基于改进PSO算法的微电网调度方法

王向红，钱文姝

（1.国网陕西省电力公司，陕西西安 710048；2.国网陕西省电力公司电力科学研究院 陕西西安 710100）

基于改进PSO算法的微电网调度方法

王向红1，钱文姝2

（1.国网陕西省电力公司，陕西西安 710048；2.国网陕西省电力公司电力科学研究院 陕西西安 710100）

针对微电网存在较大传输损耗的问题，文中提出了一种适用于光伏、风力发电的微电网日前调度模型。该模型在满足各种约束条件的情况下，以最小化风机、光伏电池、储能单元和燃气轮机的发电成本及运行成本的总和为目标。同时，由于微电网日前调度是一个混合整数非线性问题，提出了一种随机最优近邻PSO算法，用于求解该多目标优化问题。最后，使用该算法对IEEE 9-bus系统进行仿真测试。实验结果表明，对于微电网的日前调度问题，提出的算法对微电网在正常和故障运行情况下均具有较高的可靠性。

微电网；传输损耗；日前调度；随机最近邻；粒子群优化

近年来，微电网在电力系统中的应用越发广泛，其具有灵活、智能和兼容的特点[1]。微电网不仅能整合小型分布式可再生资源，且有助于提高电力系统的效率和可靠性[2-4]。微电网有两种工作模式：并网运行方式和孤岛运行方式[5-6]。在并网模式下，微电网通常为主电网提供辅助服务；在孤岛模式下，微电网则需要保持自身的供需平衡。

如图1所示，为一个包括风机（WT）、光伏电池（PV）、燃气轮机（GT）、储能单元（ESU）及电动车（EV）和其他负载的微电网。为了提供高质量和经济的电能，需要对微电网的运行进行合理的调度[7]。能源管理系统（EMS）作为微电网的大脑，根据负载、可再生能源和电价的预测信息，以最小化运营成本和最大化利润的方式，协调分布式资源的输出功率以及与主电网的交换功率。EMS的连接结构有3种：集中式结构[8]，层次结构[9]和分布式结构[10]。文献[11]全面综述了微电网的EMS，总结了微电网的管理控制架构与技术。

EMS中的发电调度在微电网运行中发挥着重要作用，其在微电网物理条件的约束下，通过调度各种能源资源，以最小的成本满足负载需求。一般而言，微电网的发电调度包括经济调度（ED）和最优潮流调度（OPF）。实质上，ED和OPF均可归结为目标优化问题[12]。

在过去十年，众多科研人员调查研究了微电网的优化调度问题。文献[13]在微电网框架下提出了一种最小化多发电机购买总成本的优化算法；文献[14]提出了一种最小化运行成本和污染物排放的分布式发电机与存储调度算法。针对多种微电网互联的问题，文献[15]综合考虑用户的舒适度和系统的约束，提出了一种基于博弈论的定价机制。

然而，现有的优化方法通常采用一种简化的优化模型，并忽略了传输网络的损耗。通常由于微电网是一个低压配电网络，实际上有着较大的传输损耗，传统的忽略传输网络损耗构建的调度模型通常不能满足实际需求[16]。因此，为了获得准确的调度方案，本文考虑传输网络的损耗，并提出了一种适用于光伏、风力发电的微电网日前调度模型。该模型在满足各种约束条件的情况下，以最小化风机、光伏电池、储能单元和燃气轮机的发电成本及运行成本的总和为目标。同时，由于微电网日前调度是一个混合整数非线性问题，本文提出了一种随机最优近邻PSO算法，用于求解该多目标优化问题。最后，使用该算法对IEEE9-bus系统进行仿真测试。实验结果表明，对于微电网的日前调度问题，提出的算法对微电网在正常和故障运行情况下均具有较高的可靠性。

图1 典型的微电网架构Fig.1 Typical microgrid architecture

1 微电网调度模型

本文使用的微电网结构，如图1所示。该系统包括风机（WT）、光伏电池（PV）、燃气轮机（GT）、储能单元（ESU）、电动车（EV）和其他负载。该系统运行在孤岛模式下，只需保证自身的供需平衡。下面分别介绍系统的发电模型、目标函数和约束条件。

1.1 发电模型

1.1.1 风机

风机即风力涡轮机，其叶片可以将从风中捕获的能量转换成电能。风机的输出功率取决于风速和发电单元本身的输出特性，其关系可表示为

式中：Pwt表示风机的输出功率；vt表示时段t内的实际风速，m/s；vc表示切入速度，m/s；vf表示切出风速，m/s；vr表示额定风速，m/s；Pr表示风机的额定功率，kW。

1.1.2 光伏电池

光伏电池通过光电效应将太阳能转换成电能，光伏电池的输出功率与光照强度、环境温度等天气条件密切相关。其输出功率可以表示为

式中：PPV为光伏电池的输出功率；η为光伏电池的功率转换效率；YPV为光伏电池的额定功率；IT（t）为时段t内光伏电池所接受的太阳辐射量；IT=1 kW/m2为标准测试条件。

1.1.3 电池

电池在平衡电网电力和光伏-风机的稳定运行时发挥着重要作用。因为当风能和太阳能资源充足时，能够存储来自风机与光伏电池的电能。而当风能和太阳能资源不充足时，能够使用电池来提供电能。电池的充电状态（SOC）是指电池的剩余电量与额定电量的比值，t+Δt时刻的SOC由t时刻的电池电能和SOC决定，可以用式（3）表示其之间的关系：

1.2 目标函数

本文将微电网的最优日前调度问题看作是一个多时段的最优潮流问题，其旨在满足系统所有约束的条件下，最小化每个单元总的发电电能和损耗。该优化问题的目标函数可用下式表示：

式中：C1表示发电机损耗；C2和C3分别表示可再生能源发电单元，在启动和停止时产生的维护损耗；Pj，t表示柴油发电机j在时刻t的输出功率；xj（j，t）表示可再生能源发电机j在时刻t的输出功率；ΔV表示电压偏移的惩罚项；T表示总的调度周期；aj，bj，cj表示柴油发电机单元的损失系数。

1.3 约束条件

1）发电机功率约束：

2）电池SOC约束：

3）线路容量约束：

式中，Pijt表示t时段节点i和j的功率表示节点i和j间的最小和最大功率流。

4）电压约束：

2 基于改进PSO算法的微电网优化调度

2.1 改进PSO算法

PSO[9]是一个从随机生成的粒子及其速度开始的，基于种群的随机优化算法。在D维优化问题中，每一个粒子代表一个潜在的解，且每个粒子均有一个位置和移动速度。在优化过程中，每个粒子跟随者Pbest和Gbest在解空间中移动。其位置与速度更新方式如下所示：

式中，粒子群拥有Np个粒子，粒子下标i=1，2，3，…，Np；d表示维度为第i个粒子的位置；表示第i个粒子的移动速度；t为迭代次数，r1和r2为服从正太分布的随机数，φ1和φ2表示速度的权重。

为了在算法运行初期保持粒子群多样性的同时不明显降低收敛速度，本文提出了一种随机最优近邻PSO（random best neighbors particle swarm optimization，RBN-PSO）算法。该算法不是搜索Pbest和Gbest，而是在初期就从Pbest和RBNbest（由RBN策略选择的Pbest）中学习，以增强种群的多样性。

RBN-PSO的速度和位置更新策略如式（7）和（8）所示，其中，粒子速度的更新方式与传统的方式一致。与传统的PSO算法不同的是，在RBN-PSO中的每个粒子从相同的RBNbest中学习所有维度的信息，而不是从Gbest中学习。

在最小化问题中，适应度值越小，表明粒子越优。因此，式（8）中RBNbestdi表示在近邻中随机搜索的且具有最小适应度值的粒子，即最优的近邻粒子。在初始化过程中，每一个粒子从整个种群中随机选择一些除Pbest外的近邻粒子。在这些近邻粒子中，将具有最小适应度值的粒子选择为RBNbest。与传统的PSO算法中一组粒子共享一个局部最优值的方式不同，RBN-PSO为每个粒子选择一个RBNbest。因此，在RBN-PSO中有两个重要的参数，一个是更新周期，另一个是近邻数量。若一个粒子在预设的迭代次数内没有提升其适应度值，则更新其RBNbest，这个预设的最大迭代次数称为更新周期；而近邻数量表示选择RBNbest时随机选择参与比较的相邻粒子的数量。详细的RBN-PSO算法伪代码，如表1所示。

表1RBN-PSO算法伪代码Tab.1 Pseudo-code of RBN-PSO algorithm

2.2 微电网优化调度求解

微电网最佳日前调度的控制变量由发电机总线的电压、所有发电机单位状态（在线或离线）以及发电机在所有时间间隔的输出功率组成。求解该问题的目标，即在满足各种约束条件的同时，获得最优的控制变量并最小化目标函数。基于改进的PSO算法微电网优化调度问题的求解步骤如下：

1）设置RBN-PSO算法的参数和系统参数。

2）判断系统是否存在故障，若存在故障则调整参数以应对故障带来的影响；若没有则故障则跳到下一步。

即m+1时刻预测值为Pm+1,将最后L-1个数据和测试集中的第m+1个数据合并为新的数据并输入网络,得到m+2时刻的输出Pm+2,依次类推得到预测序列为

3）根据当前电网的电流条件，初始化微电网中各供电单元，包括风机、光伏电池、燃气轮机和储能单元。

4）若生成的粒子满足电池SOC的约束，直接进入下一步；否则调整单位输出功率以满足约束，然后转到下一步。

5）判断微电网中所有的总线类型是否随着每个发电机节点的输出功率的改变而改变，若没有跳到下一步；否则返回该节点。

6）使用Newton-Raphson方法计算潮流。

7）若获得的粒子满足传输线的容量约束，跳到下一步；否则调整单位输出功率以满足约束，然后返回步骤7。

8）若获得的粒子满足功率平衡约束，则跳转到下一步；否则随机选择一部分发电单元，调整其输出功率。然后返回到步骤4。

10）若到达最大迭代数，输出最优的调度方案；否则返回步骤4。

图2 基于IEEE 9-bus的微电网系统架构Fig.2 Micro-gridsystemarchitecturebasedonIEEE9-bus

3 仿真实验与分析

本文使用图2所示的基于IEEE 9-bus的微电网系统进行分析，RBN-PSO中种群数量为50，最大迭代数为3 000，每个电池的初始电量为72 kW·h。风机、太阳能电池板和储能电池的损耗，如表2所示。柴油发电机的损耗系数a，b，c如表3所示。风速和光照强度随时间的变化关系，如图3所示。

表2 风机、太阳能电池板和储能电池的损耗Tab.2 Cost for wind turbine,solar panels and battery kW·h

表3 柴油发电机的损耗系数Tab.3 Cost coefficients of diesel generators

图3 风速和光照强度随时间的变化关系图Fig.3 The relationship between wind speed and light intensity over time

如图4所示为该系统所测得的各总线电压值，该图中所有电压值均满足约束条件。从图中可以看出，总线2，4，6的电压级别比其他总线的要低，而总线7和8的波动最大。

当微电网处于故障状态时，将对系统和社会造成严重的后果。不仅需要避免微电网的故障运行，且还要采用一定的恢复措施减少故障所带来的损耗。因此，使用本文所提出的方法解决在不同故障状态下微电网的日前调度问题，同时，也用于验证本算法的鲁棒性。

图4 优化调度后的各总线电压波动情况Fig.4 Bus voltage fluctuations of the optimal scheduling

如图5所示为节点9突然断开时，各总线的电压波动情况。图6所示为节点1和2之间断开时，各总线的电压波动情况。从图5和图6可以看出，电网电压在5%的安全范围内波动。同时还可看出，当总线出现故障时比单条线发生故障时电压的波动范围要更广。这是由于总线故障将导致总线数量的减少，原始的电能在N个节点间流动，而现在只能在N-1个节点间流动。

图5 节点9突然断开时各总线的电压波动情况Fig.5 Voltage fluctuations with the breakdown of node 9

图6 节点1和2之间断开时各总线的电压波动情况Fig.6 Voltage fluctuation of each bus with the disconnected of nodes 1 and 2

4 结论

为了获得准确的调度方案，本文考虑传输网络的损耗并提出了一种适用于光伏、风力发电的微电网日前调度模型。该模型在满足各种约束条件的情况下，以最小化风机、光伏电池、储能单元和燃气轮机的发电成本及运行成本的总和为目标。同时，由于微电网日前调度是一个混合整数非线性问题，本文提出了一种随机最优近邻PSO算法，用于求解该多目标优化问题。最后，使用该算法对IEEE9-bus进行仿真测试。实验结果表明，对于微电网的日前调度问题，提出的算法对微电网在正常和故障运行情况下均具有较高的可靠性。

[1]魏榆扬，周步祥，彭章刚.基于区间数的改进NSGA-II算法在微电网优化调度中的应用[J].电力电容器与无功补偿，2017，38（1）：117-122.WEI Yuyang，ZHOU Buxiang，PENG Zhanggang.Application of Improved NSGA-ⅡAlgorithm Based on Interval Number in Optimal Regulation of Micro-grid[J].Power Capacitor&Reactive Power Compensation，2017，38(1):117-122.

[2]吴昊，王艳松.基于智能单粒子算法的微电网经济调度[J].电力系统保护与控制，2016，44（20）：43-49.WU Hao，WANG Yansong.Economic dispatch of microgrid using intelligent single particle optimizer algorithm [J].Power System Protection and Control，2016，44(20):43-49.

[3]杨晓东，陈宇，张有兵，等.考虑交互功率与可再生能源功率波动的微电网调度优化模型[J].电力系统保护与控制，2016，44（23）：30-38.YANG Xiaodong，CHEN Yu，ZHANG Youbing，etal.Scheduling optimization model for microgrid considering interactive power and renewable energy output fluctuation[J].Power System Protection and Control，2016，44(23):30-38.

[4]李占凯，陈红敏，张福民，等.含储能微电网运行模式的平滑切换控制策略[J].电力电容器与无功补偿，2017，38（2）：148-154.LI Zankai，CHEN Hongmin，ZHANG Fumin，et al.Control Strategy for Smooth Switching of Microgrid Operation Mode Containing Energy Storage[J].Power Capacitor&Reactive Power Compensation，2017，38(2):148-154.

[5]CHEN Y H，LU S Y，CHANG Y R，et al.Economic analysis and optimal energy management models for microgrid systems：A case study in Taiwan[J].Applied Energy，2013，103（1）：145-154.

[6]MARZBAND M，GHADIMI M，SUMPER A，et al.Experimental validation of a real-time energy management system using multi-period gravitational search algorithm for microgrids in islanded mode[J].Applied Energy，2014，128（3）：164-174.

[7]ZHAO B，XUE M，ZHANG X，et al.An MAS based energy management system for a stand-alone microgrid at high altitude[J].Applied Energy，2015，143（7）：251-261.

[8]XIAO J，WANG P，SETYAWAN L，et al.Multi-level energy management system for real-time scheduling of DC microgrids with multiple slack terminals[J].IEEE Transactions on Energy Conversion，2016，31（1）：392-400.

[9]季斌炜，陈潇一.基于粒子群算法的配电网无功补偿方法研究[J].电网与清洁能源，2016，32（3）：111-114.JI Binwei，CHEN Xiaoyi.Research on Reactive Power Compensation of Distribution Network Based on Particle Swarm Optimization Algorithm [J].Advances of Power System&Hydroelectric Engineering，2016，32(3):111-114.

[10]黄晨，张靠社.基于量子粒子群算法的微电网优化调度[J].电网与清洁能源，2016，32（2）：72-76.HUANG Chen，ZHANG Kaoshe.Micro Grid Scheduling Optimization Based on Quantum Particle Swarm Optimization (PSO)Algorithm [J].Advances of Power System&Hydroelectric Engineering，2016，32(2):72-76.

[11]胡清，张强.基于改进二进制粒子群算法的配电网故障定位[J].南京工程学院学报（自然科学版），2016，14（3）：77-81.HU Qing，ZHANG Qiang.Fault Location of Distribution NetworksBased on Improved BinaryParticleSwarm Optimization Algorithm [J].Journal of Nanjing Institute of Technology(Natural Science Edition)，2016，14(3):77-81.

[12]王伟，谭阳红.量子粒子群算法在配电网多时段动态重构中的应用[J].陕西师范大学学报（自然科学版），2016，44（6）：31-38.WANG Wei，TAN Yanghong.The application of quantum particle swarm optimization algorithm in multi-period dynamic reconfiguration of distribution network[J].Journal of Shaanxi Normal University(Natural Science Edition)，2016，44(6):31-38（in Chinese）.

[13]RABIEE A，SADEGHI M，AGHAEIC J，et al.Optimal operation of microgrids through simultaneous scheduling of electrical vehicles and responsive loads considering wind and PV units uncertainties[J].Renewable&Sustainable Energy Reviews，2016，57（4）：721-739.

[14]MARZBAND M，MOGHADDAM M M，AKOREDE M F，et al.Adaptive load shedding scheme for frequency stability enhancement in microgrids[J].Electric Power Systems Research，2016，140（3）：78-86.

[15]KAKIGANO H，MIURA Y，ISE T.Distribution voltage control for DC microgrids using fuzzy control and gainscheduling technique[J].IEEE Transactions on Power Electronics，2013，28（5）：2246-2258.

[16]KYRIAKARAKOS G，PIROMALIS D D，DOUNIS A I，et al.Intelligent demand side energy management system for autonomous polygeneration microgrids[J].Applied Energy，2013，103（1）：39-51.

A New Scheduling Method of Microgrid Based on Improved PSO Algorithm

WANG Xianghong1，QIAN Wenshu2
（1.State Grid Shaanxi Electric Power Company，Xi’an 710048,Shaanxi,China；2.State Grid Shaanxi Electric Power Research Institute，Xi’an 710100）

In order to address the huge transmission loss in microgrid,a new day-ahead scheduling model for microgrid with photovoltaic cells and wind turbine units is proposed in this paper.The model aims at minimizing the sum of power generation costs and operating costs of wind turbines,photovoltaic cells,energy storage units and gas turbines while meeting a variety of constraints.At the same time,since the scheduling of microgrids is a mixed integer nonlinear problem,this paper proposes a random best neighbor PSO algorithm to solve the multi-objective optimization problem.Finally,the algorithm is used to simulate IEEE9-bus.The experimental results show that the proposed algorithm has high reliability for both micro-grid and normal operation in the event of micro-grid scheduling.

microgrid;transmission loss;day-ahead scheduling;random best neighbor;PSO

1674-3814（2017）07-0053-05

TM711

A

国家自然科学青年基金（61101249）。

Project Supported by the Natural Science Foundation of China(61101249）.

2016-08-01。

王向红（1960—），女，本科，高级工程师，研究方向为电力系统调度自动化、人力资源开发及班组建设等方面的工作。

（编辑 徐花荣）