徐意婷，艾 芊，胡劍生

(1.上海交通大學電子信息與電氣工程學院，上海 200240；2.許繼集團有限公司，河南 許昌 461000)

基于協(xié)同演化博弈算法的微網(wǎng)和配電網(wǎng)動態(tài)優(yōu)化

徐意婷1，艾 芊1，胡劍生2

(1.上海交通大學電子信息與電氣工程學院，上海 200240；2.許繼集團有限公司，河南 許昌 461000)

微網(wǎng)和配電網(wǎng)在互動運行時是相互影響、相互制約的。為了使整個系統(tǒng)獲得最好的效益，需要整合考慮微網(wǎng)和配電網(wǎng)的效益。微網(wǎng)和配電網(wǎng)作為兩個需要同時優(yōu)化的主體，具有一定的效益沖突。研究微網(wǎng)和配電網(wǎng)互動運行時相互影響情況，分別分析其運行效益，將效益目標作為虛擬博弈參與者建立了模型，并采用模糊數(shù)學方法將其隸屬化。結合演化博弈理論和協(xié)同進化算法，提出了一種協(xié)同演化博弈算法(Co-evolutionary Game Algorithm，CGA)對模型進行求解。在此基礎上，考慮分布式能源隨機性影響建立了基于不滿意度的動態(tài)優(yōu)化子模型，對協(xié)同演化博弈算法進行動態(tài)調整。對某一歐洲典型微網(wǎng)接入 IEEE 33 配電網(wǎng)結構的系統(tǒng)進行仿真，并且與傳統(tǒng)的多目標優(yōu)化方法進行對比。結果表明，最終優(yōu)化穩(wěn)定策略可以使微網(wǎng)和配電網(wǎng)整體達到最佳運行狀態(tài)，證明了所提模型和算法的有效性和優(yōu)越性。

微網(wǎng)；配電網(wǎng)；協(xié)同演化博弈算法；動態(tài)優(yōu)化

0 引言

隨著全球能源環(huán)境問題日益凸顯，清潔能源和可再生能源利用的呼聲日漸高漲[1-2]。與此同時，微網(wǎng)包含風電、光伏電池等分布式電源(Distributed Generation，DG)，為解決可再生能源的綜合利用提供了有效手段[3]。微網(wǎng)接入配電網(wǎng)運行可以增加供電靈活性，豐富了傳統(tǒng)電網(wǎng)運行方式并且可以實現(xiàn)節(jié)能減排[4-6]，已經(jīng)成為電網(wǎng)的一個重要組成部分。未來在微網(wǎng)逐漸普及的情況下，微網(wǎng)自身的能量優(yōu)化和配電網(wǎng)與微網(wǎng)的合理互動調度將成為必須研究的理論和實際問題。

在微網(wǎng)能量優(yōu)化方面，文獻[7]針對微網(wǎng)運行中風力機、光伏的不確定性及負荷的波動性，提出了基于機會約束規(guī)劃的經(jīng)濟運行模型，以一定置信水平下滿足備用作為可靠性概率約束。文獻[8]研究含電動汽車和光伏儲能的微網(wǎng)能量管理問題，提出了兼顧光伏出力、電動汽車功率、儲能狀態(tài)和電價劃分的能量管理策略。文獻[9]通過電動汽車、儲能單元以及可中斷負荷的能量優(yōu)化管理，平抑微網(wǎng)與配電網(wǎng)公共聯(lián)絡線上的功率波動，實現(xiàn)經(jīng)濟和穩(wěn)定運行。

上述工作從不同角度解決了微網(wǎng)能量優(yōu)化問題，但沒有考慮微網(wǎng)和配網(wǎng)的互動運行。在此基礎上，文獻[10]研究微網(wǎng)與電網(wǎng)協(xié)調運行模式，提出了一種基于互動電網(wǎng)的含多微網(wǎng)電力系統(tǒng)的調度模式，建立了微網(wǎng)與電網(wǎng)聯(lián)合調度模型。文獻[11]考慮配電網(wǎng)經(jīng)濟性，建立了基于價格差異與時間貫序權重的智能配電網(wǎng)兩階段快速調度決策模型。文獻[12]考慮多微網(wǎng)協(xié)同運行情況，分析配電網(wǎng)和微網(wǎng)的經(jīng)濟利益，建立了微網(wǎng)和配電網(wǎng)隨機雙層隨機調度模型，并提出協(xié)調控制策略。文獻[13]建立了微網(wǎng)和配電網(wǎng)的互動調度模型，并且考慮負荷需求側管理，對電網(wǎng)運行成本進行優(yōu)化。

上述文獻對微網(wǎng)和配電網(wǎng)的互動調度只從雙方經(jīng)濟性出發(fā)，沒有考慮微網(wǎng)出力對配電網(wǎng)運行的影響。事實上，微網(wǎng)的出力會影響配電網(wǎng)運行的穩(wěn)定性和安全性，配電網(wǎng)對微網(wǎng)的調度需求也會影響微網(wǎng)的經(jīng)濟性，兩者的優(yōu)化運行是相互約束、相互影響的。所以，在制定調度計劃時，需要整合考慮微網(wǎng)和配電網(wǎng)的運行效益。

本文研究微網(wǎng)和配電網(wǎng)互動運行時相互影響的情況，通過分析配電網(wǎng)和微網(wǎng)的運行效益，將其作為虛擬博弈參與者建立了模型。配電網(wǎng)模型以網(wǎng)損和電壓穩(wěn)定水平為優(yōu)化效益目標，決策微網(wǎng)出力；微網(wǎng)模型以運行成本為優(yōu)化效益目標，決策微網(wǎng)中各分布式能源的出力；其中公共聯(lián)絡點(Point of Common Coupling，PCC)功率由微網(wǎng)和配電網(wǎng)共同決策。采用模糊數(shù)學的方法，對效益函數(shù)進行隸屬化處理。結合演化博弈理論和協(xié)同進化算法，提出了一種協(xié)同演化博弈算法，對模型進行求解。在此基礎上，考慮分布式能源隨機性影響建立了基于不滿意度的動態(tài)優(yōu)化子模型，對協(xié)同演化博弈算法進行動態(tài)調整。仿真結果證明了所提算法的有效性和優(yōu)越性。

1 模型設計

在微網(wǎng)和配電網(wǎng)互動運行時，兩者之間存在能量交互，有密不可分的關系。一方面，配電網(wǎng)對微網(wǎng)進行能量調度，對微網(wǎng)經(jīng)濟性產(chǎn)生影響；另一方面，微網(wǎng)出力也對配電網(wǎng)運行的安全性和穩(wěn)定性存在影響，雙方的利益存在一定沖突。應用博弈理論，可以使具有一定的利益沖突的微網(wǎng)和配電網(wǎng)作為博弈參與者，并且使它們依照一定數(shù)學規(guī)則進行博弈優(yōu)化[14]，其優(yōu)化結果取決于它們各自的效益目標。在此基礎上，采用合適的算法可以尋找到所有博弈參與者達到整體最優(yōu)的穩(wěn)定策略。因此，配電網(wǎng)與微網(wǎng)可以通過博弈共同制定調度策略，具體的虛擬博弈參與者如圖1。

圖1 配電網(wǎng)和微網(wǎng)博弈結構Fig. 1 Game structure of distribution network and microgrid

1.1 配電網(wǎng)優(yōu)化模型

1.1.1 效益函數(shù)

配電網(wǎng)的決策變量為微網(wǎng)與配電網(wǎng)公共連接點的傳輸功率，以有功網(wǎng)損為目標，節(jié)點電壓質量為罰函數(shù)，具體效益函數(shù)如式(1)。

式中：lossP 為配電網(wǎng)有功網(wǎng)損為節(jié)點電壓質量；為各節(jié)點電壓質量的罰因子。

電壓質量 VD 采用整個配電網(wǎng)節(jié)點電壓偏移量表示，定義如式(2)。式中：n是配電網(wǎng)節(jié)點個數(shù)；Vi為節(jié)點i的電壓，電壓基準值為 1，則為該節(jié)點電壓偏移量，[ ]表示向左取整。設即電壓偏移范圍為(為額定電壓)，于是當電壓偏移超過 0.05 時，效益函數(shù)值會突然增大，進一步增加了非可行解的淘汰率。

1.1.2 約束條件

配電網(wǎng)優(yōu)化模型的約束主要包括潮流方程約束、聯(lián)絡線容量限制和微網(wǎng)輸送功率能力約束。

1) 潮流約束

式中：iP、iQ 分別為節(jié)點i發(fā)電機發(fā)出的有功功率和無功功率；分別為節(jié)點i微網(wǎng)輸送的有功功率和無功功率；分別為節(jié)點i負荷的有 功功率和無功 功率和分別 為節(jié)點i和 節(jié)點 j的電壓幅值；Gij和 Bij分別為線路 ij的電導和電納；qij為節(jié)點i和節(jié)點 j電壓的相角差，

2) 聯(lián)絡線容量限制

3) 微網(wǎng)輸送功率能力約束

微網(wǎng)輸送功率能力由 DGs發(fā)電預測曲線和負荷預測曲線估算得出。

1.2 微網(wǎng)優(yōu)化模型

1.2.1 效益函數(shù)

微網(wǎng)的決策變量是微網(wǎng)中分布式能源的出力，以及微網(wǎng)與配電網(wǎng) PCC 傳輸功率，以整個微網(wǎng)的運行成本為目標，具體效益函數(shù)為式(6)。

1.2.2 約束條件

微網(wǎng)運行的約束條件包括系統(tǒng)功率平衡約束、分布式電源出力約束和微型燃氣輪機爬坡約束等限制。

1) 功率平衡約束

式中：LtP 為 t 時刻微網(wǎng)的負荷需求；itP? 為 t 時刻微網(wǎng)中所有分布式電源出力之和。

2) 分布式電源出力約束

3) 微型燃氣輪機爬坡率約束

增負荷時，有

減負荷時，有

4) 聯(lián)絡線容量限制同配電網(wǎng)。

1.3 模型模糊處理

由于微網(wǎng)和配電網(wǎng)的效益目標性質不同，無法直接使兩者進行博弈，故本文采用模糊數(shù)學來處理效益函數(shù)，使其成為統(tǒng)一數(shù)值以便于比較博弈后的優(yōu)化程度。首先求出微網(wǎng)和配電網(wǎng)效益目標在各自約束條件下的最優(yōu)解，再利用這些最優(yōu)解將各自的效益函數(shù)模糊化。

模糊數(shù)學是用精確的數(shù)學方法表現(xiàn)和處理實際客觀存在的模糊現(xiàn)象，要達到此目的，首先要確定隸屬度函數(shù) u。u 的大小反映了優(yōu)化程度，u=1 代表優(yōu)化程度最好，而 u=0 代表優(yōu)化程度最差。通過比較分析，本文選用降半 Γ 形分布[8]。對于上述效益函數(shù)，采用降半Γ形分布的隸屬度函數(shù)為

2 基于協(xié)同演化博弈算法(CGA)的模型求解

2.1 協(xié)同演化博弈算法

演化博弈理論是博弈論的一個分支，它在假定演化的變化是由群體內的自然選擇引起的基礎上，通過具有頻率依賴效應的選擇行為進行演化以搜索演化穩(wěn)定策略，并研究演化的過程[15]。協(xié)同進化算法在傳統(tǒng)進化算法的基礎上引入生態(tài)系統(tǒng)的概念，將待求解的問題映射為相互作用、相互影響的各物種組成的生態(tài)系統(tǒng)，以生態(tài)系統(tǒng)的進化來達到問題求解的目的[16]。本文結合演化博弈理論和協(xié)同進化算法，提出了一種協(xié)同演化博弈算法來求解模型，實驗結果說明其具有良好的性能。

在協(xié)同演化博弈算法中，微網(wǎng)和配電網(wǎng)作為博弈參與者，分別生成兩個種群記為 P1 和 P2，p1和p2為初始群體中的種群分布概率。每個種群中有一定個數(shù)的個體，個體記錄決策向量的同時還記錄了所屬的種群。P1、P2 分別以 u1、u2為效益目標。種群博弈結構如圖2所示。

圖2 種群博弈結構Fig. 2 Game structure of populations

在演化博弈中，每個個體都是隨機地從群體中抽取并進行重復博弈，假設每個博弈的參與個體只具有有限的理性。算法借鑒了演化博弈的思想和選擇機制，當群體中兩個個體相遇時，它們?yōu)榱送环葙Y源進行博弈。設效益最大化博弈問題中兩個個體和相遇并進行博弈，x 所得支付函數(shù)如式(17)。

在演化算法的每一代，隨機挑選成對的個體進行若干次重復博弈。當所有博弈完成之后，由個體x參與的 Ng次博弈所得到的平均支付作為個體x的適應度 F(x)：

值得注意的是，在演化博弈開始前各個種群在群體中的分布概率 pi是可以調整的，而最終達到的演化穩(wěn)定策略在很大程度上與初始種群分布是相關的，這就可以通過外部決策者的不同需求使微網(wǎng)和配電網(wǎng)間的博弈地位達到靈活的變化，最終得到最佳調度決策。

2.2 基于最大不滿意度的動態(tài)優(yōu)化子模型

由于微網(wǎng)中的風力機和光伏電池受環(huán)境氣候影響極大，為了防止其隨機性和波動性對配電網(wǎng)運行產(chǎn)生過大影響[17]，有必要考慮由于隨機性導致的穩(wěn)定決策滿意度，從而在演化博弈時對算法參數(shù)作出動態(tài)調整。

式中，ws為場景對應的概率權重；為微網(wǎng)實際出力與調度決策出力的差距；l為單位懲罰成本；設該次調度決策下的微網(wǎng)運行總成本為最大不滿意度比例為則根據(jù)下面兩種關系，對種群分布概率作適當調整：

在演化的每一代，在考慮分布式能源隨機性影響的基礎上，通過動態(tài)優(yōu)化子模型計算不滿意度，從而調整兩個種群的分布概率使微網(wǎng)和配電網(wǎng)的博弈地位進行變化，再進行下一次演化，最終可以得到最佳穩(wěn)定調度決策。

2.3 優(yōu)化流程

動態(tài)協(xié)同演化博弈算法具體流程圖如圖3所示，求解步驟如下。

步驟 1：輸入原始數(shù)據(jù)和參數(shù)，設置種群分布概率，隨機生成初始群體，生成初始可行策略組合。

步驟 2：隨機挑選群體中兩個個體進行博弈，按照式(17)分別計算個體所得支付。

步驟 3：重復步驟 2直至博弈次數(shù)達到重復博弈最大次數(shù)。

步驟 4：根據(jù)式(18)計算個體適應度。

步驟5：生成隨機場景，計算本代演化調度決策的不滿意度。如果不滿意度超過最大承受值，則動態(tài)調整種群分布概率。

步驟6：兩個種群分別進行選擇、交叉和變異，生成下一代。

步驟 7：重復 2~6 直到整個群體達到演化穩(wěn)定或達到最大演化代數(shù)。

圖3 算法流程圖Fig. 3 Flowchart of algorithm

3 算例分析

3.1 仿真系統(tǒng)概述

本文將某一歐洲典型微網(wǎng)結構[18]接入 IEEE 33配電網(wǎng)結構的30節(jié)點進行仿真，系統(tǒng)圖如圖4所示。微網(wǎng)系統(tǒng)中，風力機(Wind Turbine，WT)和光伏電池(Photovoltaic，PV)的安裝臺數(shù)分別為 5 臺和 2 臺，總裝機容量分別為 500 kW 和 300 kW，微型燃氣輪機(Micro-turbine，MT)的容量為 500 kW，燃料電池(Fuel Cell，F(xiàn)C)容量為 150 kW，各分布式能源的裝機容量和安裝成本[19]如表1 所示；各分布式能源的運行維護、燃料成本參數(shù)和污染物排放系數(shù)見文獻[20]；配電網(wǎng)與微網(wǎng)實時交易電價[21]如表2 所示；風力機和光伏電池的功率預測曲線如圖5所示；微網(wǎng)負荷的預測曲線如圖6所示。

需要說明的是，選取配電網(wǎng)中其他的節(jié)點連接微網(wǎng)并不影響本文所得結論。

圖4 配電網(wǎng)-微網(wǎng)結構圖Fig. 4 Structure of the distribution-microgrid network

表1 分布式電源運行參數(shù)Table 1 Operating parameters of distributed generations

表2 實時電價Table 2 Spot price

圖5 光伏與風力機輸出功率預測曲線Fig. 5 Output power prediction of PV and WT

圖6 微網(wǎng)負荷功率預測曲線Fig. 6 Power prediction of load

3.2 優(yōu)化結果

3.2.1 不同種群分布概率對演化博弈結果的影響

暫不考慮最大不滿意度對種群分布概率的動態(tài)影響，通過人為選擇不同的初始種群分布概率，分別進行演化博弈，得到上述系統(tǒng)優(yōu)化結果變化如圖7所示。

圖中橫坐標表示配電網(wǎng)所屬種群1的分布概率p1，即以 u1為效益目標的種群在整個群體中所占的比例，取值為從 0 到 1，間隔為 0.05。實驗均重復10 次，圖中標出的點為 10 次重復實驗的平均結果。從圖中可以看出，隨著 p1的增大，最終演化穩(wěn)定決策下的配電網(wǎng)效益隸屬度 u1的數(shù)值呈上升趨勢，而微網(wǎng)效益隸屬度 u2的數(shù)值呈下降趨勢。這是由于在CGA 算法中，當群體中以 u1為效益目標的個體數(shù)量增多時，這些個體在隨機的博弈過程中容易和同一種群的其他個體進行博弈，間接增大了它們的適應度，使 u1比 u2更具優(yōu)勢，從而導致最終演化博弈結果偏向于 u1。

圖7 種群分布概率對優(yōu)化策略結果影響Fig. 7 Impact of the population probability on optimal result

上述結果表明，最終達到的演化穩(wěn)定策略在很大程度上與初始種群分布是相關的。種群所占比例越大，其對應效益函數(shù)的優(yōu)化程度越好。于是，通過外部決策者的不同需求可以使微網(wǎng)和配電網(wǎng)的博弈地位達到靈活變化，最終得到最佳調度決策。

3.2.2 微網(wǎng)和配電網(wǎng)博弈優(yōu)化結果

考慮分布式能源隨機性的影響，通過基于最大不滿意度的動態(tài)優(yōu)化子模型對每一代演化種群的分布概率進行動態(tài)調整，由此調整微網(wǎng)和配電網(wǎng)的博弈地位，能夠在進一步保證系統(tǒng)穩(wěn)定性的情況下得到微網(wǎng)和配電網(wǎng)的更加準確的最佳運行決策。圖8~圖9和表3為微網(wǎng)和配電網(wǎng)進行動態(tài)博弈優(yōu)化后達到整體最佳運行狀態(tài)和它們分別達到最優(yōu)運行狀態(tài)的效益情況對比。

圖8 不同情況網(wǎng)損對比Fig. 8 Network loss under different situations

圖9 不同情況電壓偏移對比Fig. 9 Network voltage offset under different situations

表3 不同情況效益對比Table 3 Benefit under different situations

圖8~圖9為上述不同情況下配電網(wǎng)的網(wǎng)損和電壓偏移情況，表3給出了配電網(wǎng)網(wǎng)損、電壓偏移平均值和微網(wǎng)的經(jīng)濟效益情況。通過比較可以明顯看出，在配電網(wǎng)達到最優(yōu)運行狀態(tài)時，一天的平均網(wǎng)損為 121.9 kW，平均電壓偏移為 0.272 6 p.u.，兩者都很小，配電網(wǎng)能夠安全穩(wěn)定地運行；而微網(wǎng)的經(jīng)濟效益并不理想。在微網(wǎng)達到最優(yōu)運行狀態(tài)時，由于僅考慮了自身成本而未考慮配電網(wǎng)運行的穩(wěn)定性，運行成本為 4.848 5 萬元，達到很好的經(jīng)濟效益；但配電網(wǎng)的平均網(wǎng)損和電壓偏移較前一種情況都有較大的提高。而在考慮微網(wǎng)和配電網(wǎng)整體最佳運行狀態(tài)的情況下，配電網(wǎng)一天的平均網(wǎng)損、平均電壓偏 移 和 微 網(wǎng) 的 運 行 成 本 分 別 為 134.8 kW 、0.315 1 p.u.和 5.756 0 萬元，均居于前兩種狀態(tài)之間，是考慮了雙方利益的折中值，使得微網(wǎng)和配電網(wǎng)都達到相對較好的運行狀態(tài)。

考慮最大不滿意度動態(tài)博弈優(yōu)化的系統(tǒng)最佳運行狀態(tài)下微網(wǎng)各分布式電源出力情況如圖10 所示。為對比分析不同情況的影響，圖中也標出了微網(wǎng)和配電網(wǎng)分別達到最優(yōu)運行狀態(tài)時 PCC 的功率輸出。

由圖中可以看出，系統(tǒng)整體最優(yōu)時，微網(wǎng)進行優(yōu)化時在一定程度上考慮了配電網(wǎng)的效益，在滿足自身經(jīng)濟效益的同時，PCC 輸出功率會盡量滿足配電網(wǎng)所需最優(yōu)功率。但此時 MT和 FC 輸出功率需要不斷調整，尤其是MT的輸出總體上不斷增加，因此微網(wǎng)的運行成本也會相應增加，該成本的增加主要是MT的燃料成本和排放成本增加導致。

圖10 整體最優(yōu)時調度情況Fig. 10 Scheduling of overall optimization

CGA 算法中配電網(wǎng)和微網(wǎng)各自效益目標變化趨勢如圖11 所示。圖中可以看出微網(wǎng)和配電網(wǎng)經(jīng)過動態(tài)演化博弈過程，最終可以達到雙方都比較滿意的運行狀態(tài)，并且達到穩(wěn)定。

圖11 效益隸屬度變化趨勢Fig. 11 Variation trend of benefit membership

如果把微網(wǎng)和配電網(wǎng)整體效益優(yōu)化看作一般多目標優(yōu)化問題，可以求得其 Pareto 最優(yōu)解集。為了對比本文方法算得的優(yōu)化決策與一般多目標優(yōu)化的 Pareto 最優(yōu)解集，同樣考慮配電網(wǎng)的網(wǎng)損、電壓偏移和微網(wǎng)的運行成本，采用多目標遺傳算法求得其 Pareto 最優(yōu)解集和本文算得的 CGA 優(yōu)化解如圖12所示。

圖12 Pareto 最優(yōu)解和 CGA 解Fig. 12 Pareto optimal solutions and CGA solution

從圖中可以看出，Pareto 最優(yōu)解集中，一般有很多個解，要從這些解里面選擇一個合適的解使微網(wǎng)和配電網(wǎng)都達到相對最好的利益還需要進一步處理；而采用 CGA 可以通過微網(wǎng)和配電網(wǎng)演化博弈進行動態(tài)優(yōu)化，最終得到兩者整體最優(yōu)的唯一穩(wěn)定策略。通過 CGA 算法得到的最優(yōu)決策貼近 Pareto前沿，可以表明其準確性；但是所得最優(yōu)決策并沒有完全與 Pareto 前沿重合，是因為考慮了分布式能源隨機性動態(tài)影響的結果。CGA算法跟傳統(tǒng)多目標優(yōu)化算法相比，所得的最優(yōu)決策只有一個，具有明顯優(yōu)越性；此外，由于考慮了分布式能源隨機性影響，所得策略在實際運行情況下也能夠獲得較好的效益，具有一定的魯棒性。

以上結果表明，通過將微網(wǎng)和配電網(wǎng)作為博弈參與者進行多輪演化博弈，并且考慮分布式電源隨機性的影響動態(tài)調整概率分布參數(shù)，最終可以得到一個合理的最優(yōu)策略，使得微網(wǎng)和配電網(wǎng)達到整體最優(yōu)運行狀態(tài)。

4 結論

本文整合考慮微網(wǎng)和配電網(wǎng)互動運行時的效益，研究其相互影響情況，建立了效益模型，并對效益函數(shù)進行隸屬化處理。結合演化博弈理論和協(xié)同進化算法，提出了一種協(xié)同演化博弈算法，對隸屬化后的模型進行求解。在此基礎上，考慮分布式能源隨機性影響建立了基于不滿意度動態(tài)優(yōu)化子模型，對協(xié)同演化博弈算法進行動態(tài)調整。結果表明，本文所提方法可以使微網(wǎng)和配電網(wǎng)通過雙方各自效益最大化進行博弈，并基于不滿意度進行動態(tài)優(yōu)化調整，最終穩(wěn)定策略可以使微網(wǎng)和配電網(wǎng)整體達到最佳運行狀態(tài)，保證配電網(wǎng)穩(wěn)定運行的同時保持微網(wǎng)的經(jīng)濟性。

考慮多個微網(wǎng)接入配電網(wǎng)后，多微網(wǎng)間以及微網(wǎng)與配電網(wǎng)間的協(xié)調互動優(yōu)化是進一步研究的方向。

[1]楊新法, 蘇劍, 呂志鵬, 等. 微電網(wǎng)技術綜述[J]. 中國電機工程學報, 2014, 34(1): 57-70. YANG Xinfa, SU Jian, Lü Zhipeng, et al. Overview on micro-grid technology[J]. Proceedings of the CSEE, 2014, 34(1): 57-70.

[2]黎靜華, 文勁宇, 潘毅, 等. 面向新能源并網(wǎng)的電力系統(tǒng) 魯 棒 調 度 模 式 [J]. 電 力 系 統(tǒng) 保 護 與 控 制 , 2015, 43(22): 47-54. LI Jinghua, WEN Jinyu, PAN Yi, et al. Robust dispatching mode of electrical power system to cope with renewable energy power[J]. Power System Protection and Control, 2015, 43(22): 47-54.

[3]周龍, 齊智平. 微電網(wǎng)保護研究綜述[J]. 電力系統(tǒng)保護與控制, 2015, 43(13): 147-154. ZHOU Long, QI Zhiping. A review of the research on microgrid protection development[J]. Power System Protection and Control, 2015, 43(13): 147-154.

[4]FANG X, MISRA S, XUE G, et al. Smart grid - the new and improved power grid: a survey[J]. IEEE Communications Surveys & Tutorials, 2012, 14(4): 944-980.

[5]馬藝瑋, 楊蘋, 王月武, 等. 微電網(wǎng)典型特征及關鍵技術[J]. 電力系統(tǒng)自動化, 2015, 39(8): 168-175. MA Yiwei, YANG Ping, WANG Yuewu, et al. Typical characteristics and key technologies of microgrid[J]. Automation of Electric Power Systems, 2015, 39(8): 168-175.

[6]沈沉, 吳翔宇, 王志文, 等. 微電網(wǎng)實踐與發(fā)展思考[J].電力系統(tǒng)保護與控制, 2014, 42(5): 1-11. SHEN Chen, WU Xiangyu, WANG Zhiwen, et al. Practice and rethinking of microgrids[J]. Power System Protection and Control, 2014, 42(5): 1-11.

[7]劉方, 楊秀, 時珊珊, 等. 基于序列運算的微網(wǎng)經(jīng)濟優(yōu)化調度[J]. 電工技術學報, 2015, 30(20): 227-237. LIU Fang, YANG Xiu, SHI Shanshan, et al. Economic operation of microgrid based on sequence operation[J]. Transactions of China Electrotechnical Society, 2015, 30(20): 227-237.

[8]蘇粟, 蔣小超, 王瑋, 等. 計及電動汽車和光伏-儲能的微網(wǎng)能量優(yōu)化管理[J]. 電力系統(tǒng)自動化, 2015, 39(9): 164-171.SU Su, JIANG Xiaochao, WANG Wei, et al. Optimal energy management for microgrids considering electric vehicles and photovoltaic-energy storage[J]. Automation of Electric Power Systems, 2015, 39(9): 164-171.

[9]張明銳, 陳潔, 杜志超, 等. 考慮交互功率控制的微網(wǎng)經(jīng) 濟 運 行 [J]. 中 國 電 機 工 程 學 報 , 2014, 34(7): 1013-1023. ZHANG Mingrui, CHEN Jie, DU Zhichao, et al. Economic operation of micro-grid considering regulation of interactive power[J]. Proceedings of the CSEE, 2014, 34(7): 1013-1023.

[10]艾欣, 許佳佳. 基于互動調度的微網(wǎng)與配電網(wǎng)協(xié)調運行 模式 研究 [J]. 電 力系 統(tǒng)保 護與 控制, 2013, 41(1): 143-149. AI Xin, XU Jiajia. Study on the microgrid and distribution network co-operation model based on interactive scheduling[J]. Power System Protection and Control, 2013, 41(1): 143-149.

[11]江潤洲, 邱曉燕, 李丹. 基于多代理的多微網(wǎng)智能配電 網(wǎng) 動 態(tài) 博 弈 模 型 [J]. 電 網(wǎng) 技 術 , 2014, 38(12): 3321-3327. JIANG Runzhou, QIU Xiaoyan, LI Dan. Multi-agent system based dynamic game model of smart distribution network containing multi-microgrid[J]. Power System Technology, 2014, 38(12): 3321-3327.

[12]WANG Z, CHEN B, WANG J, et al. Coordinated energy management of networked microgrids in distribution systems[J]. IEEE Transactions on Smart Grid, 2015, 6(1): 45-53.

[13]FATHI M, BEVRANI H. Statistical cooperative power dispatching in interconnected microgrids[J]. IEEE Transactions on Sustainable Energy, 2013, 4(3): 586-593.

[14]WANG Y, SAAD W, HAN Z, et al. A game-theoretic approach to energy trading in the smart grid[J]. IEEE Transactions on Smart Grid, 2014, 5(3): 1439-1450.

[15]武英利, 張彬, 閆龍, 等. 基于演化博弈的海上風電投資策略選擇及模型研究[J]. 電網(wǎng)技術, 2014, 38(11): 2978-2985. WU Yingli, ZHANG Bin, YAN Long, et al. Research and modeling of evolutionary game based selection of investment strategies for offshore wind farm[J]. Power System Technology, 2014, 38(11): 2978-2985.

[16]陳皓勇, 王錫凡, 別朝紅, 等. 協(xié)同進化算法及其在電力 系 統(tǒng) 中 的 應 用 前 景 [J]. 電 力 系 統(tǒng) 自 動 化 , 2004, 27(23): 94-100. CHEN Haoyong, WANG Xifan, BIE Zhaohong, et al. Cooperative coevolutionary approaches and their potential applications in power systems[J]. Automation of Electric Power Systems, 2004, 27(23): 94-100.

[17]沈鑫, 曹敏. 分布式電源并網(wǎng)對于配電網(wǎng)的影響研究[J]. 電工技術學報, 2015, 30(1): 346-351. SHEN Xin, CAO Min. Research on the influence of distributed power grid for distribution network[J]. Transactions of China Electrotechnical Society, 2015, 30(1): 346-351.

[18]PAPATHANASSIOU S, HATZIARGYRIOU N, STRUNZ K. A benchmark LV Microgrid for steady state and transient analysis[C]// Proceedings of the Cigre Symposium on Power Systems with Dispersed Generation, Athens, April, 2005.

[19]錢科軍, 袁越, 石曉丹, 等. 分布式發(fā)電的環(huán)境效益分析[J]. 中國電機工程學報, 2008, 28(29): 11-15. QIAN Kejun, YUAN Yue, SHI Xiaodan, et al. Environmental benefits analysis of distributed generation[J]. Proceedings of the CSEE, 2008, 28(29): 11-15.

[20]丁明, 張穎媛, 茆美琴, 等. 包含鈉硫電池儲能的微網(wǎng)系統(tǒng)經(jīng)濟運行優(yōu)化[J]. 中國電機工程學報, 2011, 31(4): 7-14. DING Ming, ZHANG Yingyuan, MAO Meiqin, et al. Economic operation optimization for microgrids including Na/S battery storage[J]. Proceedings of the CSEE, 2011, 31(4): 7-14.

[21]CHEN J, YANG X, ZHU L, et al. Microgrid economicoperation and research on dispatch strategy[C]// Power Engineering and Automation Conference (PEAM), 2012, 1(1): 1-6.

(編輯 魏小麗)

Dynamic optimization of microgrid and distribution network based on co-evolutionary game algorithm

XU Yiting1, AI Qian1, HU Jiansheng2
(1. School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China; 2. XJ Group Corporation, Xuchang 461000, China)

Microgrid and distribution network have mutual influences and constraints when interactive operation. Thus, it is necessary to integrate interests of microgrid and distribution network together in order to benefit the entire system. Microgrid and distribution network, as two objectives that need to be optimized at the same time, have some conflicts of interests. The interaction of microgrid and distribution network is studied when interactive operation to analyze their operation benefits respectively. The benefit objectives are modeled as virtual game participants to establish models and fuzzy mathematics method is applied to generalize the benefit functions to membership. In combination with evolutionary game theory and cooperative co-evolutionary algorithm, a co-evolutionary game algorithm is proposed to solve the problem. Then, a maximum dissatisfaction based dynamic optimal sub-model considering the randomness of distributed energy is established to make dynamic adjustments in co-evolutionary game algorithm. A typical Europe microgrid connected with IEEE 33 distribution network is simulated and a simulation with multi-objective optimization method is also carried out for comparison. The results show that the final optimal stable strategy allows the entire microgrid and distribution network to achieve the best operation, thus the effectiveness and superiority of the proposed model and algorithm are proved.

This work is supported by National Natural Science Foundation of China (No. 51577115).

microgrid; distribution network; co-evolutionary game algorithm; dynamic optimization

10.7667/PSPC151702

：2015-11-04

徐意婷(1991-)，女，碩士研究生，研究方向為分布式發(fā)電，微網(wǎng)能量優(yōu)化 ，微網(wǎng)和配電網(wǎng)協(xié)調運行 ；E-mail: millyx@sjtu.edu.cn

艾 芊(1969-)，男，博士，教授，主要研究領域為電能質量、人工智能以及在電力系統(tǒng)中的應用、電力系統(tǒng)元件建模、分布式發(fā)電與微電網(wǎng)等。

胡劍生(1979-)，男，工程師，主要研究方向為新能源發(fā)電系統(tǒng)控制及嵌入式技術。

國家自然科學基金項目(51577115)