韓宇 馬立新 唐繼旭 徐文彬

摘要：針對電動汽車無序充放電影響傳統(tǒng)微電網(wǎng)穩(wěn)定性及經(jīng)濟(jì)性問題，建立一種根據(jù)電動汽車隨機(jī)負(fù)荷種類分時段調(diào)度模型，使用蒙特卡洛方法模擬電動汽車的充放電功率。同時，對傳統(tǒng)微電網(wǎng)優(yōu)化收斂速度慢、精度低等問題，提出一種改進(jìn)自適應(yīng)遺傳優(yōu)化算法（SAGA）。最優(yōu)保存策略結(jié)合自適應(yīng)調(diào)整交叉變異概率，解決遺傳算法多樣性問題，從而改善收斂速度與精度。通過建模及仿真計算，證明該方法在含電動汽車的風(fēng)光柴儲微電網(wǎng)優(yōu)化中，能較快收斂到最優(yōu)解，提高了微電網(wǎng)穩(wěn)定性和經(jīng)濟(jì)性，具有良好的工程實用性。

關(guān)鍵詞：微電網(wǎng)優(yōu)化;分布式能源;電動汽車;分類調(diào)度;蒙特卡洛模擬;自適應(yīng)遺傳算法

DOI：10.11907/rjdk.191235

中圖分類號：TP319 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2019）012-0151-04

0引言

微電網(wǎng)是一個自治系統(tǒng)，可以實現(xiàn)自我控制、管理和保護(hù)等諸多功能。微電網(wǎng)是一個開放系統(tǒng)，既可孤網(wǎng)運(yùn)行，也可并網(wǎng)運(yùn)行。連入電網(wǎng)后由相關(guān)負(fù)載、多樣的分布式電源構(gòu)成一個大網(wǎng)絡(luò)結(jié)構(gòu)。

多種分布式能源并人，以及電動汽車等隨機(jī)性較高且使用量逐年提高的負(fù)荷特點(diǎn)，亟需深層研究微電網(wǎng)優(yōu)化管理問題。文獻(xiàn)[7]綜合考慮了微電網(wǎng)停電損失和投資運(yùn)營費(fèi)用問題，分析了微電網(wǎng)可靠性與經(jīng)濟(jì)性相協(xié)調(diào)的優(yōu)化方案;文獻(xiàn)[8-9]對包含風(fēng)光柴燃儲的微電網(wǎng)系統(tǒng)優(yōu)化，對裝機(jī)、運(yùn)行、維護(hù)及污染成本進(jìn)行多目標(biāo)優(yōu)化;文獻(xiàn)[10-11]提出了根據(jù)不同時段電價的電動汽車多目標(biāo)優(yōu)化方案。隨著電動汽車的發(fā)展，對這類隨機(jī)性較強(qiáng)的負(fù)荷調(diào)度需作出判斷及分類優(yōu)化，上述研究未很好解決優(yōu)化收斂慢、易陷入局部最優(yōu)等問題。

本文根據(jù)電動汽車種類建立分時段調(diào)度模型，綜合考慮微電網(wǎng)運(yùn)行成本，并結(jié)合改進(jìn)的自適應(yīng)遺傳算法，對微電網(wǎng)進(jìn)行優(yōu)化，給出微電網(wǎng)分配管理最優(yōu)方案。

1建立模型

1.1目標(biāo)函數(shù)

目標(biāo)函數(shù)為微網(wǎng)總成本最低，主要考慮初始裝機(jī)投資成本、運(yùn)行成本、設(shè)備維護(hù)成本、環(huán)境成本、發(fā)電補(bǔ)貼、電動汽車充放電成本6個方面。

將電動汽車分為可調(diào)度和不可調(diào)度兩種?？烧{(diào)度電動汽車為出租車、公交車等，對其采用分時段充電法，設(shè)定在20-6時充電，8-18時放電，且放電后SOC值大于40%。不可調(diào)度電動汽車包括部分私家車等，作為隨機(jī)負(fù)荷接入微電網(wǎng)，采用蒙特卡洛法模擬充放電功率。

3微電網(wǎng)優(yōu)化

3.1自適應(yīng)遺傳算法（AGA）

在遺傳算法中，收斂能力與尋優(yōu)能力是兩個極其重要的特征。交叉概率Pc和變異概率Pm是影響這兩個特征的最重要參數(shù)，同時也是檢驗一個遺傳算法是否優(yōu)秀的標(biāo)準(zhǔn)。

自適應(yīng)遺傳算法目的是要平衡收斂能力和尋優(yōu)能力，使交叉概率和變異概率根據(jù)適應(yīng)度值變化而變化。當(dāng)基因群多樣性較差，適應(yīng)度值趨向于局部最優(yōu)時，增加Pc和Pm;當(dāng)基因群適應(yīng)度值較高且較分散時，減小Pc和Pm。所以提出自適應(yīng)變化公式，使交叉概率和變異概率動態(tài)調(diào)整。

3.2最優(yōu)保存策略自適應(yīng)遺傳算法（SAGA）

本文針對微電網(wǎng)優(yōu)化問題，對儲能、柴油發(fā)電功率和電動汽車充放電功率進(jìn)行求解。在設(shè)計遺傳算法時，采用浮點(diǎn)數(shù)編碼方式對其按時間序列進(jìn)行編碼，同時根據(jù)實際問題設(shè)計合適的選擇、交叉和變異算子。

自適應(yīng)遺傳算法中，Pc和Pm可以隨適應(yīng)度的變化而變化，不足的是AGA算法在適應(yīng)度值接近其最大值時Pc和Pm開始趨近于0，在遺傳初期會導(dǎo)致基因群多樣性降低，易陷入局部最優(yōu)?；蚰骋粫r刻Pc、Pm會變得很大，從而破壞種群最優(yōu)結(jié)果，破壞算法的尋優(yōu)能力。

因此可以采用最優(yōu)保存策略對自適應(yīng)遺傳算法（sA-GA）進(jìn)行改進(jìn)：如果下一代最優(yōu)個體適應(yīng)值小于當(dāng)前最優(yōu)個體適應(yīng)值，則用輪盤賭法將較差個體替代，保存最優(yōu)個體。這樣，最優(yōu)保存策略既不破壞每一代中的最優(yōu)個體，又充分發(fā)揮了自適應(yīng)遺傳算法優(yōu)點(diǎn)。SAGA對含電動汽車的微網(wǎng)優(yōu)化流程如圖1所示。

4算例分析

4.1設(shè)備數(shù)據(jù)及參數(shù)

以某園區(qū)數(shù)據(jù)為例，風(fēng)光柴儲以及電動汽車各項參數(shù)如下：

（1）單組風(fēng)電機(jī)的額定功率為10kW，單組光伏板的額定功率為0.3kW，風(fēng)光發(fā)電功率曲線如圖2。

（2）投入1000輛電動汽車、共享汽車，可調(diào)度與不可調(diào)度汽車投人比例為6：4，利用蒙特卡洛模擬法擬合出的電動汽車充放電功率如圖3所示。

（3）微電網(wǎng)并網(wǎng)時，電網(wǎng)電價采用表1中的數(shù)據(jù)。

4.2算例優(yōu)化分析

將電動汽車無序充放電作為隨機(jī)負(fù)荷接入微網(wǎng)，使用GA優(yōu)化、GA和SAGA算法這3種方案對電動汽車分類型分時段調(diào)度的微電網(wǎng)模型進(jìn)行優(yōu)化。圖4-圖6為SAGA算法對EV進(jìn)行分類分時段優(yōu)化時微源出力情況、3種方案蓄電池SOC與電價走勢及優(yōu)化適應(yīng)度值對比。微電網(wǎng)各指標(biāo)優(yōu)化情況見表2。

由圖4結(jié)合表2可知，對含電動汽車微網(wǎng)采用SAGA算法進(jìn)行分時段優(yōu)化調(diào)度可以進(jìn)一步削峰填谷，彌補(bǔ)儲能設(shè)備充放電能力不足問題。電價較低時充電，電價較高、負(fù)荷較大時放電，減少微電網(wǎng)成本，增加電網(wǎng)穩(wěn)定性，減輕EV無序充放電對電網(wǎng)的影響。

由圖5可知，第3種方案蓄電池SOC值高于方案1、方案2，可提高蓄電池等效充放電次數(shù)，避免過充過放，延長使用壽命。

由圖6可知方案3的收斂速度及收斂精度均更優(yōu)，SAGA算法相比于傳統(tǒng)遺傳算法較好解決了多樣性問題，能快速收斂于最優(yōu)解。SAGA算法對電動汽車分類調(diào)度微網(wǎng)模型的優(yōu)化指標(biāo)均優(yōu)于其它方案。

5結(jié)語

本文根據(jù)電動汽車種類建立優(yōu)化調(diào)度模型，較好解決了傳統(tǒng)微電網(wǎng)將無序充放電的電動汽車作為隨機(jī)負(fù)荷接人電網(wǎng)時造成的微電網(wǎng)經(jīng)濟(jì)性和穩(wěn)定性降低問題。

本文提出一種基于最優(yōu)保存策略的自適應(yīng)遺傳算法，在自適應(yīng)遺傳算法中對交叉算子和變異算子進(jìn)行改進(jìn)，保存最優(yōu)群體，較好解決了傳統(tǒng)優(yōu)化算法收斂速度慢、不易收斂到最優(yōu)解等問題。結(jié)合電動汽車的微電網(wǎng)優(yōu)化模型，以微電網(wǎng)綜合運(yùn)行成本最低為目標(biāo)函數(shù)，求解出最優(yōu)微電網(wǎng)運(yùn)行方案，結(jié)果比其它方案指標(biāo)均更優(yōu)，具有良好的工程實用性。