度的值越優(yōu)，則獵物氣味越濃。所提出的混合算法中的探狼搜尋更新公式如下：

在混合算法后期精細(xì)求解的過程中，速度公式與粒子群算法的速度更新公式類似。但考慮到作為頭狼的最優(yōu)位置可能不是理想解，因此對狼群速度更新方向做出修改，前進(jìn)方向選擇為最優(yōu)頭狼和次優(yōu)頭狼的折衷方向。混合算法中粒子前進(jìn)的步長公式及狼群更新公式如下：

當(dāng)最優(yōu)狼粒子經(jīng)過t次迭代后，若其適應(yīng)度值未作改變，此時(shí)引入狼群算法內(nèi)的優(yōu)勝劣汰制，淘汰掉適應(yīng)度較低的若干粒子，保持種群的多樣性。優(yōu)勝劣汰機(jī)制為：若在連續(xù)t次內(nèi)最優(yōu)粒子產(chǎn)生了更新，此時(shí)無需更改；若在連續(xù)的t次迭代后，最優(yōu)粒子的位置未得到更新，則此時(shí)淘汰一定數(shù)量適應(yīng)度較差的粒子，保持種群的多樣性。綜上，混合算法的具體流程如下：

1）在解空間中初始化狼群粒子的空間位置坐標(biāo)，根據(jù)初代適應(yīng)度值選擇最優(yōu)粒子作為頭狼。

2）探狼向h個(gè)方向搜尋，并同時(shí)向適應(yīng)度更優(yōu)探狼粒子靠近，當(dāng)?shù)趃b方向上的獵物氣味更濃時(shí)，更新探狼xi位置，若在此次嗅尋未發(fā)現(xiàn)更優(yōu)位置，則繼續(xù)搜尋行為直到最大搜尋次數(shù)Ts。

3）在混合算法精細(xì)搜索階段，調(diào)整粒子以步長λ·stepb向頭狼最優(yōu)粒子及次優(yōu)狼粒子靠近。

4）當(dāng)聚集過程中出現(xiàn)距離獵物更近，位置更優(yōu)的粒子時(shí)，該粒子替代成為頭狼或次優(yōu)狼。

5）在粒子聚集過程中，記錄迭代次數(shù)，若在t次迭代后頭狼位置未得到更新，則淘汰一定比例的適應(yīng)度較差的粒子，同時(shí)在解空間中隨機(jī)生成新粒子實(shí)現(xiàn)狼群更新。

6）繼續(xù)迭代更新，若滿足目標(biāo)適應(yīng)度值，停止迭代輸出結(jié)果。若達(dá)到最大迭代次數(shù)，則轉(zhuǎn)向步驟2），開始新一輪游走行為。

3 算例及分析

3.1 算例描述

算例求解以國內(nèi)某地區(qū)微網(wǎng)案例為背景，選擇冬季和夏季典型日的負(fù)荷預(yù)測曲線及光伏出力預(yù)測曲線如圖2，光伏發(fā)電系統(tǒng)始終工作在最大功率點(diǎn)處，算例以24 h為周期，時(shí)間間隔為1 h。

圖2 夏冬季典型日光伏出力預(yù)測及負(fù)荷預(yù)測曲線圖Fig.2 Typical daily PV power generation and load forecasting curves in summer and winter

圖2中微網(wǎng)負(fù)荷波動最大約為23 kW，最大預(yù)測誤差約為5 kW，由此儲能電池充放電功率應(yīng)在30 kW較為合適。

同時(shí)，按國家標(biāo)準(zhǔn)GB/T 33589—2017《微電網(wǎng)接入電力系統(tǒng)技術(shù)規(guī)定》第4.1條的規(guī)定，微電網(wǎng)獨(dú)立運(yùn)行模式下向負(fù)荷持續(xù)供電時(shí)間不低于2 h。考慮到機(jī)組故障問題，假設(shè)最壞情況為：在晚間負(fù)荷高峰時(shí)段，某臺燃?xì)鈾C(jī)組發(fā)生故障，且光伏由于沒有太陽輻射不出力。由此儲能電池容量應(yīng)滿足：

微網(wǎng)內(nèi)能量的主要來源為太陽能、天然氣和電能，實(shí)驗(yàn)中忽略太陽能的發(fā)電成本。算例中天然氣低熱值 LNG取 9.7（kW·h）/m3，天然氣單價(jià)為[21]2.5元/m3。分時(shí)電價(jià)如表1所示。

表1 分時(shí)購、售電價(jià)格Tab.1 Electricity prices in the different periods

微網(wǎng)優(yōu)化調(diào)度運(yùn)行以運(yùn)行成本及碳稅之和最小化為目標(biāo)，運(yùn)行成本包括微網(wǎng)燃料消耗成本、電網(wǎng)交互成本及碳排放成本。目標(biāo)函數(shù)為

其中，天然氣發(fā)電機(jī)組燃料消耗成本CNG、電網(wǎng)交互成本CGR及碳排放成本CCO2由式（6）計(jì)算得到。光伏發(fā)電系統(tǒng)作為微網(wǎng)發(fā)電設(shè)備，存在波動性和不可控性，因此在調(diào)度運(yùn)行的求解中將其看做值為負(fù)的負(fù)荷，將微網(wǎng)內(nèi)用電負(fù)荷預(yù)測值與光伏發(fā)電功率預(yù)測值的差值作為微網(wǎng)系統(tǒng)的等效負(fù)荷。

以碳排稅來衡量微網(wǎng)運(yùn)行過程中CO2的排放量，天然氣發(fā)電機(jī)組二氧化碳排放系數(shù)αGT取值為0.619 kg/（kW·h），電網(wǎng)以燃煤電廠作為電力來源計(jì)算，碳排放系數(shù)βgrid取值為0.971 kg/（kW·h）。

由于地方稅率有所區(qū)別，算例中的稅率取為7$/t。通過將最少碳排放問題和最低運(yùn)行成本兩個(gè)目標(biāo)轉(zhuǎn)換為碳排放稅與運(yùn)行成本之和最小，進(jìn)而將多目標(biāo)優(yōu)化問題轉(zhuǎn)變成對單一經(jīng)濟(jì)性問題的求解，以降低求解難度。

根據(jù)上述各設(shè)備參數(shù)，天然氣發(fā)電出力約束有4個(gè)方面：發(fā)電機(jī)爬坡功率限制、出力約束、停啟次數(shù)限制及備用容量限制，分別如下：

由于當(dāng)燃?xì)廨啓C(jī)低于一定功率運(yùn)行時(shí)，會出現(xiàn)燃燒不穩(wěn)定以及燃燒室的差壓波動，在此限制其最低出力為10 kW。對于停啟次數(shù)的限制，實(shí)驗(yàn)中設(shè)置的啟停次數(shù)NGT，i為6次。由于光伏發(fā)電功率預(yù)測中存在一定的預(yù)測誤差，因此需要根據(jù)式（30）留有一定備用容量，文中預(yù)測值的波動方差取值為0.01，置信水平α取90%。儲能系統(tǒng)約束公式為

微網(wǎng)內(nèi)各時(shí)刻功率等式約束為

每個(gè)時(shí)刻微網(wǎng)內(nèi)的4臺天然氣發(fā)電機(jī)組功率PGT，i、光伏發(fā)電功率 PPV、電網(wǎng)交互功率 Pmg以及蓄電池充放電功率PES應(yīng)滿足當(dāng)前微網(wǎng)電負(fù)荷Pload。

由上述公式，設(shè)置求解算法的決策變量維度為 X=[PGT1（1） PGT2（1） PGT3（1）PGT4（1）PES（1）Pmg（1）PGT1（2）PGT2（2）PGT3（3）…Pmg（24）]，共6×24維。

3.2 求解結(jié)果及分析

算例選取自適應(yīng)權(quán)重粒子群算法（APSO）和自適應(yīng)步長狼群算法（AS-WPA）作為對比算法。

以約束度適應(yīng)值為目標(biāo)，求解得到狼群-粒子群混合算法（WPA-PSO），APSO與AS-WPA的對于違反約束的適應(yīng)度變化曲線，適應(yīng)度值越小，則違反運(yùn)行約束的程度越輕，當(dāng)適應(yīng)度為0時(shí)，即為滿足運(yùn)行約束。其結(jié)果如圖3所示。

圖3 約束值適應(yīng)度曲線Fig.3 Constraint value fitness curves

從算法迭代過程中可以看出，所提出的混合算法，在前期相較于其他兩種算法，具有更快的收斂速度。其中，WPA-PSO混合算法平均在60次迭代之內(nèi)滿足運(yùn)行約束要求，AS-WPA和APSO的平均求解迭代次數(shù)分別為84次與93次。由此表明，WPA-PSO混合算法能夠更快地使粒子滿足于運(yùn)行約束。

算例對于約束條件的求解共進(jìn)行了200次實(shí)驗(yàn)。WPA-PSO混合算法求解成功率為94%，高于AS-WPA的88%成功率和APSO的79.5%成功率。改善了粒子群算法早熟的缺陷，基本解決了其易陷入局部最優(yōu)問題。尋優(yōu)精度具有明顯提高。

三種算法對于夏季和冬季典型日下的日運(yùn)行成本結(jié)果如表2所示。

表2 典型日下三種算法運(yùn)行成本結(jié)果Tab.2 Microgrid operating costs under three algorithms

AS-WPA算法和APSO算法對于光儲氣微網(wǎng)的調(diào)度優(yōu)化結(jié)果分別如圖4和圖5。

圖4 夏季典型日AS-WPA求解結(jié)果Fig.4 Adaptive step wolf pack algorithm results

圖5 夏季典型日APSO求解結(jié)果Fig.5 Adaptive weight particle swarm optimization algorithm results

從自適應(yīng)步長狼群算法（AS-WPA）和自適應(yīng)權(quán)重粒子群算法（APSO）優(yōu)化調(diào)度結(jié)果中可以看出，在低谷時(shí)刻的機(jī)組大部分都在啟動狀態(tài)，以較低效率運(yùn)行，未充分利用燃料，造成了燃料的浪費(fèi)；部分機(jī)組啟動較為頻繁，造成調(diào)度周期內(nèi)停啟成本較高；同時(shí)，儲能電池充放電較為混亂，在負(fù)荷及電價(jià)尖峰時(shí)段，由于儲能電池的荷電量較低造成儲能裝置未啟動，沒有分?jǐn)偽⒕W(wǎng)內(nèi)的負(fù)荷，因此對電網(wǎng)造成了一定的負(fù)擔(dān)。WPA-PSO算法優(yōu)化調(diào)度結(jié)果如圖6所示。

從WPA-PSO算法的優(yōu)化結(jié)果中可以看出，該算法在應(yīng)用于微網(wǎng)調(diào)度時(shí)微燃機(jī)組啟停次數(shù)更少，降低了機(jī)組啟停成本；在負(fù)荷低谷23：00—7：00及平段14：00—15：00時(shí)刻，WPA-PSO混合算法求得的機(jī)組出力值為僅由部分機(jī)組啟動，其余停止，使得微燃機(jī)組工作在高效率點(diǎn)處，對天然氣的利用率較高，并在電價(jià)及負(fù)荷低谷時(shí)刻對儲能系統(tǒng)進(jìn)行充電。當(dāng)負(fù)荷高峰10：00—12：00，18：00—20：00及電價(jià)高峰時(shí)刻，控制儲能裝置向電網(wǎng)及微網(wǎng)系統(tǒng)釋放電能，一方面緩解電網(wǎng)壓力，另一方面減小了微網(wǎng)日常的運(yùn)行成本，對電網(wǎng)起到了一定的削峰填谷作用。

圖6 夏季典型日WPA-PSO求解結(jié)果Fig.6 WPA-PSO hybrid algorithm results

4 結(jié)論

文章依據(jù)微網(wǎng)系統(tǒng)實(shí)際運(yùn)行工況和運(yùn)行方式，以微網(wǎng)經(jīng)濟(jì)運(yùn)行成本與碳排放治理成本之和最小為目標(biāo)，建立了光儲氣微網(wǎng)協(xié)同優(yōu)化運(yùn)行模型。在分析傳統(tǒng)粒子群算法的缺陷及狼群算法搜索策略的優(yōu)勢基礎(chǔ)上，提出結(jié)合狼群搜索及淘汰機(jī)制的狼群-粒子群混合算法，并對研究中所搭建的模型進(jìn)行計(jì)算驗(yàn)證。算例結(jié)果表明，相較于另兩種對比算法，所提混合算法具有收斂速度更快、尋優(yōu)精度更高的優(yōu)點(diǎn)，使微網(wǎng)運(yùn)行成本降低了6.4%，具有較好的應(yīng)用前景。

研究所提出的混合求解算法對于微網(wǎng)系統(tǒng)模型的求解能夠充分發(fā)揮微型天然氣機(jī)組和儲能系統(tǒng)的快速響應(yīng)特性，減小了微網(wǎng)內(nèi)可再生能源及負(fù)荷波動對配電網(wǎng)的影響，充分發(fā)揮微網(wǎng)內(nèi)設(shè)備參與電網(wǎng)削峰填谷的作用。該模型及求解算法可以為光儲氣型微網(wǎng)的規(guī)劃及經(jīng)濟(jì)運(yùn)行提供一定的參考。此外，文中對于光伏發(fā)電預(yù)測精度誤差的研究及天然氣發(fā)電中熱能的利用可作為下一階段的研究方向。