王繼東，宋啟明，李繼方

（華北水利水電大學(xué)電力學(xué)院，河南 鄭州 450000）

0 引言

分布式發(fā)電（DG）主要由風(fēng)電、光伏組成，因其高效利用自然資源，環(huán)境污染小，接入靈活和可實(shí)現(xiàn)區(qū)域電力自治等特點(diǎn)，被視為解決能源危機(jī)的重要手段之一[1]。但大規(guī)模風(fēng)電、光伏并網(wǎng)會(huì)給電網(wǎng)帶來(lái)干擾和沖擊，并給電力系統(tǒng)的管理和調(diào)度帶來(lái)相應(yīng)的挑戰(zhàn)[2]，[3]。

微網(wǎng)系統(tǒng)是由分布式發(fā)電機(jī)組、儲(chǔ)能裝置、可控負(fù)載等組合而成，能夠?qū)崿F(xiàn)電能區(qū)域自治和自用的小型電力網(wǎng)絡(luò)系統(tǒng)[4]。微網(wǎng)的運(yùn)行調(diào)度主要考慮經(jīng)濟(jì)性、環(huán)保性、可靠性[5]。文獻(xiàn)[6]從運(yùn)行成本最小化、系統(tǒng)可靠性最大化和環(huán)境影響最小化3個(gè)方面考慮，并采用粒子群算法對(duì)微網(wǎng)系統(tǒng)進(jìn)行了優(yōu)化。文獻(xiàn)[7]面向園區(qū)微網(wǎng)，以年總費(fèi)用、年污染排放和年能耗為優(yōu)化目標(biāo)，建立熱電聯(lián)供型綜合能源調(diào)度模型。文獻(xiàn)[8]針對(duì)工作日、周末和晴、陰雨天組合設(shè)計(jì)了4種典型場(chǎng)景，采用改進(jìn)混沌粒子群算法對(duì)模型進(jìn)行求解。但以上研究均未考慮需求側(cè)用電情況，僅從發(fā)電側(cè)來(lái)進(jìn)行對(duì)微網(wǎng)系統(tǒng)的運(yùn)行調(diào)節(jié)。文獻(xiàn)[9]通過(guò)儲(chǔ)能裝置和需求響應(yīng)對(duì)微網(wǎng)的運(yùn)行優(yōu)化進(jìn)行了對(duì)比研究，結(jié)果表明儲(chǔ)能單元和需求響應(yīng)的參與可以有效提高微網(wǎng)的經(jīng)濟(jì)性和靈活性。

傳統(tǒng)微網(wǎng)多采用集中式控制，由中央控制器實(shí)現(xiàn)對(duì)系統(tǒng)DG的協(xié)調(diào)控制，以及與其他設(shè)備的通信，可靠性不高。目前，微網(wǎng)內(nèi)DG種類繁多，參數(shù)和電能需求差異較大，對(duì)微網(wǎng)系統(tǒng)的經(jīng)濟(jì)性、穩(wěn)定性有更高的要求，在信息交互、能量交換、需求側(cè)管理等方面須要更深入地研究。多智能體系統(tǒng)具有靈活性、自治性、快速響應(yīng)等特點(diǎn)，已成為解決微網(wǎng)系統(tǒng)運(yùn)行優(yōu)化的有效工具[10]，[11]。文獻(xiàn)[12]構(gòu)建了一個(gè)雙層多智能體能量管理系統(tǒng)，上層智能體負(fù)責(zé)整個(gè)系統(tǒng)的整體控制，下層智能體由多個(gè)系統(tǒng)單元組成，但未對(duì)儲(chǔ)能單元提出控制策略。文獻(xiàn)[13]設(shè)計(jì)了一種基于多智能體一致性理論的微網(wǎng)分布式能量管理調(diào)度策略，對(duì)微網(wǎng)內(nèi)DG進(jìn)行聯(lián)合優(yōu)化調(diào)度，但未對(duì)負(fù)荷和儲(chǔ)能單元進(jìn)行優(yōu)化。

針對(duì)包含光伏、風(fēng)力、微燃機(jī)、燃料電池、蓄電池等的多源微網(wǎng)系統(tǒng)，本文構(gòu)建了一個(gè)3層多智能體系統(tǒng)，包括MGO，MGC，MGE，在滿足微網(wǎng)系統(tǒng)功率平衡和各DG出力約束的條件下，從微網(wǎng)運(yùn)行控制和需求側(cè)響應(yīng)兩方面進(jìn)行協(xié)調(diào)控制，以運(yùn)行成本和環(huán)境成本最小為優(yōu)化目標(biāo)，建立微網(wǎng)運(yùn)行優(yōu)化模型。為了避免局部尋優(yōu)，加快算法收斂速度和搜尋精度，引入多智能體技術(shù)和混沌搜索，采用多智能體混沌粒子群算法（MACPSO）對(duì)目標(biāo)函數(shù)進(jìn)行求解。最后，仿真驗(yàn)證了所提出方法的有效性和正確性。

1 微網(wǎng)優(yōu)化運(yùn)行模型

多智能體系統(tǒng)由多個(gè)分布式智能體組成，每個(gè)智能體根據(jù)與其他智能體的狀態(tài)信息交互，可以進(jìn)行自身調(diào)節(jié)，能夠有效解決一些復(fù)雜而全面的問(wèn)題。由于微網(wǎng)的體系結(jié)構(gòu)和對(duì)分布式運(yùn)行的要求，基于多智能體的微網(wǎng)優(yōu)化運(yùn)行是一種有效可行的方法。本文提出基于多智能體系統(tǒng)的三層控制體系結(jié)構(gòu)如圖1所示。

圖1 基于多智能體的微網(wǎng)系統(tǒng)結(jié)構(gòu)Fig.1 Multi-agent based microgrid system architecture

圖中，MGO主要負(fù)責(zé)大電網(wǎng)和微網(wǎng)各智能體單位的協(xié)調(diào)調(diào)度。根據(jù)系統(tǒng)的總體優(yōu)化目標(biāo)，向下層智能體發(fā)出指令信號(hào)，并根據(jù)各智能體的響應(yīng)做出最終的調(diào)度決策。MGC接收MGO發(fā)送的指令信號(hào)，來(lái)確定微網(wǎng)內(nèi)各DG最佳出力，并將出力信息發(fā)送給MGE。MGE作為底層控制器，控制各分布式單元的運(yùn)行狀態(tài)，并根據(jù)接收到的指令和實(shí)際負(fù)荷需求調(diào)整運(yùn)行策略。

1.1 MGC的優(yōu)化運(yùn)行策略

MGC在接收到MGO的指令信號(hào)后，MGC根據(jù)接收到的數(shù)據(jù)信息及制定的微網(wǎng)運(yùn)行控制策略，進(jìn)行功率分配，然后采用MACPSO算法進(jìn)行尋優(yōu)，獲得微網(wǎng)內(nèi)各DG最佳出力，以獲得最優(yōu)運(yùn)行策略，并將出力信息傳遞給MGE。

在實(shí)際運(yùn)行過(guò)程中，在滿足微網(wǎng)系統(tǒng)功率平衡和各DG出力約束的條件下，可以通過(guò)制定微網(wǎng)運(yùn)行控制策略對(duì)各DG出力進(jìn)行調(diào)控，確定各DG出力的優(yōu)先級(jí)順序，提高微網(wǎng)系統(tǒng)的經(jīng)濟(jì)性和可靠性。將某時(shí)刻微網(wǎng)實(shí)際負(fù)荷需求和微網(wǎng)內(nèi)DG出力的差值定義為微網(wǎng)凈負(fù)荷ΔP（t），在出力調(diào)控過(guò)程中，根據(jù)可能出現(xiàn)的供需平衡情況，分別考慮分時(shí)電價(jià)機(jī)制、1 d實(shí)際負(fù)荷需求及與大電網(wǎng)功率交互量，將全天分為峰、平、谷3個(gè)時(shí)段制定運(yùn)行策略。本文所提的微網(wǎng)運(yùn)行控制策略通過(guò)運(yùn)用儲(chǔ)能單元充放電特性，合理調(diào)控其他發(fā)電DG出力，盡可能提高微網(wǎng)系統(tǒng)的經(jīng)濟(jì)性與穩(wěn)定性。運(yùn)行方法如下。

（1）ΔP（t）<0

微網(wǎng)總出力多于微網(wǎng)總負(fù)荷，供多于需。①峰時(shí)段：優(yōu)先將多余電量出售至大電網(wǎng)，若|Vp（t）|大于微網(wǎng)與大電網(wǎng)功率交互上限，將超出部分用于蓄電池充電，達(dá)到蓄電池儲(chǔ)能上限時(shí)仍有余量則棄電。②其他時(shí)段：多余電量?jī)?yōu)先給蓄電池充電，剩余電量向大電網(wǎng)售電，若剩余電量大于微網(wǎng)與大電網(wǎng)功率交互上限，將仍多余部分棄電。

（2）ΔP（t）＞0

微網(wǎng)總出力少于微網(wǎng)總負(fù)荷，①峰時(shí)段：優(yōu)先使用蓄電池放電滿足所需功率，若在蓄電池最大出力功率下或蓄電池放電至儲(chǔ)能下限時(shí)仍無(wú)法滿足負(fù)荷需求，微網(wǎng)向大電網(wǎng)購(gòu)電，滿足不足部分。②其他時(shí)段：調(diào)控各DG出力并向大電網(wǎng)購(gòu)電，滿足所需功率的同時(shí)給蓄電池充電。

（3）ΔP（t）=0

微網(wǎng)系統(tǒng)供需平衡，各DG出力不作調(diào)控。

成聯(lián)方：書(shū)法在當(dāng)下已經(jīng)成為一門學(xué)科，專業(yè)書(shū)法研究人員已經(jīng)不會(huì)把書(shū)寫藝術(shù)當(dāng)作修煉人格的工具了。用余英時(shí)的話說(shuō)，我們是處在創(chuàng)造知識(shí)的年代，不能創(chuàng)造知識(shí)，就沒(méi)有存在的價(jià)值。

1.2 目標(biāo)函數(shù)

在本文的研究中，從運(yùn)行成本、環(huán)境成本兩個(gè)方面建立目標(biāo)函數(shù)，最終目標(biāo)是最大限度減小微網(wǎng)系統(tǒng)的總運(yùn)行成本。微網(wǎng)運(yùn)行成本主要由微網(wǎng)與大電網(wǎng)交互成本、微網(wǎng)內(nèi)各DG發(fā)電成本、維護(hù)成本、可移除負(fù)荷補(bǔ)償成本和環(huán)境影響成本等組成。

運(yùn)行成本目標(biāo)函數(shù)C1（t）為

式中：CiPi（t）為DGi的發(fā)電成本，由各DG的出力模型確定；Pi（t）為DGi在t時(shí)刻的出力；Cgrid（t）為微網(wǎng)與大電網(wǎng)交互成本；a，b，c分別為系統(tǒng)峰時(shí)段、平時(shí)段、谷時(shí)段實(shí)時(shí)電價(jià)；P1（t），P2（t），P3（t）為各時(shí)段微網(wǎng)與大電網(wǎng)交互功率；COM（t）為微網(wǎng)維護(hù)成本；μi為DGi的運(yùn)行維護(hù)成本系數(shù)。

需求側(cè)負(fù)荷管理不僅有助于用戶合理用電，降低用電費(fèi)用，也能適當(dāng)調(diào)節(jié)發(fā)電側(cè)DG出力，緩解出力壓力。本文以用戶負(fù)荷為對(duì)象，當(dāng)系統(tǒng)處于用電高峰時(shí)，鼓勵(lì)用戶切除部分不重要負(fù)荷，以緩解供電壓力，提高微網(wǎng)的經(jīng)濟(jì)性和可靠性。這部分負(fù)荷將得到相應(yīng)的補(bǔ)償。負(fù)荷補(bǔ)償成本為

式中：li，j為DGi單位出力時(shí)所產(chǎn)生的第j類污染氣體量；λj為治理單位相應(yīng)污染氣體所需費(fèi)用。

微網(wǎng)優(yōu)化目標(biāo)函數(shù)為

1.3 約束條件

式中：pBA，max，pBA，min分別為蓄電池充電、放電功率上、下限；pSOC，min，pSOC，max分別為蓄電池最小、最大儲(chǔ)能值。

圖2 優(yōu)化調(diào)度流程Fig.2 Optimize the scheduling process

在優(yōu)化過(guò)程中，MGO監(jiān)控智能體單元的運(yùn)行狀態(tài)。在滿足約束條件下，各DG結(jié)合自身狀態(tài)和接收到的指令信息，進(jìn)行出力調(diào)節(jié)，最終實(shí)現(xiàn)系統(tǒng)優(yōu)化目標(biāo)；反之在未滿足約束條件下，MGO向MGC發(fā)出指令信號(hào)，MGC內(nèi)各智能體響應(yīng)信號(hào)，進(jìn)行出力調(diào)控。

2 基于多智能體的混沌粒子群優(yōu)化算法

2.1 優(yōu)化算法概述

粒子群優(yōu)化算法靈感來(lái)自于鳥(niǎo)類的群聚行為，是一種基于種群的隨機(jī)優(yōu)化方法。粒子群中的粒子代表問(wèn)題的一種可能解，在迭代過(guò)程中通過(guò)反復(fù)模擬比較適應(yīng)值，不斷更新修正粒子自身位置，最終使粒子收斂到個(gè)體最優(yōu)解和全局最優(yōu)解。本文在常規(guī)粒子群算法的基礎(chǔ)上，提出采用基于多智能體的混沌粒子群優(yōu)化算法。多智能體系統(tǒng)其網(wǎng)絡(luò)結(jié)構(gòu)是松散耦合的，每個(gè)智能體與相鄰智能體相互通信，并根據(jù)迭代過(guò)程中信息積累和自學(xué)習(xí)機(jī)制，提高自身尋優(yōu)能力，實(shí)現(xiàn)快速準(zhǔn)確地尋得最優(yōu)解。多智能體系統(tǒng)可構(gòu)建Lsize×Lsize的網(wǎng)絡(luò)結(jié)構(gòu)，Lsize為正整數(shù)，網(wǎng)格的總數(shù)等于粒子數(shù)目。每個(gè)格子對(duì)應(yīng)一個(gè)智能體，Li，j表示坐標(biāo)為（i，j）的智能體，其中：i，j=1，2，…Lsize，設(shè)Li，j的鄰居為Mi，j，則：

在進(jìn)行優(yōu)化問(wèn)題求解時(shí)，首先初始化相關(guān)參數(shù)，計(jì)算各個(gè)粒子當(dāng)前適應(yīng)值，然后通過(guò)多智能體自學(xué)習(xí)機(jī)制，對(duì)當(dāng)前智能體適應(yīng)值F（Li，j）及其鄰居智能體適應(yīng)值F（Mi，j）進(jìn)行比較，若F（Mi，j）

混沌序列具有遍歷性、隨機(jī)性和規(guī)律性等特點(diǎn)。將混沌搜索引入優(yōu)化算法中，利用混沌搜索的遍歷性，能夠避免早期粒子陷入局部最優(yōu)，防止算法過(guò)早收斂，實(shí)現(xiàn)粒子群快速搜索全局最優(yōu)?；煦缢阉鞯幕舅枷胧前炎兞窟壿嬘成渖苫煦缧蛄?，再將混沌變量的值映射到優(yōu)化變量的取值空間中。即：

MACPSO算法通過(guò)各智能體間的相互協(xié)作與其自治性，并利用混沌系統(tǒng)特有的遍歷性與隨機(jī)性，以較快的運(yùn)行速度和良好的搜素精度，滿足微網(wǎng)優(yōu)化調(diào)度的時(shí)效性、精準(zhǔn)性要求。

2.2 算法步驟

在多智能體系統(tǒng)中，各智能體之間將自身狀態(tài)信息進(jìn)行交互，同時(shí)在MACPSO優(yōu)化算法下，每個(gè)粒子都試圖找到最優(yōu)的出力情況來(lái)實(shí)現(xiàn)優(yōu)化目標(biāo)。通過(guò)比較不同粒子出力情況下對(duì)應(yīng)的日成本，由MGO選擇使微網(wǎng)總成本最小的最終最優(yōu)策略。算法流程圖如圖3所示。

圖3 算法流程Fig.3 Algorithm flowchart

3 算例分析

3.1 基礎(chǔ)數(shù)據(jù)

本文所研究的多源微網(wǎng)系統(tǒng)結(jié)構(gòu)如圖4所示。各DG參數(shù)及維護(hù)系數(shù)如表1所示。污染物系數(shù)如表2所示。分時(shí)電價(jià)如表3所示。

圖4 微網(wǎng)結(jié)構(gòu)圖Fig.4 Structure chart of microgrid

表1 各DG參數(shù)Table 1 Parameters of different DGs

表2 污染物系數(shù)Table 2 Various pollutant discharge parameters

表3 微網(wǎng)購(gòu)、售電實(shí)時(shí)電價(jià)Table 3 Microgrid system power purchase and sale price

3.2 仿真分析

MACPSO算法參數(shù)：粒子數(shù)目為100，迭代次數(shù)為300，學(xué)習(xí)因子c1=c2=2，初始慣性權(quán)重為0.5，終值為0.9。微網(wǎng)系統(tǒng)運(yùn)行成本采用MACPSO優(yōu)化算法進(jìn)行20次仿真并取其平均值。在微網(wǎng)優(yōu)化調(diào)度過(guò)程中，風(fēng)光出力不能滿足微網(wǎng)內(nèi)部負(fù)荷需求，即ΔP（t）＞0時(shí)，協(xié)調(diào)MT，F(xiàn)C，電網(wǎng)，BA出力滿足負(fù)荷需求；風(fēng)光出力多于微網(wǎng)內(nèi)部負(fù)荷需求，即ΔP（t）<0時(shí)，將多余電量向蓄電池充電或出售至大電網(wǎng)，提高微網(wǎng)系統(tǒng)經(jīng)濟(jì)性。

對(duì)微網(wǎng)系統(tǒng)內(nèi)風(fēng)力、光伏、負(fù)載的出力預(yù)測(cè)如圖5所示。

圖5 負(fù)荷和新能源出力預(yù)測(cè)曲線Fig.5 Load demand and output predictionof renewable energy

圖中負(fù)荷缺額等于負(fù)荷與光伏和風(fēng)電之差。光伏和風(fēng)力均采用最大功率點(diǎn)跟蹤模式，微網(wǎng)系統(tǒng)全部消納清潔能源出力，光伏和風(fēng)力發(fā)電的額定功率分別為250，300 kW。

本文設(shè)計(jì)3種方案進(jìn)行對(duì)比分析和求解。

方案1：實(shí)行分時(shí)電價(jià)機(jī)制，峰、平、谷時(shí)段微網(wǎng)購(gòu)電與售電電價(jià)如表3，計(jì)算微網(wǎng)經(jīng)濟(jì)效益。方案1各DG出力曲線如圖6所示。

圖6 方案1各DG出力曲線Fig.6 DG output power of scheme 1

方案2：在方案1的基礎(chǔ)上，實(shí)行所制定的微網(wǎng)運(yùn)行控制策略，計(jì)算微網(wǎng)經(jīng)濟(jì)效益，方案1各DG出力曲線如圖7所示。

圖7 方案2各DG出力曲線Fig.7 DG output power of scheme 2

方案3：在方案2的基礎(chǔ)上，實(shí)行需求側(cè)響應(yīng)，計(jì)算微網(wǎng)經(jīng)濟(jì)效益，方案3各DG出力曲線如圖8所示。

圖8 方案3各DG出力曲線Fig.8 DG output power of scheme 3

對(duì)比圖6，7可以看出，基于MAS的微網(wǎng)運(yùn)行控制策略可以使微網(wǎng)各DG的出力更為合理與高效，經(jīng)過(guò)微網(wǎng)運(yùn)行控制策略的調(diào)控之后，各DG利用MACPSO算法對(duì)比尋優(yōu)獲得微網(wǎng)各DG最佳出力配置,并下發(fā)給各DG，各DG由此對(duì)自身狀態(tài)進(jìn)行調(diào)整。在平谷時(shí)段，微網(wǎng)負(fù)荷缺額較小時(shí)，PV，WT，MT等發(fā)出的多余電量給蓄電池充電，仍有多余則出售至大電網(wǎng)；峰時(shí)段負(fù)荷缺額較大時(shí)，儲(chǔ)能單元協(xié)同發(fā)電側(cè)DG出力共同滿足微網(wǎng)負(fù)荷需求，同時(shí)微網(wǎng)向大電網(wǎng)購(gòu)電，滿足微網(wǎng)供電需求，起到削峰作用。

不同方案下微網(wǎng)系統(tǒng)運(yùn)行成本如表4所示。

表4 不同方案下微網(wǎng)運(yùn)行優(yōu)化成本Table 4 Operation optimization results of microgrid under different schemes

在運(yùn)行控制策略和需求側(cè)響應(yīng)的作用下，與方案1相比，方案2，3下微網(wǎng)最優(yōu)經(jīng)濟(jì)成本分別節(jié)省了14.8%和19.28%，明顯提高了微網(wǎng)的經(jīng)濟(jì)效益。微網(wǎng)運(yùn)行控制策略可以更合理地調(diào)控微網(wǎng)各DG的出力，提高供電質(zhì)量和系統(tǒng)穩(wěn)定性。方案2在降低成本的同時(shí)，燃?xì)廨啓C(jī)和燃料電池的總出力都有所減少。這表明在運(yùn)行控制策略的作用下，微網(wǎng)各DG出力更加合理，對(duì)新能源出力和儲(chǔ)能單元的使用更加高效，既緩解了微燃機(jī)和燃料電池的出力壓力，也降低了污染氣體排放量和處理費(fèi)用，更加節(jié)能環(huán)保。方案3在方案2的基礎(chǔ)上，考慮需求側(cè)響應(yīng)，鼓勵(lì)用戶在用電高峰期放棄部分非重要負(fù)荷用電，并對(duì)此部分用戶進(jìn)行經(jīng)濟(jì)補(bǔ)償。在需求側(cè)響應(yīng)的作用下，方案3最優(yōu)成本為1 840.3元，比方案2降低5.2%（101.84元）?？梢钥闯觯m然經(jīng)濟(jì)成本節(jié)省量較小，并且須要向被控負(fù)荷進(jìn)行一定的經(jīng)濟(jì)補(bǔ)償，但由于負(fù)荷總量的減少，燃?xì)廨啓C(jī)和燃料電池的總出力量進(jìn)一步降低，由此產(chǎn)生的污染物排放量和處理費(fèi)用也進(jìn)一步減小。從可靠性和環(huán)保性角度考慮，該方案實(shí)際收益最好。

為了對(duì)所采用的MACPSO算法進(jìn)行更直觀的比對(duì)分析，將粒子群算法（PSO）、混沌粒子群算法（CPSO）、多智能體混沌粒子群算法（MACSPO）3種算法在方案3的情況下進(jìn)行收斂性分析，算法迭代過(guò)程如圖9所示。

圖9 算法收斂性對(duì)比Fig.9 Algorithm convergence contrast diagram

由圖9可以看出，隨著迭代次數(shù)的增加，3種算法的目標(biāo)函數(shù)值均逐漸減小，并最終趨于穩(wěn)定。與PSO算法，CPSO算法相比，MACPSO算法在迭代中引入了混沌優(yōu)化，加強(qiáng)了局部尋優(yōu)能力，因此收斂速度相對(duì)較快，且能搜索獲得更優(yōu)的值。MACPSO算法運(yùn)用MAS技術(shù)，將智能體與相鄰智能體適應(yīng)度值進(jìn)行大小對(duì)比，并利用混沌的隨機(jī)性和遍歷性實(shí)現(xiàn)局部深度搜索，提高尋優(yōu)能力。圖中MACPSO算法尋優(yōu)結(jié)果最好。

4 結(jié)束語(yǔ)

本文構(gòu)建了基于MAS的微網(wǎng)三層體系結(jié)構(gòu)，包括微網(wǎng)層、微網(wǎng)集中控制層、微網(wǎng)元件控制層，并采用了MACPSO優(yōu)化算法求解優(yōu)化模型，以解決微網(wǎng)系統(tǒng)的最優(yōu)運(yùn)行問(wèn)題。在MGC層中制定相應(yīng)的微網(wǎng)運(yùn)行控制策略和需求側(cè)響應(yīng)條件，結(jié)合分時(shí)電價(jià)機(jī)制，協(xié)調(diào)微網(wǎng)內(nèi)各DG和儲(chǔ)能單元的出力，利用MACPSO算法在迭代中對(duì)粒子進(jìn)行修正與尋優(yōu)，獲得各DG最佳出力配置。通過(guò)對(duì)比分析，驗(yàn)證了所提方法能夠降低微網(wǎng)的運(yùn)行成本，提高微網(wǎng)系統(tǒng)的經(jīng)濟(jì)性和環(huán)保性。