基于改進(jìn)二進(jìn)制蝙蝠算法的獨(dú)立型微網(wǎng)容量優(yōu)化配置

盛四清，張晶晶，陳玉良

(新能源電力系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室(華北電力大學(xué)), 河北省保定市 071003)

基于改進(jìn)二進(jìn)制蝙蝠算法的獨(dú)立型微網(wǎng)容量優(yōu)化配置

盛四清，張晶晶，陳玉良

(新能源電力系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室(華北電力大學(xué)), 河北省保定市 071003)

該文圍繞獨(dú)立型風(fēng)/光/柴/儲(chǔ)微網(wǎng)的容量優(yōu)化配置展開研究，以微網(wǎng)系統(tǒng)供電可靠性為約束條件，同時(shí)考慮微網(wǎng)經(jīng)濟(jì)性、環(huán)保性和可再生能源利用率3個(gè)指標(biāo)，以加權(quán)后的年均綜合費(fèi)用最小為優(yōu)化目標(biāo)，構(gòu)建微網(wǎng)容量優(yōu)化配置的非線性整數(shù)規(guī)劃模型。針對(duì)連續(xù)優(yōu)化算法直接用于求解離散優(yōu)化模型而導(dǎo)致的局部最優(yōu)問題，該文提出一種改進(jìn)的二進(jìn)制蝙蝠算法(improved binary bat algorithm, IBBA)，將差分進(jìn)化(differential evolution, DE)算法的變異、交叉、選擇操作與二進(jìn)制蝙蝠算法(binary bat algorithm, BBA)相結(jié)合，增強(qiáng)BBA的全局尋優(yōu)能力。算例結(jié)果表明，IBBA求解得到的配置結(jié)果在精度和穩(wěn)定性上均優(yōu)于遺傳算法(genetic algorithm, GA)、粒子群算法(particle swarm optimization, PSO)和DE算法。

獨(dú)立型微網(wǎng); 優(yōu)化配置; 改進(jìn)二進(jìn)制蝙蝠算法(IBBA); 差分進(jìn)化算法(DE)

0 引 言

獨(dú)立型微網(wǎng)可將各類分布式電源、儲(chǔ)能裝置以及負(fù)荷有效整合在一起，具有供電靈活、可近距離輸電等優(yōu)點(diǎn)，已成為解決偏遠(yuǎn)地區(qū)(如孤島、邊防哨所等)供電問題的關(guān)鍵技術(shù)[1-2]。微網(wǎng)容量優(yōu)化配置是設(shè)計(jì)微網(wǎng)的一個(gè)重要環(huán)節(jié)，指的是根據(jù)待規(guī)劃地區(qū)風(fēng)光等自然資源以及負(fù)荷特點(diǎn)，通過優(yōu)化方法確定待規(guī)劃微網(wǎng)中分布式電源和儲(chǔ)能裝置的容量，使得整個(gè)微網(wǎng)在保障供電可靠性的前提下，提高其經(jīng)濟(jì)性和環(huán)保性?？茖W(xué)合理的配置方案對(duì)于降低微網(wǎng)建設(shè)成本、保障供電可靠性、提升可再生能源消納水平以及減少污染排放具有重要意義[3]。

微網(wǎng)優(yōu)化配置問題是一個(gè)多目標(biāo)、多約束、具有強(qiáng)非線性的復(fù)雜優(yōu)化問題，傳統(tǒng)的數(shù)學(xué)優(yōu)化算法往往難以奏效，群體智能算法是解決該類問題最常用的方法。在過去的幾年里，很多群體智能算法被應(yīng)用于微網(wǎng)優(yōu)化配置的研究[4-12]。文獻(xiàn)[4]以綜合成本費(fèi)用最小為優(yōu)化目標(biāo)，利用遺傳算法(genetic algorithm, GA)對(duì)獨(dú)立風(fēng)光柴儲(chǔ)微網(wǎng)的系統(tǒng)容量進(jìn)行優(yōu)化；文獻(xiàn)[5]提出一種自適應(yīng)粒子群算法(particle swarm optimization, PSO)來求解海上油田微電網(wǎng)電源優(yōu)化配置問題，將變異操作引入到粒子群算法中，以此來改善迭代后期全局搜索能力下降的問題；文獻(xiàn)[6]將改進(jìn)的細(xì)菌覓食算法應(yīng)用于風(fēng)/光/儲(chǔ)混合微網(wǎng)的電源容量優(yōu)化配置；文獻(xiàn)[7]在對(duì)海島微網(wǎng)進(jìn)行優(yōu)化配置時(shí)考慮海水淡化類可時(shí)移負(fù)荷的影響，并采用改進(jìn)的自由搜索算法進(jìn)行求解；文獻(xiàn)[8]選取仿電磁學(xué)算法來對(duì)風(fēng)/光/柴/儲(chǔ)獨(dú)立微電網(wǎng)進(jìn)行優(yōu)化配置，并采用自適應(yīng)變異、自適應(yīng)變步長以及搜索空間縮減等措施來改善算法的性能。

微網(wǎng)優(yōu)化配置問題本質(zhì)上是整數(shù)規(guī)劃問題，然而除GA外，上述文獻(xiàn)中提到的方法多為連續(xù)優(yōu)化算法，大部分文獻(xiàn)采用取整的方式將其直接應(yīng)用于微網(wǎng)配置問題，這種處理方式往往會(huì)使算法陷入局部最優(yōu)，從而得不到令人滿意的配置方案。雖然GA可以通過二進(jìn)制編碼來求解離散優(yōu)化問題，但是GA同樣存在易早熟收斂等缺陷，因此，探索更適合解決微網(wǎng)優(yōu)化配置問題的優(yōu)化算法是當(dāng)前需要解決的一大問題。

蝙蝠算法(bat algorithm, BA)是由劍橋大學(xué)的YANG X于2010年提出的一種模仿蝙蝠回聲定位行為的群體智能算法，該算法具有全局搜索能力強(qiáng)、收斂速度快等優(yōu)點(diǎn)，在多個(gè)非線性測試函數(shù)上的仿真結(jié)果表明：相比于GA和PSO，BA能得到更高精度的解且尋優(yōu)效率更高[13]。然而，BA同樣是一種連續(xù)性優(yōu)化算法，需要將其轉(zhuǎn)換成二進(jìn)制BA才能更好地適用于微網(wǎng)優(yōu)化配置問題。此外，基本的BA仍然存在早熟收斂、局部搜索能力差等問題，仍需對(duì)其加以改進(jìn)，進(jìn)一步提高其尋優(yōu)性能。

本文以風(fēng)/光/柴/儲(chǔ)獨(dú)立微網(wǎng)為配置對(duì)象，在保障微網(wǎng)供電可靠性前提下，同時(shí)考慮經(jīng)濟(jì)性、環(huán)保性以及可再生能源利用率3項(xiàng)指標(biāo)，將3項(xiàng)指標(biāo)統(tǒng)一轉(zhuǎn)換為費(fèi)用，以年均綜合費(fèi)用最小為優(yōu)化目標(biāo)，建立起微網(wǎng)容量配置的非線性整數(shù)優(yōu)化模型。提出一種基于差分進(jìn)化算法的改進(jìn)二進(jìn)制蝙蝠算法來求解上述優(yōu)化模型，并將該算法與傳統(tǒng)的智能算法進(jìn)行對(duì)比，最后分析權(quán)重系數(shù)對(duì)配置結(jié)果的影響。

1 分布式電源模型

1.1 風(fēng)力發(fā)電機(jī)

風(fēng)力發(fā)電機(jī)(wind turbine, WT)利用清潔、可再生的風(fēng)能資源進(jìn)行發(fā)電，風(fēng)機(jī)輸出功率Pwt(t)主要受到風(fēng)速的影響，其數(shù)學(xué)關(guān)系式[4]為：

(1)

(2)

1.2 太陽能光伏電池

太陽能光伏電池(photovoltaic，PV)通過光伏組件、發(fā)電裝置，將光能轉(zhuǎn)化成電能，其發(fā)電量主要受環(huán)境溫度和光照強(qiáng)度的影響。PV的輸出功率Ppv可按式(3)計(jì)算得到[4]：

Ppv=PSTCGAC[1+k3(Tc-Tr)]/GSTC

(3)

式中：PSTC為標(biāo)準(zhǔn)測試條件下的最大測試功率；GAC為光照強(qiáng)度，kW/m2；k3為功率溫度系數(shù)，取k3=-0.34%/K；Tr為參考溫度，取Tr=25oC(計(jì)算時(shí)需要換算到K)；GSTC為標(biāo)準(zhǔn)測試條件下的光照強(qiáng)度，取GSTC=1 kW/m2；Tc為電池板工作溫度。

Tc的計(jì)算式為

Tc=Tamt+30GAC/1 000

(4)

式中：Tamt為環(huán)境溫度。

1.3 柴油發(fā)電機(jī)

柴油發(fā)電機(jī)(diesel，DIE)是一種小型、可控、以柴油為燃料的電源，其耗油量Foil與其輸出功率相關(guān)[10]：

(5)

1.4 電池儲(chǔ)能系統(tǒng)

蓄電池儲(chǔ)能系統(tǒng)(battery energy storage system, BESS)由多組蓄電池組成。電池充放電狀態(tài)(state of charge, SOC)是衡量蓄電池剩余電量的重要參數(shù)，SOC由前一時(shí)刻剩余電量和相鄰時(shí)刻充放電功率決定[7]。

(6)

2 微網(wǎng)優(yōu)化配置模型

2.1 目標(biāo)函數(shù)

本文以風(fēng)機(jī)臺(tái)數(shù)nwt、光伏電池板個(gè)數(shù)npv、柴油發(fā)電機(jī)臺(tái)數(shù)ndie和儲(chǔ)能系統(tǒng)中蓄電池個(gè)數(shù)nbess作為優(yōu)化變量，在保障系統(tǒng)供電可靠性的前提下，同時(shí)優(yōu)化經(jīng)濟(jì)性、環(huán)保性以及可再生能源利用率3個(gè)優(yōu)化指標(biāo)，為統(tǒng)一量綱，將所有指標(biāo)都轉(zhuǎn)換為費(fèi)用來處理，最終以年均綜合費(fèi)用最小為優(yōu)化目標(biāo)進(jìn)行微網(wǎng)容量優(yōu)化配置。下面分別對(duì)3項(xiàng)指標(biāo)進(jìn)行介紹，其中，可靠性指標(biāo)將作為約束條件，在2.2節(jié)中進(jìn)行介紹。為描述方便，在本文中將WT、PV、DIE和BESS分別依次定義為第1～4類分布式電源。

2.1.1經(jīng)濟(jì)成本指標(biāo)

經(jīng)濟(jì)成本CE共包括4部分：年平均初始投資費(fèi)用Cinitial、年平均設(shè)備運(yùn)維費(fèi)用Coperation、替換費(fèi)用Cchange以及燃料費(fèi)用Cfuel，可表示為

CE=Cinitial+Coperation+Cchange+Cfuel

(7)

(1)年平均初始投資費(fèi)用。

(8)

(2) 年平均設(shè)備運(yùn)維費(fèi)用。

年平均設(shè)備運(yùn)維費(fèi)用與第1年的運(yùn)維成本有關(guān)，其計(jì)算式為

(9)

(3) 替換費(fèi)用。

年平均替換成本與各類分布式電源的使用壽命有關(guān)：

(10)

式中：y為系統(tǒng)的全壽命年限；Li為第i類分布式電源在系統(tǒng)的全壽命年限內(nèi)的更換次數(shù)，由各電源的使用年限可求出各電源更換次數(shù)。

(4) 燃料費(fèi)用。

(11)

式中：koil為柴油發(fā)電機(jī)燃料費(fèi)用系數(shù)；Pdie(t)為柴油發(fā)電機(jī)的實(shí)際運(yùn)行功率；T為年運(yùn)行小時(shí)數(shù)。

2.1.2環(huán)保性指標(biāo)

柴油機(jī)在運(yùn)行過程中會(huì)排放出CO2,SO2,NOx等污染性氣體，在本文中依次定義為第1～3類污染物，為方便比較，需將其轉(zhuǎn)化為治污費(fèi)用。治污費(fèi)用CP與柴油發(fā)電機(jī)的輸出功率有關(guān)，其計(jì)算式為

(12)

2.1.3可再生能源利用率指標(biāo)

由于風(fēng)光資源的隨機(jī)性，系統(tǒng)在運(yùn)行過程中會(huì)存在棄風(fēng)、棄光等問題，即微網(wǎng)系統(tǒng)電源出力大于用電需求，導(dǎo)致能量浪費(fèi)和可再生能源利用率下降。這里引入能量浪費(fèi)懲罰費(fèi)用CW來衡量系統(tǒng)可再生能源的利用率：

(13)

式中：kwaste為能量浪費(fèi)懲罰系數(shù)；Pwaste(t)為t時(shí)刻功率盈余量。

綜合上述3項(xiàng)指標(biāo)，微網(wǎng)優(yōu)化配置的目標(biāo)函數(shù)為

minf(x)=w1CE+w2CP+w3CW

(14)

式中：x=[nwt,npv,ndie,nbess]為待優(yōu)化變量；w1～w3為各目標(biāo)的權(quán)重系數(shù)。

2.2 約束條件

2.2.1蓄電池電量和功率約束

蓄電池的壽命與其是否深度放電有關(guān)，過充或過放都會(huì)減少蓄電池的壽命。為延長蓄電池的使用壽命，需要對(duì)蓄電池的充、放電過程進(jìn)行約束。當(dāng)蓄電池荷電狀態(tài)SSOCgt;0.9時(shí)，蓄電池停止充電；當(dāng)SSOClt;0.1時(shí)，蓄電池停止放電，且1 h內(nèi)充、放電電量不能超過額定容量的20%：

(15)

2.2.2功率缺額率約束

系統(tǒng)的可靠性表現(xiàn)為系統(tǒng)功率缺額的大小，過大的功率缺額會(huì)對(duì)生產(chǎn)和生活造成較大的影響，因此需要對(duì)系統(tǒng)的功率缺額進(jìn)行約束，以保證整個(gè)微網(wǎng)系統(tǒng)的供電可靠性。本文將系統(tǒng)的最大缺電率設(shè)置為0.1%，即功率缺額量不能超過系統(tǒng)總負(fù)荷的0.1%，功率缺額率可按下式計(jì)算：

(16)

式中：Pi(t)為第i種分布式電源t時(shí)刻的輸出功率；Pload(t)為t時(shí)刻的負(fù)荷；PLoad為微網(wǎng)系統(tǒng)的年總負(fù)荷。在模型求解時(shí)，可將功率缺額率轉(zhuǎn)換成懲罰項(xiàng)來處理。

3 優(yōu)化算法

3.1 運(yùn)行控制策略

微網(wǎng)的運(yùn)行控制策略決定了各類分布式電源出力的優(yōu)先次序，其對(duì)最后的微網(wǎng)優(yōu)化配置結(jié)果影響較大。本文采用的運(yùn)行控制策略如圖1所示。具體的控制流程總結(jié)如下詳述。

(1) 當(dāng)風(fēng)機(jī)及光伏出力之和大于負(fù)荷時(shí)，由風(fēng)機(jī)和光伏給負(fù)荷供電。若此時(shí)電池儲(chǔ)能系統(tǒng)有可充電容量，則用剩余電量給儲(chǔ)能系統(tǒng)充電。當(dāng)電池儲(chǔ)能系統(tǒng)無可充電容量，即不能繼續(xù)儲(chǔ)存剩余電量時(shí)，會(huì)將其直接丟棄，造成能量浪費(fèi)。

(2) 當(dāng)風(fēng)機(jī)及光伏發(fā)電量之和小于負(fù)荷時(shí)，優(yōu)先由蓄電池儲(chǔ)能系統(tǒng)放電來提供功率，如果仍不能滿足負(fù)荷需求，則啟動(dòng)柴油發(fā)電機(jī)給負(fù)荷供電。當(dāng)風(fēng)機(jī)、光伏、蓄電池和柴油機(jī)聯(lián)合供電還不滿足負(fù)荷需求時(shí)，微網(wǎng)就會(huì)出現(xiàn)功率缺額。

圖1 系統(tǒng)運(yùn)行控制策略流程圖Fig.1 Flowchart of control strategy for system operation

3.2 二進(jìn)制蝙蝠算法

標(biāo)準(zhǔn)BA算法適合用于求解連續(xù)性優(yōu)化問題，而微網(wǎng)優(yōu)化配置則是一個(gè)整數(shù)優(yōu)化問題。若將BA直接用于求解該問題，容易陷入局部最優(yōu)而得不到令人滿意的配置方案。本文通過引入速度轉(zhuǎn)換函數(shù)將標(biāo)準(zhǔn)BA轉(zhuǎn)換成二進(jìn)制BA(binary bat algorithm, BBA)來進(jìn)行求解，減小算法陷入局部最優(yōu)的概率。BBA的計(jì)算流程如下詳述。

步驟3：按照式(17)、(18)更新脈沖頻率和個(gè)體速度：

(17)

(18)

式中：fmin為最小頻率；fmax為最大頻率；β是0～1的隨機(jī)數(shù)。

(19)

步驟5：按照下式更新個(gè)體m的位置：

(20)

步驟8：重復(fù)步驟3～7，直至算法達(dá)到最大連續(xù)不下降次數(shù)或者達(dá)到最大迭代次數(shù)。

3.3 改進(jìn)的二進(jìn)制蝙蝠算法

基本的BBA主要依靠蝙蝠個(gè)體之間的信息交換來進(jìn)行尋優(yōu)，個(gè)體本身缺乏變異機(jī)制，一旦受到某個(gè)局部極值約束后自身很難擺脫，甚至出現(xiàn)進(jìn)化停滯的現(xiàn)象。因此需要對(duì)基本BBA進(jìn)行改進(jìn)，進(jìn)一步增強(qiáng)其全局尋優(yōu)能力。

差分進(jìn)化 (differential evolution, DE) 算法是一種高效的并行優(yōu)化算法，其優(yōu)化過程類似于遺傳算法，在種群更新時(shí)都包含變異、交叉、選擇等操作。不同的是，DE具有更加豐富的變異策略，且其變異方式更加有效地利用了種群的分布特性，變異效率更高[14]。因此將DE和BBA算法結(jié)合，能克服BA收斂精度不高、易陷入局部最優(yōu)等缺點(diǎn)。

DE算法不同的變異方式對(duì)于算法的全局探索和局部平衡能力各有側(cè)重，本文選取隨機(jī)向量差分法(DE/rand/1)和最優(yōu)解加隨機(jī)向量差分法(DE/best/1)2種變異策略對(duì)BBA算法中步驟6得到的蝙蝠個(gè)體進(jìn)行變異操作。值得注意的是，DE算法也是一種連續(xù)優(yōu)化算法，因此本文對(duì)其進(jìn)行相應(yīng)處理，使其轉(zhuǎn)換成二進(jìn)制DE。具體操作過程如下詳述。

3.3.1變異操作

(1)隨機(jī)向量差分法(DE/rand/1)。

(21)

(2)最優(yōu)解加隨機(jī)向量差分法(DE/best/1)。

(22)

3.3.2交叉操作

(23)

3.3.3選擇操作

4 仿真算例

4.1 仿真數(shù)據(jù)

本文以某地區(qū)1年的氣象數(shù)據(jù)和當(dāng)?shù)?19個(gè)用戶1年的實(shí)際用電數(shù)據(jù)為基礎(chǔ)，采用本文提出的優(yōu)化配置模型和求解算法進(jìn)行微網(wǎng)容量優(yōu)化配置。數(shù)據(jù)采樣間隔為1 h，全年8 760 h的風(fēng)速、輻照度、環(huán)境溫度和負(fù)荷數(shù)據(jù)分別如圖2所示。

該地區(qū)全年總用電量為1 318 MW·h，日平均用電量約為3.6 MW·h。單臺(tái)風(fēng)機(jī)的額定功率選取為10 kW；單個(gè)光伏電池板的額定功率為1 kW；柴油發(fā)電機(jī)的額定功率為10 kW，其排放污染性氣體的標(biāo)準(zhǔn)和治理費(fèi)用見表1[7]；單個(gè)儲(chǔ)能電池的額定容量為25 kW·h，額定功率為25 kW；蓄電池的初始剩余電量設(shè)為60%的額定電量，充電效率為0.8，放電效率為1。設(shè)定系統(tǒng)壽命周期為20年，電源的成本系數(shù)和使用年限見表2[10]。

圖2 風(fēng)速、輻照度、溫度及負(fù)荷曲線Fig.2 Curve of wind speed, irradiance, temperature and load

表2 設(shè)備參數(shù)Table 2 Equipment parameters

4.2 算法對(duì)比

為驗(yàn)證本文所提算法的有效性，將本文算法與GA、PSO和DE算法進(jìn)行對(duì)比。4種算法的種群數(shù)目都設(shè)置成30，目標(biāo)函數(shù)最大連續(xù)不下降次數(shù)取為20，最大迭代次數(shù)取為100，其余參數(shù)取值見表3。由于這4種算法都為隨機(jī)搜索算法，為使對(duì)比結(jié)果更加可信，分別運(yùn)行各算法30輪，每一輪都隨機(jī)產(chǎn)生初始解，且保證4種算法在每輪中的初始解相同。此外，優(yōu)化模型的權(quán)重設(shè)置為等權(quán)重，最終運(yùn)行結(jié)果見表4,其中1輪的收斂曲線如圖3所示。

表34種算法參數(shù)取值
Table3Parameterssettingfor4algorithms

表4 4種算法尋優(yōu)結(jié)果對(duì)比Table 4 Comparison of optimization resultsamong 4 algorithms

圖3 4種算法收斂曲線對(duì)比Fig.3 Convergence curve for 4 algorithms

分析表3可知，在種群數(shù)和收斂準(zhǔn)則相同的前提下，就求解精度而言，IBBA求得的最優(yōu)解精度最高，平均值為70.08萬元，最優(yōu)值為69.74萬元，最差值為72.35萬元，PSO和DE次之，GA優(yōu)化的結(jié)果最差。就結(jié)果的穩(wěn)定性而言，IBBA的穩(wěn)定性最好，其30次運(yùn)行的標(biāo)準(zhǔn)差為1.65萬元，PSO次之，DE更差，GA的穩(wěn)定性最差。就運(yùn)行速度而言，GA的運(yùn)行速度最快，PSO次之，DE比PSO運(yùn)行速度更慢，IBBA的運(yùn)行速度最慢，這是因?yàn)镮BBA在標(biāo)準(zhǔn)的BBA的基礎(chǔ)上加入了DE算法，因此運(yùn)行時(shí)間有所增加?？紤]到微網(wǎng)優(yōu)化配置并不是實(shí)時(shí)在線的，對(duì)于算法的運(yùn)行速度要求并不高，因此綜合上述3項(xiàng)指標(biāo)來看，本文所提出的IBBA算法對(duì)微網(wǎng)容量配置問題的求解效果優(yōu)于GA、PSO和DE這3種傳統(tǒng)智能算法。

4.3 目標(biāo)函數(shù)權(quán)重對(duì)配置結(jié)果的影響分析

目標(biāo)函數(shù)權(quán)重系數(shù)表示決策者對(duì)于各個(gè)目標(biāo)的重視程度，為了探究不同權(quán)重系數(shù)對(duì)優(yōu)化配置的影響，本文分析不同權(quán)重系數(shù)下容量配置結(jié)果的差異。共設(shè)置4組權(quán)重，以等權(quán)重為對(duì)照基準(zhǔn)，其余3組權(quán)重分別對(duì)3個(gè)目標(biāo)函數(shù)有不同側(cè)重。用IBBA求解，每組權(quán)重系數(shù)下算法運(yùn)行30次，取目標(biāo)函數(shù)最小的一次作為最終配置結(jié)果，結(jié)果見表5。

總體而言，不同的權(quán)重設(shè)置方案對(duì)最終的配置結(jié)果影響并不大，等權(quán)重設(shè)置得到的配置結(jié)果年均綜合費(fèi)用最少。與等權(quán)重設(shè)置相比，年均綜合費(fèi)用最大的配置方案比其大1.6%左右。年均綜合費(fèi)用由經(jīng)濟(jì)成本CE、治污費(fèi)用CP以及能源未利用懲罰費(fèi)用CW3部分構(gòu)成。與等權(quán)重設(shè)置相比，當(dāng)給CE賦較大權(quán)重時(shí)，風(fēng)機(jī)光伏的配置容量有所上升，蓄電池配置容量下降，此時(shí)經(jīng)濟(jì)成本有所下降，但同時(shí)可再生能源利用率也有所下降；當(dāng)給CP賦較大權(quán)重時(shí)，治污費(fèi)用并沒有出現(xiàn)較大改變，這是因?yàn)橹挝圪M(fèi)用占綜合費(fèi)用的比例很小，大約只占0.4%；當(dāng)給CW賦較大權(quán)重時(shí)，為提升可再生能源利用率，就需要減少風(fēng)、光等不確定性電源的配置容量，同時(shí)為保證系統(tǒng)可靠性，作為后備電源的柴油機(jī)的容量就需要增加，由表5可知，風(fēng)機(jī)光伏的配置容量明顯下降，柴油機(jī)的配置容量上升，風(fēng)、光資源利用率增加10%。

表5不同權(quán)重系數(shù)下的配置結(jié)果
Table5Configurationresultsfordifferentweightcoefficients

5 結(jié) 論

本文圍繞微網(wǎng)容量優(yōu)化配置問題展開研究，以微網(wǎng)供電可靠性為約束，建立了同時(shí)考慮經(jīng)濟(jì)性、環(huán)保性以及可再生能源利用率3項(xiàng)指標(biāo)的優(yōu)化模型，將3項(xiàng)指標(biāo)轉(zhuǎn)化為經(jīng)濟(jì)指標(biāo)，進(jìn)而將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)問題進(jìn)行求解，并提出一種改進(jìn)的二進(jìn)制蝙蝠算法進(jìn)行求解，得到的結(jié)論如下。

(1)微網(wǎng)容量優(yōu)化配置問題是一個(gè)整數(shù)規(guī)劃問題，采用本文提出的改進(jìn)二進(jìn)制蝙蝠算法在求解精度和穩(wěn)定性方面均優(yōu)于遺傳算法、粒子群算法和差分進(jìn)化算法等傳統(tǒng)優(yōu)化算法。

(2)目標(biāo)函數(shù)的權(quán)重系數(shù)會(huì)對(duì)配置結(jié)果產(chǎn)生一定的影響，等權(quán)重設(shè)置得到的配置方案能夠較好地平衡各個(gè)目標(biāo)函數(shù)之間的關(guān)系，得到的年均綜合費(fèi)用最優(yōu)。

[1] 王成山，焦冰琦，郭力，等. 微電網(wǎng)規(guī)劃設(shè)計(jì)方法綜述[J]. 電力建設(shè)，2015,36(1):38-45.

WANG Chengshan, JIAO Bingqi, GUO Li, et al. Review of methods of planning and design of microgrids[J]. Electric Power Construction, 2015,36(1):38-45.

[2] 王守相，王慧，蔡聲霞. 分布式發(fā)電優(yōu)化配置研究綜述[J]. 電力系統(tǒng)自動(dòng)化，2009,33(18):110-115.

WANG Shouxiang, WANG Hui, CAI Shengxia. A review of optimization allocation of distributed generations embedded in power grid[J]. Automation of Electric Power Systems, 2009,33(18):110-115.

[3] 宋璇坤，韓柳，鞠黃培，等． 中國智能電網(wǎng)技術(shù)發(fā)展實(shí)踐綜述[J]．電力建設(shè)，2016，37(7):1-11．

SONG Xuankun， HAN Liu， JU Huangpei， et al． A review on development practice of smart grid technology in China[J]． Electric Power Construction，2016，37(7):1-11.

[4] 丁明，王波，趙波，等. 獨(dú)立風(fēng)光柴儲(chǔ)微網(wǎng)系統(tǒng)容量優(yōu)化配置[J]. 電網(wǎng)技術(shù)，2013,37(3):575-581.

DING Ming, WANG Bo, ZHAO Bo, et al. Configuration optimization of capacity of standalone PV-wind-diesel-battery hybrid microgrid[J]. Power System Technology, 2013,37(3):575-581.

[5] 盧錦玲，程曉悅，徐超，等．考慮低碳經(jīng)濟(jì)的獨(dú)立運(yùn)行微電網(wǎng)系統(tǒng)電源優(yōu)化配置[J]．華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014，41 (4):61-68．

LU Jinling, CHENG Xiaoyue, XU Chao, et al. Optimal sitting and sizing of distributed generation planning in a standalone micro-grid considering low-carbon economy[J]. Journal of North China Electric Power University(Natural Science Edition)，2014，41(4):61-68．

[6] 馬溪原，吳耀文，方華亮，等. 采用改進(jìn)細(xì)菌覓食算法的風(fēng)/光/儲(chǔ)混合微電網(wǎng)電源優(yōu)化配置[J]. 中國電機(jī)工程學(xué)報(bào)，2011,31(25):17-25.

MA Xiyuan, WU Yaowen, FANG Hualiang， et al．Optimal sizing of hybrid solar-wind distributed generation in an islanded microgrid using improved bacterial foraging algorithm[J]． Proceedings of the CSEE,2011,31(25):17-25．

[7] 劉柏良. 多源微網(wǎng)典型應(yīng)用的優(yōu)化設(shè)計(jì)[D].南京：東南大學(xué)，2015.

LIU Bailiang．Design and optimization on microgrid with multi-source in multiple scenarios[D]. Nanjing: Southeast University, 2015．

[8] 譚穎，呂智林，李捷. 基于改進(jìn)ELM的風(fēng)/光/柴/儲(chǔ)獨(dú)立微網(wǎng)分布式電源多目標(biāo)容量優(yōu)化配置[J]. 電力系統(tǒng)保護(hù)與控制，2016,44(8):63-70.

TAN Ying, LUE Zhilin, LI Jie. Multi-objective optimal sizing method for distributed power of wind-solar-diesel-battery independent microgrid based on improved electromagnetism-like mechanism[J]. Power System Protection and Control, 2016, 44(8):63-70.

[9] YANG H，ZHOU W，LU L，et al．Optimal sizing method for stand-alone hybrid solar-wind system with LPSP technology by using genetic algorithm[J]．Solar Energy，2008，82(4)：354-367．

[10] 郭力，劉文建，焦冰琦，等.獨(dú)立微網(wǎng)系統(tǒng)的多目標(biāo)優(yōu)化規(guī)劃設(shè)計(jì)方法[J].中國電機(jī)工程學(xué)報(bào)，2014,34(4):524-536.

GUO Li, LIU Wenjian, JIAO Bingqi, et al. Multi-objective optimal planning design method for stand-alone microgrid system[J]. Proceedings of the CSEE, 2014,34(4):524-536.

[11] 牛東曉，馬天男，黃雅莉，等.基于Godlike 算法的海島型分布式電源規(guī)劃模型[J]. 電力建設(shè)，2016,37(9):132-139.

NIU Dongxiao, MA Tiannan, HUANG Yali, et al. Sea-island distributed generation planning model based on godlike algorithm[J]. Electric Power Construction, 2016,37(9): 132-139.

[12] 黎嘉明，鄭雪陽，艾小猛，等． 獨(dú)立海島微網(wǎng)分布式電源容量優(yōu)化設(shè)計(jì)[J].電工技術(shù)學(xué)報(bào)，2016,31(10) : 176-184．

LI Jiaming， ZHENG Xueyang， AI Xiaomeng， et al. Optimal design of capacity of distributed generation in island standalone microgrid[J]. Transactions of China Electrotechnical Society, 2016,31(10):176-184．

[13] YANG X. A new metaheuristic bat-inspired algorithm[C]// 2010 Nature Inspired Cooperative Strategies for Optimization. Berlin: Springer,2010:65-74.

[14] 孔祥勇，高立群，歐陽海濱，等. 無參數(shù)變異的二進(jìn)制差分進(jìn)化算法[J]. 東北大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014,35(4):484-488.

KONG Xiangyong, GAO Liqun, OUYANG Haibin, et al. Binary differential evolution algorithm based on parameter less mutation strategy[J]. Journal of Northeastern University(Natural Science), 2014,35(4):484-488.

2017-05-11

盛四清(1965) ，男，教授，主要研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行、 分析與控制；

張晶晶(1991)，女，通信作者，碩士研究生，主要研究方向?yàn)槲㈦娋W(wǎng)規(guī)劃與運(yùn)行；

陳玉良(1993)，男，碩士研究生，主要研究方向?yàn)殡娏ο到y(tǒng)分析與控制。

(編輯 郭文瑞)

OptimalSizingforStand-AloneMicrogridBasedonImprovedBinaryBatAlgorithm

SHENG Siqing, ZHANG Jingjing, CHEN Yuliang

(State Key Laboratory of Alternate Electrical Power System with Renewable Energy Source (North China Electric Power University), Baoding 071003, Hebei Province, China)

This paper focuses on the optimal sizing for stand-alone wind-PV-diesel-battery microgrid. Using the reliability of power supply as the constraint condition and the minimum average annual cost after weighting as the objective function, this paper constructs a non-linear integer programming model for the optimal sizing of microgrid which takes economy, environmental protection and renewable energy utilization of microgrid into consideration. Aiming at the local optimal problem caused by directly applying continuous optimization algorithm into solving discrete optimization model, this paper proposes an improved binary bat algorithm (IBBA), which adopts mutation, crossover and selection operations from differential evolution (DE) to improve the global searching ability of standard BBA. The results of a case study indicate that IBBA shows better performance in terms of both the solution quality and stability compared with genetic algorithm (GA), particle swarm optimization (PSO) and DE algorithm.

stand-alone microgrid; optimal allocation; improved binary bat algorithm(IBBA); differential evolution(DE) algorithm

TM72

A

1000-7229(2017)11-0121-08

10.3969/j.issn.1000-7229.2017.11.016