基于群搜索算法的风光储微电网优化调度

王丽华，王锡淮，肖建梅



基于群搜索算法的风光储微电网优化调度

王丽华，王锡淮，肖建梅

（上海海事大学电气自动化系，上海 201306）

面对传统的电力发电系统火力不足且造成严重的环境污染问题，大力建设清洁能源为主的微电网具有重要的意义。本文搭建了由光伏、风能、储能电池、海水淡化系统等分布式电源构成的微电网系统。在保持微电网能正常运行的前提下，以实现经济环保成本最低为目标，建立了微电网的优化调度模型。最后分别运用粒子群搜索算法（PSO）、群搜索算法（GSO）对该模型进行寻优，并且进一步改进GSO算法。通过算例验证该模型的有效性。算例结果表明改进后的群搜索算法收敛速度更快，优化结果最好。

群搜索优化算法 微电网 可再生能源 优化调度

0 引言

随着现代社会的高速发展，资源紧张，环境压力增大，能源越来越匮乏，以及用户对电能需求和电力服务质量的要求不断提高，电力行业正面临着严峻的挑战和机遇。使得我们积极寻求探索对新型节约能源的研究和发展。建设更加安全、经济、环保和绿色的微电网已日益成为全球电力行业的共同目标。微电网是一种将可再生能源、清洁能源作为发电系统储能装置以及各类负载相结合的小型电力网络[1]。近年来，光伏发电、风力发电以及储能电池等可再生能源和清洁高效发电技术的迅猛发展，受益于微电网技术的不断进步与创新。微电网的优化调度是微电网规划中需要重点考虑的问题，国内外的学者在这一方面取得了一些理论和实践方面的成果。多种多样智能优化方法的出现为微电网的优化运行提供重要解决方法。文献[2]中结合细菌觅食算法(BFA)局部搜索能力强的特点，提出了一种 PSO-BF 算法用于求解微电网电能优化调度问题。文献[3]和[4]都是结合量子理论的量子粒子群优化算法，不同的是文献[3]又对量子粒子群优化算法做出了改进，并证明其提高了算法的收敛速度和运行速度。文献[5]基于风能、太阳能、潮汐能构成的微电网系统，利用粒子群算法对微电网的经济性进行寻优。由于GSO 算法在求解多模态高维的非线性函数的优化问题有极好的收敛性能[6]。因此，本文搭建光伏、风力发电机、蓄电池以及柴油机等分布式电源组成的微电网，考虑到传统调度方法中求解蓄电池充放电时存在的保护问题，满足当地居民负荷，以实现经济环保成本最低为目标，建立了微电网的优化调度模型。采用GSO算法对模型进行求解并改进。通过算例结果表明该算法收敛速度更快，优化调度结果最理想。

1 各分布式发电单元建模

1.1 光伏建模

光伏电池板的输出功率模型:

其中，P为光伏组件的实际输出功率（kW）；G为实际的太阳辐射光照强度(W/m2)；G为标准测试条件(Standard Test Condition，STC)下的太阳辐射光照强度；P是STC下光伏电池组件的最大输出功率（kW）；k为功率温度系数（％/℃）；是电池额定温度(℃)；T为电池实际温度（℃）。光伏发电安全清洁，而且输出电能质量高。设置光伏电池板时应充分考虑当地光照时长及强度，尽可能大地发挥光伏发电的优势，并且在建设微电网时优先考虑使用光伏发电。

1.2 风力发电机建模

本文中只考虑理想情况下风力发电机的输出功率主要与风机转轴高度处的风速有关。风力发电机的机械功率输出的空气动力系统理想模型如下：

其中：P为风机输出的额定功率；为风机转轴处的实际风速；in为切入风速；out为切出风速;vN为额定风速。根据风力发电机的数学模型可知，当其平均风速位于额定风速与切出方式之间时，风机的输出功率为理论上的额定功率。其稳定性与经济性也更好。

1. 3 储能电池建模

蓄电池最重要的参数就是荷电状态(State of Charge, SOC)，它表示为蓄电池剩余电量与其完全充电状态容量的比值。蓄电池储能的荷电状态与功率之间的关系如下[6]：

其中：SOC和分别是两个相邻时间的蓄电池的荷电状态；Pbat_t(i)是蓄电池在第i小时的充放电功率；Qbat是蓄电池的总容量（Ah);

1.4 柴油发电机模型

柴油发电机的燃料成本函数具有耗量特性，其满足的方程如下：

其中：C是柴油发动机的燃料总成本；和Q是柴油发电机的费用系数，取4.62，Q取值为0.22，P是在第t小时时的柴油机输出的有功功率。

2 微电网优化调度模型

2.1 目标函数

将微电网的经济性作为优化的目标函数，建立微电网优化运行模型，如下所示：

式中，C是微电网的总的最优成本；C、C、C分别是风能、光伏电池、蓄电池的运行维护费用，C是柴油发电机运行维护加环保费用。

2.2 约束条件

1）功率平衡约束。微电网发电机的输出总功率要满足居民负荷需求，即

2） 储能蓄电池的约束

蓄电池在一个调度周期内，荷电状态的初始时刻和末尾时刻应当保持一致，为

为了保护蓄电池，使其不能出现过充电和过放电状态，必须使蓄电池在任意一个时刻的荷电状态介于其荷电状态的上下限之间，即

其中：PP分别是单位小时内的充过放电功率。

3）输出功率约束。为保持运行的稳定性，每个发电机的实际输出功率有严格的上下限约束，即

2.3 优化策略

在本文中，用风能和太阳能的输出功率减去实际负荷得到的值来表示净负荷P。

当净电荷P大于0时，多余的电量存储到蓄电池里。当可再生能源产生的电量不足以满足居民负荷时，蓄电池放电，柴油发动机作为备用电力配合蓄电池使用，尽可能的减少柴油发电机的频繁启动。

2.4 算法的实现流程

采用群搜索算法（GSO）对该微电网进行调度，整个的优化流程如图1所示。

其中：U和L为搜索空间第维向量的上下界。

3 算例仿真

微电网由柴油发电机（额定功率60 kW）、光伏电池板（额定功率0.2 kW）、风力发电机（额定功率 100 kW）、蓄电池（额定功率5 kW）和居民负荷300 kW组成。进行算例仿真，得到优化调度后各发电单元的功率输出仿真结果如2-4图所示。图5给出了系统运行调度后的进化迭代效果图。

图1 GSO算法优化调度策略

由图2可以看出，光伏电源的实际输出功率大小跟光照强度和环境温度有紧密关系。在7点到18点的时段内，随着光照强度的增加，光伏输出功率逐渐增大，在中午达到最大值。其他时间光照强度太弱，光伏输出为0。

由图3可以看到风能发电单元的输出功率大小随着当日风速的变化而变化，在 18点到 20点的时段内，风速达到最大，风能发电的输出功率也将达到最大。当风速小于风能发电机的切入风速风能发电单元输出功率为 0，即停机状态。

从图4可以看出，在0~7点时间段内，光伏和风力发电机的输出功率完全不能满足负荷，需要启动蓄电池放电。在光伏和风能发电的功率增大能够满足居民负荷时，储能电池充电。

图2 光伏输出功率曲线

图3 风力发电机输出功率

图4 优化调度各电源出力情况

4 算法比较

用PSO与GSO及其改进后的SGSO算法，对目标函数进行对比，各算法在微电网优化调度后收敛情况如图5所示。

图5 算法收敛曲线

从图5可以看出，改进后的SGSO算法比PSO算法和基本的GSO算法的收敛速度明显更快，并且在搜索精度也是最优。从而验证了该算法在微电网的优化调度中具有更好的应用价值。

5 结论

本文研究了风光储能电源构成的微电网的经济优化调度问题，在满足负荷需求和各电源约束的情况下，实现微电网在安全、稳定、经济的范围内运行的最优调度，最后GSO算法验证了该模型的有效性，证明GSO算法能够更好的实现微电网运行成本最低，效果最好。

[1] 赵磊, 曾芬钰, 王霜, 杨宝泉. 基于经济性与环保性的微电网多目标优化调度研究[J].高压电器, 2015, 51(06): 127-132.

[2] 杨毅, 雷霞, 徐贵阳, 吴泓俭, 卢杨. 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.

[3] 杨亚. 基于量子行为粒子群算法的微电网经济优化调度[D]. 杭州电子科技大学, 2016.

[4] 王世亮. 基于改进量子粒子群算法的智能电网多目标优化规划研究[D]. 兰州理工大学, 2014.

[5] 段帅. 含风/光/柴/蓄及海水淡化负荷的微电网优化调度方法[D]. 华北电力大学, 2014.

[6] He, S., Wu, Q.H., Saunders, J.R.. A Novel Group Search Optimizer Inspired by Animal Behavioural Ecology[P]. Evolutionary Computation, 2006. CEC 2006. IEEE Congress on 2006.

Optimized Dispatch of Wind - PV - Battery MicrogridBased on Group Search Algorithm

Wang Lihua, Wang Xihuai, Xiao Jianmei

(Shanghai Maritime University, Shanghai 201306, China)

TM73

A

1003-4862（2018）08-0027-04

2018-03-12

王丽华（1992-），女，硕士研究生。研究方向：复杂系统控制与优化。E-mail：2437830338@qq.com