基于改進AGA的微電網優化管理研究

韓宇 馬立新 唐繼旭 徐文彬

摘要：針對電動汽車無序充放電影響傳統微電網穩定性及經濟性問題，建立一種根據電動汽車隨機負荷種類分時段調度模型，使用蒙特卡洛方法模擬電動汽車的充放電功率。同時，對傳統微電網優化收斂速度慢、精度低等問題，提出一種改進自適應遺傳優化算法（SAGA）。最優保存策略結合自適應調整交叉變異概率，解決遺傳算法多樣性問題，從而改善收斂速度與精度。通過建模及仿真計算，證明該方法在含電動汽車的風光柴儲微電網優化中，能較快收斂到最優解，提高了微電網穩定性和經濟性，具有良好的工程實用性。

關鍵詞：微電網優化;分布式能源;電動汽車;分類調度;蒙特卡洛模擬;自適應遺傳算法

DOI：10.11907/rjdk.191235

中圖分類號：TP319 文獻標識碼：A 文章編號：1672-7800（2019）012-0151-04

0引言

微電網是一個自治系統，可以實現自我控制、管理和保護等諸多功能。微電網是一個開放系統，既可孤網運行，也可并網運行。連入電網后由相關負載、多樣的分布式電源構成一個大網絡結構。

多種分布式能源并人，以及電動汽車等隨機性較高且使用量逐年提高的負荷特點，亟需深層研究微電網優化管理問題。文獻[7]綜合考慮了微電網停電損失和投資運營費用問題，分析了微電網可靠性與經濟性相協調的優化方案;文獻[8-9]對包含風光柴燃儲的微電網系統優化，對裝機、運行、維護及污染成本進行多目標優化;文獻[10-11]提出了根據不同時段電價的電動汽車多目標優化方案。隨著電動汽車的發展，對這類隨機性較強的負荷調度需作出判斷及分類優化，上述研究未很好解決優化收斂慢、易陷入局部最優等問題。

本文根據電動汽車種類建立分時段調度模型，綜合考慮微電網運行成本，并結合改進的自適應遺傳算法，對微電網進行優化，給出微電網分配管理最優方案。

1建立模型

1.1目標函數

目標函數為微網總成本最低，主要考慮初始裝機投資成本、運行成本、設備維護成本、環境成本、發電補貼、電動汽車充放電成本6個方面。

將電動汽車分為可調度和不可調度兩種。可調度電動汽車為出租車、公交車等，對其采用分時段充電法，設定在20-6時充電，8-18時放電，且放電后SOC值大于40%。不可調度電動汽車包括部分私家車等，作為隨機負荷接入微電網，采用蒙特卡洛法模擬充放電功率。

3微電網優化

3.1自適應遺傳算法（AGA）

在遺傳算法中，收斂能力與尋優能力是兩個極其重要的特征。交叉概率Pc和變異概率Pm是影響這兩個特征的最重要參數，同時也是檢驗一個遺傳算法是否優秀的標準。

自適應遺傳算法目的是要平衡收斂能力和尋優能力，使交叉概率和變異概率根據適應度值變化而變化。當基因群多樣性較差，適應度值趨向于局部最優時，增加Pc和Pm;當基因群適應度值較高且較分散時，減小Pc和Pm。所以提出自適應變化公式，使交叉概率和變異概率動態調整。

3.2最優保存策略自適應遺傳算法（SAGA）

本文針對微電網優化問題，對儲能、柴油發電功率和電動汽車充放電功率進行求解。在設計遺傳算法時，采用浮點數編碼方式對其按時間序列進行編碼，同時根據實際問題設計合適的選擇、交叉和變異算子。

自適應遺傳算法中，Pc和Pm可以隨適應度的變化而變化，不足的是AGA算法在適應度值接近其最大值時Pc和Pm開始趨近于0，在遺傳初期會導致基因群多樣性降低，易陷入局部最優。或某一時刻Pc、Pm會變得很大，從而破壞種群最優結果，破壞算法的尋優能力。

因此可以采用最優保存策略對自適應遺傳算法（sA-GA）進行改進：如果下一代最優個體適應值小于當前最優個體適應值，則用輪盤賭法將較差個體替代，保存最優個體。這樣，最優保存策略既不破壞每一代中的最優個體，又充分發揮了自適應遺傳算法優點。SAGA對含電動汽車的微網優化流程如圖1所示。

4算例分析

4.1設備數據及參數

以某園區數據為例，風光柴儲以及電動汽車各項參數如下：

（1）單組風電機的額定功率為10kW，單組光伏板的額定功率為0.3kW，風光發電功率曲線如圖2。

（2）投入1000輛電動汽車、共享汽車，可調度與不可調度汽車投人比例為6：4，利用蒙特卡洛模擬法擬合出的電動汽車充放電功率如圖3所示。

（3）微電網并網時，電網電價采用表1中的數據。

4.2算例優化分析

將電動汽車無序充放電作為隨機負荷接入微網，使用GA優化、GA和SAGA算法這3種方案對電動汽車分類型分時段調度的微電網模型進行優化。圖4-圖6為SAGA算法對EV進行分類分時段優化時微源出力情況、3種方案蓄電池SOC與電價走勢及優化適應度值對比。微電網各指標優化情況見表2。

由圖4結合表2可知，對含電動汽車微網采用SAGA算法進行分時段優化調度可以進一步削峰填谷，彌補儲能設備充放電能力不足問題。電價較低時充電，電價較高、負荷較大時放電，減少微電網成本，增加電網穩定性，減輕EV無序充放電對電網的影響。

由圖5可知，第3種方案蓄電池SOC值高于方案1、方案2，可提高蓄電池等效充放電次數，避免過充過放，延長使用壽命。

由圖6可知方案3的收斂速度及收斂精度均更優，SAGA算法相比于傳統遺傳算法較好解決了多樣性問題，能快速收斂于最優解。SAGA算法對電動汽車分類調度微網模型的優化指標均優于其它方案。

5結語

本文根據電動汽車種類建立優化調度模型，較好解決了傳統微電網將無序充放電的電動汽車作為隨機負荷接人電網時造成的微電網經濟性和穩定性降低問題。

本文提出一種基于最優保存策略的自適應遺傳算法，在自適應遺傳算法中對交叉算子和變異算子進行改進，保存最優群體，較好解決了傳統優化算法收斂速度慢、不易收斂到最優解等問題。結合電動汽車的微電網優化模型，以微電網綜合運行成本最低為目標函數，求解出最優微電網運行方案，結果比其它方案指標均更優，具有良好的工程實用性。