考慮經(jīng)濟成本的微電網(wǎng)調(diào)度運行

袁華駿， 葉筱怡， 耿宗璞

(南京工程學院 電力工程學院，江蘇 南京 211167)

0 引 言

微電網(wǎng)調(diào)度目的是在滿足約束的前提下，安排機組出力，達到發(fā)電成本最少，屬于高度復雜和多約束的非線性問題[1]，智能算法的出現(xiàn)使得調(diào)度有更好的結果[2-3]。文獻[4]以系統(tǒng)的運行成本為目標，系統(tǒng)安全運行為約束建立微電網(wǎng)模型，利用標準蜂群算法進行求解，結果表明標準蜂群算法有效降低了調(diào)度成本。文獻[5]將多目標轉(zhuǎn)換成非線性單目標，利用改進遺傳算法求解并網(wǎng)下最優(yōu)調(diào)度方案。文獻[6]建立源-儲-荷互動的分布式優(yōu)化博弈模型，運用多目標粒子群算法進行求解，仿真結果表明微電網(wǎng)個體經(jīng)濟性、環(huán)保性及滿意度得到兼顧。

蜂群算法屬于群體隨機優(yōu)化搜索算法，相比于最初的群體搜索算法(粒子群算法)，蜂群算法具有操作簡單、設置參數(shù)少及尋優(yōu)性能強的特點，但卻有著群體智能算法的弊端——容易陷入局部最優(yōu)[7]。為此，將對立學習策略用來改善初始種群的質(zhì)量，擴大初始解的搜索范圍，同時將Metropolis準則引入其中，用來降低算法陷入局部最優(yōu)解的概率。以運行成本最低為目標，考慮并網(wǎng)狀態(tài)下微電網(wǎng)實際運行條件，將改進后的蜂群算法用來求解并網(wǎng)狀態(tài)下的微電網(wǎng)調(diào)度優(yōu)化模型，得到大電網(wǎng)以及微電網(wǎng)各個機組的出力。

1 目標函數(shù)與約束條件

1.1 目標函數(shù)

本文中并網(wǎng)狀態(tài)下的微電網(wǎng)，既可以供電給負荷，又可以實現(xiàn)能量在微電網(wǎng)與大電網(wǎng)之間的流動，因此微電網(wǎng)調(diào)度的目標函數(shù)主要包括：微電網(wǎng)內(nèi)機組的燃料費；微電網(wǎng)內(nèi)機組運行管理費；微電網(wǎng)與大電網(wǎng)之間電量交換的費用。

(1)

式中：T為目前調(diào)度周期，取24 h；N為微電網(wǎng)內(nèi)機組的種類；Ci,f與Ci,m為機組i的燃料系數(shù)與運行管理系數(shù)；Cgrid,t與GES,t為分時電價與蓄電池的運行管理系數(shù)；Pi,t、Pgrid,t及PES,t為時刻機組i輸出功率、微電網(wǎng)與大電網(wǎng)功率交換值及蓄電池充放電功率。

1.2 約束條件

微電網(wǎng)調(diào)度的約束條件主要包含等式約束與不等式約束兩個部分。等式約束主要指供需平衡以及蓄電池容量平衡，不等式約束指的是各個機組的功率限制、蓄電池容量限制及微電網(wǎng)與大電網(wǎng)之間的功率交換限制[8]。

(2)

Wes(t)=Wes(t-1)+[Pcharge(t)ηch-Pdischarge(t)/ηdis]Δt

(3)

式中：Pload,t為t時刻負荷大小;Wes(t)為t時刻蓄電池容量；Wes(t-1)為(t-1)時刻蓄電池容量；Pcharge(t)、ηch和Pdischarge(t)、ηdis為蓄電池在時刻t充電功率與效率、放電功率與效率；Δt為目前調(diào)度的時間尺度。

不等式約束如式(4)～式(7)所示。

Pi,min≤Pi,t≤Pi,max

(4)

Wes,min≤Wes(t)≤Wes,max

(5)

Pcharge,max≤PES,t≤Pdischarge,max

(6)

Pgrid,min≤Pgrid,t≤Pgrid,max

(7)

式中：Pi,min與Pi,max為機組i最小功率與最大功率；Wes,min、Wes,max為蓄電池容量最小值與最大值；Pcharge,max、Pdischarge, max為蓄電池最大放電功率與最大充電功率；Pgrid,min、Pgrid,max為大電網(wǎng)的最小功率與最大功率。

2 改進的蜂群算法

2.1 基本蜂群算法

人工蜂群算法基本思想是蜂群通過個體分工和信息交流，相互協(xié)作完成采蜜任務[9]。將蜂群分為3類：雇傭峰、觀察蜂及偵察蜂。雇傭峰、觀察蜂用于蜜源的開采，偵察蜂是為了避免蜜源的種類過少[10]。蜂群算法的尋優(yōu)步驟如下。

步驟一：初始化輸入?yún)?shù)，包括預測的光伏發(fā)電功率、風機發(fā)電功率、負荷量及微電網(wǎng)運行成本函數(shù)、約束條件所包含的各參數(shù)，從而建立優(yōu)化調(diào)度模型。

步驟二：根據(jù)建立的優(yōu)化調(diào)度模型，隨機產(chǎn)生N個蜜蜂，其中一半是雇傭蜂，另一半則是觀察蜂，每個雇傭蜂代表一種調(diào)度方案，并且根據(jù)式(1)計算它們的適應度值。

步驟三：雇傭蜂根據(jù)式(8)進行領域的搜索，產(chǎn)生新的位置，如果更新后的雇傭蜂的目標函數(shù)值優(yōu)于更新前的，那么選擇更新后的雇傭蜂的位置。

vi,j=xi,j+φi,j×(xi,j-xk,j)

(8)

式中：i為當前正在搜索的個體；j為隨機選擇的維度；vi,j為個體i的維度j更新后位置；φi,j為[0,1]之間隨機數(shù)；xi,j為個體i的維度j更新前位置；k為隨機選擇不為i的一個鄰居;xk,j為個體k的維度j更新前位置。

步驟四：觀察蜂會根據(jù)輪盤賭法選擇食物源。

(9)

式中：F(xi)、F(xj)為個體i與j的目標函數(shù)值；Pi為個體i的選擇概率；N為蜜蜂總個數(shù)。

步驟五：如果個體i的目標函數(shù)值經(jīng)過一定的次數(shù)仍然不變，那么雇傭蜂變成偵查蜂，根據(jù)式(10)隨機產(chǎn)生新解。

vi,j=jmin+rand(0,1)×(jmax-jmin)

(10)

式中：jmin、jmax分別為第j個變量的最小值與最大值;rand(0,1)為(0，1)之間的隨機數(shù)。

步驟六：重復步驟三到步驟五，直至達到迭代次數(shù)。輸出全局最優(yōu)解，即各個機組在一個調(diào)度周期內(nèi)各個時刻出力大小。

2.2 對立學習策略

2.3 Metropolis準則

Metropolis準則是一種以概率性接受新位置的采樣算法。將其引入組合優(yōu)化中就演變成了“模擬退火算法”[11]。狀態(tài)i變化成狀態(tài)j的概率表示為：

(11)

式中：f(i)、f(j)為狀態(tài)i、j目標函數(shù)值；T為退火溫度；P(i→j)為接受新狀態(tài)的概率。將Metropolis準則引入標準蜂群算法的步驟三當中，利用Metropolis準則選擇雇傭蜂更新位置的概率。

3 算例分析

對一個并網(wǎng)狀態(tài)下的微電網(wǎng)進行分析，微電網(wǎng)包含風機、光伏電池、蓄電池、燃氣輪機及燃料電池。根據(jù)光伏電池與風機特性參數(shù)，得到PV與WT的出力預測和負荷預測曲線如圖1 所示。

圖1 負荷、光伏及風機功率

優(yōu)先新能源的使用，即對于風機與光伏電池采用“最大功率跟蹤”模式。圖2中：1∶00—6∶00與22∶00—24∶00之間，對電能需求較少，屬于電價谷時段，除了風能的供給之外主要依靠燃料電池與大電網(wǎng)，將多余電量給蓄電池充電；10∶00—14∶00與18∶00—20∶00之間，電能需求處于一天的高峰時段，電價也處于峰時段，燃料電池與蓄電池的成本低于購電電價，因此燃料電池與蓄電池成為主要供電機組，供能不足由大電網(wǎng)進行補充；7∶00—9∶00、15∶00—17∶00及21∶00—22∶00之間，因為燃料電池的發(fā)電成本比較低，主要依靠燃料電池。在此之外，則是通過協(xié)調(diào)大電網(wǎng)與蓄電池的出力。

圖2 微源出力情況

從圖2可以看出，在目前調(diào)度的周期內(nèi)燃氣輪機一直都是處于低出力的階段，防止因為其他設備供電不足導致燃氣輪機的啟動成本高。但由于燃氣輪機的單位發(fā)電成本高，因此燃氣輪機的發(fā)電成本依然不可忽略。圖2中的燃料電池蓄電池與電網(wǎng)則是互補的關系，蓄電池起到“削峰填谷”作用。從圖3可以看出，由于蓄電池發(fā)電成本只計及管理成本，因此蓄電池在充放電的過程中一直屬于低成本的運行狀態(tài)。圖3中，在早用電高峰時期，燃氣輪機低出力運行，蓄電池的大功率運行以及燃料電池的出力，使得多出的電能出售給大電網(wǎng)，大電網(wǎng)的運行成本屬于負值。而中午時期由于蓄電池的供能不足，大電網(wǎng)則出力滿足負荷的需求。從圖3中還可以看出，燃料電池一直處于高運行成本的狀態(tài)。利用標準蜂群算法，計算得微電網(wǎng)并網(wǎng)狀態(tài)下綜合成本是766.766 8 元。利用改進蜂群算法進行計算時，得到綜合成本724.682 5 元，費用降低42.084 3 元。

圖3 各個時刻機組成本圖

4 結束語

本文研究了并網(wǎng)狀態(tài)下的微電網(wǎng)經(jīng)濟調(diào)度。在預測風機、光伏電機及負荷的基礎上，建立包含光伏、風機、燃氣輪機、燃料電池及蓄電池的微電網(wǎng)并網(wǎng)運行模型，通過改進的蜂群算法求得了最佳的出力方式。根據(jù)仿真運行的結果得到以下結論：

(1) 將對立學習策略與Metropolis準則引入簡單蜂群算法中，保證全局搜索性能的同時也能夠降低跳出局部最優(yōu)解的概率，將其運用到微電網(wǎng)的調(diào)度模型中，可以合理安排各個機組的出力，實現(xiàn)經(jīng)濟成本的降低。

(2) 對于微電網(wǎng)經(jīng)濟調(diào)度的問題，通過改進的蜂群算法得到的調(diào)度方案，可以得知蓄電池與大電網(wǎng)是一個互補的存在，實現(xiàn)“削峰填谷”，降低了發(fā)電的總成本。