考慮環(huán)境效益的微電網(wǎng)經(jīng)濟(jì)功率優(yōu)化

盧恒光 范欣辰

考慮環(huán)境效益的微電網(wǎng)經(jīng)濟(jì)功率優(yōu)化

盧恒光1范欣辰2

（1. 福建華電萬安能源有限公司，福建 龍巖 361000； 2. 福州大學(xué)電氣工程與自動化學(xué)院，福州 350000）

微電網(wǎng)是一類能將分布式電源很好地接入大電網(wǎng)的系統(tǒng)，它能實(shí)現(xiàn)能源的高效率利用。本文分別以經(jīng)濟(jì)效益、環(huán)境效益、綜合效益為目標(biāo)，研究微電網(wǎng)在脫離大電網(wǎng)系統(tǒng)情況下的分布式電源出力優(yōu)化問題，并分析儲能系統(tǒng)接入對微電網(wǎng)運(yùn)行經(jīng)濟(jì)性產(chǎn)生的影響。通過引入線性遞減慣性權(quán)重和異步學(xué)習(xí)因子改進(jìn)傳統(tǒng)粒子群算法，搭建水、光、柴、儲微電網(wǎng)模型并進(jìn)行解算，分析微電網(wǎng)在儲能接入前后，不同經(jīng)濟(jì)目標(biāo)下各分布式電源的出力變化，最后以福建某水電站典型日負(fù)荷為研究數(shù)據(jù)，驗(yàn)證了模型及算法的合理性和有效性。

微電網(wǎng)；電力優(yōu)化；儲能；粒子群算法（PSO）

0 引言

微電網(wǎng)系統(tǒng)是一種以分布式交直流電源和負(fù)荷作為主要構(gòu)成部分的小型發(fā)配電系統(tǒng)，通常也包含由儲能設(shè)備、電力電子設(shè)備構(gòu)成的調(diào)控系統(tǒng)[1]。由于包含發(fā)電設(shè)備和儲能設(shè)備，微電網(wǎng)系統(tǒng)具有工作方式靈活多樣的特性，其有孤島、并網(wǎng)兩個不同類別的運(yùn)行方式[2]。在不受大電網(wǎng)系統(tǒng)影響的孤島運(yùn)行模式下，微電網(wǎng)的結(jié)構(gòu)類似于一個大電網(wǎng)，每一個分布式電源所發(fā)出的電能通過交流母線后，再通過和交流母線相連的配電網(wǎng)支路供給負(fù)荷。在這種工作狀態(tài)下，潮流交換不會在大系統(tǒng)和小系統(tǒng)之間發(fā)生，因此在精確控制各電源出力的前提下，應(yīng)另增設(shè)儲能設(shè)備，以減輕分布式電源不確定性對用戶造成的不利影響[3]。

絕大部分的新型分布式電源在輸出功率時受外界條件影響大，存在不確定性，甚至是反負(fù)荷調(diào)節(jié)特性，若使這些分布式電源直接接入配電網(wǎng)，則會對電網(wǎng)的運(yùn)行造成沖擊，微電網(wǎng)是解決這一問題的最優(yōu)手段[4-5]。與傳統(tǒng)大電網(wǎng)采用等耗量微增率原則進(jìn)行電源出力分配計算不同，微電網(wǎng)的出力計算屬于多目標(biāo)非線性問題[6]?，F(xiàn)有研究采用各類人工智能算法[7-8]來求解此類問題，但算法存在收斂速度較慢、容易陷入局部最優(yōu)等弊端。為了確保負(fù)荷供電，且使運(yùn)行中的綜合成本最小，本文引入改進(jìn)的智能優(yōu)化算法來求解包含分布式電源的微電網(wǎng)模型。

本文研究的微電網(wǎng)模型中主要考慮三類分布式電源，即光伏、水電和柴油發(fā)電機(jī)，在此基礎(chǔ)上分析比較增加儲能裝置參與供電前后的情況。

1 微電網(wǎng)優(yōu)化調(diào)度模型

1.1 分布式電源特性

1）光伏發(fā)電具備安全、清潔、分布豐富等特點(diǎn)，其輸入和輸出功率模型可以由不同光照強(qiáng)度下的概率密度函數(shù)推導(dǎo)得到，計算公式[9]可近似為

2）我國水資源儲量巨大，作為一種發(fā)展較為成熟的零污染發(fā)電形式，水力發(fā)電得到比較廣泛的應(yīng)用。本文水輪機(jī)組發(fā)電出力計算公式[10]為

3）柴油發(fā)電機(jī)是一種成熟的分布式電源，它運(yùn)行穩(wěn)定，但在發(fā)電過程中會產(chǎn)生一定環(huán)境污染。本文中柴油發(fā)電機(jī)的發(fā)電成本可表示為[11]

4）儲能裝置在負(fù)荷高峰釋放電能，負(fù)荷低谷消納多余電能，保證微電網(wǎng)的電能質(zhì)量[12]。儲能裝置將無法儲存的電能轉(zhuǎn)變?yōu)槠渌子趦Υ娴哪芰?。?dāng)微電網(wǎng)故障時，儲能裝置起到備用電源的作用。

1.2 約束條件

1）分布式電源出力約束

為了使各個電源能夠正常運(yùn)行，分布式電源的出力大小都應(yīng)滿足一定范圍，即

2）儲能裝置出力約束

本文用常見的蓄電池來代表該微電網(wǎng)模型中的儲能單元。蓄電池壽命和荷電狀態(tài)與其充放電功率相關(guān)，因此將儲能裝置出力約束表示為

3）系統(tǒng)運(yùn)行功率平衡約束

功率平衡等式約束體現(xiàn)為每個時段的各分布式電源出力之和與微電網(wǎng)負(fù)荷相等，即

1.3 目標(biāo)函數(shù)

1）目標(biāo)一：孤島運(yùn)行模式下的微電網(wǎng)系統(tǒng)的經(jīng)濟(jì)效益最高，即運(yùn)行維護(hù)成本最低。

2）目標(biāo)二：孤島運(yùn)行模式下的微電網(wǎng)系統(tǒng)的環(huán)境效益最高，即污染物治理成本最低。

3）目標(biāo)三：孤島運(yùn)行模式下的微電網(wǎng)系統(tǒng)的綜合效益最高，即同時考慮運(yùn)維成本與治污成本的綜合成本最低。

綜合以上目標(biāo)，得到目標(biāo)函數(shù)為

2 改進(jìn)粒子群算法

自粒子群算法提出以來，解決了許多電氣自動化領(lǐng)域的優(yōu)化調(diào)度問題[13]，其易于編寫、求解特性好的特質(zhì)[14]得到了研究者們的高度重視，并被廣泛應(yīng)用于各種解決方案的優(yōu)化問題，收斂速度慢、易陷入局部最優(yōu)解是粒子群算法的弊端。在用于該算法求解過程的各類參數(shù)中，慣性權(quán)重和學(xué)習(xí)因子對算法的求解速度、求解精度影響最大。研究人員針對這兩個參數(shù)對算法從原理上進(jìn)行了優(yōu)化。本文引入線性遞減慣性權(quán)重和異步學(xué)習(xí)因子對原始算法進(jìn)行改進(jìn)。

當(dāng)前很多跨境電商人才是由社會培訓(xùn)機(jī)構(gòu)提供的。這些培訓(xùn)機(jī)構(gòu)商業(yè)嗅覺靈敏，針對企業(yè)和市場的需要，積極開展了跨境電商人才培訓(xùn)。但這種現(xiàn)象是不正常的，行業(yè)人才的培養(yǎng)不能只依賴社會力量，而應(yīng)該由高校來做人才培養(yǎng)的主力。

大慣性權(quán)重利于全局搜索，小慣性權(quán)重利于局部搜索，權(quán)重的線性遞減公式為

式中：w為權(quán)重；max為最大值，取0.9；min為最小值，取0.4；和分別為當(dāng)前迭代次數(shù)、最大迭代次數(shù)。

異步學(xué)習(xí)因子的改進(jìn)優(yōu)化了傳統(tǒng)算法在粒子迭加換代時的粒子運(yùn)動速度大小和變化方向，增強(qiáng)了收斂能力。

式中，1、2分別為搜索范圍和搜索速度的學(xué)習(xí)因子，其始末值分別取為1,start=2.5,1,end=0.52,start=2.5,2,end=0.5。

粒子群初始位置為隨機(jī)初始化產(chǎn)生，需要經(jīng)過多次迭代，才能最終得到可行解，甚至找不到可行解。在研究人員實(shí)際采用粒子群算法處理等式約束條件時，將不滿足約束條件的粒子的適應(yīng)度函數(shù)值替換為某個極大的值，并最終“懲罰”該粒子使之不能成為計算中的最優(yōu)解[15]。本文引入罰函數(shù)，計算各分布式電源出力總和偏離用電負(fù)荷的程度，將這部分值放大且并入目標(biāo)函數(shù)計算式中，得到新的目標(biāo)函數(shù)為

以目標(biāo)二為目標(biāo)函數(shù)，對某一典型日負(fù)荷的微電網(wǎng)進(jìn)行計算：改進(jìn)粒子群算法種群規(guī)模取1 000，最大迭代次數(shù)取200。根據(jù)式（9）更新慣性權(quán)重，根據(jù)式（11）計算粒子的適應(yīng)度、對粒子進(jìn)行評價，更新個體極值與全局極值、各粒子的速度與位置，最終將變異后的粒子與終止條件進(jìn)行比較，確定算法是否收斂，如此循環(huán)，直到輸出群體極值和全局最優(yōu)解。改進(jìn)前后的粒子群算法迭代過程中，某一時段全局最優(yōu)值收斂特性曲線如圖1所示，由圖1可見，改進(jìn)算法能在實(shí)際算例中更快地收斂到全局最優(yōu)解。

圖1 全局最優(yōu)值收斂特性曲線

在編程測試中，觀察到改進(jìn)粒子群算法的求解過程相比原始粒子群算法在精度和收斂速度上得到很大提高，因此本文引入的改進(jìn)粒子群算法在解算含多重約束條件的微電網(wǎng)優(yōu)化中會獲得更優(yōu)的求解性能。

3 算例分析

3.1 算例參數(shù)

圖2 微電網(wǎng)系統(tǒng)模型

圖3 分布式電源24h最大出力預(yù)測數(shù)據(jù)

3.2 結(jié)果與討論

本文以上述簡化微電網(wǎng)模型為算例，采用MatlabR2018b編程，對所建分布式電源模型和優(yōu)化算法性能進(jìn)行驗(yàn)證。

圖4 典型日負(fù)荷的24h功率預(yù)測數(shù)據(jù)

表1 分布式發(fā)電費(fèi)用

1）不同目標(biāo)函數(shù)優(yōu)化結(jié)果

分別對同一典型日、三種目標(biāo)（經(jīng)濟(jì)效益最高、環(huán)境效益最高、綜合效益最高）下的微電網(wǎng)模型進(jìn)行出力優(yōu)化計算，得到同一典型日不同目標(biāo)的優(yōu)化結(jié)果如圖5所示，總成本見表2。

當(dāng)以微電網(wǎng)經(jīng)濟(jì)效益為優(yōu)化目標(biāo)時，由于柴油發(fā)電機(jī)工業(yè)成熟，其運(yùn)維成本較低，總成本相對于以微電網(wǎng)的環(huán)境效益為優(yōu)化目標(biāo)時略低，但其二氧化碳排放量為目標(biāo)二的161.40%，給環(huán)境治理帶來壓力。以環(huán)境效益最佳為優(yōu)化目標(biāo)時，會優(yōu)先考慮光伏、水力發(fā)電、儲能裝置出力，一方面降低燃料成本，另一方面大大降低二氧化碳排放量，但由于新能源發(fā)電尚在發(fā)展中，因此建設(shè)與運(yùn)維成本相對柴油發(fā)電單元更高。當(dāng)經(jīng)濟(jì)效益與環(huán)境效益同時都被納入考慮范圍時，燃料成本、運(yùn)維成本和二氧化碳排放量介于兩個單目標(biāo)優(yōu)化之間，達(dá)到一個平衡值，且總成本是三者中最低的，可見綜合考慮經(jīng)濟(jì)效益與環(huán)境效益進(jìn)行優(yōu)化是最優(yōu)選擇。

表2 同一典型日不同目標(biāo)的總成本

2）不同微電網(wǎng)結(jié)構(gòu)優(yōu)化結(jié)果

設(shè)置裝機(jī)容量為6MW?h、最大輸出功率為3MW/h的儲能單元，以環(huán)境效益最佳為目標(biāo)函數(shù)，對儲能單元接入前后的微電網(wǎng)模型進(jìn)行出力優(yōu)化計算，得到各分布式電源出力如圖6所示，總成本見表3。

表3 儲能接入前后的總成本

由上述結(jié)果對比可以得出，在接入儲能單元后，微電網(wǎng)系統(tǒng)的二氧化碳排放量減小至原來的45.97%，而總成本僅增長4.27%，可見配有儲能系統(tǒng)的微電網(wǎng)系統(tǒng)環(huán)境效益更高，而經(jīng)濟(jì)效益并未受太大影響。

4 結(jié)論

本文以考慮環(huán)境效益的微電網(wǎng)的經(jīng)濟(jì)功率優(yōu)化為研究對象，選取三個目標(biāo)函數(shù)，以福建山區(qū)某地區(qū)包含光伏發(fā)電、水力發(fā)電、柴油發(fā)電、儲能裝置的微電網(wǎng)為算例，用改進(jìn)粒子群算法求解。從仿真結(jié)果可知，所建模型合理、算法可行，恰當(dāng)?shù)慕Y(jié)構(gòu)選擇和目標(biāo)優(yōu)化可使微電網(wǎng)更具經(jīng)濟(jì)性和合理性。此外，本文在以下方面仍需進(jìn)一步研究：

1）在進(jìn)行出力優(yōu)化時，本文采取時間間隔為1h，而實(shí)際負(fù)荷實(shí)時變化。若想使優(yōu)化效果更接近實(shí)際系統(tǒng)，時間間隔需要進(jìn)一步縮短。

2）若想構(gòu)架一個泛化能力強(qiáng)的優(yōu)化方案，還要考慮本文模型尚未計及的風(fēng)力發(fā)電及其他不斷發(fā)展、應(yīng)用廣泛的新能源發(fā)電方式。

3）在考慮微電網(wǎng)出力優(yōu)化時，除了本文已考慮的出力約束、容量約束及功率平衡約束，還需考慮如電源的起停機(jī)時間約束等更加具體的約束。

[1] 楊新法, 蘇劍, 呂志鵬, 等. 微電網(wǎng)技術(shù)綜述[J]. 中國電機(jī)工程學(xué)報, 2014, 34(1):57-70.

[2] 徐林, 阮新波, 張步涵, 等. 風(fēng)光蓄互補(bǔ)發(fā)電系統(tǒng)容量的改進(jìn)優(yōu)化配置方法[J]. 中國電機(jī)工程學(xué)報, 2012, 32(25): 88-98, 14.

[3] 白樺, 王正用, 李晨, 等. 面向電網(wǎng)側(cè)、新能源側(cè)及用戶側(cè)的儲能容量配置方法研究[J]. 電氣技術(shù), 2021, 22(1): 8-13.

[4] 沈鑫, 曹敏. 分布式電源并網(wǎng)對于配電網(wǎng)的影響研究[J]. 電工技術(shù)學(xué)報, 2015, 30(增刊1): 346-351.

[5] 姜云鵬, 任洲洋, 李秋燕, 等. 考慮多靈活性資源協(xié)調(diào)調(diào)度的配電網(wǎng)新能源消納策略[J]. 電工技術(shù)學(xué)報, 2022, 37(7): 1820-1835.

[6] 萬玉建, 蔣成杰, 陸華軍. 一種微電網(wǎng)并轉(zhuǎn)孤模式切換時功率平衡計算方法[J]. 電氣技術(shù), 2015, 16(11): 40-43.

[7] 解玖霞. 基于粒子群算法的主動配電網(wǎng)經(jīng)濟(jì)優(yōu)化調(diào)度[J]. 電氣技術(shù), 2017, 18(9): 15-18.

[8] 姜雲(yún)騰, 李萍. 基于改進(jìn)粒子群神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測[J]. 電氣技術(shù), 2018, 19(2): 87-91.

[9] 李銳, 李鵬. 基于改進(jìn)人工魚群算法的冷熱電聯(lián)產(chǎn)微網(wǎng)經(jīng)濟(jì)優(yōu)化運(yùn)行[J]. 電氣技術(shù), 2014, 15(6): 63-68.

[10] 張文杰, 吳杰康, 趙俊浩, 等. 考慮源-荷不確定性的水風(fēng)柴微電網(wǎng)優(yōu)化配置[J]. 電力工程技術(shù), 2020, 39(2): 117-126.

[11] 邵志芳, 趙強(qiáng), 張玉瓊. 獨(dú)立型微電網(wǎng)源荷協(xié)調(diào)配置優(yōu)化[J]. 電網(wǎng)技術(shù), 2021, 45(10): 3935-3946.

[12] 李銳, 李鵬. 儲能系統(tǒng)在孤島微網(wǎng)中應(yīng)用[J]. 電氣技術(shù), 2014, 15(6): 15-18.

[13] 陳婷. 智能算法在含分布式電源配電網(wǎng)故障定位中的應(yīng)用綜述[J]. 電氣技術(shù), 2020, 21(9): 1-6.

[14] POLI R, KENNEDY J, BLACKWELL T. Particle swarm optimization[J]. Swarm Intelligence, 2007, 1(1): 33-57.

[15] 金義雄, 程浩忠, 嚴(yán)健勇, 等. 改進(jìn)粒子群算法及其在輸電網(wǎng)規(guī)劃中的應(yīng)用[J]. 中國電機(jī)工程學(xué)報, 2005, 25(4): 48-52, 72.

Economic power optimization of microgrid considering environmental benefits

LU Hengguang1FAN Xinchen2

(1.Fujian Huadian Wan’an Energy Co., Ltd, Longyan, Fujian 361000; 2. College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350000))

Microgrid is a kind of system that can connect distributed generation to large power grid, which realizes the efficient utilization of energy. Aiming at economic benefit, environmental benefit and comprehensive benefit, the output optimization of distributed generation in the case of microgrid separated from large grid system is studied. Impact of energy storage system access on microgrid operation is analyzed. By introducing linear decreasing inertia weight and asynchronous learning factor, the traditional particle swarm optimization (PSO) algorithm is improved, and the water, light, diesel and storage microgrid model is built for calculation. The output changes of distributed generators under different economic objectives before and after connection of energy storage to the microgrid are analyzed. The typical daily load of a hydropower station in Fujian is taken as the research data, and the rationality and effectiveness of the model and algorithm are verified.

microgrid; power optimization; energy storage; particle swarm optimization (PSO)

2022-07-12

2022-08-01

盧恒光（1969—），碩士，高級工程師，研究方向?yàn)樗娺\(yùn)行管理。