考虑经济成本的微电网调度运行

袁华骏， 叶筱怡， 耿宗璞

(南京工程学院 电力工程学院，江苏 南京 211167)

0 引 言

微电网调度目的是在满足约束的前提下，安排机组出力，达到发电成本最少，属于高度复杂和多约束的非线性问题[1]，智能算法的出现使得调度有更好的结果[2-3]。文献[4]以系统的运行成本为目标，系统安全运行为约束建立微电网模型，利用标准蜂群算法进行求解，结果表明标准蜂群算法有效降低了调度成本。文献[5]将多目标转换成非线性单目标，利用改进遗传算法求解并网下最优调度方案。文献[6]建立源-储-荷互动的分布式优化博弈模型，运用多目标粒子群算法进行求解，仿真结果表明微电网个体经济性、环保性及满意度得到兼顾。

蜂群算法属于群体随机优化搜索算法，相比于最初的群体搜索算法(粒子群算法)，蜂群算法具有操作简单、设置参数少及寻优性能强的特点，但却有着群体智能算法的弊端——容易陷入局部最优[7]。为此，将对立学习策略用来改善初始种群的质量，扩大初始解的搜索范围，同时将Metropolis准则引入其中，用来降低算法陷入局部最优解的概率。以运行成本最低为目标，考虑并网状态下微电网实际运行条件，将改进后的蜂群算法用来求解并网状态下的微电网调度优化模型，得到大电网以及微电网各个机组的出力。

1 目标函数与约束条件

1.1 目标函数

本文中并网状态下的微电网，既可以供电给负荷，又可以实现能量在微电网与大电网之间的流动，因此微电网调度的目标函数主要包括：微电网内机组的燃料费；微电网内机组运行管理费；微电网与大电网之间电量交换的费用。

(1)

式中：T为目前调度周期，取24 h；N为微电网内机组的种类；Ci,f与Ci,m为机组i的燃料系数与运行管理系数；Cgrid,t与GES,t为分时电价与蓄电池的运行管理系数；Pi,t、Pgrid,t及PES,t为时刻机组i输出功率、微电网与大电网功率交换值及蓄电池充放电功率。

1.2 约束条件

微电网调度的约束条件主要包含等式约束与不等式约束两个部分。等式约束主要指供需平衡以及蓄电池容量平衡，不等式约束指的是各个机组的功率限制、蓄电池容量限制及微电网与大电网之间的功率交换限制[8]。

(2)

Wes(t)=Wes(t-1)+[Pcharge(t)ηch-Pdischarge(t)/ηdis]Δt

(3)

式中：Pload,t为t时刻负荷大小;Wes(t)为t时刻蓄电池容量；Wes(t-1)为(t-1)时刻蓄电池容量；Pcharge(t)、ηch和Pdischarge(t)、ηdis为蓄电池在时刻t充电功率与效率、放电功率与效率；Δt为目前调度的时间尺度。

不等式约束如式(4)～式(7)所示。

Pi,min≤Pi,t≤Pi,max

(4)

Wes,min≤Wes(t)≤Wes,max

(5)

Pcharge,max≤PES,t≤Pdischarge,max

(6)

Pgrid,min≤Pgrid,t≤Pgrid,max

(7)

式中：Pi,min与Pi,max为机组i最小功率与最大功率；Wes,min、Wes,max为蓄电池容量最小值与最大值；Pcharge,max、Pdischarge, max为蓄电池最大放电功率与最大充电功率；Pgrid,min、Pgrid,max为大电网的最小功率与最大功率。

2 改进的蜂群算法

2.1 基本蜂群算法

人工蜂群算法基本思想是蜂群通过个体分工和信息交流，相互协作完成采蜜任务[9]。将蜂群分为3类：雇佣峰、观察蜂及侦察蜂。雇佣峰、观察蜂用于蜜源的开采，侦察蜂是为了避免蜜源的种类过少[10]。蜂群算法的寻优步骤如下。

步骤一：初始化输入参数，包括预测的光伏发电功率、风机发电功率、负荷量及微电网运行成本函数、约束条件所包含的各参数，从而建立优化调度模型。

步骤二：根据建立的优化调度模型，随机产生N个蜜蜂，其中一半是雇佣蜂，另一半则是观察蜂，每个雇佣蜂代表一种调度方案，并且根据式(1)计算它们的适应度值。

步骤三：雇佣蜂根据式(8)进行领域的搜索，产生新的位置，如果更新后的雇佣蜂的目标函数值优于更新前的，那么选择更新后的雇佣蜂的位置。

vi,j=xi,j+φi,j×(xi,j-xk,j)

(8)

式中：i为当前正在搜索的个体；j为随机选择的维度；vi,j为个体i的维度j更新后位置；φi,j为[0,1]之间随机数；xi,j为个体i的维度j更新前位置；k为随机选择不为i的一个邻居;xk,j为个体k的维度j更新前位置。

步骤四：观察蜂会根据轮盘赌法选择食物源。

(9)

式中：F(xi)、F(xj)为个体i与j的目标函数值；Pi为个体i的选择概率；N为蜜蜂总个数。

步骤五：如果个体i的目标函数值经过一定的次数仍然不变，那么雇佣蜂变成侦查蜂，根据式(10)随机产生新解。

vi,j=jmin+rand(0,1)×(jmax-jmin)

(10)

式中：jmin、jmax分别为第j个变量的最小值与最大值;rand(0,1)为(0，1)之间的随机数。

步骤六：重复步骤三到步骤五，直至达到迭代次数。输出全局最优解，即各个机组在一个调度周期内各个时刻出力大小。

2.2 对立学习策略

2.3 Metropolis准则

Metropolis准则是一种以概率性接受新位置的采样算法。将其引入组合优化中就演变成了“模拟退火算法”[11]。状态i变化成状态j的概率表示为：

(11)

式中：f(i)、f(j)为状态i、j目标函数值；T为退火温度；P(i→j)为接受新状态的概率。将Metropolis准则引入标准蜂群算法的步骤三当中，利用Metropolis准则选择雇佣蜂更新位置的概率。

3 算例分析

对一个并网状态下的微电网进行分析，微电网包含风机、光伏电池、蓄电池、燃气轮机及燃料电池。根据光伏电池与风机特性参数，得到PV与WT的出力预测和负荷预测曲线如图1 所示。

图1 负荷、光伏及风机功率

优先新能源的使用，即对于风机与光伏电池采用“最大功率跟踪”模式。图2中：1∶00—6∶00与22∶00—24∶00之间，对电能需求较少，属于电价谷时段，除了风能的供给之外主要依靠燃料电池与大电网，将多余电量给蓄电池充电；10∶00—14∶00与18∶00—20∶00之间，电能需求处于一天的高峰时段，电价也处于峰时段，燃料电池与蓄电池的成本低于购电电价，因此燃料电池与蓄电池成为主要供电机组，供能不足由大电网进行补充；7∶00—9∶00、15∶00—17∶00及21∶00—22∶00之间，因为燃料电池的发电成本比较低，主要依靠燃料电池。在此之外，则是通过协调大电网与蓄电池的出力。

图2 微源出力情况

从图2可以看出，在目前调度的周期内燃气轮机一直都是处于低出力的阶段，防止因为其他设备供电不足导致燃气轮机的启动成本高。但由于燃气轮机的单位发电成本高，因此燃气轮机的发电成本依然不可忽略。图2中的燃料电池蓄电池与电网则是互补的关系，蓄电池起到“削峰填谷”作用。从图3可以看出，由于蓄电池发电成本只计及管理成本，因此蓄电池在充放电的过程中一直属于低成本的运行状态。图3中，在早用电高峰时期，燃气轮机低出力运行，蓄电池的大功率运行以及燃料电池的出力，使得多出的电能出售给大电网，大电网的运行成本属于负值。而中午时期由于蓄电池的供能不足，大电网则出力满足负荷的需求。从图3中还可以看出，燃料电池一直处于高运行成本的状态。利用标准蜂群算法，计算得微电网并网状态下综合成本是766.766 8 元。利用改进蜂群算法进行计算时，得到综合成本724.682 5 元，费用降低42.084 3 元。

图3 各个时刻机组成本图

4 结束语

本文研究了并网状态下的微电网经济调度。在预测风机、光伏电机及负荷的基础上，建立包含光伏、风机、燃气轮机、燃料电池及蓄电池的微电网并网运行模型，通过改进的蜂群算法求得了最佳的出力方式。根据仿真运行的结果得到以下结论：

(1) 将对立学习策略与Metropolis准则引入简单蜂群算法中，保证全局搜索性能的同时也能够降低跳出局部最优解的概率，将其运用到微电网的调度模型中，可以合理安排各个机组的出力，实现经济成本的降低。

(2) 对于微电网经济调度的问题，通过改进的蜂群算法得到的调度方案，可以得知蓄电池与大电网是一个互补的存在，实现“削峰填谷”，降低了发电的总成本。