基于改进粒子群算法的微电网优化调度研究

陈浩然，刘瀚阳

（河海大学，江苏 南京 211100）

随着电力需求的不断增长，电力系统规模的不断扩大，一些问题也日益凸显。例如，大规模电网的建设投资成本高，施工周期长，还可能会造成一些环境的问题。在此背景之下，分布式发电的研究越来越得到人们的重视。分布式发电方式，一般指将相对小型的发电装置分散布置在用户现场或用户附近的发电方式[1]。微电网就是指将多种分布式电源以微网形式接入大电网并有机地整合了储能、保护等装置的小型发配电系统[2]。

针对微电网的优化调度一直是国内外学者的研究热点，在优化过程中，不仅要考虑各个分布式电源的出力模型，还要考虑需求侧，即基于实时电价的微电网系统和大电网的电能交互，以求对多方面进行优化，求得最优的经济效益。本文在其他学者[3]研究的基础上，提出了一种改进粒子群算法，即改良了一种自适应的惯性权重和学习因子，并运用合理的调度策略对每一个小时进行调度。通过使用Matlab 进行仿真模拟，结果表明，此改进粒子群算法的适应度值和迭代收敛次数均有明显改善，具有更好的经济效益。

1 微电网中的优化配置模型

该微电网系统中考虑的分布式电源包括风力发电、光伏发电、燃料电池、储能系统等。通过对这些分布式电源进行研究，确定了它们各自的出力模型，并考虑了相关目标函数和约束条件，以此为基础来制定总体的调度方案。

1.1 分布式电源的出力模型

1.1.1 风力发电

在风力发电过程中，启动风速指的是风机开始发电的风速，即只有风速大于启动风速，风机才能运转；额定风速是指使风机工作在额定状态下的风速；切断风速是指当风速过大时为了保护风机设备而使得发电机停止工作的临界风速[3]。通过参考文献[3]，我们得出风机的出力模型：

其中，v 为实际风速，vi为启动风速，vn为额定风速，vc为切断风速，PWind为风速为v 时风机的实时功率，PWN为风机的额定功率。

1.1.2 光伏发电

光伏发电的功率与多种因素相关，包括环境、天气温度、日照强度等，具有很强的非线性。通过阅读参考文献[3-4]，我们可以总结出光伏电池的输出功率：

其中，Psun为光伏电池输出功率，PSTC为标准测试条件下最大输出功率，G 为辐照强度，GSTC为标准条件下的辐照强度，k 为温度功率系数，Tc为光伏电池温度，Tn为设定的参考温度。

1.1.3 燃料电池

燃料电池（Fuel Cell，FC）是将化学能转换成电能的电力设备，其具有污染小、效率低、高量的特点[3]。目前主要应用的燃料电池是氢氧燃料电池，通过阅读文献[3-4]，我们得出其燃料消耗特性：

其中，CFFC为燃料电池每小时消耗的燃料，Cfuel为燃料价格，PFC为燃料电池的功率，η 为让燃料消耗的效率。

1.1.4 蓄电池储能系统

为了更好地实现对微电网的调度，微电网最好具有储能系统。在能量充足时，储能系统可以将多余的能量收集、储存起来；而在能量缺乏时，储能系统又可以将能量释放出来，从而保证系统供电的稳定性和连续性。

当蓄电池放电时：

当蓄电池充电时：

其中，C（et）为t 时刻蓄电池剩余容量，C（et-1）为t-1 时刻蓄电池剩余容量，Δ 为蓄电池的自放电率，Pe（t）为t时刻蓄电池充放电功率，η1、η2为蓄电池充放电效率，Qe为蓄电池的总容量。

1.2 分布侧目标函数

微电网的发电成本由多种成本复合而成，我们可以用下式描述：

其中，CM为微电网发电总成本，C1为维护运行成本，C2为燃料成本，C3为折旧成本，C4为微电网和大电网交互成本，C5为可中断负荷补偿成本[3]，C6为环境成本。k1到k6为相应的费用系数，可取0 或1。

1.3 约束条件

1.3.1 发电单元功率约束

微网中的各个发电单元要满足下式的约束：

其中，Pimin是第i 个分布式电源的最小输出功率，Pimax是第i 个分布式电源的最大输出功率，Pit是各个发电单元的实时输出功率。

1.3.2 储存容量的约束

对于蓄电池蓄能系统的应用，需要遵守以下电量约束式：

其中，Pe，h是每小时内蓄电池内电量变化量，Pe，max是规定的每小时内蓄电池电量变化量的最大值，Pe，Q，min为蓄电池所需最小电量，Pe，Q，max为蓄电池所需最大电量。

2 调度策略和改进算法

2.1 调度策略

综合考虑各种分布式电源的出力特性和分时电价电网交互，我们给出了总的调度流程：

步骤1：调度开始前，输入已知的负荷数据、电源数据、电价系数等。

步骤2：计算1.2 中的分布侧目标函数值，并将其暂设为最优值。

步骤3：根据负荷预测情况和实际情况，拟定分时电价。

步骤4：根据负荷情况和分时电价，考虑各种分布式电源的出力特性，进行电源调度，并计算目标函数值。

步骤5：把此计算值与最优值进行比较，取较小值为新的最优值。

步骤6：重复迭代，若收敛，则输出最优值，否则继续迭代。

基于此调度流程，我们最终能够得出在一定迭代次数下收敛的最小目标函数值，即为最优值。

2.2 基于改进粒子群算法的调度算法

粒子群算法虽然可以在一定范围内寻得目标的最优值，但其具有一定缺陷。惯性权重和学习因子是粒子群算法中控制寻优步长的参数，如果步长过大，可能寻不到最优值；如果步长过小，则易陷入局部最优。基于此，本文设计了一种自适应的权重，随着迭代次数的增加，惯性权重和学习因子会进行线性的变化。具体设计如下：

其中，w 称为惯性权重，c1和c2分别为学习因子，Max_Dt 为最大迭代次数。仿真结果证明，对惯性权重和学习因子进行改进，能加快粒子群算法的收敛速度。

3 仿真算例分析

为了验证改进算法的有效性，本文采用Matlab 进行仿真算例分析。

3.1 负荷情况

图1 即为微电网中的负荷曲线图，该图反映了一天24 小时中微电网负荷的变化情况。

图1 负荷曲线图

3.2 风电光伏出力情况

图2 所示即为微电网中的风电光状出力曲线图，该图反映了一天24 小时中微电网中风电光状的出力情况，图中PV 为光伏出力，WT 为风机出力。

图2 风电光伏出力曲线图

3.3 改进算法效果分析

3.3.1 收敛性和优化前后成本分析

通过图3 可以看出，随着迭代次数的增加，总成本不断降低，算法逐渐收敛，当迭代次数大于150 后，总成本已达最低且不再变化。因此，该改进算法在降低成本的同时也具有较好的收敛性。

图3 优化前后成本收敛曲线图

3.3.2 出力优化分析

图4 为改进粒子群算法优化后的各机组出力曲线图。其中，MT 为微型热力发电机，DG 为分布式电源，GRID 为与电网的购售电交互，BAT 为蓄电池储能系统，FC 为燃料电池。该算法在满足收敛性要求的同时，对每小时分别进行优化调度，使各个机组的出力相互协调，保证了最佳的经济效益。

图4 优化后各机组出力曲线图

4 结束语

本文针对微电网的优化调度进行了相关研究，考虑了负荷侧、电源侧、需求侧的模型，提出了一种改进粒子群算法并进行算例验证。在算法中，随着迭代次数的增加，惯性权重和学习因子的大小能够自适应地改变，保证了算法寻得全局最优值的同时加快了收敛速度。

在对微电网进行调度过程中，本文已考虑了较多因素，但仍具有不足之处，比如未考虑环境因素的影响，未考虑分布式电源的无功模型等。因此，针对微电网进行优化调度仍值得进一步的研究与探讨。