计及多智能体调度的冷热电联供型微网并网优化运行研究

王凌云，杨 剑，张赟宁，王晓敏，吴小婷

（三峡大学 电气与新能源学院，湖北 宜昌 443002）

0 引言

目前，节能减排，改善生态环境，提高能源利用效率已经成为微网研究的热点课题[1]。冷热电联供（CCHP）系统是一种将制冷、制热和供电结合起来的三联产系统，能够有效地实现能源的梯级利用，具有节能减排的效果。在微网中加入CCHP 系统，能够有效地解决现阶段我国微网清洁能源利用率低和成本高的问题。

在冷热电联供型微网优化调度方面，国内外专家已开展了大量的研究工作。文献[2]以总运行成本最低为目标，建立了考虑微网间功率交互和微源出力协调的CCHP 型多微网优化调度模型，并以某典型微网群为例，验证了所提模型的有效性。文献[3]，[4]搭建了以节能效率最高和能源消耗成本最低为目标的优化调度模型，并运用混合整数非线性规划和快速非支配排序的遗传算法得出两个目标的Pareto 最优解。文献[5]提出了一种冷热电联产综合能源系统和风力发电的优化调度策略，考虑到了天然气系统的建模，并将其安全约束集成到最优调度模型中，从而验证了所提调度策略模型的经济性，促进了风力发电的集成。文献[6]以某沿海某地CCHP 型微网为例，构建了以用户购电成本和环境处理费用最低为目标的微网配网联合调度模型，采用基于信息熵理论的NSGA-II算法，解决了传统多目标评价体系中折衷解选择主观性的影响。然而，该模型并未提出，在智能化调度的框架下，根据不同的利益主体进行协同调控。

在多智能体调度方面，文献[7]将多代理系统（Multi-Agent System，MAS）引入到多微网和分布式电源能量协同调控问题中，制定了基于混合式控制结构下的微网分布式MAS 控制策略。但是，由于多目标协同优化涉及经济、技术、环境等多方面的因素，传统的集中式优化算法已经难以满足微网的发展趋势。文献[8]提出一种基于势博弈的微网分布式运行优化算法，将复杂的约束条件转化为局中人的策略空间，契合于MAS 理论的分布特性。文献[9]，[10]为了有效地构建多层次微网管理策略，提出了基于Multi-Agent 的多层微网管理系统，但未考虑微网内部的管理和通信代理机制。

1 基于多智能体的冷热电联供型微网

本文所研究的冷热电联供型微网基本结构如图1所示。该微网主要包括风机 （WT）、 光伏（PV）、蓄电池（BA）和由微燃机（MT）、燃料电池（FC）、吸收式制冷机、空调机（AC）、锅炉（GB）等微源组成的CCHP 系统。

图1 冷热电联供型微网基本结构图Fig.1 Basic structure diagram of CCHP microgrid

以国内某地CCHP 型微网为例，通过构建微网管理系统多智能体调度框架，实现各微源代理之间的通信和协调。通过所建立的微网并网优化调度模型，验证了基于多智能体技术的CCHP 型微网，在并网条件下调度的经济性和灵活性，使其达到节能减排效果和收益的最大化。

1.1 多智能体微网管理系统

多智能体系统是智能代理的结合，能够完成各代理（Agent）之间的底层通信，实现各Agent 之间的相互通信和协调控制[11]，[12]。图2所示为本文构建的基于多智能体技术的CCHP 型微网管理系统结构，包括大电网和由 PV，WT，BA 和 CCHP 系统组成的通信代理管理结构，还包括用户的负荷需求通信代理。

图2 基于多智能体技术的微网管理系统结构Fig.2 Microgrid management system structure based on multi-agent technology

CCHP 型微网中，各个负荷、微源及蓄电池通过对应的Agent 进行协调控制，各个实体单元有不同的管理约束和决策机制。本文将MAS 技术与微网运行相结合，在多智能体系统中构建监控发电侧电力平衡的Agent、负荷需求侧的负荷Agent和在断路器或保护侧的控制Agent，从而及时有效地对动态调度中各个微源进行监督和控制[13]。各Agent 之间信息的反馈，将改善整个微网系统的电能管理以及启停与运行机制。

1.2 微源模型

微网中 CCHP 系统须要构建 MT，AC，GB，BA和FC 的模型。MT 运行时，可利用所排出的高温烟气余热供热或通过加装的吸收式制冷机制冷；AC 通过电负荷进行制冷、制热；天然气进入GB燃烧产生热量。

（1）微燃机数学模型

当忽略外界环境变化影响时，微燃机（MT）的数学表达式：

式中：ηMT为 MT 的发电效率；PMT（t）为 t 时刻 MT的出力；a，b，c，d 是取值为正常数的 MT 的功率系数；QMT，c（t），QMT，h（t）分别为 t 时刻吸收式制冷机提供的制冷、制热量；QMT（t）为 MT 排出气体的余热量；ηc，ηh分别为吸收式制冷机的制冷、制热系数；ηrec为烟气回收率；η1为 MT 的散热损失系数。

MT 燃料成本的数学表达式：

式中：FMT（t）为 t 时刻 MT 的燃料成本；Δt 为一个单位之内的调度时间；JNG为天然气单价，取JNG=2.64 元/m3；HNG为天然气低位热系数，取 HNG=9.78 kW·h/m3。

（2）空调机数学模型

空调机（AC）将电能转化为机械能，使压缩机运转制冷或制热，其数学表达式：

式中：QAC，c（t），QAC，h（t），Pair（t）分别为 t 时刻内 AC 的制冷、制热量、输出电功率；ηac，c，ηac，h，ηac，l分别为AC 的制冷、 制热效率、 能量损失系数；COPair，c，COPair，h分别为 AC 的制冷、制热能效比。

本文所提出的联供系统将空调机与吸收式制冷机单独使用，为防止二者联用后冷水无法送入管道[2]。

（3）锅炉数学模型

天然气经过锅炉（GB）的燃烧实现CCHP 系统热量的供应，其表达式为

式中：QGB（t）和 RGB（t）分别为 t 时刻 GB 的输出热量和额定供热量；ηGB为 GB 的供热效率；FGB（t）为t 时刻内GB 的燃料成本。

（4）储能装置数学模型

储能装置蓄电池（BA）存在充电、放电、停运3 种状态，其充放电是一个动态过程[14]。BA 在t+1时刻的储能与t 时刻的储能有关，其充放电的数学表达式为

式中：E（t+1），E（t）分别为 BT 在（t+1），t 时刻的容量；δ 为 BA 的自我放电效率；Δt 为时间间隔，即充放电时段；Pch（t），Pdis（t）分别为 t 时刻 BA 的充、放电功率；ηch，ηdis分别为 BA 的充、放电效率。

（5）燃料电池数学模型

燃料电池（FC）通过消耗天然气并由电极反应产生氢气来发电，在不考虑其余热利用的情况下，燃料成本的表达式为

式中：FFC（t）为 FC 在 t 时刻的燃料成本；PFC（t）为FC 的输出电功率；ηFC为 FC 的发电效率。

2 微网并网优化模型

CCHP 型微网系统内各个组成部分都有着各自的约束和特征。基于智能优化算法，在满足各组分物理约束和系统运行约束的条件下，各微源和储能系统出力得到最优调配，实现整个微网系统的经济调度。

2.1 目标函数

本文提出的优化调度模型是以CCHP 型微网的总发电成本和环境费用最低、 并网收益最大为目标：

式中：F为微网并网运行总成本；F1，F2分别为CCHP 型微网总的发电成本和环境成本，F3为微网并网收益；λ1，λ2，λ3分别为各个目标的权重比例系数。

权重比例系数是为了分析不同因子对总运行成本影响的大小。在不同情况下，如果该因子影响较大，则权重比例设置较高，此处 0≤（λ1，λ2，λ3）≤1。

（1）CCHP 型微网系统发电成本

式中：FNG（t）为 t 时刻的总燃料成本；FOM（t）为设备运行管理成本；KOM，i为设备i 的运行管理系数；Pi（t）为设备 i 的输出功率。

（2）环境治理成本

式中：Jej为第j 项污染物单位质量排放对应的环境价值，元/kg；Jfj为第j 项污染物单位质量排放对应的罚款，元/kg；Mij为微源i 单位功率出力时排放的第j 项污染物的质量，kg/kW。

（3）并网收益

式中：Fgrid（t）为整个调度周期内微网与大电网电能交易的总收益；Fbt（t）为整个调度周期内微网获得的总补贴收益；Cgrid（t）为微网与大电网电能交易价格；Pgrid（t）为微网与大电网的交互功率，kW，当 Pgrid（t）≥0 时，取分时购电价格，当 Pgrid（t）＜0时，取分时售电价格；PPV（t），PWT（t）分别为微网中的光伏出力、风机出力；Cbt，WT，Cbt，PV分别为风力发电、光伏发电的单位补贴价格，元/（kW·h）。

2.2 微网运行约束条件

（1）微网运行时电热冷功率平衡约束

式中：Qrec（t） 为 t 时刻锅炉的回收余热量，kW；PHS，c（t），PHS，d（t）分别为蓄热装置的储热、放热功率，kW；Pload（t），Qload（t），Cload（t）分别为电、热、冷负荷，kW；Cq（t），Qc（t）分别为吸收式制冷机制冷量、制冷所需热量，kW。

（2）各微源及其他设备的输出功率约束

微网中各微源 （PV，WT，MT，FC） 及燃气锅炉、制冷设备的输出功率约束：

式中：Pi（t）为微网系统设备 i 在 t 时刻的实际输出功率；Pi，min（t），Pi，max（t） 分别为设备 i 输出功率的最小、最大值。

（3）微网与主网之间的交互传输功率约束

式中：Pgridmin（t），Pgridmax（t） 分别为 t 时刻微网与主网的传输功率的最小、最大值。

（4）蓄电池充放电周期约束

式中：WBA（0），WBA（T）分别为一个调度周期 T 内起、始的蓄电池电量；PBA（t）为蓄电池在 t 时刻对微网的充放电功率。

（5）蓄热装置运行约束

式中：PHS，cmax，PHS，dmax分别为蓄热装置储热、放热的最大功率；EHS，min，EHS，max分别为蓄热装置的最小、最大储热量；EHS（T），EHS（0）分别为调度周期末时刻、初始时刻的蓄热装置储热量。

3 模型求解

3.1 基于多Agent的混沌优化求解算法

混沌是自然与社会现象中广泛存在的，并且由非线性系统产生的不规则行为。多Agent 混沌粒子群算法（MACPSO）引入混沌思想，将混沌搜索作为一种新的优化工具，使优化算法更具有遍历性，对初始条件更为敏感。该算法采用Logistic方程以得出混沌序列，其表达式为

式中：μ 为控制系数。

设定约束 0≤Z0≤1。当 μ=4 时，式（28）所表达的系统是完全混沌的。同时，该式通过迭代获得混沌序列[z1，z2，…，zn]。

本文采用MACPSO 算法求解模型，该算法具体流程如图3 所示。

图3 MACPSO 算法流程Fig.3 Flow chart of MACPSO algorithm

MACPSO 算法基于多智能体技术与混沌优化思想，其基本的算法流程与多Agent 粒子群算法相类似[15]。同时，在引入混沌算子的情况下，MACPSO 算法不再执行多 Agent 粒子群算法自学习机制[16]。因此，MACPSO 算法不仅提高了算法寻优的效率，而且还加强了粒子在局部空间的寻优能力，使算法跳出局部最优，提高算法精度[17]。

3.2 基于多智能体系统的调度求解策略

多智能体系统中，智能代理之间通过数据识别进行信息交换，同时在MACPSO 算法优化下对所提目标函数中各代理粒子进行修正，直至完成迭代，最终完成模型求解与优化调度。多智能体系统调度求解策略如图4 所示。各Agent在所提策略中被分为发电类Agent、 负荷及储能类Agent 和控制及管理类Agent 3 个不同的组群。

图4 多智能体系统调度策略Fig.4 Multi-agent system scheduling strategy

发电类 Agent 包括 PV，WT 和 CCHP 系统。这些微源Agent 与主网Agent 相连，根据各微源模型来调节运行情况及执行控制任务。

负荷及储能类Agent 包括储能单元和用户负载。储能单元 Agent 与用户负载 Agent 直接与主网 Agent 交互。储能单元 Agent 的数据通信是双向的，在用电低谷期提供信号以储存电能或在用电高峰期向负载输送电能。主网Agent 仅将信号传输到负荷Agent 以满足用户负荷要求。

控制及管理类Agent 包括具有双向通信的管理 Agent 和控制 Agent。管理 Agent 主要执行监控功能及负责电功率平衡；控制Agent 负责监测CCHP 型微网的运行状态，响应主网Agent 的控制指令。各代理管理任务根据主网Agent 发布的控制指令和自身运行约束及响应机制进行有效地管理监督，以增强CCHP 型微网并网优化运行的可靠性。

4 算例分析

本文选取国内某地小型微网系统为例，该CCHP 型微网并网系统的基本结构和微源额定功率如图5 所示。

图5 算例系统基本结构Fig.5 Basic structure diagram of the example system

算例微网系统包含一组分布式微源、 储能装置以及由MT，AC 等微源组成的CCHP 系统。该系统可以使用多个馈线来根据负荷侧的需求将所产生的电力输送给消费者[18]。含吸收式制冷机的CCHP 系统可以为用户供冷；微网系统通过公共耦合点（PCC）与公共主网连接[19]；在微网系统运行期间发生短路或其他故障时，静态开关（STS）可将微网系统与大电网隔离。整个微网系统采用多智能体管理系统，实现系统内各个代理之间的通信和协调控制。

4.1 CCHP型微网参数分析

本文针对CCHP 系统各部分运行情况、 各微源的调度以及储能单元的控制策略进行分析。以夏季典型日负荷为例，以一天24 h 为一个调度周期，每1 h 作为一个时间段，其典型日负荷数据如图6 所示。

图6 全天各时段PV，WT 出力及冷热电负荷预测曲线Fig.6 Output power of PV，WT and load prediction curves of cooling，thermal and power load in different periods of a day

CCHP 型微网内各微源的相关参数及其运维费用如表1 所示；各微源环境治理成本系数如表2 所示；各污染物的排放系数如表3 所示[20]。

表1 各微源运维费用和基本参数Table 1 Operation cost and basic parameters of each micro-source

表2 各微源治理成本系数Table 2 Governance cost coefficient of each micro-source

表3 污染物排放系数Table 3 Emission coefficient of pollutants

以提升经济效益为前提，将一天分为峰、平、谷3 个时段制定电价，以小时为单位对微网进行基于实时电价的动态调度，其中分时电价如表4所示。假设MT 的余热烟气全部转化到吸收式制冷机机组，吸收式制冷机制冷性能系数为1.2，制热系数为0.9；AC 的制冷效率系数为1.2，制热效率系数为0.9[2]。

表4 购售电价格Table 4 Electricity purchase and sale price

本算例中，MACPSO 算法设置的参数如下：种群规模为64；最大迭代次数为Tmax=200；学习因子为 c1e=2.5，c1f=0.5，c2e=0.5，c2f=2.5；初始惯性权重ωstar=0.9，结束惯性权重 ωend=0.4。

4.2 算法性能对比

改进粒子群算法（APSO）是为了平衡基本粒子群算法（PSO）的全局搜索能力和局部改良能力而舍弃常规PSO 速度参数的自适应优化算法。本文所提出的求解算法在满足基本约束条件的前提下，以APSO 算法为参照，对比得到两者求解微网优化调度模型的综合运行总成本（图7）。

图7 算法收敛性对比Fig.7 Convergence comparison of algorithms

由图7可见，APSO 算法在第 402 次迭代时才收敛；MACPSO 算法在第230 次迭代时就已收敛至最优，得出的最优解也明显优于APSO 算法。基于混沌粒子种群的多样性和搜索遍历性，粒子不易陷入局部最优，通过混沌搜索可改善下次迭代的粒子运行方向，从而提高寻优精度。在求解微网系统优化调度问题时，MACPSO 算法具有更优的收敛速度和收敛结果。

4.3 仿真结果分析

为体现含CCHP 系统在并网条件下动态调度的优势，本文根据所提多Agent 调度策略对该地微网设置以下3 个场景：场景1，无 CCHP 系统，孤岛运行；场景2，无CCHP 系统，并网运行；场景3，有 CCHP 系统，并网运行。其中：场景 1 和场景2 是指该地在理想条件下按照传统微网的模式独立运行，仅考虑传统的微源输出功率约束、微网与主网间的交互传输功率约束、 蓄电池充放电周期约束；场景3 根据本文所提的冷热电联供型微网在多智能体系统中进行动态优化。传统的微网仅包括 PV，WT，FC，BA 等微源，不含锅炉和制冷、制热设备。

通过MACPSO 算法200 次优化迭代，可得到如图8 所示的3 种调度场景下的每代个体适应度变化情况。

图8 各场景的寻优迭代图Fig.8 Iterative optimization of each scenario

通过对图8 的分析可知，随着微网中各分布式电源并入主网，同时由CCHP 系统参与调度，通过迭代优化后的运行总成本明显降低。本文基于MAS 技术，微网中各组成部分在多Agent 混沌粒子群优化算法下，各粒子进行寻优，粒子每一次迭代修正都通过智能代理的数据通信，最后得出3个场景的优化结果（表5）。

表5 3 个场景的最优运行成本Table 5 Optimal operation cost of three scenarios

对比场景1，2 可知，微网中各分布式电源在孤岛运行模式下的发电成本明显高于并网模式下的成本，这是因为微网并网与大电网产生了电能交易。对比场景2，3 可知，在加入CCHP 系统参与冷、热、电调度之后的总发电成本比场景2 降低了9.6%。这是因为在夏季典型日负荷情况下，系统中的制冷、制热设备同时运行，从而提高了微网中能源的利用效率。

根据多Agent 系统调度策略，各组群协调调度各微源的出力，3 个场景的微源出力曲线如图9～11 所示。

图9 场景1 各微源出力Fig.9 Each micro-source output power in scenario 1

图10 场景2 各微源出力Fig.10 Each micro-source output power in scenario 2

图11 场景3 各微源出力Fig.11 Each micro-source output power in scenario 3

对比3 个场景的出力图可知，在不同场景条件下，微网通过各微源Agent 之间的决策和管理机制，在不同时段各微源输出功率表现出较明显的差异。

与场景1 相比，场景2，3 的储能装置引导微网从大电网购电，并将多余电能储存，在负荷高峰时段通过PCC 向主网售电，并产生交互电价，获得了良好的经济效益，也起到了微网与主网“削峰填谷”的作用。在分时电价机制引导下，谷时段电价较低，微网购电，蓄电池尽可能充电；峰时段电价较高，蓄电池尽最大可能放电，从而降低了购电成本，增加了收益。相对于场景2，场景3 的CCHP系统中，锅炉与制冷设备同时参与调度，在多智能体系统中各个Agent 之间信息的反馈更加全面，使得各微源在峰、平、谷3 个时段输出功率分配更加合理。

如图11 所示，虽然蓄电池的充放电功率在各个时段的波动较图10 大一些，但MT，FC 的出力在3 个时段更加合理。这是因为CCHP 系统中制冷机与空调机的高效制冷效率和锅炉的供热效率，使得CCHP 系统与各微源之间进行协同调控，能够有效地平衡该场景下各微源出力和电、热、冷负荷之间能量的流动。3 个场景的对比结果，验证了本文所提思路的合理性，可为实际工程中微网的经济环保优化提供参考和技术支持。

5 结论

本文基于多智能体技术建立含CCHP 系统的微网并网优化调度模型。以国内某地夏季典型日的小型微网为例，采用基于多Agent 的混沌粒子群算法求解，得到在不同调度场景下的最优总发电成本。不仅实现了CCHP 型微网在并网运行条件下的经济性和环保性最优，而且在电力建设中对集中供热、蒸汽制冷、规划供用电以及提高能源综合利用率具有重要作用。通过多Agent 系统与传统微网管理系统的结合，使系统在满足各Agent 通信机制的同时，快速获得最客观的优化方案，提高系统优化调度的灵活性。