基于遗传算法的多目标微电网优化调度研究

李家鑫

（长沙理工大学国际学院，湖南 长沙 410114）

微电网发展中需要注重的问题是多目标优化调度，许多国内外的研究学者在这领域已取得了傲人的成果。文献[1]构建了以微网运行成本和环境污染最小的多目标优化模型，运用鸟群算法来求解模型，该算法拥有较强的搜索能力；文献[2]综合考虑用户需求响应资源以及可再生能源机组出力和用户负荷不确定性的多能源微网日前调度优化模型。文献[3]以包含风/光/储/柴的微网作为优化配置对象，以微网年均总成本为优化目标，搭建了各微源的出力模型以及微网的年均成本模型。提出采用人群搜索算法进行优化。文献[4]以经济成本、环境成本为综合目标函数，采用粒子群算法解决孤岛运行下微电网优化问题，但由于标准粒子群算法存在易于陷入局部最优和收敛性差等缺陷，应寻找更好的改进方法以提高其性能，如文献[6]中使用了加权变异的粒子群算法。

本文中的多目标优化遗传算法也存在着一些不可避免的缺点。首先,该算法在高维度求解中表现较差，存在着选择压力过小的问题。其次，个体与个体之间产生支配关系的可能性将越来越小；最后，随着求解维数的增加，拥挤距离的计算极其复杂且用时较长，表现较差。

1 孤岛微电网优化调度模型

微电网优化调度的优化目标根据实际情况的不同而略有不同，有经济性、技术性、环保性等指标。本文通过对含有微型燃气轮机、柴油发电机、燃料电池和蓄电池等分布式能源和可控负荷的孤岛运行微电网系统进行分析，提出基于微电网运行经济成本、环境效益及罚函数的综合目标函数。

1.1 微网的组成

微电网是与大电网相对的小型网络，由多个分布式电源及对应的负载按一定的网架构成。微电网由分布式电源、能量转换设备、储能设备、保护设备、相关负荷和监控组成的一个小型的电力系统。微网既可以并网运行，也可以以孤岛模式运行，比较灵活。

1.2 微网运行模式

在上述背景下，本文针对以微电网综合成本最小为目标函数的孤岛微电网优化调度问题进行了研究。在并网状态时，当PBL＜PPV+PWT+PMT+PSHP+PSTP+PFC时，有多余出力，优先向微电网的储能电池充电，然后微网向电网供电；当电网电价低于微网发电费用或PBL＞PPV+PWT+PMT+PSHP+PSTP+PFC等，储能电池先进行放电，欠缺的部分由微网向电网购电；其他情况微网按调度结果分别出力。

在 孤 岛 状 态 时，当PBL＜PPV+PWT+PMT+PSHP+PSTP+PFC时，微网不仅向用户供电，还向蓄电池供电；当PBL＞PPV+PWT+PMT+PSHP+PSTP+PFC时微网发电不能满足需求，蓄电池也向其用户供电；当PBL＞PPV+PWT+PMT+PSHP+PSTP+PFC时，暂时切除部分负荷，以达到供求的平衡。PBL为负荷功率。定义柴油发电机和燃油汽轮机的功率。最终计算单位成本。

1.3 出力机组模型

1.3.1 柴油发电机模型

式中，Com,DG为DG的运行管理成本，kom,DG为DG的维护系数（元/kW·h），取值为0.0869；PDG(t)为第t时段DG的出力；CDG,fuel为DG的燃料成本，α、β、γ为燃料成本系数。

1.3.2 微燃机模型

其中，Com,MT为MT的运行管理成本，kom,MT为MT的维护系数（元/kW·h），是指发出1kWh电量消耗的维护费用，取值为0.0401；PMT(t)为第t时段MT的出力；CMT,fu为MT的燃料成本，CMT为MT的燃料气体单价，LHV为天然气低位热值，ymtMT为MT的工作效率。

1.3.3 燃料电池模型

式中，Com,FC为FC的运行管理成本，kom,FC为FC的维护系数（元/kW·h），取值为0.6286；PFC(t)为第t时段FC的出力；CFC,fu为FC的燃料成本，CFC为FC的燃料气体单价，LHV为天然气低位热值，ymtFC为FC的工作效率。

1.3.4 蓄电池模型

微网中可再生能源发电具有随机性和波动性，蓄电池作为储能装置，是实现微电网能量平衡管理的重要设备之一，可以提高整个系统的可控性和可靠性。

蓄电池的荷电状态（State of Charge, SOC）表示电池剩余容量与其完全充电状态的容量（额定容量）的比值，即代表电池可充入和释放能量能力的大小。本文所建立的蓄电池模型主要考虑其容量与充放电功率的约束：

式中，SOC(t)为t时段BAT的荷电状态，Pch(t)、Pdis(t)分别为t时段BAT的充、放电功率，ηC、ηD分别为BAT的充、放电效率。

1.4 目标函数和约束条件

本文中在初始时刻即对各机组在出力范围内赋予初值，后进行迭代寻优。通过算法进行迭代优化，通过调整各机组出力逐渐降低总成本，最终输出对应的机组出力方案。

本文中主要考虑了以下几方面。

1.4.1 基础成本

采用加权系数法计算总成本，建立如下目标函数：

式中，COM为运行维护成本；Cf为燃料成本；CDP为折旧成本；Cgrid为大电网和微网的交互成本；CL为可中断负荷补偿成本；Ce为环境成本；k1，k2，k3……为费用系数，通过取0或1表示费用。0表示没有此项费用，1表示此项费用存在2。I为DG编号。

其中，Rpo为单位时间内污染物的总排放量，NiCO2代表了碳的单位污染物排放量，NiNOx)代表氮的单位污染物排放量，NiS代表硫的单位污染物排放量。CRpo为总治理成本，MR代表了单位污染物成本系数。具体数据如表1所示。

表1

1.4.2 燃料成本与运行维护成本

式中，KOMi为第i个DG运行维护系数（元/kWh）；Pit为微网中第i个DG在t时刻的输出功率（kW）。

其中，CPi为t时刻微网向配电网买电电价（元/kWh）；CSt为t时刻微网向配电网售电价（元/kWh）；CGPi为t时刻配电网向微网售电量（元/kWh）；CSPt为t时刻微网向配电网售电量（kWh）。

2 优化算法的使用

在经济性和环保性目标函数中，它们之间存在着一定的矛盾。当一个目标函数的提高需要以另外一个目标函数的降低作为代价时，这样的两个解是非劣解，也就是Pareto最优解。多目标优化算法就是要找到这些Pareto最优解。本文选择利用gamultiobj函数来进行求解。

本文中将PopulationSize设置为1000，目的是为了增加变量的多样性；将EliteCount设置为30，能够保证有效地替换表现较差的粒子。经过多次实验表明，将遗传代数设置在1000代时以足够保证函数收敛。在设置好变量约束范围后便可进行求解。

算法的具体流程如图1所示。

图1

3 算例分析

3.1 基础数据

本文将一个包含风力发电系统、光伏发电系统、微燃机、内燃机、燃料电池、蓄电池的典型孤岛微电网系统作为实验分析对象，以验证多目标优化遗传算法的优越性。由于风机与光伏的出力不可控，所以仅对微型燃气轮机、柴油发电机、燃料电池和蓄电池这四部分机组的出力调节进行仿真，实现优化调度的目的。

本案例中，设置柴油发电机组出力上限为60kW，微燃机与燃料电池的出力上限为65kW，三者出力下限均设为0，蓄电池的最大充放电功率为40kW，采用表1中某典型日提供的数据作为参考，以24h作为调度周期，以1h为单位划分优化调度时间。基于多目标优化遗传算法，本文采用MATLAB进行优化调度的仿真实验。

仿真结果如图2所示：上半部分为该遗传算法的迭代优化过程，下半部分为优化后各机组的出力曲线图。分析可知，该仿真中前期各机组出力较少，主要侧重对蓄电池进行充电；8～16时间段主要有柴油发电机进行供电；16～24时间段用电量较大，由蓄电池，柴油发电机和微燃机共同满足供电需求。该模型较好地契合了实际生产过程中的电力需求情况，具有较强的可靠性。

图2

3.2 结果分析

孤岛运行状态的微电网，由其内部各微电源和储能装置共同出力来承担符合需求。由出力曲线可知，在优化调度的过程中，当风光出力远大于负荷需求时，考虑蓄电池荷电状态以判断是否为储能装置充电；反之，综合考虑各机组的运行管理成本、燃料成本和出力约束，利用MT、DG、FC为负荷提供不足的电能，并用储能装置实现进一步的充放电调节以满足微网功率平衡。

由上文可知，本文所采用的多目标优化遗传算法应用于微电网优化调度模型时，收敛速度较快，相比本文中的PSO算法，综合成本及环境成本较低，有更好的经济价值和环保价值。本文通过多次实验，从求解结果与最优解的接近程度上对两种算法进行了比较。结果显示，本文采用的多目标遗传算法具有更好的求解能力，求解结果更趋近于最优解。

4 结语

本文针对孤岛模式下含风光、MT、DG、FC及储能装置的微电网优化调度问题，综合考虑其经济成本和环境成本，并引入自适应惯性权重和收缩因子，提出了一种改进PSO算法来增强全局和局部搜索能力。算例仿真结果表明，本文采用的改进方法在提高收敛速度的同时有效降低了综合目标成本，取得了良好的优化效果。