微电网经济低碳调度模型与方法初探
espn sports毛晓明;刘文胜;陈深;吴杰康;郭壮志
【摘 要】2012十大网络流行语建立微电网经济低碳调度数学模型，综合考虑运行成本和碳排放量，采用理想点法处理多目标优化问题，利用搜索能力强、寻优速度快的粒子群算法对模型进行求解。以一个30节点的微电网系统为算例，给出日负荷曲线及风、光发电预测结果，比较采取单目标调度策略和经济低碳综合调度策略时微电网的运行特性。研究表明经济低碳调度在经济性和环保性两方面实现了平衡，综合运行效益较优。%An economic low-carbon scheduling strategy for microgrids is developed in this paper taking both opera-tion costs and carbon emissions into account. The ideal point method is ud to deal with the multi-objective optimi-zation and the particle swarm algorithm which is fast and robust is ud to arch the optimum. Taking a 30-node microgrid as the example, giving the typical-day load-curve and the output predictions of wind turbines and photo-voltaic arrays, system performance under single goal scheduling and multi-objective scheduling are compared. The analysis show that the propod economic low-carbon scheduling makes a tradeoff
between economics and emissions and the comprehensive system performance is more preferred.
【期刊名称】《电工电能新技术》
【年(卷),期】2014(000)008whitespace
【总页数】7页(P55-61)
【关键词】微电网;经济运行;低碳调度
【作 者】毛晓明;刘文胜;陈深;吴杰康;郭壮志
【作者单位】广东工业大学自动化学院，广东 广州510006;内蒙古东部电力有限公司，内蒙古 呼和浩特010000;广东工业大学自动化学院，广东 广州510006;广东工业大学自动化学院，广东 广州510006;广东工业大学自动化学院，广东 广州510006
英语学习在线发音【正文语种】中 文
【中图分类】TM7
navy基于化石能源日益枯竭和环境保护的考虑，加上单纯依赖大电网供电存在的安全缺陷，利用清洁能源的分布式发电技术受到日益广泛的关注与重视［1，2］。微电网是一种将各种小型分布式电源、储能装置组合起来为当地负荷提供电能的低压电网，是未来分布式电源的主要运行模式［3］。它有联网和孤岛两种运行状态，能减轻环境污染、降低线路损耗、改善电能质量、显著提高负荷侧的供电可靠性。微电网的优化调度，是微电网研究的重要问题之一，合理的调度方案可以降低运行成本、减少环境污染，充分发挥微电网的效益。目前，微电网优化运行研究在国际上受到较为广泛的关注，相关文献也较多，但国内相关研究开展得还比较少［4-7］。
文献［8］在一个实验室单相高频交流微网中，采用线性规划与启发式算法相结合的方法，实现了以运行成本最优为目标的微网实时优化调度管理。该算法要求网络相对简单，当网络中需要收集的节点数据及状态量增加时，容易造成“维数障碍”。基于人工智能技术的新型优化算法已成为微网优化调度的主流寻优算法。文献［9］以成本最小为优化目标，利用细菌觅食算法得到微网中可调度电源的出力方案。文献［10］在预测微网中光伏发电系统发电量的前提下，采用矩阵实数编码遗传算法，分析比较了不同优化策略下系统的最优成本。对各种人工智能方法来说，确定正确的搜索方向、提高搜索效率、获得全局最优解是
算法设计中有待进一步研究完善的关键问题。
在全球气候变暖的大环境下，降低CO2等温室气体的排放受到国际社会的重视［11］。碳成本的引入，赋予碳排放额外的经济价值，使碳排放成为一种新的可调度资源。在低碳调度中，应同时兼顾电能生产与CO2排放，实现“电平衡”与“碳平衡”的协调与衔接。为此，本文构建了微网系统的多目标低碳调度模型。该模型综合考虑运行成本和碳排放，计及电源最大出力、节点电压和线路传输功率等约束条件，采用理想点法处理多目标优化问题，基于粒子群算法得到微网经济低碳优化调度策略。最后，对算例系统单目标和多目标调度策略运行效果进行对比和分析，验证了多目标低碳调度模型和算法的合理性。
lousy2.1 目标函数
电力调度是复杂的、多目标、非线性优化问题，本文建立的微网运行多目标优化调度模型考虑了以下因素:
(1)运行成本最低，即传统意义上的“经济调度”。为反映微电源在运行中的表现，本文略去各微电源初期投资成本，只考虑运行维护和燃料所产生的运行可变成本。
式中，vDGi为i节点微电源的可变成本;Pi为第i个微电源的有功出力;cb为从大电网购电的价格;Pb为从大电网购电电量。
英语课件下载
(2)碳排放量最小。据统计，发电领域排放的CO2占我国CO2总排放量的38.76%。随着节能环保压力的增大，“低碳”成为安全、经济之后电力系统调度运行中的重要目标之一［12］。CO2减排目标的引入显著改变了发电调度的顺序，也增加了调度决策的复杂度。
式中，vci和vG分别为i节点微电源和大电网单位发电量产生的碳排放量;Pi为微电源发电量;Pb为从大电网购电电量。
become的意思2.2 约束条件
(1)节点潮流约束
式中，PGi、QGi分别为微电源有功出力、无功出力; PLi、QLi分别为节点有功、无功负荷;QCi为无功补偿容量;Ui为节点电压大小;Gij、Bij为系统导纳。
(2)发电机输出功率约束
微电源的输出功率应介于其最大输出功率和最小输出功率之间，并且与大电网的交换功率应在一定范围内。
式中，Pi.min和Pi.max分别是i节点电源输出功率下限和上限;PG.min和PG.max分别是与大电网交换功率的下限和上限。
(3)节点电压约束
式中，Ui为节点i的电压标幺值;Uimin和Uimax分别为节点电压最小和最大限制值。本文Uimin=0.95，Uimax=1.1。
(4)线路传输功率约束
式中，Pi－j为支路i－j的传输功率;Pi－j.max为i－j支路最大允许传输功率。
粒子群优化(Particle Swarm Optimization，PSO)算法是一种进化算法。该算法基于群体迭代，群体在解空间中追随最优粒子进行搜索，具有简单通用、鲁棒性强、实现方便、精度高、收敛快等优点。
PSO采用“速度－位移”搜索模型，该模型的运算单位为“粒子”，每个粒子代表解空间的一个潜在解，解的优劣程度由适应度函数决定。在初始状态中，每个粒子的位置xi和速度vi是随机分布于解空间的，粒子根据全局最优值和局部最优值来不断调整自己下一步的位置和飞行速度，从而达到全局最优位置。
本文采用权重改进的粒子群优化算法:
式中，Pbesti为粒子当前搜索到的最优位置;PGbest为整个群体当前搜索到的最优位置;c1和c2为学习因子，使粒子具有自我总结和向群体中优秀个体学习的能力，从而向个体及群体最优位置靠近;r1和r2为［0，1］之间的随机数，用来保持群体的多样性;设置速度阈值为vmax，当速度超过该阈值时取为vmax;惯性权重ω起着权衡局部最优能力和全局最优能力的作用，采用随迭代次数线性变化的ω解决算法早熟以及后期在全局最优解附近振荡的现象;k为当前迭代次数;kmax为最大迭代次数;ωmax和ωmin分别为ω的最大值和最小值。
粒子群算法流程图见图1。
4.1 多目标的处理
微网经济低碳调度模型要求在运行成本最低、碳排放最少2个目标中寻求折衷，恰当的多目标优化处理技术的选取十分重要。本文选取了理想点法。
理想点法的几何意义是决策者先在多维目标空间中确定一个“理想点”，然后再在可行集中找到一个可行点，使它与“理想点”的“距离”尽可能最小，这个点称为“最好妥协解”，又称“满意解”。对于“理想点”和“距离”的定义不同，产生了不同的方法。本文把“理想点”定义为Z*=(Z*1，Z*2)，Z*1和Z*2为单目标优化时求得的最优运行成本和最优碳排放量。由于两者量纲不同，且数值相距甚远，为避免计算时陷入局部最优值，距离函数考虑为:
bm其中，Z1(x)和Z2(x)为实际计算产生的运行成本和碳排放量。
4.2 多目标低碳调度的求解
取微网中可调度微源的有功出力为优化变量，每个优化变量对应粒子的一个维度。微电源输出功率约束采用边界值处理，节点电压和支路功率约束采取罚函数处理。算法流程图如图2所示。
傲然
为验证本文提出的经济低碳调度模型的合理性及算法的可行性，本文选取某30节点微网系
统为算例，网络接线如图3所示，线路阻抗数据和节点负荷数据见附录1和附录2。图3中，G为大电网，WT为风力发电，MT为微型燃气轮机，PV为光伏电池，FC为燃料电池。调度周期为1天，分为24个时段。各微电源的经济性指标和排放特性参数［13-15］如表1所示。
WT和PV的出力受到环境温度、光照强度和风力的影响，根据地区历史数据，预测得到两种电源的出力情况如图4所示。系统典型日负荷曲线如图5所示。微电源节点电压标幺值设置为1.05，潮流计算采用牛顿-拉夫逊法。单目标粒子群优化的控制参数如下:迭代次数为Kmax=700，粒子群规模为25，学习因子c1=c2=2，惯性权重系数ωmax= 0.9、ωmin=0.4，算法终止阈值设为1×10－6。
设运行成本最低、碳排放最低分别为目标1和2，得到系统小时调度出力曲线如图6和图7所示。
可见，采取优化目标1和目标2时，由于风/光发电成本和排放均最低，WT和PV均按预测数据输出功率。大电网的购电费用和等效碳排放量比微电源高，故仅在微电网中各DG单元按功率上限发电仍无法满足负荷需求时，才向微网供电。由于燃气轮机碳排放量与发电量呈
非线性关系，出力较小时，碳排放水平较高。以碳排放为优化目标时，在保证供电量的前提下，程序减少了参数相同的MT的投运数量，参见图7的调度安排。
图8和9为采取单个优化目标时，系统运行成本和碳排放量的对比。可见，两种调度方案在第20点和第21点两个时间段的运行成本和排放量大致相同。这是由于此时段微电网内的DG不能满足负荷需求，其调度方式均为各DG在调度范围内满发，再由大电网补充供电。采取成本最低为目标时，微网碳排放略高;低碳调度时，系统运行成本略高。
