計及多智能體調(diào)度的冷熱電聯(lián)供型微網(wǎng)并網(wǎng)優(yōu)化運(yùn)行研究

王凌云，楊 劍，張赟寧，王曉敏，吳小婷

（三峽大學(xué) 電氣與新能源學(xué)院，湖北 宜昌 443002）

0 引言

目前，節(jié)能減排，改善生態(tài)環(huán)境，提高能源利用效率已經(jīng)成為微網(wǎng)研究的熱點(diǎn)課題[1]。冷熱電聯(lián)供（CCHP）系統(tǒng)是一種將制冷、制熱和供電結(jié)合起來的三聯(lián)產(chǎn)系統(tǒng)，能夠有效地實(shí)現(xiàn)能源的梯級利用，具有節(jié)能減排的效果。在微網(wǎng)中加入CCHP 系統(tǒng)，能夠有效地解決現(xiàn)階段我國微網(wǎng)清潔能源利用率低和成本高的問題。

在冷熱電聯(lián)供型微網(wǎng)優(yōu)化調(diào)度方面，國內(nèi)外專家已開展了大量的研究工作。文獻(xiàn)[2]以總運(yùn)行成本最低為目標(biāo)，建立了考慮微網(wǎng)間功率交互和微源出力協(xié)調(diào)的CCHP 型多微網(wǎng)優(yōu)化調(diào)度模型，并以某典型微網(wǎng)群為例，驗(yàn)證了所提模型的有效性。文獻(xiàn)[3]，[4]搭建了以節(jié)能效率最高和能源消耗成本最低為目標(biāo)的優(yōu)化調(diào)度模型，并運(yùn)用混合整數(shù)非線性規(guī)劃和快速非支配排序的遺傳算法得出兩個目標(biāo)的Pareto 最優(yōu)解。文獻(xiàn)[5]提出了一種冷熱電聯(lián)產(chǎn)綜合能源系統(tǒng)和風(fēng)力發(fā)電的優(yōu)化調(diào)度策略，考慮到了天然氣系統(tǒng)的建模，并將其安全約束集成到最優(yōu)調(diào)度模型中，從而驗(yàn)證了所提調(diào)度策略模型的經(jīng)濟(jì)性，促進(jìn)了風(fēng)力發(fā)電的集成。文獻(xiàn)[6]以某沿海某地CCHP 型微網(wǎng)為例，構(gòu)建了以用戶購電成本和環(huán)境處理費(fèi)用最低為目標(biāo)的微網(wǎng)配網(wǎng)聯(lián)合調(diào)度模型，采用基于信息熵理論的NSGA-II算法，解決了傳統(tǒng)多目標(biāo)評價體系中折衷解選擇主觀性的影響。然而，該模型并未提出，在智能化調(diào)度的框架下，根據(jù)不同的利益主體進(jìn)行協(xié)同調(diào)控。

在多智能體調(diào)度方面，文獻(xiàn)[7]將多代理系統(tǒng)（Multi-Agent System，MAS）引入到多微網(wǎng)和分布式電源能量協(xié)同調(diào)控問題中，制定了基于混合式控制結(jié)構(gòu)下的微網(wǎng)分布式MAS 控制策略。但是，由于多目標(biāo)協(xié)同優(yōu)化涉及經(jīng)濟(jì)、技術(shù)、環(huán)境等多方面的因素，傳統(tǒng)的集中式優(yōu)化算法已經(jīng)難以滿足微網(wǎng)的發(fā)展趨勢。文獻(xiàn)[8]提出一種基于勢博弈的微網(wǎng)分布式運(yùn)行優(yōu)化算法，將復(fù)雜的約束條件轉(zhuǎn)化為局中人的策略空間，契合于MAS 理論的分布特性。文獻(xiàn)[9]，[10]為了有效地構(gòu)建多層次微網(wǎng)管理策略，提出了基于Multi-Agent 的多層微網(wǎng)管理系統(tǒng)，但未考慮微網(wǎng)內(nèi)部的管理和通信代理機(jī)制。

1 基于多智能體的冷熱電聯(lián)供型微網(wǎng)

本文所研究的冷熱電聯(lián)供型微網(wǎng)基本結(jié)構(gòu)如圖1所示。該微網(wǎng)主要包括風(fēng)機(jī) （WT）、 光伏（PV）、蓄電池（BA）和由微燃機(jī)（MT）、燃料電池（FC）、吸收式制冷機(jī)、空調(diào)機(jī)（AC）、鍋爐（GB）等微源組成的CCHP 系統(tǒng)。

圖1 冷熱電聯(lián)供型微網(wǎng)基本結(jié)構(gòu)圖Fig.1 Basic structure diagram of CCHP microgrid

以國內(nèi)某地CCHP 型微網(wǎng)為例，通過構(gòu)建微網(wǎng)管理系統(tǒng)多智能體調(diào)度框架，實(shí)現(xiàn)各微源代理之間的通信和協(xié)調(diào)。通過所建立的微網(wǎng)并網(wǎng)優(yōu)化調(diào)度模型，驗(yàn)證了基于多智能體技術(shù)的CCHP 型微網(wǎng)，在并網(wǎng)條件下調(diào)度的經(jīng)濟(jì)性和靈活性，使其達(dá)到節(jié)能減排效果和收益的最大化。

1.1 多智能體微網(wǎng)管理系統(tǒng)

多智能體系統(tǒng)是智能代理的結(jié)合，能夠完成各代理（Agent）之間的底層通信，實(shí)現(xiàn)各Agent 之間的相互通信和協(xié)調(diào)控制[11]，[12]。圖2所示為本文構(gòu)建的基于多智能體技術(shù)的CCHP 型微網(wǎng)管理系統(tǒng)結(jié)構(gòu)，包括大電網(wǎng)和由 PV，WT，BA 和 CCHP 系統(tǒng)組成的通信代理管理結(jié)構(gòu)，還包括用戶的負(fù)荷需求通信代理。

圖2 基于多智能體技術(shù)的微網(wǎng)管理系統(tǒng)結(jié)構(gòu)Fig.2 Microgrid management system structure based on multi-agent technology

CCHP 型微網(wǎng)中，各個負(fù)荷、微源及蓄電池通過對應(yīng)的Agent 進(jìn)行協(xié)調(diào)控制，各個實(shí)體單元有不同的管理約束和決策機(jī)制。本文將MAS 技術(shù)與微網(wǎng)運(yùn)行相結(jié)合，在多智能體系統(tǒng)中構(gòu)建監(jiān)控發(fā)電側(cè)電力平衡的Agent、負(fù)荷需求側(cè)的負(fù)荷Agent和在斷路器或保護(hù)側(cè)的控制Agent，從而及時有效地對動態(tài)調(diào)度中各個微源進(jìn)行監(jiān)督和控制[13]。各Agent 之間信息的反饋，將改善整個微網(wǎng)系統(tǒng)的電能管理以及啟停與運(yùn)行機(jī)制。

1.2 微源模型

微網(wǎng)中 CCHP 系統(tǒng)須要構(gòu)建 MT，AC，GB，BA和FC 的模型。MT 運(yùn)行時，可利用所排出的高溫?zé)煔庥酂峁峄蛲ㄟ^加裝的吸收式制冷機(jī)制冷；AC 通過電負(fù)荷進(jìn)行制冷、制熱；天然氣進(jìn)入GB燃燒產(chǎn)生熱量。

（1）微燃機(jī)數(shù)學(xué)模型

當(dāng)忽略外界環(huán)境變化影響時，微燃機(jī)（MT）的數(shù)學(xué)表達(dá)式：

式中：ηMT為 MT 的發(fā)電效率；PMT（t）為 t 時刻 MT的出力；a，b，c，d 是取值為正常數(shù)的 MT 的功率系數(shù)；QMT，c（t），QMT，h（t）分別為 t 時刻吸收式制冷機(jī)提供的制冷、制熱量；QMT（t）為 MT 排出氣體的余熱量；ηc，ηh分別為吸收式制冷機(jī)的制冷、制熱系數(shù)；ηrec為煙氣回收率；η1為 MT 的散熱損失系數(shù)。

MT 燃料成本的數(shù)學(xué)表達(dá)式：

式中：FMT（t）為 t 時刻 MT 的燃料成本；Δt 為一個單位之內(nèi)的調(diào)度時間；JNG為天然氣單價，取JNG=2.64 元/m3；HNG為天然氣低位熱系數(shù)，取 HNG=9.78 kW·h/m3。

（2）空調(diào)機(jī)數(shù)學(xué)模型

空調(diào)機(jī)（AC）將電能轉(zhuǎn)化為機(jī)械能，使壓縮機(jī)運(yùn)轉(zhuǎn)制冷或制熱，其數(shù)學(xué)表達(dá)式：

式中：QAC，c（t），QAC，h（t），Pair（t）分別為 t 時刻內(nèi) AC 的制冷、制熱量、輸出電功率；ηac，c，ηac，h，ηac，l分別為AC 的制冷、 制熱效率、 能量損失系數(shù)；COPair，c，COPair，h分別為 AC 的制冷、制熱能效比。

本文所提出的聯(lián)供系統(tǒng)將空調(diào)機(jī)與吸收式制冷機(jī)單獨(dú)使用，為防止二者聯(lián)用后冷水無法送入管道[2]。

（3）鍋爐數(shù)學(xué)模型

天然氣經(jīng)過鍋爐（GB）的燃燒實(shí)現(xiàn)CCHP 系統(tǒng)熱量的供應(yīng)，其表達(dá)式為

式中：QGB（t）和 RGB（t）分別為 t 時刻 GB 的輸出熱量和額定供熱量；ηGB為 GB 的供熱效率；FGB（t）為t 時刻內(nèi)GB 的燃料成本。

（4）儲能裝置數(shù)學(xué)模型

儲能裝置蓄電池（BA）存在充電、放電、停運(yùn)3 種狀態(tài)，其充放電是一個動態(tài)過程[14]。BA 在t+1時刻的儲能與t 時刻的儲能有關(guān)，其充放電的數(shù)學(xué)表達(dá)式為

式中：E（t+1），E（t）分別為 BT 在（t+1），t 時刻的容量；δ 為 BA 的自我放電效率；Δt 為時間間隔，即充放電時段；Pch（t），Pdis（t）分別為 t 時刻 BA 的充、放電功率；ηch，ηdis分別為 BA 的充、放電效率。

（5）燃料電池數(shù)學(xué)模型

燃料電池（FC）通過消耗天然氣并由電極反應(yīng)產(chǎn)生氫氣來發(fā)電，在不考慮其余熱利用的情況下，燃料成本的表達(dá)式為

式中：FFC（t）為 FC 在 t 時刻的燃料成本；PFC（t）為FC 的輸出電功率；ηFC為 FC 的發(fā)電效率。

2 微網(wǎng)并網(wǎng)優(yōu)化模型

CCHP 型微網(wǎng)系統(tǒng)內(nèi)各個組成部分都有著各自的約束和特征。基于智能優(yōu)化算法，在滿足各組分物理約束和系統(tǒng)運(yùn)行約束的條件下，各微源和儲能系統(tǒng)出力得到最優(yōu)調(diào)配，實(shí)現(xiàn)整個微網(wǎng)系統(tǒng)的經(jīng)濟(jì)調(diào)度。

2.1 目標(biāo)函數(shù)

本文提出的優(yōu)化調(diào)度模型是以CCHP 型微網(wǎng)的總發(fā)電成本和環(huán)境費(fèi)用最低、 并網(wǎng)收益最大為目標(biāo)：

式中：F為微網(wǎng)并網(wǎng)運(yùn)行總成本；F1，F(xiàn)2分別為CCHP 型微網(wǎng)總的發(fā)電成本和環(huán)境成本，F(xiàn)3為微網(wǎng)并網(wǎng)收益；λ1，λ2，λ3分別為各個目標(biāo)的權(quán)重比例系數(shù)。

權(quán)重比例系數(shù)是為了分析不同因子對總運(yùn)行成本影響的大小。在不同情況下，如果該因子影響較大，則權(quán)重比例設(shè)置較高，此處 0≤（λ1，λ2，λ3）≤1。

（1）CCHP 型微網(wǎng)系統(tǒng)發(fā)電成本

式中：FNG（t）為 t 時刻的總?cè)剂铣杀?；FOM（t）為設(shè)備運(yùn)行管理成本；KOM，i為設(shè)備i 的運(yùn)行管理系數(shù)；Pi（t）為設(shè)備 i 的輸出功率。

（2）環(huán)境治理成本

式中：Jej為第j 項(xiàng)污染物單位質(zhì)量排放對應(yīng)的環(huán)境價值，元/kg；Jfj為第j 項(xiàng)污染物單位質(zhì)量排放對應(yīng)的罰款，元/kg；Mij為微源i 單位功率出力時排放的第j 項(xiàng)污染物的質(zhì)量，kg/kW。

（3）并網(wǎng)收益

式中：Fgrid（t）為整個調(diào)度周期內(nèi)微網(wǎng)與大電網(wǎng)電能交易的總收益；Fbt（t）為整個調(diào)度周期內(nèi)微網(wǎng)獲得的總補(bǔ)貼收益；Cgrid（t）為微網(wǎng)與大電網(wǎng)電能交易價格；Pgrid（t）為微網(wǎng)與大電網(wǎng)的交互功率，kW，當(dāng) Pgrid（t）≥0 時，取分時購電價格，當(dāng) Pgrid（t）＜0時，取分時售電價格；PPV（t），PWT（t）分別為微網(wǎng)中的光伏出力、風(fēng)機(jī)出力；Cbt，WT，Cbt，PV分別為風(fēng)力發(fā)電、光伏發(fā)電的單位補(bǔ)貼價格，元/（kW·h）。

2.2 微網(wǎng)運(yùn)行約束條件

（1）微網(wǎng)運(yùn)行時電熱冷功率平衡約束

式中：Qrec（t） 為 t 時刻鍋爐的回收余熱量，kW；PHS，c（t），PHS，d（t）分別為蓄熱裝置的儲熱、放熱功率，kW；Pload（t），Qload（t），Cload（t）分別為電、熱、冷負(fù)荷，kW；Cq（t），Qc（t）分別為吸收式制冷機(jī)制冷量、制冷所需熱量，kW。

（2）各微源及其他設(shè)備的輸出功率約束

微網(wǎng)中各微源 （PV，WT，MT，F(xiàn)C） 及燃?xì)忮仩t、制冷設(shè)備的輸出功率約束：

式中：Pi（t）為微網(wǎng)系統(tǒng)設(shè)備 i 在 t 時刻的實(shí)際輸出功率；Pi，min（t），Pi，max（t） 分別為設(shè)備 i 輸出功率的最小、最大值。

（3）微網(wǎng)與主網(wǎng)之間的交互傳輸功率約束

式中：Pgridmin（t），Pgridmax（t） 分別為 t 時刻微網(wǎng)與主網(wǎng)的傳輸功率的最小、最大值。

（4）蓄電池充放電周期約束

式中：WBA（0），WBA（T）分別為一個調(diào)度周期 T 內(nèi)起、始的蓄電池電量；PBA（t）為蓄電池在 t 時刻對微網(wǎng)的充放電功率。

（5）蓄熱裝置運(yùn)行約束

式中：PHS，cmax，PHS，dmax分別為蓄熱裝置儲熱、放熱的最大功率；EHS，min，EHS，max分別為蓄熱裝置的最小、最大儲熱量；EHS（T），EHS（0）分別為調(diào)度周期末時刻、初始時刻的蓄熱裝置儲熱量。

3 模型求解

3.1 基于多Agent的混沌優(yōu)化求解算法

混沌是自然與社會現(xiàn)象中廣泛存在的，并且由非線性系統(tǒng)產(chǎn)生的不規(guī)則行為。多Agent 混沌粒子群算法（MACPSO）引入混沌思想，將混沌搜索作為一種新的優(yōu)化工具，使優(yōu)化算法更具有遍歷性，對初始條件更為敏感。該算法采用Logistic方程以得出混沌序列，其表達(dá)式為

式中：μ 為控制系數(shù)。

設(shè)定約束 0≤Z0≤1。當(dāng) μ=4 時，式（28）所表達(dá)的系統(tǒng)是完全混沌的。同時，該式通過迭代獲得混沌序列[z1，z2，…，zn]。

本文采用MACPSO 算法求解模型，該算法具體流程如圖3 所示。

圖3 MACPSO 算法流程Fig.3 Flow chart of MACPSO algorithm

MACPSO 算法基于多智能體技術(shù)與混沌優(yōu)化思想，其基本的算法流程與多Agent 粒子群算法相類似[15]。同時，在引入混沌算子的情況下，MACPSO 算法不再執(zhí)行多 Agent 粒子群算法自學(xué)習(xí)機(jī)制[16]。因此，MACPSO 算法不僅提高了算法尋優(yōu)的效率，而且還加強(qiáng)了粒子在局部空間的尋優(yōu)能力，使算法跳出局部最優(yōu)，提高算法精度[17]。

3.2 基于多智能體系統(tǒng)的調(diào)度求解策略

多智能體系統(tǒng)中，智能代理之間通過數(shù)據(jù)識別進(jìn)行信息交換，同時在MACPSO 算法優(yōu)化下對所提目標(biāo)函數(shù)中各代理粒子進(jìn)行修正，直至完成迭代，最終完成模型求解與優(yōu)化調(diào)度。多智能體系統(tǒng)調(diào)度求解策略如圖4 所示。各Agent在所提策略中被分為發(fā)電類Agent、 負(fù)荷及儲能類Agent 和控制及管理類Agent 3 個不同的組群。

圖4 多智能體系統(tǒng)調(diào)度策略Fig.4 Multi-agent system scheduling strategy

發(fā)電類 Agent 包括 PV，WT 和 CCHP 系統(tǒng)。這些微源Agent 與主網(wǎng)Agent 相連，根據(jù)各微源模型來調(diào)節(jié)運(yùn)行情況及執(zhí)行控制任務(wù)。

負(fù)荷及儲能類Agent 包括儲能單元和用戶負(fù)載。儲能單元 Agent 與用戶負(fù)載 Agent 直接與主網(wǎng) Agent 交互。儲能單元 Agent 的數(shù)據(jù)通信是雙向的，在用電低谷期提供信號以儲存電能或在用電高峰期向負(fù)載輸送電能。主網(wǎng)Agent 僅將信號傳輸?shù)截?fù)荷Agent 以滿足用戶負(fù)荷要求。

控制及管理類Agent 包括具有雙向通信的管理 Agent 和控制 Agent。管理 Agent 主要執(zhí)行監(jiān)控功能及負(fù)責(zé)電功率平衡；控制Agent 負(fù)責(zé)監(jiān)測CCHP 型微網(wǎng)的運(yùn)行狀態(tài)，響應(yīng)主網(wǎng)Agent 的控制指令。各代理管理任務(wù)根據(jù)主網(wǎng)Agent 發(fā)布的控制指令和自身運(yùn)行約束及響應(yīng)機(jī)制進(jìn)行有效地管理監(jiān)督，以增強(qiáng)CCHP 型微網(wǎng)并網(wǎng)優(yōu)化運(yùn)行的可靠性。

4 算例分析

本文選取國內(nèi)某地小型微網(wǎng)系統(tǒng)為例，該CCHP 型微網(wǎng)并網(wǎng)系統(tǒng)的基本結(jié)構(gòu)和微源額定功率如圖5 所示。

圖5 算例系統(tǒng)基本結(jié)構(gòu)Fig.5 Basic structure diagram of the example system

算例微網(wǎng)系統(tǒng)包含一組分布式微源、 儲能裝置以及由MT，AC 等微源組成的CCHP 系統(tǒng)。該系統(tǒng)可以使用多個饋線來根據(jù)負(fù)荷側(cè)的需求將所產(chǎn)生的電力輸送給消費(fèi)者[18]。含吸收式制冷機(jī)的CCHP 系統(tǒng)可以為用戶供冷；微網(wǎng)系統(tǒng)通過公共耦合點(diǎn)（PCC）與公共主網(wǎng)連接[19]；在微網(wǎng)系統(tǒng)運(yùn)行期間發(fā)生短路或其他故障時，靜態(tài)開關(guān)（STS）可將微網(wǎng)系統(tǒng)與大電網(wǎng)隔離。整個微網(wǎng)系統(tǒng)采用多智能體管理系統(tǒng)，實(shí)現(xiàn)系統(tǒng)內(nèi)各個代理之間的通信和協(xié)調(diào)控制。

4.1 CCHP型微網(wǎng)參數(shù)分析

本文針對CCHP 系統(tǒng)各部分運(yùn)行情況、 各微源的調(diào)度以及儲能單元的控制策略進(jìn)行分析。以夏季典型日負(fù)荷為例，以一天24 h 為一個調(diào)度周期，每1 h 作為一個時間段，其典型日負(fù)荷數(shù)據(jù)如圖6 所示。

圖6 全天各時段PV，WT 出力及冷熱電負(fù)荷預(yù)測曲線Fig.6 Output power of PV，WT and load prediction curves of cooling，thermal and power load in different periods of a day

CCHP 型微網(wǎng)內(nèi)各微源的相關(guān)參數(shù)及其運(yùn)維費(fèi)用如表1 所示；各微源環(huán)境治理成本系數(shù)如表2 所示；各污染物的排放系數(shù)如表3 所示[20]。

表1 各微源運(yùn)維費(fèi)用和基本參數(shù)Table 1 Operation cost and basic parameters of each micro-source

表2 各微源治理成本系數(shù)Table 2 Governance cost coefficient of each micro-source

表3 污染物排放系數(shù)Table 3 Emission coefficient of pollutants

以提升經(jīng)濟(jì)效益為前提，將一天分為峰、平、谷3 個時段制定電價，以小時為單位對微網(wǎng)進(jìn)行基于實(shí)時電價的動態(tài)調(diào)度，其中分時電價如表4所示。假設(shè)MT 的余熱煙氣全部轉(zhuǎn)化到吸收式制冷機(jī)機(jī)組，吸收式制冷機(jī)制冷性能系數(shù)為1.2，制熱系數(shù)為0.9；AC 的制冷效率系數(shù)為1.2，制熱效率系數(shù)為0.9[2]。

表4 購售電價格Table 4 Electricity purchase and sale price

本算例中，MACPSO 算法設(shè)置的參數(shù)如下：種群規(guī)模為64；最大迭代次數(shù)為Tmax=200；學(xué)習(xí)因子為 c1e=2.5，c1f=0.5，c2e=0.5，c2f=2.5；初始慣性權(quán)重ωstar=0.9，結(jié)束慣性權(quán)重 ωend=0.4。

4.2 算法性能對比

改進(jìn)粒子群算法（APSO）是為了平衡基本粒子群算法（PSO）的全局搜索能力和局部改良能力而舍棄常規(guī)PSO 速度參數(shù)的自適應(yīng)優(yōu)化算法。本文所提出的求解算法在滿足基本約束條件的前提下，以APSO 算法為參照，對比得到兩者求解微網(wǎng)優(yōu)化調(diào)度模型的綜合運(yùn)行總成本（圖7）。

圖7 算法收斂性對比Fig.7 Convergence comparison of algorithms

由圖7可見，APSO 算法在第 402 次迭代時才收斂；MACPSO 算法在第230 次迭代時就已收斂至最優(yōu)，得出的最優(yōu)解也明顯優(yōu)于APSO 算法?；诨煦缌Ｗ臃N群的多樣性和搜索遍歷性，粒子不易陷入局部最優(yōu)，通過混沌搜索可改善下次迭代的粒子運(yùn)行方向，從而提高尋優(yōu)精度。在求解微網(wǎng)系統(tǒng)優(yōu)化調(diào)度問題時，MACPSO 算法具有更優(yōu)的收斂速度和收斂結(jié)果。

4.3 仿真結(jié)果分析

為體現(xiàn)含CCHP 系統(tǒng)在并網(wǎng)條件下動態(tài)調(diào)度的優(yōu)勢，本文根據(jù)所提多Agent 調(diào)度策略對該地微網(wǎng)設(shè)置以下3 個場景：場景1，無 CCHP 系統(tǒng)，孤島運(yùn)行；場景2，無CCHP 系統(tǒng)，并網(wǎng)運(yùn)行；場景3，有 CCHP 系統(tǒng)，并網(wǎng)運(yùn)行。其中：場景 1 和場景2 是指該地在理想條件下按照傳統(tǒng)微網(wǎng)的模式獨(dú)立運(yùn)行，僅考慮傳統(tǒng)的微源輸出功率約束、微網(wǎng)與主網(wǎng)間的交互傳輸功率約束、 蓄電池充放電周期約束；場景3 根據(jù)本文所提的冷熱電聯(lián)供型微網(wǎng)在多智能體系統(tǒng)中進(jìn)行動態(tài)優(yōu)化。傳統(tǒng)的微網(wǎng)僅包括 PV，WT，F(xiàn)C，BA 等微源，不含鍋爐和制冷、制熱設(shè)備。

通過MACPSO 算法200 次優(yōu)化迭代，可得到如圖8 所示的3 種調(diào)度場景下的每代個體適應(yīng)度變化情況。

圖8 各場景的尋優(yōu)迭代圖Fig.8 Iterative optimization of each scenario

通過對圖8 的分析可知，隨著微網(wǎng)中各分布式電源并入主網(wǎng)，同時由CCHP 系統(tǒng)參與調(diào)度，通過迭代優(yōu)化后的運(yùn)行總成本明顯降低。本文基于MAS 技術(shù)，微網(wǎng)中各組成部分在多Agent 混沌粒子群優(yōu)化算法下，各粒子進(jìn)行尋優(yōu)，粒子每一次迭代修正都通過智能代理的數(shù)據(jù)通信，最后得出3個場景的優(yōu)化結(jié)果（表5）。

表5 3 個場景的最優(yōu)運(yùn)行成本Table 5 Optimal operation cost of three scenarios

對比場景1，2 可知，微網(wǎng)中各分布式電源在孤島運(yùn)行模式下的發(fā)電成本明顯高于并網(wǎng)模式下的成本，這是因?yàn)槲⒕W(wǎng)并網(wǎng)與大電網(wǎng)產(chǎn)生了電能交易。對比場景2，3 可知，在加入CCHP 系統(tǒng)參與冷、熱、電調(diào)度之后的總發(fā)電成本比場景2 降低了9.6%。這是因?yàn)樵谙募镜湫腿肇?fù)荷情況下，系統(tǒng)中的制冷、制熱設(shè)備同時運(yùn)行，從而提高了微網(wǎng)中能源的利用效率。

根據(jù)多Agent 系統(tǒng)調(diào)度策略，各組群協(xié)調(diào)調(diào)度各微源的出力，3 個場景的微源出力曲線如圖9～11 所示。

圖9 場景1 各微源出力Fig.9 Each micro-source output power in scenario 1

圖10 場景2 各微源出力Fig.10 Each micro-source output power in scenario 2

圖11 場景3 各微源出力Fig.11 Each micro-source output power in scenario 3

對比3 個場景的出力圖可知，在不同場景條件下，微網(wǎng)通過各微源Agent 之間的決策和管理機(jī)制，在不同時段各微源輸出功率表現(xiàn)出較明顯的差異。

與場景1 相比，場景2，3 的儲能裝置引導(dǎo)微網(wǎng)從大電網(wǎng)購電，并將多余電能儲存，在負(fù)荷高峰時段通過PCC 向主網(wǎng)售電，并產(chǎn)生交互電價，獲得了良好的經(jīng)濟(jì)效益，也起到了微網(wǎng)與主網(wǎng)“削峰填谷”的作用。在分時電價機(jī)制引導(dǎo)下，谷時段電價較低，微網(wǎng)購電，蓄電池盡可能充電；峰時段電價較高，蓄電池盡最大可能放電，從而降低了購電成本，增加了收益。相對于場景2，場景3 的CCHP系統(tǒng)中，鍋爐與制冷設(shè)備同時參與調(diào)度，在多智能體系統(tǒng)中各個Agent 之間信息的反饋更加全面，使得各微源在峰、平、谷3 個時段輸出功率分配更加合理。

如圖11 所示，雖然蓄電池的充放電功率在各個時段的波動較圖10 大一些，但MT，F(xiàn)C 的出力在3 個時段更加合理。這是因?yàn)镃CHP 系統(tǒng)中制冷機(jī)與空調(diào)機(jī)的高效制冷效率和鍋爐的供熱效率，使得CCHP 系統(tǒng)與各微源之間進(jìn)行協(xié)同調(diào)控，能夠有效地平衡該場景下各微源出力和電、熱、冷負(fù)荷之間能量的流動。3 個場景的對比結(jié)果，驗(yàn)證了本文所提思路的合理性，可為實(shí)際工程中微網(wǎng)的經(jīng)濟(jì)環(huán)保優(yōu)化提供參考和技術(shù)支持。

5 結(jié)論

本文基于多智能體技術(shù)建立含CCHP 系統(tǒng)的微網(wǎng)并網(wǎng)優(yōu)化調(diào)度模型。以國內(nèi)某地夏季典型日的小型微網(wǎng)為例，采用基于多Agent 的混沌粒子群算法求解，得到在不同調(diào)度場景下的最優(yōu)總發(fā)電成本。不僅實(shí)現(xiàn)了CCHP 型微網(wǎng)在并網(wǎng)運(yùn)行條件下的經(jīng)濟(jì)性和環(huán)保性最優(yōu)，而且在電力建設(shè)中對集中供熱、蒸汽制冷、規(guī)劃供用電以及提高能源綜合利用率具有重要作用。通過多Agent 系統(tǒng)與傳統(tǒng)微網(wǎng)管理系統(tǒng)的結(jié)合，使系統(tǒng)在滿足各Agent 通信機(jī)制的同時，快速獲得最客觀的優(yōu)化方案，提高系統(tǒng)優(yōu)化調(diào)度的靈活性。