基于改進(jìn)蟻群動態(tài)規(guī)劃的光儲微網(wǎng)容量優(yōu)化配置

DOI：10.19912/j.0254-0096.tynxb.2022-1205 文章編號：0254-0096（2023）02-0468-09

摘 要：為降低并網(wǎng)光儲微網(wǎng)的綜合發(fā)電成本，并提高優(yōu)化容量配置性能，該文研究基于改進(jìn)蟻群動態(tài)規(guī)劃算法的光儲微網(wǎng)容量優(yōu)化配置方法。針對傳統(tǒng)啟發(fā)式算法容易陷入局部最優(yōu)以及早熟收斂的問題，首先將蟻群算法與動態(tài)規(guī)劃算法結(jié)合，簡化計算過程；進(jìn)而，將迭代次數(shù)有關(guān)的衰減參數(shù)引入調(diào)節(jié)因子中，提高其全局搜索能力；最后，將Boltzmann選擇機(jī)制引進(jìn)蟻群搜索過程，并在蟻群信息素更新過程中采用偏轉(zhuǎn)角度因子與拐點(diǎn)參數(shù)進(jìn)行修正，從而大幅提高算法的優(yōu)化性能。通過對海寧某小區(qū)實(shí)際數(shù)據(jù)進(jìn)行仿真分析，驗(yàn)證了該算法的實(shí)用性和優(yōu)越性。

關(guān)鍵詞：微電網(wǎng)；儲能；優(yōu)化配置；改進(jìn)蟻群算法；動態(tài)規(guī)劃

中圖分類號：TM727.2" " " " " " " " " " " 文獻(xiàn)標(biāo)志碼：A

0 引 言

光伏發(fā)電因其隨機(jī)性和間歇性特征易對微網(wǎng)安全運(yùn)行造成沖擊［1-2］，故需在光伏微網(wǎng)中并入部分儲能系統(tǒng)，以提高光伏并網(wǎng)的穩(wěn)定性［3］。而合理采用算法對光儲微網(wǎng)系統(tǒng)進(jìn)行優(yōu)化配置不僅可提高系統(tǒng)運(yùn)行經(jīng)濟(jì)性，也是保障其安全可靠運(yùn)行的重要基礎(chǔ)［4-7］。

近年來，遺傳算法［8］、鯨魚算法［9］及細(xì)菌覓食算法［10］等智能優(yōu)化算法在光儲微網(wǎng)優(yōu)化配置中獲得廣泛應(yīng)用。文獻(xiàn)［11］針對微網(wǎng)在線優(yōu)化多階段決策特點(diǎn)，構(gòu)建了馬爾可夫決策模型，并將神經(jīng)網(wǎng)絡(luò)與拉格朗日強(qiáng)化算法結(jié)合，從而得到最優(yōu)的調(diào)度策略。文獻(xiàn)［12］在建立風(fēng)-光-蓄-柴獨(dú)立微網(wǎng)配置模型的基礎(chǔ)上，采用改進(jìn)灰狼算法進(jìn)行求解，從而實(shí)現(xiàn)微電網(wǎng)的容量優(yōu)化配置。文獻(xiàn)［13］將Levy飛行策略引入鳥群算法，并采用該改進(jìn)算法對沖擊負(fù)載特性下的多目標(biāo)微電網(wǎng)優(yōu)化模型進(jìn)行求解，有效提高了微網(wǎng)系統(tǒng)穩(wěn)定性。

針對光儲微網(wǎng)運(yùn)行經(jīng)濟(jì)性和光儲電站調(diào)節(jié)靈活性較差問題，本文將度電成本作為儲能充放電判斷依據(jù)，并建立系統(tǒng)優(yōu)化模型。通過將蟻群算法與動態(tài)規(guī)劃算法結(jié)合，引入調(diào)節(jié)因子衰減參數(shù)、Boltzmann選擇策略、偏轉(zhuǎn)角度因子以及拐點(diǎn)參數(shù)等改進(jìn)方法，有效提高了算法運(yùn)算精度以及收斂速度，以實(shí)現(xiàn)本文算法在全負(fù)荷區(qū)間的系統(tǒng)優(yōu)化分配計算，從而完成對目標(biāo)模型的求解。

1 光儲微網(wǎng)數(shù)學(xué)模型

1.1 光伏模型

光伏發(fā)電受太陽輻照度、光伏組件的傾斜角度以及光伏組件溫度的影響較大，所以其輸出是一個隨機(jī)變化的非線性過程［14］。

光伏陣列輸出功率為：

式中：[PPV]——光伏陣列總功率，MW；[r]——對應(yīng)時間段內(nèi)的太陽輻照度，W/m2；[m]——光伏組件數(shù)量；A、[Am]——光伏陣列總面積和單個組件面積，m2；[η]、[ηm]——光伏陣列光電轉(zhuǎn)換效率、單個組件光電轉(zhuǎn)換效率。

其輸出功率約束如下所示：

式中：[PoutPV（t）]——光伏陣列在[t]時刻的輸出功率，MW；[PminPV（t）]、[PmaxPV（t）]——光伏陣列在[t]時刻的最小、最大輸出功率，MW。

1.2 HESS模型

儲能裝置采用蓄電池與超級電容組成的混合儲能系統(tǒng)（hybrid energy storage system，HESS）能有效平抑高、低頻波動，實(shí)現(xiàn)負(fù)荷的削峰填谷，從而提高電能質(zhì)量，減少運(yùn)行成本。

HESS輸出功率為：

式中：[Pb]——蓄電池的輸出功率，MW；[Pc]——超級電容的輸出功率，MW；Vbt——蓄電池在t時刻端電壓，V；Ibt——蓄電池在t時刻充放電電流，A；Xb——蓄電池數(shù)量；[Sc，t]、[Sc，t+Δt]——超級電容在[t]、[t+Δt]時刻的電荷狀態(tài)，Ah；[Ec，N]——超級電容額定容量，F(xiàn)；[Δt]——時間步長，h。

其輸出功率約束如下所示：

式中：[Qb，t]——蓄電池在[t]時刻的輸出電量，kWh；[Qb，max]、[Qb，min]——蓄電池最大、最小輸出電量，kWh；[Qc，t]——超級電容在[t]時刻的輸出電量，kWh；[Qc，max]、[Qc，min]——超級電容最大、最小輸出電量，kWh；[Sb，t]——蓄電池在[t]時刻的電荷狀態(tài)，Ah；[Sb，max]、[Sb，min]——蓄電池的最高、最低電荷狀態(tài)，Ah；[Sc，t]——超級電容在[t]時刻電荷狀態(tài)，Ah；[Sc，max]、[Sc，min]——超級電容的最高、最低電荷狀態(tài)，Ah。

1.3 系統(tǒng)功率平衡約束

為保障光儲微網(wǎng)系統(tǒng)安全穩(wěn)定運(yùn)行，需在分布式電源所發(fā)出的總功率與負(fù)荷需求功率之間維持供需平衡。

式中：[PprePV，h]——光伏發(fā)電預(yù)測功率，MW；[h]——光伏電站或負(fù)荷編號；[Pgrid]——光儲微網(wǎng)與電網(wǎng)交換的功率，MW，購電時[Pgridgt;0]，售電時[Pgridlt;0]；[PpreLi，h]——負(fù)荷的預(yù)測功率，MW；[PHESS]——HESS的充放電功率，MW，充電時[PHESSgt;0]，放電時[PHESSlt;0]；[NPV]——光伏電站數(shù)量；[NLi]——負(fù)荷數(shù)量。

2 經(jīng)濟(jì)負(fù)荷優(yōu)化分配模型

光儲微電網(wǎng)進(jìn)行經(jīng)濟(jì)負(fù)荷優(yōu)化配置是通過合理分配光伏組件、蓄電池和超級電容的配置成本占比，使其在滿足負(fù)荷需求以及其他約束條件下，達(dá)到購電量最少、運(yùn)行收益最大的目標(biāo)。本文以系統(tǒng)運(yùn)行安全可靠為前提，從提高經(jīng)濟(jì)性角度出發(fā)，綜合考慮各項(xiàng)成本以及收益后，建立包含年初始投資成本、年維護(hù)成本以及購、售電成本的優(yōu)化模型，其目標(biāo)函數(shù)為：

式中：[CGS]——政府補(bǔ)貼年值，萬元；[CCC]——光儲電站建設(shè)成本年值，萬元；[CMC]——光儲電站維護(hù)成本年值，萬元；[CB]、[CS]——某時[CB=CphPph]間段內(nèi)光儲電站向大電網(wǎng)的購電、售電成本，萬元，[CS=CsellPsell]（[Cph]、[Csell]分別為某時間段內(nèi)購電、售電價格，元/kWh；[Pph]、[Psell]分別為某時間段內(nèi)購電、售電電能，kWh）。

2.1 初始投資成本年值

光儲電站的初始投資成本[CCC]數(shù)學(xué)模型為：

式中：[CT]——電源單價，元；[r]——貼現(xiàn)率；[Y]——電源使用年限，a。

2.2 維護(hù)成本年值

光儲電站運(yùn)行維護(hù)成本的數(shù)學(xué)模型為：

式中：[Kfc]——HESS電源固定費(fèi)用，元；[Kve]——HESS電源可變費(fèi)用，元。

3 儲能系統(tǒng)運(yùn)行策略

度電成本又稱平準(zhǔn)發(fā)電成本（levelized cost of electricity， LCOE），是用來衡量儲能系統(tǒng)整個生命周期的單位發(fā)電量成本［15］，可表示為：

式中：[CL]——度電成本，元/kWh；[Csum]——HESS使用壽命內(nèi)累計總成本，元；[DOD]——放電深度；[ηb]——電池能量轉(zhuǎn)換率；[n]——某放電深度下電池累計循環(huán)次數(shù)；[N]——運(yùn)行年度，a；[ε]——HESS系統(tǒng)壽命終止時的容量保持率。

依靠政府補(bǔ)貼，目前儲能電池的度電成本維持在0.5～0.8元/kWh，而規(guī)?；瘧?yīng)用的目標(biāo)度電成本為0.3～0.4元/kWh。度電成本過高時會大幅減少系統(tǒng)的運(yùn)行收益，因此，本文在分時電價的背景下，通過度電成本與該時刻的電價的對比結(jié)果，來控制儲能系統(tǒng)的充放電。

系統(tǒng)運(yùn)行框圖如圖1所示。當(dāng)電價為高峰時段，且系統(tǒng)功率差額小于零時，說明僅靠光伏發(fā)電無法滿足負(fù)荷需求，還需依靠HESS放電或向電網(wǎng)購電以支撐系統(tǒng)供電，當(dāng)此時度電成本高于購電成本時，則拒絕HESS放電；當(dāng)電價為平電價時段時，且光伏出力無法滿足負(fù)載需求時，可在購電成本高于度電成本的情況下通過HESS放電以支撐系統(tǒng)供電；當(dāng)電價為低谷電價時段時，一般不考慮HESS放電行為，主要依靠光伏出力以及向電網(wǎng)購電以支撐系統(tǒng)供電。

4 基于改進(jìn)蟻群的動態(tài)規(guī)劃算法

多目標(biāo)函數(shù)模型求解過程較為煩瑣，不同的目標(biāo)函數(shù)相互制約并相互影響，使求解過程復(fù)雜化。動態(tài)規(guī)劃算法在求解目標(biāo)函數(shù)中，采用計算與應(yīng)用相分離的方式，可降低計算的復(fù)雜性，但在實(shí)際應(yīng)用中易存在計算精度與效率不兼容的問題。在眾多啟發(fā)式算法中，蟻群算法尋優(yōu)收斂能力較強(qiáng)，但因其是正反饋算法，易出現(xiàn)早熟現(xiàn)象，從而造成計算精度稍差。因此，本文將蟻群算法的尋優(yōu)收斂能力與動態(tài)規(guī)劃算法的求解精度能力相結(jié)合，使改進(jìn)蟻群算法應(yīng)用到動態(tài)規(guī)劃算法的分配表的構(gòu)造中，簡化計算過程，并在確保算法求解效率的同時提高算法計算精度，從而實(shí)現(xiàn)優(yōu)化配置計算。

4.1 動態(tài)規(guī)劃算法

動態(tài)規(guī)劃法將優(yōu)化計算與分配兩個過程相分離，能有效簡化負(fù)荷在線優(yōu)化分配。設(shè)[k]為一天的優(yōu)化時段數(shù)，用[x1]，[x2，x3，…，xk]分別表示各優(yōu)化時間段的微電網(wǎng)負(fù)荷值，用[f1，f2，f3，…，fk]分別表示各優(yōu)化時段的負(fù)荷方差。在總負(fù)荷yk下，光儲微網(wǎng)負(fù)荷優(yōu)化的數(shù)學(xué)模型如下所示：

在[yk]下，存在唯一的[x1， x2， x3， …， xk]使負(fù)荷方差最小為[F*k]：

即：

易得：

由式（11）～式（14）可知，對于含有[k]項(xiàng)變量的多變量函數(shù)，可使用求和原理將其轉(zhuǎn)化成遞推函數(shù)，再通過對遞推函數(shù)進(jìn)行優(yōu)化，最終得到多變量函數(shù)的優(yōu)化解。

動態(tài)規(guī)劃在負(fù)荷優(yōu)化分配問題的過程中通常分為順序造表和逆序分配2個階段。順序造表：按[i=1，2，…，k]的順序，由第[i]個階段[yi]的大小次序，求出相對應(yīng)的當(dāng)前階段最優(yōu)負(fù)荷方差[F*iyi]和當(dāng)前負(fù)荷下第[i]時刻微電網(wǎng)的負(fù)荷[x*i]，并將其填入順序表中。逆序分配：由給定的總負(fù)荷[yk]，根據(jù)逆序方向[j=k]，[k-1]，…，1在順序表中依次查找[yk]對應(yīng)的所有[x*i]值，得到總負(fù)荷[yk]下最優(yōu)負(fù)荷方差的各優(yōu)化時間段負(fù)荷。

4.2 改進(jìn)蟻群算法

蟻群覓食行為與函數(shù)優(yōu)化問題對應(yīng)關(guān)系如表1所示。

基本蟻群算法存在初始信息素匱乏導(dǎo)致解空間較小以及在算法運(yùn)算過程中易收斂到局部最優(yōu)的問題。為此本文引入調(diào)節(jié)因子衰減參數(shù)、Boltzmann選擇策略、偏轉(zhuǎn)角度因子以及拐點(diǎn)參數(shù)對蟻群算法加以優(yōu)化，以提高算法性能。

4.2.1 調(diào)節(jié)因子取值的改進(jìn)

蟻群算法中[α、β]分別表示信息素[τij]、期望程度[ηij]的作用系數(shù)，其中[α]的取值在1附近波動，[β]的取值則較廣。當(dāng)[β]取值過大時，算法易陷入局部最優(yōu)，當(dāng)[β]取值過小時則會導(dǎo)致算法不易收斂。為防止出現(xiàn)上述情況，本文將衰減參數(shù)引入到[β]中：

式中：[t]——迭代次數(shù)；[tmax]——最大迭代次數(shù)；[β0]、[β1]——常數(shù)，且[β1gt;β0]。

式（15）表明，算法初期[β]值較小，能有效保證搜索初期解的多樣性；算法中期采用衰減策略且限制了衰減次數(shù)，使[β]能在有效區(qū)間內(nèi)變動，解的隨機(jī)性得以加強(qiáng)；在算法后期[β]值較大，算法收斂速度得以加強(qiáng)，便于搜尋全局最優(yōu)解。

4.2.2 改進(jìn)的信息素更新方式

本文借鑒Boltzmann選擇機(jī)制，對計算所得概率進(jìn)一步選擇，隨機(jī)產(chǎn)生下一路徑，以增大蟻群的搜索范圍，擴(kuò)大解空間，便于跳出局部最優(yōu)，見式（16）、式（17）。

式中：[Dk]——可行域；[T]——溫度，℃；[T0]——初始溫度，℃；[N]——循環(huán)次數(shù)。

并對信息素的全局更新方式進(jìn)行優(yōu)化：在前[N1]次迭代中，解空間內(nèi)排在前[G]位的螞蟻釋放信息素，[N1]次迭代后，再采用全局最優(yōu)解進(jìn)行信息素更新。為了避免算法收斂到局部最優(yōu)。在算法求解中期，信息素全局更新方式仍使用傳統(tǒng)更新方式，見式（18）、式（19）。

式中：[ρ]——信息素?fù)]發(fā)因子；ZBG——集合BG中選擇支路Lij的螞蟻數(shù)量；Zm——全部螞蟻中選擇支路Lij的螞蟻數(shù)量；[γ]——方向偏轉(zhuǎn)因子；[Jk（x）]——螞蟻[k]的路徑函數(shù)值；[JG（x）]——此次迭代中解空間內(nèi)排在第[G]位螞蟻的路徑函數(shù)值；[m]——螞蟻總數(shù)。

其中為限制支路選取角度和支路偏轉(zhuǎn)次數(shù)，使求解的最終路徑更逼近于實(shí)際最優(yōu)路徑，本文在蟻群信息素更新式中引入偏轉(zhuǎn)角度因子[θij]以及拐點(diǎn)參數(shù)[Gk]，見式（20）、式（21）：

式中：[θij]——上一支路的方向向量與支路[Lij]的方向向量較小的夾角，當(dāng)[Lij]為起始支路時，[θij=0]，[θij]由角度制表示；[Gk]——第[k]只螞蟻所尋路徑的拐點(diǎn)參數(shù)；[φ]——加權(quán)系數(shù)；[Q]——常數(shù)。

式（18）、式（19）表明，算法在初始階段通過解空間內(nèi)排名較前的螞蟻釋放信息素進(jìn)行全局信息素更新，從而提高算法的運(yùn)算速度，并明確蟻群的搜索方向，通過將式（15）的改進(jìn)[β]應(yīng)用到式（16）中，在很大程度上避免了算法在求解階段陷入局部最優(yōu)這個問題。直到第[N1]次迭代后，為進(jìn)一步提高算法精度和運(yùn)算速度，改用所有螞蟻均釋放信息素，來進(jìn)行全局信息素的更新，并可通過調(diào)節(jié)[β1]達(dá)到加快算法收斂的目的。在信息素的更新方式中引入偏轉(zhuǎn)角度函數(shù)以及拐點(diǎn)函數(shù)，與傳統(tǒng)蟻群算法相比，減少了路徑中的節(jié)點(diǎn)數(shù)量，使蟻群更容易搜索到最優(yōu)路徑。

4.3 基于改進(jìn)蟻群的動態(tài)規(guī)劃算法

將改進(jìn)后的蟻群算法與動態(tài)規(guī)劃算法相結(jié)合，利用改進(jìn)蟻群算法應(yīng)用于動態(tài)規(guī)劃的離線造表，再通過算法進(jìn)行實(shí)時優(yōu)化配置。具體流程圖如圖2所示。

5 算例分析

5.1 算法測試

將改進(jìn)蟻群動態(tài)規(guī)劃算法與傳統(tǒng)蟻群算法（ant colony algorithm，ACO）通過測試函數(shù)ZDT（Zero-Ductility Transition）系列的ZDT1、ZDT6函數(shù)即式（22）、式（23）來測試算法性能，各測試函數(shù)運(yùn)行次數(shù)為100，并取平均值。其中函數(shù)逼近性（function approximation，AP）和運(yùn)行時間（run time，TM）的對比結(jié)果如表2所示。

通過表2的測試數(shù)據(jù)及圖3可得，本文算法與ACO相比，有更好的運(yùn)行速度和收斂性，優(yōu)化解集也更接近真實(shí)的Pareto前沿。

5.2 算法分析

以海寧某小區(qū)一年內(nèi)所測得的太陽輻照度和負(fù)荷出力為基礎(chǔ)，采用本文提出的改進(jìn)蟻群動態(tài)規(guī)劃算法進(jìn)行微電網(wǎng)容量優(yōu)化配置。其中，數(shù)據(jù)采樣間隔為1 h，全年8760 h的輻照度及負(fù)荷數(shù)據(jù)如圖4所示。

本文實(shí)驗(yàn)中所選取的相關(guān)參數(shù)如表3所示。

結(jié)合分時電價表對該小區(qū)負(fù)荷進(jìn)行削峰填谷，并配合區(qū)域電網(wǎng)共同為小區(qū)供電，其負(fù)荷優(yōu)化結(jié)果如圖5所示。其中，優(yōu)化后的負(fù)荷曲線在用電谷時段功率有效提高到55 kW附近，并在用電峰時段降低到80 kW附近。其中未優(yōu)化前功率差額為60 kW，利用本文策略對負(fù)荷進(jìn)行優(yōu)化配置后，功率差額降低到30 kW。

實(shí)時分析光伏出力與負(fù)荷曲線，通過本文策略在線調(diào)整主配一體化調(diào)度系統(tǒng)（operation control strategy， OCS），得到年均負(fù)荷及光伏出力下，系統(tǒng)向電網(wǎng)送電、購電曲線如圖6所示。圖中曲線正值為系統(tǒng)向電網(wǎng)售電；曲線負(fù)值為系統(tǒng)向電網(wǎng)購電。

為進(jìn)一步驗(yàn)證本文儲能控制策略的實(shí)用與優(yōu)越性，基于本文所提的改進(jìn)蟻群動態(tài)規(guī)劃算法，將本文所提出的儲能系統(tǒng)運(yùn)行策略與兩充兩放策略在有無光伏并網(wǎng)補(bǔ)貼下進(jìn)行經(jīng)濟(jì)性對比，由表5可看出，以25年為期，在有無補(bǔ)貼的情況下，本文策略下凈收益均高于兩充兩放策略，并能提前約1.4年收回所有投資成本。海寧市位于浙江省嘉興市，全年太陽輻射量處于全國中等水平，在度電成本方面，本文策略在有光伏并網(wǎng)補(bǔ)貼的情況下，能將度電成本維持在0.37 元/kWh，無光伏并網(wǎng)補(bǔ)貼的情況下，度電成本維持在0.41 元/kWh。根據(jù)浙發(fā)改價格［2021］377號文件說明，市場交易價格在基準(zhǔn)價0.4153 元/kWh基礎(chǔ)上，上下浮動原則上不超過20%，即浮動區(qū)間為0.3322～0.4984 元/kWh。本文策略均符合規(guī)定。

針對本文算法求解目標(biāo)函數(shù)的收斂性效果，將本文算法與傳統(tǒng)蟻群算法（ACO）、灰狼算法（grey wolf algorithm，GWO）、鳥群算法（bird swarm algorithm，BSA）和鯨魚算法（whale optimization algorithm，WOA）進(jìn)行尋優(yōu)對比，函數(shù)收斂曲線如圖7所示。

在構(gòu)造順序表的過程中，本文算法與ACO、GWO、BSA和WOA算法造表計算時間分別為93.78、151.04、131.20、142.17和136.64 s。不同算法下，對該小區(qū)機(jī)組優(yōu)化配置結(jié)果對比如表6所示，其中度電成本的計算是在有光伏并網(wǎng)補(bǔ)貼的條件下進(jìn)行，并均采用本文所提出的儲能系統(tǒng)運(yùn)行策略。

從圖7和表6中可看出，本文算法獲得了更快的收斂速度和更好的優(yōu)化結(jié)果，其優(yōu)化配置結(jié)果蓄電池和光伏組件數(shù)量得到減少，降低了微電網(wǎng)的初期投入成本、年均維護(hù)成本以及度電成本。

6 結(jié) 論

本文針對光儲微網(wǎng)優(yōu)化配置問題進(jìn)行研究，建立系統(tǒng)優(yōu)化配置模型以及混合儲能參與系統(tǒng)的優(yōu)化運(yùn)行方案，并使用改進(jìn)蟻群動態(tài)規(guī)劃算法對該優(yōu)化模型求解。通過算例分析得出以下結(jié)論：

1）通過測試函數(shù)對本文算法和ACO算法進(jìn)行性能測試，結(jié)果證明了本文算法的具有更高的精度、效率以及穩(wěn)定性。

2）在相同算法的情況下，本文策略較目前應(yīng)用較廣的兩充兩放策略在無光伏補(bǔ)貼情況下，凈收益高出37.04%，并提前1.68年收回全部投資成本?？s短了投資回籠期，有效提高運(yùn)行階段經(jīng)濟(jì)效益。

3）從算法優(yōu)化結(jié)果可得，相較于ACO、GWO、BSA和WOA算法，本文算法在保證尋優(yōu)結(jié)果準(zhǔn)確性的同時，還能進(jìn)一步縮短造表時間，進(jìn)而減少迭代次數(shù)和度電成本，能更高效地尋求最優(yōu)機(jī)組配置。

［參考文獻(xiàn)］

［1］ 嚴(yán)干貴， 李洪波， 段雙明， 等. 基于雙鉛碳電池儲能系統(tǒng)的微電網(wǎng)優(yōu)化運(yùn)行控制策略［J］. 電力系統(tǒng)自動化， 2019， 43（13）： 46-53.

YAN G G，LI H B，DUAN S M，et al. Optimal operation control strategy of microgrid based on double-lead carbon battery" energy" system［J］. Automation" of" electric" power systems， 2019， 43（13）： 46-53.

［2］ 陸立民， 褚國偉， 張濤， 等. 基于改進(jìn)多目標(biāo)粒子群算法的微電網(wǎng)儲能優(yōu)化配置［J］. 電力系統(tǒng)保護(hù)與控制， 2020， 48（15）： 116-124.

LU L M， ZHU G W， ZHANG T， et al. Optimal configuration of energy storage in a microgrid based on improved multi-objective particle swarm optimization［J］. Power system protection and control， 2020， 48（15）： 116-124.

［3］ 侯云鶴， 熊信艮， 吳耀武， 等. 基于廣義蟻群算法的電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配［J］. 中國電機(jī)工程學(xué)報， 2003， 23（3）： 59-64.

HOU Y H， XIONG X Y， WU Y W， et al. Economic dispatch of power systems based on generalized ant colony optimization method［J］. Proceedings of the CSEE， 2003，23（3）： 59-64.

［4］ 張丹丹， 童亦斌， 金新民， 等. 計及需求響應(yīng)的微電網(wǎng)儲能優(yōu)化配置［J］. 電力電子技術(shù)， 2016， 50（11）： 107-109， 117.

ZHANG D D， TONG Y B， JING X M， et al. Optimal allocation" of" nergy" storage" "in" "micro-grid" "considering demand response［J］. Power electronics， 2016， 50（11）： 107-109， 117.

［5］ 孫湛冬， 焦嬌， 李偉， 等. 基于改進(jìn)蟻群算法的電力云數(shù)據(jù)中心任務(wù)調(diào)度策略研究［J］. 電力系統(tǒng)保護(hù)與控制， 2022， 50（2）： 95-101.

SUN Z D， JIAO J， LI W， et al. A task scheduling strategy for a power cloud data center based on an improved ant colony algorithm［J］. Power system protection and control， 2022， 50（2）： 95-101.

［6］ 伍春林. 基于改進(jìn)蟻群算法的微電網(wǎng)DG選址與定容［D］. 長沙： 中南大學(xué)， 2010.

WU C L. Siting and aizing of DG for microgrid based on improved" ant" colony" algorithm［D］." Changsha：" Central South University， 2010.

［7］ 李建林， 牛萌， 周喜超， 等. 能源互聯(lián)網(wǎng)中微能源系統(tǒng)儲能容量規(guī)劃及投資效益分析［J］. 電工技術(shù)學(xué)報， 2020， 35（4）： 874–884.

LI J L， NIU M， ZHOU X C， et al. Energy storage capacity planning and investment benefit analysis of micro-energy system" "in" "energy" "interconnection［J］." "Transactions" "of China Electrotechnical Society， 2020， 35（4）： 874-884.

［8］ LIU Z G，TAN Q Y，ZHOU Y B，et al. Syncretic application" " of" " IBAS-BP" " algorithm" "for" " monitoring equipment" "online" in" "power" "system［J］." IEEE" "access， 2021， 9： 2169-3536.

［9］ MOUSAVI Y， ALFI A. Enhanced fractional chaotic whale optimization algorithm for parameter identification of isolated" "wind-diesel" "power" "systems［J］." IEEE" "access， 2020， 8： 140862-140875.

［10］ MISHRA S，BHENDE C N. Bacterial foraging technique-based optimized active power filter for load compensation［J］. IEEE transactions on power delivery， 2007， 22（1）： 457-465.

［11］ 季穎， 王建輝. 基于深度強(qiáng)化學(xué)習(xí)的微電網(wǎng)在線優(yōu)化調(diào)度［J］. 控制與決策， 2022， 37（7）： 1675-1684.

JI Y， WANG J H. Online optimal scheduling of a microgrid" "based" "on" "deep" "reinforcement" "learning［J］. Control and decision， 2022， 37（7）： 1675-1684.

［12］ 趙超， 王斌， 孫志新， 等. 基于改進(jìn)灰狼算法的獨(dú)立微電網(wǎng)容量優(yōu)化配置［J］. 太陽能學(xué)報， 2022， 43（1）： 256-262.

ZHAO C， WANG B， SUN Z X， et al. Optimal configuration optimization of islanded microgrid using improved grey wolf optimized algorithm［J］. Acta energiae solaris sinica， 2022， 43（1）： 256-262.

［13］ 張玉， 盧子廣， 盧泉， 等. 基于Levy飛行改進(jìn)鳥群算法的光伏直流微電網(wǎng)優(yōu)化配置研究［J］. 太陽能學(xué)報， 2021， 42（5）： 214-220.

ZHANG Y， LU Z G， LU Q， et al. Research on optimal configuration of photovoltaic DC microgrid based on Levy flight improved bird swarm algorithm［J］. Acta energiae solaris sinica， 2021， 42（5）： 214-220.

［14］ SUNDARESWARAN K，VIGNESHKUMAR V，VETHANAYAGAM S， et al. Development of an improved Pamp;O algorithm assisted through a colony of foraging ants for" "MPPT" "in" nbsp;PV" "system［J］." "IEEE" "transactions" "on industrial informatics， 2016， 12（1）： 187-200.

［15］ 羅斯寧， 王化龍， 李弘宇. 基于改進(jìn)蟻群算法的云計算用戶任務(wù)調(diào)度算法［J］. 電信科學(xué)， 2020， 36（2）： 95-100.

LUO S， WANG H L， LI H G. Cloud computing user task scheduling algorithm based on improved ant colony algorithm［J］. Telecom science， 2020， 36（2）： 95-100.

OPTIMAL CONFIGURATION OPTIMIZATION OF

PV ENERGY STORAGE MICROGRID USING IMPROVED

ANT COLONY DYNAMIC PROGRAMMING

Li Shengqing1，Deng Na1，Yan Shi1，Liu Li1，Peng Kun2， Peng Xiaowei3

（1. School of Electrical and Information Engineering， Hunan University of Technology， Zhuzhou 412007， China；

2. Hunan Red Solar New Energy Science and Technology Co.， Ltd.， Zhuzhou 412007， China；

3. Hunan Kerui Converter Electric Co.， Ltd.， Zhuzhou 412007， China）

Abstract：An ant colony dynamic programming algorithm is presented to determine the optimal combination of a PV-BS microgrid， in order to reduce the comprehensive power generation cost of grid-connected PV-BS microgrid and the performance of optimal sizing. As the traditional heuristic algorithm is high possibility of being trapped in local optimum， the proposed to integrate ant colony algorithm and dynamic programming algorithm together， which is applied to the allocation table construction of dynamic programming to simplify the calculation process. Then， the decay parameter related to the number of iterations is introduced into the adjustment factor to improve its global search ability. Thirdly， the Boltzmann selection mechanism is introduced into the ant colony search process， and the deflection angle factor and the inflection point parameter are used to correct the ant colony pheromone update process， thereby effectively improving the optimization performance of the algorithm. Finally， the practicability and superiority of the algorithm are verified by the simulation analysis of the actual data of a residential area in Haining.

Keywords：microgrid； energy storage； optimal sizing； improved ant colony algorithm； dynamic programming