歐陽(yáng)婷 張會(huì)林 梁毅

摘 要：針對(duì)微電網(wǎng)微電源出力的不確定性，以孤島微電網(wǎng)運(yùn)行成本最低、風(fēng)光消納比例最大為目標(biāo)函數(shù)，建立孤島微電網(wǎng)多目標(biāo)優(yōu)化調(diào)度模型。依據(jù)微電網(wǎng)風(fēng)光出力與負(fù)荷供需關(guān)系，提高孤島微電網(wǎng)可再生能源消納水平，并采用NSGA-Ⅱ算法對(duì)調(diào)度模型進(jìn)行求解。以某地區(qū)微電網(wǎng)系統(tǒng)典型日為算例，以24小時(shí)為周期進(jìn)行孤島模式運(yùn)行。算例結(jié)果表明，NSGA-Ⅱ算法調(diào)度方案可降低微電網(wǎng)整體成本，提高可再生能源的消納能力，緩解孤島微電網(wǎng)在峰谷期間的供電壓力。

關(guān)鍵詞：孤島微電網(wǎng);多目標(biāo)優(yōu)化調(diào)度;NSGA-Ⅱ算法;MOPSO算法

DOI：10. 11907/rjdk. 201942????????????????????????????????????????????????????????????????? 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類(lèi)號(hào)：TP319 ? 文獻(xiàn)標(biāo)識(shí)碼：A ??????????????? 文章編號(hào)：1672-7800（2020）011-0184-05

Optimization Scheduling of Island Micro-grid Based on NSGA-ⅡAlgorithm

OUYANG Ting1， ZHANG Hui-lin1，LIANG Yi2

（1. School of Mechanical Engineering， University of Shanghai for Science and Technology， Shanghai 200093，China;

2. State Grid Jiangxi Electric Power Co.， Ltd.， Wanan County Power Supply Branch， Jian 343800，China）

Abstract：Because of uncertainty of the source power in the micro-grid， this paper aims to maximize the wind-solar consumption and minimize the cost of the micro-grid， and builds up multi-objective optimization dispatching model of the island micro-grid. According to the supply and demand relation of wind-solar power output and load the renewable energy consumption level of island micro-grid is improved. At the same time， this paper uses the NSGA-Ⅱalgorithm comparing with MOPSO algorithm to solve scheduling model and uses a typical daily micro-grid system in a certain region as an example with a 24h cycle. Finally， the result of the example shows that the scheduling scheme can reduce the overall cost of the micro-grid，improve the absorption capacity of renewable energy， and decrease the power supply pressure of the micro-grid during peak and valley periods.

Key Words： island micro-grid; multi-objective optimization scheduling;NSGA-Ⅱalgorithm;MOPSO algorithm

0 引言

隨著能源互聯(lián)網(wǎng)和分布式電源技術(shù)的發(fā)展，微電網(wǎng)優(yōu)化技術(shù)也不斷進(jìn)步[1]，在維持電力系統(tǒng)穩(wěn)定性過(guò)程中發(fā)揮著重要作用，尤其是在大電網(wǎng)日高峰階段，可為大電網(wǎng)側(cè)“削峰填谷”，降低電網(wǎng)側(cè)供電壓力。微電網(wǎng)運(yùn)行模式主要為并網(wǎng)與孤島模式。在用電高峰階段，離網(wǎng)的微電網(wǎng)缺少了大電網(wǎng)骨干支撐之后，在供電穩(wěn)定性方面容易受到影響，導(dǎo)致微電網(wǎng)內(nèi)部資源的控制與管理相對(duì)困難，因此對(duì)孤島型微電網(wǎng)調(diào)度進(jìn)行合理調(diào)節(jié)與優(yōu)化具有重要意義。

目前已有部分學(xué)者對(duì)孤島微電網(wǎng)調(diào)度進(jìn)行了研究。如文獻(xiàn)[2]提出一種新型混合能源存儲(chǔ)系統(tǒng)（HESS）控制策略，能實(shí)現(xiàn)在混合可再生能源系統(tǒng)（HRES）不同組成部分之間保持有功功率平衡;文獻(xiàn)[3]考慮經(jīng)濟(jì)性、環(huán)保性及可靠性，建立了多目標(biāo)風(fēng)光柴儲(chǔ)微電網(wǎng)優(yōu)化模型;文獻(xiàn)[4]提出對(duì)離網(wǎng)微電網(wǎng)進(jìn)行儲(chǔ)能選型與容量配置優(yōu)化方案。但以上針對(duì)微電網(wǎng)的研究都通過(guò)改變分布式電源出力或儲(chǔ)能控制進(jìn)行微電網(wǎng)優(yōu)化，并未提出其它創(chuàng)新方法。

針對(duì)微電網(wǎng)調(diào)度研究，智能算法是目前普遍應(yīng)用的方法之一，經(jīng)典算法包括爬山法、模擬退火、遺傳算法以及神經(jīng)網(wǎng)絡(luò)等方法。如文獻(xiàn)[5]將負(fù)荷分為3種類(lèi)型，并對(duì)需求側(cè)負(fù)荷進(jìn)行管理，建立孤島型微網(wǎng)能量管理混合整數(shù)規(guī)劃模型，并利用CPLEX優(yōu)化軟件進(jìn)行模型求解;文獻(xiàn)[6]研究了風(fēng)光柴儲(chǔ)微電網(wǎng)在并網(wǎng)與孤島運(yùn)行方式下的日前優(yōu)化與實(shí)時(shí)優(yōu)化仿真調(diào)度，利用爬山法結(jié)合遺傳算法從電源側(cè)、儲(chǔ)能裝置的角度對(duì)微電網(wǎng)進(jìn)行優(yōu)化調(diào)度;文獻(xiàn)[7]以孤島微電網(wǎng)系統(tǒng)效益最大化為目標(biāo)，針對(duì)該模型的非凸特性，應(yīng)用ADMM算法進(jìn)行模型的分布式優(yōu)化;文獻(xiàn)[8]提出通過(guò)（0，1）隨機(jī)均勻分布改進(jìn)慣性權(quán)重，線(xiàn)性調(diào)整認(rèn)知系數(shù)和社會(huì)系數(shù)結(jié)合Levy飛行策略改進(jìn)鳥(niǎo)群算法，從而優(yōu)化求解調(diào)度模型;文獻(xiàn)[9]采用生物地理學(xué)算法對(duì)運(yùn)行成本與環(huán)保成本最低、用戶(hù)停電損失最小的微電網(wǎng)多目標(biāo)優(yōu)化調(diào)度模型進(jìn)行求解，以提高微電網(wǎng)的經(jīng)濟(jì)性、節(jié)能型、可靠性;文獻(xiàn)[10]提出在微電網(wǎng)孤島運(yùn)行模式下采用人工魚(yú)群算法和粒子群算法混合求解微電網(wǎng)模型優(yōu)化調(diào)度方法;文獻(xiàn)[11]采用改進(jìn)粒子群算法優(yōu)化外點(diǎn)法對(duì)孤島模式微電網(wǎng)進(jìn)行優(yōu)化，盡可能避免求解規(guī)劃時(shí)陷入局部極值的問(wèn)題，同時(shí)還考慮了需求側(cè)管理，增加可再生能源的消納;文獻(xiàn)[12]提出電動(dòng)汽車(chē)類(lèi)可平移負(fù)荷參與微電網(wǎng)的調(diào)度方案，得出一種計(jì)及電動(dòng)汽車(chē)的微電網(wǎng)儲(chǔ)能蓄電池容量?jī)?yōu)化調(diào)度模型。以上研究方法說(shuō)明采用智能算法進(jìn)行孤島微電網(wǎng)優(yōu)化調(diào)度具有一定優(yōu)勢(shì)。

本文研究孤島微電網(wǎng)優(yōu)化調(diào)度問(wèn)題，綜合考慮最小化微電網(wǎng)運(yùn)行成本以及最大化風(fēng)光消納比，在微電網(wǎng)孤島運(yùn)行模式下建立風(fēng)力機(jī)（WT）、光伏電池（PV）、微型燃?xì)廨啓C(jī)（MT）、蓄電池（BT）微電源模型。同時(shí)，采用NSGA-Ⅱ算法求解調(diào)度模型，最后通過(guò)算例驗(yàn)證本文模型及算法相比其它智能算法，在提高風(fēng)光消納和減少運(yùn)行成本方面具有一定優(yōu)越性。

1 微電網(wǎng)系統(tǒng)

1.1 PV數(shù)學(xué)模型

光伏電池輸出功率主要受光照強(qiáng)度、工作溫度等影響。在當(dāng)前環(huán)境溫度下，光伏發(fā)電運(yùn)行管理成本Cpv可表示為：

PPV=PSTCGCGSTC1+K（TC+TSTC） （1）

CPV=t=1TKPV.OMPPV（t） （2）

式中，TSTC、GSTC、PSTC分別為標(biāo)準(zhǔn)測(cè)試條件（太陽(yáng)光入射強(qiáng)度為1 000W/m2，環(huán)境溫度為25℃）下的光伏額定環(huán)境溫度、光照強(qiáng)度與發(fā)電功率;GC、TC分別為當(dāng)前光照強(qiáng)度和電池工作溫度;K為功率溫度系數(shù);KPV.OM為PV單位運(yùn)行維護(hù)成本系數(shù)。

1.2 WT數(shù)學(xué)模型

WT輸出功率不僅與自身機(jī)組結(jié)構(gòu)有關(guān)，大部分WT出力還受到現(xiàn)實(shí)生活中風(fēng)速的限制。風(fēng)力發(fā)電機(jī)輸出功率與實(shí)際風(fēng)速的關(guān)系可近似表示為分段函數(shù)[13]：

PWT? =? 0v

CWT=t=1TKWT.OMPWT（t）? （4）

式中，PN為風(fēng)力發(fā)電機(jī)額定輸出功率，VN為額定風(fēng)速;Vci為切入風(fēng)速，Vco為切出風(fēng)速;CWT為運(yùn)行管理成本，KWT，OM為MT單位運(yùn)行維護(hù)成本系數(shù)。

1.3 MT數(shù)學(xué)模型

微電網(wǎng)中當(dāng)分布式電源和儲(chǔ)能都不能滿(mǎn)足負(fù)荷需求時(shí)，本文采用微型燃?xì)廨啓C(jī)（MT）代表常規(guī)機(jī)組[14]。MT成本數(shù)學(xué)模型表示為：

CMT=CMT，F(xiàn)UEL+CMT，OM （5）

CMT，F(xiàn)UEL=CΔtLHVt=1TPMT（t）ηMT （6）

ηMT=0.075 3（PMT65）3-0.309 5（PMT65）2+0.417（PMT65）+0.106 8 （7）

CMT，OM=t=1TKMT，OMPMT（t） （8）

式中，CMT為MT總發(fā)電成本，CMT，。FUEL為燃料成本，CMT，OM為MT運(yùn)行管理成本;C為MT燃料氣體單價(jià)，取2.5元/m3;PMT為MT的出力，LHV為天然氣低熱值，取9.7 kw·h/m3;ηMT為發(fā)電效率，取29%;KMT，OM為單位運(yùn)行維護(hù)成本系數(shù)。

1.4 BT數(shù)學(xué)模型

微電網(wǎng)儲(chǔ)能裝置可在微電源出力過(guò)多時(shí)將電能儲(chǔ)存起來(lái)，微電網(wǎng)供需不足時(shí)放電給負(fù)荷供電。蓄電池（BT）的荷電狀態(tài)與電池容量是微電網(wǎng)優(yōu)化的重要指標(biāo)[15]。BT的荷電狀態(tài)SOC與運(yùn)行管理成本CBT可表示為：

SOC（t）=SOC（t-Δt）-Pch（t）ΔtηDSOC（t-Δt）-Pdis（t）Δtηc （9）

CBT=t=1TKBT，OMPBT（t） （10）

式中，Pch（t）、Pdis（t）為充、放電功率，ηD、ηD為充、放電效率，CBT為運(yùn)行管理成本，KBT，OM為單位運(yùn)行維護(hù)成本系數(shù)，PBT（t）為BT出力。

2 孤島微電網(wǎng)優(yōu)化調(diào)度模型

2.1 目標(biāo)函數(shù)

以微電網(wǎng)總運(yùn)行成本最小化和風(fēng)光消納最大化為多目標(biāo)函數(shù)，考慮分布式電源運(yùn)行管理成本與環(huán)境治理成本，微電網(wǎng)總成本CALL的目標(biāo)函數(shù)可表示為：

min? CALL=CDG+ CE （11）

CDG=CPV+CWT+CMT+CBT （12）

CE=imjnCijPi（t） （13）

式中，CE為環(huán)境治理成本，污染氣體種類(lèi)為CO2、SO2和NOX， Cij為各微電源對(duì)應(yīng)污染氣體的治理費(fèi)用。

2.2 約束條件

2.2.1 功率平衡

PPV+PWT+PMT+PBT=PL （14）

2.2.2 微電源約束條件

PPVmin≤PPV≤PPVmax （15）

PWTmin≤PWT≤PWTmax （16）

PMTmin≤PMT≤PMTmax （17）

2.2.3 蓄電池約束條件

SOCmin≤SOC≤SOCmax （18）

Pchmin≤Pch≤Pchmax? （19）

Pdismin≤Pdis≤Pdismax （20）

式中，Pchmin、Pchmax分別為充電功率最小、最大值，Pdismin、Pdismax為儲(chǔ)能放電功率最小、最大值。

3 模型求解算法

3.1 NSGA-Ⅱ算法介紹

NSGA非支配排序遺傳算法主要針對(duì)遺傳算法求解多目標(biāo)優(yōu)化問(wèn)題，但NSGA算法存在計(jì)算復(fù)雜性高、計(jì)算速度較慢等問(wèn)題。NSGA-Ⅱ算法相比傳統(tǒng)NSGA算法具有以下優(yōu)勢(shì)：采用快速非支配排序算法，計(jì)算復(fù)雜度小于NSGA算法;將父代種群與子代種群合并，使得下一代種群從雙倍空間中進(jìn)行選取，從而保留了最優(yōu)秀的所有個(gè)體;采用擁擠度和擁擠度比較算子，克服了NSGA中需要人為指定共享參數(shù)的缺陷，而且準(zhǔn)Pareto域中的個(gè)體可以擴(kuò)展到整個(gè)Pareto域并均勻分布，保持了種群的多樣性;引入精英策略，擴(kuò)大采樣空間，以防最佳個(gè)體丟失，提高了算法的運(yùn)算速度、魯棒性及計(jì)算精度。

3.2 NSGA-Ⅱ算法描述

綜上，利用NSGA-Ⅱ算法求解模型最優(yōu)解主要步驟如下[16]：

（1）隨機(jī)初始化個(gè)體數(shù)為N的父代種群Pt（初代為 P0），對(duì)Pt中的個(gè)體進(jìn)行快速非支配排序，選擇父代中優(yōu)良個(gè)體進(jìn)行交叉、變異，生成與Pt相同規(guī)模的子代種群Qt，將子代種群Qt與父代種群Pt合并形成個(gè)體數(shù)為2N的新種群Rt。

（2）對(duì)種群Rt內(nèi)的個(gè)體進(jìn)行快速非支配排序，對(duì)每個(gè)個(gè)體計(jì)算擁擠度，結(jié)合個(gè)體非支配排序和擁擠度大小篩選出優(yōu)良的N個(gè)個(gè)體，形成新的父代種群Pt+1。

（3）選取種群Pt+1內(nèi)的優(yōu)秀個(gè)體進(jìn)行交叉、變異，形成新的子代種群Qt+1，再重復(fù)以上操作進(jìn)行新一輪尋優(yōu)，直到達(dá)到最大迭代次數(shù)，輸出Pareto 最優(yōu)解集。NSGA-Ⅱ算法流程如圖1所示，NSGA-Ⅱ算法仿真如圖2所示。

4 算例分析

本文以某地區(qū)微電網(wǎng)典型日為例，對(duì)微電網(wǎng)進(jìn)行孤島運(yùn)行分析，調(diào)度周期為24h。設(shè)定BA的SOC初值為0.3，SOC范圍為0.2～0.9。該地區(qū)PV、WT日輸出功率與日負(fù)荷預(yù)測(cè)曲線(xiàn)如圖3所示（彩圖掃OSID碼可見(jiàn)）。各微電源基本參數(shù)如表1所示，相應(yīng)污染排放量及治理費(fèi)用如表2、表3所示。

采用 NSGA-Ⅱ算法得到各微電源出力情況如圖4所示，MOPSO算法的各微電源出力情況如圖5所示（彩圖掃OSID碼可見(jiàn)）。采用NSGA-Ⅱ算法時(shí)，在8：00-12：00與18：00-21：00兩個(gè)負(fù)荷高峰階段，蓄電池放電，燃?xì)廨啓C(jī)相應(yīng)進(jìn)行出力，有效緩解了微電網(wǎng)高峰時(shí)段的供電壓力;在22：00-24：00負(fù)荷低谷時(shí)段，蓄電池主要進(jìn)行充電，以?xún)?chǔ)存電能，燃?xì)廨啓C(jī)輔助供電;在0：00-8：00時(shí)段，由于光伏和風(fēng)力發(fā)電出力較小，蓄電池和燃?xì)廨啓C(jī)進(jìn)行放電;同時(shí)，在其它平常時(shí)段根據(jù)負(fù)荷和微電源出力情況進(jìn)行相應(yīng)充放電。根據(jù)微電源出力圖，光伏在8：00左右才開(kāi)始出力，在14：00左右光照最強(qiáng)，出力也最大，在19：00左右結(jié)束出力。相比光伏出力，風(fēng)力發(fā)電主要受風(fēng)速影響，在24小時(shí)內(nèi)均有出力，但在一天的早期時(shí)段出力較小，在晚間18：00左右出力增加，在夜間承擔(dān)大部分微電網(wǎng)出力。NSGA-Ⅱ算法相比于MOPSO算法，其優(yōu)越性體現(xiàn)在調(diào)度方案更為合理，儲(chǔ)能充放電更為有序，并能更多地消納可再生能源。

NSGA-Ⅱ算法與MOPSO算法得到的光伏消納分別如圖6、圖7所示（彩圖掃OSID碼可見(jiàn)）。兩種算法光伏消納功率與總光伏功率趨勢(shì)基本一致，但NSGA-Ⅱ算法的光伏消納功率更貼近總光伏功率，光伏消納比例更高，光伏發(fā)電能源利用能力優(yōu)于MOPSO算法。

同理，NSGA-Ⅱ算法與MOPSO算法得到的光伏消納分別如圖8、圖9所示（彩圖掃OSID碼可見(jiàn)），從中也可得出NSGA-Ⅱ算法的風(fēng)力消納比例更高。從表4中可具體看出兩種算法的風(fēng)光消納比例參數(shù)，NSGA-Ⅱ算法光伏消納比例為93.525%，而MOPSO算法光伏消納比例為84.23%，同時(shí)NSGA-Ⅱ算法風(fēng)力發(fā)電消納比例為93.182%，MOPSO算法風(fēng)力發(fā)電消納比例為69.19%。整體來(lái)看，NSGA-Ⅱ算法微電網(wǎng)風(fēng)光消納比例為93.27%，MOPSO算法風(fēng)光消納比例為73.15%。因此，采用NSGA-Ⅱ算法能達(dá)到更理想的風(fēng)光消納效果，可實(shí)現(xiàn)風(fēng)光消納最大化目標(biāo)。

微電網(wǎng)的經(jīng)濟(jì)指標(biāo)主要涉及微電網(wǎng)運(yùn)行維護(hù)成本、燃料成本和污染治理成本。無(wú)論是NSGA-Ⅱ算法還是MOPSO算法，在總成本中，燃料成本占較大比例，其次是污染治理成本，而各微電源運(yùn)行成本相對(duì)較低。在運(yùn)維成本中，光伏發(fā)電運(yùn)維成本最低，燃?xì)廨啓C(jī)運(yùn)維成本較高，如表5、表6所示。從NSGA-Ⅱ算法與MOPSO算法經(jīng)濟(jì)指標(biāo)對(duì)比可以看出，NSGA-Ⅱ算法明顯降低了由燃?xì)廨啓C(jī)產(chǎn)生的占比較大的燃料成本。NSGA-Ⅱ算法燃料成本為544.287元，MOPSO算法燃料成本為710.147元，且NSGA-Ⅱ算法其它成本也低于MOPSO算法成本。在總成本方面，NSGA-Ⅱ算法成本為780.996元，MOPSO算法為1 001.96元，如表7所示。所以本文采用的NSGA-Ⅱ算法在經(jīng)濟(jì)指標(biāo)上實(shí)現(xiàn)了運(yùn)行成本最小化目標(biāo)。此外，在微電網(wǎng)運(yùn)行過(guò)程中應(yīng)盡量減少燃?xì)廨啓C(jī)類(lèi)機(jī)組，通過(guò)最大程度上使用清潔能源能減少一定的污染治理成本，從而有效減少總成本。

5 結(jié)語(yǔ)

本文研究了孤島微電網(wǎng)優(yōu)化調(diào)度問(wèn)題，針對(duì)可再生能源出力的不確性，以風(fēng)光消納最大和微電網(wǎng)運(yùn)行成本最小為目標(biāo)函數(shù)，建立了含光伏、風(fēng)力、蓄電池和燃?xì)廨啓C(jī)的多目標(biāo)模型，以孤島微電網(wǎng)24小時(shí)典型日為例，采用多目標(biāo)NSGA-Ⅱ算法進(jìn)行優(yōu)化調(diào)度。結(jié)果表明，NSGA-Ⅱ算法一定程度上實(shí)現(xiàn)了風(fēng)光消納比例最大和微電網(wǎng)運(yùn)行成本最小的目標(biāo)。下一步研究將考慮把改進(jìn)NSGA-Ⅱ算法應(yīng)用于微電網(wǎng)系統(tǒng)，并分析微電網(wǎng)在并網(wǎng)模式下的調(diào)度方案是否仍具有優(yōu)勢(shì)。