基于寬度學(xué)習(xí)預(yù)測(cè)的可重構(gòu)多微電網(wǎng)隨機(jī)優(yōu)化框架

劉 楊 劉天羽

(上海電機(jī)學(xué)院 上海 200000)

0 引 言

微電網(wǎng)是未來電力系統(tǒng)的重要組成部分,為實(shí)現(xiàn)更可持續(xù)的能源系統(tǒng)提供了快速途徑[1]。微電網(wǎng)(Microgrid,MG)可以定義為低壓網(wǎng)絡(luò)中的一個(gè)活動(dòng)單元[2],由一組組件組成,這些組件能夠在電網(wǎng)連接和孤島模式下運(yùn)行。這些組件包括負(fù)載、控制裝置和各種分布式發(fā)電(DG)單元[3],由于分布式可再生能源(RESs)的不確定性和波動(dòng)性以及電動(dòng)汽車充電行為的不可預(yù)測(cè)性,如果管理不當(dāng),將對(duì)主電網(wǎng)的運(yùn)行構(gòu)成威脅,且發(fā)電和儲(chǔ)能的規(guī)模局限于單個(gè)MG,在系統(tǒng)中,RESs可以在局部消耗,且不會(huì)對(duì)上游電網(wǎng)造成太大影響,電動(dòng)汽車充電特性更加可控。因此MG的發(fā)展逐漸趨向于形成一個(gè)更大的網(wǎng)格,稱為多微電網(wǎng)(Multi-microgrid,MMG)[4]。MMG系統(tǒng)是包含多個(gè)單獨(dú)MG的實(shí)體。這些單獨(dú)的MG地理位置接近,并連接到同一個(gè)配電網(wǎng)(DN)。將單個(gè)MG連接到更廣泛的配電系統(tǒng)可增強(qiáng)系統(tǒng)抵御不可預(yù)見事件(如故障、極端天氣條件等),并提高整個(gè)電網(wǎng)的效率、彈性和可靠性,同時(shí)仍然保持孤島模式下運(yùn)行的穩(wěn)定性[5]。因此,通過公共耦合點(diǎn)(PCC)互連相鄰MG并構(gòu)建彈性MMG系統(tǒng)引起了研究者的極大關(guān)注[6]。在這種背景下,相比于大量的單臺(tái)MG的能量管理和優(yōu)化調(diào)度文獻(xiàn),這方面的研究很少。

鑒于化石燃料資源有限和廣泛使用所造成的不利環(huán)境問題的雙重原因,人們對(duì)電動(dòng)汽車(EV)的使用產(chǎn)生了濃厚的興趣。近年來,全球電動(dòng)汽車市場(chǎng)增長(zhǎng)顯著,例如,電動(dòng)汽車上路總數(shù)量比上年增加200萬輛,2018年超過510萬輛[7]。隨著電動(dòng)汽車數(shù)量的增加,電網(wǎng)中的負(fù)荷分布將發(fā)生變化,這種可能不協(xié)調(diào)、隨機(jī)的大規(guī)模負(fù)荷將給電網(wǎng)運(yùn)行帶來一些挑戰(zhàn)。電力系統(tǒng)中可能會(huì)出現(xiàn)電壓波動(dòng),從而降低系統(tǒng)效率。此外,這種情況可能會(huì)由于附加應(yīng)力而縮短變壓器的使用壽命,甚至可能因系統(tǒng)過載而導(dǎo)致斷電。除了電網(wǎng)方面的所有這些負(fù)面因素外,另一方面,電動(dòng)汽車也可以被視為一種靈活的負(fù)荷,由于電動(dòng)汽車電池可以提供儲(chǔ)能服務(wù),也可以看作是一種參與微電網(wǎng)能量調(diào)度策略的柔性儲(chǔ)能設(shè)施。在V2G服務(wù)的系統(tǒng)中,電動(dòng)汽車參與電網(wǎng)的運(yùn)行,減輕電力系統(tǒng)的負(fù)擔(dān),并為配電系統(tǒng)運(yùn)營(yíng)商提供輔助服務(wù)。結(jié)果表明,電動(dòng)汽車的最優(yōu)協(xié)調(diào)能夠有效地降低峰值負(fù)荷,平滑負(fù)荷曲線[8],并且可以為需求側(cè)的管理和能源市場(chǎng)的運(yùn)作提供重要的機(jī)會(huì)。

1 多微電網(wǎng)技術(shù)及其構(gòu)成

1.1 多微電網(wǎng)技術(shù)

多微電網(wǎng)是提高可靠性、效率、經(jīng)濟(jì)運(yùn)行和更好的電力服務(wù)的關(guān)鍵[9]。地理位置相近的微電網(wǎng)可以相互連接,形成多微電網(wǎng)的單元系統(tǒng)。多微電網(wǎng)可以看作是一個(gè)單元可控的實(shí)體,可以幫助地方電力公司正確地實(shí)現(xiàn)其目標(biāo)[10]。這種網(wǎng)狀拓?fù)浣Y(jié)構(gòu)是智能電網(wǎng)中的一種新形式,為可再生能源的高滲透提供了機(jī)會(huì)。從運(yùn)行的角度看,多個(gè)微電網(wǎng)聯(lián)網(wǎng)后,由于局部調(diào)度問題將被一個(gè)全局最優(yōu)調(diào)度問題所更新,因此它們之間的功率分配將得到更好的改善。一個(gè)微電網(wǎng)中可能有足夠的空閑容量,因此可以在幾個(gè)小時(shí)內(nèi)幫助另一個(gè)微電網(wǎng)解決電力短缺問題,并改善電能質(zhì)量。這種情況顯示了一種備用狀態(tài),在這種狀態(tài)下,每個(gè)微電網(wǎng)都可能支持其他微電網(wǎng)。因此,區(qū)域資源有望通過增強(qiáng)彈性和可靠性從多微電網(wǎng)概念中獲益。為了多微電網(wǎng)提供一個(gè)最優(yōu)的能量管理系統(tǒng),首先需要定義合適的優(yōu)化框架。圖1顯示了多微網(wǎng)格的概念圖。

圖1 多微電網(wǎng)的概念圖

1.2 多微電網(wǎng)隨機(jī)框架模型

目標(biāo)函數(shù)包括所有微電網(wǎng)的總成本,包括從分布式發(fā)電(DGs)購(gòu)買的電力成本、從主電網(wǎng)購(gòu)買的電力成本、由于充放電而導(dǎo)致的電池老化成本、DGs的關(guān)閉和啟動(dòng)成本以及電池充放電成本。

(1)

(2)

(3)

(4)

(5)

需求和發(fā)電平衡約束條件表示為:

E(δmtk)-E(δntk)

(6)

E(δmtk)-E(δntk)

(7)

式中:Vtmk為微電網(wǎng)k中時(shí)間t處母線m的電壓水平,Ymnk為微電網(wǎng)k中連接母線m和n的線路導(dǎo)納,δmtk為t時(shí)和微電網(wǎng)k的電壓角,這兩個(gè)方程都是非線性約束。

可調(diào)度機(jī)組(如微型燃?xì)廨啓C(jī)和燃料電池)的技術(shù)容量約束條件如下:

(8)

(9)

(10)

存儲(chǔ)單元的最大能量供應(yīng)約束條件為:

(11)

系統(tǒng)中的每個(gè)饋線最大熱極限約束條件為:

(12)

對(duì)于每根母線,有一個(gè)最大和最小電壓水平約束條件為:

(13)

(14)

電動(dòng)汽車?yán)塾?jì)充放電率約束條件為:

(15)

2 基于UT變換和寬度學(xué)習(xí)的隨機(jī)框架(隨機(jī)優(yōu)化框架)

2.1 UT變換

UT是一種強(qiáng)大而高效的不確定性建模方法[11],與傳統(tǒng)的分析方法(不適用于非線性問題)和蒙特卡羅方法(需要大量運(yùn)行才能收斂)相比,UT的優(yōu)勢(shì)在于它能夠同時(shí)處理線性和非線性系統(tǒng)。UT方法具有很高的收斂速度和非線性處理能力,因此采用UT方法對(duì)本文所提出問題的不確定性進(jìn)行建模。輸出平均值和方差 由以下3個(gè)主要步驟計(jì)算。

1) 計(jì)算sigma點(diǎn)集。sigma點(diǎn)數(shù)取決于系統(tǒng)的維數(shù)。一般公式為2n+1,其中n表示擾動(dòng)輸入數(shù)據(jù)的維數(shù)。首先,根據(jù)以下公式生成sigma點(diǎn):

χ[0]=μ

(16)

2) 為每個(gè)sigma分配權(quán)重。選擇sigma點(diǎn)后,下一步是計(jì)算它們的權(quán)重,如下所示:

(17)

所有權(quán)重的總和等于1(Σω[i]=1)。

3) 轉(zhuǎn)換sigma點(diǎn)并計(jì)算平均值和協(xié)方差,將具有高斯分布的sigma點(diǎn)通過非線性函數(shù)傳遞到目標(biāo)分布上,然后計(jì)算轉(zhuǎn)換后的高斯分布的平均值和協(xié)方差。非線性變換后結(jié)果的平均值和協(xié)方差可使用以下方程計(jì)算:

(18)

式中:μ′是新的預(yù)測(cè)結(jié)果平均值;Σ′是結(jié)果的新預(yù)測(cè)協(xié)方差;g(χ[i])是將輸入數(shù)據(jù)轉(zhuǎn)換為結(jié)果的非線性函數(shù)。

然而,由于求解矩陣平方根的困難,使用式(16)生成sigma點(diǎn)比較復(fù)雜。為了克服這個(gè)問題,將使用基于奇異值分解的UT,其中sigma樣本由協(xié)方差矩陣的奇異值分解生成。SVD的使用可以降低協(xié)方差矩陣的階數(shù),從而進(jìn)一步減少樣本數(shù)量.

SVD-UT背后的基本動(dòng)機(jī)是協(xié)方差矩陣可以用其特征向量或奇異值來表征, 矩陣Σ的奇異值分解是:

Σ=UDVT=UD1/2D1/2VT

(19)

式中:矩陣U的列構(gòu)成矩陣R列空間的基,而矩陣V的列構(gòu)成矩陣R行空間的基(U和V是正交的),最后矩陣D是一個(gè)對(duì)角線矩陣,其對(duì)角線上包含奇異值。每個(gè)奇異值表示U的相應(yīng)列和V的行在表示矩陣R的列或行空間時(shí)的重要性。

考慮到協(xié)方差矩陣R是對(duì)稱的,那么它的奇異值分解可以寫成:

Σ=VDVT=VD1/2D1/2VT

(20)

因此,式(15)中的矩陣平方根可定義為:

(21)

ST=D1/2VT

(22)

基于SVD的UT框架的流程圖如圖2所示。首先計(jì)算sigma樣本的均值和協(xié)方差矩陣,然后將奇異值分解應(yīng)用于協(xié)方差矩陣,得到其奇異向量。然后將得到的均值和奇異向量合并生成新的sigma樣本。最后,新樣本通過非線性函數(shù)得到結(jié)果的加權(quán)平均值和協(xié)方差,當(dāng)輸入?yún)?shù)n個(gè)數(shù)較少時(shí),SVD/UT采樣更有效。

圖2 基于SVD的UT框架的流程

2.2 寬度學(xué)習(xí)(廣義擴(kuò)展的增量學(xué)習(xí))

在各種應(yīng)用中,對(duì)于所選擇的特征映射,增強(qiáng)節(jié)點(diǎn)的動(dòng)態(tài)增量可能不足以進(jìn)行學(xué)習(xí),因?yàn)樘卣饔成涔?jié)點(diǎn)不夠充分而導(dǎo)致的,這些節(jié)點(diǎn)可能沒有提取足夠的定義輸入數(shù)據(jù)結(jié)構(gòu)的底層變化因子。在流行的深層結(jié)構(gòu)網(wǎng)絡(luò)中,當(dāng)現(xiàn)有模型不能很好地學(xué)習(xí)任務(wù)時(shí),一般的做法是增加過濾器(或窗口)的數(shù)量或者增加層數(shù),通過重新設(shè)置新結(jié)構(gòu)的參數(shù),使得模型的訓(xùn)練變得十分繁瑣。在所提出的BLS中,如果需要增加一個(gè)新的特征映射,則可以很容易地構(gòu)造出整個(gè)結(jié)構(gòu),并且不需要從頭重新訓(xùn)練整個(gè)網(wǎng)絡(luò)就可以應(yīng)用增量學(xué)習(xí)[12]。假設(shè)初始結(jié)構(gòu)由n組特征映射節(jié)點(diǎn)和m組廣義增強(qiáng)節(jié)點(diǎn)組成。

考慮到第(n+1)個(gè)特征映射組節(jié)點(diǎn)被添加并表示為:

Zn+1=φ(XWen+1+βen+1)

(23)

相應(yīng)的增強(qiáng)節(jié)點(diǎn)隨機(jī)生成如下:

Hexm=[ξ(Zn+1Wex1+βex1),…,

ξ(Zn+1Wexm+βexm)]

(24)

(25)

(26)

(27)

(28)

(29)

(30)

這種增量學(xué)習(xí)節(jié)省了只計(jì)算必要的偽逆的時(shí)間,非常適合于新輸入數(shù)據(jù)的增量學(xué)習(xí)。平坦的函數(shù)擴(kuò)展和增量學(xué)習(xí)算法可以應(yīng)用于各種網(wǎng)絡(luò),如支持向量機(jī)或RBF網(wǎng)絡(luò)。這里使用偽逆計(jì)算,如果需要,可以用迭代算法代替,梯度下降法也可以用來確定增強(qiáng)節(jié)點(diǎn)的權(quán)重。

3 優(yōu)化算法

針對(duì)網(wǎng)絡(luò)化微電網(wǎng)隨機(jī)運(yùn)行管理的高度非線性和復(fù)雜性,提出了一種基于SCE算法的優(yōu)化方法。SCE優(yōu)化算法不需要計(jì)算任何額外的信息,例如梯度或偏導(dǎo)數(shù)信息。在多目標(biāo)函數(shù)的激勵(lì)下,目前它已經(jīng)成功地用于解決不同領(lǐng)域的多參數(shù)、多目標(biāo)函數(shù)的問題。該算法是一種由種群、單純形和復(fù)雜層組成的全局搜索方法。首先,算法從給定數(shù)量的種群開始,這些種群在可行有界空間內(nèi)隨機(jī)分布。然后將初始種群平均分散到一定數(shù)量的復(fù)合體中。利用競(jìng)爭(zhēng)復(fù)合物進(jìn)化(CCE)過程,這些復(fù)合物可以相互獨(dú)立地進(jìn)化。CCE過程被用來改變單純形的最壞頂點(diǎn),幫助搜索過程成為最佳解(進(jìn)化步驟)。在這一步中,如果結(jié)果不理想,則執(zhí)行變異過程,并將子復(fù)雜中最差的個(gè)體替換為從可行有界解空間獲得的新隨機(jī)解。經(jīng)過幾代之后,復(fù)合物被混合在一起,并且新的復(fù)合物被組織來共享從每個(gè)復(fù)合物中分別獲得的信息(洗牌步驟)。由此可見,SCE算法具有強(qiáng)大的全局搜索能力。重復(fù)這兩個(gè)步驟,直到滿足一定的收斂準(zhǔn)則,以獲得可行空間中的最佳可能參數(shù)。綜上所述,SCE算法提供了一種可行的融合隨機(jī)進(jìn)化和確定性直接搜索的機(jī)制,但不能保證避免陷入局部解[13]。

SCE算法不同于傳統(tǒng)的優(yōu)化方法(如遺傳算法(GA)、粒子群優(yōu)化算法(PSO)),SCE算法融合了基于種群的隨機(jī)進(jìn)化和確定性直接搜索的優(yōu)點(diǎn),從而具有強(qiáng)大的全局搜索機(jī)制。為了使原問題的搜索成功率更高,所以對(duì)原問題進(jìn)行修正,提高搜索成功率。當(dāng)CCE過程中找不到一個(gè)改進(jìn)的變量集時(shí),即在CCE過程中,該算法存在一個(gè)空白,最差適應(yīng)度的更新僅限于其當(dāng)前位置與相關(guān)復(fù)合體中其他個(gè)體平均位置之間的線段,而不考慮其函數(shù)值。因此,在SCE算法中,在每一個(gè)復(fù)雜的進(jìn)化過程中,局部搜索空間受到限制,種群中最優(yōu)個(gè)體的進(jìn)化機(jī)會(huì)較小。這可能導(dǎo)致搜索過程不正確,導(dǎo)致過早收斂。因此,算法可能會(huì)陷入不需要的局部最優(yōu)解[14]。為了防止這一問題,提高SCE算法的局部搜索能力,本文假設(shè)尋找最佳子代的搜索方向可以通過更多的操作來決定。

(1) 計(jì)算相關(guān)復(fù)形中所有總體的函數(shù)值(fj),其中j=1,2,…,w-1,然后通過式(30)計(jì)算新的質(zhì)心g′。基于這個(gè)方案,所有個(gè)體的適應(yīng)度值找到一個(gè)更好的搜索方向,高質(zhì)量的個(gè)體比低質(zhì)量的個(gè)體有更多的機(jī)會(huì)成為父母;

(31)

(2) 用新的質(zhì)心g′計(jì)算新點(diǎn),ur,new=2g′-uw然后再確定新的反射點(diǎn),它是基于所有粒子的函數(shù)值。

(3) 檢查ur,new,如果它在可行空間內(nèi),則計(jì)算Fr,new,由于新的最佳搜索方向,每個(gè)步驟的函數(shù)值可能比Fr(對(duì)于傳統(tǒng)的SCE算法)更好,如果是則進(jìn)行下一步,否則,執(zhí)行變異步驟。

(4) 比較Fr,new和Fw,如果Fw>Fr,new,ur替換ur,new,移動(dòng)到步驟(6);否則,考慮所有總體的函數(shù)值,執(zhí)行基于g′的新收縮步驟,計(jì)算uc,new=(g′+uw)/2和Fc,new。

(5) 比較Fc,new和Fw,如果Fw>Fc,new,uw替換uc,new,移到步驟(6);第二次執(zhí)行突變步驟,在H內(nèi)隨機(jī)產(chǎn)生一個(gè)突變點(diǎn)(z),用uz代替uw。

(6) 在ψ循環(huán)中重復(fù)步驟(1)到步驟(5),其中ψ>1是設(shè)定的預(yù)定參數(shù)。

改進(jìn)后的算法的反射和收縮步驟必須考慮種群的函數(shù)值。這一機(jī)制增加了產(chǎn)生高質(zhì)量后代的機(jī)會(huì),從而可能引導(dǎo)其向最佳方向收斂。

從圖3可看出,采用改進(jìn)SCE算法對(duì)多微電網(wǎng)優(yōu)化調(diào)度運(yùn)行問題進(jìn)行求解,效果更好,成本更低。標(biāo)準(zhǔn)SCE算法的收斂速度也非?？?但是SCE算法在中段尋優(yōu)規(guī)則性較差,且陷入局部最優(yōu),其遍歷性較差。本文算法運(yùn)算效率高,其求解時(shí)間快,優(yōu)化效果最好。

圖3 標(biāo)準(zhǔn)SCE算法與改進(jìn)SCE算法比較

4 優(yōu)化模型求解

Step1定義輸入數(shù)據(jù),包括總線數(shù)據(jù)、分支數(shù)據(jù)、微網(wǎng)數(shù)量、微網(wǎng)連接拓?fù)?、不確定參數(shù)個(gè)數(shù)、SCE算法參數(shù)和上下界、終止準(zhǔn)則。

Step2利用寬度學(xué)習(xí)預(yù)測(cè)WT的輸出功率。利用WT的歷史數(shù)據(jù),寬度學(xué)習(xí)訓(xùn)練后將提供高精度的結(jié)果,并將其作為操作模型的輸入。

Step3生成初始種群。每個(gè)復(fù)合物代表問題的最優(yōu)解決方案,顯示每個(gè)微電網(wǎng)中單元/存儲(chǔ)單元的最佳功率分配以及車輛的充放電狀態(tài)。

Step4在隨機(jī)框架下模擬不確定性效應(yīng)。對(duì)于每個(gè)隨機(jī)參數(shù)(WT輸出功率、光伏輸出功率、市場(chǎng)價(jià)格和小時(shí)負(fù)荷需求),計(jì)算目標(biāo)函數(shù),以找到每個(gè)復(fù)合物的成本函數(shù)的期望值。

Step5將最優(yōu)解存儲(chǔ)為最佳復(fù)合物。期望成本函數(shù)值最小的復(fù)合物被保存為最佳復(fù)合物。

Step6應(yīng)用所提出的修正方法,再次提高復(fù)合物的數(shù)量。因此,應(yīng)用上一部分中解釋的子修改,以幫助進(jìn)行更強(qiáng)大的搜索。

Step7更新最佳種群。使用新的最佳搜索方向,很有可能找到更多的最優(yōu)復(fù)合物來升級(jí)最好的復(fù)合物。

Step8檢查終止條件。此處將最大迭代次數(shù)作為終止條件。如果實(shí)現(xiàn)了,則完成算法,否則返回Step6。

5 算例分析

本節(jié)將在IEEE標(biāo)準(zhǔn)測(cè)試系統(tǒng)的一個(gè)包含四個(gè)不同但相互連接的多微電網(wǎng)的測(cè)試網(wǎng)絡(luò)上檢查所提出框架的性能。圖4是測(cè)試系統(tǒng)的示意圖,每個(gè)微電網(wǎng)包含一個(gè)或多個(gè)DG,在微電網(wǎng)1中,29號(hào)母線上有一個(gè)光伏板,36號(hào)母線上有一個(gè)蓄電池,63號(hào)母線上有一個(gè)微型汽輪機(jī);微電網(wǎng)2母線上有一個(gè)風(fēng)機(jī);微電網(wǎng)3號(hào)母線上有一個(gè)風(fēng)機(jī);微電網(wǎng)4號(hào)母線上有一個(gè)燃料電池和微型汽輪機(jī)。正如多微電網(wǎng)所期望的那樣,微電網(wǎng)可以相互交換電力,如果需要,它們可以向上游配電系統(tǒng)進(jìn)行電力交換。虛線顯示了微電網(wǎng)之間的功率傳輸路徑。

圖4 測(cè)試系統(tǒng)的示意圖

風(fēng)機(jī)輸出功率的預(yù)測(cè)值如圖5所示,該曲線是寬度學(xué)習(xí)預(yù)測(cè)的輸出,具有較高的精度。但在預(yù)測(cè)結(jié)果中會(huì)出現(xiàn)一定量的預(yù)測(cè)誤差,這就需要使用隨機(jī)框架。為了簡(jiǎn)單起見,兩個(gè)風(fēng)機(jī)的模式相似,但假設(shè)其容量不同。由于其不可調(diào)度性,微電網(wǎng)必須在一天中的任何時(shí)間購(gòu)買風(fēng)機(jī)產(chǎn)生的所有電力。

圖5 風(fēng)機(jī)輸出功率的預(yù)測(cè)值

模擬了三種不同的方案。方案一,多微電網(wǎng)只考慮分布式電源,而忽略了電池的存儲(chǔ),所有的裝置都必須保持開啟狀態(tài)。方案二,蓄電池被忽略,但DGs可以在打開和關(guān)閉之間切換。方案三,考慮了電池的存儲(chǔ),DGs也可以在打開和關(guān)閉之間切換。圖6所示為機(jī)組的小時(shí)最優(yōu)功率分配。

圖6 機(jī)組的小時(shí)最優(yōu)功率分配

由于微電網(wǎng)2和3只依賴于風(fēng)電機(jī)組的不可調(diào)度單元,因此它們要從第一個(gè)微電網(wǎng)獲得部分電力需求。因此,微電網(wǎng)1在主電網(wǎng)和這兩個(gè)微電網(wǎng)之間起著互聯(lián)網(wǎng)絡(luò)的作用。另一方面,由于燃料電池和微型汽輪機(jī)的強(qiáng)大容量,4號(hào)微電網(wǎng)具有足夠的功率。從圖7中可以看出,這些裝置總是有足夠的電力供應(yīng)整個(gè)微電網(wǎng)4的負(fù)荷需求。如果需要,可以幫助微電網(wǎng)4在不損失部分負(fù)荷的情況下進(jìn)入孤島模式。微電網(wǎng)1號(hào)具有可調(diào)度和不可調(diào)度單元,并與主電網(wǎng)直接連接,從而最大限度地減少電力傳輸損耗,從而達(dá)到最佳狀態(tài)。這也有助于這個(gè)微電網(wǎng)在緊急情況下幫助其他微電網(wǎng)。結(jié)果表明,微電網(wǎng)1機(jī)組中的微型汽輪機(jī)作為一種昂貴的機(jī)組,往往以最小的功率運(yùn)行,這使得微電網(wǎng)運(yùn)營(yíng)商可以從主網(wǎng)購(gòu)買其負(fù)荷需求。

圖7 方案一最優(yōu)調(diào)度

圖8展示出了方案二中的最優(yōu)調(diào)度的結(jié)果。燃料電池和微型汽輪機(jī)等可調(diào)度裝置可在需要時(shí)關(guān)閉。因此,可以看到在一天中,從1點(diǎn)到7點(diǎn),燃料電池和微型汽輪機(jī)組關(guān)閉,因?yàn)樗鼈兊碾娏r(jià)格高于主電網(wǎng)。

圖8 方案二最優(yōu)調(diào)度

圖9顯示了方案三多微電網(wǎng)的最優(yōu)功率分配,分析中考慮了蓄電池組?？梢钥闯?電池需要先充電,才能在晚些時(shí)候達(dá)到峰值負(fù)載時(shí)放電,相當(dāng)經(jīng)濟(jì)。因?yàn)樗鼘⒂兄谖㈦娋W(wǎng)減少在中午從主電網(wǎng)購(gòu)買昂貴的電力。這直接影響了大多數(shù)機(jī)組的最優(yōu)功率分配。

圖9 方案二最優(yōu)調(diào)度

圖10提供了在每個(gè)方案中100次迭代期間改進(jìn)的成本目標(biāo)函數(shù)的比較圖,根據(jù)圖可知,方案三具有最高的經(jīng)濟(jì)合理性,這是因?yàn)樾铍姵卦谳p載時(shí)儲(chǔ)能,在晚些時(shí)候(如中午)放電。這種智能策略可以成功地降低多微電網(wǎng)的總成本。方案一經(jīng)濟(jì)性最差,因?yàn)殡娋W(wǎng)中沒有電池,而且所有的DG都被迫保持開啟狀態(tài)。

圖10 三種方案目標(biāo)函數(shù)成本比較

以上所有的分析都是在隨機(jī)框架下進(jìn)行的。為了觀察不確定性對(duì)問題的影響,在確定性框架中對(duì)所有場(chǎng)景重復(fù)結(jié)果。在確定性和隨機(jī)性框架中,成本目標(biāo)函數(shù)的比較圖如圖11所示。從柱狀圖可以看出,隨機(jī)框架下的期望成本函數(shù)值高于確定性框架。這是為模型中的不確定性影響建模并進(jìn)行可靠且更可信賴的分析付出的成本。

圖11 三種方案隨機(jī)框架與確定性框架比較圖

通過對(duì)IEEE標(biāo)準(zhǔn)測(cè)試系統(tǒng)的仿真結(jié)果的分析可以驗(yàn)證建立的多微電網(wǎng)隨機(jī)框架的優(yōu)越性。與必須依靠自身發(fā)電能力或主電網(wǎng)的單一微電網(wǎng)相比,多微電網(wǎng)具有與相鄰微電網(wǎng)連接的優(yōu)勢(shì),可以帶來以下好處:經(jīng)濟(jì)和靈活地運(yùn)行:微電網(wǎng)互聯(lián)提供的高靈活性帶來了高經(jīng)濟(jì)效益。通過在高峰負(fù)荷時(shí)微電網(wǎng)之間的電力交換以及使用更多的廉價(jià)機(jī)組和更少的昂貴機(jī)組來實(shí)現(xiàn)的。

支持可再生能源:可再生能源的不可調(diào)度性使得它們即使在輕負(fù)載時(shí)也不會(huì)關(guān)閉。因此,多微電網(wǎng)中這些機(jī)組產(chǎn)生的額外電力可以出售給其他微電網(wǎng)。

不確定性量化:基于近似方法的隨機(jī)模型可以捕捉可再生能源的高度不確定性。

6 結(jié) 語

本文提出了一種基于寬度學(xué)習(xí)和UT變換方法的多微電網(wǎng)優(yōu)化調(diào)度的隨機(jī)框架。該框架基于改進(jìn)的SCE算法對(duì)滿足若干等式和不等式約束的微電網(wǎng)總成本進(jìn)行優(yōu)化。定義了三種不同的方案,以闡明擬議框架的高性能和高性能。根據(jù)IEEE標(biāo)準(zhǔn)測(cè)試系統(tǒng)的仿真結(jié)果,機(jī)組的最優(yōu)功率分配依賴于可調(diào)度單元的性能。讓可調(diào)度單元在開和關(guān)狀態(tài)之間切換有助于降低微電網(wǎng)的總成本,因?yàn)樵谥麟娋W(wǎng)可以提供更便宜的電力的情況下,可在輕負(fù)荷時(shí)間關(guān)閉這些DG。另一方面,一些存儲(chǔ)單元(如電池)可以為聯(lián)網(wǎng)的微電網(wǎng)提供很大的幫助,從主電網(wǎng)購(gòu)買成本很高,它可以在輕載時(shí)存儲(chǔ)能量,并在晚些時(shí)候?qū)⑦@些能量注入微電網(wǎng)。在隨機(jī)框架下,首先利用寬度學(xué)習(xí)提高WTs的預(yù)測(cè)精度,然后用UT變換方法對(duì)可能的預(yù)測(cè)誤差進(jìn)行建模。這三種方案的仿真結(jié)果表明,該模型具有較高的魯棒性,不確定性的影響在分析中體現(xiàn)為增加的成本,所提出的基于SCE的優(yōu)化算法可以在短時(shí)間內(nèi)解決所有場(chǎng)景下的隨機(jī)問題,達(dá)到100次迭代。