CN107609693A - 基于Pareto档案粒子群算法的微电网多目标优化方法 - Google Patents
基于Pareto档案粒子群算法的微电网多目标优化方法 Download PDFInfo
- Publication number
- CN107609693A CN107609693A CN201710773989.3A CN201710773989A CN107609693A CN 107609693 A CN107609693 A CN 107609693A CN 201710773989 A CN201710773989 A CN 201710773989A CN 107609693 A CN107609693 A CN 107609693A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- micro
- capacitance sensor
- lithium battery
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 76
- 239000002245 particle Substances 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000006870 function Effects 0.000 claims abstract description 25
- 238000004146 energy storage Methods 0.000 claims abstract description 18
- 238000012423 maintenance Methods 0.000 claims abstract description 16
- 238000007599 discharging Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 77
- 229910052744 lithium Inorganic materials 0.000 claims description 77
- 230000007613 environmental effect Effects 0.000 claims description 24
- 230000005611 electricity Effects 0.000 claims description 20
- 239000003344 environmental pollutant Substances 0.000 claims description 12
- 239000000446 fuel Substances 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 10
- 231100000719 pollutant Toxicity 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000178 monomer Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 239000002283 diesel fuel Substances 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- NUFBIAUZAMHTSP-UHFFFAOYSA-N 3-(n-morpholino)-2-hydroxypropanesulfonic acid Chemical compound OS(=O)(=O)CC(O)CN1CCOCC1 NUFBIAUZAMHTSP-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明针对微电网多目标优化问题转化为单目标优化问题，提供一种基于Pareto档案粒子群算法的微电网多目标优化方法。该方法，包括建立多个优化目标函数，确定微电网的约束条件，将多个优化目标函数表征的多目标优化问题转换为成单目标优化问题，采用基于Pareto档案粒子群算法对微电网多目标优化进行求解，输出一组非劣解集，根据预设的满意程度评价标准在非劣解集中确定最优解，并对微电网运行进行优化。本发明采用Pareto档案多目标粒子群优化算法对微电网内各个分布式电源的输出功率包括储能装置的充/放电进行优化求解，将外部档案维护和全局最好位置选取结合在一起，通过比较分析优化结果，验证了算法的有效性和可行性。
Description
技术领域
本发明涉及微网系统环保经济运行优化相关技术领域，具体地说，涉及一种基于Pareto档案粒子群算法的微电网多目标优化方法。
背景技术
在当今能源问题日趋严重的情况下，采用可再生能源的分布式发电技术成为未来能源发展的主要方向，微电网的提出为分布式电源接入电网提供了一种有效的方式，能够大大改善分布式发电技术的现状。在满足负荷需求和系统运行约束条件的前提下，如何合理地调节分布式电源和储能装置等单元的出力，实现微电网系统的能源利用率最大、发电成本最小、环境最友好等目标已成为了重要的研究课题。与传统的电网相比，微电网的优化运行更加复杂。微电网中分布式电源发电形式各异，其运行特性各不相同。而风力发电、光伏发电等可再生能源也易受天气因素影响。同时这类电源容量较小，单一的负荷变化都可能对微电网的功率平衡产生显著影响。微电网的优化运行不仅仅需要考虑发电的经济成本，还需要考虑分布式电源组合的整体环境效益。这就无形中增加了其运行的难度，由原来传统的单目标优化问题转变成了一个多目标的优化问题。
在微电网优化运行研究中，主要从经济目标、环境目标和技术目标三个方面对微网进行优化。例如现有技术中，有人提出围绕包含风力发电、光伏发电、柴油发电机和铅酸电池储能的独立微网系统，提出了包含微网全寿命周期内成本现值、污染物排放水平和负荷容量缺失率的多目标优化设计模型。还有人提出针对不同分布式电源的特性以及成本，对传统意义下的微网经济调度模型进行了修正，将环境成本、发电成本和旋转备用成本作为多目标，建立了环保经济的微网多目标模型。其他人还提出了，建立以微电网经济成本和排放效益为目标的经济调度模型，通过改变目标间的权重关系来分析比较微电网调度方案的经济性和环境效益。
目前对微电网多目标优化运行问题的求解主要有两类方法，一类是将多目标优化问题转化为单目标优化问题。例如，现有技术中有考虑了独立微电网系统的经济成本与系统网损，采用线性加权求和法将两目标函数转化为综合成本最低的单目标函数；然而权重的选取具有很大的人为因素，该方法较为不准确。其他现有技术也提出了，在权系数的确定上采用了二元对比定权法，提高了模型的精度；以及为各目标函数设定隶属度函数，采用最大模糊满意度法，将多目标经济调度问题转化成非线性单目标优化问题。
另一类求解微电网多目标优化运行问题的方法是采用智能优化算法。例如，有现有技术提出采用反向学习机制、精英策略和全局记忆性，对基本万有引力搜索算法进行了有效改进，提出了基于改进万有引力搜索算法的微电网优化运行方法。其他的现有技术还提出了，结合多目标遗传算法和混沌优化技术的优点，提出了混沌优化多目标遗传算法对微电网系统进行优化配置；以及提出了使用混沌量子遗传算法来解决微电网的优化调度问题。
总的来说，面对微电网多目标优化问题转化为单目标优化问题，并且以包含光柴储和负载的交直流混合微电网为具体优化对象时，现有技术中鲜有一种较好的方法，尤其是同时考虑经济成本和环境成本最优，并得出不同光照强度下的最优解对应的各分布式电源的出力情况，制约了微电网经济和环保的优化运行。
发明内容
本发明针对微电网多目标优化问题转化为单目标优化问题，并且以包含光柴储和负载的交直流混合微电网为具体优化对象时，现有技术中鲜有一种较好的方法，尤其是同时考虑经济成本和环境成本最优，并得出不同光照强度下的最优解对应的各分布式电源的出力情况，制约了微电网经济和环保的优化运行的问题，提供一种基于Pareto档案粒子群算法的微电网多目标优化方法。
本发明所需要解决的技术问题，可以通过以下技术方案来实现：
一种基于Pareto档案粒子群算法的微电网多目标优化方法，所述微电网包括，作为分布式电源的光伏发电系统和柴油机发电系统，用于储能的锂电池组储能系统，其特征在于：
建立多个优化目标函数，所述优化目标函数用于优化影响微电网优化运行的待优化因素；
确定微电网的约束条件，将多个优化目标函数表征的多目标优化问题转换为成单目标优化问题；
采用基于Pareto档案粒子群算法对微电网多目标优化进行求解，输出一组非劣解集，根据预设的满意程度评价标准在非劣解集中确定最优解，并对微电网运行进行优化。
本发明中，通过对输出的非劣解集，计算其对所有目标的粒子标准化满意程度，选择标准化满意程度最大的非劣解，作为最优解，所述粒子标准化满意程度计算公式为：
式中，M为优化目标个数，fimax，fimin为第i个目标的最大值和最小值。
本发明中，采用基于Pareto档案粒子群算法对微电网多目标优化进行求解，输出一组非劣解集，包括如下步骤：
(1)初始化粒子群P并将其中的非劣解加入外部档案中；
(2)选取初始全局最优位置gbest，要求外部档案中各个解x对应的hp(x)基本相等，确定所有粒子的个体最优位置Pbest；
(3)在保证粒子在搜索空间内飞行的条件下，改变粒子的速度和位置，调整粒子的Pbest；
(4)执行外部档案维护与gbest选取的混合过程；
(5)若指定的最大代数达到，则停止搜索，否则，转到步骤(3)。
本发明中，所述待优化因素包括经济成本和环境成本。
本发明中，所述经济成本包括燃料成本、系统运行维护成本、微电网与大电网交互成本以及锂电池的折旧成本，优化使得微电网的经济成本最低，其优化目标函数表示为：
式中，Cf为燃料成本，Com为系统运行维护成本，Cgrid为微电网与大电网交互成本，Cbw为锂电池单位放电折旧成本，Pbat,i为时段i锂电池平均充放电功率，为正表示放电，为负表示充电，Cbat,rep为锂电池的更换成本，Qlifetime为锂电池单体全寿命输出总电量。
本发明中，所述环境成本包括微电网运行排放的污染气体的环境价值和排放罚款，优化使得微电网的环境成本最低，其优化目标函数表示为：
式中，ai为第i项污染物的环境价值，bi为第i项污染物所受罚款，Qi为第i项污染物的排放量。
本发明中，所述微电网的约束条件为以下约束条件中的一个或者一个以上的任意组合：
(1)微电网功率平衡约束
Pload＝PPV+Pgen+Pbat+Pgrid
式中，PPV、Pgen、Pbat分别为光伏发电系统、柴油发电机系统和锂电池储能系统的出力，Pgrid为微电网和大电网间的传输功率，为正表示微电网向大电网购电功率，为负表示微电网向大电网售电功率，Pload为微电网的总负荷；
(2)微电源输出功率约束
Pi,min≤Pi≤Pi,max
式中，Pi,min、Pi,max为第i个可调度型微源的最小和最大出力，Pi为第i个可调度型微源的出力；
(3)微电网与大电网传输功率约束
Pgrid,min≤Pgrid≤Pgrid,max
式中，Pgrid,min、Pgrid,max分别为微电网与大电网最小和最大传输功率；
(4)锂电池荷电状态约束
SOCmin≤SOC≤SOCmax
式中，SOC为锂电池的荷电状态，SOCmin为锂电池荷电状态允许的最小值，SOCmax为锂电池荷电状态允许的最大值；
(5)基于微电网的优化运行具有周期性通常假设锂电池荷电状态在调度时期始末保持一致，即满足约束条件：
SOCend＝SOC0
式中，SOC0、SOCend分别为锂电池在调度周期初始时刻和终止时刻的荷电状态。
本发明中，所述光伏发电系统的输出功率Ppv(t)采用下式计算：
T(t)＝Tair(t)+0.0138[1+0.031Tair(t)](1-0.042Vw)G(t)
式中：fpv为光伏阵列降额因数，PSTC为STC标准测试条件下的最大输出功率(kW)，G(t)为实际光照强度，GSTC为STC下的光照强度，k为功率温度系数，T(t)为t时刻光伏阵列的表面温度，TSTC为STC下的光伏阵列温度，Tair(t)为该日任意时刻的温度值，Tmax,Tmin分别为该日温度的最大值和最小值，tp为平均温度的时刻。
本发明中，所述锂电池组储能系统采用动态充放电模型，以实时反映锂电池容量与充、放电电流的关系：
其中，锂电池的最大充电电流Icmax和最大放电电流Idmax分别为：
式中，c为可用电荷容量与总容量的比值，q10为时间步长△t起始时刻可用电荷容量，q0为时间步长△t起始时刻总电荷容量，k为比率常数h-1，qmax为电池最大容量(Ah)；
设在仿真步长△t内，锂电池组终端电压为U，锂电池出力为Pbat，则锂电池实际充放电电流Ie为
锂电池充放电时的荷电状态分别为：
充电：
放电：
式中，CN为锂电池标称容量，ηc，ηd分别为锂电池充放电效率，SOC0为锂电池初始时刻的荷电状态。
本发明中，所述柴油机发电系统燃料消耗费用主要与其输出功率的关系为：
CDE＝aPDE 2+bPDE+c
CDE为柴油发电机的燃料消耗费用，PDE为柴油发电机的输出功率，a,b,c为柴油发电机燃料费用函数的系数。
本发明的基于Pareto档案粒子群算法的微电网多目标优化方法，为实现微电网经济和环保的优化运行，建立了微电网多目标优化运行数学模型，采用Pareto档案多目标粒子群优化算法对微电网内各个分布式电源的输出功率包括储能装置的充/放电进行优化求解，将外部档案维护和全局最好位置选取结合在一起，增强了其寻优性能。
尤其应用在以包含光柴储和负载的交直流混合微电网为具体研究对象时，将所提出的模型和算法应用其中，得出不同光照强度下的最优解对应的各分布式电源的出力情况，通过比较分析优化结果，验证了所建模型和所用算法的有效性和可行性。
附图说明
以下结合附图和具体实施方式来进一步说明本发明。
图1为实施例所示光柴储微电网系统拓扑结构图。
图2为典型日负荷曲线。
图3为光照度较强时的多目标优化Pareto前沿图。
图4为光照度较弱时的多目标优化Pareto前沿图。
图5为光照度较强时的分布式电源和大电网输出功率。
图6为光照度较弱时的分布式电源和大电网输出功率。
具体实施方式
为了使本发明的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。
本发明的主旨在于，通过对微电网多目标优化问题转化为单目标优化问题的分析，发明以包含光柴储和负载的交直流混合微电网为具体优化对象时，现有技术中鲜有一种较好的方法，尤其是同时考虑经济成本和环境成本最优，并得出不同光照强度下的最优解对应的各分布式电源的出力情况，存在制约微电网经济和环保的优化运行的问题，通过本发明提供一种基于Pareto档案粒子群算法的微电网多目标优化方法以解决上述问题。
本发明基于Pareto档案粒子群算法的微电网多目标优化方法，其中微电网是包含光柴储和负载的交直流混合微电网，包括光伏发电系统和柴油机发电系统两类分布式电源，以及用于储能的锂电池组储能系统。为了便于对本发明进行说明，此处先对前述的各种系统的模型进行简要介绍。
其中，光伏发电系统的输出功率Ppv(t)采用下式计算:
T(t)＝Tair(t)+0.0138[1+0.031Tair(t)](1-0.042Vw)G(t)
式中：fpv为光伏阵列降额因数，PSTC为STC(标准测试条件:太阳光入射强度1000W/m2，环境温度25℃)下的最大输出功率(kW)，G(t)为实际光照强度(W/m2)，GSTC为STC下的光照强度，取1000W/m2，k为功率温度系数，取-0.45(％/℃)，T(t)为t时刻光伏阵列的表面温度，TSTC为STC下的光伏阵列温度，取25℃。Tair(t)为该日任意时刻的温度值。Tmax,Tmin分别为该日温度的最大值和最小值。tp为平均温度的时刻。
对于锂电池组储能系统，本发明采用KiBaM(Kinetic Battery Model,KiBaM)动态充放电模型，该模型可以实时反映蓄电池容量与充、放电电流的关系。
锂电池的最大充电电流Icmax和最大放电电流Idmax分别为：
式中，c为可用电荷容量与总容量的比值；q10为时间步长△t起始时刻可用电荷容量(Ah)；q0为时间步长△t起始时刻总电荷容量(Ah)；k为比率常数h-1；qmax为锂电池最大容量(Ah)。
设在仿真步长△t内，锂电池组终端电压为U，锂电池出力为Pbat，则锂电池实际充放电电流Ie为
锂电池充放电时的荷电状态分别为：
充电：
放电：
式中，CN为锂电池标称容量，ηc，ηd分别为锂电池充放电效率，SOC0为锂电池初始时刻的荷电状态。
本发明中，柴油机发电系统燃料消耗费用主要与其输出功率的关系为：
CDE＝aPDE 2+bPDE+c
CDE为柴油发电机的燃料消耗费用，PDE为柴油发电机的输出功率，a,b,c为柴油发电机燃料费用函数的系数。
对于本发明的微电网，存在很多影响微电网系统优化运行的待优化因素，选取那些待优化因素作为微电网系统运行优化的可以根据实际需要进行考虑，对于待优化因素，本发明中是采用建立多个优化目标函数的方式来处理，每个优化目标函数用于优化影响微网系统优化运行的一个或者多个待优化因素，然后形成多目标优化问题。在本发明中主要考虑的待优化因素包括经济成本和环境成本。
其中，经济成本包括燃料成本、系统运行维护成本、微电网与大电网交互成本以及锂电池的折旧成本，优化使得微电网的经济成本最低，其优化目标函数表示为：
式中，Cf为燃料成本，Com为系统运行维护成本，Cgrid为微电网与大电网交互成本，Cbw为锂电池单位放电折旧成本，Pbat,i为时段i锂电池平均充放电功率，为正表示放电，为负表示充电，Cbat,rep为锂电池的更换成本，Qlifetime为锂电池单体全寿命输出总电量。
环境成本包括微电网运行排放的污染气体的环境价值和排放罚款，优化使得微电网的环境成本最低，其优化目标函数表示为：
式中，ai为第i项污染物的环境价值，bi为第i项污染物所受罚款，Qi为第i项污染物的排放量。
可以理解的是，微电网系统的运行时存在约束条件的，其优化运行需要在约束条件的限制下进行，本发明中，微电网系统的约束条件为以下约束条件中的一个或者一个以上的任意组合：
(1)微电网功率平衡约束
Pload＝PPV+Pgen+Pbat+Pgrid
式中，PPV、Pgen、Pbat分别为光伏发电系统、柴油发电机系统和锂电池储能系统的出力，Pgrid为微电网和大电网间的传输功率，为正表示微电网向大电网购电功率，为负表示微电网向大电网售电功率，Pload为微电网的总负荷；
(2)微电源输出功率约束
Pi,min≤Pi≤Pi,max
式中，Pi,min、Pi,max为第i个可调度型微源的最小和最大出力，Pi为第i个可调度型微源的出力；
(3)微电网与大电网传输功率约束
Pgrid,min≤Pgrid≤Pgrid,max
式中，Pgrid,min、Pgrid,max分别为微电网与大电网最小和最大传输功率；
(4)锂电池荷电状态约束
SOCmin≤SOC≤SOCmax
式中，SOC为锂电池的荷电状态，SOCmin为锂电池荷电状态允许的最小值，SOCmax为锂电池荷电状态允许的最大值；
(5)基于微电网的优化运行具有周期性通常假设锂电池荷电状态在调度时期始末保持一致，即满足约束条件：
SOCend＝SOC0
式中，SOC0、SOCend分别为锂电池在调度周期初始时刻和终止时刻的荷电状态。
经过这样的处理和分析，可以将光柴储微电网系统多目标优化运行归纳为有约束多目标优化(Constrained Multi-objective Optimization Problem,CMOP)问题，其数学表达如下：
min y＝F(x)＝(F1,F2)
s.t.Pload＝PPV+Pgen+Pbat+Pgrid
Pi,min≤Pi≤Pi,max
Pgrid,min≤Pgrid≤Pgrid,max
SOCmin≤SOC≤SOCmax
SOCend＝SOC0。
在对微电网多目标优化运行问题求解中，对其中一个目标优化通常以损害其它目标作为代价，因此要使多个目标同时达到最优是不可能的，只能使所有目标尽可能达到最优。本发明与现有技术的主要区别在于，采用Pareto档案多目标粒子群优化算法对微电网内各个分布式电源的输出功率包括储能装置的充/放电进行优化求解，该类问题的最优解是由多个甚至无穷多的Pareto最优解组成，在微电网实际运行中，决策者需要从求得的Pareto解集中选出一个满意解作为最优解。
为了便于理解，以下对Pareto外部档案维护和全局最优位置的选取进行说明。
外部档案维护和全局最优位置选取是多目标粒子群算法(Multi-objectiveParticle Swarm Optimization,MOPSO)的两个重要步骤，基于Pareto档案粒子群算法(PAMOPSO)是利用改进的强度Pareto进化算法2(Strength Pareto EvolutionaryAlgorithm 2,SPEA2)对外部档案进行维护，并在维护过程中，为每个粒子从档案中选取合适的全局最好位置，将档案维护和全局最好位置选取结合在一起，使算法获得更多均匀分布在目标空间上的非劣解，逼近整个均衡面。
外部档案维护和全局最优位置gbest选取的混合过程如下：
对于每个新非劣解x:
if x支配了外部档案P中的部分解，
x替代这些受支配解，并让上一代所有以这些受支配解为gbest的粒子重新选取x为其gbest。
其中，Na是外部档案大小，l＝1,2,…Nm，g＝(0.025～0.05)N。N和Nm分别是粒子群规模和外部档案规模规定的最大值，hp(x)表示以x为其gbest的所有粒子的个数，|·|表示集合的大小。
那么，基于Pareto档案粒子群算法的过程包括以下步骤：
(1)初始化粒子群P并将其中的非劣解加入外部档案中。
(2)选取初始全局最优位置gbest，要求外部档案中各个解x对应的hp(x)基本相等。确定所有粒子的个体最优位置Pbest。
(3)在保证粒子在搜索空间内飞行的条件下，改变粒子的速度和位置，调整粒子的Pbest。
(4)执行外部档案维护与gbest选取的混合过程。
(5)若指定的最大代数达到，则停止搜索；否则，转到步骤(3)。
采用基于Pareto档案粒子群算法，对微电网多目标优化运行进行求解，最终输出的是一组非劣解集，其中哪一个解作为最优解应当预设一个评价标准，才能给决策者提供一个较好的参考解。那么，较好的是预设满意程度评价标准在非劣解集中确定最优解，再对微电网运行进行优化。本实施方式中，基于模糊集合理论，通过对输出的非劣解集，计算其对所有目标的粒子标准化满意程度，选择标准化满意程度最大的非劣解，作为最优解，所述粒子标准化满意程度计算公式为：
式中，M为优化目标个数；fimax，fimin为第i个目标的最大值和最小值。
为了更好的对本发明的进行介绍，此处以安徽大学光柴储微电网系统为例进行示例性说明。该微电网系统包含400V/100kW示范性微电网和400V/20kW实验型微电网两部分，拓扑结构如图1所示。其采用交直流混合母线，由光伏发电系统、柴油机发电单元(系统)、锂电池组储能系统、充电桩、双向DC/DC、AC/DC双向逆变器、双向电网模拟器、电子负载、常用负荷等组成。光伏电池、柴油发电机、锂电池组的相关参数如表1所示。
表1分布式电源出力和相关费用系数
微电网运行中污染物排放参数如表2所示。
表2污染物相关参数
选择光照度较强和光照度较弱的两种天气作为优化场景，两种场景下的典型日负荷数据保持一致。典型日负荷数据曲线如图2所示。始终在并网的条件下进行优化调度，调度周期为1天，分为24个时段。
在求解过程中，对经济性目标函数加入锂电池SOC约束惩罚项，SOC的初始设定值为0.8，购电及售电费用，以平均电费计算。应用采用基于Pareto档案粒子群算法对该微电网的多目标优化问题进行求解，该算法的相关参数如下：种群数为100，最大迭代次数为600，加速度参数c1＝c2＝2，权重因子Wmin＝0.4，Wmax＝0.9，得到两种场景下的经济、环境双目标下的优化结果Pareto前沿图，如图3和图4所示。
根据粒子的标准化满意程度计算公式，在Pareto前沿中选取最优解。两种优化场景下该解对应的各分布式电源和大电网的出力情况分别如图5和图6所示。
由图5可以看出，在光照度强的天气下，光伏发电集中在8时至18时，在满足负荷的前提下，光伏多余的发电量不仅对锂电池进行充电而且还传输给大电网增加效益。在18时至22时，由于光伏发电较弱，系统的负荷主要靠锂电池的出力提供。在22时至24时柴油发电机和大电网共同出力对锂电池进行充电。由图6可以看出，在光照度较弱的天气下，光伏发电不足以满足负荷的需求，锂电池对经济和环境的影响较小，所以优先选择锂电池发电。大电网大部分时间内一直处于发电状态，几乎没有多余的电量向其传输，所以增加了系统运行成本。
以上仅就本发明较佳的实施例作了说明，但不能理解为是对权利要求的限制。本发明不仅局限于以上实施例，其具体结构允许有变化。总之，凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明的保护范围内。
Claims (10)
1.基于Pareto档案粒子群算法的微电网多目标优化方法，所述微电网包括，作为分布式电源的光伏发电系统和柴油机发电系统，用于储能的锂电池组储能系统，其特征在于：
建立多个优化目标函数，所述优化目标函数用于优化影响微电网优化运行的待优化因素；
确定微电网的约束条件，将多个优化目标函数表征的多目标优化问题转换为成单目标优化问题；
采用基于Pareto档案粒子群算法对微电网多目标优化进行求解，输出一组非劣解集，根据预设的满意程度评价标准在非劣解集中确定最优解，并对微电网运行进行优化。
2.根据权利要求1所述的基于Pareto档案粒子群算法的微电网多目标优化方法，其特征在于：通过对输出的非劣解集，计算其对所有目标的粒子标准化满意程度，选择标准化满意程度最大的非劣解，作为最优解，所述粒子标准化满意程度计算公式为：
<mrow>
<mi>&eta;</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>M</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mfrac>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
式中，M为优化目标个数，fimax，fimin为第i个目标的最大值和最小值。
3.根据权利要求1所述的基于Pareto档案粒子群算法的微电网多目标优化方法，其特征在于：采用基于Pareto档案粒子群算法对微电网多目标优化进行求解，输出一组非劣解集，包括如下步骤：
(1)初始化粒子群P并将其中的非劣解加入外部档案中；
(2)选取初始全局最优位置gbest，要求外部档案中各个解x对应的hp(x)基本相等，确定所有粒子的个体最优位置Pbest；
(3)在保证粒子在搜索空间内飞行的条件下，改变粒子的速度和位置，调整粒子的Pbest；
(4)执行外部档案维护与gbest选取的混合过程；
(5)若指定的最大代数达到，则停止搜索，否则，转到步骤(3)。
4.根据权利要求1所述的基于Pareto档案粒子群算法的微电网多目标优化方法，其特征在于：所述待优化因素包括经济成本和环境成本。
5.根据权利要求4所述的基于Pareto档案粒子群算法的微电网多目标优化方法，其特征在于：所述经济成本包括燃料成本、系统运行维护成本、微电网与大电网交互成本以及锂电池的折旧成本，优化使得微电网的经济成本最低，其优化目标函数表示为：
<mrow>
<mi>min</mi>
<mi> </mi>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>C</mi>
<mi>f</mi>
</msub>
<mo>+</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>o</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>b</mi>
<mi>w</mi>
</mrow>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>b</mi>
<mi>a</mi>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>></mo>
<mn>0</mn>
</mrow>
<mi>H</mi>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>b</mi>
<mi>a</mi>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>b</mi>
<mi>w</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>C</mi>
<mrow>
<mi>b</mi>
<mi>a</mi>
<mi>t</mi>
<mo>,</mo>
<mi>r</mi>
<mi>e</mi>
<mi>p</mi>
</mrow>
</msub>
<msub>
<mi>Q</mi>
<mrow>
<mi>l</mi>
<mi>i</mi>
<mi>f</mi>
<mi>e</mi>
<mi>t</mi>
<mi>i</mi>
<mi>m</mi>
<mi>e</mi>
</mrow>
</msub>
</mfrac>
</mrow>
式中，Cf为燃料成本，Com为系统运行维护成本，Cgrid为微电网与大电网交互成本，Cbw为锂电池单位放电折旧成本，Pbat,i为时段i锂电池平均充放电功率，为正表示放电，为负表示充电，Cbat,rep为锂电池的更换成本，Qlifetime为锂电池单体全寿命输出总电量。
6.根据权利要求4所述的基于Pareto档案粒子群算法的微电网多目标优化方法，其特征在于：所述环境成本包括微电网运行排放的污染气体的环境价值和排放罚款，优化使得微电网的环境成本最低，其优化目标函数表示为：
<mrow>
<mi>min</mi>
<mi> </mi>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
式中，ai为第i项污染物的环境价值，bi为第i项污染物所受罚款，Qi为第i项污染物的排放量。
7.根据权利要求1所述的基于Pareto档案粒子群算法的微电网多目标优化方法，其特征在于：所述微电网的约束条件为以下约束条件中的一个或者一个以上的任意组合：
(1)微电网功率平衡约束
Pload＝PPV+Pgen+Pbat+Pgrid
式中，PPV、Pgen、Pbat分别为光伏发电系统、柴油发电机系统和锂电池储能系统的出力，Pgrid为微电网和大电网间的传输功率，为正表示微电网向大电网购电功率，为负表示微电网向大电网售电功率，Pload为微电网的总负荷；
(2)微电源输出功率约束
Pi,min≤Pi≤Pi,max
式中，Pi,min、Pi,max为第i个可调度型微源的最小和最大出力，Pi为第i个可调度型微源的出力；
(3)微电网与大电网传输功率约束
Pgrid,min≤Pgrid≤Pgrid,max
式中，Pgrid,min、Pgrid,max分别为微电网与大电网最小和最大传输功率；
(4)锂电池荷电状态约束
SOCmin≤SOC≤SOCmax
式中，SOC为锂电池的荷电状态，SOCmin为锂电池荷电状态允许的最小值，SOCmax为锂电池荷电状态允许的最大值；
(5)基于微电网的优化运行具有周期性通常假设锂电池荷电状态在调度时期始末保持一致，即满足约束条件：
SOCend＝SOC0
式中，SOC0、SOCend分别为锂电池在调度周期初始时刻和终止时刻的荷电状态。
8.根据权利要求1至7任一所述的基于Pareto档案粒子群算法的微电网多目标优化方法，其特征在于：所述光伏发电系统的输出功率Ppv(t)采用下式计算：
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>p</mi>
<mi>v</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>p</mi>
<mi>v</mi>
</mrow>
</msub>
<msub>
<mi>P</mi>
<mrow>
<mi>S</mi>
<mi>T</mi>
<mi>C</mi>
</mrow>
</msub>
<mfrac>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>G</mi>
<mrow>
<mi>S</mi>
<mi>T</mi>
<mi>C</mi>
</mrow>
</msub>
</mfrac>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>k</mi>
<mo>(</mo>
<mrow>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>S</mi>
<mi>T</mi>
<mi>C</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
T(t)＝Tair(t)+0.0138[1+0.031Tair(t)](1-0.042Vw)G(t)
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>a</mi>
<mi>i</mi>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0.5</mn>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>p</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mn>24</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
式中：fpv为光伏阵列降额因数，PSTC为STC标准测试条件下的最大输出功率(kW)，G(t)为实际光照强度，GSTC为STC下的光照强度，k为功率温度系数，T(t)为t时刻光伏阵列的表面温度，TSTC为STC下的光伏阵列温度，Tair(t)为该日任意时刻的温度值，Tmax,Tmin分别为该日温度的最大值和最小值，tp为平均温度的时刻。
9.根据权利要求1至7任一所述的基于Pareto档案粒子群算法的微电网多目标优化方法，其特征在于：所述锂电池组储能系统采用动态充放电模型，以实时反映锂电池容量与充、放电电流的关系：
其中，锂电池的最大充电电流Icmax和最大放电电流Idmax分别为：
<mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>c</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msub>
<mi>kcq</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>kq</mi>
<mn>10</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>k</mi>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>q</mi>
<mn>0</mn>
</msub>
<mi>k</mi>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>k</mi>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>k</mi>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>+</mo>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>k</mi>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>d</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>kq</mi>
<mn>10</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>k</mi>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>q</mi>
<mn>0</mn>
</msub>
<mi>k</mi>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>k</mi>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>k</mi>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>+</mo>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>k</mi>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
式中，c为可用电荷容量与总容量的比值，q10为时间步长△t起始时刻可用电荷容量，q0为时间步长△t起始时刻总电荷容量，k为比率常数h-1，qmax为电池最大容量(Ah)；
设在仿真步长△t内，锂电池组终端电压为U，锂电池出力为Pbat，则锂电池实际充放电电流Ie为
<mrow>
<msub>
<mi>I</mi>
<mi>e</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>P</mi>
<mrow>
<mi>b</mi>
<mi>a</mi>
<mi>t</mi>
</mrow>
</msub>
<mi>U</mi>
</mfrac>
</mrow>
锂电池充放电时的荷电状态分别为：
充电：
<mrow>
<mi>S</mi>
<mi>O</mi>
<mi>C</mi>
<mo>=</mo>
<msub>
<mi>SOC</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>&eta;</mi>
<mi>c</mi>
</msub>
<msub>
<mi>I</mi>
<mi>e</mi>
</msub>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
<msub>
<mi>C</mi>
<mi>N</mi>
</msub>
</mfrac>
</mrow>
放电：
<mrow>
<mi>S</mi>
<mi>O</mi>
<mi>C</mi>
<mo>=</mo>
<msub>
<mi>SOC</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>I</mi>
<mi>e</mi>
</msub>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
<mrow>
<msub>
<mi>C</mi>
<mi>N</mi>
</msub>
<msub>
<mi>&eta;</mi>
<mi>d</mi>
</msub>
</mrow>
</mfrac>
</mrow>
式中，CN为锂电池标称容量，ηc，ηd分别为锂电池充放电效率，SOC0为锂电池初始时刻的荷电状态。
10.根据权利要求1至7任一所述的基于Pareto档案粒子群算法的微电网多目标优化方法，其特征在于：所述柴油机发电系统燃料消耗费用主要与其输出功率的关系为：
CDE＝aPDE 2+bPDE+c
CDE为柴油发电机的燃料消耗费用，PDE为柴油发电机的输出功率，a,b,c为柴油发电机燃料费用函数的系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710773989.3A CN107609693A (zh) | 2017-08-31 | 2017-08-31 | 基于Pareto档案粒子群算法的微电网多目标优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710773989.3A CN107609693A (zh) | 2017-08-31 | 2017-08-31 | 基于Pareto档案粒子群算法的微电网多目标优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107609693A true CN107609693A (zh) | 2018-01-19 |
Family
ID=61055612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710773989.3A Pending CN107609693A (zh) | 2017-08-31 | 2017-08-31 | 基于Pareto档案粒子群算法的微电网多目标优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107609693A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107546781A (zh) * | 2017-09-06 | 2018-01-05 | 广西电网有限责任公司电力科学研究院 | 基于pso改进算法的微电网多目标运行优化方法 |
| CN108551286A (zh) * | 2018-05-02 | 2018-09-18 | 湖南大学 | 一种交流伺服电机现场效率检测方法和系统 |
| CN108665188A (zh) * | 2018-05-23 | 2018-10-16 | 国网天津市电力公司电力科学研究院 | 一种基于优化模型的园区多能源主体综合配比方法 |
| CN108764509A (zh) * | 2018-03-22 | 2018-11-06 | 国网天津市电力公司 | 一种对电源电网负荷三者之间进行相互协调优化的方法 |
| CN109062151A (zh) * | 2018-05-08 | 2018-12-21 | 国网山东省电力公司青岛供电公司 | 综合能源系统多目标集成设计与优化控制方法 |
| CN109119988A (zh) * | 2018-09-11 | 2019-01-01 | 重庆大学 | 基于动态批发市价的光伏-电池微电网能量调度管理方法 |
| CN109713695A (zh) * | 2019-03-01 | 2019-05-03 | 燕山大学 | 一种基于锂电池充放电状态的微电网能量管理方法及系统 |
| CN109713728A (zh) * | 2019-03-07 | 2019-05-03 | 西华大学 | 微电网控制方法及系统 |
| CN110659830A (zh) * | 2019-09-25 | 2020-01-07 | 国网天津市电力公司 | 面向综合能源系统的多能源微网规划方法 |
| CN111585305A (zh) * | 2020-06-12 | 2020-08-25 | 国网天津市电力公司 | 适用于多能互补联动经济性评价的方法 |
| CN112132453A (zh) * | 2020-09-22 | 2020-12-25 | 国网能源研究院有限公司 | 区域电网可再生能源最优接纳规模评估方法、系统及装置 |
| CN112819191A (zh) * | 2019-11-18 | 2021-05-18 | 国网能源研究院有限公司 | 一种面向工程应用的园区综合能源系统运行优化分析方法 |
| CN114036840A (zh) * | 2021-11-09 | 2022-02-11 | 广西电网有限责任公司 | 一种基于多目标优化的配电网络局部重构方法 |
| CN114362241A (zh) * | 2021-12-06 | 2022-04-15 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于新能源最大消纳及发电成本最优的混合调度方法 |
| CN114814592A (zh) * | 2022-03-14 | 2022-07-29 | 湖北工业大学 | 锂电池健康状态估计与剩余使用寿命预测方法及设备 |
| CN115693793A (zh) * | 2022-10-11 | 2023-02-03 | 国网浙江省电力有限公司 | 一种区域微电网能源优化控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996075A (zh) * | 2014-05-08 | 2014-08-20 | 南方电网科学研究院有限责任公司 | 考虑柴蓄协调增效的微电网多目标优化调度方法 |
| CN104065060A (zh) * | 2014-06-09 | 2014-09-24 | 徐多 | 独立微电网系统双层经济调度优化方法 |
| CN104967149A (zh) * | 2015-06-29 | 2015-10-07 | 山东电力研究院 | 一种微电网风光储模型预测控制方法 |
| 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 |
| 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
- 2017-08-31 CN CN201710773989.3A patent/CN107609693A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996075A (zh) * | 2014-05-08 | 2014-08-20 | 南方电网科学研究院有限责任公司 | 考虑柴蓄协调增效的微电网多目标优化调度方法 |
| CN104065060A (zh) * | 2014-06-09 | 2014-09-24 | 徐多 | 独立微电网系统双层经济调度优化方法 |
| CN104967149A (zh) * | 2015-06-29 | 2015-10-07 | 山东电力研究院 | 一种微电网风光储模型预测控制方法 |
| 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 |
| 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 |
|---|
| 雷德明: ""Pareto档案多目标粒子群优化"", 《模式识别与人工智能》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107546781A (zh) * | 2017-09-06 | 2018-01-05 | 广西电网有限责任公司电力科学研究院 | 基于pso改进算法的微电网多目标运行优化方法 |
| CN108764509A (zh) * | 2018-03-22 | 2018-11-06 | 国网天津市电力公司 | 一种对电源电网负荷三者之间进行相互协调优化的方法 |
| CN108764509B (zh) * | 2018-03-22 | 2021-06-01 | 国网天津市电力公司 | 一种对电源电网负荷三者之间进行相互协调优化的方法 |
| CN108551286B (zh) * | 2018-05-02 | 2021-05-07 | 湖南大学 | 一种交流伺服电机现场效率检测方法和系统 |
| CN108551286A (zh) * | 2018-05-02 | 2018-09-18 | 湖南大学 | 一种交流伺服电机现场效率检测方法和系统 |
| CN109062151A (zh) * | 2018-05-08 | 2018-12-21 | 国网山东省电力公司青岛供电公司 | 综合能源系统多目标集成设计与优化控制方法 |
| CN108665188A (zh) * | 2018-05-23 | 2018-10-16 | 国网天津市电力公司电力科学研究院 | 一种基于优化模型的园区多能源主体综合配比方法 |
| CN108665188B (zh) * | 2018-05-23 | 2022-03-18 | 国网天津市电力公司电力科学研究院 | 一种基于优化模型的园区多能源主体综合配比方法 |
| CN109119988A (zh) * | 2018-09-11 | 2019-01-01 | 重庆大学 | 基于动态批发市价的光伏-电池微电网能量调度管理方法 |
| CN109119988B (zh) * | 2018-09-11 | 2020-05-15 | 重庆大学 | 基于动态批发市价的光伏-电池微电网能量调度管理方法 |
| CN109713695A (zh) * | 2019-03-01 | 2019-05-03 | 燕山大学 | 一种基于锂电池充放电状态的微电网能量管理方法及系统 |
| CN109713728B (zh) * | 2019-03-07 | 2021-11-05 | 西华大学 | 微电网控制方法及系统 |
| CN109713728A (zh) * | 2019-03-07 | 2019-05-03 | 西华大学 | 微电网控制方法及系统 |
| CN110659830A (zh) * | 2019-09-25 | 2020-01-07 | 国网天津市电力公司 | 面向综合能源系统的多能源微网规划方法 |
| CN112819191A (zh) * | 2019-11-18 | 2021-05-18 | 国网能源研究院有限公司 | 一种面向工程应用的园区综合能源系统运行优化分析方法 |
| CN111585305A (zh) * | 2020-06-12 | 2020-08-25 | 国网天津市电力公司 | 适用于多能互补联动经济性评价的方法 |
| CN111585305B (zh) * | 2020-06-12 | 2023-08-11 | 国网天津市电力公司 | 适用于多能互补联动经济性评价的方法 |
| CN112132453A (zh) * | 2020-09-22 | 2020-12-25 | 国网能源研究院有限公司 | 区域电网可再生能源最优接纳规模评估方法、系统及装置 |
| CN114036840A (zh) * | 2021-11-09 | 2022-02-11 | 广西电网有限责任公司 | 一种基于多目标优化的配电网络局部重构方法 |
| CN114362241A (zh) * | 2021-12-06 | 2022-04-15 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于新能源最大消纳及发电成本最优的混合调度方法 |
| CN114814592A (zh) * | 2022-03-14 | 2022-07-29 | 湖北工业大学 | 锂电池健康状态估计与剩余使用寿命预测方法及设备 |
| CN114814592B (zh) * | 2022-03-14 | 2024-08-09 | 湖北工业大学 | 锂电池健康状态估计与剩余使用寿命预测方法及设备 |
| CN115693793A (zh) * | 2022-10-11 | 2023-02-03 | 国网浙江省电力有限公司 | 一种区域微电网能源优化控制方法 |
| CN115693793B (zh) * | 2022-10-11 | 2024-05-17 | 国网浙江省电力有限公司 | 一种区域微电网能源优化控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107609693A (zh) | 基于Pareto档案粒子群算法的微电网多目标优化方法 | |
| Hou et al. | Multi-objective economic dispatch of a microgrid considering electric vehicle and transferable load | |
| CN109325608B (zh) | 考虑储能并计及光伏随机性的分布式电源优化配置方法 | |
| CN106972516B (zh) | 一种适用于微网的多类型储能多级控制方法 | |
| CN109301852B (zh) | 一种微电网分级多目标联合的经济调度方法 | |
| CN105811409B (zh) | 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 | |
| CN111900727B (zh) | 基于pso的光储充换一体化充电站协同优化调度方法和装置 | |
| 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 | |
| CN110138006B (zh) | 考虑含有新能源电动汽车的多微电网协调优化调度方法 | |
| CN111626527B (zh) | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 | |
| CN105787605A (zh) | 基于改进型量子遗传算法的微网经济优化运行调度方法 | |
| CN112821470B (zh) | 基于小生境混沌粒子群算法的微网群优化调度策略 | |
| CN115021295B (zh) | 针对一次调频的风电场混合储能容量优化配置方法及系统 | |
| CN107196586A (zh) | 含电动汽车接入的光柴储微网系统优化运行方法 | |
| CN107273968A (zh) | 一种基于动态模糊混沌粒子群的多目标调度方法及装置 | |
| CN116667325B (zh) | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 | |
| CN108921331A (zh) | 一种计及v2g功能的电动汽车与新能源的调度优化建模及算法 | |
| Aiswariya et al. | Optimal microgrid battery scheduling using simulated annealing | |
| Lazaar et al. | A genetic algorithm based optimal sizing strategy for PV/battery/hydrogen hybrid system | |
| Liu et al. | Multi-objective optimal peak load shaving strategy using coordinated scheduling of EVs and BESS with adoption of MORBHPSO | |
| CN112260274A (zh) | 一种基于全景理论的虚拟电厂组建方法 | |
| CN115940284B (zh) | 一种考虑分时电价的新能源制氢系统的运行控制策略 | |
| CN108493973A (zh) | 一种电动汽车充放电设施的容量配置方法 | |
| CN113555901A (zh) | 基于改进s型函数粒子群优化算法的混合储能容量优化方法 | |
| CN112952914A (zh) | 一种多能互补电力系统多目标运行优化方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180119 |