CN108171384A - 一种基于复合粒子群算法微网能量管理方法 - Google Patents

Abstract

本发明涉及一种基于复合粒子群算法微网能量管理方法，其技术特点在于：包括以下步骤：步骤1、搭建微网系统模型；步骤2、建立光伏电池的数学模型；步骤3、建立微型燃气轮机模型；步骤4、建立储能电池的数学模型；步骤5、建立微网系统能量管理控制目标模型；步骤6、采用复合粒子群算法对微网系统进行能量管理。本发明采用复合粒子群优化算法，充分考虑微网运行过程的经济性、环保特性以及运行可靠性等要求对微网系统进行能量管理。

Description

一种基于复合粒子群算法微网能量管理方法

技术领域

本发明属于能源管控技术领域，涉及微网能量管理方法，尤其是一种基于复合粒子群算法微网能量管理方法。

背景技术

微网作为包含分布式能源和负荷的独立功能系统，发挥可再生能源灵活运用的优势，能够并网或孤岛运行，实现将多分布式能源系统看作一个整体并网、统一能效管理，是电力行业和科研的热点领域之一。微电网能量管理是一个非线性多目标优化求解问题，所采用的求解办法要求更快更准确的实现整体的最优化。传统的线性求取最优解的方法主要包括最速下降法、二次逼近法等，但上述求解办法在对全局的优化问题求解时面临诸多问题，因此智能型优化求解方法得到了很大程度的发展和应用，主要包括的求解方法有进化算法、人工神经网络算法等。其中，粒子群算法在优化调度与功率分摊等问题研究方面得到了广泛应用，求解更为准确。但其同样存在陷入局部最优解的问题。如何选择合理的优化算法实现对微网全局能量管理是有待解决的重要问题。

发明内容

本发明的目的在于提供一种计及微电网分布式能源不确定性的储能系统容量配置方法，能够在合理配备不同储能形式的同时实现微网经济运行。

本发明解决其现实问题是采取以下技术方案实现的：

一种基于复合粒子群算法微网能量管理方法，包括以下步骤：

步骤1、搭建微网系统模型；

步骤2、建立光伏电池的数学模型；

步骤3、建立微型燃气轮机模型；

步骤4、建立储能电池的数学模型；

步骤5、建立微网系统能量管理控制目标模型；

步骤6、采用复合粒子群算法对微网系统进行能量管理；

而且，所述步骤1的微网系统模型包括微型燃气轮机MT、光伏PV组件和储能系统BESS；该微网系统模型中包括卸荷装置，通过对可中断负荷进行投切管理从而有效维持功率平衡。

而且，所述步骤2的光伏电池的数学模型为：

P_PV＝P₁·G·[1+k(T_c-T_r)]/G₁

其中，P_PV为光伏电池组件的实时功率输出；P₁为最大的测试功率，G₁为太阳能所辐照的强度，其值取1000W/m²，T_c为组件工作温度，T_r为参考温度，其值为30℃，G为在实际的情况下太阳能辐照的具体强度值，k为单位功率条件下的温度系数。

而且，所述步骤3的微型燃气轮机模型为：

其中，C_micro-t为t时间段内微型燃气轮机消耗燃料所损失的成本；P_micro-t为输出的功率值；为运行效率，c_f为每平方米能源消耗的价格，LHV是天然气低热热值；

其中，微型燃气轮机的运行效率η_micro-t与输出的功率有直接关系，具体如下：

而且，所述步骤4的储能电池的数学模型为储能电池的充放电状态表示为：

其中，E_sc(t)为储能电池的实时充电电量；E_sf(t)为储能电池的实时放电电量；E_s(t)为时间t储能电池的实时容量值，P_ALL(t)为时间t分布式电源的输出功率和，P_l(t)为时间t整个微网系统中负荷情况，分别为逆变器的工作效率和ES的充放电效率。

而且，所述步骤5的具体步骤包括：

(1)建立微电网系统的发电成本最小优化目标函数；

优化目标定义为系统的发电成本最小，所占比重最大的成本为燃料消耗成本及系统的整体运行维护成本，其目标函数如下：

C_OM(P_it)＝K_OMi·P_it

其中，f₁为目标函数，表示运行周期内的发电成本和，C_fuel为分布式电源中天然气能能源消耗成本，C_OM为整个系统中运行维护的总成本，P_it为某个t时间段内DG_i的功率输出，K_OMi为DG_i的功率输出具体运行维护的系数；

(2)建立微电网系统的环境治理成本最小优化目标

其中，f₂为微网系统中环境治理所需要的成本；k指不同分布式系统污染类型数，b_k为某一个k类污染物处理所需总体费用，a_ik为DG_i排放污染物系数；

(3)建立整个微网系统整体收益最大目标，将成本最小值取倒数，折算成最大值，求取对应各个分布式电源及储能系统的功率输出。

其约束条件如下：

1)功率平衡约束：

其中，P_Lt指时间t所有的负荷总和，P_Bt为时间t储能系统的输出功率值；

2)分布式电源输出功率约束：

P_imin≤P_i≤P_imax

R_id·Δt≤P_it-P_it-1≤R_iu·Δt

其中，P_imin、P_imax分别为DG_i输出功率的上、下限，R_id、R_iu分别为DG_i输出功率的上、下爬坡速率；

3)蓄电池荷电状态约束：

P_Bmin≤P_B≤P_Bmax

E_Bmin≤E_B≤E_Bmax

其中，P_Bmin、P_Bmax分别为蓄电池的最小、最大充放电功率，E_Bmin、E_Bmax分别为蓄电池的最小、最大容量；

而且，所述步骤6的采用复合粒子群算法对微网系统进行能量管理的具体步骤包括：

1)开始时较多的考虑微电网系统的环境收益L_b，较多的考虑发电成本优化目标P_b，用以确定解范围；

2)后期减少微电网系统的环境收益优化目标L_b，增大发电成本最小优化目标P_b，同时将两个有效的结合考虑，提高算法的全局搜索能力和收敛速率；

3)不改变复合粒子群算法的位置更新方程，改变速度更新方程；

基于上述思想，复合粒子群算法的位置更新方程保持不变，而速度更新方程改为：

v_i＝wv_i+c₁r₁(p_i-x_i)+r₂(c₂(p_i-x_i)+c₃(p_g-x_i))

其中，其中包括n个粒子，其中第i个粒子的具体位置由x_i表示，速度由v_i表示；粒子寻优过程中走过的最好位置由p_i表示，以群体为研究对象，整个群体走过的最好位置由p_g表示；c₁＝2；c₂+c₃＝2。一般要求随进化的进行减小c₂，根据等式c₃增加，增大G_b的同时减少L_b，能够有效的提高此算法的全局收敛能力；

此处c₂、c₃变化设计为线性变化，线性变化方式为：

其中，iter为当前所迭代的次数；Maiter为迭代次数的上限值；

4)当速度方程和位置方程同时收敛的情况下，在满足约束条件范围内取得的极大值为此时的经济收益优化目标G_b值。

本发明的优点和有益效果：

1、本发明采用复合粒子群优化算法，充分考虑微网运行过程的经济性、环保特性以及运行可靠性等要求对微网系统进行能量管理。

2、本发明在用电低谷期时选择运维费用最低以及污染物排放系数相对较低的分布式能源发电，此时储能电池充电；在用电高峰期时，孤岛运行模式下，微电网主动切除可中断负荷，使得分布式电源发电满足主负荷的基本要求，此发明对微电网能量管理和优化提供了一系列的参考。

附图说明

图1是本发明的基于粒子群算法能量管理流程图；

图2是本发明的微网系统拓扑结构图。

具体实施方式

以下结合附图对本发明实施例作进一步详述：

本发明公开了一种基于复合粒子群算法微网能量管理方法，综合考虑微网运行过程的经济性、环保特性以及运行可靠性等要求，建立微电网能量管理多目标优化数学模型，以运行成本及环境治理的费用最小为综合优化目标，采用复合粒子群算法，通过预测系统内负荷需求的变化，在满足功率平衡情况下对微网的能量管理策略。

一种基于复合粒子群算法微网能量管理方法，如图1所示，包括以下步骤：

步骤1、搭建微网系统模型；

在本实施例中，如图1所示，微电网处于孤岛运行模式时，母线上的PCC耦合点保持断开；该微网系统模型的结构包括微型燃气轮机(MT)、光伏(PV)组件和储能系统(BESS)；其中，为提高分布式能源的利用率，MT可看作是可控的分布式电源，采用下垂的控制方式；PV为不可控的微源，采用最大功率跟踪的运行控制方式；该微网系统模型中包括卸荷装置，通过对可中断负荷进行投切管理来有效的维持功率平衡。

步骤2、建立光伏电池的数学模型；

P_PV＝P₁·G·[1+k(T_c-T_r)]/G₁ (1)

其中，P_PV为光伏电池组件的实时功率输出；P₁为最大的测试功率(要求测试条件符合标准)，G₁为太阳能所辐照的强度(要求测试条件符合标准)，其值取1000W/m²，T_c为组件工作温度，T_r为参考温度，其值为30℃，G为在实际的情况下太阳能辐照的具体强度值，k为单位功率条件下的温度系数。

步骤3、建立微型燃气轮机模型；

考虑微型燃气轮机工作过程中，消耗燃料所损失的成本C_micro-t，具体的微型燃气轮机模型为:

其中，C_micro-t为t时间段内消耗燃料所损失的成本(单位：元)，P_micro-t为输出的功率值(单位：kW)；为运行效率，c_f为每平方米能源消耗的价格(单位：元/m³)，具体价格为3元/m³，LHV是天然气低热热值(单位：kWh/m³)，这里取10kWh/m³。

其中，微型燃气轮机的运行效率η_micro-t与输出的功率有直接关系，具体如下：

步骤4、建立储能电池的数学模型；

储能电池的充放电状态表示为：

其中，E_sc(t)为储能电池的实时充电电量；E_sf(t)为储能电池的实时放电电量；E_s(t)为时间t储能电池的实时容量值，P_ALL(t)为时间t分布式电源的输出功率和，P_l(t)为时间t整个微网系统中负荷情况，分别为逆变器的工作效率和ES的充放电效率。

步骤5、建立微网系统能量管理控制目标模型；

所述步骤5的具体步骤包括：

(1)建立微电网系统的发电成本最小优化目标函数；

优化目标定义为系统的发电成本最小，所占比重最大的成本为燃料消耗成本及系统的整体运行维护成本，其目标函数如下：

C_OM(P_it)＝K_OMi·P_it (7)

其中，f₁为目标函数，表示运行周期内的发电成本和(单位：元)，C_fuel为分布式电源中天然气能能源消耗成本(单位：元)，C_OM为整个系统中运行维护的总成本(单位：元)，P_it为某个t时间段内DG_i的功率输出(单位：kW)，K_OMi为DG_i的功率输出具体运行维护的系数(单位：元/kWh)。

(2)建立微电网系统的环境治理成本最小优化目标

其中，f₂为微网系统中环境治理所需要的成本(单位：元)；k指不同分布式系统污染类型数，b_k为某一个k类污染物处理所需总体费用(单位：元/kg)，a_ik为DG_i排放污染物系数(单位：g/kWh)。

(3)建立整个微网系统整体收益最大目标，将成本最小值取倒数，折算成最大值，求取对应各个分布式电源及储能系统的功率输出。

在本实施例中，结合经典粒子群算法中经济收益优化目标P_b(优化目标f₁)和微电网系统的环境收益优化目标L_b(优化目标f₂)的各自独特的特点，考虑速度进化过程中粒子的最好位置经济收益优化目标P_b情况下，同时考虑其他临近位置最好值置环境收益优化目标L_b，得到全局优化过程中的最好位置经济收益优化目标G_b(优化目标f)。

其约束条件如下：

1)功率平衡约束：

其中，P_Lt指时间t所有的负荷总和(单位：kW)，P_Bt为时间t储能系统的输出功率值。

2)分布式电源输出功率约束：

P_imin≤P_i≤P_imax (11)

R_id·Δt≤P_it-P_it-1≤R_iu·Δt (12)

其中，P_imin、P_imax分别为DG_i输出功率的上、下限(单位：kW)，R_id、R_iu分别为DG_i输出功率的上、下爬坡速率(单位：kW/h)。

3)蓄电池荷电状态约束：

P_Bmin≤P_B≤P_Bmax (13)

E_Bmin≤E_B≤E_{B max} (14)

其中，P_Bmin、P_Bmax分别为蓄电池的最小、最大充放电功率，E_Bmin、E_Bmax分别为蓄电池的最小、最大容量。

步骤6、采用复合粒子群算法对微网系统进行能量管理。

所述复合粒子群算法的原理为：在整个搜索过程中主要分为几个阶段，开始时L_b考虑最多P_b考虑最少，用以确定解范围；后期减少L_b增大P_b，同时将两个有效的结合考虑，提高了算法的全局搜索能力和收敛速率。基于上述思想，复合粒子群算法的位置更新方程保持不变，而速度更新方程改为：

其中，其中包括n个粒子，其中第i个粒子的具体位置由x_i表示，速度由v_i表示；粒子寻优过程中走过的最好位置由p_i表示，以群体为研究对象，整个群体走过的最好位置由p_g表示；c₁＝2；c₂+c₃＝2。一般要求随进化的进行减小c₂，根据等式c₃增加，增大G_b的同时减少L_b，能够有效的提高此算法的全局收敛能力。此处c₂、c₃变化设计为线性变化，线性变化方式为：

其中，iter为当前所迭代的次数；Maiter为迭代次数的上限值。

根据以上粒子群算法推导所述步骤6的采用复合粒子群算法对微网系统进行能量管理的具体步骤包括：

结合经典粒子群算法中经济收益优化目标P_b(优化目标f₁)和微电网系统的环境收益优化目标L_b(优化目标f₂)的各自独特的特点，考虑速度进化过程中粒子的最好位置经济收益优化目标P_b情况下，同时考虑其他临近位置最好值置环境收益优化目标L_b，得到全局优化过程中的最好位置经济收益优化目标G_b(优化目标f)。

1)开始时较多的考虑微电网系统的环境收益L_b，较多的考虑发电成本优化目标P_b，用以确定解范围。

2)后期减少微电网系统的环境收益优化目标L_b，增大发电成本最小优化目标P_b，同时将两个有效的结合考虑，提高算法的全局搜索能力和收敛速率。

3)不改变复合粒子群算法的位置更新方程，改变速度更新方程。

基于上述思想，复合粒子群算法的位置更新方程保持不变，而速度更新方程改为：

v_i＝wv_i+c₁r₁(p_i-x_i)+r₂(c₂(p_i-x_i)+c₃(p_g-x_i))

其中，其中包括n个粒子，其中第i个粒子的具体位置由x_i表示，速度由v_i表示；粒子寻优过程中走过的最好位置由p_i表示，以群体为研究对象，整个群体走过的最好位置由p_g表示；c₁＝2；c₂+c₃＝2。一般要求随进化的进行减小c₂，根据等式c₃增加，增大G_b的同时减少L_b，能够有效的提高此算法的全局收敛能力。

此处c₂、c₃变化设计为线性变化，线性变化方式为：

其中，iter为当前所迭代的次数；Maiter为迭代次数的上限值。

4)当速度方程和位置方程同时收敛的情况下，在满足约束条件范围内取得的极大值为此时的经济收益优化目标G_b值(包含环境收益优化目标L_b最小值和发电成本优化目标P_b最小值)。

需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (7)

1.一种基于复合粒子群算法微网能量管理方法，其特征在于：包括以下步骤：

步骤1、搭建微网系统模型；

步骤2、建立光伏电池的数学模型；

步骤3、建立微型燃气轮机模型；

步骤4、建立储能电池的数学模型；

步骤5、建立微网系统能量管理控制目标模型；

步骤6、采用复合粒子群算法对微网系统进行能量管理。

2.根据权利要求1所述的一种基于复合粒子群算法微网能量管理方法，其特征在于：所述步骤1的微网系统模型包括微型燃气轮机MT、光伏PV组件和储能系统BESS；该微网系统模型中包括卸荷装置，通过对可中断负荷进行投切管理从而有效维持功率平衡。

3.根据权利要求1或2所述的一种基于复合粒子群算法微网能量管理方法，其特征在于：所述步骤2的光伏电池的数学模型为：

P_PV＝P₁·G·[1+k(T_c-T_r)]/G₁

其中，P_PV为光伏电池组件的实时功率输出；P₁为最大的测试功率，G₁为太阳能所辐照的强度，其值取1000W/m²，T_c为组件工作温度，T_r为参考温度，其值为30℃，G为在实际的情况下太阳能辐照的具体强度值，k为单位功率条件下的温度系数。

4.根据权利要求1或2所述的一种基于复合粒子群算法微网能量管理方法，其特征在于：所述步骤3的微型燃气轮机模型为：

其中，C_micro-t为t时间段内微型燃气轮机消耗燃料所损失的成本；P_micro-t为输出的功率值；η_micro-t为运行效率，c_f为每平方米能源消耗的价格，LHV是天然气低热热值；

其中，微型燃气轮机的运行效率η_micro-t与输出的功率有直接关系，具体如下：

。

5.根据权利要求1或2所述的一种基于复合粒子群算法微网能量管理方法，其特征在于：所述步骤4的储能电池的数学模型为储能电池的充放电状态表示为：

其中，E_sc(t)为储能电池的实时充电电量；E_sf(t)为储能电池的实时放电电量；E_s(t)为时间t储能电池的实时容量值，P_ALL(t)为时间t分布式电源的输出功率和，P_l(t)为时间t整个微网系统中负荷情况，η_i、η_s分别为逆变器的工作效率和ES的充放电效率。

6.根据权利要求1或2所述的一种基于复合粒子群算法微网能量管理方法，其特征在于：所述步骤5的具体步骤包括：

(1)建立微电网系统的发电成本最小优化目标函数；

优化目标定义为系统的发电成本最小，所占比重最大的成本为燃料消耗成本及系统的整体运行维护成本，其目标函数如下：

C_OM(P_it)＝K_OMi·P_it

其中，f₁为目标函数，表示运行周期内的发电成本和，C_fuel为分布式电源中天然气能能源消耗成本，C_OM为整个系统中运行维护的总成本，P_it为某个t时间段内DG_i的功率输出，K_OMi为DG_i的功率输出具体运行维护的系数；

(2)建立微电网系统的环境治理成本最小优化目标

其中，f₂为微网系统中环境治理所需要的成本；k指不同分布式系统污染类型数，b_k为某一个k类污染物处理所需总体费用，a_ik为DG_i排放污染物系数；

(3)建立整个微网系统整体收益最大目标，将成本最小值取倒数，折算成最大值，求取对应各个分布式电源及储能系统的功率输出：

其约束条件如下：

1)功率平衡约束：

其中，P_Lt指时间t所有的负荷总和，P_Bt为时间t储能系统的输出功率值；

2)分布式电源输出功率约束：

P_imin≤P_i≤P_imax

R_id·Δt≤P_it-P_it-1≤R_iu·Δt

其中，P_imin、P_imax分别为DG_i输出功率的上、下限，R_id、R_iu分别为DG_i输出功率的上、下爬坡速率；

3)蓄电池荷电状态约束：

P_Bmin≤P_B≤P_Bmax

E_Bmin≤E_B≤E_Bmax

其中，P_Bmin、P_Bmax分别为蓄电池的最小、最大充放电功率，E_Bmin、E_Bmax分别为蓄电池的最小、最大容量。

7.根据权利要求1或2所述的一种基于复合粒子群算法微网能量管理方法，其特征在于：所述步骤6的采用复合粒子群算法对微网系统进行能量管理的具体步骤包括：

1)开始时较多的考虑微电网系统的环境收益L_b，较多的考虑发电成本优化目标P_b，用以确定解范围；

2)后期减少微电网系统的环境收益优化目标L_b，增大发电成本最小优化目标P_b，同时将两个有效的结合考虑，提高算法的全局搜索能力和收敛速率；

3)不改变复合粒子群算法的位置更新方程，改变速度更新方程；

基于上述思想，复合粒子群算法的位置更新方程保持不变，而速度更新方程改为：

v_i＝wv_i+c₁r₁(p_i-x_i)+r₂(c₂(p_i-x_i)+c₃(p_g-x_i))

其中，其中包括n个粒子，其中第i个粒子的具体位置由x_i表示，速度由v_i表示；粒子寻优过程中走过的最好位置由p_i表示，以群体为研究对象，整个群体走过的最好位置由p_g表示；c₁＝2；c₂+c₃＝2。一般要求随进化的进行减小c₂，根据等式c₃增加，增大G_b的同时减少L_b，能够有效的提高此算法的全局收敛能力；

此处c₂、c₃变化设计为线性变化，线性变化方式为：

其中，iter为当前所迭代的次数；Maiter为迭代次数的上限值；

4)当速度方程和位置方程同时收敛的情况下，在满足约束条件范围内取得的极大值为此时的经济收益优化目标G_b值。