一種運(yùn)用于微電網(wǎng)優(yōu)化調(diào)度的改進(jìn)蝙蝠算法

何麗娜，陳汝科，沈丹青，楊凱帆，謝 梟，王若昕，黃 婧

（1.國(guó)網(wǎng)湖北省電力有限公司鐘祥市供電公司，湖北鐘祥 431900；2.國(guó)網(wǎng)湖北省電力有限公司沙洋縣供電公司，湖北沙洋 448200）

引言

為了提高電網(wǎng)運(yùn)行的穩(wěn)定性，順應(yīng)智能大電網(wǎng)的發(fā)展理念，微電網(wǎng)系統(tǒng)得到了我國(guó)電力行業(yè)的重視。雖然微電網(wǎng)技術(shù)具有巨大的社會(huì)及經(jīng)濟(jì)意義，但由于微電網(wǎng)具有不穩(wěn)定性，對(duì)微電網(wǎng)進(jìn)行優(yōu)化調(diào)度，成為亟待研究的問題。

微電網(wǎng)的優(yōu)化調(diào)度問題為復(fù)雜的非線性問題，因此用傳統(tǒng)單一算法難以有效解決。隨著智能算法的提出，上述問題得到了較好解決。文獻(xiàn)[1]提出一種混合蝙蝠算法來處理結(jié)合熱發(fā)電機(jī)和風(fēng)力渦輪機(jī)的經(jīng)濟(jì)調(diào)度問題；文獻(xiàn)[2]提出一種多層次的蟻群算法解決微電網(wǎng)的能量調(diào)度問題；文獻(xiàn)[3]用重力搜索算法解決經(jīng)濟(jì)與環(huán)境負(fù)荷調(diào)度問題；文獻(xiàn)[4]提出一種量子粒子群算法來解決考慮風(fēng)電不確定性與碳稅的經(jīng)濟(jì)調(diào)度問題；文獻(xiàn)[5]運(yùn)用蝙蝠算法對(duì)建立的微電網(wǎng)模型進(jìn)行優(yōu)化調(diào)度，并通過算例對(duì)比驗(yàn)證了算法的有效性。

基于以上分析，首先建立運(yùn)行費(fèi)用、污染排放、甩負(fù)荷補(bǔ)償和網(wǎng)損最小的目標(biāo)函數(shù)模型；同時(shí)通過引入混沌序列，對(duì)蝙蝠算法進(jìn)行改進(jìn)，并通過算例分析驗(yàn)證了該改進(jìn)算法的實(shí)用性。

1 數(shù)學(xué)模型

1.1 目標(biāo)函數(shù)

（1）運(yùn)行成本最低

發(fā)電成本f1可表示為[6]：

式中，N為電源設(shè)備數(shù)目；S為燃料費(fèi)用；α為維護(hù)系數(shù)；cxt,i為啟停費(fèi)用，Imt為啟停狀態(tài)。

（2）污染物排放費(fèi)用

微電網(wǎng)的污染物排放費(fèi)用f2可表示為[7]：

式中，M為污染物種類數(shù)；gj為排放價(jià)格。

（3）系統(tǒng)網(wǎng)損

系統(tǒng)網(wǎng)絡(luò)損耗的費(fèi)用f3可用式（3）表示[8]：

（4）約束條件

約束條件可用式（4）表示：

式中，rs，rx分別為電源的上下爬坡速度。

1.2 多目標(biāo)函數(shù)權(quán)重系數(shù)的確定

本研究中的多目標(biāo)函數(shù)，其權(quán)重系數(shù)向量可表示為[9]：

式中，[αd、βd]為權(quán)重系數(shù)向量，則轉(zhuǎn)化后的單目標(biāo)函數(shù)表達(dá)式為：

2 蝙蝠優(yōu)化算法的基本原理

2.1 蝙蝠優(yōu)化機(jī)理

蝙蝠算法是一種啟發(fā)式優(yōu)化算法，通過模擬自然界中的蝙蝠特征來解決優(yōu)化問題[10]。

自然界中的蝙蝠常通過自身的回聲定位功能，來對(duì)目標(biāo)加以判斷，然后進(jìn)行有效的躲避及捕獵。蝙蝠在搜索目標(biāo)初期會(huì)發(fā)出低頻超聲波擴(kuò)大搜索范圍，當(dāng)確定目標(biāo)所在范圍后，蝙蝠就會(huì)降低響度，從而對(duì)目標(biāo)具體方位進(jìn)行最終確定。以蝙蝠搜索目標(biāo)為靈感，學(xué)者們提出了蝙蝠算法[11,12]。

2.2 蝙蝠算法改進(jìn)

（1）自適應(yīng)慣性調(diào)整的方法

蝙蝠算法的特點(diǎn)是全局最優(yōu)轉(zhuǎn)換局部最優(yōu)值能力解空間的速度較快，但因此也較容易陷入局部最優(yōu)解。為此，引入自適應(yīng)調(diào)整因子對(duì)蝙蝠算法進(jìn)行改進(jìn)，即：

式中，w為慣性權(quán)重因子。

式（8）是通過仿真實(shí)驗(yàn)得到的，實(shí)驗(yàn)表明，隨著w值的增大，算法越趨于全局最優(yōu)值；隨著w值的減小，算法越趨于局部最優(yōu)值。算法流程如圖1所示。

圖1 算法流程圖

（2）混沌搜索策略

利用混沌搜索和正則優(yōu)化搜索的隨機(jī)性和遍歷性，將優(yōu)化解線性變換到解空間，可表示為：

式中，bi,s，ai,s分別為xi,s的最大值和最小值。

2.3 算法步驟

使用改進(jìn)型蝙蝠算法對(duì)微電網(wǎng)系統(tǒng)進(jìn)行優(yōu)化調(diào)度的計(jì)算步驟為：

（1）對(duì)符合條件的所有參數(shù)進(jìn)行初始化；

（2）先利用偽隨機(jī)數(shù)發(fā)生器產(chǎn)生一組權(quán)向量，然后使用改進(jìn)型蝙蝠算法計(jì)算；

（3）將控制變量代入目標(biāo)函數(shù)而后分別求解；

（4）運(yùn)用超效率DEA法對(duì)目標(biāo)函數(shù)進(jìn)行評(píng)價(jià)，確定最終方案；

（5）用改進(jìn)的蝙蝠算法求解。

3 算例分析

3.1 算例主要參數(shù)

運(yùn)用3種算法對(duì)所建立的微電網(wǎng)模型進(jìn)行優(yōu)化調(diào)度，其中算法主要參數(shù)參照文獻(xiàn)[12]中的數(shù)值。圖2為風(fēng)速及溫度變化，圖3所示為微電網(wǎng)的日負(fù)荷變化。

圖2 風(fēng)速與溫度變化

圖3 系統(tǒng)日負(fù)荷變化

3.2 算例結(jié)果分析

圖4為系統(tǒng)網(wǎng)損的變化曲線，由圖4可知，隨著負(fù)荷的增大，網(wǎng)損的變化規(guī)律較為復(fù)雜，但基本呈現(xiàn)增大的趨勢(shì)。

圖4 系統(tǒng)網(wǎng)損變化

圖5為微電網(wǎng)系統(tǒng)電源設(shè)備的輸出功率。

圖5 輸出功率對(duì)比

對(duì)比光伏、風(fēng)機(jī)與光照強(qiáng)度、風(fēng)速可知，光伏、風(fēng)機(jī)與所在區(qū)域的光照強(qiáng)度、風(fēng)速呈現(xiàn)正比趨勢(shì)，并且由于光伏與風(fēng)機(jī)無污染物排放，輸出功率較大。同時(shí)燃料電池也是滿負(fù)荷發(fā)電。

4 結(jié)論

（1）建立了一種新的微電網(wǎng)多目標(biāo)優(yōu)化模型，引入超高效數(shù)據(jù)包評(píng)估，進(jìn)行了多目標(biāo)函數(shù)的轉(zhuǎn)換。

（2）提出了一種微電網(wǎng)優(yōu)化調(diào)度的改進(jìn)型蝙蝠算法，并最終通過算例對(duì)比驗(yàn)證了該算法的優(yōu)越性。