CN104392269B - 一种基于人工免疫的微电网分布式电源竞价方法 - Google Patents

Abstract

本发明公开了一种基于人工免疫的微电网分布式电源竞价方法，所述方法包括以下步骤：竞价单元智能体对收集到的信息进行加工，形成人工免疫的报价环境抗原；通过人工免疫算法进行求解，获得符合分布式电源自身利益的抗体；将抗体解码获得该分布式电源的竞价方案。本发明采用具有强大的信息处理和自适应能力的人工免疫智能算法，解决风电和太阳能光伏发电等新能源，在运行环境复杂且通常意义下难以控制时的竞价问题。竞价过程中利用人工免疫的自适应和缺陷容忍能力，处理间歇性电源所带来的不确定性问题，并通过人工免疫的协同进化过程，提高整个微电网MAS的协调性。

Description

一种基于人工免疫的微电网分布式电源竞价方法

技术领域

本发明涉及电力系统领域，尤其涉及一种基于人工免疫的微电网分布式电源竞价方法。

背景技术

微电网作为分布式电源(Distributed Energy Resource，DER)的重要组织方式，其优化运行是该技术实施的关键。多智能体系统(Multi-Agent Systems，MAS)适宜于解决复杂的、开放的分布式问题，采用该结构的微电网运行控制占有一定的比例[1]。

目前基于该结构的微电网优化运行多以网设备运行维护成本及与主网互购电能费用为基础的最小成本为目标，各智能体(Agent)通常采用自愿协作方式，在问题求解中，以完全合作的态度进行分工协作，共同完成任务[2]。当微电网内设备产权不统一，或涉及公共微电网时，现有运行方式无法解决微电网内部利益分配的问题，现有微电网基于自愿协作方式运行控制方法容易导致利益分享问题或执行不畅[3]。

利用发电竞价方法可以很好的体现微电网集中式和分散式控制的优点，已经在大电网的市场化运作中实行[4]。由于分布式电源及微电网自身的特性，采用竞价方式实现微电网的运行需要解决如下问题：

(1)微电网由于人为干预较少，分布式电源竞价过程中可以利用分布式电源之间的协调机制，在各自“理性”竞价的基础上通过多次反馈，以“主观为自己，可观为大家”的经济学原则，达到微电网的全局最优运行。优化过程中分布式电源竞价结果将直接传递给微电网运行控制Agent执行，因此竞价功能需要融合在运行控制的整体结构中。

(2)微电网内分布式电源的发电竞价受环境等多种因素影响，是个复杂系统问题。分布式电源，如风电和太阳能光伏发电，具有间歇性和不可控性，运行环境复杂且通常意义下难以控制，通过实际观测、或对实际系统的分析和仿真，很难获取包容所有模式下的竞价方案样本。目前常规电源的竞价算法，如“强化学习”、“重复博弈”等算法，还无法对未知环境下的竞价获得较满意的结果。微电网中由于竞价结果直接指导运行控制，面上表现“理性”的竞价Agent在突发事件面前可能表现得很“笨拙”，这是难以接受的。

发明内容

本发明提供了一种基于人工免疫的微电网分布式电源竞价方法，本发明能够解决当微电网内设备产权不统一，或涉及公共微电网时，现有运行方式无法实现微电网内部利益分配的问题。该方法通过竞价的市场机制引导微电网优化运行，具体过程见下文描述：

一种基于人工免疫的微电网分布式电源竞价方法，所述方法包括以下步骤：

竞价单元智能体对收集到的信息进行加工，形成人工免疫的报价环境抗原；

通过人工免疫算法进行求解，获得符合分布式电源自身利益的抗体；

将抗体解码获得该分布式电源的竞价方案。

所述通过人工免疫算法进行求解，获得符合分布式电源自身利益的抗体，将抗体解码获得该分布式电源的竞价方案步骤为：

(1)根据竞价设备典型特性和典型外界环境建立抗原知识库；

(2)根据竞价的历史竞价策略，初始化基因库；

(3)对抗原进行识别，与抗原知识库中已有典型抗原进行对比，若能够找到相匹配的抗原，转步骤(4)；若未能够找到相匹配或相近的抗原，则转步骤(5)；

(4)进行人工免疫的二次应答，将抗原知识库中该抗原相对应的抗体作为抗体代表，转步骤(6)；

(5)对未匹配的抗原进行初次应答，获得满足亲和度要求的抗体，形成抗体代表；并将匹配的抗原和抗体代表作为一种场景保存入抗原数据库，转步骤(6)。

(6)将获得的抗体代表解码，并将竞价结果提交给竞价管理智能体或其他智能体。

所述对未匹配的抗原进行初次应答，获得满足亲和度要求的抗体，形成抗体代表的步骤具体为：

(1)从基因库中随机抽取抗体基因，并组成初始化的抗体集合，t＝0；

(2)针对竞价单元的抗原，计算抗体集合内各抗体的亲和度；

(3)基于抗体亲和度，对人工免疫基因库中的等位基因进化；

(4)判断是否满足终止条件，如果不满足终止条件，执行步骤(5)，否则，转步骤(7)；

(5)进行抗体集合的免疫进化，获得新的抗体集合，执行步骤(6)；

(6)令t＝t+1，并转步骤(2)；

(7)将抗体集合中亲和度最大的抗体作为抗体代表，执行步骤(8)；

(8)对抗原知识库进行更新，将抗原及获得的抗体代表作为一个场景，保存到抗原知识库。

所述终止条件具体为：

(a)获得亲和度大于目标函数Affinity_set；或，

(b)相邻两次计算亲和度变化小于门槛值ε；或，(c)算法运行超过一定的代数。

所述亲和度的计算公式为：

其中，Affinity(Ab)为抗体Ab的亲和度；C_min为分布式电源设备单位发电量的固定生产成本相反数；π_i(b_i,c_i)为竞价单元基于人工免疫抗体情况下的利益，且由下式获得：

其中，P_cl为微电网内分布式电源和负荷之间的电能清算价格；b_0i和c_0i为机组的可变成本系数；Q_i为发电机的出力；C_start为机组启动价格，对于光伏或风力发电，C_start＝0；U_i为布尔型变量。

本发明提供的技术方案的有益效果是：

(1)未来电力市场及微电网的发展，微电网组成可能属于不同业主，基于竞价等经济手段进行优化运行与控制不可避免。本发明能够解决当微电网内设备产权不统一，或涉及公共微电网时，分布式电源智能竞价问题，有助于微电网商业化运营的实现。

(2)本发明采用具有强大的信息处理和自适应能力的人工免疫智能算法，解决风电和太阳能光伏发电等新能源，在运行环境复杂且通常意义下难以控制时的竞价问题。竞价过程中利用人工免疫的自适应和缺陷容忍能力，处理间歇性电源所带来的不确定性问题，并通过人工免疫的协同进化过程，提高整个微电网MAS的协调性。

附图说明

图1为基于人工免疫技术的微电网竞价优化算法流程图；

图2为本发明示范例提供的竞价反馈形式；

图3为抗体的编码和解码过程；

图4为本发明提供的单元竞价Agent通过人工免疫方法的竞价求解流程图；

图5为实施例克隆变异过程中抗体亲和度形态解空间变化示意图；

图6为示范例的微电网结构；

图7为示范例某Agent竞价过程中抗体集合亲和度的变化趋势；

图8为示范例竞价时段内微电网多次协调得到清仓价格；

图9为竞价单元Agent求解5000次的进化代数分布；

图10为微电网求解100次达到纳什均衡的协调进化代数分布。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

人工免疫系统(Artificial Immune systems，AIS)通过深入探索生物免疫系统所蕴含的信息处理机制，建立相应的工程模型和算法，用于解决各类复杂问题。从信息处理的角度来看，免疫系统是一个高度并行、分布、自适应和自组织的系统，具有很强的学习、识别、记忆和特征提取能力，近年来在计算机网络安全、电力系统网络重构、自律机器人的研究、智能控制、模式识别及故障检测等工程领域显示了强大的信息处理和自适应能力，能够较好解决未知环境中的动态问题。

基于背景技术中描述的原因，本方法提出一种基于人工免疫的微电网分布式电源竞价优化运行方法，其特点是竞价过程采用人工免疫算法，利用人工免疫的自适应和缺陷容忍能力，处理间歇性电源所带来的不确定性问题，并通过人工免疫的协同进化过程，提高整个微电网运行优化的协调性，参见图1至图10，详见下文描述：

一、基于人工免疫的微电网分布式电源竞价方法流程。

该功能通过竞价单元Agent实现，主要包括三个步骤：

(1)对收集到的信息进行加工，形成人工免疫的报价环境抗原；

(2)单元竞价Agent基于报价环境抗原，通过人工免疫算法进行求解，获得符合分布式电源自身利益的抗体；

(3)将抗体解码获得该分布式电源的竞价方案，并提交给竞价管理Agent。

其中，基于人工免疫技术的微电网竞价优化算法流程如图1所示，图中微电网竞价模型，决策量及约束的确定，以及DER竞价形式和目标函数，由微电网的市场环境和竞价模式决定。竞价过程中人工免疫技术的应用如图中方框部分所示，首先通过编码将抗体转化为人工免疫算法可以处理的形式；然后抗体在亲和度的诱导下发生随机优化的转移；最后将获得的抗体解码形成报价。

二、竞价单元Agent基于分布式电源自身设备特性的人工免疫的报价环境抗原表现形式。

各DER竞价单元的报价环境抗原模型可包括三部分，(a)竞价设备自身的环境信息，该部分属于私有信息，不同设备关注不同，如：微燃机关注天然气价格，光伏发电关注时间段内的日照强度，风机关注时间段内的风强度。(b)优化运行时间段内微电网从连接主网的购电价格和出售给主网的售电价格；(c)其他竞价单元Agent的报价，包括分布式电源的竞价系数b_i和c_i，以及最大最小发电容量。提交的竞价反馈形式如图2所示，该部分信息可从竞价管理Agent获得，也可通过Agent之间的信息交互获得。当仅允许DER参与竞价时，抗体代表集合内元素个数n即为竞价DER的Agent数。

其中，各竞价DER的环境因素(抗原部分1)和自身技术参数，决定了发电成本，以及该时段Q_imin和Q_imax；市场购售电价P_buy和P_sell(抗原部分2)决定了微电网内结清电价p_cl的上下限范围。竞价单元Agent的自身报价和竞价反馈信息(抗原部分3)，决定了微电网的结清电价P_cl值，该值是微电网竞价的核心，关系到微电网内各参与者的利益。Agent之间信息的交互是通过竞价的提交实现，并以竞价反馈的方式公布给其他竞价Agent。

三、竞价单元Agent基于分布式电源的报价形式，确定人工免疫算法的抗体，以及抗体的编码和解码。

其中，人工免疫算法的运行过程，不是对所求解问题的实际决策变量(发电报价)直接进行操作，而是对表示可行解的个体编码进行克隆、变异和选择等运算，通过这种免疫方式达到优化的目的。竞价DER的报价形式包含四个参数，[b_i,c_i,Q_imin,Q_imax]，其中Q_imin,Q_imax与所在阶段的环境和技术因素有关，不参与竞价策略，因此本方法所描述的抗体仅包括b_i和c_i两个基因元素。抗体的编码也是对b_i和c_i两个基因元素。示范例的抗体编码采用格雷码编码方式，其主要优点是相邻值的变化符合最小字符集编码原则，便于提高AIS方法的局部搜索能力。

用长度为l位的二进制编码串来分别表示两个决策变量b_i和c_i。如采用10位二进制编码串，可以表示从0到1023之间的1024个不同的数，故将决策变量b_i和c_i分别离散化到1023个均等的区域，并分别对应从000000000(0)到11111111111(1023)之间的二进制编码，再将b_i和c_i二个10位长的二进制编码串连接，组成一个20为长的二进制编码串，它就构成了这个函数优化问题的抗体编码，在解空间和人工免疫搜索空间具有一一对应的关系。十进制与二进制的转换，参考已有技术，本发明实施例对此不做限制。

实施例抗体的编码和解码可通过十进制——二进制——格雷码转换实现，具体过程如图3所示。

假设x_i(表示b_i或c_i基因元素)的可决策范围上下限为U_imax和U_imin，编码精度为：

若某一长度为l的二进制个体编码b_lb_l-1b_l-2…b₂b₁，则对应的十进制解码公式为：

假设二进制编码为B＝b_mb_m-1b_m-2…b₂b₁，对应的格雷码为G＝g_mg_m-1g_m-2…g₂g₁。由二进制编码转格雷码的转换公式为：

由格雷码转二进制的转换公式为：

上述转换公式中，表示异或运算符。

四、单元竞价Agent基于报价环境抗原，通过人工免疫算法进行求解，获得符合分布式电源自身利益的抗体，将抗体解码获得该分布式电源的竞价方案。

其中，每次竞价过程，即是一次免疫过程。基于人工免疫的微电网分布式电源的竞价算法，该技术的关键是单体Agent的自适应免疫算法，以及在此基础上所实现的各Agent的协同进化的实现。单元竞价Agent通过人工免疫方法的竞价求解流程，如图4所示，包括如下步骤：

401：根据DER设备典型特性和典型外界环境建立抗原知识库，该步骤只在第一次运行时执行。

其中，该抗原知识库是竞价单元Agent对自己历史知识的积累。抗原知识库包括典型的抗原，以及相对应的“成熟”抗体。信息的来源包括环境监测数据(如发电预测、燃料成本等)、微电网管理Agent提供的主网购售电价信息、其他Agent的报价信息，以及发电设备自身技术参数、以及历史竞价信息等。而负荷会根据所处日期(星期几，是否放假，)特性和外界环境(天气、温度)等经验知识给出一些典型的竞价方案放入抗原知识库中。

402：根据DER的历史竞价策略，初始化基因库，该步骤只在第一次运行时执行。

其中，在整个进化过程中，基因库和基因库进化起到关键性的作用，采用基因库元素的定制操作，可以有目标地、主动地生成与抗原更为匹配的新抗体。

基因库的初始化由抗原知识库中“成熟”抗体的基因获得。根据DER的类型及技术经济特性，形成多组典型的报价参数，如风、光等分布式电源设备根据不同天气预报给出的典型竞价参数，微燃机根据天然气价格给出的典型竞价参数。基因库为抗体的更新能提供方向性的指导。

403：对该阶段的抗原进行识别，与抗原知识库中已有典型抗原进行对比，若能够找到相匹配的抗原，转404；若未能够找到相匹配或相近的抗原，则转405。

其中，由于竞价DER在每个时段的抗原包括相对静态的电网电价和环境因素部分，同时微电网运行周期各竞价单元的竞价(竞价反馈)具有很高的重复性，因此大部分最优解都会在可以给予历史经验找到类似的情景。匹配采用通用的数据库检索功能，关键词为抗原。

404：将抗原库中该抗原相对应的抗体作为抗体代表，解码后获得竞价结果，这一过程为二次应答，转步骤406。

405：对未匹配的抗原进行初次应答，获得满足亲和度要求的抗体，形成抗体代表，转步骤406。

将获得的抗体代表解码，并以[b_i,c_i,Q_imin,Q_imax]形式提交给竞价管理Agent或其他Agent。

406：对抗原知识库进行更新，将抗原及获得的抗体代表作为一个场景，保存到抗原知识库。其中，抗原知识库对新出现的抗原和对应的“成熟”抗体进行保存，是不断积累完善的过程。五、对于步骤405，实施过程中未匹配的抗原进行初次应答，所实施的人工免疫算法流程，具体步骤包括：

4051：抗体集合初始化。从基因库中随机抽取抗体基因，组成“未成熟”抗体集合。

其中，由实施例的编码可知，竞价单元的策略包括b_i和c_i两个等位基因段，因此可以从基因库中抽取等位基因段组成候选解，形成抗体集合(竞价策略)。抗体集合包含抗体的个数定为m，典型数值可以取5～20，m数值的增大可以增加所求的“成熟”抗体的质量，但同时也会加大计算过程的运算量。

4052：对“未成熟”抗体集合中的抗体进行亲和度计算。

定义抗体和抗原的亲和度Affinity(Ab)为：

式中，π_i(b_i,c_i)为竞价单元基于(b_i,c_i)竞价情况下的利益，在一定的环境下(抗原)，竞价策略(抗体)能够获得最大的收益(目标函数)时，认为亲和度最高。C_min是一个适当的相对比较小的数，可为分布式电源设备单位发电量的固定生产成本相反数。

应用公式(5)进行抗体亲和度计算，其中，分布式电源竞价的目标函数π_i(b_i,c_i)由下式获得：

其中，P_cl为微电网内分布式电源和负荷之间的电能清算价格，由各机组和负荷的报价情况来决定。b_0i和c_0i为机组的可变成本系数，b_0i和c_0i可以很小，甚至为0。Q_i为发电机的出力，需要满足Q_imin≤Q_i≤Q_imax。C_start为机组启动价格，对于光伏或风力发电，C_start＝0；U_i为布尔型变量，当系统由未启动状态到启动状态，则U_i＝1；其他情况下，则U_i＝0。

其中，式(6)中P_cl和Q_i的求取，可采用但不限于如下流程：

(1)取该时段所有负荷报价曲线，合并形成总的负荷需求曲线。每个机组根据报价(b_j和c_j，j≠i)，形成供应曲线。令k＝0。

(2)对于各个DER，基于式(7)形成的报价曲线，若设微电网内清仓价格潜在的上下限分别为λ_up和λ_down，且令λ_up＝P_buy和λ_down＝P_sell，其中P_buy和P_sell分别为微电网从所连接主网的购电和售电价格。

B_i(Q_i)＝b_i+c_iQ_i (7)

(3)根据每个DER机组的供应曲线，分别求取各DER的最大发电量Q_i,up和最小发电量Q_i，down，并获得微电网内清仓价格为λ_up和λ_down情况下的发电量ΔQ_up和ΔQ_down。对于第i个DER，基于供应曲线获得λ_up相对应的发电量为Q_i,up，若Q_i,up>Q_i,max，则取Q_i,up＝Q_i,max；同理，，根据机组的供应曲线，基于λ_down所对应的发电量Q_i，down，若Q_i，down<Q_i,min，则取Q_i，down＝Q_i,min。

根据式(8)分别获得微电网内清仓价格为λ_up和λ_down情况下的发电量ΔQ_up和ΔQ_down。

(4)令k＝1，若ΔQ_up<0，说明所有DER发电都不能满足负荷需求，则取λ^k＝λ_up，转步骤(8)；若ΔQ_down>0，说明即使每个DER都最小发电，仍超过负荷需求，此时取λ^k＝λ_down，转步骤(8)，若ΔQ_up≥0且ΔQ_down≤0，基于式(9)求取新的微电网清仓价格λ^k，并执行步骤(5)。

(5)令k＝k+1，基于所获得的λ^k，根据每个机组的供应曲线，获得相应的Q_i，若越界，则按照边界取值，并根据式(10)，获得ΔQ^k。

(6)若ΔQ^k>0，令λ_up＝λ^k，ΔQ_up＝ΔQ^k并与λ_down点对应的发电功率ΔQ_down基于式(9)进行内插，获得新的λ^k值；若ΔQ^k<0，令λ_down＝λ^k，ΔQ_down＝ΔQ^k，并与λ_up点基于式(9)进行内插，获得新的微电网清仓价格λ^k值。

(7)收敛性判断，若|λ^k-λ^k-1|≤ε_λ，令λ^k＝(λ^k-λ^k-1)/2，转步骤(8)，否则，转步骤(5)。其中ε_λ为设定的微电网清仓价格运行误差量，取一个正值小数，典型取值为0.01元。

(8)记录λ^k为微网清算价格P_cl，并基于该清算价格计算分布式电源的发电量Q_i。

基于P_cl和Q_i，获得竞价单元i的收益π_i(b_i,c_i)。

4053：基于抗体集合中抗体亲和度计算结果，对人工免疫基因库中的等位基因进化。

其中，基因库进化是一个学习过程。将亲和度高于抗体集平均值avg_Affinity的抗体称为“成熟”抗体，基因库的每次进化中，所有的基因浓度都先以速率ρ衰减，同时成熟抗体所组成的基因对基因库中相应的等位基因产生正反馈，所有“非成熟”抗体对应的等位基因只有衰减而无加强而达到负反馈的效果。

对于包含m个抗体的抗体集合，抗体亲和度平均值avg_Affinity由下式获得。

其中，A(t)＝{Ab₁,Ab₂,…,Ab_i,…,Ab_m}为抗体集合：

假设c(x_i)表示基因库中的基因浓度(x_i表示b_i或c_i基因元素)，△c(x_i)表示基因浓度的变化情况，由式(12)获得人工免疫进化过程中基因库中各等位基因浓度变化为。

c(x_i)←ρ·c(x_i)+(1-ρ)·Δc(x_i)

其中，Ab_oki为第i个成熟抗体，ρ为基因浓度衰减速率，典型值可取0.8。

在其他参数不变的情况下，过小的ρ会导致基因库的浓度变化受上一次迭代中成熟抗体的影响较大，作为长期记忆机制的基因库会因更新过于剧烈而丢失一些有用的历史信息，会引起解的质量的降低及全程运行时间的增加；但ρ取值过大，基因库进化会过于缓慢，使得获得满意抗体的全程运行时间增长。特别地，当ρ为1时基因库实际不发生进化(即基因浓度始终不变)，此时算法中抗体方向性的进化机能将变得很差。具体见40552中的受体编辑模式变异。

4054：基于步骤4052结果，判断是否满足终止条件。如果不满足终止条件，执行步骤4055；否则，转步骤4057。

其中，算法定义三个终止条件，满足其中任何一个即可终止。(a)满足竞价单元Agent设定的目标函数条件(获得亲和度大于目标函数Affinity_set，Affinity_set为分布式电源设定的一正数值)；(b)算法连续运行多代，最高亲和度不再增加(相邻两次计算亲和度值变化小于门槛值ε，ε为一正的小数)；(c)算法运行超过一定的代数。

其中，上述人工免疫的竞价求解过程具有任意时间性，它可以很快生成一个较优解，然后经过若干次重复过程逐渐提高解的质量，并可以在任意时间中断并输出具有一定质量的解。运行过程中可通过权衡解的质量和计算时间，在计算的代价不可忽略时可以有效地得到次优解。另外由于抗体的克隆选择过程是基于概率的，因此算法本身不保证能够求解得到所有全局最优解的集合。在一定程度上是用牺牲完备性来换取了求解的高效率。因此为保证解的质量和提高竞价单元Agent的效率，算法运行最大次数Max_Gen可取20～100次。

4055：抗体集合在抗原的刺激下进化，进行抗体集合的免疫进化，获得新的抗体集合。

说明：抗体集合的免疫进化实质是在一代进化中，在候选解的附近，根据亲合度的大小，产生一个变异解的群体，从而扩大了搜索范围，并通过择优选择的方式，压缩至初始抗体集合的规模。从t至t+1阶段，抗体集合A(t)经过抗体免疫克隆、抗体变异和抗体集压缩选择后得到新的抗体群A(t+1)的过程。

4056：令t＝t+1，并转步骤4052。

4057：获得抗体集中最大亲和度抗体，并将该抗体作为抗体代表，执行步骤4058。

4058：对抗原知识库进行更新，将抗原及获得的抗体代表作为一个场景，保存到抗原知识库。

六、上述示范例步骤4055实施过程中，人工免疫算法中抗体集合的免疫进化过程包括抗体集克隆增值，克隆抗体的变异，以及抗体集压缩过程，具体实施情况如下：

40551：抗体集克隆增殖。根据亲合度的大小，将抗体群A(t)中抗体复制克隆，形成抗体群A′(t)。

克隆前，抗体群为：A(t)＝{Ab₁,Ab₂,…,Ab_i,…,Ab_m}

克隆后，抗体群变为：A′(t)＝{A′₁，A′₂，…，A′_m}，其中为抗体Ab_i进行q_i个克隆后的抗体集合，A′_i中元素Ab_ij＝Ab_i,1,2,…,q_i。

实施例中抗体集合内任意抗体Ab_i的克隆个数采用自适应性调整，由下述公式决定：

式中，q_i为抗体Ab_i的克隆规模，它正比于抗体亲和度的值，亲和度越高的抗体受到克隆个数也多，即得到的局部搜索的机会也越多。Int(·)为上取整函数；Affinity(Ab_i)为抗体Ab_i的亲和度，m为抗体集合的规模。Size_Clone是与克隆规模有关的设定值，其值影响总的克隆规模，体现资源受限的约束，典型值可取5～30。其他参数不变的情况下，Size_Clone的增大会带来解的质量的提高和全程运行时间的略微增加。其原因在于Size_Clone的增大引起每次迭代中变异总次数的增加，这使得每次迭代找到较优候选解的可能性增加，因此解的质量也随之提高；同时就全程运行时间而言，Size_Clone的增大会使抗体规模及变异次数和变异操作的总开销增加。

40552：克隆抗体的变异。将A′(t)中克隆部分的抗体根据概率进行变异，获得变异后的抗体群A″(t)＝{A″₁，A″₂，…，A″_m}，其中为抗体集合A′_i中元素变异后的集合。A″_i中元素Ab′_ij,1,2,…,q_i为对集合A′_i中元素Ab_ij的变异抗体。

实施例的变异过程采用体超变异和受体编辑模式两种机制相结合的方式，对于任意抗体Ab_ij→Ab′_ij，采用如下步骤：

(1)设定变异模式的门槛值P，该值为[0,1]之间的一个小数，可取5％～10％。

(2)获得[0,1]之间的随机数P_random；

(3)若P_random>P，抗体采用体超变异模式(somatic hypermutation model)进行变异；若P_random<＝P，受体编辑模式(receptor editing model)进行变异。

(4)利用变异抗体代替克隆的抗体部分。

其中，为了保持抗体的原始属性，初始抗体A(t)中的元素不发生变异。从A′(t)至A″(t)的过程中，抗体种群规模未发生变化。体超变异和编辑模式两种机制的实施可参考技术文献[5]。其特点在于：(a)体超变异模式：通过抗体部分变异实现抗体所在的邻域局部搜索。变异的幅度与抗体的亲和度成反比，对于亲和度较高的抗体，则在其较小的邻域范围内做精细搜索。(b)受体编辑模式变异：实施例采用比例选择(赌盘选择)的方法，从基因库中按照基因的浓度选择基因片段，形成新的抗体。变异过程基因库中浓度高的基因受到选择的可能性更大。

算法中克隆选择过程是将局部搜索和全局搜索相结合的一种有效机制。克隆变异过程中抗体亲和度形态解空间变化示意如图5所示，体超变异可使抗体亲和度能逐步爬升至局部最优，而受体编辑则可跳出当前区域而产生新的抗体，有助于防止进化早熟和搜索陷于局部极值。

40553：抗体集压缩选择。对变异后的抗体群A″(t)中的抗体元素求取亲和度，并选择具有最高亲和度的m个抗体组成新一代抗体群A(t+l)。

其中，整个过程是将一个低维空间(n维)的问题转化到更高维(N维)的空间中进行搜索解决，然后再将结果投影到低维空间(n维)。

算例和分析

针对系统结构如图6所示的商用微电网项目进行应用示范。该微电网分为三个馈线，包括2台微燃机、2台柴油机，以及4个太阳能光伏太阳能等不同类型的分布式电源。无功部分不需要考虑，各分布式电源的成本因素及发电功率上下限如表1所示。

表1分布式电源的成本因素及发电功率上下限

若某高峰时刻，微电网从主网购电和售电的价格分别为0.022$/kWh和0.03$/kWh。由于各个阶段的时间段固定(15min)，因此可用微电网内的功率来代替电量，三个负荷在该时段的有功功率需求量为130kW，微电网内不考虑无功需求及影响。算法中主要运行参数默认值为：抗体集规模m＝8，抗体克隆规模size_clone＝4，变异模式门槛值P＝0.1，允许竞价协商最大次数max_bid＝5，抗体进化允许最大代数Max_Gen＝50。

某Agent竞价过程中抗体集合亲和度的变化趋势如图7所示。图中横轴为抗体进化迭代代数，纵轴为DER获得的收益(适应度)。图中的两条线分别为抗体集合的亲和度最大值和平均值。由图可以看出，对于每个Agent，自身抗体(竞价策略)对于抗原(环境因素和其他抗体代表集合)的亲和度虽然有波动情况，但总体是上升的。

通过抗体代表的提呈，微电网内各个竞价单元Agent会实现协同进化。由于各个部分基于自身的私有信息进行的竞价，但会基于其他agent报价的情况进行，竞标价格很快就收敛，达到纳什均衡状态。微电网内竞标价格收敛情况如图8所示。

通过这种Agent竞价策略的发电调整后，微电网Agent可以在保持光伏和风力发电最大利用效率的情况下，达到微电网的发电、输电成本最小化。竞价结果如表2所示。

表2基于竞价的微电网发电运行结果

注：获得收益仅包括电能的收益，供冷热的效益已经在DER报价中减去。

人工免疫算法是一种随机算法，系统的每次运行时间都有可能不一样，本文对单个Agent可以获得最优解的期望代数进行了统计分析。系统对微燃机Agent竞价过程运行5000次，获得自适应竞价方案的统计结果如图9所示，其中横轴表示进化代数，纵轴表示在运行到相应的进化代数可以找到全局最优解的次数(频率)。由图可见，在30代内以很高概率找到全局最优解，发现最优解的平均代数为13.5代。

对于整个微电网需要多次的协同进化才能达到纳什均衡。图10是求解100次微电网协同进化获得最优结果的情况。由图可见，基于竞价的协商能够获得纳什均衡价格的最大期望次数为5次。为了节省运行时间，可以限定更少的反馈和协商次数完成微电网内的竞价。

其中，本发明在抗体基因库的基础上运行，保证了人工免疫竞价方案的快速收敛和全局最优。竞价过程是一个不断重复的过程，实际当中异常事件远远少于正常事件，初次应答过程中产生的新抗体具有记忆性，当相似问题再次出现时，采用二次应答机制快速获得最优竞价方案。同时各个Agent处于并列运行计算，整体效率较高。

参考文献：

[1]王成山，武震，李鹏.微电网关键技术研究[J].电工技术学报,2014,29(2):1-12.Wang Chengshan,Wu Zhen,Li Peng.Research on Key Technologies of Microgrid[J].2014,29(2):1-12.

[2]Logenthiran T,Srinivasan D,Khambadkone A M,et al.Multiagent Systemfor Real-Time Operation of a Microgrid in Real-Time Digital Simulator[J].IEEETransactions on Smart Grid,2012,3(2):925-933.

[3]Bhuvaneswari R,Srivastava S K,Edrington C S.et al.Intelligentagent based auction by economic generation scheduling for microgrid operation[C],Innovative Smart Grid Technologies(ISGT),2010:1-6.

[4]Praca I,Morais H,Ramos C,et al.Multi-agent electricity marketsimulation with dynamic strategies&virtual power producers[C].IEEE Power andEnergy Society General Meeting-Conversion and Delivery of Electrical Energy,July 2008:1-8.

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于人工免疫的微电网分布式电源竞价方法，其特征在于，所述方法包括以下步骤：

竞价单元智能体对收集到的信息进行加工，形成人工免疫的报价环境抗原；

通过人工免疫算法进行求解，获得符合分布式电源自身利益的抗体；将抗体解码获得该分布式电源的竞价方案；

所述通过人工免疫算法进行求解，获得符合分布式电源自身利益的抗体；将抗体解码获得该分布式电源的竞价方案的步骤为：

(1)根据竞价设备典型特性和典型外界环境建立抗原知识库；

(2)根据竞价的历史竞价策略，初始化基因库；

(3)对报价环境抗原进行识别，与抗原知识库中已有典型抗原进行对比，若能够找到相匹配的抗原，转步骤(4)；否则转步骤(5)；

(4)进行人工免疫的二次应答，将抗原知识库中该抗原相对应的抗体作为抗体代表，转步骤(6)；

(5)对未匹配的抗原进行初次应答，获得满足亲和度要求的抗体，形成抗体代表，转步骤(6)；

(6)将获得的抗体代表解码，并将竞价结果提交给竞价管理智能体或其他智能体；

其中，所述对未匹配的抗原进行初次应答，获得满足亲和度要求的抗体，形成抗体代表的步骤为：

1)从基因库中随机抽取抗体基因，并组成初始化的抗体集合，t＝0；

2)针对竞价单元的抗原，计算抗体集合内各抗体的亲和度；

3)基于抗体亲和度，对人工免疫基因库中的等位基因进化；

4)判断是否满足终止条件，如果不满足终止条件，执行步骤5)，否则，转步骤7)；

5)进行抗体集合的免疫进化，获得新的抗体集合，执行步骤6)；

6)令t＝t+1，并转步骤2)；

7)将抗体集合中亲和度最大的抗体作为抗体代表，执行步骤8)；

8)对抗原知识库进行更新，将抗原及获得的抗体代表作为一个场景，保存到抗原知识库；

其中，所述终止条件具体为：

(a)获得亲和度大于目标函数Affinity_set；或，

(b)相邻两次计算亲和度变化小于门槛值ε；或，

(c)算法运行超过一定的代数；

其中，亲和度的计算公式为：

其中，Affinity(Ab)为抗体Ab的亲和度；C_min为分布式电源设备单位发电量的固定生产成本相反数；π_i(b_i,c_i)为竞价单元基于人工免疫抗体情况下的利益，b_i和c_i为两个基因元素且由下式获得：

$\begin{array}{cc}\max & {\mathrm{\&pi;}}_i(b_i,c_i)=Q_i\&CenterDot;P_{cl}-b_{0i}{Q}_i+\frac{1}{2}{c}_{0i}{Q}_i^2-U_i{C}_{start}\end{array}$

其中，P_cl为微电网内分布式电源和负荷之间的电能清算价格；b_0i和c_0i为机组的可变成本系数；Q_i为发电机的出力；C_start为机组启动价格，对于光伏或风力发电，C_start＝0；U_i为布尔型变量。