CN105990838B - 一种计及可调度和可平移负荷的海岛微电网优化调度方法 - Google Patents
一种计及可调度和可平移负荷的海岛微电网优化调度方法 Download PDFInfo
- Publication number
- CN105990838B CN105990838B CN201610326517.9A CN201610326517A CN105990838B CN 105990838 B CN105990838 B CN 105990838B CN 201610326517 A CN201610326517 A CN 201610326517A CN 105990838 B CN105990838 B CN 105990838B
- Authority
- CN
- China
- Prior art keywords
- diesel
- power
- load
- driven generator
- particle
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 50
- 239000002245 particle Substances 0.000 claims abstract description 113
- 230000035772 mutation Effects 0.000 claims abstract description 13
- 230000000739 chaotic effect Effects 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 7
- 238000013178 mathematical model Methods 0.000 claims abstract description 4
- 238000004378 air conditioning Methods 0.000 claims description 43
- 230000005611 electricity Effects 0.000 claims description 32
- 238000010248 power generation Methods 0.000 claims description 16
- 239000003344 environmental pollutant Substances 0.000 claims description 15
- 231100000719 pollutant Toxicity 0.000 claims description 15
- 239000000446 fuel Substances 0.000 claims description 12
- 230000009194 climbing Effects 0.000 claims description 8
- 238000004146 energy storage Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 239000002283 diesel fuel Substances 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000000137 annealing Methods 0.000 claims description 6
- 238000002922 simulated annealing Methods 0.000 claims description 5
- 230000002028 premature Effects 0.000 claims description 4
- 230000033228 biological regulation Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims description 2
- 230000006698 induction Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000002485 combustion reaction Methods 0.000 claims 1
- 240000002853 Nelumbo nucifera Species 0.000 abstract description 5
- 235000006508 Nelumbo nucifera Nutrition 0.000 abstract description 5
- 235000006510 Nelumbo pentapetala Nutrition 0.000 abstract description 5
- 230000004044 response Effects 0.000 description 6
- 238000004659 sterilization and disinfection Methods 0.000 description 6
- 238000005406 washing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H02J3/005—
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
- Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
-
- 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
- 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
-
- 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
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种计及可调度和可平移负荷的海岛微电网优化调度方法，本发明包括以下步骤：1.确定孤岛运行的风光储海岛微电网经济调度的数学模型；2.获取模型中的各类参数；3.以柴油机启动次数最少为目标，利用经典量子粒子群优化算法确定可平移和可调度负荷的数量和分布时段；4、确定孤岛模式下风光柴储微电网日前优化调度的主要策略；5.在优化后的负荷曲线的基础上，利用增加了早熟判断机制、混沌变异的量子粒子群优化算法对柴油发电机和蓄电池的出力进行优化。本发明综合考虑源、储、荷的优化调度更符合电力系统市场化的要求，具有良好的全局收敛性能和较快的收敛速度，为海岛微电网的日前优化经济调度提供了一种行之有效的方法。
Description
技术领域
本发明属于微电网技术领域，尤其针对海岛微电网系统，具体涉及一种计及可调度和可平移负荷的海岛微电网优化调度方法。
背景技术
微电网是由多种分布式发电单元、储能单元、电力电子装置、负荷和控制保护系统组成的，可并网运行也可独立运行。并网模式下将分散的各分布式单元以微电网的形式接入大电网并网运行后，能够将原来没有联系的分布式电源进行协调整合，进而提高传统大电网对不稳定的风光等可再生能源的消纳吸收能力，实现大量分布式电源的接入，从而减少化石资源的消耗量和温室气体排放。发生灾难性事件导致大电网出现重大故障甚至瓦解时，微电网可以和大电网断开，运行在孤岛模式下，保证对重要负荷的连续供电，此外还有助于大电网快速恢复供电，提高供电可靠性。此外，对于偏远地区和海岛供电，有计划孤岛运行的微电网也是一种行之有效的方法。
现有的微电网的经济调度主要集中在“源”和“储”的调度，即对可控的分布式发电单元和蓄电池的调度上，以降低整个系统的运行成本。随着电力系统的发展，特别是在开放的电力市场中，需求侧响应参与电力系统的优化调度受到更多研究者的关注。需求侧响应是将需求侧的负荷当成一种可以开发利用的隐性资源，通过实时电价或其他激励手段以引导用户改变用电习惯，需求侧响应主要强调用户根据调度的要求指令或市场信号，主动进行负荷调整，以维护整个系统的稳定运行和最大效益的节能减排。相比于传统电网，微电网的负荷集中度高，这使得负荷响应更加灵活和迅速。
发明内容
本发明主要考虑随着我国智能电气设备的广泛使用和电力市场的逐步开放，负荷侧将会越来越多的参与电力系统的优化调度。如何更好的利用负荷的响应，从而减低系统的运行成本和提高系统的可靠性是值得探讨的问题。
本发明针对风光储构成的孤岛运行海岛微电网的日前优化经济调度问题，将微电网负荷分为固定负荷，可调度负荷和可平移负荷三类，充分考虑可调度负荷(消毒柜，洗衣机和电热水器)和可平移负荷(空调)的响应特性。可平移负荷的主要特点是能够根据要求在一定时段内移动，其需求总功率不变；可调度空调负荷特点是可以结合环境温度和实际设置温度要求，在一定范围内进行减小或增加需求功率。因此可以分两个阶段对风光储海岛微电网日前经济调度问题进行优化求解，即首先通过对可调度和可平移负荷的优化得到想要的目标负荷曲线，然后对优化后的负荷曲线利用改进的量子粒子群优化算法确定孤岛运行微电网中蓄电池和柴油发电机在每个调度时刻的出力。具体按照以下步骤实施：
步骤1、确定孤岛运行的风光储海岛微电网经济调度的数学模型
设置孤岛微电网日前经济调度模型为
min CL＝w1·(CPV+CWT+Cdiesel+CBAT)+w2·CEN (1)
其中，w1和w2分别为经济和环境目标权重系数；CPV、CWT为光伏发电系统和风力发电系统的运行维护成本，Cdiesel为柴油发电机的运行维护成本、燃料成本和启停成本总和，CBAT为蓄电池运行维护成本；CEN微电网中柴油发电机的污染物排放治理费用。
其中CPV和CWT可表示为：
式中γPV和γWT为光伏发电系统和风力发电系统的运行维护成本系数；PPV(t)和PWT(t)为在调度时段t光伏发电输出功率和风力发电输出功率。
Cdiesel可用下式表示为：
式中CDE为柴油发电机燃料消耗量，CDE＝a·Pdiesel_N·u+b·Pdiesel，Pdiesel_N为柴油发电机的额定输出功率(kW)，Pdiesel为柴油发电机的实际输出功率(kW)，u为柴油发电机启停状态，1表示启动，0表示停止，a为柴油发电机燃耗特性曲线斜率截距系数，b为柴油发电机燃耗特性曲线斜率。pr为柴油发电机所用燃料单价(元/L)；γdiesel为柴油发电机运行维护成本系数，Pdiesel(t)为t时输出功率；Cstart和Cstop为的启动和停运成本，其计算式如下所示：
式中n为柴油发电机台数，zti(t)为第i台柴油发电机在t时刻的状态，t＝0为停止状态，t＝1为启动状态，ηon和ηoff分别为柴油发电机启动费用系数和停运费用系数。
CBAT和CEN可由下式计算得：
式中γBAT为储能蓄电池运行维护成本系数，PBAT(t)为储能蓄电池在t时段的输出功率，充电为负值，放电为正值；τj为第j类污染物治污费用系数(元/kg)，δj为第j类污染物的排放系数(g/kW·h)。
优化经济调度过程中所受到的约束条件有：
约束条件1：功率平衡约束，在不考虑网损的情况下，光伏发电、风力发电、柴油机和蓄电池的输出功率应该与负荷所需功率相等
PPV(t)+PWT(t)+Pdiesel(t)+PBAT(t)＝Pload(t) (9)
式中PPV(t)、PWT(t)、Pdiesel(t)、PBAT(t)和Pload(t)分别为t时刻光伏发电系统、风力发电系统、柴油机、蓄电池所输出的功率和负荷所需的功率。
约束条件2：蓄电池SOC值的约束，即蓄电池荷电状态应在允许运行的区间范围。
SOCmin≤SOC(t)≤SOCmax (10)
式中SOCmin和SOCmax为蓄电池荷电状态允许达到的最小值和最大值；
约束条件3：蓄电池的充放电功率约束，保证蓄电池既不能过冲也不能过放。
PBAT_min≤PBAT(t)≤PBAT_max (11)
式中PBAT_min和PBAT_max为所允许的蓄电池最大充电功率和最大放电功率；
约束条件4：柴油发电机输出功率的不等式约束
Pdiesel_min≤Pdiesel(t)≤Pdiesel_max (12)
式中Pdiesel_min和Pdiesel_max为柴油发电机最小启动功率和最大输出功率；
约束条件5：柴油发电机上下爬坡率限值
式中Pup和Pdown为柴油发电机的上、下爬坡率限值。
步骤2、获取模型中的各类参数；
步骤3、根据可平移和可调度负荷在总负荷中的比例，以柴油机启动次数最少为目标，确定可平移和可调度负荷的数量和分布时段。采用量子行为粒子群算法对可平移和可调度负荷进行优化，其中对于可平移负荷主要优化其在各个调度时段的数量，而对于可调度空调负荷主要结合环境温度优化其在各个时段的设置温度，并输出优化后的负荷曲线。
步骤4、确定孤岛模式下风光柴储微电网日前优化调度的主要策略。
(1)当风光功率满足负荷仍过剩时，则剩余功率给蓄电池充电，蓄电池充电功率达到限值或蓄电池SOC达到限值后仍有剩余功率时，则将剩余功率丢弃。
(2)当风光功率无法满足负荷时，比较负荷缺电功率和蓄电池最大输出功率，如缺电功率小于蓄电池最大输出功率，且蓄电池在输出功率满足负荷缺电功率的同时SOC也满足约束，则停运柴油发电机；当负荷缺电功率大于蓄电池最大输出功率或蓄电池放电功率满足负荷但SOC无法满足约束时，则启动柴油发电机。
(3)蓄电池和柴油发电机的出力大小只有在满足约束的时候由算法随机生成进行寻优，当约束不满足时，则对蓄电池和柴油发电机出力进行边界化约束。
步骤5、定义量子粒子群算法的粒子个数，粒子维数和最大迭代次数。产生满足柯西分布的初始粒子群，利用优化后的负荷曲线获得日前优化经济调度问题的初始可行解集合，即柴油发电机的初始出力和蓄电池SOC的状态。其中蓄电池在各调度时段的出力作为优化变量，而柴油发电机的出力可通过功率平衡约束得到。
步骤6、以目标函数的值作为粒子当前位置的适应度值，对粒子个体最好位置pbest和全局最优粒子位置gbest进行更新，并利用量子粒子群算法的粒子更新公式对粒子进行更新，迭代次数加1。
步骤7、利用早熟判断机制对粒子群进行判断，如果满足早熟判断标准，则对粒子群实施混沌变异操作，如果变异得到的粒子优于原有的粒子，则用变异得到的粒子替代原有的粒子，否则以模拟退火算法中的“上山”概率替换原有的粒子。完成整个操作后迭代次数加1，若不满足早熟判断标准，则转到步骤8。
步骤8、判断所有粒子是否达到设定的迭代次数，如未达到，则返回步骤6继续进行计算；如达到最大迭代次数，则终止循环，输出最终计算的结果，即蓄电池和柴油发电机各时段的出力，同时还可输出整个调度周期内优化后总的经济运行费用。
本发明方法具有的优点及有益结果为：
1、随着我国电力市场的开放以及各种智能用电设备和智能电表的广泛使用，需求侧的负荷作为一种可以开发利用的隐性资源，能根据调度的要求指令或者市场信号，主动进行负荷调整，以维护整个系统的稳定性和经济性。相比于传统电网，微电网的负荷集中度高，这使得负荷响应更加灵活和迅速。因此综合考虑源、储、荷的优化调度更符合电力系统市场化的要求。
2、将海岛风光柴储微电网的日前优化经济调度分成两个阶段来进行优化，第一个阶段主要考虑负荷的响应，具体包括消毒柜、洗衣机和电热水器在内的可平移负荷和蒸汽压缩型空调作为可调度负荷。选取在每个调度时段的每类可平移负荷数量和可调度空调设置温度作为优化变量，以减少柴油机的启动次数为目标制定目标负荷曲线，利用量子行为粒子群算法对可平移和可调度负荷进行优化得到每个调度时段的每类可平移负荷数量和可调度的空调温度。然后在此基础上，第二个阶段考虑柴油机和蓄电池的优化调度，从而简化了优化问题，进一步提高了优化调度结果的经济性。
3、改进的量子行为粒子群优化算法具有良好的全局收敛性能和较快的收敛速度，将其用于海岛风光柴储微电网的日前优化经济调度中，能有效实现微电网的实时快速调度。
附图说明
图1是本发明提供的当负荷相对风光功率缺额大于蓄电池最大出力时孤岛风光储微电网优化调度的流程图；
图2是本发明提供的当负荷相对风光功率缺额小于蓄电池最大出力时孤岛风光储微电网优化调度的流程图；
图3是本发明的一个具体实例中可平移负荷消毒柜、洗衣机和热水器每小时的需求功率；
图4是本发明的一个具体实例中负荷优化的目标曲线图；
图5是本发明的一个具体实例中优化调度的最终方案图；
图6是本发明的一个具体实例中蓄电池SOC的调度结果。
具体实施方式
下面结合具体实施方式对本发明进行详细的说明。
本发明提出的计及可调度和可平移负荷的海岛微电网日前优化经济调度方法，按照以下步骤实施。
步骤1、确定孤岛运行的风光储海岛微电网经济调度的数学模型
设置孤岛微电网日前经济调度模型为
min CL＝w1·(CPV+CWT+Cdiesel+CBAT)+w2·CEN (1)
其中，w1和w2分别为经济和环境目标权重系数；CPV、CWT为光伏发电系统和风力发电系统的运行维护成本，Cdiesel为柴油发电机的运行维护成本、燃料成本和启停成本总和，CBAT为蓄电池运行维护成本；CEN微电网中柴油发电机的污染物排放治理费用。
其中CPV和CWT可表示为：
式中γPV和γWT为光伏发电系统和风力发电系统的运行维护成本系数；PPV(t)和PWT(t)为在调度时段t光伏发电输出功率和风力发电输出功率。
Cdiesel可用下式表示为：
式中CDE为柴油发电机燃料消耗量，CDE＝a·Pdiesel_N·u+b·Pdiesel，Pdiesel_N为柴油发电机的额定输出功率(kW)，Pdiesel为柴油发电机的实际输出功率(kW)，u为柴油发电机启停状态，1表示启动，0表示停止，a为柴油发电机燃耗特性曲线斜率截距系数，b为柴油发电机燃耗特性曲线斜率。pr为柴油发电机所用燃料单价(元/L)；γdiesel为柴油发电机运行维护成本系数，Pdiesel(t)为t时输出功率；Cstart和Cstop为的启动和停运成本，其计算式如下所示：
式中n为柴油发电机台数，zti(t)为第i台柴油发电机在t时刻的状态，t＝0为停止状态，t＝1为启动状态，ηon和ηoff分别为柴油发电机启动费用系数和停运费用系数。
CBAT和CEN可由下式计算得：
式中γBAT为储能蓄电池运行维护成本系数，PBAT(t)为储能蓄电池在t时段的输出功率，充电为负值，放电为正值；τj为第j类污染物治污费用系数(元/kg)，δj为第j类污染物的排放系数(g/kW·h)。
优化经济调度过程中所受到的约束条件有：
约束条件1：功率平衡约束，在不考虑网损的情况下，光伏发电、风力发电、柴油机和蓄电池的输出功率应该与负荷所需功率相等
PPV(t)+PWT(t)+Pdiesel(t)+PBAT(t)＝Pload(t) (9)
式中PPV(t)、PWT(t)、Pdiesel(t)、PBAT(t)和Pload(t)分别为t时刻光伏发电系统、风力发电系统、柴油机、蓄电池所输出的功率和负荷所需的功率。
约束条件2：蓄电池SOC值的约束，即蓄电池荷电状态应在允许运行的区间范围。
SOCmin≤SOC(t)≤SOCmax (10)
式中SOCmin和SOCmax为蓄电池荷电状态允许达到的最小值和最大值；
约束条件3：蓄电池的充放电功率约束，保证蓄电池既不能过冲也不能过放。
PBAT_min≤PBAT(t)≤PBAT_max (11)
式中PBAT_min和PBAT_max为所允许的蓄电池最大充电功率和最大放电功率；
约束条件4：柴油发电机输出功率的不等式约束
Pdiesel_min≤Pdiesel(t)≤Pdiesel_max (12)
式中Pdiesel_min和Pdiesel_max为柴油发电机最小启动功率和最大输出功率；
约束条件5：柴油发电机上下爬坡率限值
式中Pup和Pdown为柴油发电机的上、下爬坡率限值。
步骤2、获取模型中的各类参数。包括柴油发电机、光伏发电、风力发电和蓄电池的运行维护费用系数，柴油机发电机污染物排放系数及治污费用系数，柴油机启停费用系数，光伏、风机的预测出力和负荷的预测功率，蓄电池荷电状态约束、柴油机爬坡率约束和经济和环境目标权重系数。
步骤3、以柴油机启动次数最少为目标，根据可平移和可调度负荷在总负荷中的比例，确定可平移和可调度负荷的数量和分布时段。采用量子行为粒子群算法对可平移和可调度负荷进行优化，其中对于可平移负荷主要优化其在各个调度时段的数量，而对于可调度空调负荷主要结合环境温度优化其在各个时段的设置温度，并输出优化后的计及可平移和可调度负荷曲线。
1)可平移负荷优化模型的目标函数为：
Ps,t＝Pf+Pin,t-Pout,t (15)
式中Ps,t为t时段负荷平移后的预测功率，Pobj,t为该时段目标负荷功率，Pf为t时段预测负荷的原始功率，Pin,t为移入该时段的可平移负荷功率，Pout,t为移出该时段的可平移负荷功率，i为可平移负荷的种类，k1为所有可平移负荷总数，qi,h-t为第i类负荷从h时段移入t时段的数量，Pi,1为第i类负荷在第一个用电时段的需求功率,qi,h-(t-l)为第i类负荷从h时段移入t-l时段的数量，k2为用电延续时间超过一个调度时段的负荷总数，Pi,(l+1)为第i类负荷在l+1个用电时段的需求功率，lmax为所有可平移负荷中用电时段长的负荷最后一个用电时段，qi,t-h′为第i类负荷从t时段移出至h′时段的数量，qi,(t-l)-h′为第i类负荷从t-l时段移出至h′时段的数量。
可平移负荷主要满足的约束条件有每类可平移负荷总量和可平移负荷允许的平移时段，表达式如(18)和(19)所示。
(1)可平移负荷总量
式中qi,h为负荷平移前第i类负荷在调度时段h的数量，q′i,h为负荷平移后第i类负荷在调度时段的h的数量，所有负荷数量均为该类负荷第一个用电时段在该调度时段的数量，平移前后负荷种类不变，故k1＝k1′。
(2)可平移负荷允许的平移时段
式中Ai为第i类负荷所允许移入时段的集合，Bi为第i负荷所允许移出时段的集合。
2)建立可调度负荷的目标函数和约束条件
可调度负荷主要考虑空调类负荷，由于空调类负荷受天气影响较大，因而如何建立温度和空调类负荷之间的关系模型至关重要。选用的单个空调的物理模型为：
式中Ti,t和Ta,i,t分别为在调度时段t空调的温度及所处的环境温度(℃)；gi,t表示在t时段空调所处的状态，1表示空调处于开启状态，0表示空调处于关闭状态；Pt,i为第i个空调在工作时由热质量转入或转出的能量速率(kW)；Δt′为空调离散物理模型的时间间隔(h)；ui,t为干扰信号所引起的温度变化，用以表述人为或环境随机因素引起的空调温度变化，可以通过方差为Δt′σ2的正态分布来描述；Ri和Ci分别为空调的热阻(℃/kW)和热容(kWh/℃)。
空调的工作状态gi,t可表示为：
式中Ts,i为空调的设置温度，ΔTse,i为空调温度的感应灵敏区间。
由上式分析可得，M台空调在时段t内的功率需求PM,t可表示为：
式中ηi为空调的工作效率，对于蒸汽压缩型空调η＞1，其数值和能效比相等。
由式(20)至式(24)可知，空调的功率和状态都受到温度的影响，通过调节温度即可以达到调控空调功率需求的目的。通常情况下调整方法为：
Ti,t＝Ti,t-1+ΔTo,t |ΔTo,t|≤ΔTo,max (25)
式中Ti,t为空调在调度时段t所设置的温度，ΔTo,t为调度中心下发的调控命令，一般需满足约束条件为|ΔTo,t|≤ΔTo,max，其目的是为了在调整幅度过大时对环境的舒适度造成影响。实际中由于微电网的负荷比较集中，可以认为环境温度和各空调参数基本一致，可以得到简化模型如下：
3)以柴油发电机启动次数最少为目标制定目标负荷，以各个调度时段可平移负荷的数量和可调度空调负荷在各个时段的设置温度为优化变量，根据1)和2)中的目标函数和约束条件，利用经典量子行为粒子群算法进行优化求解，得到优化后的计及可平移和可调度负荷曲线。
步骤4、确定孤岛模式下风光柴储微电网日前优化调度模型的主要调度策略。
1)当风光功率满足负荷仍过剩时，则剩余功率给蓄电池充电，蓄电池充电功率达到限值或蓄电池SOC达到限值后仍有剩余功率时，则将剩余功率丢弃。
2)当风光功率无法满足负荷时，比较负荷缺电功率和蓄电池最大输出功率，当负荷相对风光功率缺额大于蓄电池最大出力，即Pload-PPV-PWT＞PBAT_max时，在随机蓄电池出力后计算蓄电池SOC。根据功率平衡约束计算柴油发电机出力，判断柴油发电机出力是否大于最小启动功率。若柴油发电机出力小于最小启动功率，则将最小启动功率作为柴油发电机出力。同时判断蓄电池SOC是否满足荷电状态上下限约束，若蓄电池SOC大于最大值约束，则置SOC为最大值，根据SOC求出蓄电池出力，再由功率平衡约束求柴油发电机出力；若蓄电池SOC小于最小值约束，则判断柴油发电机出力是否小于最小启动功率，若柴油发电机出力小于最小启动功率，则置蓄电池SOC为最小值，根据SOC求出蓄电池出力，再由功率平衡约束求柴油发电机出力。否则将最小启动功率作为柴油发电机出力，然后再根据柴油发电机出力求取蓄电池出力，最后再判断蓄电池SOC。上述调度策略如附图1所示。
当负荷相对风光功率缺额小于蓄电池最大出力，即Pload-PPV-PWT＜PBAT_max时，若风光功率相对负荷的功率缺额小于柴油发电机最小启动功率，则判断柴油出力是否大于最小启动功率以及蓄电池SOC是否满足上下限约束。若柴油发电机出力小于最小启动功率，则置柴油发电机出力为0，接着计算蓄电池出力并判断其SOC是否满足约束；若蓄电池SOC大于其上限约束，则置柴油发电机出力为0后再计算蓄电池出力，若蓄电池SOC小于其下限约束，则将最小启动功率作为柴油发电机出力。若风光功率相对负荷的功率缺额大于柴油发电机最小启动功率，则判断柴油发电机出力是否小于最小启动功率以及蓄电池SOC是否满足上下限约束，若柴油发电机出力小于最小启动功率，则将最小启动功率作为柴油发电机出力，再依据功率平衡约束计算蓄电池出力；若蓄电池SOC大于其上限约束，则置柴油发电机出力为0后再计算蓄电池出力，若蓄电池SOC小于其下限约束，判断柴油发电机出力是否大于最小启动功率，若柴油发电机出力小于最小启动功率，则将最小启动功率作为柴油发电机出力，再依据功率平衡约束计算蓄电池出力，最后判断蓄电池SOC是否满足约束，依据蓄电池SOC调整其出力，若柴油发电机出力大于最小启动功率，则置蓄电池SOC为最小下限，并根据SOC计算蓄电池出力，最后由平衡约束计算柴油发电机出力。上述调度策略如附图2所示。
3)蓄电池和柴油发电机的出力大小只有在满足约束的时候由算法随机生成进行寻优，当约束不满足时，则对蓄电池和柴油发电机出力进行边界化约束。
步骤5、定义量子粒子群算法的粒子个数，粒子维数和最大迭代次数。产生满足柯西分布的初始粒子群，利用优化后的负荷曲线获得日前优化经济调度问题的初始可行解集合，即柴油发电机的初始出力和蓄电池SOC的状态。
步骤6、以目标函数的值作为粒子当前位置的适应度值，对粒子个体最好位置pbest和全局最优粒子位置gbest进行更新，并利用量子粒子群算法的粒子更新公式(27)对粒子进行更新，迭代次数计数器加1。
式中Xi,j为第i个粒子的第j维，α称为收缩扩张因子，u和κ为[0,1]之间服从均匀分布的随机数，pi,j表示第i个粒子所对应的吸引子的第j维，为[0,1]之间服从均匀分布的随机数，Pi,j为第i个粒子个体最好位置的第j维，Gj为所有粒子的全局最好位置的第j维，Cj定义为所有粒子个体平均最好位置，可由下式计算得到：
式中M为粒子的个数。
步骤7、利用早熟判断机制对粒子群进行判断，如果满足早熟判断标准，则以一定的概率对粒子群实施混沌变异操作，如果变异得到的粒子优于原有的粒子，则用变异得到的粒子替代原有的粒子，否则以模拟退火算法中的“上山”概率替换原有的粒子。完成整个操作后迭代次数加1，若不满足早熟判断标准，则转到步骤8。具体操作步骤如下：
早熟机制利用所有粒子的方差来判断所有的粒子是否都聚集到局部最小值的邻域内，粒子方差的计算式为
其中N是粒子总数，fi是粒子i的适应度值，是所有粒子的平均值，f是归一化因子，计算式如下：
当δ2小于某一阈值时，可以认为粒子群进入了早熟收敛阶段，此时，对粒子群进行混沌变异操作，具体来说，以概率pm从原有的粒子群里面选出一组子种群粒子，对于子种群中的任一粒子Xk先利用式(31)将其转换到[0,1]区间，然后利用式(32)进行混沌变异操作，最后利用式(33)将变异得到的新粒子反变换回原来的取值空间。
CXk＝(Xk-Xmin)/(Xmax-Xmin) (31)
重复上述步骤，直到迭代次数满足混沌变异操作迭代次数的要求。将最后得到的新粒子与原有粒子的适应度值进行比较，如果变异得到的粒子优于原有的粒子，则用变异得到的粒子替代原有的粒子，否则以概率接受产生的新点，其中T为退火温度。对每个粒子都重复以上的操作，直到最终新的粒子数等于子种群粒子的总数。
本步骤的创新点在于：利用早熟判断机制判断算法是否进入早熟收敛阶段，如果是则利用混沌变异和模拟退火算法的“上山”性提高粒子的多样性，从而提高了算法的全局搜索能力。
步骤8、判断程序运行次数是否达到设定的迭代次数，如未达到，则T＝λT，λ为退火温度。返回步骤6继续进行计算；如达到最大迭代次数，则终止循环，输出最终计算的结果，即蓄电池和柴油发电机各时段的出力，同时还可输出整个调度周期内优化后总的经济运行费用。
实施例
所研究的孤岛运行的海岛风光柴储微电网基本配置为100kWp光伏发电系统，250kW风力发电系统，120kW柴油发电机，最低启动功率为36kW，蓄电池储能容量为150kWh，最大充放电功率均为30kW。
表1各分布式电源参数
| 分布式电源 | 容量 | 运行维护系数 |
| 光伏发电 | 100kWp | 0.0096 |
| 风力发电 | 250kW | 0.045 |
| 柴油发电机发电 | 36～120kW | 0.088 |
| 储能蓄电池 | 150kWh | 0.36 |
表2污染物排放及治理系数
| 污染物 | 污染物排系数(g/kW·h) | 治污费用系数(元/kg) |
| CO<sub>2</sub> | 649 | 0.210 |
| SO<sub>2</sub> | 0.206 | 14.842 |
| NO<sub>x</sub> | 9.890 | 62.964 |
1、获取模型中的各类参数及光伏发电、风力发电输出功率预测数据和原始负荷预测数据。设置柴油发电机的运行维护费用系数为0.088(元/kW)，燃料曲线斜率截距系数为0.08L/kWh，燃料曲线斜率为0.25L/kWh，燃料单价为6.5元/L；蓄电池的运行维护费用为0.36(元/kW)。各分布式电源参数如表1所示，柴油发电机污染物排放系数及治污费用系数如表2所示，系统其余参数如表3所示。
表3系统参数数据
2、将上述参数代入公式(1)-(13)，得到待优化问题的目标函数和约束条件。
3、利用经典量子粒子群优化算法确定可平移和可调度负荷的数量和分布时段。设置量子行为粒子群算法粒子数为100，迭代次数为200，选择每类可平移负荷在每个调度时段数量和空调设置温度为优化变量，设置粒子维数为93。
可平移负荷主要包括消毒柜、洗衣机和电热水器，假定整个微电网内总负荷中有1300kWh为可移动负荷，其中消毒柜92台，洗衣机157台，电热水器134台，三种可平移负荷初始分布如表4所示。
表4可平移负荷初始分布
消毒柜连续工作时间为1个小时，洗衣机连续工作时间为2个小时，电热水器连续工作时间为3个小时，且可平移负荷连续工作时段内每小时需求功率是不一样的，每小时具体需求功率参数如图3所示。
假设整个微电网可调度空调数量为100台，且所有空调参数均一致，设定空调热阻R＝2℃/kW，热容C＝10kWh/℃，空调的离散物理模型时间间隔为Δt′＝1h，能量速率Pt,i＝14kW，工作效率η＝2.5，温度感应灵敏区间ΔTse,i＝0.5℃。取夏季某典型日气温作为环境温度。
由于孤岛状态下微电网没有大电网的支撑，柴油发电机会出现频繁的启停，造成孤岛状态下微电网运行费用过高，为了尽可能的减少柴油发电机启动次数，使蓄电池可以在柴油发电机启动的时段内储存更多的电能，以满足整个调度周期内负荷的需求，制定目标负荷曲线如图4所示。
利用经典的量子粒子群优化算法求解式(14)-(26)描述的有约束条件的优化问题。得到优化平移负荷后的数量分布如表5所示。
表5可平移负荷优化后的分布
4、设置粒子个数为50，选择蓄电池在各调度时段的出力作为优化变量，调度周期为24h，每1h为一个时段，故粒子维数为24，迭代次数取200。早熟收敛标准的阈值为0.2，混沌变异次数设置为50，变异概率随着迭代次数的增加从1递减到0，初始退火温度为100000，退火系数为0.99。
利用改进的量子粒子群优化算法对优化后的负荷进行调度的结果如图5和6所示。考虑负荷参与调度的经济运行费用为600.902元，相对于未考虑负荷参与调度的770.4865减少了169.5845元，下降了22％，经济效益明显提高。此外，未考虑负荷参与调度时柴油发电机整个调度周期内启动3次，输出总功率为188kW，优化负荷后孤岛状态下柴油发电机启动次数为1次，且连续在第12、13、14小时3个时段内有输出功率，输出功率分别为63.82kW、89.81kW和38.08kW，输出总功率为191.71kW，总功率和未优化负荷前变化不大。综上可知经济运行费用的降低主要是由于柴油发电机的启动次数减少所致。另外分析风光功率和原负荷预测功率可知，在第3个小时风光剩余功率为48.138kW，但蓄电池最大充电功率为30kW，因此蓄电池无法全部消纳可再生能源的剩余功率，出现功率丢弃的情况；但优化负荷后，风光功率未出现剩余的情况，蓄电池充电电量全部来自于柴油发电机。因此负荷优化后最大限度的直接消纳了可再生能源等风光功率，降低系统运行费用。
Claims (2)
1.一种计及可调度和可平移负荷的海岛微电网优化调度方法，其特征在于，按照以下步骤实施：
步骤1、确定孤岛运行的风光储海岛微电网经济调度的数学模型
设置孤岛微电网日前经济调度模型为
min CL＝w1·(CPV+CWT+Cdiesel+CBAT)+w2·CEN (1)
其中，w1和w2分别为经济和环境目标权重系数；CPV、CWT为光伏发电系统和风力发电系统的运行维护成本，Cdiesel为柴油发电机的运行维护成本、燃料成本和启停成本总和，CBAT为蓄电池运行维护成本；CEN微电网中柴油发电机的污染物排放治理费用；
其中CPV和CWT可表示为：
式中γPV和γWT为光伏发电系统和风力发电系统的运行维护成本系数；PPV(t)和PWT(t)为在调度时段t光伏发电输出功率和风力发电输出功率；
Cdiesel可用下式表示为：
式中CDE为柴油发电机燃料消耗量，CDE＝a·Pdiesel_N·u+b·Pdiesel，Pdiesel_N为柴油发电机的额定输出功率(kW)，Pdiesel为柴油发电机的实际输出功率(kW)，u为柴油发电机启停状态，1表示启动，0表示停止，a为柴油发电机燃耗特性曲线斜率截距系数，b为柴油发电机燃耗特性曲线斜率；pr为柴油发电机所用燃料单价(元/L)；γdiesel为柴油发电机运行维护成本系数，Pdiesel(t)为t时输出功率；Cstart和Cstop为的启动和停运成本，其计算式如下所示：
式中n为柴油发电机台数，zti(t)为第i台柴油发电机在t时刻的状态，t＝0为停止状态，t＝1为启动状态，ηon和ηoff分别为柴油发电机启动费用系数和停运费用系数；
CBAT和CEN可由下式计算得：
式中γBAT为储能蓄电池运行维护成本系数，PBAT(t)为储能蓄电池在t时段的输出功率，充电为负值，放电为正值；τj为第j类污染物治污费用系数(元/kg)，δj为第j类污染物的排放系数(g/kW·h)；
优化经济调度过程中所受到的约束条件有：
约束条件1：功率平衡约束，在不考虑网损的情况下，光伏发电、风力发电、柴油机和蓄电池的输出功率应该与负荷所需功率相等
PPV(t)+PWT(t)+Pdiesel(t)+PBAT(t)＝Pload(t) (9)
式中PPV(t)、PWT(t)、Pdiesel(t)、PBAT(t)和Pload(t)分别为t时刻光伏发电系统、风力发电系统、柴油机、蓄电池所输出的功率和负荷所需的功率；
约束条件2：蓄电池SOC值的约束，即蓄电池荷电状态应在允许运行的区间范围；
SOCmin≤SOC(t)≤SOCmax (10)
式中SOCmin和SOCmax为蓄电池荷电状态允许达到的最小值和最大值；
约束条件3：蓄电池的充放电功率约束，保证蓄电池既不能过充也不能过放；
PBAT_min≤PBAT(t)≤PBAT_max (11)
式中PBAT_min和PBAT_max为所允许的蓄电池最大充电功率和最大放电功率；
约束条件4：柴油发电机输出功率的不等式约束
Pdiesel_min≤Pdiesel(t)≤Pdiesel_max (12)
式中Pdiesel_min和Pdiesel_max为柴油发电机最小启动功率和最大输出功率；
约束条件5：柴油发电机上下爬坡率限值
式中Pup和Pdown为柴油发电机的上、下爬坡率限值；
步骤2、获取模型中的各类参数；包括柴油发电机、光伏发电、风力发电和蓄电池的运行维护费用系数，柴油机发电机污染物排放系数及治污费用系数，柴油机启停费用系数，光伏、风机的预测出力和负荷的预测功率，蓄电池荷电状态约束、柴油机爬坡率约束和经济和环境目标权重系数；
步骤3、以柴油机启动次数最少为目标，根据可平移和可调度负荷在总负荷中的比例，确定可平移和可调度负荷的数量和分布时段；采用量子行为粒子群算法对可平移和可调度负荷进行优化，其中对于可平移负荷主要优化其在各个调度时段的数量，而对于可调度空调负荷主要结合环境温度优化其在各个时段的设置温度，并输出优化后的计及可平移和可调度负荷曲线；
3.1可平移负荷优化模型的目标函数为：
Ps,t＝Pf+Pin,t-Pout,t (15)
式中Ps,t为t时段负荷平移后的预测功率，Pobj,t为该时段目标负荷功率，Pf为t时段预测负荷的原始功率，Pin,t为移入该时段的可平移负荷功率，Pout,t为移出该时段的可平移负荷功率，i为可平移负荷的种类，k1为所有可平移负荷总数，qi,h-t为第i类负荷从h时段移入t时段的数量，Pi,1为第i类负荷在第一个用电时段的需求功率,qi,h-(t-l)为第i类负荷从h时段移入t-l时段的数量，k2为用电延续时间超过一个调度时段的负荷总数，Pi,(l+1)为第i类负荷在l+1个用电时段的需求功率，lmax为所有可平移负荷中用电时段长的负荷最后一个用电时段，qi,t-h′为第i类负荷从t时段移出至h′时段的数量，qi,(t-l)-h′为第i类负荷从t-l时段移出至h′时段的数量；
可平移负荷满足的约束条件有每类可平移负荷总量和可平移负荷允许的平移时段，表达式如(18)和(19)所示；
(1)可平移负荷总量
式中qi,h为负荷平移前第i类负荷在调度时段h的数量，q′i,h为负荷平移后第i类负荷在调度时段的h的数量，所有负荷数量均为该类负荷第一个用电时段在该调度时段的数量，平移前后负荷种类不变，故k1＝k1′；
(2)可平移负荷允许的平移时段
式中Ai为第i类负荷所允许移入时段的集合，Bi为第i负荷所允许移出时段的集合；
3.2建立可调度负荷的目标函数和约束条件
可调度负荷主要考虑空调类负荷，由于空调类负荷受天气影响较大，因而如何建立温度和空调类负荷之间的关系模型至关重要；选用的单个空调的物理模型为：
式中Ti,t和Ta,i,t分别为在调度时段t空调的温度及所处的环境温度(℃)；gi,t表示在t时段空调所处的状态，1表示空调处于开启状态，0表示空调处于关闭状态；Pt,i为第i个空调在工作时由热质量转入或转出的能量速率(kW)；Δt′为空调离散物理模型的时间间隔(h)；ui,t为干扰信号所引起的温度变化，用以表述人为或环境随机因素引起的空调温度变化，可以通过方差为Δt′σ2的正态分布来描述；Ri和Ci分别为空调的热阻(℃/kW)和热容(kWh/℃)；
空调的工作状态gi,t表示为：
式中Ts,i为空调的设置温度，ΔTse,i为空调温度的感应灵敏区间；
由上式分析可得，M台空调在时段t内的功率需求PM,t可表示为：
式中ηi为空调的工作效率，对于蒸汽压缩型空调η＞1，其数值和能效比相等；
由式(20)至式(24)可知，空调的功率和状态都受到温度的影响，通过调节温度即可以达到调控空调功率需求的目的；通常情况下调整方法为：
Ti,t＝Ti,t-1+ΔTo,t |ΔTo,t|≤ΔTo,max (25)
式中Ti,t为空调在调度时段t所设置的温度，ΔTo,t为调度中心下发的调控命令，需满足约束条件为|ΔTo,t|≤ΔTo,max，其目的是为了防止在调整幅度过大时对环境的舒适度造成影响；实际中由于微电网的负荷比较集中，认为环境温度和各空调参数一致，得到简化模型如下：
3.3以柴油发电机启动次数最少为目标制定目标负荷，以各个调度时段可平移负荷的数量和可调度空调负荷在各个时段的设置温度为优化变量，根据步骤3.1和步骤3.2中的目标函数和约束条件，利用经典量子行为粒子群算法进行优化求解，得到优化后的计及可平移和可调度负荷曲线；
步骤4、确定孤岛模式下风光柴储微电网日前优化调度模型的调度策略；
1)当风光功率满足负荷仍过剩时，则剩余功率给蓄电池充电，蓄电池充电功率达到限值或蓄电池SOC达到限值后仍有剩余功率时，则将剩余功率丢弃；
2)当风光功率无法满足负荷时，比较负荷缺电功率和蓄电池最大输出功率，当负荷相对风光功率缺额大于蓄电池最大出力，即Pload-PPV-PWT＞PBAT_max时，在随机蓄电池出力后计算蓄电池SOC；根据功率平衡约束计算柴油发电机出力，判断柴油发电机出力是否大于最小启动功率；若柴油发电机出力小于最小启动功率，则将最小启动功率作为柴油发电机出力；同时判断蓄电池SOC是否满足荷电状态上下限约束，若蓄电池SOC大于最大值约束，则置SOC为最大值，根据SOC求出蓄电池出力，再由功率平衡约束求柴油发电机出力；若蓄电池SOC小于最小值约束，则判断柴油发电机出力是否小于最小启动功率，若柴油发电机出力小于最小启动功率，则置蓄电池SOC为最小值，根据SOC求出蓄电池出力，再由功率平衡约束求柴油发电机出力；否则将最小启动功率作为柴油发电机出力，然后再根据柴油发电机出力求取蓄电池出力，最后再判断蓄电池SOC；
当负荷相对风光功率缺额小于蓄电池最大出力，即Pload-PPV-PWT＜PBAT_max时，若风光功率相对负荷的功率缺额小于柴油发电机最小启动功率，则判断柴油出力是否大于最小启动功率以及蓄电池SOC是否满足上下限约束；若柴油发电机出力小于最小启动功率，则置柴油发电机出力为0，接着计算蓄电池出力并判断其SOC是否满足约束；若蓄电池SOC大于其上限约束，则置柴油发电机出力为0后再计算蓄电池出力，若蓄电池SOC小于其下限约束，则将最小启动功率作为柴油发电机出力；若风光功率相对负荷的功率缺额大于柴油发电机最小启动功率，则判断柴油发电机出力是否小于最小启动功率以及蓄电池SOC是否满足上下限约束，若柴油发电机出力小于最小启动功率，则将最小启动功率作为柴油发电机出力，再依据功率平衡约束计算蓄电池出力；若蓄电池SOC大于其上限约束，则置柴油发电机出力为0后再计算蓄电池出力，若蓄电池SOC小于其下限约束，判断柴油发电机出力是否大于最小启动功率，若柴油发电机出力小于最小启动功率，则将最小启动功率作为柴油发电机出力，再依据功率平衡约束计算蓄电池出力，最后判断蓄电池SOC是否满足约束，依据蓄电池SOC调整其出力，若柴油发电机出力大于最小启动功率，则置蓄电池SOC为最小下限，并根据SOC计算蓄电池出力，最后由平衡约束计算柴油发电机出力；
3)蓄电池和柴油发电机的出力大小只有在满足约束的时候由算法随机生成进行寻优，当约束不满足时，则对蓄电池和柴油发电机出力进行边界化约束；
步骤5、定义量子粒子群算法的粒子个数，粒子维数和最大迭代次数；产生满足柯西分布的初始粒子群，利用优化后的负荷曲线获得日前优化经济调度问题的初始可行解集合，即柴油发电机的初始出力和蓄电池SOC的状态；
步骤6、以目标函数的值作为粒子当前位置的适应度值，对粒子个体最好位置pbest和全局最优粒子位置gbest进行更新，并利用量子粒子群算法的粒子更新公式(27)对粒子进行更新，迭代次数加1；
式中Xi,j为第i个粒子的第j维，α称为收缩扩张因子，u和κ为[0,1]之间服从均匀分布的随机数，pi,j表示第i个粒子所对应的吸引子的第j维，为[0,1]之间服从均匀分布的随机数，Pi,j为第i个粒子个体最好位置的第j维，Gj为所有粒子的全局最好位置的第j维，Cj定义为所有粒子个体平均最好位置，可由下式计算得到：
式中M为粒子的个数；
步骤7、利用早熟判断机制对粒子群进行判断，如果满足早熟判断标准，则以一定的概率对粒子群实施混沌变异操作，如果变异得到的粒子优于原有的粒子，则用变异得到的粒子替代原有的粒子，否则以模拟退火算法中的“上山”概率替换原有的粒子；完成整个操作后迭代次数加1，若不满足早熟判断标准，则转到步骤8；
步骤8、判断程序运行次数是否达到设定的迭代次数，如未达到，则T＝λT，λ为系数，其中T为退火温度；返回步骤6继续进行计算；如达到最大迭代次数，则终止循环，输出最终计算的结果，即蓄电池和柴油发电机各时段的出力，同时还可输出整个调度周期内优化后总的经济运行费用。
2.根据权利要求1所述的一种计及可调度和可平移负荷的海岛微电网优化调度方法，其特征在于步骤7中为了避免经典量子粒子群算法陷入局部最小值，在利用早熟判断机制判断出粒子已经早熟后，以一定的概率对粒子群实施混沌变异操作，如果变异得到的粒子优于原有的粒子，则用变异得到的粒子替代原有的粒子，否则以模拟退火算法中的“上山”概率替换原有的粒子；具体步骤如下：
早熟机制利用所有粒子的方差来判断所有的粒子是否都聚集到局部最小值的邻域内，粒子方差的计算式为
其中N是粒子总数，fi是粒子i的适应度值，是所有粒子的平均值，f是归一化因子，计算式如下：
当δ2小于某一阈值时，可以认为粒子群进入了早熟收敛阶段，此时，对粒子群进行混沌变异操作，具体来说，以概率pm从原有的粒子群里面选出一组子种群粒子，对于子种群中的任一粒子Xk先利用式(31)将其转换到[0,1]区间，然后利用式(32)进行混沌变异操作，最后利用式(33)将变异得到的新粒子反变换回原来的取值空间；
CXk＝(Xk-Xmin)/(Xmax-Xmin) (31)
重复上述步骤，直到迭代次数满足混沌变异操作迭代次数的要求；将最后得到的新粒子与原有粒子的适应度值进行比较，如果变异得到的粒子优于原有的粒子，则用变异得到的粒子替代原有的粒子，否则以概率接受产生的新点，其中T为退火温度；对每个粒子都重复以上的操作，直到最终新的粒子数等于子种群粒子的总数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610326517.9A CN105990838B (zh) | 2016-05-17 | 2016-05-17 | 一种计及可调度和可平移负荷的海岛微电网优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610326517.9A CN105990838B (zh) | 2016-05-17 | 2016-05-17 | 一种计及可调度和可平移负荷的海岛微电网优化调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105990838A CN105990838A (zh) | 2016-10-05 |
| CN105990838B true CN105990838B (zh) | 2019-01-18 |
Family
ID=57044570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610326517.9A Active CN105990838B (zh) | 2016-05-17 | 2016-05-17 | 一种计及可调度和可平移负荷的海岛微电网优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105990838B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107196296B (zh) * | 2017-06-26 | 2020-03-20 | 国电南瑞科技股份有限公司 | 一种基于波浪发电的海岛微电网经济运行优化方法 |
| CN107482638B (zh) * | 2017-07-21 | 2020-04-28 | 杭州电子科技大学 | 冷热电联供型微电网多目标动态优化调度方法 |
| CN108009700B (zh) * | 2017-10-20 | 2021-08-10 | 海南电网有限责任公司 | 一种孤立岛屿的能源供应配置方法及系统 |
| CN109038571A (zh) * | 2018-08-30 | 2018-12-18 | 集美大学 | 一种混合能源系统 |
| CN109861301B (zh) * | 2018-11-27 | 2021-06-15 | 国网能源研究院有限公司 | 一种源网荷储协调电力系统生产模拟方法 |
| CN109754128B (zh) * | 2019-02-18 | 2022-11-25 | 东北电力大学 | 一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法 |
| CN110044020B (zh) * | 2019-03-29 | 2021-03-30 | 杭州电子科技大学 | 计及空调用户舒适度的需求侧响应方法 |
| JP7337544B2 (ja) * | 2019-05-16 | 2023-09-04 | 三菱重工マリンマシナリ株式会社 | 電源システム及び船舶、並びに制御方法、並びに制御プログラム |
| CN111697577B (zh) * | 2020-06-23 | 2021-08-31 | 华中科技大学 | 一种源网荷储多时间尺度统一协同调度方法和系统 |
| CN113011731B (zh) * | 2021-03-16 | 2022-08-02 | 西华大学 | 基于osnps系统的小型独立电力系统可靠性评估方法 |
| CN113659613A (zh) * | 2021-07-07 | 2021-11-16 | 杭州中恒电气股份有限公司 | 独立微电网优化的方法 |
| CN113688576A (zh) * | 2021-09-16 | 2021-11-23 | 国网浙江省电力有限公司宁波供电公司 | 一种城市区域能源互联网能量调度方法 |
| CN116187598B (zh) * | 2023-04-28 | 2023-07-04 | 深圳市科中云技术有限公司 | 一种基于楼宇的虚拟电厂负荷预测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8762189B2 (en) * | 2012-02-24 | 2014-06-24 | Nec Laboratories America, Inc. | Systems and methods for stochastically using electric vehicles as mobile energy storage |
| CN103745268A (zh) * | 2013-10-29 | 2014-04-23 | 上海电力学院 | 含分布式电源的微电网多目标优化调度方法 |
| CN105225022A (zh) * | 2015-11-11 | 2016-01-06 | 重庆大学 | 一种热电联产型微电网的经济性优化运行方法 |
| CN105574620A (zh) * | 2016-01-06 | 2016-05-11 | 重庆邮电大学 | 一种结合双主控协作与mpso算法的微电网动态优化调度方法 |
-
2016
- 2016-05-17 CN CN201610326517.9A patent/CN105990838B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105990838A (zh) | 2016-10-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105990838B (zh) | 一种计及可调度和可平移负荷的海岛微电网优化调度方法 | |
| CN109599856B (zh) | 一种微网多楼宇中电动汽车充放电管理优化方法及装置 | |
| CN104135025B (zh) | 基于模糊粒子群算法的微网并网经济优化方法 | |
| CN108470239A (zh) | 计及需求侧管理和储能的主动配电网多目标分层规划方法 | |
| CN109523052A (zh) | 一种考虑需求响应和碳交易的虚拟电厂优化调度方法 | |
| CN107958300A (zh) | 一种考虑互动响应的多微网互联运行协调调度优化方法 | |
| CN107482638A (zh) | 冷热电联供型微电网多目标动态优化调度方法 | |
| CN107546781B (zh) | 基于pso改进算法的微电网多目标运行优化方法 | |
| CN103151797A (zh) | 基于多目标调度模型的并网运行方式下微网能量控制方法 | |
| CN107994595A (zh) | 一种削峰填谷控制方法和系统以及应用该控制方法的系统 | |
| CN107609693A (zh) | 基于Pareto档案粒子群算法的微电网多目标优化方法 | |
| CN105226688A (zh) | 基于机会约束模型的多类型储能系统容量优化配置方法 | |
| CN110729726B (zh) | 一种智慧社区能量优化调度方法和系统 | |
| CN105870950A (zh) | 一种智能楼宇可调资源多目标协调系统及优化控制方法 | |
| Pan et al. | An improved multi-timescale coordinated control strategy for an integrated energy system with a hybrid energy storage system | |
| CN107706923A (zh) | 一种适用于主动配电网的负荷主动管理方法 | |
| CN105576684B (zh) | 一种含高渗透率光电微电网中的电动汽车优化调度方法 | |
| CN108988356A (zh) | 基于虚拟储能的电热微网联络线功率波动平抑方法 | |
| CN109494813A (zh) | 一种电力调度方法、电子设备及存储介质 | |
| CN115173470A (zh) | 一种基于电网调峰的综合能源系统调度方法及系统 | |
| Bai et al. | Flexibility quantification and enhancement of flexible electric energy systems in buildings | |
| Aiswariya et al. | Optimal microgrid battery scheduling using simulated annealing | |
| Yuanyuan et al. | Optimization scheduling method of power grid energy-saving based on fuzzy decision | |
| Song et al. | Peak dispatching for wind power with demand-side energy storage based on a particle swarm optimization model | |
| CN110474348A (zh) | 一种配电网的调峰方法及装置 |
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: 20201218 Address after: 310016 Tongxiang, Jiaxing, Zhejiang, Wutong Street East Road (East) 55, Tongxiang chamber of Commerce Building 1 unit 1702, 1703 room -A-222 Patentee after: Jiaxing Songhui Intelligent Technology Co.,Ltd. Address before: Room 3003-1, building 1, Gaode land center, Jianggan District, Hangzhou City, Zhejiang Province Patentee before: Zhejiang Zhiduo Network Technology Co.,Ltd. Effective date of registration: 20201218 Address after: Room 3003-1, building 1, Gaode land center, Jianggan District, Hangzhou City, Zhejiang Province Patentee after: Zhejiang Zhiduo Network Technology Co.,Ltd. Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang Patentee before: HANGZHOU DIANZI University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221206 Address after: Room 407-10, floor 4, building 2, Haichuang science and technology center, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province, 311100 Patentee after: Zhejiang Zhiduo Network Technology Co.,Ltd. Address before: 310016 Tongxiang, Jiaxing, Zhejiang, Wutong Street East Road (East) 55, Tongxiang chamber of Commerce Building 1 unit 1702, 1703 room -A-222 Patentee before: Jiaxing Songhui Intelligent Technology Co.,Ltd. |