基于改进AGA的微电网优化管理研究

韩宇 马立新 唐继旭 徐文彬

摘要：针对电动汽车无序充放电影响传统微电网稳定性及经济性问题，建立一种根据电动汽车随机负荷种类分时段调度模型，使用蒙特卡洛方法模拟电动汽车的充放电功率。同时，对传统微电网优化收敛速度慢、精度低等问题，提出一种改进自适应遗传优化算法（SAGA）。最优保存策略结合自适应调整交叉变异概率，解决遗传算法多样性问题，从而改善收敛速度与精度。通过建模及仿真计算，证明该方法在含电动汽车的风光柴储微电网优化中，能较快收敛到最优解，提高了微电网稳定性和经济性，具有良好的工程实用性。

关键词：微电网优化;分布式能源;电动汽车;分类调度;蒙特卡洛模拟;自适应遗传算法

DOI：10.11907/rjdk.191235

中图分类号：TP319 文献标识码：A 文章编号：1672-7800（2019）012-0151-04

0引言

微电网是一个自治系统，可以实现自我控制、管理和保护等诸多功能。微电网是一个开放系统，既可孤网运行，也可并网运行。连入电网后由相关负载、多样的分布式电源构成一个大网络结构。

多种分布式能源并人，以及电动汽车等随机性较高且使用量逐年提高的负荷特点，亟需深层研究微电网优化管理问题。文献[7]综合考虑了微电网停电损失和投资运营费用问题，分析了微电网可靠性与经济性相协调的优化方案;文献[8-9]对包含风光柴燃储的微电网系统优化，对装机、运行、维护及污染成本进行多目标优化;文献[10-11]提出了根据不同时段电价的电动汽车多目标优化方案。随着电动汽车的发展，对这类随机性较强的负荷调度需作出判断及分类优化，上述研究未很好解决优化收敛慢、易陷入局部最优等问题。

本文根据电动汽车种类建立分时段调度模型，综合考虑微电网运行成本，并结合改进的自适应遗传算法，对微电网进行优化，给出微电网分配管理最优方案。

1建立模型

1.1目标函数

目标函数为微网总成本最低，主要考慮初始装机投资成本、运行成本、设备维护成本、环境成本、发电补贴、电动汽车充放电成本6个方面。

将电动汽车分为可调度和不可调度两种。可调度电动汽车为出租车、公交车等，对其采用分时段充电法，设定在20-6时充电，8-18时放电，且放电后SOC值大于40%。不可调度电动汽车包括部分私家车等，作为随机负荷接入微电网，采用蒙特卡洛法模拟充放电功率。

3微电网优化

3.1自适应遗传算法（AGA）

在遗传算法中，收敛能力与寻优能力是两个极其重要的特征。交叉概率Pc和变异概率Pm是影响这两个特征的最重要参数，同时也是检验一个遗传算法是否优秀的标准。

自适应遗传算法目的是要平衡收敛能力和寻优能力，使交叉概率和变异概率根据适应度值变化而变化。当基因群多样性较差，适应度值趋向于局部最优时，增加Pc和Pm;当基因群适应度值较高且较分散时，减小Pc和Pm。所以提出自适应变化公式，使交叉概率和变异概率动态调整。

3.2最优保存策略自适应遗传算法（SAGA）

本文针对微电网优化问题，对储能、柴油发电功率和电动汽车充放电功率进行求解。在设计遗传算法时，采用浮点数编码方式对其按时间序列进行编码，同时根据实际问题设计合适的选择、交叉和变异算子。

自适应遗传算法中，Pc和Pm可以随适应度的变化而变化，不足的是AGA算法在适应度值接近其最大值时Pc和Pm开始趋近于0，在遗传初期会导致基因群多样性降低，易陷入局部最优。或某一时刻Pc、Pm会变得很大，从而破坏种群最优结果，破坏算法的寻优能力。

因此可以采用最优保存策略对自适应遗传算法（sA-GA）进行改进：如果下一代最优个体适应值小于当前最优个体适应值，则用轮盘赌法将较差个体替代，保存最优个体。这样，最优保存策略既不破坏每一代中的最优个体，又充分发挥了自适应遗传算法优点。SAGA对含电动汽车的微网优化流程如图1所示。

4算例分析

4.1设备数据及参数

以某园区数据为例，风光柴储以及电动汽车各项参数如下：

（1）单组风电机的额定功率为10kW，单组光伏板的额定功率为0.3kW，风光发电功率曲线如图2。

（2）投入1000辆电动汽车、共享汽车，可调度与不可调度汽车投人比例为6：4，利用蒙特卡洛模拟法拟合出的电动汽车充放电功率如图3所示。

（3）微电网并网时，电网电价采用表1中的数据。

4.2算例优化分析

将电动汽车无序充放电作为随机负荷接入微网，使用GA优化、GA和SAGA算法这3种方案对电动汽车分类型分时段调度的微电网模型进行优化。图4-图6为SAGA算法对EV进行分类分时段优化时微源出力情况、3种方案蓄电池SOC与电价走势及优化适应度值对比。微电网各指标优化情况见表2。

由图4结合表2可知，对含电动汽车微网采用SAGA算法进行分时段优化调度可以进一步削峰填谷，弥补储能设备充放电能力不足问题。电价较低时充电，电价较高、负荷较大时放电，减少微电网成本，增加电网稳定性，减轻EV无序充放电对电网的影响。

由图5可知，第3种方案蓄电池SOC值高于方案1、方案2，可提高蓄电池等效充放电次数，避免过充过放，延长使用寿命。

由图6可知方案3的收敛速度及收敛精度均更优，SAGA算法相比于传统遗传算法较好解决了多样性问题，能快速收敛于最优解。SAGA算法对电动汽车分类调度微网模型的优化指标均优于其它方案。

5结语

本文根据电动汽车种类建立优化调度模型，较好解决了传统微电网将无序充放电的电动汽车作为随机负荷接人电网时造成的微电网经济性和稳定性降低问题。

本文提出一种基于最优保存策略的自适应遗传算法，在自适应遗传算法中对交叉算子和变异算子进行改进，保存最优群体，较好解决了传统优化算法收敛速度慢、不易收敛到最优解等问题。结合电动汽车的微电网优化模型，以微电网综合运行成本最低为目标函数，求解出最优微电网运行方案，结果比其它方案指标均更优，具有良好的工程实用性。