海島微電網的多時間尺度優化

范紅真，于永進，張 月

（山東科技大學 電氣與自動化工程學院，山東 青島 266590）

0 引 言

中國能源生產和消費革命的核心內容是對可再生能源的開發和利用[1]。在智能電網的背景下，微電網采用可再生能源發電，因其運行成本較小，環境友好程度較高而得到廣泛利用。近年來，在世界各地建立了一些孤島微電網，柴油發電機的發電越來越少，發電方式也愈加可靠。海島微網一般具有以下幾個特點：

提高可再生能源的利用率問題；沒有外部大電網的支撐，帶有可控分布式電源，需考慮經濟性問題。然而，這些特征使微電網調度策略的設計變得復雜和困難。因此，十分需要對海島微網優化進行研究，所以，需要更先進的微電網運行優化方法來有效地解決這些問題[2]。最近，提高可再生能源的利用率已經成為中國電力和能源系統低碳轉型的關鍵，文獻[3-4]也都采用智能控制算法，提高了可再生能源的利用率，減少了環境損失和碳減排效率損失，文獻[5]提出了含交直流無刷雙饋風力發電機（Hybrid Brushless Doubly- Fed Induction Generator，HBDFIG）的獨立交直流微網發電策略，旨在消耗島上產生的最少量的燃料，文獻[6]提出了基于改進自適應PSO的微網能量管理策略，保證了微網經濟性和穩定性的同時，也避免了由于柴油發電機頻繁啟停而產生損耗，從而降低了環境污染。文獻[7]的結果表明在微電網中設定的CO2排放上限越低，微電網的總成本就會越高，反之亦然。文獻[2]提出了魯棒模型預測控制策略，與傳統的預測控制策略相比，預測誤差水平和不確定性預算水平增長，總運營成本增加不大。文獻[8]提出了基于MPC 的協調調度方法，采用MPC 滾動優化對日前計劃進行校正，有效地跟蹤聯絡線計劃值，也滿足了日運行儲能系統的能量平衡。但以上算法仍然存在較低的計算精度以及較慢的運算速度。

針對以上存在的問題，本文提出了一種ISFLA（Improved Shuffled Frog Leaping Algorithm）算法用于解決海島微網中的優化問題，提出了微電網三層優化調度的具體方案，用柴油發電機、儲能以及非重要負荷來協同配合進行平抑微電網的功率波動，提高了供電可靠性。

1 海島微網系統的結構和調度框架

微網結構如圖1 所示[9]。

圖1 微網結構圖

根據時間尺度的不同，系統的能量管理策略分為三層：日前機組優化、日內經濟優化以及實時調整。微網能量管理的步驟如圖2 所示。

2 多時間尺度優化調度模型

2.1 日前優化調度模型

2.1.1 微電網的總運行成本

微電網的總運行成本包含各電源的安裝和運行成本。

式中：Pi(t)為第i個分布式電源在t時刻的出力；Ci為第i個分布式電源出力的成本；ΔT為調度周期時長；N為分布式電源數；T為總時段[10]。

圖2 能量管理的流程圖

2.1.2 日前優化調度的約束條件

電功率平衡條件如下：

各微電源的有功出力上下限約束為：

式中：Pi(t)表示每小時微電源的實際輸出功率；Pimax(t)表示每小時微電源的最大輸出功率。

儲能設備的SOC 應滿足其上下限約束[11]：

2.2 日內優化調度模型

日內滾動優化的目標是在滿足負荷平衡的基礎上調整成本最小，其目標函數為：

其他約束與日前調度方案模型相同。

2.3 實時優化調度模型

根據t時刻預測功率的變化，對各微源出力進行調整，使實時調度與滾動調度的成本最接近，其目標函數為[13]：

約束與日內調度方案模型相同。

3 案例分析

3.1 改進的混合蛙跳算法

傳統SFLA（Shuffled Frog Leaping Algorithm）的種群分類方法是按照適應值大小進行排序的。該方法有可能讓種群中相距比較遠的青蛙分在同一個種群中，這樣不利于子群中青蛙之間的信息交流，可能導致個體更新效率低，針對該缺點，本文采用歐氏距離的方法劃分子種群。改進的蛙跳分區域方法如圖3 所示。

圖3 改進的蛙跳分區域方法

本文設計一種自適應移動因子用于改進移動步長，移動步長將隨著粒子的改變而改變，對每個粒子用特定的移動步長進行更新，具有良好的智能性。此外，有些青蛙在尋找食物的過程中可能需要保持它現在的移動狀態，因此本文引入PSO 中的慣性權重ω，與PSO 一樣，ω有助于調整算法的搜索過程[14]，移動步長如下：

式中：T是每個群族的進化代數；Di,t是第t次迭代的移動步長。

3.2 調度結果

本文選取含有風光柴儲以及海水淡化負荷的微網系統作為研究對象。系統中各微電源的配置情況參考文獻[15]。

在系統結構相同的情況下，分別用MOPSO、NSGA-Ⅱ、SFLA 和ISFLA 對以上算例進行優化求解，設定種群的大小N=300，進行更新的總次數GM=300，慣性權重[16]取0.4。迭代過程如圖4 所示。

圖4 系統運行成本迭代曲線

由圖4 可見，ISFLA 與其他三種算法相比較，其迭代次數明顯減少，主要是因為慣性權重、自適應因子以及歐氏距離排序的引入，使得算法的搜索效率與收斂速度得到提升。其中，MOPSO、NSGA-Ⅱ、SFLA、ISFLA 分別在迭代次數為36 次、33 次、31 次、28 次進入收斂狀態。因此，ISFLA 的尋優速度和計算精度都已改進。不同算法的優化結果見表1。

表1 不同算法的優化結果 元/天

由圖4 和表1 可知，本文所提出的改進的多目標蛙跳算法得到的系統運行成本為1 256.8 元/天，與前三種算法相比較，ISFLA 的成本明顯降低。因此可見，本文算法的優化有較好的效果。

由圖5 可以看出，由于負荷側不參與調度，柴油發電機啟動次數較多。

圖5 負荷未參與的運行結果

圖6 中負荷側參與調度，可以看出，負荷在跟隨供應量變化，供電充足時負荷也隨之增大，供電不足時，負荷也隨之減小，并且減少了柴油發電機的啟動次數，一天中減少5 次，且其基本都在大功率下運行，這樣更節省燃料，從而減小運行成本，同時，也驗證了本文所提出的ISFLA 的有效性。

圖6 負荷參與的運行結果

圖7 和圖8 分別為負荷側參與調度前后的可時移負荷和可切除負荷的運行情況。圖7 中可時移負荷把供電不充足階段的負荷轉移到供電充足階段[17]，滿足總的供應量等于總需求量；圖8 中可切除負荷將供電不充足時段的負荷直接切除，讓可切除負荷在供電充足時段消耗多余的電量。

圖7 可時移負荷比較

圖8 可切除負荷比較

由于風電光伏出力誤差的存在，日前優化調度方案在某些時刻仍然存在不平衡功率，因此，有必要在日前調度的基礎上進行日內滾動修正，由圖9～圖12 可見，隨著時間尺度的逐層遞進，運行結果更加精確，短時優化較好地保證了對日前優化較小的調整量，同時對各設備出力進一步優化合理，方案可靠。在圖12 中SOC 的充放電深度均保持在0.4～1 之間，滿足初始條件要求，在微網的實際運行中，要時刻注意微網是否越限。

圖9 PV 出力變化曲線

圖10 WT 出力變化曲線

圖11 DGs 出力變化曲線

不同時間尺度的優化結果見表2。由表2可知，負荷側參與調度會使系統運行時間縮短，其中實時調度大幅度下降的原因是實時優化時每1 min 一次不斷滾動計算，因此，比較整個周期的總求解時間是沒有意義的，實際上，要將每個時段的平均用時相比較為合理[18]。日內15 min 調度的運行成本在日前調度的基礎上增加91 元/天，日內實時調度的運行成本在日前調度的基礎上增加476 元/天，運行成本有所增加是由于隨著時間尺度的減小，運行結果也會更加精確，隨之迭代次數也會有所增大。

圖12 SOC 出力變化曲線

表2 不同時間尺度的優化結果

4 結 語

本文以海島微電網為研究對象，提出了能量管理調度策略，包括：日前經濟調度、短時調度以及實時調度。在日前調度階段，根據日前光伏風機和負荷的預測，以運行成本為目標函數進行經濟優化分配，并考慮了負荷側參與調度；在日內階段，根據系統的功率波動對各微源的出力進行調節；在實時調度階段，對各微源出力進行調整，使實時調度與滾動調度的成本最接近，從而既保證了對系統波動的及時響應和全局經濟性最優。針對算例，使用ISFLA 驗證了調度策略的可行性。