基于改進蜂群算法的微電網(wǎng)優(yōu)化調(diào)度

趙才， 張志飛， 陳丹風， 李欣

(佛山科學技術(shù)學院 自動化學院, 廣東 佛山 528000)

0 引 言

能源危機和環(huán)境污染日益嚴重，給能源事業(yè)帶來了挑戰(zhàn)，提高能源效率和解決環(huán)境污染一直是亟待解決的問題。微電網(wǎng)的出現(xiàn)為解決當前能源行業(yè)所面臨的問題帶來了新的有效技術(shù)，微電網(wǎng)是一種新型的分布式能源組織結(jié)構(gòu)，它被視為整合可再生能源的有效平臺，使可再生能源系統(tǒng)接入配電網(wǎng)更加便捷，實現(xiàn)分布式發(fā)電供負荷一體化運行。

微電網(wǎng)優(yōu)化調(diào)度是指在滿足系統(tǒng)功率平衡約束和各微電源出力約束前提下，各分布式電源合理出力，使經(jīng)濟成本和環(huán)境成本等目標達到最小[1]。目前，國內(nèi)外的學者對微電網(wǎng)調(diào)度的研究也有了很大的突破。文獻[2]考慮將經(jīng)濟運行成本和環(huán)境污染成本作為優(yōu)化的目標函數(shù)，并建立數(shù)學模型，最后采用快速非支配排序遺傳算法(NSGA-II)和粒子群優(yōu)化算法(particle swarm optimization，PSO)相結(jié)合的 NSGA-II-PSO 算法求解，結(jié)果表明所提算法的有效性。文獻[3]構(gòu)建了以微網(wǎng)運行成本和環(huán)境污染最小的多目標優(yōu)化模型，運用鳥群算法來求解模型，該算法擁有較強的搜索能力。文獻[4]建立以用電成本最低和環(huán)境污染最小為目標函數(shù)，采用改進粒子群算法對優(yōu)化模型進行求解，結(jié)果表明改進粒子群算法的有效性。文獻[5]針對新能源消納及微電網(wǎng)安全穩(wěn)定問題，提出儲能參與系統(tǒng)優(yōu)化運行方案。建立儲能雙層優(yōu)化配置模型，并采用改進的多目標粒子群算法對該模型進行求解。文獻[6]建立以微電網(wǎng)發(fā)電成本最少與污染治理最好為目標，采用基于天牛須搜索算法思想改進的蜂群算法求解該模型，結(jié)果表明了所提算法的有效性。

本文主要研究了分布式發(fā)電的微電網(wǎng)系統(tǒng)并網(wǎng)運行的多目標優(yōu)化調(diào)度模型，考慮以經(jīng)濟成本最小和環(huán)境成本最低作為目標函數(shù)。首先建立含光伏、風機、柴油發(fā)電機和蓄電池的微電網(wǎng)模型，針對傳統(tǒng)人工蜂群算法(artificial bee colony，ABC)收斂速度慢和容易陷入局部最優(yōu)的缺點，提出改進的人工蜂群算法(improvied artificial bee colony，GABC)，即結(jié)合PSO 算法的思想，將全局最佳解的信息引入到求解搜索方程中，以改進開發(fā)盡可能達到全局最優(yōu)。

1 微電網(wǎng)多目標優(yōu)化調(diào)度模型

1.1 目標函數(shù)

微電網(wǎng)系統(tǒng)的經(jīng)濟成本主要包括運行成本、燃料費用和大電網(wǎng)之間電量交換成本。微電網(wǎng)環(huán)境成本包含微電源的污染氣體(CO2、NOx、SO2)治理費用。以經(jīng)濟成本最低和環(huán)境治理成本最小建立目標函數(shù)：

F=min(φF1+μF2)

(1)

式中：F為總運行成本;F1、F2分別為經(jīng)濟成本和環(huán)境治理費用;φ、μ取值都為0.5。

目標1：經(jīng)濟成本

minF1(x)=

(2)

式中：F1為經(jīng)濟成本;T為一個調(diào)度周期;N為分布式電源的種類;Ci,f、Ci,m分別為各微電源的燃料系數(shù)和運行管理費用;Pi,t為第i種微電源的輸出功率;CGRID,t、CBSS,t分別為t時刻電價與蓄電池的運行管理費用;PGRID,t、PBSS,t分別為t時刻與電網(wǎng)的交互功率和蓄電池的輸出功率。

目標2：環(huán)境成本

(3)

式中：M為污染物的種類;βi,h為分布式電源i排放污染物h的排放系數(shù);αi,h為分布式電源i排放污染物h的治理費用。

1.2 約束條件

(1) 功率平衡約束條件：

(4)

(2) 微電網(wǎng)與主網(wǎng)的交互功率約束：

(5)

(3) 各微電源的出力約束：

(6)

(4) 蓄電池的約束條件。為了防止蓄電池的充電和放電的深度過大，需對充放電的荷電狀態(tài)進行限制。

SOCmin≤SOC≤SOCmax

(7)

式中： SOCmax、SOCmin分別為蓄電池荷電狀態(tài)的上下限制。當SOC的值低于0.2時蓄電池不再放電，高于0.8時不再充電。

2 人工蜂群算法的改進

2.1 傳統(tǒng)的人工蜂群算法

人工蜂群算法是一個由蜂群行為啟發(fā)的算法，2005年由Karaboga提出，其基本思想是通過蜂群之間個體分工和信息交流，相互配合完成采蜜的任務。它將蜂群分為3類:雇傭峰、偵察蜂和跟隨蜂。雇傭峰、跟隨蜂主要的任務是用于蜜源的開采，偵察蜂是在蜂巢附近尋找新的食物來源。雇傭蜂搜索到對應的食物源后記錄其相關(guān)信息( 蜜源位置、蜜源花蜜數(shù)量) ，并與跟隨蜂共享信息。對于每個食物源，對應雇傭蜂的覓食路線是基于一個隨機選擇鄰居K去探索一個新的食物源，其臨時位置跟新方法如下:

vi,j=xi,j+φi,j×(xi,j-xk,j)

(8)

式中：i為正在搜索的個體;j為隨機選擇的維度;φi,j為[0,1]之間的隨機數(shù);xi,j為個體i的維度j更新后的位置;xk,j為個體k的維度j更新前的位置。

在算法中，跟隨蜂依據(jù)雇傭蜂傳遞的信息，在食物源附近搜索新食物源，并進行貪婪選擇。若一個食物源在經(jīng)過次后仍未被更新，則此雇傭蜂變成偵査蜂，偵查蜂尋找新的食物源代替原來的食物源。

2.2 粒子群算法

粒子群優(yōu)化算法是一種全局優(yōu)化算法。粒子根據(jù)自身信息和同伴中共享的信息來確定下一步運動。每個粒子都代表著一個可能解，通過粒子個體的簡單行為，群體內(nèi)的信息交互實現(xiàn)問題求解的智能性[7]。

PSO算法的更新公式如下：

(9)

式中:Vi和Xi分別為粒子的速度和位置;c1和c2為認知學習因子;w為權(quán)重;r1為[0,1]之間的隨機數(shù);pbesti和Gbesti為個體最有極值和全局最有極值。

2.3 基于粒子群算法改進的蜂群算法

PSO和ABC算法都是根據(jù)生物學演變來的，都具有一定的搜索能力，ABC算法在搜索的方程中仍存在不足，收斂速度慢和容易陷入局部最優(yōu)，但擅長探索和開發(fā)。而PSO算法雖然開發(fā)能力較差，但粒子根據(jù)自身信息和同伴中共享的信息來確定下一步運動，全局搜索能力較強。在PSO算法的啟發(fā)下，對ABC算法改進開發(fā)，利用全局最佳解決方案的信息來指導候選解決方案的搜索，以增加全局搜索能力。由此提出一種改進的ABC算法—GABC算法。對其解搜索方程中更新公式作出修改，如下所述：

vi,j=xi,j+φi,j×(xi,j-xk,j)+μi,j×(Gbestj-xi,j)

(10)

式中：i為正在搜索的個體;j為隨機選擇的維度;φi,j為[0,1]之間的隨機數(shù);xi,j為個體i的維度j更新后的位置;xk,j為個體k的維度j更新前的位置;Gbestj為全局最優(yōu)解的第j個元素;μi,j為[0,1]之間的隨機數(shù)。

2.4 GABC算法流程

本文研究并網(wǎng)型微電網(wǎng)多目標優(yōu)化調(diào)度模型，采用GABC對其進行求解的流程如圖1所示。具體算法步驟如下：

(1) 輸入電網(wǎng)的負荷、光伏和風電功率等預測數(shù)據(jù)，初始化算法的參數(shù)。

(2) 雇傭蜂階段，雇傭蜂采用式(10)搜索，計算食物源的適應度，報讀適應度高的食物源。

(3) 跟隨蜂階段，跟隨蜂選擇雇傭蜂，根據(jù)式(10)探索，保留適應度高的食物源。

(4) 偵察蜂階段，判斷是否有偵察蜂:有偵察蜂，放棄當前的食物源，重新初始化食物源；無偵察蜂，繼續(xù)下一步。

判斷是否滿足終止條件，若滿足要求則停止迭代，否則繼續(xù)進行步驟(2)～步驟(4)。

圖1 GABC算法流程圖

3 算例分析

3.1 算例仿真參數(shù)

本文主要研究并網(wǎng)型微電網(wǎng)，采用MATLAB為仿真平臺，調(diào)度周期為1天，分為24個時段。蓄電池SOC的荷電狀態(tài)為[0.2 0.8],SOC初始值設定為0.2，充放電效率為0.9，種群大小60，迭代次數(shù)800，與大電網(wǎng)的交互功率為200 kW。圖2為廣東某地區(qū)一天的負荷和風機與光伏電池預測出力，各微電源的運行參數(shù)如表1所示，污染物治理費用如表2所示，其中：PV為光伏；WT為風機；BSS為蓄電池；DE為柴油發(fā)電機。各時段的購電與售電的價格如表3所示。

圖2 居民負荷、光伏和風機功率變化曲線圖

表1 各微電源的運行參數(shù)

表2 污染物治理費用

表3 各時段的購電與售電的價格

3.2 調(diào)度結(jié)果分析

為說明GABC算法的有效性,采用微電網(wǎng)中有儲能裝置和沒有儲能裝置兩種調(diào)度方案。并與ABC共同求解本文所采用的微電網(wǎng)模型,其中:GRID為主網(wǎng);DE為柴油發(fā)電機；BSS為蓄電池。

1)調(diào)度方案1：儲能裝置不參與調(diào)度

當蓄電池不參與調(diào)度時，各微電源的出力情況圖3所示。GABC算法和ABC算法的尋優(yōu)情況如圖4所示。

圖3 無儲能裝置時各微電源出力情況

圖4 無儲能裝置時算法尋優(yōu)對比

如圖3所示光伏電池和風力發(fā)電機作為清潔能源全部使用，當能滿足負荷需求時，多余的向電網(wǎng)出售。當不能滿足負荷需求時，柴油發(fā)電機出力，仍不能滿足負荷需求時，不足部分由主網(wǎng)提供。由圖4可以看出GABC和ABC在相同條件下，兩種算法都隨著迭代次數(shù)的增加而減少，但GABC在收斂速度和精度上都優(yōu)于ABC算法。驗證該算法具有較強的全局搜索能力，加快收斂速度等優(yōu)點。

2) 調(diào)度方案2：儲能裝置參與調(diào)度

當蓄電池參與調(diào)度時，各微電源的出力情況如圖5所示。GABC算法和ABC算法的尋優(yōu)情況如圖6所示。在調(diào)度過程中蓄電池的荷電狀態(tài)如圖7所示。

圖5 含儲能裝置時各微電源出力情況

圖6 含儲能裝置時算法尋優(yōu)對比

圖7 蓄電池荷電狀態(tài)

如圖5所示，風力發(fā)電和光伏發(fā)電作為清潔能源全部出力，在滿足負荷要求時，結(jié)合電價考慮，蓄電池在3 ∶00，4 ∶00，6 ∶00—9 ∶00，11 ∶00，12 ∶00，17 ∶00，18 ∶00處于充電狀態(tài)，以緩解峰時的用電費用。蓄電池在13 ∶00，15 ∶00，16 ∶00，19 ∶00時，既不充電也不放電，為負荷高時作準備，其余時間段蓄電池處于放電狀態(tài)，柴油發(fā)電機和電網(wǎng)配合則滿足差余部分。從圖6可以看出，GABC和ABC在相同條件下，兩種算法都隨著迭代次數(shù)的增加而減少，但GABC在收斂速度和精度上都優(yōu)于ABC算法。驗證了該算法具有較強的全局搜索能力和加快收斂速度等優(yōu)點。

3.3 算法對比

為進一步說明算法的有效性，采用GABC算法和ABC算法共同求解該優(yōu)化調(diào)度模型，具體的結(jié)果如表4所示。

表4 結(jié)果對比分析

從表4可知，有儲能裝置時，GABC算法與ABC算法相比，總費用減少了127.67元，運行時間減少了1.42 s。無儲能裝置時，GABC算法與ABC算法相比，總費用減少了190.70元，運行時間減少了0.38 s。含儲能裝置時，不僅可以削峰填谷，提高用電的穩(wěn)定性，而且費用也隨之減少?？偠灾?，GABC算法無論是收斂速度和收斂精度都也優(yōu)于ABC算法，驗證了改進算法的有效性。

4 結(jié)束語

本文以主要研究并網(wǎng)型微電網(wǎng)，建立以經(jīng)濟成本最低和環(huán)境成本最小為目標的調(diào)度模型。在滿足各約束條件的同時，考慮有無儲能裝置對微電網(wǎng)調(diào)度的影響，最后采用GABC算法對該模型進行求解，得到各微電源的出力情況，并于ABC算法比較。結(jié)果表明，GABC算法無論是收斂速度和收斂精度都優(yōu)于ABC算法，驗證了改進算法的有效性。