海岛微电网的多时间尺度优化

范红真，于永进，张 月

（山东科技大学 电气与自动化工程学院，山东 青岛 266590）

0 引 言

中国能源生产和消费革命的核心内容是对可再生能源的开发和利用[1]。在智能电网的背景下，微电网采用可再生能源发电，因其运行成本较小，环境友好程度较高而得到广泛利用。近年来，在世界各地建立了一些孤岛微电网，柴油发电机的发电越来越少，发电方式也愈加可靠。海岛微网一般具有以下几个特点：

提高可再生能源的利用率问题；没有外部大电网的支撑，带有可控分布式电源，需考虑经济性问题。然而，这些特征使微电网调度策略的设计变得复杂和困难。因此，十分需要对海岛微网优化进行研究，所以，需要更先进的微电网运行优化方法来有效地解决这些问题[2]。最近，提高可再生能源的利用率已经成为中国电力和能源系统低碳转型的关键，文献[3-4]也都采用智能控制算法，提高了可再生能源的利用率，减少了环境损失和碳减排效率损失，文献[5]提出了含交直流无刷双馈风力发电机（Hybrid Brushless Doubly- Fed Induction Generator，HBDFIG）的独立交直流微网发电策略，旨在消耗岛上产生的最少量的燃料，文献[6]提出了基于改进自适应PSO的微网能量管理策略，保证了微网经济性和稳定性的同时，也避免了由于柴油发电机频繁启停而产生损耗，从而降低了环境污染。文献[7]的结果表明在微电网中设定的CO2排放上限越低，微电网的总成本就会越高，反之亦然。文献[2]提出了鲁棒模型预测控制策略，与传统的预测控制策略相比，预测误差水平和不确定性预算水平增长，总运营成本增加不大。文献[8]提出了基于MPC 的协调调度方法，采用MPC 滚动优化对日前计划进行校正，有效地跟踪联络线计划值，也满足了日运行储能系统的能量平衡。但以上算法仍然存在较低的计算精度以及较慢的运算速度。

针对以上存在的问题，本文提出了一种ISFLA（Improved Shuffled Frog Leaping Algorithm）算法用于解决海岛微网中的优化问题，提出了微电网三层优化调度的具体方案，用柴油发电机、储能以及非重要负荷来协同配合进行平抑微电网的功率波动，提高了供电可靠性。

1 海岛微网系统的结构和调度框架

微网结构如图1 所示[9]。

图1 微网结构图

根据时间尺度的不同，系统的能量管理策略分为三层：日前机组优化、日内经济优化以及实时调整。微网能量管理的步骤如图2 所示。

2 多时间尺度优化调度模型

2.1 日前优化调度模型

2.1.1 微电网的总运行成本

微电网的总运行成本包含各电源的安装和运行成本。

式中：Pi(t)为第i个分布式电源在t时刻的出力；Ci为第i个分布式电源出力的成本；ΔT为调度周期时长；N为分布式电源数；T为总时段[10]。

图2 能量管理的流程图

2.1.2 日前优化调度的约束条件

电功率平衡条件如下：

各微电源的有功出力上下限约束为：

式中：Pi(t)表示每小时微电源的实际输出功率；Pimax(t)表示每小时微电源的最大输出功率。

储能设备的SOC 应满足其上下限约束[11]：

2.2 日内优化调度模型

日内滚动优化的目标是在满足负荷平衡的基础上调整成本最小，其目标函数为：

其他约束与日前调度方案模型相同。

2.3 实时优化调度模型

根据t时刻预测功率的变化，对各微源出力进行调整，使实时调度与滚动调度的成本最接近，其目标函数为[13]：

约束与日内调度方案模型相同。

3 案例分析

3.1 改进的混合蛙跳算法

传统SFLA（Shuffled Frog Leaping Algorithm）的种群分类方法是按照适应值大小进行排序的。该方法有可能让种群中相距比较远的青蛙分在同一个种群中，这样不利于子群中青蛙之间的信息交流，可能导致个体更新效率低，针对该缺点，本文采用欧氏距离的方法划分子种群。改进的蛙跳分区域方法如图3 所示。

图3 改进的蛙跳分区域方法

本文设计一种自适应移动因子用于改进移动步长，移动步长将随着粒子的改变而改变，对每个粒子用特定的移动步长进行更新，具有良好的智能性。此外，有些青蛙在寻找食物的过程中可能需要保持它现在的移动状态，因此本文引入PSO 中的惯性权重ω，与PSO 一样，ω有助于调整算法的搜索过程[14]，移动步长如下：

式中：T是每个群族的进化代数；Di,t是第t次迭代的移动步长。

3.2 调度结果

本文选取含有风光柴储以及海水淡化负荷的微网系统作为研究对象。系统中各微电源的配置情况参考文献[15]。

在系统结构相同的情况下，分别用MOPSO、NSGA-Ⅱ、SFLA 和ISFLA 对以上算例进行优化求解，设定种群的大小N=300，进行更新的总次数GM=300，惯性权重[16]取0.4。迭代过程如图4 所示。

图4 系统运行成本迭代曲线

由图4 可见，ISFLA 与其他三种算法相比较，其迭代次数明显减少，主要是因为惯性权重、自适应因子以及欧氏距离排序的引入，使得算法的搜索效率与收敛速度得到提升。其中，MOPSO、NSGA-Ⅱ、SFLA、ISFLA 分别在迭代次数为36 次、33 次、31 次、28 次进入收敛状态。因此，ISFLA 的寻优速度和计算精度都已改进。不同算法的优化结果见表1。

表1 不同算法的优化结果 元/天

由图4 和表1 可知，本文所提出的改进的多目标蛙跳算法得到的系统运行成本为1 256.8 元/天，与前三种算法相比较，ISFLA 的成本明显降低。因此可见，本文算法的优化有较好的效果。

由图5 可以看出，由于负荷侧不参与调度，柴油发电机启动次数较多。

图5 负荷未参与的运行结果

图6 中负荷侧参与调度，可以看出，负荷在跟随供应量变化，供电充足时负荷也随之增大，供电不足时，负荷也随之减小，并且减少了柴油发电机的启动次数，一天中减少5 次，且其基本都在大功率下运行，这样更节省燃料，从而减小运行成本，同时，也验证了本文所提出的ISFLA 的有效性。

图6 负荷参与的运行结果

图7 和图8 分别为负荷侧参与调度前后的可时移负荷和可切除负荷的运行情况。图7 中可时移负荷把供电不充足阶段的负荷转移到供电充足阶段[17]，满足总的供应量等于总需求量；图8 中可切除负荷将供电不充足时段的负荷直接切除，让可切除负荷在供电充足时段消耗多余的电量。

图7 可时移负荷比较

图8 可切除负荷比较

由于风电光伏出力误差的存在，日前优化调度方案在某些时刻仍然存在不平衡功率，因此，有必要在日前调度的基础上进行日内滚动修正，由图9～图12 可见，随着时间尺度的逐层递进，运行结果更加精确，短时优化较好地保证了对日前优化较小的调整量，同时对各设备出力进一步优化合理，方案可靠。在图12 中SOC 的充放电深度均保持在0.4～1 之间，满足初始条件要求，在微网的实际运行中，要时刻注意微网是否越限。

图9 PV 出力变化曲线

图10 WT 出力变化曲线

图11 DGs 出力变化曲线

不同时间尺度的优化结果见表2。由表2可知，负荷侧参与调度会使系统运行时间缩短，其中实时调度大幅度下降的原因是实时优化时每1 min 一次不断滚动计算，因此，比较整个周期的总求解时间是没有意义的，实际上，要将每个时段的平均用时相比较为合理[18]。日内15 min 调度的运行成本在日前调度的基础上增加91 元/天，日内实时调度的运行成本在日前调度的基础上增加476 元/天，运行成本有所增加是由于随着时间尺度的减小，运行结果也会更加精确，随之迭代次数也会有所增大。

图12 SOC 出力变化曲线

表2 不同时间尺度的优化结果

4 结 语

本文以海岛微电网为研究对象，提出了能量管理调度策略，包括：日前经济调度、短时调度以及实时调度。在日前调度阶段，根据日前光伏风机和负荷的预测，以运行成本为目标函数进行经济优化分配，并考虑了负荷侧参与调度；在日内阶段，根据系统的功率波动对各微源的出力进行调节；在实时调度阶段，对各微源出力进行调整，使实时调度与滚动调度的成本最接近，从而既保证了对系统波动的及时响应和全局经济性最优。针对算例，使用ISFLA 验证了调度策略的可行性。