獨立型微電網多目標優化配置

張有兵，包侃侃，楊曉東，任帥杰，戚 軍，謝路耀

(浙江工業大學 信息工程學院，浙江 杭州 310023)

?

獨立型微電網多目標優化配置

張有兵，包侃侃，楊曉東，任帥杰，戚 軍，謝路耀

(浙江工業大學 信息工程學院，浙江 杭州 310023)

獨立型微電網作為海島和偏遠地區用電問題的有效方案得到廣泛關注，而微電網優化配置是微電網規劃設計階段需要解決的首要問題.將微電網等年值成本作為經濟性指標以及新能源滲透率作為環保性指標，以供電經濟性和環保性為優化目標，建立含風力、光伏、柴發和儲能的獨立型微電網多目標優化配置模型.分別采用非劣排序遺傳算法(NSGA-II)和最大模糊滿意度法進行多目標求解，尋求微電網分布式電源容量最優配置.算例表明多目標遺傳算法可求得Pareto解集，而最大模糊滿意度法通過模糊轉化求得唯一最優解，證明所提方法有效，為獨立型微電網優化設計提供必要的依據.

獨立型微電網；多目標優化配置；改進型非劣排序遺傳算法；最大模糊滿意度法

海島和偏遠地區一般遠離大電網，通常采取以柴油發電為主的獨立供電方式，由于其高昂的柴油成本及運輸困難，電力供應緊張，同時排放大量污染物.微電網作為風光等新電源的有效組織形式，近年來受到了廣泛關注并得到越來越多的應用[1].微電網可提高供電可靠性和電能質量，同時從柴發轉為以風光發電為主，減少污染排放.微電網優化配置是微電網建設前期需要解決的首要問題，優化配置的優劣將決定微電網的安全運行和經濟效益.國內外學者圍繞獨立型微電網優化配置開展了一系列的研究.文獻[2]從經濟性角度對海島獨立型微電網中儲能的選型和容量配置進行了討論；文獻[3]針對獨立型風光互補系統，以綜合成本為目標對微電網容量配置問題進行了分析；文獻[4]以總投資最少為目標,對獨立型風光儲微電網進行容量配置；文獻[5]考慮了不同控制策略對微電網優化配置的影響.以上研究往往只以經濟性為單一目標對微電網進行優化配置，從環保角度考慮的較少.面對日益突出的環境問題和環保意識的提高，有必要將環保性作為微電網規劃的重要目標.因此，對獨立型微電網以供電經濟性、環保性為多目標進行容量優化配置.

筆者將微電網等年值總成本作為經濟性指標，新能源滲透率作為環保性指標.以供電經濟性和環保性為優化目標，建立含風力、光伏、柴發和儲能的獨立型微電網多目標優化配置模型.分別采用改進型非劣排序遺傳算法(NSGA-II)和最大模糊滿意度法進行多目標求解，尋求微電網分布式電源容量最優配置方案.為獨立型風光柴儲微電網優化設計提供必要的依據.

1 微電網優化配置模型

微電網包含風機(Wind turbine，WT)、光伏(Photovoltaic，PV)、蓄電池儲能系統(Battery energy storage system，BESS)和柴油發電機(Diesel engine，DE)等微電源，與大電網不相連，采用負荷跟隨運行策略.微電源模型、微電網優化配置目標和約束條件如下.

1.1 微電源模型

1.1.1 風機

風機的輸出功率PWT主要取決于風速v，其輸出功率數學模型[6]可表示為

(1)

式中：PWT，rate為風機額定輸出功率；vci為切入風速；vco為切出風速；vr為額定風速.

1.1.2 光伏

光伏列陣的準穩態輸出功率模型為

(2)

式中：PSTC為標準條件[7]下(即太陽能輻射強度為1 kW/m2，溫度為25 ℃)光伏列陣的額定輸出功率；Gcell為光伏陣列傾斜面上太陽能輻照度，GSTC為標準測試條件下的太陽能輻照度；k為功率溫度系數；Tcell為光伏陣列的表面溫度；TSTC為標準測試條件溫度.

1.1.3 柴油發電機

柴油發電機的柴油消耗量與微電網經濟性和環保性優化目標直接相關，耗油量F(單位：L/(kW·h))與其輸出功率相關的線性函數，即

F=F0PDE,rate+F1PDEPDE>PDE,min

(3)

式中：PDE,rate和PDE分別為柴油發電機的額定功率和輸出功率；F0和F1為柴油消耗曲線截距系數，分布取值0.084 15，0.246[8]；PDE,min為柴發最小運行功率.

1.1.4 儲能

蓄電池儲能系統的存儲電量由荷電狀態(State of charge，SOC)衡量.蓄電池在t時刻的剩余電量由上一時刻的剩余電量以及[t-1，t]時段蓄電池的充電或放電量決定，其表達式為

SOC(t)=SOC(t-1)-EBESS(t-1)/VBESS

(4)

式中：SOC(t)為t時段的初始荷電狀態；EBESS(t-1)為t-1時段蓄電池充放電電量，當充電時為正，放電時為負；VBESS為蓄電池儲能系統額定容量.

1.2 微電網優化目標

1.2.1 微電網等年值成本

經濟性作為微電網優化配置的首要目標，由其壽命周期內總等年值成本Ctotal決定.總成本包括設備初始投資和置換成本、設備殘值、運行維護成本和燃料成本.其表達式為

Ctotal=CWT+CPV+CDE+CBESS

(5)

(6)

式中：CWT，CPV，CDE，CBESS分別為風機、光伏、柴發和儲能系統的等年值成本；CWT,init，CPV,init，CDE,init，CBESS,init分別為風機、光伏、柴發和儲能系統初始投資等年值成本；CWT,om，CPV,om，CDE,om，CBESS,om分別為風機、光伏、柴發和儲能系統的年運行維護成本；CDE,rep，CBESS,rep分別為柴發和儲能系統的等年值置換成本；CDE,sal，CBESS,sal分別為DE，BESS的等年值回收殘值；Cfuel為柴油發電機的燃料等年值成本.工程全壽命周期為20 年，WT和PV的壽命預計可達20 年，DE和BESS的壽命相對較短，在全壽命周期內需要更換.其中設備全壽命周期內等年值成本由凈現值成本求得，計算式為

(7)

1.2.2 新能源滲透率

新能源滲透率Rnew為新能源發電量占微電網總發電量的比例，即

(8)

式中:QWT，QPV，QDE分別為WT，PV，DE實際有效發電量.

1.2.3 優化目標函數

取WT，PV，DE，BESS配置數量作為決策變量，經濟性和環保性為優化目標，求取優化配置方案.目標函數為

(9)

(10)式中：w，x，y，z分別為WT，PV，DE，BESS的數量；f(w,x,y,z)為決策變量和優化目標值間的關系式.

1.3 約束條件

1.3.1 系統運行功率平衡約束

系統運行功率平衡約束為 L(t)=PPV(t)+PWT(t)+PDE(t)+PBESS(t)

(11)

式中：L(t)為負荷需求；PWT(t)，PPV(t)，PDE(t)分別為WT，PV，DE的實時發電功率；PBESS(t)為BESS的充放電功率.

1.3.2 電源功率約束

電源功率約束為

(12)

式中:Pcharge,max，Pdischarge,max分別為蓄電池的最大充放電功率.

1.3.3 蓄電池充放電約束

研究表明在蓄電池使用時，過沖或過放都不利于蓄電池的使用壽命.因此通常在蓄電池儲能系統運行時對其SOC工作范圍有所限制，可表示為

SOCmin≤SOC(t)≤SOCmax

(13)

式中：SOCmin為SOC設定最小值；Smax為SOC設定的最大值.

1.3.4 新能源丟棄率約束

新能源丟棄率rnew,ab為棄風棄光電量占風光理論可發電量比例.大量地配置新能源發電設備可提高微電網新能源滲透率，但也會造成棄風棄光，所以對微電網新能源丟棄率進行限制，即

(14)

式中:QWT1，QPV1分別為依據風速和光照條件下WT，PV的理論發電量.

2 非劣排序遺傳算法

多目標優化問題一般不存在唯一的最優解，而是存在多個非劣解，也稱為Pareto解集.經濟性目標越小越好，環保性目標越大越好，則其解分布如圖1所示，虛線上的解為Pareto解.

圖1 Pareto解集Fig.1 Pareto sets

傳統優化技術一般每次能得到Pareto解集中的一個，而遺傳算法[10]可以得到多個Pareto解.非劣排序遺傳算法(NSGA-Ⅱ)具有運行速度快、解集收斂性好的優點，其基本步驟如下：

1) 以風光柴儲的配置容量作為個體編碼，生成規模為N的初始種群P.通過遺傳算法操作得到子代種群Q，將上述2個種群P和Q結合形成中間種群R.

2) 算取中間種群R中每個個體的經濟性和環保性目標值，進行Pareto秩分級.對中間種群R按Pareto秩小排序，Pareto秩相同的按密集度小排序，使得準Pareto域中的個體能均勻地擴展到整個Pareto域，保證了種群的多樣性.保留最優的N個個體，形成新的父代種群P′.

3) 再通過遺傳算法操作產生新的子代種群Q′，將P′，Q′合并形成新的中間種群R′，重復2)～3)，直到滿足結束條件[11].

3 最大模糊滿意度法

各子目標最優解與多目標最優解之間的相互關系是模糊的.因此，采用模糊數學[12]來解決多目標優化問題，利用最大模糊滿意度法將多目標優化問題轉化為單目標優化問題.

首先將子目標函數模糊化，即確定隸屬函數μ.經濟性優化目標fC(w,x,y,z)越小則滿意度越大，其隸屬度函數為偏小型，選擇降半梯形分布作為fC(w,x,y,z)的隸屬度函數，函數曲線如圖2所示.其表達式為

(15)

式中：fCmin為單獨經濟最優時fC(X)值；fCmax為以環保最優時fC(X)值；X為w，x，y，z的集合.

對于環保性優化目標fR(w,x,y,z)越大則滿意度越大，其隸屬度函數為偏大型，選擇升半梯形分布作為fR(w,x,y,z)的隸屬度函數，函數曲線如圖3所示.其表達式為

(16)

式中：fRmax為單獨環保最優時fR(X)值；fRmin為以經濟最優時fR(X)值.

根據模糊化原理，定義δ為μ(fC(X))和μ(fR(X))的滿意度，即

δ=min{μ(fC(X))，μ(fR(X))} 0≤δ≤1

(17)

最后，多目標優化問題可轉化為滿足所有約束條件下使得δ最大化的問題，即

(18)

圖2 經濟性優化目標的隸屬度函數曲線Fig.2 Fuzzy membership function for economy optimization goal

圖3 環保性優化目標的隸屬度函數曲線Fig.3 Fuzzy membership function for environmental optimization goal

4 算例分析

現以某海島微電網為例進行算例分析.該地負荷平均功率約為788.98 kW·h，最大負荷為2 056 kW，平均風速約為7.13 m/s，日平均光照輻照度約為3.90 kW·h/(m2·d).各微電源經濟參數見表1，柴油價格為0.511 元/L.

表1 各微電源經濟參數

Table 1 Parameters of various micro sources

微電源規格單價/萬元運行費用/(萬元·年-1·只-1)風機500kW500．000．200光伏1kW0．800．002柴發1000kW50．000．200儲能電池2000kW·h0．160．002

4.1 非劣排序遺傳算法微電網多目標優化配置

采用非劣排序遺傳算法(NSGA-Ⅱ)對微電網經濟性和環保性多目標優化配置進行求解，得到Pareto解集，如圖4所示.表2所示的優化配置方案為該Pareto解集中均勻選取的10組方案.

圖4 Pareto解集Fig.4 The Pareto sets

Table 2 The results by the NSGA-Ⅱ

方案風機/臺光伏/kW電池/只柴油機/臺總成本/萬元新能源滲透率%19398076002257789．927398069002238387．939398054002215786．849407028002165281．557398028002158779．569308019002142177．57930108003121273．28728208003115070．69725606003110768．910530606002108966．5

從圖4和表2可得：Pareto解集是一組非劣解，微電網的經濟性和環保性優化目標相沖突，總成本越小則其新能源滲透率越低.微電網規劃者可根據實際需求，權衡兩個優化目標，從Pareto解集中選擇相對合理的優化方案.

4.2 最大模糊滿意度法微電網多目標優化配置

采用式(14～17)所示的最大模糊滿意度法對微電網經濟性和環保性多目標優化配置進行求解，所得的最優配置結果如表3中的方案3所示.表3中，方案1為以經濟性為單目標的最優配置方案，總成本最小為1 089 萬元，新能源滲透率為66.5%；方案2為以環保性為單目標的最優配置方案，新能源滲透率最大為89.9%，總成本為2 577 萬元.很顯然，與方案1相比，最大模糊滿意度最優解方案的總成本高出563 萬元而新能源滲透率提高了15%，與方案2相比，其新能源滲透率降低8.4%而總成本減少了920 萬元.因此，該最優配置方案權衡了經濟性和新能源滲透率兩個優化目標，總體滿意度得到了大大提高.

表3 最大模糊滿意度法優化配置方案

Tab.3 The results of multi-objective optimal sizing

方案風機/臺光伏/kW電池/只柴油機/臺總成本/萬元新能源滲透率%滿意度1530606002108966．5029398076002257789．9039407028002165281．50．621

5 結 論

針對典型的獨立型微電網，以供電經濟性和環保性為優化目標，建立獨立型微電網多目標優化配置模型.采用非劣排序遺傳算法(NSGA-II)可求得Pareto解集，從解集中看出微電網經濟性和環保性優化目標相沖突，總成本越小則其新能源滲透率越低.采用最大模糊滿意度法，通過模糊轉化將多目標優化變為單目標優化，可求得滿意度最大的唯一最優解.兩種方法相比較，非劣排序遺傳算法是先尋優后決策的多目標優化問題求解模式，而最大模糊滿意度法是將多目標優化轉化為單目標優化問題，先決策后搜索的尋優模式.

[1] 王坤林，游亞戈，張亞群.海島可再生獨立能源電站能量管理系統[J].電力系統自動化，2010，34(14)：13-17.

[2] 趙波，張雪松.儲能系統在東福山島獨立型微電網中的優化設計和應用[J].電力系統自動化，2013，37(1)：161-167.

[3] 楊琦，張建華，劉自發，等.風光互補混合供電系統多目標優化設計[J].電力系統自動化，2009，33(17)：86-90.

[4] 馬溪原，吳耀文，方華亮，等.采用改進細菌覓食算法的風/光/儲混合微電網電源優化配置[J].中國電機工程學，2011，31(25)：17-25.

[5] 陳健，王成山，趙波，等.考慮不同控制策略的獨立型微電網優化配置[J].電力系統自動化，2013，37(11)：1-6.

[6] 吳根忠，孫亮.基于自抗擾控制器的風力發電系統最大功率追蹤控制[J].浙江工業大學學報，2011，39(5)：560-565..

[7] GAVANIDOU E, BAKIRTZIS A. Design of a stand alone system with renewable energy sources using trade off methods[J].IEEE trans on energy conversion，1992，7(1)：42-48.

[8] DUFO-LOPEZ R.Multi objective design of PV-wind-diesel-hydrogen-battery systems[J].Renewable energy，2008，33(12)：2559-2572.

[9] 趙波，包侃侃.考慮需求側響應的光儲并網型微電網優化配置[J].中國電機工程學報，2015，35(21)：65-74.

[10] 陳勇，胡婷婷，魯建廈.基于遺傳算法改進的動態車間調度[J].浙江工業大學學報，2012，40(5)：537-543.

[11] 王茜，張粒子.采用NSGA-Ⅱ混合智能算法的風電場多目標電網規劃[J].中國電機工程學報，2011，(31)：17-24.

[12] 韓冬梅，王麗萍，吳秋花.基于模糊偏好的多目標粒子群算法在庫存控制中的應用[J].浙江工業大學學報，2012，40(3)：348-351.

(責任編輯：陳石平)

Multi-objective optimal configuration of stand-alone microgrid

ZHANG Youbing, BAO Kankan, YANG Xiaodong, REN Shuaijie, QI Jun, XIE Luyao

(College of Information Engineering, Zhejiang University of Technology, Hangzhou 310023, China)

Stand-alone microgrid systems in the islands and remote areas have aroused enough attention, and it is a priority to optimize the system configuration.The paper presents a optimal configuration mode of stand-alone wind-solar-diesel-battery microgrid system with the economy and environmental protection as the optimization objectives.The non-dominated sorting genetic algorithm (NSGA-II) and the fuzzy satisfaction-maximizing method are adopted respectively to make multi-objective solution and seek the optimal configuration scheme.The results show that the Pareto sets are found by the NSGA-Ⅱ and the only optimal solution through fuzzy transformation is found by the fuzzy satisfaction-maximizing method.The proposed methods are proved to be effective. They can provide the necessary basis for the optimize the design.

stand-alone microgrid; multi-objective optimal sizing; the non-dominated sorting genetic algorithm(NSGA-Ⅱ); the fuzzy satisfaction-maximizing method

2016-02-29

浙江省自然科學基金資助項目(LY16E070005，LQ14E070001)；國家自然科學基金資助項目(51407160)

張有兵(1971—)，男，湖北大治人，教授，博士，博士生導師，研究方向為智能電網、分布式發電與新能源優化控制、電動汽車入網、電力系統通信以及電能質量監控等.E-mail：youbingzhang@zjut.edu.cn.

TM615

A

1006-4303(2016)06-619-05