基于改進PSO算法的微電網調度方法

王向紅，錢文姝

（1.國網陜西省電力公司，陜西西安 710048；2.國網陜西省電力公司電力科學研究院 陜西西安 710100）

基于改進PSO算法的微電網調度方法

王向紅1，錢文姝2

（1.國網陜西省電力公司，陜西西安 710048；2.國網陜西省電力公司電力科學研究院 陜西西安 710100）

針對微電網存在較大傳輸損耗的問題，文中提出了一種適用于光伏、風力發(fā)電的微電網日前調度模型。該模型在滿足各種約束條件的情況下，以最小化風機、光伏電池、儲能單元和燃氣輪機的發(fā)電成本及運行成本的總和為目標。同時，由于微電網日前調度是一個混合整數(shù)非線性問題，提出了一種隨機最優(yōu)近鄰PSO算法，用于求解該多目標優(yōu)化問題。最后，使用該算法對IEEE 9-bus系統(tǒng)進行仿真測試。實驗結果表明，對于微電網的日前調度問題，提出的算法對微電網在正常和故障運行情況下均具有較高的可靠性。

微電網；傳輸損耗；日前調度；隨機最近鄰；粒子群優(yōu)化

近年來，微電網在電力系統(tǒng)中的應用越發(fā)廣泛，其具有靈活、智能和兼容的特點[1]。微電網不僅能整合小型分布式可再生資源，且有助于提高電力系統(tǒng)的效率和可靠性[2-4]。微電網有兩種工作模式：并網運行方式和孤島運行方式[5-6]。在并網模式下，微電網通常為主電網提供輔助服務；在孤島模式下，微電網則需要保持自身的供需平衡。

如圖1所示，為一個包括風機（WT）、光伏電池（PV）、燃氣輪機（GT）、儲能單元（ESU）及電動車（EV）和其他負載的微電網。為了提供高質量和經濟的電能，需要對微電網的運行進行合理的調度[7]。能源管理系統(tǒng)（EMS）作為微電網的大腦，根據(jù)負載、可再生能源和電價的預測信息，以最小化運營成本和最大化利潤的方式，協(xié)調分布式資源的輸出功率以及與主電網的交換功率。EMS的連接結構有3種：集中式結構[8]，層次結構[9]和分布式結構[10]。文獻[11]全面綜述了微電網的EMS，總結了微電網的管理控制架構與技術。

EMS中的發(fā)電調度在微電網運行中發(fā)揮著重要作用，其在微電網物理條件的約束下，通過調度各種能源資源，以最小的成本滿足負載需求。一般而言，微電網的發(fā)電調度包括經濟調度（ED）和最優(yōu)潮流調度（OPF）。實質上，ED和OPF均可歸結為目標優(yōu)化問題[12]。

在過去十年，眾多科研人員調查研究了微電網的優(yōu)化調度問題。文獻[13]在微電網框架下提出了一種最小化多發(fā)電機購買總成本的優(yōu)化算法；文獻[14]提出了一種最小化運行成本和污染物排放的分布式發(fā)電機與存儲調度算法。針對多種微電網互聯(lián)的問題，文獻[15]綜合考慮用戶的舒適度和系統(tǒng)的約束，提出了一種基于博弈論的定價機制。

然而，現(xiàn)有的優(yōu)化方法通常采用一種簡化的優(yōu)化模型，并忽略了傳輸網絡的損耗。通常由于微電網是一個低壓配電網絡，實際上有著較大的傳輸損耗，傳統(tǒng)的忽略傳輸網絡損耗構建的調度模型通常不能滿足實際需求[16]。因此，為了獲得準確的調度方案，本文考慮傳輸網絡的損耗，并提出了一種適用于光伏、風力發(fā)電的微電網日前調度模型。該模型在滿足各種約束條件的情況下，以最小化風機、光伏電池、儲能單元和燃氣輪機的發(fā)電成本及運行成本的總和為目標。同時，由于微電網日前調度是一個混合整數(shù)非線性問題，本文提出了一種隨機最優(yōu)近鄰PSO算法，用于求解該多目標優(yōu)化問題。最后，使用該算法對IEEE9-bus系統(tǒng)進行仿真測試。實驗結果表明，對于微電網的日前調度問題，提出的算法對微電網在正常和故障運行情況下均具有較高的可靠性。

圖1 典型的微電網架構Fig.1 Typical microgrid architecture

1 微電網調度模型

本文使用的微電網結構，如圖1所示。該系統(tǒng)包括風機（WT）、光伏電池（PV）、燃氣輪機（GT）、儲能單元（ESU）、電動車（EV）和其他負載。該系統(tǒng)運行在孤島模式下，只需保證自身的供需平衡。下面分別介紹系統(tǒng)的發(fā)電模型、目標函數(shù)和約束條件。

1.1 發(fā)電模型

1.1.1 風機

風機即風力渦輪機，其葉片可以將從風中捕獲的能量轉換成電能。風機的輸出功率取決于風速和發(fā)電單元本身的輸出特性，其關系可表示為

式中：Pwt表示風機的輸出功率；vt表示時段t內的實際風速，m/s；vc表示切入速度，m/s；vf表示切出風速，m/s；vr表示額定風速，m/s；Pr表示風機的額定功率，kW。

1.1.2 光伏電池

光伏電池通過光電效應將太陽能轉換成電能，光伏電池的輸出功率與光照強度、環(huán)境溫度等天氣條件密切相關。其輸出功率可以表示為

式中：PPV為光伏電池的輸出功率；η為光伏電池的功率轉換效率；YPV為光伏電池的額定功率；IT（t）為時段t內光伏電池所接受的太陽輻射量；IT=1 kW/m2為標準測試條件。

1.1.3 電池

電池在平衡電網電力和光伏-風機的穩(wěn)定運行時發(fā)揮著重要作用。因為當風能和太陽能資源充足時，能夠存儲來自風機與光伏電池的電能。而當風能和太陽能資源不充足時，能夠使用電池來提供電能。電池的充電狀態(tài)（SOC）是指電池的剩余電量與額定電量的比值，t+Δt時刻的SOC由t時刻的電池電能和SOC決定，可以用式（3）表示其之間的關系：

1.2 目標函數(shù)

本文將微電網的最優(yōu)日前調度問題看作是一個多時段的最優(yōu)潮流問題，其旨在滿足系統(tǒng)所有約束的條件下，最小化每個單元總的發(fā)電電能和損耗。該優(yōu)化問題的目標函數(shù)可用下式表示：

式中：C1表示發(fā)電機損耗；C2和C3分別表示可再生能源發(fā)電單元，在啟動和停止時產生的維護損耗；Pj，t表示柴油發(fā)電機j在時刻t的輸出功率；xj（j，t）表示可再生能源發(fā)電機j在時刻t的輸出功率；ΔV表示電壓偏移的懲罰項；T表示總的調度周期；aj，bj，cj表示柴油發(fā)電機單元的損失系數(shù)。

1.3 約束條件

1）發(fā)電機功率約束：

2）電池SOC約束：

3）線路容量約束：

式中，Pijt表示t時段節(jié)點i和j的功率表示節(jié)點i和j間的最小和最大功率流。

4）電壓約束：

2 基于改進PSO算法的微電網優(yōu)化調度

2.1 改進PSO算法

PSO[9]是一個從隨機生成的粒子及其速度開始的，基于種群的隨機優(yōu)化算法。在D維優(yōu)化問題中，每一個粒子代表一個潛在的解，且每個粒子均有一個位置和移動速度。在優(yōu)化過程中，每個粒子跟隨者Pbest和Gbest在解空間中移動。其位置與速度更新方式如下所示：

式中，粒子群擁有Np個粒子，粒子下標i=1，2，3，…，Np；d表示維度為第i個粒子的位置；表示第i個粒子的移動速度；t為迭代次數(shù)，r1和r2為服從正太分布的隨機數(shù)，φ1和φ2表示速度的權重。

為了在算法運行初期保持粒子群多樣性的同時不明顯降低收斂速度，本文提出了一種隨機最優(yōu)近鄰PSO（random best neighbors particle swarm optimization，RBN-PSO）算法。該算法不是搜索Pbest和Gbest，而是在初期就從Pbest和RBNbest（由RBN策略選擇的Pbest）中學習，以增強種群的多樣性。

RBN-PSO的速度和位置更新策略如式（7）和（8）所示，其中，粒子速度的更新方式與傳統(tǒng)的方式一致。與傳統(tǒng)的PSO算法不同的是，在RBN-PSO中的每個粒子從相同的RBNbest中學習所有維度的信息，而不是從Gbest中學習。

在最小化問題中，適應度值越小，表明粒子越優(yōu)。因此，式（8）中RBNbestdi表示在近鄰中隨機搜索的且具有最小適應度值的粒子，即最優(yōu)的近鄰粒子。在初始化過程中，每一個粒子從整個種群中隨機選擇一些除Pbest外的近鄰粒子。在這些近鄰粒子中，將具有最小適應度值的粒子選擇為RBNbest。與傳統(tǒng)的PSO算法中一組粒子共享一個局部最優(yōu)值的方式不同，RBN-PSO為每個粒子選擇一個RBNbest。因此，在RBN-PSO中有兩個重要的參數(shù)，一個是更新周期，另一個是近鄰數(shù)量。若一個粒子在預設的迭代次數(shù)內沒有提升其適應度值，則更新其RBNbest，這個預設的最大迭代次數(shù)稱為更新周期；而近鄰數(shù)量表示選擇RBNbest時隨機選擇參與比較的相鄰粒子的數(shù)量。詳細的RBN-PSO算法偽代碼，如表1所示。

表1RBN-PSO算法偽代碼Tab.1 Pseudo-code of RBN-PSO algorithm

2.2 微電網優(yōu)化調度求解

微電網最佳日前調度的控制變量由發(fā)電機總線的電壓、所有發(fā)電機單位狀態(tài)（在線或離線）以及發(fā)電機在所有時間間隔的輸出功率組成。求解該問題的目標，即在滿足各種約束條件的同時，獲得最優(yōu)的控制變量并最小化目標函數(shù)。基于改進的PSO算法微電網優(yōu)化調度問題的求解步驟如下：

1）設置RBN-PSO算法的參數(shù)和系統(tǒng)參數(shù)。

2）判斷系統(tǒng)是否存在故障，若存在故障則調整參數(shù)以應對故障帶來的影響；若沒有則故障則跳到下一步。

即m+1時刻預測值為Pm+1,將最后L-1個數(shù)據(jù)和測試集中的第m+1個數(shù)據(jù)合并為新的數(shù)據(jù)并輸入網絡,得到m+2時刻的輸出Pm+2,依次類推得到預測序列為

3）根據(jù)當前電網的電流條件，初始化微電網中各供電單元，包括風機、光伏電池、燃氣輪機和儲能單元。

4）若生成的粒子滿足電池SOC的約束，直接進入下一步；否則調整單位輸出功率以滿足約束，然后轉到下一步。

5）判斷微電網中所有的總線類型是否隨著每個發(fā)電機節(jié)點的輸出功率的改變而改變，若沒有跳到下一步；否則返回該節(jié)點。

6）使用Newton-Raphson方法計算潮流。

7）若獲得的粒子滿足傳輸線的容量約束，跳到下一步；否則調整單位輸出功率以滿足約束，然后返回步驟7。

8）若獲得的粒子滿足功率平衡約束，則跳轉到下一步；否則隨機選擇一部分發(fā)電單元，調整其輸出功率。然后返回到步驟4。

10）若到達最大迭代數(shù)，輸出最優(yōu)的調度方案；否則返回步驟4。

圖2 基于IEEE 9-bus的微電網系統(tǒng)架構Fig.2 Micro-gridsystemarchitecturebasedonIEEE9-bus

3 仿真實驗與分析

本文使用圖2所示的基于IEEE 9-bus的微電網系統(tǒng)進行分析，RBN-PSO中種群數(shù)量為50，最大迭代數(shù)為3 000，每個電池的初始電量為72 kW·h。風機、太陽能電池板和儲能電池的損耗，如表2所示。柴油發(fā)電機的損耗系數(shù)a，b，c如表3所示。風速和光照強度隨時間的變化關系，如圖3所示。

表2 風機、太陽能電池板和儲能電池的損耗Tab.2 Cost for wind turbine,solar panels and battery kW·h

表3 柴油發(fā)電機的損耗系數(shù)Tab.3 Cost coefficients of diesel generators

圖3 風速和光照強度隨時間的變化關系圖Fig.3 The relationship between wind speed and light intensity over time

如圖4所示為該系統(tǒng)所測得的各總線電壓值，該圖中所有電壓值均滿足約束條件。從圖中可以看出，總線2，4，6的電壓級別比其他總線的要低，而總線7和8的波動最大。

當微電網處于故障狀態(tài)時，將對系統(tǒng)和社會造成嚴重的后果。不僅需要避免微電網的故障運行，且還要采用一定的恢復措施減少故障所帶來的損耗。因此，使用本文所提出的方法解決在不同故障狀態(tài)下微電網的日前調度問題，同時，也用于驗證本算法的魯棒性。

圖4 優(yōu)化調度后的各總線電壓波動情況Fig.4 Bus voltage fluctuations of the optimal scheduling

如圖5所示為節(jié)點9突然斷開時，各總線的電壓波動情況。圖6所示為節(jié)點1和2之間斷開時，各總線的電壓波動情況。從圖5和圖6可以看出，電網電壓在5%的安全范圍內波動。同時還可看出，當總線出現(xiàn)故障時比單條線發(fā)生故障時電壓的波動范圍要更廣。這是由于總線故障將導致總線數(shù)量的減少，原始的電能在N個節(jié)點間流動，而現(xiàn)在只能在N-1個節(jié)點間流動。

圖5 節(jié)點9突然斷開時各總線的電壓波動情況Fig.5 Voltage fluctuations with the breakdown of node 9

圖6 節(jié)點1和2之間斷開時各總線的電壓波動情況Fig.6 Voltage fluctuation of each bus with the disconnected of nodes 1 and 2

4 結論

為了獲得準確的調度方案，本文考慮傳輸網絡的損耗并提出了一種適用于光伏、風力發(fā)電的微電網日前調度模型。該模型在滿足各種約束條件的情況下，以最小化風機、光伏電池、儲能單元和燃氣輪機的發(fā)電成本及運行成本的總和為目標。同時，由于微電網日前調度是一個混合整數(shù)非線性問題，本文提出了一種隨機最優(yōu)近鄰PSO算法，用于求解該多目標優(yōu)化問題。最后，使用該算法對IEEE9-bus進行仿真測試。實驗結果表明，對于微電網的日前調度問題，提出的算法對微電網在正常和故障運行情況下均具有較高的可靠性。

[1]魏榆揚，周步祥，彭章剛.基于區(qū)間數(shù)的改進NSGA-II算法在微電網優(yōu)化調度中的應用[J].電力電容器與無功補償，2017，38（1）：117-122.WEI Yuyang，ZHOU Buxiang，PENG Zhanggang.Application of Improved NSGA-ⅡAlgorithm Based on Interval Number in Optimal Regulation of Micro-grid[J].Power Capacitor&Reactive Power Compensation，2017，38(1):117-122.

[2]吳昊，王艷松.基于智能單粒子算法的微電網經濟調度[J].電力系統(tǒng)保護與控制，2016，44（20）：43-49.WU Hao，WANG Yansong.Economic dispatch of microgrid using intelligent single particle optimizer algorithm [J].Power System Protection and Control，2016，44(20):43-49.

[3]楊曉東，陳宇，張有兵，等.考慮交互功率與可再生能源功率波動的微電網調度優(yōu)化模型[J].電力系統(tǒng)保護與控制，2016，44（23）：30-38.YANG Xiaodong，CHEN Yu，ZHANG Youbing，etal.Scheduling optimization model for microgrid considering interactive power and renewable energy output fluctuation[J].Power System Protection and Control，2016，44(23):30-38.

[4]李占凱，陳紅敏，張福民，等.含儲能微電網運行模式的平滑切換控制策略[J].電力電容器與無功補償，2017，38（2）：148-154.LI Zankai，CHEN Hongmin，ZHANG Fumin，et al.Control Strategy for Smooth Switching of Microgrid Operation Mode Containing Energy Storage[J].Power Capacitor&Reactive Power Compensation，2017，38(2):148-154.

[5]CHEN Y H，LU S Y，CHANG Y R，et al.Economic analysis and optimal energy management models for microgrid systems：A case study in Taiwan[J].Applied Energy，2013，103（1）：145-154.

[6]MARZBAND M，GHADIMI M，SUMPER A，et al.Experimental validation of a real-time energy management system using multi-period gravitational search algorithm for microgrids in islanded mode[J].Applied Energy，2014，128（3）：164-174.

[7]ZHAO B，XUE M，ZHANG X，et al.An MAS based energy management system for a stand-alone microgrid at high altitude[J].Applied Energy，2015，143（7）：251-261.

[8]XIAO J，WANG P，SETYAWAN L，et al.Multi-level energy management system for real-time scheduling of DC microgrids with multiple slack terminals[J].IEEE Transactions on Energy Conversion，2016，31（1）：392-400.

[9]季斌煒，陳瀟一.基于粒子群算法的配電網無功補償方法研究[J].電網與清潔能源，2016，32（3）：111-114.JI Binwei，CHEN Xiaoyi.Research on Reactive Power Compensation of Distribution Network Based on Particle Swarm Optimization Algorithm [J].Advances of Power System&Hydroelectric Engineering，2016，32(3):111-114.

[10]黃晨，張靠社.基于量子粒子群算法的微電網優(yōu)化調度[J].電網與清潔能源，2016，32（2）：72-76.HUANG Chen，ZHANG Kaoshe.Micro Grid Scheduling Optimization Based on Quantum Particle Swarm Optimization (PSO)Algorithm [J].Advances of Power System&Hydroelectric Engineering，2016，32(2):72-76.

[11]胡清，張強.基于改進二進制粒子群算法的配電網故障定位[J].南京工程學院學報（自然科學版），2016，14（3）：77-81.HU Qing，ZHANG Qiang.Fault Location of Distribution NetworksBased on Improved BinaryParticleSwarm Optimization Algorithm [J].Journal of Nanjing Institute of Technology(Natural Science Edition)，2016，14(3):77-81.

[12]王偉，譚陽紅.量子粒子群算法在配電網多時段動態(tài)重構中的應用[J].陜西師范大學學報（自然科學版），2016，44（6）：31-38.WANG Wei，TAN Yanghong.The application of quantum particle swarm optimization algorithm in multi-period dynamic reconfiguration of distribution network[J].Journal of Shaanxi Normal University(Natural Science Edition)，2016，44(6):31-38（in Chinese）.

[13]RABIEE A，SADEGHI M，AGHAEIC J，et al.Optimal operation of microgrids through simultaneous scheduling of electrical vehicles and responsive loads considering wind and PV units uncertainties[J].Renewable&Sustainable Energy Reviews，2016，57（4）：721-739.

[14]MARZBAND M，MOGHADDAM M M，AKOREDE M F，et al.Adaptive load shedding scheme for frequency stability enhancement in microgrids[J].Electric Power Systems Research，2016，140（3）：78-86.

[15]KAKIGANO H，MIURA Y，ISE T.Distribution voltage control for DC microgrids using fuzzy control and gainscheduling technique[J].IEEE Transactions on Power Electronics，2013，28（5）：2246-2258.

[16]KYRIAKARAKOS G，PIROMALIS D D，DOUNIS A I，et al.Intelligent demand side energy management system for autonomous polygeneration microgrids[J].Applied Energy，2013，103（1）：39-51.

A New Scheduling Method of Microgrid Based on Improved PSO Algorithm

WANG Xianghong1，QIAN Wenshu2
（1.State Grid Shaanxi Electric Power Company，Xi’an 710048,Shaanxi,China；2.State Grid Shaanxi Electric Power Research Institute，Xi’an 710100）

In order to address the huge transmission loss in microgrid,a new day-ahead scheduling model for microgrid with photovoltaic cells and wind turbine units is proposed in this paper.The model aims at minimizing the sum of power generation costs and operating costs of wind turbines,photovoltaic cells,energy storage units and gas turbines while meeting a variety of constraints.At the same time,since the scheduling of microgrids is a mixed integer nonlinear problem,this paper proposes a random best neighbor PSO algorithm to solve the multi-objective optimization problem.Finally,the algorithm is used to simulate IEEE9-bus.The experimental results show that the proposed algorithm has high reliability for both micro-grid and normal operation in the event of micro-grid scheduling.

microgrid;transmission loss;day-ahead scheduling;random best neighbor;PSO

1674-3814（2017）07-0053-05

TM711

A

國家自然科學青年基金（61101249）。

Project Supported by the Natural Science Foundation of China(61101249）.

2016-08-01。

王向紅（1960—），女，本科，高級工程師，研究方向為電力系統(tǒng)調度自動化、人力資源開發(fā)及班組建設等方面的工作。

（編輯 徐花榮）