基于差分進化算法的微電網多目標優化調度

黃淑媛，肖健梅

?

基于差分進化算法的微電網多目標優化調度

黃淑媛，肖健梅

（上海海事大學,上海 201306）

能源的緊缺和環境污染問題的加劇，使得人們對微電網有了越來越多的研究。通過對微電網的并網運行進行研究，設計了包含光伏、風機、儲能電池單元的微電網系統，綜合考慮系統的供電可靠性，環境污染和成本花費三個方面，采用多目標差分進化算法來尋求一組非劣解來確定最終方案。最后通過一組案例數據對系統的優化調度進行了分析和驗證。

微電網 多目標優化 差分進化算法Pareto 非支配解

0 引言

微電網主要依靠風電等可再生能源有利于減少污染物的排放的同時也確保了全球的能源供應。但是由于光伏和風機等的初期投入較大，還要考慮后期生產過程中的維護費用，成本方面需要考慮良多。同時，因為微電網中的光伏和風機單元能量供給來自大自然，存在很多不可控的因素，也很難進行精確的預測。故在確保穩定供電的同時，降低污染和成本是微電網應用中需要解決的重要問題。

文獻[1]主要研究當微電網遇到干擾時電池、光伏、柴油發電機等單元的能量管理和優化調度問題，通過研究提出確保系統抗干擾的運行方案，但并未考慮微電網運行的其他因素。文獻[2]在設計多能源發電系統中，采用多目標粒子群優化算法（MOPSO）最終得到一組非劣解，其中每個解都代表一個候選的方案。文獻[3]對混合微電網系統HMGS（Hybrid Micro-Grid System）的穩定性，電力生產的花費和系統對環境造成的影響三個方面進行優化，為平衡三個相互矛盾的目標，將HMGS的優化設計看成是一個多目標優化的任務。并在瑞典的幾個不同城市進行優化和評估，用多目標粒子群優化來找到每個地方的最優的系統結構和最優組件的大小。最終證實了HGMS在瑞典鄉村發展的可能性。

本文設計了微電網并網運行系統，就其在系統穩定性、成本和環境污染三個方面進行平衡。同時，為避免傳統求取多目標解過程中進行歸一整合的不合理性，本文將多目標差分進化算法應用到微電網的優化調度中。傳統的差分進化算法不能直接用于多目標優化問題。故本文利用基于Pareto非支配關系的多目標差分進化算法較好地解決了上文提到的微電網三個目標之間的平衡優化問題。

1 微電網各個系統單元建模

在并網工作模式下，微電網與中（低）壓配電網并網運行，互為支撐，實現能量的雙向交換[4]。微電網通過內部光伏單元，風機單元等發電，為微電網內部負荷供電，必要的時候從電網獲取電量以滿足負荷需求。如圖1所示，所設計的并網運行的微電網系統包括光伏單元、風機單元，儲能電池單元和從電網獲取電量部分。

圖1 并網運行系統結構圖

1.1 光伏單元

光伏單元可以將照射在其上的光能轉變成電能。由于自然環境的不確定性，使得光伏單元的發電具有不確定性，所以微網中需要儲能電池來進行調節。光伏單元的功率輸出受光照強度和環境溫度的影響，可以表示成如下形式[5]：

1.2 風機單元

1.3 儲能電池

因為光伏發電和風機發電受環境影響較大，所以需要加入儲能單元，當風機和光伏產生的電能大于負荷所需電量時，將多余的電量儲存在電池中，當可再生能源產生的電量不足以維持用戶用電的時候首先考慮使用儲能電池中的電能作為補給。

2 目標函數及其約束

本文主要針對微電網的成本，供電可靠性和對環境的影響三個方面進行研究。

2.1 成本

微電網運行過程中總的花銷COST包括了每個發電單元的初始成本，運行維護成本，和設備殘余價值，具體公式如下所示：

對于光伏和風機單元，=,時：

2.2 供電穩定性

本文中供電穩定性用EIR（Energy Index of Reliability）表示：

其中EENS(kWh/year)為不能滿足負荷需求的電能總和。

2.3 對環境的影響

3.4 約束條件

1）功率平衡約束

微電網系統內功率平衡約束如式(15)～ (16)所示。

2）各發電單元功率約束

（3）儲能電池充放電約束

為保證儲能電池的壽命，其充放電必須滿足以下條件。

3 差分進化算法

3.1 差分進化算法的主要步驟

差分進化算法主要有初始化，變異，交叉，選擇幾個步驟。

3.1.1種群初始化

初始種群

隨機產生：

3.1.2變異

隨機選取種群中兩個不同的個體，將其向量差縮放后與待變異個體進行向量合成，即

3.1.3交叉

3.1.4選擇

差分進化算法采用貪婪算法來選進入下一代種群的個體：

3.2 多目標差分進化算法

在多目標優化的過程中，傳統的算法是將多個目標通過一系列的計算轉換成單目標，用較為成熟的單目標優化進行計算。這種做法的缺點是，單目標計算出來的結果只有一個解，而對于多目標問題來說解往往不只一個，會存在多個無法相互比較其優劣的解，即對應的Pareto解集[8]。本文將多目標優化中的非支配排序、擁擠度計算與差分進化算法結合來求得最終的非劣解，具體步驟如下：

步驟1：產生初始種群POP1；

步驟2：計算初始種群所對應的目標函數值；

步驟3：針對上一步每個個體所計算出的三個目標函數值分別進行非支配排序和擁擠度計算；

步驟4：通過錦標賽機制選出一半較優秀的個體POP2；

步驟5：對POP2種群進行及交叉和變異得到新的種群POP3；

步驟6：將POP1和POP3合并并對合并后的種群重新進行非支配排序和擁擠度計算；

步驟7：選出上述計算后前200個優秀個體，通過錦標賽機制對這200個個體進行選擇，選出一半較為優秀的個體POP4；

步驟8：對POP4進行交叉和變異最終得到較為優秀的種群POP5；

步驟9：代數增加1，回到步驟6，用POP5取代POP3，直到最大進化代數。

4 系統仿真與分析

系統仿真所用數據來源于參考文獻[2]，本文針對某一天的情況進行仿真，將一天分為24個時刻。圖2圖3圖4分別給出該天24個時刻用戶的負荷，太陽光照和實時風速。

圖5 微電網并網運行情況

5 結束語

近年來，風能、太陽能等可在生能源的利用有了顯著的增長，在相關技術方面研究較為成熟的情況下，被人們越來越多地進行現實中的應用。本文根據某處用戶的實際負荷分別進行了微電網并網系統設計，并采用基于Pareto支配關系的多目標差分進化算法對系統可靠性，運行成本及其對環境的污染進行了優化調度，從而得到較為理想的方案。今后可對系統中各部分的出力情況進行更深入的研究，同時將系統富余的電能向大電網傳輸，在保證系統穩定運行的前提下進一步實現節約能源和成本的目的。

[1] Tazvinga H, Zhu B, Xia X. Energy dispatch strategy for a photovoltaic-wind-diesel battery hybrid power system[J]. Sol Energy 2014, 108: 412-20.

[2] Wang L, Singh C. PSO-Based multi-criteria optimum Design of A Gridconnected hybrid power system with multiple renewable sources of energy[J]. 2007 IEEE swarm intelligence symposium, 2007.

[3] Maher Azaza*, Fredrik Wallin. Multi objective particle swarm optimization of hybrid micro-grid system: A case study in Sweden[J]. Energy, 2017,123:108-118.

[4] 王成山. 微電網分析與仿真理論[M].北京：科學出版社, 2013.

[5] Daud A-K, Ismail MS. Design of isolated hybrid systems minimizing costs and pollutant emissions[J]. Renew Energy, 2012,44:215-24.

[6] Kefayat M, Ara AL, Niaki SN. A hybrid of ant colony optimization and artificial bee colony algorithm for probabilistic optimal placement and sizing of distributed energy resources[J]. Energy Convers Management, 2015,92:149-61.

[7] 曾嶒,彭春華,王奎等. 基于鳥群算法的微電網多目標運行優化[J], 電力系統保護與控制, 2016, 44(13): 117-122.

[8] 徐斌. 基于差分進化算法的多目標優化方法研究及其應用[D], 上海: 華東理工大學, 2013.

Multi-objective Optimization Scheduling of Micro-gridBased on Differential Evolution Algorithm

Huang Shuyuan,Xiao Jianmei

(Shanghai Maritime University,Shanghai 01306, China)

TM727

A

1003-4862（2018）07-0057-05

2018-04-23

黃淑媛（1994-），女，碩士研究生。研究方向：復雜系統控制與優化。