吳成明，邢博洋，李世春

（1. 三峽大學電氣與新能源學院，湖北 宜昌 443002；2. 新能源微電網(wǎng)湖北省協(xié)調創(chuàng)新中心（三峽大學），湖北 宜昌443002）

0 引言

微電網(wǎng)作為消納可再生能源的有效手段，風能和太陽能等已廣泛分布于其中［1］，風、光出力的隨機性使微電網(wǎng)的優(yōu)化調度成為十分重要的課題［2］。

現(xiàn)階段，微電網(wǎng)優(yōu)化調度不僅是對供給側可控電源的經(jīng)濟調度［3-6］，還要考慮需求側響應調節(jié)負荷。文獻［7］考慮實時電價和用戶滿意度優(yōu)化負荷曲線建立微電網(wǎng)雙層優(yōu)化模型；文獻［8］建立分時電價機制下用戶需求響應的微電網(wǎng)優(yōu)化調度模型；文獻［9］提出差異化需求響應機制，建立微電網(wǎng)運行成本最低的模型以上研究在優(yōu)化負荷時均未考慮負荷對多余新能源出力的消納。文獻［10-11］考慮消納新能源和分時電價優(yōu)化負荷曲線，但未考慮用電滿意度。

微電網(wǎng)優(yōu)化調度屬于非線性、多維度、多約束的復雜優(yōu)化問題［12］，智能算法作為求解此類問題的方法被廣泛使用。目前應用較多的有粒子群算法（particle swarm optimization，PSO）和遺傳算法等，但由于這些算法本身存在限制，尋優(yōu)效果不太理想，除了對算法進行改進外［13-14］，也使用了許多新型算法求解模型［15-16］。文獻［17］改進雞群算法（chicken swarm optimization，CSO）的學習更新策略和邊界更新策略，與不同雞群算法相比提升了算法的優(yōu)化性能。文獻［18］用改進多目標灰狼算法（grey wolf optimizer，GWO） 求解冷熱電聯(lián)供型微電網(wǎng)模型，具有較強的全局搜索性和較快的計算速度。文獻［19］用蟻獅算法求解，與粒子群算法相比在收斂速度上占優(yōu)。以上研究大多只將改進前后算法性能進行對比，與其他智能算法對比較少，不能充分證明算法的性能。

本文考慮需求響應建立了微電網(wǎng)的分層優(yōu)化模型，上層以凈負荷成本和用電滿意度為目標，下層以運行成本和環(huán)境成本為目標，使用麻雀搜索算法（sparrow search algorithm， SSA）求解［20］。針對SSA易陷入局部最優(yōu)［21］的問題提出一種改進麻雀搜索算法（improved sparrow search algorithm， ISSA）并將ISSA 改進成多目標算法。通過求解算例以及對比不同算法的迭代結果對模型和ISSA 的有效性進行驗證。

1 微電網(wǎng)結構

本文對包含光伏陣列（photo voltaic， PV）、風力發(fā)電機（wind turbine， WT）、微型燃氣輪機（micro turbine， MT）、柴油發(fā)電機（diesel engine，DE）和蓄電池（battery， BAT）、固定負荷和可轉移負荷的并網(wǎng)型微電網(wǎng)進行研究，其結構如圖1所示。

圖1 微電網(wǎng)結構圖Fig. 1 Diagram of microgrid structure

2 微電網(wǎng)分層優(yōu)化模型

2.1 上層優(yōu)化模型

2.1.1 目標函數(shù)

1） 為增加消納新能源量，減少購電成本，建立凈負荷成本最小的目標函數(shù)，如式（1）所示。

式中：CGD為購電成本，計算方法如式（2）所示；CQ為棄風、棄光懲罰成本，計算方法如式（3）所示。

式中：cbuy（t）為t時段購電價格；λ為棄風、棄光懲罰單價；ΔP（t）為優(yōu)化后t時段的凈負荷；PLnew（t）為優(yōu)化后t時的負荷；PWT（t）、PPV（t）分別為t時段風、光出力；T為總時段，取值為24。

2） 負荷的轉移會對用戶的用電體驗造成影響，為減小負荷轉移對用戶正常用電的影響，建立用電滿意度最大的目標函數(shù)，如式（5）所示［11］。

式中PL（t）為優(yōu)化前t時段的負荷。

3） 上層模型的兩個目標函數(shù)量綱不同，建立上層目標函數(shù)，如式（6）所示。

2.1.2 約束條件

1） 優(yōu)化前后負荷總量不變，存在等式約束，如式（7）所示。

2） 可轉移負荷有上下限，存在不等式約束，如式（8）所示。

式中ε為可轉移負荷占比。

2.2 下層優(yōu)化模型

2.2.1 目標函數(shù)

1） 為使微電網(wǎng)經(jīng)濟效益最大化，建立運行成本最小的目標函數(shù)，如式（9）所示。

式中：CRL、CYW和CG分別為微電網(wǎng)的燃料成本、運維成本和微電網(wǎng)與主網(wǎng)功率交互費用，分別如式（10）—（12）、（13）和式（14）—（15）所示。

式中：CDE、CMT分別為柴油發(fā)電機、微型燃氣輪機燃料成本；PDE（t）、PMT（t）分別為t時段柴油發(fā)電機、微型燃氣輪機輸出功率；α、β和γ為柴油發(fā)電機燃料成本系數(shù)；cm和LHV分別為天然氣價格和低熱值；η為微型燃氣輪機發(fā)電效率。

式中：N為可控發(fā)電單元數(shù)目：Pn（t）為t時段可控發(fā)電單元n輸出功率：Kn為可控發(fā)電單元n運維費用系數(shù)：KB為蓄電池運維費用系數(shù)：PB（t）為t時段蓄電池充放電功率，正為放電，負為充電。

式中：PG（t）為t時段微電網(wǎng)與主網(wǎng)交互功率，正為購電，負為售電；c（t）為t時段微電網(wǎng)與主網(wǎng)交互功率價格；csell（t）為t時售電價格；cbuy（t）為t時段購電價格。

2） 為減少微電網(wǎng)發(fā)電過程中對環(huán)境的污染，建立環(huán)境成本最小的目標函數(shù)，如式（16）所示。

式中：M為污染物類型；N1為產(chǎn)生污染物的發(fā)電單元數(shù)目；km為m污染物治理費用系數(shù)；rnm為可控發(fā)電單元n產(chǎn)生m污染物排放量系數(shù)。

3） 下層模型的兩個目標函數(shù)有相同的量綱，建立下層目標函數(shù)，如式（17）所示。

2.2.2 約束條件

1） 微電網(wǎng)中每個時刻應保證功率平衡，存在等式約束，如式（18）所示。

2） 可控發(fā)電單元輸出功率有限制，存在不等式約束，如式（19）所示。

式中Pnmax、Pnmin分別為可控發(fā)電單元n輸出功率上、下限。

3） 為保證蓄電池的使用壽命，其充放電功率存在不等式約束，如式（20）—（22）所示。

式中：Pdcmax和Pcmax分別為蓄電池最大放電功率和充電功率；SOC（t）為t時段蓄電池荷電狀態(tài)；SOCmax、SOCmin分別為荷電狀態(tài)上下限；ΔSOC為荷電狀態(tài)變化量；E為蓄電池容量；ηc和ηd分別為蓄電池充、放電效率。

4） 微電網(wǎng)與主網(wǎng)聯(lián)絡線上可流過功率有限制，交互功率存在不等式約束，如式（23）所示。

式中PGmax、PGmin分別為微電網(wǎng)與主網(wǎng)交互功率上、下限。

3 模型求解方法

3.1 麻雀搜索算法（SSA）

SSA 模擬麻雀覓食過程，依據(jù)適應度將種群排序，分為發(fā)現(xiàn)者、加入者和警戒者。選擇排序在前的麻雀為發(fā)現(xiàn)者，位置更新如式（24）所示［22］。

式中：Xi，j為第i只麻雀在第j維的位置信息；t為迭代次數(shù)；itermax為最大迭代次數(shù)；α∈（0，1］為隨機數(shù)；R2∈［0，1］和ST∈［0.5，1］為預警值和安全值；Q為服從正態(tài)分布的隨機數(shù)；L為元素全部為1 且與X同維度的矩陣。

剩余麻雀為加入者，向發(fā)現(xiàn)者靠近的同時在自身周圍廣泛搜索，位置更新如式（25）所示［22］：

式中：Xp為目前發(fā)現(xiàn)者最優(yōu)位置；Xworst為目前麻雀最差位置；A+=AT（AAT）-1，A為與X同維度的矩陣，其中元素隨機賦值1或-1；n為加入者數(shù)量。

隨機選擇種群中麻雀作為警戒者，位置更新如式（26）所示［22］：

式中：Xbest為目前麻雀最優(yōu)位置；β為服從均值為0，方差為1的正態(tài)分布的隨機數(shù)；K∈［-1，1］為隨機數(shù)；fi為第i只麻雀適應度；fb和fw分別為目前麻雀最優(yōu)適應度和最差適應度；φ為很小的數(shù)，避免分母為0。

3.2 改進麻雀搜索算法（ISSA）

3.2.1 改進發(fā)現(xiàn)者公式

針對SSA 易陷入局部最優(yōu)的問題，依據(jù)量子粒子群算法，認為發(fā)現(xiàn)者具有量子行為來增強其全局搜索能力，并且引入全局最優(yōu)個體位置，提高麻雀種群信息利用率［23］，改進發(fā)現(xiàn)者位置更新公式如式（27）所示：

式中：GXb為全局最優(yōu)個體位置；δ為自適應擴張系數(shù)；u為［0，1］間的隨機數(shù)。

3.2.2 變異、貪婪策略

加入變異、貪婪策略［24］，增加種群多樣性，增強算法跳出局部最優(yōu)的能力，如式（28）—（30）所示。

式中：r為自適應變異概率：Xu和Xl分別為初始上下限；Xmu和Xml分別為變異上下限；Xm為變異后的位置；R、m∈［0，1］為隨機數(shù)。

3.2.3 多目標改進

由于求解上層模型屬于多目標尋優(yōu)，所以作出如下改進。

1） 加入非支配排序［25-26］：將麻雀按第一個目標函數(shù)值從小到大排序后，從第二個麻雀開始，依次序與前面麻雀比較第二個目標函數(shù)值的大小，若大于前一個麻雀，記為被支配一次，最后記下每個麻雀被支配次數(shù)，按被支配次數(shù)從小到大進行排序，即為非支配排序結果。

2） 多目標尋優(yōu)時，將被支配次數(shù)為0的麻雀存入外部存儲空間，使用輪盤賭法［27］從外部存儲空間中選取GXb，若外部存儲空間為空，則選取非支配排序第一位的麻雀為GXb。

3） 多目標適應度無法代入式（26），所以進行改進如式（31）所示：

3.3 求解流程

基于麻雀搜索算法的微電網(wǎng)分層優(yōu)化模型具體流程如圖2所示，求解思路如下。

圖2 模型求解流程圖Fig. 2 Flowchart of model solution

1） 在上層模型中，輸入算法和算例參數(shù)。以式（7）—（8）為約束條件，式（6）為目標函數(shù)，生成上層初始種群，使用多目標ISSA 迭代求解出Pareto前沿。

2） 使用基于信息熵確立權重的TOPSIS 法在Pareto 前沿中選擇折中解，步驟如下：先按式（32）對目標函數(shù)進行無量綱化處理［28］；再按式（33）和（34）求出目標函數(shù)熵值和熵權［28］；最后代入式（35）計算［29］，選取FXq大的解為折中解。

式中：和為Pareto 前沿中個體q第p個目標函數(shù)值和無量綱化值；和為Pareto 前沿中第p個目標函數(shù)的最大值和最小值；Q為Pareto 前沿中個體數(shù)量；P為目標函數(shù)數(shù)量；Hp和ωp為第p個目標函數(shù)的熵值和熵權；FXq為個體q的評價指標。

3） 在下層模型中，以式（18）—（23）為約束條件，式（17）為目標函數(shù)，生成下層初始種群，使用單目標ISSA迭代求解出最優(yōu)個體。

4 算例及結果分析

4.1 算例參數(shù)

調度周期T=24 h，PV、WT 出力及負荷曲線如圖3 所示。棄風、棄光懲罰單價為0.3 元/kWh。售電和購電價格如表1所示。

表1 購電和售電價格Tab. 1 Purchase and sale prices of electricity

圖3 PV、WT出力及負荷曲線Fig. 3 Curves of PV、WT output and load

微電網(wǎng)各單元參數(shù)如表2 所示。蓄電池參數(shù)如表3 所示。污染物參數(shù)如表4 所示。微電網(wǎng)與主網(wǎng)交互功率限值為30 kW。DE 燃料成本系數(shù)α、β和γ 分別為0.000 85、0.11、6；MT 發(fā)電效率30%，天然氣價格2.5 元/m3，低熱值9.7 kWh/m3。

表2 微電網(wǎng)各單元參數(shù)Tab. 2 Parameters of each unit of the microgrid

表3 蓄電池參數(shù)Tab. 3 Parameters of storage battery

表4 污染物參數(shù)Tab. 4 Contaminant parameters

4.2 結果分析

4.2.1 上層優(yōu)化結果

分別求解ε為10%和20%的情況，得出Pareto前沿如圖4所示，負荷優(yōu)化曲線如圖5所示。

圖4 Pareto前沿Fig. 4 Pareto frontier

圖5 不同ε的負荷優(yōu)化曲線Fig. 5 Load optimization curves under different ε

由圖4 可知，考慮需求響應后，凈負荷成本越低，用電滿意度就越低；ε越大，凈負荷成本和用電滿意度可變化范圍越大。

由圖5可知，優(yōu)化后的負荷曲線在11時—14時增加了需求量，在15 時—22 時減少了需求量，其余時刻基本無明顯變化，起到一定削峰填谷的作用。

對比不同ε下的用電滿意度和凈負荷成本，如表5所示。

表5 不同ε下的負荷優(yōu)化結果Tab. 5 Load optimization results under different ε

由表5 可知，不考慮需求響應，即ε為0 時用電滿意度為100%，凈負荷成本為347.17 元。考慮需求響應后，當ε為10%時用電滿意度為98.79%，凈負荷成本為325.60 元，相較于ε為0 時用電滿意度下降1.21%，凈負荷成本下降21.57 元（6.21%）；當ε為20%時用電滿意度為97.20%，凈負荷成本為310.20 元，相較于ε為0 時，用電滿意度下降2.80%，凈負荷成本下降36.97 元（10.65%），而對比ε為10%時用電滿意度下降1.59%，凈負荷成本下降15.4 元（4.73%）。

綜上可知，選取ε為10%時可以在小幅降低用電滿意度的前提下大幅減少凈負荷成本，性價比較高。

4.2.2 下層優(yōu)化結果

依據(jù)不同ε下優(yōu)化后的負荷曲線，求解出各情況下的各可控發(fā)電單元的調度曲線，如圖6所示。

圖6 3種情況下的調度曲線Fig. 6 Schedule curves in 3 scenarios

由圖6 可知，從1 時—16 時以及24 時，微電網(wǎng)通過和主網(wǎng)交互電能以及BAT 來滿足負荷需求，DE 和MT 未啟用；從17 時—23 時，微電網(wǎng)從主網(wǎng)購電無法滿足負荷需求，啟用MT 供電，始終未啟用DE。對比圖6（a）、（b）和（c）可知，考慮需求響應后MT 發(fā)電量減少，谷時段和平時段從主網(wǎng)購電量增加。

對比不同ε調度結果下微電網(wǎng)運行成本、環(huán)境成本和綜合成本，如表6所示。

表6 不同ε下的微電網(wǎng)成本Tab. 6 Microgrid costs under different ε

由表6 可知，不考慮需求響應，即ε為0 時運行成本為546.23 元，環(huán)境成本為162.35 元，綜合成本為708.58 元。考慮需求響應后，當ε為10%時運行成本為533.80 元，環(huán)境成本為164.59 元，綜合成本692.03 元，相較于ε為0 時運行成本減少12.43 元（2.28%）， 環(huán)境成本減少4.12 元（2.53%），綜合成本減少16.55 元（2.34%）；當ε為20% 時運行成本為514.17 元，環(huán)境成本為124.16 元，綜合成本為638.33 元，相較于ε為0時運行成本減少32.06 元（5.87%），環(huán)境成本減少38.19 元（23.5%）， 綜合成本減少70.25 元（9.91%）。

綜上可得，考慮需求響應，能減少微電網(wǎng)的綜合成本，ε越大，綜合成本降低越多。但是結合上下層優(yōu)化結果，選擇ε為10%時能夠協(xié)調微電網(wǎng)供需兩側的利益。

4.2.3 算法性能對比

用ISSA、SSA、PSO［13］、CSO［15］和GWO［16］求解ε為10%時的下層模型，設定種群數(shù)量為100，迭代次數(shù)為500，ISSA 和SSA 參數(shù)設置相同，PSO、CSO 和GWO 參數(shù)分別依照文獻［13］、［15］和［16］設置，迭代曲線如圖7所示。

圖7 算法迭代曲線Fig. 7 Algorithm iteration curves

由圖7 可知，ISSA 相較于SSA 和CSO 收斂速度和尋優(yōu)效果都有提升；ISSA 與PSO 和GWO 相比收斂速度稍慢，但尋優(yōu)效果優(yōu)于PSO和GWO。

將不同算法20 次迭代的結果取平均值最小值和標準差［30］，如表7所示。

表7 不同算法求解結果Tab. 7 Solution results of different algorithms

由表7可知，ISSA 求解結果的最小值、平均值和標準差都優(yōu)于其余算法，證明ISSA 尋優(yōu)效果和穩(wěn)定性最好。

將文獻［30］的改進SSA 記為WSSA，把ISSA、SSA和WSSA的迭代曲線進行對比，如圖8所示。

圖8 不同SSA迭代曲線Fig. 8 Iteration curves of different SSA

由圖8 可知，SSA 與WSSA 在迭代過程中，陷入局部最優(yōu)后，經(jīng)過多次迭代才能跳出，影響了算法的收斂，而ISSA 可以很快地跳出局部最優(yōu)，大大提高了算法的收斂速度，增強了算法的搜尋能力。

5 結語

本文針對考慮需求響應的并網(wǎng)型微電網(wǎng)優(yōu)化調度問題建立分層優(yōu)化模型，提出ISSA 進行求解，最后通過算例求得結果。分析可知：本文的微電網(wǎng)分層優(yōu)化模型中可轉移負荷占比為10%時，能夠在保證用戶用電滿意度的同時增大新能源消納量，節(jié)省微電網(wǎng)的綜合成本，協(xié)調供需兩側的利益，且ISSA 具有良好的尋優(yōu)性能，在求解此問題上具有一定的優(yōu)越性。