基于改進(jìn)NSGA-II算法的電-氣-熱綜合能源系統(tǒng)多目標(biāo)優(yōu)化

蔣猛，黃宇，廖偉涵，張簡(jiǎn)煉，張又文，郭創(chuàng)新

基于改進(jìn)NSGA-II算法的電-氣-熱綜合能源系統(tǒng)多目標(biāo)優(yōu)化

蔣猛1，黃宇1，廖偉涵2，張簡(jiǎn)煉2，張又文2，郭創(chuàng)新2

（1．貴州電網(wǎng)有限公司貴陽(yáng)供電局，貴州省 貴陽(yáng)市 550002；2．浙江大學(xué)電氣工程學(xué)院，浙江省 杭州市 310027）

隨著電力、天然氣和熱力網(wǎng)絡(luò)耦合緊密程度不斷加深，綜合能源系統(tǒng)協(xié)同優(yōu)化成為了新的研究熱點(diǎn)。提出一種適用于含非凸約束條件的綜合能源系統(tǒng)多目標(biāo)優(yōu)化問(wèn)題的改進(jìn)NSGA-II算法，通過(guò)維護(hù)全局的帕累托最優(yōu)解集提升解的搜索效率，同時(shí)采用動(dòng)態(tài)調(diào)整法，提高在高維等式約束下找到可行解的概率。算例分析驗(yàn)證了該方法的有效性。

綜合能源系統(tǒng)(IES)；改進(jìn)NSGA-II算法；遺傳算法；多目標(biāo)優(yōu)化調(diào)度

0 引言

社會(huì)經(jīng)濟(jì)的快速發(fā)展帶來(lái)了嚴(yán)重的能源和環(huán)境危機(jī)。為提升能源利用效率，實(shí)現(xiàn)資源優(yōu)化配置，有學(xué)者提出了能源互聯(lián)網(wǎng)的概念。在能源互聯(lián)網(wǎng)中，不同能源網(wǎng)絡(luò)間實(shí)現(xiàn)了高度耦合，系統(tǒng)運(yùn)行的靈活性與協(xié)同性大幅提升[1]，可以有效管理與調(diào)度不同形式的能量流動(dòng)，能夠顯著降低發(fā)電成本、提升環(huán)境效益[2]。

綜合能源系統(tǒng)(integrated energy system，IES)優(yōu)化調(diào)度是能源互聯(lián)網(wǎng)高效運(yùn)行的重要技術(shù)支撐，許多學(xué)者對(duì)綜合能源系統(tǒng)的優(yōu)化調(diào)度進(jìn)行了深入研究。文獻(xiàn)[3]從低碳環(huán)保角度出發(fā)，構(gòu)建了碳減排量評(píng)估模型與綜合能源服務(wù)商和柔性負(fù)荷項(xiàng)目用戶的主從博弈模型，實(shí)現(xiàn)了計(jì)及綜合能源服務(wù)商的低碳調(diào)度。文獻(xiàn)[4]提出了一種考慮分布式天然氣儲(chǔ)存的魯棒約束機(jī)組組合模型，提高了集成系統(tǒng)的運(yùn)行可靠性。文獻(xiàn)[5]提出了一種協(xié)調(diào)隨機(jī)模型，考慮了需求響應(yīng)對(duì)電力和天然氣網(wǎng)絡(luò)最優(yōu)調(diào)度的影響。文獻(xiàn)[6]研究了相互依存的電力和天然氣基礎(chǔ)設(shè)施的協(xié)調(diào)調(diào)度。文獻(xiàn)[7]提出了一種基于模擬退火算法改進(jìn)的人工魚(yú)群算法，實(shí)現(xiàn)了多微網(wǎng)經(jīng)濟(jì)性優(yōu)化調(diào)度。文獻(xiàn)[8]提出了一種基于記憶的遺傳算法優(yōu)化微電網(wǎng)分布式能源出力分配。文獻(xiàn)[9]則采用鳥(niǎo)群優(yōu)化算法，實(shí)現(xiàn)風(fēng)水協(xié)同的運(yùn)行優(yōu)化，有效平抑了風(fēng)電波動(dòng)性對(duì)總功率的影響。上述研究?jī)H考慮對(duì)單目標(biāo)的優(yōu)化，在實(shí)際應(yīng)用中可能缺乏靈活性。多目標(biāo)優(yōu)化算法能夠很好地解決這一問(wèn)題。

近年來(lái)，陸續(xù)有學(xué)者將多目標(biāo)優(yōu)化方法應(yīng)用于電力系統(tǒng)的各個(gè)方面。文獻(xiàn)[10]基于免疫算法實(shí)現(xiàn)多目標(biāo)無(wú)功優(yōu)化。文獻(xiàn)[11]采用改進(jìn)和聲搜索算法，綜合考慮系統(tǒng)經(jīng)濟(jì)性和可靠性，建立了多目標(biāo)電力系統(tǒng)規(guī)劃模型。文獻(xiàn)[12]考慮大規(guī)模風(fēng)電接入系統(tǒng)的場(chǎng)景，以最大風(fēng)電消納和最小系統(tǒng)運(yùn)行成本為目標(biāo)，利用多目標(biāo)差分算法進(jìn)行求解。文獻(xiàn)[13]建立了考慮短期電壓穩(wěn)定性和暫態(tài)穩(wěn)定性的多目標(biāo)動(dòng)態(tài)無(wú)功優(yōu)化模型。文獻(xiàn)[14]基于多目標(biāo)混合整數(shù)規(guī)劃方法建立動(dòng)態(tài)無(wú)功分配模型。

上述研究尚存在2點(diǎn)不足：一是綜合考慮電–氣–熱網(wǎng)絡(luò)的多目標(biāo)優(yōu)化問(wèn)題未有涉及；二是多目標(biāo)優(yōu)化算法單位時(shí)間內(nèi)獲得的帕累托最優(yōu)解數(shù)量較少。為此，本文提出了一種改進(jìn)的NSGA-II算法，基于該算法求解電-熱-氣綜合能源系統(tǒng)的多目標(biāo)優(yōu)化調(diào)度模型，能夠顯著增加單位時(shí)間內(nèi)獲得的帕累托最優(yōu)解數(shù)量，提升求解效率。

1 綜合能源系統(tǒng)優(yōu)化調(diào)度模型

1.1 目標(biāo)函數(shù)

本文提出的電–氣–熱綜合能源系統(tǒng)優(yōu)化調(diào)度模型，包含經(jīng)濟(jì)性與環(huán)保性2方面目標(biāo)函數(shù)。

1）經(jīng)濟(jì)性目標(biāo)函數(shù)。

目標(biāo)函數(shù)(1)使系統(tǒng)成本最低，包括非燃?xì)鈾C(jī)組運(yùn)行費(fèi)用和系統(tǒng)燃?xì)夤┙o成本：

2）環(huán)保性目標(biāo)函數(shù)。

目標(biāo)函數(shù)(3)使系統(tǒng)碳排放量最?。?/p>

式中1,i,2,i,3,i為多項(xiàng)式系數(shù)。

1.2 約束條件

1.2.1 能量系統(tǒng)約束條件

1.2.2 燃?xì)饩W(wǎng)絡(luò)約束條件

電力系統(tǒng)和燃?xì)庀到y(tǒng)通過(guò)氣–電設(shè)備(燃?xì)鈾C(jī)組)和電–氣設(shè)備(PtG)耦合。本文中的耦合設(shè)備是燃?xì)鈾C(jī)組，其燃?xì)庀牧靠啥x為

燃?xì)馄胶饧s束條件如式(11)、(12)所示：

式中：g為從燃?xì)夤?jié)點(diǎn)到燃?xì)夤?jié)點(diǎn)的天然氣流量；L是節(jié)點(diǎn)的燃?xì)庳?fù)荷；Q為其他燃?xì)庳?fù)荷需求；P,m，S,m，U,m分別代表與節(jié)點(diǎn)相連的燃?xì)夤艿?、氣井和燃?xì)鈾C(jī)組集合。

在樹(shù)型天然氣系統(tǒng)中，起始節(jié)點(diǎn)的壓力始終高于終止節(jié)點(diǎn)。設(shè)為起始節(jié)點(diǎn)，為終止節(jié)點(diǎn)，則方程(13)、(14)是對(duì)天然氣管道流量的約束，(15)、(16)為氣體壓力約束。

1.2.3 熱力系統(tǒng)約束條件

本文中熱力需求由熱點(diǎn)聯(lián)產(chǎn)(combined heat and power，CHP)機(jī)組給出，CHP機(jī)組的電、熱關(guān)系如式(17)所示：

在熱負(fù)荷節(jié)點(diǎn)，熱能產(chǎn)量為

給定管道的始端溫度st和環(huán)境溫度a，那么管道末端溫度ed計(jì)算公式為

式中：分別為管道熱系數(shù)與管道長(zhǎng)度；為流量。

對(duì)于每個(gè)節(jié)點(diǎn)，氣體流入、流出必須保持平衡，即

2 改進(jìn)NSGA-II算法

2.1 NSGA-II的優(yōu)勢(shì)

在本文提出的綜合能源系統(tǒng)最優(yōu)調(diào)度模型中，等式約束(13)是非凸的，因此不能直接使用CPLEX或Gurobi等求解器進(jìn)行計(jì)算，而遺傳算法能夠有效地處理此類問(wèn)題。傳統(tǒng)的多目標(biāo)遺傳算法存在單位時(shí)間內(nèi)搜索到帕累托最優(yōu)解數(shù)量較少、難以處理多個(gè)等式約束的問(wèn)題。

NSGA-II采用快速非支配排序方法、密度估計(jì)和擁擠比較算子來(lái)解決上述問(wèn)題。相對(duì)于NSGA方法，NSGA-II的主要改進(jìn)如下：

1）提出了快速非支配排序方法。與NSGA的非支配排序相比，其計(jì)算復(fù)雜度大幅降低。

2）提出了密度估計(jì)和擁擠比較算子代替共享參數(shù)運(yùn)算，降低了計(jì)算的復(fù)雜度。

2.2 全局帕累托最優(yōu)解集維護(hù)

傳統(tǒng)NSGA-II算法的帕累托最優(yōu)解僅源于當(dāng)代，難以獲得更多的帕累托最優(yōu)解，并且難以將種群大小控制在合適的范圍內(nèi)。

改進(jìn)的NSGA-II算法維持全局帕累托最優(yōu)解集，在計(jì)算出每一代帕累托非支配解后，執(zhí)行以下操作：

1）將這些非支配解與全局帕累托最優(yōu)解集進(jìn)行比較。

2）更新全局帕累托最優(yōu)解集。將當(dāng)前遺傳代數(shù)下的局部非支配個(gè)體中不受全局帕累托最優(yōu)解集支配的個(gè)體添加到全局帕累托最優(yōu)解集中。

3）通過(guò)降低適應(yīng)性來(lái)懲罰由全局帕累托最優(yōu)解集所支配的局部非支配個(gè)體。

2.3 等式約束特殊處理

2.3.1 非線性等式約束處理

2.3.2 動(dòng)態(tài)調(diào)整線性等式約束

即使選擇了一組好的優(yōu)化變量，仍然有可能不滿足某些等式約束。動(dòng)態(tài)調(diào)整可以糾正一組不滿足等式約束但只有少量違規(guī)的變量。

2.3.3 懲罰函數(shù)

為了確保優(yōu)化變量滿足約束條件，可以在目標(biāo)函數(shù)f的基礎(chǔ)上添加懲罰項(xiàng)，對(duì)種群個(gè)數(shù)進(jìn)行懲罰。定義不等式約束懲罰因子ic，2個(gè)級(jí)別的等式約束懲罰因子ec1和ec2(ec1

總懲罰為

2.4 改進(jìn)NSGA-II求解流程

定義pi來(lái)計(jì)算考慮目標(biāo)函數(shù)和約束條件后變量d的綜合適應(yīng)度：

式中：1與2為權(quán)重參數(shù)，根據(jù)對(duì)于目標(biāo)函數(shù)和約束條件的重視程度分配；()為目標(biāo)函數(shù)，由于取最小化優(yōu)化，因此系數(shù)項(xiàng)帶有負(fù)號(hào)；()為總懲罰函數(shù)。

確定適應(yīng)度函數(shù)后，可基于適應(yīng)度函數(shù)不斷調(diào)整尋優(yōu)過(guò)程，完成改進(jìn)NSGA-II的完整求解流程，如圖1所示。

圖1 改進(jìn)NSGA-II求解流程

3 算例分析

3.1 電-氣-熱綜合系統(tǒng)拓?fù)浣Y(jié)構(gòu)

由于目前尚未有電、氣、熱聯(lián)合系統(tǒng)的標(biāo)準(zhǔn)算例，為檢驗(yàn)所提出方法的有效性，在6電氣–6燃?xì)夤?jié)點(diǎn)系統(tǒng)[4]的基礎(chǔ)上，增加了一個(gè)包含4個(gè)熱交換器的熱力網(wǎng)絡(luò)，形成電-熱-氣綜合系統(tǒng)模型。該系統(tǒng)模型包含典型電、氣、熱聯(lián)供系統(tǒng)中的所有關(guān)鍵元件及典型連接，系統(tǒng)的拓?fù)浣Y(jié)構(gòu)如圖2所示。

圖2 電-熱-氣綜合系統(tǒng)拓?fù)浣Y(jié)構(gòu)

3.2 帕累托最優(yōu)解集搜索過(guò)程

NSGA-II的帕累托最優(yōu)解集由當(dāng)前一代的個(gè)體產(chǎn)生，可以稱為局部帕累托最優(yōu)解集。本文提出的改進(jìn)NSGA-II算法維持了一個(gè)全局帕累托最優(yōu)解集，以獲得更多的帕累托最優(yōu)解。應(yīng)當(dāng)指出，為了防止解的分布過(guò)于集中，每次更新局部帕累托最優(yōu)解集或全局帕累托最優(yōu)解集之前，應(yīng)當(dāng)采用基于擁擠距離的過(guò)濾。

局部帕累托最優(yōu)解集和第20代與第100代的全局帕累托最優(yōu)解集分別如圖3、4所示。

圖3 第20代帕累托最優(yōu)解集

圖4 第100代帕累托最優(yōu)解集

3.3 求解效率

不同代的非重復(fù)局部帕累托最優(yōu)解和全局帕累托最優(yōu)解的數(shù)量如圖5所示。

圖5 帕累托最優(yōu)解的數(shù)量

隨著遺傳代數(shù)增加，局部帕累托最優(yōu)解的數(shù)量保持穩(wěn)定，全局帕累托最優(yōu)解的數(shù)量呈線性增長(zhǎng)趨勢(shì)。在第100代，全局帕累托最優(yōu)解的數(shù)量是局部帕累托最優(yōu)解的14.18倍。

本文在配置Intel(R)Core(TM)i7-5500U CPU @2.40GHz 2.39GHz和4GB RAM的臺(tái)式計(jì)算機(jī)上進(jìn)行計(jì)算，所需時(shí)間如圖6所示。

4 結(jié)論

提出了一種基于改進(jìn)NSGA-II算法的電–氣–熱綜合能源系統(tǒng)多目標(biāo)優(yōu)化調(diào)度的方法，可用于求解含非凸約束的優(yōu)化調(diào)度模型。通過(guò)動(dòng)態(tài)調(diào)整和添加懲罰函數(shù)的方法，解決了大量等式約束下的模型求解難題。通過(guò)設(shè)置和維護(hù)全局帕累托最優(yōu)解集，顯著增加了單位時(shí)間帕累托最優(yōu)解數(shù)量。算例驗(yàn)證了所提出方法的有效性。

圖6 計(jì)算時(shí)間成本

所提出模型尚未考慮到天然氣和熱力網(wǎng)絡(luò)的動(dòng)態(tài)特性，對(duì)建模精度可能產(chǎn)生一定影響。在后續(xù)的研究中將會(huì)計(jì)及網(wǎng)絡(luò)動(dòng)態(tài)特性，建立更加精確的優(yōu)化模型。

[1] 常曉勇，王玉婷，陳福鋒，等．電力-天然氣綜合能源系統(tǒng)建模與仿真[J]．浙江電力，2018，37(7)：13-18．

[2] 林曉明，張勇軍，肖勇，等．計(jì)及設(shè)備啟停的含電轉(zhuǎn)氣園區(qū)能源互聯(lián)網(wǎng)兩階段優(yōu)化調(diào)度模型[J]．廣東電力，2019，32(10)：62-70．

[3] 宋陽(yáng)，張新鶴，王磊．捆綁合作模式下計(jì)及綜合能源服務(wù)商新型項(xiàng)目的低碳調(diào)度[J]．電力建設(shè)，2019，40(3)：9-16．

[4] He Y，Shahidehpour M，Li Z，et al．Robust constrained operation of integrated electricity-natural gas system considering distributed natural gas storage[J]．IEEE Transactions on Sustainable Energy，2018，9(7)：1061-1071．

[5] Zhang X，Shahidehpour M，Alabdulwahab A，et al．Hourly electricity demand response in the stochastic day-ahead scheduling of coordinated electricity and natural gas networks[J]．IEEE Transactions on Power Syetems，2016，31(1)：592-601．

[6] Zlotnik A，Roald L，Backhaus S，et al．Coordinated scheduling for interdependent electric power and natural gas infrastructures[J]．IEEE Transactions on Power Systems，2017，32(1)：600-610．

[7] 何力，呂紅芳．考慮經(jīng)濟(jì)性的多微電網(wǎng)優(yōu)化調(diào)度研究[J]．發(fā)電技術(shù)，2018，39(5)：397-404．

[8] Askarzadeh A．A memory-based genetic algorithm for optimization of power generation in a microgrid[J]．IEEE Transactions on Sustainable Energy，2018，9：1081-1089．

[9] 王璽，楊秀媛，范新橋，等．潮流分析和鳥(niǎo)群優(yōu)化在風(fēng)水協(xié)同運(yùn)行中的應(yīng)用[J]．發(fā)電技術(shù)，2018，39(2)：171-176．

[10] 熊虎崗，程浩忠，李宏仲．基于免疫算法的多目標(biāo)無(wú)功優(yōu)化[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2006，36(11)：102-108．

[11] 宋春麗，劉滌塵，吳軍，等．基于改進(jìn)和聲搜索算法的電網(wǎng)多目標(biāo)差異化規(guī)劃[J]．電力自動(dòng)化設(shè)備，2014，34(11)：142-148．

[12] 劉文穎，文晶，謝昶，等．考慮風(fēng)電消納的電力系統(tǒng)源荷協(xié)調(diào)多目標(biāo)優(yōu)化方法[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2015，35(5)：1079-1088．

[13] Han T，Chen Y，Ma J，et al．Surrogate modeling-based multi-objective dynamic VAR planning considering short-term voltage stability and transient stability[J]．IEEE Transactions on Power Systems，2018，33(1)：622-633．

[14] Deng Z，Liu M，Ouyang Y，et al．Multi-objective mixed-integer dynamic optimization method applied to optimal allocation of dynamic var sources of power systems[J]．IEEE Transactions on Power Systems，2018，33(2)：1683-1697．

Multi-objective Optimization of Electricity-Gas-Heat Integrated Energy System Based on Improved NSGA-II Algorithm

JIANG Meng1, HUANG Yu1, LIAO Weihan2, ZHANG Jianlian2, ZHANG Youwen2, GUO Chuangxin2

(1. Guiyang Power Supply Bureau of Guizhou Power Grid Co., Ltd., Guiyang 550002, Guizhou Province, China;2. College of Electrical Engineering, Zhejiang University, Hangzhou 310027, Zhejiang Province, China)

With the development of interaction between electricity, natural gas and heat networks, collaborative optimization of integrated energy system has become a new research focus. An improved NSGA-II algorithm was proposed to solve the optimization problem of integrated energy system, which contained multiple objectives and nonconvex constraints, a global Pareto set maintenance method was proposed to improve the search efficiency of Pareto-optimal solutions. Dimensional reduction and dynamic adjustment were applied to improve the probability of finding feasible solutions under high-dimension equality constraints. An example was analyzed to prove the validity of the proposed method.

integrated energy system (IES); improved NSGA-II algorithm; genetic algorithm; multi-objective optimal scheduling

10.12096/j.2096-4528.pgt.19052

TK 01+9

國(guó)家自然科學(xué)基金項(xiàng)目(51537010)。

Project Supported by National Nature Science Foundation of China (51537010).

2019-04-14。

(責(zé)任編輯 辛培裕)