基于IFWA-SFLA 算法的區域綜合能源系統兩級優化調度

李夢龍，張 鵬，楊海柱，江昭陽

（1.河南理工大學電氣工程與自動化學院，焦作 454000；2.天津大學電氣自動化與信息工程學院，天津 300072）

區域綜合能源系統RIES（regional integrated en?ergy system）是園區級能源互聯網的物理系統表現形態，涉及電、熱、氣網的互聯運行和多能源的耦合互動，向終端用戶提供冷、熱、電等多種能源，提高能源利用率和經濟效益[1-2]。但在RIES 中，需要考慮各能源系統的特性和約束條件，降低系統運行成本、提高可再生能源消納率和抑制供需兩側波動，尋求整個能源系統的最佳狀態[3]。

目前，對RIES 優化調度研究主要集中在靈活調度各種能源耦合和儲能設備，提高經濟性。文獻[4-5]針對電/熱/氣混合系統日前調度問題，建立了運行成本最低的日前調度模型，但在分析電/熱/氣互聯系統中，沒能考慮日內源荷波動對系統的影響，不能更好實現經濟目標；文獻[6]建立了園區級區域綜合能源系統日前-實時兩階段經濟調度模型，其中實時調度主要修正各機組的運行狀態；文獻[7-8]研究了含冷/熱/電區域綜合能源系統優化調度問題，建立滾動優化和調整兩階段模型，應對可再生能源和負荷在小時間尺度的影響。以上文獻驗證了日前-日內兩階段模型應對源荷波動的有效性。

由于RIES 經濟性優化調度問題屬于復雜的、非線性優化問題。許多學者利用群體智能優化算法，如粒子群優化算法[9]、遺傳算法[10]等解決RIES優化調度問題。以上算法經過改進已被有效應用在RIES經濟優化調度中，然而對于復雜非線性優化問題，在準確性和時效性方面仍有進步空間。煙花算法FWA（fireworks algorithm）[11]是由于受到煙花在夜空爆炸產生花火并照亮周圍區域的啟發所提出，已經大規模應用于解決多維非線性優化問題，如多能源系統優化[12]、大數據優化[13]等問題。相比于粒子群和遺傳算法，煙花算法收斂速度和全局搜索能力均優于兩者。因此可以利用FWA 進行求解，然而解決此類問題會出現局部搜索能力較弱的情況。

基于上述RIES 優化調度研究現狀，建立包含電/熱/氣的RIES 日前-日內兩級優化調度模型，并提出一種改進煙花-混合蛙跳算法，以運行成本最優為目標函數，優化調度各個設備單元出力值。最后通過實例仿真分析，證明了所提出的兩級模型及其解決算法的有效性。

1 RIES 兩級優化調度模型

1.1 兩級調度框架

RIES 系統結構如圖1 所示，包括：可再生能源風機WT（wind turbine）、光伏PV（photovoltaic）；耦合設備熱電聯產CHP（combined heat and power）、電鍋爐EB（electric boiler）、燃氣鍋爐GB（gas boil?er）、電轉氣PtG（power to gas）；儲能系統電儲能ES（energy storage）、熱儲能HS（heat storage）、氣儲能GS（gas storage）。構建RIES的兩級優化調度模型：第1級主要在光伏、風電和負荷日前預測基礎上確定購電和購氣量、耦合設備單元及儲能單元的開機狀態和出力，以日前時間步長為1 h，對系統次日24 h優化調度；第2級日內基于第1級優化結果、日內短期負荷和風光預測，通過再調節耦合設備及儲能單元出力，調整系統中能量流動分布情況，應對日前調度方案產生的預測偏差，滿足日內電/熱/氣需求。所提兩級模型的核心思想是在不影響上級電網其自身利益的前提下，通過多能源系統的耦合互補功能，解決系統中不確定因素，同時提高經濟效益和風光消納率。

圖1 RIES 系統結構Fig.1 Structure of RIES system

1.2 日前調度模型

1.2.1 目標函數

基于負荷、風電和光伏出力日前預測結果，以RIES運行成本最低為目標。其日前目標函數為

式中：β為產生單位天然氣需要CO2的系數；CCO2為CO2價格系數；Pg為生成天然氣功率[14]。

1.3 日內調度模型

1.3.1 目標函數

以日前調度結果為基礎，結合單位時長為1 h的日內短期負荷和風光預測，對可調度單元在滿足安全約束的前提下進行調整，同時調度費用最低。日內調度將改變與上級電網的交互功率，會影響其自身利益，考慮違約懲罰費用，則有

1.3.2 約束條件

日內調度除了遵循日前調度約束條件，日前日內兩級各設備和儲能出力還應滿足

2 改進煙花-混合蛙跳算法

為解決本文多維度、復雜的非線性優化模型，將煙花算法和混合蛙跳算法SFLA（shuffled frog leaping algorithm）配合使用。主要思想為在煙花算法中子代煙花的計算中引入混合蛙跳算法的局部搜索策略，有效彌補煙花算法尋優能力差和混合蛙跳算法收斂時間慢。為了促進種群間交流，將煙花算法中的高斯變異換為全局搜索能力更強的Levy變異算子，提升全局搜索能力，有效避免早熟收斂。

2.1 基于Levy 變異的改進煙花算法

Levy變異是基于Levy分布的變異算子，Levy分布具有“尖峰肥尾”的特征形狀[15]。相比于高斯變異和柯西變異，其具有更佳的變異步長，使得變異范圍更大，能夠產生更強烈的擾動，有效彌補高斯變異易陷入局部尋優和柯西變異局部尋優效率低的缺陷。Levy變異的計算公式為

2.2 基于Levy 變異的改進煙花-混合蛙跳算法

將基于Levy 變異的煙花算法和混合蛙跳算法相結合，首先使用基于Levy變異的改進煙花算法進行全局最優解區域的尋找，接著切換為混合蛙跳算法進行深度局部尋優，以達到快速找到全局最優解的目的[16-17]。算法流程如圖2所示。

圖2 改進煙花算法-混合蛙跳算法流程Fig.2 Flow chart of IFWA-SFLA

改進煙花-混合蛙跳算法IFWA-SFLA（improved fireworks algorithm-shuffled frog leaping algorithm）的具體實現步驟如下。

步驟1 算法初始化。初始化煙花的可行域Ω（各設備的出力范圍），隨機確定N個煙花（各設備出力）并計算其適應度（目標函數），設置爆炸半徑調節和火花數調節常數R、M，Levy變異火花數L。

步驟6 混合蛙跳算法初始化。根據選擇策略得到下一代煙花按照適應度值大小降序排列，選取前50%最優煙花粒子賦值給青蛙種群，將其分為n個子群。

步驟7 局部搜索。每個子群中，適應度最優和最差的青蛙分別記為xy和xc，整個蛙群的適應度最優記為xz。然后對每個子群執行局部搜索，即更新子群中的xc。更新公式為計算，若新位置沒有得到改善，則隨機選擇一只新青蛙代替原有的xc。

步驟8 全局信息交換。當每個子群均完成局部搜索，將整個種群青蛙混合一起，重新按降序排列進行子群劃分，重復步驟7和8，更新全局最優解xz。

步驟9 判斷。當達到預先設定的迭代次數或最優適應度，終止計算過程，輸出最優個體對應的目標函數和各設備出力情況。

3 算例仿真

3.1 算例數據

以我國北方某地一典型RIES 為例，其系統如圖1所示。調度時段數為T=24，，天然氣價格為3.5元/m3，折合成單位熱值價格為0.35元/（kW·h）。供能設備單元參數如表1所示，儲能設備單元參數如表2 所示，其系統中包括2 臺CHP 機組，輸出功率上、下限分別為2 000 kW、100 kW。典型日電、熱、氣負荷以及風光出力預測曲線如圖3所示。第2級日內優化調度中風電、光伏及電熱氣負荷的波動范圍為第1級日前預測基礎的-2%～5%。各時段購售電電價如表3所示。設置煙花算法中R=300，M=100，L=60。

表1 供能設備單元參數Tab.1 Parameters of energy supply equipment unit

表2 儲能設備單元參數Tab.2 Parameters of energy storage equipment unit

表3 各時段購售電電價Tab.3 Purchase and selling electricity prices at different time intervals

圖3 負荷及風機光伏預測出力曲線Fig.3 Predicted output curves of load，WT and PV

3.2 日前調度優化結果

日前優化調度結果如圖4～圖6所示，總調度費用為53 388元。由圖4可見，系統各時段總電負荷為102 810 kW，購電為50 340 kW，售電為2 500 kW，風機出力為10 905 kW，光伏出力為1 556 kW，CHP機組總出力為78 224 kW，儲能總出力為8 000 kW。在時段08：00—12：00 隨著電負荷的增加，為風電和光伏的消納提供了空間。當電價谷時段（如00：00—06：00），減小CHP出力，以購電為主滿足電負荷的同時，進行蓄電池充電。當電價峰時段（如17：00—21：00），大幅度減少購電功率，增大CHP和ES 出力平衡負荷需求，將盈余電量售賣給電網，使得縮小總費用。

圖4 日前電負荷平衡狀態Fig.4 Day-ahead electricity load balance state

圖5 日前熱負荷平衡狀態Fig.5 Day-ahead heat load balance state

圖6 日前氣負荷平衡狀態Fig.6 Day-ahead natural gas load balance state

由圖5可見，系統各時段熱負荷總值為117 187 kW，CHP機組總出力為77 484 kW，EB出力為31 200 kW，EB 出力為9 088 kW。由于時段02：00—06：00以購電為主，CHP機組出力減少，則HS釋放熱能滿足熱負荷平衡。在時段11：00—13：00 熱負荷減少，利用CHP機組余熱進行HS蓄熱。由圖6 可見，氣負荷總值為48 668 kW，購氣為91 295 kW，P2G出力為14 395 kW。在時段01：00—05：00，CHP 機組出力減少，將系統多余天然氣存于GS。在氣負荷峰值時段07：00—10：00，GS 釋放天然氣滿足氣負荷平衡。

3.3 日內調度優化結果

日內優化調度結果分別如圖7～圖9所示，相較于日前與電網交互功率最大偏差為700 kW，超出閾值單位懲罰費用為0.6 元/（kW·h）?？傉{度費用為51 888 元，與日前相比，經濟效益提升了2.8%。由圖7 可知，根據當前系統中各設備運行情況，結合日內優化調度目標函數，通過預測得出當前總負荷為102 110 kW，與日前調度結果相比，總負荷減少700 kW，同時日內優化調度結果降低峰谷差，負荷曲線更加平滑。風電和光伏出力共為12 711 kW，與日前相比，可再生能源利用率提高了2%。

圖7 日內電負荷平衡狀態Fig.7 Intraday electricity load balance state

由圖8 可見，熱負荷曲線更加貼合各設備出力，提高能源利用率。熱負荷總值為116 785 kW，與日前相比減少熱負荷0.3%。CHP、EB 的出力較日前趨于平滑，使得機組運行更加合理。由圖9可見，日內調度結果購氣為90 567 kW，與日前相比，減少購氣728 kW。氣負荷總值為48 657 kW，與日前相比減少氣負荷11 kW。P2G 出力較日前增加97 kW，如時段01：00—05：00處于電價谷時段，P2G增加出力。

圖8 日內熱負荷平衡狀態Fig.8 Intraday heat load balance state

3.4 算法有效性驗證

為驗證IFWA-SFLA在RIES兩級優化調度問題中的有效性，選用粒子群算法（PSO）、基本煙花算法（FWA）和混合蛙跳算法（SFLA）作為對比算法，對費用最優值優化計算100次。算法計算結果如表4和表5所示，算法迭代結果如圖10和圖11所示。

圖9 日內氣負荷平衡狀態Fig.9 Intraday natural gas load balance state

表4 各算法日前計算結果Tab.4 Day-ahead calculation results of algorithms

表5 各算法日內計算結果Tab.5 Intraday calculation results of algorithms

由圖10 可見，在日前調度優化計算中，IFWASFLA和FWA的最優費用低于PSO算法，說明FWA的收斂速度和全局尋優效率都優于PSO 算法。FWA 在迭代前期收斂速度快，在迭代46 次就收斂于全局最優附近，但后期尋找到的最優值較高。SFLA 迭代61 次收斂于最優值，費用最優值優于FWA，但迭代次數過多，計算時間較長。IFWA-SF?LA 先使用IFWA 找到最優值附近，在52 次迭代時切換為SFLA，繼續進行局部尋優，找到全局最優值53 288元，最優值優于其他3種算法，迭代次數小于PSO 和SFLA。在圖11 的日內調度優化計算中，本文所提算法的優越性與日前相似，充分說明IFWASFLA在綜合能源系統優化調度中的有效性。

圖10 算法日前調度優化迭代結果Fig.10 Iterativeresults of day-ahead scheduling using different algorithms

圖11 算法日內調度優化迭代圖結果Fig.11 Iterative results of intraday scheduling using different algorithms

4 結 論

本文針對包含電/熱/氣能源的RIES，考慮可再生能源和負荷的波動性，提出RIES 日前-日內兩級優化調度模型及其求解算法，得出以下結論。

（1）日前調度在最大限度消納可再生能源的同時，降低系統的運行成本；在日前調度的基礎上，日內調整各供儲能設備出力，抑制可再生能源和負荷需求波動，進一步提高經濟效益。

（2）與標準FWA和PSO算法相比，基于Levy變異的煙花-混合蛙跳算法，通過煙花和混合蛙跳算法的結合，并在煙花算法中由Levy變異替代原有的高斯變異，增強種群多樣性，提升全局搜索能力。

（3）利用基于Levy 變異的改進煙花-混合蛙跳算法對RIES的經濟調度進行實例仿真，結果表明：經過日內優化調度，平抑了可再生能源和負荷波動性，系統費用減少2.8%，實現的兩級模型的作用。