陳亞瓊 馬瀟予 曾小鳳 張克誠(chéng) 管鑫

（1.國(guó)網(wǎng)甘肅省電力公司培訓(xùn)中心 2.國(guó)網(wǎng)甘肅省電力公司酒泉肅州區(qū)供電公司3.國(guó)網(wǎng)甘肅省電力公司臨夏供電公司）

0 引言

隨著全球能源危機(jī)的日益加劇以及環(huán)境問(wèn)題的持續(xù)惡化，世界各國(guó)都在對(duì)風(fēng)能、太陽(yáng)能等新型能源進(jìn)行研究，加大新能源的利用占比，逐步取代原有的化石型能源，新能源的應(yīng)用必須先以分布式電源、儲(chǔ)能裝置的形式接入微電網(wǎng)，通過(guò)微電網(wǎng)進(jìn)行控制后才能夠接入主電網(wǎng)，因此對(duì)微電網(wǎng)的運(yùn)行模式進(jìn)行合理的調(diào)度優(yōu)化是保證新能源高效利用的關(guān)鍵。

本文所研究的微電網(wǎng)自動(dòng)調(diào)度優(yōu)化問(wèn)題實(shí)質(zhì)上是基于多約束條件的單目標(biāo)優(yōu)化問(wèn)題。微電網(wǎng)能夠進(jìn)行調(diào)度優(yōu)化的前提是電網(wǎng)能夠接入主電網(wǎng)運(yùn)行，通過(guò)微電網(wǎng)內(nèi)部的調(diào)度優(yōu)化以及與主電網(wǎng)的配合運(yùn)行，向負(fù)荷提供高質(zhì)量的能源。本文針對(duì)包含有多種分布式電源、儲(chǔ)能裝置、可控負(fù)荷的微電網(wǎng)，以微電網(wǎng)的運(yùn)行成本為優(yōu)化目標(biāo)，構(gòu)建微電網(wǎng)調(diào)度模型，采用人工智能控制策略進(jìn)行模型的求解。通過(guò)仿真實(shí)例進(jìn)行深入分析，人工智能控制策略能夠?qū)崿F(xiàn)微電網(wǎng)的自動(dòng)化調(diào)度。

1 微電網(wǎng)架構(gòu)

電網(wǎng)的負(fù)荷重要性存在一定的差異，通常情況下可以劃分為三種，即核心負(fù)荷、重要負(fù)荷、常規(guī)負(fù)荷，三種類(lèi)型的負(fù)荷分別配置在三條配電網(wǎng)饋線上，以便實(shí)現(xiàn)對(duì)負(fù)荷的分級(jí)控制，微電網(wǎng)通過(guò)公共結(jié)點(diǎn)接入到主電網(wǎng)中，并網(wǎng)運(yùn)行，微電網(wǎng)的具體調(diào)度架構(gòu)如圖1所示。

圖1 微電網(wǎng)調(diào)度架構(gòu)

微電網(wǎng)的分布式電源又可以分為新能源發(fā)電單元（包括風(fēng)力發(fā)電單元、光伏發(fā)電單元）和常規(guī)發(fā)電單元（火力發(fā)電單元），分布式電源所發(fā)出的電能除向主電網(wǎng)輸送外，還可以輸送到儲(chǔ)能裝置進(jìn)行存儲(chǔ)，當(dāng)達(dá)到特定的外部條件時(shí)，儲(chǔ)能裝置會(huì)向外輸出電能，為微電網(wǎng)中的負(fù)荷供電。

2 分布式電源數(shù)學(xué)模型

該微電網(wǎng)包含多種形式的分布式電源，如光伏發(fā)電、風(fēng)力發(fā)電、火力發(fā)電等，還包括儲(chǔ)能裝置和負(fù)荷。

2.1 光伏發(fā)電數(shù)學(xué)模型

光伏發(fā)電的輸出功率與光照強(qiáng)度、功率點(diǎn)極大值的跟蹤控制、光伏陣列的受光面積、光伏電池的工作效率、光線的入射角度相關(guān)聯(lián)，其輸出功率的數(shù)學(xué)表達(dá)式：

式中，v為光照強(qiáng)度；λpV為最大功率點(diǎn)跟蹤控制效率；UpV為光伏陣列面積；ρpV為光伏電池工作效率；θ為太陽(yáng)光入射角度。

2.2 風(fēng)力發(fā)電數(shù)學(xué)模型

風(fēng)力發(fā)電的輸出功率由當(dāng)前風(fēng)速和風(fēng)力發(fā)電機(jī)的額定功率相關(guān)聯(lián)，風(fēng)力發(fā)電的輸出功率為：

式中，vin為風(fēng)力發(fā)電機(jī)并網(wǎng)發(fā)電風(fēng)速下限；vout為風(fēng)力發(fā)電機(jī)并網(wǎng)發(fā)電風(fēng)速上限；vR為風(fēng)力發(fā)電機(jī)的額定風(fēng)速；PR為風(fēng)發(fā)電機(jī)的額定輸出功率。

2.3 火力發(fā)電數(shù)學(xué)模型

火力發(fā)電成本可以通過(guò)如下公式進(jìn)行數(shù)學(xué)描述：

式中，CCoal為燃料出售價(jià)格；ωCoal為燃料的熱凈值；PFire(t)為火力發(fā)電機(jī)組當(dāng)前實(shí)時(shí)輸出功率；PFire(t)為火力發(fā)電機(jī)組當(dāng)前實(shí)時(shí)工作效率。

2.4 儲(chǔ)能裝置數(shù)學(xué)模型

當(dāng)儲(chǔ)能裝置工作在充電狀態(tài)時(shí)，其功率方向向內(nèi)，即輸出功率為負(fù)，當(dāng)前時(shí)刻的存儲(chǔ)能量為：

當(dāng)儲(chǔ)能裝置工作在放電狀態(tài)時(shí)，其功率方向向外，即輸出功率為正，當(dāng)前時(shí)刻的存儲(chǔ)能量為：

式中，Soc(t)和Soc(t-1)為當(dāng)前時(shí)刻和前一時(shí)刻的儲(chǔ)能裝置存儲(chǔ)的能量；PBattle(t)為儲(chǔ)能裝置的實(shí)時(shí)輸出功率；ηC和ηD為儲(chǔ)能裝置的充電和放電效率。

3 微電網(wǎng)調(diào)度模型

3.1 調(diào)度目標(biāo)函數(shù)

保證微電網(wǎng)運(yùn)行效益的最大化就是通過(guò)對(duì)微電網(wǎng)的運(yùn)行狀態(tài)進(jìn)行調(diào)度，調(diào)節(jié)微電網(wǎng)中各個(gè)分布式電源和儲(chǔ)能裝置的運(yùn)行狀態(tài)，實(shí)現(xiàn)微電網(wǎng)運(yùn)行成本最低。則微電網(wǎng)的調(diào)度目標(biāo)函數(shù)可以描述為：

式中，CCoal(t)為火力發(fā)電的燃料成本；CDep(t)為電力設(shè)備的折舊成本；CKeep(t)為電力設(shè)備運(yùn)營(yíng)保養(yǎng)成本；CCut(t)為負(fù)荷切除補(bǔ)償成本。

3.2 自動(dòng)化調(diào)度約束條件

（1）系統(tǒng)功率約束條件

式中，PWind(t)為風(fēng)力發(fā)電單元的輸出功率；PPV(t)為光伏發(fā)電單元的輸出功率；PBattle(t)為儲(chǔ)能裝置的輸出功率；PCoal(t)為火力發(fā)電單元的輸出功率；P(t)為微電網(wǎng)的負(fù)荷需求。

（2）分布式電源功率約束條件

式中，Pi,min為所有的分布式電源輸出功率的最小值；Pi,max為所有的分布式電源輸出功率的最大值。

（3）功率傳輸約束條件

式中，Pgrid,min為功率傳輸?shù)淖钚≈?；Pgrid,max為功率傳輸?shù)淖畲笾怠?/p>

（4）儲(chǔ)能裝置運(yùn)行約束條件

式中，PBattle,Min為儲(chǔ)能裝置充電功率的最小值；PBattle,Max為儲(chǔ)能裝置充電功率的最大值；SocMin為儲(chǔ)能裝置允許容量的最小值；SocMax為儲(chǔ)能裝置允許功率的最大值。

4 人工智能控制策略

4.1 控制策略基本原理

在微電網(wǎng)自動(dòng)調(diào)度上采用蜂群策略，該策略是基于蜂群的搜索行為而產(chǎn)生的一種人工智能算法，在全局最優(yōu)解和局部最優(yōu)解求解方面性能優(yōu)異，尤其適用于本文這種單目標(biāo)優(yōu)化問(wèn)題，基于多約束條件對(duì)單目標(biāo)最優(yōu)解進(jìn)行求解。單目標(biāo)優(yōu)化問(wèn)題會(huì)涉及一個(gè)收斂性指標(biāo)，并且要求蜂群搜索到的最優(yōu)解位于樣本空間中，由此便解決單目標(biāo)優(yōu)化問(wèn)題，將蜂群策略應(yīng)用到單目標(biāo)的微電網(wǎng)自動(dòng)化調(diào)度控制。

4.2 基本蜂群算子

（1）起始時(shí)段

在這個(gè)時(shí)段，需要對(duì)蜂群樣本的具體參數(shù)進(jìn)行初始化設(shè)置，具體有樣本空間維度、樣本集合數(shù)量、控制參數(shù)、迭代參數(shù)、食物源數(shù)量參數(shù)等，然后基于設(shè)定好的參數(shù)對(duì)蜂群樣本集合進(jìn)行初始化：

假定食物源Nj=(nj1,nj2, … ,njM)為蜂群樣本集合中第j個(gè)食物源的當(dāng)前所處位置，M為蜂群樣本集合的空間維度，在這個(gè)空間中，每個(gè)食物源的起始位置描述如下：

式中，m=1, 2, …,M；Qm和Xm分別是整個(gè)蜂群樣本集合空間中第m個(gè)維度的集合空間邊界；Randi.m是區(qū)間[0,1]上的均勻分布隨機(jī)數(shù)。

（2）雇傭蜂時(shí)期

雇傭蜂在進(jìn)行搜索時(shí)，一旦搜索到食物源后對(duì)食物源的具體參數(shù)進(jìn)行存儲(chǔ)，并將數(shù)據(jù)傳輸給輔助蜂。對(duì)于蜂群樣本空間中的任意一個(gè)食物源，雇傭蜂是隨機(jī)選擇路徑進(jìn)行食物源搜索的，搜索到的食物源位置為：

式中，j為雇傭蜂；i為雇傭蜂所處的當(dāng)前維度；t為其他隨機(jī)選取的雇傭蜂；Randi.i是區(qū)間[0,1]上的均勻分布隨機(jī)數(shù)。再對(duì)雇傭蜂的匹配度參數(shù)進(jìn)行綜合評(píng)價(jià)，以確定哪個(gè)匹配度更好，并確定為當(dāng)前認(rèn)定的雇傭蜂。

（3）輔助蜂階段

輔助蜂會(huì)分析從雇傭蜂傳輸來(lái)的食物源具體參數(shù)，以確定從哪個(gè)方向開(kāi)采食物源，在這個(gè)時(shí)段輔助蜂會(huì)根據(jù)自己的匹配度參數(shù)運(yùn)算出對(duì)應(yīng)的進(jìn)化概率，以選取最優(yōu)輔助蜂個(gè)體進(jìn)行深度尋優(yōu)。蜂群樣本空間中的第j個(gè)樣本個(gè)體的進(jìn)化概率，可以由如下數(shù)學(xué)公式進(jìn)行描述：

式中，S為蜂群樣本空間中的樣本的個(gè)數(shù)；mat(ni)為匹配度函數(shù)，進(jìn)化概率越大意味著輔助蜂的在高質(zhì)量食物源附近進(jìn)行食物搜索的概率就越高。

（4）搜尋蜂時(shí)段

當(dāng)雇傭蜂和輔助蜂附近食物源被完全搜索完畢或在規(guī)定搜索次數(shù)內(nèi)無(wú)法搜索到新的食物源時(shí)，雇傭蜂會(huì)變身為搜尋蜂，根據(jù)式（12）的位置描述，進(jìn)行位置變換，繼續(xù)展開(kāi)搜索，直至達(dá)到搜索結(jié)束條件，再進(jìn)行下一步動(dòng)作。

5 實(shí)例分析

以某地微電網(wǎng)為例進(jìn)行分析，該微電網(wǎng)架構(gòu)與圖1中所描述的微電網(wǎng)架構(gòu)完全一致，對(duì)本文提出的人工智能控制策略進(jìn)行驗(yàn)證，該微電網(wǎng)的容量上限為100kVA，微電網(wǎng)的電壓等級(jí)為400V。在滿(mǎn)足微電網(wǎng)的多重調(diào)度約束條件下，分布式電源中的光伏發(fā)電和風(fēng)力發(fā)電均工作在最大功率跟蹤模式下，因此火力發(fā)電以及儲(chǔ)能裝置是進(jìn)行優(yōu)化主要控制對(duì)象。當(dāng)光伏發(fā)電和風(fēng)力發(fā)電總的輸出功率超過(guò)負(fù)荷所需功率時(shí)，火力發(fā)電的輸出功率應(yīng)當(dāng)保持在最低水平，儲(chǔ)能裝置從外部吸收電能，工作在充電狀態(tài)；當(dāng)光伏發(fā)電、風(fēng)力發(fā)電、火力發(fā)電，儲(chǔ)能裝置的輸出功率均達(dá)到極限時(shí)，所能提供的能量無(wú)法滿(mǎn)足系統(tǒng)所需負(fù)荷，應(yīng)當(dāng)根據(jù)負(fù)荷重要性為依據(jù)，適當(dāng)切除重要性等級(jí)較低的負(fù)荷。

以發(fā)電運(yùn)行成本最低目標(biāo)進(jìn)行運(yùn)算，最終得到一天24h調(diào)度方案如圖2所示。

圖2 微電網(wǎng)自動(dòng)化調(diào)度方案

由調(diào)度方案中數(shù)據(jù)可知，在12～13時(shí)的時(shí)間段之內(nèi)光伏發(fā)電和風(fēng)力發(fā)電的總輸出功率超過(guò)系統(tǒng)負(fù)荷所需功率，基于火力發(fā)電停機(jī)會(huì)造成成本損耗的原則，所以此時(shí)火力發(fā)電保持最低功率輸出運(yùn)行，多余電能傳輸?shù)絻?chǔ)能裝置進(jìn)行能量存儲(chǔ)，在18～19時(shí)的時(shí)間段內(nèi)，微電網(wǎng)中的光伏發(fā)電、風(fēng)力發(fā)電、火力發(fā)電處于滿(mǎn)負(fù)荷運(yùn)行狀態(tài)，微電網(wǎng)所能夠輸出的總功率無(wú)法滿(mǎn)足負(fù)荷的需求，適當(dāng)切除部分重要性等級(jí)較低負(fù)荷，保證重要性等級(jí)較高負(fù)荷的工作。

6 結(jié)束語(yǔ)

本文研究微電網(wǎng)并網(wǎng)模式下的自動(dòng)化調(diào)度方案，基于多種外部和自身約束條件下，以發(fā)電運(yùn)行成本最低為優(yōu)化目標(biāo)，搭建微電網(wǎng)自動(dòng)化調(diào)度模型，采用人工智能策略進(jìn)行模型的最優(yōu)解尋取，仿真結(jié)果表明，本文所提出的人工智能策略的收斂性更好、收斂速度更快，很好地實(shí)現(xiàn)了微電網(wǎng)調(diào)度的發(fā)電成本最低目標(biāo)，解決了微電網(wǎng)在并網(wǎng)運(yùn)行模式下的自動(dòng)化優(yōu)化調(diào)度問(wèn)題。