基于改進(jìn)鳥群算法的離網(wǎng)微電網(wǎng)優(yōu)化調(diào)度

聶 瀚，楊文榮*，馬曉燕，王慧娟

(1.河北工業(yè)大學(xué) 省部共建電工裝備可靠性與智能化國家重點(diǎn)實(shí)驗(yàn)室，天津 300130；2.河北工業(yè)大學(xué) 河北省電磁場與電器可靠性重點(diǎn)實(shí)驗(yàn)室，天津 3001303.北華航天工業(yè)學(xué)院 計(jì)算機(jī)與遙感信息技術(shù)學(xué)院，河北 廊坊065000)

0 引言

在全球能源與環(huán)境問題日益凸顯的背景下，分布式電源因其環(huán)境友好，輸、配電費(fèi)用低，靈活高效等優(yōu)點(diǎn)受到廣泛的關(guān)注。但隨著風(fēng)電、光電等的大量接入電網(wǎng)，其間歇性、波動性、不宜分散接入電網(wǎng)的缺點(diǎn)也對電網(wǎng)的安全生產(chǎn)產(chǎn)生影響[1-2]。為解決這些問題，微電網(wǎng)作為分布式發(fā)電綜合利用的一種有效技術(shù)迅速發(fā)展，其既可以連接大電網(wǎng)運(yùn)行在并網(wǎng)模式下作為主網(wǎng)的有效補(bǔ)充，也可以運(yùn)行在離網(wǎng)模式下，為一些偏遠(yuǎn)地區(qū)進(jìn)行供電[3-4]。

微電網(wǎng)的優(yōu)化調(diào)度是指在滿足外界負(fù)荷需求和確定的目標(biāo)函數(shù)、約束條件前提下，運(yùn)用一定的運(yùn)行策略，利用合適的軟件或采用合適的解析法、智能優(yōu)化算法來優(yōu)化分布式電源的出力和確定系統(tǒng)的結(jié)構(gòu)等，使得系統(tǒng)運(yùn)行結(jié)果的經(jīng)濟(jì)成本、環(huán)保效益、供電可靠性和網(wǎng)絡(luò)損耗等多目標(biāo)或某一單目標(biāo)函數(shù)達(dá)到最優(yōu)[5-6]。目前，此方面的研究主要包括對優(yōu)化模型的調(diào)度、運(yùn)行策略及優(yōu)化算法等，其中，對于并網(wǎng)模式下的微網(wǎng)調(diào)度研究較多，而離網(wǎng)模式下的研究較少。文獻(xiàn)[7]針對含冷熱電聯(lián)供的區(qū)域多微網(wǎng)系統(tǒng)建立了微網(wǎng)間功率交互和微源出力協(xié)調(diào)的優(yōu)化調(diào)度模型，文獻(xiàn)[8]提出在傳統(tǒng)微網(wǎng)經(jīng)濟(jì)調(diào)度模型中加入綜合評估模型，得到不同側(cè)重目標(biāo)下的最優(yōu)調(diào)度方案，并通過利用基于層次分析法的綜合評估模型對Pareto解集進(jìn)行評價(jià)。文獻(xiàn)[9]推導(dǎo)了蓄電池儲能充電放電損耗的數(shù)學(xué)模型，并通過權(quán)重因子將其引入到日前調(diào)度目標(biāo)函數(shù)中，文獻(xiàn)[10]建立了計(jì)及附加機(jī)會收益的冷熱電聯(lián)供型微電網(wǎng)調(diào)度模型，并通過基于模擬退回的粒子群算法求解。

微電網(wǎng)優(yōu)化調(diào)度的求解多采用智能算法尋優(yōu)，文獻(xiàn)[11]及文獻(xiàn)[12]分別采用了結(jié)合蒙特卡洛模擬的粒子群優(yōu)化算法和粒子群遺傳混合算法求解了孤立微電網(wǎng)的調(diào)度問題，文獻(xiàn)[13]采用改進(jìn)的MOPSO算法進(jìn)行求解，實(shí)現(xiàn)孤島模式下的微網(wǎng)系統(tǒng)環(huán)保經(jīng)濟(jì)調(diào)度，文獻(xiàn)[14]提出了基于機(jī)會約束的孤島模式下微電網(wǎng)動態(tài)經(jīng)濟(jì)調(diào)度模型，并采用改進(jìn)粒子群優(yōu)化算法求解，文獻(xiàn)[15]通過改變動態(tài)交叉因子，提高了算法的收斂速度和防止陷入局部最優(yōu)的能力，并采用改進(jìn)微分進(jìn)化算法求解。但上述文獻(xiàn)均為在傳統(tǒng)智能算法上的改進(jìn)，其收斂精度以及防止陷入局部最優(yōu)能力均有局限。

針對上述方法的不足，本文對性能更好的鳥群算法進(jìn)行了改進(jìn)，使其具有更高的收斂速度和搜索精度。同時(shí)，提出了一種微電網(wǎng)離網(wǎng)運(yùn)行模式下的優(yōu)化調(diào)度策略，并以夏季典型日包含冷、電負(fù)荷的離網(wǎng)運(yùn)行方式下的微電網(wǎng)系統(tǒng)為算例進(jìn)行調(diào)度分析，最后通過仿真分析驗(yàn)證了對于鳥群算法所作的改進(jìn)和所提調(diào)度模型與策略的正確性與有效性。

1 微電網(wǎng)優(yōu)化調(diào)度數(shù)學(xué)模型

本文通過對含有光伏電池(Photovoltaic, PV)、風(fēng)力發(fā)電機(jī)(Wind Turbine, WT)、燃料電池(Fuel Cell, FC)和微型燃?xì)廨啓C(jī)(Micro Turbine, MT)，以及儲能蓄電池(Storage Battery, BT)的微電網(wǎng)系統(tǒng)進(jìn)行分析，提出分別基于微電網(wǎng)運(yùn)行維護(hù)成本和環(huán)保效益的目標(biāo)函數(shù)和微網(wǎng)優(yōu)化調(diào)度模型，并進(jìn)行分析。

1.1 目標(biāo)函數(shù)

1.1.1微電網(wǎng)運(yùn)行維護(hù)成本

本文所建立的微電網(wǎng)運(yùn)行維護(hù)成本目標(biāo)函數(shù)主要包括微電源發(fā)電時(shí)的燃料、運(yùn)行維護(hù)和折舊費(fèi)用。目標(biāo)函數(shù)的數(shù)學(xué)模型如下：

(1)

其中，

(2)

(3)

(4)

(5)

(6)

式中，CC-COST為微電網(wǎng)運(yùn)行維護(hù)成本；CFuel/COM/CDP分別為微電源i的燃料/運(yùn)行維護(hù)/折舊成本；CL為切負(fù)荷時(shí)的停電補(bǔ)償成本；a，b，c，d取1或0代表運(yùn)行成本中有/無這項(xiàng)費(fèi)用；T為運(yùn)行周期時(shí)段數(shù)；N為微電源數(shù)量；i為微電源種類；Pi(t)/ηi(t)分別為微電源i在t時(shí)刻的輸出功率和發(fā)電效率；KOM,i為微電源i發(fā)出單位電量時(shí)的運(yùn)行維護(hù)費(fèi)用；CDPyear/Ccost,i分別為微電源i的年均折舊資本和單位容量初始安裝成本，ri/Li/ki/PNi分別為微電源i的年折舊利率/壽命/容量因數(shù)/額定功率；c1為切負(fù)荷時(shí)的單位補(bǔ)償成本；P1(t)為t時(shí)刻微電網(wǎng)的切負(fù)荷電量。

1.1.2微電網(wǎng)的環(huán)保效益

微電網(wǎng)的優(yōu)化調(diào)度不光要重視經(jīng)濟(jì)效益，同時(shí)也要考慮環(huán)境因素。本文將環(huán)保效益轉(zhuǎn)化為污染氣體處理成本，即環(huán)保成本，環(huán)保效益最高對應(yīng)著環(huán)保成本最低，所考慮的污染氣體主要為CO2、SO2和NOx，相應(yīng)的環(huán)保成本為

(7)

式中，CE-COST為環(huán)保成本；j代表污染物種類；αj為第j類污染物單位排污處理成本；βi，j是微電源i產(chǎn)生第j類污染物排放系數(shù)；Δt為時(shí)間間隔。

1.1.3綜合成本

對于多目標(biāo)優(yōu)化問題，一般采用將多目標(biāo)轉(zhuǎn)化為單目標(biāo)的方法，然后再利用各類優(yōu)化方法求解。常見的實(shí)現(xiàn)單目標(biāo)轉(zhuǎn)化的方法有權(quán)重系數(shù)法、基于模糊理論的隸屬函數(shù)法等。但這些方法往往存在權(quán)重系數(shù)選擇的隨意性，隸屬函數(shù)構(gòu)造的合理性等不足。在理想情況下，各個(gè)單目標(biāo)同時(shí)達(dá)到最理想值，但由于各個(gè)目標(biāo)之間往往存在矛盾，不可能同時(shí)達(dá)到最理想值。故本文采用交互式多目標(biāo)決策方法，從解空間中的眾多非劣解中選擇一個(gè)最合適的解。

本文所提綜合成本指綜合考慮微電網(wǎng)運(yùn)行維護(hù)成本與環(huán)保效益，采用基于評價(jià)函數(shù)的交互式多目標(biāo)優(yōu)化方法將這兩個(gè)單目標(biāo)函數(shù)轉(zhuǎn)化為綜合成本這一單目標(biāo)函數(shù)。首先對各個(gè)單目標(biāo)求取最理想值，進(jìn)而計(jì)算各個(gè)單目標(biāo)的滿意度函數(shù)，最終在整個(gè)解空間中尋找距離滿意解最近的偏好解，最終得到優(yōu)化調(diào)度最終確定值。具體求解步驟如下：

2) 計(jì)算各單目標(biāo)函數(shù)的滿意度函數(shù)。第i個(gè)單目標(biāo)滿意度函數(shù)的計(jì)算公式為

(8)

3) 將多目標(biāo)決策問題轉(zhuǎn)化為以關(guān)于評價(jià)函數(shù)的單目標(biāo)優(yōu)化問題

(9)

4) 運(yùn)用改進(jìn)鳥群算法進(jìn)行求解計(jì)算，從而確定最終結(jié)果，根據(jù)各微電源的出力情況，得到整個(gè)微網(wǎng)的最佳運(yùn)行狀態(tài)。

1.2 約束條件

1) 功率平衡約束：

(10)

式中，PL(t)為t時(shí)刻微電網(wǎng)負(fù)荷；PBT(t)是BT充放電功率(放電時(shí)為正，充電時(shí)為負(fù))；Pi(t)為不同微電源出力。

2) 可控型微電源的爬坡率約束：

-rdown,iΔt≤Pi(t)-Pi(t-1)≤rup,iΔt，

(11)

式中，rup,i、rdown,i分別為機(jī)組向上、向下爬坡速率。

3) 微電源功率約束：

Pi,min≤Pi≤Pi,max，

(12)

式中，Pi,max、Pi,min分別為微電源功率約束上下限。

4) BT的充放電約束：

PBT,min≤PBT≤PBT,max，

(13)

SOCmin≤SOC≤SOCmax，

(14)

(P+，P-)Δt≤0.2EBT,

(15)

EBT(0)=EBT(T)。

(16)

式中，PBT,max、PBT,min分別為BT的輸出功率上下限，SOCmax、SOCmin為其荷電狀態(tài)上下限，EBT(0)、EBT(T)為其調(diào)度周期始末儲能。P-、P+為BT在單位時(shí)間內(nèi)的充放電功率，EBT為其最大容量，為延長使用壽命每小時(shí)的充放電容量小于等于最大容量的20%。

2 離網(wǎng)運(yùn)行下的微電網(wǎng)調(diào)度策略

在離網(wǎng)運(yùn)行狀態(tài)下，微電網(wǎng)與主網(wǎng)之間不存在能量交換，因而主網(wǎng)不參與調(diào)度。此狀態(tài)下，微電網(wǎng)依靠自身包含的分布式電源與蓄電池的共同作用來達(dá)到供需平衡[16]。

圖1是孤島運(yùn)行下微電網(wǎng)經(jīng)濟(jì)調(diào)度流程。其中，a為負(fù)荷需求與WT、PV、MT的差額，PBT是BT充放電功率(放電時(shí)為正，充電時(shí)為負(fù))，Pchmax與SOCmax、SOCmin為BT充電速率最值及其荷電狀態(tài)上下限，F(xiàn)Cmax、BTmax為FC和BT出力上限。

圖1 微電網(wǎng)孤島運(yùn)行下調(diào)度策略流程圖
Fig.1 Flow chart of scheduling strategy for the micro-grid working in the isolated island mode

微電網(wǎng)經(jīng)濟(jì)調(diào)度策略為：

1)a≤0時(shí)，即WT、PV和MT出力大于外界負(fù)荷需求。

此情況下，微電網(wǎng)在峰谷平時(shí)段運(yùn)行的經(jīng)濟(jì)調(diào)度策略相同，即燃料電池不發(fā)電，風(fēng)力發(fā)電機(jī)、光伏電池和微型燃?xì)廨啓C(jī)根據(jù)儲能蓄電池的荷電狀態(tài)決定是否給儲能蓄電池充電，充電完成之后若仍有剩余電流，則舍棄剩余電量，微型燃?xì)廨啓C(jī)在滿足冷/熱負(fù)荷需求時(shí)不再發(fā)電。

2) 當(dāng)a>0時(shí)，即WT、PV和MT出力不滿足外界負(fù)荷需求時(shí)。

① 在用電峰時(shí)段，發(fā)電成本低的微電源優(yōu)先放電，不滿足負(fù)荷需求部分則由儲能蓄電池在荷電狀態(tài)等約束條件的限制下放電。

② 在用電谷平時(shí)段，外界負(fù)荷輕，優(yōu)先調(diào)用燃料電池來滿足負(fù)荷需求，若燃料電池滿發(fā)時(shí)仍無法達(dá)到平衡，則調(diào)用儲能蓄電池放電來填補(bǔ)缺額，若燃料電池未達(dá)上限就已滿足負(fù)荷要求，則使其盡可能多發(fā)電來給儲能蓄電池充電，以備用電峰時(shí)段儲能蓄電池放電從而減少運(yùn)行成本，則FC盡可能多發(fā)電給BT充電以備在峰時(shí)段BT放電減小運(yùn)行成本。

③ 若儲能蓄電池、燃料電池滿發(fā)仍不能滿足負(fù)荷需求，則通過切除非關(guān)鍵負(fù)荷來保證關(guān)鍵負(fù)荷的正常運(yùn)行，若仍舊達(dá)不到要求便根據(jù)關(guān)鍵負(fù)荷重要程度由低到高進(jìn)行切負(fù)荷操作。

微電網(wǎng)環(huán)保調(diào)度策略為：微電源的單位污染氣體排放處理成本不變，故優(yōu)先利用無污染氣體排放的儲能蓄電池，其次按照每個(gè)微電源的污染物排放處理成本高低以及用電量多少進(jìn)行協(xié)調(diào)放電，來達(dá)到環(huán)保的目的。

3 改進(jìn)鳥群算法與微電網(wǎng)優(yōu)化調(diào)度求解流程

3.1 鳥群算法原理

鳥群算法是一種新型生物啟發(fā)式智能算法，它的靈感來自于鳥類的覓食、警覺和遷移等行為，相較于常用的粒子群算法等，該算法具有分散搜索、保持種群多樣性、收斂精度高以及避免陷入局部最優(yōu)等優(yōu)點(diǎn)[17]，相比于其他傳統(tǒng)智能算法，具有高收斂精度、較少的調(diào)節(jié)參數(shù)以及良好的魯棒性能[18]。目前，在優(yōu)化函數(shù)方面，鳥群算法已被驗(yàn)證優(yōu)于粒子群算法和微分進(jìn)化算法[19]。鳥類行為可以將簡化為以下理想化規(guī)則：

規(guī)則1：鳥類隨機(jī)自由選擇警戒行為或者覓食行為。

規(guī)則2：選擇覓食行為的鳥即時(shí)記錄并更新其經(jīng)過的最佳覓食位置，并將該位置更新至全種群，從而更新種群最佳覓食位置。

規(guī)則3：選擇警惕行為的鳥均試圖飛往種群中心位置，出于種群間的競爭影響，食物儲備多的鳥更容易飛往種群中心。

規(guī)則4：鳥群周期性飛到另一地點(diǎn)，到達(dá)該地點(diǎn)時(shí)，每只鳥會在生產(chǎn)者和乞討者之間轉(zhuǎn)換身份，食物儲量多的成為生產(chǎn)者，食物儲量少的則成為乞討者，介于兩者之間的鳥類隨機(jī)成為生產(chǎn)者或乞討者。

規(guī)則5：成為生產(chǎn)者的鳥積極尋找食物，成為乞討者的鳥隨機(jī)跟隨生產(chǎn)者尋找食物。

3.2 改進(jìn)鳥群算法

3.2.1(0,1)隨機(jī)均勻分布自適應(yīng)改進(jìn)慣性權(quán)重

傳統(tǒng)的線性微分遞減策略應(yīng)用比較廣泛[20-21]，但仍存在如下缺陷：若為了能在鳥群搜索早期盡快找到最優(yōu)值，則要求w值很大來達(dá)到加速收斂的目的，而此時(shí)w線性微分遞減便會使得收斂速度下降；若在鳥群搜索后期找到最優(yōu)值，則鳥群算法在較小的w值以及鳥群飛行速度下容易陷入局部最優(yōu)。

本文參考復(fù)雜適應(yīng)理論中的自適應(yīng)性和個(gè)體與種群的協(xié)同進(jìn)化作用，采取(0，1)隨機(jī)均勻分布，使得在迭代初期和后期w都可以靈活取值，以此達(dá)到平衡BSA算法的全局及局部搜索能力并提高搜索效果的目的。

3.2.2線性調(diào)整認(rèn)知系數(shù)和社會系數(shù)

鳥群算法中通過學(xué)習(xí)因子調(diào)節(jié)認(rèn)知經(jīng)驗(yàn)和社會經(jīng)驗(yàn)。在搜索前期較大的認(rèn)知系數(shù)和較小的社會系數(shù)可以增大認(rèn)知經(jīng)驗(yàn)的比重，使得鳥群全局搜索能力增強(qiáng)，搜索后期較小的認(rèn)知系數(shù)和較大的社會系數(shù)可以增大社會經(jīng)驗(yàn)的比重，增強(qiáng)局部搜索能力。通過線性調(diào)整改進(jìn)以后的認(rèn)知系數(shù)C′和社會系數(shù)S′的公式為：

(17)

(18)

式中，t是當(dāng)前迭代次數(shù)，tmax是最大迭代次數(shù)，Ce=Ss=0.5，Cs=Se=2.5。

改進(jìn)后的覓食公式為

(19)

3.2.3基于Levy飛行行為的改進(jìn)策略

Levy飛行是生物在未知環(huán)境中覓食的理想方法，圖2為500次Levy飛行中飛行步長的變化。由圖2可知，整個(gè)覓食過程中短距離搜索占絕大多數(shù)，通過頻繁的短距離搜索來提高覓食精度從而提高局部搜索能力，而長距離跳躍式搜索占一小部分，偶爾利用長距離跳躍式搜索用于增大覓食范圍以增強(qiáng)全局搜索能力[22]。鑒于Levy飛行策略的特點(diǎn)，將其應(yīng)用于鳥群算法中，在鳥群飛行到另一個(gè)區(qū)域時(shí)，利用上述隨機(jī)游走模式更新鳥群飛行位置以擴(kuò)大搜索范圍，避免陷入局部最優(yōu)，從而提高鳥群算法的全局和局部尋優(yōu)能力。

圖2 Levy飛行曲線分布圖
Fig.2 Levy flight curve profile

標(biāo)準(zhǔn)差：

應(yīng)用到乞食者的行為公式中位置更新公式：

(20)

式中，?代表矢量運(yùn)算，Levy(λ)為步長服從Levy分布的隨機(jī)搜索向量即為s(μ、v)。

3.3 改進(jìn)鳥群算法求解微電網(wǎng)優(yōu)化調(diào)度流程

通過改進(jìn)鳥群算法求解微電網(wǎng)優(yōu)化調(diào)度問題的過程中，每個(gè)微電源的出力對應(yīng)鳥群中每只鳥的空間位置，適應(yīng)度函數(shù)大小表示該位置覓食的優(yōu)劣，通過鳥群覓食、警惕和飛行行為不斷更新個(gè)體的空間位置，直至找到最佳覓食位置，即微電源的最優(yōu)出力[23]。優(yōu)化調(diào)度流程圖如圖3所示。

圖3 基于改進(jìn)鳥群算法的微電網(wǎng)優(yōu)化調(diào)度流程圖
Fig.3 Flow chart of the Micro-grid optimalscheduling based on GBSA algorithm

4 算例分析

本文以夏季典型日包含冷、電負(fù)荷的離網(wǎng)運(yùn)行方式下的微電網(wǎng)系統(tǒng)為例，光伏電池和風(fēng)力發(fā)電機(jī)工作在MPPT模式，微型燃?xì)廨啓C(jī)工作在“以冷定電”模式。

4.1 微電網(wǎng)基本數(shù)據(jù)和參數(shù)

本文調(diào)度周期為1 天24 個(gè)時(shí)段，圖4 為夏季典型日冷/電負(fù)荷數(shù)據(jù)，圖5為全天風(fēng)光出力預(yù)測，表1、2為微電網(wǎng)系統(tǒng)微電源參數(shù)、污染物處理排放系數(shù)。

圖4 夏季典型日包含冷、電負(fù)荷曲線圖
Fig.4 Cold and electric load output curve in 24h

圖5 全天風(fēng)光出力預(yù)測曲線圖
Fig.5 WT and PV output curve in 24h

表1 微電源基礎(chǔ)數(shù)據(jù)Tab.1 Basic data of distributed power

表2 污染物處理排放系數(shù)Tab.2 Pollutant discharge coefficient

數(shù)學(xué)模型主要參數(shù)：PV參數(shù)：功率溫度系數(shù)為-0.004 7/℃；WT參數(shù)：切入、切出和額定風(fēng)速分別為2.5 m/s，25 m/s和12 m/s；FC、MT參數(shù)：天然氣低熱值為9.7 kW·h/m3，價(jià)格為2.5元/m3，MT制冷系數(shù)為0.95，熱量損失系數(shù)為20%；BT參數(shù)：最大容量100 kW·h，初始儲能量50 kW·h，荷電狀態(tài)上限0.9，下限0.2，每小時(shí)充放電功率限值為-20 kW、20 kW，折舊成本為0.851 71元/(kW·h)；可控機(jī)組的向上、向下爬坡速率設(shè)定為50 kW/h；年折舊利率為8%，可中斷負(fù)荷補(bǔ)償成本為1元/(kW·h)。

4.2 仿真結(jié)果

離網(wǎng)運(yùn)行模式下的微電網(wǎng)與主網(wǎng)之間不存在能量交換，系統(tǒng)負(fù)荷主要由微電源和儲能單元提供。采用新型改進(jìn)鳥群算法對各目標(biāo)函數(shù)優(yōu)化后，得到全天的調(diào)度曲線如圖6～9所示，各時(shí)刻的調(diào)度費(fèi)用成本曲線如圖所示，不同目標(biāo)函數(shù)下的微電網(wǎng)運(yùn)行維護(hù)成本與環(huán)保效益成本費(fèi)用見表3、4。

圖6 微電網(wǎng)運(yùn)行維護(hù)成本最低情況下的優(yōu)化調(diào)度曲線
Fig.6 Optimal operating curve under the minimum operation and maintenance cost

由圖6可知，考慮微電網(wǎng)運(yùn)行維護(hù)成本最低的目標(biāo)下，在1:00-7:00時(shí)段，用電負(fù)荷較輕，為用電谷時(shí)段，風(fēng)/光/燃出力大于負(fù)荷需求，多余出力給儲能蓄電池充電，再多余的舍棄。8：00-10:00為用電平時(shí)段，用電負(fù)荷需求開始大于風(fēng)/光/燃出力，儲能蓄電池保持最大允許電量不變，燃料電池發(fā)電成本小于儲能蓄電池，優(yōu)先利用燃料電池出力來滿足用電負(fù)荷。11:00-15:00和19:00-21:00為用電峰時(shí)段，用電負(fù)荷需求很高，儲能蓄電池受荷電狀態(tài)的約束，燃料電池接近于滿發(fā)，若存在差額，則儲能蓄電池盡最大可能放電，若仍不滿足則進(jìn)行切負(fù)荷操作以保證重要負(fù)荷的供電。16:00-18:00和22:00-23:00為用電平時(shí)段，儲能蓄電池受充放電速率的限制和荷電狀態(tài)的約束，微電源出力和切負(fù)荷操作相結(jié)合給儲能蓄電池充電以備其在峰時(shí)段放電來減小經(jīng)濟(jì)成本，其中22:00時(shí)刻用電負(fù)荷很高，若燃料電池和儲能蓄電池全部出力都未達(dá)到負(fù)荷要求，則切除部分負(fù)荷。23:00-24:00為用電谷時(shí)段，用電負(fù)荷大于風(fēng)/光/燃的出力，燃料電池多出力給儲能蓄電池充電使其荷電狀態(tài)為0.5。

圖7 環(huán)保成本最優(yōu)情況下的優(yōu)化調(diào)度曲線
Fig.7 Optimal operating curve under the minimum environmental cost

由圖7可知，考慮環(huán)保效益最高的目標(biāo)下，在用電谷時(shí)段1:00-7:00，各微電源出力情況與經(jīng)濟(jì)成本最低目標(biāo)下相同。平時(shí)段8：00-10:00，由燃料電池出力來滿足負(fù)荷差額，儲能蓄電池保持最大儲能量以備在負(fù)荷需求很大時(shí)放電來相對減少污染物排放。用電峰時(shí)段11:00-15:00和19:00-21:00，因燃料電池放電會產(chǎn)生CO2等氣體，而儲能蓄電池不會產(chǎn)生污染，故優(yōu)先釋放儲能蓄電池優(yōu)先放電，同時(shí)其在外界負(fù)荷很小時(shí)放電少，如11:00和12:00和15:00時(shí)刻，而13:00-14:00和19:00-21:00時(shí)段負(fù)荷差額很大，此時(shí)儲能蓄電池多發(fā)電從而減少污染氣體處理成本大的微電源發(fā)電和因切負(fù)荷產(chǎn)生的高補(bǔ)償成本，若不滿足負(fù)荷需求則燃料電池發(fā)電，若仍舊不滿足則進(jìn)行切負(fù)荷操作。用電平時(shí)段16:00-18:00和22:00-23:00，燃料電池接近滿發(fā)，同時(shí)結(jié)合部分切負(fù)荷操作來給儲能蓄電池充電以使其在峰時(shí)段放電來相對減少污染氣體排放費(fèi)用，因22:00時(shí)刻用電負(fù)荷很大而燃料電池和儲能蓄電池滿發(fā)都未達(dá)負(fù)荷要求，故切除部分負(fù)荷。用電谷時(shí)段23:00-24:00，用電負(fù)荷輕，F(xiàn)C發(fā)電來滿足負(fù)荷需求并給BT充電，使其荷電狀態(tài)達(dá)到0.5。

圖8 綜合成本最優(yōu)情況下的優(yōu)化調(diào)度曲線
Fig.8 Optimal operating curve under the optimal integrated cost

由圖8可知，綜合考慮運(yùn)行維護(hù)成本和環(huán)保成本用電谷時(shí)段1:00-7:00各微電源出力情況仍與經(jīng)濟(jì)成本最低目標(biāo)下相同。8：00-10:00，儲能蓄電池保持最大儲能量以達(dá)到峰時(shí)段多放電而減少污染排放的目的，由燃料電池發(fā)電。11:00-15:00和19:00-21:00處于用電峰時(shí)段，由燃料電池與儲能蓄電池協(xié)調(diào)出力，不滿足負(fù)荷需求則進(jìn)行切負(fù)荷操作。用電平時(shí)段16:00-18:00，考慮到儲能蓄電池的荷電狀態(tài)和充放電速率約束，由發(fā)電成本小的燃料電池出力并給儲能蓄電池充電。23:00-24:00為用電谷時(shí)段，風(fēng)/光/燃出力不足以滿足用電負(fù)荷，由燃料電池出力給儲能蓄電池充電，直至荷電狀態(tài)為0.5。

由圖9計(jì)算得，離網(wǎng)運(yùn)行模式下整個(gè)調(diào)度過程中微電源的燃料成本和環(huán)境費(fèi)用總和占總成本的85.547 7%，而可再生清潔能源不僅可以減少對于傳統(tǒng)的不可再生能源的依賴，而且還能有效的減少燃料成本以及環(huán)境污染，在當(dāng)前全球能源危機(jī)的大背景下，可再生清潔能源的開發(fā)和利用顯得尤為重要。

圖10為分別采用鳥群算法與應(yīng)用本文所提改進(jìn)的改進(jìn)鳥群算法求解上述算例時(shí)，隨著迭代次數(shù)的增加，適應(yīng)值的收斂曲線。從圖中可以看出，本文所提改進(jìn)鳥群算法相較于鳥群算法具有更快的收斂速度以及更高的搜索精度，由此證明了本文所提改進(jìn)的有效性以及改進(jìn)鳥群算法的優(yōu)越性。

圖9 綜合成本最優(yōu)情況下各個(gè)時(shí)刻成本曲線
Fig.9 Cost curves at various times under an integrated target

圖10 綜合目標(biāo)下適應(yīng)度收斂曲線對比圖
Fig.10 Comparison of convergence speed using different algorithm under comprehensive objective function

表3為采用二元對比定權(quán)法和基于評價(jià)函數(shù)的交互式多目標(biāo)優(yōu)化方法所得到的各目標(biāo)下的運(yùn)行成本和環(huán)境費(fèi)用，可以看出，兩種方法所得到的綜合性目標(biāo)統(tǒng)籌了經(jīng)濟(jì)成本和污染氣體處理費(fèi)用之間的平衡，即顧及到了經(jīng)濟(jì)性，同時(shí)也考慮到了環(huán)保性，合理的分配了各微電源的出力，使得綜合成本最低，同時(shí)，采用基于評價(jià)函數(shù)的交互式多目標(biāo)優(yōu)化方法所得到的結(jié)果優(yōu)于采用二元對比定權(quán)法，前者所得到的綜合成本最低目標(biāo)下的運(yùn)行維護(hù)成本和環(huán)保成本均低于后者所得到的結(jié)果。

5 結(jié)論

本文建立了包含風(fēng)電、光伏、燃料電池、微型燃?xì)廨啓C(jī)和蓄電池的微電網(wǎng)優(yōu)化調(diào)度模型，同時(shí)考慮了微電網(wǎng)運(yùn)行的運(yùn)行維護(hù)成本和環(huán)保效益，并采用基于評價(jià)函數(shù)的交互式多目標(biāo)優(yōu)化方法將多目標(biāo)轉(zhuǎn)換綜合考慮的單目標(biāo)。同時(shí)，提出了一種微電網(wǎng)孤島運(yùn)行下的調(diào)度策略。最后，以夏季典型日包含冷、電負(fù)荷的微電網(wǎng)離網(wǎng)運(yùn)行為例，采用改進(jìn)鳥群算法分別進(jìn)行單目標(biāo)以及多目標(biāo)的求解，得出以下結(jié)論。

1) 本文對鳥群算法所做的三點(diǎn)改進(jìn)對于算法的收斂速度以及搜索精度均有提升，證明了所提改進(jìn)的有效性以及改進(jìn)鳥群算法的優(yōu)越性。

2) 本文所提出的調(diào)度策略能有效應(yīng)用于離網(wǎng)運(yùn)行模式微電網(wǎng)，算例仿真結(jié)果驗(yàn)證了所提策略以及所建立模型的正確性。

3) 多目標(biāo)優(yōu)化的效果較之單目標(biāo)更加環(huán)保高效，同時(shí)交互式多目標(biāo)優(yōu)化方法較之二元對比定權(quán)法更加有效。