協同遺傳算法在微網孤島下的環保經濟調度

陳娟，黃元生，魯斌

(1.華北電力大學經管系，河北 保定 071003；2.華北電力大學計算機系，河北 保定 071003)

協同遺傳算法在微網孤島下的環保經濟調度

陳娟1，黃元生1，魯斌2

(1.華北電力大學經管系，河北 保定 071003；2.華北電力大學計算機系，河北 保定 071003)

主要研究了孤島模式下的微網環保經濟調度問題，即在滿足微網安全運行約束和負荷需求的條件下，優化分布式電源的出力，使微網的發電成本和排放成本最小。分析建立了微網環保經濟調度的數學模型，考慮了分布式電源的燃料消耗、維護費用、排放成本、微網運行約束條件以及負荷需求等因素。研究了協同遺傳算法的多種群并行運算機制與合作池特征，并將其用于調度模型求解。仿真實驗驗證了算法的可行性和有效性。

微網；協同遺傳算法；孤島模式；發電成本；排放成本

0 前言

能源危機和節能減排促使電力行業在擴大完善原有電力系統的同時，不斷開發新能源，加強可再生能源的利用率，使新能源發電、可再生能源發電這種分布式發電方式成為大電網的有益補充[1]。

分布式發電可以有效地解決傳統能源的資源短缺問題和二氧化碳過多排放引起的溫室效應問題，常見的分布式電源 (Distributed Generation，DG)包括小型風力發電 (Wind Turbine，WT)、太陽能光伏發電 (Photo Voltaics，PV)、微型燃氣輪機發電 (Micro Turbine，MT)、燃料電池發電 (Fuel Cell，FC)以及燃氣輪機發電 (Gas Turbine，GT)等[2-3]。而微網是一種將分布式電源、負荷、儲能裝置及各種控制器結合在一起的電網形式，它作為一個單一可控單元，同時向用戶供給電能和熱能，可以并網運行，也可以孤島運行，實現微網內電壓和頻率的穩定以及功率平衡[4]。微網不僅解決了分布式電源的大規模接入問題，而且能夠高效環保地利用各種分布式電源，具有較高的供電可靠性，是一種將分布式電源接入到大電網并充分發揮其效能的有效方式，與大電網互為支撐，在微網的研究中，對環保經濟調度技術的研究在新能源發展應用方面有著重要的意義，是智能電網研究的一個重要方面[5]。

微網的環保經濟調度是指在滿足負荷需求的前提下，協調各臺分布式電源的出力，使整個微網的發電成本和排放成本最小。目前，這方面的研究已經取得了一些成果，內容涉及到粒子群優化算法[6]、蟻群優化算法[7]以及遺傳算法[8-9]等方面，但距實際需求尚有一定差距。

文中就微網孤島運行模式下的環保經濟調度技術做了進一步的探討，重點分析了協同遺傳算法與微網調度相結合的機制與方法，充分發揮該算法搜索能力強、并行尋優速度快的優勢，以達到高效、快速、最佳地微網環保經濟運行目標。仿真實驗表明，文中所做工作是可行的和有效的。

1 微網環保經濟調度的數學模型

傳統電網經濟調度經驗可對微網起到一定的指導作用，但微網自身的特殊性使得調度DG時與傳統電網的發電機組調度存在很大區別。首先，DG中的太陽能、風能等可再生能源是不可調的，受自然條件的影響很大，導致太陽能光伏發電、風力發電出力隨機性很大；其次，光伏發電、風力發電的發電成本較低，而且幾乎無溫室氣體排放，因此應優先安排其最大限度地發電；再有，不同類型、容量的DG其燃料消耗種類、效率、運維費用以及溫室氣體排放量均不同。因此，建立微網環保經濟調度數學模型時就要考慮上述因素。

微網主要有并網與孤島兩種運行模式。并網運行時，大電網是微網的重要支撐，可以確保微網內所有負荷的可靠供電；孤島運行時，微網不從大電網吸收功率，完全由內部的微電源獨立供電，此時，微網的環保經濟調度是通過調節各微電源的出力，使其在滿足功率平衡和負荷需求的前提下，使微網的目標成本最小。

1.1 目標函數

其中，N表示DG總數；CG(Qi)表示第i臺DG的發電成本；CE(Qi)表示第i臺DG的排放成本。

1.1.1 發電成本

DG的發電成本主要由燃料成本和運行、維護成本兩部分構成。孤島運行時，微網的發電成本可表示為下式：

其中，用αi表示第i臺DG每發電1 kW·h所消耗燃料的費用，即第i臺DG的燃料系數(歐元/kW·h)；用βi表示第i臺DG每發電1 kW ·h所需要的運維費用，即第i臺DG的運維系數(歐元/kw·h)；用Qi表示第 i臺DG的發電量(kW·h)。

1.1.2 排放成本

微網的排放成本可用下式來表示：

其中，M指的是污染物的種類，通常包括NOx、SO2、CO2等；用γij表示第i個DG每發電1 kW·h所排放的第j類溫室氣體的重量，即第i個DG第j類排放物的排放系數 (kg/kW·h)；用ηj表示每排放1 kg第j類溫室氣體所需繳納的排放費用，即溫室氣體中第j種排放物的處理單價(歐元/kg)。

1.2 約束條件

在微網的環保經濟調度中，一般需要滿足兩類約束條件，分別是：

1.2.1 功率平衡約束

功率平衡約束是供用電系統中的一條基本準則，可用下式表示：

其中，分別用PD、PL來表示用戶負荷的需求和電力傳輸過程中的網損。

1.2.2 微電源出力約束

為了保證DG的穩定運行，每臺DG必須滿足容量限制，即其出力必須滿足下式：

其中，分別用Pimax、 Pimin來表示第i個DG的有功出力上下限。

2 協同遺傳算法分析

協同遺傳算法 (Co-evolutionary Genetic Algorithm，CGA)通常基于多種群實現，種群之間通過相互競爭與合作的關系實現共同進化，對種群個體而言，其進化受其他種群個體及進化環境的影響，評價時需要利用其他種群個體的信息，具有收斂速度快、健壯性強、不易陷入局部極小的特點[10]。

除競爭外，合作是物種之間另外一種非常普遍的協同關系。合作型協同遺傳算法 (Cooperative Co-evolutionary Genetic Algorithm，CCGA)是為了適應現實世界中廣泛存在的相互適應模塊的優化而提出的，實質是對傳統遺傳算法編碼方法的擴展。其編碼方法與傳統遺傳算法截然不同，個體不對所有變量進行編碼，只對部分變量進行編碼，從而將一個復雜的多變量優化問題轉化為多個相對簡單的少變量優化問題。在進行個體評價時，需要利用其他種群的個體信息以構成一個完整的決策變量，繼而利用適應度函數進行計算。這樣做的好處在于，種群之間相互受益、相互制約、相互協同、共同進化，算法被廣泛地應用于分類、過程控制以及約束滿足等領域。

圖1給出了合作型協同遺傳算法的流程圖，步驟說明如下：

圖1 協同遺傳算法流程圖

步驟1，編碼并產生所有初始子種群。

步驟2，從其他種群中選擇代表個體，與待評價種群的個體一起構成合作團體，進行個體評價。

步驟3，判斷算法是否滿足終止條件，若滿足，則終止種群進化，輸出優化結果；否則，轉步驟4。

步驟4，各種群進行選擇、交叉和變異等遺傳操作，生成下一代種群，然后轉步驟2。

實際應用中，子種群的數量可多可少，由具體求解問題本身特性來決定。關于代表個體的選擇，可以采用兩種方法：一種是選擇其他子種群的最優個體作為代表個體，對于初始情況，可隨機選擇代表個體，該方法簡單易行，計算量小，適用于決策變量各個分量之間聯結不強的情況；另一種是從各子種群中選擇最優個體和任一其他個體，分別與待評價個體組成兩個合作團體并進行評價，選擇適應度值較大者作為待評價個體的適應度值，該方法對決策變量分量之間連結較強時是可行的，但計算量比前者要大。通過對大量函數優化問題進行實驗分析，結果表明只要選擇合適的代表個體，合作型協同遺傳算法的優化性能和收斂速度都優于傳統遺傳算法。

事實上，協同遺傳算法各子種群在獨立進化時，進化過程是比較靈活的，既可以采用相同的進化算法，也可以采用不同的進化算法，這與自然界多樣化的進化過程相符。比如，遺傳操作可以采用遺傳算法中的選擇、交叉和變異等，也可采用進化策略或者進化規劃中的相關操作。

3 仿真實驗與結果分析

文中構造了一個基本的微網實驗系統，選取了典型的實驗數據和系統參數，在 MATLAB R2010a上進行仿真實驗，并對實驗結果做了比較和分析。

3.1 微網結構與參數

給定微網結構如圖2所示，內含PV、WT、MT、FC和GT各1臺。現假設大電網發生故障導致微網獨立運行，也就是說，整個微網不再從大電網吸收功率，而轉由內部的DG獨立供電。

圖2 微網結構簡圖

在實驗中，選取了2個典型日的負荷曲線分別進行求解，如圖3所示。

圖3 典型日負荷一和負荷二的24 h功率曲線

微網中含有一定的儲能裝置，與PV、WT并網運行，目的在于穩定PV和WT的出力。特別需要指出的是，若微網工況發生較大變化且所有DG出力不足以滿足負荷需求時，儲能裝置將起到暫時性的支撐作用。由于室外環境溫度以及日照強度隨季節、不同時段有很大的變化，因此會對PV的輸出功率造成很大影響；并且，風力大小也受天氣和自然界諸多因素影響，因此，WT的輸出功率也時常處于變化之中。圖4給出了某一季節某一典型日PV和WT的24 h出力數據，本文實驗將予以采用。

圖4 典型日PV和WT的24 h預測出力數據

鑒于PV和WT的發電成本較低且幾乎無溫室氣體排放，因此，假設PV和WT的發電成本和排放成本均為0，于是，只需考慮MT、FC和GT的發電成本與排放成本即可。表1和表2分別列出了有關MT、FC、GT發電成本和排放成本的所需參數。在溫室氣體排放中，因CO2比重最大，因此，只考慮CO2的排放，并假定其處理價格為0.02歐元/kg。

表1 DG的發電參數

表2 DG的排放系數 (kg/MW·h)

3.2 仿真結果與分析

文中所用遺傳算法基本參數設置為：種群規模Pop=30，終止進化代數T=100，交叉操作概率Pc=0.95，變異操作概率Pm=0.3。并且，對于目標函數約束條件的處理方式采用罰函數法進行，于是基于協同遺傳算法的微網環保經濟調度系統核心代碼如下：

%======================

%p1，p2，p3，p4：子種群

%data1：DGs的參數

function[p1，x2，x3，x4] =gafit(p1，p2，p3，p4，num，numVar，data1，flag)

x1=p1(：，1：numVar)；%從p2中找出代表個體

index=max(p2(：，numVar+1))；

a=find(index==p2(：，numVar+1))；x2=p2(a，1：numVar)；%從p3中找出代表個體

index=max(p3(：，numVar+1))；

a=find(index==p3(：，numVar+1))；x3=p3(a，1：numVar)；%從p4中找出代表個體

index=max(p4(：，numVar+1))；

a=find(index==p4(：，numVar+1))；

x4=p4(a，1：numVar)；

for i=1：num

P1=[x1(i)x2(1)x3(1)x4(1)]；

%計算單個DG的成本

for j=1：3

F1(j)= (data1(j，1)+data1(j，2)+ 0.02?data1(j，3) /1000)?P1(j)；

End

%懲罰項

lam=abs(sum(P1)-Pdh)；%總成本

F(i)=sum(F1)+1000?lam；end

%適應度值

fit=MAXFIT-F'；

p1(：，numVar+1)=fit；

%=======================

3.2.1 實驗1

實驗1的目的是驗證文中所提協同遺傳算法在進行微網環保經濟調度時的有效性。由圖3可以看出，1時至17時之間，負荷一均小于負荷二，其余時段，負荷二則小于負荷一；相應的，由圖5可以看出，1時至17時之間，負荷一的最小總成本恰好低于負荷二的最小總成本，其余時段，負荷二的最小總成本恰好低于負荷一的最小總成本。這一優化結果符合理論分析結果，也就是說，負荷需求低則對應總成本也低，從而說明采用協同遺傳算法進行微網環保經濟調度的正確性。

圖5 滿足負荷一和負荷二需求的最小總成本

3.2.2 實驗2

實驗2的目的是驗證協同遺傳算法與普通典型遺傳算法相比，在微網環保經濟調度中的優越性。本文所選取的普通典型遺傳算法是一種常見算法，為提高實驗結論的可信度，文中協同遺傳算法的參數設置和各種遺傳操作均與典型算法保持一致。

圖6 兩種方法滿足負荷一需求的最小總成本

從圖6可以看出，各時段經協同遺傳算法優化后的負荷一的最小總成本均低于典型遺傳算法優化后的結果，說明在同樣的條件下，協同遺傳算法的優化效果明顯好于典型遺傳算法的優化效果，從而體現出了前者的優越性。

圖7 兩種方法滿足負荷二需求的最小總成本

圖7 給出了這兩種方法對于負荷二的優化結果，結論與圖6一致，這里不再贅述。

3.2.3 實驗3

實驗3的目的是進一步從優化性能和算法運行時間方面驗證協同遺傳算法的優越性。

以負荷一數據為例，保持算法其它參數不變，僅對種群規模進行調整，并分別進行10次測試，取其結果的平均值填入表3中。

表3 算法性能比較

從表3可以看出，當種群規模均為30時，典型遺傳算法關于負荷一的24個時段的最小總成本的平均值遠大于協同遺傳算法的優化結果，而運行時間遠小于協同遺傳算法的運行時間；隨著典型遺傳算法種群規模的擴大，總成本平均值有所降低，運行時間卻相應增多；直到種群規模為120時，典型遺傳算法得到的總成本平均值才接近協同遺傳算法的優化結果，然而此時，運行時間卻超過了協同遺傳算法。

實驗結果表明，就典型遺傳算法來說，隨著種群規模的持續增大，對于優化確實起到了促進作用，但作用越往后越不明顯，且對運行時間造成嚴重影響。因此，對于協同遺傳算法輕易可以達到的優化效果，典型遺傳算法將要付出較為沉重的代價，可見，協同遺傳算法具有良好的尋優性能和收斂速度。

4 結束語

文中就微網孤島運行模式下的環保經濟調度技術引入了一種新的優化手段，這種基于協同進化思想提出的協同遺傳算法充分表現出了與微網調度相結合的可行性與有效性，對于微網這種分布式結構本身就具有良好的適應性。下一步，將利用協同遺傳算法和微網本身的分布式特征，引入分布式并行計算技術，從而進一步提升協同遺傳算法的微網調度優化能力。

[1] Hammons T，Lai L L.International Practices in Distributed Generation Development Worldwide[C].Power Engineering Society General Meeting，2007：1-5.

[2] 劉楊華，吳政球，涂有慶，等.分布式發電及其并網技術綜述 [J].電網技術，2008，32(15)：71-76.

[3] 李黎.分布式發電技術及其并網后的問題研究 [J].電網與清潔能源，2010，26(2)：55-59.

[4] 張建華，黃偉.微電網運行控制與保護技術 [M].中國電力出版社，2010，7.

[5] 劉文，楊慧霞，祝斌.微電網關鍵技術研究綜述 [J].電力系統保護與控制，2012，40(14)：152-155.

[6] 席朋，李鵬，劉金鑫，等.孤島運行模式下的微網經濟負荷分配 [J].電網與清潔能源，2011，27(8)：13-18.

[7] 艾欣，崔明勇，雷之力.基于混沌蟻群算法的微網環保經濟調度 [J].華北電力大學學報，2009，36(5)：1-6.

[8] 林偉，陳光堂，邱曉燕，等.基于改進自適應遺傳算法的微電網負荷優化分配 [J].電力系統保護與控制，2012，40(12)：49-55.

[9] 朱博，陳民鈾，徐瑞林，等.孤島模式下的微網優化運行策略 [J].電力系統保護與控制，2012，40(17)：35 -40.

[10] 鞏敦衛，孫曉燕.協同進化遺傳算法理論及應用 [M].科學出版社，2009，5.

Research on Environmental and Economic Dispatch of Microgrid Using Co-evolutionary Genetic Algorithm in Isolated Mode

CHEN Juan1，HUANG Yuansheng1，LU Bin2
(1.Department of Economic Management，North China Electric Power University，Baoding，Hebei，071003；2.Department of Computer Science＆Technology，North China Electric Power University，Baoding，Hebei，071003)

The optimization of environmental and economic dispatch of microgrid in isolated mode is given special attention to make the overall cost of power generation and emission minimum by optimizing the power generated by each distributed source while satisfying the constraints on system operation and demands of loads in this paper.A mathematical model is developed for environmental and economic dispatch of microgrid taking into account fuel consumption，maintenance costs and emission costs of distributed generations，as well as the constraints of power system operation and load demand，etc.Co-evolutionary genetic algorithm is studied for the parallel computing mechanism of multiple populations and cooperation pool characteristic，which is applied into scheduling model.Simulation results verify the feasibility and effectiveness of the algorithm.The optimized microgrid saves power generation costs and reduces environmental pollution in ensuring reliable power supply.

microgrid；co-evolutionary genetic algorithm；isolated mode；generation cost；emission cost

TM73

B

1006-7345(2014)05-0007-06

2014-03-29

陳娟 (1979)，女，博士研究生，講師，研究方向為微電網經濟運行、優化及評價 (e-mail)chenjuan813＠yahoo.com.cn。

中央高校基本科研業務費專項資金資助 (13MS111)

黃元生 (1958)，男，博士，教授，研究方向為技術經濟評價與管理。

魯斌 (1975)，男，博士，副教授，研究方向為微電網運行優化與智能控制。