CN111476424A - 含电动汽车的热电联供型多微电网能量调度方法 - Google Patents

含电动汽车的热电联供型多微电网能量调度方法 Download PDF

Info

Publication number
CN111476424A
CN111476424A CN202010289375.XA CN202010289375A CN111476424A CN 111476424 A CN111476424 A CN 111476424A CN 202010289375 A CN202010289375 A CN 202010289375A CN 111476424 A CN111476424 A CN 111476424A
Authority
CN
China
Prior art keywords
microgrid
grid
power
micro
energy
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
CN202010289375.XA
Other languages
English (en)
Inventor
刘海涛
袁华骏
叶筱怡
耿宗璞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202010289375.XA priority Critical patent/CN111476424A/zh
Publication of CN111476424A publication Critical patent/CN111476424A/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
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • 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
    • 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (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

本发明公开了一种含电动汽车的热电联供型多微电网能量调度方法，包括：利用蒙特卡洛法模拟电动汽车的初始状态；对光伏、风机的出力情况及热电负荷情况进行预测，分析多微电网内各个微源的出力限制及运行特性；以多微电网的污染治理成本与发电总成本为目标，建立多微电网优化调度模型，采用蜂群算法进行对多微电网优化调度模型的参数进行优化，其中，考虑到多目标之间的协调，利用权重系数将多目标之间的协调问题转化成单目标优化问题。本发明能够通过分时电价、供能关系科学处理电动汽车与各个微电网之间的能量交换，能够实现能源的最大化利用以及微电网群的整体利益最大化。

Description

含电动汽车的热电联供型多微电网能量调度方法
技术领域
本发明涉及多微电网能量调度技术领域，具体而言涉及一种含电动汽车的热电联供型多微电网能量调度方法。
背景技术
微电网是由分布式电源、电荷、储能装置、变流器以及监控保护装置有机整合在一起的小型发配电系统，其经济效益主要体现在俩各方面：1.优化配置；2.经济调度。目前微电网都是以群体的形式出现，微电网群的经济调度需要从全局考虑，优化调度各个微电网的出力，综合微网群内电、热、冷负荷的连续高质量供应，同时兼顾各个微电网的环保性与经济性，以实现微电网群整体运行情况最优的状态。
电动汽车接入微电网内，既可以作为消费端，得到电能，又能作为供能端输出电能，考虑到分时电价，电动汽车的存在使得微电网的调度更加具有灵活性。目前的研究中，主要是分为多个电动汽车接入单个微电网，或者接入多个微电网，但是负荷端基本都是以电能负荷为主，并未考虑到热负荷的存在。
综上所述，如何研究出一种既考虑电动汽车又考虑热电联供的多个微电网能量调度方法，就成为本领域人员急需解决的问题。
发明内容
本发明目的在于提供一种含电动汽车的热电联供型多微电网能量调度方法，通过分时电价、供能关系科学处理电动汽车与各个微电网之间的能量交换，能够实现能源的最大化利用以及微电网群的整体利益最大化。
为达成上述目的，结合图1，本发明提出一种含电动汽车的热电联供型多微电网能量调度方法，所述调度方法包括：
S1，基于积极型私家电动汽车数学模型，利用蒙特卡洛法模拟电动汽车的初始状态，所述电动汽车的初始状态包括电动汽车接入微电网的时间与电动汽车包含的电池的荷电状态；
S2，对光伏、风机的出力情况及热电负荷情况进行预测，分析多微电网内各个微源的出力限制及运行特性；
S3，以多微电网的污染治理成本与发电总成本为目标，建立多微电网优化调度模型，采用蜂群算法进行对多微电网优化调度模型的参数进行优化，其中，考虑到多目标之间的协调，利用权重系数将多目标之间的协调问题转化成单目标优化问题；
S4，采用多微电网优化调度模型对多微电网能量进行调度。
进一步的，步骤S3中，所述多微电网优化调度模型的目标函数包括发电总成本和各个分布式电源的污染气体治理总费用；
其中，发电总成本＝燃气轮机与燃料电池的运行维护+燃料成本大电网的电能交换和微电网之间的能量交易成本。
进一步的，所述微电网之间能量的交易电价等同于微电网与大电网之间的交易电价。
进一步的，步骤S1中，所述微电网内的供能装置包括风机、光伏电池、燃气轮机、燃料电池中的多种或全部，储能装置包括畜电池和电动汽车；
所述微电网处于并网运行状态。
进一步的，步骤S3中，所述以多微电网的污染治理成本与发电总成本为目标是指：
设置多微电网优化调度模型的目标函数为：
Figure BDA0002449797750000021
Figure BDA0002449797750000022
式中：m＝1,2,..,M表示微电网群内的第m个微电网，k＝1,2,..,M表示微电网群内的第k个微电网，F1,m表示第m个微电网的发电成本；F2,m表示第m个微电网的污染治理费；T表示一个调度周期；N表示分布式电源的种类；Ci.f与Ci.q分别代表分布式电源i的燃料系数与运行管理系数；Cgrid.t与CES.t分别代表t时刻电价与蓄电池运行管理系数；Pi.t.m、Pgrid.t.m及PES.t.m为t时刻第m个微电网分布式电源i输出功率、微电网m与大电网功率交换值及蓄电池有功功率，Pm.k表示微电网m和k的功率交换值，Pv.m.t表示的是电动汽车与微电网m在t时刻的功率交换值；R代表微电网排放气体的种类；βi.h与βgrid.h是分布式电源i与大电网排放污染类型h的排放系数；λi.h、λgrid.h是分布式电源i、大电网排放污染类型h的单位治理费。
进一步的，步骤S3中，所述建立多微电网优化调度模型的过程还包括以下步骤：
设置约束条件，结合约束条件和目标函数，建立多微电网优化调度模型；
所述约束条件为：
Figure BDA0002449797750000023
Figure BDA0002449797750000024
Et.m＝Et-1.m-PES.t.m×Δt
Figure BDA0002449797750000031
式中：Pload.t.m是t时刻微电网m的负载功率；Hi.t.m与Hload.t.m分别是微电网m中燃气轮机产生的热量与微电网m所需要的热量；Pi.min.m与Pi.max.m分别是微电网m的分布式电源i最小功率、最大功率；Pgrid.min.m与Pgrid.max.m分别是大电网与微电网m交换最小功率、最大功率；PES.min.m与PES.max.m分别是微电网m的蓄电池最小功率、最大功率；Et.m、Et-1.m分别是微电网m中蓄电池在t时刻、t-1时刻容量；Emin.m、Emax.m分别是微电网m中蓄电池容量最小值与最大值；Δt表示单位时段长。
进一步的，步骤S3中，所述采用蜂群算法进行对多微电网优化调度模型的参数进行优化的过程包括以下步骤：
S31，初始化输入参数，输入参数包括预测的电动汽车的信息、光伏发电功率、风机发电功率、负荷量及微电网运行成本函数、约束条件所包含的各参数，建立多微电网优化调度模型；
S32，根据建立的多微电网优化调度模型，随机产生2N个蜜蜂，其中一半是雇佣蜂，另一半是观察蜂，每个雇佣蜂代表一种调度方案，计算每个雇佣蜂的适应度值；
S33，将天牛须搜索算法的更新原则引入蜜蜂的位置更新原则，即每一只蜜蜂都有一对触角，每一只触角都能接受到食物的信息；
S34，采用下述公式更新雇佣蜂的位置：
vi＝xbest+φ×(xi,rt-xi,lt)
式中：xbest表当前适应度最好个体；xi,rt、xi,lt分别是个体i的右、左须在t次迭代位置，φ表[0,1]之间的随机数；vi表个体i更新后位置；
在获得新的位置后，用贪婪算法评价适应度，若新的适应度大于原个体适应度，则认为新个体更优秀；
S35，更新观察蜂的位置，观察蜂会根据雇佣蜂提供的信息，采用下述公式，利用轮盘赌的方法做更进一步的探索：
Figure BDA0002449797750000032
式中：N是雇佣蜂的数量，F(Xi)表示的是雇佣蜂i的适应度值，Pi表示观察风选择雇佣蜂i的概率。
S36，重复S33至S35，直到达到最大迭代次数，结束迭代，选取适应度最大的蜜蜂，将其对应的调度方案作为最优的调度方案；所述调度方案包含调度周期内各个微电网的各时段可调度机组的功率。
进一步的，步骤S33中，所述将天牛须搜索算法的更新原则引入蜜蜂的位置更新原则，即每一只蜜蜂都有一对触角，每一只触角都能接受到食物的信息的过程包括以下步骤：
S331，生成随机k维单位向量以表示蜜蜂左须指向右须向量：
Figure BDA0002449797750000041
式中：k是空间的维度；
S332，根据下述公式对左右须位置与适应度值进行更新：
Figure BDA0002449797750000042
Figure BDA0002449797750000043
式中：xt、xrt、xlt分别是蜜蜂、蜜蜂右须及蜜蜂左须t次迭代的位置；d是蜜蜂俩须之间距离；fright、fleft分别是蜜蜂左须与蜜蜂右须适应度值。
以上本发明的技术方案，与现有相比，其显著的有益效果在于：
(1)通过分时电价、供能关系科学处理电动汽车与各个微电网之间的能量交换，能够实现能源的最大化利用以及微电网群的整体利益最大化。
(2)针对已经建立的多微电网数学调度模型，采用蜂群算法进行求解，同时考虑到多目标的兼容，将多目标优化问题转化成单目标优化，加快多微电网数学调度模型参数优化速度。
(3)光伏与风机并不采用最大功率跟踪的模式，同样参与调度，以此提高风电功率的消纳。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是本发明的含电动汽车的热电联供型多微电网能量调度方法的流程图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
结合图1，本发明提及一种含电动汽车的热电联供型多微电网能量调度方法，所述调度方法包括：
S1，基于积极型私家电动汽车数学模型，利用蒙特卡洛法模拟电动汽车的初始状态，所述电动汽车的初始状态包括电动汽车接入微电网的时间与电动汽车包含的电池的荷电状态。
S2，对光伏、风机的出力情况及热电负荷情况进行预测，分析多微电网内各个微源的出力限制及运行特性。
S3，以多微电网的污染治理成本与发电总成本为目标，建立多微电网优化调度模型，采用蜂群算法进行对多微电网优化调度模型的参数进行优化，其中，考虑到多目标之间的协调，利用权重系数将多目标之间的协调问题转化成单目标优化问题。
S4，采用多微电网优化调度模型对多微电网能量进行调度。
优选的，所述微电网群内包含M个微电网，每个微电网的供能装置包括风机、光伏电池、燃气轮机、燃料电池，且储能装置包括蓄电池及电动汽车；所述微电网处于并网运行状态，可以与大电网进行电能的交换。
一、对微电网内的各个的分布式电源额出力建模
1.1)风机的特性包括：
风力发电机的输出功率与风速之间的近似关系可以用分段函数表示：
Figure BDA0002449797750000051
式中：PWT、PN是风力发电机组的输出功率与额定输出功率；vci、vco、vN及v分别是切入风速、切出风速、额定风速及实际风速。
1.2)光伏电池特性包括：
光伏电池的实际输出功率可以通过标准额定条件下的输出功率、太阳光照强度以及环境的温度得到：
Figure BDA0002449797750000052
Figure BDA0002449797750000053
式中：Ppv是光伏电池的实际输出功率；PSTC是标准额定条件下光伏电池的额定输出功率；GC是光伏电池的辐照强度；GSTC是标准额定条件下的辐照强度；k是功率温度系数；TC是光伏电池的表面温度，是关于环境温度Ta与风速v的一个函数，c1、c2及c3是常系数；TSTC是标准额定条件下的光伏电池的表面温度。
1.3)燃气轮机的特性包括：
时间t燃气轮机的燃料成本与运行维护成本为：
Figure BDA0002449797750000061
CMT-OM(t)＝KMT-OMPMT(t)Δt
式中：CMT-FUEL(t)、CMT-OM(t)分别是时段t的燃气轮机的燃料成本与运行维护成本；CCH4是天然气单价；PMT(t)、ηMT(t)是时段t的燃气轮机的电功率与发电效率；Δt是单位调度时间；LHVNG是天然气低热值；KMT-OM是运行维护系数。
1.4)燃料电池的特性包括：
Figure BDA0002449797750000062
CFC-OM(t)＝KFC-OMPFC(t)Δt
式中：CFC-FUEL(t)、CFC-OM(t)分别是时段t的燃料电池的燃料成本与运行维护成本；CCH4是天然气单价；PFC(t)、ηFC(t)是时段t的燃料电池的电功率与发电效率；LHVNG、Δt、KFC-OM分别是天然气的低热值、单位调度时间与运行维护系数。
1.5)蓄电池的特性包括：
为了保证系统能够稳定运行，微电网中选取蓄电池进行储能，一般来讲，蓄电池的充放电状态(state of charge,SOC)一般用剩余电量与额定电量的比值来衡量：
Figure BDA0002449797750000063
式中：P是充放电功率，当值为负时，则表示蓄电池正在充电，当值为正时，则表示蓄电池正在放电；Δt是单位调度时间；E是蓄电池的额定容量。
电动汽车充放电模型：
1.6)电动汽车日行驶里程数：
可以将电动汽车日行驶里程数D用对数正态分布来表示，即D:logN(μd,σd 2)，其概率密度函数为：
Figure BDA0002449797750000071
其中：μd、σd分别是日行驶里程数的分布均值与标准差。
电动汽车最后一次出行返回时刻to可用极大似然估计法近似为正态分布，即to:N(μo,σo 2)，概率密度函数为：
Figure BDA0002449797750000072
其中：μo、σo分别是最后一次返回时刻的分布均值与标准差。
二、建立多微电网优化调度模型
2.1)目标函数
微电网群由M个微电网组成，各个微电网与大电网之间都可以互相传送电能，此外针对光伏与风机并不采用最大功率跟踪的模式，同样参与调度以此提高风电功率的消纳。目标函数主要是俩个：1.发电总成本：燃气轮机与燃料电池的运行维护与燃料成本；大电网的电能交换和微电网之间的能量交易成本，将微电网之间能量的交易电价等同于与大电网之间的交易电价。2.各个分布式电源的污染气体排放。根据最常见的日前调度方式，将一天分为24个时段，调度步长Δt＝1h，目标函数为：
Figure BDA0002449797750000073
Figure BDA0002449797750000074
式中：m＝1,2,..,M表示微电网群内的第m个微电网，k＝1,2,..,M表示微电网群内的第k个微电网,F1,m表示第m个微电网的发电成本；F2,m表示第m个微电网的污染治理费；T表一个调度周期；N表示分布式电源的种类；Ci.f与Ci.q分别代表分布式电源i的燃料系数与运行管理系数；Cgrid.t与CES.t分别代表t时刻电价与蓄电池运行管理系数；Pi.t.m、Pgrid.t.m及PES.t.m为t时刻第m个微电网分布式电源i输出功率、微电网m与大电网功率交换值及蓄电池有功功率,Pmk表示微电网m和k的功率交换值，Pv.m.t表示的是电动汽车与微电网m在t时刻的功率交换值。R代表微电网排放气体的种类(NOx、SO2、CO2)；βi,h与βgrid.h是分布式电源i与大电网排放污染类型h的排放系数；λi.h、λgrid.h是分布式电源i、大电网排放污染类型h的单位治理费。
2.2)约束条件
微电网约束条件分为等式约束与不等式约束
Figure BDA0002449797750000081
Figure BDA0002449797750000082
Et.m＝Et-1.m-PES.t.m×Δt
不等式约束包含如下：
Figure BDA0002449797750000083
式中：Pload.t.m是t时刻微电网m的负载功率；Hi.t.m与Hload.t.m分别是微电网m中燃气轮机产生的热量与微电网m所需要的热量。Pi.min.m与Pi.max.m分别是微电网m的分布式电源i最小功率、最大功率；Pgrid.min.m与Pgrid.max.m分别是大电网与微电网m交换最小功率、最大功率；PES.min.m与PES.max.m分别是微电网m的蓄电池最小功率、最大功率；Et.m、Et-1.m分别是微电网m中蓄电池在t时刻、t-1时刻容量；Emin.m、Emax.m分别是微电网m中蓄电池容量最小值与最大值；Δt表示单位时段长。
三、优化多微电网优化调度模型，采用优化后的多微电网优化调度模型对微电网能量进行调度
针对已经建立的多微电网数学调度模型，采用蜂群算法进行求解，同时考虑到多目标的兼容，将多目标优化问题转化成单目标优化，具体求解步骤如下：
3.1)初始化输入参数，包括预测的电动汽车的信息、光伏发电功率、风机发电功率、负荷量及微电网运行成本函数、约束条件所包含的各参数，从而建立优化调度模型；.
3.2)根据建立的优化调度模型，随机产生2N个蜜蜂，其中一半是雇佣蜂，另一半则是观察蜂，每个雇佣蜂代表一种调度方案，并且计算他们的适应度值；
3.3)将天牛须搜索算法的更新原则引入蜜蜂的位置更新原则中，即每一只蜜蜂都有一对触角，每一只触角都能接受到食物的信息；
3.3.1)由于蜜蜂的朝向随机，所以生成随机k维单位向量来表示蜜蜂左须指向右须向量：
Figure BDA0002449797750000091
式中：k是空间的维度。
3.3.2)左右须位置与适应度值的更新：
Figure BDA0002449797750000092
式中：xt、xrt、xlt分别是蜜蜂、蜜蜂右须及蜜蜂左须t次迭代的位置；d是蜜蜂俩须之间距离。fright、fleft分别是蜜蜂左须与蜜蜂右须适应度值。
3.4)更新雇佣蜂的位置：
vi＝xbest+φ×(xi,rt-xi,lt)
式中：xbest表当前适应度最好个体；xi,rt、xi,lt分别是个体i右、左须在t次迭代位置，φ表[0,1]之间的随机数；vi表个体i更新后位置。在获得新的位置后，用贪婪算法评价适应度，若新的适应度大于原个体适应度，则认为新个体更优秀。
3.5)更新观察蜂的位置，观察蜂会根据雇佣蜂提供的信息，利用轮盘赌的方法进更进一步的探索：
Figure BDA0002449797750000093
式中：N是雇佣蜂的数量，F(Xi)表示的是雇佣蜂i的适应度值，Pi表示观察风选择雇佣蜂i的概率3.6)结束算法
重复步骤3.3)-3.5)，直到达到算法设置的次数，算法结束，选取适应度最大的蜜蜂，即出现最优的调度方案。调度方案应该包含了调度周期内各个微电网的各时段可调度机组的功率。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (8)

1.一种含电动汽车的热电联供型多微电网能量调度方法，其特征在于，所述调度方法包括：
S1，基于积极型私家电动汽车数学模型，利用蒙特卡洛法模拟电动汽车的初始状态，所述电动汽车的初始状态包括电动汽车接入微电网的时间与电动汽车包含的电池的荷电状态；
S2，对光伏、风机的出力情况及热电负荷情况进行预测，分析多微电网内各个微源的出力限制及运行特性；
S3，以多微电网的污染治理成本与发电总成本为目标，建立多微电网优化调度模型，采用蜂群算法进行对多微电网优化调度模型的参数进行优化，其中，考虑到多目标之间的协调，利用权重系数将多目标之间的协调问题转化成单目标优化问题；
S4，采用多微电网优化调度模型对多微电网能量进行调度。
2.根据权利要求1所述的含电动汽车的热电联供型多微电网能量调度方法，其特征在于，步骤S3中，所述多微电网优化调度模型的目标函数包括发电总成本和各个分布式电源的污染气体治理总费用；
其中，发电总成本＝燃气轮机与燃料电池的运行维护+燃料成本大电网的电能交换和微电网之间的能量交易成本。
3.根据权利要求2所述的含电动汽车的热电联供型多微电网能量调度方法，其特征在于，所述微电网之间能量的交易电价等同于微电网与大电网之间的交易电价。
4.根据权利要求1所述的含电动汽车的热电联供型多微电网能量调度方法，其特征在于，步骤S1中，所述微电网内的供能装置包括风机、光伏电池、燃气轮机、燃料电池中的多种或全部，储能装置包括畜电池和电动汽车；
所述微电网处于并网运行状态。
5.根据权利要求1所述的含电动汽车的热电联供型多微电网能量调度方法，其特征在于，步骤S3中，所述以多微电网的污染治理成本与发电总成本为目标是指：
设置多微电网优化调度模型的目标函数为：
Figure FDA0002449797740000011
Figure FDA0002449797740000012
式中：m＝1,2,..,M表示微电网群内的第m个微电网，k＝1,2,..,M表示微电网群内的第k个微电网，F1,m表示第m个微电网的发电成本；F2,m表示第m个微电网的污染治理费；T表示
一个调度周期；N表示分布式电源的种类；Ci.f与Ci.q分别代表分布式电源i的燃料系数与运行管理系数；Cgrid.t与CES.t分别代表t时刻电价与蓄电池运行管理系数；Pi.t.m、Pgrid.t.m及PES.t.m为t时刻第m个微电网分布式电源i输出功率、微电网m与大电网功率交换值及蓄电池有功功率，Pm.k表示微电网m和k的功率交换值，Pv.m.t表示的是电动汽车与微电网m在t时刻的功率交换值；R代表微电网排放气体的种类；βi.h与βgrid.h是分布式电源i与大电网排放污染类型h的排放系数；λi.h、λgrid.h是分布式电源i、大电网排放污染类型h的单位治理费。
6.根据权利要求1所述的含电动汽车的热电联供型多微电网能量调度方法，其特征在于，步骤S3中，所述建立多微电网优化调度模型的过程还包括以下步骤：
设置约束条件，结合约束条件和目标函数，建立多微电网优化调度模型；
所述约束条件为：
Figure FDA0002449797740000021
Figure FDA0002449797740000022
Et.m＝Et-1.m-PES.t.m×Δt
Figure FDA0002449797740000023
式中：Pload.t.m是t时刻微电网m的负载功率；Hi.t.m与Hload.t.m分别是微电网m中燃气轮机产生的热量与微电网m所需要的热量；Pi.min.m与Pi.max.m分别是微电网m的分布式电源i最小功率、最大功率；Pgrid.min.m与Pgrid.max.m分别是大电网与微电网m交换最小功率、最大功率；PES.min.m与PES.max.m分别是微电网m的蓄电池最小功率、最大功率；Et.m、Et-1.m分别是微电网m中蓄电池在t时刻、t-1时刻容量；Emin.m、Emax.m分别是微电网m中蓄电池容量最小值与最大值；Δt表示单位时段长。
7.根据权利要求1所述的含电动汽车的热电联供型多微电网能量调度方法，其特征在于，步骤S3中，所述采用蜂群算法进行对多微电网优化调度模型的参数进行优化的过程包括以下步骤：
S31，初始化输入参数，输入参数包括预测的电动汽车的信息、光伏发电功率、风机发电功率、负荷量及微电网运行成本函数、约束条件所包含的各参数，建立多微电网优化调度模型；.
S32，根据建立的多微电网优化调度模型，随机产生2N个蜜蜂，其中一半是雇佣蜂，另一半是观察蜂，每个雇佣蜂代表一种调度方案，计算每个雇佣蜂的适应度值；
S33，将天牛须搜索算法的更新原则引入蜜蜂的位置更新原则，即每一只蜜蜂都有一对触角，每一只触角都能接受到食物的信息；
S34，采用下述公式更新雇佣蜂的位置：
vi＝xbest+φ×(xi,rt-xi,lt)
式中：xbest表当前适应度最好个体；xi,rt、xi,lt分别是个体i的右、左须在t次迭代位置，φ表[0,1]之间的随机数；vi表个体i更新后位置；
在获得新的位置后，用贪婪算法评价适应度，若新的适应度大于原个体适应度，则认为新个体更优秀；
S35，更新观察蜂的位置，观察蜂会根据雇佣蜂提供的信息，采用下述公式，利用轮盘赌的方法做更进一步的探索：
Figure FDA0002449797740000031
式中：N是雇佣蜂的数量，F(Xi)表示的是雇佣蜂i的适应度值，Pi表示观察风选择雇佣蜂i的概率。
S36，重复S33至S35，直到达到最大迭代次数，结束迭代，选取适应度最大的蜜蜂，将其对应的调度方案作为最优的调度方案；所述调度方案包含调度周期内各个微电网的各时段可调度机组的功率。
8.根据权利要求7所述的含电动汽车的热电联供型多微电网能量调度方法，其特征在于，步骤S33中，所述将天牛须搜索算法的更新原则引入蜜蜂的位置更新原则，即每一只蜜蜂都有一对触角，每一只触角都能接受到食物的信息的过程包括以下步骤：
S331，生成随机k维单位向量以表示蜜蜂左须指向右须向量：
Figure FDA0002449797740000032
式中：k是空间的维度；
S332，根据下述公式对左右须位置与适应度值进行更新：
Figure FDA0002449797740000033
Figure FDA0002449797740000034
式中：xt、xrt、xlt分别是蜜蜂、蜜蜂右须及蜜蜂左须t次迭代的位置；d是蜜蜂俩须之间距离；fright、fleft分别是蜜蜂左须与蜜蜂右须适应度值。
CN202010289375.XA 2020-04-14 2020-04-14 含电动汽车的热电联供型多微电网能量调度方法 Pending CN111476424A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010289375.XA CN111476424A (zh) 2020-04-14 2020-04-14 含电动汽车的热电联供型多微电网能量调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010289375.XA CN111476424A (zh) 2020-04-14 2020-04-14 含电动汽车的热电联供型多微电网能量调度方法

Publications (1)

Publication Number Publication Date
CN111476424A true CN111476424A (zh) 2020-07-31

Family

ID=71752389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010289375.XA Pending CN111476424A (zh) 2020-04-14 2020-04-14 含电动汽车的热电联供型多微电网能量调度方法

Country Status (1)

Country Link
CN (1) CN111476424A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598312A (zh) * 2020-12-29 2021-04-02 南方电网数字电网研究院有限公司 基于天牛须搜索算法的电动汽车充电调度方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106026152A (zh) * 2016-05-19 2016-10-12 合肥工业大学 一种电动汽车接入微电网的充放电调度方法
CN107704947A (zh) * 2017-08-31 2018-02-16 合肥工业大学 一种考虑电动汽车随机接入的微电网多目标优化调度方法
CN110138006A (zh) * 2019-05-22 2019-08-16 南京邮电大学 考虑含有新能源电动汽车的多微电网协调优化调度方法
CN110570007A (zh) * 2019-06-17 2019-12-13 上海交通大学 电动汽车多时间尺度优化调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106026152A (zh) * 2016-05-19 2016-10-12 合肥工业大学 一种电动汽车接入微电网的充放电调度方法
CN107704947A (zh) * 2017-08-31 2018-02-16 合肥工业大学 一种考虑电动汽车随机接入的微电网多目标优化调度方法
CN110138006A (zh) * 2019-05-22 2019-08-16 南京邮电大学 考虑含有新能源电动汽车的多微电网协调优化调度方法
CN110570007A (zh) * 2019-06-17 2019-12-13 上海交通大学 电动汽车多时间尺度优化调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李佳华 等: "基于多目标蜂群进化优化的微电网能量调度方法" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598312A (zh) * 2020-12-29 2021-04-02 南方电网数字电网研究院有限公司 基于天牛须搜索算法的电动汽车充电调度方法和装置
CN112598312B (zh) * 2020-12-29 2023-02-21 南方电网数字电网研究院有限公司 基于天牛须搜索算法的电动汽车充电调度方法和装置

Similar Documents

Publication Publication Date Title
CN109165788B (zh) 一种冷热电联供系统的优化方法
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
Chen et al. Optimal allocation of distributed generation and energy storage system in microgrids
CN111463836A (zh) 一种综合能源系统优化调度方法
CN105787605A (zh) 基于改进型量子遗传算法的微网经济优化运行调度方法
CN109636056A (zh) 一种基于多智能体技术的多能源微网去中心化优化调度方法
CN109473976A (zh) 一种冷热电联供型微网能量调度方法及系统
CN112270433A (zh) 考虑可再生能源不确定性和用户满意度的微电网优化方法
Jithendranath et al. Stochastic planning of islanded microgrids with uncertain multi‐energy demands and renewable generations
CN110766239A (zh) 基于烟花算法的微电网优化调度方法
CN115241923A (zh) 一种基于蛇优化算法的微电网多目标优化配置方法
Taheri et al. Modeling and optimized scheduling of virtual power plant
CN113410854B (zh) 一种多类型储能系统优化运行方法
CN110991764A (zh) 一种综合能源系统日前滚动优化方法
Liang et al. Real-time optimization of large-scale hydrogen production systems using off-grid renewable energy: Scheduling strategy based on deep reinforcement learning
CN112883630A (zh) 用于风电消纳的多微网系统日前优化经济调度方法
CN111476424A (zh) 含电动汽车的热电联供型多微电网能量调度方法
Singh et al. Optimization of levelized cost of hybrid wind-solar-diesel-battery system using political optimizer
CN112186808A (zh) 一种微网能量优化调度方法
CN116191508A (zh) 一种计及风光出力的含储能有源配电网经济运行优化方法
CN115939538A (zh) 电池储能系统性能的综合评价方法、装置及计算机设备
CN115511200A (zh) 一种基于混合粒子群-灰狼算法的优化调度模型
CN112561120B (zh) 一种基于微电网参考日前市场出清系统优化运行方法
Zhang et al. Optimal configuration of wind/solar/diesel/storage microgrid capacity based on PSO-GWO algorithm
Kong et al. ADMM-based distributed optimal dispatch of integrated energy system considering uncertainties of source and load

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: 20200731