基于CCP和多智能體優化算法的微電網經濟運行

張曉芳

(蘇州健雄職業技術學院電氣工程學院，江蘇 太倉 215411)

基于CCP和多智能體優化算法的微電網經濟運行

張曉芳

(蘇州健雄職業技術學院電氣工程學院，江蘇 太倉 215411)

隨著社會的發展，電力系統正在從傳統的集中式結構網絡向分布式結構的智能電網轉變。分布式電源(DG)并網對于分布式結構的微電網調度尤其重要。為了使微電網在安全可靠供電的同時經濟運行，采用機會約束規則(CCP)和DG多智能體一致性原則，建立了微網經濟優化模型。考慮到風電、光伏發電系統存在很強的隨機性，在求解時采用隨機模擬技術。選擇一個主DG來控制增量成本，并將DG增量成本作為一致性變量;采用基于隨機模擬技術的粒子群算法(PSO)，求解包含隨機變量的規劃問題。對微網5個光伏DG的仿真驗證結果表明：在不同負荷下，采用該模型進行優化計算，達到增量成本一致的效果，符合供需平衡。仿真結果驗證了該模型能夠滿足微網經濟運行的需求。

電力系統； 微電網； 智能電網； 分布式電源； 機會約束規則； PSO算法

0 引言

電力系統經濟運行是在安全可靠供電的同時，使得發電成本最低。文獻[1]、文獻[2]介紹了現代電力系統經濟調度的基本概念和方法。文獻[3]介紹了最優潮流、網流法以及網損微增率的計算方法，確保電力系統經濟運行。文獻[4]介紹了一種隨負荷變化的電力系統經濟調度問題。隨著社會的發展，電力系統正在從傳統的典型集中式結構網絡向分布式結構的智能網絡轉變，尤其是分布式電源(distributed generation,DG)并網將成為電網企業的發展趨勢，使得分布式結構的微電網調度變得尤其重要。鑒于此，在安全運行的前提下，對微網經濟運行進行建模、優化研究。

1 基于機會約束規則的微電網模型

多智能體系統是由多個可計算的智能體組成的集合，可把電力系統網絡中的發電機組看成一個個智能體。這些智能體通過網絡進行通信，共同完成發電任務。文獻[4]研究了混合粒子群優化算法在電力系統多智能體中的應用。文獻[5]為了解決電力系統經濟調度中傳輸線路損耗和發電機約束的問題，提出了一種分布式算法。文獻[6] 介紹了發電機組的經濟調度的分布式解決方案。文獻[7]為了解決智能電網的能源管理問題，提出了基于Gossip的增量成本一致性算法。該算法在分布式的方式下，通過相鄰信息之間的兩兩交換，收斂到一個最優解。上述研究都未涉及到由風電機組、光伏電池、蓄電池等儲能設備組成的微網發電系統。而分布式電源的優化運行不再是一個確定性的問題，是包含多個隨機變量的規劃問題。一個典型的微網發電系統包含風電機組、光伏發電系統、鉛酸蓄電池、柴油發電機組儲能設備。將可再生能源和儲能設備組成一個DG，類似于處于電網頂端的發電機組。

微電網系統示意圖如圖1所示。

圖1 微電網系統示意圖

由于風電、光伏發電系統存在很強的隨機性，微網經濟運行包含隨機變量的規劃問題。機會約束規則能很好地解決隨機變量的問題，已應用在電力系統[8]。采用機會約束規則(chance constrained programming,CCP)理論建立微網運行的模型，以發電費用最少為目標，同時考慮到DG的隨機性和目標函數的置信水平。每個DG通過網絡進行通信，共同完成發電任務。除考慮電能平衡約束問題外，還需考慮多智能體的一致性問題。

含有儲能裝置的DG的發電費用可表示為：

(1)

電能平衡約束公式為：

(2)

考慮到電能平衡約束后，可將目標函數修改為：

由此可見，發電量成本和每個DG的出力有關。為了獲取發電量成本最小值，可通過目標函數對PGi、λ求偏導。

(3)

對于每個DG，PGimin≤PGi≤PGimax，其發電量不能越限。

微網經濟運行模型如下：

2 基于CCP規劃的多智能體優化算法

2.1 增量成本一致性更新規則

G1作為主DG的網絡圖如圖2所示。

圖2 G1作為主DG的網絡圖

多智能體研究需考慮各智能體的狀態趨于一致，對于微網發電系統，選擇各DG的增量成本作為一致性變量[9-11]。圖2代表的是由分布式結構控制下的一致性網絡圖。相鄰的增量成本值通過局部控制器來更新自己的增量成本值(嵌入到每一個DG單元)。另外，要選擇一個主DG來控制增量成本值的增減。

考慮發電功率約束的主DG和普通DG更新規則為：

通過微分計算，先獲得各DG增量成本初始值，然后再進行迭代更新。

(5)

(6)

2.2 計及CCP的多智能體優化算法

包含隨機變量的規劃問題通常采用基于隨機模擬技術的粒子群(particle swarm optimization,PSO)算法來求解。PSO的粒子速度和位置更新公式為[10-11]：

(7)

式中：慣性權重w描述了粒子的慣性對速度的影響，w值會影響到PSO算法的全局和局部搜索能力；c1、c2為學習因子，通常為常數；r1、r2為0～1之間的隨機數。

在由各DG組成的微網中，PSO的粒子更新需考慮增量成本一致性問題，因此，對w進行了調整。

wi=ρλi

(8)

式中：ρ為系數，可取0.1。

基于CCP、多智能體一致性的優化算法的具體求解過程如下。

①輸入各DG運行參數、隨機變量分布函數、費用；設定參數，包括粒子數、慣性權重、學習因子、學習速率等。

②將微網中所有DG的功率、增量成本作為一個粒子；根據隨機變量分布函數，獲得DG的功率初始值和增量成本初始值。

③計算初始狀態下各個DG的發電費用，驗證粒子的可行性；若不滿足置信區間，返回步驟②重新獲得DG的功率、增量成本初始值；若滿足，計算各粒子的適應值D(λi)，獲取p和全局最佳適應度值g。

④將多智能體一致性算法引入后，根據式(4)～式(8)更新粒子速度和位置，重新獲得各個DG的發電量和增量成本，并計算發電費用。

⑤判斷式(3)中置信區間和發電量是否越限，若越限，以上限或者下限作為當前值，返回步驟④重新賦值進行計算；若不越限，獲取p和g。

⑥比較p和g，更新g，即為最好位置。

⑦重復步驟④～步驟⑥，直至最大迭代次數。

3 算例分析

對IEEE的5個DG節點測試系統進行驗證，假設這5個DG都為由光伏系統組成的微網，供給負荷。微網5個DG的電力系統通信拓撲如圖3所示。

圖3 電力系統通信拓撲圖

在900 kW負荷功率下，測試系統仿真結果如圖4所示。

圖4 系統仿真結果(900 kW)

選擇粒子數為200，每個粒子包含5個DG的增量成本和功率的多維數組(5×2)；c1和c2設置為2，r1、r2為0.4，增量成本初始值為{7.92,7.85,7.8,7.92,7.8}，DG1和DG4的初始增量成本一致，DG2、DG3、DG5初始增量成本基本一致。w初始化值為{0.792,0.785,0.78,0.792,0.78}，最大迭代次數為500，隨機模擬次數為1 000，目標函數的置信水平為0.95。G1單元作為主DG，它的固定步長為0.02 s，收斂系數為ε=0.000 5，負荷功率為900 kW。

由圖4(a)可知，在星型拓撲下，所有DG的增量成本都會漸進收斂到最優成本值。此時，λ=8.695 3 ＄/MW，而各發電機的發電功率分別為PG1= 248.187 kW，PG2=217.87 kW，PG3=92.877 kW，PG4=248.187 kW，PG5=92.877 kW，DG3和DG5分配的功率相同。DG總負荷滿足負荷功率需求。考慮到負荷存在隨機性，上述案例的負荷功率在0.5 s，從開始的900 kW突然增加到950 kW，查看系統的增量成本能否達到一致。此時，測試系統仿真結果如圖5所示。

圖5 系統仿真結果圖(950 kW)

由圖5可知，在經歷一段時間的不穩定計算之后，系統的增量成本最后又達成了一致，得到了一個新的最優值，并且對發電機組的功率又重新進行了分配，能夠滿足負荷功率的要求。此時電力系統的增量成本變大了，λ= 8.74 ＄/MW，而各發電機的發電功率分別為PG1= 262.65 kW、PG2= 229.50 kW、PG3= 97.56 kW、PG4= 262.63 kW、PG5= 97.56 kW，保證了電力系統的供需平衡。各運行狀態參數如表1所示。

表1 各運行狀態參數

所有DG單元的增量成本從剛開始不一樣，經過計及CCP的多智能體優化算法計算，最終慢慢地收斂至同一值，即最優成本值。此算法對于不同負荷的最優工作狀態也有很好的適應度，都能收斂至最優成本。

4 結束語

本文采用CCP建立微網經濟優化模型，同時這些光伏DG又是相互關聯的智能體，需要考慮多智能體的一致性問題，在求解時采用隨機模擬技術及多智能體一致性PSO算法求解。對微網5個光伏DG的仿真驗證表明，增量成本一致，符合供需平衡，驗證了模型算法的有效性，滿足了柔性負荷的需求。考慮CCP和DG多智能體一致性，建立了微網經濟優化模型，對微網分布式優化調度進行了仿真驗證。結果表明，該模型具有一定的應用前景。

[1] 于爾鏗.現代電力系統經濟調度[M].北京：水利電力出版社,1986.

[2] 劉廣一,強金龍,于爾鏗,等.凸網絡流規劃及其在電力系統經濟調度中的應用[J].中國電機工程學報,1988,8(6):9-18.

[3] 李文沅.電力系統安全經濟運行:模型與方法[M].重慶：重慶大學出版社,1989.

[4] SELVAKUMAR A,THANUSHKODI K.A new particle swarm optimization solution to nonconvex economic dispatch problems[J].IEEE Transactions on Power Systems,2007,22(1):42-51.

[5] KUMAR R,SHARMA D,SADU A.A hybrid multi-agent based particle swarm optimization algorithm for economic power dispatch[J].International Journal of Electrical Power & Energy Systems,2011,33(1):115-123.[6] BINETTI G,DAVOUDI A,LEWIS F,et al.Distributed consensus-based economic and dispatch with transmission losses[J].IEEE Transactions on Power Systems,2014,29(4):1711-1720.

[7] BINETTI G,ABOUHEAF M,LEWIS F,et al.Distributed solution for the economic dispatch problem[J].21st Mediterranean Conference on Control & Automation (MED)Platanias,Greece, 2013,22(3):243-250.

[8] 于晗，鐘志勇，黃杰波,等.考慮負荷和風力出力不確定性的輸電系統機會約束規則[J].電力系統自動化,2009,33(2):20-24.

[9] 謝俊，陳凱旋，岳東,等.基于多智能體系統一致性算法的電力系統分布式經濟調度策略[J].電力自動化設備,2016,36(2):112-117.

[10]張曉芳，謝俊.可控家用電器負荷優化模型及用電策略研究[J].計算機工程與應用,2016,52(24):246-250.

[11]錢景輝，劉小月，楊小健，等．自適應粒子群算法在電力經濟調度中的應用[J]．自動化儀表，2015,36(3) :17-20．

Economic Operation of Micro-Grid with Optimization Algorithm
of CCP and Multi Agent

ZHANG Xiaofang
(School of Electrical Engineering,Suzhou Chien-Shiung Institute of Technology,Taicang 215411,China)

With the development of society,the electric power system is pacing from traditional centralized network to the distributed smart grid structure.Especially,the grid connected of distributed power generation (DG) is much important for the dispatching of distributed micro grid.In order to ensure the micro grid running reliably and economically,the economic optimization model of micro-grid is setup based on the consistency principle of chance constrained programming (CCP) and DG multi-agent.Considering the randomness of wind power and photovoltaic power generation systems,the stochastic simulation technology is adopted in solving.A “master DG” is selected to control incremental costs,and with DG incremental cost as consistency variable,the PSO algorithm based on stochastic simulation technology is used to solve the planning including random variable.The 5 PV DG system of micro-grid power system is verified by simulation,the results indicate that under different load,optimization calculation is conducted using this model,the incremental cost is consistent and the supply and demand is balanced.The simulation results show that the model can satisfy the demand for economical operation of micro grid.

Power system; Micro-grid; Smart grid; Distributed generation (DG); Chance constrained programming (CCP); PSO algorithm

2015年太倉市重點研發計劃基金資助項目(TC2015GY13)

張曉芳(1980—)，女，碩士，講師，主要從事智能控制方向的研究和教學工作。E-mail:zxf_0812@163.com。

TH165；TP273

A

10.16086/j.cnki.issn1000-0380.201707006

修改稿收到日期：2017-01-12