CN109245152A - 一种基于多目标蚁群算法的微电网负荷分配方法 - Google Patents
一种基于多目标蚁群算法的微电网负荷分配方法 Download PDFInfo
- Publication number
- CN109245152A CN109245152A CN201811009013.XA CN201811009013A CN109245152A CN 109245152 A CN109245152 A CN 109245152A CN 201811009013 A CN201811009013 A CN 201811009013A CN 109245152 A CN109245152 A CN 109245152A
- Authority
- CN
- China
- Prior art keywords
- ant
- micro
- power
- node
- value
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000009826 distribution Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000013461 design Methods 0.000 claims abstract description 4
- 238000013178 mathematical model Methods 0.000 claims abstract description 4
- 101100037618 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) ant-1 gene Proteins 0.000 claims description 46
- 239000003016 pheromone Substances 0.000 claims description 31
- 230000005611 electricity Effects 0.000 claims description 18
- 239000000446 fuel Substances 0.000 claims description 13
- 238000010248 power generation Methods 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 12
- 238000005553 drilling Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 241000257303 Hymenoptera Species 0.000 claims description 5
- 238000002485 combustion reaction Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 239000013256 coordination polymer Substances 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000000151 deposition Methods 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000011160 research Methods 0.000 abstract description 3
- 238000007599 discharging Methods 0.000 abstract description 2
- 208000001613 Gambling Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- H02J3/383—
-
- H02J3/386—
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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]
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/388—Islanding, i.e. disconnection of local power supply from the network
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于多目标蚁群算法的微电网负荷分配方法，属于微电网负荷分配领域。本发明以包含不同类型的微电源在内的微电网为研究对象，提出了多目标运行模型，在满足系统运行约束条件的基础上，运用蚁群算法对所建模型进行求解。方法分为3步骤进行：首先构造出微电网中微电源的输出功率数学模型，再根据微电网负荷分配模型，列出目标函数，最终设计实现蚁群算法在微电网负荷分配的实现。本发明所建模型能够更好地解决微电网运行中不同量纲的多目标优化问题，而且机组在运行时要尽量使用高效低排放的机组，提高系统运行的环保性和经济效益。
Description
技术领域
本发明涉及一种基于多目标蚁群算法的微电网负荷分配方法，属于微电网负荷分配领域。
背景技术
微电网是小型的配电系统,连接若干用户到若干分布式电源和储能系统,它既可以与大电网联网运行,也可以在大电网出现故障时与之断开单独运行。微电网因其环境友好、建设成本低等因素已经成为大电网的有益补充,得到越来越多的重视和研究。微电网作为分布式电源的有效接入方式，其优化运行能有效提高能源利用率，减少发电成本和污染物的排放，对微电网的经济、环保运行具有重要的意义。因此，研究微电网的优化运行具有重要的实用价值，同时对于微电网的多目标、多约束、多变量的研究也提出了新的挑战。
控制问题是微电网在实际运行中首先需要解决的技术问题。当微电网中的负荷或网络结构发生变化时,如何通过对微电网中各个分布式电源进行有效的协调控制,保证微电网在不同运行模式下都能满足负荷对电能质量的要求,是微电网能否可靠运行的关键。针对这一问题,国内外学者进行了广泛研究,提出了多种控制策略。另一方面,微电网的经济性是其吸引用户并能在电力系统中得以推广的关键所在。微电网的经济效益是多方面的,最重要的效益是能源的高效利用和环保以及个性化电能的安全、可靠、优质供应。相比于火力发电占主导的传统大电网,微电网中大量应用了可再生能源,其环保效益非常突出。现有技术中，微电网的负荷分配不均衡。
发明内容
本发明要解决的技术问题是提供一种基于多目标蚁群算法的微电网负荷分配方法，以光伏(PV)、风机(WT)和微型燃气机(MT)等的微电源组成的微电网为研究对象，提出了经济、环保的多目标运行模型，在满足系统运行约束条件的基础上，运用蚁群算法对所建模型进行求解，以验证该模型合理性、经济性，使微电网负荷分配均衡。
本发明采用的技术方案是：一种基于多目标蚁群算法的微电网负荷分配方法，具体步骤如下：
Step1：输入微电网中微电源的输入功率函数以及负荷，构造出微电网中微电源的输出功率数学模型；
Step2：利用各微电源在负荷分配功率上计算功率差，判断是否和大电网有交易，若存在为并网模型，若不存在为孤岛模型，然后分别在并网模型和孤岛模型中列出目标函数；
Step3：根据蚁群算法设计微电网负荷分配的实现。
具体地，所述Step1中，微电网一共包含了风力机组、光伏电池组和微型燃机轮3中类型的微电源，具体的所述的微电源的输出功率如下：
1)风力机组的输出功率Pw和实际风速V的函数关系为：
式中:V为实际风速；Vr为额定风速；Vin为切入风速；Vout为切出风速；Pr为风机的额定输出功率；
2)光伏电池组的功率输出表达式为
式中:PPV为在工作条件下的真实输出功率；PSTC为普标条件下的电池的输出功率；Ging为实际阳光的照射强度；Gstc为普标条件下的照射强度；k为功率温度的系数；Tc为电池板在工作时的测试温度；Tr为普标条件下的温度；
3)微型燃气轮机的总效率函数为
式中Pne为有效功率输出，Pth.ree为恢复的热功率，LHVf为燃料的燃烧系数， mf为燃料的实际质量。
具体地，所述Step2中，根据电网负荷模型列出目标函数，负荷分配模型包含了孤岛模型和并网模型两种，目标函数做以下详细阐述：
在孤岛模型下目标函数是完成1)发电成本最低、2)功率平衡条件和3) 微电源的发电约束三个主要目标；
2)发电成本目标函数
其包括燃料成本、运行维护成本、电能损耗成本和外部排放成本，其具体表达式见式1-1
在式中，C为微电网系统发电的总成本；T为分配周期的总时段数；t为时段编号；N为系统中微电源的总个数；CPi(t)为微电源的燃料成本；OMi(Pi (t))为微电源的运行维护成本；ELi(Pi(t))为系统的电能损耗成本；EDi(Pi(t)) 为微电源的外部排放成本；
2)功率平衡
整个微电网系统功率要达到平衡：即分布式电源有功功率总和等于负载功率和有功损耗之和，
式中Pi为微电源i的输出功率；PLi为系统负荷；ΔPloss为系统总网损；
3)微电源的发电约束
微电源运行必须满足其发电能力约束：微电源输出有功功率和节点电压必须在允许范围内，即
Pimin≤Pi≤Pimax,Uimin≤Ui≤Uimax(1-3)
式中Pimin、Pimax、Uimin、Uimax分别代表了有功功率输出的最小值、有功功率输出的最小值、节点电压的最小值和节点电压的最大值；
在并网模型下微电网与大电网之间存在电力交易，总成本函数增加了向大电网购电的指出和向大电网售电的收入，此时的成本目标函数为：
式中PBi代表式向大电网购买的功率，PSi代表了向用户出售的功率；
约束条件除了要满足式(1-2)和式(1-3)，还必须满足微电网向大电网的售电不可能超过微电网的总输出功率，即
式中Pi为微电网i在某一时段的输出功率，Psold为微电网在该时段向大电网的售电量。
具体地，所述Step3的具体步骤如下：
Step3.1：初始化信息
在进行首次搜索前，需要为微电网模型初始化信息值，定义从当前节点向下一个状态转移的初始化信息素值如式(3-1)：
Flab-Ps(th)代表任一节点a在时段th内，目标Pi所对应的向下一节点状态转移的信息素值，|Rk|代表节点P的邻接节点的数目；
Step3.2：求解路径转移概率
定义一个总体蚂蚁个数为S的群体，设在搜索过程中第k只蚂蚁，在目前的节点P转移到下一个节点时态时，选择概率的大小是根据在时间段里微电源的发电状况以及用户端的使用情况来定义的，具体表达式为(3-2)
在确定转移状态时移动到节点时，确定该微电源的分配功率选择概率是根据时段th的各路段上各目标的推荐功率来定义的；
其中，L代表优化的目标数目，代表了在时间段th从节点a到b+m 状态的目标1所对应的信息素，a(b+m)(th)代表了在时间段th从节点a到b+m 状态所对应的启发信息，代表了时段th在线路时ab，目标1对应的推荐功率为p时的信息素值，若α代表在搜索过程中，蚁群对于信息素权重的大小，β代表搜索过程中，蚁群对于启发信息的权重大小；代表了第k只蚂蚁对于第1个目标的搜索偏好，搜素偏好满足条件：
Step3.3：搜索负荷分配方案：
设第k只蚂蚁从起点i在时刻t0出发进行搜索，到达目的地j，设任意节点的邻接节点集为Ra，从节点a处向节点b移动的转移概率为根据转移概率的大小，利用轮盘赌的方式选择下一步转移状态；
当采用轮盘赌的方式选择从与前点a向下一节点b进行转移时，为该路段推荐分配方式，仍采用转移概率的方法，定义从点a点到b的各个分配功率选择概率推荐功率从最小功率到最大功率，再采用轮盘赌的方式决定路段I，节点q的推荐发电分配值；到达节点q后，按上述方法重复在节点p的状态转移和推荐功率，如此反复，直到找到分配值，则该蚂蚁的出行方案包括分配方式和推荐发电功率；
Step3.4：分配方案排序：
发电总成本与输出有效功率作为目标，根据所选目标作为优化目标，然后评价任意两只蚂蚁所对应的分配方案，具体情况分为3种：
第一种：蚂蚁1满足优解，蚂蚁2不满足优解，此时，蚂蚁1的分配方案优于蚂蚁2的分配方案；
第二种：蚂蚁1与蚂蚁2所均满足优解，情况又分为两种：
情况1)：蚂蚁1对应的各目标函数都强于蚂蚁2所对应的各目标，说明蚂蚁1优于蚂蚁2；
情况2)：当蚂蚁1对应的各目标函数并未全部优于蚂蚁2所对应的各目标函数，且蚂蚁2所对应的各目标也并未全部优于蚂蚁1所对应的各目标，说明蚂蚁2与蚂蚁1两种方案处于同等状态；
第三种：蚂蚁1与蚂蚁2对应的分配方案均不满足可行解.此情况下，比较蚂蚁1与蚂蚁2的超过约束限制的值的大小，分为两种情况：
情况1)：蚂蚁1对应分配方案的超限值都不大于蚂蚁2对应分配方案的超限值，并且至少存在一个约束，是蚂蚁1的超限值绝对小于蚂蚁2的超限值，在这种情况下，说明蚂蚁1对应的分配方案能够更少的违反约束限制，说明蚂蚁1 优于蚂蚁2；
情况2)：蚂蚁1对应出行行方案的各超限值没有都小于蚂蚁2对应分配方案的各超限值，同时，蚂蚁2对应分配方案的各超限值没有小于蚂蚁1对应分配方案的各超限值，在这种情况下，说明蚂蚁1所对应分配方案与蚂蚁2所对应的分配方案彼此不能分辩优劣，说明这个蚂蚁的分配方案属于同一类别；
对于所有蚂蚁进行上述平价，计算每个蚂蚁优于其他蚂蚁数目，记为H(k), 将所有H(k)值相同的蚂蚁分为一类，共有n组，根据组值进行降序排序；
Step3.5：信息素更新：
首先定义各个蚂蚁对应的信息素更新值，然后为各分配方案的沿途的信息索进行更新信息素更新，定义各个蚂蚁对应的信息素更新值，对于分配方案中排序靠前的解，让该分配方案沿途的信息素值增强幅度大，对于排序靠后的解，让该分配方案沿途的信息素值增强幅度小，设定分配路径信息素更新权重大小为τ，分配路径的每组的权重更新大小为I(i)，
其中在(3-5)中i的取值范围为0—e，e是自然对数的底数。
本发明的有益效果是：本发明微电网负荷优化分配的目标是在满足微电网安全运行约束的条件和负荷需求的同时让微电网发电的总成本最小。同时,根据用户对电能供给的不同需求,对负荷进行分类和细化,能够更有效地利用微电网中多样化的电能供给,使微电网系统运行经济性达到最优。
附图说明
图1是本发明的整体流程示意图；
图2是本发明的微电网结构图；
图3是本发明的实现多目标蚁群的微电网负荷分配方法过程图。
具体实施方式
下面结合附图所示的流程对本发明进行详细的描述。
实施例1：如图1-3所示，一种基于多目标蚁群算法的微电网负荷分配方法，具体步骤如下：
Step1：输入微电网中微电源的输入功率函数以及负荷，构造出微电网中微电源的输出功率数学模型；
Step2：利用各微电源在负荷分配功率上计算功率差，判断是否和大电网有交易，若存在为并网模型，若不存在为孤岛模型，然后分别在并网模型和孤岛模型中列出目标函数；
Step3：根据蚁群算法设计微电网负荷分配的实现。
具体地，所述Step1中，微电网一共包含了风力机组、光伏电池组和微型燃机轮3中类型的微电源，具体的所述的微电源的输出功率如下：
1)风力机组的输出功率Pw和实际风速V的函数关系为：
式中:V为实际风速；Vr为额定风速；Vin为切入风速；Vout为切出风速；Pr为风机的额定输出功率；
2)光伏电池组的功率输出表达式为
式中:PPV为在工作条件下的真实输出功率；PSTC为普标条件下的电池的输出功率；Ging为实际阳光的照射强度；Gstc为普标条件下的照射强度；k为功率温度的系数；Tc为电池板在工作时的测试温度；Tr为普标条件下的温度；
3)微型燃气轮机的总效率函数为
式中Pne为有效功率输出，Pth.ree为恢复的热功率，LHVf为燃料的燃烧系数， mf为燃料的实际质量。
具体地，所述Step2中，根据电网负荷模型列出目标函数，负荷分配模型包含了孤岛模型和并网模型两种，目标函数做以下详细阐述：
在孤岛模型下目标函数是完成1)发电成本最低、2)功率平衡条件和3) 微电源的发电约束三个主要目标；
3)发电成本目标函数
其包括燃料成本、运行维护成本、电能损耗成本和外部排放成本，其具体表达式见式1-1
在式中，C为微电网系统发电的总成本；T为分配周期的总时段数；t为时段编号；N为系统中微电源的总个数；CPi(t)为微电源的燃料成本；OMi(Pi (t))为微电源的运行维护成本；ELi(Pi(t))为系统的电能损耗成本；EDi(Pi(t)) 为微电源的外部排放成本；
2)功率平衡
整个微电网系统功率要达到平衡：即分布式电源有功功率总和等于负载功率和有功损耗之和，
式中Pi为微电源i的输出功率；PLi为系统负荷；ΔPloss为系统总网损；
3)微电源的发电约束
微电源运行必须满足其发电能力约束：微电源输出有功功率和节点电压必须在允许范围内，即
Pimin≤Pi≤Pimax,Uimin≤Ui≤Uimax(1-3)
式中Pimin、Pimax、Uimin、Uimax分别代表了有功功率输出的最小值、有功功率输出的最小值、节点电压的最小值和节点电压的最大值；
在并网模型下微电网与大电网之间存在电力交易，总成本函数增加了向大电网购电的指出和向大电网售电的收入，此时的成本目标函数为：
式中PBi代表式向大电网购买的功率，PSi代表了向用户出售的功率；
约束条件除了要满足式(1-2)和式(1-3)，还必须满足微电网向大电网的售电不可能超过微电网的总输出功率，即
式中Pi为微电网i在某一时段的输出功率，Psold为微电网在该时段向大电网的售电量。
具体地，所述Step3的具体步骤如下：
Step3.1：初始化信息
在进行首次搜索前，需要为微电网模型初始化信息值，定义从当前节点向下一个状态转移的初始化信息素值如式(3-1)：
Flab-Ps(th)代表任一节点a在时段th内，目标Pi所对应的向下一节点状态转移的信息素值，|Rk|代表节点P的邻接节点的数目；
Step3.2：求解路径转移概率
定义一个总体蚂蚁个数为S的群体，设在搜索过程中第k只蚂蚁，在目前的节点P转移到下一个节点时态时，选择概率的大小是根据在时间段里微电源的发电状况以及用户端的使用情况来定义的，具体表达式为(3-2)
在确定转移状态时移动到节点时，确定该微电源的分配功率选择概率是根据时段th的各路段上各目标的推荐功率来定义的；
其中，L代表优化的目标数目，代表了在时间段th从节点a到b+m 状态的目标1所对应的信息素，a(b+m)(th)代表了在时间段th从节点a到b+m 状态所对应的启发信息，代表了时段th在线路时ab，目标1对应的推荐功率为p时的信息素值，若α代表在搜索过程中，蚁群对于信息素权重的大小，β代表搜索过程中，蚁群对于启发信息的权重大小；代表了第k只蚂蚁对于第1个目标的搜索偏好，搜素偏好满足条件：
Step3.3：搜索负荷分配方案：
设第k只蚂蚁从起点i在时刻t0出发进行搜索，到达目的地j，设任意节点的邻接节点集为Ra，从节点a处向节点b移动的转移概率为根据转移概率的大小，利用轮盘赌的方式选择下一步转移状态；
当采用轮盘赌的方式选择从与前点a向下一节点b进行转移时，为该路段推荐分配方式，仍采用转移概率的方法，定义从点a点到b的各个分配功率选择概率推荐功率从最小功率到最大功率，再采用轮盘赌的方式决定路段I，节点q的推荐发电分配值；到达节点q后，按上述方法重复在节点p的状态转移和推荐功率，如此反复，直到找到分配值，则该蚂蚁的出行方案包括分配方式和推荐发电功率；
Step3.4：分配方案排序：
发电总成本与输出有效功率作为目标，根据所选目标作为优化目标，然后评价任意两只蚂蚁所对应的分配方案，具体情况分为3种：
第一种：蚂蚁1满足优解，蚂蚁2不满足优解，此时，蚂蚁1的分配方案优于蚂蚁2的分配方案；
第二种：蚂蚁1与蚂蚁2所均满足优解，情况又分为两种：
情况1)：蚂蚁1对应的各目标函数都强于蚂蚁2所对应的各目标，说明蚂蚁1优于蚂蚁2；
情况2)：当蚂蚁1对应的各目标函数并未全部优于蚂蚁2所对应的各目标函数，且蚂蚁2所对应的各目标也并未全部优于蚂蚁1所对应的各目标，说明蚂蚁2与蚂蚁1两种方案处于同等状态；
第三种：蚂蚁1与蚂蚁2对应的分配方案均不满足可行解.此情况下，比较蚂蚁1与蚂蚁2的超过约束限制的值的大小，分为两种情况：
情况1)：蚂蚁1对应分配方案的超限值都不大于蚂蚁2对应分配方案的超限值，并且至少存在一个约束，是蚂蚁1的超限值绝对小于蚂蚁2的超限值，在这种情况下，说明蚂蚁1对应的分配方案能够更少的违反约束限制，说明蚂蚁1 优于蚂蚁2；
情况2)：蚂蚁1对应出行行方案的各超限值没有都小于蚂蚁2对应分配方案的各超限值，同时，蚂蚁2对应分配方案的各超限值没有小于蚂蚁1对应分配方案的各超限值，在这种情况下，说明蚂蚁1所对应分配方案与蚂蚁2所对应的分配方案彼此不能分辩优劣，说明这个蚂蚁的分配方案属于同一类别；
对于所有蚂蚁进行上述平价，计算每个蚂蚁优于其他蚂蚁数目，记为H(k), 将所有H(k)值相同的蚂蚁分为一类，共有n组，根据组值进行降序排序；
Step3.5：信息素更新：
首先定义各个蚂蚁对应的信息素更新值，然后为各分配方案的沿途的信息索进行更新信息素更新，定义各个蚂蚁对应的信息素更新值，对于分配方案中排序靠前的解，让该分配方案沿途的信息素值增强幅度大，对于排序靠后的解，让该分配方案沿途的信息素值增强幅度小，设定分配路径信息素更新权重大小为τ，分配路径的每组的权重更新大小为I(i)，
其中在(3-5)中i的取值范围为0—e，e是自然对数的底数。
本发明所建模型能够更好地解决微电网运行中不同量纲的多目标优化问题，而且机组在运行时要尽量使用高效低排放的机组，提高系统运行的环保性和经济效益。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (4)
1.一种基于多目标蚁群算法的微电网负荷分配方法，其特征在于：所述方法的具体步骤如下：
Step1：输入微电网中微电源的输入功率函数以及负荷，构造出微电网中微电源的输出功率数学模型；
Step2：利用各微电源在负荷分配功率上计算功率差，判断是否和大电网有交易，若存在为并网模型，若不存在为孤岛模型，然后分别在并网模型和孤岛模型中列出目标函数；
Step3：根据蚁群算法设计微电网负荷分配的实现。
2.根据权利要求1所述的基于多目标蚁群算法的微电网负荷分配方法，其特征在于：所述Step1中，微电网一共包含了风力机组、光伏电池组和微型燃机轮3中类型的微电源，具体的所述的微电源的输出功率如下：
1)风力机组的输出功率Pw和实际风速V的函数关系为：
式中:V为实际风速；Vr为额定风速；Vin为切入风速；Vout为切出风速；Pr为风机的额定输出功率；
2)光伏电池组的功率输出表达式为
式中:PPV为在工作条件下的真实输出功率；PSTC为普标条件下的电池的输出功率；Ging为实际阳光的照射强度；Gstc为普标条件下的照射强度；k为功率温度的系数；Tc为电池板在工作时的测试温度；Tr为普标条件下的温度；
3)微型燃气轮机的总效率函数为
式中Pne为有效功率输出，Pth.ree为恢复的热功率，LHVf为燃料的燃烧系数，mf为燃料的实际质量。
3.根据权利要求1所述的基于多目标蚁群算法的微电网负荷分配方法，其特征在于：所述Step2中，根据电网负荷模型列出目标函数，负荷分配模型包含了孤岛模型和并网模型两种，目标函数做以下详细阐述：
在孤岛模型下目标函数是完成1)发电成本最低、2)功率平衡条件和3)微电源的发电约束三个主要目标；
1)发电成本目标函数
其包括燃料成本、运行维护成本、电能损耗成本和外部排放成本，其具体表达式见式1-1
在式中，C为微电网系统发电的总成本；T为分配周期的总时段数；t为时段编号；N为系统中微电源的总个数；CPi(t)为微电源的燃料成本；OMi(Pi(t))为微电源的运行维护成本；ELi(Pi(t))为系统的电能损耗成本；EDi(Pi(t))为微电源的外部排放成本；
2)功率平衡
整个微电网系统功率要达到平衡：即分布式电源有功功率总和等于负载功率和有功损耗之和，
式中Pi为微电源i的输出功率；PLi为系统负荷；ΔPloss为系统总网损；
3)微电源的发电约束
微电源运行必须满足其发电能力约束：微电源输出有功功率和节点电压必须在允许范围内，即
Pimin≤Pi≤Pimax,Uimin≤Ui≤Uimax (1-3)
式中Pimin、Pimax、Uimin、Uimax分别代表了有功功率输出的最小值、有功功率输出的最小值、节点电压的最小值和节点电压的最大值；
在并网模型下微电网与大电网之间存在电力交易，总成本函数增加了向大电网购电的指出和向大电网售电的收入，此时的成本目标函数为：
式中PBi代表式向大电网购买的功率，PSi代表了向用户出售的功率；
约束条件除了要满足式(1-2)和式(1-3)，还必须满足微电网向大电网的售电不可能超过微电网的总输出功率，即
式中Pi为微电网i在某一时段的输出功率，Psold为微电网在该时段向大电网的售电量。
4.根据权利要求1所述的基于多目标蚁群算法的微电网负荷分配方法，其特征在于：所述Step3的具体步骤如下：
Step3.1：初始化信息
在进行首次搜索前，需要为微电网模型初始化信息值，定义从当前节点向下一个状态转移的初始化信息素值如式(3-1)：
Flab-Ps(th)代表任一节点a在时段th内，目标Pi所对应的向下一节点状态转移的信息素值，|Rk|代表节点P的邻接节点的数目；
Step3.2：求解路径转移概率
定义一个总体蚂蚁个数为S的群体，设在搜索过程中第k只蚂蚁，在目前的节点P转移到下一个节点时态时，选择概率的大小是根据在时间段里微电源的发电状况以及用户端的使用情况来定义的，具体表达式为(3-2)
在确定转移状态时移动到节点时，确定该微电源的分配功率选择概率是根据时段th的各路段上各目标的推荐功率来定义的；
其中，L代表优化的目标数目，代表了在时间段th从节点a到b+m状态的目标1所对应的信息素，a(b+m)(th)代表了在时间段th从节点a到b+m状态所对应的启发信息，代表了时段th在线路时ab，目标1对应的推荐功率为p时的信息素值，若α代表在搜索过程中，蚁群对于信息素权重的大小，β代表搜索过程中，蚁群对于启发信息的权重大小；代表了第k只蚂蚁对于第1个目标的搜索偏好，搜素偏好满足条件：
Step3.3：搜索负荷分配方案：
设第k只蚂蚁从起点i在时刻t0出发进行搜索，到达目的地j，设任意节点的邻接节点集为Ra,从节点a处向节点b移动的转移概率为根据转移概率的大小，利用轮盘赌的方式选择下一步转移状态；
当采用轮盘赌的方式选择从与前点a向下一节点b进行转移时，为该路段推荐分配方式，仍采用转移概率的方法，定义从点a点到b的各个分配功率选择概率推荐功率从最小功率到最大功率，再采用轮盘赌的方式决定路段I,节点q的推荐发电分配值；到达节点q后，按上述方法重复在节点p的状态转移和推荐功率，如此反复，直到找到分配值，则该蚂蚁的出行方案包括分配方式和推荐发电功率；
Step3.4：分配方案排序：
发电总成本与输出有效功率作为目标，根据所选目标作为优化目标，然后评价任意两只蚂蚁所对应的分配方案，具体情况分为3种：
第一种：蚂蚁1满足优解，蚂蚁2不满足优解，此时，蚂蚁1的分配方案优于蚂蚁2的分配方案；
第二种：蚂蚁1与蚂蚁2所均满足优解，情况又分为两种：
情况1)：蚂蚁1对应的各目标函数都强于蚂蚁2所对应的各目标，说明蚂蚁1优于蚂蚁2；
情况2)：当蚂蚁1对应的各目标函数并未全部优于蚂蚁2所对应的各目标函数，且蚂蚁2所对应的各目标也并未全部优于蚂蚁1所对应的各目标，说明蚂蚁2与蚂蚁1两种方案处于同等状态；
第三种：蚂蚁1与蚂蚁2对应的分配方案均不满足可行解.此情况下，比较蚂蚁1与蚂蚁2的超过约束限制的值的大小，分为两种情况：
情况1)：蚂蚁1对应分配方案的超限值都不大于蚂蚁2对应分配方案的超限值，并且至少存在一个约束，是蚂蚁1的超限值绝对小于蚂蚁2的超限值，在这种情况下，说明蚂蚁1对应的分配方案能够更少的违反约束限制，说明蚂蚁1优于蚂蚁2；
情况2)：蚂蚁1对应出行行方案的各超限值没有都小于蚂蚁2对应分配方案的各超限值，同时，蚂蚁2对应分配方案的各超限值没有小于蚂蚁1对应分配方案的各超限值，在这种情况下，说明蚂蚁1所对应分配方案与蚂蚁2所对应的分配方案彼此不能分辩优劣，说明这个蚂蚁的分配方案属于同一类别；
对于所有蚂蚁进行上述平价，计算每个蚂蚁优于其他蚂蚁数目，记为H(k),将所有H(k)值相同的蚂蚁分为一类，共有n组，根据组值进行降序排序；
Step3.5：信息素更新：
首先定义各个蚂蚁对应的信息素更新值，然后为各分配方案的沿途的信息索进行更新信息素更新，定义各个蚂蚁对应的信息素更新值，对于分配方案中排序靠前的解，让该分配方案沿途的信息素值增强幅度大，对于排序靠后的解，让该分配方案沿途的信息素值增强幅度小，设定分配路径信息素更新权重大小为τ，分配路径的每组的权重更新大小为I(i)，
其中在(3-5)中i的取值范围为0—e，e是自然对数的底数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811009013.XA CN109245152B (zh) | 2018-08-31 | 2018-08-31 | 一种基于多目标蚁群算法的微电网负荷分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811009013.XA CN109245152B (zh) | 2018-08-31 | 2018-08-31 | 一种基于多目标蚁群算法的微电网负荷分配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109245152A true CN109245152A (zh) | 2019-01-18 |
| CN109245152B CN109245152B (zh) | 2021-07-16 |
Family
ID=65068154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811009013.XA Active CN109245152B (zh) | 2018-08-31 | 2018-08-31 | 一种基于多目标蚁群算法的微电网负荷分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109245152B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110011304A (zh) * | 2019-04-15 | 2019-07-12 | 国网山西省电力公司大同供电公司 | 一种用于开关组网规划中的自优化路由系统 |
| CN110854922A (zh) * | 2019-12-19 | 2020-02-28 | 南京晓庄学院 | 基于蚁群算法的地区电网接纳新能源能力评估系统及方法 |
| CN112311019A (zh) * | 2020-10-20 | 2021-02-02 | 山东中瑞电气有限公司 | 多智能体系统及其能源路由策略 |
| CN114285086A (zh) * | 2021-11-25 | 2022-04-05 | 国网河南省电力公司电力科学研究院 | 基于改进蚁群算法的电化学储能电站能量调度方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014109666A1 (en) * | 2013-01-14 | 2014-07-17 | Siemens Aktiengesellschaft | A method for determining a placement of protection devices in an energy distribution network |
-
2018
- 2018-08-31 CN CN201811009013.XA patent/CN109245152B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014109666A1 (en) * | 2013-01-14 | 2014-07-17 | Siemens Aktiengesellschaft | A method for determining a placement of protection devices in an energy distribution network |
Non-Patent Citations (2)
| Title |
|---|
| 李博文: "含分布式电源的微网电能优化调度研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》》 * |
| 李国庆: "基于改进蚁群算法的微电网多目标模糊优化运行", 《太阳能学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110011304A (zh) * | 2019-04-15 | 2019-07-12 | 国网山西省电力公司大同供电公司 | 一种用于开关组网规划中的自优化路由系统 |
| CN110011304B (zh) * | 2019-04-15 | 2023-01-03 | 国网山西省电力公司大同供电公司 | 一种用于开关组网规划中的自优化路由系统 |
| CN110854922A (zh) * | 2019-12-19 | 2020-02-28 | 南京晓庄学院 | 基于蚁群算法的地区电网接纳新能源能力评估系统及方法 |
| CN112311019A (zh) * | 2020-10-20 | 2021-02-02 | 山东中瑞电气有限公司 | 多智能体系统及其能源路由策略 |
| CN114285086A (zh) * | 2021-11-25 | 2022-04-05 | 国网河南省电力公司电力科学研究院 | 基于改进蚁群算法的电化学储能电站能量调度方法及系统 |
| CN114285086B (zh) * | 2021-11-25 | 2023-08-01 | 国网河南省电力公司电力科学研究院 | 基于改进蚁群算法的电化学储能电站能量调度方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109245152B (zh) | 2021-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Reducing environmental pollution and fuel consumption using optimization algorithm to develop combined cooling heating and power system operation strategies | |
| CN107482638B (zh) | 冷热电联供型微电网多目标动态优化调度方法 | |
| CN109245152A (zh) | 一种基于多目标蚁群算法的微电网负荷分配方法 | |
| CN104008430B (zh) | 一种构建拟境挖掘动态智能负荷预测模型的方法 | |
| CN110705776A (zh) | 能源优化调度方法 | |
| CN108347062A (zh) | 基于势博弈的微电网能量管理分布式多目标协同优化算法 | |
| CN107546781B (zh) | 基于pso改进算法的微电网多目标运行优化方法 | |
| CN103914734B (zh) | 基于改进型蚁群算法的微网容量优化布址方法 | |
| CN106655248B (zh) | 一种并网型微电网电源容量配置方法 | |
| CN108053069A (zh) | 一种适用于多目标优化场景的综合能源系统运行调度方法 | |
| Suresh et al. | Demand response-integrated economic dispatch incorporating renewable energy sources using ameliorated dragonfly algorithm | |
| CN108206543A (zh) | 一种基于能源梯级利用的能源路由器及其运行优化方法 | |
| Welch et al. | Energy dispatch fuzzy controller for a grid-independent photovoltaic system | |
| Hazra et al. | Optimal dispatch using moth‐flame optimization for hydro‐thermal‐wind scheduling problem | |
| CN109685285A (zh) | 一种基于多目标蜻蜓算法的微电网负荷用电优化调度新方法 | |
| CN114219195A (zh) | 一种区域综合能源容量优化控制方法 | |
| CN109685332A (zh) | 一种综合能源多主体利益均衡优化调度方法及设备 | |
| CN106786757A (zh) | 基于人工蜂群算法优化孤岛式混合能源系统配置的方法 | |
| Zhang et al. | Energy scheduling optimization of the integrated energy system with ground source heat pumps | |
| CN109993355A (zh) | 一种基于灰狼算法的楼宇用电优化方法 | |
| CN106602593A (zh) | 微电网多目标转化单目标的方法 | |
| Zhang et al. | Deep reinforcement learning based Bi-layer optimal scheduling for microgrids considering flexible load control | |
| CN114741960A (zh) | 一种综合能源经济环境调度优化方法及系统 | |
| Zeng et al. | New optimization method based on energy management in microgrids based on energy storage systems and combined heat and power | |
| CN107846007A (zh) | 基于混沌局部搜索的直流配网电源储能双层规划方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |