基于改进PSO算法的微电网多目标运行优化

韩杨杨

摘 要：在综合考虑运行成本和环境成本的基础上，建立了针对风光柴蓄独立型微电网的多目标运行优化模型.采用基于模拟退火的PSO算法进行求解.与传统PSO算法进行比较，结果显示，改进的PSO算法具有更好的寻优能力和更快的收敛速度.通过算例验证了所提出的优化模型和改进的PSO算法的合理性.

关键词：微电网;运行优化;模拟退火;改进的粒子群算法

中图分类号：TM734  文献标识码：A  文章编号：1673-260X（2019）10-0048-04

1 引言

近年来，分布式发电技术日益成熟，其应用逐渐增多.与集中式发电相比，分布式发电可以利用各种分散存在的能源，灵活、经济与环保是其主要优势.由多种分布式电源（DG）组成的微电网（MG），作为一种新兴技术，受到广泛关注.微电网可被看作小型电力系统，具备发电和配电功能，既可独立运行，也可与外部电网并网运行，以满足网内用户的电能需求.

MG的理想化状态是实现各种DG的方便接入和高效利用，尽可能使用户感受不到网络中分布式电源出力变化而引起的波动，即为用户侧提供高质量电能，因而微电网的运行优化问题成了研究关键.目前，针对这一问题，国内外学者已经展开了很多研究.文献[2]采用改进的遗传算法求解微电网内分布式电源的最优配置方案.文献[3]采用遗传算法从最小运行成本和最小污染物排放两方面进行微电网多目标规划.文献[4、5]针对独立和并网两种模式，构建基于改进PSO的MG能量管理系统，选用不同参数指标进行运行调度优化.文献[6-10]针对不同的MG模型提出了各种智能算法的优化运行策略.相比较而言，粒子群算法（PSO）是一种有效的全局寻优算法，与传统进化算法相比，操作简单，避免复杂的遗传操作，能在较少的迭代次数内找到最优解，更适用于多目标优化问题，但PSO算法也存在一些问题，如迭代收敛速度慢，容易掉进局部最优等[4].本文建立以运行成本和环保因素为指标的微电网多目标优化运行模型，提出结合模拟退火算法的改进粒子群优化算法求解问题，算例分析表明，应用基于模拟退火的PSO算法其效果优于传统PSO算法，验证了本文所提出的改进算法的正确性和合理性.

2 微电网运行优化模型

微电网的组成方式多种多样，本文选用风/光/柴/蓄独立型微电网结构，如图1所示.该微电网由光伏系统、风力发电机、蓄电池、柴油发电机和负荷构成.风机和光伏发电出力严重依赖自然资源，具有随机性和间歇性，是相对不可控电源;而柴油发电机和蓄电池储能系统是相对可控电源，在一定约束条件下对其输出功率进行管理控制，从而按照预期工况进行工作.

2.1 各单元模型

2.1.1 光伏电池（PV）模型

PV的输出功率与光照强度和温度等因素有关，计算公式[1]如下：

2.1.2 风力发电机（WT）模型

風机的输出功率与风速大小相关，计算公式[3]如下：

2.1.3 蓄电池（SB）模型

蓄电池某一时刻只能表现为充电或放电状态，分别表示[6]为：

（1）充电时，t时刻的剩余电量：

（2）放电时，t时刻的剩余电量：

其中：SOC（t）、SOC（t-1）——分别为蓄电池t时刻、t-1时刻的剩余电量;

PSB（t）——t时刻蓄电池的功率;

ηC、ηD——充、放电效率.

2.1.4 柴油发电机（DE）模型

柴油发电机发电成本计算公式[9]如下：

其中：FDE——燃烧成本;

α、β、γ——燃烧成本系数;

PDE——柴油发电机输出功率.

2.2 优化运行目标函数

本文将运行成本和环境成本作为微电网经济运行的优化目标.

2.2.1 运行成本

运行成本部分包括设备更新、运行维护和燃料费用.数学表达式为：

f1=CR+CM+CF   （6）

其中：CR、CM、CF分别代表更新、维护和燃料费用.

CR=CRB+CRPV+CRW+CRDG   （7）

CRB、CRPV、CRW、CRDG分别代表蓄电池、光伏组件、风力发电机和柴油发电机的更新费用.

CM=CMB+CMPV+CMW+CMDG  （8）

CMB、CMPV、CMW、CMDG分别代表蓄电池、光伏组件、风力发电机和柴油发电机的维护费用.

CF=CFDG    （9）

CFDG表示柴油发电机的燃料费用.

2.2.2 环境成本

利用燃料发电会排放一定量的污染物，环境成本主要指污染物的排放费用.本文主要考虑NOX、CO2、SO2的排放，表达式为：

其中：f2代表污染物折算后的环境成本;M表示各种污染物类型的个数;N表示微电源个数;αj表示单位电量第j项污染物治理费用;Ei，j表示第i个微电源单位电量下第j项污染物的排放量.

2.2.3 多目标优化模型

综合考虑上述两项评价指标，希望运行成本和环境成本均达到最低，最终获得的目标函数（线性加权处理）为：

其中：λi为权重系数，C为惩罚项系数.

2.2.4 约束条件

本文主要考虑各单元的功率约束、蓄电池充放电约束以及微电网运行时的功率平衡约束.

（1）各单元的功率约束

其中：Pi代表各出力单元;

Pimin、Pimax分别表示各单元的最小功率、最大功率.

（2）蓄电池充放电约束

其中：SOC（t）表示在t时刻蓄电池的剩余电量;

SOCmin、SOCmax分别表示蓄电池容量的下限、上限.

（3）功率平衡约束

其中：PPV（t）、PWT（t）、PDE（t）、PSB（t）分别表示PV、WT、DE、SB的输出功率;PL（t）表示微电网负荷.

3 改进的PSO算法

粒子群算法是一种基于群体智能的优化算法，与遗传算法（GA）相比，PSO比GA规则更加简单，不需要复杂的操作（选择、交叉和变异），它通过追随当前搜索到的最优值来寻找全局最优[12].PSO算法的流程如图2所示.

模擬退火算法（SA）是一种通用概率算法，用来在一个大的搜寻空内找寻所需的最优解.该算法源自对热力学中退火过程的模拟，在某一给定的初温下，通过缓慢下降温度参数，使算法能够在一定时间内给出一个近似最优解[12].

模拟退火的寻优主要步骤如下：

（1）初始化微粒的位置和速度.

（2）计算种群中每个微粒的目标函数值.

（3）更新微粒的pbest和gbest.

（4）重复执行下列步骤.

对微粒的pbest进SA邻域搜索.

更新各微粒的pbest.

执行最优选择操作，更新种群gbest.

判断gbest是否满足算法终止条件？如果是，转，否则转.

输出种群最优解.

改进的PSO算法：在传统PSO算法中加入SA算法，以避免掉入局部最优.方法是当粒子靠近局部最优解时，通过SA从邻域中随机产生另一个解，并与当前局部最优解进行对比，通过一定的规则确定采用哪个解为最优解（随机产生的解or局部最优解），最终找到真正的最优解[4].

4 算例分析

4.1 算例基础数据

算例采用独立型风/光/柴/蓄微电网结构，其由风力发电机、光伏电池、柴油发电机、蓄电池构成.各DG的具体参数见表1.污染物排放参数见表2.

以该微电网全天24小时的运行数据为例，WT和PV的功率预测曲线如图3所示.

微电网中居民负荷预测曲线如图4所示.

4.2 运行结果分析

该微电网在独立运行状态下，用户负荷全部依靠网内各DG产生电能进行供给，经过优化后各DG的输出功率如图5所示.

从图5中可以看出：在WT和PV出力大于负荷需求时，对蓄电池进行充电;当出力不足时，蓄电池通过放电在一定程度上弥补电能的不足，保证了供电的持续性和可靠性.

不同算法的优化结果如表3所示.由表3可知，本文提出的基于改进PSO算法的微电网优化运行总成本（包括运行成本和环境成本）为571.9294元，而传统PSO算法在同等条件下的总成本为592.8728元.相比之下，改进的PSO算法比传统PSO算法成本降低约4%.由此可见，采用改进的PSO算法寻优能力更好，且收敛速度更快.

5 结论

本文提出通过模拟退火算法对传统的PSO算法进行改进，采用风光柴蓄独立型微电网系统为模型进行多目标运行优化，用改进的PSO算法求解，并与传统PSO算法相互对比.算例分析显示，基于SA的PSO算法，其在收敛速度、寻优能力等方面均表现更佳;同时也验证了所建立的多目标函数优化模型（要求运行成本和环境成本均最低）的可行性.

参考文献：

〔1〕禇衍廷.微电网系统多目标优化运行研究[D].兰州：兰州交通大学，2017.

〔2〕盛万兴，叶学顺，刘科研，等.基于NSGA-II算法的分布式电源与微电网分组优化配置[J].中国电机工程学报，2015，35（18）：4659-4662.

〔3〕陈天翼，刘宏勋.基于遗传算法的微电网经济运行优化[J].电器与能效管理技术，2017，（21）：54-58.

〔4〕孔爱良，梁硕，李春来，等.基于改进粒子群算法的微电网优化运行[J].河海大学学报（自然科学版），2017，45（6）：550-555.

〔5〕黄晨，张靠社.基于量子粒子群算法的微电网优化调度[J].电网与清洁能源，2016，32（2）：72-76.

〔6〕王海燕，王旭佳，秦健.基于多目标人工蜂群算法的微电网优化调度[J].电器与能效管理技术，2016，（19）：57-62.

〔7〕王艳松，宋阳阳，吴昊，等.基于禁忌搜索算法的微电网源/荷安全经济调度[J].电力系统保护与控制，2017，45（20）：21-27.

〔8〕马文，耿贞伟，张莉娜，等.基于改进多目标狼群算法的微电网高度优化[J].电子技术应用，2017，43（11）：124-127.

〔9〕彭春华，王奎，张艳伟，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.

〔10〕刘荣荣，张靠社，张刚，等.基于自适应人工鱼群算法的微电网优化运行[J].电网与清洁能源，2017，33（4）：71-76.

〔11〕王成山，许洪华.微电网技术及应用[M].北京：科学出版社，2016.2-3.

〔12〕李娅.MATLAB R2015b最优化计算[M].北京：清华大学出版社，2017.400-401.