使用SAPSO算法的独立微电网的多目标最佳操作

抽象的

MicroGrid是利用可再生能源的有效方法，特别是为了满足偏远岛屿的电力需求。岛MicroGrid的操作优化对于确保整个微电网系统的有效性能至关重要，并且通常是多元和多目标优化问题。本研究的主要贡献是远程岛上的独立微电网系统的操作优化方法，包括风，光伏，电池和柴油发电机。在本文中，提出了一种用于独立微电网的新型操作优化模型，其中电池系统被分开考虑;考虑经济成本，电池折旧成本和环保成本的多目标日前优化模型成立。在优化中，选择柴油发电机和能量存储系统的输出功率作为决策变量。为此目的，开发了一种结合粒子群优化（PSO）算法和模拟退火（SA）算法的有效搜索算法。混合算法应用于搜索优化问题的帕累托解决方案集。搜索结果与传统PSO算法的搜索结果进行比较。而且，提出了一种基于熵权法的灰色目标决策理论，以识别所有解决方案中的最佳权衡调度方案，并将结果与​​来自另外两种常用主观和客观方法的结果进行比较。 The results show that the proposed optimization method can be applied to the day-ahead operation optimization of the microgrid system and help the user obtain the best compromise operation scheme for stand-alone microgrid.

1.介绍

如今，仍然有许多岛屿无权访问公共电网;这些领域高度依赖于传统的柴油发电机来供应能源需求[1那2］．这些岛屿通常有丰富的可再生能源资源，如太阳能和风能资源[3.］．通常情况下，可再生资源的变动和负荷需求的时间分布可能不完全匹配[4.］．开发可再生资源的主要挑战是他们随机和间歇性的自然。为了消除这个问题的影响，已经提出了整合各种可再生能源资源的微电网[5.］．对于偏远地区，以往的调查表明，这种方法可以显著提高整个电力系统的可靠性[6.那7.］．

在过去几年中，许多研究专注于微电网系统的最佳设计和尺寸，以最大限度地减少达到功率质量的生命周期成本[8.-11］．一些功能强大的最佳设计软件工具，如Homer [12]和HYBRID2 [13]是开发的。随着可再生能源产生的普及率越来越大，可再生能源的随机性和间歇性引起的不确定性对微电器的安全可靠运行产生了相当大的影响[14］．

目前对微网优化运行的研究主要考虑微网运行成本[15]，环境成本[16]电源可靠性[17，等等。Guo等[18]提出了一种孤立的微电网系统的多目标优化模型，旨在分配公司与分布式发电业主之间的利益冲突。Azaza和Wallin [19在系统的可靠性、电力生产成本和运行环境影响这三个相互冲突的目标之间进行权衡。Zhang等[20.]利用预测负荷信息代替过去的信息优化设计混合可再生能源方案(WT/PV/BAT)，使方案的TLCC最小化。

然而，微电网优化调度模型是一个多约束、多目标的问题。解决这个问题用了不同的方法。最常用的方法是利用线性加权和法将多目标优化问题转化为一个单目标优化问题[21］．在之前的研究中，采用了其他一些经典的方法，如迭代技术[22]，混合整数线性规划[23]、设计空间概念[24，以及最小-最大方法[25］．考虑到一些目标是相互排斥的，发现了所以比传统的经典方法更加可接受，因为它们可以搜索全球最佳，快速收敛性和良好的计算精度的能力，以优化微电网系统的传统经典方法[26]，分为两类:一类是进化算法(evolutionary algorithm, EAs)，它是基于模拟自然进化和优胜优汰过程的算法，如遗传算法(genetic algorithm, GA) [27[进化编程（EP）[28]，另一种是群体智能算法(swarm intelligence algorithms, SIAs)，其运算基于个体的社会和合作行为，如粒子群优化算法(particle swarm optimization, PSO) [29，蜂算法[26]和蚁群算法[30.］．

Cagnano等人[31]提出了一种在孤立的微电网中管理有源电力储备的新策略，以最大化网格的预订。这项工作是通过采用直接Lyapunov定理和敏感性分析来完成的，但不考虑成本函数。Wu等人。[32[介绍了组合热量和功率（CHP）微电网系统的动态经济调度模型。为了最大限度地减少总成本，即运营成本和污染物治疗成本，通过直接总结这两个成本，简化了生物回物问题。提出了一种改进的粒子群优化（PSO）算法来解决目标函数。但没有讨论两份成本之间的关系。Karimi等人。[33[，]提出了同时考虑成本、安全性和可靠性的微电网多目标运行模型。为了求解该模型，首先采用加权和方法得到一组Pareto解。采用多目标多属性混合决策框架，实现最优运行状态。Moradi等人[34]开发了一种多目标优化模型，包括燃油消耗成本，总电压变化和电压稳定性指标。提出了一种组合和谐算法（HS）和遗传算法（GA）的混合优化算法来解决问题。采用模糊方法来寻找所有非均多结果中的最佳解决方案。Zhang等[35，提出了一种基于混沌搜索、和谐搜索和模拟退火三种算法的混合优化算法。将天气预报数据与人工神经网络结合使用，提高了尺寸优化算法结果的准确性。

虽然从不同方面、不同技术对微网运行优化进行了各种研究，但几乎都没有单独考虑电池折旧成本，而是将电池折旧成本纳入发电成本。储能电池系统对于孤岛上的独立微电网至关重要。由于海岛环境恶劣，蓄电池组充放电频繁，蓄电池组的使用寿命受到很大影响，加速了蓄电池组的折旧。在运行优化过程中，有必要对电池系统进行单独的考虑。优化技术和优化决策方法都需要进一步研究。

在本文中，用于微电网系统的每个装置中的数学模型首先被引入。为了更合理地使用电池，一种新颖的电池操作的成本模型，提出并选择作为优化目标之一。为了实现独立的微电网的经济运行，多目标功能是基于最小燃料成本，运行和维护成本，环境成本，以及约束条件电池折旧费主题所限定。需要一种有效的方法来解决这个多目标功能。由于粒子群优化算法和模拟退火算法的特点，改进的混合SAPSO算法被显影以获得用于所述多目标优化问题Pareto最优前沿的解决方案。将其结果与传统的粒子群优化算法得到的那些进行比较。为了帮助用户选择最佳方案，基于熵权法的灰靶决策策略建议，以确定从获得的Pareto解集的最佳折中的解决方案。最后，含永兴岛，中国风力发电，光伏电池和柴油发电机的独立微网，被选择作为一个案例研究，验证了方法的有效性。

本文组织如下。在本节中有介绍1．在部分2，所提出的微电网系统的描述和主要部件的造型呈现。优化问题在部分分析3.．部分4.解释所提出的方法。结果将在本节中讨论5.．结论显示在一节中6.．

2.主要成分模型

独立微电网系统由光伏阵列，风力发电，柴油发电机，储能电池系统，电源转换系统（PC），负载和能量管理系统（EMS）组成，如图所示1．

AC总线模式用于该微电网系统，所有微源都直接集成到公共交流总线中。光伏阵列包含多个PV模块，每个PV模块通过弦逆变器直接结合到公共交流总线中。风发电由多个永磁直接驱动风力涡轮机由AC / DC / AC转换器连接到AC总线。采用最大功率点跟踪（MPPT）控制策略用于光伏和风发电，旨在最大限度地利用太阳能和风能。储能电池系统通过双向电源转换系统（PC）集成到AC总线中，并发挥峰值剪裁和填充系统的角色。在正常情况下，柴油发电机为系统提供频率和电压支撑作为主电源，而储能PC采用恒定功率控制策略。当柴油发电机发生故障或负载低电平时，柴油发电机将被关闭，并且储能PC成为在V / F控制模式下工作的主电源。整个微电网系统在能源管理系统（EMS）的协调控制下实现了稳定和经济的运作。

2.1。PV系统

PV系统通过将太阳能转换为电能。因此，输出功率不仅与太阳照射有关，而且还与光伏模块本身的性能相关。环境温度也影响了组件的输出功率。应考虑温度系数。因此，PV系统的输出可以通过以下等式计算[36]： 在哪里是光伏系统的真正输出功率，是PV阵列的标称容量，是恶化因素，是PV面板上的实际太阳能辐照，温度因数（％/°C），T._STC.PV电池的环境温度是否在标准测试条件下，通常为25°C，和为PV板表面的温度;它通常与环境温度不同，环境温度可由式(2） 如下 [37]： 在哪里为标准试验条件下的效率，%，T._noct.是PV电池的标称工作温度，和是环境温度，°C。

２.２.风力涡轮机

风力涡轮机将风能转换的动能转化为叶片的旋转动能，并最终转化为电能[38］．通过GhRepower制造的一种永磁直接驱动风力涡轮机在该微电网中采用。风力涡轮机的输出功率可以通过以下等式计算[39]： 在哪里是风速，是风力涡轮机的额定风速，13米/秒，额定输出功率为WT，和和分别为WT、3m /s和25m /s的进、出风速。

2.3。柴油发电机

因为随机性和可再生资源的波动，可能存在在可再生能源发电系统的发电和负载需求之间的失配。特别是对于一个独立的微电网，这是很必要部署一个或多个柴油发电机[40］．柴油发电机的燃料消耗率是微电网运行中最重要的参数之一，因为操作和维护成本和污染物排放都直接取决于燃料消耗。柴油发电机的每小时燃料消耗率可以制定如下[41]： 在哪里为柴油发电机每小时油耗，L/h，为标称功率和是真正的输出功率T.， 和F_0.和F₁为油耗曲线的截距系数和斜率，L/kW表示油耗与电功率的关系，分别近似为0.084和0.24 [42］．

2.4。电池系统

储能电池系统能够通过存储多余的能量或提供功率缺陷来平衡独立微电网系统的功率。它通常由一个或多个单独的电池组成。电池系统的充电状态（SOC）T.由可用的总成和负载需求以及时期的负载需求决定 那可以计算如下[43］．

对电池充电,

对电池放电, 在哪里δ.是自放电因子，是电池充电状态，为微源产生的总可用能量，为时间间隔内的负荷需求，E._蝙蝠电池组的容量是Δ吗T.是时间间隔，并和电池充电和放电效率分别包括逆变器。通过纳拉达制造的铅酸电池GFM-800RC在微电网系统中采用。

3.多目标优化模型

为了最大限度地减少经济成本，电池折旧成本和微电网系统的环境成本，本文建立了多目标优化模型。目标职能如下： 在哪里是经济成本，为电池折旧成本，是环境成本，是柴油发电机的燃料成本，是设备运行和维护成本，为电池折旧成本，污染物排放的环境成本是否影响环境，和T.为优化周期内的时间间隔数，本文为24小时。

由于太阳辐照度和风速的随机性和间歇性，光伏系统和风力涡轮机的输出功率是不可控的。因此，本文选择柴油发电机和电池系统的输出功率作为优化决策变量。优化周期包含一天24个时间间隔，因此决策变量为24维幂向量。

３.１.经济成本

由于光伏发电和风力发电使用可再生能源，两者的成本都没有考虑在内。柴油发电机的燃料消耗成本可以表示为 在哪里表示柴油发电机在时间间隔L内消耗的柴油量是柴油，$ / L的单价。

微电网运行维护费用与系统产生的电能成线性关系。的表达是 在哪里是单位的输出功率一世当时T.那是每千瓦的操作和维护成本一世，$ / kwh，和N是生成单位的数量。

３．２．电池折旧成本

由于岛上恶劣的自然环境会加速电池的老化，因此将电池系统的折旧成本作为优化目标之一。同时，频繁充放电会降低铅酸蓄电池组的使用寿命，从而间接增加系统的运行成本。将铅酸电池的更换成本换算为运行成本，可以更准确地反映电池寿命对运行成本的影响。为此，本文设计了考虑铅酸电池更换成本的电池折旧成本目标函数: 在哪里为电池折旧成本，是电池的运行维护费用，为电池更换成本，是电池寿命，kWh的总充电和放电能量，电池的充放电功率是否及时T.在放电和负的在充电时的时间正，并且为电池单元运行维护费用系数，$/kW。

一般来说，电池寿命中可回收充放电能量的总量基本是一个常数[43］．总循环次数与放电深度的关系可用双指数函数来描述[44］．两者的关系曲线如图所示2： 在哪里N_国防部是失效循环次数，DOD是电池放电深度，参数一种₁来一种_5.分别为1505.89、9687.24、4.90、9845.09、6.59，通过对电池厂家提供的经验寿命测试数据进行回归得到[44］．

因此，在给定DOD下，电池寿命期内的总充放电能量为[42]

3.3。环境成本

柴油发电机释放污染等气体₂、有限公司₂，co和nox。这些气体的排放将污染环境，环境保护部门将征收对环境待遇的相应环境损害。环境成本C_E.，即由NO组成的污染物排放罚款费用_X、有限公司₂， CO，等等₂，可以计算如下[45]： 在哪里为污染物排放的环境价值标准，问：_ij为污染物排放量，是惩罚因素j瓦斯涌出一世微电源，N是微电网系统中的微电源数量，以及m是污染气体的总数。

3.4。约束条件

考虑到系统功率平衡和发电机组的物理限制，上述运行优化模型必须受到以下约束:

发电和消费始终保持平衡： 在哪里为负荷需求，为电池输出功率，正表示放电，负表示充电;请问柴油发电机的输出功率是多少和是PV系统和风力涡轮机的输出。

光伏系统和风力涡轮机的输出约束是 在哪里和分别为光伏系统和风力机的最大输出功率。

电池系统的约束是 在哪里充电和放电电池的最大功率;SOC._最小值和SoC._最大限度分别为SOC的下限和上限。

此外，初始SOC和EAC最终的SOC必须等于：

柴油发电机组的运行约束条件是 在哪里为柴油发电机输出上限;和分别为柴油发电机的最小和最大负荷率。从系统的经济运行和旋转储备两方面考虑，确定了系统的价值和根据制造商的建议设定为0.3和0.8。

经营策略框图如图所示3.．考虑到系统运行效率和供电可靠性，以及柴油发电机和蓄电池系统为可控源，为了尽可能利用可再生能源，采用柴油发电机经济性运行策略，并先分配电池的充放电功率。

当净功率小于或等于柴油发电机的经济运行范围的下限时，它将在下限或关闭，储能电池将平衡系统功率。When the net power is between the upper and lower limits of diesel generator’s economic operating ranges, the state of charge of battery is kept at an appropriate level, and the battery system is charged or discharged to make sure diesel generator runs within the economic operating ranges. When the net power is greater than the upper limit of diesel generator’s economic operating ranges, and if the battery system has the ability to regulate, it will share the excess load; otherwise the unimportant load will be cut off.

4.方法

4.1。改进的SAPSO算法

粒子群优化算法源自羊群和鱼群的觅食行为的模拟。粒子通过自己的经验和同龄人的最佳体验决定了下一步。群中的每个粒子是问题的潜在解决方案，并且对应于由其位置确定的健身值。颗粒的速度决定了其运动的方向和距离，并且速度随着自身的运动经验和其他颗粒动态调整，从而实现了个体在可溶性空间中的优化。速度和位置更新公式在下面的等式中表示： 在哪里C₁和C₂是学习因素，和X_我，J.是粒子的速度和位置，P._一世是目前为止每个粒子找到的最佳位置，是所有的粒子在整个人群中发现了全球最好的位置，R.₁和R.₂是0到1之间的随机数。

模拟退火算法的基本思想是利用一个热力学系统，通过逐渐冷却系统到能量最低的状态来呈现优化过程[46］．系统的能量被认为是优化问题的目标函数。根据热力学原理，当温度是时T.，温度下降与能量差δ的可能性P.是 那表达为 在哪里E.是温度的内部能量T.；ΔE.是能量差异。

Metropolis标准用于判断是否接受新解决方案。“生成新解决方案，判断，接受或放弃”的迭代过程被意识到在该温度下找到最佳解决方案： 在哪里R.是该范围内的随机数 那 是迭代的解决方案，是相应的客观函数，和是新的解决方案。

粒子群优化算法虽然具有较快的收敛速度，但容易陷入局部最优，产生早熟收敛。模拟退火算法计算过程简单，鲁棒性强，但收敛速度较慢。为此，提出了一种粒子群算法和模拟退火算法相结合的混合算法，以弥补两种算法的不足。

在本文中，SAPSO算法采用压缩因子∞采用PSO，能够确保PSO算法的收敛，并通过选择适当的参数限制来选择速度的边界。由于在速度更新公式中使用了最佳人口位置，因此所有粒子都将转向全球整个人口的最佳位置。如果人口的最佳位置处于局部最佳状态，则所有粒子都会倾向于局部最佳。因此，为了提高PSO算法避免落入局部极值的能力，使用轮盘理论来确定全局最佳的替代值从P._一世．重写速度更新公式:

通过借用模拟退火算法的机制，P._一世是一个比特殊解更差的解吗 ；的跳变概率P._一世关于在温度T.可以计算如下： 在哪里N人口大小是，T.是当前的温度，和F表示目标函数值。

SAPSO算法的计算流程图如图所示4.．惩罚功能用于处理平等和不等式约束。SAPSO算法的主要步骤如下：第1步（初始化）：设置初始参数，例如生成单位的输出功率，随机控制参数，人口大小，N，最大迭代次数，m，初始退火温度和最低退火温度，T._0.和T._最小值，温度衰减系数，K.和学习因素，和 那分别。初始群体是随机生成的。步骤2（健身计算）：计算初始群体中每种粒子的适应值。找到目标函数的最佳值，并记录各个最佳位置P._一世和全球最佳位置 ．步骤3（概率）：确定初始退火温度T._0.，并计算每个对应的跳跃概率的适应性P._一世在当前温度下，根据式(25)．第4步（选择）：根据大都市标准来判断是否接受当前解决方案，使用轮盘理论找到全局最优替代值 那并根据所有的极值更新全局最优位置。步骤5（更新）：使用等式更新粒子的速度和位置（19), (23）， 和 （24)．计算每个粒子的新的健身和更新的最佳位置P._一世每个粒子和全球最佳位置的人口。确定退火温度是否小于终止温度T._最小值，如果是这样，请跳到步骤7;否则，继续执行。步骤6(退火):执行温度退火操作。第7步（结束）：判断迭代是否已达到最大数量;如果未到达，请转到第3步;否则，停止迭代和输出结果。

4．2.灰色目标决策理论

本文采用基于熵权法的多目标灰色目标决策理论，从SAPSO算法得到的Pareto最优解集中选择满意解。在所有可行解形成的灰色目标区域中设置目标中心，这些解与目标中心的距离是灰色目标决策的重要依据。灰色目标决策是根据每个方案的靶心距离对所有方案进行排序，并选择最短的方案作为最优方案。基于信息熵理论，在不依赖专家经验和决策者偏好的情况下，获得了各目标的权重因子和各方案的靶心距离。提高决策的可信性和现实性。步骤1:样品矩阵初始化假设有m决策方案，每个方案都有N目标。根据SAPSO算法得到的Pareto最优解集，得到初始样本矩阵可以按如下方式确定： 步骤2：将加权因子的计算根据每个方案的目标值，不同的特定权重y_ij和熵值E._j，通过公式(29)． 第三步:样本矩阵的归一化。决策矩阵解决基于“奖励和罚款”运营商Z._j和样本矩阵 那在哪里运营商Z._j是 如果目标值为益处指示器，归一化的表达式如下： 如果目标值是成本指示符，则标准化表达式如下： 第4步：目标中心向量的定义基于上述转换，决策矩阵是 ．目标中心 目标中心矢量是 第5步：计算牛眼距离

根据灰色目标理论的定义，是目标中心N- 尺寸椭球灰色目标。每个解决方案的目标值更接近目标中心，解决方案越好。牛眼距离表示为

5.结果和讨论

5.1。案例分析

为评价微网多目标经济运行优化模型的性能和改进混合算法的有效性，以南海永兴岛风电/太阳能/柴油/电池单机微网系统为例。利用MATLAB软件，采用SAPSO算法求解该微电网的最优经济运行问题。

优化模型通过一小时的时间间隔考虑每日调度。预测温度，风速和太阳辐照度如图所示5.．根据部分给出的数学模型2，利用预测的温度、风速和太阳辐照度，计算出光伏系统和风力机的输出功率，如图所示6.．一天内每小时预测负荷需求曲线如图所示7.．

从数字中可以看出5.，拥有丰富的太阳能和风能资源，平均风速高，日照时间长，分别为10.36 m/s和12小时。然而，风速每小时波动很大。此外，该岛具有典型的海洋性气候，平均气温高达27.4°C。如图所示7.这个岛上有两个高峰，分别在上午11点和晚上19点。

独立微电网系统的操作限制和操作和维护成本如表所示1．污染物排放系数和惩罚系数的参数见表2和3.,分别。其他仿真输入数据见表4.．算法的参数呈现在表中5.．

5.2。效果分析

基于所提出的SAPSO算法，得到了多目标优化问题的Pareto解集，并删除了重复方案。八种可行的解决方案如图所示8.．

从图中可以看出8.帕累托前面的投影XY.飞机是一条直线。这意味着经济成本和环境成本不是相互排斥的。它们同时达到最大值或最小值。柴油发电机的燃料成本占大多数经济成本;风力和光伏电站不会产生污染气体，而柴油发电机释放污染的废气。柴油发电机的发电量越多，经济成本越高，相应的环境成本越高。同时，经济成本和环境成本均与电池折旧成本一般冲突。虽然经济成本和环境成本下降至最低，但电池折旧成本增加至最高。提供以下八种方案进一步研究。

上述8种方案的经济成本、电池折旧成本、环境成本如表所示6.．当电池折旧成本最高，277.13美元，经济成本和环境成本分别为2143.97 $和1191.09 $。当电池折旧成本最低时，208.46美元，经济成本和环境成本分别为2430.73 $和1350.41 $。真正的总成本从方案一个方案八次逐渐增加。

为了评价每个方案的性能，从以上8个方案中选择最优方案，本文采用了三种决策方法。前两种传统方法分别采用主客观线性加权和法计算评价指标值。方法三基于灰色目标决策理论。然后对三种方法的结果进行了比较。由于数量级不同，首先进行线性归一化。

5.2.1。方法1

假设每个目标对整个目标同等重要;从而赋予三个目标相同的权重因子;也就是说，每一个都分别占1/3。如表所示7.时，计算结果表明，评价指标值先减小后逐渐增大。方案一的总成本最低，为3612.19美元，但评价指标值最大，为0.9213。方案1的总成本为3612.19$，远小于方案8的总成本3989.6$，而方案1的指标值为0.9213，大于方案8的指标值为0.9174。最终结果表明，第4个方案评价指标值最低，为0.9016，说明方案4是最佳方案。

5.2.2。方法2.

基于由混合SAPSO算法获得的模拟数据，通过使用熵权法来获得每个物镜的信息熵值和加权因子。如表所示8.，电池折旧成本的加权系数为72.02％，分别大于其他两个目标，14.05％和13.94％。从信息熵理论来看，索引的熵值越小，其变化程度越大，它可以提供的更多信息。因此，它在综合评估中起着更重要的作用，并且应该给予更大的加权因子，反之亦然。电池折旧成本从277.13美元减少到208.46美元，减少约33％，而另外两种指标增加约13％。因此，对电池折旧成本提供更大的加权因子。计算结果显示在表中9.．结果表明，方案3最优，评价指标值为0.9051。从表中也可以看出9.评价指标值先减小后逐渐增大。方案8的实际总成本和评价指标值同时最大，分别为3989.6$和0.9367。

5.2.3。方法3.

基于熵权法的灰色目标决策理论4．2，首先计算目标中心矢量（-1，-1，-1）。然后获得每种方案的公牛的眼距。如表所示10，八个方案的公牛的眼距从0.9420降至0.9151，然后增加到1.5122。方案2具有最小的牛眼距离，这意味着相应的解决方案最接近目标中心。因此，这是对此决定的令人满意的解决方案。计划8,3989.6 $的总成本远远大于计划2,3629.08 $;方案8,1.5122的公牛眼距离也远远大于方案2,0.9151。还表明，实际总成本和评估指标的价值是一致的，这与实际情况更接近。

对于方法，方案4的总成本相对较高，并且通过人工分配加权因素是太主观的。更重要的是，通过提供相同的加权因素，它无法反映偏好。对于方法二，由于电池折旧成本是低于经济成本的一个数量级和环境保护成本，熵权法缺乏在加权过程中指标之间的水平比较。然而，方法两个比处理多目标决策问题的方法更像是更多的目标。对于方法三，虽然方案2的经济成本和环境成本不是最低的，但两者都相对较低。与此同时，这反映了多目标优化问题的子目标之间的客观性和权衡。

不同发电机组在最低经济环境成本、最低电池折旧成本下的输出结果及最优方案如图所示9.-11,分别。10:00-16:00，太阳能资源丰富，可用总发电量大于负荷需求，蓄电池组充电。18:00 - 21:00可再生能源较差时，蓄电池组放电。一般情况下，由于柴油发电机的单位发电成本高于电池系统，会增加柴油发电机的输出功率和发电成本，从而降低电池系统的寿命损耗成本。由于可再生资源的丰富和电池系统的作用，柴油发电机的负荷率相对较低。但它始终处于柴油发电机的经济性运行区间(30 ~ 80%)。表格11分别列出柴油发电机的日发电量、太阳能丰富时蓄电池的充电容量和夜间负荷需求高峰时蓄电池的放电容量。

数字9.shows that the battery starts charging from 10 o’clock in the morning until 15 o’clock in the afternoon, absorbing about 264.16 kWh of renewable energy within five hours. Meanwhile, for the load peak during 18:00–20:00 pm, the energy storage system discharges 270.54 kWh of electrical energy. Among the whole optimization cycle, although the economic cost is the lowest, 2,143.97$, the battery charging and discharging capacity is 901.16 kWh, which is the highest, and the corresponding battery depreciation cost is also the largest.

在图10，可以看出，电池组在12:00至15:00之间被收费，总计192.04千瓦电力被吸收。充电过程仅持续三个小时。在装载峰值期间，晚上18至20点，仅释放了96.93千瓦时，因为能量存储系统的充电和放电成本远低于柴油发电机的发电成本。虽然电池成本降低，但只有208.46美元，柴油发电机的成本增加，这是2,430.73美元。电池系统的总循环充电和放电电力是所有方案中的一天中最低的，只有750.71千瓦时。这意味着能量存储系统在该方案中不合理地使用。

数字11显示了最优方案下发电机组的输出功率。早上8点，电池系统开始充电，直到下午15点。充电过程甚至会持续6个多小时。电池系统从可再生能源发电中吸收的总电能为294.88千瓦时。在晚上18:00 - 20:00负荷高峰期，储能系统放电电能257.61 kWh。22点至凌晨2点，负荷处于低电平，通过蓄电池系统充电，使柴油发电机输出功率平滑。柴油发电机的输出功率相对稳定，只在很小的范围内波动。避免功率的剧烈波动，有利于减少机械损伤，延长柴油发电机的使用寿命。储能电池系统在微电网系统中起着“削峰补谷”的作用。与预期运行效果一致。

数字12显示储能电池系统在一天内每小时的SOC。电池系统充电约6小时，直到下午15:00,SOC达到最大值0.83。夜间负荷峰值放电后，SOC日最低，晚上21:00时约为0.46。SOC值满足SOC约束条件。

最优方案的微网成本分配如图所示13．可以看出，燃油成本和环境成本在整个运营成本中所占比例最大，分别为53.49%和33.67%。燃料成本占整个运营费用的一半以上。一旦燃料价格或运输距离增加，燃料成本就会上升，这将导致燃料成本占发电成本的比例进一步增加。因此，降低燃料消耗是提高偏远海岛微电网经济性的关键。电池折旧成本仅占整个运营成本的5.72%;这是因为本文只考虑电池系统的更换成本，而没有考虑更换电池系统的施工成本、人工成本和运输成本。

为了比较模拟退火粒子群优化算法(SAPSO)和惯性权重粒子群优化算法(IWPSO)的性能差异，假设每个目标同等重要，给定相同的权重因子，得到总费用。每个算法执行10次迭代，然后比较适应度值的平均值。两种算法的收敛曲线如图14．可以看出，SAPSO算法比早期阶段的IWPSO算法具有更强的搜索能力。在整个搜索过程中，IWPSO算法容易进入局部最佳，产生早产;最终的健身值约为3980美元。但是，SAPSO算法在迭代操作的短时间后可以快速跳出，以避免落入本地最佳解决方案;最终的健身值约为3760 $，比IWPSO算法小于5.53％。在25次迭代后，SAPSO算法趋于稳定，而IWPSO算法在9次迭代后趋于稳定。尽管IWPSO算法具有更快的收敛性，但是所提出的SAPSO算法可以搜索较小的全局最佳目标函数适应值，并融合过程更加坚固。

6.结论

针对光伏板、风力发电机、柴油发电机和储能电池等单机微电网系统，提出了一种新的经济运行优化模型和优化方法。在运行优化模型中，以蓄电池系统和柴油发电机的输出功率作为优化决策变量。为此，定义了以发电成本、电池折旧成本和环境保护成本最小为目标的多目标函数。提出了一种改进的混合SAPSO算法，在满足负荷需求的情况下对两个决策变量进行最优搜索。并与IWPSO算法的结果进行了比较。然后采用基于熵权法的灰色目标决策理论，确定最优的权衡方案。并与其他两种传统决策方法的结果进行了比较。

结果表明，孤岛独立微电网的经济成本和环境成本并不相互排斥。电池折旧成本与经济成本和环境成本是矛盾的。随着电池折旧成本的增加，经济成本和环境成本均降低。仿真结果表明可再生能源储能电池系统可以吸收丰富可再生能源时在白天,在晚上高峰负荷而释放能量,它扮演的角色“剃须峰填谷,”以及平滑传统柴油发电机的输出功率。当经济成本最小时，电池系统总充放电容量最大，而当电池折旧成本最小时，电池系统未合理使用。单机微电网的燃料成本是影响整体运行费用的关键因素。结果表明，改进后的混合SAPSO算法能找到更好的目标函数值，比传统的PSO算法具有更好的鲁棒性。结果表明，本文提出的基于熵权法的灰色目标决策理论能够找到最优的折衷方案。灰色目标决策方法得到的最优方案与预期的运行效果一致。所提出的运行优化方法和决策理论为单机微电网的优化运行提供了有用的工具。

数据可用性

用于支持本研究发现的数据可由通讯作者要求提供。

利益冲突

作者宣称没有利益冲突。

致谢

基金资助:国家重点研发计划项目(国家科技部资助项目(no. 20141202);国家科技支撑计划项目(科技部资助)(no. 2016YFC0305001);2014 bac01b05)。

参考

1. F. Feijoo和T. K. Das，“通过碳政策和微电网发电的排放控制:一个两级模型和帕累托分析，”活力， vol. 90, pp. 1545-1555, 2015。视图:出版商的网站|谷歌学术
2. S. M. Mortazavi，A. Maleki和H. Yousefi，“中国经济和能源供应/需求波动的鲁棒性分析”国际低碳技术杂志第14卷第2期2, pp. 147-159, 2019。视图:出版商的网站|谷歌学术
3. N. duic，G. Krajacic和M. Dagracacarvalho，“Renewislands为岛屿的可持续能源和资源规划的方法论”可再生和可持续能源评论，第12卷，第2期4, pp. 1032-1062, 2008。视图:出版商的网站|谷歌学术
4. A. S. Bahaj，《从海洋发电》，可再生和可持续能源评论，卷。15，不。7，pp。3399-3416，2011。视图:出版商的网站|谷歌学术
5. A. Maleki和F.Pourfayaz，“通过使用进化算法，”具有LPSP技术的自主混合光伏/风/风电系统的最佳尺寸“，”太阳能，卷。115，没有。1，第471-483，2015。视图:出版商的网站|谷歌学术
6. P. Pal, V. Mukherjee和A. Maleki，“印度安达曼和尼科巴群岛孤立的光伏/风能/电池混合能源系统的经济和性能研究”，国际环境能源杂志，第1-19页，2018。视图:出版商的网站|谷歌学术
7. P. Nagapurkar和J. D. Smith，“利用遗传算法对美国微电网的技术经济优化和环境生命周期评估(LCA)”，能源转换与管理， vol. 181, pp. 272-291, 2019。视图:出版商的网站|谷歌学术
8. S. G. Sigarchian，M. S.欧罗斯，H. F. Hemond，和A.马尔奎斯特，“混合PV-CSP-LPG微电网与粒子群优化技术的优化设计，”应用热工程，第109卷，第1031-1036页，2016。视图:出版商的网站|谷歌学术
9. J. Jung和M.比利亚兰，“优化规划和微网混合可再生能源系统的设计中，”可再生和可持续能源评论，卷。75，pp。180-191,2017。视图:出版商的网站|谷歌学术
10. A. Maleki，“考虑不同燃料价格的外栅PV / WT / FC /柴油机混合系统的建模与优化设计，”国际低碳技术杂志，第13卷，第2期2, pp. 140-147, 2018。视图:出版商的网站|谷歌学术
11. A. L.Bukar，C. W. Tan和K. Y.Lau，“使用蚱蜢优化算法”自主光伏/风/电池/柴油发电机微电网的最佳施胶“，太阳能，第188卷，第685-696页，2019。视图:出版商的网站|谷歌学术
12. L. M.Halabi，S. Mekhilef，L. Olatomiwa和J. Hazelton，Hymer的混合PV /柴油/电池系统的性能分析：一个案例研究沙巴，马来西亚，“能源转换与管理，卷。144，没有。15，第322-339，2017。视图:出版商的网站|谷歌学术
13. J. Manwell，A. Rogers，G. Hayman等，Hybrid2：混合动力系统仿真模型理论手册，美国麻省大学机械工程系可再生能源研究实验室，波士顿，马萨诸塞州，2006。
14. B. Yan，B. Wang，L. Zhu等人，“能源互联网中自主微普林的新颖，稳定和经济分享计划”，能量，第8卷，第2期11, pp. 12741-12764, 2015。视图:出版商的网站|谷歌学术
15. GC。辽“解决含分布式发电系统的智能微电网的环保经济调度：基于混沌量子遗传算法”国际电力与能源系统杂志，卷。43，不。1，pp.779-787,2012。视图:出版商的网站|谷歌学术
16. F. A. Mohamed和H. N. Koivo，“使用网格自适应直接搜索的微电网系统建模和在线优化管理”，国际电力与能源系统杂志，卷。32，不。5，第398-407，2010。视图:出版商的网站|谷歌学术
17. “考虑安全可靠性的微电网能量优化调度，”中国电机工程进展第34卷第3期19, pp. 3080-3088, 2014。视图:谷歌学术
18. L. Guo，N. Wang，H. Lu，X. Li和C. Wang，基于不同益处的独立微电网系统的多目标最佳规划，“活力，卷。116，PP。353-363,2016。视图:出版商的网站|谷歌学术
19. M. Azaza和F. Wallin，“混合微电网系统的多目标粒子群优化：瑞典案例研究”活力， 2017, vol. 23, pp. 108-118。视图:出版商的网站|谷歌学术
20. W. Zhang, A. Maleki, M. A. Rosen，“一种基于启发式的优化小型独立太阳能和风能混合电力方案的负荷预测方法”，清洁生产学报，第241卷，第117920条，2019年。视图:出版商的网站|谷歌学术
21. G. Carpinelli，F. Mottola，D.Proto和A. Russo，“微电网调度的多目标方法”，IEEE智能电网学报，第8卷，第2期5，pp。2109-2118,2017。视图:出版商的网站|谷歌学术
22. T. Aziz，N.-A。Masood，S. R.Deeba，W. Tushar和C. Yuen，“yuen”方法，以防止在可再生综合微电网中使用BESS的级联偶然的方法“国际电力与能源系统杂志，卷。110，第737-746，2019。视图:出版商的网站|谷歌学术
23. 郑亚东，B. M. Jenkins, K. Kornbluth, a . Kendall, C. t .埃尔霍特，“不确定性下需求侧管理的生物质集成可再生能源微电网优化，”应用能源，卷。230，pp。836-844,2018。视图:出版商的网站|谷歌学术
24. A. S. Jacob，R. Banerjee和P. C. Ghosh，通过设计空间方法对PV的微电网进行混合能量存储系统的大小，“应用能源，卷。212，pp。640-653,2018。视图:出版商的网站|谷歌学术
25. L. Wang，Q. Li，R. Ding，M. Sun和G. Wang，在不确定性下的微电网中的能源供应和需求综合调度：强大的多目标优化方法，“活力，卷。130，第1-14页，2017年。视图:出版商的网站|谷歌学术
26. A. Mleki，“自主太阳风 - 逆渗透脱水脱落系统耦合电池和氢能通过改进的蜜蜂算法的设计与优化，”海水淡化，卷。435，pp。221-234,2018。视图:出版商的网站|谷歌学术
27. M. B. Shadmand和R. S. Balog，“用于社区智能直流微电网的多目标优化和光伏风混合系统的设计”IEEE智能电网学报，第5卷，第5期。5, pp. 2635-2643, 2014。视图:出版商的网站|谷歌学术
28. a . Maleki，“基于并网燃料电池的混合热力和电力系统的优化运行，使用粒子群优化住宅部门”国际环境能源杂志，卷。47，第1-8页，2019。视图:出版商的网站|谷歌学术
29. T. Kerdphol, K. Fuji, Y. Mitani, M. Watanabe, Y. Qudaih，“利用粒子群优化独立微电网的电池储能系统”，国际电力与能源系统杂志，第81卷，第32-39页，2016。视图:出版商的网站|谷歌学术
30. “基于蚁群算法的孤立微网多目标优化运行，”能源程序， 2016, vol. 104, pp. 21-26。视图:出版商的网站|谷歌学术
31. A. Cagnano，A. Caldarulo Bulliari和E. de Tuglie，“孤立的微电网的储备管理”的合作控制，“应用能源，第218卷，第256-265页，2018。视图:出版商的网站|谷歌学术
32. H. Wu，刘和M. Ding，“Microgrid的动态经济调度：数学模型和解决方案算法”国际电力与能源系统杂志， vol. 63, pp. 336-346, 2014。视图:出版商的网站|谷歌学术
33. H. Karimi和S. JADID，“通过新型混合多目标和多属性决策框架的最佳微电网操作调度”，活力，第186卷，第ID 115912条，2019年。视图:出版商的网站|谷歌学术
34. M. H. Moradi, M. Abedini, S. M. Hosseinian，“使用HS-GA的自主微电网优化运行”，国际电力与能源系统杂志，卷。77，pp。210-220,2016。视图:出版商的网站|谷歌学术
35. W. Zhang，A. Maleki，M. A. Rosen，以及J. Liu，使用天气预报和混合搜索优化算法，“施用独立的太阳能 - 氢气能系统”，“能源转换与管理，卷。180，pp。609-621,2019。视图:出版商的网站|谷歌学术
36. J. Lu，W. Wang，Y. Zhang和S. Cheng，“使用基于Homer的熵权法”独立式混合能源系统的多目标最佳设计“能量，卷。10，不。10，p。1664年，2017年。视图:出版商的网站|谷歌学术
37. 李光，刘伟，焦斌，王灿，“单机微电网系统多目标优化规划设计方法”，CSEE的诉讼程序第34卷第3期4, pp. 524-536, 2014。视图:谷歌学术
38. D. Thomas, O. Deblecker和C. S. Ioakimidis，“旨在高RES渗透的自主小型孤立微电网的优化设计和技术经济分析”，活力，第116卷，第364-379页，2016。视图:出版商的网站|谷歌学术
39. N.Nikmehr和S. N.Ravadanegh，“用于微电网运行和规划的启发式概率功率流量算法”发电、输配电，卷。9，不。11，PP。985-995,2015。视图:出版商的网站|谷歌学术
40. 朱斌，“光伏-风力-柴油-电池混合动力系统的能量调度理论，”太阳能，卷。108，pp。412-420，2014。视图:出版商的网站|谷歌学术
41. Y. Azoumah, D. Yamegueu, P. Ginies, Y. Coulibaly，和P. Girard，“撒哈拉以南非洲农村和城市周边人口的可持续发电:“灵活能源”概念，”能源政策第39卷第3期1，页131-141,2011。视图:出版商的网站|谷歌学术
42. A. M. A. Haidar，P. N.John和M. Shawal，“马来西亚可再生能源的最佳配置评估”可再生能源第36卷第2期2，第881-888页，2011。视图:出版商的网站|谷歌学术
43. 刘灿，“考虑电池单元优化的组合式风力储能系统多层调度理论”，电网技术，卷。40，不。10，pp。3029-3037,2016。视图:谷歌学术
44. E. I. Vrettos和S.Papathanassiou，“用于小型孤立网格的高渗透Res-Bess系统的操作政策和最佳尺寸”IEEE能源转换交易，卷。26，不。3，第744-756，2011。视图:出版商的网站|谷歌学术
45. K.钱，Y.元，十世等人，“分布式发电的环境效益分析，”CSEE的诉讼程序第28卷第2期29，页11-15,2008。视图:谷歌学术
46. 张刚，吴斌，张伟，“基于模拟退火-混沌搜索算法的反渗透混合海水淡化系统优化，”太阳能， vol. 173, pp. 964-975, 2018。视图:出版商的网站|谷歌学术

版权

版权所有©2020 Guoping Zhang等人。这是分布下的开放式访问文章知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。