CN105958482A - 基于佳点集量子粒子群算法的微网优化方法 - Google Patents

Abstract

一种基于佳点集量子粒子群算法的微网优化方法，包括：建立微网多目标优化模型，包括微网多目标优化的目标函数公式和约束条件公式；使用佳点集改进量子粒子群算法；使用佳点集量子粒子群算法对微网多目标优化模型求解。本发明根据最大负荷确定微型燃气轮机的容量，再优化间歇式分布式电源以及储能系统的容量。求解过程中采用佳点集量子粒子群算法，保证了优化结果同时具有良好的选择性和指导性。内置的基于滤波的调度策略能充分发挥微型燃气轮机和储能系统的特性，不但拥有频谱分析法的优势，还具有更好的实时性，能够计算得到微网中分布式电源、储能和微型燃气轮机的位置与容量，实现孤立微网中经济性和污染物排放的整体优化。

Description

基于佳点集量子粒子群算法的微网优化方法

技术领域

本发明涉及一种微网规划方法。特别是涉及一种用于含分布式电源、储能和微型燃气轮机孤立微网的基于佳点集量子粒子群算法的微网优化方法。

背景技术

微网是指由分布式电源、负荷、储能装置、控制系统等组成的一个小型配电系统，可分为并网型和孤立型。孤立型微网只能依靠本地的可再生能源或其他分布式发电单元，辅以相应的储能单元来对本地负荷进行供电。由于孤立型微网不能从外界获取电能，对于孤立微网的规划设计主要是选择合适的优化目标，设计合理的能量调度策略，来实现不可控分布式电源(包括光伏、风机等)，可控分布式电源(包括微型燃气轮机、柴油发电机等)和储能设备的功率、容量的最优配置^[2]。优化目标的选择和能量调度策略决定了微网的容量需求，是微网规划设计中的两个核心问题。

在优化目标选择上，可分为单目标优化和多目标优化。单目标优化中最常见的优化指标为经济角度的微网年供能成本最低或年现金流最小，以美国国家可再生能源实验室(National Renewable Energy Laboratory，NERL)开发的混合发电系统优化设计软件HOMER和美国电力可靠性技术协会(Consortium for Electric Reliability TechnologySolutions，CERTS)资助开发的DER-CAM软件为代表。由于单一优化目标难以全面优化微网的各方面特性，许多学者提出了多目标优化规划方法，以经济性为核心，兼顾环保性、供电可靠性、可再生能源利用率等方面进行优化。多目标优化方法有粒子群算法、差分算法、遗传算法等，但以上算法都存在收敛速度较慢、容易陷入局部最优等问题。量子粒子群算法(QPSO)是受量子力学的启发，将量子进化算法(QEA)融合到粒子群优化(PSO)算法中，该算法的模型认为粒子具有量子行为，并以DELTA势阱为基础。QPSO虽然对PSO进行了改进，但其依赖于对初始参数的选择，容易陷入局部最优，导致早熟收敛。

发明内容

本发明所要解决的技术问题是，提供一种基于佳点集量子粒子群算法的微网优化方法，能够计算得到微网中分布式电源、储能和微型燃气轮机的位置与容量，实现孤立微网中经济性和污染物排放的整体优化。

本发明所采用的技术方案是：一种基于佳点集量子粒子群算法的微网优化方法，包括如下步骤：

1)建立微网多目标优化模型，包括微网多目标优化的目标函数公式和约束条件公式，其中，所述的微网多目标优化的目标函数公式包括：

(1)经济性目标公式：

min C_s＝∑C_i (1)

$C_i=\underset{j=1}{\overset{n}{\Σ}}{C}_{i,j}---\left(2\right)$

C_i,j＝C_i,j,Cap+C_i,j,Rep+C_i,j,OM+C_i,j,Sal (3)

式中，C_s为微网系统全寿命周期n年的净现值，C_i为微网第i个元件的净现值，C_i,j为第i个元件在第j年的现金流，所述的元件包括风力发电机、光伏、储能和微型燃气轮机；C_i,j,Cap为初建成本，C_i,j,Rep为更新成本，C_i,j,OM为运行维护成本，C_i,j,Sal为残值；

(2)污染物排放目标公式：

$\min V_{{\mathrm{CO}}_2}=V_{Gas}\mathrm{\σ}---\left(9\right)$

式中，V_CO2为年CO₂排放体积，V_Gas为年天然气耗量，σ为天然气排放系数，即单位体积的天然气燃烧产生的二氧化碳量；

所述的微网多目标优化的约束条件公式，包括：

(3)孤立微网运行的等式约束有：电功率平衡约束公式，

P_Load＝∑P_PV,i+∑P_WT,i+∑P_MT,i+P_ES (10)

和储能充放电量平衡约束公式

E_charge＝E_discharge (11)

储能充放电量平衡约束公式是指在一个评估时间段内，储能充放电量要保证相等以便储能的循环利用；

式中P_Load、∑P_PV,i、∑P_WT,i、∑P_MT,i、P_ES分别对应为微网中总负荷功率、总光伏功率、总风机功率、总微型燃气轮机功率以及储能功率；

(4)不等式约束公式，包括有：分布式电源约束公式、储能设备的配置数目约束公式、储能的寿命约束公式和储能的荷电状态约束公式，其中，

所述分布式电源约束公式：

0＜N_DG＜N_DG,max (12)

所述储能设备的配置数目约束公式：

0＜N_ES＜N_ES,max (13)

所述的储能寿命约束公式：

L_Bat>L_Limit (14)

所述的储能的荷电状态约束公式：

S_min＜S＜S_max (15)

式中，N_DG,max和N_ES,max为对给定容量的分布式电源和储能所预设的最大配置数目，N_DG和N_ES分别为对给定容量的分布式电源和储能所预设的实际数目，L_Limit和L_Bat分别为预期的储能运行寿命实际值和最小值，S为储能的荷电状态，S_min和S_max分别为储能的荷电状态的最小和最大值。

2)使用佳点集改进量子粒子群算法，包括：

(1)更新量子位幅角增量

更新后的量子位幅角增量公式如下：

θ_ij(t+1)＝θ_ij(t)+Δθ_ij(t+1) (18)

Δθ_ij(t+1)＝wΔθ_ij(t)+c₁r₁(Δθ₁)+c₂r₂(Δθ_g) (19)

其中：c₁和c₂分别为个体和全局的学习因子，r₁和r₂为区间[0,1]内的随机数，w为混沌时间序列数映射到[0.1，0.9]区间上的数值，θ_ij为量子比特的相位，Δθ₁为当前个体与个体之间的角度差，Δθ_g为当前个体与全局最优之间的角度差，Δθ₁与Δθ_g的公式如下

${\mathrm{\&Delta;\&theta;}}_1=\left\{\begin{array}{cc}2\mathrm{\&pi;}+{\mathrm{\&theta;}}_{ilj}-{\mathrm{\&theta;}}_{ij}& ({\mathrm{\&theta;}}_{ilj}-{\mathrm{\&theta;}}_{ij}<-\mathrm{\&pi;})\\ {\mathrm{\&theta;}}_{ilj}-{\mathrm{\&theta;}}_{ij}& (-\mathrm{\&pi;}\&le;{\mathrm{\&theta;}}_{ilj}-{\mathrm{\&theta;}}_{ij}\&le;\mathrm{\&pi;})\\ {\mathrm{\&theta;}}_{ilj}-{\mathrm{\&theta;}}_{ij}-2\mathrm{\&pi;}& ({\mathrm{\&theta;}}_{ilj}-{\mathrm{\&theta;}}_{ij}>\mathrm{\&pi;})\end{array}\right.---\left(20\right)$

${\mathrm{\&Delta;\&theta;}}_g=\left\{\begin{array}{cc}2\mathrm{\&pi;}+{\mathrm{\&theta;}}_{gj}-{\mathrm{\&theta;}}_{ij}& ({\mathrm{\&theta;}}_{gj}-{\mathrm{\&theta;}}_{ij}<-\mathrm{\&pi;})\\ {\mathrm{\&theta;}}_{gj}-{\mathrm{\&theta;}}_{ij}& (-\mathrm{\&pi;}\&le;{\mathrm{\&theta;}}_{gj}-{\mathrm{\&theta;}}_{ij}\&le;\mathrm{\&pi;})\\ {\mathrm{\&theta;}}_{gj}-{\mathrm{\&theta;}}_{ij}-2\mathrm{\&pi;}& ({\mathrm{\&theta;}}_{gj}-{\mathrm{\&theta;}}_{ij}>\mathrm{\&pi;})\end{array}\right.---\left(21\right)$

式中，θ_ilj为当前代数最优量子比特的相位，θ_gj为全局最优量子比特的相位。

(2)佳点集交叉操作

选取两个粒子θ_i和θ_j作为父代，设θ_i＝θ_i1,θ_i2,…,θ_is，θ_j＝θ_j1,θ_j2,…,θ_js，θ_i和θ_j共同确定了一个有界闭区间

$\left\{\begin{array}{c}{a}_k=\min ({\mathrm{\&theta;}}_{ik},{\mathrm{\&theta;}}_{jk})\\ b_k=\max ({\mathrm{\&theta;}}_{ik},{\mathrm{\&theta;}}_{jk})\end{array}\right.,k=1,2,...,s---\left(22\right)$

a_k、b_k分别为父代两个粒子最小和最大值组合，s为父代粒子个数D是R上的超长方体，即

$U(\&lsqb;a,b\&rsqb;)=\underset{k=1}{\overset{s}{\&Pi;}}(b_k-a_k)---\left(23\right)$

式中，U([a,b])为子代个体的距离空间，父代个体通过佳点集交叉产生子代个体，子代个体通过切割父代个体确定的超长方体获得新的基因片段，然后重组产生；

(3)变异操作

使用量子非门实现变异操作，过程如下：

$\left[\begin{array}{cc}0& 1\\ 1& 0\end{array}\right]\left[\begin{array}{c}cos{\mathrm{\&theta;}}_{ij}\\ {\mathrm{sin\&theta;}}_{ij}\end{array}\right]=\left[\begin{array}{c}sin{\mathrm{\&theta;}}_{ij}\\ {\mathrm{cos\&theta;}}_{ij}\end{array}\right]---\left(24\right)$

令变异概率为p_m，每个粒子在0～1之间设定一个随机数N_mdi，若N_mdi<p_m，则用量子非门兑换两个概率幅，该粒子的自身最优位置和转向角仍保持不变，N_mdi≥p_m，则不进行变异操作；

3)使用佳点集量子粒子群算法对微网多目标优化模型求解，包括：

(1)初始化佳点集量子粒子群算法的有关参数，包括种群规模、变量个数、迭代次数、解空间范围；

(2)对量子位幅角进行初始化，生成光伏容量、风力发电机容量、储能容量和微型燃气轮机容量的值；

(3)将每个粒子带入微网多目标优化模型的目标函数，计算得到微网全寿命周期成本和污染物排放量状态变量值；

(4)对每个粒子的初始位置进行评价，计算出每个粒子位置的适应值，若粒子目前的位置优于自身记忆的最优位置，则用目前位置替换；若目前全局最优位置优于到目前为止所搜索到的最优位置，则用全局最优位置替换；

(5)根据步骤2)第(2)步中更新后的量子位幅角增量公式更新粒子位置；

(6)对粒子进行交叉变异操作；

(7)判断是否达到最大代数，如果达到，则计算结束，否则将第(6)步进行交叉变异操作得到的粒子重新进行第(3)～第(7)步的操作。

本发明的基于佳点集量子粒子群算法的微网优化方法，建立了经济性最优和污染物排放最少为优化目标的多目标优化模型。该模型根据最大负荷确定微型燃气轮机的容量，再优化间歇式分布式电源以及储能系统的容量。求解过程中采用佳点集量子粒子群算法，保证了优化结果同时具有良好的选择性和指导性。内置的基于滤波的调度策略能充分发挥微型燃气轮机和储能系统的特性，不但拥有频谱分析法的优势，还具有更好的实时性。本发明能够计算得到微网中分布式电源、储能和微型燃气轮机的位置与容量，实现孤立微网中经济性和污染物排放的整体优化。

具体实施方式

下面结合实施例对本发明的基于佳点集量子粒子群算法的微网优化方法做出详细说明。

本发明的基于佳点集量子粒子群算法的微网优化方法，其特征在于，如下步骤：

1)建立微网多目标优化模型，包括微网多目标优化的目标函数公式和约束条件公式，其中，所述的微网多目标优化的目标函数公式包括：

(1)经济性目标公式：

min C_s＝∑C_i (1)

$C_i=\underset{j=1}{\overset{n}{\&Sigma;}}{C}_{i,j}---\left(2\right)$

C_i,j＝C_i,j,Cap+C_i,j,Rep+C_i,j,OM+C_i,j,Sal (3)

式中，C_s为微网系统全寿命周期n年的净现值，C_i为微网第i个元件的净现值，C_i,j为第i个元件在第j年的现金流，所述的元件包括风力发电机、光伏、储能和微型燃气轮机；C_i,j,Cap为初建成本，C_i,j,Rep为更新成本，C_i,j,OM为运行维护成本，C_i,j,Sal为残值；所述的初建成本C_i,j,Cap、更新成本C_i,j,Rep、运行维护成本C_i,j,OM和残值C_i,j,Sal构成元件的现金流，其中，

初建成本C_i,j,Cap：

$C_{i,j,Cap}=\left\{\begin{array}{cc}{C}_{ESS}*E_{ESS}^R& j=0\\ 0& j=1,2,\mathrm{...},n\end{array}\right.---\left(4\right)$

式中，C_ESS为储能初建成本单价，单位为元/kWh；为储能系统容量；

更新成本C_i,j,Rep：

$C_{i,j,\mathrm{Re}p}=\left\{\begin{array}{cc}{R}_{ESS}*E_{ESS}^R& j=(1,2,...,k)*L_{ESS}\\ 0& j\&NotEqual;(1,2,...,k)*L_{ESS}\end{array}\right.---\left(5\right)$

式中，R_ESS为储能更新成本单价，单位为元/kWh，k为规划期n年内，寿命为L_ESS年的储能设备共经历更新的次，表示为：

k＝n/L_ESS (6)

运行维护成本C_i,j,OM：

$C_{i,j,OM}=\left\{\begin{array}{cc}{\mathrm{OM}}_{ESS}*E_{ESS}^R& j=1,2,\mathrm{...},n\\ 0& j=0\end{array}\right.---\left(7\right)$

式中，OM_ESS为运行维护成本单价，单位为元/kWh；

残值C_i,j,Sal：

$C_{i,j,Sal}=\left\{\begin{array}{cc}-R_{ESS}*E_{ESS}^R*\frac{{\mathrm{kL}}_{ESS}-n}{L_{ESS}}& j=n\\ 0& j\&NotEqual;n\end{array}\right.---\left(8\right)$

所述的微型燃气轮机的运行维护成本是指燃料费用，由微型燃气轮机的出力、单位kWh出力的天然气耗量和天然气价格计算得到。

由于微网的使用年份较长，以年供能成本(将初次建设成本和更新成本均分到设备寿命期的每年内)为经济性优化目标无法反映资金的时间价值。因此以微网全寿命周期成本现值最小为优化目标更全面。

(2)污染物排放目标公式：

对于采用微型燃气轮机的微网系统，污染物主要为CO₂、SO₂，氮氧化物等，由于各种污染物的排放量均与天然气耗量成正比，因此可仅选择CO₂排放量最小为优化目标

$\min V_{{\mathrm{CO}}_2}=V_{Gas}\mathrm{\&sigma;}---\left(9\right)$

式中，V_CO2为年CO₂排放体积，V_Gas为年天然气耗量，σ为天然气排放系数，即单位体积的天然气燃烧产生的二氧化碳量；

需要指出，污染物排放量与天然气耗量成正比，进而与微型燃气轮机出力成正比。而在微网电负荷一定的情况下，微型燃气轮机出力越少，则可再生能源发电量越高，可再生能源利用率(可再生能源年发电总量与年负荷总量之比)越高。污染物排放和可再生能源利用率二者直接相关。因此以污染物排放为优化目标，相当于同时优化了可再生能源利用率。

所述的微网多目标优化的约束条件公式，包括：

(3)孤立微网运行的等式约束有：电功率平衡约束公式，

P_Load＝∑P_PV,i+∑P_WT,i+∑P_MT,i+P_ES (10)

和储能充放电量平衡约束公式

E_charge＝E_discharge (11)

储能充放电量平衡约束公式是指在一个评估时间段内，储能充放电量要保证相等以便储能的循环利用；

式中P_Load、∑P_PV,i、∑P_WT,i、∑P_MT,i、P_ES分别对应为微网中总负荷功率、总光伏功率、总风机功率、总微型燃气轮机功率以及储能功率。

(4)不等式约束公式，包括有：分布式电源约束公式、储能设备的配置数目约束公式、储能的寿命约束公式和储能的荷电状态约束公式，其中，

所述分布式电源约束公式：

0＜N_DG＜N_DG,max (12)

所述储能设备的配置数目约束公式：

0＜N_ES＜N_ES,max (13)

所述的储能寿命约束公式：

L_Bat>L_Limit (14)

所述的储能的荷电状态约束公式：

S_min＜S＜S_max (15)

式中，N_DG,max和N_ES,max为对给定容量的分布式电源和储能所预设的最大配置数目，L_Limit为预期的储能运行寿命最小值，S为储能的荷电状态式中，N_DG,max和N_ES,max为对给定容量的分布式电源和储能所预设的最大配置数目，N_DG和N_ES分别为对给定容量的分布式电源和储能所预设的实际数目，L_Limit和L_Bat分别为预期的储能运行寿命实际值和最小值，S为储能的荷电状态，S_min和S_max分别为储能的荷电状态的最小和最大值。

当风机、光伏配置数目量使得总有功功率超过负荷功率时，由于微型燃气轮机只能放电，储能长期处于充电状态，造成电功率平衡约束公式和储能充放电量平衡约束公式不能同时满足，而第(4)步储能寿命约束公式中的储能寿命是仿真计算的结果，难以预先控制，对于这两种情况，将在求解过程中进行惩罚，定义指示变量P(X)，当式电功率平衡约束公式、储能充放电量平衡约束公式和储能寿命约束公式同时成立时，P(X)＝1；否则P(X)＝0，需要接受惩罚，考虑惩罚后的目标函数为：

$\begin{array}{cc}\min & C_s=\left\{\begin{array}{cc}\&Sigma;C_i& P\left(X\right)=1\\ {10}^{10}& P\left(X\right)=0\end{array}\right.\end{array}---\left(16\right)$

$\begin{array}{cc}\min & V_{{\mathrm{CO}}_2}=\left\{\begin{array}{cc}{V}_{Gas}\mathrm{\&sigma;}& P\left(X\right)=1\\ {10}^{10}& P\left(X\right)=0\end{array}\right.\end{array}---\left(17\right).$

储能设备的配置数目约束公式(7)和储能设备的配置数目约束公式(8)是优化变量设置的边界条件，储能的荷电状态约束公式(10)是仿真计算的边界条件，一定能够满足。

2)使用佳点集改进量子粒子群算法，IQPSO运用佳点集构造初始化量子位置的初始角度，提高量子初始位置的遍历性；在算法中引入佳点集交叉操作和变异算子增加了种群的多样性，避免早熟收敛。具体包括：

(1)更新量子位幅角增量

更新后的量子位幅角增量公式如下：

θ_ij(t+1)＝θ_ij(t)+Δθ_ij(t+1) (18)

Δθ_ij(t+1)＝wΔθ_ij(t)+c₁r₁(Δθ₁)+c₂r₂(Δθ_g) (19)

其中：c₁和c₂分别为个体和全局的学习因子(或称加速因子)，r₁和r₂为区间[0,1]内的随机数，w为混沌时间序列数映射到[0.1，0.9]区间上的数值，θ_ij为量子比特的相位，Δθ₁为当前个体与个体之间的角度差，Δθ_g为当前个体与全局最优之间的角度差，Δθ₁与Δθ_g的公式如下

${\mathrm{\&Delta;\&theta;}}_1=\left\{\begin{array}{cc}2\mathrm{\&pi;}+{\mathrm{\&theta;}}_{ilj}-{\mathrm{\&theta;}}_{ij}& ({\mathrm{\&theta;}}_{ilj}-{\mathrm{\&theta;}}_{ij}<-\mathrm{\&pi;})\\ {\mathrm{\&theta;}}_{ilj}-{\mathrm{\&theta;}}_{ij}& (-\mathrm{\&pi;}\&le;{\mathrm{\&theta;}}_{ilj}-{\mathrm{\&theta;}}_{ij}\&le;\mathrm{\&pi;})\\ {\mathrm{\&theta;}}_{ilj}-{\mathrm{\&theta;}}_{ij}-2\mathrm{\&pi;}& ({\mathrm{\&theta;}}_{ilj}-{\mathrm{\&theta;}}_{ij}>\mathrm{\&pi;})\end{array}\right.---\left(20\right)$

${\mathrm{\&Delta;\&theta;}}_g=\left\{\begin{array}{cc}2\mathrm{\&pi;}+{\mathrm{\&theta;}}_{gj}-{\mathrm{\&theta;}}_{ij}& ({\mathrm{\&theta;}}_{gj}-{\mathrm{\&theta;}}_{ij}<-\mathrm{\&pi;})\\ {\mathrm{\&theta;}}_{gj}-{\mathrm{\&theta;}}_{ij}& (-\mathrm{\&pi;}\&le;{\mathrm{\&theta;}}_{gj}-{\mathrm{\&theta;}}_{ij}\&le;\mathrm{\&pi;})\\ {\mathrm{\&theta;}}_{gj}-{\mathrm{\&theta;}}_{ij}-2\mathrm{\&pi;}& ({\mathrm{\&theta;}}_{gj}-{\mathrm{\&theta;}}_{ij}>\mathrm{\&pi;})\end{array}\right.---\left(21\right)$

式中，θ_ilj为当前代数最优量子比特的相位，θ_gj为全局最优量子比特的相位。

(2)佳点集交叉操作

粒子群中如果一个粒子当前的位置,该粒子的当前最优值和粒子群的当前最优值三者一致,该粒子会因为它以前的速度和惯性因子不为零而远离最佳位置导致算法不能收敛；如果以前的速度非常接近零,粒子一旦赶上了粒子群的当前最佳粒子,种群多样性就慢慢丧失,所有的粒子将会集聚到相同位置并停止移动,粒子群优化出现停滞状态,却仍没有搜索到满意解。本发明引入佳点集交叉操作以避免搜索陷入局部最优。

选取两个粒子θ_i和θ_j作为父代，设θ_i＝θ_i1,θ_i2,…,θ_is，θ_j＝θ_j1,θ_j2,…,θ_js，θ_i和θ_j共同确定了一个有界闭区间

$\left\{\begin{array}{c}{a}_k=\min ({\mathrm{\&theta;}}_{ik},{\mathrm{\&theta;}}_{jk})\\ b_k=\max ({\mathrm{\&theta;}}_{ik},{\mathrm{\&theta;}}_{jk})\end{array}\right.,k=1,2,...,s---\left(22\right)$

a_k、b_k分别为父代两个粒子最小和最大值组合，s为父代粒子个数D是R上的超长方体；D是R上的超长方体，即

$U(\&lsqb;a,b\&rsqb;)=\underset{i=1}{\overset{s}{\&Pi;}}(b_i-a_i)---\left(23\right)$

式中，U([a,b])为子代个体的距离空间。父代个体通过佳点集交叉产生子代个体，子代个体通过切割父代个体确定的超长方体获得新的基因片段，然后重组产生；

(3)变异操作

使用量子非门实现变异操作，过程如下：

$\left[\begin{array}{cc}0& 1\\ 1& 0\end{array}\right]\left[\begin{array}{c}cos{\mathrm{\&theta;}}_{ij}\\ {\mathrm{sin\&theta;}}_{ij}\end{array}\right]=\left[\begin{array}{c}sin{\mathrm{\&theta;}}_{ij}\\ {\mathrm{cos\&theta;}}_{ij}\end{array}\right]---\left(24\right)$

令变异概率为p_m，每个粒子在0～1之间设定一个随机数N_mdi，若N_mdi<p_m，则用量子非门兑换两个概率幅，该粒子的自身最优位置和转向角仍保持不变，N_mdi≥p_m，则不进行变异操作；

3)使用佳点集量子粒子群算法对微网多目标优化模型求解，包括：

(1)初始化佳点集量子粒子群算法的有关参数，包括种群规模、变量个数、迭代次数、解空间范围；

(2)应用佳点集理论对量子位幅角进行初始化，生成光伏容量、风力发电机容量、储能容量和微型燃气轮机容量的值；

(3)将每个粒子带入微网多目标优化模型的目标函数，计算得到微网全寿命周期成本和污染物排放量状态变量值；

(4)对每个粒子的初始位置进行评价，计算出每个粒子位置的适应值，若粒子目前的位置优于自身记忆的最优位置，则用目前位置替换；若目前全局最优位置优于到目前为止所搜索到的最优位置，则用全局最优位置替换；

(5)根据步骤2)第(2)步中更新后的量子位幅角增量公式更新粒子位置；

(6)对粒子进行交叉变异操作；

(7)判断是否达到最大代数，如果达到，则计算结束，否则将第(6)步进行交叉变异操作得到的粒子重新进行第(3)～第(7)步的操作。

下面给出最佳实施方式

根据中新天津生态城某微网的风、光资源状况和负荷数据来进行微网的规划设计。

微网系统最大负荷为150kW，为保证孤立微网的供电可靠性，配置150kW微型燃气轮机。单台风机的额定功率为3kW，单个光伏电池组的额定功率为2.5kW。采用佳点集量子粒子群算法求解微网中最优的光伏、风机个数组合以及储能容量。

设置种群大小为100，繁衍代数为100，净现值计算时间尺度为20年，贴现率为6％，储能最小寿命为5年。其余参数见表1～表3。

表1储能寿命计算参数

表2经济评价参数

表3微型燃气轮机及气体排放参数

表2中，储能的寿命受实际使用时的充放电深度和频繁程度影响，微型燃气轮机的运维成本为燃料费用，受使用时的出力情况影响，所以这两个参数值不能预先得到，有待具体的仿真计算确定。

随着微网成本现值提高，二氧化碳排放将减少。这是因为可再生能源发电有助于减少微型燃气轮机出力，从而减少二氧化碳排放，但其发电成本过高，直接影响了微网系统的经济性。

采用方差最大化法，计算得到微网成本现值的目标权重为53.3％，二氧化碳排放的目标权重为46.7％。在无任何主观倾向性的情况下，这一权重组合是综合该微网的所有PARETO最优解，所得推荐权重组合。采用该权重组合，计算得到的综合属性值，是评价微网不同方案优劣的最终指标。

表4佳点集量子粒子群算法优化典型解

其中，解1为经济性最优的解，解2为二氧化碳排放最少的解。解3为综合属性值最大的解。

对比三个解，解1的二氧化碳排放比最小排放高27％。解2的成本比最小成本高本31％。解3的二氧化碳排放比最小排放高22％，比最小成本高5％，能权衡各方面因素，综合属性值最高。因此，解3为本发明的推荐方案。

解3的微网成本现值构成见表5：

表5解3微网成本现值构成

由于解3中，储能寿命为接近7年，因此在净现值计算周期20年内需要更新2次，分别在第7、14年。风机寿命为15年，需在第15年更新1次。光伏和微型燃气轮机的寿命均为20年，不需要更新。

Claims (4)

1.一种基于佳点集量子粒子群算法的微网优化方法，其特征在于，如下步骤：

1)建立微网多目标优化模型，包括微网多目标优化的目标函数公式和约束条件公式，其中，所述的微网多目标优化的目标函数公式包括：

(1)经济性目标公式：

min C_s＝∑C_i (1)

C_i,j＝C_i,j,Cap+C_i,j,Rep+C_i,j,OM+C_i,j,Sal (3)

式中，C_s为微网系统全寿命周期n年的净现值，C_i为微网第i个元件的净现值，C_i,j为第i个元件在第j年的现金流，所述的元件包括风力发电机、光伏、储能和微型燃气轮机；C_i,j,Cap为初建成本，C_i,j,Rep为更新成本，C_i,j,OM为运行维护成本，C_i,j,Sal为残值；

(2)污染物排放目标公式：

式中，V_CO2为年CO₂排放体积，V_Gas为年天然气耗量，σ为天然气排放系数，即单位体积的天然气燃烧产生的二氧化碳量；

所述的微网多目标优化的约束条件公式，包括：

(3)孤立微网运行的等式约束有：电功率平衡约束公式，

P_Load＝∑P_PV,i+∑P_WT,i+∑P_MT,i+P_ES (10)

和储能充放电量平衡约束公式

E_charge＝E_discharge (11)

储能充放电量平衡约束公式是指在一个评估时间段内，储能充放电量要保证相等以便储能的循环利用；

式中P_Load、∑P_PV,i、∑P_WT,i、∑P_MT,i、P_ES分别对应为微网中总负荷功率、总光伏功率、总风机功率、总微型燃气轮机功率以及储能功率；

(4)不等式约束公式，包括有：分布式电源约束公式、储能设备的配置数目约束公式、储能的寿命约束公式和储能的荷电状态约束公式，其中，

所述分布式电源约束公式：

0＜N_DG＜N_DG,max (12)

所述储能设备的配置数目约束公式：

0＜N_ES＜N_ES,max (13)

所述的储能寿命约束公式：

L_Bat＞L_Limit (14)

所述的储能的荷电状态约束公式：

S_min＜S＜S_max (15)

式中，N_DG,max和N_ES,max为对给定容量的分布式电源和储能所预设的最大配置数目，N_DG和N_ES分别为对给定容量的分布式电源和储能所预设的实际数目，L_Limit和L_Bat分别为预期的储能运行寿命实际值和最小值，S为储能的荷电状态，S_min和S_max分别为储能的荷电状态的最小和最大值。

2)使用佳点集改进量子粒子群算法，包括：

(1)更新量子位幅角增量

更新后的量子位幅角增量公式如下：

θ_ij(t+1)＝θ_ij(t)+△θ_ij(t+1) (18)

△θ_ij(t+1)＝w△θ_ij(t)+c₁r₁(△θ₁)+c₂r₂(△θ_g) (19)

其中：c₁和c₂分别为个体和全局的学习因子，r₁和r₂为区间[0,1]内的随机数，w为混沌时间序列数映射到[0.1，0.9]区间上的数值，θ_ij为量子比特的相位，Δθ₁为当前个体与个体之间的角度差，Δθ_g为当前个体与全局最优之间的角度差，Δθ₁与Δθ_g的公式如下

式中，θ_ilj为当前代数最优量子比特的相位，θ_gj为全局最优量子比特的相位。

(2)佳点集交叉操作

选取两个粒子θ_i和θ_j作为父代，设θ_i＝θ_i1,θ_i2,…,θ_is，θ_j＝θ_j1,θ_j2,…,θ_js，θ_i和θ_j共同确定了一个有界闭区间

a_k、b_k分别为父代两个粒子最小和最大值组合，s为父代粒子个数D是R上的超长方体，即

式中，U([a,b])为子代个体的距离空间，父代个体通过佳点集交叉产生子代个体，子代个体通过切割父代个体确定的超长方体获得新的基因片段，然后重组产生；

(3)变异操作

使用量子非门实现变异操作，过程如下：

令变异概率为p_m，每个粒子在0～1之间设定一个随机数N_mdi，若N_mdi<p_m，则用量子非门兑换两个概率幅，该粒子的自身最优位置和转向角仍保持不变，N_mdi≥p_m，则不进行变异操作；

3)使用佳点集量子粒子群算法对微网多目标优化模型求解，包括：

(1)初始化佳点集量子粒子群算法的有关参数，包括种群规模、变量个数、迭代次数、解空间范围；

(2)对量子位幅角进行初始化，生成光伏容量、风力发电机容量、储能容量和微型燃气轮机容量的值；

(3)将每个粒子带入微网多目标优化模型的目标函数，计算得到微网全寿命周期成本和污染物排放量状态变量值；

(4)对每个粒子的初始位置进行评价，计算出每个粒子位置的适应值，若粒子目前的位置优于自身记忆的最优位置，则用目前位置替换；若目前全局最优位置优于到目前为止所搜索到的最优位置，则用全局最优位置替换；

(5)根据步骤2)第(2)步中更新后的量子位幅角增量公式更新粒子位置；

(6)对粒子进行交叉变异操作；

(7)判断是否达到最大代数，如果达到，则计算结束，否则将第(6)步进行交叉变异操作得到的粒子重新进行第(3)～第(7)步的操作。

2.根据权利要求1所述的基于佳点集量子粒子群算法的微网优化方法，其特征在于，步骤1)第(1)步中所述的初建成本C_i,j,Cap、更新成本C_i,j,Rep、运行维护成本C_i,j,OM和残值C_i,j,Sal构成元件的现金流，其中，

初建成本C_i,j,Cap：

式中，C_ESS为储能初建成本单价，单位为元/kWh；为储能系统容量；

更新成本C_i,j,Rep：

式中，R_ESS为储能更新成本单价，单位为元/kWh，k为规划期n年内，寿命为L_ESS年的储能设备共经历更新的次，表示为：

k＝n/L_ESS (6)

运行维护成本C_i,j,OM：

式中，OM_ESS为运行维护成本单价，单位为元/kWh；

残值C_i,j,Sal：

。

3.根据权利要求1所述的基于佳点集量子粒子群算法的微网优化方法，其特征在于，步骤1)第(1)步中所述的微型燃气轮机的运行维护成本是指燃料费用，由微型燃气轮机的出力、单位kWh出力的天然气耗量和天然气价格计算得到。

4.根据权利要求1所述的基于佳点集量子粒子群算法的微网优化方法，其特征在于，步骤1)第(3)步中当风机、光伏配置数目量使得总有功功率超过负荷功率时，由于微型燃气轮机只能放电，储能长期处于充电状态，造成电功率平衡约束公式和储能充放电量平衡约束公式不能同时满足，而第(4)步储能寿命约束公式中的储能寿命是仿真计算的结果，难以预先控制，对于这两种情况，将在求解过程中进行惩罚，定义指示变量P(X)，当式电功率平衡约束公式、储能充放电量平衡约束公式和储能寿命约束公式同时成立时，P(X)＝1；否则P(X)＝0，需要接受惩罚，考虑惩罚后的目标函数为：