于新海 ，王鑫 ，蘇日古格 ，3，張曉菊

（1.河套學(xué)院機(jī)電工程系，內(nèi)蒙古 巴彥淖爾 015000；2.中國民航大學(xué)民航航空器適航審定技術(shù)重點(diǎn)實(shí)驗(yàn)室，天津 300300；3.河套學(xué)院自動(dòng)化研究與應(yīng)用中心，內(nèi)蒙古 巴彥淖爾 015000）

近年來，伴隨著經(jīng)濟(jì)的快速進(jìn)步，我國對(duì)電能的需求日益增大，“十四五”期間新能源技術(shù)的發(fā)展將對(duì)分布式電源（distributed generation，DG）相關(guān)技術(shù)提出更高要求。微電網(wǎng)（microgrid，MG）作為分布式電源并網(wǎng)的主要形式，得到了越來越多的關(guān)注[1-4]。微電網(wǎng)結(jié)構(gòu)較為復(fù)雜，涵蓋多種類型的電源，具有較強(qiáng)的經(jīng)濟(jì)屬性，經(jīng)濟(jì)性是推動(dòng)微電網(wǎng)蓬勃發(fā)展的重要因素，也是微電網(wǎng)調(diào)度的主要目標(biāo)和依據(jù)。目前，基于運(yùn)營成本考慮對(duì)微電網(wǎng)進(jìn)行調(diào)度優(yōu)化研究十分必要[5-8]。

粒子群優(yōu)化（particle swarm optimization，PSO）算法在微電網(wǎng)優(yōu)化方面應(yīng)用廣泛。文獻(xiàn)[7]通過成本與效益等多種因素，詳細(xì)地論證了微電網(wǎng)的經(jīng)濟(jì)性，構(gòu)建了一種以微電網(wǎng)中運(yùn)行費(fèi)用最少作為研究目標(biāo)的函數(shù)，并且采用了粒子群優(yōu)化算法針對(duì)該函數(shù)進(jìn)行了求解，結(jié)果表明了微電網(wǎng)并網(wǎng)后，帶來的經(jīng)濟(jì)性以及并網(wǎng)的可行性。文獻(xiàn)[8]考慮蓄電池壽命，建立包含電池壽命的微電網(wǎng)多目標(biāo)優(yōu)化函數(shù)，并將其轉(zhuǎn)換為單目標(biāo)函數(shù)，最后，將其用于解決粒子群優(yōu)化算法問題并驗(yàn)證模型。雖然基本粒子群優(yōu)化算法具有并行高效的優(yōu)化性能，通用性強(qiáng)，應(yīng)用范圍廣，實(shí)現(xiàn)過程簡單，但其也具有收斂時(shí)間過長、全局搜索能力強(qiáng)而局部搜索能力差、易陷于局部最優(yōu)解[9-10]的缺點(diǎn)。遺傳算法（genetic algorithm，GA）和改進(jìn)粒子群優(yōu)化（improved particle swarm optimization，IPSO）算法具有很好的收斂性，計(jì)算時(shí)間短，魯棒性高，局部尋優(yōu)能力較好，近年來在求解分布式電源、解決分時(shí)段波動(dòng)性方面有一定優(yōu)勢(shì)，一定程度地解決了微電網(wǎng)經(jīng)濟(jì)運(yùn)行問題[11]。本文擬通過遺傳算法和改進(jìn)粒子群優(yōu)化算法兩種手段進(jìn)行微網(wǎng)調(diào)度優(yōu)化并對(duì)比分析優(yōu)化結(jié)果。

本文考慮了包括風(fēng)、光、燃?xì)廨啓C(jī)、火力發(fā)電設(shè)備、蓄電池及燃料動(dòng)力電池等典型的微電網(wǎng)系統(tǒng)，綜合電源的維護(hù)成本、燃料成本、環(huán)境保護(hù)成本以及電網(wǎng)交互成本，建立了典型的微電網(wǎng)系統(tǒng)的優(yōu)化方案，采用改進(jìn)粒子群優(yōu)化算法和遺傳算法求解其優(yōu)化方案，得出優(yōu)化周期內(nèi)各電源出力情況，并分析和比較仿真結(jié)果，得到通用控制策略，并驗(yàn)證了改進(jìn)粒子群優(yōu)化算法的合理有效性。

1 微電網(wǎng)經(jīng)濟(jì)運(yùn)行模型

1.1 目標(biāo)函數(shù)

綜合考慮微源的各種成本、費(fèi)用以及并網(wǎng)后的購銷電情況，建立微電網(wǎng)經(jīng)濟(jì)運(yùn)行成本的目標(biāo)函數(shù)，其表達(dá)式為

式中：M（P）為微電網(wǎng)經(jīng)濟(jì)運(yùn)行成本；Ci[P（t）]為燃?xì)廨啓C(jī)以及火力發(fā)電裝置的燃料成本；OMi[P（t）]為燃?xì)廨啓C(jī)、火力發(fā)電機(jī)組和分布式電源的運(yùn)行保養(yǎng)成本；i為微源類型的種類編號(hào)；CEMi[P（t）]為燃?xì)廨啓C(jī)、火力發(fā)電機(jī)組和分布式電源的環(huán)境費(fèi)用函數(shù)；Cp（t）為在時(shí)間t購電的價(jià)格；Cs（t）為在時(shí)間t售電的價(jià)格；Pp（t），Ps（t）分別為購、銷的電量；N為微源的數(shù)量；T為整個(gè)優(yōu)化周期。

1.2 約束條件

本文重點(diǎn)考慮了功率平衡、微源出力約束和蓄電池運(yùn)行約束。

1）功率平衡約束公式為

式中：Pi為微源i的輸出功率；Pp為購入的電量；Ps是賣出的電量；Pw為總負(fù)荷。

2）機(jī)組出力約束公式為

式中：Pi.min，Pi.max分別為機(jī)組最小出力和最大出力。

3）蓄電池運(yùn)行約束公式為

式中：SOCmin，SOCmax分別為蓄電池的荷電狀態(tài)最小值與最大值；SOCx為任意時(shí)刻蓄電池的荷電狀態(tài)；PB（t）為t時(shí)刻蓄電池的充放電功率；-Pc.max，Pf.max分別為蓄電池的最大充、放電功率。

2 基于波動(dòng)性的出力與儲(chǔ)能模型

2.1 風(fēng)電機(jī)組與光伏設(shè)備

考慮風(fēng)速和光照強(qiáng)度因素，風(fēng)電機(jī)組和光伏設(shè)備發(fā)電功率也會(huì)受到影響，輸出功率將存在波動(dòng)性[12]。基于波動(dòng)性的風(fēng)電機(jī)組和光伏設(shè)備的輸出功率可分別表示為PW和PPV，如下式：

式中：vCC為風(fēng)電機(jī)組的切出風(fēng)速；vCR為切入風(fēng)速；vS為風(fēng)電機(jī)組的額定風(fēng)速；PR為1臺(tái)風(fēng)力發(fā)電機(jī)設(shè)備的額定輸出功率；YPV為光伏面板的額定功率；fPV為歸約處理因子；GT即當(dāng)前一個(gè)時(shí)刻內(nèi)的光伏模塊平均太陽能輻射總量；GT.STC為標(biāo)準(zhǔn)測試條件下的太陽輻射幅值（1 kW/m2）；αP為溫度系數(shù)；TC為光伏模塊的表層溫度；TC.STC為標(biāo)準(zhǔn)檢測的溫度（25℃）。

2.2 蓄電池模型

蓄電池的充放電是微電網(wǎng)經(jīng)濟(jì)性體現(xiàn)的重要環(huán)節(jié)。當(dāng)發(fā)電機(jī)組產(chǎn)生更多的電力時(shí)，它會(huì)轉(zhuǎn)移到蓄電池中充電，而多余的電力則會(huì)賣給電網(wǎng)；當(dāng)負(fù)荷需求電能較多時(shí)，蓄電池先進(jìn)行放電，若還不滿足負(fù)荷需求，則向電網(wǎng)購電。蓄電池在T時(shí)間段的充、放電的最大功率計(jì)算公式如下：

式中：PCmax，T為蓄電池在T時(shí)間段的充電最大功率；PCmax為充電的最大功率；ηC為充電效率；Δt為t-1到t時(shí)刻之間的時(shí)間間隔；ECmax為蓄電池剩余最大容量；EC，t-1為t-1時(shí)刻的剩余電池容量；μC為蓄電池的放電率；PFmax，T為蓄電池在T時(shí)間段的最大放電功率；PFmax為蓄電池的最大放電功率；ηF為放電效率；EFmin為蓄電池的最小剩余容量。

3 算法解析

本文建立的優(yōu)化模型是一個(gè)具有多個(gè)約束條件、一定波動(dòng)性和隨機(jī)負(fù)荷的非線性目標(biāo)函數(shù)優(yōu)化問題，智能優(yōu)化算法在電力系統(tǒng)相關(guān)問題的解決中較為有效，故本文利用遺傳算法和改進(jìn)粒子群優(yōu)化算法求解優(yōu)化模型并對(duì)結(jié)果進(jìn)行比對(duì)。

3.1 遺傳算法

遺傳算法通過對(duì)生態(tài)系統(tǒng)中的各種生態(tài)環(huán)境變化進(jìn)行仿真，從而尋求出最佳的解決辦法[13]。該算法簡單、通用、魯棒性強(qiáng)，適合并行處理。它利用決策變量的編碼作為一個(gè)操作對(duì)象，把適應(yīng)程度直接當(dāng)作搜索信息，并且可以利用概率搜索來代替確定性法則，只需解決影響搜索方向的目標(biāo)函數(shù)及其對(duì)應(yīng)的適配度函數(shù)。

本文采用遺傳算法，具體流程如下：

1）隨機(jī)生成一定長度編碼的多個(gè)初始種群；

2）通過適應(yīng)度函數(shù)，對(duì)每個(gè)個(gè)體來進(jìn)行數(shù)值評(píng)估，選擇具有較高適應(yīng)性值的個(gè)體參與基因操作，淘汰適應(yīng)性較低的個(gè)體；

3）經(jīng)一系列遺傳操作（復(fù)制、交叉、變異），個(gè)體聚集在一起形成了新一代種群，直到滿足條件則停止；

4）遺傳算法的結(jié)果基于后代中表現(xiàn)最佳的個(gè)體。

3.2 基本粒子群優(yōu)化算法

粒子群優(yōu)化算法模擬鳥群覓食行為，并將要解決的問題的可行域看作鳥群飛行的空間，將每只鳥都抽象成一個(gè)沒有體積和質(zhì)量的粒子，用來表示問題的可行解[14]?；玖Ｗ尤簝?yōu)化算法在后期的優(yōu)化過程中，粒子容易過早地收斂到局部最優(yōu)解，并且搜索速度慢[15]。

3.3 改進(jìn)粒子群優(yōu)化算法

改進(jìn)粒子群優(yōu)化算法線性減少了基本粒子群優(yōu)化算法的慣性權(quán)重，并對(duì)認(rèn)知因子進(jìn)行了調(diào)整[16]，這種調(diào)整使得粒子更加容易靠近最優(yōu)解。粒子當(dāng)前速度和位置的表達(dá)式如下：

可以把式（10）劃分為3個(gè)部分，第1部分表明了粒子先前的運(yùn)動(dòng)速度，用于確保它們?nèi)值氖諗刻匦?；?部分、第3部分都代表了這種算法所具備的局部收斂性。算法的全局收斂能力隨著ω值增大而增強(qiáng)，相反，ω值較小時(shí)，算法局部收斂能力強(qiáng)。通過采用線性遞減的動(dòng)態(tài)加權(quán)，可以使得改進(jìn)粒子群優(yōu)化算法在開始的全局搜索中能力較強(qiáng)，而在后程其局部尋優(yōu)能力同樣較強(qiáng)。

本文采用改進(jìn)粒子群優(yōu)化算法，具體流程如下：

1）初始化。初始化的內(nèi)容包括種群中每個(gè)粒子在不同時(shí)空的初始運(yùn)動(dòng)速度與位置、群空間區(qū)域、最大迭代次數(shù)以及慣性加權(quán)等參量；

2）計(jì)算粒子適應(yīng)度，并初始化Pij和Pgj；

3）由式（10）、式（11）更新位置和速度，并重置群空間區(qū)域之外的粒子；

4）根據(jù)目標(biāo)函數(shù)評(píng)估粒子，找出單個(gè)粒子在整個(gè)總體的最優(yōu)地點(diǎn)。如果滿足迭代終止條件，搜索會(huì)被中斷，輸出搜索結(jié)果；如果沒有達(dá)到終止條件，則返回步驟3）繼續(xù)搜尋。

4 算例分析

4.1 微電網(wǎng)系統(tǒng)設(shè)備數(shù)據(jù)及參數(shù)

本文以內(nèi)蒙古某地區(qū)一個(gè)典型單日的風(fēng)光發(fā)電功率數(shù)據(jù)為例，如表1所示，設(shè)單個(gè)風(fēng)力渦輪機(jī)的切入風(fēng)速為3 m/s，切出風(fēng)速為24 m/s；蓄電池荷電狀態(tài)最小值SOCmin與最大值SOCmax分別為0.3和0.8，初始SOC為0.5。由此可以得到光伏、風(fēng)力的發(fā)電功率曲線如圖1、圖2所示。

表1 典型單日光照和風(fēng)力數(shù)據(jù)Tab.1 Light and wind data of a typical day

為了充分利用風(fēng)光發(fā)電功率，并實(shí)現(xiàn)經(jīng)濟(jì)運(yùn)行調(diào)度，按分時(shí)電價(jià)模式進(jìn)行微電網(wǎng)與大電網(wǎng)交互。10∶00—12∶00，19∶00—22∶00為電網(wǎng)用電高峰時(shí)段，購電電價(jià)標(biāo)準(zhǔn)為-1.56元/（kW·h），售電電價(jià)標(biāo)準(zhǔn)為1.56元/（kW·h）；23∶00—06∶00為用電低谷時(shí)段，購電電價(jià)的標(biāo)準(zhǔn)為-0.43元/（kW·h），售電電價(jià)的標(biāo)準(zhǔn)為0.43元/（kW·h）；其余時(shí)段為電網(wǎng)平時(shí)段，購電電價(jià)標(biāo)準(zhǔn)為-0.7元/（kW·h），售電電價(jià)標(biāo)準(zhǔn)為0.7元/（kW·h）。

4.2 優(yōu)化分析

運(yùn)用Matlab軟件計(jì)算得到遺傳算法和改進(jìn)粒子群優(yōu)化算法的迭代收斂情況，如圖3所示。

從圖3可以看出，當(dāng)總數(shù)相同且迭代次數(shù)相同時(shí)，兩種求解算法的目標(biāo)函數(shù)值都會(huì)隨著迭代次數(shù)的增加而減小，而改進(jìn)粒子群優(yōu)化算法明顯具備更強(qiáng)大的全局和局部搜索能力以及更快的收斂約束速率。

利用遺傳算法和改進(jìn)粒子群優(yōu)化算法對(duì)隨機(jī)負(fù)荷的風(fēng)光互補(bǔ)多能量互補(bǔ)微電網(wǎng)的目標(biāo)優(yōu)化調(diào)度模型進(jìn)行仿真和求解，解決方案的結(jié)果如圖4、圖5所示。圖中，mt代表燃?xì)廨啓C(jī)；dg代表分布式電源，包括風(fēng)機(jī)和光伏陣列；bat代表儲(chǔ)能電池；fc代表燃料電池；grid代表電網(wǎng)交互設(shè)備。

對(duì)圖4來說，使用遺傳算法優(yōu)化各微源輸出調(diào)度，主要是利用分布式電源進(jìn)行供能，前期采用燃料電池進(jìn)行供能，到光照和風(fēng)力充足時(shí)，利用分布式電源進(jìn)行供能，并且很少和大電網(wǎng)進(jìn)行交互，在部分用電高峰時(shí)期（19∶00—22∶00），由于售電價(jià)格較高，各個(gè)部分微源的出力都被增大，除了滿足負(fù)荷需求，剩余的電能被出售給電網(wǎng)，電池放電。然而從圖中可以看出，遺傳算法雖然表現(xiàn)出調(diào)度優(yōu)化特點(diǎn)，但在00∶00—10∶00期間，微電網(wǎng)與大電網(wǎng)之間的交互顯然是不夠的。

如圖5所示，使用改進(jìn)的粒子群優(yōu)化算法優(yōu)化各個(gè)微源的調(diào)度，在分布式電源供能較差時(shí)主要采用燃料電池及儲(chǔ)能電池放電進(jìn)行供能；隨著光照和風(fēng)力的增加，考慮到污染成本的增加，逐漸減少燃料電池和微型燃?xì)廨啓C(jī)的輸出，并主要使用分布式電源進(jìn)行能源供應(yīng)；在用電低谷時(shí)段（23∶00—06∶00），微源發(fā)電綜合成本高于大電網(wǎng)采購成本，在滿足負(fù)荷的需求下，此時(shí)應(yīng)給蓄電池充電；在平時(shí)段，微源的發(fā)電成本介于購售電成本之間，所以蓄電池保持荷電狀態(tài)；在用電高峰時(shí)段（10∶00—12∶00，19∶00—22∶00），由于售電價(jià)格比其他時(shí)段較高，應(yīng)當(dāng)增加各微源出力，在滿足負(fù)荷需求的基礎(chǔ)上，將剩余電能出售給大電網(wǎng)，電池放電。顯然基于改進(jìn)粒子群優(yōu)化算法，任何時(shí)段下微電網(wǎng)與大電網(wǎng)之間的交互性均要優(yōu)于遺傳算法。

本文在相同的參數(shù)條件下，不考慮風(fēng)機(jī)光伏設(shè)備及蓄電池等的設(shè)備安裝成本，進(jìn)行兩種算法的總成本比較，如圖6所示，在追求總成本最優(yōu)的情況下，改進(jìn)粒子群優(yōu)化算法進(jìn)行的調(diào)度優(yōu)化相比于遺傳算法更能有效節(jié)約總成本。

5 結(jié)論

本文以包含風(fēng)、光等新能源隨機(jī)負(fù)載的互補(bǔ)式微電網(wǎng)為研究對(duì)象，構(gòu)建了一種考慮了經(jīng)濟(jì)性、不同時(shí)段分布式電源的波動(dòng)性以及環(huán)境保護(hù)等多方面約束和要求、可以優(yōu)化的調(diào)度模型，以實(shí)現(xiàn)微電網(wǎng)運(yùn)行總成本最低作為優(yōu)化目標(biāo)。通過對(duì)遺傳算法和改進(jìn)粒子群優(yōu)化算法的比較發(fā)現(xiàn)，改進(jìn)粒子群優(yōu)化算法相比于遺傳算法收斂性更好，并且能夠更好地解決分布式能源的波動(dòng)性問題，基于改進(jìn)粒子群優(yōu)化算法微電網(wǎng)與大電網(wǎng)交互性更好、總成本更低。本文結(jié)論可為微電網(wǎng)經(jīng)濟(jì)運(yùn)行時(shí)不同智能算法選擇提供參考。