CN109361237A

CN109361237A - 基于改进混合粒子群算法的微电网容量优化配置方法

Info

Publication number: CN109361237A
Application number: CN201811457002.8A
Authority: CN
Inventors: 周全; 魏明奎; 路亮; 江栗; 蔡绍荣; 柳璐; 程浩忠; 张程铭; 袁杨
Original assignee: Shanghai Jiaotong University; State Grid Corp of China SGCC; Southwest Branch of State Grid Corp
Current assignee: Shanghai Jiaotong University; State Grid Corp of China SGCC; Southwest Branch of State Grid Corp
Priority date: 2018-11-30
Filing date: 2018-11-30
Publication date: 2019-02-19
Anticipated expiration: 2038-11-30
Also published as: CN109361237B

Abstract

本发明涉及一种基于改进混合粒子群算法的微电网容量优化配置方法，包括以下步骤：1)获取风力发电机和太阳能光伏电池功率序列以及负荷序列；2)以综合投资成本、综合可靠率、剩余能量率和可再生能源率为规划目标，建立孤岛微电网容量优化配置模型；3)基于步骤1)，采用改进混合粒子群算法求解所述孤岛微电网容量优化配置模型，获得最优配置方案。与现有技术相比，本发明配置精度高，能使电网可靠、环保以及能量充分利用，对于微电网规划具有实际意义。

Description

基于改进混合粒子群算法的微电网容量优化配置方法

技术领域

本发明涉及微电网容量规划技术领域，尤其是涉及一种基于改进混合粒子群算法的微电网容量优化配置方法。

背景技术

粒子群算法(PSO)基本思想来自于生物学家Frank Heppner建立的鸟类群体行为模型，它虽然粒子群算法仍然是一种随机迭代搜索算法，但是相比于遗传算法，它没有“交叉”、“变异”的操着，而是将每个个体看作一个微粒在搜索空间中飞行，并且飞行速度根据个体和群体经验进行动态调整，因此它具有规则简单的特点。目前，粒子群算法以其易实现、收敛速度快和精度高的特点被广泛应用于实际问题中。

经对现有文献和专利进行检索发现，现有文献中，周燕、刘培玉、赵静等人在《山东大学学报》(2012,47(3):27-32)上发表的《基于自适应惯性权重的混沌粒子群算法》利用立方映射产生混沌序列对粒子位置进行初始化，并采用自适应惯性权重优化策略提高收敛速度。赵远东、方正华等人在《计算机应用》(2013,33(8):2265-2268)上发表的《带有权重函数学习因子的粒子群算法》提出一种利用惯性权重来控制学习因子的PSO算法，该算法将学习因子视作惯性权重的线性、非线性以及三角函数，在惯性权重随时间线性或非线性递减的过程中，学习因子发生相应的递减或递增变化，进而通过增强两者之间的相互作用来平衡算法的全局探索和局部开发能力。刘文颖、文晶、王佳明等人在《中国电机工程学报》(2013,33(4):141-148)上发表的《基于小生境多目标粒子群算法的输电网检修计划优化》中提出的改进算法采用小生境共享机制来更新粒子的位置，保持了解的多样性和分布的均匀性，并引入混沌变异对部分非支配粒子进行小范围的扰动以提高算法全局搜索能力，并以检修成本和期望缺供电量最小为目标，建立输电网检修计划多目标优化模型，通过一组Pareto最优解，全面统筹检修计划优化问题的经济性和可靠性目标。在现有专利中，方雪静、杨晋博等人申请的发明专利《一种新的混沌粒子群优化算法》在混沌蚁群算法的基础上，结合粒子群算法，将混沌融入到粒子运动过程中，不同于己有的混沌粒子群算法的简单粒子序列替换，使粒子群在混沌与稳定之间交替向最优点靠近。张俊、颜秉珩、崔赢等人申请的发明专利《一种基于多种群的粒子群算法》中添加多粒子群间的协同合作与知识共享，并且不更新粒子位置，只更新粒子速度，增加随机数和学习因子的基础上以加快种群收敛。于尧、郭磊、腾飞等人申请的发明专利《改进量子粒子群优化算法的方法及基于改进算法的应用》中通过寻找粒子群中的拐点，比较其适应度值与个体适应度值从而更新粒子的个体极值，并通过种群的历史最优位置和中心粒子之间的差分结果更新种群的全局极值，该方法解决了处理复杂问题时容易产生过早收敛的问题，在算法迭代后期，粒子多样性迅速下降，收敛速度较慢的技术问题。在粒子群算法实际应用中，李相俊、任杰、杨锡运等发明人申请的发明专利《基于超短期预测的储能系统平滑新能源发电控制方法》根据目标函数，利用自适应混沌粒子群算法对控制策略中的6个控制变量进行寻优，但该算法计算效率较低，容易陷入局部最优而无法跳出，主要是由于其缺少陷入局部最优后的变异机制导致。张节潭、栾伟杰、程浩忠等发明人申请的发明专利《基于主动配电网的分布式光伏发电最大消纳能力计算系统》结合混合粒子群算法计算了电力系统最大消纳能力，步骤包括：输入模块，用于获取配网参数、光伏发电系统参数、光伏时序特性参数、负荷时序特性参数、一年各典型日天数以及自适应混沌粒子群算法参数；初始化模块，利用混沌算法初始化种群，种群中的每个粒子代表一种分布式光伏接入方案；潮流计算模块，进行考虑主动管理的潮流计算，并获得各粒子在时段t下的适应值大小；粒子群操作模块，采用自适应混沌粒子群算法进行循环计算，获得总适应值最优的粒子；输出模块，输出最优分布式光伏接入方案，及该分布式光伏接入方案下的年最大消纳量。虽然该算法实际证明具有计算效率高、整合性强的特点，但是缺乏精英优秀个体的保留和扩展机制，因此每次搜索得到的个体没有基于之前的搜索结果，导致方案并不特别优化。彭道刚、黄丽等发明人申请的发明专利《基于混沌粒子群的火电机组负荷优化分配方法》涉及一种基于混沌粒子群的火电机组负荷优化分配方法，包括：根据发电机组的煤耗特性参数拟合煤耗特性曲线并建立负荷优化分配模型，通过罚函数法将其转化为非约束问题，结合混沌粒子群算法将总发电功率分配给各台机组，最终得到各个单元机组最优的负荷分配结果。该方法可以在已给电力总功率下，科学合理分配每台发电机组的最优出力点，使得优化后机组所耗供电煤耗明显的降低，但是混沌方法需要通过映射方法产生解，计算过程较为复杂，产生很多不必要的计算代价，需要进行简化。肖炘、曾玉娇、曹宏斌等发明人申请的发明专利《多系统联合优化调度方法及装置》采用混沌粒子群算法对所述联合优化调度模型进行求解，以得到整个所述煤气-蒸汽-电力系统的煤气分配、蒸汽和电力生产及外购送电优化方案，以生成最终各能源转换设备的燃料分配，该方法也仅基于基本混沌粒子群算法，仍然存在无法跳出局部最优的问题。传统粒子群算法存在陷入局部最优的缺点，同时收敛速度较慢，对系统内部扰动抗干扰性较差。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进混合粒子群算法的微电网容量优化配置方法。

本发明的目的可以通过以下技术方案来实现：

一种基于改进混合粒子群算法的微电网容量优化配置方法，包括以下步骤：

1)获取风力发电机和太阳能光伏电池功率序列以及负荷序列；

2)以综合投资成本、综合可靠率、剩余能量率和可再生能源率为规划目标，建立孤岛微电网容量优化配置模型；

3)基于步骤1)，采用改进混合粒子群算法求解所述孤岛微电网容量优化配置模型，获得最优配置方案。

进一步地，所述孤岛微电网容量优化配置模型具体描述为：

minF(x)＝w₁C+w₃η_LPSP+w₂f_EER+w₄f_re

s.t.SOC_min≤SOC(t)≤SOC_max

P_i,min≤P_i(t)≤P_i,max

E_bs,rest≥ηE_gen,rest

η_LPSP≥η_LPSP,min

f_re≥f_re,min

式中，C为微电网投入的总年均成本；η_LPSP和η_LPSP,min分别为综合可靠率和综合可靠率下限；f_EER为剩余能量率；f_re和f_re,min分别为可再生能源率和可再生能源率下限；SOC(t)、SOC_min、SOC_max分别为蓄电池电荷量状态以及电荷量的最小值和最大值；P_i(t)、P_i,min、P_i,max分别为微电源输出功率以及输出功率下限和上限；E_bs,rest为蓄电池剩余可充电量；E_gen,rest为发出电能减去负荷所需电能所剩余的电能量；η为蓄电池充电效率；w₁、w₂、w₃、w₄分别为各个目标的权重系数；x为决策变量。

进一步地，所述改进混合粒子群算法基于混沌优化实现，具体步骤包括：

Step1：设置种群规模N，粒子变量维数D，迭代次数M；

Step2：初始化种群空间和信仰空间；

Step3：在种群空间中计算每个粒子的适应度值，将初始化后粒子位置和适应度值当作个体最优值存储起来，比较所有个体最优值作为全局最优值；

Step4：计算惯性权重w并按阈值调节策略更新w，对学习因子进行调整；

Step5：信仰空间基于评级函数对种群空间实行影响操作，计算高斯扰动因子，根据评级类别对种群空间父代个体变异产生等量N个子代个体；

Step6：利用边界位置处理策略对子代个体位置进行越界处理；

Step7：在种群空间中进行自然选择，并用形势知识中存储的精英个体代替种群空间中较差的个体，更新种群空间个体最优和全局最优；

Step8：种群空间通过接收操作将空间中精英个体贡献给信仰空间，并对精英个体利用粒子群算法更新产生子代个体，最后用轮盘赌法则更新形势知识，更新信仰空间个体最优和全局最优；

Step9：评比种群空间和信仰空间的全局最优，用两者较优者作为此次迭代全局最优值；

Step10：计算种群适应度方差σ²，若σ²≤ε，则对种群全局最优值实行Logistic混沌变异，ε为自适应变异阈值；

Step11：若达到终止要求则退出算法，否则回到Step4。

进一步地，所述Step4中，惯性权重w按自适应余弦函数递减方式更新，具体公式为：

w＝[(w_max-w_min)/2]cos(πt/T_max)+(w_max+w_min)/2

式中，w_max为设定的惯性权重因子最大值，w_min为惯性权重因子最小值；T_max为最大迭代次数。

进一步地，所述Step5中，信仰空间基于评级函数对种群空间实行影响操作具体为：将整个种群空间划分为多个子空间，基于评级函数对子空间进行评级，根据获得的评级类别指导种群进行变异产生子代个体；

所述评级类别stater(t)表达式如下：

式中，f(X_r,best)为子空间r中最优个体所代表的目标函数值；f(X_r,avg)为整个种群空间所有个体目标函数值的平均值；P(t)表示整个种群空间；C_r(t)表示第r个子空间；H表示子空间被评为优秀空间；NE表示目前为止子空间中仍然没有个体存在，未知这个空间好坏；L表示子空间被评为劣质空间；t为当前迭代次数。

进一步地，所述Step5中，计算高斯扰动因子后，用加入高斯扰动因子的粒子个体最优值总和的平均值代替个体最优值，所述高斯扰动因子的数学表达式如下：

式中，N为种群粒子数；Gaussian为满足高斯分布随机数；μ为平均值，σ为标准差；t为当前迭代次数，x_is(t)表示粒子，p_is(t)表示个体最优值。

进一步地，所述Step6中，边界位置处理策略为带有随机因子的变异边界越界处理策略，具体表达式为：

式中，ξ为服从均匀分布的伪随机数；x_max和x_min分别为自变量取值的最大值和最小值；x_is(t+1)表示粒子，t为当前迭代次数。

进一步地，所述Step7中，自然选择具体为：

基于排序选择方法，将当代粒子群按照适应度值排序，然后利用种群中前ρ的粒子代替最差的后ρ的粒子，ρ为淘汰率。

进一步地，所述Step10中，自适应变异阈值ε根据当前迭代次数获得，具体表达式如下：

式中，ε_min、ε_max分别为混沌变异阈值最小值和最大值；t为当前迭代次数。

进一步地，该方法基于微型燃气轮机和蓄电池的运行准则，获得不同运行策略下的微电网容量优化配置方案。

与现有技术相比，本发明具有以如下有益效果：

1)本发明利用改进混合粒子群算法进行微电网电源容量优化配置，建立实际综合投资成本、综合可靠率、剩余能量率和可再生能源率为目标的孤岛微电网容量优化配置模型，并能够根据微型燃气轮机和蓄电池的不同运行准则，实际模拟微电网系统运行，并给出最终最优容量配置方案，配置精度高。

2)本发明基于微型燃气轮机和蓄电池的不同运行准则，提出12种运行策略以模拟微电网实际运行下的不同工况，适用性强。

3)本发明采用的改进混合粒子群算法结合混沌优化与种群变异可以实现全局遍历，使搜索具备伪随机性，再引入地形知识评价机制引导个体进行有等级和方向的快速寻优，以加快收敛性能；通过一种自适应余弦混沌变异阈值方法来适应高斯扰动，最后结合混沌映射和遗传算法中的自然选择操作，选出精英个体，以保持种群优良性，提高了算法鲁棒性；本发明在参数更新中加入惯性权重系数和学习因子调整策略提高了有效减少迭代过程中惯性权重的计算次数，提高了优化效率。

4)本发明能够较好的模拟微电网运行状况，体现在不同运行策略下优化结果存在较大差异，选择最优运行策略不仅能使综合投资成本大大减少，而且能使电网可靠、环保以及能量充分利用，对于微电网规划具有实际意义。

附图说明

图1为本发明改进混合粒子群算法的结构示意图；

图2为不同算法Acley函数测试收敛曲线图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明提供一种基于改进混合粒子群算法的微电网容量优化配置方法，具体流程包括：

Step1：建立孤岛微电网容量优化配置模型；初始化操作设定各分布式电源的自身参数以及约束条件，设定粒子群算法初始参数；初始化决策变量X＝[N_WT,N_PV,N_BT,P_MT,rated]，N_WT,N_PV,N_BT,P_MT,rated分别表示风力发电机个数、太阳能光伏板个数、蓄电池个数和微型燃气轮机容量。

Step2：获取风力发电机和太阳能光伏电池功率序列以及负荷序列；

Step3：通过改进混合粒子群算法(CGPSO算法)选择微电网系统控制策略；

Step4：计算最终目标函数值，如果不满足终止迭代要求则更新优化变量和改进粒子群算法参数，并返回Step3；如果满足终止条件，迭代终止。

Step5：输出最优化结果，根据最终迭代结果，给出实际微电网优化配置的具体方案和建议。

上述方法采用基于改进混合粒子群算法实现，该改进混合粒子群算法对传统粒子群算法的主要改进措施如下所示：

(1)混沌优化

混沌优化利用混沌变量具有的全局遍历、伪随机的特点对解进行搜寻，由于其具有全局收敛，易跳出局部最优和收敛迅速的优点而被广泛应用。为改进缺点，本混合粒子群算法采用映射方程如下：

x(t+1)＝[sin(8πx(t))+1]²/4

在此将混沌映射引入到粒子群算法中，标准粒子群算法中的随机数r₁和r₂是满足均匀分布的[0,1]的随机数，现对其采用混沌映射，表达式如下：

CS(t)＝{C₁(t),C₂(t),...,C_L(t)}

(2)地形知识评价机制

地形知识的核心思想就是将整个搜索空间划分为很多个子空间，并且在搜索过程中使子代个体的产生追寻子空间中最好的个体。实现过程如下：1)根据变量维数将每个维度划分为若干个子区域。2)根据每个维度划分的子区域进行组合构成现有搜索空间的子空间。3)根据现有种群个体所在子空间位置对子空间进行评级。4)根据评级结果指导种群进行变异产生子代个体。

若将原有搜索空间划分为L个子空间，则总空间可表示成由子空间组合而成，数学表达式如下：

CS(t)＝{C₁(t),C₂(t),...,C_L(t)}

式中每个子空间在地形知识下可以表示成C_r(t)，数学表达式如下：

C_r(t)＝{L_r(t),U_r(t),state_r(t),d_r(t),pt_r(t)}

式中，Lr(t)，Ur(t)——第t次迭代时第r个子空间变量的下限和上限；state_r(t)——第t次迭代第r个子空间的评级类别；d_r(t)——第t次迭代时第r个子空间的分裂次数；pt_r(t)——变异分裂指针。

stater(t)表达式如下所示：

式中，f(X_r,best)——子空间r中最优个体所代表的目标函数值；f(X_r,avg)——整个种群空间所有个体目标函数值的平均值；P(t)——整个种群空间；C_r(t)——第r个种群子空间；H——这个子空间被评为优秀空间，下一次迭代时最好在这个空间中进行搜索；NE——目前为止这个子空间中仍然没有个体存在，未知这个空间好坏；L——这个空间被评为劣质空间，下次迭代时可以避开这个空间进行搜索。

(3)自适应混沌变异

为避免种群早熟和陷入局部最优，本方法引入基于种群适应度方差判断的混沌变异操作，种群适应度方差计算式如下所示：

式中，f_i——第i个粒子的适应度值；f_avg——当前适应度值的平均值；f——归一化因子。

若σ²过小则算法越收敛，越容易陷入局部最优，因此本方法需要设置自适应阈值ε，当σ²≤ε时需要对种群中的全局最优粒子实行混沌变异操作。本方法在考虑到种群发展前期一般具有较强寻优性能不易陷入局部最优而后期需要加大变异频率以使其跳出局部最优的情况，提出一种自适应余弦混沌变异阈值变化方法，其表达式如下：

式中,ε_min——混沌变异阈值最小值；ε_max——混沌变异阈值最大值。

当σ²≤ε时需要对种群进行混沌变异，本发明采用Logistic混沌映射，利用自变量取值范围对其进行混沌映射和反映射。表达式如下：

对y_is实行混沌变异操作。

式中，μ——混沌映射因子；y——归一化后的量；y_s——混沌映射后的量；x_s——反映射后的量；x_max和x_min——对应于实际问题自变量取值。

(4)惯性权重系数和学习因子调整

惯性权重停止阈值Svalue的引入可以有效减少迭代过程中惯性权重w的计算次数，本方法结合递减惯性权重的特性，采用一种自适应余弦函数递减的惯性权重，通过设定一个停止阈值Svalue将递减状态分为正常和调整两个状态，当(w-w_min)值小于Svalue时进入调整状态，更新惯性权重为w_min，否则视为正常状态，采用余弦递减惯性权重策略，余弦递减惯性权重更新表达式如下：

w＝[(w_max-w_min)/2]cos(πt/T_max)+(w_max+w_min)/2

式中，w_max——人为设定的惯性权重因子最大值；w_min——惯性权重因子最小值；T_max——最大迭代次数。

调节过程如下所示：

本方法采用异步变化学习因子的策略对c₁、c₂进行调整，表达式如下：

式中，c_1F、c_1l——学习因子c₁调节的最大值和最小值；c_2F、c_2l——学习因子c₂调节的最大值和最小值。

(5)融入高斯扰动的更新策略

本方法在速度更新方程式中用加入高斯扰动因子的粒子个体最优值总和的平均值来代替个体最优值p_is(t)。该方法不仅可以提高算法的搜索能力和效率，同时能够有效地帮助粒子跳出局部最优值。具体数学表达式如下所示：

式中，N——种群粒子数；Gaussian——满足高斯分布随机数；μ——平均值；σ——标准差。

将上述高斯扰动因子加入到位置更新式中，得到表达式如下所示：

x_is(t+1)＝wx_is(t)+Δ+c₂r₂(p_g(t)-x_is(t))

(6)越界随机变异处理策略

标准PSO算法在边界处理上直接取上下限，这样会导致算法在搜素过程中很容易在上下限位置处陷入局部最优，大大降低了算法的全局寻优性能。为改善上述存在的问题，在此特意采取带有随机因子的变异边界越界处理方法，策略表达式如下：

式中，ξ——服从均匀分布的伪随机数。

(7)自然选择操作

为改善粒子易陷入局部最优的情况同时保持种群多样性，本方法在粒子群算法中引入自然选择操作，从而使算法更具全局探索能力。这种方法基于排序选择方法，现将当代粒子群按照新适应度值排序，然后利用种群中前ρ(淘汰率)的粒子代替最差的后ρ的粒子，即存优去劣。

基于上述改进点，如图1所示，本发明混合粒子群算法具体步骤：

Step1：设置种群规模N，粒子变量维数D，迭代次数M；

Step2：初始化种群空间和信仰空间，种群空间的初始化包括设置接受率ρ，信仰空间的初始化包括设置标准知识、形势知识和地形知识；

Step7：在种群空间中进行自然选择，并用形势知识中存储的精英个体代替种群空间中较差的个体。更新种群空间个体最优和全局最优；

Step8：种群空间通过接收操作将空间中精英个体贡献给信仰空间，并对精英个体利用粒子群算法更新产生子代个体，最后用轮盘赌法则更新形势知识。更新信仰空间个体最优和全局最优；

Step10：计算种群适应度方差σ²。根据迭代次数计算自适应变异阈值如果ε，若σ²≤ε，则对种群全局最优值实行Logistic混沌变异；

Step11：若达到终止要求则退出算法；否则回到Step4。

为体现本发明提出的混合粒子群算法的适用性，将其应用于实际微电网容量优化配置问题：

构建微电网容量优化配置模型如下：

minF(x)＝w₁C+w₃η_LPSP+w₂f_EER+w₄f_re

s.t.SOC_min≤SOC(t)≤SOC_max

P_i,min≤P_i(t)≤P_i,max

E_bs,rest≥ηE_gen,rest

η_LPSP≥η_LPSP,min

f_re≥f_re,min

式中，C——微电网投入的总年均成本；η_LPSP和η_LPSP,min——综合可靠率和综合可靠率下限；f_EER——剩余能量率；f_re和f_re,min——可再生能源率和可再生能源率下限；SOC(t)，SOC_min，SOC_max——蓄电池电荷量状态以及电荷量的最小值和最大值；P_i(t)，P_i,min，P_i,max——微电源输出功率以及输出功率下限和上限；E_bs,rest——蓄电池剩余可充电量；E_gen,rest——发出电能减去负荷所需电能所剩余的电能量；η——蓄电池充电效率；w₁,w₂,w₃,w₄——各个目标的权重系数。

(1)经济性

minC＝C_OR+C_YW+C_POL+C_RE+C_F+C_BT

式中，C_OR——微电网年均初始投资成本；C_YW——微电网年均运行维护成本；C_POL——微电网年均污染治理成本；C_RE——微电网分布式电源年均置换成本；C_F——微型燃气轮机消耗燃料成本；C_BT——微电网可再生能源发出电能的补贴和制冷制热补贴。

(2)综合可靠率

微电网和配电网一样，需要考虑系统的可靠性，特别是当微电网孤岛运行时，一般用全年失电负荷比例L_LPSP与全年停电时间比例T_LPSP来描述微电网可靠性η_LPSP。为全面考虑微电网的可靠性，在此综合全年失负荷比例和全年停电时间比例提出综合可靠率，计算公式如下：

maxη_LPSP＝(1-T_LPSP)(1-L_LPSP)

(3)资源利用率

为充分考虑微电网系统对所发出的电能的利用率，在此以剩余能量率表示，所谓剩余能量率指微电网发出电能除去负荷消耗后剩余的净能量与总负荷的比值。定义式如下：

式中，f_EER——剩余能量率；N_i——第i种微电源的数量；P_i(t)——t时刻风力发电机的发电功率、太阳能光伏电池的发电功率、蓄电池的放电功率、微型燃气轮机的实际功率；P_load(t)——全年所需负荷功率。

(4)可再生能源率

为了充分利用孤岛上的风光资源，特引入可再生能源率来表征可再生能源所发出功率占总发电功率的比例，此指标越高说明对于可再生能源利用率越高。

式中，f_re——可再生能源率；P_WT(t)、P_PV(t)、P_sum——分别为风力每小时发电功率，光伏每小时发电功率，一年里微电网系统总的发电功率。

由于采用不同运行策略会导致运行工况截然不同，因此必须考虑不同运行策略对微电网优化配置的影响。下面对蓄电池和微型燃气轮机建立不同准则进行控制并组合成不同微电网微源运行策略。

微型燃气轮机运行准则：

(1)启动准则。

微电网内净负荷如下式：

ΔP_Load＝P_Load-P_WT-P_PV

式中，ΔP_Load——净负荷功率(kW)；P_Load——一段时间内的负荷功率；P_WT——一段时间内的风力发电机输出功率；P_PV——一段时间内太阳能光伏电池输出功率。

设蓄电池放电最小容量限制为S_min，微型燃气轮机输出功率为P_MT，根据蓄电池放电和微型燃气轮机启动先后顺序不同，现可采取两种不同准则：

①当风机和太阳能光伏板出力不足以满足负荷要求时，先启动微型燃气轮机发电，当微型燃气轮机最大输出功率小于ΔP_Load时，微电网中蓄电池再进行放电。

②当风机和太阳能光伏板输出功率不足以满足负荷要求时，先启动蓄电池进行放电，直到蓄电池放电到蓄电量低于S_min时，再启动微型燃气轮机进行发电。

(2)运行功率准则。

①负荷跟随模式：微型燃气轮机确保负荷需求得到满足后，仅当微型燃气轮机的功率需求低于最低功率限值时，才给蓄电池充电；若微型燃气轮机发电不足以提供所需负荷功率时，蓄电池放电进行补充。当负荷需求大于微型燃气轮机输出最小值且小于最大输出功率时，微型燃气轮机以负荷需求功率作为输出功率。

②最大输出功率模式：此模式微型燃气轮机必须保证蓄电池始终以一定功率进行充电。在满足负荷所需功率基础上，微型燃气轮机必须使蓄电池以设定充电功率进行充电。其中设定充电功率需小于最大充电功率。

③稳定输出模式：微型燃气轮机运行在稳定的功率水平P_fixed,负荷需求无法满足时由蓄电池放电进行补充，当有多余的电能时，则将电充入蓄电池中。其中P_fixed处于最大功率和最小功率之间。

蓄电池运行准则主要包括充电准则：

①当风光发电或者风光发电加上微型燃气轮机发出电能大于负荷所需功率时，只要有多余电能，就充入蓄电池。

②当风光或者风光加上微型燃气轮机发电大于负荷功率P_excess大于一定功率时，才会对蓄电池进行充电。

实施例1

为分析本发明改进的混合算法寻找全局最优解以及跳出局部最优解的能力，在此分别利用自适应惯性权重粒子群算法、基本发明化粒子群算法、基于高斯扰动和自然选择粒子群算法以及本发明提出的混合粒子群算法对9个基本测试函数进行测试。

基础参数设置均相同，搜索速度上下限v_max＝4和v_min＝-4，惯性权重因子上下限分别为w_max＝0.9和w_min＝0.4，学习因子均为c₁＝c₂＝2，迭代次数均为M＝500，群规模为N＝50，粒子维数均为D＝10。测试函数分别选取Rosenbrock，Acley，Schwefel，Weierstrass，Happycat，Elliptic，Rastring，Griewank，Salomon函数对粒子群算法进行测试并比较其它粒子群算法与本发明提出的混合算法的性能。为减少计算误差，每种算法反复循环30次，并分别计算每种算法得到最优值的平均值，最大值和最小值，平均值结果如表1所示：

表1不同算法优化结果平均值对比表

结果分析：从上表可以看出CGPSO混合算法在寻优性能上远好于其它4种算法，无论是对于单峰函数还是多峰函数，其都能很好地逼近全局最优解，而且无论在求解质量还是在求解精度上都优于其它几种算法。为研究各算法的稳定性，现将各算法对各测试函数求解结果方差数据展示如表2：

表2各算法计算结果方差表

结果分析：从上表中可以看出CGPSO算法在对函数求解时结果方差小于其它算法，因此稳定性能优于现有其他算法。

为研究本发明提出的混合型算法CGPSO的收敛速度，现以Acley函数为例，将各算法收敛曲线图绘制如图2所示。

结果分析：本发明提出的混合算法相比于其它算法通过较少迭代次数就达到全局最优解。因此，本发明提出的混合型算法具有很快的收敛速度。

综上所述，本发明提出的混合型CGPSO算法具有良好的全局寻优能力，优越的稳定性，极好的快速收敛性能，同时在陷入局部最优时又能立即跳出。

实施例2

以孤岛微电网微源容量优化配置仿真测试为例说明本发明方法。微电网孤岛运行时，其与主网失去联络，只能依靠内部分布式电源提供电能以满足负荷要求。在此先对风力发电机、太阳能光伏板和蓄电池参数进行配置。

分布式电源经济性参数表3如下：

表3分布式电源经济性参数表

运行策略中参数设置如表4所示：

表4运行策略参数设置表

表中，S_rated是蓄电池额定容量；P_MT是微型燃气轮机额定功率；P_char是蓄电池额定充电功率。

本实例中以某一小岛实际气候条件和负荷需求为例设计规划一个微电网，仿真总时间为一年，单位间隔为1h,分别采用不同控制策略进行优化配置，使用本发明提出混合算法进行仿真实验，现在每种控制策略下运行100次并取其中最好一次的优化配置结果。不同序号策略下孤岛微电网微源容量优化配置方案如表5所示：

表5基于不同策略微源容量优化配置方案表

注：这里策略序号代表不同准则之间的组合，策略1代表准则①①①，以此类推。单位均为个。

根据适应度对不同策略进行优劣排序，并将对应方案评价指标值列出如表6：

表7不同策略微源容量优化配置优劣排序表

根据以上结果分析可得到以下结论：

1)最优方案与最差方案之间相差巨大，特别是在投资成本上。当采取①②②策略时，可以大大优化容量配置方案，在保证可靠性和可再生能源率的前提下，不仅能使微电网年均投资成本降到最小，而且可以充分有效地利用所产生的电能，使剩余的能量接近于0。相反，当采取①③①策略时，由于其可再生能源率达不到要求，因此在实际规划设计时需要规避。

2)对蓄电池充电保证其电量不至于过低可以起到保护蓄电池作用，可以减少蓄电池更换次数。

3)对充电功率进行限制后确实有效地减少了蓄电池的充放电次数，大大延长了蓄电池的寿命。

4)对于微型燃气轮机运行功率准则下的负荷跟随模式来说，其在蓄电池首先放电情况下会更加优化。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims

1.一种基于改进混合粒子群算法的微电网容量优化配置方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于改进混合粒子群算法的微电网容量优化配置方法，其特征在于，所述孤岛微电网容量优化配置模型具体描述为：

minF(x)＝w₁C+w₃η_LPSP+w₂f_EER+w₄f_re

s.t.SOC_min≤SOC(t)≤SOC_max

P_i,min≤P_i(t)≤P_i,max

E_bs,rest≥ηE_gen,rest

η_LPSP≥η_LPSP,min

f_re≥f_re,min

3.根据权利要求1所述的基于改进混合粒子群算法的微电网容量优化配置方法，其特征在于，所述改进混合粒子群算法基于混沌优化实现，具体步骤包括：

Step1：设置种群规模N，粒子变量维数D，迭代次数M；

Step2：初始化种群空间和信仰空间；

Step11：若达到终止要求则退出算法，否则回到Step4。

4.根据权利要求3所述的基于改进混合粒子群算法的微电网容量优化配置方法，其特征在于，所述Step4中，惯性权重w按自适应余弦函数递减方式更新，具体公式为：

w＝[(w_max-w_min)/2]cos(πt/T_max)+(w_max+w_min)/2

5.根据权利要求3所述的基于改进混合粒子群算法的微电网容量优化配置方法，其特征在于，所述Step5中，信仰空间基于评级函数对种群空间实行影响操作具体为：将整个种群空间划分为多个子空间，基于评级函数对子空间进行评级，根据获得的评级类别指导种群进行变异产生子代个体；

所述评级类别stater(t)表达式如下：

6.根据权利要求3所述的基于改进混合粒子群算法的微电网容量优化配置方法，其特征在于，所述Step5中，计算高斯扰动因子后，用加入高斯扰动因子的粒子个体最优值总和的平均值代替个体最优值，所述高斯扰动因子的数学表达式如下：

7.根据权利要求3所述的基于改进混合粒子群算法的微电网容量优化配置方法，其特征在于，所述Step6中，边界位置处理策略为带有随机因子的变异边界越界处理策略，具体表达式为：

8.根据权利要求3所述的基于改进混合粒子群算法的微电网容量优化配置方法，其特征在于，所述Step7中，自然选择具体为：

9.根据权利要求3所述的基于改进混合粒子群算法的微电网容量优化配置方法，其特征在于，所述Step10中，自适应变异阈值ε根据当前迭代次数获得，具体表达式如下：

10.根据权利要求1所述的基于改进混合粒子群算法的微电网容量优化配置方法，其特征在于，该方法基于微型燃气轮机和蓄电池的运行准则，获得不同运行策略下的微电网容量优化配置方案。