CN109345019B - 一种基于改进粒子群算法的微电网经济调度优化策略 - Google Patents

一种基于改进粒子群算法的微电网经济调度优化策略 Download PDF

Info

Publication number
CN109345019B
CN109345019B CN201811179046.9A CN201811179046A CN109345019B CN 109345019 B CN109345019 B CN 109345019B CN 201811179046 A CN201811179046 A CN 201811179046A CN 109345019 B CN109345019 B CN 109345019B
Authority
CN
China
Prior art keywords
particle swarm
generator set
value
power
constraint
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.)
Active
Application number
CN201811179046.9A
Other languages
English (en)
Other versions
CN109345019A (zh
Inventor
窦春霞
周晓涵
岳东
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201811179046.9A priority Critical patent/CN109345019B/zh
Publication of CN109345019A publication Critical patent/CN109345019A/zh
Application granted granted Critical
Publication of CN109345019B publication Critical patent/CN109345019B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于改进粒子群算法的微电网经济调度优化策略，属于电力系统自动化技术领域。本发明根据光储联合运行的特点，在微电网运行过程中考虑发电机组出力和储能能量的动态变化。以发电机组发电的成本以及储能运行成本之和为目标，考虑功率平衡约束、发电机组的出力约束、储能充放电约束以及爬坡率约束，提出了一种基于改进粒子群算法的微电网经济调度优化策略。采用改进等式约束处理方法的粒子群优化算法，在约束范围内，不断调节发电机组调度出力以及储能充放电的能量，寻求最佳粒子，使得微电网系统运行成本最低。

Description

一种基于改进粒子群算法的微电网经济调度优化策略
技术领域
本发明属于电力系统自动化的技术领域，具体涉及一种基于改进粒子群算法的微电网经济调度优化策略。
背景技术
面对日益严峻的能源和环境问题，开发可再生能源已成为必由之路，尤其是风力发电和光伏发电在近几年得到了广泛的应用。由于光伏和风电等可再生能源出力的间歇性和波动性，为了满足微电网的经济运行，及供电电能质量要求，将可再生能源发电接入微电网的情况下，配备一定的储能来实现微电网的供需平衡。储能系统能够灵活快速的与微电网进行功率交换，因此可以作为一种解决微电网运行问题的有效手段。
微电网运行既要达到环境友好，同时又要经济效益，因此微电网的经济调度问题是一个比较复杂多约束的优化运行问题。传统的优化算法已经难以解决多约束条件的非线性优化以及模型中等式问题。
发明内容
本发明所要解决的技术问题是针对上述背景技术的不足，提出一种基于改进粒子群算法的微电网经济调度优化策略，建立了可调度电源、可再生能源发电以及储能联合优化的模型，在满足各约束条件的前提下，实现微电网的运行成本最低，解决基于粒子群优化算法的问电网经济调度的技术问题。
一种基于改进粒子群算法的微电网经济调度优化策略，包括三大部分，(一)根据可再生能源输出功率的不确定性建立微电网经济调度优化模型，(二)基于上述建立的微电网优化调度模型给出求解方法，(三)基于微电网经济调度模型给出的求解方法，对建立的经济调度模型进行优化；
所述第(一)部分，包括优化目标与设定约束条件；
所述优化目标，通过下式进行实现：
Figure BDA0001824521430000021
以微电网的费用F(P)最低为目标函数，Ng为发电机个数；ai0，ai1和ai2为成本系数；PGi(t)为第i个发电机组在t时刻的出力；λ1为为电池的运行成本，λ2为电池的损耗成本；ηc(t)，ηD(t)分别为储能在t时刻的充放电效率，放电时μ＝1，充电时μ＝0；DOD为放电深度；SOC(t)为储能在t时刻的荷电状态；SOCmax是储能最高荷电状态；Ps(t)为储能在t时刻的调度功率；
所述约束条件，包括对微电网中的功率平衡、发电机组出力、储能充放电和爬坡率进行约束；
所述第(二)部分，通过粒子群的优化方法，对于模型进行求解；
粒子群算法通过迭代，不断追随当前搜索到的最优解来寻找全局最优值；同时，为了提高粒子群算法寻求最优值的速度，对惯性权重进行动态更新；
在微电网经济调度优化模型中，对等式约束的处理方法进行改进，采用动态处理的方法，使得每一个粒子在寻优的过程中可以始终满足等式约束；
基于粒子群算法解决提出的微电网经济调度模型，算法的具体步骤如下：
步骤1：设置粒子数目、速度和位置，设置迭代的次数，精度要求；
步骤2：计算每个粒子的适应度，并根据适应值更新惯性权重ω；
步骤3：将每个粒子当前的适应值与之前的最好位置的pbest进行比较，若更好，则替换，否则不变；
步骤4：将每个粒子的适应值跟全局最佳位置gbest进行比较，若更好，则替换，否则不变；
步骤5：更新每个粒子的速度v；
步骤6：若粒子的速度v＜vmax，速度保持不变，否则v＝vmax；
步骤7：更新每个粒子的速度v；
步骤8：若达到精度要求或迭代次数达到上限，则输出结果。否则，执行步骤2；
所述第(三)部分，采用的微电网系统包括光伏阵列、发电机组以及储能系统，计算周期设定为一天，每一个小时作为一个计算时段，全天将被分为24个时段，光伏在6：00-18：00发电，并且设置粒子群优化算法的相关参数，同时粒子群优化算法在粒子群的初始化和粒子的更新都采用处理等式策略，反复调整粒子，使其满足等式约束，使收敛值更优。
进一步地，所述第(一)部分中，各个约束条件为：
功率平衡约束：μPS(t)+(μ-1)PS(t)+PV(t)-Pload(t)＝0，PV(t)为光伏在t时刻的预测功率；Pload(t)为负荷在t时刻的预测功率；
发电机组出力约束：PGimin≤PGi(t)≤PGimax，PGimin为发电机组出力的最小值；PGimax为发电机组出力的最大值；
储能充放电约束：
Figure BDA0001824521430000041
Figure BDA0001824521430000042
为储能放电功率的最小值；
Figure BDA0001824521430000043
为储能充电功率的最小值；
Figure BDA0001824521430000044
为储能放电功率的最大值；
Figure BDA0001824521430000045
为储能充电功率的最大值；SOCmin是储能最低荷电状态，SOCmax是储能最高荷电状态；
爬坡率约束：Rdown＜PGi(t)-PGi(t-1)＜Rup。
进一步地，所述第(二)部分中，粒子群算法中，粒子的速度和位置更新结果如下式所示：
vi，j(k+1)＝w(k)vi，j(k)+c1r1(pi，j(k)-xi，j(k))+c2r2(pg，j(k)-xi，j(k))
xi，j(k+1)＝xi，j(k)+vi，j(k+1)
其中，w(k)为惯性权重；vi，j(k)为迭代速度；xi，j(k)为空间位置；r1和r2为加速因子，是范围在[0，1]之间的随机常数；pg，j(k)为当前全局最优值；pi，j(k)为当前个体最优值。
进一步地，所述第(二)部分中，对惯性权重进行动态更新，更新公式表示为：
Figure BDA0001824521430000051
上式中，ωmax为迭惯性权重上限，是初始值；ωmin为惯性权重下限，是结束值；iter为迭代次数；itermax为迭代次数的上限。
进一步地，所述第(二)部分中，等式约束的处理步骤如下：
步骤1：设置索引时间段t＝1，并初始化粗调系数Jcoarse＝0和细调系数Jfine＝0；
步骤2：通过下式计算总的功率差ΔP，如果|ΔP|＜ε，其中ε是允许的总的功率差的范围，若满足，转至步骤7，否则，进行步骤3；
ΔP＝μPS(t)+(μ-1)PS(t)+PV(t)-Pload(t)
步骤3：通过公式下式平均调整发电机组每个时间段的功率，并检查发电机组的出力PGi(t)是否超出第i个发电机组的出力限制，如果它超出边界，则等于发电机组出力约束的边界，并转至步骤4；否则，按照下式修改，并转到步骤4；
PGi(t)′＝PGi(t)-ΔP/Ns
步骤4：如果Jcoarse＜Jmax，其中Jmax为粗调系数的最大值，则Jcoarse＝Jcoarse+1，执行步骤2；否则，执行步骤5)；
步骤5：再次通过步骤2中的公式计算总的功率差，在Ns个发电机组中选择一个随机指数r，通过下式修改每个发电机组的输出功率，并执行步骤6；
PGi(t)′＝PGi(t)-ΔP/Ns
步骤6：如果Jfine＜J′max，其中J′max为细条系数的最大值，则Jfine＝Jfine+1，执行步骤5)；否则，执行步骤7)；
步骤7：如果t＜T，则t＝t+1，并执行步骤2)；否则，退出系统功率平衡的处理。
进一步地，所述第(三)部分中，粒子群优化算法的相关参数设置为：粒子的数目为100，维度为144，最大迭代次数为1000。
本发明根据光储联合运行的特点，在微电网运行过程中考虑发电机组出力和储能能量的动态变化。以发电机组发电的成本以及储能运行成本之和为目标，考虑功率平衡约束、发电机组的出力约束、储能充放电约束以及爬坡率约束，提出了一种基于改进粒子群算法的微电网经济调度优化策略。采用改进等式约束处理方法的粒子群优化算法，在约束范围内，不断调节发电机组调度出力以及储能充放电的能量，寻求最佳粒子，使得微电网系统运行成本最低。
附图说明
图1为所述一种基于改进粒子群算法的微电网经济调度优化策略框图。
图2为优化目标结果图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
一种基于改进粒子群算法的微电网经济调度优化策略，包括三大部分，(一)根据可再生能源输出功率的不确定性建立微电网经济调度优化模型，(二)基于上述建立的微电网优化调度模型给出求解方法，(三)基于微电网经济调度模型给出的求解方法，对建立的经济调度模型进行优化。
所述第(一)部分，包括优化目标与设定约束条件。
所述优化目标，通过下式进行实现：
Figure BDA0001824521430000071
以微电网的费用F(P)最低为目标函数，Ng为发电机个数；ai0，ai1和ai2为成本系数；PGi(t)为第i个发电机组在t时刻的出力；λ1为为电池的运行成本，λ2为电池的损耗成本；ηc(t)，ηD(t)分别为储能在t时刻的充放电效率，放电时μ＝1，充电时μ＝0；DOD为放电深度；SOC(t)为储能在t时刻的荷电状态；SOCmax是储能最高荷电状态；Ps(t)为储能在t时刻的调度功率。
所述约束条件，包括对微电网中的功率平衡、发电机组出力、储能充放电和爬坡率进行约束。各个约束条件为：
功率平衡约束：μPS(t)+(μ-1)PS(t)+PV(t)-Pload(t)＝0，PV(t)为光伏在t时刻的预测功率；Pload(t)为负荷在t时刻的预测功率。
发电机组出力约束：PGimin≤PGi(t)≤PGimax，PGimin为发电机组出力的最小值；PGimax为发电机组出力的最大值。
储能充放电约束：
Figure BDA0001824521430000072
Figure BDA0001824521430000081
为储能放电功率的最小值；
Figure BDA0001824521430000082
为储能充电功率的最小值；
Figure BDA0001824521430000083
为储能放电功率的最大值；
Figure BDA0001824521430000084
为储能充电功率的最大值；SOCmin是储能最低荷电状态，SOCmax是储能最高荷电状态。
爬坡率约束：Rdown＜PGi(t)-PGi(t-1)＜Rup。
所述第(二)部分，通过粒子群的优化方法，对于模型进行求解。
粒子群算法通过迭代，不断追随当前搜索到的最优解来寻找全局最优值。粒子群算法中，粒子的速度和位置更新结果如下式所示：
vi，j(k+1)＝w(k)vi，j(k)+c1r1(pi，j(k)-xi，j(k))+c2r2(pg，j(k)-xi，j(k))
xi，j(k+1)＝xi，j(k)+vi，j(k+1)
其中，w(k)为惯性权重；vi，j(k)为迭代速度；xi，j(k)为空间位置；r1和r2为加速因子，是范围在[0，1]之间的随机常数；pg，j(k)为当前全局最优值；pi，j(k)为当前个体最优值。
同时，为了提高粒子群算法寻求最优值的速度，对惯性权重进行动态更新。对惯性权重进行动态更新，更新公式表示为：
Figure BDA0001824521430000085
上式中，ωmax为迭惯性权重上限，是初始值；ωmin为惯性权重下限，是结束值；iter为迭代次数；itermax为迭代次数的上限。
在微电网经济调度优化模型中，对等式约束的处理方法进行改进，采用动态处理的方法，使得每一个粒子在寻优的过程中可以始终满足等式约束。等式约束的处理步骤如下：
步骤1：设置索引时间段t＝1，并初始化粗调系数Jcoarse＝0和细调系数Jfine＝0。
步骤2：通过下式计算总的功率差ΔP，如果|ΔP|＜ε，其中ε是允许的总的功率差的范围，若满足，转至步骤7，否则，进行步骤3。
ΔP＝μPS(t)+(μ-1)PS(t)+PV(t)-Pload(t)
步骤3：通过公式下式平均调整发电机组每个时间段的功率，并检查发电机组的出力PGi(t)是否超出第i个发电机组的出力限制，如果它超出边界，则等于发电机组出力约束的边界，并转至步骤4；否则，按照下式修改，并转到步骤4。
PGi(t)′＝PGi(t)-ΔP/Ns
步骤4：如果Jcoarse＜Jmax，其中Jmax为粗调系数的最大值，则Jcoarse＝Jcoarse+1，执行步骤2；否则，执行步骤5)。
步骤5：再次通过步骤2中的公式计算总的功率差，在Ns个发电机组中选择一个随机指数r，通过下式修改每个发电机组的输出功率，并执行步骤6。
PGi(t)′＝PGi(t)-ΔP/Ns
步骤6：如果Jfine＜J′max，其中J′max为细条系数的最大值，则Jfine＝Jfine+1，执行步骤5)；否则，执行步骤7)。
步骤7：如果t＜T，则t＝t+1，并执行步骤2)；否则，退出系统功率平衡的处理。
基于粒子群算法解决提出的微电网经济调度模型，算法的具体步骤如下：
步骤1：设置粒子数目、速度和位置，设置迭代的次数，精度要求。
步骤2：计算每个粒子的适应度，并根据适应值更新惯性权重ω。
步骤3：将每个粒子当前的适应值与之前的最好位置的pbest进行比较，若更好，则替换，否则不变。
步骤4：将每个粒子的适应值跟全局最佳位置gbest进行比较，若更好，则替换，否则不变。
步骤5：更新每个粒子的速度v。
步骤6：若粒子的速度v＜vmax，速度保持不变，否则v＝vmax。
步骤7：更新每个粒子的速度v。
步骤8：若达到精度要求或迭代次数达到上限，则输出结果。否则，执行步骤2。
所述第(三)部分，采用的微电网系统包括光伏阵列、发电机组以及储能系统，计算周期设定为一天，每一个小时作为一个计算时段，全天将被分为24个时段，光伏在6：00-18：00发电，并且设置粒子群优化算法的相关参数，粒子群优化算法的相关参数设置为：粒子的数目为100，维度为144，最大迭代次数为1000。同时粒子群优化算法在粒子群的初始化和粒子的更新都采用处理等式策略，反复调整粒子，使其满足等式约束，使收敛值更优。
在并网条件下，微电网经济调度结果如下：
五个发电机组的数据如下表所示：
Figure BDA0001824521430000101
Figure BDA0001824521430000111
一天内每个小时的光伏发电功率如下表所示：
Figure BDA0001824521430000112
一天内每个小时的负荷需求如下表所示：
Figure BDA0001824521430000113
5个发电机组及储能的实际输出功率如下表所示：
Figure BDA0001824521430000114
Figure BDA0001824521430000121
优化目标结果如图2所示。
采用等式处理策略，结合粒子群优化算法对微电网系统进行计算，发电机组及储能在满足约束的前提下，调节五个发电机组在每个时间段的调度出力，当光伏发电量以及发电机组的发电量在满足负荷需求的情况下，发电机组发电过量给储能充电，若无法满足负荷需求，则储能放电，使得储能处于充放电的动态变化状态，使得优化目标的值最小，进而实现微电网经济最优。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (6)

1.一种基于改进粒子群算法的微电网经济调度优化方法，其特征在于：所述方法包括三大部分，(一)根据可再生能源输出功率的不确定性建立微电网经济调度优化模型，(二)基于上述建立的微电网优化调度模型给出求解方法，(三)基于微电网经济调度模型给出的求解方法，对建立的经济调度模型进行优化；
第(一)部分，包括优化目标与设定约束条件；
所述优化目标，通过下式进行实现：
Figure FDA0003116999380000011
以微电网的费用F(P)最低为目标函数，Ng为发电机个数；ai0，ai1和ai2为成本系数；PGi(t)为第i个发电机组在t时刻的出力；λ1为电池的运行成本，λ2为电池的损耗成本；ηc(t)，ηD(t)分别为储能在t时刻的充放电效率，放电时μ＝1，充电时μ＝0；DOD为放电深度；SOC(t)为储能在t时刻的荷电状态；SOCmax是储能最高荷电状态；Ps(t)为储能在t时刻的调度功率；ts为初始时刻；
所述约束条件，包括对微电网中的功率平衡、发电机组出力、储能充放电和爬坡率进行约束；
第(二)部分，通过粒子群的优化方法，对于模型进行求解；
粒子群算法通过迭代，不断追随当前搜索到的最优解来寻找全局最优值；同时，为了提高粒子群算法寻求最优值的速度，对惯性权重进行动态更新；
在微电网经济调度优化模型中，对等式约束的处理方法进行改进，采用动态处理的方法，使得每一个粒子在寻优的过程中可以始终满足等式约束；
基于粒子群算法解决提出的微电网经济调度模型，算法的具体步骤如下：
步骤1：设置粒子数目、速度和位置，设置迭代的次数，精度要求；
步骤2：计算每个粒子的适应度，并根据适应值更新惯性权重ω；
步骤3：将每个粒子当前的适应值与之前的最好位置的pbest进行比较，若更好，则替换，否则不变；
步骤4：将每个粒子的适应值跟全局最佳位置gbest进行比较，若更好，则替换，否则不变；
步骤5：更新每个粒子的速度v；
步骤6：若粒子的速度v＜vmax，速度保持不变，否则v＝vmax；
步骤7：更新每个粒子的速度v；
步骤8：若达到精度要求或迭代次数达到上限，则输出结果；否则，执行步骤2；
第(三)部分，采用的微电网系统包括光伏阵列、发电机组以及储能系统，计算周期设定为一天，每一个小时作为一个计算时段，全天将被分为24个时段，光伏在6:00-18:00发电，并且设置粒子群优化算法的相关参数，同时粒子群优化算法在粒子群的初始化和粒子的更新都采用处理等式方法，反复调整粒子，使其满足等式约束，使收敛值更优。
2.根据权利要求1所述的一种基于改进粒子群算法的微电网经济调度优化方法，其特征在于：所述第(一)部分中，各个约束条件为：
功率平衡约束：μPS(t)+(μ-1)PS(t)+PV(t)-Pload(t)＝0，PV(t)为光伏在t时刻的预测功率；Pload(t)为负荷在t时刻的预测功率；
发电机组出力约束：PGimin≤PGi(t)≤PGimax，PGimin为发电机组出力的最小值；PGimax为发电机组出力的最大值；
储能充放电约束：
Figure FDA0003116999380000031
Figure FDA0003116999380000032
为储能放电功率的最小值；
Figure FDA0003116999380000033
为储能充电功率的最小值；
Figure FDA0003116999380000034
为储能放电功率的最大值；
Figure FDA0003116999380000035
为储能充电功率的最大值；SOCmin是储能最低荷电状态，SOCmax是储能最高荷电状态；
爬坡率约束：Rdown＜PGi(t)-PGi(t-1)＜Rup,Rdown为爬坡率的下限，Rup为爬坡率的上限。
3.根据权利要求1所述的一种基于改进粒子群算法的微电网经济调度优化方法，其特征在于：所述第(二)部分中，粒子群算法中，粒子的速度和位置更新结果如下式所示：
vi,j(k+1)＝w(k)vi,j(k)+c1r1(pi,j(k)-xi,j(k))+c2r2(pg,j(k)-xi,j(k))
xi,j(k+1)＝xi,j(k)+vi,j(k+1)
其中，w(k)为惯性权重；vi,j(k)为迭代速度；xi,j(k)为空间位置；r1和r2为加速因子，是范围在[0,1]之间的随机常数；pg,j(k)为当前全局最优值；pi,j(k)为当前个体最优值。
4.根据权利要求1所述的一种基于改进粒子群算法的微电网经济调度优化方法，其特征在于：所述第(二)部分中，对惯性权重进行动态更新，更新公式表示为：
Figure FDA0003116999380000041
上式中，ωmax为惯性权重上限，是初始值；ωmin为惯性权重下限，是结束值；iter为迭代次数；itermax为迭代次数的上限。
5.根据权利要求1所述的一种基于改进粒子群算法的微电网经济调度优化方法，其特征在于：所述第(二)部分中，等式约束的处理步骤如下：
步骤1：设置索引时间段t＝1，并初始化粗调系数Jcoarse＝0和细调系数Jfine＝0；
步骤2：通过下式计算总的功率差ΔP，如果|ΔP|＜ε，其中ε是允许的总的功率差的范围，若满足，转至步骤7，否则，进行步骤3；
ΔP＝μPS(t)+(μ-1)PS(t)+PV(t)-Pload(t)
步骤3：通过公式下式平均调整发电机组每个时间段的功率，并检查发电机组的出力PGi(t)是否超出第i个发电机组的出力限制，如果它超出边界，则等于发电机组出力约束的边界，并转至步骤4；否则，按照下式修改，并转到步骤4；
PGi(t)'＝PGi(t)-ΔP/Ns
步骤4：如果Jcoarse＜Jmax，其中Jmax为粗调系数的最大值，则Jcoarse＝Jcoarse+1，执行步骤2；否则，执行步骤5)；
步骤5：再次通过步骤2中的公式计算总的功率差，在Ns个发电机组中选择一个随机指数r，通过下式修改每个发电机组的输出功率，并执行步骤6；
PGi(t)'＝PGi(t)-ΔP/Ns
步骤6：如果Jfine＜J'max，其中J'max为细条系数的最大值，则Jfine＝Jfine+1，执行步骤5)；否则，执行步骤7)；
步骤7：如果t＜T，则t＝t+1，并执行步骤2)；否则，退出系统功率平衡的处理。
6.根据权利要求1所述的一种基于改进粒子群算法的微电网经济调度优化方法，其特征在于：所述第(三)部分中，粒子群优化算法的相关参数设置为：粒子的数目为100，维度为144，最大迭代次数为1000。
CN201811179046.9A 2018-10-10 2018-10-10 一种基于改进粒子群算法的微电网经济调度优化策略 Active CN109345019B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811179046.9A CN109345019B (zh) 2018-10-10 2018-10-10 一种基于改进粒子群算法的微电网经济调度优化策略

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811179046.9A CN109345019B (zh) 2018-10-10 2018-10-10 一种基于改进粒子群算法的微电网经济调度优化策略

Publications (2)

Publication Number Publication Date
CN109345019A CN109345019A (zh) 2019-02-15
CN109345019B true CN109345019B (zh) 2021-08-31

Family

ID=65308456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811179046.9A Active CN109345019B (zh) 2018-10-10 2018-10-10 一种基于改进粒子群算法的微电网经济调度优化策略

Country Status (1)

Country Link
CN (1) CN109345019B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110281809B (zh) * 2019-05-28 2021-06-08 北京航盛新能科技有限公司 一种基于粒子群优化算法的电动汽车v2g控制系统
CN110165665A (zh) * 2019-05-29 2019-08-23 长沙理工大学 一种基于改进多目标粒子群算法的源-荷-储调度方法
CN110084410B (zh) * 2019-05-31 2021-08-03 华北电力大学 一种污水再利用型综合能源系统运行优化方法
CN110598945B (zh) * 2019-09-19 2022-07-22 南京邮电大学 一种基于热电气多能源微网系统的协调优化方法
CN111585305B (zh) * 2020-06-12 2023-08-11 国网天津市电力公司 适用于多能互补联动经济性评价的方法
CN111738512B (zh) * 2020-06-22 2022-05-24 昆明理工大学 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法
CN112580897B (zh) * 2020-12-31 2023-08-22 西安理工大学 基于鹦鹉算法的多能源电力系统优化调度的方法
CN112821470B (zh) * 2021-03-10 2023-10-27 江南大学 基于小生境混沌粒子群算法的微网群优化调度策略
CN114285093B (zh) * 2021-12-29 2024-02-06 南京邮电大学 一种源网荷储互动调度方法及系统
CN114626639A (zh) * 2022-04-19 2022-06-14 西南石油大学 一种考虑风光不确定性的多微电网协同优化经济调度方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392286A (zh) * 2014-12-02 2015-03-04 山东大学 考虑冷热电联供和储能运行策略的微电网运行优化方法
CN106451550A (zh) * 2016-11-10 2017-02-22 三峡大学 一种基于改进次梯度粒子群的微电网并网优化调度方法
CN107887933A (zh) * 2017-11-17 2018-04-06 燕山大学 一种多时间尺度滚动优化微电网能量优化管理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392286A (zh) * 2014-12-02 2015-03-04 山东大学 考虑冷热电联供和储能运行策略的微电网运行优化方法
CN106451550A (zh) * 2016-11-10 2017-02-22 三峡大学 一种基于改进次梯度粒子群的微电网并网优化调度方法
CN107887933A (zh) * 2017-11-17 2018-04-06 燕山大学 一种多时间尺度滚动优化微电网能量优化管理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于改进粒子群算法的微电网多时段经济调度;付蓉等;《电力需求侧管理》;20140531;第16卷(第3期);12-17 *

Also Published As

Publication number Publication date
CN109345019A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN109345019B (zh) 一种基于改进粒子群算法的微电网经济调度优化策略
CN105846461B (zh) 一种大规模储能电站自适应动态规划的控制方法和系统
CN107994595B (zh) 一种削峰填谷控制方法和系统以及应用该控制方法的系统
CN107732960A (zh) 微电网储能系统容量优化配置方法
CN108376989B (zh) 一种基于多智能体的电池储能电站分区控制方法及系统
CN108599144B (zh) 一种提高电力系统新能源利用率且最小化发电成本的方法
CN109636056B (zh) 一种基于多智能体技术的多能源微网去中心化优化调度方法
CN110247438B (zh) 基于天牛须算法的主动配电网资源优化配置
CN109447393A (zh) 一种电力系统经济负荷分配的改进的粒子群算法
CN108551176B (zh) 一种结合储能均衡技术的储能电池系统容量配置方法
CN110401209B (zh) 基于多随机复合优化灰狼算法的削峰填谷的能量管理方法
CN115102239B (zh) 一种考虑soc均衡的储能电站一次调频控制方法及系统
CN110796373B (zh) 面向风电消纳的多阶段场景生成电热系统优化调度方法
CN111934360A (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN115940292B (zh) 基于圆圈搜索算法的含风储电力系统优化调度方法及系统
CN110991773A (zh) 一种面向风电消纳的两阶段源荷储优化调度方法
CN110336285B (zh) 电力系统最优经济潮流计算方法
CN109787221B (zh) 一种微电网电能安全经济调度方法和系统
CN108808737A (zh) 促进可再生分布式电源消纳的主动配电网优化调度方法
CN107732945A (zh) 一种基于模拟退火粒子群算法的储能单元优化方法
CN117060470B (zh) 一种基于灵活性资源的配电网电压优化控制方法
CN113555899A (zh) 一种风光储发电系统协调控制方法
CN111162551B (zh) 一种基于风电功率超短期预测的蓄电池充放电控制方法
CN116885761A (zh) 一种功率型-能量型混合储能系统容量优化方法
CN111523947A (zh) 一种虚拟电厂发电成本生成方法

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