基于并行遺傳算法的微電網(wǎng)控制方法研究

摘要：微電網(wǎng)快速普及背景下，如何對微電網(wǎng)進(jìn)行高效控制成為電力從業(yè)人員重點關(guān)注的問題。鑒于此，引入并行遺傳算法技術(shù)，構(gòu)建微電網(wǎng)最優(yōu)控制模型，確定微電網(wǎng)控制約束條件，并以此為基礎(chǔ)設(shè)計微電網(wǎng)最優(yōu)控制軟件，借助該軟件實現(xiàn)對于微電網(wǎng)的有效控制。

關(guān)鍵詞：并行遺傳算法；微電網(wǎng)；并行性

中圖分類號：TM732? ? 文獻(xiàn)標(biāo)志碼：A? ? 文章編號：1671-0797（2023）10-0086-03

DOI：10.19514/j.cnki.cn32-1628/tm.2023.10.024

0? ? 引言

作為一種全新的發(fā)電、供電方法，微電網(wǎng)在保障電力供應(yīng)穩(wěn)定性、提高電力輸送效率等方面發(fā)揮了重要作用。為確保微電網(wǎng)能夠穩(wěn)定、持續(xù)運行，相關(guān)研究人員積極嘗試將并行遺傳算法引入微電網(wǎng)控制工作中，對最優(yōu)控制遺傳算法變量進(jìn)行優(yōu)化，明確并行遺傳算法計算流程，基于MATLAB開發(fā)環(huán)境設(shè)計微電網(wǎng)最優(yōu)控制軟件系統(tǒng)，通過這種方式達(dá)到“環(huán)境最優(yōu)化”與“經(jīng)濟(jì)最優(yōu)化”雙重目標(biāo)。

1? ? 遺傳算法并行性及分類

1.1? ? 遺傳算法固有的并行性

實際生活中，不同的物種在同一時刻以“相互獨立”的狀態(tài)進(jìn)行進(jìn)化，從宏觀層面來看，物種的進(jìn)化即并行化過程。研究人員將物種的進(jìn)化過程引入機(jī)器人深度學(xué)習(xí)領(lǐng)域，以遺傳算法為核心模擬物種進(jìn)化過程，利用選擇操作模擬物種進(jìn)化過程中的自然選擇，利用變異操作模擬物種進(jìn)化過程中的基因突變。因此，遺傳算法的基礎(chǔ)運行邏輯中繼承了物種進(jìn)化的并行性。使用遺傳算法處理數(shù)據(jù)信息時，其數(shù)量級為O（n3），這代表遺傳算法對N個染色體進(jìn)行遺傳操作，其內(nèi)部遺傳信息的數(shù)量級為O（n3），研究人員將其稱為“隱含并行性”。

1.2? ? 并行遺傳算法分類

1.2.1? ? 全局并行

全局并行作為一種直接并行化模式，主要應(yīng)用于串行遺傳算法領(lǐng)域。全局并行模式的特點在于僅有一個群體，在該群體中，每一個個體可以自由匹配，基于群體適應(yīng)度調(diào)整個體適應(yīng)度，無論是遺傳匹配操作還是遺傳選擇操作，均具有全局性。該模式下，個體之間相互獨立，無須進(jìn)行信息交互，針對個體的評價主要由主/從進(jìn)程負(fù)責(zé)[1]。該模式通常采用同步通信技術(shù)，個體適應(yīng)數(shù)據(jù)被發(fā)送給主進(jìn)程之后，主進(jìn)程開始計算個體絕對適應(yīng)值并根據(jù)計算結(jié)果進(jìn)行選擇操作，通過這種方式提高遺傳算法計算性能。

1.2.2? ? 層次并行遺傳算法

研究人員嘗試將不同的并行遺傳算法的優(yōu)勢集中，提高其搜索以及分析的復(fù)雜性，將不同遺傳算法進(jìn)行混合，形成層次并行遺傳算法。該遺傳算法擁有三種基本的拓?fù)浣Y(jié)構(gòu)，例如將兩種并行遺傳算法混合，形成的雙層遺傳算法（圖1）。

分析圖1可以發(fā)現(xiàn)，該雙層遺傳算法的上層結(jié)構(gòu)采用粗粒度（環(huán)形拓?fù)浣Y(jié)構(gòu)），下層則使用細(xì)粒度（二維網(wǎng)格拓?fù)浣Y(jié)構(gòu)），通過這種方式進(jìn)化子群體。

2? ? 最優(yōu)控制遺傳算法目標(biāo)函數(shù)計算

2.1? ? 最優(yōu)控制模型

與普通電網(wǎng)相比，微電網(wǎng)系統(tǒng)內(nèi)部可調(diào)節(jié)變量較多，例如無功補(bǔ)償量、分布式電源輸出功率等。電力從業(yè)人員嘗試在不同的微電網(wǎng)運行環(huán)境中設(shè)置多項目優(yōu)化模型，但是由于約束條件較為模糊，優(yōu)化控制結(jié)果達(dá)不到預(yù)期值。因此，研究人員在確保微電網(wǎng)安全穩(wěn)定運行的前提條件下，從環(huán)保性與經(jīng)濟(jì)性兩方面出發(fā)，構(gòu)建多項目最優(yōu)控制模型，借助這種方式提高清潔能源利用率[2]。

2.1.1? ? 最優(yōu)控制目標(biāo)函數(shù)

本次研究中涉及的微電網(wǎng)最優(yōu)控制目標(biāo)函數(shù)主要分為兩部分，即環(huán)保性與經(jīng)濟(jì)性，其函數(shù)表達(dá)式為：

式中：x為待優(yōu)化變量；G（x）為等式約束；H（x）為不等式約束；fi為第i個被優(yōu)化目標(biāo)。

2.1.2? ? 經(jīng)濟(jì)性目標(biāo)函數(shù)

該模型中，構(gòu)成經(jīng)濟(jì)性目標(biāo)函數(shù)的指標(biāo)包括兩類：第一類是微電網(wǎng)建設(shè)、維護(hù)費用，研究人員將這些費用折算到建設(shè)期之中；第二類是政府為推動新能源產(chǎn)業(yè)發(fā)展而給予新能源發(fā)電的政策性補(bǔ)貼。

（1）建設(shè)期費用：

式中：CWT為微電網(wǎng)中風(fēng)力發(fā)電設(shè)備的建設(shè)與運維成本；CPV為微電網(wǎng)中光伏發(fā)電設(shè)備的建設(shè)與運維成本；CFC為燃料電池成本；CMT為微型汽輪機(jī)的安裝及運維成本；CAD為維持微電網(wǎng)穩(wěn)定運行的附加成本；常量a、b、c、d分別為風(fēng)力發(fā)電機(jī)、光伏電池板、燃料電池、汽輪機(jī)的數(shù)量。

（2）無功補(bǔ)償成本：

通常情況下，發(fā)電側(cè)無功補(bǔ)償，運用并聯(lián)電容器就地補(bǔ)償模式。因此，研究人員將電容器固定成本折算到建設(shè)成本之中。

式中：CC為并聯(lián)電容器運行成本；Cf為電容器固定成本；T與η分別為電容器使用壽命及使用頻率；QC為分布式電源需要的無功功率總量。

（3）新能源發(fā)電補(bǔ)貼：

政府為扶持新能源產(chǎn)業(yè)發(fā)展，針對新能源發(fā)電企業(yè)給予政策補(bǔ)貼，通過這種方式降低新能源發(fā)電成本，其計算公式如下：

式中：PWT為一臺風(fēng)力發(fā)電機(jī)輸出功率；SWT為風(fēng)力發(fā)電補(bǔ)貼系數(shù)；PPV為一塊光伏發(fā)電電池板輸出功率；SPV為光伏發(fā)電補(bǔ)貼系數(shù)。

研究人員通過計算建設(shè)期費用以及新能源發(fā)電補(bǔ)貼具體數(shù)據(jù)，得出微電網(wǎng)最優(yōu)控制數(shù)據(jù)。

2.1.3? ? 環(huán)保性目標(biāo)函數(shù)

本次研究中提及的微電網(wǎng)以清潔能源為主（風(fēng)能、太陽能等），除微型汽輪機(jī)工作時會產(chǎn)生少量污染物之外，絕大部分能源達(dá)到“零污染物排放”標(biāo)準(zhǔn)。因此，該模型中的環(huán)保性目標(biāo)函數(shù)，基于污染物排放處罰對目標(biāo)函數(shù)進(jìn)行量化，其表達(dá)式為：

式中：n為微電網(wǎng)中的微型汽輪機(jī)污染物排放量；MMTi為汽輪機(jī)工作時第i種污染物排放總量；PMTi為第i種污染物排放處罰標(biāo)準(zhǔn)。

實際工作中，由于微型汽輪機(jī)排放的污染物檢測難度較大，因此研究人員假定微型汽輪機(jī)以均衡的方式排放污染物，不會受到氣壓、溫度等因素的影響。

2.2? ? 最優(yōu)控制并行遺傳算法

2.2.1? ? 優(yōu)化定義變量

正式開始計算之前，研究人員對需要優(yōu)化的變量進(jìn)行定義，即：

2.2.2? ? 計算過程

并行遺傳算法能夠有效處理離散變量問題，同時具備良好的全局尋優(yōu)能力，因此可以解決混合非線性優(yōu)化問題，公式（6）中的4個變量即并行遺傳算法中的個體基因，其排列結(jié)構(gòu)為｛XPT|XWT|XFC|XMT｝。

最優(yōu)控制并行遺傳算法適應(yīng)度計算公式為：

式中：C為目標(biāo)函數(shù)界限估計值；λi為權(quán)重系數(shù)，通常情況下，權(quán)重系數(shù)根據(jù)子目標(biāo)函數(shù)重要程度進(jìn)行確定。

模型構(gòu)建完畢后，研究人員對該模型進(jìn)行驗證，設(shè)M=100，子群體個數(shù)為4，即n=4，模型進(jìn)化迭代次數(shù)MAXG=50，其中基因變異概率為0.001，即P=0.001，基因交叉概率為0.8，即Pc=0.8，具體步驟如下[3]：

（1）設(shè)置模型中分布式電源參數(shù)、目標(biāo)函數(shù)以及約束條件，將微電網(wǎng)負(fù)荷參數(shù)代入優(yōu)化控制模型中。

（2）基于二級制編碼產(chǎn)生基因初始種群，按照均勻劃分原則形成n個子種群。

（3）逐一對子種群中的個體進(jìn)行函數(shù)計算，通過橫向?qū)Ρ缺Ａ暨m應(yīng)度最大的個體。

（4）針對子種群進(jìn)行不同的遺傳操作，包括選擇運算、交叉運算以及變異運算，設(shè)變異運算概率為Pm，交叉運算概率為Pc，通過計算確定各個子群體的適應(yīng)值。

（5）通過遺傳遷移得到初始種群的下一代群體。本次研究中，工作人員使用單向環(huán)連接拓?fù)浣Y(jié)構(gòu)，將各個子群體中最優(yōu)個體遷出，使用自適應(yīng)遷移策略，當(dāng)子群體連續(xù)S=1（遷移數(shù)量為1）無法進(jìn)一步提高適應(yīng)度時，接受遷移個體。通過這種方式減少個體遷移數(shù)量，令不同的子群體分布于模型中的不同區(qū)域，提高子群體多樣性，通過這種方式提高子群體進(jìn)化速度。

（6）若種群遺傳代數(shù)與設(shè)定的最大值相同，則計算終止并輸出最優(yōu)解，如果二者不同，則返回步驟（4）重新進(jìn)行計算，其具體流程如圖2所示。

3? ? 微電網(wǎng)最優(yōu)控制軟件設(shè)計

研究人員基于并行遺傳算法，以微電網(wǎng)環(huán)保目標(biāo)及經(jīng)濟(jì)最優(yōu)化目標(biāo)作為優(yōu)化對象，利用最優(yōu)控制模型處理多目標(biāo)優(yōu)化問題。最優(yōu)控制軟件的主要任務(wù)是獲取仿真平臺傳輸?shù)膮?shù)，并利用最優(yōu)控制模型尋找多目標(biāo)任務(wù)最優(yōu)解，將最優(yōu)解參數(shù)返回仿真平臺，通過這種方式實現(xiàn)對于微電網(wǎng)的最優(yōu)控制[4]。

該軟件主要由三項功能組成：參數(shù)讀取、計算最優(yōu)解、返回參數(shù)。同時，設(shè)計人員為該系統(tǒng)搭配了一些輔助功能，例如文件退出詢問、變量查詢以及操作步驟歷史記錄查詢等。研究人員為了能夠讓用戶以更為直觀的方式了解最優(yōu)解計算流程，在該軟件中添加了折線圖（圖3），利用折線圖展示子種群進(jìn)化時每一代適應(yīng)度最好的種群變化情況。通過這種方式讓使用者能夠更為深入地了解微電網(wǎng)最優(yōu)控制方法的形成過程。

4? ? 結(jié)語

為進(jìn)一步提升微電網(wǎng)控制效率，研究人員引入并行遺傳算法，利用并行遺傳算法中的多層次并行遺傳空間，組建由具有環(huán)形拓?fù)浣Y(jié)構(gòu)的粗粒度以及具有二維網(wǎng)格拓?fù)浣Y(jié)構(gòu)的細(xì)粒度組成的雙層遺傳算法模型。在此基礎(chǔ)上，以微電網(wǎng)經(jīng)濟(jì)性與環(huán)保性作為目標(biāo)函數(shù)，構(gòu)建最優(yōu)控制模型，同時利用MATLAB開發(fā)環(huán)境設(shè)計微電網(wǎng)最優(yōu)控制軟件，為確保微電網(wǎng)穩(wěn)定運行提供技術(shù)支持。

[參考文獻(xiàn)]

[1] 徐加銀，汪濤，王加慶，等.考慮微電網(wǎng)靈活性資源屬性的配電網(wǎng)規(guī)劃方法[J].電力建設(shè)，2022，43（6）：84-92.

[2] 李咸善，解仕杰，方子健，等.多微電網(wǎng)共享儲能的優(yōu)化配置及其成本分?jǐn)俒J].電力自動化設(shè)備，2021，41（10）：44-51.

[3] 文旭，陳鑫，張愛楓，等.含可調(diào)節(jié)負(fù)荷的風(fēng)光互補(bǔ)微電網(wǎng)隨機(jī)調(diào)度市場風(fēng)險管控方法[J].電網(wǎng)技術(shù)，2021，45（11）：4308-4318.

[4] 楊向真，楊秋強(qiáng)，杜燕，等.采用自適應(yīng)在線模型辨識的微電網(wǎng)二次調(diào)頻策略[J].電力系統(tǒng)自動化，2021，45（20）：121-130.

收稿日期：2023-01-16

作者簡介：宋玉明（1972—），男，江蘇人，高級實習(xí)指導(dǎo)教師、電工高級技師，研究方向：電工、自動控制、制冷與空調(diào)。