袁華駿， 葉筱怡， 耿宗璞

(南京工程學(xué)院 電力工程學(xué)院，江蘇 南京 211167)

0 引 言

微電網(wǎng)調(diào)度目的是在滿(mǎn)足約束的前提下，安排機(jī)組出力，達(dá)到發(fā)電成本最少，屬于高度復(fù)雜和多約束的非線(xiàn)性問(wèn)題[1]，智能算法的出現(xiàn)使得調(diào)度有更好的結(jié)果[2-3]。文獻(xiàn)[4]以系統(tǒng)的運(yùn)行成本為目標(biāo)，系統(tǒng)安全運(yùn)行為約束建立微電網(wǎng)模型，利用標(biāo)準(zhǔn)蜂群算法進(jìn)行求解，結(jié)果表明標(biāo)準(zhǔn)蜂群算法有效降低了調(diào)度成本。文獻(xiàn)[5]將多目標(biāo)轉(zhuǎn)換成非線(xiàn)性單目標(biāo)，利用改進(jìn)遺傳算法求解并網(wǎng)下最優(yōu)調(diào)度方案。文獻(xiàn)[6]建立源-儲(chǔ)-荷互動(dòng)的分布式優(yōu)化博弈模型，運(yùn)用多目標(biāo)粒子群算法進(jìn)行求解，仿真結(jié)果表明微電網(wǎng)個(gè)體經(jīng)濟(jì)性、環(huán)保性及滿(mǎn)意度得到兼顧。

蜂群算法屬于群體隨機(jī)優(yōu)化搜索算法，相比于最初的群體搜索算法(粒子群算法)，蜂群算法具有操作簡(jiǎn)單、設(shè)置參數(shù)少及尋優(yōu)性能強(qiáng)的特點(diǎn)，但卻有著群體智能算法的弊端——容易陷入局部最優(yōu)[7]。為此，將對(duì)立學(xué)習(xí)策略用來(lái)改善初始種群的質(zhì)量，擴(kuò)大初始解的搜索范圍，同時(shí)將Metropolis準(zhǔn)則引入其中，用來(lái)降低算法陷入局部最優(yōu)解的概率。以運(yùn)行成本最低為目標(biāo)，考慮并網(wǎng)狀態(tài)下微電網(wǎng)實(shí)際運(yùn)行條件，將改進(jìn)后的蜂群算法用來(lái)求解并網(wǎng)狀態(tài)下的微電網(wǎng)調(diào)度優(yōu)化模型，得到大電網(wǎng)以及微電網(wǎng)各個(gè)機(jī)組的出力。

1 目標(biāo)函數(shù)與約束條件

1.1 目標(biāo)函數(shù)

本文中并網(wǎng)狀態(tài)下的微電網(wǎng)，既可以供電給負(fù)荷，又可以實(shí)現(xiàn)能量在微電網(wǎng)與大電網(wǎng)之間的流動(dòng)，因此微電網(wǎng)調(diào)度的目標(biāo)函數(shù)主要包括：微電網(wǎng)內(nèi)機(jī)組的燃料費(fèi)；微電網(wǎng)內(nèi)機(jī)組運(yùn)行管理費(fèi)；微電網(wǎng)與大電網(wǎng)之間電量交換的費(fèi)用。

(1)

式中：T為目前調(diào)度周期，取24 h；N為微電網(wǎng)內(nèi)機(jī)組的種類(lèi)；Ci,f與Ci,m為機(jī)組i的燃料系數(shù)與運(yùn)行管理系數(shù)；Cgrid,t與GES,t為分時(shí)電價(jià)與蓄電池的運(yùn)行管理系數(shù)；Pi,t、Pgrid,t及PES,t為時(shí)刻機(jī)組i輸出功率、微電網(wǎng)與大電網(wǎng)功率交換值及蓄電池充放電功率。

1.2 約束條件

微電網(wǎng)調(diào)度的約束條件主要包含等式約束與不等式約束兩個(gè)部分。等式約束主要指供需平衡以及蓄電池容量平衡，不等式約束指的是各個(gè)機(jī)組的功率限制、蓄電池容量限制及微電網(wǎng)與大電網(wǎng)之間的功率交換限制[8]。

(2)

Wes(t)=Wes(t-1)+[Pcharge(t)ηch-Pdischarge(t)/ηdis]Δt

(3)

式中：Pload,t為t時(shí)刻負(fù)荷大小;Wes(t)為t時(shí)刻蓄電池容量；Wes(t-1)為(t-1)時(shí)刻蓄電池容量；Pcharge(t)、ηch和Pdischarge(t)、ηdis為蓄電池在時(shí)刻t充電功率與效率、放電功率與效率；Δt為目前調(diào)度的時(shí)間尺度。

不等式約束如式(4)～式(7)所示。

Pi,min≤Pi,t≤Pi,max

(4)

Wes,min≤Wes(t)≤Wes,max

(5)

Pcharge,max≤PES,t≤Pdischarge,max

(6)

Pgrid,min≤Pgrid,t≤Pgrid,max

(7)

式中：Pi,min與Pi,max為機(jī)組i最小功率與最大功率；Wes,min、Wes,max為蓄電池容量最小值與最大值；Pcharge,max、Pdischarge, max為蓄電池最大放電功率與最大充電功率；Pgrid,min、Pgrid,max為大電網(wǎng)的最小功率與最大功率。

2 改進(jìn)的蜂群算法

2.1 基本蜂群算法

人工蜂群算法基本思想是蜂群通過(guò)個(gè)體分工和信息交流，相互協(xié)作完成采蜜任務(wù)[9]。將蜂群分為3類(lèi)：雇傭峰、觀(guān)察蜂及偵察蜂。雇傭峰、觀(guān)察蜂用于蜜源的開(kāi)采，偵察蜂是為了避免蜜源的種類(lèi)過(guò)少[10]。蜂群算法的尋優(yōu)步驟如下。

步驟一：初始化輸入?yún)?shù)，包括預(yù)測(cè)的光伏發(fā)電功率、風(fēng)機(jī)發(fā)電功率、負(fù)荷量及微電網(wǎng)運(yùn)行成本函數(shù)、約束條件所包含的各參數(shù)，從而建立優(yōu)化調(diào)度模型。

步驟二：根據(jù)建立的優(yōu)化調(diào)度模型，隨機(jī)產(chǎn)生N個(gè)蜜蜂，其中一半是雇傭蜂，另一半則是觀(guān)察蜂，每個(gè)雇傭蜂代表一種調(diào)度方案，并且根據(jù)式(1)計(jì)算它們的適應(yīng)度值。

步驟三：雇傭蜂根據(jù)式(8)進(jìn)行領(lǐng)域的搜索，產(chǎn)生新的位置，如果更新后的雇傭蜂的目標(biāo)函數(shù)值優(yōu)于更新前的，那么選擇更新后的雇傭蜂的位置。

vi,j=xi,j+φi,j×(xi,j-xk,j)

(8)

式中：i為當(dāng)前正在搜索的個(gè)體；j為隨機(jī)選擇的維度；vi,j為個(gè)體i的維度j更新后位置；φi,j為[0,1]之間隨機(jī)數(shù)；xi,j為個(gè)體i的維度j更新前位置；k為隨機(jī)選擇不為i的一個(gè)鄰居;xk,j為個(gè)體k的維度j更新前位置。

步驟四：觀(guān)察蜂會(huì)根據(jù)輪盤(pán)賭法選擇食物源。

(9)

式中：F(xi)、F(xj)為個(gè)體i與j的目標(biāo)函數(shù)值；Pi為個(gè)體i的選擇概率；N為蜜蜂總個(gè)數(shù)。

步驟五：如果個(gè)體i的目標(biāo)函數(shù)值經(jīng)過(guò)一定的次數(shù)仍然不變，那么雇傭蜂變成偵查蜂，根據(jù)式(10)隨機(jī)產(chǎn)生新解。

vi,j=jmin+rand(0,1)×(jmax-jmin)

(10)

式中：jmin、jmax分別為第j個(gè)變量的最小值與最大值;rand(0,1)為(0，1)之間的隨機(jī)數(shù)。

步驟六：重復(fù)步驟三到步驟五，直至達(dá)到迭代次數(shù)。輸出全局最優(yōu)解，即各個(gè)機(jī)組在一個(gè)調(diào)度周期內(nèi)各個(gè)時(shí)刻出力大小。

2.2 對(duì)立學(xué)習(xí)策略

2.3 Metropolis準(zhǔn)則

Metropolis準(zhǔn)則是一種以概率性接受新位置的采樣算法。將其引入組合優(yōu)化中就演變成了“模擬退火算法”[11]。狀態(tài)i變化成狀態(tài)j的概率表示為：

(11)

式中：f(i)、f(j)為狀態(tài)i、j目標(biāo)函數(shù)值；T為退火溫度；P(i→j)為接受新?tīng)顟B(tài)的概率。將Metropolis準(zhǔn)則引入標(biāo)準(zhǔn)蜂群算法的步驟三當(dāng)中，利用Metropolis準(zhǔn)則選擇雇傭蜂更新位置的概率。

3 算例分析

對(duì)一個(gè)并網(wǎng)狀態(tài)下的微電網(wǎng)進(jìn)行分析，微電網(wǎng)包含風(fēng)機(jī)、光伏電池、蓄電池、燃?xì)廨啓C(jī)及燃料電池。根據(jù)光伏電池與風(fēng)機(jī)特性參數(shù)，得到PV與WT的出力預(yù)測(cè)和負(fù)荷預(yù)測(cè)曲線(xiàn)如圖1 所示。

圖1 負(fù)荷、光伏及風(fēng)機(jī)功率

優(yōu)先新能源的使用，即對(duì)于風(fēng)機(jī)與光伏電池采用“最大功率跟蹤”模式。圖2中：1∶00—6∶00與22∶00—24∶00之間，對(duì)電能需求較少，屬于電價(jià)谷時(shí)段，除了風(fēng)能的供給之外主要依靠燃料電池與大電網(wǎng)，將多余電量給蓄電池充電；10∶00—14∶00與18∶00—20∶00之間，電能需求處于一天的高峰時(shí)段，電價(jià)也處于峰時(shí)段，燃料電池與蓄電池的成本低于購(gòu)電電價(jià)，因此燃料電池與蓄電池成為主要供電機(jī)組，供能不足由大電網(wǎng)進(jìn)行補(bǔ)充；7∶00—9∶00、15∶00—17∶00及21∶00—22∶00之間，因?yàn)槿剂想姵氐陌l(fā)電成本比較低，主要依靠燃料電池。在此之外，則是通過(guò)協(xié)調(diào)大電網(wǎng)與蓄電池的出力。

圖2 微源出力情況

從圖2可以看出，在目前調(diào)度的周期內(nèi)燃?xì)廨啓C(jī)一直都是處于低出力的階段，防止因?yàn)槠渌O(shè)備供電不足導(dǎo)致燃?xì)廨啓C(jī)的啟動(dòng)成本高。但由于燃?xì)廨啓C(jī)的單位發(fā)電成本高，因此燃?xì)廨啓C(jī)的發(fā)電成本依然不可忽略。圖2中的燃料電池蓄電池與電網(wǎng)則是互補(bǔ)的關(guān)系，蓄電池起到“削峰填谷”作用。從圖3可以看出，由于蓄電池發(fā)電成本只計(jì)及管理成本，因此蓄電池在充放電的過(guò)程中一直屬于低成本的運(yùn)行狀態(tài)。圖3中，在早用電高峰時(shí)期，燃?xì)廨啓C(jī)低出力運(yùn)行，蓄電池的大功率運(yùn)行以及燃料電池的出力，使得多出的電能出售給大電網(wǎng)，大電網(wǎng)的運(yùn)行成本屬于負(fù)值。而中午時(shí)期由于蓄電池的供能不足，大電網(wǎng)則出力滿(mǎn)足負(fù)荷的需求。從圖3中還可以看出，燃料電池一直處于高運(yùn)行成本的狀態(tài)。利用標(biāo)準(zhǔn)蜂群算法，計(jì)算得微電網(wǎng)并網(wǎng)狀態(tài)下綜合成本是766.766 8 元。利用改進(jìn)蜂群算法進(jìn)行計(jì)算時(shí)，得到綜合成本724.682 5 元，費(fèi)用降低42.084 3 元。

圖3 各個(gè)時(shí)刻機(jī)組成本圖

4 結(jié)束語(yǔ)

本文研究了并網(wǎng)狀態(tài)下的微電網(wǎng)經(jīng)濟(jì)調(diào)度。在預(yù)測(cè)風(fēng)機(jī)、光伏電機(jī)及負(fù)荷的基礎(chǔ)上，建立包含光伏、風(fēng)機(jī)、燃?xì)廨啓C(jī)、燃料電池及蓄電池的微電網(wǎng)并網(wǎng)運(yùn)行模型，通過(guò)改進(jìn)的蜂群算法求得了最佳的出力方式。根據(jù)仿真運(yùn)行的結(jié)果得到以下結(jié)論：

(1) 將對(duì)立學(xué)習(xí)策略與Metropolis準(zhǔn)則引入簡(jiǎn)單蜂群算法中，保證全局搜索性能的同時(shí)也能夠降低跳出局部最優(yōu)解的概率，將其運(yùn)用到微電網(wǎng)的調(diào)度模型中，可以合理安排各個(gè)機(jī)組的出力，實(shí)現(xiàn)經(jīng)濟(jì)成本的降低。

(2) 對(duì)于微電網(wǎng)經(jīng)濟(jì)調(diào)度的問(wèn)題，通過(guò)改進(jìn)的蜂群算法得到的調(diào)度方案，可以得知蓄電池與大電網(wǎng)是一個(gè)互補(bǔ)的存在，實(shí)現(xiàn)“削峰填谷”，降低了發(fā)電的總成本。