并網模式下基于多代理技術的微電網多目標優化

王思明, 牛玉剛, 祖其武

(華東理工大學化工過程先進控制和優化技術教育部重點實驗室,上海 200237)

并網模式下基于多代理技術的微電網多目標優化

王思明, 牛玉剛, 祖其武

(華東理工大學化工過程先進控制和優化技術教育部重點實驗室,上海 200237)

微電網的經濟運行是一個多目標、多約束問題。傳統方法將多目標轉化為單目標的求解策略往往難以迅速收斂,且在權重的選取上具有很強的主觀性。本文提出了一種基于多代理技術的多目標求解策略,考慮微網的整體經濟性問題,分別建立發電側目標代理(PowerAgent)以及需求側目標代理(LoadAgent),從而避免了權重的選擇。虛擬電價信息作為發電側代理的協商參數,負荷調度信息作為需求側代理的協商參數。利用JADE平臺提供的Agent通信功能,目標代理之間傳遞協商參數,優化自身子目標問題,迭代協商,最終達到目標均衡。協商過程保證了微網的整體經濟性要求,且兩個子目標通過目標代理分布式求解,能夠快速收斂。最后通過算例討論了各代理的行為特征,驗證了本文方法的可行性。

微網; 經濟性; 多目標; 多代理; JADE; 粒子群

微電網作為一種整合分布式發電的集成系統,由分布式電源、儲能裝置、負荷和能量管理系統等組成[1],能夠有效解決新能源接入電網問題,微電網的運行優化是保證微電網高效運行的基礎[2-4]。

目前,國內外對微電網優化運行開展的研究,主要是通過構建微網多目標優化模型,利用智能算法得到Pareto解集[5-8],或者是通過單目標加權法將多目標問題轉變為單目標問題進行求解[9]。由于多個目標之間往往會存在沖突,一般情況下很難同時達到最優,并且可能造成某些目標的優化結果偏離最優值,甚至出現劣解[10]。另外,上述研究工作主要是對發電側能源出力進行調度,沒有考慮需求側對微網經濟調度的影響。文獻[11]將需求側響應應用于智能家居系統,對可轉移負荷進行調度,減少了家庭用電支出。文獻[12]構建了需求側負荷滿意度模型,將可中斷負荷以不可轉移和可轉移兩種狀態進行了對比研究。這些工作雖然利用需求側響應對負荷進行了調度,在一定程度上提高了微電網的經濟效益,但只是單純地將需求側與發電側調度結合在一起,然而,這兩者在實際應用中常常存在沖突。文獻[13]將微電網分為發電側和需求側,構建發電側與需求側的互動關系,引入非合作完全信息博弈理論,能在有效兼顧用戶滿意度的情況下,實現經濟最優。

另一方面,多代理技術作為解決微網分布式建模的有效方案,受到了越來越多學者的關注。文獻[14-16]將多代理技術用于微電網能量調度中,構建了各個微源代理,但沒有考慮多個目標耦合情況下的求解策略。文獻[17]構建了微網多代理系統(MAS),將傳統集中式能量優化轉變為包含細化變量定義域的微電源分布式計算。但是,需要注意的是,以上研究工作并沒有考慮Agent之間通信協商策略,求解過程仍采用集中式求解,設計的算法依賴于中央Agent的性能。

本文考慮并網模式下微電網發電側和需求側的整體經濟性,針對發電側成本最小以及需求側成本最小形成的多目標耦合問題,提出了基于多代理技術的分層分布式求解策略。構建多代理系統,每一個微網實體單元都由一個能夠進行交互的智能Agent控制,進一步將發電側目標和需求側目標分別用目標Agent表示,通過目標Agent之間的協商求解多目標耦合問題,其中需求側代理(LoadAgent)發送負荷調度信息作為協商信息,發電側代理(PowerAgent)發送虛擬電價信息作為協商信息,每個目標Agent接收到協商信息后,通過調用內嵌PSO算法,優化自身目標,迭代協商,最終達到目標均衡。仿真實驗結果表明,本文提出的微電網多目標求解算法,能夠有效地解決微電網能量管理中的多目標問題,實現了微電網的經濟運行。且采用分布式Agent建立微電網模型,在一定程度上可以緩解中央控制器的求解壓力,降低問題求解維度,具有更快的求解速度。

1 微電網模型

1.1 JADE平臺

本文采用JADE軟件平臺進行多代理系統(MAS)的設計。JADE是一個完全由Java語言編寫的多Agent開發框架,遵循FIPA規范,提供了基本的目錄服務、Agent管理系統、消息傳輸服務等,可以有效地與其他Java開發平臺和技術集成。JADE中定義了Agent基類,開發人員只需在基類的基礎上進行擴展,即可構建具有各種功能的Agent。并且JADE完成了Agent之間的底層通信,只需要進行相應的方法調用就能實現Agent之間的通信協商功能。JADE平臺提供的基本服務如圖1所示。

圖1 JADE平臺Fig.1 JADE platform

Agent通信是JADE中最基本的功能,它嚴格遵守了FIPA標準。Agent之間的通信基于言語行為理論,其基本原理是:說話人所說的話語不僅僅陳述一個事實,而且是說話人做出的帶有某種意圖的動作。本文設計的Agent中,AGREE通信原語表示接收者Agent同意發送者Agent的決策,REFUSE通信原語表示拒絕發送者Agent的決策,INFORM通信原語表示發送者希望接收者了解某件事,CFP表示發送者希望進行一次談判,PROPOSE則表示發送者給出談判提議,并希望繼續談判或者收到AGREE信息。

1.2 MAS系統結構

1.2.1 概述 本文構建的MAS系統如圖2所示,每個單元通過對應的Agent進行控制,不同的實體單元具有不同的約束限制和決策機制。主要包含兩類Agent,一是發電側,包括光伏裝置(PVAgent)、風機裝置(WTAgent)、儲能裝置(BatteryAgent)、電網(GridAgent);二是需求側,包括不可調節負荷(BtAgent)、可調節負荷(RtAgent)。

圖2 MAS結構示意圖Fig.2 MAS structure diagram

發電側主要為需求側提供功率支持,以滿足供需平衡。在本文構建的多代理系統中,微網調度周期T為1 d,最小調度時間為1 h,因此將1 d劃分為24個調度時間段,并假設在每個時段內發電側的輸出功率以及需求側的需求功率保持不變。

1.2.2 PVAgent和WTAgent模型 PVAgent和WTAgent分別代表光伏裝置和風機裝置,作為新能源發電端,環境效益很高,在不考慮初始投資成本時,發電成本可忽略不計,故在實際調度過程中,應該優先使用新能源發電功率。本文設計的PVAgent和WTAgent具有相同的功能,擁有向上級Agent發送自身狀態信息以及接收上級Agent調度決策的功能。在日前階段,PVAgent和WTAgent連接數據庫獲取相關信息(風速、溫度等),調用自身功率預測方法,并將預測信息發送給上級Agent,在接收到上級Agent的調度信息后,判斷自身約束條件是否滿足,滿足則AGREE上級決策,并控制相應裝置使其滿足決策調度,否則REFUSE。新能源發電應滿足如下約束:

(1)

1.2.3 BatteryAgent模型 BatteryAgent代表儲能裝置,與其他分布式電源相協調,共同維持微電網的穩定運行。由于新能源出力的波動性,儲能裝置可以很好地作為緩沖裝置,平滑新能源波動,并且在分時電價的微網中有很好的經濟性。然而儲能裝置的成本相對較高,考慮將儲能裝置的投資成本折合到使用壽命上,即優化儲能裝置的使用壽命,相當于減少了儲能成本。研究發現,充放電次數和充放電深度都會影響儲能裝置的壽命,因此,將儲能裝置的壽命與充放電功率相結合,得到儲能裝置充放電成本為

(2)

式中:Pba(t)為儲能裝置的功率,大于零時為充電狀態,相當于負荷,小于零時為放電狀態,相當于微源;nc和nd分別為儲能裝置的充放電效率;βes為儲能裝置的充放電成本系數。

BatteryAgent為了達到自身充放電速率以及容量限制,Pba(t)應滿足如下約束:

(3)

(4)

(5)

(6)

SOCmin≤SOC(t)≤SOCmax

(7)

SOC(24)=SOCInt

(8)

1.2.4 GridAgent模型 GridAgent作為電網的代理,參與發電側的調度過程。當微電網中存在能量缺額時,向電網購電是微電網保證自身功率平衡的關鍵決策。由于單微電網剩余的功率一旦回饋到電網上,會給電網帶來很多諧波、脈沖電壓、脈沖電流等,給電網本身的運行控制帶來了難度,可能反而增加了整體成本。本文中電網的電價采用分時電價策略,微電網只能從電網購電。GridAgent的購電成本如下:

(9)

其中,Cb(t)是t時刻的購電電價。谷時段為23:00～07:00,平時段為07:00～08:00、11:00～17:00和22:00～23:00,峰時段為08:00～11:00、17:00～22:00。類似文獻[18],本文假設電網各時段的電價如表1所示。

表1 電網分時電價

由于微電網與電網物理聯絡線的約束,GridAgent購電功率應滿足如下約束:

(10)

在運行階段,GridAgent接收上級Agent的請求信息,將自身電價信息發送給上級Agent,由上級Agent統一處理,最終將優化結果返回給GridAgent,GridAgent根據自身約束判斷給出AGREE或者REFUSE信息,并按照調度要求購買電量。

1.2.5 BtAgent和RtAgent模型 需求側模型包括不可調節負荷(BtAgent)、可調節負荷(RtAgent)。BtAgent包括不可中斷負荷(冰箱、重要照明等),該類負荷需求必須滿足。RtAgent包括可平移負荷(充放電控制器、洗衣機等)和可中斷負荷(空調、非重要照明等),RtAgent具有劃分負荷優先級、保證優先級高的負荷供電、并根據實際情況平移和切斷負荷的功能。根據生活中居民的用電習慣,一般地,將可調節負荷大致分為4個時間段,第1時段為早晨用電時段:00:00～08:00,第2時段為中午用電時段:08:00～13:00,第3時段為下午用電時段:13:00～19:00,第4時段為夜晚用電時段:19:00～00:00。可調節負荷只能在各自時間段內調節,以防出現可調節負荷調度跨度大,與微網實際運行相悖。因此,負荷模型可以描述為

(11)

dmin-b(t)≤r(t)≤dmax-b(t)

(12)

式中:y(t)表示可調節負荷的期望值,即可調節負荷在每個時段的日前預測值;b(t)表示不可調節負荷在每個時段的日前預測值;r(t)表示可調節負荷經過上級Agent優化后的調度值;Dimin為保證第i個時間段內可調節負荷需求功率的最小值,防止出現切除全部可調節負荷的情況;dmax和dmin是需求側物理進線容量的上下限約束。

負荷Agent(BtAgnet、RtAgent)在調節自身可調負荷后,實際消耗的功率為[r(t)+b(t)] kW,則產生了用電成本:

(13)

式中,λ(t)為本文引入的虛擬電價信息,由發電側按照成本計算,該電價信息反映了在t時刻微網發電側的一個成本系數。由于發電側儲能裝置的作用,λ(t)≠Cb(t)。另外,可調節負荷r(t)偏離了用戶期望的y(t),那么造成了用戶自身的不滿意度。文獻[16]提出了基于實際消耗電能的用戶滿意度函數,認為該時刻消耗電能越大,用戶不滿意度越小,這與實際用電舒適度不相符。本文認為實際消耗電能偏離了期望消耗電能就會產生不滿意度成本,定義如下:

(14)

其中,βuncom為不滿意度系數,不同類型的用戶,該系數不同,例如商業負荷的不滿意度系數要比居民的不滿意度系數大。一般來說,隨著βuncom的增大,r(t)趨向于y(t)。另外,由于LoadAgent具有切負荷的功能,同樣會造成一定的經濟損失。定義切負荷成本如下:

(15)

式中,βcut為切負荷系數。

在運行階段,負荷Agent(BtAgnet、RtAgent)將負荷信息(可調節負荷y(t)和不可調節負荷b(t))發送給上級Agent,上級Agent經過優化計算,將優化結果r(t)發送給RtAgent,那么可調度負荷的實際需求由RtAgent控制。

另外,微電網穩定運行需要滿足的系統功率平衡約束如下:

r(t)+b(t)+Pba(t)=Pgrid(t)+Ppv(t)+Pwt(t)

(16)

2 微網分層分布式多目標優化策略

2.1 分層分布式多目標優化模型

完整的微電網系統是一個動態、復雜、耦合的大系統。其穩定高效的運行往往需要滿足多個目標最優,即多目標優化問題。本文的控制目標是對發電單元以及負荷的合理調度,同時滿足發電側成本最優以及需求側成本最優,具體子目標如下:

(1) 在負荷信息確定的條件下,優化發電側各分布式Agent輸出,使得發電側發電成本最小。微電網的發電成本包括儲能裝置的充放電成本以及向電網的購電成本。發電側的發電成本目標函數為

minf1=min{Cba(Pba(t),t)+Cgrid(Pgrid(t),t)}

(17)

(2) 根據發電側的出力信息,優化需求側的可調節負荷,使得需求側成本最小。根據前文所述,需求側成本包括用電成本、不滿意度成本以及切負荷成本。

minf2=min{Cuse(r(t),t)+Cuncom(r(t),t)+

Ccut(r(t),t)}

(18)

單個目標函數只能夠描述微網經濟運行的單一指標,不能夠準確地描述微電網整體的經濟運行。采用傳統單目標加權法處理多目標優化問題,權重系數的選取具有主觀性,且對求解結果的影響很大,無法得到全局最優的Pareto解集,加權法形成的單目標問題往往待求解變量維數過大,采用已有算法難以收斂。另外,集中式控制結構難以面對復雜、動態的實際環境,中央控制器一旦發生故障,將威脅到整個系統的安全。

本文針對微網中的多目標問題,提出了基于多代理技術的分布式多目標求解策略。為每個目標建立對應Agent模型,即目標代理。PowerAgent代表發電側目標,LoadAgent代表需求側目標,每個目標Agent具有獨立解決自身優化問題的能力,即解決單目標優化問題。發電側需要知道需求側的用電情況,從而決策發電單元的出力情況;需求側需要知道發電側的電價信息,從而決策用電單元的出力情況。多目標優化模型如圖3所示。

圖3 分層分布式多目標優化模型Fig.3 Hierarchical distributed multi-objective optimization model

虛擬電價信息λ(t)作為目標Agent之間信息傳輸的參數,具有十分重要的意義。在本文設計中,生成的虛擬電價信息可以很好地描述當前負荷側用電的“代價”,該信息可以協助LoadAgent作出正確的決策。只有設計適當的虛擬電價信息,負荷側和能源側協商的過程才能滿足微網整體經濟性要求,并達到目標均衡。

2.2 PowerAgent模型

在分層分布式多目標優化模型中(見圖3),作為發電側的代表,目標代理PowerAgent的智能性以及決策能力通過內嵌于自身的PSO算法實現。選擇PSO作為求解單目標問題的算法是因為其在處理多約束問題時,在可行域內有很好的搜索能力。在接收到LoadAgent的CFP信息后,PowerAgent通過REQUEST其下屬Agent,獲取相關信息(如Cb(t)、SOCInt等),調用自身PSO方法,其中粒子種群數量設置為300,最大迭代次數為50。計算該負荷信息下的最優分布式能源出力策略,并按照該時刻的負荷需求產生的發電成本生成虛擬電價信息λ(t),最后發送給LoadAgent,等待LoadAgent的優化結果。

2.3 LoadAgent模型

在圖3所示的優化模型中,作為需求側的代表,目標代理LoadAgent充分代表了需求側成本最小的控制要求,在收到PowerAgent發送的PROPOSE信息后,LoadAgent調用自身的PSO算法,其中粒子種群數量設置為500,最大迭代次數為50。根據接收到的虛擬電價信息λ(t),優化可調節負荷的分布,使得滿足需求側的約束條件。優化后的r(t)作為CFP信息發給PowerAgent,進入下一輪協商過程。

2.4 基于多代理的微網多目標優化策略

選擇最初負荷需求作為初始解,發電側目標代理按照該負荷需求優化發電單元出力,并生成電價信息。需求側按照發電側生成的電價信息優化自身用電單元出力,發電側按照此用電單元出力優化發電側單元出力,并生成電價信息,如此迭代協商求解。

優化算法流程如下:

具體優化流程如下:

(1) PVAgent獲取溫度以及光照強度預測信息,WTAgent獲取未來一天的風速預測信息,GridAgent獲取電價預測信息,BtAgent和RtAgent分別獲取不可調節預測負荷信息和可調節預測負荷信息,PVAgent和WTAgent則根據溫度、光照強度和風速情況,計算對應條件下光伏陣列和風機的最大允許出力。

(2) 每個實體代理將自身信息發送給上層目標代理,如圖3所示。例如PVAgent將最大允許出力發送給PowerAgent。

(3) 目標代理收到相關信息后開始協商。LoadAgent將y(t)作為CFP信息發送給PowerAgent。

(4) PowerAgent以發電側發電成本最低為優化目標,根據LoadAgent提供的信息,調用自身的智能算法,快速求解自身優化問題,得到最優發電側出力結果以及最低成本。

(5) PowerAgent將得到的最低成本折算成虛擬電價信息作為PROPOSE信息發給LoadAgent。

(6) LoadAgent收到PROPOSE信息后開始調用自身智能算法,得到優化后的負荷曲線,將本次優化的負荷與上一次優化所得的負荷相比較,當偏差小于ε時,優化結束,當偏差大于ε時,將優化后的負荷信息更新到步驟(3)中的CFP信息,再次進行循環。

3 仿真結果及算例分析

3.1 場景模擬與設計

仿真實驗選取光伏發電裝置、風機發電裝置、儲能裝置各1臺,微電網運行模式為并網運行。儲能裝置的充放電效率分別是nc=0.927,nd=0.971,儲能裝置的充放電成本系數βes=0.03,裝機容量αba=1.5 kW,由于裝機容量較小,為了充分利用儲能裝置的效益,設定最大、最小荷電狀態分別是SOCmax=0.8,SOCmin=0.2,初始時刻和最終時刻荷電狀態SOC(24)=SOCInt=0.5。用戶負荷數據來源于文獻[19],用戶不滿意度成本系數βuncom=0.05,用戶切負荷成本系數βcut=0.08。新能源輸出功率來源于香港天文臺的氣象數據[20],如圖4所示。

圖4 風機、光伏陣列和總可再生能源的最大允許發電量Fig.4 Maximum allowable generation of renewable energy

3.2 基于JADE的MAS建立

采用JADE平臺建立多代理系統框架,如圖5所示。程序代碼用Java語言編寫。發電側實體代理包括PVAgent、WTAgent、GridAgent、BaAgent,需求側實體代理包括BtAgent、RtAgent。另外,PowerAgenr作為發電側目標函數的代理,LoadAgent作為需求側目標函數的代理,通過兩者之間的通信信息,協商達到最優策略。Agent之間的通信協商過程如圖6所示。

圖5 MAS系統Fig.5 MAS multi agent system

圖6 MAS通信過程Fig.6 Communication process

多目標協調過程描述如下:

(1) 消息1。LoadAgent向PowerAgent發送CFP(尋求建議),標志協商的開始。

(2) 消息2～9。PowerAgent向其下屬發電側Agent發送REQUEST通信原語,發電側Agent接收到信息后將自身狀態信息回復給PowerAgent。

(3) 消息10。PowerAgent根據收到的信息,根據發電側成本最低為目標快速作出決策,并發送PROPOSE信息給LoadAgent。

(4) 消息11～207。目標Agent之間的協商過程。

(5) 消息208～215。協商完成,PowerAgent將最終協商的策略發送給發電側Agent。

圖7示出了LoadAgent協商結果曲線,圖8示出了PowerAgent協商結果曲線。從圖7、圖8可以看出,PowerAgent與LoadAgent經過不斷協商,最終結果趨于穩定。由于發電側成本要遠遠大于需求側成本,所以,本實驗中,PowerAgent在協商過程中起更大的作用,但由于LoadAgent的存在,PowerAgent成本不能無限制地減少,通過兩者協商,雖然在需求側增加了少量的成本,但為發電側減少了更多的成本,這與本文的初衷,微網的整體經濟性相符合。從這一點也可以看出,本文的協商過程與博弈算法“個人利益最大化”的核心思想不相同,本文設計的目標代理會犧牲自己的部分利益以達到整體收益最大化。

圖7 LoadAgent協商結果曲線Fig.7 LoadAgent negotiation result curve

圖8 PowerAgent協商結果曲線Fig.8 PowerAgentn negotiation result curve

3.3 Agent行為特性分析

由于用戶舒適度的要求,在削減可調節負荷時會帶來不滿意度成本,需求側目標代理要在削減與用電之間尋找平衡。如圖9、圖10所示,LoadAgent接收到虛擬電價信息后,在用電低峰時刻(電價低),調整后的負荷曲線都保持著預測負荷曲線的趨勢,這樣滿足了舒適度要求。在用電高峰時刻,即高電價的時候,LoadAgent能夠及時削減并轉移可調節負荷,以減少需求側用電成本。這樣在減少需求側成本的同時滿足了用電需求和舒適度要求。

從圖11可以看出,儲能裝置的充放電過程交替進行,并且根據儲能剩余能量曲線看出,儲能裝置沒有出現過充、過放的現象。另外,由于考慮了充放電成本,故儲能裝置并不是一直處于工作狀態,在高電價的時候放電,以削減發電成本,從而延長了儲能裝置的使用壽命。在平時電價階段,儲能裝置選擇充電,是因為檢測到后面有高電價時刻,以便削峰填谷,最后能將能量充到50%,以保證每天的運行狀態互不干擾。如果最后時刻沒有低電價階段,PowerAgent會提前將BatteryAgent的狀態充到50%,以防止為了滿足約束(8)而進行強制充電,增加發電成本。

圖9 電價曲線Fig.9 Tariff curve

圖10 可調節負荷的優化結果Fig.10 Adjustable load optimization results

圖11 發電側優化結果Fig.11 Generation side optimization results

4 結 論

本文提出了一種新型的基于多代理技術的多目標求解算法,針對微電網中傳統的多目標求解問題,在JADE軟件平臺上建立了MAS系統,并將各個子目標用Agent分別求解。為滿足整體經濟性要求,提出了虛擬電價概念,發電側可以根據負荷側的耗能信息,生成對應的虛擬電價信息,需求側則可以根據虛擬電價信息,優化需求側的用電行為。目標之間的耦合關系通過Agent之間通信協商解決。實驗結果表明,本文提出的微電網多目標求解算法能夠有效地解決微電網能量管理中的多目標問題,且采用分布式Agent建立微電網模型,在一定程度上可以緩解中央控制器的求解壓力,降低問題求解維度,具有更快的求解速度。今后的工作方向將著重于對Agent計算能力的改進,且本文中光伏和風機采用預測值,實際運行時有一定的偏差,未來可將此偏差考慮在內完善模型,使得優化結果更具有實際價值。

[1] LOPES J A P,MADUREIRA A G.A view of micro-grids[J].Wiley Interdisciplinary Reviews Energy & Environment,2013,2(1):86-103.

[2] 楊毅,雷霞,葉濤,等.考慮安全性與可靠性的微電網電能優化調度[J].中國電機工程學報,2014,34(19):3080-3088.

[3] LIAO G C.Solve environmental economic dispatch of smart micro-grid containing distributed generation system using chaotic quantum genetic algorithm[J].International Journal of Electrical Power & Energy Systems,2010,43(1):779-787.

[4] MOHAMED F A,KOIVO H N.System modelling and online optimal management of micro-grid using multi-objective optimization[C]//International Conference on Clean Electrical Power.Italy:IEEE,2007:148-153.

[5] 曾嶒,彭春華,王奎,等.基于鳥群算法的微電網多目標運行優化[J].電力系統保護與控制,2016,44(13):117-122.

[6] 楊毅,雷霞,徐貴陽,等.采用PSO-BF算法的微電網多目標電能優化調度[J].電力系統保護與控制,2014,42(13):13-20.

[7] 宋曉英,王艷松.基于協同進化遺傳算法的微網經濟環保調度[J].電力系統保護與控制,2014,42(5):85-89.

[8] 劉前進,許慧銘,施超.基于人工蜂群算法的多目標最優潮流問題的研究[J].電力系統保護與控制,2015,43(8):1-7.

[9] 李存斌,張建業,李鵬,等.考慮成本、排污及風險的微電網運營多目標優化模型[J].中國電機工程學報,2015,35(5):1051-1058.

[10] 陳潔,楊秀,朱蘭,等.微網多目標經濟調度優化[J].中國電機工程學報,2013,33(19):57-66.

[11] BEDAKO B A,KLING K L,RIBERIRO P F.Multi-agent system architecture for smart home energy management and optimization[C]//2013 IEEE PES Innovative Smart Grid Technologies Europe(ISGT Europe).Copenhagen:IEEE,2013:1-5.

[12] 曾君,徐冬冬,劉俊峰,等.考慮負荷滿意度的微電網運行多目標優化方法研究[J].中國電機工程學報,2016,36(12):3325-3333.

[13] 李晨迪,陳淵睿,曾君,等.基于非合作博弈的微電網能量管理系統優化算法[J].電網技術,2016,40(2):387-395.

[14] 丁明,羅魁,畢銳.孤島模式下基于多代理系統的微電網能量協調控制策略[J].電力系統自動化,2013,37(5):1-8.

[15] 江潤洲,邱曉燕,李丹.基于多代理的多微網智能配電網動態博弈模型[J].電網技術,2014,38(12):3321-3327.

[16] NUNNA H S V S K,DOOLLA S.Multiagent-based distributed-energy-resource management for intelligent micro-grids[J].IEEE Transactions on Industrial Electronics,2013,60(4):1678-1687.

[17] 郝雨辰,竇曉波,吳在軍,等.微電網分層分布式能量優化管理[J].電力自動化設備,2014,34(1):154-162.

[18] 祖其武,牛玉剛,陳蓓.基于改進粒子群算法的微網多目標經濟運行策略研究[J].電力系統保護與控制,2017,45(14):57-63.

[19] KARAMI H,SANJARI M J,HOSSEINIAN S H,etal.An optimal dispatch algorithm for managing residential distributed energy resources[J].IEEE Transactions on Smart Grid,2014,5(5):2360-2367.

[20] WANG H,HUANG J.Joint investment and operation of microgrid[J].IEEE Transactions on Smart Grid,2017,8(2):833-845.

Multi-objectiveOptimizationofConnectedMicrogridBasedonMulti-agentTechnology

WANGSi-ming,NIUYu-gang,ZUQi-wu

(KeyLaboratoryofAdvancedControlandOptimizationforChemicalProcesses,MinistryofEducation,
EastChinaUniversityofScienceandTechnology,Shanghai200237,China)

The economic operation of the microgrid is a multi-objective and multi-constraint problem.The traditional method is to transform the multi-objective problem onto a single-objective problem,which often difficultly converges and has a stronger subjectivity in the selection of weights.In this paper,a multi-objective solving strategy is proposed via multi-agent technology.By considering the whole economy of the microgrid,this paper establishes the generation target agent (PowerAgent) and the demand side agent (LoadAgent),respectively,so as to avoid the choice of the weights.Moreover,the virtual electricity price information is introduced as the negotiation parameter of the generating side agent and the load scheduling information is the negotiating parameter of the demand side agent.By utilizing the agent communication function in JADE platform,the target agents communicate the negotiation parameters each other,optimizes every subtarget problem and achieves the goal balance via iterative negotiates.The above negotiation process guarantees the overall economic requirements of the microgrid such that the two sub-targets can attain quickly convergence by distributedly solving the target agent.Finally,an example is given to illustrate the feasibility of the proposed method.

microgrid; economy; multi-objective; multi-agent; JADE; particle swarm

1006-3080(2017)06-0829-08

10.14135/j.cnki.1006-3080.2017.06.012

2016-12-27

國家自然科學基金(61673174);上海市優秀學術/技術帶頭人計劃(16XD1421300)

王思明(1993-),男,碩士生,研究方向為多代理技術、微網能量管理。E-mail:wangsiming1314@163.com

牛玉剛,E-mail:acniuyg@ecust.edu.cn

TP273

A