基于蜻蜓算法的微电网多目标优化调度

王 蒙，汪峰坤，李 宁

(1.安徽机电职业技术学院 互联网与通信学院，安徽 芜湖 241000；2. 安徽工程大学 电气工程学院，安徽 芜湖 241000)

如今各个方面都在大力宣扬使用风能和太阳能等清洁型可再生能源替代传统能源[1]。与主电网相比,微电网通常以离负载较近的小型电站为主，可以在短时间内响应负载的变化并满足负载的需求，为本地电力系统提供调度所需的能量。因此，以微电网的形式对配电网进行规划运行是解决分布式能源调度难、利用率低、电能质量差等问题的方案之一[2]。

目前对于微电网的多目标能量优化管理的研究主要是将运营成本最小、用户不满意度最低、环境效益最好等作为单一目标或者多个目标进行优化。文献[3]以节约调度成本为单一目标来建立调度模型进行能量优化。文献[4]是以总的发电成本最低、用户不满意度最低和发电损耗最低为多目标来优化。文献[5]在运行成本最小化和环境污染最小两个目标下建立模型。文献[6]从客户和大电网两个利益群体入手，考虑微电网的经济性。

文章建立以含有风、光、蓄和柴的微电网为框架，构造微电网的运营收入、污染物排量和可靠性的多目标函数，在满足多约束条件的情况下，利用蜻蜓算法和粒子群算法对微电网的能量进行优化，并对比验证所建立的数学模型。

1 微电网模型

文章考虑一个与主电网相连的微电网模型，如图1所示的微电网含有风力发电、光伏发电、蓄电池、柴油发电机和用户负荷[7]。

图1 微电网结构图

1.1 风力发电模型

风力发电系统数学模型为：

(1-1)

其中：Pw代表风机发电单元的有功功率，Vwi代表风机运行的切入风速，Vwo代表风机正常运行所能承受的最大切入风速，VR代表风机在额定功率时风机设备的风叶转速，PR代表风机的额定功率，这里忽略损耗功率。

1.2 光伏发电模型

光伏发电系统数学模型为：

(1-2)

其中：Pp为光伏机组的有功功率，Pst为正常环境下的视在功率，Sc为当前的光线强弱，Sst为设定的标准光线强弱，l为功率的温度系数，Tc代表在当前环境下光伏在t时间段的温度值，Tst为设定的温度，以这一温度为标准温度。

1.3 蓄电池模型

假定蓄电池为铅酸蓄电池，为了蓄电池运行的稳定性，蓄电池充放功率和容量必须受到约束。其数学模型为：

(1-3)

其中：Pe_min为蓄电池当前时间段内充放电最小功率，Pe_max为蓄电池当前时间段内充放电最大功率，SOCmin为蓄电池当前能量的最小值，SOCmax为蓄电池当前能量的最大值，Ue_t为t时刻蓄电池的荷电状态，γ表示蓄电池的运行状态，1代表蓄电池在进行放电行为，0代表蓄电池接受外部能量进行充电操作，β为蓄电池充放电的限制次数，每天充放电的次数不得超过8次。

1.4 柴油发电机模型

柴油发电机数学模型为：

(1-4)

其中：Pd为柴油机组的有功功率，单位为kwh，Cl为柴油发电机每产生一千瓦时所消耗的燃油量(L)，PdR是柴油发电机的视在功率，φ是柴油发电机的启动停止状态，1代表运行，0代表停止。

2 微电网目标函数的建立

该微电网优化模型主要包括两个相互矛盾的目标函数：运营成本和环境污染。约束条件主要是系统的可靠性约束，其中运营成本包括机组运行成本、燃料消耗的成本和柴油发电机启动和停止所消耗的成本，环境污染是指各机组运行产生的排放污染物，可靠性包括能量备用率不低于20%，且满足N-1准则(即一台机组停运的条件下仍能够满足负荷需求)。

2.1目标函数

目标函数如下：

(2-1)

式中：Fec表示系统的运营成本的目标函数；Fen表示系统的污染物排放的目标函数；γ1和γ2分别代表两个目标函数的权值；Qw为风力发电机的运维成本，风力发电属于新型可再生能源，因此不产生燃料成本和发电成本；Qp为光伏发电机的运行成本和维护成本；Qea为蓄电池的充放电运行损耗成本；Qd为柴油发电机的发电成本，包括所消耗的燃料成本和发电机的启停成本，因为柴油发电机受到爬坡约束等等，因此要考虑启停次数；Pgi表示微电网与主电网交换的电能，此表达式包括从电网购电和向电网售电，Pgi>0代表从主电网到微电网的功率输入，Pgi<0代表从微电网到电网的功率输出；Qgrid表示电网的收购和卖出能量的实时电价；T代表整个的调度周期；t代表调度周期的某个时段；Eea(k)和Ega(k)为发电机每消耗K升燃料所排放的污染物。

式中Qd可用下式表示：

(2-2)

其中，Qrd表示柴油发电机的燃料价格；φ(t)表示在t时刻发电机的启停状态；Qrs为柴油发电机的启动成本。

2.2 约束函数

约束条件主要包括各个机组的处理约束、功率守恒约束、蓄电池电荷量约束以及N-1准则和能量备用率不低于20%。

约束条件如下：

(2-3)

式中max和min分别表示风、光、蓄和柴的功率上下限；SOCmin和SOCmax分别表示蓄电池的最小负荷和最大负荷；Pgi代表微电网向大电网的售电功率；Pload代表负载所需的有功功率；P代表总的功率能量。

3 模型求解

3.1 算法数学模型

蜻蜓算法数学表达方式如下：

(1)避撞行为

(3-1)

式中X表示第i个蜻蜓的位置，Xj表示相邻第j个蜻蜓所在的位置[8]。

(2)结对行为

(3-2)

式中Vj表示第j个蜻蜓的速度，N表示与第j个蜻蜓相邻的蜻蜓个数[9]。

(3)聚集行为

(3-3)

(4)觅食行为

Fi=X+-X

(3-4)

式中X+表示蜻蜓要寻找的食物的位置。

(5)避开天敌

Ei=X-+X

(3-5)

式中X-表示蜻蜓天敌位置。

3.2 算例分析

文章建立以含有风、光、蓄和柴的微电网为模型，使用蜻蜓算法和粒子群算法分别进行优化调度，原始数据来源于第十届电工杯数学建模竞赛赛题，再将两种算法的优化结果进行对比。

各个时段电网的售电价格和购电价格如表1所示。

表1 各时段电网的售电及购电价格表

两种算法对模型进行多目标优化。图2画出了蜻蜓算法在搜索过程中迭代200次的适应值曲线，图3画出了粒子群算法在搜索过程中迭代200次的适应值曲线。对比可以看出蜻蜓算法比粒子群算法更早收敛，并找到更优解。

图2 DA适应度曲线

图3 PSO适应度曲线

通过算法根据以上建立的目标函数以及约束条件进行优化，得到各个时段的供电构成图如图4和图5所示。

图4 DA-各个时段供电构成图

从优化结果中我们发现，18：00-21：00这个时段用电高峰期而且是从电网购电最高价格时段，在蜻蜓算法的优化中将这个时段供电主要力量转换为蓄电池以最大放电速率来供电。在粒子群的优化中，从15：00-18：00这个时段蓄电池开始出力。最后DA优化下的最小发电成本为2035.96元，PSO优化下的最小发电成本为2117.55元。

结语

文章针对具体的微电网系统，以发电成本和环境污染为多目标，使用蜻蜓算法对与主电网相连模式下微电网未来一天的预测数据进行优化调度,并给出蜻蜓算法和粒子群算法优化下各个时段的各个单元的出力图，对比验证所建立的模型的切实性和蜻蜓算法相对粒子群算法应用在微电网优化方面的优越性。