CN108695903B - 基于粒子群优化算法的微电网优化调度方法 - Google Patents

Abstract

本发明揭示了一种基于粒子群优化算法的微电网优化调度方法，包括建立微电网双层优化调度模型、设计粒子群优化算法，并选择一个合适的惯性权重、上层优化调度模型与下层优化调度模型进行仿真优化、根据仿真优化结果，调度微电网中的可调负荷；本发明以双层粒子群算法对微电网进行优化调度，能够在提高系统供电多样性的同时，大大降低系统的用电成本；另外，本发明提出了的微电网双层优化调度模型，可以大大增加光伏发电的利用率，并降低化石燃料的使用；同时，本发明的方法计算量小，存储量小，操作简单，便于理解使用。

Description

基于粒子群优化算法的微电网优化调度方法

技术领域

本发明涉及一种微电网优化调度方法，尤其涉及一种基于粒子群优化算法的微电网优化调度方法，属于配电网优化调度领域。

背景技术

面对化石能源日益枯竭和化石燃料利用带来的环境污染等问题，加快风能、太阳能、地热能、潮汐能、生物能等可再生能源和发展智能电网技术，已经成为世界各国的共识。截至目前，世界可再生能源发电的比例都得到极大的提升；同时，有越来越多的新能源需要并网消纳。

然而，现有的新能源例如太阳能、风能等，发电存在着不稳定性和间歇性，且在利用上存在太多的不确定性，而且容易造成很大的能源浪费。虽然新能源发电能源近似免费而且储量丰富，但是发电设备造价昂贵，且不可无限制的提高装机容量。为了解决这些问题，就带动了储能技术的发展，即通过蓄电池进行储能可以有效的缓解新能源发电带来的问题，增加新能源发电的稳定性，增加利用率。

因为新能源发电和用户用电时间不尽相同，在发电高峰可能负荷需求较低，而在发电低谷时，负荷需求可能较大，因此这就需要通过蓄电池储存多余能量来解决这个问题，将发电高峰时多余能量吸收储存起来，在发电低谷时提供给负荷使用，但这需要储能装置配置容量充足并频繁的充放电，进而导致系统运行成本很高。因此研究微电网优化调度方法，通过源-荷友好互动，降低储能的配置容量和充放电次数，提高储能装置的使用寿命，至关重要。另外，随着可再生能源越来越多的使用，电网的组成也越来越复杂，供电方式也越来越多样化，选择合适的供电方式，能够使系统的成本得到有效的控制。

综上所述，如何提供一种基于粒子群优化算法的微电网优化调度方法，就成为本领域技术人员亟待解决的问题。

发明内容

本发明的目的是为了解决现有技术的上述缺陷，提出的一种双层调度策略：即上层通过调度可调负荷，来使得负荷曲线拟合光伏发电曲线，尽可能减轻储能调度的压力；下层通过蓄电池的作用来平抑光伏发电能量，同时通过柴油机来辅助发电，尽可能减少发电成本；与传统调度光伏发电不同，可以大大增加对光伏发电的利用率，进而大大降低系统的运行成本，获得最大经济效益。

本发明的技术解决方案是：

基于粒子群优化算法的微电网优化调度方法，包括以下步骤：

S1：建立微电网双层优化调度模型，微电网双层优化调度模型包括上层优化调度模型与下层优化调度模型；

S11：建立上层优化调度模型，并设置第一变量约束；其中，上层优化调度模型为：

其中，

是每个周期的光伏发电；

是调度前每个周期负荷；

是调度后每个周期的负荷；

是每个周期从其他周期调度到本周期的负荷；

是每个周期从本周期调度到其他周期的负荷；

第一变量约束为：

其中，

是每个周期接收其他周期调度的最大负荷数；

表示每个周期调度出去的最大负荷数；

S12：建立下层优化调度模型，并设置第二变量约束；其中，下层优化调度模型为：

C＝ω₀C_g+(1-ω₀)C_b

其中，C_g是柴油发电机的成本函数；P_k是柴油发电机的功率；C_b是蓄电池的成本函数；P_S，k是蓄电池的充放电功率；η_d是蓄电池的放电效率；η_c是蓄电池的充电效率；u_k表示蓄电池的充放电状态；a、b、c和d都是成本系数；ω₀是权重系数；f(P_S，k)是惩罚成本；

第二变量约束为：

P_k+P_s，k＝P_r

其中，P_r是调度之后本周期剩余的负荷；B^max和B^min分别是充放电之后蓄电池剩余能量的上下限；

和

分别是蓄电池放电功率的上下限；

和

分别是蓄电池充电功率的上下限；

和

分别是柴油机功率的上下限；

S2：设计粒子群优化算法，并选择一个合适的惯性权重；

S3：将步骤S11中的上层优化调度模型与S12中的下层优化调度模型进行仿真优化；仿真优化包括惩罚成本函数、蓄电池充电时的成本函数及蓄电池放电时的成本函数；

惩罚成本函数f(P_S，k)：

其中，DOD_k是蓄电池的放电深度；B^max表示蓄电池的最大能量；B^t-1表示蓄电池前一个状态的能量；Δt是调度周期；

蓄电池充电时的成本函数为：

C_b＝d(1-u_k))(1-η_c)P_S，k+v[(1-DOD_k)B^max-(B^t-1+(1-u_k)η_cP_S，kΔt)]

蓄电池放电时的成本函数为：

S4：根据步骤S3的仿真优化结果，调度微电网中的可调负荷。

优选地，所述步骤S2中的粒子群优化算法包括以下迭代公式：

V_i(k+1)＝ω*V_i(k)+C₁r₁(p_ik-X_iD)+C₂r₂(p_gk-X_iD)

X_i(k+1)＝X_i(k)+V_i(k)

其中，V_i(k)表示粒子当前的速度；X_i(k)表示粒子当前的位置；p_ik表示粒子的个体极值；p_gk表示粒子的全局极值。

优选地，所述步骤S3中的仿真优化是将步骤S11中的上层优化调度模型与S12中的下层优化调度模型均根据所述迭代公式进行迭代信息更新优化，且达到结束条件时结束更新优化。

优选地，所述迭代信息包括个体极值、全局极值、位置及速度；

所述结束条件为迭代次数达到设定的最大迭代次数或者成本达到设定的成本目标。

优选地，所述步骤S3中对上层优化调度模型与下层优化调度模型进行仿真优化的优化步骤包括：

S301：初始化上层粒子的数量、种群、初始速度和位置，并随机生成初始速度和初始位置；

S302：通过所述上层优化调度模型计算上层粒子自适应度；

S303：将步骤S302中计算的自适应度值与上层粒子的个体极值和全局极值进行比较，然后更新上层粒子的个体极值和全局极值；

S304：根据迭代公式更新步骤S303中的个体极值与全局极值，并更新上层粒子的速度和位置；

S305：当步骤S304中的更新达到结束条件就结束优化，否则返回至步骤S303，直到达到优化结果为止；

S306：初始化下层粒子的数量、种群、初始速度和位置，并随机生成初始速度和初始位置；

S307：通过所述下层优化调度模型计算下层粒子自适应度；

S308：将步骤S307中计算的自适应度值与下层粒子的个体极值和全局极值进行比较，然后更新下层粒子的个体极值和全局极值，并更新下层粒子的个体极值与全局极值；

S309：根据迭代公式更新步骤S308中的个体极值与全局极值，并更新下层粒子的速度和位置；

S310：当步骤S309中的更新达到结束条件就结束优化，并执行步骤S4，否则返回至步骤S301。

本发明提供了基于粒子群优化算法的微电网优化调度方法，其优点主要体现在：

1.本发明以双层粒子群算法对微电网进行优化调度，能够在提高系统供电多样性的同时，大大降低系统的用电成本；

2.本发明提出了的微电网双层优化调度模型，可以大大增加光伏发电的利用率，并降低化石燃料的使用；

3.本发明的方法计算量小，存储量小，操作简单，便于理解使用。

以下便结合实施例附图，对本发明的具体实施方式作进一步的详述，以使本发明技术方案更易于理解、掌握。

附图说明

图1是本发明的流程图；

图2是本发明中实施例的系统结构图；

图3是本发明中实施例的优化过程图；

图4是本发明中优化调度前负荷与光伏发电曲线图；

图5是本发明中实施例的优化调度前微电网的成本；

图6是本发明中实施例的优化调度后微电网的成本。

具体实施方式

基于粒子群优化算法的微电网优化调度方法，包括以下步骤：

S1：建立微电网双层优化调度模型，微电网双层优化调度模型包括上层优化调度模型与下层优化调度模型；

S11：建立上层优化调度模型，并设置第一变量约束；

其中，步骤S11中的上层优化调度模型为：

其中，

是每个周期的光伏发电；

是调度前每个周期负荷；

是调度后每个周期的负荷；

是每个周期从其他周期调度到本周期的负荷；

是每个周期从本周期调度到其他周期的负荷。

步骤S11中的第一变量约束为：

其中，

是每个周期接收其他周期调度的最大负荷数；

表示每个周期调度出去的最大负荷数。

S12：建立下层优化调度模型，并设置第二变量约束；

步骤S12中的下层优化调度模型为：

C＝ω₀C_g+(1-ω₀)C_b

其中，C_g是柴油发电机的成本函数；P_k是柴油发电机的功率；C_b是蓄电池的成本函数；P_S，k是蓄电池的充放电功率；η_d是蓄电池的放电效率；η_c是蓄电池的充电效率；u_k表示蓄电池的充放电状态；a、b、c和d都是成本系数；ω₀是权重系数；f(P_S，k)是惩罚成本。

步骤S12中的第二变量约束为：

P_k+P_S，k＝P_r

其中，P_r是调度之后本周期剩余的负荷；B^max和B^min分别是充放电之后蓄电池剩余能量的上下限；

和

分别是蓄电池放电功率的上下限；

和

分别是蓄电池充电功率的上下限；

和

分别是柴油机功率的上下限。

S2：设计粒子群优化算法，并选择一个合适的惯性权重；

步骤S2中的粒子群优化算法包括以下迭代公式：

V_i(k+1)＝ω*V_i(k)+C₁r₁(p_ik-X_iD)+C₂r₂(p_gk-X_iD)

X_i(k+1)＝X_i(k)+V_i(k)

其中，V_i(k)表示粒子当前的速度；X_i(k)表示粒子当前的位置；p_ik表示粒子的个体极值；p_gk表示粒子的全局极值。

S3：将步骤S11中的上层优化调度模型与S12中的下层优化调度模型进行仿真优化；

具体地，步骤S3中的仿真优化是将步骤S11中的上层优化调度模型与S12中的下层优化调度模型均根据所述迭代公式进行迭代信息更新优化，且达到结束条件时结束更新优化。其中，迭代信息包括个体极值、全局极值、位置及速度；结束条件为迭代次数达到设定的最大迭代次数或者成本达到设定的成本目标。

步骤S3中对上层优化调度模型与下层优化调度模型进行仿真优化的优化步骤包括：

所述步骤S3中对上层优化调度模型与下层优化调度模型进行仿真优化的优化步骤包括：

S301：初始化上层粒子的数量、种群、初始速度和位置，并随机生成初始速度和初始位置；

S302：通过所述上层优化调度模型计算上层粒子自适应度；

S303：将步骤S302中计算的自适应度值与上层粒子的个体极值和全局极值进行比较，然后更新上层粒子的个体极值和全局极值；

S304：根据迭代公式更新步骤S303中的个体极值与全局极值，并更新上层粒子的速度和位置；

S305：当步骤S304中的更新达到结束条件就结束优化，否则返回至步骤S303，直到达到优化结果为止；

S306：初始化下层粒子的数量、种群、初始速度和位置，并随机生成初始速度和初始位置；

S307：通过所述下层优化调度模型计算下层粒子自适应度；

S308：将步骤S307中计算的自适应度值与下层粒子的个体极值和全局极值进行比较，然后更新下层粒子的个体极值和全局极值，并更新下层粒子的个体极值与全局极值；

S309：根据迭代公式更新步骤S308中的个体极值与全局极值，并更新下层粒子的速度和位置；

S310：当步骤S309中的更新达到结束条件就结束优化，并执行步骤S4，否则返回至步骤S301。步骤S3中的仿真优化包括惩罚成本函数、蓄电池充电时的成本函数及蓄电池放电时的成本函数；

惩罚成本函数f(P_S，k)：

其中，DOD_k是蓄电池的放电深度；B^max表示蓄电池的最大能量；B^t-1表示蓄电池前一个状态的能量；Δt是调度周期；

蓄电池充电时的成本函数为：

c_b＝d(1-u_k)(1-η_c)P_S，k+v[(1-DOD_k)B^max-(B^t-1+(1-u_k)η_cP_s，kΔt)]

蓄电池放电时的成本函数为：

S4：根据步骤S3的仿真优化结果，调度微电网中的可调负荷。

以下从具体数据说明基于粒子群优化算法的微电网优化调度方法，如图1所示：

步骤1：建立微电网双层优化调度模型，微电网双层优化调度模型包括上层优化调度模型与下层优化调度模型；

首先是建立上层优化调度模型，同时考虑第一变量约束。

上层优化调度模型为：

其中，

是每个周期的光伏发电；

是调度之前每个周期负荷；

是调度后每个周期的负荷；

是每个周期从其他周期调度到本周期的负荷；

是每个周期从本周期调度到其他周期的负荷。

第一变量约束如下：

其中，

是每个周期接收其他周期调度的最大负荷数，在本实施例中，最大负荷数为30；

表示每个周期调度出去的最大负荷数。

然后是建立下层优化调度模型，同时考虑第二变量约束。

下层优化调度模型为：

C＝ω₀C_g+(1-ω₀)C_b

式中：C_g是柴油发电机的成本函数；P_k是柴油发电机的功率；C_b是蓄电池的成本函数；P_S，k是蓄电池的充放电功率；η_d是蓄电池的放电效率，η_c是蓄电池的充电效率u_k表示蓄电池的充放电状态；a、b、c和d都是成本系数；ω₀是权重系数；f(P_S，k)是惩罚成本；在本发明的技术方案中蓄电池的放电效率为0.93；蓄电池的充电效率为0.9。

下层模型变量约束如下：P_k+P_S，k＝P_r

其中，P_r是调度之后本周期剩余的负荷；B^max和B^min分别是充放电之后蓄电池剩余能量的上下限；

和

分别是蓄电池放电功率的上下限；

和

分别是蓄电池充电功率的上下限；

和

分别是柴油机功率的上下限。

步骤2：设计粒子群优化算法，并选择一个合适的惯性权重。

结合粒子群优化算法的原理，粒子群优化算法包括以下迭代公式为：

V_i(k+1)＝ω*V_i(k)+C₁r₁(p_ik-X_iD)+C₂r₂(p_gk-X_iD)

X_i(k+1)＝X_i(k)+V_i(k)

其中，每次迭代所需要的迭代信息，包含个体极值、全局极值以及当前的位置和速度；V_i(k)表示粒子当前的速度；X_i(k)表示粒子当前的位置；p_ik表示粒子的个体极值；p_gk表示粒子的全局极值；C₁和C₂是学习因子，在本实施例中，C₁＝C₂＝2；r₁和r₂是0到1之间的随机数。

在更新迭代过程中，惯性权重的选择改善系统收敛性能。如果惯性权重过大会导致上层优化调度模型与下层优化调度模型收敛过快，而导致不稳定且不能达到最优值；如果惯性权重过小则可能导致上层优化调度模型与下层优化调度模型收敛太慢，效果不好。所以选择一个合适的惯性权重，可保持迭代过程收敛稳定。在本实施例中，惯性权重选取为0.5，可以得到良好的收敛性能。

步骤3：对上层优化调度模型与下层优化调度模型进行仿真优化。

仿真优化包括惩罚成本函数f(P_S，k)、蓄电池充电时的成本函数及蓄电池放电时的成本函数；

惩罚成本函数f(P_S，k)：

其中，DOD_k是蓄电池的放电深度；B^max表示蓄电池的最大能量；B^t-1表示蓄电池前一个状态的能量；Δt是调度周期，在本实施例中，蓄电池的放电深度为0.4，调度周期为1小时。

蓄电池充电时的成本函数为：

C_b＝d(1-u_k)(1-η_c)P_s，k+v[(1-DOD_k)B^max-(B^t-1+(1-u_k)η_cP_S，kΔt)]

蓄电池放电时的成本函数为：

根据光伏发电和负荷曲线的比较判断蓄电池的充放电状态，光伏发电过多时，电池处于充电状态，吸收多余的光伏发电能量，光伏发电不足时，蓄电池处于放电状态和燃油机一起给负荷进行供电。

通过粒子群算法对模型进行仿真优化，优化过程如下：

S301：初始化上层粒子，粒子规模为20，并随机生成初始速度和初始位置；

S302：通过所述上层优化调度模型计算上层粒子自适应度，一般上层粒子的自适应度函数就是上层优化调度模型；

S303：将步骤S302中计算的自适应度值与上层粒子的个体极值和全局极值进行比较，然后更新上层粒子的个体极值和全局极值；

S304：根据迭代公式更新步骤S303中的个体极值与全局极值，并更新上层粒子的速度和位置；

S305：当步骤S304中的更新达到结束条件就结束优化，否则返回至步骤S303，直到达到优化结果为止；在本发明的技术方案中结束条件为迭代次数达到最大迭代次数，满足的话就结束上层优化进入下层优化调度模型；

S306：初始化下层粒子，粒子规模为20，并随机生成初始速度和初始位置；

S307：通过所述下层优化调度模型计算下层粒子自适应度；

S308：将步骤S307中计算的自适应度值与下层粒子的个体极值和全局极值进行比较，然后更新下层粒子的个体极值和全局极值，并更新下层粒子的个体极值与全局极值；

S309：根据迭代公式更新步骤S308中的个体极值与全局极值，并更新下层粒子的速度和位置；

S310：当步骤S309中的更新达到结束条件就结束优化，并执行步骤S4，否则返回至步骤S301。

步骤4：根据仿真优化结果，调度微电网中的可调负荷。

通过粒子群算法迭代，得到优化调度的结果，根据优化结果调度可调负荷，来拟合光伏发电曲线，以达到优化目标，降低系统成本，如图4所示，图4是是收集24小时的光伏数据和用户使用的负荷数据，得到如下图4的折线柱状图，折线为光伏发电的趋势图，柱状图为负荷趋势图。

图5是使用本发明前，用户通过光伏发电和柴油机进行供电的成本，由于光伏发电成本与用户负荷需求曲线不同，在用户负荷需求较大的时候，光伏发电较弱，而在中午时刻光伏发电最强的时候，负荷需求较弱，这样就导致了光伏发电利用率的低下，柴油机的利用相当大，成本高。通过计算可以得到使用本专利的方法前，微电网中的成本大约为F1＝5860。

图6是通过加入蓄电池对光伏发电进行处理，并使用本发明提出的调度可调负荷拟合光伏发电的方法，可以大大增加对光伏发电的利用率，减少对柴油发电机的使用，不仅降低了成本，还减少了化石燃料的使用，起到保护环境的作用。虽然电池造价相对较高，但是长期使用的情况下，成本降低还是很明显的。从图6可以看出，使用本发明后，微电网的成本为F2＝340，加上蓄电池的造价F3＝80000,总成本大约是F4＝F2+F3＝80340，虽然高于之前的成本，但是在一个月之内成本就可以收回，而蓄电池的使用寿命至少在一年以上，所以长期使用本专利方法下，可以到达节约成本的目的，获得经济效益。

本发明提供的基于粒子群优化算法的微电网优化调度方法，与传统调度光伏发电不同，本发明提出的微电网优化调度的方法，可以大大增加对光伏发电的利用率，进而大大降低系统的运行成本，获得最大经济效益。

应该注意的是，上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。

Claims (5)

1.基于粒子群优化算法的微电网优化调度方法，其特征在于，包括以下步骤：

S1：建立微电网双层优化调度模型，微电网双层优化调度模型包括上层优化调度模型与下层优化调度模型；

S11：建立上层优化调度模型，并设置第一变量约束；其中，上层优化调度模型为：

其中，

是每个周期的光伏发电；

是调度前每个周期负荷；

是调度后每个周期的负荷；

是每个周期从其他周期调度到本周期的负荷；

是每个周期从本周期调度到其他周期的负荷；

第一变量约束为：

其中，

是每个周期接收其他周期调度的最大负荷数；

表示每个周期调度出去的最大负荷数；

S12：建立下层优化调度模型，并设置第二变量约束；其中，下层优化调度模型为：

C＝ω₀C_g+(1-ω₀)C_b

其中，C_g是柴油发电机的成本函数；P_k是柴油发电机的功率；C_b是蓄电池的成本函数；P_S，k是蓄电池的充放电功率；η_d是蓄电池的放电效率；η_c是蓄电池的充电效率；u_k表示蓄电池的充放电状态；a、b、c和d都是成本系数；ω₀是权重系数；f(P_S，k)是惩罚成本；

第二变量约束为：

P_k+P_S，k＝P_r

其中，P_r是调度之后本周期剩余的负荷；B^max和B^min分别是充放电之后蓄电池剩余能量的上下限；

和

分别是蓄电池放电功率的上下限；

和

分别是蓄电池充电功率的上下限；

和

分别是柴油机功率的上下限；

S2：设计粒子群优化算法，并选择一个合适的惯性权重；

S3：将步骤S11中的上层优化调度模型与S12中的下层优化调度模型进行仿真优化；仿真优化包括惩罚成本函数、蓄电池充电时的成本函数及蓄电池放电时的成本函数；

惩罚成本函数f(P_S，k)：

其中，DOD_k是蓄电池的放电深度；B^max表示蓄电池的最大能量；B^t-1表示蓄电池前一个状态的能量；Δt是调度周期；

蓄电池充电时的成本函数为：

C_b＝d(1-u_k)(1-η_c)P_S，k+v[(1-DOD_k)B^max-(B^t-1+(1-u_k)η_cP_S，kΔt)]

蓄电池放电时的成本函数为：

S4：根据步骤S3的仿真优化结果，调度微电网中的可调负荷。

2.根据权利要求1所述的基于粒子群优化算法的微电网优化调度方法，其特征在于：所述步骤S2中的粒子群优化算法包括以下迭代公式：

V_i(k+1)＝ω*V_i(k)+C₁r₁(p_ik-X_iD)+C₂r₂(p_gk-X_iD)

X_i(k+1)＝X_i(k)+V_i(k)

其中，V_i(k)表示粒子当前的速度；X_i(k)表示粒子当前的位置；p_ik表示粒子的个体极值；p_gk表示粒子的全局极值。

3.根据权利要求2所述的基于粒子群优化算法的微电网优化调度方法，其特征在于：所述步骤S3中的仿真优化是将步骤S11中的上层优化调度模型与S12中的下层优化调度模型均根据所述迭代公式进行迭代信息更新优化，且达到结束条件时结束更新优化。

4.根据权利要求3所述的基于粒子群优化算法的微电网优化调度方法，其特征在于：所述迭代信息包括个体极值、全局极值、位置及速度；

所述结束条件为迭代次数达到设定的最大迭代次数或者成本达到设定的成本目标。

5.根据权利要求4所述的基于粒子群优化算法的微电网优化调度方法，其特征在于：所述步骤S3中对上层优化调度模型与下层优化调度模型进行仿真优化的优化步骤包括：

S301：初始化上层粒子的数量、种群、初始速度和位置，并随机生成初始速度和初始位置；

S302：通过所述上层优化调度模型计算上层粒子自适应度；

S303：将步骤S302中计算的自适应度值与上层粒子的个体极值和全局极值进行比较，然后更新上层粒子的个体极值和全局极值；

S304：根据迭代公式更新步骤S303中的个体极值与全局极值，并更新上层粒子的速度和位置；

S305：当步骤S304中的更新达到结束条件就结束优化，否则返回至步骤S303，直到达到优化结果为止；

S306：初始化下层粒子的数量、种群、初始速度和位置，并随机生成初始速度和初始位置；

S307：通过所述下层优化调度模型计算下层粒子自适应度；

S308：将步骤S307中计算的自适应度值与下层粒子的个体极值和全局极值进行比较，然后更新下层粒子的个体极值和全局极值，并更新下层粒子的个体极值与全局极值；

S309：根据迭代公式更新步骤S308中的个体极值与全局极值，并更新下层粒子的速度和位置；

S310：当步骤S309中的更新达到结束条件就结束优化，并执行步骤S4，否则返回至步骤S301。

Images