基于蟻獅算法的微電網能源隨機優化調度方法

張靜楊，牛 聰，馬 曦

（國網西咸新區供電公司，陜西 西咸新區 712000）

0 引 言

可再生能源在中國能源結構中的份額逐漸增加。電力生產使用清潔能源符合國家節能減排政策，但風能和太陽能等清潔能源具有中斷性和不確定性[1]。微電網將其組合在一起，解決了清潔能源間歇性帶來的問題[2]。目前，微電網優化研究主要集中在3 個不同的方面，即分布式發電、控制負荷以及微電網隨機優化調度[3]。本文提出了一種基于蟻獅算法的微電網能源隨機優化調度方法，并與具體實例進行了對比實驗。結果表明，該方法可以降低微電網的運營成本。

1 基于蟻獅算法的微電網能源隨機優化調度方法設計

1.1 基于蟻獅算法設計微電網隨機調度模型

傳統的配電網在從制造到使用的電力傳輸過程中處于被動狀態，無法控制整個傳輸過程[4]。為了確保風能和太陽能生產的消納能力，將這2 種可再生能源機制利用率最大化，將蟻獅算法融入配電網，創建隨機微電網并隨機管理受控單元。設計一種基于蟻獅算法的微電網隨機調度模型。

假設最優配電網與其規劃成本計劃之間的差異，然后基于該假設進行高斯分布，可推導出目標函數為

式中：Ypk為儲能結構中每單位儲能單元的運行成本；Yfd為每單位發電熱單元的發電成本；Yh為高級別電網的最低成本；Ymin為與分布式規劃的實施相關聯的最小成本。在這個過程中可以得到以下3 個成本計算公式

式中：Tg(t)和Top(t)為由熱量產生的電力和t時間存儲在存儲結構中的電力；Pde(t)為發電機組內儲能設備完全儲存所需的運行成本；Pc(t)為發電機組在t期間生產的發電生產成本；Tn(t)為t時刻內配電網與上層電網交互生成的功率；Pm(t)為采購單位在t時的發電機組成本。

考慮到上述變化引起的干擾，建立基于蟻獅算法下的微電網隨機調度模型為

式中：si(t)為配電網的模型驅動動力。

1.2 設定約束條件

為了在隨機微網絡規劃過程中實現負載平衡，對微電網隨機調度模型的限制必須包括對系統電力平衡的限制、對儲能電池運行的限制以及對微網絡和大型網絡之間互聯線路的限制[5]。

微網絡的優化計劃必須確保系統電力的實時平衡，表示為

式中：Pload,t為t時段內的系統負荷；PWT,t和PPV,t為t時刻期間風機和光伏的預期發電效果；PG,i,t為受控實體的經營限制；Pdis,t為退出限制；Pcha,t為解除限制；Pgrid,t為最低經營時限。等式（4）的右側為制度的凈負擔，反映了微電網的運行狀況，等式（4）左側的變量是由微電網隨機化的優化調度確定的，具有以下關系

式中：non,i,t為可控機組i 在0 時刻的運行狀態；Pi,RD和Pi,RU為最大下調力和最大拉力；UTi為運行狀態時的持續時間；DTi為停機狀態時的持續時間；nsu,i,t為控機組i 在時段t停運；nsd,i,t為指示機組停運狀態的二進制變量；Ton,i和Toff,i分別為可控機組i 的最小運行時間和最小停運時間；Ion,i和Ioff,i分別為可控機組i的初始運行時間和初始停運時間；PG,i,min和PG,i,max分別為可控機組i的最小出力和最大出力。

式中：PGrid,max和PGrid,t為對微網絡和大型網絡之間互聯線路的限制。

上述模型是相對無效的非線性規劃模型的混合數量[6]。為了提高模型的效率，對每個組件約束的設定必須在微系統中進行簡化，用以提高模型求解的準確性。

1.3 對模型求解

如圖1 所示，基于蟻獅算法設計的微電網隨機調度模型由雙Bi-LSTM 神經網絡構成，長短期記憶（Long Short Term Memory，LSTM）中性網絡第二層的輸入數據為第一層的輸出數據[7]。該模型的總體管理是隨機24 h 系統負荷，可以從光伏和風機負載預測數據中獲得總樣本，其獲取結果為24 時段編程決策的結果，特別是通過包括每個控制單位時間的釋放。

圖1 基于蟻獅算法設計的微電網隨機調度模型求解示意

在執行模型求解之前，應提供正常的樣本數據。系統凈負載數據和控制單元輸出數據的歸一化在[0，1]，而蓄電池的負載和排氣容量以及微電網和大電網互連線路的交換容量進行歸一化，方程為

式中：Pnet,t為凈負荷時間t的系統表示；Pes,t為電池存儲期間加載和釋放的功率，當Pes,t＞0 時執行指令，當Pes,t＜0 時則 相反；Pnet,t0、PG,i,,t0、Pes,t0、PGrid,t0分別為凈負載的正常值、控制單元的輸出、儲能和排氣能力以及微網絡和大型網絡連接的功率變化。

值得注意的是，采用基于蟻獅算法的微電網隨機優化調度決策方法并沒有考察優化規劃的內部機制。鑒于輸出規劃決策的輸出結果可能不符合微電網系統電力資產平衡表的限制和各種元件的操作限制，因此必須根據網絡的輸出結果進行相應處理，具體處理原則如下。

（1）如果模型控制設備的輸出力小于最小技術輸出力的0.5 倍，則認為控制設備的輸入力為0；如果控制設備的輸出力度是最小技術輸出或最小技術輸出的0.5 倍，則控制設備的產量應被視為最小技術輸出力。

（2）當輸出值在控制單元的輸出、儲存、排氣能力以及模型互聯線路的傳輸能力超過上限時，則取輸出值。

（3）如果對照單元的2 個相鄰周期對于樣本結果不滿足該單元的梯度上限和下限，則下一周期對照單元的結果等于正負最大增加的前一周期的結果。

（4）如果模型控制的每個機組的活動不符合最小運行和中斷時間限制，則在不符合最小操作時間的時間段內，待控制機組的輸出力度應為最小技術輸出力度。

（5）如果每個時段使用的蓄電池的生產能力不符合容量限制，則應根據在不符合容量極限的時段內收集的最大（最小）位置來確定儲能收集（排放）容量。

（6）蓄電池規劃周期的收集和排氣容量的值取決于所有其他編程周期的總收集和排氣能力，在編程周期期間受存儲能量平衡限制。

（7）微電網和大型互聯線路的交換容量取決于當前系統網絡負載、控制單元的輸出和儲能能力以及排氣能力，以符合系統的電力平衡約束。

網絡輸出的結果應根據以下原則進行處理：首先是不等式極限，其次是等式極限、組件極限，最后實現對模型的求解。

本文使用Adam 優化算法訓練雙層LSTM 微網絡模型，并選擇均方誤差作為損失函數。利用Adam 算法對模型求解，公式為

式中：B為歸約因子；s為學習速度；PG,i,t0、PVes,t0、PVGrid,t0為投影輸出值；e為更新的神經網絡權重參數，是簡化參數；m1和v1分別為一階和二階的平均梯度；PG,i,t0、Pes,t0、PGid,t0為輸出量的實際值。

2 實驗論證

為了驗證本文所提方法的有效性，選取其他2個傳統微電網能源調度方法a和b進行對比實驗，并將測試結果與基于蟻獅算法的微電網能源隨機優化調度方法進行對比分析。

2.1 實驗準備

3種微電網能量調度方法分別包括風力發電機組、光伏發電機組以及4 臺帶儲能電池系統的微汽輪發電機組。轉換器的最大負載和排氣功率為500 kW，電池的初始功率為1 500 kW·h，儲能電池的容量為3 600 kW·h，風機和光伏的功率為800 kW，單位充排成本為0.08 元/kW·h，充排效率為0.89。隨機交易的分時電價如圖2 所示。

圖2 分時交易電價

2.2 對比實驗

不同方法運行成本的對比結果如圖3 所示：本文方法下的運行成本平均為21.79 元；傳統方法a的運行成本平均為25.79 元，比本文方法運行成本高出4 元；傳統方法b的運行成本平均為23.79 元，比本文方法運行成本高出2 元。可以得出結論，基于蟻獅算法的微電網隨機優化調度方法可以充分利用模型調度決策信息，從而降低運行成本。

圖3 不同方法運行成本的對比結果

3 結 論

在推廣和應用新型電網時，應考慮智能電網規劃中微電網的經濟性。本文提出了一種基于蟻獅算法的微電網隨機優化調度方法，將其應用于微電網行業。對比實驗結果表明，該方法可以有效降低運營成本，為微電網優化的進一步研究提供了一定的依據。