CN108022055A - 一种基于粒子群模型的微电网经济调度方法 - Google Patents

Abstract

本发明公开了一种基于粒子群模型的微电网经济调度方法，包括以下步骤：一、通过现有预测技术，获取未来一段时间的微电网发电预测值和微电网负荷预测值；二、设定微电网参数，包括储能设备容量、充放电速率、允许的电流方向、折旧成本、电能损失、外部电网的买电电价、卖点价格、新能源补贴等；三、通过粒子群算法求解优化方案，以每时刻的充电量、放电量和电能买卖量作为变量，以总效益最大化作为目标，求解出近似最优解；四、对最优解进行仿真实验，验证总收益是否高于一般的电池优先策略和削峰填谷策略；本发明能够在全局范围内求得一段时间内的近似最优的微电网调度策略，且对每一个时间点都能给出方案，避免了采用简单策略产生的不合理结果。

Description

一种基于粒子群模型的微电网经济调度方法

技术领域

本发明涉及微电网经济优化技术领域，具体涉及一种基于粒子群模型的微电网经济调度方法。

背景技术

近年来，随着我国经济的高速增长，能源的需求也在快速增长。远距离、高电压等级、大容量的输电模式已经成为现代电力系统的重要特征。这种输电模式有利于节省发电成本，提高电力设备的利用率，但是，这种模式也有其弊端，一旦发生电力事故，很容易使其事故范围扩大。再者，化石能源被大量开采和利用，对环境造成了很严重的破坏，例如温室效应、雾霾等，这与当下国家的节能减排、环境保护战略格格不入。

由上分析可知，当前的电力系统正承受来自潜在的大规模电网连锁故障、一次能源危机以及环境保护等多重压力，从而促进了分布式发电技术（如风力发电、光伏发电、小型柴油机及微型燃气轮机等）的快速发展。新能源发电的单机规模较小，一般以分布式发电机的形式通过PCC接入到中、低压系统，就近向用户提供可靠、灵活、环保的电能，实现分布式发电的“即插即用”。由于不同的分布式电源间的特性显著的差异，随着分布式发电机的大量接入，可再生能源发电的比重将逐步提高，传统电网在安全稳定、 运行调度和控制保护等方面都受到了严峻的挑战，在这种背景下，微电网技术应运而生。

微电网可以使得分布式电源灵活、高效的运行，充分挖掘分布式发电的价值和效益。微网规模介于分布式发电与大电网之间，可以联接缓冲分布式发电与大电网，也可以独立运行。微网从系统观点看问题，将发电机、负荷、储能装置及控制装置等结合，形成一个小型可控发输配电系统。微网具有一定的能量管理能力，通过微网接入分布式电源成为理想的选择。微网中的分布式发电机按输出功率特性可分为间歇性电源和连续性电源两类，间歇性电源包括风力发电和光伏发电，其输出功率受天气等自然条件的影响较大，具有明显的波动性和不确定性，连续性电源包括微型燃气轮机和燃料电池等，其具有相对可靠的一次能源供给和连续的处理调节能力。

目前，对微电网的经济调度主要采用的是简单策略，如储能优先策略和削峰填谷策略。储能优先策略是利用储能设备将太阳能或风能发电高峰期产生的能量储存起来，在低峰期放出给用电端，从而达到减少对外部电网的需求，但是常常会由于发电、用电的不均衡而过充电或充电不足，无法满足需求。削峰填谷策略在谷电价时优先填补发电不足，在峰电价时优先使用自发电，从而增加微电网的整体效益，但同样也容易产生过量储能或储能不足的问题，反而达不到经济优化效果。

发明内容

本发明目的是针对现有技术存在的缺陷提供了一种基于粒子群模型的微电网经济调度方法，该方法采用粒子群算法，能够在全局范围内求得一段时间内的近似最优的微电网调度策略，且对每一个时间点都能给出方案，避免了采用简单策略产生的不合理结果。

本发明为实现上述目的，采用如下技术方案：一种基于粒子群模型的微电网经济调度方法，包括以下步骤：

步骤一，通过现有预测技术，获取未来一段时间的微电网发电预测值和微电网负荷预测值；

步骤二，设定微电网参数，包括储能设备容量、充放电速率、允许的电流方向、折旧成本、电能损失、外部电网的买电电价、卖点价格、新能源补贴等；

步骤三，通过粒子群算法求解优化方案，以每时刻的充电量、放电量和电能买卖量作为变量，以总效益最大化作为目标，求解出近似最优解；

步骤四，对最优解进行仿真实验，验证总收益是否高于一般的电池优先策略和削峰填谷策略。

优选的，所述步骤一中，所述预测技术采用微电网发电预测技术或微电网负荷预测技术，所述微电网发电预测技术采用卫星辐照数据，并通过多元线性回归模型进行预测。

优选的，所述步骤三中，粒子群算法的过程如下：

S1、在D维空间中，初始化m个粒子，第i个粒子的位置表示为：，第i个粒子的速度表示为：， 1≤i≤m,1 ≤d≤D；

其中, 代表时刻d时的充放电量，正值为充电，负值为放电，

用于记录粒子i经历过的历史最优位置，用于记录群体内所有粒子所经历过的最优位置；

S2、按照如下公式对粒子的位置和速度进行更新：

其中, k表示当前迭代次数，c₁、c₂是加速因子，又称学习因子，这里取值常数2，r₁、r₂是[0,1]之间的随机数值，

S3、根据微电网场景，得出收益函数F(x)，

得出，

其中，S(x)为全部进入主网的电能所产生的收益， B(x)为买电支出，即从主网输入的电能所产生的电费，D(x)为所有充放电行为产生的电池损害折旧值，o_i表示在时间i时发电大于负荷的部分，q_i表示在时间i时负荷大于发电的部分，在同一时刻，o_i和q_i一个为正，一个为非负，ps_i为时间i时的卖点电价，pb_i为时间i时的买电电价，dr为电池的充放电单位折旧；

再计算出每一个粒子点运动前和运动后所对应的微电网调度策略的总收益值F(x)，记录最优位置，更新p_i和p_g；

S4、重复S2和S3，直至S3中的收益差在n次迭代中无变化为止，n可取100，所得的粒子位置所对应的充放电策略即为近似最优调度策略。

本发明达到的有益效果是：本发明提出了一种基于粒子群模型的微电网经济调度方法，该发明采用粒子群算法，能够在全局范围内求得一段时间内的近似最优的微电网调度策略，该调度测略能够逼近最大化效益的全局最优方案，且对每一个时间点都能给出方案，避免了采用简单策略产生的不合理结果，且效益大于简单的充放电调度策略。且运算速度可控，不需要过多的资源。

附图说明

图1是本发明中微电网预测值和微电网参数的识别过程示意图；

图2是本发明中粒子群算法的计算流程图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步说明。

如图1所示，本发明所采用的技术方案是：一种基于粒子群模型的微电网经济调度方法，包括以下步骤：

步骤一，通过现有预测技术，获取未来一段时间的微电网发电预测值和微电网负荷预测值；

步骤二，设定微电网参数，包括储能设备容量、充放电速率、允许的电流方向、折旧成本、电能损失、外部电网的买电电价、卖点价格、新能源补贴等；

步骤三，通过粒子群算法求解优化方案，以每时刻的充电量、放电量和电能买卖量作为变量，以总效益最大化作为目标，求解出近似最优解；

步骤四，对最优解进行仿真实验，验证总收益是否高于一般的电池优先策略和削峰填谷策略。

优选的方案是，所述步骤一中，预测技术采用微电网发电预测技术或微电网负荷预测技术，所述微电网发电预测技术采用卫星辐照数据，并通过多元线性回归模型进行预测。

优选的方案是，所述步骤三中，粒子群算法的过程如下：

S1、在D维空间中，初始化m个粒子，第i个粒子的位置表示为：，第i个粒子的速度表示为：， 1≤i≤m,1 ≤d≤D；

其中, 代表时刻d时的充放电量，正值为充电，负值为放电，

用于记录粒子i经历过的历史最优位置，用于记录群体内所有粒子所经历过的最优位置。

S2、按照如下公式对粒子的位置和速度进行更新：

其中, k表示当前迭代次数，c₁、c₂是加速因子，又称学习因子，这里取值常数2，r₁、r₂是[0,1]之间的随机数值。

S3、根据微电网场景，得出收益函数F(x)，

得出，

其中，S(x)为全部进入主网的电能所产生的收益， B(x)为买电支出，即从主网输入的电能所产生的电费，D(x)为所有充放电行为产生的电池损害折旧值，o_i表示在时间i时发电大于负荷的部分，q_i表示在时间i时负荷大于发电的部分，在同一时刻，o_i和q_i一个为正，一个为非负，ps_i为时间i时的卖点电价，pb_i为时间i时的买电电价，dr为电池的充放电单位折旧；

收益函数F(x)的公式是根据微电网场景来的，微电网场景就是电池+发电设备（通常指光伏电站）+用电设施+电网，发电设备发的电大于用电设施的用电量，则多出的电卖给电网，也就是收益S(x)，发电不足时从电网购电，就是B(x)，每次充放电会造成电池折旧，就是D(x)，

再计算出每一个粒子点运动前和运动后所对应的微电网调度策略的总收益值F(x)，记录最优位置，更新p_i和p_g；对于p_i和p_g的更新，通过求解每个粒子的适应值来更新，每个粒子的适应值函数就是我们的总收益值函数F(x),起初每个粒子的位置会有初始值。

S4、重复S2和S3，直至S3中的收益差在n次迭代中无变化为止，n可取100，所得的粒子位置所对应的充放电策略即为近似最优调度策略。

得出最优调度策略就是粒子群算法pso的迭代过程，起初随机初始化粒子群，然后计算每个粒子的适应值，根据适应值更新p_i和p_g，更新粒子的位置和速度，接下来进入判断条件，如果达到最大迭代次数或者全局最优位置满足最小界限时，就得出最优调度策略，否则，重复S2和S3步骤。

在对最优解进行的仿真实验中，对5个太阳能发电站和358个用电单位进行了随机抽样的蒙特卡洛模拟，每次模拟按照流程图所示步骤给出调度方案，并与简单策略进行对比。最终结果表明本发明给出的方案的平均利润值为13035.3，大于简单策略的平均利润值10770.8（电池优先）和12341.7（削峰填谷），该实验结果说明本发明给出的调度方案具有经济优越性。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (3)

1.一种基于粒子群模型的微电网经济调度方法，其特征在于，包括以下步骤：

步骤一，通过现有预测技术，获取未来一段时间的微电网发电预测值和微电网负荷预测值；

步骤二，设定微电网参数，包括储能设备容量、充放电速率、允许的电流方向、折旧成本、电能损失、外部电网的买电电价、卖点价格、新能源补贴等；

步骤三，通过粒子群算法求解优化方案，以每时刻的充电量、放电量和电能买卖量作为变量，以总效益最大化作为目标，求解出近似最优解；

步骤四，对最优解进行仿真实验，验证总收益是否高于一般的电池优先策略和削峰填谷策略。

2.根据权利要求1所述的一种基于粒子群模型的微电网经济调度方法，其特征在于，所述步骤一中，所述预测技术采用微电网发电预测技术或微电网负荷预测技术，所述微电网发电预测技术采用卫星辐照数据，并通过多元线性回归模型进行预测。

3.根据权利要求1所述的一种基于粒子群模型的微电网经济调度方法，其特征在于，所述步骤三中，粒子群算法的过程如下：

S1、在D维空间中，初始化m个粒子，第i个粒子的位置表示为：，第i个粒子的速度表示为：， 1≤i≤m,1 ≤d≤D；

其中, 代表时刻d时的充放电量，正值为充电，负值为放电，

用于记录粒子i经历过的历史最优位置，用于记录群体内所有粒子所经历过的最优位置；

S2、按照如下公式对粒子的位置和速度进行更新：

其中, k表示当前迭代次数，c₁、c₂是加速因子，又称学习因子，这里取值常数2，r₁、r₂是[0,1]之间的随机数值，

S3、根据微电网场景，得出收益函数F(x)，

得出，

其中，S(x)为全部进入主网的电能所产生的收益， B(x)为买电支出，即从主网输入的电能所产生的电费，D(x)为所有充放电行为产生的电池损害折旧值，o_i表示在时间i时发电大于负荷的部分，q_i表示在时间i时负荷大于发电的部分，在同一时刻，o_i和q_i一个为正，一个为非负，ps_i为时间i时的卖点电价，pb_i为时间i时的买电电价，dr为电池的充放电单位折旧；

再计算出每一个粒子点运动前和运动后所对应的微电网调度策略的总收益值F(x)，记录最优位置，更新p_i和p_g；

S4、重复S2和S3，直至S3中的收益差在n次迭代中无变化为止，n可取100，所得的粒子位置所对应的充放电策略即为近似最优调度策略。