基于改进蜂群算法的微电网优化调度

赵才， 张志飞， 陈丹风， 李欣

(佛山科学技术学院 自动化学院, 广东 佛山 528000)

0 引 言

能源危机和环境污染日益严重，给能源事业带来了挑战，提高能源效率和解决环境污染一直是亟待解决的问题。微电网的出现为解决当前能源行业所面临的问题带来了新的有效技术，微电网是一种新型的分布式能源组织结构，它被视为整合可再生能源的有效平台，使可再生能源系统接入配电网更加便捷，实现分布式发电供负荷一体化运行。

微电网优化调度是指在满足系统功率平衡约束和各微电源出力约束前提下，各分布式电源合理出力，使经济成本和环境成本等目标达到最小[1]。目前，国内外的学者对微电网调度的研究也有了很大的突破。文献[2]考虑将经济运行成本和环境污染成本作为优化的目标函数，并建立数学模型，最后采用快速非支配排序遗传算法(NSGA-II)和粒子群优化算法(particle swarm optimization，PSO)相结合的 NSGA-II-PSO 算法求解，结果表明所提算法的有效性。文献[3]构建了以微网运行成本和环境污染最小的多目标优化模型，运用鸟群算法来求解模型，该算法拥有较强的搜索能力。文献[4]建立以用电成本最低和环境污染最小为目标函数，采用改进粒子群算法对优化模型进行求解，结果表明改进粒子群算法的有效性。文献[5]针对新能源消纳及微电网安全稳定问题，提出储能参与系统优化运行方案。建立储能双层优化配置模型，并采用改进的多目标粒子群算法对该模型进行求解。文献[6]建立以微电网发电成本最少与污染治理最好为目标，采用基于天牛须搜索算法思想改进的蜂群算法求解该模型，结果表明了所提算法的有效性。

本文主要研究了分布式发电的微电网系统并网运行的多目标优化调度模型，考虑以经济成本最小和环境成本最低作为目标函数。首先建立含光伏、风机、柴油发电机和蓄电池的微电网模型，针对传统人工蜂群算法(artificial bee colony，ABC)收敛速度慢和容易陷入局部最优的缺点，提出改进的人工蜂群算法(improvied artificial bee colony，GABC)，即结合PSO 算法的思想，将全局最佳解的信息引入到求解搜索方程中，以改进开发尽可能达到全局最优。

1 微电网多目标优化调度模型

1.1 目标函数

微电网系统的经济成本主要包括运行成本、燃料费用和大电网之间电量交换成本。微电网环境成本包含微电源的污染气体(CO2、NOx、SO2)治理费用。以经济成本最低和环境治理成本最小建立目标函数：

F=min(φF1+μF2)

(1)

式中：F为总运行成本;F1、F2分别为经济成本和环境治理费用;φ、μ取值都为0.5。

目标1：经济成本

minF1(x)=

(2)

式中：F1为经济成本;T为一个调度周期;N为分布式电源的种类;Ci,f、Ci,m分别为各微电源的燃料系数和运行管理费用;Pi,t为第i种微电源的输出功率;CGRID,t、CBSS,t分别为t时刻电价与蓄电池的运行管理费用;PGRID,t、PBSS,t分别为t时刻与电网的交互功率和蓄电池的输出功率。

目标2：环境成本

(3)

式中：M为污染物的种类;βi,h为分布式电源i排放污染物h的排放系数;αi,h为分布式电源i排放污染物h的治理费用。

1.2 约束条件

(1) 功率平衡约束条件：

(4)

(2) 微电网与主网的交互功率约束：

(5)

(3) 各微电源的出力约束：

(6)

(4) 蓄电池的约束条件。为了防止蓄电池的充电和放电的深度过大，需对充放电的荷电状态进行限制。

SOCmin≤SOC≤SOCmax

(7)

式中： SOCmax、SOCmin分别为蓄电池荷电状态的上下限制。当SOC的值低于0.2时蓄电池不再放电，高于0.8时不再充电。

2 人工蜂群算法的改进

2.1 传统的人工蜂群算法

人工蜂群算法是一个由蜂群行为启发的算法，2005年由Karaboga提出，其基本思想是通过蜂群之间个体分工和信息交流，相互配合完成采蜜的任务。它将蜂群分为3类:雇佣峰、侦察蜂和跟随蜂。雇佣峰、跟随蜂主要的任务是用于蜜源的开采，侦察蜂是在蜂巢附近寻找新的食物来源。雇佣蜂搜索到对应的食物源后记录其相关信息( 蜜源位置、蜜源花蜜数量) ，并与跟随蜂共享信息。对于每个食物源，对应雇佣蜂的觅食路线是基于一个随机选择邻居K去探索一个新的食物源，其临时位置跟新方法如下:

vi,j=xi,j+φi,j×(xi,j-xk,j)

(8)

式中：i为正在搜索的个体;j为随机选择的维度;φi,j为[0,1]之间的随机数;xi,j为个体i的维度j更新后的位置;xk,j为个体k的维度j更新前的位置。

在算法中，跟随蜂依据雇佣蜂传递的信息，在食物源附近搜索新食物源，并进行贪婪选择。若一个食物源在经过次后仍未被更新，则此雇佣蜂变成侦査蜂，侦查蜂寻找新的食物源代替原来的食物源。

2.2 粒子群算法

粒子群优化算法是一种全局优化算法。粒子根据自身信息和同伴中共享的信息来确定下一步运动。每个粒子都代表着一个可能解，通过粒子个体的简单行为，群体内的信息交互实现问题求解的智能性[7]。

PSO算法的更新公式如下：

(9)

式中:Vi和Xi分别为粒子的速度和位置;c1和c2为认知学习因子;w为权重;r1为[0,1]之间的随机数;pbesti和Gbesti为个体最有极值和全局最有极值。

2.3 基于粒子群算法改进的蜂群算法

PSO和ABC算法都是根据生物学演变来的，都具有一定的搜索能力，ABC算法在搜索的方程中仍存在不足，收敛速度慢和容易陷入局部最优，但擅长探索和开发。而PSO算法虽然开发能力较差，但粒子根据自身信息和同伴中共享的信息来确定下一步运动，全局搜索能力较强。在PSO算法的启发下，对ABC算法改进开发，利用全局最佳解决方案的信息来指导候选解决方案的搜索，以增加全局搜索能力。由此提出一种改进的ABC算法—GABC算法。对其解搜索方程中更新公式作出修改，如下所述：

vi,j=xi,j+φi,j×(xi,j-xk,j)+μi,j×(Gbestj-xi,j)

(10)

式中：i为正在搜索的个体;j为随机选择的维度;φi,j为[0,1]之间的随机数;xi,j为个体i的维度j更新后的位置;xk,j为个体k的维度j更新前的位置;Gbestj为全局最优解的第j个元素;μi,j为[0,1]之间的随机数。

2.4 GABC算法流程

本文研究并网型微电网多目标优化调度模型，采用GABC对其进行求解的流程如图1所示。具体算法步骤如下：

(1) 输入电网的负荷、光伏和风电功率等预测数据，初始化算法的参数。

(2) 雇佣蜂阶段，雇佣蜂采用式(10)搜索，计算食物源的适应度，报读适应度高的食物源。

(3) 跟随蜂阶段，跟随蜂选择雇佣蜂，根据式(10)探索，保留适应度高的食物源。

(4) 侦察蜂阶段，判断是否有侦察蜂:有侦察蜂，放弃当前的食物源，重新初始化食物源；无侦察蜂，继续下一步。

判断是否满足终止条件，若满足要求则停止迭代，否则继续进行步骤(2)～步骤(4)。

图1 GABC算法流程图

3 算例分析

3.1 算例仿真参数

本文主要研究并网型微电网，采用MATLAB为仿真平台，调度周期为1天，分为24个时段。蓄电池SOC的荷电状态为[0.2 0.8],SOC初始值设定为0.2，充放电效率为0.9，种群大小60，迭代次数800，与大电网的交互功率为200 kW。图2为广东某地区一天的负荷和风机与光伏电池预测出力，各微电源的运行参数如表1所示，污染物治理费用如表2所示，其中：PV为光伏；WT为风机；BSS为蓄电池；DE为柴油发电机。各时段的购电与售电的价格如表3所示。

图2 居民负荷、光伏和风机功率变化曲线图

表1 各微电源的运行参数

表2 污染物治理费用

表3 各时段的购电与售电的价格

3.2 调度结果分析

为说明GABC算法的有效性,采用微电网中有储能装置和没有储能装置两种调度方案。并与ABC共同求解本文所采用的微电网模型,其中:GRID为主网;DE为柴油发电机；BSS为蓄电池。

1)调度方案1：储能装置不参与调度

当蓄电池不参与调度时，各微电源的出力情况图3所示。GABC算法和ABC算法的寻优情况如图4所示。

图3 无储能装置时各微电源出力情况

图4 无储能装置时算法寻优对比

如图3所示光伏电池和风力发电机作为清洁能源全部使用，当能满足负荷需求时，多余的向电网出售。当不能满足负荷需求时，柴油发电机出力，仍不能满足负荷需求时，不足部分由主网提供。由图4可以看出GABC和ABC在相同条件下，两种算法都随着迭代次数的增加而减少，但GABC在收敛速度和精度上都优于ABC算法。验证该算法具有较强的全局搜索能力，加快收敛速度等优点。

2) 调度方案2：储能装置参与调度

当蓄电池参与调度时，各微电源的出力情况如图5所示。GABC算法和ABC算法的寻优情况如图6所示。在调度过程中蓄电池的荷电状态如图7所示。

图5 含储能装置时各微电源出力情况

图6 含储能装置时算法寻优对比

图7 蓄电池荷电状态

如图5所示，风力发电和光伏发电作为清洁能源全部出力，在满足负荷要求时，结合电价考虑，蓄电池在3 ∶00，4 ∶00，6 ∶00—9 ∶00，11 ∶00，12 ∶00，17 ∶00，18 ∶00处于充电状态，以缓解峰时的用电费用。蓄电池在13 ∶00，15 ∶00，16 ∶00，19 ∶00时，既不充电也不放电，为负荷高时作准备，其余时间段蓄电池处于放电状态，柴油发电机和电网配合则满足差余部分。从图6可以看出，GABC和ABC在相同条件下，两种算法都随着迭代次数的增加而减少，但GABC在收敛速度和精度上都优于ABC算法。验证了该算法具有较强的全局搜索能力和加快收敛速度等优点。

3.3 算法对比

为进一步说明算法的有效性，采用GABC算法和ABC算法共同求解该优化调度模型，具体的结果如表4所示。

表4 结果对比分析

从表4可知，有储能装置时，GABC算法与ABC算法相比，总费用减少了127.67元，运行时间减少了1.42 s。无储能装置时，GABC算法与ABC算法相比，总费用减少了190.70元，运行时间减少了0.38 s。含储能装置时，不仅可以削峰填谷，提高用电的稳定性，而且费用也随之减少。总而言之，GABC算法无论是收敛速度和收敛精度都也优于ABC算法，验证了改进算法的有效性。

4 结束语

本文以主要研究并网型微电网，建立以经济成本最低和环境成本最小为目标的调度模型。在满足各约束条件的同时，考虑有无储能装置对微电网调度的影响，最后采用GABC算法对该模型进行求解，得到各微电源的出力情况，并于ABC算法比较。结果表明，GABC算法无论是收敛速度和收敛精度都优于ABC算法，验证了改进算法的有效性。