采用改进细菌觅食算法的虚拟电厂发电资源调度

谢传胜，钟朋园

（华北电力大学经济与管理学院，北京 102206）

0 引言

为缓解分布式发电并网运行给电网带来的负面效应，充分发挥可再生能源的积极作用，虚拟电厂（VPP，Virtual Power Plant）引起了人们的广泛关注。VPP通过统一架构整合各类分布式发电资源（DER，Distributed Energy Resource），实现发电资源统一优化调度，在保证电力系统稳定性的前提下提高了能源利用率，具有一定的环保性与经济性。而在VPP运行中，考虑不同DER的技术特性及其对电力系统造成的影响，采用合理的算法构建资源优化调度模型，成为解决VPP并网的关键所在。

国内VPP技术尚处于理论研究阶段，未得到实际推广。文献［1］通过分析VPP在国外的发展模式及特点，对国内引入VPP开辟了思路；文献［2］基于面向服务架构建立了通用VPP模型。国外对于VPP中分布式发电资源调度算法的研究较多，其中文献［3］和文献［4］采用混合整数线性规划算法分别对含有风电及热电联产机组的VPP发电资源进行优化调度；文献［5］分析了核电与风电在VPP内联合调度所带来的经济性与环保性。然而，现有文献都针对于单一种类的DER资源，未形成对VPP内多种DG的统一优化调度算法。

本文将结合虚拟电厂中DER机组协调运行特性，构建虚拟电厂中分布式发电资源优化调度模型，采用改进的细菌觅食算法对模型进行寻优求解，并将所得结果与采用遗传算法的运算结果进行对比，分析了虚拟电厂资源调度与传统发电资源调度的经济性，以及两种算法的优缺点。这可为虚拟电厂技术在中国的大规模应用提供理论指导，并为虚拟电厂中DER的优化调度提供了新的解决方案。

1 虚拟电厂中分布式发电资源优化调度模型

1.1 VPP及DER相关理论基础

虚拟电厂是指将分布式发电（DG）、可控负荷（DL，Dispatchable Load）和分布式储能设施（DES，Distributed Energy Storage）有机结合，通过配套的调控技术、通信技术等，实现对各类DER进行整合调控的载体（见图1）。

图1 虚拟电厂在电力市场中的应用

VPP的核心是用于调控DG、DL和DES能量流的能量管理系统（EMS，Energy Management System）。EMS的运行目标是在保证系统安全稳定运行的前提下，实现电力供应主体的利润最大化、实现电力供应成本最小化或实现碳减排最大化。

VPP中的DER主要是指功率低于50 MW的小型模块式的、与环境兼容的独立发电机组，以及可控负荷与分布式储能设备等。DG多为具有环保性的可再生能源发电机组，如小型风电、光伏发电机组等，其所有权可能由电力部门、电力客户或第三方所有，用以满足电力系统和客户特定的需求。在智能电网的运行环境下，结合DL和DES的储能与负荷调控特性，DG可用于最大程度地满足当地电网负荷需求，提高电力系统的环保性与社会效益。

基于VPP技术的DER并网拓扑结构如图2所示。

图2 含VPP的电网拓扑结构图

然而，DER的大量并网也给电网带来了较多的不利影响。一方面，DER的种类繁多，形式复杂，发电原理不尽相同，不便于电力系统的设计、调度、运行；另一方面，以风电、光伏发电、潮汐发电为代表的可再生能源易受气候等自然因素的影响，对电力系统的稳定性带来极大挑战，为了支持DG的并网，需要在电力系统内增加旋转备用费用。这使得单个可再生DER并网的成本大大提高，不具备经济性。因此，建立VPP中DG、DL、DES等资源优化调度模型，通过协调各类资源以降低含VPP的电力系统投资成本，具有十分重要的意义。

1.2 VPP中DER优化调度模型

根据VPP的用电特性，可建立优化调度模型为：

式中：PDL为DL的总有功负荷；PNDL为非可控负荷的总有功负荷；ρDL、ρNDL分别为两种负荷的电价；P电网、ρ电网分别为VPP与电网间交易的总电量及成交电价；PuL、CuL分别为中断电负荷（UL，Unserved Load）的功率及其成本；PDG、CDG为DG售出电量与发电成本；PMG、ρMG分别为从微电网所购电量及电价。

针对电力系统负荷特性及各类DG运营特性，可建立电力平衡约束、线路平均约束及变量约束为：

式中：P为有功电源；I为直流输电电线；S为低压变电站潮流限制及其上限值；Umin的标幺值取0.95；Umax的标幺值，取1.05。

2 优化调度算法

采用改进的细菌觅食算法和遗传算法分别对各种DG优化调度进行分析，并对比分析结果。

2.1 遗传算法

遗传算法（GA，Genetic algorithm）是一个既定的并行搜索算法［6］，已在电力系统优化问题中得到应用。在GA中，基于优胜劣汰的生存理念，通过交叉和变异，将随机产生的初始解进行优化。针对含分布式发电机组的电力系统特性，对遗传算法进行如下改进。

1）在初始解产生阶段，基于DG状态，将其分为必开机组、必停机组和自由机组，分别检查其发电出力及约束条件，确定可用机组组合数，按照必开机组优先、自由机组其次的顺序安排初始可行解；

2）在寻优过程中，设置保留算子，将上一代中最好的个体直接随机替换到下一代中，以提高运算效率。

2.2 细菌觅食算法

细菌觅食算法（BFA，Bacteria Foraging Algorithm）是由Passino开发的基于随机搜索的新型仿生类算法。BFA算法具体包括趋化、繁殖、以及驱散3个步骤［7］。

基于原始的BFA算法对其寻优过程中的趋化和繁殖阶段进行了改进。改进过程包括：①求解最小化问题时，在再生排序完成前，取趋化阶段每个细菌成本函数的最小值，而不是取所有趋化阶段成本函数的平均值；②每个趋化阶段中所有细菌的路线均通过最优细菌路线得到评估，而不是取自其余所有细菌彼此间的距离。改进的BFA算法流程见图3。

图3 改进的BFA算法框架图

3 算例分析

3.1 数据采集

以IEEE-30母线系统为基础，更换节点数据及负荷特性，作为实例［8］。案例中VPP系统由两个DG及可控负荷组成，一方面满足内部负荷需求，另一方面可与微电网、主电网实现相互间电力交易。具体来讲，在原系统中，将第5条母线改为与微电网相连，使VPP与微电网相互间可实现电力交易；第11与第13条母线上的常规电厂改为分布式能源发电厂，装机容量均为40 MW。选取某一典型日内系统发电出力及成交电价相关数据，见表1、表2。

表1 典型日内VPP资源实时功率 功率／k W

表2 典型日内VPP资源成交电价电价／（元·MW－1）

表3 两种情形下不同算法参数设置

3.2 模型分析

分别用两种算法对VPP技术中DG优化调度结果进行分析。为观测两种算法中控制参数的变量对优化结果的收敛性影响，设置了不同参数下的两种情形（见表3）。

对两种情形下两种算法的收敛性进行分析，结果见图4和图5。由图4和图5可以得出，情形一和情形二中BFA算法分别收敛于26 815.23元和26 827.45元，而GA算法则收敛于26 826.02元和26 863.59元。同时可见，BFA算法在计算过程中更快得到最优解。

图4 情形一中两种算法的收敛性

另外，对两种情形下两种算法的最优解进行分析。情形一中，VPP发电成本不包含配电网无功补偿成本。分别用两种算法对目标函数进行求解，可得该情形下发电投资的最优成本（见表4）。由表4可知，与GA算法求解结果相比，BFA算法所得单个机组的最优成本均更低，且最终总投资成本中，BFA算法所得结果为26 812.76元，而GA算法结果为26 823.42元。

图5 情形二中两种算法的收敛性

表4 情形一中两种算法的运算结果对比 功率／MW

情形二中，计及DG无功补偿，考虑其对系统参数及约束条件的影响，目标函数最终优化结果见表5。从表5可见，采用BFA算法计算所得的两种情形的最优成本为26 825.89元，而采用GA算法最优成本为26 860.60元，因此BFA计算结果明显更优。

表5 情形二中两种算法的运算结果对比 功率／MW

最后，针对所选取某一天的实时数据，采用通用代数建模系统（GAMS，General Algebraic Modeling System）对所有负荷日内调度的负荷变化及利润情况进行分析，如图6所示。由图6可知，多数时间内VPP系统可满足自身负荷需求，并实现余电上网；在用电高峰时，通过从电网或微电网购电，满足内部电力需求；通过各DER之间的合理协调利用，电力系统实现稳定运行，中断电现象极少出现。

图6 不同VPP资源的日负荷趋势

4 结语

随着越来越多自主运营的小型发电装置接入电网，其对配电系统将产生一定影响，因此在电力优化调度中需考虑电网约束，如线路可允许电压，以及母线电压水平等；同时，也需增加新的约束条件，如配电网每条母线的线路容量和电压级别等。

本文针对分布式发电资源的大量并网，构建了适用于各种分布式发电资源的优化模型，并分别采用改进的BFA算法与GA算法，分析了不同参数条件下模型的经济性，为分布式发电资源在虚拟电厂中的应用提供了理论依据。通过算例分析表明，采用VPP技术整合分布式发电资源，可显著提升电力系统营运利润；同时表明，改进的BFA算法与GA算法相比运算速度更快，且运算所得系统总成本更优。

［1］ 卫志农，余爽，孙国强，等.虚拟电厂的概念与发展［J］.电力系统自动化，2013，37（13）：1-9.

［2］ 谢传胜，钟朋园.面向服务架构的通用虚拟电厂应用系统研究［J］.华东电力，2013，41（8）：1701-1704.

［3］ Hrvoje P，Igor K，Tomislav C.Virtual power plant mid-term dispatch optimization［J］.Applied Energy，2013，1（1）：134-141.

［4］ Bernhard W H，Thomas E，Christof W.Decentralised optimisation of cogeneration in virtual power plants［J］.Solar Energy，2010，84（4）：604-611.

［5］ ［David S，Arturs P，Ioulia P，et al.Benefits and cost implications from integrating small flexible nuclear reactors with off-shore wind farms in a virtual power plant［J］.Energy Policy，2012，46（1）：558-573.

［6］ 丁明，包敏，吴红斌，等.复合能源分布式发电系统的机组组合问题［J］.电力系统自动化，2008，32（6）：46-50.

［7］ 马溪原，吴耀文，方华亮，等.采用改进细菌觅食算法的风／光／储混合微电网电源优化配置［J］.中国电机工程学报，2011，31（25）：17-25.

［8］ Pai MA.Computer methods in power system analysis［M］.TMH Publishers，1996.