基于改進粒子群算法的微電網優化調度研究

陳浩然，劉瀚陽

（河海大學，江蘇 南京 211100）

隨著電力需求的不斷增長，電力系統規模的不斷擴大，一些問題也日益凸顯。例如，大規模電網的建設投資成本高，施工周期長，還可能會造成一些環境的問題。在此背景之下，分布式發電的研究越來越得到人們的重視。分布式發電方式，一般指將相對小型的發電裝置分散布置在用戶現場或用戶附近的發電方式[1]。微電網就是指將多種分布式電源以微網形式接入大電網并有機地整合了儲能、保護等裝置的小型發配電系統[2]。

針對微電網的優化調度一直是國內外學者的研究熱點，在優化過程中，不僅要考慮各個分布式電源的出力模型，還要考慮需求側，即基于實時電價的微電網系統和大電網的電能交互，以求對多方面進行優化，求得最優的經濟效益。本文在其他學者[3]研究的基礎上，提出了一種改進粒子群算法，即改良了一種自適應的慣性權重和學習因子，并運用合理的調度策略對每一個小時進行調度。通過使用Matlab 進行仿真模擬，結果表明，此改進粒子群算法的適應度值和迭代收斂次數均有明顯改善，具有更好的經濟效益。

1 微電網中的優化配置模型

該微電網系統中考慮的分布式電源包括風力發電、光伏發電、燃料電池、儲能系統等。通過對這些分布式電源進行研究，確定了它們各自的出力模型，并考慮了相關目標函數和約束條件，以此為基礎來制定總體的調度方案。

1.1 分布式電源的出力模型

1.1.1 風力發電

在風力發電過程中，啟動風速指的是風機開始發電的風速，即只有風速大于啟動風速，風機才能運轉；額定風速是指使風機工作在額定狀態下的風速；切斷風速是指當風速過大時為了保護風機設備而使得發電機停止工作的臨界風速[3]。通過參考文獻[3]，我們得出風機的出力模型：

其中，v 為實際風速，vi為啟動風速，vn為額定風速，vc為切斷風速，PWind為風速為v 時風機的實時功率，PWN為風機的額定功率。

1.1.2 光伏發電

光伏發電的功率與多種因素相關，包括環境、天氣溫度、日照強度等，具有很強的非線性。通過閱讀參考文獻[3-4]，我們可以總結出光伏電池的輸出功率：

其中，Psun為光伏電池輸出功率，PSTC為標準測試條件下最大輸出功率，G 為輻照強度，GSTC為標準條件下的輻照強度，k 為溫度功率系數，Tc為光伏電池溫度，Tn為設定的參考溫度。

1.1.3 燃料電池

燃料電池（Fuel Cell，FC）是將化學能轉換成電能的電力設備，其具有污染小、效率低、高量的特點[3]。目前主要應用的燃料電池是氫氧燃料電池，通過閱讀文獻[3-4]，我們得出其燃料消耗特性：

其中，CFFC為燃料電池每小時消耗的燃料，Cfuel為燃料價格，PFC為燃料電池的功率，η 為讓燃料消耗的效率。

1.1.4 蓄電池儲能系統

為了更好地實現對微電網的調度，微電網最好具有儲能系統。在能量充足時，儲能系統可以將多余的能量收集、儲存起來；而在能量缺乏時，儲能系統又可以將能量釋放出來，從而保證系統供電的穩定性和連續性。

當蓄電池放電時：

當蓄電池充電時：

其中，C（et）為t 時刻蓄電池剩余容量，C（et-1）為t-1 時刻蓄電池剩余容量，Δ 為蓄電池的自放電率，Pe（t）為t時刻蓄電池充放電功率，η1、η2為蓄電池充放電效率，Qe為蓄電池的總容量。

1.2 分布側目標函數

微電網的發電成本由多種成本復合而成，我們可以用下式描述：

其中，CM為微電網發電總成本，C1為維護運行成本，C2為燃料成本，C3為折舊成本，C4為微電網和大電網交互成本，C5為可中斷負荷補償成本[3]，C6為環境成本。k1到k6為相應的費用系數，可取0 或1。

1.3 約束條件

1.3.1 發電單元功率約束

微網中的各個發電單元要滿足下式的約束：

其中，Pimin是第i 個分布式電源的最小輸出功率，Pimax是第i 個分布式電源的最大輸出功率，Pit是各個發電單元的實時輸出功率。

1.3.2 儲存容量的約束

對于蓄電池蓄能系統的應用，需要遵守以下電量約束式：

其中，Pe，h是每小時內蓄電池內電量變化量，Pe，max是規定的每小時內蓄電池電量變化量的最大值，Pe，Q，min為蓄電池所需最小電量，Pe，Q，max為蓄電池所需最大電量。

2 調度策略和改進算法

2.1 調度策略

綜合考慮各種分布式電源的出力特性和分時電價電網交互，我們給出了總的調度流程：

步驟1：調度開始前，輸入已知的負荷數據、電源數據、電價系數等。

步驟2：計算1.2 中的分布側目標函數值，并將其暫設為最優值。

步驟3：根據負荷預測情況和實際情況，擬定分時電價。

步驟4：根據負荷情況和分時電價，考慮各種分布式電源的出力特性，進行電源調度，并計算目標函數值。

步驟5：把此計算值與最優值進行比較，取較小值為新的最優值。

步驟6：重復迭代，若收斂，則輸出最優值，否則繼續迭代。

基于此調度流程，我們最終能夠得出在一定迭代次數下收斂的最小目標函數值，即為最優值。

2.2 基于改進粒子群算法的調度算法

粒子群算法雖然可以在一定范圍內尋得目標的最優值，但其具有一定缺陷。慣性權重和學習因子是粒子群算法中控制尋優步長的參數，如果步長過大，可能尋不到最優值；如果步長過小，則易陷入局部最優。基于此，本文設計了一種自適應的權重，隨著迭代次數的增加，慣性權重和學習因子會進行線性的變化。具體設計如下：

其中，w 稱為慣性權重，c1和c2分別為學習因子，Max_Dt 為最大迭代次數。仿真結果證明，對慣性權重和學習因子進行改進，能加快粒子群算法的收斂速度。

3 仿真算例分析

為了驗證改進算法的有效性，本文采用Matlab 進行仿真算例分析。

3.1 負荷情況

圖1 即為微電網中的負荷曲線圖，該圖反映了一天24 小時中微電網負荷的變化情況。

圖1 負荷曲線圖

3.2 風電光伏出力情況

圖2 所示即為微電網中的風電光狀出力曲線圖，該圖反映了一天24 小時中微電網中風電光狀的出力情況，圖中PV 為光伏出力，WT 為風機出力。

圖2 風電光伏出力曲線圖

3.3 改進算法效果分析

3.3.1 收斂性和優化前后成本分析

通過圖3 可以看出，隨著迭代次數的增加，總成本不斷降低，算法逐漸收斂，當迭代次數大于150 后，總成本已達最低且不再變化。因此，該改進算法在降低成本的同時也具有較好的收斂性。

圖3 優化前后成本收斂曲線圖

3.3.2 出力優化分析

圖4 為改進粒子群算法優化后的各機組出力曲線圖。其中，MT 為微型熱力發電機，DG 為分布式電源，GRID 為與電網的購售電交互，BAT 為蓄電池儲能系統，FC 為燃料電池。該算法在滿足收斂性要求的同時，對每小時分別進行優化調度，使各個機組的出力相互協調，保證了最佳的經濟效益。

圖4 優化后各機組出力曲線圖

4 結束語

本文針對微電網的優化調度進行了相關研究，考慮了負荷側、電源側、需求側的模型，提出了一種改進粒子群算法并進行算例驗證。在算法中，隨著迭代次數的增加，慣性權重和學習因子的大小能夠自適應地改變，保證了算法尋得全局最優值的同時加快了收斂速度。

在對微電網進行調度過程中，本文已考慮了較多因素，但仍具有不足之處，比如未考慮環境因素的影響，未考慮分布式電源的無功模型等。因此，針對微電網進行優化調度仍值得進一步的研究與探討。