考虑双重目标的微电网优化调度

朱 辉， 吕红芳

(上海电机学院 电气学院， 上海 201306)

为了解决分布式发电技术运用于大电网的弊端，微电网技术应运而生[1]。微电网的优化调度解决的主要问题是在满足能量供需平衡以及系统的约束条件的情况下，为了尽可能达到微电网系统的经济效益、环境效益等既定目标，协调各时间段分布式电源的出力、储能系统的充放电以及微电网与大电网的能量互动。文献[2]采用一种基于最小极大准则的鲁棒多目标优化的新型能源生产调度方法。文献[3]提出了一种基于改进双向拍卖的多微电网能量协调优化调度模型。文献[4]提出了一种新的市场机制来量化基于可再生能源的多微电网系统中的应急能源交易的价值。文献[5]提出了一种混合整数线性规划算法，并将其用到微电网的优化调度中。

本文从经济性和环保性出发，建立了并网型多微电网的双重目标优化模型，采用改进的多目标遗传算法求解，在满足约束条件的前提下实现并网型多微电网的多目标优化调度。

1 微源模型

将光伏发电、风力发电、柴油发电机、微型燃气轮机以及储能装置作为微源，分别建立数学模型。

1.1 光伏发电

光伏发电系统的输出功率为

(1)

式中：PSTC为标准测试条件下光伏发电系统的最大测试功率；GSTC为标准测试条件下的光照强度；k为功率温度系数；Tc为光伏电池的温度；Tr为参考温度；GT为实际光照强度。

1.2 风力发电

风机的输出功率为

(2)

式中：vw为实际风速；vci为切入风速；vco为切出风速；vr为额定风速；Pr为风力发电系统的额定输出功率；b1为风机输出功率的一个参数。

1.3 柴油发电机

柴油发电机的发电成本通常用二次多项式表示[6]，即

(3)

式中：PDE,t为柴油发电机在t时刻的输出功率；UDE,t为柴油发电机在t时刻的工作状态，1为处于工作状态，0为不处于工作状态；a、b、c为柴油发电机燃料的消耗系数。

1.4 微型燃气轮机

微型燃气轮机的输出功率与进入的燃料量呈正比关系[7]，其发电成本为

(4)

式中：ηMT,t为微型燃气轮机的发电效率；Cf为单位体积的天然气费用；LHV为天然气低热热值；PMT,t为微型燃气轮机在t时刻的输出功率。

1.5 储能装置

本文选择蓄电池作为储能装置。蓄电池的放电过程与充电过程中剩余容量描述如下：

CSOC,t=CSOC,t-1-PES,t/ηdch-D·CES

(5)

CSOC,t=CSOC,t-1-PES,t/ηch-D·CES

(6)

QSOCt=CSOC,t/CES

(7)

式中：CSOC,t为t时刻储能装置的剩余容量；PES,t为t时刻储能装置的充放电功率；D为储能装置每小时的自放电比例；CES为储能装置的总容量；ηch为储能装置的充电效率；ηdch为储能装置的放电效率；QSOCt为t时刻储能装置的荷电状态。

2 优化调度模型

2.1 目标函数

(1) 经济目标：微电网运行成本最低[8]。总运行成本为

f1=min(fDE+fMT+fm+fs+fbuy-fsell)

(8)

式中：fm为各个微源的运行维护成本；fs为可控微源的启停成本；fbuy为多微电网系统向大电网以及各微电网之间的购电费用；fsell为多微电网系统向大电网以及各微电网之间的售电费用。其中：

(9)

fs=KDEnDE+KMTnMT

(10)

(11)

(12)

(2) 环保目标：微电网污染气体排放量最小。总污染气体排放量如下：

(13)

式中：Gj,k为第j种微源中第k种污染气体的排放系数；Gbuy,k为向大电网购电时第k种污染气体的排放系数。

2.2 约束条件

多微电网系统运行的经济目标与环保目标对应的约束条件是一致的，约束条件有以下7个：

(1) 有功功率平衡约束

(14)

式中：nu为用户数量；Pdem,i,j,t为微电网i中用户j在t时刻的用电需求。

(2) 微源出力上下限约束

(15)

(3) 各微电网与大电网之间联络线传输容量约束

(16)

(4) 发电机功率爬坡约束

(17)

(5) 各储能装置的能量约束

(18)

(19)

(6) 各储能装置充放电约束

(20)

(7) 微电网之间能量互动约束

(21)

(22)

3 改进的多目标遗传算法

二代非支配排序遗传算法(Nondominated Sorting Genetic Algorithm Ⅱ, NSGA-Ⅱ)是Deb等[9]在非支配排序遗传算法(Nondominated Sor-ting Genetic Algorithm, NSGA)的基础上提出的，在解决多目标优化问题方面具有一定的优势[10]。NSGA-Ⅱ算法存在收敛性及分布均匀性不足等问题，为了改善这一问题，对遗传操作的交叉算子和变异算子进行一定的优化。

3.1 交叉算子的改进

传统NSGA-Ⅱ采用模拟二进制交叉(Simu-lated Binary Crossover, SBX)算子，在实际操作过程中，参数的取值具有主观性和随机性[11-12]。正态分布是日常运用最多的随机变量分布，相比于SBX，正态分布交叉(Normal Distribution Cros-sover, NDX)算子搜索范围更广、不易陷入局部最优，且更容易获得分布更加均匀、质量更优的Pareto解集[13]，即

(23)

(24)

式中：|N(0,1)|为正态分布随机变量；u为在(0,1)上的随机数；x1i、x2i分别为两个子代染色体上对应的变量；p1i、p2i分别为两个父代染色体上对应的变量。

3.2 变异算子的改进

自适应变异算子的变异概率随着适应度大小而改变，保留适应度较好的个体，具有更好的寻优能力，而且提高了种群的稳定性与多样性，使得Pareto前沿分布更优[14]。变异概率为

(25)

式中：fmax为种群中最大适应度值；favg为每代种群的平均适应度值；f*为要变异个体的适应度值；Pmmax、Pmmin分别为最大变异概率和最小变异概率。

3.3 求解过程

为准确地从Pareto解集中选取合适微电网运行的折中解，为每个目标函数建立隶属函数如下[15]：

(26)

式中：f1max、f1min分别为经济目标f1的最大值和最小值；f2max、f2min分别为环保目标f2的最大值和最小值；μi为每个解对应目标函数的隶属度值；N为Pareto解集中候选解的个数；f1(m)、f2(m)分别为经济最优和环保最优的候选解的值；δi为中间变量，其定义为

δi=fimax-θi(fimax-fimin), 0≤θi≤1

(27)

式中：θi为0或1。取θ1=1、θ2=0时，所得解为经济最优解；取θ1=0、θ2=1时，所得解为环保最优解；取θ1=1、θ2=1时，所得解为均衡经济性与环保性的折中解。

算法的多微电网优化调度求解过程如图1所示。

图1 求解流程

4 算例分析

4.1 基础数据

本算例以某并网型多微电网系统为例，其系统结构如图2所示。

图2 多微电网系统结构图

大电网的分时电价的时段划分、系统负荷需求和光伏风机出力以及微源的相关参数均来源于该多微电网系统。微源参数以及污染气体排放因子如表1～2所示。

表1 微源参数

表2 微源污染气体排放因子

该多微电网系统一个调度周期内的用电负荷和风机光伏出力情况如图3、图4所示。

图3 微电网1负荷和风机、光伏出力图

图4 微电网2负荷和风机、光伏出力图

4.2 仿真结果

图5为微电网1单独并网时折中解的调度方案。微电网1单独并网时微电网折中解运行成本为196.55元，污染气体排放量为394.15 kg。在用电低谷时间段，主要由大电网和柴油发电机进行发电，且储能装置尽可能充电；在第1个用电高峰时间段，净负荷小于0，储能装置放电，向大电网售电；在第2个用电高峰时间段，主要由柴油发电机和储能装置发电，多余电量向大电网出售。

图5 微电网1单独并网折中解的调度方案

并网型多微电网协同调度的折中解对应的微电网1、2的调度方案分别如图6、图7所示。微电网1、2在满足自身负荷需求的情况下实现了能量流动，有效地协调了分布式电源的出力。并网型多微电网协同调度的折中解的运行成本为669.36元，总污染气体排放量为568.62 kg。其中，微电网1的运行成本较微电网1单独并网时折中解的运行成本降低2.84元，污染气体排放量降低30.79 kg，表明多微电网协同优化调度可以有效降低运行成本与污染排放。

图6 并网型多微电网折中解的微电网1的调度方案

图7 并网型多微电网折中解的微电网2的调度方案

5 结 语

对并网型多微电网的多目标优化调度进行了研究。从经济性和环保性出发，建立了多微电网的多目标优化模型，经济性目标函数考虑燃料成本、运行维护成本、从大电网购电的成本以及微电网间电能交易成本，环保性目标函数考虑二氧化碳、二氧化硫以及氮氧化物等污染气体的排放总量，采用改进的NSGA-Ⅱ算法求解该模型，在满足约束条件的前提下实现了并网型多微电网的多目标优化调度。