基于改進(jìn)粒子群算法的微電網(wǎng)優(yōu)化運(yùn)行

孔愛(ài)良, 梁 碩, 李春來(lái), 梁志峰, 陳 艷

(1. 中國(guó)電力科學(xué)研究院, 江蘇 南京 210003; 2. 青海省光伏發(fā)電并網(wǎng)技術(shù)重點(diǎn)實(shí)驗(yàn)室,青海 西寧 810000; 3.國(guó)家電力調(diào)度控制中心,北京 100031; 4.國(guó)網(wǎng)江蘇省電力公司揚(yáng)州供電公司,江蘇 揚(yáng)州 225000)

基于改進(jìn)粒子群算法的微電網(wǎng)優(yōu)化運(yùn)行

孔愛(ài)良1, 梁 碩1, 李春來(lái)2, 梁志峰3, 陳 艷4

(1. 中國(guó)電力科學(xué)研究院, 江蘇 南京 210003; 2. 青海省光伏發(fā)電并網(wǎng)技術(shù)重點(diǎn)實(shí)驗(yàn)室,青海 西寧 810000; 3.國(guó)家電力調(diào)度控制中心,北京 100031; 4.國(guó)網(wǎng)江蘇省電力公司揚(yáng)州供電公司,江蘇 揚(yáng)州 225000)

為提高含分布式發(fā)電的微電網(wǎng)運(yùn)行水平,應(yīng)用基于混沌-模擬退火思想的粒子群算法對(duì)微電網(wǎng)的運(yùn)行進(jìn)行優(yōu)化。針對(duì)微電網(wǎng)中各分布式電源特性,建立微電網(wǎng)的數(shù)學(xué)模型,建立了以運(yùn)行成本和環(huán)境效益等運(yùn)行指標(biāo)最優(yōu)為微電網(wǎng)優(yōu)化運(yùn)行的目標(biāo)函數(shù),并應(yīng)用基于混沌算法結(jié)合模擬退火思想的改進(jìn)粒子群優(yōu)化算法對(duì)微電網(wǎng)多目標(biāo)優(yōu)化運(yùn)行問(wèn)題進(jìn)行求解,得到微電網(wǎng)的最優(yōu)運(yùn)行方式。采用改進(jìn)粒子群優(yōu)化算法對(duì)某微電網(wǎng)進(jìn)行24 h優(yōu)化運(yùn)行算例分析,結(jié)果表明該方法具有更好的尋優(yōu)能力和更快的收斂速度。

微電網(wǎng);混沌理論;分布式電源;模擬退火思想;粒子群優(yōu)化算法

能源和環(huán)境問(wèn)題目前是全球范圍內(nèi)備受關(guān)注的熱點(diǎn)問(wèn)題之一。分布式發(fā)電(Distribution Generator, DG)的大力發(fā)展,對(duì)于緩解日益嚴(yán)重的能源和環(huán)境問(wèn)題具有一定的效果。由多種發(fā)電形式的分布式發(fā)電組成的微電網(wǎng),一般具有對(duì)環(huán)境影響小、能源供應(yīng)可靠性高和經(jīng)濟(jì)效益好等特點(diǎn)而受到廣泛的關(guān)注[1-3]。

微電網(wǎng)運(yùn)行既要達(dá)到環(huán)境友好,同時(shí)又要有經(jīng)濟(jì)效益,其優(yōu)化運(yùn)行問(wèn)題的求解是一個(gè)多目標(biāo)多約束條件的非線(xiàn)性?xún)?yōu)化問(wèn)題[3]。傳統(tǒng)優(yōu)化算法已難以解決多目標(biāo)多約束條件的非線(xiàn)性?xún)?yōu)化問(wèn)題。隨著智能優(yōu)化算法的發(fā)展,粒子群算法、神經(jīng)網(wǎng)絡(luò)和遺傳算法(GA)等智能優(yōu)化算法已經(jīng)廣泛應(yīng)用于此類(lèi)問(wèn)題的求解,并取得良好的效果。但各種智能優(yōu)化算法各有其利弊,針對(duì)微電網(wǎng)優(yōu)化問(wèn)題,尋找合適的求解算法是研究難點(diǎn)之一。文獻(xiàn)[3]構(gòu)建了計(jì)及運(yùn)營(yíng)成本、污染物排放及運(yùn)營(yíng)風(fēng)險(xiǎn)水平等微電網(wǎng)運(yùn)營(yíng)管理的多目標(biāo)優(yōu)化模型,并應(yīng)用小生境多目標(biāo)粒子群優(yōu)化算法對(duì)其進(jìn)行求解。文獻(xiàn)[4]建立了計(jì)及運(yùn)行費(fèi)用、一氧化碳和氮氧化合物排放量最小的多目標(biāo)機(jī)會(huì)規(guī)劃模型,應(yīng)用隨機(jī)模擬技術(shù)和Pareto最優(yōu)解集處理多目標(biāo)規(guī)劃問(wèn)題,并提出采用局部和全局記憶體的改進(jìn)粒子群優(yōu)化算法進(jìn)行微電網(wǎng)多目標(biāo)優(yōu)化問(wèn)題的求解。文獻(xiàn)[5]建立了以日發(fā)電電量成本最低、日溫室效應(yīng)氣體排放量最少以及日最大節(jié)點(diǎn)電壓偏差最小為目標(biāo)的微電網(wǎng)多目標(biāo)運(yùn)行優(yōu)化模型,并提出應(yīng)用克隆選擇算法對(duì)微電網(wǎng)優(yōu)化運(yùn)行問(wèn)題進(jìn)行求解。文獻(xiàn)[6]建立含儲(chǔ)能的微電網(wǎng)優(yōu)化運(yùn)行的多目標(biāo)優(yōu)化模型,并提出應(yīng)用改進(jìn)自適應(yīng)螢火蟲(chóng)算法進(jìn)行求解,算例表明了算法的可行性。

作為智能優(yōu)化算法之一,粒子群算法(PSO)適用于于多目標(biāo)優(yōu)化問(wèn)題,且其具有參數(shù)少、程序簡(jiǎn)單易實(shí)現(xiàn)等優(yōu)點(diǎn)[7-9]。但傳統(tǒng)的PSO算法也存在一些缺點(diǎn),如迭代收斂速度較慢,易陷入局部極值等[7-9]。本文提出的結(jié)合混沌算法和模擬退火思想的改進(jìn)粒子群優(yōu)化算法可克服傳統(tǒng)PSO算法的缺點(diǎn),并將該算法應(yīng)用于微電網(wǎng)的優(yōu)化運(yùn)行。將微電網(wǎng)的經(jīng)濟(jì)成本和環(huán)境效益等運(yùn)行指標(biāo)作為微電網(wǎng)優(yōu)化運(yùn)行的目標(biāo)函數(shù)。算例分析表明，應(yīng)用基于混沌-模擬退火思想的粒子群優(yōu)化算法優(yōu)化微電網(wǎng)的運(yùn)行具有有效性和可行性。

1 微電網(wǎng)優(yōu)化運(yùn)行的數(shù)學(xué)建模

1.1 微電網(wǎng)的結(jié)構(gòu)

圖1 典型微網(wǎng)結(jié)構(gòu)示意圖Fig.1 Structure diagram of typical micro-grid

典型微電網(wǎng)結(jié)構(gòu)如圖1所示[10-11],包括各種分布式發(fā)電、負(fù)荷和儲(chǔ)能裝置等。其中分布式發(fā)電包括風(fēng)電、光伏、燃料電池、微燃機(jī)和柴油機(jī)等。儲(chǔ)能裝置一般可選用蓄電池。

根據(jù)不同種類(lèi)的分布式發(fā)電的電氣特性建立相應(yīng)的數(shù)學(xué)模型。風(fēng)電和光伏的輸出功率受自然因素影響,一般按自然出力計(jì)算,在微電網(wǎng)優(yōu)化運(yùn)行中不進(jìn)行出力優(yōu)化。因此,為簡(jiǎn)化處理,將風(fēng)電和光伏等不可控的分布式電源等效為負(fù)值的負(fù)荷,并與微電網(wǎng)負(fù)荷合并稱(chēng)為廣義負(fù)荷(GL)[11],而將燃料電池、微燃機(jī)和柴油機(jī)等具有可控性的電源作為優(yōu)化變量。

1.2 微電網(wǎng)優(yōu)化目標(biāo)函數(shù)

1.2.1 運(yùn)行成本

微電網(wǎng)運(yùn)行首先考慮運(yùn)行成本[10-11],包括分布式電源的燃料成本和運(yùn)行維護(hù)成本。

(1)

式中:FC——微電網(wǎng)的運(yùn)行成本;Fi(Pi) ——各分布式發(fā)電的燃料成本;FOMi(Pi) ——各分布式發(fā)電 (包括蓄電池)的運(yùn)行維護(hù)成本;Pi——第i個(gè)分布式發(fā)電的輸出功率;N——微電網(wǎng)中分布式發(fā)電的總數(shù)目。

1.2.2 環(huán)境保護(hù)折算成本

燃料電池、柴油發(fā)電機(jī)、微燃機(jī)等在發(fā)電過(guò)程中會(huì)排放二氧化碳(CO2)、二氧化硫(SO2)和氮氧化物(NOx)等污染物。為了進(jìn)行比較,可將各種污染物按環(huán)保成本進(jìn)行折算,作為微電網(wǎng)的環(huán)境效益指標(biāo),并將其作為微電網(wǎng)優(yōu)化運(yùn)行建模的目標(biāo)之一。環(huán)保折算成本由式(2)計(jì)算[11]。

(2)

式中:F2——污染物按環(huán)保進(jìn)行折算后的成本;M——各種污染物類(lèi)型的個(gè)數(shù);αj——污染物進(jìn)行環(huán)保折算的系數(shù),元/kg;Ei,j——污染物的單位排放量,kg/kW;i——第i個(gè)微電源;j——第j種污染物。

表1中為污染物CO2、SO2和NOx環(huán)保折算成本以及燃料電池、柴油發(fā)電機(jī)和微燃機(jī)的排放系數(shù)[12]。

表1 環(huán)保折算成本和排放系數(shù)

綜合微電網(wǎng)的運(yùn)行成本和環(huán)保折算成本,微電網(wǎng)的優(yōu)化運(yùn)行目標(biāo)函數(shù)可表達(dá)為

minF=FC+F2+λPl

(3)

式中:F——綜合成本;λ——有功網(wǎng)損成本系數(shù);Pl——微電網(wǎng)網(wǎng)損。

由式(3)可見(jiàn),微電網(wǎng)優(yōu)化運(yùn)行是一個(gè)多目標(biāo)優(yōu)化問(wèn)題。

微電網(wǎng)優(yōu)化運(yùn)行還要遵守諸多約束,即微電網(wǎng)運(yùn)行中的等式和不等式約束,其中等式約束為功率平衡方程,而不等式約束為各種限制,如電源出力限制、節(jié)點(diǎn)電壓上下限以及儲(chǔ)能單元容量限制等。

2 改進(jìn)粒子群優(yōu)化算法

2.1 傳統(tǒng)的粒子群優(yōu)化算法

PSO算法具有諸多優(yōu)點(diǎn),如需要參數(shù)少、程序簡(jiǎn)單、方便實(shí)現(xiàn)等,因此備受關(guān)注。PSO算法應(yīng)用于實(shí)際優(yōu)化問(wèn)題求解時(shí),一般可將優(yōu)化問(wèn)題的解看成一個(gè)d維搜索空間的粒子,任意PSO中的粒子都具有兩個(gè)屬性,即一個(gè)當(dāng)前速度vi=(vi,1,vi,2,…,vi,d)和一個(gè)當(dāng)前位置xi=(xi,1,xi,2,…,xi,d)。傳統(tǒng)的PSO算法一般的求解過(guò)程為:(a)隨機(jī)產(chǎn)生PSO粒子,具有位置和速度屬性;(b)通過(guò)迭代來(lái)更新粒子,即更新速度(式(4))和位置(式(5));(c)在一次完整迭代后,各粒子本身都有一個(gè)最優(yōu)解,稱(chēng)為個(gè)體極值,記為pbest,i=(pbest,i,1,pbest,i,2,…,pbest,i,d),在一次迭代中,所有粒子中有一個(gè)最優(yōu)解,稱(chēng)為全局極值,記為gbest=(gbest,1,gbest,2,…,gbest,d);(d)不斷地迭代,直到找到最優(yōu)解。

第(k+1)步,各粒子通過(guò)以下方法更新[7-9]:

vi(k+1)=wvi(k)+c1r(pbest,i(k)-xi(k))+c2r(gbest-xi(k))

(4)

xi(k+1)=xi(k)+vi(k+1)

(5)

式中:k——迭代次數(shù),一般可設(shè)置迭代上限;ω——慣性權(quán)重系數(shù);c1、c2——常數(shù)(通常取值在(0,2]之間);r—— (0,1)之間的隨機(jī)數(shù);i——粒子個(gè)數(shù),i=1,2,…,K。

2.2 改進(jìn)PSO算法

上述PSO算法有諸多優(yōu)點(diǎn),但同時(shí)也存在一些缺點(diǎn),如:效率較低、容易陷入局部最優(yōu)點(diǎn)等[7-9]。為克服這些缺點(diǎn),很多專(zhuān)家學(xué)者提出了諸多改進(jìn)的方法。周孝法等[13]提出了慣性權(quán)重系數(shù)w自適應(yīng)變化的改進(jìn)PSO算法,通過(guò)w自適應(yīng)變化使得適應(yīng)度好的粒子在當(dāng)前最優(yōu)解附近做精細(xì)搜索,適應(yīng)度差的粒子則在可行域附近以較大步伐做全局粗略探測(cè),這樣可增大尋找更好解的機(jī)會(huì)。但是該方法并沒(méi)有解決初值問(wèn)題和跳出局部最優(yōu)的問(wèn)題。因此,筆者在w自適應(yīng)變化的基礎(chǔ)上,提出在PSO算法中加入混沌算法進(jìn)行初始化和模擬退火思想的跳出局部最優(yōu)解的思路,以提高算法效率和全局搜索能力。

因混沌算法[10,14]具有隨機(jī)性、遍歷性等特點(diǎn),可利用其對(duì)粒子進(jìn)行初始化,以提高初始粒子質(zhì)量,提高算法效率。本文采用Logistic混沌系統(tǒng)[10],其迭代公式為

u(k+1)=μu(k)(1-u(k))

(6)

式中:μ——控制參數(shù),μ∈(2,4]。當(dāng)μ=4,且0≤u(0)≤1時(shí),Logistic混沌系統(tǒng)就處于完全混沌狀態(tài),產(chǎn)生的序列{u(k)}即為混沌系統(tǒng)的變量。

為避免陷入局部最優(yōu)解,可在傳統(tǒng)PSO算法中加入模擬退火思想[15]。其主要原理是當(dāng)粒子靠近局部最優(yōu)解時(shí),通過(guò)模擬退化從領(lǐng)域中隨機(jī)產(chǎn)生另一個(gè)解,并與當(dāng)前局部最優(yōu)解進(jìn)行比較,通過(guò)一定的規(guī)則確定采用隨機(jī)產(chǎn)生的解還是局部最優(yōu)解,從而可能找到真正的最優(yōu)解。

2.3 改進(jìn)PSO算法在微電網(wǎng)優(yōu)化中的應(yīng)用

綜上可知,結(jié)合混沌理論和模擬退火思想的改進(jìn)PSO算法,可有效提高PSO的搜索能力,將其應(yīng)用于微電網(wǎng)優(yōu)化運(yùn)行中的主要步驟如下:

a. 應(yīng)用混沌系統(tǒng)進(jìn)行PSO的初始化。應(yīng)用Logistic混沌系統(tǒng)的遍歷、隨機(jī)性等特點(diǎn),產(chǎn)生初始群體具有廣泛性,能有效提高初始粒子的質(zhì)量。即首先產(chǎn)生一個(gè)d維隨機(jī)量u0,并根據(jù)完全的混沌系統(tǒng)(式(6))得到具有混沌特性的隨機(jī)量ui0(i0=1,2,…,K);然后將ui0映射到微電網(wǎng)參數(shù)的取值范圍,即可得到初始位置xi0(0);再通過(guò)將式(3)的每次計(jì)算結(jié)果F作為適應(yīng)度值進(jìn)行評(píng)價(jià),選擇部分適應(yīng)度好的作為PSO算法的初始群體,顯然,這些初始粒子具有較高的質(zhì)量;最后,隨機(jī)產(chǎn)生這些保留粒子的初始速度vi(0)。

b. 利用模擬退化思想跳出局部最優(yōu)解。按式(5)更新各粒子的位置。新的位置是否保留,取決于模擬退火算法。具體地說(shuō),即通過(guò)計(jì)算更新前、后兩位置的適應(yīng)度值F的變化值ΔF。若ΔFlt;0,則接受新位置的值;若ΔFgt;0,則按一定的概率來(lái)決定是否接受新位置。通過(guò)模擬退火思想,粒子可以按一定概率接受新位置,使粒子有機(jī)會(huì)跳出局部最優(yōu)解。

3 算 例 分 析

算例的微電網(wǎng)如圖2所示[11],具體參數(shù)見(jiàn)表2[11]。圖2中,50 m、100 m等表示距離。其中,微電網(wǎng)的系統(tǒng)電壓限制在額定電壓的0.95～1.05倍;蓄電池荷電范圍為5～250 kW·h,蓄電池效率設(shè)為0.85。

圖2 某微電網(wǎng)示意圖Fig.2 Microgrid diagram for case study

表2 各分布式電源的參數(shù)

圖3 光伏和風(fēng)電出力預(yù)測(cè)曲線(xiàn)Fig.3 Power prediction curves of photovoltaic and wind

微電網(wǎng)初始運(yùn)行狀態(tài)設(shè)定:微電網(wǎng)獨(dú)立運(yùn)行(孤島);對(duì)于蓄電池來(lái)說(shuō),如果充放電過(guò)于頻繁,會(huì)導(dǎo)致其壽命縮減。因此限定蓄電池充放電的時(shí)間段分別為:9:00—12:00，19:30—21:30，1:00—6:00。凌晨1:00—6:00屬于用電低谷期,其他兩個(gè)時(shí)段屬于用電高峰期。

設(shè)置PSO參數(shù)如下:PSO粒子群體數(shù)量為70,最大迭代次數(shù)為150,c1=c2=2.0,ωmax=0.93,ωmin=0.15,ε=10-6。

以某微電網(wǎng)全天24 h運(yùn)行數(shù)據(jù)為例。圖3為風(fēng)電和光伏的功率預(yù)測(cè)曲線(xiàn),圖4為總負(fù)荷和廣義負(fù)荷預(yù)測(cè)曲線(xiàn),圖5為各饋線(xiàn)的負(fù)荷預(yù)測(cè)曲線(xiàn)。

燃料電池、微燃機(jī)和柴油機(jī)等可控電源燃料費(fèi)用與輸出功率關(guān)系曲線(xiàn)如圖6所示?？煽仉娫催\(yùn)行綜合費(fèi)用與輸出功率關(guān)系曲線(xiàn)如圖7所示。

從圖6、圖7可知，在0～135 kW 功率區(qū)間內(nèi)微燃機(jī)的燃料費(fèi)和綜合費(fèi)用都最高;燃料電池的燃料費(fèi)用較柴油發(fā)電機(jī)高,但其運(yùn)行維護(hù)成本最低,綜合費(fèi)用最低;柴油發(fā)電機(jī)的燃料費(fèi)用最低,但其運(yùn)行維護(hù)成本卻最高,因此其綜合費(fèi)用居中。

利用改進(jìn)的PSO算法進(jìn)行優(yōu)化計(jì)算,優(yōu)化結(jié)果如圖8所示。由圖8可見(jiàn)，燃料電池、微燃機(jī)和柴油機(jī)三者在微電網(wǎng)優(yōu)化后的運(yùn)行中, 燃料電池輸出電能最多(為1 346 kW),而微燃機(jī)最少(為976 kW),柴油發(fā)電機(jī)為1 023 kW·h,符合圖6和圖7的分析結(jié)果。圖9為各分布式電源的成本分析。從圖8、圖9可見(jiàn),微電網(wǎng)運(yùn)行優(yōu)化后24 h的運(yùn)行總成本為2 568元。

圖4 總負(fù)荷和廣義負(fù)荷預(yù)測(cè)曲線(xiàn)Fig.4 Prediction curves of total load and generalized load

圖5 各饋線(xiàn)負(fù)荷預(yù)測(cè)曲線(xiàn)Fig.5 Prediction curves of each feeder load

圖6 分布式電源燃料費(fèi)用與輸出功率關(guān)系曲線(xiàn)Fig.6 Relation curves between fuel cost of DGs and its output power

圖7 分布式電源綜合費(fèi)用與輸出功率關(guān)系曲線(xiàn)Fig.7 Relation curves between total cost of DGs and output power

圖8 各個(gè)電源輸出功率曲線(xiàn)Fig.8 Curves of power output from different DGs

圖9 微網(wǎng)運(yùn)行成本曲線(xiàn)Fig.9 Curves of DGs costs

表3 不同算法優(yōu)化結(jié)果

為了驗(yàn)證本文提出的改進(jìn)PSO算法的優(yōu)勢(shì),分別應(yīng)用改進(jìn)PSO算法、傳統(tǒng)PSO算法和遺傳算法(GA)在相同條件下進(jìn)行求解,表3列出了優(yōu)化運(yùn)行10次以后得到的統(tǒng)計(jì)結(jié)果。

由表3可知，本文提出的改進(jìn)PSO算法的微電網(wǎng)優(yōu)化運(yùn)行總成本最低,平均運(yùn)算時(shí)間最短,表明改進(jìn)PSO算法具有更好的尋優(yōu)能力,且有更快的收斂速度。

4 結(jié) 論

a. 通過(guò)混沌理論、模擬退火思想等對(duì)傳統(tǒng)的 PSO算法進(jìn)行改進(jìn),并與其他優(yōu)化方法進(jìn)行比較,結(jié)果表明,改進(jìn)后的PSO算法在尋優(yōu)性能和效率方面都有較大的提高。

b. 通過(guò)微電網(wǎng)算例驗(yàn)證了以運(yùn)行成本和環(huán)保折算成本最小為多目標(biāo)的優(yōu)化模型的有效性。

[ 1 ] 楊新法, 蘇劍, 呂志鵬,等. 微電網(wǎng)技術(shù)綜述 [J]. 中國(guó)電機(jī)工程學(xué)報(bào),2014, 34(1): 57-64. (YANG Xinfa, SU Jian, LYU Zhipeng, et al. Overview on micro-grid technology [J]. Proceedings of the CSEE,2014, 34(1):57-64. (in Chinese))

[ 2 ] 魯宗相, 王彩霞,閔勇,等, 微電網(wǎng)研究綜述[J]. 電力系統(tǒng)自動(dòng)化,2007,31(19):100-107.(LU Zongxiang, WANG Caixia, MIN Yong, et al. Overview on microgrid research [J]. Automation of Electric Power Systems, 2007, 31(19):100-107. (in Chinese))

[ 3 ] 李存斌, 張建業(yè), 李鵬.考慮成本、排污及風(fēng)險(xiǎn)的微電網(wǎng)運(yùn)營(yíng)多目標(biāo)優(yōu)化模型 [J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2015, 35(5): 1051-1058. (LI Chunbin, ZHANG Jianye, LI Peng. Multi-objective optimization model of micro-grid operation considering cost, pollution discharge and risk [J]. Proceedings of the CSEE, 2015, 35(5): 1051-1058. (in Chinese))

[ 4 ] 顧偉, 吳志, 王銳. 考慮污染氣體排放的熱電聯(lián)供型微電網(wǎng)多目標(biāo)運(yùn)行優(yōu)化[J]. 電力系統(tǒng)自動(dòng)化, 2012, 36 (14): 177-185. (GU Wei, WU Zhi, WANG Rui. Multi-objective optimization of cmbined heat and power microgrid considering pollutant emission [J]. Automation of Electric Power Systems, 2012, 36(14): 177-185. (in Chinese))

[ 5 ] 薛貴挺, 張焰, 劉玉嬌, 等. 基于克隆選擇算法的微電網(wǎng)多目標(biāo)運(yùn)行優(yōu)化[J]. 電力自動(dòng)化設(shè)備,2014,34(3): 16-21. (XUE Guiting, ZHANG Yan, LIU Yujiao, et al. Multi-objective operation optimization based on clone selection algorithm for microgrid [J]. Electric Power Automation Equipment, 2014,34(3): 16-21. (in Chinese))

[ 6 ] 丁明,張穎媛,茆美琴,等.包含鈉硫電池儲(chǔ)能的微網(wǎng)系統(tǒng)經(jīng)濟(jì)運(yùn)行優(yōu)化[J].中國(guó)電機(jī)工程學(xué)報(bào),2011,31(4):7-14.(DING Ming, ZHANG Yinyuan, MAO Meiqin, et al. Economic operation optimization for microgrids including Na/S battery storage[J]. Proceedings of the CSEE,2011,31(4):7-14. (in Chinese))

[ 7 ] ABIDO M A.Optimal design of power system stabilizers using particle swarm optimization[J].IEEE Transactions on Energy Conversion,2002,17(3):406-413.

[ 8 ] KENNEDY J,EBERHART R C.Particle swarm optimization[C]//Anon.Proceedings of the IEEE International Conference on Neural Networks.Perth,Australia:IEEE,1995:1942-1948.

[ 9 ] 曹昕瑀,衛(wèi)志農(nóng),沈海平,等.考慮電網(wǎng)結(jié)構(gòu)脆弱性的配電網(wǎng)網(wǎng)架優(yōu)化規(guī)劃[J].河海大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,43(2):178-183.(CAO Xinyu,WEI Zhinong,SHEN Haiping, et al. Planning for distribution network structure optimization in consideration of its vulnerability[J]. Journal of Hohai University (Natural Sciences), 2015,43(2):178-183. (in Chinese))

[10] 王爽心,韓芳,朱衡君.基于改進(jìn)變尺度混沌優(yōu)化方法的經(jīng)濟(jì)負(fù)荷分配[J].中國(guó)電機(jī)工程學(xué)報(bào),2005,25(24):90-95. (WANG Shuangxin, HAN Fang, ZHU Hengjun. Economic load dispatch based on improved mutative scale chaotic optimization [J]. Proceedings of the CSEE, 2005,25(24):90-95. (in Chinese))

[11] 李鵬,徐偉娜,周澤遠(yuǎn),等. 基于改進(jìn)萬(wàn)有引力搜索算法的微網(wǎng)優(yōu)化運(yùn)行[J]. 中國(guó)電機(jī)工程學(xué)報(bào),2014,34(19):3073-3080. (LI Peng, XU Weina, ZHOU Zeyuan, et al. Optimal operation of microgrid based on improved gravitational search algorithm [J]. Proceedings of the CSEE,2014,34(19):3073-3080. (in Chinese))

[12] MOHAMED F A,KOIVO H N.System modelling and online optimal management of microgrid using mesh adaptive direct search [J].International Journal of Electrical Power amp; Energy Systems,2010,32(5):398-407.

[13] 周孝法,陳陳,宋正強(qiáng),等.基于改進(jìn)PSO算法的HVDC PI控制器優(yōu)化設(shè)計(jì)[J].高電壓技術(shù),2009, 35(2):408-414.(ZHOU Xiaofa, CHEN Chen, SONG Zhengqiang, et al. Optimal design for HVDC PI controllers based on improved PSO algorithm[J]. High Voltage Engineering, 2009, 35(2):408-414.(in Chinese))

[14] CAPONETTO R,FORTUNA L,FAZZINO S,et al.Chaotic sequences to improve the performance of evolutionary algorithms [J].IEEE Transactions on Evolutionary Computation, 2003, 7(3): 289-304.

[15] 康立山,謝云,尤矢勇,等.非數(shù)值并行算法(第一冊(cè)):模擬退火算法[M]. 北京: 科學(xué)出版社, 1994: 22-55.

Optimizingmicro-gridoperationbasedonimprovedPSO

KONGAiliang1,LIANGShuo1,LIChunlai2,LIANGZhifeng3,CHENYan4

(1.ChinaElectricPowerResearchInstitute,Nanjing210003,China; 2.QinghaiProvinceKeyLaboratoryforTechnologyofGridConnectedPhotovoltaicPowerGeneration,Xi’ning810000,China; 3.DispatchingControlCenterofStateGridCorporationofChina,Beijing100031,China; 4.YangzhouPowerSupplyCompanyofStateGridJiangsuElectricalPowerCompany,Yangzhou225000,China)

One of the important problems in the development of micro grid is related with its operation optimization including multiple distributed generators (DG). To improve the operation level of the micro grid, the modified particle swarm optimization (PSO) algorithm based on chaos theory and simulated annealing algorithm is proposed in the paper. The mathematical model regarding optimal operation of micro grid is established incorporating different operation indexes of the distributed generators, in which the optimized object function is assumed to be correlated with operation indexes such as operation cost and environmental benefit. The modified PSO algorithm is used to solve the multi-objective problem, with the optimized operation of the mirco-grid with DGs being obtained. A case study regarding 24 hours operation of one mico-grid shows that, the modified PSO algorithm appears to have enhanced optimization ability and convergence rate.

micro-grid; chaos theory; distributed generator; simulated annealing; particle swarm optimization

10.3876/j.issn.1000-1980.2017.06.012

2016-09-12

青海省科技項(xiàng)目(2014-Z-Y34A)

孔愛(ài)良(1977—),男,江蘇南京人,工程師,主要從事新能源發(fā)電與儲(chǔ)能運(yùn)行控制技術(shù)研究。E-mail:kongailiang@epri.sgcc.com.cn

TM711

A

1000-1980(2017)06-0550-06