戚艷，尚學(xué)軍，聶靖宇，霍現(xiàn)旭，鄔斌揚(yáng)，蘇萬華

(1.國(guó)網(wǎng)天津市電力公司電力科學(xué)研究院，天津 300384； 2.天津大學(xué) 內(nèi)燃機(jī)國(guó)家重點(diǎn)實(shí)驗(yàn)室，天津 300072)

0 引 言

隨著分布式能源供應(yīng)系統(tǒng)的快速發(fā)展，熱電聯(lián)供(CHP)系統(tǒng)以及冷熱電聯(lián)供(CCHP)系統(tǒng)已成為提高能源效率和減少溫室氣體排放的關(guān)鍵解決方案[1]。CCHP系統(tǒng)采用能量梯級(jí)利用原理，使系統(tǒng)的能源利用效率顯著高于普通熱電效率，實(shí)現(xiàn)節(jié)能減排的目標(biāo)。深入對(duì)CCHP型微電網(wǎng)的研究，致力于多種能源系統(tǒng)的協(xié)調(diào)運(yùn)行，提高微電網(wǎng)運(yùn)行的經(jīng)濟(jì)性和環(huán)保性，對(duì)于CCHP型微電網(wǎng)的推廣與發(fā)展有著重要意義[2-3]。

目前，微電網(wǎng)的經(jīng)濟(jì)調(diào)度研究主要考慮經(jīng)濟(jì)和環(huán)保兩方面的因素。文獻(xiàn)[4]中采用模糊幾何加權(quán)的方法，建立了綜合運(yùn)行費(fèi)用和環(huán)境懲罰因子的目標(biāo)函數(shù)，對(duì)CCHP型微電網(wǎng)進(jìn)行優(yōu)化調(diào)度。這種將多目標(biāo)問題轉(zhuǎn)化為單目標(biāo)的方法在微電網(wǎng)的運(yùn)行優(yōu)化研究中使用普遍[5]，但是也存在一定的問題。單目標(biāo)優(yōu)化得到的運(yùn)行策略單一，用戶無法進(jìn)行靈活的選擇。同時(shí)，單目標(biāo)優(yōu)化的結(jié)果無法使用戶直接對(duì)運(yùn)行策略的經(jīng)濟(jì)性和環(huán)保性進(jìn)行調(diào)控，單純以最佳的經(jīng)濟(jì)效益為目標(biāo)。文獻(xiàn)[6]中采用MOPSO對(duì)熱電聯(lián)供型微電網(wǎng)進(jìn)行基于Pareto最優(yōu)解集的多目標(biāo)運(yùn)行優(yōu)化。優(yōu)化結(jié)果中，用戶可以直觀地得到污染氣體排放和運(yùn)行費(fèi)用的具體情況?；赑areto最優(yōu)解集的優(yōu)化結(jié)果具有多樣性，用戶在各種優(yōu)化策略中可以結(jié)合實(shí)際需要，權(quán)衡污染氣體排放和運(yùn)行費(fèi)用，做出最優(yōu)選擇。

如今，多目標(biāo)優(yōu)化技術(shù)廣泛應(yīng)用于：機(jī)械工程、土木工程和化工等研究領(lǐng)域。早期的多目標(biāo)隨機(jī)優(yōu)化算法多為單目標(biāo)優(yōu)化算法轉(zhuǎn)化而來，例如：SPEA[7]、NSGA-Ⅱ[8]、MOPSO[9]和MOEA/D[10]等應(yīng)用廣泛的優(yōu)化算法。文獻(xiàn)[11]提出了一種基于灰狼優(yōu)化算法(GWO)提出的多目標(biāo)灰狼優(yōu)化算法(MOGWO)，該算法具有收斂快、實(shí)現(xiàn)簡(jiǎn)單的特點(diǎn)，并且在多目標(biāo)基準(zhǔn)測(cè)試函數(shù)中表現(xiàn)出優(yōu)于MOPSO和MOEA/D的性能，具有應(yīng)用推廣的潛力。然而，相同的優(yōu)化算法在不同的實(shí)際問題中的優(yōu)化性能無法得到保證，其在微電網(wǎng)多目標(biāo)優(yōu)化問題的適用性尚待驗(yàn)證。

文中以CCHP型微電網(wǎng)為研究對(duì)象，將微電網(wǎng)的運(yùn)行費(fèi)用和環(huán)境污染成本作為優(yōu)化目標(biāo)，考慮冷熱電負(fù)荷和設(shè)備運(yùn)行要求的約束，建立的微電網(wǎng)的多目標(biāo)優(yōu)化模型，使用改進(jìn)的MOGWO算法進(jìn)行求解。最后，通過仿真結(jié)果驗(yàn)證模型和改進(jìn)算法的適用性與有效性。優(yōu)化結(jié)果具有多樣性與靈活性，以供用戶根據(jù)需要進(jìn)行選擇，實(shí)現(xiàn)CCHP型微電網(wǎng)經(jīng)濟(jì)環(huán)保的運(yùn)行。

1 CCHP型微電網(wǎng)數(shù)學(xué)模型

文中研究的CCHP型微電網(wǎng)，由風(fēng)機(jī)、光伏電池、微型燃?xì)廨啓C(jī)、蓄電池和大電網(wǎng)承擔(dān)電負(fù)荷，此系統(tǒng)與大電網(wǎng)根據(jù)需求進(jìn)行買/賣電；余熱鍋爐、蓄熱槽和電采暖承擔(dān)熱負(fù)荷；溴化鋰吸收式制冷機(jī)和分體式空調(diào)承擔(dān)冷負(fù)荷，如圖1所示。下面對(duì)主要微源的模型進(jìn)行詳細(xì)介紹。

圖1 CCHP型微電網(wǎng)

1.1 微型燃?xì)廨啓C(jī)模型[6,12]

微型燃?xì)廨啓C(jī)的效率與設(shè)備容量、負(fù)載水平相關(guān)。其效率的表達(dá)式為：

ηMTE=4.08×10-4PMTref+0.107RMT-8.91×10-5PMTrefRMT+0.169

(1)

ηMTH=-6.64×10-4PMTref-6.87×10-2RMT-1.33×10-4PMTrefRMT+0.693

(2)

式中hMTE為發(fā)電效率；hMTH為制熱效率；PMTref為設(shè)備的額定功率；RMT為荷載率。

1.2 余熱鍋爐模型

微型燃?xì)廨啓C(jī)的煙氣作為余熱鍋爐的熱源，產(chǎn)生蒸汽滿足微電網(wǎng)的熱負(fù)荷需求，額外的蒸汽還可以通過吸收式制冷機(jī)供冷。余熱鍋爐的功率為：

(3)

式中Pbl為余熱鍋爐的功率；PMT為微型燃?xì)廨啓C(jī)的功率；hbl為余熱鍋爐的效率。

1.3 溴化鋰吸收式制冷機(jī)模型

溴化鋰吸收式制冷機(jī)利用余熱鍋爐產(chǎn)生的蒸汽進(jìn)行吸收式制冷，其數(shù)學(xué)模型為：

Pac=Qac·COPac

(4)

式中Pac為溴化鋰吸收式制冷機(jī)的制冷功率；Qac為余熱鍋爐為提供個(gè)制冷機(jī)的熱量；COPac為設(shè)備的制冷系數(shù)。

1.4 蓄電池模型

蓄電池可以儲(chǔ)存微電網(wǎng)中產(chǎn)生的多余電量和在用電高峰時(shí)段進(jìn)行輔助供電。蓄電池的充放電狀態(tài)(SOC)為剩余電量與額定電量的比值：

(5)

式中Cnet蓄電池當(dāng)前電量；C為蓄電池最大容量。

每個(gè)時(shí)間段蓄電池狀態(tài)：

(6)

式中Pb為電池功率，放電為正；Δt為時(shí)間跨度。

1.5 蓄熱槽模型

蓄熱槽可以儲(chǔ)存微網(wǎng)產(chǎn)生的剩余熱量并加以利用，但在儲(chǔ)熱過程中會(huì)造成熱能的耗散。蓄熱槽的具體模型為：

EHST,t+Δt=EHST,t(1-φHST)Δt+ΔtPHST,t

(7)

式中EHST,t為t時(shí)段蓄熱槽內(nèi)的熱能；jHST為蓄熱的損耗系數(shù)；PHST,t為設(shè)備t時(shí)段的功率，蓄熱為正，放熱為負(fù)。

1.6 風(fēng)力機(jī)模型

風(fēng)力機(jī)的輸出功率表達(dá)式為：

(8)

式中Pw為風(fēng)力機(jī)輸出功率；Vin切入風(fēng)速；Vout切出風(fēng)速；v當(dāng)前風(fēng)速；Vr為額定風(fēng)速；PN風(fēng)力發(fā)電機(jī)組額定輸出功率。

1.7 光伏電池模型

光伏電池的輸出功率表達(dá)式為：

(9)

式中Ppv為光伏電池的輸出功率；PSTC標(biāo)準(zhǔn)條件下的輸出功率；G為實(shí)際光照強(qiáng)度；GSTC標(biāo)準(zhǔn)條件下的光照強(qiáng)度，1 000 W/m2；k為功率溫度系數(shù)；Te為環(huán)境溫度；TN為組件額定溫度；TSTC模塊在標(biāo)準(zhǔn)條件下的表面溫度，25 ℃。

1.8 電采暖和分體式空調(diào)模型

當(dāng)其它微源無法滿足冷熱負(fù)荷時(shí)，需要消耗電能來滿足用戶的需求。分體式空調(diào)的制冷功率表達(dá)式為：

Pec=Qec·COPec

(10)

式中Pec為分體式空調(diào)的制冷功率；Qec為消耗的電功率；COPec為分體式空調(diào)的制冷系數(shù)。

電采暖的制熱功率表達(dá)式為：

Peh=Qeh·COPeh

(11)

式中Peh為電采暖的制熱功率；Qeh為消耗的電功率；COPec為電采暖的制熱系數(shù)。

2 微電網(wǎng)多目標(biāo)優(yōu)化模型

2.1 目標(biāo)函數(shù)

微電網(wǎng)的優(yōu)化目標(biāo)包括2個(gè):最低的微電網(wǎng)運(yùn)行費(fèi)用、最低的環(huán)境污染成本。

2.1.1 微電網(wǎng)運(yùn)行費(fèi)用模型

微電網(wǎng)運(yùn)行費(fèi)用包括三個(gè)方面:天然氣費(fèi)用、各微源的維護(hù)費(fèi)用和微電網(wǎng)從大電網(wǎng)購(gòu)售電產(chǎn)生的費(fèi)用。優(yōu)化目標(biāo)的數(shù)學(xué)表達(dá)式為：

(12)

式中F1為系統(tǒng)運(yùn)行24小時(shí)總費(fèi)用；N為微源的數(shù)量；Cgas為天然氣價(jià)格；Pj為微源j的功率；Cj為微源j的維護(hù)單位成本；l為棄風(fēng)成本系數(shù)；Pw,e為棄風(fēng)功率；t為棄光成本系數(shù)；Ppv,e為棄光功率；Cp為從大電網(wǎng)購(gòu)電價(jià)格；Cs為向大電網(wǎng)售電價(jià)格；Pg為微電網(wǎng)與大電網(wǎng)的交互功率，購(gòu)電為正售電為負(fù)。

2.1.2 環(huán)境污染成本模型

微電網(wǎng)中產(chǎn)生污染氣的微源主要為微型燃?xì)廨啓C(jī)和大電網(wǎng)，單純的將污染氣體的排放總量相加無法反映其對(duì)環(huán)境的影響程度，文中將微網(wǎng)產(chǎn)生的污染氣體的治理成本最少作為目標(biāo)進(jìn)行優(yōu)化，具體的數(shù)學(xué)表達(dá)式為：

(13)

式中F2為系統(tǒng)運(yùn)行24小時(shí)產(chǎn)生污染氣體總的治理費(fèi)用；k表示污染氣體的種類(包括CO2，NOx和SO2)；WMT,k表示微型燃?xì)廨啓C(jī)產(chǎn)生污染氣體k的排放系數(shù)；Wg,k表示大電網(wǎng)產(chǎn)生污染氣體k的排放系數(shù)；Pg,p表示從大電網(wǎng)的購(gòu)電功率(售電時(shí)為0)；Ck表示污染氣體k的單位治理成本。

2.2 約束條件

微電網(wǎng)優(yōu)化模型的約束條件主要包含兩個(gè)方面：負(fù)荷約束和微源的運(yùn)行約束。

2.2.1 電負(fù)荷約束

微電網(wǎng)各個(gè)微元輸出的電功率之和需滿足電負(fù)荷的需求。

蓄電池處于放電狀態(tài)時(shí)：

(Pw+PMT+Ppv+Pbηdis+Pg=PE)i

(14)

蓄電池充電狀態(tài)時(shí)：

(15)

式中PE為園區(qū)電負(fù)荷；hdis為蓄電池放電效率;hch為蓄電池充電效率。

2.2.2 熱負(fù)荷約束

余熱鍋爐、蓄熱槽和電采暖的輸出熱功率之和需滿足園區(qū)熱負(fù)荷的需求，且余熱鍋爐產(chǎn)生的蒸汽優(yōu)先滿足熱負(fù)荷，多余的蒸汽可用于制冷和蓄熱。但是由于蓄熱槽的容量限制可能會(huì)造成熱能的浪費(fèi)。蓄熱槽放熱：

(Pbl+PHSTμdis+Peh≥PH)i

(16)

蓄熱槽蓄熱：

(17)

式中PH為園區(qū)熱負(fù)荷；mdis為蓄熱槽放熱效率；mch為蓄熱槽蓄熱效率。

2.2.3 冷負(fù)荷約束

溴化鋰吸收式制冷機(jī)和分體空調(diào)輸出的冷功率之和需滿足園區(qū)冷負(fù)荷需求：

(Pac+Pec=PC)i

(18)

式中PC為園區(qū)冷負(fù)荷。

2.2.4 儲(chǔ)能設(shè)備的約束條件

為了保護(hù)蓄電池的工作壽命，蓄電池的SOC應(yīng)處于一定的范圍內(nèi)：

(SOCmin≤SOC≤SOCmax)i

(19)

式中SOCmin和SOCmax是蓄電池電荷狀態(tài)允許的最小和最大值。

蓄熱槽的需熱量也存在著一定約束：

(EHST,min≤EHST≤EHST,max)i

(20)

式中EHST,min和EHST,max是蓄熱槽的蓄熱量所允許的最小和最大值。

2.2.5 設(shè)備的運(yùn)行約束

微電網(wǎng)內(nèi)微源的運(yùn)行功率都應(yīng)該處于對(duì)應(yīng)的范圍內(nèi)：

(Pj,min≤Pj≤Pj,max)i

(21)

式中Pj,min為微源j的運(yùn)行功率下限；Pj為微源j實(shí)際運(yùn)行功率；Pj,max為微源運(yùn)行功率上限。

2.2.6 微型燃?xì)廨啓C(jī)的爬坡約束

-Rdown

(22)

式中PMT(t)、PMT(t-1)表示t、t-1時(shí)刻微型燃?xì)廨啓C(jī)的功率；Rdown、Rup表示最大向下和最大向上爬坡速率。

2.2.7 與大電網(wǎng)交互功率的約束

為了減小微電網(wǎng)對(duì)大電網(wǎng)造成過大的負(fù)荷波動(dòng)，影響大電網(wǎng)的穩(wěn)定性，對(duì)微電網(wǎng)與大電網(wǎng)的交互功率進(jìn)行一定的限制。

Pg,min≤Pg≤Pg,max

(23)

式中Pg,min為與大電網(wǎng)交互的功率下限；Pg,max為與大電網(wǎng)交互的功率上限。

3 改進(jìn)多目標(biāo)灰狼優(yōu)化算法

3.1 多目標(biāo)灰狼優(yōu)化算法

灰狼優(yōu)化算法是文獻(xiàn)[13]受狼群合作捕食過程啟發(fā)而提出的新型群體智能優(yōu)化算法。2015年又在此基礎(chǔ)上提出了多目標(biāo)灰狼優(yōu)化算法(MOGWO)。

Di(k)=|C·Xp(k)-Xi(k)|

(24)

Xi(k+1)=Xp(k)-A·Di(k)

(25)

式中Xp(k)表示獵物目前所在位置；C和A為影響系數(shù)，其計(jì)算公式如下：

A=2aR1-a

(26)

C=2R2

(27)

式中R1和R2為[0,1]之間的隨機(jī)數(shù)，a按照式(28)線性減?。?/p>

(28)

在灰狼優(yōu)化算法中，將每次迭代中目標(biāo)函數(shù)值最優(yōu)的三個(gè)位置依次分配給a、b和d,其余個(gè)體根據(jù)這三個(gè)最優(yōu)個(gè)體位置更新自己的位置。相較于GWO，MOGWO中引入了外部種群Archive并對(duì)a、b和d的選擇策略進(jìn)行了改動(dòng)。Archive用于儲(chǔ)存每一代產(chǎn)生的優(yōu)秀個(gè)體，即非支配解。并且按照一定的策略進(jìn)行更新和刪除。MOGWO算法直接從Archive采用輪盤賭的方式選擇三只優(yōu)秀個(gè)體作為a、b和d。最終，外部種群Archive中的個(gè)體即為優(yōu)化問題的一組Pareto最優(yōu)解。

3.2 改進(jìn)多目標(biāo)灰狼優(yōu)化算法

文中微電網(wǎng)的優(yōu)化問題是非線性的多約束問題，在利用原始MOGWO算法進(jìn)行求解的過程中，眾多約束條件使得算法的計(jì)算時(shí)間增加，為了改善這一問題本文對(duì)MOGWO算法及優(yōu)化模型進(jìn)行了如下改進(jìn)：

(1)優(yōu)化模型的簡(jiǎn)化。通過對(duì)微電網(wǎng)優(yōu)化模型的簡(jiǎn)化可以有效減少灰狼的維數(shù)從而縮短求解時(shí)間：風(fēng)機(jī)和光伏電池的維護(hù)成本相對(duì)較低且沒有燃料費(fèi)用和污染排放，故在優(yōu)化時(shí)可以按照可能的最大功率出力;

(2)灰狼初始化和位置更新的方式改變。在原始MOGWO中灰狼個(gè)體位置的每一維坐標(biāo)是同時(shí)生成的，即每個(gè)微源在24個(gè)小時(shí)內(nèi)的出力同時(shí)生成。原算法灰狼的位置向量表示為：

X=(xa,1,...,xa,24,xb,1,...,xb,24,xc,1,...,xc,24)

(29)

式中a,b,c代表不同的微源，數(shù)字代表不同的時(shí)段。如某個(gè)設(shè)備在某個(gè)時(shí)段的功率不符合約束的要求，整個(gè)灰狼的位置都要進(jìn)行重新生成，造成運(yùn)算量增加。針對(duì)微電網(wǎng)的約束和時(shí)間段的相關(guān)性，本文將每只灰狼個(gè)體位置按時(shí)間分為24組，將同一時(shí)間段的設(shè)備出力分為一組進(jìn)行初始化和更新,即：

Xi=(xa,i,xb,i,xc,i)

(30)

判定滿足約束時(shí)再進(jìn)行下一組設(shè)備出力的初始化或更新，24個(gè)組都滿足約束后進(jìn)行合并和后續(xù)運(yùn)算。這種做法的優(yōu)勢(shì)在于，當(dāng)某個(gè)時(shí)段的設(shè)備出力不符合約束時(shí)，只需重新生成該時(shí)段的設(shè)備出力而非個(gè)體的所有時(shí)段的設(shè)備出力，從而縮短計(jì)算時(shí)間。

(3)MOGWO算法的前期探索能力不足，對(duì)于式(28)中的控制參數(shù)a而言，a越大則算法的探索能力越強(qiáng)[14-15]。在文中將線性縮小的a改為式(31)的冪函數(shù)形式，以提高算法前期的探索能力，經(jīng)多次求解發(fā)現(xiàn)當(dāng)指數(shù)為4時(shí)優(yōu)化效果最佳。

(31)

改進(jìn)后的MOGWO算法的主要步驟如下：

(1)步驟1：設(shè)置灰狼的數(shù)量、最大迭代次數(shù)、搜索范圍和外部種群Archive的參數(shù)等控制參數(shù)；

(2)步驟2：灰狼初始化。隨即生成灰狼個(gè)體，檢驗(yàn)是否滿足約束條件，直至生成足夠數(shù)量的合格個(gè)體。計(jì)算灰狼的目標(biāo)函數(shù)值，確定非支配個(gè)體，更新Archive；

(3)步驟3：從Archive中按輪盤賭法選擇a、b和d狼，其余灰狼根據(jù)a、b和d狼的位置進(jìn)行更新，檢驗(yàn)新生成的灰狼是否滿足約束條件，直至生成足夠數(shù)量的合格灰狼個(gè)體；

(4)步驟4: 計(jì)算灰狼的目標(biāo)函數(shù)值，確定非支配個(gè)體，更新Archive；

(5)步驟5：重復(fù)步驟3、步驟4，直至達(dá)到最大迭代次數(shù)；

(6)步驟6：輸出Archive中的灰狼位置，即為微電網(wǎng)優(yōu)化問題的一組Pareto解集。

4 CCHP型微電網(wǎng)優(yōu)化算例分析

4.1 基礎(chǔ)數(shù)據(jù)

微電網(wǎng)優(yōu)化所需數(shù)據(jù)包括：冷、熱、電三種負(fù)荷的預(yù)測(cè)(圖2)、微源的相關(guān)參數(shù)和維護(hù)費(fèi)用(表1)、與電網(wǎng)交易的電價(jià)(表2)、污染氣體排放系數(shù)(表3)和天然氣價(jià)格等。園區(qū)所用蓄電池的容量下限和上限為160 kW·h和480 kW·h,初始電量為160kW·h。蓄熱槽的容量EHST,min和EHST,max為0和200 kW·h,初始蓄熱量為100 kW·h。微型燃?xì)廨啓C(jī)的燃料為天然氣，價(jià)格為：Cgas=0.175元/kW·h。

圖2 冷、熱、電負(fù)荷預(yù)測(cè)

表1 微源的相關(guān)數(shù)據(jù)

表2 與大電網(wǎng)交易價(jià)格

表3 污染物排放系數(shù)及治理成本

4.2 模型仿真及結(jié)果分析

4.2.1 模型仿真

前文已在微電網(wǎng)的優(yōu)化模型的基礎(chǔ)上對(duì)MOGWO進(jìn)行了改進(jìn)，風(fēng)機(jī)和光伏電池按照預(yù)測(cè)的最大功率的出力(圖3)，當(dāng)風(fēng)機(jī)和光伏的出力溢出，產(chǎn)生的棄風(fēng)、棄光也已考慮在運(yùn)行費(fèi)用中。模型中其它需要直接進(jìn)行輸出功率優(yōu)化的微源包括：微型燃?xì)廨啓C(jī)、蓄電池和大電網(wǎng)，其余微源的出力可以根據(jù)數(shù)學(xué)模型和約束條件得到?；依俏恢玫拿恳痪S坐標(biāo)代表某個(gè)微源一個(gè)時(shí)間段內(nèi)的出力，維度為72。

圖3 風(fēng)機(jī)和光伏電池的出力預(yù)測(cè)

優(yōu)化模型中，搜索灰狼個(gè)體的數(shù)目為100，最大迭代次數(shù)為200，外部種群Archive的容量為70。仿真結(jié)果得到70個(gè)Pareto最優(yōu)解，即種可供用戶選擇的控制策略，每個(gè)控制策略的運(yùn)行費(fèi)用和環(huán)境污染成本各不相同，具體的解集如圖4所示。

圖4 優(yōu)化結(jié)果

4.2.2 優(yōu)化運(yùn)行策略的分析

圖5中是運(yùn)行費(fèi)用最小時(shí)的電功率出力優(yōu)化。圖中的電功率曲線沒有包含風(fēng)機(jī)和光伏電池的出力，風(fēng)機(jī)和光伏電池的出力按照前文的預(yù)測(cè)值計(jì)算，剩余的電負(fù)荷由微型燃?xì)廨啓C(jī)、蓄電池和大電網(wǎng)承擔(dān)。從圖5中可以看出，燃?xì)廨啓C(jī)滿負(fù)荷工作的時(shí)間段為第12～15和18～21時(shí)段，因?yàn)殡娰M(fèi)的峰時(shí)包含在這兩個(gè)時(shí)間段內(nèi)，此時(shí)燃?xì)廨啓C(jī)的發(fā)電成本低于從大電網(wǎng)購(gòu)電的費(fèi)用，另外滿負(fù)荷工作的燃?xì)廨啓C(jī)有更高的效率，為了降低運(yùn)行費(fèi)用優(yōu)先使用燃?xì)廨啓C(jī)供電。另外，燃?xì)廨啓C(jī)在電價(jià)處于谷時(shí)的第1～6和23～24時(shí)段出力很低，微電網(wǎng)優(yōu)先使用更加廉價(jià)的大電網(wǎng)供電，可以進(jìn)一步降低成本。

圖5 運(yùn)行費(fèi)用最低策略的電功率出力

蓄電池的功率和蓄電量如圖6所示。在第1～9和16～17時(shí)段蓄電池都處于充電狀態(tài)，這些時(shí)段的電價(jià)都處于平時(shí)或谷時(shí)，園區(qū)從大電網(wǎng)購(gòu)買低價(jià)的電能；而在第11～15和18～22時(shí)段，從大電網(wǎng)購(gòu)電的價(jià)格最高，蓄電池開始放電，承擔(dān)園區(qū)內(nèi)的電負(fù)荷，減少在用電高峰時(shí)段從電網(wǎng)購(gòu)買高價(jià)電能，蓄電池這種削峰填谷運(yùn)行策略有效提高了微電網(wǎng)的經(jīng)濟(jì)性。大電網(wǎng)在第1～7和第23～24時(shí)段承擔(dān)園區(qū)內(nèi)主要的電負(fù)荷，這段時(shí)間的電價(jià)低也恰好位于谷時(shí)。在所有的電價(jià)的峰時(shí)段，微型燃?xì)廨啓C(jī)都處于滿負(fù)荷工作狀態(tài)，在這些時(shí)段微型燃?xì)廨啓C(jī)和蓄電池承擔(dān)園區(qū)的電負(fù)荷，產(chǎn)生的多余電能出售給電網(wǎng)，而此時(shí)向大電網(wǎng)售電的價(jià)格最高，進(jìn)一步實(shí)現(xiàn)了運(yùn)行費(fèi)用的減少。

圖6 運(yùn)行費(fèi)用最低策略的蓄電池工作曲線

圖7是運(yùn)行費(fèi)用最小時(shí)的冷、熱能功率出力。在微型燃?xì)廨啓C(jī)出力較低的第1～6和23～24時(shí)段，冷負(fù)荷完全由分體空調(diào)承擔(dān)；熱負(fù)荷則是使用蓄熱槽內(nèi)的熱能承擔(dān)。在微型燃?xì)廨啓C(jī)出力較高的第8～16，燃?xì)廨啓C(jī)產(chǎn)生的熱量通過余熱鍋爐和溴化鋰吸收式制冷機(jī)可以滿足冷熱負(fù)荷，產(chǎn)生的多余熱量?jī)?chǔ)存在蓄熱槽中，此時(shí)分體空調(diào)停止工作。由于蓄熱槽的容量限制，蓄熱在第17時(shí)段達(dá)到蓄熱量的上限，不再蓄熱，但是微型燃?xì)廨啓C(jī)仍然會(huì)產(chǎn)生多余的熱量，此時(shí)會(huì)造成熱量的浪費(fèi)情況。

圖7 運(yùn)行費(fèi)用最低策略的冷、熱能功率出力

圖8為優(yōu)化結(jié)果中環(huán)境污染成本最低的運(yùn)行策略的電功率曲線。系統(tǒng)內(nèi)污染氣體來自微型燃?xì)廨啓C(jī)和大電網(wǎng)，且從燃?xì)廨啓C(jī)和大電網(wǎng)排放的數(shù)學(xué)模型可以看出微型燃?xì)廨啓C(jī)的環(huán)保性更優(yōu)，在該種策略下燃?xì)廨啓C(jī)的24小時(shí)的總出力為1 469 kW·h，明顯高于最低運(yùn)行費(fèi)用策略的1 330 kW·h。另外，為了減小污染氣體產(chǎn)生，燃?xì)廨啓C(jī)生產(chǎn)多余的電能出售給大電網(wǎng)的情況也很少出現(xiàn)。

圖8 環(huán)境污染成本最低策略的電功率出力

通過優(yōu)化結(jié)果還可以看出，兩個(gè)目標(biāo)存在著制約的關(guān)系，無法同時(shí)達(dá)到最優(yōu)，前文所述的兩種運(yùn)行策略是兩個(gè)目標(biāo)分別達(dá)到最優(yōu)情況下的策略，優(yōu)化結(jié)果中還包含其它折中的運(yùn)行策略。選擇基于Pareto最優(yōu)解集的多目標(biāo)優(yōu)化方法的優(yōu)勢(shì)在于，用戶自行決定對(duì)這兩個(gè)目標(biāo)的側(cè)重程度，根據(jù)需求選擇運(yùn)行策略，更具靈活性和多樣性。

4.2.3 算法比較

針對(duì)文中研究的問題采用傳統(tǒng)MOGWO算法的得到Pareto解集，采用盒須圖對(duì)兩種算法求解所得Pareto前沿進(jìn)行比較(圖9)。各目標(biāo)函數(shù)值分布越廣，算法的全局搜索性能就越好。對(duì)比結(jié)果表明改進(jìn)MOGWO的全局搜索性更優(yōu)。為了消除算法隨機(jī)性帶來的誤差，分別獨(dú)立運(yùn)行兩種算法20次，對(duì)比結(jié)果與上述近似。另外，在對(duì)灰狼的位置初始化和更新方式調(diào)整后，改進(jìn)MOGWO算法的求解速度明顯快于傳統(tǒng)MOGWO算法。

圖9 優(yōu)化結(jié)果對(duì)比

5 結(jié)束語

文中針對(duì)CCHP型微電網(wǎng)的多目標(biāo)運(yùn)行優(yōu)化問題,構(gòu)建了以運(yùn)行費(fèi)用和環(huán)境污染成本為多目標(biāo)的運(yùn)行策略優(yōu)化模型,采用改進(jìn)的MOGWO算法求解。結(jié)合仿真分析，對(duì)優(yōu)化模型及算法的適用性和有效性進(jìn)行驗(yàn)證，得到了下列結(jié)論：

(1)通過對(duì)MOGWO算法進(jìn)行狼群的初始化和更新方式的改變以及優(yōu)化控制參數(shù)的調(diào)整策略，再結(jié)合微電網(wǎng)優(yōu)化模型進(jìn)行改進(jìn)。改進(jìn)MOGWO算法對(duì)微電網(wǎng)的多目標(biāo)運(yùn)行優(yōu)化問題的優(yōu)化結(jié)果全局搜索性和計(jì)算速度均優(yōu)于原始算法；

(2)對(duì)優(yōu)化結(jié)果的分析表明，不同的優(yōu)化策略通過改變各個(gè)微源的出力，可以對(duì)兩個(gè)目標(biāo)實(shí)現(xiàn)不同程度的優(yōu)化，實(shí)現(xiàn)降低運(yùn)行成本、減少污染氣體排放的目標(biāo)；

(3)優(yōu)化目標(biāo)之間存在一定的制約關(guān)系，無法同時(shí)達(dá)到最優(yōu)。本文建立的CCHP型微電網(wǎng)多目標(biāo)優(yōu)化模型可以讓用戶根據(jù)實(shí)際需要選擇運(yùn)行策略，優(yōu)化結(jié)果具有靈活性與多樣性。

CCHP型微電網(wǎng)的研究涉及運(yùn)行優(yōu)化、能效評(píng)估、微源模型建立與計(jì)算方法等多個(gè)方面；智能優(yōu)化算法面對(duì)非線性多約束問題的優(yōu)化能力有待提高，針對(duì)這些問題今后可以開展更深入的研究。