CN113054685B - 基于乌鸦算法和模式搜索算法的太阳能微电网调度方法 - Google Patents

基于乌鸦算法和模式搜索算法的太阳能微电网调度方法 Download PDF

Info

Publication number
CN113054685B
CN113054685B CN202110405263.0A CN202110405263A CN113054685B CN 113054685 B CN113054685 B CN 113054685B CN 202110405263 A CN202110405263 A CN 202110405263A CN 113054685 B CN113054685 B CN 113054685B
Authority
CN
China
Prior art keywords
algorithm
grid
crow
time
generator set
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
Application number
CN202110405263.0A
Other languages
English (en)
Other versions
CN113054685A (zh
Inventor
姜明新
贾银洁
王海燕
王文豪
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.)
Dragon Totem Technology Hefei Co ltd
Zhejiang Shenyu Technology Co.,Ltd.
Original Assignee
Huaiyin 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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202110405263.0A priority Critical patent/CN113054685B/zh
Publication of CN113054685A publication Critical patent/CN113054685A/zh
Application granted granted Critical
Publication of CN113054685B publication Critical patent/CN113054685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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]
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/30—The power source being a fuel cell
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于乌鸦算法和模式搜索算法的太阳能微电网调度方法，微电网由分布式发电机组DG组成，所述发电机组包括微型涡轮机MT、太阳能光伏板PV、电池FC、风力涡轮机WT，调度方法包括以下步骤：(1)获得太阳能微电网成本导向的目标函数及约束条件；(2)采用乌鸦算法获得发电机组第一次最佳调度方案；(3)采用第一次最佳调度方案作为初始值，利用模式搜索算法获得发电机组第二次最佳调度方案。本专利的调度方法成本低，解决方案质量优越、计算效率高、鲁棒性好。

Description

基于乌鸦算法和模式搜索算法的太阳能微电网调度方法
技术领域
本发明涉及一种太阳能微电网调度方法，尤其涉及一种基于乌鸦算法和模式搜索算法的太阳能微电网调度方法。
背景技术
随着微电网的不断建设，微电网的不足逐渐显露出来，由于微电网中分布式发电单元以及其他储能单元种类繁多，导致其控制复杂度高，控制难度较大；其次，微电网中的分布式发电单元都受天气影响较大，且随机性导致微电网电能质量控制难度大，容易在接入大电网时对大电网造成较大的冲击；最后微电网中的光伏发电和风力发电间歇性较大，在用户侧用电高峰期容易出现不能单靠微电网独立供电，因此微电网的发电电能质量需要着重注意。基于可再生能源的分布式发电机DG组的普及程度不断提高，给电力系统的运行和管理带来了诸多挑战。因此，开发和提出有效的能源管理系统是电力系统运行领域的一项重要任务。这一问题在以DG组为基础的微电网MGs中更为突出。
目前主流的解决方案采用线性规划法、加权求和法、非支配排序遗传算法和粒子群算法，但这些算法仍存在早熟收敛、易陷入局部最优等缺点，而且，算法后期收敛速度慢，精度较差。
发明内容
发明目的：本发明旨在提供一种基于乌鸦算法和模式搜索算法的太阳能微电网调度方法，解决微电网调度方法成本高、解决方案质量低、计算效率低等问题。
技术方案：本发明所述的基于乌鸦算法和模式搜索算法的太阳能微电网调度方法，微电网由分布式发电机组DG组成，所述发电机组包括微型涡轮机MT、太阳能光伏板 PV、燃料电池FC、风力涡轮机WT和电池，调度方法包括以下步骤：
(1)获得太阳能微电网成本导向的目标函数及约束条件；
(2)采用乌鸦算法获得发电机组第一次最佳调度方案；
(3)采用第一次最佳调度方案作为初始值，利用模式搜索算法获得发电机组第二次最佳调度方案。
步骤(1)中的目标函数为
Figure GDA0003757088530000021
发电机组和电池在t时隙的能量成本分别用BG,i(t)和BS,j(t)表示，启动SU和停堆SD 成本分别由SG,i和Ss,j表示，在时隙t和价格BGrid(t)时，与主电网交易的电量记为PGrid(t)； ui(t)表示第i个单元在t时刻的状态；ui(t-1)表示第i个单元在t-1时刻的状态；
uj(t)表示第j个单元在t时刻的状态；uj(t-1)表示第j个单元在t-1时刻的状态；调度周期的总时隙数用T表示，Ps,j(t)表示每个时隙电池传递/吸收的有用功率；PG,i(t)表示第i个单元在t时刻的输出功率；调度方案的决策变量，即实际发电量和相关承诺状态由X决定：
X＝[Pg,Ug]1×2nT；Pg＝[PG,Ps]；n＝Ng+Ns+1 (12)
实际发电矢量Pg表示发电机组的输出功率，n表示决策变量的数量，Ng表示发电单元的总数量，Ns表示存储系统的总数量，Ug表示发电机组的状态，其中，
Figure GDA0003757088530000023
步骤(1)的约束条件与发电机组容量、上行或下行速率、最小开机时间和最小停机时间、启动SU和停堆SD限制，以及每小时的功率平衡限制有关。
步骤(1)的约束条件包括系统功能平衡
Figure GDA0003757088530000022
PL,l(t)为NL级别中l级的负载需求值。
步骤(1)的约束条件包括发电机组发电量极限
Figure GDA0003757088530000033
PGi,min(t)、PGrid,min(t)、Psj,min(t)分别表示PGi(t)、PGrid(t)、Psj(t)最小值，PGi,max(t)、PGrid,max (t)、Psj,max(t)分别表示PGi(t)、PGrid(t)、Psj(t)的最大值，每次迭代中检查这些约束条件，判断得到的解是否满足限制条件，如果得到的解超出了允许的范围，则维持在最大值，如果得到的解的值小于最小值，则保持在最小值。
步骤(1)的约束条件包括电池的充放电限制，
Figure GDA0003757088530000031
Figure GDA0003757088530000032
Wess(t)为t时刻的存储能量，Wess(t-1)为t-1时刻的存储能量，ηcharge充电状态式ηdischarge表示放电状态，Pcharge(t)为t时刻的充电速率，Pdischarge(t)为t时刻的放电速率，Wess,min存储的能量的最小值，Wess,max存储的能量的最大值，Pcharge,max充电速率的最大值，Pdischarge,max放电速率的最大值。
步骤(2)的乌鸦算法包括以下步骤：
(21)设置可调参数；
(22)初始化乌鸦在搜索空间的位置；
(23)初始化乌鸦的记忆；
(24)为每只乌鸦生成一个新的位置；
(25)检查位置的可行性；
(26)评估目标函数；
(27)更新乌鸦记忆；
(28)判断是否达到迭代次数，如果达到，执行步骤(29)，否则执行步骤(24)；
(29)获得发电机组第一次最佳调度方案。
步骤(3)的模式搜索算法包括以下步骤：
(31)从步骤(2)中的发电机组第一次最佳调度方案获得模式搜索算法的初始值；
(32)判断条件是否满足，如果满足，执行步骤(37)，如果不满足，执行步骤(33)
(33)设置起点；
(34)构建模式向量和创建网络点；
(35)计算网络点；
(36)判断调查是否成功，如果成功则扩大网络尺寸后，执行步骤(32)，如果不成功，则缩小网络尺寸，执行步骤(32)；
(37)获得发电机组第二次最佳调度方案。
有益效果：与现有技术相比，本发明具有如下显著优点：本专利的调度方法成本低，解决方案质量优越；而且该调度方法计算效率高、鲁棒性好。
附图说明
图1为本发明的结构示意图；
图2为本发明温暖晴天PV、WT和电池机组发电情况图；
图3为本发明温暖晴天MT、FC和电网发电情况图；
图4为本发明温暖晴天各发电机组在负载需求供应和电力交易中所占的比例图；
图5为本发明寒冷晴天PV、WT和电池机组发电情况图；
图6为本发明寒冷晴天MT、FC和电网发电情况图；
图7为本发明暖阴天PV、WT和电池机组发电情况图；
图8为本发明暖阴天MT、FC和电网发电情况图；
图9为本发明寒冷阴天PV、WT和电池机组发电情况图；
图10为本发明寒冷阴天MT、FC和电网发电情况图；
图11为本发明总运行成本的计算结果图；
图12为本发明中第一种情况下不同算法的收敛速度图；
图13为本发明第二种情况下不同算法的收敛速度图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
本发明所述的基于乌鸦算法和模式搜索算法的太阳能微电网调度方法，微电网由分布式发电机组DG组成，所述发电机组包括微型涡轮机MT、太阳能光伏板PV、燃料电池FC、风力涡轮机WT和电池，调度方法包括以下步骤：
(1)获得太阳能微电网成本导向的目标函数及约束条件；
(2)采用乌鸦算法获得发电机组第一次最佳调度方案；
(3)采用第一次最佳调度方案作为初始值，利用模式搜索算法获得发电机组第二次最佳调度方案。
步骤(1)中目标函数被表述为一个单目标优化问题，以最小化总运行成本函数为目标，包括发电成本、启动SU和关闭成本SD等不同成本，以及由于与公共事业电网进行电力交易而强加给系统的成本。目标函数可以由数学方式表述为：
Figure GDA0003757088530000051
发电机组和电池在t时隙的能量成本分别用BG,i(t)和BS,j(t)表示，启动SU和停堆SD 成本分别由SG,i和Ss,j表示，在时隙t和价格BGrid(t)时，与主电网交易的电量记为PGrid(t)； ui(t)表示第i个单元在t时刻的状态；ui(t-1)表示第i个单元在t-1时刻的状态； uj(t)表示第j个单元在t时刻的状态；uj(t-1)表示第j个单元在t-1时刻的状态；调度周期的总时隙数用T表示，Ps,j(t)表示每个时隙电池传递/吸收的有用功率；PG,i(t)表示第i个单元在t时刻的输出功率；调度方案的决策变量，即实际发电量和相关承诺状态由X决定：
X＝[Pg,Ug]1×2nT；Pg＝[PG,Ps]；n＝Ng+Ns+1 (12)
实际发电矢量Pg表示发电机组的输出功率，n表示决策变量的数量，Ng表示发电单元的总数量，Ns表示存储系统的总数量，Ug表示发电机组的状态，其中，
Figure GDA0003757088530000052
步骤(1)中的约束条件与机组容量、上行/下行速率、最小开机时间和最小停机时间、SU和SD限制，以及每小时的功率平衡限制有关。
系统功率平衡约束确保了电力系统的稳定运行。因此，各部分产生的总功率应该正好满足每一时间的负载需求
Figure GDA0003757088530000061
NL级别中l级的负载需求值由PL,l指定。
约束条件包括机组发电量极限。每个部分以及主电网可以提供的电力受到不等式约束(15)中所示的允许的最大值和最小值的限制。
Figure GDA0003757088530000064
在算法的每次迭代中都要检查这些约束条件，看得到的解是否满足限制条件。如果得到的解超出了允许的范围，则维持在最大值，如果得到的解的值小于最小值，则保持在最小值。另外值得注意的是，下标max和min表示变量的最大值和最小值。
约束条件包括电池的充放电限制。电池能量系统的约束条件已在约束条件(16)和(17)中说明。式(16)表示在每个调度周期的时间间隔内电池中可用的能量量。如约束条件(17)所示，电池在每个时隙中可以存储的能量Wess,t受到上下边界的限制，而充电速率PS,charge和放电速率PS,discharge必须小与最小值。充电状态和放电状态分别用ηcharge和ηdischarge表示。
Figure GDA0003757088530000062
Figure GDA0003757088530000063
由图1可知，本发明采用混合乌鸦算法和模式搜索算法的获得分布式发电机组的调度方案。
步骤(2)的乌鸦算法包括以下步骤
(21)设置可调参数；
(22)初始化乌鸦在搜素空间的位置；
(23)初始化乌鸦的记忆；
(24)为每只乌鸦生成一个新的位置；
(25)检查位置的可行性；
(26)评估目标函数；
(27)更新乌鸦记忆；
(28)判断是否达到迭代次数，如果达到，执行步骤(29)，否则执行步骤(24)；
(29)获得发电机组第一次最佳调度方案。
步骤(3)的模式搜索算法包括以下步骤：
(31)从步骤(2)中的发电机组第一次最佳调度方案获得模式搜索算法的初始值；
(32)判断条件是否满足，如果满足，执行步骤(37)，如果不满足，执行步骤(33)
(33)设置起点；
(34)构建模式向量和创建网络点；
(35)计算网络点；
(36)判断调查是否成功，如果成功则扩大网络尺寸后，执行步骤(32)，如果不成功，则缩小网络尺寸，执行步骤(32)；
(37)获得发电机组第二次最佳调度方案。
本实施例中研究季节性气象数据对太阳能发电和MG性能的影响，同时假定温度不随太阳辐照度的改变而改变。使用的数据由美国国家可再生能源实验室提供。以每小时为单位，研究了一年中不同的四天的资源调度问题。这四天包括暖阴天、冷阴天、暖晴天和冷晴天，其中正常辐照度的全球HZ辐照度DNI用GHI表示，扩散辐照度用Diff 表示。因此，PV板可以在一年中不同的日子里获得最大功率。
本实施例中所研究的MG在网络模式下工作，并配备了不同的发电机组DERs，例如，MT、电池、太阳能光伏板PV、电池FC、风力涡轮机WT。研究了住宅区、商业区和工业区三种不同的负载类型。该问题以小时为单位进行研究以讨论调度问题，同时假定只有有功电力由机组传送/吸收，并且MG有能力在一天中与主电网进行几小时的电力交易。表1所示的待定参数是用Gauss-Seidel方法估计的。光伏列阵容量为80KW，太阳能发电量计算为一季，延长为一年。然而，本实施例给出了更精确的数据，一年中的四天计算了四个太阳能发电量值以应对变化的天气条件。
实施列1研究了在温暖的晴天，太阳辐照度值对太阳能发电和MG性能的影响。采用混合乌鸦算法和模式搜索算法(CS-PS)优化算法的仿真结果表明，该方法具有较好的性能。结果与遗传算法GA、粒子群优化算法PSO、树种算法TS、教与学优化算法 TLBO、灰狼算法GWO算法进行了比较。为此，采用四个指标对混合CS-PS优化方法的最佳解(BS)、最差解(WS)、均值(Mean)、标准差(Std)进行了较为公平的比较，比较结果如表1所示。如图2和图3所示，由于机组运行成本高，MT在温暖晴天的发电量并不大。然而，在时间间隔9-17期间，因为市场价格相当高，系统规划实体计划使用FC和MT。与此同时，PV在同一时期产生了更高的功率。另一方面，额外的发电量可以输送到主电网。虽然MT被认为是一个昂贵的发电单元，但由于他的高灵活性，特别是在高峰时间，它仍然在MG操作者扮演者重要角色。如图4所示，由于市场价格相对较低，电池在最初的一天八小时和16-21小时内吸收能量。图4显示了各发电机组在负载需求供应和电力交易中所占的比例。结果表明，FC和MT对发电量的贡献大于其它机组。这些机组所占的比例分别为35％和41％，风力发电和太阳能发电在总发电量中所占的比例分别为3％和8％。电池还能提供相当于总发电量2％的电能以满足负载需求，因为他被认为之一种高价组成。
表1
算法 最好解 最差解 平均值 标准差 时间
GA 359.68 394.79 386.32 18.44 120.33
PSO 358.06 391.48 382.14 17.02 118.41
TS 357.32 392.14 380.85 16.77 116.33
TLBO 355.19 390.97 379.33 14.84 117.32
GWO 355.08 387.11 378.51 14.84 116.14
CS-PS 353.21 386.19 276.14 13.86 115.36
实施例2研究在寒冷晴天太阳太阳辐照度的影响。在这种天气中，太阳能发电的速率相对较低。表2是在一个寒冷的晴天模拟问题得到的结果，证明本专利提出的混合CS-PS优化算法的性能比其它的算法要好得多。图5和图6显示了发电机组和可再生发电的小时调度情况。结果表明，在温暖晴天时主电网处理的电量比前一种情况低。电力交易的减少导致了运营成本的减少，因为PV在这天产生的电量更少。在这种情况下，由于市场价格相对较低，电池储能系统按照1-7各时间间隔进行充电。然而，利用MT 来提供电池充电所需的电力被认为是最好的选择。另一方面，电池可以在某些时间段 9-16小时为系统注入电力。此外，由于这种情况PV的输出功率相对要低得多，因此与公共事业电网交易的电力也会低很多。结果表明，FC和MT对发电量的贡献要多于其它机组。
表2
算法 最好解 最差解 平均值 标准差 时间
GA 294.65 371.37 338.27 40.15 218.62
PSO 291.12 366.75 324.22 32.12 214.68
TS 291.12 364.91 332.83 31.92 214.12
TLBO 288.36 364.78 331.76 30.38 213.87
GWO 288.07 363.64 329.38 29.61 212.94
CS-PS 286.70 362.73 275.11 27.65 210.36
实施例3给出并讨论了一个暖阴天的数据模拟问题所得到的结果。为此，不同优化算法报告的目标函数值如表3所示。从表中可以看出，本专利提出的混合CS-PS优化算法比其它方法具有更优的解。图7和图8展示了不同机组的小时调度情况。由于太阳能光伏板的发电量较低，与前两个实施例研究比较，总运行成本值也较前两个实施例低，如图7所示。另外，MT没有在一定的时间间隔内进行操作，因此与上游网络的交易功率也相对较小。在9-16时间段，电池也提供了更低的能量。与其他机组相比，FC和 MT产生的电力更多，因为他们关联的运营成本更低。
表3
算法 最好解 最差解 平均值 标准差 时间
GA 263.23 299.35 281.36 16.87 95.71
PSO 261.61 294.12 279.66 15.52 89.13
TS 260.98 293.82 278.67 14.95 87.78
TLBO 259.61 293.46 277.19 14.61 85.66
GWO 259.32 292.91 276.46 14.31 84.47
CS-PS 258.76 291.63 275.11 13.85 81.37
实施例4研究了寒冷阴天太阳辐照度对太阳能发电和MG运行的影响。如表4所示，利用本专利提出的混合CS-PS优化算法得到的解明显优于其它优化算法。图9和图10 展示了不同机组的小时调度情况。由于寒冷阴天的太阳辐照度较低，PV板的输出功率也较低。值得注意的是，与前三个实施例研究相比，MG的总运营成本也大大降低。电池充电时间超过0-8小时，并提供电力给系统直到时间间隙16。MT以额定容量运行，负载需求通过与主电网的电力交易提供，也通过其它机组提供电力。MT和FC在供应负载需求方面所占的比例要高于其它机组，有助于减轻MG的运营成本。
表4
算法 最好解 最差解 平均值 标准差 时间
GA 259.06 332.49 273.77 20.58 91.363
PSO 257.43 331.17 272.34 18.76 87.48
TS 256.23 330.47 272.07 17.59 85.71
TLBO 255.91 330.31 271.84 16.33 84.97
GWO 255.16 329.94 271.12 15.64 84.07
CS-PS 254.10 328.018 271.34 14.70 83.91
对40个试验进行了模拟，对比结果如图2-10所示。并且表1-4为不同优化算法的最差成本、最佳成本和平均成本。此外值得一提的是，温暖晴天的总运行成本明显高于寒冷晴天，因为温暖晴天的白天时间更长，PV发电量也更高。同样，寒冷阴天和温暖阴天的比较结果显示，寒冷阴天的总运行成本低于温暖阴天，这是由于寒冷阴天的太阳能发电量较低。图11给出了总运行成本的计算结果。结果表明，由于考虑了问题中的不确定性而导致了运行成本的增加。尽管处理不确定因素会增加总运行成本，但是这会使日前操作问题得到更接近实际的解决方案。然而，与其他方法相比，所提出的混合 CS-PS算法能有效的降低总运行成本。
本实施例中对成本函数进行了分析。第一种情况，即温暖晴天，不同方法的比较如表3所示。比较了GA、PSO、TS、TLBO和GWO等不同的优化算法。混合CS-PS算法的总成本是353.21€ct/天，而GA算法、PSO算法、TS算法、TLBO算法和GWO算法的总成本分别为359.68€ct/天、358.06€ct/天、357.32€ct/天、355.19€ct/天和355.08€ct/ 天。同理，实施例2的总运行成本为286.70€ct/天，实施例3和实施例4的总运行成本分别为258.76€ct/天和254.10€ct/天，这相比于其它方法成本要低得多。
图12和图13给出了不同算法的收敛速度。图中表明与其它技术相比，混合CS-PS方法的收敛速度最高。此外，结果表明，混合CS-PS算法所需要的迭代次数比其它算法要少。
本实施例中对解决方案质量进行了分析。非参数检验除了处理标称数据或序数数据的主要功能外，也可将连续的数据进行基于排序的转换，使输入数据适应测试需要。两类数据将通过非参数检验完成，如两两比较和多重比较。通过使用第一类比较，一个算法与一个算法的比较，在任何程序中产生一个独立于另一个的p值。因此，对于有三个或更多算法的情况，应该采用多重比较模式。对于这种情况，本专利采用Friedman检验，这是一种多重比较检验。统计分析得到的结果如表5所示。测试中使用的算法有 GA算法、PSO算法、TS算法、TLBO算法、GWO算法和CS-PS算法。然而，文献[46,47] 中已有多种统计分析技术，而本专利采用的是Friedman检验。根据表5的结果，卡方值为17，大于卡方的临界值。值得注意的是，在5％显著水平下卡方值等于12.592，在 1％的显著水平下卡方值等于16.81。而且，本专利推导出的p值显著低于上述两个显著性水平。实验结果表明，所研究的算法有很大的不同。因此，所提出的混合CS-PS优化算法的平均等级最低，验证了该方法在解决方案质量方面的优越性能。
表5
Figure GDA0003757088530000111
本实施例对所提优化算法的计算效率进行了测试，并将CS-PS算法的平均求解时间与其它方法的平均求解时间进行了比较。结果表明，在实施例1中，所提出的混合CS-PS方法所需的平均仿真时间为115.36秒，而GA、PSO、TS、TLBO和GWO算法所需的平均仿真时间分别为120.33秒、118.41秒、116.33秒、117.32秒和116.14秒。因此， CS-PS方法所需的时间比其它方法要少很多。同样，对于实施例2、实施例3和实施例 4所得出的结果也在表5-表6中显示。
本实施例中对算法的鲁棒性进行了分析。评估四种情况下40次试验的混合CS-PS算法。表6给出的结果表明，CS-PS算法在40次试验中达到最优解的次数是38次。因此，该方法解决MG最小运行成本问题的成功率为95％。值得注意的是其它算法的成功率明显较低。结果表明，所提出的混合CS-PS方法具有较高的计算效率和鲁棒性。同时，所提出的混合CS-PS方法的平均仿真时间也比其它方法要短。总的来说，本专利的分析结果表明了混合CS-PS方法在处理MG日前资源调度问题上的优越性。
表6
算法 GA PSO TS TLBO GWO CS-PS
实施例1 31 32 32 33 33 38
实施例2 32 31 30 31 34 38
实施例3 31 31 31 32 33 37
实施例4 30 32 32 31 32 38

Claims (6)

1.一种基于乌鸦算法和模式搜索算法的太阳能微电网调度方法，其特征在于：微电网由分布式发电机组DG组成，所述发电机组包括微型涡轮机MT、太阳能光伏板PV、燃料电池FC、风力涡轮机WT和电池，调度方法包括以下步骤：
(1)获得太阳能微电网成本导向的目标函数及约束条件；
(2)采用乌鸦算法获得发电机组第一次最佳调度方案，包括以下步骤：
(21)设置可调参数；
(22)初始化乌鸦在搜索空间的位置；
(23)初始化乌鸦的记忆；
(24)为每只乌鸦生成一个新的位置；
(25)检查位置的可行性；
(26)评估目标函数；
(27)更新乌鸦记忆；
(28)判断是否达到迭代次数，如果达到，执行步骤(29)，否则执行步骤(24)；
(29)获得发电机组第一次最佳调度方案；
(3)采用第一次最佳调度方案作为初始值，利用模式搜索算法获得发电机组第二次最佳调度方案，包括以下步骤：
(31)从步骤(2)中的发电机组第一次最佳调度方案获得模式搜索算法的初始值；
(32)判断条件是否满足，如果满足，执行步骤(37)，如果不满足，执行步骤(33)
(33)设置起点；
(34)构建模式向量和创建网络点；
(35)计算网络点；
(36)判断调查是否成功，如果成功则扩大网络尺寸后，执行步骤(32)，如果不成功，则缩小网络尺寸，执行步骤(32)；
(37)获得发电机组第二次最佳调度方案。
2.根据权利要求1所述的基于乌鸦算法和模式搜索算法的太阳能微电网调度方法，其特征在于：步骤(1)中的目标函数为
Figure FDA0003884469110000021
发电机组和电池在t时隙的能量成本分别用BG,i(t)和BS,j(t)表示，启动SU和停堆SD成本分别由SG,i和Ss,j表示，在时隙t和价格BGrid(t)时，与主电网交易的电量记为PGrid(t)；ui(t)表示第i个单元在t时刻的状态；ui(t-1)表示第i个单元在t-1时刻的状态；uj(t)表示第j个单元在t时刻的状态；uj(t-1)表示第j个单元在t-1时刻的状态；调度周期的总时隙数用T表示，Ps,j(t)表示每个时隙电池传递/吸收的有用功率；PG,i(t)表示第i个单元在t时刻的输出功率；调度方案的决策变量，即实际发电量和相关承诺状态由X决定：
X＝[Pg,Ug]1×2nT；Pg＝[PG,Ps]；n＝Ng+Ns+1 (12)
实际发电矢量Pg表示发电机组的输出功率，n表示决策变量的数量，Ng表示发电单元的总数量，Ns表示存储系统的总数量，Ug表示发电机组的状态，其中，
Figure FDA0003884469110000023
3.根据权利要求1所述的基于乌鸦算法和模式搜索算法的太阳能微电网调度方法，其特征在于：步骤(1)的约束条件与发电机组容量、上行或下行速率、最小开机时间和最小停机时间、启动SU和停堆SD限制，以及每小时的功率平衡限制有关。
4.根据权利要求3所述的基于乌鸦算法和模式搜索算法的太阳能微电网调度方法，其特征在于：步骤(1)的约束条件包括系统功能平衡
Figure FDA0003884469110000022
Ps,j(t)为每个时隙电池传递/吸收的有用功率；
PG,i(t)为第i个单元在t时刻的输出功率；
PGrid(t)为发电机组和电池在t时隙与主电网交易的电量；
PL,l(t)为NL级别中l级的负载需求值。
5.根据权利要求3所述的基于乌鸦算法和模式搜索算法的太阳能微电网调度方法，其特征在于：步骤(1)的约束条件包括发电机组发电量极限
Figure FDA0003884469110000033
PGi,min(t)、PGrid,min(t)、Psj,min(t)分别表示PG,i(t)、PGrid(t)、Ps,j(t)最小值，PGi,max(t)、PGrid,max(t)、Psj,max(t)分别表示PG,i(t)、PGrid(t)、Ps,j(t)的最大值，每次迭代中检查这些约束条件，判断得到的解是否满足限制条件，如果得到的解超出了允许的范围，则维持在最大值，如果得到的解的值小于最小值，则保持在最小值。
6.根据权利要求3所述的基于乌鸦算法和模式搜索算法的太阳能微电网调度方法，其特征在于：步骤(1)的约束条件包括电池的充放电限制，
Figure FDA0003884469110000031
Figure FDA0003884469110000032
Wess(t)为t时刻的存储能量，Wess(t-1)为t-1时刻的存储能量，ηcharge充电状态式ηdischarge表示放电状态，Pcharge(t)为t时刻的充电速率，Pdischarge(t)为t时刻的放电速率，Wess,min存储的能量的最小值，Wess,max存储的能量的最大值，Pcharge,max充电速率的最大值，discharge,max放电速率的最大值。
CN202110405263.0A 2021-04-15 2021-04-15 基于乌鸦算法和模式搜索算法的太阳能微电网调度方法 Active CN113054685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110405263.0A CN113054685B (zh) 2021-04-15 2021-04-15 基于乌鸦算法和模式搜索算法的太阳能微电网调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110405263.0A CN113054685B (zh) 2021-04-15 2021-04-15 基于乌鸦算法和模式搜索算法的太阳能微电网调度方法

Publications (2)

Publication Number Publication Date
CN113054685A CN113054685A (zh) 2021-06-29
CN113054685B true CN113054685B (zh) 2023-01-31

Family

ID=76519563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110405263.0A Active CN113054685B (zh) 2021-04-15 2021-04-15 基于乌鸦算法和模式搜索算法的太阳能微电网调度方法

Country Status (1)

Country Link
CN (1) CN113054685B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118693872A (zh) * 2024-08-27 2024-09-24 苏州特种电机厂有限公司 基于储能变化的发电机发电功率自适应调节系统及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104779611B (zh) * 2015-03-23 2017-09-29 南京邮电大学 基于集中式和分布式双层优化策略的微电网经济调度方法
CN109193798A (zh) * 2018-08-24 2019-01-11 广西大学 一种基于多目标粒子群算法调节微电源出力的优化调度方法

Also Published As

Publication number Publication date
CN113054685A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
Yousif et al. An optimal dispatch strategy for distributed microgrids using PSO
Ju et al. A two-stage optimal coordinated scheduling strategy for micro energy grid integrating intermittent renewable energy sources considering multi-energy flexible conversion
Deshmukh et al. Modeling of hybrid renewable energy systems
Xie et al. Greedy energy management strategy and sizing method for a stand-alone microgrid with hydrogen storage
CN103151797A (zh) 基于多目标调度模型的并网运行方式下微网能量控制方法
Bhoi et al. Optimal scheduling of battery storage with grid tied PV systems for trade-off between consumer energy cost and storage health
CN110889581A (zh) 一种电动汽车参与的台区优化调度方法和系统
Vyas et al. A Review of Algorithms for Control and Optimization for Energy Management of Hybrid Renewable Energy Systems
Aiswariya et al. Optimal microgrid battery scheduling using simulated annealing
Abdel-hamed et al. Optimal sizing and design of isolated micro-Grid systems
CN113054685B (zh) 基于乌鸦算法和模式搜索算法的太阳能微电网调度方法
Ghirardi et al. The role of hydrogen storage and electric vehicles in grid-isolated hybrid energy system with high penetration of renewable
CN117578449A (zh) 一种计及可再生能源不确定性的多能微能网优化调度方法
Jemaa et al. Optimum sizing of hybrid PV/Wind/battery installation using a fuzzy PSO
Suryoatmojo Artificial intelligence based optimal configuration of hybrid power generation system
CN108683211B (zh) 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型
Kumar et al. Sensitivity analysis based multi-objective economic emission dispatch in microgrid
Kim et al. On impact of randomly distributed PV systems on distribution networks
Barbarić et al. Energy management strategies for combined heat and electric power micro-grid
Wu et al. Optimal schedule of photovoltaic-battery hybrid system at demand side
Liu et al. Optimal sizing of distributed generation based on chaotic free-search algorithm in an island microgrid
Tazvinga et al. Technical model for optimising PV/diesel/battery hybrid power systems
Jain et al. Operational cost minimization of grid connected microgrid system using fire fly technique
Duan et al. Impact of Integrating Solar Generation in Power Systems with Battery Energy Storage
Kumar et al. Optimal Sizing of Grid-Connected Hybrid Solar, Wind, and Battery Energy Storage Systems

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230906

Address after: No. 2, Hengxi Industrial Zone, Wenxi Town, Qingtian County, Lishui City, Zhejiang Province, 323000

Patentee after: Zhejiang Shenyu Technology Co.,Ltd.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

Effective date of registration: 20230906

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: 223003 Jiangsu Huaian economic and Technological Development Zone, 1 East Road.

Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY