基于蚁狮算法的微电网能源随机优化调度方法

张静杨，牛 聪，马 曦

（国网西咸新区供电公司，陕西 西咸新区 712000）

0 引 言

可再生能源在中国能源结构中的份额逐渐增加。电力生产使用清洁能源符合国家节能减排政策，但风能和太阳能等清洁能源具有中断性和不确定性[1]。微电网将其组合在一起，解决了清洁能源间歇性带来的问题[2]。目前，微电网优化研究主要集中在3 个不同的方面，即分布式发电、控制负荷以及微电网随机优化调度[3]。本文提出了一种基于蚁狮算法的微电网能源随机优化调度方法，并与具体实例进行了对比实验。结果表明，该方法可以降低微电网的运营成本。

1 基于蚁狮算法的微电网能源随机优化调度方法设计

1.1 基于蚁狮算法设计微电网随机调度模型

传统的配电网在从制造到使用的电力传输过程中处于被动状态，无法控制整个传输过程[4]。为了确保风能和太阳能生产的消纳能力，将这2 种可再生能源机制利用率最大化，将蚁狮算法融入配电网，创建随机微电网并随机管理受控单元。设计一种基于蚁狮算法的微电网随机调度模型。

假设最优配电网与其规划成本计划之间的差异，然后基于该假设进行高斯分布，可推导出目标函数为

式中：Ypk为储能结构中每单位储能单元的运行成本；Yfd为每单位发电热单元的发电成本；Yh为高级别电网的最低成本；Ymin为与分布式规划的实施相关联的最小成本。在这个过程中可以得到以下3 个成本计算公式

式中：Tg(t)和Top(t)为由热量产生的电力和t时间存储在存储结构中的电力；Pde(t)为发电机组内储能设备完全储存所需的运行成本；Pc(t)为发电机组在t期间生产的发电生产成本；Tn(t)为t时刻内配电网与上层电网交互生成的功率；Pm(t)为采购单位在t时的发电机组成本。

考虑到上述变化引起的干扰，建立基于蚁狮算法下的微电网随机调度模型为

式中：si(t)为配电网的模型驱动动力。

1.2 设定约束条件

为了在随机微网络规划过程中实现负载平衡，对微电网随机调度模型的限制必须包括对系统电力平衡的限制、对储能电池运行的限制以及对微网络和大型网络之间互联线路的限制[5]。

微网络的优化计划必须确保系统电力的实时平衡，表示为

式中：Pload,t为t时段内的系统负荷；PWT,t和PPV,t为t时刻期间风机和光伏的预期发电效果；PG,i,t为受控实体的经营限制；Pdis,t为退出限制；Pcha,t为解除限制；Pgrid,t为最低经营时限。等式（4）的右侧为制度的净负担，反映了微电网的运行状况，等式（4）左侧的变量是由微电网随机化的优化调度确定的，具有以下关系

式中：non,i,t为可控机组i 在0 时刻的运行状态；Pi,RD和Pi,RU为最大下调力和最大拉力；UTi为运行状态时的持续时间；DTi为停机状态时的持续时间；nsu,i,t为控机组i 在时段t停运；nsd,i,t为指示机组停运状态的二进制变量；Ton,i和Toff,i分别为可控机组i 的最小运行时间和最小停运时间；Ion,i和Ioff,i分别为可控机组i的初始运行时间和初始停运时间；PG,i,min和PG,i,max分别为可控机组i的最小出力和最大出力。

式中：PGrid,max和PGrid,t为对微网络和大型网络之间互联线路的限制。

上述模型是相对无效的非线性规划模型的混合数量[6]。为了提高模型的效率，对每个组件约束的设定必须在微系统中进行简化，用以提高模型求解的准确性。

1.3 对模型求解

如图1 所示，基于蚁狮算法设计的微电网随机调度模型由双Bi-LSTM 神经网络构成，长短期记忆（Long Short Term Memory，LSTM）中性网络第二层的输入数据为第一层的输出数据[7]。该模型的总体管理是随机24 h 系统负荷，可以从光伏和风机负载预测数据中获得总样本，其获取结果为24 时段编程决策的结果，特别是通过包括每个控制单位时间的释放。

图1 基于蚁狮算法设计的微电网随机调度模型求解示意

在执行模型求解之前，应提供正常的样本数据。系统净负载数据和控制单元输出数据的归一化在[0，1]，而蓄电池的负载和排气容量以及微电网和大电网互连线路的交换容量进行归一化，方程为

式中：Pnet,t为净负荷时间t的系统表示；Pes,t为电池存储期间加载和释放的功率，当Pes,t＞0 时执行指令，当Pes,t＜0 时则 相反；Pnet,t0、PG,i,,t0、Pes,t0、PGrid,t0分别为净负载的正常值、控制单元的输出、储能和排气能力以及微网络和大型网络连接的功率变化。

值得注意的是，采用基于蚁狮算法的微电网随机优化调度决策方法并没有考察优化规划的内部机制。鉴于输出规划决策的输出结果可能不符合微电网系统电力资产平衡表的限制和各种元件的操作限制，因此必须根据网络的输出结果进行相应处理，具体处理原则如下。

（1）如果模型控制设备的输出力小于最小技术输出力的0.5 倍，则认为控制设备的输入力为0；如果控制设备的输出力度是最小技术输出或最小技术输出的0.5 倍，则控制设备的产量应被视为最小技术输出力。

（2）当输出值在控制单元的输出、储存、排气能力以及模型互联线路的传输能力超过上限时，则取输出值。

（3）如果对照单元的2 个相邻周期对于样本结果不满足该单元的梯度上限和下限，则下一周期对照单元的结果等于正负最大增加的前一周期的结果。

（4）如果模型控制的每个机组的活动不符合最小运行和中断时间限制，则在不符合最小操作时间的时间段内，待控制机组的输出力度应为最小技术输出力度。

（5）如果每个时段使用的蓄电池的生产能力不符合容量限制，则应根据在不符合容量极限的时段内收集的最大（最小）位置来确定储能收集（排放）容量。

（6）蓄电池规划周期的收集和排气容量的值取决于所有其他编程周期的总收集和排气能力，在编程周期期间受存储能量平衡限制。

（7）微电网和大型互联线路的交换容量取决于当前系统网络负载、控制单元的输出和储能能力以及排气能力，以符合系统的电力平衡约束。

网络输出的结果应根据以下原则进行处理：首先是不等式极限，其次是等式极限、组件极限，最后实现对模型的求解。

本文使用Adam 优化算法训练双层LSTM 微网络模型，并选择均方误差作为损失函数。利用Adam 算法对模型求解，公式为

式中：B为归约因子；s为学习速度；PG,i,t0、PVes,t0、PVGrid,t0为投影输出值；e为更新的神经网络权重参数，是简化参数；m1和v1分别为一阶和二阶的平均梯度；PG,i,t0、Pes,t0、PGid,t0为输出量的实际值。

2 实验论证

为了验证本文所提方法的有效性，选取其他2个传统微电网能源调度方法a和b进行对比实验，并将测试结果与基于蚁狮算法的微电网能源随机优化调度方法进行对比分析。

2.1 实验准备

3种微电网能量调度方法分别包括风力发电机组、光伏发电机组以及4 台带储能电池系统的微汽轮发电机组。转换器的最大负载和排气功率为500 kW，电池的初始功率为1 500 kW·h，储能电池的容量为3 600 kW·h，风机和光伏的功率为800 kW，单位充排成本为0.08 元/kW·h，充排效率为0.89。随机交易的分时电价如图2 所示。

图2 分时交易电价

2.2 对比实验

不同方法运行成本的对比结果如图3 所示：本文方法下的运行成本平均为21.79 元；传统方法a的运行成本平均为25.79 元，比本文方法运行成本高出4 元；传统方法b的运行成本平均为23.79 元，比本文方法运行成本高出2 元。可以得出结论，基于蚁狮算法的微电网随机优化调度方法可以充分利用模型调度决策信息，从而降低运行成本。

图3 不同方法运行成本的对比结果

3 结 论

在推广和应用新型电网时，应考虑智能电网规划中微电网的经济性。本文提出了一种基于蚁狮算法的微电网随机优化调度方法，将其应用于微电网行业。对比实验结果表明，该方法可以有效降低运营成本，为微电网优化的进一步研究提供了一定的依据。