CN108054784A - 一种海岛微电网多源协调优化控制方法 - Google Patents

一种海岛微电网多源协调优化控制方法 Download PDF

Info

Publication number
CN108054784A
CN108054784A CN201810018048.3A CN201810018048A CN108054784A CN 108054784 A CN108054784 A CN 108054784A CN 201810018048 A CN201810018048 A CN 201810018048A CN 108054784 A CN108054784 A CN 108054784A
Authority
CN
China
Prior art keywords
mrow
msub
msubsup
micro
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.)
Pending
Application number
CN201810018048.3A
Other languages
English (en)
Inventor
蔡昌春
江冰
邓志祥
戴卫力
邓立华
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.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai University
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 Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN201810018048.3A priority Critical patent/CN108054784A/zh
Publication of CN108054784A publication Critical patent/CN108054784A/zh
Pending legal-status Critical Current

Links

Classifications

    • H02J3/382—
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Abstract

本发明公开了一种海岛微电网多源协调优化控制方法，该方法包含以下步骤：（1）确定微电网网络拓扑结构，根据环境气象信息预测未来一天24小时每一刻钟96个时间段的光伏发电系统、风力发电系统、潮能发电系统输出功率情况，预测未来一天24小时每一刻钟96个时间段民用负荷和海水淡化负荷功率；（2）以系统运行的经济性和系统运行的可靠性为目标函数，建立优化调度模型；（3）利用改进粒子群算法对建立的优化模型以及约束条件进行求解。本发明能够充分考虑海岛可再生能源的运行特性，结合柴油发电系统、储能系统以及海水淡化可控负荷，实现微电网的协调控制，达到系统最优运行的目标，从而提高海岛微电网智能化运行水平。

Description

一种海岛微电网多源协调优化控制方法
技术领域
本发明涉及一种海岛微电网多源协调优化控制方法，属于可再生能源 综合利用和智能电网优化控制领域。
背景技术
社会经济发展对于能源的需求越来越大，越来越严重的环境污染使得 传统能源在应用过程中面临瓶颈，如何解决能源匮乏和环境污染是当今社 会面临的重要问题。海洋能源的开发对于海洋环境的保护，促进节能减排 也具有重要意义。
智能微电网是为了解决分布式发电系统并网接入而提出了一种新的电 网组织形式。微电网集分布式发电系统、储能系统和负荷于一体，通过自 身的控制实现孤岛运行和并网运行，并可在两种运行方式间平滑切换。微 电网是提高分布式发电系统利用效率的有效途径，避免了大量分布式发电 系统接入对电力系统的冲击，并能够提高电网的供电能力。海洋蕴含大量 的可开发的可再生能源，其中风能、太阳能、波浪能、潮流能、潮汐能等能源相对开发难度较低。目前基于上述能源的分布式发电系统不断涌现为 海岛智能微电网的应用提供了条件。
随着海岛智能微电网的建设，基于分布式发电系统运行特性的微电网 优化运行提上日程。当多种能源接入微电网时，需要对各种可再生能源根 据其运行特性进行综合调度。国内外学者在这方面进行了大量的研究，从 经济性、可靠性、环保性等不同角度对微电网多种能源进行协调控制，提 高微电网运行的可靠性和经济性，从而提高可再生能源分布式发电系统的 利用效率。
发明内容
本发明的目的是为了综合考虑各种可再生能源分布式发电系统的运行 特性，以光伏、潮流能、风能、柴油发电机和储能进行协调控制，提供一 种海岛微电网多源协调优化控制方法，能够为微电网的综合运行提供指导， 提高微电网运行的经济性和可靠性。
一种海岛微电网多源协调优化控制方法，微电网包括分布式发电系统、 负荷和储能系统，其中，所述分布式发电系统包括光伏发电系统、风力发 电系统、潮流能发电系统和柴油机发电系统，所述负荷包括民用负荷和海 水淡化负荷，微电网多源协调优化控制的具体步骤如下：
步骤1：确定微电网网络拓扑结构：根据环境气象信息预测未来一天 24小时每一刻钟96个时间段的风力发电系统、光伏发电系统和潮流能发电 系统的输出功率以及负荷功率；
步骤2：构建微电网优化调度模型：以系统运行的经济性和系统运行的 可靠性为目标函数，建立优化模型，结合储能电池运行特点，通过柴油发 电机以及海水淡化负荷来协调电源和负荷的匹配；
步骤3：利用改进粒子群算法对步骤2建立的微电网优化调度模型以及 约束条件进行求解，获得未来一天微电网运行控制策略，指导系统运行。
优选地，所述步骤1采用神经网络预测模型预测未来一天24小时每一 刻钟96个时间段的光伏发电系统、潮流能发电系统和风力发电系统的输出 功率以及负荷功率；其中，光伏发电系统的输出功率由公式(1)确定；潮 流能发电系统的输出功率由公式(2)确定，风力发电系统的输出功率由公 式(3)确定，负荷功率由神经网络预测模型确定；公式(1)、公式(2) 和公式(3)如下：
其中，PPV为光伏发电系统的输出功率，PCT为潮流能发电系统的输出功 率，G(t)为光照强度，T(t)为温度，GSTC、PSTC、TSTC分别为标准测试环境下的 光照强度、最大输出功率和温度，k为温度系数；Cp为水轮机获能系数，ρ 为海水密度，S为水轮机叶轮的扫截面积，vCT为潮流上游流速,PW为风力发 电系统输出功率，vW为风速，vci，vr，vco分别为切入风速、额定风速和切 除风速。
优选地，所述步骤2中所述的目标函数如公式(4)所示：
minF(x)＝[FCost(x),FEnvi(x),FReli(x)]T (4)；
其中，F(x)为微电网运行的目标函数，FCost(x)为微电网发电成本，FEnvi(x) 为微电网运行环境折算成本，FReli(x)为微电网优化运行可靠性成本。
优选地，所述微电网发电成本FCost(x)包括分布式发电系统的运行维护成 本、燃料费用成本和启动成本，具体计算公式如公式(5)所示：
其中，COM为分布式发电系统的运行维护成本，CF为能源消耗成本，CSC为机组的启动成本，COP为可再生能源的机会成本；
其中，所述分布式发电系统的运行维护成本COM正比于机组的装机容量， 如公式(6)所示：
式(6)中，NG为各发电单元的数量，为第i种电源的装机容量，Komi为第i种电源的运行维护系数；
所述能源消耗成本CF为柴油发电机燃料费用成本，如公式(7)所示：
式(7)中，为t时段内的第i个柴油机所需燃料，为发电机启停 状态，Ci为燃料价格；
不间断电源机组的启停费用成本取决于上一次机组停运的时间，所述 各机组的启动成本CSC可表示为：
式(8)中，NSTOP为电源的启动次数，σi为电源i的热启动费用，δi为电 源i的冷启动费用，τi为电源i的冷却时间常数，Toff,i为电源i已停运时间；
所述可再生能源的机会成本COP的计算公式如下所示：
式(9)中，a0为参考电价，为放弃的可再生能源功率。
优选地，所述微电网运行环境折算成本FEnvi(x)包含柴油机在运行过程中 对环境的污染成本，结合微电网的环境效益，将环境损失作为微电网优化 运行的目标，如公式(10)所示：
式(10)中，NP为污染物种类，FEnvi为微电网运行环境折算成本，Yj为 第j种污染物的排放量，Dj为第j种污染物的环境折算成本。
优选地，所述微电网优化运行的可靠性成本FReli(x)包括微电网优化运行 过程中用户失去负荷的损失，其计算公式如下所示：
式(11)中，M为中断负荷数量，C0为电价，βi为用户费用补偿系数， 为t时刻负荷中断功率；负荷中断功率由负荷容量SIL,i和负荷关断标记 ITIL,i决定，并满足
优选地，所述步骤(3)中的约束条件包括如下：
(1)功率平衡约束，即微电网各分布式电源和储能系统发出的功率之 和与用户所需求的功率相互匹配，如公式(12)所示：
式(12)中，为t时刻用户需求功率，为海水淡化所需功率， 分别是潮流、光伏、风力、储能系统、柴油机在t时刻所 发出的功率；
(2)输出功率约束，即每个分布式发电系统的实际输出功率Pi要满足 其容量的上下限约束，如下所示：
式(13)中，Pi,min为电源的最小输出功率，Pi,max为电源的最大输出功率；
(3)最小关机和最小运行时间约束，即Ti,off≥Ti,off,min，Ti,on≥Ti,onf,min；其中Ti,off,Ti,on分别为电源i的关机、开机时间，Ti,of,minf,Ti,on,min分别为电源i的最小关机 和开机时间；
(4)启停次数约束，即其中，Ni,max为调度时段 内最大启停次数；
(5)储能蓄电池状态约束，即储能系统中的储能蓄电池单位时间充放 电过程中，储能蓄电池不能超过其最大容量10％，要满足其充放电约束及能 量状态约束，如下所示：
其中，P+为单位小时内的充电功率，P-为单位小时内的放电功率，EBT为 蓄电池的最大容量，Δt为单位时间，为t时段内的剩余容量，ηch为蓄电池 充电效率，tch为蓄电池充电时间，ηdis为蓄电池放电效率，tdis为蓄电池放电 时间；
(6)日淡水供应量约束，如公式(16)所示：
式(16)中，Qwater为日供水量，Pdes海水淡化系统输入功率，ηdes为海水 淡化系统效率。
优选地，所述步骤3对步骤2建立的微电网优化调度模型以及约束条 件的具体求解步骤如下：
步骤3.1：构造粒子群结构，每个粒子的每一维为微电网中需要优化的 分布式发电系统的输出功率X＝[x1,x2,...xn]，其中，初始化粒子群优化算法参 数包括最大迭代次数、优化参数搜索范围、变邻域搜索区间；
步骤3.2：根据初始粒子位置和飞行速度进行目标函数的适应度计算， 获得粒子群算法个体最优解xi,pbest和全局最优解xgbest，并进行粒子速度和位置 的更新，其中，更新方程如下所示：
vi(Iter)＝ωvi(Iter-1)+c1r[xi,pbest-xi(Iter-1)]+c2r[xgbest-xi(Iter-1)]
xi(Iter)＝vi(Iter)+xi(Iter-1) (17)
式(17)中，xi(Iter)为迭代Iter次后第i个粒子的位置，vi(Iter)为迭代Iter 次后第i个粒子的速度，xi,best第i个粒子的个体最优解，xgbest粒子的全局最优 解，c1，c2分别为加速算子，r为随机数，ω为权重因子，Iter为迭代次数；
步骤3.3：利用logistic函数ui,j+1＝4ui,j(1-ui,j)产生一个混沌变量，其中ui,j为当前混沌变量，取值在(0,1)之间,且ui,j的值不等于0.25、0.5、0.75， ui,j+1为下一代混沌变量；
步骤3.4：将步骤3.3产生的混沌变量映射为变量变化值，Δxi＝-β+2β·ui,j+1， 其中，β为邻域半径，Δxi为个体最优解或者全局最优解位置偏移值，邻域 半径的变化为xi,min、xi,max为粒子位置的最大和最小值， 邻域半径随着迭代次数的增加而非线性的减小；
步骤3.5：根据邻域搜索确定新的个体最优解和全局最优解位置，利用 和确定新的个体最优解位置和全局最优解 位置，分别对比邻域搜索前后个体最优解和全局最优解的适应度，将适应 度高的粒子确定为最新的个体最优解和全局最优解；
步骤3.6：更新加速算子，加速算子的迭代如下式所示：
c2＝2-c1 (19)；
其中，c1和c2为改进粒子群算法的加速算子，xi,avg为所有粒子位置的平 均值，xgbest为粒子的全局最优解，为平均位置到最优位置的距离；
步骤3.7：粒子更新：判断个体是否越界，如果粒子越界，则粒子更新 转化为：
并修改速度的最大值：
vi,max＝K(vi,max-vi,min) (21)；
其中，K为转换系数，介于0.1和1.0之间，即0.1≤K≤1.0；
步骤3.8：根据最大迭代次数判断算法是否终止，如果未达到最大迭代 次数，返回步骤3.3，如果达到最大迭代次数，计算终止并输出未来一天系 统的调度策略。
优选地，根据计算输出的系统的调度策略，进行微电网运行优化调度， 实现微电网的多源协调优化控制。
有益效果：本发明提供一种海岛微电网多源协调优化控制方法，能够 充分考虑海岛可再生能源的运行特性，结合柴油发电系统、储能系统以及 海水淡化可控负荷，实现微电网的协调控制，达到系统最优运行的目标， 从而提高海岛微电网智能化运行水平。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面对本 申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例 仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施 例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都应当属于本申请保护的范围。
一种海岛微电网多源协调优化控制方法，微电网包括分布式发电系统、 负荷和储能系统，其中，所述分布式发电系统包括光伏发电系统、风力发 电系统、潮流能发电系统和柴油机发电系统，所述负荷包括民用负荷和海 水淡化负荷，微电网多源协调优化控制的具体步骤如下：
步骤1：确定微电网网络拓扑结构：根据环境气象信息预测未来一天 24小时每一刻钟96个时间段的风力发电系统、光伏发电系统和潮流能发电 系统的输出功率以及负荷功率(民用负荷功率和海水淡化负荷功率)；
步骤2：构建微电网优化调度模型：以系统运行的经济性和系统运行的 可靠性为目标函数，建立优化模型，结合储能电池运行特点，通过柴油发 电机以及海水淡化负荷来协调电源和负荷的匹配；
步骤3：利用改进粒子群算法对步骤2建立的微电网优化调度模型以及 约束条件进行求解，获得未来一天微电网运行控制策略，指导系统运行。
优选地，所述步骤1采用神经网络预测模型预测未来一天24小时每一 刻钟96个时间段的光伏发电系统、潮流能发电系统和风力发电系统的输出 功率以及负荷功率；其中，光伏发电系统的输出功率由公式(1)确定；潮 流能发电系统的输出功率由公式(2)确定，风力发电系统的输出功率由公 式(3)确定，负荷功率由神经网络预测模型确定(其中，采用神经网络预 测模型预测负荷功率为常规技术手段)；公式(1)、公式(2)和公式(3) 如下：
其中，PPV为光伏发电系统的输出功率，PCT为潮流能发电系统的输出功 率，G(t)为光照强度，T(t)为温度，GSTC、PSTC、TSTC分别为标准测试环境下的 光照强度、最大输出功率和温度，k为温度系数；Cp为水轮机获能系数，ρ 为海水密度，S为水轮机叶轮的扫截面积，vCT为潮流上游流速,PW为风力发 电系统输出功率，vW为风速，vci，vr，vco分别为切入风速、额定风速和切 除风速。
优选地，所述步骤2中所述的目标函数如公式(4)所示：
minF(x)＝[FCost(x),FEnvi(x),FReli(x)]T (4)；
其中，F(x)为微电网运行的目标函数，FCost(x)为微电网发电成本，FEnvi(x) 为微电网运行环境折算成本，FReli(x)为微电网优化运行可靠性成本。
优选地，所述微电网发电成本FCost(x)包括分布式发电系统的运行维护成 本、燃料费用成本和启动成本，具体计算公式如公式(5)所示：
其中，COM为分布式发电系统的运行维护成本，CF为能源消耗成本，CSC为机组的启动成本，COP为可再生能源的机会成本；
其中，所述分布式发电系统的运行维护成本COM正比于机组的装机容量， 如公式(6)所示：
式(6)中，NG为各发电单元的数量，为第i种电源的装机容量，Komi为第i种电源的运行维护系数；
所述能源消耗成本CF为柴油发电机燃料费用成本，如公式(7)所示：
式(7)中，为t时段内的第i个柴油机所需燃料，为发电机启停 状态，Ci为燃料价格；
不间断电源机组的启停费用成本取决于上一次机组停运的时间，所述 各机组的启动成本CSC可表示为：
式(8)中，NSTOP为电源的启动次数，σi为电源i的热启动费用，δi为电 源i的冷启动费用，τi为电源i的冷却时间常数，Toff,i为电源i已停运时间；
所述可再生能源的机会成本COP的计算公式如下所示：
式(9)中，a0为参考电价，为放弃的可再生能源功率。
优选地，所述微电网运行环境折算成本FEnvi(x)包含柴油机在运行过程中 对环境的污染成本，结合微电网的环境效益，将环境损失作为微电网优化 运行的目标，如公式(10)所示：
式(10)中，NP为污染物种类，FEnvi为微电网运行环境折算成本，Yj为 第j种污染物的排放量，Dj为第j种污染物的环境折算成本。
优选地，所述微电网优化运行的可靠性成本FReli(x)包括微电网优化运行 过程中用户失去负荷的损失，其计算公式如下所示：
式(11)中，M为中断负荷数量，C0为电价，βi为用户费用补偿系数， 为t时刻负荷中断功率；负荷中断功率由负荷容量SIL,i和负荷关断标记ITIL,i决定，并满足(此处涉及到的负荷不包括海水淡化负荷)
优选地，所述步骤(3)中的约束条件包括如下：
(1)功率平衡约束，即微电网各分布式电源和储能系统发出的功率之 和与用户所需求的功率相互匹配，如公式(12)所示：
式(12)中，为t时刻用户需求功率，为海水淡化所需功率， 分别是潮流、光伏、风力、储能系统、柴油机在t时刻所 发出的功率；
(2)输出功率约束，即每个分布式发电系统的实际输出功率Pi要满足 其容量的上下限约束，如下所示：
式(13)中，Pi,min为电源的最小输出功率，Pi,max为电源的最大输出功率；
(3)最小关机和最小运行时间约束，即Ti,off≥Ti,off,min，Ti,on≥Ti,onf,min；其中Ti,off,Ti,on分别为电源i的关机、开机时间，Ti,of,minf,Ti,on,min分别为电源i的最小关机 和开机时间；
(4)启停次数约束，即其中，Ni,max为调度时段 内最大启停次数；
(5)储能蓄电池状态约束，即储能系统中的储能蓄电池单位时间充放 电过程中，储能蓄电池不能超过其最大容量10％，要满足其充放电约束及能 量状态约束，如下所示：
其中，P+为单位小时内的充电功率，P-为单位小时内的放电功率，EBT为 蓄电池的最大容量，Δt为单位时间，为t时段内的剩余容量，ηch为蓄电池 充电效率，tch为蓄电池充电时间，ηdis为蓄电池放电效率，tdis为蓄电池放电 时间；
(6)日淡水供应量约束，如公式(16)所示：
式(16)中，Qwater为日供水量，Pdes海水淡化系统输入功率，ηdes为海水 淡化系统效率。
优选地，所述步骤3对步骤2建立的微电网优化调度模型以及约束条 件的具体求解步骤如下：
步骤3.1：构造粒子群结构，每个粒子的每一维为微电网中需要优化的 分布式发电系统的输出功率X＝[x1,x2,...xn]，其中，初始化粒子群优化算法参 数包括最大迭代次数、优化参数搜索范围、变邻域搜索区间；
步骤3.2：根据初始粒子位置和飞行速度进行目标函数的适应度计算， 获得粒子群算法个体最优解xi,p b est和全局最优解xgbest，并进行粒子速度和位置 的更新，其中，更新方程如下所示：
vi(Iter)＝ωvi(Iter-1)+c1r[xi,pbest-xi(Iter-1)]+c2r[xgbest-xi(Iter-1)]
xi(Iter)＝vi(Iter)+xi(Iter-1) (17)
式(17)中，xi(Iter)为迭代Iter次后第i个粒子的位置，vi(Iter)为迭代Iter 次后第i个粒子的速度，xi,best第i个粒子的个体最优解，xgbest粒子的全局最优 解，c1，c2分别为加速算子，r为随机数，ω为权重因子，Iter为迭代次数；
步骤3.3：利用logistic函数ui,j+1＝4ui,j(1-ui,j)产生一个混沌变量，其中ui,j为当前混沌变量，取值在(0,1)之间,且ui,j的值不等于0.25、0.5、0.75， ui,j+1为下一代混沌变量；
步骤3.4：将步骤3.3产生的混沌变量映射为变量变化值，Δxi＝-β+2β·ui,j+1， 其中，β为邻域半径，Δxi为个体最优解或者全局最优解位置偏移值，邻域 半径的变化为xi,min、xi,max为粒子位置的最大和最小值， 邻域半径随着迭代次数的增加而非线性的减小；
步骤3.5：根据邻域搜索确定新的个体最优解和全局最优解位置，利用和确定新的个体最优解位置和全局最优解 位置，分别对比邻域搜索前后个体最优解和全局最优解的适应度，将适应 度高的粒子确定为最新的个体最优解和全局最优解；
步骤3.6：更新加速算子，加速算子的迭代如下式所示：
c2＝2-c1 (19)；
其中，c1和c2为改进粒子群算法的加速算子，xi,avg为所有粒子位置的平 均值，xgbest为粒子的全局最优解，为平均位置到最优位置的距离；
步骤3.7：粒子更新：判断个体是否越界，如果粒子越界，则粒子更新 转化为：
并修改速度的最大值：
vi,max＝K(vi,max-vi,min) (21)；
其中，K为转换系数，介于0.1和1.0之间，即0.1≤K≤1.0；
步骤3.8：根据最大迭代次数判断算法是否终止，如果未达到最大迭代 次数，返回步骤3.3，如果达到最大迭代次数，计算终止并输出未来一天系 统的调度策略。
优选地，根据计算输出的未来一天的系统的调度策略，未来一天微电 网运行各分布式发电系统的最优输出功率，进行微电网运行优化调度，实 现微电网的多源协调优化控制。
本发明中的海岛微电网包含的分布式发电系统有光伏发电系统、潮流 能发电系统、风力发电系统、柴油机发电系统四种分布式发电系统。其中， 光伏发电系统、潮流能发电系统和风力发电系统为可再生能源分布式发电 系统，在优化调度时优先考虑，当电源不足时通过柴油发电系统以及储能 系统进行调节优化控制，另外在紧急情况下可切除一般民用负荷来满足电 网运行的需求。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使 用本发明。对这些实施例的两种修改对本领域的专业技术人员来说将是显 而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的 情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的 这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的 范围。

Claims (9)

1.一种海岛微电网多源协调优化控制方法，微电网包括分布式发电系统、负荷和储能系统，其中，所述分布式发电系统包括光伏发电系统、风力发电系统、潮流能发电系统和柴油机发电系统，所述负荷包括民用负荷和海水淡化负荷，其特征在于，微电网多源协调优化控制的具体步骤如下：
步骤1：确定微电网网络拓扑结构：根据环境气象信息预测未来一天24小时每一刻钟96个时间段的风力发电系统、光伏发电系统和潮流能发电系统的输出功率以及负荷功率；
步骤2：构建微电网优化调度模型：以系统运行的经济性和系统运行的可靠性为目标函数，建立优化模型，结合储能电池运行特点，通过柴油发电机以及海水淡化负荷来协调电源和负荷的匹配；
步骤3：利用改进粒子群算法对步骤2建立的微电网优化调度模型以及约束条件进行求解，获得未来一天微电网运行控制策略，指导系统运行。
2.根据权利要求1所述的一种海岛微电网多源协调优化控制方法，其特征在于：所述步骤1采用神经网络预测模型预测未来一天24小时每一刻钟96个时间段的光伏发电系统、潮流能发电系统和风力发电系统的输出功率以及负荷功率；其中，光伏发电系统的输出功率由公式(1)确定；潮流能发电系统的输出功率由公式(2)确定，风力发电系统的输出功率由公式(3)确定，负荷功率由神经网络预测模型确定；公式(1)、公式(2)和公式(3)如下：
<mrow> <msub> <mi>P</mi> <mrow> <mi>P</mi> <mi>V</mi> </mrow> </msub> <mo>=</mo> <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> <mo>;</mo> </mrow>
<mrow> <msub> <mi>P</mi> <mrow> <mi>C</mi> <mi>T</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <msub> <mi>C</mi> <mi>p</mi> </msub> <msubsup> <mi>&amp;rho;Sv</mi> <mrow> <mi>C</mi> <mi>T</mi> </mrow> <mn>3</mn> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
<mrow> <msub> <mi>P</mi> <mi>W</mi> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <msub> <mi>v</mi> <mi>W</mi> </msub> <mo>&lt;</mo> <msub> <mi>v</mi> <mrow> <mi>c</mi> <mi>i</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>av</mi> <mi>W</mi> <mn>3</mn> </msubsup> <mo>+</mo> <msubsup> <mi>bv</mi> <mi>W</mi> <mn>2</mn> </msubsup> <mo>+</mo> <msub> <mi>cv</mi> <mi>W</mi> </msub> <mo>+</mo> <mi>d</mi> </mrow> </mtd> <mtd> <mrow> <msub> <mi>v</mi> <mrow> <mi>c</mi> <mi>i</mi> </mrow> </msub> <mo>&lt;</mo> <msub> <mi>v</mi> <mi>W</mi> </msub> <mo>&lt;</mo> <msub> <mi>v</mi> <mi>r</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <msub> <mi>P</mi> <mi>r</mi> </msub> </mtd> <mtd> <mrow> <msub> <mi>v</mi> <mi>r</mi> </msub> <mo>&lt;</mo> <msub> <mi>v</mi> <mi>W</mi> </msub> <mo>&lt;</mo> <msub> <mi>v</mi> <mrow> <mi>c</mi> <mi>o</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <msub> <mi>v</mi> <mi>W</mi> </msub> <mo>&gt;</mo> <msub> <mi>v</mi> <mrow> <mi>c</mi> <mi>o</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
其中，PPV为光伏发电系统的输出功率，PCT为潮流能发电系统的输出功率，G(t)为光照强度，T(t)为温度，GSTC、PSTC、TSTC分别为标准测试环境下的光照强度、最大输出功率和温度，k为温度系数；Cp为水轮机获能系数，ρ为海水密度，S为水轮机叶轮的扫截面积，vCT为潮流上游流速,PW为风力发电系统输出功率，vW为风速，vci，vr，vco分别为切入风速、额定风速和切除风速。
3.根据权利要求2所述的一种海岛微电网多源协调优化控制方法，其特征在于：所述步骤2中所述的目标函数如公式(4)所示：
minF(x)＝[FCost(x),FEnvi(x),FReli(x)]T (4)；
其中，F(x)为微电网运行的目标函数，FCost(x)为微电网发电成本，FEnvi(x)为微电网运行环境折算成本，FReli(x)为微电网优化运行可靠性成本。
4.根据权利要求3所述的一种海岛微电网多源协调优化控制方法，其特征在于：所述微电网发电成本FCost(x)包括分布式发电系统的运行维护成本、燃料费用成本和启动成本，具体计算公式如公式(5)所示：
<mrow> <msub> <mi>F</mi> <mrow> <mi>C</mi> <mi>o</mi> <mi>s</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <mo>&amp;lsqb;</mo> <msub> <mi>C</mi> <mrow> <mi>O</mi> <mi>M</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>C</mi> <mi>F</mi> </msub> <mo>+</mo> <msub> <mi>C</mi> <mrow> <mi>S</mi> <mi>C</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>C</mi> <mrow> <mi>O</mi> <mi>P</mi> </mrow> </msub> <mo>&amp;rsqb;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
其中，COM为分布式发电系统的运行维护成本，CF为能源消耗成本，CSC为机组的启动成本，COP为可再生能源的机会成本；
其中，所述分布式发电系统的运行维护成本COM正比于机组的装机容量，如公式(6)所示：
<mrow> <msub> <mi>C</mi> <mrow> <mi>O</mi> <mi>M</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>G</mi> </msub> </munderover> <msubsup> <mi>S</mi> <mi>i</mi> <mi>t</mi> </msubsup> <mo>&amp;CenterDot;</mo> <msub> <mi>K</mi> <mrow> <mi>o</mi> <mi>m</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
式(6)中，NG为各发电单元的数量，为第i种电源的装机容量，Komi为第i种电源的运行维护系数；
所述能源消耗成本CF为柴油发电机燃料费用成本，如公式(7)所示：
<mrow> <msub> <mi>C</mi> <mi>F</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mrow> <mi>D</mi> <mi>E</mi> <mi>G</mi> </mrow> </msub> </munderover> <mi>f</mi> <mrow> <mo>(</mo> <msubsup> <mi>P</mi> <mi>i</mi> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <msubsup> <mi>u</mi> <mi>i</mi> <mi>t</mi> </msubsup> <msub> <mi>C</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
式(7)中，为t时段内的第i个柴油机所需燃料，为发电机启停状态，Ci为燃料价格；
不间断电源机组的启停费用成本取决于上一次机组停运的时间，所述各机组的启动成本CSC可表示为：
<mrow> <msub> <mi>C</mi> <mrow> <mi>S</mi> <mi>C</mi> </mrow> </msub> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mrow> <mi>S</mi> <mi>T</mi> <mi>O</mi> <mi>P</mi> </mrow> </msub> </munderover> <msubsup> <mi>u</mi> <mi>i</mi> <mi>t</mi> </msubsup> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msubsup> <mi>u</mi> <mi>i</mi> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mo>{</mo> <msub> <mi>&amp;sigma;</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>&amp;delta;</mi> <mi>i</mi> </msub> <mo>&amp;lsqb;</mo> <mn>1</mn> <mo>-</mo> <mi>exp</mi> <mo>(</mo> <mfrac> <mrow> <mo>-</mo> <msub> <mi>T</mi> <mrow> <mi>o</mi> <mi>f</mi> <mi>f</mi> <mo>,</mo> <mi>i</mi> </mrow> </msub> </mrow> <msub> <mi>&amp;tau;</mi> <mi>i</mi> </msub> </mfrac> <mo>)</mo> <mo>&amp;rsqb;</mo> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
式(8)中，NSTOP为电源的启动次数，σi为电源i的热启动费用，δi为电源i的冷启动费用，τi为电源i的冷却时间常数，Toff,i为电源i已停运时间；
所述可再生能源的机会成本COP的计算公式如下所示：
<mrow> <msub> <mi>C</mi> <mrow> <mi>O</mi> <mi>P</mi> </mrow> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <mi>A</mi> </mrow> </munder> <msub> <mi>a</mi> <mn>0</mn> </msub> <msubsup> <mi>P</mi> <mrow> <mi>R</mi> <mi>G</mi> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
式(9)中，a0为参考电价，为放弃的可再生能源功率。
5.根据权利要求4所述的一种海岛微电网多源协调优化控制方法，其特征在于：所述微电网运行环境折算成本FEnvi(x)包含柴油机在运行过程中对环境的污染成本，结合微电网的环境效益，将环境损失作为微电网优化运行的目标，如公式(10)所示：
<mrow> <mi>min</mi> <mi> </mi> <msub> <mi>F</mi> <mrow> <mi>E</mi> <mi>n</mi> <mi>v</mi> <mi>i</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>P</mi> </msub> </munderover> <msub> <mi>Y</mi> <mi>j</mi> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>D</mi> <mi>j</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
式(10)中，NP为污染物种类，FEnvi为微电网运行环境折算成本，Yj为第j种污染物的排放量，Dj为第j种污染物的环境折算成本。
6.根据权利要求5所述的一种海岛微电网多源协调优化控制方法，其特征在于：所述微电网优化运行的可靠性成本FReli(x)包括微电网优化运行过程中用户失去负荷的损失，其计算公式如下所示：
<mrow> <msub> <mi>F</mi> <mrow> <mi>Re</mi> <mi>l</mi> <mi>i</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>C</mi> <mn>0</mn> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <msub> <mi>&amp;beta;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msubsup> <mi>P</mi> <mrow> <mi>I</mi> <mi>L</mi> <mo>,</mo> <mi>i</mi> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
式(11)中，M为中断负荷数量，C0为电价，βi为用户费用补偿系数，为t时刻负荷中断功率；负荷中断功率由负荷容量SIL,i和负荷关断标记ITIL,i决定，并满足
7.根据权利要求6所述的一种海岛微电网多源协调优化控制方法，其特征在于：所述步骤(3)中的约束条件包括如下：
(1)功率平衡约束，即微电网各分布式电源和储能系统发出的功率之和与用户所需求的功率相互匹配，如公式(12)所示：
<mrow> <msubsup> <mi>P</mi> <mrow> <mi>L</mi> <mi>O</mi> <mi>A</mi> <mi>D</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <mo>=</mo> <mo>&amp;lsqb;</mo> <msubsup> <mi>P</mi> <mrow> <mi>C</mi> <mi>T</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>P</mi> <mi>V</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mi>W</mi> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>B</mi> <mi>T</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>D</mi> <mi>E</mi> <mi>G</mi> </mrow> <mi>t</mi> </msubsup> <mo>&amp;rsqb;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
式(12)中，为t时刻用户需求功率，为海水淡化所需功率， 分别是潮流、光伏、风力、储能系统、柴油机在t时刻所发出的功率；
(2)输出功率约束，即每个分布式发电系统的实际输出功率Pi要满足其容量的上下限约束，如下所示：
<mrow> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mo>&amp;le;</mo> <msub> <mi>P</mi> <mi>i</mi> </msub> <mo>&amp;le;</mo> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>,</mo> <mo>&amp;ForAll;</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
式(13)中，Pi,min为电源的最小输出功率，Pi,max为电源的最大输出功率；
(3)最小关机和最小运行时间约束，即Ti,off≥Ti,off,min，Ti,on≥Ti,onf,min；其中Ti,off,Ti,on分别为电源i的关机、开机时间，Ti,of,minf,Ti,on,min分别为电源i的最小关机和开机时间；
(4)启停次数约束，即其中，Ni,max为调度时段内最大启停次数；
(5)储能蓄电池状态约束，即储能系统中的储能蓄电池单位时间充放电过程中，储能蓄电池不能超过其最大容量10％，要满足其充放电约束及能量状态约束，如下所示：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>P</mi> <mo>+</mo> </msub> <mo>&amp;le;</mo> <mn>0.1</mn> <msub> <mi>E</mi> <mrow> <mi>B</mi> <mi>T</mi> </mrow> </msub> <mo>/</mo> <mi>&amp;Delta;</mi> <mi>t</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>P</mi> <mo>-</mo> </msub> <mo>&amp;le;</mo> <mn>0.1</mn> <msub> <mi>E</mi> <mrow> <mi>B</mi> <mi>T</mi> </mrow> </msub> <mo>/</mo> <mi>&amp;Delta;</mi> <mi>t</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>14</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>E</mi> <mrow> <mi>B</mi> <mi>T</mi> </mrow> <mi>t</mi> </msubsup> <mo>=</mo> <msubsup> <mi>E</mi> <mrow> <mi>B</mi> <mi>T</mi> </mrow> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>B</mi> <mi>T</mi> <mo>,</mo> <mi>c</mi> </mrow> <mi>i</mi> </msubsup> <mo>&amp;CenterDot;</mo> <msub> <mi>&amp;eta;</mi> <mrow> <mi>c</mi> <mi>h</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>t</mi> <mrow> <mi>c</mi> <mi>h</mi> </mrow> </msub> <mo>-</mo> <msubsup> <mi>P</mi> <mrow> <mi>B</mi> <mi>T</mi> <mo>,</mo> <mi>d</mi> </mrow> <mi>i</mi> </msubsup> <mo>&amp;CenterDot;</mo> <msub> <mi>t</mi> <mrow> <mi>d</mi> <mi>i</mi> <mi>s</mi> </mrow> </msub> <mo>/</mo> <msub> <mi>&amp;eta;</mi> <mrow> <mi>d</mi> <mi>i</mi> <mi>s</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>15</mn> <mo>)</mo> </mrow> </mrow>
其中，P+为单位小时内的充电功率，P-为单位小时内的放电功率，EBT为蓄电池的最大容量，Δt为单位时间，为t时段内的剩余容量，ηch为蓄电池充电效率，tch为蓄电池充电时间，ηdis为蓄电池放电效率，tdis为蓄电池放电时间；
(6)日淡水供应量约束，如公式(16)所示：
<mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>24</mn> </munderover> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> <mi>s</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msub> <mi>&amp;eta;</mi> <mrow> <mi>d</mi> <mi>e</mi> <mi>s</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>Q</mi> <mrow> <mi>w</mi> <mi>a</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>16</mn> <mo>)</mo> </mrow> </mrow>
式(16)中，Qwater为日供水量，Pdes海水淡化系统输入功率，ηdes为海水淡化系统效率。
8.根据权利要求7所述的一种海岛微电网多源协调优化控制方法，其特征在于：所述步骤3对步骤2建立的微电网优化调度模型以及约束条件的具体求解步骤如下：
步骤3.1：构造粒子群结构，每个粒子的每一维为微电网中需要优化的分布式发电系统的输出功率X＝[x1,x2,...xn]，其中，初始化粒子群优化算法参数包括最大迭代次数、优化参数搜索范围、变邻域搜索区间；
步骤3.2：根据初始粒子位置和飞行速度进行目标函数的适应度计算，获得粒子群算法个体最优解xi,pbest和全局最优解xgbest，并进行粒子速度和位置的更新，其中，更新方程如下所示：
vi(Iter)＝ωvi(Iter-1)+c1r[xi,pbest-xi(Iter-1)]+c2r[xgbest-xi(Iter-1)]
xi(Iter)＝vi(Iter)+xi(Iter-1) (17)
式(17)中，xi(Iter)为迭代Iter次后第i个粒子的位置，vi(Iter)为迭代Iter次后第i个粒子的速度，xi,best第i个粒子的个体最优解，xgbest粒子的全局最优解，c1，c2分别为加速算子，r为随机数，ω为权重因子，Iter为迭代次数；
步骤3.3：利用logistic函数ui,j+1＝4ui,j(1-ui,j)产生一个混沌变量，其中ui,j为当前混沌变量，取值在(0,1)之间,且ui,j的值不等于0.25、0.5、0.75，ui,j+1为下一代混沌变量；
步骤3.4：将步骤3.3产生的混沌变量映射为变量变化值，Δxi＝-β+2β·ui,j+1，其中，β为邻域半径，Δxi为个体最优解或者全局最优解位置偏移值，邻域半径的变化为xi,min、xi,max为粒子位置的最大和最小值，邻域半径随着迭代次数的增加而非线性的减小；
步骤3.5：根据邻域搜索确定新的个体最优解和全局最优解位置，利用和确定新的个体最优解位置和全局最优解位置，分别对比邻域搜索前后个体最优解和全局最优解的适应度，将适应度高的粒子确定为最新的个体最优解和全局最优解；
步骤3.6：更新加速算子，加速算子的迭代如下式所示：
<mrow> <msub> <mi>c</mi> <mn>1</mn> </msub> <mo>=</mo> <mn>2</mn> <mo>-</mo> <mn>2</mn> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mo>|</mo> <mo>|</mo> <mfrac> <mrow> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>a</mi> <mi>v</mi> <mi>g</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>x</mi> <mrow> <mi>g</mi> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msub> </mrow> <msub> <mi>x</mi> <mrow> <mi>g</mi> <mi>b</mi> <mi>e</mi> <mi>s</mi> <mi>t</mi> </mrow> </msub> </mfrac> <mo>|</mo> <mo>|</mo> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>18</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
c2＝2-c1 (19)；
其中，c1和c2为改进粒子群算法的加速算子，xi,avg为所有粒子位置的平均值，xgbest为粒子的全局最优解，为平均位置到最优位置的距离；
步骤3.7：粒子更新：判断个体是否越界，如果粒子越界，则粒子更新转化为：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>I</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> </mrow> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>I</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>I</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>I</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> </mrow> <mo>)</mo> </mrow> <mo>&gt;</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>max</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>I</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> </mrow> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>I</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>I</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mrow> <mi>I</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> </mrow> <mo>)</mo> </mrow> <mo>&lt;</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>min</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>20</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
并修改速度的最大值：
vi,max＝K(vi,max-vi,min) (21)；
其中，K为转换系数，介于0.1和1.0之间，即0.1≤K≤1.0；
步骤3.8：根据最大迭代次数判断算法是否终止，如果未达到最大迭代次数，返回步骤3.3，如果达到最大迭代次数，计算终止并输出未来一天系统的调度策略。
9.根据权利要求8所述的一种海岛微电网多源协调优化控制方法，其特征在于：根据计算输出的未来一天系统的调度策略，进行微电网运行优化调度，实现微电网的多源协调优化控制。
CN201810018048.3A 2018-01-09 2018-01-09 一种海岛微电网多源协调优化控制方法 Pending CN108054784A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810018048.3A CN108054784A (zh) 2018-01-09 2018-01-09 一种海岛微电网多源协调优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810018048.3A CN108054784A (zh) 2018-01-09 2018-01-09 一种海岛微电网多源协调优化控制方法

Publications (1)

Publication Number Publication Date
CN108054784A true CN108054784A (zh) 2018-05-18

Family

ID=62126336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810018048.3A Pending CN108054784A (zh) 2018-01-09 2018-01-09 一种海岛微电网多源协调优化控制方法

Country Status (1)

Country Link
CN (1) CN108054784A (zh)

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108879793A (zh) * 2018-07-12 2018-11-23 电子科技大学 一种风光蓄能水电站互补的离网式混合能源系统优化方法
CN109038631A (zh) * 2018-08-20 2018-12-18 北京华建网源电力设计研究院有限公司 一种分布式发电和储能的容量配置方法
CN109165775A (zh) * 2018-08-07 2019-01-08 上海电机学院 一种基于二进制粒子群的能源互联网的优化调度方法
CN109299823A (zh) * 2018-09-22 2019-02-01 天津大学 一种考虑热法海水淡化的微能源网多目标规划方法
CN109361237A (zh) * 2018-11-30 2019-02-19 国家电网公司西南分部 基于改进混合粒子群算法的微电网容量优化配置方法
CN109449973A (zh) * 2018-11-09 2019-03-08 西华大学 一种含光伏和储能的轨道交通供电系统能量优化方法
CN109462231A (zh) * 2018-11-15 2019-03-12 合肥工业大学 居民微电网的负荷优化调度方法、系统和存储介质
CN109858759A (zh) * 2018-12-29 2019-06-07 陕西鼓风机（集团）有限公司 一种工业园区综合能源平衡调度方法
CN110365045A (zh) * 2019-07-09 2019-10-22 闽江学院 一种基于估计与补偿控制的风光互补发电系统的网络延时抑制方法
CN111144633A (zh) * 2019-12-19 2020-05-12 广东工业大学 一种cchp微电网运行优化方法
CN111181215A (zh) * 2020-01-20 2020-05-19 上海理工大学 基于粒子群优化算法的电能调控充电系统及其操作方法
CN111193270A (zh) * 2019-09-09 2020-05-22 清华大学 有限容量的三相四桥臂变流器不平衡灵活补偿方法及装置
CN111210090A (zh) * 2020-02-24 2020-05-29 深圳天顺智慧能源科技有限公司 微电网经济调度方法
CN111224431A (zh) * 2019-12-16 2020-06-02 深圳合纵能源技术有限公司 一种基于数值天气预报的海岛微电网风储联合优化调度算法
CN111342462A (zh) * 2020-03-31 2020-06-26 安阳师范学院 一种微电网优化调度系统、方法、存储介质、计算机程序
CN111461387A (zh) * 2019-12-30 2020-07-28 杭州电子科技大学 一种环保岛系统设计的径向基协同优化方法
CN111585279A (zh) * 2020-06-11 2020-08-25 南京工程学院 一种基于新能源消纳的微电网优化调度方法
CN112347694A (zh) * 2020-10-26 2021-02-09 重庆大学 含洋流-海上风电-潮汐流发电的海岛微网电源规划方法
CN112491086A (zh) * 2020-11-20 2021-03-12 西安热工研究院有限公司 一种风光储独立微电网优化配置方法
CN112583017A (zh) * 2020-11-23 2021-03-30 平高集团有限公司 考虑储能运行约束的混合微电网能量分配方法及系统
CN112600209A (zh) * 2020-12-11 2021-04-02 湖北工业大学 一种含潮流能的海岛独立微电网容量多目标优化配置方法
CN113991719A (zh) * 2021-12-03 2022-01-28 华北电力大学 一种电动船舶参与的海岛群用能优化调度方法及系统
CN114142535A (zh) * 2021-12-01 2022-03-04 国网北京市电力公司 一种微电网源网荷储的调度方法、系统、设备及介质
CN115663923A (zh) * 2022-12-26 2023-01-31 国网浙江省电力有限公司宁波供电公司 基于储能装置的海域电网控制方法、系统及设备
CN117375106A (zh) * 2023-10-11 2024-01-09 揭阳前詹风电有限公司 基于物联网的海上风电建设管理方法及系统
CN117477674A (zh) * 2023-12-27 2024-01-30 广东海洋大学 一种包含风力发电与波浪能发电的微电网调度方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103414213A (zh) * 2013-08-13 2013-11-27 中国能源建设集团广东省电力设计研究院 一种海岛型微电网的电源优化配置方法
CN103904695A (zh) * 2014-02-27 2014-07-02 浙江大学 一种基于mcs-pso的临近海岛多微网动态调度方法
CN104467019A (zh) * 2014-12-25 2015-03-25 黄石一木信息科技有限公司 一种用于海岛供电的微电网系统
CN106451566A (zh) * 2016-08-27 2017-02-22 山东电力工程咨询院有限公司 一种海岛智能微电网多源协调控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103414213A (zh) * 2013-08-13 2013-11-27 中国能源建设集团广东省电力设计研究院 一种海岛型微电网的电源优化配置方法
CN103904695A (zh) * 2014-02-27 2014-07-02 浙江大学 一种基于mcs-pso的临近海岛多微网动态调度方法
CN104467019A (zh) * 2014-12-25 2015-03-25 黄石一木信息科技有限公司 一种用于海岛供电的微电网系统
CN106451566A (zh) * 2016-08-27 2017-02-22 山东电力工程咨询院有限公司 一种海岛智能微电网多源协调控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邓辉平等: "海岛智能微电网多源协调优化运行研究", 《信息技术》 *

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108879793A (zh) * 2018-07-12 2018-11-23 电子科技大学 一种风光蓄能水电站互补的离网式混合能源系统优化方法
CN109165775A (zh) * 2018-08-07 2019-01-08 上海电机学院 一种基于二进制粒子群的能源互联网的优化调度方法
CN109038631A (zh) * 2018-08-20 2018-12-18 北京华建网源电力设计研究院有限公司 一种分布式发电和储能的容量配置方法
CN109299823A (zh) * 2018-09-22 2019-02-01 天津大学 一种考虑热法海水淡化的微能源网多目标规划方法
CN109449973A (zh) * 2018-11-09 2019-03-08 西华大学 一种含光伏和储能的轨道交通供电系统能量优化方法
CN109449973B (zh) * 2018-11-09 2022-02-15 西华大学 一种含光伏和储能的轨道交通供电系统能量优化方法
CN109462231B (zh) * 2018-11-15 2020-09-01 合肥工业大学 居民微电网的负荷优化调度方法、系统和存储介质
CN109462231A (zh) * 2018-11-15 2019-03-12 合肥工业大学 居民微电网的负荷优化调度方法、系统和存储介质
US11581740B2 (en) 2018-11-15 2023-02-14 Hefei University Of Technology Method, system and storage medium for load dispatch optimization for residential microgrid
CN109361237A (zh) * 2018-11-30 2019-02-19 国家电网公司西南分部 基于改进混合粒子群算法的微电网容量优化配置方法
CN109361237B (zh) * 2018-11-30 2022-01-18 国家电网公司西南分部 基于改进混合粒子群算法的微电网容量优化配置方法
CN109858759A (zh) * 2018-12-29 2019-06-07 陕西鼓风机（集团）有限公司 一种工业园区综合能源平衡调度方法
CN110365045A (zh) * 2019-07-09 2019-10-22 闽江学院 一种基于估计与补偿控制的风光互补发电系统的网络延时抑制方法
CN110365045B (zh) * 2019-07-09 2020-09-04 闽江学院 一种基于估计与补偿控制的风光互补发电系统的网络延时抑制方法
CN111193270A (zh) * 2019-09-09 2020-05-22 清华大学 有限容量的三相四桥臂变流器不平衡灵活补偿方法及装置
CN111224431A (zh) * 2019-12-16 2020-06-02 深圳合纵能源技术有限公司 一种基于数值天气预报的海岛微电网风储联合优化调度算法
CN111144633A (zh) * 2019-12-19 2020-05-12 广东工业大学 一种cchp微电网运行优化方法
CN111461387B (zh) * 2019-12-30 2022-08-23 杭州电子科技大学 一种环保岛系统设计的径向基协同优化方法
CN111461387A (zh) * 2019-12-30 2020-07-28 杭州电子科技大学 一种环保岛系统设计的径向基协同优化方法
CN111181215A (zh) * 2020-01-20 2020-05-19 上海理工大学 基于粒子群优化算法的电能调控充电系统及其操作方法
CN111181215B (zh) * 2020-01-20 2023-09-01 上海理工大学 基于粒子群优化算法的电能调控充电系统及其操作方法
CN111210090B (zh) * 2020-02-24 2024-03-19 深圳天顺智慧能源科技有限公司 微电网经济调度方法
CN111210090A (zh) * 2020-02-24 2020-05-29 深圳天顺智慧能源科技有限公司 微电网经济调度方法
CN111342462A (zh) * 2020-03-31 2020-06-26 安阳师范学院 一种微电网优化调度系统、方法、存储介质、计算机程序
CN111585279A (zh) * 2020-06-11 2020-08-25 南京工程学院 一种基于新能源消纳的微电网优化调度方法
CN112347694B (zh) * 2020-10-26 2023-05-12 重庆大学 含洋流-海上风电-潮汐流发电的海岛微网电源规划方法
CN112347694A (zh) * 2020-10-26 2021-02-09 重庆大学 含洋流-海上风电-潮汐流发电的海岛微网电源规划方法
CN112491086B (zh) * 2020-11-20 2023-01-31 西安热工研究院有限公司 一种风光储独立微电网优化配置方法
CN112491086A (zh) * 2020-11-20 2021-03-12 西安热工研究院有限公司 一种风光储独立微电网优化配置方法
CN112583017B (zh) * 2020-11-23 2023-08-11 平高集团有限公司 考虑储能运行约束的混合微电网能量分配方法及系统
CN112583017A (zh) * 2020-11-23 2021-03-30 平高集团有限公司 考虑储能运行约束的混合微电网能量分配方法及系统
CN112600209A (zh) * 2020-12-11 2021-04-02 湖北工业大学 一种含潮流能的海岛独立微电网容量多目标优化配置方法
CN114142535A (zh) * 2021-12-01 2022-03-04 国网北京市电力公司 一种微电网源网荷储的调度方法、系统、设备及介质
CN113991719A (zh) * 2021-12-03 2022-01-28 华北电力大学 一种电动船舶参与的海岛群用能优化调度方法及系统
CN113991719B (zh) * 2021-12-03 2023-11-24 华北电力大学 一种电动船舶参与的海岛群用能优化调度方法及系统
CN115663923A (zh) * 2022-12-26 2023-01-31 国网浙江省电力有限公司宁波供电公司 基于储能装置的海域电网控制方法、系统及设备
CN115663923B (zh) * 2022-12-26 2023-05-16 国网浙江省电力有限公司宁波供电公司 基于储能装置的海域电网控制方法、系统及设备
CN117375106A (zh) * 2023-10-11 2024-01-09 揭阳前詹风电有限公司 基于物联网的海上风电建设管理方法及系统
CN117375106B (zh) * 2023-10-11 2024-04-09 揭阳前詹风电有限公司 基于物联网的海上风电建设管理方法及系统
CN117477674A (zh) * 2023-12-27 2024-01-30 广东海洋大学 一种包含风力发电与波浪能发电的微电网调度方法
CN117477674B (zh) * 2023-12-27 2024-03-12 广东海洋大学 一种包含风力发电与波浪能发电的微电网调度方法

Similar Documents

Publication Publication Date Title
CN108054784A (zh) 一种海岛微电网多源协调优化控制方法
Yousif et al. An optimal dispatch strategy for distributed microgrids using PSO
CN103346562B (zh) 计及需求响应的多时间尺度微网能量控制方法
CN103151797B (zh) 基于多目标调度模型的并网运行方式下微网能量控制方法
CN106451566B (zh) 一种海岛智能微电网多源协调控制方法
CN105205552B (zh) 一种独立新能源混合发电系统优化规划方法
CN109242350A (zh) 计及可平移负荷的冷热电联供系统容量优化配置方法
CN109687444A (zh) 一种微电网电源多目标双层优化配置方法
CN107039975A (zh) 一种分布式能源系统能量管理方法
CN104166877A (zh) 基于改进二进制粒子群优化算法的微网优化运行方法
CN110084443A (zh) 一种基于qpso优化算法的换电站运行优化模型分析方法
CN105958537A (zh) 面向能源互联网的能源转换系统及其优化控制方法
Kumaravel et al. Adapted multilayer feedforward ANN based power management control of solar photovoltaic and wind integrated power system
CN110097237A (zh) 一种基于电动汽车和多能源的主配网协调调度优化方法
He et al. A state-of-the-art review and bibliometric analysis on the sizing optimization of off-grid hybrid renewable energy systems
CN106100002A (zh) 一种交直流混合微网的优化运行方法
CN108494014A (zh) 一种混合能源热电联产经济性优化管理方法
CN117134409A (zh) 考虑电-氢-热互补的微网系统及其多目标优化配置方法
Alayi et al. Optimization of Renewable energy consumption in charging electric vehicles using intelligent algorithms
CN211606121U (zh) 矿热炉煤气参与可再生能源微电网的调峰调频系统
CN112561120A (zh) 一种基于微电网参考日前市场出清系统优化运行方法
CN112149339A (zh) 风电-光伏-光热-电加热器互补发电系统容量优化模型
Segera Economic Dispatch of PV-Integrated Power System with Optimally Sized Battery Energy Storage System using Particle Swarm Optimization
Zhang et al. Study on the microgrid pluripotent complementary and comprehensive economic optimization planning based on virtual energy theory
Yuming et al. A multi-objective scheduling strategy of CH-PV-Wind-PS based on an improved hybrid intelligent algorithm

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: 20180518