基于并行遺傳算法的微電網(wǎng)控制方法研究

摘要：微電網(wǎng)快速普及背景下，如何對(duì)微電網(wǎng)進(jìn)行高效控制成為電力從業(yè)人員重點(diǎn)關(guān)注的問(wèn)題。鑒于此，引入并行遺傳算法技術(shù)，構(gòu)建微電網(wǎng)最優(yōu)控制模型，確定微電網(wǎng)控制約束條件，并以此為基礎(chǔ)設(shè)計(jì)微電網(wǎng)最優(yōu)控制軟件，借助該軟件實(shí)現(xiàn)對(duì)于微電網(wǎng)的有效控制。

關(guān)鍵詞：并行遺傳算法；微電網(wǎng)；并行性

中圖分類號(hào)：TM732? ? 文獻(xiàn)標(biāo)志碼：A? ? 文章編號(hào)：1671-0797（2023）10-0086-03

DOI：10.19514/j.cnki.cn32-1628/tm.2023.10.024

0? ? 引言

作為一種全新的發(fā)電、供電方法，微電網(wǎng)在保障電力供應(yīng)穩(wěn)定性、提高電力輸送效率等方面發(fā)揮了重要作用。為確保微電網(wǎng)能夠穩(wěn)定、持續(xù)運(yùn)行，相關(guān)研究人員積極嘗試將并行遺傳算法引入微電網(wǎng)控制工作中，對(duì)最優(yōu)控制遺傳算法變量進(jìn)行優(yōu)化，明確并行遺傳算法計(jì)算流程，基于MATLAB開(kāi)發(fā)環(huán)境設(shè)計(jì)微電網(wǎng)最優(yōu)控制軟件系統(tǒng)，通過(guò)這種方式達(dá)到“環(huán)境最優(yōu)化”與“經(jīng)濟(jì)最優(yōu)化”雙重目標(biāo)。

1? ? 遺傳算法并行性及分類

1.1? ? 遺傳算法固有的并行性

實(shí)際生活中，不同的物種在同一時(shí)刻以“相互獨(dú)立”的狀態(tài)進(jìn)行進(jìn)化，從宏觀層面來(lái)看，物種的進(jìn)化即并行化過(guò)程。研究人員將物種的進(jìn)化過(guò)程引入機(jī)器人深度學(xué)習(xí)領(lǐng)域，以遺傳算法為核心模擬物種進(jìn)化過(guò)程，利用選擇操作模擬物種進(jìn)化過(guò)程中的自然選擇，利用變異操作模擬物種進(jìn)化過(guò)程中的基因突變。因此，遺傳算法的基礎(chǔ)運(yùn)行邏輯中繼承了物種進(jìn)化的并行性。使用遺傳算法處理數(shù)據(jù)信息時(shí)，其數(shù)量級(jí)為O（n3），這代表遺傳算法對(duì)N個(gè)染色體進(jìn)行遺傳操作，其內(nèi)部遺傳信息的數(shù)量級(jí)為O（n3），研究人員將其稱為“隱含并行性”。

1.2? ? 并行遺傳算法分類

1.2.1? ? 全局并行

全局并行作為一種直接并行化模式，主要應(yīng)用于串行遺傳算法領(lǐng)域。全局并行模式的特點(diǎn)在于僅有一個(gè)群體，在該群體中，每一個(gè)個(gè)體可以自由匹配，基于群體適應(yīng)度調(diào)整個(gè)體適應(yīng)度，無(wú)論是遺傳匹配操作還是遺傳選擇操作，均具有全局性。該模式下，個(gè)體之間相互獨(dú)立，無(wú)須進(jìn)行信息交互，針對(duì)個(gè)體的評(píng)價(jià)主要由主/從進(jìn)程負(fù)責(zé)[1]。該模式通常采用同步通信技術(shù)，個(gè)體適應(yīng)數(shù)據(jù)被發(fā)送給主進(jìn)程之后，主進(jìn)程開(kāi)始計(jì)算個(gè)體絕對(duì)適應(yīng)值并根據(jù)計(jì)算結(jié)果進(jìn)行選擇操作，通過(guò)這種方式提高遺傳算法計(jì)算性能。

1.2.2? ? 層次并行遺傳算法

研究人員嘗試將不同的并行遺傳算法的優(yōu)勢(shì)集中，提高其搜索以及分析的復(fù)雜性，將不同遺傳算法進(jìn)行混合，形成層次并行遺傳算法。該遺傳算法擁有三種基本的拓?fù)浣Y(jié)構(gòu)，例如將兩種并行遺傳算法混合，形成的雙層遺傳算法（圖1）。

分析圖1可以發(fā)現(xiàn)，該雙層遺傳算法的上層結(jié)構(gòu)采用粗粒度（環(huán)形拓?fù)浣Y(jié)構(gòu)），下層則使用細(xì)粒度（二維網(wǎng)格拓?fù)浣Y(jié)構(gòu)），通過(guò)這種方式進(jìn)化子群體。

2? ? 最優(yōu)控制遺傳算法目標(biāo)函數(shù)計(jì)算

2.1? ? 最優(yōu)控制模型

與普通電網(wǎng)相比，微電網(wǎng)系統(tǒng)內(nèi)部可調(diào)節(jié)變量較多，例如無(wú)功補(bǔ)償量、分布式電源輸出功率等。電力從業(yè)人員嘗試在不同的微電網(wǎng)運(yùn)行環(huán)境中設(shè)置多項(xiàng)目?jī)?yōu)化模型，但是由于約束條件較為模糊，優(yōu)化控制結(jié)果達(dá)不到預(yù)期值。因此，研究人員在確保微電網(wǎng)安全穩(wěn)定運(yùn)行的前提條件下，從環(huán)保性與經(jīng)濟(jì)性兩方面出發(fā)，構(gòu)建多項(xiàng)目最優(yōu)控制模型，借助這種方式提高清潔能源利用率[2]。

2.1.1? ? 最優(yōu)控制目標(biāo)函數(shù)

本次研究中涉及的微電網(wǎng)最優(yōu)控制目標(biāo)函數(shù)主要分為兩部分，即環(huán)保性與經(jīng)濟(jì)性，其函數(shù)表達(dá)式為：

式中：x為待優(yōu)化變量；G（x）為等式約束；H（x）為不等式約束；fi為第i個(gè)被優(yōu)化目標(biāo)。

2.1.2? ? 經(jīng)濟(jì)性目標(biāo)函數(shù)

該模型中，構(gòu)成經(jīng)濟(jì)性目標(biāo)函數(shù)的指標(biāo)包括兩類：第一類是微電網(wǎng)建設(shè)、維護(hù)費(fèi)用，研究人員將這些費(fèi)用折算到建設(shè)期之中；第二類是政府為推動(dòng)新能源產(chǎn)業(yè)發(fā)展而給予新能源發(fā)電的政策性補(bǔ)貼。

（1）建設(shè)期費(fèi)用：

式中：CWT為微電網(wǎng)中風(fēng)力發(fā)電設(shè)備的建設(shè)與運(yùn)維成本；CPV為微電網(wǎng)中光伏發(fā)電設(shè)備的建設(shè)與運(yùn)維成本；CFC為燃料電池成本；CMT為微型汽輪機(jī)的安裝及運(yùn)維成本；CAD為維持微電網(wǎng)穩(wěn)定運(yùn)行的附加成本；常量a、b、c、d分別為風(fēng)力發(fā)電機(jī)、光伏電池板、燃料電池、汽輪機(jī)的數(shù)量。

（2）無(wú)功補(bǔ)償成本：

通常情況下，發(fā)電側(cè)無(wú)功補(bǔ)償，運(yùn)用并聯(lián)電容器就地補(bǔ)償模式。因此，研究人員將電容器固定成本折算到建設(shè)成本之中。

式中：CC為并聯(lián)電容器運(yùn)行成本；Cf為電容器固定成本；T與η分別為電容器使用壽命及使用頻率；QC為分布式電源需要的無(wú)功功率總量。

（3）新能源發(fā)電補(bǔ)貼：

政府為扶持新能源產(chǎn)業(yè)發(fā)展，針對(duì)新能源發(fā)電企業(yè)給予政策補(bǔ)貼，通過(guò)這種方式降低新能源發(fā)電成本，其計(jì)算公式如下：

式中：PWT為一臺(tái)風(fēng)力發(fā)電機(jī)輸出功率；SWT為風(fēng)力發(fā)電補(bǔ)貼系數(shù)；PPV為一塊光伏發(fā)電電池板輸出功率；SPV為光伏發(fā)電補(bǔ)貼系數(shù)。

研究人員通過(guò)計(jì)算建設(shè)期費(fèi)用以及新能源發(fā)電補(bǔ)貼具體數(shù)據(jù)，得出微電網(wǎng)最優(yōu)控制數(shù)據(jù)。

2.1.3? ? 環(huán)保性目標(biāo)函數(shù)

本次研究中提及的微電網(wǎng)以清潔能源為主（風(fēng)能、太陽(yáng)能等），除微型汽輪機(jī)工作時(shí)會(huì)產(chǎn)生少量污染物之外，絕大部分能源達(dá)到“零污染物排放”標(biāo)準(zhǔn)。因此，該模型中的環(huán)保性目標(biāo)函數(shù)，基于污染物排放處罰對(duì)目標(biāo)函數(shù)進(jìn)行量化，其表達(dá)式為：

式中：n為微電網(wǎng)中的微型汽輪機(jī)污染物排放量；MMTi為汽輪機(jī)工作時(shí)第i種污染物排放總量；PMTi為第i種污染物排放處罰標(biāo)準(zhǔn)。

實(shí)際工作中，由于微型汽輪機(jī)排放的污染物檢測(cè)難度較大，因此研究人員假定微型汽輪機(jī)以均衡的方式排放污染物，不會(huì)受到氣壓、溫度等因素的影響。

2.2? ? 最優(yōu)控制并行遺傳算法

2.2.1? ? 優(yōu)化定義變量

正式開(kāi)始計(jì)算之前，研究人員對(duì)需要優(yōu)化的變量進(jìn)行定義，即：

2.2.2? ? 計(jì)算過(guò)程

并行遺傳算法能夠有效處理離散變量問(wèn)題，同時(shí)具備良好的全局尋優(yōu)能力，因此可以解決混合非線性優(yōu)化問(wèn)題，公式（6）中的4個(gè)變量即并行遺傳算法中的個(gè)體基因，其排列結(jié)構(gòu)為｛XPT|XWT|XFC|XMT｝。

最優(yōu)控制并行遺傳算法適應(yīng)度計(jì)算公式為：

式中：C為目標(biāo)函數(shù)界限估計(jì)值；λi為權(quán)重系數(shù)，通常情況下，權(quán)重系數(shù)根據(jù)子目標(biāo)函數(shù)重要程度進(jìn)行確定。

模型構(gòu)建完畢后，研究人員對(duì)該模型進(jìn)行驗(yàn)證，設(shè)M=100，子群體個(gè)數(shù)為4，即n=4，模型進(jìn)化迭代次數(shù)MAXG=50，其中基因變異概率為0.001，即P=0.001，基因交叉概率為0.8，即Pc=0.8，具體步驟如下[3]：

（1）設(shè)置模型中分布式電源參數(shù)、目標(biāo)函數(shù)以及約束條件，將微電網(wǎng)負(fù)荷參數(shù)代入優(yōu)化控制模型中。

（2）基于二級(jí)制編碼產(chǎn)生基因初始種群，按照均勻劃分原則形成n個(gè)子種群。

（3）逐一對(duì)子種群中的個(gè)體進(jìn)行函數(shù)計(jì)算，通過(guò)橫向?qū)Ρ缺Ａ暨m應(yīng)度最大的個(gè)體。

（4）針對(duì)子種群進(jìn)行不同的遺傳操作，包括選擇運(yùn)算、交叉運(yùn)算以及變異運(yùn)算，設(shè)變異運(yùn)算概率為Pm，交叉運(yùn)算概率為Pc，通過(guò)計(jì)算確定各個(gè)子群體的適應(yīng)值。

（5）通過(guò)遺傳遷移得到初始種群的下一代群體。本次研究中，工作人員使用單向環(huán)連接拓?fù)浣Y(jié)構(gòu)，將各個(gè)子群體中最優(yōu)個(gè)體遷出，使用自適應(yīng)遷移策略，當(dāng)子群體連續(xù)S=1（遷移數(shù)量為1）無(wú)法進(jìn)一步提高適應(yīng)度時(shí)，接受遷移個(gè)體。通過(guò)這種方式減少個(gè)體遷移數(shù)量，令不同的子群體分布于模型中的不同區(qū)域，提高子群體多樣性，通過(guò)這種方式提高子群體進(jìn)化速度。

（6）若種群遺傳代數(shù)與設(shè)定的最大值相同，則計(jì)算終止并輸出最優(yōu)解，如果二者不同，則返回步驟（4）重新進(jìn)行計(jì)算，其具體流程如圖2所示。

3? ? 微電網(wǎng)最優(yōu)控制軟件設(shè)計(jì)

研究人員基于并行遺傳算法，以微電網(wǎng)環(huán)保目標(biāo)及經(jīng)濟(jì)最優(yōu)化目標(biāo)作為優(yōu)化對(duì)象，利用最優(yōu)控制模型處理多目標(biāo)優(yōu)化問(wèn)題。最優(yōu)控制軟件的主要任務(wù)是獲取仿真平臺(tái)傳輸?shù)膮?shù)，并利用最優(yōu)控制模型尋找多目標(biāo)任務(wù)最優(yōu)解，將最優(yōu)解參數(shù)返回仿真平臺(tái)，通過(guò)這種方式實(shí)現(xiàn)對(duì)于微電網(wǎng)的最優(yōu)控制[4]。

該軟件主要由三項(xiàng)功能組成：參數(shù)讀取、計(jì)算最優(yōu)解、返回參數(shù)。同時(shí)，設(shè)計(jì)人員為該系統(tǒng)搭配了一些輔助功能，例如文件退出詢問(wèn)、變量查詢以及操作步驟歷史記錄查詢等。研究人員為了能夠讓用戶以更為直觀的方式了解最優(yōu)解計(jì)算流程，在該軟件中添加了折線圖（圖3），利用折線圖展示子種群進(jìn)化時(shí)每一代適應(yīng)度最好的種群變化情況。通過(guò)這種方式讓使用者能夠更為深入地了解微電網(wǎng)最優(yōu)控制方法的形成過(guò)程。

4? ? 結(jié)語(yǔ)

為進(jìn)一步提升微電網(wǎng)控制效率，研究人員引入并行遺傳算法，利用并行遺傳算法中的多層次并行遺傳空間，組建由具有環(huán)形拓?fù)浣Y(jié)構(gòu)的粗粒度以及具有二維網(wǎng)格拓?fù)浣Y(jié)構(gòu)的細(xì)粒度組成的雙層遺傳算法模型。在此基礎(chǔ)上，以微電網(wǎng)經(jīng)濟(jì)性與環(huán)保性作為目標(biāo)函數(shù)，構(gòu)建最優(yōu)控制模型，同時(shí)利用MATLAB開(kāi)發(fā)環(huán)境設(shè)計(jì)微電網(wǎng)最優(yōu)控制軟件，為確保微電網(wǎng)穩(wěn)定運(yùn)行提供技術(shù)支持。

[參考文獻(xiàn)]

[1] 徐加銀，汪濤，王加慶，等.考慮微電網(wǎng)靈活性資源屬性的配電網(wǎng)規(guī)劃方法[J].電力建設(shè)，2022，43（6）：84-92.

[2] 李咸善，解仕杰，方子健，等.多微電網(wǎng)共享儲(chǔ)能的優(yōu)化配置及其成本分?jǐn)俒J].電力自動(dòng)化設(shè)備，2021，41（10）：44-51.

[3] 文旭，陳鑫，張愛(ài)楓，等.含可調(diào)節(jié)負(fù)荷的風(fēng)光互補(bǔ)微電網(wǎng)隨機(jī)調(diào)度市場(chǎng)風(fēng)險(xiǎn)管控方法[J].電網(wǎng)技術(shù)，2021，45（11）：4308-4318.

[4] 楊向真，楊秋強(qiáng)，杜燕，等.采用自適應(yīng)在線模型辨識(shí)的微電網(wǎng)二次調(diào)頻策略[J].電力系統(tǒng)自動(dòng)化，2021，45（20）：121-130.

收稿日期：2023-01-16

作者簡(jiǎn)介：宋玉明（1972—），男，江蘇人，高級(jí)實(shí)習(xí)指導(dǎo)教師、電工高級(jí)技師，研究方向：電工、自動(dòng)控制、制冷與空調(diào)。