并网模式下基于多代理技术的微电网多目标优化

王思明, 牛玉刚, 祖其武

(华东理工大学化工过程先进控制和优化技术教育部重点实验室,上海 200237)

并网模式下基于多代理技术的微电网多目标优化

王思明, 牛玉刚, 祖其武

(华东理工大学化工过程先进控制和优化技术教育部重点实验室,上海 200237)

微电网的经济运行是一个多目标、多约束问题。传统方法将多目标转化为单目标的求解策略往往难以迅速收敛,且在权重的选取上具有很强的主观性。本文提出了一种基于多代理技术的多目标求解策略,考虑微网的整体经济性问题,分别建立发电侧目标代理(PowerAgent)以及需求侧目标代理(LoadAgent),从而避免了权重的选择。虚拟电价信息作为发电侧代理的协商参数,负荷调度信息作为需求侧代理的协商参数。利用JADE平台提供的Agent通信功能,目标代理之间传递协商参数,优化自身子目标问题,迭代协商,最终达到目标均衡。协商过程保证了微网的整体经济性要求,且两个子目标通过目标代理分布式求解,能够快速收敛。最后通过算例讨论了各代理的行为特征,验证了本文方法的可行性。

微网; 经济性; 多目标; 多代理; JADE; 粒子群

微电网作为一种整合分布式发电的集成系统,由分布式电源、储能装置、负荷和能量管理系统等组成[1],能够有效解决新能源接入电网问题,微电网的运行优化是保证微电网高效运行的基础[2-4]。

目前,国内外对微电网优化运行开展的研究,主要是通过构建微网多目标优化模型,利用智能算法得到Pareto解集[5-8],或者是通过单目标加权法将多目标问题转变为单目标问题进行求解[9]。由于多个目标之间往往会存在冲突,一般情况下很难同时达到最优,并且可能造成某些目标的优化结果偏离最优值,甚至出现劣解[10]。另外,上述研究工作主要是对发电侧能源出力进行调度,没有考虑需求侧对微网经济调度的影响。文献[11]将需求侧响应应用于智能家居系统,对可转移负荷进行调度,减少了家庭用电支出。文献[12]构建了需求侧负荷满意度模型,将可中断负荷以不可转移和可转移两种状态进行了对比研究。这些工作虽然利用需求侧响应对负荷进行了调度,在一定程度上提高了微电网的经济效益,但只是单纯地将需求侧与发电侧调度结合在一起,然而,这两者在实际应用中常常存在冲突。文献[13]将微电网分为发电侧和需求侧,构建发电侧与需求侧的互动关系,引入非合作完全信息博弈理论,能在有效兼顾用户满意度的情况下,实现经济最优。

另一方面,多代理技术作为解决微网分布式建模的有效方案,受到了越来越多学者的关注。文献[14-16]将多代理技术用于微电网能量调度中,构建了各个微源代理,但没有考虑多个目标耦合情况下的求解策略。文献[17]构建了微网多代理系统(MAS),将传统集中式能量优化转变为包含细化变量定义域的微电源分布式计算。但是,需要注意的是,以上研究工作并没有考虑Agent之间通信协商策略,求解过程仍采用集中式求解,设计的算法依赖于中央Agent的性能。

本文考虑并网模式下微电网发电侧和需求侧的整体经济性,针对发电侧成本最小以及需求侧成本最小形成的多目标耦合问题,提出了基于多代理技术的分层分布式求解策略。构建多代理系统,每一个微网实体单元都由一个能够进行交互的智能Agent控制,进一步将发电侧目标和需求侧目标分别用目标Agent表示,通过目标Agent之间的协商求解多目标耦合问题,其中需求侧代理(LoadAgent)发送负荷调度信息作为协商信息,发电侧代理(PowerAgent)发送虚拟电价信息作为协商信息,每个目标Agent接收到协商信息后,通过调用内嵌PSO算法,优化自身目标,迭代协商,最终达到目标均衡。仿真实验结果表明,本文提出的微电网多目标求解算法,能够有效地解决微电网能量管理中的多目标问题,实现了微电网的经济运行。且采用分布式Agent建立微电网模型,在一定程度上可以缓解中央控制器的求解压力,降低问题求解维度,具有更快的求解速度。

1 微电网模型

1.1 JADE平台

本文采用JADE软件平台进行多代理系统(MAS)的设计。JADE是一个完全由Java语言编写的多Agent开发框架,遵循FIPA规范,提供了基本的目录服务、Agent管理系统、消息传输服务等,可以有效地与其他Java开发平台和技术集成。JADE中定义了Agent基类,开发人员只需在基类的基础上进行扩展,即可构建具有各种功能的Agent。并且JADE完成了Agent之间的底层通信,只需要进行相应的方法调用就能实现Agent之间的通信协商功能。JADE平台提供的基本服务如图1所示。

图1 JADE平台Fig.1 JADE platform

Agent通信是JADE中最基本的功能,它严格遵守了FIPA标准。Agent之间的通信基于言语行为理论,其基本原理是:说话人所说的话语不仅仅陈述一个事实,而且是说话人做出的带有某种意图的动作。本文设计的Agent中,AGREE通信原语表示接收者Agent同意发送者Agent的决策,REFUSE通信原语表示拒绝发送者Agent的决策,INFORM通信原语表示发送者希望接收者了解某件事,CFP表示发送者希望进行一次谈判,PROPOSE则表示发送者给出谈判提议,并希望继续谈判或者收到AGREE信息。

1.2 MAS系统结构

1.2.1 概述 本文构建的MAS系统如图2所示,每个单元通过对应的Agent进行控制,不同的实体单元具有不同的约束限制和决策机制。主要包含两类Agent,一是发电侧,包括光伏装置(PVAgent)、风机装置(WTAgent)、储能装置(BatteryAgent)、电网(GridAgent);二是需求侧,包括不可调节负荷(BtAgent)、可调节负荷(RtAgent)。

图2 MAS结构示意图Fig.2 MAS structure diagram

发电侧主要为需求侧提供功率支持,以满足供需平衡。在本文构建的多代理系统中,微网调度周期T为1 d,最小调度时间为1 h,因此将1 d划分为24个调度时间段,并假设在每个时段内发电侧的输出功率以及需求侧的需求功率保持不变。

1.2.2 PVAgent和WTAgent模型 PVAgent和WTAgent分别代表光伏装置和风机装置,作为新能源发电端,环境效益很高,在不考虑初始投资成本时,发电成本可忽略不计,故在实际调度过程中,应该优先使用新能源发电功率。本文设计的PVAgent和WTAgent具有相同的功能,拥有向上级Agent发送自身状态信息以及接收上级Agent调度决策的功能。在日前阶段,PVAgent和WTAgent连接数据库获取相关信息(风速、温度等),调用自身功率预测方法,并将预测信息发送给上级Agent,在接收到上级Agent的调度信息后,判断自身约束条件是否满足,满足则AGREE上级决策,并控制相应装置使其满足决策调度,否则REFUSE。新能源发电应满足如下约束:

(1)

1.2.3 BatteryAgent模型 BatteryAgent代表储能装置,与其他分布式电源相协调,共同维持微电网的稳定运行。由于新能源出力的波动性,储能装置可以很好地作为缓冲装置,平滑新能源波动,并且在分时电价的微网中有很好的经济性。然而储能装置的成本相对较高,考虑将储能装置的投资成本折合到使用寿命上,即优化储能装置的使用寿命,相当于减少了储能成本。研究发现,充放电次数和充放电深度都会影响储能装置的寿命,因此,将储能装置的寿命与充放电功率相结合,得到储能装置充放电成本为

(2)

式中:Pba(t)为储能装置的功率,大于零时为充电状态,相当于负荷,小于零时为放电状态,相当于微源;nc和nd分别为储能装置的充放电效率;βes为储能装置的充放电成本系数。

BatteryAgent为了达到自身充放电速率以及容量限制,Pba(t)应满足如下约束:

(3)

(4)

(5)

(6)

SOCmin≤SOC(t)≤SOCmax

(7)

SOC(24)=SOCInt

(8)

1.2.4 GridAgent模型 GridAgent作为电网的代理,参与发电侧的调度过程。当微电网中存在能量缺额时,向电网购电是微电网保证自身功率平衡的关键决策。由于单微电网剩余的功率一旦回馈到电网上,会给电网带来很多谐波、脉冲电压、脉冲电流等,给电网本身的运行控制带来了难度,可能反而增加了整体成本。本文中电网的电价采用分时电价策略,微电网只能从电网购电。GridAgent的购电成本如下:

(9)

其中,Cb(t)是t时刻的购电电价。谷时段为23:00～07:00,平时段为07:00～08:00、11:00～17:00和22:00～23:00,峰时段为08:00～11:00、17:00～22:00。类似文献[18],本文假设电网各时段的电价如表1所示。

表1 电网分时电价

由于微电网与电网物理联络线的约束,GridAgent购电功率应满足如下约束:

(10)

在运行阶段,GridAgent接收上级Agent的请求信息,将自身电价信息发送给上级Agent,由上级Agent统一处理,最终将优化结果返回给GridAgent,GridAgent根据自身约束判断给出AGREE或者REFUSE信息,并按照调度要求购买电量。

1.2.5 BtAgent和RtAgent模型 需求侧模型包括不可调节负荷(BtAgent)、可调节负荷(RtAgent)。BtAgent包括不可中断负荷(冰箱、重要照明等),该类负荷需求必须满足。RtAgent包括可平移负荷(充放电控制器、洗衣机等)和可中断负荷(空调、非重要照明等),RtAgent具有划分负荷优先级、保证优先级高的负荷供电、并根据实际情况平移和切断负荷的功能。根据生活中居民的用电习惯,一般地,将可调节负荷大致分为4个时间段,第1时段为早晨用电时段:00:00～08:00,第2时段为中午用电时段:08:00～13:00,第3时段为下午用电时段:13:00～19:00,第4时段为夜晚用电时段:19:00～00:00。可调节负荷只能在各自时间段内调节,以防出现可调节负荷调度跨度大,与微网实际运行相悖。因此,负荷模型可以描述为

(11)

dmin-b(t)≤r(t)≤dmax-b(t)

(12)

式中:y(t)表示可调节负荷的期望值,即可调节负荷在每个时段的日前预测值;b(t)表示不可调节负荷在每个时段的日前预测值;r(t)表示可调节负荷经过上级Agent优化后的调度值;Dimin为保证第i个时间段内可调节负荷需求功率的最小值,防止出现切除全部可调节负荷的情况;dmax和dmin是需求侧物理进线容量的上下限约束。

负荷Agent(BtAgnet、RtAgent)在调节自身可调负荷后,实际消耗的功率为[r(t)+b(t)] kW,则产生了用电成本:

(13)

式中,λ(t)为本文引入的虚拟电价信息,由发电侧按照成本计算,该电价信息反映了在t时刻微网发电侧的一个成本系数。由于发电侧储能装置的作用,λ(t)≠Cb(t)。另外,可调节负荷r(t)偏离了用户期望的y(t),那么造成了用户自身的不满意度。文献[16]提出了基于实际消耗电能的用户满意度函数,认为该时刻消耗电能越大,用户不满意度越小,这与实际用电舒适度不相符。本文认为实际消耗电能偏离了期望消耗电能就会产生不满意度成本,定义如下:

(14)

其中,βuncom为不满意度系数,不同类型的用户,该系数不同,例如商业负荷的不满意度系数要比居民的不满意度系数大。一般来说,随着βuncom的增大,r(t)趋向于y(t)。另外,由于LoadAgent具有切负荷的功能,同样会造成一定的经济损失。定义切负荷成本如下:

(15)

式中,βcut为切负荷系数。

在运行阶段,负荷Agent(BtAgnet、RtAgent)将负荷信息(可调节负荷y(t)和不可调节负荷b(t))发送给上级Agent,上级Agent经过优化计算,将优化结果r(t)发送给RtAgent,那么可调度负荷的实际需求由RtAgent控制。

另外,微电网稳定运行需要满足的系统功率平衡约束如下:

r(t)+b(t)+Pba(t)=Pgrid(t)+Ppv(t)+Pwt(t)

(16)

2 微网分层分布式多目标优化策略

2.1 分层分布式多目标优化模型

完整的微电网系统是一个动态、复杂、耦合的大系统。其稳定高效的运行往往需要满足多个目标最优,即多目标优化问题。本文的控制目标是对发电单元以及负荷的合理调度,同时满足发电侧成本最优以及需求侧成本最优,具体子目标如下:

(1) 在负荷信息确定的条件下,优化发电侧各分布式Agent输出,使得发电侧发电成本最小。微电网的发电成本包括储能装置的充放电成本以及向电网的购电成本。发电侧的发电成本目标函数为

minf1=min{Cba(Pba(t),t)+Cgrid(Pgrid(t),t)}

(17)

(2) 根据发电侧的出力信息,优化需求侧的可调节负荷,使得需求侧成本最小。根据前文所述,需求侧成本包括用电成本、不满意度成本以及切负荷成本。

minf2=min{Cuse(r(t),t)+Cuncom(r(t),t)+

Ccut(r(t),t)}

(18)

单个目标函数只能够描述微网经济运行的单一指标,不能够准确地描述微电网整体的经济运行。采用传统单目标加权法处理多目标优化问题,权重系数的选取具有主观性,且对求解结果的影响很大,无法得到全局最优的Pareto解集,加权法形成的单目标问题往往待求解变量维数过大,采用已有算法难以收敛。另外,集中式控制结构难以面对复杂、动态的实际环境,中央控制器一旦发生故障,将威胁到整个系统的安全。

本文针对微网中的多目标问题,提出了基于多代理技术的分布式多目标求解策略。为每个目标建立对应Agent模型,即目标代理。PowerAgent代表发电侧目标,LoadAgent代表需求侧目标,每个目标Agent具有独立解决自身优化问题的能力,即解决单目标优化问题。发电侧需要知道需求侧的用电情况,从而决策发电单元的出力情况;需求侧需要知道发电侧的电价信息,从而决策用电单元的出力情况。多目标优化模型如图3所示。

图3 分层分布式多目标优化模型Fig.3 Hierarchical distributed multi-objective optimization model

虚拟电价信息λ(t)作为目标Agent之间信息传输的参数,具有十分重要的意义。在本文设计中,生成的虚拟电价信息可以很好地描述当前负荷侧用电的“代价”,该信息可以协助LoadAgent作出正确的决策。只有设计适当的虚拟电价信息,负荷侧和能源侧协商的过程才能满足微网整体经济性要求,并达到目标均衡。

2.2 PowerAgent模型

在分层分布式多目标优化模型中(见图3),作为发电侧的代表,目标代理PowerAgent的智能性以及决策能力通过内嵌于自身的PSO算法实现。选择PSO作为求解单目标问题的算法是因为其在处理多约束问题时,在可行域内有很好的搜索能力。在接收到LoadAgent的CFP信息后,PowerAgent通过REQUEST其下属Agent,获取相关信息(如Cb(t)、SOCInt等),调用自身PSO方法,其中粒子种群数量设置为300,最大迭代次数为50。计算该负荷信息下的最优分布式能源出力策略,并按照该时刻的负荷需求产生的发电成本生成虚拟电价信息λ(t),最后发送给LoadAgent,等待LoadAgent的优化结果。

2.3 LoadAgent模型

在图3所示的优化模型中,作为需求侧的代表,目标代理LoadAgent充分代表了需求侧成本最小的控制要求,在收到PowerAgent发送的PROPOSE信息后,LoadAgent调用自身的PSO算法,其中粒子种群数量设置为500,最大迭代次数为50。根据接收到的虚拟电价信息λ(t),优化可调节负荷的分布,使得满足需求侧的约束条件。优化后的r(t)作为CFP信息发给PowerAgent,进入下一轮协商过程。

2.4 基于多代理的微网多目标优化策略

选择最初负荷需求作为初始解,发电侧目标代理按照该负荷需求优化发电单元出力,并生成电价信息。需求侧按照发电侧生成的电价信息优化自身用电单元出力,发电侧按照此用电单元出力优化发电侧单元出力,并生成电价信息,如此迭代协商求解。

优化算法流程如下:

具体优化流程如下:

(1) PVAgent获取温度以及光照强度预测信息,WTAgent获取未来一天的风速预测信息,GridAgent获取电价预测信息,BtAgent和RtAgent分别获取不可调节预测负荷信息和可调节预测负荷信息,PVAgent和WTAgent则根据温度、光照强度和风速情况,计算对应条件下光伏阵列和风机的最大允许出力。

(2) 每个实体代理将自身信息发送给上层目标代理,如图3所示。例如PVAgent将最大允许出力发送给PowerAgent。

(3) 目标代理收到相关信息后开始协商。LoadAgent将y(t)作为CFP信息发送给PowerAgent。

(4) PowerAgent以发电侧发电成本最低为优化目标,根据LoadAgent提供的信息,调用自身的智能算法,快速求解自身优化问题,得到最优发电侧出力结果以及最低成本。

(5) PowerAgent将得到的最低成本折算成虚拟电价信息作为PROPOSE信息发给LoadAgent。

(6) LoadAgent收到PROPOSE信息后开始调用自身智能算法,得到优化后的负荷曲线,将本次优化的负荷与上一次优化所得的负荷相比较,当偏差小于ε时,优化结束,当偏差大于ε时,将优化后的负荷信息更新到步骤(3)中的CFP信息,再次进行循环。

3 仿真结果及算例分析

3.1 场景模拟与设计

仿真实验选取光伏发电装置、风机发电装置、储能装置各1台,微电网运行模式为并网运行。储能装置的充放电效率分别是nc=0.927,nd=0.971,储能装置的充放电成本系数βes=0.03,装机容量αba=1.5 kW,由于装机容量较小,为了充分利用储能装置的效益,设定最大、最小荷电状态分别是SOCmax=0.8,SOCmin=0.2,初始时刻和最终时刻荷电状态SOC(24)=SOCInt=0.5。用户负荷数据来源于文献[19],用户不满意度成本系数βuncom=0.05,用户切负荷成本系数βcut=0.08。新能源输出功率来源于香港天文台的气象数据[20],如图4所示。

图4 风机、光伏阵列和总可再生能源的最大允许发电量Fig.4 Maximum allowable generation of renewable energy

3.2 基于JADE的MAS建立

采用JADE平台建立多代理系统框架,如图5所示。程序代码用Java语言编写。发电侧实体代理包括PVAgent、WTAgent、GridAgent、BaAgent,需求侧实体代理包括BtAgent、RtAgent。另外,PowerAgenr作为发电侧目标函数的代理,LoadAgent作为需求侧目标函数的代理,通过两者之间的通信信息,协商达到最优策略。Agent之间的通信协商过程如图6所示。

图5 MAS系统Fig.5 MAS multi agent system

图6 MAS通信过程Fig.6 Communication process

多目标协调过程描述如下:

(1) 消息1。LoadAgent向PowerAgent发送CFP(寻求建议),标志协商的开始。

(2) 消息2～9。PowerAgent向其下属发电侧Agent发送REQUEST通信原语,发电侧Agent接收到信息后将自身状态信息回复给PowerAgent。

(3) 消息10。PowerAgent根据收到的信息,根据发电侧成本最低为目标快速作出决策,并发送PROPOSE信息给LoadAgent。

(4) 消息11～207。目标Agent之间的协商过程。

(5) 消息208～215。协商完成,PowerAgent将最终协商的策略发送给发电侧Agent。

图7示出了LoadAgent协商结果曲线,图8示出了PowerAgent协商结果曲线。从图7、图8可以看出,PowerAgent与LoadAgent经过不断协商,最终结果趋于稳定。由于发电侧成本要远远大于需求侧成本,所以,本实验中,PowerAgent在协商过程中起更大的作用,但由于LoadAgent的存在,PowerAgent成本不能无限制地减少,通过两者协商,虽然在需求侧增加了少量的成本,但为发电侧减少了更多的成本,这与本文的初衷,微网的整体经济性相符合。从这一点也可以看出,本文的协商过程与博弈算法“个人利益最大化”的核心思想不相同,本文设计的目标代理会牺牲自己的部分利益以达到整体收益最大化。

图7 LoadAgent协商结果曲线Fig.7 LoadAgent negotiation result curve

图8 PowerAgent协商结果曲线Fig.8 PowerAgentn negotiation result curve

3.3 Agent行为特性分析

由于用户舒适度的要求,在削减可调节负荷时会带来不满意度成本,需求侧目标代理要在削减与用电之间寻找平衡。如图9、图10所示,LoadAgent接收到虚拟电价信息后,在用电低峰时刻(电价低),调整后的负荷曲线都保持着预测负荷曲线的趋势,这样满足了舒适度要求。在用电高峰时刻,即高电价的时候,LoadAgent能够及时削减并转移可调节负荷,以减少需求侧用电成本。这样在减少需求侧成本的同时满足了用电需求和舒适度要求。

从图11可以看出,储能装置的充放电过程交替进行,并且根据储能剩余能量曲线看出,储能装置没有出现过充、过放的现象。另外,由于考虑了充放电成本,故储能装置并不是一直处于工作状态,在高电价的时候放电,以削减发电成本,从而延长了储能装置的使用寿命。在平时电价阶段,储能装置选择充电,是因为检测到后面有高电价时刻,以便削峰填谷,最后能将能量充到50%,以保证每天的运行状态互不干扰。如果最后时刻没有低电价阶段,PowerAgent会提前将BatteryAgent的状态充到50%,以防止为了满足约束(8)而进行强制充电,增加发电成本。

图9 电价曲线Fig.9 Tariff curve

图10 可调节负荷的优化结果Fig.10 Adjustable load optimization results

图11 发电侧优化结果Fig.11 Generation side optimization results

4 结 论

本文提出了一种新型的基于多代理技术的多目标求解算法,针对微电网中传统的多目标求解问题,在JADE软件平台上建立了MAS系统,并将各个子目标用Agent分别求解。为满足整体经济性要求,提出了虚拟电价概念,发电侧可以根据负荷侧的耗能信息,生成对应的虚拟电价信息,需求侧则可以根据虚拟电价信息,优化需求侧的用电行为。目标之间的耦合关系通过Agent之间通信协商解决。实验结果表明,本文提出的微电网多目标求解算法能够有效地解决微电网能量管理中的多目标问题,且采用分布式Agent建立微电网模型,在一定程度上可以缓解中央控制器的求解压力,降低问题求解维度,具有更快的求解速度。今后的工作方向将着重于对Agent计算能力的改进,且本文中光伏和风机采用预测值,实际运行时有一定的偏差,未来可将此偏差考虑在内完善模型,使得优化结果更具有实际价值。

[1] LOPES J A P,MADUREIRA A G.A view of micro-grids[J].Wiley Interdisciplinary Reviews Energy & Environment,2013,2(1):86-103.

[2] 杨毅,雷霞,叶涛,等.考虑安全性与可靠性的微电网电能优化调度[J].中国电机工程学报,2014,34(19):3080-3088.

[3] LIAO G C.Solve environmental economic dispatch of smart micro-grid containing distributed generation system using chaotic quantum genetic algorithm[J].International Journal of Electrical Power & Energy Systems,2010,43(1):779-787.

[4] MOHAMED F A,KOIVO H N.System modelling and online optimal management of micro-grid using multi-objective optimization[C]//International Conference on Clean Electrical Power.Italy:IEEE,2007:148-153.

[5] 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,2016,44(13):117-122.

[6] 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):13-20.

[7] 宋晓英,王艳松.基于协同进化遗传算法的微网经济环保调度[J].电力系统保护与控制,2014,42(5):85-89.

[8] 刘前进,许慧铭,施超.基于人工蜂群算法的多目标最优潮流问题的研究[J].电力系统保护与控制,2015,43(8):1-7.

[9] 李存斌,张建业,李鹏,等.考虑成本、排污及风险的微电网运营多目标优化模型[J].中国电机工程学报,2015,35(5):1051-1058.

[10] 陈洁,杨秀,朱兰,等.微网多目标经济调度优化[J].中国电机工程学报,2013,33(19):57-66.

[11] BEDAKO B A,KLING K L,RIBERIRO P F.Multi-agent system architecture for smart home energy management and optimization[C]//2013 IEEE PES Innovative Smart Grid Technologies Europe(ISGT Europe).Copenhagen:IEEE,2013:1-5.

[12] 曾君,徐冬冬,刘俊峰,等.考虑负荷满意度的微电网运行多目标优化方法研究[J].中国电机工程学报,2016,36(12):3325-3333.

[13] 李晨迪,陈渊睿,曾君,等.基于非合作博弈的微电网能量管理系统优化算法[J].电网技术,2016,40(2):387-395.

[14] 丁明,罗魁,毕锐.孤岛模式下基于多代理系统的微电网能量协调控制策略[J].电力系统自动化,2013,37(5):1-8.

[15] 江润洲,邱晓燕,李丹.基于多代理的多微网智能配电网动态博弈模型[J].电网技术,2014,38(12):3321-3327.

[16] NUNNA H S V S K,DOOLLA S.Multiagent-based distributed-energy-resource management for intelligent micro-grids[J].IEEE Transactions on Industrial Electronics,2013,60(4):1678-1687.

[17] 郝雨辰,窦晓波,吴在军,等.微电网分层分布式能量优化管理[J].电力自动化设备,2014,34(1):154-162.

[18] 祖其武,牛玉刚,陈蓓.基于改进粒子群算法的微网多目标经济运行策略研究[J].电力系统保护与控制,2017,45(14):57-63.

[19] KARAMI H,SANJARI M J,HOSSEINIAN S H,etal.An optimal dispatch algorithm for managing residential distributed energy resources[J].IEEE Transactions on Smart Grid,2014,5(5):2360-2367.

[20] WANG H,HUANG J.Joint investment and operation of microgrid[J].IEEE Transactions on Smart Grid,2017,8(2):833-845.

Multi-objectiveOptimizationofConnectedMicrogridBasedonMulti-agentTechnology

WANGSi-ming,NIUYu-gang,ZUQi-wu

(KeyLaboratoryofAdvancedControlandOptimizationforChemicalProcesses,MinistryofEducation,
EastChinaUniversityofScienceandTechnology,Shanghai200237,China)

The economic operation of the microgrid is a multi-objective and multi-constraint problem.The traditional method is to transform the multi-objective problem onto a single-objective problem,which often difficultly converges and has a stronger subjectivity in the selection of weights.In this paper,a multi-objective solving strategy is proposed via multi-agent technology.By considering the whole economy of the microgrid,this paper establishes the generation target agent (PowerAgent) and the demand side agent (LoadAgent),respectively,so as to avoid the choice of the weights.Moreover,the virtual electricity price information is introduced as the negotiation parameter of the generating side agent and the load scheduling information is the negotiating parameter of the demand side agent.By utilizing the agent communication function in JADE platform,the target agents communicate the negotiation parameters each other,optimizes every subtarget problem and achieves the goal balance via iterative negotiates.The above negotiation process guarantees the overall economic requirements of the microgrid such that the two sub-targets can attain quickly convergence by distributedly solving the target agent.Finally,an example is given to illustrate the feasibility of the proposed method.

microgrid; economy; multi-objective; multi-agent; JADE; particle swarm

1006-3080(2017)06-0829-08

10.14135/j.cnki.1006-3080.2017.06.012

2016-12-27

国家自然科学基金(61673174);上海市优秀学术/技术带头人计划(16XD1421300)

王思明(1993-),男,硕士生,研究方向为多代理技术、微网能量管理。E-mail:wangsiming1314@163.com

牛玉刚,E-mail:acniuyg@ecust.edu.cn

TP273

A