王 乾

（華北水利水電大學(xué)，河南 鄭州 450045）

1 模型建立

1.1 微型燃?xì)廨啓C

微型燃?xì)廨啓C是一種容量較小的熱力發(fā)電機，其主要燃料為天然氣和汽油。本文采用三階效率模型其單機的燃料成本如下：

式中，F(xiàn)MT為燃?xì)廨啓C的燃料成本；C為天然氣價格；LHV為天然氣的低熱值；PMT（t）為汽輪機的輸出功率。

1.2 燃料電池

燃料電池是一種利用燃料以及空氣作為原料來發(fā)電的裝置。其數(shù)學(xué)模型如下：

式中，C為氣體燃料價格；PFC（t）為燃料電池在t時段的發(fā)電功率；ηFC為燃料電池的功率。

1.3 儲能單元

由于微網(wǎng)種的分布式發(fā)電裝置如風(fēng)電、光伏發(fā)電較多，其輸出功率受到許多因素的影響，因此為了更有效地利用自然能源，防止棄風(fēng)、棄光等現(xiàn)象，需要在微網(wǎng)中配置一定數(shù)量的蓄電池，其模型為：

式中，SOC（t）為在t時段的荷電狀態(tài)；Pc（t），Pd（t）為在t時段的充電和放電的功率；ηc，ηd為充放電時的效率。

1.4 分布式電源

分布式電源指的是模塊化的，不與電網(wǎng)相連的35kv電壓以下電壓等級的獨立式電源。本文采用柴油發(fā)電機作為分布式電源進行建模，數(shù)學(xué)模型如下：

式中，F(xiàn)DG為柴油發(fā)電機的燃料成本；PDG（t）為柴油機在t時段的輸出功率；a，b，c為柴油機的燃料成本系數(shù)。

2 多目標(biāo)優(yōu)化調(diào)度模型

2.1 目標(biāo)函數(shù)

本文從微網(wǎng)運行的經(jīng)濟性和對環(huán)境的友好性兩個方面來進行分析，考慮設(shè)定目標(biāo)函數(shù)如式（5）所示：

式中，Ce為微網(wǎng)的發(fā)電成本；Ccon為發(fā)電產(chǎn)生污染氣體對環(huán)境的污染懲罰成本；CP為蓄電池荷電狀態(tài)的越界懲罰量；CS為系統(tǒng)有功不平衡懲罰成本；k1，k2為成本的權(quán)重值。

2.2 約束條件

（1）電源出力約束：

（2）蓄電池運行約束：

3 模型求解

3.1 粒子群算法簡介

粒子群算法是一種仿生算法，其原理是模仿鳥群的覓食行為。PSO算法具有操作簡單、收斂速度快和易于實現(xiàn)等優(yōu)點，但同時早熟和維數(shù)災(zāi)等問題也在不同程度上限制了PSO的應(yīng)用，因此以下對基礎(chǔ)的算法進行兩個方面的改進。

3.2 改進PSO算法

3.2.1 動態(tài)自適應(yīng)慣性權(quán)重策略

由文獻[4]知，對于PSO算法，慣性權(quán)重的大小與算法的搜索能力呈正相關(guān)性，同時與算法的計算效率成負(fù)相關(guān)性。并且由文獻[5]知，對于優(yōu)化調(diào)度等大維度的問題應(yīng)用PSO求解更加容易出現(xiàn)早熟問題，因此以下對算法進行動態(tài)搜索能力的改進。

在PSO算法中，當(dāng)種群更新迭代操作處于初期時，物種的多樣性較強，應(yīng)當(dāng)設(shè)置較大的慣性權(quán)重，當(dāng)?shù)幱诤笃跁r，物種的多樣性較少，因此為了避免早熟應(yīng)當(dāng)上調(diào)慣性權(quán)重的值，具體方法如下：

式中，ωmax，ωmin分別為設(shè)置的慣性權(quán)重的上限與下限值；T為當(dāng)前的迭代次數(shù)；Tmax為算法的迭代上限。

3.2.2 動態(tài)學(xué)習(xí)因子

學(xué)習(xí)因子是PSO算法中的重要參數(shù)，代表了例子群眾粒子自我學(xué)習(xí)和社會認(rèn)知能力的表現(xiàn)。本文在傳統(tǒng)粒子群算法上進行改進，將固定的學(xué)習(xí)因子改進為隨著迭代次數(shù)動態(tài)變化的值，以提高算法的尋優(yōu)能力。

4 算例分析

4.1 基礎(chǔ)數(shù)據(jù)

本文以典型的含可再生能源發(fā)電單元、柴油發(fā)電機、燃?xì)廨啓C以及蓄電池的典型微網(wǎng)來進行算例分析，檢驗本文的模型與算法。

光伏發(fā)電及風(fēng)電發(fā)電負(fù)荷預(yù)測如下：

圖1 微網(wǎng)預(yù)測數(shù)據(jù)圖

4.2 優(yōu)化結(jié)果分析

采用改進算法對本文所建立的微網(wǎng)模型進行求解，并為了驗證改進算法的優(yōu)越性，對改進前后兩種情況的優(yōu)化結(jié)果進行分析。

不同方法的最優(yōu)結(jié)果如表1所示：

表1 最優(yōu)結(jié)果對比

經(jīng)過對比可見，改進方法提升了傳統(tǒng)算法的搜索能力，使早熟問題得到了一定的改善，同時計算效率也有所上升，由此可知改進后的算法具有更高的尋優(yōu)能力和效率。

優(yōu)化調(diào)度結(jié)果如圖2所示：

圖2 優(yōu)化調(diào)度方案

對結(jié)果進行分時段分析：

（1）1～6點，微網(wǎng)負(fù)荷較小，此時風(fēng)電的輸出功率可以滿足大多的負(fù)荷需求，系統(tǒng)充分利用風(fēng)能作為主要電源。

（2）6～16點，微網(wǎng)負(fù)荷逐漸增加，柴油發(fā)電機組、燃料電池以及微型燃?xì)廨喌妮敵龉β书_始增加，作為微網(wǎng)的主要電能來源，同時也不斷將電源多發(fā)的電能儲存進蓄電池單元。

（3）16～24點，微網(wǎng)的負(fù)荷達到了高峰期，此時各發(fā)電機組的輸出功率已經(jīng)不能較好地滿足微網(wǎng)負(fù)荷。為了滿足用戶負(fù)荷，微網(wǎng)中的蓄電池單元開始對外輸出功率。23點后用戶負(fù)荷開始減小，同時各機組的輸出功率也逐漸減小。

綜上所述，改進粒子群算法對微網(wǎng)的優(yōu)化調(diào)度結(jié)果較好地滿足了微網(wǎng)發(fā)電經(jīng)濟性和環(huán)保性的要求。

5 結(jié)束語

本文針對含多種分布式發(fā)電設(shè)備的微電網(wǎng)，建立了多目標(biāo)的優(yōu)化模型并對其求解，并對結(jié)果進行分析說明，證明了本文方法所求得的調(diào)度方案能較好地滿足了微網(wǎng)運行的經(jīng)濟型和環(huán)保性，同時也體現(xiàn)了微網(wǎng)供電的靈活性，驗證了改進的算法在求解微網(wǎng)優(yōu)化調(diào)度方案上的合理性和優(yōu)越性。