CN109301852B - 一种微电网分级多目标联合的经济调度方法 - Google Patents

Abstract

本发明提出了一种微电网分级多目标联合的经济调度方法。本发明建立负荷级模型、源荷级模型以及源网荷级模型，并优化计算得到每时刻电动汽车有序充放电负荷；将每时刻电动汽车有序充放电负荷代入源荷级模型，利用多目标粒子群算法求解源荷级模型得到优化后的储能单元每时刻出力以及优化后的微电网净负荷每时刻出力；将优化后的储能单元每时刻出力以及优化后的微电网净负荷每时刻出力代入源网荷级模型，利用多目标粒子群算法求解源网荷级模型，得出优化后的柴油机每时刻出力以及优化后的主网联络线每时刻出力。本发明使大规模电动汽车、微电网与主网达到运行经济、环境以及安全效益统一的效果。

Description

一种微电网分级多目标联合的经济调度方法

技术领域

本发明属于能源互联网领域，更具体地，涉及一种微电网分级多目标联合的经济调度方法。

背景技术

随着全球资源匮乏和生态污染问题的日益加剧，微电网作为主网运行的一种有效的补充手段，越来越受到世界各国的青睐。微电网的经济调度是微电网相关研究的重点内容之一，其目的是在满足所有负荷正常需求的前提下，合理分配各机组的出力，最大化经济效益、环境效益或其他指标等。

目前，一方面有大量微电网经济调度研究涉及以经济成本为目标函数的单目标优化调度，但其缺陷在于考虑因素相对单一，难以全面兼顾微电网经济性、环保性、高效性及安全性等多方利益。另一方面也有部分学者研究了微电网多目标经济调度问题，其中部分文献计及了环境等其他因素。但无论是微电网单目标还是多目标经济调度，普遍存在目标函数较为局限、对分布式电源的运行特性考虑不够全面，造成所得结果不太符合生产实际等问题。

因此，在微电网经济调度过程中，全面兼顾微电网经济调度运行的经济性、环保性、高效性及安全性，同时考虑微电网中各分布式单元的运行特性，具有重要的现实意义。

发明内容

针对现有研究的不足及优化需求，本发明提出了一种微电网分级多目标联合的经济调度方法。

本发明的技术方案为一种微电网分级多目标联合的经济调度方法，具体包括以下步骤：

步骤1：建立负荷级模型并得到每时刻电动汽车有序充放电负荷，建立源荷级模型以及建立源网荷级模型；

步骤2：将每时刻电动汽车有序充放电负荷代入源荷级模型，利用多目标粒子群算法求解源荷级模型得到优化后的储能单元每时刻出力以及优化后的微电网净负荷每时刻出力；

步骤3：将优化后的储能单元每时刻出力以及优化后的微电网净负荷每时刻出力代入源网荷级模型，利用多目标粒子群算法求解源网荷级模型，得出优化后的柴油机每时刻出力以及优化后的主网联络线每时刻出力。

作为优选，步骤1中所述建立负荷级模型具体步骤如下：

步骤1.1：确定微电网原始负荷峰谷状态，负荷早高峰起始时刻为T_{start_m},负荷晚高峰起始时刻为T_{start_n}，电动汽车的数量为N，电动汽车用户返程时刻为t₀及行驶距离为s；

步骤1.2：比较电动汽车用户返程时刻与负荷早高峰起始时刻T_{start_m},负荷晚高峰起始时刻T_{start_n}，确定电动汽车起始充电时刻T_{start_char}及电动汽车起始放电时刻T_{start_dischar}；

若t₀＜T_{start_m}，T_{start_char}＝t₀

若t₀≥T_{start_m}

t₀≤T_{start_n}，T_{start_dischar}＝T_{start_n}

t₀≥T_{start_n}，T_{start_dischar}＝t₀

步骤1.3：计算电动汽车充放电时长及电动汽车充放电结束时刻：

电动汽车最大放电量：C_dischar＝min[(SOC_max-SOC_min)*C_ev-s*w,fr*Cev]

电动汽车放电时长：T_{long_dischar}＝C_dischar/P_dischar

电动汽车放电结束时刻：T_{end_dischar}＝T_{start_dischar}+T_{long_dischar}

若T_{end_dischar}＞24，则T_{end_dischar}＝24

电动汽车充电时长：T_{long_char}＝(C_dischar+s*w)/P_char

电动汽车充电结束时刻：T_{end_char}＝T_{start_char}+T_{long_char}

若T_{end_char}＞T_{start_m}，则T_{end_char}＝T_{start_m}

其中，P_char为已知信息充电功率，P_dischar为已知信息放电功率，w为每公里耗电量，fr为最大放电深度，SOC_max为电动汽车荷电状态上限，SOC_min为电动汽车荷电状态下限，C_ev为电池电量；

步骤1.4：对每一辆电动汽车全部重复步骤1.1～步骤1.3，将所有N辆电动汽车在其充电区间[T_{start_char}，T_{end_char}]和其放电区间[T_{start_dischar}，T_{end_dischar}]的充放电功率累加得到步骤1中所述每时刻电动汽车有序充放电负荷P_ev(t)，与微电网负荷t时刻原始负荷

相加得到经负荷级优化后t时刻微电网负荷P_load(t)；

步骤1中所述建立源荷级模型具体步骤如下：

步骤1.5：源荷级调度策略的目标函数为储能单元综合运行成本，储能单元综合运行成本由包括运维成本、充放电变换损耗成本以及少量充电费用构成，储能单元综合运行成本最少为f₁以及净负荷率均值最小为f₂：

f₁＝min[C_{ES_cost}]

P′_load(t)＝-P_pv(t)-P_wt(t)+P_ES(t)+P_load(t)

其中，C_{ES_cost}是储能单元综合运行成本，C_{ES_om}是储能单元的运行维护成本，C_{ES_loss}是充放电变换所带来的损耗成本，C_{ES_price}是少量的充电费用，P_ES(t)为储能单元在t时刻的出力大小，P_pv(t)为光伏组件在t时刻的出力大小，P_wt(t)为风电机组在t时刻的出力大小，P_load(t)为经负荷级优化后t时刻的微电网负荷，P′_load(t)为t时刻的微电网净负荷，

为微电网负荷t时刻原始负荷，P_ev(t)为t时刻为电动汽车的有序充放电负荷，price(t)为主网侧t时刻的分时电价，K_{om_ES}是储能单元的运行维护成本系数，C_loss是储能单元充放电状态变换一次所带来的电池损耗费用，C_{cost_change}为储能单元更换成本，SOC_max为储能单元最大的荷电状态，SOC_min为储能单元最小的荷电状态，n_B为储能单元一个周期内充放电变换的次数，n_BN为储能单元寿命周期内额定充放电次数，T为微电网经济调度周期；

步骤1.6：储能单元需要满足的约束条件有：

荷电状态约束

SOC_max≤SOC(t)≤SOC_min

储能单元出力上下限约束

其中，

为储能单元出力最大值，

为储能单元出力最小值；

步骤1中所述建立源网荷级模型具体步骤如下：

步骤1.7：源网荷级调度策略的目标函数为柴油机组及主网联络线功率产生的综合运行成本最少f₃以及主网联络线功率波动最小f₄：

f₃＝min[C_{de_cost}+C_{grid_cost}]

其中，C_{de_cost}为柴油机运行产生的综合运行成本，包括运行维护成本C_{de_om}、燃料费用C_{de_fuel}、环境治理费用C_{de_EN}以及开启费用C_{de_start}，K_{om_de}为柴油机的运行维护系数，P_de(t)为柴油机t时刻输出功率，γ_{de_k}为柴油机运行产生的第k类污染物排放量，C_k为处理第k类污染物的费用，a为柴油机的第一燃料系数,b为柴油机的第二燃料系数,c为柴油机的第三燃料系数，c_{de_start}为柴油机每次开启所需费用，n_de为柴油机在一个周期内的起动次数，C_{grid_cost}为主网联络线功率的综合运行成本，包括微电网与主网功率交换所产生的电费C_{grid_price}以及主网联络线功率运行所产生的环境治理费用C_{grid_EN}，price(t)为主网侧t时刻的分时电价，P_grid(t)为主网t时刻联络线功率，其值为正时表示微电网向主网买电，为负时表示微电网向主网卖电，γ_{grid_k}为主网联络线功率产生的第k类污染物排放量；

步骤1.8：源网荷级的约束条件有：

柴油机的出力上、下限

柴油机的爬坡限制

联络线功率上、下限

功率平衡等式

P_grid(t)+P_de(t)＝P′_load(t)

其中，

为柴油机组出力最大值，

为柴油机组出力最小值，

为柴油机组爬坡上限，

为柴油机组爬坡下限，

为联络线功率最大值，

为联络线功率最小值；

作为优选，步骤2中所述利用多目标粒子群算法求解源荷级模型的具体步骤如下：

步骤2.1：每时刻电动汽车有序充电负荷P_ev(t)为根据步骤1中所述每时刻电动汽车有序充电负荷，微电网负荷每时刻原始负荷

每时刻的风机功率P_wt(t)，每时刻的光伏出力P_pv(t)，储能荷电状态上限SOC_max，储能单元荷电状态下限SOC_min，储能单元最大输出功率

最小输出功率

主网侧每时刻电价price(t)，能单元的运行维护成本系数K_{om_ES}，储能单元充放电状态变换一次所带来的电池损耗费用C_loss，储能单元更换成本C_{cost_change}以及储能单元寿命周期内额定充放电次数n_BN；

步骤2.2：初始化粒子群，即初始化T小时储能单元的出力，设置种群大小为N_P，迭代次数K，粒子维数D，加速度因子c₁和c₂，随机数r₁和r₂以及惯性权重w₀；

步骤2.3：将步骤1中所述步骤1.5所述的目标函数f₁和f₂作为多目标粒子群的适应度函数，将步骤1中所述步骤1.6所述的约束条件作为多目标粒子群的约束条件；

步骤2.4：根据多目标粒子群算法求出符合要求非劣解集；

对于多目标优化问题，由于其目标间的矛盾性以及目标间的不可公度性，一般不存在通常意义下的最优解，只能寻求问题的非劣解；

对多目标问题：

min[f₁(x),f₂(x),f₃(x),…,f_m(x)]

式中，f_i(x)为待优化的目标函数，x为待优化的变量，ub为变量x的上限，lb为变量x的下限，A_eq*x＝b_eq为变量x的等式约束，A*x≤b为变量x的不等式约束；

假设x^*是多目标问题的一个可行解，若不存在其他的可行解x∈X，使所有f_i(x)≤f_i(x^*)(i＝1,2,…,m)，且至少存在一个i₀(1≤i₀≤m)使

成立，则称x^*为多目标问题的一个非劣解。

步骤2.5：利用模糊隶属度函数对获得的非劣解集中选取一组相对最优解作为最终最优解；

对步骤2.4中所获得的非劣解集中的第k个非劣解x_k，其对于第i个子目标函数的满意程度为：

式中，

为第i个子目标最大函数值，

为第i个子目标最小函数值，f_i(x_k)为第k个非劣解x_k所对应的第i个子目标函数值因此，

取值范围为(0,1)；

对x_k来说，所有子目标的整体满意度可用式表示：

其中，M为非劣解个数，L为子目标个数；

对所有的μ^k，其值越大，解越优，因此，选取其中最大值

所对应的非劣解作为最终的最优解。

步骤2.6：输出最终优化结果为步骤2中所述优化后的储能单元每时刻出力P_ES ^*(t)以及优化后的微电网每时刻净负荷

作为优选，步骤3中所述利用多目标粒子群算法求解源网荷级模型的具体步骤如下：

步骤3.1：由步骤2中所述储能单元每时刻出力P_ES ^*(t)和微电网每时刻净负荷

柴油机的运行维护系数K_{om_de}，柴油机运行产生污染物排放量γ_{de_k}，处理污染物的费用C_k，a为柴油机的第一燃料系数,b为柴油机的第二燃料系数,c为柴油机的第三燃料系数，柴油机每次开启所需费用c_{de_start}，主网侧t时刻的分时电价price(t)，主网联络线功率产生的污染物排放量γ_{grid_k}，柴油机组出力最大值

柴油机组出力最小值

柴油机组爬坡上限

柴油机组爬坡下限

联络线功率最大值

以及联络线功率最小值

等信息；

步骤3.2：初始化粒子群，即初始化T小时的柴油机出力和T小时的主网联络线功率出力，设置种群大小为N'，迭代次数K'，粒子维数D'，加速度因子c′₁和c′₂，随机数r′₁和r′₂以及惯性权重w′₀；

步骤3.3：将步骤1中所述步骤1.7所述的目标函数f₃和f₄作为多目标粒子群的适应度函数，将步骤1中所述步骤1.8所述的约束条件作为多目标粒子群的约束条件；

步骤3.4：根据多目标粒子群算法求出符合要求非劣解集；

步骤3.5：利用模糊隶属度函数对获得的一系列非劣解中选取一组相对最优解作为最终最优解；

对步骤3.4中所获得的非劣解集中的第k个非劣解x′_k，其对于第i个子目标函数的满意程度为：

式中，

为第i个子目标最大函数值，

为第i个子目标最小函数值，f_i′(x_k)为第k个非劣解x′_k所对应的第i个子目标函数值因此，

取值范围为(0,1)；

对x′_k来说，所有子目标的整体满意度可用式表示：

其中，M′为非劣解个数，L′为子目标个数；

对所有的μ′^k，其值越大，解越优，因此，选取其中最大值

所对应的非劣解作为最终的最优解。

步骤3.6：输出最终的优化结果为步骤3中所述优化后的柴油机每时刻出力

以及优化后的主网联络线每时刻出力

本发明的有益效果在于：充分考虑了微电网各分布式单元的运行特性，利用蒙特卡洛算法求解负荷级、多目标粒子群算法和模糊隶属函数求解源荷级和源网荷级，最终兼顾微电网经济调度运行的经济性、环保性、高效性及安全性等多方利益，获得多方较为满意的经济调度策略。

附图说明

图1：本发明微电网分级多目标联合的经济调度方法的结构框图；

图2：本发明微电网系统结构图；

图3：本发明计算电动汽车有序充放电负荷流程图；

图4：本发明实施例电动汽车有序充电负荷曲线图；

图5：本发明实施例利用多目标粒子群算法获得源荷级的一系列非劣解图；

图6：本发明实施例利用模糊隶属度函数得到最终的源荷级各调度单元的出力曲线图；

图7：本发明实施例利用多目标粒子群算法获得源网荷级的一系列非劣解图；

图8：本发明实施例利用模糊隶属度函数得到最终的源网荷级各调度单元的调度曲线图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施示例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

下面结合图1至图8介绍本发明的实施方式，具体步骤如下：

步骤1：建立负荷级模型并得到每时刻电动汽车有序充放电负荷，建立源荷级模型以及建立源网荷级模型；

步骤1所述中建立负荷级模型具体步骤如下：

步骤1.1：确定微电网原始负荷峰谷状态，负荷早高峰起始时刻为T_{start_m},负荷晚高峰起始时刻为T_{start_n}，电动汽车的数量为N＝700，电动汽车用户返程时刻为t₀及行驶距离为s；

步骤1.2：比较电动汽车用户返程时刻与负荷早高峰起始时刻T_{start_m},负荷晚高峰起始时刻T_{start_n}，确定电动汽车起始充电时刻T_{start_char}及电动汽车起始放电时刻T_{start_dischar}；

若t₀＜T_{start_m}，T_{start_char}＝t₀

若t₀≥T_{start_m}

t₀≤T_{start_n}，T_{start_dischar}＝T_{start_n}

t₀≥T_{start_n}，T_{start_dischar}＝t₀

步骤1.3：计算电动汽车充放电时长及电动汽车充放电结束时刻：

电动汽车最大放电量：C_dischar＝min[(SOC_max-SOC_min)*C_ev-s*w,fr*Cev]

电动汽车放电时长：T_{long_dischar}＝C_dischar/P_dischar

电动汽车放电结束时刻：T_{end_dischar}＝T_{start_dischar}+T_{long_dischar}

若T_{end_dischar}＞24，则T_{end_dischar}＝24

电动汽车充电时长：T_{long_char}＝(C_dischar+s*w)/P_char

电动汽车充电结束时刻：T_{end_char}＝T_{start_char}+T_{long_char}

若T_{end_char}＞T_{start_m}，则T_{end_char}＝T_{start_m}

其中，P_char＝4.5kW为已知信息充电功率，P_dischar＝-4.5kW为已知信息放电功率，w＝0.15kW/km为每公里耗电量，fr＝0.8为最大放电深度，SOC_{ev_max}＝90％为电动汽车荷电状态上限，SOC_{ev_min}＝30％为电动汽车荷电状态下限，C_ev＝27kW*h为电池电量；

步骤1.4：对每一辆电动汽车全部重复步骤1.1～步骤1.3，将所有N辆电动汽车在其充电区间[T_{start_char}，T_{end_char}]和其放电区间[T_{start_dischar}，T_{end_dischar}]的充放电功率累加得到步骤1中所述每时刻电动汽车有序充放电负荷P_ev(t)，与微电网负荷t时刻原始负荷

相加得到经负荷级优化后t时刻微电网负荷P_load(t)；

步骤1中所述建立源荷级模型具体步骤如下：

步骤1.5：源荷级调度策略的目标函数为储能单元综合运行成本，储能单元综合运行成本由包括运维成本、充放电变换损耗成本以及少量充电费用构成，储能单元综合运行成本最少为f₁以及净负荷率均值最小为f₂。

f₁＝min[C_{ES_cost}]

P′_load(t)＝-P_pv(t)-P_wt(t)+P_ES(t)+P_load(t)

其中，C_{ES_cost}是储能单元综合运行成本，C_{ES_om}是储能单元的运行维护成本，C_{ES_loss}是充放电变换所带来的损耗成本，C_{ES_price}是少量的充电费用，P_ES(t)为储能单元在t时刻的出力大小，P_pv(t)为光伏组件在t时刻的出力大小，P_wt(t)为风电机组在t时刻的出力大小，P_load(t)为经负荷级优化后t时刻的微电网负荷，P′_load(t)为t时刻的微电网净负荷，

为微电网负荷t时刻原始负荷，P_ev(t)为t时刻为电动汽车的有序充放电负荷，price(t)为主网侧t时刻的分时电价，K_{om_ES}＝0.75是储能单元的运行维护成本系数，C_loss＝0.5元是储能单元充放电状态变换一次所带来的电池损耗费用，C_{cost_change}＝1000元为储能单元更换成本，SOC_max＝0.95为储能单元最大的荷电状态，SOC_min＝0.3为储能单元最小的荷电状态，n_B＝2000为储能单元一个周期内充放电变换的次数，n_BN＝1500为储能单元寿命周期内额定充放电次数，T＝24h为微电网经济调度周期；

步骤1.6：储能单元需要满足的约束条件有：

荷电状态约束

SOC_max≤SOC(t)≤SOC_min

储能单元出力上下限约束

其中，

为储能单元出力最大值，

为储能单元出力最小值；

步骤1中所述建立源网荷级模型具体步骤如下：

步骤1.7：源网荷级调度策略的目标函数为柴油机组及主网联络线功率产生的综合运行成本最少f₃以及主网联络线功率波动最小f₄。

f₃＝min[C_{de_cost}+C_{grid_cost}]

其中，C_{de_cost}为柴油机运行产生的综合运行成本，包括运行维护成本C_{de_om}、燃料费用C_{de_fuel}、环境治理费用C_{de_EN}以及开启费用C_{de_start}，K_{om_de}为柴油机的运行维护系数，P_de(t)为柴油机t时刻输出功率，γ_{de_k}为柴油机运行产生的第k类污染物排放量，C_k为处理第k类污染物的费用，a＝0.25为柴油机的第一燃料系数，b＝0.5为柴油机的第二燃料系数，c＝0.03为柴油机的第三燃料系数，c_{de_start}＝1.5元为柴油机每次开启所需费用，n_de为柴油机在一个周期内的起动次数，C_{grid_cost}为主网联络线功率的综合运行成本，包括微电网与主网功率交换所产生的电费C_{grid_price}以及主网联络线功率运行所产生的环境治理费用C_{grid_EN}，price(t)为主网侧t时刻的分时电价，P_grid(t)为主网t时刻联络线功率，其值为正时表示微电网向主网买电，为负时表示微电网向主网卖电，γ_{grid_k}为主网联络线功率产生的第k类污染物排放量；

步骤1.8：源网荷级的约束条件有：

柴油机的出力上、下限

柴油机的爬坡限制

联络线功率上、下限

功率平衡等式

其中，

为柴油机组出力最大值，

为柴油机组出力最小值，

为柴油机组爬坡上限，

为柴油机组爬坡下限，

为联络线功率最大值，

为联络线功率最小值；

步骤2：将每时刻电动汽车有序充放电负荷代入源荷级模型，利用多目标粒子群算法求解源荷级模型得到优化后的储能单元每时刻出力以及优化后的微电网净负荷每时刻出力；

步骤2中所述利用多目标粒子群算法求解源荷级模型的具体步骤如下：

步骤2.1：每时刻电动汽车有序充电负荷P_ev(t)为根据步骤1中所述每时刻电动汽车有序充电负荷，微电网负荷每时刻原始负荷

每时刻的风机功率P_wt(t)，每时刻的光伏出力P_pv(t)，储能荷电状态上限SOC_max，储能单元荷电状态下限SOC_min，储能单元最大输出功率

最小输出功率

主网侧每时刻电价price(t)，能单元的运行维护成本系数K_{om_ES}，储能单元充放电状态变换一次所带来的电池损耗费用C_loss，储能单元更换成本C_{cost_change}以及储能单元寿命周期内额定充放电次数n_BN；

步骤2.2：初始化粒子群，即初始化T＝24小时储能单元的出力，设置种群大小为N_P＝100，迭代次数K＝150，粒子维数D＝24，加速度因子c₁＝0.8和c₂＝0.9，随机数r₁＝0.5和r₂＝0.5以及惯性权重w₀＝0.9；

步骤2.3：将步骤1中所述步骤1.5所述的目标函数f₁和f₂作为多目标粒子群的适应度函数，将步骤1中所述步骤1.6所述的约束条件作为多目标粒子群的约束条件；

步骤2.4：根据多目标粒子群算法求出符合要求非劣解集；

对于多目标优化问题，由于其目标间的矛盾性以及目标间的不可公度性，一般不存在通常意义下的最优解，只能寻求问题的非劣解；

对多目标问题：

min[f₁(x),f₂(x),f₃(x),…,f_m(x)]

式中，f_i(x)为待优化的目标函数，x为待优化的变量，ub为变量x的上限，lb为变量x的下限，A_eq*x＝b_eq为变量x的等式约束，A*x≤b为变量x的不等式约束；

假设x^*是多目标问题的一个可行解，若不存在其他的可行解x∈X，使所有f_i(x)≤f_i(x^*)(i＝1,2,…,m)，且至少存在一个i₀(1≤i₀≤m)使

成立，则称x^*为多目标问题的一个非劣解。

步骤2.5：利用模糊隶属度函数对获得的非劣解集中选取一组相对最优解作为最终最优解；

对步骤2.4中所获得的非劣解集中的第k个非劣解x_k，其对于第i个子目标函数的满意程度为：

式中，

为第i个子目标最大函数值，

为第i个子目标最小函数值，f_i(x_k)为第k个非劣解x_k所对应的第i个子目标函数值因此，

取值范围为(0,1)；

对x_k来说，所有子目标的整体满意度可用式表示：

其中，M为非劣解个数，L为子目标个数；

对所有的μ^k，其值越大，解越优，因此，选取其中最大值

所对应的非劣解作为最终的最优解。

步骤2.6：输出最终优化结果为步骤2中所述优化后的储能单元每时刻出力P_ES ^*(t)以及优化后的微电网每时刻净负荷

步骤3：将优化后的储能单元每时刻出力以及优化后的微电网净负荷每时刻出力代入源网荷级模型，利用多目标粒子群算法求解源网荷级模型，得出优化后的柴油机每时刻出力以及优化后的主网联络线每时刻出力。

步骤3中所述利用多目标粒子群算法求解源网荷级模型的具体步骤如下：

步骤3.1：由步骤2中所述储能单元每时刻出力P_ES ^*(t)和微电网每时刻净负荷

柴油机的运行维护系数K_{om_de}，柴油机运行产生污染物排放量γ_{de_k}，处理污染物的费用C_k，a＝0.25为柴油机的第一燃料系数，b＝0.5为柴油机的第二燃料系数，c＝0.03为柴油机的第三燃料系数，柴油机每次开启所需费用c_{de_start}＝1.5元，主网侧t时刻的分时电价price(t)，主网联络线功率产生的污染物排放量γ_{grid_k}，

为柴油机组出力最大值，

为柴油机组出力最小值，

为柴油机组爬坡上限，

为柴油机组爬坡下限，

为联络线功率最大值，

为联络线功率最小值；

步骤3.2：初始化粒子群，即初始化T＝24小时的柴油机出力和T＝24小时的主网联络线功率出力，设置种群大小为N'＝100，迭代次数K'＝150，粒子维数D'＝48，加速度因子c′₁＝0.8和c′₂＝0.9，随机数r₁′＝0.5和r′₂＝0.5以及惯性权重w₀′＝0.5；

步骤3.3：将步骤1中所述步骤1.7所述的目标函数f₃和f₄作为多目标粒子群的适应度函数，将步骤1中所述步骤1.8所述的约束条件作为多目标粒子群的约束条件；

步骤3.4：根据多目标粒子群算法求出符合要求非劣解集；

步骤3.5：利用模糊隶属度函数对获得的一系列非劣解中选取一组相对最优解作为最终最优解；

对步骤3.4中所获得的非劣解集中的第k个非劣解x′_k，其对于第i个子目标函数的满意程度为：

式中，

为第i个子目标最大函数值，

为第i个子目标最小函数值，f_i′(x_k)为第k个非劣解x′_k所对应的第i个子目标函数值因此，

取值范围为(0,1)；

对x′_k来说，所有子目标的整体满意度可用式表示：

其中，M′为非劣解个数，L′为子目标个数；

对所有的μ′^k，其值越大，解越优，因此，选取其中最大值

所对应的非劣解作为最终的最优解。

步骤3.6：输出最终的优化结果为步骤3中所述优化后的柴油机每时刻出力

以及优化后的主网联络线每时刻出力

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (3)

1.一种微电网分级多目标联合的经济调度方法，其特征在于，包括以下步骤：

步骤1：建立负荷级模型并得到每时刻电动汽车有序充放电负荷，建立源荷级模型以及建立源网荷级模型；

步骤2：将每时刻电动汽车有序充放电负荷代入源荷级模型，利用多目标粒子群算法求解源荷级模型得到优化后的储能单元每时刻出力以及优化后的微电网净负荷每时刻出力；

步骤3：将优化后的储能单元每时刻出力以及优化后的微电网净负荷每时刻出力代入源网荷级模型，利用多目标粒子群算法求解源网荷级模型，得出优化后的柴油机每时刻出力以及优化后的主网联络线每时刻出力；

步骤1中所述建立负荷级模型具体步骤如下：

步骤1.1：确定微电网原始负荷峰谷状态，负荷早高峰起始时刻为T_{start_m},负荷晚高峰起始时刻为T_{start_n}，电动汽车的数量为N，电动汽车用户返程时刻为t₀及行驶距离为s；

步骤1.2：比较电动汽车用户返程时刻与负荷早高峰起始时刻T_{start_m},负荷晚高峰起始时刻T_{start_n}，确定电动汽车起始充电时刻T_{start_char}及电动汽车起始放电时刻T_{start_dischar}；

若t₀＜T_{start_m}，T_{start_char}＝t₀

若t₀≥T_{start_m}

t₀≤T_{start_n}，T_{start_dischar}＝T_{start_n}

t₀≥T_{start_n}，T_{start_dischar}＝t₀

步骤1.3：计算电动汽车充放电时长及电动汽车充放电结束时刻：

电动汽车最大放电量：C_dischar＝min[(SOC_max-SOC_min)*C_ev-s*w,fr*Cev]

电动汽车放电时长：T_{long_dischar}＝C_dischar/P_dischar

电动汽车放电结束时刻：T_{end_dischar}＝T_{start_dischar}+T_{long_dischar}

若T_{end_dischar}＞24，则T_{end_dischar}＝24

电动汽车充电时长：T_{long_char}＝(C_dischar+s*w)/P_char

电动汽车充电结束时刻：T_{end_char}＝T_{start_char}+T_{long_char}

若T_{end_char}＞T_{start_m}，则T_{end_char}＝T_{start_m}

其中，P_char为已知信息充电功率，P_dischar为已知信息放电功率，w为每公里耗电量，fr为最大放电深度，SOC_max为电动汽车荷电状态上限，SOC_min为电动汽车荷电状态下限，C_ev为电池电量；

步骤1.4：对每一辆电动汽车全部重复步骤1.1～步骤1.3，将所有N辆电动汽车在其充电区间[T_{start_char}，T_{end_char}]和其放电区间[T_{start_dischar}，T_{end_dischar}]的充放电功率累加得到步骤1中所述每时刻电动汽车有序充放电负荷P_ev(t)，与微电网负荷t时刻原始负荷

相加得到经负荷级优化后t时刻微电网负荷P_load(t)；

步骤1中所述建立源荷级模型具体步骤如下：

步骤1.5：源荷级调度策略的目标函数为储能单元综合运行成本，储能单元综合运行成本由包括运维成本、充放电变换损耗成本以及少量充电费用构成，储能单元综合运行成本最少为f₁以及净负荷率均值最小为f₂：

f₁＝min[C_{ES_cost}]

P′_load(t)＝-P_pv(t)-P_wt(t)+P_ES(t)+P_load(t)

其中，C_{ES_cost}是储能单元综合运行成本，C_{ES_om}是储能单元的运行维护成本，C_{ES_loss}是充放电变换所带来的损耗成本，C_{ES_price}是少量的充电费用，P_ES(t)为储能单元在t时刻的出力大小，P_pv(t)为光伏组件在t时刻的出力大小，P_wt(t)为风电机组在t时刻的出力大小，P_load(t)为经负荷级优化后t时刻的微电网负荷，P_lo′_ad(t)为t时刻的微电网净负荷，

为微电网负荷t时刻原始负荷，P_ev(t)为t时刻为电动汽车的有序充放电负荷，price(t)为主网侧t时刻的分时电价，K_{om_ES}是储能单元的运行维护成本系数，C_loss是储能单元充放电状态变换一次所带来的电池损耗费用，C_{cost_change}为储能单元更换成本，SOC_max为储能单元最大的荷电状态，SOC_min为储能单元最小的荷电状态，n_B为储能单元一个周期内充放电变换的次数，n_BN为储能单元寿命周期内额定充放电次数，T为微电网经济调度周期；

步骤1.6：储能单元需要满足的约束条件有：

荷电状态约束

SOC_max≤SOC(t)≤SOC_min

储能单元出力上下限约束

其中，

为储能单元出力最大值，

为储能单元出力最小值；

步骤1中所述建立源网荷级模型具体步骤如下：

步骤1.7：源网荷级调度策略的目标函数为柴油机组及主网联络线功率产生的综合运行成本最少f₃以及主网联络线功率波动最小f₄：

f₃＝min[C_{de_cost}+C_{grid_cost}]

其中，C_{de_cost}为柴油机运行产生的综合运行成本，包括运行维护成本C_{de_om}、燃料费用C_{de_fuel}、环境治理费用C_{de_EN}以及开启费用C_{de_start}，K_{om_de}为柴油机的运行维护系数，P_de(t)为柴油机t时刻输出功率，γ_{de_k}为柴油机运行产生的第k类污染物排放量，C_k为处理第k类污染物的费用，a为柴油机的第一燃料系数,b为柴油机的第二燃料系数,c为柴油机的第三燃料系数，c_{de_start}为柴油机每次开启所需费用，n_de为柴油机在一个周期内的起动次数，C_{grid_cost}为主网联络线功率的综合运行成本，包括微电网与主网功率交换所产生的电费C_{grid_price}以及主网联络线功率运行所产生的环境治理费用C_{grid_EN}，price(t)为主网侧t时刻的分时电价，P_grid(t)为主网t时刻联络线功率，其值为正时表示微电网向主网买电，为负时表示微电网向主网卖电，γ_{grid_k}为主网联络线功率产生的第k类污染物排放量；

步骤1.8：源网荷级的约束条件有：

柴油机的出力上、下限

柴油机的爬坡限制

联络线功率上、下限

功率平衡等式

P_grid(t)+P_de(t)＝P′_load(t)

其中，

为柴油机组出力最大值，

为柴油机组出力最小值，

为柴油机组爬坡上限，

为柴油机组爬坡下限，

为联络线功率最大值，

为联络线功率最小值。

2.根据权利要求1所述的微电网分级多目标联合的经济调度方法，其特征在于：

步骤2中所述利用多目标粒子群算法求解源荷级模型的具体步骤如下：

步骤2.1：每时刻电动汽车有序充电负荷P_ev(t)为根据步骤1中所述每时刻电动汽车有序充电负荷，微电网负荷每时刻原始负荷

每时刻的风机功率P_wt(t)，每时刻的光伏出力P_pv(t)，储能荷电状态上限SOC_max，储能单元荷电状态下限SOC_min，储能单元最大输出功率

最小输出功率

主网侧每时刻电价price(t)，能单元的运行维护成本系数K_{om_ES}，储能单元充放电状态变换一次所带来的电池损耗费用C_loss，储能单元更换成本C_{cost_change}以及储能单元寿命周期内额定充放电次数n_BN；

步骤2.2：初始化粒子群，即初始化T小时储能单元的出力，设置种群大小为N_P，迭代次数K，粒子维数D，加速度因子c₁和c₂，随机数r₁和r₂以及惯性权重w₀；

步骤2.3：将步骤1中所述步骤1.5所述的目标函数f₁和f₂作为多目标粒子群的适应度函数，将步骤1中所述步骤1.6所述的约束条件作为多目标粒子群的约束条件；

步骤2.4：根据多目标粒子群算法求出符合要求非劣解集；

对于多目标优化问题，由于其目标间的矛盾性以及目标间的不可公度性，一般不存在通常意义下的最优解，只能寻求问题的非劣解；

对多目标问题：

min[f₁(x),f₂(x),f₃(x),...,f_m(x)]

式中，f_i(x)为待优化的目标函数，x为待优化的变量，ub为变量x的上限，lb为变量x的下限，A_eq*x＝b_eq为变量x的等式约束，A*x≤b为变量x的不等式约束；

假设x^*是多目标问题的一个可行解，若不存在其他的可行解x∈X，使所有f_i(x)≤f_i(x^*)(i＝1,2,...,m)，且至少存在一个i₀(1≤i₀≤m)使

成立，则称x^*为多目标问题的一个非劣解；

步骤2.5：利用模糊隶属度函数对获得的非劣解集中选取一组相对最优解作为最终最优解；

对步骤2.4中所获得的非劣解集中的第k个非劣解x_k，其对于第i个子目标函数的满意程度为：

式中，f_i ^max为第i个子目标最大函数值，f_i ^min为第i个子目标最小函数值，f_i(x_k)为第k个非劣解x_k所对应的第i个子目标函数值因此，

取值范围为(0,1)；

对x_k来说，所有子目标的整体满意度可用式表示：

其中，M为非劣解个数，L为子目标个数；

对所有的μ^k，其值越大，解越优，因此，选取其中最大值

所对应的非劣解作为最终的最优解；

步骤2.6：输出最终优化结果为步骤2中所述优化后的储能单元每时刻出力P_ES ^*(t)以及优化后的微电网每时刻净负荷

3.根据权利要求1所述的微电网分级多目标联合的经济调度方法，其特征在于：

步骤3中所述利用多目标粒子群算法求解源网荷级模型的具体步骤如下：

步骤3.1：由步骤2中所述储能单元每时刻出力P_ES ^*(t)和微电网每时刻净负荷

柴油机的运行维护系数K_{om_de}，柴油机运行产生污染物排放量γ_{de_k}，处理污染物的费用C_k，a为柴油机的第一燃料系数,b为柴油机的第二燃料系数,c为柴油机的第三燃料系数，柴油机每次开启所需费用c_{de_start}，主网侧t时刻的分时电价price(t)，主网联络线功率产生的污染物排放量γ_{grid_k}，柴油机组出力最大值

柴油机组出力最小值

柴油机组爬坡上限

柴油机组爬坡下限

联络线功率最大值

以及联络线功率最小值

等信息；

步骤3.2：初始化粒子群，即初始化T小时的柴油机出力和T小时的主网联络线功率出力，设置种群大小为N'，迭代次数K'，粒子维数D'，加速度因子c′₁和c′₂，随机数r₁′和r′₂以及惯性权重w₀′；

步骤3.3：将步骤1中所述步骤1.7所述的目标函数f₃和f₄作为多目标粒子群的适应度函数，将步骤1中所述步骤1.8所述的约束条件作为多目标粒子群的约束条件；

步骤3.4：根据多目标粒子群算法求出符合要求非劣解集；

步骤3.5：利用模糊隶属度函数对获得的一系列非劣解中选取一组相对最优解作为最终最优解；

对步骤3.4中所获得的非劣解集中的第k个非劣解x′_k，其对于第i个子目标函数的满意程度为：

式中，f_i′^max为第i个子目标最大函数值，f_i′^min为第i个子目标最小函数值，f_i′(x_k)为第k个非劣解x′_k所对应的第i个子目标函数值因此，μ_i′^k取值范围为(0,1)；

对x′_k来说，所有子目标的整体满意度可用式表示：

其中，M′为非劣解个数，L′为子目标个数；

对所有的μ′^k，其值越大，解越优，因此，选取其中最大值

所对应的非劣解作为最终的最优解；

步骤3.6：输出最终的优化结果为步骤3中所述优化后的柴油机每时刻出力

以及优化后的主网联络线每时刻出力

Images