基于改进杂交粒子群算法的农村微能网多能流优化调度

张 新，张 漫，王维洲，杨建华，井天军

（1. 中国农业大学信息与电气工程学院，北京 100083；2. 内蒙古科技大学信息工程学院，包头 014010；3. 国网甘肃省电力公司电力科学研究院，兰州 730050）

基于改进杂交粒子群算法的农村微能网多能流优化调度

张 新1,2，张 漫1※，王维洲3，杨建华1，井天军1

（1. 中国农业大学信息与电气工程学院，北京 100083；2. 内蒙古科技大学信息工程学院，包头 014010；3. 国网甘肃省电力公司电力科学研究院，兰州 730050）

西部农村地区电网薄弱，光伏和风电扶贫投资未考虑配套输配电设施，用以处理生物质废弃物的沼气受季节性温度变化影响运行经济性不佳，为解决上述问题，该文提出利用沼气作为气源含可再生能源的冷-热-电-气多能流农村微能网供能架构，建立相应的多能流微能网调度模型，针对粒子群算法早熟、容易陷入局部最优的问题，提出采用动态调整惯性权重的杂交粒子群算法进行求解，算例结果表明，通过对系统内各设备的调度，有效降低系统日运行成本，在冬季，采用改进型杂交粒子群算法所得日运行费用相比采用基本型粒子群算法降低7.6%，其相比系统未优化所得日运行费用降低79.1%；在夏季，相比基本型粒子群算法与未优化分别降低17.0%、71.2%，实现微能网的经济运行，证明了本模型和算法的正确性。

优化；算法；电；农村微能网；能源互联网；杂交粒子群算法；冷热电气多能流

0 引 言

随着煤炭、石油等传统能源日益枯竭，全球环境的不断恶化，可再生能源得到了世界各国前所未有的重视，其相关技术得到快速发展[1-2]。美国未来学家杰里米•里夫金提出能源互联网的概念[3]，国内外学者着力推动智能电网向能源互联网转变[4-7]，不仅关注电能的清洁利用，更加关注冷-热-电-气的能源综合利用[8-11]。随之微能网的概念被提出[12]，其作为能源互联网的子系统，主要由电力网、冷热能网、燃气网络等组成，应用于城市社区、工业园区、农村聚集地等方面，用户侧负荷可以根据实时电价进行需求响应，广泛应用蓄冷蓄热等分散储能装置，进行冷-热-电-气多能源互相转换，是消纳可再生能源的主要方式[13-14]。中国农村地区生物质能源丰富，但是利用效率低下，环境污染严重,可再生能源十分丰富，但现有农村电网薄弱，光伏和风电扶贫配套不足，因此进行农村微能网的研究可以实现生物质能、可再生能源的就地综合利用，改善农村环境，对新农村建设发展具有十分重要的意义[15]。

目前国内外对微能网已有一定研究。文献[16-18]对电-热、电-气进行联合分析，构建初步的多能流微能网架构。文献[19]利用内点法求解微型能源网日前优化调度模型，并利用中新生态城为例进行分析，文献[20-22]利用混合整数规划方法建立冷热电联供微网优化调度模型，运用分枝定界法进行求解，得到微网低成本运行方案，上述求解方法均为确定性算法，当计算量较大时，计算时间过长，可能无法得到最终解。文献[23]提出改进多目标交叉熵算法对冷热电联供微网进行求解，文献[24]提出多组粒子群优化算法求解热电联供微网调度模型，上述文献虽然运用了人工智能算法，但微网模型不够全面，算法在广泛适用性和收敛速度方面仍存在一些问题。

综上所述，目前文献无具体针对农村地区进行微能网优化设计，未能实现多能联合稳定供能的控制，针对此问题，本文建立冷-热-电-气多能流农村微能网优化调度模型，其中包含沼气、光伏、风电、空气源热泵等适合农村地区推广的装置，考虑了爬坡约束等其他文献较少考虑的实际约束问题，针对优化调度常用的粒子群求解算法早熟、容易陷入局部最优的问题，提出利用动态调整惯性权重的杂交粒子群算法进行求解，通过调度微能网内部各运行设备出力，以期实现微能网的经济优化运行。

1 农村微能网的供能架构

本文建立的冷-热-电-气多能流微能网主要包括风力发电系统、光伏发电系统、微型燃气轮机、燃气锅炉、余热锅炉，溴化锂吸收式制冷机、冷热电储能装置、空气源热泵换冷装置、空气源热泵换热装置，系统供能架构如图1所示。

微能网与外部配电网相连接，当微型燃气轮机、风力发电系统、光伏发电系统的电力供应大于内部电负荷时，向外部配电网售电，反之向外部配电网购电。蓄电池在微能网自身电能供应大于内部电负荷时，进行充电，反之进行放电，主要起削峰填谷的作用。热负荷由余热锅炉、燃气锅炉、空气源热泵换热装置提供，供热设备的原料由生物质废物产生的沼气和空气提供，储热装置在微能网自身热能供应大于内部热负荷时，进行蓄热，反之放热，主要起削峰填谷的作用。冷负荷由溴化锂吸收式制冷机、空气源换冷装置提供，储冷装置在微能网自身冷能供应大于内部冷负荷时，进行蓄冷，反之放冷，也起削峰填谷的作用。

图1 冷-热-电-气多能流农村微能网供能架构Fig.1 Energy supply structure of rural micro energy grid combined cooling, heating, power and gas

1.1 微型燃气轮机冷热电联供系统经济数学模型

冷热电联供系统主要由微型燃气轮机、余热锅炉、燃气锅炉、溴化锂吸收式制冷机组成，其利用沼气燃烧推动微型燃气轮机发电，燃烧后产生的高温烟气通过余热锅炉制取热能与燃气锅炉制取的热能共同满足村民热负荷需求，余热锅炉产生的高温蒸汽通过溴化锂吸收式制冷机产生冷能满足微能网冷负荷需求。其经济数学模型[25]如下所示：

1.2 空气源热泵冷热联供系统经济数学模型

空气源热泵冷热联供系统主要由压缩机、换热装置和换冷装置组成，它以农村室外天然空气作为冷热原料，通过电能带动压缩机工作驱动冷热工质进行循环，产生所需要的冷热能源，其经济数学模型如式（4）、（5）所示。

1.3 储冷热电装置经济数学模型

储能装置在微能网中主要起削峰填谷的作用，当系统供应冷热电能力大于冷热电负荷需求时，储能装置进行储能运行，当系统供应冷热电能力小于冷热电负荷需求时，储能装置放出能量满足负荷需求，其统一数学模型[26]如下

式中E(t)为储能装置在t时段的总能量，kW·h；δ为储能装置自放能效率，数值很小；为储能装置在t时段充能和放能功率，kW；ηch和ηdis为储能装置充能和放能效率；ΔT为单位时段，h。

2 农村微能网经济调度模型

上节建立了农村微能网各运行设备的经济数学模型，本节在其基础上建立微能网经济调度模型，以微能网单日运行费用最低为目标函数，综合考虑各种相关约束，通过动态调整惯性权重的杂交粒子群算法进行求解，根据求解结果制定调度运行策略。

2.1 目标函数

沼气是微能网内部生物质废弃物发酵后提供，根据沼气的特性，增加沼气加热系统，利用可再生能源给加热系统供能，保证沼气的稳定供应，不存在传统微能网外购天然气的费用，同时空气源热泵所用的空气为免费供给，降低了微能网的运行成本，因此本文所提农村微能网运行费用主要包括从配电网购电和向配电网售电的费用、系统的运行维护费用，目标函数如下：

式中Celectri为微能网与配电网之间购电费用和售电费用的差值；Cmaintain为微能网运行维护费用，其主要包括设备定期检修人工成本、光伏组件清扫费用、沼气发电管路维护费用、低压线路及配电设施维护费用等，以上参数单位为元。

2.2 约束条件

1）电功率平衡约束条件

2）热功率平衡约束条件

3）冷功率平衡约束条件

4）微型燃气轮机约束

5）余热锅炉约束

6）燃气锅炉约束

8）储冷、储热、储电装置模型约束

由于蓄电池、储热装置和储冷装置在微能网中的作用类似，原理类似，故可以用通用模型约束处理

式中E(t)为t时段储冷储热储电装置的容量，kW·h；Emin、Emax为储冷、储热、储电装置的容量最大值、最小值，kW/h-1；为储冷、储热、储电装置功率，kW；Pcmax、Pdmax为储冷储热储电装置充电最大功率和放电最大功率，kW。

9）空气源热泵换热装置约束

3 基于动态调整惯性权重的杂交粒子群算法

粒子群优化算法（particle swarm optimization，PSO算法）是一种进化计算方法，主要思路为首先初始化一群随机粒子（随机解），然后粒子们就追随当前最优粒子在解空间中搜索，即通过迭代找到最优解。假设d维搜索空间中的第i个粒子的位置和速度分别为Xi=(xi,1xi,2…xi,d)和Vi=(vi,1vi,2…vi,d)，在每一次迭代中，粒子通过跟踪2个最优解来更新自己，第1个就是粒子本身所找到的最优解，即个体最优解pbest，记为Pi=(pi,1pi,2…pi,d)；另一个是整个种群目前找到的最优解，即全局最优解gbest，记为Pg=(pg,1pg,2…pg,d)。在找到这2个最优值时，粒子根据如下的公式来更新自己的速度和新的位置[27]。

式中c1、c2为正的学习因子；r1、r2为0～1之间均匀分布的随机数；w为惯性权重。

针对PSO算法易早熟，容易陷入局部最优的问题，本文采用基于动态调整惯性权重的杂交粒子群算法求解农村微能网经济调度模型，动态调整惯性权重公式如下

式中wmax、wmin为w的最大值和最小值，u为当前迭代步数，umax为最大迭代步数，通常取wmax=0.9，wmin=0.4。

图2 基于动态调整惯性权重的杂交粒子群算法流程图Fig.2 Flowchart of crossbreeding particle swarm optimization algorithm based on dynamic inertia weight

杂交粒子群算法是将遗传算法中的杂交概念引入PSO算法中，在每次迭代中，根据杂交概率选取指定数量的粒子放入杂交池内，池中的粒子随机两两杂交，产生同样数目的子代粒子，并用子代粒子代替亲代粒子，子代粒子的位置由父代粒子位置进行交叉得到

式中p是0～1之间的随机数；child(x)为子代粒子位置；parent1(x)和parent2(x)为父代粒子位置。

子代粒子速度公式为

式中child(v)为子代粒子速度；parent1(v)和parent2(v)为父代粒子速度。

算法流程图如图2所示。

4 算例分析

本文选取西部某村庄为例，根据地区实际情况，冬天进行电能和热能的供应，夏天进行电能和冷能的供应，电网供电电价采用甘肃发改委发布的分时电价，向电网售电电价为0.65元/(kW·h)，算例中的供能设备[19,28]参数如表1所示，电网供电分时电价[29]如表2所示，各设备单位功率维护费用[30]如表3所示，储能设备参数[19]如表4所示。

表1 供能设备参数Table 1 Parameters of energy supply equipment

表2 分时电价Table 2 Time-of-use electricity price

表3 各设备单位功率维护费用Table 3 Equipment maintenance cost of unit power

蒙特卡罗模拟是一种随机模拟方法，它通过已知的概率函数模型得到随机变量，能对现实中的物理过程进行较精确模拟，本文通过该方法参考文献[31]所建风机、光伏和负荷出力模型得到西部某村庄冬季典型日电负荷、热负荷、风电、光伏预测曲线和夏季典型日电负荷、冷负荷、风电、光伏预测曲线如图3a和图3b所示。将表1－表4和图3的数据代入微能网经济优化调度模型中，运用基于动态调整惯性权重的杂交粒子群算法进行求解得到该村典型日的优化调度结果如图4所示。其中求解算法设置如下：粒子数80，最大迭代数200，学习因子2，初始惯性权重0.9，终止惯性权重0.4，杂交池大小比率0.1，杂交概率0.9。

表4 储能设备参数Table 4 Parameters of energy storage equipment

图3 典型日光伏、风电和冷热电负荷预测曲线Fig.3 Forecasted photovoltaic, wind power outputs and electric,cooling and heat loads for a typical day

图4 a为冬季典型日农村微能网电负荷平衡曲线。从图4a得到，当光伏和风电可以发电的时间段，光伏和风电按照预测出力满发，满足微能网部分用能需求，由于沼气免费且供应充足，电负荷主要由微型燃气轮机发电供应，在谷时段 00:00－04:00时，微型燃气轮机发电和风电可以满足负荷要求，同时给蓄电池充电，在谷时段05:00－07:00时，电价低廉，微型燃气轮机发电和风电不能满足负荷要求的部分由外购电网电功率补充，同时继续给蓄电池进行充电，在平时段和峰时段07:00－23:00时，由于电价较高，微能网用电负荷主要由微型燃气轮机发电、蓄电池放电、光伏、风电满足，在20:00时，由于蓄电池电能不足、光伏发电量趋于0，此时部分用电负荷由外购电网电功率满足。整个运行周期中蓄电池在谷时段充电，峰时段放电，承担削峰填谷的作用，降低了微能网的运行费用。

图4b为冬季典型日农村微能网热负荷平衡曲线。从图4b得到，余热锅炉、燃气锅炉、热储存器和空气源热泵换热装置共同承担热负荷的供应，在谷时段23:00－07:00时，电价低廉，空气源热泵换热装置工作，同时给热储存器蓄热，在平时段和峰时段 07:00－23:00时，电价较高，热负荷主要由余热锅炉、燃气锅炉、热储存器供应，不足的部分再由空气源热泵换热装置满足。热储存器在电低谷时期蓄热，电高峰期放热，满足了系统的需求。

图4c为夏季典型日农村微能网电负荷平衡曲线。由于农村地广人稀，夏季负荷比冬季负荷小，因此夏季使用4台微型燃气轮机，对剩余2台微型燃气轮机进行检修，故夏季微型燃气轮机发电最大功率为400 kW。从图4c得到，与图4a类似，当光伏和风电可以发电的时间段，光伏和风电按照预测出力满发，微型燃气轮机基本处于最大发电状态，在谷时段 23:00－07:00，电价低廉，微型燃气轮机和风电不能满足的用电负荷由外购电网电功率满足并给蓄电池充电，在平时段和峰时段 07:00－23:00，电负荷主要求微型燃气轮机发电、蓄电池放电、光伏和风电满足，在整个运行周期，蓄电池仍然起到了削峰填谷的作用。

图4 典型日冷热电负荷平衡曲线Fig.4 Electric, heat and cooling balance curves of a typical day

图4 d为夏季典型日农村微能网冷负荷平衡曲线。从图4d得到，溴化锂吸收式制冷机、冷储存器和空气源热泵换冷装置共同承担冷负荷的供应，在谷时段23:00－07:00时，电价低廉，空气源热泵换冷装置工作，同时给冷储存器蓄冷，在平时段和峰时段07:00－23:00时，电价较高，冷负荷主要由溴化锂吸收式制冷机、冷储存器供应，不足的部分在由空气源热泵换冷装置满足。冷储存器在电低谷时期蓄冷，电高峰时期放冷，满足了系统的需求。

图5a和图5b为冬季典型日和夏季典型日算法改进前后运行费用对比。通过图5a和图5b得到，基本粒子群算法寻优慢，容易陷入局部最优解，采用基于动态调整惯性权重的杂交粒子群算法可以加快寻优速度，找到更合理全局最优解，证明了本算法的先进性和可行性。

假设系统未优化，根据本文图3a和b所示冬季与夏季典型日光伏、风电、电负荷、热负荷、冷负荷预测曲线，按照表1所描述的各供能设备参数、表2所描述的分时电价、表3所描述的各设备维护费用，系统供能方案采用电负荷优先由风电、光伏满足，不足的部分由外部配电网按分时电价满足，热负荷由余热锅炉、燃气锅炉满足，冷负荷由溴化锂吸收式制冷机满足，则计算得到系统未优化日运行费用冬季为8 504.5元、夏季为6 339.2元，根据图5a和图5b得，采用基本型粒子群算法优化后得到日运行费用冬季为1 921元、夏季为2 201元，采用改进型杂交粒子群算法对系统进行优化后得到日运行费用冬季为1 774元、夏季为1 826元，各算法系统日运行费用如表5所示。

图5 典型日利用改进型粒子群算法和基本型粒子群算法运行费用比较Fig.5 Running cost comparison of a typical day based improved and basic particle swarm algorithms

表5结果表明，采用改进型杂交粒子群算法对微能网进行优化调度，降低系统购电成本，运行维护费用少量增加，其优化所得系统日运行费用优于采用基本型粒子群算法优化和系统未优化所得系统日运行费用，较后2种运行方式冬季费用分别降低了7.6%和79.1%、夏季费用分别降低了17.0%和71.2%，因此采用本文所提算法对微能网各供能设备进行调度，可以显著降低系统日运行费用，实现微能网经济运行。

5 结 论

本文构建包含冷-热-电-气多能流微能网架构，建立农村微能网优化调度模型，利用基于动态调整惯性权重的杂交粒子群算法求解，得到微能网优化调度运行方案，算例结果表明，本算法可以快速稳定的找到合理全局最优解。

本算法还可显著降低系统日运行费用，在冬季，采用改进型杂交粒子群算法所得日运行费用相比采用基本型粒子群算法降低7.6%，其相比系统未优化所得日运行费用降低79.1%；在夏季，采用改进型杂交粒子群算法所得日运行费用相比采用基本型粒子群算法降低17.0%，其相比系统未优化所得日运行费用降低71.2%。

本文结果可为有效解决农村生物质废弃物污染问题和实现光伏和风电扶贫政策提供一种方法。

[1] Derakhshandeh S Y, Masoum A S, Deilami S, et al. Coordination of generation scheduling with PEVs charging in industrial microgrids[J]. IEEE Transactions on Power Systems, 2013, 28(3): 3451－3461.

[2] Brandoni C, Renzi M. Optimal sizing of hybrid solar micro-CHP systems for the household sector[J]. Applied Thermal Engineering, 2015, 75: 896－907.

[3] Jeremy R. Third Industrial Revolution: How Lateral Power is Transforming Energy, the Economy, and the World[M]. New York: Palgrave Macmillan Trade, 2011: 33－72.

[4] 董朝阳，赵俊华，文福拴，等. 从智能电网到能源互联网：基本概念与研究框架[J]. 电力系统自动化，2014，38(15)：1－11. Dong Zhaoyang, Zhao Junhua, Wen Fushuan, et al. From smart grid to energy internet: basic concept and research framework[J]. Automation of Electric Power Systems, 2014, 38(15): 1－11. (in Chinese with English abstract)

[5] 孙宏斌，郭庆来，潘昭光. 能源互联网：理念、架构与前沿展望[J]. 电力系统自动化，2015，39(19)：1－8. Sun Xiongbin, Guo Qinglai, Pan Shaoguang. Energy internet: Concept, architecture and frontier outlook[J]. Automation of Electric Power Systems, 2015, 39(19): 1－8. (in Chinese with English abstract)

[6] 孙宏斌，郭庆来，潘昭光，等. 能源互联网：驱动力、评述与展望[J]. 电网技术，2015，39(11)：3005－3013. Sun Xiongbin, Guo Qinglai, Pan Shaoguang, et al. Energy internet: driving force, review and outlook[J]. Power System Technology, 2015, 39(11): 3005－3013. (in Chinese with English abstract)

[7] 周孝信，鲁宗相，刘应梅，等. 中国未来电网的发展模式和关键技术[J]. 中国电机工程学报，2014，34(29)：4999－5008. Zhou Xiaoxin, Lu Zongxiang, Liu Yingmei, et al. Development models and key technologies of future grid in China[J]. Proceedings of the CSEE, 2014, 34(29): 4999－5008. (in Chinese with English abstract)

[8] 李洋，吴鸣，周海明，等. 基于全能流模型的区域多能源系统若干问题探讨[J]. 电网技术，2015，39(8)：2230－2237. Li Yang, Wu Ming, Zhou Haiming, et al. Study on some key problems related to regional multi energy system based on universal flow model[J]. Power System Technology, 2015, 39(8): 2230－2237. (in Chinese with English abstract )

[9] 王伟亮，王丹，贾宏杰，等. 能源互联网背景下的典型区域综合能源系统稳态分析研究综述[J]. 中国电机工程学报，2016(12)：3292－3306. Wang Weiliang, Wang Dan, Jia Hongjie, et al. Review of steady-state analysis of typical regional integrated energy system under the background of energy internet[J]. Proceedings of the CSEE, 2016(12): 3292－3306. (in Chinese with English abstract)

[10] Keirstead J, Jennings M, Sivakumar A. A review of urban energy system models: Approaches, challenges and opportunities[J]. Renewable and Sustainable Energy Reviews, 2012, 16(6): 3847－3866.

[11] Jin X, Mu Y, Jia H, et al. Optimal day-ahead scheduling of integrated urban energy systems[J]. Applied Energy, 2016, 180: 1－13.

[12] 田世明，栾文鹏，张东霞，等. 能源互联网技术形态与关键技术[J]. 中国电机工程学报，2015，35(14)：3482－3494. Tian Shiming, Luan Wenpeng, Zhang Dongxia, et al. Technical forms and key technologies on energy internet[J]. Proceedings of the CSEE, 2015, 35(14): 3482－3494. (in Chinese with English abstract)

[13] 徐飞，闵勇，陈磊，等. 包含大容量储热的电–热联合系统[J].中国电机工程学报，2014，34(29)：5063－5072. Xu Fei, Min Yong, Chen Lei, et al. Combined electricity-heat operation system containing large capacity thermal energy storage[J]. Proceedings of the CSEE, 2014, 34(29): 5063－5072. (in Chinese with English abstract)

[14] 薛小代，梅生伟，林其友，等. 面向能源互联网的非补燃压缩空气储能及应用前景初探[J]. 电网技术，2016，40(1)：164－171. Xue Xiaodai, Mei Shengwei, Lin Qiyou, et al. Energy internet oriented non-supplementary fired compressed air energy storage and prospective of application[J]. Power System Technology, 2016, 40(1): 164－171. (in Chinese with English abstract)

[15] 井天军，谭元刚，杨明皓. 农村微电网优化调度模型的建立[J]. 农业工程学报，2012，28(14)：127－132. Jing Tianjun, Tan Yuangang, Yang Minghao. Optimal operation model for microgrid in rural areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(14): 127－132. (in Chinese with English abstract)

[16] 薛小代，刘彬卉，汪雨辰，等. 基于压缩空气储能的社区微能源网设计[J]. 中国电机工程学报，2016，36(12)：3306－3314. Xue Xiaodai, Liu Binhui, Wang Yuchen, et al. Micro energy network design for community based on compressed air energy storage[J]. Proceedings of the CSEE, 2016, 36(12): 3306－3314. (in Chinese with English abstract)

[17] Liu X Z, Wu J Z, Nick J, et al. Combined analysis of electricity and heat networks[J]. Applied Energy, 2015, 162: 1238－1250.

[18] Qadrdan M, Wu J Z, Jenkins N, et al. Operating strategies for a GB integrated gas and electricity network considering the uncertainty in wind power forecasts[J]. IEEE Transactions on Sustainable Energy, 2014, 5(1): 128－138.

[19] 徐青山，曾艾东，王凯，等. 基于Hessian内点法的微型能源网日前冷热电联供经济优化调度[J]. 电网技术，2016，40(6)：1657－1665. Xu Qingshan, Zeng Aidong, Wang Kai, et al. Day-ahead optimized economic dispatching for combined cooling, heating and power in micro energy-grid based on Hessian Interior Point Method[J]. Power System Technology, 2016, 40(6): 1657－1665. (in Chinese with English abstract)

[20] Elsied M, Oukaour A, Gualous H, et al. Energy management and optimization in microgrid system based on green energy[J]. Energy, 2015, 84: 139－151.

[21] 吴雄，王秀丽，别朝红，等. 含热电联供系统的微网经济运行[J]. 电力自动化设备，2013，33(8)：1－6. Wu Xiong, Wang Xiuli, Bie Chaohong, et al. Economic operation of microgrid with combined heat and power system[J]. Electric Power Automation Equipment, 2013, 33(8): 1－6. (in Chinese with English abstract)

[22] 段绍辉，汪伟，刘中胜，等. 含光伏的冷热电联供微网系统优化调度方案[J]. 电力系统及其自动化学报，2013，25(4)：150－155. Duan Shaohui, Wang Wei, Liu Zhongsheng, et al. Research on optimal scheduling of combined cooling heating and power with photovoltaic power generation[J]. Proceedings of the CSU-EPSA, 2013, 25(4): 150－155. (in Chinese with English abstract)

[23] 王鲁浩，李歧强，王桂荣，等. 多可再生能源冷热电联供微网系统环境经济优化调度[J]. 控制与决策，2016，31(5)：913－918. Wang Luhao, Li Qiqiang, Wang Guirong, et al. Optimal environmental economic scheduling of combined cooling heating and power microgrid system with multi-renewable energy[J]. Control and Decision, 2016, 31(5): 913－918. (in Chinese with English abstract)

[24] Liu Z, Chen C, Yuan J. Hybrid energy scheduling in a renewable micro grid[J]. Applied Sciences, 2015, 5(3): 516－531.

[25] 魏兵，王志伟，李莉，等. 微型燃气轮机冷热电联产系统经济性分析[J]. 热力发电，2007，36(9)：1－5. Wei Bing, Wang Zhiwei, Li Li, et al. Analysis of economic efficiency for cold, heat, and electricity triple co-generation system with miniature gas turbine[J]. Thermal Power Generation, 2007, 36(9): 1－5. (in Chinese with English abstract)

[26] Mohamed F A, Koivo H N. Online management of microgrids with battery storage using multiobjective optimization[C]∥Proceedings of 2007 International Conference on Power Engineering, Energy and Electrical Drives. Setubal, Portugal: IEEE, 2007: 231－236.

[27] 龚纯，王正林. 精通MATLAB最优化计算[M]. 第3版. 北京：电子工业出版社，2014：306－308.

[28] 赵静，杨洪海，叶大法，等. 冷热电联供与水蓄能耦合利用系统研究[J]. 节能技术，2016，34(2)：120－124. Zhao Jing, Yang Honghai, Ye Dafa, et al. Research on energy system based on CCHP coupled with energy storage[J]. Energy Conservation Technology, 2016, 34(2): 120－124. (in Chinese with English abstract)

[29] 甘肃发展和改革委员会. 甘肃省电网销售电价[EB/OL].（2014-08-08）http://www.gsdrc.gov.cn/content/2016-06-24/35777.html.

[30] 王锐，顾伟，吴志. 含可再生能源的热电联供型微网经济运行优化[J]. 电力系统自动化，2011，35(8)：22－27. Wang Rui, Gu Wei, Wu Zhi. Economic and optimal operation of a combined heat and power micro grid with renewable energy resources[J]. Automation of Electric Power Systems, 2011, 35(8): 22－27. (in Chinese with English abstract)

[31] 鲜杏，范传光，文闪闪，等. 考虑可再生能源随机性的孤岛微网容量优化配置方法[J].武汉大学学报：工学版，2016，49(1)：100－104. Xian Xing, Fan Chuanguang, Wen Shanshan, et al. Optimal deployment for island microgrid considering probabilistic factors of renewable energy generations[J]. Engineering Journal of Wuhan University, 2016, 49(1): 100－104. (in Chinese with English abstract)

Scheduling optimization for rural micro energy grid multi-energy flow based on improved crossbreeding particle swarm algorithm

Zhang Xin1,2, Zhang Man1※, Wang Weizhou3, Yang Jianhua1, Jing Tianjun1
(1. College of Information and Electrical Engineering, China Agricultural University, Beijing 100083, China; 2. College of Information Engineering, Inner Mongolia University of Science and Technology, Baotou 014010, China; 3. State Grid Gansu Provincial Electric Power Research Institute, Lanzhou 730050, China)

There is poor infrastructure and weak power grid in Chinese western rural areas. Photovoltaic (PV) and wind power pro-poor investments do not consider supporting transmission and distribution facilities. The economy of biogas from biomass waste is not good, due to that it is affected by seasonal variations in temperature. Utilizing PV and wind power to supply energy for biogas can improve biomass energy utilization and solve the problem of environmental pollution, while the absorptive capacity of the PV and wind power is increased, and the comprehensive utilization of biomass and renewable energy in place can be achieved. It has important significance for development of new countryside. Based on national PV and wind power poverty relief policy, this paper proposed rural micro energy grid architecture that combines PV system, wind power system, micro turbine, biogas fired boilers, heat recovery boiler, lithium-bromide absorption-type refrigerator, battery storage, heat and cooling storage, air-source heat pumps for cooling exchange, air-source heat pumps for heating exchange, and so on. Mathematical models of micro turbine CCHP (combined cooling heating and power) system, air-source heat pumps system, heat and cooling storage system and battery storage system were built up. With micro energy grid cost in a single day as an objective function, considering electric power balance, heating power balance, cooling power balance, power exchange with electricity grid and the other constraints, the micro energy grid optimal model was established. Because of premature and local optimization problem for particle swarm algorithm, this paper uses dynamic inertia weight crossbreeding particle swarm optimization algorithm for solving.Taking Chinese west village as an example, according to the actual situation, electric and heating power were supplied in the winter, but electric and cooling power were supplied in the summer. Electricity price applied the time of use price issued by the National Development and Reform Commission. Parameters of energy supply equipment and energy storage equipment, time of use price, and equipment maintenance cost per unit power were determined. Forecasted data were given, which combine PV and wind power outputs, electricity heating and cooling load for typical day. Simulation platform was built in MATLAB 2014a. Electric heating and cooling balance curve of typical day was acquired. System running cost comparison of typical day based on improved and basic algorithm was performed. In addition, according to forecasted curve referred to above, parameters of various devices, time of use price and equipment maintenance cost, the un-optimized system running cost was calculated. Results showed that, through the dispatch of each device in the system, the outputs of energy supplying devices were more reasonable, and energy storage devices played a role of load shifting. The daily running cost based on dynamic inertia weight crossbreeding particle swarm optimization algorithm was less than that based on basic particle swarm and un-optimized cost. To sum up, the proposed algorithm is adopted to dispatch various devices in micro energy grid, it can reduce system running cost effectively, and micro energy grid can be operated economically; the correctness of the models and algorithms can be proved.

optimization; algorithms; power; rural micro energy grid; energy internet; crossbreeding particle swarm algorithm; cooling heating power and gas multi-energy flow

10.11975/j.issn.1002-6819.2017.11.020

TM 926

A

1002-6819(2017)-11-0157-08

张 新，张 漫，王维洲，杨建华，井天军. 基于改进杂交粒子群算法的农村微能网多能流优化调度[J]. 农业工程学报，2017，33(11)：157－164.

10.11975/j.issn.1002-6819.2017.11.020 http://www.tcsae.org

Zhang Xin, Zhang Man, Wang Weizhou, Yang Jianhua, Jing Tianjun. Scheduling optimization for rural micro energy grid multi-energy flow based on improved crossbreeding particle swarm algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(11): 157－164. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.11.020 http://www.tcsae.org

2016-11-27

2017-04-26

国家重点研发计划项目课题（2016YFB0900101）；内蒙古自然科学基金项目（2016MS0515）

张 新，男，内蒙古包头人，博士生，讲师，研究方向为分布式发电和能源综合利用技术。北京 中国农业大学信息与电气工程学院，100083。Email：zhangxin19861986@126.com

※通信作者：张 漫，女，北京人，教授，博士，博士生导师，研究方向为农业电气化与自动化。北京 中国农业大学信息与电气工程学院，100083。Email：cauzm@cau.edu.cn