CN105406507A - 一种光伏微网微源动态切换方法 - Google Patents

一种光伏微网微源动态切换方法 Download PDF

Info

Publication number
CN105406507A
CN105406507A CN201510890893.6A CN201510890893A CN105406507A CN 105406507 A CN105406507 A CN 105406507A CN 201510890893 A CN201510890893 A CN 201510890893A CN 105406507 A CN105406507 A CN 105406507A
Authority
CN
China
Prior art keywords
microgrid
population
individual
micro
dynamic
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.)
Granted
Application number
CN201510890893.6A
Other languages
English (en)
Other versions
CN105406507B (zh
Inventor
张洪涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Qinhuai Data Co Ltd
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201510890893.6A priority Critical patent/CN105406507B/zh
Publication of CN105406507A publication Critical patent/CN105406507A/zh
Application granted granted Critical
Publication of CN105406507B publication Critical patent/CN105406507B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H02J3/383—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • Y02P80/14—District level solutions, i.e. local energy networks
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明涉及一种光伏微网微源动态切换方法，包括如下步骤：建立基于多微源节点的光伏微网系统；建立光伏微网微源的动态数学模；自适应多种群遗传算法的多目标优化。本发明可以实现光伏微网内部微源的动态无缝切换，保证在切换过程中微源对微网的输出及性能具有最小的影响。

Description

一种光伏微网微源动态切换方法
(一)技术领域
本发明专利涉及一种光伏微网内部微源动态切换方法。整套方案与光伏微网的功率规模无关，具有一定普适性。
(二)背景技术
光伏微网这一概念是美国电力可靠性技术解决方案协会(CERTS)在2000年左右提出的，它首先是一种分布式供电模式，其次是多个供电微源结点、储能结点、负荷结点及并网结点组成的一种互助网络拓扑工作形式[1]。微网技术研究成为分布式能源系统研究领域的热点之一，并很有可能成为现有主电网的一种有效补充形式。微网和大电网之间可以进行能量交换，并互为备用，从而提高了供电可靠性；能整合分布式发电的优势，削弱分布式发电对电网的冲击和负面影响，是一种新的分布式能源组织方式和结构。在一个局部区域内它直接将分布式微源单元、电力网络、储能单元和负荷用户联系在一起，可以方便地进行结构配置以及电力调度的优化，提高能源利用效率，减轻能源动力系统对环境的影响，推动分布式电源上网，降低大电网的负担，可改善可靠安全性。未来的电力系统将会是由集中式与分布式发电系统有机结合的供能系统。其主要框架结构是由集中式发电和远距离输电骨干网、地区输配电网、以微型电网为核心的分布式发电系统相结合的统一体，能够节省投资，降低能耗，提高能效，提高电力系统可靠性、灵活性和供电质量，将成为21世纪电力工业的重要发展方向。目前微网作为一种具有巨大潜力的电力系统发展方向，在世界各国引起了政府和科研院所的重视。然而微电网作为一个小而全的发电、供电和用电系统，存在大量的技术问题需要解决，如微电源的网络结构配置问题，微电源、负荷及微电网系统的实时控制问题，微电网与大电网的无缝双向潮流及微网孤岛运行机制等问题。
(三)发明内容
本发明要克服现有技术的上述缺点，提供一种光伏微网微源动态切换方法，可以实现光伏微网内部微源的动态无缝切换，保证在切换过程中微源对微网的输出及性能具有最小的影响。
本发明的一种光伏微网微源动态切换方法，包括如下步骤：
1、建立基于多微源节点的光伏微网系统，此系统内部各个微源通过协作，以光伏发电微源为主，使微网系统在不影响输出的情况下，发电的功率消耗比最大。
微网这种组织方式为增加系统的足够灵活性，在各个微源节点到主干线采用功率开关切换方式，采用微网架构拓扑动态延展、微网结点自主路由的配置策略，满足微网架构的动态优化配置。微网架构动态优化配置是指相邻的微网间其网络结点是可以自主路由到邻近的微网内的。这种动态配置方式可以大大提高微网的运行可靠性，在动态配置过程中可以排除故障结点。微源结点i和储能结点i可以加入到微网1、微网2或微网n中，加入到那个微网是基于多目标优化算法决策的。当微网内的微源结点出现故障或微网内的负荷出现大的变化，这种动态配置方式就会进行。邻近微网的动态配置还有一个显著的优点就是减少了微网的并网结点，进而削弱了对电网的冲击和污染。
2、建立光伏微网微源的动态数学模型
针对光伏微网系统本质上是一个含有未知参数、系统干扰、量测噪声及状态不可得的高维、非线性、强耦合的复杂动态系统，根据若干特性的常微分系统(ODE)或者向量场(Vectorfield)方程描述并结合现代信号量测与处理技术，建立微网系统的状态空间方程：
x · = g ( x , t ) + e ( t ) - - - ( 1 )
其中为n维系统状态向量，包括：微网电压、电流、频率和主网的电压、电流、频率、温度、微网负荷、微网谐波含量、并网时间、穿越时间、电磁冲击、结点数量等微网特征参数；e(t)为n维系统干扰向量(控制矩阵)；g(x,t)为n维的关于状态变量和时间的非线性函数，即微网的特征状态矩阵。
微网电压、电流、频率、工作温度、微网负荷、微网谐波含量及结点数量作为微网系统内部运行状态向量组，用于表征微网运行时状态；主网的电压、电流、频率作为微网监控的大电网运行状态向量组；并网时间、穿越时间、电磁冲击构成离/并网过程状态向量组。上述三个向量组构成系统的n维状态向量，建立微网-主网耦合的二次型状态空间方程，运用李亚普诺夫第二法分析微网-主网稳定性判定，得到微网运行状态稳定性泛函积分方程；基于变分法求解微网-主网耦合二次型状态空间方程特征解，作为微网离/并网实施时机裁定的依据，并实现离/并网切换过程状态参数的实时监控。
3、自适应多种群遗传算法的多目标优化
对于微网架构动态配置是一个复杂、多目标、多约束的综合优化过程，采用传统的方法存在严重的“维数灾”问题，针对光伏微网的稳定性、最大工作效率、最大功率输出及电能质量作为目标，应用自适应多种群遗传算法搜寻Pareto可行解。自适应多种群遗传算法中多个种群使用同一目标函数，各种群的交叉率和变异率在线自适应改变，以搜索不同解空间中的最优解，种群间定期进行信息交换。种群的划分与自适应参数调整相结合，将种群划分为几个各具特色的子种群。多种群遗传算法中的精华种群和其它种群有很大不同。在进化过程中将各个种群的优秀个体放入精华种群加以保存。精华种群不进行选择、交叉、变异等遗传操作，保证进化过程中各种群产生的最优个体不被破坏和丢失。
31.Pareto最优法
采用Pareto最优概念来解决微网架构动态配置过程中的多目标问题。对于两个决策变量p和q，且p,q∈S，S为决策变量空间，对任意的i∈{1,2,...k}，fi(p)≤fi(q)，并且存在i∈{1,2,...k}，使得fi(p)<fi(q)成立，则称决策变量p支配q，记为p>q。
对于多目标优化问题的一个可行解x∈S，当且仅当S中不存在y，使y>x，即x是S中的非支配个体，称x为多目标优化问题的Pareto最优解。通常多目标优化问题的Pareto最优解是一个集。而自适应遗传算法就是要尽可能多的搜索出Pareto的可行解，然后再选择其中的一个或部分解作为多目标优化问题的最优解。
32.自适应参数调整
参数的调整主要是对交叉概率Pc、变异概率Pm进行的。交叉操作是遗传算法产生新个体的主要方法，Pc一般应取较大值，但若取值过大，易破坏群体中的优良个体；若取值过小，产生新个体的速度又太慢，Pc的范围一般为0.4～0.99。变异操作是产生新个体必不可少的辅助方法，若Pm取值较大，有可能破坏掉很多较好的个体，使得算法的性能近似于随机搜索的性能；若Pm取值太小，则变异操作产生新个体的能力和抑制早熟现象的能力较差，一般Pm范围为0.001～0.1。由上可知，Pc和Pm越大，算法产生新个体的能力就越强，个体之间的适应度波动比较大；Pc和Pm越小，算法使个体趋于收敛的能力越强，个体的平均适应度比较平稳，有可能产生早熟现象。
采用自适应思想，在算法的运行过程中对Pc和Pm进行调整，其计算公式为：
Pc(gens)＝Pc(1)-(gens-1)×c/gensmax.(2)
Pm(gens)＝Pm(1)-(gens-1)×m/gensmax.(3)
式中：gens是遗传操作的代数，gensmax是最大遗传代数，Pc(1)，Pm(1)分别是初始交叉率和变异率，c和m分别为交叉率与变异率的比例系数，Pc(gens)，Pm(gens)分别是第gens代的交叉率和变异率。
33.种群的划分方法
在遗传算法过程中，为了尽可能保持一些关键的信息不被丢失，采用自适应多种群并行进化，种群的划分与自适应参数调整相结合，其划分的主要依据是Pc和Pm值的变化情况。把随机产生的初始种群P0分成两组：P1和P2，种群的规模都是一样的。另外再设置一个精华种群用于存放各个种群的优秀个体。对于种群P1，让其具有较小的Pc和Pm(即可让系数c，m具有较小的值)，可称之为优类子种群。较小的Pc和Pm易于保持个体的稳定性，将优良的个体尽量保存下来，其作用在于尽可能保护优秀个体加快收敛速度。对于种群P2，让其具有较大的Pc和Pm(即可让系数c，m具有较大的值)，可称之为劣类子种群。较大的Pc和Pm易于产生新的个体模式，增大探测到最优个体的可能性。其作用在于克服过早收敛。在进行遗传操作过程中，3个物种进行各自独立的遗传进化，通过优秀个体的转移实现协同进化作用。在进行优秀个体转移过程中，主要是通过用一个种群中的最优个体来替换与它进行交互作用的另一个或几个种群中的最劣个体实现的。物种3的作用是进行整体协调，而物种1和2是引进了不同于物种3的搜索思路，这样通过多物种的引进和协同作用可很好地解决遗传算法陷入局部最优的问题，并能有效提高搜索效率。物种1和2的引进在一定程度上扩大了搜索空间，如果陷入局部最优解，由于物种1和2中优秀个体的转移将引入新的搜索思路，这给出了更多的选择，从而能够跳出局部最优解。
本发明的优点是：可以实现光伏微网内部微源的动态无缝切换，保证在切换过程中微源对微网的输出及性能具有最小的影响。
(四)附图说明
图1是本发明的光伏微网系统配置示意图；
图2是本发明的多光伏微网系统动态配置切换方法的示意图；
图3是本发明方法所用的多种群遗传算法的示意图。
(五)具体实施方式
参照图1、图2，本发明的一种光伏微网微源动态切换方法，包括如下步骤：
1、如附图1所示，建立基于多微源节点的光伏微网系统，此系统内部各个微源通过协作，以光伏发电微源为主，使微网系统在不影响输出的情况下，发电的功率消耗比最大。
附图1微网这种组织方式为增加系统的足够灵活性，在各个微源节点到主干线采用功率开关切换方式，采用微网架构拓扑动态延展、微网结点自主路由的配置策略，满足微网架构的动态优化配置。微网架构动态优化配置是指相邻的微网间其网络结点是可以自主路由到邻近的微网内的。这种动态配置方式可以大大提高微网的运行可靠性，在动态配置过程中可以排除故障结点，如附图2所示。附图2中的微源结点i和储能结点i可以加入到微网1、微网2或微网n中，加入到那个微网是基于多目标优化算法决策的。当微网内的微源结点出现故障或微网内的负荷出现大的变化，这种动态配置方式就会进行。邻近微网的动态配置还有一个显著的优点就是减少了微网的并网结点，进而削弱了对电网的冲击和污染。
2、建立光伏微网微源的动态数学模型
针对光伏微网系统本质上是一个含有未知参数、系统干扰、量测噪声及状态不可得的高维、非线性、强耦合的复杂动态系统，根据若干特性的常微分系统(ODE)或者向量场(Vectorfield)方程描述并结合现代信号量测与处理技术，建立微网系统的状态空间方程：
x &CenterDot; = g ( x , t ) + e ( t ) - - - ( 1 )
其中为n维系统状态向量，包括：微网电压、电流、频率和主网的电压、电流、频率、温度、微网负荷、微网谐波含量、并网时间、穿越时间、电磁冲击、结点数量等微网特征参数；e(t)为n维系统干扰向量(控制矩阵)；g(x,t)为n维的关于状态变量和时间的非线性函数，即微网的特征状态矩阵。
微网电压、电流、频率、工作温度、微网负荷、微网谐波含量及结点数量作为微网系统内部运行状态向量组，用于表征微网运行时状态；主网的电压、电流、频率作为微网监控的大电网运行状态向量组；并网时间、穿越时间、电磁冲击构成离/并网过程状态向量组。上述三个向量组构成系统的n维状态向量，建立微网-主网耦合的二次型状态空间方程，运用李亚普诺夫第二法分析微网-主网稳定性判定，得到微网运行状态稳定性泛函积分方程；基于变分法求解微网-主网耦合二次型状态空间方程特征解，作为微网离/并网实施时机裁定的依据，并实现离/并网切换过程状态参数的实时监控。
3、自适应多种群遗传算法的多目标优化
对于微网架构动态配置是一个复杂、多目标、多约束的综合优化过程，采用传统的方法存在严重的“维数灾”问题，针对光伏微网的稳定性、最大工作效率、最大功率输出及电能质量作为目标，应用自适应多种群遗传算法搜寻Pareto可行解。自适应多种群遗传算法中多个种群使用同一目标函数，各种群的交叉率和变异率在线自适应改变，以搜索不同解空间中的最优解，种群间定期进行信息交换。种群的划分与自适应参数调整相结合，将种群划分为几个各具特色的子种群。多种群遗传算法中的精华种群和其它种群有很大不同。在进化过程中将各个种群的优秀个体放入精华种群加以保存。精华种群不进行选择、交叉、变异等遗传操作，保证进化过程中各种群产生的最优个体不被破坏和丢失。
Pareto最优法
采用Pareto最优概念来解决微网架构动态配置过程中的多目标问题。对于两个决策变量p和q，且p,q∈S，S为决策变量空间，对任意的i∈{1,2,...k}，fi(p)≤fi(q)，并且存在i∈{1,2,...k}，使得fi(p)<fi(q)成立，则称决策变量p支配q，记为p>q。
对于多目标优化问题的一个可行解x∈S，当且仅当S中不存在y，使y>x，即x是S中的非支配个体，称x为多目标优化问题的Pareto最优解。通常多目标优化问题的Pareto最优解是一个集。而自适应遗传算法就是要尽可能多的搜索出Pareto的可行解，然后再选择其中的一个或部分解作为多目标优化问题的最优解。
自适应参数调整
参数的调整主要是对交叉概率Pc、变异概率Pm进行的。交叉操作是遗传算法产生新个体的主要方法，Pc一般应取较大值，但若取值过大，易破坏群体中的优良个体；若取值过小，产生新个体的速度又太慢，Pc的范围一般为0.4～0.99。变异操作是产生新个体必不可少的辅助方法，若Pm取值较大，有可能破坏掉很多较好的个体，使得算法的性能近似于随机搜索的性能；若Pm取值太小，则变异操作产生新个体的能力和抑制早熟现象的能力较差，一般Pm范围为0.001～0.1。由上可知，Pc和Pm越大，算法产生新个体的能力就越强，个体之间的适应度波动比较大；Pc和Pm越小，算法使个体趋于收敛的能力越强，个体的平均适应度比较平稳，有可能产生早熟现象。
采用自适应思想，在算法的运行过程中对Pc和Pm进行调整，其计算公式为：
Pc(gens)＝Pc(1)-(gens-1)×c/gensmax.(2)
Pm(gens)＝Pm(1)-(gens-1)×m/gensmax.(3)
式中：gens是遗传操作的代数，gensmax是最大遗传代数，Pc(1)，Pm(1)分别是初始交叉率和变异率，c和m分别为交叉率与变异率的比例系数，Pc(gens)，Pm(gens)分别是第gens代的交叉率和变异率。
种群的划分方法
在遗传算法过程中，为了尽可能保持一些关键的信息不被丢失，采用自适应多种群并行进化，种群的划分与自适应参数调整相结合，其划分的主要依据是Pc和Pm值的变化情况。把随机产生的初始种群P0分成两组：P1和P2，种群的规模都是一样的。另外再设置一个精华种群用于存放各个种群的优秀个体。对于种群P1，让其具有较小的Pc和Pm(即可让系数c，m具有较小的值)，可称之为优类子种群。较小的Pc和Pm易于保持个体的稳定性，将优良的个体尽量保存下来，其作用在于尽可能保护优秀个体加快收敛速度。对于种群P2，让其具有较大的Pc和Pm(即可让系数c，m具有较大的值)，可称之为劣类子种群。较大的Pc和Pm易于产生新的个体模式，增大探测到最优个体的可能性。其作用在于克服过早收敛。多种群遗传算法的框图如附图3所示。在进行遗传操作过程中，3个物种进行各自独立的遗传进化，通过优秀个体的转移实现协同进化作用。在进行优秀个体转移过程中，主要是通过用一个种群中的最优个体来替换与它进行交互作用的另一个或几个种群中的最劣个体实现的。物种3的作用是进行整体协调，而物种1和2是引进了不同于物种3的搜索思路，这样通过多物种的引进和协同作用可很好地解决遗传算法陷入局部最优的问题，并能有效提高搜索效率。物种1和2的引进在一定程度上扩大了搜索空间，如果陷入局部最优解，由于物种1和2中优秀个体的转移将引入新的搜索思路，这给出了更多的选择，从而能够跳出局部最优解。

Claims (1)

1.一种光伏微网微源动态切换方法，包括如下步骤：
步骤1、建立基于多微源节点的光伏微网系统，此系统内部各个微源通过协作，以光伏发电微源为主，使微网系统在不影响输出的情况下，发电的功率消耗比最大；
微网这种组织方式为增加系统的足够灵活性，在各个微源节点到主干线采用功率开关切换方式，采用微网架构拓扑动态延展、微网结点自主路由的配置策略，满足微网架构的动态优化配置；微网架构动态优化配置是指相邻的微网间其网络结点是可以自主路由到邻近的微网内的；这种动态配置方式可以大大提高微网的运行可靠性，在动态配置过程中可以排除故障结点；微源结点i和储能结点i可以加入到微网1、微网2或微网n中，加入到那个微网是基于多目标优化算法决策的；当微网内的微源结点出现故障或微网内的负荷出现大的变化，这种动态配置方式就会进行；邻近微网的动态配置还有一个显著的优点就是减少了微网的并网结点，进而削弱了对电网的冲击和污染；
步骤2、建立光伏微网微源的动态数学模型；
针对光伏微网系统本质上是一个含有未知参数、系统干扰、量测噪声及状态不可得的高维、非线性、强耦合的复杂动态系统，根据若干特性的常微分系统(ODE)或者向量场(Vectorfield)方程描述并结合现代信号量测与处理技术，建立微网系统的状态空间方程：
x &CenterDot; = g ( x , t ) + e ( t ) - - - ( 1 )
其中为n维系统状态向量，包括：微网电压、电流、频率和主网的电压、电流、频率、温度、微网负荷、微网谐波含量、并网时间、穿越时间、电磁冲击、结点数量等微网特征参数；e(t)为n维系统干扰向量(控制矩阵)；g(x,t)为n维的关于状态变量和时间的非线性函数，即微网的特征状态矩阵；
微网电压、电流、频率、工作温度、微网负荷、微网谐波含量及结点数量作为微网系统内部运行状态向量组，用于表征微网运行时状态；主网的电压、电流、频率作为微网监控的大电网运行状态向量组；并网时间、穿越时间、电磁冲击构成离/并网过程状态向量组；上述三个向量组构成系统的n维状态向量，建立微网-主网耦合的二次型状态空间方程，运用李亚普诺夫第二法分析微网-主网稳定性判定，得到微网运行状态稳定性泛函积分方程；基于变分法求解微网-主网耦合二次型状态空间方程特征解，作为微网离/并网实施时机裁定的依据，并实现离/并网切换过程状态参数的实时监控；
步骤3、自适应多种群遗传算法的多目标优化；
对于微网架构动态配置是一个复杂、多目标、多约束的综合优化过程，采用传统的方法存在严重的“维数灾”问题，针对光伏微网的稳定性、最大工作效率、最大功率输出及电能质量作为目标，应用自适应多种群遗传算法搜寻Pareto可行解；自适应多种群遗传算法中多个种群使用同一目标函数，各种群的交叉率和变异率在线自适应改变，以搜索不同解空间中的最优解，种群间定期进行信息交换；种群的划分与自适应参数调整相结合，将种群划分为几个各具特色的子种群；多种群遗传算法中的精华种群和其它种群有很大不同；在进化过程中将各个种群的优秀个体放入精华种群加以保存；精华种群不进行选择、交叉、变异等遗传操作，保证进化过程中各种群产生的最优个体不被破坏和丢失；
31.Pareto最优法；
采用Pareto最优概念来解决微网架构动态配置过程中的多目标问题；对于两个决策变量p和q，且p,q∈S，S为决策变量空间，对任意的i∈{1,2,...k}，fi(p)≤fi(q)，并且存在i∈{1,2,...k}，使得fi(p)<fi(q)成立，则称决策变量p支配q，记为p>q；
对于多目标优化问题的一个可行解x∈S，当且仅当S中不存在y，使y>x，即x是S中的非支配个体，称x为多目标优化问题的Pareto最优解；通常多目标优化问题的Pareto最优解是一个集；而自适应遗传算法就是要尽可能多的搜索出Pareto的可行解，然后再选择其中的一个或部分解作为多目标优化问题的最优解；
32.自适应参数调整；
参数的调整主要是对交叉概率Pc、变异概率Pm进行的；交叉操作是遗传算法产生新个体的主要方法，Pc一般应取较大值，但若取值过大，易破坏群体中的优良个体；若取值过小，产生新个体的速度又太慢，Pc的范围一般为0.4～0.99；变异操作是产生新个体必不可少的辅助方法，若Pm取值较大，有可能破坏掉很多较好的个体，使得算法的性能近似于随机搜索的性能；若Pm取值太小，则变异操作产生新个体的能力和抑制早熟现象的能力较差，一般Pm范围为0.001～0.1；由上可知，Pc和Pm越大，算法产生新个体的能力就越强，个体之间的适应度波动比较大；Pc和Pm越小，算法使个体趋于收敛的能力越强，个体的平均适应度比较平稳，有可能产生早熟现象；
采用自适应思想，在算法的运行过程中对Pc和Pm进行调整，其计算公式为：
Pc(gens)＝Pc(1)-(gens-1)×c/gensmax.(2)
Pm(gens)＝Pm(1)-(gens-1)×m/gensmax.(3)
式中：gens是遗传操作的代数，gensmax是最大遗传代数，Pc(1)，Pm(1)分别是初始交叉率和变异率，c和m分别为交叉率与变异率的比例系数，Pc(gens)，Pm(gens)分别是第gens代的交叉率和变异率；
33.种群的划分方法；
在遗传算法过程中，为了尽可能保持一些关键的信息不被丢失，采用自适应多种群并行进化，种群的划分与自适应参数调整相结合，其划分的主要依据是Pc和Pm值的变化情况；把随机产生的初始种群P0分成两组：P1和P2，种群的规模都是一样的；另外再设置一个精华种群用于存放各个种群的优秀个体；对于种群P1，让其具有较小的Pc和Pm(即可让系数c，m具有较小的值)，可称之为优类子种群；较小的Pc和Pm易于保持个体的稳定性，将优良的个体尽量保存下来，其作用在于尽可能保护优秀个体加快收敛速度；对于种群P2，让其具有较大的Pc和Pm(即可让系数c，m具有较大的值)，可称之为劣类子种群；较大的Pc和Pm易于产生新的个体模式，增大探测到最优个体的可能性；其作用在于克服过早收敛；在进行遗传操作过程中，3个物种进行各自独立的遗传进化，通过优秀个体的转移实现协同进化作用；在进行优秀个体转移过程中，主要是通过用一个种群中的最优个体来替换与它进行交互作用的另一个或几个种群中的最劣个体实现的；物种3的作用是进行整体协调，而物种1和2是引进了不同于物种3的搜索思路，这样通过多物种的引进和协同作用可很好地解决遗传算法陷入局部最优的问题，并能有效提高搜索效率；物种1和2的引进在一定程度上扩大了搜索空间，如果陷入局部最优解，由于物种1和2中优秀个体的转移将引入新的搜索思路，这给出了更多的选择，从而能够跳出局部最优解。
CN201510890893.6A 2015-12-07 2015-12-07 一种光伏微网微源动态切换方法 Active CN105406507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510890893.6A CN105406507B (zh) 2015-12-07 2015-12-07 一种光伏微网微源动态切换方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510890893.6A CN105406507B (zh) 2015-12-07 2015-12-07 一种光伏微网微源动态切换方法

Publications (2)

Publication Number Publication Date
CN105406507A true CN105406507A (zh) 2016-03-16
CN105406507B CN105406507B (zh) 2018-01-12

Family

ID=55471831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510890893.6A Active CN105406507B (zh) 2015-12-07 2015-12-07 一种光伏微网微源动态切换方法

Country Status (1)

Country Link
CN (1) CN105406507B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105932665A (zh) * 2016-05-09 2016-09-07 上海交通大学 电能调控方法及调控系统
CN106374534A (zh) * 2016-11-17 2017-02-01 云南电网有限责任公司玉溪供电局 一种基于多目标灰狼优化算法的大规模家庭能量管理方法
CN108808728A (zh) * 2018-05-28 2018-11-13 天津大学 一种风力发电机组并网控制方法
CN113034310A (zh) * 2021-04-16 2021-06-25 国网黑龙江省电力有限公司电力科学研究院 基于优化的bp神经网络的光伏发电输出功率预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103854070A (zh) * 2014-03-07 2014-06-11 天津大学 独立微网系统的随机优化规划方法
WO2014153946A1 (zh) * 2013-03-27 2014-10-02 国网浙江省电力公司电力科学研究院 独立微网系统的优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014153946A1 (zh) * 2013-03-27 2014-10-02 国网浙江省电力公司电力科学研究院 独立微网系统的优化方法
CN103854070A (zh) * 2014-03-07 2014-06-11 天津大学 独立微网系统的随机优化规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵媛媛等: "考虑多种因素评估的微电网优化调度", 《电力系统保护与控制》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105932665A (zh) * 2016-05-09 2016-09-07 上海交通大学 电能调控方法及调控系统
CN105932665B (zh) * 2016-05-09 2019-03-08 上海交通大学 电能调控方法及调控系统
CN106374534A (zh) * 2016-11-17 2017-02-01 云南电网有限责任公司玉溪供电局 一种基于多目标灰狼优化算法的大规模家庭能量管理方法
CN108808728A (zh) * 2018-05-28 2018-11-13 天津大学 一种风力发电机组并网控制方法
CN108808728B (zh) * 2018-05-28 2021-04-20 天津大学 一种风力发电机组并网控制方法
CN113034310A (zh) * 2021-04-16 2021-06-25 国网黑龙江省电力有限公司电力科学研究院 基于优化的bp神经网络的光伏发电输出功率预测方法

Also Published As

Publication number Publication date
CN105406507B (zh) 2018-01-12

Similar Documents

Publication Publication Date Title
Wang et al. A fully distributed power dispatch method for fast frequency recovery and minimal generation cost in autonomous microgrids
Sedighizadeh et al. Application of the hybrid Big Bang-Big Crunch algorithm to optimal reconfiguration and distributed generation power allocation in distribution systems
Gu et al. Adaptive decentralized under-frequency load shedding for islanded smart distribution networks
Syahputra et al. Reconfiguration of distribution network with DG using fuzzy multi-objective method
Zhao et al. Distributed robust frequency restoration and active power sharing for autonomous microgrids with event-triggered strategy
Syahputra Fuzzy multi-objective approach for the improvement of distribution network efficiency by considering DG
CN104992009B (zh) 基于多代理系统的主动配电网分布式电压控制方法
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
Chang et al. A distributed robust optimization approach for the economic dispatch of flexible resources
Ramirez et al. An investigation about the impact of the optimal reactive power dispatch solved by DE
Wang et al. Economic load dispatch of renewable energy-based power systems with high penetration of large-scale hydropower station based on multi-agent glowworm swarm optimization
CN105406507A (zh) 一种光伏微网微源动态切换方法
Kamarposhti et al. Optimal location of FACTS devices in order to simultaneously improving transmission losses and stability margin using artificial bee colony algorithm
Kang et al. Distributed secondary control method for islanded microgrids with communication constraints
CN110445186B (zh) 一种自同步微电网控制系统及二次调频控制方法
Liu et al. Consensus-based energy management of multi-microgrid: An improved SoC-based power coordinated control method
Huang et al. Distributed real-time economic dispatch for islanded microgrids with dynamic power demand
Teekaraman et al. Investigations on the effect of micro-grid using improved NFIS-PID with hybrid algorithms
Sajadi et al. Voltage regulation based on fuzzy multi-agent control scheme in smart grids
Arshad et al. Multi-agent based distributed voltage regulation scheme with grid-tied inverters in active distribution networks
Martinelli et al. Secondary control strategies for DC islanded microgrids operation
He et al. Distributed Optimal Power Scheduling for Microgrid System via Deep Reinforcement Learning with Privacy Preserving
Hebal et al. Solving energy routing problem in energy internet using a discrete artificial bee colony algorithm
Lin et al. Reactive power optimization in area power grid based on improved Tabu search algorithm
Babu et al. Intelligent Energy Management System for Smart Grids Using Machine Learning Algorithms

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20191210

Address after: 313000 No.5-8, Changhe Road, Huaxi street, Changxing County, Huzhou City, Zhejiang Province

Patentee after: Zhejiang Changxing green battery technology Co.,Ltd.

Address before: 313000 Room 1403, 14th Floor, Building B, Freeport, Headquarters 1188 District Fulu Road, Wuxing District, Huzhou City, Zhejiang Province

Patentee before: Zhejiang creation Intellectual Property Service Co.,Ltd.

Effective date of registration: 20191210

Address after: 313000 Room 1403, 14th Floor, Building B, Freeport, Headquarters 1188 District Fulu Road, Wuxing District, Huzhou City, Zhejiang Province

Patentee after: Zhejiang creation Intellectual Property Service Co.,Ltd.

Address before: The city Zhaohui six districts Chao Wang Road Hangzhou City, Zhejiang province 310014 18

Patentee before: Zhejiang University of Technology

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20200424

Address after: 075421 Government Courtyard of Dongyuan Town, Huailai County, Zhangjiakou City, Hebei Province

Patentee after: HEBEI QINHUAI DATA Co.,Ltd.

Address before: 313000 No.5-8, Changhe Road, Huaxi street, Changxing County, Huzhou City, Zhejiang Province

Patentee before: Zhejiang Changxing green battery technology Co.,Ltd.