基于鸟群算法的微电网多目标运行优化

摘要：为了在微电网的运行中寻找到最理想的调度策略，对于微电网的多目标优化问题，采用传统智能算法求解易陷入局部最优而难于找到全局最优解，因此采用一种生物启发式算法——鸟群算法，对以运行成本及环境污染度为目标的微电网多目标优化模型进行求解。

研究背景

为了在微电网的运行中寻找到最理想的调度策略，对于微电网的多目标优化问题，采用传统智能算法求解易陷入局部最优而难于找到全局最优解，因此采用一种生物启发式算法——鸟群算法，对以运行成本及环境污染度为目标的微电网多目标优化模型进行求解。该算法模仿鸟群觅食、警觉、迁移的习性，生成对应的种群更新策略，兼具粒子群算法搜索效率高和微分进化算法稳定性好的优点。通过与两者寻优结果比较，表明该算法具有较强的全局、局部搜索能力且收敛鲁棒性好的特点。

研究概述

随着国民经济的迅猛发展，用电负荷逐年增加，传统一次能源(煤、石油、天然气)日益枯竭，新型可再生能源(风能、太阳能、潮汐能、生物质能等)得到越来越广泛的使用。各种分布式电源的接入给电力系统注入了新鲜的血液，但是由于天气原因，风机和光伏出力具有明显的间歇性和不确定性，对原电力网络的电能质量和供电可靠性带来一定的影响,为解决这一问题，微电网应运而生。

目前，针对微电网的优化问题研究主要集中在微电网的经济性，环保性和可靠性方面，采用遗传算法、粒子群算法、微分进化算法等群智能优化算法对模型进行求解。对于具有高度复杂性和不确定性而需要深度寻优的微网多目标优化运行来说，采用传统智能算法往往会导致寻优不彻底而陷入早熟，从而寻找不到全局最优解，因此，构造高效又精确的算法显得至关重要。

鸟群算法(BirdSwarmAlgorithm,BSA)是一种生物启发式智能算法，它的进化过程模拟鸟类觅食、警觉和迁移的行为。本文采用PSO、DE和BSA对微电网的多目标优化问题进行求解，并对所得结果的Pareto前沿进行对比分析，体现出BSA良好的全局和局部搜索能力，可为其他优化问题提供参考。

微电网多目标优化模型

本文首先建立了微型燃气轮机和柴油发电机燃烧成本模型，在最大限度地利用风能和光能等清洁能源的前提下，通过对MT和DE的出力、低压配电网传输功率及储能电池充放电策略进行优化，使微电网的运行最经济环保。

运行成本是衡量微电网经济运行的重要指标，主要包含机组的燃料成本、维护成本及低压配电网购电成本。同时，随着可持续发展战略的贯彻实施，环境效益也日益受到重视。本文定义污染度用以衡量MT、DE及从低压配电网吸收功率等效排放的CO2、SO2、NOx等污染气体对环境的危害程度。由于PV和WT新能源机组运行中不产生污染气体，因此不考虑其污染度。

此外，微电网的运行必须满足一系列的约束条件，包括功率平衡约束、微电源出力约束、联络线传输功率约束、爬坡速率约束和储能电池充放电约束等。

鸟群算法

基本原理

鸟群算法是由Xian-BingMeng等人根据自然界鸟群觅食、警觉和迁移等生物行为于2015年提出的一种新型生物启发式算法。该算法具有分散搜索，保持种群多样性，避免陷入局部最优的特点，其模仿的生物行为可简化为如下规则：

(1)每一只鸟自由选择觅食或保持警觉行为。