CN110766239A - 基于烟花算法的微电网优化调度方法 - Google Patents

基于烟花算法的微电网优化调度方法 Download PDF

Info

Publication number
CN110766239A
CN110766239A CN201911070468.7A CN201911070468A CN110766239A CN 110766239 A CN110766239 A CN 110766239A CN 201911070468 A CN201911070468 A CN 201911070468A CN 110766239 A CN110766239 A CN 110766239A
Authority
CN
China
Prior art keywords
firework
particle
particles
spark
microgrid
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.)
Pending
Application number
CN201911070468.7A
Other languages
English (en)
Inventor
佘楚云
高德民
高瑞鑫
许向明
伍国兴
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.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
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 Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN201911070468.7A priority Critical patent/CN110766239A/zh
Publication of CN110766239A publication Critical patent/CN110766239A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种基于烟花算法的微电网优化调度方法，通过适应度值分配策略可以将多个目标函数的适应度值转化为单一适应度函数，从而实现对多目标微电网优化调度的求解。根据适应度值可以采用烟花算法中爆炸生成的烟花粒子集合对非支配解集合进行更新，有利于求解最优方案。从第一次更新后的非支配解集合中选出多个烟花粒子作为搜索单元对火花粒子集合进行更新，可以增加粒子的多样性，可以防止陷入局部最优。根据更新后的火花粒子集合，分别对初始方案构成的烟花粒子集合和第一次更新后的非支配解集合进行更新，直至满足最大迭代次数。基于烟花算法的微电网调度方法可以实现多目标微电网优化调度方案的求解，保证用户效益和配网效益。

Description

基于烟花算法的微电网优化调度方法
技术领域
本申请涉及微电网功率调度技术领域，特别是涉及一种基于烟花算法的微电网优化调度方法。
背景技术
微电网是本地能源相互连接后，再与主电网相连而组成的小型电网系统。在保证微电网安全可靠运行的基础上，如何优化资源配置、减少环境污染以及实现能源高效供给以提高微电网运行的环保性和经济性，是目前微电网研究的重点之一。
在微电网优化调度时，由于需要同时考虑微电网运行的经济性和环保性，微电网优化调度方法为多目标求解问题。然而，目前存在的烟花算法仅可以解决单目标问题，无法求解多目标微电网的优化调度方案。
发明内容
基于此，有必要针对现有烟花算法无法求解多目标微电网优化调度方案的问题，提供一种基于烟花算法的微电网优化调度方法。
本申请提供一种基于烟花算法的微电网优化调度方法，包括：
步骤S110，建立微电网优化调度模型并设置微电网优化约束条件，其中所述微电网优化调度模型包括多个目标函数；
步骤S120，根据所述微电网优化调度模型以及所述微电网优化约束条件，随机生成多个初始优化方案；
步骤S130，将多个所述初始优化方案作为烟花粒子集合P，并选出所述烟花粒子集合P中多个非支配解储存于非支配解集合NP；
步骤S140，采用适应度分配策略将所述多个目标函数转化为一个适应度函数FIT；
步骤S150，根据所述适应度函数FIT，计算所述非支配解集合NP中的每个烟花粒子的适应度值；
步骤S160，根据烟花算法的烟花爆炸原理以及所述微电网优化约束条件，对所述烟花粒子集合P中的每个烟花粒子进行爆炸，生成火花粒子集合S，并计算所述火花粒子集合S中的每个火花粒子的适应度值；
步骤S170，根据所述火花粒子集合S中的每个火花粒子的适应度值和所述非支配解集合NP中的每个烟花粒子的适应度值，按照预设更新策略采用所述火花粒子集合S对所述非支配解集合NP进行更新，得到当次迭代过程中第一次更新后的所述非支配解集合NP；
步骤S180，从第一次更新后的所述非支配解集合NP中选出多个烟花粒子作为引力搜索单元，并根据所述引力搜索单元和所述微电网优化约束条件，更新所述火花粒子集合S，得到更新后的所述火花粒子集合S，根据更新后的所述火花粒子集合S更新所述烟花粒子集合P，得到更新后的烟花粒子集合P，并根据所述预设更新策略再次更新第一次更新后的所述非支配解集合NP，得到第二次更新后的所述非支配解集合NP；
步骤S190，根据第二次更新后的所述非支配解集合NP计算最优解，并判断当前迭代次数是否达到预设迭代次数，若所述当前迭代次数小于所述预设迭代次数，则返回所述步骤S150，否则输出所述最优解作为微电网优化方案；
其中更新后的所述烟花粒子集合P和第二次更新后的所述非支配解集合NP分别作为下次迭代过程的烟花粒子集合P和非支配解集合NP。
在其中一个实施例中，所述目标函数包括经济运行成本目标函数和所述污染气体排放目标函数；
其中，所述经济运行成本目标函数为：
Figure BDA0002260792530000031
其中，t为时段数，NDG为微电源个数，Ci为第i个微电源的单位费用，Pi(t)为第i个微电源t时刻时的输出功率，CBat为储能系统的单位费用，PBat(t)为储能系统t时刻时的输出功率，BGridt(t)为t时刻时市场电力价格，PGridt(t)为t时刻时微电网与主电网的买卖电量；
所述污染气体排放目标函数为：
其中，M为污染性气体种类数量，Eij为第i个微电源关于第j种污染气体的单位排放量，EBat为储能系统的单位污染气体排放量，EGrid为主电网中单位电量对应产生的污染气体排放量。
在其中一个实施例中，所述微电网优化约束条件包括功率平衡约束条件和边界约束条件，其中所述边界约束条件包括微电源出力约束条件、微电网电力交易约束条件和储能系统运行约束条件。
在其中一个实施例中，所述步骤S120，包括：
根据所述微电网优化调度模型随机生成所述多个初始优化方案；
判断所述初始优化方案是否满足所述功率平衡约束条件；
若所述初始优化方案不满足所述功率平衡约束条件，则随机调整微电源的输出功率，以使所述初始优化方案满足所述功率平衡约束条件；
若所述初始优化方案满足所述功率平衡约束条件，则判断所述初始优化方案是否满足所述边界约束条件；
若所述初始优化方案不满足所述边界约束条件，则执行：
Figure BDA0002260792530000041
Figure BDA0002260792530000042
其中，j∈(MT,FC,PV,WT,Bat,Grid)，否则执行所述步骤S130。
在其中一个实施例中，所述适应度函数FIT为：
FIT(xi)＝r(xi)+d(xi)
其中，r(xi)＝∑s(xj)，s(xi)值的大小由烟花粒子xi可支配解的个数决定，即s(xi)＝|{xj∈P∪NP}∧xi＞xj|，d(xi)表示所述烟花粒子xi的密度信息，且
Figure BDA0002260792530000043
σk(xi)表示所述烟花粒子xi到第k个最近的烟花粒子的欧氏距离，
Figure BDA0002260792530000044
在其中一个实施例中，所述步骤S160，包括：
计算当次迭代过程中所述烟花粒子集合P中的每个所述烟花粒子产生的火花个数和爆炸幅度；
根据烟花算法的烟花爆炸原理以及所述火花个数和所述爆炸幅度，对所述烟花粒子集合P中的每个所述烟花粒子进行爆炸，生成所述火花粒子集合S；
计算所述火花粒子集合S中的每个所述火花粒子的适应度值。
在其中一个实施例中，所述更新策略为：
NPn+1＝{xi|xi∈(NPn+Sn)∧FIT(xi)<1}
其中，NPn+1表示当前迭代过程中更新后的非支配解集合，Sn表示当前迭代过程中爆炸生成的火花粒子集合；
完成所述更新后的非支配解集合NPn+1的生成后，判断NPn+1中的非支配解的个数与所述非支配解集合NP中可包含最大非支配解个数|NP|U的大小关系，若|NPn+1|＝|NP|U，则更新过程完成，若|NPn+1|<|NP|U，则从所述非支配解集合NP集合中选出适应度值较小的|NP|U-|NPn+1|个支配解存储于所述非支配解集合NPn+1，若|NPn+1|>|NP|U，采用集合截断方法从所述非支配解集合NPn+1中删除非支配解直至|NPn+1|＝|NP|U。
在其中一个实施例中，所述采用集合截断方法从所述非支配解集合NPn+1中删除非支配解直至|NPn+1|＝|NP|U，包括：
计算所述非支配解集合NPn+1中的每个烟花粒子与其他所述烟花粒子之间的欧式距离；
将每个所述烟花粒子的欧式距离进行排序，并按照每个所述烟花粒子的欧式距离从小到大的顺序依次删除对应的所述烟花粒子，其中被删除的所述烟花粒子的欧式距离与其他所述烟花粒子的欧式距离均不相等。
在其中一个实施例中，所述步骤S180，包括：
从当次迭代过程中第一次更新后的所述非支配解集合NP中选出多个烟花粒子作为所述引力搜索单元；
计算所述引力搜索单元中每个烟花粒子和所述火花粒子集合S中的每个所述火花粒子的惯性质量M；
设置引力常数G，并根据所述引力常数G和所述烟花粒子的惯性质量M，计算所述引力搜索单元中的每个所述烟花粒子对所述火花粒子集合S中的每个所述火花粒子施加的引力F；
根据所述火花粒子集合S中的每个所述火花粒子的引力F，更新所述火花粒子集合S，得到更新后的所述火花粒子集合S；
根据更新后的所述火花粒子集合S更新所述烟花粒子集合P，得到更新后的所述烟花粒子集合P，并根据所述预设更新策略再次更新第一次更新后的所述非支配解集合NP，得到第二次更新后的所述非支配解集合NP。
在其中一个实施例中，所述引力常数G为：
Figure BDA0002260792530000061
其中，G0为引力常数预设初始值，iteration_max为预设最大迭代次数。
在其中一个实施例中，所述引力搜索单元中所述烟花粒子的个数K为：
Figure BDA0002260792530000062
其中，Number为第一次更新后的所述非支配解集合NP中的所述烟花粒子的总数，k0为预设常数值。
在其中一个实施例中，所述惯性质量M的计算方法为：
其中，粒子质量mi为：
在其中一个实施例中，所述引力F的计算方法为：
Figure BDA0002260792530000066
其中，Fi d为单个粒子i在第d维空间的受力总和，
Figure BDA0002260792530000067
为：
Figure BDA0002260792530000068
其中，rij为粒子i、j之间的欧式距离，距为粒子i、j在第d维空间中的坐标，ε为预设常数。
基于烟花算法的微电网优化调度方法，通过建立微电网优化调度模型，并设置微电网优化约束条件，随机生成多个初始优化方案。通过适应度值分配策略可以将多个目标函数的适应度值转化为单一适应度函数，从而实现对多目标微电网优化调度的求解。此外，根据适应度值，可以采用烟花算法中爆炸生成的烟花粒子集合S对非支配解集合NP进行更新，可以增加非支配解的多样性，有利于求解最优方案。随后，从第一次更新后的非支配解集合NP中选出多个烟花粒子作为搜索单元对火花粒子集合S进行更新，可以使粒子之间在每一维度上进行信息交互，以增加粒子的多样性，可以防止陷入局部最优，同样有利于求解微电网的最优调度方案。根据更新后的火花粒子集合S，分别对初始方案构成的烟花粒子集合P和第一次更新后的非支配解集合NP进行更新，直至满足最大迭代次数。基于烟花算法的微电网调度方法可以实现多目标微电网优化调度方案的求解，保证用户效益和配网效益。
附图说明
图1为本申请实施例提供的一种基于烟花算法的微电网优化调度方法流程图；
图2为本申请实施例提供的一种微电网系统结构示意图；
图3为本申请实施例提供的另一种微电网系统结构示意图；
图4为本申请实施例提供的一种PV和WT预测功率输出结果曲线图；
图5为本申请实施例提供的一种单日负荷曲线图；
图6为本申请实施例提供的另一种基于烟花算法的微电网优化调度方法流程图；
图7为本申请实施例提供的三种调度策略下MFAGSO、MFA和MOPSO的PF结果对比图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似改进，因此本申请不受下面公开的具体实施的限制。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
通常情况下，微网调度优化问题为多目标优化问题，即多目标微电网调度是一个高维复杂且伴有约束条件的优化问题。针对该类问题，研究适应微电网优化调度求解且高效的多目标优化算法显得尤为重要。然而，烟花算法在解决多目标优化问题时，非支配解易在不同的搜索区域聚集在一起，尤其是对于拥有连续帕累托最优解的多目标优化问题，这种现象更明显。因此，烟花算法的搜索机制使烟花粒子更容易聚集在局部最优区域，导致无法得到更有效的帕累托最优解，同时使得算法的收敛速度减慢。
请参见图1，本申请提供一种基于烟花算法的微电网优化调度方法，包括：
步骤S110，建立微电网优化调度模型并设置微电网优化约束条件，其中所述微电网优化调度模型包括多个目标函数；
步骤S120，根据所述微电网优化调度模型以及所述微电网优化约束条件，随机生成多个初始优化方案；
步骤S130，将多个所述初始优化方案作为烟花粒子集合P，并选出所述烟花粒子集合P中多个非支配解储存于非支配解集合NP；
步骤S140，采用适应度分配策略将所述多个目标函数转化为一个适应度函数FIT；
步骤S150，根据所述适应度函数FIT，计算所述非支配解集合NP中的每个烟花粒子的适应度值；
步骤S160，根据烟花算法的烟花爆炸原理以及所述微电网优化约束条件，对所述烟花粒子集合P中的每个烟花粒子进行爆炸，生成火花粒子集合S，并计算所述火花粒子集合S中的每个火花粒子的适应度值；
步骤S170，根据所述火花粒子集合S中的每个火花粒子的适应度值和所述非支配解集合NP中的每个烟花粒子的适应度值，按照预设更新策略采用所述火花粒子集合S对所述非支配解集合NP进行更新，得到当次迭代过程中第一次更新后的所述非支配解集合NP；
步骤S180，从第一次更新后的所述非支配解集合NP中选出多个烟花粒子作为引力搜索单元，并根据所述引力搜索单元和所述微电网优化约束条件，更新所述火花粒子集合S，得到更新后的所述火花粒子集合S，根据更新后的所述火花粒子集合S更新所述烟花粒子集合P，得到更新后的烟花粒子集合P，并根据所述预设更新策略再次更新第一次更新后的所述非支配解集合NP，得到第二次更新后的所述非支配解集合NP；
步骤S190，根据第二次更新后的所述非支配解集合NP计算最优解，并判断当前迭代次数是否达到预设迭代次数，若所述当前迭代次数小于所述预设迭代次数，则返回所述步骤S150，否则输出所述最优解作为微电网优化方案；
其中更新后的所述烟花粒子集合P和第二次更新后的所述非支配解集合NP分别作为下次迭代过程的烟花粒子集合P和非支配解集合NP。
针对多目标微电网调度优化问题，本申请提出的基于烟花算法的微网优化调度方法可以实现对多目标问题的优化求解，同时可以解决帕累托解聚集、算法收敛速度慢以及非支配解多样性差问题。因此，基于烟花算法的微网优化调度方法具有收敛精度高以及运行速度快的优点，可以在有限的迭代次数内求解得到的微电网调度优化方案。
基于烟花算法的微电网优化调度方法，通过建立微电网优化调度模型，并设置微电网优化约束条件，随机生成多个初始优化方案。通过适应度值分配策略可以将多个目标函数的适应度值转化为单一适应度函数，从而实现对多目标微电网优化调度的求解。此外，根据适应度值，可以采用烟花算法中爆炸生成的烟花粒子集合S对非支配解集合NP进行更新，可以增加非支配解的多样性，有利于求解最优方案。随后，从第一次更新后的非支配解集合NP中选出多个烟花粒子作为搜索单元对火花粒子集合S进行更新，可以使粒子之间在每一维度上进行信息交互，以增加粒子的多样性，可以防止陷入局部最优，同样有利于求解微电网的最优调度方案。根据更新后的火花粒子集合S，分别对初始方案构成的烟花粒子集合P和第一次更新后的非支配解集合NP进行更新，直至满足最大迭代次数。基于烟花算法的微电网调度方法可以实现多目标微电网优化调度方案的求解，保证用户效益和配网效益。
在其中一个实施例中，基于烟花算法的微电网调度方法可以针对微电网调度优化中运行成本和污染性气体排放两方面目标，或者多方面目标，充分考虑微电网运行中的优化约束条件，建立多目标微电网优化调度模型，进而充分保证电力用户效益，并通过与主电网的交易售电保证配网效益。针对多目标微电网调度优化问题，基于烟花算法的微电网调度方法通过结合适应度值分配策略、外部集合更新策略和引力搜索算子，构建多目标烟花优化算法。采用多目标烟花优化算法可以求解多目标微电网优化调度问题，为微电源的出力调度提供参考方案，以降低微电网经济运行成本和污染性气体排放量。基于烟花算法的微电网调度方法根据多个种类分布式电源接入微电网的情况，充分探究可再生能源和主电网出力对优化结果的影响，增强了优化算法优化性能，可以降低微电网运行经济成本和污染性气体排放成本。
在其中一个实施例中，所述目标函数包括经济运行成本目标函数和所述污染气体排放目标函数；其中，所述经济运行成本目标函数为：
Figure BDA0002260792530000111
其中，t为时段数，NDG为微电源个数，Ci为第i个微电源的单位费用，Pi(t)为第i个微电源t时刻时的输出功率，CBat为储能系统的单位费用，PBat(t)为储能系统t时刻时的输出功率，BGridt(t)为t时刻时市场电力价格，PGridt(t)为t时刻时微电网与主电网的买卖电量；所述污染气体排放目标函数为：
Figure BDA0002260792530000112
其中，M为污染性气体种类数量，Eij为第i个微电源关于第j种污染气体的单位排放量，EBat为储能系统的单位污染气体排放量，EGrid为主电网中单位电量对应产生的污染气体排放量。可以理解，在本实施例中，可以考虑微电网中三种主要污染性气体，即氮氧化物(NOx)，二氧化硫(SO2)，二氧化碳(CO2)，第i个微电源关于第j种污染气体的单位排放量可以表示为：
Figure BDA0002260792530000121
可以理解，为了使微电网经济效益最高，即发电成本最小，可以将微电源发电成本与储能单元运行维护成本以及微电网与主电网的电力交易收益均考虑在内。需要说明的是，经济运行成本目标函数可以以一小时为单位时间计算优化出力。
在其中一个实施例中，所述微电网优化约束条件包括功率平衡约束条件和边界约束条件，其中所述边界约束条件包括微电源出力约束条件、微电网电力交易约束条件和储能系统运行约束条件。可以理解，在微电网运行期间任何时刻t都要满足功率平衡约束条件，即负载功率需要与供电功率相等，具体可以表示为：
Figure BDA0002260792530000122
此外，微电源出力约束为每个微电源在任何时刻t的实际发电功率的上下界限，具体可以表示为：
Pi min≤Pi(t)≤Pi max
微电网电力交易约束条件为微电网与主电网的电力交易量的上下界限，具体可以表示为：
Figure BDA0002260792530000123
储能系统运行约束条件为：
SOCmin≤SOC(t)≤SOCmax
即储能系统运行约束条件为t时刻储能系统放电功率不能超过最大放电功率和最大充电功率，且t时刻储能系统荷电状态SOC(t)不得超过储能系统的最大荷电量或小于储能系统的最小荷电量。其中，储能系统荷电量变化可表示为：
Figure BDA0002260792530000136
其中，ηcharge、ηdischarge分别表示储能单元的充放电效率。
在其中一个实施例中，所述步骤S120，包括：根据所述微电网优化调度模型随机生成所述多个初始优化方案。判断所述初始优化方案是否满足所述功率平衡约束条件。若所述初始优化方案不满足所述功率平衡约束条件，则随机调整微电源的输出功率，以使所述初始优化方案满足所述功率平衡约束条件。若所述初始优化方案满足所述功率平衡约束条件，则判断所述初始优化方案是否满足所述边界约束条件。若所述初始优化方案不满足所述边界约束条件，则执行：
Figure BDA0002260792530000131
Figure BDA0002260792530000132
其中，j∈(MT,FC,PV,WT,Bat,Grid)，否则执行所述步骤S130。
可以理解，为保证优化过程中搜索空间内的所有解满足功率平衡约束条件和边界约束条件，可以在每次生成新的烟花粒子集合或者对火花粒子集合进行更新后，采用功率约束条件和边界约束条件对搜索空间中的解进行约束。在其中一个实施例中，可以以烟花粒子集合P＝[x1,x2,…xi…xN]为例说明优化过程中约束条件处理方法，其中：
Figure BDA0002260792530000134
Figure BDA0002260792530000135
由上式可以得知，在优化过程24小时内，四种微电源、储能系统和主电网的输出功率得到了优化调度，每一个烟花粒子xi包含24×6个状态变量。为满足功率平衡约束条件，对于每个烟花粒子进行以下操作：
Figure BDA0002260792530000141
在本实施例中，若ΔP(t)＝0，则执行下一个步骤。若ΔP(t)≠0，则从四种微电源中随机选出一种，将其输出功率减去ΔP(t)，随后检查烟花粒子的位置是否超出约束条件，即检查烟花粒子是否满足边界约束条件。
可以理解，在多目标烟花算法求解过程中，需要一个适应度函数值去评定每个粒子位置的优越程度。此外，烟花粒子需要依靠适应度值去计算爆炸强度si与爆炸幅度Ai，而引力搜索单元同样也需要适应度值计算每个粒子的质量。但是，多目标优化问题中单个粒子对多个目标函数进行优化时，需要通过适应度分配策略将多个目标函数值转化为单个适应度函数以获取适应度值，并通过适应度值评定每个粒子的优越程度。
在本实施例中，可以采用SPEA2中基于帕累托强度的分配策略，通过将不同的粒子集合分别与外部非支配解集合NP结合，可以将烟花粒子集合P与火花粒子集合S中粒子的多个函数适应度值转化为单个适应度值。在其中一个实施例中，以烟花粒子集合P为例，所述适应度函数FIT为：
FIT(xi)＝r(xi)+d(xi)
其中，r(xi)＝∑s(xj)，s(xi)值的大小由烟花粒子xi可支配解的个数决定，即s(xi)＝|{xj∈P∪NP}∧xi＞xj|，d(xi)表示所述烟花粒子xi的密度信息，且
Figure BDA0002260792530000142
σk(xi)表示所述烟花粒子xi到第k个最近的烟花粒子的欧氏距离，
Figure BDA0002260792530000143
可以理解，r(xi)值越小说明解xi越好。若r(xi)＝0，xi为非支配解，若r(xi)值较大，则说明烟花粒子xi被多个其他烟花粒子所支配。
在本实施例中，上述适应度分配策略在考虑支配关系的同时，也考虑了粒子的位置拥挤信息。通过采用上述适应度分配策略，可以将多个函数适应度值转化为单个适应度值，从而有利于在求解过程中保持粒子的多样性。可以理解，通过将多个函数适应度值转化为单个适应度值，可以在对两个相互冲突的目标，即微电网经济运行成本和污染物排放量，进行优化时，仅得到一组帕累托最优解，从而可以为微电网调度提供最优调度方案。
在其中一个实施例中，所述步骤S160，包括：计算当次迭代过程中所述烟花粒子集合P中的每个所述烟花粒子产生的火花个数和爆炸幅度。根据烟花算法的烟花爆炸原理以及所述火花个数和所述爆炸幅度，对所述烟花粒子集合P中的每个所述烟花粒子进行爆炸，生成所述火花粒子集合S。计算所述火花粒子集合S中的每个所述火花粒子的适应度值。
在其中一个实施例中，设X(t)＝[x1,…xi…xN]为第t次迭代的初始烟花集合，N为烟花个数。
Figure BDA0002260792530000151
为第i个烟花在解空间中的位置信息，其空间维数为D，根据粒子xi的位置信息可计算适应度值f(xi)，对每一个烟花粒子xi进行爆炸操作产生个数为si的火花粒子集合
Figure BDA0002260792530000152
yi,j∈RD与xi的维数相同。则新的火花粒子yi,j生成过程可由下式表述：
yi,j＝xi+Ai·B·rand(-1,1)1≤i≤N,1≤j≤si
其中，B为一个1×D维的随机矩阵，矩阵元素的取值为0或1。烟花粒子xi的爆炸幅度Ai计算公式如下：
Figure BDA0002260792530000153
其中，
Figure BDA0002260792530000154
为一个常数以限制最大爆炸幅度，ε为一个极小的常数，以避免分子分母出现零的情况。每个烟花xi可产生的火花个数si由下式决定：
Figure BDA0002260792530000161
其中，n为一个常数以限制产生的火花总数。同时，为了避免火花粒子产生的过多或者过少，为si设定了上下限：
Figure BDA0002260792530000162
在其中一个实施例中，所述更新策略为：
NPn+1＝{xi|xi∈(NPn+Sn)∧FIT(xi)<1}
其中，NPn+1表示当前迭代过程中更新后的非支配解集合，Sn表示当前迭代过程中爆炸生成的火花粒子集合。完成所述更新后的非支配解集合NPn+1的生成后，判断NPn+1中的非支配解的个数与所述非支配解集合NP中可包含最大非支配解个数|NP|U的大小关系，若|NPn+1|＝|NP|U，则更新过程完成，若|NPn+1|<|NP|U，则从所述非支配解集合NP集合中选出适应度值较小的|NP|U-|NPn+1|个支配解存储于所述非支配解集合NPn+1，若|NPn+1|>|NP|U，采用集合截断方法从所述非支配解集合NPn+1中删除非支配解直至|NPn+1|＝|NP|U。
可以理解，现有烟花算法的搜索机制不够灵活，其仅依据粒子适应度函数值大小去判断爆炸强度和爆炸幅度进行搜索，使得粒子之间相互独立，难以在拥挤的搜索区域生成拥有多样性的非支配解。基于烟花算法的微电网优化调度方法使用非支配解集合NP更新火花粒子集合S，由适应度函数FIT可知，适应度函数值越小说明该粒子被支配的情况越少，即该粒子拥有更强的支配能力。在其中一个实施例中，第一步是先将当次迭代过程中的非支配解集合NP和火花粒子S中的非支配解复制移动到更新后的非支配解集合NP中，如可以复制移动FIT<1的粒子。可以理解，非支配解集合NP为外部集合。通过判断更新完成后的非支配解集合NP的数量，对非支配解集合进行进一步处理。
在其中一个实施例中，所述采用集合截断方法从所述非支配解集合NPn+1中删除非支配解直至|NPn+1|＝|NP|U，包括：计算所述非支配解集合NPn+1中的每个烟花粒子与其他所述烟花粒子之间的欧式距离。将每个所述烟花粒子的欧式距离进行排序，并按照每个所述烟花粒子的欧式距离从小到大的顺序依次删除对应的所述烟花粒子，其中被删除的所述烟花粒子的欧式距离与其他所述烟花粒子的欧式距离均不相等。可以理解，采用欧式距离进行集合截断，可以在保证非支配解集合NP粒子多样性的同时，避免丢失潜在高质量解，同时可以避免优化算法的过早收敛。
在其中一个实施例中，所述步骤S180，包括：从当次迭代过程中第一次更新后的所述非支配解集合NP中选出多个烟花粒子作为所述引力搜索单元。计算所述引力搜索单元中每个烟花粒子和所述火花粒子集合S中的每个所述火花粒子的惯性质量M。设置引力常数G，并根据所述引力常数G和所述烟花粒子的惯性质量M，计算所述引力搜索单元中的每个所述烟花粒子对所述火花粒子集合S中的每个所述火花粒子施加的引力F。根据所述火花粒子集合S中的每个所述火花粒子的引力F，更新所述火花粒子集合S，得到更新后的所述火花粒子集合S。根据更新后的所述火花粒子集合S更新所述烟花粒子集合P，得到更新后的所述烟花粒子集合P，并根据所述预设更新策略再次更新第一次更新后的所述非支配解集合NP，得到第二次更新后的所述非支配解集合NP。
在本实施例中，通过引入引力搜索单元，可以对火花粒子集合S中位置较差的火花粒子与非支配解集合NP中位置优越的烟花粒子进行信息交互，可以增加粒子多样性以防止陷入局部最优，从而有利于获得微电网的最优调度方案。可以理解，通过从非支配解集合NP中选出引力搜索单元，可以提供足够的非支配解信息，可以有利于获得最佳微电网优化调度方案。
在其中一个实施例中，所述引力常数G为：
Figure BDA0002260792530000181
其中，G0为引力常数预设初始值，iteration_max为预设最大迭代次数。可以理解，引力常数随迭代次数进行变化可以实现对火花粒子改变的精准控制，从而将火花粒子引向局部搜索，有利于获取微电网优化调度的最优方案。
在其中一个实施例中，所述引力搜索单元中所述烟花粒子的个数K为：
Figure BDA0002260792530000182
Figure BDA0002260792530000183
其中，Number为第一次更新后的所述非支配解集合NP中的所述烟花粒子的总数，k0为预设常数值。可以理解，通过设置非支配解集合NP中施加引力作用的烟花粒子的数量，可以平衡求解微电网优化调度方案中烟花算法寻优的广度与精度，有利于获取微电网优化调度的最优方案。
在其中一个实施例中，所述惯性质量M的计算方法为：
Figure BDA0002260792530000184
其中，粒子质量mi为：
Figure BDA0002260792530000185
在其中一个实施例中，所述引力F的计算方法为：
Figure BDA0002260792530000186
其中，Fi d为单个粒子i在第d维空间的受力总和，
Figure BDA0002260792530000187
为：
其中，rij为粒子i、j之间的欧式距离，
Figure BDA0002260792530000192
距为粒子i、j在第d维空间中的坐标，ε为预设常数。
请一并参见图2-图3，在其中一个实施例中，微电源可以由微型燃气轮机(MT)、磷酸燃料电池(FC)、光伏电池(PV)和风力发电机(WT)组成，同时还可以包括蓄电池储能装置(Bat)。其中，蓄电池储能装置可用来平衡微电源发电与负载间的功率差，或者存储来自可再生发电单元能源的剩余电力，以供非发电或低发电时期间使用。可以理解，微电网系统中可以拥有完备的能量管理系统，通过对实时微电网信息的收集和处理，可对微电网中的微电源和其他设备单元进行控制。在考虑运行成本、环境保护成本等条件下，通过能量管理系统可以实现发电出力单元的最佳调度，进而实现整个微电网系统的最优状态运行。在本实施例中，假设所有微电源以单位功率因数产生有功功率，系统既不要求也不产生无功功率。此外，所有单元均假设在电力模式下运行，并且在优化时间段(24小时)内不需要热量，且一天中不同时刻微电网与主电网之间的电力交换由微电网中央控制器决定。
可以理解，为了仿真各单元的出力调度优化，首先要考虑微电源的发电特性，即最大出力上限和最小出力下限、单位发电量下的运行成本和污染性气体排放量。其次，根据电力市场环境，可以实现微电网系统与主电网间更好的电力交换。最后，获取负载信息可以方便提供安全可靠的供电。在本实施例中，具体算例参数包括：
(1)各个微电源、储能系统和主电网的出力上下限(kW)及单位发电量下的运行成本(€ct/kWh)与污染气体排放量(kg/MWh)，请参见表1。可以理解，为了简化分析，本实施例中的所有单元均假定在电力模式下进行操作，且在优化时间段内负荷无热量需求。
表1分布式单元与主电网详细数据
Figure BDA0002260792530000201
*主电网实时电价见表2。
(2)当日光伏发电量(kW)、风力发电量(kW)及负载需求量(kW)。可以理解，对于可再生能源光伏发电与风力发电，其一天内最大功率的输出可通过神经网络或专门的预测模型进行预测，仿真过程中使用的PV和WT预测值请参见图4。在本实施例中，一天内微电网内的负载需求包括一个主要住宅区的用电需求，工业馈线上的车间用电需求及商业馈线上的用电需求，当日总用电量需求为1695kWh，不同时刻的负荷需求请参见图5。
(3)单日内主电网不同时段的电力分时市场价格(€ct/kWh)请参见表2，由表2可见9-16时属用电高峰期电力市场价格较高，在夜晚21时同样出现一段高峰期，其他时刻处于用电低谷，市场价格较低。
表2电力实时市场价格
Figure BDA0002260792530000202
Figure BDA0002260792530000211
请一并参见图6，基于烟花算法的微电网优化调度方法中的使用的多目标烟花算法优化流程如下：在每次迭代过程中，可以从火花粒子中两次选择非支配解更新非支配解集合NP。首先，烟花粒子集合P中的烟花粒子经历爆炸过程，生成火花粒子集合S，对火花粒子进行适应度值评价并从中找出非支配火花粒子，以更新非支配解集合NP。随后，引入引力搜索算子进行局部搜索，以改善火花粒子集合S中火花粒子的维度信息，并再次更新非支配解集合NP。如此迭代，直到满足算法的终止条件。其中，从非支配解集合NP中选出引力搜索算子的引力搜索单元。
在本实施例中，为了更充分地检验基于烟花算法的微电网优化调度方法的优化性能，可以根据目前电力市场现状和现实应用条件，设立如下三种优化调度策略，以实现对不同策略下各单元的优化出力结果的比较。其中，调度策略1，所有微电源均严格在约束条件下运行，不超过其各自的出力范围。调度策略2，可再生发电单元PV、WT以预测值最大功率输出，充分利用此类无污染能源。调度策略3，主电网与微电网间可无限制地的进行电力交互，即表1中Utility没有Pmin，Pmax限制。
表3多目标烟花算法设置参数
Figure BDA0002260792530000212
在其中一个实施例中，运用多目标烟花算法同时考虑两个目标函数以解决微电网多目标优化调度问题，具体实现过程如下：
设置算法参数，参见表3，同时设定非支配解集合NP的大小为20。输入微电网系统相关数据，包括微电源的运行特性、PV和WT单元的有效预测输出功率、电力市场实时电价、储能系统信息和当天的负荷需求。随后，在烟花粒子集合P中，随机初始化N个烟花粒子P＝[x1,x2,…xi…xN]，其中每个粒子xi的具体结构形式可以表示为：
Figure BDA0002260792530000221
Figure BDA0002260792530000222
Figure BDA0002260792530000223
对所有烟花粒子进行功率平衡约束检查，其具体过程为：
Figure BDA0002260792530000224
若ΔP(t)＝0，则执行下一个步骤。若ΔP(t)≠0，则从四种微电源中随机选出一种，将其输出功率减去ΔP(t)，随后检查烟花粒子的位置是否超出约束条件，即检查烟花粒子是否满足边界约束条件。若不满足边界约束条件，则执行：
Figure BDA0002260792530000225
Figure BDA0002260792530000226
其中，j∈(MT,FC,PV,WT,Bat,Grid)。随后，从烟花粒子集合P中找出非支配解去更新外部的非支配解集合NP。
迭代优化开始后，在每一次迭代优化开始之前均需要创建新火花粒子集合S以存储每一次迭代过程中产生的火花粒子。首先，分别计算烟花粒子集合P集合中的每个烟花粒子的目标函数值f1(P)和f2(P)，随后计算FIT(xi)，并根据FIT(xi)值大小计算每个烟花粒子的爆炸强度和爆炸幅度。根据计算得到的每个烟花粒子的爆炸强度和爆炸幅度，进而生成火花粒子并存储在火花粒子集合S中。在本实施例中，可以采用微电网优化约束条件对火花粒子集合S中新生成的火花粒子进行约束，随后采用火花粒子集合S更新外部非支配解集合NP，并以非支配解集合NP中的部分烟花粒子构成的引力搜索单元对火花粒子集合S进行引力搜索操作。可以理解，完成上述操作后，可以根据微电网优化约束条件对更新后的火花粒子集合S进行约束检测和评价。采用微电网优化约束条件对更新后的火花粒子集合S进行约束后，对当次迭代过程中外部的非支配解集合NP进行第二次更新，得到第二次更新后的非支配解集合NP。最后，从当前更新后的火花粒子集合S中选择出下一次迭代的初始烟花，从而实现对烟花粒子集合P的更新。重复上述过程，直至满足算法终止条件。
在优化过程中，设置存储在非支配解集合NP中的非支配解为引力单位进行引力搜索操作，改善每次迭代结束时火花粒子集合S中火花粒子的位置信息。可以理解，为了评估算法优化性能，本申请比较了带有引力搜索算子的多目标烟花优化算法(Multi-objectiveFireworks Algorithm with Gravitational Search Operator，MFAGSO)、多目标烟花优化算法(Multi-objective Fireworks Algorithm，MFA)和多目标粒子群算法算法(MultipleObjective Particle Swarm Optimization，MOPSO)在3000次迭代次数内，得到的帕累托最优前端的结果。其中，MOPSO运用了二级集合来存储优秀粒子指引算法的搜索过程，同时进行了变异操作来增加粒子的多样性。考虑上述三种不同的调度策略，一天当中微电网多目标调度优化管理的运行成本和污染物排放PF值的实验结果可以参见图7。
通过观察比较图7(a，d，g)中的MFAGSO仿真结果，微电网管理者可根据所考虑的调度目标从帕累托最优解中选择最佳调度方案。如果仅考虑最大限度地降低运行成本目标，调度策略3下的最优结果为155.8€ct，微电网系统更多的使用了来自主电网的电力资源，但同时也付出了较高的空气污染物排放代价(586.4kg)。与调度策略3下优化结果相比，调度策略1和2的运行成本最小值分别增加了52.6％(237.8€ct)和98.8％(309.7€ct)。若不考虑运行成本目标，可选择调度策略1下污染物排放水平最佳优化结果：442.7kg，303.1€ct。与此同时，在三种不同调度策略下的多目标优化调度中，针对环保性目标函数的帕累托前端极值结果相近，分别为442.7kg，443.8kg，455.2kg，体现了与单环保性目标函数优化相同的结果和结论。与MFA和MOPSO的优化结果相比，MFAGSO有效地保持了权衡面上非支配解的多样性，使微电网决策者根据不同需要选择合适的功率调度计划。表4和5分别给出了多目标微电网优化调度下，最小运行成本(调度策略3)和最少污染物排放(调度策略1)的具体调度实施方案。
表4多目标最小成本/最大排放优化调度(策略3：总花费＝155.7523€ct，总排放＝586.4260kg)
Figure BDA0002260792530000241
表5多目标最小排放/最大成本调度(策略1：总花费＝303.0808€ct，总排放＝442.6608kg)
Figure BDA0002260792530000252
Figure BDA0002260792530000261
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (13)

1.一种基于烟花算法的微电网优化调度方法，其特征在于，包括：
步骤S110，建立微电网优化调度模型并设置微电网优化约束条件，其中所述微电网优化调度模型包括多个目标函数；
步骤S120，根据所述微电网优化调度模型以及所述微电网优化约束条件，随机生成多个初始优化方案；
步骤S130，将多个所述初始优化方案作为烟花粒子集合P，并选出所述烟花粒子集合P中多个非支配解储存于非支配解集合NP；
步骤S140，采用适应度分配策略将所述多个目标函数转化为一个适应度函数FIT；
步骤S150，根据所述适应度函数FIT，计算所述非支配解集合NP中的每个烟花粒子的适应度值；
步骤S160，根据烟花算法的烟花爆炸原理以及所述微电网优化约束条件，对所述烟花粒子集合P中的每个烟花粒子进行爆炸，生成火花粒子集合S，并计算所述火花粒子集合S中的每个火花粒子的适应度值；
步骤S170，根据所述火花粒子集合S中的每个火花粒子的适应度值和所述非支配解集合NP中的每个烟花粒子的适应度值，按照预设更新策略采用所述火花粒子集合S对所述非支配解集合NP进行更新，得到当次迭代过程中第一次更新后的所述非支配解集合NP；
步骤S180，从第一次更新后的所述非支配解集合NP中选出多个烟花粒子作为引力搜索单元，并根据所述引力搜索单元和所述微电网优化约束条件，更新所述火花粒子集合S，得到更新后的所述火花粒子集合S，根据更新后的所述火花粒子集合S更新所述烟花粒子集合P，得到更新后的烟花粒子集合P，并根据所述预设更新策略再次更新第一次更新后的所述非支配解集合NP，得到第二次更新后的所述非支配解集合NP；
步骤S190，根据第二次更新后的所述非支配解集合NP计算最优解，并判断当前迭代次数是否达到预设迭代次数，若所述当前迭代次数小于所述预设迭代次数，则返回所述步骤S150，否则输出所述最优解作为微电网优化方案；
其中更新后的所述烟花粒子集合P和第二次更新后的所述非支配解集合NP分别作为下次迭代过程的烟花粒子集合P和非支配解集合NP。
2.根据权利要求1所述的基于烟花算法的微电网优化调度方法，其特征在于，所述目标函数包括经济运行成本目标函数和所述污染气体排放目标函数；
其中，所述经济运行成本目标函数为：
Figure FDA0002260792520000021
其中，t为时段数，NDG为微电源个数，Ci为第i个微电源的单位费用，Pi(t)为第i个微电源t时刻时的输出功率，CBat为储能系统的单位费用，PBat(t)为储能系统t时刻时的输出功率，BGridt(t)为t时刻时市场电力价格，PGridt(t)为t时刻时微电网与主电网的买卖电量；
所述污染气体排放目标函数为：
Figure FDA0002260792520000022
其中，M为污染性气体种类数量，Eij为第i个微电源关于第j种污染气体的单位排放量，EBat为储能系统的单位污染气体排放量，EGrid为主电网中单位电量对应产生的污染气体排放量。
3.根据权利要求1所述的基于烟花算法的微电网优化调度方法，其特征在于，所述微电网优化约束条件包括功率平衡约束条件和边界约束条件，其中所述边界约束条件包括微电源出力约束条件、微电网电力交易约束条件和储能系统运行约束条件。
4.根据权利要求3所述的基于烟花算法的微电网优化调度方法，其特征在于，所述步骤S120，包括：
根据所述微电网优化调度模型随机生成所述多个初始优化方案；
判断所述初始优化方案是否满足所述功率平衡约束条件；
若所述初始优化方案不满足所述功率平衡约束条件，则随机调整微电源的输出功率，以使所述初始优化方案满足所述功率平衡约束条件；
若所述初始优化方案满足所述功率平衡约束条件，则判断所述初始优化方案是否满足所述边界约束条件；
若所述初始优化方案不满足所述边界约束条件，则执行：
Figure FDA0002260792520000031
Figure FDA0002260792520000032
其中，j∈(MT,FC,PV,WT,Bat,Grid)，否则执行所述步骤S130。
5.根据权利要求1所述的基于烟花算法的微电网优化调度方法，其特征在于，所述适应度函数FIT为：
FIT(xi)＝r(xi)+d(xi)
其中，r(xi)＝∑s(xj)，s(xi)值的大小由烟花粒子xi可支配解的个数决定，即
Figure FDA0002260792520000033
d(xi)表示所述烟花粒子xi的密度信息，且
Figure FDA0002260792520000034
σk(xi)表示所述烟花粒子xi到第k个最近的烟花粒子的欧氏距离，
6.根据权利要求1所述的基于烟花算法的微电网优化调度方法，其特征在于，所述步骤S160，包括：
计算当次迭代过程中所述烟花粒子集合P中的每个所述烟花粒子产生的火花个数和爆炸幅度；
根据烟花算法的烟花爆炸原理以及所述火花个数和所述爆炸幅度，对所述烟花粒子集合P中的每个所述烟花粒子进行爆炸，生成所述火花粒子集合S；
计算所述火花粒子集合S中的每个所述火花粒子的适应度值。
7.根据权利要求1所述的基于烟花算法的微电网优化调度方法，其特征在于，所述更新策略为：
NPn+1＝{xi|xi∈(NPn+Sn)∧FIT(xi)<1}
其中，NPn+1表示当前迭代过程中更新后的非支配解集合，Sn表示当前迭代过程中爆炸生成的火花粒子集合；
完成所述更新后的非支配解集合NPn+1的生成后，判断NPn+1中的非支配解的个数与所述非支配解集合NP中可包含最大非支配解个数|NP|U的大小关系，若|NPn+1|＝|NP|U，则更新过程完成，若|NPn+1|<|NP|U，则从所述非支配解集合NP集合中选出适应度值较小的|NP|U-|NPn+1|个支配解存储于所述非支配解集合NPn+1，若|NPn+1|>|NP|U，采用集合截断方法从所述非支配解集合NPn+1中删除非支配解直至|NPn+1|＝|NP|U。
8.根据权利要求7所述的基于烟花算法的微电网优化调度方法，其特征在于，所述采用集合截断方法从所述非支配解集合NPn+1中删除非支配解直至|NPn+1|＝|NP|U，包括：
计算所述非支配解集合NPn+1中的每个烟花粒子与其他所述烟花粒子之间的欧式距离；
将每个所述烟花粒子的欧式距离进行排序，并按照每个所述烟花粒子的欧式距离从小到大的顺序依次删除对应的所述烟花粒子，其中被删除的所述烟花粒子的欧式距离与其他所述烟花粒子的欧式距离均不相等。
9.根据权利要求1所述的基于烟花算法的微电网优化调度方法，其特征在于，所述步骤S180，包括：
从当次迭代过程中第一次更新后的所述非支配解集合NP中选出多个烟花粒子作为所述引力搜索单元；
计算所述引力搜索单元中每个烟花粒子和所述火花粒子集合S中的每个所述火花粒子的惯性质量M；
设置引力常数G，并根据所述引力常数G和所述烟花粒子的惯性质量M，计算所述引力搜索单元中的每个所述烟花粒子对所述火花粒子集合S中的每个所述火花粒子施加的引力F；
根据所述火花粒子集合S中的每个所述火花粒子的引力F，更新所述火花粒子集合S，得到更新后的所述火花粒子集合S；
根据更新后的所述火花粒子集合S更新所述烟花粒子集合P，得到更新后的所述烟花粒子集合P，并根据所述预设更新策略再次更新第一次更新后的所述非支配解集合NP，得到第二次更新后的所述非支配解集合NP。
10.根据权利要求9所述的基于烟花算法的微电网优化调度方法，其特征在于，所述引力常数G为：
Figure FDA0002260792520000051
其中，G0为引力常数预设初始值，iteration_max为预设最大迭代次数。
11.根据权利要求9所述的基于烟花算法的微电网优化调度方法，其特征在于，所述引力搜索单元中所述烟花粒子的个数K为：
其中，Number为第一次更新后的所述非支配解集合NP中的所述烟花粒子的总数，k0为预设常数值。
12.根据权利要求9所述的基于烟花算法的微电网优化调度方法，其特征在于，所述惯性质量M的计算方法为：
Figure FDA0002260792520000061
其中，粒子质量mi为：
Figure FDA0002260792520000062
13.根据权利要求12所述的基于烟花算法的微电网优化调度方法，其特征在于，所述引力F的计算方法为：
其中，Fi d为单个粒子i在第d维空间的受力总和，
Figure FDA0002260792520000064
为：
Figure FDA0002260792520000065
其中，rij为粒子i、j之间的欧式距离，
Figure FDA0002260792520000066
距为粒子i、j在第d维空间中的坐标，ε为预设常数。
CN201911070468.7A 2019-11-05 2019-11-05 基于烟花算法的微电网优化调度方法 Pending CN110766239A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911070468.7A CN110766239A (zh) 2019-11-05 2019-11-05 基于烟花算法的微电网优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911070468.7A CN110766239A (zh) 2019-11-05 2019-11-05 基于烟花算法的微电网优化调度方法

Publications (1)

Publication Number Publication Date
CN110766239A true CN110766239A (zh) 2020-02-07

Family

ID=69336375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911070468.7A Pending CN110766239A (zh) 2019-11-05 2019-11-05 基于烟花算法的微电网优化调度方法

Country Status (1)

Country Link
CN (1) CN110766239A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111555364A (zh) * 2020-04-13 2020-08-18 厦门大学 一种使用改进的灰狼优化器的微电网能量管理方法
CN111628558A (zh) * 2020-05-21 2020-09-04 南京工程学院 混合储能系统的能量管理和容量配置的优化系统及方法
CN111724259A (zh) * 2020-06-17 2020-09-29 中国南方电网有限责任公司 一种计及多重不确定性的能量和旋转备用市场出清方法
CN116227750A (zh) * 2023-05-09 2023-06-06 烟台尚美丽家新能源有限公司 一种生物质原料多联供综合管理系统及管理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150370228A1 (en) * 2014-06-20 2015-12-24 Atigeo Corp. Determining control actions of decision modules
CN108898511A (zh) * 2018-06-15 2018-11-27 广东工业大学 一种支持移峰型电力需求响应的生产调度方法
CN109615141A (zh) * 2018-12-14 2019-04-12 广东电网有限责任公司 一种多能源系统并网优化调度方法及装置
CN110097267A (zh) * 2019-04-19 2019-08-06 天津大学 一种基于改进烟花算法的多目标多机器人任务分配方法
CN110110948A (zh) * 2019-06-13 2019-08-09 广东电网有限责任公司 一种多目标分布式电源优化配置方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150370228A1 (en) * 2014-06-20 2015-12-24 Atigeo Corp. Determining control actions of decision modules
CN108898511A (zh) * 2018-06-15 2018-11-27 广东工业大学 一种支持移峰型电力需求响应的生产调度方法
CN109615141A (zh) * 2018-12-14 2019-04-12 广东电网有限责任公司 一种多能源系统并网优化调度方法及装置
CN110097267A (zh) * 2019-04-19 2019-08-06 天津大学 一种基于改进烟花算法的多目标多机器人任务分配方法
CN110110948A (zh) * 2019-06-13 2019-08-09 广东电网有限责任公司 一种多目标分布式电源优化配置方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
VAHID SARFI ET AL.: "Multiobjective fireworks optimization framework for economic emission dispatch in microgrids", 《2016 NORTH AMERICAN POWER SYMPOSIUM (NAPS)》 *
ZHENYU WANG ET AL.: "Optimization of economic/environmental operation management for microgrids by using hybrid fireworks algorithm", 《INTERNATIONAL TRANSACTIONS ON ELECTRICAL ENERGY SYSTEMS》 *
ZITZLER ECKART ET AL.: "SPEA2：improving the strength Pareto evolutionary algorithm", 《EUROPEAN 2001 EVOLUTIONARY METHODS FOR DESIGN OPTIMISATION AND CONTROL WITH APPLICATIONS TO INDUSTRIAL PROBLEMS》 *
欧阳邵杰 等: "面向用户差异化需求的智能配电网综合资源优化规划和配置方法", 《电力建设》 *
黄珏 等: "基于自适应烟花算法的微网经济运行优化", 《电工电气》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111555364A (zh) * 2020-04-13 2020-08-18 厦门大学 一种使用改进的灰狼优化器的微电网能量管理方法
CN111628558A (zh) * 2020-05-21 2020-09-04 南京工程学院 混合储能系统的能量管理和容量配置的优化系统及方法
CN111724259A (zh) * 2020-06-17 2020-09-29 中国南方电网有限责任公司 一种计及多重不确定性的能量和旋转备用市场出清方法
CN111724259B (zh) * 2020-06-17 2023-09-01 中国南方电网有限责任公司 一种计及多重不确定性的能量和旋转备用市场出清方法
CN116227750A (zh) * 2023-05-09 2023-06-06 烟台尚美丽家新能源有限公司 一种生物质原料多联供综合管理系统及管理方法

Similar Documents

Publication Publication Date Title
Liu et al. Dynamic economic emission dispatch considering renewable energy generation: A novel multi-objective optimization approach
CN109165788B (zh) 一种冷热电联供系统的优化方法
Moghaddam et al. Multi-objective operation management of a renewable MG (micro-grid) with back-up micro-turbine/fuel cell/battery hybrid power source
CN110766239A (zh) 基于烟花算法的微电网优化调度方法
Boaro et al. Adaptive dynamic programming algorithm for renewable energy scheduling and battery management
CN109286187B (zh) 一种面向多主体利益均衡的微网日前经济调度方法
CN112131733B (zh) 计及电动汽车充电负荷影响的分布式电源规划方法
CN105790266B (zh) 一种微电网并行多目标鲁棒优化调度集成控制方法
CN110705776A (zh) 能源优化调度方法
CN110705863A (zh) 能源优化调度装置、设备及介质
Li et al. Multi-scenario microgrid optimization using an evolutionary multi-objective algorithm
CN109473976A (zh) 一种冷热电联供型微网能量调度方法及系统
Wang et al. Optimization of economic/environmental operation management for microgrids by using hybrid fireworks algorithm
Zhang et al. Deep reinforcement learning based Bi-layer optimal scheduling for microgrids considering flexible load control
Meng et al. Multi-objective optimal dispatching of demand response-enabled microgrid considering uncertainty of renewable energy generations based on two-level iterative strategy
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
CN111523204A (zh) 一种并网型综合能源网电-气储能系统优化配置求解方法
CN113392513B (zh) 冷热电联供系统多目标优化方法、装置及终端
Youssef et al. A smart home energy management approach incorporating an enhanced northern goshawk optimizer to enhance user comfort, minimize costs, and promote efficient energy consumption
CN113708418A (zh) 微电网优化调度方法
TWI639962B (zh) 一種應用於智慧電網之粒群最佳化模糊邏輯控制充電法
Pandya et al. CHAOS enhanced flower pollination algorithm for optimal scheduling of distributed energy resources in smart grid
Wang et al. Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system
Yaghi et al. Multi-objective optimization for microgrid considering demand side management
CN115511200A (zh) 一种基于混合粒子群-灰狼算法的优化调度模型

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200207