含多微源的微網并網優化運行研究

燕穎，潘庭龍

（江南大學物聯網工程學院電氣自動化研究所，江蘇無錫214122）

?

含多微源的微網并網優化運行研究

燕穎，潘庭龍

（江南大學物聯網工程學院電氣自動化研究所，江蘇無錫214122）

摘要：并網運行模式是發揮微網系統與大電網互補靈活性的重要形式。建立了含有儲能單元和多微源包括光伏電池、風力發電機、燃料電池、柴油發電機的復雜微網系統模型。在分時電價機制下，基于調度時段內追蹤凈負荷及SOC的狀態變化制定了的優化調度策略。以含多約束條件的經濟及環境成本最優化為目標函數建立了優化模型，通過改進的粒子群算法求解模型得出各微源及蓄電池整個調度周期內運行狀態。最后，結合具體算例驗證了該調度策略和改進算法的可行性。

關鍵詞：微網；多微源；并網；運行優化；粒子群算法

隨著當前資源和環境問題引發的矛盾日益突出，分布式發電技術得以迅速的發展起來，它具有能源資源利用率高，環境負面效應低，對經濟效益以及供能可靠性有一定改善等優勢。分布式發電供能微網系統又稱微網，是由分布式電源、儲能裝置、能量轉換裝置、相關負荷和監控、保護裝置匯集而成的小型發配電系統。

微網系統在并網運行的過程中，除保證運行外可靠，還應該兼顧經濟性、環保性。隨著對微網運行研究的深入，也已有了部分相關研究成果［1］。文獻［2］建立了一種包含燃料電池、微型燃氣輪機和柴油發電機組的混合能源系統微電網，并提出了自適應改進的粒子群算法對一天內的運行成本模型進行求解，但并未考慮加入蓄電池模塊后的復雜情況。文獻［3］對微網的運行采用了基于實數編碼的改進自適應遺傳算法對其運行經濟性進行了建模求解，但未充分考慮環境治理費用的問題。

本文建立了含有儲能單元蓄電池［4］和多微源包括光伏電池、風力發電機、燃料電池、柴油發電機的復雜微網并網運行模型，綜合考慮分時段內的凈負荷狀態、蓄電池荷電狀態（SOC）條件和分時電價提出調度策略，建立了以經濟運行成本最小及環境保護成本最小的優化調度模型，并采用改進的粒子群算法對該模型進行求解。

1　含多微源的微網系統

本文研究的微網系統由光伏電池（PV）、風力發電機（WT）、蓄電池（BAT）、燃料電池（FC）、柴油發電機機（DE）共同組成。

蓄電池是整個微網系統中壽命周期最短的設備，其使用狀況影響了整體性能的高低。蓄電池的有效累積壽命與它的放電深度和SOC值相關［5］，應盡量避免長期頻繁深放電，及運行在過低或過高的SOC水平。蓄電池在t時刻的SOC與其在t-1時刻的SOC，以及t-1到t時段的充放電量有關。故有

燃料電池和柴油發電機發電過程中消耗燃料費用與輸出功率之間有如下關系：

式中，Cnl為天然氣價格，L為天然氣低熱熱值，取定為9.7 kWh/m3，ηfc為FC運行效率。Cde為柴油單價，元/g，δde為燃油消耗率，g/kWh。

2　優化調度模型

2.1目標函數

本文設定2個目標函數，目標函數1為運行經濟成本最低，目標函數2為環境成本最低。

式中，F1、F2分別表示目標函數1和2，T為調度周期的總時段個數（以小時計），Cf表示各時段發電所需燃料成本。Com表示運行維護成本，表示為運行功率與運行維護系數的乘積，Cgrid為系統與大電網交互的成本。Cen為某微源在t時段內的污染物排放成本，元，Qij為第i個微源單位電量下對第j種污染物的排放量，kg/kWh，Vj為第j種污染物單位量所需支付的懲罰治理費用，元/kg，m為總的污染物種類數。

本文對多個單目標采用歸一化處理的方式由決策者選取大于0的向量wi（i=1，2，...，n），以線性加權法轉化為單目標的數學規劃問題。Wi作為權系數，其值越大代表目標對應的重要性占比越大。

mjnF=mjn（w1F1+w2F2）（7）

其中，w1，w2為權系數，為非負值，且w1+w2=1。當考慮目標函數1時，取w1=1，w2=0；當考慮目標函數2時，取w1=0，w2=1。

2.2約束條件

1）功率平衡約束Ppv+Pwt+Pgrjd+Pfc+Pbat=P1oad（8）

2）各微源的輸出功率約束：

3）蓄電池功率上下限約束及荷電狀態約束：

2.3優化調度策略

光伏電池、風力發電機作為可再生能源，其發出的功率全部用來滿足負荷需求，由此得出凈負荷Pnet的定義為同一時刻下，系統的實際負荷需求值減去可再生能源發電系統產生的功率值，是運行調度中其他發電單元和儲能系統需要滿足的功率值。

追蹤凈負荷狀態。當凈負荷小于0時，說明可再生能源產生了足夠的輸出功率且有剩余，此時令蓄電池運行在充電或待機狀態。同時追蹤蓄電池SOC狀態，當充電功率到達蓄電池最大充電功率臨界值，或者下一時刻將出現SOC越限時，應停止繼續充電。同時燃料電池和柴油發電機運行在停機狀態。蓄電池的充電功率值、與電網的功率交互值由調度結果決定。當凈負荷大于0時，說明有負荷缺額，此時開啟蓄電池發電單元以彌補負荷缺額，并追蹤SOC狀態保證蓄電池工作的有效范圍。開啟燃料電池、柴油發電機，根據相應目標下調度結果決定各單元的功率值。同時，與大電網保持在自由交互狀態。

3　改進粒子群算法及流程

3.1改進的粒子群算法

粒子群算法（PSO）的粒子個體通過對個體歷史最優和群體歷史最優信息的共享，發現更擴大化和更復雜的搜索空間中的最優位置，更易于解決復雜的非線性問題。PSO算法應用在傳統電網的機組組合問題中已有相當部分的研究成果［6］。傳統的PSO算法也有一些顯著的缺點，比如容易出現早熟現象而陷于局部最優解，無法保證有廣泛的種群多樣性。隨著迭代次數的增加，慣性權重逐漸遞減可以更好的平衡全局搜索與局部搜索能力。同時，將加速因子進行變加速動態調整，可進一步擴大前期解空間的搜索范圍，后期調整為加強粒子群的收斂性。改進后的慣性權重和變加速因子如下：

3.2算法流程和求解步驟

1）初始化粒子群，設置迭代次數、種群規模、粒子速度上下限等。

2）初始化粒子速度及位置。在功率上下限內，隨機產生種群數量為20的BAT、FC、DE在24h內的功率值，由功率平衡約束得出電網交互功率。通過式（1）得到蓄電池24h的SOC值，檢查是否滿足式（11）的約束條件。如不滿足，按一定的規則修改生成新的SOC值，直到滿足約束條件。通過式（1）計算出新的蓄電池功率。

3）速度和粒子更新。更新限制條件：

①檢測凈負荷小于0時，蓄電池應處于充電狀態。首先假設下一時刻的SOC值為最大值，計算出對應的充電功率，比較求出的該功率值、凈負荷值、蓄電池充電上限功率三者中的最大值即為滿足蓄電池功率約束和SOC約束的限值。

②檢測凈負荷大于0時，若蓄電池處于充電狀態則檢查充電上限功率約束和SOC最大值約束；若蓄電池處于放電狀態則檢查放電下限功率約束和SOC最小值約束。

③檢查凈負荷為負時停機約束和運行上下限約束。根據式（8）計算與大電網交互功率。

4）迭代300次，計算出群體適應度的最小值，并找出此時適應度值較小時的粒子，并計算出最優適應度下的蓄電池SOC的狀態。

4　算例分析

4.1微網結構和基本參數數據

本算例采用的微網系統由光伏電池（PV）、風力發電機（WT）、蓄電池（BAT）、燃料電池（FC）、柴油發電機機（DE）組成，各單元的運行維護系數依次為：0.0096元/kWh，0.0296元/ kWh，0.0450元/kWh，0.0293元/kWh，0.0889元/kWh。BAT功率上下限分別為70 kW，-70 kW，FC、DE的功率上限分別為為70 kW、60 kW。算例中的PV，WT的負荷預測曲線如圖1所示。系統內污染物處理價格及排放系數如表1所示。本文的調度周期為24 h，采用“峰—平—谷”分時電價的機制，各時段的購售電電價如表2所示。

圖1　光伏電池、風力發電機功率及負荷需求預測值

表1　污染物處理價格及排放系數

表1　分時段購電及售電電價

4.2仿真結果分析

從圖2可以看出，采用本文的改進粒子群優化算法的迭代效果顯著，在對應優化目標下，運行費用由3 080元下降至2 250元，約有26%左右的成本節約。從圖3和圖4仿真運行結果可以看出，目標1、2下各個發電單元功率值均在約束范圍之內。

圖2　目標函數1下的運行成本優化結果

柴油發電機在整個調度周期內利用率極低。目標1下，柴油發電機由于度電經濟成本極高，僅運行在電網售電價高峰時段。且可以看出柴油發電機僅開停機兩次，降低了開停機成本。而在目標2下，柴油發電機由于度電的環境污染成本高于其他各供電單元以及購電價格，則一直處于停機狀態，這與實際應用情況相符合。燃料電池利用率遠高于柴油電池。在目標1和2下，在第5～6 h滿足負荷需求后，燃料電池由于發電經濟成本以及環境污染成本均較低，系統均首先開啟燃料電池，且長期處于滿載運行狀態。

圖3　目標函數1下的各微源及蓄電池功率輸出情況

圖4　目標函數2下的各微源及蓄電池功率輸出情況

圖5　目標函數2下的蓄電池荷電狀態情況

蓄電池在凈負荷為負值時，目標1和2下的調度都是相似的。起始階段0～6 h內，凈負荷為負，優先對蓄電池充電，當蓄電池充電到SOC限值時停止充電，剩余凈負荷賣電給大電網。在23～24 h，凈負荷再次為負值，僅給蓄電池充電，燃料電池和柴油發電機處于停機狀態，與大電網交互功率也為0。在凈負荷為正時，蓄電池配合其他微源滿足負荷需求。圖5表明蓄電池的SOC一直在0.2～0.8范圍內，且在環境成本最低的目標下僅有2個充放電周期，充放電次數少，有利于延長蓄電池壽命。

5　結論

本文建立了含蓄電池儲能和光伏電池、風力發電機、燃料電池和柴油發電機的多微源復雜微網系統，該系統與大電網并網運行。在凈負荷狀態和蓄電池SOC狀態的追蹤下提出的調度策略，本文改進了粒子群算法，設計相應的調度程序求解了目標函數。對24 h調度周期內的微源出力的仿真結果驗證了本文的調度策略和算法的有效性，在相應目標下，各微源均合理的對功率輸出進行了優化分配，并極大減小了對應運行成本。

參考文獻：

［1］CHAKRABORTY S，WEISS M D，SIMOES M G. Djstrjbuted jnte11jgent energy management system for a sjng1e -phase hjgh -frequency AC mjcrogrjd［J］. IEEE Transactjons on Industrja1 E1ectronjcs，2007，54（1）：97-109.

［2］寧陽天.基于改進粒子群算法的微網動態經濟調度算法［J］.電力建設，2014，35（6）：26-30.

［3］林偉，陳光堂，邱曉燕，等.基于改進自適應遺傳算法的微電網負荷優化分配［J］.電力系統保護與控制，2012，40（12）：49-55.

［4］毛曉明，陳深，吳杰康，等.分時電價機制下含蓄電池微網的優化調度［J］.電網技術，2015，39（5）：1192-1197.

［5］Jenkjns D P，F1etcher J，Kane D.Ljfetjme predjctjon and sjzjng of 1ead-acjd batterjes for mjcrogeneratjon storage app1jcatjons［J］.IEL Renewab1e Power Generatjon，2008，2（3）：191-200.

［6］袁曉輝，蘇安俊，聶浩，等.面向啟發式調整策略和粒子群優化的機組組合問題［J］.電工技術學報，2009，24（12）：137-141.

Research on oPeratlon oPtlmlzatlon of grld-connected mlcrogrld wlth multlPle mlcro sources

YAN Yjng，PAN Tjng-1ong （School of Internet of Things Engineering Institute of Electrical Automation，Jiangnan University，Wuxi 214122，China）

Abstract:Operatjng jn grjd-connected mode js an jmportant form of mjcrogrjd to perform the f1exjbj1jty of the mutua1 comp1ementatjon wjth the power grjd.A comp1jcated mjcrogrjd mode was buj1t，whjch jnc1uded energy storage system and mu1tjp1e mjcro sources consjsted of photovo1tajc ce11，wjnd turbjne，fue1 ce11，djese1 generator .Under tjme-of-use prjce mechanjsm，based on the change of net 1oad and state of charge jn the djspatchjng cyc1e，a djspatch strategy was formu1ated .Take mu1tjp1e constrajnts jnto account，the optjmjzatjon target of the economy and envjronment was proposed .Then the mode1 was so1ved by modjfjed PSO a1gorjthm.The resu1t shows operatjng states of a11 mjcro sources and battery jn the djspatch cyc1e.At 1ast，the specjfjc examp1es verjfy the effjcjency of the strategy and proposed a1gorjthm.

Key words:mjcrogrjd；mu1tjp1e mjcro sources；grjd-connected；operatjon optjmjzatjon；PSO

中圖分類號：TM73

文獻標識碼：A

文章編號：1674-6236（2016）07-0013-04

收稿日期：2015-09-29稿件編號：201509190

基金項目：江蘇省自然科學基金（BK2012550）

作者簡介：燕穎（1989—），女，山東萊蕪人，碩士研究生。研究方向：智能微電網的優化運行。