基于改进小生境PSO算法的主动配电网中分布式电源优化调度

曾耀辉

（湖南工业大学电气与信息工程学院，湖南株洲 412007）

0 引言

随着新能源发电技术的成熟，大量可再生分布式电源（Distributed Generator，DG）接入配电网，特别是风电、光伏等分布式电源大量接入配电网，给配电网稳定调度带来了一定的风险。为了解决这一问题，高效、经济、灵活的主动配电网（Active Distribution Network，ADN）应运而生。

由于ADN运行成本相对较高，对主动配电网中各类分布式可调度资源进行合理的优化调度以提高主动配电网运行的经济性和可靠性[1-3]，成为当今研究的热点。

在配网端加入储能电池能够提高配网端对可再生能源的优化调度水平，最大化利用可再生能源，实现主动配电网运行的经济性。

1 考虑分布式储能的主动配电网综合优化调度模型

在一个调度周期内（一个调度周期共有24个调度点），本文以主动配电网总运行成本最低作为优化调度目标，构建了主动配电网综合优化调度模型。

1.1 目标函数

系统运行成本包括配电网购电成本CF（t）、环境污染成本CEN（t）、微燃气轮机发电成本CtMT（t），系统总运行成本的目标函数为：

式中：ct为t时刻电网的购电价格；Pgrid（t）为电网购电电量；PPV（t）为t时刻光伏出力值；PWT（t）为t时刻风电出力值；PMT（t）为微燃气轮机有功出力值；KMT为微燃气轮机发出单位电量的温室气体排放系数；Kgrid为配电网单位功率下二氧化碳的排放系数；ω为环境综合治理费用系数；ctMT为微燃气轮机发电单位成本；PtMT为微燃气轮机总发电量。

1.2 综合优化调度模型约束条件

1.2.1 功率平衡约束

式中：PPVt为光伏在t时段的有功出力预测值；PWTt为风电在t时段的有功出力预测值；PMTt为微燃气轮机在t时段的出力值；PESt为t时刻储能电池功率，当PESt＞0时，储能电池为放电状态，当PESt＜0时，储能电池为充电状态；PDt为t时刻的用户负荷大小。

1.2.2 微燃气轮机和主网约束

式中：PMT-min、PMT-max分别为微燃气轮机最小、最大出力限值；PtMT为微燃气轮机t时刻的出力值；PMT-R为微燃气轮机的爬坡率限值；Pgrid-min、Pgrid-max分别为配网的最小、最大出力限值；Ptgrid为电网t时刻的出力值。

1.2.3 储能电池运行约束

式中：PtES为t时刻储能电池的功率；PESmin、PESmax分别为储能电池的最小、最大充放电功率；EtES为t时刻储能电池的容量；EESmin、EESmax分别为储能电池的最小、最大容量。

2 模型求解

主动配电网综合优化调度模型是具有多目标、多变量、多约束、高维度等特点的多变量非线性优化模型，因此，本文提出了一种改进的小生境粒子群优化算法，前期能避免粒子陷入局部极值，加强对全局极值的搜索，在后期能加强对局部极值的搜索，使其更快地收敛到最优解。

2.1 粒子群算法

传统粒子群算法通过追踪两个极值来更新自身位置，一个为个体极值（Pbest），另一个为全局极值（Gbest）。粒子群算法的更新公式如下所示：

式中：ω为惯性权重；Vkid为第i个粒子在第k次搜寻时的速度和方向（d=1，2，…，D）；Xkid为第i个粒子在第k次搜寻时的位置；Pbest为个体最优极值；Gbest为全局最优极值；C1、C2分别为粒子自我学习能力和社会学习能力，即为大于零的加速系数；r1、r2为[0，1]均匀分布的随机数。

2.2 改进的小生境粒子群算法

2.2.1 小生境技术

首先，根据粒子之间的欧氏距离来区分各粒子所属的小生境群体[4]，随后用粒子迭代公式来更新，只在该小生境中才能起作用。第二，利用基于粒子间距离的共享机制来更新粒子的适应度值，对于适应度值最低的粒子，利用罚函数惩罚，保留每个小生境中的最优粒子。

2.2.2 改进的基本粒子群算法

本文提出了一种非线性递减惯性权重的优化方法，即：

式中：ωstart为起始惯性权重值；ωend为结束惯性权重值；k为调节系数；t为算法当前迭代次数；tmax为最大迭代次数。

当k=1，t=0时，为起始值。k取值不同，算法收敛效果不同，当k值较大时，算法在搜寻初期ω值较小，这使算法在初期容易陷入局部极值；然而当k取值较小时，ω在算法初期较大，其全局极值搜寻能力强，能在更大的可行解空间中搜寻，增加算法找到全局最优解的概率。随着算法迭代次数增加，ω呈非线性递减，算法迭代后期局部搜寻能力较强，这使得算法在后期能以更快的速度收敛到全局最优解。

将小生境技术引入到基本粒子群算法中，提出改进的小生境粒子群算法。首先，根据粒子间的距离对小生境种群进行划分，对于粒子Xi=（xi1，xi2，…，xim），i=1，2，…，N，小生境群体是通过计算粒子与其他粒子之间的范数来确定的[5]。

对于给定参数σ0（σ0为预设阈值），若dik＜σ0，k=1，2，…，N，则该粒子进入到该小生境群体Xpi中。

3 模型描述及结果分析

3.1 模型描述

本文相关参数取值如下：粒子种群规模为100，算法迭代次数为200，C1、C2取值都为2，ωstart取0.8，ωend取0.5，t取0.5，小生境半径σ0取3。DG具体参数如表1所示，配网侧相关参数如表2所示。

表1 DG具体参数

表2 配电网相关数据

图1和图2分别为某地区夏季典型日和冬季典型日的光伏、风电发电预测出力曲线和用户负荷曲线。设置峰时段为09：00—12：00，14：00—19：00；谷时段为22：00—次日06：00；平时段为06：00—09：00，12：00—14：00，19：00—22：00。

图1 夏季典型日负荷曲线

图2 冬季典型日负荷曲线

3.2 结果分析

图3、图4分别为用基本粒子群优化算法和改进的小生境粒子群优化算法求解所得到的配电网运行成本函数进化曲线，结果表明，改进的小生境粒子群算法收敛效率更快，更能收敛到全局最优解。

图3 粒子群优化进化曲线

图4 改进的小生境粒子群优化进化曲线

由表3可以得出，用粒子群算法得到夏季和冬季典型日主动配电网运行成本分别为25 113.86元和29 672.51元，用改进的小生境粒子群算法得到运行成本分别为23 245.60元和26 469.65元。采用改进的小生境粒子群算法得到的成本分别下降了7.44%和10.79%。

表3 主动配电网运行成本对比

4 结论

本文以主动配电网运行成本最低为优化目标，构建了包含分布式储能的源-网-储的主动配电网综合优化调度模型，并采用经过改进的小生境粒子群算法对该主动配电网调度模型进行优化求解，结果表明，改进后的小生境粒子群算法比传统的粒子群算法搜寻效率更高，全局极值搜寻能力更强。