一种基于改进粒子群算法的微电网经济调度优化策略的制作方法

本发明属于电力系统自动化的技术领域，具体涉及一种基于改进粒子群算法的微电网经济调度优化策略。

背景技术：

面对日益严峻的能源和环境问题，开发可再生能源已成为必由之路，尤其是风力发电和光伏发电在近几年得到了广泛的应用。由于光伏和风电等可再生能源出力的间歇性和波动性，为了满足微电网的经济运行，及供电电能质量要求，将可再生能源发电接入微电网的情况下，配备一定的储能来实现微电网的供需平衡。储能系统能够灵活快速的与微电网进行功率交换，因此可以作为一种解决微电网运行问题的有效手段。

微电网运行既要达到环境友好，同时又要经济效益，因此微电网的经济调度问题是一个比较复杂多约束的优化运行问题。传统的优化算法已经难以解决多约束条件的非线性优化以及模型中等式问题。

技术实现要素：

本发明所要解决的技术问题是针对上述背景技术的不足，提出一种基于改进粒子群算法的微电网经济调度优化策略，建立了可调度电源、可再生能源发电以及储能联合优化的模型，在满足各约束条件的前提下，实现微电网的运行成本最低，解决基于粒子群优化算法的问电网经济调度的技术问题。

一种基于改进粒子群算法的微电网经济调度优化策略，包括三大部分，(一)根据可再生能源输出功率的不确定性建立微电网经济调度优化模型，(二)基于上述建立的微电网优化调度模型给出求解方法，(三)基于微电网经济调度模型给出的求解方法，对建立的经济调度模型进行优化；

所述第(一)部分，包括优化目标与设定约束条件；

所述优化目标，通过下式进行实现：

以微电网的费用f(p)最低为目标函数，ng为发电机个数；ai0，ai1和ai2为成本系数；pgi(t)为第i个发电机组在t时刻的出力；λ1为为电池的运行成本，λ2为电池的损耗成本；ηc(t)，ηd(t)分别为储能在t时刻的充放电效率，放电时μ＝1，充电时μ＝0；dod为放电深度；soc(t)为储能在t时刻的荷电状态；socmax是储能最高荷电状态；ps(t)为储能在t时刻的调度功率；

所述约束条件，包括对微电网中的功率平衡、发电机组出力、储能充放电和爬坡率进行约束；

所述第(二)部分，通过粒子群的优化方法，对于模型进行求解；

粒子群算法通过迭代，不断追随当前搜索到的最优解来寻找全局最优值；同时，为了提高粒子群算法寻求最优值的速度，对惯性权重进行动态更新；

在微电网经济调度优化模型中，对等式约束的处理方法进行改进，采用动态处理的方法，使得每一个粒子在寻优的过程中可以始终满足等式约束；

基于粒子群算法解决提出的微电网经济调度模型，算法的具体步骤如下：

步骤1：设置粒子数目、速度和位置，设置迭代的次数，精度要求；

步骤2：计算每个粒子的适应度，并根据适应值更新惯性权重ω；

步骤3：将每个粒子当前的适应值与之前的最好位置的pbest进行比较，若更好，则替换，否则不变；

步骤4：将每个粒子的适应值跟全局最佳位置gbest进行比较，若更好，则替换，否则不变；

步骤5：更新每个粒子的速度v；

步骤6：若粒子的速度v＜vmax，速度保持不变，否则v＝vmax；

步骤7：更新每个粒子的速度v；

步骤8：若达到精度要求或迭代次数达到上限，则输出结果。否则，执行步骤2；

所述第(三)部分，采用的微电网系统包括光伏阵列、发电机组以及储能系统，计算周期设定为一天，每一个小时作为一个计算时段，全天将被分为24个时段，光伏在6：00-18：00发电，并且设置粒子群优化算法的相关参数，同时粒子群优化算法在粒子群的初始化和粒子的更新都采用处理等式策略，反复调整粒子，使其满足等式约束，使收敛值更优。

进一步地，所述第(一)部分中，各个约束条件为：

功率平衡约束：μps(t)+(μ-1)ps(t)+pv(t)-pload(t)＝0，pv(t)为光伏在t时刻的预测功率；pload(t)为负荷在t时刻的预测功率；

发电机组出力约束：pgimin≤pgi(t)≤pgimax，pgimin为发电机组出力的最小值；pgimax为发电机组出力的最大值；

储能充放电约束：

为储能放电功率的最小值；为储能充电功率的最小值；为储能放电功率的最大值；为储能充电功率的最大值；socmin是储能最低荷电状态，socmax是储能最高荷电状态；

爬坡率约束：rdown＜pgi(t)-pgi(t-1)＜rup。

进一步地，所述第(二)部分中，粒子群算法中，粒子的速度和位置更新结果如下式所示：

vi，j(k+1)＝w(k)vi，j(k)+c1r1(pi，j(k)-xi，j(k))+c2r2(pg，j(k)-xi，j(k))

xi，j(k+1)＝xi，j(k)+vi，j(k+1)

其中，w(k)为惯性权重；vi，j(k)为迭代速度；xi，j(k)为空间位置；r1和r2为加速因子，是范围在[0，1]之间的随机常数；pg，j(k)为当前全局最优值；pi，j(k)为当前个体最优值。

进一步地，所述第(二)部分中，对惯性权重进行动态更新，更新公式表示为：

上式中，ωmax为迭惯性权重上限，是初始值；ωmin为惯性权重下限，是结束值；iter为迭代次数；itermax为迭代次数的上限。

进一步地，所述第(二)部分中，等式约束的处理步骤如下：

步骤1：设置索引时间段t＝1，并初始化粗调系数jcoarse＝0和细调系数jfine＝0；

步骤2：通过下式计算总的功率差δp，如果|δp|＜ε，其中ε是允许的总的功率差的范围，若满足，转至步骤7，否则，进行步骤3；

δp＝μps(t)+(μ-1)ps(t)+pv(t)-pload(t)

步骤3：通过公式下式平均调整发电机组每个时间段的功率，并检查发电机组的出力pgi(t)是否超出第i个发电机组的出力限制，如果它超出边界，则等于发电机组出力约束的边界，并转至步骤4；否则，按照下式修改，并转到步骤4；

pgi(t)′＝pgi(t)-δp/ns

步骤4：如果jcoarse＜jmax，其中jmax为粗调系数的最大值，则jcoarse＝jcoarse+1，执行步骤2；否则，执行步骤5)；

步骤5：再次通过步骤2中的公式计算总的功率差，在ns个发电机组中选择一个随机指数r，通过下式修改每个发电机组的输出功率，并执行步骤6；

pgi(t)′＝pgi(t)-δp/ns

步骤6：如果jfine＜j′max，其中j′max为细条系数的最大值，则jfine＝jfine+1，执行步骤5)；否则，执行步骤7)；

步骤7：如果t＜t，则t＝t+1，并执行步骤2)；否则，退出系统功率平衡的处理。

进一步地，所述第(三)部分中，粒子群优化算法的相关参数设置为：粒子的数目为100，维度为144，最大迭代次数为1000。

本发明根据光储联合运行的特点，在微电网运行过程中考虑发电机组出力和储能能量的动态变化。以发电机组发电的成本以及储能运行成本之和为目标，考虑功率平衡约束、发电机组的出力约束、储能充放电约束以及爬坡率约束，提出了一种基于改进粒子群算法的微电网经济调度优化策略。采用改进等式约束处理方法的粒子群优化算法，在约束范围内，不断调节发电机组调度出力以及储能充放电的能量，寻求最佳粒子，使得微电网系统运行成本最低。

附图说明

图1为所述一种基于改进粒子群算法的微电网经济调度优化策略框图。

图2为优化目标结果图。

具体实施方式

下面结合说明书附图对本发明的技术方案做进一步的详细说明。

一种基于改进粒子群算法的微电网经济调度优化策略，包括三大部分，(一)根据可再生能源输出功率的不确定性建立微电网经济调度优化模型，(二)基于上述建立的微电网优化调度模型给出求解方法，(三)基于微电网经济调度模型给出的求解方法，对建立的经济调度模型进行优化。

所述第(一)部分，包括优化目标与设定约束条件。

所述优化目标，通过下式进行实现：

以微电网的费用f(p)最低为目标函数，ng为发电机个数；ai0，ai1和ai2为成本系数；pgi(t)为第i个发电机组在t时刻的出力；λ1为为电池的运行成本，λ2为电池的损耗成本；ηc(t)，ηd(t)分别为储能在t时刻的充放电效率，放电时μ＝1，充电时μ＝0；dod为放电深度；soc(t)为储能在t时刻的荷电状态；socmax是储能最高荷电状态；ps(t)为储能在t时刻的调度功率。

所述约束条件，包括对微电网中的功率平衡、发电机组出力、储能充放电和爬坡率进行约束。各个约束条件为：

功率平衡约束：μps(t)+(μ-1)ps(t)+pv(t)-pload(t)＝0，pv(t)为光伏在t时刻的预测功率；pload(t)为负荷在t时刻的预测功率。

发电机组出力约束：pgimin≤pgi(t)≤pgimax，pgimin为发电机组出力的最小值；pgimax为发电机组出力的最大值。

储能充放电约束：

为储能放电功率的最小值；为储能充电功率的最小值；为储能放电功率的最大值；为储能充电功率的最大值；socmin是储能最低荷电状态，socmax是储能最高荷电状态。

爬坡率约束：rdown＜pgi(t)-pgi(t-1)＜rup。

所述第(二)部分，通过粒子群的优化方法，对于模型进行求解。

粒子群算法通过迭代，不断追随当前搜索到的最优解来寻找全局最优值。粒子群算法中，粒子的速度和位置更新结果如下式所示：

vi，j(k+1)＝w(k)vi，j(k)+c1r1(pi，j(k)-xi，j(k))+c2r2(pg，j(k)-xi，j(k))

xi，j(k+1)＝xi，j(k)+vi，j(k+1)

其中，w(k)为惯性权重；vi，j(k)为迭代速度；xi，j(k)为空间位置；r1和r2为加速因子，是范围在[0，1]之间的随机常数；pg，j(k)为当前全局最优值；pi，j(k)为当前个体最优值。

同时，为了提高粒子群算法寻求最优值的速度，对惯性权重进行动态更新。对惯性权重进行动态更新，更新公式表示为：

上式中，ωmax为迭惯性权重上限，是初始值；ωmin为惯性权重下限，是结束值；iter为迭代次数；itermax为迭代次数的上限。

在微电网经济调度优化模型中，对等式约束的处理方法进行改进，采用动态处理的方法，使得每一个粒子在寻优的过程中可以始终满足等式约束。等式约束的处理步骤如下：

步骤1：设置索引时间段t＝1，并初始化粗调系数jcoarse＝0和细调系数jfine＝0。

步骤2：通过下式计算总的功率差δp，如果|δp|＜ε，其中ε是允许的总的功率差的范围，若满足，转至步骤7，否则，进行步骤3。

δp＝μps(t)+(μ-1)ps(t)+pv(t)-pload(t)

步骤3：通过公式下式平均调整发电机组每个时间段的功率，并检查发电机组的出力pgi(t)是否超出第i个发电机组的出力限制，如果它超出边界，则等于发电机组出力约束的边界，并转至步骤4；否则，按照下式修改，并转到步骤4。

pgi(t)′＝pgi(t)-δp/ns

步骤4：如果jcoarse＜jmax，其中jmax为粗调系数的最大值，则jcoarse＝jcoarse+1，执行步骤2；否则，执行步骤5)。

步骤5：再次通过步骤2中的公式计算总的功率差，在ns个发电机组中选择一个随机指数r，通过下式修改每个发电机组的输出功率，并执行步骤6。

pgi(t)′＝pgi(t)-δp/ns

步骤6：如果jfine＜j′max，其中j′max为细条系数的最大值，则jfine＝jfine+1，执行步骤5)；否则，执行步骤7)。

步骤7：如果t＜t，则t＝t+1，并执行步骤2)；否则，退出系统功率平衡的处理。

基于粒子群算法解决提出的微电网经济调度模型，算法的具体步骤如下：

步骤1：设置粒子数目、速度和位置，设置迭代的次数，精度要求。

步骤2：计算每个粒子的适应度，并根据适应值更新惯性权重ω。

步骤3：将每个粒子当前的适应值与之前的最好位置的pbest进行比较，若更好，则替换，否则不变。

步骤4：将每个粒子的适应值跟全局最佳位置gbest进行比较，若更好，则替换，否则不变。

步骤5：更新每个粒子的速度v。

步骤6：若粒子的速度v＜vmax，速度保持不变，否则v＝vmax。

步骤7：更新每个粒子的速度v。

步骤8：若达到精度要求或迭代次数达到上限，则输出结果。否则，执行步骤2。

所述第(三)部分，采用的微电网系统包括光伏阵列、发电机组以及储能系统，计算周期设定为一天，每一个小时作为一个计算时段，全天将被分为24个时段，光伏在6：00-18：00发电，并且设置粒子群优化算法的相关参数，粒子群优化算法的相关参数设置为：粒子的数目为100，维度为144，最大迭代次数为1000。同时粒子群优化算法在粒子群的初始化和粒子的更新都采用处理等式策略，反复调整粒子，使其满足等式约束，使收敛值更优。

在并网条件下，微电网经济调度结果如下：

五个发电机组的数据如下表所示：

一天内每个小时的光伏发电功率如下表所示：

一天内每个小时的负荷需求如下表所示：

5个发电机组及储能的实际输出功率如下表所示：

优化目标结果如图2所示。

采用等式处理策略，结合粒子群优化算法对微电网系统进行计算，发电机组及储能在满足约束的前提下，调节五个发电机组在每个时间段的调度出力，当光伏发电量以及发电机组的发电量在满足负荷需求的情况下，发电机组发电过量给储能充电，若无法满足负荷需求，则储能放电，使得储能处于充放电的动态变化状态，使得优化目标的值最小，进而实现微电网经济最优。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。