含規(guī)模化充電樁的微電網(wǎng)運(yùn)行優(yōu)化方法

于會(huì)群，蔡國(guó)順，時(shí)珊珊，張 浩，彭道剛，尹 申

（1.上海電力大學(xué)自動(dòng)化工程學(xué)院，上海 200090；2.國(guó)網(wǎng)上海市電力公司電力科學(xué)研究院，上海 200437；3.同濟(jì)大學(xué)電子與信息工程學(xué)院，上海 200090）

由于國(guó)家大力提倡利用清潔能源發(fā)電，使分布式能源發(fā)電的裝機(jī)容量占比越來(lái)越大，有效利用分布式能源對(duì)促進(jìn)節(jié)能減排，實(shí)現(xiàn)能源可持續(xù)發(fā)展具有重要作用。隨著車網(wǎng)互動(dòng)V2G（vehicle-to-grid）技術(shù)在電動(dòng)汽車EV（electric vehicle）行業(yè)的快速發(fā)展，如何利用區(qū)域內(nèi)裝設(shè)大規(guī)模雙向充電樁，實(shí)現(xiàn)車網(wǎng)雙向互動(dòng)，讓規(guī)模化電動(dòng)汽車EVs（electric ve?hicles）參與微電網(wǎng)的經(jīng)濟(jì)優(yōu)化管理[1]，使微電網(wǎng)的調(diào)控手段更加豐富靈活，安全應(yīng)急響應(yīng)能力更強(qiáng)，已成為當(dāng)今研究的熱點(diǎn)之一。

目前，已有的文獻(xiàn)關(guān)于EV參與微電網(wǎng)優(yōu)化管理的研究均集中在經(jīng)濟(jì)分析和降低負(fù)荷峰谷差等方面。文獻(xiàn)[1-2]利用EV分布的時(shí)空特征，構(gòu)建EV有序充放電的負(fù)荷模型和實(shí)時(shí)電價(jià)響應(yīng)模型，并將EV與其他分布式發(fā)電單元參與微電網(wǎng)的經(jīng)濟(jì)調(diào)度；文獻(xiàn)[3]為使研究微電網(wǎng)中EV換電站與微電網(wǎng)所屬不同的決策機(jī)構(gòu)效益達(dá)到最優(yōu)，構(gòu)建了微電網(wǎng)經(jīng)濟(jì)調(diào)度雙層優(yōu)化模型；文獻(xiàn)[4]為解決大規(guī)模EVs接入配電網(wǎng)引起負(fù)荷峰值增加的難題，提出一種含大規(guī)模EVs接入的配電網(wǎng)多目標(biāo)優(yōu)化調(diào)度方法，該方法以優(yōu)化EV充電來(lái)降低系統(tǒng)負(fù)荷峰谷差。然而，上述文獻(xiàn)構(gòu)建的經(jīng)濟(jì)調(diào)度模型只是單獨(dú)考慮微電網(wǎng)經(jīng)濟(jì)性、用戶利益和微電網(wǎng)運(yùn)行的安全性這3個(gè)要素，而未把微電網(wǎng)運(yùn)行管理的安全性、經(jīng)濟(jì)性和EV用戶參與意愿進(jìn)行統(tǒng)籌考慮。

對(duì)于多目標(biāo)優(yōu)化問(wèn)題的求解方法主要分為3類：①基于數(shù)學(xué)方法，例如，采用混合整數(shù)線性規(guī)劃MILP（mixed integer linear programming）、混合整數(shù)非線性規(guī)劃MINLP（mixed integer nonlinear program?ming）[5]方法。但由于優(yōu)化調(diào)度問(wèn)題的維數(shù)不斷增加，導(dǎo)致這些方法的計(jì)算量巨大。②改進(jìn)的粒子群優(yōu)化PSO（particle swarm optimization）算法，例如，采用PSO算法與差分進(jìn)化DE（differential evolution）算法相結(jié)合[6]，隨機(jī)漂移粒子群優(yōu)化RDPSO（random drift particle swarm optimization）算法和帝國(guó)主義競(jìng)爭(zhēng)算法 ICA（imperialist competition algorithm）結(jié)合[7]、變異、交叉[8]，以及選擇3種不同算子與PSO算法相結(jié)合[9]等方法。但這些方法在尋找全局最優(yōu)解的能力和陷入局部最優(yōu)的可能性等方面存在不足，特別是在高維、高約束的問(wèn)題中，限制了它們的應(yīng)用。

基于以上分析，本文從微電網(wǎng)運(yùn)營(yíng)商的管理角度出發(fā)，綜合考慮微電網(wǎng)運(yùn)行的安全性、環(huán)境治理和用戶參與這3個(gè)因素，建立大規(guī)模EVs參與由光伏PV（photovoltaic）、風(fēng)機(jī)WT（wind turbine）、微燃機(jī)MT（micro-turbine）、儲(chǔ)能系統(tǒng) BESS（battery energy storage system）組成的微電網(wǎng)運(yùn)行管理優(yōu)化模型，該模型以實(shí)現(xiàn)微電網(wǎng)的運(yùn)行管理費(fèi)用、環(huán)境污染治理費(fèi)用及負(fù)荷波動(dòng)方差最低為目標(biāo)。針對(duì)這一模型為非線性、非凸多目標(biāo)問(wèn)題，提出以多智能體系統(tǒng)和混沌粒子群優(yōu)化CPSO（chaos particle swarm opti?mization）算法相結(jié)合的多智能體混沌粒子群優(yōu)化MACPSO（multi-agent chaotic particle swarm optimi?zation）算法，并對(duì)模型進(jìn)行求解。最后以某個(gè)園區(qū)的微電網(wǎng)為例，分析不同響應(yīng)度對(duì)公共大電網(wǎng)、區(qū)域內(nèi)可控發(fā)電單元出力方面的影響。

1 構(gòu)建規(guī)模化EVs響應(yīng)調(diào)度模型

1.1 EV的行駛特性

大規(guī)模EVs主要考慮的是私家車，受用戶使用習(xí)慣的影響，其需求功率具有時(shí)空不確定性，需分析EV用戶的旅行鏈及行駛特性，而EV的行駛特性涉及的因素比較多，本文從以下3個(gè)方面進(jìn)行設(shè)定。

（1）用戶日行駛里程。根據(jù)美國(guó)家庭出行旅行統(tǒng)計(jì)數(shù)據(jù)[10]，擬合出用戶日行駛里程d近似符合對(duì)數(shù)正態(tài)分布，即d～log,N(μd,σd2)。其中，μd為日行駛里程的平均值；σd為其對(duì)應(yīng)的標(biāo)準(zhǔn)差。設(shè)定d～log,N(10.45,3.262)。

（2）開(kāi)始充電時(shí)間。假設(shè)EV車主在行駛結(jié)束后開(kāi)始接入?yún)^(qū)域微電網(wǎng)充電，車主的最后一次返程時(shí)間t0服從正態(tài)分布[2，4]，即t0～N(μt,σ2t)，設(shè)定t0～N(12.73,4.722)。

（3）充電電量。根據(jù)日行駛里程d和單位能耗的線性關(guān)系，可得動(dòng)力電池荷電狀態(tài)的概率密度分布函數(shù)表達(dá)式[11]為

式中，s為EV動(dòng)力電池荷電狀態(tài)SOC（state of charge）的隨機(jī)變量，設(shè)定s～N(14.23,8.432)。

1.2 規(guī)模化EVs的調(diào)度模型

假定區(qū)域內(nèi)的EVs有部分用戶響應(yīng)區(qū)域微電網(wǎng)管理中心的調(diào)度信息，向微電網(wǎng)充放電；而有部分用戶不響應(yīng)調(diào)度信息，隨機(jī)接入進(jìn)行無(wú)序充電，其調(diào)度結(jié)構(gòu)框圖如圖1所示。根據(jù)區(qū)域內(nèi)EVs的運(yùn)行特性，將區(qū)域響應(yīng)調(diào)度EVs集群劃分為充電集群和放電集群，則t時(shí)刻EV用戶充放電響應(yīng)度可分別表示為

圖1 規(guī)模化EVs響應(yīng)區(qū)域微電網(wǎng)調(diào)度結(jié)構(gòu)框圖Fig.1 Block diagram of scheduling structure when largescale EVs respond to regional microgrid

式中：N為區(qū)域內(nèi)的EVs總數(shù)；Ndis(t)為響應(yīng)放電信息的EV數(shù)量；Nc(t)為響應(yīng)充電的EV數(shù)量；φdis(t)為EV用戶放電響應(yīng)度；φc(t)為EV用戶充電響應(yīng)度；φ(t)為EV用戶響應(yīng)度。當(dāng)EV用戶響應(yīng)充電時(shí)φdis(t)=0；當(dāng)EV用戶響應(yīng)放電時(shí)φc(t)=0。

1）EV的無(wú)序充電模型

受區(qū)域內(nèi)按裝的充電樁功率的限制，假設(shè)EV的充電功率等于所連接充電樁的功率，不同類型的充電樁其充電功率不一致，可得EV的充電持續(xù)時(shí)長(zhǎng)[2]，即

式中：SOCi,max、SOCi分別為第i輛EV的最大荷電狀態(tài)和開(kāi)始充電時(shí)的荷電狀態(tài)；Pch,i為第i輛EV所連接充電樁的功率；C為第i輛EV的動(dòng)力電池容量；ηCEV為第i輛EV的充電效率。

t時(shí)段區(qū)域內(nèi)總無(wú)序充電負(fù)荷可表示為

式中：Puno(t)為t時(shí)刻區(qū)域內(nèi)總無(wú)序充電負(fù)荷，t=1，2，…，24；Pch,i(t)為t時(shí)刻連接充電樁的充電功率；αstate,i為充電樁的狀態(tài)，αstate,i=1表示充電狀態(tài)；αtcp,i表示當(dāng)停車時(shí)間tp,i大于需要充電持續(xù)時(shí)間tc,i時(shí)，開(kāi)始計(jì)算充電功率，此時(shí)αtcp,i=1。

2）用戶響應(yīng)調(diào)度的充放電模型

EV用戶響應(yīng)調(diào)度的充放電，即用戶響應(yīng)區(qū)域微電網(wǎng)管理中心的調(diào)度信息，有序接入?yún)^(qū)域微電網(wǎng)中進(jìn)行可控充放電。假設(shè)第i輛EV用戶在響應(yīng)調(diào)度信息時(shí)，也將動(dòng)力電池的荷電狀態(tài)SOCi、停車時(shí)間tp,i、下一次的行程及EV單位耗電量等重要參數(shù)反饋給區(qū)域微電網(wǎng)管理中心，管理中心根據(jù)反饋的參數(shù)信息計(jì)算用戶其余行程的必要荷電狀態(tài)SOCrest,i，綜合用戶焦慮的荷電狀態(tài)SOCanx,i，以及為保護(hù)電池預(yù)留不低于20%的容量裕度，計(jì)算EV的充放電時(shí)間，充電持續(xù)時(shí)間可由式（5）計(jì)算，放電持續(xù)時(shí)間[12]可表示為

式中：ηdEV為EV的放電效率；Pdis,i為所連接充電樁的放電功率。

根據(jù)所連接充電樁的放電功率，可得t時(shí)刻區(qū)域內(nèi)EVs總充放電功率PresEV(t)，即

式中：PdisLoad(t)為t時(shí)段區(qū)域內(nèi)EVs的放電功率；PcLoad(t)為t時(shí)段區(qū)域內(nèi)EVs的充電功率；αtdp,i表示當(dāng)停車時(shí)間tp,i大于持續(xù)放電時(shí)間td,i時(shí)，開(kāi)始計(jì)算放電功率，此時(shí)αtdp,i=1。

2 EVs參與區(qū)域微電網(wǎng)運(yùn)行管理優(yōu)化模型

2.1 目標(biāo)函數(shù)

在滿足區(qū)域微電網(wǎng)安全運(yùn)行條件和用戶出行需求的前提下，合理優(yōu)化可控分布式能源、公共大電網(wǎng)輸入功率、可響應(yīng)調(diào)度EV接入數(shù)量等可控變量，并在整個(gè)調(diào)度周期內(nèi)使區(qū)域微電網(wǎng)運(yùn)行管理費(fèi)用、環(huán)境污染治理費(fèi)用及負(fù)荷波動(dòng)方差達(dá)到最低水平。

1）含規(guī)模化EVs的微電網(wǎng)運(yùn)行管理費(fèi)用

含規(guī)模化EVs的微電網(wǎng)綜合運(yùn)行管理費(fèi)用主要包括微電網(wǎng)的經(jīng)濟(jì)運(yùn)行成本和響應(yīng)調(diào)度的EVs參與調(diào)度的激勵(lì)費(fèi)用，其計(jì)算表達(dá)式為

式中：T為一個(gè)調(diào)度周期；NDG為區(qū)域內(nèi)裝設(shè)的發(fā)電單元種類；Cn( )PDG(n,t)為第n類分布式發(fā)電單元的發(fā)電成本；CW,n( )PDG(n,t)為第n類發(fā)電單元的維護(hù)費(fèi)用；PDG(n,t)為第n類發(fā)電單元的發(fā)電功率；cgrid(t)、Pgrid(t)分別為t時(shí)刻微電網(wǎng)管理中心和電網(wǎng)公司協(xié)議分時(shí)電價(jià)和微電網(wǎng)向大電網(wǎng)購(gòu)電功率；Cexcit(t)為激勵(lì)EVs參與調(diào)度費(fèi)用；Cdc(t)為運(yùn)營(yíng)管理中心從用戶購(gòu)電（EV放電）和向EVs售電（EV充電）的差額而需支付額外費(fèi)用。

第n類分布式發(fā)電單元的發(fā)電成本可表示為[13]

式中：αn、βn、γn為成本常數(shù)，與分布式發(fā)電單元的類型有關(guān)。

發(fā)電單元的維護(hù)費(fèi)用與發(fā)電單元發(fā)電功率近似成比例[4]，即

式中，為第n類分布式發(fā)電單元的維護(hù)系數(shù)，不同種類的分布式發(fā)電單元的維護(hù)系數(shù)不同，不同種類的維護(hù)系數(shù)可參考文獻(xiàn)[14]。

區(qū)域微電網(wǎng)管理中心為使用EV動(dòng)力電池的可用容量，向車主采取一定的激勵(lì)措施，以吸引EV車主積極響應(yīng)區(qū)域微電網(wǎng)管理中心的調(diào)度信息，向區(qū)域微電網(wǎng)充/放電。采取激勵(lì)措施所需的費(fèi)用可表示為

式中：ρexcit(t)為t時(shí)刻單位激勵(lì)費(fèi)用，其值本文以參考分布式發(fā)電度電補(bǔ)貼標(biāo)準(zhǔn)0.37元計(jì)算；Λi(t)為t時(shí)刻充電樁的連接狀態(tài)，Λi(t)=1為充電樁處于連接狀態(tài)，Λi(t)=0為充電樁處于未連接狀態(tài)。

用戶充放電時(shí)段電價(jià)差異而增加的額外費(fèi)用可表示為

式中：p(t)為用戶t時(shí)刻向區(qū)域微電網(wǎng)放電的上網(wǎng)售價(jià)；c(t)為用戶在t時(shí)段的充電電價(jià)；Δtc,i、Δtd,i分別為第i輛EV用戶向區(qū)域微電網(wǎng)持續(xù)充、放電時(shí)間。

2）微電網(wǎng)運(yùn)行污染物治理費(fèi)用

微電網(wǎng)運(yùn)行污染物治理費(fèi)用F2可表示為

式中：M為污染物種類，發(fā)電過(guò)程主要考慮NOx、SO2和碳排放3種；Cm為處理這m類污染物的每千克費(fèi)用；αn,m為第n類發(fā)電單元所產(chǎn)生第m類氣體污染物的排放系數(shù)；PDG(n,t)為第n類發(fā)電單元的發(fā)電功率；αgrid,m為公共大電網(wǎng)傳輸電能時(shí)所產(chǎn)生m類氣體污染物的排放系數(shù)；Pgrid(t)為區(qū)域微電網(wǎng)和公共大電網(wǎng)間雙向流動(dòng)的功率，大電網(wǎng)向區(qū)域微電網(wǎng)供電為正，區(qū)域微電網(wǎng)向大電網(wǎng)供電為負(fù)。

3）區(qū)域微電網(wǎng)的負(fù)荷波動(dòng)方差

規(guī)模化EVs接入?yún)^(qū)域微電網(wǎng)，需要考慮區(qū)域內(nèi)的EVs充放電負(fù)荷對(duì)整個(gè)區(qū)域微電網(wǎng)的影響。因此，降低負(fù)荷波動(dòng)方差也是供電側(cè)管理的一個(gè)重要目標(biāo)[15]，通過(guò)提高區(qū)域微電網(wǎng)的安全穩(wěn)定性，以促進(jìn)區(qū)域微電網(wǎng)的經(jīng)濟(jì)運(yùn)行。區(qū)域微電網(wǎng)的負(fù)荷波動(dòng)方差F3可表示為

式中：Pload(t)為t時(shí)段區(qū)域微電網(wǎng)內(nèi)的基本用電負(fù)荷；Puno(t)為t時(shí)段區(qū)域內(nèi)EVs無(wú)序充電負(fù)荷；PresEV(t)為t時(shí)段區(qū)域內(nèi)EVs響應(yīng)充放電負(fù)荷。

綜上，區(qū)域微電網(wǎng)的運(yùn)行管理費(fèi)用和污染物治理費(fèi)用可以統(tǒng)稱區(qū)域微電網(wǎng)的綜合運(yùn)營(yíng)管理費(fèi)用，將兩者合并為同一個(gè)目標(biāo)函數(shù)，與負(fù)荷波動(dòng)方差構(gòu)成多目標(biāo)函數(shù)，通過(guò)線性加權(quán)法轉(zhuǎn)化為目標(biāo)函數(shù)F為

式中，λ1、λ2為權(quán)重因子，其中λ1+λ2=1。

通過(guò)對(duì)各目標(biāo)函數(shù)賦予權(quán)重系數(shù)，將多目標(biāo)模型加權(quán)為綜合單目標(biāo)模型，為克服主觀經(jīng)驗(yàn)進(jìn)行賦權(quán)可能存在誤差，本文應(yīng)用熵權(quán)法進(jìn)行賦權(quán)，形成加權(quán)單目標(biāo)優(yōu)化模型，具體步驟[16]如下。

步驟1分別以目標(biāo)函數(shù)Fl(l=1,2,3)作為優(yōu)化目標(biāo)，求解所得模型的優(yōu)化結(jié)果。為以目標(biāo)函數(shù)Fl進(jìn)行單目標(biāo)求解時(shí)目標(biāo)函數(shù)Fj的函數(shù)值，j=1,2,3。

步驟2根據(jù)步驟（1）可得單目標(biāo)函數(shù)值和綜合目標(biāo)函數(shù)值。

步驟3根據(jù)單目標(biāo)函數(shù)值和綜合目標(biāo)函數(shù)，對(duì)目標(biāo)函數(shù)值進(jìn)行一致化和無(wú)量綱化處理，得到預(yù)處理后的目標(biāo)函數(shù)值集合。

步驟4應(yīng)用熵權(quán)法求取目標(biāo)函數(shù)權(quán)重系數(shù)。如果極大目標(biāo)函數(shù)和極小目標(biāo)函數(shù)的權(quán)重系數(shù)分別為和，可得加權(quán)綜合目標(biāo)函數(shù)，即

2.2 約束條件

1）等式約束條件

區(qū)域微電網(wǎng)內(nèi)要實(shí)現(xiàn)供需側(cè)的功率達(dá)到平衡狀態(tài)，其功率平衡約束條件可表示為

式中：Pn(t)為區(qū)域內(nèi)第n類發(fā)電單元的供電功率；Pbess(t)為BESS總充放電功率，Pbess(t)＞0為放電，Pbess(t)＜0 為充電。

區(qū)域微電網(wǎng)中不等式約束主要包括區(qū)域內(nèi)的可控發(fā)電單元出力上下限約束、爬坡率約束、BESS容量約束等約束條件，具體約束條件可參考文獻(xiàn)[4，14]。

2）雙向充電樁充放電功率約束

式中：Pch,i,max、Pdis,i,max分別為所連接充電樁的充放電功率上限和下限；tstart,i、tend,i分別為開(kāi)始充放電時(shí)間和結(jié)束充放電時(shí)間；Tφ為用戶響應(yīng)調(diào)度信息向區(qū)域微電網(wǎng)放電時(shí)段。

3）EV充放電狀態(tài)約束

式中：SOCi(t+1)、SOCi(t)分別為第i輛EV動(dòng)力電池在（t+1）、t時(shí)段的荷電狀態(tài)；ηc,i、ηd,i分別為第i輛EV的充、放電效率；Δc,t、Δd,t分別為充、放電持續(xù)時(shí)間。

4）EV用戶出行需求約束

為滿足用戶下一次出行需要，用戶可以設(shè)定所期望動(dòng)力電池的電量，即

式中：為SOCdesired,i為離開(kāi)充電樁時(shí)用戶所期望的動(dòng)力電池荷電狀態(tài)；SOCi(tleave)為EV離開(kāi)充電樁時(shí)動(dòng)力電池的實(shí)際荷電狀態(tài)。

2.3 約束條件處理

區(qū)域內(nèi)的各發(fā)電單元、規(guī)模化EVs以及用電負(fù)荷的需求與響應(yīng)特性各異，各發(fā)電單元約束條件呈現(xiàn)非線性特性，如何在這些非線性等式約束的條件下，使區(qū)域微電網(wǎng)的運(yùn)行管理費(fèi)用、環(huán)境污染及負(fù)荷波動(dòng)方差達(dá)到最佳狀態(tài)，是目前研究的難點(diǎn)之一。本文采用文獻(xiàn)[13]的利用懲罰函數(shù)方法來(lái)處理相關(guān)約束條件，該方法以增加一項(xiàng)懲罰項(xiàng)來(lái)生成新的目標(biāo)函數(shù)，即

式中：F′(x)為新適應(yīng)度函數(shù)；F(x)為原適應(yīng)度函數(shù)；P(x)為懲罰函數(shù)。

EVs參與區(qū)域微電網(wǎng)的經(jīng)濟(jì)優(yōu)化需要在滿足多個(gè)約束條件下，使區(qū)域微電網(wǎng)的運(yùn)行管理費(fèi)用、環(huán)境污染治理費(fèi)用及負(fù)荷波動(dòng)方差達(dá)到最低，可將此經(jīng)濟(jì)優(yōu)化問(wèn)題轉(zhuǎn)化為含多個(gè)不等式約束條件的最小化問(wèn)題，即

式中，gi(x)為約束條件的表達(dá)式。

輔助目標(biāo)函數(shù)可定義為

式中，Pf為懲罰參數(shù)，本文參考文獻(xiàn)[17]設(shè)置懲罰參數(shù)的范圍為[0.01，100]。

2.4 模型求解算法

為提高算法對(duì)模型求解的速度及收斂精度，本文采用CPSO算法與多智能體系統(tǒng)相結(jié)合的MACP?SO算法。該算法充分利用PSO算法的群搜索特性和智能體的智能搜索特性，加強(qiáng)算法內(nèi)部信息的多樣化和傳遞性[18]，完善群內(nèi)部信息反饋結(jié)構(gòu)，同時(shí)利用混沌局部搜索策略以提高粒子的智能性和全局搜索能力[19]。

1）智能體的行動(dòng)策略

則可控發(fā)電單元智能體在解空間中的位置將保留下來(lái)，否則可控發(fā)電單元智能體的位置會(huì)根據(jù)區(qū)域內(nèi)用電負(fù)荷變化而發(fā)生變化，可控發(fā)電單元進(jìn)行位置更新[19]為

式中：d=1,2,···,D，D為所求解問(wèn)題的維度；r為[0，1]之間的隨機(jī)數(shù)。

式中：k=1,2,···,Popmax，Popmax為粒子群總數(shù)；r1、r2為[0，1]之間的隨機(jī)數(shù)；c1、c2為學(xué)習(xí)因子；ω為慣性權(quán)重，本文采用文獻(xiàn)[20]線性遞減慣性權(quán)重策略來(lái)提高M(jìn)ACPSO算法的尋優(yōu)性能。

2）混沌局部搜索策略

式中：為[0，1]之間的混沌變量；為向量Pg中的元素；為全局最優(yōu)智能體在解空間中位置的最小、最大范圍。

式中，為一個(gè)混沌變量可行解序列，根據(jù)經(jīng)濟(jì)優(yōu)化模型的目標(biāo)函數(shù)，分別計(jì)算出可行解序列中每個(gè)可行解向量的適應(yīng)度值，并保留適應(yīng)度值最小所對(duì)應(yīng)的可行解向量，即可控單元的計(jì)劃出力。

基于MACPSO算法的區(qū)域微電網(wǎng)經(jīng)濟(jì)優(yōu)化流程如圖2所示。

圖2 基于MACPSO算法的區(qū)域微電網(wǎng)經(jīng)濟(jì)優(yōu)化流程Fig.2 Flow chart of regional microgrid economic optimization based on MACPSO algorithm

3 算例分析

3.1 模型參數(shù)設(shè)置

本文以某個(gè)用電負(fù)荷為MW級(jí)的園區(qū)微電網(wǎng)為例進(jìn)行相關(guān)實(shí)例仿真分析，園內(nèi)裝設(shè)充電樁可分為3個(gè)等級(jí)，各等級(jí)充電樁所允許充電功率如表1所示，園區(qū)中3個(gè)等級(jí)充電樁的比例為50%、30%和20%。由于園區(qū)微電網(wǎng)裝機(jī)容量和傳輸功率的限制，假設(shè)該園區(qū)內(nèi)有100輛EVs。本文選用該園區(qū)微電網(wǎng)中典型風(fēng)光發(fā)電功率預(yù)測(cè)曲線如圖3所示，園區(qū)內(nèi)裝設(shè)的發(fā)電單元參數(shù)、單位發(fā)電成本及維護(hù)費(fèi)用、環(huán)境治理成本系數(shù)[22-23]、該地分時(shí)電價(jià)價(jià)格[23]分別見(jiàn)表2～4。假設(shè)園區(qū)內(nèi)所有EVs為同一類型，充放電功率和充放電效率均相同，EV參數(shù)如表5所示。

表1 充電樁充電功率等級(jí)Tab.1 Charging power levels of charging piles

表2 各發(fā)電單元參數(shù)、單位發(fā)電成本及維護(hù)費(fèi)用Tab.2 Parameters of each power generation unit，unit power generation cost and maintenance cost

表3 環(huán)境治理費(fèi)用及污染物排放系數(shù)Tab.3 Environmental governance cost and pollutant emission coefficients

表4 當(dāng)?shù)胤謺r(shí)售電價(jià)格Tab.4 Local time-of-use electricity prices

表5 電動(dòng)汽車參數(shù)Tab.5 Parameters of electric vehicle

圖3 區(qū)域內(nèi)典型風(fēng)光發(fā)電功率預(yù)測(cè)曲線Fig.3 Typical power generation prediction curves for wind and photovoltaic in one region

運(yùn)用MACPSO算法對(duì)模型進(jìn)行求解，設(shè)置優(yōu)化算法相關(guān)參數(shù)，其中，種群規(guī)模Popmax=400，最大迭代次數(shù)Tmax=600；參考文獻(xiàn)[13，20]設(shè)置慣性權(quán)重上限wmax=0.9，慣性權(quán)重下限wmin=0.4，設(shè)置初始自學(xué)習(xí)因子c1s=2.5，終止自學(xué)習(xí)因子c1f=0.5，初始社會(huì)學(xué)習(xí)因子c2s=0.5，終止社會(huì)學(xué)習(xí)因子c2f=2.5；參考文獻(xiàn)[19]設(shè)置環(huán)境大小lsize=20，最優(yōu)混沌環(huán)境的大小hsize=3，搜索半徑r=0.5，最優(yōu)混沌時(shí)的迭代次數(shù)hcir=10。

3.2 驗(yàn)證規(guī)模化EVs響應(yīng)調(diào)度模型的有效性

為驗(yàn)證本文建立規(guī)模化EVs響應(yīng)調(diào)度模型在降低負(fù)荷波動(dòng)性方面的有效性，選取3種不同EV充放電模型：①用戶自主充電模型；②基于峰谷分時(shí)電價(jià)有序充放電模型；③本文建立的響應(yīng)調(diào)度模型。應(yīng)用3種不同的充放電模型，計(jì)算區(qū)域內(nèi)包含100輛EVs充放電負(fù)荷的總用電負(fù)荷，設(shè)定用戶響應(yīng)度為100%，其運(yùn)行結(jié)果如圖4所示。

圖4 3種不同模型的區(qū)域微電網(wǎng)總負(fù)荷Fig.4 Total load of regional microgrid for three different models

由圖4可以看出，基于峰谷分時(shí)電價(jià)的有序充放電模型，可以根據(jù)峰谷分時(shí)電價(jià)信息進(jìn)行有序充放電，其負(fù)荷波動(dòng)方差由用戶自主充電模型的299.28降低到264.55，波動(dòng)方差減少11.6%，但會(huì)造成大量EVs用戶同時(shí)向微電網(wǎng)進(jìn)行充放電產(chǎn)生新的用電“高峰”，對(duì)微電網(wǎng)產(chǎn)生新的沖擊。而響應(yīng)調(diào)度模型是根據(jù)峰谷分時(shí)電價(jià)和區(qū)域內(nèi)負(fù)荷信息引導(dǎo)EV向微電網(wǎng)進(jìn)行充放電，其負(fù)荷波動(dòng)方差相較于用戶自主充電模型、峰谷分時(shí)電價(jià)的有序充放電模型分別減少了25.3%、15.5%，可見(jiàn)，響應(yīng)調(diào)度模型可以提高區(qū)域內(nèi)負(fù)荷的平滑性。對(duì)比有序充電負(fù)荷曲線和響應(yīng)調(diào)度負(fù)荷曲線可知，響應(yīng)調(diào)度模型可以充分挖掘規(guī)模化EVs作為“移動(dòng)儲(chǔ)能裝置”的潛力，增加微電網(wǎng)的備用容量。

3.3 不同權(quán)重系數(shù)對(duì)優(yōu)化結(jié)果的影響

為分析不同權(quán)重系數(shù)對(duì)優(yōu)化結(jié)果的影響，表6比較了5組不同的權(quán)重系數(shù)下的優(yōu)化結(jié)果，其中，各組中權(quán)重系數(shù)λ1取值分別為0、0.3、0.5、0.8、1；權(quán)重系數(shù)λ2分別為1、0.7、0.5、0.2、0。并根據(jù)優(yōu)化結(jié)果統(tǒng)計(jì)一個(gè)調(diào)度周期內(nèi)微電網(wǎng)的綜合運(yùn)行管理費(fèi)用及負(fù)荷波動(dòng)方差，如表6所示。

由表6中不同權(quán)重系數(shù)的優(yōu)化結(jié)果可以看出，設(shè)置不同的權(quán)重系數(shù)會(huì)對(duì)優(yōu)化結(jié)果產(chǎn)生影響，當(dāng)權(quán)重系數(shù)λ1增大時(shí)，微電網(wǎng)運(yùn)行費(fèi)用和環(huán)境污染費(fèi)用逐漸降低，而負(fù)荷波動(dòng)方差隨權(quán)重系數(shù)λ2的減小而增大。為選擇合適的權(quán)重系數(shù)使微電網(wǎng)的運(yùn)行管理費(fèi)用和環(huán)境污染治理費(fèi)用，以及負(fù)荷波動(dòng)方差等指標(biāo)達(dá)到最佳運(yùn)行狀態(tài)，首先，求取在單目標(biāo)下模型的優(yōu)化結(jié)果，即選取表6中的數(shù)組1和數(shù)組5的運(yùn)行結(jié)果數(shù)據(jù)，獲得微電網(wǎng)運(yùn)行管理費(fèi)用、環(huán)境污染治理費(fèi)用，以及負(fù)荷波動(dòng)方差的最大值分別為為94 099.872￥、10 735.098 ￥、285.38，最小值分別為31 190.257￥、6 976.039￥、12.56；然后，應(yīng)用熵權(quán)法計(jì)算各目標(biāo)函數(shù)的權(quán)重系數(shù)，可得權(quán)重系數(shù)λ1、λ2分別為0.586、0.414；最后，應(yīng)用所得權(quán)重系數(shù)加權(quán)不同目標(biāo)函數(shù)，求解所提的模型，可得微電網(wǎng)運(yùn)行管理費(fèi)用、環(huán)境污染費(fèi)用和負(fù)荷波動(dòng)方差分別為31 984.413￥、7 694.969￥和120.236。

表6 不同權(quán)重系數(shù)的優(yōu)化結(jié)果對(duì)比Tab.6 Comparison among optimization results with different weight coefficients

3.4 不同響應(yīng)度的可控發(fā)電單元出力

研究不同響應(yīng)度的可控發(fā)電單元出力情況，選取區(qū)域內(nèi)用戶響應(yīng)度分別為0%、50%、80%、100%，其運(yùn)行結(jié)果如圖5所示，并統(tǒng)計(jì)1個(gè)調(diào)度周期內(nèi)不同用戶響應(yīng)度的微電網(wǎng)的綜合運(yùn)行管理費(fèi)用，以及負(fù)荷波動(dòng)方差如表7所示。圖5中，GRID為公共大電網(wǎng)的功率曲線。

圖5 不同用戶響應(yīng)度的可控發(fā)電單元計(jì)劃出力Fig.5 Planned output from controllable power generation units with different user responsiveness

表7 不同用戶響應(yīng)度的微電網(wǎng)指標(biāo)對(duì)比Tab.7 Comparison among microgrid indicators with different user responsiveness

由圖5（a）中公共大電網(wǎng)供電功率變化曲線可知，在8：00—20：00時(shí)段規(guī)模化EVs無(wú)序接入微電網(wǎng)，微電網(wǎng)的用電負(fù)荷在用電高峰時(shí)段使用電需求急劇上升，導(dǎo)致公共大電網(wǎng)向微電網(wǎng)供電量也隨之增加，易使公共大電網(wǎng)處于超負(fù)荷狀態(tài)。對(duì)比圖5及表7統(tǒng)計(jì)數(shù)據(jù)可知，當(dāng)用戶響應(yīng)度在30%～80%時(shí)，隨著用戶響應(yīng)度的增加，微電網(wǎng)的運(yùn)行管理費(fèi)用和環(huán)境污染治理費(fèi)用都相應(yīng)減少，負(fù)荷波動(dòng)方差有先減小后增大的趨勢(shì)。在用戶響應(yīng)度為100%時(shí)，大規(guī)模EVs接入?yún)^(qū)域微電網(wǎng)內(nèi)進(jìn)行充放電，由于區(qū)域微電網(wǎng)分布式能源裝機(jī)容量的限制，使得區(qū)域內(nèi)用電需求增加，導(dǎo)致微電網(wǎng)的相關(guān)費(fèi)用也相應(yīng)增加，同時(shí)，負(fù)荷波動(dòng)方差相較于響應(yīng)度為50%和80%的負(fù)荷波動(dòng)方差有所增大。

3.5 不同優(yōu)化算法的優(yōu)化結(jié)果對(duì)比

為驗(yàn)證MACPSO算法在求解高維、非連續(xù)和多約束優(yōu)化問(wèn)題的有效性，分別采用MINLP數(shù)學(xué)方法、PSO算法、CPSO算法，以及基于多智能體系統(tǒng)競(jìng)爭(zhēng)與合作機(jī)制的多智能體粒子群優(yōu)化MAPSO（multi-agent particle swarm optimization）算法對(duì)本文建立的經(jīng)濟(jì)優(yōu)化模型進(jìn)行求解，將不同算法的尋優(yōu)結(jié)果和MACPSO算法的求解結(jié)果進(jìn)行對(duì)比分析。取種群規(guī)模為400，最大迭代次數(shù)為600，不同算法的收斂曲線如圖6所示，優(yōu)化結(jié)果對(duì)比如表8所示，設(shè)定用戶響應(yīng)度為80%。

圖6 不同優(yōu)化算法的收斂曲線Fig.6 Convergence curves of different optimization algorithms

表8 不同優(yōu)化算法的優(yōu)化結(jié)果對(duì)比Tab.8 Comparison among optimization results of different optimization algorithms

由圖6可知，PSO算法的收斂速度最快，但算法容易出現(xiàn)早熟現(xiàn)象，不能收斂到全局極值點(diǎn)；MIN?LP方法的求解時(shí)間雖相對(duì)PSO算法求解過(guò)程所需時(shí)間相差不大，但其優(yōu)化精度明顯優(yōu)于PSO算法；CPSO算法中通過(guò)增加混沌搜索策略在一定程度上提高算法的全局搜索能力，進(jìn)而避免了陷入局部極值點(diǎn)，但其收斂精度還有待提高；MAPSO算法在求解過(guò)程方面需要較多的迭代次數(shù)和時(shí)間才能達(dá)到收斂，但在優(yōu)化結(jié)果方面有較大改進(jìn)；MACPSO算法與幾種優(yōu)化方法相比，雖然算法中融合多智能體系統(tǒng)及混沌搜索機(jī)制，使其在時(shí)間消耗方面有所增加，但其尋優(yōu)效果最好。由表8數(shù)據(jù)分析表明，對(duì)本文建立的經(jīng)濟(jì)優(yōu)化模型進(jìn)行求解，其優(yōu)化結(jié)果的運(yùn)行費(fèi)用、環(huán)境污染治理費(fèi)用及負(fù)荷波動(dòng)方差達(dá)到最小。可見(jiàn)，MACPSO算法在求解高維、非連續(xù)和多約束優(yōu)化問(wèn)題具有較好表現(xiàn)。

4 結(jié)論

（1）構(gòu)建的規(guī)模化EVs響應(yīng)調(diào)度模型使大規(guī)模EVs接入后微電網(wǎng)的負(fù)荷平滑性方面有顯著改善，減輕整個(gè)微電網(wǎng)對(duì)公共大電網(wǎng)的沖擊。

（2）當(dāng)權(quán)重系數(shù)λ1、λ2分別為0.586、0.414時(shí)，可控發(fā)電單元出力方案最優(yōu)，微電網(wǎng)的運(yùn)行管理費(fèi)用、環(huán)境污染治理費(fèi)用和負(fù)荷波動(dòng)方差達(dá)到最低。

（3）本文提出的經(jīng)濟(jì)優(yōu)化方法可以引導(dǎo)一定規(guī)模的EVs用戶適時(shí)向區(qū)域微電網(wǎng)進(jìn)行充放電，提高微電網(wǎng)的經(jīng)濟(jì)性，并實(shí)現(xiàn)區(qū)域內(nèi)負(fù)荷有效管理。