CN109560575A - 一种基于鲁棒分散因子的能源互联网能量优化方法 - Google Patents

一种基于鲁棒分散因子的能源互联网能量优化方法 Download PDF

Info

Publication number
CN109560575A
CN109560575A CN201910031677.4A CN201910031677A CN109560575A CN 109560575 A CN109560575 A CN 109560575A CN 201910031677 A CN201910031677 A CN 201910031677A CN 109560575 A CN109560575 A CN 109560575A
Authority
CN
China
Prior art keywords
indicate
load
energy
kth
moment
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
Application number
CN201910031677.4A
Other languages
English (en)
Other versions
CN109560575B (zh
Inventor
冉晓洪
刘开培
冷仕鹏
李思伟
陈书瑶
张珣玥
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201910031677.4A priority Critical patent/CN109560575B/zh
Publication of CN109560575A publication Critical patent/CN109560575A/zh
Application granted granted Critical
Publication of CN109560575B publication Critical patent/CN109560575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H02J3/382—
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • 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]
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明提出了一种基于鲁棒分散因子的能源互联网能量优化方法。本发明建立能源互联网的系统参数模型，包括分布式电源参数模型、多种类型负荷的参数模型、储能装置参数模型、电动汽车参数模型、能源互联网与主网交换功率的模型；根据能源互联网系统参数模型初始化粒子，考虑不同类型负荷的运行特性，提出考虑其随机性的鲁棒分散因子的数学指标；构建能源互联网能量优化模型的适应度函数模型、鲁棒因子约束条件模型、鲁棒分散因子条件模型、以及系统其它的等式约束模型以及不等式约束模型，根据改进惯性权重与改进学习因子的粒子群算法进行优化求解。本发明在力求能源互联网成本最小同时，用户的满意度达到最大，给能源互联网带来良好的经济效益。

Description

一种基于鲁棒分散因子的能源互联网能量优化方法
技术领域
本发明属于能源互联网的能量优化技术领域，更具体地涉及一种基于鲁棒分散因子的能源互联网能量优化方法。
背景技术
能源互联网是通过信息物理融合技术、先进的电力电子技术和智能管理技术对电力、交通、智能家庭等实现能量交换与共享的网络。随着传统化石能源的逐渐枯竭、以及环境问题更加突出，世界各国对可再生能源的开发与利用更加重视。由于可再生能源出力的随机性与不确定性给电网的稳定运行带来很大影响，以及电网需求侧精细化程度越来越高，加之国家对“互联网+”智慧能源发展政策的重视，多能源互补的协同发展将会成为未来电网发展的必然趋势。
随着能源互联网中随机性的逐渐增多，主要包括：新能源出力的不确定性、负荷预测的随机性，则能量优化管理策略的鲁棒性将是电力公司考虑的重要问题。目前，现有电网鲁棒优化策略已经较好地解决了由于随机性给电网带来的影响，其中针对用户随机性的能量管理方法，其优化策略都能够使得负荷能够在规定的截止时间提前完成，大部分负荷都向负荷规定的开始时间移动，鲁棒性非常好。但是，大规模负荷都向调度起始时间移动将会导致负荷拥堵，使得原本负荷的平峰时段出现了新的负荷高峰时段，再原有的负荷高峰叠加，峰谷差变得更加严重，将不利于整个电网的削峰填谷。
因此，如何有效考虑能源互联网的鲁棒性并提出相应的能量优化方法，是有效解决我国能源互联网能量优化管理的重要研究方向。基于现有能源互联网的能量管理的鲁棒优化方法，提出一种考虑鲁棒分散因子的能量管理方法，建立能源互联网的能量优化模型，研究不同负荷类型的鲁棒分散因子对能源互联网能量管理的影响。
发明内容
为了使本发明的目的、技术方案及优点表达得更加清晰，以下结合算例分析及附图对本发明进行进一步详细说明。应当理解，此处所描述的具体算例分析仅仅用以解释本发明，并不用于限定本发明。
本发明提供了一种考虑鲁棒分散因子的能源互联网的能量优化方法，主要包括下述步骤：
步骤1：建立能源互联网的分布式电源参数模型、多种类型负荷的参数模型、储能装置参数模型、电动汽车参数模型、以及能源互联网与主网功率交换的参数模型；
步骤2：根据能源互联网的分布式电源参数模型、多种类型负荷的参数模型、储能装置参数模型、电动汽车参数模型、以及能源互联网与主网功率交换的参数模型初始化粒子；
步骤3：构建能源互联网能量优化模型的适应度函数模型、鲁棒因子约束条件模型、鲁棒分散因子条件模型、以及系统其它的等式约束模型以及不等式约束模型，利用改进惯性权重与改进学习因子的粒子群算法进行优化求解。
作为优选，步骤1中所述能源互联网的分布式电源参数模型为：
包括第i种(1≤i≤Dnum)类型第t个(1≤t≤NT)时段的出力PGi,t，其中传统发电机第t个时段的出力为PG1,t，风力发电机第t个时段的出力为PG2,t，光伏发电第t个时段的出力大小为PG3,t，Dnum表示分布式电源的类型总数；
步骤1中所述多种类型负荷的参数模型为：
包括不可调度负荷类型第k1个(1≤k1≤Lk1num)负荷第t个(1≤t≤NT)时段的负荷需求PL1,k1,t，可调度负荷类型第k2个(1≤k2≤Lk2num)负荷第t个时段的负荷需求PL2,k2,t，可调度负荷类型第k2个负荷第t个时段的鲁棒因子的下限值RI2,k2,t与鲁棒分散因子的上限值为RSI2,k2,t，可切负荷类型第k3个(1≤k3≤Lk3num)负荷第t个时段的负荷需求PL3,k3,t，可切负荷类型第k3个负荷第t个时段的鲁棒因子的下限值RI3,k3,t与鲁棒分散因子的上限值为RSI3,k3,t；Lk1num、Lk2num、Lk3num分别表示不可调度负荷、可调度负荷与可切负荷的数量；
步骤1中所述建立储能装置参数模型为：
获得储能装置第t个(1≤t≤NT)时段的充电功率Pt ess,ch与放电功率Pt ess,disch，第t个时段的荷电状态SOCESS,t，第t个时段的充电效率与放电效率ηESS,ch,t与ηESS,disch,t，以及储能装置的额定容量CESS与能量损失系数εESS，最大的充电功率PESS,ch,max与放电功率PESS,disch,max；
步骤1中所述电动汽车参数模型为：
获得电动汽车第t个(1≤t≤NT)时段的充电功率Pt ev,ch与放电功率Pt ev,disch，第t个时段的荷电状态SOCEV,t，第t个时段的充电效率与放电效率ηEV,ch,t与ηEV,disch,t，以及储能装置的额定容量CEV与能量损失系数εEV，最大的充电功率PEV,ch,max与放电功率PEV,disch,max；
步骤1中所述能源互联网与主网交换功率的模型为：
能源互联网与主网交换功率的上限值PGRITmax与下限值为PGRITmin，在时刻t(1≤t≤NT)向主网买电的价格在时刻t向主网卖电的价格
并且令粒子群中第1个粒子的编号为r＝1；
作为优选，步骤2中所述粒子为第r个(r＝1,2……K)粒子Xr所在的区间上获得第r个粒子Xr的初始值，其中K为种群规模；
粒子Xr为1×D维的向量为：
其中，表示第r个粒子的第i种(i＝1,2,3)分布式电源类型向第z1种装置的有功功率输出，所述有功功率输出的装置主要包括电网、电动汽车、储能、负荷，M1为所供应装置的数量；
表示第r个粒子中电网向第z2种装置的有功功率输出，所供应装置主要包括储能、电动汽车、负荷，M2为所供应装置的数量；
表示第r个粒子中储能装置向第z3种装置的有功功率输出，所供应装置主要包括电动汽车、负荷，M3为所供应装置的数量；
表示第r个粒子的储能装置向第z4种装置的有功功率输出，所供应装置主要为负荷，M4为所供应装置的数量；
表示第r个粒子的不可调度负荷类型第k1个负荷的负荷需求，M5为不可调度负荷的数量；
表示第r个粒子的可调度负荷类型第k2个负荷需求，M6为可调度负荷的数量；
表示第r个粒子的可切负荷类型第k3个负荷的负荷需求，M7为可切负荷数量；M1+M2+M3+M4+M5+M6+M7＝D；
作为优选，步骤3中所述能源互联网能量优化模型的适应度函数为：
minν1F1+ν2F2
其中，ν1为适应度函数的第一权重因子，ν2为适应度函数的第二权重因子，Cz(t)表示能源互联网在时刻t的能量总成本，Csat(t)表示在时刻t所有负荷的满意度，T表示整个调度时间段，Cz(t)表达式如下所示：
Cz(t)＝Cdg(PG1,t)+Crenew(PG2,t,PG3,t)+Cess(Pt ess,ch,Pt ess,disch)+Cev(Pt ev,ch,Pt ev ,disch)+Cgrid(Pt buy,Pt sell)
其中，时刻t传统分布式电源的发电成本Cdg(PG1,t)表示为：
Cdg(PG1,t)＝a×(PG1,t)2+b×PG1,t+c
其中，PG1,t表示时刻t传统分布式电源的出力大小，a表示分布式电源的发电成本函数的二次项系数，b表示分布式电源的发电成本函数的一次项系数，c表示分布式电源的发电成本函数的常数项；
其他分布式电源如风力发电与光伏发电成本Crenew(PG2,t,PG3,t)可表示为：
其中，为新能源发电价格。
储能装置的管理成本Cess(Pt ess,ch,Pt ess,disch)可以表示为：
Cess(Pt ess,ch,Pt ess,disch)＝κess(Pt ess,ch+Pt ess,disch)
其中，Pt ess,ch为时刻t储能装置充电的功率大小，Pt ess,ch与Pt ess,disch为时刻t储能装置放电的功率大小，κess为储能装置的管理成本系数；
电动汽车的能量管理成本Cev(Pt ev,ch,Pt ev,disch)表示为：
Cev(Pt ev,ch,Pt ev,disch)＝κev(Pt ev,ch+Pt ev,disch)
其中，Pt ev,ch表示电动汽车在时刻t的充电功率大小，Pt ev,disch分别表示电动汽车在时刻t的放电功率大小，κev为电动汽车的管理成本系数；
与主网功率交互成本Cgrid(Pt buy,Pt sell)表示为：
其中，在时刻t向主网买电的价格，在时刻t向主网卖电的价格，为在时刻t向主网买电的功率大小，Pt sell为在时刻t向主网卖电功率大小；
时刻t负荷的满意度为：
其中，表示第k2个可调度负荷的相对重要程度，表示第k3个可切度负荷的相对重要程度；其中第k2个可调度负荷的满意度表示为：
其中，表示第k2个可调度负荷设定的起始时刻，表示第k2个可调度负荷设定的结束时刻，第k2个可调度负荷实际运行的起始时刻，表示第k2个可调度负荷实际运行的结束时刻，κ为一固定常数；
第k3个可切负荷的满意度表示为：
其中，表示第k3个可切负荷设定的起始时刻，表示第k3个可切负荷设定的结束时刻，第k3个可切负荷实际运行的起始时刻，表示第k3个可切负荷实际运行的结束时刻，κ为一固定常数；
步骤3中所述能源互联网能量优化模型的鲁棒因子约束条件模型为：
第k2个(1≤k2≤Lk2num)可调度负荷的鲁棒因子表示为：
其中，表示第k2个可调度负荷鲁棒因子要求的最小值；
第k3个(1≤k3≤Lk3num)可切负荷鲁棒因子为：
其中，表示第k3个可切负荷在前半个时段的鲁棒因子，表示第k3个可切负荷在后半个时段的鲁棒因子，表示第k3个可切负荷鲁棒因子要求的最小值，nta1与nta2表示前半个时段离散时间任务的数量，表示第s个离散时间任务第k3个可切负荷实际运行的截止时刻，表示第s个离散时间任务第k3个可切负荷设定的截止时刻；
步骤3中所述能源互联网能量优化模型的鲁棒分散因子条件模型为：
第k2个可调度负荷的鲁棒分散因子为：
其中，表示第k2+1个可调度负荷实际运行的开始时刻，表示第k2个可调度负荷实际运行的截止时刻，表示第k2个可调度负荷鲁棒分散因子规定的最大值，Nsa表示可调度负荷的数量；
第k3个可切负载的鲁棒分散因子为：
其中，表示第k3个可切负荷的鲁棒分散因子规定的最大值，表示第k3个可切负荷在前半个时段鲁棒分散因子大小，表示第k3个可切负荷在后半个时段鲁棒分散因子大小，Nta1表示第k3个可切负荷在前半个时段负荷的数量，Nta2表示第k3个可切负荷在后半个时段负荷的数量，表示第s个离散时间任务第k3+1个可切负荷实际运行的开始时刻，表示第s个离散时间任务第k3个负荷实际运行的截止时刻；
步骤3中所述能源互联网能量优化模型的系统其它的等式约束模型为：
其中，表示在时刻t向所有负载传送功率大小(kW)，表示多种分布式电源在时刻t的总功率大小(kW)；
步骤3中所述能源互联网能量优化模型的不等式约束模型为：
电动汽车的荷电状态：SOCEV,min≤SOCEV,t≤SOCEV,max
储能的荷电状态：SOCESS,min≤SOCESS,t≤SOCESS,max
与电网交换功率的约束：PGRITmin≤PGRITt≤PGRITmax
其中，SOCEV,t表示电动汽车在时刻t的荷电状态，SOCEV,max表示电动汽车的荷电状态的最大值，SOCEV,min表示电动汽车的荷电状态的最小值，SOCESS,t表示储能装置在时刻t的荷电状态，SOCESS,max表示储能装置荷电状态的最大值，SOCESS,min表示储能装置荷电状态的最小值，PGRITt表示能源互联网在时刻t与主网交换功率的实际大小，PGRITmax与PGRITmin分别表示能源互联网在时刻t与主网交换功率的最大值与最小值；
电动汽车充放电约束：
储能的充放电约束：
其中，Pt dv表示在时刻t分布式电源向电动汽车的供电大小，Pt db表示在时刻t分布式电源向储能的供电大小，Pt dl表示在时刻t分布式电源向负载的供电大小，Pt gb表示在时刻t电网向储能的供电发小，Pt bl表示在时刻t储能向负载的供电大小，Pt bv表示在时刻t储能向电动汽车的供电大小，Pt bg表示在时刻t储能向电网的供电大小，Pt vl表示在时刻t电动汽车向负载的供电大小，Pt vg表示在时刻t电动汽车向电网的供电大小，Pt ev,ch表示在时刻t电动汽车的充电功率大小，Pt ev,disch表示在时刻t电动汽车的放电功率大小，表示电动汽车的充电功率的最大值，分别表示电动汽车的放电功率的最大值，Pt ess,ch表示在时刻t储能装置的充电功率大小，Pt ess,disch表示在时刻t储能装置的放电功率大小，表示储能装置的充电功率的最大值，表示储能装置的放电功率的最大值；
步骤3中所述根据改进惯性权重与改进学习因子的粒子群算法进行优化求解为：更新第r个粒子Xr的位置与速度时，采用的是改进惯性权重与改进学习因子；
其中，改进惯性权重ω为：
w＝ωmax+(ωmax-ωmin)*iter/itermax,iter∈[1,itermax]
其中，ωmax为所设置的惯性权重最大值，ωmin为所设置的惯性权重最小值，iter表示粒子当前迭代次数，itermax表示粒子当前迭代次数与最大迭代次数；
改进学习因子为：
其中，c1min表示第一改进学习因子c1的最小值，c1max表示第一改进学习因子c1的最大值，c2min表示第二改进学习因子c2的最小值，c2max表示第二改进学习因子c2的最大值；
粒子群算法的速度更新公式以及位置更新公式模型：
其中，为更新后的第iter+1次迭代后第r个粒子Xr的位置，为第r个粒子在第iter次迭代时的位置；为更新后的第iter+1次迭代后第r个粒子Xr的速度；为第r个粒子Xr中速度向量，c1为第一改进学习因子，c2为第二改进学习因子，r1为0到1之间服从均匀分布的第一随机数，r2为0到1之间服从均匀分布的第二随机数，ω为改进惯性权重，第r个粒子第iter次迭代经历过的最好位置，gbestiter为所有粒子到第iter次迭代时所经过的最好位置；
更新粒子Xr的位置和速度，并以适应度函数模型最小化为优化模型进行寻优，保存当前最优值和历史最优值，最终得到整个能源互联网的能量优化结果，如以及整个能源互联网的能量成本F1 *，以及满意度
本发明优点在于：基于鲁棒分散因子指标模型，在保证负荷运行具有较强鲁棒性的前提下，大量负荷不会过度集中运行在某个时间段。此外，在力求能源互联网成本最小的同时，用户的满意度也能够达到最大，给能源互联网带来良好的经济效益。
附图说明
图1：可调度负载的需求信息；
图2：可切负载的需求信息；
图3：为本发明专利的方案实施流程图；
图4：为两种模式下可调度负载的鲁棒分散因子；
图5：为两种模式下可切负载的鲁棒分散因子；
图6：为智能家庭不同设备之间的能量交互流向图。
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。
在本发明实施例中，为了验证鲁棒分散因子的方法的有效性，将所提出的方法应用到多能互补的家庭能量管理系统中优化计算。智能家庭系统主要包括柴油发电机、风力发电机、光伏电板、储能系统、电动汽车等，不可调度负载主要包括电灯、台式机等约2.5kW，可调度负荷与可切负荷的相应需求信息如图1与图2所示。
利用Matlab编制了基于鲁棒分散因子的智能家庭能量管理的程序，其中，粒子群的学习因子c1＝c2＝2.0，迭代权重因子ω＝0.5，最大迭代次数为300。从计算结果可知，未考虑鲁棒分散因子的能量成本为99.752￥，而考虑鲁棒分散因子的能量成本为106.847￥，为了保证整个家庭负荷的鲁棒性，又能使得负荷分布合理，即不会出现新的负荷高峰期，部分负荷移动到电价偏高的时段，造成考虑鲁棒分散因子的能量成本稍微有所增大，但对电网的削峰填谷来说是非常有利的。
此外，对于三个负荷高峰时段06:00～07:30、12:00～13:30与18:00～20:00来说，未考虑鲁棒因子负荷重叠时间分别为0h、2.25h与3.0h，考虑鲁棒因子的负荷重叠时间分别为：0h、1.5h与2.0h。通过比较可知，基于鲁棒因子的能量管理方法能够使得不同时段负荷重叠时间减少，在保证鲁棒性的同时负荷的分布更加合理，从而证明该方法的有效性。
下面结合图1至图6介绍本发明的实施方式，具体为：
步骤1：建立能源互联网的分布式电源参数模型，其中传统分布式电源的发电成本系数a＝0.00637,b＝0.168,c＝0，爬坡功率为5kW/s，风力发电机的额定功率为2kW，切入与切出风速为4m/s与20m/s，额定风速为12m/s，光伏发电的光伏电板面积为15m2，能量转换效率为0.12；建立多种类型负荷的参数模型，其中不可调度负荷的总功率为2.5kW，可调度负荷与可切负荷如图1与图2所示；建立储能装置参数模型，能量管理系数为κess＝0.03￥/kW，充放电效率ηESS,ch与ηESS,disch为0.95，最大的充电功率PESS,ch,max与放电功率PESS,disch,max为4kW，储能装置的容量CESS为20kW.h，能量损失系数εESS为0.002kW，荷电状态SOCESS,0＝7kW.h；建立电动汽车参数模型，其中电动汽车的容量CEV为16kW.h，充放电效率ηEV,ch与ηEC,disch为0.95，能量管理系数为κev＝0.035￥/kW，最大的充电功率PEV,ch,max与放电功率PEV,disch,max为4.0kW，能量损失系数εEV为0.002kW，SOCEV,0＝8kW.h；建立能源互联网与主网交换功率的模型，其中最小与最大允许的交换功率为PGRITmi,＝0kW，PGRITmax＝8.0kW。
步骤1中所述能源互联网的分布式电源参数模型为：
包括第i种(1≤i≤Dnum)类型第t个(1≤t≤NT)时段的出力PGi,t，其中传统发电机第t个时段的出力为PG1,t，风力发电机第t个时段的出力为PG2,t，光伏发电第t个时段的出力大小为PG3,t，Dnum表示分布式电源的类型总数，NT＝96；
步骤1中所述多种类型负荷的参数模型为：
包括不可调度负荷类型第k1个(1≤k1≤Lk1num)负荷第t个(1≤t≤NT)时段的负荷需求PL1,k1,t，可调度负荷类型第k2个(1≤k2≤Lk2num)负荷第t个时段的负荷需求PL2,k2,t，可调度负荷类型第k2个负荷第t个时段的鲁棒因子的下限值RI2,k2,t与鲁棒分散因子的上限值为RSI2,k2,t，可切负荷类型第k3个(1≤k3≤Lk3num)负荷第t个时段的负荷需求PL3,k3,t，可切负荷类型第k3个负荷第t个时段的鲁棒因子的下限值RI3,k3,t与鲁棒分散因子的上限值为RSI3,k3,t；Lk1num、Lk2num、Lk3num分别表示不可调度负荷、可调度负荷与可切负荷的数量，NT＝96；
步骤1中所述建立储能装置参数模型为：
获得储能装置第t个(1≤t≤NT)时段的充电功率Pt ess,ch与放电功率Pt ess,disch，第t个时段的荷电状态SOCESS,t，第t个时段的充电效率与放电效率ηESS,ch,t与ηESS,disch,t，以及储能装置的额定容量CESS与能量损失系数εESS，最大的充电功率PESS,ch,max与放电功率PESS,disch,max，NT＝96；
步骤1中所述电动汽车参数模型为：
获得电动汽车第t个(1≤t≤NT)时段的充电功率Pt ev,ch与放电功率Pt ev,disch，第t个时段的荷电状态SOCEV,t，第t个时段的充电效率与放电效率ηEV,ch,t与ηEV,disch,t，以及储能装置的额定容量CEV与能量损失系数εEV，最大的充电功率PEV,ch,max与放电功率PEV,disch,max，NT＝96；
步骤1中所述能源互联网与主网交换功率的模型为：
能源互联网与主网交换功率的上限值PGRITmax与下限值为PGRITmin，在时刻t(1≤t≤NT)向主网买电的价格在时刻t向主网卖电的价格
并且令粒子群中第1个粒子的编号为r＝1；
步骤2：根据能源互联网的分布式电源参数模型、多种类型负荷的参数模型、储能装置参数模型、电动汽车参数模型、以及能源互联网与主网功率交换的参数模型初始化粒子；
步骤2中所述粒子为第r个(r＝1,2……K)粒子Xr所在的区间上获得第r个粒子Xr的初始值，其中K为种群规模；
粒子Xr为1×D维的向量为：
其中，表示第r个粒子的第i种(i＝1,2,3)分布式电源类型向第z1种装置的有功功率输出，所述有功功率输出的装置主要包括电网、电动汽车、储能、负荷，M1为所供应装置的数量；
表示第r个粒子中电网向第z2种装置的有功功率输出，所供应装置主要包括储能、电动汽车、负荷，M2为所供应装置的数量；
表示第r个粒子中储能装置向第z3种装置的有功功率输出，所供应装置主要包括电动汽车、负荷，M3为所供应装置的数量；
表示第r个粒子的储能装置向第z4种装置的有功功率输出，所供应装置主要为负荷，M4为所供应装置的数量；
表示第r个粒子的不可调度负荷类型第k1个负荷的负荷需求，M5为不可调度负荷的数量；
表示第r个粒子的可调度负荷类型第k2个负荷需求，M6为可调度负荷的数量；
表示第r个粒子的可切负荷类型第k3个负荷的负荷需求，M7为可切负荷数量；M1+M2+M3+M4+M5+M6+M7＝D；
步骤3：构建能源互联网能量优化模型的适应度函数模型、鲁棒因子约束条件模型、鲁棒分散因子条件模型、以及系统其它的等式约束模型以及不等式约束模型，利用改进惯性权重与改进学习因子的粒子群算法进行优化求解。
步骤3中所述能源互联网能量优化模型的适应度函数为：
minν1F1+ν2F2
其中，ν1为适应度函数的第一权重因子，取0.75，ν2为适应度函数的第二权重因子，取0.25，Cz(t)表示能源互联网在时刻t的能量总成本，Csat(t)表示在时刻t所有负荷的满意度，T表示整个调度时间段，Cz(t)表达式如下所示：
Cz(t)＝Cdg(PG1,t)+Crenew(PG2,t,PG3,t)+Cess(Pt ess,ch,Pt ess,disch)+Cev(Pt ev,ch,Pt ev ,disch)+Cgrid(Pt buy,Pt sell)
其中，时刻t传统分布式电源的发电成本Cdg(PG1,t)表示为：
Cdg(PG1,t)＝a×(PG1,t)2+b×PG1,t+c
其中，PG1,t表示时刻t传统分布式电源的出力大小，a表示分布式电源的发电成本函数的二次项系数，b表示分布式电源的发电成本函数的一次项系数，c表示分布式电源的发电成本函数的常数项；
其他分布式电源如风力发电与光伏发电成本Crenew(PG2,t,PG3,t)可表示为：
其中，为新能源发电价格。
储能装置的管理成本Cess(Pt ess,ch,Pt ess,disch)可以表示为：
Cess(Pt ess,ch,Pt ess,disch)＝κess(Pt ess,ch+Pt ess,disch)
其中，Pt ess,ch为时刻t储能装置充电的功率大小，Pt ess,ch与Pt ess,disch为时刻t储能装置放电的功率大小，κess为储能装置的管理成本系数；
电动汽车的能量管理成本Cev(Pt ev,ch,Pt ev,disch)表示为：
Cev(Pt ev,ch,Pt ev,disch)＝κev(Pt ev,ch+Pt ev,disch)
其中，Pt ev,ch表示电动汽车在时刻t的充电功率大小，Pt ev,disch分别表示电动汽车在时刻t的放电功率大小，κev为电动汽车的管理成本系数；
与主网功率交互成本Cgrid(Pt buy,Pt sell)表示为：
其中，在时刻t向主网买电的价格，在时刻t向主网卖电的价格，Pt buy为在时刻t向主网买电的功率大小，Pt sell为在时刻t向主网卖电功率大小；
时刻t负荷的满意度为：
其中，表示第k2个可调度负荷的相对重要程度，表示第k3个可切度负荷的相对重要程度；其中第k2个可调度负荷的满意度表示为：
其中，表示第k2个可调度负荷设定的起始时刻，表示第k2个可调度负荷设定的结束时刻，第k2个可调度负荷实际运行的起始时刻，表示第k2个可调度负荷实际运行的结束时刻，κ为一固定常数；
第k3个可切负荷的满意度表示为：
其中，表示第k3个可切负荷设定的起始时刻，表示第k3个可切负荷设定的结束时刻，第k3个可切负荷实际运行的起始时刻，表示第k3个可切负荷实际运行的结束时刻，κ为一固定常数；
步骤3中所述能源互联网能量优化模型的鲁棒因子约束条件模型为：
第k2个(1≤k2≤Lk2num)可调度负荷的鲁棒因子表示为：
其中，表示第k2个可调度负荷鲁棒因子要求的最小值；
第k3个(1≤k3≤Lk3num)可切负荷鲁棒因子为：
其中，表示第k3个可切负荷在前半个时段的鲁棒因子，表示第k3个可切负荷在后半个时段的鲁棒因子，表示第k3个可切负荷鲁棒因子要求的最小值，nta1与nta2表示前半个时段离散时间任务的数量，表示第s个离散时间任务第k3个可切负荷实际运行的截止时刻，表示第s个离散时间任务第k3个可切负荷设定的截止时刻；
步骤3中所述能源互联网能量优化模型的鲁棒分散因子条件模型为：
第k2个可调度负荷的鲁棒分散因子为：
其中，表示第k2+1个可调度负荷实际运行的开始时刻，表示第k2个可调度负荷实际运行的截止时刻，表示第k2个可调度负荷鲁棒分散因子规定的最大值，Nsa表示可调度负荷的数量；
第k3个可切负载的鲁棒分散因子为：
其中，表示第k3个可切负荷的鲁棒分散因子规定的最大值，表示第k3个可切负荷在前半个时段鲁棒分散因子大小，表示第k3个可切负荷在后半个时段鲁棒分散因子大小，Nta1表示第k3个可切负荷在前半个时段负荷的数量，Nta2表示第k3个可切负荷在后半个时段负荷的数量，表示第s个离散时间任务第k3+1个可切负荷实际运行的开始时刻，表示第s个离散时间任务第k3个负荷实际运行的截止时刻；
步骤3中所述能源互联网能量优化模型的系统其它的等式约束模型为：
其中，表示在时刻t向所有负载传送功率大小(kW)，表示多种分布式电源在时刻t的总功率大小(kW)；
步骤3中所述能源互联网能量优化模型的不等式约束模型为：
电动汽车的荷电状态：SOCEV,min≤SOCEV,t≤SOCEV,max
储能的荷电状态：SOCESS,min≤SOCESS,t≤SOCESS,max
与电网交换功率的约束：PGRITmin≤PGRITt≤PGRITmax
其中，SOCEV,t表示电动汽车在时刻t的荷电状态，SOCEV,max表示电动汽车的荷电状态的最大值，SOCEV,min表示电动汽车的荷电状态的最小值，SOCESS,t表示储能装置在时刻t的荷电状态，SOCESS,max表示储能装置荷电状态的最大值，SOCESS,min表示储能装置荷电状态的最小值，PGRITt表示能源互联网在时刻t与主网交换功率的实际大小，PGRITmax与PGRITmin分别表示能源互联网在时刻t与主网交换功率的最大值与最小值；
电动汽车充放电约束：
储能的充放电约束：
其中，Pt dv表示在时刻t分布式电源向电动汽车的供电大小，Pt db表示在时刻t分布式电源向储能的供电大小，Pt dl表示在时刻t分布式电源向负载的供电大小，Pt gb表示在时刻t电网向储能的供电发小，Pt bl表示在时刻t储能向负载的供电大小，Pt bv表示在时刻t储能向电动汽车的供电大小，Pt bg表示在时刻t储能向电网的供电大小，Pt vl表示在时刻t电动汽车向负载的供电大小，Pt vg表示在时刻t电动汽车向电网的供电大小，Pt ev,ch表示在时刻t电动汽车的充电功率大小，Pt ev，disch表示在时刻t电动汽车的放电功率大小，表示电动汽车的充电功率的最大值，分别表示电动汽车的放电功率的最大值，Pt ess,ch表示在时刻t储能装置的充电功率大小，Pt ess,disch表示在时刻t储能装置的放电功率大小，表示储能装置的充电功率的最大值，表示储能装置的放电功率的最大值；
步骤3中所述根据改进惯性权重与改进学习因子的粒子群算法进行优化求解为：更新第r个粒子Xr的位置与速度时，采用的是改进惯性权重与改进学习因子；
其中，改进惯性权重ω为：
w＝ωmax+(ωmax-ωmin)*iter/itermax,iter∈[1,itermax]
其中，ωmax＝0.9为所设置的惯性权重最大值，ωmin＝0.4为所设置的惯性权重最小值，iter表示粒子当前迭代次数，itermax＝300表示粒子当前迭代次数与最大迭代次数；
改进学习因子为：
其中，c1min＝0.5表示第一改进学习因子c1的最小值，c1max＝2.5表示第一改进学习因子c1的最大值，c2min＝0.5表示第二改进学习因子c2的最小值，c2max＝2.5表示第二改进学习因子c2的最大值；
粒子群算法的速度更新公式以及位置更新公式模型：
其中，为更新后的第iter+1次迭代后第r个粒子Xr的位置，为第r个粒子在第iter次迭代时的位置；为更新后的第iter+1次迭代后第r个粒子Xr的速度；为第r个粒子Xr中速度向量，c1为第一改进学习因子，c2为第二改进学习因子，r1为0到1之间服从均匀分布的第一随机数，r2为0到1之间服从均匀分布的第二随机数，ω为改进惯性权重，第r个粒子第iter次迭代经历过的最好位置，gbestiter为所有粒子到第iter次迭代时所经过的最好位置；
更新粒子Xr的位置和速度，并以适应度函数模型最小化为优化模型进行寻优，保存当前最优值和历史最优值，最终得到整个能源互联网的能量优化结果，如以及整个能源互联网的能量成本F1 *，以及满意度
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 (4)

1.一种基于鲁棒分散因子的能源互联网能量优化方法，其特征在于，包括：
步骤1：建立能源互联网的分布式电源参数模型、多种类型负荷的参数模型、储能装置参数模型、电动汽车参数模型、以及能源互联网与主网功率交换的参数模型；
步骤2：根据能源互联网的分布式电源参数模型、多种类型负荷的参数模型、储能装置参数模型、电动汽车参数模型、以及能源互联网与主网功率交换的参数模型初始化粒子；
步骤3：构建能源互联网能量优化模型的适应度函数模型、鲁棒因子约束条件模型、鲁棒分散因子条件模型、以及系统其它的等式约束模型以及不等式约束模型，利用改进惯性权重与改进学习因子的粒子群算法进行优化求解。
2.根据权利要求1所述的基于鲁棒分散因子的能源互联网能量优化方法，其特征在于：步骤1中所述分布式电源参数模型为：
包括第i种(1≤i≤Dnum)类型第t个(1≤t≤NT)时段的出力PGi,t，其中传统发电机第t个时段的出力为PG1,t，风力发电机第t个时段的出力为PG2,t，光伏发电第t个时段的出力大小为PG3,t，Dnum表示分布式电源的类型总数；
步骤1中所述多种类型负荷的参数模型为：
包括不可调度负荷类型第k1个(1≤k1≤Lk1num)负荷第t个(1≤t≤NT)时段的负荷需求PL1,k1,t，可调度负荷类型第k2个(1≤k2≤Lk2num)负荷第t个时段的负荷需求PL2,k2,t，可调度负荷类型第k2个负荷第t个时段的鲁棒因子的下限值RI2,k2,t与鲁棒分散因子的上限值为RSI2,k2,t，可切负荷类型第k3个(1≤k3≤Lk3num)负荷第t个时段的负荷需求PL3,k3,t，可切负荷类型第k3个负荷第t个时段的鲁棒因子的下限值RI3,k3,t与鲁棒分散因子的上限值为RSI3,k3,t；Lk1num、Lk2num、Lk3num分别表示不可调度负荷、可调度负荷与可切负荷的数量；
步骤1中所述建立储能装置参数模型为：
获得储能装置第t个(1≤t≤NT)时段的充电功率Pt ess,ch与放电功率Pt ess,disch，第t个时段的荷电状态SOCESS,t，第t个时段的充电效率与放电效率ηESS,ch,t与ηESS,disch,t，以及储能装置的额定容量CESS与能量损失系数εESS，最大的充电功率PESS,ch,max与放电功率PESS,disch,max；
步骤1中所述电动汽车参数模型为：
获得电动汽车第t个(1≤t≤NT)时段的充电功率Pt ev,ch与放电功率Pt ev,disch，第t个时段的荷电状态SOCEV,t，第t个时段的充电效率与放电效率ηEV,ch,t与ηEV,disch,t，以及储能装置的额定容量CEV与能量损失系数εEV，最大的充电功率PEV,ch,max与放电功率PEV,disch,max；
步骤1中所述能源互联网与主网交换功率的参数模型为：
能源互联网与主网交换功率的上限值PGRITmax与下限值为PGRITmin，在时刻t(1≤t≤NT)向主网买电的价格在时刻t向主网卖电的价格
并且令粒子群中第1个粒子的编号为r＝1。
3.根据权利要求1所述的基于鲁棒分散因子的能源互联网能量优化方法，其特征在于：步骤2中所述粒子为第r个(r＝1,2……K)粒子Xr所在的区间上获得第r个粒子Xr的初始值，其中K为种群规模；
粒子Xr为1×D维的向量为：
其中，表示第r个粒子的第i种(i＝1,2,3)分布式电源类型向第z1种装置的有功功率输出，所述有功功率输出的装置主要包括电网、电动汽车、储能、负荷，M1为所供应装置的数量；
表示第r个粒子中电网向第z2种装置的有功功率输出，所供应装置主要包括储能、电动汽车、负荷，M2为所供应装置的数量；
表示第r个粒子中储能装置向第z3种装置的有功功率输出，所供应装置主要包括电动汽车、负荷，M3为所供应装置的数量；
表示第r个粒子的储能装置向第z4种装置的有功功率输出，所供应装置主要为负荷，M4为所供应装置的数量；
表示第r个粒子的不可调度负荷类型第k1个负荷的负荷需求，M5为不可调度负荷的数量；
表示第r个粒子的可调度负荷类型第k2个负荷需求，M6为可调度负荷的数量；
表示第r个粒子的可切负荷类型第k3个负荷的负荷需求，M7为可切负荷数量；M1+M2+M3+M4+M5+M6+M7＝D。
4.根据权利要求1所述的基于鲁棒分散因子的能源互联网能量优化方法，其特征在于：步骤3中所述能源互联网能量优化模型的适应度函数为：
minν1F1+ν2F2
其中，ν1为适应度函数的第一权重因子，ν2为适应度函数的第二权重因子，Cz(t)表示能源互联网在时刻t的能量总成本，Csat(t)表示在时刻t所有负荷的满意度，T表示整个调度时间段，Cz(t)表达式如下所示：
Cz(t)＝Cdg(PG1,t)+Crenew(PG2,t,PG3,t)+Cess(Pt ess,ch,Pt ess,disch)+Cev(Pt ev,ch,Pt ev,disch)+Cgrid(Pt buy,Pt sell)
其中，时刻t传统分布式电源的发电成本Cdg(PG1,t)表示为：
Cdg(PG1,t)＝a×(PG1,t)2+b×PG1,t+c
其中，PG1,t表示时刻t传统分布式电源的出力大小，a表示分布式电源的发电成本函数的二次项系数，b表示分布式电源的发电成本函数的一次项系数，c表示分布式电源的发电成本函数的常数项；
其他分布式电源如风力发电与光伏发电成本Crenew(PG2,t,PG3,t)可表示为：
其中，为新能源发电价格；
储能装置的管理成本Cess(Pt ess,ch,Pt ess,disch)可以表示为：
Cess(Pt ess,ch,Pt ess,disch)＝κess(Pt ess,ch+Pt ess,disch)
其中，Pt ess,ch为时刻t储能装置充电的功率大小，Pt ess,ch与Pt ess,disch为时刻t储能装置放电的功率大小，κess为储能装置的管理成本系数；
电动汽车的能量管理成本Cev(Pt ev,ch,Pt ev,disch)表示为：
Cev(Pt ev,ch,Pt ev,disch)＝κev(Pt ev,ch+Pt ev,disch)
其中，Pt ev,ch表示电动汽车在时刻t的充电功率大小，Pt ev,disch分别表示电动汽车在时刻t的放电功率大小，κev为电动汽车的管理成本系数；
与主网功率交互成本Cgrid(Pt buy,Pt sell)表示为：
其中，在时刻t向主网买电的价格，在时刻t向主网卖电的价格，为在时刻t向主网买电的功率大小，Pt sell为在时刻t向主网卖电功率大小；
时刻t负荷的满意度为：
其中，表示第k2个可调度负荷的相对重要程度，表示第k3个可切度负荷的相对重要程度；其中第k2个可调度负荷的满意度表示为：
其中，表示第k2个可调度负荷设定的起始时刻，表示第k2个可调度负荷设定的结束时刻，第k2个可调度负荷实际运行的起始时刻，表示第k2个可调度负荷实际运行的结束时刻，κ为一固定常数；
第k3个可切负荷的满意度表示为：
其中，表示第k3个可切负荷设定的起始时刻，表示第k3个可切负荷设定的结束时刻，第k3个可切负荷实际运行的起始时刻，表示第k3个可切负荷实际运行的结束时刻，κ为一固定常数；
步骤3中所述能源互联网能量优化模型的鲁棒因子约束条件模型为：
第k2个(1≤k2≤Lk2num)可调度负荷的鲁棒因子表示为：
其中，表示第k2个可调度负荷鲁棒因子要求的最小值；
第k3个(1≤k3≤Lk3num)可切负荷鲁棒因子为：
其中，表示第k3个可切负荷在前半个时段的鲁棒因子，表示第k3个可切负荷在后半个时段的鲁棒因子，表示第k3个可切负荷鲁棒因子要求的最小值，nta1与nta2表示前半个时段离散时间任务的数量，表示第s个离散时间任务第k3个可切负荷实际运行的截止时刻，表示第s个离散时间任务第k3个可切负荷设定的截止时刻；
步骤3中所述能源互联网能量优化模型的鲁棒分散因子条件模型为：
第k2个可调度负荷的鲁棒分散因子为：
其中，表示第k2+1个可调度负荷实际运行的开始时刻，表示第k2个可调度负荷实际运行的截止时刻，表示第k2个可调度负荷鲁棒分散因子规定的最大值，Nsa表示可调度负荷的数量；
第k3个可切负载的鲁棒分散因子为：
其中，表示第k3个可切负荷的鲁棒分散因子规定的最大值，表示第k3个可切负荷在前半个时段鲁棒分散因子大小，表示第k3个可切负荷在后半个时段鲁棒分散因子大小，Nta1表示第k3个可切负荷在前半个时段负荷的数量，Nta2表示第k3个可切负荷在后半个时段负荷的数量，表示第s个离散时间任务第k3+1个可切负荷实际运行的开始时刻，表示第s个离散时间任务第k3个负荷实际运行的截止时刻；
步骤3中所述能源互联网能量优化模型的系统其它的等式约束模型为：
其中，表示在时刻t向所有负载传送功率大小(kW)，表示多种分布式电源在时刻t的总功率大小(kW)；
步骤3中所述能源互联网能量优化模型的不等式约束模型为：
电动汽车的荷电状态：SOCEV,min≤SOCEV,t≤SOCEV,max
储能的荷电状态：SOCESS,min≤SOCESS,t≤SOCESS,max
与电网交换功率的约束：PGRITmin≤PGRITt≤PGRITmax
其中，SOCEV,t表示电动汽车在时刻t的荷电状态，SOCEV,max表示电动汽车的荷电状态的最大值，SOCEV,min表示电动汽车的荷电状态的最小值，SOCESS,t表示储能装置在时刻t的荷电状态，SOCESS,max表示储能装置荷电状态的最大值，SOCESS,min表示储能装置荷电状态的最小值，PGRITt表示能源互联网在时刻t与主网交换功率的实际大小，PGRITmax与PGRITmin分别表示能源互联网在时刻t与主网交换功率的最大值与最小值；
电动汽车充放电约束：
储能的充放电约束：
其中，Pt dv表示在时刻t分布式电源向电动汽车的供电大小，Pt db表示在时刻t分布式电源向储能的供电大小，Pt dl表示在时刻t分布式电源向负载的供电大小，Pt gb表示在时刻t电网向储能的供电发小，Pt bl表示在时刻t储能向负载的供电大小，Pt bv表示在时刻t储能向电动汽车的供电大小，Pt bg表示在时刻t储能向电网的供电大小，Pt vl表示在时刻t电动汽车向负载的供电大小，Pt vg表示在时刻t电动汽车向电网的供电大小，Pt ev,ch表示在时刻t电动汽车的充电功率大小，Pt ev,disch表示在时刻t电动汽车的放电功率大小，表示电动汽车的充电功率的最大值，分别表示电动汽车的放电功率的最大值，Pt ess,ch表示在时刻t储能装置的充电功率大小，Pt ess,disch表示在时刻t储能装置的放电功率大小，表示储能装置的充电功率的最大值，表示储能装置的放电功率的最大值；
步骤3中所述根据改进惯性权重与改进学习因子的粒子群算法进行优化求解为：更新第r个粒子Xr的位置与速度时，采用的是改进惯性权重与改进学习因子；
其中，改进惯性权重ω为：
w＝ωmax+(ωmax-ωmin)*iter/itermax,iter∈[1,itermax]
其中，ωmax为所设置的惯性权重最大值，ωmin为所设置的惯性权重最小值，iter表示粒子当前迭代次数，itermax表示粒子当前迭代次数与最大迭代次数；
改进学习因子为：
其中，c1min表示第一改进学习因子c1的最小值，c1max表示第一改进学习因子c1的最大值，c2min表示第二改进学习因子c2的最小值，c2max表示第二改进学习因子c2的最大值；
粒子群算法的速度更新公式以及位置更新公式模型：
其中，为更新后的第iter+1次迭代后第r个粒子Xr的位置，为第r个粒子在第iter次迭代时的位置；为更新后的第iter+1次迭代后第r个粒子Xr的速度；为第r个粒子Xr中速度向量，c1为第一改进学习因子，c2为第二改进学习因子，r1为0到1之间服从均匀分布的第一随机数，r2为0到1之间服从均匀分布的第二随机数，ω为改进惯性权重，第r个粒子第iter次迭代经历过的最好位置，gbestiter为所有粒子到第iter次迭代时所经过的最好位置；
更新粒子Xr的位置和速度，并以适应度函数模型最小化为优化模型进行寻优，保存当前最优值和历史最优值，最终得到整个能源互联网的能量优化结果，如以及整个能源互联网的能量成本F1 *，以及满意度
CN201910031677.4A 2019-01-14 2019-01-14 一种基于鲁棒分散因子的能源互联网能量优化方法 Active CN109560575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910031677.4A CN109560575B (zh) 2019-01-14 2019-01-14 一种基于鲁棒分散因子的能源互联网能量优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910031677.4A CN109560575B (zh) 2019-01-14 2019-01-14 一种基于鲁棒分散因子的能源互联网能量优化方法

Publications (2)

Publication Number Publication Date
CN109560575A true CN109560575A (zh) 2019-04-02
CN109560575B CN109560575B (zh) 2022-01-14

Family

ID=65872777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910031677.4A Active CN109560575B (zh) 2019-01-14 2019-01-14 一种基于鲁棒分散因子的能源互联网能量优化方法

Country Status (1)

Country Link
CN (1) CN109560575B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113419020A (zh) * 2021-06-30 2021-09-21 成都师范学院 糖化血红蛋白重叠峰识别方法、装置、系统、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103825279A (zh) * 2014-02-21 2014-05-28 华南理工大学 基于鲁棒控制的微电网系统电压稳定控制方法
CN106447122A (zh) * 2016-10-12 2017-02-22 国网上海市电力公司 一种区域型能源互联网及其一体化优化规划方法
CN106651047A (zh) * 2016-12-29 2017-05-10 中国电力工程顾问集团华东电力设计院有限公司 一种区域能源互联网动态运行优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103825279A (zh) * 2014-02-21 2014-05-28 华南理工大学 基于鲁棒控制的微电网系统电压稳定控制方法
CN106447122A (zh) * 2016-10-12 2017-02-22 国网上海市电力公司 一种区域型能源互联网及其一体化优化规划方法
CN106651047A (zh) * 2016-12-29 2017-05-10 中国电力工程顾问集团华东电力设计院有限公司 一种区域能源互联网动态运行优化方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113419020A (zh) * 2021-06-30 2021-09-21 成都师范学院 糖化血红蛋白重叠峰识别方法、装置、系统、设备及介质

Also Published As

Publication number Publication date
CN109560575B (zh) 2022-01-14

Similar Documents

Publication Publication Date Title
CN105811409B (zh) 一种含电动汽车混合储能系统的微网多目标运行调度方法
CN109146201A (zh) 基于合作博弈的充换储一体化电站微电网优化调度方法
CN106099964B (zh) 一种储能系统参与主动配电网运行调节计算方法
CN109256800A (zh) 一种区域充换储一体化电站微电网群协调优化调度方法
CN109754112A (zh) 一种考虑配电网削峰填谷的光储充电塔随机优化调度方法
CN107104454A (zh) 计及电动汽车功率可调控域的最优潮流节点电价计算方法
CN103151797A (zh) 基于多目标调度模型的并网运行方式下微网能量控制方法
CN103593717A (zh) 一种微电网能源实时优化控制方法
CN109978240B (zh) 一种电动汽车有序充电优化方法及系统
CN108197726A (zh) 一种基于改进进化算法的家庭能量数据优化方法
CN109948823A (zh) 一种光储充电塔自适应鲁棒日前优化调度方法
CN112070628B (zh) 一种计及环境因素的智能电网多目标经济调度方法
CN108512238B (zh) 基于需求侧响应的智能家居两阶段优化调度方法
CN108182487A (zh) 基于粒子群优化和本德尔分解的家庭能量数据优化方法
CN107834574A (zh) 一种分布式能源系统与电网交换功率的控制方法
CN109560575A (zh) 一种基于鲁棒分散因子的能源互联网能量优化方法
CN108695903A (zh) 基于粒子群优化算法的微电网优化调度方法
CN110098623B (zh) 一种基于智能负载的Prosumer单元控制方法
CN115940284B (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
CN111319505A (zh) 一种光储式电动汽车充电站能量优化方法和装置
CN115296415A (zh) 一种基于新型智能融合终端的台区综合能源管理系统
CN114784896A (zh) 面向虚拟电厂的规模化充电桩能量优化管理方法和系统
CN112785048A (zh) 计及电动汽车用户需求的直流微电网经济调度方法
CN114285093A (zh) 一种源网荷储互动调度方法及系统
CN113629758A (zh) 一种多能源并网运行控制方法和系统

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