冷热电联供微电网多目标优化调度与灰狼算法改进

1. 冷热电联供型微电网调度优化概述

冷热电联供（CCHP）系统作为分布式能源供应的重要形式，通过能量梯级利用显著提升了能源效率。我在参与某工业园区微电网项目时，实测发现传统分供系统的综合能源利用率仅为45%左右，而采用CCHP系统后提升至75%以上。这种系统将燃气轮机发电产生的余热用于供热和制冷，实现了能源的"温度对口、梯级利用"。

当前微电网调度面临的核心矛盾是经济性与环保性的多目标优化问题。在2022年参与的某商业综合体项目中，我们对比了三种典型调度策略：纯经济调度、纯低碳调度以及本文讨论的多目标优化调度。实测数据显示，多目标优化方案在保证运行成本增加不超过8%的前提下，可实现碳排放减少23%的效果。

2. 多目标灰狼算法原理与改进

2.1 标准灰狼算法框架

灰狼优化算法(GWO)模拟狼群社会等级和狩猎行为，包含以下核心机制：

1. 社会等级划分：

   • α狼（最优解）
   • β狼（次优解）
   • δ狼（第三优解）
   • ω狼（候选解）

2. 狩猎行为建模：

matlab复制% 包围机制数学表达
D = |C·X_p(t) - X(t)|  % 距离计算
X(t+1) = X_p(t) - A·D  % 位置更新

其中A和C为系数向量，X_p为猎物位置。

2.2 算法改进策略

在微电网调度场景中，我们对标准GWO做了三项关键改进：

1. 动态权重机制：

matlab复制w_alpha = 0.5 + 0.3*cos(pi*t/T_max);  % α狼权重
w_beta = 0.3 - 0.1*sin(pi*t/T_max);   % β狼权重 
w_delta = 0.2 - 0.2*cos(pi*t/T_max);  % δ狼权重

2. 约束处理技术：

   • 采用修复策略处理蓄电池SOC约束：

   matlab复制if Soc > 25 || Soc < 5
       Soc = min(max(Soc,5),25);  % 边界截断
       P_bat = 0;  % 功率归零
   end
   

3. 精英保留策略：

   • 每代保留Pareto前沿的非支配解
   • 采用拥挤距离保持解集多样性

3. 微电网调度模型构建

3.1 目标函数设计

我们建立双目标优化模型：

1. 经济性目标：

matlab复制function f1 = EconomicCost(P_MT, P_grid)
    C_fuel = sum( a*P_MT.^2 + b*P_MT + c );  % 燃料成本
    C_grid = sum( Price_t.*P_grid );         % 购电成本
    f1 = C_fuel + C_grid;
end

2. 环保性目标：

matlab复制function f2 = CarbonEmission(P_MT, P_grid)
    E_MT = sum( α*P_MT );          % 燃气轮机排放
    E_grid = sum( β_t.*P_grid );   % 电网购电排放
    f2 = E_MT + E_grid;
end

3.2 设备建模

1. 微型燃气轮机模型：

matlab复制function [P_MT, H_MT] = MT_model(P_fuel)
    η_MT = 0.35;       % 发电效率
    K_heat = 0.45;     % 余热系数
    P_MT = η_MT * P_fuel;
    H_MT = K_heat * (1-η_MT) * P_fuel;
end

2. 蓄电池模型：

matlab复制SOC(t+1) = SOC(t) + (η_ch*P_ch - P_dis/η_dis)*Δt/Capacity

4. Matlab实现关键代码解析

4.1 算法主框架

matlab复制% 灰狼种群初始化
GreyWolves = lb + (ub-lb).*rand(GreyWolves_num, nVar); 

for it = 1:MaxIt
    a = 2 - it*(2/MaxIt);  % 收敛因子
    
    % 评估种群适应度
    for i = 1:GreyWolves_num
        [Cost, Carbon] = evaluate(GreyWolves(i,:));
        GreyWolves(i,nVar+1) = Cost;
        GreyWolves(i,nVar+2) = Carbon;
    end
    
    % 更新α、β、δ狼
    [Archive, Alpha, Beta, Delta] = UpdateLeaders(Archive, GreyWolves);
    
    % 位置更新
    GreyWolves = UpdatePositions(GreyWolves, Alpha, Beta, Delta, a);
end

4.2 多目标处理核心代码

matlab复制function [Archive] = UpdateArchive(Archive, NewSolutions)
    % 合并新旧解集
    Combined = [Archive; NewSolutions];  
    
    % 非支配排序
    [Fronts,~] = NDSort(Combined(:,end-1:end), Inf);
    
    % 精英保留
    Archive = Combined(Fronts==1,:);
    
    % 拥挤距离排序
    if size(Archive,1) > Archive_size
        CD = CrowdingDistance(Archive(:,end-1:end));
        [~,idx] = sort(CD,'descend');
        Archive = Archive(idx(1:Archive_size),:);
    end
end

5. 实际应用案例分析

5.1 某园区微电网测试场景

系统配置：

• 2台65kW燃气轮机
• 100kWh锂电池储能
• 200kW电网连接容量
• 冷热电负荷曲线见图1

优化结果对比：

5.2 典型调度策略分析

1. 峰时段策略（10:00-12:00）：

   • 燃气轮机满功率运行
   • 蓄电池放电补偿功率缺额
   • 购买少量电网电力

2. 谷时段策略（00:00-06:00）：

   • 燃气轮机最低技术出力运行
   • 蓄电池充电存储低价电能
   • 主要从电网购电

6. 工程实践中的关键问题

6.1 算法参数调优经验

1. 种群规模选择：

   • 50-100个个体适合大多数微电网场景
   • 复杂系统建议100-200个体

2. 收敛因子调整：

matlab复制% 改进的非线性收敛因子
a = a_initial*(1 - (it/MaxIt)^0.5);

3. 约束处理技巧：
   • 对连续变量采用边界吸收法
   • 对离散变量采用最近邻舍入法

6.2 实际工程调试建议

1. 数据预处理：

   • 负荷数据需进行3σ法则去噪
   • 价格信号采用移动平均平滑

2. 模型验证步骤：

   • 先验证单设备模型精度
   • 再测试整体系统能量平衡
   • 最后进行多场景优化验证

3. 硬件在环测试：

matlab复制% 实时仿真接口配置
set_param('Microgrid/HIL','SimulationMode','normal');

7. 算法性能对比研究

我们选取三种典型算法进行对比测试：

测试环境：Matlab R2021a，Intel i7-11800H，32GB RAM

8. 未来改进方向

1. 考虑不确定性因素：

   • 采用鲁棒优化处理风光出力波动
   • 引入场景分析法处理价格不确定性

2. 多时间尺度优化：

   • 日前调度与实时调度结合
   • 滚动优化框架设计

3. 机器学习加速：

matlab复制% 深度Q网络训练流程
agent = rlDQNAgent(obsInfo, actInfo);
trainOpts = rlTrainingOptions('MaxEpisodes',1000);
trainingStats = train(agent,env,trainOpts);

在实际项目中，我们发现算法在考虑设备启停成本后，优化结果更贴近工程实际。建议在目标函数中加入以下项：

matlab复制C_startup = sum( S_u*(u(t)-u(t-1))>0 ) + sum( S_d*(u(t-1)-u(t))>0 );