黄淑媛，肖健梅



基于差分进化算法的微电网多目标优化调度

黄淑媛，肖健梅

（上海海事大学,上海 201306）

能源的紧缺和环境污染问题的加剧，使得人们对微电网有了越来越多的研究。通过对微电网的并网运行进行研究，设计了包含光伏、风机、储能电池单元的微电网系统，综合考虑系统的供电可靠性，环境污染和成本花费三个方面，采用多目标差分进化算法来寻求一组非劣解来确定最终方案。最后通过一组案例数据对系统的优化调度进行了分析和验证。

微电网 多目标优化 差分进化算法Pareto 非支配解

0 引言

微电网主要依靠风电等可再生能源有利于减少污染物的排放的同时也确保了全球的能源供应。但是由于光伏和风机等的初期投入较大，还要考虑后期生产过程中的维护费用，成本方面需要考虑良多。同时，因为微电网中的光伏和风机单元能量供给来自大自然，存在很多不可控的因素，也很难进行精确的预测。故在确保稳定供电的同时，降低污染和成本是微电网应用中需要解决的重要问题。

文献[1]主要研究当微电网遇到干扰时电池、光伏、柴油发电机等单元的能量管理和优化调度问题，通过研究提出确保系统抗干扰的运行方案，但并未考虑微电网运行的其他因素。文献[2]在设计多能源发电系统中，采用多目标粒子群优化算法（MOPSO）最终得到一组非劣解，其中每个解都代表一个候选的方案。文献[3]对混合微电网系统HMGS（Hybrid Micro-Grid System）的稳定性，电力生产的花费和系统对环境造成的影响三个方面进行优化，为平衡三个相互矛盾的目标，将HMGS的优化设计看成是一个多目标优化的任务。并在瑞典的几个不同城市进行优化和评估，用多目标粒子群优化来找到每个地方的最优的系统结构和最优组件的大小。最终证实了HGMS在瑞典乡村发展的可能性。

本文设计了微电网并网运行系统，就其在系统稳定性、成本和环境污染三个方面进行平衡。同时，为避免传统求取多目标解过程中进行归一整合的不合理性，本文将多目标差分进化算法应用到微电网的优化调度中。传统的差分进化算法不能直接用于多目标优化问题。故本文利用基于Pareto非支配关系的多目标差分进化算法较好地解决了上文提到的微电网三个目标之间的平衡优化问题。

1 微电网各个系统单元建模

在并网工作模式下，微电网与中（低）压配电网并网运行，互为支撑，实现能量的双向交换[4]。微电网通过内部光伏单元，风机单元等发电，为微电网内部负荷供电，必要的时候从电网获取电量以满足负荷需求。如图1所示，所设计的并网运行的微电网系统包括光伏单元、风机单元，储能电池单元和从电网获取电量部分。

图1 并网运行系统结构图

1.1 光伏单元

光伏单元可以将照射在其上的光能转变成电能。由于自然环境的不确定性，使得光伏单元的发电具有不确定性，所以微网中需要储能电池来进行调节。光伏单元的功率输出受光照强度和环境温度的影响，可以表示成如下形式[5]：

1.2 风机单元

1.3 储能电池

因为光伏发电和风机发电受环境影响较大，所以需要加入储能单元，当风机和光伏产生的电能大于负荷所需电量时，将多余的电量储存在电池中，当可再生能源产生的电量不足以维持用户用电的时候首先考虑使用储能电池中的电能作为补给。

2 目标函数及其约束

本文主要针对微电网的成本，供电可靠性和对环境的影响三个方面进行研究。

2.1 成本

微电网运行过程中总的花销COST包括了每个发电单元的初始成本，运行维护成本，和设备残余价值，具体公式如下所示：

对于光伏和风机单元，=,时：

2.2 供电稳定性

本文中供电稳定性用EIR（Energy Index of Reliability）表示：

其中EENS(kWh/year)为不能满足负荷需求的电能总和。

2.3 对环境的影响

3.4 约束条件

1）功率平衡约束

微电网系统内功率平衡约束如式(15)～ (16)所示。

2）各发电单元功率约束

（3）储能电池充放电约束

为保证储能电池的寿命，其充放电必须满足以下条件。

3 差分进化算法

3.1 差分进化算法的主要步骤

差分进化算法主要有初始化，变异，交叉，选择几个步骤。

3.1.1种群初始化

初始种群

随机产生：

3.1.2变异

随机选取种群中两个不同的个体，将其向量差缩放后与待变异个体进行向量合成，即

3.1.3交叉

3.1.4选择

差分进化算法采用贪婪算法来选进入下一代种群的个体：

3.2 多目标差分进化算法

在多目标优化的过程中，传统的算法是将多个目标通过一系列的计算转换成单目标，用较为成熟的单目标优化进行计算。这种做法的缺点是，单目标计算出来的结果只有一个解，而对于多目标问题来说解往往不只一个，会存在多个无法相互比较其优劣的解，即对应的Pareto解集[8]。本文将多目标优化中的非支配排序、拥挤度计算与差分进化算法结合来求得最终的非劣解，具体步骤如下：

步骤1：产生初始种群POP1；

步骤2：计算初始种群所对应的目标函数值；

步骤3：针对上一步每个个体所计算出的三个目标函数值分别进行非支配排序和拥挤度计算；

步骤4：通过锦标赛机制选出一半较优秀的个体POP2；

步骤5：对POP2种群进行及交叉和变异得到新的种群POP3；

步骤6：将POP1和POP3合并并对合并后的种群重新进行非支配排序和拥挤度计算；

步骤7：选出上述计算后前200个优秀个体，通过锦标赛机制对这200个个体进行选择，选出一半较为优秀的个体POP4；

步骤8：对POP4进行交叉和变异最终得到较为优秀的种群POP5；

步骤9：代数增加1，回到步骤6，用POP5取代POP3，直到最大进化代数。

4 系统仿真与分析

系统仿真所用数据来源于参考文献[2]，本文针对某一天的情况进行仿真，将一天分为24个时刻。图2图3图4分别给出该天24个时刻用户的负荷，太阳光照和实时风速。

图5 微电网并网运行情况

5 结束语

近年来，风能、太阳能等可在生能源的利用有了显著的增长，在相关技术方面研究较为成熟的情况下，被人们越来越多地进行现实中的应用。本文根据某处用户的实际负荷分别进行了微电网并网系统设计，并采用基于Pareto支配关系的多目标差分进化算法对系统可靠性，运行成本及其对环境的污染进行了优化调度，从而得到较为理想的方案。今后可对系统中各部分的出力情况进行更深入的研究，同时将系统富余的电能向大电网传输，在保证系统稳定运行的前提下进一步实现节约能源和成本的目的。

[1] Tazvinga H, Zhu B, Xia X. Energy dispatch strategy for a photovoltaic-wind-diesel battery hybrid power system[J]. Sol Energy 2014, 108: 412-20.

[2] Wang L, Singh C. PSO-Based multi-criteria optimum Design of A Gridconnected hybrid power system with multiple renewable sources of energy[J]. 2007 IEEE swarm intelligence symposium, 2007.

[3] Maher Azaza*, Fredrik Wallin. Multi objective particle swarm optimization of hybrid micro-grid system: A case study in Sweden[J]. Energy, 2017,123:108-118.

[4] 王成山. 微电网分析与仿真理论[M].北京：科学出版社, 2013.

[5] Daud A-K, Ismail MS. Design of isolated hybrid systems minimizing costs and pollutant emissions[J]. Renew Energy, 2012,44:215-24.

[6] Kefayat M, Ara AL, Niaki SN. A hybrid of ant colony optimization and artificial bee colony algorithm for probabilistic optimal placement and sizing of distributed energy resources[J]. Energy Convers Management, 2015,92:149-61.

[7] 曾嶒,彭春华,王奎等. 基于鸟群算法的微电网多目标运行优化[J], 电力系统保护与控制, 2016, 44(13): 117-122.

[8] 徐斌. 基于差分进化算法的多目标优化方法研究及其应用[D], 上海: 华东理工大学, 2013.

Multi-objective Optimization Scheduling of Micro-gridBased on Differential Evolution Algorithm

Huang Shuyuan,Xiao Jianmei

(Shanghai Maritime University,Shanghai 01306, China)

TM727

A

1003-4862（2018）07-0057-05

2018-04-23

黄淑媛（1994-），女，硕士研究生。研究方向：复杂系统控制与优化。