基于自適應ASO算法的微電網優化調度

李冬玉，婁 柯，尹 杰，鞏冠華

（安徽工程大學 電氣工程學院,安徽 蕪湖 241000）

近年來,化石燃料過度使用,導致環境與能源問題愈發嚴峻［1］。在此背景下,可再生能源發電如風力發電和光伏發電等備受青睞,包含多種分布式能源設備的微電網系統得到了快速發展［2］。隨著環境惡化與能源科技的進步,人們對微電網的經濟環保性有了更高的要求。因此,研究一種算法來提高微電網的經濟環保性是很有必要的。

微電網優化調度問題,一直是國內外學者研究的熱點。目前,微電網優化的主要算法有粒子群優化（PSO）算法［3-5］、遺傳優化（GA）算法［6］和模擬退火（SA）算法［7］。PSO 算法易于實現且收斂速度快,但此算法受初始值影響大,可能會導致算法陷入局部最優解,無法找到全局最優解。GA算法具有很強的全局尋優能力,可以有效避免算法陷入局部最優解,但算法收斂速度慢,計算成本高。SA 算法具有很好的魯棒性,可以處理更高維度的尋優問題,但其過于依賴超參數的選擇,容易陷入局部最優解。

綜上所述,針對目前主流微電網優化算法的種種缺陷。本文采用魯棒性強的原子搜索優化算法作為理論基礎,并引入自適應思想,加強了算法的收斂性與全局尋優能力。最后,通過在孤島和并網運行模式下的對比算例仿真,證明了該算法在微電網優化調度上的有效性和優越性。

1 微電網系統

本文的微電網系統由光伏發電（PV）、風力發電（WT）、燃料電池（FC）、微型燃氣輪（MT）和蓄電池模塊（BT）構成,如圖1所示。

圖1 微電網結構圖

1.1 光伏發電

光伏發電的功率主要取決于太陽輻射和環境溫度,其發電功率預測公式PPV和維護成本公式CPV如下所示［8］：

式中,PSTC、TSTC、ISTC分別為標準測試下的光伏發電功率、電池板溫度和光照強度；IT、T分別為在t時刻下的光照強度和電池板溫度；λt為溫度系數；KPV,i為第i臺光伏微電源的維護系數。

1.2 風力發電機

風速的大小直接決定風力發電設備的發電功率,其發電功率PWT和維護成本CWT如下所示［9］：

式中,Prwt為t時刻風力發電的額定功率,v、vci、vco、vr分別為風力發電設備的實時風速、切入風速、切出風速和額定風速；KWT,i為風力微電源的維護系數。

1.3 微型燃氣輪機

微型燃氣輪機通過燃燒燃料來輸出電能,其發電成本包括維護成本和燃料費用。微型燃氣輪機的發電效率ηMT和發電成本CMT公式［10］為：

式中,PMT為t 時刻下微型燃氣輪的發電功率；LHV 為天然氣低熱值；Ci為第i 個微型燃氣輪設備的燃料單價；KMT,i為微型燃氣輪設備的維護系數。

1.4 燃料電池

燃料電池在微電網中的發電成本CFC同樣包括維護成本和燃料費用［11］：

式中,PFC、ηFC分別為t時刻下燃料電池的輸出效率和發電效率；KFC,i為燃料電池維護系數。

1.5 蓄電池

蓄電池在微電網中應用最為廣泛,其荷電狀態SOC和維護成本CBT［12］為：

式中,Pch、Pdis、ηch、ηdis分別為t 時刻下的充電功率、放電功率、充電效率和放電效率；KBT,i為蓄電池的維護系數。

2 微電網多目標優化模型

2.1 目標函數

微電網優化策略的主要思想是在滿足用電負荷需求的前提下,合理分配微電網的分布式能源,以實現經濟效益最大化、環境污染最小化。本文的優化調度策略的目標函數F由兩部分組成,分別是經濟成本函數F1和環保成本函數F2：

2.1.1 經濟性

為了實現微電網運行經濟最優化,本研究考慮的經濟成本主要包括發電成本（維護成本和燃料費用）、設備折舊成本以及與外部電網的交互成本,如式（11）所示。

式中,CMC、CDE、Cgrid分別為微電網的發電成本、折舊成本以及與外部電網的交互成本。

1）發電成本

2）折舊成本

式中,α為折現率；n 為投資償還期；Ci為第i個微電源的安裝成本；fi為第i 臺微電源的容量因數。

3）與外部電網交互成本

式中,Pb、Ps、xb、xs分別為t時刻的購電效率、售電效率、購電單價和售電單價；Cb、Cs分別是t 時刻的購電和售電成本。

2.1.2 環保性

微型燃氣輪機和燃料電池作為微電網的發電單元,其在發電過程中不可避免地會產生污染氣體,主要成分為一氧化碳（CO）、二氧化碳（CO2）、二氧化硫（SO2）和氮氧化合物（NOx）。因此,微電網的環境保護成本主要為治理微電網系統產生污染氣體的成本,其公式為：

式中,K1、K2、K3、K4分別為CO、CO2、SO2和NOx的治理費用；E1、E2、E3、E4分別為t時刻CO、CO2、SO2和NOx的排放量。

2.2 約束條件

1）功率平衡約束

式中,PL、Pgrid分別為t 時刻微電網用電負荷和與外部電網的交互功率。

2）分布式電源輸出功率約束

式中,Pi、分別為各分布式電源的輸出功率、最大和最小輸出功率。

3）與外部電網的交互功率約束

3 自適應原子搜索算法

3.1 原子搜索算法

原子搜索優化算法由Zhao［13］于2018年提出的一種新穎智能算法,通過原子之間的相互作用力和約束力,促使原子探索系統空間解決優化問題。ASO 算法易實現、尋優能力強、魯棒性好,因此被廣泛使用。本文以ASO 算法作為理論基礎,引入自適應思想來加強算法的全局尋優能力,以及收斂速度和精度。

ASO算法具體如下：

根據牛頓第二定律,計算第n 個原子的加速度：

式中,Fn、Gn、mn分別為原子n 的作用力、約束力和原子質量；T、t分別為最大迭代次數和當前迭代次數；randi為［0,1］的隨機數；λ,ξ為深度權重和系數因子；Kbest為對原子n產生作用力的所有原子；hni為原子n與原子i之間的距離。

Kbest、hni的定義為：

式中,N 為原子總數,φ為原子的長度,rni為原子n與原子i之間的歐幾里得距離。

原子質量mn的定義如下：

式中：fn（t）為原子n 的適應值,fmax（t）、fmin（t）分別為原子的最大適應值和最小適應值。

每次迭代都會通過更新加速度來對原子的速度和位置進行更新,如下所示：

ASO算法的偽代碼如圖2所示：

圖2 ASO算法偽代碼

3.2 自適應調節

ASO 算法在每次迭代中,最優原子會施加給相鄰原子一個共價鍵約束力Gn,表示當前原子和最優原子之間的位置差值,這種約束增強了最優信息在原子之間的傳播,從而提高了算法全局尋優的性能。為進一步加強最優信息在原子種群中的影響,本文引入歷史原子最優信息Pn,來更新原子的加速度,以此提高算法的優化性能。

歷史原子最優信息Pn和更新之后的原子加速度an,如下所示：

式中,xp為原子n的歷史最優距離,μ為歷史系數因子。

式中的μ和ξ為算法中的超參數,分別代表當前最優原子信息和歷史原子最優信息的置信度。如果μ值遠大于ξ,則表示算法更相信當前最優原子信息,而忽略歷史最優原子信息,會降低算法的收斂速度；如果ξ值遠大于μ,則表示算法更相信歷史最優原子信息,而忽略當前最優原子信息,會降低算法的尋優能力。因此,超參數的選取很大程度上影響著算法的收斂速度和精度,為了避免兩種超參數在迭代過程中出現上述現象,而導致算法的尋優能力下降。本文引入自適應的改進思想,避免兩種超參數在更新中產生突變的情況,以此平衡歷史最優解和當前最優解的置信度問題,兩種超參數的更新公式如下：

式中,t為當前迭代次數；T為最大迭代次數。

4 算例結果分析

4.1 算例參數

為了驗證本文提出的自適應ASO 算法,在微電網優化調度中的可行性,以圖1所述的微電網作為優化算法的研究對象,在時長為24 h 的條件下進行研究。微電網中各分布式發電單元的參數如表1 所示,表2 為污染物的治理成本和排放系數,圖3 為某地24 h 的光伏出力、風機出力和電負荷功率曲線。

表1 分布式發電單元參數

表2 污染物治理成本和排放系數

圖3 電負荷、光伏、風機功率曲線

4.2 算例結果分析

本文設定原子數目N=100、深度權重λ=50,來避免AASO 算法陷入局部最優解；系數因子ξ=0.45、歷史系數因子μ=0.55,來平衡當前最優解和歷史最優解的置信度問題,以此提高算法收斂速度和精度,并在最大迭代次數T=160的條件下進行算例仿真。為了證明AASO 算法在微電網優化上的可行性,文中分別在孤島和并網模式下的微電網系統進行算例求解,并與經典PSO 算法進行對比分析。

4.2.1 孤島模式下算例結果分析

孤島運行模式指微電網系統與外部電網系統分離,自主獨立運行的一種模式。圖4為AASO算法優化的各發電單元功率曲線,圖5為兩種算法的運行成本對比。

圖4 孤島模式下各發電單元功率曲線

圖5 孤島模式下微電網運行成本對比曲線

在孤島運行模式下,微電網系統需要根據自身的負載需求和可用資源來管理電力的生產、消耗和儲存,以確保能夠滿足其內部負載需求并保持穩定運行。由圖4 可知孤島模式下的各分布式發電單元的發電功率,會根據用電需求的變化不斷地做出調整。圖4表明光伏、風機的發電功率不能達到用電需求時,燃料電池、微型燃氣輪機和蓄電池將進行發電；當發電功率滿足用電需求時,多余的電量就會向蓄電池進行充電,以備不時之需。由圖5 可知AASO 算法迭代16 次就找到了最優值,而PSO 算法需要迭代38 次,AASO 算法優化下的微電網運行成本低于PSO算法10.22%。

4.2.2 并網模式下算例結果分析

并網模式下的微電網系統可以與外部電網連接,以便在需要時購買或出售額外電力,來保持用電負荷的平衡。圖4、圖5 分別為并網運行模式下AASO算法優化的各發電單元功率曲線,以及兩種算法的運行成本對比曲線。

根據圖6中的算法優化結果可知,在0～7時段用電負荷較少,此時段電價便宜,主要由外部電網以及燃料電池提供電量,微型燃氣輪機發電成本較高不進行發電,多余的電量向蓄電池充電；在7～17時段用電負荷上升,此時段電價較高,微型燃氣輪機、燃料電池和蓄電池開始工作,并把多余的電量出售給外部電網。在17～24時段,此時段微型燃氣輪機發電成本大于購電成本,主要供電方式為燃料電池和外部電網,并根據用電需求來調整購電策略。由圖7 可知,AASO 算法和PSO 算法的迭代次數和運行成本分別為22 次、43 次和1 882.74元、2 103.36元,AASO算法優化下的微電網運行成本低于PSO算法10.49%。

圖6 并網模式下各發電單元功率曲線

圖7 并網模式下微電網運行成本對比曲線

通過兩種模式下的算例仿真結果可知,本文提出的自適應原子搜索優化（AASO）算法的收斂速度和優化能力,均強于經典PSO算法,可以有效降低微電網的運行成本,提高微電網運行的經濟性和環保性。

5 結論

本文針對微電網優化調度的問題,提出了一種新穎的自適應原子搜索優化算法。首先根據各分布式電源的工作特性,建立了兼顧微電網運行經濟性和環保性的優化調度模型。其次,以原子搜索優化算法為理論基礎,引入自適應的思想來加強算法的尋優收斂能力。最后,通過在孤島和并網模式下的算例仿真,驗證了本文提出的AASO算法在微電網優化調度上的可行性與優越性,有效地提高了微電網運行的經濟環保性。