基于自适应人工鱼群算法的微电网优化运行

刘荣荣，张靠社，张刚，刘桐

（1.西安理工大学，陕西西安 710048；2.国网陕西省电力公司电力科学研究院，陕西西安710100）

基于自适应人工鱼群算法的微电网优化运行

刘荣荣1，张靠社1，张刚1，刘桐2

（1.西安理工大学，陕西西安 710048；2.国网陕西省电力公司电力科学研究院，陕西西安710100）

针对含风、光、储、微型燃气轮机和燃料电池的并网和离网型微电网，综合考虑燃料、电能交互、投资折旧、维护及环境成本等变动成本，使系统在一个调度周期内的总运行成本最低，建立了微电网多目标经济优化模型。采用约束优化自适应人工鱼群算法（AFSA），求得一个调度周期内各分布式电源的最佳出力及运行总成本，并与基本人工鱼群算法求得的结果作对比。仿真结果表明：改进的算法具有收敛速度快和精度高的特点。

微电网；自适应人工鱼群算法；优化运行；多目标

微电网是小型发、配、用电一体的系统，由分布式电源、能量转换装置、监控和保护装置、储能系统及负荷等组成[1]，既可以与配电网联合运行，又可以孤立运行，是一个具备自我调节和能量管理的系统。目前，微电网是分布式新能源最好的接入方式，是智能电网建设的一个关键技术，而微电网优化运行是微电网研究的一个热门方向[2]。微电网优化运行大都是多目标优化的问题，然而各子目标之间往往相互约束，改善一个子目标可能会影响另一个甚至另几个子目标的性能[3]。

国内外已在微电网多目标优化运行方面有很多研究。文献[4]建立了一种综合考虑微电网的运行成本、峰填谷能力及电压偏差的微电网多目标经济调度模型，通过设置权重的方法将多目标转化为单目标，再应用粒子-细菌觅食算法解决微电网电能优化调度问题。然而权重的设置有较强主观性，不能准备地反映各子目标之间的矛盾关系，因此不便于应用在实际调度中。文献[5]提出应用克隆选择算法求解微电网多目标运行优化问题，但该算法将参数反复克隆使程序运行时间变长，且与优化结果相互冲突，不能两全，具有局限性。文献[6]考虑了微电源的燃料成本、维护成本与启动成本，以及分时电价和网损，满足微电网运行约束条件、负荷需求，建立了优化模型，但忽略了设备初始投资费用和环境成本，也未对各个微源出力进行分析。

本文将调度周期内微电网运行的经济性作为目标，并考虑分时电价的差异，给出微电网内各单元的数学模型，分别采用基本人工鱼群算法（artificial fish swarm algorthm，AFSA）和基于约束自适应人工鱼群算法（adaptive artificial fish swarm algorthm，AAFSA）求解并作对比，得出一个调度周期内微电网最佳运行方式，提高微电网运行的经济效益。

1 微电网内各单元的数学模型

本文采用典型微电网结构，主要包含风机（wind turbine，WT）、光伏（photovoltaic cell，PV）、微燃机（micro turbine，MT）、燃料电池（fuel cell，FC）四种分布式电源，以及储能系统（energy storage system，ESS），通过PCC与配电网相连。

1.1 微型燃气轮机

微型燃气轮机是指功率范围在25～300 kW，以天然气、汽油及柴油等为燃料的小型热力发电机，其输出功率具有可控性。通常情况下，微型燃气轮机输出的功率与其使用的燃料量有关，燃料越充足，输出功率就越大。微型燃气轮机的燃料成本的数学模型[7]表示为

式中：CMT（t）为微型燃气轮机在t时段内的燃料成本，元；cfuel为然气的价格，元/m3，本文取cfuel=2.5元/m3；PMT（t）为微型燃气轮机在t时段的输出功率，kW；LHV是天然气低热热值，本文取LHV=9.7 kWh/m3；ηMT（t）为微型燃气轮机在t时段的效率。

本文采用常见的微型燃汽轮机Capstone C65进行建模计算[8]。微型燃气轮机的输出功率与发电效率的关系函数表示为

1.2 燃料电池

燃料电池发电就是把化学反应的化学能高效的直接转化为电能的装置，发电效率要远远高于其他发电方式，在微电网的应用有广阔的前景。燃料电池的燃料成本数学模型[9]可表示为

式中：ηFC（t）、PFC（t）分别为其t时段的燃料电池的效率、输出功率。燃料电池发电效率和输出功率的关系[10]表示为

1.3 储能系统

储能系统对微电网的安全稳定运行和经济效益有着重要的影响[11]。电储能在微电网经济调度中对电网的负荷具有削峰填谷的作用，保证系统持续供电，其主要包括功率型和能量型两大类。功率型电储能可短时充放电，因此调度间隔较短时，应采用功率型；若间隔较长，则应使用能量型[12]。本文采用的是能量型电储能。电储能模型较为常见，其储能容量与充放电功率的关系表示为

式中：为EEE（St）时t段的储能容量；和ηEES，ch、ηEES，dis分别为t时段充放电功率和效率；τ为电储能的自放电率。

风力发电机组和光伏发电系统的模型参照文献[10]。

2 微电网多目标优化运行的数学模型

2.1 目标函数

考虑微在电网优化周期内的发电成本（燃料成本、折旧成本、维护成本、电能交互成本）和环境成本最低，建立微电网优化运行的目标函数可表示为

式中：min F、min F1，min F2为优化模型中的总目标函数、子目标函数。

目标1：发电成本最小，表达式为

其中

式中：并网运行时，u=1，孤网运行时，u=0；CF（t）、CDP（t）、CME（t）、CEX（t）分别为t时段的燃料成本、投资折旧成本、维护成本、与大电网电能交互成本；Caz，i为第i个微源的安装成本，Pi（t）为第i个微源在t时段的有功功率输出，fi为第i个微源的容量因数，ni为第i个微源的投资偿还期，即使用寿命，r为年利率；n为微源的个数，Kme，i为第i个微源的设备维护系数；CBUY（t）、CSEL（t）分别为t时段系统的售电和购电成本。

目标2：环境折算成本最低，表达式为

式中：min F2为治理微电网排放污染物的费用，元；k为各分布式电源排放的污染物类型的编号，包含NOx、CO2、SO2、CO等；bk为治理第k类污染物的费用，元/kg；ai，k为第i个分布式电源排放第k类污染物的系数，g/kWh。

2.2 约束条件

本文主要考虑微电网在运行时满足功率平衡约束、各单元的输出功率约束以及爬坡率约束。

1）功率平衡约束

式中：Pload（t）为t时段系统的负荷。

2）分布式电源输出功率约束

式中：Pi，min、Pi，max为第i种电源输出的有功功率最小、最大值。

3）机组爬坡率约束

式中：PMT（t）、PMT（t-2）分别是t时段和t-1时段微型燃气轮机输出的有功功率；PFC（t）、PFC（t-1）分别是t时段和t-1时段的燃料电池输出的有功功率；分别是燃料电池和微型燃气轮机爬坡约束时的功率上限。

4）微网与大电网并网运行时的功率交互约束

式中：PEX，min（t）、PEX，max（t）为t时段微电网与大电网交换功率的最小、最大值。

3 基于约束优化自适应人工鱼群算法

本文将人工鱼群算法应用于微电网系统优化运行问题，并根据文献[13]主要对算法的觅食行为进行了改进。

改进后算法的觅食行为如图1所示，F0是位于为C的当前人工鱼，F1是目前最佳的人工鱼，F2是与F0距离最短的人工鱼。人工鱼分别按视野Visual1和Visual2同时进行寻找，每条人工鱼随机的确定两个目标位置A、B，然后分别比较A与C、B与C的食物浓度，若A和B中有一点的食物浓度优于C或都优于C，则人工鱼向A与B中位置最佳的点前进。其中向A前进时以Visral1·a·R（）为步长，向B前进时以Visual2· a·Rand（）为步长，否则在且尚未达到设定的尝试次数的情况下，则继续搜索。

图1 觅食行为描述Fig.1 Description of prey behavior

1）微电网优化运行是一个非线性、复杂的多约束优化问题。本文将微型燃气轮机、燃料电池和储能装置的输出作为人工鱼的状态向量，目标函数Y=minF为食物浓度。

2）基本的人工鱼群算法仅考虑了变量的取值范围，未考虑其他约束条件的处理，故本文采用的约束自适应人工鱼群算法，充分考虑机组的输出功率约束、系统功率平衡约束和爬坡率约束条件。因此针对爬坡约束，在目标函数引入惩罚因子，食物浓度适应度值函数做出如下修正

3）在人工鱼的觅食行为中，视野由人工鱼根据鱼群的分布情况动态生成，并通过视步系数a对步长进行调节，只需考虑视步系数，从而减少了参数的设计。因此，自适应调节视野后，并比较食物的浓度，确定所选取的移动方向为

在本文的人工鱼群算法中，人工鱼总数为100条，人工鱼的状态为3维空间向量，尝试次数为200次，视步系数为0.5，迭代次数为40次，拥挤度为0.618。

4 算例仿真分析

4.1 基础数据

本文选取我国西北地区某地包含风机、光伏阵列、微型燃气轮机、燃料电池及储能单元的微电网为研究对象。一个优化周期分为24个时段，每个优化时段为1 h，每个优化时段内与大电网交互功率的电价与分时电价变化同步。

微电网的各单元相关的运行参数[9，14]如表1所示。表2给出了各类污染物的处理成本和排放系数[14]。本文的电价划分为3个时段：峰时段为10：00—15：00和19：00—22：00；平时段为7：00—9：00和16：00—18：00；谷时段为0：00—6：00和23：00—24：00。分时电价表如表3所示[9]。

表1 各单元运行参数Tab.1 Operating limits of each unit

表2 污染物治理费用和排放系数Tab.2 The costs of pollution control and emission factors

表3 微电网分时电价Tab.3 TOU price of micro grid

因WT和PV不消耗燃料和污染环境，输出具有随机性和不可控性，故使其优先出力。文中的典型日电负荷采用文献[14]的数据，如图2所示。

4.2 并网运行结果分析

根据本文建立的微电网优化调度模型，采用约束自适应人工鱼群算法进行优化，应用MATLAB完成程序编制并进行仿真，得出夏季典型日各微电源的输出功率和系统售购电情况，如图3所示。

图2 夏季典型日负荷及风机光伏出力Fig.2 The load data and wind photovoltaic output in a typical day in summer

图3 并网时各微电源的输出功率和售购电情况Fig.3 The output of each micro-power and sale purchase electricity when connected with grid

从图3中可以看出：在负荷低谷时期，由于采用分时电价，低谷时期从大电网购电的成本低于微电网的发电成本，所以从大电网购电；在负荷高峰期和平时在满足负荷需求的情况下向大电网售电来给微电网创造收益。蓄电池在低谷时充电以满足负荷高峰期的需求。微型燃气轮机和燃料电池在负荷高峰期处于满发状态。

图4是在并网状态下微电网的日运行成本，将约束自适应人工鱼群算法和基本人工鱼群算法得到的结果进行了比较。

图4 并网时微电网日运行成本对比Fig.4 The comparison of micro grid day generating costs when connected with grid

从图4中可以出：约束自适应人工鱼群算法迭代9次就基本趋于稳定，最终的收敛的结果是718.93元，相对于在同等条件下基本人工鱼群算法需迭代23次才能趋于稳定，最终得到的优化结果为820.15元，从图4中可以看出约束自适应人工鱼群算法更具实用性和寻优能力更强。

4.3 孤网运行结果分析

在孤网状态下，微电网的负荷都得靠微电网内的微电源发出电能进行供给，图5是经过优化后各微电源在每个时刻应输出的功率。

图5 孤网时微电源的输出功率和售购电情况Fig.5 The output of each micro-power and sale purchase electricity when isolated with grid

从图5中可以出：当各发电单元所发的电能不能满足系统的负荷需求时，可以通过蓄电池放电对微电网进行供电，在系统中产生的电能出现剩余时，对蓄电池进行充电。这样可以满足系统负荷的需求保证系统的持续供电。

图6是在孤网状态下微电网的日运行成本曲线，并且比较了改进的人工鱼群算法和基本人工鱼群算法优化的结果。

图6 孤网时微电网日运行成本对比Fig.6 The comparing of micro grid day generating costs when isolated with grid

从图6中可以出：约束自适应人工鱼群算法经过12次的迭代就基本趋于稳定，最终的收敛的结果是783.64元，相比之下，在同等条件下基本人工鱼群算法需迭代19次才能趋于稳定，最终得到的优化结果为850.53元，从图6中可以看出约束优化自适应人工鱼群算法具有更好的收敛精度和收敛速度。

5 结语

本文基于并网型和离网型微电网建立了优化运行的数学模型，运用约束自适应人工鱼群算法对模型进行了仿真求解，并与基本人工鱼群算法对比，对每种微电源在各时段的输出功率进行了分析，结果验证了本文所建模型的可行性和有效性，约束自适应人工鱼群算法具有收敛速度快、收敛精度高的特点，有很好的寻优能力，具有很好的应用前景。

[1]陈丽丽，牟龙华，刘仲.光储柴微电网运行特性分析[J].电力系统保护与控制，2015，43（12）：86-91.CHEN Lili，MU Longhua，LIU Zhong.Analysis of the operating characteristics of a PV-Diesel-BESS microgrid system[J].Power System Protection and Control，2015，43（12）：86-91.

[2]王成山，武震，李鹏.微电网关键技术研究[J].电工技术学报，2014，29（2）：1-12.WANG Chengshan，WU Zhen，LI Peng.Research on key technologies of micro grid[J].Transactions of China Electro technical Society，2014，29（2）：1-12.

[3]夏澍，顾劲岳，葛晓琳，等.风光联合优化配置的多目标机会约束规划方法[J].电力系统保护与控制，2016，44（6）：35-40.XIA Shu，GU Jinyue，GE Xiaolin，et al.Multiobjective chance-constrainedprogrammingmethodforwindgenerations and photovoltaic allocating[J].Power System Protection and Control，2016，44（6）：35-40.

[4]杨毅，雷霞，徐贵阳，等.采用PSO-BF算法的微电网多目标电能优化调度[J].电力系统保护与控制，2014，42（13）：49-55.YANG Yi，LEI Xia，XU Guiyang，et al.Multi-objective optimal dispatch of micro grid using particle swarm optimization combined with bacterial foraging algorithm[J].Power System Protection and Control，2014，42（13）：49-55.

[5]薛贵挺，张焰，刘玉娇，等.基于克隆选择算法的微电网多目标运行优化[J].电力自动化设备，2014，34（3）：16-21.XUE Guiting，ZHANG Yan，LIU Yujiao，et al.Multi objective operation optimization of micro grid based on clonal selection algorithm[J].Electric Power Automation Equipment，2014，34（3）：16-21.

[6]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.LIN Wei，CHEN Guangtang，QIU Xiaoyan，et al，Optimal load distribution of micro grid based on improved self-adaptive genetic algorithm[J].Power System Protectionand Control，2012，40（12）：49-55.

[7]牛铭，黄伟，郭佳欢，等.微电网并网时的经济运行研究[J].电网技术，2010，34（11）：38-42.NIU Ming，HUANG Wein，GUO Jiahuan，et al.Research on economic operation of grid-connected micro grid[J].Power System Technology，2010，34（11）：38-42.

[8]WATKISS，DAN.Seizing micro grid opportunities[J].Electric Light and Power，2011，89（5）：47-52.

[9]李正茂，张峰，梁军，等.含电热联合系统的微电网运行优化[J].中国电机工程学报，2015，35（14）：3569-3576.LIZhengmao，ZHANG Feng，LIANG Jun，etal.Optimization on micro grid with combined heat and power system[J].Proceedings of CSEE，2015，35（14）：3569-3576.

[10]刘天琪，江东林.基于储能单元运行方式优化的微电网经济运行[J].电网技术，2012，36（1）：45-50.LIU Tianqi，JIANG Donglin.Economic operation of micro grid based on operation mode optimization of energy storage unit[J].Power System Technology，2012，36（1）：45-50.

[11]KRISTINA BOGNAR，PHILIPPBlechinger，FRANK BEHRENDT.Seawater desalination in micro grids：an integrated planning approach[J].Energy，Sustainability and Society，2012，2（14）：1-12.

[12]郑乐，胡伟，陆秋瑜，等.储能系统用于提高风电接入的规划和运行综合优化模型[J].中国电机工程学报，2014，34（16）：2533-2543.ZHENG Le，HU Wei，LU Qiuyu，et al.Research on planning and operation model for energy storage system to optimize wind power integration[J].Proceedings of the CSEE，2014，34（16）：2533-2543.

[13]马宪民，刘妮.自适应视野的人工鱼群算法求解最短路径问题[J].通信学报.2014，35（1）：1-6.MA Xianmin，LIU Ni.Improved artificial fish-swarm algorithm based on adaptive vision for solving the shortest path problem[J].Journal on Communications，2014，35（1）：1-6.

[14]曾嶒，彭春华，王奎，等.基于鸟群算法的微电网多目标运行优化 [J].电力系统保护与控制，2016，43（13）：117-122..ZENG Ceng，PENG Chunhua，WANG Kui，et al.Multiobjective operation optimization of micro grid based on bird swarm algorithm[J].Power System Protection and Control，2016，43（13）：117-122.

Micro Grid Optimal Operation Based on Adaptive Artificial Fish Algorithm

LIU Rongrong1，ZHANG Kaoshe1，ZHANG Gang1，LIU Tong2
（1.Xi’an University of Technology，Xi’an 710048，Shaanxi，China；2.State Grid Shaanxi Electric Power Research Institute，Xi’an 710100，Shaanxi，China）

For the connected grid and isolated micro grids containing wind turbine，photovoltaic cell，micro turbine fuel cell and energy storage system，considering comprehensively the changingcostsoffuel，electricityexchange，investment depreciation，maintenance and environment，a model of multi-objective economic optimization micro-grid is built to make the operating cost ofsystem thelowestintheschedulingperiod.Usingtheconstrained optimizationadaptiveartificialfishswarmalgorithm（AFSA）theoptimal output and total operation cost of each micro power source in the scheduling period are obtained by calculation,and then comparedwiththeresultsobtainedwithbasicAFSA.Thesimulationexample shows that the improved algorithm has the characteristics of quickconvergencespeedandhighaccuracy.

micro grid；adaptive AFSA；optimal operation；multi-objective

2016-10-18。

刘荣荣（1990—），女，硕士研究生，研究方向为电力系统分析与优化运行；

（编辑 李沈）

国家自然科学基金青年基金（51507141）。

Project Supported by the Youth Fund of theNational Natural Science Foundation of China（51507141）.

1674-3814（2017）04-0071-06

TM732

A

张靠社（1965—），男，副教授、硕士研究生导师，研究方向为电力系统分析与运行。