一种微电网优化调度方法

1.本发明涉及微电网能源调度优化领域，尤其是涉及一种微电网优化调度方法。


背景技术：

2.目前对于微电网优化调度方法的设计大部分是将想要达到的目的，比如微电网运行成本最低等，抽象为数学模型的结果，方法中的数学模型也是由各种分布式电源以及负荷进行抽象、推理所建立的，最后运用智能优化算法将数学模型的结果仿真出来进而判断是否达到了目的。
3.在现有技术中，有从所建数学模型出发，使数学模型所含的参数、表达更加全面，能更好的模拟现实情况，比如将光伏、风力发电考虑在内提出以各发电单元的发电成本及运行成本的总和为目标的微电网日前调度方法，该方法用改进的粒子群算法求解该方法中所涉及的数学模型，还有从智能优化算法方面出发，对方法中的智能优化算法以及算法求解数学模型的过程进行改进，从而不断逼近最优结果。
4.但是，对于以上现有技术还存在以下缺点，第一，考虑的目标不是很全面，有些考虑了运行成本，却忽略了环境保护成本，而微电网优化调度的目标要求兼顾多个方面，以实现更好的效果；第二，智能优化算法本身的缺陷会对方法中的数学模型求解产生影响从而导致达不到逾期目的。


技术实现要素：

5.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种微电网优化调度方法，该方法同时将微电网运行成本和环境保护成本作为优化目标，获取这两个目标的相对最优值，从而起到减少微电网系统的用电成本和环境污染的作用，促进了微电网的优化运行。
6.本发明的目的可以通过以下技术方案来实现：
7.一种微电网优化调度方法，该方法包括以下步骤：
8.1)根据微电网内的分布式电源及储能的发电特性，构建考虑运行成本和环境保护成本的微电网环保与经济调度模型；
9.2)采用改进的粒子群算法对微电网环保与经济调度模型进行求解得到最优的调度结果。
10.所述的步骤1)中，微电网内的分布式电源及储能的发电特性通过数学模型表示，具体包括风力发电机数学模型、光伏发电数学模型、柴油发电机模型、微型燃气轮机模型和蓄电池模型。
11.所述的风力发电机数学模型具体为：
[0012][0013]
其中，p'
wt
为风力发电机的输出功率，p'r为风力发电机的额定功率，v'
ci
、v'r和v'
co
代表的为风力发电机的切入风速、额定风速以及切出风速，a'、b'、c'、d'为风速参数，v为风速；
[0014]
光伏发电数学模型具体为：
[0015][0016]
其中，p'
pv
为光伏电池的输出有功功率，r'
pv
为在标准测试条件下的光伏输出功率，q'
pv
为光伏的降额系数，i'
t
为实际太阳辐射强度，i'
stc
为标准测试条件下的太阳辐射强度，α'
p
为光伏电池板的温度系数，t'c为当前时间的光伏电池温度，t'
stc
为标准测试下的光伏电池温度；
[0017]
柴油发电机模型：
[0018][0019]
其中，c
de.om
(t)、c
de.f
(t)、c
de.en
(t)分别为t时刻柴油机的运行维护成本、燃料成本、污染物处理成本，p
de
(t)为柴油机在t时刻的发电量，k
de.om
为柴油机的运行维护成本系数，γ
de,k
为柴油机运行产生的k类污染物的排放量，ck为处理k类污染物的成本系数，α、β、γ分别为柴油机的系数；
[0020]
微型燃气轮机模型具体为：
[0021][0022][0023]
其中，p
mt
(t)为微型燃气轮机的有功输出功率，η
mt
(t)为微型燃气轮机的运行效率，c
mt.om
(t)、c
mt.f
(t)、c
mt.en
(t)分别为t时刻柴油机的运维成本、燃料成本、污染物处理成
本，p
mt
(t)为柴油机在t时刻的发电量，k
mt.om
为柴油机的运行维护成本系数，γ
mt,k
为柴油机运行产生的k类污染物的排放量，ck为处理k类污染物的成本系数；
[0024]
蓄电池模型具体为：
[0025][0026]
其中，soc(t)为t时刻蓄电池的剩余容量，p
bess
(t)为t时刻蓄电池的充放电功率，为正表示充电，为负表示放电，η
+
、η-分别为充放电效率。
[0027]
所述的微电网环保与经济调度模型的目标函数为：
[0028]
f(x)＝min[f1(x)，f2(x)]
[0029]
其中，f1、f2分别表示运行成本目标和环境保护成本目标，x为模型的优化变量。
[0030]
在并网模式下微电网的运行成本的表达式为：
[0031][0032][0033]
其中，c
grid
(t)、c
bess
(t)、c
mt
(t)、c
de
(t)分别为t时段微电网与主电网相互作用的总成本、储能的维护成本、微型燃气轮机的总运行成本以及柴油发电机总运行成本，p
bess
(t)为储能在t时刻的功率，p
sell
(t)、p
buy
(t)分别为t时刻微电网与主电网的售电功率、购电功率，c
buy
(t)、c
sell
(t)分别为t时刻微电网与主电网的购售电价。
[0034]
所述的微电网的环境保护成本的表达式为：
[0035][0036]
其中，c
grid.en
(t)为大电网的污染物处理成本，γ
grid,k
为大电网运行产生的k类污染物的排放量，ck为处理k类污染物的成本系数。
[0037]
所述的微电网环保与经济调度模型的约束条件包括：
[0038]
(1)功率平衡约束：
[0039]
p'
pv
(t)+p'
wt
(t)+p
grid
(t)+p
de
(t)+p
mt
(t)+p
bess
(t)＝p
l
(t)
[0040]
(2)柴油发电机出力约束：
[0041][0042]
(3)微型燃气轮机出力约束：
[0043][0044]
(4)联络线传输功率约束：
[0045][0046]
(5)储能装置约束：
[0047][0048]
其中，分别为柴油机出力，微型燃气轮机出力的上下限，r
de
、r
mt
分别为柴油机、微型燃气轮机的爬坡功率上限，为联络线传输功率上下限，为储能装置出力上下限，其值为正表示功率输入，其值为负表示功率输出，soc
max
(t)、soc
min
(t)为t时刻储能容量的上下限。
[0049]
所述的步骤2)中，采用改进的粒子群算法对微电网环保与经济调度模型进行求解具体包括以下步骤：
[0050]
21)数据初始化，输入微电网的系统组成、结构参数和模型参数以及粒子群算法参数，并初始化粒子种群；
[0051]
22)计算初始化粒子种群的适应度值即运行成本和环境保护成本；
[0052]
23)根据适应度值，进行粒子速度、位置更新得到子代种群，设置动态惯性权重因子；
[0053]
24)确定个体极值pbest，将pbest作为粒子的初始个体极值，如果当前的粒子支配pbest，则将当前的粒子作为pbest个体极值，如果两者不能比较，则计算两者在群体中支配其他粒子的个数，支配较多的作为个体极值pbest；
[0054]
25)对种群进行分层排序，将最优的非支配解pareto存入外部存档集合，清除非pareto解，并判断外部存档集合是否超过规定容量，若是，则按照拥挤距离选取m个粒子；
[0055]
26)确定全局最优值gbest，采用外部存档集合保存的pareto最优解，引用轮盘赌方法根据最优解的拥挤距离从外部集合中选取gbest；
[0056]
27)进行小概率变异，为防止粒子群算法过早地收敛到局部最优前沿而并非全局最优前沿，引入小概率随机变异机制，对粒子的位置在原来的位置上产生
±
30％的小概率扰动，增加粒子全局最优前沿的寻优能力；
[0057]
28)返回步骤23)，直至满足终止条件，即最大迭代次数，输出最终的优化调度结果。
[0058]
所述的步骤2)中，对改进的粒子群算法中的惯性权重因子进行改进，防止陷入局
部最优值，则有：
[0059][0060]
其中，gen为当前迭代次数，gen
max
为总迭代次数，ωs和ωe为惯性权重因子的初始值和终止值。
[0061]
一种微电网优化调度方法，用以实现该微电网优化调度方法的微电网优化调度系统包括：
[0062]
输入模块：用以获取微电网环保与经济调度模型和改进的粒子群算法的参数；
[0063]
数学模型模块：包括风力发电机数学模型、光伏发电数学模型、柴油发电机数学模型、微型燃气轮机数学模型以及储能和负荷的数学模型，通过数学模型构建微电网环保与经济调度模型；
[0064]
调度模块：用以采用改进的粒子群算法对微电网环保与经济调度模型进行求解；
[0065]
输出模块：用以输出调度模块的求解结果，包括运行成本、环境保护成本兼顾后的最优值、各分布式电源、储能单元与负荷间的最佳配置结果，即调度结果。
[0066]
与现有技术相比，本发明具有以下优点：
[0067]
本发明采用了改进的粒子群算法来求解提出的优化模型，改善原有方法的缺陷，提高算法的性能，达到了有效降低用户的用电成本和环境污染，促进微电网优化运行的目的。
附图说明
[0068]
图1为本发明的优化调度流程图。
[0069]
图2为本发明的系统原理框图。
具体实施方式
[0070]
下面结合附图和具体实施例对本发明进行详细说明。
[0071]
实施例
[0072]
如图2所示，为实现微电网的优化调度，本发明首先设计了一种微电网优化调度系统，该系统包括：
[0073]
输入模块：该模块主要的作用是获取数学模型和智能优化算法的具体参数，为整体的仿真求解做准备。
[0074]
数学模型模块：数学模型中具体包括：风力发电机数学模型、光伏发电数学模型、柴油发电机数学模型、微型燃气轮机数学模型以及储能、负荷的数学模型。最后，最后通过以上数学模型，构建了可以仿真真实情况的调度数学模型
[0075]
调度模块：该模块起对调度数学模型的仿真求解的作用。微电网优化调度模型是一种非线性、多模型、多目标的复杂调度模型。由于粒子群算法(pso)的优化能力较强。同时,它对优化问题求解时更容易应用。方法中考虑运行成本、环境保护成本双重目标。因此，调度模块采用智能优化算法中的粒子群算法来仿真求解。
[0076]
输出模块：输出结果中不仅包括运行成本、环保成本兼顾后的最优值，还包含各分布式电源、储能单元与负荷间的最佳配置结果，也就是调度结果。
[0077]
基于上述微电网优化调度系统，本发明提供一种微电网优化调度方法，用以确定各个分布式电源的处理分配，实现微电网中的各分布式电源、储能单元与负荷间的最佳配置，使微电网中的各分布式电源及储能装置的输出功率满足微电网的负荷需求，保证微电网的安全稳定，实现微电网的经济优化运行。
[0078]
如图1所示，该方法包括以下步骤：
[0079]
一、搭建模型。搭建的数学模型最终以函数的形式表示，函数的结果即为所要达成的目的，称为目标函数。
[0080]
1、微网内分布式电源及储能发电特性
[0081]
(1)风力发电机数学模型：
[0082][0083]
其中：p'
wt
是风力发电机的输出功率，p'r是风力发电机的额定功率，v'
ci
、v'r和v'
co
代表的是风力发电机的切入风速、额定风速以及切出风速；a'、b'、c'、d'是风速参数，v为风速；
[0084]
(2)光伏发电数学模型：
[0085][0086]
其中：p'
pv
为光伏电池的输出有功功率，r'
pv
为在标准测试条件下的光伏输出功率，q'
pv
为光伏的降额系数，i'
t
为实际太阳辐射强度，i'
stc
为标准测试条件下的太阳辐射强度，α'
p
为光伏电池板的温度系数，t'c为当前时间的光伏电池温度，t'stc为标准测试下的光伏电池温度；
[0087]
(3)柴油发电机模型：
[0088][0089]
其中：c
de.om
(t)、c
de.f
(t)、c
de.en
(t)分别为t时刻柴油机的运行维护成本、燃料成本、污染物处理成本，p
de
(t)是柴油机在t时刻的发电量，k
de.om
是柴油机的运行维护成本系数，γ
de,k
是柴油机运行产生的k类污染物的排放量，ck是处理k类污染物的成本系数，α、β、γ分别为柴油机的系数；
[0090]
(4)微型燃气轮
[0091]
[0092]
其中：p
mt
(t)是微型燃气轮机的有功输出功率；η
mt
(t)是微型燃气轮机的运行效率。燃气轮机通过消耗燃料发电，在运行过程中会产生燃料费、运行维护费用、污染物处理费，表达式如下：
[0093][0094]
其中：c
mt.om
(t)、c
mt.f
(t)、c
mt.en
(t)分别为t时刻柴油机的运维成本、燃料成本、污染物处理成本，p
mt
(t)是柴油机在t时刻的发电量，k
mt.om
是柴油机的运行维护成本系数，γ
mt,k
是柴油机运行产生的k类污染物的排放量，ck是处理k类污染物的成本系数。
[0095]
(5)蓄电池模型：
[0096][0097]
其中：soc(t)为t时刻蓄电池的剩余容量，p
bess
(t)为t时刻蓄电池的充放电功率，为正表示充电，为负表示放电，η
+
、η-分别为充放电效率。
[0098]
2、目标函数
[0099]
本发明考虑运行成本和环境保护成本为目标函数：
[0100]
f(x)＝min[f1(x)、f2(x)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0101]
其中:f1、f2分别表示运行成本目标和环境保护成本目标，x为模型的优化变量。具体为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；
[0102]
(1)微电网的运行成本
[0103]
在并网模式下微电网的运行成本：
[0104][0105][0106]
其中：c
grid
(t)、c
bess
(t)、c
mt
(t)、c
de
(t)分别为t时段微电网与主电网相互作用的总成本、储能的维护成本、微型燃气轮机的总运行成本以及柴油发电机总运行成本，p
bess
(t)是储能在t时刻的功率，p
sell
(t)、p
buy
(t)分别为t时刻微电网与主电网的售电功率、购电功
率，c
buy
(t)、c
sell
(t)分别为t时刻微电网与主电网的购售电价。
[0107]
(2)微电网的环境保护成本：
[0108][0109]
其中：c
grid.en
(t)为大电网的污染物处理成本，γ
grid,k
是大电网运行产生的k类污染物的排放量，ck是处理k类污染物的成本系数。
[0110]
3、约束条件
[0111]
数学模型中的变量有一定的约束条件，其数值不能超过规定的范围
[0112]
(1)功率平衡约束：
[0113]
p'
pv
(t)+p'
wt
(t)+p
grid
(t)+p
de
(t)+p
mt
(t)+p
bess
(t)＝p
l
(t)
ꢀꢀꢀꢀꢀ
(11)
[0114]
(2)柴油发电机出力约束：
[0115][0116]
(3)微型燃气轮机出力约束：
[0117][0118]
(4)联络线传输功率约束：
[0119][0120]
(5)储能装置约束：
[0121][0122]
其中：分别为柴油机出力，微型燃气轮机出力的上下限；r
de
、r
mt
分别为柴油机、微型燃气轮机的爬坡功率上限，为联络线传输功率上下限，为储能装置出力上下限，其值为正表示功率输入，其值为负表示功率输出，soc
max
(t)、soc
min
(t)为t时刻储能容量的上下限。
[0123]
二、调度模块中对模型进行求解，具体采用改进的粒子群算法，粒子群算法的核心为粒子速度更新公式，假设粒子群算法的种群规模为n，在t时刻，单个粒子在d维空间中的坐标位置为：xj(t)＝(x1,x2,...xi...,xd)，粒子速度表示为：vj(t)＝(v1,v2,...,vi...,vd)，在t+1时刻单个粒子的速度vj(t+1)和位置xj(t+1)为：
[0124]
vj(t+1)＝ωvj(t)+c1φ1[p
best-xj(t)]+c2φ2[g
best-xj(t)]
ꢀꢀꢀꢀꢀꢀ
(16)
[0125]
xj(t+1)＝xj(t)+vj(t+1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0126]
其中：c1和c2是学习因子，它们分别反映了粒子的自我学习能力和社会学习能力；φ1和φ2是介于(0，1)随机数；ω是惯性权重，表示粒子惯性对速度的影响。
[0127]
由于现有的粒子群算法的惯性权重因子和学习因子是固定不变的，容易陷入局部最优值，所以对粒子群算法进行了改进，以便可以得到预期的调度结果。
[0128]
求解的过程如下：
[0129]
1)数据初始化(输入模块)。输入微电网的系统组成、结构参数和模型参数以及粒子群算法参数，并初始化粒子种群；
[0130]
(调度模块)
[0131]
2)计算初始化粒子种群的适应度值即运行成本和环境保护成本；
[0132]
3)根据适应度值，通过公式(16)(17)进行粒子速度、位置更新得到子代种群，设置动态惯性权重因子；
[0133]
4)确定个体极值pbest。将pbest作为粒子的初始个体极值，如果当前的粒子支配pbest，则将当前的粒子作为pbest个体极值，如果两者不能比较，则计算两者在群体中支配其他粒子的个数，支配较多则作为个体极值pbest。
[0134]
5)对种群进行分层排序，将最优的非支配解pareto存入外部存档集合，清除非pareto解，并判断外部存档集合是否超过规定容量，若是，则按照拥挤距离选取m个粒子。
[0135]
6)全局最优值gbest。采用外部存档集合保存的pareto最优解，引用轮盘赌方法根据最优解的拥挤距离从外部集合中选取gbest。
[0136]
7)小概率变异。为防止粒子群算法过早地收敛到局部最优前沿而并非全局最优前沿，引入小概率随机变异机制，对粒子的位置在原来的位置上产生
±
30％的小概率扰动，增加粒子全局最优前沿的寻优能力。
[0137]
8)返回步骤3)，直至满足终止条件，本发明取终止条件为最大迭代次数，输出最终的优化调度结果。(输出模块)
[0138]
未改进的粒子群算法由于算法本身的缺陷，可能得不到预期的调度结果从对粒子群算法改进的方面来克服原先的不足，改进后的策略如下：
[0139]
对惯性权重因子进行改进：
[0140][0141]
其中：gen是当前迭代次数，gen
max
是总迭代次数，ωs和ωe是惯性权重因子的初始值和终止值。在迭代初期，较大的ω使算法不宜陷入局部极小值，便于全局搜索。在迭代后期，较小的ω有利于局部搜索，有利于算法的收敛。并且在粒子群算法中引入变异操作进行改进粒子群算法。自适应变异是借鉴遗传算法中的变异思想，即对某些变量以一定的概率重新初始化。变异操作扩展了在迭代中不断缩小的种群搜索空间，使粒子能够跳出先前搜索到的最优值位置，在更大的空间中开展搜索，同时保持了种群多样性，提高算法寻找最优值的可能性。因此，在普通粒子群算法的基础上引入简单变异算子，在粒子每次更新之后，以一定概率重新初始化粒子。
[0142]
综上，本发明从微电网的经济和环保两个方面出发，建立微电网环保与经济调度模型，模型的目标为运行成本和环境保护成本，并采用改进的粒子群算法对优化模型进行求解得到最优的调度结果，并且对粒子群算法的惯性权重进行改进，让其在求解过程中成
为动态的，而不是固定不变的，在粒子群算法中引入变异操作即对某些变量以一定的概率重新初始化，提高算法寻找最优值的可能性，本发明能够有效减少系统的用电成本和环境污染，促进了微电网的优化运行。