微电网调度模型的寻优性能与求解效率改进优化-北极星输配电网

投稿

我要投稿

编者按

随着分布式电源（distributed generation，DG）、储能（energy storage，ES）广泛接入用户侧，以及电力市场改革价格策略和需求响应技术（demand response，DR）的发展，微电网优化调度问题成为近来需求响应研究的热点。《中国电力》2023年第6期刊发了贾宏刚等人撰写的《微电网调度模型的寻优性能与求解效率改进优化》一文。文章提出了基于自适应混合差分进化算法的微电网优化调度方法。构建了以日综合用电成本最小为目标的优化模型，针对标准差分进化算法（differential evolution algorithm，DE）全局寻优能力不足、求解效率有待提高的问题，对其缩放因子和交叉概率算子进行改进，形成自适应混合差分进化算法，进行了多场景计算分析，并与标准DE算法和PSO算法结果作对比分析，验证了所提算法具有较优的寻优性能，且适用于微电网调度多场景计算。

摘要

针对微电网优化管理，提出一种基于自适应混合差分进化算法的微电网优化调度策略。首先，考虑电费成本、储能调节成本、用户不适度成本和响应补贴收益，建立以日综合用电成本最小为目标的优化模型；然后，针对标准差分进化算法全局寻优能力不足、求解效率有待提高的问题，对缩放因子和交叉算子进行优化改进，形成自适应混合差分进化算法；最后，以微电网系统为例，进行储能和需求响应的运行优化及算例对比分析。结果表明：所提方法适用于多场景计算，并具有较高的寻优性能和求解效率。

01 数学模型

1.1 微电网结构

典型的微电网结构如图1所示，将m组发电系统、蓄电池和直流负荷分别连接到直流母线上，通过双向变流器与公共的交流母线相连，再由交流母线通过变压器接入配电网。该系统既可满足直流负荷需求，也可满足交流负荷需求。

图1 微电网拓扑结构

Fig.1 Microgrid topology

由于负荷不可控，系统中只有蓄电池参与经济调度，同时考虑到电网不允许功率倒送的要求，本文不计上网售电收益，并弃掉各时段的剩余电量。

1.2 目标函数及约束

02 基于自适应混合差分进化法的求解方法

2.1 编码

2.2 自适应混合差分进化算法

03 算例分析

3.1 参数设置

选取含光伏、储能和可参与需求响应设备（空调和热水器）的微电网作为研究对象，以全天综合用电成本最小为目标函数，采用本文所提算法求取最优运行策略。相关参数如表1所示。

表1 微电网参数

Table 1 Parameters of microgrids

该系统日最大负荷需求为8.18 kW，光伏额定功率为5 kW，储能配置为2.5 kW/5 (kW·h)，可参与需求响应的设备为空调和热水设备；电价类参数中的单位用户不适度成本取0.64元/(kW·h)。

3.2 计算分析

3.2.1 优化结果

负荷采样间隔为15 min。采用自适应混合差分进化算法获得综合用电成本最小的运行方案，计算结果如表2及图2~4所示。其中，算法种群规模200，缩放因子初始值为0.5，交叉概率初始值为0.9，最大迭代次数2000次，负荷波动率为日负荷标准差与平均负荷之比。

表2 计算结果

Table 2 Results of calculation

图2 用户负荷曲线对比

Fig.2 The comparison results of load curves

图3 储能功率及其荷电状态曲线

Fig.3 Curves of energy storage power and SOC

图4 DR设备负荷总削减量

Fig.4 Total load reduction of DR equipments

由表2可知，用电成本有所降低。综合用电成本为39.05元，其中实际向电网购电成本由原来纯用电负荷时的60.7元降至36.65元，降幅约40%；若从综合用电成本指标来看，则降幅约35.7%。由图2用户负荷曲线和图4的DR设备负荷总削减量可知，负荷曲线有所改善。负荷峰值从8.18 kW降至6.09 kW，日负荷波动率从0.47降至0.34。由图4储能功率及其荷电状态（SOC）曲线可知，运行方案较为合理。蓄电池储能充放电行为与分时电价紧密关联，主要是在低电价时段充电、高电价时段放电，且在电池SOC安全运行、寿命折损适度的情况下充分发挥其“削峰填谷”作用。

3.2.2 多场景分析

在本文场景1）“DG+ES+DR”的基础上，进一步选取“DG+ES”“DG+DR”“ES+DR”和“2倍DG+ES+DR”等多场景进行仿真计算，结果如表3所示。在表3中，2倍DG指DG额定功率增加至2倍。由表3可知，本文方法在向电网购电成本、向电网售电收益、储能调节成本、用户不适度成本、响应补贴收益、综合用电成本6个方面均实现了有效计算，其中，由场景1）和场景2）可知，由于受低价时段仅有不适度成本、高电价及平电价时段单位响应补贴高于不适度成本的影响，使得DR设备尽可能地在高、平电价时段以最大可削减功率进行削减，购电成本降幅明显；由场景1）和场景3）可知，储能“低储高发”作用使购电成本有所降低，但其带来的电费节约效益稍小于其调节成本，使得综合用电成本小幅增加；由场景1）和场景4）和场景5）可知，DG发电节约购电电费作用明显，且2倍DG发电时存在向电网售电情况并获益2.96元；从DR响应综合收益（补贴收益减去不适度成本）来看，场景1）、3）~5）大体在3.1~3.4元。

表3 多场景计算的结果

Table 3 Results of multi scenario calculations

3.3 算法比较

本文将标准DE算法和PSO算法与自适应混合差分进化算法进行对比。3种算法种群规模均为200，最大迭代次数2 000次；标准DE算法中缩放因子取0.5，交叉概率常数取0.9；PSO算法中个体和群体学习因子取0.5和1.496，惯性权重最小、最大值取0.4和0.9。

3种算法计算结果对比如表4所示。本文自适应混合差分进化算法较标准DE算法降低约2%，较PSO算法降低约6.6%，寻优结果良好。算法寻优性能对比从求解精度和求解速度2个方面进行验证，3种算法迭代寻优过程如图5所示。由图5可知，本文所提自适应混合差分进化算法约在800次迭代后寻得理想解。经测算，改进差分进化算法寻得最优解用时约40 s，求解精度高于95%。

表4 3种算法结果对比

Table 4 Results of three algorithms

微信图片_20240321132549.png