CN116485000A - 基于改进的多元宇宙优化算法的微电网优化调度方法 - Google Patents
基于改进的多元宇宙优化算法的微电网优化调度方法 Download PDFInfo
- Publication number
- CN116485000A CN116485000A CN202310099371.9A CN202310099371A CN116485000A CN 116485000 A CN116485000 A CN 116485000A CN 202310099371 A CN202310099371 A CN 202310099371A CN 116485000 A CN116485000 A CN 116485000A
- Authority
- CN
- China
- Prior art keywords
- universe
- micro
- grid
- power
- output
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004146 energy storage Methods 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims description 29
- 239000003344 environmental pollutant Substances 0.000 claims description 21
- 231100000719 pollutant Toxicity 0.000 claims description 21
- 239000000446 fuel Substances 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 13
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 10
- 239000007789 gas Substances 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 6
- 239000003345 natural gas Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000003139 buffering effect Effects 0.000 claims description 3
- 238000012888 cubic function Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 239000000356 contaminant Substances 0.000 claims description 2
- 238000007599 discharging Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 18
- 241000238631 Hexapoda Species 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 4
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010977 unit operation Methods 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
- H02J3/007—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—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
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Biodiversity & Conservation Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于改进的多元宇宙优化算法的微电网优化调度方法，属于电力系统优化调度领域，步骤为：建立微电网中光伏机组模型、风力发电机组模型、燃气轮机模型、储能元件模型；建立孤立微电网动态多目标优化调度模型；利用改进的多元宇宙优化算法进行求解，宇宙膨胀时期，黑洞和白洞存在机会均等，如果存在虫洞则黑洞穿越虫洞在最优宇宙周围以TDR旅行距离率进行探索成为白洞；若不存在虫洞，则黑洞基于已穿越的白洞进行螺旋式星系公转，采用指数形式改进传统的旅行距离率TDR，在迭代中寻找微电网优化调度模型的最优解。本发明的目的是为了能够更加有效地指导微电网的调度工作，减少微电网综合运营成本，提高电力系统稳定性。
Description
技术领域
本发明属于电力系统优化调度领域，特别涉及一种基于改进的多元宇宙优化算法的微电网优化调度方法。
背景技术
目前已有不少学者研究了传统优化调度的问题。《智能电网经济运行的多目标调度优化策略》(DOI:10.13335/j.1000-3673.pst.2010.02.001.郑漳华等，2010年)中以有功网损、污染物排放量和电压稳定程度3个指标作为多目标优化目标，通过分析建模，为智能电网的监控运行提供了思路，但文中并未考虑微电网的经济运行；《New hybrid geneticoperators for real coded genetic algorithm to compute optimal control of aclass of hybrid systems》(Applied Soft Computing,6(1):38-52.M.Senthil Arumugam等,2005年)中提出了遗传算法种群初始化的多种方法，除按设备容量、发电成本关系确定调度方案以获取对应的初始种群外，还引入了线性规划方法.但上述种群初始化方法主要针对单目标遗传算法，并未涉及多目标进化算法。
微电网优化调度需要考虑多个层面的因素,如可靠、安全以及环境保护等方面,以及微电源特性的深入分析,与大电网的能量交换等。因此,微电网优化调度是一个复杂优化问题,微电网优化调度时目标函数和约束条件均比较多,传统优化算法已不适用于解决微电网优化调度问题,无法满足微电网调度的准确性和经济性的要求。
发明内容
鉴于背景技术所存在的技术问题，本发明所提供的基于改进的多元宇宙优化算法的微电网优化调度方法，提高了微电网优化的效率和精度，提高了微电网运行的可靠性。
为了解决上述技术问题，本发明采取了如下技术方案来实现：
一种基于改进的多元宇宙优化算法的微电网优化调度方法，步骤为：
步骤1：引入一天中各时段内机组的光伏出力、风电出力、燃气轮机出力、柴油发电机出力、储能元件出力及负荷需求；
步骤2：建立微电网优化调度模型，包括系统的运行成本模型和污染物排放费用模型；
步骤3：以最小系统运行成本和最小污染物排放费用为目标函数优化目标模型，以电源功率约束、功率平衡约束、线路传输功率约束以及蓄电池约束构建系统约束条件模型，从而建立孤立微电网动态多目标优化调度模型；
步骤4：满足约束条件的情况下，随机初始化一个多元宇宙种群U及各优化参数；
步骤5：迭代开始，计算并更新各宇宙的膨胀化率，即适应度，对初始宇宙进行择优，根据轮盘机制，宇宙拥有的白洞或黑洞转移宇宙物体，更新宇宙群；
步骤6：白洞选择虫洞穿越，黑洞围绕对应白洞公转；
步骤7：采用指数形式改进传统多元宇宙优化算法的旅行距离率TDR；
步骤8：重复步骤5至步骤7直至算法收敛，得出各类型电源出力最优策略。
优选地，步骤1中，太阳能光伏电池的输出功率表示为：
Ppv＝ζηmfApηp cosθ
其中，其中，Ppv为PV实际出力；ζ为太阳光照强度；ηmf为最大功率点跟踪模式下的效率；Ap为电池板的面积；ηp为光伏电池的效率；θ为光照的入射角度；
风力发电机的输出功率与风速的大小有关，其功率输出模型表示为：
其中,PWT、Pr分别为WT的实际功率和额定功率；vci、vco、vr分别为风机的切入风速、切出风速、额定风速；
燃气轮机发出相应功率对应成本为：
其中,FMr为MT的燃料成本；C为天然气价格；LHV为天然气低热值；PMT为MT的输出功率；ηMT为MT工作的效率，其值与PMT呈三次函数关系；
柴油发电机的燃料成本为燃料成本耗量特性函数，柴油发电机燃料成本采用二次函数表达式为：
其中,FDE为DE的燃料成本；PDE为DE的输出功率；α、β、γ为DE燃料成本的系数；
蓄电池能够跟踪风能和太阳能出力变化进行充放电,在电网中起到了缓冲风能和太阳能不确定出力,提高电网的供电可靠性和连续性；当分布式电源的总输出功率大于总负荷时，蓄电池充电，否则,蓄电池放电；蓄电池的充放电状态表示为：
其中,ESB(t)、ESB(t-1)分别为蓄电池t时刻、t-1时刻的容量；Ptotal(t)为t时刻微电源出力总和；Pload(t)为t时刻系统的总负荷；ηinv、ηsb分别为逆变器的工作效率和蓄电池的充放电效率。
优选地，步骤2中，微电网系统的运行成本模型和污染物排放费用模型如下：
微电网运行成本为：
式中，T为微电网的调度周期的时段数；N为微电源类型数目；COi,t为微电源在t时刻的发电费用；IRt为微电网在t时刻的可中断费用；Pi,t为第台微电源在时刻的发电功率；
环境成本为：
其中，CE的环境成本；K为污染物排放类型；αj为处理第j种污染物的单位费用；βij为不同电能生产方式下输出Pi电能时所排放的第j种污染物的排放系数。
优选地，步骤3以最小系统运行成本和最小污染物排放费用为目标函数及系统约束条件模型具体如下：
目标函数：
f(x)＝min([F(x),CE(x)]T)
其中，F(x),CE(x)分别为经济、环境目标；x为模型的优化变量，包括调度周期内各时段可调度分布式电源输出功率和储能装置充放电功率；
微电源出力约束：
Pi,min≤Pi≤Pi,max
其中，Pi,min、Pi,max分别为微电源出力下限和上限；
微电网功率平衡约束：
其中，Pi、PL分别为微电源i出力和微电网负荷；PBS为蓄电池充放电功率，当PBS＞0时，表示蓄电池放电,当PBS＜0时,表示蓄电池充电；
微电网线路传输功率约束：
Pline,min≤Pline≤Pline,max
式中,Pline,min、Pline,max分别为微电网线路的传输功率下限和上限。
蓄电池运行约束：
PBS,min≤PBS≤PBS,max
EBS,min≤EBS≤EBS,max
式中，PBS,min、PBS,max分别为蓄电池的最小、最大充放电功率；EBS,min、EBS,max分别为蓄电池的最小、最大容量。
优选地，步骤4中，初始化各优化参数包括宇宙数n和最大迭代次数TN，多元宇宙群U矩阵如下：
其中，n是宇宙数量，d是宇宙内物体数量，是第i个宇宙的第j个物体。
优选地，步骤5中，通过轮盘赌原则，根据排序后宇宙种群的膨胀率选择一个白洞，其更新公式如下：
其中，NI(Ui)表示第i个宇宙的归一化膨胀率，r1是[0.1]范围内的随机数，表示经轮盘赌机制选择出的第k个宇宙的第j个物体。
优选地，步骤5通过轮盘赌原则，根据排序后宇宙种群的膨胀率选择一个白洞，其更新公式如下：
其中，NI(Ui)表示第i个宇宙的归一化膨胀率，r1是[0.1]范围内的随机数，xk j表示经轮盘赌机制选择出的第k个宇宙的第j个物体。
优选地，步骤7中采用指数形式改进传统多元宇宙优化算法的旅行距离率TDR，步骤如下：
其中，l、L分别是当前迭代次数和最大迭代次数。
优选地，步骤8中算法迭代次数达到最大设定值或算法收敛即可得出各类型电源出力最优策略。
本专利可达到以下有益效果：
本发明首先引入一天中各时段内机组的光伏出力、风电出力、燃气轮机出力、柴油发电机出力、储能元件出力及负荷需求，建立以最小系统运行成本和最小污染物排放费用为目标函数，以电源功率约束、功率平衡约束、线路传输功率约束以及蓄电池约束为系统约束条件的孤立微电网动态多目标优化调度模型，通过一种改进的多元宇宙优化算法来解决微电网优化调度问题，在宇宙膨胀时期，黑洞和白洞存在的机会均等，如果存在虫洞则黑洞穿越虫洞在最优宇宙周围进行以TDR旅行距离率进行探索成为白洞；如果不存在虫洞，则黑洞基于已经穿越的白洞进行螺旋式星系公转，并采用指数形式改进传统多元宇宙优化算法的旅行距离率TDR，在迭代前期保持较快的迭代趋势进行全局探索，迭代后期保持较慢的迭代趋势，进行局部开发。本发明中的一种基于改进的多元宇宙优化算法的微电网优化调度方法，拥有很好的收敛速度和寻优能力，有效的解决了微电网优化调度问题，提高了微电网优化的效率和精度，对微电网优化调度具有一定的指导作用。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明的流程图；
图2为本发明的改进算法的流程图；
图3为实施例中微电网的帕累托前沿解集示意图；
图4为实施例中微电网的各电源出力示意图；
图5为实施例中微电网太阳能光伏出力示意图；
图6为实施例中微电网风力发电机出力示意图；
图7为实施例中微电网微型燃气轮机出力示意图；
图8为实施例中微电网柴油发电机出力示意图；
图9为实施例中微电网蓄电池储能出力示意图；
图10为实施例中电网交互运行示意图；
图11为实施例中微电网负荷运行示意图；
具体实施方式
实施例1：
优选的方案如图1至图11所示，一种基于改进的多元宇宙优化算法的微电网优化调度方法，步骤如下：
步骤1引入一天中各时段内机组的光伏出力、风电出力、燃气轮机出力、柴油发电机出力、储能元件出力及负荷需求：
太阳能光伏电池的输出功率表示为：
Ppv＝ζηmfApηp cosθ
式中，其中，Ppv为PV实际出力；ζ为太阳光照强度；ηmf为最大功率点跟踪模式下的效率；Ap为电池板的面积；ηp为光伏电池的效率；θ为光照的入射角度；
风力发电机的输出功率与风速的大小有关，其功率输出模型可表示为：
式中,PWT、Pr分别为WT的实际功率和额定功率；vci、vco、vr分别为风机的切入风速、切出风速、额定风速；
微型燃气轮机发出相应功率对应成本为：
式中,FMr为MT的燃料成本；C为天然气价格；LHV为天然气低热值；PMT为MT的输出功率；ηMT为MT工作的效率，其值与PMT呈三次函数关系；
柴油发电机的燃料成本就是其耗量特性函数，柴油发电机燃料成本采用二次函数表达式为：
式中,FDE为DE的燃料成本；PDE为DE的输出功率；α、β、γ为DE燃料成本的系数；
蓄电池能够跟踪风能和太阳能出力变化进行充放电,在电网中起到了缓冲风能和太阳能不确定出力,提高电网的供电可靠性和连续性。当分布式电源的总输出功率大于总负荷时,蓄电池充电，否则,蓄电池放电。蓄电池的充放电状态表示为：
式中,ESB(t)、ESB(t-1)分别为蓄电池t时刻、t-1时刻的容量；Ptotal(t)为t时刻微电源出力总和；Pload(t)为t时刻系统的总负荷；ηinv、ηsb分别为逆变器的工作效率和蓄电池的充放电效率；
步骤2建立微电网优化调度模型，包括系统的运行成本模型以及污染物排放费用模型：
微电网运行成本为：
式中，T为微电网的调度周期的时段数；N为微电源类型数目；COi,t为微电源在t时刻的发电费用；IRt为微电网在t时刻的可中断费用；Pi,t为第台微电源在时刻的发电功率；
其中，发电成本，微电网运行成本主要考虑机组的燃料成本、折旧成本、维护成本，由于光伏和风能为清洁能源，在运行过程中不会消耗化石燃料，故不考虑光伏和风能燃料成本，即
COi,t＝CFi,t(Pi,t)+IVi,t(Pi,t)+OMi,t(Pi,t)
式中，CFi,t为微电源i在t时刻的燃料费用；IVi,t为微电源i折算到单位时间的折旧费用；OMi,t为微电源i在t时刻的维护费用；
折旧费用：
式中，CINS,i为第i台微电源的安装成本；Pr,i为第i台微电源的额定功率；fc,i为第i台微电源的容量因子；d为利率或者折旧率；m为微电源的使用寿命；
维护成本：
OMi,t＝Km,i×Pi,t
式中，Km,i为微电源i的单位运行维护费用；
可中断费用，微电网孤岛运行时存在电能供电不足的情形，需要中断部分非重要负荷，以保证重要负荷的正常供电，中断部分可中断负荷的策略为：只有当可控电源、不可控电源以及储能装置的都已处于满发状态，对供电不足的负荷采用中断部分负荷，同时需要对中断的负荷进行相应的经济补偿，即为：
式中，A、B、C为中断费用的系数；PIL为中断电量；
环境成本为：
式中，CE的环境成本；K为污染物排放类型(CO2、SO2和NOx)；αj为处理第j种污染物的单位费用,单位为$/kg；βij为不同电能生产方式下输出Pi电能时所排放的第j种污染物的排放系数,单位为g/(kW·h)。
步骤3以最小系统运行成本和最小污染物排放费用为目标函数优化目标模型，以电源功率约束、功率平衡约束、线路传输功率约束以及蓄电池约束构建系统约束条件模型，从而建立孤立微电网动态多目标优化调度模型：
f(x)＝min([F(x),CE(x)]T)
式中，F(x),CE(x)分别为经济、环境目标；x为模型的优化变量,可选择调度周期内各时段可调度分布式电源输出功率﹑储能装置充放电功率等；
微电源出力约束：
Pi,min≤Pi≤Pi,max
式中，Pi,min、Pi,max分别为微电源出力下限和上限；
微电网功率平衡约束：
式中，Pi、PL分别为微电源i出力和微电网负荷；PBS为蓄电池充放电功率,当PBS＞0时,表示蓄电池放电,当PBS＜0时,表示蓄电池充电；
微电网线路传输功率约束：
Pline,min≤Pline≤Pline,max
式中,Pline,min、Pline,max分别为微电网线路的传输功率下限和上限。
蓄电池运行约束：
PBS,min≤PBS≤PBS,max
EBS,min≤EBS≤EBS,max
式中，PBS,min、PBS,max分别为蓄电池的最小、最大充放电功率；EBS,min、EBS,max分别为蓄电池的最小、最大容量。
步骤4初始化各优化参数包括宇宙数n和最大迭代次数TN，多元宇宙群U矩阵如下：
式中，n是宇宙数量(即变量取值个数)，d是宇宙内物体数量(即维度或变量个数)，是第i个宇宙的第j个物体。
步骤5通过轮盘赌原则，根据排序后宇宙种群的膨胀率选择一个白洞，其更新公式如下:
式中，NI(Ui)表示第i个宇宙的归一化膨胀率(即长度为1)，r1是[0.1]范围内的随机数，表示经轮盘赌机制选择出的第k个宇宙的第j个物体。
步骤6虫洞存在机制、白洞选择机制和黑洞围绕白洞公转。
基本MVO算法中，轮盘赌机制下的白洞多数是最优宇宙，从而没有很好地利用其它宇宙的信息，且虫洞存在概率由小到大，实验数据表明其概率大小对全局极值的获得并没有多大影响，因此，将虫洞的固定存在机制为0.5，即每一轮迭代中，有一半宇宙都会利用虫洞进行穿越，在最优宇宙周围进行正负向随机搜索，定义穿越后的这些宇宙为白洞，剩余的宇宙为黑洞。
白洞选择虫洞穿越，若虫洞存在率WEP>r2，则存在虫洞，黑洞利用虫洞进行穿越，在最优宇宙周围旅行，按照下式更新位置：
式中，H为宇宙黑洞；为宇宙黑洞中第j维分量第l+1次循环；Fj(l)为当前最优宇宙的第j维分量的第l次循环；TDR为旅行距离率；ubj、lbj分别为第j维分量的上、下界；r、r2均为[0,1]中的随机数；
黑洞围绕对应白洞公转，考虑到宇宙间的维度互换并非基于贪婪选择，而算法本身就设置了最优宇宙保留，所以将这一机制改为了黑洞围绕白洞公转，相当于增加了新的寻优策略，从而有助于算法收敛和增强算法的全局寻优能力，若WEP<r2，则不存在虫洞，剩余黑洞基于已穿越白洞宇宙进行公转，按照下式更新位置：
式中，B为选定的宇宙白洞；为宇宙白洞中第j维分量第l+1次循环；k为[-1,1]之间的随机数。
步骤7采用指数形式改进传统多元宇宙优化算法的旅行距离率TDR。
多元宇宙优化算法中，其寻优主要依靠黑洞基于虫洞进行穿越，在最优宇宙周围进行旅行，其旅行距离率TDR是协调算法探索能力和开发能力的重要变量，是影响基本多元宇宙优化算法寻优的主要参数，但基本算法中的TDR值由0.6凹型递减到0，其变化幅度过窄，较大的TDR值有利于全局探索能力，较小的TDR值有利于局部深度开发，在此，应该在迭代前期保持较快的迭代趋势进行全局探索，迭代后期保持较慢的迭代趋势，进行局部开发，因此，使用如下非线性收敛因子：
式中，l、L分别是当前迭代次数和最大迭代次数。
步骤8中，算法迭代次数达到最大设定值或算法收敛，作为判断的终止条件，若l＜L，那么，l＝l+1，否则跳出循环，从而获得此次优化的全局最优解，即可得出各类型电源出力最优策略，其中l为第l次迭代，L为最大迭代次数，算法流程图如图2所示。
最后求解出微电网各电源出力，图3为实施例中微电网的帕累托前沿解集示意图，由图可知，当进行经济调度时，微电网增大了发电成本低而污染物排放高的柴油发电机组，导致环境成本费用增加。而另一方面，当采用环境调度时，微电网增大了发电成本高而污染物排放低的燃气轮机组，导致了机组的运行成本相对增高。另外，采用多目标调度需权衡微电网经济和环境效益之间关系，用户可以根据实际需求选择合理的微电网调度方案。图4为实施例中微电网的各电源出力示意图。图5-6为实施例中微电网太阳能光伏出力和风力发电机出力示意图，由图可知，在满足负荷正常需求同时，该算法和模型提高了微电网中新能源(风电、光伏)功率的消纳。图7为实施例中微电网微型燃气轮机出力示意图。图8为实施例中微电网柴油发电机出力示意图。图9为实施例中微电网蓄电池储能出力示意图。图10为实施例中电网交互运行示意图。图11为实施例中微电网负荷运行示意图。
本发明通过一种基于改进的多元宇宙优化算法来解决微电网优化调度问题,设计固定概率的虫洞存在机制和前期快速收敛后期平缓收敛的虫洞旅行距离率，加快算法全局探索能力和快速迭代能力，提出黑洞的随机白洞选择机制，设计黑洞围绕白洞恒星进行公转并模型化，解决代间宇宙信息沟通的问题，本发明中的一种基于改进的多元宇宙优化算法的微电网优化调度方法,拥有很好的收敛速度和寻优能力,有效解决了微电网优化调度问题,提高了微电网优化的效率和精度,提高了微电网运行的可靠性。
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。
Claims (9)
1.一种基于改进的多元宇宙优化算法的微电网优化调度方法，其特征在于包括以下步骤：
步骤1：引入一天中各时段内机组的光伏出力、风电出力、燃气轮机出力、柴油发电机出力、储能元件出力及负荷需求；
步骤2：建立微电网优化调度模型，包括系统的运行成本模型和污染物排放费用模型；
步骤3：以最小系统运行成本和最小污染物排放费用为目标函数优化目标模型，以电源功率约束、功率平衡约束、线路传输功率约束以及蓄电池约束构建系统约束条件模型，从而建立孤立微电网动态多目标优化调度模型；
步骤4：满足约束条件的情况下，随机初始化一个多元宇宙种群U及各优化参数；
步骤5：迭代开始，计算并更新各宇宙的膨胀化率，即适应度，对初始宇宙进行择优，根据轮盘机制，宇宙拥有的白洞或黑洞转移宇宙物体，更新宇宙群；
步骤6：白洞选择虫洞穿越，黑洞围绕对应白洞公转；
步骤7：采用指数形式改进传统多元宇宙优化算法的旅行距离率TDR；
步骤8：重复步骤5至步骤7直至算法收敛，得出各类型电源出力最优策略。
2.根据权利要求1所述的基于改进的多元宇宙优化算法的微电网优化调度方法，其特征在于：步骤1中，太阳能光伏电池的输出功率表示为：
Ppv＝ζηmfApηpcosθ
其中，其中，Ppv为PV实际出力；ζ为太阳光照强度；ηmf为最大功率点跟踪模式下的效率；Ap为电池板的面积；ηp为光伏电池的效率；θ为光照的入射角度；
风力发电机的输出功率与风速的大小有关，其功率输出模型表示为：
其中,PWT、Pr分别为WT的实际功率和额定功率；vci、vco、vr分别为风机的切入风速、切出风速、额定风速；
燃气轮机发出相应功率对应成本为：
其中,FMr为MT的燃料成本；C为天然气价格；LHV为天然气低热值；PMT为MT的输出功率；ηMT为MT工作的效率，其值与PMT呈三次函数关系；
柴油发电机的燃料成本为燃料成本耗量特性函数，柴油发电机燃料成本采用二次函数表达式为：
其中,FDE为DE的燃料成本；PDE为DE的输出功率；α、β、γ为DE燃料成本的系数；
蓄电池能够跟踪风能和太阳能出力变化进行充放电,在电网中起到了缓冲风能和太阳能不确定出力,提高电网的供电可靠性和连续性；当分布式电源的总输出功率大于总负荷时，蓄电池充电，否则,蓄电池放电；蓄电池的充放电状态表示为：
其中,ESB(t)、ESB(t-1)分别为蓄电池t时刻、t-1时刻的容量；Ptotal(t)为t时刻微电源出力总和；Pload(t)为t时刻系统的总负荷；ηinv、ηsb分别为逆变器的工作效率和蓄电池的充放电效率。
3.根据权利要求1所述的基于改进的多元宇宙优化算法的微电网优化调度方法，其特征在于：步骤2中，微电网系统的运行成本模型和污染物排放费用模型如下：
微电网运行成本为：
式中，T为微电网的调度周期的时段数；N为微电源类型数目；COi,t为微电源在t时刻的发电费用；IRt为微电网在t时刻的可中断费用；Pi,t为第台微电源在时刻的发电功率；
环境成本为：
其中，CE的环境成本；K为污染物排放类型；αj为处理第j种污染物的单位费用；βij为不同电能生产方式下输出Pi电能时所排放的第j种污染物的排放系数。
4.根据权利要求1所述的基于改进的多元宇宙优化算法的微电网优化调度方法，其特征在于：步骤3以最小系统运行成本和最小污染物排放费用为目标函数及系统约束条件模型具体如下：
目标函数：
f(x)＝min([F(x),CE(x)]T)
其中，F(x),CE(x)分别为经济、环境目标；x为模型的优化变量，包括调度周期内各时段可调度分布式电源输出功率和储能装置充放电功率；
微电源出力约束：
Pi,min≤Pi≤Pi,max
其中，Pi,min、Pi,max分别为微电源出力下限和上限；
微电网功率平衡约束：
其中，Pi、PL分别为微电源i出力和微电网负荷；PBS为蓄电池充放电功率，当PBS＞0时，表示蓄电池放电,当PBS＜0时,表示蓄电池充电；
微电网线路传输功率约束：
Pline,min≤Pline≤Pline,max
式中,Pline,min、Pline,max分别为微电网线路的传输功率下限和上限。
蓄电池运行约束：
PBS,min≤PBS≤PBS,max
EBS,min≤EBS≤EBS,max
式中，PBS,min、PBS,max分别为蓄电池的最小、最大充放电功率；EBS,min、EBS,max分别为蓄电池的最小、最大容量。
5.根据权利要求1所述的基于改进的多元宇宙优化算法的微电网优化调度方法，其特征在于：步骤4中，初始化各优化参数包括宇宙数n和最大迭代次数TN，多元宇宙群U矩阵如下：
其中，n是宇宙数量，d是宇宙内物体数量，xi j是第i个宇宙的第j个物体。
6.根据权利要求1所述的基于改进的多元宇宙优化算法的微电网优化调度方法，其特征在于：步骤5中，通过轮盘赌原则，根据排序后宇宙种群的膨胀率选择一个白洞，其更新公式如下：
其中，NI(Ui)表示第i个宇宙的归一化膨胀率，r1是[0.1]范围内的随机数，xk j表示经轮盘赌机制选择出的第k个宇宙的第j个物体。
7.根据权利要求1所述的基于改进的多元宇宙优化算法的微电网优化调度方法，其特征在于：步骤5通过轮盘赌原则，根据排序后宇宙种群的膨胀率选择一个白洞，其更新公式如下：
其中，NI(Ui)表示第i个宇宙的归一化膨胀率，r1是[0.1]范围内的随机数，xk j表示经轮盘赌机制选择出的第k个宇宙的第j个物体。
8.根据权利要求1所述的基于改进的多元宇宙优化算法的微电网优化调度方法，其特征在于：步骤7中采用指数形式改进传统多元宇宙优化算法的旅行距离率TDR，步骤如下：
其中，l、L分别是当前迭代次数和最大迭代次数。
9.根据权利要求1所述的基于改进的多元宇宙优化算法的微电网优化调度方法，其特征在于：步骤8中算法迭代次数达到最大设定值或算法收敛即可得出各类型电源出力最优策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310099371.9A CN116485000A (zh) | 2023-02-01 | 2023-02-01 | 基于改进的多元宇宙优化算法的微电网优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310099371.9A CN116485000A (zh) | 2023-02-01 | 2023-02-01 | 基于改进的多元宇宙优化算法的微电网优化调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116485000A true CN116485000A (zh) | 2023-07-25 |
Family
ID=87225672
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310099371.9A Pending CN116485000A (zh) | 2023-02-01 | 2023-02-01 | 基于改进的多元宇宙优化算法的微电网优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116485000A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117439190A (zh) * | 2023-10-26 | 2024-01-23 | 华中科技大学 | 一种水火风系统调度方法、装置、设备及存储介质 |
-
2023
- 2023-02-01 CN CN202310099371.9A patent/CN116485000A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117439190A (zh) * | 2023-10-26 | 2024-01-23 | 华中科技大学 | 一种水火风系统调度方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114091879A (zh) | 基于深度强化学习的多园区能源调度方法和系统 | |
| CN107546781B (zh) | 基于pso改进算法的微电网多目标运行优化方法 | |
| CN111737884B (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
| CN114519543B (zh) | 一种乡村多能源系统边缘自治运行方法及系统 | |
| CN110138006A (zh) | 考虑含有新能源电动汽车的多微电网协调优化调度方法 | |
| 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 | |
| CN115600858A (zh) | 一种考虑弃风弃光惩罚的风光储制氢系统经济性优化调度方法 | |
| CN107203136A (zh) | 一种智慧农业大棚微型能源网的优化调度方法及装置 | |
| Beheshtikhoo et al. | Design of type-2 fuzzy logic controller in a smart home energy management system with a combination of renewable energy and an electric vehicle | |
| Chen et al. | An improved brain storm optimization for a hybrid renewable energy system | |
| CN116485000A (zh) | 基于改进的多元宇宙优化算法的微电网优化调度方法 | |
| Miah et al. | Energy storage controllers and optimization schemes integration to microgrid: an analytical assessment towards future perspectives | |
| CN114741960A (zh) | 一种综合能源经济环境调度优化方法及系统 | |
| Paul et al. | Application of chaotic quasi‐oppositional whale optimization algorithm on CHPED problem integrated with wind‐solar‐EVs | |
| CN114462854A (zh) | 含新能源和电动汽车并网的分层调度方法及其系统 | |
| Welch et al. | Comparison of two optimal control strategies for a grid independent photovoltaic system | |
| CN111525556A (zh) | 一种计及风电置信风险的多目标最优潮流计算方法 | |
| Zheng et al. | Optimal dispatch strategy of microgrid energy storage based on improved sparrow search algorithm | |
| CN110334856A (zh) | 一种基于碳交易机制的风光储容量规划方法 | |
| CN116169785A (zh) | 一种基于深度q学习的灵活互动资源安全运行预警方法 | |
| CN114285093B (zh) | 一种源网荷储互动调度方法及系统 | |
| CN115796533A (zh) | 考虑清洁能源消纳的虚拟电厂双层优化调度方法及装置 | |
| CN116029498A (zh) | 一种基于改进多目标人工蜂鸟算法的微电网经济调度优化方法 | |
| CN111311032B (zh) | 一种基于扇形雷达图模型的微网系统容量优化配置方法 | |
| CN113807566A (zh) | 基于可再生能源和内部负荷不确定的社区能源的调度方法 |
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 |