交直流混合微电网多场景优化调度与BAS-NSGA-II算法应用

1. 交直流混合微电网优化调度问题概述

交直流混合微电网作为新型电力系统的重要组成部分，其优化调度面临着多重挑战。与传统的交流微电网相比，交直流混合微电网在结构上同时包含交流母线和直流母线，通过双向AC/DC变换器实现功率交换，这种架构带来了更高的运行灵活性和能源利用效率，但也使得调度问题更加复杂。

在实际运行中，交直流混合微电网需要应对三个主要方面的不确定性：可再生能源发电的间歇性（如风电、光伏）、负荷需求的波动性，以及电网交互功率的变化。这些不确定性因素使得传统的确定性优化方法难以适用，必须采用多场景优化技术来考虑各种可能的运行状态。

提示：多场景优化的核心思想是通过概率方法生成大量可能的运行场景，再通过聚类等降维技术提取典型场景，最终在保证计算效率的同时充分考虑系统运行的不确定性。

2. 多场景建模与处理方法

2.1 拉丁超立方抽样(LHS)场景生成

拉丁超立方抽样是一种分层随机抽样技术，相比简单的蒙特卡洛抽样，它能在相同样本量下提供更好的空间覆盖度和收敛性。在微电网优化中，我们主要对以下变量进行场景生成：

1. 风电出力场景：基于历史风速数据的Weibull分布参数
2. 光伏出力场景：考虑天气类型(晴、多云、阴、雨)的概率转移矩阵
3. 负荷需求场景：根据用户类型(居民、商业、工业)建立不同的概率模型

LHS的实现步骤包括：

1. 对每个输入变量确定概率分布函数
2. 将每个变量的累积概率分布划分为N个等概率区间
3. 在每个区间内随机抽取一个样本值
4. 对不同变量的样本值进行随机配对

2.2 K-means++场景削减技术

通过LHS生成的场景数量可能达到数千个，直接用于优化将导致"维数灾难"。K-means++聚类算法可以有效地将大量场景缩减为几个典型场景，同时保留原始场景集的统计特性。

K-means++与传统K-means的主要区别在于初始聚类中心的选取策略：

1. 随机选择第一个聚类中心
2. 计算每个样本点与已选中心的最近距离D(x)
3. 按照D(x)²的概率选择下一个中心
4. 重复直到选出k个初始中心
5. 执行标准K-means聚类

在微电网应用中，场景距离度量通常采用欧氏距离或马氏距离，目标函数是最小化场景内方差之和：

$$
J = \sum_{i=1}^k \sum_{x \in C_i} ||x - \mu_i||^2
$$

其中，$C_i$表示第i个聚类，$\mu_i$是该聚类的中心。

3. 多目标优化模型构建

3.1 目标函数设计

交直流混合微电网优化调度需要考虑三个相互冲突的目标：

1. 经济性目标：最小化总运行成本
   $$
   f_1 = \sum_{t=1}^T \left( \sum_{i=1}^{N_g} C_{i}^{gen}(P_{i,t}) + C_t^{grid}P_t^{grid} + C^{batt}|P_t^{batt}| \right)
   $$
   其中，$C_{i}^{gen}$是第i个发电机的成本函数，通常为二次函数；$P_t^{grid}$是与主网的交换功率；$P_t^{batt}$是储能充放电功率。

2. 环保性目标：最小化碳排放量
   $$
   f_2 = \sum_{t=1}^T \left( \sum_{i=1}^{N_g} E_i P_{i,t} + E^{grid} P_t^{grid} \right)
   $$
   $E_i$和$E^{grid}$分别是发电机和电网的碳排放强度系数。

3. 可再生能源消纳目标：最大化清洁能源利用率
   $$
   f_3 = -\sum_{t=1}^T \left( \frac{P_t^{wind} + P_t^{pv}}{P_t^{wind,max} + P_t^{pv,max}} \right)
   $$

3.2 约束条件

1. 功率平衡约束：

   • 交流母线：$\sum P_{ac}^{gen} + P_{ac}^{grid} + P_{conv}^{ac} = P_{ac}^{load}$
   • 直流母线：$\sum P_{dc}^{gen} + P_{dc}^{batt} + P_{conv}^{dc} = P_{dc}^{load}$

2. 设备运行约束：

   • 发电机出力上下限：$P_i^{min} \leq P_{i,t} \leq P_i^{max}$
   • 储能SOC限制：$SOC^{min} \leq SOC_t \leq SOC^{max}$
   • 变换器容量：$|P_t^{conv}| \leq P^{conv,max}$

3. 网络约束：

   • 交流潮流方程
   • 直流网络电压限制

4. BAS-NSGA-II混合算法设计

4.1 天牛须搜索(BAS)算法原理

BAS是一种受天牛觅食行为启发的智能优化算法，其核心思想是通过模拟天牛触须感知气味强度的方式确定搜索方向。算法流程如下：

1. 初始化天牛位置$x$和搜索步长$\delta$
2. 生成左右触须位置：
   $$
   \begin{cases}
   x_r = x + l \cdot d \
   x_l = x - l \cdot d
   \end{cases}
   $$
   其中$d$是随机方向向量，$l$是触须长度
3. 根据适应度值比较确定移动方向：
   $$
   x = x + \delta \cdot sign(f(x_r)-f(x_l)) \cdot d
   $$
4. 更新步长：$\delta = \eta \cdot \delta$，$\eta$为衰减系数

BAS算法的优势在于计算简单、无需梯度信息，且单个个体即可完成搜索，特别适合作为局部搜索算子嵌入其他算法中。

4.2 NSGA-II算法改进

标准NSGA-II算法通过快速非支配排序和拥挤度比较维持种群多样性，但在处理高维复杂问题时容易陷入局部最优。BAS的引入主要在以下方面改进NSGA-II：

1. 变异操作增强：在常规多项式变异后，对个体施加BAS搜索

   matlab复制% 伪代码示例
   for i = 1:population_size
       % 标准变异
       offspring(i) = mutate(parent(i)); 
       % BAS局部搜索
       [f_left, f_right] = evaluate_antenna(offspring(i));
       if f_left < f_right
           offspring(i) = offspring(i) + step_size * direction;
       else
           offspring(i) = offspring(i) - step_size * direction;
       end
       step_size = step_size * decay_rate;
   end
   

2. 精英保留策略优化：在合并父代和子代种群时，对临界个体(即将被淘汰的非支配前沿个体)进行BAS优化，提高其竞争力

3. 自适应步长调整：根据种群进化状态动态调整BAS步长

   • 初期：大步长增强全局探索
   • 后期：小步长精细局部开发

5. MATLAB实现关键技术与代码解析

5.1 多场景处理模块

matlab复制function [scenarios, probabilities] = scenario_generation(renewable_data, load_data, num_scenarios)
    % 输入：可再生能源历史数据、负荷历史数据、所需场景数
    % 输出：典型场景集及其概率
    
    % 1. 拉丁超立方抽样
    num_samples = 1000; % 初始生成1000个场景
    lhs_samples = lhsdesign(num_samples, 48); % 24小时风电+24小时光伏
    
    % 转换为实际功率值
    wind_scenarios = quantile(renewable_data.wind, lhs_samples(:,1:24));
    pv_scenarios = quantile(renewable_data.pv, lhs_samples(:,25:48));
    
    % 2. K-means++聚类
    all_scenarios = [wind_scenarios, pv_scenarios];
    [cluster_idx, centroids] = kmeanspp(all_scenarios, num_scenarios);
    
    % 3. 计算场景概率
    scenarios = centroids;
    counts = histcounts(cluster_idx, 1:num_scenarios+1);
    probabilities = counts / num_samples;
end

5.2 BAS-NSGA-II主算法框架

matlab复制function [pareto_front, pareto_set] = bas_nsga2(problem, params)
    % 初始化种群
    population = initialize_population(params.pop_size, problem);
    
    for gen = 1:params.max_gen
        % 评价种群
        [pop_fitness, pop_constraints] = evaluate(population, problem);
        
        % 快速非支配排序
        [fronts, ranks] = non_dominated_sort(pop_fitness);
        
        % 计算拥挤度
        crowding_dist = crowding_distance(pop_fitness, fronts);
        
        % 选择、交叉、变异
        offspring = genetic_operators(population, ranks, crowding_dist);
        
        % BAS局部搜索
        offspring = bas_search(offspring, problem, params.bas_step);
        
        % 合并种群
        combined_pop = [population; offspring];
        
        % 环境选择
        population = environmental_selection(combined_pop, params.pop_size);
    end
    
    % 提取Pareto前沿
    pareto_front = pop_fitness(fronts{1},:);
    pareto_set = population(fronts{1},:);
end

5.3 需求响应模块实现

需求响应通过价格弹性矩阵建模负荷对电价的响应：

matlab复制function adjusted_load = demand_response(original_load, price_change)
    % 输入：原始负荷曲线、电价变化率
    % 输出：调整后负荷曲线
    
    % 定义价格弹性矩阵
    elasticity = [-0.1 0.02 0.01;
                  0.03 -0.15 0.02;
                  0.01 0.02 -0.12];
    
    adjusted_load = zeros(size(original_load));
    for t = 1:24
        % 计算各时段负荷变化率
        load_change = elasticity * price_change(t,:)';
        adjusted_load(t) = original_load(t) * (1 + load_change);
    end
end

6. 案例分析与结果讨论

6.1 测试系统配置

以华北某交直流混合微电网示范工程为例，系统配置如下：

6.2 优化结果分析

通过BAS-NSGA-II算法得到的Pareto前沿如下图所示：

典型运行方案对比：

算法性能对比：

6.3 典型问题与解决方案

1. 问题：算法早期收敛过快，种群多样性下降

   • 解决方案：引入动态BAS步长调整策略，初期增大探索范围

   matlab复制bas_step = initial_step * (1 - gen/max_gen)^2;
   

2. 问题：某些场景下储能SOC越限

   • 解决方案：在约束处理中增加储能SOC的惩罚项

   matlab复制penalty = max(0, SOC - SOC_max) + max(0, SOC_min - SOC);
   fitness = original_fitness + 1e6 * penalty;
   

3. 问题：交直流潮流计算不收敛

   • 解决方案：采用松弛变量法处理潮流方程

   matlab复制% 交流潮流方程加入松弛变量
   P_inj - P_calc = slack_variable;
   constraints = [constraints, slack_variable >= 0];
   

7. 工程实践建议

1. 参数调优经验：

   • BAS步长初始值设为解空间范围的10%-20%
   • NSGA-II的交叉概率建议0.8-0.9，变异概率0.1-0.2
   • 种群规模一般设置为决策变量数的10-15倍

2. 计算效率优化：

   • 采用并行计算评估种群适应度
   • 对潮流计算等耗时操作使用近似模型
   • 实现代码向量化，避免循环操作

3. 实际部署考虑：

   • 建立场景库定期更新，适应季节变化
   • 设计滚动优化框架，应对实时预测误差
   • 保留人工干预接口，确保系统安全

在微电网示范工程的实际应用中，BAS-NSGA-II算法表现出良好的实时性，在普通工作站上完成24小时调度优化平均耗时约3分钟，满足工程应用的时效性要求。通过半年的运行统计，相比人工经验调度，优化调度方案平均降低运行成本17.2%，提高可再生能源利用率15.8%，验证了算法的实用价值。