CN112821470B - 基于小生境混沌粒子群算法的微网群优化调度策略 - Google Patents
基于小生境混沌粒子群算法的微网群优化调度策略 Download PDFInfo
- Publication number
- CN112821470B CN112821470B CN202110259648.0A CN202110259648A CN112821470B CN 112821470 B CN112821470 B CN 112821470B CN 202110259648 A CN202110259648 A CN 202110259648A CN 112821470 B CN112821470 B CN 112821470B
- Authority
- CN
- China
- Prior art keywords
- micro
- power
- sub
- model
- period
- 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.)
- Active
Links
- 239000002245 particle Substances 0.000 title claims abstract description 167
- 230000000739 chaotic effect Effects 0.000 title claims abstract description 63
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 230000005611 electricity Effects 0.000 claims abstract description 64
- 238000009826 distribution Methods 0.000 claims abstract description 54
- 238000004146 energy storage Methods 0.000 claims abstract description 29
- 230000009194 climbing Effects 0.000 claims abstract description 27
- 230000008901 benefit Effects 0.000 claims abstract description 25
- 230000003993 interaction Effects 0.000 claims abstract description 22
- 239000000446 fuel Substances 0.000 claims description 36
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 7
- 108010046685 Rho Factor Proteins 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 abstract description 6
- 230000002457 bidirectional effect Effects 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
Classifications
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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]
Abstract
本发明公开了基于小生境混沌粒子群算法的微网群优化调度策略,包括:步骤1:建立动态电价模型和动态电价下的负荷模型,基于动态电价模型建立成本模型和经济收益模型,基于成本模型和经济收益模型建立目标函数模型;步骤2:分别设定微网功率平衡、出力,可控机组出力、爬坡,储能电池运行,微网间功率交互及微网与配电网功率交互的约束条件;步骤3:将约束条件下的目标函数模型作为调度模型;步骤4:采用小生境混沌粒子群算法优化调度模型,求解调度模型的最优成本解。本发明的实现微网群不同电源间空间互补、储能装置存储和释放电能双向调节、电源和负荷供需平衡的互动调控,表明优化调度策略的有效性。
Description
技术领域
本发明属于微网群的经济环保优化运行技术领域,更具体地,涉及一种基于小生境混沌粒子群算法的微网群优化调度策略。
背景技术
混合微电网及其群集因供电灵活,调控能力强,能满足多维度、多层次的电力需求而备受关注。因此,加深对微网群经济环保运行、能量合理调度的研究至关重要。
传统粒子群优化算法适用于低维空间的函数优化,在多约束条件时,易局部最优而导致优化效果骤降。为强化PSO(粒子群优化)算法在微网群运行中的优化能力,国内外许多研究已取得有价值的成果。例如基于两点估计和改进粒子群算法,建立考虑不确定性规则的微网格,可以随机分配微电网的经济负荷,但是这种改进粒子群算法不能实现综合能源的互动调控。
为此,特别需要一种实现微网群系统综合能源的互动调控、空间互补的微网群优化调度策略。
发明内容
本发明的目的是提出一种实现微网群系统综合能源的互动调控、空间互补的微网群优化调度策略。
为了实现上述目的,本发明提供一种基于小生境混沌粒子群算法的微网群优化调度策略,包括:步骤1:建立动态电价模型和动态电价下的负荷模型,基于所述动态电价模型建立成本模型和经济收益模型,基于所述成本模型和经济收益模型建立目标函数模型;步骤2:分别设定微网功率平衡、出力,可控机组出力、爬坡,储能电池运行,微网间功率交互及微网与配电网功率交互的约束条件;步骤3:将所述约束条件下的目标函数模型作为调度模型;步骤4:采用小生境混沌粒子群算法优化所述调度模型,求解所述调度模型的最优成本解。
优选的,所述动态电价模型为:
其中,t=1,2,…,24为时间段,Pt pro为系统功率供应量,Pt re为系统功率需求量,为微网间售购电的价格,/>为微网选择从配电网购买电能的价格,/>为微网选择向配电网售卖电能的价格,/>为供需平衡时所设定的基准电价;
所述动态电价下的负荷模型为:
其中,i=1,2,…,n为微网群中第i个子微网,Pi,t为动态电价下子微网i在t时段中的电力负荷,为可调控的负荷,δi,t为电价对负荷的影响因子。
优选的,所述成本模型为:
其中,为动力装置维护成本,σWg、σPv、σFc、σDe、σBat分别为风电机组、光伏阵列、燃料电池、柴油发电机、储能电池的运行维护单价,/> 分别为子微网i在t时段中的风光预测功率、燃料电池发电功率、柴油发电机发电功率、储能电池充放电功率,/>为子微网i在t时段中的光伏阵列输出功率,/>为子微网i在t时段中的机组总发电功率,/> 分别为子微网i的燃料电池、柴油发电机、配电网治理环境单价和配电网输出功率,/>为子微网i在t时段中的机组发电成本,包括燃料电池和柴油发电机的发电成本,/>为子微网i在t时段中的燃料电池单价,/>为微网i在t时段中的柴油发电机单价,/>为为子微网i在t时段中的购电成本,/>为子微网i向配电网、子微网j买电的功率;
所述经济收益模型为:
其中,为微网群系统运行中的售电收益,/>为在子微网i在t时段向配电网、子微网j售电的功率,N为微网群除子微网i、j以外的子微网数量。
优选的,所述目标函数模型为:
其中,Ci,min为微网群运行的最小成本,n为子微网数量。
优选的,所述微网功率平衡、出力的约束条件为:
Pi,t,min≤Pi,t≤Pi,t,max
其中,为子微网在时段中风光机组、光伏阵列、储能电池、燃料电池和柴油发电机的出力总和,/>为子微网i在t时段中从配电网、子微网j购电的功率,/>为子微网i在t时段中向配电网、子微网j售电的功率,/>为预测的电力负荷,Pi,t,max、Pi,t,min为子微网i在t时段中净出力上下限;
所述可控机组的出力约束、爬坡的约束条件为:
其中,分别为子微网i在t时段的燃料电池输出上、下限,/> 分别为子微网i在t时段的爬坡的功率约束值,/>子微网i在t-1时段的燃料电池功率,为子微网i在t时段的柴油发电机出力上、下限,/>子微网i在t时段的为柴油发电机爬坡上、下限,/>子微网i在t-1时段的为柴油发电机功率;
所述储能电池运行的约束条件为:
其中,为出力功率的上、下限值,SOCmax、SOCmin为荷电状态变化的最大、最小值;
所述微网间功率交互及微网与配电网功率交互的约束条件为:
其中,a1+a2≤1,a3+a4≤1,a1、a2取0或1,a3、a4取0或1,为子微网i在t时段中向配电网买电的功率最大值,/>为子微网i在t时段中向配电网卖电的功率最大值,/>为子微网i在t时段中向子微网j买电的功率最大值,/>为子微网i在t时段中向子微网j卖电的功率最大值。
优选的,所述步骤4包括:步骤401:输入所述调度模型的初始参数,基于输入初始参数的调度模型生成初始粒子种群;步骤402:在所述初始粒子种群中选择非劣粒子放在精英群集中,并计算所述精英群集中每个粒子的适应度值;步骤403:选取处于最优位置且适应度值最优的粒子作为最优粒子,以所述最优粒子的速度更新所述精英群集中其他粒子的速度和位置,将所述最优粒子的适应度值作为第一最优净成本;步骤404:判断所述精英群集中更新速度和位置后的粒子数量是否大于预设容量值,若所述精英群集中的粒子数量大于所述预设容量值时,则剔除适应度值小于预设阈值的粒子;步骤405:判断剔除粒子后的精英群集中的粒子的位置误差是否满足要求,若剔除粒子后的精英群集中的粒子的位置误差满足要求时,则将所述第一最优净成本作为最优成本解,否则,返回步骤403;步骤406:在与所述最优粒子周边引入小范围的混沌扰动,计算引入混动扰动后的最优粒子对应的第二最优净成本;步骤407:判断所述第二最优净成本是否小于第一最优净成本,若所述第二最优净成本小于第一最优净成本,则将第二最优净成本作为最优成本解,否则仍将第一最优净成本作为最优成本解;步骤408:判断扰动次数是否等于预设上限,若所述扰动次数等于预设上限时,输出最优成本解,否则返回步骤406。
优选的,采用下述公式计算所述精英群集中每个粒子的适应度值:
其中,m为第m个粒子,n为第n个粒子,α为形状影响因子,ρs为小生境的空间半径,d(m,n)为两个粒子之间的欧式距离,fs(d(m,n))为两个粒子的适应度共享函数,f(m)为第m个粒子的适应度值,D为所建立的粒子精英群集。
优选的,采用Logistic映射函数在所述最优粒子周边引入小范围的混沌扰动:
γi+1=βγi×(1-γi)
其中,β为映射参数,初值γ0为小于1的随机正数,γi为经过第i次混沌扰动后的值,γi+1为经过第i+1次混沌扰动后的值。
优选的,为评价粒子的收敛和离散程度,用σ2表示所述小生境混沌粒子群算法中粒子种群适应度的方差:
其中,S为种群规模,λ为归一化因子,为适应度均值,f(m)为第m个粒子的适应度值。
优选的,所述小生境混沌粒子群算法的惯性权重的设置满足下列式子:
其中,S(t)为S型生长曲线,用其构造算法中惯性权重w的非线性进化函数,i为更新次数;
Imax为更新次数最大值;
其中,wmax、wmin分别为惯性权重的上、下限值;
当|σ2|≤ε,引入混沌扰动。
本发明的有益效果在于:本发明的基于小生境混沌粒子群算法的微网群优化调度策略实现微网群不同电源间空间互补、储能装置存储和释放电能双向调节、电源和负荷供需平衡的互动调控,表明优化调度策略的有效性。
本发明的方法具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施例中将是显而易见的,或者将在并入本文中的附图和随后的具体实施例中进行详细陈述,这些附图和具体实施例共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的基于小生境混沌粒子群算法的微网群优化调度策略的流程图。
图2示出了微网群系统基本拓扑结构。
图3示出了根据本发明的一个实施例的基于小生境混沌粒子群算法的微网群优化调度策略的调度策略流程图。
图4示出了根据本发明的一个实施例的基于小生境混沌粒子群算法的微网群优化调度策略的采用小生境混沌粒子群算法进行优化的流程图。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
根据本发明的一种基于小生境混沌粒子群算法的微网群优化调度策略,包括:步骤1:建立动态电价模型和动态电价下的负荷模型,基于动态电价模型建立成本模型和经济收益模型,基于成本模型和经济收益模型建立目标函数模型;步骤2:分别设定微网功率平衡、出力,可控机组出力、爬坡,储能电池运行,微网间功率交互及微网与配电网功率交互的约束条件;步骤3:将约束条件下的目标函数模型作为调度模型;步骤4:采用小生境混沌粒子群算法优化调度模型,求解调度模型的最优成本解。
具体的,建立动态电价模型、动态电价下的负荷模型、成本模型、经济收益模型以及目标函数模型,对目标函数模型进行优化,优化变量为微网群运行净成本;对微网功率平衡、出力,可控机组出力、爬坡,储能电池运行,微网间功率交互,微网与配电网功率交互等加以约束,将约束条件下的目标函数模型作为调度模型;引入小生境共享技术和精细寻优的混动扰动,采用NCPSO算法优化调度模型,求解系统最优成本解。
根据示例性的实施方式,基于小生境混沌粒子群算法的微网群优化调度策略实现微网群不同电源间空间互补、储能装置存储和释放电能双向调节、电源和负荷供需平衡的互动调控,表明优化调度策略的有效性。同时利用小生境技术的共享机制和混沌序列的随机遍历性,采用NCPSO算法,在优化调度时选择合适的速度收敛,得到最优成本解,证明NCPSO算法在微网群优化管理和经济调度过程中的优良性能。
作为优选方案,动态电价模型为:
其中,t=1,2,…,24为时间段,Pt pro为系统功率供应量,Pt re为系统功率需求量,为微网间售购电的价格,/>为微网选择从配电网购买电能的价格,/>为微网选择向配电网售卖电能的价格,/>为供需平衡时所设定的基准电价,;
动态电价下的负荷模型为:
其中,i=1,2,…,n为微网群中第i个子微网,Pi,t为动态电价下子微网i在t时段中的电力负荷,为可调控的负荷,δi,t为电价对负荷的影响因子。
微网运行24h为一个调度周期,共24个时间段。每时段微网功率余量和为系统功率供应量Pt pro,功率缺量和为系统功率需求量Pt re:
式中,i=1,2,…,n为微网群中第i个子微网,t=1,2,…,24为时间段, 为子微网i在t时段的功率余量和缺量。
优化调度过程中动态电价模型满足下列式子:
具体的,用户端依据电价调整电力负荷需求,可调控负荷响应动态电价,平移或中断负荷。
作为优选方案,成本模型为:
其中,为动力装置维护成本,σWg、σPv、σFc、σDe、σBat分别为风电机组、光伏阵列、燃料电池、柴油发电机、储能电池的运行维护单价,/> 分别为子微网i在t时段中的风光预测功率、燃料电池发电功率、柴油发电机发电功率、储能电池充放电功率,/>为子微网i在t时段中的光伏阵列输出功率,/>为子微网i在t时段中的机组总发电功率,/> 分别为子微网i的燃料电池、柴油发电机、配电网治理环境单价和配电网输出功率,/>为子微网i在t时段中的机组发电成本,包括燃料电池和柴油发电机的发电成本,/>为子微网i在t时段中的燃料电池单价,/>为微网i在t时段中的柴油发电机单价,/>为子微网i在t时段中的购电成本,/>为子微网i向配电网、子微网j买电的功率;
经济收益模型为:
其中,为微网群系统运行中的售电收益,/>为在子微网i在t时段向配电网、子微网j售电的功率,N为微网群除子微网i、j以外的子微网数量。
具体的,优化调度过程中成本模型满足下列式子:
优化调度过程中经济收益模型满足下列式子:
作为优选方案,目标函数模型为:
其中,Ci,min为微网群运行的最小成本,n为子微网数量。
具体的,微网群目标函数模型包括成本和收益两部分。统筹微网运行调度全局,追求低成本、高效益、低污染,促进微网群经济环保、稳定安全的运转。
作为优选方案,微网功率平衡、出力的约束条件为:
Pi,t,min≤Pi,t≤Pi,t,max
其中,为子微网i在t时段中风光机组、光伏阵列、储能电池、燃料电池和柴油发电机的出力总和,/>为子微网i在t时段中从配电网、子微网j购电的功率,为子微网i在t时段中向配电网、子微网j售电的功率,/>为预测的电力负荷,Pi,t,max、Pi,t,min为子微网i在t时段中净出力上下限;
可控机组的出力约束、爬坡的约束条件为:
其中,分别为子微网i在t时段的燃料电池输出上、下限,/> 分别为子微网i在t时段的爬坡的功率约束值,/>子微网i在t-1时段的燃料电池功率,为子微网i在t时段的柴油发电机出力上、下限,/>子微网i在t时段的为柴油发电机爬坡上、下限,/>子微网i在t-1时段的为柴油发电机功率;
储能电池运行的约束条件为:
其中,为出力功率的上、下限值,SOCmax、SOCmin为荷电状态变化的最大、最小值;
微网间功率交互及微网与配电网功率交互的约束条件为:
其中,a1+a2≤1,a3+a4≤1,a1、a2取0或1,a3、a4取0或1,为子微网i在t时段中向配电网买电的功率最大值,/>为子微网i在t时段中向配电网卖电的功率最大值,/>为子微网i在t时段中向子微网j买电的功率最大值,/>为子微网i在t时段中向子微网j卖电的功率最大值。
具体的,对微网功率平衡、出力,可控机组出力、爬坡,储能电池运行,微网间功率交互,微网与配电网功率交互等加以约束。
微网群系统运行时的约束条件:
子微网输入、输出功率达到平衡状态是微网群进行合理控制调度的重要前提,相关约束式:
Pi,t,min≤Pi,t≤Pi,t,max
为子微网i在t时段中风光能源系统、Bat、Fc及De的出力总和,/>为子网i从配电网、子网j购电的功率,/>为子网i向配电网、子网j售电的功率,/>为预测的电力负荷,Pi,t,max、Pi,t,min为微网净出力上下限。
考虑到设备的安全性能,选用蓄电池组为微网的储能装置来保证供电的可靠性,优化运行中其出力约束:
式中,为出力功率的上、下限值,SOCmax、SOCmin为荷电状态变化的最大、最小值。
可控机组包括燃料电池和柴油发电机,其出力约束、爬坡约束为:
式中,为燃料电池组输出上下限和爬坡的功率约束值,/>为柴油发电机组出力上下限和爬坡上下限。
微网与配电网功率交互约束及微网间功率约束为:
式中,a1+a2≤1,a3+a4≤1,a1、a2取0或1,a3、a4取0或1。
作为优选方案,步骤4包括:步骤401:输入调度模型的初始参数,基于输入初始参数的调度模型生成初始粒子种群;步骤402:在初始粒子种群中选择非劣粒子放在精英群集中,并计算精英群集中每个粒子的适应度值;步骤403:选取处于最优位置且适应度值最优的粒子作为最优粒子,以最优粒子的速度更新精英群集中其他粒子的速度和位置,将最优粒子的适应度值作为第一最优净成本;步骤404:判断精英群集中更新速度和位置后的粒子数量是否大于预设容量值,若精英群集中的粒子数量大于预设容量值时,则剔除适应度值小于预设阈值的粒子;步骤405:判断剔除粒子后的精英群集中的粒子的位置误差是否满足要求,若剔除粒子后的精英群集中的粒子的位置误差满足要求时,则将第一最优净成本作为最优成本解,否则,返回步骤403;步骤406:在与最优粒子周边引入小范围的混沌扰动,计算引入混动扰动后的最优粒子对应的第二最优净成本;步骤407:判断第二最优净成本是否小于第一最优净成本,若第二最优净成本小于第一最优净成本,则将第二最优净成本作为最优成本解,否则仍将第一最优净成本作为最优成本解;步骤408:判断扰动次数是否等于预设上限,若扰动次数等于预设上限时,输出最优成本解,否则返回步骤406。
具体的,引入小生境共享技术和精细寻优的混动扰动,采用NCPSO算法优化调度模型,求解系统最优成本解。
小生境群体中的粒子互相竞争、学习,共同进化,用小生境技术的共享机制更新算法最优个体的速度和位置,建立精英群集D以剔除劣解,保证运行解的优越性、精准性。
将小生境群体共享技术和混沌扰动以精细寻优的思想与PSO算法相结合,既可维持种群中粒子的丰富性,提升优化算法在区域内搜寻及确定最优净成本解的本领,也确保系统协同运行过程朝着最优方向进行。
步骤401:输入目标函数模型中的子网风光预测及负荷预测出力数据,燃料电池、柴油发电机、储能电池的出力约束、设备维护、环境治理、使用效率等参数;基于输入参数后的目标函数模型执行微网优化调度策略,产生初始种群:种群规模S=1000,速度更新参数c=1.50,速度上下限vmax/min,惯性权重最值wmax/min,迭代次数G=500;
步骤402:选择非劣粒子放在精英群集D中,求D中粒子适应度;
步骤403:选取当前全局最佳位置popsite,最佳适应度popfit,执行更新后,求解粒子对应的微网群目标成本;
步骤404:D中粒子数量不能超过设置的容量值,否则剔除部分适应度小的粒子;
步骤405:粒子的位置误差Esite若满足要求,输出目前最优净成本解C,反之,再次执行步骤3;
步骤406:在目前最优粒子周边引入小区域扰动后,计算粒子适应度,即对应微网净成本解;
步骤407:若当前解C'优于原解C,则更新最优成本解,否则输出原成本解;
步骤408:当扰动次数达到设置的上限时输出更新后的最优净成本解,反之,执行步骤406。
为促进微网群系统高效稳定的运转,依据区域微网的定量决策优化,子微网的电力负荷响应设定的动态电价,系统分时段执行设计的优化调度策略,因约束条件的限制,子微网中的燃料电池、蓄电池组及柴油发电机的出力情况不同。微网群的子网间、子网与配电网间存在能量互济行为,通过互惠合作的运营模式追求更高的经济价值,促进可再生能源在空间上的良好互补。NCPSO算法在兼顾效益的同时,将负荷需求的变动与微网群的储能动态结合,实现能源生产、储存和消耗的协同互补和多元互动。
作为优选方案,采用下述公式计算精英群集中每个粒子的适应度值:
其中,m为第m个粒子,n为第n个粒子,α为形状影响因子,ρs为小生境的空间半径,d(m,n)为两个粒子之间的欧式距离,fs(d(m,n))为为两个粒子的适应度共享函数,f(m)为第m个粒子的适应度值,D为所建立的粒子精英群集。
具体的,NCPSO优化算法中使用的小生境技术满足下列式子:
D中m、n两个粒子的适应度共享函数:
种群粒子的适应度表达式,即对应运行净成本:
式中,α为形状影响因子,ρs为小生境的空间半径。
作为优选方案,采用Logistic映射函数在最优粒子周边引入小范围的混沌扰动:
γi+1=βγi×(1-γi)
其中,β为映射参数,初值γ0为小于1的随机正数,γi为经过第i次混沌扰动后的值,γi+1为经过第i+1次混沌扰动后的值。
具体的,采用Logistic映射函数在小生境共享技术得到的最优解附近引起小范围混沌扰动。
作为优选方案,为评价粒子的收敛和离散程度,用σ2表示小生境混沌粒子群算法中粒子种群适应度的方差:
其中,S为种群规模,λ为归一化因子,为适应度均值,f(m)为第m个粒子的适应度值。
作为优选方案,小生境混沌粒子群算法的惯性权重的设置满足下列式子:
其中,S(t)为S型生长曲线,用其构造算法中惯性权重w的非线性进化函数,i为更新次数;
Imax为更新次数最大值;
其中,wmax、wmin分别为惯性权重的上、下限值;
当|σ2|≤ε,引入混沌扰动。
具体的,为调整惯性权重的值,及时避免种群早熟收敛,当|σ2|≤ε,引入混沌扰动序列。
实施例
图1示出了根据本发明的一个实施例的基于小生境混沌粒子群算法的微网群优化调度策略的流程图。图2示出了微网群系统基本拓扑结构。图3示出了根据本发明的一个实施例的基于小生境混沌粒子群算法的微网群优化调度策略的调度策略流程图。图4示出了根据本发明的一个实施例的基于小生境混沌粒子群算法的微网群优化调度策略的采用小生境混沌粒子群算法进行优化的流程图。
结合图1、图2、图3和图4所示,该基于小生境混沌粒子群算法的微网群优化调度策略,包括:
步骤1:建立动态电价模型和动态电价下的负荷模型,基于动态电价模型建立成本模型和经济收益模型,基于成本模型和经济收益模型建立目标函数模型;
其中,动态电价模型为:
其中,t=1,2,…,24为时间段,Pt pro为系统功率供应量,Pt re为系统功率需求量,为微网间售购电的价格,/>为微网选择从配电网购买电能的价格,/>为微网选择向配电网售卖电能的价格,/>为供需平衡时所设定的基准电价,;
动态电价下的负荷模型为:
其中,i=1,2,…,n为微网群中第i个子微网,Pi,t为动态电价下子微网i在t时段中的电力负荷,为可调控的负荷,δi,t为电价对负荷的影响因子。
其中,成本模型为:
其中,为动力装置维护成本,σWg、σPv、σFc、σDe、σBat分别为风电机组、光伏阵列、燃料电池、柴油发电机、储能电池的运行维护单价,/> 分别为子微网i在t时段中的风光预测功率、燃料电池发电功率、柴油发电机发电功率、储能电池充放电功率,/>为子微网i在t时段中的光伏阵列输出功率,/>为子微网i在t时段中的机组总发电功率,/> 分别为子微网i的燃料电池、柴油发电机、配电网治理环境单价和配电网输出功率,/>为子微网i在t时段中的机组发电成本,包括燃料电池和柴油发电机的发电成本,/>为子微网i在t时段中的燃料电池单价,/>为微网i在t时段中的柴油发电机单价,/>为为子微网i在t时段中的购电成本,/>为子微网i向配电网、子微网j买电的功率;
经济收益模型为:
其中,为微网群系统运行中的售电收益,/>为在子微网i在t时段向配电网、子微网j售电的功率,N为微网群除子微网i、j以外的子微网数量。
其中,目标函数模型为:
其中,Ci,min为微网群运行的最小成本,n为子微网数量。
步骤2:分别设定微网功率平衡、出力,可控机组出力、爬坡,储能电池运行,微网间功率交互及微网与配电网功率交互的约束条件;
步骤3:将约束条件下的目标函数模型作为调度模型;
其中,微网功率平衡、出力的约束条件为:
Pi,t,min≤Pi,t≤Pi,t,max
其中,为子微网i在t时段中风光机组、光伏阵列、储能电池、燃料电池和柴油发电机的出力总和,/>为子微网i在t时段中从配电网、子微网j购电的功率,/>为子微网i在t时段中向配电网、子微网j售电的功率,/>为预测的电力负荷,Pi,t,max、Pi,t,min为子微网i在t时段中净出力上下限;
可控机组的出力约束、爬坡的约束条件为:
其中,分别为子微网i在t时段的燃料电池输出上、下限,/> 分别为子微网i在t时段的爬坡的功率约束值,/>子微网i在t-1时段的燃料电池功率,为子微网i在t时段的柴油发电机出力上、下限,/>子微网i在t时段的为柴油发电机爬坡上、下限,/>子微网i在t-1时段的为柴油发电机功率;/>
储能电池运行的约束条件为:
其中,为出力功率的上、下限值,SOCmax、SOCmin为荷电状态变化的最大、最小值;
微网间功率交互及微网与配电网功率交互的约束条件为:
其中,a1+a2≤1,a3+a4≤1,a1、a2取0或1,a3、a4取0或1,为子微网i在t时段中向配电网买电的功率最大值,/>为子微网i在t时段中向配电网卖电的功率最大值,/>为子微网i在t时段中向子微网j买电的功率最大值,/>为子微网i在t时段中向子微网j卖电的功率最大值。
步骤4:采用小生境混沌粒子群算法优化调度模型,求解调度模型的最优成本解。
其中,步骤4包括:步骤401:输入调度模型的初始参数,基于输入初始参数的调度模型生成初始粒子种群;步骤402:在初始粒子种群中选择非劣粒子放在精英群集中,并计算精英群集中每个粒子的适应度值;步骤403:选取处于最优位置且适应度值最优的粒子作为最优粒子,以最优粒子的速度更新精英群集中其他粒子的速度和位置,将最优粒子的适应度值作为第一最优净成本;步骤404:判断精英群集中更新速度和位置后的粒子数量是否大于预设容量值,若精英群集中的粒子数量大于预设容量值时,则剔除适应度值小于预设阈值的粒子;步骤405:判断剔除粒子后的精英群集中的粒子的位置误差是否满足要求,若剔除粒子后的精英群集中的粒子的位置误差满足要求时,则将第一最优净成本作为最优成本解,否则,返回步骤403;步骤406:在与最优粒子周边引入小范围的混沌扰动,计算引入混动扰动后的最优粒子对应的第二最优净成本;步骤407:判断第二最优净成本是否小于第一最优净成本,若第二最优净成本小于第一最优净成本,则将第二最优净成本作为最优成本解,否则仍将第一最优净成本作为最优成本解;步骤408:判断扰动次数是否等于预设上限,若扰动次数等于预设上限时,输出最优成本解,否则返回步骤406。
其中,采用下述公式计算精英群集中每个粒子的适应度值:
其中,m为第m个粒子,n为第n个粒子,α为形状影响因子,ρs为小生境的空间半径,d(m,n)为两个粒子之间的欧式距离,fs(d(m,n))为两个粒子的适应度共享函数,f(m)为第m个粒子的适应度值,D为所建立的粒子精英群集。
其中,采用Logistic映射函数在最优粒子周边引入小范围的混沌扰动:
γi+1=βγi×(1-γi)
其中,β为映射参数,初值γ0为小于1的随机正数,γi为经过第i次混沌扰动后的值,γi+1为经过第i+1次混沌扰动后的值。
其中,为评价粒子的收敛和离散程度,用σ2表示小生境混沌粒子群算法中粒子种群适应度的方差:
其中,S为种群规模,λ为归一化因子,为适应度均值,f(m)为第m个粒子的适应度值。
其中,小生境混沌粒子群算法的惯性权重的设置满足下列式子:
其中,S(t)为S型生长曲线,用其构造算法中惯性权重w的非线性进化函数,i为更新次数;
Imax为更新次数最大值;
其中,wmax、wmin分别为惯性权重的上、下限值;
当|σ2|≤ε,引入混沌扰动。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (9)
1.一种基于小生境混沌粒子群算法的微网群优化调度策略,其特征在于,包括:
步骤1:建立动态电价模型和动态电价下的负荷模型,基于所述动态电价模型建立成本模型和经济收益模型,基于所述成本模型和经济收益模型建立目标函数模型;
步骤2:分别设定微网功率平衡、出力,可控机组出力、爬坡,储能电池运行,微网间功率交互及微网与配电网功率交互的约束条件;
步骤3:将所述约束条件下的目标函数模型作为调度模型;
步骤4:采用小生境混沌粒子群算法优化所述调度模型,求解所述调度模型的最优成本解;
所述动态电价模型为:
其中,t=1,2,L,24为时间段,Pt pro为系统功率供应量,Pt re为系统功率需求量,为微网间售购电的价格,/>为微网选择从配电网购买电能的价格,/>为微网选择向配电网售卖电能的价格,/>为供需平衡时所设定的基准电价;
所述动态电价下的负荷模型为:
其中,i=1,2,L,n为微网群中第i个子微网,Pi,t为动态电价下子微网i在t时段中的电力负荷,为可调控的负荷,δi,t为电价对负荷的影响因子。
2.根据权利要求1所述的基于小生境混沌粒子群算法的微网群优化调度策略,其特征在于,所述成本模型为:
其中,为动力装置维护成本,σWg、σPv、σFc、σDe、σBat分别为风电机组、光伏阵列、燃料电池、柴油发电机、储能电池的运行维护单价,/>分别为子微网i在t时段中的风光预测功率、燃料电池发电功率、柴油发电机发电功率、储能电池充放电功率,/>为子微网i在t时段中的光伏阵列输出功率,/>为子微网i在t时段中的机组总发电功率,分别为子微网i的燃料电池、柴油发电机、配电网治理环境单价和配电网输出功率,/>为子微网i在t时段中的机组发电成本,包括燃料电池和柴油发电机的发电成本,/>为子微网i在t时段中的燃料电池单价,/>为微网i在t时段中的柴油发电机单价,为子微网i在t时段中的购电成本,/>为子微网i向配电网、子微网j买电的功率,N为微网群除子微网i、j以外的子微网数量;
所述经济收益模型为:
其中,为微网群系统运行中的售电收益,/>为在子微网i在t时段向配电网、子微网j售电的功率。
3.根据权利要求2所述的基于小生境混沌粒子群算法的微网群优化调度策略,其特征在于,所述目标函数模型为:
其中,Ci,min为微网群运行的最小成本,n为子微网数量。
4.根据权利要求1所述的基于小生境混沌粒子群算法的微网群优化调度策略,其特征在于,
所述微网功率平衡、出力的约束条件为:
Pi,t,min≤Pi,t≤Pi,t,max
其中,为子微网i在t时段中风光机组、光伏阵列、储能电池、燃料电池和柴油发电机的出力总和,/>为子微网i在t时段中从配电网、子微网j购电的功率,/>为子微网i在t时段中向配电网、子微网j售电的功率,/>为预测的电力负荷,Pi,t,max、Pi,t,min为子微网i在t时段中净出力上下限;
所述可控机组的出力、爬坡的约束条件为:
其中,分别为子微网i在t时段的燃料电池输出上、下限,/>分别为子微网i在t时段的爬坡的功率约束值,/>子微网i在t-1时段的燃料电池功率,/>为子微网i在t时段的柴油发电机出力上、下限,/>子微网i在t时段的为柴油发电机爬坡上、下限,/>子微网i在t-1时段的为柴油发电机功率;
所述储能电池运行的约束条件为:
其中,为出力功率的上、下限值,SOCmax、SOCmin为荷电状态变化的最大、最小值;
所述微网间功率交互及微网与配电网功率交互的约束条件为:
其中,a1+a2≤1,a3+a4≤1,a1、a2取0或1,a3、a4取0或1,为子微网i在t时段中向配电网买电的功率最大值,/>为子微网i在t时段中向配电网卖电的功率最大值,/>为子微网i在t时段中向子微网j买电的功率最大值,/>为子微网i在t时段中向子微网j卖电的功率最大值。
5.根据权利要求1所述的基于小生境混沌粒子群算法的微网群优化调度策略,其特征在于,所述步骤4包括:
步骤401:输入所述调度模型的初始参数,基于输入初始参数的调度模型生成初始粒子种群;
步骤402:在所述初始粒子种群中选择非劣粒子放在精英群集中,并计算所述精英群集中每个粒子的适应度值;
步骤403:选取处于最优位置且适应度值最优的粒子作为最优粒子,以所述最优粒子的速度更新所述精英群集中其他粒子的速度和位置,将所述最优粒子的适应度值作为第一最优净成本;
步骤404:判断所述精英群集中更新速度和位置后的粒子数量是否大于预设容量值,若所述精英群集中的粒子数量大于所述预设容量值时,则剔除适应度值小于预设阈值的粒子;
步骤405:判断剔除粒子后的精英群集中的粒子的位置误差是否满足要求,若剔除粒子后的精英群集中的粒子的位置误差满足要求时,则将所述第一最优净成本作为最优成本解,否则,返回步骤403;
步骤406:在与所述最优粒子周边引入小范围的混沌扰动,计算引入混动扰动后的最优粒子对应的第二最优净成本;
步骤407:判断所述第二最优净成本是否小于第一最优净成本,若所述第二最优净成本小于第一最优净成本,则将第二最优净成本作为最优成本解,否则仍将第一最优净成本作为最优成本解;
步骤408:判断扰动次数是否等于预设上限,若所述扰动次数等于预设上限时,输出最优成本解,否则返回步骤406。
6.根据权利要求5所述的基于小生境混沌粒子群算法的微网群优化调度策略,其特征在于,采用下述公式计算所述精英群集中每个粒子的适应度值:
其中,m为第m个粒子,n为第n个粒子,α为形状影响因子,ρs为小生境的空间半径,d(m,n)为两个粒子之间的欧式距离,fs(d(m,n))为两个粒子的适应度共享函数,f(m)为第m个粒子的适应度值,D为所建立的粒子精英群集。
7.根据权利要求5所述的基于小生境混沌粒子群算法的微网群优化调度策略,其特征在于,步骤406中,采用Logistic映射函数在所述最优粒子周边引入小范围的混沌扰动:
γi+1=βγi×(1-γi)
其中,β为映射参数,初值γ0为小于1的随机正数,γi为经过第i次混沌扰动后的值,γi+1为经过第i+1次混沌扰动后的值。
8.根据权利要求1-7任一所述的基于小生境混沌粒子群算法的微网群优化调度策略,其特征在于,为评价粒子的收敛和离散程度,用σ2表示所述小生境混沌粒子群算法中粒子种群适应度的方差:
其中,S为种群规模,λ为归一化因子,为适应度均值,f(m)为第m个粒子的适应度值。
9.根据权利要求1-7任一所述的基于小生境混沌粒子群算法的微网群优化调度策略,其特征在于,所述小生境混沌粒子群算法的惯性权重的设置满足下列式子:
其中,S(t)为S型生长曲线,用其构造算法中惯性权重w的非线性进化函数,i为更新次数;
Imax为更新次数最大值;
其中,wmax、wmin分别为惯性权重的上、下限值;
当|s2|≤ε,引入混沌扰动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110259648.0A CN112821470B (zh) | 2021-03-10 | 2021-03-10 | 基于小生境混沌粒子群算法的微网群优化调度策略 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110259648.0A CN112821470B (zh) | 2021-03-10 | 2021-03-10 | 基于小生境混沌粒子群算法的微网群优化调度策略 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112821470A CN112821470A (zh) | 2021-05-18 |
CN112821470B true CN112821470B (zh) | 2023-10-27 |
Family
ID=75863160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110259648.0A Active CN112821470B (zh) | 2021-03-10 | 2021-03-10 | 基于小生境混沌粒子群算法的微网群优化调度策略 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112821470B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283654B (zh) * | 2021-05-28 | 2022-06-10 | 济南大学 | 基于聚合解列机制的微网群优化控制方法及系统 |
CN113435722B (zh) * | 2021-06-17 | 2024-01-23 | 上海海事大学 | U型自动化码头多设备混合调度方法及电子设备 |
CN113487215A (zh) * | 2021-07-21 | 2021-10-08 | 武昌理工学院 | 一种绿色建筑群指标智能评价与调控方法 |
CN115018402A (zh) * | 2022-08-10 | 2022-09-06 | 浙江浩普环保工程有限公司 | 一种太阳能储能的智能调控方法及系统 |
CN116304847B (zh) * | 2023-05-24 | 2023-10-20 | 南方电网调峰调频发电有限公司储能科研院 | 一种基于共享机制小生境理念的ups集群分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108306288A (zh) * | 2018-02-13 | 2018-07-20 | 华东理工大学 | 一种基于需求侧响应的微网社区分布式能量分配方法 |
CN109345019A (zh) * | 2018-10-10 | 2019-02-15 | 南京邮电大学 | 一种基于改进粒子群算法的微电网经济调度优化策略 |
-
2021
- 2021-03-10 CN CN202110259648.0A patent/CN112821470B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108306288A (zh) * | 2018-02-13 | 2018-07-20 | 华东理工大学 | 一种基于需求侧响应的微网社区分布式能量分配方法 |
CN109345019A (zh) * | 2018-10-10 | 2019-02-15 | 南京邮电大学 | 一种基于改进粒子群算法的微电网经济调度优化策略 |
Also Published As
Publication number | Publication date |
---|---|
CN112821470A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112821470B (zh) | 基于小生境混沌粒子群算法的微网群优化调度策略 | |
Zhang et al. | Lifelong learning for complementary generation control of interconnected power grids with high-penetration renewables and EVs | |
CN106169108B (zh) | 含电池储能系统的主动配电网短期有功优化方法 | |
CN111509743B (zh) | 一种应用储能装置提高电网稳定性的控制方法 | |
CN110970912B (zh) | 一种含储能的新能源电力系统运行模拟方法 | |
CN111900727B (zh) | 基于pso的光储充换一体化充电站协同优化调度方法和装置 | |
CN107609693A (zh) | 基于Pareto档案粒子群算法的微电网多目标优化方法 | |
CN112800658A (zh) | 一种考虑源储荷互动的主动配电网调度方法 | |
CN109599881B (zh) | 一种基于锰酸锂电池储能系统的电网调频调压方法 | |
CN112508325B (zh) | 一种家庭微电网多时间尺度电能调度方法 | |
CN104517161A (zh) | 虚拟发电厂的分布式电源组合规划系统和方法 | |
CN112651634A (zh) | 基于序列运算的有源配电系统源网荷储日前有功调度方法 | |
CN111224393A (zh) | 智能家居电能调度优化方法、装置及存储介质 | |
CN116667325A (zh) | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 | |
CN115147245A (zh) | 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法 | |
Mao et al. | Microgrid group control method based on deep learning under cloud edge collaboration | |
Datta | Fuzzy logic based frequency control by V2G aggregators | |
CN116805803A (zh) | 基于自适应mpc的风光储离网制氢系统能量调度方法 | |
CN110098623B (zh) | 一种基于智能负载的Prosumer单元控制方法 | |
Singh et al. | Stochastic impact assessment of phev charger levels in a microgrid | |
CN113890114B (zh) | 一种主配用多层级电网灵活调节能力挖掘方法 | |
Li et al. | Optimal operation of AC/DC hybrid microgrid under spot price mechanism | |
CN112100743B (zh) | 适用于平抑新能源出力波动的电动汽车虚拟机组调控方法 | |
CN115933548A (zh) | 一种考虑管网模型的电热综合能源系统模型预测控制方法 | |
CN115021336A (zh) | 一种面向高比例新能源电力系统惯量不足场景的优化方法 |
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 |