CN104504474A - 一种微网能量多目标优化方法 - Google Patents

Abstract

本发明公开了一种微网能量多目标优化方法，包括如下步骤：步骤一，根据优化目标确定优化目标函数，并根据约束条件转换为无约束优化目标问题；步骤二，将搜索空间分割成多个子空间；步骤三，在每个子空间上由一个子种群进化优化，在子种群内部和子种群之间，分别应用不同的遗传算法，产生新的种群或新的个体，以覆盖新的子空间，并采用新的帕累托最优解提交方法、超级个体集合更新策略，找到具有较好的分布性、逼近性和可扩展性的帕累托最优解，本发明可以在保证优化结果质量的同时，减少计算时间，保证高效地找到具有较好的分布性、逼近性和可扩展性的Pareto(帕累托)最优解。

Description

一种微网能量多目标优化方法

技术领域

本发明涉及一种微网能量多目标优化方法，特别是涉及一种基于空间分割协同进化遗传算法的微网能量多目标优化方法。

背景技术

微电网中的分布式电源主要包括风力发电机、太阳能光伏电池、燃料电池、微型燃气轮机等，而不同种类的分布式电源又有不同的运行特性。在确保微电网正常运行时，如何对这些分布式电源进行管理，以保证微电网在不同的时段都能满足符合的电能质量要求和最理想的经济效益以及最小的环境代价，是研究微电网技术的关键问题之一。

由于分布式电源的功率特性并不像传统电网中的发电机那样稳定，这对优化算法的实时性要求就比较高，常规的优化算法很难在优化结果与计算速度之间取得一个较好的平衡点。

因此，本发明提出一种基于空间分割协同进化遗传算法的微网能量多目标优化方法，以解决上述问题。

发明内容

为克服上述现有技术存在的不足，本发明之目的在于提供一种微网能量多目标优化方法，其在保证优化结果质量的同时，减少计算时间，保证高效地找到具有较好的分布性、逼近性和可扩展性的Pareto(帕累托)最优解。

为达上述及其它目的，本发明提出一种微网能量多目标优化方法，包括如下步骤：

步骤一，根据优化目标确定优化目标函数，并根据约束条件转换为无约束优化目标问题；

步骤二，将搜索空间分割成多个子空间；

步骤三，在每个子空间上由一个子种群进化优化，在子种群内部和子种群之间，分别应用不同的遗传算法，产生新的种群或新的个体，以覆盖新的子空间，并采用新的帕累托最优解提交方法、超级个体集合更新策略，找到具有较好的分布性、逼近性和可扩展性的帕累托最优解。

进一步地，于步骤二中，根据转换后的无约束优化目标搜索空间的维数和大小，将整个搜索空间划分为N_s个子空间。

进一步地，所述优化目标包括运行成本最低、环境成本最低、网损最少和电能质量最高。

进一步地，步骤三进一步包括如下步骤：

步骤2.1，选择N_g(t)个子空间，在其上生成初始子种群，每个子种群的初始规模为N_i，搜索空间上种群的总规模为N_g(t)〃N_i；

步骤2.2，初始化各遗传操作参数；

步骤2.3，对N_g(t)个子空间上的子种群进行τ代种内优化；

步骤2.4，更新超级个体集合；

步骤2.5，判断是否满足结束条件，若满足，则转入步骤2.7；

步骤2.6，从N_s-N_g(t)个未被搜索的子空间中，选择一定数目的子空间及满足条件的种群，进行种间进化，产生新种群，使得新种群的规模为N_i ⁰，转至步骤2.3；

步骤2.7，提交超级个体集合中的帕累托最优解。

进一步地，所述遗传操作参数包括种内交叉和变异概率、种间交叉概率、超级个体、子种群的进化周期τ以及收敛条件。

进一步地，步骤2.1中，令t＝0。

进一步地，所述收敛条件与结束条件为迭代次数。

进一步地，所述约束条件包括功率平衡约束、发电单元输出功率约束、微网与配电网交换容量约束以及储能单元约束。

与现有技术相比，本发明一种微网能量多目标优化方法利用空间分割协同进化优化算法对微电网能量进行优化，将整个搜索区域划分为多个子空间，在每一个子空间实施优化，最后利用相应的算法得到每个子空间最优解的最优解，大大减少了计算时间和算法难度，达到迅速优化的目的。

附图说明

图1为本发明一种微网能量多目标优化方法的步骤流程图。

具体实施方式

以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。

图1为本发明一种微网能量多目标优化方法的步骤流程图。如图1所示，本发明一种微网能量多目标优化方法，包括如下步骤：

步骤101，根据优化目标确定优化目标函数，并根据约束条件转换为无约束优化目标问题。

在本发明较佳实施例中，优化目标通常包括运行成本最低、环境成本最低、网损最少和电能质量最高等。

1.运行成本可以包含以下几部分：

燃料成本

$C_f\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{f}_i\left(p_i\left(t\right)\right)$

运行维护成本

$C_{\mathrm{OM}}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{K}_{\mathrm{OM},i}\·P_i\left(t\right)$

微网与外网的交互成本

C_grid(t)＝CP(t)·P_grid(t)

式中，n为微源的个数；p_i(t)为第i个微源t时刻的有功功率输出；f_i为第i个微源的燃料成本函数；K_OM,i为第i个微源的单位电量运行维护成本系数；CP(t)为t时刻微网向外网的购电电价；P_grid(t)为t时刻微网向外网的购电量。

2.环境成本表达式可以如下：

$C_e\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left\{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\right[(V_{\mathrm{ej}}+V_j)\·Q_{\mathrm{ij}}\·P_i\left(t\right)\left]\right\}$

式中，n为微源的个数；m为污染物的种类；V_ej为第j项污染物的环境价值；V_j为第j项污染物所受罚款；Q_ij为第i个微源单位电量的第j项污染物排放量；p_i(t)为第i个微源t时刻的有功功率输出。

3.网损最少表达式可以如下：

$\min P_{\mathrm{loss}}=\underset{k=1}{\overset{N_l}{\mathrm{\Σ}}}{G}_{k(i,j)}(U_i^2+U_j^2-2U_i{U}_j\cos {\mathrm{\δ}}_{\mathrm{ij}})$

式中，P_loss为系统有功网损；G_k(i,j)为支路k的电导(i,j分别为支路k两端节点号)；N_l为电网中可安装微源的节点总数；δ_ij为节点i,j的电压相角差；U_i、U_j为分别为节点i,j的电压幅值。

4.电能质量表达式可以如下：

$\min \mathrm{\ΔU}=\underset{l=1}{\overset{N_d}{\mathrm{\Σ}}}{\left(\frac{U_l-U_l^{\mathrm{spec}}}{\mathrm{\Δ}{U}_l^{\max }}\right)}^2$

式中，U_l、分别表示负荷节点l的实际电压、期望电压和最大允许电压偏差，N_d为电网中的负荷节点总数。

本发明中，约束条件主要有：1)功率平衡约束；2)发电单元输出功率约束；3)微网与配电网交换容量约束；4)储能单元约束等。

对于多目标优化问题约束条件的处理,主要是采用各种罚函数方法。

如对决策空间上的点，Q＝(x_Q1,x_Q2,x_Q3,…,x_Qn)可采用如下的罚函数形式：

f′_Qi＝f_Qi+λR_Q

$R_Q=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\left\{\max (0,g_j)\right\}}^2$

其中f_Qi为Q点的第i个目标函数值，λ为罚系数,g_j为Q点的第j个约束函数值，max(0,g_j)表示取0和g_j的较大者。于是对于点Q，其目标函数由(f_Q1,f_Q2,…,f_Qk)变为(f_Q1,f_Q2,…,f_Qk)。有了罚形式的目标函数后，就可以按照无约束多目标优化问题进行求解。

步骤102，将搜索空间分割成多个子空间。

具体地说，根据转换后的无约束优化目标问题搜索空间的维数和大小，将整个搜索空间划分为N_s个子空间。需说明的是，优化目标函数是优化问题的数学表达形式。在本发明较佳实施例中，优化目标通常包括运行成本最低、环境成本最低、网损最少和电能质量最高等。

步骤103，在每个子空间上由一个子种群进化优化，在子种群内部和子种群之间，分别应用不同的遗传算法，产生新的种群或新的个体，以覆盖新的子空间，并采用新的Pareto(帕累托)最优解提交方法，找到具有较好的分布性、逼近性和可扩展性的Pareto(帕累托)最优解。

具体地说，步骤103包括如下步骤：

步骤2.1令t＝0，选择N_g(t)个子空间，在其上生成初始子种群，每个子种群的初始规模为N_i，那么，搜索空间上种群的总规模为N_g(t)〃N_i；

步骤2.2初始化各遗传操作参数，包括种内交叉和变异概率、种间交叉概率、等，超级个体的设置为空，设置子种群的进化周期τ，以及收敛条件(即迭代次数)等；

步骤2.3，对N_g(t)个子空间上的子种群进行τ代种内优化。优化目标包括运行成本最低、环境成本最低、网损最少和电能质量最高等；

步骤2.4，更新超级个体集合；

步骤2.5，判断是否满足结束条件(收敛条件即迭代次数)，若满足，则转入步骤103；

步骤2.6，从N_s-N_g(t)个未被搜索的子空间中，选择一定数目的子空间及满足条件的种群，进行种间进化，产生新种群，使得新种群的规模为N_i ⁰，转至步骤2.3

步骤2.7，提交超级个体集合中的帕累托最优解。

在进行空间搜索时，一方面，整个搜索空间可能为一个多目标多峰优化问题，如果将搜索空间进行合理的分割，那么在某些子空间上可能为一个多目标单峰甚至是单目标单峰优化问题，因此，本发明利用空间分割多种群遗传算法可以把一个复杂优化问题转化为多个简单优化问题；另一方面，一个多目标优化函数在整个搜索空间上可能是不连续或不可微的，但在某些子空间上可能是连续的、可微的，空间分割优化可将整个搜索空间上的不连续或不可微函数优化问题转化为多个子空间上的连续、可微函数优化问题，因此，不但可以利用进化优化解决该类问题，还可在某些子空间上利用传统的优化方法求解。

综上所述，本发明一种微网能量多目标优化方法利用空间分割协同进化优化算法对微电网能量进行优化，将整个搜索区域划分为多个子空间，在每一个子空间实施优化，最后利用相应的算法得到每个子空间最优解的最优解，大大减少了计算时间和算法难度，达到迅速优化的目的，可见，本发明对于多目标复杂系统优化问题划分为多个简单的函数优化问题，简化算法，提高运算速度，同时达到优化目的，当涉及到微网与电力市场相结合等更加复杂的问题时，本发明将具有更大的优越性。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。

Claims (8)

1.一种微网能量多目标优化方法，包括如下步骤：

步骤一，根据优化目标确定优化目标函数，并根据约束条件转换为无约束优化目标问题；

步骤二，将搜索空间分割成多个子空间；

步骤三，在每个子空间上由一个子种群进化优化，在子种群内部和子种群之间，分别应用不同的遗传算法，产生新的种群或新的个体，以覆盖新的子空间，并采用新的帕累托最优解提交方法、超级个体集合更新策略，找到具有较好的分布性、逼近性和可扩展性的帕累托最优解。

2.如权利要求1所述的一种微网能量多目标优化方法，其特征在于：于步骤二中，根据转换后的无约束优化目标搜索空间的维数和大小，将整个搜索空间划分为N_s个子空间。

3.如权利要求2所述的一种微网能量多目标优化方法，其特征在于：所述优化目标包括运行成本最低、环境成本最低、网损最少和电能质量最高。

4.如权利要求1所述的一种微网能量多目标优化方法，其特征在于，步骤三进一步包括如下步骤：

步骤2.1，选择N_g(t)个子空间，在其上生成初始子种群，每个子种群的初始规模为N_i，搜索空间上种群的总规模为N_g(t)·N_i；

步骤2.2，初始化各遗传操作参数；

步骤2.3，对N_g(t)个子空间上的子种群进行τ代种内优化；

步骤2.4，更新超级个体集合；

步骤2.5，判断是否满足结束条件，若满足，则转入步骤2.7；

步骤2.6，从N_s-N_g(t)个未被搜索的子空间中，选择一定数目的子空间及满足条件的种群，进行种间进化，产生新种群，使得新种群的规模为N_i ⁰，转至步骤2.3；

步骤2.7，提交超级个体集合中的帕累托最优解。

5.如权利要求4所述的一种微网能量多目标优化方法，其特征在于：所述遗传操作参数包括种内交叉和变异概率、种间交叉概率、超级个体、子种群的进化周期τ以及收敛条件。

6.如权利要求4所述的一种微网能量多目标优化方法，其特征在于：步骤2.1中，令t＝0。

7.如权利要求5所述的一种微网能量多目标优化方法，其特征在于：所述收敛条件与结束条件为迭代次数。

8.如权利要求1所述的一种微网能量多目标优化方法，其特征在于：所述约束条件包括功率平衡约束、发电单元输出功率约束、微网与配电网交换容量约束以及储能单元约束。