CN106602593A - 微电网多目标转化单目标的方法 - Google Patents
微电网多目标转化单目标的方法 Download PDFInfo
- Publication number
- CN106602593A CN106602593A CN201611007282.3A CN201611007282A CN106602593A CN 106602593 A CN106602593 A CN 106602593A CN 201611007282 A CN201611007282 A CN 201611007282A CN 106602593 A CN106602593 A CN 106602593A
- Authority
- CN
- China
- Prior art keywords
- formula
- cost
- objective
- micro
- value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 238000002485 combustion reaction Methods 0.000 claims description 23
- 239000003016 pheromone Substances 0.000 claims description 23
- 210000004027 cell Anatomy 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000004146 energy storage Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 239000003344 environmental pollutant Substances 0.000 claims description 5
- 231100000719 pollutant Toxicity 0.000 claims description 5
- 238000011109 contamination Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 4
- 238000009987 spinning Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 210000003850 cellular structure Anatomy 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 abstract description 2
- 238000003672 processing method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H02J3/383—
-
- H02J3/386—
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Ventilation (AREA)
Abstract
一种微电网多目标转化单目标的方法,属于微电网优化运行领域。本发明的目的利用模糊处理的方法,将多目标问题转化为单目标,并提出一种改进蚁群算法对所建模型进行求解的微电网多目标转化单目标的方法。本发明的步骤是:得到风机、光伏的共同出力的期望值,在考虑机会约束规划的同时建立优化模型,选取待优化变量、优化目标及确定约束条件,分别选取适合两个目标函数的隶属度函数,并确定隶属度函数。本发明以包含光伏、风机、微型燃气轮机、蓄电池的微网为研究对象,提出了包含经济、环保的多目标经济运行模型。
Description
技术领域
本发明属于微电网优化运行领域。
背景技术
近年来,由于人们环保意识的不断增强,大家逐渐意识到,分布式发电和集中式供电相比,其经济效率高,是环保工程且供电更安全,这使得分布式发电受到了重视。而微电网作为分布式电源(distribution generation,DG)的有效接入方式,其优化运行能有效提高能源利用率,减少发电成本和污染物的排放,对微电网系统的经济、环保、可靠运行有重要的意义,因此,研究微电网的优化运行具有重要的实用价值和理论意义。但微网的优化运行又是一个复杂的多目标、多约束、多变量的问题,这对研究微电网的经济调度问题是新的挑战。
针对微电网的优化运行问题,国内外学者已进行了一些有益的探索,但是有的探索没有考虑风机、光伏等间歇性DG的影响,有的没有将机会约束规划模型考虑进去,有的多目标优化问题虽然考虑了间歇性DG,但是在处理目标函数时所用的方法不足以得到最优解。
发明内容
本发明的目的利用模糊处理的方法,将多目标问题转化为单目标,并提出一种改进蚁群算法对所建模型进行求解的微电网多目标转化单目标的方法。
本发明的步骤是:
①建立风机和光伏的不确定性出力模型,利用序列运算理论得到风机、光伏的共同出力的期望值,具体过程为:
a、根据对实测数据的分析表明,风速近似服从威布尔分布,其分布函数为:
(1)
其概率密度函数为:
(2)
式(1)、(2)中,代表实际风速;代表形状参数,一般取;代表尺度参数,反映某个时段的平均风速,有;
风力机组的输出功率和实际风速的函数关系如下:
(3)
式(3)中,表示额定风速;表示切入风速;表示切出风速;表示风机的额定输出功率;
b、光伏电池组件的功率输出表达式如下:
(4)
式(4)中,为光伏电池的实际输出功率;为标准测试条件下的电池输出功率;为实际辐照强度;为标准测试条件下的辐照强度;为功率温度系数;为电池板工作温度;为参考温度;
光伏电池出力的概率密度函数为:
(5)
式(5)中,、为形状参数,其关系为,为光强平均值;为光伏电池的最大输出功率;
c、令风机出力的概率性序列为,序列长度为,光伏出力的概率性序列为,序列长度为,令风机、光伏的共同出力的概率性序列为,序列长度为;共同出力的计算公式如下:
(6)
(7)
公式(6)中,为时段风机和光伏共同出力的期望值;
式(7)完整的表述如下:
(8);
②在考虑机会约束规划的同时建立优化模型,选取待优化变量、优化目标及确定约束条件:
a、选取待优化变量,连续变量为各台微燃机在时刻的有功出力,离散变量主要包括机组状态变量和开机变量;
b、选取优化目标,优化目标函数表达式为:
(9)
(10)
式(9)中,为微电网运行发电成本;为机组在时刻的出力;为机组在时刻表示机组的燃料消耗成本;为0-1变量,机组在时刻的运行状态,该值是0表示停机,该值是1表示运行;为机组的启动成本;为机组的备用容量成本;为机组在第时刻的旋转备用;式(10)中,为污染气体的排放总量;、、为微燃机的污染气体排放系数;
c、确定约束条件,约束条件包括等式约束和不等式约束两部分:
等式约束写为:
(11)
式(11)中,为时刻的卸荷负载出力;为储能在时刻的充电功率;为储能在时刻的放电功率;为时刻的负荷预测值;、为蓄电池运行一个周期的始末容量;
不等式约束条件:
(12)
式(12)中,、分别为机组出力的上下限;、分别为蓄电池所允许的剩余电量的最小最大值;为备用容量;、分别为时段风机和光伏的出力;为给定的置信度;、分别为微燃机增加和降低有功功率的极限值;
③分别选取适合两个目标函数的隶属度函数,并确定隶属度函数:
两个目标函数选取的隶属度函数分别为:
(13)
(14)
式(13)、(14)中,为以微电网发电成本最小为单目标优化的目标值;为以污染物排放总量最小为单目标优化的目标值;为可以接受的成本的增加值;为可接受的污染物排放的伸缩值;E指的是污染气体的排放量;F指的是发电成本;有关污染气体的隶属度函数;有关发电成本的隶属度函数;
确定隶属度函数的过程为:
a、 将原始数据输入,利用混合整数规划算法,求解以微电网发电成本最小为目标函数的单目标模型,得到了一天中各时段的最小发电成本、最大发电成本和污染气体总排放量,以及各台微燃机的出力情况;
b、将原始数据输入,用上述同样的方法,求解以微网系统运行污染物排放总量为目标函数的单目标模型,得到了一天中各时段污染气体最小总排放量、最大总排放量和各时段的发电成本,以及各台微燃机的出力情况;
c、在a、b两个步骤的基础上,将各个单目标进行伸缩,确定和,同时和的确定方法:,;
d、将和代入式(13)和式(14)中,得到隶属度函数,从而将多目标转化为单目标问题;设为所有隶属度函数中的最小值,最终多目标问题就可以转化为在满足所有约束条件的前提下,满意度指标最大的单目标优化问题;转化后的单目标模型如下:
(15)
(16)
(17)
(18)。
本发明利用改进蚁群算法求解单目标,单目标即为上述经过多目标转化后的单目标,
常规蚁群算法中信息素的更新规则为:
(19)
(20)
式(19)中,为本次迭代的最优解,对于所有的信息素需满足:,若,则将设置为;若,则将设置为;和分别是指信息素浓度的最大值和最小值;
确定和的方法如下:
信息素未更新时:
(21)
信息素更新后:
(22)。
本发明以包含光伏(photovoltaic,PV)、风机(wind turbine,WT)、微型燃气轮机(micro turbine,MT)、蓄电池(storage battery,SB)的微网为研究对象,提出了包含经济、环保的多目标经济运行模型。对于风机、光伏等出力不确定的情况,利用序列运算理论进行求解得到两者共同出力的期望值,序列运算理论是在电力系统规划领域的研究中产生的,经过严密的数学抽象与提高,已成为一个解决复杂离散型概率问题的有力工具,这样就使得机会约束转化为确定性约束。
对于多目标问题,本发明利用模糊处理的方法,将多目标问题转化为单目标优化问题。由于传统蚁群算法中信息素的更新策略会使该算法出现停滞、收敛速度慢等缺点。为此,本发明提出一种改进蚁群算法对所建模型进行求解,即新的信息素混合更新策略,即在搜索的循环中采用本次迭代最优解进行更新,固定循环之后,再采用全局最优解进行更新。采用混合的信息素更新策略后,蚁群算法会首先找到更多的可行解,还能保持继续搜索最优解的能力,同时保持较快的收敛速度。
附图说明
图1是风机出力概率性序列示意图;
图2是光伏出力概率性序列示意图;
图3是微网发电成本隶属度函数曲线示意图;
图4是污染气体总排放量隶属度函数曲线示意图;
图5是MT1在各优化目标下的出力曲线示意图;
图6是MT2在各优化目标下的出力曲线示意图;
图7是MT3在各优化目标下的出力曲线示意图。
具体实施方式
本发明考虑了微电网发电成本和污染气体排放量两个目标函数,提出一种包含风机、光伏等间歇性DG的多目标模糊优化方法,最终得到最优结果。其主要思想是:首先,构建考虑间歇性DG的以降低发电成本和减少污染气体排放量作为优化目标的微电网优化模型;然后利用模糊处理的方法将上述两个多目标问题转化为单目标问题;最后利用改进蚁群算法得到单目标优化问题的最优解。
本发明的步骤是:
①建立风机和光伏的不确定性出力模型,利用序列运算理论得到风机、光伏的共同出力的期望值,具体过程为:
a、根据对实测数据的分析表明,风速近似服从威布尔分布,其分布函数为:
(1)
其概率密度函数为:
(2)
式(1)、(2)中,代表实际风速;代表形状参数,一般取;代表尺度参数,反映某个时段的平均风速,有;
风力机组的输出功率和实际风速的函数关系如下:
(3)
式(3)中,表示额定风速;表示切入风速;表示切出风速;表示风机的额定输出功率。
b、光伏电池组件的功率输出表达式如下:
(4)
式(4)中,为光伏电池的实际输出功率;为标准测试条件下的电池输出功率;为实际辐照强度;为标准测试条件下的辐照强度;为功率温度系数;为电池板工作温度;为参考温度;
光伏电池出力的概率密度函数为:
(5)
式(5)中,、为形状参数,其关系为,为光强平均值;为光伏电池的最大输出功率。
c、令风机出力的概率性序列为,序列长度为,光伏出力的概率性序列为,序列长度为,令风机、光伏的共同出力的概率性序列为,序列长度为;共同出力的计算公式如下:
(6)
(7)
公式(6)中,为时段风机和光伏共同出力的期望值;
式(7)完整的表述如下:
(8);
该条件的含义为:在和的定义域内,对于满足条件的任意下标组合,其相应序列乘积均构成项求和式中的一项。
上述公式(1)、(2)、(3)为风机的出力模型,公式(4)、(5)为光伏的出力模型。
②在考虑机会约束规划的同时建立优化模型,选取待优化变量、优化目标及确定约束条件:
a、选取待优化变量,待优化变量为微电网系统中的变量,连续变量为各台微燃机在时刻的有功出力,离散变量主要包括机组状态变量和开机变量。
b、选取优化目标,选用降低发电成本和减少污染气体排放量作为优化目标,优化目标函数表达式为:
(9)
(10)
式(9)中,为微电网运行发电成本;为机组在时刻的出力;为机组在时刻表示机组的燃料消耗成本;为0-1变量,机组在时刻的运行状态,该值是0表示停机,该值是1表示运行;为机组的启动成本;为机组的备用容量成本;为机组在第时刻的旋转备用;式(10)中,为污染气体的排放总量;、、为微燃机的污染气体排放系数。
c、确定约束条件,模型的约束条件包括等式约束和不等式约束两部分:
等式约束条件:包含微网系统的功率平衡方程及蓄电池始末容量平衡方程。相关的等式约束写为:
(11)
式(11)中,为时刻的卸荷负载出力;为储能在时刻的充电功率;为储能在时刻的放电功率;为时刻的负荷预测值;、为蓄电池运行一个周期的始末容量。
不等式约束条件:包含微燃机的出力约束和爬坡约束,储能的出力约束及旋转备用约束。相关的不等式约束写为:
(12)
式(12)中,、分别为机组出力的上下限;、分别为蓄电池所允许的剩余电量的最小最大值;为备用容量;、分别为时段风机和光伏的出力;为给定的置信度;、分别为微燃机增加和降低有功功率的极限值。
设置初始变量并给定待优化变量范围;
待优化变量的上、下限,对于离散变量还需指定步长;
信息素浓度、循环次数N、蚂蚁数目m。
③分别选取适合两个目标函数的隶属度函数,并确定隶属度函数:
两个目标函数选取的隶属度函数分别为:
(13)
(14)
式(13)、(14)中,为以微电网发电成本最小为单目标优化的目标值;为以污染物排放总量最小为单目标优化的目标值;为可以接受的成本的增加值;为可接受的污染物排放的伸缩值;E指的是污染气体的排放量;F指的是发电成本;有关污染气体的隶属度函数;有关发电成本的隶属度函数。
确定隶属度函数的过程为:
a、 将原始数据输入,利用混合整数规划算法,求解以微电网发电成本最小为目标函数的单目标模型,得到了一天中各时段的最小发电成本、最大发电成本和污染气体总排放量,以及各台微燃机的出力情况。
b、将原始数据输入,用上述同样的方法,求解以微网系统运行污染物排放总量为目标函数的单目标模型,得到了一天中各时段污染气体最小总排放量、最大总排放量和各时段的发电成本,以及各台微燃机的出力情况。
F代表发电成本,如果以发电成本为目标函数的话,得到结果用F1表示,而如果以污染气体排放量为目标函数的话,得到的结果用F2表示;同理E代表污染气体排放总量,如果以污染气体排放总量为目标函数的话,得到结果用E1表示,而如果以发电成本为目标函数的话,得到的结果用E2表示。
c、在a、b两个步骤的基础上,将各个单目标进行伸缩,确定和,同时和的确定方法:,。
d、将和代入式(13)和式(14)中,得到隶属度函数,从而将多目标转化为单目标问题;利用改进蚁群算法进行求解,得到最大满意度时,各机组的运行状况。
设为所有隶属度函数中的最小值,最终多目标问题就可以转化为在满足所有约束条件的前提下,满意度指标最大的单目标优化问题;转化后的单目标模型如下:
(15)
(16)
(17)
(18)。
利用改进蚁群算法求解转化后的单目标问题,具体过程为:
1、参数初始化,设初始迭代次数,信息素浓度(为常数),且,随机将m个蚂蚁放到初始点上;
2、设置循环次数,即;
3、设置蚂蚁数目,令;
4、当蚂蚁从一个点出发到达另一点时,对其路径上的信息素进行更新;
5、执行上述步骤,直到每只蚂蚁都找到了一条包含所有节点的可行路径,作为当前的可行解;
6、在所有可行解中找到一条最短路径,即为本次迭代中的最优路径;
7、判断循环次数,对信息素进行更新。例如:以十五次为最佳循环次数为例,若次数小于十五次,则按照本次迭代的信息素进行更新;若循环次数大于等于十五次则按照全局的最优信息素更新;
8、重复执行步骤2~7,直到最优解中没有出现更优解或达到最大迭代次数,本文设置迭代次数,停止计算,输出当前值,即为最优解。
本发明利用改进蚁群算法求解单目标,单目标即为上述经过多目标转化后的单目标,
常规蚁群算法中信息素的更新规则为:此规则主要是针对上述第4步作出的
(19)
(20)
式(19)中,为本次迭代的最优解,对于所有的信息素需满足:,若,则将设置为;若,则将设置为;和分别是指信息素浓度的最大值和最小值;
确定和的方法如下:
信息素未更新时:
(21)
信息素更新后:
(22)。
输出优化结果,具体包括:
置信度为0.95时,多目标模糊处理最大满意度指标及优化结果;
3台微燃机在不同的优化目标下,一天24个时段中的出力曲线。
本发明考虑的微网系统包含三台微燃机,各台微燃机的主要参数如表1所示,目标函数在考虑发电成本对的同时还考虑了污染气体的排放量,各台微燃机的污染气体排放系数如表2所示。
表1 三台微燃机的主要参数
表1中,为机组的启动成本;为机组在第时刻的旋转备用;、分别为机组出力的上下限;、分别为微燃机增加和降低有功功率的极限值。
表2 污染气体排放系数
。
表3 置信度为0.95时的多目标模糊处理最大满意度指标及优化结果
表3中数据为在置信度为0.95时,多目标优化问题经过模糊处理最终得到的满意度指标,可以得到全局最优的满意度为0.812。3台微燃机在不同的优化目标下,一天24个时段中的出力情况相应图示为图5-图7。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (2)
1.一种微电网多目标转化单目标的方法,其特征在于:
①建立风机和光伏的不确定性出力模型,利用序列运算理论得到风机、光伏的共同出力的期望值,具体过程为:
a、根据对实测数据的分析表明,风速近似服从威布尔分布,其分布函数为:
(1)
其概率密度函数为:
(2)
式(1)、(2)中,代表实际风速;代表形状参数,一般取;代表尺度参数,反映某个时段的平均风速,有;
风力机组的输出功率和实际风速的函数关系如下:
(3)
式(3)中,表示额定风速;表示切入风速;表示切出风速;表示风机的额定输出功率;
b、光伏电池组件的功率输出表达式如下:
(4)
式(4)中,为光伏电池的实际输出功率;为标准测试条件下的电池输出功率;为实际辐照强度;为标准测试条件下的辐照强度;为功率温度系数;为电池板工作温度;为参考温度;
光伏电池出力的概率密度函数为:
(5)
式(5)中,、为形状参数,其关系为,为光强平均值;为光伏电池的最大输出功率;
c、令风机出力的概率性序列为,序列长度为,光伏出力的概率性序列为,序列长度为,令风机、光伏的共同出力的概率性序列为,序列长度为;共同出力的计算公式如下:
(6)
(7)
公式(6)中,为时段风机和光伏共同出力的期望值;
式(7)完整的表述如下:
(8);
②在考虑机会约束规划的同时建立优化模型,选取待优化变量、优化目标及确定约束条件:
a、选取待优化变量,连续变量为各台微燃机在时刻的有功出力,离散变量主要包括机组状态变量和开机变量;
b、选取优化目标,优化目标函数表达式为:
(9)
(10)
式(9)中,为微电网运行发电成本;为机组在时刻的出力;为机组在时刻表示机组的燃料消耗成本;为0-1变量,机组在时刻的运行状态,该值是0表示停机,该值是1表示运行;为机组的启动成本;为机组的备用容量成本;为机组在第时刻的旋转备用;式(10)中,为污染气体的排放总量;、、为微燃机的污染气体排放系数;
c、确定约束条件,约束条件包括等式约束和不等式约束两部分:
等式约束写为:
(11)
式(11)中,为时刻的卸荷负载出力;为储能在时刻的充电功率;为储能在时刻的放电功率;为时刻的负荷预测值;、为蓄电池运行一个周期的始末容量;
不等式约束条件:
(12)
式(12)中,、分别为机组出力的上下限;、分别为蓄电池所允许的剩余电量的最小最大值;为备用容量;、分别为时段风机和光伏的出力;为给定的置信度;、分别为微燃机增加和降低有功功率的极限值;
③分别选取适合两个目标函数的隶属度函数,并确定隶属度函数:
两个目标函数选取的隶属度函数分别为:
(13)
(14)
式(13)、(14)中,为以微电网发电成本最小为单目标优化的目标值;为以污染物排放总量最小为单目标优化的目标值;为可以接受的成本的增加值;为可接受的污染物排放的伸缩值;E指的是污染气体的排放量;F指的是发电成本;有关污染气体的隶属度函数;有关发电成本的隶属度函数;
确定隶属度函数的过程为:
a、 将原始数据输入,利用混合整数规划算法,求解以微电网发电成本最小为目标函数的单目标模型,得到了一天中各时段的最小发电成本、最大发电成本和污染气体总排放量,以及各台微燃机的出力情况;
b、将原始数据输入,用上述同样的方法,求解以微网系统运行污染物排放总量为目标函数的单目标模型,得到了一天中各时段污染气体最小总排放量、最大总排放量和各时段的发电成本,以及各台微燃机的出力情况;
c、在a、b两个步骤的基础上,将各个单目标进行伸缩,确定和,同时和的确定方法:,;
d、将和代入式(13)和式(14)中,得到隶属度函数,从而将多目标转化为单目标问题;设为所有隶属度函数中的最小值,最终多目标问题就可以转化为在满足所有约束条件的前提下,满意度指标最大的单目标优化问题;转化后的单目标模型如下:
(15)
(16)
(17)
(18)。
2.利用改进蚁群算法求解单目标,其特征在于:常规蚁群算法中信息素的更新规则为:
(19)
(20)
式(19)中,为本次迭代的最优解,对于所有的信息素需满足:,若,则将设置为;若,则将设置为;和分别是指信息素浓度的最大值和最小值;
确定和的方法如下:
信息素未更新时:
(21)
信息素更新后:
(22)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611007282.3A CN106602593A (zh) | 2016-11-16 | 2016-11-16 | 微电网多目标转化单目标的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611007282.3A CN106602593A (zh) | 2016-11-16 | 2016-11-16 | 微电网多目标转化单目标的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106602593A true CN106602593A (zh) | 2017-04-26 |
Family
ID=58589963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611007282.3A Pending CN106602593A (zh) | 2016-11-16 | 2016-11-16 | 微电网多目标转化单目标的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106602593A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067344A (zh) * | 2017-05-27 | 2017-08-18 | 东北电力大学 | 考虑配电网谐波管理的分布式电源多目标接入规划方法 |
CN107196586A (zh) * | 2017-05-15 | 2017-09-22 | 国网安徽省电力公司电力科学研究院 | 含电动汽车接入的光柴储微网系统优化运行方法 |
CN108448650A (zh) * | 2018-03-21 | 2018-08-24 | 广东电网有限责任公司电力科学研究院 | 一种多目标联合调度决策方法及系统 |
CN108597442A (zh) * | 2018-04-13 | 2018-09-28 | 武汉精测电子集团股份有限公司 | 基于多目标关联数学模型的OLED模组Gamma调校方法和系统 |
CN114285086A (zh) * | 2021-11-25 | 2022-04-05 | 国网河南省电力公司电力科学研究院 | 基于改进蚁群算法的电化学储能电站能量调度方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477689A (zh) * | 2009-01-16 | 2009-07-08 | 北京航空航天大学 | 一种基于自适应蚁群智能的空中机器人视觉分层匹配方法 |
CN104239967A (zh) * | 2014-08-29 | 2014-12-24 | 华北电力大学 | 一种含风电场的电力系统多目标经济调度方法 |
CN104361413A (zh) * | 2014-11-18 | 2015-02-18 | 国家电网公司 | 一种含分布式电源的配电网重构方法 |
CN105186499A (zh) * | 2015-09-09 | 2015-12-23 | 中国电力科学研究院 | 一种配电网多目标概率最优潮流模糊建模与求解方法 |
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 |
US20160258361A1 (en) * | 2015-03-03 | 2016-09-08 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
-
2016
- 2016-11-16 CN CN201611007282.3A patent/CN106602593A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477689A (zh) * | 2009-01-16 | 2009-07-08 | 北京航空航天大学 | 一种基于自适应蚁群智能的空中机器人视觉分层匹配方法 |
CN104239967A (zh) * | 2014-08-29 | 2014-12-24 | 华北电力大学 | 一种含风电场的电力系统多目标经济调度方法 |
CN104361413A (zh) * | 2014-11-18 | 2015-02-18 | 国家电网公司 | 一种含分布式电源的配电网重构方法 |
US20160258361A1 (en) * | 2015-03-03 | 2016-09-08 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
CN105186499A (zh) * | 2015-09-09 | 2015-12-23 | 中国电力科学研究院 | 一种配电网多目标概率最优潮流模糊建模与求解方法 |
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 |
Non-Patent Citations (4)
Title |
---|
孙福军 等: "基于蚁群算法的微电网多目标优化运行", 《黑龙江电力》 * |
巩固 等: "物流配送车辆路径问题的优化研究", 《计算机工程与科学》 * |
李滨 等: "低碳电力下多目标机组组合优化调度", 《电力系统及其自动化学报》 * |
陈宝钢 等: "改进蚁群算法MMAS在分类规则挖掘中的研究", 《计算机技术与发展》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107196586A (zh) * | 2017-05-15 | 2017-09-22 | 国网安徽省电力公司电力科学研究院 | 含电动汽车接入的光柴储微网系统优化运行方法 |
CN107067344A (zh) * | 2017-05-27 | 2017-08-18 | 东北电力大学 | 考虑配电网谐波管理的分布式电源多目标接入规划方法 |
CN107067344B (zh) * | 2017-05-27 | 2020-12-25 | 东北电力大学 | 考虑配电网谐波管理的分布式电源多目标接入规划方法 |
CN108448650A (zh) * | 2018-03-21 | 2018-08-24 | 广东电网有限责任公司电力科学研究院 | 一种多目标联合调度决策方法及系统 |
CN108597442A (zh) * | 2018-04-13 | 2018-09-28 | 武汉精测电子集团股份有限公司 | 基于多目标关联数学模型的OLED模组Gamma调校方法和系统 |
CN108597442B (zh) * | 2018-04-13 | 2019-12-06 | 武汉精测电子集团股份有限公司 | 基于多目标关联数学模型的OLED模组Gamma调校方法和系统 |
CN114285086A (zh) * | 2021-11-25 | 2022-04-05 | 国网河南省电力公司电力科学研究院 | 基于改进蚁群算法的电化学储能电站能量调度方法及系统 |
CN114285086B (zh) * | 2021-11-25 | 2023-08-01 | 国网河南省电力公司电力科学研究院 | 基于改进蚁群算法的电化学储能电站能量调度方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lak Kamari et al. | Applications of multi-criteria decision-making (MCDM) methods in renewable energy development: A review | |
CN106602593A (zh) | 微电网多目标转化单目标的方法 | |
CN107546781B (zh) | 基于pso改进算法的微电网多目标运行优化方法 | |
CN114021390A (zh) | 城市综合能源系统随机鲁棒优化方法及其应用 | |
CN103729691B (zh) | 基于均匀设计的多目标配煤方法 | |
CN109800996A (zh) | 一种综合能源系统能效评价方法及装置 | |
CN106130079A (zh) | 一种风水火短期联合优化调度方法 | |
CN111242388B (zh) | 一种考虑冷热电联供的微电网优化调度方法 | |
CN107482618A (zh) | 具有风‑火发电并含多类型柔性负荷电网的电价制定方法 | |
CN111668878A (zh) | 一种可再生微能源网的优化配置方法和系统 | |
CN111555368B (zh) | 一种综合能源系统的深度生成式对抗网络调度与控制方法 | |
Lu et al. | Configuration optimization of an off-grid multi-energy microgrid based on modified NSGA-II and order relation-TODIM considering uncertainties of renewable energy and load | |
Deng et al. | A novel operation strategy based on black hole algorithm to optimize combined cooling, heating, and power-ground source heat pump system | |
CN112580897A (zh) | 基于鹦鹉算法的多能源电力系统优化调度的方法 | |
CN116307077A (zh) | 一种冷热电联供型微网系统运行优化方法 | |
Wang et al. | Multi-attribute decision analysis for optimal design of park-level integrated energy systems based on load characteristics | |
CN109245152A (zh) | 一种基于多目标蚁群算法的微电网负荷分配方法 | |
CN105678415A (zh) | 一种分布式电源配电网的净负荷预测方法 | |
CN114819349A (zh) | 一种多微网系统的主动配电网能量分层管理优化方法 | |
CN114741960A (zh) | 一种综合能源经济环境调度优化方法及系统 | |
Ma et al. | Who innovates with whom and why? A comparative analysis of the global research networks supporting climate change mitigation | |
CN109802447A (zh) | 一种cchp系统调度评价方法 | |
Yang | Multi‐objective optimization of integrated gas–electricity energy system based on improved multi‐object cuckoo algorithm | |
CN115759604B (zh) | 一种综合能源系统优化调度方法 | |
CN111756073B (zh) | 多能互补微网分层控制与运行优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170426 |