CN105071389B - 计及源网荷互动的交直流混合微电网优化运行方法及装置 - Google Patents

Abstract

本发明公开了一种计及源网荷互动的交直流混合微电网优化运行方法及装置，优化运行方法包括：将交直流混合微电网划分为交流供电区和直流供电区；获取需求侧负荷设备参数，对负荷进行分类，并获取微电网24小时负荷需求预测值；获取交直流混合微电网中变换器参数，确定变换器中功率变换损耗计算方式；采用概率方法对光伏电池、风力发电机最大出力和负荷功率的分布曲线进行估计；利用随机机会约束Stackelberg博弈模型对交直流混合微电网运行进行优化。装置包括：划分模块、第一获取模块、第二获取模块、估计模块和优化模块。本发明提高了微电网运行经济效益、环境效益，同时达到节能减损目的，有助于创造经济可靠环保低碳的供电环境。

Description

计及源网荷互动的交直流混合微电网优化运行方法及装置

技术领域

本发明涉及新能源电力系统中微电网技术领域，尤其涉及一种基于混沌粒子群优化算法和博弈论方法的计及源网荷互动的交直流混合微电网优化运行方法及装置。

背景技术

微电网是一种以可再生能源为主的分布式电源储能系统、负荷、变换器及监控保护等装置结合在一起的小型发、配、用电系统。按内部主网络的供电方式，微电网可分为交流微电网(目前微电网主要存在形式)、直流微电网和交直流混合微电网。交直流混合微电网同时含有交流母线和直流母线，可有效整合交流微电网和直流微电网的优点。随着建设能源节约型社会目标的提出，如何充分发挥交直流混合微电网中两种供电方式的互补优势，提高微电网运行经济、环保效益的同时，更好地达到节能降损的要求，是其优化运行问题研究的关键之一。

传统的微电网运行优化运行方法多是针对交流微电网，优化目标多为最小化运行成本、污染物排放、线损以及最大化供电可靠性等。然而，传统方法多将降低线损作为提高经济效益的一部分而考虑，而非达到节能降损要求的一部分，更没有考虑微电网变换器中多级能量变换造成的功率损耗。关于需求侧微电网的优化运行问题，现有方法多采用电价激励等经济手段引导用户改变负荷用电时间和用电量，以达到削峰填谷、降低用电费用等目的，这些方法没能发挥需求侧资源的可调度性，不能有效提高微电网供用电效率，从而也不能实现节能降损的要求。

发明内容

本发明提供了一种计及源网荷互动的交直流混合微电网优化运行方法及装置，本发明在交、直流供电区各自的运行与控制要求约束下，实现了微电网运行经济效益、环境效益的提高，并更好地达到节能减损的要求，详见下文描述：

一种计及源网荷互动的交直流混合微电网优化运行方法，所述优化运行方法包括以下步骤：

将交直流混合微电网划分为交流供电区和直流供电区；

获取需求侧负荷设备参数，对负荷进行分类，并获取微电网24小时负荷需求预测值；

获取交直流混合微电网中变换器参数，确定变换器中功率变换损耗计算方式；

采用概率方法对光伏电池、风力发电机最大出力和负荷功率的分布曲线进行估计；

利用Stackelberg博弈模型上层博弈优化负荷供电模式，最小化微电网功率转换损耗；利用Stackelberg博弈模型下层博弈在满足交流区和直流区各自运行与控制要求下，优化调度分布式电源出力、蓄电池出力、大电网交互功率，最小化交流区和直流区的运行成本。

在所述将交直流混合微电网划分为交流供电区和直流供电区的步骤之前，所述优化运行方法还包括：

获取风力发电机、微型燃气轮机、光伏电池、燃料电池和蓄电池的设备参数、风力发电机与光伏电池24小时最大功率输出预测值。

其中，所述将交直流混合微电网划分为交流供电区和直流供电区的步骤具体为：

根据风力发电机、微型燃气轮机、光伏电池、燃料电池和蓄电池的交流型或直流型的电能供给、存储方式，接入交、直流母线，将交直流混合微电网划分为交流供电区和直流供电区。

所述利用随机机会约束Stackelberg博弈模型对包含随机参数的交直流混合微电网的运行进行优化的步骤具体为：

采用随机模拟为随机机会约束Stackelberg博弈模型中的不确定函数产生训练样本集；在训练样本集上训练神经元网络；

采用混沌优化初始化上层博弈粒子群，对上层博弈决策者的策略进行编码；通过训练好的神经元网络检验粒子的可行性；

对应上层博弈粒子群中每个粒子，产生下层博弈粒子群；根据上层博弈每个粒子的策略，采用混合智能算法求得下层博弈Nash均衡；

将下层博弈Nash均衡作为已知量，利用神经元网络计算上层博弈每个粒子的收益函数值；

根据每个粒子的收益函数值，保存上层博弈粒子群全局最优值、全局最优位置和每个粒子当前最优位置。

其中，所述优化运行方法还包括：

根据迭代次数或收敛精度判断是否终止程序；如果是，流程终止；

如果否，更新粒子群，通过计算任意粒子与当前最优粒子之间的距离，判定是否对粒子进行更新。

一种计及源网荷互动的交直流混合微电网优化运行装置，所述装置包括：

划分模块，用于将交直流混合微电网划分为交流供电区和直流供电区；

第一获取模块，用于获取需求侧负荷设备参数，对负荷进行分类，并获取微电网24小时负荷需求预测值；

第二获取模块，用于获取交直流混合微电网中变换器参数，确定变换器中功率变换损耗计算方式；

估计模块，用于概率方法对光伏电池、风力发电机最大出力和负荷功率的分布曲线进行估计；

优化模块，用于利用Stackelberg博弈模型上层博弈优化负荷供电模式，最小化微电网功率转换损耗；利用Stackelberg博弈模型下层博弈在满足交流区和直流区各自运行与控制要求下，优化调度分布式电源出力、蓄电池出力、大电网交互功率，最小化交流区和直流区的运行成本。

其中，所述装置还包括：

第三获取模块，用于获取风力发电机、微型燃气轮机、光伏电池、燃料电池和蓄电池的设备参数、风力发电机与光伏电池24小时最大功率输出预测值。

其中，所述划分模块包括：

划分子模块，用于根据风力发电机、微型燃气轮机、光伏电池、燃料电池和蓄电池的交流型或直流型的电能供给、存储方式，接入交、直流母线，将交直流混合微电网划分为交流供电区和直流供电区。

其中，所述优化模块包括：

训练子模块，用于采用随机模拟为随机机会约束Stackelberg博弈模型中的不确定函数产生训练样本集；在训练样本集上训练神经元网络；

编码子模块，用于采用混沌优化初始化上层博弈粒子群，对上层博弈决策者的策略进行编码；

验证子模块，用于通过训练好的神经元网络检验粒子的可行性；

第一获取子模块，用于对应上层博弈粒子群中每个粒子，产生下层博弈粒子群；根据上层博弈每个粒子的策略，采用混合智能算法求得下层博弈Nash均衡；

第二获取子模块，用于将下层博弈Nash均衡作为已知量，利用神经元网络计算上层博弈每个粒子的收益函数值；

保存子模块，用于根据每个粒子的收益函数值，保存上层博弈粒子群全局最优值、全局最优位置和每个粒子当前最优位置。

进一步地，所述优化模块还包括：

判断子模块，用于根据迭代次数或收敛精度判断是否终止程序；如果是，流程终止；

更新子模块，用于如果否，更新粒子群；通过计算任意粒子与当前最优粒子之间的距离，判定是否对粒子进行更新。

本发明提供的技术方案的有益效果是：本发明发挥交直流混合微电网具有的交、直流互补供用电模式的优势，充分考虑交直流混合微电网需求侧与供电侧以及与大电网的源-网-荷互动，交、直流供电区内具有不同电气特性的分布式电源和储能设备的源-源协调，利用随机机会约束Stackelberg博弈模型对多目标、多约束的交直流混合微电网综合优化运行问题建模，在交、直流供电区各自的运行与控制要求约束下，实现微电网运行经济效益、环境效益的提高，并更好地达到节能减损的要求。在能源节约型社会建设背景下，有助于创造经济、可靠、环保、低碳的供电环境。

附图说明

图1为本发明提供的交直流混合微电网的结构示意图；

图2为本发明提供的计及源网荷互动的交直流混合微电网综合优化运行方法流程示意图；

图3为本发明提供的交直流混合微网中风力发电机、光伏电池及负荷预测功率图；

图4为本发明提供的交、直流区负荷优化前后接入情况图；

图5为本发明提供的交、直流区优化调度结果图；

图6为计及源网荷互动的交直流混合微电网优化装置的结构示意图；

图7为计及源网荷互动的交直流混合微电网优化装置的另一结构示意图；

图8为划分模块的结构示意图；

图9为优化模块的结构示意图；

图10为优化模块的另一结构示意图。

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。

鉴于上述背景，本发明在对交直流混合微电网综合优化运行问题展开研究时，在微电网中各类变换器功率变换效率研究的基础上，优化负荷供用电模式，提高源-荷供用电效率；在各种分布式电源与储能设备的运行特性约束、交流供电模式与直流供电模式不同运行和控制要求约束下，确定分布式电源调度方案及与大电网的交互功率，进行合理的源-网功率分配，实现微电网运行中的经济、环保效益的提高与节能降损等目标。

实施例1

一种计及源网荷互动的交直流混合微电网优化运行方法，该优化运行方法包括以下步骤：

101：将交直流混合微电网划分为交流供电区和直流供电区；

102：获取需求侧负荷设备参数，对负荷进行分类，并获取微电网24小时负荷需求预测值；

103：获取交直流混合微电网中变换器参数，确定变换器中功率变换损耗计算方式；

104：采用概率方法对光伏电池、风力发电机最大出力和负荷功率的分布曲线进行估计；

105：利用Stackelberg博弈模型上层博弈优化负荷供电模式，最小化微电网功率转换损耗；利用Stackelberg博弈模型下层博弈在满足交流区和直流区各自运行与控制要求下，优化调度分布式电源出力、蓄电池出力、大电网交互功率，最小化交流区和直流区的运行成本。

其中，在步骤101将交直流混合微电网划分为交流供电区和直流供电区的步骤之前，该优化运行方法还包括：

获取风力发电机、微型燃气轮机、光伏电池、燃料电池和蓄电池的设备参数、风力发电机与光伏电池24小时最大功率输出预测值。

其中，步骤101中的将交直流混合微电网划分为交流供电区和直流供电区的步骤具体为：

根据风力发电机、微型燃气轮机、光伏电池、燃料电池和蓄电池的交流型或直流型的电能供给、存储方式，接入交、直流母线，将交直流混合微电网划分为交流供电区和直流供电区。

进一步地，步骤105中的利用随机机会约束Stackelberg博弈模型对包含随机参数的交直流混合微电网的运行进行优化的步骤具体为：

采用随机模拟为随机机会约束Stackelberg博弈模型中的不确定函数产生训练样本集；在训练样本集上训练神经元网络；

采用混沌优化初始化上层博弈粒子群，对上层博弈决策者的策略进行编码；通过训练好的神经元网络检验粒子的可行性；

对应上层博弈粒子群中每个粒子，产生下层博弈粒子群；根据上层博弈每个粒子的策略，采用混合智能算法求得下层博弈Nash均衡；

将下层博弈Nash均衡作为已知量，利用神经元网络计算上层博弈每个粒子的收益函数值；

根据每个粒子的收益函数值，保存上层博弈粒子群全局最优值、全局最优位置和每个粒子当前最优位置。

其中，步骤105还包括：

根据迭代次数或收敛精度判断是否终止程序；如果是，流程终止；

如果否，更新粒子群，通过计算任意粒子与当前最优粒子之间的距离，判定是否对粒子进行更新。

综上所述，本发明实施例通过上述步骤101至步骤105实现了对微电网的优化，提高了微电网运行的经济效益、环境效益。

实施例2

下面结合具体的计算公式、图1、图2对实施例1中的方案进行详细介绍，详见下文描述：

本发明提供的交直流混合微电网至少包括：风力发电机、微型燃气轮机、光伏电池、燃料电池和蓄电池等，具体优化步骤如下：

201：获取风力发电机、微型燃气轮机、光伏电池、燃料电池和蓄电池的设备参数、风力发电机与光伏电池24小时最大功率输出预测值；

202：根据风力发电机、微型燃气轮机、光伏电池、燃料电池和蓄电池的交流型或直流型的电能供给、存储方式，接入交、直流母线，将交直流混合微电网划分为交流供电区(以下简称交流区)和直流供电区(以下简称直流区)；

其中，为了最大化可再生能源的利用，风力发电机和光伏电池工作在最大功率跟踪模式，不参与调度。交流区通过并网处公共耦合点与大电网相连，可以视作自身功率平衡，其运行频率由大电网频率决定，可调度微型燃气轮机出力、向大电网购电量。直流区通过交直流双向AC/DC功率变换器(interlinking converter，ILC)维持直流母线电压以控制功率平衡，可调度燃料电池和蓄电池出力。

203：获取交直流混合微电网需求侧负荷设备参数，对负荷进行分类，并获取微电网24小时负荷需求预测值；

其中，上述负荷可分为：电子元器件负荷、变频调速负荷、交流电机负荷和电阻性负荷四类：电子元器件负荷基于直流电工作；变频调速负荷基于交流电工作，但内部带有整流电路以进行变频调速；交流电机负荷基于交流电工作，不带整流电路；电阻性负荷既可以基于直流电工作，也可以基于交流电工作。交直流混合微电网中，交、直流电均配电到户，用户可为四类负荷可自由、灵活地选择交流抑或直流供电模式。

表1负荷分类

204：获取交直流混合微电网中变换器设备参数，确定变换器中功率变换损耗计算方式；

其中，各变换器包括：单相AC/DC变换器、单相DC/AC变换器、交直流双向AC/DC功率变换器(interlinking converter，ILC)(本发明将其作为变换器A，并假设其功率变换效率相等)，单、双向DC/DC变换器(本发明将其作为变换器B，并假设其功率变换效率相等)，其功率变换效率计算如下

式中：η^A和η^B分别为变换器A和变换器B的功率变换效率；u为输入功率与额定容量的比率。

为了简化问题，本发明实施例假设同类负荷采用相同供电方式时的功率变换效率为相等的常数，并由各变换器功率变换效率计算得到，如图1中所示。

205：采用概率方法对具有随机波动性的光伏电池、风力发电机最大出力和负荷功率的分布曲线进行估计；

其中，采用概率方法对分布曲线进行估计的详细操作为本领域技术人员所公知，本发明实施例对此不作赘述。

206：利用随机机会约束Stackelberg博弈模型对包含随机参数ξ＝(P_WT,P_PV,P_LD)的交直流混合微电网的运行进行优化。

其中，P_WT、P_PV、P_LD分别为风力发电机最大输出功率预测值、光伏电池最大输出功率预测值、负荷功率预测值。在优化过程中采用混合智能算法求取Stackelberg博弈模型的Nash均衡解与Stackelberg-Nash均衡解，利用Stackelberg博弈模型上层博弈优化负荷供电模式，以最小化微电网功率转换损耗；利用Stackelberg博弈模型下层博弈在满足交流区和直流区各自运行与控制要求下，优化调度分布式电源与蓄电池出力、与大电网交互功率，以最小化交流区和直流区的运行成本。

其中，Stackelberg博弈模型上层博弈的决策者(即领导者)为微电网中用户(视作一个整体)，其策略为各类负荷采用的供电方式，记为L＝(L₁,L₂,L₃,L₄)，下标数字代表负荷类型；在第t个优化时段，有k＝1,2,3,4，其中n_k为微电网中第k类负荷的个数，为第i个第k类负荷采用的供电方式的标志，表示接入交流区，表示接入直流区。领导者的收益函数和约束条件分别如公式(3)和(5)所示：

其中：

其中：T为优化时段总数；P_loss为总功率损耗；和分别为ILC、蓄电池和分布式电源、以及负荷变换器中功率损耗；为ILC变换功率，整流时为正，逆变时为负；和分别为微型燃气轮机、燃料电池、风力发电机、光伏电池和蓄电池出力(放电时为正，充电时为负)；为第i个第k类负荷的内部工作功率需求(即不包括功率输入时的变换损耗)；和分别为第i个第k类负荷接入交、直流区的功率变换效率(不需功率变换时认为效率为1)；为变换器工作效率，上标A、B表示逆变器类型，下标表示变换器所属的设备；分别为微型燃气轮机和燃料电池出力上限；为蓄电池最大放电功率；为交流区与大电网交互功率上限；为ILC额定功率。

其中，Stackelberg博弈模型下层博弈有交流区和直流区两个决策者(即从属者)，交流区的策略为微型燃气轮机出力与购电量，记为P_AC＝(P_MT,P_Grid)，直流区的策略为燃料电池与蓄电池出力，记为P_DC＝(P_FC,P_SB)。

交流区的收益函数和约束条件如下所示：

直流区的收益函数和约束条件如下所示：

其中：C_AC和C_DC分别为交、直流区运行费用；N为污染物种类数目；c_m为第m种污染物单位排放量治理费用；和分别为微型燃气轮机和燃料电池第m种污染物排放系数；和分别为微型燃气轮机和燃料电池燃料成本函数；γ_MT、γ_FC和γ_SB分别为微型燃气轮机、燃料电池和蓄电池运行维护费用比例系数；为购电功率；为电网电价；和分别为微型燃气轮机和燃料电池出力下限；η_ch和η_dis分别为蓄电池充、放电效率；和为蓄电池剩余容量上下限；和分别为t时刻和t-1时刻蓄电池剩余容量；Δt为优化时段时长。

其中，随机机会约束Stackelberg博弈模型如下：

其中：α为上层目标函数成立的置信水平；为目标函数在置信水平至少为α时取的最小值；表示是均衡解策略；β₀、β_AC和β_DC为上、下层约束条件成立的置信水平；和g_y(L,P_AC,P_DC,ξ)分别为上层和下层优化的随机约束函数；Pr{h}表示事件h成立的概率。

进一步地，Nash均衡定义如下：对于领导者既定的用电策略L，一个策略为交、直流区的Nash均衡，仅当对任意的和有：

其中，Stackelberg-Nash均衡定义如下：对于领导者任意的策略以及与之相应的Nash均衡一个策略是一个Stackelberg-Nash均衡仅当其满足：

进一步的，步骤206中采用混合智能算法由随机模拟、神经网络以及混沌粒子群优化算法组成，求解的具体步骤如下：

1)采用随机模拟为随机机会约束Stackelberg博弈模型中的不确定函数产生输入输出数据集(即训练样本集)；

2)在训练样本集上训练神经元网络；

其中，本发明采用目前应用广泛的神经网络法，本发明实施例对此不再赘述。

3)采用混沌优化初始化上层博弈粒子群，对上层博弈决策者(即领导者)的策略进行编码；

其中，混沌优化采用Logistic映射来产生混沌变量，Logistic映射的形式如下：

其中，y₀是混沌变量初始值；y_r和y_r+1分别为第r和第r+1次迭代时的混沌变量；rand(·)为产生随机数的随机函数。

4)采用训练好的神经网络检验粒子的可行性；

5)对应上层博弈粒子群中每个粒子，产生下层博弈粒子群；根据上层博弈每个粒子的策略，采用混合智能算法求得下层博弈Nash均衡

6)将作为已知量，利用神经元网络计算上层博弈每个粒子的收益函数值。

7)根据每个粒子的收益函数值，保存上层博弈粒子群全局最优值、全局最优位置和每个粒子当前最优位置。

8)判断是否达到限定的迭代次数或收敛精度，若是则终止算法、输出优化结果(Stackelberg-Nash均衡解)；否则进行下一步；

9)通过位置和速度更新公式更新粒子群；

本发明采用目前广泛应用的粒子群算法的位置和速度更新公式，本发明实施例对此不再赘述。

10)计算任意粒子与当前最优粒子之间的距离，当粒子的距离小于给定值时，则一个粒子不变，另一个粒子赋予混沌运动，在给定的步数内进行混沌搜索，用混沌搜索得到的结果替换原来的粒子，返回步骤4)；否则(即大于等于给定值时)直接返回步骤4)。

综上所述，本发明实施例通过上述步骤201至步骤206实现了对微电网的优化，提高了微电网运行的经济效益、环境效益。

实施例3

下面结合具体的实例、图3、图4、图5以及实验数据对实施例1、2中的方案进行可行性分析，详见下文描述：

本实施例中交、直流区供电限制如表2所示。ILC额定功率为200kW。蓄电池容量为150kWh，剩余电量上、下限为120kWh、30kWh。分时电价如表3所示。风力发电机、光伏电池及负荷预测功率如图3所示。交直流混合微电网交、直流区初始负荷接入如图4所示。

表2交、直流区供电限制

表3分时电价

取置信水平α₀＝β₀＝β_AC＝β_DC＝0.95时，根据本发明所提方法，交直流混合微电网交、直流区负荷接入情况优化后结果如图4所示，优化调度结果如图5所示，微电网运行的功率损耗与费用分别列于表4和表5。

表4微电网功率损耗与运行费用

表5微电网运行费用

其中，*C_G、C_Grid和C_total分别为DG与SB发电费用、购电费用和总费用。

本实施例初始负荷接入情况下，接入直流区的负荷过多，而在直流区燃料电池和蓄电池出力均达到运行上限后，需ILC动作由交流区补足功率缺额，将造成了额外的功率损耗。采用本发明提出的优化运行方法后，上层优化调整负荷采用的供电方式，保证接入直流区的负荷总量不超过直流区的最大供电能力，直流区功率平衡不需要ILC频频动作维持，因此ILC中的功率损耗为零。此外，在微电网实际运行中，ILC频频动作除了造成功率损耗，还将产生大量谐波，影响供电质量；损害电力电子装置使用寿命，增加设备维护费用。因此，如再计及此部分的影响，本发明的作用将更加显著。

另外，交、直流区合理的负荷分配也使得下层优化中交、直流区出力还未达到上限的分布式电源可根据分时电价以及各自发电特性，更经济、环保地调度出力。因而发电成本较高的微型燃气轮机只在发电成本低于电网电价的峰时发电，而清洁的直流电源燃料电池总是优先发电。蓄电池则在谷时充电、峰时放电，以实现削峰填谷。

实施例4

一种计及源网荷互动的交直流混合微电网优化装置，参见图6，该优化装置包括：

划分模块1，用于将交直流混合微电网划分为交流供电区和直流供电区；

第一获取模块2，用于获取需求侧负荷设备参数，对负荷进行分类，并获取微电网24小时负荷需求预测值；

第二获取模块3，用于获取交直流混合微电网中变换器参数，确定变换器中功率变换损耗计算方式；

估计模块4，用于概率方法对光伏电池、风力发电机最大出力和负荷功率的分布曲线进行估计；

优化模块5，利用Stackelberg博弈模型上层博弈优化负荷供电模式，最小化微电网功率转换损耗；利用Stackelberg博弈模型下层博弈在满足交流区和直流区各自运行与控制要求下，优化调度分布式电源出力、蓄电池出力、大电网交互功率，最小化交流区和直流区的运行成本。

其中，参见图7，该优化装置还包括：

第三获取模块6，用于获取风力发电机、微型燃气轮机、光伏电池、燃料电池和蓄电池的设备参数、风力发电机与光伏电池24小时最大功率输出预测值。

其中，参见图8，该划分模块1包括：

划分子模块11，用于根据风力发电机、微型燃气轮机、光伏电池、燃料电池和蓄电池的交流型或直流型的电能供给、存储方式，接入交、直流母线，将交直流混合微电网划分为交流供电区和直流供电区。

其中，参见图9，该优化模块5包括：

训练子模块51，用于采用随机模拟为随机机会约束Stackelberg博弈模型中的不确定函数产生训练样本集；在训练样本集上训练神经元网络；

编码子模块52，用于采用混沌优化初始化上层博弈粒子群，对上层博弈决策者的策略进行编码；

验证子模块53，用于通过训练好的神经元网络检验粒子的可行性；

第一获取子模块54，用于对应上层博弈粒子群中每个粒子，产生下层博弈粒子群；根据上层博弈每个粒子的策略，采用混合智能算法求得下层博弈Nash均衡；

第二获取子模块55，用于将下层博弈Nash均衡作为已知量，利用神经元网络计算上层博弈每个粒子的收益函数值；

保存子模块56，用于根据每个粒子的收益函数值，保存上层博弈粒子群全局最优值、全局最优位置和每个粒子当前最优位置。

进一步地，参见图10，该优化模块5还包括：

判断子模块57，用于根据迭代次数或收敛精度判断是否终止程序；如果是，流程终止；

更新子模块58，用于如果否，更新粒子群；通过计算任意粒子与当前最优粒子之间的距离，判定是否对粒子进行更新。

具体实现时，本发明实施例对上述模块、子模块的执行主体不作限制，只要能完成上述功能的器件均可，可以为单片机、PC机等具有计算功能的器件。

综上所述，本发明实施例通过上述的模块和子模块实现了对微电网的优化，提高了微电网运行的经济效益、环境效益。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

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 (10)

1.一种计及源网荷互动的交直流混合微电网优化运行方法，其特征在于，所述优化运行方法包括以下步骤：

将交直流混合微电网划分为交流供电区和直流供电区；

获取需求侧负荷设备参数，对负荷进行分类，并获取微电网24小时负荷需求预测值；

获取交直流混合微电网中变换器参数，确定变换器中功率变换损耗计算方式；

采用概率方法对光伏电池、风力发电机最大出力和负荷功率的分布曲线进行估计；

利用Stackelberg博弈模型上层博弈优化负荷供电模式，最小化微电网功率转换损耗；利用Stackelberg博弈模型下层博弈在满足交流区和直流区各自运行与控制要求下，优化调度分布式电源出力、蓄电池出力、大电网交互功率，最小化交流区和直流区的运行成本；

其中，交流区的收益函数和约束条件如下所示：

$\min C_{AC}=\underset{t=1}{\overset{T}{\Σ}}\[\underset{m=1}{\overset{N}{\Σ}}{c}_m{\mathrm{\λ}}_{MT}^m{P}_{MT}^t+f_{MT}\left(P_{MT}^t\right)+{\mathrm{\γ}}_{MT}{P}_{MT}^t+c_{Grid}^t{P}_{Grid}^t\]$

$\left\{\begin{array}{c}-P_{Grid}^{\max }\≤P_{Grid}^t\≤P_{Grid}^{\max },P_{MT}^{\min }\≤P_{MT}^t\≤P_{MT}^{\max }\\ \underset{k=1}{\overset{4}{\Σ}}\underset{i=1}{\overset{n_k}{\Σ}}\frac{P_{i,k}^t{l}_{i,k}^t}{{\mathrm{\η}}_{i,k}^{AC}}=P_{WT}^t+{\mathrm{\η}}_{MT}^A{\mathrm{\η}}_{MT}^B{P}_{MT}^t+P_{Grid}^t-{\mathrm{\η}}_{ILC}^{A,t}{P}_{ILC}^t\end{array}\right.$

直流区的收益函数和约束条件如下所示：

$\min C_{DC}=\underset{t=1}{\overset{T}{\Σ}}\[\underset{m=1}{\overset{N}{\Σ}}{c}_m{\mathrm{\λ}}_{FC}^m{P}_{FC}^t+f_{FC}\left(P_{FC}^t\right)+{\mathrm{\γ}}_{FC}{P}_{FC}^t+{\mathrm{\γ}}_{SB}\left|P_{SB}^t\right|\]$

$\left\{\begin{array}{c}-P_{ILC}^{rated}\&le;P_{ILC}^t\&le;P_{ILC}^{rated},P_{FC}^{\min }\&le;P_{FC}^t\&le;P_{FC}^{\max }\\ \left\{\begin{array}{c}-P_{SB}^{\max }\&le;P_{SB}^t\&le;P_{SB}^{\max },E_{SB}^{\min }\&le;E_{SB}^t\&le;E_{SB}^{\max }\\ E_{SB}^t=\left\{\begin{array}{c}{E}_{SB}^{t-1}-P_{SB}^t{\mathrm{\&Delta;t\&eta;}}_{ch},P_{SB}^t<0\\ E_{SB}^{t-1}-P_{SB}^t\mathrm{\&Delta;}t/{\mathrm{\&eta;}}_{dis},P_{SB}^t\&GreaterEqual;0\end{array}\right.\end{array}\right.\\ \underset{k=1}{\overset{4}{\&Sigma;}}\underset{i=1}{\overset{n_k}{\&Sigma;}}\frac{P_{i,k}^t(1-l_{i,k}^t)}{{\mathrm{\&eta;}}_{i,k}^{DC}}=\underset{x\&Element;\{FC,PV,SB\}}{\&Sigma;}{\mathrm{\&eta;}}_x^{B,t}{P}_x^t+{\mathrm{\&eta;}}_{ILC}^{A,t}{P}_{ILC}^t\end{array}\right.$

其中：C_AC和C_DC分别为交、直流区运行费用；N为污染物种类数目；c_m为第m种污染物单位排放量治理费用；和分别为微型燃气轮机和燃料电池第m种污染物排放系数；和分别为微型燃气轮机和燃料电池燃料成本函数；γ_MT、γ_FC和γ_SB分别为微型燃气轮机、燃料电池和蓄电池运行维护费用比例系数；为购电功率；为电网电价；和分别为微型燃气轮机和燃料电池出力下限；η_ch和η_dis分别为蓄电池充、放电效率；和为蓄电池剩余容量上下限；和分别为t时刻和t-1时刻蓄电池剩余容量；Δt为优化时段时长。

2.根据权利要求1所述的一种计及源网荷互动的交直流混合微电网优化运行方法，其特征在于，在所述将交直流混合微电网划分为交流供电区和直流供电区的步骤之前，所述优化运行方法还包括：

获取风力发电机、微型燃气轮机、光伏电池、燃料电池和蓄电池的设备参数、风力发电机与光伏电池24小时最大功率输出预测值。

3.根据权利要求1所述的一种计及源网荷互动的交直流混合微电网优化运行方法，其特征在于，所述将交直流混合微电网划分为交流供电区和直流供电区的步骤具体为：

根据风力发电机、微型燃气轮机、光伏电池、燃料电池和蓄电池的交流型或直流型的电能供给、存储方式，接入交、直流母线，将交直流混合微电网划分为交流供电区和直流供电区。

4.根据权利要求1所述的一种计及源网荷互动的交直流混合微电网优化运行方法，其特征在于，所述优化运行方法还包括：

采用随机模拟为Stackelberg博弈模型中的不确定函数产生训练样本集；在训练样本集上训练神经元网络；

采用混沌优化初始化上层博弈粒子群，对上层博弈决策者的策略进行编码；通过训练好的神经元网络检验粒子的可行性；

对应上层博弈粒子群中每个粒子，产生下层博弈粒子群；根据上层博弈每个粒子的策略，采用混合智能算法求得下层博弈Nash均衡；

将下层博弈Nash均衡作为已知量，利用神经元网络计算上层博弈每个粒子的收益函数值；

根据每个粒子的收益函数值，保存上层博弈粒子群全局最优值、全局最优位置和每个粒子当前最优位置。

5.根据权利要求4所述的一种计及源网荷互动的交直流混合微电网优化运行方法，其特征在于，所述优化运行方法还包括：

根据迭代次数或收敛精度判断是否终止程序；如果是，流程终止；

如果否，更新粒子群，通过计算任意粒子与当前最优粒子之间的距离，判定是否对粒子进行更新。

6.一种用于实施权利要求1所述的计及源网荷互动的交直流混合微电网优化运行方法的装置，其特征在于，所述装置包括：

划分模块，用于将交直流混合微电网划分为交流供电区和直流供电区；

第一获取模块，用于获取需求侧负荷设备参数，对负荷进行分类，并获取微电网24小时负荷需求预测值；

第二获取模块，用于获取交直流混合微电网中变换器参数，确定变换器中功率变换损耗计算方式；

估计模块，用于概率方法对光伏电池、风力发电机最大出力和负荷功率的分布曲线进行估计；

优化模块，用于利用Stackelberg博弈模型上层博弈优化负荷供电模式，最小化微电网功率转换损耗；利用Stackelberg博弈模型下层博弈在满足交流区和直流区各自运行与控制要求下，优化调度分布式电源出力、蓄电池出力、大电网交互功率，最小化交流区和直流区的运行成本。

7.根据权利要求6所述的一种计及源网荷互动的交直流混合微电网优化运行装置，其特征在于，所述装置还包括：

第三获取模块，用于获取风力发电机、微型燃气轮机、光伏电池、燃料电池和蓄电池的设备参数、风力发电机与光伏电池24小时最大功率输出预测值。

8.根据权利要求6所述的一种计及源网荷互动的交直流混合微电网优化运行装置，其特征在于，所述划分模块包括：

划分子模块，用于根据风力发电机、微型燃气轮机、光伏电池、燃料电池和蓄电池的交流型或直流型的电能供给、存储方式，接入交、直流母线，将交直流混合微电网划分为交流供电区和直流供电区。

9.根据权利要求6所述的一种计及源网荷互动的交直流混合微电网优化运行装置，其特征在于，所述装置还包括：

训练子模块，用于采用随机模拟为Stackelberg博弈模型中的不确定函数产生训练样本集；在训练样本集上训练神经元网络；

编码子模块，用于采用混沌优化初始化上层博弈粒子群，对上层博弈决策者的策略进行编码；

验证子模块，用于通过训练好的神经元网络检验粒子的可行性；

第一获取子模块，用于对应上层博弈粒子群中每个粒子，产生下层博弈粒子群；根据上层博弈每个粒子的策略，采用混合智能算法求得下层博弈Nash均衡；

第二获取子模块，用于将下层博弈Nash均衡作为已知量，利用神经元网络计算上层博弈每个粒子的收益函数值；

保存子模块，用于根据每个粒子的收益函数值，保存上层博弈粒子群全局最优值、全局最优位置和每个粒子当前最优位置。

10.根据权利要求9所述的一种计及源网荷互动的交直流混合微电网优化运行装置，其特征在于，所述优化模块还包括：

判断子模块，用于根据迭代次数或收敛精度判断是否终止程序；如果是，流程终止；

更新子模块，用于如果否，更新粒子群；通过计算任意粒子与当前最优粒子之间的距离，判定是否对粒子进行更新。