一种基于改进粒子群算法的风光储联合调峰优化方法与流程

本发明属于电力系统运行与控制领域，涉及一种基于改进粒子群算法的风光储联合调峰优化方法。

背景技术：

当今世界化石能源的消耗量逐年增长，以致环境污染问题愈发严重。现在各个国家和地区都在倡导能源转型和能源结构改革。清洁能源的大规模开发利用已成为现实。目前风力发电和光伏发电在新能源发电中占主要部分，新能源发电装机容量也在逐年增长。截至2017年底，全国火电装机110604万千瓦、水电34119万千瓦、核电3582万千瓦、风电16367万千瓦、太阳能发电13025万千瓦。风电机组和光伏电站的出力主要由风速和光照强度的大小决定，而风速和光照强度受环境影响具有随机性，因此风电场和光伏电站的出力也将随之变化而具有波动性。由于新能源发电出力的不稳定性，大规模的新能源发电(主要是指风电和太阳能发电)接入电网后，将对电力系统稳定运行与控制造成很大影响。

储能技术因可以平抑新能源出力波动得到了迅速发展，是保证新能源发电可靠性的关键技术。

由于中国新能源发电装机容量增长迅速，储能需求也正在不断增长。据统计，2013年时，中国抽水蓄能装机总量为21.5gw，其它储能技术装机量为65gw。抽水蓄能由于运行费用低、容量大、技术比较成熟、运行管理机制较完善，得到了广泛应用，然而抽水蓄能电站的建设对当地地理环境的依赖性较大，不能大规模使用，相比较于抽水蓄能，电池储能充放电效率高，放电时间长，响应速度快，因此电池储能技术得到快速发展，主要应用于新能源接入电网运行后对系统的调频和调峰等方面。本发明针对电池储能进行建模，建立了风光储联合调峰优化模型，并进行了仿真分析。考虑到优化模型存在非线性约束，可以先将非线性约束转化成线性约束后，再调用cplex求解器求解，但是在转化过程中可能会丢失部分有用信息，这时可以使用智能算法求解，比如遗传算法、蚁群算法、粒子群算法等。由于遗传算法需要突变、选择、杂交等过程，而蚁群算法需要信息素和不停的随机干扰，导致这两种算法较为复杂。由于粒子群算法实现简单，因此本发明采用的是粒子群算法。。

粒子群算法自从被提出以来就得到了学术界的广泛重视，特点就是易实现、求解精度高、收敛快，但是比较容易陷入局部最优解。历经二十几年的发展，粒子群算法得到了很多改进，比如根据惯性权重采用模糊规则的模糊自适应的粒子群优化算法等。大部分改进算法主要针对的是某个方面的改进，但是仍然会出现陷入局部最优解的情况。针对这种情况，本文对粒子群算法进行了多种改进，并经过反复调试得到了合适的参数或参数变化方式。

本发明对粒子群算法进行了改进，并基于改进的粒子群算法来求解风光储联合调峰优化问题。

技术实现要素：

本发明提出了一种基于改进粒子群算法的风光储联合调峰优化方法，发明主要在于算法的改进方面以及将改进的算法运用到风光储联合调峰优化问题中。

本发明引入非线性曲线来描述粒子群算法参数的变化过程，该思路启发于老鹰捕食过程。老鹰捕食开始之前先是在很高的高空，然后看到疑似猎物时飞快朝下俯冲，当然只是知道大致区域，快接近时，又放慢速度，精细搜索找到猎物，再一击制敌。对数曲线、反正切函数、一些幂函数的特点就是一开始变化特别快，这样有利于算法跳出局部最优点，然后变慢之后又有利于局部精细搜索，易收敛到全局最优解。

本发明包括以下步骤：

一种基于改进粒子群算法的风光储联合调峰优化方法，包括以下步骤：

步骤1、建立风光储联合调峰系统的数学模型，基于以下目标函数和约束条件；

目标函数：

其中cgi(t)为火电机组燃料费用，cpi(t)为弃光费用，cwi(t)为弃风费用，t为调度周期，t为一个调度周期，ng为火电机组数量，np为光伏电站数量，nw为风电场数量，pbz为储能装置的总功率，kb为储能装置的功率成本系数；

其中火电机组发电燃料成本

弃光调峰惩罚函数如下：

cpi(t)＝αi[ppi.fore(t)-ppi(t)]·δt(3)

弃风调峰惩罚函数如下：

cwi(t)＝βi[pwi.fore(t)-pwi(t)]·δt(4)

其中pgi(t)为t时刻火电机组功率，ppi.fore(t)为t时刻光伏的预测出力值，ppi(t)为t时刻光伏实际出力值，pwi.fore(t)为t时刻风电预测出力值，pwi(t)为t时刻风电实际出力值，δt为时间间隔；

其中，pb(t)为t时刻储能的功率，大于0表示放电，小于0表示充电，x(t)取值为1时放电，0为不放电，y(t)取值为1时充电，0时不充电，且满足x(t)+y(t)≤1；

约束条件包括火电机组约束条件和其它约束条件，其中，火电机组约束条件包括

功率上下限约束条件：

pgi.min≤pgi(t)≤pgi,max(6)

火电机组爬坡约束条件：

弃风弃光约束条件：

ppi(t)≤ppi.fore(t)(8)

pwi(t)≤pwi.fore(t)(9)

其中pgi(t)为第i台火电机组t时刻功率，pgi.min为第i台火电机组最小功率，pgi,max为第i台火电机组最大功率，为火电机组爬坡下限，为火电机组爬坡上限；

其它约束条件包括

功率平衡约束条件：

外送电力极限约束条件：

pin.min≤pin(t)≤pin.max(11)

其中pgi(t)为第i台火电机组t时刻功率，ppi(t)为第i个光伏电站t时刻功率，pwi(t)为第i台风电机组t时刻功率，pd(t)为t时刻负荷的功率，pin(t)为t时刻联络线功率，pin.min为联络线最小功率，pin.max为联络线最大功率；

步骤2、基于改进的粒子群算法进行风光储联合调峰优化，具体包括

步骤2.1、为了使粒子能更好地跳出局部最优解，在迭代后期能够保持粒子的多样性，将粒子不均匀分成了三组；

步骤2.2、对每一组粒子采用了三种不同的全新惯性权重变化方式和学习因子变化方式，在每一次迭代完成后将整个粒子群按照适应度值按从小到大的顺序排列，按照粒子适应度值重新对整个粒子群进行分组，第一组包括适应度值前25的粒子，第二组包括适应度值后25的粒子，第三组包括剩下的50个粒子；

步骤2.3、对重新分组后的第一组粒子加入扰动，第二组随机初始化；由细菌觅食算法(bfa)得到启发，根据bfa算法的“优胜劣汰，适者生存”规则，将第三组适应度最差的粒子淘汰，然后将第一组和第二组粒子进行复制，形成全新的第三组粒子，粒子总数保持不变，这样第三组也是较优的粒子；对形成的全新三组粒子计算全局适应值，然后反复迭代；

步骤3、基于安阳地区典型日风电出力、光伏出力、负荷数据，采用改进粒子群算法进行仿真分析。

本发明将改进粒子群算法运用到风光储调峰优化模型中，建立了更为简单的储能模型，在工程计算上对储能容量配置具有实际的指导意义；通过与传统粒子群算法比较，经matlab仿真研究，验证了改进粒子群算法的可行性，在跳出局部最优解方面及迭代收敛次数上都有明显改善，能得到一个比较好的优化结果。

附图说明

图1是本发明中粒子群算法粒子位置更新图。

图2是改进粒子群算法框图。

图3是仿真算例中安阳地区典型日的风电出力曲线。

图4是仿真算例中安阳地区典型日的光伏出力曲线。

图5是仿真算例中安阳地区典型日的负荷曲线。

图6是仿真算例中传统粒子群算法迭代曲线。

图7是仿真算例中改进惯性权重和学习因子的粒子群算法迭代曲线。

图8是仿真算例中本发明改进粒子群算法迭代曲线。

图9是仿真算例中采用传统粒子群算法的风光储出力曲线及负荷曲线。

图10是仿真算例中采用改进惯性权重和学习因子的粒子群算法的风光储出力曲线及负荷曲线。

图11是仿真算例中采用本发明改进粒子群算法的风光储出力曲线及负荷曲线。

图12是仿真算例中三种算法的计算结果对比。

具体实施方式

下面结合附图对本发明的技术方案进一步说明。

1、储能参与调峰系统模型

储能参与调峰的系统模型如下：

其中cgi(t)为火电机组燃料费用，cpi(t)为弃光费用，cwi(t)为弃风费用，t为调度周期，t为一个调度周期，ng为火电机组数量，np为光伏电站数量，nw为风电场数量，pbz为储能装置的总功率，kb为储能装置的功率成本系数。

其中火电机组发电燃料成本

弃光调峰惩罚函数如下：

cpi(t)＝αi[ppi.fore(t)-ppi(t)]·δt(3)

弃风调峰惩罚函数如下：

cwi(t)＝βi[pwi.fore(t)-pwi(t)]·δt(4)

其中pgi(t)为t时刻火电机组功率，ppi.fore(t)为t时刻光伏的预测出力值，ppi(t)为t时刻光伏实际出力值，pwi.fore(t)为t时刻风电预测出力值，pwi(t)为t时刻风电实际出力值，δt为时间间隔，燃料成本系数ai、bi、ci取值和机组额定功率有关，可以查阅相关文献得到，弃光和弃风的惩罚系数αi、βi，也可以查阅相关文献得到。

其中，pb(t)为t时刻储能的功率，大于0表示放电，小于0表示充电，x(t)取值为1时放电，0为不放电，y(t)取值为1时充电，0时不充电，且满足x(t)+y(t)≤1。

2、火电机组约束条件

功率上下限约束：

pgi.min≤pgi(t)≤pgi,max(6)

火电机组爬坡约束：

弃风弃光约束条件如下：

ppi(t)≤ppi.fore(t)(8)

pwi(t)≤pwi.fore(t)(9)

其中pgi(t)为第i台火电机组t时刻功率，pgi.min为第i台火电机组最小功率，pgi,max为第i台火电机组最大功率，为火电机组爬坡下限，为火电机组爬坡上限。

3、其它约束条件

功率平衡约束

外送电力极限约束

pin.min≤pin(t)≤pin.max(11)

其中pgi(t)为第i台火电机组t时刻功率，ppi(t)为第i个光伏电站t时刻功率，pwi(t)为第i台风电机组t时刻功率，pd(t)为t时刻负荷的功率，pin(t)为t时刻联络线功率，pin.min为联络线最小功率，pin.max为联络线最大功率。

4、求解算法——改进粒子群算法

改进的粒子群算法也是以传统粒子群算法为基础的，本章先介绍一下传统粒子群算法的数学模型。

4.1、传统粒子群算法

设粒子数为n，则第i个粒子的位置和速度表示如下：

xi＝(xi,1,xi,2,…,xi,d),i＝1,2,…,n(12)

vi＝(vi,1,vi,2,…,vi,d),i＝1,2,..,n(13)

它们都是d维的向量，其中，速度取值范围为(-vmax,vmax)，防止粒子某一维上远离求解空间。

粒子群算法中每个粒子保留着记忆，体现在粒子可以追随自己历史的最好位置和种群的最好位置来对下一步的移动进行调整，这就包括方向和距离，两个最好位置表示如下：

pi＝(pi,1,pi,2,…,pi,d)(14)

pg＝(pg,1,pg,2,…,pg,d)(15)

粒子更新方程如下所示：

其中c1、c2是加速常数，又称为学习因子，为正数；r1、r2为取值在0和1之间的随机数，且服从均匀分布；t和t+1表示迭代次数；表示第i个粒子在第t次迭代过程中的第d维速度分量，同理；表示第i个粒子在第t第t次迭代过程中的第d维位置分量，同理；表示第i个粒子在第t次迭代过程中最好适应值对应的第d维上的位置分量；表示整个粒子群在第t次迭代过程中最好适应值对应的第d维上的位置分量。

图1是粒子的位置速度更新图。

4.2、改进粒子群算法

传统粒子群算法由于在迭代后期存在易陷入局部最优，收敛精度低，易发散等缺点，需对常规粒子群算法进行改进。粒子群算法的改进主要在以下几个方面：

(1)对参数的改进，主要包括：惯性权重，学习因子,种群大小；

(2)与其他优化算法相结合；

(3)算法拓扑结构，包括全局版和局部版，可以分别改进。

本发明的改进粒子群算法主要有以下的改进：

首先采用了分组的方法，本文采用了粒子群分组的策略，由于设定了100个粒子，将其不均匀分为三组，第一组25个粒子，第二组25个粒子，第三组50个粒子。

然在在参数方面改进了惯性权重和学习因子。

分成三组后，不同分组的粒子将采用不同变化的惯性权重和学习因子，即使出现一个粒子组陷入局部最优解时，另外两组粒子也没有陷入局部最优解，就保持了后期群体的多样性，这样有利于整个粒子群跳出局部最优解，收敛到全局最优解。

三组惯性权重和学习因子的随着迭代次数的增加，变化公式如下。

①惯性权重

第一组：

第二组：

第三组：

其中w1(i)、w2(i)、w3(i)分别是三组粒子惯性权重，w1s、w2s、w3s分别是三组粒子的惯性权重初值，w1e、w2e、w3e分别是三组惯性权重的末值，i为当前迭代次数，maxgen为最大迭代次数。

②学习因子

第一组：

第二组：

第三组：

c31(i)＝1.49445(25)

c32(i)＝1.49445(26)

其中c11(1)、c12(1)、c21(1)、c22(1)是迭代开始时的学习因子，maxgen为最大迭代次数，c11(maxgen)、c12(maxgen)、c21(maxgen)、c22(maxgen)为迭代最大次数时的学习因子，i为当前迭代次数。

除了惯性权重和学习因子的改进，本发明还对整个粒子群进行了选择操作，思路就是在每次迭代后将每个粒子的适应度值按从小到大的顺序排序，对排序的前25个粒子加入小的扰动，后面接着的25个粒子为一组，后面的50个粒子为一组。并且根据细菌觅食优化算法(bfa)的“优胜劣汰、适者生存”的原则，将其结合粒子群算法对粒子群算法进行改进。按照适应度排序好后，粒子仿照细菌的复制繁殖过程，将第三组的50个适应度较差的粒子淘汰，第一组和第二组的粒子分别繁殖一次，共得到50个粒子作为第三组。

由于之前三个组是按照不同的惯性权重和学习因子变化的，没有什么交互，这里按适应度值重新将粒子进行分组，相当于每次迭代时各组粒子会进行交互，分组后各组粒子又按照各组的惯性权重和学习因子进行更新种群，这样的更新更加有利于粒子群体收敛到全局最优解。

图2是改进粒子群算法的流程图。

5、6matlab仿真案例分析

本章以安阳地区典型日的风电出力曲线、光伏出力曲线、负荷曲线为基础进行了仿真分析。安阳地区届时共有三个火电厂，分别是安阳大唐发电厂(2×300+2×320mw)、林州盛唐电厂(2×350mw)以及滑县热电厂(2×350mw)，括号中的数据分别为各个火电厂的火电机组数量以及额定功率。但是实际情况是，安阳地区只开六台火电机组，包括四台300mw的机组和两台350mw的机组，额定最大出力为1900mw。届时安阳地区还会有大量的新能源接入，规划接入的光伏功率为2225mw，风电功率为1650mw。

(1)安阳地区典型日的风电、光伏、负荷数据曲线

风电出力曲线如图3所示，光伏出力曲线如图4所示，负荷曲线如图5所示。

(2)仿真参数设置

设置种群数量sizepop＝100，粒子维度d＝240，最大迭代次maxgen＝200。根据相关文献所述，300mw火电机组发电燃料成本系数a、b、c分别取0.010875﹩、12.8875﹩、6.78﹩，350mw火电机组发电燃料成本系数a、b、c分别取0.003﹩、10.76﹩、32.96﹩，火电机组最小出力系数为63％。火电机组爬坡约束联络线即外送电力极限pin.min＝-240mw，pin.max＝240mw，kb＝1500。

在各个约束条件下初始各个粒子，得到各个粒子的初始位置，也在速度限制范围内初始化各个粒子的速度。

(3)仿真分析

模式设置

为更好地对比和分析本发明提出的改进粒子群算法，本章构建3种模式，分述如下：

模式1：使用传统的粒子群算法求解本模型；

模式2：使用改进惯性权重和学习因子的粒子群算法求解本模型；

模式3：使用本发明改进的粒子群算法求解本模型。

模式求解

(1)传统粒子群算法迭代曲线如图6所示，风光储出力曲线及负荷曲线如图9所示；

(2)改变惯性权重和学习因子的粒子群算法迭代曲线如图7所示，风光储出力曲线及负荷曲线如图10所示；

(3)本发明改进粒子群算法迭代曲线如图8所示，风光储出力曲线及负荷曲线如图11所示。

三种模式的计算结果对比如表1所示。

由图6、图7和图8及图12可知，传统粒子群算法迭代37次左右收敛，但是求的解最差，即总费用最高，改变惯性权重和学习因子的粒子群算法收敛性较差，迭代123次左右才收敛，虽然迭代较慢，但是求的解比传统粒子群算法好，采用本发明改进的粒子群算法时，迭代五次左右就能够收敛，收敛速度很快，且本发明改进的粒子群求的解比传统粒子群算法以及改变惯性权重和学习因子的粒子群算法更优，即优化的总费用最低。

可见，本发明采用的改进粒子群算法对求解风光储联合调峰具有明显的优势，迭代收敛比较快，计算的结果最优，即总费用最低，得到了比较好的优化结果，使得总费用下降很多，说明了改进算法的可行性，仿真对工程实践也有指导意义。