徐 達(dá), 楊淑連, 朱成龍, 馮 磊

(山東理工大學(xué)電氣與電子工程學(xué)院，淄博 255049)

傳統(tǒng)發(fā)電模式帶來的能源危機(jī)和環(huán)境污染已經(jīng)成為國(guó)內(nèi)外高度關(guān)注的問題，可再生能源的能源利用模式受到越來越多的關(guān)注。熱電聯(lián)供能源利用模式可以在供電的同時(shí)通過熱回收提供熱能，提高了系統(tǒng)能源利用效率，并且減少有害氣體排放。 因此，加強(qiáng)對(duì)熱電聯(lián)供(combined heat and power,CHP)微網(wǎng)研究能夠提高風(fēng)、光等清潔能源合理高效利用和減少污染氣體排放[1-3]。

目前，對(duì)于CHP微網(wǎng)調(diào)度研究多以降低系統(tǒng)運(yùn)行總成本和提高可再生能源利用率為主[4-6]。文獻(xiàn)[7]建立了多種清潔能源互補(bǔ)發(fā)電的優(yōu)化協(xié)調(diào)模型。但是沒有考慮并網(wǎng)情況，這樣不利于提高可再生能源的利用率和對(duì)配電網(wǎng)的調(diào)峰效果，同時(shí)只考慮經(jīng)濟(jì)效益，沒有考慮污染物排放問題。文獻(xiàn)[8]提出“以熱定電”和“以電定熱”兩種調(diào)度模式，但忽略了熱、電負(fù)荷的可調(diào)度性。文獻(xiàn)[9-10]建立了含有蓄熱裝置的微網(wǎng)優(yōu)化模型，驗(yàn)證利用蓄熱裝置的儲(chǔ)熱特性，實(shí)現(xiàn)聯(lián)供系統(tǒng)熱電解耦，但沒有考慮用戶側(cè)熱負(fù)荷的可控性。文獻(xiàn)[11]提出了相對(duì)進(jìn)步度的改進(jìn)粒子群算法來計(jì)算CHP型微網(wǎng)多目標(biāo)優(yōu)化問題，減小了早熟現(xiàn)象。但文章目標(biāo)函數(shù)較簡(jiǎn)單，未考慮微網(wǎng)儲(chǔ)能系統(tǒng)的經(jīng)濟(jì)損耗和熱、電負(fù)荷的可調(diào)度性。所以，對(duì)分布式微源的協(xié)調(diào)互補(bǔ)發(fā)電的熱電聯(lián)供系統(tǒng)的研究還需要完善。

為此，綜合考慮熱電需求響應(yīng)(thermal and electric demand respond，TEDR)、購電費(fèi)率結(jié)構(gòu)、微網(wǎng)經(jīng)濟(jì)、環(huán)保性等要求，建立了一種包括設(shè)備運(yùn)維成本、環(huán)境成本和儲(chǔ)能損耗成本等微網(wǎng)多目標(biāo)經(jīng)濟(jì)調(diào)度模型。為克服傳統(tǒng)粒子群易早熟局部收斂的缺點(diǎn)，引入魚群算法的覓食、聚群、追尾行為優(yōu)化傳統(tǒng)粒子群算法，利用改進(jìn)的復(fù)合粒子群算法進(jìn)行求解。以此提高CHP微網(wǎng)系統(tǒng)供熱、供電的靈活性，降低微網(wǎng)的總運(yùn)行成本。

1 CHP微電網(wǎng)系統(tǒng)結(jié)構(gòu)

1.1 CHP微電網(wǎng)系統(tǒng)結(jié)構(gòu)組成

CHP微網(wǎng)集發(fā)電、供熱于一體，實(shí)現(xiàn)對(duì)氣、熱、電各種能源形式的綜合利用。本文研究的CHP微網(wǎng)結(jié)構(gòu)如圖1所示。CHP微網(wǎng)系統(tǒng)內(nèi)部由風(fēng)力發(fā)電機(jī)(WT)、光伏電池組(PV)、儲(chǔ)能電池(BAT)、燃?xì)忮仩t(GB)和微型燃?xì)廨啓C(jī)(MT)等構(gòu)成。微網(wǎng)外部與電網(wǎng)(GD)相連，既可以向電網(wǎng)購電，也可出售多余電量。微網(wǎng)熱負(fù)荷由余熱回收裝置和燃?xì)忮仩t經(jīng)靈活供熱裝置實(shí)現(xiàn)靈活供熱，靈活供熱裝置容量通常由燃?xì)忮仩t和微燃機(jī)的容量確定。

圖1 CHP微網(wǎng)結(jié)構(gòu)Fig.1 Structure of CHP microgrid

1.2 熱電聯(lián)供微網(wǎng)系統(tǒng)各微源模型

1.2.1 微型燃?xì)廨啓C(jī)模型

微型燃?xì)廨啓C(jī)通過燃燒天然氣熱能做功驅(qū)動(dòng)汽輪機(jī)發(fā)電，排放的高溫?zé)煔饨?jīng)余熱回收鍋爐回收供暖，提高了能源的利用率。燃?xì)獍l(fā)電機(jī)采用三階效率模型能夠較好地體現(xiàn)機(jī)組出力和燃料成本的關(guān)系[12-13]，具體關(guān)系描述為

(1)

(2)

(3)

式中：CMT(t)為t時(shí)段微燃機(jī)燃?xì)獬杀?，元；Ql為天然氣價(jià)格；PMT(t)為t時(shí)刻輸出的功率， kW；Δt為單位調(diào)度時(shí)間；LCV為天然氣低熱熱值；ηMT(t)為發(fā)電效率；QHrs(t)為t時(shí)段余熱回收制熱量，kW；ηl為散熱損耗系數(shù)；ηH為煙氣回收率；CHrs為制熱系數(shù)。

1.2.2 燃?xì)忮仩t模型

燃?xì)忮仩t作為熱電聯(lián)產(chǎn)系統(tǒng)的輔助供熱源。其消耗的天然氣和熱能的關(guān)系為

(4)

式(4)中：Cboi(t)為t時(shí)刻燃?xì)忮仩t消耗天然氣成本，元；Qboi(t)為t時(shí)刻燃?xì)忮仩t輸出的熱功率，kW；ηboi為燃?xì)忮仩t燃燒效率。

1.2.3 風(fēng)電、光伏電池組模型

風(fēng)電和光伏發(fā)電具有不可控性，其作為清潔能源不污染環(huán)境，跟蹤控制其以最大功率輸出，這里不作為優(yōu)化變量出力，將其看作“負(fù)”的負(fù)荷[14]。

1.2.4 儲(chǔ)能模型

蓄電池t時(shí)刻荷電狀態(tài)與t-1時(shí)段的荷電狀態(tài)、自放電率和充放電功率有關(guān)，表達(dá)式為

Soc(t)=Soc(t-1)(1-DB)+

(5)

2 基于TEDR的CHP微網(wǎng)建模

2.1 目標(biāo)函數(shù)

熱電聯(lián)微網(wǎng)并網(wǎng)經(jīng)濟(jì)優(yōu)化模型屬于多目標(biāo)混合整數(shù)線性規(guī)劃范疇，微網(wǎng)的日運(yùn)行成本由燃?xì)獬杀?、運(yùn)維成本、環(huán)境污染成本、電熱負(fù)荷補(bǔ)償成本、儲(chǔ)能損耗成本和微電網(wǎng)與配電網(wǎng)購售電費(fèi)組成。

(1)燃?xì)獬杀緸?/p>

(6)

式(6)中：F1為燃料成本總和。

(2)運(yùn)維成本為

(7)

式(7)中：F2為運(yùn)維成本；βi為微源i的運(yùn)行維護(hù)系數(shù)；Pi(t)為微源i的輸出功率，kW；Δt為時(shí)間間隔。

(3)環(huán)境污染成本為

(8)

式(8)中：F3為環(huán)境污染成本；αMT,j、αboi,j分別為微燃機(jī)和燃?xì)忮仩t排放污染物(CO2、SO2、NOx)的污染折算系數(shù)；EMT,j、Eboi,j分別為微燃機(jī)和燃?xì)忮仩t單位功率排放j類污染物的量。

(4)蓄電池?fù)p耗成本為

(9)

(5)電網(wǎng)能量交換成本為

(10)

(11)

式中：F5為電網(wǎng)購售電費(fèi)；CB為單位購電價(jià)；CS為單位售電價(jià)；PGD(t)為微電網(wǎng)與配電網(wǎng)交互功率，kW，PGD≥0為購電，PGD≤0為售電。

(6)電負(fù)荷、熱負(fù)荷補(bǔ)償成本為

(12)

式(12)中：F6為可轉(zhuǎn)移電負(fù)荷的補(bǔ)償成本；Ctra為可切除負(fù)荷的單位補(bǔ)償價(jià)格，元/kW·h；Pout(t)為切除負(fù)荷量，kW。由于熱負(fù)荷始終滿足用戶舒適度，所以這里不考慮可轉(zhuǎn)移熱負(fù)荷補(bǔ)償成本。

綜上所述，建立CHP微網(wǎng)日運(yùn)行多目標(biāo)函數(shù)為

(13)

2.2 約束條件

2.2.1 熱電聯(lián)供型微網(wǎng)約束

(1)電功率平衡約束：

PMT(t)+PWT(t)+PPV(t)-PSB(t)=PL(t)-PGD(t)

(14)

式(14)中：PL(t)為t時(shí)刻電負(fù)荷需求，kW。

(2)熱功率平衡約束：

QHrs(t)+Qboi(t)=Ql(t)

(15)

式(15)中：Ql為熱負(fù)荷需求，kW。

(3)聯(lián)絡(luò)線約束：

PGD,min≤PGD(t)≤PGD,max

(16)

式(16)中：PGD(t)為t時(shí)段微網(wǎng)與大電網(wǎng)交互功率，kW；PGD,min為交互功率最小值，kW；PGD,max為交互功率的最大值，kW。

(4)可控分布式微源出力約束：

Pimin≤Pi(t)≤Pimax

(17)

式(17)中：Pi(t)為第i微源出力大小，kW；Pimin、Pimax分別為第i微源出力最小值和最大值，kW。

(5)儲(chǔ)能約束：

SOCmin≤SOC(t)≤SOCmax

(18)

PSBmin≤PSB(t)≤PSBmax

(19)

SOCBAT,T=SOCBAT,0

(20)

式中：SOCmin、SOCmax分別是儲(chǔ)能的最小、最大荷電狀態(tài)；PSBmin、PSBmax分別為儲(chǔ)能最小充放電功率、最大充放電功率，kW；SOCBAT,T、SOCBAT,0分別是儲(chǔ)能在調(diào)度周期內(nèi)的終止容量、起始容量。

2.2.2 需求響應(yīng)約束

2.2.2.1 熱負(fù)荷響應(yīng)

假定熱負(fù)荷為小區(qū)樓房的供暖負(fù)荷，一方面由于用戶對(duì)供熱舒適度的感知具有模糊性，另一方面由于建筑物的比熱容和保溫效果，熱負(fù)荷在供熱網(wǎng)傳輸過程中具有很大的慣性。采用建筑物的熱力學(xué)模型可以較為準(zhǔn)確地反映室內(nèi)溫度和供熱功率的關(guān)系，具體表示為

Tin(t+1)=Tin(t)e-Δt/τ+(RsQl(t)+Ten(t))(1-e-Δt/τ)

(21)

式(21)中：Tin(t+1)、Tin(t)分別為t+1和t時(shí)段的建筑物室內(nèi)溫度，℃；Rs為建筑物的等效熱阻，取值為18 ℃/kW；Ql(t)為t時(shí)段建筑物所需的熱功率， kW；Ten(t)為t時(shí)刻樓房外環(huán)境溫度；τ=RsCair，Cair為室內(nèi)空氣比熱容，(kW·h)/℃。

由式(21)可得，室內(nèi)供暖功率的關(guān)系表達(dá)式為

(22)

式(22)中：k=e-Δt/τ。

為保持室溫維持在體感舒適溫度范圍內(nèi)，對(duì)室溫Tin(t)的約束為

Tmin≤Tin(t)≤Tmax

(23)

式(23)中：Tmin、Tmax分別為室內(nèi)允許最低溫度和最高溫度，℃。

式(22)、式(23)構(gòu)成了熱負(fù)荷需求響應(yīng)模型，模型表示熱負(fù)荷可在一定范圍內(nèi)調(diào)動(dòng)，即熱負(fù)荷需求響應(yīng)。

2.2.2.2 電負(fù)荷響應(yīng)

電負(fù)荷響應(yīng)主要考慮可轉(zhuǎn)移電負(fù)荷的調(diào)度。約束如式(24)所示。

(24)

式(24)中：Pin(t)、Pout(t)分別為t時(shí)段轉(zhuǎn)入、轉(zhuǎn)出的電功率，kW；Pinmax(t)為t時(shí)段可轉(zhuǎn)入最大電功率，kW；Pshif(t)為t時(shí)段可轉(zhuǎn)移電功率，kW；εin(t)、εout(t)分別為t時(shí)段電功率轉(zhuǎn)入、轉(zhuǎn)出狀態(tài)；Pfix(t)為t時(shí)段固定負(fù)荷，kW。

上述目標(biāo)函數(shù)和約束共同構(gòu)成基于熱電負(fù)荷需求側(cè)響應(yīng)CHP微網(wǎng)的混合整數(shù)線性規(guī)劃模型，使用人工魚群-粒子群復(fù)合算法求解。

3 人工魚群-粒子群復(fù)合算法

將污染物排放、儲(chǔ)能損耗和負(fù)荷調(diào)度都折算到成本側(cè)，將多目標(biāo)優(yōu)化問題轉(zhuǎn)換為單目標(biāo)優(yōu)化問題。采用人工魚群-混合粒子群算法求解目標(biāo)函數(shù)，優(yōu)化各微源出力。

3.1 基本粒子群算法

粒子群算法(particee swarm optimization, PSO)是一種模擬鳥類飛行覓食尋優(yōu)的群體搜索的元啟發(fā)智能算法，其t+1時(shí)刻粒子速度和位置更新速度如式(25)、式(26)所示。

vi,j(t+1)=wvi,j(t)+c1r1[pb,j(t)-xi,j(t)]+c2r2[pg,j-xi,j(t)]

(25)

xi,j(t+1)=xi,j(t)+vi,j(t+1)

(26)

式中：c1、c2為學(xué)習(xí)因子；r1、r2為0到1的隨機(jī)數(shù)；pb,j、pg,j為第t次迭代粒子個(gè)體最優(yōu)值和全局最優(yōu)值;w為慣性系數(shù)。由式(27)進(jìn)行自適應(yīng)調(diào)整。

ω=ωmax-t(ωmax-ωmin)/tmax

(27)

人工魚群算法是根據(jù)魚群社會(huì)屬性和社會(huì)行為的啟發(fā)提出的一種群體智能優(yōu)化算法。該算法具有快速跳出局部最優(yōu)、對(duì)于初始化參數(shù)魯棒性好的優(yōu)良特性，但存在后期收斂速度慢的缺點(diǎn)；粒子群算法具有局部快速收斂能力，但粒子算法后期由于趨向性一致而易陷入局部極值。本文提出的魚群-粒子群優(yōu)化(artificial fish-particle swarm optimization,AF-PSO)混合算法互補(bǔ)各自的缺點(diǎn)，通過模擬魚群的覓食、聚群、追尾行為，提高粒子的探索能力，跳出局部最優(yōu)解，從而避免早熟，同時(shí)提高了算法收斂速度。

3.2 改進(jìn)粒子群行為操作

3.2.1 覓食行為(prey)

設(shè)第i條魚在j維空間下搜索狀態(tài)為xi,j(t),其在最大嘗試次數(shù)下，且可視范圍內(nèi)隨機(jī)選擇一個(gè)狀態(tài)x′i,j(t)，若適應(yīng)度函數(shù)值y′i,j(t) 小于初始狀態(tài)適應(yīng)度函數(shù)yi,j(t)，則向此方向游動(dòng)。若嘗試try_number次之后仍然不滿足條件，則隨機(jī)游動(dòng)。人工魚群搜索算子數(shù)學(xué)描述為

vi,j(t+1)=ωvi,j(t)+c1r1[xi,j′(t)-xi,j(t)]+c2r2[xg,j(t)-xi,j(t)]

(28)

prey[xi,j(t+1)]=

(29)

式(28)中：xg,j(t)為當(dāng)前全局最優(yōu)；r1、r2為0到1的隨機(jī)數(shù)。

3.2.2 聚群行為(swarm)

設(shè)第i條魚在j維空間下搜索狀態(tài)為xij(t),搜索其視覺范圍內(nèi)(即di,j

vi,j(t+1)=ωvi,j(t)+c1r1[xc,j(t)-

xi,j(t)]+c2r2[xg,j(t)-xi,j(t)]

(30)

swarm(xi,j(t+1))=

(31)

3.2.3 追尾行為(follow)

設(shè)第i條魚在j維空間下搜索狀態(tài)為xij(t),搜索其視覺范圍內(nèi)(di,j

vi,j(t+1)=ωvi,j(t)+c1r1[xmin,j(t)-xi,j(t)]+c2r2[xg,j(t)-xi,j(t)]

(32)

follow[xi,j(t+1)]=

(33)

3.3 算法步驟

AF-PSO算法步驟如下。

(1)設(shè)定混合算法的控制參數(shù)值。初始化魚群大小N，最大迭代次數(shù)M，學(xué)習(xí)因子c1、c2，慣性權(quán)重w，人工魚的可視范圍Visual，最大步長(zhǎng)step，擁擠度δ和最大嘗試次數(shù)try_number，同時(shí)賦值各模型已知變量。

(2)在滿足約束下初始化每條人工魚的位置和速度，計(jì)算其適應(yīng)度，取所有人工魚適應(yīng)度最小值fg作為全局最優(yōu)，對(duì)應(yīng)人工魚位置xg,j(t)，寫入狀態(tài)欄，同時(shí)記錄每條人工魚的歷史最優(yōu)解。

(3)每條人工魚模擬覓食、聚群、追尾行為對(duì)可行解進(jìn)行搜尋，根據(jù)評(píng)價(jià)函數(shù)選擇最優(yōu)的執(zhí)行行為，更新位置狀態(tài)信息。

(4)比較各人工魚的適應(yīng)度，更新狀態(tài)欄信息，判斷全局最優(yōu)變化是否滿足給定精度或達(dá)到最大迭代次數(shù)，是則轉(zhuǎn)向步驟(6)，否則轉(zhuǎn)向步驟(5)。

(5)更新狀態(tài)欄，替換最差的粒子位置，轉(zhuǎn)步驟(3)。

(6)輸出各優(yōu)化變量最優(yōu)值、最優(yōu)運(yùn)行成本，輸出結(jié)果。

4 算例仿真分析

為驗(yàn)證模型的有效性，采用某地區(qū)CHP型微電網(wǎng)系統(tǒng)作為研究仿真對(duì)象。微網(wǎng)調(diào)度周期T為24 h，時(shí)間間隔Δt為1 h。圖2所示為風(fēng)、光微源預(yù)測(cè)出力和熱、電負(fù)荷預(yù)測(cè)曲線。微網(wǎng)微源運(yùn)行相關(guān)參數(shù)如表1所示；采用分時(shí)電價(jià)，微網(wǎng)購電電價(jià)如表2所示，并網(wǎng)售電電價(jià)取0.7 元/(kW·h)。天然氣價(jià)格取值為2 元/m3；天然氣低熱熱值取值為10(kW·h)/m3。表3所示為微網(wǎng)環(huán)境參數(shù)[15]。

算例采用AF-PSO算法，算法中各參數(shù)取值為：種群規(guī)模N取50，迭代次數(shù)M取200，學(xué)習(xí)因子c1、c2取1.5，初始慣性權(quán)重w取0.4，Visual為72，最大步長(zhǎng)step為72，擁擠度因子為0.618，最大嘗試次數(shù)為100。

為驗(yàn)證考慮熱電負(fù)荷需求響應(yīng)的CHP微網(wǎng)運(yùn)行經(jīng)濟(jì)性，設(shè)置兩種運(yùn)行方式進(jìn)行對(duì)比，運(yùn)行方式1采用TEDR，運(yùn)行方式2不采用TEDR。運(yùn)行方式1的日運(yùn)行成本為8 731.36 元，運(yùn)行方式2的日運(yùn)行成本為7 952.54 元。結(jié)果表明，在本模型應(yīng)用熱電負(fù)荷響應(yīng)可以節(jié)約9.1%的日運(yùn)行成本。

4.1 電能調(diào)度結(jié)果分析

兩種運(yùn)行方式的電能調(diào)度結(jié)果如圖3和圖4所示。仿真結(jié)果表明，場(chǎng)景1、2在用電低谷時(shí)間段1:00—8:00，微網(wǎng)電能調(diào)度來源主要為大電網(wǎng)，在9:00—24:00時(shí)間段電能調(diào)度來源主要為微燃機(jī)MT。場(chǎng)景2在19:00—22：00時(shí)間段微網(wǎng)出售大量電能給電網(wǎng)。表明應(yīng)用熱、電負(fù)荷響應(yīng)可以促進(jìn)電網(wǎng)削峰填谷的能力。

圖2 風(fēng)、光預(yù)測(cè)出力和熱電負(fù)荷預(yù)測(cè)曲線Fig.2 WT, PV forecast output and electric heating load prediction curve

表1 CHP微網(wǎng)運(yùn)行參數(shù)Table 1 CHP microgrid operating parameters

表2 購電電價(jià)Table 2 Purchase electricity price

表3 環(huán)境參數(shù)Table 3 Environmental parameters

圖3 不應(yīng)用TEDR電能調(diào)度結(jié)果Fig.3 Results of power scheduling without TEDR

圖4 應(yīng)用TEDR電能調(diào)度結(jié)果Fig.4 Results of power scheduling with TEDR

4.2 熱能調(diào)度結(jié)果分析

兩種運(yùn)行方式的熱能調(diào)度結(jié)果如圖5和圖6所示。由式(3)可將電功率轉(zhuǎn)換至熱負(fù)荷側(cè)。仿真結(jié)果表明，運(yùn)行方式1和運(yùn)行方式2在1：00—8:00時(shí)間段的微網(wǎng)主要供熱來源為燃?xì)忮仩t，9：00—24:00主要供熱來源為燃?xì)廨啓C(jī)。運(yùn)行方式1的熱負(fù)荷功率變化較平穩(wěn)，運(yùn)行方式2的熱負(fù)荷功率波動(dòng)較大。兩種運(yùn)行方式熱能都得到充分利用，無棄熱現(xiàn)象。

圖5 不應(yīng)用TEDR熱能調(diào)度結(jié)果Fig.5 Results of heat scheduling with TEDR

圖6 應(yīng)用TEDR熱能調(diào)度結(jié)果Fig.6 Results of heat scheduling with TEDR

4.3 TEDR結(jié)果分析

兩種運(yùn)行方式下的CHP微網(wǎng)中電負(fù)荷調(diào)度結(jié)果如圖7所示。從圖中可以看出，15：00—24:00時(shí)間段部分電負(fù)荷轉(zhuǎn)移至5：00—9:00時(shí)間段，結(jié)果表明應(yīng)用需求側(cè)響應(yīng)技術(shù)可以提高微網(wǎng)參與電網(wǎng)削峰填谷的作用，降低了峰谷差。兩種運(yùn)行方式下的CHP微網(wǎng)內(nèi)建筑物室內(nèi)溫度變化如圖8所示。結(jié)果表明，不應(yīng)用熱負(fù)荷響應(yīng)，運(yùn)行方式1室內(nèi)溫度一直保持在室內(nèi)最佳溫度21 ℃；應(yīng)用熱負(fù)荷響應(yīng)后，運(yùn)行方式2在第1小時(shí)由于燃?xì)忮仩t供熱功率降低，第2小時(shí)溫度降至18 ℃。由圖8可知，在2：00—8:00時(shí)間段內(nèi)，熱負(fù)荷主要供能來源為燃?xì)忮仩t，室內(nèi)溫度一直維持在18 ℃，燃?xì)忮仩t提供的熱量主要用于補(bǔ)充建筑物的散熱損失，在9：00—12:00時(shí)間段內(nèi)由于供熱功率高于標(biāo)準(zhǔn)供暖功率，因此室溫升高。在第13小時(shí)供熱功率最小，之后逐步上升。根據(jù)建筑物的熱力學(xué)模型，室內(nèi)溫度變化始終滯后一個(gè)調(diào)度周期時(shí)間間隔1 h。

圖7 電負(fù)荷調(diào)度結(jié)果Fig.7 Results of power load scheduling

圖8 室內(nèi)溫度變化結(jié)果Fig.8 Results of indoor temperature change

結(jié)合算例可知，本文提出的AF-PSO算法能夠有效地解決CHP型微網(wǎng)的熱電優(yōu)化調(diào)度問題。為了直觀橫向地表現(xiàn)AF-PSO算法的迭代過程，并與PSO算法進(jìn)行比較，以第9小時(shí)的優(yōu)化調(diào)度為例做出迭代過程，如圖9所示。

圖9 迭代過程對(duì)比Fig.9 Iterative process comparison

從圖9可以看出，兩種算法的目標(biāo)函數(shù)值均隨著迭代步數(shù)的增加而減小，說明算法能進(jìn)行有效搜索，最后都收斂于某一值。但相比于PSO算法，本文提出的AF-PSO算法能夠在更短的迭代次數(shù)收斂到更優(yōu)的解，這是因?yàn)锳F-PSO算法加入魚群的覓食、聚群、追尾行為，并引入劣勢(shì)淘汰規(guī)則，提高了粒子的收斂速度，減少了尋優(yōu)時(shí)間，避免了算法提前陷入局部最優(yōu)。

5 結(jié)論

綜合考慮系統(tǒng)購電費(fèi)率結(jié)構(gòu)、維護(hù)成本、儲(chǔ)能損耗成本、污染物排放成本、燃?xì)赓M(fèi)用、購售電成本，建立了熱、電負(fù)荷需求側(cè)響應(yīng)CHP微網(wǎng)多目標(biāo)優(yōu)化模型，并基于AF-PSO算法求解尋優(yōu)。算例結(jié)果表明，應(yīng)用熱電負(fù)荷響應(yīng)可以提高熱電負(fù)荷調(diào)度的靈活性，系統(tǒng)運(yùn)行成本顯著減少，同時(shí)可以提高微網(wǎng)對(duì)大電網(wǎng)削峰填谷的能力。但建立的熱負(fù)荷需求響應(yīng)模型沒有考慮用戶主觀意愿，因此，建立包括用戶主觀意愿的完善需求響應(yīng)模型值需要進(jìn)行進(jìn)一步研究。