CN114142527A - 一种多微网协同运行的经济调度优化方法 - Google Patents
一种多微网协同运行的经济调度优化方法 Download PDFInfo
- Publication number
- CN114142527A CN114142527A CN202111552555.3A CN202111552555A CN114142527A CN 114142527 A CN114142527 A CN 114142527A CN 202111552555 A CN202111552555 A CN 202111552555A CN 114142527 A CN114142527 A CN 114142527A
- Authority
- CN
- China
- Prior art keywords
- microgrid
- power
- cost
- population
- optimal value
- 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
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
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开的一种多微网协同运行的经济调度优化方法,建立多微网系统模型,确定多微网中的微电网运行的约束条件和微电网优化的经济运行目标。由于多个微电网的调度问题是一个多目标多约束且具有较强非线性的复杂优化问题,因此使用基于映射粒子群算法的经济调度方法能够合理高效地解决该问题,具体的:映射矢量初始化粒子群,计算粒子群中所有粒子的适应度值和粒子个体的历史最优值和种群历史最优值;判断种群历史最优值是否小于初始化预设的最小适应度值,若否,则更新粒子个体的历史最优值和种群历史最优值,对每一次更新得到的种群历史最优值进行映射化;判断当前迭代次数或者种群历史最优值是否满足终止条件,若是,则输出种群历史最优值。
Description
技术领域
本发明涉及微电网电源调度技术领域,特别涉及一种多微网协同运行的经济调度优化方法。
背景技术
具有安全可靠、节能环保以及良好经济效益等优势的微电网,将成为推动电力发展的重要组成部分。微电网是由多种分布式电源和储能单元组成的具有自制能力的小型电网系统,符合当今世界追求能源可持续、低碳发展的需求,已成为电力行业与能源行业中专家和学者的研究热点。
请参照图1,典型微电网主要由:风电、光伏、柴油发电机、燃料电池和微型燃气机等分布式电源以及储能装置组成。对微电网调度优化是保证微电网运行经济性和环境友好的基础。目前针对微电网的智能经济调度方法更多聚焦在对单一微电网的探讨及研究,而对计及多微电网联合调度优化的智能经济调度方法较少。
发明内容
本发明所要解决的技术问题是:提供一种多微网协同运行的经济调度优化方法,能够提高求解精度并且降低综合运行成本。
为了解决上述技术问题,本发明采用的技术方案为:
一种多微网协同运行的经济调度优化方法,包括步骤:
建立多微网系统模型,所述多微网系统模型包括多个微电网;
确定所述微电网稳定运行的约束条件和所述微电网优化的经济运行目标;
映射矢量初始化粒子群,计算所述粒子群中所有粒子的适应度值;
计算粒子个体的历史最优值和种群历史最优值;
判断所述种群历史最优值是否小于初始化时预设的最小适应度值,若否,则更新粒子的速度、位置和适应度值,且更新所述粒子个体的历史最优值和所述种群历史最优值,并且对每一次更新得到的所述种群历史最优值进行映射化;
判断当前迭代次数或者所述种群历史最优值是否满足终止条件,若是,则输出所述种群历史最优值,否则,继续进行判断所述种群历史最优值是否小于初始化时预设的最小适应度值的步骤。
本发明的有益效果在于:建立多微网系统模型,确定多微网中的微电网运行的约束条件和微电网优化的经济运行目标。由于多个微电网的调度问题是一个多目标、多约束、具有较强非线性的复杂优化问题,因此使用基于映射粒子群算法的经济调度方法能够合理、高效地解决该问题,具体的:映射矢量初始化粒子群,计算粒子群中所有粒子的适应度值,计算粒子个体的历史最优值和种群历史最优值;判断种群历史最优值是否小于初始化时预设的最小适应度值,若否,则更新粒子个体的历史最优值和种群历史最优值,并且对每一次更新得到的种群历史最优值进行映射化;并且判断当前迭代次数或者种群历史最优值是否满足终止条件,若是,则输出种群历史最优值。因此将多个微电网的可控分布式电源输出功率转换为非约束的成本目标函数,能够快速计算得到目标函数最优的可控分布式电源的调度指令。由此可见基于映射粒子群算法的经济调度方法结构简单,易于理解,求解精度高,通过映射方法使得算法寻优不易于陷入局部最优,使得粒子具备很好的探索能力,能维持群体的多元性,有效降低综合运行成本。
附图说明
图1为典型并网型微电网模型图;
图2为本发明实施例的一种多微网协同运行的经济调度优化方法的流程图;
图3为本发明实施例的一种多微网协同运行的经济调度优化方法的具体步骤流程图;
图4为本发明实施例的一种多微网协同运行的经济调度优化方法的多微网系统调度流程图;
图5为在同一个微网系统模型下本发明实施例的经济调度方法与基本粒子群算法和小生境粒子群算法的仿真比较图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
请参照图2至图5,本发明实施例提供了一种多微网协同运行的经济调度优化方法,包括步骤:
建立多微网系统模型,所述多微网系统模型包括多个微电网;
确定所述微电网稳定运行的约束条件和所述微电网优化的经济运行目标;
映射矢量初始化粒子群,计算所述粒子群中所有粒子的适应度值;
计算粒子个体的历史最优值和种群历史最优值;
判断所述种群历史最优值是否小于初始化时预设的最小适应度值,若否,则更新粒子的速度、位置和适应度值,且更新所述粒子个体的历史最优值和所述种群历史最优值,并且对每一次更新得到的所述种群历史最优值进行映射化;
判断当前迭代次数或者所述种群历史最优值是否满足终止条件,若是,则输出所述种群历史最优值,否则,继续进行判断所述种群历史最优值是否小于初始化时预设的最小适应度值的步骤。
从上述描述可知,本发明的有益效果在于:建立多微网系统模型,确定多微网中的微电网运行的约束条件和微电网优化的经济运行目标。由于多个微电网的调度问题是一个多目标、多约束、具有较强非线性的复杂优化问题,因此使用基于映射粒子群算法的经济调度方法能够合理、高效地解决该问题,具体的:映射矢量初始化粒子群,计算粒子群中所有粒子的适应度值,计算粒子个体的历史最优值和种群历史最优值;判断种群历史最优值是否小于初始化时预设的最小适应度值,若否,则更新粒子个体的历史最优值和种群历史最优值,并且对每一次更新得到的种群历史最优值进行映射化;并且判断当前迭代次数或者种群历史最优值是否满足终止条件,若是,则输出种群历史最优值。因此将多个微电网的可控分布式电源输出功率转换为非约束的成本目标函数,能够快速计算得到目标函数最优的可控分布式电源的调度指令。由此可见基于映射粒子群算法的经济调度方法结构简单,易于理解,求解精度高,通过映射方法使得算法寻优不易于陷入局部最优,使得粒子具备很好的探索能力,能维持群体的多元性,有效降低综合运行成本。
进一步地,所述微电网包含光伏发电、风力发电、蓄电池储能系统以及可控微源。
由上述描述可知,由于光伏发电与风力发电不消耗燃料、不产生污染,所以在各微电网系统运行时优先考虑光伏与风力发电,并使风力和光伏发电工作在最大发电状态;但是因为光伏发电与风力发电受制于当地自然资源,为提高系统输出功率的稳定性、灵活性并且改善负荷用电质量,各微电网中均配备有蓄电池储能系统及不同形式的可控微源;其中,蓄电池储能系统能够起到功率互补和平衡负载的作用,原理是将化学能转换为电能;不可控微源主要充当后备发电设备,及时提供能量保障。
进一步地,所述确定所述微电网稳定运行的约束条件包括:
确定所述可控微源输出功率的约束条件:
确定所述蓄电池储能系统充放电的约束条件:
SOCmin≤SOCi,t≤SOCmax;
式中,表示第i微网t时刻蓄电池储能系统实际充放电功率,SOCi,t表示第i微网t时刻蓄电池储能系统实际荷电量,分别表示储能电池充放电功率上下限,SOCmax、SOCmin分别表示储能电池安全荷电量上下限;
当蓄电池储能系统充放电时,将t+1时刻的电池荷电量表示为:
式中,Pi bt(t)表示第i个微网t时刻的充放电功率,W表示蓄电池储能系统的总容量;
确定微网系统功率平衡公式:
由上述描述可知,从可控微源输出功率和蓄电池储能系统充放电的角度进行微电网稳定运行约束条件的计算,便于后续根据约束条件确定微电网优化经济的运行目标。
进一步地,确定所述微电网优化的经济运行目标包括:
根据所述微电网中的各分布式电源的运行成本、维护成本、治理成本以及向配电网购电成本和售电收益,计算所述微电网优化的经济运行目标:
由上述描述可知,优化经济运行旨在降低综合运行成本,主要包括各分布式电源的运行成本、维护成本、治理成本,以及向配电网购电成本,售电收益,因此结合上述成本能够准确计算最低综合运行成本。
进一步地,计算所述运行成本包括:
计算燃料电池与柴油发电机组的运行成本:
式中,ci fuel、ki oil、ηfc分别表示燃料电池燃料成本系数、柴油发电机组燃料成本系数、发电效率。
由上述描述可知,因为光伏和风力发电都属于清洁能源,基本无发电运行成本及发电治理成本,因此微网系统的运行成本主要由各微网可控分布式电源组成,从而对运行成本进行准确计算。
进一步地,计算所述治理成本包括:
由上述描述可知,发电治理成本指设备运行过程中会排放的污染性气体,为统一量纲,需将其转化为治理费用来处理。治理成本与各微网可控分布式电源输出功率有关,因此根据不同污染物的排放系数和治理费用系数进行计算,能够对治理成本进行准确计算。
进一步地,计算所述维护成本包括:
维护成本主要包括分布式电源维护成本和储能电池折损成本:
由上述描述可知,结合分布式电源维护成本和储能电池折损成本能够准确计算维护成本。
进一步地,计算所述购电成本和售电收益包括:
由上述描述可知,各微网根据调度策略存在与配电网的能量传递,因此综合运行成本还包含有购电成本、售电收益,能够保证综合运行成本计算的准确性。
进一步地,所述更新粒子的速度、位置包括:
式中,k为迭代次数分别是i在第k次进化的第d维速度和位置分量rand()为在[0,1]范围内变化的随机函数,c1和c2称为学习因子,ω为惯性权重,迭代过程中各个体获取的评价函数值最小的Xi记为 Pbest=[pbest1,pbest2,.....,pbestD],种群的评价函数值最小的Xi记为 Gbest=[gbest1,gbest2,....,gbestD]。
由上述描述可知,基本粒子群算法具有群体智能、迭代格式简单、收敛速度快等优点,适用于进行函数优化。
进一步地,所述对每一次更新得到的所述种群历史最优值进行映射化包括:
对每一次更新得到的所述种群历史最优值Xg=(Xi1,Xi2,...,XiD)进行映射优化;
将所述种群历史最优值进行转换:
Zij=(xij-aaj)/(bj-aj);
得到Z1j=(Z11,Z12,...,Z1D),j=1,2,......D,对Z1j各分量通过映射公式进行L-1(L<N)次迭代,生成映射矢量Z=(Z1,Z2,...,ZL)。
由上述描述可知,通过映射方法使得算法寻优不易于陷入局部最优,使得粒子具备很好的探索能力,能维持群体的多元性,有效降低综合运行成本。
本发明上述的一种多微网协同运行的经济调度优化方法,适用于将多个微网的可控分布式电源输出功率转换为非约束的成本目标函数,快速计算得到目标函数最优的可控分布式电源的调度指令;通过建立多微网的电力模型进行仿真,能够提高经济调度方法的合理性。以下通过具体的实施方式进行说明:
实施例一
请参照图2至图5,一种多微网协同运行的经济调度优化方法,包括步骤:
S1、建立多微网系统模型,所述多微网系统模型包括多个微电网。
具体的,如表1所示,在本实施例中多微网系统模型由三个小型微电网组成,各微电网均包含有光伏发电、风力发电、蓄电池储能系统以及不同形式的可控微源,可控微源包括燃料电池和柴油发电机组。
表1多微网系统模型结构
微网一 | 微网二 | 微网三 |
光伏发电 | 光伏发电 | 光伏发电 |
风力发电 | 风力发电 | 风力发电 |
蓄电池储能系统 | 蓄电池储能系统 | 蓄电池储能系统 |
燃料电池 | 柴油发电机组 | 燃料电池 |
由于光伏发电与风力发电不消耗燃料、不产生污染,所以在各微电网系统运行时优先考虑光伏与风力发电,并使风力和光伏发电工作在最大发电状态。但因光伏发电与风力发电受制于当地自然资源,为提高系统输出功率的稳定性、灵活性并改善负荷用电质量,各微电网中均配备有蓄电池储能系统及不同形式的可控微源。其中,蓄电池储能系统能够起到功率互补和平衡负载的作用,原理是将化学能转换为电能;不同形式的可控微源主要充当后备发电设备,及时提供能量保障。
S2、确定微电网稳定运行的约束条件。
S21、确定可控微源输出功率约束条件:
S22、确定蓄电池储能系统充放电约束条件:
SOCmin≤SOCi,t≤SOCmax。
式中,表示第i微网t时刻蓄电池储能系统实际充放电功率;SOCi,t表示第i微网t时刻蓄电池储能系统实际荷电量;分别表示储能电池充放电功率上下限;SOCmax、SOCmin分别表示储能电池安全荷电量上下限。
S23、当蓄电池储能系统充放电时,t+1时刻的电池荷电量表示为:
式中,Pi bt(t)表示第i个微网t时刻的充放电功率;W表示蓄电池储能系统的总容量。
S24、确定微网系统功率平衡公式:
S3、确定微电网优化的经济运行目标。
具体的,本实施例中,优化经济运行旨在降低综合运行成本,主要包括各分布式电源的运行成本、维护成本、治理成本以及向配电网购电成本和售电收益:
S31、计算燃料电池与柴油发电机组的运行成本。
因为光伏和风力发电都属于清洁能源,基本无发电运行成本及发电治理成本,因此微网系统的运行成本主要由各微网可控分布式电源组成:
S32、计算治理成本。
发电治理成本指设备运行过程中会排放CO2、SO2、NOx和CO等污染性气体,为统一量纲,需将其转化为治理费用来处理。治理成本与各微网可控分布式电源输出功率有关。因为光伏与风力发电属于清洁能源,治理成本主要由柴油发电机组,燃料电池造成,如下公式所示:
式中,j=1,2,3,4为污染物的类型编号,分别为CO2、SO2、NOx、CO;表示第i微网t时刻的发电治理成本;分别表示不同污染物的排放系数、不同污染物的治理费用系数。柴油发电机组主要排放污染物为:CO2、SO2、NOx;燃料电池主要排放污染物为:CO2、CO、NOx。
S33、计算维护成本。
维护成本主要包括分布式电源维护成本和储能电池折损成本:
S34、计算购电成本和售电收益。
各微网根据调度策略存在与配电网的能量传递,因此综合运行成本还包含有购电成本、售电收益,具体公式如下:
S4、进行基于映射粒子群算法的经济调度。
多个微电网的调度问题是一个多目标、多约束、具有较强非线性的复杂优化问题,传统的数学优化算法难以奏效,而本发明根据微电网稳定运行的约束条件和经济运行目标提出的基于映射粒子群算法的经济调度方法能够合理、高效地解决该类问题。
其中,基本粒子群算法是仿照鸟群寻食的结果,最早由Kennedy和Eberhart 于1995年提出,该算法模仿鸟类觅食行为,将每只鸟抽象为一个粒子,由初始粒子的适应度值确定个体极值和群体极值,在每次迭代过程中,更新粒子速度和位置,算法所寻找的最优解即等同于鸟类寻找的食物,其本质是通过粒子间的信息传递及粒子对自身行为的修正,不断改变其运动状态,从而逐渐获得最优解。
假定在D维空间中,由N个个体构成群体,则Xi=[xi1,xi2,xi3,.....,xiD]代表第i个个体的位置信息,Vi=[vi1,vi2,vi3,....,viD],i=1,2,.......N代表对应速度信息。待求解问题的解可由Xi表示。求解进程中,各个体通过更新以更改自身信息:
式中,k为迭代次数分别是i在第k次进化的第d维速度和位置分量rand()为在[0,1]范围内变化的随机函数;c1和c2称为学习因子;ω为惯性权重。迭代过程中,各个体获取的评价函数值最小的Xi记为 Pbest=[pbest1,pbest2,.....,pbestD],种群的评价函数值最小的Xi记为 Gbest=[gbest1,gbest2,....,gbestD]。
基本粒子群算法具有群体智能、迭代格式简单、收敛速度快等优点,因而广泛应用于函数优化领域。但综合基本粒子群算法的优化策略分析不难发现,该方法普遍具有初始化盲目、早熟而导致局部极值、后期粒子速度收缩过慢的缺陷。
在基本粒子群算法中,惯性系数ω的改变会直接影响其探索与开发能力。假设ω=0,则粒子速度依赖于其Pbest和Gbest,而与上一次迭代后Vi不相关。如果某粒子处于Gbest,此刻将维持不变,而其它粒子会飞到其Pbest和Gbest周围。基于这种方式,种群会收缩至Gbest,相当于局部算法。如果是ω≠0,那么粒子就有扩展搜索空间的趋势。所以,利用调节ω来权衡探索与开发能力,以适应不用的寻优问题。一般而言,ω值变大,则对应粒子的大范围寻优能力增强;反之,算法的局部搜索能力增强。因此,对于任一粒子而言,当粒子位置远离Gbest时,增大ω值;而当接近Gbest时,减小ω值,该搜索方式更符合实际优化需求。
考虑到基本粒子群寻优的非线性特征,采用线性递减的改进将不能满足实际需求。因此,本发明采用一种基于粒子个体适应度值的自适应调节策略,即每个粒子的ω依据其当前适应度值来进行调整,调整规律满足:
式中,ωmin、ωmax分别为惯性权重ω设定的下限和上限;fav为种群评价值的当前平均值;fav为当前Gbest的目标函数值;fav为粒子当前的适应度值。
一般粒子的初始位置是随机的。随机性不能确保粒子分布均匀性和质量。同时,由于群体在寻优进程的分布,导致早熟的缺陷。因此,从初始阶段到迭代结束阶段,粒子分布的调整具有重要意义。本文结合收敛较快和映射遍历性优势,提出一种基于映射理论的方法。通过对粒子位置信息的映射,使得粒子具备很好的探索能力,能维持群体的多元性。通常来说,映射是复杂的、随机的。它虽然不具有周期性和对称性,但其内部层次丰富,结构有序,并不是完全简单无序的状态。在数学上,对于一个确定的初始值,不仅可以推断系统的未来运动状态,而且可以推断它的过去形式。映射变量在某种方式下具备以下特性:随机性,即其性能与随机变量一样随机;遍历性,即其可以达到范围内全部取值而不重叠;规律性,即其由明确的递推公式推导出来的。本发明采用 Tent映射模型,其回归方程如下:
将映射理论融入基本粒子群算法,具体体现如下:
1.通过映射生成各个体的位置,从中择优选出所需群体,以此保证分布的均匀性,同时提高个体质量。
2.将Gbest通过映射产生序列,并将序列随机取缔原种群中部分个体。请参照图3,其主要流程如下:
步骤1:初始化基本信息,如学习因子、惯性权重取值范围、种群规模、粒子维数、最大迭代次数、最小适应度值以及Vi和Xi的取值范围。
步骤2:映射矢量初始化粒子群,计算粒子群中所有粒子的适应度值。
利用随机函数生产一个D维且各分量值均在[0,1]之间的映射矢量 Z1=(Z11,Z12,...,Z1D),以Z1为初始值通过Tent映射模型计算获取M(M>N)个矢量, Z1,Z2,...ZM。
将映射矢量Zi(i=1,2,...,M)的各分量映射到优化问题允许解空间,并得到M 个矢量X1,X2,...,XM:
Xij=aj+(bj-aj)Zij,(i=1,2,...,M;j=1,2,...,D);
式中,bj、aj分别表示优化变量的上下限。
步骤3:计算粒子个体的历史最优值Pbest和种群历史最优值Gbest。
步骤4:判定种群历史最优值Gbest是否小于最小适应度值,若是,则给出Gbest;否则,各粒子更新自身信息,同时,计算更新后各粒子目标函数值,记为 fitness,若该粒子的fitness比其Pbest的fitness更小,则将此位置设为Pbest;若该粒子的fitness比Gbest的fitness更小,则将此位置设为Gbest。
步骤5:种群历史最优值映射化。
对每一代种群历史最优值Xg=(Xi1,Xi2,...,XiD)映射优化。Xg通过 Zij=(xij-aaj)/(bj-aj)转换得到Z1j=(Z11,Z12,...,Z1D),j=1,2,......D,并对Z1j各分量通过映射公式进行L-1(L<N)次迭代,生成一个映射矢量Z=(Z1,Z2,...,ZL)。
映射矢量Z通过公式Xij=aj+(bj-aj)Zij,(i=1,2,...,M;j=1,2,...,D)变换到待优化问题的可行空间,生成可行解序列x=(x1,x2,...,xL)。
从种群中挑选L个粒子,要求各粒子不相同且不是当前Gbest用可行解序列代替被选中粒子,并计算可行解序列的fitness,若发现比当前Gbest的fitness更小,则更新Gbest。
步骤6:判断是否满足结束条件,结束条件为当前迭代次数大于最大迭代次数或者Gbest的适应度值小于初始化时预设的最小适应度值,若不满足条件则跳至步骤4;若满足则输出Gbest,并结束程序。
为验证本实施例的可行性,对同一个多微网系统模型进行仿真测试。模型是由三个小型微网组成的并网运行系统,并且多微网系统模型的调度策略请参照图4。
其中模型的燃料电池参数请参照表2、柴油发电机机组参数请参照表3、储能系统电池参数请参照表4、峰平谷电价请参照表5。
表2燃料电池参数
表3柴油发电机机组参数
表4储能系统电池参数
表5峰平谷电价
在同一个微网系统模型下将本实施例的经济调度方法与基本粒子群算法、小生境粒子群算法进行仿真比较,其数据如图5所示,本实施例的经济调度方法的综合运行成本为3730.1243元,基本粒子群算法的综合运行成本为4050.7963 元,小生境粒子群算法的综合运行成本为3816.490元。
各算法均设定最大迭代次数为3000次,均进行20次独立实验,择优选出最佳收敛适应度。本实施例的经济调度方法,求解精度高,通过映射方法使得算法寻优不易于陷入局部最优,粒子具备更好的探索能力,能维持群体的多元性,有效降低综合运行成本。同时,相比较常见优化算法:基本粒子群算法、小生境粒子群算法,本实施例的经济调度方法更具优势。
综上所述,本发明提供的一种多微网协同运行的经济调度优化方法,.建立多微网系统模型,确定多微网中的微电网运行的约束条件和微电网优化的经济运行目标。由于多个微电网的调度问题是一个多目标、多约束、具有较强非线性的复杂优化问题,因此使用基于映射粒子群算法的经济调度方法能够合理、高效地解决该问题,具体的:映射矢量初始化粒子群,计算粒子群中所有粒子的适应度值,计算粒子个体的历史最优值和种群历史最优值;判断种群历史最优值是否小于初始化最小适应度值,若否,则更新粒子个体的历史最优值和种群历史最优值,并且对每一次更新得到的种群历史最优值进行映射化;并且判断当前迭代次数或者种群历史最优值是否满足终止条件,若是,则输出种群历史最优值。因此将多个微电网的可控分布式电源输出功率转换为非约束的成本目标函数,能够快速计算得到目标函数最优的可控分布式电源的调度指令。由此可见基于映射粒子群算法的经济调度方法结构简单,易于理解,求解精度高,通过映射方法使得算法寻优不易于陷入局部最优,使得粒子具备很好的探索能力,能维持群体的多元性,有效降低综合运行成本。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种多微网协同运行的经济调度优化方法,其特征在于,包括步骤:
建立多微网系统模型,所述多微网系统模型包括多个微电网;
确定所述微电网稳定运行的约束条件和所述微电网优化的经济运行目标;
映射矢量初始化粒子群,计算所述粒子群中所有粒子的适应度值;
计算粒子个体的历史最优值和种群历史最优值;
判断所述种群历史最优值是否小于初始化时预设的最小适应度值,若否,则更新粒子的速度、位置和适应度值,且更新所述粒子个体的历史最优值和所述种群历史最优值,并且对每一次更新得到的所述种群历史最优值进行映射化;
判断当前迭代次数或者所述种群历史最优值是否满足终止条件,若是,则输出所述种群历史最优值,否则,继续进行判断所述种群历史最优值是否小于初始化时预设的最小适应度值。
2.根据权利要求1所述的一种多微网协同运行的经济调度优化方法,其特征在于,所述微电网包含光伏发电、风力发电、蓄电池储能系统以及可控微源。
3.根据权利要求2所述的一种多微网协同运行的经济调度优化方法,其特征在于,所述确定所述微电网稳定运行的约束条件包括:
确定所述可控微源输出功率的约束条件:
确定所述蓄电池储能系统充放电的约束条件:
SOCmin≤SOCi,t≤SOCmax;
式中,表示第i微网t时刻蓄电池储能系统实际充放电功率,SOCi,t表示第i微网t时刻蓄电池储能系统实际荷电量,分别表示储能电池充放电功率上下限,SOCmax、SOCmin分别表示储能电池安全荷电量上下限;
当蓄电池储能系统充放电时,将t+1时刻的电池荷电量表示为:
式中,Pi bt(t)表示第i个微网t时刻的充放电功率,W表示蓄电池储能系统的总容量;
确定微网系统功率平衡公式:
10.根据权利要求1所述的一种多微网协同运行的经济调度优化方法,其特征在于,所述对每一次更新得到的所述种群历史最优值进行映射化包括:
对每一次更新得到的所述种群历史最优值Xg=(Xi1,Xi2,...,XiD)进行映射优化;
将所述种群历史最优值进行转换:
Zij=(xij-aaj)/(bj-aj);
得到Z1j=(Z11,Z12,...,Z1D),j=1,2,......D,对Z1j各分量通过映射公式进行L-1(L<N)次迭代,生成映射矢量Z=(Z1,Z2,...,ZL)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111552555.3A CN114142527A (zh) | 2021-12-17 | 2021-12-17 | 一种多微网协同运行的经济调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111552555.3A CN114142527A (zh) | 2021-12-17 | 2021-12-17 | 一种多微网协同运行的经济调度优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114142527A true CN114142527A (zh) | 2022-03-04 |
Family
ID=80382844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111552555.3A Pending CN114142527A (zh) | 2021-12-17 | 2021-12-17 | 一种多微网协同运行的经济调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114142527A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116937629A (zh) * | 2023-07-21 | 2023-10-24 | 国网黑龙江省电力有限公司电力科学研究院 | 基于信息决策理论的多变压器微电网随机优化调度方法 |
-
2021
- 2021-12-17 CN CN202111552555.3A patent/CN114142527A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116937629A (zh) * | 2023-07-21 | 2023-10-24 | 国网黑龙江省电力有限公司电力科学研究院 | 基于信息决策理论的多变压器微电网随机优化调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107887903B (zh) | 考虑元件频率特性的微电网鲁棒优化调度方法 | |
Moghaddam et al. | Multi-objective operation management of a renewable MG (micro-grid) with back-up micro-turbine/fuel cell/battery hybrid power source | |
CN104362677B (zh) | 一种主动配电网优化配置结构及其配置方法 | |
CN110070292B (zh) | 基于交叉变异鲸鱼优化算法的微网经济调度方法 | |
CN110705776A (zh) | 能源优化调度方法 | |
CN107147152A (zh) | 新能源配电网多类型有功无功源协同优化配置方法及系统 | |
CN110705863A (zh) | 能源优化调度装置、设备及介质 | |
CN116667325B (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 | |
Javadi et al. | Application of GA, PSO and ABC in optimal design of a stand-alone hybrid system for north-west of Iran | |
CN114977180A (zh) | 一种基于负荷侧灵活性资源的微电网低碳优化调度方法 | |
CN107732945A (zh) | 一种基于模拟退火粒子群算法的储能单元优化方法 | |
CN114400712A (zh) | 一种基于改进二阶粒子群算法的微电网群优化调度方法 | |
CN112202205A (zh) | 一种多能源三级自律协同控制方法及装置 | |
CN114142527A (zh) | 一种多微网协同运行的经济调度优化方法 | |
Zhang et al. | Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach | |
CN112836423A (zh) | 基于改进差分进化算法的微网容量优化配置方法 | |
CN112580897A (zh) | 基于鹦鹉算法的多能源电力系统优化调度的方法 | |
CN107546755A (zh) | 基于功率灵敏度分析的孤岛微网系统频率和电压调节方法 | |
CN107846007A (zh) | 基于混沌局部搜索的直流配网电源储能双层规划方法 | |
CN116706950A (zh) | 基于htl-mopso算法的有源配电网储能多目标优化配置方法和系统 | |
CN109066823B (zh) | 一种适于三端口电力电子变压器的交直流混合微网两层优化方法 | |
Zhou et al. | Optimal dispatching of microgrid based on improved particle swarm optimization | |
Nugroho et al. | Coordination of blade pitch controller and battery energy storage using firefly algorithm for frequency stabilization in wind power systems | |
Shi et al. | Distribution Network Distributed Energy Storage Configuration Optimization Method Considering Variance of Network Loss Sensitivity | |
CN115995840A (zh) | 基于风、光、储能协调的新能源系统调峰优化方法和装置 |
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 |