采用改進細菌覓食算法的虛擬電廠發電資源調度

謝傳勝，鐘朋園

（華北電力大學經濟與管理學院，北京 102206）

0 引言

為緩解分布式發電并網運行給電網帶來的負面效應，充分發揮可再生能源的積極作用，虛擬電廠（VPP，Virtual Power Plant）引起了人們的廣泛關注。VPP通過統一架構整合各類分布式發電資源（DER，Distributed Energy Resource），實現發電資源統一優化調度，在保證電力系統穩定性的前提下提高了能源利用率，具有一定的環保性與經濟性。而在VPP運行中，考慮不同DER的技術特性及其對電力系統造成的影響，采用合理的算法構建資源優化調度模型，成為解決VPP并網的關鍵所在。

國內VPP技術尚處于理論研究階段，未得到實際推廣。文獻［1］通過分析VPP在國外的發展模式及特點，對國內引入VPP開辟了思路；文獻［2］基于面向服務架構建立了通用VPP模型。國外對于VPP中分布式發電資源調度算法的研究較多，其中文獻［3］和文獻［4］采用混合整數線性規劃算法分別對含有風電及熱電聯產機組的VPP發電資源進行優化調度；文獻［5］分析了核電與風電在VPP內聯合調度所帶來的經濟性與環保性。然而，現有文獻都針對于單一種類的DER資源，未形成對VPP內多種DG的統一優化調度算法。

本文將結合虛擬電廠中DER機組協調運行特性，構建虛擬電廠中分布式發電資源優化調度模型，采用改進的細菌覓食算法對模型進行尋優求解，并將所得結果與采用遺傳算法的運算結果進行對比，分析了虛擬電廠資源調度與傳統發電資源調度的經濟性，以及兩種算法的優缺點。這可為虛擬電廠技術在中國的大規模應用提供理論指導，并為虛擬電廠中DER的優化調度提供了新的解決方案。

1 虛擬電廠中分布式發電資源優化調度模型

1.1 VPP及DER相關理論基礎

虛擬電廠是指將分布式發電（DG）、可控負荷（DL，Dispatchable Load）和分布式儲能設施（DES，Distributed Energy Storage）有機結合，通過配套的調控技術、通信技術等，實現對各類DER進行整合調控的載體（見圖1）。

圖1 虛擬電廠在電力市場中的應用

VPP的核心是用于調控DG、DL和DES能量流的能量管理系統（EMS，Energy Management System）。EMS的運行目標是在保證系統安全穩定運行的前提下，實現電力供應主體的利潤最大化、實現電力供應成本最小化或實現碳減排最大化。

VPP中的DER主要是指功率低于50 MW的小型模塊式的、與環境兼容的獨立發電機組，以及可控負荷與分布式儲能設備等。DG多為具有環保性的可再生能源發電機組，如小型風電、光伏發電機組等，其所有權可能由電力部門、電力客戶或第三方所有，用以滿足電力系統和客戶特定的需求。在智能電網的運行環境下，結合DL和DES的儲能與負荷調控特性，DG可用于最大程度地滿足當地電網負荷需求，提高電力系統的環保性與社會效益。

基于VPP技術的DER并網拓撲結構如圖2所示。

圖2 含VPP的電網拓撲結構圖

然而，DER的大量并網也給電網帶來了較多的不利影響。一方面，DER的種類繁多，形式復雜，發電原理不盡相同，不便于電力系統的設計、調度、運行；另一方面，以風電、光伏發電、潮汐發電為代表的可再生能源易受氣候等自然因素的影響，對電力系統的穩定性帶來極大挑戰，為了支持DG的并網，需要在電力系統內增加旋轉備用費用。這使得單個可再生DER并網的成本大大提高，不具備經濟性。因此，建立VPP中DG、DL、DES等資源優化調度模型，通過協調各類資源以降低含VPP的電力系統投資成本，具有十分重要的意義。

1.2 VPP中DER優化調度模型

根據VPP的用電特性，可建立優化調度模型為：

式中：PDL為DL的總有功負荷；PNDL為非可控負荷的總有功負荷；ρDL、ρNDL分別為兩種負荷的電價；P電網、ρ電網分別為VPP與電網間交易的總電量及成交電價；PuL、CuL分別為中斷電負荷（UL，Unserved Load）的功率及其成本；PDG、CDG為DG售出電量與發電成本；PMG、ρMG分別為從微電網所購電量及電價。

針對電力系統負荷特性及各類DG運營特性，可建立電力平衡約束、線路平均約束及變量約束為：

式中：P為有功電源；I為直流輸電電線；S為低壓變電站潮流限制及其上限值；Umin的標幺值取0.95；Umax的標幺值，取1.05。

2 優化調度算法

采用改進的細菌覓食算法和遺傳算法分別對各種DG優化調度進行分析，并對比分析結果。

2.1 遺傳算法

遺傳算法（GA，Genetic algorithm）是一個既定的并行搜索算法［6］，已在電力系統優化問題中得到應用。在GA中，基于優勝劣汰的生存理念，通過交叉和變異，將隨機產生的初始解進行優化。針對含分布式發電機組的電力系統特性，對遺傳算法進行如下改進。

1）在初始解產生階段，基于DG狀態，將其分為必開機組、必停機組和自由機組，分別檢查其發電出力及約束條件，確定可用機組組合數，按照必開機組優先、自由機組其次的順序安排初始可行解；

2）在尋優過程中，設置保留算子，將上一代中最好的個體直接隨機替換到下一代中，以提高運算效率。

2.2 細菌覓食算法

細菌覓食算法（BFA，Bacteria Foraging Algorithm）是由Passino開發的基于隨機搜索的新型仿生類算法。BFA算法具體包括趨化、繁殖、以及驅散3個步驟［7］。

基于原始的BFA算法對其尋優過程中的趨化和繁殖階段進行了改進。改進過程包括：①求解最小化問題時，在再生排序完成前，取趨化階段每個細菌成本函數的最小值，而不是取所有趨化階段成本函數的平均值；②每個趨化階段中所有細菌的路線均通過最優細菌路線得到評估，而不是取自其余所有細菌彼此間的距離。改進的BFA算法流程見圖3。

圖3 改進的BFA算法框架圖

3 算例分析

3.1 數據采集

以IEEE-30母線系統為基礎，更換節點數據及負荷特性，作為實例［8］。案例中VPP系統由兩個DG及可控負荷組成，一方面滿足內部負荷需求，另一方面可與微電網、主電網實現相互間電力交易。具體來講，在原系統中，將第5條母線改為與微電網相連，使VPP與微電網相互間可實現電力交易；第11與第13條母線上的常規電廠改為分布式能源發電廠，裝機容量均為40 MW。選取某一典型日內系統發電出力及成交電價相關數據，見表1、表2。

表1 典型日內VPP資源實時功率 功率／k W

表2 典型日內VPP資源成交電價電價／（元·MW－1）

表3 兩種情形下不同算法參數設置

3.2 模型分析

分別用兩種算法對VPP技術中DG優化調度結果進行分析。為觀測兩種算法中控制參數的變量對優化結果的收斂性影響，設置了不同參數下的兩種情形（見表3）。

對兩種情形下兩種算法的收斂性進行分析，結果見圖4和圖5。由圖4和圖5可以得出，情形一和情形二中BFA算法分別收斂于26 815.23元和26 827.45元，而GA算法則收斂于26 826.02元和26 863.59元。同時可見，BFA算法在計算過程中更快得到最優解。

圖4 情形一中兩種算法的收斂性

另外，對兩種情形下兩種算法的最優解進行分析。情形一中，VPP發電成本不包含配電網無功補償成本。分別用兩種算法對目標函數進行求解，可得該情形下發電投資的最優成本（見表4）。由表4可知，與GA算法求解結果相比，BFA算法所得單個機組的最優成本均更低，且最終總投資成本中，BFA算法所得結果為26 812.76元，而GA算法結果為26 823.42元。

圖5 情形二中兩種算法的收斂性

表4 情形一中兩種算法的運算結果對比 功率／MW

情形二中，計及DG無功補償，考慮其對系統參數及約束條件的影響，目標函數最終優化結果見表5。從表5可見，采用BFA算法計算所得的兩種情形的最優成本為26 825.89元，而采用GA算法最優成本為26 860.60元，因此BFA計算結果明顯更優。

表5 情形二中兩種算法的運算結果對比 功率／MW

最后，針對所選取某一天的實時數據，采用通用代數建模系統（GAMS，General Algebraic Modeling System）對所有負荷日內調度的負荷變化及利潤情況進行分析，如圖6所示。由圖6可知，多數時間內VPP系統可滿足自身負荷需求，并實現余電上網；在用電高峰時，通過從電網或微電網購電，滿足內部電力需求；通過各DER之間的合理協調利用，電力系統實現穩定運行，中斷電現象極少出現。

圖6 不同VPP資源的日負荷趨勢

4 結語

隨著越來越多自主運營的小型發電裝置接入電網，其對配電系統將產生一定影響，因此在電力優化調度中需考慮電網約束，如線路可允許電壓，以及母線電壓水平等；同時，也需增加新的約束條件，如配電網每條母線的線路容量和電壓級別等。

本文針對分布式發電資源的大量并網，構建了適用于各種分布式發電資源的優化模型，并分別采用改進的BFA算法與GA算法，分析了不同參數條件下模型的經濟性，為分布式發電資源在虛擬電廠中的應用提供了理論依據。通過算例分析表明，采用VPP技術整合分布式發電資源，可顯著提升電力系統營運利潤；同時表明，改進的BFA算法與GA算法相比運算速度更快，且運算所得系統總成本更優。

［1］ 衛志農，余爽，孫國強，等.虛擬電廠的概念與發展［J］.電力系統自動化，2013，37（13）：1-9.

［2］ 謝傳勝，鐘朋園.面向服務架構的通用虛擬電廠應用系統研究［J］.華東電力，2013，41（8）：1701-1704.

［3］ Hrvoje P，Igor K，Tomislav C.Virtual power plant mid-term dispatch optimization［J］.Applied Energy，2013，1（1）：134-141.

［4］ Bernhard W H，Thomas E，Christof W.Decentralised optimisation of cogeneration in virtual power plants［J］.Solar Energy，2010，84（4）：604-611.

［5］ ［David S，Arturs P，Ioulia P，et al.Benefits and cost implications from integrating small flexible nuclear reactors with off-shore wind farms in a virtual power plant［J］.Energy Policy，2012，46（1）：558-573.

［6］ 丁明，包敏，吳紅斌，等.復合能源分布式發電系統的機組組合問題［J］.電力系統自動化，2008，32（6）：46-50.

［7］ 馬溪原，吳耀文，方華亮，等.采用改進細菌覓食算法的風／光／儲混合微電網電源優化配置［J］.中國電機工程學報，2011，31（25）：17-25.

［8］ Pai MA.Computer methods in power system analysis［M］.TMH Publishers，1996.