考虑环境效益的微电网经济功率优化

卢恒光 范欣辰

考虑环境效益的微电网经济功率优化

卢恒光1范欣辰2

（1. 福建华电万安能源有限公司，福建 龙岩 361000； 2. 福州大学电气工程与自动化学院，福州 350000）

微电网是一类能将分布式电源很好地接入大电网的系统，它能实现能源的高效率利用。本文分别以经济效益、环境效益、综合效益为目标，研究微电网在脱离大电网系统情况下的分布式电源出力优化问题，并分析储能系统接入对微电网运行经济性产生的影响。通过引入线性递减惯性权重和异步学习因子改进传统粒子群算法，搭建水、光、柴、储微电网模型并进行解算，分析微电网在储能接入前后，不同经济目标下各分布式电源的出力变化，最后以福建某水电站典型日负荷为研究数据，验证了模型及算法的合理性和有效性。

微电网；电力优化；储能；粒子群算法（PSO）

0 引言

微电网系统是一种以分布式交直流电源和负荷作为主要构成部分的小型发配电系统，通常也包含由储能设备、电力电子设备构成的调控系统[1]。由于包含发电设备和储能设备，微电网系统具有工作方式灵活多样的特性，其有孤岛、并网两个不同类别的运行方式[2]。在不受大电网系统影响的孤岛运行模式下，微电网的结构类似于一个大电网，每一个分布式电源所发出的电能通过交流母线后，再通过和交流母线相连的配电网支路供给负荷。在这种工作状态下，潮流交换不会在大系统和小系统之间发生，因此在精确控制各电源出力的前提下，应另增设储能设备，以减轻分布式电源不确定性对用户造成的不利影响[3]。

绝大部分的新型分布式电源在输出功率时受外界条件影响大，存在不确定性，甚至是反负荷调节特性，若使这些分布式电源直接接入配电网，则会对电网的运行造成冲击，微电网是解决这一问题的最优手段[4-5]。与传统大电网采用等耗量微增率原则进行电源出力分配计算不同，微电网的出力计算属于多目标非线性问题[6]。现有研究采用各类人工智能算法[7-8]来求解此类问题，但算法存在收敛速度较慢、容易陷入局部最优等弊端。为了确保负荷供电，且使运行中的综合成本最小，本文引入改进的智能优化算法来求解包含分布式电源的微电网模型。

本文研究的微电网模型中主要考虑三类分布式电源，即光伏、水电和柴油发电机，在此基础上分析比较增加储能装置参与供电前后的情况。

1 微电网优化调度模型

1.1 分布式电源特性

1）光伏发电具备安全、清洁、分布丰富等特点，其输入和输出功率模型可以由不同光照强度下的概率密度函数推导得到，计算公式[9]可近似为

2）我国水资源储量巨大，作为一种发展较为成熟的零污染发电形式，水力发电得到比较广泛的应用。本文水轮机组发电出力计算公式[10]为

3）柴油发电机是一种成熟的分布式电源，它运行稳定，但在发电过程中会产生一定环境污染。本文中柴油发电机的发电成本可表示为[11]

4）储能装置在负荷高峰释放电能，负荷低谷消纳多余电能，保证微电网的电能质量[12]。储能装置将无法储存的电能转变为其他易于储存的能量。当微电网故障时，储能装置起到备用电源的作用。

1.2 约束条件

1）分布式电源出力约束

为了使各个电源能够正常运行，分布式电源的出力大小都应满足一定范围，即

2）储能装置出力约束

本文用常见的蓄电池来代表该微电网模型中的储能单元。蓄电池寿命和荷电状态与其充放电功率相关，因此将储能装置出力约束表示为

3）系统运行功率平衡约束

功率平衡等式约束体现为每个时段的各分布式电源出力之和与微电网负荷相等，即

1.3 目标函数

1）目标一：孤岛运行模式下的微电网系统的经济效益最高，即运行维护成本最低。

2）目标二：孤岛运行模式下的微电网系统的环境效益最高，即污染物治理成本最低。

3）目标三：孤岛运行模式下的微电网系统的综合效益最高，即同时考虑运维成本与治污成本的综合成本最低。

综合以上目标，得到目标函数为

2 改进粒子群算法

自粒子群算法提出以来，解决了许多电气自动化领域的优化调度问题[13]，其易于编写、求解特性好的特质[14]得到了研究者们的高度重视，并被广泛应用于各种解决方案的优化问题，收敛速度慢、易陷入局部最优解是粒子群算法的弊端。在用于该算法求解过程的各类参数中，惯性权重和学习因子对算法的求解速度、求解精度影响最大。研究人员针对这两个参数对算法从原理上进行了优化。本文引入线性递减惯性权重和异步学习因子对原始算法进行改进。

当前很多跨境电商人才是由社会培训机构提供的。这些培训机构商业嗅觉灵敏，针对企业和市场的需要，积极开展了跨境电商人才培训。但这种现象是不正常的，行业人才的培养不能只依赖社会力量，而应该由高校来做人才培养的主力。

大惯性权重利于全局搜索，小惯性权重利于局部搜索，权重的线性递减公式为

式中：w为权重；max为最大值，取0.9；min为最小值，取0.4；和分别为当前迭代次数、最大迭代次数。

异步学习因子的改进优化了传统算法在粒子迭加换代时的粒子运动速度大小和变化方向，增强了收敛能力。

式中，1、2分别为搜索范围和搜索速度的学习因子，其始末值分别取为1,start=2.5,1,end=0.52,start=2.5,2,end=0.5。

粒子群初始位置为随机初始化产生，需要经过多次迭代，才能最终得到可行解，甚至找不到可行解。在研究人员实际采用粒子群算法处理等式约束条件时，将不满足约束条件的粒子的适应度函数值替换为某个极大的值，并最终“惩罚”该粒子使之不能成为计算中的最优解[15]。本文引入罚函数，计算各分布式电源出力总和偏离用电负荷的程度，将这部分值放大且并入目标函数计算式中，得到新的目标函数为

以目标二为目标函数，对某一典型日负荷的微电网进行计算：改进粒子群算法种群规模取1 000，最大迭代次数取200。根据式（9）更新惯性权重，根据式（11）计算粒子的适应度、对粒子进行评价，更新个体极值与全局极值、各粒子的速度与位置，最终将变异后的粒子与终止条件进行比较，确定算法是否收敛，如此循环，直到输出群体极值和全局最优解。改进前后的粒子群算法迭代过程中，某一时段全局最优值收敛特性曲线如图1所示，由图1可见，改进算法能在实际算例中更快地收敛到全局最优解。

图1 全局最优值收敛特性曲线

在编程测试中，观察到改进粒子群算法的求解过程相比原始粒子群算法在精度和收敛速度上得到很大提高，因此本文引入的改进粒子群算法在解算含多重约束条件的微电网优化中会获得更优的求解性能。

3 算例分析

3.1 算例参数

图2 微电网系统模型

图3 分布式电源24h最大出力预测数据

3.2 结果与讨论

本文以上述简化微电网模型为算例，采用MatlabR2018b编程，对所建分布式电源模型和优化算法性能进行验证。

图4 典型日负荷的24h功率预测数据

表1 分布式发电费用

1）不同目标函数优化结果

分别对同一典型日、三种目标（经济效益最高、环境效益最高、综合效益最高）下的微电网模型进行出力优化计算，得到同一典型日不同目标的优化结果如图5所示，总成本见表2。

当以微电网经济效益为优化目标时，由于柴油发电机工业成熟，其运维成本较低，总成本相对于以微电网的环境效益为优化目标时略低，但其二氧化碳排放量为目标二的161.40%，给环境治理带来压力。以环境效益最佳为优化目标时，会优先考虑光伏、水力发电、储能装置出力，一方面降低燃料成本，另一方面大大降低二氧化碳排放量，但由于新能源发电尚在发展中，因此建设与运维成本相对柴油发电单元更高。当经济效益与环境效益同时都被纳入考虑范围时，燃料成本、运维成本和二氧化碳排放量介于两个单目标优化之间，达到一个平衡值，且总成本是三者中最低的，可见综合考虑经济效益与环境效益进行优化是最优选择。

表2 同一典型日不同目标的总成本

2）不同微电网结构优化结果

设置装机容量为6MW∙h、最大输出功率为3MW/h的储能单元，以环境效益最佳为目标函数，对储能单元接入前后的微电网模型进行出力优化计算，得到各分布式电源出力如图6所示，总成本见表3。

表3 储能接入前后的总成本

由上述结果对比可以得出，在接入储能单元后，微电网系统的二氧化碳排放量减小至原来的45.97%，而总成本仅增长4.27%，可见配有储能系统的微电网系统环境效益更高，而经济效益并未受太大影响。

4 结论

本文以考虑环境效益的微电网的经济功率优化为研究对象，选取三个目标函数，以福建山区某地区包含光伏发电、水力发电、柴油发电、储能装置的微电网为算例，用改进粒子群算法求解。从仿真结果可知，所建模型合理、算法可行，恰当的结构选择和目标优化可使微电网更具经济性和合理性。此外，本文在以下方面仍需进一步研究：

1）在进行出力优化时，本文采取时间间隔为1h，而实际负荷实时变化。若想使优化效果更接近实际系统，时间间隔需要进一步缩短。

2）若想构架一个泛化能力强的优化方案，还要考虑本文模型尚未计及的风力发电及其他不断发展、应用广泛的新能源发电方式。

3）在考虑微电网出力优化时，除了本文已考虑的出力约束、容量约束及功率平衡约束，还需考虑如电源的起停机时间约束等更加具体的约束。

[1] 杨新法, 苏剑, 吕志鹏, 等. 微电网技术综述[J]. 中国电机工程学报, 2014, 34(1):57-70.

[2] 徐林, 阮新波, 张步涵, 等. 风光蓄互补发电系统容量的改进优化配置方法[J]. 中国电机工程学报, 2012, 32(25): 88-98, 14.

[3] 白桦, 王正用, 李晨, 等. 面向电网侧、新能源侧及用户侧的储能容量配置方法研究[J]. 电气技术, 2021, 22(1): 8-13.

[4] 沈鑫, 曹敏. 分布式电源并网对于配电网的影响研究[J]. 电工技术学报, 2015, 30(增刊1): 346-351.

[5] 姜云鹏, 任洲洋, 李秋燕, 等. 考虑多灵活性资源协调调度的配电网新能源消纳策略[J]. 电工技术学报, 2022, 37(7): 1820-1835.

[6] 万玉建, 蒋成杰, 陆华军. 一种微电网并转孤模式切换时功率平衡计算方法[J]. 电气技术, 2015, 16(11): 40-43.

[7] 解玖霞. 基于粒子群算法的主动配电网经济优化调度[J]. 电气技术, 2017, 18(9): 15-18.

[8] 姜雲腾, 李萍. 基于改进粒子群神经网络短期负荷预测[J]. 电气技术, 2018, 19(2): 87-91.

[9] 李锐, 李鹏. 基于改进人工鱼群算法的冷热电联产微网经济优化运行[J]. 电气技术, 2014, 15(6): 63-68.

[10] 张文杰, 吴杰康, 赵俊浩, 等. 考虑源-荷不确定性的水风柴微电网优化配置[J]. 电力工程技术, 2020, 39(2): 117-126.

[11] 邵志芳, 赵强, 张玉琼. 独立型微电网源荷协调配置优化[J]. 电网技术, 2021, 45(10): 3935-3946.

[12] 李锐, 李鹏. 储能系统在孤岛微网中应用[J]. 电气技术, 2014, 15(6): 15-18.

[13] 陈婷. 智能算法在含分布式电源配电网故障定位中的应用综述[J]. 电气技术, 2020, 21(9): 1-6.

[14] POLI R, KENNEDY J, BLACKWELL T. Particle swarm optimization[J]. Swarm Intelligence, 2007, 1(1): 33-57.

[15] 金义雄, 程浩忠, 严健勇, 等. 改进粒子群算法及其在输电网规划中的应用[J]. 中国电机工程学报, 2005, 25(4): 48-52, 72.

Economic power optimization of microgrid considering environmental benefits

LU Hengguang1FAN Xinchen2

(1.Fujian Huadian Wan’an Energy Co., Ltd, Longyan, Fujian 361000; 2. College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350000))

Microgrid is a kind of system that can connect distributed generation to large power grid, which realizes the efficient utilization of energy. Aiming at economic benefit, environmental benefit and comprehensive benefit, the output optimization of distributed generation in the case of microgrid separated from large grid system is studied. Impact of energy storage system access on microgrid operation is analyzed. By introducing linear decreasing inertia weight and asynchronous learning factor, the traditional particle swarm optimization (PSO) algorithm is improved, and the water, light, diesel and storage microgrid model is built for calculation. The output changes of distributed generators under different economic objectives before and after connection of energy storage to the microgrid are analyzed. The typical daily load of a hydropower station in Fujian is taken as the research data, and the rationality and effectiveness of the model and algorithm are verified.

microgrid; power optimization; energy storage; particle swarm optimization (PSO)

2022-07-12

2022-08-01

卢恒光（1969—），硕士，高级工程师，研究方向为水电运行管理。