彭明城

摘要：研究一種含有微型渦輪機(jī)-燃料電池-儲(chǔ)能電池混合能源的可再生微網(wǎng)系統(tǒng)，針對(duì)不同的分布式電源及儲(chǔ)能裝置的運(yùn)行特性建立相應(yīng)的數(shù)學(xué)模型，考慮系統(tǒng)的負(fù)載需求、與主網(wǎng)交互時(shí)購買及銷售電的價(jià)格等約束條件，建立并網(wǎng)運(yùn)行成本最優(yōu)的經(jīng)濟(jì)性模型。根據(jù)模型特性選用改進(jìn)的粒子群優(yōu)化算法對(duì)該非線性系統(tǒng)進(jìn)行優(yōu)化，采用分段函數(shù)作為慣性權(quán)重，并加入單純形調(diào)優(yōu)法調(diào)整粒子，算法在求解大狀態(tài)空間維數(shù)的優(yōu)化問題時(shí)，具有更好的穩(wěn)定性。典型算例驗(yàn)證表明，所提經(jīng)濟(jì)模型合理，求解算法效果良好。

關(guān)鍵詞：微網(wǎng)；分布式電源；粒子群算法；單純形調(diào)優(yōu)法

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2015）11-0162-05

Operation Management of a Renewable Microgrid Based on Improved Particle Swarm

PENG Ming-cheng

（HeFei University of Technology， Hefei 230009， China）

Abstract： Taking a study on a renewable MG（microgrid） accompanied by a back-up Micro-Turbine/Fuel Cell/Battery hybrid power source. On the basis of the research on the operation characteristics of different distributed power generations and energy storage， considering some constraint conditions such as the load demand and the electricity prices of dealing with the grid， then a economic mathematical model is proposed to reduce the operation cost of the MG. According to the characteristics of the model we proposes an improved PSO（Particle swarm optimization） whose inertia weight is a piecewise function， and also the simplex evolutionary method is added to adjust the particles. The simulation results show that the proposed model is reasonable and the algorithm is superior.

Key words： microgrid； energy management； PSO（Particle swarm optimization）； simplex evolutionary method

分布式電源是一種靠近用電需求側(cè)配置較小的發(fā)電機(jī)組，一般在幾千瓦至幾十兆瓦之間，常見的機(jī)組有燃料電池、小型燃?xì)廨啓C(jī)、小型光伏發(fā)電、小型風(fēng)力發(fā)電等。具有提高供電可靠性、減少輸電損失、增加能源利用率、解決偏遠(yuǎn)地區(qū)供電困難、低成本等優(yōu)勢(shì)。用電需求的增加、環(huán)境問題的突出、技術(shù)的發(fā)展等因素的共同作用使得分布式發(fā)電成為新世紀(jì)重要的能源選擇[1-2]。然而，大量分布式電源的投入，在帶來好處的同時(shí)，也給電網(wǎng)的安全運(yùn)行、電能質(zhì)量等方面帶來了巨大挑戰(zhàn)，因此，人們提出了微網(wǎng)的概念。微網(wǎng)是相對(duì)于傳統(tǒng)主電網(wǎng)的一個(gè)概念，它由分布式電源、電力負(fù)載、儲(chǔ)能裝置以及控制裝置按照一定的拓?fù)浣Y(jié)構(gòu)組成，并通過靜態(tài)開關(guān)與傳統(tǒng)主電網(wǎng)相連，既可以與其并網(wǎng)運(yùn)行，也可以孤島模式運(yùn)行，較好的解決了分布式發(fā)電給電網(wǎng)帶來的種種不良影響 [3-5] 。

電力系統(tǒng)經(jīng)濟(jì)調(diào)度是電網(wǎng)控制運(yùn)行的重要內(nèi)容，其本質(zhì)是在滿足器件運(yùn)行特性、供電可靠性等多方面約束條件下，以電網(wǎng)運(yùn)營(yíng)成本為優(yōu)化目標(biāo)。微網(wǎng)作為電力系統(tǒng)的一部分，且其所占地位越來越重要，研究其經(jīng)濟(jì)型調(diào)度很有必要。目前為止，已有了大量的電網(wǎng)操作管理優(yōu)化方面的研究工作，主要目標(biāo)函數(shù)為低成本、低污染和高可靠性等。文獻(xiàn)[6]分析了三種模式的小型熱電聯(lián)產(chǎn)系統(tǒng)，分析說明了最小經(jīng)濟(jì)效益管理操作策略的優(yōu)越性；文獻(xiàn)[9]以投資者的角度，考慮了設(shè)備建設(shè)、運(yùn)行操作管理及設(shè)備維護(hù)的綜合耗費(fèi)，并提出一種二次規(guī)劃與粒子群算法的混合算法，對(duì)目標(biāo)函數(shù)進(jìn)行了優(yōu)化；文獻(xiàn)[10]針對(duì)一種由柴油機(jī)組、燃料電池及微型燃?xì)廨啓C(jī)組成的混合能源系統(tǒng)的微網(wǎng)模型進(jìn)行了分析研究，并提出一種自適應(yīng)改進(jìn)的粒子群算法對(duì)該系統(tǒng)一天的運(yùn)行成本進(jìn)行優(yōu)化；文獻(xiàn)[13]在微網(wǎng)經(jīng)濟(jì)性運(yùn)行優(yōu)化中，側(cè)重考慮了鉛酸蓄電池的保護(hù)使用，依此建立了多目標(biāo)微網(wǎng)經(jīng)濟(jì)性優(yōu)化模型，全面地評(píng)估系統(tǒng)經(jīng)濟(jì)性以及鉛酸蓄電池的損耗水平；文獻(xiàn) [14]針對(duì)風(fēng)能、光能、微型燃?xì)廨啓C(jī)熱電聯(lián)供應(yīng)及儲(chǔ)能電池混合能源系統(tǒng)，分析了各電氣設(shè)備的運(yùn)行特性，提出了合適的線性化方法，將微網(wǎng)規(guī)劃問題轉(zhuǎn)化為混合整數(shù)線性規(guī)劃問題求解?？紤]到微網(wǎng)自身擁有雙向交互能力，合理地控制微網(wǎng)內(nèi)各設(shè)備的運(yùn)行，利用實(shí)時(shí)電價(jià)下不同時(shí)間段的電價(jià)差額，可以降低微網(wǎng)運(yùn)行成本，進(jìn)而使微網(wǎng)更加經(jīng)濟(jì)有效地運(yùn)行。

針對(duì)可再生能源發(fā)電、微型渦輪電機(jī)、燃料電池及儲(chǔ)能電池等組成的混合能源系統(tǒng)，分析其上網(wǎng)運(yùn)行策略下的運(yùn)行特性，提出了以天成本最小為目標(biāo)的數(shù)學(xué)模型。該模型狀態(tài)空間維數(shù)較大，傳統(tǒng)的優(yōu)化方法存在優(yōu)化時(shí)間過長(zhǎng)、優(yōu)化結(jié)果精度較低及優(yōu)化結(jié)果分散度較大等問題。因此，本文擴(kuò)展了標(biāo)準(zhǔn)粒子群算法，采用分段函數(shù)表示其慣性權(quán)重，并運(yùn)用單純形調(diào)優(yōu)法改進(jìn)其粒子更新。在此基礎(chǔ)上，采用該算法對(duì)問題模型優(yōu)化求解，并與多種粒子群算法優(yōu)化結(jié)果進(jìn)行比較，驗(yàn)證了該方法的可行性及有效性。

1 問題描述

1.1問題模型

一種典型的低壓側(cè)微網(wǎng)物理系統(tǒng)模型如圖1所示：系統(tǒng)中包含著多種分布式電源，主要有微型渦輪發(fā)電機(jī)（MT）、低溫型磷酸燃料電池（PAFC）、光伏發(fā)電機(jī)（PV）、風(fēng)能發(fā)電機(jī)（WT）、鎳氫電池（NiMH-Battery）等，渦輪電機(jī)、燃料電池和儲(chǔ)能電池作為混合型后備能源分布于微網(wǎng)各處，平衡可再生能源的電量供應(yīng)與負(fù)載需求之間的平衡；在此，我們只考慮系統(tǒng)的電力供應(yīng)，而不考慮微網(wǎng)的供熱系統(tǒng)，并且系統(tǒng)只考慮分布式電源的有功功率；系統(tǒng)中的負(fù)載需求分為三種，分別是居民負(fù)載、工業(yè)負(fù)載和商業(yè)負(fù)載，這三種需求在系統(tǒng)中全部能夠得到滿足；此外，系統(tǒng)通過公共連接點(diǎn)（PCC）連接著主電網(wǎng)（Grid），在上網(wǎng)運(yùn)行模式下，微網(wǎng)不僅可以在有需要的時(shí)候向主電網(wǎng)買入電能，還可以在適當(dāng)?shù)臅r(shí)候向其售賣電能。整個(gè)微網(wǎng)系統(tǒng)的操作管理由微電網(wǎng)中央控制器（MGCC）控制，對(duì)系統(tǒng)的操作管理有如下幾種：1）各分布式電源運(yùn)行狀態(tài)（發(fā)電狀態(tài)或停機(jī)狀態(tài)）；2）儲(chǔ)能電池的運(yùn)行狀態(tài)（充電狀態(tài)、放電狀態(tài)或待機(jī)狀態(tài)）；3）系統(tǒng)與主網(wǎng)之間的交互狀態(tài)（系統(tǒng)向主網(wǎng)買電、系統(tǒng)向主網(wǎng)賣電或無交互）；4）以上所提的各種狀態(tài)下，涉及到的電量。

圖1 典型的低壓側(cè)微網(wǎng)系統(tǒng)理模型

以微網(wǎng)系統(tǒng)一天的操作成本為目標(biāo)函數(shù)進(jìn)行考慮，為了便于分析，把問題劃分為24個(gè)小時(shí)段，并且不妨設(shè)各設(shè)備在每個(gè)時(shí)間段內(nèi)功率的輸出（輸入）是恒定的，以各整點(diǎn)時(shí)刻的功率作為該時(shí)間段的功率，構(gòu)成問題模型的狀態(tài)空間。故目標(biāo)函數(shù)為：

[Min fX=t=1TCostt =t=1Ti=1NgPGitBGit+j=1Ns|Psjt|Bsjt+PGridtBGridt]

其中[X] 表示問題模型的狀態(tài)粒子：[X=[PG，PS，PGrid]1*nT]，式中[n=Ng+Ns+1]；

[PG ， PS ， PGrid]分別表示分布式電源、電池及主網(wǎng)在各時(shí)刻的發(fā)電量；[T]表示優(yōu)化調(diào)度的總時(shí)段；[BG ， BS ， BGrid]分別表示分布式電源、儲(chǔ)能裝置及主網(wǎng)在各時(shí)刻的發(fā)電成本。

1.2約束條件

1.2.1電力設(shè)備的功率范圍

任何電力設(shè)備在工作狀態(tài)時(shí)，都必須處于其正常工作狀態(tài)所允許的功率范圍之內(nèi)。所以，必須滿足：

[PGi，min（t）≤PGi（t）≤PGi，max（t）PSi，min（t）≤PSi（t）≤PSi，max（t）PGrid，min（t）≤PGrid（t）≤PGrid，max（t）]

其中[PGi（t）]為第i個(gè)分布式電源在t時(shí)間段的輸出功率，[PGi，min（t），PGi，max（t）]則分別表示該分布式電源在t時(shí)間段的輸出功率的下限和上限；[PSi（t）]為第i個(gè)儲(chǔ)能電池在t時(shí)間段的輸出（入）功率，[PSi，min（t），PSi，max（t）]則表示該儲(chǔ)能電池在t時(shí)間段輸出（入）功率的下限和上限；[PGrid（t）]表示t時(shí)間段微網(wǎng)系統(tǒng)與主網(wǎng)交互電能的功率，[PGrid，min（t），PGrid，max（t）]則表示t時(shí)間段微網(wǎng)系統(tǒng)向主網(wǎng)交互電能的功率下限和上限。

1.2.2電池容量

儲(chǔ)能電池不僅要考慮工作狀態(tài)時(shí)功率輸出（入）上下限范圍限制，還必須時(shí)刻注意電池內(nèi)的電量不能低于規(guī)定的最低電量，也不能高于規(guī)定的最高電量。所以，必須滿足：

[Stor（t）=Stor（t-1）-η充?Pst ? Δt， Pst<0Stor（t-1）-1η放?Pst? Δt ， Pst≥0]

其中[Stor（t-1）]表示t-1時(shí)刻電池的電量，[Stor（t）]表示t時(shí)刻電池的電量，并且滿足[Stor∈[Stormin ， Stormax]]，[η充]和[ηf放]分別表示儲(chǔ)能電池的充放電系數(shù)。

1.2.3電力供需平衡

微網(wǎng)在并網(wǎng)模式下，還需要保證微網(wǎng)內(nèi)所有的負(fù)載需求都能得到滿足。并且，這里所考慮的是低壓側(cè)的一種三支線的微型電網(wǎng)模型，功率傳輸?shù)膿p耗很小，在此我們忽略不計(jì)。所以，必須滿足：

[i=1NgPGi（t）+j=1NsPsi（t）+PGrid（t）=k=1NPLk（t）]

其中，[PLk（t）]表示在t時(shí)刻微網(wǎng)內(nèi)第k類負(fù)載的需求。

對(duì)于粒子迭代產(chǎn)生的供需不平衡現(xiàn)象，采用的粒子調(diào)整流程如下：

圖2 供需平衡限制流程圖

如圖2所示，當(dāng)粒子迭代產(chǎn)生某時(shí)刻不滿足電力供需平衡條件時(shí)，判斷當(dāng)前時(shí)刻的電力供需關(guān)系：若電力供應(yīng)不足，則將各供電單元按其當(dāng)前時(shí)刻的供電成本從小到大排成一列（蓄電池隨機(jī)插入），按照序列及相應(yīng)供電單元設(shè)備的電力限制依次調(diào)整；若電力供應(yīng)過剩，則將各供電單元按其當(dāng)前時(shí)刻的供電成本從大到小排成一列（蓄電池隨機(jī)插入），按照序列及相應(yīng)供電單元設(shè)備的電力限制依次調(diào)整。

2 粒子群算法

2.1 標(biāo)準(zhǔn)粒子群算法

粒子群算法[11]（ Particle Swarm Optimization， PSO）最早是由Eberhart和Kennedy于1995年提出，它的基本概念源于對(duì)鳥群覓食行為的研究，是一種基于群體的隨機(jī)優(yōu)化算法。PSO 采用 “速度一位移”搜索模型，該模型的運(yùn)算單位為粒子（Particle），每個(gè)粒子代表解空間的一個(gè)候選解，解的優(yōu)劣程度由適應(yīng)度函數(shù)（目標(biāo)函數(shù)）決定。算法中，每個(gè)優(yōu)化問題的解是粒子在搜索空間中的位置，而粒子速度決定了粒子搜索的方向和距離，這樣各個(gè)粒子就追隨當(dāng)前的最優(yōu)粒子并參考自身的搜索經(jīng)驗(yàn)在解空間中進(jìn)行尋優(yōu)。在初始狀態(tài)中，每個(gè)粒子的位置和飛行速度是隨機(jī)分布于解空間的，隨后粒子不斷地結(jié)合兩個(gè)極值（自身最優(yōu)位置和種群最優(yōu)位置）來動(dòng)態(tài)調(diào)整自己的位置和飛行速度，粒子將不斷的偏向最優(yōu)目標(biāo)點(diǎn)移動(dòng)，最終達(dá)到最優(yōu)目標(biāo)點(diǎn)。隨后于1998年Shi等在此基礎(chǔ)上引入了慣性權(quán)重的思想，提出了標(biāo)準(zhǔn)粒子群算法[12]，具體數(shù)學(xué)表述如下：

[Vik+1=ω*Vik+C1*rand1*（Pbest，i-Xik）+C2*rand2*（Gbest-Xik）] （1）

[Xik+1=Xik+Vik+1] （2）

式中：Vik表示粒子在第 k 次搜索的速度和方向； Vi（k+1）表示粒子在第 k + 1次搜索

中的速度和方向；[C1]和[C2]表示學(xué)習(xí)因子。[rand1]和[rand2]表示介于 [0，1]之間的隨機(jī)數(shù)；ω表示慣性權(quán)重系數(shù)；[Pbest，i]表示局部最優(yōu)位置；[Gbest]表示種群最優(yōu)位置。

2.2改進(jìn)的粒子群算法

2.2.1單純形調(diào)優(yōu)法

為了增強(qiáng)解決較大狀態(tài)空間問題時(shí)算法的搜索能力，避免早熟現(xiàn)象，本文引入單純性調(diào)優(yōu)法對(duì)粒子群算法進(jìn)行改進(jìn)。單純形調(diào)優(yōu)法是在正則單純形調(diào)優(yōu)法基礎(chǔ)上，為克服其只適用于正則單純形而提出的，具有反映、擴(kuò)散、收縮、緊縮四種機(jī)制。

記一組單純形[H{x0，x1，...，xn}]，其中[x0，x1，...，xn]為從“好”到“壞”（當(dāng)處理最小值問題時(shí)，適應(yīng)度函數(shù)值越小，則表示該點(diǎn)越“好”）排列好的n+1個(gè)頂點(diǎn)。

反映：去掉最壞頂點(diǎn)[xn]，并求得剩下的n個(gè)頂點(diǎn)的重心：[xn+1=1ni=0n-1xi]，然后，求最壞頂點(diǎn)[xn]關(guān)于重心的反映點(diǎn)：

[xn+2=xn+1+（xn+1-xn）=2xn+1-xn] （3）

擴(kuò)展：當(dāng)[f（xn+2）

[xn+3=xn+1+λ（xn+2-xn+1）] （4）

其中[λ>1]稱為擴(kuò)展系數(shù)。

收縮：當(dāng)[f（xn+2）≥f（xn-1）]時(shí)，不妨設(shè)，將[xn+2]和[xn]之間目標(biāo)函數(shù)值較小的點(diǎn)記為[xn]，另一個(gè)記為[xn+2]，并在點(diǎn)[xn]和[xn+1]的連線上靠近點(diǎn)[xn]處求一個(gè)收縮點(diǎn)：

[xn+4=xn+1+β（xn-xn+1）] （5）

其中[β∈（0，1）]稱為收縮系數(shù)。

緊縮：考慮到最好頂點(diǎn)[x0]可能最接近最優(yōu)解，則將單純形向頂點(diǎn)[x0]處緊縮：

[xi=x0+γ（xi-x0），i=0，1，...，n] （6）

其中[γ∈（0，1）]為緊縮系數(shù)。

以下給出了單純形調(diào)優(yōu)法的算法流程圖：

圖3 單純形法流程圖

2.2.2 分段式慣性權(quán)重

慣性權(quán)重系數(shù)ω平衡著全局搜索和局部搜索性能，較大的慣性權(quán)重有利于算法的全局搜索，但是不利于粒子的精確搜索；而較小的慣性權(quán)重有利于算法的局部搜索，但是容易讓搜索陷入局部最優(yōu)。當(dāng)粒子維數(shù)較大時(shí)，常規(guī)的線性遞減慣性權(quán)重，對(duì)粒子的收斂速度和收斂精度之間的協(xié)調(diào)能力較不理想，因此，提出了慣性權(quán)重分段式變化方式。算法初期采取較大的權(quán)重偏重于發(fā)揮粒子群算法的全局搜索能力以較快地找到合適的種子，隨著迭代步數(shù)的增加梯度式減小權(quán)重值，即逐漸偏重于發(fā)揮粒子群算法的局部搜索能力，提高收斂精度，具體表述如下：

[ω=ω1-kkmaxω2-k-k1kmax*r，k>k1ω3-k-k2kmax*r，k>k2 ?]其中[ωmin≤ωi≤ωmaxr=ωmax-ωmin]

其中kmax為最大迭代步數(shù)，k為當(dāng)前迭代步數(shù)，[ωi]和[ki]分別為預(yù)設(shè)的慣性權(quán)重及迭代步數(shù)。

3 實(shí)驗(yàn)仿真

3.1 算法流程

本文運(yùn)用上述所提算法的具體實(shí)現(xiàn)如下：

1） 設(shè)置模型相關(guān)參數(shù)與數(shù)據(jù)；生成粒子的初始位置[X]和速度[V]；

2） 計(jì)算每個(gè)粒子的適應(yīng)值[f（Xi）]并確定相應(yīng)局部最優(yōu)解[Pbest，i]，確定全局最優(yōu)解[Gbest]；

3） 由公式（1）及公式（2）更新粒子速度[V]及位置[X]；

4）結(jié)合單純形調(diào)優(yōu)法對(duì)粒子位置進(jìn)行更新；

4） 檢驗(yàn)判定條件，若滿足：a.迭代次數(shù)達(dá)到設(shè)定上限；b.全局最優(yōu)解連續(xù)N步差值小于[ε]，其中之一，則迭代停止；否則轉(zhuǎn)（2）。

3.2 仿真結(jié)果

3.2.1 模型參數(shù)

本文所提的改進(jìn)粒子群算法用來解決如圖1所示的低壓側(cè)微網(wǎng)模型。圖4顯示了預(yù)測(cè)狀態(tài)下風(fēng)力發(fā)電與光伏發(fā)電的最大出功；表1表示了主網(wǎng)的實(shí)時(shí)電價(jià)預(yù)測(cè)，模型中主網(wǎng)電價(jià)以小時(shí)為單位實(shí)時(shí)變動(dòng)；圖5顯示的是微網(wǎng)內(nèi)的負(fù)載預(yù)測(cè)，，這里的負(fù)載主要有是商業(yè)負(fù)載、工業(yè)負(fù)載、居民負(fù)載三種，三類負(fù)載的需求量也都以小時(shí)為單位實(shí)時(shí)變動(dòng)。

圖5 光伏及風(fēng)能出功預(yù)測(cè)

表1 主網(wǎng)電價(jià)預(yù)測(cè)

圖6 負(fù)載預(yù)測(cè)

3.2.2 模擬結(jié)果

綜合以上的研究分析，分別用PSO、CPSO、NPSO及改進(jìn)PSO這四種粒子群算法對(duì)該問題模型進(jìn)行求解優(yōu)化。實(shí)驗(yàn)仿真均建立在儲(chǔ)能蓄電池初始電量為空條件下，考慮到粒子群算法求解的隨機(jī)性，每個(gè)算法分別實(shí)驗(yàn)30次，以下表格給出了實(shí)驗(yàn)結(jié)果數(shù)據(jù)：

表2 四種粒子群算法的比較

從表2中可以看出，所提的改進(jìn)算法對(duì)比其他三種粒子群算法，在最好優(yōu)化結(jié)果、平均優(yōu)化結(jié)果、優(yōu)化結(jié)果標(biāo)準(zhǔn)差等方面都有著不同程度上的優(yōu)勢(shì)，算法的穩(wěn)定性相對(duì)較好。

圖6 儲(chǔ)能裝置初始電量為空時(shí)的尋優(yōu)曲線

圖6給出了改進(jìn)的粒子群算法與標(biāo)準(zhǔn)粒子群算法的尋優(yōu)曲線，可以看出，尋優(yōu)開始階段，改進(jìn)算法的慣性權(quán)重較大，粒子以較快的速度收斂到理想解附近，隨后，慣性權(quán)重分段式階躍變化，迭代步長(zhǎng)不斷遞減，算法的收斂精度不斷提高。

圖7 儲(chǔ)能裝置初始電量為空時(shí)的最優(yōu)結(jié)果

圖7給出的是改進(jìn)的算法求解的最優(yōu)結(jié)果柱狀圖。圖中顯示：主網(wǎng)的電價(jià)相對(duì)較低時(shí)，儲(chǔ)能裝置盡可能地存儲(chǔ)電量，為主網(wǎng)電價(jià)高時(shí)做預(yù)留；主網(wǎng)電價(jià)相對(duì)較高時(shí)，盡可能地利用微網(wǎng)內(nèi)分布式電源或儲(chǔ)能裝置供電以滿足負(fù)載需求，根據(jù)情況也可向主網(wǎng)售賣電量，利用主電網(wǎng)的電價(jià)差實(shí)現(xiàn)一定的經(jīng)濟(jì)收益。

圖8 儲(chǔ)能裝置初始電量為100Kw.h時(shí)的尋優(yōu)曲線

圖9 儲(chǔ)能裝置初始電量為100Kw·h時(shí)的最優(yōu)結(jié)果

圖8給出的是儲(chǔ)能裝置初始電量為100Kw·h時(shí)，本文所提改進(jìn)粒子群算法的尋優(yōu)曲線，圖9給出了該狀態(tài)下的最優(yōu)結(jié)果柱狀圖，對(duì)比圖7，儲(chǔ)能裝置初始儲(chǔ)量不為空，受到自身容量的限制，在微網(wǎng)負(fù)載需求不大、主網(wǎng)供電電價(jià)不高的情況下，儲(chǔ)備的電量也相對(duì)較少，在滿足當(dāng)天微網(wǎng)運(yùn)行負(fù)載需求的前提下，成本代價(jià)也遠(yuǎn)小于圖8所示情況。結(jié)合以上結(jié)果可以看出，本文所提模型對(duì)于儲(chǔ)能裝置的狀態(tài)控制更加智能，根據(jù)該微網(wǎng)特性，儲(chǔ)能裝置能夠合理的預(yù)留、變賣電量，有效地降低了微網(wǎng)運(yùn)行的成本代價(jià)。

4 結(jié)論

本文針對(duì)多能源混合的微網(wǎng)系統(tǒng)，構(gòu)建了微網(wǎng)并網(wǎng)運(yùn)行的經(jīng)濟(jì)性模型。運(yùn)用分段函數(shù)構(gòu)造慣性權(quán)重，引入單純形調(diào)優(yōu)法調(diào)整粒子以得到改進(jìn)的粒子群算法，并運(yùn)用改進(jìn)的算法優(yōu)化該模型，得到了理想有效的優(yōu)化結(jié)果。仿真實(shí)驗(yàn)結(jié)果表明，本文方法對(duì)于不同初始電量均具有較高的優(yōu)化效率；并且隨著模型中狀態(tài)空間維數(shù)的增加，改進(jìn)的粒子群算法比較其他方法具有更好的穩(wěn)定性。今后可在此基礎(chǔ)上，將本文優(yōu)化模型擴(kuò)展至含有更多新能源或者更復(fù)雜儲(chǔ)能設(shè)備的微電網(wǎng)中。

參考文獻(xiàn)：

[1] Yun B， Fu Z， Wang Y， et al. The Effects of Distributed Generator Accessed to Distribution Network[C] .Computer， Consumer and Control （IS3C）， 2014 International Symposium on. IEEE， 2014： 146-149.

[2] Ayres R U， Turton H， Casten T. Energy efficiency， sustainability and economic growth[J]. Energy， 2007： 634-648.

[3] Lasseter R H， Paigi P. Microgrid： a conceptual solution[C].Power Electronics Specialists Conference， IEEE， 2004， 6： 4285-4290.

[4] Piagi P， Lasseter R H. Autonomous control of microgrids[C] . Power Engineering Society General Meeting， IEEE， 2006： 17089993.

[5] Burr M， Zimmer M， Warner G， et al. Emerging Models for Microgrid Finance： Driven by the need to deliver value to end users[J]. Electrification Magazine， IEEE， 2014： 30-39.

[6] Hawkes A D， Leach M A. Cost-effective operating strategy for residential micro-combined heat and power[J]. Energy， 2007： 711-723.

[7] Moghaddam A A， Seifi A， Niknam T， et al. Multi-objective operation management of a renewable MG （micro-grid） with back-up micro-turbine/fuel cell/battery hybrid power source[J]. Energy， 2011： 6490-6507.

[8] Parisio A， Rikos E， Glielmo L. A Model Predictive Control Approach to Microgrid Operation Optimization[J]. 2014：1813-1827.

[9] Moradi M H， Eskandari M. A hybrid method for simultaneous optimization of DG capacity and operational strategy in microgrids considering uncertainty in electricity price forecasting[J]. Renewable Energy， 2014： 697-714.

[10] 寧陽天.基于改進(jìn)粒子群算法的微網(wǎng)動(dòng)態(tài)經(jīng)濟(jì)調(diào)度算法.電力建設(shè)[J]，2014：26-30.

[11] 錢鋒.粒子群算法及其工業(yè)應(yīng)用[M].北京：科學(xué)出版社，2013.

[12] Kennedy J， Eberhart R. Particle swarm optimization. In： IEEE international conf. on neural networks. Piscataway[J]， 1995. 1942-1948.

[13] 陳健.考慮儲(chǔ)能系統(tǒng)特性的獨(dú)立微網(wǎng)系統(tǒng)經(jīng)濟(jì)性運(yùn)行優(yōu)化[J].電力系統(tǒng)自動(dòng)化.2012：25-30.

[14] 吳雄.微網(wǎng)經(jīng)濟(jì)調(diào)度問題的混合整數(shù)規(guī)劃方法[J].中國(guó)電機(jī)工程學(xué)報(bào).2013：0001-08.

[15] 楊艷紅.基于動(dòng)態(tài)運(yùn)行策略的混合能源微網(wǎng)規(guī)劃方法[J].電力系統(tǒng)自動(dòng)化.2012：30-37.