基于混合PSO算法的孤島運行微電網優化調度研究

王 佳 ，劉嬌嬌 ，鄒毅軍 ，王志鵬 ，譚 偉

（1.上海科梁信息工程有限公司，上海 200233；2.上海電氣集團股份有限公司中央研究院，上海 201100）

隨著分布式發電技術的發展，微電網得到了電力工業的廣泛關注，在農村、海島和城鎮逐漸開始利用當地的風能和光能搭建微電網系統，而微電網系統的正常運行離不開能量管理系統，能量管理包括功率預測、優化調度和控制保護。如何根據負荷需求來對微電網內各發電單元進行有效的經濟調度，使系統運行成本最低，是微電網優化調度所要解決的問題。

目前對孤島模式下微電網優化調度的研究還不多。文獻[1]在孤島運行模式下，建立了最小發電成本模型，并通過遺傳算法（GA）進行優化，實現對微電網內發電成本的優化控制。文獻[2-4]制定的靜態發電計劃沒有考慮到時間段之間的關聯性。文獻[5]制定了多策略下的微電網經濟調度策略，但沒有考慮蓄電池的損耗費用。

本文針對光伏、風力發電機和蓄電池組成的孤島模式下的微電網日前經濟調度問題進行了研究，考慮微電網的維護費用、燃料費用、蓄電池損耗費用和停電損失費用，分別采用PSO算法和混合PSO算法對日前經濟調度模型進行求解。

1 孤島運行的微電網優化調度模型

1.1 目標函數

優化調度的目標是運行維護費用最小，孤島運行模式下的微電網運行維護費用包括維護費用、燃料費用、蓄電池損耗費用和停電損失費用4個部分。由于風力發電機、光伏電池和微型燃氣輪機的使用壽命較長，所以目標函數里風力發電機、光伏電池和微型燃氣輪機部分需要考慮其維護費用。由于蓄電池1～3 a就需要更換，所以目標函數里蓄電池部分主要考慮其損耗費用。當供電不足時，需要切除部分負荷，考慮切除負荷的停電損失費用。微電網優化調度的經濟模型[6-9]為

式中：Mope為微電網的運行維護費用；minMope表示整個微電網最小運行維護費用；Pwt-i、Ppv-i和PMT-i分別為風力發電機、光伏電池和微型燃氣輪機在第i小時里的輸出有功功率；Ploadloss-i是因供電不足切除的負荷功率；COM（Pi）為可再生發電單元的維護費用；KOM為可再生發電單元的維護系數；FMT-i為微型燃氣輪機在第i小時的燃料成本；LHV為天然氣的低熱熱值，本文取9.7 kW·h/m3；C為燃氣輪機的燃料氣體單價，本文取3元/m3[10]；W為蓄電池的購買成本；Qlifetime-i為蓄電池的全壽命輸出量，單位為kWh；ηrt為蓄電池的往返效率，通常取 0.8；ui為蓄電池的疲勞循環量，與放電深度有關，不同型號蓄電池的疲勞循環量不同；DODi為蓄電池的放電深度；qmax為蓄電池的最大容量，單位為Ah；ξ是因電力供應不足切除單位負荷所造成的經濟損失費用，取值根據實際情況確定[11-12]。

1.2 約束條件

功率平衡約束：微電網系統要保證供電和用電的功率平衡，如式（5）所示，即

發電容量約束：為保持運行的穩定性，每個發電機的實際輸出功率有嚴格的上下限約束，如式（6）所示。

蓄電池的荷電狀態約束：為了方便調度，蓄電池在一個調度周期內，始末荷電狀態要一致，如式（7）所示。為了保護蓄電池，延長蓄電池的使用壽命，蓄電池不能過放電和過充電，荷電狀態的最大最小值約束如式（8）所示。

式中，SOCmax和SOCmin分別表示蓄電池荷電狀態的上下限，通常取0.9和0.1。

1.3 優化變量

考慮到風能和太陽能都是間歇性能源，輸出功率不可控，不能作為優化變量，只能作為前期的預測量。而蓄電池、微型燃氣輪機的輸出功率可調度，故調度變量即優化變量選取蓄電池一天24 h的充放電功率（充電為負，放電為正）和微型燃氣輪機一天24 h的輸出功率為

2 基于混合PSO算法的優化調度

微電網優化調度屬于多目標、高維度問題，需要采用智能算法求解。人工魚群算法AFSA（artificial fish swarm algorithm）的聚群行為能夠很好的跳出局部極值，追尾行為有助于快速向某個極值方向前進，加速尋優過程。但AFSA只能快速找到全局極值的鄰域，不能求取高精度的最優解，這是AFSA的最大缺陷。而粒子群算法PSO（particle swarm optimization）雖然能夠精確搜索最優解，但其在優化過程中受初始值影響較大，容易陷入局部極值[13-14]。

本小節將AFSA的聚群行為和追尾行為與PSO算法混合，首先用AFSA的聚群行為和追尾行為調整粒子的飛行方向和目標位置，粗略搜索粒子的全局最優解，并將AFSA的聚群行為和追尾行為之后的粒子作為PSO算法的初始值，最后用PSO算法精確搜索全局最優解。

用AFSA-PSO算法求解孤島運行模式下的微電網系統優化調度步驟如下所示：

步驟1算法初始化。設置種群規模N=20，粒子維度 D=72，迭代次數 maxgen1=20，maxgen2=300，感知范圍visual=1.5，移動步長 step=0.5，擁擠度因子δ=0.4，覓食嘗試次數trynumber=10，學習因子C1=C2=1.49，最大慣性權值ωmax=0.9，最小慣性權值ωmin=0.4，最大速度 vmax=0.05，最小速度 vmin=-0.05，微型燃氣輪機最大和最小輸出功率限值PMTmax=2000，PMTmin=0，蓄電池最大放電和充電功率限值Pbatmax=159.727，Pbatmin=-21.197，風力發電機一天24 h功率預測量 Pwt-i（i=1，2，…，24），光伏電池一天 24 h 功率預測量 Ppv-i（i=1，2，…，24），一天 24 h 的負荷需求預測量 Pload-i（i=1，2，…，24），求一天 24 h 的凈負荷 Pjing-i=Pload-i-Pwt-i-Ppv-i（i=1，2，…，24）。

步驟2 產生符合條件的初始粒子。隨機產生種群規模為 20、維數為 48的粒子 pop，其中，1～24維表示微型燃氣輪機的調度功率，25～48維表示蓄電池的充放電功率。初始粒子產生流程如圖1所示。圖中，j表示粒子，i表示粒子維度。

圖1 初始粒子產生流程Fig.1 Flow chart of initial particle production process

a）根據AFSA算法的食物濃度的標準化公式求取所有粒子處的食物濃度 Y1，Y2，…Yj…，YN。 對 popu（j，：）執行聚群行為和追尾行為，計算聚群行為和追尾行為之后的 popu（ j，：），更新后 popu（ j，：）有可能不符合運行狀態要求和限制條件，需要根據圖1初始粒子產生流程里的限制條件對更新后的popu（j，：）進行修正，重新計算修正后粒子處的食物濃度Yu1，Yu2，…Yuj…，YuN，取食物濃度最優的行為前進一步。

b）u=u+1，將單個粒子經歷過的最好位置記為個體最優位置popbest（j，：），將個體最優位置的食物濃度記為個體極值pbest，將所有粒子經歷過的最好位置記為全局最優位置 popbest（bestindex，：），將全局最優位置的食物濃度記為全局極值gbest。

②將步驟①迭代后的粒子popbest（j，：）作為粒子的初始值代入下述PSO算法。

③令k=0，當k＜maxgen2時執行以下循環：

a）根據PSO算法的粒子速度公式對每個粒子popbest（ j，：）的速度 v（ j，：）進行更新，當 v（ j，i）＞0.05 時，v（ j，i）=0.05，當 v（ j，i）＜-0.05 時，v（ j，i）=-0.05。根據PSO算法的粒子位置公式對 popbest（ j，：）進行更新，更新后的粒子為 popkbest（ j，：）。 更新后popkbest（ j，：）有可能不符合運行狀態要求和限制條件，需要根據圖1初始粒子產生流程里的限制條件對更新后的 popkbest（ j，：）進行修正。

b）k=k+1，將單個粒子經歷過的最好位置替換原個體最優位置popbest（j，：），將個體最優位置的食物濃度替換原個體極值pbest，將所有粒子經歷過的最好位置替換原全局最優位置 popbest（bestindex，：），將全局最優位置的食物濃度替換原全局極值gbest。

④輸出 popbest（bestindex，1：24）、popbest（bestindex，25：48）分 別 為 微型燃氣輪機和蓄電池一天24 h的優化調度功率。

步驟3AFSA-PSO算法求最優解。

①AFSA對所有粒子的初始值進行優化。令u=1，當u＜maxgen1時執行以下循環：

3 算例分析

本算例以一含風力發電系統、光伏發電系統、燃氣輪機發電系統和鋰電池儲能系統的孤島運行的微電網為例，其裝機規模為1000 kW光伏電池、1650 kW風力發電機、530 kW鋰電池 （4KS25P）和8×250 kW微型燃氣輪機。

微電網優化調度需要前期的光伏發電、風機發電和負荷需求的功率預測數據。光伏電池功率預測、風力發電機功率預測數據和負荷需求量如圖2所示。從圖中可以看出，風力發電機基本上是按照額定功率發電。由于地理位置限制，光照輻照強度不高，光伏最高可輸出有功功率400 kW，光伏電池在中午 10：00～13：00 輸出功率最多，負荷在 19：00～21：00需求量最大，凌晨用電需求較小。

圖2 光伏、風機功率預測數據和負荷需求預測量Fig.2 PV cell and wind generator output power and load demand prediction

各發電系統的維護系數參考文獻[6]和[15]，如表1所示。初始參數根據微電網實際運行情況和微電網搭建的費用來設定，如表2所示。

表1 維護系數表Tab.1 Maintenance coefficient table

表2 初始參數表Tab.2 Initial parameter table

采用PSO算法和混合PSO算法的孤島運行模式的微電網優化調度仿真如圖3和圖4所示，優化調度下的蓄電池荷電狀態與迭代效果如圖5和圖6所示。

圖3 基于PSO算法優化調度結果Fig.3 PSO optimal scheduling result

圖4 基于混合PSO算法的優化調度結果Fig.4 AFSA-PSO optimal scheduling result

圖5 粒子群算法和混合粒子群算法優化調度下的蓄電池荷電狀態Fig.5 PSO and AFSA-PSO storage battery SOC curve

圖6 基于粒子群算法和混合粒子群算法的迭代效果Fig.6 PSO and AFSA-PSO iteration curve

從圖3和圖4的調度結果可以看出，由于孤島運行模式，負荷需求主要靠風力發電機、光伏電池和微型燃氣輪機來滿足。微型燃氣輪機在10：00～13：00 和 15：00～21：00 出力。 將圖 3 和圖 4 與圖 2對比可以看出，在19：00～21：00，負荷需求達到頂峰，微型燃氣輪機按照額定功率出力仍然不能滿足負荷需求，切除了部分負荷。從圖5可以看出，在13：00～15：00 和 21：00～24：00，蓄電池荷電狀態增加，是由于可再生能源發電量有剩余，給蓄電池充電。

將圖3和圖4對比可以看出，PSO算法和混合PSO算法對各發電單元的調度差異主要體現在對燃氣輪機和蓄電池的調度。從圖5可以清晰看出2種算法對蓄電池調度的差異。在 10：00～15：00，混合PSO算法對蓄電池放電和充電量調度均比PSO算法多，在一定程序上可以減少燃氣輪機的功率輸出，從而減少燃料消耗，節省了成本。在15：00～21：00，雖然兩者的蓄電池荷電狀態曲線差異較大，但在21：00時，2種算法的荷電狀態差異很小，說明2種算法在此時間段內的總放電量十分接近。從圖6可以看出，混合算法求得的運行維護費用比PSO算法低，且收斂速度較快。

4 結語

本文以一實際運行的微電網系統為例，充分考慮孤島運行模式下微電網維護費用、燃料費用、蓄電池損耗費用和停電損失費用，提出了利用AFSAPSO算法求解孤島模式下的微電網優化調度方法，分別采用PSO算法和AFSA-PSO對微電網進行仿真并分析，仿真結果顯示本文所提出的方法能夠快速并準確地尋找到最優解。

[1]汪兆才.間歇式可再生能源發電系統控制策略及應用研究[D].鄭州：鄭州大學，2012.

[2]王成山，洪博文，郭力.不同場景下的光蓄微電網調度策略[J].電網技術，2013，37（7）：6-13.

[3]王江波，費標清，王越，等.戶用微電網能量調度日前計劃研究[J].電測與儀表，2013，50（8）：87-92.

[4]丁明，張穎媛，茆美琴，等.集中控制式微網系統的穩態建模與運行優化[J].電力系統自動化，2009，33（24）：78-82.

[5]牛銘，黃偉，郭佳歡，等.微網并網時的經濟運行研究[J].電網技術，2010，34（11）：38-42.

[6]石慶均.微網容量優化配置與能量優化管理研究[D].杭州：浙江大學，2012.

[7]張穎媛.微網系統的運行優化與能量管理研究[D].合肥：合肥工業大學，2011.

[8]楊為.分布式電源的優化調度[D].合肥：合肥工業大學，2010.

[9]白峪豪.含分布式電源的微電網經濟調度模型研究[D].杭州：浙江大學，2012.

[10]上海市發改委.政府制定價格聽證辦法[Z]，2014.

[11]周永智，吳昊，李怡寧，等.基于MCS-PSO算法的鄰近海島多微網動態調度[J].電力系統自動化，2014，38（9）：204-210.

[12]李銳，李鵬.儲能系統在孤島微網中應用[J].電氣技術，2014（6）：15-18.

[13]李榮鈞，常先英.一種新的混合粒子群優化算法[J].計算機應用研究，2009，26（5）：106-108.

[14]黃華娟，周永權.求解全局優化問題的混合人工魚群算法[J].計算機應用，2008，28（12）：78-80.

[15]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（1）：49-54.