基于改進粒子群算法的分布式能源系統協同優化運行研究

王 禹，彭道剛，姚 峻，于會群

（1.上海電力大學 自動化工程學院，上海 200090；2.上海明華電力技術工程有限公司，上海 200090）

能源枯竭和環境保護已成為當前社會的主題，我國大力支持并鼓勵開發和利用清潔、可再生能源。為實現可再生能源的大規模應用，解決資源在空間上的分布不均衡問題，很多學者提出了微電網、智能電網等技術[1]。但隨著分布式能源多樣化、分布式設備的海量化、能源分布的廣域化，微電網技術和智能電網技術已經不能滿足實際應用的需求[2]。鑒于此，一種靈活集成多種供能方式，具有相對獨立性的分布式能源系統成為研究的熱點。

分布式能源系統結構復雜，供能方式繁多，主要供能方式有風能、水能、太陽能、天然氣、氫氣等。在分布式能源系統中，能量流動不僅僅是電能，還包括熱能、化學能等。多能源微網建模控制、規劃運行是多能系統研究熱點和難點。目前對于冷熱電聯供系統建模和運行優化研究已經有了一定理論成果。文獻[3]分別比較了CCHP（冷熱電三聯供）和CHP（熱電聯供）系統在以熱定電和以電定熱2種運行模式下的經濟性能；文獻[4-7]在熱電聯供微網設備規劃運行方面給出了規劃模型，并用NR-PSO，Benders分解以及粒子群算法對模型進行了求解；文獻[8]研究了包含風力發電在內的熱電聯供系統，以運行費用最低和污染物氣體排放量最小為目標進行運行優化研究，并采用粒子群算法來求解該問題。文獻[9]研究了考慮蓄熱蓄冷電裝置以及微源冷熱電聯供微網建立環保經濟調度模型，以微網運行經濟和環保綜合成本為目標，采用混沌粒子群算法對模型進行優化求解。

綜上，目前研究多集中于分布式冷熱電三聯供系統，制冷和供熱設備比較單一，基于冷熱電聯供的協同優化研究已有一定成果，但對于分布式能源系統的研究尚不夠深入，鑒于此，本文從冷熱電聯供協同優化運行入手，構建了考慮風光儲、離心式冷機、空氣源熱泵和CCHP的多能互補協同優化規劃模型，綜合考慮運行成本和環境成本；在此基礎上，引入ABC-APSO（人工蜂群搜索算子的自適應粒子群算法）求解該多目標協同優化問題，最后針對國內某分布式能源系統進行優化驗證。

1 分布式能源系統數學模型

分布式能源系統集制冷、供熱、發電為一體。如圖1所示，電負荷由燃氣內燃機、風力發電機、光伏發電系統供電；冷負荷由煙氣型溴化鋰吸收式冷熱水機組和離心式冷水機組提供；熱負荷由溴化鋰機組和空氣源熱泵機組提供。

1.1 發電設備數學模型

（1）燃氣內燃機發電機組模型

圖1 園區分布式能源系統結構框圖

本文主要研究其輸出功率和燃料輸入的靜態特性。采用該模型能夠簡化分析，并且較好地展現出力與系統之間的關系：

（2）風力發電機組模型

式中：PWT，N_t表示第n臺風力發電機在t時段電功率；vci為切入風速；vco為切出風速；vrate為額定風速；λ1，λ2，λ3為擬合系數，可以通過風力出力曲線擬合得到。

計算風機塔架高度的風速Vi：

式中：V2為需要修正的風速；α為冪指數，一般取1/7。

（3）光伏發電模型

為了便于仿真計算，進行光伏發電預測時采用簡化的光伏電池模型，此時輸出功率只和光照強度以及環境溫度有關，可以得到：

式中：PPV，M_t為第m組光伏電池在t時段的電功率；GAC，M_t為第m組光伏電池在t時段的光照強度；PSTC為第m組光伏電池在標準測試條件（1 000 W/m2，25℃）下的最大電功率；TAMD_t為光伏電池當前工作溫度；NOCT為額定光伏電池溫度。

1.2 輔助設備模型

（1）儲能設備模型

儲能設備在改善系統電能質量中起到了重要作用，采用蓄電池作為儲能設備，考慮儲能充放電和當前電量之間的關系，不考慮蓄電池內部充放電過程，可以得到：

式中：EES_t為t時段電儲能設備容量；τ為電儲能自放電效率；EES_（t-1）為（t-1）時段電儲能設備容量；ηch為電儲能設備充電效率；ηdisc為電儲能設備放電效率；Pch_t為電儲能t時段充電功率；Pdisc_t為電儲能t時段放電功率。

（2）煙氣型溴化鋰吸收式冷溫水機組模型

煙氣型溴化鋰吸收式冷溫水機組為系統提供冷熱負荷，其輸出功率與內燃機輸出煙氣余熱成正比：

（3）離心式冷機模型

離心式冷機即電制冷機，制冷量與耗電量和能效系數有關：

式中：QEC，J_t表示第J臺離心式冷機在t時段提供的冷功率；PEC，J_t表示第J臺離心式冷機在t時段制冷消耗的電功率；COPEC，J_t表示第J臺離心式冷機在t時段的能效系數。

（4）空氣源熱泵模型

熱泵循環制熱量：

式中：QHP，R_t表示第R臺空氣源熱泵在t時段內供熱量；PHP，R_t表示第R臺空氣源熱泵在t時段內耗電量；COPHP，R_t表示第R臺空氣源熱泵在t時段能效系數。

2 分布式能源系統協同優化運行模型

2.1 目標函數

分布式能源系統協同優化運行模型屬于多約束多目標復雜非線性優化范疇，在用戶側負荷預測需求基礎上優化各設備出力，滿足最優經濟、環境友好等目標。其中，影響經濟優化運行主要因素有運行成本和環境成本[10-11]。模型中不考慮設備維護成本、設備采購成本、設備的折舊成本，主要研究在協同優化下購電費用、購天然氣費用和環境成本。目前工業用電定價策略多采用兩部分電價，即將容量對應的基本電價與用電量對應的電量電價結合起來決定電價，在冬季和夏季電力供應中，將電價設置峰、谷、平3檔，考慮分布式能源系統購電量、售電量和購售電區間，同時考慮由燃氣機組產生污染物排放成本，分布式能源系統優化運行目標函數為：

其中，購電費用Cpurel可以表示為：

當 PSELL_t＞0， 表示從電網中購電， 此時 Cgrid，t采用分時電價；當PSELL_t＜0時，表示系統向電網供電，此時 Cgrid，t采用上網電價。

采購天然氣費用Cpurgas為：

式中：Cgas表示天然氣單位熱值價格。

一枚小小的印章，方寸之間，意蘊無窮。它既包含豪壯飄逸的書法筆意，又有優美悅目的繪畫構圖。相信孩子們一定能在篆刻社團的學習中，感受到中國傳統文化的獨特魅力。

環境成本主要包括環境價值和排放所造成的罰款數量。本系統污染物排放主要來自于三聯供系統，主要有CO2，SO2和NOX，分布式能源系統的環境成本Cenv可以表示為：

冷熱電聯供氣體排放模型如下，參數見表1。

式中： ECO2，k（Pi（t））， ESO2，k（Pi（t））和 ENOX，k（Pi（t））分別表示當冷熱電聯供系統在t時刻單位出力為P 時第 i個發電設備 CO2， SO2， NOX排放量； fCO2，fSO2， fNO2為 CO2， SO2， NOX單位環境成本（元/kg）；污染氣體排放標準見表2；α，β，γ，ζ，λ分別為氣體排放模型參數。供熱當量性能系數：ρ=Qh/SEERC，SEERC表示當供熱（冷）為Qh當量電量消耗。

2.2 約束條件

（1）能量平衡約束

表1 污染物排放模型參數

表2 電力行業污染氣體排放標準

式中：PSELL_t表示t時段從電網購電量；PNEED_t表示t時段用戶用電需求量；Pch_t表示t時段儲能電池充電量；PLOSS_t表示t時段系統耗電量；QNEED_t表示t時段的熱負荷；Qloss_t表示t時段正常運行時散熱量；CNEED_t表示t時段冷負荷；Closs_t表示t時段正常運行耗散量。

（2）設備約束

3 人工蜂群算子的自適應粒子群算法

粒子群算法具有收斂速度快、易實現并僅有少量參數需要調整等優點[12]，但也存在后期收斂速度比較緩慢，容易陷入局部極小值等問題，有學者提出帶壓縮因子的自適應權重粒子群算法[13]和含蜂群搜索算子的粒子群算法[14-15]，本文綜合2種算法的優點，提出一種引入人工蜂群的自適應粒子群算法，在慣性權重方面，采用自適應改變策略，使得慣性權重隨著迭代次數和當前優化目標自動更新，兼顧算法的局部收斂和全局收斂能力；引入人工蜂群搜索算子來影響粒子群學習因子，對粒子群最優位置進行搜索，使其快速脫離局部最優，從而避免早熟，同時提高算法收斂速度，兼顧收斂速度和避免早熟。綜上，本文提出的算法相比較于已有的改進粒子群算法，兼顧了粒子群算法收斂速度、局部和全局收斂能力、避免陷入局部最優等優點。

粒子群所有粒子位置和速度更新公式為：

式中：ω表示慣性因子；c1和c2表示加速常數，根據大量測試，一般選擇c1=c1∈[0，4]；r1和r2為區間[0，1]上的隨機數。

調整公式（26）并將其代入公式（27）中，可得：

3.1 自適應權重

算法收斂性和慣性因子ω取值相關。在自適應粒子群算法中，當粒子的目標函數值偏離于粒子平均目標函數值時，此時減小慣性權重系數；粒子的目標函數值接近粒子平均目標函數值時，此時增大慣性權重。

采用自適應權重策略，具體表達式如下：

式中：f表示當前目標函數值；fmean，fmin分別表示當前平均目標函數值和最小目標函數值。

3.2 人工蜂群算法搜索算子

鑒于人工蜂群算法以犧牲算法開發能力為代價來提高粒子搜索能力，本文引入人工蜂群算法搜索算子側重于提高探索能力，使得算法在求解復雜非線性優化問題時跳出局部最優，提高算法性能，搜索算子可以表示為：

式中： k∈{1， 2， …，m}， 且 k≠i； φid為[-1，1]之間的隨機數；ψid為[0，1.5]之間的隨機數，保證了算法很強的探索能力，同時因為局部最優值pbest，大大縮小探索范圍，提高尋優能力。

ABC-APSO流程如圖2所示。本模型優化變量包括各時段燃氣內燃機功率、儲能電池充放電功率（Pch，i_t， Pdisc_t）、 空氣源熱泵制熱功率QHP，R_t、 離心式冷機制冷功率 QEC，J_t， 煙氣熱水型溴化鋰機組制冷制熱功率和電網購電量Pgrid_t。在滿足各個設備約束以及能量約束前提下，通過電價費率、天然氣費率和污染物環境成本約束，實現在不同時段各個設備之間的協調配合，合理調控購電和購氣費用，實現系統運行成本和環境成本的協同優化。

圖2 ABC-APSO算法流程

4 算例及仿真結果分析

算例選取某園區分布式能源系統，并網售電價格取0.67元/kWh；天然氣費率取 3.67元/m3。采用Matlab2014a進行仿真，ABC-APSO算法參數取值：粒子群種群規模取40；預設迭代次數5 000次；初始慣性權重取0.4；精度選擇10-6。

夏季冷負荷協同優化結果如圖3所示。夏季通過煙氣熱水型溴化鋰機組和離心式冷機2種方式來供冷。谷時電價比較低，同時谷時所需冷負荷較小，以及污染物排放限制，此時段依靠離心式冷機進行制冷；峰時段優先使用溴化鋰機組制冷；在8:00—17:00時段用戶側冷負荷需求大，溴化鋰機組制冷已經不能滿足負荷需求，通過協同優化，離心式冷機同時制冷，負荷需求可以得到滿足。

圖3 夏季冷負荷協同優化結果

夏季電力負荷協同優化結果如圖4所示。夏季用戶負荷由燃氣內燃機、儲能設備、風機發電和光伏發電供應。缺額部分從電網補足，在滿足用戶側電負荷的前提下，多余電能可以并網發電。谷時段用戶用電負荷比較低，采用燃氣內燃機進行供電，其出力下限為1 600 kW，熱量耗散嚴重，并且環境成本大大增加，谷時電負荷主要由電網購電和消納風電來滿足；在8:00—11:00時段，用戶冷負荷和電負荷需求都比較大，此時光伏發電功率和風力發電功率較小，儲能系統放電用于滿足用戶電負荷需求，仍需從電網購部分電能用來滿足用戶電負荷需求；該時段因為離心式冷機同時參與制冷消耗電能，整體電力供應略大于用戶電負荷需求。隨著溫度、太陽光輻照度和風速的提高，11:00之后，電力供應充裕，多余電能并網發電。

圖4 夏季電負荷協同優化結果

冬季熱負荷供應協同優化結果如圖5所示。冬季通過煙氣熱水型溴化鋰機組和空氣源熱泵2種方式供熱。在8:00—12:00用戶熱負荷高峰時期，優先采用溴化鋰機組供熱，仍不滿足用戶側熱負荷需求，此時采用空氣源熱泵同時供熱；21:00之后，依靠空氣源熱泵供熱。

圖5 冬季熱負荷協同優化結果

冬季電力負荷協同優化結果如圖6所示。同夏季，用戶負荷需求由燃氣內燃機、儲能設備、風機和光伏提供。冬季電負荷使用量低于夏季，但因該地區冬季溫度低，太陽光輻照度低，風速不穩定且偏小，光伏發電功率和風力發電功率遠低于夏季，因此主要依靠燃氣內燃機供給電能。同夏季，谷時段用戶側電力負荷需求主要由風機和電網購電來滿足；在8:00—11:00時段儲能系統開始放電滿足用戶需求，燃氣內燃機工作在額定功率狀態，由于熱泵制熱也需消耗一部分電能，需從電網購電來滿足系統電能需求；11:00之后，燃機、風機和光伏發電可以滿足用戶需求。

圖6 冬季電負荷協同優化結果

為了驗證ABC-APSO的調度優化能力，本文以傳統供應模式下運行成本和環境成本，以PSO（粒子群優化算法）和CFW-PSO（帶壓縮因子自適應權重粒子群算法）優化結果為參照，結果見表3。相比傳統直接從電網購電方式，經過分布式能源系統協同優化后，系統總成本有明顯的下降；在算法優化結果上，因為蜂群優化算子的出色局部尋優效果，進而影響整體最優值表現，由結果可知，ABC-APSO尋優性能最好，總成本最低，同時在保證較小環境成本前提下，具有最優運行成本。由結果可以看出，依據本文運行調度方法，一方面充分利用低谷電，平峰時段盡量減少購電，另一方面在盡可能低污染物排放條件下，通過并網售電創造了一定的經濟效益。此外，不僅促進了外電網的“削峰填谷”，緩解電網壓力，還更好地消納了區域內新能源發電，實現真正意義上的清潔高效。由上可知，ABC-APSO在分布式能源系統中能夠發揮較好的優化作用。

表3 分布式能源系統系統目標優化結果比較

5 結論

（1）針對分布式能源系統經濟運行優化問題，以運行成本和環境成本為目標條件構建了含有風光儲、電熱耦合設備和CCHP的多能協同優化運行模型，比較全面地建立了優化運行模型。

（2）在求解算法上，本文采用ABC-APSO對某園區夏季典型日和冬季典型日負荷需求進行分析計算，結果表明，與傳統的分供系統相比，夏季可節約成本25.65%，冬季可節約成本20.28%；與PSO相比，具有更好的局部優化與全局優化能力，有效降低分布式能源系統運行成本，減少污染物排放，實現其高效運行，在多能協同優化運行方面具有一定的指導意義。

（3）本文在研究能源系統中各分布式發電設備穩定數學模型時，忽略了網損、潮流分布以及電壓穩定等因素，同時著重于并網運行模式下的調度優化，因此，計及多因素的多種運行模式下的協同優化問題有待進一步的探討和研究。