周澤遠(yuǎn)，蘇大威，汪志成，朱衛(wèi)平，李鵬

（1.華北電力大學(xué)新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，河北 保定 071003；2.江蘇省電力公司電力調(diào)度控制中心，江蘇 南京 210000）

基于自適應(yīng)變異粒子群算法的獨(dú)立多元互補(bǔ)微網(wǎng)經(jīng)濟(jì)環(huán)保運(yùn)行

周澤遠(yuǎn)1，蘇大威2，汪志成2，朱衛(wèi)平3，李鵬1

（1.華北電力大學(xué)新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，河北 保定 071003；2.江蘇省電力公司電力調(diào)度控制中心，江蘇 南京 210000）

隨著能源危機(jī)和環(huán)境問題的不斷涌現(xiàn)，分布式發(fā)電特別是風(fēng)力和太陽(yáng)能光伏等可再生能源發(fā)電成為世界范圍內(nèi)研究的熱點(diǎn)。微網(wǎng)是指由分布式電源、能量轉(zhuǎn)換裝置、負(fù)荷、監(jiān)控和保護(hù)裝置等匯集而成的小型發(fā)配電系統(tǒng)，是一個(gè)能夠?qū)崿F(xiàn)自我控制和管理的自治系統(tǒng)［1］。微網(wǎng)可以有效地整合各種分布式發(fā)電技術(shù)，充分發(fā)揮新能源發(fā)電所帶來的經(jīng)濟(jì)效益和環(huán)境效益；可以更好地滿足用戶對(duì)電能質(zhì)量和供電可靠性更高的要求［2-3］。獨(dú)立型微網(wǎng)作為微網(wǎng)的一種類型，對(duì)于解決許多可再生能源豐富但是傳統(tǒng)電網(wǎng)供電困難地區(qū)的用電問題有著非常重要的作用，它更加適合在海島、邊遠(yuǎn)地區(qū)等地為用戶供電［4］。

目前，微網(wǎng)優(yōu)化運(yùn)行方面的研究尚處于起步階段。文獻(xiàn)［5］研究了不同場(chǎng)景下的光蓄微電網(wǎng)優(yōu)化調(diào)度策略，并用改進(jìn)遺傳算法驗(yàn)證了所提方法的有效性。文獻(xiàn)［6］采用改進(jìn)的遺傳算法對(duì)微網(wǎng)孤網(wǎng)的經(jīng)濟(jì)調(diào)度進(jìn)行了仿真計(jì)算。文獻(xiàn)［7］研究了微網(wǎng)最佳運(yùn)行策略，并采用細(xì)菌覓食算法求解了微網(wǎng)優(yōu)化運(yùn)行問題。本文以獨(dú)立多元微網(wǎng)為研究對(duì)象，其中微電源包含光伏電池（PV）、風(fēng)力發(fā)電機(jī)（WT）、微型燃?xì)廨啓C(jī)（MTG）、柴油發(fā)電機(jī)（DIE）和燃料電池（FC）。由于MTG、FC等反應(yīng)速度較慢，而負(fù)荷變化卻可能很快，這將會(huì)給微網(wǎng)運(yùn)行產(chǎn)生很大的問題，嚴(yán)重時(shí)甚至導(dǎo)致微網(wǎng)崩潰。因此，本文微網(wǎng)系統(tǒng)中加入蓄電池以保證電能之間的快速平衡。此外，綜合考慮了系統(tǒng)的運(yùn)行成本、排放氣體污染，其中運(yùn)行成本包括燃料成本、系統(tǒng)運(yùn)行維護(hù)成本、蓄電池折舊成本，同時(shí)又引入了能量懲罰費(fèi)用、停電損失成本和發(fā)電補(bǔ)貼。利用帶變異的自適應(yīng)粒子群算法求解了微網(wǎng)優(yōu)化運(yùn)行問題。

1 獨(dú)立多元微網(wǎng)優(yōu)化模型

1.1 目標(biāo)函數(shù)的建立

本文中微網(wǎng)經(jīng)濟(jì)環(huán)保運(yùn)行的目的是使運(yùn)行成本最小，污染氣體排放量最小。然而，微網(wǎng)在實(shí)際運(yùn)行中，這兩個(gè)指標(biāo)不可能同時(shí)達(dá)到，所以這是一個(gè)多目標(biāo)、多約束的復(fù)雜優(yōu)化問題。根據(jù)當(dāng)?shù)氐囊笈c實(shí)際情況，本文給經(jīng)濟(jì)性和環(huán)保性這兩個(gè)目標(biāo)設(shè)定相應(yīng)的權(quán)值，進(jìn)行線性加權(quán)，由此將多目標(biāo)問題轉(zhuǎn)換成單目標(biāo)問題進(jìn)行處理。

1.1.1 目標(biāo)1：運(yùn)行成本最小

為合理反映各微電源和蓄電池在微電網(wǎng)經(jīng)濟(jì)環(huán)保運(yùn)行中的表現(xiàn)，本文略去了初期投資成本，只考慮系統(tǒng)實(shí)際運(yùn)行中的成本。

1）燃料成本。微網(wǎng)在運(yùn)行的過程中，風(fēng)力發(fā)電機(jī)、光伏電池、蓄電池不消耗燃料，不存在燃料成本。

MTG的燃料成本與其工作效率有關(guān)：

式中，F(xiàn)MTG為單位時(shí)間內(nèi)燃料成本；C為天然氣單價(jià)，元/m3；VLHV為天然氣低熱值，kW·h/m3；PMTG為微燃機(jī)輸出功率；ηMTG為MTG發(fā)電效率。

FC的燃料成本與MTG類似：

式中，F(xiàn)FC為單位時(shí)間內(nèi)燃料成本；ηFC為FC發(fā)電效率；PFC為FC輸出功率。

DIE的燃料成本是它的耗量特性函數(shù)，如下：

式中，a、b、c為參數(shù)。

2）系統(tǒng)運(yùn)行維護(hù)成本。微網(wǎng)單位時(shí)間內(nèi)運(yùn)行維護(hù)成本與各發(fā)電單元功率相關(guān)：

式中，N為微電源個(gè)數(shù)；Pi為第i個(gè)微電源輸出功率；ki為第i個(gè)微電源運(yùn)行維護(hù)成本系數(shù)，元/（kW·h）。

3）蓄電池折舊成本。蓄電池頻繁充放電會(huì)降低其壽命，必要時(shí)需要更換，間接增加了系統(tǒng)的運(yùn)行成本。本文將蓄電池的折舊成本加入到系統(tǒng)運(yùn)行成本中，更加符合實(shí)際的情況。由于蓄電池在壽命周期內(nèi)充放電總量基本不變［8-9］，本文設(shè)為常數(shù)。折舊成本表達(dá)式如下：

式中，Cold為蓄電池累計(jì)充放電1 kW·h的折舊成本；Crep為蓄電池的更換成本；Qlife為蓄電池壽命周期內(nèi)充放電總量。

4）能量浪費(fèi)懲罰費(fèi)用。當(dāng)蓄電池已充滿仍出現(xiàn)電力盈余時(shí)，這些過剩的電能可能都將被浪費(fèi)掉，在系統(tǒng)運(yùn)行時(shí)，應(yīng)盡量避出現(xiàn)能量的浪費(fèi)，因此引入能量浪費(fèi)懲罰費(fèi)用：

式中，kwaste為能量浪費(fèi)懲罰系數(shù)，元/（kW·h）；Pwaste（t）為t時(shí)刻功率盈余，kW。

5）停電損失成本。對(duì)于獨(dú)立系統(tǒng)，當(dāng)內(nèi)部電源和儲(chǔ)能系統(tǒng)都無法滿足負(fù)荷時(shí)，部分非重要負(fù)荷就會(huì)被切斷，于是引入停電損失成本：

式中，kloss為停電損失成本系數(shù)；Ploss（t）為t時(shí)刻的功率缺額。

6）發(fā)電補(bǔ)貼。對(duì)于微網(wǎng)系統(tǒng)中的風(fēng)電、光伏等可再生能源發(fā)電單元是政府大力支持的，本文合理地引入了一定的發(fā)電補(bǔ)貼［10］：

式中，ksubsidy為補(bǔ)貼系數(shù)，元/（kW·h）；Psubsidy（t）為t時(shí)刻可再生能源發(fā)電功率，kW。

綜合式（1）—式（6）、式（8）成本，系統(tǒng)總的運(yùn)行成本為：

目標(biāo)函數(shù)1為：

f1=min Ctotal=f（P1，P2，…，PN）（10）

1.1.2 目標(biāo)2：環(huán)境污染最小

系統(tǒng)在運(yùn)行的過程中光伏電池、風(fēng)機(jī)、蓄電池不產(chǎn)生污染氣體，MTG、FC、DIE是污染氣體主要排放源，主要排放出CO2、NOx、SOx，它們排放污染氣體能力用排放系數(shù)衡量。文中，將不同污染氣體對(duì)環(huán)境的傷害大小用折算成本系數(shù)來表征。由此，環(huán)境的污染程度表征為：

式中，i=1，2，3時(shí)，Pi（t）分別為MTG、FC、DIE在t時(shí)刻的功率；j=1，2，3時(shí)，Kj為對(duì)應(yīng)于CO2、NOx、SOx的排放系數(shù)，g/（kW·h）；Sj為對(duì)應(yīng)于CO2、NOx、SOx的折算成本系數(shù)，元/kg。

目標(biāo)函數(shù)2為：

根據(jù)當(dāng)?shù)氐囊笈c實(shí)際情況，給經(jīng)濟(jì)性和環(huán)保性這兩個(gè)目標(biāo)設(shè)定相應(yīng)的權(quán)值，進(jìn)行線性加權(quán)，可以得到目標(biāo)函數(shù)3：

式中，λ1+λ2=1，且0≤λ1≤1，0≤λ2≤1。

1.2 約束條件的設(shè)定

1.2.1 功率平衡約束

式中，N為微電源的個(gè)數(shù)；Pdgi（t）為t時(shí)刻第i個(gè)微電源輸出功率；PBAT（t）為t時(shí)刻儲(chǔ)能單元充放電功率，充電時(shí)為正，放電時(shí)為負(fù)；Pload（t）為t時(shí)刻總負(fù)荷。

1.2.2 功率上下限約束

式中，Pmini和Pmaxi分別為微電源i的最小出力與最大出力；N為微電源的個(gè)數(shù)。

1.2.3 儲(chǔ)能單元蓄電池約束

式中，SOCmin和SOCmax分別為蓄電池剩余電量的最小值與最大值，一般情況下，SOCmin=0.1～0.2，SOCmax= 0.8～0.9。為了使蓄電池開始就能充放電，通常取SOC（0）=0.5～0.6。

為了防止過充、過放，考慮到蓄電池最大充放電電流和速率的限制，其充放電功率又有如下約束：

式中，Pcmax為蓄電池的功率下限，為負(fù)值，表示充電功率；Pdmax為蓄電池的功率上限，為正值，表示放電功率。

2 運(yùn)行調(diào)度策略設(shè)計(jì)

微網(wǎng)系統(tǒng)中，WT和PV的輸出功率具有隨機(jī)性、不可調(diào)度性；蓄電池作為系統(tǒng)中最靈活單元，既可以充電也可以放電，在整個(gè)系統(tǒng)中起著能量緩沖的作用；MTG、FC、DIE在系統(tǒng)出現(xiàn)功率缺額而蓄電池不能完全提供時(shí)，可以作為蓄電池的能量補(bǔ)充和系統(tǒng)備用［11］。

系統(tǒng)的調(diào)度策略如下：

1）ΔP（t）＞0時(shí)，對(duì)蓄電池儲(chǔ)能系統(tǒng)充電，若充電功率和剩余電量均在約束范圍內(nèi)，則

如充電功率或剩余電量越限時(shí)，蓄電池以最大充電功率Pcmax充電，多余的部分則浪費(fèi)掉，此時(shí)有

2）ΔP（t）＜0時(shí)，出現(xiàn)功率缺額，優(yōu)先使用蓄電池進(jìn)行放電，如果僅依靠蓄電池能夠滿足需求，則有：

如果放電功率或剩余電量越限，則蓄電池儲(chǔ)能系統(tǒng)按照最大放電功率放電為

此時(shí)剩余的負(fù)荷功率由MTG、FC、DIE按照優(yōu)化目標(biāo)的不同而部分或同時(shí)承擔(dān)，各單元具體的功率大小按照本文中的優(yōu)化算法進(jìn)行相應(yīng)分配。

當(dāng)啟用所有的發(fā)電單元后，仍然不滿足負(fù)荷要求時(shí)，則采取切非重要負(fù)荷的方法來使得功率達(dá)到平衡。

3 模型求解

本文根據(jù)優(yōu)化模型和調(diào)度策略，采用帶變異的自適應(yīng)粒子群算法求解，來使得系統(tǒng)在運(yùn)行時(shí)，成本盡量降低，污染盡量減少。

帶變異的自適應(yīng)粒子群算法與標(biāo)準(zhǔn)粒子群算法相比，區(qū)別在于以下2點(diǎn)。

3.1 慣性權(quán)值隨搜索過程自適應(yīng)變化

標(biāo)準(zhǔn)粒子群算法中，慣性權(quán)值ω通常采用不變或遞減的方法，對(duì)搜索能力的調(diào)節(jié)有限，不能夠很好適應(yīng)非線性且高維復(fù)雜的實(shí)際問題。本文根據(jù)最優(yōu)適應(yīng)度值差別大小程度k自適應(yīng)調(diào)整ω的大小，具體見式（24）～式（26）。

式中，fitness（t）為第t次迭代中的最優(yōu)適應(yīng)度值；fˉ為6次迭代最優(yōu)適應(yīng)度值的均值；rand為均勻分布于0到1之間的隨機(jī)數(shù)。當(dāng)k≥0.01時(shí)，6次迭代的最優(yōu)適應(yīng)度值差別較大，種群處于探索階段，w取較大值有利于算法加快收斂；當(dāng)k＜0.01時(shí)，最優(yōu)適應(yīng)度值差別較小，w取較小的值有利于算法精細(xì)搜索，獲得精確的解。

3.2 借鑒遺傳算法中的變異操作

標(biāo)準(zhǔn)粒子群算法簡(jiǎn)單、易實(shí)現(xiàn)，但在求解高維復(fù)雜問題過程中，尤其是算法后期，由于種群多樣性缺失，容易出現(xiàn)早熟收斂，陷入局部最優(yōu)［12］。本文借鑒遺傳算法的優(yōu)點(diǎn)，引入變異操作，增加種群的多樣性，使算法能夠跳出局部最優(yōu)解，最終獲得全局最優(yōu)解。

本文中，當(dāng)種群多樣性缺失嚴(yán)重或最優(yōu)適應(yīng)度值長(zhǎng)時(shí)間基本不變時(shí)，執(zhí)行變異操作。其中以各次迭代中粒子的平均距離D表征種群多樣性大小；以幾次迭代（比如10次）的最優(yōu)適應(yīng)度值差別k′來判斷適應(yīng)度值是否基本不變，k′計(jì)算公式和式（25）類似。

式中，N為種群規(guī)模大小；L為搜索空間對(duì)角長(zhǎng)度；xitd為第t次迭代，第i個(gè)粒子的第d維坐標(biāo)值為所有粒子第d維坐標(biāo)值的均值。

當(dāng)D＜0.001或k′＜0.01時(shí)，執(zhí)行變異操作：各粒子按照適應(yīng)度值的好壞進(jìn)行排序［13］，依變異概率（如0.3），取相應(yīng)數(shù)量的適應(yīng)度值最好的粒子變異為

式中，rand1和rand2為0到1之間的隨機(jī)數(shù)。

該算法在解決本文的優(yōu)化問題時(shí)，相對(duì)于標(biāo)準(zhǔn)粒子群算法，其收斂結(jié)果表現(xiàn)得更加穩(wěn)定、精確，這將在4.2節(jié)求解算例中加以詳細(xì)論證，整個(gè)算法流程如圖1所示。

圖1 求解優(yōu)化模型流程圖Fig.1Flowchart for solving optimization model

4 算例分析

4.1 算例介紹及參數(shù)設(shè)置

本算例的多元微網(wǎng)系統(tǒng)中有PV和WT各為15kW；DIE為8kW；FC為6 kW；MTG為10 kW；BAT為6 kW。某日每小時(shí)的負(fù)荷功率數(shù)據(jù)如圖2所示；PV、WT出力預(yù)測(cè)數(shù)據(jù)如圖3所示；各微電源的運(yùn)行維護(hù)成本系數(shù)、污染氣體的排放系數(shù)、折算成本系數(shù)分別在表1、表2和表3中列出［14］；運(yùn)行調(diào)度周期取1 h。

圖2 某日各小時(shí)負(fù)荷功率預(yù)測(cè)數(shù)據(jù)Fig.2Forecast data of hourly load power in a day

圖3 某日PV、WT出力預(yù)測(cè)數(shù)據(jù)Fig.3 Forecast data of PV and WT output in a day

表1 各微電源運(yùn)行維護(hù)成本系數(shù)Tab.1 Maintenance costs coefficients of each power source

表2 污染氣體排放系數(shù)Tab.2 Emission coefficients of the polluting gases（g·（kW·h-1））

表3 污染氣體的折算成本系數(shù)Tab.3 Discounted cost coefficients of the polluting gases

系統(tǒng)其他的參數(shù)為：天然氣單價(jià)2元/m3；天然氣低熱值9.7 kW·h/m3；FC發(fā)電效率50%；DIE耗量特性參數(shù)a、b、c分別取為6.000 00、0.012 00、0.000 85；蓄電池更換成本為90元；蓄電池壽命周期內(nèi)充放電總量為100 kW·h；能量浪費(fèi)懲罰系數(shù)為0.2；補(bǔ)貼系數(shù)為0.4；停電損失成本系數(shù)為0.3；SOC（0）取0.5；SOC范圍為0.1～0.8；蓄電池充放電功率限值為1 kW。

算法參數(shù)：種群規(guī)模20；最大迭代次數(shù)200；學(xué)習(xí)因子c1、c2都為1.494 45；變異率為0.2。

4.2 優(yōu)化結(jié)果與分析

4.2.1 利用自適應(yīng)變異離子群算法求解微網(wǎng)全天運(yùn)行優(yōu)化問題

以目標(biāo)1運(yùn)行：各小時(shí)DIE、FC、MTG的出力如圖4所示；各小時(shí)的運(yùn)行成本如圖5所示，可求得一天總成本為118.323 7元；蓄電池各小時(shí)充放電功率如圖6所示。

以目標(biāo)2運(yùn)行：各小時(shí)DIE、FC、MTG的出力如圖7所示；蓄電池各小時(shí)充放電功率同樣如圖6所示。

圖4 按目標(biāo)1的各小時(shí)DIE、FC、MTG出力Fig.4 Hourly output of DIE、FC and MTG based on Goal 1

圖5 按目標(biāo)1的各小時(shí)運(yùn)行成本Fig.5 Hourly operating cost based on Goal 1

圖6 蓄電池各小時(shí)充放電功率Fig.6 Battery charge and discharge power of each hour

圖7 目標(biāo)2的各小時(shí)DIE、FC、MTG出力Fig.7 Hourly output of DIE、FC and MTG based on Goal 2

以目標(biāo)3運(yùn)行：假設(shè)λ1=λ2=0.5，各小時(shí)DIE、FC、MTG的出力如圖8所示；各小時(shí)的運(yùn)行成本如圖9所示，并且可求得一天總成本為74.731 5元；蓄電池各小時(shí)充放電功率同樣如圖6所示。

圖8 目標(biāo)3的各小時(shí)DIE、FC、MTG出力Fig.8 Hourly output of DIE、FC and MTG based on Goal 3

圖9 目標(biāo)3的各小時(shí)綜合成本Fig.9 Hourly cost based on Goal 3

由圖4—圖9可知：當(dāng)系統(tǒng)偏向經(jīng)濟(jì)性為目標(biāo)運(yùn)行時(shí)，PV、WT、DIE為主要發(fā)電單元，F(xiàn)C和MTG為備用電源；當(dāng)系統(tǒng)偏向環(huán)保性為目標(biāo)運(yùn)行時(shí)，PV、WT、FC為主要發(fā)電單元，DIE和MTG為備用電源；系統(tǒng)可再生能源的利用率很大，大大減少了污染氣體的排放；發(fā)電功率大于負(fù)荷功率時(shí)，多于功率基本依靠蓄電池吸收，而在出現(xiàn)功率缺額時(shí)，首先依靠蓄電池放電來彌補(bǔ)。此外，根據(jù)系統(tǒng)不同的優(yōu)化運(yùn)行目標(biāo)側(cè)重，可以通過修改λ1與λ2的值來得以實(shí)現(xiàn)。

4.2.2 本文算法與標(biāo)準(zhǔn)粒子群算法優(yōu)化性能比較

利用本文算法和標(biāo)準(zhǔn)PSO分別對(duì)某一運(yùn)行時(shí)段（比如20：00至21：00）進(jìn)行優(yōu)化運(yùn)行，最終分別收斂于10.157 3和12.876 8，算法收斂性能比較如圖10所示；利用本文算法和標(biāo)準(zhǔn)PSO分別求解以目標(biāo)3運(yùn)行的優(yōu)化問題總共10次，同樣假設(shè)λ1=λ2=0.5，且算法各個(gè)參數(shù)一致，得出來的各次一天總成本如表4所示。

圖10 算法收斂性能比較Fig.10 Comparison of algorithm converge performance

表4 兩種算法運(yùn)行10次結(jié)果Tab.4 The results of two algorithms running 10 times

從圖10可以看出在優(yōu)化前期，本文算法收斂速度明顯快于標(biāo)準(zhǔn)PSO；在優(yōu)化后期，本文的算法能夠跳出局部最優(yōu)點(diǎn)，從而獲得更優(yōu)的解。

從表4中的均值可以看出，同樣在滿足系統(tǒng)運(yùn)行要求情況下，利用本文的算法求解問題時(shí)，明顯減小了綜合成本（一天平均減少5.796 1元），這就意味著在使系統(tǒng)環(huán)保經(jīng)濟(jì)運(yùn)行上，本算法更加合理有效；與此同時(shí)，從表4中方差可以看出，利用本文算法求得的結(jié)果波動(dòng)性遠(yuǎn)遠(yuǎn)低于標(biāo)準(zhǔn)粒子群算法，表現(xiàn)出更加穩(wěn)定精確的收斂能力。

5 結(jié)語(yǔ)

獨(dú)立多元互補(bǔ)微網(wǎng)對(duì)于解決許多可再生能源豐富但是傳統(tǒng)電網(wǎng)供電困難地區(qū)的用電問題有著非常重要的作用。本文從經(jīng)濟(jì)環(huán)保運(yùn)行角度出發(fā)，綜合考慮系統(tǒng)的運(yùn)行成本、環(huán)境污染，建立了有效的優(yōu)化模型，設(shè)計(jì)了合理的調(diào)度策略，并且結(jié)合具體算例，利用帶變異的自適應(yīng)粒子群算法求解了微網(wǎng)的優(yōu)化運(yùn)行問題，為進(jìn)一步研究微網(wǎng)系統(tǒng)有效合理運(yùn)行提供了理論依據(jù)。

［1］LASSETER R，AKHIL A，MARNAY C，et al.Integration of distributed energy resources［C］.Proceedings of Consortium for Electric Reliability Technology Solutions，2002，Berkeley，CA，USA：2-6.

［2］李鵬，張玲，王偉，等.微網(wǎng)技術(shù)應(yīng)用與分析［J］.電力系統(tǒng)自動(dòng)化，2009，33（20）：109-115.

LI Peng，ZHANG Ling，WANG Wei，et al.Application and analysis of microgrid［J］.Automation of Electric Power Systems，2009，33（20）：109-115（in Chinese）.

［3］雷金勇，李戰(zhàn)鷹.分布式發(fā)電技術(shù)及其對(duì)電力系統(tǒng)影響研究綜述［J］.南方電網(wǎng)技術(shù)，2011，5（4）：46-50.

LEI Jinyong，LI Zhanying.Review on the research of distributed generation technology and its impacts on electric power systems［J］.Southern Power System Technology，2011，5（4）：46-50（in Chinese）.

［4］劉夢(mèng)璇，王成山.基于多目標(biāo)的獨(dú)立微電網(wǎng)優(yōu)化設(shè)計(jì)方法［J］.電力系統(tǒng)自動(dòng)化，2012，36（17）：34-39.

LIU Mengxuan，WANG Chengshan.An optimal design method of multi-objective based island microgrid［J］.Automation of Electric Power Systems，2012，36（17）：34-39（in Chinese）.

［5］王成山，洪博文，郭力.不同場(chǎng)景下的光蓄微電網(wǎng)調(diào)度策略［J］.電網(wǎng)技術(shù)，2013，37（0）：1-8.

WANG Chengshan，HONG Bowen，GUO Li.Dispatch strategies of PV-battery microgrid in different scenarios［J］.Power System Technology，2013，37（0）：1-8（in Chinese）.

［6］孔淑琴，牛銘.微網(wǎng)孤網(wǎng)經(jīng)濟(jì)運(yùn)行研究［J］.電網(wǎng)與清潔能源，2012，28（4）：57-62.

KONG Shuqin，NIU Ming.Research on economical operation of island microgrid［J］.Power System and Clean Energy，2012，28（4）：57-62（in Chinese）.

［7］NOROOZIAN R，VAHEDI H.Optimal management of microgrid using bacterial foraging algorithm［C］//Proceedings of ICEE，Isfahan，Iran，2010.

［8］DENNIS B C，BYRON WINN C.Optimal dispatch strategy in remote hybrid power systems［J］.Solar Energy，1996，58（4-6）：165-179.

［9］丁明，王波.獨(dú)立風(fēng)光柴儲(chǔ)微網(wǎng)系統(tǒng)容量?jī)?yōu)化配置［J］.電網(wǎng)技術(shù)，2013，37（3）：575-581.

DING Ming，WANG Bo.Configuration optimization of capacityofstandalonePV-wind-diesel-batteryhybrid microgrid［J］.Power System Technology，2013，37（3）：575-581（in Chinese）.

［10］張建華，蘇玲，陳勇，等.微網(wǎng)的能量管理及其控制策略［J］.電網(wǎng)技術(shù)，2011，35（7）：24-28.

ZHANG Jianhua，SU Ling，CHEN Yong，et al.Energy management of microgrid and its control strategy［J］.Power System Technology，2011，35（7）：24-28（in Chinese）.

［11］王開艷，羅先覺.清潔能源優(yōu)先的風(fēng)-水-火電力系統(tǒng)聯(lián)合優(yōu)化調(diào)度［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2013，33（13）：27-35.

WANG Kaiyan，LUO Xianjue.Optimal dispatch of windhydro-thermal power system with priority given to clean energy［J］.Proceedings of the CSEE，2013，33（13）：27-35（in Chinese）.

［12］吳海濤，黃福珍.基于混合粒子群算法的分布式微網(wǎng)電源規(guī)劃［J］.華東電力，2012，40（3）：458-461.

WUHaitao，HUANGFuzhen.Distributedgeneration planning for microgrid based on hybrid particle swarm optimization algorithm［J］.East China Electric Power，2012，40（3）：458-461（in Chinese）.

［13］MOHAMED F A，KOIVO H N.System modeling and online optimal management of microgrid using multiobjective optimization［C］//International Conference on Clean Electrical Power，Capri，Italy：IEEE，2007：148-153.

Research on Economic and Environmental Optimal Operation of Standalone Multi-Element Complementary Microgrid Based on PSO with Adaptive Mutation

ZHOU Zeyuan1，SU Dawei2，WANG Zhicheng2，ZHU Weiping3，LI Peng1
（1.State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources，North China Electric Power University，Baoding 071003，Hebei，China；2.Jiangsu Electric Power Company Dispatching and Control Center，Nanjing 210000，Jiangsu，China）

獨(dú)立多元互補(bǔ)微網(wǎng)對(duì)于解決許多可再生能源豐富但是傳統(tǒng)電網(wǎng)供電困難地區(qū)的用電問題有著非常重要的作用。為保證供電可靠性，提高整個(gè)微網(wǎng)系統(tǒng)的經(jīng)濟(jì)性和環(huán)保性，需根據(jù)實(shí)際條件對(duì)系統(tǒng)運(yùn)行進(jìn)行優(yōu)化。綜合考慮了運(yùn)行成本、氣體污染排放量等運(yùn)行指標(biāo)，建立了微網(wǎng)優(yōu)化運(yùn)行數(shù)學(xué)模型。設(shè)計(jì)了系統(tǒng)調(diào)度策略，最終采用帶變異的自適應(yīng)粒子群算法實(shí)現(xiàn)了微網(wǎng)經(jīng)濟(jì)環(huán)保運(yùn)行。具體算例結(jié)果驗(yàn)證了該算法的合理性和有效性。

獨(dú)立多元互補(bǔ)微網(wǎng)；經(jīng)濟(jì)環(huán)保運(yùn)行；粒子群算法；自適應(yīng)；變異

The standalone multi-element complementary mic-rogrid plays a very important role in solving the electricity problems of many areas，which are rich in renewable energy but have problems in the power supply from the traditional power grid.To ensure the reliability of power supply while improving the overall economic and environmental operation in the micro-grid system，we have to optimize the operation of the system according to its actual conditions.This paper，taking into consideration of the operating costs of the system and gas pollution emissions，establishes an optimization model and designs the dispatch strategies.Finally，the adaptive mutation particle swarm optimization algorithm is utilized to solve operational problems.The study of specific cases has verified the reasonableness and effectiveness of the algorithm.

standalone multi-element complementary microgrid；economic and environmental operation；particle swarm optimization algorithm；adaptive；mutation

1674-3814（2015）04-0008-07

TM732

A

2014-07-04。

周澤遠(yuǎn)（1989—），男，碩士研究生，研究方向?yàn)樾履茉床⒕W(wǎng)發(fā)電與微網(wǎng)新技術(shù)。

（編輯 董小兵）

國(guó)家自然科學(xué)基金（50977029）；河北省自然科學(xué)基金（E2013502074）。

Project Supported by National Natural Science Foundation of China（50977029）；Natural Science Foundation of Hebei Province（E2013502074）.