基于多代理系统的微电网多目标优化调度

朱辉，吕红芳，阳晓明

基于多代理系统的微电网多目标优化调度

朱辉，吕红芳，阳晓明

（上海电机学院电气学院，上海市 浦东新区 201306）

微电网在并网情况下的多目标稳定运行是微电网运营和建设的基本要求。从并网型微电网的经济目标和环保目标出发，建立微电网多目标优化模型，其中经济目标考虑分布式电源的燃料费用、运行维护费用、启停费用和与大电网的能量交互费用，环保目标考虑污染气体的排放量。提出一种基于多代理系统(multi-agent system，MAS)的分时电价机制下储能装置的调度策略，并且采用改进的NSGA-II算法优化可控微源和储能装置的出力。以某地区微电网单元为例进行仿真，验证了所建模型和改进算法的有效性。试验结果表明，改进的NSGA-II算法性能更优，所提出的策略可以控制储能装置一个周期内的充放电次数，延长使用寿命。

微电网；多代理系统(MAS)；优化调度；分时电价；改进NSGA-II算法

0 引言

微电网作为分布式电源接入电网的一种有效手段，受到国内外专家学者的广泛关注。与传统的集中式发电相比，将分布式电源组成微电网的形式运行，具有多方面的优点[1]，对微电网系统的经济、环保运行有重要意义。

微电网能量调度含有大量非确定、非线性、有约束的控制变量，本质上是一个复杂的多目标优化问题[2-8]。多代理系统(multi-agent system，MAS)是由多个代理(即Agent)组成的系统，各个Agent通过交互与协作可高效地解决复杂系统的控制和管理问题[9]。因此，MAS被推广并运用到微电网能量优化调度中[10-16]。基于多代理技术的微电网分布式电源调度优化是实现微电网经济效益和环境效益最大化的重要研究方向。

目前，已有学者对基于多代理技术的微电网优化调度问题展开了研究。张鹏等[17]考虑负荷违约情况对调度容量分配的影响，构建了基于MAS的调度容量上报策略博弈的电网调度模型，但并没有考虑微电网整体经济效益和环保效益；蔡高原等[18]利用改进的次梯度算法求解模型中的凸优化问题，提出了基于MAS的微电网有功协调控制方法，但没有考虑微电网与大电网的能量交换问题；曹洪刚等[19]在调度周期内利用拍卖算法，综合微电网内分布式电源、储能设备及可控负荷等可控单元参与调度任务的代价与收益，得到最优或接近最优的微电网内调度方案，但其只考虑成本问题，未考虑微电网运行对环境的影响。

在此研究基础上，本文以包含风机、光伏、柴油发电机和储能装置的单个并网型微电网为研究对象,构建单个微电网运行的分层MAS，建立考虑经济性、环保性目标的微电网多目标优化模型，并给出基于MAS的微电网分时段调度策略。利用基于正态分布交叉(normal distribution crossover，NDX)算子和自适应变异算子的非支配排序遗传算法(non-dominated sorting in genetic algorithms-II，NSGA-II)求解该模型。最后以某地区微电网单元为例进行仿真，验证了所建模型的合理性和改进算法的有效性。

1 微电网多目标优化模型

1.1 基于MAS的微电网单元发电模型

MAS采用多个Agent进行相互协作，通过目标任务的分解和协调来提高整个系统完成任务的能力。由于微电网内部能量管理中数据冗余，导致效率较低、不够灵活，因此本文将利用分层MAS解决微电网能量优化调度问题。所构建的微电网分层MAS结构如图1所示。

图1 基于分层MAS的微电网结构图

基于分层MAS的典型微电网包括微电网控制中心(microgrid control center，MGCC)Agent、大电网(Grid)Agent、负载(load，LD)Agent、光伏(photovoltaic，PV)Agent、风机(wind turbine，WT)Agent、柴油发电机(diesel engine，DE)Agent和储能装置(energy storage，ES)Agent。

1）PV Agent。

光伏发电系统的输出功率由环境温度、实际光照强度和标准测试条件下的输出功率决定[20]：

2）WT Agent。

风速是决定风力发电系统输出功率的主要因素，其与输出功率的关系可近似为分段函数[21]：

3）DE Agent。

柴油发电机的出力特性与传统发电机的出力特性相似，其发电成本为

4）ES Agent。

本文采用蓄电池作为储能装置，储能装置既能抑制负荷的波动，又能提高微电网的供电可靠性。储能装置充放电过程中的剩余容量描述如下。

储能装置充电：

储能装置放电：

1.2 目标函数

1）经济性。

微电网经济性包含各个微源的发电成本、运行维护成本和可控微源的启停成本，以及微电网与大电网能量交互成本等费用的总和，其表达式如下：

2）环保性。

微电网的环保性包含微电网发电和购电所产生的污染气体(包括二氧化碳、二氧化硫和氮氧化物)总量，即

综上所述，微电网整体运行优化模型为

1.3 约束条件

1）有功功率平衡约束。

2）微源出力上下限约束。

3）联络线传输容量约束。

4）发电机爬坡约束。

5）储能装置能量约束。

6）储能装置充放电约束。

2 基于MAS的分时电价调度策略

对并网型微电网进行调度，将一天的调度周期分为24个时段，每一个优化调度时段间隔为1h。

根据日常用电规律，将全天分为用电低谷阶段、用电平峰阶段和用电高峰阶段，其中：用电高峰阶段为11:00—15:00，18:00—21:00；用电平峰阶段为7:00—11:00，15:00—18:00，21:00—23:00；用电低谷阶段为23:00—次日7:00。

基于MAS的分时电价调度策略如图2所示，其中A—U为调度指令，其内容见表1。

图2 基于MAS的分时电价调度策略

表1 调度指令

3 改进的NSGA-Ⅱ算法及实现

3.1 改进的NSGA-Ⅱ求解算法

NSGA-II算法是Srinivas和Deb在NSGA算法的基础上提出的。其遗传操作采用模拟二进制交叉(simulated binary crossover，SBX)和多项式变异，而且交叉概率和变异概率都是固定的，这导致算法可能会陷入局部最优。为了适应本文的调度模型，求解得到Pareto最优调度方案解集，对传统NSGA-II算法作如下改进：

1）采用NDX算子提高算法局部搜索能力，保证种群的多样性；

2）引入自适应变异算子，自动调整变异概率，提高种群的稳定性。

3.1.1 NDX算子

与NSGA-II算法的SBX算子相比，NDX算子搜索范围更广，且更容易获得质量更优的Pareto解集。

3.1.2 自适应变异算子

NSGA-II算法的变异过程采用多项式变异方式，若变异概率较大，则接近于随机搜索算法；若变异概率较小，则不能维持种群多样性。自适应变异算子的变异概率随适应度大小而改变，具有更好的寻优能力，而且提高了种群的稳定性，使得Pareto前沿分布更优。

自适应变异算子定义的变异概率[23]为：

3.2 改进的NSGA-II算法实现

改进后的算法实现步骤如下：

1）算法参数初始化，设置初始种群数目为，=0；

2）输入预测的微电网24h负荷需求以及风机和光伏的出力数据；

3）对种群进行初始化，随机生成个调度方案组成的初始种群0；

5）评价种群P中Pareto解集中各个调度方案的适应值；

6）对种群P中的各个调度方案进行二元锦标赛选择、NDX交叉及自适应变异，产生子代调度方案组成的种群Q；

7）融合种群P和Q，并进行非支配排序；

8）使用精英策略保留个优秀的调度方案，得到新的父代种群P+1；

9）若达到迭代次数，输出单微电网调度的Pareto最优调度方案解集，若未达到迭代次数，则=+1，转到步骤4）。

4 算例分析

4.1 微电网结构

微电网的分布式电源包括风机、光伏和柴油发电机，采用蓄电池作为储能装置，如图3所示。该微电网以并网的形式运行，且与大电网的交换功率上限为30kW。

4.2 基础数据

由于风机和光伏无燃料成本且无污染，因此只考虑运行维护成本，而柴油发电机要考虑启停成本和运行维护成本。各微源参数见表2，污染气体排放因子见表3，大电网分时电价见表4。

图3 微电网结构图

表2 各微源参数

表3 污染气体排放因子

表4 大电网分时电价

4.3 优化结果

该微电网用电负荷和不可控微源预测出力情况如图4所示。在求解过程中，利用改进的NSGA-II算法获得Pareto最优解集。图5为算法改进前后Pareto解集对比，可以看出，与传统NSGA-II算法相比，基于NDX交叉算子和自适应变异算子改进的NSGA-II算法Pareto解集的分布更加均匀，并且解的质量更高，更加趋近于真实的Pareto前沿。

从图5还可以看出，微电网的发电成本和污染气体的排放量之间存在矛盾，较低的发电成本

图4 微电网负荷和不可控微源出力

图5 改进前后Pareto解集对比

对应较高的污染气体排放量，较高的发电成本对应较低的污染物气体放量。工作人员可根据发电

商利益、国家政策和用户需求或者其他客观条件，在所得的Pareto前沿中选择合适的设计方案，合理分配微电网系统的经济目标和环保目标，具有很大的灵活性，能够有效避免因盲目选择而导致的效率低下问题。

图6—8分别给出了3种目标的调度方案。 图6为经济性最优的调度方案，此时，运行成本为154.60元，污染气体排放量为463.66kg，大电网是主要的发电单元。在谷时段，向大电网购电以满足负荷需求并向储能装置充电；在峰时段，向大电网尽可能出售电量以提高经济效益。图7为环保性最优的调度方案，此时，运行成本为261.27元，污染气体排放量为355.92kg，由于大电网发电时污染较大，因此需要尽可能减少大电网出力，柴油发电机是主要发电单元。图8为兼顾经济效益和环保效益的一个折中方案，此时，运行成本为189.21元，污染气体排放量为397.52kg。

从图8可以看出，为了兼顾经济目标和环保目标，在用电低谷时间段(23:00—次日7:00)，主要由售电价格较低的大电网和污染物排放系数较低的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(11:00—15:00)，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(18:00—21:00)，由于此时向大电网购电价格较高且污染物排放量较大，主要由柴油发电机和无污染物排放的储能装置发电，多余电量向大电网出售；在21:00—次日3:00，储能装置保持充电并达到上限，在11:00—14:00放电，15:00—17:00充电，18:00—20:00放电，在整个调度周期内保证经济环保运行的情况下，储能装置充放电次数有限，达到了延长储能装置寿命的效果。

图6 经济最优解

图7 环保最优解

图8 折中解

5 结论

构建了以光伏、风机、柴油发电机和储能装置为主要供能单位的微电网分层MAS结构，以运行成本最低和污染气体排放量最少为双重优化目标，建立了多目标优化模型，提出了基于MAS的分时电价调度策略。在求解方法上，运用基于正态分布的交叉算子和自适应变异算子对NSGA-II算法进行改进，提升了种群的多样性和稳定性，并且能够更好地向真实Pareto前沿收敛。算例分析结果表明，使用基于多代理技术的分时电价调度策略可以控制一个周期内储能装置的充放电次数，达到延长使用寿命的效果。

[1] 王成山，武震，李鹏．微电网关键技术研究[J]．电工技术学报，2014，29(2)：1-9．

[2] 孟杰，丁泉，黄超．基于孤岛模式下V/f控制的微电网系统研究[J]．华电技术，2017，39(8)：1-5，77．

[3] 吴成明，尚锦萍，吴婷婷，等．基于TVAC-PSO算法的可重构微电网优化调度方案[J]．电力科学与工程，2018，34(10)：15-23．

[4] 杨毅，雷霞，徐贵阳，等．采用PSO-BF算法的微电网多目标电能优化调度[J]．电力系统保护与控制，2014，42(13)：12-20．

[5] 任德江，吴杰康．“源-网-荷-储”协同的园区微电网优化调度[J]．广东电力，2018，31(7)：16-23．

[6] 靳现林，蔡晓宇．考虑低碳效益的混合能源微电网优化调度[J]．分布式能源，2017，2(3)：26-32．

[7] 王向红，钱文姝．基于改进PSO算法的微电网调度方法[J]．电网与清洁能源，2017，33(7)：53-57，72．

[8] 赵贺，李子矝，闫浩然，等．基于模型预测控制的微电网经济调度[J]．电网与清洁能源，2017，33(9)：119-123．

[9] 刘文，杨慧霞，祝斌．微电网关键技术研究综述[J]．电力系统保护与控制，2012，40(14)：152-155．

[10] 吴文仙，韩冬，孙伟卿，等．考虑韧性增强策略的配电网负荷恢复优化[J]．电力科学与工程，2019，35(4)：17-24．

[11] 王思明，牛玉刚，祖其武．并网模式下基于多代理技术的微电网多目标优化[J]．华东理工大学学报(自然科学版)，2017，43(6)：829-836．

[12] 王凌云，徐嘉阳，丁梦．基于混沌的多Agent粒子群算法在微电网并网调度中的优化研究[J]．电网与清洁能源，2017，33(8)：1-7．

[13] 章健，艾芊，王新刚．多代理系统在微电网中的应用[J]．电力系统自动化，2008，32(24)：80-83．

[14] 陈淼，邰能灵．基于NSGA-II的社区微型电网多目标分层优化算法[J]．水电能源科学，2017，35(9)：196-200．

[15] Wu Y，Chen M，Lin J，et al．Corrective economic dispatch in a micro-grid[J]．International Journal of Numerical Modelling：Electronic Networks，Devices and Fields，2013，26(2)：140-150．

[16] 郝雨辰，窦晓波，吴在军，等．微电网分层分布式能量优化管理[J]．电力自动化设备，2014，34(1)：154-162．

[17] 张鹏，李春燕，张谦．基于需求响应调度容量上报策略博弈的电网多代理系统调度模式[J]．电工技术学报，2017，32(19)：170-179．

[18] 蔡高原，吴红斌，季宇，等．基于多代理系统的自治微电网有功协调控制[J]．太阳能学报，2017，38(3)：781-788．

[19] 曹洪刚，曹培．用于微电网MAS调度的拍卖算法[J]．智能电网，2014，2(1)：73-78．

[20] 牛铭，黄伟，郭佳欢，等．微网并网时的经济运行研究[J]．电网技术，2010，34(11)：38-42．

[21] Deng Q J，Gao X，Zhou H．System modeling and optimization of microgrid using genetic algorithm

[C]//The 2nd International Conference on Intelligent Control and Information Processing．Harbin：IEEE，2011：540-544．

[22] 杨荔．基于NSGA2算法的复合式能源系统的优化与控制[D]．天津：天津理工大学，2017．

[23] 邓富民，梁学栋，刘爱军，等．多资源约束下改进NSGA-II算法的手术调度[J]．系统工程理论与实践，2012，23(6)：1338-1345．

Multi-objective Optimization Scheduling of Microgrid Based on Multi-agent System

ZHU Hui, LÜ Hongfang, YANG Xiaoming

(College of Electrical Engineering, Shanghai Dianji University, Pudong New Area, Shanghai 201306, China)

Multi-objective stable operation of microgrid under grid-connected condition is the basic requirement of microgrid operation and construction. Starting from the economic and environmental goals of grid-connected microgrid, a multi-objective optimization model of microgrid was established. The economic objectives considered the fuel cost, operating and maintenance cost, start-stop cost of distributed generation and energy interaction cost between microgrid and large grid. The environmental target considered emissions of polluted gases. A scheduling strategy of energy storage device based on multi-agent system (MAS) under time-of-use price mechanism was proposed, and an improved NSGA-II algorithm was used to optimize the output of the controllable micropower supply and energy storage device. Taking the microgrid unit in a certain area as an example, the effectiveness of the proposed model and the solution method were verified. The experimental results show that the improved NSGA-II algorithm has better performance, and the proposed strategy can control the number of charges and discharges in a cycle of energy storage device and prolong its service life.

microgrid; multi-agent system (MAS); optimized scheduling; time-of-use price; improved NSGA-II algorithm

10.12096/j.2096-4528.pgt.19056

2019-04-19。

(责任编辑 尚彩娟)