摘要：微電網由于其在經濟效益以及環保效益方面的優異性在近年來受到了大力的推廣和發展。本文基于國內外微電網經濟優化運行的發展現狀，詳細介紹了微電網常見的目標函數，約束條件，歸納了不同微電網模型經濟優化的特點。詳細評述了功率預測，優化算法，需求側響應等微電網經濟優化的手段，并對微電網經濟優化運行的發展進行了展望。
關鍵詞：微電網 經濟運行優化 微電網模型 優化算法 需求側響應
Abstract:Micro-grid has been promoted and developed in recent years due to its excellent economic and environmental benefits. Based on the development status of economic optimization operation of micro-grid at home and abroad, this paper introduces in detail the common objective functions and constraints of micro-grid, and summarizes the characteristics of economic optimization of different micro-grid models. Power prediction, optimization algorithm, demand-side response and other means of microgrid economic optimization are reviewed in detail, and the development of microgrid economic optimization operation is forecasted.
Keywords:Micro power grid Optimization of economic operation Microgrid model Optimization algorithm Demand side response
【中圖分類號】TM76 【文獻標識碼】B 文章編號1606-5123（2019）11-0050-05
1 引言
電力能源問題一直是各個國家能源戰略中關注的重點問題。近年來，隨著環保要求的日益提高，分布式發電技術，作為不同于傳統的集中式供電方式獲得了快速的發展。其中特別是新能源發電技術如風力發電，光伏發電等技術得到了長足的發展，微電網作為一種能將多種分布式電源結合在一起實現分布式電源與大電網融合的技術手段，獲得了廣闊的發展前景。
不同于傳統式電網，微電網具有獨特的網式結構，各個發電單位之間相對獨立，安全性較高。通過建立備用儲能單元和選用合適的調度方案和優化算法，能夠在滿足安全性和可靠性的前提下，實現對微電網的經濟優化調度。實現綜合成本的最小化是當下微電網優化研究中的重點。目前的研究主要集中在新能源發電的功率預測，微網中各個微電源的優化組合等方面。本文首先概述了微電網常見的經濟優化模型，從目標函數，約束條件兩個方面進行了詳細介紹。其次分析了微電網經濟優化運行的主要方法，分別從發電機組的輸出功率預測，新能源組合經濟優化算法，引入需求側響應的經濟優化三個方面進行了詳細的分析與評述。最后，對微電網的發展前景與研究的熱點進行了介紹。
2 微電網經濟優化運行的模型
2.1 微電網優化運行的目標函數
建立微電網經濟運行模型的第一步是先選取目標函數。在研究的早期，其目標函數就是建造成本和日常運行管理成本。但是隨著后續的研究，特別是環保要求的加入，環境污染成本也成了不可忽視的一部分。同樣的，發出的電能質量，負荷的失荷率也是被考慮的重要目標函數。總的來說，可以將目標函數歸納為以下三類：
（1）成本經濟效益目標：微電網調度的最直接的需求就是經濟效益，所以考慮經濟效益是各項研究中的落腳點。各項研究都是將微電網的經濟收益置于首位。同時也要兼顧環保要求和可靠性要求。
（2）環境效益目標：當下微電網的發展越來越多的需要考慮到環境保護的壓力。微網中存在一些發電機組例如柴油發電機，燃氣輪機等等對環境不友好的微電源。所以在設計微電網模型時，一定要特別關照污染排放是否達標，環境承載力是否在合理范圍中的問題。
（3）可靠性目標：除了經濟效益，微電網運行的可靠性也是非常關鍵的指標。包括電壓的穩定程度，微電網網損成本等等。為了保障用戶的供電需求，這些指標需要維持在一個非常穩定的范圍內[2][3]。
在面對微電網經濟優化運行的調度時，模型都是根據目標函數來建立。結合微電網經濟調度的實際應用情況，既有只考慮成本最優的單目標優化，又有綜合考慮成本因素，環境因素，可靠性因素的多目標優化情況[4]。
2.2 微電網經濟優化運行的約束
微電網優化的約束條件一般來源于發電設備本身和功率的平衡條件等。一般可以分為等式約束以及不等式約束，一般來看，來自于發電設備本身特性的約束大多是不等式約束，而功率平衡條件則為等式約束。
其中，設備約束主要取決于對應微電網的構成。在一個典型的風光水儲微電網中，包含著風力發電機，水力發電機光伏發電單元等微電源。風力發電機，光伏發電單位都有著發電的上下限。儲能電池由于其自身的性質一般會有著荷電狀態的約束，同時，電池本身也會有著充放電功率的約束[5]。這些約束可以如下表示出來：
（1）各分布式電源出力約束
式中，Pimin, ,Pimax, 分別為第i個分布式電源的出力下限及出力上限值。
（2）儲能電池的荷電狀態約束
式中，SOCmin，SOCmax 分別為儲能電池荷電狀態的安全下限及安全上限值[6]。
（3）功率平衡約束為：
式中：PLOAD是系統負荷需求；Pi是微電網第i個發電設備；PGRID是網絡輸出功率[7]。
3 微電網新能源出力的功率預測
3.1 風功率的預測
由于風力資源本身所存在的強間歇性，不穩定性的特點。風力發電機相對其他發電方式而言很難做到穩定的電能輸出。但是要實現后續的經濟優化調度，就必須對其發電情況有比較完整的掌握。在這樣的前提下，實現對風力資源的短期預測就顯得十分有價值。
風功率預測從方法上來看，可分為物理法，統計學法以及將二者結合起來的混合方法。物理法主要是通過數學模型和數學來描述物理現象，通過建立空氣動力學等數學模型來實現對短期目標的預測。其中比較具有代表性的就是Persistence（PER）模型，該模型的主要原理是利用前一時刻的預測值與實際值之間的誤差來補償下一時刻的預測值，但是由于風電輸出功率有著隨機性大的特點，這種模型下的預測值往往會具有誤差很大。針對這一缺陷，Nielsen等人提出一種綜合考慮PER模型和平均輸出功率的新模型[8]。目前商業應用比較成熟的有L.Landberg等人提出的Predicktor預測系統，EurowindGmbh公司設計出的SOWIE短期風電預測系統等。
統計學法和混合法是現在運用的比較廣泛且精度相對物理法較高的方法。該法需要大量的歷史數據，采用如人工神經網絡，支持向量機，馬爾可夫鏈等方法從歷史數據中找到規律，進行預測。在文獻[9]，中，Jyothi Varanasi等人基于NARX模型提出一種改進型的人工神經網絡（ANN），使用選定的輸入參數（例如風力風速的歷史值）對神經網絡進行適當的訓練以預測未來的風力。Samidha Mridul Verma等人在文獻[10]一文中提出了一種使用二階馬爾可夫鏈模擬短期風力預測的方法。
3.2 光伏發電功率的預測
對光伏的輸出功率預測主要分為兩類：直接預測和間接預測[11]。間接預測主要是建立物理模型，利用詳實的地理信息數據，進行預測分析。直接預測需要大量的歷史數據，這種預測方法對模型的要求較低，但是容錯率較高。缺點是其預測結果有的時候會存在滯后[12]。其中用到較多有時間序列模型，人工神經網絡模型等。
高毅等人提出了一種基于人群搜索算法-小波神經網絡SOA-WNN的光伏短期輸出功率預測算法，利用SOA快速性好，全局搜索能力強的特點對WNN預測算法進行優化，有效提高了光伏短期輸出功率預測的穩定性與準確性[13]。王新普等人提出了一種基于改進BP神經網絡的多模型組合光伏出力預測方法，通過對比表明該方法能顯著提高光伏出力預測精度[14]。
4 微電網經濟優化算法的研究現狀
在微電網經濟優化運行過程中，發電側的能源管理問題是非常關鍵的一個問題，在微電網商業化開發過程中，根據具體的功能需求，調度合理的發電機組的運行組合是實現經濟優化的關鍵一環。近年來，研究者通常采用各種優化算法來對發電機組的組合運行問題進行經濟優化運行管理。
4.1 群智能算法
微電網一般都具有多約束，非線性，非光滑的特性。所以傳統的數學規劃方法并不能起到很好的效果，因此，研究者們提出了遺傳算法，粒子群算法，進化算法等群智能算法來解決這些問題，并在微電網經濟優化的過程中取得了優良的效果。
（1）粒子群算法。PSO算法作為一種應用非常廣泛的基于群體合作的隨機搜索算法，其思想來源于鳥群的群體覓食行為。單個的粒子在搜索空間中搜尋最優解，每次迭代，粒子更新個體最優解和群體最優解，粒子向著群體最優解的方向發展，經過不斷的迭代，更新速度和位置，直到得到滿足終止條件的最優解[15]。
在文獻[16]中，由于微電網中涉及到的可再生能源的波動特征以及當日主電網電價的變化，能源管理系統相對比較復雜，傳統的優化算法在解決這一類問題的時候，往往具有收斂性較差的特點，作者提出了一種改進的MPSO算法，利用速度慣性權重來抑制傳統PSO中隨著時間變化的粒子速度。為了避免粒子的早熟和局部最優現象。高聰等人提出了一種混合粒子群優化算法，其在隨機權重平衡粒子群算法的基礎上加入了免疫機制來使得粒子分布地更加均勻分散。同時還計入了次梯度方法來加快粒子的收斂速度[17]。
（2）遺傳算法。GA算法提出于上世紀60年代，研究者將遺傳學上的交叉變異現象運用到優化算法上來。通過對“適應度”較低的算子進行各種操作重新排列，交換順序來獲得新的算子。GA算法作為一種全局算法，可以很好的避免局部早熟，同時還具有良好的抗干擾能力，魯棒性很好。
在文獻[18]中，作者在處理微電網的最優化問題的時候設置了一微電網的經濟下垂參數目標函數為燃料成本，電壓的穩定情況和微電網電壓的變化情況。將GA算法與其他的算法進行結合，得到一種混合算法。在文獻[19]中，提出了一種基于混沌優化的多目標遺傳算法，同時結合了非主導排序和精英預留策略。對于微電網運行的非線性，耦合復雜的特性有著很好的適應性，可以確保進化朝著Pareto全局最優解集的方向發展。
4.2 其他優化方法
除了群智能算法，許多研究者也提出了不少解決微電網經濟運行的方法。許多方法是綜合了群智能算法，數學規劃方法等各種方法。這些方法具備了更好的快速性，更強的適應能力。
在文獻[20]中，目標函數為運行成本，環境效益和網損。在經典重力搜索算法的基礎上又新加入了反向學習，精英策略以及全局記憶來進行改進。經過比較，應用了該算法的系統具有了更好的抗干擾能力。陳俊斌等人提出一種極限動態規劃算法，該算法基于自適應動態規劃算法，加入了極限學習機，能夠很好的替代傳統的“下垂控制+自動發電控制+經濟調度”多時間尺度控制組合策略，并通過在5個節點的微電網模型進行仿真，并驗證了其算法的有效性[21]。考慮到微電網的各個電源的特性不同，集中式的經濟調度對各個發電單元的隱私保護不利。歐陽聰等人提出了一種微網分散式動態經濟調度模型，根據各發電單元和儲能裝置的接入位置進行分區，采用了同步型交替方向乘子算法，并驗證了其有效性[22]。
5 引入需求側響應的微電網經濟優化運行研究
由于可再生資源一般而言都具有波動性和間歇性的特點，其不確定性給微電網的安全穩定運行帶來了一定的威脅和隱患。因此，在此基礎上引入需求側的響應就顯得十分有必要。在需求側和供應側之間實現良性的互動能夠有效的保障微電網的穩定運行，同時對提高整體的經濟效益也具有非常積極的作用[23]。
5.1 引入分時電價機制引導用戶優化用電需求
微電網從結構上來分，可以分為分布式電源側，供應側和用戶側。在用戶負荷端，負荷可以分為固定負荷，可中斷負荷和可轉移負荷。固定負荷一般是指系統運行不可或缺的一些用電負荷，可中斷負荷是指在一定條件下可以進行切斷的用電負荷，如空調等。可轉移負荷是需求側管理研究中的重點，可以利用分時電價來引導用戶的用電行為，優化電力資源供需結構。
在文獻[24]一文中，陳滄楊等人通過模型最終闡明了通過建立分時電價機制，用電負荷曲線得到進一步的改善，同時可以提高電網供電的可靠性，減少停電損失，增加電廠的綜合效益。驗證了分時電價機制的有效性。在文獻[25]中，徐婷婷等人提出了一種基于用戶能源管理系統（UEMS）的微電網經濟調度模型，用戶的每個UEMS根據收到的日間價格曲線計劃可控制的負載，最大程度地降低成本。微電網控制中心（MGCC）收集每個UEMS的負荷曲線，并解決動態優化潮流問題。仿真結果表明此方法可以最大程度地降低總體成本并促進可再生能源的消耗。
5.2 考慮電動汽車（EV）參與充電的微電網需求側優化
近年來，隨著電動汽車的大力發展，以及配套的充電設施的大規模覆蓋。考慮EV（electric vehicle）參與微電網調度的研究越 來越受到研究者的重視[26]。
大規模需要充電的電動汽車開始充電會對電網造成很大的沖擊，會使得局部地區的負荷曲線在短時間內變化的很劇烈。因此，如何有效的對電動汽車進行引導，使得其有序充電就顯得非常關鍵。在文獻[27]中，葛少云等人利用一種蒙特卡洛模擬法得到電動汽車無序充電負荷曲線。如果不對其進行有序引導則負荷曲線十分不平坦。針對文中提出的兩段式峰谷電價以及其用戶響應分析，利用遺傳算法來對建立的峰谷時段優化模型進行尋優，得到了最優的引導充電結果。在文獻[28]中，鄒媛媛等人提出了一種兩階段的經濟優化框架，在第一階段中微電網從LSE上購買電力，而在第二階段，應用了一種實時預測控制模型，在滿足需求的前提下，最小化運營成本，確保最大收益。在文獻[29]中，針對考慮EV充電和需求側響應的光伏微電網建立了多目標優化調度模型，并用NSGA-II算法進行求解，從優化的結果來看，由于分時的電價機制可以使得EV投入電網的時間段發生轉移，因此系統整體的運行經濟性得到了提高。
6 總結與展望
本文主要介紹了微電網經濟優化運行的發展現狀，在闡明了微電網模型結構的基礎上，從功率預測，機組組合優化算法以及引入需求側響應的微電網經濟運行優化三個方面詳細敘述了微電網經濟優化的具體方法。
微電網經濟優化運行作為當下非常熱門的研究方向，有許多問題值得進一步研究：首先是現行的配電網大多會同時有著熱負荷需求，未來的微電網優化運行要更多的聚焦于熱電聯產單元的微電網優化。其次是要更多的考慮到關系到電網穩定性的技術性約束，比如線路傳輸約束，旋轉備用約束等等。最后，隨著電動汽車產業的日益成熟，實現電動汽車與微電網系統的能量互動需要進一步的研究，充電站的入網，電動汽車充電的調度，電力市場價格機制的調整等問題都需要進一步的研究。
參考文獻：
[1]朱蘭,周雪瑩,唐隴軍,勞長石.計及可中斷負荷的微電網多目標優化運行[J].電網技術,2017,41(06):1847-1854.
[2]靳紹珍,毛志忠,李鴻儒.考慮不確定性因素的微電網經濟運行的優化[J].控制理論與應用,2018,35(09):1357-1370.
[3]康健,靳斌,段秀娟,尚小華,栗瑋.基于貝葉斯-粒子群算法的微電網優化運行[J].電力系統保護與控制,2018,46(12):32-41.
[4]T. Stevens, B. Ramachandran and A. Cohen, "Economic Operation of a Microgrid Considering Uncertainties," SoutheastCon 2018, St. Petersburg, FL, 2018, pp. 1-5.
[5]武星,殷曉剛,宋昕.中國微電網技術研究及其應用現狀[J].高壓電器,2013,49(09):142-149.
[6]徐林,阮新波,張步涵,毛承雄.風光蓄互補發電系統容量的改進優化配置方法[J].中國電機工程學報,2012,32(25):88-98+14.
[7]S. Cheng, L. Zhao and X. Jiang, "Dynamic operation optimization of micro grid: Model establishment and solution design," 2016 IEEE 11th Conference on Industrial Electronics and Applications (ICIEA), Hefei, 2016, pp. 700-705.
[8]Nielsen TS,Joensen A,Madsen H,et al.A new reference for wind power forecasting[J].Wind Energy,1998,1(1):29-34.
[9]J. Varanasi and M. M. Tripathi, "Artificial neural network based wind power forecasting in belgium," 2016 IEEE 7th Power India International Conference (PIICON), Bikaner, 2016, pp. 1-6.
[10]S. M. Verma, V. Reddy, K. Verma and R. Kumar, "Markov Models Based Short Term Forecasting of Wind Speed for Estimating Day-Ahead Wind Power," 2018 International Conference on Power, Energy, Control and Transmission Systems (ICPECTS), Chennai, 2018, pp. 31-35.
[11]胡夢月,胡志堅,仉夢林,傅晨宇.基于改進AdaBoost.RT和KELM的風功率預測方法研究[J].電網技術,2017,41(02):536-542.
[12]江岳春,張丙江,邢方方,張雨,王志剛.基于混沌時間序列GA-VNN模型的超短期風功率多步預測[J].電網技術,2015,39(08):2160-2166.
[13]高毅,李盛偉,遲福建,葛磊蛟,張東.基于SOA-WNN的光伏短期輸出功率預測[J].電力系統及其自動化學報,2019,31(06):62-66.
[14]王新普,周想凌,邢杰,楊軍.一種基于改進灰色BP神經網絡組合的光伏出力預測方法[J].電力系統保護與控制,2016,44(18):81-87.
[15]]S. Cheng, L. Zhao and X. Jiang, "Dynamic operation optimization of micro grid: Model establishment and solution design," 2016 IEEE 11th Conference on Industrial Electronics and Applications (ICIEA), Hefei, 2016, pp. 700-705.
[16]A. T. Eseye, D. Zheng, J. Zhang and Dan Wei, "Optimal energy management strategy for an isolated industrial microgrid using a Modified Particle Swarm Optimization," 2016 IEEE International Conference on Power and Renewable Energy (ICPRE), Shanghai, 2016, pp. 494-498.
[17]吳定會,高聰,紀志成.混合粒子群算法在微電網經濟優化運行的應用[J].控制理論與應用,2018,35(04):457-467.
[18]Moradi MH,Abedini M,Hosseinian SM.Optimal operation of autonomous microgrid using HS-GA[J].International Journal of Electrical Power & Energy Systems,2016,77:210-220.
[19]R. Wang et al., "optimized Operation and Control of Microgrid based on Multi-objective Genetic Algorithm," 2018 International Conference on Power System Technology (POWERCON), Guangzhou, 2018, pp. 1539-1544.
[20]李鵬, 徐偉娜, 周澤遠, 等. 基于改進萬有引力搜索算法的微網優化運行 [J]. 中國電機工程學報, 2014, 34(19): 3073-3079.
[21]陳俊斌,余濤,殷林飛,唐建林.基于極限動態規劃算法的微電網一體化調度與控制[J/OL].控制理論與應用:1-9
[22]歐陽聰,劉明波,林舜江,馮漢中.采用同步型交替方向乘子法的微電網分散式動態經濟調度算法[J].電工技術學報,2017,32(05):134-142.
[23]陳冉,楊超,沈冰,任波,陸偉.基于微電網的需求響應優化策略[J].電力系統保護與控制,2018,46(11):124-130.
[24]陳滄楊,胡博,謝開貴,萬凌云,向彬.計入電力系統可靠性與購電風險的峰谷分時電價模型[J].電網技術,2014,38(08):2141-2148.
[25]T. Xu, H. Sun, B. Zhu, Y. Long, H. Wang and Z. Li, "Economic Optimization Control of Microgrid with Electric Vehicles," 2018 5th International Conference on Information Science and Control Engineering (ICISCE), Zhengzhou, 2018, pp. 733-736.
[26]F. Yi, L. Yongxiang, Z. Xiaomei and G. Lin, "Power demand side response potential and operating model based on EV mobile energy storage," 2017 IEEE Conference on Energy Internet and Energy System Integration (EI2), Beijing, 2017, pp. 1-6.
[27]葛少云,郭建祎,劉洪,曾平良.計及需求側響應及區域風光出力的電動汽車有序充電對電網負荷曲線的影響[J].電網技術,2014,38(07):1806-1811.
[28]Y. Zou, S. Li, Y. Dong and Y. Niu, "A Two-Stage Economic Optimization and Predictive Control for EV Microgrid," IECON 2018 - 44th Annual Conference of the IEEE Industrial Electronics Society, Washington, DC, 2018, pp. 5951-5956.
[29]禹威威,劉世林,陳其工,高文根,張春.考慮電動汽車充電和需求側響應的光伏微電網多目標優化調度[J].電力系統及其自動化學報,2018,30(01):88-97.