含混合儲(chǔ)能的微電網(wǎng)能量?jī)?yōu)化管理

張政林， 張惠娟， 孫文治， 謝波， 李玲玲

(河北工業(yè)大學(xué)省部共建電工裝備可靠性與智能化國(guó)家重點(diǎn)實(shí)驗(yàn)室， 天津 300130)

微電網(wǎng)的系統(tǒng)結(jié)構(gòu)按照設(shè)備類型和與大電網(wǎng)的交互方式可分為并網(wǎng)型和孤島型，微電網(wǎng)中的新能源發(fā)電具有較強(qiáng)的隨機(jī)性和波動(dòng)性，如何平抑新能源系統(tǒng)的能量波動(dòng)是研究的首要任務(wù)。在孤島型微電網(wǎng)中，通過(guò)大規(guī)模的儲(chǔ)能設(shè)備平抑新能源出力，但是大規(guī)模的儲(chǔ)能設(shè)備造價(jià)較高，在并網(wǎng)型微電網(wǎng)中，可通過(guò)大電網(wǎng)平抑新能源的出力波動(dòng)，但是造成了電網(wǎng)潛在的波動(dòng)隱患，因此，采用新型儲(chǔ)能設(shè)備平抑新能源發(fā)電波動(dòng)十分重要。

隨著新能源技術(shù)的發(fā)展以及國(guó)家大力開(kāi)展微電網(wǎng)項(xiàng)目，國(guó)內(nèi)外學(xué)者做了大量有關(guān)多源微電網(wǎng)容量?jī)?yōu)化的研究，文獻(xiàn)[1-2]針對(duì)獨(dú)立型微電網(wǎng)進(jìn)行容量?jī)?yōu)化，獨(dú)立型微電網(wǎng)所需的建設(shè)新能源發(fā)電設(shè)備成本較高；文獻(xiàn)[3-8]是對(duì)并網(wǎng)型微電網(wǎng)進(jìn)行優(yōu)化，對(duì)于新能源出力功率波動(dòng)這一問(wèn)題，為大電網(wǎng)安全運(yùn)行帶來(lái)隱患，未能從內(nèi)部裝置本身進(jìn)行處理；很多學(xué)者通過(guò)融合不同的儲(chǔ)能裝置組成混合型儲(chǔ)能裝置，文獻(xiàn)[9-10]采用混合儲(chǔ)能參與微電網(wǎng)的運(yùn)行，并在多種評(píng)價(jià)指標(biāo)下對(duì)微電網(wǎng)進(jìn)行優(yōu)化求解；文獻(xiàn)[11]提出了利用儲(chǔ)能系統(tǒng)實(shí)現(xiàn)可再生能源微電網(wǎng)靈活安全運(yùn)行；近幾年的研究中，采用多種儲(chǔ)能設(shè)備組成的混合儲(chǔ)能設(shè)備參與微電網(wǎng)能量?jī)?yōu)化，已經(jīng)逐漸代替了單一儲(chǔ)能設(shè)備，文獻(xiàn)[12-16]針對(duì)不同的優(yōu)化目標(biāo)和評(píng)價(jià)指標(biāo)對(duì)混合儲(chǔ)能在微電網(wǎng)中的應(yīng)用進(jìn)行研究驗(yàn)證，但是在混合儲(chǔ)能設(shè)備的運(yùn)行策略和目標(biāo)求解方面還有較大的提升空間。

在上述研究的基礎(chǔ)上，現(xiàn)構(gòu)建一種包含風(fēng)力、光伏、混合儲(chǔ)能和柴油發(fā)電機(jī)的并網(wǎng)型微電網(wǎng)能量管理模型，將超級(jí)電容和蓄電池集合組成混合儲(chǔ)能，制定二者相互配合的調(diào)度策略，共同完成對(duì)新能源出力的平抑任務(wù)。通過(guò)對(duì)比不同的供能策略所產(chǎn)生的綜合成本，制定風(fēng)/光/混儲(chǔ)/網(wǎng)/柴依次供能策略。采用Tent混沌映射改進(jìn)初始化種群，增設(shè)對(duì)比分析階段來(lái)提高搜索空間和捕獲位置質(zhì)量，利用Lévy飛行策略輔助擺脫迭代停滯等方法改進(jìn)禿鷹搜索算法(bald eagle search algorithm, BES)。最后，采用改進(jìn)BES算法和多種供能策略對(duì)能量管理模型的最優(yōu)配置進(jìn)行求解和分析，以驗(yàn)證所提出的能量管理模型和改進(jìn)算法的有效性。

1 分布式電源模型

1.1 風(fēng)力發(fā)電機(jī)

風(fēng)力發(fā)電機(jī)的輸出功率PWG與風(fēng)速v有關(guān)，具體表達(dá)式為

(1)

式(1)中：vin為切入風(fēng)速；vN為額定風(fēng)速；vout為切出風(fēng)速；PWGN為額定輸出功率。

1.2 光伏發(fā)電

溫度和光輻射強(qiáng)度是影響光伏發(fā)電的主要因素，光伏發(fā)電輸出功率PPV的出力表達(dá)式為

(2)

式(2)中：PPVN為標(biāo)準(zhǔn)測(cè)試條件下(TSTC=25 ℃，GSTC=1 000 W/m2)下的額定功率；k為功率溫度系數(shù)；T為環(huán)境溫度；G為光輻射強(qiáng)度。

1.3 混合儲(chǔ)能

混合儲(chǔ)能一般采用多種功能互補(bǔ)的儲(chǔ)能器件組成，采用超級(jí)電容器(super capacitor，SC)和蓄電池(battery，B)組成混合儲(chǔ)能設(shè)備。

SC和B的充/放電狀態(tài)表達(dá)式為

(3)

(4)

式中：f為SC時(shí)，式(3)和式(4)分別表示超級(jí)電容器的充/放電公式；f為B時(shí)，式(3)和式(4)分別表示蓄電池的充/放電公式；Ef(t)和Ef(t-1)分別為t和t-1時(shí)刻的剩余電量；εf為自放電率；Pf,c(t)、Pf,d(t)分別為t時(shí)刻的充、放電功率；ηf,c、ηf,d分別為充、放電效率。

1.4 柴油發(fā)電機(jī)

柴油發(fā)電機(jī)作為穩(wěn)定型分布式電源，耗油量與輸出功率具體關(guān)系式為

FDG=aPDGN+bPDG

(5)

式(5)中：FDG為耗油量；PDG為輸出功率；PDGN為額定輸出功率；a、b為出力系數(shù)。

2 微電網(wǎng)的運(yùn)行策略

能量管理系統(tǒng)依據(jù)新能源產(chǎn)能與負(fù)荷之間的差值，設(shè)定各電源承擔(dān)的出力任務(wù)，運(yùn)行策略如圖1所示。

圖1 微電網(wǎng)的運(yùn)行策略Fig.1 Operation strategy of the microgrid

如圖1所示，微電網(wǎng)依據(jù)實(shí)時(shí)的不平衡功率Punb(t)進(jìn)行混合儲(chǔ)能合理調(diào)度，不平衡功率表達(dá)式為

Punb(t)=PWG(t)+PPV(t)-PLoad(t)

(6)

式(6)中：PLoad(t)為電負(fù)荷功率。

當(dāng)新能源發(fā)電量大于電負(fù)荷時(shí)，超級(jí)電容器優(yōu)先進(jìn)入充電狀態(tài)，如果超級(jí)電容器無(wú)法平抑多余電能，蓄電池參與電能消納過(guò)程，如果蓄電池參與后仍無(wú)法實(shí)現(xiàn)電能平衡，多余的電能只能售給電網(wǎng)。當(dāng)新能源的發(fā)電量無(wú)法滿足負(fù)荷要求時(shí)，超級(jí)電容器先進(jìn)入放電狀態(tài)，補(bǔ)償微電網(wǎng)的電能缺額，如果超級(jí)電容器釋放電量無(wú)法滿足電能缺額，蓄電池再進(jìn)入釋放電能階段，如果混合儲(chǔ)能設(shè)備無(wú)法提供足夠的電能，電網(wǎng)和柴油發(fā)電機(jī)相繼提供電能，消除電能缺額。

3 微電網(wǎng)容量配置模型

3.1 目標(biāo)函數(shù)

微電網(wǎng)能量管理模型的目標(biāo)函數(shù)為綜合成本HALL，具體表達(dá)式為

min(HALL)=HIIC+HOC+HERC+HNTC+HDGC

(7)

HDGC=HDG+HP

(8)

式中：HIIC為初期投資成本；HOC為運(yùn)行成本；HERC為設(shè)備更換成本；HNTC為與電網(wǎng)之間電能交易成本；HDGC為柴油發(fā)電機(jī)產(chǎn)生的費(fèi)用,包括消耗柴油費(fèi)用HDG和污染環(huán)境的懲罰費(fèi)用HP。

3.1.1 等日值投資成本

(9)

(10)

(11)

(12)

式中：HIIC(i)、HOC(i)和HERC(i)分別為第i類設(shè)備的初期投資成本、運(yùn)行成本、設(shè)備更換成本；c(ri,di)為折舊系數(shù)，其中ri和di分別為第i類設(shè)備的貼現(xiàn)率和壽命；CIIC(i)、COC(i)和CERC(i)分別為第i類設(shè)備的初期投資成本、運(yùn)行成本、更換成本；N為分布式設(shè)備的類型數(shù)；n(i)為第i類設(shè)備總數(shù)量；P(i)為第i類設(shè)備的輸出功率。

3.1.2 消耗柴油成本

(13)

式(13)中：FDG(t)為t時(shí)刻耗油量，L；pdie為柴油價(jià)格，L/元；T為時(shí)間，取24 h。

3.1.3 污染環(huán)境懲罰費(fèi)用

柴油發(fā)電機(jī)正常運(yùn)行會(huì)產(chǎn)生CO2、NO、SO2等污染環(huán)境的廢氣，按其繳納相應(yīng)的處罰金，處罰金成本HP的表達(dá)式為

(14)

式(14)中：nDG為柴油發(fā)電機(jī)的數(shù)量；PDG為柴油發(fā)電機(jī)的額定功率；n為污染氣體的種類數(shù)量；g(j)為第j類污染氣體的排放量，mg/kW；h(j)為第j類污染氣體的處罰金，元/mg。

3.1.4 電網(wǎng)交易成本

(15)

式(15)中：CBuy(t)和CSell(t)分別為t時(shí)刻購(gòu)電和售電電價(jià)，元/(kW·h)；PBuy(t)和PSell(t)分別為t時(shí)刻購(gòu)電和售電功率，kW。

3.2 評(píng)價(jià)指標(biāo)

3.2.1 自治率

自治率反映微電網(wǎng)中新能源設(shè)備產(chǎn)能、儲(chǔ)能設(shè)備出力以及柴油發(fā)電機(jī)輸出電能滿足負(fù)荷需求的程度，表達(dá)式為

(16)

3.2.2 新能源設(shè)備利用率

(17)

3.3 約束條件

微電網(wǎng)中分布式電源的產(chǎn)能與負(fù)荷耗能平衡條件，忽略線路功率損耗，表達(dá)式為

PWG(t)+PPV(t)+PSC,d(t)+PB,d(t)+

PBuy(t)+PDG(t)=PLoad(t)+PSell(t)+

PSC,c(t)+PB,c(t)

(18)

式(18)中：PSC,c(t)、PSC,d(t)、PB,c(t)、PB,d(t)分別為t時(shí)刻超級(jí)電容器、蓄電池的充/放電功率。

超級(jí)電容器SC和蓄電池B的剩余電量和充/放電功率約束條件為

(19)

式(19)中：f為SC和B；ESC(t)、EB(t)分別為t時(shí)刻SC、B的剩余電量；ESC,max和ESC,min、EB,max和EB,min分別為SC和B的電量上/下限。

微電網(wǎng)與大電網(wǎng)之間能量交易約束條件為

(20)

式(20)中：PSell,max和PBuy,max分別為售電和購(gòu)電功率上限。

柴油發(fā)電機(jī)的出力約束條件為

PDG,min≤PDG(t)≤PDG,max

(21)

式(21)中：PDG,max和PDG,min分別為柴油發(fā)電機(jī)的輸出功率上下限。

4 禿鷹算法

4.1 標(biāo)準(zhǔn)的禿鷹算法

禿鷹算法[17](bald eagle search algorithm, BES)是一種基于種群的啟發(fā)式智能優(yōu)化算法，具有尋優(yōu)能力強(qiáng)、收斂速度快等優(yōu)點(diǎn)。BES算法通過(guò)模擬禿鷹種群狩獵探尋問(wèn)題的最優(yōu)解，狩獵過(guò)程分成3個(gè)階段：選擇搜索空間、搜索捕獵位置、俯沖捕獲獵物。

4.1.1 選擇搜索空間

禿鷹的搜索空間位置更新策略表達(dá)式為

Xnew(t)=XGBest+αr[Xmean-X(t)]

(22)

式(22)中：Xnew(t)為第t次迭代更新之后的位置；XGBest為全局最優(yōu)位置；α為控制位置變化系數(shù)，變化范圍為[1.5, 2]；r為在[0, 1]的隨機(jī)數(shù)；Xmean為種群的平均位置；X(t)為更新之前的位置。

4.1.2 搜索捕獵位置

禿鷹在選定的搜索空間范圍內(nèi)搜索獵物信息，并且以螺旋形狀飛行尋找最佳的俯沖捕獵位置，表達(dá)式為

Xnew(t)=X(t)+x(t)[X(t)-Xmean]+y(t)[X(t)-X(t+1)]

(23)

式(23)中：X(t+1)為第t+1次迭代時(shí)禿鷹預(yù)定抵達(dá)位置；x(t)和y(t)分別為第t次迭代時(shí)禿鷹螺旋飛行的位置極坐標(biāo)，取值范圍為[-1, 1]。

4.1.3 俯沖捕獲獵物

禿鷹從捕食位置快速俯沖捕食獵物，種群中的其他禿鷹也同時(shí)向最佳捕食位置移動(dòng)并攻擊最佳目標(biāo)，禿鷹運(yùn)動(dòng)方式的表達(dá)式為

Xnew(t)=r3XGBest+δx+δy

(24)

(25)

式中：r3為[0, 1]的隨機(jī)數(shù)；δx(t)、δy(t)分別為俯沖階段中的禿鷹位置；c1、c2分別為禿鷹向種群平均位置和最佳位置的運(yùn)動(dòng)強(qiáng)度，取值范圍均為[1, 2]；x1(t)和y1(t)分別為第t次迭代時(shí)禿鷹俯沖捕食的位置極坐標(biāo)，取值范圍為[-1, 1]。

4.2 改進(jìn)禿鷹算法

BES算法在選擇搜索空間和搜索捕獵位置過(guò)程中缺乏分析比較過(guò)程，采用以下策略來(lái)改善BES算法性能。首先，采用Tent混沌映射初始化種群，使初始種群均勻散布在自變量空間內(nèi)；其次，對(duì)選擇的搜索空間和捕獵位置分別進(jìn)行排序，對(duì)次優(yōu)搜索空間和次優(yōu)捕獲獵物位置分別重新搜索；最后，當(dāng)算法陷入停滯時(shí)，禿鷹種群采用Lévy飛行策略探索新的種群位置，增加算法跳出局部最優(yōu)解的可能性。改進(jìn)BES算法的求解流程圖如圖2所示。

圖2 改進(jìn)BES算法工作流程Fig.2 The workflow of the improved BES algorithm

4.2.1 Tent混沌初始化種群策略

智能算法采用隨機(jī)策略產(chǎn)生的初始種群，其適應(yīng)度值存在很大的隨機(jī)性，采用Tent混沌映射產(chǎn)生的初始種群在自變量空間內(nèi)分布更加均勻，分別采用隨機(jī)取值和混沌映射方程進(jìn)行50次迭代，對(duì)其進(jìn)行統(tǒng)計(jì)分析，結(jié)果如圖3所示。

圖3 兩種取值方案的均勻度Fig.3 Uniformity of two value schemes

由圖3可知，Rand隨機(jī)取值策略對(duì)接近0和1的取值概率極低，其結(jié)果主要集中在[0.1, 0.8]；Tent混沌映射取值較為均勻，尤其是取值接近0和1的概率明顯增加。

Tent混沌映射的數(shù)學(xué)表達(dá)式為

(26)

式(26)中：e1和e2均為[0, 1]的隨機(jī)數(shù)。

4.2.2 搜索空間對(duì)比階段

在選擇搜索空間階段時(shí)，禿鷹種群按適應(yīng)度值進(jìn)行排序，取種群中前1/10的禿鷹為精英禿鷹，其余為普通禿鷹，普通禿鷹重新探索新的搜索空間，采用位置更新策略的數(shù)學(xué)表達(dá)式為

Xnew1(j)=Ll+l1(Lu-Ll)

(27)

式(27)中：Xnew1(j)為第j只禿鷹更新后的位置；Ll、Lu為探索空間的上、下界；l1為[0, 1]的隨機(jī)值。

4.2.3 捕獵位置對(duì)比階段

在搜索捕獵位置過(guò)程結(jié)束之后，按種群適應(yīng)度更新種群中的精英和普通禿鷹，保留精英禿鷹的捕獵位置，普通禿鷹重新搜索捕獵位置，搜索方式的數(shù)學(xué)表達(dá)式為

Xnew2(g)=X(g)+l2Z(g)

(28)

式(28)中：Xnew2(g)為第g只禿鷹更新后的捕獵位置；X(g)為第g只禿鷹更新前的捕獵位置；l2為服從正態(tài)分布N(0, 1)的隨機(jī)數(shù)；Z為與X同型的全1矩陣。

4.2.4 Lévy飛行策略跳出停滯策略

在算法迭代尋優(yōu)過(guò)程中，比較連續(xù)兩次算法迭代最優(yōu)解的適應(yīng)度值，判斷算法是否陷入停滯，如果算法處于停滯狀態(tài)，此時(shí)整個(gè)禿鷹種群的位置信息采用Lévy飛行策略搜索新的位置信息，增強(qiáng)個(gè)體位置的差異度。

Xnew3(s)=XGBest+XGBestLévy(dim)

(29)

式(29)中：Xnew3(s)為種群中第s只禿鷹采用Lévy飛行策略搜索之后的位置；dim為變量的維數(shù)，Lévy為萊維飛行函數(shù)，表達(dá)式為

(30)

(31)

式中：Γ()為伽馬函數(shù)；h、r為服從U(0, 1)的隨機(jī)數(shù)；ξ取值為1.5。

5 實(shí)例仿真分析

采用某地區(qū)4個(gè)典型日時(shí)的天氣條件和微電網(wǎng)的負(fù)荷作為運(yùn)算數(shù)據(jù)，驗(yàn)證能量管理模型、供能策略以及算法的求解能力。分布式電源的成本和相關(guān)成本系數(shù)如表1所示，分時(shí)電價(jià)如表2所示。

表1 分布式電源的成本和相關(guān)成本系數(shù)Table 1 The cost and associated cost coefficients of the distributed power supply

表2 分時(shí)電價(jià)Table 2 Time-of-use electricity price

5.1 微電網(wǎng)模型對(duì)比

在相同測(cè)試條件下，采用改進(jìn)BES算法分別計(jì)算3種微電網(wǎng)在全年典型日時(shí)的微電網(wǎng)綜合投資成本，結(jié)果如表3所示。微電網(wǎng)Ⅰ為了含風(fēng)/光/儲(chǔ)/網(wǎng)/

表3 微電網(wǎng)綜合成本Table 3 Comprehensive cost of the microgrid

柴的微電網(wǎng)，微電網(wǎng)Ⅱ?yàn)楹L(fēng)/光/柴/混儲(chǔ)/網(wǎng)的微電網(wǎng)，微電網(wǎng)Ⅲ為含風(fēng)/光/混儲(chǔ)/網(wǎng)/柴的微電網(wǎng)。

由表3可知，在微電網(wǎng)Ⅲ中，春季時(shí)的綜合成本比夏季時(shí)高51.45%，比秋季時(shí)低34.06%，比冬季時(shí)高9.94%，由此可得：同一個(gè)微電網(wǎng)在不同季節(jié)時(shí)的經(jīng)濟(jì)成本差異比較大。在春、夏、秋、冬4個(gè)季節(jié)時(shí)，微電網(wǎng)Ⅲ的綜合成本比微電網(wǎng)Ⅰ小37.01%、30.12%、21.97%和23.82%，所以微電網(wǎng)在使用混合儲(chǔ)能時(shí)比傳統(tǒng)儲(chǔ)能設(shè)備更能節(jié)約成本。在不同季節(jié)時(shí)，微電網(wǎng)Ⅲ的綜合成本比微電網(wǎng)Ⅱ小1.76%、112.84%、36.97%和111.51%，所以微電網(wǎng)在優(yōu)先使用電網(wǎng)電能補(bǔ)充電能差額比優(yōu)先使用柴油發(fā)電機(jī)時(shí)大幅度節(jié)約經(jīng)濟(jì)成本。

由表4可知，微電網(wǎng)Ⅲ在冬季時(shí)經(jīng)濟(jì)成本分別比微電網(wǎng)Ⅰ和微電網(wǎng)Ⅱ小23.82%和115.09%；3個(gè)微電網(wǎng)中，微電網(wǎng)Ⅱ的自治率為100%，實(shí)現(xiàn)微電網(wǎng)與電網(wǎng)沒(méi)有電能交互，微電網(wǎng)I和微電網(wǎng)Ⅲ均與電網(wǎng)之間交易電能，并且微電網(wǎng)Ⅲ的自治率最低；微電網(wǎng)Ⅱ的新能源利用率最高，微電網(wǎng)Ⅲ的新能源利用率比微電網(wǎng)I高2.87%，但是微電網(wǎng)Ⅲ的新能源利用率比微電網(wǎng)Ⅱ低32.26%。

表4 微電網(wǎng)在冬季時(shí)的性能指標(biāo)Table 4 Performance indicators of microgrid in winter

5.2 能量?jī)?yōu)化管理結(jié)果

微電網(wǎng)Ⅲ在春夏秋冬的典型日中分布式電源的容量?jī)?yōu)化配置結(jié)果如表5所示。

表5 微電網(wǎng)能量?jī)?yōu)化管理結(jié)果Table 5 Microgrid energy optimization management results

分布式電源在典型日各個(gè)時(shí)刻的出力情況如圖4所示，其中柴油發(fā)電機(jī)在微電網(wǎng)各設(shè)備正常運(yùn)行時(shí)沒(méi)有出力，僅作為備用電源。

圖4 4個(gè)季節(jié)的分布式電源出力情況Fig.4 Distributed power output in the four seasons

5.3 混合儲(chǔ)能出力效果

微電網(wǎng)Ⅲ在秋季時(shí)采用混合儲(chǔ)能設(shè)備出力效果如圖5所示，可以看出，混合儲(chǔ)能設(shè)備對(duì)新能源的出力波動(dòng)起到平抑作用，波動(dòng)周期和幅值明顯減小。

Punb_refer為未采用儲(chǔ)能設(shè)備時(shí)的不平衡功率；Punb為采用混合 儲(chǔ)能設(shè)備之后的不平衡功率圖5 混合儲(chǔ)能設(shè)備出力Fig.5 Hybrid energy storage equipment output

5.4 算法優(yōu)化結(jié)果對(duì)比分析

分別采用鯨魚(yú)算法(whale optimization algorithm，WOA)、灰狼優(yōu)化算法(gray wolf optimization，GWO)、禿鷹算法(BES)和改進(jìn)禿鷹算法(improved bald eagle search algorithm，IBES)對(duì)4個(gè)典型日時(shí)微電網(wǎng)Ⅲ的經(jīng)濟(jì)成本進(jìn)行求解，4種算法在各典型日時(shí)的求解結(jié)果如表6所示。

可以看出，IBES算法在4個(gè)典型日時(shí)求得的經(jīng)濟(jì)成本均比其他3種算法小。在春季、夏季和秋季時(shí)，BES算法的收斂結(jié)果是除IBES算法外的最優(yōu)結(jié)果，說(shuō)明BES算法本身就具備較強(qiáng)的求解能力；在冬季時(shí)，BES算法的計(jì)算成本比WOA算法和GEO算法高，說(shuō)明陷入了局部最優(yōu)解，與其相比，IBES算法取得最小的綜合成本，由此說(shuō)明IBES算法跳出局部最優(yōu)解的能力明顯高于傳統(tǒng)的BES算法。

通過(guò)比較4種算法的收斂曲線，可以觀察算法的收斂速度，4種算法收斂曲線圖如圖6所示。4種算法中的種群數(shù)均為50，迭代次數(shù)為500。

表6 算法的綜合成本對(duì)比Table 6 Comprehensive cost comparison of algorithms

圖6 4種算法在不同季節(jié)時(shí)的收斂曲線圖Fig.6 The four algorithms converge at different seasons

如圖6所示，IBES算法的收斂速度與其他3種算法相比也有較為明顯的優(yōu)勢(shì)。在春季時(shí)，IBES算法在第17次迭代時(shí)收斂到最優(yōu)解，收斂速度和結(jié)果精度明顯優(yōu)于其他3種算法，在夏季、秋季和冬季時(shí)，IBES算法無(wú)論是收斂速度還是算法的收斂結(jié)果精度都比BES算法、WOA算法和GWO算法更穩(wěn)定。綜合而言，改進(jìn)的BES算法在收斂速度和全局搜索能力方面都比傳統(tǒng)的智能算法更優(yōu)越。

6 結(jié)論

(1)構(gòu)建了一種含混合儲(chǔ)能的微電網(wǎng)能量管理模型，采用超級(jí)電容和蓄電池組成混合儲(chǔ)能，對(duì)比不同的微電網(wǎng)和供能策略，結(jié)果證明：采用超級(jí)電容器和蓄電池作為混合儲(chǔ)能的微電網(wǎng)比傳統(tǒng)微電網(wǎng)所需的經(jīng)濟(jì)成本更小，為并網(wǎng)型微電網(wǎng)容量?jī)?yōu)化提供參考。

(2)針對(duì)微電網(wǎng)的供能策略進(jìn)行研究，設(shè)置了風(fēng)、光、雙儲(chǔ)、網(wǎng)、柴的依次供能策略，通過(guò)對(duì)不同的供能策略進(jìn)行比較分析，結(jié)果證明：在考慮設(shè)備和功率約束的條件下，微電網(wǎng)按提出的供能策略運(yùn)行時(shí)產(chǎn)生的經(jīng)濟(jì)成本最低，為研究微電網(wǎng)供能策略提供參考。

(3)采用Tent混沌映射改進(jìn)初始化，增設(shè)搜索空間和捕獵位置的對(duì)比分析階段，并使用Lévy飛行策略輔助跳出算法停滯等策略改進(jìn)標(biāo)準(zhǔn)禿鷹搜索算法。將改進(jìn)的BES算法應(yīng)用于微電網(wǎng)能量?jī)?yōu)化管理，與WOA、GWO、BES算法相比，改進(jìn)的BES算法在收斂速度、求解精度以及全局搜索能力方面均具有明顯的優(yōu)越性。