CN106887841B - 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法 - Google Patents
一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法 Download PDFInfo
- Publication number
- CN106887841B CN106887841B CN201710176766.9A CN201710176766A CN106887841B CN 106887841 B CN106887841 B CN 106887841B CN 201710176766 A CN201710176766 A CN 201710176766A CN 106887841 B CN106887841 B CN 106887841B
- Authority
- CN
- China
- Prior art keywords
- power
- grid
- micro
- cost
- formula
- 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.)
- Expired - Fee Related
Links
- 239000002245 particle Substances 0.000 title claims abstract description 73
- 230000002068 genetic effect Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 230000006870 function Effects 0.000 claims abstract description 54
- 238000004146 energy storage Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000008901 benefit Effects 0.000 claims abstract description 12
- 238000010248 power generation Methods 0.000 claims description 24
- 230000005611 electricity Effects 0.000 claims description 18
- 238000012423 maintenance Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000003344 environmental pollutant Substances 0.000 claims description 6
- 231100000719 pollutant Toxicity 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000002803 fossil fuel Substances 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000087 stabilizing effect Effects 0.000 abstract description 2
- 244000062793 Sorghum vulgare Species 0.000 abstract 1
- 238000004140 cleaning Methods 0.000 abstract 1
- 230000002349 favourable effect Effects 0.000 abstract 1
- 235000019713 millet Nutrition 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法,在满足电动汽车用电需求的情况下,发挥电动汽车所具有的储能功能,提出了包含年费用成本、全年负荷缺电概率和负荷曲线峰谷差为目标的多目标模型,运用多种群遗传粒子群算法对目标函数进行求解,可以精确的获得微电网系统中各单元的最优容量,在保证系统可靠性及平抑负荷波动的情况下,还可以实现较高的经济效益。通过对含有电动汽车的微电网系统的优化,在保证系统可靠性和经济性的基础上,利用电动汽车该移动储能装置,可以实现削峰填谷,降低系统曲线的峰谷差,不但可以提高电力系统的稳定性,还有很高的经济效益,从而有利于电动汽车此清洁装置的推广利用。
Description
技术领域
本发明涉及包含电动汽车和间歇式可再生能源的微电网系统在保证年费用成本、全年负荷缺电概率和负荷曲线峰谷差最小的情况下设备容量最优的计算方法,尤其涉及一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法。
背景技术
国内外研究成果及运行经验均表明含电动汽车的微电网容量优化配置还处于初级阶段,优化目标过于单一,有的采用年费用或年成本为目标函数,有的虽然考虑了供电可靠性指标,但对系统负荷曲线峰谷差的降低考虑不足,因此无法保证系统的稳定性,且对于目标函数的优化多采用粒子群算法或遗传算法,两者均存在一些缺点,使得最后的寻优结果不够精确,速度不够快。
由于含电动汽车的微电网容量优化配置是一个多目标非线性规划问题,目前对其进行系统优化存在优化目标单一,优化方法存在缺陷等缺点,所以本发明将一种多种群遗传粒子群算法应用于含电动汽车的微电网系统优化过程中,以年费用成本、全年负荷缺电概率和负荷曲线峰谷差最小为优化目标,采用判断矩阵法将多目标函数转化成单目标函数,利用多种群遗传粒子群算法对微电网系统进行优化,求出该系统最优设备容量组合。采用该项技术对微电网容量进行优化配置,可降低微电网的年费用成本,保证系统的稳定性,并且其削峰填谷效果明显。因此,提供一种能够精确全面的计算含电动汽车的微电网系统设备配置容量的方法对电动汽车的推广及电力系统稳定运行有极其重要的指导意义。
发明内容
本发明的目的是提供一种高效率、快速、经济的设计方法,能有效计算包含电动汽车和间歇式可再生能源的微电网系统的设备容量配置。由于传统优化目标函数单一,且采用传统数学模拟建模进行优化处理难度比较大,所以本发明基于多种群遗传粒子群算法作为一种可用于多目标非线性规划问题的优化方法,对设备容量配置进行优化,最终得到最佳容量组合,此方法可以提高系统的经济性,同时还能够保证系统运行的稳定性,降低系统负荷峰谷差,因此对于工程实践有着重要意义与参考价值。
本发明实现上述目的的技术原理是应用多种群遗传粒子群算法对含有电动汽车的微电网系统进行容量优化配置,构建以年费用成本、全年负荷缺电概率和负荷曲线峰谷差最小的目标模型,并通过判断矩阵法将多目标函数转化成单目标函数,利用多种群遗传粒子群算法对该目标函数进行优化,从而可以较为精确的计算此系统所需设备最优容量,以降低系统故障率,保证系统平稳运行,同时还能够实现较高的经济效益。
本发明依据上述技术原理而采用的技术方案包括以下步骤:
第一步,构建包含电动汽车和间歇式可再生能源的微电网系统结构:
构建的微电网系统结构主要由以下5部分组成:风力发电模块、光伏发电系统、电动汽车模块、储能电池模块、电网系统;
第二步,建立太阳能光伏发电系统模型:
基于径向基函数神经网络对光伏发电功率进行预测,径向基函数神经网络包括三层:输入层,隐含层,输出层,其中输入层主要包括:日期、日平均风速、日平均相对湿度、日平均太阳辐射、日平均气温,输出层为光伏发电系统的每小时输出功率,用绝对百分误差Δδ来表示预测模型的性能 式中n为预测数据的总数量;Aσ为第σ次的实际数据;Fσ为第σ次的预测数据;
第三步,建立风力发电系统模型:
风力发电预测主要与切入风速、切出风速,风力发电机额定风速和额定功率有关,风力发电系统的输出特性表达式为:
第四步,建立电动汽车和电动汽车充电桩模型:
当电动汽车充电站安装在停车场时,停车场的扩容费用将随着停车容量的增加而增加;扩容费用为电动汽车基础设施成本与增加电能购买成本总和,电动汽车基础设施的成本应该考虑投资成本、运行维护成本;
每年的增加电能购买成本或电能销售利润可表示为式中Rexchange(t)为t时刻电价,Pexchange(t)为t时刻微电网与电网之间交换的电能,为电动汽车基础设施的安装成本,单位为元;为电动汽车基础设施的年度运行维护成本;KEV为安装的电动汽车充电桩数量;rEV为年利率;nEV为折旧年限,T表示机组运行总时间;
第五步,建立公共电网模型:
在单向运行模式下,微电网只能从电网中吸收电能;在双向运行模式下,微电网不仅能从电网中吸收电能,而且还能向电网输出电能;微电网与电网之间的功率限制应满足如下约束:式中表示微电网与电网交换的最小功率限制;表示微电网与电网交换的最大功率限制;表示微电网与电网在t时刻的交换功率;从电网购买电能的价格服从概率密度分布函数式中和分别为t时刻预测的电价和其标准差,为第e次蒙特卡洛试验中t时刻电价的随机变量,其均值为0,标准差为1;
第六步,建立系统年费用成本目标函数:
建立的用于最小化的系统年费用成本的目标函数表示如下:G=g1(X1)+g1(X2),式中G为考虑固定年投资费用g1(X1)和可变的年运行费用g2(X2)的目标函数,X1和X2为优化变量;
固定年投资费用g1(X1)表示为优化变量X1可以表示为X1={M1,M2,...,Mi,...,Mm},式中Mi表示微电网系统中第i种微电源的单元数量;g2(X2)表示微电网系统的可变的年运行费用,优化变量X2可以表示为式中Ui,j和Pi,j分别表示系统中第i种微电源的第j个单元的运行状态和输出功率,其中i≤m,j≤Mm,m为微电网系统中微电源的种类数量,Mm为第m种微电源的单元数量;
系统的年运行和维护成本可表示为式中Rj(t)为t时刻第j个单元的运行成本,Rj(t)=1表示机组处于运行状态,Rj(t)=0表示机组处于停止状态,为第j个单元的维修成本系数;Pj(t)为第j个单元的输出功率,T表示机组运行总时间;
第七步,建立全年负荷缺电概率目标模型:
将一年划分为8760h,认为在每个时间段内风速、光照强度、基础负荷及电动汽车的充电需求均为恒定的,每隔一小时计算一次缺电概率;全年负荷缺电概率可用如下公式表示:
式中:CALOR表示全年负荷缺电概率,CLack表示缺电量,CLoad表示负荷需求,表示t时刻基础负荷,表示t时刻接入微电网的电动汽车提供的电能,表示t时刻光伏电池板提供的电能,表示t时刻风力发电机提供的电能,表示t时刻储能电池提供的电能,表示t时刻接入微电网的电动汽车需求的电能;
第九步,建立约束条件:
式中PPV是光伏阵列的输出功率;PWG是风力发电机的输出功率;PStorage是储能电池的放电功率;Pload是负荷功率;η为高峰期的自给率,反映了可再生能源能对负荷提供多少电能,η越大,表示在高峰期间移至电网的负荷越多;是储能电池的最小放电功率;是储能电池的最大放电功率;ηDesired是高峰期的需求自给率;
第十步,将多目标函数转化成单目标函数;采用判断矩阵法将多目标函数处理成单目标函数,其表达式为:F=min(ω1G+ω2CALOR+ω3Q),式中F为多目标经处理后的单目标函数,ω1、ω2、ω3为各子目标的权重,根据各目标之间的等级关系确定判断矩阵,其等级形成准则如下标所示。
第十一步,采用多种群遗传粒子群算法对单目标函数进行优化:
基于多种群遗传粒子群算法求解全局最优解的具体步骤为:
(1)编码和产生初始种群,对微电网系统中的各单元的个数进行整数编码,随机生成预先确定规模的个体;
(2)适应度值评估检测,将目标函数定为适应度函数,计算个体的适应度值,剔除不满足要求的个体,将个体的适应度值进行排序,为了保证较高适应度值的个体更好的发挥作用,选择60%的适应度较好的个体构成主导者群,剩余的个体构成跟随者群;
(3)更新粒子的速度和位置,采用粒子群算法更新主导者群和跟随者群的位置和速度,其中粒子速度和位置更新公式分别为:
vi*,j*(t*+1)=ωvi*,j*(t*)+c1r1[pi*,j*-xi*,j*(t*)]+c2r2[pg,j*-xi*,j*(t*)];
xi*,j*(t*+1)=xi*,j*(t*)+vi*,j*(t*+1);
式中:vi*,j*(t*+1)表示粒子i*在t*+1次迭代中第j*维的速度,i*=1,2,...,N,N表示可行解的数量,j*=1,2,...,g,g表示求解的问题维度;vi*,j*(t*)表示粒子i*在第t*次迭代中第j维的速度,粒子的速度vi*,j*(t*)的区间设置为[-vmax,vmax];ω为惯性权重;c1和c2为正的学习因子;r1和r2为0~1之间均匀分布的随机数,pi*,j*为当前粒子的历史最优解,pg,j*为粒子群的全局历史最优解;xi*,j*(t*+1)表示粒子i*在t*+1次迭代中第j*维的位置;xi*,j*(t*)表示粒子i*在第t*次迭代中第j*维的位置,粒子的位置xi*,j*(t*)的范围设置为[-xmax,xmax],则vmax=k’×xmax,k’的取值范围为[0.1,1];
如果跟随者群产生新粒子的适应度值低于原来粒子时,则按照如下公式更新速度:
v′i*,j*(t*+1)=kvi*,j*(t*)+s{c1r1[pi*,j*-xi,j(t*)]+c2r2[pg,j*-xi*,j*(t*)]};
式中:I表示随机产生的一个G’维向量;表示[1,G’]之间的随机数;h表示在当前粒子的基础上随机改变粒子的速度更新方向,()T表示向量的转置;v′i*,j*(t*+1)表示在当前粒子改变速度更新方向的基础上随机移动一定的步长;
(4)交叉操作,主导者群和跟随者群分别按照自适应方法进行交叉操作,交叉公式如下表示:
式中:Pc1<Pc2<Pc3,Pc1、Pc2和Pc3的取值范围均属于(0,1);fmax表示种群中适应度最大的值;favg表示每代种群中的适应度的平均值;fmin表示种群中适应度最小的值;f′表示进行交叉操作的两个个体中适应度较大的值;
(5)变异操作,主导者群和跟随者群分别按照自适应方法进行变异操作,变异公式如下表示:
式中:Pm1<Pm2<Pm3,Pm1、Pm2和Pm3的取值范围均属于(0,1);
(6)终止,判断是否到达设定的最大遗传代数,如果没有达到,则返回步骤(2);如果达到,则停止迭代,输出最优解;
第十二步,输出微电网系统的最优容量组合;通过上述多种群遗传粒子群算法,在达到设定的最大遗传代数时结束迭代,此时,可以得出含电动汽车的微电网系统在系统年费用成本最小时的对应的各单元的最佳容量,则此类容量组合能实现经济效益的最大化。
本发明的优点是:在满足电动汽车用电需求的情况下,发挥电动汽车所具有的储能功能,提出了包含年费用成本、全年负荷缺电概率和负荷曲线峰谷差为目标的多目标模型,运用多种群遗传粒子群算法对目标函数进行求解,可以精确的获得微电网系统中各单元的最优容量,在保证系统可靠性及平抑负荷波动的情况下,还可以实现较高的经济效益;提供一种高效率、快速、经济的优化方法,可以科学地计算出系统所需设备的最优容量,使系统成本最低。通过对含有电动汽车的微电网系统的优化,在保证系统可靠性和经济性的基础上,利用电动汽车该移动储能装置,可以实现削峰填谷,降低系统曲线的峰谷差,不但可以提高电力系统的稳定性,还有很高的经济效益,从而有利于电动汽车此移动储能装置的推广利用。
附图说明
图1是含电动汽车和间歇式可再生能源的微电网系统结构;
图2是含电动汽车微电网容量配置的多种群遗传粒子群优化方法的流程示意图;
图3是多种群遗传粒子群算法的主要操作过程示意图。
具体实施方式
下面结合附图1-3与具体实施方式对本发明作进一步详细描述。
参见附图图2所示,一种基于多种群遗传粒子群算法的含电动汽车的微电网系统优化计算方法,包括以下步骤:
步骤S101,构建包含电动汽车和间歇式可再生能源的微电网系统结构:
构建的微电网系统结构主要由以下5部分组成:风力发电模块、光伏发电系统、电动汽车模块、储能电池模块、电网系统;
步骤S102,建立太阳能光伏发电系统模型:
基于径向基函数神经网络对光伏发电功率进行预测,径向基函数神经网络包括三层:输入层,隐含层,输出层,其中输入层主要包括:日期、日平均风速、日平均相对湿度、日平均太阳辐射、日平均气温,输出层为光伏发电系统的每小时输出功率,用绝对百分误差Δδ来表示预测模型的性能 式中n为预测数据的总数量;Aσ为第σ次的实际数据;Fσ为第σ次的预测数据;
步骤S103,建立风力发电系统模型:
风力发电预测主要与切入风速、切出风速,风力发电机额定风速和额定功率有关,风力发电系统的输出特性表达式为:
步骤S104,建立电动汽车和电动汽车充电桩模型:
当电动汽车充电站安装在停车场时,停车场的扩容费用将随着停车容量的增加而增加;扩容费用为电动汽车基础设施成本与增加电能购买成本总和,电动汽车基础设施的成本应该考虑投资成本、运行维护成本;
每年的增加电能购买成本或电能销售利润可表示为式中Rexchange(t)为t时刻电价,Pexchange(t)为t时刻微电网与电网之间交换的电能,为电动汽车基础设施的安装成本,单位为元;为电动汽车基础设施的年度运行维护成本;KEV为安装的电动汽车充电桩数量;rEV为年利率;nEV为折旧年限,T表示机组运行总时间;
步骤S105,建立公共电网模型:
在单向运行模式下,微电网只能从电网中吸收电能;在双向运行模式下,微电网不仅能从电网中吸收电能,而且还能向电网输出电能;微电网与电网之间的功率限制应满足如下约束:式中表示微电网与电网交换的最小功率限制;表示微电网与电网交换的最大功率限制;表示微电网与电网在t时刻的交换功率;从电网购买电能的价格服从概率密度分布函数式中和分别为t时刻预测的电价和其标准差,为第e次蒙特卡洛试验中t时刻电价的随机变量,其均值为0,标准差为1;
步骤S106,建立系统年费用成本目标函数:
建立的用于最小化的系统年费用成本的目标函数表示如下:G=g1(X1)+g1(X2),式中G为考虑固定年投资费用g1(X1)和可变的年运行费用g2(X2)的目标函数,X1和X2为优化变量;
固定年投资费用g1(X1)表示为优化变量X1可以表示为X1={M1,M2,...,Mi,...,Mm},式中Mi表示微电网系统中第i种微电源的单元数量;g2(X2)表示微电网系统的可变的年运行费用,优化变量X2可以表示为式中Ui,j和Pi,j分别表示系统中第i种微电源的第j个单元的运行状态和输出功率,其中i≤m,j≤Mm,m为微电网系统中微电源的种类数量,Mm为第m种微电源的单元数量;
系统的年运行和维护成本可表示为式中Rj(t)为t时刻第j个单元的运行成本,Rj(t)=1表示机组处于运行状态,Rj(t)=0表示机组处于停止状态,为第j个单元的维修成本系数;Pj(t)为第j个单元的输出功率,T表示机组运行总时间;
步骤S107,建立全年负荷缺电概率目标模型:
将一年划分为8760h,认为在每个时间段内风速、光照强度、基础负荷及电动汽车的充电需求均为恒定的,每隔一小时计算一次缺电概率;全年负荷缺电概率可用如下公式表示:
式中:CALOR表示全年负荷缺电概率,CLack表示缺电量,CLoad表示负荷需求,表示t时刻基础负荷,表示t时刻接入微电网的电动汽车提供的电能,表示t时刻光伏电池板提供的电能,表示t时刻风力发电机提供的电能,表示t时刻储能电池提供的电能,表示t时刻接入微电网的电动汽车需求的电能;
步骤S109,建立约束条件:
式中PPV是光伏阵列的输出功率;PWG是风力发电机的输出功率;PStorage是储能电池的放电功率;Pload是负荷功率;η为高峰期的自给率,反映了可再生能源能对负荷提供多少电能,η越大,表示在高峰期间移至电网的负荷越多;是储能电池的最小放电功率;是储能电池的最大放电功率;ηDesired是高峰期的需求自给率;
步骤S110,将多目标函数转化成单目标函数;采用判断矩阵法将多目标函数处理成单目标函数,其表达式为:F=min(ω1G+ω2CALOR+ω3Q),式中F为多目标经处理后的单目标函数,ω1、ω2、ω3为各子目标的权重,根据各目标之间的等级关系确定判断矩阵,其等级形成准则如下标所示。
步骤S111,采用多种群遗传粒子群算法对单目标函数进行优化:
基于多种群遗传粒子群算法求解全局最优解的具体步骤为:
(1)编码和产生初始种群,对微电网系统中的各单元的个数进行整数编码,随机生成预先确定规模的个体;
(2)适应度值评估检测,将目标函数定为适应度函数,计算个体的适应度值,剔除不满足要求的个体,将个体的适应度值进行排序,为了保证较高适应度值的个体更好的发挥作用,选择60%的适应度较好的个体构成主导者群,剩余的个体构成跟随者群;
(3)更新粒子的速度和位置,采用粒子群算法更新主导者群和跟随者群的位置和速度,其中粒子速度和位置更新公式分别为:
vi*,j*(t*+1)=ωvi*,j*(t*)+c1r1[pi*,j*-xi*,j*(t*)]+c2r2[pg,j*-xi*,j*(t*)];
xi*,j*(t*+1)=xi*,j*(t*)+vi*,j*(t*+1);
式中:vi*,j*(t*+1)表示粒子i*在t*+1次迭代中第j*维的速度,i*=1,2,...,N,N表示可行解的数量,j*=1,2,...,g,g表示求解的问题维度;vi*,j*(t*)表示粒子i*在第t*次迭代中第j维的速度,粒子的速度vi*,j*(t*)的区间设置为[-vmax,vmax];ω为惯性权重;c1和c2为正的学习因子;r1和r2为0~1之间均匀分布的随机数,pi*,j*为当前粒子的历史最优解,pg,j*为粒子群的全局历史最优解;xi*,j*(t*+1)表示粒子i*在t*+1次迭代中第j*维的位置;xi*,j*(t*)表示粒子i*在第t*次迭代中第j*维的位置,粒子的位置xi*,j*(t*)的范围设置为[-xmax,xmax],则vmax=k’×xmax,k’的取值范围为[0.1,1];
如果跟随者群产生新粒子的适应度值低于原来粒子时,则按照如下公式更新速度:
v′i*,j*(t*+1)=kvi*,j*(t*)+s{c1r1[pi*,j*-xi,j(t*)]+c2r2[pg,j*-xi*,j*(t*)]};
式中:I表示随机产生的一个G’维向量;表示[1,G’]之间的随机数;h表示在当前粒子的基础上随机改变粒子的速度更新方向,()T表示向量的转置;v′i*,j*(t*+1)表示在当前粒子改变速度更新方向的基础上随机移动一定的步长;
(4)交叉操作,主导者群和跟随者群分别按照自适应方法进行交叉操作,交叉公式如下表示:
式中:Pc1<Pc2<Pc3,Pc1、Pc2和Pc3的取值范围均属于(0,1);fmax表示种群中适应度最大的值;favg表示每代种群中的适应度的平均值;fmin表示种群中适应度最小的值;f′表示进行交叉操作的两个个体中适应度较大的值;
(5)变异操作,主导者群和跟随者群分别按照自适应方法进行变异操作,变异公式如下表示:
式中:Pm1<Pm2<Pm3,Pm1、Pm2和Pm3的取值范围均属于(0,1);
(6)终止,判断是否到达设定的最大遗传代数,如果没有达到,则返回步骤(2);如果达到,则停止迭代,输出最优解;
步骤S112,输出微电网系统的最优容量组合;通过上述多种群遗传粒子群算法,在达到设定的最大遗传代数时结束迭代,此时,可以得出含电动汽车的微电网系统在系统年费用成本最小时的对应的各单元的最佳容量,则此类容量组合能实现经济效益的最大化。
Claims (1)
1.一种基于多种群遗传粒子群算法的含电动汽车的微电网容量优化配置的计算方法,其特征在于,包括以下步骤:
第一步,构建包含电动汽车和间歇式可再生能源的微电网系统结构:
构建的微电网系统结构主要由以下5部分组成:风力发电模块、光伏发电系统、电动汽车模块、储能电池模块、电网系统;
第二步,建立太阳能光伏发电系统模型:
基于径向基函数神经网络对光伏发电功率进行预测,径向基函数神经网络包括三层:输入层,隐含层,输出层,其中输入层主要包括:日期、日平均风速、日平均相对湿度、日平均太阳辐射、日平均气温,输出层为光伏发电系统的每小时输出功率,用绝对百分误差Δδ来表示预测模型的性能 式中n为预测数据的总数量;Aσ为第σ次的实际数据;Fσ为第σ次的预测数据;
第三步,建立风力发电系统模型:
风力发电预测主要与切入风速、切出风速,风力发电机额定风速和额定功率有关,风力发电系统的输出特性表达式为:
第四步,建立电动汽车和电动汽车充电桩模型:
当电动汽车充电站安装在停车场时,停车场的扩容费用将随着停车容量的增加而增加;扩容费用为电动汽车基础设施成本与增加电能购买成本总和,电动汽车基础设施的成本应该考虑投资成本、运行维护成本;
每年的增加电能购买成本或电能销售利润可表示为式中Rexchange(t)为t时刻电价,Pexchange(t)为t时刻微电网与电网之间交换的电能,为电动汽车基础设施的安装成本,单位为元;为电动汽车基础设施的年度运行维护成本;KEV为安装的电动汽车充电桩数量;rEV为年利率;nEV为折旧年限,T表示机组运行总时间;
第五步,建立公共电网模型:
在单向运行模式下,微电网只能从电网中吸收电能;在双向运行模式下,微电网不仅能从电网中吸收电能,而且还能向电网输出电能;微电网与电网之间的功率限制应满足如下约束:式中表示微电网与电网交换的最小功率限制;表示微电网与电网交换的最大功率限制;表示微电网与电网在t时刻的交换功率;从电网购买电能的价格服从概率密度分布函数式中和分别为t时刻预测的电价和其标准差,为第e次蒙特卡洛试验中t时刻电价的随机变量,其均值为0,标准差为1;
第六步,建立系统年费用成本目标函数:
建立的用于最小化的系统年费用成本的目标函数表示如下:G=g1(X1)+g1(X2),式中G为考虑固定年投资费用g1(X1)和可变的年运行费用g2(X2)的目标函数,X1和X2为优化变量;
固定年投资费用g1(X1)表示为优化变量X1可以表示为X1={M1,M2,...,Mi,...,Mm},式中Mi表示微电网系统中第i种微电源的单元数量;g2(X2)表示微电网系统的可变的年运行费用,优化变量X2可以表示为式中Ui,j和Pi,j分别表示系统中第i种微电源的第j个单元的运行状态和输出功率,其中i≤m,j≤Mm,m为微电网系统中微电源的种类数量,Mm为第m种微电源的单元数量;
系统的年运行和维护成本可表示为式中Rj(t)为t时刻第j个单元的运行成本,Rj(t)=1表示机组处于运行状态,Rj(t)=0表示机组处于停止状态,为第j个单元的维修成本系数;Pj(t)为第j个单元的输出功率,T表示机组运行总时间;
第七步,建立全年负荷缺电概率目标模型:
将一年划分为8760h,认为在每个时间段内风速、光照强度、基础负荷及电动汽车的充电需求均为恒定的,每隔一小时计算一次缺电概率;全年负荷缺电概率可用如下公式表示:
式中:CALOR表示全年负荷缺电概率,CLack表示缺电量,CLoad表示负荷需求,表示t时刻基础负荷,表示t时刻接入微电网的电动汽车提供的电能,表示t时刻光伏电池板提供的电能,表示t时刻风力发电机提供的电能,表示t时刻储能电池提供的电能,表示t时刻接入微电网的电动汽车需求的电能;
第九步,建立约束条件:
式中PPV是光伏阵列的输出功率;PWG是风力发电机的输出功率;PStorage是储能电池的放电功率;Pload是负荷功率;η为高峰期的自给率,反映了可再生能源能对负荷提供多少电能,η越大,表示在高峰期间移至电网的负荷越多;是储能电池的最小放电功率;是储能电池的最大放电功率;ηDesired是高峰期的需求自给率;
第十步,将多目标函数转化成单目标函数;采用判断矩阵法将多目标函数处理成单目标函数,其表达式为:F=min(ω1G+ω2CALOR+ω3Q),式中F为多目标经处理后的单目标函数,ω1、ω2、ω3为各子目标的权重,根据各目标之间的等级关系确定判断矩阵;
第十一步,采用多种群遗传粒子群算法对单目标函数进行优化:
基于多种群遗传粒子群算法求解全局最优解的具体步骤为:
(1)编码和产生初始种群,对微电网系统中的各单元的个数进行整数编码,随机生成预先确定规模的个体;
(2)适应度值评估检测,将目标函数定为适应度函数,计算个体的适应度值,剔除不满足要求的个体,将个体的适应度值进行排序,为了保证较高适应度值的个体更好的发挥作用,选择60%的适应度较好的个体构成主导者群,剩余的个体构成跟随者群;
(3)更新粒子的速度和位置,采用粒子群算法更新主导者群和跟随者群的位置和速度,其中粒子速度和位置更新公式分别为:
vi*,j*(t*+1)=ωvi*,j*(t*)+c1r1[pi*,j*-xi*,j*(t*)]+c2r2[pg,j*-xi*,j*(t*)];
xi*,j*(t*+1)=xi*,j*(t*)+vi*,j*(t*+1);
式中:vi*,j*(t*+1)表示粒子i*在t*+1次迭代中第j*维的速度,i*=1,2,...,N,N表示可行解的数量,j*=1,2,...,g,g表示求解的问题维度;vi*,j*(t*)表示粒子i*在第t*次迭代中第j维的速度,粒子的速度vi*,j*(t*)的区间设置为[-vmax,vmax];ω为惯性权重;c1和c2为正的学习因子;r1和r2为0~1之间均匀分布的随机数,pi*,j*为当前粒子的历史最优解,pg,j*为粒子群的全局历史最优解;xi*,j*(t*+1)表示粒子i*在t*+1次迭代中第j*维的位置;xi*,j*(t*)表示粒子i*在第t*次迭代中第j*维的位置,粒子的位置xi*,j*(t*)的范围设置为[-xmax,xmax],则vmax=k’×xmax,k’的取值范围为[0.1,1];
如果跟随者群产生新粒子的适应度值低于原来粒子时,则按照如下公式更新速度:
v′i*,j*(t*+1)=kvi*,j*(t*)+s{c1r1[pi*,j*-xi,j(t*)]+c2r2[pg,j*-xi*,j*(t*)]};
式中:I表示随机产生的一个G’维向量;表示[1,G’]之间的随机数;h表示在当前粒子的基础上随机改变粒子的速度更新方向,()T表示向量的转置;v′i*,j*(t*+1)表示在当前粒子改变速度更新方向的基础上随机移动一定的步长;
(4)交叉操作,主导者群和跟随者群分别按照自适应方法进行交叉操作,交叉公式如下表示:
式中:Pc1<Pc2<Pc3,Pc1、Pc2和Pc3的取值范围均属于(0,1);fmax表示种群中适应度最大的值;favg表示每代种群中的适应度的平均值;fmin表示种群中适应度最小的值;f′表示进行交叉操作的两个个体中适应度较大的值;
式中:Pm1<Pm2<Pm3,Pm1、Pm2和Pm3的取值范围均属于(0,1);
(6)终止,判断是否到达设定的最大遗传代数,如果没有达到,则返回步骤(2);如果达到,则停止迭代,输出最优解;
第十二步,输出微电网系统的最优容量组合;通过上述多种群遗传粒子群算法,在达到设定的最大遗传代数时结束迭代,此时,可以得出含电动汽车的微电网系统在系统年费用成本最小时的对应的各单元的最佳容量,则此类容量组合能实现经济效益的最大化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710176766.9A CN106887841B (zh) | 2017-03-23 | 2017-03-23 | 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710176766.9A CN106887841B (zh) | 2017-03-23 | 2017-03-23 | 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106887841A CN106887841A (zh) | 2017-06-23 |
CN106887841B true CN106887841B (zh) | 2020-09-11 |
Family
ID=59182196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710176766.9A Expired - Fee Related CN106887841B (zh) | 2017-03-23 | 2017-03-23 | 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106887841B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107846007B (zh) * | 2017-07-03 | 2021-04-02 | 东南大学 | 基于混沌局部搜索的直流配网电源储能双层规划方法 |
CN108964021B (zh) * | 2018-06-25 | 2022-07-01 | 国网陕西省电力公司经济技术研究院 | 一种可入网调频电动汽车容量时空分布特性的控制方法 |
CN109167347B (zh) * | 2018-08-06 | 2022-03-29 | 云南民族大学 | 基于云自适应粒子群多目标电动汽车充放电优化调度方法 |
CN109409574B (zh) * | 2018-09-27 | 2022-02-22 | 深圳供电局有限公司 | 一种负荷波动特性的处理方法 |
CN109510234B (zh) * | 2018-10-23 | 2020-09-18 | 许继集团有限公司 | 一种微电网储能电站的混合储能容量优化配置方法及装置 |
CN109599856B (zh) * | 2018-11-12 | 2023-01-10 | 国网天津市电力公司电力科学研究院 | 一种微网多楼宇中电动汽车充放电管理优化方法及装置 |
CN109784533A (zh) * | 2018-12-13 | 2019-05-21 | 中国电力科学研究院有限公司 | 一种区域能源互联网优化配置方法及系统 |
CN109858103B (zh) * | 2019-01-10 | 2023-10-31 | 杭州市电力设计院有限公司 | 用于配电网的电动汽车充电站负载建模方法 |
CN109685287A (zh) * | 2019-01-14 | 2019-04-26 | 浙江大学 | 增量配电网电源容量多目标优化配置方法 |
CN109888806B (zh) * | 2019-02-28 | 2023-01-03 | 武汉大学 | 一种含电动汽车的微电网储能优化配置方法 |
CN110518597B (zh) * | 2019-05-16 | 2022-01-11 | 北京千驷驭电气有限公司 | 中压网络的无功补偿方法、设备及计算机可读存储介质 |
CN110137957A (zh) * | 2019-05-22 | 2019-08-16 | 贵州大学 | 一种基于直流配电中心的柔性互联配电网削峰填谷方法 |
CN110422074B (zh) * | 2019-08-09 | 2020-11-24 | 郑州轻工业学院 | 一种电动汽车充电负荷估算及充电方式优化方法 |
CN111082444B (zh) * | 2019-11-21 | 2021-07-30 | 南京国电南自电网自动化有限公司 | 一种多移动储能车路径规划方法、系统及装置 |
CN113077071A (zh) * | 2020-01-06 | 2021-07-06 | 南京邮电大学 | 考虑电动汽车充电站全生命周期的风光储容量配置方法 |
CN111639866B (zh) * | 2020-06-03 | 2024-01-26 | 国网上海市电力公司 | 基于遗传算法的储能充电站的储能容量的配置方法 |
CN111709662A (zh) * | 2020-06-23 | 2020-09-25 | 四川中电启明星信息技术有限公司 | 一种基于大数据的电动汽车充电场站定容方法 |
CN112365076B (zh) * | 2020-11-19 | 2023-06-20 | 西安建筑科技大学 | 一种并联冷机负荷分配优化方法、存储介质及计算设备 |
CN112491041B (zh) * | 2020-11-20 | 2023-02-07 | 西安热工研究院有限公司 | 一种储能混合微电网混合线性经济性规划方法 |
CN113013909A (zh) * | 2021-04-22 | 2021-06-22 | 湘潭大学 | 一种基于平抑牵引的储能容量改进方法 |
CN113098075B (zh) * | 2021-05-24 | 2022-07-12 | 广东电网有限责任公司 | 光伏消纳能力的分析方法、装置、电子设备及存储介质 |
CN113937811B (zh) * | 2021-10-14 | 2023-12-12 | 中国科学院广州能源研究所 | 一种多能耦合配电系统优化调度方法 |
CN114734881B (zh) * | 2022-05-07 | 2023-12-12 | 苏州市华昌能源科技有限公司 | 一种用于氢电混合动力系统的容量优化配置方法 |
CN115189413B (zh) * | 2022-05-17 | 2023-05-23 | 龙岩市海德馨汽车有限公司 | 大功率集群并机/并网智能微电网的控制方法 |
CN117635220B (zh) * | 2024-01-26 | 2024-05-24 | 南京邮电大学 | 一种电动出租车充电成本优化方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000116003A (ja) * | 1998-09-29 | 2000-04-21 | Kansai Electric Power Co Inc:The | 電圧無効電力制御方法 |
CN103077429A (zh) * | 2013-01-10 | 2013-05-01 | 华北电力大学 | 含风光发电与电动汽车换电站的孤立微电网容量优化方法 |
CN104239961A (zh) * | 2014-07-16 | 2014-12-24 | 广东工业大学 | 一种基于纵横交叉算法的电力系统经济调度优化方法 |
CN105226691A (zh) * | 2015-11-11 | 2016-01-06 | 重庆大学 | 一种孤立微电网混合储能优化配置方法 |
CN105811409A (zh) * | 2016-04-28 | 2016-07-27 | 上海电力学院 | 一种含电动汽车混合储能系统的微网多目标运行调度方法 |
CN106026152A (zh) * | 2016-05-19 | 2016-10-12 | 合肥工业大学 | 一种电动汽车接入微电网的充放电调度方法 |
CN106096773A (zh) * | 2016-06-07 | 2016-11-09 | 三峡大学 | 一种电动汽车充当储能的多目标优化调度方法 |
CN106451550A (zh) * | 2016-11-10 | 2017-02-22 | 三峡大学 | 一种基于改进次梯度粒子群的微电网并网优化调度方法 |
-
2017
- 2017-03-23 CN CN201710176766.9A patent/CN106887841B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000116003A (ja) * | 1998-09-29 | 2000-04-21 | Kansai Electric Power Co Inc:The | 電圧無効電力制御方法 |
CN103077429A (zh) * | 2013-01-10 | 2013-05-01 | 华北电力大学 | 含风光发电与电动汽车换电站的孤立微电网容量优化方法 |
CN104239961A (zh) * | 2014-07-16 | 2014-12-24 | 广东工业大学 | 一种基于纵横交叉算法的电力系统经济调度优化方法 |
CN105226691A (zh) * | 2015-11-11 | 2016-01-06 | 重庆大学 | 一种孤立微电网混合储能优化配置方法 |
CN105811409A (zh) * | 2016-04-28 | 2016-07-27 | 上海电力学院 | 一种含电动汽车混合储能系统的微网多目标运行调度方法 |
CN106026152A (zh) * | 2016-05-19 | 2016-10-12 | 合肥工业大学 | 一种电动汽车接入微电网的充放电调度方法 |
CN106096773A (zh) * | 2016-06-07 | 2016-11-09 | 三峡大学 | 一种电动汽车充当储能的多目标优化调度方法 |
CN106451550A (zh) * | 2016-11-10 | 2017-02-22 | 三峡大学 | 一种基于改进次梯度粒子群的微电网并网优化调度方法 |
Non-Patent Citations (1)
Title |
---|
含有微电网与电动汽车充电设施的配电网规划;韩洪兴;《中国优秀硕士学位论文全文数据库 工程科技II辑(月刊)》;20130315;1-56 * |
Also Published As
Publication number | Publication date |
---|---|
CN106887841A (zh) | 2017-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106887841B (zh) | 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法 | |
Xu et al. | Data-driven configuration optimization of an off-grid wind/PV/hydrogen system based on modified NSGA-II and CRITIC-TOPSIS | |
Shahrabi et al. | Developing optimal energy management of energy hub in the presence of stochastic renewable energy resources | |
CN102623989B (zh) | 一种间歇分布式电源优化配置方法 | |
Papadopoulos et al. | Improving the utilization factor of a PEM electrolyzer powered by a 15 MW PV park by combining wind power and battery storage–Feasibility study | |
CN106936147A (zh) | 一种基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法 | |
CN109103926A (zh) | 基于多辐照特性年气象场景的光伏发电接纳能力计算方法 | |
Ahmadi et al. | Multi-objective stochastic techno-economic-environmental optimization of distribution networks with G2V and V2G systems | |
CN110807588B (zh) | 一种多能源耦合综合能源系统的优化调度方法 | |
CN112583017B (zh) | 考虑储能运行约束的混合微电网能量分配方法及系统 | |
CN106022597A (zh) | 含光伏智能小区电动汽车与可控负荷两阶段优化调度方法 | |
Kong et al. | Optimization of the hybrid solar power plants comprising photovoltaic and concentrating solar power using the butterfly algorithm | |
CN112550047B (zh) | 一种充光储一体化充电站优化配置方法和装置 | |
CN113224758A (zh) | 光储充电站的储能充放电的控制方法、系统、设备及介质 | |
Fan et al. | Two-layer collaborative optimization for a renewable energy system combining electricity storage, hydrogen storage, and heat storage | |
CN116061742B (zh) | 一种分时电价光伏园区内电动汽车的充电控制方法和系统 | |
Liu et al. | Multi-scenario analysis and collaborative optimization of a novel distributed energy system coupled with hybrid energy storage for a nearly zero-energy community | |
CN116187173A (zh) | 一种区域综合能源系统双层优化方法及系统 | |
CN116307505A (zh) | 一种企业微电网能量经济优化调度方法 | |
Wen et al. | ELCC-based capacity value estimation of combined wind-storage system using IPSO algorithm | |
CN110391677A (zh) | 一种基于电力市场环境的水光蓄混合系统运行优化方法 | |
Zhao et al. | Multi-objective bi-level planning of the integrated energy system considering uncertain user loads and carbon emission during the equipment manufacturing process | |
Ramoji et al. | Optimum Design of a Hybrid PV/Wind Energy System Using Genetic Algorithm (GA) | |
CN111555364A (zh) | 一种使用改进的灰狼优化器的微电网能量管理方法 | |
Bao et al. | Genetic algorithm based optimal capacity allocation for an independent wind/pv/diesel/battery power generation system |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200911 |