基于改進(jìn)小生境PSO算法的主動(dòng)配電網(wǎng)中分布式電源優(yōu)化調(diào)度

曾耀輝

（湖南工業(yè)大學(xué)電氣與信息工程學(xué)院，湖南株洲 412007）

0 引言

隨著新能源發(fā)電技術(shù)的成熟，大量可再生分布式電源（Distributed Generator，DG）接入配電網(wǎng)，特別是風(fēng)電、光伏等分布式電源大量接入配電網(wǎng)，給配電網(wǎng)穩(wěn)定調(diào)度帶來(lái)了一定的風(fēng)險(xiǎn)。為了解決這一問(wèn)題，高效、經(jīng)濟(jì)、靈活的主動(dòng)配電網(wǎng)（Active Distribution Network，ADN）應(yīng)運(yùn)而生。

由于ADN運(yùn)行成本相對(duì)較高，對(duì)主動(dòng)配電網(wǎng)中各類(lèi)分布式可調(diào)度資源進(jìn)行合理的優(yōu)化調(diào)度以提高主動(dòng)配電網(wǎng)運(yùn)行的經(jīng)濟(jì)性和可靠性[1-3]，成為當(dāng)今研究的熱點(diǎn)。

在配網(wǎng)端加入儲(chǔ)能電池能夠提高配網(wǎng)端對(duì)可再生能源的優(yōu)化調(diào)度水平，最大化利用可再生能源，實(shí)現(xiàn)主動(dòng)配電網(wǎng)運(yùn)行的經(jīng)濟(jì)性。

1 考慮分布式儲(chǔ)能的主動(dòng)配電網(wǎng)綜合優(yōu)化調(diào)度模型

在一個(gè)調(diào)度周期內(nèi)（一個(gè)調(diào)度周期共有24個(gè)調(diào)度點(diǎn)），本文以主動(dòng)配電網(wǎng)總運(yùn)行成本最低作為優(yōu)化調(diào)度目標(biāo)，構(gòu)建了主動(dòng)配電網(wǎng)綜合優(yōu)化調(diào)度模型。

1.1 目標(biāo)函數(shù)

系統(tǒng)運(yùn)行成本包括配電網(wǎng)購(gòu)電成本CF（t）、環(huán)境污染成本CEN（t）、微燃?xì)廨啓C(jī)發(fā)電成本CtMT（t），系統(tǒng)總運(yùn)行成本的目標(biāo)函數(shù)為：

式中：ct為t時(shí)刻電網(wǎng)的購(gòu)電價(jià)格；Pgrid（t）為電網(wǎng)購(gòu)電電量；PPV（t）為t時(shí)刻光伏出力值；PWT（t）為t時(shí)刻風(fēng)電出力值；PMT（t）為微燃?xì)廨啓C(jī)有功出力值；KMT為微燃?xì)廨啓C(jī)發(fā)出單位電量的溫室氣體排放系數(shù)；Kgrid為配電網(wǎng)單位功率下二氧化碳的排放系數(shù)；ω為環(huán)境綜合治理費(fèi)用系數(shù)；ctMT為微燃?xì)廨啓C(jī)發(fā)電單位成本；PtMT為微燃?xì)廨啓C(jī)總發(fā)電量。

1.2 綜合優(yōu)化調(diào)度模型約束條件

1.2.1 功率平衡約束

式中：PPVt為光伏在t時(shí)段的有功出力預(yù)測(cè)值；PWTt為風(fēng)電在t時(shí)段的有功出力預(yù)測(cè)值；PMTt為微燃?xì)廨啓C(jī)在t時(shí)段的出力值；PESt為t時(shí)刻儲(chǔ)能電池功率，當(dāng)PESt＞0時(shí)，儲(chǔ)能電池為放電狀態(tài)，當(dāng)PESt＜0時(shí)，儲(chǔ)能電池為充電狀態(tài)；PDt為t時(shí)刻的用戶負(fù)荷大小。

1.2.2 微燃?xì)廨啓C(jī)和主網(wǎng)約束

式中：PMT-min、PMT-max分別為微燃?xì)廨啓C(jī)最小、最大出力限值；PtMT為微燃?xì)廨啓C(jī)t時(shí)刻的出力值；PMT-R為微燃?xì)廨啓C(jī)的爬坡率限值；Pgrid-min、Pgrid-max分別為配網(wǎng)的最小、最大出力限值；Ptgrid為電網(wǎng)t時(shí)刻的出力值。

1.2.3 儲(chǔ)能電池運(yùn)行約束

式中：PtES為t時(shí)刻儲(chǔ)能電池的功率；PESmin、PESmax分別為儲(chǔ)能電池的最小、最大充放電功率；EtES為t時(shí)刻儲(chǔ)能電池的容量；EESmin、EESmax分別為儲(chǔ)能電池的最小、最大容量。

2 模型求解

主動(dòng)配電網(wǎng)綜合優(yōu)化調(diào)度模型是具有多目標(biāo)、多變量、多約束、高維度等特點(diǎn)的多變量非線性?xún)?yōu)化模型，因此，本文提出了一種改進(jìn)的小生境粒子群優(yōu)化算法，前期能避免粒子陷入局部極值，加強(qiáng)對(duì)全局極值的搜索，在后期能加強(qiáng)對(duì)局部極值的搜索，使其更快地收斂到最優(yōu)解。

2.1 粒子群算法

傳統(tǒng)粒子群算法通過(guò)追蹤兩個(gè)極值來(lái)更新自身位置，一個(gè)為個(gè)體極值（Pbest），另一個(gè)為全局極值（Gbest）。粒子群算法的更新公式如下所示：

式中：ω為慣性權(quán)重；Vkid為第i個(gè)粒子在第k次搜尋時(shí)的速度和方向（d=1，2，…，D）；Xkid為第i個(gè)粒子在第k次搜尋時(shí)的位置；Pbest為個(gè)體最優(yōu)極值；Gbest為全局最優(yōu)極值；C1、C2分別為粒子自我學(xué)習(xí)能力和社會(huì)學(xué)習(xí)能力，即為大于零的加速系數(shù)；r1、r2為[0，1]均勻分布的隨機(jī)數(shù)。

2.2 改進(jìn)的小生境粒子群算法

2.2.1 小生境技術(shù)

首先，根據(jù)粒子之間的歐氏距離來(lái)區(qū)分各粒子所屬的小生境群體[4]，隨后用粒子迭代公式來(lái)更新，只在該小生境中才能起作用。第二，利用基于粒子間距離的共享機(jī)制來(lái)更新粒子的適應(yīng)度值，對(duì)于適應(yīng)度值最低的粒子，利用罰函數(shù)懲罰，保留每個(gè)小生境中的最優(yōu)粒子。

2.2.2 改進(jìn)的基本粒子群算法

本文提出了一種非線性遞減慣性權(quán)重的優(yōu)化方法，即：

式中：ωstart為起始慣性權(quán)重值；ωend為結(jié)束慣性權(quán)重值；k為調(diào)節(jié)系數(shù)；t為算法當(dāng)前迭代次數(shù)；tmax為最大迭代次數(shù)。

當(dāng)k=1，t=0時(shí)，為起始值。k取值不同，算法收斂效果不同，當(dāng)k值較大時(shí)，算法在搜尋初期ω值較小，這使算法在初期容易陷入局部極值；然而當(dāng)k取值較小時(shí)，ω在算法初期較大，其全局極值搜尋能力強(qiáng)，能在更大的可行解空間中搜尋，增加算法找到全局最優(yōu)解的概率。隨著算法迭代次數(shù)增加，ω呈非線性遞減，算法迭代后期局部搜尋能力較強(qiáng)，這使得算法在后期能以更快的速度收斂到全局最優(yōu)解。

將小生境技術(shù)引入到基本粒子群算法中，提出改進(jìn)的小生境粒子群算法。首先，根據(jù)粒子間的距離對(duì)小生境種群進(jìn)行劃分，對(duì)于粒子X(jué)i=（xi1，xi2，…，xim），i=1，2，…，N，小生境群體是通過(guò)計(jì)算粒子與其他粒子之間的范數(shù)來(lái)確定的[5]。

對(duì)于給定參數(shù)σ0（σ0為預(yù)設(shè)閾值），若dik＜σ0，k=1，2，…，N，則該粒子進(jìn)入到該小生境群體Xpi中。

3 模型描述及結(jié)果分析

3.1 模型描述

本文相關(guān)參數(shù)取值如下：粒子種群規(guī)模為100，算法迭代次數(shù)為200，C1、C2取值都為2，ωstart取0.8，ωend取0.5，t取0.5，小生境半徑σ0取3。DG具體參數(shù)如表1所示，配網(wǎng)側(cè)相關(guān)參數(shù)如表2所示。

表1 DG具體參數(shù)

表2 配電網(wǎng)相關(guān)數(shù)據(jù)

圖1和圖2分別為某地區(qū)夏季典型日和冬季典型日的光伏、風(fēng)電發(fā)電預(yù)測(cè)出力曲線和用戶負(fù)荷曲線。設(shè)置峰時(shí)段為09：00—12：00，14：00—19：00；谷時(shí)段為22：00—次日06：00；平時(shí)段為06：00—09：00，12：00—14：00，19：00—22：00。

圖1 夏季典型日負(fù)荷曲線

圖2 冬季典型日負(fù)荷曲線

3.2 結(jié)果分析

圖3、圖4分別為用基本粒子群優(yōu)化算法和改進(jìn)的小生境粒子群優(yōu)化算法求解所得到的配電網(wǎng)運(yùn)行成本函數(shù)進(jìn)化曲線，結(jié)果表明，改進(jìn)的小生境粒子群算法收斂效率更快，更能收斂到全局最優(yōu)解。

圖3 粒子群優(yōu)化進(jìn)化曲線

圖4 改進(jìn)的小生境粒子群優(yōu)化進(jìn)化曲線

由表3可以得出，用粒子群算法得到夏季和冬季典型日主動(dòng)配電網(wǎng)運(yùn)行成本分別為25 113.86元和29 672.51元，用改進(jìn)的小生境粒子群算法得到運(yùn)行成本分別為23 245.60元和26 469.65元。采用改進(jìn)的小生境粒子群算法得到的成本分別下降了7.44%和10.79%。

表3 主動(dòng)配電網(wǎng)運(yùn)行成本對(duì)比

4 結(jié)論

本文以主動(dòng)配電網(wǎng)運(yùn)行成本最低為優(yōu)化目標(biāo)，構(gòu)建了包含分布式儲(chǔ)能的源-網(wǎng)-儲(chǔ)的主動(dòng)配電網(wǎng)綜合優(yōu)化調(diào)度模型，并采用經(jīng)過(guò)改進(jìn)的小生境粒子群算法對(duì)該主動(dòng)配電網(wǎng)調(diào)度模型進(jìn)行優(yōu)化求解，結(jié)果表明，改進(jìn)后的小生境粒子群算法比傳統(tǒng)的粒子群算法搜尋效率更高，全局極值搜尋能力更強(qiáng)。