基于多代理系統的微電網多尺度能量管理
2016-09-27 00:54:21賈星蓓竇春霞徐式蘊
電工技術學報 2016年17期
賈星蓓 竇春霞 岳 東 徐式蘊
(1.燕山大學電氣工程學院 秦皇島 066004 2.南京郵電大學先進技術研究院 南京 210023 3.中國電力科學研究院 北京 100192)
?
基于多代理系統的微電網多尺度能量管理
賈星蓓1竇春霞1岳東2徐式蘊3
(1.燕山大學電氣工程學院秦皇島066004 2.南京郵電大學先進技術研究院南京210023 3.中國電力科學研究院北京100192)
對基于多代理系統的微電網能量管理策略進行了研究。首先，建立三層多代理系統；然后，基于博弈論研究大電網與多個微電網之間的上層電力市場競價策略；進而，以單個微電網為研究對象，考慮需求側響應，研究制定多時間尺度的分布式發電調度策略；最后，考慮到調度策略需要有負荷和風力發電機組短期預測作為前提保障，所以運用混沌相空間預測算法對負荷和風力發電機組進行短期預測。仿真結果驗證了所提能量管理策略的有效性。
多代理系統微電網多時間尺度能量管理電力市場競價策略
0 引言
近年來，微電網的研究受到了國內外學者的廣泛關注[1-3]。傳統的集中方法已經很難對微電網進行有效、靈活的運行控制和能量管理。多代理系統(Multi-Agent-System，MAS)是由多單元功能智能體形成的松散耦合的網絡結構，這些智能體在物理上或邏輯上是分散的，其行為是自治的，它們遵守某種協議而連接起來，通過交互與協作能高效解決復雜系統的控制和管理問題[4，5]。因此，多代理系統被推崇應用到微電網能量管理系統中[6，7]。
為了使電力系統發用電效益最大化，合理的電力市場競價策略至關重要。目前，競價策略大致分為以下幾種：①市場優化方法，即按照電力市場的結構和交易模式構造模型，在滿足系統約束條件下以市場買電費用最小、自身獲利最大為雙重目標進行優化求解的方法[8]，但是此類方法有違電力市場寡頭壟斷的特點，所以需要改進；②基于博弈論的方法[9，10]，是基于博弈論收益矩陣，或是基于各種非完全競爭博弈模型進行博弈；③估計競爭者的競價行為方法[11，12]，一般采用概率分析方法。本文將博弈論的方法和估計競爭者的競價行為方法相結合來研究電力市場競價策略。
傳統的微電網能量調度策略一般是以微電網的視角對發電機組進行調度，以確定需求側和分布式能源發電量[13，14]，而沒有從需求側的角度去考慮，遵循的是傳統的“發電跟蹤負荷”的思路。未來電網運行控制需要改變這一思路，將傳統的發電調度改變為考慮需求側響應的調度策略[15，16]，使其更加經濟、靈活。本文考慮需求側響應，研究制定多時間尺度的微電網能量調度策略。
為了有效解決微電網能量管理問題，本文建立了三層多代理系統。以整個電網的視角，基于博弈論研究構建電力市場日交易競價模型，采用納什均衡理論進行求解最優競價策略。然后以單個微電網為研究對象，構建日內計劃和實時計劃，即多時間尺度下的目標函數與約束，并且在構建日內計劃的目標函數時，基于分時電價不同時間段執行不同電費標準的電價制度，并將需求側響應也考慮進去。運用混沌相空間預測算法對負荷和風力發電機組進行短期預測，最終得到微電網各分布式發電源的最優調度策略。本文通過仿真研究驗證了所提方案的有效性。
1 多代理系統模型
多代理系統具有自主性、交互性、主動性等特點。每個代理具有自治能力，而多個代理形成多代理系統為了完成一個任務或達到一些目的遵守某種協議，來解決遠超越單個代理的系統性問題。由于微電網電力市場競價和內部能量優化管理中數據冗余而導致不夠靈活和效率低等原因，本文將利用多代理系統力爭高效解決微電網能量管理問題。
首先建立三層多代理系統，如圖1所示。第1層代理是電力市場管理系統代理(Market Operators Agent，MOA)；第2層代理是各個參與競價的微電網代理(Micro-Grid Agent，MGA)和大電網代理(Utility Grid Agent，UGA)；第3層代理是微電網中的分布式電源代理(Distributed Generation Agent，DGA)和負荷代理(Load Agent，LA)。第1、2層代理協調控制的主要任務是微電網電力市場最優競價，如圖2所示；第2、3層代理協調控制的主要任務是基于多時間尺度的微電網內部能量優化分配。通過微電網電力市場最優競價策略可以得出日微電網最優競價電量和電價，所得到的數據將用于基于多時間尺度的微電網內部能量優化分配。
圖1 三層多代理系統結構Fig.1 Implemented coordination between agents
圖2 電力市場競價多代理相互協調控制策略Fig.2 Architecture of bidding information based MAS
2 電力市場競價策略
多代理系統通過第1、2層代理相互協調來實現微電網電力市場最優競價策略，各個參與競標的微電網代理是由電力市場管理代理進行統一管理[17]。
假設有N個微電網參與電力市場競價，其中一個微電網的發電成本函數為
W(PG)=a(PG)2+bPG+c
(1)
式中，PG為參與競價微電網發出的有功功率，kW；a、b、c為參與競價微電網的成本二次函數系數，且均是已知量；a(PG)2+bPG為可變成本，包括燃油費用、運行維護費用等；c為固定成本，包括起動費用、設備折舊費用等。
考慮到電力市場不確定性，在競價時一般會在成本費用函數的基礎上加上一定的比例因子λ， 則微電網的發電成本函數可寫為
W(PG)=(1+λ)(a(PG)2+bPG+c)
(2)
微電網的利潤函數即微電網的收益可寫為
π=mPG-W(PG)
(3)
式中，π為微電網的競價利潤函數，USD；m為該時刻電價，USD/(kW·h)。
其他N-1個參與競價的微電網中，第i個微電網的成本函數和利潤函數可寫為
W(PGi)=(1+λi)(ai(PGi)2+biPGi+ci)
(4)
πi=mPGi-W(PGi)
(5)
式中，i=1,2,…,N-1； W(PGi)為第i個參與競價的微電網的成本函數；πi為第i個參與競價的微電網的利潤函數，USD；PGi為第i個參與競價的微電網的輸出有功功率，kW；ai、bi、ci為第i個參與競價微電網的成本二次函數系數，是不可知量；λi為第i個參與競價微電網的成本函數比例因子。
(6)
π(PGi)′=miPGi-E(W(PGi))
(7)
此時，該博弈模型由不完全信息模型博弈變為完全博弈模型，此模型可采用納什均衡來求解。由平衡條件可得
(8)
(9)
根據電力市場管理中心給出該時刻需要的電量預測，確定所有微電網的總出力
(10)
式中，Pbuy為微電網向大電網購買電量，kW。
聯立式(8)、式(9)和式(10)，可求得微電網最優競價電量和微電網邊際成本價格期望值
(11)
(12)
估計其他微電網的期望競價電量和期望價格分別為
(13)
(14)
本文采用博弈理論研究微電網競價策略。博弈論的主要元素有參與者、博弈策略、收益函數、均衡。
1)參與者是博弈中期望獲得最大化的自身利益的行為主體。“兩人博弈”是指博弈過程中只有2個參與者，“多人博弈”是指博弈過程中有3個或3個以上的參與者。本文中，電力市場中各個參與競價的微電網為博弈參與者，且競標過程屬于“多人博弈”過程。
2)博弈策略是參與者博弈中執行其行為的方案，即為達到利益最大化而做出的怎樣的方案選擇。本文中，電力市場的競價策略為：①負荷Agent執行預測計算，并向電力市場管理系統代理提交預測電量；②電力市場管理系統代理向各個參與競價的微電網Agent告知電力需求量，等待同意響應；③市場運行Agent確認電力需求可行，并初始化市場；④參與競標微電網Agent基于相關信息制定競標策略，并向市場管理系統Agent提交競標信息；⑤在分布式網絡運行Agent確認無電網違規現象存在后，市場管理Agent計算市場清算價格和各分布式電源中標電量，并向各分布式電源Agent宣布中標結果和電價。
3)收益函數是博弈中參與者最關心的對象——利益水平，是所有參與者策略或行為的函數，如式(5)所示。
4)均衡是所有參與者達到最優結果的策略或行動的組合，一般指“納什均衡”。
3 多時間尺度能量調度策略
由微電網電力市場最優競價的結果可以得出日微電網最優競價電量和電價，這些數據將被應用于多時間尺度的微電網內部能量優化分配。多代理系統通過第2、3層代理之間相互協調來執行微電網系統內部多時間尺度的能量優化管理。本文研究的多時間尺度分為日計劃和實時計劃。日計劃為實時計劃提供機組啟停計劃、日機組出力計劃；實時計劃是根據日計劃所提供的數據實時的對負荷進行調整，2個時間尺度各司其職，同時兼顧上、下級時間尺度計劃的協調。
3.1日計劃
日計劃以1 h為時間段，以24 h為周期(共計24個時間段)，依據分時電價的電費標準對負荷電量的預測值進行調整，通過建立負荷調整費用函數和約束求出負荷調整量，再以發電機組代理的成本、負荷代理購電費用、棄風懲罰、向大電網的最優競價電量建成目標函數，求出發電機組啟停狀態和發電量。
本文假定電價政策為：高峰時段為8∶30～11∶30和18∶30～23∶30，低谷時段為23∶30～7∶30，其余時段為平時段；平時段執行基礎電價，高峰和低谷時段分別按基礎電價上下浮動。因此，分時電價可以表示為
qi=q0(1+λqi), i=1,2,…,R
(15)
式中，R為劃分的時段數，本文取R=3， 將電價分為峰、平、谷3種；qi為在i時段的電價，USD/(kW·h)；q0為基礎電價，USD/(kW·h)；λqi為各時間段電價相對基礎電價的浮動比率。
本文發電機組有風力發電機組、燃氣輪機發電機組、燃料電池發電機組3種。燃氣輪機和燃料電池發電成本函數考慮發電機組的運行維護費用、燃料費用、排放污染氣體折合費用，包括了經濟因素和環保因素，可寫為
(16)
式中，ζ1和ζ2分別為運行維護費用、燃料費用函數和排放污染氣體折合費用函數的權重系數；pDG為分布式發電機組的發電量，kW；q為發電機組排放污染氣體的種類；α為電機的運行和維護費用參數，USD/kW；β為燃料單價，USD/m3；χ為燃料消耗率，m3/kW；el和hl為第l種污染氣體排放速率，m3/h；vl為第l種污染氣體排放懲罰因子，USD/m3。
由式(16)可知，燃氣輪機和燃料電池發電成本函數可寫成
(17)
式中，aDG、 bDG、 cDG為分布式發電機組的成本二次函數系數，USD。
為計算方便，本文采用三分段方式進行線性化處理，如圖3所示，于是分布式發電機組的邊際成本為
C(PDG)1=aDGPmin+aDGe1+bDG
(18)
C(PDG)2=aDGe1+aDGe2+bDG
(19)
C(PDG)3=aDGe2+aDGPmax+bDG
(20)
式中，Pmin為發電機組的最小出力，kW；PGmax為發電機組的最大出力，kW；e1和e2為2個分段點。
圖3 發電機組的發電成本曲線Fig.3 Power generation cost curve
因此分布式發電機組根據此時段的發電機組的起動費用、無負荷費用和發電成本費用組成發電機組代理的發電成本函數為
(21)
式中，t=1,2,…,24； N為發電機組數量；Dsi,t為t時間段i機組的啟停狀態；FCi為i機組的無負荷費用，USD；Pi,t,k為t時間段i機組在成本曲線k段的出力；C(Pi,t,k)k是i機組在成本曲線k段的邊際成本，USD；Si,t為t時間段i機組起動成本，USD。
假設在t時間段，負荷代理j檢測前、后的分時電價分別為qtjB和qtjA， 檢測前的負荷(預測負荷)和調整后的負荷分別為DtjB和DtjA， 則負荷的購電費用為
(22)
式中，M為負荷用戶代理數量；ΔDtj為在t時間段負荷代理j的負荷調整量。
本文只考慮具有自彈性需求的電價型負荷，其功率調整特性取決于自彈系數εj、 初始功率DtjB及初始電價qtjB，所以調用電價型負荷的邊際成本[19]可寫為
(23)
式中，ΔDtjp為t時間段負荷代理j的調用電價型負荷的調整量。
激勵性電價負荷是指實施機構通過制定確定性的或隨時間變化的政策，來激勵用戶在系統可靠性受到影響或是電價較高或較低時及時響應消減負荷或者增加負荷。在負荷代理發出功率調整指令后，按照指令調整功率并獲取相應補償或是折扣電價。消減負荷或是增加負荷，代理調用激勵型負荷的邊際成本[18]可分別表示為
CtjEX=θqtjB
(24)
CtjEX=(1-δ)qtjB
(25)
式中，θ和δ分別為補償率和折扣率。
在日計劃時間段負荷代理的調整費用目標函數和約束可表示為
(26)
式中，qt為t時間段上電價，USD/(kW·h)；q0為基礎電價，USD/(kW·h)；qf和qg分別為電價的峰值和谷值，USD/(kW·h)；ΔDtjpmin和ΔDtjpmax分別為調用電價型負荷代理i在t時間段上的最小調整量和最大調整量；ΔDtjEXmin和ΔDtjEXmax分別為激勵型負荷代理i在t時間段上的最小調整量和最大調整量。
根據以上目標函數和約束可求解日計劃內每個時間段內的滿足最小負荷調整費用目標函數最小的的負荷調整量最優解。
系統總的目標函數由在t時間段的發電機組代理的成本、負荷代理購電費用、棄風懲罰、向大電網最優競價電量構建，表達式為
(27)
功率平衡約束條件為
(28)
(29)
式中，E為風力發電機組的數量；ptlWT為t時間段風力發電機組的出力，kW。
發電機組代理的出力約束函數為
ptimin≤μi,tPi,t,k≤ptimax
(30)
式中，ptimin和ptimax分別為發電機組i在t時間段的最小出力和最大出力，kW。
3.2實時計劃
實時計劃以1 h為時間段，以15 min為周期(共計4個時間段)，根據實時計劃依據日計劃提供機組啟停計劃、日電量計劃和機組出力調整量等數據，建立系統總的目標函數。
實時計劃中在s(s=1,2,3,4)時間段，發電機組代理的發電成本函數為
(31)
在s時間段負荷代理的購電費用為
(32)
式中，Dsj為負荷代理在s時間段的購電量，kW；qtj為負荷代理在s時間段的電價，USD/(kW·h)。
實時計劃中負荷代理調整費用目標函數和約束同日計劃相同。
系統總的目標函數構建方法與3.1節相同，表達式為
(33)
功率平衡約束條件為
(34)
式中，pslWT為s時間段風力發電機組的出力，kW。
發電機組代理的出力約束函數為
psimin≤μi,sPi,s,k≤psimax
(35)
式中，psimin和psimax分別為發電機組i在s時間段的最小出力和最大出力，kW。
3.3目標函數權重系數的確定
由于本文的微電網能量管理目標函數由發電機組代理的成本、負荷代理購電費用、棄風懲罰、向大電網的最優競價電量構建，因此可采用二元對比法確定指標權重。首先，建立重要性排序一致性標度矩陣，設系統有待進行重要性比較的指標集D={d1,d2,…,dn}， 其中di為第i個指標，i=1,2,…,n。 將指標集中的指標作比較，例如將dm和dl作比較，若dm比dl重要，則記排序標度eml=1、elm=0； 若同樣重要，則記為eml=0.5、elm=0.5。 eml、 elm只取0、0.5和1之中的某一個數。根據比較結果，建立指標集二元對比重要性定性排序標度矩陣
(36)
指標重要性排序一致性定理：若二元對比定性排序標度矩陣E滿足ehk>ehl， 有elk>ekl； 滿足ehk
為使二元定量對比更符合我國的語言習慣，給出定量標度，引入語氣算子和隸屬度。由文獻[19]提出的各種語氣算子對應的隸屬度，見表1。按照指標重要性排序一致性定理寫出指標集二元對比重要性定性排序標度矩陣E，根據表1中語氣算子與相對隸屬度的對應關系，將模糊語氣算子轉換為各指標的相對隸屬度，得到指標的非歸一化權向量W′， 將其歸一化，即可得到指標的歸一化權向量W。
表1 語氣算子與模糊標度、隸屬度的對應關系Tab.1 Relationship of mood operator，fuzzy scale and membership degree
3.4日計劃與實時計劃的相互協調
為了滿足日計劃發電量的目標函數和約束，需將日計劃發電量分解至各時予以具體完成。一方面，不同時間尺度的分時電價不同；另一方面，不同于日計劃，實時計劃不在考慮機組的啟停狀態和分時電價的影響。機組日計劃電量分解至實時的計劃電量應為一個范圍，而非具體數值，由日計劃得到的機組i第s時間段(15 min)的計劃電量上、下限可按式(37)計算[20]。
(37)
由于每隔1 h發電機組會滾動一次重新安排發電機組的啟停狀態和發電量計劃，所以各機組計劃電量的上、下限按式(38)更新。
(38)
3.5具體實現流程
1)設定Tday=24。
2)判斷Tday是否小于0，若是，則結束；若否，則進入步驟3)。
3)Tday=Tday-1， 求解滿足日計劃目標函數和約束條件的每個發電機組每小時發電量的最優解和機組的啟停狀態。
4)設定Ttime=4。
5)判斷Ttime是否小于0，若是，則轉到步驟2)；若否，則進入步驟6)。
6)Ttime=Ttime-1， 求解滿足實時計劃目標函數和約束條件的每個發電機組每15 min的發電量的最優解，并轉到步驟5)。
3.6中心引力優化算法
在本文中，運用中心引力算法求解日計劃和實時計劃多目標函數的最優解。中心引力算法[21]由Formato 在2007年提出，是基于物理運動學原理構造的一種新型優化算法，通過初始化若干隨機質點，每個質點有其加速度和位移，進行迭代，直至找到最優解。速度矢量和位移矢量的表達式分別為
(39)
(40)
(41)
(42)
(43)
(44)
具體流程如下：
1)初始化質點群p={x1,x2,…,xNp}， 計算每個質點函數f(xi)值。
2)根據迭代比較每個質點的函數值找出最優質點函數值f(xbest)， 然后確定最優質點xbest。
3)根據式(41)～式(43)進行迭代。
4)根據目標函數更新質點函數值。
5)如果達到完成迭代條件后，則終止跳出循環，如果沒有達到則跳轉到步驟3。
3.7混沌理論預測算法
日微電網負荷預測和風力發電預測為微電網多時間尺度能量調度策略提供數據。本文運用混沌理論算法[22]對日負荷預測和風電發電量進行預測。
1)重構相空間。
重構相空間理論是由Packard 和Takens等提出的，將混沌理論引入到時間序列分析。混沌預測是建立在序列的重構相空間基礎之上。定義一組時間序列{x(i)},i=1,2，…，N， 嵌入維數和延遲時間分別為m和τ。 向空間重構為
X(i)=[x(i),x(i+τ),…,x(i+(m-1)τ)]
(45)
在相空間重構中，延遲時間τ和嵌入維數m為最重要的兩個參數。τ和m并非各自獨立的兩個量，嵌入窗寬揭示了二者間的相關性
τW=(M-1)τ
(46)
式中，τW為嵌入窗寬。
在本文中，把時間序列{x(i)},i=1,2，…，N分解成長度為INT(N/t)的t個不相交的時間序列，INT為取整函數，t為一般的自然數。分解過程為
(47)
計算每個子序列的統計量s(m,N,r,τ)：
s(m,N,r,τ)
(48)
式中，cl為第l個子序列的關聯積分，定義為
c(m,N,r,τ)
(49)
式中，θ(·)為Heaviside單位函數；X(i)和X(j)分別為第i個和第j個時間序列。
局部最大間隔可取s(·)的零點或對所有半徑r相互差別最小的時間點。選擇對應值最大和最小兩個半徑r， 定義差量為
ΔS(m,N,T)
=max[S(m,N,ri,τ)]-min[S(m,N,rj,τ)]i≠j
(50)
根據統計學的原理，r的取值在σ/2和2σ之間，m取值為2～5，σ為時間序列的均方差，得到以下方程[23]
(51)
2)李雅普諾夫指數預測方法。
李雅普諾夫指數指出了系數誤差在相空間中沿特征向量方向的指數增長率，它為估計系統初始軌道的指數發散和混沌行為的量化指標。李雅普諾夫指數的估計值為
(52)
式中，k為迭代次數；Lk-1為兩個初始點的距離；Lk為經過k次迭代后兩個點之間的距離。
假設參考點為X(ti)， 與參考點最近鄰態為Xnbt(ti)，Xnbt(ti)可定義為
Xnbt(ti)=min[‖Xi-Xi+j‖]j=1,2,…,(M-1)
(53)
假設經過k次迭代后參考點X(ti)變為Xi+k， 如果k<τ， 則Xi+k只有一個分量是未知的、M-1個分量是已知的。一維李雅普諾夫指數預測模型為
(54)
最大李雅普諾夫指數預測算法流程如下：
①初始化時間序列，確定樣本空間N。
②同步計算嵌入維數m和延遲時間τ。
③計算李雅普諾夫指數λ， 若λ<0， 轉到步驟⑨；若λ≥0則進行步驟④。
④根據嵌入維數和延遲時間重構相空間。
⑤最后已知點X(N-(m-1)τ)并計算最近鄰態X(Min)。
⑥計算X(Min)和X(N-(m-1)τ)的直線距離。
⑦計算X(Min+1)和X(N-(m-1)τ)的直線距離。
⑧計算X(Min+1)在重構相空間的坐標，根據λ預測X(N+1)的時間域值。
⑨若滿足終止條件，則結束程序輸出結果；否則，轉到步驟②。
4 算例分析
4.1微電網電力市場競價仿真
本文假設參與電力市場競價的微電網有3個，將微電網1作為參考對象，微電網2、3是競價對手，3個微電網的成本比例為固定值0.2，即1+λ在0.8、1、1.2中取值，比例因子的概率分布可見表2。3個微電網的競價參數以及微電網2、3的競價參數概率分布見表3，其中表2和表3的一些數據是由文獻[24]獲得的。
表2 微電網2和3中比例因子的概率分布Tab.2 Probability distribution of λ about MG 2 and 3
表3 微電網競價參數Tab.3 The cost parameter of MG
表3中H、M、L分別代表微電網的高、中、低成本戰略。因為參考微電網1比例因子在0.8、1、1.2中取值，成本競價參數根據高、中、低成本戰略有3種取值，所以參考電網的成本函數有9種選擇。為方便研究，參考微電網1的比例因子為1，競價參數選取中成本戰略的。
圖4為電力市場在日內每小時所需電量圖，可見在3∶00時需求量最低，在21∶00時需求量最高。數據通過大電網傳送到電力市場管理代理，根據本文所研究的電力市場競價策略，可以分別求得微電網1、2、3的最優競價電量，如圖5所示。由圖5可見：微電網3基本保持在最大輸出功率值；微電網1在2∶00～8∶00基本保持在最小輸出功率值；微電網2在1∶00～9∶00基本保持在最小輸出功率值。根據圖5所得的最優解，可以求得微電網1、2、3的最大利潤值，如圖6所示。
圖4 日電力市場需求量Fig.4 Daily demand of MOA
圖5 日微電網最優競價電量Fig.5 Daily optimal bidding energy profits of MG1，MG2 and MG3
圖6 日微電網利潤Fig.6 Daily profits of MG1，MG2 and MG3
4.2微電網多時間尺度仿真與分析
1)日計劃負荷和風電發電量的預測。
本文選取一個月30天的數據作為樣本數據進行提取李雅普諾夫指數計算，可得出日負荷預測值和風力發電機組日發電量值，如圖7和圖8所示。
圖7 日負荷預測值和實際值Fig.7 Daily forecast load value and actual load value
圖8 日風力發電機組發電預測值和實際值Fig.8 Daily forecast load value and actual of WT outpower
2)日計劃負荷調整。
根據負荷調整費用目標函數和約束可求得日內計劃每個時間段的負荷調整量，如圖9所示。
圖9 日負荷調整前后值Fig.9 Daily load value and after adjusting the value of the load
3)日計劃發電機組能量優化。
燃氣輪機發電機組和燃料電池發電機組的數據見表4～表6。
表4 微型燃氣輪機和燃料電池機組參數Tab.4 Parameters of micro gas turbine and fuel cell
表5 微型燃氣輪機和燃料電池機組排放參數Tab.5 Parameters of pollution gas
表6 微型燃氣輪機和燃料電池機組數據Tab.6 Parameters of micro gas turbine and fuel cell
根據實時計劃的目標函數和約束可以求得日內每小時燃氣輪機發電機組和燃料電池發電機組的啟停狀態和發電量。表7為每小時燃氣輪機發電機組和燃料電池發電機組的起動發電機數量。圖10為每小時燃氣輪機發電機組和燃料電池發電機組的發電量。
表7 微型燃氣輪機和燃料電池起動數量Tab.7 Running numbers of micro gas turbine and fuel cell
圖10 燃氣輪機發電機組和燃料電池發電機組的發電量Fig.10 Daily output power of FC and MT
圖11為日目標函數值，是根據本文日目標函數求解的。另外，不考慮需求側響應即不對負荷進行調整的目標函數值也被求解出，與考慮需求側響應的目標函數值進行對比。從圖中可看出在本文假定電價政策高峰時段調整負荷的目標函數值小于不調整負荷的目標函數值；在低谷時間段調整負荷的目標函數值大于不調整負荷的目標函數值。可以計算日目標函數總值調整和不調整負荷的目標函數值總值分別為5 842.150 0和5 876.328 4。由此可知調整后整體目標函數減小，即負荷代理購電費用減小，更加經濟。
圖11 日目標函數值Fig.11 Daily objective function value
4)實時計劃仿真。
機組日計劃電量分解至實時的計劃電量為一個范圍，而非具體數值。根據式(36)、式(37)可以求得每15 min發電機組發電量的上下限值。本文選取日計劃23∶00為參考時間段進行實時計劃仿真。由日計劃仿真可知在23∶00時，燃氣輪機和燃料電池起動數量分別為2和5；由分時電價可知23∶00～23∶30是高峰電價23∶30～24∶00是低谷電價，所以負荷需要調整，在23∶00～23∶30時負荷需要減少，在23∶30～24∶00時負荷需要增加。由負荷調整費用目標函數和約束可求得負荷調整量在23∶00時分別為-4.036、-3.963、4.010、4.010。實時計劃目標函數用中心引力算法優化仿真可求得在23∶00時燃氣輪機發電機機組和燃料電池發電機組的發電量見表8。
表8 23∶00時燃氣輪機和燃料電池發電機組的 發電量和目標函數值Tab.8 Objective function value and output powers of MT and FC at 23∶00
5 結論
本文建立了三層多代理系統對微電網進行協調能量管理，其中上層代理和中層代理相互協調控制是執行基于博弈論的微電網電力市場競價策略，中層代理和下層代理相互協調控制是執行考慮需求側微電網的多時間尺度調度策略。算例分析中，首先根據微電網電力市場競價策略，得出參與競價的微電網的最優競價電量和利潤；然后，將所得結果用到參考電網多時間尺度的仿真中。多時間尺度調度策略分為日內計劃和實時計劃，日內計劃首先運用基于混沌理論李雅普諾夫指數預測算法預測負荷和風力發電，為優化提供數據。隨后，用中心引力最優算法求出日計劃發電機組的啟停狀態、發電機組的發電量、目標函數值，并且將目標函數值與不考慮需求側響應的目標函數值對比，得出本文考慮需求側響應的日計劃更加經濟。最后，將日計劃求解的發電機組的啟停狀態、發電機組的發電量的數據提供給實時計劃，選取23∶00時對實時計劃的目標函數求解，得出最優解。由仿真結果可知，本文研究的微電網多尺度能量管理策略確保了微電網供用電的經濟性。
[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(2)：1-12.
Wang Chengshan，Wu Zhen，Li Peng.Research on key technologies of microgrid[J].Transactions of China Electrotechnical Society，2014，29(2)：1-12.
[2]張建華，于雷，劉念，等.含風/光/柴/蓄及海水淡化負荷的微電網容量優化配置[J].電工技術學報，2014，29(2)：102-112.
Zhang Jianhua，Yu Lei，Liu Nian，et al.Capacity configuration optimization for island microgrid with wind/photovoltaic/diesel/storage and seawater desalination load[J].Transactions of China Electrotechnical Society，2014，29(2)：102-112.
[3]郭思琪，袁越，張新松，等.多時間尺度協調控制的獨立微網能量管理策略[J].電工技術學報，2014，29(2)：122-129.
Guo Siqi，Yuan Yue，Zhang Xinsong，et al.Energy management strategy of isolated microgrid based on multi-time scale coordinated control[J].Transactions of China Electrotechnical Society，2014，29(2)：122-129.
[4]李東東，崔龍龍，林順富，等.家庭智能用電系統研究及智能控制器開發[J].電力系統保護與控制，2013，41(4)：123-129.
Li Dongdong，Cui Longlong，Lin Shunfu，et al.Study of smart power utilization system and development of smart controller for homes[J].Power System Protection and Control，2013，41(4)：123-129.
[5]Logenthiran T，Srinivasan D，Khambadkone A M.Multi-agent system for energy resource scheduling of integrated microgrids in a distributed system[J].Electric Power Systems Research，2011，81(1)：138-148.
[6]丁明，馬凱，畢銳.基于多代理系統的多微網能量協調控制[J].電力系統保護與控制，2013，41(24)：1-8.
Ding Ming，Ma Kai，Bi Rui.Energy coordination control of multi-microgrid based on multi-agent system[J].Power System Protection and Control，2013，41(24)：1-8.
[7]楊麗君，于琦，魏玲玲，等.基于移動多代理動態聯盟的配電網故障恢復研究[J].電工技術學報，2016，31(8)：147-155.
Yang Lijun，Yu Qi，Wei Lingling，et al.A distribution network fault recovery study on the dynamic alliance of mobile multi-agent[J].Transactions of China Electrotechnical Society，2016，31(8)：147-155.
[8]艾芊，章健.基于多代理系統的微電網競價優化策略[J].電網技術，2010，34(2)：46-51.
Ai Qian，Zhang Jian.Optimization bidding strategies of microgrids based on multi-agent system[J].Power System Technology，2010，34(2)：46-51.
[9]Wang Jianhui，Zhou Zhi，Botterud A.An evolutionary game approach to analyzing bidding strategies in electricity markets with elastic demand[J].Energy，2011，36(5)：3459-3467.
[10]Langary D，Sadati N，Ranjbar A M.Direct approach in computing robust Nash strategies for generating companies in electricity markets[J].Electrical Power and Energy Systems，2014，54(54)：442-453.
[11]Kazemi M，Ivatloo B M，Ehsan M.Risk-based bidding of large electric utilities using information gap decision theory considering demand response[J].Electric Power Systems Research，2014，114(3)：86-92.
[12]Nojavan S，Zare K，Ashpazi M A.A hybrid approach based on IGDT-MPSO method for optimal bidding strategy of price-taker generation station in day-ahead electricity market[J].Electrical Power and Energy Systems，2015，69：335-343.
[13]陳昌松，段善旭，蔡濤，等.基于改進遺傳算法的微網能量管理模型[J].電工技術學報，2013，28(4)：196-201.
Chen Changsong，Duan Shanxu，Cai Tao，et al..Microgrid energy management model based on improved genetic arithmetic[J].Transactions of China Electrotechnical Society，2013，28(4)：196-201.
[14]麻秀范，崔換君.改進遺傳算法在含分布式電源的配電網規劃中的應用[J].電工技術學報，2011，26(3)：175-181.
Ma Xiufan，Cui Huanjun.An improved genetic algorithm for distribution network planning with distributed generation[J].Transactions of China Electrotechnical Society，2011，26(3)：175-181.
[15]Zakariazadeh A，Jadid S.Smart microgrid energy and reserve scheduling with demand response using stochastic optimization[J].Electrical Power and Energy Systems，2014，63(12)：523-533.
[16]Mazidi M，Zakariazadeh A，Jadid S，et al.Integrated scheduling of renewable generation and demand response programs in a microgrid[J].Energy Conversion and Management，2014，86(10)：1118-1127.
[17]Handschin E，Slomski H.Unit commitment in thermal power systems with long-term energy constraints[J].IEEE Transactions on Power Systems，1990，5(4)：1470-1477.
[18]楊勝春，劉建濤，姚建國，等.多時間尺度協調的柔性負荷互動響應調度模型與策略[J].中國電機工程學報，2014，34(22)：3664-3673.
Yang Shengchun，Liu Jiantao，Yao Jianguo，et al.Model and strategy for multi-time scale coordinated flexible load interactive scheduling[J].Proceedings of the CSEE，2014，34(22)：3664-3673.
[19]曹永強，王本德，劉金祿.基于二元對比定權法的水質評價模型及其應用[J].水電能源科學，2002，20(3)：19-21.
Cao Yongqiang，Wang Bende，Liu Jinlu.Water quality assessment model based on dualistic factor contrast for indexes weight calculation and its application[J].International Journal Hydroelectric Energy，2002，20(3)：19-21.
[20]栗然，崔天寶，肖進永.基于云模型的短期電價預測[J].電網技術，2009，33(17)：185-190.
Li Ran，Cui Tianbao，Xiao Jinyong.Short term electricity price forecasting based on cloud model[J].Power System Technology，2009，33(17)：185-190.
[21]Green R C，Wang Lingfeng，Alam M.Training neural networks using central force optimization and particle swarm optimization：insights and comparisons[J].Expert Systems with Applications，2012，39(1)：555-563.
[22]Kouhi S，Keynia F，Ravadanegh S N.A new short-term load forecast method based on neuro-evolutionary algorithm and chaotic feature selection[J].Electrical Power and Energy Systems，2014，62(11)：862-867.
[23]韓敏.混沌時間序列預測理論與方法[M].北京：中國水利水電出版社，2007.
[24]陳鵬，周暉.微電網電力市場交易模型[J].電力需求側管理，2011，13(4)：23-29.
Chen Peng，Zhou Hui.Research on trading model of micro-grid under market conditions[J].Power DSM，2011，13(4)：23-29.
Multiple-Time-Scales Optimal Energy Management in Microgrid System Based on Multi-Agent-System
Jia Xingbei1Dou Chunxia1Yue Dong2Xu Shiyun3
(1.Institute of Electrical EngineeringYanshan UniversityQinhuangdao066004China 2.Institute of Advanced TechnologyNanjing University of Posts and Telecommunications Nanjing210023China 3.China Electric Power Research InstituteBeijing100192China)
The microgrid (MG) energy management strategy based on multi-agent-system (MAS) is researched in this paper.Firstly，a three-level multi-agent-system is constructed.Then，the optimal power market bidding strategies are researched between the upper-level and middle-level agents considering the MG profit maximization.Thirdly，taking a microgrid as the research object and considering demand response (DR)，multi-time-scales energy management strategies are produced for distributed energy resources.Finally，taking into aocount the short-term load farecasting and renewable energy generations forecasting are guarantee for scheduling strategy,so, in the short-term load and renewable energy generation are forecasted by chaos phase space theory.The simulation results verify the effectiveness of the proposed energy management approach.
Multi-agent-system，microgrid，multi-time-scales，energy management，power market，bidding strategy
2015-06-04改稿日期2015-09-25
TM73
賈星蓓女，1986年生，博士研究生，研究方向為微電網能量優化管理策略。
E-mail：jiaxingbei1986@163.com
竇春霞女，1967年生，教授，博士生導師，研究方向為新能源控制技術、電力大系統分布式控制、微電網智能控制等。
E-mail：cxdou@ysu.edu.cn(通信作者)
國家自然科學基金項目資助(51177142,61573300)。
