多微電源混合系統在微電網中最優定位和規劃研究

蔡志遠， 戈陽陽,2， 李洋,3， 馬少華

(1．沈陽工業大學 電氣工程學院，遼寧 沈陽 110003；2．國網遼寧省電力有限公司電力科學研究院，遼寧 沈陽 110000；3．中國電力科學研究院，北京100192)

多微電源混合系統在微電網中最優定位和規劃研究

蔡志遠1， 戈陽陽1,2， 李洋1,3， 馬少華1

(1．沈陽工業大學 電氣工程學院，遼寧 沈陽 110003；2．國網遼寧省電力有限公司電力科學研究院，遼寧 沈陽 110000；3．中國電力科學研究院，北京100192)

合理利用多種形式能源為負荷供電可以有效提高微電網運行經濟和可靠性，然而目前微電源的前期選址定容和后期優化運行均孤立考慮，為了充分發揮其靈活供電能力，提出一種基于光伏、電池組以及柴油發電機的混合供電系統規劃策略。首先，給出了光伏-電池組-柴油發電機混合供電系統能量運行方式，提高其運行經濟性和靈活性；其次，提出了綜合考慮多電源定位規劃和運行優化的多目標優化模型，不僅減小總投資、運行維護成本、上級電網輸送功率引起的網損及緊急情況引起的切負荷發生概率，同時可以使剩余能量反送給上級電網；最后，給出了基于粒子群優化人工蜂群算法改進求解方法，有效提高收斂速度。仿真結果證明，所提出的規劃策略可顯著提高微電網運行的經濟性和可靠性。

分布式電源；微電網；混合供電系統；切負荷；人工蜂群算法

0 引 言

分布式電源(distributed generation，DG)是一種高效、距離負荷需求近的開發方式，相對于集中式開發能源而言是一種新型能源并網方式[1-2]。隨著分布式能源系統在配電網和輸電網中滲透率的增大，其不確定性對電力系統的傳統運行控制方式帶來了巨大挑戰[3-5]。

目前分布式電源的研究熱點集中在最優選址及運行優化方面。針對DG選址和定容方面，目前學者進行了較深入的研究，然而相關文獻均假設DG被動管理，沒有考慮微網中DG運行策略對提高故障期間穩定性的影響。文獻[6-8]中不同DG出力情況會改變微電網的運行狀態，進而配電網導致不能實時滿足選址定容時設計的目標值。針對多分布式電源的優化運行方面，相關研究成果雖解決了混合供電系統的規劃問題，但均假設固定的接入位置，并沒有考慮最優定位的問題。如果接入點改變，微電網的設計、規劃等均會偏離其設計最優值[9-12]。綜上，選址定容和運行兩個方面具有密切的聯系，而相關研究均獨立設計，鮮有針對二者結合對微電網的影響效果分析。

針對以上研究不足，本文提出綜合考慮選址定容和運行的多目標優化方法。首先，DG主動管理運行目標設定為實現微電網內部自給自足，多余能量外送，同時給出混合系統發電能量運行方式。其次，利用改進的人工蜂群算法求解優化模型，得到各微電源的最優接入點、接入容量及運行方式，規劃目標為微電網總成本最小。最后，利用不同電網模型驗證所提方法對提高供電經濟和穩定性的效果。

1 光柴混合系統運行方式研究

近幾年發生的大規模城市斷電事件均是由于一個或多個配電網連接到輸電網的傳輸線路過載導致的。因此，本文提出的規劃問題考慮以最大程度滿足配電網內部負荷需求，減小從輸電網遠距離輸入功率，自發自用，多余電量外送輸電網的運行策略為基礎，假設光柴混合供電系統按照孤島運行模式規劃，以最大限度接入新能源；按照并網模式運行，使光伏剩余能量外送輸電網，不僅減少了主網輸送電能產生的傳輸網損，又避免了因傳輸線路過載等故障引起的切負荷等極端事件發生。

針對可并入配電網每個節點的光柴混合系統(hybrid energy systems，HEMS)，設計的運行策略如圖1所示。

圖1 光柴混合發電系統運行策略Fig.1 Flow chart of HEMS containing photovoltaic,battery and diesel generator

如圖1所示，在有光伏出力的情況下，如果光伏出力大于本地負荷需求，并且電池組沒有充滿電，則光伏輸出功率再滿足負荷需求后多余的電量用于給電池組充電；如果電池組已經充滿電，但仍有剩余能量，則外送主網。如果光伏出力小于本地負荷，則光伏滿發，如果電池組可以滿足剩余負荷需求，則剩余負荷根據“敏感負荷”判斷是由電池還是柴油機承擔剩余負荷。敏感負荷Ld定義為電池組和柴油發電機出力經濟性相等的供給負荷，當超過敏感負荷后無論電池組是否有能力滿足負荷，均由柴油機發電滿足負荷需求[13]，其計算公式為

(1)

式中：A和B為柴油機的燃料曲線系數；Pg為柴油發電機額定功率；Pf為燃料價格；Cg為柴油機每小時的運行和維護成本；Cr為柴油機每小時的部件損耗成本；Cb為電池組運行成本。

在沒有光伏出力的情況下：如果電池組出力小于本地負荷需求，則柴油機發電以滿足負荷需求；如果電池組可以滿足負荷需求，則負荷根據“敏感負荷”判斷是由電池還是柴油機滿足負荷需求。

綜上，所提運行策略可達到兩個目的：1)電池組僅在光伏出力大于本地負荷需求的情況下充電，并且避免了柴油機向電池組充電的情況發生；2)柴油發電機僅承擔光伏滿發后不能滿足的剩余負荷需求，避免了配電網輸入或外送能量的情況發生。

2 多目標尋優函數

將多光伏-柴油機混合發電系統的最優選址、定位及出力作為最優函數，通過特定候選接入位置中選擇出使總成本最低的接入點和光伏及儲能電池接入容量。因此，光伏-柴油機混合發電系統的接入數量和位置是隨機的。在每個接入位置，尋優函數求解得到最優的接入容量和運行模式。尋優流程如圖2所示。

圖2 多目標尋優流程Fig.2 Multi-objective optimization flow

針對上、下限約束，通過設計優化算法算子化為非約束問題，針對等式約束，采用懲罰函數法，具體約束條件的求解采用文獻[14]所提方法。

2.1 尋優函數

基于總成本的尋優函數由以下幾項組成：1)前期投資成本；2)設備置換成本；3)運行維護成本；4)能量傳輸引起的線路損耗；5)緊急情況下的切負荷損失；6)超過負荷需求的富余能量外送配電網帶來的收益。

尋優函數可由式(2)表示：

MinF=CP+Cd+Cb+Cs+Cl+Ci-Ce。

(2)

其中：CP為光伏電池板總成本；Cd為柴油發電機總成本；Cb為電池組總成本；Cs為切負荷損失；Cl為由配電網輸入的功率引起的網損成本；Ci為由配電網輸入的功率成本；Ce為光-柴混合供電系統外送配電網的功率收益，其為負值，表示微電網在滿足自身消耗時發出的電量越多，微電網獲得的經濟效益越高，進而使得微電網的綜合成本越低。其中，CP、Cd及其Cb分別由三部分組成，如式(3)～式(5)所示：

CP=Cp_i+Cp_r+Cp_o，

(3)

Cd=Cd_i+Cd_r+Cd_o，

(4)

Cb=Cb_i+Cb_r+Cb_o。

(5)

式中：Cp_i為光伏電池板初期投資成本；Cp_r為光伏電池板置換成本；Cp_o為光伏電池板運行維護成本；Cd_i為柴油發電機初期投資成本；Cd_r為柴油發電機置換成本；Cd_o為柴油發電機運行維護成本；Cb_i為電池組初期投資成本；Cb_r為電池組置換成本；Cb_o為電池組運行維護成本。

2.2 等式約束條件

在任何時刻下，總發電功率應該與負荷需求和線路損失平衡，因此功率平衡等式約束為

PP(t)+Pd(t)+Pb_d(t)+Ps(t)+

Pi(t)-Pb_c(t)-Pl(t)-PD(t)=0。

(6)

式中：PP為光伏電池板產生的功率；Pd為柴油發電機產生的功率；Pb_d為電池組放電功率；Ps為切負荷造成的能量損失；Pi為由外部電網輸入的功率；Pb_c為電池組充電功率；PD為負荷需求功率。

2.3 不等式約束條件

光伏輸入功率應控制在最大裝機容量和日照輻射量限制，如下式所示：

(7)

柴油發電機需要根據混合光-柴控制系統的指令運行。考慮到柴油機的運行經濟效率限制，不能低于最低經濟運行點，因此，其運行限制在最大裝機容量和最小經濟運行點的范圍內，如下式所示：

(8)

儲能電池組具有和柴油機相同的控制特性，其中，儲能容量限制[15]為

(9)

最大功率放電限制為

(10)

最大功率充電限制為：

(11)

實時能量平衡關系為

Ps(t)=Ps(t-1)-M(t)Pb-d(t)+N(t)Pb-c(t)。

(12)

其中：

考慮到電池組不能同時充電放電，因此，還需要滿足

M(t)+N(t)≤1。

(13)

單個混合風-柴發電系統容量限制為

(14)

為了充分驗證所提控制策略有效性，將通過外部電網輸入能量不超過配電網總容量的30%。

(15)

節點電壓限制：

(16)

傳輸線路容量限制：

(17)

3 求解算法

3.1 人工蜂群算法

人工蜂群算法是一種隨機優化算法，通過模擬各蜜蜂個體的局部尋優行為，最終使全局最優值在群體中突現得到最優解，不必掌握任何的先驗性信息，具有良好的魯棒性和廣泛的適用性。

蜂群算法中的引領蜂和跟隨蜂的食物源位置更新公式[16]為

Vij=Sij+rij(Sij+Skj)。

(18)

式中：k∈(1,2,…L)，L為雇傭蜂的數量，j∈(1,2,…,N)，k≠j；rij為區間[-1，1]之間的隨機數，且i≠j，它控制著鄰域搜索空間的大小，隨著問題最優解的逐步靠近，搜索的鄰域空間也越來越小；Sij為食物源當前的位置，Skj為隨機選擇的鄰域個體食物源位置。

觀察蜂根據雇傭蜂分享的信息，對食物源選擇按輪盤賭的方式選擇，其概率Pi為

(19)

式中f(δi)為第i個食物源的收益度值。

3.2 基于粒子群優化ABC改進方法

傳統ABC算法在迭代過程中，若某個蜜源被搜索更新的次數達到了預先的設定值，為了避免算法陷入局部極值，ABC 算法必須對種群重新初始化重新搜索；但其對局部極值的利用忽視了個體極值的信息，采用隨機生成的方式無法滿足新蜜源的好壞程度，因此算法會帶來無謂的迭代計算，降低了算法的收斂速度，進而影響了算法的全局尋優的能力。針對這種缺點引入粒子群優化算法對其進行改進。粒子群優化算法具有很強的全局搜索能力和快速的收斂速度，對陷入局部極值的個體在其現有的位置上拓寬一個領域作為粒子群優化算法的尋優范圍重新進行搜索，可加快算法跳出局部約束從而搜索到最優解。

設第i個粒子的位置和速度分別為Xi=(xi1,xi2,…,xiD)和Vi=(vi1,vi2,...,viD)，其適應度是由一個被優化的函數值所決定的，粒子根據自身所經歷過的歷史最好位置Pbest=(pi1,pi2,…,piD)和整個種群所經歷過的最好位置Gbest=(gi1,gi2,…,giD)對目前自身的速度和位置進行更新。

粒子在第k次迭代后，速度和位置的更新公式[17]如下：

Vi,d(k+1)=w·vi,d(k)+c1·

r1(Pbest,d-xi,d(k))+c2·

r2(Gbest,d-xi,d(k))，

(20)

xi,d(k+1)=xi,d(k)+vi,d(k+1)。

(21)

式中：j∈(1,2,…,N)，N為種群規模，d∈(1,2,…，D)，D為搜索空間；xi,d(k)為粒子i位置的第d維分量，vi,d(k)為粒子i速度的第d維分量；Pbest,d為粒子i最好位置的第d維分量；Gbest,d為粒子群體中最好位置的第d維分量；r1和r2為[0，1]之間的隨機數；c1和c2為局部加速因子和全局加速因子；w為慣性權重系數。

3.3 求解流程

通過結合PSO算法，既考慮了當前的最優情況，又有全局的探索性，使得新偵察蜂在一定范圍內做了更詳細的尋優，使得偵察蜂性能優異，進而保證了全局優化的快速性。

本文將最優并網母線、光伏和儲能電池出力這3個優化目標作為ABC算法最優食物源位置。由于光伏發電的間歇性，柴油發電機接入容量按照滿足全部滿足負荷需求的容量設計。具體規劃步驟如下：

步驟1：讀入初始數據：包括潮流計算數據、控制變量的描述以及各種等式和不等式約束條件；輸入控制變量(光伏、儲能電池及柴油發電機出力)的維數和上、下限值，設置狀態變量(PQ節點電壓、電池組荷電狀態及平衡節點的有功出力)的限值；設置蜂群及粒子群優化算法參數。

步驟2：初始化：ABC和PSO的迭代次數均設為 0。在控制變量的取值范圍內，隨機產生種群x，對雇傭蜂的位置進行初始化，并且雇傭蜂的數量等于跟隨蜂的數量。

步驟3：判斷從主電網輸入電量是否大于最大輸入電量限制：如果超過，則切負荷保證微電網運行穩定；如果沒超過，則判斷是否滿足約束條件，如果滿足則進入步驟4，如果不滿足，則返回步驟2。

步驟4：對每只雇傭蜂所對應的食物源進行收益度評價，并對食物源的位置進行更新。跟隨蜂按照式(18)在所選食物源的鄰域內進行搜索產生新的食物源，并按照式(19)輪盤賭的選擇方式對食物源進行位置的更新。

步驟5：判斷某個食物源在達到上限limit后，雇傭蜂是否將其更新，如果仍沒有，則該雇傭蜂轉為偵察蜂，利用粒子群算法按照式(20)更新位置。

步驟6：對更新后的食物源進行收益度評價。判斷是否滿足終止條件,若不滿足終止條件,則轉向步驟2；否則，跳出循環，輸出最優并網母線及光伏、儲能電池和柴油發電機輸出功率指令。

求解流程如圖3所示。

圖3 光柴混合發電系統控制流程Fig.3 Flow chart of HEMS

4 算例仿真

為了驗證PABC算法的有效性，將改進的PABC算法與基本ABC算法進行實驗比較。利用DIgSILENTPowerFactory軟件和Matlab建立風電場仿真環境，將采用規劃策略的最大分支線層數不同的IEEE-33[18]和PG&E-69[19]節點系統進行測試，其拓撲如圖4和圖11所示，規劃得到的各微電源最優接入位置和容量參數如表1、表2所示。圖9、圖10和圖14、圖15分別為采用所提運行策略與被動管理運行方式的出力及切負荷率對比。

表1 各微電源最優接入位置和容量參數

圖4 含有混合光-柴系統的IEEE-33節點測試系統Fig.4 IEEE-33 bus system containing HEMS

設ABC種群規模設置為100，雇傭蜂和觀察蜂各為50，limit為10，測試函數的維數分別為50維和100維，迭代次數為1000。PABC算法中PSO算法參數設置為：種群規模為24；最大迭代次數為50；局部加速因子c1為2.0；全局加速因子c2為2.0；慣性因子w為0.8。對每個測試函數連續運行20次求其平均值。

表1可以看出對于IEEE-33節點測試系統，最優接入點分別為17、20及31節點，接入的光伏容量分別為0.156、0.256及0.214 MW，接入的柴油機組容量分別為0.14、0.25及0.29 MW。

在前文中介紹傳統ABC算法主要是收斂速度，避免陷入局部最優解、求解最優解能力上加強。通過引入粒子群算法的改進IEEE-33和PG&E-69節點系統PABC和ABC的收斂情況對比如圖5和圖12所示。

圖5 改進PABC 和ABC的收斂情況對比Fig.5 Convergence contrast of improved PABC and ABC algorithm for IEEE-33 bus system

從圖5中可以對比看出，前期迭代混合人工蜂群算法收斂迅速，中后期逐步向最優解靠近，并在迭代46次后就穩定在最優點，收斂速度快于傳統ABC算法，并且最優成本值也低于常規ABC算法，進一步證明了改進算法在重新初始化中有效減少了隨機初始化帶來的沒有必要的計算。

為了進一步驗證算法的在能量管理方面的有效性，采用錦州某實際光伏電站的當日負荷曲線和日輻射值仿真分析，如圖6、圖7所示。圖8～圖10分別針對IEEE33節點分析了輸入功率占總負荷需求的比例、光柴混合功率控制系統分配結果以及切負荷情況對比。

圖6 當日負荷曲線Fig.6 Load curve

圖7 錦州某實際光伏電站日輻射值Fig.7 Daily radiation of Jinzhou photovoltaic power station

圖8 輸入功率占總負荷需求比例Fig.8 Proportion of input power with total load demand

圖9 光柴混合功率控制系統能量分配結果Fig.9 Output allocation results of HEMS

圖10 切負荷結果對比Fig.10 Contrast of load shedding results

圖8可知，由上級電網遠距離輸送電量沒有超過本地負荷的30%，有效減小了輸送網損。圖9可見，當日輻射量比較小且電池已經充滿電的凌晨時間段，電池提供負荷需求。當電池持續放電1 h后，柴油發電機開始替代電池組為負荷供電。當從8點到下午6點之間，太陽能可用，光伏輸出功率滿足負荷需求。在10:00時刻，由于光伏輸出功率超過負荷需求，富余功率為電池組充電。電池組在下午2:00時充滿電，此刻，剩余功率向上級電網外送功率。從下午5:00開始，光伏出力逐漸減小，電池組重新向負荷提供能量，最后重新由柴油發電機單獨滿足負荷需求。以上結果進一步驗證了所提控制策略可以實現當光伏出力不足時由柴油發電機滿足負荷需求，并且電池組僅由光伏充電的控制目標。圖10設置了當外送電網功率減少一半時的系統穩定性，圖中看出具有混合光柴供電系統的配電網僅切負荷12.53 MW，僅占總負荷的15.1%；而傳統配電網切負荷69.27 MW，占總負荷的43.65%，進一步證明了所提策略可有大幅提高系統運行穩定性和經濟性。

由表2可以看出對于PG&E69節點測試系統，最優接入點分別為7、16及49節點，接入的光伏容量分別為0.213 MW、0.275 MW及0.221 MW，接入的柴油機組容量分別為0.21 MW、0.19 MW及0.24 MW。

表2 各微電源最優接入位置和容量參數Table 2 Parameters of micro-powers

如圖11所示，利用PABC得到的最優接入位置為7、16和49節點。圖12說明了69節點系統具有類似于33節點的收斂特性，兩種算法均在39次后逐步收斂，而PABC算法在初期具有較快的收斂速度。再次證明了改進算法收斂速度快，最優解能力較高的特點。圖13-15分別針對PG&E69節點測試系統分析了混合光柴混合功率分配結果、輸入功率占總負荷需求的比例和切負荷情況對比。

圖11 含有HEMS的PG&E69節點測試系統Fig.11 PG&E69 bus system containing HEMS

圖13顯示了采用所提策略后，從上級電網遠距離送電功率小于負荷的30%。圖14說明了當缺失上級電網傳輸功率40%的情況下，傳統配電網切負荷35.24%，采用所提策略后，切負荷率僅為11.1%，大幅提高了供電可靠性。如圖15所示，在0-7點之間，沒有光輻射且電池已經充滿電的情況下，電池組啟動以滿足負荷需求，在持續供電1h后，由于其供電能力低于敏感負荷，柴油發電機啟動接替電池組繼續為負荷供電。當上午8點至下午6點之間，光輻射量充足，光伏出力，接替柴油發電機為負荷供電。在10點時刻，光伏出力超過本地負荷，剩余能量首先向電池組充電。當下午2點電池組充滿電后，光伏產生的剩余能量向上級電網外送能量。從下午5點開始，光照輻射量逐漸減小，電池組重新啟動為負荷供電直到其供電能力低于敏感負荷，柴油發電機進而啟動接替電池組供電。以上結果證明了所提策略實現了電池組僅由光伏充電且光伏出力具有剩余功率時向上級電網反送電，提高了配電網的運行經濟性。

圖12 改進PABC 和ABC的收斂情況對比Fig.12 Convergence contrast of improved PABC and ABC algorithm for PG&E69 bus system

圖13 輸入功率占總負荷需求Fig.13 Proportion of input power with total load demand

圖14 切負荷情況對比Fig.14 Contrast of load shedding results

圖15 光柴混合系統出力分配結果Fig.15 Output allocation results of HEMS

5 結 論

本文創新性地將微電網中多微電源的前期規劃和后期運行綜合為1個尋優函數，并提出了多能源能量管理策略。通過實際算例仿真得到以下結論：

1)通過最大分支線層數不同的配電網系統輸入功率情況對比可以看出，采用所提控制策略后，由上級電網的輸入功率均不超過本地負荷的30%，同時，電池組僅由光伏充電且光伏出力具有剩余功率時向上級電網反送電，進而可證明在規劃中考慮多種微電源的最優運行可有效增強微電網運行經濟性。

2)針對IEEE33和PG&E69系統在上級電網不同程度的輸送電網缺失50%和40%情況下，所提策略分別使切負荷率比傳統方法降低了65.41%和68.5%。所提策略較傳統方法可更加靈活調用可調度能源和不可調度能源，進一步證明可有效提高微電網運行可靠性。

[1] WANG Trudie,O′NEILL Daniel,KAMATH Haresh.Dynamic control and optimization of distributed energy resources in a microgrid[J].IEEE Transactions on Smart Grid,2015，6(6) :2884-2894．

[2] SHAH Kunal K,MUNDADA Aishwarya S,PEARCEL J M.Performance of U.S.hybrid distributed energy systems: solar photovoltaic,battery and combined heat and power[J].Energy Conversion and Management,2015 (105):71-80．

[3] 高海翔，陳穎，黃少偉，等.配電網韌性及其相關研究進展[J].電力系統自動化， 2015，39(23):1-8． GAO Haixiang，CHEN Ying，HUANG Shaowei，et al.Distribution systems resilience: an overview of research progress[J].Automation of Electric Power Systems ， 2015，39(23):1-8．

[4] MAHMOUDA M S,HUSSAINA S Azher,ABID M A．Modeling and control of microgrid: An overview[J]．Journal of the Franklin Institute，2015(351)：2822-2859．

[5] 陳任峰， 黃少偉， 王志文，等．光伏微電網分層式綜合保護體系設計[J].電機與控制學報， 2015，19(8):9-14． CHEN Renfeng，HUANG Shaowei， WANG Zhiwen，et al.Design of hierarchical comprehensive protection system for photovoltaic micro-grid[J].Electric Machines and Control，2015，19(8):9-14．

[6] 楊俊友，崔嘉，田艷豐，等．計及網損最小的含分散式風電場配電網多目標優化策略[J]．電網技術，2015，39(8)：2141-2147． YANG Junyou,CUI Jia,TIAN Yanfeng，et al．Multi-Objective optimization strategy of distribution network containing dispersed wind farm considering minimum network loss[J]．Power System Technology，2015，39(8)：2141-2147．

[7] HUNGD Q，MITHULANANTHAN N，LEE K Y．Optimal placement of dispatchable and nondispatchable renewable DG units in distribution networks for minimizing energy loss[J]．Electrical Power and Energy Systems，2014(55)：179-186．

[8] MOHAMED A， KOWSALYA M．A new power system reconfiguration scheme for power loss minimization and voltage profile enhancement using fireworks algorithm[J]．International Journal of Electrical Power and Energy Systems，2014(62)：312-322．

[9] 任佳佳，王建賾，周志,等.利用STATCOM和串聯制動電阻改善風電場暫態穩定性[J]．哈爾濱理工大學學報,2013，18(2)：52-56． REN Jiajia，WANG Jianze，ZHOU Zhi,et al.Transient stability improvement of wind farm using statcom and series dynamic braking resistors[J].Journal of Harbin University of Science and Technology,2013，18(2)：52-56．

[10] HAN Junbiao,SARIKA Khushalani-Solanki,JIGNESH Solanki，et al.Adaptive critic design-based dynamic stochastic optimal control design for a microgrid with multiple renewable resources[J].IEEE Transactions on Smart Grid，2015， 6(6):2694-2703．

[11] 趙波，包侃侃，徐志成，等.考慮需求側響應的光儲并網型微電網優化配置[J].中國電機工程學報，2015，35(21):5465-5474． ZHAO Bo,BAO Kankan,XU Zhicheng，et al.Optimal sizing for grid-connected PV-and-storage microgrid considering demand response[J].Automation of Electric Power Systems ，2015，35(21):5465-5474．

[12] 胡長斌，王鑫，羅珊娜，等.微電網多微源能量優化協調控制[J].中國電機工程學報，2015，35(增):36-43． HU Changbin,WANG Xin,LUO Shanna，et al.Energy optimization coordination control of multi-sources in microgrid[J].Automation of Electric Power Systems ，2015，35(Supplement):36-43．

[13] Dufo-López R,Bernal-Agustín JL.Design and control strategies of PV-diesel systems using genetic algorithms[J].Sol Energy，2005，79(1):33-46.

[14] 郭廣寒，王志剛．一種改進的粒子群算法[J]．哈爾濱理工大學學報，2010，15(2)：31-34． GUO Guanghan，WANG Zhigang．A modified particle swarm optimization[J].Journal of Harbin University of Science and Technology,2010，15(2)：31-34．

[15] ZHANG Zhong,WANG Jianxue,WANG Xiuli.An improved charging/discharging strategy of lithium batteries considering depreciation cost in day-ahead microgrid scheduling[J].Energy Conversion and Management， 2015，(105)：675-684．

[16] KALLOL Roy,KRISHNA Mandal Kamal,Mandal.Modeling and managing of micro grid connected system using improved artificial bee colony algorithm[J].Journal of Electrical Power & Energy Systems.2016,(75):50-58.

[17] THIDA Myo,ENG How-Lung,MONEKOSSO Dorothy N，et al.A particle swarm optimisation algorithm with interactive swarms for tracking multiple targets[J].Applied Soft Computing， 2013，13(6)：3106-3117．

[18] AMANY El-Z.Optimal placement and schedule of multiple grid connected hybrid energy systems[J].Electrical Power and Energy Systems.2014,(61):239-247.

[19] AREFIFAR Seyed Ali,MOHAMED Yasser Abdel-Rady,El-Fouly Tarek.Optimized multiple microgrid-based clustering of active distribution systems considering communication and control requirements[J].IEEE Tranransactions on Industrial Electronics,2015，62(2)：711-723．

Optimal placement and schedule of hybrid energy management system in microgrid

CAI Zhi-yuan1， GE Yang-yang1,2， LI Yang1,3， MA Shao-hua1

(1.Shenyang University of Technology,Shenyang 110003,China；2.State Grid Liaoning Electric Power Research Insitute,Shenyang 110000,China；3.China Electric Power Research Institute，Beijing 100192，China)

Reasonable control of multiple energy forms for load power supply can effectively improve economy and reliability of microgrid(MG) operation,however,these two problems of siting hybrid energy systems(HEMS) and scheduling them are separately solved.In order to optimize flexible power supply capacity,an algorithm was put forward to solve the problem of allocation and schedule of multiple hybrid photovoltaic (PV)-diesel distributed generation(DG) in distribution systems optimally.Firstly,an energy control method of HEMS was presented to improve efficiency and flexibility of MG operation; Secondly,an optimization problem was formulated considering not only to reduce the total investment,operation maintenance cost,network loss caused by imported power from the transmission grid,and un-served load in case of emergency,but also to maximize the excess generated power by the HEMS that may be injected into the distribution network;Finally,an improved artificial bee colony (ABC)based on particle swarm optimization(PSO) was put forward to increase convergence speed.Simulation results show that the presented control method improves the economy of MG operation and reliability significantly.

distributed generation; microgrid; hybrid energy systems; load shedding; artificial bee colony

2016-03-01

國家863計劃項目(2015AA050403)；國家電網公司科技項目(廣域分布式電源動態管控與運行分析關鍵技術研究與開發)

蔡志遠(1962—)，男，博士，教授，博士生導師，研究方向為智能電器控制、風力發電及其控制； 戈陽陽(1983—)，男，博士研究生，研究方向為清潔能源并網、微電網運行關鍵技術； 李 洋(1982—)，男，博士研究生，研究方向為配電網優化、智能電網技術研究； 馬少華(1963—)，女，博士，教授，博士生導師，研究方向為智能化電器及微電網控制技術。

戈陽陽

10.15938/j.emc.2017.05.006

TM 312

A

1007-449X(2017)05-0042-09