并網模式微電網雙層分布式優(yōu)化調度算法

陳 西, 付 蓉

(南京郵電大學 自動化學院， 江蘇 南京 210000)

?

并網模式微電網雙層分布式優(yōu)化調度算法

陳 西, 付 蓉

(南京郵電大學 自動化學院， 江蘇 南京 210000)

為解決負荷預測、風力發(fā)電和光伏發(fā)電預測出力值與其實時數據間的誤差所導致的微電網不能安全穩(wěn)定運行的問題，提出了一種雙層優(yōu)化算法。本算法包含基于集中優(yōu)化方式進行的預測調度和基于分布式優(yōu)化算法的實時優(yōu)化。兩層均采用粒子群智能優(yōu)化算法對模型進行求解。該算法基于圖論思想，按照拓撲圖遍歷順序進行遍歷式的分布式優(yōu)化，將計算任務分配至微電網中每個參與調度的節(jié)點。

微電網；粒子群算法；雙層優(yōu)化；分布式優(yōu)化

0 引言

微電網并網模式雙層分布式優(yōu)化調度是指通過雙層優(yōu)化模型協調微電源的輸出功率以及與主網交換的功率的控制管理，實現根據不可控微電源出力、負荷水平以及電價等實時數據，動態(tài)分布式地調節(jié)可控微電源出力、與主網的交換功率，使微電網安全、高效、可靠、經濟地運行。

文獻[1]提出了一種微電網實時能量優(yōu)化管理方法，通過兩層優(yōu)化將日前優(yōu)化量與實時優(yōu)化量疊加，化解微電網中的實時波動，但兩層均為集中式優(yōu)化，計算任務由一個計算單元完成。文獻[2]提出一種考慮微電網通信拓撲的微電網邊際成本一致性算法，該算法能分布式求解成本函數由二次函數表達的微電網經濟優(yōu)化問題，但沒有考慮不可控微電源和負荷等的實時波動影響。文獻[3]提出的微電網雙層協調優(yōu)化算法通過對儲能系數進行優(yōu)化，避免了負荷波動可能造成的影響，但未考慮通信拓撲變化時的情況。

本文提出的微電網并網模式下的雙層優(yōu)化模型分為集中層和分布式層。集中層是基于不可控電源出力、負荷以及電價的短期預測數據的日前調度[4-5]。分布式層基于不可控電源出力、負荷以及電價的實時數據，基于通信拓撲關系進行分布式計算，將計算任務調整為分布式進行。可以實現在日前調度基礎上做出快速調整，達到微電網安全穩(wěn)定運行[6-7]。

1 優(yōu)化模型

1.1 集中優(yōu)化層

微電網并網運行時集中層目標函數為：

minf=fDG+fS+fgrid

(1)

(2)

(3)

(4)

其中，上標t表示時段；P代表有功功率；下標DG、S+、S-、grid+和grid-分別表示可控微電源、儲能充電和放電以及購電量與售電量；Q表示數量；K表示微電源的維護成本；c表示價格；C表示電價；on表示微電源的啟停；*表示微電源狀態(tài)的改變；F()表示微電源的發(fā)電成本函數；U表示狀態(tài)量，取值為0和1。式(2)～(4)分別表示T時段中可控微電源發(fā)電成本、儲能充放電成本以及向電網購售電成本總和。

集中調度層需要滿足的約束條件：

(1)功率平衡約束

(5)

(2)微電源約束

(6)

(7)

(3)狀態(tài)約束

US++US-≤1

(8)

Ugrid++Ugrid-≤1

(9)

此約束表示同一時刻儲能狀態(tài)只能是充、放電中的一種，同一時刻只能購電或者售電。

(10)

(11)

1.2 分布式優(yōu)化層

(12)

誤差傳遞公式為：

(13)

*表示經過誤差傳遞修改后的變量。

(14)

(15)

該約束表示參與優(yōu)化的節(jié)點的優(yōu)化量總和在優(yōu)化前后不變。其他約束條件與集中調度層的約束條件相同。

2 算法流程

(3)初始化迭代次數k=1，初始調度時刻t=1。

(5)從起始節(jié)點開始，按對鄰接矩陣At的遍歷順序對所有節(jié)點進行遍歷，每遍歷一個節(jié)點，該節(jié)點就在約束條件下按照式(14)應用粒子群優(yōu)化算法進行一次計算。優(yōu)化目標是自身與其相鄰節(jié)點的出力，并使用優(yōu)化結果代替預測量或者是上一次優(yōu)化計算的結果。所有節(jié)點遍歷完成后進行收斂性判斷，k=k+1。若未收斂，且k小于最大迭代次數K，重復步驟(5)，否則轉步驟(6)。

3 算例仿真及分析

本文設計了三個算例，使用MATLAB仿真驗證了本文提出算法的有效性。算例中假設儲能不參與調度。一天分24個時段，三個算例中所用數據相同。負荷曲線與風光出力曲線如下圖1與圖2所示，圖3為預測誤差影響量。

圖1 預測負荷與實時負荷

圖2 預測風光出力與實時風光出力

圖3 誤差量

(1)算例1

算例1中微電網的結構[11-13]如下圖4所示，其中，該微電網由風力發(fā)電機(WT)、光伏發(fā)電(PV)、儲能系統(tǒng)(Bat)、兩臺微型燃氣輪機(MT)、柴油發(fā)電機(DE)、燃料電池(FC)以及其他控制裝置組成。受調度量以及其出力、爬坡率以及功率交換約束(如表1所示)，電網購電與售電上限均為100 kW。

圖4 算例1微電網結構圖

類型MTDEFC上限下限上限下限上限下限出力上下限/kW750900450爬坡率限制/(kW/h)320320300300290290

圖5 算例1集中層優(yōu)化結果

集中層計算結果如圖5所示，可以看出，使用粒子群算法解決包含多種形式成本函數的經濟調度問題具有良好的效果。分布式調度按照圖6編號順序進行遍歷。如圖7所示，對比集中優(yōu)化結果與分布式優(yōu)化結果，在不確定因素影響時，分布式算法通過數次迭代皆可以達到新的最優(yōu)解。通過該算例算法的收斂性得到了驗證。

圖6 算例1微電網通信拓撲圖圖7 算例1分布式優(yōu)化結果

(2)算例2

算例2與算例1不同之處是分布式優(yōu)化的通信拓撲連接關系發(fā)生了改變。算例2的通信拓撲如圖8所示。同樣選取節(jié)點1為分布式優(yōu)化的起始節(jié)點。

圖9為算例2分布式優(yōu)化的結果，可以看出，在改變了通信拓撲之后分布式優(yōu)化的收斂性能受到了一定的影響，DE的出力曲線有明顯的不穩(wěn)定。

圖8 算例2微電網通信拓撲圖圖9 算例2分布式優(yōu)化結果

(3)算例3

算例3中集中層的參數及設置都與算例1相同，不同僅在于算例3在進行分布式優(yōu)化時在算例1的通信拓撲基礎上增加了一個節(jié)點，即在微電網中增加一臺柴油發(fā)電機DE，模擬即插即用技術應用于微電網中的場景。所以算例3的集中層優(yōu)化結果與算例1相同。改變之后的通信拓撲圖如圖10所示。新增發(fā)電機節(jié)點6與節(jié)點2和節(jié)點5相連。

從圖11可以看出，當加入一臺DE，其立即參與到分布式優(yōu)化過程中，并具有良好的收斂性。從圖中三角曲線

圖10 算例3微電網通信拓撲圖圖11 算例3分布式優(yōu)化結果

可以看出，分布式優(yōu)化開始后，新加入的節(jié)點6也開始工作。

表2列出了三個算例中各時刻分布式優(yōu)化的迭代次數及成本。對比算例1和算例2的各時刻迭代次數及總次數可知，同節(jié)點數的情況下，拓撲圖的連通度對算法的優(yōu)化效率有較大影響，連通度越大，優(yōu)化的速度越快，反映出來的現象就是迭代次數更少，且目標函數優(yōu)化效果更佳。對比算例1與算例3，可以證明本文提出的算法可以應對通信拓撲的實時變化。

表2 各算例優(yōu)化結果對比

4 結論

本文提出了一種可以應對微電網不確定因素影響，以及適應微電網拓撲變化的雙層集中與分布式優(yōu)化算法，并應用粒子群智能算法對問題進行求解。通過三個仿真算例，驗證了粒子群算法具有良好的尋優(yōu)性能，能在解空間中快速收斂。并且雙層優(yōu)化算法可以化解不確定因素的影響，快速收斂到新的穩(wěn)定最優(yōu)解，在拓撲發(fā)生改變時能快速應對。

[1] 李滿禮, 付蓉, 楊健. 微電網孤網實時能量優(yōu)化管理[J]. 微型機與應用, 2014, 33(15):76-79.

[2] ZHANG Z, CHOW M Y. Convergence analysis of the incremental cost consensus algorithm under different communication network topologies in a smart grid[J]. IEEE Transactions on Power Systems, 2012, 27(4):1761 - 1768.

[3] JIANG Q, XUE M, GENG G. Energy management of microgrid in grid-connected and stand-alone modes[J]. IEEE Transactions on Power Systems, 2013, 28(3):3380-3389.

[4] HUANG A Q, CROW M L, HEYDT G T, et al. The future renewable electric energy delivery and management (FREEDM) system: the energy internet[J]. Proceedings of the IEEE, 2011, 99(1):133-148.

[5] 周華鋒，涂衛(wèi)平，劉皓明. 孤島運行方式下微網有功功率優(yōu)化策略研究[J]．廣東電力，2010,23(7):1-4．

[6] LIN C E, VIVIANI G L. Hierarchical economic dispatch for piecewise quadratic cost functions[J]. Power Apparatus & Systems IEEE Transactions on, 1984, 103(6):1170-1175.

[7] WOOD A J, WOLLENBERG B F. Power generation, operation and control[M]. Wiley & Sons, 2013.

[8] 丁明, 張穎媛, 茆美琴,等. 包含鈉硫電池儲能的微網系統(tǒng)經濟運行優(yōu)化[J]. 中國電機工程學報, 2011, 31(4):7-14.

[9] GAING Z L. Particle swarm optimization to solving the economic dispatch considering the generator constraints[J]. Power Systems IEEE Transactions on, 2003, 18(3):1187-1195.

[10] PARK J B, JEONG Y W, SHIN J R, et al. An improved particle swarm optimization for nonconvex economic dispatch problems[J]. IEEE Transactions on Power Systems, 2010, 25(1):156-166.

[11] TSIKALAKIS A G，HATZIARGYRIOU N D．Centralized control for optimizing microgrids operation[J].IEEE Trans.on Energy Conversion，2008,23(1)：241-248.

[12] BAKIRTZIS A, PETRIDIS V, KAZARLIS S. Genetic algorithm solution to the economic dispatch problem[J]. IEEE Proceedings-Generation, Transmission and Distribution, 1994, 141(4):377-382.

[13] CHEN C, DUAN S, CAI T, et al. Optimal allocation and economic analysis of energy storage system in microgrids[J]. Power Electronics IEEE Transactions on, 2011, 26(10):2762-2773.

Research on the dual layer distributed scheduling algorithm for micro-grid connected mode

Chen Xi, Fu Rong

(College of Automatic,Nanjing University of Posts and Telecommunications, Nanjing 210000, China)

In order to solve the problem like the micro grid security due to the uncertainty of the load forecast and the output of wind power and photovoltaic power, a two-layer optimization algorithm is proposed. The two layers include the predictive scheduling based on centralized optimization and the real-time scheduling based on distributed optimization.In the two layers, the model is solved by particle swarm intelligence optimization algorithm. The algorithm is based on the idea of graph theory, which is based on the distributed optimization of the traversal sequence of the topological graph, and the task is assigned to every nodes in the micro grid.

micro-grid; particle swarm algorithm; two-layer optimization; distributed optimization

TM73

A

1674-7720(2016)07-0079-04

陳西, 付蓉. 并網模式微電網雙層分布式優(yōu)化調度算法[J].微型機與應用，2016,35(7)：79-82.

2015-12-07)

陳西(1991-)，男，碩士，主要研究方向：智能系統(tǒng)應用。

付蓉(1974-)，女，博士后，教授，主要研究方向：智能電網、電氣控制技術、復雜網絡控制。