时间:2024-07-28
张晓芳
(苏州健雄职业技术学院电气工程学院,江苏 太仓 215411)
基于CCP和多智能体优化算法的微电网经济运行
张晓芳
(苏州健雄职业技术学院电气工程学院,江苏 太仓 215411)
随着社会的发展,电力系统正在从传统的集中式结构网络向分布式结构的智能电网转变。分布式电源(DG)并网对于分布式结构的微电网调度尤其重要。为了使微电网在安全可靠供电的同时经济运行,采用机会约束规则(CCP)和DG多智能体一致性原则,建立了微网经济优化模型。考虑到风电、光伏发电系统存在很强的随机性,在求解时采用随机模拟技术。选择一个主DG来控制增量成本,并将DG增量成本作为一致性变量;采用基于随机模拟技术的粒子群算法(PSO),求解包含随机变量的规划问题。对微网5个光伏DG的仿真验证结果表明:在不同负荷下,采用该模型进行优化计算,达到增量成本一致的效果,符合供需平衡。仿真结果验证了该模型能够满足微网经济运行的需求。
电力系统; 微电网; 智能电网; 分布式电源; 机会约束规则; PSO算法
电力系统经济运行是在安全可靠供电的同时,使得发电成本最低。文献[1]、文献[2]介绍了现代电力系统经济调度的基本概念和方法。文献[3]介绍了最优潮流、网流法以及网损微增率的计算方法,确保电力系统经济运行。文献[4]介绍了一种随负荷变化的电力系统经济调度问题。随着社会的发展,电力系统正在从传统的典型集中式结构网络向分布式结构的智能网络转变,尤其是分布式电源(distributed generation,DG)并网将成为电网企业的发展趋势,使得分布式结构的微电网调度变得尤其重要。鉴于此,在安全运行的前提下,对微网经济运行进行建模、优化研究。
多智能体系统是由多个可计算的智能体组成的集合,可把电力系统网络中的发电机组看成一个个智能体。这些智能体通过网络进行通信,共同完成发电任务。文献[4]研究了混合粒子群优化算法在电力系统多智能体中的应用。文献[5]为了解决电力系统经济调度中传输线路损耗和发电机约束的问题,提出了一种分布式算法。文献[6] 介绍了发电机组的经济调度的分布式解决方案。文献[7]为了解决智能电网的能源管理问题,提出了基于Gossip的增量成本一致性算法。该算法在分布式的方式下,通过相邻信息之间的两两交换,收敛到一个最优解。上述研究都未涉及到由风电机组、光伏电池、蓄电池等储能设备组成的微网发电系统。而分布式电源的优化运行不再是一个确定性的问题,是包含多个随机变量的规划问题。一个典型的微网发电系统包含风电机组、光伏发电系统、铅酸蓄电池、柴油发电机组储能设备。将可再生能源和储能设备组成一个DG,类似于处于电网顶端的发电机组。
微电网系统示意图如图1所示。
图1 微电网系统示意图
由于风电、光伏发电系统存在很强的随机性,微网经济运行包含随机变量的规划问题。机会约束规则能很好地解决随机变量的问题,已应用在电力系统[8]。采用机会约束规则(chance constrained programming,CCP)理论建立微网运行的模型,以发电费用最少为目标,同时考虑到DG的随机性和目标函数的置信水平。每个DG通过网络进行通信,共同完成发电任务。除考虑电能平衡约束问题外,还需考虑多智能体的一致性问题。
含有储能装置的DG的发电费用可表示为:
(1)
电能平衡约束公式为:
(2)
考虑到电能平衡约束后,可将目标函数修改为:
由此可见,发电量成本和每个DG的出力有关。为了获取发电量成本最小值,可通过目标函数对PGi、λ求偏导。
(3)
对于每个DG,PGimin≤PGi≤PGimax,其发电量不能越限。
微网经济运行模型如下:
2.1 增量成本一致性更新规则
G1作为主DG的网络图如图2所示。
图2 G1作为主DG的网络图
多智能体研究需考虑各智能体的状态趋于一致,对于微网发电系统,选择各DG的增量成本作为一致性变量[9-11]。图2代表的是由分布式结构控制下的一致性网络图。相邻的增量成本值通过局部控制器来更新自己的增量成本值(嵌入到每一个DG单元)。另外,要选择一个主DG来控制增量成本值的增减。
考虑发电功率约束的主DG和普通DG更新规则为:
通过微分计算,先获得各DG增量成本初始值,然后再进行迭代更新。
(5)
(6)
2.2 计及CCP的多智能体优化算法
包含随机变量的规划问题通常采用基于随机模拟技术的粒子群(particle swarm optimization,PSO)算法来求解。PSO的粒子速度和位置更新公式为[10-11]:
(7)
式中:惯性权重w描述了粒子的惯性对速度的影响,w值会影响到PSO算法的全局和局部搜索能力;c1、c2为学习因子,通常为常数;r1、r2为0~1之间的随机数。
在由各DG组成的微网中,PSO的粒子更新需考虑增量成本一致性问题,因此,对w进行了调整。
wi=ρλi
(8)
式中:ρ为系数,可取0.1。
基于CCP、多智能体一致性的优化算法的具体求解过程如下。
①输入各DG运行参数、随机变量分布函数、费用;设定参数,包括粒子数、惯性权重、学习因子、学习速率等。
②将微网中所有DG的功率、增量成本作为一个粒子;根据随机变量分布函数,获得DG的功率初始值和增量成本初始值。
③计算初始状态下各个DG的发电费用,验证粒子的可行性;若不满足置信区间,返回步骤②重新获得DG的功率、增量成本初始值;若满足,计算各粒子的适应值D(λi),获取p和全局最佳适应度值g。
④将多智能体一致性算法引入后,根据式(4)~式(8)更新粒子速度和位置,重新获得各个DG的发电量和增量成本,并计算发电费用。
⑤判断式(3)中置信区间和发电量是否越限,若越限,以上限或者下限作为当前值,返回步骤④重新赋值进行计算;若不越限,获取p和g。
⑥比较p和g,更新g,即为最好位置。
⑦重复步骤④~步骤⑥,直至最大迭代次数。
对IEEE的5个DG节点测试系统进行验证,假设这5个DG都为由光伏系统组成的微网,供给负荷。微网5个DG的电力系统通信拓扑如图3所示。
图3 电力系统通信拓扑图
在900 kW负荷功率下,测试系统仿真结果如图4所示。
图4 系统仿真结果(900 kW)
选择粒子数为200,每个粒子包含5个DG的增量成本和功率的多维数组(5×2);c1和c2设置为2,r1、r2为0.4,增量成本初始值为{7.92,7.85,7.8,7.92,7.8},DG1和DG4的初始增量成本一致,DG2、DG3、DG5初始增量成本基本一致。w初始化值为{0.792,0.785,0.78,0.792,0.78},最大迭代次数为500,随机模拟次数为1 000,目标函数的置信水平为0.95。G1单元作为主DG,它的固定步长为0.02 s,收敛系数为ε=0.000 5,负荷功率为900 kW。
由图4(a)可知,在星型拓扑下,所有DG的增量成本都会渐进收敛到最优成本值。此时,λ=8.695 3 $/MW,而各发电机的发电功率分别为PG1= 248.187 kW,PG2=217.87 kW,PG3=92.877 kW,PG4=248.187 kW,PG5=92.877 kW,DG3和DG5分配的功率相同。DG总负荷满足负荷功率需求。考虑到负荷存在随机性,上述案例的负荷功率在0.5 s,从开始的900 kW突然增加到950 kW,查看系统的增量成本能否达到一致。此时,测试系统仿真结果如图5所示。
图5 系统仿真结果图(950 kW)
由图5可知,在经历一段时间的不稳定计算之后,系统的增量成本最后又达成了一致,得到了一个新的最优值,并且对发电机组的功率又重新进行了分配,能够满足负荷功率的要求。此时电力系统的增量成本变大了,λ= 8.74 $/MW,而各发电机的发电功率分别为PG1= 262.65 kW、PG2= 229.50 kW、PG3= 97.56 kW、PG4= 262.63 kW、PG5= 97.56 kW,保证了电力系统的供需平衡。各运行状态参数如表1所示。
表1 各运行状态参数
所有DG单元的增量成本从刚开始不一样,经过计及CCP的多智能体优化算法计算,最终慢慢地收敛至同一值,即最优成本值。此算法对于不同负荷的最优工作状态也有很好的适应度,都能收敛至最优成本。
本文采用CCP建立微网经济优化模型,同时这些光伏DG又是相互关联的智能体,需要考虑多智能体的一致性问题,在求解时采用随机模拟技术及多智能体一致性PSO算法求解。对微网5个光伏DG的仿真验证表明,增量成本一致,符合供需平衡,验证了模型算法的有效性,满足了柔性负荷的需求。考虑CCP和DG多智能体一致性,建立了微网经济优化模型,对微网分布式优化调度进行了仿真验证。结果表明,该模型具有一定的应用前景。
[1] 于尔铿.现代电力系统经济调度[M].北京:水利电力出版社,1986.
[2] 刘广一,强金龙,于尔铿,等.凸网络流规划及其在电力系统经济调度中的应用[J].中国电机工程学报,1988,8(6):9-18.
[3] 李文沅.电力系统安全经济运行:模型与方法[M].重庆:重庆大学出版社,1989.
[4] SELVAKUMAR A,THANUSHKODI K.A new particle swarm optimization solution to nonconvex economic dispatch problems[J].IEEE Transactions on Power Systems,2007,22(1):42-51.
[5] KUMAR R,SHARMA D,SADU A.A hybrid multi-agent based particle swarm optimization algorithm for economic power dispatch[J].International Journal of Electrical Power & Energy Systems,2011,33(1):115-123.[6] BINETTI G,DAVOUDI A,LEWIS F,et al.Distributed consensus-based economic and dispatch with transmission losses[J].IEEE Transactions on Power Systems,2014,29(4):1711-1720.
[7] BINETTI G,ABOUHEAF M,LEWIS F,et al.Distributed solution for the economic dispatch problem[J].21st Mediterranean Conference on Control & Automation (MED)Platanias,Greece, 2013,22(3):243-250.
[8] 于晗,钟志勇,黄杰波,等.考虑负荷和风力出力不确定性的输电系统机会约束规则[J].电力系统自动化,2009,33(2):20-24.
[9] 谢俊,陈凯旋,岳东,等.基于多智能体系统一致性算法的电力系统分布式经济调度策略[J].电力自动化设备,2016,36(2):112-117.
[10]张晓芳,谢俊.可控家用电器负荷优化模型及用电策略研究[J].计算机工程与应用,2016,52(24):246-250.
[11]钱景辉,刘小月,杨小健,等.自适应粒子群算法在电力经济调度中的应用[J].自动化仪表,2015,36(3) :17-20.
Economic Operation of Micro-Grid with Optimization Algorithm
of CCP and Multi Agent
ZHANG Xiaofang
(School of Electrical Engineering,Suzhou Chien-Shiung Institute of Technology,Taicang 215411,China)
With the development of society,the electric power system is pacing from traditional centralized network to the distributed smart grid structure.Especially,the grid connected of distributed power generation (DG) is much important for the dispatching of distributed micro grid.In order to ensure the micro grid running reliably and economically,the economic optimization model of micro-grid is setup based on the consistency principle of chance constrained programming (CCP) and DG multi-agent.Considering the randomness of wind power and photovoltaic power generation systems,the stochastic simulation technology is adopted in solving.A “master DG” is selected to control incremental costs,and with DG incremental cost as consistency variable,the PSO algorithm based on stochastic simulation technology is used to solve the planning including random variable.The 5 PV DG system of micro-grid power system is verified by simulation,the results indicate that under different load,optimization calculation is conducted using this model,the incremental cost is consistent and the supply and demand is balanced.The simulation results show that the model can satisfy the demand for economical operation of micro grid.
Power system; Micro-grid; Smart grid; Distributed generation (DG); Chance constrained programming (CCP); PSO algorithm
2015年太仓市重点研发计划基金资助项目(TC2015GY13)
张晓芳(1980—),女,硕士,讲师,主要从事智能控制方向的研究和教学工作。E-mail:zxf_0812@163.com。
TH165;TP273
A
10.16086/j.cnki.issn1000-0380.201707006
修改稿收到日期:2017-01-12
我们致力于保护作者版权,注重分享,被刊用文章因无法核实真实出处,未能及时与作者取得联系,或有版权异议的,请联系管理员,我们会立即处理! 部分文章是来自各大过期杂志,内容仅供学习参考,不准确地方联系删除处理!