陳亞瓊 馬瀟予 曾小鳳 張克誠 管鑫

（1.國網(wǎng)甘肅省電力公司培訓中心 2.國網(wǎng)甘肅省電力公司酒泉肅州區(qū)供電公司3.國網(wǎng)甘肅省電力公司臨夏供電公司）

0 引言

隨著全球能源危機的日益加劇以及環(huán)境問題的持續(xù)惡化，世界各國都在對風能、太陽能等新型能源進行研究，加大新能源的利用占比，逐步取代原有的化石型能源，新能源的應(yīng)用必須先以分布式電源、儲能裝置的形式接入微電網(wǎng)，通過微電網(wǎng)進行控制后才能夠接入主電網(wǎng)，因此對微電網(wǎng)的運行模式進行合理的調(diào)度優(yōu)化是保證新能源高效利用的關(guān)鍵。

本文所研究的微電網(wǎng)自動調(diào)度優(yōu)化問題實質(zhì)上是基于多約束條件的單目標優(yōu)化問題。微電網(wǎng)能夠進行調(diào)度優(yōu)化的前提是電網(wǎng)能夠接入主電網(wǎng)運行，通過微電網(wǎng)內(nèi)部的調(diào)度優(yōu)化以及與主電網(wǎng)的配合運行，向負荷提供高質(zhì)量的能源。本文針對包含有多種分布式電源、儲能裝置、可控負荷的微電網(wǎng)，以微電網(wǎng)的運行成本為優(yōu)化目標，構(gòu)建微電網(wǎng)調(diào)度模型，采用人工智能控制策略進行模型的求解。通過仿真實例進行深入分析，人工智能控制策略能夠?qū)崿F(xiàn)微電網(wǎng)的自動化調(diào)度。

1 微電網(wǎng)架構(gòu)

電網(wǎng)的負荷重要性存在一定的差異，通常情況下可以劃分為三種，即核心負荷、重要負荷、常規(guī)負荷，三種類型的負荷分別配置在三條配電網(wǎng)饋線上，以便實現(xiàn)對負荷的分級控制，微電網(wǎng)通過公共結(jié)點接入到主電網(wǎng)中，并網(wǎng)運行，微電網(wǎng)的具體調(diào)度架構(gòu)如圖1所示。

圖1 微電網(wǎng)調(diào)度架構(gòu)

微電網(wǎng)的分布式電源又可以分為新能源發(fā)電單元（包括風力發(fā)電單元、光伏發(fā)電單元）和常規(guī)發(fā)電單元（火力發(fā)電單元），分布式電源所發(fā)出的電能除向主電網(wǎng)輸送外，還可以輸送到儲能裝置進行存儲，當達到特定的外部條件時，儲能裝置會向外輸出電能，為微電網(wǎng)中的負荷供電。

2 分布式電源數(shù)學模型

該微電網(wǎng)包含多種形式的分布式電源，如光伏發(fā)電、風力發(fā)電、火力發(fā)電等，還包括儲能裝置和負荷。

2.1 光伏發(fā)電數(shù)學模型

光伏發(fā)電的輸出功率與光照強度、功率點極大值的跟蹤控制、光伏陣列的受光面積、光伏電池的工作效率、光線的入射角度相關(guān)聯(lián)，其輸出功率的數(shù)學表達式：

式中，v為光照強度；λpV為最大功率點跟蹤控制效率；UpV為光伏陣列面積；ρpV為光伏電池工作效率；θ為太陽光入射角度。

2.2 風力發(fā)電數(shù)學模型

風力發(fā)電的輸出功率由當前風速和風力發(fā)電機的額定功率相關(guān)聯(lián)，風力發(fā)電的輸出功率為：

式中，vin為風力發(fā)電機并網(wǎng)發(fā)電風速下限；vout為風力發(fā)電機并網(wǎng)發(fā)電風速上限；vR為風力發(fā)電機的額定風速；PR為風發(fā)電機的額定輸出功率。

2.3 火力發(fā)電數(shù)學模型

火力發(fā)電成本可以通過如下公式進行數(shù)學描述：

式中，CCoal為燃料出售價格；ωCoal為燃料的熱凈值；PFire(t)為火力發(fā)電機組當前實時輸出功率；PFire(t)為火力發(fā)電機組當前實時工作效率。

2.4 儲能裝置數(shù)學模型

當儲能裝置工作在充電狀態(tài)時，其功率方向向內(nèi)，即輸出功率為負，當前時刻的存儲能量為：

當儲能裝置工作在放電狀態(tài)時，其功率方向向外，即輸出功率為正，當前時刻的存儲能量為：

式中，Soc(t)和Soc(t-1)為當前時刻和前一時刻的儲能裝置存儲的能量；PBattle(t)為儲能裝置的實時輸出功率；ηC和ηD為儲能裝置的充電和放電效率。

3 微電網(wǎng)調(diào)度模型

3.1 調(diào)度目標函數(shù)

保證微電網(wǎng)運行效益的最大化就是通過對微電網(wǎng)的運行狀態(tài)進行調(diào)度，調(diào)節(jié)微電網(wǎng)中各個分布式電源和儲能裝置的運行狀態(tài)，實現(xiàn)微電網(wǎng)運行成本最低。則微電網(wǎng)的調(diào)度目標函數(shù)可以描述為：

式中，CCoal(t)為火力發(fā)電的燃料成本；CDep(t)為電力設(shè)備的折舊成本；CKeep(t)為電力設(shè)備運營保養(yǎng)成本；CCut(t)為負荷切除補償成本。

3.2 自動化調(diào)度約束條件

（1）系統(tǒng)功率約束條件

式中，PWind(t)為風力發(fā)電單元的輸出功率；PPV(t)為光伏發(fā)電單元的輸出功率；PBattle(t)為儲能裝置的輸出功率；PCoal(t)為火力發(fā)電單元的輸出功率；P(t)為微電網(wǎng)的負荷需求。

（2）分布式電源功率約束條件

式中，Pi,min為所有的分布式電源輸出功率的最小值；Pi,max為所有的分布式電源輸出功率的最大值。

（3）功率傳輸約束條件

式中，Pgrid,min為功率傳輸?shù)淖钚≈担籔grid,max為功率傳輸?shù)淖畲笾怠?/p>

（4）儲能裝置運行約束條件

式中，PBattle,Min為儲能裝置充電功率的最小值；PBattle,Max為儲能裝置充電功率的最大值；SocMin為儲能裝置允許容量的最小值；SocMax為儲能裝置允許功率的最大值。

4 人工智能控制策略

4.1 控制策略基本原理

在微電網(wǎng)自動調(diào)度上采用蜂群策略，該策略是基于蜂群的搜索行為而產(chǎn)生的一種人工智能算法，在全局最優(yōu)解和局部最優(yōu)解求解方面性能優(yōu)異，尤其適用于本文這種單目標優(yōu)化問題，基于多約束條件對單目標最優(yōu)解進行求解。單目標優(yōu)化問題會涉及一個收斂性指標，并且要求蜂群搜索到的最優(yōu)解位于樣本空間中，由此便解決單目標優(yōu)化問題，將蜂群策略應(yīng)用到單目標的微電網(wǎng)自動化調(diào)度控制。

4.2 基本蜂群算子

（1）起始時段

在這個時段，需要對蜂群樣本的具體參數(shù)進行初始化設(shè)置，具體有樣本空間維度、樣本集合數(shù)量、控制參數(shù)、迭代參數(shù)、食物源數(shù)量參數(shù)等，然后基于設(shè)定好的參數(shù)對蜂群樣本集合進行初始化：

假定食物源Nj=(nj1,nj2, … ,njM)為蜂群樣本集合中第j個食物源的當前所處位置，M為蜂群樣本集合的空間維度，在這個空間中，每個食物源的起始位置描述如下：

式中，m=1, 2, …,M；Qm和Xm分別是整個蜂群樣本集合空間中第m個維度的集合空間邊界；Randi.m是區(qū)間[0,1]上的均勻分布隨機數(shù)。

（2）雇傭蜂時期

雇傭蜂在進行搜索時，一旦搜索到食物源后對食物源的具體參數(shù)進行存儲，并將數(shù)據(jù)傳輸給輔助蜂。對于蜂群樣本空間中的任意一個食物源，雇傭蜂是隨機選擇路徑進行食物源搜索的，搜索到的食物源位置為：

式中，j為雇傭蜂；i為雇傭蜂所處的當前維度；t為其他隨機選取的雇傭蜂；Randi.i是區(qū)間[0,1]上的均勻分布隨機數(shù)。再對雇傭蜂的匹配度參數(shù)進行綜合評價，以確定哪個匹配度更好，并確定為當前認定的雇傭蜂。

（3）輔助蜂階段

輔助蜂會分析從雇傭蜂傳輸來的食物源具體參數(shù)，以確定從哪個方向開采食物源，在這個時段輔助蜂會根據(jù)自己的匹配度參數(shù)運算出對應(yīng)的進化概率，以選取最優(yōu)輔助蜂個體進行深度尋優(yōu)。蜂群樣本空間中的第j個樣本個體的進化概率，可以由如下數(shù)學公式進行描述：

式中，S為蜂群樣本空間中的樣本的個數(shù)；mat(ni)為匹配度函數(shù)，進化概率越大意味著輔助蜂的在高質(zhì)量食物源附近進行食物搜索的概率就越高。

（4）搜尋蜂時段

當雇傭蜂和輔助蜂附近食物源被完全搜索完畢或在規(guī)定搜索次數(shù)內(nèi)無法搜索到新的食物源時，雇傭蜂會變身為搜尋蜂，根據(jù)式（12）的位置描述，進行位置變換，繼續(xù)展開搜索，直至達到搜索結(jié)束條件，再進行下一步動作。

5 實例分析

以某地微電網(wǎng)為例進行分析，該微電網(wǎng)架構(gòu)與圖1中所描述的微電網(wǎng)架構(gòu)完全一致，對本文提出的人工智能控制策略進行驗證，該微電網(wǎng)的容量上限為100kVA，微電網(wǎng)的電壓等級為400V。在滿足微電網(wǎng)的多重調(diào)度約束條件下，分布式電源中的光伏發(fā)電和風力發(fā)電均工作在最大功率跟蹤模式下，因此火力發(fā)電以及儲能裝置是進行優(yōu)化主要控制對象。當光伏發(fā)電和風力發(fā)電總的輸出功率超過負荷所需功率時，火力發(fā)電的輸出功率應(yīng)當保持在最低水平，儲能裝置從外部吸收電能，工作在充電狀態(tài)；當光伏發(fā)電、風力發(fā)電、火力發(fā)電，儲能裝置的輸出功率均達到極限時，所能提供的能量無法滿足系統(tǒng)所需負荷，應(yīng)當根據(jù)負荷重要性為依據(jù)，適當切除重要性等級較低的負荷。

以發(fā)電運行成本最低目標進行運算，最終得到一天24h調(diào)度方案如圖2所示。

圖2 微電網(wǎng)自動化調(diào)度方案

由調(diào)度方案中數(shù)據(jù)可知，在12～13時的時間段之內(nèi)光伏發(fā)電和風力發(fā)電的總輸出功率超過系統(tǒng)負荷所需功率，基于火力發(fā)電停機會造成成本損耗的原則，所以此時火力發(fā)電保持最低功率輸出運行，多余電能傳輸?shù)絻δ苎b置進行能量存儲，在18～19時的時間段內(nèi)，微電網(wǎng)中的光伏發(fā)電、風力發(fā)電、火力發(fā)電處于滿負荷運行狀態(tài)，微電網(wǎng)所能夠輸出的總功率無法滿足負荷的需求，適當切除部分重要性等級較低負荷，保證重要性等級較高負荷的工作。

6 結(jié)束語

本文研究微電網(wǎng)并網(wǎng)模式下的自動化調(diào)度方案，基于多種外部和自身約束條件下，以發(fā)電運行成本最低為優(yōu)化目標，搭建微電網(wǎng)自動化調(diào)度模型，采用人工智能策略進行模型的最優(yōu)解尋取，仿真結(jié)果表明，本文所提出的人工智能策略的收斂性更好、收斂速度更快，很好地實現(xiàn)了微電網(wǎng)調(diào)度的發(fā)電成本最低目標，解決了微電網(wǎng)在并網(wǎng)運行模式下的自動化優(yōu)化調(diào)度問題。