CN103217900A - 基于实时电价的中压微网混沌pso最优潮流实现方法 - Google Patents

Abstract

基于实时电价的中压微网混沌PSO最优潮流实现方法，分析了传统最优潮流算法在微网应用中存在的问题，并提出自适应惯性权重混沌PSO最优潮流算法。在传统PSO的基础上推导了改进自适应惯性权重因子并给出混沌PSO的具体实现方法。该算法以微网24小时运行费用最小为目标，考虑与大电网可双向潮流交换的微网经济成本方程、可中断负荷、包含能量流失的蓄电池运行约束方程、环境和健康等因素，结合某电力市场的实时电价和通过负荷预测获取的负荷曲线，在满足负荷需求的前提下，实现可中断负荷、蓄电池、DER与大电网功率的经济共享。

Description

基于实时电价的中压微网混沌PSO最优潮流实现方法

技术领域：

本发明项目涉及一种基于实时电价的中压微网混沌PSO最优潮流实现方法。

背景技术：

本世纪初，美国学者提出微网概念并迅速引起业界重视。DER以微网形式接入大电网、与大电网互为支撑成为新型电网架构，倍受关注。微网并网且充分发挥DER的优势，必须解决微网稳定性、可靠性、并网控制、能量管理、优化规划、经济运行等一系列问题。其中，微网运行的经济性正是吸引用户并得到推广的关键所在。目前虽存在较多与智能算法相结合的微网经济调度算法，如和神经网络、遗传算法、蚁群算法结合的微网经济调度算法，不但算法收敛较慢较差，而且涉及健康、环保和经济三者综合却几乎很少。并且，能够考虑蓄电池、燃料电池和可中断负荷这一更符合实际情况的调度算法也少之又少。

发明内容

本发明要解决现有微网调度方法收敛慢、涉及健康、环保和经济三者综合少、未考虑蓄电池、燃料电池和可中断负荷的缺点，提供一种考虑全面、收敛快的微网实现方法。

本发明项目的实现步骤如下所述：

（1）静态数据准备阶段

1.1)   介于本项目的目标函数为：

H=αCost_eco+βCost_emv+γCost_hea               （1）

$\begin{array}{c}{\mathrm{Cost}}_{\mathrm{eco}}=\underset{t=1}{\overset{24}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(\frac{P_{\mathrm{Gi},t}}{{\mathrm{\η}}_i}{C}_{\mathrm{run},i}+P_{\mathrm{Gi},t}{C}_{\mathrm{om},i})+\underset{t=1}{\overset{24}{\mathrm{\Σ}}}(C_{\mathrm{buy},t}\frac{\left|P_{\mathrm{ex},t}\right|+P_{\mathrm{ex},t}}{2}-C_{\mathrm{sel},t}\frac{\left|P_{\mathrm{ex},t}\right|+P_{\mathrm{ex},t}}{2})\\ +\underset{t=1}{\overset{24}{\mathrm{\Σ}}}(C_{\mathrm{exr},t}{P}_{\mathrm{exr},t}-C_{\mathrm{int},t}{P}_{\mathrm{int},t})\end{array}---\left(2\right)$

${\mathrm{Cost}}_{\mathrm{emv}}=\underset{t=1}{\overset{24}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(K_{\mathrm{emi},i}\frac{P_{\mathrm{Gi},t}}{{\mathrm{\η}}_i}{C}_{\mathrm{emi},i}\right)---\left(3\right)$

${\mathrm{Cost}}_{\mathrm{hea}}=\underset{t=1}{\overset{24}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(K_{{\mathrm{PM}}_{10},i}\frac{P_{\mathrm{Gi},t}}{{\mathrm{\η}}_i}{C}_{{\mathrm{PM}}_{10}}\right)---\left(4\right)$

其中：

α、β、γ分别表示经济因素、环境因素、健康因素的惩罚因子，即各个因素占微网运行所考虑的总成本所占的比重。

Cost_eco、Cost_emv、Cost_hea分别表示经济成本、环境成本和健康成本，单位为元。

η 为各分布式电源(DG)的发电效率，

P_Gi,t为各DG在第t时刻发出的有功功率。

i为DG种类，包括光伏(PV)、风电(WT)、电池(BAT)、燃料电池(FC)和微汽轮机(GT) ，n为DG的总数量；

C_run,i 为各DG的运行费用，如FC的天然气价格，GT的燃料价格，PV、WT和BAT的价格为0；

C_om为第i台DG的维护费用；

C_buy,t 为从大电网购电的实时电价；

C_sel,t 为向大电网售电的电价；

P_ex,t 为在第t时刻与大电网交换的电功率，若购电则为正，售电则为负；

P_exr,t 为第t时刻供给可中断负荷的有功功率；

P_int,t 为第t时刻可中断负荷被切除的有功功率；

C_exr,t 为第t时刻向可中断负荷售电的电价；

C_int,t为第t时刻对可中断负荷所补偿的电价。

K_emi,i为第i台DG所排放的废气，单位为kg/kW；

C_emi,i为每排放1kg废气所需要交纳的排放费用，单位为元/kg。

K_PM10,i第i台DG排放的PM10的量，单位为kg/kW；

C_PM10 为每排放1公斤 PM10所需要交纳的排放费用，单位为元/kg。

因此，根据用户对经济性、环保性、健康性的不同需求，选择相应的惩罚因子参数，即不同的α、β、γ值。

1.2）  通过神经网络算法，根据当天的实际情况，对当天24小时的实时电价进行预测，并构建相应的Cost变量。

1.3） 根据该微网或中低压系统的线路参数构建Linedata变量，所述的Linedata变量为：

始节点 末节点 电阻  电抗  电容

1.4）根据微网或中低压系统中各个分布式电源的发电量上下限值构建Pg_limits，各个分布式电源的效率值η_i以及上述所提及的其他各类静态参数。

1.5）根据当前时间段和前几个时间段的负荷值，以及当天的天气等所掌握的数据，通过负荷预测的手法，预测出当天24小时的负荷预测值，构建P_D,t。

其中：

P_D,t代表通过第t时刻以及t时刻以前的负荷值所预测出的当天24小时各个时间段的负荷值。

（2）最优潮流粒子群算法初始化阶段

2.1) 初始化种群位置、速度以及Hvalue。

随机定义种群粒子的初始位置向量Arrpresent和初始速度向量V（注：由于初始速度向量的定义方法和初始位置向量方法基本一致，只是其各类值所取的大小相对较小，因此后面只以位置向量为例进行初始化说明，初始速度向量的初始化方法不再累述）。其中，不同的粒子(pop值)代表着各个时刻系统不同的运行方案；每个粒子的不同维度值(part值)包含了各个节点的电压幅值和分布式电源、大电网侧的有功功率值以及根据相应目标函数（1）计算得出的初始适应值Hvalue (记为H)；所述的Arrpresent变量为：

$\mathrm{Arrpresent}={\left[\begin{array}{c}{\mathrm{arrpresen}}_1\\ {\mathrm{arrpresen}}_2\\ .\\ .\\ .\\ {\mathrm{arrpresen}}_t\\ .\\ .\\ .\\ {\mathrm{arrpresen}}_{24}\end{array}\right]}_{24\×1}$

$\begin{array}{cccc}{\mathrm{part}}_1& ...& {\mathrm{part}}_j& {\mathrm{part}}_{j+1}\end{array}$

${\mathrm{arrpresen}}_t=\begin{array}{c}{\mathrm{pop}}_1\\ {\mathrm{pop}}_2\\ .\\ .\\ .\\ {\mathrm{pop}}_i\end{array}{\left[\begin{array}{ccccccc}{V}_{\mathrm{1,1}}& ...& V_{1,n}& P_{1,G1}& ...& P_{1,\mathrm{Gm}}& H_1\\ V_{\mathrm{2,1}}& ...& V_{2,n}& P_{2,G1}& ...& P_{2,\mathrm{Gm}}& H_2\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ V_{i,1}& ...& V_{i,n}& P_{i,G1}& ...& P_{i,\mathrm{Gm}}& H_i\end{array}\right]}_{i\×j}$

其中

arrpresen_t 代表在t时刻，第i个粒子的位置值。

pop_i 代表在t时刻，第i个粒子的位置值

part_j 代表在t时刻，各个例子的位置的维度值

V_i,n   代表在t时刻，微网中各个节点的电压值

P_i,Gm 代表各个分布式电源及大电网侧的有功功率值。

H_i 代表在t时刻，各个例子的适应值，即根据目标函数（1）所得出的值

并且，在随机初始化定义位置值时，必须满足以下几个约束变量。

1）P_i,Gm,t在随机定义值时，必须满足Pg_limits,t变量中各个分布式电源有功功率的上下限值的约束。即必须满足约束条件

P_i,min≤P_i,t≤P_i,max                        （10）

P_i,min、P_i,max为t时刻PV、WT、GT有功出力最小、最大限值。

实现方法为：在各自的有功出力上下限值内，随机产生各自的有功出力。

2）燃料电池P_Fc,t在随机定义初始值时，必须满足约束条件

P_FC,min≤P_FC,t≤P_FC,max                     （11）

ΔP_FC,down≤P_FC,t-P_FC,t-1≤P_FC,up               （12）

P_FC,min、P_FC,max为t时刻FC的有功出力最小、最大限值；

ΔP_FC,down、ΔP_FC,up为FC单位时间段内功率最大减少量和最大增发量。

实现方法为：在其Pg_limits,t的有功功率上下限值内随机生成各个时刻的有功功率值P_Fc,t，检验其是否满足约束条件，若不满足，则再次随机生成。

3）对于蓄电池的有功功率值P_Bat,t，其必须满足约束条件

_BAT,min＜|P_BAT,t|＜P_BAT,max                      （5）

$W_{\mathrm{BAT},\min }<W_{\mathrm{ini}}-\underset{t=1}{\overset{j}{\mathrm{\&Sigma;}}}{P}_{\mathrm{BAT},t}T<W_{\mathrm{BAT},\max }---\left(6\right)$

$\mathrm{\&lambda;}[\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}(25-t)P_{\mathrm{BAT},t}T+24W_{\mathrm{ini}}]=\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}{P}_{\mathrm{BAT},t}\mathrm{Tj}=1,...,24---\left(7\right)$

P_BAT,t为蓄电池t时刻充放电功率，负值代表充电，正值代表放电；

P_BAT,min、P_BAT,max 为蓄电池充放电时允许的最小、最大功率；

W_ini、W_BAT,min、W_BAT,max  为蓄电池的初始、最小、最大存储能量；

T  为单位时间；

λ为蓄电池的能量损失系数。

实现方法为：随机生成的值不满足要求，则根据相应的算法进行调整，直至满足约束条件。

4）微网中各个节点的电压在随机定义初始值时，必须满足约束条件

V_i,min≤V_i≤V_i,maxi=1,…,m                 （13）

δ_i,min≤δ_i≤δ_i,maxi=1,…,m                 （14）

V_i、V_i,min、V _i,max为微网中各节点的实际电压幅值、允许的电压最小和最大幅值；

δ_i、δ_i,min、δ_i,max为微网中各节点的实际相角、允许的相角最小和最大值；

实现方法为：在其电压幅值的上下限值内随机生成各个时刻的各个节点的电压幅值。

2.2）初始化pbest以及gbest变量。

在对各个粒子的初始位置进行初始化后，再依据目标函数（1）进行计算，取出H值最小的一组粒子，即得到粒子群算法中Pbest变量值以及Gbest变量值初始值。

（3）最优潮流粒子群算法迭代计算阶段

3.1）种群位置以及速度更新。

根据粒子群算法各个粒子的速度以及位置函数，对各个时刻每个粒子的速度以及位置值进行更新。所采用的速度以及位置的更新函数如下所示：

$h=\frac{\min (H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}-1}\right),H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}}\right))}{\max (H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}-1}\right),H({\mathrm{gbest}}_{I_{\mathrm{ter}}}\left)\right)}---\left(15\right)$

$s=\frac{\min (H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}-1}\right),H_{I_{\mathrm{ter}}})}{\max (H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}-1}\right),H_{I_{\mathrm{ter}}})}---\left(16\right)$

$H_{I_{\mathrm{ter}}}=\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\&Sigma;}}}H\left(x_{I_{\mathrm{ter}}}\left(i\right)\right)---\left(17\right)$

$\mathrm{\&omega;}={\mathrm{\&omega;}}_{\max }-\frac{{\mathrm{\&omega;}}_{\max }-{\mathrm{\&omega;}}_{\mathrm{ini}}+h{\mathrm{\&omega;}}_h-s{\mathrm{\&omega;}}_s}{I_{\mathrm{ter},\max }}{I}_{\mathrm{ter}}---\left(18\right)$

v_t=wv_t′+C₁·R·(pbest_t-arrpresent_t)+C₂·R·(gbest_t-arrpresent_t)

arrpresent_t=arrpresent_t+V_t（19）

其中

w  代表自适应权重，即根据（15），（16），（17），（18）计算所得的权重值。

ω_ini,ω_max,ω_max,ω_h,ω_h分别是惯性权重的初始设定值、初始设定最大值、进化速度因子的设定值、聚集度因子的设值，按经验设定，一般为0.5，0.9，0.4，0.1。

X_Iter(i)是粒子i当前的迭代次数Iter的位置。

N 是粒子群体规模、

H( ) 是适应值函数（即目标函数）。

v_t′  代表速度的上一次迭代值。

C₁ ，C₂ 代表学习因子，自行取值。

R    代表随机产生0~1之间数字的随机函数。

然后对燃料电池Fc和蓄电池的有功功率值进行检验，看其是否满足相应的约束条件，若不满足，则根据相应的调整算法，对其随机值做相应的调整使满足约束条件。

3.2）构建Busdata变量。

将各个粒子的初始位置存入用于牛顿—拉夫逊计算法的节点数据变量Busdata中，所述的Busdata变量如下所示：

$\mathrm{Busdata}={\left[\begin{array}{c}{\mathrm{busdata}}_1\\ {\mathrm{busdata}}_2\\ .\\ .\\ .\\ {\mathrm{busdata}}_t\\ .\\ .\\ .\\ {\mathrm{busdata}}_{24}\end{array}\right]}_{24\&times;1}$

电压     负 载     发电机       发电机无功

节点号  类型  幅值 角度 有功 无功 有功  无功  最大值   最小值

${\mathrm{busdata}}_t={\left[\begin{array}{cccccccccc}{\mathrm{nod}}_1& {\mathrm{type}}_1& V_1& {\mathrm{\&delta;}}_1& P_1& Q_1& P_{G1}& Q_{G1}& Q_{G1\min }& Q_{G1\max }\\ {\mathrm{nod}}_2& {\mathrm{type}}_2& V_2& {\mathrm{\&delta;}}_2& P_2& Q_2& P_{G2}& Q_{G2}& Q_{G2\min }& Q_{G2\max }\\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ {\mathrm{nod}}_n& {\mathrm{type}}_n& V_v& {\mathrm{\&delta;}}_n& P_n& Q_n& P_{\mathrm{Gn}}& Q_{\mathrm{Gn}}& Q_{\mathrm{Gi}\min }& Q_{\mathrm{Gi}\max }\end{array}\right]}_{n\&times;10}$

其中

节点类型取值为0,1,2，0代表平衡节点；1代表负荷节点，即PQ节点；2代表发电机节点，即PV节点。若第i个节点为负荷节点，则P_Gi，Q_Gi均为0。

3.3）根据目标函数计算Hvalue。

根据Busdata以及Linedata变量，通过牛顿—拉夫逊迭代法进行潮流计算，并得出线路的潮流分布，并计算得出与大电网侧的交换功率P_ex与线路损耗值P_L，表述为

$P_{\mathrm{ex}}={\left[\begin{array}{c}{P}_{\mathrm{ex},1}\\ P_{\mathrm{ex},2}\\ .\\ .\\ .\\ P_{\mathrm{ex},t}\\ .\\ .\\ .\\ P_{\mathrm{ex},24}\end{array}\right]}_{24\&times;1}$

$P_L={\left[\begin{array}{c}{P}_{L,1}\\ P_{L,2}\\ .\\ .\\ .\\ P_{L,t}\\ .\\ .\\ .\\ P_{L24}\end{array}\right]}_{24\&times;1}$

其中，P_ex,t，P_L,t代表第t时刻通过牛拉法计算得到的与大电网交换的功率和线路损耗功率。

然后根据目标函数（公式（1）），计算各个时刻各个粒子的H值，并相应的存入Arrpresent变量中第j+1列。

3.4）更新P_best，G_best，Best_record

通过比较每个粒子的H值，若小于原先储蓄于P_best中的值，说明更新位置后的运行方案更加经济，则更新P_best值。并且取所有例子P_best值中最小的值更新G_best，并储存于历代最优值储存变量Best_record中。

3.5）测试所得到的结果是否达到收敛的精度要求，若满足，则进入下一步；若不满足，则重新进行步骤3.1）。

（4）PSO混沌计算

4.1）进行PSO混沌

4.1.1）混沌的初始化：随机产生2组n个m维（输入算法的各个节点参量的个数）、数值大小在0-1之间的向量——坐标混沌向量：Z_i=(z_i1,z_i2,…,z_im)和扰动因子混沌向量U_i=(u_i1,u_i2,…,u_im)。

4.1.2）混沌的映射：根据处于完全混沌状态的Logistic映射，Z_i+1=4z_i(1-z_i), i=0,1,2,…，得出n个新的向量Z'₁，Z'₂，…，Z'_n。并将Z_i的各个分量z_ij映射到每个参量的取值范围: x_ij=a_j+(b_j-a_j)z_ij，j=1,2,…,m; i=1,2,…,n，得出各个混沌粒子的位置初值 Z'_i=(x_i1,x_i2,…,x_im)。同样的方法，将扰动因子映射到扰动范围[-β,β]内，得到的扰动变量初值U'_i=(Δx_i1, Δx_i2,…, Δx_im)。

4.1.3）混沌位置值的更新：根据公式x'_ij=x_ij+Δx_ij，得出根据混沌算法的各个粒子的位置量X_i。

4.1.4）目标函数适应值的计算：将位置量X_i代入目标函数H，得出适应值，并得出当前N个混沌粒子的P_best。

4.2）全局最优值的验证。

将混沌算法得出的结果与自适应权重所收敛的全局最优解相比较，若大于或相等，则说明根据自适应权重方法已收敛于全局最优解进行下一步骤；若小于，则说明根据自适应权重方法收敛于局部最优解，因此，重新进行步骤3.1）。

（5）最优运行方式输出

输出该时刻粒子群算法得出的各个分布式电源以及大电网侧的最优有功出力值，并且输出该时刻微网线路的潮流分布以及处于最优运行方式的微网为满足负荷需求所应支付的最优总价格。该方案可以满足用户经济、环保和健康的要求。

（6）相关的推广

根据各个微网用户自身的需求，即对经济性、环保性、健康性的不同需求，自我选择不同的惩罚因子搭配，即不同的α、β、γ值，重新按照上述步骤进行计算，以得出满足不同微网用户对经济、环保、健康的不同需求。

本发明项目针对含多种DER的中压微网系统，分析了传统最优潮流算法在微网应用中存在的问题，并提出自适应惯性权重混沌PSO最优潮流算法。在传统PSO的基础上推导了改进自适应惯性权重因子并给出混沌PSO的具体实现方法，一方面避免算法早熟，另一方面也利用混沌的遍历性寻找到全局最优解。该算法以微网24小时运行费用最小为目标，考虑与大电网可双向潮流交换的微网经济成本方程、可中断负荷、包含能量流失的蓄电池运行约束方程、环境和健康等因素，结合某电力市场的实时电价和通过负荷预测获取的负荷曲线，在满足负荷需求的前提下，实现可中断负荷、蓄电池、DER与大电网功率的经济共享。最后，在MATLAB环境下编程实现了该混沌PSO最优潮流算法, 得出在微网系统24小时内最经济、最环保、最健康的运行方案。

项目关键技术点：针对电力市场环境下的微网中压系统，结合了电力市场实时电价的概念，提出自适应惯性权重混沌PSO最优潮流实现方法。通过自适应权重的自动调整避免早熟收敛，同时利用混沌的遍历性寻找全局最优解。该算法充分考虑微电源的实时特性和电网电价，通过神经网络算法预测负荷，对分布式电源、储能单元和可中断负荷的工况进行合理调度，实现了能量的最优调度。

本发明的优点是：

1）本发明项目使用混沌粒子群最优潮流算法，将实时电价和负荷的运行状态结合，对分布式电源、储能单元和可中断负荷的工况进行合理调度，使微网系统每小时的运行方式（包括各分布式电源的有功、无功出力，储能元件的适时储能状态和各个节点的电压等）在满足实时经济、环保、健康指标的情况下达到最优。

2）本项目的目标函数中，考虑了三方面的因素，即经济因素、环保因素、健康因素。目标函数为：

H=αCost_eco+βCost_emv+γCost_hea（1）

其中，

α、β、γ分别表示经济因素、环境因素、健康因素的惩罚因子，即各个因素占微网运行所考虑的总成本所占的比重。

Cost_eco、Cost_emv、Cost_hea分别表示经济成本、环境成本和健康成本，单位为元。

3）本项目的目标函数中，经济成本考虑从大电网购电的费用；燃料电池、燃气锅炉的天然气使用费用；风电机组、光伏电池、燃料电池、蓄电池等微源的维护费用；各类微源的发电效率；向大电网售电的收入；可中断负荷的补偿费用。具体表示如式(2)所示。

$\begin{array}{c}{\mathrm{Cost}}_{\mathrm{eco}}=\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(\frac{P_{\mathrm{Gi},t}}{{\mathrm{\&eta;}}_i}{G}_{\mathrm{run},i}+P_{\mathrm{Gi},t}{C}_{\mathrm{om},i})\\ +\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}{C}_{\mathrm{buy},t}\frac{{|P}_{\mathrm{ex},t}|+P_{\mathrm{ex},t}}{2}-C_{\mathrm{sel},t}\frac{\left|P_{\mathrm{ex},t}\right|+P_{\mathrm{ex},t}}{2}\\ +\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}(C_{\mathrm{exr},t}{P}_{\mathrm{exr},t}-C_{\mathrm{int},t}{P}_{\mathrm{int},t})\end{array}---\left(2\right)$

其中，

η为各分布式电源(DG)的发电效率，

P_Gi,t为各DG在第t时刻发出的有功功率

i为DG种类，包括光伏(PV)、风电(WT)、电池(BAT)、燃料电池(FC)和微汽轮机(GT) ，n为DG的总数量；

C_run,i为各DG的运行费用，如FC的天然气价格，GT的燃料价格，PV、WT和BAT的价格为0；

C_om为第i台DG的维护费用；

C_buy,t为从大电网购电的实时电价；

C_sel,t为向大电网售电的电价；

P_ex,t为在第t时刻与大电网交换的电功率，若购电则为正，售电则为负；

P_exr,t为第t时刻供给可中断负荷的有功功率；

P_int,t为第t时刻可中断负荷被切除的有功功率；

C_exr,t为第t时刻向可中断负荷售电的电价；

C_int,t为第t时刻对可中断负荷所补偿的电价。

4）本项目的目标函数中，环境成本考虑SO2、CO2和NOx的排放造成的污染，表示如式(3)。

${\mathrm{Cost}}_{\mathrm{emv}}=\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left(K_{\mathrm{emi},i}\frac{P_{\mathrm{Gi},t}}{{\mathrm{\&eta;}}_i}{C}_{\mathrm{emi},i}\right)---\left(3\right)$

其中，

K_emi,i为第i台DG所排放的废气，单位为kg/kW；

C_emi,i为每排放1kg废气所需要交纳的排放费用，单位为元/kg。

5）本项目的目标函数中，健康成本考虑现在倍受关注的PM10的排放，表示如式(4)。

${\mathrm{Cost}}_{\mathrm{hea}}=\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left(K_{{\mathrm{PM}}_{10},i}\frac{P_{\mathrm{Gi},t}}{{\mathrm{\&eta;}}_i}{C}_{{\mathrm{PM}}_{10}}\right)---\left(4\right)$

其中，

K_PM10,i为第i台DG排放的PM10的量，单位为kg/kW；

C_PM10为每排放1公斤 PM10所需要交纳的排放费用，单位为元/kg。

6）本项目再对蓄电池进行建模时，为了最大限度的接近真实蓄电池的运行特点，本文考虑的蓄电池运行约束，既包含任意时刻充放电功率的允许上下限值，还包括任意时刻对蓄电池储备容量的最大和最小能量约束，以及蓄电池能量的流失(式(6)表示24小时内的充放电能量总和与蓄电池的能量损失相等)。其运行约束条件为：

_BAT,min＜|P_BAT,t|＜P_BAT,max                      （5）

$W_{\mathrm{BAT},\min }<W_{\mathrm{ini}}-\underset{t=1}{\overset{j}{\mathrm{\&Sigma;}}}{P}_{\mathrm{BAT},t}T<W_{\mathrm{BAT},\max }---\left(6\right)$

$\mathrm{\&lambda;}[\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}(25-t)P_{\mathrm{BAT},t}T+24W_{\mathrm{ini}}]=\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}{P}_{\mathrm{BAT},t}\mathrm{Tj}=1,...,24---\left(7\right)$

其中，

P_BAT,t为蓄电池t时刻充放电功率，负值代表充电，正值代表放电；

P_BAT,min、P_BAT,max 为蓄电池充放电时允许的最小、最大功率；

W_ini、W_BAT,min、W_BAT,max  为蓄电池的初始、最小、最大存储能量；

T  为单位时间；

λ为蓄电池的能量损失系数。

7）本项目还考虑了中压系统实际运行时所需要满足的各项功率约束。包括系统功率的平衡约束、大电网功率交换约束、各类分布式电源的功率约束、燃料电池的运行功率约束、电压幅值和相角约束等。

$\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{P}_{\mathrm{Gi},t}=P_{\mathrm{LD},t}+P_{L,t}---\left(8\right)$

P_ex,min≤P_ex,t≤P_ex,max（9）

P_i,min≤P_i,t≤P_i,max                        （10）

P_FC,min≤P_FC,t≤P_FC,max                     （11）

ΔP_FC,down≤P_FC,t-P_FC,t-1≤ΔP_FC,up               （12）

V_i,min≤V_i,t≤V_i,maxi=1,…,m                 （13）

δ_i,min≤δ_i≤δ_i,maxi=1,…,m                （14）

其中，

P_LD,t 为t时刻的各类负荷功率；

P_L,t 为t时刻微网的线路损耗。

P_ex,min、P_ex,max为t时刻与大电网交换的允许最小和最大功率。

P_i,min、P_i,max为t时刻PV、WT、GT有功出力最小、最大限值。

P_FC,min、P_FC,max为t时刻FC的有功出力最小、最大限值；

ΔP_FC,down、ΔP_FC,up为FC单位时间段内功率最大减少量和最大增发量。

V_i、V_i,min、V_i,max为微网中各节点的实际电压幅值、允许的电压最小和最大幅值；

δ_i、δ_i,min、δ_i,max为微网中各节点的实际相角、允许的相角最小和最大值；

m为微网节点数。

8）本项目引入了自适应的惯性权重。针对不同的粒子群体，当群体的最优适应值长时间未停止时，应该采取合理的自适应操作，保证惯性权重因子的多样性：惯性权重较小的粒子，进行局部寻优，加速收敛；惯性权重较大的粒子，进行全局寻优；在迭代后期，各个粒子基本已收敛于最优值附近，保持较小的惯性权重以达到最优寻址也尤为重要。因此，根据上述原理，惯性权重w的自适应调整方法如下：

首先定义参数粒子群进化速度因子h和聚集度因子s为：

$h=\frac{\min (H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}-1}\right),H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}}\right))}{\max (H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}-1}\right),H({\mathrm{gbest}}_{I_{\mathrm{ter}}}\left)\right)}---\left(15\right)$

$s=\frac{\min (H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}-1}\right),H_{I_{\mathrm{ter}}})}{\max (H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}-1}\right),H_{I_{\mathrm{ter}}})}---\left(16\right)$

$H_{I_{\mathrm{ter}}}=\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\&Sigma;}}}H\left(x_{I_{\mathrm{ter}}}\left(i\right)\right)---\left(17\right)$

其中，

X_Iter(i)是粒子i当前的迭代次数Iter的位置，

N 是粒子群体规模，

H( ) 是适应值函数（即目标函数）。

上述两个参数，h值越大，进化速度较快，粒子可以保持在较大的范围内寻优；h值越小，进化速度越慢，粒子群可以在小空间内搜索以便最快搜索到最优解；s粒子越大，代表粒子聚集程度越大，多样性越小，如果此时陷入局部最优，则需要依靠h值加速进化速度，跳出局部极点。

惯性权重w用来控制历史速度对当前速度的影响程度。若w较大，则粒子的全局搜索能力较强；若w较小，粒子的局部搜索能力较强。因此，w应随着粒子聚集程度的增大而增大，以防止陷入局部最优；随着进化速度的增大而降低，以保障快速收敛搜索到全局最优极点。因此，本项目定义惯性权重w为

$\mathrm{\&omega;}={\mathrm{\&omega;}}_{\max }-\frac{{\mathrm{\&omega;}}_{\max }-{\mathrm{\&omega;}}_{\mathrm{ini}}+h{\mathrm{\&omega;}}_h-s{\mathrm{\&omega;}}_s}{I_{\mathrm{ter},\max }}{I}_{\mathrm{ter}}---\left(18\right)$

其中，

ω_ini,ω_max,ω_max，ω_h,ω_s分别是惯性权重的初始设定值、初始设定最大值、进化速度因子的设定值、聚集度因子的设值，按经验设定，一般为0.5，0.9，0.4，0.1。

9）本项目还结合了最有潮流控制的概念，即得到的结果是每个小时该微网系统的运行方式、包括系统中各个节点的电压幅值、电压相角、有功出力和无功出力。是一种具体的、结合微网系统结构的最优方案。

项目具体实现方案：

1）项目目标函数及约束条件

综上所述，总结本项目的目标函数及相应的约束条件为：

目标函数：

H=αCost_eco+βCost_emv+γCost_hea

$\begin{array}{c}{\mathrm{Cost}}_{\mathrm{eco}}=\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(\frac{P_{\mathrm{Gi},t}}{{\mathrm{\&eta;}}_i}{C}_{\mathrm{run},i}+P_{\mathrm{Gi},t}{C}_{\mathrm{om},i})+\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}(C_{\mathrm{buy},t}\frac{\left|P_{\mathrm{ex},t}\right|+P_{\mathrm{ex},t}}{2}-C_{\mathrm{sel},t}\frac{\left|P_{\mathrm{ex},t}\right|+P_{\mathrm{ex},t}}{2})\\ +\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}(C_{\mathrm{exr},t}{P}_{\mathrm{exr},t}-C_{\mathrm{int},t}{P}_{\mathrm{int},t})\end{array}$ ${\mathrm{Cost}}_{\mathrm{emv}}=\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left(K_{\mathrm{emi},i}\frac{P_{\mathrm{Gi},t}}{{\mathrm{\&eta;}}_i}{C}_{\mathrm{emi},i}\right)$

${\mathrm{Cost}}_{\mathrm{hea}}=\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left(K_{{\mathrm{PM}}_{10},i}\frac{P_{\mathrm{Gi},t}}{{\mathrm{\&eta;}}_i}{C}_{{\mathrm{PM}}_{10}}\right)$

约束条件：

（1）系统功率平衡约束：

$\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{P}_{\mathrm{Gi},t}=P_{\mathrm{LD},t}+P_{L,t}$

（2）与大电网功率交换约束：

P_ex,min≤P_ex,t≤P_ex,max

（3）PV、WT、GT的运行约束：

P_i,min≤P_i,t≤P_i,max

（4）燃料电池FC的运行约束：

P_FC,min≤P_FC,t≤P_FC,max

ΔP_FC,down≤P_FC,t-P_FC,t-1≤ΔP_FC,up

（5）蓄电池Battery的运行约束：

_BAT,min＜|P_BAT,t|＜P_BAT,max

$W_{\mathrm{BAT},\min }<W_{\mathrm{ini}}-\underset{t=1}{\overset{j}{\mathrm{\&Sigma;}}}{P}_{\mathrm{BAT},t}T<W_{\mathrm{BAT},\max }$

$\mathrm{\&lambda;}[\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}(25-t)P_{\mathrm{BAT},t}T+24W_{\mathrm{ini}}]=\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}{P}_{\mathrm{BAT},t}\mathrm{Tj}=1,...,24$

（6）可中断负荷的约束条件：

$\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}(P_{\mathrm{exr},t}-P_{\mathrm{int},t})=0$

（7）微网系统运行的约束条件：

V_i,min≤V_i,t≤V_i,mai=1,…,m

δ_i,min≤δ_i,t≤δ_i,mai=1,…,m

附图说明

图1是本发明项目的主要流程说明图。

图2 本项目的系统结构图。

图3 为中低压系统的线路参数。

图4 为中低压系统的各个负荷有功最值以及功率因数。

图5为中低压系统24小时的各个负荷节点中住宅负荷和商业负荷所占的比重。

图6  为中低压系统中风机的24小时实时可发电量。

图7  为大电网侧的24小时实时电价。

图8  为各类DG的运行费用和维护费用。

图9  为不同DG的排放系数及惩罚价格。

图10 是运行方式1的优化结果。

图11 是运行方式2的优化结果。

图12 是运行方式3的优化结果。

图13是 三种运行方式的经济性比较。

具体实施方式

下面结合附图对本发明项目作进一步说明。参考附图1,本发明项目的实现步骤如下所述：

（1）静态数据准备阶段

1.1)   介于本项目的目标函数为：

H=αCost_eco+βCost_emv+γCost_hea                （1）

$\begin{array}{c}{\mathrm{Cost}}_{\mathrm{eco}}=\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(\frac{P_{\mathrm{Gi},t}}{{\mathrm{\&eta;}}_i}{C}_{\mathrm{run},i}+P_{\mathrm{Gi},t}{C}_{\mathrm{om},i})+\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}(C_{\mathrm{buy},t}\frac{\left|P_{\mathrm{ex},t}\right|+P_{\mathrm{ex},t}}{2}-C_{\mathrm{sel},t}\frac{\left|P_{\mathrm{ex},t}\right|+P_{\mathrm{ex},t}}{2})\\ +\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}(C_{\mathrm{exr},t}{P}_{\mathrm{exr},t}-C_{\mathrm{int},t}{P}_{\mathrm{int},t})\end{array}---\left(2\right)$

${\mathrm{Cost}}_{\mathrm{emv}}=\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left(K_{\mathrm{emi},i}\frac{P_{\mathrm{Gi},t}}{{\mathrm{\&eta;}}_i}{C}_{\mathrm{emi},i}\right)---\left(3\right)$

${\mathrm{Cost}}_{\mathrm{hea}}=\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left(K_{{\mathrm{PM}}_{10},i}\frac{P_{\mathrm{Gi},t}}{{\mathrm{\&eta;}}_i}{C}_{{\mathrm{PM}}_{10}}\right)---\left(4\right)$

其中：

α、β、γ分别表示经济因素、环境因素、健康因素的惩罚因子，即各个因素占微网运行所考虑的总成本所占的比重。

Cost_eco、Cost_emv、Cost_hea 分别表示经济成本、环境成本和健康成本，单位为元。

η 为各分布式电源(DG)的发电效率，

P_Gi,t为各DG在第t时刻发出的有功功率。

i为DG种类，包括光伏(PV)、风电(WT)、电池(BAT)、燃料电池(FC)和微汽轮机(GT) ，n为DG的总数量；

C_run,i 为各DG的运行费用，如FC的天然气价格，GT的燃料价格，PV、WT和BAT的价格为0；

C_om为第i台DG的维护费用；

C_buy,t 为从大电网购电的实时电价；

C_sel,t 为向大电网售电的电价；

P_ex,t 为在第t时刻与大电网交换的电功率，若购电则为正，售电则为负；

P_exr,t 为第t时刻供给可中断负荷的有功功率；

P_int,t 为第t时刻可中断负荷被切除的有功功率；

C_exr,t 为第t时刻向可中断负荷售电的电价；

C_int,t 为第t时刻对可中断负荷所补偿的电价。

K_emi,i 为第i台DG所排放的废气，单位为kg/kW；

C_emi,i 为每排放1kg废气所需要交纳的排放费用，单位为元/kg。

K_PM10,i为第i台DG排放的PM10的量，单位为kg/kW；

C_PM10 为每排放1公斤 PM10所需要交纳的排放费用，单位为元/kg。

因此，根据用户对经济性、环保性、健康性的不同需求，选择相应的惩罚因子参数，即不同的α、β、γ值。

1.2）  通过神经网络算法，根据当天的实际情况，对当天24小时的实时电价进行预测，并构建相应的Cost变量。

1.3） 根据该微网或中低压系统的线路参数构建Linedata变量，所述的Linedata变量为：

始节点 末节点 电阻  电抗  电容

1.4）根据微网或中低压系统中各个分布式电源的发电量上下限值构建Pg_limits，各个分布式电源的效率值η_i以及上述所提及的其他各类静态参数。

1.5）根据当前时间段和前几个时间段的负荷值，以及当天的天气等所掌握的数据，通过负荷预测的手法，预测出当天24小时的负荷预测值，构建P_D,t。

其中：

P_D,t代表通过第t时刻以及t时刻以前的负荷值所预测出的当天24小时各个时间段的负荷值。

（2）最优潮流粒子群算法初始化阶段

2.1) 初始化种群位置、速度以及Hvalue。

随机定义种群粒子的初始位置向量Arrpresent和初始速度向量V（注：由于初始速度向量的定义方法和初始位置向量方法基本一致，只是其各类值所取的大小相对较小，因此后面只以位置向量为例进行初始化说明，初始速度向量的初始化方法不再累述）。其中，不同的粒子(pop值)代表着各个时刻系统不同的运行方案；每个粒子的不同维度值(part值)包含了各个节点的电压幅值和分布式电源、大电网侧的有功功率值以及根据相应目标函数（1）计算得出的初始适应值Hvalue (记为H)；所述的Arrpresent变量为：

$\mathrm{Arrpresent}={\left[\begin{array}{c}{\mathrm{arrpresen}}_1\\ {\mathrm{arrpresen}}_2\\ .\\ .\\ .\\ {\mathrm{arrpresen}}_t\\ .\\ .\\ .\\ {\mathrm{arrpresen}}_{24}\end{array}\right]}_{24\&times;1}$

$\begin{array}{cccc}{\mathrm{part}}_1& ...& {\mathrm{part}}_j& {\mathrm{part}}_{j+1}\end{array}$

${\mathrm{arrpresen}}_t=\begin{array}{c}{\mathrm{pop}}_1\\ {\mathrm{pop}}_2\\ .\\ .\\ .\\ {\mathrm{pop}}_i\end{array}{\left[\begin{array}{ccccccc}{V}_{\mathrm{1,1}}& ...& V_{1,n}& P_{1,G1}& ...& P_{1,\mathrm{Gm}}& H_1\\ V_{\mathrm{2,1}}& ...& V_{2,n}& P_{2,G1}& ...& P_{2,\mathrm{Gm}}& H_2\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ V_{i,1}& ...& V_{i,n}& P_{i,G1}& ...& P_{i,\mathrm{Gm}}& H_i\end{array}\right]}_{i\&times;j}$

其中

arrpresen_t 代表在t时刻，第i个粒子的位置值。

pop_t 代表在t时刻，第i个粒子的位置值

part_j 代表在t时刻，各个例子的位置的维度值

V_i,n   代表在t时刻，微网中各个节点的电压值

P_i,Gm 代表各个分布式电源及大电网侧的有功功率值。

H_i 代表在t时刻，各个例子的适应值，即根据目标函数（1）所得出的值

并且，在随机初始化定义位置值时，必须满足以下几个约束变量。

1）P_i,Gm,t在随机定义值时，必须满足Pg_limits,t变量中各个分布式电源有功功率的上下限值的约束。即必须满足约束条件

P_i,min≤P_i,t≤P_i,max                        （10）

P_i,min、P_i,max 为t时刻PV、WT、GT有功出力最小、最大限值。

实现方法为：在各自的有功出力上下限值内，随机产生各自的有功出力。

2）燃料电池P_Fc,t在随机定义初始值时，必须满足约束条件

P_FC,min≤P_FC,t≤P_FC,max                      （11）

ΔP_FC,down≤P_FC,t-P_FC,t-1≤ΔP_FC,up                （12）

P_FC,min、P_FC,max为t时刻FC的有功出力最小、最大限值；

ΔP_FC,down、ΔP_FC,up 为FC单位时间段内功率最大减少量和最大增发量。

实现方法为：在其Pg_limits,t的有功功率上下限值内随机生成各个时刻的有功功率值P_Fc,t，检验其是否满足约束条件，若不满足，则再次随机生成。

3）对于蓄电池的有功功率值P_Bat,t，其必须满足约束条件

_BAT,min＜|P_BAT,t|＜P_BAT,max                      （5）

$W_{\mathrm{BAT},\min }<W_{\mathrm{ini}}-\underset{t=1}{\overset{j}{\mathrm{\&Sigma;}}}{P}_{\mathrm{BAT},t}T<W_{\mathrm{BAT},\max }---\left(6\right)$

$\mathrm{\&lambda;}[\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}(25-t)P_{\mathrm{BAT},t}T+24W_{\mathrm{ini}}]=\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}{P}_{\mathrm{BAT},t}\mathrm{Tj}=1,...,24---\left(7\right)$

P_BAT,t  为蓄电池t时刻充放电功率，负值代表充电，正值代表放电；

P_BAT,min、P_BAT,max  为蓄电池充放电时允许的最小、最大功率；

W_ini、W_BAT,min、W_BAT,max  为蓄电池的初始、最小、最大存储能量；

T  为单位时间；

λ为蓄电池的能量损失系数。

实现方法为：随机生成的值不满足要求，则根据相应的算法进行调整，直至满足约束条件。

4）微网中各个节点的电压在随机定义初始值时，必须满足约束条件

V_i,min≤V_i,t≤V_i,maxi=1,…,m                  （13）

δ_i,min≤δ_i≤δ_i,maxi=1,…,m                 （14）

V_i、V_i,min、V_i,max为微网中各节点的实际电压幅值、允许的电压最小和最大幅值；

δ_i、δ_i,min、δ_i,max为微网中各节点的实际相角、允许的相角最小和最大值；

实现方法为：在其电压幅值的上下限值内随机生成各个时刻的各个节点的电压幅值。

2.2）初始化pbest以及gbest变量。

在对各个粒子的初始位置进行初始化后，再依据目标函数（1）进行计算，取出H值最小的一组粒子，即得到粒子群算法中Pbest变量值以及Gbest变量值初始值。

（3）最优潮流粒子群算法迭代计算阶段

3.1）种群位置以及速度更新。

根据粒子群算法各个粒子的速度以及位置函数，对各个时刻每个粒子的速度以及位置值进行更新。所采用的速度以及位置的更新函数如下所示：

$h=\frac{\min (H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}-1}\right),H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}}\right))}{\max (H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}-1}\right),H({\mathrm{gbest}}_{I_{\mathrm{ter}}}\left)\right)}---\left(15\right)$

$s=\frac{\min (H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}-1}\right),H_{I_{\mathrm{ter}}})}{\max (H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}-1}\right),H_{I_{\mathrm{ter}}})}---\left(16\right)$

$H_{I_{\mathrm{ter}}}=\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\&Sigma;}}}H\left(x_{I_{\mathrm{ter}}}\left(i\right)\right)---\left(17\right)$

$\mathrm{\&omega;}={\mathrm{\&omega;}}_{\max }-\frac{{\mathrm{\&omega;}}_{\max }-{\mathrm{\&omega;}}_{\mathrm{ini}}+h{\mathrm{\&omega;}}_h-s{\mathrm{\&omega;}}_s}{I_{\mathrm{ter},\max }}{I}_{\mathrm{ter}}---\left(18\right)$

v_t=wv_t′+C₁·R·(pbest_t-arrpresent_t)+C₂·R·(gbest_t-arrpresent_t)

arrpresent_t=arrpresent_t+V_t（19）

其中

w  代表自适应权重，即根据（15），（16），（17），（18）计算所得的权重值。

ω_ini,ω_max,ω_max，ω_h,ω_s分别是惯性权重的初始设定值、初始设定最大值、进化速度因子的设定值、聚集度因子的设值，按经验设定，一般为0.5，0.9，0.4，0.1。

X_Iter(i) 是粒子i当前的迭代次数Iter的位置。

N 是粒子群体规模、

H( ) 是适应值函数（即目标函数）。

v_t′  代表速度的上一次迭代值。

C₁ ，C₂ 代表学习因子，自行取值。

R   代表随机产生0~1之间数字的随机函数。

然后对燃料电池Fc和蓄电池的有功功率值进行检验，看其是否满足相应的约束条件，若不满足，则根据相应的调整算法，对其随机值做相应的调整使满足约束条件。

3.2）构建Busdata变量。

将各个粒子的初始位置存入用于牛顿—拉夫逊计算法的节点数据变量Busdata中，所述的Busdata变量如下所示：

$\mathrm{Busdata}={\left[\begin{array}{c}{\mathrm{busdata}}_1\\ {\mathrm{busdata}}_2\\ .\\ .\\ .\\ {\mathrm{busdata}}_t\\ .\\ .\\ .\\ {\mathrm{busdata}}_{24}\end{array}\right]}_{24\&times;1}$

电压     负 载     发电机       发电机无功

节点号  类型  幅值 角度 有功 无功 有功  无功  最大值   最小值

${\mathrm{busdata}}_t={\left[\begin{array}{cccccccccc}{\mathrm{nod}}_1& {\mathrm{type}}_1& V_1& {\mathrm{\&delta;}}_1& P_1& Q_1& P_{G1}& Q_{G1}& Q_{G1\min }& Q_{G1\max }\\ {\mathrm{nod}}_2& {\mathrm{type}}_2& V_2& {\mathrm{\&delta;}}_2& P_2& Q_2& P_{G2}& Q_{G2}& Q_{G2\min }& Q_{G2\max }\\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ {\mathrm{nod}}_n& {\mathrm{type}}_n& V_v& {\mathrm{\&delta;}}_n& P_n& Q_n& P_{\mathrm{Gn}}& Q_{\mathrm{Gn}}& Q_{\mathrm{Gi}\min }& Q_{\mathrm{Gi}\max }\end{array}\right]}_{n\&times;10}$

其中

节点类型取值为0,1,2，0代表平衡节点；1代表负荷节点，即PQ节点；2代表发电机节点，即PV节点。若第i个节点为负荷节点，则P_Gi，Q_Gi均为0。

3.3）根据目标函数计算Hvalue。

根据Busdata以及Linedata变量，通过牛顿—拉夫逊迭代法进行潮流计算，并得出线路的潮流分布，并计算得出与大电网侧的交换功率P_ex与线路损耗值P_L，表述为

$P_{\mathrm{ex}}={\left[\begin{array}{c}{P}_{\mathrm{ex},1}\\ P_{\mathrm{ex},2}\\ .\\ .\\ .\\ P_{\mathrm{ex},t}\\ .\\ .\\ .\\ P_{\mathrm{ex},24}\end{array}\right]}_{24\&times;1}$

$P_L={\left[\begin{array}{c}{P}_{L,1}\\ P_{L,2}\\ .\\ .\\ .\\ P_{L,t}\\ .\\ .\\ .\\ P_{L24}\end{array}\right]}_{24\&times;1}$

其中，P_ex,t，P_L,t代表第t时刻通过牛拉法计算得到的与大电网交换的功率和线路损耗功率。

然后根据目标函数（公式（1）），计算各个时刻各个粒子的H值，并相应的存入Arrpresent变量中第j+1列。

3.4）更新P_best，G_best，Best_record

通过比较每个粒子的H值，若小于原先储蓄于P_best中的值，说明更新位置后的运行方案更加经济，则更新P_best值。并且取所有例子P_best值中最小的值更新G_best，并储存于历代最优值储存变量Best_record中。

3.5）测试所得到的结果是否达到收敛的精度要求，若满足，则进入下一步；若不满足，则重新进行步骤3.1）。

（4）PSO混沌计算

4.1）进行PSO混沌

4.1.1）混沌的初始化：随机产生2组n个m维（输入算法的各个节点参量的个数）、数值大小在0-1之间的向量——坐标混沌向量：Z_i=(z_i1,z_i2,…,z_im)和扰动因子混沌向量U_i=(u_i1,u_i2,…,u_im)。

4.1.2）混沌的映射：根据处于完全混沌状态的Logistic映射，Z_i+1=4z_i(1-z_i), i=0,1,2,…，得出n个新的向量Z'₁，Z'₂，…，Z'_n。并将Z_i 的各个分量z_ij映射到每个参量的取值范围: x_ij=a_j+(b_j-a_j)z_ij，j=1,2,…,m; i=1,2,…,n，得出各个混沌粒子的位置初值 Z'_i=(x_i1,x_i2,…,x_im)。同样的方法，将扰动因子映射到扰动范围[-β,β]内，得到的扰动变量初值U'_i=(Δx_i1, Δx_i2,…, Δx_im)。

4.1.3）混沌位置值的更新：根据公式x'_ij=x_ij+Δx_ij,得出根据混沌算法的各个粒子的位置量X_i。

4.1.4）目标函数适应值的计算：将位置量X_i代入目标函数H，得出适应值，并得出当前N个混沌粒子的P_best。

4.2）全局最优值的验证。

将混沌算法得出的结果与自适应权重所收敛的全局最优解相比较，若大于或相等，则说明根据自适应权重方法已收敛于全局最优解进行下一步骤；若小于，则说明根据自适应权重方法收敛于局部最优解，因此，重新进行步骤3.1）。

（5）最优运行方式输出

输出该时刻粒子群算法得出的各个分布式电源以及大电网侧的最优有功出力值，并且输出该时刻微网线路的潮流分布以及处于最优运行方式的微网为满足负荷需求所应支付的最优总价格。该方案可以满足用户经济、环保和健康的要求。

（6）相关的推广

根据各个微网用户自身的需求，即对经济性、环保性、健康性的不同需求，自我选择不同的惩罚因子搭配，即不同的α、β、γ值，重新按照上述步骤进行计算，以得出满足不同微网用户对经济、环保、健康的不同需求。

实例说明：

本项目以图2所示的中国中低压微型电网为实例，对上述基于实时电价的PSO算法进行说明。经过大量测试验证后，取粒子群规模N=50，粒子群迭代次数上限为200次。学习因子中，c1=1.05，c2=1.02，初始惯性权重为0.9，终止惯性权重为0.2。牛拉法迭代次数上限为200次。并且当连续10次迭代粒子群最优结果不变时，对粒子群进行混沌计算，混沌次数为50次。

1）系统参数说明：

其余参数为C_run,FC=0.2元/kWh，C_run,GT=0.4元/kWh，C_om,WT=0.11元/kWh，C_om,PV=0.08元/kWh，C_om,FC=0.04元/kWh，C_om,GT=0.12元/kWh，C_exr,t=1元/kWh，η_FC=0.3，η_GT=0.3，W_ini=0.2kWh，W_BAT,max=3kWh，W_BAT,min=0，λ=0.005，P_FC,max=0.5MW，P_GT,max=0.6MW，ΔP_FC,up=0.1MW，ΔP_FC,down=0.1MW。α=0.7，β=0.2，γ=0.1。

2) 结果展现

根据微网实际运行情况，考虑所含微源的种类及工况的不同，本项目对3种运行方式下的微网进行优化并做对照，分别为：1) FC和BAT均参与，BAT容量有限制(运行方式1)；2) FC不参与，BAT参与且容量有限(运行方式2)；3) FC和BAT均参与，BAT容量足够大(运行方式3)。

2.1）FC和BAT均参与，BAT容量有限制(运行方式1)

图10 运行方式1的优化结果

由图可见，在0~8点时间段内，实时电价较低，因此，负荷中除去光能、风能等可提供的有功功率外，其余的电能都从大电网购买。11点时，微网的可发电量超过负荷需求，开始向大电网售电。

5点时，由于蓄电池充电到达了容量的上限，因此只能充一部分的电能；6~8点时，由于此时蓄电池发电不经济，因此既不充电也不发电；在10~12点时，实时电价达到4000元，蓄电池进入满负荷发电状态；13点时，实时电价比蓄电池成本便宜，蓄电池充电。14~16点时，实时电价较为昂贵，蓄电池放电，在16点时，受蓄电池的容量限制，放电功率为蓄电池可发的剩余功率。19~20点时，由于实时电价较低，并且蓄电池无剩余可发电量，因此进行充电。9~16点时，大电网侧的实时电价较高(超过1500元)， GT满功率运行进行发电。FC由于受每小时最大增加功率（0.1MW/h）的限制，在5~10点时率先以阶梯式方案启动。这种方式下，虽然发电成本高于大电网侧的电价，但是它在后续大电网侧电价较高时能够满负荷运行。10点时，FC由于其有功出力最大值的限制，处于满功率运行状态。

17~20点时，FC和GT由于其发电成本高于电网价格，其有功出力逐渐减小至零。21~22点时，实时电价有了小幅度的回升，此时光伏供电量为零，因此，为满足负荷的需求，蓄电池、FC、GT再次增加出力；23~24点时，实时电价回落至较低值，蓄电池进行少量的充放电以满足功率损耗的约束；FC，GT的发电成本大于实时电价，不发电。

优化结果表明，在运行方式1下，微网系统的运行费用为34505.13元。

2.2）FC不参与，BAT参与且容量有限(运行方式2)

图11 运行方式2 的优化结果

由于无FC，因此微网每小时可利用的发电量有所减少，在5~20点时，需要增大从大电网购买的电量；在实时电价高峰时段，微网几乎不能向大电网售电。其它微源的实时发电量与运行方式1差别不大。由于减少了DG的数量，线路损耗相对运行方式1有所减小。

优化结果表明，在运行方式1下，微网系统的运行费用为53806.26元。

2.3）FC和BAT均参与，BAT容量足够大(运行方式3)

图12 运行方式3 的优化结果

可见，1~8点、18~19点时，实时电价相对较便宜，对蓄电池充电；9~16点、21~22点时，电价相对较昂贵，对蓄电池放电。和运行方式1相比，由于蓄电池无容量限制，因此充放电时的功率均为最大可充放电功率，且充放电时间增加，使得微网的收益增大。但和运行方式2相比，由于蓄电池有功出力的增大，故线损也相应的增大。

优化结果表明，在运行方式3下，微网系统的运行费用为31282.73元。可见，增大蓄电池的容量有助于微网的经济运行。三种运行方案各个时段内微网所需的费用如9所示。通过对比可见，增加FC或增大蓄电池容量均有助于减少微网的运行费用。

图13 三种运行方式的经济性比较

可见，相对而言，第三种运行方式的综合情况更好。这也为未来我们微网的发展提供了部分的发展方向。

本发明项目针对电力市场环境下的某中压微网系统，建立了微网综合经济运行模型，并利用混沌PSO最优潮流算法求解。实例分析表明，本项目方法正确。研究成果可应用于微网的能量管理系统(EMS)，算法简单，易于计算机编程实现，并且能达到微源实时动态经济、健康、环保调度。

Claims (1)

1.基于实时电价的中压微网混沌PSO最优潮流实现方法，步骤如下所述：

（1）静态数据准备阶段

1.1)   介于本项目的目标函数为：

H=αCost_eco+βCost_emv+γCost_hea               （1）

$\begin{array}{c}{\mathrm{Cost}}_{\mathrm{eco}}=\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(\frac{P_{\mathrm{Gi},t}}{{\mathrm{\&eta;}}_i}{C}_{\mathrm{run},i}+P_{\mathrm{Gi},t}{C}_{\mathrm{om},i})+\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}(C_{\mathrm{buy},t}\frac{\left|P_{\mathrm{ex},t}\right|+P_{\mathrm{ex},t}}{2}-C_{\mathrm{sel},t}\frac{\left|P_{\mathrm{ex},t}\right|+P_{\mathrm{ex},t}}{2})\\ +\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}(C_{\mathrm{exr},t}{P}_{\mathrm{exr},t}-C_{\mathrm{int},t}{P}_{\mathrm{int},t})\end{array}---\left(2\right)$

${\mathrm{Cost}}_{\mathrm{emv}}=\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left(K_{\mathrm{emi},i}\frac{P_{\mathrm{Gi},t}}{{\mathrm{\&eta;}}_i}{C}_{\mathrm{emi},i}\right)---\left(3\right)$

${\mathrm{Cost}}_{\mathrm{hea}}=\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left(K_{{\mathrm{PM}}_{10},i}\frac{P_{\mathrm{Gi},t}}{{\mathrm{\&eta;}}_i}{C}_{{\mathrm{PM}}_{10}}\right)---\left(4\right)$

其中：

α、β、γ分别表示经济因素、环境因素、健康因素的惩罚因子，即各个因素占微网运行所考虑的总成本所占的比重。

Cost_eco、Cost_emv、Cost_hea 分别表示经济成本、环境成本和健康成本，单位为元。

η 为各分布式电源(DG)的发电效率，

P_Gi,t为各DG在第t时刻发出的有功功率。

I为DG种类，包括光伏(PV)、风电(WT)、电池(BAT)、燃料电池(FC)和微汽轮机(GT) ，n为DG的总数量；

C_run,i  为各DG的运行费用，如FC的天然气价格，GT的燃料价格，PV、WT和BAT的价格为0；

C_om为第i台DG的维护费用；

C_buy,t  为从大电网购电的实时电价；

C_sel,t  为向大电网售电的电价；

P_ex,t  为在第t时刻与大电网交换的电功率，若购电则为正，售电则为负；

P_exr,t  为第t时刻供给可中断负荷的有功功率；

P_int,t  为第t时刻可中断负荷被切除的有功功率；

C_exr,t 为第t时刻向可中断负荷售电的电价；

C_int,t 为第t时刻对可中断负荷所补偿的电价。

K_emi,i 为第i台DG所排放的废气，单位为kg/kW；

C_emi,i 为每排放1kg废气所需要交纳的排放费用，单位为元/kg。

K_PM10,i为第i台DG排放的PM10的量，单位为kg/kW；

C_PM10  为每排放1公斤 PM10所需要交纳的排放费用，单位为元/kg。

因此，根据用户对经济性、环保性、健康性的不同需求，选择相应的惩罚因子参数，即不同的α、β、γ值。

1.2）  通过神经网络算法，根据当天的实际情况，对当天24小时的实时电价进行预测，并构建相应的Cost变量。

1.3） 根据该微网或中低压系统的线路参数构建Linedata变量，所述的Linedata变量为：

始节点 末节点 电阻  电抗  电容

1.4）根据微网或中低压系统中各个分布式电源的发电量上下限值构建Pg_limits，各个分布式电源的效率值η_i以及上述所提及的其他各类静态参数。

1.5）根据当前时间段和前几个时间段的负荷值，以及当天的天气等所掌握的数据，通过负荷预测的手法，预测出当天24小时的负荷预测值，构建P_D,t。

其中：

P_D,t代表通过第t时刻以及t时刻以前的负荷值所预测出的当天24小时各个时间段的负荷值。

（2）最优潮流粒子群算法初始化阶段

2.1) 初始化种群位置、速度以及Hvalue。

随机定义种群粒子的初始位置向量Arrpresent和初始速度向量V（注：由于初始速度向量的定义方法和初始位置向量方法基本一致，只是其各类值所取的大小相对较小，因此后面只以位置向量为例进行初始化说明，初始速度向量的初始化方法不再累述）。其中，不同的粒子(pop值)代表着各个时刻系统不同的运行方案；每个粒子的不同维度值(part值)包含了各个节点的电压幅值和分布式电源、大电网侧的有功功率值以及根据相应目标函数（1）计算得出的初始适应值Hvalue(记为H)；所述的Arrpresent变量为：

$\mathrm{Arrpresent}={\left[\begin{array}{c}{\mathrm{arrpresen}}_1\\ {\mathrm{arrpresen}}_2\\ .\\ .\\ .\\ {\mathrm{arrpresen}}_t\\ .\\ .\\ .\\ {\mathrm{arrpresen}}_{24}\end{array}\right]}_{24\&times;1}$

$\begin{array}{cccc}{\mathrm{part}}_1& ...& {\mathrm{part}}_j& {\mathrm{part}}_{j+1}\end{array}$

${\mathrm{arrpresen}}_t=\begin{array}{c}{\mathrm{pop}}_1\\ {\mathrm{pop}}_2\\ .\\ .\\ .\\ {\mathrm{pop}}_i\end{array}{\left[\begin{array}{ccccccc}{V}_{\mathrm{1,1}}& ...& V_{1,n}& P_{1,G1}& ...& P_{1,\mathrm{Gm}}& H_1\\ V_{\mathrm{2,1}}& ...& V_{2,n}& P_{2,G1}& ...& P_{2,\mathrm{Gm}}& H_2\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ V_{i,1}& ...& V_{i,n}& P_{i,G1}& ...& P_{i,\mathrm{Gm}}& H_i\end{array}\right]}_{i\&times;j}$

其中

arrpresen_t  代表在t时刻，第i个粒子的位置值。

pop_i 代表在t时刻，第i个粒子的位置值

part_j 代表在t时刻，各个例子的位置的维度值

V_i,n  代表在t时刻，微网中各个节点的电压值

P_i,Gm  代表各个分布式电源及大电网侧的有功功率值。

H_i  代表在t时刻，各个例子的适应值，即根据目标函数（1）所得出的值

并且，在随机初始化定义位置值时，必须满足以下几个约束变量。

1）P_i,Gm,t在随机定义值时，必须满足Pg_limits,t变量中各个分布式电源有功功率的上下限值的约束。即必须满足约束条件

P_i,min≤P_i,t≤P_i,max（10）

P_i,min、P_i,max 为t时刻PV、WT、GT有功出力最小、最大限值。

实现方法为：在各自的有功出力上下限值内，随机产生各自的有功出力。

2）燃料电池P_Fc,t在随机定义初始值时，必须满足约束条件

P_FC,min≤P_FC,t≤P_FC,max                      （11）

ΔP_FC,down≤P_FC,t-P_FC,t-1≤P_FC,up                （12）

P_FC,min、P_FC,max为t时刻FC的有功出力最小、最大限值；

ΔP_FC,down、ΔP_FC,up 为FC单位时间段内功率最大减少量和最大增发量。

实现方法为：在其Pg_limits,t的有功功率上下限值内随机生成各个时刻的有功功率值P_Fc,t，检验其是否满足约束条件，若不满足，则再次随机生成。

3）对于蓄电池的有功功率值P_Bat,t，其必须满足约束条件

_BAT,min＜|P_BAT,t|＜P_BAT,max                       （5）

$W_{\mathrm{BAT},\min }<W_{\mathrm{ini}}-\underset{t=1}{\overset{j}{\mathrm{\&Sigma;}}}{P}_{\mathrm{BAT},t}T<W_{\mathrm{BAT},\max }---\left(6\right)$

$\mathrm{\&lambda;}[\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}(25-t)P_{\mathrm{BAT},t}T+24W_{\mathrm{ini}}]=\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}{P}_{\mathrm{BAT},t}\mathrm{Tj}=1,...,24---\left(7\right)$

P_BAT,t  为蓄电池t时刻充放电功率，负值代表充电，正值代表放电；

P_BAT,min、P_BAT,max  为蓄电池充放电时允许的最小、最大功率；

W_ini、W_BAT,min、W_BAT,max  为蓄电池的初始、最小、最大存储能量；

T  为单位时间；

λ为蓄电池的能量损失系数。

实现方法为：随机生成的值不满足要求，则根据相应的算法进行调整，直至满足约束条件。

4）微网中各个节点的电压在随机定义初始值时，必须满足约束条件

V_i,min≤V_i≤V_i,maxi=1,…,m                    （13）

δ_i,min≤δ_i≤δ_i,maxi=1,…,m                （14）

V_i、V_i,min、V_i,max为微网中各节点的实际电压幅值、允许的电压最小和最大幅值；

δ_i、δ_i,min、δ_i,max为微网中各节点的实际相角、允许的相角最小和最大值；

实现方法为：在其电压幅值的上下限值内随机生成各个时刻的各个节点的电压幅值。

2.2）初始化pbest以及gbest变量。

在对各个粒子的初始位置进行初始化后，再依据目标函数（1）进行计算，取出H值最小的一组粒子，即得到粒子群算法中Pbest变量值以及Gbest变量值初始值。

（3）最优潮流粒子群算法迭代计算阶段

3.1）种群位置以及速度更新。

根据粒子群算法各个粒子的速度以及位置函数，对各个时刻每个粒子的速度以及位置值进行更新。所采用的速度以及位置的更新函数如下所示：

$h=\frac{\min (H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}-1}\right),H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}}\right))}{\max (H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}-1}\right),H({\mathrm{gbest}}_{I_{\mathrm{ter}}}\left)\right)}---\left(15\right)$

$s=\frac{\min (H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}-1}\right),H_{I_{\mathrm{ter}}})}{\max (H\left({\mathrm{gbest}}_{I_{\mathrm{ter}}-1}\right),H_{I_{\mathrm{ter}}})}---\left(16\right)$

$H_{I_{\mathrm{ter}}}=\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\&Sigma;}}}H\left(x_{I_{\mathrm{ter}}}\left(i\right)\right)---\left(17\right)$

$\mathrm{\&omega;}={\mathrm{\&omega;}}_{\max }-\frac{{\mathrm{\&omega;}}_{\max }-{\mathrm{\&omega;}}_{\mathrm{ini}}+h{\mathrm{\&omega;}}_h-s{\mathrm{\&omega;}}_s}{I_{\mathrm{ter},\max }}{I}_{\mathrm{ter}}---\left(18\right)$

v_t=wv_t′+C₁·R·(pbest_t-arrpresent_t)+C₂·R·(gbest_t-arrpresent_t)

arrpresent_t=arrpresent_t+V_t（19）

其中

w  代表自适应权重，即根据（15），（16），（17），（18）计算所得的权重值。

ω_ini,ω_max,ω_max，ω_h,ω_s分别是惯性权重的初始设定值、初始设定最大值、进化速度因子的设定值、聚集度因子的设值，按经验设定，一般为0.5，0.9，0.4，0.1。

X_Iter(i) 是粒子i当前的迭代次数Iter的位置。

N 是粒子群体规模、

H( ) 是适应值函数（即目标函数）。

v_t′  代表速度的上一次迭代值。

C₁ ，C₂ 代表学习因子，自行取值。

R   代表随机产生0~1之间数字的随机函数。

然后对燃料电池Fc和蓄电池的有功功率值进行检验，看其是否满足相应的约束条件，若不满足，则根据相应的调整算法，对其随机值做相应的调整使满足约束条件。

3.2）构建Busdata变量。

将各个粒子的初始位置存入用于牛顿—拉夫逊计算法的节点数据变量Busdata中，所述的Busdata变量如下所示：

$\mathrm{Busdata}={\left[\begin{array}{c}{\mathrm{busdata}}_1\\ {\mathrm{busdata}}_2\\ .\\ .\\ .\\ {\mathrm{busdata}}_t\\ .\\ .\\ .\\ {\mathrm{busdata}}_{24}\end{array}\right]}_{24\&times;1}$

电压     负 载     发电机       发电机无功

节点号  类型  幅值 角度 有功 无功 有功  无功  最大值   最小值

${\mathrm{busdata}}_t={\left[\begin{array}{cccccccccc}{\mathrm{nod}}_1& {\mathrm{type}}_1& V_1& {\mathrm{\&delta;}}_1& P_1& Q_1& P_{G1}& Q_{G1}& Q_{G1\min }& Q_{G1\max }\\ {\mathrm{nod}}_2& {\mathrm{type}}_2& V_2& {\mathrm{\&delta;}}_2& P_2& Q_2& P_{G2}& Q_{G2}& Q_{G2\min }& Q_{G2\max }\\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ {\mathrm{nod}}_n& {\mathrm{type}}_n& V_v& {\mathrm{\&delta;}}_n& P_n& Q_n& P_{\mathrm{Gn}}& Q_{\mathrm{Gn}}& Q_{\mathrm{Gi}\min }& Q_{\mathrm{Gi}\max }\end{array}\right]}_{n\&times;10}$

其中

节点类型取值为0,1,2，0代表平衡节点；1代表负荷节点，即PQ节点；2代表发电机节点，即PV节点。若第i个节点为负荷节点，则P_Gi，Q_Gi均为0。

3.3）根据目标函数计算Hvalue。

根据Busdata以及Linedata变量，通过牛顿—拉夫逊迭代法进行潮流计算，并得出线路的潮流分布，并计算得出与大电网侧的交换功率P_ex与线路损耗值P_L，表述为

$P_{\mathrm{ex}}={\left[\begin{array}{c}{P}_{\mathrm{ex},1}\\ P_{\mathrm{ex},2}\\ .\\ .\\ .\\ P_{\mathrm{ex},t}\\ .\\ .\\ .\\ P_{\mathrm{ex},24}\end{array}\right]}_{24\&times;1}$

$P_L={\left[\begin{array}{c}{P}_{L,1}\\ P_{L,2}\\ .\\ .\\ .\\ P_{L,t}\\ .\\ .\\ .\\ P_{L24}\end{array}\right]}_{24\&times;1}$

其中，P_ex,t，P_L,t代表第t时刻通过牛拉法计算得到的与大电网交换的功率和线路损耗功率。

然后根据目标函数（公式（1）），计算各个时刻各个粒子的H值，并相应的存入Arrpresent变量中第j+1列。

3.4）更新P_best，G_best，Best_record

通过比较每个粒子的H值，若小于原先储蓄于P_best中的值，说明更新位置后的运行方案更加经济，则更新P_best值。并且取所有例子P_best值中最小的值更新G_best，并储存于历代最优值储存变量Best_record中。

3.5）测试所得到的结果是否达到收敛的精度要求，若满足，则进入下一步；若不满足，则重新进行步骤3.1）。

（4）PSO混沌计算

4.1）进行PSO混沌

4.1.1）混沌的初始化：随机产生2组n个m维（输入算法的各个节点参量的个数）、数值大小在0-1之间的向量——坐标混沌向量：Z_i=(z_i1,z_i2,…,z_im)和扰动因子混沌向量U_i=(u_i1,u_i2,…,u_im)。

4.1.2）混沌的映射：根据处于完全混沌状态的Logistic映射，Z_i+1=4z_i(1-z_i), i=0,1,2,…，得出n个新的向量Z'₁，Z'₂，…，Z'_n。并将Z_i 的各个分量z_ij映射到每个参量的取值范围: x_ij=a_j+(b_j-a_j)z_ij，j=1,2,…,m; i=1,2,…,n，得出各个混沌粒子的位置初值 Z'_i=(x_i1,x_i2,…,x_im)。同样的方法，将扰动因子映射到扰动范围[-β,β]内，得到的扰动变量初值U'_i=(Δx_i1, Δx_i2,…, Δx_im)。

4.1.3）混沌位置值的更新：根据公式x'_ij=x_ij+Δx_ij，得出根据混沌算法的各个粒子的位置量X_i。

4.1.4）目标函数适应值的计算：将位置量X_i代入目标函数H，得出适应值，并得出当前N个混沌粒子的P_best。

4.2）全局最优值的验证。

将混沌算法得出的结果与自适应权重所收敛的全局最优解相比较，若大于或相等，则说明根据自适应权重方法已收敛于全局最优解进行下一步骤；若小于，则说明根据自适应权重方法收敛于局部最优解，因此，重新进行步骤3.1）。

（5）最优运行方式输出

输出该时刻粒子群算法得出的各个分布式电源以及大电网侧的最优有功出力值，并且输出该时刻微网线路的潮流分布以及处于最优运行方式的微网为满足负荷需求所应支付的最优总价格。该方案可以满足用户经济、环保和健康的要求。

（6）相关的推广

根据各个微网用户自身的需求，即对经济性、环保性、健康性的不同需求，自我选择不同的惩罚因子搭配，即不同的α、β、γ值，重新按照上述步骤进行计算，以得出满足不同微网用户对经济、环保、健康的不同需求。

Images