基于改進(jìn)黑洞算法的交直流混合微網(wǎng)優(yōu)化運(yùn)行

狄開麗，李鑫明，李鵬，徐紹軍，孫健

(1.新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室(華北電力大學(xué))，河北省保定市 071003;2.國(guó)網(wǎng)北京市電力公司，北京市 100031)

基于改進(jìn)黑洞算法的交直流混合微網(wǎng)優(yōu)化運(yùn)行

狄開麗1，李鑫明1，李鵬1，徐紹軍2，孫健2

(1.新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室(華北電力大學(xué))，河北省保定市 071003;2.國(guó)網(wǎng)北京市電力公司，北京市 100031)

交直流混合微網(wǎng)可綜合發(fā)揮交流與直流的互補(bǔ)優(yōu)勢(shì)，其優(yōu)化運(yùn)行是微網(wǎng)領(lǐng)域的重要研究課題。該文綜合考慮經(jīng)濟(jì)成本和環(huán)境成本，建立了交直流混合微網(wǎng)優(yōu)化運(yùn)行模型。基于交直流混合微網(wǎng)的結(jié)構(gòu)特性，通過拆分協(xié)作思想將復(fù)雜的優(yōu)化問題拆分為2個(gè)相對(duì)獨(dú)立的交流區(qū)域優(yōu)化問題和直流區(qū)域優(yōu)化問題；通過引入混沌機(jī)制，加入星體被吸引的慣性和速度約束，優(yōu)化初始星體的生成方式等，提出了基于改進(jìn)黑洞算法的交直流混合微網(wǎng)優(yōu)化方法，對(duì)交、直流子區(qū)域優(yōu)化問題進(jìn)行求解。仿真算例表明，提出的基于拆分協(xié)作思想的改進(jìn)黑洞算法可以有效解決變量較多、結(jié)構(gòu)較復(fù)雜的交直流混合微網(wǎng)的優(yōu)化運(yùn)行求解問題，能夠以較少的綜合運(yùn)行成本實(shí)現(xiàn)更優(yōu)的運(yùn)行效果，驗(yàn)證了所提算法的有效性。

交直流混合微網(wǎng)；優(yōu)化運(yùn)行；改進(jìn)黑洞算法

0 引 言

當(dāng)今能源與環(huán)境問題日益凸顯，發(fā)展利用可再生能源已成為共識(shí)。微網(wǎng)[1]作為一種包含可再生能源等分布式發(fā)電(distributed generation，DG)技術(shù)的綜合集成技術(shù)，憑借其對(duì)可再生能源的高度兼容性和對(duì)分布式發(fā)電的靈活調(diào)控能力[2]，在日益強(qiáng)調(diào)節(jié)能環(huán)保的今天得到了業(yè)內(nèi)的普遍重視，其相關(guān)研究也已成為電力研究的熱點(diǎn)領(lǐng)域[3-4]。

交直流混合微網(wǎng)[5-6]可綜合發(fā)揮交流微網(wǎng)與直流微網(wǎng)的互補(bǔ)優(yōu)勢(shì)，擁有更加廣泛的適用領(lǐng)域。交直流混合微網(wǎng)技術(shù)可降低現(xiàn)有微網(wǎng)的擴(kuò)建、改造費(fèi)用，提高網(wǎng)絡(luò)兼容性；交直流混合微網(wǎng)可減少設(shè)備變頻裝置的使用，從而降低設(shè)備制造成本與換流損耗，提高系統(tǒng)的安全性、經(jīng)濟(jì)性和可靠性。因此對(duì)交直流混合微網(wǎng)的研究是重要且必要的。然而目前對(duì)交直流混合微網(wǎng)的研究還處于起步階段，國(guó)內(nèi)外學(xué)者首先針對(duì)交直流混合微網(wǎng)控制技術(shù)、結(jié)網(wǎng)方式、保護(hù)技術(shù)等方面展開了研究[7-9]，但是對(duì)于此種采用交直流混合供用電方式的微網(wǎng)的優(yōu)化運(yùn)行問題還沒有系統(tǒng)、科學(xué)的認(rèn)識(shí)，其運(yùn)行的經(jīng)濟(jì)效益也需要驗(yàn)證。因此，為使交直流混合微網(wǎng)在運(yùn)行中更好地發(fā)揮其交直流混合供用電的互補(bǔ)優(yōu)勢(shì)，保證各類新能源及可再生能源的高效消納及滿足用戶多元化電力需求的同時(shí)，獲得更佳的經(jīng)濟(jì)效益、環(huán)境效益以及節(jié)能降損效益，亟需對(duì)交直流混合微網(wǎng)的優(yōu)化運(yùn)行問題展開深入研究。

本文所研究的交直流混合微網(wǎng)優(yōu)化運(yùn)行問題，著眼于全天24 h內(nèi)各發(fā)電單元的組合與出力設(shè)定情況，該問題是高維度、非線性、多目標(biāo)的復(fù)雜優(yōu)化問題。傳統(tǒng)數(shù)學(xué)優(yōu)化方法及其改進(jìn)算法計(jì)算精確，但通常對(duì)問題模型有很高要求，而且求解難度大。文獻(xiàn)[10]通過辨識(shí)混合整數(shù)規(guī)劃問題中的起作用整數(shù)變量，縮小了機(jī)組組合的尋優(yōu)空間，提高了求解速度，但基于對(duì)可調(diào)機(jī)組的假設(shè)針對(duì)的是大電網(wǎng)的特征，不能直接用于微網(wǎng)中；文獻(xiàn)[11]通過逐段線性化的方法將非線性的設(shè)備特性曲線轉(zhuǎn)化為逐段線性折線，并使用線性優(yōu)化方法實(shí)現(xiàn)了快速求解，但該方法對(duì)設(shè)備特性曲線形式要求較高，不易推廣到更復(fù)雜的交直流混合微電網(wǎng)中。另一類思路是采用智能算法，如遺傳算法[12]、粒子群算法[13-14]等，通過群體搜索以快速找到工程可行解。此類方法對(duì)模型要求較低，亦可滿足精度要求，但是維數(shù)較多時(shí)求解依然困難。智能算法的這一弱點(diǎn)可通過對(duì)問題合理分解并整體協(xié)調(diào)的方法克服，此類方法有分解協(xié)調(diào)法[15]、協(xié)同進(jìn)化算法(co-erolutimary algorithm, CEA)[16]等。

本文基于交直流混合微網(wǎng)的網(wǎng)絡(luò)結(jié)構(gòu)特性提出基于CEA柜架的改進(jìn)黑洞算法，通過拆分協(xié)作思想將復(fù)雜的交直流混合微網(wǎng)的優(yōu)化問題拆分成較為簡(jiǎn)單的交流區(qū)域優(yōu)化問題和直流區(qū)域優(yōu)化問題，同時(shí)使用改進(jìn)黑洞算法將拆分后的2個(gè)子優(yōu)化問題分別進(jìn)行迭代求解，可有效求解交直流混合微網(wǎng)的優(yōu)化運(yùn)行問題。

1 交直流混合微網(wǎng)優(yōu)化模型

1.1 交直流混合微網(wǎng)結(jié)構(gòu)

交直流混合微網(wǎng)與普通微網(wǎng)一樣，通過公共耦合點(diǎn)(point of common coupling, PCC)與外部大電網(wǎng)相連通，形成并網(wǎng)運(yùn)行結(jié)構(gòu)。交直流混合微網(wǎng)包括交流區(qū)域和直流區(qū)域，區(qū)域之間通過雙向換流器相連，整體結(jié)構(gòu)如圖1所示。交直流混合微網(wǎng)中的分布式發(fā)電單元包括燃料電池(fuel cell，F(xiàn)C)、微型燃?xì)廨啓C(jī)(micro turbine，MT)、光伏電池(photovoltaic, PV)、風(fēng)力發(fā)電單元(wind turbine，WT)和儲(chǔ)能單元(energy storage，ES)等。在交直流混合微網(wǎng)中，各發(fā)電單元通過換流器連接到微網(wǎng)母線。

圖1 交直流混合微網(wǎng)結(jié)構(gòu)

1.2 目標(biāo)函數(shù)

本文的交直流混合微網(wǎng)優(yōu)化運(yùn)行問題，是綜合考慮了經(jīng)濟(jì)成本和環(huán)境成本的多目標(biāo)優(yōu)化問題。

經(jīng)濟(jì)成本，包括發(fā)電的燃料費(fèi)用、從大電網(wǎng)購(gòu)電的費(fèi)用和發(fā)電設(shè)備的運(yùn)行維護(hù)費(fèi)用。本文只考慮從外購(gòu)電，不考慮向外售電。其中，燃料費(fèi)用Cfuel為所有機(jī)組在所有時(shí)段的燃料費(fèi)用總和，本文包括微燃機(jī)的燃料費(fèi)用CfuelMT與燃料電池的燃料費(fèi)用CfuelFC：

Cfuel=∑CfuelMT+∑CfuelFC

(1)

運(yùn)行維護(hù)費(fèi)用Com為不同機(jī)組的發(fā)電量乘以相應(yīng)的單位電能維護(hù)費(fèi)用之和；總購(gòu)電費(fèi)用Cbuy為各時(shí)段外網(wǎng)電價(jià)乘購(gòu)電量之和。

環(huán)境成本Cw按污染折算費(fèi)用[17]計(jì)算：

(2)

式中：T為運(yùn)行周期的總時(shí)段數(shù)，本文中為24；N為可控機(jī)組發(fā)電單元總數(shù)；M為污染物種類，本文主要考慮NOx、CO2和SO23種污染物；Pi(t)為第i個(gè)發(fā)電單元在t時(shí)段內(nèi)的輸出功率，取經(jīng)過換流器損耗修正后的實(shí)際輸出功率；Ei,j為第i個(gè)發(fā)電單元所排放的第j種污染物的排污系數(shù)，見表1；αj為第j種污染物環(huán)境評(píng)價(jià)標(biāo)準(zhǔn)，見表2。

表1 污染物排放系數(shù)

Table 1 Discharge coefficient of pollutant g/( kW·h)

表2 污染物評(píng)價(jià)標(biāo)準(zhǔn)

綜上，本文的目標(biāo)函數(shù)是包括燃料費(fèi)用、購(gòu)電費(fèi)用、運(yùn)行維護(hù)費(fèi)用、環(huán)保折算費(fèi)用的綜合費(fèi)用最低，表達(dá)式為

minF=Cfuel+Com+Cbuy+Cw

(3)

1.3 約束條件

(1)發(fā)電單元功率限額：

(4)

(2)最短啟停時(shí)間約束：

(5)

(3)蓄電池電量容量和功率容量約束：

(6)

式中：EES(t)為t時(shí)段蓄電池電量容量；Emax、Emin分別為蓄電池電量容量的上限和下限；PES(t)為t時(shí)段的蓄電池輸出功率，以輸出為正方向，受功率容量和電量容量約束，蓄電池自放電率極低，本文忽略；PES,min、PES,max分別為蓄電池輸出功率下限和上限。

(4)蓄電池容量連續(xù)性約束：

(7)

式中：ηES1為充電效率；ηES2為放電效率。

(5)計(jì)算周期始末電池儲(chǔ)能平衡約束[11]：

E(0)=E(T)

(8)

(6)全系統(tǒng)實(shí)時(shí)電能平衡約束：

(9)

式中：Pbuy(t)為t時(shí)段交直流混合微網(wǎng)從大電網(wǎng)購(gòu)買的電量；PD(t)為t時(shí)段交直流混合微網(wǎng)的負(fù)荷需求；PLoss(t)為t時(shí)段交直流混合微網(wǎng)的有功網(wǎng)損。

(7)并網(wǎng)聯(lián)絡(luò)線容量約束：

(10)

2 基于CEA柜架的改進(jìn)黑洞算法

交直流混合微網(wǎng)中節(jié)點(diǎn)數(shù)量和機(jī)組數(shù)量通常較多，優(yōu)化變量隨之增多，導(dǎo)致尋優(yōu)難度加大，普通的尋優(yōu)方法效果不理想。基于此，本文提出改進(jìn)的黑洞算法，該方法借助CEA框架將微網(wǎng)的交流和直流區(qū)域拆分處理，對(duì)拆分后各子網(wǎng)使用改進(jìn)黑洞算法迭代，可以實(shí)現(xiàn)全網(wǎng)的整體優(yōu)化。

2.1 基于CEA框架的分解處理

交直流混合微網(wǎng)由交流和直流2個(gè)區(qū)域構(gòu)成，區(qū)域之間通過雙向換流器連通，外網(wǎng)購(gòu)電可視為交流側(cè)電源。將區(qū)域間的雙向換流器設(shè)為定電壓控制方式，并給定各時(shí)段在2個(gè)區(qū)域間的交互功率，則各區(qū)域內(nèi)的發(fā)電出力可在區(qū)域內(nèi)獨(dú)立求解。而CEA[18]具備有機(jī)協(xié)調(diào)各子系統(tǒng)的機(jī)制，適用于處理此類拆分優(yōu)化問題。

將交直流混合微網(wǎng)的各優(yōu)化變量根據(jù)位置劃分到交流區(qū)域和直流區(qū)域中。在CEA框架下，必須將拆分后各區(qū)域的解組合起來才能得到整體解，所以原始CEA常采用交叉變異方法迭代實(shí)現(xiàn)子區(qū)個(gè)體的進(jìn)化[19]。但在本文中，各區(qū)域的內(nèi)部?jī)?yōu)化以本區(qū)域的綜合成本衡量，有明確衡量標(biāo)準(zhǔn)，所以本文用改進(jìn)黑洞算法替換CEA的原始迭代方式。

區(qū)域p的進(jìn)化能力為

(11)

CEA需要各子區(qū)提交若干個(gè)最優(yōu)個(gè)體。區(qū)域p需要提交的個(gè)體數(shù)為

(12)

(13)

將交直流子區(qū)提交的個(gè)體互相組合，即可得到多種全網(wǎng)機(jī)組出力計(jì)劃。考慮到可能存在通過跨子區(qū)的合作互補(bǔ)，故逐時(shí)段進(jìn)行如下優(yōu)化：

min[Cfuel(t)+Com(t)+Cbuy(t)+Cw(t)]

(14)

上式各變量與公式(3)是相同的。約束條件不變，不同之處在于公式(3)針對(duì)的是1天中可調(diào)機(jī)組在24個(gè)時(shí)段的出力計(jì)算，而公式(14)只對(duì)某一個(gè)t時(shí)段內(nèi)可調(diào)機(jī)組的出力進(jìn)行優(yōu)化計(jì)算，該公式不改變機(jī)組啟停狀態(tài)和儲(chǔ)能的功率，因此是變量和約束都較少的簡(jiǎn)單規(guī)劃問題，用基本智能算法可快速求解。所有時(shí)段處理后可得全周期總成本。在所有組合中找出綜合成本最低的組合，并按下式計(jì)算其中各時(shí)段交直流子區(qū)間交互功率：

(15)

將所得的交互功率計(jì)入各區(qū)域新一輪迭代的功率平衡約束中，如下所示：

(16)

2.2 改進(jìn)黑洞算法

CEA框架中的子區(qū)算法需要做到：(1)搜索范圍廣；(2)收斂速度快。經(jīng)過本文改進(jìn)后的黑洞算法可滿足以上需求。

黑洞算法[20](black hole algorithm, BH)是一種新的啟發(fā)式搜索方法，在無(wú)功功率優(yōu)化[21]、最優(yōu)潮流計(jì)算[22]和發(fā)電調(diào)度[23]等領(lǐng)域已有嘗試。黑洞算法中所有的搜索個(gè)體函數(shù)值為適應(yīng)度，將最優(yōu)的個(gè)體定義為黑洞，其余個(gè)體作為星體，星體可以被黑洞吸引(absorption)或者吞噬(sucking)，或者星體擁有了更優(yōu)的適應(yīng)度而成為新的黑洞。

吸引操作是為了改變星體位置，即優(yōu)化變量值。更新公式為

(17)

吞噬操作則是星體被黑洞吸入，被吞噬的星體不復(fù)存在，在可行空間內(nèi)的隨機(jī)位置重新生成新星體。吞噬條件為星體與黑洞的距離Di小于R：

(18)式中：m為星體變量的維數(shù)；xij為星體變量i的第j個(gè)分量值；K為調(diào)整黑洞吸收速度的常數(shù)；fBH為黑洞的適應(yīng)度；N為星體變量的總數(shù)；fi為星體變量i的適應(yīng)度。

黑洞算法收斂較快，但容易陷入局部最優(yōu)而導(dǎo)致算法早熟，且在產(chǎn)生新星體的時(shí)候如果直接按原始方法隨機(jī)生成新的星體常常不滿足約束。因此，本文結(jié)合研究對(duì)象特點(diǎn)，對(duì)黑洞算法進(jìn)行如下改進(jìn)以提升其求解效率：

(1)加入混沌機(jī)制。僅使用隨機(jī)數(shù)生成新星體的遍歷性不夠理想，本文使用混沌映射代替均勻普通的隨機(jī)數(shù)。通常采用Logistic映射產(chǎn)生混沌變量，該映射公式為

(19)

式中：變量μ為常數(shù)，取4可令映射進(jìn)入混沌狀態(tài)。各分量按上式實(shí)現(xiàn)混沌映射。該映射有不動(dòng)點(diǎn)0、0.25、0.50、0.75、1，若初始值為以上不動(dòng)點(diǎn)，則選用普通隨機(jī)數(shù)生成新值。

(2)新星體初始位置的改進(jìn)。為了令新生星體代表的解更容易滿足約束，用以下方式對(duì)新星體進(jìn)行調(diào)整。

步驟1：逐時(shí)段進(jìn)行。按照公式(19)產(chǎn)生0到1之間的出力容量百分比，并按實(shí)際功率換算為機(jī)組出力范圍內(nèi)的初始值：

xi=[Pi1,Pi2,...,PiN]

(20)式中：Pi1,Pi2,...,PiN表示不同機(jī)組的出力，蓄電池的輸出量允許為負(fù)，表示蓄電池充電；N為機(jī)組總數(shù)。

步驟2：按平衡約束微調(diào)出力。令所有輸出功率相加滿足當(dāng)前負(fù)荷需求，如果不滿足，則將功率缺額平均分配到尚可調(diào)整出力的機(jī)組中。

步驟3：加入星體被吸引的慣性和速度約束。通過限制速度并引入慣性參量ω[23]可提高搜索精度，防止過早收斂。星體速度公式修改為：

(21)

移動(dòng)速度限制：

(22)

式中：vimin、vimax分別為第i個(gè)星體變量的移動(dòng)最小與最大速度；ximin、ximax分別為第i個(gè)星體變量的最小與最大尋優(yōu)值；定值L根據(jù)算例取定，用來限制速度的幅度，本文取5。

步驟4：調(diào)整機(jī)組啟停時(shí)間。在迭代趨于收斂時(shí)可能依然存在部分機(jī)組沒有滿足啟停時(shí)間約束的情況，可對(duì)違反約束的機(jī)組按如下方法加以調(diào)整[13]：如果機(jī)組連續(xù)啟動(dòng)時(shí)間過短，則強(qiáng)制延長(zhǎng)運(yùn)行時(shí)間；如果停機(jī)時(shí)間過短，則將違規(guī)停機(jī)時(shí)間強(qiáng)制改為以最低功率運(yùn)行，再適當(dāng)調(diào)整其他機(jī)組出力以滿足系統(tǒng)的其他約束。

相比于一般智能算法，黑洞算法本身具有較高收斂速度和較強(qiáng)的尋優(yōu)能力[20]，本文在此基礎(chǔ)上對(duì)其進(jìn)行改進(jìn)：(1)加入了混沌機(jī)制，增大了新星體生成的遍歷性；(2)改進(jìn)了初始星體的生成方式，避免隨機(jī)生成星體相似性大的缺陷；(3)加入星體被吸引的慣性和速度約束，防止過早收斂；(4)對(duì)微電源的啟停時(shí)間進(jìn)行調(diào)整，提高交直流混合微網(wǎng)運(yùn)行的經(jīng)濟(jì)性。通過以上改進(jìn)，提升了黑洞算法在本文的經(jīng)濟(jì)運(yùn)行問題中的求解效率。

2.3 算法步驟

基于CEA的改進(jìn)黑洞算法流程如下所述。

步驟1：分拆交、直流區(qū)域，并設(shè)定初始各時(shí)刻的交互功率(通常為0，也可設(shè)其他值)。

步驟2：根據(jù)計(jì)及交互功率的平衡約束(式(16))和其他約束條件，使用改進(jìn)黑洞算法分別對(duì)交流和直流區(qū)域進(jìn)行優(yōu)化。

步驟3：交直流區(qū)域提交最優(yōu)個(gè)體若干。

步驟4：令雙方提交的局部解互相組合并逐一計(jì)算其綜合成本。

步驟5：挑選綜合成本最優(yōu)的組合，計(jì)算各時(shí)段雙向換流器的交互功率。若各時(shí)段交互功率相對(duì)于上次的改變量均值小于給定的ε，則轉(zhuǎn)步驟6；否則將該傳輸功率序列作為新的邊界傳輸功率值，賦給交流、直流區(qū)域，轉(zhuǎn)步驟2繼續(xù)計(jì)算。

步驟6：停止計(jì)算，輸出結(jié)果。

基于CEA的改進(jìn)黑洞算法流程圖如圖2所示。

圖2 算法流程圖

3 算例分析

3.1 算例數(shù)據(jù)

交直流混合微網(wǎng)的發(fā)電單元經(jīng)換流器并網(wǎng)，換流器類型見圖1。算例結(jié)構(gòu)如圖3所示。其中，風(fēng)電只接入交流區(qū)域，光伏只接入直流區(qū)域。大電網(wǎng)通過PCC將電能送入交流區(qū)域，限定購(gòu)電功率上限為100 kW，下限為0。此外，交流區(qū)域配備微燃機(jī)1臺(tái)，功率上限為65 kW，下限為10 kW；燃料電池共3臺(tái)，功率上限均為40 kW，下限為5 kW；儲(chǔ)能裝置最大電量為150 kW·h，最小電量為20 kW·h，最大充放電功率為40 kW，充放電效率均取92%。直流區(qū)域有同型號(hào)的微燃機(jī)2臺(tái)；其余設(shè)備的型號(hào)與數(shù)量和交流區(qū)相同。

圖3 交直流混合微網(wǎng)算例

微燃機(jī)與燃料電池的機(jī)端功率和燃料成本的關(guān)系如圖4所示，天然氣價(jià)格取2.80元/m3。

圖4 燃料成本曲線

交直流混合微網(wǎng)從外網(wǎng)購(gòu)電按分時(shí)電價(jià)計(jì)費(fèi)，平時(shí)段(7:00～10:00、15:00～18:00和21:00～23:00)為0.58元/( kW·h)，峰時(shí)段(10:00～15:00和18:00～21:00)為0.97元/( kW·h)，谷時(shí)段(23:00～次日7:00)為0.24/( kW·h)元。風(fēng)力發(fā)電和光伏發(fā)電按照最大功率點(diǎn)跟蹤(maximum power point tracking，MPPT)模式運(yùn)行，采用日前預(yù)測(cè)數(shù)據(jù)，其功率全額收納。用電負(fù)荷采用日前負(fù)荷預(yù)測(cè)數(shù)據(jù)，并假設(shè)預(yù)測(cè)誤差由系統(tǒng)備用實(shí)現(xiàn)平衡。購(gòu)電價(jià)格及上述各預(yù)測(cè)值見圖5。

圖5 電價(jià)曲線及風(fēng)電、光伏與負(fù)荷預(yù)測(cè)曲線

3.2 計(jì)算結(jié)果

本文算例使用基于CEA的改進(jìn)黑洞算法求解，設(shè)定改進(jìn)黑洞算法的最大迭代次數(shù)為100，且連續(xù)10代進(jìn)化停滯則認(rèn)為收斂；各區(qū)域?qū)?yōu)個(gè)體數(shù)為50；CEA框架中τ取13。計(jì)算結(jié)果為總成本4 483.84元，其中交流區(qū)域優(yōu)化結(jié)果如圖6所示，直流區(qū)域優(yōu)化結(jié)果如圖7所示，全網(wǎng)整體優(yōu)化結(jié)果如圖8所示。本文的交互功率以交流區(qū)域向直流區(qū)域傳輸為正，交互功率優(yōu)化結(jié)果如圖9所示。

由圖6—8可知，交直流混合微網(wǎng)運(yùn)行過程中，由于燃料電池發(fā)電成本較低，優(yōu)先使用燃料電池發(fā)電，在燃料電池不能滿足供能需求時(shí)，再使用微燃機(jī)發(fā)電；蓄電池在低電價(jià)時(shí)充電，在高電價(jià)時(shí)放電；微網(wǎng)在外網(wǎng)電價(jià)低時(shí)優(yōu)先使用外網(wǎng)購(gòu)電，外網(wǎng)電價(jià)高時(shí)主要使用內(nèi)部發(fā)電單元，降低了交直流混合微網(wǎng)的運(yùn)行成本。

圖6 交流區(qū)優(yōu)化運(yùn)行結(jié)果

圖7 直流區(qū)優(yōu)化運(yùn)行結(jié)果

圖8 交直流混合微網(wǎng)整體優(yōu)化運(yùn)行結(jié)果

圖9 雙向換流器的交互功率

由圖9可知，外網(wǎng)電價(jià)較低時(shí)，交流子區(qū)增加購(gòu)電從而減少微燃機(jī)的出力，并將本區(qū)域的額外功率通過雙向換流器送往直流區(qū)域；外網(wǎng)電價(jià)高時(shí)，交流區(qū)域減少購(gòu)電，交流區(qū)域的負(fù)荷功率主要從直流區(qū)域反送功率來滿足供應(yīng)。由此可見，互聯(lián)的交直流混合微網(wǎng)可以通過功率互相交互與合理分配負(fù)荷而取得更經(jīng)濟(jì)的運(yùn)行結(jié)果。

綜上，本文提出的基于CEA框架的改進(jìn)黑洞算法能夠提供有價(jià)值的運(yùn)行策略，使交直流混合微網(wǎng)運(yùn)行在經(jīng)濟(jì)、有效、合理的狀態(tài)。為了進(jìn)一步驗(yàn)證本文所提出的改進(jìn)黑洞算法在解決交直流混合微網(wǎng)優(yōu)化運(yùn)行問題中的優(yōu)勢(shì)，在CEA框架不變的情況下，分別利用粒子群算法、遺傳算法、黑洞算法在相同條件下求解問題5次，其統(tǒng)計(jì)結(jié)果如表3所示。

表3 4種算法的計(jì)算結(jié)果

Table 3 Calculation results of 4 algorithms

由表3可知，本文所提出的基于CEA改進(jìn)的黑洞算法能夠使交直流混合微網(wǎng)在運(yùn)行中付出更低的運(yùn)行成本，降低混合微網(wǎng)運(yùn)行的總費(fèi)用；另外，在計(jì)算時(shí)間上，本文的改進(jìn)黑洞算法收斂速度最快，能夠在最短的時(shí)間內(nèi)得到更優(yōu)的運(yùn)行策略。總之，本文的基于CEA改進(jìn)的黑洞算法收斂速度快、尋優(yōu)性能好，能更好地運(yùn)用于交直流混合微網(wǎng)的優(yōu)化運(yùn)行求解問題。

4 結(jié) 論

(1)本文基于交直流混合微電網(wǎng)的結(jié)構(gòu)特性，通過CEA中的拆分協(xié)作思想將復(fù)雜的交直流混合微網(wǎng)優(yōu)化問題拆分為2個(gè)相對(duì)獨(dú)立的交流區(qū)域優(yōu)化問題和直流區(qū)域優(yōu)化問題。

(2)通過在黑洞算法中引入混沌機(jī)制、加入星體被吸引的慣性和速度約束、優(yōu)化初始星體的生成方式等，提高了黑洞算法的尋優(yōu)能力，算例驗(yàn)證了其有效性。

(3)本文提出的基于改進(jìn)黑洞算法的交直流混合微網(wǎng)優(yōu)化方法，可以有效解決變量較多、結(jié)構(gòu)較復(fù)雜的交直流混合微網(wǎng)的優(yōu)化運(yùn)行求解問題，能夠以較少的綜合運(yùn)行成本實(shí)現(xiàn)更優(yōu)的運(yùn)行策略，使微網(wǎng)獲得更好的綜合效益。

[1]LASSETER R H. Microgrids [C]//Power Engineering Society Winter Meeting 2002.New York：IEEE，2002：305-308.

[2]王成山，李鵬.分布式發(fā)電、微網(wǎng)與智能配電網(wǎng)的發(fā)展與挑戰(zhàn) [J].電力系統(tǒng)自動(dòng)化，2010，34(2)：10-14. WANG Chengshan，LI Peng.Development and challenges of distributed generation, the microgrid and smart distribution system [J].Automation of Electric Power Systems，2010，34(2)：10-14.

[3]趙猛，丁曉群，劉遠(yuǎn)龍，等.考慮負(fù)荷中斷的微網(wǎng)并網(wǎng)經(jīng)濟(jì)調(diào)度 [J].電力建設(shè)，2016，37(4)：57-62. ZHAO Meng，DING Xiaoqun，LIU Yuanlong，et al.Economic dispatch of grid-connected microgrid considering load interrupution [J].Electric Power Construction ，2016，37(4)：57-62.

[4]余志勇，萬(wàn)術(shù)來，明志勇，等.“風(fēng)光水”互補(bǔ)微電網(wǎng)的運(yùn)行優(yōu)化[J].電力建設(shè)，2014，35(6)：50-55. YU Zhiyong，WAN Shulai，MING Zhiyong，et al.Optimal operation of complementary microgrid with hybrid wing-solar-hydro power [J].Electric Power Construction，2010，2014，35(6)：50-55.

[5]尹忠東，王超.分布式風(fēng)電接入交直流混合配電網(wǎng)的研究 [J].電力建設(shè)，2016，37(5)：63-68. YIN Zhongdong，WANG Chao.AC/DC hybrid distribution network with distributed wind farm [J].Electric Power Construction，2016，37(5)：-68.

[6]劉耀華，裴瑋，楊艷紅，等.多端直流的交直流配電網(wǎng)潮流計(jì)算 [J].電力建設(shè)，2016，37(5)：83-90. LIU Yaohua，PEI Wei，YANG Yanhong，et al.Power flow calculations for AC/DC hybrid distribution network with multi-terminal DC [J].Electric Power Construction，2016，37(5)：83-90.

[7]LOH P C，LI D，CHAI Y K，et al.Autonomous control of interlinking converter with energy storage in hybrid AC-DC microgrid [J].IEEE Transactions on Industry Applications，2013，49(3)：1374-1382.

[8]EGHTEDARPOUR N，F(xiàn)ARJAH E. Power control and management in a hybrid AC/DC microgrid [J].IEEE Transactions on Smart Grid，2014，5(3)：1494-1505.

[9]陸曉楠，孫凱，GUERRERO J，等.適用于交直流混合微網(wǎng)的直流分層控制系統(tǒng) [J].電工技術(shù)學(xué)報(bào)，2013，28(4)：35-42. LU Xiaonan，SUN Kai，GUERRERO J，et al. DC hierarchical control system for microgrid applications [J].Transactions of China Electrotechnical Society，2013，28(4)：35-42.

[10]汪洋，夏清，康重慶.機(jī)組組合算法中起作用整數(shù)變量的辨識(shí)方法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2010，30(13)：46-52. WANG Yang，XIA Qing，KANG Chongqing.Identification of the active integer variables in security constrained unit commitment [J].Proceeding of the CSEE，2010，30(13)：46-52.

[11]吳雄，王秀麗，王建學(xué)，等.微網(wǎng)經(jīng)濟(jì)調(diào)度問題的混合整數(shù)規(guī)劃方法 [J].中國(guó)電機(jī)工程學(xué)報(bào)，2013，33(28)：1-8. WU Xiong，WANG Xiuli，WANG Jianxue，et al.Economic generation scheduling of a microgrid using mixed integer programming [J].Proceedings of the CSEE，2013，33(28)：1-8.

[12]王瑞琪，李珂，張承慧，等.基于多目標(biāo)混沌量子遺傳算法的分布式電源規(guī)劃 [J].電網(wǎng)技術(shù)，2011，35(12)：183-189. WANG Ruiqi，LI Ke，ZHANG Chenghui，et al.Distributed generation planning based on multi objective chaotic quantum genetic algorithm [J].Power System Technology，2011，35(12)：183-189.

[13]寧陽(yáng)天，李相俊，麻秀范，等.基于改進(jìn)粒子群算法的微網(wǎng)動(dòng)態(tài)經(jīng)濟(jì)調(diào)度算法 [J].電力建設(shè)，2014，35(6)：26-30. NING Yangtian，LI Xiangjun，MA Xiufan，et al.Microgrid dynamic economic dispatch based on improved particle swarm optimization [J].Electric Power Construction，2010，35(6)：26-30.

[14]胡美玉，胡志堅(jiān)，史夢(mèng)夢(mèng).基于改進(jìn)粒子群優(yōu)化算法的 DG 準(zhǔn)入容量與優(yōu)化布置 [J].電力建設(shè)，2014，35(12)：111-115. HU Meiyu，HU Zhijian，SHI Mengmeng.Penetration level and optimize layout of distributed generation based on improved particle swarm optimization algroithm [J].Electric Power Construction，2014，35(12)：111-115.

[15]BALHO H K，ROSS B.Coarse-grained distributed optimal power flow [J].IEEE Transactions on Power Systems，1997，12 (2)：932- 939.

[16]湯亞芳，陳曦，程浩忠.基于協(xié)同進(jìn)化算法的配電網(wǎng)故障階段式恢復(fù)策略 [J].電網(wǎng)技術(shù)，2008，32(16)：71-75. TANG Yafang，CHEN Xi，CHENG Haozhong.A phased faultrestoration algorithm for distribution system based onco-evolutionary algorithm of PSO and SA [J].Power System Technology，2008，32(16)：71-75.

[17]馬溪原，吳耀文，方華亮，等.采用改進(jìn)細(xì)菌覓食算法的風(fēng)/光/儲(chǔ)混合微電網(wǎng)電源優(yōu)化配置 [J].中國(guó)電機(jī)工程學(xué)報(bào)，2011，31(25)：17-25. MA Xiyuan，WU Yaowen，F(xiàn)ANG Hualiang，et al.Optimal sizing of hybrid solar-wind distributed generation in an islanded microgrid using improved bacterial foraging algorithm [J].Proceeding of the CSEE，2011，31(25)：17-25.

[18]POTTER M A， DE JONG K A.Cooperative coevolution：an architecture for evolving coadapted subcomponents [J].Evolutionary Computation，2000，8(1)：1-29.

[19]鞏敦衛(wèi).協(xié)同進(jìn)化遺傳算法理論及應(yīng)用 [M].北京：科學(xué)出版社，2009.

[20]ABODOLREZA H.Black hole：a new heuristic optimization approach for data clustering [J].Information Sciences，2013：175-184.

[21]LENIN K，REDDY B R，KALABATHI M S. Black hole algorithm for solving optimal reactive power dispatch problem [J].International Journal of Research in Management，Science & Technology，2014，2(1)：10-15.

[22]HASAN Z，EL-HAWARY M E.Optimal power flow by black hole optimization algorithm [C]//Electrical Power and Energy Conference (EPEC) 2014.Calgary：IEEE，2014：134-141.

[23]劉靜，羅先覺.采用多目標(biāo)隨機(jī)黑洞粒子群優(yōu)化算法的環(huán)境經(jīng)濟(jì)發(fā)電調(diào)度 [J].中國(guó)電機(jī)工程學(xué)報(bào)，2010，30(34)：105-111. LIU Jing，LUO Xianjue.Environmental economic dispatching adopting multiobjective random black-hole particle swarm optimization algorithm [J].Proceeding of the CSEE，2010，30(34)：105-111.

狄開麗 (1991)，女，碩士研究生，主要研究方向?yàn)樾履茉床⒕W(wǎng)發(fā)電與微網(wǎng)技術(shù)；

李鑫明(1993)，碩士研究生，主要研究方向?yàn)樾履茉床⒕W(wǎng)發(fā)電與微網(wǎng)技術(shù)；

李鵬(1965)，男，博士，教授，IEEE高級(jí)會(huì)員，主要研究方向?yàn)橄的茉床⒕W(wǎng)發(fā)電與微網(wǎng)技術(shù)、電能質(zhì)量分析與控制、電力電子技術(shù)在智能電網(wǎng)中的應(yīng)用等。

(編輯 張小飛)

Optimal Operation of AC/DC Hybrid Microgrid Based on Coevolution Improved Black Hole Algorithm

DI Kaili1, LI Xinming1, LI Peng1， XU Shaojun2, SUN Jian2

(1.State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources, (North China Electric Power University), Baoding 071003, Hebei Province, China； 2.State Grid Beijing Electric Power Company, Beijing 100031, China)

AC/DC hybrid microgrid can take complementary advantage of both AC and DC, and its optimal operation is an important research topic in area of microgrid. This paper establishes a mathematical model for the optimal operation of AC/DC hybrid microgrid with comprehensively considering economic cost and environmental cost. Based on the coevolution theory and the structural characteristics of AC/DC hybrid microgrid, a complicated optimization problem is split into two relatively independent simple problems: AC area optimization problem and DC area optimization problem. And an improved black hole algorithm is proposed to settle this optimal problem by the introduction of chaos mechanism, the inertial and velocity constraints of stars as well as improvement on the generation of initial stars. The simulation results show that the proposed coevolution improved black hole algorithm is suitable for the optimal operation problem of AC/DC hybrid microgrid with myriad and complex variables, and the better operation strategy can be reached at comprehensive operating cost as low as possible in this model, which verifies the effectiveness of the proposed algorithm.

AC/DC hybrid microgrid; optimal operation; improved black hole algorithm

國(guó)家自然科學(xué)基金項(xiàng)目(51577068);國(guó)家電網(wǎng)公司科技項(xiàng)目(520201150012)

TM 734

A

1000-7229(2016)10-0001-08

10.3969/j.issn.1000-7229.2016.10.001

2016-06-22

Project suppoeted by the National Natural Science Foundation of China (51577068)