基于GWO 的微電網能源調度管理研究*

王玉婷 李春華

（江蘇科技大學電子信息學院 鎮江 212003）

1 引言

隨著能源危機的日益嚴重，風力發電、光伏發電等可再生分布式電源逐漸得到發展，微電網作為風能、光伏等可再生分布式電源的有效載體越來越受到人們的關注［1］。近年來，微電網可以利用風能和太陽能等可再生能源，因此越來越受歡迎。在孤島型微電網中可以使用多種電源，例如光伏發電，風力發電，蓄電池儲能系統和柴油發電機［2］。為了合理有效地利用各種能源，微電網能源調度要滿足一定的約束和負荷需求，合理調度能源和儲能裝置，可以有效降低運行成本，提高環境效益［3］。微電網能量調度的目的是在滿足所有負荷的正常需求的前提下合理分配每個單元的輸出，從而獲得最佳的經濟效益［4～5］。文獻［6］研究了并網可再生集成微電網系統的經濟調度。文獻［7］提出了一種基于混合預測的數據中斷能量管理策略。文獻［8］認為微電網環境/經濟調度是一個復雜的多目標優化問題，并且降低了算法性能的特定要求。文獻［9］研究了多微電網系統的多目標優化模型，該模型不僅可以最小化運營成本，而且可以減少排放。

這些文章大多數使用靜態優化調度模型，旨在最小化微電網的運營成本。由于對微電網的經濟最優調度的研究集中于系統建成后的運營經濟性，因此大多數模型都沒有考慮微電網的建設投資成本，因此通常忽略每個時段之間的相關性并獨立地優化每個時段。由于最優系統設計的復雜性，傳統的優化方法既不高效也不能準確［10］。基于人工智能的各種優化方法由于能夠找到全局變量而比傳統方法更精確。這些優化方法為遺傳算法（GA），粒子群優化（PSO）［11］，模擬退火（SA）和灰狼優化算法（GWO）［12］。文獻［13］使用GWO 來找到最佳的PV-DG-Battery 系統尺寸，以最小化系統的年度總成本。最近的研究表明，GWO 具有與其他優化方法競爭的優勢。盡管在上述有關微電網系統最優調度的研究中已經做了很多工作，但是沒有人結合GWO研究優化調度。

本文提出了一種結合動態優化調度和GWO的新方法，以實現最低的微電網系統運行成本和各種設備之間的協調控制。此外，將提出的GWO 與經典PSO進行了比較，證明了該方法對微電網系統動態優化調度的有效性。比較清楚地表明，GWO 的性能更好，在研究中具有非常快的收斂速度和平衡能力，從而可以避免局部最優。本文的案例研究以中國三亞地區為例，來分析本文所建模型和所提方法的有效性。

2 系統模型

2.1 風力發電模型

風力發電機的輸出功率具體計算［14］公式如下：

常數a和b具體計算公式如下：

其中，a 和b分別代表風機輸出功率的擬合系數，是風力發電機的額定功率。V 代表風機輪轂高度處的風速；vci，vco分別代表風機的切入、切出風速，風機在實際風速低于切入風速或高于切出風速時停止運轉。

2.2 光伏發電模型

光伏陣列輸出功率可以根據太陽輻射和溫度計算，具體計算公式［15］如下：

其中，Ppv是光伏陣列的輸出功率，Npv是光伏陣列的數量，Prate-pv是參考條件下的額定功率，S是太陽輻射強度，Sref為1000W/m2，Tref為25°C，Tc是光伏電池的溫度。

2.3 蓄電池儲能模型

除了每次都需要滿足負載需求之外，光伏和風機的可用發電功率還影響著蓄電池的充電和放電狀態。蓄電池儲能的具體計算公式［15］如下：

2.4 柴油發電機模型

在這項研究中，柴油發動機被用作第二備用電源。每小時發電機的油耗（以L/hr 為單位）取決于其電力輸出，輸出功率如下［15］：

式中，Pde-rate和Pde分別代表柴油機的額定功率值和實際輸出功率值，同時F0和F1代表柴油發電機的燃料-功率曲線的兩個擬合系數，擬合系數由實際值的大小來決定。

3 優化調度策略

3.1 目標函數

本文將整個系統的運行成本作為微電網優化的目標。主要考慮風機、光伏發電、柴油發電機和儲能系統的運行維護費用，電池儲能系統的折舊費用和能量損失費用，以及柴油發電機運行引起的污染物治理費用：

式中，Cpol表示環境治理成本，經過分析，考慮到柴油發電機組對運行過程中排放的污染物有很多影響因素，包括柴油發電機組、運行條件、環境溫度和柴油質量等。為了便于計算，本文將柴油發電機的主要有害氣體設定為CO2，SO2和氮氧化物。

3.2 約束條件

1）系統功率平衡約束

式中，Ppv,t和Pwt,t分別代表風機和光伏發電設備的輸出功率，Pl,t代表t 時刻的負載功率，Pde,t代表t時刻柴油發電機的輸出功率。

2）柴油發電機輸出功率約束

3）蓄電池儲能約束

蓄電池儲能系統的充放電功率約束：

式中，Pch,t代表蓄電池在t 時刻的充電功率；Pdis,t表示蓄電池在t時刻的放電功率。

蓄電池儲能系統充電狀態約束：

蓄電池儲能系統的互斥約束：

4 灰狼優化算法（GWO）

灰狼優化算法（GWO）是格里菲斯大學學者Mirjalili 等于2014 年在澳大利亞提出的一種群體智能優化算法。該算法是由灰狼捕食者活動開發的一種優化搜索方法。它具有收斂性能強，參數少，易于實現的特點［16］。近年來，它受到了學者的廣泛關注，并已成功應用于車間調度，參數優化，圖像分類等領域。灰狼屬于成群生活的犬類，位于食物鏈的頂端。灰狼嚴格遵守社會支配地位如圖1所示。

圖1 灰狼社會支配等級關系

GWO 優化過程包括灰狼的社會等級，跟蹤，包圍和攻擊獵物的步驟，具體步驟如下：

1）社會支配等級

2）包圍獵物

其中，t是當前迭代次數，A和C是協同系數；Xp表示獵物的位置矢量；X(t)代表當前灰狼的位置矢量；在整個迭代過程中，線性從2 減少到0；r1和r2是［0，1］中的隨機向量。

3）狩獵

其中，Xα，Xβ，Xδ分別代表當前種群中α，β，δ的位置矢量；X代表灰狼的位置向量；Dα，Dβ，Dδ代表當前候選灰狼與最佳三只狼之間的距離。

4）攻擊獵物

在構造攻擊獵物模型的過程中，根據2）中的公式，A 值的減小將導致相應地波動。A 表示區間［-a，a］中的隨機向量，在迭代過程中線性減小。

5 仿真及結果分析

5.1 算例研究及參數設置

三亞位于北回歸線以南，屬于熱帶季風氣候，高溫多雨。年平均氣溫為26.7℃。全年的日照時間為2534h，年平均降雨量為1347.5mm。微電網系統中的風機，光伏以及柴油發電機設備的基本參數以及所配置的單臺蓄電池儲能系統額定容量為光伏和風機總裝機容量的50%，系統微電源的參數如表1 所示。對于柴油發電機運行時排放的污染物本文設置為CO2、NOx 和SO2。其對應的排放量和環境治理成本如表2所示。

表1 微電源運行參數

表2 污染物處理成本

5.2 優化結果與分析

根據本文對于微電網孤島運行下所建立的目標函數制定的響應的調度策略，結合GWO 和PSO對微電網的算法響應做出對比，如圖2 所示。從圖2 可以看出，使用GWO 算法解決微電網的優化調度問題要比標準PSO算法更快，并且更容易獲得優化結果以及沒有出現局部最優的情況。

圖2 GWO和PSO優化調度結果對比

圖3 顯示了在正常負載需求下每個時刻的風、光預測值和實際出力大小。從圖中可以看出，當風能和太陽能資源充足，并且負荷需求不大時，風機和光伏的輸出可以滿足負荷需求，因此不需要啟動柴油發電機。

圖3 正常負荷需求下風機光伏出力情況

圖4 負荷需求大時風機光伏、柴油發電機出力情況

當風能和太陽能發電不足以滿足負荷需求時，因此有必要確定蓄電池是否可以放電給負荷供電，當蓄電池沒有足夠的功率為負荷供電時，則需要啟動柴油機為負荷供電。當負載需求大時，系統總發電量最大，但總成本也最高，因此環境治理的成本將增加。但是由于所需電能的增加，可再生能源的利用率也達到了最高。

6 結語

本文基于優化問題的復雜性，提出了一種將GWO 和動態優化調度模型相結合的多目標混合優化方法。此外，一方面對GWO 和PSO 的優化能力進行了比較，另一方面將系統分為高、低負荷需求進行比較，以找到最佳的出力情況，研究結果表明在高負荷需求下啟動柴油發電機組并使用蓄電池作為存儲裝置，在經濟和環境方面具有可行性，可以更好地發揮削峰填谷的作用，從而降低系統的總成本，提高可再生能源的利用率。