基于改進粒子群算法的微電網優化調度策略分析

閆志彬, 康健, 鄭偉, 寧永龍, 趙亮

(國網寧夏電力有限公司,寧夏,銀川 750000)

0 引言

世界工業化的快速普及,造成能源的過度消耗。傳統能源主要包括石油、煤炭、天然氣等,此類能源皆屬于不可再生的化石能源。伴隨人類的過度開墾,化石能源出現大量消耗現象,使全球面臨巨大的能源危機和環境污染,不利于人類社會的可持續發展,因此如何利用新能源取代傳統能源成為全球關注的焦點之一。微電網作為新能源的主要動力來源,憑借自身靈活、高效等特點,被廣泛應用于電力行業,可最大限度地緩解并網壓力,但是微電網系統在運行過程中易受氣候條件影響。為了解決該問題,本研究對基于改進粒子群算法的微電網優化調度策略進行研究,可全面提升微電網的經濟性。

1 基于改進粒子群算法的微電網優化調度算法流程

多目標粒子群算法是一種收斂速度快、尋優能力強的智能算法,可有效解決微電網的優化調度問題,但是該算法在計算過程中存在局限性,極易困在局部最優中,導致結果不是最優解。通常情況下,對微電網進行優化調度時,需要多個目標函數在經濟性、安全性、環保性等方面同時兼顧,若微電網在優化調度過程中將多目標函數折合成單目標處理,該方法無法得到最優解。為此,本研究對多目標粒子群算法進行改進,將改進后的多目標粒子群算法應用于微電網優化調度中,有利于最大限度地提升微電網的基本性能[1]。

1.1 傳統多目標粒子群算法下微電網優化調度步驟

傳統多目標粒子群算法對微電網進行優化調度有4個步驟:首先應保證粒子均在解空間內部運行;其次在保證粒子運動的情況下完成外部檔案的更新;然后實現微電網最優位置的更新;最后對粒子的最優位置進行更新。該方法在實際計算過程中具有較大的局限性,不利于微電網優化調度問題的解決。為此,本研究在多目標粒子群算法的基礎上實現算法改進,多目標粒子群算法主要從兩方面完成改進:其一,對外部檔案的維護策略進行更新和設計,使該檔案成為全新的外部檔案;其二,利用模糊決策方法對算法進行改進,使決策者根據系統設定值完成負荷分配[2]。

(1) 調整微電網優化調度

傳統微電網優化調度方案為p=[p1,p2,…,pN],本研究主要對t時刻的微電網優化調度方案進行調整,微電網優化調度方案調整前可描述為

(1)

微電網優化調度方案調整后可描述為

(2)

式(1)～式(2)中,pmax為微電網機組在t時刻提供出力的上限,pmin為微電網機組在t時刻提供出力的下限。經過調整后的微電網優化調度方案內部各個機組的出力均可滿足等式約束條件[3]。

(2) 更新全局最優解和外部檔案

為了實現對微電網調度方案的優化,采用更新全局最優解和外部檔案的方式實現。通過對二者進行更新,有利于最大限度地提升微電網的環保性、可靠性及經濟性,為維持微電網系統的穩定運行奠定有力基礎。

更新全局最優解的方法:若外部檔案中含有該粒子的解,且該解為非劣解,此時應在外部檔案中的眾多非劣解中選取一個解作為該粒子的最優解;若外部檔案中不含有該粒子的解,此時應直接在外部檔案中選取一個解作為全局的最優解。

更新外部檔案的方法:當外部檔案的數值小于微電網系統的設定值時,可將非劣解直接加入外部檔案;當外部檔案的數值大于微電網系統的設定值時,可將非劣解直接舍棄;當外部檔案的數值等于微電網系統的設定值時,假設獲取的新解具有支配外部檔案的權利,可利用新解將支配個體直接替換,并將新解加入外部檔案,從該檔案中刪去一個密度值最小的解[4]。

(3) 目標函數模糊化

多目標粒子群算法在計算過程中可得到多個非劣解,其中部分非劣解最終存儲至外部檔案。外部檔案指的是多目標粒子群算法改進方案中各個時間段的非劣解集。為了實現對多目標粒子群算法的改進,利用模糊決策方法從非劣解集中獲取最后的多目標粒子群算法改進方案。首先利用模糊決策方法對2個目標函數進行模糊化,2個目標函數分別是發電成本及污氣排放量,其公式為

(3)

式(3)中,ai為目標函數模糊化后的數值,fi為非劣解集中第i個非劣解的目標函數值,fmax為非劣解集中第i個非劣解目標函數值的上限,fmin為非劣解集中第i個非劣解目標函數值的下限[5]。

1.2 改進多目標粒子群算法流程

改進多目標粒子群算法流程如圖1所示。

圖1 改進多目標粒子群算法流程圖

改進后的多目標粒子群算法計算流程。在算法開始計算之前,將目標函數的計算數值設定為粒子的適應度值。向算法流程中輸入微電網系統的原始數據及粒子群算法中的多種參數,判斷各項數據是否滿足約束條件:若算法對微電網系統中各項數據進行計算時產生的粒子均滿足約束條件,則進行粒子速度和位置的初始化,并對功率的上下限進行設置;若算法對微電網系統中各項數據進行計算時產生的粒子均未滿足約束條件,則利用可行化方法對微電網系統的優化調度方案進行相應的調整,直至原始數據滿足約束條件為止。約束條件判斷完畢后,令迭代次數k=0,實現粒子速度及位置的不斷更新:若更新后的粒子滿足約束條件,即可計算該粒子的適應度,并完成該粒子及粒子群的最優值計算;若更新后的粒子不滿足約束條件,則利用可行化方法對更新后的粒子速度及位置進行相應的調整,直至更新后的粒子速度及位置均滿足約束條件為止。粒子群最優解計算完畢后,對外部檔案進行更新,利用模糊化方法對目標函數的最優解進行計算,通過一系列的迭代實現學習因子、慣性權重的更新:當迭代次數小于微電網系統設定的數值時,應重新對該粒子的位置及速度進行更新,并重復判斷更新粒子是否滿足約束條件;當迭代次數大于微電網系統設定的數值時,改進多目標粒子群算法流程結束[6]。

2 基于改進粒子群算法的微電網優化調度算例分析

為了驗證并網、孤網運行模式下微電網優化調度模型的準確性及實用性,在微電網系統的基礎上融入改進粒子群算法,并完成算例模型設計,對不同控制運行策略下微電網優化調度模型的運行情況進行分析。

2.1 微電網優化調度算例模型

主要對6種微電源進行分析,結合微電網系統設計出算例模型。6種微電源為光伏(PV)、風電(WT)、燃料電池(FC)、燃氣輪機(MT)、內燃機(GS)和蓄電池,6種微電源的額定功率依次為35 kW、45 kW、40 kW、40 kW、40 kW、40 kW。利用MATLAB軟件對微電網算例的優化調度程序進行編寫,實時觀測算例模型的熱、電負荷變化情況及光照強度、風速、溫度等變量[7]。

熱負荷額定功率在24 h內隨時間的變化情況:從初始階段熱負荷的額定功率開始持續下降,15 h時熱負荷的額定功率到達最低點,15 h后熱負荷的額定功率持續上升,21 h時額定功率升至最高點,隨后開始呈現下降趨勢。

電負荷額定功率在24 h內隨時間的變化情況:從初始階段電負荷的額定功率開始持續上升,11 h時電負荷的額定功率到達最高點,11 h后電負荷的額定功率持續降低,在15 h時額定功率降至最低點,隨后開始呈現上升趨勢,于20 h時出現現階段新的最高點,隨后呈現下降趨勢[8]。

光照強度在24 h內隨時間的變化情況:7 h內無光照強度的變化,7 h后開始上升,于14 h光照強度升至最高,隨后呈現下降趨勢,22 h后光照強度為0。

風速在24 h內隨時間的變化情況呈現雜亂無章狀態,其數值不斷在上下浮動,風速最高值為13 m/s,最低值為2 m/s。

溫度在24 h內隨時間的變化情況:初始溫度為25 ℃,4 h內降至22.5 ℃,11 h時升至35 ℃,隨后溫度持續降低。

結合光伏發電及風力發電的功率變化情況,對微電網系統中光伏及風機的出力情況進行預測。光伏和風機的出力預測曲線[9]如圖2所示。

圖2 光伏和風機的出力預測曲線

本研究對算例模型進行建立時考慮的6種微電源中:光伏組件及風機為不可控微電源,易受外界環境因素的影響;燃氣輪機、內燃機燃料電池均為可控微電源;蓄電池被用作系統的儲能裝置。

通過查閱相關資料發現:各微電源的成本參數包括燃料使用(m3/kWh)、設備使用壽命(a)、安裝成本(萬元/kWh);內燃機的成本消耗依次為0.6、10、1.6;燃氣輪機的成本消耗依次為0.41、10、1.31;燃料電池的成本消耗依次為0.24、10、4.28。燃料電池、內燃機、燃氣輪機及電網對NOx污染物的處理費用分別為0.44、21.8、0.03、3.6;對CO2污染物的處理費用分別為1.596、1.432、1.078、23;對SO2污染物的處理費用分別為0.008、0.454、0.006、4.54[10]。

2.2 微電網孤網運行算例分析

為了保證微電網系統的環保性,在微電網處于離網狀態下,采用太陽能和風能為微電網持續供電。孤網運行時不同控制策略下的微電源調度方案如圖3所示。

(a) 削峰填谷、調頻運行控制策略下調度方案

利用MATLAB軟件編程,結合改進后的多目標粒子群算法,完成不同策略下3個系統消耗總成本的計算。其中,蓄電池在削峰填谷控制策略下的系統總成本為1804.2元,模糊控制策略下的系統總成本為1734.4元,動態規劃策略下的系統總成本為1682.2元。通過成本數據可知,動態規劃法控制策略更具可行性。

2.3 微電網并網運行算例分析

為了保證微電網系統的環保性,在微電網處于并網狀態下,采用太陽能和風能為微電網持續供電。蓄電池不同控制策略下微電網的調度方案各不相同,利用MATLAB軟件編程,結合改進后的多目標粒子群算法,對不同策略下3個系統消耗總成本進行計算。其中,蓄電池在削峰填谷控制策略下的系統總成本為971.1元,在模糊控制策略下的系統總成本為898.4元,動態規劃策略下的系統總成本為865.3元。通過上述成本數據可知,動態規劃法控制策略更具可行性。主網交互電價不同的情況下,利用動態規劃法控制策略對調度方案進行分析。當主網電價為實時電價時,微電網為了最大限度地降低自身支出,選擇在電價處于最低狀態時,從主網中吸取電能,并在電價處于較高狀態時,由微電網向主網輸送電能,通過該方式實現收益最大值。利用改進多目標粒子群算法對系統運行成本進行計算:當主網電價為實時電價時,微電網系統的運行成本為865元;當主網電價為平均電價時,微電網系統的運行成本為940.3元。該項數據表明,微電網應采取主網實時電價實現經濟效益最大化。

3 總結

本研究為了強化傳統多目標粒子群算法的分配負荷能力,利用設計粒子全局最優和外部檔案維護策略的方式,實現多目標粒子群算法整體能力的提升。本文利用模糊決策方法對多目標粒子群算法進行改進,有利于根據決策者的實際目標偏好完成優化。改進后的多目標粒子群算法具有較強的通用性,可精準預測微電網系統的各項參數,并選出微電網的最優調度方案。通過對該方案進行算例分析可知,該方案具有一定準確性及可行性,并且動態規劃法控制策略下的蓄電池管理方法更加經濟化,可有效降低微電網的運行成本,實現同時兼顧經濟性、安全性、環保性等優勢。