基于改進粒子群算法的微能源網優化運行研究

宓禹陽，張自雷

（內蒙古科技大學 信息工程學院，內蒙古 包頭 014000）

在環境污染和能源危機的雙重壓力下，傳統的能源利用方式和消費方式已經不能適應社會發展的需要。可再生能源和清潔能源的利用成為了人類社會進一步發展的必然趨勢，“能源互聯網”和“綜合能源系統”等概念應運而生[1]。微能源網作為微型的能源互聯網，是能源互聯網的末端，其存在尤其可以解決偏遠地區或孤立海島的供能問題[2]。所以，以微能源網為對象的研究越來越受到研究人員的重視。

微能源網最常用的供能方式是冷熱電聯供技術，運行方式分為孤島模式和并網模式兩種[3]。文獻[4]在分時電價及微網并網運行的條件下，以調度周期內系統總運行成本最小為目標函數，建立了一個包含風機、光伏、燃料電池、冷熱電聯供系統、地源熱泵及儲能裝置在內的微網運行優化模型，采用混合整數規劃法對模型求解。文獻[5]針對孤島型微能源網運行特點，引入冷、熱、電多類型負荷需求響應，綜合考慮能源耦合與轉換特性、分布式微源運行特性的基礎上，基于能源集線器架構提出了計及多類型需求響應的孤島型微能源網優化調度模型，采用混合整數規劃法求解模型，得出各機組與儲能裝置的啟停狀態、最優出力及系統綜合運行成本。

目前對微能源網的研究主要集中在優化運行、優化調度和規劃等方面[6]。文獻[7]提出了基于非合作博弈的冷熱電聯供微能源網優化的一般模型與求解方法，實現了在兼顧更好消納可再生能源和用戶用能體驗情況下的最優經濟運行。文獻[8]建立了同時考慮離網及并網運行狀態的儲能配置雙層優化模型，采用考慮極值變異的混合型粒子群算法求解，獲得了儲能裝置并、離網狀態的協調優化配置方案。文獻[9]考慮了微能源網中的不確定因素，如風速、光照和負荷狀態等，以全生命周期成本最小和碳排放量最小建立微能源網的多目標隨機規劃模型，在MATLAB 仿真平臺通過NSGAII 算法求取Pareto 前沿，結合多目標優選決策方法確定規劃方案。

目前少有面向偏遠地區的孤島型微能源網優化運行研究。本文的研究對象選擇一種以風光儲直流微電網為基礎，附加地源熱泵和太陽能熱泵來組成的冷熱電聯供的微能源網，以運行成本最小為目標，采用量子粒子群算法求解優化模型，得出最經濟的運行方案。

1 微能源網的結構

本文的微能源網系統如圖1 所示，主要包括冷熱電聯供設備、儲能設備和負荷三個部分。其中，冷熱電聯供設備由風力發電設備、光伏發電設備、地源熱泵和太陽能熱泵組成，風機、光伏系統供電，地源熱泵供冷，太陽能熱泵供熱。

圖1 微能源網結構示意圖

2 微能源網的數學模型

2.1 光伏發電的數學模型

式中，Ppν（t）為t 時段光伏發電機組的輸出功率；Pstc、Gstc分別為標準測試條件下光伏電池的輸出功率、光照強度；k 為功率溫度系數；Tr為參考溫度；Te（t）為t 時段光伏電池板的溫度；Tamd為外界環境溫度；Gpν（t）為t 時段光伏板接收到的光照強度。

2.2 風力發電的數學模型

式中，Pw（t）表示t 時段風力發電機組的輸出功率；Cp表示風力發電機組的風能利用系數；ρ 表示所在地的空氣密度；R 表示風力發電機組的葉片半徑；v（t）表示t時段作用于葉片的風速。

2.3 地源熱泵的數學模型

式中：Pg（t）為t 時段地源熱泵輸入的電功率；Qg.c（t）、Qg.h（t）為t 時段地源熱泵輸出的制冷功率、制熱功率；COPg.c、COPg.h為地源熱泵的制冷系數、制熱系數。

2.4 太陽能熱泵的數學模型

式中：Ps（t）為t 時段太陽能熱泵輸入的電功率；Qs（t）為t 時段太陽能熱泵輸出的制熱功率；COPs為太陽能熱泵的制熱系數。

2.5 儲能設備的數學模型

式中：Ees（t）是t 時刻蓄電池的電量；σes是蓄電池的自放電率；Pes.c（t）、Pes.d（t）分別是蓄電池的充放電功率；ηes.c、ηes.d分別為蓄電池充放電效率；SOC（t）是蓄電池的荷電狀態；Ees.r是蓄電池的額定電量。

2.6 需求側響應

可控負荷是需求側響應的一種重要方式，屬于按響應特性分類中的削減負荷，即當能量供應出現不足或剩余時，切除部分負荷或舍棄部分能量，以這樣的方式來實現無大電網支撐時系統內能量平衡。因為本文研究的微能源網中的所有設備的輸入功率都是電功率，因此可控負荷只需計及電負荷即可。可控負荷實質上等同于一種虛擬微源，通過需求響應成本計入系統的運行成本內，從而可以參與到微能源網的優化運行中。可控負荷的表達式為

式中，P*load為t 時段計及可控負荷后的負荷；Pload（t）為t時段負荷的預測值；Pps（t）為t 時段能量短缺功率；Ppe（t）為t 時段能量過剩功率。

3 微能源網的日優化模型

3.1 目標函數

該微能源網系統總運行成本包括運行維護成本、設備折舊成本和可控負荷成本。優化的目標是在滿足發電需求的基礎上，使總成本最少。目標函數的表達式為

式中，F1（t）、F2（t）為系統在t 時段內的運行維護成本、折舊成本。

3.1.1 運行維護成本

系統的運行維護成本包括風力發電設備、光伏發電設備、儲能設備、地源熱泵和太陽能熱泵的運維成本。表達式如下：

式中，Kom.i、Pi（t）分別表示第i 個設備的單位維護成本、t時段的輸出功率。

3.1.2 設備折舊成本

式中，Caz.i為第i 個分布式能源設備單位安裝容量成本；Ki為容量因數；r 為折現率；ni為第i 個分布式能源設備的使用壽命。

3.1.3 可控負荷成本

式中，Kps和Kpe分別為電功率能量偏差的單位補償費用。

3.2 約束條件

3.2.1 能量平衡約束

3.2.2 冷熱電聯供系統出力約束

式中，Ppν.max、Pw.max、Qg.max和Qs.max表示光伏發電機組、風力發電機組、地源熱泵和太陽能熱泵的最大輸出功率。

3.2.3 儲能設備約束

式中，Ees.min、Ees.max分別表示儲能設備的最小、最大允許容量；Pes.c、Pes.d分別為儲能設備最大蓄能、放能功率。

3.2.4 可控負荷約束

式中，Pps.max和Ppe.max分別表示最大短缺功率和最大過剩功率。

3.3 求解方法

微能源網系統中的可再生能源、儲能設備和負荷存在能量耦合關系，且優化計算中的優化變量眾多，所以該優化問題本質上是多約束、多變量非線性優化問題。狀態變量x 是各分布式能源設備的輸出功率，其中，儲能設備充電時該輸出功率為負值，放電時該輸出功率為正值。

此類問題一般使用人工智能算法求解。人工智能算法有粒子群算法、神經網絡算法、遺傳算法、免疫算法和模擬退火算法等，其中粒子群算法具有實現容易、精度高、收斂快等優點，因此便于改進[10]。本文在粒子群算法的基礎上，引入輪盤賭算法原理改進粒子群算法來求解優化模型，基于MATLAB 平臺編程求解，實現該微能源網的優化運行。

基于以上所述，設置的三種機制：將式（25）設置為機制一，在該搜索機制下，粒子將專注于自身周圍的搜索空間，傾向于維持粒子群種群的多樣性；將式（26）設置為機制二，在該機制下，全局搜索能力和局部搜索能力達到均衡，有利于粒子跳出局部最優解，避免出現還未收斂到全局最優解就直接終止收斂的情況；將式（27）設置為機制三，在該機制下，粒子將專注于局部開發，有利于提升解的精度。

而輪盤賭原理在該帶多搜索機制的粒子群算法中的體現在于：每一個粒子都會有一定的概率選擇三個機制之一來更新自身的位置信息，在更新位置的同時會記錄下自身近k 次迭代中的變化，還會統計每個搜索機制下的成功率，該成功率會影響下k 代粒子選擇相應機制的概率。

該改進算法的流程圖如圖2 所示。

圖2 改進粒子群算法流程圖

4 算例分析

本文采用的負荷數據取自某偏遠地區農戶在典型日一天24 小時的負荷預測曲線。各設備的相關參數見表1 至表4。

表1 風力發電設備的參數

表2 光伏發電設備的參數

表3 儲能設備的參數

表4 供熱供冷設備的參數

典型日的負荷和設備運行曲線如圖3 和圖4 所示。從圖中可以看出，在不考慮供熱和供冷消耗的條件下，該居住在偏遠地區的用戶一天24 小時的用電量是很小的，可以看出明顯的用電規律。有3 個用電高峰：6 時、12 時和18 時。其中，6 時至7 時是用戶起床、洗漱、做早飯和吃早飯的時間，12 時是用戶中午做飯、吃飯的時間，18 時是用戶做晚飯吃晚飯的時間。13 時至14 時和21 時至次日5 時，用戶進入休息時間，用電量相對偏少。8 時至11 時和14 時至17 時是用戶處理各種事務的時間，用電量相對于高峰期少，而多于休息時間的用電量。

圖3 冬季典型日功率預測曲線

圖4 夏季典型日功率預測曲線

根據從該地區采集的氣象數據，包括風速、光照強度和溫度等得出的風力發電設備和光伏發電設備分別在夏季典型日和冬季典型日的最大出力數據如圖3 和圖4 所示。

由圖5 和圖6 可以看出，優化后的能量供需平衡，能夠在滿足用戶用能需求的同時，又能以最經濟的方式安全穩定運行。

圖5 夏季典型日優化結果

圖6 冬季典型日優化結果

冬季典型日電功率優化結果中明顯沒有完全切除負荷的情況，取而代之的是多采用節約用電的策略。在節約用電的同時，為了保證蓄電池電量在運行周期結束前后的平衡，該改進算法得出的運行策略還會適當的在節約用電時，增加發電量來給蓄電池充電。

夏季典型日中儲能蓄電池在該運行方案中，相比于傳統粒子群算法得出的方案，讓蓄電池實現能量在時間尺度上的轉移這一特點發揮得更好。蓄電池分別在11 時、14 時和16 時這3 個時刻釋放在其他時刻儲存下來的電能，用于供應在經濟運行策略調節下能量的缺額，同時也實現了在運行周期前后蓄電池電量不變的約束。

從圖中可以看出，在電負荷優化中，由于有可控負荷的存在，避免了經濟優化計算后出現的能量不平衡的情況，可見可控負荷發揮了預期的作用，起到了保證孤島運行模式下微能源網的內部的能量平衡的作用。

那么就可以得出表5 中的結果，由表中的結果可以看出，改進后的粒子群算法計算出的冬季和夏季典型日的運行成本都低于傳統粒子群算法，結果說明了改進后的粒子群算法計算結果更小更優，驗證了改進算法的可行性和優越性。再結合第四節和本節之前內容的分析，從優化運行策略角度看，改進后的粒子群算法所得出的待優化變量的結果，更能實現蓄電池能量在時間尺度上轉移的目的和作用，切除負荷和節約用電的時間段安排更加合乎用戶的使用習慣，更具有優越性。

表5 優化計算結果

5 結束語

本文將偏遠地區的情況納入考慮，設計了含有光伏發電設備、儲能設備、地源熱泵、太陽能熱泵的孤島型微能源網系統，并引入可控負荷輔助控制，保證系統的穩定。在MATLAB 平臺上構建日優化運行的模型，輸入某居住在偏遠地區農戶的用能數據和當地典型日的氣象數據，基于一種改進權重的混合粒子群算法得出優化結果，體現了模型的合理性。本文模型可以為大電網集中供電難以送達或成本過高的偏遠地區的供能問題提供參考，在接下來的工作中，將會把更多可能發生的情況納入考慮范圍，并進一步細化模型，如研究以年為周期的優化運行，或者是考慮光照強度和儲能設備剩余能量均不足等極端情況的優化策略。