《電子技術應用》
您所在的位置:首頁 > 通信與網(wǎng)絡 > 設計應用 > 并網(wǎng)模式微電網(wǎng)雙層分布式優(yōu)化調(diào)度算法
并網(wǎng)模式微電網(wǎng)雙層分布式優(yōu)化調(diào)度算法
陳西, 付蓉
(南京郵電大學 自動化學院, 江蘇 南京 210000)
摘要: 為解決負荷預測、風力發(fā)電和光伏發(fā)電預測出力值與其實時數(shù)據(jù)間的誤差所導致的微電網(wǎng)不能安全穩(wěn)定運行的問題,提出了一種雙層優(yōu)化算法。本算法包含基于集中優(yōu)化方式進行的預測調(diào)度和基于分布式優(yōu)化算法的實時優(yōu)化。兩層均采用粒子群智能優(yōu)化算法對模型進行求解。該算法基于圖論思想,按照拓撲圖遍歷順序進行遍歷式的分布式優(yōu)化,將計算任務分配至微電網(wǎng)中每個參與調(diào)度的節(jié)點。
Abstract:
Key words :

  陳西, 付蓉

 ?。暇┼]電大學 自動化學院, 江蘇 南京 210000)

  摘要:為解決負荷預測、風力發(fā)電和光伏發(fā)電預測出力值與其實時數(shù)據(jù)間的誤差所導致的微電網(wǎng)不能安全穩(wěn)定運行的問題,提出了一種雙層優(yōu)化算法。本算法包含基于集中優(yōu)化方式進行的預測調(diào)度和基于分布式優(yōu)化算法的實時優(yōu)化。兩層均采用粒子群智能優(yōu)化算法對模型進行求解。該算法基于圖論思想,按照拓撲圖遍歷順序進行遍歷式的分布式優(yōu)化,將計算任務分配至微電網(wǎng)中每個參與調(diào)度的節(jié)點。

  關鍵詞:微電網(wǎng);粒子群算法;雙層優(yōu)化;分布式優(yōu)化

0引言

  微電網(wǎng)并網(wǎng)模式雙層分布式優(yōu)化調(diào)度是指通過雙層優(yōu)化模型協(xié)調(diào)微電源的輸出功率以及與主網(wǎng)交換的功率的控制管理,實現(xiàn)根據(jù)不可控微電源出力、負荷水平以及電價等實時數(shù)據(jù),動態(tài)分布式地調(diào)節(jié)可控微電源出力、與主網(wǎng)的交換功率,使微電網(wǎng)安全、高效、可靠、經(jīng)濟地運行。

  文獻[1]提出了一種微電網(wǎng)實時能量優(yōu)化管理方法,通過兩層優(yōu)化將日前優(yōu)化量與實時優(yōu)化量疊加,化解微電網(wǎng)中的實時波動,但兩層均為集中式優(yōu)化,計算任務由一個計算單元完成。文獻[2]提出一種考慮微電網(wǎng)通信拓撲的微電網(wǎng)邊際成本一致性算法,該算法能分布式求解成本函數(shù)由二次函數(shù)表達的微電網(wǎng)經(jīng)濟優(yōu)化問題,但沒有考慮不可控微電源和負荷等的實時波動影響。文獻[3]提出的微電網(wǎng)雙層協(xié)調(diào)優(yōu)化算法通過對儲能系數(shù)進行優(yōu)化,避免了負荷波動可能造成的影響,但未考慮通信拓撲變化時的情況。

  本文提出的微電網(wǎng)并網(wǎng)模式下的雙層優(yōu)化模型分為集中層和分布式層。集中層是基于不可控電源出力、負荷以及電價的短期預測數(shù)據(jù)的日前調(diào)度[45]。分布式層基于不可控電源出力、負荷以及電價的實時數(shù)據(jù),基于通信拓撲關系進行分布式計算,將計算任務調(diào)整為分布式進行??梢詫崿F(xiàn)在日前調(diào)度基礎上做出快速調(diào)整,達到微電網(wǎng)安全穩(wěn)定運行[67]。

1優(yōu)化模型

  1.1集中優(yōu)化層

  微電網(wǎng)并網(wǎng)運行時集中層目標函數(shù)為:

  14++.png

  其中,上標t表示時段;P代表有功功率;下標DG、S+、S-、grid+和grid-分別表示可控微電源、儲能充電和放電以及購電量與售電量;Q表示數(shù)量;K表示微電源的維護成本;c表示價格;C表示電價;on表示微電源的啟停;*表示微電源狀態(tài)的改變;F()表示微電源的發(fā)電成本函數(shù);U表示狀態(tài)量,取值為0和1。式(2)~(4)分別表示T時段中可控微電源發(fā)電成本、儲能充放電成本以及向電網(wǎng)購售電成本總和。

  集中調(diào)度層需要滿足的約束條件:

 ?。?)功率平衡約束

  57.png

  PDG,i、PDG,i分別為每個DG單元的出力上限與下限,rmaxi表示各單元最大爬坡率。

  (3)狀態(tài)約束

  US++US-≤1(8)

  Ugrid++Ugrid-≤1(9)

  此約束表示同一時刻儲能狀態(tài)只能是充、放電中的一種,同一時刻只能購電或者售電。

  PS≤PtS≤PS(10)

  SOC≤SOCt≤SOC,SOC>0(11)

  SOC為儲能單元的荷電狀態(tài)[8]。PS、PS、SOC、SOC分別表示儲能充放電功率上下限以及荷電狀態(tài)上下限。

  1.2分布式優(yōu)化層

  將集中調(diào)度層優(yōu)化結果統(tǒng)一表示為PforecastMG,其中MG表示微電網(wǎng)中所有受調(diào)度的抽象節(jié)點,包括可控微電源、儲能單元以及與主網(wǎng)交換功率。forecast表示此值是集中層根據(jù)預測數(shù)據(jù)得出的預測調(diào)度值。

  實時調(diào)度時刻t到來時,微網(wǎng)集控中心收集不可控電源的實時出力Pt,realtimeunctrl以及負荷的實時數(shù)據(jù)Pt,realtimeL,realtime上標表示此值是實時數(shù)據(jù)。并根據(jù)實時網(wǎng)絡通信拓撲確定一個優(yōu)化起始節(jié)點。根據(jù)實時數(shù)據(jù)與預測數(shù)據(jù)計算得該調(diào)度時刻的誤差,并在起始節(jié)點的預測出力值上加入誤差的量。誤差ΔPt的計算公式為:

  12.png

  PtL、Ptunctrl分別表示負荷與不可控微電源出力的預測值。

  誤差傳遞公式為:

  13.png

  *表示經(jīng)過誤差傳遞修改后的變量。

  從起始節(jié)點開始,對微電網(wǎng)各可控微電源組成的通信連通圖按某一遍歷順序進行遍歷。將無向圖G=(V,E)用于表示微電網(wǎng)某一時刻的網(wǎng)絡拓撲連接關系。其中V是一個由節(jié)點組成的有限非空集,E是不帶權值的連接不同節(jié)點的邊的集合,并且不存在自回路。記t時刻的微電網(wǎng)通信拓撲無向圖鄰接矩陣為At=[dtmn]QMG,矩陣的維數(shù)QMG是微電網(wǎng)中所有調(diào)度節(jié)點的總數(shù),dtmn取1表示m和n之間有鄰接關系,取0則表示沒有。且若m=n,則dtmn=0。從起始節(jié)點開始遍歷,遍歷到的節(jié)點進行1次優(yōu)化計算,即各節(jié)點遵循遍歷的先后順序經(jīng)行優(yōu)化計算。分布式優(yōu)化層的目標函數(shù)為:

  14.png

  FMG()代表微電網(wǎng)中任一參與調(diào)度的節(jié)點的成本函數(shù)。參與調(diào)度計算的節(jié)點完成一次優(yōu)化計算后,Pt,forecast*MG,m和Pt,forecast*MG,n將被優(yōu)化結果替代。在微電網(wǎng)中所有節(jié)點優(yōu)化完成后,判斷結果是否滿足收斂條件。分布式調(diào)度層滿足的約束條件為:

  15.png

  該約束表示參與優(yōu)化的節(jié)點的優(yōu)化量總和在優(yōu)化前后不變。其他約束條件與集中調(diào)度層的約束條件相同。

2算法流程

 ?。?)微網(wǎng)集控中心收集預測周期中所有時段t(t=1,2,3,...,T)的不可控微電源預測出力Ptunctrl、預測負荷PtL以及預測購售電電價Ct。

 ?。?)微網(wǎng)集控中心根據(jù)預測信息,以經(jīng)濟最優(yōu)為目標,按照式(1)~(4)的目標函數(shù),及式(5)~(11)的約束條件,采用粒子群優(yōu)化算法[910]進行計算,得到整個預測周期中各個時段分布式電源預測出力PtDG、儲能充放電功率PtS+和PtS-,以及與外部電網(wǎng)電能交換的功率Ptgrid+和Ptgrid-。

 ?。?)初始化迭代次數(shù)k=1,初始調(diào)度時刻t=1。

  (4)實時調(diào)度時刻到來時,集控中心根據(jù)不可控電源實時出力Pt,realtimeunctrl、負荷實時數(shù)據(jù)Pt,realtimeL以及實時電價,從選定的起始優(yōu)化節(jié)點,按照式(12)計算得該調(diào)度時刻的誤差量ΔPt,并按式(13)在起始節(jié)點的預測出力值上加入誤差量。

 ?。?)從起始節(jié)點開始,按對鄰接矩陣At的遍歷順序?qū)λ泄?jié)點進行遍歷,每遍歷一個節(jié)點,該節(jié)點就在約束條件下按照式(14)應用粒子群優(yōu)化算法進行一次計算。優(yōu)化目標是自身與其相鄰節(jié)點的出力,并使用優(yōu)化結果代替預測量或者是上一次優(yōu)化計算的結果。所有節(jié)點遍歷完成后進行收斂性判斷,k=k+1。若未收斂,且k小于最大迭代次數(shù)K,重復步驟(5),否則轉步驟(6)。

 ?。?)將各可控微電源、儲能設備及購售電控制節(jié)點實時優(yōu)化結果PtMG做實時調(diào)整,t=t+1,判斷是否t≤T,若是則轉步驟(4),否則結束。

3算例仿真及分析

  本文設計了三個算例,使用MATLAB仿真驗證了本文提出算法的有效性。算例中假設儲能不參與調(diào)度。一天分24個時段,三個算例中所用數(shù)據(jù)相同。負荷曲線與風光出力曲線如下圖1與圖2所示,圖3為預測誤差影響量。圖1預測負荷與實時負荷圖2預測風光出力與實時風光出力圖3誤差量(1)算例1

001.jpg

  算例1中微電網(wǎng)的結構[1113]如下圖4所示,其中,該微電網(wǎng)由風力發(fā)電機(WT)、光伏發(fā)電(PV)、儲能系統(tǒng)(Bat)、兩臺微型燃氣輪機(MT)、柴油發(fā)電機(DE)、燃料電池(FC)以及其他控制裝置組成。受調(diào)度量以及其出力、爬坡率以及功率交換約束(如表1所示),電網(wǎng)購電與售電上限均為100 kW。

 

002.jpg

007.jpg

003.jpg

  圖5算例1集中層優(yōu)化結果集中層計算結果如圖5所示,可以看出,使用粒子群算法解決包含多種形式成本函數(shù)的經(jīng)濟調(diào)度問題具有良好的效果。分布式調(diào)度按照圖6編號順序進行遍歷。如圖7所示,對比集中優(yōu)化結果與分布式優(yōu)化結果,在不確定因素影響時,分布式算法通過數(shù)次迭代皆可以達到新的最優(yōu)解。通過該算例算法的收斂性得到了驗證。

  

004.jpg

  通信拓撲圖圖7算例1分布式優(yōu)化結果(2)算例2

  算例2與算例1不同之處是分布式優(yōu)化的通信拓撲連接關系發(fā)生了改變。算例2的通信拓撲如圖8所示。同樣選取節(jié)點1為分布式優(yōu)化的起始節(jié)點。

  圖9為算例2分布式優(yōu)化的結果,可以看出,在改變了通信拓撲之后分布式優(yōu)化的收斂性能受到了一定的影響,DE的出力曲線有明顯的不穩(wěn)定。

  

005.jpg

  通信拓撲圖圖9算例2分布式優(yōu)化結果(3)算例3

  算例3中集中層的參數(shù)及設置都與算例1相同,不同僅在于算例3在進行分布式優(yōu)化時在算例1的通信拓撲基礎上增加了一個節(jié)點,即在微電網(wǎng)中增加一臺柴油發(fā)電機DE,模擬即插即用技術應用于微電網(wǎng)中的場景。所以算例3的集中層優(yōu)化結果與算例1相同。改變之后的通信拓撲圖如圖10所示。新增發(fā)電機節(jié)點6與節(jié)點2和節(jié)點5相連。

  從圖11可以看出,當加入一臺DE,其立即參與到分布式優(yōu)化過程中,并具有良好的收斂性。從圖中三角曲線

  

006.jpg

  通信拓撲圖圖11算例3分布式優(yōu)化結果可以看出,分布式優(yōu)化開始后,新加入的節(jié)點6也開始工作。

  表2列出了三個算例中各時刻分布式優(yōu)化的迭代次數(shù)及成本。對比算例1和算例2的各時刻迭代次數(shù)及總次數(shù)可知,同節(jié)點數(shù)的情況下,拓撲圖的連通度對算法的優(yōu)化效率有較大影響,連通度越大,優(yōu)化的速度越快,反映出來的現(xiàn)象就是迭代次數(shù)更少,且目標函數(shù)優(yōu)化效果更佳。對比算例1與算例3,可以證明本文提出的算法可以應對通信拓撲的實時變化。 

008.jpg

4結論

  本文提出了一種可以應對微電網(wǎng)不確定因素影響,以及適應微電網(wǎng)拓撲變化的雙層集中與分布式優(yōu)化算法,并應用粒子群智能算法對問題進行求解。通過三個仿真算例,驗證了粒子群算法具有良好的尋優(yōu)性能,能在解空間中快速收斂。并且雙層優(yōu)化算法可以化解不確定因素的影響,快速收斂到新的穩(wěn)定最優(yōu)解,在拓撲發(fā)生改變時能快速應對。

參考文獻

 ?。?] 李滿禮, 付蓉, 楊健. 微電網(wǎng)孤網(wǎng)實時能量優(yōu)化管理[J]. 微型機與應用, 2014, 33(15):7679.

 ?。?] ZHANG Z, CHOW M Y. Convergence analysis of the incremental cost consensus algorithm under different communication network topologies in a smart grid[J]. IEEE Transactions on Power Systems, 2012, 27(4):1761  1768.

 ?。?] JIANG Q, XUE M, GENG G. Energy management of microgrid in gridconnected and standalone modes[J]. IEEE Transactions on Power Systems, 2013, 28(3):33803389.

 ?。?] HUANG A Q, CROW M L, HEYDT G T, et al. The future renewable electric energy delivery and management (FREEDM) system: the energy internet[J]. Proceedings of the IEEE, 2011, 99(1):133148.

 ?。?] 周華鋒,涂衛(wèi)平,劉皓明. 孤島運行方式下微網(wǎng)有功功率優(yōu)化策略研究[J].廣東電力,2010,23(7):14.

  [6] LIN C E, VIVIANI G L. Hierarchical economic dispatch for piecewise quadratic cost functions[J]. Power Apparatus & Systems IEEE Transactions on, 1984, 103(6):11701175.

  [7] WOOD A J, WOLLENBERG B F. Power generation, operation and control[M]. Wiley & Sons, 2013.

 ?。?] 丁明, 張穎媛, 茆美琴,等. 包含鈉硫電池儲能的微網(wǎng)系統(tǒng)經(jīng)濟運行優(yōu)化[J]. 中國電機工程學報, 2011, 31(4):714.

 ?。?] GAING Z L. Particle swarm optimization to solving the economic dispatch considering the generator constraints[J]. Power Systems IEEE Transactions on, 2003, 18(3):11871195.

  [10] PARK J B, JEONG Y W, SHIN J R, et al. An improved particle swarm optimization for nonconvex economic dispatch problems[J]. IEEE Transactions on Power Systems, 2010, 25(1):156166.

 ?。?1] TSIKALAKIS A G,HATZIARGYRIOU N D.Centralized control for optimizing microgrids operation[J].IEEE Trans.on Energy Conversion,2008,23(1):241248.

 ?。?2] BAKIRTZIS A, PETRIDIS V, KAZARLIS S. Genetic algorithm solution to the economic dispatch problem[J]. IEEE ProceedingsGeneration, Transmission and Distribution, 1994, 141(4):377382.

 ?。?3] CHEN C, DUAN S, CAI T, et al. Optimal allocation and economic analysis of energy storage system in microgrids[J]. Power Electronics IEEE Transactions on, 2011, 26(10):27622773.


此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權禁止轉載。