基于文化基因算法的冷熱電聯(lián)供型微網(wǎng)優(yōu)化運(yùn)行方法

黃超, 劉晨

(五凌電力有限公司,湖南,長(zhǎng)沙 410000)

0 引言

人口的增加導(dǎo)致能源消費(fèi)急劇增加,環(huán)境急劇惡化,使得能源危機(jī)和環(huán)境污染問(wèn)題日益突出。在各種能源消耗中,耗電量最大,如何節(jié)約電能成為當(dāng)前研究的重點(diǎn)。微電網(wǎng)是一種比傳統(tǒng)電網(wǎng)更節(jié)能的供電方式。作為一個(gè)小型發(fā)電和配電系統(tǒng),微電網(wǎng)不僅提供了更靈活的電源,更環(huán)保,而且大大降低了電網(wǎng)的工作壓力[1]。熱電聯(lián)產(chǎn)微電網(wǎng)就是其中之一,通過(guò)增加加熱和制冷裝置,實(shí)現(xiàn)了能源的多元化利用。隨著冷熱電聯(lián)產(chǎn)微電網(wǎng)的廣泛應(yīng)用,冷熱電聯(lián)產(chǎn)微電網(wǎng)的優(yōu)化運(yùn)行越來(lái)越受到人們的關(guān)注[2]。本研究的意義在于實(shí)現(xiàn)微電網(wǎng)的經(jīng)濟(jì)調(diào)度,優(yōu)化微電源的輸出和配置,促進(jìn)熱電聯(lián)產(chǎn)微電網(wǎng)的升級(jí)和進(jìn)一步發(fā)展。

楊里等[3]將最小微網(wǎng)損耗作為目標(biāo)函數(shù),以計(jì)及功率平衡作為約束條件,利用混沌粒子群算法+隨機(jī)模擬的方法進(jìn)行求解,求出能量?jī)?yōu)化調(diào)度方案。張少明等[4]以經(jīng)濟(jì)成本、環(huán)境成本、網(wǎng)損和電壓波動(dòng)建立多目標(biāo)函數(shù),在潮流約束、運(yùn)行電壓約束、傳輸功率約束等條件下,利用改進(jìn)粒子群算法求得最優(yōu)經(jīng)濟(jì)調(diào)度方案。聶瀚等[5]考慮到經(jīng)濟(jì),環(huán)保兩個(gè)方面,建立了綜合性目標(biāo)函數(shù),在功率平衡、微電源爬坡率、微電源功率、BT充放電等約束條件下,利用改進(jìn)的鳥群算法,求取最優(yōu)解。

雖然上述研究取得了一定的成果,但是求解的結(jié)果仍然存在缺陷,難以控制單項(xiàng)成本效益,冷熱電聯(lián)供型微網(wǎng)資源配置無(wú)法實(shí)現(xiàn)最優(yōu)目標(biāo)。針對(duì)這種情況,結(jié)合已有的研究經(jīng)驗(yàn),提出基于文化基因算法的方法,以期尋找到最優(yōu)冷熱電聯(lián)供型微網(wǎng)運(yùn)行方案,實(shí)現(xiàn)微電網(wǎng)優(yōu)化調(diào)度,提高微網(wǎng)能源利用率。

1 冷熱電聯(lián)供型微網(wǎng)優(yōu)化運(yùn)行方案研究

冷熱電聯(lián)供型微網(wǎng)中包含了很多分布式供電能源,這些電源可以用于發(fā)電、供熱以及制冷使用,因此冷熱電聯(lián)供型微網(wǎng)也可以看作是一種小型的分布式電源。冷熱電聯(lián)供型微網(wǎng)雖然能極大緩解電網(wǎng)的供電壓力,但是供電能源的多元化,也使得微網(wǎng)運(yùn)行方案設(shè)計(jì)成為一大難題[6]。微網(wǎng)運(yùn)行方案設(shè)計(jì)是指尋找一種調(diào)度方案,使得各種能源出力更加合理,提高微網(wǎng)運(yùn)行更具有經(jīng)濟(jì)性和環(huán)保性。冷熱電聯(lián)供型微網(wǎng)優(yōu)化運(yùn)行方法研究主要分為3個(gè)部分,即多目標(biāo)函數(shù)模型構(gòu)建、約束條件設(shè)置以及模型求解。

1.1 多目標(biāo)函數(shù)模型構(gòu)建

多目標(biāo)函數(shù)模型,即建立目標(biāo)與構(gòu)成因素之間的函數(shù)關(guān)系式[7]?；谀繕?biāo)函數(shù)模型基本形式建立冷熱電聯(lián)供型微網(wǎng)優(yōu)化的多目標(biāo)函數(shù)。在本模型中主要包含兩個(gè)目標(biāo),即經(jīng)濟(jì)目標(biāo)和環(huán)保目標(biāo)[8]。

1)經(jīng)濟(jì)目標(biāo)函數(shù)模型構(gòu)建

(1)

(1)微網(wǎng)運(yùn)行燃料耗費(fèi)成本y1(t)

(2)

式中,N代表微電網(wǎng)中微電源的個(gè)數(shù),y11代表燃料的價(jià)格,S代表燃料的低熱值,φi(t)、φi(t)代表第i個(gè)能源系統(tǒng)在t時(shí)刻的輸出功率和工作效率[10]。

(2)微網(wǎng)各能源系統(tǒng)維護(hù)管理成本y2(t)

(3)

式中,Di,t代表t時(shí)刻第i個(gè)能源系統(tǒng)的維護(hù)管理所產(chǎn)生的成本系數(shù),Pi,t代表t時(shí)刻第i個(gè)能源系統(tǒng)的輸出功率。

(3)微網(wǎng)各能源系統(tǒng)折舊損耗成本y3(t)

(4)

式中,maxPi,t代表t時(shí)刻第i個(gè)能源系統(tǒng)的最大輸出功率,fi代表第i個(gè)能源系統(tǒng)的容量因素,Ci代表第i個(gè)能源系統(tǒng)的年均折舊成本。

(4)電網(wǎng)與微網(wǎng)交互成本y4(t)

(5)

2)環(huán)保目標(biāo)函數(shù)模型構(gòu)建

(6)

式中,minF2代表冷熱電聯(lián)供型微網(wǎng)最小環(huán)保性運(yùn)行成本,ψj代表為第j種污染物處理費(fèi)用,ξij代表第i個(gè)微電源的第j種排放物的排放系數(shù)。

為方便定量分析,將上述經(jīng)濟(jì)目標(biāo)和環(huán)保目標(biāo)轉(zhuǎn)換為單目標(biāo)函數(shù),公式如下

(7)

式中,minY代表微電網(wǎng)的綜合成本,λ1、λ2代表兩個(gè)目標(biāo)的權(quán)重系數(shù)。

所構(gòu)建的多目標(biāo)函數(shù)模型中全面考慮經(jīng)濟(jì)成本和環(huán)保成本,使得微電網(wǎng)運(yùn)行方案設(shè)計(jì)更為合理。

1.2 約束條件設(shè)置

約束條件,即多目標(biāo)函數(shù)模型的各種限制條件。本章節(jié)設(shè)置的約束條件包括以下6種。下面針對(duì)這6種約束條件進(jìn)行具體分析。

1)電功率平衡約束

電功率平衡約束是指各個(gè)能源系統(tǒng)提供微電源快慢的均衡性。約束條件如下:

(8)

式中,Z1(t)、Z2(t)、Z3(t)、Z5(t)、Z6(t)表示t時(shí)刻太陽(yáng)能電池、風(fēng)力發(fā)電機(jī)、微型燃?xì)廨啓C(jī)、蓄電池、燃料電池輸出功率,Z(t)代表用電負(fù)荷,Z4(t)代表微電網(wǎng)與大電網(wǎng)的交換電功率。

2)熱功率平衡約束

熱功率平衡約束是指熱功率與熱負(fù)荷需求相等。

Q1(t)=q1(t)

(9)

式中,Q1(t)代表t時(shí)刻熱負(fù)荷需求,q1(t)代表t時(shí)刻熱功率。

3)冷功率平衡約束

冷功率平衡約束是指冷功率與冷負(fù)荷需求相等。

Q2(t)=q2(t)

(10)

式中,Q1(t)代表t時(shí)刻冷負(fù)荷需求,q1(t)代表t時(shí)刻冷功率。

4)各微源出力約束

各微源出力是指各個(gè)供電來(lái)源的輸出的電力情況。

minGi(t)≤Gi(t)≤maxGi(t)

(11)

式中,Gi(t)代表t時(shí)刻第i個(gè)供電源傳出的能源量,minGi(t)、maxGi(t)代表t時(shí)刻第i個(gè)供電源傳出的能源量極限值。

5)傳輸功率約束

傳輸功率是指微電網(wǎng)與大電網(wǎng)之間交換功的多少。其約束如下:

minRt≤Rt≤maxRt

(12)

式中,minRt、maxRt代表微電網(wǎng)與大電網(wǎng)之間交換功率的最小和最大值。

6)蓄電池運(yùn)行約束

蓄電池運(yùn)行約束是指對(duì)蓄電池的充放電功率進(jìn)行約束。

(13)

式中,minU(t)、maxU(t)代表t時(shí)刻U(t)的兩個(gè)極限功率值,U(t)代表t時(shí)刻U的電功率,minC、maxC代表t時(shí)刻U中剩余電量的兩個(gè)極限值,O代表U的最開始電量。

約束條件的設(shè)置,為下一章節(jié)多目標(biāo)函數(shù)模型求解提供了限制條件,使得求解更加容易。

1.3 文化基因算法求取多目標(biāo)函數(shù)模型最優(yōu)解

在上述設(shè)置6個(gè)約束條件下,在本章節(jié)利用文化基因算法對(duì)該模型進(jìn)行求解,得出冷熱電聯(lián)供型微網(wǎng)優(yōu)化運(yùn)行最優(yōu)方案。文化基因算法是在文化演進(jìn)的基礎(chǔ)上提出的一種尋優(yōu)算法。該算法與遺傳算法運(yùn)行過(guò)程大致相同,但是卻比遺傳算法更具優(yōu)勢(shì),即不會(huì)過(guò)早收斂,導(dǎo)致陷入具有最優(yōu)的問(wèn)題當(dāng)中,得到的解為全局最優(yōu)解。文化基因算法基本流程如圖1所示。

圖1 文化基因算法基本流程

基于上述文化基因算法基本流程對(duì)目標(biāo)函數(shù)進(jìn)行求解,求解過(guò)程如下:

步驟1:設(shè)置文化基因算法各個(gè)參數(shù),并進(jìn)行初始化;

步驟2:輸入冷熱電聯(lián)供型微網(wǎng)系統(tǒng)及其各個(gè)供電單元的參數(shù)。

步驟3:染色體編碼,生成初始化種群。

步驟4:染色體解碼,計(jì)算各個(gè)供電單元的運(yùn)行出力情況。

步驟5:輸入上一章節(jié)設(shè)置的6個(gè)約束條件。

步驟6:計(jì)算個(gè)體適應(yīng)度值和利用精英保留算法保留個(gè)體數(shù)。精英保留算法原理公式如下:

m=λ×k×N

(14)

其中,

(15)

式中,m代表保留個(gè)體數(shù),k代表個(gè)體的占比系數(shù),λ代表自適應(yīng)保留因子,i代表迭代次數(shù),α代表保留個(gè)體初始化比例因子,N代表種群大小。

步驟7:是否達(dá)到算法結(jié)束條件(最大迭代次數(shù))。若達(dá)到,輸出最優(yōu)冷熱電聯(lián)供型微網(wǎng)優(yōu)化運(yùn)行方案。若不能達(dá)到,需要進(jìn)行變異、交叉和選擇,并回到步驟4,直至滿足條件。

通過(guò)上述文化基因算法求解,得出最優(yōu)冷熱電聯(lián)供型微網(wǎng)優(yōu)化運(yùn)行方案。

2 仿真測(cè)試

為測(cè)試所研究方法在求解冷熱電聯(lián)供型微網(wǎng)優(yōu)化運(yùn)行方案是否為最優(yōu)解,以基于混沌粒子群算法+隨機(jī)模擬的方法、基于改進(jìn)粒子群算法的方法和基于改進(jìn)鳥群算法的方法作為對(duì)比項(xiàng),進(jìn)行仿真測(cè)試。

2.1 熱電聯(lián)供型微網(wǎng)仿真模型

利用MATLAB軟件建立熱電聯(lián)供型微網(wǎng)模型,作為仿真測(cè)試對(duì)象,如圖2所示。

圖2 熱電聯(lián)供型微網(wǎng)仿真模型

在圖2建立的熱電聯(lián)供型微網(wǎng)仿真模型中,包括5個(gè)供電單元(DG1～DG5),5個(gè)負(fù)荷(L1～L5)以及5段電纜(X1～X5)。其中,這5個(gè)供電單元的相關(guān)參數(shù)如下表1所示。

表1 5個(gè)供電單元相關(guān)參數(shù)設(shè)置表

此外,各時(shí)段微網(wǎng)電價(jià)情況如下:

峰時(shí)段微網(wǎng)電價(jià):購(gòu)電0.83/(元/(kW·h));售電0.65(元/(kW·h));

平時(shí)段微網(wǎng)電價(jià):購(gòu)電0.49/(元/(kW·h));售電0.38/(元/(kW·h));

谷時(shí)段微網(wǎng)電價(jià):購(gòu)電0.17/(元/(kW·h));售電0.13/(元/(kW·h));

2.2 求解算法參數(shù)設(shè)置

文化基因算法求取冷熱電聯(lián)供型微網(wǎng)優(yōu)化運(yùn)行方案時(shí),所設(shè)置的算法初始化參數(shù)值如下:

種群設(shè)置為50;

交叉率設(shè)置為0.8;

變異率設(shè)置為0.05;

迭代次數(shù)設(shè)置為200;

2.3 冷熱電聯(lián)供型微網(wǎng)優(yōu)化運(yùn)行方案

利用文化基因算法求解冷熱電聯(lián)供型微網(wǎng)優(yōu)化運(yùn)行方案,求解結(jié)果如圖3所示。

圖3 冷熱電聯(lián)供型微網(wǎng)優(yōu)化運(yùn)行方案

2.4 結(jié)果分析

相同測(cè)試條件下,利用基于混沌粒子群算法+隨機(jī)模擬的方法、基于改進(jìn)粒子群算法的方法和基于改進(jìn)鳥群算法的方法進(jìn)行冷熱電聯(lián)供型微網(wǎng)優(yōu)化運(yùn)行方案求解,得出求解結(jié)果如圖4所示。

圖4 冷熱電聯(lián)供型微網(wǎng)優(yōu)化運(yùn)行方案效益結(jié)果

從圖4中可以看出,與基于混沌粒子群算法+隨機(jī)模擬的方法、基于改進(jìn)粒子群算法的方法和基于改進(jìn)鳥群算法的方法求解方案相比,所研究方法應(yīng)用下,求解得到的冷熱電聯(lián)供型微網(wǎng)優(yōu)化運(yùn)行方案的綜合成本以及兩個(gè)單項(xiàng)成本更低,由此說(shuō)明所研究方法求得的解更優(yōu),不僅實(shí)現(xiàn)了成本的降低,同時(shí)也降低了對(duì)環(huán)境的污染,達(dá)到了研究目標(biāo)。

3 總結(jié)

為緩解大電網(wǎng)的供電壓力,冷熱電聯(lián)供型微網(wǎng)逐漸被應(yīng)用到居民供電任務(wù)當(dāng)中,通過(guò)多種分布式供電,供電更為靈活。然而,冷熱電聯(lián)供型微網(wǎng)的應(yīng)用前需要計(jì)算出最優(yōu)運(yùn)行調(diào)度方案,降低其運(yùn)行成本,優(yōu)化各微源的出力和配置。在此背景下,提出基于文化基因算法的方法,通過(guò)文化基因算法求取多目標(biāo)函數(shù)模型,得出優(yōu)化方案解。

然而,本研究只針對(duì)未來(lái)一天的單個(gè)微網(wǎng)進(jìn)行優(yōu)化調(diào)度,對(duì)于冷熱電聯(lián)供型微網(wǎng)長(zhǎng)期且多個(gè)微網(wǎng)的協(xié)調(diào)調(diào)度運(yùn)行方案的求解有待進(jìn)一步研究。