基于改進鯨魚優化算法的微網系統能量優化管理

譚智鋼， 程 靜,2*， 王維慶,2

(1.新疆大學電氣工程學院， 烏魯木齊 830047； 2.可再生能源并網與控制技術教育部工程中心， 烏魯木齊 830047)

微網系統作為一種清潔高效的發電系統，近年來受到密切關注。微網系統模型可分為并網型微網系統、孤島型微網系統和冷熱電聯供型微網系統。并網型微網系統作為一種基礎的類型，可滿足區域內單一負荷類型的需求，難以同時滿足多種負荷類型的需求，孤島型微網系統由于受到地理位置等環境因素的限制，難以在大范圍內推廣使用，冷熱電聯供型微網(combined cooling heating and power，CCHP)[1-2]綜合了并網型微網模型與電網進行交互的優點，而且克服了孤島型微網受地理環境等因素影響的缺點[3]，可以更好地滿足樓宇、辦公樓等居民居住地區不同類型負荷的需求。

文獻[4]對包含直流負荷、蓄電池、光伏的直流微網能量優化管理進行了研究，綜合考慮各組成部分成本和收益，采用粒子群優化算法對模型進行求解。文獻[5]提出了一種并行多目標微分進化算法，使孤島型微網實現節能減排的同時提升風光消納率。文獻[6]引入一種復合粒子群優化算法求解微電網能量管理多目標優化模型，解決了傳統優化算法存在陷入局部最優的問題。文獻[7]提出了一種解決微網群能量管理中各分布式電源出力分配問題的優化策略，并利用遺傳-禁忌搜索算法進行目標函數尋優。文獻[8]提出了一種基于功率交換單元和能量池的微網群結構并研究其能量優化管理問題,并采用基于變異粒子群算法的優化方法求解優化模型。文獻[9]提出一種含有風光儲和電動汽車的配網能量管理控制優化混合整數線性規劃模型，利用啟發式算法求解該模型。文獻[10]提出了一種改進型自適應粒子群算法，求解考慮各子微網互為備用的獨立型直流微網群混合儲能聯合優化問題。

上述研究都是針對單一時間尺度下的CCHP系統進行能量優化管理，沒有充分利用歷史數據，從歷史數據集中學習經驗。其次，采取的優化方法存在過早陷入局部最優、收斂速度過慢等問題，有進一步提升的空間。為此，提出了一種基于改進鯨魚優化算法的多時間尺度下CCHP系統能量優化管理方法，首先依據歷史數據對目標日的氣象數據和負荷需求進行預測，然后在預測數據的基礎上采用改進鯨魚優化算法對目標日各設備的出力進行優化，為目標日設備的實際出力提供參考，最終實現CCHP系統運行經濟成本最小和環境效益最大的目標。

1 冷熱電聯供型微網系統

冷熱電聯供型微網系統主要提供冷、熱、電3種形式的能量，可實現能源的綜合利用和高效利用。所研究的CCHP系統主要包括光伏發電系統、風力發電系統、聯供單元、儲能系統、燃氣輪機等設備，CCHP系統能量流向圖如圖1所示。

圖1 CCHP系統能量流向圖Fig.1 Energy flow diagram of CCHP system

1.1 蓄電池模型

蓄電池作為供電設備的重要補充，是CCHP系統供電過程很重要的一環。蓄電池在t時刻的荷電狀態(state of charge，SOC)與t-1時刻的荷電狀態和t-1～t時刻的充放電功率有關，可表示為

(1)

(2)

式中：SOC(t)為蓄電池在t時刻的荷電狀態；SOC(t-1)為蓄電池在t-1時刻的荷電狀態；Pcharge(t)和Pdischarge(t)分別為蓄電池在t時刻的充電功率和放電功率；Δt為充放電時間間隔；μcharge和μdischarge分別為蓄電池的充電和放電效率；E為蓄電池的容量。

蓄電池在運行過程中還要滿足一定的約束條件，蓄電池模型約束條件為

SOCmin≤SOC(t)≤SOCmax

(3)

(4)

(5)

1.2 燃氣鍋爐模型

燃氣鍋爐是CCHP系統中產生熱能的重要設備，當微型燃氣輪機和蓄熱裝置都無法滿足熱負荷的需求時，燃氣鍋爐作為可控設備啟動以實現熱能的平衡。燃氣鍋爐的數學模型可表示為

Hgas(t)=Fgas(t)ρgasμgas

(6)

式(6)中：Hgas(t)為t時刻燃氣鍋爐產生的熱能；Fgas(t)為燃氣鍋爐在t時刻消耗的天然氣量；ρgas為天然氣熱值；μgas為燃氣鍋爐的制熱效率。

燃氣鍋爐在運行過程中，也要滿足一定的約束條件：

(7)

1.3 聯供單元模型

聯供單元是CCHP系統的核心組成部分，作為可控設備不僅可以產生電能，而且還可以將產生電能過程中的余熱加以回收產生熱能，極大地提高了燃料的利用效率。

Pmt(t)=Fmt(t)ρmtμmt

(8)

式(8)中：Pmt(t)為t時刻聯供單元產生的電能；Fmt(t)為t時刻聯供單元消耗的天然氣量；ρmt為天然氣熱值；μmt為聯供單元的發電效率。

聯供單元在產生電能的過程中也要滿足一定的約束條件：

(9)

聯供單元在發電的同時還會產生大量余熱，發熱功率和消耗的天然氣之間的關系為

Hmt(t)=Fmt(t)ρmt(1-μmt)

(10)

式(10)中：Hmt(t)為t時刻聯供單元輸出的熱能。

聯供單元輸出熱能的過程中要滿足一定的約束條件：

(11)

1.4 制冷模型

1.4.1 吸附式制冷機模型

吸附式制冷機不僅可以吸收聯供單元產生的熱功率，還可以吸收燃氣鍋爐產生的熱功率，轉換關系為

Cac(t)=Hac(t)μac

(12)

式(12)中：Cac(t)為吸附式制冷機在t時刻輸出的冷功率；Hac(t)為吸附式制冷機在t時刻吸收的熱功率；μac為吸附式制冷機的熱冷轉換效率。

吸附式制冷機在運行過程中要滿足約束條件：

(13)

1.4.2 電制冷機模型

電制冷機是將CCHP系統中產生的電能轉換為冷能的設備，吸附式制冷機形成互補，充分利用CCHP系統中可控設備產生的能量形式，提高整個CCHP系統的能量利用效率。

電制冷機將電能轉換為冷能的公式為

Cec(t)=Pec(t)μec

(14)

式(14)中：Cec(t)為電制冷機在t時刻產生的冷功率；Pec(t)為電制冷機在t時刻吸收的電功率；μec為電制冷機的電冷轉換效率。

1.5 蓄熱裝置模型

蓄熱槽轉移熱能以緩解熱電需求不匹配問題，實現對熱負荷削峰填谷的作用。蓄熱槽模型為

Htst(t)=Htst(t-1)+Hcharge(t)μtst,chargeΔt

(15)

Htst(t)=Htst(t-1)+Hdischarge(t)/μtst,dischargeΔt

(16)

式中：Htst(t)和Htst(t-1)分別為t時刻和t-1時刻蓄熱槽存儲的熱能；Hcharge(t)和Hdischarge(t)分別為蓄熱槽在T時刻的蓄熱和放熱功率；μtst,charge和μtst,discharge分別為蓄熱槽的蓄熱和放熱效率。

蓄熱槽在運行過程中要滿足約束條件：

(17)

(18)

(19)

1.6 熱交換裝置

在CCHP系統中，熱交換裝置將聯供單元產生的余熱和燃氣鍋爐產生熱能統一吸收后直接滿足熱負荷需求或者供給吸附式制冷機滿足冷負荷需求，其輸出熱功率和輸入熱功率與轉換效率有關，可表示為

Hhe(t)=Hhe,in(t)μhe

(20)

式(20)中：Hhe(t)和Hhe,in(t)分別為熱交換裝置的輸出和輸入功率；μhe為熱交換裝置的交換效率。

2 長短期記憶網絡

長短期記憶網絡(long short term memory, LSTM)[11-12]作為一種特殊的循環神經網絡(recu-rrent neural network, RNN)，主要用于解決長序列訓練過程中的梯度消失和梯度爆炸問題。典型的LSTM結構如圖2所示。

圖2 典型LSTM結構Fig.2 Typical LSTM structure

3 改進鯨魚優化算法

鯨魚優化算法(whale optimization algorithm，WOA)是受到鯨魚在海底運用氣泡捕食法捕食的啟發而發明的一種優化算法，主要包括：圍捕階段和氣泡捕食階段[13-14]。

3.1 圍捕階段

在圍捕階段，鯨魚可以感知獵物的位置并將其包圍。WOA假設當前種群中最優的個體為最優解，其他個體向最優解靠近并更新位置，可表示為

D=|CX*(t′)-X(t′)|

(21)

X(t′+1)=X*(t′)-AD

(22)

式中：t′為當前迭代次數；A、C為系數向量；X*為當前種群的最優個體；X為更新后的個體。

系數向量A和C的表達式分別為

A=2ar-a

(23)

C=2r

(24)

式中：a為隨著迭代次數的增加由2線性遞減到0的向量；r為[0,1]范圍內的隨機向量。

3.2 氣泡捕食階段

氣泡捕食階段主要包括3個過程：收縮包圍、螺旋更新和探索。

收縮包圍過程通過a隨著迭代次數的增加而減少來實現，當a線性遞減的同時A也隨之減少，個體位置隨之更新，在二維空間內個體位置發生變化，向獵物位置靠近。

螺旋更新過程通過計算個體當前位置和獵物位置之間的距離，使個體向獵物位置靠近，實現個體位置更新。更新公式為

X(t′+1)=D′eblcos(2πl)+X*(t′)

(25)

式(25)中：D′=|X*(t′)-X(t′)|為鯨魚個體與獵物之間的位置；b為一常數值用來定義螺旋線圈的形狀；l為[-1,1]的隨機數。

鯨魚在圍捕獵物的同時繞螺旋線圈收縮圍捕半徑，假設有50%的概率在縮小包圍圈和螺旋更新中進行。選擇更新個體位置，可表示為

(26)

式(26)中：p為[0,1]的隨機數。

探索過程是鯨魚在捕食階段從種群中隨機選擇個體進行位置更新，可表示為

D=|CXrand(t′)-X|

(27)

X(t′+1)=Xrand(t′)-AD

(28)

式中：Xrand(t′)為從當前種群中隨機選取的個體。

3.3 非線性更新因子

在原始鯨魚優化算法的基礎上引入非線性更新因子取代原有的系數向量A和C，從而增加種群的豐富性。引入的非線性更新因子為

(29)

式(29)中：t′為當前迭代次數；tmax為最大迭代次數。收斂因子在前期迭代過程中數值較大，可以在前期探索種群多樣性，增強全局搜索能力；在后期迭代過程中，數值逐漸減小，局部范圍內增加種群多樣性，增強局部搜索能力。

3.4 交叉規則

為了增加鯨魚種群中個體的多樣性，將探索階段的變化公式進行修改，引入交叉規則，使隨機產生的個體與現有個體進行融合，以此來增加種群在迭代過程中的多樣性。

X(t′+1)=

(30)

式(30)中：Xrand(t′)為從當前種群中隨機選擇的個體。

4 算例分析

選取某樓宇作為算例驗證所提算法的有效性，氣象數據源自美國國家海洋和大氣管理局[15]，選取CCHP系統的整體運行成本和環境效益為目標函數，采用改進鯨魚優化算法在多時間尺度下優化圖1所示的CCHP系統，系統中各設備參數見參考文獻[16]。

所討論的CCHP系統主要考慮整個系統在運行過程中的成本和設備的固定購置成本，成本計算公式為

M=Mr+Me+ωMv

(31)

(32)

(33)

(34)

式中：Mr為運行成本，主要包括t時刻聯供單元和燃氣輪機在運行過程中消耗天然氣的成本Mgas(t)，以及當系統中t時刻主動出力設備無法滿足電能需求時從電網的購電成本Mbuy(t)之和；Me為系統中運行設備的購置成本；Mv為t時刻電負荷缺額Pvacancy(t)、熱負荷缺額Hvacancy(t)和冷負荷缺額Cvacancy(t)之和；Mm為設備購置費用；ω為懲罰因子，當系統無法滿足冷熱電負荷需求時系統運行成本將大大增加，將3種成本按權重疊加構成改進鯨魚優化算法(improved whale optimization algorithm, IWOA)的目標函數。

多時間尺度模式為在日前LSTM學習一個月內前29 d的負荷和天氣數據，預測得到最后一天的負荷和天氣數據，運用IWOA對CCHP系統中各設備的出力進行優化，得到最優運行成本下各設備的出力情況；日內調度根據實時負荷和天氣數據對各設備出力進行調整。考慮到機械設備啟停成本的因素，在日內對設備出力進行優化時，電負荷缺額和盈余由電網供給或消納，冷熱負荷缺額由燃氣輪機補充。

圖3 LSTM預測負荷曲線Fig.3 Predicted curve of loads by LSTM

4.1 日前優化結果分析

經過LSTM預測得到的冷熱電負荷數據如圖3所示。IWOA由預測和氣象數據獲得負荷數據及風電、光伏出力，對其余設備出力情況進行優化，優化后與差分進化算法(differential evolution, DE)、粒子群算法(particle swarm optimization, PSO)、野草算法(invasive weed optimization, IWO)進行對比，結果如表1所示。由表1可見，IWOA得到的最佳優化成本較其他優化算法平均提升4.03%。

各種算法的迭代收斂曲線如圖4所示。可以看出，IWOA具有更強的全局搜索能力，在對比算法陷入局部最優的情況下依然可以繼續進行全局搜索，尋找更優成本。在搜索速度方面僅次于PSO算法，但PSO算法的最佳優化成本遠低于IWOA算法收斂后的最佳優化成本。其余3種算法的收斂速度均慢于IWOA，可見，IWOA算法在收斂速度和收斂結果方面具有明顯優勢。

圖4 不同算法收斂曲線對比Fig.4 Comparison of convergence curves of different algorithms

獲得LSTM日前預測的負荷數據和天氣數據后，運用IWOA算法對CCHP系統中各個設備的容量進行優化，得到日前預測數據下各個設備的輸出功率情況，在進行優化過程中，對冷熱功率平衡進行解耦，將電制冷機輸出的冷功率折算為電功率歸入電功率平衡中，將吸附式制冷機產生的冷功率折算熱功率歸入熱功率平衡中。冷熱功率平衡和電功率平衡如圖5、圖6所示。

結合圖5和圖6可以得出，經過IWOA優化后各設備的輸出功率均可以滿足電負荷和冷熱負荷需求，達到100%滿足需求。從圖6可以看出，電負荷主要由風電和光伏系統滿足，其余大部分電負荷缺額由聯供單元滿足，少部分負荷缺額由蓄電池放出的電功率滿足。CCHP中的設備可以滿足電負荷需求，不需要與電網進行交互。從圖5可以看出，冷熱負荷需求主要由燃氣鍋爐輸出的熱功率滿足，聯供單元輸出熱功率主要受聯供單元輸出電功率限制，極小部分冷熱負荷由蓄熱槽提供的熱功率滿足。

表1 優化結果對比Table 1 Comparison of optimization results

TST為蓄熱裝置產生的熱能；GAS為燃氣鍋爐產生的熱能； MT為聯供單元產生的熱能；H為熱負荷需求圖5 冷熱功率平衡曲線Fig.5 Cooling and heating power balance curve

Grid為CCHP微網與電網交互的電能；BAT_in為蓄電池吸收的電能； BAT_out為蓄電池釋放的電能；MT為聯供單元產生的電能；PV為 光伏系統產生的電能；WIND為風力系統產生的電能；L為電能需求圖6 電功率平衡曲線Fig.6 Electric power balance curve

4.2 日內運行結果分析

得到日前各設備出力情況后，根據實時數據修正設備輸出，光伏和風電系統的日前、日后輸出功率如圖7、圖8所示，與電網交互功率如圖9所示，燃氣鍋爐輸出功率如圖10所示。

圖7 光伏系統輸出功率曲線Fig.7 Output power curve of photovoltaic system

圖8 風力發電系統輸出功率曲線Fig.8 Output power curve of wind system

圖9 電網交互功率曲線Fig.9 Grid interactive power curve

圖10 燃氣鍋爐輸出功率曲線Fig.10 Output power curve of gas boiler

由修正后的日內各設備運行情況來看，風電和光伏系統的日前和日內運行情況相差較小，日前預測得到的功率可作為日內輸出功率的參考，提前安排設備容量；與電網交互成本變化較大的原因為日內電負荷需求只由電網進行消納和吸收，這主要是考慮到其他運行設備的啟停成本和調度靈活性方面。與電網交互相比設備，更加方便快捷，可及時滿足電負荷需求；燃氣鍋爐的日前和日內輸出功率變化特點顯著，白天變化很小，是因為白天新能源設備產生的電功率可滿足一部分冷負荷需求，燃氣鍋爐只需滿足部分冷負荷需求；而在夜間，新能源設備輸出功率減少，大部分冷負荷需求轉移到吸附式制冷機，制冷機需要吸收大量熱功率，將其轉換為冷功率來滿足冷負荷需求。

5 結論

針對包含多種可再生能源的冷熱電聯供型微網的容量，綜合考慮系統的運行成本和環境成本，運用改進鯨魚優化算法對日前系統運行進行優化，通過算例驗證了改進算法的優越性，得出如下結論。

(1)在日前結合LSTM預測的優化結果可為日內設備運行提供參考，最大程度減少設備頻繁啟停的運行成本，使設備在日前和日內出力誤差最小的情況下滿足冷熱電負荷需求。

(2)改進鯨魚優化算法與其他算法相比，最佳優化成本平均降低4.02%，避免陷入局部最優，收斂速度方面明顯提升，可更高效地得到優化結果，實現能量調度。