基于多代理系統的微電網多目標優化調度

朱輝，呂紅芳，陽曉明

基于多代理系統的微電網多目標優化調度

朱輝，呂紅芳，陽曉明

（上海電機學院電氣學院，上海市 浦東新區 201306）

微電網在并網情況下的多目標穩定運行是微電網運營和建設的基本要求。從并網型微電網的經濟目標和環保目標出發，建立微電網多目標優化模型，其中經濟目標考慮分布式電源的燃料費用、運行維護費用、啟停費用和與大電網的能量交互費用，環保目標考慮污染氣體的排放量。提出一種基于多代理系統(multi-agent system，MAS)的分時電價機制下儲能裝置的調度策略，并且采用改進的NSGA-II算法優化可控微源和儲能裝置的出力。以某地區微電網單元為例進行仿真，驗證了所建模型和改進算法的有效性。試驗結果表明，改進的NSGA-II算法性能更優，所提出的策略可以控制儲能裝置一個周期內的充放電次數，延長使用壽命。

微電網；多代理系統(MAS)；優化調度；分時電價；改進NSGA-II算法

0 引言

微電網作為分布式電源接入電網的一種有效手段，受到國內外專家學者的廣泛關注。與傳統的集中式發電相比，將分布式電源組成微電網的形式運行，具有多方面的優點[1]，對微電網系統的經濟、環保運行有重要意義。

微電網能量調度含有大量非確定、非線性、有約束的控制變量，本質上是一個復雜的多目標優化問題[2-8]。多代理系統(multi-agent system，MAS)是由多個代理(即Agent)組成的系統，各個Agent通過交互與協作可高效地解決復雜系統的控制和管理問題[9]。因此，MAS被推廣并運用到微電網能量優化調度中[10-16]。基于多代理技術的微電網分布式電源調度優化是實現微電網經濟效益和環境效益最大化的重要研究方向。

目前，已有學者對基于多代理技術的微電網優化調度問題展開了研究。張鵬等[17]考慮負荷違約情況對調度容量分配的影響，構建了基于MAS的調度容量上報策略博弈的電網調度模型，但并沒有考慮微電網整體經濟效益和環保效益；蔡高原等[18]利用改進的次梯度算法求解模型中的凸優化問題，提出了基于MAS的微電網有功協調控制方法，但沒有考慮微電網與大電網的能量交換問題；曹洪剛等[19]在調度周期內利用拍賣算法，綜合微電網內分布式電源、儲能設備及可控負荷等可控單元參與調度任務的代價與收益，得到最優或接近最優的微電網內調度方案，但其只考慮成本問題，未考慮微電網運行對環境的影響。

在此研究基礎上，本文以包含風機、光伏、柴油發電機和儲能裝置的單個并網型微電網為研究對象,構建單個微電網運行的分層MAS，建立考慮經濟性、環保性目標的微電網多目標優化模型，并給出基于MAS的微電網分時段調度策略。利用基于正態分布交叉(normal distribution crossover，NDX)算子和自適應變異算子的非支配排序遺傳算法(non-dominated sorting in genetic algorithms-II，NSGA-II)求解該模型。最后以某地區微電網單元為例進行仿真，驗證了所建模型的合理性和改進算法的有效性。

1 微電網多目標優化模型

1.1 基于MAS的微電網單元發電模型

MAS采用多個Agent進行相互協作，通過目標任務的分解和協調來提高整個系統完成任務的能力。由于微電網內部能量管理中數據冗余，導致效率較低、不夠靈活，因此本文將利用分層MAS解決微電網能量優化調度問題。所構建的微電網分層MAS結構如圖1所示。

圖1 基于分層MAS的微電網結構圖

基于分層MAS的典型微電網包括微電網控制中心(microgrid control center，MGCC)Agent、大電網(Grid)Agent、負載(load，LD)Agent、光伏(photovoltaic，PV)Agent、風機(wind turbine，WT)Agent、柴油發電機(diesel engine，DE)Agent和儲能裝置(energy storage，ES)Agent。

1）PV Agent。

光伏發電系統的輸出功率由環境溫度、實際光照強度和標準測試條件下的輸出功率決定[20]：

2）WT Agent。

風速是決定風力發電系統輸出功率的主要因素，其與輸出功率的關系可近似為分段函數[21]：

3）DE Agent。

柴油發電機的出力特性與傳統發電機的出力特性相似，其發電成本為

4）ES Agent。

本文采用蓄電池作為儲能裝置，儲能裝置既能抑制負荷的波動，又能提高微電網的供電可靠性。儲能裝置充放電過程中的剩余容量描述如下。

儲能裝置充電：

儲能裝置放電：

1.2 目標函數

1）經濟性。

微電網經濟性包含各個微源的發電成本、運行維護成本和可控微源的啟停成本，以及微電網與大電網能量交互成本等費用的總和，其表達式如下：

2）環保性。

微電網的環保性包含微電網發電和購電所產生的污染氣體(包括二氧化碳、二氧化硫和氮氧化物)總量，即

綜上所述，微電網整體運行優化模型為

1.3 約束條件

1）有功功率平衡約束。

2）微源出力上下限約束。

3）聯絡線傳輸容量約束。

4）發電機爬坡約束。

5）儲能裝置能量約束。

6）儲能裝置充放電約束。

2 基于MAS的分時電價調度策略

對并網型微電網進行調度，將一天的調度周期分為24個時段，每一個優化調度時段間隔為1h。

根據日常用電規律，將全天分為用電低谷階段、用電平峰階段和用電高峰階段，其中：用電高峰階段為11:00—15:00，18:00—21:00；用電平峰階段為7:00—11:00，15:00—18:00，21:00—23:00；用電低谷階段為23:00—次日7:00。

基于MAS的分時電價調度策略如圖2所示，其中A—U為調度指令，其內容見表1。

圖2 基于MAS的分時電價調度策略

表1 調度指令

3 改進的NSGA-Ⅱ算法及實現

3.1 改進的NSGA-Ⅱ求解算法

NSGA-II算法是Srinivas和Deb在NSGA算法的基礎上提出的。其遺傳操作采用模擬二進制交叉(simulated binary crossover，SBX)和多項式變異，而且交叉概率和變異概率都是固定的，這導致算法可能會陷入局部最優。為了適應本文的調度模型，求解得到Pareto最優調度方案解集，對傳統NSGA-II算法作如下改進：

1）采用NDX算子提高算法局部搜索能力，保證種群的多樣性；

2）引入自適應變異算子，自動調整變異概率，提高種群的穩定性。

3.1.1 NDX算子

與NSGA-II算法的SBX算子相比，NDX算子搜索范圍更廣，且更容易獲得質量更優的Pareto解集。

3.1.2 自適應變異算子

NSGA-II算法的變異過程采用多項式變異方式，若變異概率較大，則接近于隨機搜索算法；若變異概率較小，則不能維持種群多樣性。自適應變異算子的變異概率隨適應度大小而改變，具有更好的尋優能力，而且提高了種群的穩定性，使得Pareto前沿分布更優。

自適應變異算子定義的變異概率[23]為：

3.2 改進的NSGA-II算法實現

改進后的算法實現步驟如下：

1）算法參數初始化，設置初始種群數目為，=0；

2）輸入預測的微電網24h負荷需求以及風機和光伏的出力數據；

3）對種群進行初始化，隨機生成個調度方案組成的初始種群0；

5）評價種群P中Pareto解集中各個調度方案的適應值；

6）對種群P中的各個調度方案進行二元錦標賽選擇、NDX交叉及自適應變異，產生子代調度方案組成的種群Q；

7）融合種群P和Q，并進行非支配排序；

8）使用精英策略保留個優秀的調度方案，得到新的父代種群P+1；

9）若達到迭代次數，輸出單微電網調度的Pareto最優調度方案解集，若未達到迭代次數，則=+1，轉到步驟4）。

4 算例分析

4.1 微電網結構

微電網的分布式電源包括風機、光伏和柴油發電機，采用蓄電池作為儲能裝置，如圖3所示。該微電網以并網的形式運行，且與大電網的交換功率上限為30kW。

4.2 基礎數據

由于風機和光伏無燃料成本且無污染，因此只考慮運行維護成本，而柴油發電機要考慮啟停成本和運行維護成本。各微源參數見表2，污染氣體排放因子見表3，大電網分時電價見表4。

圖3 微電網結構圖

表2 各微源參數

表3 污染氣體排放因子

表4 大電網分時電價

4.3 優化結果

該微電網用電負荷和不可控微源預測出力情況如圖4所示。在求解過程中，利用改進的NSGA-II算法獲得Pareto最優解集。圖5為算法改進前后Pareto解集對比，可以看出，與傳統NSGA-II算法相比，基于NDX交叉算子和自適應變異算子改進的NSGA-II算法Pareto解集的分布更加均勻，并且解的質量更高，更加趨近于真實的Pareto前沿。

從圖5還可以看出，微電網的發電成本和污染氣體的排放量之間存在矛盾，較低的發電成本

圖4 微電網負荷和不可控微源出力

圖5 改進前后Pareto解集對比

對應較高的污染氣體排放量，較高的發電成本對應較低的污染物氣體放量。工作人員可根據發電

商利益、國家政策和用戶需求或者其他客觀條件，在所得的Pareto前沿中選擇合適的設計方案，合理分配微電網系統的經濟目標和環保目標，具有很大的靈活性，能夠有效避免因盲目選擇而導致的效率低下問題。

圖6—8分別給出了3種目標的調度方案。 圖6為經濟性最優的調度方案，此時，運行成本為154.60元，污染氣體排放量為463.66kg，大電網是主要的發電單元。在谷時段，向大電網購電以滿足負荷需求并向儲能裝置充電；在峰時段，向大電網盡可能出售電量以提高經濟效益。圖7為環保性最優的調度方案，此時，運行成本為261.27元，污染氣體排放量為355.92kg，由于大電網發電時污染較大，因此需要盡可能減少大電網出力，柴油發電機是主要發電單元。圖8為兼顧經濟效益和環保效益的一個折中方案，此時，運行成本為189.21元，污染氣體排放量為397.52kg。

從圖8可以看出，為了兼顧經濟目標和環保目標，在用電低谷時間段(23:00—次日7:00)，主要由售電價格較低的大電網和污染物排放系數較低的柴油發電機進行發電，且儲能裝置盡可能充電；在第1個用電高峰時間段(11:00—15:00)，凈負荷小于0，儲能裝置放電，向大電網售電；在第2個用電高峰時間段(18:00—21:00)，由于此時向大電網購電價格較高且污染物排放量較大，主要由柴油發電機和無污染物排放的儲能裝置發電，多余電量向大電網出售；在21:00—次日3:00，儲能裝置保持充電并達到上限，在11:00—14:00放電，15:00—17:00充電，18:00—20:00放電，在整個調度周期內保證經濟環保運行的情況下，儲能裝置充放電次數有限，達到了延長儲能裝置壽命的效果。

圖6 經濟最優解

圖7 環保最優解

圖8 折中解

5 結論

構建了以光伏、風機、柴油發電機和儲能裝置為主要供能單位的微電網分層MAS結構，以運行成本最低和污染氣體排放量最少為雙重優化目標，建立了多目標優化模型，提出了基于MAS的分時電價調度策略。在求解方法上，運用基于正態分布的交叉算子和自適應變異算子對NSGA-II算法進行改進，提升了種群的多樣性和穩定性，并且能夠更好地向真實Pareto前沿收斂。算例分析結果表明，使用基于多代理技術的分時電價調度策略可以控制一個周期內儲能裝置的充放電次數，達到延長使用壽命的效果。

[1] 王成山，武震，李鵬．微電網關鍵技術研究[J]．電工技術學報，2014，29(2)：1-9．

[2] 孟杰，丁泉，黃超．基于孤島模式下V/f控制的微電網系統研究[J]．華電技術，2017，39(8)：1-5，77．

[3] 吳成明，尚錦萍，吳婷婷，等．基于TVAC-PSO算法的可重構微電網優化調度方案[J]．電力科學與工程，2018，34(10)：15-23．

[4] 楊毅，雷霞，徐貴陽，等．采用PSO-BF算法的微電網多目標電能優化調度[J]．電力系統保護與控制，2014，42(13)：12-20．

[5] 任德江，吳杰康．“源-網-荷-儲”協同的園區微電網優化調度[J]．廣東電力，2018，31(7)：16-23．

[6] 靳現林，蔡曉宇．考慮低碳效益的混合能源微電網優化調度[J]．分布式能源，2017，2(3)：26-32．

[7] 王向紅，錢文姝．基于改進PSO算法的微電網調度方法[J]．電網與清潔能源，2017，33(7)：53-57，72．

[8] 趙賀，李子矝，閆浩然，等．基于模型預測控制的微電網經濟調度[J]．電網與清潔能源，2017，33(9)：119-123．

[9] 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．

[10] 吳文仙，韓冬，孫偉卿，等．考慮韌性增強策略的配電網負荷恢復優化[J]．電力科學與工程，2019，35(4)：17-24．

[11] 王思明，牛玉剛，祖其武．并網模式下基于多代理技術的微電網多目標優化[J]．華東理工大學學報(自然科學版)，2017，43(6)：829-836．

[12] 王凌云，徐嘉陽，丁夢．基于混沌的多Agent粒子群算法在微電網并網調度中的優化研究[J]．電網與清潔能源，2017，33(8)：1-7．

[13] 章健，艾芊，王新剛．多代理系統在微電網中的應用[J]．電力系統自動化，2008，32(24)：80-83．

[14] 陳淼，邰能靈．基于NSGA-II的社區微型電網多目標分層優化算法[J]．水電能源科學，2017，35(9)：196-200．

[15] Wu Y，Chen M，Lin J，et al．Corrective economic dispatch in a micro-grid[J]．International Journal of Numerical Modelling：Electronic Networks，Devices and Fields，2013，26(2)：140-150．

[16] 郝雨辰，竇曉波，吳在軍，等．微電網分層分布式能量優化管理[J]．電力自動化設備，2014，34(1)：154-162．

[17] 張鵬，李春燕，張謙．基于需求響應調度容量上報策略博弈的電網多代理系統調度模式[J]．電工技術學報，2017，32(19)：170-179．

[18] 蔡高原，吳紅斌，季宇，等．基于多代理系統的自治微電網有功協調控制[J]．太陽能學報，2017，38(3)：781-788．

[19] 曹洪剛，曹培．用于微電網MAS調度的拍賣算法[J]．智能電網，2014，2(1)：73-78．

[20] 牛銘，黃偉，郭佳歡，等．微網并網時的經濟運行研究[J]．電網技術，2010，34(11)：38-42．

[21] Deng Q J，Gao X，Zhou H．System modeling and optimization of microgrid using genetic algorithm

[C]//The 2nd International Conference on Intelligent Control and Information Processing．Harbin：IEEE，2011：540-544．

[22] 楊荔．基于NSGA2算法的復合式能源系統的優化與控制[D]．天津：天津理工大學，2017．

[23] 鄧富民，梁學棟，劉愛軍，等．多資源約束下改進NSGA-II算法的手術調度[J]．系統工程理論與實踐，2012，23(6)：1338-1345．

Multi-objective Optimization Scheduling of Microgrid Based on Multi-agent System

ZHU Hui, Lü Hongfang, YANG Xiaoming

(College of Electrical Engineering, Shanghai Dianji University, Pudong New Area, Shanghai 201306, China)

Multi-objective stable operation of microgrid under grid-connected condition is the basic requirement of microgrid operation and construction. Starting from the economic and environmental goals of grid-connected microgrid, a multi-objective optimization model of microgrid was established. The economic objectives considered the fuel cost, operating and maintenance cost, start-stop cost of distributed generation and energy interaction cost between microgrid and large grid. The environmental target considered emissions of polluted gases. A scheduling strategy of energy storage device based on multi-agent system (MAS) under time-of-use price mechanism was proposed, and an improved NSGA-II algorithm was used to optimize the output of the controllable micropower supply and energy storage device. Taking the microgrid unit in a certain area as an example, the effectiveness of the proposed model and the solution method were verified. The experimental results show that the improved NSGA-II algorithm has better performance, and the proposed strategy can control the number of charges and discharges in a cycle of energy storage device and prolong its service life.

microgrid; multi-agent system (MAS); optimized scheduling; time-of-use price; improved NSGA-II algorithm

10.12096/j.2096-4528.pgt.19056

2019-04-19。

(責任編輯 尚彩娟)