CN114819349A - 一种多微网系统的主动配电网能量分层管理优化方法 - Google Patents
一种多微网系统的主动配电网能量分层管理优化方法 Download PDFInfo
- Publication number
- CN114819349A CN114819349A CN202210455248.1A CN202210455248A CN114819349A CN 114819349 A CN114819349 A CN 114819349A CN 202210455248 A CN202210455248 A CN 202210455248A CN 114819349 A CN114819349 A CN 114819349A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- energy
- formula
- power
- microgrid system
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 241000287127 Passeridae Species 0.000 claims abstract description 71
- 230000004044 response Effects 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 238000010845 search algorithm Methods 0.000 claims abstract description 16
- 238000001816 cooling Methods 0.000 claims abstract description 4
- 238000010438 heat treatment Methods 0.000 claims abstract description 4
- 230000005611 electricity Effects 0.000 claims description 73
- 239000007789 gas Substances 0.000 claims description 40
- 238000010248 power generation Methods 0.000 claims description 32
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 28
- 238000005338 heat storage Methods 0.000 claims description 27
- 238000004146 energy storage Methods 0.000 claims description 18
- 150000001875 compounds Chemical class 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 239000003344 environmental pollutant Substances 0.000 claims description 7
- 231100000719 pollutant Toxicity 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 6
- 239000002699 waste material Substances 0.000 claims description 6
- 230000036626 alertness Effects 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 239000003345 natural gas Substances 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000010521 absorption reaction Methods 0.000 claims description 2
- 239000000356 contaminant Substances 0.000 claims description 2
- 230000002431 foraging effect Effects 0.000 claims description 2
- 230000020169 heat generation Effects 0.000 claims description 2
- 238000002789 length control Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- 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
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种多微网系统的主动配电网能量分层管理优化方法，其技术特点：构建一种含冷热电联供型多微网系统的主动配电网能量分层管理模型，该模型分为主动配电网层优化模型和多微网系统层优化模型；引入多微网系统需求响应策略，考虑需求响应的同时，实现可再生能源的最大消纳；引入非线性映射、正余弦模型、动态惯性权重因子以及Lévy飞行策略四种手段改进麻雀搜索算法，设置改进麻雀搜索算法的参数进行初始化，更新迭代种群的最优位置及其对应的适应度值；最后显示改进麻雀搜索算法对能量分层管理模型的优化结果；本发明优化了能量分层管理问题，既保证了电力系统调度的灵活，又降低了电力系统的运行成本。
Description
技术领域
本发明属于电力系统技术领域，尤其是一种多微网系统的主动配电网能量分层管理优化方法。
背景技术
随着全球化石能源储量的日益减少，可再生能源的消费比重逐渐增大。与传统的集中式发电相比，可再生能源通常以分布式电源的形式参与到配电网的运行中，分布式电源具有污染少、效能高以及安装灵活等特点，是对大型电网的有效支持和有力补充。将分布式电源、储能系统以及用户负荷通过集中控制与保护装置集合成一个模块化、小型化和分散化的功能网络系统，在充分利用可再生能源、提高电力系统的灵活性和稳定性以及为电力用户提供可靠高效的电能方面具有重要作用。然而，可再生能源的出力具有随机性和波动性，大量接入配电网会给电力系统的可靠性造成不利影响。因此，有必要采用灵活性好的网络拓扑结构，实现对分布式电源的主动控制和对负荷需求侧的主动管理。
作为保障配电网与微网系统协调运行的核心组成部分，多微网(Multi-Microgrids，MMG)系统的能量管理是由内部各微网系统的能量管理组成，当主动配电网中接入数量众多、种类复杂的微网系统时，如何在主网稳定运行的前提下保证各微网系统的安全、可靠和经济运行，对电力生产和生活用电都有着重要的研究价值，同时也将是未来能源互联网的重要趋势之一。因此，对含多微网系统的主动配电网能量管理进行相应的研究和分析，既可以有效提高可再生能源的利用效率，也能够顺应能源互联网的发展，具有重要的实用价值。但面对用户负荷的需求响应以及系统运行策略和模型求解等问题，是含多微网系统的主动配电网能量分层管理研究的难点。
综上所述，考虑规模更大、结构更复杂的多微网系统模型以及主动配电网间的能量交互和市场交易等各种因素，对含多微网系统的主动配电网能量分层管理进行优化，成为亟待解决的问题。
发明内容
本发明的目的在于克服现有技术的不足，提出一种多微网系统的主动配电网能量分层管理优化方法，构建一种含冷热电联供型(Combined Cooling，Heating and Power，CCHP)多微网系统的主动配电网能量分层管理模型，由主动配电网能量决策中心(EnergyDecision Center，EDC)和微网能量管理系统(Energy Management System，EMS)进行交互和管理。采用改进麻雀搜索算法(Improved Sparrow Search Algorithm，ISSA)对能量分层管理模型进行求解，实现了对能量分层管理模型的优化，在保证主动配电网安全可靠的运行下，使电网的经济效益最大化。
本发明解决其技术问题是采取以下技术方案实现的：
一种多微网系统的主动配电网能量分层管理优化方法，包括以下步骤：
步骤1，建立主动配电网层优化模型；
步骤2，建立多微网系统层优化模型；
步骤3，引入多微网系统需求响应策略；
步骤4，采用改进麻雀搜索算法求解能量分层管理模型；
步骤5，显示改进麻雀搜索算法对能量分层管理模型的优化结果；
进一步，所述步骤1的具体实现方法包括以下步骤：
步骤1.1，构建主动配电网层的目标函数；
步骤1.2，建立主动配电网层的约束条件；
所述步骤1.1的具体实现方法为：
作为能量分层管理的上层模型，主动配电网层实现了对系统内部能量流动的有效决策和管理，以发电机组的总成本最低为目标函数如式(1)所示：
min f＝f1+f2+f3 (1)
式中，f为发电机组的总成本，f1为电机组的运行成本，f2为电能交互成本，f3为主动配电网层的惩罚费用，T为系统的运行周期，设置为24h，NG为发电机组的数量，PG，q(t)为第q台机组在t时刻的输出功率，aq、bq和cq为第q台机组的运行参数，Pv，ADN(t)、Pw，ADN(t)分别为t时刻主动配电网层的电能缺额部分和浪费部分，ξ为惩罚系数，NMG为微网系统的数量，CMMG和CG为主动配电网与多微网系统以及主电网的交易费用，Pbuy，MG，n(t)、Psell，MG，n(t)分别为t时刻第n个微网系统向主动配电网的购电功率和售电功率，cbuy，ADN(t)、csell，ADN(t)分别为t时刻多微网系统层从主动配电网的购电单价和售电单价，cbuy，G(t)、csell，G(t)分别为t时刻主动配电网向主电网的购电单价和售电单价，Pbuy，G(t)、Psell，G(t)分别为t时刻主动配电网向主电网的购电功率和售电功率；
所述步骤1.2的具体实现方法为：
主动配电网满足负荷平衡约束以及机组出力约束，且需要同时考虑主动配电网与主电网之间的联络线传输容量约束，如式(4)、式(5)和式(6)所示：
式中，NG为发电机组的数量，NMG为微网系统的数量，PD(t)为主动配电网层在t时刻内的独立用户负荷需求，PG，j(t)主动配电网层在t时刻内为第j台发电机组的出力，Pbuy，MG，n(t)、Psell，MG，n(t)分别为t时刻第n个微网系统向主动配电网的购电功率和售电功率，Pbuy，G(t)、Psell，G(t)分别为t时刻主动配电网向主电网的购电功率和售电功率，
和
分别为第j台发电机组的最小、最大出力，
和
分别为主动配电网向主电网的最小、最大售电量，
和
分别为主动配电网向主电网的最小、最大购电量，PG，j(t)、Psell，G(t)和Pbuy，G(t)分别为在t时刻第j台发电机组的出力、主动配电网向主电网的售电量和购电量；
进一步，所述步骤2的具体实现方法包括以下步骤：
步骤2.1，构建多微网系统层的目标函数；
步骤2.2，建立多微网系统层的约束条件；
所述步骤2.1的具体实现方法为：
在多微网系统层中，各微网能量管理系统(EMS)将下层的功率交互信息发送到上层的主动配电网能量决策中心(EDC)，同时，在多微网系统层中，将各微网系统的运行成本之和作为下层模型的运行成本，即多微网系统层的优化目标函数，如式(7)所示：
min F＝min g1+min g2 (7)
式中，F为多微网系统层的综合目标函数，g1和g2分别为各微网系统目标函数的经济成本和环境成本；
进一步，各微网系统的经济成本目标函数如式(8)所示：
min g1＝CF+CM+CADN+CP (8)
式中，CF为天然气消耗成本，CM为设备的初始投资成本、运行和维护成本，CADN为与主动配电网层的电能交互成本，CP为惩罚费用，cgas为天然气的单价，取值为2.05元/m3，QGT(t)为燃气轮机在t时刻的发热功率，QGB(t)为燃气锅炉在t时刻内输出的热量，ND为设备的种类数，r为设备的折现率，l为设备的寿命周期，
为第k类设备的初始投资成本，
为第k类设备的运行和维护成本，Nk为第k类设备，
为第k类设备的额定功率，Pbuy，MG(t)、Psell，MG(t)分别为t时刻微网系统从主动配电网的购电功率以及向主动配电网售电功率，cbuy，ADN(t)、csell，ADN(t)分别为t时刻多微网系统层从主动配电网的购电单价以及向主动配电网的售电单价，Pv，MG(t)、Pw，MG(t)分别为t时刻微网系统电能的缺额部分和浪费部分，Qv，MG(t)、Qw，MG(t)分别为t时刻微网系统热能的缺额部分和浪费部分，ξ为惩罚系数，T为系统的运行周期，设置为24h；
进一步，各微网系统的环境成本目标函数如式(10)所示：
式中，k＝1，2，3，且K∈{CO2，NO，SO2}为污染物的种类，ck为微网系统处理每克k类污染物所用费用，χk，GT、χk，GB、χk，EC和χk，ADN分别为燃气轮机、燃气锅炉、电制冷机以及向主动配电网购买电能对第k类污染物的排放系数，PGT(t)为燃气轮机在t时刻的发电功率，QGB(t)为燃气锅炉在t时刻内输出的热量，QEC(t)为电制冷机在t时刻内输出的冷能，Pbuy，MG(t)为t时刻微网系统从主动配电网的购电功率，T为系统的运行周期，设置为24h；
所述步骤2.2的具体实现方法为：
多微网系统层中的约束条件包括负荷平衡约束、储能系统容量约束、设备出力约束、设备配置数量约束以及与主动配电网的交易约束，同时将储能系统容量以及设备配置数量作为下层模型的决策变量；
进一步，任意时间段内的设备出力要与冷、热、电负荷的需求相匹配，满足负荷平衡约束，如式(11)所示：
式中，PLoad(t)、QLoad，h(t)和QLoad，c(t)分别为CCHP微网系统在t时刻内电负荷、热负荷以及冷负荷的需求量，PWT(t)为t时刻风力发电系统的输出功率，PPV(t)为t时刻光伏发电系统的输出功率，PBIO(t)为t时刻沼气发电系统的输出功率，PGT(t)为t时刻风力发电系统的输出功率，Pc(t)、Pd(t)分别为t时刻蓄电池的充、放电功率，Pbuy，MG(t)、Psell，MG(t)分别为t时刻微网系统从主动配电网的购电功率以及向主动配电网售电功率，QHE(t)为热转换器在t时刻内输出的热能，Qc(t)、Qd(t)分别为t时刻蓄热槽的蓄热、放热功率，QGB(t)为燃气锅炉在t时刻内输出的热量，QEC(t)为电制冷机在t时刻内输出的冷能，QAC(t)吸收式制冷机在t时刻内输出的冷能；
进一步，储能系统容量约束包括蓄电池和蓄热槽的容量约束，且蓄电池和蓄热槽在某一时刻不能同时处于能量输入和能量输出的状态，其约束条件分别如式(12)和式(13)所示：
式中，
和
分别为蓄电池的最小、最大储能容量，
和
分别为蓄电池的最小、最大充电功率，
和
分别为蓄电池的最小、最大放电功率，EBAT(t)、Pc(t)和Pd(t)分别为在t时刻蓄电池的储能容量、充电功率和放电功率；
式中，
和
分别为蓄热槽的最小、最大储能容量，
和
分别为蓄热槽的最小、最大储热功率，
和
分别为蓄热槽的最小、最大放热功率，QHST(t)、Qc(t)和Qd(t)分别为在t时刻蓄热槽的储能容量、储热功率和放热功率；
进一步，设备出力约束条件如式(14)所示：
式中，
和
分别为风力发电系统、光伏发电系统、沼气发电系统、燃气轮机和燃气锅炉的最小出力，
和
分别为风力发电系统、光伏发电系统、沼气发电系统、燃气轮机和燃气锅炉的最大出力，PWT(t)、PPV(t)、PBIO(t)、PGT(t)和QGB(t)分别为在t时刻风力发电系统、光伏发电系统、沼气发电系统、燃气轮机和燃气锅炉的出力；
进一步，设备配置数量约束条件如式(15)所示：
式中，
和
分别为风力发电机、光伏电池、燃气轮机、蓄电池、蓄热槽以及燃气锅炉的最小配置数量，
和
分别为风力发电机、光伏电池、燃气轮机、蓄电池、蓄热槽以及燃气锅炉的最大配置数量，NWT、NPV、NGT、NBAT、NHST和NGB分别为风力发电机、光伏电池、燃气轮机、蓄电池、蓄热槽以及燃气锅炉的配置数量，CBIO(t)为在t时刻内沼气的进气量，
和
分别为沼气发电系统沼气的最小、最大进气量；
进一步，与主动配电网的交易约束条件如式(16)所示：
式中，
和
分别为微网系统的最小、最大购电量，
和
分别为微网系统的最小、最大售电量，Pbuy，MG(t)和Psell，MG(t)分别为在t时刻微网系统的购电量和售电量；
进一步，所述步骤3的具体实现方法包括以下步骤：
步骤3.1，确定电价弹性矩阵以及各微网系统的分时电价；
步骤3.2，对各时间段用电负荷数据进行分析；
步骤3.3，根据环境数据以及各微网系统的设备参数，计算得到各时间段内可再生能源的出力情况；
所述步骤3.1的电价弹性矩阵如式(17)所示：
式中，Pp、Pm和Py分别为价格型需求响应后各时段的平均负荷量，Pp，0、Pm，0和Py，0分别为价格型需求响应前各时段的平均负荷量，Pc为电量电价弹性系数，p、m和y分别表示分时电价机制中的峰、平、谷时段，Δcp、Δcm和Δcy分别表示需求响应后各时段的电价变化量，cp，0、cm，0和cy，0表示采取分时电价前的的电价，视为统一价格；
进一步，所述步骤4的具体实现方法包括以下步骤：
步骤4.1，确定最大迭代次数、种群大小、搜索空间范围、维数以及发现者的占比；
步骤4.2，引入非线性映射初始化种群位置；
步骤4.3，计算当前适应度值并记录种群位置；
步骤4.4，引入正余弦模型和动态惯性权重因子改进发现者位置更新公式；
步骤4.5，更新加入者的位置，并计算当前个体的位置和适应度值；
步骤4.6，确定并更新警惕者位置以及执行Lévy飞行策略；
步骤4.7，输出改进麻雀搜索算法的优化结果；
所述步骤4.1的具体实现方法为：
假设一个寻优空间，发现者占整个麻雀数量的20％，加入者占整个麻雀数量的80％，其中具备警惕性的警惕者占种群总数的10％～20％，且这类麻雀将在种群个体中随机产生，麻雀的初始位置如式(18)所示：
式中，X为矩阵空间，d表示待优化变量的维数，s为麻雀数量；
所述步骤4.2的具体实现方法为：
改善麻雀的空间分布并加大全局的最优解搜索范围，即扩大能量分层模型求解的多样性以及加快筛选出适应度值小的个体，选择非线性映射来初始化种群，如式(19)所示：
式中，w表示非线性映射当前的迭代次数，
为初始化时第w次的第i只麻雀在第j维的非线性数值，p为非线性映射参数，设置为0.4；
具体的初始化步骤如下所示：
1)确定非线性映射参数p和最大迭代次数；
2)随机生成非线性映射变量初始值；
3)代入式(19)进行迭代并更新迭代次数；
4)如果满足最大迭代次数，请转到5)，否则返回3)；
5)迭代结束，获得杂合序列并将其重新映射到个体；
所述步骤4.4的具体实现方法为：
利用正余弦模型的震荡变化对目标函数求解，即更新麻雀发现者的位置，加强能量分层模型全局寻优和局部搜索能力，使适应度值减小得到全局最优解；
麻雀中发现者位置改进前后的更新公式分别为如式(20)和式(21)所示：
改进前：
式中，h表示算法当前的迭代次数，
为第i只麻雀在第j维的取值，α∈[0，1]为随机数，Mmax为最大迭代次数，Q代表一个服从正态分布的随机值，R2∈[0，1]为预警值，ST∈[0.5，1]为安全值；
改进后：
式中，
表示第h次迭代下麻雀种群的最优位置，即当前个体的适应度值最小，为能量分层模型的最优解，r1′为改进后的步长搜索因子，其中a为常数，η为调节系数，且η≥1，r2∈[0，2π]，控制麻雀个体的移动距离，r3∈[0，2]，控制麻雀个体最优位置对位置的更新，
表示动态惯性权重因子，其中
和
均为权重参数，分别设置为0.9和0.4；
所述步骤4.5的具体实现方法为：
麻雀中加入者位置的位置更新公式如式(23)所示：
式中，
表示第h次迭代下麻雀种群的最差位置，为能量分层模型的其他解，d表示待优化变量的维数，当i＞s/2时，这部分麻雀处于极度饥饿的状态，自身能量较低且适应度值较差，需要更换觅食位置以获得更高的能量；
所述步骤4.6的具体实现方法为：
在警惕机制中，处于种群中心的麻雀会吸引种群边缘的麻雀而跳跃到当前最优位置，即保证能量分层管理模型适应度值高的逐渐向适应度值低的过渡，其他解向最优解靠拢，而引入Lévy飞行策略也会使能量分层管理模型跳出局部最优解，进而获取全局最优解；
引入警惕机制，位置更新如式(24)所示：
式中，β表示步长控制参数，且是一个服从均值为0、方差为1的正态分布的随机值，K∈[-1，1]为随机值，同样用于控制麻雀的移动方向，σ为一个数值极小的常数，用于防止分母为0的情况出现，设置为10-5，fw表示当前种群中的最差个体适应度值，fi表示第i只麻雀的适应度值；
警惕者位置更新后，再执行Lévy飞行策略更新个体位置，如式(25)所示：
式中，
为点乘运算，L为步长控制系数，L(λ)为Lévy飞行的路径函数，其步长公式如式(26)所示：
step＝u/|v|1/γ (26)
式中，γ为常数，设为1.5，u和v为服从正态分布的随机值，σu和σv为u、v的方，Γ为伽马函数；
所述步骤4.7的具体实现方法为：
更新完成后，选取出最优和最差个体位置及其对应的适应度值，判断是否满足最大迭代次数，若满足最大迭代次数，输出最优种群位置及对应的适应度值，否则返回步骤4.3；
进一步，所述步骤5的具体实现方法包括以下步骤：
借助MATLB软件在计算机的显示器中显示步骤5中主动配电网能量决策中心(EDC)和微网能量管理系统(EMS)进行交互和管理的优化结果。
上述的一种多微网系统的主动配电网能量分层管理优化方法，所述改进麻雀搜索算法(ISSA)的思想以及能量分层管理模型是已有技术，是为本技术领域技术人员所熟知的；
上述的一种多微网系统的主动配电网能量分层管理优化方法，所述多微网系统层和主动配电网层调度模型的搭建与各模型参数的输入方法是公知的方法；
上述的一种多微网系统的主动配电网能量分层管理优化方法，所述的计算机、显示器和MATLAB计算机软件均是通过商购获得的。
本发明的优点和积极效果是：
1、本发明一种多微网系统的主动配电网能量分层管理优化方法不局限于多微网系统的主动配电网能量分层管理，也可以扩展用于其他系统的优化；
2、本发明通过非线性映射初始化、正余弦模型、动态惯性权重因子以及Lévy飞行策略四种手段提高了改进麻雀搜索算法(ISSA)的寻优速度及稳定性，使得该算法可以快速准确地求解出能量分层管理模型的最优出力方案，为电力系统运行带来良好的经济效益；
3、本发明引入了多微网系统需求响应策略，在考虑内部用户参与负荷需求响应的同时，又实现了可再生能源的最大消纳，最大程度上保障了用户用电的经济性、可靠性和时效性，减少了负荷的转移或中断；
4、本发明设计合理，在提高电力系统调度灵活性的前提下降低了电力系统的运行成本，优化了多微网系统的主动配电网能量分层管理问题，提高了电力系统运行的稳定性。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明方法的流程示意图；
图2是含冷热电联供型多微网系统的主动配电网能量分层管理结构图；
图3是本发明方法中改进麻雀搜索算法的流程图；
图4是主动配电网层能量管理结果图；
图5是主动配电网层与电能交互的结果图；
图6是微网系统MG1、MG2、MG3在需求响应策略下的电负荷结果图；
图7是微网系统MG1、MG2、MG3能量管理与电能交互的结果图；
具体实施方式
图1表明一种多微网系统的主动配电网能量分层管理优化方法的流程是：开始→建立主动配电网层优化模型→建立多微网系统层优化模型→引入多微网系统需求响应策略→采用改进麻雀搜索算法求解能量分层管理模型→显示改进麻雀搜索算法对能量分层管理模型的优化结果→结束；
图3表明本发明改进麻雀搜索算法的流程是：开始→对相关参数进行赋值→引入非线性映射进行种群初始化→求解并记录当前最优和最差的种群位置→引入正余弦模型和动态惯性因子→更新发现者位置→更新加入者位置→确定并更新警惕者位置以及执行Lévy飞行策略→更新最优和最差个体位置及其对应的适应度值→判断是否达到最大迭代次数，若满足输出最优种群位置及对应的适应度值，否则继续迭代→结束；
实施例1
本发明提出一种多微网系统的主动配电网能量分层管理优化方法，采用PC机作为平台进行模型搭建，其运行环境是基于Microsoft Windows10操作系统的MATLAB R2016a软件，硬件配置为Core i5-5200U 2.20GHz以及4GB RAM。
在本实施例中，环境数据来源于Meteonorm8.0气象数据集，同时，负荷数据包括主动配电网内部得到独立负荷以及各CCHP微网系统的冷、热、电负荷，其来源于美国能源局发布的16种商业参考建筑信息的负荷数据，将数据集中的餐馆、超市和购物中心区域等作为MG1，酒店和公寓区域作为MG2，办公区域作为MG3；
步骤1，建立主动配电网层优化模型；
步骤1.1，构建主动配电网层的目标函数；
作为能量分层管理的上层模型，主动配电网层实现了对系统内部能量流动的有效决策和管理，以发电机组的总成本最低为目标函数如式(1)所示；
步骤1.2，建立主动配电网层的约束条件；
主动配电网满足负荷平衡约束以及机组出力约束，且需要同时考虑主动配电网与主电网之间的联络线传输容量约束，如式(4)、式(5)和式(6)所示；
步骤2，建立多微网系统层优化模型；
步骤2.1，构建多微网系统层的目标函数；
在多微网系统层中，各微网能量管理系统(EMS)将下层的功率交互信息发送到上层的主动配电网能量决策中心(EDC)，同时，在多微网系统层中，将各微网系统的运行成本之和作为下层模型的运行成本，即多微网系统层的优化目标函数，如式(7)所示；
步骤2.2，建立多微网系统层的约束条件；
多微网系统层中的约束条件包括负荷平衡约束、储能系统容量约束、设备出力约束、设备配置数量约束以及与主动配电网的交易约束，同时将储能系统容量以及设备配置数量作为下层模型的决策变量，分别如式(11)、式(12)、式(13)、式(14)、式(15)和式(16)所示；
步骤3，引入多微网系统需求响应策略；
步骤3.1，确定电价弹性矩阵以及各微网系统的分时电价；
电价弹性矩阵如式(17)所示，各微网系统的分时电价如表3所示；
步骤3.2，对各时间段用电负荷数据进行分析；
步骤3.3，根据环境数据以及各微网系统的设备参数，计算得到各时间段内可再生能源的出力情况；
在主动配电网层中，设置三台发电机组并将各机组间的出力比作为上层模型的决策变量及约束条件，其中机组1的容量最大，将承担主要发电任务，而机组2和机组3的最低出力比为0.20，各发电机组的运行参数如表1所示，在多微网系统层中，设备的折旧系数设为0.08，储能系统的最大、最小荷电状态分别为0.9和0.2，单位时间沼气进气量的下限值为50m3/h，污染物CO2、NO和SO2的治理单价取值分别为0.000 21元/g、0.063 0元/g和0.014 8元/g，各种设备的有关参数和费用以及污染物的排放量如表2、表3所示，多微网系统层与主动配电网层(MMG-ADN)的分时电价以及主动配电网层与主电网(AND-主电网)的分时电价如表4所示，各微网系统的设备组成和设备数量约束如表5所示，各微网系统的峰、平、谷时段划分如表6所示。
表1 主动配电网层的发电机组参数
表2 多微网系统层的设备参数
表3 污染物排放系数
表4 分时电价
表5 各微网系统的设备组成和数量上限
表6 各微网系统的峰、平、谷时段划分结果
步骤4，采用改进麻雀搜索算法求解能量分层管理模型；
步骤4.1，确定最大迭代次数、种群大小、搜索空间范围、维数以及发现者的占比；
麻雀种群数量s为100，发现者数量为20，加入者数量为80，其中具备警惕性的警惕者数量为15，搜索空间范围X为100×2的矩阵空间，维数为2，最大迭代次数为500，麻雀的初始位置如式(18)所示；
步骤4.2，引入非线性映射初始化种群位置；
改善麻雀的空间分布并加大全局的最优解搜索范围，即扩大能量分层模型求解的多样性以及加快筛选出适应度值小的个体，选择非线性映射来初始化种群，如式(19)所示；
步骤4.3，计算当前适应度值并记录种群位置；
步骤4.4，引入正余弦模型和动态惯性权重因子改进发现者位置更新公式；
利用正余弦模型的震荡变化对目标函数求解，即更新麻雀发现者的位置，加强能量分层模型全局寻优和局部搜索能力，使适应度值减小得到全局最优解，麻雀中发现者位置改进前后的更新公式分别为如式(20)和式(21)所示；
步骤4.5，更新加入者的位置，并计算当前个体的位置和适应度值；
麻雀中加入者位置的位置更新公式如式(23)所示，在更新发现者位置的同时，对加入者的位置也进行更新，得出发现者和加入者新的适应度值并记录，即对能量分层管理模型新一轮的解集进行调控，保证在迭代过程中的寻优能力；
步骤4.6，确定并更新警惕者位置以及执行Lévy飞行策略；
在警惕机制中，处于种群中心的麻雀会吸引种群边缘的麻雀而跳跃到当前最优位置，即保证能量分层管理模型适应度值高的逐渐向适应度值低的过渡，其他解向最优解靠拢，而引入Lévy飞行策略也会使能量分层管理模型跳出局部最优解，进而获取全局最优解，引入警惕机制，位置更新如式(24)所示，警惕者位置更新后，再执行Lévy飞行策略更新个体位置，如式(25)所示；
步骤4.7，输出改进麻雀搜索算法的优化结果；
更新完成后，选取出最优和最差个体位置及其对应的适应度值，判断是否满足最大迭代次数，若满足最大迭代次数，输出最优种群位置及对应的适应度值；否则返回步骤4.3；
步骤5，显示改进麻雀搜索算法对能量分层管理模型的优化结果；
主动配电网层能量管理结果如图4所示，主动配电网层与电能交互的结果如图5所示，微网系统MG1、MG2、MG3在需求响应策略下电负荷结果如图6所示，微网系统MG1、MG2、MG3能量管理与电能交互的结果如图7所示，其中，考虑需求侧响应的因素，主动配电网层中是基于各微网系统互联运行模式的结果进行显示，多微网系统层对三个微网系统以电负荷的形式进行比较显示，含多微网系统的主动配电网的运行成本结果如表7所示，其中多微网系统层的运行成本为各微网系统的运行成本之和，总运行成本为多微网系统层的运行成本以及主动配电网层的运行成本之和，多微网系统需求响应策略的负荷特性如表8所示。
表7 含多微网系统的主动配电网的运行成本
表8 需求响应策略的负荷特性
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
Claims (2)
1.一种多微网系统的主动配电网能量分层管理优化方法，其特征在于：
包括以下步骤：
步骤1，建立主动配电网层优化模型；
步骤2，建立多微网系统层优化模型；
步骤3，引入多微网系统需求响应策略；
步骤4，采用改进麻雀搜索算法求解能量分层管理模型；
步骤5，显示改进麻雀搜索算法对能量分层管理模型的优化结果；
进一步，所述步骤1的具体实现方法包括以下步骤：
步骤1.1，构建主动配电网层的目标函数；
步骤1.2，建立主动配电网层的约束条件；
所述步骤1.1的具体实现方法为：
作为能量分层管理的上层模型，主动配电网层实现了对系统内部能量流动的有效决策和管理，以发电机组的总成本最低为目标函数如式(1)所示：
minf＝f1+f2+f3 (1)
式中，f为发电机组的总成本，f1为电机组的运行成本，f2为电能交互成本，f3为主动配电网层的惩罚费用，T为系统的运行周期，设置为24h，NG为发电机组的数量，PG，q(t)为第q台机组在t时刻的输出功率，aq、bq和cq为第q台机组的运行参数，Pv，ADN(t)、Pw，ADN(t)分别为t时刻主动配电网层的电能缺额部分和浪费部分，ξ为惩罚系数，NMG为微网系统的数量，CMMG和CG为主动配电网与多微网系统以及主电网的交易费用，Pbuy，MG，n(t)、Psell，MG，n(t)分别为t时刻第n个微网系统向主动配电网的购电功率和售电功率，cbuy，ADN(t)、csell，ADN(t)分别为t时刻多微网系统层从主动配电网的购电单价和售电单价，cbuy，G(t)、csell，G(t)分别为t时刻主动配电网向主电网的购电单价和售电单价，Pbuy，G(t)、Psell，G(t)分别为t时刻主动配电网向主电网的购电功率和售电功率；
所述步骤1.2的具体实现方法为：
主动配电网满足负荷平衡约束以及机组出力约束，且需要同时考虑主动配电网与主电网之间的联络线传输容量约束，如式(4)、式(5)和式(6)所示：
式中，NG为发电机组的数量，NMG为微网系统的数量，PD(t)为主动配电网层在t时刻内的独立用户负荷需求，PG，j(t)主动配电网层在t时刻内为第j台发电机组的出力，Pbuy，MG，n(t)、Psell，MG，n(t)分别为t时刻第n个微网系统向主动配电网的购电功率和售电功率，Pbuy，G(t)、Psell，G(t)分别为t时刻主动配电网向主电网的购电功率和售电功率，
和
分别为第j台发电机组的最小、最大出力，
和
分别为主动配电网向主电网的最小、最大售电量，
和
分别为主动配电网向主电网的最小、最大购电量，PG，j(t)、Psell，G(t)和Pbuy，G(t)分别为在t时刻第j台发电机组的出力、主动配电网向主电网的售电量和购电量；
进一步，所述步骤2的具体实现方法包括以下步骤：
步骤2.1，构建多微网系统层的目标函数；
步骤2.2，建立多微网系统层的约束条件；
所述步骤2.1的具体实现方法为：
在多微网系统层中，各微网能量管理系统(EMS)将下层的功率交互信息发送到上层的主动配电网能量决策中心(EDC)，同时，在多微网系统层中，将各微网系统的运行成本之和作为下层模型的运行成本，即多微网系统层的优化目标函数，如式(7)所示：
min F＝min g1+min g2 (7)
式中，F为多微网系统层的综合目标函数，g1和g2分别为各微网系统目标函数的经济成本和环境成本；
进一步，各微网系统的经济成本目标函数如式(8)所示：
min g1＝CF+CM+CADN+CP (8)
式中，CF为天然气消耗成本，CM为设备的初始投资成本、运行和维护成本，CADN为与主动配电网层的电能交互成本，CP为惩罚费用，cgas为天然气的单价，取值为2.05元/m3，QGT(t)为燃气轮机在t时刻的发热功率，QGB(t)为燃气锅炉在t时刻内输出的热量，ND为设备的种类数，r为设备的折现率，l为设备的寿命周期，
为第k类设备的初始投资成本，
为第k类设备的运行和维护成本，Nk为第k类设备，
为第k类设备的额定功率，Pbuy，MG(t)、Psell，MG(t)分别为t时刻微网系统从主动配电网的购电功率以及向主动配电网售电功率，cbuy，ADN(t)、csell，ADN(t)分别为t时刻多微网系统层从主动配电网的购电单价以及向主动配电网的售电单价，Pv，MG(t)、Pw，MG(t)分别为t时刻微网系统电能的缺额部分和浪费部分，Qv，MG(t)、Qw，MG(t)分别为t时刻微网系统热能的缺额部分和浪费部分，ξ为惩罚系数，T为系统的运行周期，设置为24h；
进一步，各微网系统的环境成本目标函数如式(10)所示：
式中，k＝1，2，3，且K∈{CO2，NO，SO2}为污染物的种类，ck为微网系统处理每克k类污染物所用费用，χk，GT、χk，GB、χk，EC和χk，ADN分别为燃气轮机、燃气锅炉、电制冷机以及向主动配电网购买电能对第k类污染物的排放系数，PGT(t)为燃气轮机在t时刻的发电功率，QGB(t)为燃气锅炉在t时刻内输出的热量，QEC(t)为电制冷机在t时刻内输出的冷能，Pbuy，MG(t)为t时刻微网系统从主动配电网的购电功率，T为系统的运行周期，设置为24h；
所述步骤2.2的具体实现方法为：
多微网系统层中的约束条件包括负荷平衡约束、储能系统容量约束、设备出力约束、设备配置数量约束以及与主动配电网的交易约束，同时将储能系统容量以及设备配置数量作为下层模型的决策变量；
进一步，任意时间段内的设备出力要与冷、热、电负荷的需求相匹配，满足负荷平衡约束，如式(11)所示：
式中，PLoad(t)、QLoad，h(t)和QLoad，c(t)分别为CCHP微网系统在t时刻内电负荷、热负荷以及冷负荷的需求量，PWT(t)为t时刻风力发电系统的输出功率，PPV(t)为t时刻光伏发电系统的输出功率，PBIO(t)为t时刻沼气发电系统的输出功率，PGT(t)为t时刻风力发电系统的输出功率，Pc(t)、Pd(t)分别为t时刻蓄电池的充、放电功率，Pbuy，MG(t)、Psell，MG(t)分别为t时刻微网系统从主动配电网的购电功率以及向主动配电网售电功率，QHE(t)为热转换器在t时刻内输出的热能，Qc(t)、Qd(t)分别为t时刻蓄热槽的蓄热、放热功率，QGB(t)为燃气锅炉在t时刻内输出的热量，QEC(t)为电制冷机在t时刻内输出的冷能，QAC(t)吸收式制冷机在t时刻内输出的冷能；
进一步，储能系统容量约束包括蓄电池和蓄热槽的容量约束，且蓄电池和蓄热槽在某一时刻不能同时处于能量输入和能量输出的状态，其约束条件分别如式(12)和式(13)所示：
式中，
和
分别为蓄电池的最小、最大储能容量，
和
分别为蓄电池的最小、最大充电功率，
和
分别为蓄电池的最小、最大放电功率，EBAT(t)、Pc(t)和Pd(t)分别为在t时刻蓄电池的储能容量、充电功率和放电功率；
式中，
和
分别为蓄热槽的最小、最大储能容量，
和
分别为蓄热槽的最小、最大储热功率，
和
分别为蓄热槽的最小、最大放热功率，QHST(t)、Qc(t)和Qd(t)分别为在t时刻蓄热槽的储能容量、储热功率和放热功率；
进一步，设备出力约束条件如式(14)所示：
式中，
和
分别为风力发电系统、光伏发电系统、沼气发电系统、燃气轮机和燃气锅炉的最小出力，
和
分别为风力发电系统、光伏发电系统、沼气发电系统、燃气轮机和燃气锅炉的最大出力，PWT(t)、PPV(t)、PBIO(t)、PGT(t)和QGB(t)分别为在t时刻风力发电系统、光伏发电系统、沼气发电系统、燃气轮机和燃气锅炉的出力；
进一步，设备配置数量约束条件如式(15)所示：
式中，
和
分别为风力发电机、光伏电池、燃气轮机、蓄电池、蓄热槽以及燃气锅炉的最小配置数量，
和
分别为风力发电机、光伏电池、燃气轮机、蓄电池、蓄热槽以及燃气锅炉的最大配置数量，NWT、NPV、NGT、NBAT、NHST和NGB分别为风力发电机、光伏电池、燃气轮机、蓄电池、蓄热槽以及燃气锅炉的配置数量，CBIO(t)为在t时刻内沼气的进气量，
和
分别为沼气发电系统沼气的最小、最大进气量；
进一步，与主动配电网的交易约束条件如式(16)所示：
式中，
和
分别为微网系统的最小、最大购电量，
和
分别为微网系统的最小、最大售电量，Pbuy，MG(t)和Psell，MG(t)分别为在t时刻微网系统的购电量和售电量；
进一步，所述步骤3的具体实现方法包括以下步骤：
步骤3.1，确定电价弹性矩阵以及各微网系统的分时电价；
步骤3.2，对各时间段用电负荷数据进行分析；
步骤3.3，根据环境数据以及各微网系统的设备参数，计算得到各时间段内可再生能源的出力情况；
所述步骤3.1的电价弹性矩阵如式(17)所示：
式中，Pp、Pm和Py分别为价格型需求响应后各时段的平均负荷量，Pp，0、Pm，0和Py，0分别为价格型需求响应前各时段的平均负荷量，Pc为电量电价弹性系数，p、m和y分别表示分时电价机制中的峰、平、谷时段，Δcp、Δcm和Δcy分别表示需求响应后各时段的电价变化量，cp，0、cm，0和cy，0表示采取分时电价前的的电价，视为统一价格；
进一步，所述步骤4的具体实现方法包括以下步骤：
步骤4.1，确定最大迭代次数、种群大小、搜索空间范围、维数以及发现者的占比；
步骤4.2，引入非线性映射初始化种群位置；
步骤4.3，计算当前适应度值并记录种群位置；
步骤4.4，引入正余弦模型和动态惯性权重因子改进发现者位置更新公式；
步骤4.5，更新加入者的位置，并计算当前个体的位置和适应度值；
步骤4.6，确定并更新警惕者位置以及执行Lévy飞行策略；
步骤4.7，输出改进麻雀搜索算法的优化结果；
所述步骤4.1的具体实现方法为：
假设一个寻优空间，发现者占整个麻雀数量的20％，加入者占整个麻雀数量的80％，其中具备警惕性的警惕者占种群总数的10％～20％，且这类麻雀将在种群个体中随机产生，麻雀的初始位置如式(18)所示：
式中，X为矩阵空间，d表示待优化变量的维数，s为麻雀数量；
所述步骤4.2的具体实现方法为：
改善麻雀的空间分布并加大全局的最优解搜索范围，即扩大能量分层模型求解的多样性以及加快筛选出适应度值小的个体，选择非线性映射来初始化种群，如式(19)所示：
式中，w表示非线性映射当前的迭代次数，
为初始化时第w次的第i只麻雀在第j维的非线性数值，p为非线性映射参数，设置为0.4；
具体的初始化步骤如下所示：
1)确定非线性映射参数p和最大迭代次数；
2)随机生成非线性映射变量初始值；
3)代入式(19)进行迭代并更新迭代次数；
4)如果满足最大迭代次数，请转到5)，否则返回3)；
5)迭代结束，获得杂合序列并将其重新映射到个体；
所述步骤4.4的具体实现方法为：
利用正余弦模型的震荡变化对目标函数求解，即更新麻雀发现者的位置，加强能量分层模型全局寻优和局部搜索能力，使适应度值减小得到全局最优解；
麻雀中发现者位置改进前后的更新公式分别为如式(20)和式(21)所示：
改进前：
式中，h表示算法当前的迭代次数，
为第i只麻雀在第j维的取值，α∈[0，1]为随机数，Mmax为最大迭代次数，Q代表一个服从正态分布的随机值，R2∈[0，1]为预警值，ST∈[0.5，1]为安全值；
改进后：
式中，
表示第h次迭代下麻雀种群的最优位置，即当前个体的适应度值最小，为能量分层模型的最优解，r1′为改进后的步长搜索因子，其中a为常数，η为调节系数，且η≥1，r2∈[0，2π]，控制麻雀个体的移动距离，r3∈[0，2]，控制麻雀个体最优位置对位置的更新，
表示动态惯性权重因子，其中
和
均为权重参数，分别设置为0.9和0.4；
所述步骤4.5的具体实现方法为：
麻雀中加入者位置的位置更新公式如式(23)所示：
式中，
表示第h次迭代下麻雀种群的最差位置，为能量分层模型的其他解，d表示待优化变量的维数，当i＞s/2时，这部分麻雀处于极度饥饿的状态，自身能量较低且适应度值较差，需要更换觅食位置以获得更高的能量；
所述步骤4.6的具体实现方法为：
在警惕机制中，处于种群中心的麻雀会吸引种群边缘的麻雀而跳跃到当前最优位置，即保证能量分层管理模型适应度值高的逐渐向适应度值低的过渡，其他解向最优解靠拢，而引入Lévy飞行策略也会使能量分层管理模型跳出局部最优解，进而获取全局最优解；
引入警惕机制，位置更新如式(24)所示：
式中，β表示步长控制参数，且是一个服从均值为0、方差为1的正态分布的随机值，K∈[-1，1]为随机值，同样用于控制麻雀的移动方向，σ为一个数值极小的常数，用于防止分母为0的情况出现，设置为10-5，fw表示当前种群中的最差个体适应度值，fi表示第i只麻雀的适应度值；
警惕者位置更新后，再执行Lévy飞行策略更新个体位置，如式(25)所示：
式中，
为点乘运算，L为步长控制系数，L(λ)为Lévy飞行的路径函数，其步长公式如式(26)所示：
step＝u/|v|1/γ (26)
式中，γ为常数，设为1.5，u和v为服从正态分布的随机值，σu和σv为u、v的方，Γ为伽马函数；
所述步骤4.7的具体实现方法为：
更新完成后，选取出最优和最差个体位置及其对应的适应度值，判断是否满足最大迭代次数，若满足最大迭代次数，输出最优种群位置及对应的适应度值，否则返回步骤4.3；
进一步，所述步骤5的具体实现方法包括以下步骤：
借助MATLB软件在计算机的显示器中显示步骤5中主动配电网能量决策中心(EDC)和微网能量管理系统(EMS)进行交互和管理的优化结果。
2.按照权利要求1所述一种多微网系统的主动配电网能量分层管理优化方法，其特征在于：所述的多微网系统是一种含冷热电联供型(CCHP)的多微网系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210455248.1A CN114819349B (zh) | 2022-04-28 | 2022-04-28 | 一种多微网系统的主动配电网能量分层管理优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210455248.1A CN114819349B (zh) | 2022-04-28 | 2022-04-28 | 一种多微网系统的主动配电网能量分层管理优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114819349A true CN114819349A (zh) | 2022-07-29 |
| CN114819349B CN114819349B (zh) | 2024-09-20 |
Family
ID=82508568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210455248.1A Active CN114819349B (zh) | 2022-04-28 | 2022-04-28 | 一种多微网系统的主动配电网能量分层管理优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114819349B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115659764A (zh) * | 2022-12-09 | 2023-01-31 | 苏州绿控传动科技股份有限公司 | 基于改进麻雀搜索算法的永磁同步电机优化方法及系统 |
| CN116757093A (zh) * | 2023-08-11 | 2023-09-15 | 昆明理工大学 | 一种边坡稳定性预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165788A (zh) * | 2018-09-04 | 2019-01-08 | 河北工业大学 | 一种冷热电联供系统的优化方法 |
| WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
| CN112994085A (zh) * | 2021-02-05 | 2021-06-18 | 中南大学 | 基于麻雀搜索算法的微电网储能优化调度方法 |
| CN114091780A (zh) * | 2021-11-30 | 2022-02-25 | 国网重庆市电力公司电力科学研究院 | 一种基于改进麻雀优化算法的综合能源系统优化调度方法 |
-
2022
- 2022-04-28 CN CN202210455248.1A patent/CN114819349B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
| CN109165788A (zh) * | 2018-09-04 | 2019-01-08 | 河北工业大学 | 一种冷热电联供系统的优化方法 |
| CN112994085A (zh) * | 2021-02-05 | 2021-06-18 | 中南大学 | 基于麻雀搜索算法的微电网储能优化调度方法 |
| CN114091780A (zh) * | 2021-11-30 | 2022-02-25 | 国网重庆市电力公司电力科学研究院 | 一种基于改进麻雀优化算法的综合能源系统优化调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王海瑞;鲜于建川: "改进麻雀搜索算法在分布式电源配置中的应用", 计算机工程与应用, no. 020, 31 December 2021 (2021-12-31) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115659764A (zh) * | 2022-12-09 | 2023-01-31 | 苏州绿控传动科技股份有限公司 | 基于改进麻雀搜索算法的永磁同步电机优化方法及系统 |
| CN116757093A (zh) * | 2023-08-11 | 2023-09-15 | 昆明理工大学 | 一种边坡稳定性预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114819349B (zh) | 2024-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Data-driven configuration optimization of an off-grid wind/PV/hydrogen system based on modified NSGA-II and CRITIC-TOPSIS | |
| Xin-gang et al. | Economic-environmental dispatch of microgrid based on improved quantum particle swarm optimization | |
| CN114819349A (zh) | 一种多微网系统的主动配电网能量分层管理优化方法 | |
| Zhang et al. | Collaborative optimization for multiple energy stations in distributed energy network based on electricity and heat interchanges | |
| Hao et al. | A comprehensive review of planning, modeling, optimization, and control of distributed energy systems | |
| CN112270433B (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 | |
| CN114021390A (zh) | 城市综合能源系统随机鲁棒优化方法及其应用 | |
| CN112365021A (zh) | 一种基于混合储能的区域综合能源系统规划优化方法 | |
| Li et al. | A hybrid dynamic economic environmental dispatch model for balancing operating costs and pollutant emissions in renewable energy: A novel improved mayfly algorithm | |
| Shan et al. | Multi-objective economic optimization scheduling of CCHP micro-grid based on improved bee colony algorithm considering the selection of hybrid energy storage system | |
| CN113592365B (zh) | 一种考虑碳排放与绿电消纳的能源优化调度方法及系统 | |
| CN111668878A (zh) | 一种可再生微能源网的优化配置方法和系统 | |
| Du et al. | RETRACTED ARTICLE: Optimal scheduling of integrated energy system based on improved grey wolf optimization algorithm | |
| Wang et al. | Multi-attribute decision analysis for optimal design of park-level integrated energy systems based on load characteristics | |
| Chen et al. | Optimal scheduling strategy of a regional integrated energy system considering renewable energy uncertainty and heat network transmission characteristics | |
| Wang et al. | Co-optimization of configuration and operation for distributed multi-energy system considering different optimization objectives and operation strategies | |
| Wu et al. | An integrated energy system optimization strategy based on particle swarm optimization algorithm | |
| Wang et al. | Operation optimization for park with integrated energy system based on integrated demand response | |
| Li et al. | Role of different energy storage methods in decarbonizing urban distributed energy systems: A case study of thermal and electricity storage | |
| Fu et al. | Research on the stackelberg game method of building micro-grid with electric vehicles | |
| Fan et al. | Multi-agent deep reinforced co-dispatch of energy and hydrogen storage in low-carbon building clusters | |
| Li et al. | Integrated energy system for low-carbon economic operation optimization: Pareto compromise programming and master-slave game | |
| Zheng et al. | A new optimization approach considering demand response management and multistage energy storage: A novel perspective for Fujian Province | |
| Li et al. | Optimization and performance assessment of solar-assisted combined cooling, heating and power system systems: Multi-objective gradient-based optimizer | |
| Meng et al. | Optimal scheduling of integrated energy system using decoupled distributed CSO with opposition-based learning and neighborhood re-dispatch strategy |
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 |