1 概述
不断发展的社会,对于电网运行的可靠、安全、经济、高效以及环境友好等要求也越来越高,这一现状使得智能电网的提出与飞速发展成为必然。智能电网的一大特色在于促进了新能源的接入,并运用先进的控制手段合理地管理新能源发电,对于解决能源短缺、生态污染能问题有着重大意义。微电网作为智能电网的重要组成部分,更有必要对其能量调度做出合理的规划。以含多种混合能源的微网为例,介绍微型燃气轮机新型微型电源的工作原理与模型。混合能源配合储能电池工作,微网与电价实时变动的主网并网运行。本文基于粒子群优化算法的智能微电网调度。
2 简单微电网结构
3 智能微电网模型
3.1 微型燃气轮机发电模型
微型燃气轮机是新近发展起来的类小型热力发动机，它的单机功率一般在25到300千瓦之间，具有众多优点,如消耗率低、噪音低、污染低、维修率低和可遥控诊断等，除了用于分布式发电外，还可以用于备用电站、热电联产等，能够提供清洁可靠、优质多功能的能源，除用于中心城市外，也能够很好的适用于偏远地区甚至边缘地带。
微型燃气轮机的进行工作时具体的原理如图所示：
工作原理为:压气机将清新空气压缩成高压空气，并于热交换器中由涡轮机废弃预热，将预热后的高压空气送入燃料室与燃料混合燃烧，将所产生的高温燃气送去涡轮机中做功，而发电机永磁体经传动轴由涡轮机带动发电，最后，电力调节系统将发电机永磁体所产生的电能转化后使用。
3.2 储能装置模型
光伏发电、风力发电等间歇性电源固有的随机性、波动等特点，会在并网应用时对主电网的运行带来隐患，涉及电力平衡、频率稳定、电压稳定等多个方面，而储能装置能够调整、减少这种现象带来的影响。另一方面，分布式发电中的微型燃气轮机和燃料电池由于其输出功率较小，受单个负荷的波动影响较大，处于系统稳定性和安全性的考虑，微电网系统需要配备一定的储能装置。
储能装置的主要作用有三个方面:一是改善电能质量，维持系统稳定;二是能够作为备用电源或者起到削峰填谷的作用;三是能够为个体分布式发电单元带来一定的经济效益。到目前为止，已经有多种储能方式，主要分为化学储能和物理储能两种。其中镍氢电池由于其能量密度高、可快速充放电以及循环寿命长和无污染等优点，在当今迅速发展起来，对于提升镍氢电池性能的研究从未中断。
对于储能装置的充放电，由于材料本身的限制，不能充分的实现能量之间的转换.
4 数学模型
4.1 目标函数
微电网系统中需要考虑的目标多种多样，系统中的发电量、储能和负载之间也有着比较复杂的关系，需要从经济等多个角度来考虑这些单元的调度问题。上图所示为微电网系统，系统中包含着多种分布式电源，主要有微型燃气轮机(MT)、光伏发电机(PV)、风能发电机(WT)等，微型燃气轮机储能电池作为混合型后备能源分布于微网各处，维持可再生能源的电量供应与负载需求之间的平衡;系统中的负载需求分为三种，分别是居民负载、工业负载和商业负载，这三种需求在系统中全部能够得到满足。此外，系统通过公共连接点（PCC）连接着主电网(Grid)。在并网运行模式下，微网不仅可以在有需要的时候向主电网买入电能，还可以在适当的时候向其售卖电能。整个微网系统的操作管理由微电网中央控制。
这里以微网系统一天的运行情况为基础研究,以微电网的运行成本最小为目标，为了便于分析，把问题划分为24个小时段，并且不妨设各设备在每个时间段内功率的输出（输入）是恒定的，以
各整点时刻的功率作为该时间段的功率，构成问题模型的状态空间。故目标函数为:
其中f(X)表示微电网的成本代价函数，其中X表示问题模型的状态粒子;T表示优化调度的总时段;PG、PS、PGrid分别表示分布式电源、电池及主网在各时刻的发电量;BG、BS、BGrid分别表示分布式电源、储能装置及主网在各时刻的发电成本。
4.2 约束条件
电池容量
储能电池不仅要考虑工作状态时功率输出（入）上下限范围限制，还必须时刻注意电池内的容量的限制。所以，必须满足：
式中，
表示储能装置的最低容量，
表示储能装置的最局谷里，
表示最大充电功率，
表示最大放电功率。
电力供需平衡
微网在并网模式下,还需要保证微网内所有的负载需求都能得到满足。并且，这里所考虑的是低压侧的一种三支线的微型电网模型，功率传输的损耗很小，在此我们忽略不计。所以，必须满足:
其中，
表示在t时刻微网内第k类负载的需求。
然后就是电力设备上下限，这里就不写出了，见程序。
5 结果展现
部分代码：
clear clc format long; %% 初始化条件 %微型燃气轮机最大功率 MTMaxPower=5; %微型燃气轮机最小功率 MTMinPower=1; %电网输入微网最大功率 GridMaxImportPower=250; %电网输入微网最小功率 GridMinImportPower=10; %储能最大放电功率 StorageMaxDischargingPower=150; %储能最大充电功率 StorageMaxChargingPower=-100; P_load=[11.7 12.4 11.7 12.4 11.7 22.4 81.9 122.4 241.3 242.0 241.3 241.3 241.3 240.7 241.3 240.7 241.3 161.0 122.2 121.1 102.9 101.2 23.0 11.1]; Pw=[66.9 68.2 71.9 72 78.8 94.8 114.3 145.1 155.5 142.1 115.9 127.1 141.8 145.6 145.3 150 206.9 225.5 236.1 210.8 198.6 177.9 147.2 58.7]; P_pv=[0 0 0 0 0 0 0 0.0391 19.5244 40.0204 50.1010 73.3946 74.3511 76.3489 72.8004 53.1185 4.6258 0 0 0 0 0 0 0]; Max_Dt=300;%最大迭代次数300 D=72;%搜索空间维数（未知数个数） N=600;%粒子个数600 w_max=0.9; w_min=0.4; v_max=2; s=1; %% 初始化种群个体（位置和速度） for i=1:N for j=1:72 % v(i,j)=randn; v(i,j)=0.0; if j<25 x(i,j)=MTMinPower+rand()*(MTMaxPower-MTMinPower); elseif j>24&&j<49 x(i,j)=GridMinImportPower+rand()*(GridMaxImportPower-GridMinImportPower); elseif j>48&&j<73 x(i,j)=StorageMaxChargingPower+rand()*(StorageMaxDischargingPower-StorageMaxChargingPower); end end end %% 计算各个粒子的适应度，并初始化Pi和Pg for i=1:N p(i)=fitness(x(i,:),s); y(i,:)=x(i,:);%每个粒子的个体寻优值 end Pbest=fitness(x(1,:),s); pg=x(1,:);%Pg为全局最优 for i=2:N if fitness(x(i,:),s)<fitness(pg,s) Pbest=fitness(x(i,:),s); pg=x(i,:);%全局最优更新 end end %% 进入主循环 for t=1:Max_Dt for i=1:N w=w_max-(w_max-w_min)*t/Max_Dt;%惯性权重更新 c1=(0.5-2.5)*t/Max_Dt+2.5; %认知 c2=(2.5-0.5)*t/Max_Dt+0.5; %社会认识 % w=0.7; % c1=2.05; %认知 % c2=2.05; %社会认识 v(i,:)=w*v(i,:)+c1*rand()*(y(i,:)-x(i,:))+c2*rand()*(pg-x(i,:)); for m=1:72 if(v(i,m)>v_max) v(i,m)=v_max; elseif(v(i,m)<-v_max) v(i,m)=-v_max; end end x(i,:)=x(i,:)+v(i,:); %对粒子边界处理 for n=1:72 if n<25 if x(i,n)<MTMinPower x(i,n)=MTMinPower; v(i,n)=-v(i,n); elseif x(i,n)>MTMaxPower x(i,n)=MTMaxPower; v(i,n)=-v(i,n); else delt(i,n)=0; end elseif n>24&&n<49 if x(i,n)<GridMinImportPower x(i,n)=GridMinImportPower; v(i,n)=-v(i,n); elseif x(i,n)>GridMaxImportPower x(i,n)=GridMaxImportPower; v(i,n)=-v(i,n); else delt(i,n)=0; end else if x(i,n)<StorageMaxChargingPower x(i,n)=StorageMaxChargingPower; v(i,n)=-v(i,n); elseif x(i,n)>StorageMaxDischargingPower x(i,n)=StorageMaxDischargingPower; v(i,n)=-v(i,n); else delt(i,n)=0; end end end %对粒子进行评价，寻找最优值****************** if fitness(x(i,:),t)<p(i) p(i)=fitness(x(i,:),t); y(i,:)=x(i,:); end if p(i)<Pbest Pbest=p(i); pg=y(i,:); s=t; end end %Pbest(t)=fitness(pg,s); end disp('*************************************************************') disp('函数的全局最优位置为：') Solution=pg' for m=1:24 pg1(m)=pg(m); end for m=25:48 pg2(m-24)=pg(m); end for m=49:72 pg3(m-48)=pg(m); end %% 可视化 figure t=1:24 subplot(311) plot(t,pg1,'Color','b','Marker','v','LineWidth',1.5) grid title('微型燃气轮机运行计划') subplot(312)
