基于自适应ASO算法的微电网优化调度

李冬玉，娄 柯，尹 杰，巩冠华

（安徽工程大学 电气工程学院,安徽 芜湖 241000）

近年来,化石燃料过度使用,导致环境与能源问题愈发严峻［1］。在此背景下,可再生能源发电如风力发电和光伏发电等备受青睐,包含多种分布式能源设备的微电网系统得到了快速发展［2］。随着环境恶化与能源科技的进步,人们对微电网的经济环保性有了更高的要求。因此,研究一种算法来提高微电网的经济环保性是很有必要的。

微电网优化调度问题,一直是国内外学者研究的热点。目前,微电网优化的主要算法有粒子群优化（PSO）算法［3-5］、遗传优化（GA）算法［6］和模拟退火（SA）算法［7］。PSO 算法易于实现且收敛速度快,但此算法受初始值影响大,可能会导致算法陷入局部最优解,无法找到全局最优解。GA算法具有很强的全局寻优能力,可以有效避免算法陷入局部最优解,但算法收敛速度慢,计算成本高。SA 算法具有很好的鲁棒性,可以处理更高维度的寻优问题,但其过于依赖超参数的选择,容易陷入局部最优解。

综上所述,针对目前主流微电网优化算法的种种缺陷。本文采用鲁棒性强的原子搜索优化算法作为理论基础,并引入自适应思想,加强了算法的收敛性与全局寻优能力。最后,通过在孤岛和并网运行模式下的对比算例仿真,证明了该算法在微电网优化调度上的有效性和优越性。

1 微电网系统

本文的微电网系统由光伏发电（PV）、风力发电（WT）、燃料电池（FC）、微型燃气轮（MT）和蓄电池模块（BT）构成,如图1所示。

图1 微电网结构图

1.1 光伏发电

光伏发电的功率主要取决于太阳辐射和环境温度,其发电功率预测公式PPV和维护成本公式CPV如下所示［8］：

式中,PSTC、TSTC、ISTC分别为标准测试下的光伏发电功率、电池板温度和光照强度；IT、T分别为在t时刻下的光照强度和电池板温度；λt为温度系数；KPV,i为第i台光伏微电源的维护系数。

1.2 风力发电机

风速的大小直接决定风力发电设备的发电功率,其发电功率PWT和维护成本CWT如下所示［9］：

式中,Prwt为t时刻风力发电的额定功率,v、vci、vco、vr分别为风力发电设备的实时风速、切入风速、切出风速和额定风速；KWT,i为风力微电源的维护系数。

1.3 微型燃气轮机

微型燃气轮机通过燃烧燃料来输出电能,其发电成本包括维护成本和燃料费用。微型燃气轮机的发电效率ηMT和发电成本CMT公式［10］为：

式中,PMT为t 时刻下微型燃气轮的发电功率；LHV 为天然气低热值；Ci为第i 个微型燃气轮设备的燃料单价；KMT,i为微型燃气轮设备的维护系数。

1.4 燃料电池

燃料电池在微电网中的发电成本CFC同样包括维护成本和燃料费用［11］：

式中,PFC、ηFC分别为t时刻下燃料电池的输出效率和发电效率；KFC,i为燃料电池维护系数。

1.5 蓄电池

蓄电池在微电网中应用最为广泛,其荷电状态SOC和维护成本CBT［12］为：

式中,Pch、Pdis、ηch、ηdis分别为t 时刻下的充电功率、放电功率、充电效率和放电效率；KBT,i为蓄电池的维护系数。

2 微电网多目标优化模型

2.1 目标函数

微电网优化策略的主要思想是在满足用电负荷需求的前提下,合理分配微电网的分布式能源,以实现经济效益最大化、环境污染最小化。本文的优化调度策略的目标函数F由两部分组成,分别是经济成本函数F1和环保成本函数F2：

2.1.1 经济性

为了实现微电网运行经济最优化,本研究考虑的经济成本主要包括发电成本（维护成本和燃料费用）、设备折旧成本以及与外部电网的交互成本,如式（11）所示。

式中,CMC、CDE、Cgrid分别为微电网的发电成本、折旧成本以及与外部电网的交互成本。

1）发电成本

2）折旧成本

式中,α为折现率；n 为投资偿还期；Ci为第i个微电源的安装成本；fi为第i 台微电源的容量因数。

3）与外部电网交互成本

式中,Pb、Ps、xb、xs分别为t时刻的购电效率、售电效率、购电单价和售电单价；Cb、Cs分别是t 时刻的购电和售电成本。

2.1.2 环保性

微型燃气轮机和燃料电池作为微电网的发电单元,其在发电过程中不可避免地会产生污染气体,主要成分为一氧化碳（CO）、二氧化碳（CO2）、二氧化硫（SO2）和氮氧化合物（NOx）。因此,微电网的环境保护成本主要为治理微电网系统产生污染气体的成本,其公式为：

式中,K1、K2、K3、K4分别为CO、CO2、SO2和NOx的治理费用；E1、E2、E3、E4分别为t时刻CO、CO2、SO2和NOx的排放量。

2.2 约束条件

1）功率平衡约束

式中,PL、Pgrid分别为t 时刻微电网用电负荷和与外部电网的交互功率。

2）分布式电源输出功率约束

式中,Pi、分别为各分布式电源的输出功率、最大和最小输出功率。

3）与外部电网的交互功率约束

3 自适应原子搜索算法

3.1 原子搜索算法

原子搜索优化算法由Zhao［13］于2018年提出的一种新颖智能算法,通过原子之间的相互作用力和约束力,促使原子探索系统空间解决优化问题。ASO 算法易实现、寻优能力强、鲁棒性好,因此被广泛使用。本文以ASO 算法作为理论基础,引入自适应思想来加强算法的全局寻优能力,以及收敛速度和精度。

ASO算法具体如下：

根据牛顿第二定律,计算第n 个原子的加速度：

式中,Fn、Gn、mn分别为原子n 的作用力、约束力和原子质量；T、t分别为最大迭代次数和当前迭代次数；randi为［0,1］的随机数；λ,ξ为深度权重和系数因子；Kbest为对原子n产生作用力的所有原子；hni为原子n与原子i之间的距离。

Kbest、hni的定义为：

式中,N 为原子总数,φ为原子的长度,rni为原子n与原子i之间的欧几里得距离。

原子质量mn的定义如下：

式中：fn（t）为原子n 的适应值,fmax（t）、fmin（t）分别为原子的最大适应值和最小适应值。

每次迭代都会通过更新加速度来对原子的速度和位置进行更新,如下所示：

ASO算法的伪代码如图2所示：

图2 ASO算法伪代码

3.2 自适应调节

ASO 算法在每次迭代中,最优原子会施加给相邻原子一个共价键约束力Gn,表示当前原子和最优原子之间的位置差值,这种约束增强了最优信息在原子之间的传播,从而提高了算法全局寻优的性能。为进一步加强最优信息在原子种群中的影响,本文引入历史原子最优信息Pn,来更新原子的加速度,以此提高算法的优化性能。

历史原子最优信息Pn和更新之后的原子加速度an,如下所示：

式中,xp为原子n的历史最优距离,μ为历史系数因子。

式中的μ和ξ为算法中的超参数,分别代表当前最优原子信息和历史原子最优信息的置信度。如果μ值远大于ξ,则表示算法更相信当前最优原子信息,而忽略历史最优原子信息,会降低算法的收敛速度；如果ξ值远大于μ,则表示算法更相信历史最优原子信息,而忽略当前最优原子信息,会降低算法的寻优能力。因此,超参数的选取很大程度上影响着算法的收敛速度和精度,为了避免两种超参数在迭代过程中出现上述现象,而导致算法的寻优能力下降。本文引入自适应的改进思想,避免两种超参数在更新中产生突变的情况,以此平衡历史最优解和当前最优解的置信度问题,两种超参数的更新公式如下：

式中,t为当前迭代次数；T为最大迭代次数。

4 算例结果分析

4.1 算例参数

为了验证本文提出的自适应ASO 算法,在微电网优化调度中的可行性,以图1所述的微电网作为优化算法的研究对象,在时长为24 h 的条件下进行研究。微电网中各分布式发电单元的参数如表1 所示,表2 为污染物的治理成本和排放系数,图3 为某地24 h 的光伏出力、风机出力和电负荷功率曲线。

表1 分布式发电单元参数

表2 污染物治理成本和排放系数

图3 电负荷、光伏、风机功率曲线

4.2 算例结果分析

本文设定原子数目N=100、深度权重λ=50,来避免AASO 算法陷入局部最优解；系数因子ξ=0.45、历史系数因子μ=0.55,来平衡当前最优解和历史最优解的置信度问题,以此提高算法收敛速度和精度,并在最大迭代次数T=160的条件下进行算例仿真。为了证明AASO 算法在微电网优化上的可行性,文中分别在孤岛和并网模式下的微电网系统进行算例求解,并与经典PSO 算法进行对比分析。

4.2.1 孤岛模式下算例结果分析

孤岛运行模式指微电网系统与外部电网系统分离,自主独立运行的一种模式。图4为AASO算法优化的各发电单元功率曲线,图5为两种算法的运行成本对比。

图4 孤岛模式下各发电单元功率曲线

图5 孤岛模式下微电网运行成本对比曲线

在孤岛运行模式下,微电网系统需要根据自身的负载需求和可用资源来管理电力的生产、消耗和储存,以确保能够满足其内部负载需求并保持稳定运行。由图4 可知孤岛模式下的各分布式发电单元的发电功率,会根据用电需求的变化不断地做出调整。图4表明光伏、风机的发电功率不能达到用电需求时,燃料电池、微型燃气轮机和蓄电池将进行发电；当发电功率满足用电需求时,多余的电量就会向蓄电池进行充电,以备不时之需。由图5 可知AASO 算法迭代16 次就找到了最优值,而PSO 算法需要迭代38 次,AASO 算法优化下的微电网运行成本低于PSO算法10.22%。

4.2.2 并网模式下算例结果分析

并网模式下的微电网系统可以与外部电网连接,以便在需要时购买或出售额外电力,来保持用电负荷的平衡。图4、图5 分别为并网运行模式下AASO算法优化的各发电单元功率曲线,以及两种算法的运行成本对比曲线。

根据图6中的算法优化结果可知,在0～7时段用电负荷较少,此时段电价便宜,主要由外部电网以及燃料电池提供电量,微型燃气轮机发电成本较高不进行发电,多余的电量向蓄电池充电；在7～17时段用电负荷上升,此时段电价较高,微型燃气轮机、燃料电池和蓄电池开始工作,并把多余的电量出售给外部电网。在17～24时段,此时段微型燃气轮机发电成本大于购电成本,主要供电方式为燃料电池和外部电网,并根据用电需求来调整购电策略。由图7 可知,AASO 算法和PSO 算法的迭代次数和运行成本分别为22 次、43 次和1 882.74元、2 103.36元,AASO算法优化下的微电网运行成本低于PSO算法10.49%。

图6 并网模式下各发电单元功率曲线

图7 并网模式下微电网运行成本对比曲线

通过两种模式下的算例仿真结果可知,本文提出的自适应原子搜索优化（AASO）算法的收敛速度和优化能力,均强于经典PSO算法,可以有效降低微电网的运行成本,提高微电网运行的经济性和环保性。

5 结论

本文针对微电网优化调度的问题,提出了一种新颖的自适应原子搜索优化算法。首先根据各分布式电源的工作特性,建立了兼顾微电网运行经济性和环保性的优化调度模型。其次,以原子搜索优化算法为理论基础,引入自适应的思想来加强算法的寻优收敛能力。最后,通过在孤岛和并网模式下的算例仿真,验证了本文提出的AASO算法在微电网优化调度上的可行性与优越性,有效地提高了微电网运行的经济环保性。