基于群搜索算法的風光儲微電網優化調度

王麗華，王錫淮，肖建梅

?

基于群搜索算法的風光儲微電網優化調度

王麗華，王錫淮，肖建梅

（上海海事大學電氣自動化系，上海 201306）

面對傳統的電力發電系統火力不足且造成嚴重的環境污染問題，大力建設清潔能源為主的微電網具有重要的意義。本文搭建了由光伏、風能、儲能電池、海水淡化系統等分布式電源構成的微電網系統。在保持微電網能正常運行的前提下，以實現經濟環保成本最低為目標，建立了微電網的優化調度模型。最后分別運用粒子群搜索算法（PSO）、群搜索算法（GSO）對該模型進行尋優，并且進一步改進GSO算法。通過算例驗證該模型的有效性。算例結果表明改進后的群搜索算法收斂速度更快，優化結果最好。

群搜索優化算法 微電網 可再生能源 優化調度

0 引言

隨著現代社會的高速發展，資源緊張，環境壓力增大，能源越來越匱乏，以及用戶對電能需求和電力服務質量的要求不斷提高，電力行業正面臨著嚴峻的挑戰和機遇。使得我們積極尋求探索對新型節約能源的研究和發展。建設更加安全、經濟、環保和綠色的微電網已日益成為全球電力行業的共同目標。微電網是一種將可再生能源、清潔能源作為發電系統儲能裝置以及各類負載相結合的小型電力網絡[1]。近年來，光伏發電、風力發電以及儲能電池等可再生能源和清潔高效發電技術的迅猛發展，受益于微電網技術的不斷進步與創新。微電網的優化調度是微電網規劃中需要重點考慮的問題，國內外的學者在這一方面取得了一些理論和實踐方面的成果。多種多樣智能優化方法的出現為微電網的優化運行提供重要解決方法。文獻[2]中結合細菌覓食算法(BFA)局部搜索能力強的特點，提出了一種 PSO-BF 算法用于求解微電網電能優化調度問題。文獻[3]和[4]都是結合量子理論的量子粒子群優化算法，不同的是文獻[3]又對量子粒子群優化算法做出了改進，并證明其提高了算法的收斂速度和運行速度。文獻[5]基于風能、太陽能、潮汐能構成的微電網系統，利用粒子群算法對微電網的經濟性進行尋優。由于GSO 算法在求解多模態高維的非線性函數的優化問題有極好的收斂性能[6]。因此，本文搭建光伏、風力發電機、蓄電池以及柴油機等分布式電源組成的微電網，考慮到傳統調度方法中求解蓄電池充放電時存在的保護問題，滿足當地居民負荷，以實現經濟環保成本最低為目標，建立了微電網的優化調度模型。采用GSO算法對模型進行求解并改進。通過算例結果表明該算法收斂速度更快，優化調度結果最理想。

1 各分布式發電單元建模

1.1 光伏建模

光伏電池板的輸出功率模型:

其中，P為光伏組件的實際輸出功率（kW）；G為實際的太陽輻射光照強度(W/m2)；G為標準測試條件(Standard Test Condition，STC)下的太陽輻射光照強度；P是STC下光伏電池組件的最大輸出功率（kW）；k為功率溫度系數（％/℃）；是電池額定溫度(℃)；T為電池實際溫度（℃）。光伏發電安全清潔，而且輸出電能質量高。設置光伏電池板時應充分考慮當地光照時長及強度，盡可能大地發揮光伏發電的優勢，并且在建設微電網時優先考慮使用光伏發電。

1.2 風力發電機建模

本文中只考慮理想情況下風力發電機的輸出功率主要與風機轉軸高度處的風速有關。風力發電機的機械功率輸出的空氣動力系統理想模型如下：

其中：P為風機輸出的額定功率；為風機轉軸處的實際風速；in為切入風速；out為切出風速;vN為額定風速。根據風力發電機的數學模型可知，當其平均風速位于額定風速與切出方式之間時，風機的輸出功率為理論上的額定功率。其穩定性與經濟性也更好。

1. 3 儲能電池建模

蓄電池最重要的參數就是荷電狀態(State of Charge, SOC)，它表示為蓄電池剩余電量與其完全充電狀態容量的比值。蓄電池儲能的荷電狀態與功率之間的關系如下[6]：

其中：SOC和分別是兩個相鄰時間的蓄電池的荷電狀態；Pbat_t(i)是蓄電池在第i小時的充放電功率；Qbat是蓄電池的總容量（Ah);

1.4 柴油發電機模型

柴油發電機的燃料成本函數具有耗量特性，其滿足的方程如下：

其中：C是柴油發動機的燃料總成本；和Q是柴油發電機的費用系數，取4.62，Q取值為0.22，P是在第t小時時的柴油機輸出的有功功率。

2 微電網優化調度模型

2.1 目標函數

將微電網的經濟性作為優化的目標函數，建立微電網優化運行模型，如下所示：

式中，C是微電網的總的最優成本；C、C、C分別是風能、光伏電池、蓄電池的運行維護費用，C是柴油發電機運行維護加環保費用。

2.2 約束條件

1）功率平衡約束。微電網發電機的輸出總功率要滿足居民負荷需求，即

2） 儲能蓄電池的約束

蓄電池在一個調度周期內，荷電狀態的初始時刻和末尾時刻應當保持一致，為

為了保護蓄電池，使其不能出現過充電和過放電狀態，必須使蓄電池在任意一個時刻的荷電狀態介于其荷電狀態的上下限之間，即

其中：PP分別是單位小時內的充過放電功率。

3）輸出功率約束。為保持運行的穩定性，每個發電機的實際輸出功率有嚴格的上下限約束，即

2.3 優化策略

在本文中，用風能和太陽能的輸出功率減去實際負荷得到的值來表示凈負荷P。

當凈電荷P大于0時，多余的電量存儲到蓄電池里。當可再生能源產生的電量不足以滿足居民負荷時，蓄電池放電，柴油發動機作為備用電力配合蓄電池使用，盡可能的減少柴油發電機的頻繁啟動。

2.4 算法的實現流程

采用群搜索算法（GSO）對該微電網進行調度，整個的優化流程如圖1所示。

其中：U和L為搜索空間第維向量的上下界。

3 算例仿真

微電網由柴油發電機（額定功率60 kW）、光伏電池板（額定功率0.2 kW）、風力發電機（額定功率 100 kW）、蓄電池（額定功率5 kW）和居民負荷300 kW組成。進行算例仿真，得到優化調度后各發電單元的功率輸出仿真結果如2-4圖所示。圖5給出了系統運行調度后的進化迭代效果圖。

圖1 GSO算法優化調度策略

由圖2可以看出，光伏電源的實際輸出功率大小跟光照強度和環境溫度有緊密關系。在7點到18點的時段內，隨著光照強度的增加，光伏輸出功率逐漸增大，在中午達到最大值。其他時間光照強度太弱，光伏輸出為0。

由圖3可以看到風能發電單元的輸出功率大小隨著當日風速的變化而變化，在 18點到 20點的時段內，風速達到最大，風能發電的輸出功率也將達到最大。當風速小于風能發電機的切入風速風能發電單元輸出功率為 0，即停機狀態。

從圖4可以看出，在0~7點時間段內，光伏和風力發電機的輸出功率完全不能滿足負荷，需要啟動蓄電池放電。在光伏和風能發電的功率增大能夠滿足居民負荷時，儲能電池充電。

圖2 光伏輸出功率曲線

圖3 風力發電機輸出功率

圖4 優化調度各電源出力情況

4 算法比較

用PSO與GSO及其改進后的SGSO算法，對目標函數進行對比，各算法在微電網優化調度后收斂情況如圖5所示。

圖5 算法收斂曲線

從圖5可以看出，改進后的SGSO算法比PSO算法和基本的GSO算法的收斂速度明顯更快，并且在搜索精度也是最優。從而驗證了該算法在微電網的優化調度中具有更好的應用價值。

5 結論

本文研究了風光儲能電源構成的微電網的經濟優化調度問題，在滿足負荷需求和各電源約束的情況下，實現微電網在安全、穩定、經濟的范圍內運行的最優調度，最后GSO算法驗證了該模型的有效性，證明GSO算法能夠更好的實現微電網運行成本最低，效果最好。

[1] 趙磊, 曾芬鈺, 王霜, 楊寶泉. 基于經濟性與環保性的微電網多目標優化調度研究[J].高壓電器, 2015, 51(06): 127-132.

[2] 楊毅, 雷霞, 徐貴陽, 吳泓儉, 盧楊. 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.

[3] 楊亞. 基于量子行為粒子群算法的微電網經濟優化調度[D]. 杭州電子科技大學, 2016.

[4] 王世亮. 基于改進量子粒子群算法的智能電網多目標優化規劃研究[D]. 蘭州理工大學, 2014.

[5] 段帥. 含風/光/柴/蓄及海水淡化負荷的微電網優化調度方法[D]. 華北電力大學, 2014.

[6] He, S., Wu, Q.H., Saunders, J.R.. A Novel Group Search Optimizer Inspired by Animal Behavioural Ecology[P]. Evolutionary Computation, 2006. CEC 2006. IEEE Congress on 2006.

Optimized Dispatch of Wind - PV - Battery MicrogridBased on Group Search Algorithm

Wang Lihua, Wang Xihuai, Xiao Jianmei

(Shanghai Maritime University, Shanghai 201306, China)

TM73

A

1003-4862（2018）08-0027-04

2018-03-12

王麗華（1992-），女，碩士研究生。研究方向：復雜系統控制與優化。E-mail：2437830338@qq.com