CN107451686A - 考虑随机预测误差的遗传算法的微电网能源优化方法 - Google Patents

考虑随机预测误差的遗传算法的微电网能源优化方法 Download PDF

Info

Publication number
CN107451686A
CN107451686A CN201710587263.0A CN201710587263A CN107451686A CN 107451686 A CN107451686 A CN 107451686A CN 201710587263 A CN201710587263 A CN 201710587263A CN 107451686 A CN107451686 A CN 107451686A
Authority
CN
China
Prior art keywords
mrow
msub
micro
capacitance sensor
power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710587263.0A
Other languages
English (en)
Other versions
CN107451686B (zh
Inventor
汪新武
张少军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Shuang Xin Electric Technology Co Ltd
Original Assignee
Guangdong Shuang Xin Electric Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Shuang Xin Electric Technology Co Ltd filed Critical Guangdong Shuang Xin Electric Technology Co Ltd
Priority to CN201710587263.0A priority Critical patent/CN107451686B/zh
Publication of CN107451686A publication Critical patent/CN107451686A/zh
Application granted granted Critical
Publication of CN107451686B publication Critical patent/CN107451686B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Secondary Cells (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种考虑随机预测误差的遗传算法的微电网能源优化方法。本发明包括以下步骤：步骤1、建立微电网能源管理优化目标，设计微电网安全系数指标；通过线性加权求和法整合微电网能源管理优化目标；步骤2、初始化种群，进行全寿命周期运行仿真，设计遗传算法的两种交叉策略并进行优化操作；步骤3、建立考虑随机预测误差和随机遗传灾变的改进遗传算法的微网能源管理优化模型。本发明不但要考虑传统遗传算法中繁殖、基因交叉、基因突变和劣者淘汰等过程,还着重新添了两种交叉策略、种群随机灾变和敏感性变化对微网能源管理优化的影响；本发明在实际应用中有更快的收敛速度、更好的适应性和更强的鲁棒性。

Description

考虑随机预测误差的遗传算法的微电网能源优化方法
技术领域
本发明涉及微电网综合能源系统的管理优化，属于智能微电网领域，具体涉及考虑随机预测误差的遗传算法的微电网能源优化方法。
技术背景
社会与经济的可持续发展需要合理的能源结构提供强力支撑和保障,在常规能源日益减少和环境污染日益恶化的大背景下,以可再生分布式能源为主的微电网系统的开发和利用已经在全球范围内蓬勃发展,实现能源的可持续利用和经济社会的和谐发展。在设计微电网能量管理优化方案时，通过综合考虑微电网内的用电需求、基于气候状况的可再生能源发电能力、运行费用及电价、电能质量要求、需求侧管理等情况，应用线性加权求和法，将微电网的全寿命周期成本、可再生能源渗透率和环境效益指标进行加权计算，得到微电网能源管理优化目标；在微网能源管理优化模型中，不但要考虑传统遗传算法中繁殖、基因交叉、基因突变和劣者淘汰等过程,还着重新添了两种交叉策略、种群随机灾变和敏感性变化对微网能源管理优化的影响；考虑到微电网能源管理优化方案的制定和实施时，不可避免的存在随机预测误差以及误差传递影响因素，因而在微网能源管理系统中考虑了负荷和可再生能源功率的小随机预测误差，以及大随机预测误差下储能系统和联络线传输功率的情况。考虑随机预测误差敏感性分析的改进遗传算法的微电网能源管理优化方案研究在实际应用中有更快的收敛速度、更好的适应性和更强的鲁棒性，具有十分重要的理论与现实意义。
发明内容
本发明要解决的问题是，克服现有遗传算法在微电网能源管理优化中的不足，提供一种考虑随机预测误差的遗传算法的微电网能源优化方法。
本发明兼顾了微电网的全寿命周期成本、可再生能源渗透率和环境效益指标等因素，同时还将负荷和可再生能源功率的随机预测误差以及随机遗传灾变加入到改进的遗传算法之中，通过各参数的敏感性分析进行滚动修正，改进遗传过程，最大程度地优化微电网能源调度指令，提高微电网可再生能源的利用率。
本发明解决其技术问题所采用的技术方案包括以下步骤：
步骤1、建立微电网能源管理优化目标，设计微电网安全系数指标；
选择合适的指标评定微电网的性能，通过线性加权求和法整合微电网能源管理优化目标；
综合考虑微电网内的一系列约束条件，设计微电网安全系数指标，用于对微电网运行状态的定量分类。
步骤2、初始化种群，进行全寿命周期运行仿真，设计遗传算法的两种交叉策略并进行优化操作；
初始化种群，检验每一个个体是否满足微网安全性要求，再针对每个个体进行全寿命周期运行仿真，设计遗传算法的两种交叉策略，即采用K-means算法划分若干个子种群，子种群单独或者跨种群随机杂交进行遗传进化，子代合并选优进行第二次交叉进化，将两次产生的子代进行整合选优，判断收敛性。
步骤3、建立微网能源管理优化模型；
建立考虑随机预测误差和随机遗传灾变的改进遗传算法的微网能源管理优化模型。在收敛性判断后，需要考虑负荷和可再生能源功率的随机预测误差大小，进行误差传递的状态分析，根据微电网约束条件，确定微电网误差指标，并对可靠性参数、经济性参数、运行参数、优化目标权系数等进行敏感性分析，实现微电网能源管理系统性能进行滚动修正。另外，考虑随机遗传灾变，对种群进行灾变操作，给进化过程中的种群施加较大扰动，使其脱离局部最优点，重新开始进行搜索。
本发明中，所述步骤(1)是通过下述方式实现的：
1-1.从经济效益、能源效益和环境效益3个指标来评定微电网的性能，提出微电网能源管理优化目标，具体实现方式如下：
从经济效益出发，考虑微电网全寿命周期成本C，其中包括了安装成本、运行成本、维护成本和置换成本。
能源效益用可再生能源能量渗透率来表征，为可再生能源实际发电量与负荷用电量的比值。
其中，λRE是微电网可再生能源能量渗透率；是微网可再生能源年发电量,单位kWh；Eload是微网年用电量,单位kWh；EWT,i和EPV,i是风力发电和光伏发电的发电量,单位kWh。
环境效益用污染物排放量来表示，其中发电机排放的污染物主要包括CO2、CO、SO2、NOx(氛氧化合物)和粉尘,且排放量与输出功率成正比。
其中，Q是微网污染物排放总量单位kg；n是微网的寿命周期,单位年；PD,j,h是发电机的输出功率,单位kg；ξCO、ξDust是发电机的CO2、CO、SO2、NOx和粉尘排放系数,单位kg/kW；ω1、ω2、ω3、ω4、ω5是污染物权重,用以区分不同污染物的环境危害等级。
为体现经济效益、能源效益和环境效益，在微电网能源管理模型中以全寿命周期成本、可再生能源渗透率和污染物排放量作为优化目标，采用线性加权求和法转化为单目标优化问题。首先，需要统一多个优化目标的量纲，也就是将全寿命周期成本转换为单位发电成本,即在微网寿命周期内IkWh电量所消耗的成本：同理,将微网全寿命周期内的污染物排放总量转换为污染物单位排放量,即在微网寿命周期内IkWh电量所产生的污染物：由于目标函数采用最小值形式，而可再生能源能量渗透率越大环保效益越高,所以微电网能源管理优化目标中可再生能源渗透率采用倒数形式。因此，微电网能源管理优化模型的目标函数表达式为：
其中，Cst是主网单位发电成本,单位元/kWh；Qst是主网污染物单位排放量,单位kg/kWh；k1、k2、k3是优化目标权系数，并满足k1+k2+k3＝0。
其次，需要进行权系数的优化和取值，经过统一量纲后,权系数满足k1+k2+k3＝0,但是不同的权系数组合对微电网能源管理优化结果影响较大,需要考虑权系数设置。本发明采用权系数的敏感性分析，通过负荷和分布式能源功率随机预测误差所产生的微网误差系数因子，以滚动修正权系数比重。
1-2.根据微电网的约束条件，设计合适的安全系数指标，进行微电网运行状态的定量分类，具体实现方式如下：
对于微电网内进行约束性分析，综合考虑微电网内的用电需求、基于气候状况的可再生能源发电能力、运行费用及电价、电能质量要求、需求侧管理等情况，提取微电网能源管理系统中关于功率平衡约束、可控机组出力约束、联络线传输功率约束、储能系统充放电约束等一系列约束条件。为了描述系统的可靠性，提出了微电网安全系数指标，以给出微电网的过剩发电容量。
其中，SRE为微电网安全系数指标，PBT、PWT、PPV、PDE分别代表了储能系统、风力发电、光伏发电、可控机组的额定输出功率，Pload，max为系统峰荷功率。根据微电网系统的可靠性要求，可以设置不同级别的安全系数，进行状态定量分类。
其中，SRE,1、SRE,2、SRE,3是微电网不同级别的安全系数。
本发明中，所述步骤(2)是通过下述方式实现的：
2-1.初始化种群和优化目标，对每个个体进行安全性评价，运行全寿命周期仿真，具体实现方式如下：
2-1-1.根据光伏发电额定功率、风力发电额定功率、可控机组额定功率、储能系统额定功率和额定容量，即[PPVn、PWTn、PDEn、PBTn、SBTn]，通过编码形成基因序列。同时，合理设置优化目标函数系数k1、k2、k3，并满足k1+k2+k3＝0。还需要设置梯度微电网安全系数SRE,1_min、SRE,2_min、SRE,3_min，检验每个个体是否满足微网安全性要求。删除不满足安全性要求的个体，重新生成新个体，以满足种群数量要求。
2-1-2.将全寿命周期内的风光出力和负荷数据作为输入数据,基于微电网运行策略,获得微网全寿命周期的运行仿真数据,包括每个时段的光伏发电功率、风力发电功率、可控机组功率、储能系统充放电功率和能量状态及发电量数据等。针对每个个体进行全寿命周期运行仿真,从而获得每个微网能源管理方案对应的全寿命周期运行情况。不同的风光出力和负荷数据特性,以及不同的微网运行策略都会影响全寿命周期运行情况。
2-2.在遗传算法中设计两种交叉策略，进行优化操作，具体实现方式如下：
2-2-1.利用K-means聚类算法将原始种群划分为若干个子种群，其具体操作过程如下：先随机选取K个个体作为初始的聚类中心，然后计算剩余个体与各聚类中心之间的海明距离，把每个个体分配给距离它最近的聚类中心。聚类中心及其分配到的个体就代表一个子种群。当所有个体都被分配后，每个子种群的聚类中心会根据聚类中现有的个体被重新计算，不断重复K-means聚类算法直到所有群体不再发生变化。
2-2-2.对划分得到的若干子种群，进行第一次交叉进化。
首先，在每个子种群内按照随机性原则抽取三组个体，其中两组个体进行种群内部繁殖交叉，产生子代A1,另一组个体随机与其他子种群的个体进行基因交叉，产生子代A2，以实现种群单独或者跨种群随机杂交的遗传进化。将子代A1和A2合并成种群A,并对其中个体按照指定的变异概率a进行变异操作。
其次，将种群A进行第二次交叉进化，即在种群A中随机抽取两组个体进行基因交叉操作，其中包括按照指定概率b发生的翻转交叉和单点交叉两种交叉方式。第二次交叉进化得到的子代B按照指定的变异概率a进行变异操作，将种群A和种群B合并成种群C，计算每个个体的适应度并按照降序排列，采用轮盘赌择优方式从种群C中选出规定数量的个体组成新的种群N，进行收敛性检验，如果满足收敛条件，则输出结果。如果未满足收敛条件，则需要考虑随机预测误差和随机遗传灾变所带来的遗传影响，修正遗传过程，进而开始新的一轮进化过程。
所述的收敛条件包括最大迭代次数和适应度函数变化率,如果达到最大迭代次数,输出当前最优配置方案；如果适应度函数变化率小于设定值,认为已经寻找到最优配置方案。
本发明中，所述步骤(3)是通过下述方式实现的：
3-1.通过考虑随机预测误差来确定误差指标，对微电网中各参数进行敏感性分析从而修正微网能源管理优化参数，具体实现方式如下：
3-1-1.在遗传算法收敛判断之后，需要考虑负荷和可再生能源功率的随机预测误差大小。在微电网运行过程中，负荷和可再生能源的实际功率PLRE(t)几乎总是和预测功率不尽相同，并且两者之间的随机预测误差ΔPLRE(t)近似服从标准正态分布；，。根据概率数学理论中正态分布的特性，随机变量ΔPLRE(t)的值以一个很大的概率落在区间(-3σLRE(t),3σLRE(t))内，公式如下所示：
上式表明在绝大多数情况下(99.74％)，微电网运行过程中负荷和可再生能源功率的随机预测误差将会落在(-3σLRE(t),3σLRE(t))误差区间里。由于负荷、光伏、风机的预测误差之间是相互独立的随机变量，并且都服从正态分布。因此根据正态分布连续函数的卷积公式，能够得到：
为了研究负荷和可再生能源功率的随机预测误差带来的影响，假设参数δ(t)为变异系数，公式如下所示：
对任意t∈Tset随机变量Pn拍t(t)服从正态分布因而拥有T个影响因子，在测量和预测负荷及可再生能源功率时存在一些共同的因素来影响预测的值，例如温度、空气密度和湿度等等。因此离散时间序列的功率预测值在每个离散的点上在一定程度上是相关的，这个T元随机变量Pnet(t)整体上服从T维正态分布，并且各离散点的功率值大小相关程度可以由随机变量Pnet(t)的协方差误差矩阵的非对角元素反映。
Pnet *＝[Pnet(t1)，Pnet(t2)，…，Pnet(tT)] (12)
μnet *＝[μnet(t1)，μnet(t2)，…，μnet(tT)] (13)
Enet是净负荷的T×T维协方差误差矩阵同时也是实对称正定矩阵，COV(Pnet(ti)*Pnet(tj))为净负荷Pnet(t)分别在时刻ti和tj时两者之间的协方差，ρij为净负荷的相关系数。
在微电网运行过程中，负荷和可再生能源的实际功率与预测信息几乎总是不相等的，即因此在t∈Tset时间里，负荷和可再生能源随机预测误差会由ΔPload(t)，ΔPWT(t)，ΔPPV(t)传递到Pnet(t)，然后通过误差作用于功率平衡约束、可控机组出力约束、联络线传输功率约束、储能系统充放电约束等微电网约束条件上，最后随机预测误差会影响微电网能源管理优化目标函数的权系数上。
3-1-2.绝大多数情况下，负荷及可再生能源实际的功率值与预测的值之间差值会落在(-3σLRE(t),3σLRE(t))区间以内，然而仍然有0.53％的可能性这个差值落在这个误差范围之外，假设这种情况为大随机预测误差。由于天气等的随机因素不大可能发生骤变，大随机预测误差的协方差矩阵与之前小随机预测误差相似，但是其非对角项元素很多都变得不为零，对微电网能源管理系统产生了严重的不利影响，使得储能系统的SOC更大几率的越过下限，破坏储能装置的正常工作，更有甚者，可能导致联络线不能进行传输工作，使得微电网进入孤岛运行模式。
3-1-3.通过对微电网能量管理优化目标函数权系数的敏感性分析，可以能够得到随机预测误差对于k1、k2、k3的影响情况。其中，k1表示微网全寿命周期成本情况，与ΔPload(t)，ΔPWT(t)，ΔPPV(t)紧密相关，可以表示为：
而k2与可再生能源能量渗透率有关，主要受到ΔPBT(t)的影响；k3表示微电网污染物排放量情况，与可控机组的输出功率有关，主要受到ΔPDE(t)的影响。由于负荷和可再生能源功率的随机预测误差对于ΔPBT(t)、ΔPDE(t)影响程度不大，因此k2、k3变化的幅度并不明显，在全过程中只出现随机小波动，但是要满足k1+k2+k3＝0的约束条件。将敏感性分析得到的优化目标权系数带入到原目标函数中进行滚动修正，即将敏感性分析得到的优化目标权系数带入到公式3中进行滚动修正，以达到每一次遗传进化都可以更加精确，增加其收敛速度与优化程度。
3-2.考虑随机遗传灾变对种群进行灾变操作；
当遗传进化过程中，连续数代的最优个体没有发生变化，算法可能陷入局部最优的困境，需要随机遗传灾变使其跳出局部极值的束缚。种群进行灾变操作，就是对进化过程中的种群施加较大扰动，使其脱离局部最优点，重新开始进行搜索。
具体操作为：记录种群遗传进化中最优个体没有发生变化的叠加状态，进行相识度适应值评价，判断是否达到叠加状态的极限情况；如果超过叠加上限，则开始进行遗传灾变操作：只保留最优解，淘汰其余个体，重新生成新个体，遗传收敛条件(即最大迭代次数和适应度函数变化率)按照一定比例进行刷新，尽快摆脱局部状态。
与现有的技术相比，本发明的有益效果是：
在设计微电网能量管理优化方案时，通过综合考虑微电网内的用电需求、基于气候状况的可再生能源发电能力、运行费用及电价、电能质量要求、需求侧管理等情况，应用线性加权求和法，将微电网的全寿命周期成本、可再生能源渗透率和环境效益指标进行加权计算，得到微电网能源管理优化目标；在微网能源管理优化模型中，不但要考虑传统遗传算法中繁殖、基因交叉、基因突变和劣者淘汰等过程,还着重新添了两种交叉策略、种群随机灾变和敏感性变化对微网能源管理优化的影响；考虑到微电网能源管理优化方案的制定和实施时，不可避免的存在随机预测误差以及误差传递影响因素，因而在微网能源管理系统中考虑了负荷和可再生能源功率的小随机预测误差，以及大随机预测误差下储能系统和联络线传输功率的情况。考虑随机预测误差敏感性分析的改进遗传算法的微电网能源管理优化方案研究在实际应用中有更快的收敛速度、更好的适应性和更强的鲁棒性。
附图说明
图1是本发明流程图。
具体实施方式
以下结合附图对本发明的原理和具体执行方法进行描述。
如图1所示，考虑随机预测误差的遗传算法的微电网能源优化方法，其具体流程包括：
(1)建立微电网能源管理优化目标，设计微电网安全系数指标；
(2)初始化种群，进行全寿命周期运行仿真，设计遗传算法的两种交叉策略并进行优化操作；
(3)研究考虑随机预测误差和随机遗传灾变的改进遗传算法的微网能源管理优化模型；
进一步，所述步骤(1)包括：
选择合适的指标评定微电网的性能，通过线性加权求和法整合微电网能源管理优化目标，综合考虑微电网内的一系列约束条件，设计微电网安全系数指标，用于对微电网运行状态的定量分类。
1)从经济效益、能源效益和环境效益3个指标来评定微电网的性能，提出微电网能源管理优化目标，具体实现方式如下：
从经济效益出发，考虑微电网全寿命周期成本C，其中包括了安装成本、运行成本、维护成本和置换成本。能源效益可以用可再生能源能量渗透率来表征，为可再生能源实际发电量与负荷用电量的比值。
其中，λRE是微电网可再生能源能量渗透率；是微网可再生能源年发电量,单位kWh；Eload是微网年用电量,单位kWh；EwT,i和EPV,i是风力发电和光伏发电的发电量,单位kWh。
环境效益可以用污染物排放量来表示，其中发电机排放的污染物主要包括CO2、CO、SO2、NOx(氛氧化合物)和粉尘,且排放量与输出功率成正比。
其中，Q是微网污染物排放总量单位kg；n是微网的寿命周期,单位年；PD,j,h是发电机的输出功率,单位kg；ξCO、ξDust是发电机的CO2、CO、SO2、NOx和粉尘排放系数,单位kg/kW；ω1、ω2、ω3、ω4、ω5是污染物权重,用以区分不同污染物的环境危害等级。
为体现经济效益、能源效益和环境效益，在微电网能源管理模型中以全寿命周期成本、可再生能源渗透率和污染物排放量作为优化目标，采用线性加权求和法转化为单目标优化问题。首先，需要统一多个优化目标的量纲，也就是将全寿命周期成本转换为单位发电成本,即在微网寿命周期内IkWh电量所消耗的成本：同理,将微网全寿命周期内的污染物排放总量转换为污染物单位排放量,即在微网寿命周期内IkWh电量所产生的污染物：由于目标函数采用最小值形式，而可再生能源能量渗透率越大环保效益越高,所以微电网能源管理优化目标中可再生能源渗透率采用倒数形式。因此，微电网能源管理优化模型的目标函数表达式为：
其中，Cst是主网单位发电成本,单位元/kWh；Qst是主网污染物单位排放量,单位kg/kWh；k1、k2、k3是优化目标权系数，并满足k1+k2+k3＝0。
其次，需要进行权系数的优化和取值，经过统一量纲后,权系数满足k1+k2+k3＝0,但是不同的权系数组合对微电网能源管理优化结果影响较大,需要考虑权系数设置。本发明采用权系数的敏感性分析，通过负荷和分布式能源功率随机预测误差所产生的微网误差系数因子，以滚动修正权系数比重。
2)根据微电网的约束条件，设计合适的安全系数指标，进行微电网运行状态的定量分类，具体实现方式如下：
对于微电网内进行约束性分析，综合考虑微电网内的用电需求、基于气候状况的可再生能源发电能力、运行费用及电价、电能质量要求、需求侧管理等情况，提取微电网能源管理系统中关于功率平衡约束、可控机组出力约束、联络线传输功率约束、储能系统充放电约束等一系列约束条件。为了描述系统的可靠性，提出了微电网安全系数指标，以给出微电网的过剩发电容量。
其中，SRE为微电网安全系数指标，PBT、PWT、PPV、PDE分别代表了储能系统、风力发电、光伏发电、可控机组的额定输出功率，Pload，max为系统峰荷功率。根据微电网系统的可靠性要求，可以设置不同级别的安全系数，进行状态定量分类。
其中，SRE,1、SRE,2、SRE,3是微电网不同级别的安全系数。
进一步，所述步骤(2)包括：
初始化种群，检验每一个个体是否满足微网安全性要求，再针对每个个体进行全寿命周期运行仿真，设计遗传算法的两种交叉策略，即采用K-means算法划分若干个子种群，种群单独或者跨种群随机杂交进行遗传进化，子代合并选优进行第二次交叉进化，将两次产生的子代进行整合选优，判断收敛性。
1)初始化种群和优化目标，对每个个体进行安全性评价，运行全寿命周期仿真，具体实现方式如下：
根据光伏发电额定功率、风力发电额定功率、可控机组额定功率、储能系统额定功率和额定容量，即[PPVn、PWTn、PDEn、PBTn、SBTn]，通过编码形成基因序列。同时，合理设置优化目标函数系数k1、k2、k3，并满足k1+k2+k3＝0。还需要设置梯度微电网安全系数SRE,1_min、SRE,2_min、SRE,3_min，检验每个个体是否满足微网安全性要求。删除不满足安全性要求的个体，重新生成新个体，以满足种群数量要求。将全寿命周期内的风光出力和负荷数据作为输入数据,基于微电网运行策略,获得微网全寿命周期的运行仿真数据,包括每个时段的光伏发电功率、风力发电功率、可控机组功率、储能系统充放电功率和能量状态及发电量数据等。针对每个个体进行全寿命周期运行仿真,就可以获得每个微网能源管理方案对应的全寿命周期运行情况。不同的风光出力和负荷数据特性,以及不同的微网运行策略都会影响全寿命周期运行情况。
2)在遗传算法中设计两种交叉策略，进行优化操作，具体实现方式如下：
设计遗传算法的两种交叉进化策略，首先利用K-means聚类算法将原始种群划分为若干个子种群，其具体操作过程如下：先随机选取K个对象作为初始的聚类中心，然后计算每个个体与各聚类中心之间的海明距离，把每个个体分配给距离它最近的聚类中心。聚类中心以及分配给它们的个体就代表一个子种群。一旦全部个体都被分配了，每个种群的聚类中心会根据聚类中现有的个体被重新计算。这个过程不断重复直到所有群体不再发生变化。
对划分得到的若干子种群，进行第一次交叉进化。在每个子种群内按照随机性原则抽取三组个体，其中两组个体进行种群内部繁殖交叉，产生子代A1,另一组个体随机与其他组个体进行基因交叉，产生子代A2，以实现种群单独或者跨种群随机杂交的遗传进化。将子代A1和A2合并成种群A,并对其中个体按照指定的变异概率进行变异操作。
其次，将种群A进行第二次交叉进化，即在种群A中随机抽取两个个体进行基因交叉操作，其中包括按照指定概率发生的翻转交叉和单点交叉两种交叉方式。第二次交叉进化得到的子代B按照指定的变异概率进行变异操作，将种群A和种群B合并成种群C，计算每个个体的适应度并按照降序排列，采用轮盘赌择优方式从种群C中选出规定数量的个体组成新的种群N，进行收敛性检验，如果满足收敛条件，则输出结果。收敛条件包括最大迭代次数和适应度函数变化率,如果达到最大迭代次数,输出当前最优配置方案；如果适应度函数变化率小于设定值,认为已经寻找到最优配置方案。如果未满足收敛条件，则需要考虑随机预测误差和随机遗传灾变所带来的遗传影响，修正遗传过程，进而开始新的一轮进化过程。
进一步，所述步骤(3)包括：
建立考虑随机预测误差和随机遗传灾变的改进遗传算法的微网能源管理优化模型。在收敛性判断后，需要考虑负荷和可再生能源功率的随机预测误差大小，进行误差传递的状态分析，根据微电网约束条件，确定微电网误差指标，并对可靠性参数、经济性参数、运行参数、优化目标权系数等进行敏感性分析，实现微电网能源管理系统性能进行滚动修正。另外，考虑随机遗传灾变，对种群进行灾变操作，给进化过程中的种群施加较大扰动，使其脱离局部最优点，重新开始进行搜索。
1)考虑随机预测误差，确定误差指标，对微电网中各参数进行敏感性分析，修正微网能源管理优化参数，具体实现方式如下：
在遗传算法收敛判断之后，需要考虑负荷和可再生能源功率的随机预测误差大小。在微电网运行过程中，负荷和可再生能源的实际功率PLRE(t)几乎总是和预测功率不尽相同，并且两者之间的随机预测误差ΔPLRE(t)近似服从标准正态分布，。根据概率数学理论中正态分布的特性，随机变量ΔPLRE(t)的值以一个很大的概率落在区间(-3σLRE(t),3σLRE(t))内，公式如下所示：
上式表明在绝大多数情况下(99.74％)，微电网运行过程中负荷和可再生能源功率的随机预测误差将会落在(-3σLRE(t),3σLRE(t))误差区间里。由于负荷、光伏、风机的预测误差之间是相互独立的随机变量，并且都服从正态分布。因此根据正态分布连续函数的卷积公式，可以得到：
为了研究负荷和可再生能源功率的随机预测误差带来的影响，假设参数δ(t)为变异系数，公式如下所示：
对任意t∈Tset随机变量Pnet(t)服从正态分布因而拥有T个影响因子，在测量和预测负荷及可再生能源功率时存在一些共同的因素来影响预测的值，例如温度、空气密度和湿度等等。因此离散时间序列的功率预测值在每个离散的点上在一定程度上是相关的，这个T元随机变量Pnet(t)整体上服从T维正态分布，并且各离散点的功率值大小相关程度可以由随机变量Pnet(t)的协方差误差矩阵的非对角元素反映。
其中，Pnet *＝[Pnet(t1)，Pnet(t2)，…，Pnet(tT)]，μnet *＝[μnet(t1)，μnet(t2)，…，μnet(tT)],Enet是净负荷的T×T维协方差误差矩阵同时也是实对称正定矩阵，COV(Pnet(ti)*Pnet(tj))为净负荷Pnet(t)分别在时刻ti和tj时两者之间的协方差，ρij为净负荷的相关系数。
在微电网运行过程中，负荷和可再生能源的实际功率与预测信息几乎总是不相等的，即因此在t∈Tset时间里，负荷和可再生能源随机预测误差会由ΔPload(t)，ΔPWT(t)，ΔPPV(t)传递到Pnet(t)，然后通过误差作用于功率平衡约束、可控机组出力约束、联络线传输功率约束、储能系统充放电约束等微电网约束条件上，最后随机预测误差会影响微电网能源管理优化目标函数的权系数上。
绝大多数情况下，负荷及可再生能源实际的功率值与预测的值之间差值会落在(-3σLRE(t),3σLRE(t))区间以内，然而仍然有0.53％的可能性这个差值落在这个误差范围之外，假设这种情况为大随机预测误差。由于天气等的随机因素不大可能发生骤变，大随机预测误差的协方差矩阵与之前小随机预测误差相似，但是其非对角项元素很多都变得不为零，对微电网能源管理系统产生了严重的不利影响，使得储能系统的SOC更大几率的越过下限，破坏储能装置的正常工作，更有甚者，可能导致联络线不能进行传输工作，使得微电网进入孤岛运行模式。
通过对微电网能量管理优化目标函数权系数的敏感性分析，可以得到随机预测误差对于k1、k2、k3的影响情况。其中，k1表示微网全寿命周期成本情况，与ΔPload(t)，ΔPWT(t)，ΔPPV(t)紧密相关，可以表示为：
而k2与可再生能源能量渗透率有关，主要受到ΔPBT(t)的影响；k3表示微电网污染物排放量情况，与可控机组的输出功率有关，主要受到ΔPDE(t)的影响。由于负荷和可再生能源功率的随机预测误差对于ΔPBT(t)、ΔPDE(t)影响程度不大，因此k2、k3变化的幅度并不明显，在全过程中只出现随机小波动，但是要满足k1+k2+k3＝0的约束条件。将敏感性分析得到的优化目标权系数带入到原目标函数中进行滚动修正，以达到每一次遗传进化都可以更加精确，增加其收敛速度与优化程度。
2)考虑随机遗传灾变，对种群进行灾变操作，具体实现方式如下：
当遗传进化过程中，连续数代的最优个体没有发生变化，算法可能陷入局部最优的困境，需要随机遗传灾变使其跳出局部极值的束缚。种群进行灾变操作，就是对进化过程中的种群施加较大扰动，使其脱离局部最优点，重新开始进行搜索。具体操作为：记录种群遗传进化中的叠加状态，进行相识度适应值评价，判断是否达到叠加态的极限情况；如果超过叠加上限，开始进行遗传灾变操作，只保留最优解，其余个体全部淘汰，重新生成新个体，遗传收敛条件按照一定比例进行刷新，尽快摆脱局部状态。
凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.考虑随机预测误差的遗传算法的微电网能源优化方法，其特征在于包括以下步骤：
步骤1、建立微电网能源管理优化目标，设计微电网安全系数指标；
选择合适的指标评定微电网的性能，通过线性加权求和法整合微电网能源管理优化目标；
综合考虑微电网内的一系列约束条件，设计微电网安全系数指标，用于对微电网运行状态的定量分类；
步骤2、初始化种群，进行全寿命周期运行仿真，设计遗传算法的两种交叉策略并进行优化操作；
初始化种群，检验每一个个体是否满足微网安全性要求，再针对每个个体进行全寿命周期运行仿真，设计遗传算法的两种交叉策略，即采用K-means算法划分若干个子种群，子种群单独或者跨种群随机杂交进行遗传进化，子代合并选优进行第二次交叉进化，将两次产生的子代进行整合选优，判断收敛性；
步骤3、建立微网能源管理优化模型；
建立考虑随机预测误差和随机遗传灾变的改进遗传算法的微网能源管理优化模型：在收敛性判断后，需要考虑负荷和可再生能源功率的随机预测误差大小，进行误差传递的状态分析，根据微电网约束条件，确定微电网误差指标，并对可靠性参数、经济性参数、运行参数、优化目标权系数进行敏感性分析，实现微电网能源管理系统性能进行滚动修正；同时考虑随机遗传灾变，对种群进行灾变操作，给进化过程中的种群施加较大扰动，使其脱离局部最优点，重新开始进行搜索。
2.根据权利要求1所述的考虑随机预测误差的遗传算法的微电网能源优化方法，其特征在于所述步骤1具体实现如下：
1-1.从经济效益、能源效益和环境效益3个指标来评定微电网的性能，提出微电网能源管理优化目标，具体实现方式如下：
从经济效益出发，考虑微电网全寿命周期成本C，其中包括了安装成本、运行成本、维护成本和置换成本；
能源效益用可再生能源能量渗透率来表征，为可再生能源实际发电量与负荷用电量的比值；
<mrow> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>R</mi> <mi>F</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>F</mi> <mrow> <mi>R</mi> <mi>E</mi> <mo>,</mo> <mi>i</mi> </mrow> </msub> </mrow> <msub> <mi>F</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>a</mi> <mi>d</mi> </mrow> </msub> </mfrac> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <mrow> <mo>(</mo> <msub> <mi>F</mi> <mrow> <mi>P</mi> <mi>V</mi> <mo>,</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>F</mi> <mrow> <mi>W</mi> <mi>T</mi> <mo>,</mo> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> <msub> <mi>F</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>a</mi> <mi>d</mi> </mrow> </msub> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中，λRE是微电网可再生能源能量渗透率；是微网可再生能源年发电量,单位kWh；Eload是微网年用电量,单位kWh；EWT,i和EPV,i是风力发电和光伏发电的发电量,单位kWh；
环境效益用污染物排放量来表示，其中发电机排放的污染物主要包括CO2、CO、SO2、NOx(氛氧化合物)和粉尘,且排放量与输出功率成正比；
<mrow> <mi>Q</mi> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <mo>{</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>h</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>8760</mn> </msubsup> <msub> <mi>P</mi> <mrow> <mi>D</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>h</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;omega;</mi> <mn>1</mn> </msub> <msub> <mi>&amp;xi;</mi> <mrow> <msub> <mi>CO</mi> <mn>2</mn> </msub> </mrow> </msub> <mo>+</mo> <msub> <mi>&amp;omega;</mi> <mn>2</mn> </msub> <msub> <mi>&amp;xi;</mi> <mrow> <mi>C</mi> <mi>O</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>&amp;omega;</mi> <mn>3</mn> </msub> <msub> <mi>&amp;xi;</mi> <mrow> <msub> <mi>SO</mi> <mn>2</mn> </msub> </mrow> </msub> <mo>+</mo> <msub> <mi>&amp;omega;</mi> <mn>4</mn> </msub> <msub> <mi>&amp;xi;</mi> <mrow> <msub> <mi>NO</mi> <mi>x</mi> </msub> </mrow> </msub> <mo>+</mo> <msub> <mi>&amp;omega;</mi> <mn>5</mn> </msub> <msub> <mi>&amp;xi;</mi> <mrow> <mi>D</mi> <mi>u</mi> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中，Q是微网污染物排放总量单位kg；n是微网的寿命周期,单位年；PD,j,h是发电机的输出功率,单位kg；ξCO、ξDust是发电机的CO2、CO、SO2、NOx和粉尘排放系数,单位kg/kW；ω1、ω2、ω3、ω4、ω5是污染物权重,用以区分不同污染物的环境危害等级；
为体现经济效益、能源效益和环境效益，在微电网能源管理模型中以全寿命周期成本、可再生能源渗透率和污染物排放量作为优化目标，采用线性加权求和法转化为单目标优化问题；首先，需要统一多个优化目标的量纲，也就是将全寿命周期成本转换为单位发电成本,即在微网寿命周期内IkWh电量所消耗的成本：同理,将微网全寿命周期内的污染物排放总量转换为污染物单位排放量,即在微网寿命周期内IkWh电量所产生的污染物：由于目标函数采用最小值形式，而可再生能源能量渗透率越大环保效益越高,所以微电网能源管理优化目标中可再生能源渗透率采用倒数形式；因此，微电网能源管理优化模型的目标函数表达式为：
<mrow> <mi>min</mi> <mi> </mi> <mi>h</mi> <mo>=</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mfrac> <msub> <mi>C</mi> <mn>0</mn> </msub> <msub> <mi>C</mi> <mrow> <mi>s</mi> <mi>t</mi> </mrow> </msub> </mfrac> <mo>+</mo> <msub> <mi>k</mi> <mn>2</mn> </msub> <mfrac> <mn>1</mn> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>R</mi> <mi>E</mi> </mrow> </msub> </mfrac> <mo>+</mo> <msub> <mi>k</mi> <mn>3</mn> </msub> <mfrac> <msub> <mi>Q</mi> <mn>0</mn> </msub> <msub> <mi>Q</mi> <mrow> <mi>s</mi> <mi>t</mi> </mrow> </msub> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
其中，Cst是主网单位发电成本,单位元/kWh；Qst是主网污染物单位排放量,单位kg/kWh；k1、k2、k3是优化目标权系数，并满足k1+k2+k3＝0；
其次，需要进行权系数的优化和取值，经过统一量纲后,权系数满足k1+k2+k3＝0,但是不同的权系数组合对微电网能源管理优化结果影响较大,需要考虑权系数设置；本发明采用权系数的敏感性分析，通过负荷和分布式能源功率随机预测误差所产生的微网误差系数因子，以滚动修正权系数比重；
1-2.根据微电网的约束条件，设计合适的安全系数指标，进行微电网运行状态的定量分类，具体实现方式如下：
对于微电网内进行约束性分析，综合考虑微电网内的用电需求、基于气候状况的可再生能源发电能力、运行费用及电价、电能质量要求、需求侧管理等情况，提取微电网能源管理系统中关于功率平衡约束、可控机组出力约束、联络线传输功率约束、储能系统充放电约束等一系列约束条件；为了描述系统的可靠性，提出了微电网安全系数指标，以给出微电网的过剩发电容量；
<mrow> <msub> <mi>S</mi> <mrow> <mi>R</mi> <mi>F</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>P</mi> <mrow> <mi>B</mi> <mi>T</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>W</mi> <mi>T</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>P</mi> <mi>V</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>D</mi> <mi>E</mi> </mrow> </msub> </mrow> <msub> <mi>P</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>a</mi> <mi>d</mi> <mo>,</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> </mfrac> <mo>-</mo> <mn>1</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
其中，SRE为微电网安全系数指标，PBT、PWT、PPV、PDE分别代表了储能系统、风力发电、光伏发电、可控机组的额定输出功率，Pload，max为系统峰荷功率；根据微电网系统的可靠性要求，可以设置不同级别的安全系数，进行状态定量分类；
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>S</mi> <mrow> <mi>R</mi> <mi>F</mi> <mo>,</mo> <mn>1</mn> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>P</mi> <mrow> <mi>W</mi> <mi>T</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>P</mi> <mi>V</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>D</mi> <mi>E</mi> </mrow> </msub> </mrow> <msub> <mi>P</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>a</mi> <mi>d</mi> <mo>,</mo> <mi>max</mi> </mrow> </msub> </mfrac> <mo>-</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>S</mi> <mrow> <mi>R</mi> <mi>F</mi> <mo>,</mo> <mn>2</mn> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>P</mi> <mrow> <mi>B</mi> <mi>T</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>W</mi> <mi>T</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>P</mi> <mi>V</mi> </mrow> </msub> </mrow> <msub> <mi>P</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>a</mi> <mi>d</mi> <mo>,</mo> <mi>max</mi> </mrow> </msub> </mfrac> <mo>-</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>S</mi> <mrow> <mi>R</mi> <mi>F</mi> <mo>,</mo> <mn>3</mn> </mrow> </msub> <mo>=</mo> <mfrac> <msub> <mi>P</mi> <mrow> <mi>D</mi> <mi>E</mi> </mrow> </msub> <msub> <mi>P</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>a</mi> <mi>d</mi> <mo>,</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> </mfrac> <mo>-</mo> <mn>1</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
其中，SRE,1、SRE,2、SRE,3是微电网不同级别的安全系数。
3.根据权利要求2所述的考虑随机预测误差的遗传算法的微电网能源优化方法，其特征在于所述步骤2是通过下述方式实现的：
2-1.初始化种群和优化目标，对每个个体进行安全性评价，运行全寿命周期仿真，具体实现方式如下：
2-1-1.根据光伏发电额定功率、风力发电额定功率、可控机组额定功率、储能系统额定功率和额定容量，即[PPVn、PWTn、PDEn、PBTn、SBTn]，通过编码形成基因序列；同时，合理设置优化目标函数系数k1、k2、k3，并满足k1+k2+k3＝0；还需要设置梯度微电网安全系数SRE,1_min、SRE,2_min、SRE,3_min，检验每个个体是否满足微网安全性要求；删除不满足安全性要求的个体，重新生成新个体，以满足种群数量要求；
2-1-2.将全寿命周期内的风光出力和负荷数据作为输入数据,基于微电网运行策略,获得微网全寿命周期的运行仿真数据,包括每个时段的光伏发电功率、风力发电功率、可控机组功率、储能系统充放电功率和能量状态及发电量数据等；针对每个个体进行全寿命周期运行仿真,从而获得每个微网能源管理方案对应的全寿命周期运行情况；不同的风光出力和负荷数据特性,以及不同的微网运行策略都会影响全寿命周期运行情况；
2-2.在遗传算法中设计两种交叉策略，进行优化操作，具体实现方式如下：
2-2-1.利用K-means聚类算法将原始种群划分为若干个子种群，其具体操作过程如下：先随机选取K个个体作为初始的聚类中心，然后计算剩余个体与各聚类中心之间的海明距离，把每个个体分配给距离它最近的聚类中心；聚类中心及其分配到的个体就代表一个子种群；当所有个体都被分配后，每个子种群的聚类中心会根据聚类中现有的个体被重新计算，不断重复K-means聚类算法直到所有群体不再发生变化；
2-2-2.对划分得到的若干子种群，进行第一次交叉进化；
首先，在每个子种群内按照随机性原则抽取三组个体，其中两组个体进行种群内部繁殖交叉，产生子代A1,另一组个体随机与其他子种群的个体进行基因交叉，产生子代A2，以实现种群单独或者跨种群随机杂交的遗传进化；将子代A1和A2合并成种群A,并对其中个体按照指定的变异概率a进行变异操作；
其次，将种群A进行第二次交叉进化，即在种群A中随机抽取两组个体进行基因交叉操作，其中包括按照指定概率b发生的翻转交叉和单点交叉两种交叉方式；第二次交叉进化得到的子代B按照指定的变异概率a进行变异操作，将种群A和种群B合并成种群C，计算每个个体的适应度并按照降序排列，采用轮盘赌择优方式从种群C中选出规定数量的个体组成新的种群N，进行收敛性检验，如果满足收敛条件，则输出结果；如果未满足收敛条件，则需要考虑随机预测误差和随机遗传灾变所带来的遗传影响，修正遗传过程，进而开始新的一轮进化过程；
所述的收敛条件包括最大迭代次数和适应度函数变化率,如果达到最大迭代次数,输出当前最优配置方案；如果适应度函数变化率小于设定值,认为已经寻找到最优配置方案。
4.根据权利要求3所述的考虑随机预测误差的遗传算法的微电网能源优化方法，其特征在于所述步骤(3)是通过下述方式实现的：
3-1.通过考虑随机预测误差来确定误差指标，对微电网中各参数进行敏感性分析从而修正微网能源管理优化参数，具体实现方式如下：
3-1-1.在遗传算法收敛判断之后，需要考虑负荷和可再生能源功率的随机预测误差大小；在微电网运行过程中，负荷和可再生能源的实际功率PLRE(t)几乎总是和预测功率不尽相同，并且两者之间的随机预测误差ΔPLRE(t)近似服从标准正态分布；，；根据概率数学理论中正态分布的特性，随机变量ΔPLRE(t)的值以一个很大的概率落在区间(-3σLRE(t),3σLRE(t))内，公式如下所示：
<mrow> <mi>P</mi> <mrow> <mo>(</mo> <mo>|</mo> <mrow> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>L</mi> <mi>R</mi> <mi>F</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mo>|</mo> <mo>&amp;le;</mo> <mn>3</mn> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>L</mi> <mi>R</mi> <mi>F</mi> </mrow> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <mn>0.9974</mn> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>t</mi> <mo>&amp;Element;</mo> <msub> <mi>T</mi> <mrow> <mi>s</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
上式表明在绝大多数情况下(99.74％)，微电网运行过程中负荷和可再生能源功率的随机预测误差将会落在(-3σLRE(t),3σLRE(t))误差区间里；由于负荷、光伏、风机的预测误差之间是相互独立的随机变量，并且都服从正态分布；因此根据正态分布连续函数的卷积公式，能够得到：
<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mi>P</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>~</mo> <mi>N</mi> <mrow> <mo>(</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>a</mi> <mi>d</mi> </mrow> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mi>W</mi> <mi>T</mi> </mrow> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mi>P</mi> <mi>V</mi> </mrow> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>,</mo> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>l</mi> <mi>o</mi> <mi>a</mi> <mi>d</mi> </mrow> <mn>2</mn> </msubsup> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>+</mo> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>W</mi> <mi>T</mi> </mrow> <mn>2</mn> </msubsup> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>+</mo> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>P</mi> <mi>V</mi> </mrow> <mn>2</mn> </msubsup> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <mi>N</mi> <mrow> <mo>(</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>,</mo> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> <mn>2</mn> </msubsup> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>t</mi> <mo>&amp;Element;</mo> <msub> <mi>T</mi> <mrow> <mi>s</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
为了研究负荷和可再生能源功率的随机预测误差带来的影响，假设参数δ(t)为变异系数，公式如下所示：
<mrow> <mi>&amp;delta;</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msub> <mi>&amp;mu;</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mo>|</mo> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> </mfrac> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>t</mi> <mo>&amp;Element;</mo> <msub> <mi>T</mi> <mrow> <mi>s</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
对任意t∈Tset随机变量Pnet(t)服从正态分布因而拥有T个影响因子，在测量和预测负荷及可再生能源功率时存在一些共同的因素来影响预测的值，例如温度、空气密度和湿度等等；因此离散时间序列的功率预测值在每个离散的点上在一定程度上是相关的，这个T元随机变量Pnet(t)整体上服从T维正态分布，并且各离散点的功率值大小相关程度可以由随机变量Pnet(t)的协方差误差矩阵的非对角元素反映；
<mrow> <mtable> <mtr> <mtd> <mrow> <mi>P</mi> <mrow> <mo>(</mo> <msup> <msub> <mi>P</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mo>*</mo> </msup> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msup> <mrow> <mo>(</mo> <mn>2</mn> <mi>&amp;pi;</mi> <mo>)</mo> </mrow> <mrow> <mi>T</mi> <mo>/</mo> <mn>2</mn> </mrow> </msup> <msup> <mrow> <mo>|</mo> <msub> <mi>E</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mo>|</mo> </mrow> <mrow> <mn>1</mn> <mo>/</mo> <mn>2</mn> </mrow> </msup> </mrow> </mfrac> <mi>exp</mi> <mo>{</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <msup> <mrow> <mo>(</mo> <msup> <msub> <mi>P</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mo>*</mo> </msup> <mo>-</mo> <msup> <msub> <mi>&amp;mu;</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mo>*</mo> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mrow> <mo>|</mo> <msub> <mi>E</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mo>|</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>(</mo> <msup> <msub> <mi>P</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mo>*</mo> </msup> <mo>-</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>&amp;mu;</mi> <mi>n</mi> <mi>e</mi> <mi>t</mi> <mo>*</mo> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>E</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;rho;</mi> <mn>12</mn> </msub> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mtable> <mtr> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;rho;</mi> <mrow> <mn>1</mn> <mi>n</mi> </mrow> </msub> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>T</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>&amp;rho;</mi> <mrow> <mn>2</mn> <mi>n</mi> </mrow> </msub> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>T</mi> </msub> <mo>)</mo> </mrow> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> <mn>2</mn> </msubsup> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>T</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>&amp;rho;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <mi>C</mi> <mi>O</mi> <mi>V</mi> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>)</mo> <mo>*</mo> <msub> <mi>P</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mo>(</mo> <msub> <mi>t</mi> <mi>j</mi> </msub> <mo>)</mo> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>*</mo> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>
Pnet *＝[Pnet(t1)，Pnet(t2)，…，Pnet(tT)] (12)
μnet *＝[μnet(t1)，μnet(t2)，…，μnet(tT)] (13)
Enet是净负荷的T×T维协方差误差矩阵同时也是实对称正定矩阵，COV(Pnet(ti)*Pn t(tj))为净负荷Pnet(t)分别在时刻ti和tj时两者之间的协方差，ρij为净负荷的相关系数；
在微电网运行过程中，负荷和可再生能源的实际功率与预测信息几乎总是不相等的，即因此在t∈Tset时间里，负荷和可再生能源随机预测误差会由ΔPload(t)，ΔPWT(t)，ΔPPV(t)传递到Pnet(t)，然后通过误差作用于功率平衡约束、可控机组出力约束、联络线传输功率约束、储能系统充放电约束等微电网约束条件上，最后随机预测误差会影响微电网能源管理优化目标函数的权系数上；
3-1-2.绝大多数情况下，负荷及可再生能源实际的功率值与预测的值之间差值会落在(-3σLRE(t),3σLRE(t))区间以内，然而仍然有0.53％的可能性这个差值落在这个误差范围之外，假设这种情况为大随机预测误差；由于天气等的随机因素不大可能发生骤变，大随机预测误差的协方差矩阵与之前小随机预测误差相似，但是其非对角项元素很多都变得不为零，对微电网能源管理系统产生了严重的不利影响，使得储能系统的SOC更大几率的越过下限，破坏储能装置的正常工作，更有甚者，可能导致联络线不能进行传输工作，使得微电网进入孤岛运行模式；
3-1-3.通过对微电网能量管理优化目标函数权系数的敏感性分析，可以能够得到随机预测误差对于k1、k2、k3的影响情况；其中，k1表示微网全寿命周期成本情况，与ΔPload(t)，ΔPWT(t)，ΔPPV(t)紧密相关，可以表示为：
<mrow> <msup> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>*</mo> </msup> <mo>=</mo> <msub> <mi>C</mi> <mn>1</mn> </msub> <mo>*</mo> <mfrac> <mrow> <msub> <mi>k</mi> <mn>1</mn> </msub> <mi>&amp;delta;</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <msqrt> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> <mo>*</mo> <mrow> <mo>|</mo> <msub> <mi>E</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mo>|</mo> </mrow> </mrow> </msqrt> </mfrac> <mi>exp</mi> <mo>{</mo> <msub> <mi>C</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>P</mi> <mo>(</mo> <msub> <mi>P</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> <mo>)</mo> <mo>-</mo> <mo>&amp;Sigma;</mo> <msub> <mi>&amp;rho;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>14</mn> <mo>)</mo> </mrow> </mrow>
而k2与可再生能源能量渗透率有关，主要受到ΔPBT(t)的影响；k3表示微电网污染物排放量情况，与可控机组的输出功率有关，主要受到ΔPDE(t)的影响；由于负荷和可再生能源功率的随机预测误差对于ΔPBT(t)、ΔPDE(t)影响程度不大，因此k2、k3变化的幅度并不明显，在全过程中只出现随机小波动，但是要满足k1+k2+k3＝0的约束条件；将敏感性分析得到的优化目标权系数带入到原目标函数中进行滚动修正，即将敏感性分析得到的优化目标权系数带入到公式3中进行滚动修正，以达到每一次遗传进化都可以更加精确，增加其收敛速度与优化程度；
3-2.考虑随机遗传灾变对种群进行灾变操作；
当遗传进化过程中，连续数代的最优个体没有发生变化，算法可能陷入局部最优的困境，需要随机遗传灾变使其跳出局部极值的束缚；种群进行灾变操作，就是对进化过程中的种群施加较大扰动，使其脱离局部最优点，重新开始进行搜索；
具体操作为：记录种群遗传进化中最优个体没有发生变化的叠加状态，进行相识度适应值评价，判断是否达到叠加状态的极限情况；如果超过叠加上限，则开始进行遗传灾变操作：只保留最优解，淘汰其余个体，重新生成新个体，遗传收敛条件按照一定比例进行刷新，尽快摆脱局部状态。
CN201710587263.0A 2017-07-18 2017-07-18 考虑随机预测误差的遗传算法的微电网能源优化方法 Active CN107451686B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710587263.0A CN107451686B (zh) 2017-07-18 2017-07-18 考虑随机预测误差的遗传算法的微电网能源优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710587263.0A CN107451686B (zh) 2017-07-18 2017-07-18 考虑随机预测误差的遗传算法的微电网能源优化方法

Publications (2)

Publication Number Publication Date
CN107451686A true CN107451686A (zh) 2017-12-08
CN107451686B CN107451686B (zh) 2020-12-15

Family

ID=60487336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710587263.0A Active CN107451686B (zh) 2017-07-18 2017-07-18 考虑随机预测误差的遗传算法的微电网能源优化方法

Country Status (1)

Country Link
CN (1) CN107451686B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053069A (zh) * 2017-12-15 2018-05-18 南京工程学院 一种适用于多目标优化场景的综合能源系统运行调度方法
CN109285039A (zh) * 2018-11-22 2019-01-29 东南大学 一种计及风光不确定性的电动汽车充电站电价制定方法
CN109374962A (zh) * 2018-10-12 2019-02-22 四川长虹电器股份有限公司 一种基于电器功率的负荷功耗分解的方法
CN110472790A (zh) * 2019-08-16 2019-11-19 集美大学 一种多无人船路径规划方法、终端设备及存储介质
CN111639376A (zh) * 2020-05-21 2020-09-08 温州大学 一种基于质量约束的索穹顶结构鲁棒性提高方法
CN112631922A (zh) * 2020-12-28 2021-04-09 广州品唯软件有限公司 流量回放数据选取方法、系统和存储介质
CN113094973A (zh) * 2021-03-18 2021-07-09 西北工业大学 一种基于多目标优化算法的民机需求优选方法
CN113469412A (zh) * 2021-06-02 2021-10-01 国核电力规划设计研究院有限公司 一种综合能源系统实时运行策略优化方法及系统
CN113589167A (zh) * 2021-07-20 2021-11-02 华北电力科学研究院有限责任公司 风电机组的正交试验评估方法及装置
CN116388306A (zh) * 2023-06-02 2023-07-04 电力规划总院有限公司 一种随机性电源场优化控制方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102593874A (zh) * 2012-03-19 2012-07-18 合肥工业大学 一种用于微电网的能量调度方法
US20140148963A1 (en) * 2009-01-14 2014-05-29 Integral Analytics, Inc. Optimization of microgrid energy use and distribution

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140148963A1 (en) * 2009-01-14 2014-05-29 Integral Analytics, Inc. Optimization of microgrid energy use and distribution
CN102593874A (zh) * 2012-03-19 2012-07-18 合肥工业大学 一种用于微电网的能量调度方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ANGO SOBU 等: "Dynamic optimal schedule management method for microgrid system considering forecast errors of renewable power generations", 《2012 IEEE INTERNATIONAL CONFERENCE ON POWER SYSTEM TECHNOLOGY》 *
张多蒙: "基于改进量子遗传算法的微电网电源经济性优化配置研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
薛祥 等: "基于改进遗传算法的微电网能量管理系统的研究", 《中国电力教育》 *
薛美东: "能量优化配置和能量管理研究", 《中国博士学位论文全文数据库工程科技II辑》 *
陈亚红: "微电网能量管理策略研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053069A (zh) * 2017-12-15 2018-05-18 南京工程学院 一种适用于多目标优化场景的综合能源系统运行调度方法
CN109374962A (zh) * 2018-10-12 2019-02-22 四川长虹电器股份有限公司 一种基于电器功率的负荷功耗分解的方法
CN109285039A (zh) * 2018-11-22 2019-01-29 东南大学 一种计及风光不确定性的电动汽车充电站电价制定方法
CN110472790A (zh) * 2019-08-16 2019-11-19 集美大学 一种多无人船路径规划方法、终端设备及存储介质
CN111639376A (zh) * 2020-05-21 2020-09-08 温州大学 一种基于质量约束的索穹顶结构鲁棒性提高方法
CN112631922A (zh) * 2020-12-28 2021-04-09 广州品唯软件有限公司 流量回放数据选取方法、系统和存储介质
CN113094973A (zh) * 2021-03-18 2021-07-09 西北工业大学 一种基于多目标优化算法的民机需求优选方法
CN113469412A (zh) * 2021-06-02 2021-10-01 国核电力规划设计研究院有限公司 一种综合能源系统实时运行策略优化方法及系统
CN113469412B (zh) * 2021-06-02 2024-04-09 国核电力规划设计研究院有限公司 一种综合能源系统实时运行策略优化方法及系统
CN113589167A (zh) * 2021-07-20 2021-11-02 华北电力科学研究院有限责任公司 风电机组的正交试验评估方法及装置
CN113589167B (zh) * 2021-07-20 2024-01-23 华北电力科学研究院有限责任公司 风电机组的正交试验评估方法及装置
CN116388306A (zh) * 2023-06-02 2023-07-04 电力规划总院有限公司 一种随机性电源场优化控制方法和装置

Also Published As

Publication number Publication date
CN107451686B (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN107451686A (zh) 考虑随机预测误差的遗传算法的微电网能源优化方法
CN111178619B (zh) 一种考虑分布式电源和充电站联合规划的多目标优化方法
CN106655248B (zh) 一种并网型微电网电源容量配置方法
Wang et al. PSO-based multi-criteria optimum design of a grid-connected hybrid power system with multiple renewable sources of energy
CN105868942B (zh) 电动汽车的有序充电调度方法
CN104158203B (zh) 一种微电网电源容量优化配置方法
CN110429649B (zh) 考虑灵活性的高渗透率可再生能源集群划分方法
CN103544655A (zh) 一种含微电网的区域配电网分层优化方法
CN107316125A (zh) 一种基于经济运行域的主动配电网经济运行评价方法
CN106786977B (zh) 一种电动汽车充电站的充电调度方法
CN113326467B (zh) 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统
CN110401189B (zh) 退役动力电池群组的分层分组协同优化调度方法
CN108039731B (zh) 一种基于解空间分析且含风电的多目标三阶段调度方法
CN110188915A (zh) 基于场景集的虚拟电厂中储能系统优化配置方法及系统
CN104517161A (zh) 虚拟发电厂的分布式电源组合规划系统和方法
CN102593855A (zh) 平抑电力系统中可再生能源电源输出功率波动的方法
CN112671035A (zh) 一种基于风电预测的虚拟电厂储能容量配置方法
CN112418488A (zh) 一种基于两阶段能量优化的综合能源系统调度方法及装置
Su et al. Optimal placement and capacity sizing of energy storage systems via NSGA-II in active distribution network
Bhardwaj et al. Sizing optimization of a stand-alone PV/Wind power supply system with hybrid energy storage
CN117669908B (zh) 一种高速公路综合能源系统优化方法、装置、设备及介质
CN113283166A (zh) 一种退役动力电池剩余价值优化方法
CN113364043A (zh) 一种基于条件风险价值的微电网群优化方法
CN108629445A (zh) 计及储能动态损耗的交直流混合微网鲁棒调度方法
CN113937811B (zh) 一种多能耦合配电系统优化调度方法

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
GR01 Patent grant
GR01 Patent grant