含多微源的微网并网优化运行研究

燕颖，潘庭龙

（江南大学物联网工程学院电气自动化研究所，江苏无锡214122）



含多微源的微网并网优化运行研究

燕颖，潘庭龙

（江南大学物联网工程学院电气自动化研究所，江苏无锡214122）

摘要：并网运行模式是发挥微网系统与大电网互补灵活性的重要形式。建立了含有储能单元和多微源包括光伏电池、风力发电机、燃料电池、柴油发电机的复杂微网系统模型。在分时电价机制下，基于调度时段内追踪净负荷及SOC的状态变化制定了的优化调度策略。以含多约束条件的经济及环境成本最优化为目标函数建立了优化模型，通过改进的粒子群算法求解模型得出各微源及蓄电池整个调度周期内运行状态。最后，结合具体算例验证了该调度策略和改进算法的可行性。

关键词：微网；多微源；并网；运行优化；粒子群算法

随着当前资源和环境问题引发的矛盾日益突出，分布式发电技术得以迅速的发展起来，它具有能源资源利用率高，环境负面效应低，对经济效益以及供能可靠性有一定改善等优势。分布式发电供能微网系统又称微网，是由分布式电源、储能装置、能量转换装置、相关负荷和监控、保护装置汇集而成的小型发配电系统。

微网系统在并网运行的过程中，除保证运行外可靠，还应该兼顾经济性、环保性。随着对微网运行研究的深入，也已有了部分相关研究成果［1］。文献［2］建立了一种包含燃料电池、微型燃气轮机和柴油发电机组的混合能源系统微电网，并提出了自适应改进的粒子群算法对一天内的运行成本模型进行求解，但并未考虑加入蓄电池模块后的复杂情况。文献［3］对微网的运行采用了基于实数编码的改进自适应遗传算法对其运行经济性进行了建模求解，但未充分考虑环境治理费用的问题。

本文建立了含有储能单元蓄电池［4］和多微源包括光伏电池、风力发电机、燃料电池、柴油发电机的复杂微网并网运行模型，综合考虑分时段内的净负荷状态、蓄电池荷电状态（SOC）条件和分时电价提出调度策略，建立了以经济运行成本最小及环境保护成本最小的优化调度模型，并采用改进的粒子群算法对该模型进行求解。

1　含多微源的微网系统

本文研究的微网系统由光伏电池（PV）、风力发电机（WT）、蓄电池（BAT）、燃料电池（FC）、柴油发电机机（DE）共同组成。

蓄电池是整个微网系统中寿命周期最短的设备，其使用状况影响了整体性能的高低。蓄电池的有效累积寿命与它的放电深度和SOC值相关［5］，应尽量避免长期频繁深放电，及运行在过低或过高的SOC水平。蓄电池在t时刻的SOC与其在t-1时刻的SOC，以及t-1到t时段的充放电量有关。故有

燃料电池和柴油发电机发电过程中消耗燃料费用与输出功率之间有如下关系：

式中，Cnl为天然气价格，L为天然气低热热值，取定为9.7 kWh/m3，ηfc为FC运行效率。Cde为柴油单价，元/g，δde为燃油消耗率，g/kWh。

2　优化调度模型

2.1目标函数

本文设定2个目标函数，目标函数1为运行经济成本最低，目标函数2为环境成本最低。

式中，F1、F2分别表示目标函数1和2，T为调度周期的总时段个数（以小时计），Cf表示各时段发电所需燃料成本。Com表示运行维护成本，表示为运行功率与运行维护系数的乘积，Cgrid为系统与大电网交互的成本。Cen为某微源在t时段内的污染物排放成本，元，Qij为第i个微源单位电量下对第j种污染物的排放量，kg/kWh，Vj为第j种污染物单位量所需支付的惩罚治理费用，元/kg，m为总的污染物种类数。

本文对多个单目标采用归一化处理的方式由决策者选取大于0的向量wi（i=1，2，...，n），以线性加权法转化为单目标的数学规划问题。Wi作为权系数，其值越大代表目标对应的重要性占比越大。

mjnF=mjn（w1F1+w2F2）（7）

其中，w1，w2为权系数，为非负值，且w1+w2=1。当考虑目标函数1时，取w1=1，w2=0；当考虑目标函数2时，取w1=0，w2=1。

2.2约束条件

1）功率平衡约束Ppv+Pwt+Pgrjd+Pfc+Pbat=P1oad（8）

2）各微源的输出功率约束：

3）蓄电池功率上下限约束及荷电状态约束：

2.3优化调度策略

光伏电池、风力发电机作为可再生能源，其发出的功率全部用来满足负荷需求，由此得出净负荷Pnet的定义为同一时刻下，系统的实际负荷需求值减去可再生能源发电系统产生的功率值，是运行调度中其他发电单元和储能系统需要满足的功率值。

追踪净负荷状态。当净负荷小于0时，说明可再生能源产生了足够的输出功率且有剩余，此时令蓄电池运行在充电或待机状态。同时追踪蓄电池SOC状态，当充电功率到达蓄电池最大充电功率临界值，或者下一时刻将出现SOC越限时，应停止继续充电。同时燃料电池和柴油发电机运行在停机状态。蓄电池的充电功率值、与电网的功率交互值由调度结果决定。当净负荷大于0时，说明有负荷缺额，此时开启蓄电池发电单元以弥补负荷缺额，并追踪SOC状态保证蓄电池工作的有效范围。开启燃料电池、柴油发电机，根据相应目标下调度结果决定各单元的功率值。同时，与大电网保持在自由交互状态。

3　改进粒子群算法及流程

3.1改进的粒子群算法

粒子群算法（PSO）的粒子个体通过对个体历史最优和群体历史最优信息的共享，发现更扩大化和更复杂的搜索空间中的最优位置，更易于解决复杂的非线性问题。PSO算法应用在传统电网的机组组合问题中已有相当部分的研究成果［6］。传统的PSO算法也有一些显著的缺点，比如容易出现早熟现象而陷于局部最优解，无法保证有广泛的种群多样性。随着迭代次数的增加，惯性权重逐渐递减可以更好的平衡全局搜索与局部搜索能力。同时，将加速因子进行变加速动态调整，可进一步扩大前期解空间的搜索范围，后期调整为加强粒子群的收敛性。改进后的惯性权重和变加速因子如下：

3.2算法流程和求解步骤

1）初始化粒子群，设置迭代次数、种群规模、粒子速度上下限等。

2）初始化粒子速度及位置。在功率上下限内，随机产生种群数量为20的BAT、FC、DE在24h内的功率值，由功率平衡约束得出电网交互功率。通过式（1）得到蓄电池24h的SOC值，检查是否满足式（11）的约束条件。如不满足，按一定的规则修改生成新的SOC值，直到满足约束条件。通过式（1）计算出新的蓄电池功率。

3）速度和粒子更新。更新限制条件：

①检测净负荷小于0时，蓄电池应处于充电状态。首先假设下一时刻的SOC值为最大值，计算出对应的充电功率，比较求出的该功率值、净负荷值、蓄电池充电上限功率三者中的最大值即为满足蓄电池功率约束和SOC约束的限值。

②检测净负荷大于0时，若蓄电池处于充电状态则检查充电上限功率约束和SOC最大值约束；若蓄电池处于放电状态则检查放电下限功率约束和SOC最小值约束。

③检查净负荷为负时停机约束和运行上下限约束。根据式（8）计算与大电网交互功率。

4）迭代300次，计算出群体适应度的最小值，并找出此时适应度值较小时的粒子，并计算出最优适应度下的蓄电池SOC的状态。

4　算例分析

4.1微网结构和基本参数数据

本算例采用的微网系统由光伏电池（PV）、风力发电机（WT）、蓄电池（BAT）、燃料电池（FC）、柴油发电机机（DE）组成，各单元的运行维护系数依次为：0.0096元/kWh，0.0296元/ kWh，0.0450元/kWh，0.0293元/kWh，0.0889元/kWh。BAT功率上下限分别为70 kW，-70 kW，FC、DE的功率上限分别为为70 kW、60 kW。算例中的PV，WT的负荷预测曲线如图1所示。系统内污染物处理价格及排放系数如表1所示。本文的调度周期为24 h，采用“峰—平—谷”分时电价的机制，各时段的购售电电价如表2所示。

图1　光伏电池、风力发电机功率及负荷需求预测值

表1　污染物处理价格及排放系数

表1　分时段购电及售电电价

4.2仿真结果分析

从图2可以看出，采用本文的改进粒子群优化算法的迭代效果显著，在对应优化目标下，运行费用由3 080元下降至2 250元，约有26%左右的成本节约。从图3和图4仿真运行结果可以看出，目标1、2下各个发电单元功率值均在约束范围之内。

图2　目标函数1下的运行成本优化结果

柴油发电机在整个调度周期内利用率极低。目标1下，柴油发电机由于度电经济成本极高，仅运行在电网售电价高峰时段。且可以看出柴油发电机仅开停机两次，降低了开停机成本。而在目标2下，柴油发电机由于度电的环境污染成本高于其他各供电单元以及购电价格，则一直处于停机状态，这与实际应用情况相符合。燃料电池利用率远高于柴油电池。在目标1和2下，在第5～6 h满足负荷需求后，燃料电池由于发电经济成本以及环境污染成本均较低，系统均首先开启燃料电池，且长期处于满载运行状态。

图3　目标函数1下的各微源及蓄电池功率输出情况

图4　目标函数2下的各微源及蓄电池功率输出情况

图5　目标函数2下的蓄电池荷电状态情况

蓄电池在净负荷为负值时，目标1和2下的调度都是相似的。起始阶段0～6 h内，净负荷为负，优先对蓄电池充电，当蓄电池充电到SOC限值时停止充电，剩余净负荷卖电给大电网。在23～24 h，净负荷再次为负值，仅给蓄电池充电，燃料电池和柴油发电机处于停机状态，与大电网交互功率也为0。在净负荷为正时，蓄电池配合其他微源满足负荷需求。图5表明蓄电池的SOC一直在0.2～0.8范围内，且在环境成本最低的目标下仅有2个充放电周期，充放电次数少，有利于延长蓄电池寿命。

5　结论

本文建立了含蓄电池储能和光伏电池、风力发电机、燃料电池和柴油发电机的多微源复杂微网系统，该系统与大电网并网运行。在净负荷状态和蓄电池SOC状态的追踪下提出的调度策略，本文改进了粒子群算法，设计相应的调度程序求解了目标函数。对24 h调度周期内的微源出力的仿真结果验证了本文的调度策略和算法的有效性，在相应目标下，各微源均合理的对功率输出进行了优化分配，并极大减小了对应运行成本。

参考文献：

［1］CHAKRABORTY S，WEISS M D，SIMOES M G. Djstrjbuted jnte11jgent energy management system for a sjng1e -phase hjgh -frequency AC mjcrogrjd［J］. IEEE Transactjons on Industrja1 E1ectronjcs，2007，54（1）：97-109.

［2］宁阳天.基于改进粒子群算法的微网动态经济调度算法［J］.电力建设，2014，35（6）：26-30.

［3］林伟，陈光堂，邱晓燕，等.基于改进自适应遗传算法的微电网负荷优化分配［J］.电力系统保护与控制，2012，40（12）：49-55.

［4］毛晓明，陈深，吴杰康，等.分时电价机制下含蓄电池微网的优化调度［J］.电网技术，2015，39（5）：1192-1197.

［5］Jenkjns D P，F1etcher J，Kane D.Ljfetjme predjctjon and sjzjng of 1ead-acjd batterjes for mjcrogeneratjon storage app1jcatjons［J］.IEL Renewab1e Power Generatjon，2008，2（3）：191-200.

［6］袁晓辉，苏安俊，聂浩，等.面向启发式调整策略和粒子群优化的机组组合问题［J］.电工技术学报，2009，24（12）：137-141.

Research on oPeratlon oPtlmlzatlon of grld-connected mlcrogrld wlth multlPle mlcro sources

YAN Yjng，PAN Tjng-1ong （School of Internet of Things Engineering Institute of Electrical Automation，Jiangnan University，Wuxi 214122，China）

Abstract:Operatjng jn grjd-connected mode js an jmportant form of mjcrogrjd to perform the f1exjbj1jty of the mutua1 comp1ementatjon wjth the power grjd.A comp1jcated mjcrogrjd mode was buj1t，whjch jnc1uded energy storage system and mu1tjp1e mjcro sources consjsted of photovo1tajc ce11，wjnd turbjne，fue1 ce11，djese1 generator .Under tjme-of-use prjce mechanjsm，based on the change of net 1oad and state of charge jn the djspatchjng cyc1e，a djspatch strategy was formu1ated .Take mu1tjp1e constrajnts jnto account，the optjmjzatjon target of the economy and envjronment was proposed .Then the mode1 was so1ved by modjfjed PSO a1gorjthm.The resu1t shows operatjng states of a11 mjcro sources and battery jn the djspatch cyc1e.At 1ast，the specjfjc examp1es verjfy the effjcjency of the strategy and proposed a1gorjthm.

Key words:mjcrogrjd；mu1tjp1e mjcro sources；grjd-connected；operatjon optjmjzatjon；PSO

中图分类号：TM73

文献标识码：A

文章编号：1674-6236（2016）07-0013-04

收稿日期：2015-09-29稿件编号：201509190

基金项目：江苏省自然科学基金（BK2012550）

作者简介：燕颖（1989—），女，山东莱芜人，硕士研究生。研究方向：智能微电网的优化运行。