基于多智能体混沌粒子群算法的微网优化运行

王继东，宋启明，李继方

（华北水利水电大学电力学院，河南 郑州 450000）

0 引言

分布式发电（DG）主要由风电、光伏组成，因其高效利用自然资源，环境污染小，接入灵活和可实现区域电力自治等特点，被视为解决能源危机的重要手段之一[1]。但大规模风电、光伏并网会给电网带来干扰和冲击，并给电力系统的管理和调度带来相应的挑战[2]，[3]。

微网系统是由分布式发电机组、储能装置、可控负载等组合而成，能够实现电能区域自治和自用的小型电力网络系统[4]。微网的运行调度主要考虑经济性、环保性、可靠性[5]。文献[6]从运行成本最小化、系统可靠性最大化和环境影响最小化3个方面考虑，并采用粒子群算法对微网系统进行了优化。文献[7]面向园区微网，以年总费用、年污染排放和年能耗为优化目标，建立热电联供型综合能源调度模型。文献[8]针对工作日、周末和晴、阴雨天组合设计了4种典型场景，采用改进混沌粒子群算法对模型进行求解。但以上研究均未考虑需求侧用电情况，仅从发电侧来进行对微网系统的运行调节。文献[9]通过储能装置和需求响应对微网的运行优化进行了对比研究，结果表明储能单元和需求响应的参与可以有效提高微网的经济性和灵活性。

传统微网多采用集中式控制，由中央控制器实现对系统DG的协调控制，以及与其他设备的通信，可靠性不高。目前，微网内DG种类繁多，参数和电能需求差异较大，对微网系统的经济性、稳定性有更高的要求，在信息交互、能量交换、需求侧管理等方面须要更深入地研究。多智能体系统具有灵活性、自治性、快速响应等特点，已成为解决微网系统运行优化的有效工具[10]，[11]。文献[12]构建了一个双层多智能体能量管理系统，上层智能体负责整个系统的整体控制，下层智能体由多个系统单元组成，但未对储能单元提出控制策略。文献[13]设计了一种基于多智能体一致性理论的微网分布式能量管理调度策略，对微网内DG进行联合优化调度，但未对负荷和储能单元进行优化。

针对包含光伏、风力、微燃机、燃料电池、蓄电池等的多源微网系统，本文构建了一个3层多智能体系统，包括MGO，MGC，MGE，在满足微网系统功率平衡和各DG出力约束的条件下，从微网运行控制和需求侧响应两方面进行协调控制，以运行成本和环境成本最小为优化目标，建立微网运行优化模型。为了避免局部寻优，加快算法收敛速度和搜寻精度，引入多智能体技术和混沌搜索，采用多智能体混沌粒子群算法（MACPSO）对目标函数进行求解。最后，仿真验证了所提出方法的有效性和正确性。

1 微网优化运行模型

多智能体系统由多个分布式智能体组成，每个智能体根据与其他智能体的状态信息交互，可以进行自身调节，能够有效解决一些复杂而全面的问题。由于微网的体系结构和对分布式运行的要求，基于多智能体的微网优化运行是一种有效可行的方法。本文提出基于多智能体系统的三层控制体系结构如图1所示。

图1 基于多智能体的微网系统结构Fig.1 Multi-agent based microgrid system architecture

图中，MGO主要负责大电网和微网各智能体单位的协调调度。根据系统的总体优化目标，向下层智能体发出指令信号，并根据各智能体的响应做出最终的调度决策。MGC接收MGO发送的指令信号，来确定微网内各DG最佳出力，并将出力信息发送给MGE。MGE作为底层控制器，控制各分布式单元的运行状态，并根据接收到的指令和实际负荷需求调整运行策略。

1.1 MGC的优化运行策略

MGC在接收到MGO的指令信号后，MGC根据接收到的数据信息及制定的微网运行控制策略，进行功率分配，然后采用MACPSO算法进行寻优，获得微网内各DG最佳出力，以获得最优运行策略，并将出力信息传递给MGE。

在实际运行过程中，在满足微网系统功率平衡和各DG出力约束的条件下，可以通过制定微网运行控制策略对各DG出力进行调控，确定各DG出力的优先级顺序，提高微网系统的经济性和可靠性。将某时刻微网实际负荷需求和微网内DG出力的差值定义为微网净负荷ΔP（t），在出力调控过程中，根据可能出现的供需平衡情况，分别考虑分时电价机制、1 d实际负荷需求及与大电网功率交互量，将全天分为峰、平、谷3个时段制定运行策略。本文所提的微网运行控制策略通过运用储能单元充放电特性，合理调控其他发电DG出力，尽可能提高微网系统的经济性与稳定性。运行方法如下。

（1）ΔP（t）<0

微网总出力多于微网总负荷，供多于需。①峰时段：优先将多余电量出售至大电网，若|Vp（t）|大于微网与大电网功率交互上限，将超出部分用于蓄电池充电，达到蓄电池储能上限时仍有余量则弃电。②其他时段：多余电量优先给蓄电池充电，剩余电量向大电网售电，若剩余电量大于微网与大电网功率交互上限，将仍多余部分弃电。

（2）ΔP（t）＞0

微网总出力少于微网总负荷，①峰时段：优先使用蓄电池放电满足所需功率，若在蓄电池最大出力功率下或蓄电池放电至储能下限时仍无法满足负荷需求，微网向大电网购电，满足不足部分。②其他时段：调控各DG出力并向大电网购电，满足所需功率的同时给蓄电池充电。

（3）ΔP（t）=0

微网系统供需平衡，各DG出力不作调控。

成联方：书法在当下已经成为一门学科，专业书法研究人员已经不会把书写艺术当作修炼人格的工具了。用余英时的话说，我们是处在创造知识的年代，不能创造知识，就没有存在的价值。

1.2 目标函数

在本文的研究中，从运行成本、环境成本两个方面建立目标函数，最终目标是最大限度减小微网系统的总运行成本。微网运行成本主要由微网与大电网交互成本、微网内各DG发电成本、维护成本、可移除负荷补偿成本和环境影响成本等组成。

运行成本目标函数C1（t）为

式中：CiPi（t）为DGi的发电成本，由各DG的出力模型确定；Pi（t）为DGi在t时刻的出力；Cgrid（t）为微网与大电网交互成本；a，b，c分别为系统峰时段、平时段、谷时段实时电价；P1（t），P2（t），P3（t）为各时段微网与大电网交互功率；COM（t）为微网维护成本；μi为DGi的运行维护成本系数。

需求侧负荷管理不仅有助于用户合理用电，降低用电费用，也能适当调节发电侧DG出力，缓解出力压力。本文以用户负荷为对象，当系统处于用电高峰时，鼓励用户切除部分不重要负荷，以缓解供电压力，提高微网的经济性和可靠性。这部分负荷将得到相应的补偿。负荷补偿成本为

式中：li，j为DGi单位出力时所产生的第j类污染气体量；λj为治理单位相应污染气体所需费用。

微网优化目标函数为

1.3 约束条件

式中：pBA，max，pBA，min分别为蓄电池充电、放电功率上、下限；pSOC，min，pSOC，max分别为蓄电池最小、最大储能值。

图2 优化调度流程Fig.2 Optimize the scheduling process

在优化过程中，MGO监控智能体单元的运行状态。在满足约束条件下，各DG结合自身状态和接收到的指令信息，进行出力调节，最终实现系统优化目标；反之在未满足约束条件下，MGO向MGC发出指令信号，MGC内各智能体响应信号，进行出力调控。

2 基于多智能体的混沌粒子群优化算法

2.1 优化算法概述

粒子群优化算法灵感来自于鸟类的群聚行为，是一种基于种群的随机优化方法。粒子群中的粒子代表问题的一种可能解，在迭代过程中通过反复模拟比较适应值，不断更新修正粒子自身位置，最终使粒子收敛到个体最优解和全局最优解。本文在常规粒子群算法的基础上，提出采用基于多智能体的混沌粒子群优化算法。多智能体系统其网络结构是松散耦合的，每个智能体与相邻智能体相互通信，并根据迭代过程中信息积累和自学习机制，提高自身寻优能力，实现快速准确地寻得最优解。多智能体系统可构建Lsize×Lsize的网络结构，Lsize为正整数，网格的总数等于粒子数目。每个格子对应一个智能体，Li，j表示坐标为（i，j）的智能体，其中：i，j=1，2，…Lsize，设Li，j的邻居为Mi，j，则：

在进行优化问题求解时，首先初始化相关参数，计算各个粒子当前适应值，然后通过多智能体自学习机制，对当前智能体适应值F（Li，j）及其邻居智能体适应值F（Mi，j）进行比较，若F（Mi，j）

混沌序列具有遍历性、随机性和规律性等特点。将混沌搜索引入优化算法中，利用混沌搜索的遍历性，能够避免早期粒子陷入局部最优，防止算法过早收敛，实现粒子群快速搜索全局最优。混沌搜索的基本思想是把变量逻辑映射生成混沌序列，再将混沌变量的值映射到优化变量的取值空间中。即：

MACPSO算法通过各智能体间的相互协作与其自治性，并利用混沌系统特有的遍历性与随机性，以较快的运行速度和良好的搜素精度，满足微网优化调度的时效性、精准性要求。

2.2 算法步骤

在多智能体系统中，各智能体之间将自身状态信息进行交互，同时在MACPSO优化算法下，每个粒子都试图找到最优的出力情况来实现优化目标。通过比较不同粒子出力情况下对应的日成本，由MGO选择使微网总成本最小的最终最优策略。算法流程图如图3所示。

图3 算法流程Fig.3 Algorithm flowchart

3 算例分析

3.1 基础数据

本文所研究的多源微网系统结构如图4所示。各DG参数及维护系数如表1所示。污染物系数如表2所示。分时电价如表3所示。

图4 微网结构图Fig.4 Structure chart of microgrid

表1 各DG参数Table 1 Parameters of different DGs

表2 污染物系数Table 2 Various pollutant discharge parameters

表3 微网购、售电实时电价Table 3 Microgrid system power purchase and sale price

3.2 仿真分析

MACPSO算法参数：粒子数目为100，迭代次数为300，学习因子c1=c2=2，初始惯性权重为0.5，终值为0.9。微网系统运行成本采用MACPSO优化算法进行20次仿真并取其平均值。在微网优化调度过程中，风光出力不能满足微网内部负荷需求，即ΔP（t）＞0时，协调MT，FC，电网，BA出力满足负荷需求；风光出力多于微网内部负荷需求，即ΔP（t）<0时，将多余电量向蓄电池充电或出售至大电网，提高微网系统经济性。

对微网系统内风力、光伏、负载的出力预测如图5所示。

图5 负荷和新能源出力预测曲线Fig.5 Load demand and output predictionof renewable energy

图中负荷缺额等于负荷与光伏和风电之差。光伏和风力均采用最大功率点跟踪模式，微网系统全部消纳清洁能源出力，光伏和风力发电的额定功率分别为250，300 kW。

本文设计3种方案进行对比分析和求解。

方案1：实行分时电价机制，峰、平、谷时段微网购电与售电电价如表3，计算微网经济效益。方案1各DG出力曲线如图6所示。

图6 方案1各DG出力曲线Fig.6 DG output power of scheme 1

方案2：在方案1的基础上，实行所制定的微网运行控制策略，计算微网经济效益，方案1各DG出力曲线如图7所示。

图7 方案2各DG出力曲线Fig.7 DG output power of scheme 2

方案3：在方案2的基础上，实行需求侧响应，计算微网经济效益，方案3各DG出力曲线如图8所示。

图8 方案3各DG出力曲线Fig.8 DG output power of scheme 3

对比图6，7可以看出，基于MAS的微网运行控制策略可以使微网各DG的出力更为合理与高效，经过微网运行控制策略的调控之后，各DG利用MACPSO算法对比寻优获得微网各DG最佳出力配置,并下发给各DG，各DG由此对自身状态进行调整。在平谷时段，微网负荷缺额较小时，PV，WT，MT等发出的多余电量给蓄电池充电，仍有多余则出售至大电网；峰时段负荷缺额较大时，储能单元协同发电侧DG出力共同满足微网负荷需求，同时微网向大电网购电，满足微网供电需求，起到削峰作用。

不同方案下微网系统运行成本如表4所示。

表4 不同方案下微网运行优化成本Table 4 Operation optimization results of microgrid under different schemes

在运行控制策略和需求侧响应的作用下，与方案1相比，方案2，3下微网最优经济成本分别节省了14.8%和19.28%，明显提高了微网的经济效益。微网运行控制策略可以更合理地调控微网各DG的出力，提高供电质量和系统稳定性。方案2在降低成本的同时，燃气轮机和燃料电池的总出力都有所减少。这表明在运行控制策略的作用下，微网各DG出力更加合理，对新能源出力和储能单元的使用更加高效，既缓解了微燃机和燃料电池的出力压力，也降低了污染气体排放量和处理费用，更加节能环保。方案3在方案2的基础上，考虑需求侧响应，鼓励用户在用电高峰期放弃部分非重要负荷用电，并对此部分用户进行经济补偿。在需求侧响应的作用下，方案3最优成本为1 840.3元，比方案2降低5.2%（101.84元）。可以看出，虽然经济成本节省量较小，并且须要向被控负荷进行一定的经济补偿，但由于负荷总量的减少，燃气轮机和燃料电池的总出力量进一步降低，由此产生的污染物排放量和处理费用也进一步减小。从可靠性和环保性角度考虑，该方案实际收益最好。

为了对所采用的MACPSO算法进行更直观的比对分析，将粒子群算法（PSO）、混沌粒子群算法（CPSO）、多智能体混沌粒子群算法（MACSPO）3种算法在方案3的情况下进行收敛性分析，算法迭代过程如图9所示。

图9 算法收敛性对比Fig.9 Algorithm convergence contrast diagram

由图9可以看出，随着迭代次数的增加，3种算法的目标函数值均逐渐减小，并最终趋于稳定。与PSO算法，CPSO算法相比，MACPSO算法在迭代中引入了混沌优化，加强了局部寻优能力，因此收敛速度相对较快，且能搜索获得更优的值。MACPSO算法运用MAS技术，将智能体与相邻智能体适应度值进行大小对比，并利用混沌的随机性和遍历性实现局部深度搜索，提高寻优能力。图中MACPSO算法寻优结果最好。

4 结束语

本文构建了基于MAS的微网三层体系结构，包括微网层、微网集中控制层、微网元件控制层，并采用了MACPSO优化算法求解优化模型，以解决微网系统的最优运行问题。在MGC层中制定相应的微网运行控制策略和需求侧响应条件，结合分时电价机制，协调微网内各DG和储能单元的出力，利用MACPSO算法在迭代中对粒子进行修正与寻优，获得各DG最佳出力配置。通过对比分析，验证了所提方法能够降低微网的运行成本，提高微网系统的经济性和环保性。