CN111340299A - 一种微电网多目标优化调度方法 - Google Patents
一种微电网多目标优化调度方法 Download PDFInfo
- Publication number
- CN111340299A CN111340299A CN202010131935.9A CN202010131935A CN111340299A CN 111340299 A CN111340299 A CN 111340299A CN 202010131935 A CN202010131935 A CN 202010131935A CN 111340299 A CN111340299 A CN 111340299A
- Authority
- CN
- China
- Prior art keywords
- microgrid
- grid
- power
- micro
- cost
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000009826 distribution Methods 0.000 claims description 30
- 238000010248 power generation Methods 0.000 claims description 27
- 230000005611 electricity Effects 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 16
- 230000035772 mutation Effects 0.000 claims description 13
- 238000004146 energy storage Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000002485 combustion reaction Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 230000002902 bimodal effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种微电网多目标优化调度方法，包括确定微电网结构和不确定性建模；根据不同负荷特性建立负荷模型和违约模型；考虑微电网成本最优和用户满意度最大化并进行多目标建模；采用改进的NSGA‑II算法进行求解。本发明的有益效果：一是通过对NSGA‑II算法的交叉算子系数生成进行改进，有效地降低算法的复杂度，进一步提高收敛速度和精度；二是综合考虑微电网综合运行成本和用户满意度的调度方式，较单独考虑微电网经济性时，用户满意大幅度提高，满足实际的用电需求。
Description
技术领域
本发明涉及微电网优化调度的技术领域，尤其涉及一种考虑用户违约及用电满意度的微电网多目标优化调度方法。
背景技术
近年来以风、光等新能源为代表的清洁发电技术快速发展，而微电网已经成为解决其大规模并网的有效手段之一。合理优化微电网的调度，可降低分布式电源的波动性和不确定性所带来的不利影响，提高分布式可再生能源的利用率，提升微电网运行的经济性。随着微电网研究的进一步深入，单一化目标不再满足发展要求，逐渐转化为多目标多约束的非线性规划问题，目前多采用智能算法进行分析，均是通过改进算法的方法来解决多目标优化普遍存在的问题，例如易陷入局部最优、收敛速度不快等问题。
同时针对微电网调度的研究往往都是以源侧的经济效益最大化为目标，未有考虑用户侧的用电满意程度。在当前的电力市场环境下，应在考虑经济性的同时，根据用户的用电特性尽可能提高用户满意度。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的技术问题是：提供一种考虑用户违约及用电满意度的微电网多目标优化调度方法。
为解决上述技术问题，本发明提供如下技术方案：一种微电网多目标优化调度方法，包括确定微电网结构和不确定性建模；根据不同负荷特性建立负荷模型和违约模型；考虑微电网成本最优和用户满意度最大化并进行多目标建模；采用改进的NSGA-II算法进行求解。
作为本发明所述的微电网多目标优化调度方法的一种优选方案，其中：所述考虑微电网成本最优包括，考虑用户违约成本的综合成本最小，其中运行成本包括微燃机燃料成本、可再生能源发电成本与蓄电池运维成本、与电网之间购售电成本、用户需求响应成本和用户违约成本，其目标函数为：
min Csum＝C1+C2+C3+C4+C5
作为本发明所述的微电网多目标优化调度方法的一种优选方案，其中：所述用户满意度最大化包括，将所述用户满意度转化为一个周期内用户实际用电曲线和满意度最大曲线差值之和最小化；目标函数为：
式中，T为24小时、
为优化后的每一个时间段用电调整量的绝对值之和、
为优化前用户总的用电量。
作为本发明所述的微电网多目标优化调度方法的一种优选方案，其中：所述NSGA-II算法采用改进交叉算子系数生成，包括为了使算子能够自动调整变异概率，引入自适应变异算子；改进第一代子群体的产生方法，适当增加初始种群的规模，提高了第一代子群体的质量；定义交叉算子系数，与每个个体在群体中所具有的级别相适应。
作为本发明所述的微电网多目标优化调度方法的一种优选方案，其中：所述自适应变异算子定义如下：
式中，δ_max为种群中最大适应度值，δ为个体适应度值，ˉδ为种群的平均适应度。
作为本发明所述的微电网多目标优化调度方法的一种优选方案，其中：改进第一代子群体的产生方法包括，扩大第一代子群体：第一代子群体为Q0；设初始种群P0的规模为N，取初始种群规模为2N,通过联赛选择算子并挑选N个体与后续进化计算。
作为本发明所述的微电网多目标优化调度方法的一种优选方案，其中：所述定义交叉算子系数包括，假设两个的个体xa、xb进行算术交叉，新的个体为：
式中，β为常数时，成为均匀算术交叉；若β为变量，则是非均匀算术交叉；在遗传算法交叉运算中，需要前一代较优的个体在后代个体基因中有较大的比重，定义如下交叉算子系数：
交叉运算的初期系数变化较大，后期种群中个体都趋于同一个帕累托前沿面，β趋向于0.5。
作为本发明所述的微电网多目标优化调度方法的一种优选方案，其中：所述微电网包括风力发电系统、光伏发电系统、储能系统和负荷，所述不确定性建模包括构建风力发电模型和光伏发电模型；其中：所述风力发电模型包括，采用双峰Weibull分布来描述其概率密度，其概率密度函数如下:
式中，Γ为Gamma函数，k、c分别代表该分布中的形状参数和尺度参数(k>0,c>1)，v代表风速，μwt、δwt分别代表平均风速和风速方差；风电机组在不同风速下有不同的输出特性，如下式：
式中，PWT代表风机的输出功率，vi、vr、vo分别代表切入风速、额定风速、切出风速，pr代表风机额定容量。
作为本发明所述的微电网多目标优化调度方法的一种优选方案，其中：所述光伏发电模型具有明显的周期性和随机性，包括，选用Beta分布来描述其概率密度，其概率密度函数如下：
式中，m为随机性比例系数，n为实际光照强度，nmax为最大光照强度，α和β为形状参数；在计算太阳能发电功率时，考虑辐射强度，忽略其他因素的影响，表示为：
式中，Ppv为太阳能发电功率，a代表太阳能电池板数量，Aa代表第a个太阳能电池板上的面积大小，ηa代表光电的转换效率。
作为本发明所述的微电网多目标优化调度方法的一种优选方案，其中：所述建立负荷模型和违约模型包括，所述用户违约概率模型：采用截断正态分布来模拟违约电量的随机分布，最终估计交易违约的电量；已知两个实数
和
定义
且
则称
服从截断正态分布，记为
其概率密度函数如下：
式中，Φ是标准正态分布的累计分布函数，
是标准正态分布的概率密度函数；违约电量分布在非负区间[0，M]，当截断下限为0，此时是完全响应，所有接收调度的用户均按照指令削减用电量；M表示在特定时间段内，参与调度的用户可响应的总电量，即截断上限，此时是完全不响应，所有接收调度的用户均未按照指令削减用电量；若是分布在中间区域则是不完全响应，则用户违约电量如下所示：
式中，各参数设定为μ＝0,σ＝αM，α表示不同用户之间用电资源特性的差异。
本发明的有益效果：一是通过对NSGA-II算法的交叉算子系数生成进行改进，有效地降低算法的复杂度，进一步提高收敛速度和精度；二是综合考虑微电网综合运行成本和用户满意度的调度方式，较单独考虑微电网经济性时，用户满意大幅度提高，满足实际的用电需求。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一种实施例所述微电网多目标优化调度方法的优化前负荷分布示意图；
图2为本发明第一种实施例所述微电网多目标优化调度方法的流程示意图；
图3为本发明第二种实施例所述微电网多目标优化调度方法中各出力设备优化结果示意图；
图4为本发明第二种实施例所述微电网多目标优化调度方法中与主网功率交换结果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他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发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
目前，已有大量文献针对微电网的优化调度问题进行研究，某些文献考虑用户侧的可平移、可转移负荷的用电特性，从协调控制的角度出发，研究微电网经济优化调度，以微电网运行经济最优为目标。这些文献中的负荷侧通常是被动切除，而并非主动参与微电网的统一调度管理。因此，随着电力市场的深化改革，需求响应(DR)逐渐成为源-荷良好互动的重要手段之一。通常需求响应分为价格型DR和激励型DR两类，有人提出了同时考虑微网层和DR层的概念，建立了双层调度优化模型。上述文献分析了不同类型的DR资源和风光预测出力以及负荷的不确定性影响，但未考虑DR不完全带来的影响。在实际运行过程中，微电网具有多重不确定性，因此本文将综合考虑源、荷不确定性及需求响应不确定性。
有人提出一种改进的粒子群算法，用该算法求解模型，仿真结果表明该算法的求解结果收敛性更好；也有人建立了以运行成本、环境污染处理费用为目标的优化模型，通过改进鸟群算法求解该模型，并验证了改进该算法的有效性。上述文献均是通过改进算法的方法来解决多目标优化普遍存在的问题：易陷入局部最优、收敛速度不快等。因此本实施例改进NSGA-II算法中的交叉算子系数生成，从而实现提高算法的计算效率和收敛精度。
本实施例采用LHS抽样的方法来模拟风光出力预测和负荷预测的不确定性，建立了考虑用户违约成本的综合成本最小化、用户用电满意度最大化的多目标模型，最后采用改进的NSGA-II算法求解模型，并验证了所提模型的有效性。本实施例用于含大量分布式能源的微电网并网运行调度中，该方法考虑了微电网经济性，并又结合微电网内部用户的满意度，从而给出最优调度策略。通常微电网经济最优仅考虑自身效益进行调度，并没有考虑用户侧的情况。实施例所提的调度方式是在满足用户用电满意度的前提下，对可控负荷进行调整，优化与主网之间的功率交换、风光利用率、配合蓄电池尽可能降低微电网综合运行成本。此方式较单独考虑微电网经济性，成本虽略有上升，但用户满意度大幅度提高，满足实际的用电需求。
具体的。参照图1～2的示意，本实施例提出一种考虑用户违约及用电满意度的微电网多目标优化调度方法，优化内容包括优化微电网与主网之间的功率交换、可控电源与分布式电源的出力以及蓄电池充放电情况。具体的，该方法包括如下步骤：
S1：确定微电网结构和不确定性建模。
其中微电网构成，其主要由风力发电、光伏发电、储能系统及负荷等构成。
不确定建模。
风力发电模型：
风力发电具有极强的随机性和间歇性，风速是风能最重要的衡量指标。本文采用双峰Weibull分布来描述其概率密度，其概率密度函数如下:
式中，Γ为Gamma函数；k、c分别代表该分布中的形状参数和尺度参数(k>0,c>1)；v代表风速；μwt、δwt分别代表平均风速和风速方差。
风电机组在不同风速下有不同的输出特性，如下式所示：
式中，PWT代表风机的输出功率；vi、vr、vo分别代表切入风速、额定风速、切出风速；pr代表风机额定容量。
光伏发电模型：
光伏发电具有明显的周期性和随机性，其主要影响因素是辐射强度。目前本文选用Beta分布来描述其概率密度，其概率密度函数如下：
式中，m为随机性比例系数；n为实际光照强度；nmax为最大光照强度；α和β为形状参数。在计算太阳能发电功率时，本文主要考虑辐射强度，忽略其他因素的影响，可表示为：
式中，Ppv为太阳能发电功率；a代表太阳能电池板数量；Aa代表第a个太阳能电池板上的面积大小；ηa代表光电的转换效率。
S2：根据不同负荷特性建立负荷模型和违约模型。
本步骤中需要说明的是，通常按用户的用电特性对负荷进行分类，分为三大类：一是基础负荷，通常此类负荷不参与需求响应过程；二是可转移负荷，可根据分时电价或微电网发出的指令而灵活调节，但整个周期内总的用电量是不变的；三是可中断负荷，根据源、荷供需互动，这类负荷可部分或全部削减。
用户违约概率模型：
采用截断正态分布来模拟违约电量的随机分布，最终估计交易违约的电量。
已知两个实数
和
设
且
则称
服从截断正态分布，记为
其概率密度函数如下：
式中，Φ是标准正态分布的累计分布函数，
是标准正态分布的概率密度函数。违约电量分布在非负区间[0，M]，其截断下限为0，此时是完全响应，所有接收调度的用户均按照指令削减用电量；M表示在特定时间段内，参与调度的用户可响应的总电量，即截断上限，此时是完全不响应，所有接收调度的用户均未按照指令削减用电量；若是分布在中间区域则是不完全响应。用户违约电量如下所示：
式中，各参数设定为μ＝0,σ＝αM，α表示不同用户之间用电资源特性的差异。
S3：微电网成本最优和用户满意度最大化的一个多目标建模；
本步骤包括两个优化目标，其中：
优化目标一：考虑用户违约成本的综合成本最小，其中运行成本包括：微燃机燃料成本、可再生能源发电成本与蓄电池运维成本、与电网之间购售电成本、用户需求响应成本、用户违约成本，其目标函数为：
min Csum＝C1+C2+C3+C4+C5
优化目标二：用户满意度最大化，本文将其转化为一个周期内用户实际用电曲线和满意度最大曲线差值之和最小化。其目标函数如下所示：
式中，T为24小时；
为优化后的每一个时间段用电调整量的绝对值之和；
为优化前用户总的用电量。
S4：采用改进的NSGA-II算法进行求解。需要说明的是，此处通过对NSGA-II算法的交叉算子系数生成进行改进，降低算法的复杂度、提高收敛速度和精度。用该算法求解下面两个目标函数，得到优化后的功率交换情况、可控电源与分布式电源的出力以及蓄电池充放电情况。优化后可得到新的负荷分布情况，与优化前的负荷分布相比，有明显的削峰填谷效果。
本步骤中采用了改进交叉算子系数生成的NSGA-II算法进行求解，可同时提高计算效率和收敛精度。对传统的NSGA-Ⅱ算法，本实施例作如下改进：
为了使算子能够自动调整变异概率，引入自适应的变异算子。
改进第一代子群体的产生方法，通过适当增加初始种群的规模，提高了第一代子群体的质量。
设计交叉算子系数，与每个个体在群体中所具有的“级别”相适应。
可选的，自适应变异算子如下式：
式中，δmax为种群中最大适应度值，δ为个体适应度值，
为种群的平均适应度。
为了保证变异过程种群的多样性，本文采用一种自适应的变异算子，变异概率随着适应度大小而变化，提高了种群稳定性，其变异概率如上式所示。
可选的，扩大第一代子群体包括：
第一代子群体为Q0，设初始种群P0的规模为N,取初始种群规模为2N,通过联赛选择算子挑选N个个体参与以后的进化计算。
可选的，定义交叉算子系数包括：
一般的遗传算法交叉算子都采用非均匀算术交叉的方式，假设两个个体xa、xb进行算术交叉，新的个体为：
式中，β为常数时，成为均匀算术交叉；若β为变量，则是非均匀算术交叉。在本文的遗传算法交叉运算中，希望前一代较优的个体在后代个体基因中有较大的比重。设计如下交叉算子系数：
交叉运算的初期系数变化较大，后期种群中个体都趋于同一个帕累托前沿面，β趋向于0.5。
实施例2
本实施例提出一种考虑用户违约及用电满意度的微电网多目标优化调度方法，该方法用于含大量分布式能源的微电网并网运行调度中，该方法包括如下步骤：
确定微电网结构和不确定性建模；
LHS采样：
假设总的采样规模为N；
抽取F个随机变量，表示为X1,X2,...,Xf(f＝1,2,...,F()f)代表其中任意一个随机变量，其累计概率分布函数用Yf＝Ff(Xf)表示,将区间[0,1]等分成N份，选取每个区间的中点值作为随机值Yf，但需要计算其反函数才能得到相应的采样值。一个随机变量形成一行矩阵，F个随机变量最终形成一个F行N列的样本矩阵AFN＝[A1,A2,...,AF]。
由采样步骤得到含多输入随机变量的F×N阶样本矩阵AFN，该矩阵中元素是随机排列的，元素之间必有相关性且是随机不可控的，这一点与DER出力和负荷不确定性完美契合。通常变量之间的相关性越小，准确度越高，呈负相关性。因此本发明采用基于Cholesky的分解方法来降低各因素之间的相关性，可提高精确度。
可选的，微电网成本最优和用户满意度最大化的一个多目标建模；
成本最优：min Csum＝C1+C2+C3+C4+C5
满意度最优：
式中，T为24小时；
为优化后的每一个时间段用电调整量的绝对值之和；
为优化前用户总的用电量。
约束条件：
(1)功率平衡约束：
PMT(t)+PWT(t)+PPV(t)+PNET(t)＝PLoad(t)+PESS(t)
式中，PMT(t)为燃气轮机的出力，PWT(t)、PPV(t)分别为t时刻风电、光伏的出力；PNET(t)为t时间段的交换功率，购电为正值，售电为负值；PLoad(t)为每个时段用户的负荷需求量；PESS(t)为t时间段储能的充放电量，充电为正值，放电为负值。
(2)微燃机出力约束：
(3)微燃机爬坡约束：
-Δj≤PMT(t)-PMT(t-1)≤Δj
式中，PMT(t)为燃气轮机在t时刻的出力；
分别代表燃气轮机的出力上下限；Δj为每个时刻可增加或减少的功率最大值。
(4)可再生能源出力约束：
式中，
分别代表风、光机组的出力上下限；
(5)功率交换约束：
式中，
分别为微电网与电网之间的最大和最小交换功率。
(6)储能系统约束：
式中，
为储能的初始荷电容量；ηc和ηd分别为充放电效率；
储能装置的额定容量；
为t时刻最大可放电量,
为t时刻最大可充电量。
(7)用电调整量上下限约束：
式中，ΔGt为用户在t时刻的用电量，
分别为用户在t时刻的最大和最小调整量。
可选的，采用改进的NSGA-II算法进行求解。本实施例同时考虑微电网运行的经济性和用户侧用电满意水平，故需要采用多目标优化算法，NSGA-II算法可同时降低计算复杂度及提高执行速度，适合用来求解含多约束的多目标优化问题。因此，采用了改进交叉算子系数生成的NSGA-II算法进行求解，可同时提高计算效率和收敛精度。
参照图3～4的示意，为了更好地进行对比分析，分为三种方案进行优化调度分析：
a)方案1：只考虑微电网经济性；
b)方案2：只考虑用户满意度；
c)方案3：综合考虑。
优化调度结果如表1所示，三种方案下优化后的功率交换曲线如图3所示。
表1：不同方案下的优化调度结果。
需要说明的是，图1示意为某地区用户侧优化前各时段负荷的分布情况，其为预测数据。而图3示意为可控电源、分布式电源出力及负荷的优化结果。
由图3中可知，在时段0:00-6:00没有光伏出力，且居民的负荷需求量较小。为了充分消纳DER，优先调度风机出力，且此时段的购电电价处于低谷期，从而在风电机组出力不足时进行购电；
在时段11:00-13:00、19:00-21:00时，负荷处于高峰期，这两个时段DER出力较为充足，因此充分利用风光资源，以微燃机、蓄电池作辅助。对于蓄电池而言，在DER出力有盈余或售电价格较低时进行充电，也可向电网售电，以此来增加微电网的收益。同时在电价低谷时段或夜间负荷需求量低的时段，给蓄电池充电，起到削峰填谷作用。
图4为三种方案下优化后功率交换曲线，从图4中可看出，当只考虑用户满意度时，微电网的功率交换较多，特别是在负荷高峰时段。并与方案2相比，综合考虑和只考虑经济性的功率交换峰值分别下降了37.5％和50％。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种微电网多目标优化调度方法，其特征在于：包括，
确定微电网结构和不确定性建模；
根据不同负荷特性建立负荷模型和违约模型；
考虑微电网成本最优和用户满意度最大化并进行多目标建模；
采用改进的NSGA-II算法进行模型求解，对可控负荷进行调整得到优化后的功率交换情况、可控电源与分布式电源的出力以及蓄电池充放电情况。
2.如权利要求1所述的微电网多目标优化调度方法，其特征在于：所述考虑微电网成本最优包括，
考虑用户违约成本的综合成本最小，其中运行成本包括微燃机燃料成本、可再生能源发电成本与蓄电池运维成本、与电网之间购售电成本、用户需求响应成本和用户违约成本，其目标函数为：
min Csum＝C1+C2+C3+C4+C5。
3.如权利要求1或2所述的微电网多目标优化调度方法，其特征在于：所述用户满意度最大化包括，
将所述用户满意度转化为一个周期内用户实际用电曲线和满意度最大曲线差值之和最小化；
目标函数为：
式中，T为24小时、
为优化后的每一个时间段用电调整量的绝对值之和、
为优化前用户总的用电量。
4.如权利要求3所述的微电网多目标优化调度方法，其特征在于：所述NSGA-II算法采用改进交叉算子系数生成，包括，
为了使算子能够自动调整变异概率，引入自适应变异算子；
改进第一代子群体的产生方法，适当增加初始种群的规模，提高了第一代子群体的质量；
定义交叉算子系数，与每个个体在群体中所具有的级别相适应。
5.如权利要求4所述的微电网多目标优化调度方法，其特征在于：所述自适应变异算子定义如下：
式中，δ_max为种群中最大适应度值，δ为个体适应度值，ˉδ为种群的平均适应度。
6.如权利要求4或5所述的微电网多目标优化调度方法，其特征在于：改进第一代子群体的产生方法包括，
扩大第一代子群体：
第一代子群体为Q0；
设初始种群P0的规模为N，取初始种群规模为2N,通过联赛选择算子并挑选N个体与后续进化计算。
7.如权利要求6所述的微电网多目标优化调度方法，其特征在于：所述定义交叉算子系数包括，
假设两个的个体xa、xb进行算术交叉，新的个体为：
式中，β为常数时，成为均匀算术交叉；若β为变量，则是非均匀算术交叉；
在遗传算法交叉运算中，需要前一代较优的个体在后代个体基因中有较大的比重，定义如下交叉算子系数：
交叉运算的初期系数变化较大，后期种群中个体都趋于同一个帕累托前沿面，β趋向于0.5。
8.如权利要求7所述的微电网多目标优化调度方法，其特征在于：所述微电网包括风力发电系统、光伏发电系统、储能系统和负荷，所述不确定性建模包括构建风力发电模型和光伏发电模型；其中：
所述风力发电模型包括，
采用双峰Weibull分布来描述其概率密度，其概率密度函数如下:
式中，Γ为Gamma函数，k、c分别代表该分布中的形状参数和尺度参数(k>0,c>1)，v代表风速，μwt、δwt分别代表平均风速和风速方差；
风电机组在不同风速下有不同的输出特性，如下式：
式中，PWT代表风机的输出功率，vi、vr、vo分别代表切入风速、额定风速、切出风速，pr代表风机额定容量。
9.如权利要求8所述的微电网多目标优化调度方法，其特征在于：所述光伏发电模型具有明显的周期性和随机性，包括，
选用Beta分布来描述其概率密度，其概率密度函数如下：
式中，m为随机性比例系数，n为实际光照强度，nmax为最大光照强度，α和β为形状参数；
在计算太阳能发电功率时，考虑辐射强度，忽略其他因素的影响，表示为：
式中，Ppv为太阳能发电功率，a代表太阳能电池板数量，Aa代表第a个太阳能电池板上的面积大小，ηa代表光电的转换效率。
10.如权利要求8或9所述的微电网多目标优化调度方法，其特征在于：所述建立负荷模型和违约模型包括，
所述用户违约概率模型：
采用截断正态分布来模拟违约电量的随机分布，最终估计交易违约的电量；
已知两个实数
和
定义
且
则称
服从截断正态分布，记为
其概率密度函数如下：
式中，Φ是标准正态分布的累计分布函数，
是标准正态分布的概率密度函数；
违约电量分布在非负区间[0，M]，当截断下限为0，此时是完全响应，所有接收调度的用户均按照指令削减用电量；
M表示在特定时间段内，参与调度的用户可响应的总电量，即截断上限，此时是完全不响应，所有接收调度的用户均未按照指令削减用电量；
若是分布在中间区域则是不完全响应，则用户违约电量如下所示：
式中，各参数设定为μ＝0,σ＝αM，α表示不同用户之间用电资源特性的差异。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010131935.9A CN111340299B (zh) | 2020-02-29 | 2020-02-29 | 一种微电网多目标优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010131935.9A CN111340299B (zh) | 2020-02-29 | 2020-02-29 | 一种微电网多目标优化调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111340299A true CN111340299A (zh) | 2020-06-26 |
| CN111340299B CN111340299B (zh) | 2024-03-22 |
Family
ID=71185841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010131935.9A Active CN111340299B (zh) | 2020-02-29 | 2020-02-29 | 一种微电网多目标优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111340299B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111969592A (zh) * | 2020-07-24 | 2020-11-20 | 南昌大学 | 基于用户满意度和需求响应的综合能源系统双层规划方法 |
| CN112200401A (zh) * | 2020-08-17 | 2021-01-08 | 国网上海市电力公司 | 一种基于改进nsga-ii算法的电动汽车有序充电方法 |
| CN112381262A (zh) * | 2020-09-17 | 2021-02-19 | 南京信息工程大学滨江学院 | 考虑负荷电压特性及新能源强不确定性的微电网规划方法 |
| CN113343478A (zh) * | 2021-06-24 | 2021-09-03 | 东北电力大学 | 考虑不确定性和需求响应的独立微网容量优化配置方法 |
| CN113610426A (zh) * | 2021-08-19 | 2021-11-05 | 长沙理工大学 | 基于用户满意度的智能用电社区能量管理方法 |
| CN113824142A (zh) * | 2021-09-09 | 2021-12-21 | 上海电力大学 | 一种多主体投资多微网系统的最优配置方法及系统 |
| CN113988471A (zh) * | 2021-11-22 | 2022-01-28 | 西南交通大学 | 一种微电网运行多目标优化方法 |
| CN114330983A (zh) * | 2021-11-12 | 2022-04-12 | 上海电力大学 | 区域电网供电缺失环境下多电力用户供电能源调度方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745268A (zh) * | 2013-10-29 | 2014-04-23 | 上海电力学院 | 含分布式电源的微电网多目标优化调度方法 |
| US20140278294A1 (en) * | 2013-03-15 | 2014-09-18 | Ventana Systems, Inc. | Modeling and simulation |
| US20150051744A1 (en) * | 2013-08-19 | 2015-02-19 | Board Of Trustees Of Michigan State University | Linear Optimal Power Flow System and Method |
| CN105160417A (zh) * | 2015-08-04 | 2015-12-16 | 大连大学 | 基于改进nsga-ii算法的航天器任务规划求解方法 |
| CN106980704A (zh) * | 2017-02-13 | 2017-07-25 | 上海交通大学 | 应用于多电飞机停电负荷的多目标转供策略柔性优化方法 |
| CN109002945A (zh) * | 2018-10-12 | 2018-12-14 | 华中科技大学 | 一种分时电价下省际电网水电多目标购电优化方法及系统 |
| CN110728410A (zh) * | 2019-10-16 | 2020-01-24 | 重庆大学 | 一种计及需求响应灵活性和不确定性的负荷聚合商经济调度方法 |
-
2020
- 2020-02-29 CN CN202010131935.9A patent/CN111340299B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278294A1 (en) * | 2013-03-15 | 2014-09-18 | Ventana Systems, Inc. | Modeling and simulation |
| US20150051744A1 (en) * | 2013-08-19 | 2015-02-19 | Board Of Trustees Of Michigan State University | Linear Optimal Power Flow System and Method |
| CN103745268A (zh) * | 2013-10-29 | 2014-04-23 | 上海电力学院 | 含分布式电源的微电网多目标优化调度方法 |
| CN105160417A (zh) * | 2015-08-04 | 2015-12-16 | 大连大学 | 基于改进nsga-ii算法的航天器任务规划求解方法 |
| CN106980704A (zh) * | 2017-02-13 | 2017-07-25 | 上海交通大学 | 应用于多电飞机停电负荷的多目标转供策略柔性优化方法 |
| CN109002945A (zh) * | 2018-10-12 | 2018-12-14 | 华中科技大学 | 一种分时电价下省际电网水电多目标购电优化方法及系统 |
| CN110728410A (zh) * | 2019-10-16 | 2020-01-24 | 重庆大学 | 一种计及需求响应灵活性和不确定性的负荷聚合商经济调度方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111969592A (zh) * | 2020-07-24 | 2020-11-20 | 南昌大学 | 基于用户满意度和需求响应的综合能源系统双层规划方法 |
| CN112200401A (zh) * | 2020-08-17 | 2021-01-08 | 国网上海市电力公司 | 一种基于改进nsga-ii算法的电动汽车有序充电方法 |
| CN112200401B (zh) * | 2020-08-17 | 2024-02-27 | 国网上海市电力公司 | 一种基于改进nsga-ii算法的电动汽车有序充电方法 |
| CN112381262A (zh) * | 2020-09-17 | 2021-02-19 | 南京信息工程大学滨江学院 | 考虑负荷电压特性及新能源强不确定性的微电网规划方法 |
| CN112381262B (zh) * | 2020-09-17 | 2023-11-21 | 南京信息工程大学滨江学院 | 考虑负荷电压特性及新能源强不确定性的微电网规划方法 |
| CN113343478A (zh) * | 2021-06-24 | 2021-09-03 | 东北电力大学 | 考虑不确定性和需求响应的独立微网容量优化配置方法 |
| CN113610426A (zh) * | 2021-08-19 | 2021-11-05 | 长沙理工大学 | 基于用户满意度的智能用电社区能量管理方法 |
| CN113610426B (zh) * | 2021-08-19 | 2024-03-29 | 长沙理工大学 | 基于用户满意度的智能用电社区能量管理方法 |
| CN113824142A (zh) * | 2021-09-09 | 2021-12-21 | 上海电力大学 | 一种多主体投资多微网系统的最优配置方法及系统 |
| CN113824142B (zh) * | 2021-09-09 | 2023-12-15 | 上海电力大学 | 一种多主体投资多微网系统的最优配置方法及系统 |
| CN114330983A (zh) * | 2021-11-12 | 2022-04-12 | 上海电力大学 | 区域电网供电缺失环境下多电力用户供电能源调度方法 |
| CN113988471A (zh) * | 2021-11-22 | 2022-01-28 | 西南交通大学 | 一种微电网运行多目标优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111340299B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340299B (zh) | 一种微电网多目标优化调度方法 | |
| CN110350523B (zh) | 基于需求响应的多能源互补优化调度方法 | |
| CN110571867B (zh) | 一种计及风电不确定性的虚拟电厂日前优化调度系统方法 | |
| Wu et al. | Dynamic economic dispatch of a microgrid: Mathematical models and solution algorithm | |
| Wang et al. | Interruptible load scheduling model based on an improved chicken swarm optimization algorithm | |
| CN108429288B (zh) | 一种考虑需求响应的离网型微电网储能优化配置方法 | |
| Khatod et al. | Evolutionary programming based optimal placement of renewable distributed generators | |
| Zhang et al. | Efficient design of energy microgrid management system: a promoted Remora optimization algorithm-based approach | |
| CN108964050A (zh) | 基于需求侧响应的微电网双层优化调度方法 | |
| CN111340274A (zh) | 一种基于虚拟电厂参与的综合能源系统优化方法和系统 | |
| CN106712075B (zh) | 一种考虑风电并网系统安全约束的调峰策略优化方法 | |
| CN108875992A (zh) | 一种考虑需求响应的虚拟电厂日前优化调度方法 | |
| CN109103929A (zh) | 基于改进动态克里丝金模型的配电网经济优化调度方法 | |
| CN114744687A (zh) | 一种虚拟电厂的能源调控方法及系统 | |
| 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 | |
| CN112836849A (zh) | 一种考虑风电不确定性的虚拟电厂调度方法 | |
| CN112821463A (zh) | 基于风、光随机性的主动配电网多目标日前优化调度方法 | |
| CN112613656A (zh) | 一种基于鱼群算法的家庭用电需求响应优化系统 | |
| CN113536581B (zh) | 一种计及运行策略的储能系统多状态可靠性建模方法 | |
| CN113988471A (zh) | 一种微电网运行多目标优化方法 | |
| CN112510690B (zh) | 考虑风火储联合和需求响应奖惩的优化调度方法及系统 | |
| Ali et al. | A reinforcement learning approach to dairy farm battery management using Q learning | |
| Pang et al. | A bi-objective low-carbon economic scheduling method for cogeneration system considering carbon capture and demand response | |
| CN117353399A (zh) | 一种考虑不确定性的交直流混合微电网灵活性评估方法 | |
| CN116454944A (zh) | 一种基于随机生产模拟的储能装置优化配置方法及系统 |
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 |