計及風光消納的微電網多目標優化調度策略

摘要：為了進一步提高分布式電源的消納能力，本文針對微電網優化調度策略進行研究分析。本文以微電網系統機組運行成本、用戶負荷需求響應補償和棄風光懲罰費用作為優化調度模型的目標函數，通過層次分析法對本文構建的多目標模型進行處理，綜合考慮微電網系統中光伏、風機、燃氣輪機和儲能裝置等機組的出力約束，通過改進型蝙蝠算法對本文所提微電網優化調度策略進行求解計算。由仿真算例可知，本文所提方法能夠有效提高分布式電源的消納能力，顯著降低微電網系統的運行總成本，實現微電網系統的低碳清潔高效運行。

關鍵詞：微電網；優化調度；改進型蝙蝠算法

文獻標識碼：A

在實現碳達峰、碳中和的目標指引下，可再生能源發電以其清潔高效的優點為人們所倡導，微電網作為就地消納可再生能源的有效途徑在近些年得到了快速發展。然而，可再生能源出力具有波動性和間歇性，如果未對其接入微電網進行科學合理的調度安排，會對微電網的安全穩定運行造成較大的沖擊，無法實現微電網經濟運行效益最大化［1］。

針對微電網優化調度問題，人工智能算法在求解這類問題的應用廣泛。文獻［2］考慮各發電機組出力情況和蓄電池運行狀態等約束條件，以系統運行成本、負荷參與需求響應補償和低碳減排補償作為計算求解的目標函數，基于粒子群算法對建立的多目標模型進行求解，提高了微電網系統運行的經濟性和可靠性。文獻［3］考慮微電網系統運行網損、分布式電源出力低碳效益等多個目標函數，基于改進萬有引力搜索算法求解驗證所提模型的可行性。文獻［4］以微電網系統發電所需成本和低碳運行效益作為優化調度的目標函數，綜合考慮微電網各類機組的運行約束條件，利用超效率數據包絡分析將原始多目標模型轉化為單目標問題，并基于蝙蝠優化算法對所建立的微電網優化調度模型進行分析計算。上述文獻中利用人工智能算法來求解微電網優化調度問題存在迭代收斂時間較長和易陷入局部最優解等缺點，如何提高所建立模型計算求解的速度和精度需要進一步的研究分析［5］。

本文以儲能參與調度成本、燃氣輪機出力成本和棄風光懲罰作為求解的目標函數，應用層次分析法為多目標求解問題設置合理的權重，并基于改進型蝙蝠算法對本文所建立的微電網優化調度模型進行求解，通過仿真算例進一步驗證了本文所提方法的可行性和有效性。

1 基于改進型蝙蝠算法的微電網優化調度策略總體架構框圖

微電網系統的結構簡圖如圖1所示，基于改進型蝙蝠算法的微電網優化調度策略總體架構框圖如圖2所示。由圖2可知，通過輸入微電網系統包括網絡拓撲結構和各機組運行參數等基本信息，建立微電網系統運行的目標函數和約束條件，利用層次分析法對原始多目標函數進行處理，并基于改進型蝙蝠算法對所建立的模型進行求解計算。

2 優化調度模型

2.1 目標函數及約束條件

本文以微電網運行所需成本最小作為目標函數進行微電網優化調度策略的制定：

2.1.1 有功功率平衡約束

2.1.2 分布式電源出力約束

2.1.3 儲能裝置運行約束

2.1.4 節點電壓和線路電流約束

2.1.5 潮流約束

2.1.6燃氣輪機出力約束

2.2 改進型蝙蝠算法

蝙蝠算法通過模擬蝙蝠改變聲波進行定位使算法具有較為均衡的全局和局部尋優能力。本文通過對蝙蝠算法進行改進用于微電網優化調度問題的求解，改進型蝙蝠算法求解問題流程圖如圖3所示。

本文以蝙蝠算法為基礎，利用自動調節策略、局部尋優策略和隨機慣性權重策略來提高蝙蝠算法的求解精度和迭代收斂程度。

2.2.1 自動調節策略

2.2.2 局部尋優策略

2.2.3 隨機慣性權重策略

2.3 基于層次分析法權重因子確定

由于本文所建立的微網優化調度問題屬于多目標優化問題，為降低人為主觀因素對權重設置帶來的影響，本文采用層次分析法來進行各項因素的權重賦值。層次分析法將與決策相關的元素分解為方案層、準則層和目標層3個層次。采用定性與定量相結合決策分析或通過定性信息定量化的方法，使原本復雜的問題更加明朗，具體步驟如下：

3 仿真算例

3.1 算例說明

為了進一步驗證本文所提基于改進型蝙蝠算法求解微電網優化調度模型的可行性，本文基于拓展IEEE33節點微電網系統對本文所提方法進行分析驗證，微電網系統的網絡拓撲結構和各機組分布情況如圖4所示。微電網系統基準電壓為12.66kV，允許節點電壓波動的范圍為［0.95，1.05］p.u.。改進型蝙蝠算法的參數設置為：種群數和最大迭代次數分別為60和400；蝙蝠發出的音量和頻率范圍分別為［0.6，0.9］和［0，1］。用戶負荷參與需求響應的單位補償費用為0.35元/kWh。

3.2 仿真結果分析

針對選取的3個目標函數，本文按重要程度對其進行排序：棄風光懲罰費用>用戶參與需求響應補償>微電網機組運行成本，構造判斷矩陣A：

圖5為微電網中儲能裝置的充放電功率大小，圖6為改進型蝙蝠算法與其他算法比較。由圖6可知，與粒子群算法和遺傳算法相比，為避免其在尋優過程中陷入局部最優解和早熟收斂，通過引入自動調節策略、局部尋優策略和隨機慣性權重策略對蝙蝠算法進行改進，改進型蝙蝠算法具備更快的求解速度和更好的求解性能。

4 結論

本文以微電網機組運行成本、用戶參與需求響應補償和棄風光懲罰費用作為微電網優化調度的目標函數實現微電網系統總運行成本最小，考慮微電網系統各機組運行約束條件，并利用層次分析法對所建立的多目標模型進行處理，基于改進型蝙蝠算法對本文所提微電網優化調度模型進行求解計算，通過仿真算例對本文所提方法進一步驗證分析。

參考文獻：

［1］王成山，武震，李鵬.微電網關鍵技術研究［J］.電工技術學報，2014，29（02）：1-12.

［2］王金全，黃麗，楊毅.基于多目標粒子群算法的微電網優化調度［J］.電網與清潔能源，2014，30（01）：49-54.

［3］李鵬，徐偉娜，周澤遠，等.基于改進萬有引力搜索算法的微網優化運行［J］.中國電機工程學報，2014，34（19）：3073-3079.

［4］張林，郭輝，姚李孝.基于改進蝙蝠算法的微電網優化研究［J］.電網與清潔能源，2021，37（04）：122-126.

［5］于新海，王鑫，蘇日古格，等.基于GA和IPSO的微電網調度優化與對比分析［J］.電氣傳動，2022，52（22）：38-43.

作者簡介：馬耀東（1983—），男，碩士研究生，副高級工程師，主要從事電力系統優化調度；

周偉昌（1992—），男，本科，中級工程師，主要從事電力系統優化調度；

張懷鵬（1986—），男，本科，副高級工程師，主要從事電力系統優化調度；

劉軍福（1979—），男，碩士研究生，高級工程師，主要從事電力系統優化調度。