基于反向變異麻雀搜索算法的微電網(wǎng)優(yōu)化調(diào)度

宋揚(yáng)， 石勇， 劉寶泉， 康家玉

(陜西科技大學(xué)電氣與控制工程學(xué)院，陜西 西安 710016)

0 引言

微電網(wǎng)是由分布式能源、儲(chǔ)能系統(tǒng)、電能轉(zhuǎn)換裝置等單元組成的系統(tǒng)[1—2]，我國(guó)“十四五”規(guī)劃及2035遠(yuǎn)景目標(biāo)中提出的集中式與分布式能源建設(shè)綱要[3]，將大力推動(dòng)我國(guó)微電網(wǎng)工程的建設(shè)。隨著分布式能源發(fā)電技術(shù)逐漸成熟及建設(shè)難度不斷降低[4]，在一定約束條件下降低發(fā)電成本與環(huán)境成本，提高發(fā)電利用水平，實(shí)現(xiàn)微電網(wǎng)優(yōu)化調(diào)度是目前需要研究的方向[5—7]。

微電網(wǎng)優(yōu)化調(diào)度是典型的非線性問(wèn)題，目前的研究多應(yīng)用智能算法進(jìn)行尋優(yōu)求解[8—10]。文獻(xiàn)[11]利用鳥(niǎo)群算法對(duì)微電網(wǎng)的功率和能量進(jìn)行多目標(biāo)優(yōu)化管理，具有較好的穩(wěn)定性和精度，但鳥(niǎo)群算法搜索速度較慢、參數(shù)較多，影響尋優(yōu)結(jié)果；文獻(xiàn)[12]提出了改進(jìn)遺傳算法的微電網(wǎng)多目標(biāo)最優(yōu)調(diào)度方法，建立了包括環(huán)境成本、系統(tǒng)運(yùn)行維護(hù)成本、起停成本和主電網(wǎng)電價(jià)的目標(biāo)函數(shù)，但該算法存在局部收斂的情況，穩(wěn)定性不高；文獻(xiàn)[13]提出了基于改進(jìn)人工魚(yú)群算法的微電網(wǎng)優(yōu)化調(diào)度方法，利用魚(yú)群聚集和追尾行為改進(jìn)粒子飛行方向和位置，優(yōu)化結(jié)果的收斂速度與準(zhǔn)確性有所提升；文獻(xiàn)[14]提出了一種基于自適應(yīng)權(quán)重和混沌搜索粒子群優(yōu)化的多智能體微電網(wǎng)能量管理模型，可有效避免陷入早熟，但自適應(yīng)權(quán)重因子缺乏約束，尋優(yōu)效率較低；文獻(xiàn)[15]通過(guò)引入縱橫交叉算法、雙向?qū)W習(xí)機(jī)制和轉(zhuǎn)換調(diào)節(jié)機(jī)制改進(jìn)蝙蝠算法，降低了微電網(wǎng)發(fā)電成本，但微電網(wǎng)模型中缺少環(huán)境效益建模。

麻雀搜索算法(sparrow search algorithm,SSA)是一種新型群優(yōu)化算法[16]，其收斂速度快、精準(zhǔn)度較高，具有解決多個(gè)領(lǐng)域問(wèn)題的潛力[17]，但在某些條件下依然存在陷入局部最優(yōu)，導(dǎo)致收斂速度下降的不足。為改善這一問(wèn)題，增強(qiáng)SSA的全局搜索能力，文中利用反向?qū)W習(xí)策略和自適應(yīng)t分布變異對(duì)SSA進(jìn)行改進(jìn)，提出一種反向變異麻雀搜索算法(reverse mutation sparrow search algorithm,RMSSA)。以某微電網(wǎng)系統(tǒng)為例，設(shè)定包含經(jīng)濟(jì)性和環(huán)境效益的目標(biāo)函數(shù)與約束條件，建立微電網(wǎng)優(yōu)化調(diào)度模型，應(yīng)用RMSSA對(duì)其進(jìn)行優(yōu)化求解。對(duì)比仿真結(jié)果表明改進(jìn)算法尋優(yōu)能力有明顯提高。

1 改進(jìn)型SSA

1.1 基本SSA

自然界中麻雀種群內(nèi)部存在明顯分工，根據(jù)其捕食與反捕食習(xí)性，SSA將麻雀種群中成員分為發(fā)現(xiàn)者、跟隨者、預(yù)警者3類。發(fā)現(xiàn)者是具有最高適應(yīng)度的成員，其搜索范圍最廣，可引導(dǎo)種群覓食。加入者根據(jù)其適應(yīng)度的高低分為2組，適應(yīng)度高的加入者向發(fā)現(xiàn)者位置移動(dòng)，追求更高的適應(yīng)度；適應(yīng)度低的加入者由于距離發(fā)現(xiàn)者過(guò)遠(yuǎn)，會(huì)自行尋找食物，若尋找到食物，則轉(zhuǎn)變?yōu)榘l(fā)現(xiàn)者，因此發(fā)現(xiàn)者與跟隨者的身份是動(dòng)態(tài)變化的，但發(fā)現(xiàn)者與跟隨者占種群的比例不變。預(yù)警者是位于種群邊緣的部分個(gè)體，若發(fā)生危險(xiǎn)，會(huì)立即提醒種群進(jìn)行反捕食行為，逃避危險(xiǎn)。

設(shè)定在D維空間中，由M只麻雀組成的種群在覓食，第i只麻雀的位置為Xi=[xi1xi2…xiD]，其中i=1,2,…,M。根據(jù)SSA的運(yùn)算規(guī)則，對(duì)麻雀?jìng)€(gè)體位置更新規(guī)則進(jìn)行設(shè)定。

發(fā)現(xiàn)者位置更新規(guī)則為：

(1)

式中：T為當(dāng)前迭代次數(shù)；j=1,2,…,D；xij,T為當(dāng)前個(gè)體i在j維空間位置，xij,T+1為下次迭代時(shí)個(gè)體i在j維空間位置；α為(0,1]之間均勻分布的隨機(jī)數(shù)；Titer為算法最大迭代次數(shù)；Q為服從正態(tài)分布的隨機(jī)數(shù)；Lj為1行D維全1矩陣L的元素；R(R∈[0,1])為預(yù)警值；ST(ST∈[0.5,1])為安全值。當(dāng)R

加入者位置更新規(guī)則為：

(2)

式中：A為1行D維矩陣，其元素隨機(jī)為1或-1，A+=AT(AAT)-1。將式(2)簡(jiǎn)化，可得：

xij,T+1=

(3)

式中：xij,T,w為第T次迭代時(shí)麻雀種群在第j維空間的全局最差位置；xij,T,b為第T次迭代時(shí)麻雀種群在第j維空間的全局最優(yōu)位置；rand{-1,1}為-1至1間的隨機(jī)數(shù)。當(dāng)i>M/2時(shí)，表明加入者沒(méi)有獲得食物，適應(yīng)度較差，會(huì)自行向其他位置移動(dòng)尋找食物；當(dāng)i≤M/2時(shí)，加入者適應(yīng)度較高，向發(fā)現(xiàn)者位置移動(dòng)進(jìn)行覓食。

預(yù)警者位置更新規(guī)則為：

(4)

式中：β為均值為0、方差為1的正態(tài)分布隨機(jī)數(shù)，用于控制每次迭代的步長(zhǎng)；ε為極小的數(shù)，以防止分母為0；K為[-1,1]間的均勻隨機(jī)數(shù)；fi為當(dāng)前麻雀?jìng)€(gè)體的適應(yīng)度值；fg，fw分別為第T次迭代時(shí)麻雀種群的全局最優(yōu)適應(yīng)度值和最差適應(yīng)度值。當(dāng)fi=fg時(shí)，預(yù)警者在種群最優(yōu)位置發(fā)現(xiàn)危險(xiǎn)，立即向種群中其他位置移動(dòng)；當(dāng)fi≠fg時(shí)，預(yù)警者在種群邊緣發(fā)現(xiàn)危險(xiǎn)，向當(dāng)前種群最優(yōu)位置移動(dòng)逃避。

1.2 反向?qū)W習(xí)策略

反向?qū)W習(xí)策略是一種可以提高群優(yōu)化算法搜索能力的方法[18]，主要思想是在當(dāng)前個(gè)體所在區(qū)域產(chǎn)生反向個(gè)體，并在反向個(gè)體與當(dāng)前個(gè)體中選取適應(yīng)度高的個(gè)體進(jìn)行算法迭代。

1.3 自適應(yīng)t分布變異

t分布也稱學(xué)生分布，定義p(x)為t分布概率密度函數(shù)，如式(5)所示。

(5)

式中：Γ(·)為伽馬函數(shù)。p(x)含有參數(shù)自由度m，函數(shù)曲線形態(tài)與自由度m的大小有關(guān)。m值越小，其曲線越平坦，中間越低，雙側(cè)尾部越上翹。m→∞時(shí)，p(x)→N(0,1)；m=1時(shí)，p(x)=C(0,1)。其中，N(0,1)為高斯分布，期望為0，方差為1；C(0,1)為柯西分布，期望不存在，方差無(wú)限大[19]。m=1，m=2，m→∞時(shí)的p(x)函數(shù)如圖1所示。

圖1 t分布概率密度函數(shù)

文中利用t分布對(duì)麻雀?jìng)€(gè)體位置進(jìn)行變異，提高種群搜索能力。但t分布作用于算法時(shí)，在迭代過(guò)程中也存在變異程度超出范圍，導(dǎo)致局部收斂較弱的問(wèn)題。文中定義自適應(yīng)因子θ，利用θ對(duì)t分布的變異程度進(jìn)行控制，定義如下：

(6)

式中:pT為限制因子，以迭代次數(shù)T作為其指數(shù)，用于控制迭代開(kāi)始時(shí)的變異幅度，避免算法運(yùn)行初期，變異幅度過(guò)大導(dǎo)致局部收斂失效，文中設(shè)定p=0.5。迭代過(guò)程中，θ值非線性減小，其發(fā)揮的作用也隨之減弱。

根據(jù)定義，文中對(duì)麻雀?jìng)€(gè)體位置Xi=[xi1xi2…xiD]進(jìn)行自適應(yīng)t分布變異：

X′i=Xi+θXit(Titer)

(7)

式中：Xi為變異前第i只麻雀?jìng)€(gè)體位置；X′i為變異后第i只麻雀?jìng)€(gè)體位置；t(Titer)為以算法的最大迭代次數(shù)Titer為自由度的自適應(yīng)t分布。式(7)在Xi的基礎(chǔ)上增加了隨機(jī)干擾項(xiàng)θXit(Titer)，充分利用當(dāng)前種群信息進(jìn)行干擾。在算法運(yùn)行初期，X′i具有較強(qiáng)的全局搜索能力，有助于算法脫離局部最優(yōu)；在算法運(yùn)行末期，X′i具有較強(qiáng)的局部搜索能力，收斂于全局極值點(diǎn)，同時(shí)也提高了收斂速度，從而增強(qiáng)了算法搜索能力。

1.4 RMSSA

RMSSA彌補(bǔ)了SSA在應(yīng)用中可能陷入局部收斂的不足，其核心思想為：建立初始麻雀種群時(shí)，產(chǎn)生反向種群，在2個(gè)種群中保留優(yōu)秀個(gè)體進(jìn)入迭代計(jì)算。本次迭代結(jié)束后，按照變異概率再次選擇優(yōu)秀個(gè)體，引入最大迭代次數(shù)Titer為參數(shù)自由度的隨機(jī)干擾項(xiàng)θXit(Titer)，對(duì)當(dāng)前種群信息進(jìn)行干擾，使優(yōu)秀麻雀?jìng)€(gè)體可以脫離局部極值點(diǎn)的限制，收斂于全局極值點(diǎn)，同時(shí)也提高了尋優(yōu)搜索能力。RMSSA的求解流程如圖2所示。

圖2 RMSSA流程

2 微電網(wǎng)優(yōu)化調(diào)度模型

2.1 微電網(wǎng)基本結(jié)構(gòu)

以某微電網(wǎng)為例，如圖3所示。分布式電源包括光伏(photovoltaic,PV)、風(fēng)力發(fā)電機(jī)(wind turbine,WT)、燃料電池(fuel cell,FC)、柴油發(fā)電機(jī)(diesel generators,DG)、蓄電池(battery,BT)、微型燃?xì)廨啓C(jī)(micro gas turbine,MT)，輸出部分包括交流負(fù)荷和直流負(fù)荷。

圖3 微電網(wǎng)系統(tǒng)基本結(jié)構(gòu)

2.2 分布式電源模型

2.2.1 WT發(fā)電模型

WT的輸出功率與風(fēng)速關(guān)系呈非線性，此處風(fēng)速指風(fēng)力機(jī)輪轂位置的平均風(fēng)速[20]，其輸出功率為：

(8)

式中：PWT(t)為WT的輸出功率；Pr為機(jī)組的額定功率；vi，vr，vc分別為WT的啟動(dòng)風(fēng)速、額定風(fēng)速和截止風(fēng)速。為體現(xiàn)設(shè)備磨損對(duì)輸出影響，引入威布爾分布參數(shù)w。文中取vi=3 m/s，vr=12 m/s，vc=25 m/s，w=3。

2.2.2 PV發(fā)電模型

PV發(fā)電的輸出功率可由光照強(qiáng)度、環(huán)境溫度等決定，文中設(shè)定PV電池工作時(shí)表面溫度為T(mén)c=25 ℃，光輻射量GAC=800 W/m2，其輸出功率為：

(9)

式中：PPV(t)為PV電池板的輸出功率；PSTC為PV電池板的額定容量；f為降額因子，表示電池衰減和塵土對(duì)PV電池的影響系數(shù)，文中取0.95；αp為功率溫度系數(shù), 其值為-0.47 %/K；TSTC，GSTC分別為標(biāo)準(zhǔn)測(cè)試條件下的溫度與光照強(qiáng)度，文中分別取25 ℃和1 000 W/m2。

2.2.3 DG發(fā)電模型

DG具有可靠性高，運(yùn)行檢修技術(shù)成熟等特點(diǎn)。當(dāng)其他單元發(fā)電量不足時(shí)，DG在微電網(wǎng)中可以進(jìn)行補(bǔ)充。在任意負(fù)載下，其發(fā)電所需的燃料消耗為二次函數(shù)形式[21]。DG的燃燒成本為：

(10)

式中：PDG為DG的輸出功率；a，b，c為燃燒成本系數(shù)；Δt為間隔時(shí)間。

2.2.4 MT發(fā)電模型

MT以天然氣為燃料，具有體積小、排放低、噪音污染輕等特點(diǎn)。MT的燃燒成本為：

(11)

式中：Qg為天然氣的價(jià)格；LHVg為天然氣的低位熱值；PMT(t)為MT的輸出功率；ηMT為MT的輸出效率。

2.2.5 FC發(fā)電模型

FC是一種把燃料所具有的化學(xué)能直接轉(zhuǎn)換成電能的發(fā)電裝置。FC用燃料和氧氣作為原料，其啟動(dòng)時(shí)間短、功率密度高[22]。文中采用甲醇作為FC的燃料，運(yùn)行成本為：

(12)

式中：Qm為甲醇的價(jià)格；LHVm為甲醇的低位熱值；PFC(t)為FC的輸出功率；ηFC為FC的輸出效率。

2.2.6 BT充放電模型

微電網(wǎng)需要儲(chǔ)能裝置來(lái)平抑其輸出功率的波動(dòng)，以提高穩(wěn)定性，因此BT作為儲(chǔ)能裝置得到了廣泛應(yīng)用。BT的性能指標(biāo)主要為容量、充電功率、放電功率、荷電狀態(tài)，在調(diào)度周期內(nèi)分為充電階段和放電階段，由此建立BT充、放電模型：

(13)

式中：δ為能量自損率；CSOC(t)為BT在t時(shí)段的容量；EBT為BT的額定容量；PBT(t)為BT在t時(shí)段的瞬時(shí)功率，在BT放電時(shí)為正，充電時(shí)為負(fù)；ηc，ηd分別為其充、放電效率。

2.3 目標(biāo)函數(shù)

以每個(gè)自然日為一個(gè)優(yōu)化周期，設(shè)定T=24， Δt=1 h。微電網(wǎng)優(yōu)化調(diào)度的目標(biāo)函數(shù)計(jì)及燃料成本、維護(hù)成本、環(huán)境成本、電網(wǎng)交互成本。

燃料成本CF包括MT、DG、FC運(yùn)行過(guò)程中使用燃料的成本，計(jì)算如下：

(14)

微電網(wǎng)內(nèi)各分布式電源設(shè)備均存在維護(hù)成本CM，計(jì)算如下：

(15)

式中：N為微電網(wǎng)內(nèi)分布式電源設(shè)備種類數(shù)；Kn為第n種設(shè)備的維護(hù)成本系數(shù)；Pn(t)為第n種分布式電源設(shè)備t時(shí)段內(nèi)的輸出有功功率。

微電網(wǎng)需要承擔(dān)污染物排放后的環(huán)境治理費(fèi)用，以環(huán)境成本CE表示。PV、WT發(fā)電污染排放可忽略不計(jì)，污染物主要來(lái)源于DG、MT、FC工作產(chǎn)生的一氧化碳、一氧化氮、二氧化硫。環(huán)境成本的計(jì)算如下：

(16)

式中：M為污染物種類數(shù)；Y為產(chǎn)生污染物的設(shè)備數(shù)；Hn,y為第n種設(shè)備輸出單位有功功率產(chǎn)生的第y種污染物重量；Dn,y為處理每單位重量此種污染物的成本。

微電網(wǎng)通過(guò)與大電網(wǎng)進(jìn)行購(gòu)電與售電，產(chǎn)生電網(wǎng)交互成本CI，計(jì)算如下：

(17)

式中：Pgrid(t)為微電網(wǎng)與大電網(wǎng)之間的交互功率；Cgrid(t)為微電網(wǎng)向大電網(wǎng)購(gòu)電或售電產(chǎn)生的動(dòng)態(tài)電價(jià)。

以綜合運(yùn)行成本f最低為微電網(wǎng)優(yōu)化調(diào)度的目標(biāo)，可得目標(biāo)函數(shù)為：

f=min(CF+CM+CE+CI)

(18)

2.4 約束條件

2.4.1 功率平衡約束

正常工作時(shí)，微電網(wǎng)內(nèi)各電源提供的功率與負(fù)荷功率相等。

(19)

式中：Pload(t)為負(fù)荷功率。當(dāng)Pgrid(t)>0時(shí)，微電網(wǎng)向大電網(wǎng)購(gòu)電；當(dāng)Pgrid(t)<0時(shí)，微電網(wǎng)向大電網(wǎng)售電。

2.4.2 交互功率約束

由于大電網(wǎng)、輸電線路等設(shè)備均存在功率上限，交互功率約束范圍定義如下：

Pgrid,min≤Pgrid(t)≤Pgrid,max

(20)

式中：Pgrid,min，Pgrid,max分別為交互功率約束最小值和最大值。

2.4.3 發(fā)電單元出力約束

PV、WT、MT、FC、DG作為分布式電源，輸出有功功率均有限，定義有功出力約束如下：

Pn,min≤Pn(t)≤Pn,max

(21)

式中：Pn,min，Pn,max分別為各分布式電源功率約束最小值和最大值。

2.4.4 BT充、放電約束

BT在充電末期電壓上升速率較快，在放電末期電壓下降速率也較快，因此過(guò)充、過(guò)放均會(huì)導(dǎo)致正極不可逆反應(yīng)及電解液分解，減少BT的工作壽命[23]，因此BT一般不會(huì)充電至最滿、放電至耗盡，定義BT充、放電約束如下：

CSOC,min≤CSOC(t)≤CSOC,max

(22)

式中：CSOC,max,CSOC,min分別為BT容量上、下限。

2.4.5 爬坡速率約束

MT、DG與FC的輸出功率變化率均有限，定義爬坡速率約束如下：

(23)

式中：PMT(t)，PMT(t+Δt)分別為t和t+Δt時(shí)段MT輸出功率；PMT,down，PMT,up分別為MT爬坡速率最小、最大值；PDG(t)，PDG(t+Δt)分別為t和t+Δt時(shí)段DG輸出功率；PDG,down，PDG,up分別為DG爬坡速率最小、最大值；PFC(t)，PFC(t+Δt)分別為t和t+Δt時(shí)段FC輸出功率；PFC,down，PFC,up分別為FC爬坡速率最小、最大值。

3 算例仿真

3.1 微電網(wǎng)基本參數(shù)

文中將微電網(wǎng)優(yōu)化調(diào)度模型作為算例進(jìn)行仿真分析。設(shè)定DG的燃燒成本系數(shù)a=6，b=0.12，c=0.000 85，其爬坡速率最大、最小值分別為12 kW/min，-12 kW/min；BT的CSOC(t)初始值為0.4，CSOC,min=0.2，CSOC,max=0.8；FC的爬坡速率最大、最小值分別為10 kW/min，-10 kW/min；MT的爬坡速率最大、最小值分別為15 kW/min，-15 kW/min；微電網(wǎng)與大電網(wǎng)之間的交互功率約束為100 kW。表1、表2分別為各分布式電源有關(guān)參數(shù)和其產(chǎn)生的污染物相關(guān)排放參數(shù)，表3為微電網(wǎng)所在地的分時(shí)電價(jià)。

表1 各分布式電源有關(guān)參數(shù)

表3 分時(shí)電價(jià)參數(shù)

風(fēng)力與PV作為可再生能源，不消耗化石燃料，對(duì)環(huán)境幾乎無(wú)污染，并且輸出具有隨機(jī)性和不可控性，因此在微電網(wǎng)調(diào)度中應(yīng)優(yōu)先出力。微電網(wǎng)的日

負(fù)荷曲線、WT出力曲線、PV出力曲線見(jiàn)圖4。

圖4 負(fù)荷、WT及PV出力曲線

3.2 仿真結(jié)果與分析

根據(jù)文中建立的微電網(wǎng)優(yōu)化調(diào)度模型，設(shè)定麻雀種群初始參數(shù)，如表4所示，采用RMSSA進(jìn)行求解，并將尋優(yōu)結(jié)果與SSA、蝙蝠算法(bat algorithm,BAT)、灰狼算法(grey wolf optimizer,GWO)進(jìn)行對(duì)比分析。各算法設(shè)定相同的個(gè)體數(shù)與迭代次數(shù)，迭代所得適應(yīng)度值即為優(yōu)化所得的日綜合運(yùn)行成本，迭代尋優(yōu)過(guò)程對(duì)比如圖5所示。

表4 麻雀種群初始參數(shù)

圖5 迭代過(guò)程對(duì)比

由圖5可知，迭代尋優(yōu)初期，SSA、GWO、BAT均陷入局部最優(yōu)，收斂速度下降，其中BAT最為嚴(yán)重，SSA與GWO嚴(yán)重程度相似。RMSSA不易陷入局部最優(yōu)，收斂速度更快，最早得到穩(wěn)定的全局最優(yōu)解；當(dāng)所有算法均達(dá)到全局最優(yōu)時(shí)，RMSSA所得適應(yīng)度值最小，尋優(yōu)精準(zhǔn)度最高。因此，RMSSA較其他算法在收斂速度與尋優(yōu)精度方面具有優(yōu)勢(shì)。

為比較幾種算法求解結(jié)果的穩(wěn)定性，將50次仿真實(shí)驗(yàn)結(jié)果繪制成曲線進(jìn)行對(duì)比，如圖6所示。50次實(shí)驗(yàn)所得的均值、標(biāo)準(zhǔn)差、最小值、中位數(shù)的對(duì)比結(jié)果見(jiàn)表5。

圖6 算法穩(wěn)定性曲線

表5 算法求解結(jié)果對(duì)比

由圖6和表5可知，BAT穩(wěn)定性曲線波動(dòng)最大，求解結(jié)果最差；SSA由于陷入局部收斂，尋優(yōu)缺少隨機(jī)性，求解結(jié)果穩(wěn)定性較差，精度較低；GWO在求解過(guò)程中穩(wěn)定性與精準(zhǔn)度較BAT和SSA有所提高；RMSSA 相比其他算法在均值、標(biāo)準(zhǔn)差、最小值、中位數(shù)方面均具有優(yōu)勢(shì)，穩(wěn)定性曲線較平穩(wěn)，求解穩(wěn)定性最高。取RMSSA求解結(jié)果最小值，得微電網(wǎng)日綜合運(yùn)行成本為4 509.82元，其中，燃料成本為2 870.87元，維護(hù)成本為313.18元，環(huán)境成本為923.75元，交互成本為399.27元。

圖7和圖8分別為各分布式電源出力曲線和微電網(wǎng)與大電網(wǎng)之間的電能交互情況。

圖7 分布式電源出力曲線

圖8 電能交互情況

由圖7、圖8可知，當(dāng)負(fù)荷處于較低位，且風(fēng)、光資源較為充足時(shí)，以13:00—14:00為例，微電網(wǎng)內(nèi)部可再生能源發(fā)電和蓄電池放電可滿足負(fù)荷大部分電能需求，存在污染的FC、DG、MT總體出力較多，向大電網(wǎng)購(gòu)電的量處于低位，同時(shí)可將過(guò)剩的電能銷(xiāo)售至大電網(wǎng)獲利；夜間由于光照較弱，可再生能源發(fā)電量較少，以18:00—23:00為例，微電網(wǎng)內(nèi)部FC、DG、MT出力增加，并向大電網(wǎng)采購(gòu)一定電量滿足負(fù)荷；在其余時(shí)間，綜合分析燃料成本、維護(hù)成本、交互成本與環(huán)境成本，優(yōu)化微電網(wǎng)內(nèi)部的分布式電源出力，適時(shí)向大電網(wǎng)購(gòu)電與售電，以實(shí)現(xiàn)效益最大化的調(diào)度方案。

4 結(jié)論

針對(duì)傳統(tǒng)優(yōu)化算法存在的不足，在SSA的基礎(chǔ)上提出了RMSSA，有效提升了原算法的尋優(yōu)搜索能力。應(yīng)用RMSSA對(duì)微電網(wǎng)優(yōu)化調(diào)度模型進(jìn)行求解，并與SSA、GWO、BAT進(jìn)行性能對(duì)比，得出以下結(jié)論：

(1) 在收斂速度和求解精度方面，RMSSA的收斂速度更快、精度較其他算法有所提高；

(2) 在穩(wěn)定性方面，根據(jù)對(duì)結(jié)果均值、標(biāo)準(zhǔn)差、中位數(shù)等參數(shù)的比較，RMSSA具有更高的穩(wěn)定性；

(3) RMSSA的性能具有優(yōu)勢(shì)，可以有效降低微電網(wǎng)的綜合運(yùn)行成本。