基于多智能體混沌粒子群算法的微網優化運行

王繼東，宋啟明，李繼方

（華北水利水電大學電力學院，河南 鄭州 450000）

0 引言

分布式發電（DG）主要由風電、光伏組成，因其高效利用自然資源，環境污染小，接入靈活和可實現區域電力自治等特點，被視為解決能源危機的重要手段之一[1]。但大規模風電、光伏并網會給電網帶來干擾和沖擊，并給電力系統的管理和調度帶來相應的挑戰[2]，[3]。

微網系統是由分布式發電機組、儲能裝置、可控負載等組合而成，能夠實現電能區域自治和自用的小型電力網絡系統[4]。微網的運行調度主要考慮經濟性、環保性、可靠性[5]。文獻[6]從運行成本最小化、系統可靠性最大化和環境影響最小化3個方面考慮，并采用粒子群算法對微網系統進行了優化。文獻[7]面向園區微網，以年總費用、年污染排放和年能耗為優化目標，建立熱電聯供型綜合能源調度模型。文獻[8]針對工作日、周末和晴、陰雨天組合設計了4種典型場景，采用改進混沌粒子群算法對模型進行求解。但以上研究均未考慮需求側用電情況，僅從發電側來進行對微網系統的運行調節。文獻[9]通過儲能裝置和需求響應對微網的運行優化進行了對比研究，結果表明儲能單元和需求響應的參與可以有效提高微網的經濟性和靈活性。

傳統微網多采用集中式控制，由中央控制器實現對系統DG的協調控制，以及與其他設備的通信，可靠性不高。目前，微網內DG種類繁多，參數和電能需求差異較大，對微網系統的經濟性、穩定性有更高的要求，在信息交互、能量交換、需求側管理等方面須要更深入地研究。多智能體系統具有靈活性、自治性、快速響應等特點，已成為解決微網系統運行優化的有效工具[10]，[11]。文獻[12]構建了一個雙層多智能體能量管理系統，上層智能體負責整個系統的整體控制，下層智能體由多個系統單元組成，但未對儲能單元提出控制策略。文獻[13]設計了一種基于多智能體一致性理論的微網分布式能量管理調度策略，對微網內DG進行聯合優化調度，但未對負荷和儲能單元進行優化。

針對包含光伏、風力、微燃機、燃料電池、蓄電池等的多源微網系統，本文構建了一個3層多智能體系統，包括MGO，MGC，MGE，在滿足微網系統功率平衡和各DG出力約束的條件下，從微網運行控制和需求側響應兩方面進行協調控制，以運行成本和環境成本最小為優化目標，建立微網運行優化模型。為了避免局部尋優，加快算法收斂速度和搜尋精度，引入多智能體技術和混沌搜索，采用多智能體混沌粒子群算法（MACPSO）對目標函數進行求解。最后，仿真驗證了所提出方法的有效性和正確性。

1 微網優化運行模型

多智能體系統由多個分布式智能體組成，每個智能體根據與其他智能體的狀態信息交互，可以進行自身調節，能夠有效解決一些復雜而全面的問題。由于微網的體系結構和對分布式運行的要求，基于多智能體的微網優化運行是一種有效可行的方法。本文提出基于多智能體系統的三層控制體系結構如圖1所示。

圖1 基于多智能體的微網系統結構Fig.1 Multi-agent based microgrid system architecture

圖中，MGO主要負責大電網和微網各智能體單位的協調調度。根據系統的總體優化目標，向下層智能體發出指令信號，并根據各智能體的響應做出最終的調度決策。MGC接收MGO發送的指令信號，來確定微網內各DG最佳出力，并將出力信息發送給MGE。MGE作為底層控制器，控制各分布式單元的運行狀態，并根據接收到的指令和實際負荷需求調整運行策略。

1.1 MGC的優化運行策略

MGC在接收到MGO的指令信號后，MGC根據接收到的數據信息及制定的微網運行控制策略，進行功率分配，然后采用MACPSO算法進行尋優，獲得微網內各DG最佳出力，以獲得最優運行策略，并將出力信息傳遞給MGE。

在實際運行過程中，在滿足微網系統功率平衡和各DG出力約束的條件下，可以通過制定微網運行控制策略對各DG出力進行調控，確定各DG出力的優先級順序，提高微網系統的經濟性和可靠性。將某時刻微網實際負荷需求和微網內DG出力的差值定義為微網凈負荷ΔP（t），在出力調控過程中，根據可能出現的供需平衡情況，分別考慮分時電價機制、1 d實際負荷需求及與大電網功率交互量，將全天分為峰、平、谷3個時段制定運行策略。本文所提的微網運行控制策略通過運用儲能單元充放電特性，合理調控其他發電DG出力，盡可能提高微網系統的經濟性與穩定性。運行方法如下。

（1）ΔP（t）<0

微網總出力多于微網總負荷，供多于需。①峰時段：優先將多余電量出售至大電網，若|Vp（t）|大于微網與大電網功率交互上限，將超出部分用于蓄電池充電，達到蓄電池儲能上限時仍有余量則棄電。②其他時段：多余電量優先給蓄電池充電，剩余電量向大電網售電，若剩余電量大于微網與大電網功率交互上限，將仍多余部分棄電。

（2）ΔP（t）＞0

微網總出力少于微網總負荷，①峰時段：優先使用蓄電池放電滿足所需功率，若在蓄電池最大出力功率下或蓄電池放電至儲能下限時仍無法滿足負荷需求，微網向大電網購電，滿足不足部分。②其他時段：調控各DG出力并向大電網購電，滿足所需功率的同時給蓄電池充電。

（3）ΔP（t）=0

微網系統供需平衡，各DG出力不作調控。

成聯方：書法在當下已經成為一門學科，專業書法研究人員已經不會把書寫藝術當作修煉人格的工具了。用余英時的話說，我們是處在創造知識的年代，不能創造知識，就沒有存在的價值。

1.2 目標函數

在本文的研究中，從運行成本、環境成本兩個方面建立目標函數，最終目標是最大限度減小微網系統的總運行成本。微網運行成本主要由微網與大電網交互成本、微網內各DG發電成本、維護成本、可移除負荷補償成本和環境影響成本等組成。

運行成本目標函數C1（t）為

式中：CiPi（t）為DGi的發電成本，由各DG的出力模型確定；Pi（t）為DGi在t時刻的出力；Cgrid（t）為微網與大電網交互成本；a，b，c分別為系統峰時段、平時段、谷時段實時電價；P1（t），P2（t），P3（t）為各時段微網與大電網交互功率；COM（t）為微網維護成本；μi為DGi的運行維護成本系數。

需求側負荷管理不僅有助于用戶合理用電，降低用電費用，也能適當調節發電側DG出力，緩解出力壓力。本文以用戶負荷為對象，當系統處于用電高峰時，鼓勵用戶切除部分不重要負荷，以緩解供電壓力，提高微網的經濟性和可靠性。這部分負荷將得到相應的補償。負荷補償成本為

式中：li，j為DGi單位出力時所產生的第j類污染氣體量；λj為治理單位相應污染氣體所需費用。

微網優化目標函數為

1.3 約束條件

式中：pBA，max，pBA，min分別為蓄電池充電、放電功率上、下限；pSOC，min，pSOC，max分別為蓄電池最小、最大儲能值。

圖2 優化調度流程Fig.2 Optimize the scheduling process

在優化過程中，MGO監控智能體單元的運行狀態。在滿足約束條件下，各DG結合自身狀態和接收到的指令信息，進行出力調節，最終實現系統優化目標；反之在未滿足約束條件下，MGO向MGC發出指令信號，MGC內各智能體響應信號，進行出力調控。

2 基于多智能體的混沌粒子群優化算法

2.1 優化算法概述

粒子群優化算法靈感來自于鳥類的群聚行為，是一種基于種群的隨機優化方法。粒子群中的粒子代表問題的一種可能解，在迭代過程中通過反復模擬比較適應值，不斷更新修正粒子自身位置，最終使粒子收斂到個體最優解和全局最優解。本文在常規粒子群算法的基礎上，提出采用基于多智能體的混沌粒子群優化算法。多智能體系統其網絡結構是松散耦合的，每個智能體與相鄰智能體相互通信，并根據迭代過程中信息積累和自學習機制，提高自身尋優能力，實現快速準確地尋得最優解。多智能體系統可構建Lsize×Lsize的網絡結構，Lsize為正整數，網格的總數等于粒子數目。每個格子對應一個智能體，Li，j表示坐標為（i，j）的智能體，其中：i，j=1，2，…Lsize，設Li，j的鄰居為Mi，j，則：

在進行優化問題求解時，首先初始化相關參數，計算各個粒子當前適應值，然后通過多智能體自學習機制，對當前智能體適應值F（Li，j）及其鄰居智能體適應值F（Mi，j）進行比較，若F（Mi，j）

混沌序列具有遍歷性、隨機性和規律性等特點。將混沌搜索引入優化算法中，利用混沌搜索的遍歷性，能夠避免早期粒子陷入局部最優，防止算法過早收斂，實現粒子群快速搜索全局最優。混沌搜索的基本思想是把變量邏輯映射生成混沌序列，再將混沌變量的值映射到優化變量的取值空間中。即：

MACPSO算法通過各智能體間的相互協作與其自治性，并利用混沌系統特有的遍歷性與隨機性，以較快的運行速度和良好的搜素精度，滿足微網優化調度的時效性、精準性要求。

2.2 算法步驟

在多智能體系統中，各智能體之間將自身狀態信息進行交互，同時在MACPSO優化算法下，每個粒子都試圖找到最優的出力情況來實現優化目標。通過比較不同粒子出力情況下對應的日成本，由MGO選擇使微網總成本最小的最終最優策略。算法流程圖如圖3所示。

圖3 算法流程Fig.3 Algorithm flowchart

3 算例分析

3.1 基礎數據

本文所研究的多源微網系統結構如圖4所示。各DG參數及維護系數如表1所示。污染物系數如表2所示。分時電價如表3所示。

圖4 微網結構圖Fig.4 Structure chart of microgrid

表1 各DG參數Table 1 Parameters of different DGs

表2 污染物系數Table 2 Various pollutant discharge parameters

表3 微網購、售電實時電價Table 3 Microgrid system power purchase and sale price

3.2 仿真分析

MACPSO算法參數：粒子數目為100，迭代次數為300，學習因子c1=c2=2，初始慣性權重為0.5，終值為0.9。微網系統運行成本采用MACPSO優化算法進行20次仿真并取其平均值。在微網優化調度過程中，風光出力不能滿足微網內部負荷需求，即ΔP（t）＞0時，協調MT，FC，電網，BA出力滿足負荷需求；風光出力多于微網內部負荷需求，即ΔP（t）<0時，將多余電量向蓄電池充電或出售至大電網，提高微網系統經濟性。

對微網系統內風力、光伏、負載的出力預測如圖5所示。

圖5 負荷和新能源出力預測曲線Fig.5 Load demand and output predictionof renewable energy

圖中負荷缺額等于負荷與光伏和風電之差。光伏和風力均采用最大功率點跟蹤模式，微網系統全部消納清潔能源出力，光伏和風力發電的額定功率分別為250，300 kW。

本文設計3種方案進行對比分析和求解。

方案1：實行分時電價機制，峰、平、谷時段微網購電與售電電價如表3，計算微網經濟效益。方案1各DG出力曲線如圖6所示。

圖6 方案1各DG出力曲線Fig.6 DG output power of scheme 1

方案2：在方案1的基礎上，實行所制定的微網運行控制策略，計算微網經濟效益，方案1各DG出力曲線如圖7所示。

圖7 方案2各DG出力曲線Fig.7 DG output power of scheme 2

方案3：在方案2的基礎上，實行需求側響應，計算微網經濟效益，方案3各DG出力曲線如圖8所示。

圖8 方案3各DG出力曲線Fig.8 DG output power of scheme 3

對比圖6，7可以看出，基于MAS的微網運行控制策略可以使微網各DG的出力更為合理與高效，經過微網運行控制策略的調控之后，各DG利用MACPSO算法對比尋優獲得微網各DG最佳出力配置,并下發給各DG，各DG由此對自身狀態進行調整。在平谷時段，微網負荷缺額較小時，PV，WT，MT等發出的多余電量給蓄電池充電，仍有多余則出售至大電網；峰時段負荷缺額較大時，儲能單元協同發電側DG出力共同滿足微網負荷需求，同時微網向大電網購電，滿足微網供電需求，起到削峰作用。

不同方案下微網系統運行成本如表4所示。

表4 不同方案下微網運行優化成本Table 4 Operation optimization results of microgrid under different schemes

在運行控制策略和需求側響應的作用下，與方案1相比，方案2，3下微網最優經濟成本分別節省了14.8%和19.28%，明顯提高了微網的經濟效益。微網運行控制策略可以更合理地調控微網各DG的出力，提高供電質量和系統穩定性。方案2在降低成本的同時，燃氣輪機和燃料電池的總出力都有所減少。這表明在運行控制策略的作用下，微網各DG出力更加合理，對新能源出力和儲能單元的使用更加高效，既緩解了微燃機和燃料電池的出力壓力，也降低了污染氣體排放量和處理費用，更加節能環保。方案3在方案2的基礎上，考慮需求側響應，鼓勵用戶在用電高峰期放棄部分非重要負荷用電，并對此部分用戶進行經濟補償。在需求側響應的作用下，方案3最優成本為1 840.3元，比方案2降低5.2%（101.84元）。可以看出，雖然經濟成本節省量較小，并且須要向被控負荷進行一定的經濟補償，但由于負荷總量的減少，燃氣輪機和燃料電池的總出力量進一步降低，由此產生的污染物排放量和處理費用也進一步減小。從可靠性和環保性角度考慮，該方案實際收益最好。

為了對所采用的MACPSO算法進行更直觀的比對分析，將粒子群算法（PSO）、混沌粒子群算法（CPSO）、多智能體混沌粒子群算法（MACSPO）3種算法在方案3的情況下進行收斂性分析，算法迭代過程如圖9所示。

圖9 算法收斂性對比Fig.9 Algorithm convergence contrast diagram

由圖9可以看出，隨著迭代次數的增加，3種算法的目標函數值均逐漸減小，并最終趨于穩定。與PSO算法，CPSO算法相比，MACPSO算法在迭代中引入了混沌優化，加強了局部尋優能力，因此收斂速度相對較快，且能搜索獲得更優的值。MACPSO算法運用MAS技術，將智能體與相鄰智能體適應度值進行大小對比，并利用混沌的隨機性和遍歷性實現局部深度搜索，提高尋優能力。圖中MACPSO算法尋優結果最好。

4 結束語

本文構建了基于MAS的微網三層體系結構，包括微網層、微網集中控制層、微網元件控制層，并采用了MACPSO優化算法求解優化模型，以解決微網系統的最優運行問題。在MGC層中制定相應的微網運行控制策略和需求側響應條件，結合分時電價機制，協調微網內各DG和儲能單元的出力，利用MACPSO算法在迭代中對粒子進行修正與尋優，獲得各DG最佳出力配置。通過對比分析，驗證了所提方法能夠降低微網的運行成本，提高微網系統的經濟性和環保性。