摘要：微电网由于其在经济效益以及环保效益方面的优异性在近年来受到了大力的推广和发展。本文基于国内外微电网经济优化运行的发展现状，详细介绍了微电网常见的目标函数，约束条件，归纳了不同微电网模型经济优化的特点。详细评述了功率预测，优化算法，需求侧响应等微电网经济优化的手段，并对微电网经济优化运行的发展进行了展望。
关键词：微电网 经济运行优化 微电网模型 优化算法 需求侧响应
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
【中图分类号】TM76 【文献标识码】B 文章编号1606-5123（2019）11-0050-05
1 引言
电力能源问题一直是各个国家能源战略中关注的重点问题。近年来，随着环保要求的日益提高，分布式发电技术，作为不同于传统的集中式供电方式获得了快速的发展。其中特别是新能源发电技术如风力发电，光伏发电等技术得到了长足的发展，微电网作为一种能将多种分布式电源结合在一起实现分布式电源与大电网融合的技术手段，获得了广阔的发展前景。
不同于传统式电网，微电网具有独特的网式结构，各个发电单位之间相对独立，安全性较高。通过建立备用储能单元和选用合适的调度方案和优化算法，能够在满足安全性和可靠性的前提下，实现对微电网的经济优化调度。实现综合成本的最小化是当下微电网优化研究中的重点。目前的研究主要集中在新能源发电的功率预测，微网中各个微电源的优化组合等方面。本文首先概述了微电网常见的经济优化模型，从目标函数，约束条件两个方面进行了详细介绍。其次分析了微电网经济优化运行的主要方法，分别从发电机组的输出功率预测，新能源组合经济优化算法，引入需求侧响应的经济优化三个方面进行了详细的分析与评述。最后，对微电网的发展前景与研究的热点进行了介绍。
2 微电网经济优化运行的模型
2.1 微电网优化运行的目标函数
建立微电网经济运行模型的第一步是先选取目标函数。在研究的早期，其目标函数就是建造成本和日常运行管理成本。但是随着后续的研究，特别是环保要求的加入，环境污染成本也成了不可忽视的一部分。同样的，发出的电能质量，负荷的失荷率也是被考虑的重要目标函数。总的来说，可以将目标函数归纳为以下三类：
（1）成本经济效益目标：微电网调度的最直接的需求就是经济效益，所以考虑经济效益是各项研究中的落脚点。各项研究都是将微电网的经济收益置于首位。同时也要兼顾环保要求和可靠性要求。
（2）环境效益目标：当下微电网的发展越来越多的需要考虑到环境保护的压力。微网中存在一些发电机组例如柴油发电机，燃气轮机等等对环境不友好的微电源。所以在设计微电网模型时，一定要特别关照污染排放是否达标，环境承载力是否在合理范围中的问题。
（3）可靠性目标：除了经济效益，微电网运行的可靠性也是非常关键的指标。包括电压的稳定程度，微电网网损成本等等。为了保障用户的供电需求，这些指标需要维持在一个非常稳定的范围内[2][3]。
在面对微电网经济优化运行的调度时，模型都是根据目标函数来建立。结合微电网经济调度的实际应用情况，既有只考虑成本最优的单目标优化，又有综合考虑成本因素，环境因素，可靠性因素的多目标优化情况[4]。
2.2 微电网经济优化运行的约束
微电网优化的约束条件一般来源于发电设备本身和功率的平衡条件等。一般可以分为等式约束以及不等式约束，一般来看，来自于发电设备本身特性的约束大多是不等式约束，而功率平衡条件则为等式约束。
其中，设备约束主要取决于对应微电网的构成。在一个典型的风光水储微电网中，包含着风力发电机，水力发电机光伏发电单元等微电源。风力发电机，光伏发电单位都有着发电的上下限。储能电池由于其自身的性质一般会有着荷电状态的约束，同时，电池本身也会有着充放电功率的约束[5]。这些约束可以如下表示出来：
（1）各分布式电源出力约束
式中，Pimin, ,Pimax, 分别为第i个分布式电源的出力下限及出力上限值。
（2）储能电池的荷电状态约束
式中，SOCmin，SOCmax 分别为储能电池荷电状态的安全下限及安全上限值[6]。
（3）功率平衡约束为：
式中：PLOAD是系统负荷需求；Pi是微电网第i个发电设备；PGRID是网络输出功率[7]。
3 微电网新能源出力的功率预测
3.1 风功率的预测
由于风力资源本身所存在的强间歇性，不稳定性的特点。风力发电机相对其他发电方式而言很难做到稳定的电能输出。但是要实现后续的经济优化调度，就必须对其发电情况有比较完整的掌握。在这样的前提下，实现对风力资源的短期预测就显得十分有价值。
风功率预测从方法上来看，可分为物理法，统计学法以及将二者结合起来的混合方法。物理法主要是通过数学模型和数学来描述物理现象，通过建立空气动力学等数学模型来实现对短期目标的预测。其中比较具有代表性的就是Persistence（PER）模型，该模型的主要原理是利用前一时刻的预测值与实际值之间的误差来补偿下一时刻的预测值，但是由于风电输出功率有着随机性大的特点，这种模型下的预测值往往会具有误差很大。针对这一缺陷，Nielsen等人提出一种综合考虑PER模型和平均输出功率的新模型[8]。目前商业应用比较成熟的有L.Landberg等人提出的Predicktor预测系统，EurowindGmbh公司设计出的SOWIE短期风电预测系统等。
统计学法和混合法是现在运用的比较广泛且精度相对物理法较高的方法。该法需要大量的历史数据，采用如人工神经网络，支持向量机，马尔可夫链等方法从历史数据中找到规律，进行预测。在文献[9]，中，Jyothi Varanasi等人基于NARX模型提出一种改进型的人工神经网络（ANN），使用选定的输入参数（例如风力风速的历史值）对神经网络进行适当的训练以预测未来的风力。Samidha Mridul Verma等人在文献[10]一文中提出了一种使用二阶马尔可夫链模拟短期风力预测的方法。
3.2 光伏发电功率的预测
对光伏的输出功率预测主要分为两类：直接预测和间接预测[11]。间接预测主要是建立物理模型，利用详实的地理信息数据，进行预测分析。直接预测需要大量的历史数据，这种预测方法对模型的要求较低，但是容错率较高。缺点是其预测结果有的时候会存在滞后[12]。其中用到较多有时间序列模型，人工神经网络模型等。
高毅等人提出了一种基于人群搜索算法-小波神经网络SOA-WNN的光伏短期输出功率预测算法，利用SOA快速性好，全局搜索能力强的特点对WNN预测算法进行优化，有效提高了光伏短期输出功率预测的稳定性与准确性[13]。王新普等人提出了一种基于改进BP神经网络的多模型组合光伏出力预测方法，通过对比表明该方法能显著提高光伏出力预测精度[14]。
4 微电网经济优化算法的研究现状
在微电网经济优化运行过程中，发电侧的能源管理问题是非常关键的一个问题，在微电网商业化开发过程中，根据具体的功能需求，调度合理的发电机组的运行组合是实现经济优化的关键一环。近年来，研究者通常采用各种优化算法来对发电机组的组合运行问题进行经济优化运行管理。
4.1 群智能算法
微电网一般都具有多约束，非线性，非光滑的特性。所以传统的数学规划方法并不能起到很好的效果，因此，研究者们提出了遗传算法，粒子群算法，进化算法等群智能算法来解决这些问题，并在微电网经济优化的过程中取得了优良的效果。
（1）粒子群算法。PSO算法作为一种应用非常广泛的基于群体合作的随机搜索算法，其思想来源于鸟群的群体觅食行为。单个的粒子在搜索空间中搜寻最优解，每次迭代，粒子更新个体最优解和群体最优解，粒子向着群体最优解的方向发展，经过不断的迭代，更新速度和位置，直到得到满足终止条件的最优解[15]。
在文献[16]中，由于微电网中涉及到的可再生能源的波动特征以及当日主电网电价的变化，能源管理系统相对比较复杂，传统的优化算法在解决这一类问题的时候，往往具有收敛性较差的特点，作者提出了一种改进的MPSO算法，利用速度惯性权重来抑制传统PSO中随着时间变化的粒子速度。为了避免粒子的早熟和局部最优现象。高聪等人提出了一种混合粒子群优化算法，其在随机权重平衡粒子群算法的基础上加入了免疫机制来使得粒子分布地更加均匀分散。同时还计入了次梯度方法来加快粒子的收敛速度[17]。
（2）遗传算法。GA算法提出于上世纪60年代，研究者将遗传学上的交叉变异现象运用到优化算法上来。通过对“适应度”较低的算子进行各种操作重新排列，交换顺序来获得新的算子。GA算法作为一种全局算法，可以很好的避免局部早熟，同时还具有良好的抗干扰能力，鲁棒性很好。
在文献[18]中，作者在处理微电网的最优化问题的时候设置了一微电网的经济下垂参数目标函数为燃料成本，电压的稳定情况和微电网电压的变化情况。将GA算法与其他的算法进行结合，得到一种混合算法。在文献[19]中，提出了一种基于混沌优化的多目标遗传算法，同时结合了非主导排序和精英预留策略。对于微电网运行的非线性，耦合复杂的特性有着很好的适应性，可以确保进化朝着Pareto全局最优解集的方向发展。
4.2 其他优化方法
除了群智能算法，许多研究者也提出了不少解决微电网经济运行的方法。许多方法是综合了群智能算法，数学规划方法等各种方法。这些方法具备了更好的快速性，更强的适应能力。
在文献[20]中，目标函数为运行成本，环境效益和网损。在经典重力搜索算法的基础上又新加入了反向学习，精英策略以及全局记忆来进行改进。经过比较，应用了该算法的系统具有了更好的抗干扰能力。陈俊斌等人提出一种极限动态规划算法，该算法基于自适应动态规划算法，加入了极限学习机，能够很好的替代传统的“下垂控制+自动发电控制+经济调度”多时间尺度控制组合策略，并通过在5个节点的微电网模型进行仿真，并验证了其算法的有效性[21]。考虑到微电网的各个电源的特性不同，集中式的经济调度对各个发电单元的隐私保护不利。欧阳聪等人提出了一种微网分散式动态经济调度模型，根据各发电单元和储能装置的接入位置进行分区，采用了同步型交替方向乘子算法，并验证了其有效性[22]。
5 引入需求侧响应的微电网经济优化运行研究
由于可再生资源一般而言都具有波动性和间歇性的特点，其不确定性给微电网的安全稳定运行带来了一定的威胁和隐患。因此，在此基础上引入需求侧的响应就显得十分有必要。在需求侧和供应侧之间实现良性的互动能够有效的保障微电网的稳定运行，同时对提高整体的经济效益也具有非常积极的作用[23]。
5.1 引入分时电价机制引导用户优化用电需求
微电网从结构上来分，可以分为分布式电源侧，供应侧和用户侧。在用户负荷端，负荷可以分为固定负荷，可中断负荷和可转移负荷。固定负荷一般是指系统运行不可或缺的一些用电负荷，可中断负荷是指在一定条件下可以进行切断的用电负荷，如空调等。可转移负荷是需求侧管理研究中的重点，可以利用分时电价来引导用户的用电行为，优化电力资源供需结构。
在文献[24]一文中，陈沧杨等人通过模型最终阐明了通过建立分时电价机制，用电负荷曲线得到进一步的改善，同时可以提高电网供电的可靠性，减少停电损失，增加电厂的综合效益。验证了分时电价机制的有效性。在文献[25]中，徐婷婷等人提出了一种基于用户能源管理系统（UEMS）的微电网经济调度模型，用户的每个UEMS根据收到的日间价格曲线计划可控制的负载，最大程度地降低成本。微电网控制中心（MGCC）收集每个UEMS的负荷曲线，并解决动态优化潮流问题。仿真结果表明此方法可以最大程度地降低总体成本并促进可再生能源的消耗。
5.2 考虑电动汽车（EV）参与充电的微电网需求侧优化
近年来，随着电动汽车的大力发展，以及配套的充电设施的大规模覆盖。考虑EV（electric vehicle）参与微电网调度的研究越 来越受到研究者的重视[26]。
大规模需要充电的电动汽车开始充电会对电网造成很大的冲击，会使得局部地区的负荷曲线在短时间内变化的很剧烈。因此，如何有效的对电动汽车进行引导，使得其有序充电就显得非常关键。在文献[27]中，葛少云等人利用一种蒙特卡洛模拟法得到电动汽车无序充电负荷曲线。如果不对其进行有序引导则负荷曲线十分不平坦。针对文中提出的两段式峰谷电价以及其用户响应分析，利用遗传算法来对建立的峰谷时段优化模型进行寻优，得到了最优的引导充电结果。在文献[28]中，邹媛媛等人提出了一种两阶段的经济优化框架，在第一阶段中微电网从LSE上购买电力，而在第二阶段，应用了一种实时预测控制模型，在满足需求的前提下，最小化运营成本，确保最大收益。在文献[29]中，针对考虑EV充电和需求侧响应的光伏微电网建立了多目标优化调度模型，并用NSGA-II算法进行求解，从优化的结果来看，由于分时的电价机制可以使得EV投入电网的时间段发生转移，因此系统整体的运行经济性得到了提高。
6 总结与展望
本文主要介绍了微电网经济优化运行的发展现状，在阐明了微电网模型结构的基础上，从功率预测，机组组合优化算法以及引入需求侧响应的微电网经济运行优化三个方面详细叙述了微电网经济优化的具体方法。
微电网经济优化运行作为当下非常热门的研究方向，有许多问题值得进一步研究：首先是现行的配电网大多会同时有着热负荷需求，未来的微电网优化运行要更多的聚焦于热电联产单元的微电网优化。其次是要更多的考虑到关系到电网稳定性的技术性约束，比如线路传输约束，旋转备用约束等等。最后，随着电动汽车产业的日益成熟，实现电动汽车与微电网系统的能量互动需要进一步的研究，充电站的入网，电动汽车充电的调度，电力市场价格机制的调整等问题都需要进一步的研究。
参考文献：
[1]朱兰,周雪莹,唐陇军,劳长石.计及可中断负荷的微电网多目标优化运行[J].电网技术,2017,41(06):1847-1854.
[2]靳绍珍,毛志忠,李鸿儒.考虑不确定性因素的微电网经济运行的优化[J].控制理论与应用,2018,35(09):1357-1370.
[3]康健,靳斌,段秀娟,尚小华,栗玮.基于贝叶斯-粒子群算法的微电网优化运行[J].电力系统保护与控制,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,殷晓刚,宋昕.中国微电网技术研究及其应用现状[J].高压电器,2013,49(09):142-149.
[6]徐林,阮新波,张步涵,毛承雄.风光蓄互补发电系统容量的改进优化配置方法[J].中国电机工程学报,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]胡梦月,胡志坚,仉梦林,傅晨宇.基于改进AdaBoost.RT和KELM的风功率预测方法研究[J].电网技术,2017,41(02):536-542.
[12]江岳春,张丙江,邢方方,张雨,王志刚.基于混沌时间序列GA-VNN模型的超短期风功率多步预测[J].电网技术,2015,39(08):2160-2166.
[13]高毅,李盛伟,迟福建,葛磊蛟,张东.基于SOA-WNN的光伏短期输出功率预测[J].电力系统及其自动化学报,2019,31(06):62-66.
[14]王新普,周想凌,邢杰,杨军.一种基于改进灰色BP神经网络组合的光伏出力预测方法[J].电力系统保护与控制,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]吴定会,高聪,纪志成.混合粒子群算法在微电网经济优化运行的应用[J].控制理论与应用,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]李鹏, 徐伟娜, 周泽远, 等. 基于改进万有引力搜索算法的微网优化运行 [J]. 中国电机工程学报, 2014, 34(19): 3073-3079.
[21]陈俊斌,余涛,殷林飞,唐建林.基于极限动态规划算法的微电网一体化调度与控制[J/OL].控制理论与应用:1-9
[22]欧阳聪,刘明波,林舜江,冯汉中.采用同步型交替方向乘子法的微电网分散式动态经济调度算法[J].电工技术学报,2017,32(05):134-142.
[23]陈冉,杨超,沈冰,任波,陆伟.基于微电网的需求响应优化策略[J].电力系统保护与控制,2018,46(11):124-130.
[24]陈沧杨,胡博,谢开贵,万凌云,向彬.计入电力系统可靠性与购电风险的峰谷分时电价模型[J].电网技术,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,刘洪,曾平良.计及需求侧响应及区域风光出力的电动汽车有序充电对电网负荷曲线的影响[J].电网技术,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,刘世林,陈其工,高文根,张春.考虑电动汽车充电和需求侧响应的光伏微电网多目标优化调度[J].电力系统及其自动化学报,2018,30(01):88-97.