基于遗传算法的微网能量优化管理策略

王有山，刘诗宁，杨洋

（1.云南电网有限责任公司市场营销部，云南 昆明 650000； 2.云南电网有限责任公司电力科学研究院，云南 昆明 650217）

0 前言

微网是指由分布式电源、储能装置、能量转换装置、相关负荷和监控、保护装置汇集而成的小型发配电系统，是一个能够实现自我控制、保护和管理的自治系统，既可并网运行，也可进行孤岛运行。微网承受扰动的能力相对较弱，尤其是在孤岛运行模式下，考虑到风能、太阳能资源的随机性，系统的安全可能面临更高的风险，因此对系统进行有效地运行控制与能量优化管理是研究微网的关键。微网能量管理是在满足微网负荷及电能质量的前提下，对微网内部各个分布式电源、储能装置及与大电网交流的能量优化分配，确保微网的安全性、稳定性和可靠性，保证微网高效、经济地运行。

文献[1]设计了一种能量平衡算法优化蓄电池的充放电管理，将蓄电池储能单元与发电单元统一建模，建立了微网能量管理模型；文献[2]将多Agent技术应用于风力/太阳能互补发电场能量管理系统中；文献[3]提出了包含钠硫电池储能的微网系统经济运行优化模型和多种优化目标。但文献[1-3]中关于分布式发电或储能单元的上下限是固定的。文献[4]针对微网特性，研究了基于能量管理系统的分布式电源控制方式与微网系统稳定性。文献[5]是基于传递函数所做的系统根轨迹研究，微网的整体运行情况与能量管理系统是否能够合理运作却没有得到体现。文献[6]提出由多代理系统来控制微网，以实现不同微网间能量的交换，但却不太适应微网处于孤岛模式下运行。文献[7]提出了一种基于中央控制器分层控制的微网能量管理策略，分析了微网运行的两种市场政策。文献[8]提出了一种基于光伏电池、风力发电机和蓄电池的单相交流微网的能量管理策略，采用线性编程优化了系统运行成本和蓄电池寿命。但[4-8]分布式储能单元并不能智能的在充电和发电间无缝切换。文献[9]提出了一种分布式电源用户侧模型。该模型将分布式发电的安装和运行成本等与电力部门的供电费用结构进行比较，讨论了微网的最优投资问题。

文献[10]将一个潮流优化问题应用到基于实时信息的能量管理系统中，然而，由于可控微电源在一个长时间中没有协调，分布式电源的出力会随风力出现波动；文献[11]微网运行优化问题简化成一个基于储能系统的多时段优化问题，只给出了日前调度的方案，没有考虑不可控微电源的实时波动和功率约束理论；一个相似的作为顶层多时段优化问题在参考文献[12]中提出，功率的波动是在协调层被储能系统所平稳，但是没有对策来处理当功率波动超出储能系统范围时的问题，因此这个储能系统的储能范围必须足够大来平稳功率的波动，这种情况下，储能系统在顶层调度中就没什么意义了。

于是，本文针对微网系统的特点和能量管理对经济性要求，提出了一种基于改进遗传算法的满足微网实际情况的微网能量管理模型以实现微网的最优运行。根据微网内分布式发电、储能单元的自身状态确定其发电功率上下限及相应的惩罚因子，建立统一形式的约束矩阵模型，将储能智能管理、经济负荷分配、运行效益优化等多目标优化问题转化成为单目标优化问题进行求解，并基于该矩阵建立微电网孤网和并网两种运行模式下的能量优化管理方法。更符合微网内的实际运行情况，可以为微网系统分布式电源的技术组合及其运行效益的经济评估提供参考。通过建立实验室微网仿真模型，对上述控制策略进行了验证。

1 微网网络拓扑结构和能量管理模型

1.1 微网的网络拓扑结构

目前微网系统的网络拓扑主要分为3种，一种是直流微网，一种是交流微网，还有一种是交直流微网。本文采用交直流微网，结构拓扑如图1所示，微网内包括10 kW的燃气轮机、10 kW风力发电机、15 kW光伏发电机、10 kW超级电容、10 kW蓄电池和10 kW的负载。燃气轮机连接交流母线2，通过开关2与母线3相连最终与大电网相连，母线2连接普通负荷；光伏、风机、蓄电池和超级电容通过开关3与交流母线3相连并最终与大电网连接，母线1连接的是关键负荷。微网可在孤网和并网两种模式间自由切换，孤网运行时主要目的是保证负荷供电可靠，在此前提下希望成本最低，并网运行时考虑微网的经济调度和优化运行。

图1 微网拓扑结构

微网内的光伏发电单元，根据长期的统计数据，光伏在正午达到发电顶峰，0:00-7:00以及20:00-24:00不发电；风力发电单元具有极大的随机性，燃气轮机较为稳定，储能单元有超级电容和蓄电池，他们的充放电分段较为复杂，理想情况下希望电容两端电压较小时尽量充电，电压较大时处于放电状态，蓄电池充电电荷在30%以下时尽量充电状态，30%以上处于放电状态。要实现上述目的，能量管理尤为重要。

1.2 微网能量管理的数学模型

微网能量管理模型（Microgrid Energy Management Mode，MEMM）作为微网优化控制中枢，通过采集分析负荷需求、分布式电源特性、电能质量要求、电力价格以及用户请求等信息，分别为各个分布式电源的控制器设置功率和电压运行点[13]。微网的经济性是微网吸引用户并能在电力系统中得以推广的关键所在。因此，微网能量管理的一个主要任务就是：在给定周期内综合考虑分布式电源预测发电量、储能单元预测剩余容量、电网电价信息和本地负荷需求，合理安排分布式电源和储能单元的启停和出力，使微网系统的总发电成本最小（或者经济利益最大）。

1.2.1 孤网运行模型下的目标函数

微网在孤网运行方式下，不需要考虑与外网间的电能交易，系统内负荷需求完全由微网内发电和储能单元满足。微网能量管理系统通过实时比较微网中的发电成本来优化调度各分布式发电单元的出力，实现系安全经济运行[14]。微网1 h内由发燃料消耗成本CG、运行管理成本COM、投资折旧成本CDP、负荷停运补偿成本CL所构成的综合成本最低。

燃料消耗成本CG为各发电储能单元的消耗成本的总和：为发电单元燃料消耗成本，i为发电单元编号，t为运行时刻；运行管理成本COM为微网内所有发电储能单元运行管理成本之和，它与各发电或储能单元所发功率成正比：发电单元运行管理成本，KOMi为运行管理系数；投资折旧成本CDP与发电单元或储能单元的最大输出功率和容量因素的乘积成反比：为发电单元折旧成本，Pfc,i为最大输出功率，Cfi为容量因素；负荷停运补偿成本CL为功率与时间的函数

孤网运行下的目标函数为：

其中：k1、k2、k3、k4为费用考虑系数，取0或1，（0表示不考虑该项费用，1表示考虑该项费用）；为微网系统内对应的惩罚项；xi表示发电或储能单元当前吸收或者发出的功率；pi为相应惩罚因子；

1.2.2 并网运行模式下的目标函数

为实现并网运行方式下微网经济运行，不仅需要考虑各微源间的机组组合和电能调度，还需考虑微网与外网间的电能交易。并网下微网经济调度是在满足系统负荷需求，电能质量和可靠性的前提下，实现系统的发电成本最低、停电损失最小[15]。同时，由于系统可向外网售电，还应确保微网的收益最大化。

微网与配电网交互成本Cgrid为从电网买入电量的总成本与卖出电量收益的差值：为向电网买入、卖出的电量，Cbp、Csp为向电网买入、卖出的电价；

并网运行时的目标函数为：

1.3 约束条件

目前研究微网能量管理的文献中的约束条件只有固定约束条件或者约束分布式发电或储能单元的的上下限是固定的，这种简单的约束条件并不能满足微网中发电或储能单元的实际情况，如光伏发电与日照时间和强度有关，风力发电具有随机性，电容与加在两端的电压有关，蓄电池又与荷电状态相关等；而且这些文献中算出的能量管理最优解知识理论上成本最低的最优解，并非实际运行中的最优解，如在蓄电池荷电状态较低时是希望其发电的，算出的理论最优解却是需要其发电的等。于是本文根据微网运行的实际情况将约束条件分为固定约束条件和实时变化的约束条件。

1.3.1 固定约束条件

等式约束条件为：

1.3.2 实时变化的约束条件

1）发电单元输出功率（发电和储能）必须在其允许的最大最小输出范围内。不等式约束条件为：

本文根据微网运行的实际情况设置约束条件：

①对于光伏发电，根据长期的数据统计，光伏与一天内的发电时刻有关，时刻过早或过晚不能发电，上午或傍晚所能发出的功率不能到达额定功率，具体为：

②对于风力发电，其功率上限即为额定功率，功率下限为0：

③对于燃气轮机，其功率上限即为额定功率，功率下限为0：

④对于蓄电池，蓄电池所发功率与其荷电状态有关，当蓄电池的荷电状态较低或过高时，蓄电池所发功率并不能达到额定功率，基于其荷电状态Soc确定其发电功率上下限，具体为：

2）对于超级电容，所发功率与加在电容两端电压Uc有关，当加在电容两端电压较小或过高时，超级电容所发功率不能达到额定功率，基于电压Uc可以确定其发电功率上下限，具体为：

3）微网与配电网交换容量约束，微网与配电网交换的最大容量是所达成的供求协议或联络线的无力传输容量，取Pmingrid=-50 kW，

式中，Pmingrid、Pmaxgrid分别为微网系统与大电网能量交换的功率下限和功率上限。

1.4 惩罚因子的引入

在微网中，由系统的实际运行情况分析，如蓄电池的荷电状态较小时，希望蓄电池尽量在充电状态，超级电容两端电压较小时亦希望其在充电状态等。而一般的优化算法并不能只能识别微网内个单元的状态而满足要求，因此，本文采用引入惩罚因子的方法来实现这一目的。

对于几种常见的发电单元如光伏、风电、燃气轮机和储能单元如蓄电池、超级电容的惩罚因子的确定方法为：

1）对于光伏发电和风力发电，希望能够随着运行时间的增大慢慢退出减少所发功率，其惩罚因子为：

式中，tu为光伏或风力发电的运行时间。

2）对于燃气轮机，其惩罚因子与发出的功率成正比，取：

式中，b为一常数，取值：0＜b＜1。

3）对于蓄电池，当荷电状态在0%＜SOC＜30%时，希望蓄电池在充电状态，故当目前发电功率x较大时，惩罚因子p应随之增大，蓄电池即可在充电状态运行；当荷电状态在30%＜SOC＜100%时，希望蓄电池处于放电状态，故当目前所发功率x较大时，惩罚因子p应减小，则蓄电池可在放电状态运行。根据蓄电池荷电状态Soc、发电功率上下限lmin、lmax及当前功率x确定其惩罚因子p：

式中：flag为惩罚方向参数，当0%＜SOC＜30%时，flag=1；当30%＜SOC＜100%时，flag=-1；x为当前所发出的功率。

对于超级电容，当加在其两端的电压在0%≤UC＜75%Un时，希望电容处于充电状态，故当目前发电功率x较大时，惩罚因子p应随之增大，超级电容即可在充电状态运行；当电压在75%Un≤UC≤Umax时，希望蓄电池处于放电状态，故当目前所发功率x较大时，惩罚因子p应减小，则超级电容可在放电状态运行。根据其加在电容两端电压UC、发电功率上下限lmin、lmax及当前功率x确定其惩罚因子p：

其中：flag为惩罚方向参数，当0%≤UC＜75%Un时，flag=1； 当75%Un≤UC≤Umax时，flag=－1；x为当前所发出的功率。

1.5 约束矩阵的建立

由上一节算得微网内发电和储能单元实时变化的发电功率上下限和相应的惩罚因子后，即可对不同形式分布式发电系统建立统一的约束矩阵模型，将储能智能管理、经济负荷分配、运行效益优化等多目标优化问题转化成为单目标优化问题进行求解，具体形式为：

式中，limin为矩阵中第i行第一列元素，含义为第i个发电单元（或者储能）单元的发电下限；limax为矩阵中第i行第二列元素，含义为第i个发电单元（或者储能）单元的发电上限；pi为矩阵中第i行第三列元素，含义为第i个发电单元（或者储能）单元的惩罚因子。

2 基于遗传算法的微网能量管理

遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（genetic operators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。

遗传算法具有良好的全局搜索能力，可以快速地将解空间中的全体解搜索出，而不会陷入局部最优解的快速下降陷阱；并且利用它的内在并行性，可以方便地进行分布式计算，加快求解速度。遗传算法搜索从群体出发，具有潜在的并行性，可以进行多个个体的同时比较，搜索使用评价函数启发，而且过程简单 使用概率机制进行迭代，具有随机性。遗传算法还具有可扩展性，容易与其他算法结合。

本文的适度函数应随违反能量平衡约束条件时的惩罚量Pi与惩罚乘子的乘积而减小，采用如下形式：

式中，Pi为储能单元违反能量平衡约束条件时的惩罚量；δ为惩罚乘子；A为正常数。

3 算例分析

以一个主要由分布式电源构成的交直流微网系统为例，应用遗传算法对能量管理模型进行求解计算。系统中发电单元由微型燃气轮机（MT）、光伏电池（PV）、风力发电机(WT)组成，储能单元由蓄电池储能系统（ESS）和超级电容组成。计算中所用的主要数据见表1。并网模式下，假定大电网是无穷大电源，微网与电网的电能交换不会影响电网的电力报价。

表1 分布式电源出力限制

孤网运行时，如表2所示，当使用能量管理方法按最大上限发电时，燃气轮机由于成本最高，发出的功率最少，其次风力发电成本也较高，发出的功率较少，光伏发电时，储能单元启动降低了光伏电池的发电随机性可能对系统稳定运行的造成影响，当使用能量管理方法按优化上限发电时，总发电量不能满足负荷所需时，燃气轮机开始发电，但总体成本仍然由于最大上限。若不使用能量管理方法而将负荷平均加在微网内分布式发电和储能单元上时，运行成本增为13.652，能量管理的优点显而易见。

表2 孤网运行时两种能量管理对比

并网运行时，如表3所示，当使用能量管理方时，燃气轮机基本不发电，是因为燃气轮机的成本高于并网时向电网卖出的电价，其他分布式发电单元接近满发，并且优化上限的能量管理方法运行成本由于最大上限；若不使用能量管理方法，燃气轮机势必会发出功率，即使其他分布式发电单元满发，成本也为18.98和16.652，显然使用能量管理相当重要。

表3 并网运行时两种能量管理对比

这种能量管理对大电网和微网用户都是十分有利的。对于大电网而言，在需求高峰时，微网能够部分或者全部的满足其内部需求，并输送多余的电能给大电网，有助于减轻电网的阻塞，还缓和了高峰期间的电力供需矛盾。对于微网用户而言，使运行成本最低。

4 结束语

1）基于微网结构及其特点，本文建立了基于改进遗传算法的微网能量管理模型，提出一种基于储能元件荷电状态及电压百分比的约束矩阵模型。该模型的优点为：最大程度接近微网实际运行，可以对不同形式的发电系统进行统一建模，充分考虑分布式能源发电能力的动态变化，解决了储能单元涉及多时段的复杂规划问题，将储能智能管理、经济负荷分配、运行效益优化等问题转化成为单一优化问题进行求解，降低了算法的复杂度，是分布式能源系统更具可行性。

2）通过一个小型微网算例验证了所提模型和算法的有效性，说明了该模型能够实现微网在独立和并网两种模式下能量的最优控制并在算例中充分考虑到微网的特殊性，使其在保持对可再生能源充分利用的同时达到利润最大化。