logo资料库

采用改进细菌觅食算法的风_光_储混合微电网电源优化配置.pdf

发布时间：2022-06-01 发布人：admin 分类：说明书 资料大小：0.95M 资料格式：pdf 举报 版权申诉
第1页 / 共9页
第2页 / 共9页
第3页 / 共9页
第4页 / 共9页
第5页 / 共9页
第6页 / 共9页
第7页 / 共9页
第8页 / 共9页
资料共9页，剩余部分请下载后查看
    第 31 卷 第 25 期 2011 年 9 月 5 日 文章编号：0258-8013 (2011) 25-0017-09 中图分类号：TM 61；TM 732 文献标志码：A 学科分类号：470·40 Vol.31 No.25 Sep.5, 2011 ©2011 Chin.Soc.for Elec.Eng. 中 国 电 机 工 程 学 报 Proceedings of the CSEE 17 采用改进细菌觅食算法的 风/光/储混合微电网电源优化配置 马溪原，吴耀文，方华亮，孙元章 (武汉大学电气工程学院，湖北省 武汉市 430072) Optimal Sizing of Hybrid Solar-wind Distributed Generation in an Islanded Microgrid Using Improved Bacterial Foraging Algorithm MA Xiyuan, WU Yaowen, FANG Hualiang, SUN Yuanzhang (School of Electrical Engineering, Wuhan University, Wuhan 430072, Hubei Province, China) ABSTRACT: Wind and solar energy have the characteristics of randomness and waviness. As the coordination among distributed generation (DG), energy storages and loads is very complicated, proper combination of DG in an islanded microgrid is a primary problem for its reliability and economy. This paper used the bacterial foraging algorithm (BFA) to solve the optimal sizing problem of hybrid solar-wind DG in microgrid. The economic model of optimal sizing was built with the objective that takes annual costs of equipment, operation and maintenance, fuels, environment protection into account. The meteorological conditions of wind speed, solar radiation and temperature were input. According to alternatives of DG and power supply reliability, the types and optimal sizing of DG were designed. The results show the BFA has a strong global optimal capability and fast speed. This method can comprehensively evaluate the economy efficiency of DG to satisfy customer’s and reduce redundant diversification of to meteorological conditions. requirements according investment reliability KEY WORDS: microgrid; bacterial foraging algorithm; optimal sizing; distributed generation 摘要：风能和太阳能具有随机性和波动性的特点，由分布式 电源、储能装置、负荷组成的微电网协调运行与控制十分复 杂，对孤岛运行的微电网合理地配置电源以提高供电可靠 性、经济性是微电网规划建设的一个首要问题。将改进的细 菌觅食算法(bacterial foraging algorithm，BFA)应用到解决 基 金 项 目 ： 中 央 高 校 基 本 科 研 业 务 费 专 项 资 金 资 助 (201120702020010)。 Project Supported by the Fundamental Research Fund for the Central Universities (201120702020010)． 风/光/储混合的全年孤岛运行的微电网电源优化配置问题 中，建立了计及设备投资成本、运行和维护成本、燃料成本、 环保折算成本的微电网电源优化配置模型，以年风速、气温、 光照强度作为输入，根据不同的用户供电可靠性和备选电源 要求，得到微电网电源的类型及其容量的最优方案，结果表 明改进的细菌觅食算法具有全局最优搜索能力强、寻优速度 快的特点。该方法可以全面评估各种分布式电源的经济性， 根据微电网建设地点的气象条件、投资成本等降低微电网电 源的冗余投资，满足用户定制的多样化可靠性要求。 关键词：微电网；细菌觅食算法；最优容量；分布式电源 0 引言 微电网在提高终端用户多样化的供电可靠性、 电能质量等方面具有重要作用[1]。随着微电网控制 技术的持续发展和可再生能源发电成本的不断降 低，微电网可以表现为一个孤岛独立运行的有源自 治电力系统实现节能减排[2]。微电网也是解决现代 新农村电气化的经济供电方式，避免了远距离输电 带来的电能损耗和建设费用[3]，也可以应用于边远 军事哨所、岛屿供电、高海拔独立电网等特殊场合， 是对传统供电形式的有利补充。 在微电网规划中，合理的电源选型和定容是一 个重要和复杂的问题[4]： 1）经济性。分布式电源的效率、设备成本、 安装成本、运行和维护成本、燃料成本、全寿命周 期等都需要考虑。光伏列阵、风机的设备一次投资 很高。在当今国际能源紧张的形势下，燃料成本也 很高。
    18 中 国 电 机 工 程 学 报 第 31 卷 2）环保性。风能和太阳能虽然不存在燃料和 环保成本，但输出功率受自然因素(如风速、光强等) 的影响而呈现随机性和波动性。微型燃气轮机、柴 油发电机、燃料电池的发电效率低，能耗大且破坏 环境。 3）响应特性。微型燃气轮机和燃料电池等均 具有响应速度慢和无惯性的特点，需要在母线加装 储能以跟踪负荷的变化；同时储能装置能够跟踪风 能和太阳能的出力变化进行充放电，提高供电连续 性和可靠性。 4）系统性。不同的运行方式(如并网或孤岛)、 不同的控制手段、不同的可靠性要求也会改变配置 的结果。 模式下[8-9]。其结构示意图如图 1 所示。 光伏列阵 风机 公共连接点 = ∼ = ∼ 蓄电池组 = ∼ 储能 控制器 通信及 中央控制器 逆变器及其 控制器 = ∼ = ∼ = ∼ 负荷 燃料电池 微型 柴油发电机 燃气轮机 图 1 微电网示意图 Fig. 1 Microgrid and components 目前，分布式电源的选址、选型、定容是微电 1.2 风机模型 网规划阶段中需要考虑的首要问题，国内外一些学 风电机组的输出功率与风速之间的近似关系 者对其进行研究，取得了一些理论和实践方面的成 果。文献[5]考虑了网损、电压改善程度和环境改善 程度以优化电源选址和容量；文献[6]提出一种含多 种复合能源的分布式发电系统成本最低的机组组 合模型；文献[7]建立了将分布式发电作为备用电源 的电源容量优化配置模型，考虑了经济性、可靠性 和环保性。但文献[5-7]均未考虑风能、太阳能的随 机性和波动性给分布式电源优化配置带来的影响 以及储能的容量配置问题，只将不可再生分布式发 电作为配电网的一个备用电源。 本文研究了含风机、光伏列阵、储能装置及其 他类型分布式电源的全年孤岛运行的微电网电源 容量优化配置方法，以总投资最少为目标函数，以 供电可靠性等为约束条件，将微电网电源的优化配 置问题转化为一个多约束条件的非线性整数规划 问题，采用改进的细菌觅食算法求解该优化问题。 1 风/光/储混合的微电网电源模型 1.1 风/光/储混合的微电网 风/光/储混合的微电网可以由风机、光伏列阵、 储能装置、微型燃气轮机、柴油发电机、燃料电池 等分布式电源及其逆变器和控制器组成，由公共连 接点与配电网相连。本文假定微电网电源及其储能 装置采用先进的电力电子装置作为接口接入微电 网，能够快速跟踪负荷、风能和太阳能出力等的变 化，实现“即插即用”，同时微电网有能力根据电 源的出力及时调整负荷的大小，可平稳运行在孤岛 可用如下分段函数[10]表示： 0 v ci v r v co 0, ⎧ ⎪ v ( ), η ⎪= ⎨ P , ⎪ r 0, ⎪ ⎩ v v ≤ ≤ ci v v ≤ ≤ r v v ≤ ≤ co v ≤ P WT v ( ) (1) 式中：vci 为切入风速；vco 为切出风速；vr 为额定风 速；Pr 为风力发电机组额定输出功率。当风速介于 vci和vr之间时风力发电机输出功率可以表示为风速 函数 η (v)，一般可以近似为线性关系，即 (2) 本文采用美国 Bergey Windpower 公司 Bergey Excel 型风机[11]，根据厂家数据其 Pr 为 10 kW，vci 为 2.5 m/s，vr 为 12 m/s，vco 为 18 m/s。 1.3 光伏列阵模型 η (v) = Pr(v − vci) / (vr − vci) 光伏列阵实际输出功率可由标准额定条件下 的输出功率、光照强度、环境温度得到[12]： P PV = P STC G c G STC [1 + k T ( c − T STC )] (3) 式中：PPV 为工作点的输出功率；光伏组件厂商通 常会给出标准额定条件(standard test condition，STC) 下 的 运 行 参 数 ，STC 特 指 太 阳 辐 照 度 GSTC 为 1 kW/m2，电池表面温度 TSTC 为 25 ℃，相对大气光 学质量为 AM1.5 的条件[13]；Gc 为工作点的辐照度； k 为功率温度系数；PSTC 为标准额定条件下光伏列 阵的额定输出功率，若 nPV 为光伏列阵的光伏电池 总数，pstc 为光伏电池的额定输出功率，则 PSTC =
    第 25 期 马溪原等：采用改进细菌觅食算法的风/光/储混合微电网电源优化配置 19 nPV pstc；Tc 为工作点的电池表面温度，它是环境温 度 Ta 和风速的函数[12]： 其中系数 α 为风速 v 的指数函数： ec v c 1 式中 c1、c2、c3 为常系数。 Tc = Ta + α Gc f v ( ) α= c 2 = + 3 (5) (4) 本文采用 SOLAREX 公司 MSX-83 型光伏电 池，其额定输出功率为 83 W。 1.4 储能装置模型 Ebat = ESTC[1 + δ B(Tbat − TbatSTC)] 本文使用蓄电池组作为储能元件，储能控制器 可以快速控制储能装置充放电来跟踪负荷的变化。 蓄电池实际可用容量 Ebat 是电池温度的函数： (6) 式中：Tbat 为工作点蓄电池温度，即为环境温度 Ta； ESTC 为标准状况下蓄电池的额定容量，通常由厂家 提供参数；标准状况下温度 TbatSTC 为 25 ℃；δ B 为 容量温度系数，通常情况下为 0.6%[14]。 在电池的充放电过程中需考虑 2 个约束条件： 1）确保蓄电池的寿命和运行安全。SSOC 为电 池充电状态(state of charge，SOC)，是储能控制器 防止电池过度充电和过度放电的一个重要决策变 量。当 SSOC 达到电池最大容量(即 Smax = 100%)时， 储能控制器控制电池停止充电，当 SSOC 达到电池最 小充电状态时，储能控制器控制电池停止放电，Smin 通常是电池容量的 20%，即 (7) (8) 2）电池的寿命也与其充放电率有关，充放电 率过高将降低电池的使用寿命。每小时的充放电容 量不能超过其最大容量的 20%[14]，Δt 为 1 h，P+、 P− 为单位小时内的充放电功率，即 ESOC, t+1 = ESOC, t − P− + P+ Smin ≤ SSOC ≤ Smax P + P − ⎧ ⎨ ⎩ ≤ ≤ 0.2 0.2 E bat E bat / / t Δ t Δ (9) 此外，蓄电池在充放电过程中是存在损耗的， 由电池的自身放电和充放电损耗组成。通常厂家会 给出其双程效率，本文的充电效率采用双程效率， 放电效率认为是 100%。采用 GEFC 公司 125V200A- VRB 钒电池电堆[15]，其标准额定容量为 50 kW⋅h， 额定功率为 25 kW，双程效率为 72%，每小时自放 电率为 0.01%。 2 微电网的电源优化配置模型 2.1 目标函数 2.1.1 微电网电源优化配置目标函数 本文建立了含有风机、光伏列阵、储能装置及 其他不间断电源(主要为微型燃气轮机、柴油机、燃 料电池)的复合微电网电源优化配置模型，主要将设 备投资费用、运行和维护费用、燃料费用、环保折 算费用 4 部分计入目标函数，使等年值投资费用最 低，同时满足用户要求的供电可靠性。经济性数学 模型(cost function，CF)描述如下： C CF ∑x ( ) = N i 1 = C x C x C x C x ( i CP i EC i OM FC i + + + i i i i ) (10) 式中：N 为电源的类型数目；x = [x1, x2,⋅⋅⋅, xN]，为 决策变量；xi 为第 i 种电源的数目； CPi C 为第 i 种电 C 为第 i 种电源的年 源的等年值设备投资费用； OMi C 为第 i 种电源的年燃料费用； 运行和维护费用； FCi C 为第 i 种电源的环保折算费用。 ECi 2.1.2 等年值设备投资费用 分布式发电的装机成本与集中式发电相比偏 CCP = CTCP μ CRF(r, Yp) 高，但随着技术的发展，这一制约因素有望得到解 决。分布式发电装机成本与具体项目密切相关： (11) 式中：CCP 为电源的等年值设备投资费用；CTCP 为 装机成本；Yp 为项目全寿命周期年限，13 a；μ CRF 为年资金回收率[16](capital recovery factor，CRF)， 其表达式为 μ CRF r Y ( , p ) = r (1 (1 + r + Y r ) p Y ) p − 1 (12) 式中 r 为折现率，其值为加权平均资本成本，用于 测算投资方案的净现值和现值系数，以比较投资方 案，进行投资决策。为简化计算，考虑筹资方式如下： 借款利率 Rw 为 6.9%(目前银行 5 a 以上长期贷款利 率为 6.84%)，权益收益率 Ew 为 15%，负债率 Dw 为 80%，所得税率 Tw 为 33%。则 r 的计算[16] 如下： (13) 2.1.3 运行和维护费用 r = Rw Dw(1 − Tw) + Ew(1 − Dw) = 6.7% C 正比于机组装机容量 Pi： OMi (14) K 为第 i 种电源的比例系数，$/(kW⋅a)； C SUC, C OM PK i OM = + i i i 式中： OMi CSUC, i 为第 i 种电源的年机组启停费用。
    20 中 国 电 机 工 程 学 报 第 31 卷 不间断电源存在机组启停费用，CSUC, i 取决于 2.2 约束条件 第 j 次启动前的停运时间 Toff, i，其表达式[17]为 C SUC, i = N SUC i ∑ j 1 = { ζ δ i + i [1 exp( − T − i j off , , τ i )]} (15) 式中：ζ i 为第 i 种电源的热启动费用；δ i 为第 i 种 电源的冷启动费用；τ i 为第 i 种电源的冷启动时间 常数； SUCi 2.1.4 燃料费用 N 为第 i 种电源的启停次数。 不间断电源也存在燃料费用。天然气、柴油价 格的上升会恶化分布式发电的经济性。 式中：Ei 为第 i 种电源的年发电量，kW⋅h； FCi 各种电源燃料费用比例系数。当采用热电联产运行 (16) K 为 K E i C FC i FC i = 时，产生的废热可以用于用户侧的热水或蒸汽供 应，替代供热的燃料成本，客观上会降低燃料费用。 2.1.5 环保折算费用 按照《京都议定书》的规定，包括中国在内的 发展中国家从 2012 年开始承担温室气体减排义务。 中国政府为节约能源、减少污染，实行了节能减排 政策，鼓励利用清洁能源和可再生能源发电。以风 电和太阳能为主的可再生能源发电是实现节能减 排的有效途径之一。为了将微电网电源对环境的影 响统一到评估模型，本文根据文献[18]中各种分布 式发电技术的污染排放特性来评估环境影响，将环 境影响折算成费用： M ∑ ν k i , 1 = E V ( i k C EC i V ′ k = + ) (17) k 式中：vk, i 为第 k 种污染物的排放系数；Vk 为其污染 物的环境价值；Vk' 为污染物所受罚款；M 为污染物 的种类。分布式电源的污染物排放及评价参数如 表 1、2 所示。 表 1 各种发电技术的污染排放系数 Tab. 1 Emission characteristics of microsource g/(kW⋅h) DG 微型燃气轮机 内燃机 燃料电池 NOx 0.619 4.330 0.023 CO2 184 232 635 CO 0.170 2.320 0.054 SO2 0.000 928 0.464 000 0.000 000 表 2 电力行业污染物环境评价标准 Tab. 2 Environmental value standard of pollutant 系数 环境价值 罚款 emission in power industry CO 0.125 0.020 NOx 1.000 0.250 0.002 875 0.001 250 CO2 $/kg SO2 0.750 0.125 1）电源出力约束。 对于第 i 种电源，有 式中：pi 为单机容量；xi 为第 i 种电源台数。 Pi ≤ pi xi (18) 2）蓄电池充放电约束。 Smin ≤ SSOC ≤ Smax P t Δ ⎧ + ⎨ t P Δ ⎩ − E bat E bat 0.2 0.2 ≤ ≤ / / (19) (20) 3）可靠性约束。 RLRSP ≤ Rmax (21) 式 中 ： RLRSP 为 缺 电 概 率 (loss of power supply probability，LPSP)[19]，为全年孤岛运行的微电网可 靠性指标；Rmax 为系统最大允许缺电概率。下文介 绍 RLRSP 可靠性指标的计算方法。 2.3 微电网可靠性指标 因为风能和太阳能具有随机性和波动性的特 点，全年处于孤岛运行的微电网会出现发电机出力 小于负荷的情况，这时需要储能装置和不间断电源 共同补充风能和太阳能出力的不足。 本文计算微电网 1 a 的缺电概率，认为每小时 内风能和太阳能等分布式电源的输出功率是恒定 的，将一年分为 8 760 h，每小时计算一次。 (22) 式中：NWT、NPV 分别为风机和光伏列阵的数量； EWT, t、EPV, t 分别为风机和光伏列阵的第 t 小时内的 发电量，以风速、气温、光照强度等数据作为输入， 由式(1)—(5)计算得到；ER, t 为其总发电量。 ER, t = NWT EWT, t + NPV EPV, t 当第 t 小时风机和光伏列阵总发电量大于用电 量时，蓄电池充电： EBat, t = EBat, t−1(1 − σ ) − (ER, t − Eload,t /η inv)η Bat (23) 式中：Eload, t 为第 t 小时内的用电量；EBat, t 为第 t 小 时电池的容量；EBat, t−1 为第 t − 1 小时电池的容量； σ 为电池自放电系数；η inv 为变换器的效率；η Bat 为电池的充电效率。 当第 t 小时风机和光伏列阵总发电量小于用电 量时，蓄电池放电： EBat, t = EBat, t−1(1 − σ ) − (ER, t − Eload, t /η inv) (24) 当第 t 小时风机和光伏列阵总发电量远小于用
    第 25 期 马溪原等：采用改进细菌觅食算法的风/光/储混合微电网电源优化配置 21 电量时，需要其他不间断电源共同为微电网供电， 其总发电量为 EG，不间断电源经过组合后最大限度 地满足微电网的负荷需求，此时 EG = ER, t + Eothers (25) 当所有微电网电源及储能剩余容量仍不能满 足负荷需求时，第 t 小时的缺电量 ELPS, t 为 ELPS, t = Eload, t − [EG + EBat, t−1(1 − σ )SSOCmin] (26) 值得注意的是，在计算 RLPSP 的过程中需要满 足约束条件 1）和 2）。依据式(22)—(26)计算全年缺 电概率 RLPSP： R LPSP 8 760 = ∑ t 1 = E LPS, /t 8 760 ∑ t 1 = E load, t (27) 上述微电网电源优化配置目标函数及其约束 条件的求解问题，对于待选电源类型较多的系统， 是一个多元非线性整数最优化问题，本文利用采用 细菌觅食算法的人工智能方法予以求解。 3 改进的细菌觅食算法 细菌觅食算法[20-21]是由 K. M. Passino 于 2002 年根据 Escherichia coli 大肠杆菌在人体肠道内吞噬 食物的行为，提出的一种新型仿生类算法。该算法 因具有群体智能算法的并行搜索、易跳出局部极小 值等优点，成为生物启发式计算研究领域的又一热 点。细菌觅食算法(bacterial foraging algorithm，BFA) 模型中，空间矢量 θ = [θ 1, θ 2,⋅⋅⋅, θ p]T∈ Rp(p 为矢量 维度)，将其作为一个细菌，优化问题的解 J(θ )对应 搜索空间中细菌的健康状态，即优化函数适应值。 BFA 算法包括趋化、繁殖和驱散 3 个步骤： 1）趋化。细菌向富养区域聚集的行为。在趋 化过程中，细菌运动模式包括翻转和前进。细菌改 变方向移动单位步长定义为翻转。当细菌完成一次 翻转后，若适应值得到改善，将沿同一方向继续移 动若干步，直至适应值不再改善，或达到预定的前 进步数临界值，此过程定义为前进。趋化过程可用 下式表示： i θ ( j + 1, k l , ) = i θ j k l C i ( , ( ) , ) + i ( ) Δ T i ( ) Δ Δ i ( ) (28) i( j,k,l)为第 l 次驱散、第 k 次复制、第 j 次 式中：θ 趋化过程中第 i 个细菌的空间矢量；C(i)为细菌 i 向某一方向移动的长度向量；Δ 为单位方向向量， Δ ∈(−1,1)； 2）繁殖。一旦生命周期结束，即达到临界趋 化次数，细菌将进行繁殖。细菌繁殖过程遵循自然 界“优胜劣汰，适者生存”的原则： J i health N c 1 + = ∑ j 1 = J i ( , j k l , , ) (29) 式中 Nc 为趋化次数。以趋化过程中各细菌适应值累 iJ 为标准，较差的半数细菌死亡，较好的半 加和 health 数细菌分裂成 2 个子细菌。子细菌将继承母细菌的 生物特性，具有与母细菌相同的位置及步长。为简 化计算，可以规定复制过程中细菌总数保持不变。 3）驱散。趋化过程可确保细菌的局部搜索能 力，繁殖过程能加快细菌的搜索速度，但对于复杂 的优化问题，趋化和繁殖无法避免细菌陷入局部最 优现象的发生。BFA 引入驱散过程以加强算法全局 寻优能力。细菌在完成一定次数的繁殖后，将以一 定概率被驱散到搜索空间中的任意位置。 本文将细菌觅食算法应用于微电网电源的优 化配置过程中并做了如下改进： 1）微电网电源的优化配置是一个多约束条件 的非线性整数规划问题。一般性 BFA 算法的细菌变 量是变量取值范围内的任意实数，因为本问题中将 风/光/储等电源台数作为细菌变量，运用 BFA 算法 应注意所有变量应为整数，以 p 种类型的微电网电 源 x ([x1, x2,⋅⋅⋅, xp])组成的空间矢量 θ ([θ 1, θ 2,⋅⋅⋅, θ p]T) 作为一个细菌，采用式(10)计算出的微电网电源等 年值投资费用 CCF(θ )的解对应搜索空间中细菌的 健康状态 J(θ )，即优化函数适应值。 2）一般性 BFA 算法的细菌健康状态 J(θ )没有 考虑到约束条件的影响，本文考虑到约束条件的影 响，当 θ 的变化使得 RLPSP ≥ Rmax 时，优化函数适应 值应作如下修正： J(θ ) = CCF(θ ) + κ (30) 式中 κ 为罚函数，罚函数 κ 为负荷年停电成本，由 文献[22]的方法求得，与负荷的类型有关，是停电 持续时间 T 的非线性函数 c(T)，$/(kW⋅h)。在实际 中应根据具体的项目合理地评估停电损失： κ 8 760 = ∑ t 1 = E LPS, t c T ( ) (31) 3）趋化过程中，一般性 BFA 算法中采用统一
    的前进步长，然而风/光/储等电源的单机容量及其 成本均不同，采用统一步长没有考虑适应值 J(θ )对 各种电源装机数量的灵敏度。为了加快寻优速度， 趋化过程中不同的细菌采用不同的前进步长。同时 i 中，可基于数值灵敏度技术，采用目 在同一细菌 θ 标函数 CCF(θ )对第 n 种电源数量 θ n 的灵敏度指导 细菌向某一方向 n 移动，其步长表达式为 C i ϑ n n ( ) = C ( ) θ ∂ CF θ ∂ n (32) 式中： nϑ 为微增率系数；Cn(i)为前进步长。 4）在趋化过程中，细菌会出现向培养基中某 一高营养区高度密集的分群现象，为了避免这种局 部收敛和早熟，维持细菌多样性，本文采用分群过 程中每一个细菌会诱惑其他细菌向其运动、同时排 斥以保持与其他细菌的距离的方法，这种信息的传 递可表示为 初始化细菌群体 S 和 BFA 计算目标函数 CCF 对 θ 的灵敏度， 初始化 C(i) 调用目标函数 CCF 计算适应值 驱散迭代次数结束？ 是 输出最优值 否 结束 趋化细菌群体、完成翻转、前进、 诱惑、排斥动作 半数不良细菌死亡，繁殖优良细菌 否 复制迭代次数结束？ 是 驱散部分细菌 22 中 国 电 机 工 程 学 报 第 31 卷 进的细菌觅食算法求得最优解的流程，如图 2 所示。 S ∑ i 1 = S ∑ i 1 = J cc Pθ ( , j k l ( , , )) = S ∑ i 1 = J cc ( , θ i θ j k l ( , , )) = { − d attractant exp[ − w attractant p ∑ m 1 = i ( θ θ m − m 图 2 求解微电网电源优化配置问题的 BFA 流程图 2 ) ]} + Fig. 2 Flow chart of BFA for optimal microgrid source 4 算例分析 4.1 风\光\储混合微电网的经济性分析 h { repellant exp[ − w repellant p ∑ m 1 = i ( θ θ m − m 2 ) ]} (33) 应用本文方法对某独立微电网供电系统的电 源进行优化配置：备选的分布式电源类型有风机、 式中：P( j,k,l)为细菌位置；Jcc(θ,P( j,k,l))为附加在目 标函数的数值；S 为细菌总数；dattractant、wattractant、 hrepellant、wrepellant 为不同诱惑和排斥系数。 5）备选电源类型有风机、光伏列阵、蓄电池、 柴油发电机、燃料电池、微型燃气轮机。在 BFA 算 法中，细菌为 6 维空间矢量，每代细菌总数为 20 个，趋化 5 次，最大前进步数为 10 步，繁殖 4 次， 驱散 3 次，细菌繁殖期死亡概率为 0.5，驱散概率 为 0.25。 本文针对微电网电源的优化配置问题采用改 光伏列阵、蓄电池、柴油发电机、燃料电池、微型 燃气轮机。综合文献[1]及厂家数据，各种机组成本 参数如表 3 所示。将该地点 2008 年的风速、辐照 度、温度气象数据及年负荷曲线作为系统输入数 据，气象数据如图 3 所示，年负荷曲线如图 4 所示。 表 3 电源最优配置方案等年值投资费用 Tab. 3 Cost result of optimal sizing 105 $/a 方案 设备投资 运行维护 1） 0.742 0.309 2） 21.130 6.522 燃料 环保折算 总费用 0.000 21.870 7.198 0.354 0.000 0.012 ) 2 / m W ( / 度 强 照 光 900 600 300 0 0 2 000 4 000 时间/h 6 000 8 000 (a) 微电网所在地的年光照强度曲线 ) s / m ( / 速 风 9 6 3 0 0 40 / ℃ 度 温 25 10 2 000 4 000 6 000 8 000 时间/h −5 0 (b) 微电网所在地的年风速曲线 图 3 微电网所在地的气象数据 2 000 4 000 6 000 8 000 时间/h (c) 微电网所在地的年气温曲线 Fig. 3 Meteorological conditions at the location of microgrid
    马溪原等：采用改进细菌觅食算法的风/光/储混合微电网电源优化配置 23 第 25 期 W k / 荷 负 200 180 160 140 120 100 80 60 0 2 000 4 000 时间/h 6 000 8 000 图 4 微电网年负荷曲线 Fig. 4 Hourly load profile of microgrid in a year 仿真时间为 1 a，最小时间段为 1 h，由气象数据计 算风/光/储混合微电网的电源出力，同时计算微电 网的可靠性指标 LPSP 并将其作为约束条件，用 表 4 中的分布式电源成本数据计算等年值投资费用 用并将其作为目标函数，应用改进的细菌觅食算法 求解多元非线性整数规划问题。 计算 2 种方案：1）微电网备选电源只考虑风 机、光伏列阵、蓄电池；2）考虑全部备选电源。 设该微电网的最大允许缺电概率为 0.1%，即系统的 Tab. 4 Cost information of select distributed generation technologies and optimal sizing result 表 4 分布式电源成本及配置结果 单机容量/kW 机组成本/($/kW) 安装成本/($/kW) 运行维护/($/(kW⋅a)) 燃料成本/($/(kW⋅h)) 方案 1）/台 方案 2）/台 DG 风机 光伏电池 蓄电池 柴油机 燃料电池 型号 WD-10 MSX-83 VRB-50 DE-K-60 10 0.083 50(kW⋅h) 60 200 30 2 805 5 175 1 100 290 3 500 1 200 PAFC-O-200 微型燃气轮机 MTL-C-30 供电可靠性为 99.9%，2 种方案的最优方案成本如 表 3 所示，容量配置结果如表 4 所示。 3 250 1 500 200 574 3 000 1 333 5.7 14.3 7.0 26.5 26.5 119.0 0.000 0.000 0.000 0.145 0.025 0.045 51 15 041 154 — — — 0 7 773 32 0 0 3 入大容量储能装置，提高了成本。 4.2 可靠性约束对配置方案的影响分析 对比分析方案 1）和方案 2），显然采用方案 2） 是经济的，其原因分析如下： 1）风机、光伏列阵、蓄电池的装机容量较其 他电源成本明显偏高，影响整个方案的经济性，以 以方案 1）为例，计算可靠性约束 Rmax 与方案 年投资成本的关系，如图 6 所示，由结果可知可靠 性约束对经济性有重要影响：当 Rmax 在 0%~1%变 化时，微电网年投资费用变化较大，高供电可靠性 目前的市场价格对微电网配置风能和太阳能供电是 会带来高经济性代价。由此可见，合理地评估停电 不经济的。但是随着技术的进步，风能和太阳能的 成本有望大幅下降，天然气和柴油价格将继续上涨， 燃料成本也将持续上涨，风机和太阳能的经济性将 会得到体现，其节能减排的功能有望得到发挥。 2）风能和太阳能具有随机性和波动性，算例 中所在地区常年有效风速偏低，不能达到风机运行 的切入风速；风能和负荷均呈现季节性不均，当负 荷高峰出现在夏季时，风能却出现低谷，造成夏季 多出现供电不足，如图 5 所示，因此需要微电网接 ⋅ ) h W k ( / 量 电 缺 140 120 100 80 60 40 20 0 0 2 000 6 000 8 000 4 000 时间/h 图 5 缺电量分布曲线 Fig. 5 Loss of power supply of configuration 损失和设置可靠性约束是降低微电网电源冗余投 资的有效手段之一。 ) $ 6 0 1 ( / 用 费 资 投 年 网 电 微 2.2 1.9 1.6 1.3 0.00 0.01 0.02 缺电概率 0.03 图 6 供电可靠性与年投资成本的关系 Fig. 6 Relationship between annual cost and LPSP 4.3 环保成本对配置方案的影响分析 分布式发电属于新兴技术，其制造成本仍然是 配置方案中的最主要部分，由表 3 可知，方案 2） 的环境折算费用仅占整个年投资费用的 0.17%，采 用文献[18]的方法评估分布式发电环境效益的折算 费用对微电网电源配置的影响很小。但是，环境污
    24 中 国 电 机 工 程 学 报 第 31 卷 染造成的损失和治理费用因所在地区经济发展阶 6(3)：78-82． 段不同而有较大差异，中国有些城市已经开始限制 化石燃料废气的排放，对于环境要求较高的场合， 清洁的低排放分布式电源将具有竞争优势。 4.4 改进的细菌觅食算法与其他算法的对比分析 本文分别采用一般性 BFA、改进的 BFA 算法和 遗传算法(genetic algorithm，GA)[21]分析计算方案 1） 的最优解，3 种算法的收敛曲线如图 7 所示，结果 表明：BFA 算法的收敛速度优于遗传算法；BFA 算 法具有群体智能算法并行搜索、易跳出局部极小值 等优点；本文改进的 BFA 算法明显提高了收敛速度。 遗传算法 一般性 BFA 改进的 BFA 0 10 40 50 ) $ 6 0 1 ( / 用 费 资 投 年 网 电 微 3.4 3.2 3.0 2.8 2.6 2.4 2.2 2.0 30 20 迭代次数 图 7 GA、BFA 和改进的 BFA 算法计算结果 Fig. 7 Calculation results of GA，BFA and improved BFA 5 结论 本文提出了采用细菌觅食算法对风/光/储混合 的微电网电源优化配置问题进行求解的方法，建立 了计及设备投资成本、运行和维护成本、燃料成本、 环保折算成本的微电网电源优化配置模型，综合考 虑了风能和太阳能的随机性和波动性、蓄电池的充 放电特性等对风/光/储混合微电网电源配置的影响， 并根据不同的用户供电可靠性要求和备选电源，得 到相应的微电网电源装机容量最优配置方案。 采用细菌觅食算法求解该多元非线性整数规 划问题，并根据微电网电源配置问题在算法中进行 了部分改进。相对于传统智能优化算法，BFA 算法 具有寻优速度较快、容易跳出局部最优解等特点。 参考文献 [1] Lasseter R，Abbas A，Marnay C．Integration of distributed energy resources：the CERTS microgrid concept[R]． USA：California Energy Commission，2003． [2] Hatziargyriou N，Asano H，Iravani R，et al．Microgrids[J]． IEEE Power and Energy Magazine，2007，5(4)：78-94． [3] Venkataramanan G ， Marnay C ． A larger role for microgrids[J]．IEEE Power and Energy Magazine，2008， [4] 罗运虎，王冰洁，梁昕，等．电力市场环境下微电网不 可再生分布式发电容量的优化配置问题[J]．电力自动化 设备，2010，30(8)：28-33． Luo Yunhu，Wang Bingjie，Liang Xin，et al．Configuration optimization of non-renewable energy distributed generation capacity[J] ． Electric Power Automation Equipment，2010，30(8)：28-33(in Chinese)． [5] 郑漳华，艾芊，顾承红，等．考虑环境因素的分布式发 电多目标优化配置[J]．中国电机工程学报，2009， 29(13)：23-28． Zheng Zhanghua，Ai Qian，Gu Chenghong，et al． Multi-objective allocation of distributed generation considering environmental factor[J]．Proceedings of the CSEE，2009，29(13)：23-28(in Chinese)． [6] 丁明，包敏，吴红斌，等．复合能源分布式发电系统的 机组组合问题[J]．电力系统自动化，2008，32(6)：46-50． Ding Ming ， Bao Min ， Wu Hongbin ， et al ． Unit commitment problem in distributed generation system with multiple energy sources[J]．Automation of Electric Power Systems，2008，32(6)：46-50(in Chinese)． [7] 赵国波，刘天琪，李兴源．分布式发电作为备用电源的 优化配置[J]．电力系统自动化，2009，33(1)：85-89． Zhao Guobo ， Liu Tianqi ， Li Xingyuan ． Optimal deployment of distributed generation as backup generators [J]．Automation of Electric Power Systems，2009，33(1)： 85-89(in Chinese)． [8] Kroposki B，Lasseter R，Ise T．Making microgrids work[J]．IEEE Power and Energy Magazine，2008，6(3)： 40-53． [9] Hassan N，Robert H．Distributed generation interface to the CERTS microgrid[J]．IEEE Trans. on Power Delivery， 2009，24(2)：1598-1608． [10] 张节潭，程浩忠，胡泽春，等．含风电场的电力系统随 机生产模拟[J]．中国电机工程学报，2009，29(28)：34-39． Zhang Jietan，Cheng Haozhong，Hu Zechun，et al．Power system probabilistic production simulation including wind farms[J]．Proceedings of the CSEE，2009，29(28)： 34-39(in Chinese)． [11] Windpower B．BWC EXCEL wind turbine[EB/OL]． 2010[2010-8-20]．http://www.bergey.com/Products/ Excel. html． [12] Gavanidou E，Bakirtzis A．Design of a stand alone system with renewable energy sources using trade off methods [J]．IEEE Trans. on Energy Conversion，1992，7(1)： 42-48． [13] Soto W ， Klein S ， Beckman W ． Improvement and validation of a model for photovoltaic array performance
    分享到：
    赞 收藏

    相关推荐

    资料库

    行业

    共收录7266份资料，累计15个分类，关注成员有19位，主要包括：物流,旅游,餐饮零售,网络游戏,咨询,金融,电子政务,外包,教育,制造,医疗,嵌入式,互联网,交通,电信

    热门标签

    物流 旅游 餐饮零售 网络游戏 咨询 金融 电子政务 外包 教育 制造 医疗 嵌入式 互联网 交通 电信

    最新资料