CN103761582A - 一种高适应度的互动型微电网配置规划方法 - Google Patents
一种高适应度的互动型微电网配置规划方法 Download PDFInfo
- Publication number
- CN103761582A CN103761582A CN201410005397.3A CN201410005397A CN103761582A CN 103761582 A CN103761582 A CN 103761582A CN 201410005397 A CN201410005397 A CN 201410005397A CN 103761582 A CN103761582 A CN 103761582A
- Authority
- CN
- China
- Prior art keywords
- micro
- power source
- cost
- electrical network
- distributed power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种高适应度的互动型微电网规划配置方法,能够适应多种要求,包括运行条件、电压损耗、分布式电源接入要求等。对各类分布式电源充分考虑,并依据各地的地理条件、风光条件、运营的场地条件,可以在规划前做出限定,使得规划结果具有优化意义和应用价值。优化目标为微电网总成本最小,结合分布式电源全寿命成本、配电网成本、微电网收益。规划基于改进遗传算法,提高其全局搜索能力,可解决复杂的电源优化配置问题。
Description
技术领域
本发明涉及一种高适应度的互动型微电网电源优化配置的方法,属电源优化配置技术领域。
背景技术
随着全球性能源危机,低碳、清洁的可再生能源成为研究热点,目前,世界各国相应开展含可再生能源的微电网研究项目。我国也相继开展微电网示范项目,对微电网内的分布式电源规划也成为重要研究问题。
分布式电源,特别是可再生能源存在的间歇性、不可控性特性,接入电网会对电力系统造成影响,需进行限制。目前的微电网规划工程中存在凭经验值规划,实际使用与预想差距较大,或经济性较差。
发明内容
本发明的目的是,为了克服上述现有技术的不足,本发明提供了一种高适应度多电源微电网规划配置方法。
本发明针对微电网常见的并网运行特点,考虑微电网与大电网的互动特性,可减小投资运行总成本;此外,对优化地区的风光、负荷进行综合考虑,更有针对性,对场地条件进一步考虑,对风机、光伏的数目有所要求,在满足各约束条件下,通过优化算法得到该地区的电源规划结果。本发明所采用的优化算法为改进遗传算法,这种算法提高了全局的收敛性,能实现复杂优化问题的最优化。
实现本发明的技术方案是,所述方法以微电网总成本最小为优化目标,成本综合考虑分布式电源的投资成本、运行成本、替换成本,并考虑投资期的利率等因素;所述方法适应多种要求,设置相关约束条件,包括基本的微电网运行条件,接入配电网的电压损耗要求,分布式电源接入容量限制;所述方法在电源配置优化前,对优化地区的数据调研,获取有价值的信息;对各类分布式电源充分考虑,并依据各地的地理条件、风光条件、运营的场地条件,可以在规划前做出限定,使得规划结果具有优化意义和应用价值;所述方法中配置规划基于改进遗传算法,通过保留优秀个体和两种交叉策略,提高其全局搜索能力,能够解决复杂的电源优化配置问题。
本发明以微电网系统的总成本最小为优化目标,总成本由各分布式电源全寿命周期成本、配电网购电成本及微电网收益组成。其中分布式电源的全寿命周期成本考虑初始投资成本、替换成本以及日常维护成本。配电网购电成本主要考虑微电网从配电网吸收功率的成本。微电网收益采取可再生能源上网标杆价进行补贴。总成本在此基础上考虑投资期的利率和工程寿命,引入资金回收系数。总成本公式如下:
其中,K为分布式电源的种类;
Ncompj为第j种微电源的容量;
Ccompj为第j种分布式电源的全寿命周期内成本等年值。
Cpcc为微电网从配电网购电的成本等年值;
CRF为资金回收系数,参数i、Rproj分别为年利率和工程寿命;
Sub为微电网的发电补贴等年值;
Pwt(t)和Ppv(t)分别为t时刻内风机、光伏电池的输出功率;
Subwt,Subpv分别为风机和光伏的补贴电价,¥/kWh
α为购电电价;
k为购电系数;
Pg(t)为t时刻联络线输送功率(以微电网输送功率为正);
本发明在约束条件中,除考虑常规的运行约束条件,还考虑了基于调研的规划要求和分布式电源接入规定的约束条件。
(1)基于调研的约束条件
对优化地区的调研,确定该地区所使用的分布式电源的种类。同时根据运营场所的场地要求、用户要求,对采用的分布式电源的容量进行限制。
基于调研的分布式电源种类及容量限制为:
Nj,min≤Nj≤Nj,max 1≤j≤K
其中,K为分布式电源的种类数;j为某一种类分布式电源;Nj为第j种分布式电源的容量;Nj,min为第j种分布式电源容量的最小值;Nj,max为第j种分布式电源容量的最大值。
(2)常规运行约束
联络线功率限制:
Pg_min≤Pg(t)≤Pg_max
Pg_min为微电网能够从配电网吸收最大功率;
Pg_max为微电网能够向配电网输送功率的最大功率;
储能荷电状态限制:
SOCmin≤SOC(t)≤SOCmax
SOCmin和SOCmax分别为蓄电池荷电状态的下限和上限;
根据《电力系统电压和无功电力技术导则》的相关规定,配电线路的最大允许电压损失值为5%。
(3)分布式电源接入约束
本发明将《分布式电源接入电网技术规定》中的相关要求转换为配电网对微电网接入的要求中,具体如下:
分布式电源总容量原则上不宜超过上一级变压器供电区域内最大负荷的25%。
该约束主要为防止逆流对配电网的继电保护配置等方面产生较大影响,对于微电网接入方式,本发明可将该约束转换为联络线最大上送功率不得超过上一级变压器供电区域内最大负荷的25%,最大负荷可按变压器的额定容量来考虑。
Pg(t)<25%×Str
其中,Pg(t)为联络线功率;Str为变压器额定容量;
分布式电源并网点的短路电流与分布式电源额定电流之比不宜低于10。
通过限制PCC点短路容量与分布式电源容量的比值可以有效减少分布式电源功率波动引起的PCC点电压波动。对于分布式电源接入方式,PCC点的最大功率波动一般小于等于其额定容量,因此,若采用微电网接入方式,当联络线最大电流小于0.1倍PCC点短路电流,可近似认为与微电网联络线功率等效的分布式电源额定容量小于0.1倍PCC短路容量。
|Pg(t)|<10%×Ssc
其中,Pg(t)为联络线功率;Ssc为PCC短路容量。
基于分布式电源接入规定的约束为:
本发明改进遗传算法优化方法为,选取满足各项约束条件且系统成本最低的M个微电源组合构成优秀个体库,并从中选取父本进行交叉进化,利用优秀个体的对种群的推动作用来加速算法的收敛速度。
为避免种群过早被局部最优解所占领,加入了一定比例的随机种群参与交叉变异,增加种群的多样性,继而有效的避免了早熟收敛现象。
与现有技术相比,本发明的有益效果是,本发明基于优化地区的数据调研,确定分布式电源的种类、容量限制,以及采集优化地区的负荷数据,使得针对该地区的优化结果更具有参考价值。本发明基于改进的遗传算法,提高全局的优化搜索能力,对复杂的优化问题也能取得很好的优化结果。
附图说明
图1为某地区全年负荷曲线;
图2为某地区全年气象数据:风速曲线;
图3为某地区全年气象数据:光照强度;
图4为某地区全年气象数据:平均气温;
图5为优化得到的某日微电网分布式电源及大电网的功率分布;
图6为改进遗传算法具体流程示意图;
图7为本发明方法流程示意图;
图8为本发明采用的改进遗传算法(IGA)、传统遗传算法(GA)和自适应多位变异遗传算法(AMBMGA)遗传收敛特性对比图。
具体实施方式
下面结合附图对本发明的具体实施方式作更进一步的说明。
本发明方法流程如图7所示。
1、结合优化地区的地理条件、场地限制等,确定该地区采用的分布式电源种类,以及所采用的分布式电源的容量上限。
2、对优化地区进行调研,包括采集该地区的负荷数据和气象数据(光照、温度及风速数据),对该地区负荷需求有所掌握,依据气象数据对光伏、风机出力建模,对整个优化结果有重要价值。
实际工程应用中,光伏阵列的输出功率可以采用如下的经验公式,该公式采用与标准环境下的光照温度进行比对的方法,给出近似参考值。该公式表述如下:
PPV=Pstc×Gw×[1+kr(Tw-Tstc)]/Gstc
式中:Pstc、Tstc、Gstc分别表示标准环境下的最大测试功率、环境参考温度以及光照强度,其中Tstc=300K,Gstc=1000W/m2;Gw、Tw分别表示光伏阵列工作时的光照强度和温度;kr表示光伏阵列功率温度系数
对于给定的风力发电机而言,其输出功率由风力发电机所在地点的风速、风向和自身特征所决定。因此,对于特定的时间,风力发电机在不同时段的输出功率计算可使用以下式:
式中Pvw为风力发电机在时段w的输出功率,Prated为风力发电机的额定输出功率,vci为切入风速,vco为切出风速,vr为额定风速,vaw为时段w的实际风速。
3、确定目标函数
该发明以微电网系统的总成本最小为优化目标
4、确定约束条件
5、采用改进遗传算法进行优化计算
改进遗传算法具体流程如图6所示。
设定种群的规模NP、进化代数NG、优秀个体数M等参数,以步骤1中确定的分布式电源的种类和容量限制,进行初始化种群。
计算每个个体的目标函数值,并选取目标函数值最小的M个相异的个体存入优秀个体库中;
选择优秀个体库中目标函数值最小的个体A作为父本,随机从该代种群中选择NP/4个个体作为母本进行交叉,若母本个体来自种群的前半部分,则采用翻转交叉操作,否则采用单点交叉操作,交叉后的个体按概率执行变异后存入矩阵tampA中;
随机从优秀个体库中选择个体B(与A相异)作为父本,按比例选择法从该代种群中选择(1-r)×NP/4个个体,并随机生成r×NP/4个个体作为母本进行单点交叉,交叉后的个体按概率执行变异后存入矩阵tampB中;
将矩阵tampA和tampB合并生成新一代种群,计算个体的目标函数值。比较新一代种群中最优个体与优秀个体库中最差个体进行比较,若新一代中个体更优,则用该个体替换精英库中最差的个体,否则,不更新优秀个体库;
反复进行交叉、变异操作生成下一代种群,直至代数达到设定的进化代数,输出优秀个体库中最优的分布式电源容量组合。
为验证本发明算法的有益效果,进行了以下仿真实验:
某地区的负荷数据和气象数据分别由图1、图2、图3和图4给出。
仿真算例所采用的分布式电源包括光伏、风机、蓄电池。参与优化计算的分布式电源投资参数如表1所示。
表1 分布式电源机组投资参数
微电网所接入的配电网参数如表2所示。
表2 配电网参数
名称 | 参数值 |
负荷规模 | 100kW(敏感负荷占60%) |
并网电压 | 0.38kV |
联络线阻抗 | 0.15+j0.1Ω |
极限输送电流 | 250A |
上一级变压器容量 | 200kVA |
PCC点短路电流 | 780A(小方式) |
结合该地区不同行业的售电价格,其最优配置结果如表3所示:
表3 最优配置方案的经济性对比
根据表3可看出购电电价越高时,微电网的最优成本越高,同时其投资回报率也越高。
为对比本发明所采用的改进算法性能,对改进的遗传算法(ImprovedGenetic Algorithm,IGA)、传统遗传算法(GA)和自适应多位变异遗传算法(Adaptive Multiple Bit Mutation Genetic Algorithm,AMBMGA)进行优化计算,收敛过程如图8所示,由图可见,本发明所使用的改进遗传算法在收敛性能上具有明显优势。
Claims (5)
1.一种高适应度的互动型微电网配置规划方法,其特征在于,
所述方法以微电网总成本最小为优化目标,成本综合考虑分布式电源的投资成本、运行成本、替换成本,并考虑投资期的利率等因素;
所述方法适应多种要求,设置相关约束条件,包括基本的微电网运行条件,接入配电网的电压损耗要求,分布式电源接入容量限制;
所述方法在电源配置优化前,对优化地区的数据调研,获取有价值的信息;对各类分布式电源充分考虑,并依据各地的地理条件、风光条件、运营的场地条件,可以在规划前做出限定,使得规划结果具有优化意义和应用价值;
所述方法中配置规划基于改进遗传算法,通过保留优秀个体和两种交叉策略,提高其全局搜索能力,能够解决复杂的电源优化配置问题。
2.根据权利要求1所述的一种高适应度的互动型微电网配置规划方法,其特征在于,
所述总成本由各分布式电源全寿命周期成本、配电网购电成本及微电网收益组成;其中分布式电源的全寿命周期成本考虑初始投资成本、替换成本以及日常维护成本;配电网购电成本主要考虑微电网从配电网吸收功率的成本;微电网收益采取可再生能源上网标杆价进行补贴;总成本在此基础上考虑投资期的利率和工程寿命,引入资金回收系数;总成本公式表示如下:
其中,K为分布式电源的种类;Ncompj为第j种微电源的容量;Ccompj为第j种分布式电源的全寿命周期内成本等年值;Cpcc为微电网从配电网购电的成本等年值;CRF为资金回收系数,参数i、Rproj分别为年利率和工程寿命;Sub为微电网的发电补贴等年值;
其中,Pwt(t)和Ppv(t)分别为t时刻内风机、光伏电池的输出功率;Subwt,Subpv分别为风机和光伏的补贴电价,¥/kWh;
其中,α为购电电价;k为购电系数;Pg(t)为t时刻联络线输送功率。
3.根据权利要求1所述的一种高适应度的互动型微电网配置规划方法,其特征在于,其特征在于,所述约束条件的设置包含常规约束、基于调研的约束和分布式电源接入约束,具体如下:
联络线功率限制:Pg_min≤Pg(t)≤Pg_max;
储能荷电状态限制:SOCmin≤SOC(t)≤SOCmax;
基于调研的分布式电源种类及容量限制:Nj,min≤Nj≤Nj,max 1≤j≤K;
基于分布式电源接入规定的约束:
4.根据权利要求1所述的一种高适应度的互动型微电网配置规划方法,其特征在于,其特征在于,所述对优化地区的数据调研,获取有价值的信息,包括调研优化地区的地理条件、风光资源、场地限制,确定该地区适合采用的分布式电源的种类以及容量。
5.根据权利要求1所述的一种高适应度的互动型微电网配置规划方法,其特征在于,其特征在于,所述改进遗传算法选取满足各项约束条件且系统成本最低的M个微电源组合构成优秀个体库,并从中选取父本进行交叉进化,利用优秀个体的对种群的推动作用来加速算法的收敛速度;为避免种群过早被局部最优解所占领,加入了一定比例的随机种群参与交叉变异,增加种群的多样性,继而有效的避免了早熟收敛现象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410005397.3A CN103761582A (zh) | 2014-01-07 | 2014-01-07 | 一种高适应度的互动型微电网配置规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410005397.3A CN103761582A (zh) | 2014-01-07 | 2014-01-07 | 一种高适应度的互动型微电网配置规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103761582A true CN103761582A (zh) | 2014-04-30 |
Family
ID=50528816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410005397.3A Pending CN103761582A (zh) | 2014-01-07 | 2014-01-07 | 一种高适应度的互动型微电网配置规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103761582A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104037765A (zh) * | 2014-07-08 | 2014-09-10 | 上海电力学院 | 基于改进遗传算法选取有源配电网供电恢复方案的方法 |
CN104092209A (zh) * | 2014-06-18 | 2014-10-08 | 光一科技股份有限公司 | 基于实时反馈的互动型微电网能量控制处理方法 |
CN105976108A (zh) * | 2016-05-05 | 2016-09-28 | 国网浙江省电力公司电力科学研究院 | 一种配电网分布式储能规划方法 |
CN106227986A (zh) * | 2016-09-29 | 2016-12-14 | 华北电力大学 | 一种分布式电源与智能停车场的联合部署方法及装置 |
CN106385025A (zh) * | 2016-10-08 | 2017-02-08 | 四川大学 | 一种分布式电源与联络线多阶段协同规划方法 |
CN107301470A (zh) * | 2017-05-24 | 2017-10-27 | 天津大学 | 一种配电网扩展规划与光储选址定容的双层优化方法 |
CN110492522A (zh) * | 2018-05-14 | 2019-11-22 | 上海国孚电力设计工程股份有限公司 | 基于遗传算法的微电网配置方法、装置、设备及其介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007110809A (ja) * | 2005-10-12 | 2007-04-26 | Tokyo Electric Power Co Inc:The | 分散型電源を配電ネットワークに連系する際の条件を決定する支援システム及び支援方法 |
CN102903016A (zh) * | 2012-09-28 | 2013-01-30 | 南方电网科学研究院有限责任公司 | 一种分布式发电规划方法 |
-
2014
- 2014-01-07 CN CN201410005397.3A patent/CN103761582A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007110809A (ja) * | 2005-10-12 | 2007-04-26 | Tokyo Electric Power Co Inc:The | 分散型電源を配電ネットワークに連系する際の条件を決定する支援システム及び支援方法 |
CN102903016A (zh) * | 2012-09-28 | 2013-01-30 | 南方电网科学研究院有限责任公司 | 一种分布式发电规划方法 |
Non-Patent Citations (2)
Title |
---|
刘全 等: "双精英协同进化遗传算法", 《软件学报》 * |
刘皓明 等: "基于GA-PSO的微电网电源容量优化设计", 《华东电力》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104092209A (zh) * | 2014-06-18 | 2014-10-08 | 光一科技股份有限公司 | 基于实时反馈的互动型微电网能量控制处理方法 |
CN104037765A (zh) * | 2014-07-08 | 2014-09-10 | 上海电力学院 | 基于改进遗传算法选取有源配电网供电恢复方案的方法 |
CN104037765B (zh) * | 2014-07-08 | 2016-03-30 | 上海电力学院 | 基于改进遗传算法选取有源配电网供电恢复方案的方法 |
CN105976108A (zh) * | 2016-05-05 | 2016-09-28 | 国网浙江省电力公司电力科学研究院 | 一种配电网分布式储能规划方法 |
CN106227986A (zh) * | 2016-09-29 | 2016-12-14 | 华北电力大学 | 一种分布式电源与智能停车场的联合部署方法及装置 |
CN106385025A (zh) * | 2016-10-08 | 2017-02-08 | 四川大学 | 一种分布式电源与联络线多阶段协同规划方法 |
CN106385025B (zh) * | 2016-10-08 | 2019-03-12 | 四川大学 | 一种分布式电源与联络线多阶段协同规划方法 |
CN107301470A (zh) * | 2017-05-24 | 2017-10-27 | 天津大学 | 一种配电网扩展规划与光储选址定容的双层优化方法 |
CN107301470B (zh) * | 2017-05-24 | 2020-12-01 | 天津大学 | 一种配电网扩展规划与光储选址定容的双层优化方法 |
CN110492522A (zh) * | 2018-05-14 | 2019-11-22 | 上海国孚电力设计工程股份有限公司 | 基于遗传算法的微电网配置方法、装置、设备及其介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103761582A (zh) | 一种高适应度的互动型微电网配置规划方法 | |
CN107069814B (zh) | 配网分布式电源容量布点的模糊机会约束规划方法与系统 | |
CN111950807B (zh) | 计及不确定性与需求响应的综合能源系统优化运行方法 | |
CN104037765B (zh) | 基于改进遗传算法选取有源配电网供电恢复方案的方法 | |
CN103745268A (zh) | 含分布式电源的微电网多目标优化调度方法 | |
CN104077494A (zh) | 一种分布式电源接入配电网的仿真评价方法 | |
CN109818369B (zh) | 一种计及出力模糊随机性的分布式电源规划方法 | |
CN104915899A (zh) | 一种基于特征聚类分析的光伏电站运行状态划分方法 | |
CN105512472A (zh) | 大型风电基地功率汇集系统拓扑结构分层优化设计及其优化设计方法 | |
CN107834608A (zh) | 一种多能源互济系统的优化协调控制方法及系统 | |
CN106385055B (zh) | 一种含分布式电源的配电网安全校核方法 | |
CN114050609B (zh) | 一种高比例新能源电力系统自适应鲁棒日前优化调度方法 | |
Ding et al. | Planning of soft open point integrated with ESS in active distribution network | |
CN105356508B (zh) | 基于psd-bpa的电网风电接入评价系统及其方法 | |
CN112836957B (zh) | 一种考虑供电可靠性的区域综合能源系统规划方法 | |
Ghasemi-Marzbali et al. | Energy management of an isolated microgrid: A practical case | |
Chowdhury et al. | Optimal placement and sizing of renewable distributed generation in electricity networks considering different load models | |
Peng et al. | Research of Multi-objective optimal dispatching for microgrid based on improved Genetic Algorithm | |
Ahammed et al. | Analysis of Energy Consumption for a Hybrid Green Data Center | |
CN103326376A (zh) | 一种基于功率圆切点的放射式电网无功优化控制方法 | |
Yang et al. | Control scheme for energy storage in domestic households | |
Li et al. | The expansion planning of wind-thermal co-generation system based on harmony search algorithm under smart grid | |
Wei et al. | Research on the reactive power optimization of distribution network including DG | |
Li et al. | Optimal configuration for distributed generations in micro-grid system considering diesel as the main control source | |
CN110994665A (zh) | 一种分布式光伏多点接入低压配电网选址方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140430 |
|
WD01 | Invention patent application deemed withdrawn after publication |