CN116914821A - 一种基于改进粒子群算法的微电网低碳优化调度方法 - Google Patents

一种基于改进粒子群算法的微电网低碳优化调度方法 Download PDF

Info

Publication number
CN116914821A
CN116914821A CN202310746706.1A CN202310746706A CN116914821A CN 116914821 A CN116914821 A CN 116914821A CN 202310746706 A CN202310746706 A CN 202310746706A CN 116914821 A CN116914821 A CN 116914821A
Authority
CN
China
Prior art keywords
power
micro
grid
grid system
carbon
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
Application number
CN202310746706.1A
Other languages
English (en)
Inventor
桑英军
张文治
陈泉宇
张一航
罗颖
高畅
李江研
范媛媛
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.)
Huaiyin Institute of Technology
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 CN202310746706.1A priority Critical patent/CN116914821A/zh
Publication of CN116914821A publication Critical patent/CN116914821A/zh
Pending legal-status Critical Current

Links

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]
    • 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
    • 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
    • H02J3/38—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
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Water Supply & Treatment (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于改进粒子群算法的微电网低碳优化调度方法，降低了微电网系统的综合运行成本。所述方法包括：获取微电网系统基础数据和负荷数据，主要包括电负荷、购电价、售电价，结合微电网系统中机组自身的特性，构建微电网系统的综合成本目标函数；以微电网系统综合成本最小为目标函数，包括微电网系统的能耗成本和碳排放成本，构建低碳调度模型；引入机组功率约束、储能装置约束、碳排放约束；利用改进粒子群算法对低碳调度模型进行求解并根据所述方案对微电网系统进行优化调度。本发明通过改进后的算法，寻优能力强，收敛速度快，能够有效分配微电网系统中各机组的出力，能够合理有效的分配微电网系统中各机组出力，提供既经济又环保的优化调度方法。

Description

一种基于改进粒子群算法的微电网低碳优化调度方法
技术领域
本发明涉及微电网优化调度技术领域，具体涉及一种基于改进粒子群算法的微电网低碳优化调度方法。
背景技术
随着化石能源的逐渐枯竭和环境污染的加剧，近年来以太阳能、风能等新型清洁能源为代表的清洁发电技术成为了主流趋势，微电网作为智能电网的重要组成部分，能够作为消纳可再生能源的有效手段，太阳能和风能已广泛分布其中。但由于风、光出力的随机性，会给微电网的调度带来许多影响，微电网优化调度实际上属于非线性、多约束、高维度的复杂优化问题，因此合理的优化微电网调度，不仅可以提高可再生能源的利用率，还能够提高微电网系统的经济效益并减少碳排放，使微电网系统的能耗成本和碳排放成本达到折中最优。
随着智能优化算法的不断改进，在微电网的优化调度中得到广泛应用。粒子群算法就是其中之一，具有参数少、编程简单、寻优能力强等特点，但传统粒子群算法很容易陷入局部最优并且收敛速度较慢的问题，增加了系统的综合成本。
发明内容
针对上述的技术问题，本技术方案对传统粒子群算法进行改进，使其能更好的应用于微电网的优化调度，提高微电网系统的综合效益，提出了一种基于改进粒子群算法的微电网低碳优化调度方法，在减少系统运行成本的同时降低碳排放量；能有效的解决上述问题。
本发明通过以下技术方案实现：
一种基于改进粒子群算法的微电网低碳优化调度方法，其特征在于，包括：
步骤S1：获取微电网系统基础数据和负荷数据，主要包括电负荷、购电价、售电价，结合微电网系统中机组自身的特性，构建微电网系统的综合成本目标函数；综合成本目标函数的公式为：
Fm＝min(FN+FC) (1)；
式中：Fm表示微电网系统的综合运行成本的总和最小，FN表示微电网系统的能耗成本，FC表示微电网系统的碳排放成本；
步骤S2：以微电网系统综合运行成本最小为目标函数，包括微电网系统的能耗成本和碳排放成本，构建低碳调度模型；
所述微电网系统中的碳排放成本，可用公式表示为：
式中：a、b、c分别为蓄电池、柴油机、燃气轮机在t时刻单位功率碳排放因子；Kc为超额部分单位碳排放功率的惩罚系数；St为t时刻当前机组的碳排放配额功率；ε为单位功率排放配额系数；δ为碳排放成本系数；Dt为t时刻当前机组实际所产生的碳排放功率；ΔEt为超额部分碳排放功率；
将系统实际的碳排放量与碳交易机制下系统所分配的碳排放额度进行差值比较，对相关机组引入了不同的碳排放因子，并引入惩罚系数，如果实际碳排放量超出碳排放配额，微电网系统会选择引入惩罚机制的调度模型，能够有效规范微电网系统的碳排放标准，实现各机组出力的“再分配”，降低碳排放量，使微电网系统的综合成本达到最小；
步骤S3：引入微电网系统约束条件；
步骤S4：利用改进粒子群算法对低碳调度模型进行求解，并根据所述方案对微电网系统进行优化调度；优化调度的方法为：
首先，采用改进的粒子群算法迭代寻优，得到第i个粒子迭代更新后的速度Vnew,i、位置Xnew,i为：
Vnew,i＝ω×vi×c1×r1×(pbesti-xi)+c2×r2×(gbesti-xi) (19)；
Xnew,i＝Xi+Vnew,i (20)；
式中：vi、xi分别表示第i个粒子的速度和位置；ω为惯性系数，即惯性权重因子；c1、c2是学习因子，分别代表自身经验系数、社会经验系数；r1、r2为范围在0到1之间的随机常数；pbesti、gbesti分别代表第i粒子自身经过的最优位置与整个粒子群的经验最优位置；
从惯性权重因子和学习因子两个方面对粒子群算法进行改进，改进后的策略为：
式中：d是当前迭代次数；K是总迭代次数；ρ是调整系数；ωstart、ωend是惯性权重因子的初始值和终止值；c1，start、c1，end表示c1的初始值和终止值；c2，start、c2，end表示c2的初始值和终止值；pbesti为粒子i的个体极值；n为总的粒子数。
进一步的，在步骤S1之前，还包括构建微电网系统低碳优化调度框架，具体方法为：在新能源发电出力最大化的原则下，分析能源调度方案对微电网系统的经济性与低碳性的影响，构建微电网系统低碳优化调度框架。
进一步的，步骤S2所述的微电网系统中的能耗成本包括光伏发电机运行成本、风力发电机运行成本、储能维护成本、柴油机运行成本、主网交互总成本。
进一步的，所述微电网系统中的能耗成本表示为：
FN＝FPV+FWT+Fbess+FDE+FGrid+FMT (2)；
式中：FPV为光伏发电机运行成本；FWT为风力发电机运行成本；Fbess为储能维护成本；FDE为柴油机运行成本；FGrid为主网交互总成本；FMT为燃气轮机运行成本；
式中：λPV为光伏电站的单位功率运行成本系数；PPV,t为光伏电站在t时刻的发电功率；λWT为风电场的单位功率运行成本系数；PWT,t为风电场在t时刻的发电功率；θ为储能维护单位功率成本系数；SOCt-1为t-1时刻蓄电池剩余容量；η+、η-分别为充放电率；Pbess,t为t时刻蓄电池充放电功率；α、β、γ为柴油机运行成本系数；PDE,t为t时刻柴油机的发电功率；Fbuy,t、Fsell,t分别为t时刻微电网与大电网的购售电价；Pbuy,t、Psell,t分别为t时刻微电网与大电网的购电功率和售电功率；K为燃气轮机运行成本系数；ηMT为燃气轮机的运行效率；LHV为天然气低热值；PMT,t为燃气轮机在t时刻的发电功率。
进一步的，步骤S3所述中，微电网系统约束条件包括：系统功率平衡约束、柴油机出力约束、燃气轮机出力约束、联络线传输功率约束、储能装置约束、光伏容量上下限约束、风电容量上下限约束、碳排放功率目标约束,其中：
所述系统功率平衡约束表示为：
PPV,t+PWT,t+Pbess,t+Pgrid,t+PDE,t+PMT,t＝PL,t (11)；
式中，PPV,t为光伏电站在t时刻的发电功率；PWT,t为风电场在t时刻的发电功率；Pbess,t为t时刻蓄电池充放电功率；Pgrid,t为t时刻主网交互的发电功率；PDE,t为t时刻柴油机的发电功率；PMT,t为燃气轮机在t时刻的发电功率；PL,t为微电网系统在t时刻的总功率；
柴油机出力约束表示为：
Pmin,DE≤PDE,t≤Pmax,DE (12)；
式中：Pmax,DE、Pmin,DE为柴油机出力上下限，PDE,t为t时刻柴油机的发电功率；
燃气轮机出力约束表示为：
Pmin,MT≤PMT,t≤Pmax,MT (13)；
式中：Pmax,MT、Pmin,MT为燃气轮机出力上下限；PMT,t为燃气轮机在t时刻的发电功率；
联络线传输功率约束表示为：
Pmin,grid≤Pgrid,t≤Pmax,grid (14)；
式中：Pmax,grid、Pmin,grid为联络线传输功率上下限；Pgrid,t为t时刻主网交互的发电功率；
储能装置约束表示为：
式中：Pmax,bess、Pmin,bess为储能装置出力上下限；SOCmax、SOCmin为储能容量上下限；
光伏容量上下限约束表示为：
Pmin,PV≤PPV,t≤Pmax,PV (16)；
式中：Pmax,PV、Pmin,PV为光伏电站出力上下限；PPV,t为t时刻光伏电站出力；
风电容量上下限约束表示为：
Pmin,WT≤PWT,t≤Pmax,WT (17)；
式中：Pmax,WT、Pmin,WT为风电场出力上下限；PWT,t为t时刻风电场出力；
碳排放功率目标约束表示为：
St,min≤St≤St,max (18)；
式中：St,max、St,min机组的碳排放配额功率上下限；St为机组的碳排放配额功率。
进一步的，步骤S4所述的求解低碳调度模型，具体包括：利用改进粒子群算法在Matlab中进行仿真求解所述低碳调度模型而获得所述低碳调度方案。
进一步的，步骤S4中所述的采用改进的粒子群算法迭代寻优，粒子群算法的具体步骤为：
S41：获取微电网系统基础数据，进行参数初始化；
S42：初始化粒子种群，种群中每一个粒子都对应一个调度方案；
S43：计算适应度函数，输入以综合运行成本最小指标为目标函数的数学模型；
S44：将当前值作为个体最优值，并计算群体最优值；
S45：开始迭代；
S46：对个体极值进行改进；
S47：用改进后的速度更新公式更新粒子的速度和位置，计算更新后的适应度值，并更新粒子的个体最优值和群体最优值；
S48：判断粒子是否收敛，若否，则继续迭代；反之，则输出最优解；提供优化调度方法。
有益效果
本发明提出的一种基于改进粒子群算法的微电网低碳优化调度方法，具有如下有益效果：
(1)本发明为了加强微电网运行的稳定性，对供给侧进行了优化调度，获取微电网系统的相关数据并对各机组建立了数学模型，兼顾了系统的能耗成本和碳排放成本，在此基础上以系统能耗成本与碳排放成本的和最小为目标函数，建立低碳调度模型，在碳排放模型的建立中，将运行中的机组实际产生的碳排放功率与当前机组的碳排放配额功率进行差值比较，并引入惩罚系数，能够使最终优化结果更加精确，最后利用改进粒子群算法进行迭代寻优。算例仿真结果表明改进后的模型和算法，收敛速度快，结果更精确，能够有效分配微电网系统中各机组的出力，能够合理有效的分配微电网系统中各机组出力，提供既经济又环保的优化调度方法。
(2)本发明将系统实际的碳排放量与碳交易机制下系统所分配的碳排放额度进行差值比较，对相关机组引入了不同的碳排放因子，并引入惩罚系数，如果实际碳排放量超出碳排放配额，微电网系统会选择引入惩罚机制的调度模型，能够有效规范微电网系统的碳排放标准，实现各机组出力的“再分配”，降低碳排放量，使微电网系统的综合成本达到最小。
(3)本发明在权重更新时，采取幂函数实现参数非线性递减，更好的平衡了全局搜索和局部搜索。对于学习因子的更新，采取余弦函数实现个体学习因子c1非线性递减，社会学习因子c2非线性递增，加强了全局搜索和局部搜索的能力。对于个体极值的更新，采取几何平均法实现个体极值的位置更新，提升了种群逼近Pareto最优前沿的稳定性和精度，可以使粒子更好地向全局极值靠拢。
(4)本发明利用了改进的粒子群算法，该算法通过引入惯性权重的迭代公式，通过幂函数实现参数非线性递减，更好的平衡了全局搜索和局部搜索；引入学习因子的迭代公式，通过余弦函数实现个体学习因子c1非线性递减，社会学习因子c2非线性递增，加强了全局搜索和局部搜索的能力；引入个体极值的改进公式，提升了种群逼近Pareto最优前沿的稳定性和精度，可以使粒子更好地向全局极值靠拢；公式可有益于算法快速跳出局部最优并提高收敛速度，进而提高全局收敛能力。
附图说明
图1为本发明的整体操作流程示意图。
图2为本发明中粒子群算法步骤的示意图。
图3为案例1中光伏预测出力与实际出力对比图。
图4为案例1中风电预测出力与实际出力对比图。
图5为案例1中优化后能耗成本最小时各机组出力图。
图6为案例1中优化后碳排放成本最小时对应机组出力图。
图7为案例1中优化后综合成本最小时各机组出力图。
图8为案例1中优化前后微电网系统总负荷对比图。
图9为案例1中优化前后Pareto前沿解对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1：
一种基于改进粒子群算法的微电网低碳优化调度方法，在实行调度方法之前，需要先构建微电网系统低碳优化调度框架。
构建微电网系统低碳优化调度框架是在新能源发电出力最大化的原则下，分析能源调度方案对微电网系统的经济性与低碳性的影响，构建微电网系统低碳优化调度框架。
微电网低碳优化调度方法的具体步骤包括：
步骤1：获取微电网系统基础数据和负荷数据，主要包括电负荷、购电价、售电价，结合微电网系统中机组自身的特性，构建微电网系统的综合成本目标函数；综合成本目标函数的公式为：
Fm＝min(FN+FC) (1)；
式中：Fm表示微电网系统的综合运行成本的总和最小，FN表示微电网系统的能耗成本，FC表示微电网系统的碳排放成本。
步骤2：以微电网系统综合成本最小为目标函数，包括微电网系统的能耗成本和碳排放成本，构建低碳调度模型。
所述微电网系统中的能耗成本包括光伏发电机运行成本、风力发电机运行成本、储能维护成本、柴油机运行成本、主网交互总成本。微电网系统中的能耗成本用公式表示为：
FN＝FPV+FWT+Fbess+FDE+FGrid+FMT (2)；
式中：FPV为光伏发电机运行成本；FWT为风力发电机运行成本；Fbess为储能维护成本；FDE为柴油机运行成本；FGrid为主网交互总成本；FMT为燃气轮机运行成本。
式中：λPV为光伏电站的单位功率运行成本系数；PPV,t为光伏电站在t时刻的发电功率；λWT为风电场的单位功率运行成本系数；PWT,t为风电场在t时刻的发电功率；θ为储能维护单位功率成本系数；SOCt-1为t-1时刻蓄电池剩余容量；η+、η-分别为充放电率；Pbess,t为t时刻蓄电池充放电功率；α、β、γ为柴油机运行成本系数；PDE,t为t时刻柴油机的发电功率；Fbuy,t、Fsell,t分别为t时刻微电网与大电网的购售电价；Pbuy,t、Psell,t分别为t时刻微电网与大电网的购电功率和售电功率；K为燃气轮机运行成本系数；ηMT为燃气轮机的运行效率；LHV为天然气低热值；PMT,t为燃气轮机在t时刻的发电功率。
所述微电网系统中的碳排放成本，可用公式表示为：
式中：a、b、c分别为蓄电池、柴油机、燃气轮机在t时刻单位功率碳排放因子；Kc为超额部分单位碳排放功率的惩罚系数；St为t时刻当前机组的碳排放配额功率；ε为单位功率排放配额系数；δ为碳排放成本系数；Dt为t时刻当前机组实际所产生的碳排放功率；ΔEt为超额部分碳排放功率。
将系统实际的碳排放量与碳交易机制下系统所分配的碳排放额度进行差值比较，对相关机组引入了不同的碳排放因子，并引入惩罚系数，如果实际碳排放量超出碳排放配额，微电网系统会选择引入惩罚机制的调度模型，能够有效规范微电网系统的碳排放标准，实现各机组出力的“再分配”，降低碳排放量，使微电网系统的综合成本达到最小。
步骤3：引入微电网系统约束条件，微电网系统约束条件包括：系统功率平衡约束、柴油机出力约束、燃气轮机出力约束、联络线传输功率约束、储能装置约束、光伏容量上下限约束、风电容量上下限约束、碳排放功率目标约束,具体参数设置如表1、表2所示。
其中，所述系统功率平衡约束表示为：
PPV,t+PWT,t+Pbess,t+Pgrid,t+PDE,t+PMT,t＝PL,t (11)；
式中，PPV,t为光伏电站在t时刻的发电功率；PWT,t为风电场在t时刻的发电功率；Pbess,t为t时刻蓄电池充放电功率；Pgrid,t为t时刻主网交互的发电功率；PDE,t为t时刻柴油机的发电功率；PMT,t为燃气轮机在t时刻的发电功率；PL,t为微电网系统在t时刻的总功率。
柴油机出力约束表示为：
Pmin,DE≤PDE,t≤Pmax,DE (12)；
式中：Pmax,DE、Pmin,DE为柴油机出力上下限，PDE,t为t时刻柴油机的发电功率。
燃气轮机出力约束表示为：
Pmin,MT≤PMT,t≤Pmax,MT (13)；
式中：Pmax,MT、Pmin,MT为燃气轮机出力上下限；PMT,t为燃气轮机在t时刻的发电功率。
联络线传输功率约束表示为：
Pmin,grid≤Pgrid,t≤Pmax,grid (14)；
式中：Pmax,grid、Pmin,grid为联络线传输功率上下限；Pgrid,t为t时刻主网交互的发电功率。
储能装置约束表示为：
式中：Pmax,bess、Pmin,bess为储能装置出力上下限；SOCmax、SOCmin为储能容量上下限。
光伏容量上下限约束表示为：
Pmin,PV≤PPV,t≤Pmax,PV (16)；
式中：Pmax,PV、Pmin,PV为光伏电站出力上下限；PPV,t为t时刻光伏电站出力。
风电容量上下限约束表示为：
Pmin,WT≤PWT,t≤Pmax,WT (17)；
式中：Pmax,WT、Pmin,WT为风电场出力上下限；PWT,t为t时刻风电场出力。
碳排放功率目标约束表示为：
St,min≤St≤St,max (18)；
式中：St,max、St,min机组的碳排放配额功率上下限；St为机组的碳排放配额功率。
步骤4:利用改进粒子群算法在Matlab中进行仿真，对低碳调度模型进行求解，求解低碳调度模型而获得低碳调度方案；并根据方案对微电网系统进行优化调度；优化调度的方法为：
首先，采用改进的粒子群算法迭代寻优，得到第i个粒子迭代更新后的速度Vnew,i、位置Xnew,i为：
Vnew,i＝ω×vi×c1×r1×(pbesti-xi)+c2×r2×(gbesti-xi) (19)；
Xnew,i＝Xi+Vnew,i (20)；
式中：vi、xi分别表示第i个粒子的速度和位置；ω为惯性系数，即惯性权重因子；c1、c2是学习因子，分别代表自身经验系数、社会经验系数；r1、r2为范围在0到1之间的随机常数；pbesti、gbesti分别代表第i粒子自身经过的最优位置与整个粒子群的经验最优位置。
从惯性权重因子和学习因子两个方面对粒子群算法进行改进，改进的粒子群算法是在PSO算法迭代处加入对粒子群参数更新的环节，得到非线性递减的粒子群参数；改进后的策略为：
式中：d是当前迭代次数；K是总迭代次数；ρ是调整系数；ωstart、ωend是惯性权重因子的初始值和终止值；c1，start、c1，end表示c1的初始值和终止值；c2，start、c2，end表示c2的初始值和终止值；pbesti为粒子i的个体极值；n为总的粒子数。
对于权重的更新，采取幂函数实现参数非线性递减，更好的平衡了全局搜索和局部搜索。对于学习因子的更新，采取余弦函数实现个体学习因子c1非线性递减，社会学习因子c2非线性递增，加强了全局搜索和局部搜索的能力。对于个体极值的更新，采取几何平均法实现个体极值的位置更新，提升了种群逼近Pareto最优前沿的稳定性和精度，可以使粒子更好地向全局极值靠拢。
对于常规的粒子群算法参数固定为常数，本发明将惯性权重和学习因子设置为一维向量，则式21与式22分别为惯性权重与学习因子的更新迭代公式。其中ωstart＝0.9，ωend＝0.4，c1，start和c2，start分别设置为2.5和0.5，c1，end和c2，end分别设置为0.5和2.5。种群个数设置为100，最大迭代次数为200。
所述的采用改进的粒子群算法迭代寻优，粒子群算法的具体步骤为：
S41：获取微电网系统基础数据，进行参数初始化；
S42：初始化粒子种群，种群中每一个粒子都对应一个调度方案；
S43：计算适应度函数，输入以综合运行成本最小指标为目标函数的数学模型；
S44：将当前值作为个体最优值，并计算群体最优值；
S45：开始迭代；
S46：对个体极值进行改进；
S47：用改进后的速度更新公式更新粒子的速度和位置，计算更新后的适应度值，并更新粒子的个体最优值和群体最优值；
S48：判断粒子是否收敛，若否，则继续迭代；反之，则输出最优解；提供优化调度方法。
具体的结果分析如下所示：
案例1:
本算例以一个小时为单位来划分微电网系统的调度时间，将一天划分为24个调度时间段，以满足微电网系统运行的约束为前提，以优化调度策略为原则，微电网的微电网运行综合效益最大化为目标函数,用改进粒子群优化算法对微电网的目标函数进行求解。对微电网系统运行仿真，仿真时以某典型日提供的参数作为依据进行仿真，并确定微电网中各分布式电源的最优出力，使整个优化调度周期综合运行成本最小，进而实现微电网系统的低碳优化运行。
表1为各机组参数数据，设置了最大功率和最小功率，包括了柴油机、燃气轮机、联络线、风力发电机和光伏发电机五个机组。
表1各机组参数
表2为购售电峰谷电价具体数据。
表2购售电峰谷电价
表3为蓄电池储能参数数据，规定了蓄电池的最大容量、最小容量、初始储能容量、最大输入功率、最小输入功率、充放率六个参数。
表3蓄电池储能参数
参照图5～图7的示意，为了更好的进行对比分析分为三种方案进行优化调度分析，具体数据如表4所示：
表4不同方案下的优化前后结果
图3是收集了某地区采用太阳能板吸取的光伏功率数据，与预测光伏出力进行了对比。
图4是收集了某地区采用风力发电机的功率数据，与预测风电出力进行了对比。
图5所示，是优化后仅考虑系统能耗成本最小时的各机组出力数据。
图6所示，是优化后仅考虑碳排放成本最小时，储能设备、柴油机以及燃气轮机的出力数据。
图7所示，是优化后综合考虑了能耗成本和碳排放成本，达到综合运行成本最小时的各机组出力数据，与图5、图6相比，各机组的出力数据达到了折中。
图8所示，将优化前后的微电网系统中的总负荷进行了对比，可以很明显的看出，优化后的系统总负荷相比于优化前的系统总负荷更低，更加稳定。
图9所示，将传统粒子群算法和改进粒子群算法下的Pareto前沿解进行了对比，可以明显的看出改进后的粒子群算法效果更佳。
以上仅为本发明的具体实施例，但本发明的保护范围不仅局限于此，任何在本发明揭露的技术范围内的变化、替换和改进，均在本发明的保护范围内。

Claims (7)

1.一种基于改进粒子群算法的微电网低碳优化调度方法，其特征在于，包括：
步骤S1：获取微电网系统基础数据和负荷数据，主要包括电负荷、购电价、售电价，结合微电网系统中机组自身的特性，构建微电网系统的综合成本目标函数；综合成本目标函数的公式为：
Fm＝min(FN+FC) (1)；
式中：Fm表示微电网系统的综合运行成本的总和最小，FN表示微电网系统的能耗成本，FC表示微电网系统的碳排放成本；
步骤S2：以微电网系统综合运行成本最小为目标函数，包括微电网系统的能耗成本和碳排放成本，构建低碳调度模型；
所述微电网系统中的碳排放成本，可用公式表示为：
式中：a、b、c分别为蓄电池、柴油机、燃气轮机在t时刻单位功率碳排放因子；Kc为超额部分单位碳排放功率的惩罚系数；St为t时刻当前机组的碳排放配额功率；ε为单位功率排放配额系数；δ为碳排放成本系数；Dt为t时刻当前机组实际所产生的碳排放功率；ΔEt为超额部分碳排放功率；
将系统实际的碳排放量与碳交易机制下系统所分配的碳排放额度进行差值比较，对相关机组引入了不同的碳排放因子，并引入惩罚系数，如果实际碳排放量超出碳排放配额，微电网系统会选择引入惩罚机制的调度模型，能够有效规范微电网系统的碳排放标准，实现各机组出力的“再分配”，降低碳排放量，使微电网系统的综合成本达到最小；
步骤S3：引入微电网系统约束条件；
步骤S4：利用改进粒子群算法对低碳调度模型进行求解，并根据所述方案对微电网系统进行优化调度；优化调度的方法为：
首先，采用改进的粒子群算法迭代寻优，得到第i个粒子迭代更新后的速度Vnew,i、位置Xnew,i为：
Vnew,i＝ω×vi×c1×r1×(pbesti-xi)+c2×r2×(gbesti-xi) (19)；
Xnew,i＝Xi+Vnew,i (20)；
式中：vi、xi分别表示第i个粒子的速度和位置；ω为惯性系数，即惯性权重因子；c1、c2是学习因子，分别代表自身经验系数、社会经验系数；r1、r2为范围在0到1之间的随机常数；pbesti、gbesti分别代表第i粒子自身经过的最优位置与整个粒子群的经验最优位置；
从惯性权重因子和学习因子两个方面对粒子群算法进行改进，改进后的策略为：
式中：d是当前迭代次数；K是总迭代次数；ρ是调整系数；ωstart、ωend是惯性权重因子的初始值和终止值；c1，start、c1，end表示c1的初始值和终止值；c2，start、c2，end表示c2的初始值和终止值；pbesti为粒子i的个体极值；n为总的粒子数。
2.根据权利要求1所述的一种基于改进粒子群算法的微电网低碳优化调度方法，其特征在于：在所述的步骤S1之前，还包括构建微电网系统低碳优化调度框架，具体方法为：在新能源发电出力最大化的原则下，分析能源调度方案对微电网系统的经济性与低碳性的影响，构建微电网系统低碳优化调度框架。
3.根据权利要求1所述的微电网系统低碳调度方法，其特征在于：步骤S2所述微电网系统中的能耗成本包括光伏发电机运行成本、风力发电机运行成本、储能维护成本、柴油机运行成本、主网交互总成本。
4.根据权利要求1或3所述的微电网系统低碳调度方法，其特征在于：所述微电网系统中的能耗成本表示为：
FN＝FPV+FWT+Fbess+FDE+FGrid+FMT (2)；
式中：FPV为光伏发电机运行成本；FWT为风力发电机运行成本；Fbess为储能维护成本；FDE为柴油机运行成本；FGrid为主网交互总成本；FMT为燃气轮机运行成本；
式中：λPV为光伏电站的单位功率运行成本系数；PPV,t为光伏电站在t时刻的发电功率；λWT为风电场的单位功率运行成本系数；PWT,t为风电场在t时刻的发电功率；θ为储能维护单位功率成本系数；SOCt-1为t-1时刻蓄电池剩余容量；η+、η-分别为充放电率；Pbess,t为t时刻蓄电池充放电功率；α、β、γ为柴油机运行成本系数；PDE,t为t时刻柴油机的发电功率；Fbuy,t、Fsell,t分别为t时刻微电网与大电网的购售电价；Pbuy,t、Psell,t分别为t时刻微电网与大电网的购电功率和售电功率；K为燃气轮机运行成本系数；ηMT为燃气轮机的运行效率；LHV为天然气低热值；PMT,t为燃气轮机在t时刻的发电功率。
5.根据权利要求4所述的的微电网系统低碳优化调度方法，其特征在于：步骤S3所述的微电网系统约束条件包括：系统功率平衡约束、柴油机出力约束、燃气轮机出力约束、联络线传输功率约束、储能装置约束、光伏容量上下限约束、风电容量上下限约束、碳排放功率目标约束,其中：
所述系统功率平衡约束表示为：
PPV,t+PWT,t+Pbess,t+Pgrid,t+PDE,t+PMT,t＝PL,t (11)；
式中，PPV,t为光伏电站在t时刻的发电功率；PWT,t为风电场在t时刻的发电功率；Pbess,t为t时刻蓄电池充放电功率；Pgrid,t为t时刻主网交互的发电功率；PDE,t为t时刻柴油机的发电功率；PMT,t为燃气轮机在t时刻的发电功率；PL,t为微电网系统在t时刻的总功率；
柴油机出力约束表示为：
Pmin,DE≤PDE,t≤Pmax,DE (12)；
式中：Pmax,DE、Pmin,DE为柴油机出力上下限，PDE,t为t时刻柴油机的发电功率；
燃气轮机出力约束表示为：
Pmin,MT≤PMT,t≤Pmax,MT (13)；
式中：Pmax,MT、Pmin,MT为燃气轮机出力上下限；PMT,t为燃气轮机在t时刻的发电功率；
联络线传输功率约束表示为：
Pmin,grid≤Pgrid,t≤Pmax,grid (14)；
式中：Pmax,grid、Pmin,grid为联络线传输功率上下限；Pgrid,t为t时刻主网交互的发电功率；
储能装置约束表示为：
式中：Pmax,bess、Pmin,bess为储能装置出力上下限；SOCmax、SOCmin为储能容量上下限；
光伏容量上下限约束表示为：
Pmin,PV≤PPV,t≤Pmax,PV (16)；
式中：Pmax,PV、Pmin,PV为光伏电站出力上下限；PPV,t为t时刻光伏电站出力；
风电容量上下限约束表示为：
Pmin,WT≤PWT,t≤Pmax,WT (17)；
式中：Pmax,WT、Pmin,WT为风电场出力上下限；PWT,t为t时刻风电场出力；
碳排放功率目标约束表示为：
St,min≤St≤St,max (18)；
式中：St,max、St,min机组的碳排放配额功率上下限；St为机组的碳排放配额功率。
6.根据权利要求1所述的微电网系统低碳优化调度方法，其特征在于：步骤S4所述的求解低碳调度模型，具体包括：利用改进粒子群算法在Matlab中进行仿真求解所述低碳调度模型而获得所述低碳调度方案。
7.根据权利要求1所述的微电网系统低碳优化调度方法，其特征在于：步骤S4中所述的采用改进的粒子群算法迭代寻优，粒子群算法的具体步骤为：
S41：获取微电网系统基础数据，进行参数初始化；
S42：初始化粒子种群，种群中每一个粒子都对应一个调度方案；
S43：计算适应度函数，输入以综合运行成本最小指标为目标函数的数学模型；
S44：将当前值作为个体最优值，并计算群体最优值；
S45：开始迭代；
S46：对个体极值进行改进；
S47：用改进后的速度更新公式更新粒子的速度和位置，计算更新后的适应度值，并更新粒子的个体最优值和群体最优值；
S48：判断粒子是否收敛，若否，则继续迭代；反之，则输出最优解；提供优化调度方法。
CN202310746706.1A 2023-06-21 2023-06-21 一种基于改进粒子群算法的微电网低碳优化调度方法 Pending CN116914821A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310746706.1A CN116914821A (zh) 2023-06-21 2023-06-21 一种基于改进粒子群算法的微电网低碳优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310746706.1A CN116914821A (zh) 2023-06-21 2023-06-21 一种基于改进粒子群算法的微电网低碳优化调度方法

Publications (1)

Publication Number Publication Date
CN116914821A true CN116914821A (zh) 2023-10-20

Family

ID=88352116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310746706.1A Pending CN116914821A (zh) 2023-06-21 2023-06-21 一种基于改进粒子群算法的微电网低碳优化调度方法

Country Status (1)

Country Link
CN (1) CN116914821A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117111451A (zh) * 2023-10-24 2023-11-24 湘江实验室 基于源网荷储拓扑的多能源系统智能调控方法及装置
CN118157186A (zh) * 2024-05-09 2024-06-07 北京智芯微电子科技有限公司 微电网储能能量管理方法、装置、存储介质及终端设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117111451A (zh) * 2023-10-24 2023-11-24 湘江实验室 基于源网荷储拓扑的多能源系统智能调控方法及装置
CN117111451B (zh) * 2023-10-24 2024-02-02 湘江实验室 基于源网荷储拓扑的多能源系统智能调控方法及装置
CN118157186A (zh) * 2024-05-09 2024-06-07 北京智芯微电子科技有限公司 微电网储能能量管理方法、装置、存储介质及终端设备

Similar Documents

Publication Publication Date Title
CN110188950B (zh) 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法
CN110350523B (zh) 基于需求响应的多能源互补优化调度方法
WO2022048127A1 (zh) 一种电热泵-热电联合系统的优化调控方法及系统
CN102694391B (zh) 风光储联合发电系统日前优化调度方法
CN116914821A (zh) 一种基于改进粒子群算法的微电网低碳优化调度方法
CN116957294A (zh) 基于数字孪生的虚拟电厂参与电力市场交易的调度方法
Yuanyuan et al. Optimization scheduling method of power grid energy-saving based on fuzzy decision
CN112653195B (zh) 一种并网型微电网鲁棒优化容量配置方法
CN110119850B (zh) 基于光热发电调节的储热量双阶段优化调度方法
CN114938040B (zh) 源-网-荷-储交直流系统综合优化调控方法和装置
CN116050637A (zh) 基于分时电价的综合能源虚拟电厂优化调度方法及系统
Han et al. Analysis of economic operation model for virtual power plants considering the uncertainties of renewable energy power generation
Zhang et al. Optimal bidding strategy of PV-storage system in the electricity market
CN114493143A (zh) 面向并网型微电网的虚拟电厂多目标优化调度系统及方法
Chen et al. Multi-objective optimal dispatching of microgrid based on improved genetic algorithm
Fuxing et al. Optimizing Hierarchical Power Distribution of Multiple Local Energy Network Systems in Grid-Connected Mode.
Zhang et al. Cost-benefits analysis of battery storage system for industry consumers based on different operation modes
Tiwarie Distributed Energy Scheduling Problem Based on Learning Algorithm
Xing et al. Reliability Optimization Planning Method of New Energy Grid Considering the Growth Characteristics of Hydrogen Load
Lu et al. Optimal Dispatch of Multi-stakeholder Based on Pareto-Nash Equilibrium Game for Active Distribution Network
CN117574066A (zh) 基于改进灰狼优化算法的虚拟电厂最大收益方法
Bian et al. Research on Evaluation Platform of Power System Operation Economy Index Based on Artificial Intelligence Technology
Lan et al. Household PV Power Scheduling Based on an Improved Sparrow Search Algorithm
Zhao et al. Optimal Scheduling of Source-Load Interactive Microgrid Based on SAE-ELM Fusion Algorithm
Liu et al. Multi-Objective Dynamic Economic Dispatch of Active Distribution Network Considering User Satisfaction

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