基于GWO 的微电网能源调度管理研究*

王玉婷 李春华

（江苏科技大学电子信息学院 镇江 212003）

1 引言

随着能源危机的日益严重，风力发电、光伏发电等可再生分布式电源逐渐得到发展，微电网作为风能、光伏等可再生分布式电源的有效载体越来越受到人们的关注［1］。近年来，微电网可以利用风能和太阳能等可再生能源，因此越来越受欢迎。在孤岛型微电网中可以使用多种电源，例如光伏发电，风力发电，蓄电池储能系统和柴油发电机［2］。为了合理有效地利用各种能源，微电网能源调度要满足一定的约束和负荷需求，合理调度能源和储能装置，可以有效降低运行成本，提高环境效益［3］。微电网能量调度的目的是在满足所有负荷的正常需求的前提下合理分配每个单元的输出，从而获得最佳的经济效益［4～5］。文献［6］研究了并网可再生集成微电网系统的经济调度。文献［7］提出了一种基于混合预测的数据中断能量管理策略。文献［8］认为微电网环境/经济调度是一个复杂的多目标优化问题，并且降低了算法性能的特定要求。文献［9］研究了多微电网系统的多目标优化模型，该模型不仅可以最小化运营成本，而且可以减少排放。

这些文章大多数使用静态优化调度模型，旨在最小化微电网的运营成本。由于对微电网的经济最优调度的研究集中于系统建成后的运营经济性，因此大多数模型都没有考虑微电网的建设投资成本，因此通常忽略每个时段之间的相关性并独立地优化每个时段。由于最优系统设计的复杂性，传统的优化方法既不高效也不能准确［10］。基于人工智能的各种优化方法由于能够找到全局变量而比传统方法更精确。这些优化方法为遗传算法（GA），粒子群优化（PSO）［11］，模拟退火（SA）和灰狼优化算法（GWO）［12］。文献［13］使用GWO 来找到最佳的PV-DG-Battery 系统尺寸，以最小化系统的年度总成本。最近的研究表明，GWO 具有与其他优化方法竞争的优势。尽管在上述有关微电网系统最优调度的研究中已经做了很多工作，但是没有人结合GWO研究优化调度。

本文提出了一种结合动态优化调度和GWO的新方法，以实现最低的微电网系统运行成本和各种设备之间的协调控制。此外，将提出的GWO 与经典PSO进行了比较，证明了该方法对微电网系统动态优化调度的有效性。比较清楚地表明，GWO 的性能更好，在研究中具有非常快的收敛速度和平衡能力，从而可以避免局部最优。本文的案例研究以中国三亚地区为例，来分析本文所建模型和所提方法的有效性。

2 系统模型

2.1 风力发电模型

风力发电机的输出功率具体计算［14］公式如下：

常数a和b具体计算公式如下：

其中，a 和b分别代表风机输出功率的拟合系数，是风力发电机的额定功率。V 代表风机轮毂高度处的风速；vci，vco分别代表风机的切入、切出风速，风机在实际风速低于切入风速或高于切出风速时停止运转。

2.2 光伏发电模型

光伏阵列输出功率可以根据太阳辐射和温度计算，具体计算公式［15］如下：

其中，Ppv是光伏阵列的输出功率，Npv是光伏阵列的数量，Prate-pv是参考条件下的额定功率，S是太阳辐射强度，Sref为1000W/m2，Tref为25°C，Tc是光伏电池的温度。

2.3 蓄电池储能模型

除了每次都需要满足负载需求之外，光伏和风机的可用发电功率还影响着蓄电池的充电和放电状态。蓄电池储能的具体计算公式［15］如下：

2.4 柴油发电机模型

在这项研究中，柴油发动机被用作第二备用电源。每小时发电机的油耗（以L/hr 为单位）取决于其电力输出，输出功率如下［15］：

式中，Pde-rate和Pde分别代表柴油机的额定功率值和实际输出功率值，同时F0和F1代表柴油发电机的燃料-功率曲线的两个拟合系数，拟合系数由实际值的大小来决定。

3 优化调度策略

3.1 目标函数

本文将整个系统的运行成本作为微电网优化的目标。主要考虑风机、光伏发电、柴油发电机和储能系统的运行维护费用，电池储能系统的折旧费用和能量损失费用，以及柴油发电机运行引起的污染物治理费用：

式中，Cpol表示环境治理成本，经过分析，考虑到柴油发电机组对运行过程中排放的污染物有很多影响因素，包括柴油发电机组、运行条件、环境温度和柴油质量等。为了便于计算，本文将柴油发电机的主要有害气体设定为CO2，SO2和氮氧化物。

3.2 约束条件

1）系统功率平衡约束

式中，Ppv,t和Pwt,t分别代表风机和光伏发电设备的输出功率，Pl,t代表t 时刻的负载功率，Pde,t代表t时刻柴油发电机的输出功率。

2）柴油发电机输出功率约束

3）蓄电池储能约束

蓄电池储能系统的充放电功率约束：

式中，Pch,t代表蓄电池在t 时刻的充电功率；Pdis,t表示蓄电池在t时刻的放电功率。

蓄电池储能系统充电状态约束：

蓄电池储能系统的互斥约束：

4 灰狼优化算法（GWO）

灰狼优化算法（GWO）是格里菲斯大学学者Mirjalili 等于2014 年在澳大利亚提出的一种群体智能优化算法。该算法是由灰狼捕食者活动开发的一种优化搜索方法。它具有收敛性能强，参数少，易于实现的特点［16］。近年来，它受到了学者的广泛关注，并已成功应用于车间调度，参数优化，图像分类等领域。灰狼属于成群生活的犬类，位于食物链的顶端。灰狼严格遵守社会支配地位如图1所示。

图1 灰狼社会支配等级关系

GWO 优化过程包括灰狼的社会等级，跟踪，包围和攻击猎物的步骤，具体步骤如下：

1）社会支配等级

2）包围猎物

其中，t是当前迭代次数，A和C是协同系数；Xp表示猎物的位置矢量；X(t)代表当前灰狼的位置矢量；在整个迭代过程中，线性从2 减少到0；r1和r2是［0，1］中的随机向量。

3）狩猎

其中，Xα，Xβ，Xδ分别代表当前种群中α，β，δ的位置矢量；X代表灰狼的位置向量；Dα，Dβ，Dδ代表当前候选灰狼与最佳三只狼之间的距离。

4）攻击猎物

在构造攻击猎物模型的过程中，根据2）中的公式，A 值的减小将导致相应地波动。A 表示区间［-a，a］中的随机向量，在迭代过程中线性减小。

5 仿真及结果分析

5.1 算例研究及参数设置

三亚位于北回归线以南，属于热带季风气候，高温多雨。年平均气温为26.7℃。全年的日照时间为2534h，年平均降雨量为1347.5mm。微电网系统中的风机，光伏以及柴油发电机设备的基本参数以及所配置的单台蓄电池储能系统额定容量为光伏和风机总装机容量的50%，系统微电源的参数如表1 所示。对于柴油发电机运行时排放的污染物本文设置为CO2、NOx 和SO2。其对应的排放量和环境治理成本如表2所示。

表1 微电源运行参数

表2 污染物处理成本

5.2 优化结果与分析

根据本文对于微电网孤岛运行下所建立的目标函数制定的响应的调度策略，结合GWO 和PSO对微电网的算法响应做出对比，如图2 所示。从图2 可以看出，使用GWO 算法解决微电网的优化调度问题要比标准PSO算法更快，并且更容易获得优化结果以及没有出现局部最优的情况。

图2 GWO和PSO优化调度结果对比

图3 显示了在正常负载需求下每个时刻的风、光预测值和实际出力大小。从图中可以看出，当风能和太阳能资源充足，并且负荷需求不大时，风机和光伏的输出可以满足负荷需求，因此不需要启动柴油发电机。

图3 正常负荷需求下风机光伏出力情况

图4 负荷需求大时风机光伏、柴油发电机出力情况

当风能和太阳能发电不足以满足负荷需求时，因此有必要确定蓄电池是否可以放电给负荷供电，当蓄电池没有足够的功率为负荷供电时，则需要启动柴油机为负荷供电。当负载需求大时，系统总发电量最大，但总成本也最高，因此环境治理的成本将增加。但是由于所需电能的增加，可再生能源的利用率也达到了最高。

6 结语

本文基于优化问题的复杂性，提出了一种将GWO 和动态优化调度模型相结合的多目标混合优化方法。此外，一方面对GWO 和PSO 的优化能力进行了比较，另一方面将系统分为高、低负荷需求进行比较，以找到最佳的出力情况，研究结果表明在高负荷需求下启动柴油发电机组并使用蓄电池作为存储装置，在经济和环境方面具有可行性，可以更好地发挥削峰填谷的作用，从而降低系统的总成本，提高可再生能源的利用率。