基于改進粒子群算法的微電網(wǎng)多目標優(yōu)化調(diào)度

李興莘，張靖，何宇，張英，劉影，晏開封

基于改進粒子群算法的微電網(wǎng)多目標優(yōu)化調(diào)度

李興莘1，張靖1，何宇1，張英2，劉影3，晏開封1

（1. 貴州大學 電氣工程學院，貴州 貴陽 550025； 2. 貴州電網(wǎng)公司 電力科學研究院，貴州 貴陽 550002； 3. 貴州電網(wǎng)公司 電網(wǎng)規(guī)劃研究中心，貴州 貴陽 550002）

微電網(wǎng)優(yōu)化調(diào)度作為智能電網(wǎng)優(yōu)化的重要組成部分，對降低能耗、環(huán)境污染具有重要意義。微電網(wǎng)的發(fā)展目標既要滿足電力供應的基本需求，又要提高經(jīng)濟效益和環(huán)境保護。對此，提出了一種綜合考慮微電網(wǎng)系統(tǒng)運行成本和環(huán)境保護成本的并網(wǎng)模式下微電網(wǎng)多目標優(yōu)化調(diào)度模型。同時采用改進的粒子群算法對優(yōu)化模型進行求解。仿真結(jié)果表明，該模型可以有效降低用戶的用電成本和環(huán)境污染，促進微電網(wǎng)的優(yōu)化運行，并驗證了改進的粒子群算法的優(yōu)越性能。

微電網(wǎng)；多目標；改進粒子群算法；優(yōu)化調(diào)度

0 引言

微電網(wǎng)優(yōu)化調(diào)度是指在滿足系統(tǒng)的各種約束條件下，合理安排不同的DG出力和微網(wǎng)與主網(wǎng)之間的輸電功率，從而達到低運行成本、低排放、高可靠性、高發(fā)電效率等不同目標。對于需求側(cè)來說，微電網(wǎng)的優(yōu)化調(diào)度可以有效降低用戶的用電成本。對于供電側(cè)來說，微電網(wǎng)優(yōu)化調(diào)度可以提高電網(wǎng)的穩(wěn)定性，減少電力生產(chǎn)的能量損耗以及環(huán)境污染。因此，對微電網(wǎng)進行優(yōu)化調(diào)度有重要的現(xiàn)實意義。

目前關(guān)于微電網(wǎng)運行調(diào)度方面已有大量研究。文獻[1]以運行經(jīng)濟效益、削峰填谷效應作為優(yōu)化目標，構(gòu)建氣電互聯(lián)虛擬電廠多目標模型。文獻[2]以運行成本、功率波動等調(diào)度目標建立了考慮電動汽車充放電策略的多目標模型，但以上文獻都未考慮環(huán)境污染問題。同時，微電網(wǎng)經(jīng)濟調(diào)度大多是一個多約束、非線性優(yōu)化問題。粒子群算法具有易于實現(xiàn)、可調(diào)參數(shù)少、收斂速度快、尋優(yōu)能力強等優(yōu)點[3]，因此它較多地應用在優(yōu)化領(lǐng)域。文獻[4,5]通過傳統(tǒng)粒子群算法求解以經(jīng)濟成本、環(huán)境成本以及功率波動為主的多目標模型，但傳統(tǒng)PSO算法卻易陷入局部最優(yōu)，為了克服這一缺點，本文著重從學習因子、慣性權(quán)重方面對粒子群算法進行改進。

基于以上考慮，本文從微電網(wǎng)的經(jīng)濟和環(huán)保方面出發(fā)，以微電網(wǎng)的運行成本、環(huán)境保護成本之和最小為目標，建立微電網(wǎng)環(huán)保與經(jīng)濟調(diào)度模型，并采用改進的PSO算法對優(yōu)化模型進行求解。仿真結(jié)果表明，改進的PSO優(yōu)化算法比傳統(tǒng)的PSO優(yōu)化算法具有更好的性能。同時，驗證了該模型的有效性和優(yōu)越性，可以有效降低能耗、環(huán)境污染成本。

1 微網(wǎng)系統(tǒng)運行優(yōu)化模型

1.1 微網(wǎng)內(nèi)分布式電源、儲能發(fā)電特性

（1）風力發(fā)電機模型

風力發(fā)電機（WT）的風速功率特性曲線[6]表達式為：

（2）光伏（PV）發(fā)電數(shù)學模型

在微電網(wǎng)優(yōu)化調(diào)度中，必須對光伏電池的功率進行預測。光伏電池的輸出功率模型[7]如下所示：

（3）柴油發(fā)電機模型

柴油機是一種常用的燃料發(fā)電機[8]，在運行過程中會產(chǎn)生燃料費、運維費、污染物處理費。

式中：DE.OM()、DE.F()、DE.EN()分別為時刻柴油機的運維成本、燃料成本、污染物處理成本。DE()是柴油機在時刻的發(fā)電量；DE.OM是柴油機的運行維護成本系數(shù)；de,k是柴油機運行產(chǎn)生的類污染物的排放量；C是處理類污染物的成本系數(shù)；、、為柴油機的系數(shù)。

（4）微型燃氣輪機模型

燃氣輪機通過消耗燃料發(fā)電。微型燃氣輪機輸出功率可自由調(diào)節(jié)，響應速度快[9]。

式中：MT()是微型燃氣輪機的有功輸出功率；MT()是微型燃氣輪機的運行效率。燃氣輪機通過消耗燃料發(fā)電，在運行過程中會產(chǎn)生燃料費、運維費用、污染物處理費，表達式如下：

式中：MT.OM()、MT.F()、MT.EN()分別為時刻柴油機的運維成本、燃料成本、污染物處理成本；MT()是柴油機在時刻的發(fā)電量；MT.OM是柴油機的運行維護成本系數(shù)；mt,k是柴油機運行產(chǎn)生的類污染物的排放量；C是處理類污染物的成本系數(shù)。

（5）蓄電池模型

蓄電池作為儲能的一種設(shè)備，在可再生能源不能滿足負荷的情況下會將儲存的能量釋放出來，為用戶提供穩(wěn)定的電源，保證系統(tǒng)的安全穩(wěn)定運行。

式中：()為時刻蓄電池的剩余容量；bess()為時刻蓄電池的充放電功率，為正表示充電，為負表示放電；+、–分別為充放電效率。

1.2 微電網(wǎng)多目標優(yōu)化模型。

1.2.1 目標函數(shù)

（1）微電網(wǎng)的運行成本。

在并網(wǎng)模式下的目標是最小化微電網(wǎng)的運行成本。

式中：grid()、bess()、MT()、DE()分別為時段微電網(wǎng)與主電網(wǎng)相互作用的總成本、儲能的維護成本、微型燃氣輪機的總運行成本以及柴油發(fā)電機總運行成本；bess()是儲能在時刻的功率；sell()、buy()分別為時刻微電網(wǎng)與大電網(wǎng)的售電功率、購電功率；buy()、sell()分別為時刻微電網(wǎng)與大電網(wǎng)的購售電價。

（2）微電網(wǎng)的環(huán)境保護成本。

式中：GRID.EN()為大電網(wǎng)的污染物處理成本；grid,k是大電網(wǎng)運行產(chǎn)生的類污染物的排放量；C是處理類污染物的成本系數(shù)。

1.2.2 微電網(wǎng)調(diào)度模型的目標函數(shù)

調(diào)度模型的目標函數(shù)是總成本最小，不僅包括運營成本，還包括環(huán)境保護成本。因此，目標函數(shù)定義如下：

式中：是微電網(wǎng)的總成本，由微電網(wǎng)的運行成本和環(huán)境保護成本之和組成。

1.2.3 約束條件

（1）功率平衡約束：

（2）柴油發(fā)電機出力約束：

（3）微型燃氣輪機出力約束：

（4）聯(lián)絡(luò)線傳輸功率約束：

（5）儲能裝置約束：

2 模型求解

微電網(wǎng)優(yōu)化調(diào)度是典型的電力系統(tǒng)優(yōu)化問題，具有高維、非線性、多約束等特點[10]。與遺傳算法等算法相比，PSO算法的優(yōu)化能力較強。同時，它對優(yōu)化問題求解時更容易應用。因此，本文提出的微電網(wǎng)優(yōu)化模型采用粒子群算法求解。

2.1 傳統(tǒng)粒子群算法

PSO算法中的每個粒子都用位置和速度矢量來描述，其中位置矢量表示問題的可能解，速度矢量表示位置變化的方向和大小[11]。假設(shè)粒子總數(shù)為，則第個粒子在維度中的位置和速度表示如下：

每個粒子通過跟蹤它們之前的個體最佳位置和群體最佳位置來調(diào)整它們的速度和位置，這兩個最佳位置表示為：

PSO算法的速度和位置更新公式[12]表示為：

2.2 改進粒子群算法

PSO算法的性能受參數(shù)的選擇影響。傳統(tǒng)PSO算法的慣性權(quán)重因子和學習因子是固定不變的，容易陷入局部最優(yōu)值[13]。針對這一缺點，從慣性權(quán)重因子和學習因子兩個方面對粒子群算法進行了改進。改進后的策略如下。

式中：是當前迭代次數(shù)；是總迭代次數(shù)；s和e是慣性權(quán)重因子的初始值和終止值。在迭代初期，較大的使算法不宜陷入局部極小值，便于全局搜索[14]。在迭代后期，較小的有利于局部搜索，有利于算法的收斂；1s和1e是1的初始值和停止值，1s大于1e；2s和2e是的初始值和停止值，2s小于2e。在迭代初期，大1和小2使粒子具有較好的自學習能力和較差的社會學習能力，有利于全局搜索。在迭代后期，小1和大2使粒子具有較強的社會學習能力和較差的自學習能力，有利于算法的收斂。

3 算例結(jié)果與分析

3.1 算例參數(shù)

本文的微電網(wǎng)系統(tǒng)包含各種分布式電源，包括PV、WT、DE、MT和儲能，微網(wǎng)中各個DG的運行參數(shù)與成本見表1，各個DG污染物排放系數(shù)及成本[15]見表2，儲能參數(shù)見表3。實時電價參考文獻[16]。

表1 機組參數(shù)

表2 污染物排放系數(shù)及成本

表3 儲能參數(shù)

微電網(wǎng)的典型日風、光與負荷日前預測數(shù)據(jù)如圖1所示。

圖1 光伏、風電和負荷功率預測值

3.2 結(jié)果分析

3.2.1 粒子群算法的比較分析

表4 傳統(tǒng)PSO與改進PSO比較

從表4可以看出，改進后的PSO算法在運行時間、最優(yōu)值和平均值3個方面均優(yōu)于傳統(tǒng)PSO算法。因此，改進的粒子群算法比傳統(tǒng)的粒子群算法具有更好的性能。兩種算法最優(yōu)值收斂曲線對比如圖2所示。

圖2 兩種算法收斂曲線比較

從圖2可以看出，傳統(tǒng)PSO算法的收斂速度比改進PSO算法快，在第100代左右收斂，而改進PSO算法在第170代左右收斂。這意味著傳統(tǒng)的粒子群算法很容易陷入局部最優(yōu)值，而改進的粒子群算法具有更好的全局探索能力。因此，本文提出的改進PSO算法優(yōu)于傳統(tǒng)的PSO算法。

3.2.2 目標函數(shù)的比較分析

本文提出的調(diào)度模型的目標函數(shù)是最小化微電網(wǎng)的總成本，包括微電網(wǎng)的運行成本和環(huán)保成本。為了比較目標函數(shù)對調(diào)度結(jié)果的影響，討論了不同目標函數(shù)的調(diào)度結(jié)果。圖3顯示了不同目標函數(shù)下的調(diào)度結(jié)果。

從圖3可以看出，無論選擇哪種目標函數(shù)，儲能作為輔助調(diào)節(jié)作用，電價低的時候充電，電價高的時候放電，降低了經(jīng)濟與環(huán)保成本。同時由于光伏和風電的總發(fā)電量不能滿足系統(tǒng)的負荷需求，系統(tǒng)只能從主網(wǎng)購電、分布式電源輸出電能滿足負荷需求。當選擇運行成本為目標函數(shù)時，微電網(wǎng)首先利用DE發(fā)電滿足負荷需求，這是因為MT的發(fā)電成本高于DE的發(fā)電成本。當選擇環(huán)保成本作為目標函數(shù)時，MT的輸出功率遠遠高于DE的輸出功率和購電功率，這是因為從表2可知，MT的SO2和NO排放量比DE和主電網(wǎng)小且SO2和NO的治理成本遠大于CO2的治理成本，因此MT的環(huán)境保護成本比DE和主電網(wǎng)小。在選擇總成本作為目標函數(shù)時，綜合考慮運行成本和環(huán)境保護成本后，MT、DE基本滿發(fā)滿足負荷需求，這是由于MT和DE的綜合效益比從主網(wǎng)購電的綜合效益大。

4 結(jié)論

本文以微電網(wǎng)系統(tǒng)運行成本和環(huán)境保護成本為目標構(gòu)建并網(wǎng)模式下微電網(wǎng)多目標優(yōu)化調(diào)度模型，并采用改進的PSO算法來求解提出的模型。仿真結(jié)果表明，該模型可以有效降低用戶的用電成本和環(huán)境污染，促進微電網(wǎng)的優(yōu)化運行，同時，與傳統(tǒng)粒子群算法相比，改進粒子群算法優(yōu)化精度更高。

[1] 張軍六, 樊偉, 譚忠富, 等. 計及需求響應的氣電互聯(lián)虛擬電廠多目標調(diào)度優(yōu)化模型[J]. 電力建設(shè), 2020, 41(2): 1-10. ZHANG JUNLIU, FAN WEI, TAN ZHONGFU, et al. Multi-objective optimization model of gas-electricity interconnected virtual power plant considering demand response[J]. Electric Power Construction, 2020, 41(2): 1-10(in Chinese).

[2] HOU HUI, XUE MENGYA, XU YAN, et al. Multi-objective economic dispatch of a micro grid considering electric vehicle and transferable load[J]. Applied Energy, 2020, 262:1144.

[3] 楊俊勝, 沈航馳, 葛鵬, 等. 粒子群優(yōu)化算法[J]. 軟件, 2020, 41(5): 228-230. YANG JUNSHENG, SHEN HANGCHI, GE PENG, et al. Particle swarm optimization algorithm[J]. Computer Engineering & Software, 2020, 41(5): 228-230(in Chinese).

[4] 徐紫東, 許志陽, 燕智超, 等. 基于粒子群算法的源網(wǎng)荷儲微電網(wǎng)儲能優(yōu)化技術(shù)[J]. 電工技術(shù), 2020(14): 13-15. XU ZIDONG, XU ZHIYANG, YAN ZHICHAO, et al. Optimization technology of energy storage and microgrid energy storage based on particle swarm algorithm[J]. Electric Engineering, 2020(14): 13-15(in Chinese).

[5] 王麗明. 基于粒子群算法的孤島微電網(wǎng)優(yōu)化調(diào)度研究[J].電工技術(shù), 2020(4): 55-57. WANG LIMING. Research on optimization dispatching of island microgrid based on PSO[J]. Electric Engineering, 2020(4): 55-57(in Chinese).

[6] LACAL-ARANTEGUI R. Materials use in electricity generators in wind turbines state-of-the-art and future specifications[J]. Journal of Cleaner Production, 2015(87): 275-283.

[7] 王子龍, 于東立, 門向陽, 等. 含壓縮空氣儲能的能源互聯(lián)微網(wǎng)型系統(tǒng)優(yōu)化配置[J]. 電力需求側(cè)管理, 2018, 20(6): 40-45. WANG ZILONG, YU DONGLI, MEN XIANGYANG, et al. Optimal configuration of energy interconnection microgrid system with compressed air energy storage[J]. Power Demand Side Management, 2018, 20(6): 40-45(in Chinese).

[8] 甘陽. 考慮需求響應的獨立微電網(wǎng)多目標優(yōu)化配置研究[D]. 鄭州: 鄭州大學, 2018. GAN YANG. Research on multi-objective optimal sizing of stand-alone microgrid considering demand response[D]. Zhengzhou: Zhengzhou University, 2018(in Chinese).

[9] 李國慶, 翟曉娟, 李揚, 等. 基于改進蟻群算法的微電網(wǎng)多目標模糊優(yōu)化運行[J]. 太陽能學報, 2018, 39(8): 2310-2317. LI GUOQING, ZHAI XIAOJUAN, LI YANG, et al. Multi-objective fuzzy optimization of micro-grid based on improved ant colony algorithm[J]. Acta Energiae Solaris Sinica, 2018, 39(8): 2310–2317(in Chinese).

[10] 崔楊, 姜濤, 仲悟之, 等. 考慮風電消納的區(qū)域綜合能源系統(tǒng)源荷協(xié)調(diào)經(jīng)濟調(diào)度[J]. 電網(wǎng)技術(shù), 2020, 44(7): 2474-2483. CUI YANG, JIANG TAO, ZHONG WUZHI, et al. Source-load coordination economic dispatch method for regional integrated energy system considering wind power consumption[J]. Power System Technology, 2020, 44(7): 2474-2483(in Chinese).

[11] HOSSAIN M A, POTA H R, SQUARTINI S, et al. Energy scheduling of community microgrid with battery cost using particle swarm optimization[J]. Applied Energy, 2019, 254(15): 1-14.

[12] BASU M. Modified particle swarm optimization for nonconvex economic dispatch problems[J]. International Journal of Electrical Power & Energy Systems, 2015, 69(1): 304-312.

[13] THARWAT A, ELHOSENY M, HASSANIEN A E, et al. Intelligent Bézier curve-based path planning model using Chaotic Particle Swarm Optimization algorithm[J]. Cluster Computing, 2019, 22(4): 1-22.

[14] LIU Q, WANG K. Research on civil aviation universal service standard based on tessellation model and particle swarm optimization[J]. International Journal of Advanced Manufacturing Technology, 2020, 106(4): 1-8.

[15] LU X, ZHOU K, Yang S. Multi-objective optimal dispatch of microgrid containing electric vehicles[J]. Journal of Cleaner Production, 2017, 165(1): 1572-1581.

[16] AMJAD A M ALIREZA S, et al. Multi-objective operation management of a renewable MG (micro-grid) with back-up micro-turbine/fuel cell/battery hybrid power source[J]. Energy, 2011, 36(11): 6490-6507.

Multi-objective Optimization Dispatching of Microgrid Based on Improved Particle Swarm Algorithm

LI Xingshen1, ZHANG Jing1, HE Yu1, ZHANG Ying2, LIU Ying3, YAN Kaifeng1

(1. Electrical Engineering College, Guizhou University, Guiyang 550025, China; 2. Electric Power Research Institute, Guizhou Power Grid Co., Ltd., Guiyang 550002, China; 3. Power Grid Planning Research Center, Guizhou Power Grid Co., Ltd., Guiyang 550002, China)

As an important part of smart grid optimization, microgrid optimization dispatching is of great significance to reduce energy consumption and environmental pollution. The development goal of microgrid is not only to meet the basic needs of power supply, but also to improve economic benefits and environmental protection. In this paper, a multi-objective optimization dispatching model of microgrid under grid-connected mode is proposed, which comprehensively takes the operation cost of microgrid system and the cost of environmental protection into consideration. Meanwhile, an improved particle swarm optimization algorithm is proposed to seek the solution of the optimization model. The simulation results show that the model can effectively reduce the electricity cost and environmental pollution of users, promote the optimal operation of microgrid, and verify the superior performance of the improved particle swarm optimization algorithm.

microgrid; multi-objective; improved particle swarm algorithm; optimization dispatching

TM73

A

1672-0792(2021)03-0001-07

10.3969/j.ISSN.1672-0792.2021.03.001

2020-12-11

國家自然科學基金（51867005）

李興莘（1995—），男，碩士研究生，研究方向為基于需求響應的微電網(wǎng)優(yōu)化調(diào)度；

張 靖（1979—），男，教授，研究方向為電力系統(tǒng)穩(wěn)定、運行與控制等；

何 宇（1978—），女，副教授，研究方向為電力系統(tǒng)規(guī)劃、電力系統(tǒng)穩(wěn)定與運行等；

張 英（1978—），女，教授，研究方向為高壓電氣設(shè)備絕緣在線監(jiān)測和故障診斷、絕緣材料應用以及大氣壓等離子體；

劉 影（1978—），男，高級工程師，主要從事電力系統(tǒng)規(guī)劃；

晏開封（1995—），男，碩士研究生，研究方向為電力系統(tǒng)運行與控制。

張 靖