一种微网经济运行智能优化方法
【技术领域】
[0001] 本发明属于主动配电网和微网技术领域，特别涉及一种微网经济运行智能优化方 法。
【背景技术】
[0002] 由于能源价格的上涨、化石燃料的短缺、日益严重的环境问题、以及现在供电 对可靠性和供电质量、输电线路网络损耗减少的要求，包含风力发电机组（WTs，wind turbines)、光伏发电机组（PVs,photovoltaics)、微型燃气轮机（MTs,micro-turbines)、 燃料电池（FCs,fullcells)、生物质能（biomass)等分布式发电系统（DGs,distributed generations)和蓄电池等储能装置的微网得到快速地发展。微网一般定义为包含分布式电 源、储能设备和可控负荷并以统一接口并网的低压网络，其可以孤岛和联网运行。
[0003] 国内外众多研宄者对微网经济运行进行了大量研宄。众所周知，微网经济运行属 于典型的复杂优化问题，现有研宄采取的算法主要是遗传算法、粒子群优化（PS0)、差分进 化0E)等智能优化算法。特别是PS0和DE算法，属于比较新型的智能优化算法，得到了广 泛的应用。然而，包括PS0和DE在内的优化算法，都存在陷入局部极值的可能。
[0004] 近年来，通过模拟人的搜索行为，人们提出了人群搜索优化算法（HG0)。该算法基 于"经验梯度"确定搜索方向，基于模糊推理确定搜索步长，实现个体位置更新。在利用模 糊推理确定搜索步长时，基于"NearerisBetter"（NisB)假设，最优解可能存在于较优解 的附近，较优解更有机会接近最优解。所以，处于较优位置的搜寻者应该在较小的范围内执 行精搜索（fine-grainedsearch)以提高搜索精度并最终逼近最优位置；而处于较差位置 的搜寻者则应该在较大的范围内执行粗搜索（coarse-grainedsearch)以扩大搜索范围， 开辟新的搜索空间，提高全局搜索能力。HG0算法基于"NisB"特性，便于算法快速收敛，并 具有较高的搜索精度。但同时对于一部分复杂问题，"NisB"假设又导致搜索容易陷入局部 极值，同时由于问题的复杂性，往往会出现"NearerisWorse"的情况。
【发明内容】
[0005] 为了更好地实现"NearerisBetter"与"NearerisWorse"之间的切换，本发明 提出基于反向学习的人群优化算法改进，在保持算法收敛速度快、搜索精度高特点的同时， 避免陷入局部极值，进一步提高全局搜索能力。进而本发明提供了一种基于反向学习的微 网经济运行智能优化方法，它能有效提高微网运行经济性水平。
[0006] 本发明的一种微网经济运行智能优化方法，包括以下步骤：
[0007] (1)建立微网经济运行模型的目标函数和约束条件；
[0008] (2)产生搜索种群的随机初始个体位置，每个个体位置代表一个候选解，并进行目 标函数计算；
[0009] (3)根据人群优化算法个体位置更新策略，更新个体位置右= 心…"如]， 并进行
[0010] 目标函数计算；
[0011] ⑷每个个体，以一定的概率进行反向学习，更新个体位置^"a+i) = [4,4,…，4>]， 并进行目标函数计算；
[0012] (5)从!祕+l)，^^ +l)n=1,u选择最优的S个位置作为新的种群个体位置；
[0013] (6)重复步骤⑶和步骤（4)，直到达到最大目标函数评价次数或迭代次数，输出 优化结果。
[0014] 在步骤⑴确定微网中包括各种分布式电源的总数及其出力范围、蓄电池储能装 置的总数及其最大电流电压限制、不同分布式电源与外网单位功率的排污量、不同时段分 布式电源与外网的单位电价。
[0015] 所述的步骤（3)中个体位置更新策略为：
[0016] (1)在规模为s的群体内随机选择其它多个个体构成邻域，选择概率为：
【主权项】
1. 一种微网经济运行智能优化方法，其特征在于，包括w下步骤： (1) 建立微网经济运行模型的目标函数和约束条件； (2) 产生捜索种群的随机初始个体位置，每个个体位置代表一个候选解，并进行目标函 数计算； (3) 根据人群优化算法个体位置更新策略，更新个体位置刮=[耐，.咕，…，.喃]，并进 行目标函数计算； (4) 每个个体，W-定的概率进行反向学习，更新个体位置苗(f+l) = [4,诚，…，端]，并 进行目标函数计算； (5) 从巧(41)，诗(wmi,'=u,..j选择最优的S个位置作为新的种群个体位置； (6) 重复步骤（3)和步骤（4)，直到达到最大目标函数评价次数或迭代次数，输出优化 结果。
2. 根据权利要求1所述的微网经济运行智能优化方法，其特征在于；在步骤（1)确定 微网中包括各种分布式电源的总数及其出力范围、蓄电池储能装置的总数及其最大电流电 压限制、不同分布式电源与外网单位功率的排污量、不同时段分布式电源与外网的单位电 价。
3. 根据权利要求1所述的微网经济运行智能优化方法，其特征在于所述的步骤（3)中 个体位置更新策略为： (1)在规模为S的群体内随机选择其它多个个体构成邻域，选择概率为：
l2) 其中K为0<K<s的整数； 似分别计算迭代次数t时每个个体i在每一维j的捜索方向du(t)和步长a。(t)， 其中曰u(t) >0;du(t)G{-1，0，U;i= 1，2,…，s;j= 1，2,…，D;D为捜索空间维数。 该里捜索方向求解公式如下：
其中，兩?的=[训，-咕，…，硕坊个体i在迭代次数t时所处的位置，瓦,bestW为个体i的 自身历史最佳位置，筑estW和旨best的分别为个体i所在邻域内的当前最佳位置和历史最 佳位置，f( ?)为微网经济运行目标函数，Sign( ?)为对输入矢量每一维的求符号函数， ；4+1)、和炒> 分别为集合{如go，而,alt, ^皆油2，斬护。忡"+ 1 "、"-1 "和"0 "所占的比例， 为[0, 1]范围内的均匀随机数； 该里步长求解公式如下；
其中，Um。为1或稍小于1的实数，ymh= 0. 0111，Ii是对种群目标函数值降序排序 后第i个个体的序列号，abs( ?)返回一个由输入矢量每一维的绝对值组成的输出矢量， randU。1)为[y。1]内的均匀随机数； (3)得到每个个体的捜索方向和步长后，按下式进行位置更新： Xu(t+1) =Xu(t) +曰。'(t)du(t),i= 1，2,…，S;j= 1，2,…，D (12)。
4. 根据权利要求1所述的微网经济运行智能优化方法，其特征在于所述的步骤（4)中 反向学习策略为：
其中，3j=min(xu(t))，bj=max(xu(t))(i= 1，2,…，S)，'>*和'乃均为[0, 1]范围内 的均匀随机数，Pi为个体i的反向学习概率。
5. 根据权利要求4所述的微网经济运行智能优化方法，其特征在于个体i的反向学习 概率为：
(13) 其中li是对种群目标函数值降序排序后第i个个体的序列号。
6. 根据权利要求2所述的微网经济运行智能优化方法，其特征在于所述目标函数为：
其中，Ng表示为发电机总数；Nc,表示为蓄电池设备的台数；Bgi(t)、Bw.(t)分别表示为 第i个分布式电源和第j个蓄电池设备在第t时刻的标价；Pgi(t)、Pw.(t)分别表示为第i 个分布式电源发电功率和第j台蓄电池设备充、放电功率在第t时刻的标价；Ui(t)表示为 分布式电源i在第t时刻的启停状态；Sgi(t)表示为分布式电源i在第t时刻的起停、停起 费用；Pwd(t)表示为第t时刻微网与外网交互功率；Bwd(t)表示为第t时刻微网与外网交 互单位电功率标价；Cga,表示为天然气价格；1(。"1、1(。".^分别表示为与第1台分布式电源和备 用锅炉运行费用相关的系数；Em表示为第i类污染气体惩罚价格；EFU表示为第j台发电 机发出单位功率排放第i类污染气体量；Pbi(t)表示为备用锅炉第t时刻产热功率；EFbii表 示为备用锅炉产单位热功率排放第i类污染气体量；EFwm表示为微网与外网交互单位功 率排放第i类污染气体量。
7.根据权利要求6所述的微网经济运行智能优化方法，其特征在于所述约束条件包 括：
其中，PL_dw(t)表示系统总的有功功率，Pwh(t)表示系统总的热负荷，Pgi，mh(t)、Pgi,maxa)分别表示分布式电源1在t时亥IJ允许的最小有功功率和最大有功功率，瑞置表示 微网与外网允许的最大交互功率，P直寬、巧理1;分别表示热电联产设备的最小、最大放热功 率，巧3^巧分别表示蓄电池最大的充放电功率，分别表示热能存储器最 大的吸、放热功率，分别表示微型燃气轮机爬坡率的上下限值，/班"、气^\分 别表示备用锅炉的最小、最大放热功率。
【专利摘要】本发明公开了一种基于反向学习的微网经济运行智能优化方法，属于主动配电网和微网技术领域。本发明将人群优化算法用于求解微网经济运行问题。为了避免陷入局部极值、提高全局寻优能力，在人群优化算法中引入了反向学习，而且将现有反向点，改变为当前位置与传统反向点之间的随机数，提出了一种新的反向学习，提高了算法灵活性。同时，提出一种反向学习概率的自适应选取方法，使得好的个体具有更小的反向学习概率、差的个体具有更大的反向学习概率。
【IPC分类】G06Q50-06, G06N3-00, G06Q10-04
【公开号】CN104850917
【申请号】CN201510295994
【发明人】廖国栋, 戴朝华, 谢欣涛
【申请人】国家电网公司, 国网湖南省电力公司, 国网湖南省电力公司经济技术研究院, 西南交通大学
【公开日】2015年8月19日
【申请日】2015年6月2日