基于改进分区多目标进化优化的微网优化调度方法与流程

本发明属于微网优化调度领域，尤其涉及一种基于改进分区多目标进化优化的微网优化调度方法。

背景技术：

微网多目标运行优化调度是近年来工业界关注的一个重点问题。在现有技术水平的制约下，通过研究微网内各微电源的出力方案，充分发挥微网灵活，经济，环保的优势，并配合大电网安全可靠运行，将对促进电力系统节能减排具有重要的现实意义。对传统电力系统而言，微网结构复杂，既有如风力发电机、光伏电池等使用可再生能源且不可控的微电源，又有如微型燃气轮机、燃料电池等使用不可再生能源且输出可控的微电源，同时还包括蓄电池等储能设备。因此，微网多目标优化调度问题呈现出变量成分繁多、目标函数非线性强、约束条件复杂以及参数变化频繁等特点。

对于微网多目标调度问题而言，由于在不同运行模式下的优化模型和约束条件使得优化问题的复杂度具有较大的差异，因此所采用的优化算法也不尽相同。目前比较常用的数学规划和智能算法等，尽管在解决非线性优化问题、约束优化问题上取得了一定的进步，但对于解决微网多目标优化调度问题效率不高，存在对先验知识要求高、鲁棒性差等缺点。另一方面，现有的对微网多目标优化调度问题中约束条件的处理，多采用基于支配关系的个体排序策略，而忽略了如爬坡率违反项这类较难通过惩罚函数来直接消除的约束。因此，现有的优化技术处理带约束的微网多目标优化问题的能力较差，能获得的可行个体较少，无法满足实际工程应用的需求。

技术实现要素：

本发明的目的是提供一种基于改进分区多目标进化优化的微网优化调度方法，该方法设计了爬坡率约束的处理策略，通过“分区保护”的方式保持解的多样性和自适应性，满足微网运行中各类参数变化下的鲁棒性需求。

为达到上述目的，本发明提供的一种基于改进分区多目标进化优化的微网优化调度方法，包括步骤：

S1建立由目标函数和约束条件构成的微网多目标优化调度问题模型；所述的约束条件包括微源爬坡率约束；

S2初始化子种群个体，并根据微源爬坡率约束修复子种群个体；初始化进化代数gen＝0；

所述的根据微源爬坡率约束修复子种群个体，具体为：

①获得当前子种群中各微源对应的子变量向量P＝[P₁,P₂,...,P_M]，令m＝2；

②若|P_m-P_m-1|≤P_r，不作修复；若P_m-P_m-1＞P_r，将P_m修复为P_m＝min(P_max,P_m+P_r)；若P_m-1-P_m＞P_r，将P_m修复为P_m＝max(P_min,P_m-P_r)；

③判断m是否等于M，若等于，结束；否则，令m＝m+1，重复执行子步骤②；

其中，P_m和P_m-1分别表示第m、m-1个时间点的微源实际出力，当微源为储能设备时，微源实际出力采用微源的充或放电量；m＝1,2,...M，M表示时间点总数；P_r、P_max、P_min分别表示微源的最大爬坡率、最大出力、最小出力；

S3令进化代数gen＝gen+1，执行步骤S4；

S4对各子种群分别进行遗传操作获得子代子种群，并使子代子种群规模达到设定的子种群规模S；

S5合并所有的子种群和子代子种群生成混合种群，根据混合种群中个体在其目标空间子空间的分布，将混合种群划分为新子种群；

S6将各新子种群的规模修复为设定的子种群规模S，本步骤进一步包括：

6.1对混合种群中个体进行优先级排序；

6.2对规模大于S的新子种群，从新子种群中剔除优先级最低的q个个体；

6.3对规模小于S的新子种群，从新子种群所在子空间外，选取与新子种群的分区向量距离最短的q个可行个体加入新子种群；若子空间外的可行个体数量不足q，则按优先级从子空间外选择不可行个体加入新子种群，加入新子种群的个体总数为q；

6.4对规模等于S的新子种群，不做处理；

所述的q表示新子种群规模和设定的子种群规模之差；

S7保留新子种群中所有非劣个体；

S8判断是否满足收敛条件，若满足，保留并输出所有可行个体；否则，返回步骤S3。

进一步的，目标函数包括综合成本最低目标函数和污染排放量最小目标函数。

进一步的，约束条件还包括微源出力上下限约束、储能系统充或放电量约束、储能系统荷电状态约束和系统功率平衡约束。

步骤S4中对子种群进行遗传操作，具体为：

4.1采用二元锦标赛法从子种群中选择两个个体，采用模拟二进制交叉和多项式变异的方法获取两个子代个体；

4.2重复子步骤4.1，直至子代子种群的规模达到设定的子种群规模S。

子步骤6.1具体为：

可行个体的优先级高于不可行个体；

根据可行个体的目标值对可行个体进行非劣等级排序；

根据综合约束违反程度值对不可行个体进行优先级排序，综合约束违反程度值越小的个体，其先级越高；

所述的综合约束违反程度值其中：

V_k表示第k个不可行个体的综合约束违反程度值；

w_R表示爬坡率约束的总违反权重，其根据决策者对爬坡率约束的关注程度进行取值；

w_r,n表示第n个具爬坡率约束的微源的爬坡率约束违反权重，其根据决策者对第n个具爬坡率约束的微源的爬坡率违反情况的关注程度进行取值，所有具爬坡率约束的微源的爬坡率约束违反权重应满足

v_k,r,n表示第k个不可行个体下第n个具爬坡率约束的微源的爬坡率约束违反程度值，其值为第n个具爬坡率约束的微源在各时间点下的爬坡率约束违反程度值之和；

w_l为不可行个体对除爬坡率约束外的第l个约束条件的违反权重，其由决策者根据不可行个体对各约束条件违反情况的关注程度决定，不可行个体对除爬坡率约束外的所有约束条件的违反权重应满足

v_k,l表示第k个不可行个体对除爬坡率约束外的第l个约束条件的违反程度值，其值为第k个不可行个体在各时间点下对第l个约束条件的违反程度值之和；

N表示具爬坡率约束的微源的数量；

L表示除爬坡率约束外的其他约束条件的数量。

作为优选，总违反权重w_R的取值范围是0.3～0.7。

与现有技术相比，本发明具有以下优点和积极效果：

(1)改进了子种群规模修复测量，提高了寻优速度和可行个体的多样性。

(2)采用个体自校正与支配关系排序相结合的方式来处理微源爬坡率约束，解决了传统约束处理策略无法降低爬坡率约束违反程度的问题.

(3)对先验知识要求较少，可减少现场调试人员的工作量，满足微网多目标优化调度问题对算法鲁棒性和自适应性的需求。

附图说明

图1为本发明方法的具体流程图。

具体实施方式

本发明采用个体自校正与支配关系排序相结合的方式来处理微源爬坡率约束，并采用改进的分区多目标进化算法来求解带多种约束的微网多目标优化调度问题。

下面将结合附图对本发明具体实施方式做详细说明。

本发明方法的具体步骤如下：

S1建立微网多目标优化调度问题模型，所述的微网多目标优化调度问题模型包括目标函数和约束条件。

本具体实施方式中，目标函数包括综合成本最低目标函数和污染排放量最小目标函数。其中，综合成本包括燃料成本、维修成本、折旧成本等；污染排放量包括碳排放量、氮化物排放量和硫化物排放量等。约束条件包括微源出力上下限约束、微源爬坡率约束、储能系统充或放电量约束、储能系统荷电状态约束和系统功率平衡约束。上述提到的目标函数及约束条件的表达式均为本领域公知技术，可参考现有文献获得，因此不做赘述。

运行多目标进化算法前，设定种群规模R、子问题个数K、K个分区向量F₁、F₂、……F_K，子种群规模S，终止条件及遗传操作算子。本具体实施方式中，R＝100，K＝10，K个分区向量将目标空间分割为K个子空间，第k个子空间Ω_k表示为：

${\mathrm{\Ω}}_k=\{u\∈R_{+}^m|\<u,F_k\>\≤\<u,F_j\>,j=1,...,K\}---\left(1\right)$

式(1)中，表示m维目标空间；<u,F_k>表示向量u与分区向量F_k间的锐角夹角；<u,F_j表示向量u与分区向量F_j间的锐角夹角。

当某个体在目标空间对应的点分布在子空间Ω_k中，该个体则位属于子空间Ω_k对应的子种群。

S2按照约束条件里的边界约束初始化各子种群的个体，并根据微源爬坡率约束修复子种群的个体；同时初始化进化代数gen＝0。

这里，边界约束指约束条件中的微源出力上下限约束和储能系统充或放电量约束。

所述的根据微源爬坡率约束修复子种群的个体，进一步包括：

2.1获得当前子种群中各微源对应的子变量向量P＝[P₁,P₂,…,P_M]，其中，P_m为子变量，代表第m个时间点的微源实际出力，当微源为储能设备时，微源实际出力采用微源的充或放电量；m＝1,2,...M，M表示时间点总数，本具体实施方式中，M取24。

2.2令m＝2，执行子步骤2.3；

2.3若|P_m-P_m-1|≤P_r，不作修复；若P_m-P_m-1＞P_r，将P_m修复为P_m＝min(P_max,P_m+P_r)；若P_m-1-P_m＞P_r，将P_m修复为P_m＝max(P_min,P_m-P_r)；其中，P_m和P_m-1分别表示第m、m-1个时间点的微源实际出力；P_r、P_max、P_min分别表示微源的最大爬坡率、最大出力、最小出力；

2.4判断m是否等于M，若等于，终止修复；否则，令m＝m+1，重复执行子步骤2.3。

本发明中，子种群由个体组成，个体即为“解”，个体包括子种群中所有微源在各时间点的子变量。本步骤中，通过将个体分解为子变量向量进行修复。

S3令进化代数gen＝gen+1，然后执行步骤S4。

S4对各子种群分别进行遗传操作，获得子代子种群。

本具体实施方式中，对子种群进行遗传操作具体为：

4.1采用二元锦标赛法从子种群中选择两个个体，采用模拟二进制交叉和多项式变异的方法获取两个子代个体；

4.2重复子步骤4.1，直至子代子种群的规模达到设定的子种群规模S。

S5合并所有的子种群和子代子种群生成混合种群，根据混合种群中个体在其目标空间子空间的分布，将混合种群划分为新子种群。

S6将各新子种群的规模修复为设定的子种群规模S。

下面将结合实施例对本步骤进行详细说明。

本实施例中，具约束条件的微源(即可控微源)有5个，包括2个微型燃气机(MT)、2个燃料电池(FC)及1个蓄电池(BT)。不同可控微源具有不同的约束条件，MT和FC的约束条件包括微源爬坡率约束和微源出力上下限约束，BT的约束条件包括储能系统充或放电量约束和储能系统荷电状态约束，系统约束条件为系统功率平衡约束。因此，本实施例中具有爬坡率约束的微源包括2个MT和2个FC，即N＝4；约束条件共有11个，除去2个MT和2个FC的爬坡率约束后的约束条件还剩7个，即L＝7。

本步骤进一步包括：

6.1对混合种群中个体进行优先级排序。

可行个体优先级高于不可行个体。对可行个体，根据可行个体的目标值对可行个体进行非劣等级排序，目标值根据目标函数计算获得；不可行个体的优先级次于可行个体，根据不可行个体的综合约束违反程度值对不可行个体进行优先级排序，综合约束违反程度值越小，个体的优先级越高。

综合约束违反程度值V_k的计算公式如下：

$V_k=w_R\&CenterDot;\underset{n=1}{\overset{N}{\&Sigma;}}(w_{r,n}\&CenterDot;v_{k,r,n})+\underset{l=1}{\overset{L}{\&Sigma;}}(w_l\&CenterDot;v_{k,l})---\left(2\right)$

式(2)中：

V_k表示第k个不可行个体的综合约束违反程度值；

w_R表示爬坡率约束的总违反权重；

w_r,n表示第n个具爬坡率约束的微源的爬坡率约束违反权重；

v_k,r,n表示第k个不可行个体下第n个具爬坡率约束的微源的爬坡率约束违反程度值；

w_l表示不可行个体对除爬坡率约束外的第l个约束条件的违反权重；

v_k,l表示第k个不可行个体对除爬坡率约束外的第l个约束条件的违反程度值；

N表示具爬坡率约束的微源的数量；

L表示除爬坡率约束外的其他约束条件的数量。

上述，w_R根据决策者对爬坡率约束的关注程度进行取值，若想较好解决爬坡率约束，w_R则取较大值；w_R一般在0.3～0.7范围取值，本实施例中，w_R取0.3。

上述，w_r,n根据决策者对第n个具爬坡率约束的微源的爬坡率违反情况的关注程度进行取值，关注程度高，w_r,n则取较大值，所有具爬坡率约束的微源的爬坡率约束违反权重应满足

上述，v_k,r,n用来反映第k个不可行个体下第n个具爬坡率约束的微源的爬坡率约束违反程度。下面将提供v_k,r,n的一种具体计算方法，将微源爬坡率约束条件记为|P_n,m-P_n,m-1|≤P_n,r，若|P_n,m-P_n,m-1|＞P_n,r，则第m个时间点的爬坡率约束违反程度值v_k,r,n,m＝|P_n,m-P_n,m-1|；若满足微源爬坡率约束，则第m个时间点的爬坡率约束违反程度值v_k,r,n_,m为0。那么，第n个具爬坡率约束的微源的爬坡率约束违反程度值其中，P_n,m和P_n,m-1分别表示第m、m-1个时间点第n个具爬坡率约束的微源的实际出力，P_n,r为第n个具爬坡率约束的微源的最大爬坡率。

上述，w_l由决策者根据不可行个体对除爬坡率约束外的各约束条件违反情况的关注程度决定，若对某约束条件的违反情况更关注，对应的违反权重则取较大值；反之亦然。不可行个体对除爬坡率约束外的所有约束条件的违反权重应满足

上述，v_k,l用来反映第k个不可行个体对除爬坡率约束外的第l个约束条件的违反程度。本实施例中，除爬坡率约束外的约束条件包括4个微源出力上下限约束条件、1个储能系统充或放电量约束条件、1个储能系统荷电状态约束条件和1个系统功率平衡约束条件，即L＝7。

下面将提供v_k,l值的具体计算方法。

第k个不可行个体对微源出力上下限约束条件的违反程度值的计算如下：

微源出力上下限约束条件记为P_n1,min≤P_n1,m≤P_n1,max，若P_n1,m＞P_n1,max，则第m个时间点下微源出力上下限约束条件的违反程度值v_k,l,m＝｜P_n1,m-P_n1,max｜；若P_n1,m＜P_n1,min，则第m个时间点下微源出力上下限约束条件的违反程度值v_k,l,m＝|P_n1,m-P_n1,min|；若满足微源出力上下限约束条件，则第m个时间点下微源出力上下限约束条件的违反程度值v_k,l,m为0。那么，第k个不可行个体对微源出力上下限约束条件的违反程度值其中，P_n1,max和P_n1,min分别表示第n1个具微源出力上下限约束的微源的出力上限和出力下限，P_n1,m表示第n1个具微源出力上下限约束的微源的实际出力。本实施例中，具微源出力上下限约束的微源数量为4，那么微源出力上下限约束条件数量也是4。

第k个不可行个体对储能系统充或放电量约束条件的违反程度值的计算如下：

储能系统充或放电量约束条件记为P_-,n2≤P_+/-,n2,m≤P_+,n2，若P_+/-,n2,m＞P_+,n2，则第m个时间点下储能系统充或放电量约束条件的违反程度值v_k,l,m＝|P_+/-,n2,m-P_+,n2|；若P_+/-,n2,m＜P_-,n2，则第m个时间点下储能系统充或放电量约束条件的违反程度值v_k,l,m＝|P_+/-,n2,m-P_-,n2|；若满足储能系统充或放电量约束条件，则第m个时间点下储能系统充或放电量约束条件的微源的违反程度值v_k,l,m为0。那么，第k个不可行个体对储能系统充或放电量约束条件的违反程度值其中，P_-,n2和P_+,n2分别表示第n2个具储能系统充或放电量约束的微源的最大放电量和最大充电量，P_+/-,n2,m表示第m个时间点第n2个具储能系统充或放电量约束的微源的实际放电量或实际充电量。本实施例中，具储能系统充或放电量约束的微源数量为1，那么储能系统充或放电量约束条件数量也是1。

第k个不可行个体对储能系统荷电状态约束条件的违反程度值的计算如下：

储能系统荷电状态约束为SOC_n3,min≤SOC_n3,m≤SOC_n3,max，若SOC_n3,m＞SOC_n3,max，则第m个时间点下储能系统荷电状态约束条件的违反程度值v_k,l,m＝|SOC_n3,m-SOC_n3,max|；若SOC_n3,m＜SOC_n3,min，则第m个时间点下储能系统荷电状态约束条件的违反程度值v_k,l,m＝|SOC_n3,m-SOC_n3,min|；若满足储能系统荷电状态约束，则第m个时间点下储能系统荷电状态约束条件的违反程度值v_k,l,m为0。那么，第k个不可行个体对储能系统荷电状态约束条件的违反程度值其中，SOC_n3,m、SOC_int、SOC_n3,max和SOC_n3,min分别表示第n3个具储能系统荷电状态约束的微源在第m个时间点的实际荷电状态、初始荷电状态、最大荷电状态和最小荷电状态；P_+/-,n3,j表示第j个时间点第n3个具储能系统荷电状态约束的微源的实际放电量或实际充电量。本实施例中，具储能系统荷电状态约束的微源数量为1，那么储能系统荷电状态约束条件数量也是1。

第k个不可行个体对系统功率平衡约束条件的违反程度值的计算如下：

系统功率平衡约束条件记为表示所有可控微源第m个时间点的实际出力之和，N'表示所有可控微源数，P_n',m表示第n'个可控微源第m个时间点的实际出力。若则第m个时间点下系统功率平衡约束条件的违反程度值若满足系统功率平衡约束条件，则第m个时间点下系统功率平衡约束条件的违反程度值v_k,l,m为0。那么，第k个不可行个体对系统功率平衡约束条件的违反程度值其中，N_s、P_L,m分别表示储能系统数量和第m个时间点系统的负荷需求，P_+/-,n4,m表示第m个时间点第n4个储能系统的实际放电量或实际充电量。本实施例中，N_s＝1，l取7。

6.2对规模大于设定的子种群规模S的新子种群，将新子种群规模和设定的子种群规模之差记为q，从新子种群中剔除优先级最低的q个个体。

6.3对规模小于设定的子种群规模S的新子种群，将新子种群规模和设定的子种群规模之差记为q，从新子种群所在子空间外，选取与新子种群的分区向量距离最短的q个可行个体加入新子种群；若子空间外的可行个体数量不足q，则从子空间外的不可行个体中按优先级进行选择。具体实施方式中，距离采用目标空间内欧几里得距离。

6.4对规模等于设定的子种群规模S的新子种群，不做处理。

S7保留新子种群中所有非劣个体。

S8判断是否满足收敛条件，若满足，执行步骤S9；否则，返回执行步骤S3。

收敛条件的设置为迭代算法的公知技术，一般可设为进化代数达到最大进化代数或相邻迭代所得解值的差异小于预设值。本具体实施方式中，将收敛条件设为进化代数达到最大进化代数。

S9保留并输出所有可行个体。