基于交叉变异鲸鱼优化算法的微网经济调度方法与流程

文档序号：18303557发布日期：2019-07-31 10:33阅读：642来源：国知局

本发明涉及一种基于交叉变异鲸鱼优化算法的微网经济调度方法，属于微电网负荷调度技术领域。

背景技术：

随着电网规模的不断增大，传统电力网络的弊病也日益趋显：超远距离输电带来的功率损耗；用电负荷的不断增加，传统的供电系统难以实现供电的安全可靠性；大电网在自然灾害侵扰下不能有效地保证重要负荷的稳定运行，导致巨大的经济损失等。分布式发电可以为边远地区供电，利用当地现有的能源，实现该地区的自我供电，避免了远距离输电的损耗问题。但是分布式电源具有不可控特性，例如风机发电，光伏发电等当这些不可控电源作为分布式电源独自接入配电网中，使得配电网电压调整变得复杂，不利于大电网系统的稳定性。而且复杂多样的分布式发电技术不利于实现能源的综合利用，容易给电网系统的稳定性和安全性带来隐患。因此能够实现大规模分布式发电单元灵活接入大电网的微电网应运而生。

微电网是一个能够自我控制，自我保护和自我管理的小型发配电系统，当其与大电网并网时，可以看成大电网的一个负荷或发电单元。随着分布式能源在电网中的渗透率逐渐增高，其高波动性，不稳定性，间歇性的特点，严重地影响着电能质量，甚至能够威胁整个电网系统的安全。作为能量优化配置中一个有效的解决方案，微电网依靠科学先进的运行控制方法以及智能的决策系统，能够实现能源在电网中经济、环保、安全、可靠、高效的利用。作为智能电网的一个重要组成部分，微电网能够有效地提高资源的利用率，实现能量的优化配置。微网的能量管理，在保障自身稳定运行的前提下，最小化系统损耗及运行费用，最大化利用可再生资源。灵活高效，安全经济的微网能量优化运行方式使得对微电网中的方法决策，能量管理等技术要求更加智能化。

技术实现要素：

本发明的目的是提供一种微网能量优化运行方法。

为了达到上述目的，本发明的技术方案是提供了一种基于交叉变异鲸鱼优化算法的微网经济调度方法，其特征在于，包括以下步骤：

将具有约束条件的微网经济优化运行目标函数利用罚函数法转换为非约束的经济优化目标函数，将非约束的经济目标函数带入基于交叉变异鲸鱼优化算法中进行计算得出最优值，基于交叉变异鲸鱼优化算法包括以下步骤：

步骤1、设置交叉变异鲸鱼优化算法的参数；

步骤2、按照对立学习策略初始化种群个体；

步骤3、计算每个个体的适应度值，将迭代次数t设置为1，记录当前最优个体及位置；

步骤4、判断迭代次数t是否到达预先设定的阈值tmax，若是，则进入步骤14，若否，则进入步骤5；

步骤5、计算收敛因子更新系数向量

式中，λ表示非线性收敛权值，

式中，表示[0,1]之间的随机数；

步骤6、取随机数p；

步骤7、判断p是否小于0.5，若是，进入步骤8，若不是，则进入步骤9；

步骤8、判断是否小于1，若不是，则进入步骤10，若是，则进入步骤11；

步骤9、根据下式更新个体位置后，进入步骤12：

式中，表示更新后的个体位置；表示当前个体位置与目标猎物位置的距离；b表示限定对数螺旋形式的常量；l是介于[-1,1]之间的随机数；

步骤10、根据下式更新个体位置后，进入步骤12：

式中，表示随机选取个体的位置向量；

步骤11、根据下式更新个体位置后，进入步骤12：

步骤12、对每个个体进行交叉变异，计算变异后的适应度值，若优于变异前的适应度值，进行个体位置更新，否则保持原位置不变；

步骤13、记录当前最优个体位置及对应的最优适应度值，更新迭代次数t，t＝t+1，返回步骤4；

步骤14、输出最优个体位置及最优适应度值。

优选地，所述步骤2包括以下步骤：

步骤201、设置种群规模n；

步骤202、利用随机方法生成个体xi，xi＝li+rand(0,1)·(ui-li)，式中，li为变量的下限，ui为变量的上限；

步骤203、对步骤202产生的个体xi进行对立操作，记为oxi，则有：oxi＝li+ui-xi；

步骤204、进行oxi与xi的两两对比，留下较优个体。

本发明提供了一种基于鲸鱼优化算法的微网经济调度方法，具有如下优点：该算法结构简单，易于理解，收敛速度快，求解精度高，能够合理安排微网中各微源及储能出力，有效降低微网优化运行的成本。随着微网经济运行调度时间尺度的缩短，对算法求解速度及精度的要求也更苛刻。本发明基于改进后的鲸鱼优化算法相比原算法及其它智能优化算法都更具优势。

附图说明

本发明的基于交叉变异鲸鱼优化算法的流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明提供的一种基于交叉变异鲸鱼优化算法的微网经济调度方法基于如下技术：

1.微网系统优化运行模型

1.1微网经济优化运行目标：

经济目标主要包括各分布式电源的运行成本以及各微源的维护成本。因为光伏，风电都是清洁能源，基本上无运行成本，因此微电网微源运行成本主要是微型燃气轮机，柴油机消耗的燃料成本，具体公式如下：

燃料成本cfuel计算公式如下：

式中：ep,i为燃料i的市场价格；pi(t)·δt为i发电机δt时段的输出能量。

维护成本cmt公式为：

式中：kmt,i为设备i的运行维护系数；pi,t为设备i的在t时刻所需维护的设备容量大小。

对于和大电网并网的微电网来说，其运行成本cexc还需包括与大电网的能量交互产生的费用，公式如下：

上述公式中：pexc,t为微电网与电网之间t时刻的交互功率，当该值大于零时，微电网向大电网购电，此时cgrid,t为对应时刻的购电价格，反之，微电网向大电网售电，cgrid,t为对应时刻的售电价格；t为优化周期；n为分布式电源的个数；

因此，微电网的总经济成本ctc可描述为：

ctc＝cfuel+cmt+cexc(1-4)

1.2微电网稳定运行的约束条件

不等式约束：(前面那位同学太不注意了，在此更改了部分公式)

1)分布式电源出力功率约束：

pmin,i＜pdg,i＜pmax,i(1-5)

式中，pmin,i和pmax,i分别为第i个分布式电源出力pdg,i的上下限；

2)联络线约束：

式中，和分别为微网与大电网在联络线上交互功率的上下限pexc,t为t时刻微网与大电网在联络线上的交互功率；

3)储能充放电约束：

为了保障蓄电池的使用寿命，一般都避免蓄电池满充满放，其soc一般都约束在一定范围内，如下式：

socmin＜soc(t)＜socmax

pbat,min＜pbat(t)＜pbat,max(1-7)

式中：socmin为电池最小荷电状态；socmax为电池最大荷电状态；pbat(t)为储能电池t时刻的充放电功率；pbat,min为储能电池的最小充放电功率；pbat,max为储能电池的最大充放电功率。

当蓄电池充电时，t+1时刻的电池容量剩余可以描述为：

当蓄电池放电时：t+1时刻的电池容量剩余可以描述为：

上式中:pdiss,pch(t)分别为储能电池的放电和充电功率；w为储能电池的容量。

4)爬坡功率约束：针对微型燃气轮机和燃油电机还需考虑其爬坡约束。

式中：为可控电源i最大爬坡下降率；为可控电源i的最大爬坡上升率；pdgi(t)是t时刻分布式电源i的有功出力。

等式约束：系统功率时刻保持平衡，当微电网并网运行时，数学表达式可以描述为：

pexc,t+pbatt,t+ppv,t+pwind,t+pdg,t＝pload,t(1-12)

式中：pbatt,t为t时刻储能的充放电功率，大于零时，储能处于放电状态，反之处于充电状态；ppv,t为t时刻光伏发电的功率；pwind,t为t时刻风机发电的功率；pdg,t为t时刻为可控电源发电的功率；pload,t为t时刻系统的负荷。

2鲸鱼优化算法：

鲸鱼优化算法(whaleoptimizationalgorithm,woa)是由mirjalilis于2016年提出的一种新型元启发式算法。该算法模拟了座头鲸独特的群体捕食行为，鲸鱼自下而上沿螺旋状通过制造气泡逐步收缩对猎物的包围范围，更新自身的位置。该行为被称为气泡网觅食方法。该算法总共分为：包围猎物，泡泡网攻击以及搜寻猎物三个阶段。

1)包围猎物

座头鲸在识别猎物的时候，对猎物位置是先验未知的，因此假设目标猎物位置是当前种群中最优或接近最优的鲸鱼个体的位置。其他的鲸鱼个体均向目标猎物靠近，位置更新公式可以描述为：

式中：表示猎物的位置，维数为m；表示当前鲸鱼的位置；t为当前迭代次数；为系数向量，定义如下：

式中：随着迭代次数从2线性递减到0；表示为[0,1]之间的随机数。

可以描述成：

式中：t为迭代次数，tmax为最大迭代次数。

2)泡泡网攻击

泡泡网攻击是由两个机制：收缩包围机制，螺旋更新机制。收缩包围机制就是减少2-3式中的

螺旋更新位置：计算鲸鱼个体与目标猎物的距离，然后更新自己的位置去捕食猎物，数学表达式可以描述为：

式中：表示第i只鲸鱼个体与目标猎物的距离；b是限定对数螺旋形式的常量；l是介于[-1,1]之间的随机数。但是鲸鱼在进行泡泡网攻击的时候，也在缩小包围圈，故为了实现这种同步，选择相同的概率进行收缩包围机制和螺旋更新位置。数学模式可以描述为：

式中：p是介于[01]之间的随机数。

3)搜寻猎物

事实上，鲸鱼搜寻猎物的时候，会根据其他个体之间的位置随机搜索，采用和包围猎物公式中相似的向量系数去模拟该行为，在此|a|≥1，使得鲸鱼远离参考鲸鱼(目标猎物)，来找到一个更优的猎物。数学模型表示为：

式中：表示随机选取鲸鱼的位置向量。

2.2改进的鲸鱼优化算法

鲸鱼优化算法和其余的群算法一样，容易陷入局部最优，出现早熟收敛现象，本发明针对该算法的局限性引入了四点改进策略，分别是：利用改进的对立学习策略初始化种群个体，改变原有的线性收敛因子，引入了自适应权值更新以及添加交叉变异机制。暂时命名为交叉变异鲸鱼优化算法(crossmutationbasedimprovedwhaleoptimizationalgorithm,cm-woa)

2.2.1对立学习策略

初始群体的位置体现出了种群的多样性，好的种群多样性有利于提高算法的求解精度，加快算法的收敛速度。而传统群体算法一般采用随机的方法去初始种群的位置，这样不能保证群体的多样性，而且不能很好的利用目标空间区域的有用信息。对立学习策略(opposition-basedlearning,obl)是由tizhoosh在2005年提出的一种新型机器学习概念,该概念是受实体间存在对立关系启发得到的，目前已在诸多群体智能算法中得到了应用。为此在本设计中借鉴此策略，并做了稍微的变动，对鲸鱼种群进行个体位置的初始化操作，步骤如下：

1)设置种群规模n。

2)利用随机方法生成个体xi，方法为：xi＝li+rand(0,1)·(ui-li)；li为变量的下限ui为变量的上限。

3)对步骤2)产生的个体i进行对立操作，记为oxi,方法为：oxi＝li+ui-xi。

4)原方法是合并{x(n)∪ox(n)}得到2n个个体，从中选取适应度值最好的n个鲸鱼个体作为初始种群，由于算法复杂度太高，本设计简略地进行xi与oxi两两对比，留下较优个体，在一定程度上保留了原算法的功能，时间复杂度相对较低。

2.2.2非线性变化收敛因子：

众所周知，全局探索和局部开发的能力对于基于种群迭代的算法至关重要，较高的全局探索能力意味着算法不容易陷入局部最优，局部开发的目的主要是基于群体已有信息对求解空间中某些邻域进行搜索，能够使得算法快速收敛。通过公式2-2我们可以分析出，原始鲸鱼算法在包围猎物阶段主要依靠向量系数的缩减来实现，而通过公式2-3又可以看出，向量系数缩减又主要依靠着收敛因子较大的收敛因子可以增加全局搜索阶段，有利于提高算法的探索能力，较小的收敛因子可以提高算法的局部搜索能力。原有算法中，收敛因子线性递减，这种方法不利于算法的快速收敛。而非线性调整策略能够在不改变原有算法中收敛因子变化趋势的前提下，保留算法的全局探索和局部开发能力，加快算法的收敛。本设计采用了一种非线性收敛因子去提高差分进化算法在后期跳出局部最优解的能力，结合鲸鱼优化算法，对收敛因子进行非线性调整，该非线性因子在算法初期拥有较大的值，可以提高算法的全局搜索能力，在中期下降速度趋势明显，迅速地使收敛因子下降到一个比较小的值，在后期，收敛因子变化较缓，有利于局部开发。具体公式如下：

式中：t为迭代次数；tmax为最大迭代次数；

2.2.3自适应权值更新

和收敛因子一样，较大的惯性因子有利于全局探索，较小的惯性因子可以提高局部开发能力。为了进一步提高算法的优越性，本设计在原有的鲸鱼优化算法中添加自适应权值，具体公式如下：

式中：λ和公式2-11中值相同，随着迭代次数增加而减小。

2.2.4交叉变异

在算法的后期，鲸鱼都趋向聚集于较优个体周围，这样导致了种群的多样性遭到了破坏，容易致使算法陷入局部最优。针对该问题，本设计引入了变异思想。

为了进一步使得算法拥有更好的局部开发能力，在上述位置更新后，本设计引进了柯西变异机制。由于柯西变异算子能产生较大的变异步长，能够引导个体跳出局部最优，具有优越的全局搜所能力，但是柯西变异不利于算法的局部开发，导致算法收敛较慢。而高斯变异算子具有较强的局部开发能力，故本设计结合这两种变异算子对最优位置进行更新，变异机制为：如果变异后的位置更优，则进行最优位置的替换，否则不做位置更换。交叉变异可以描述为：

式中：k为[0,1]的随机数。改进后的算法流程图见参考图1。

2.3实验结果与分析

为了验证本算法的优越性，利用10个基准测试函数进行求解，并与原鲸鱼优化算法进行对比。本发明仿真实验基于windows10(64位)操作系统，处理器为：intel(r)core(tm)i5-8250ucpu@1.60hz1.80ghz,运行内存8g，编程采用matlabr2016a软件。

本发明在30维搜索空间中来验证算法的优越性，算法各独立运行30次，求取平均值和标准差。结果见表1。

表1cm-woa与其他算法基准函数对比(dim＝30)

3优化问题及模型的求解

对于具有约束条件的优化问题，求解方法可以大致分为确定性算法以及基于随机性的算法两种。确定性算法主要有拉格朗日乘子法，序列二次规划，梯度法等。在实际工程中，优化目标常常是非凸，非线性，不可微且非连续的；另外由于约束条件的存在，决策变量的可行搜索空间往往是不连通的。因此，这类算法在求取结果的时候比较困难，且求取的结果往往是局部最优解。近年来，以进化算法为代表的随机性算法广泛应用于目标优化求解。进化算法是基于群体中所有个体进行搜索，相比确定性算法从一个点逐渐搜索，前者具有搜索效率快，容易获取全局最优的特点。针对约束优化问题，本发明设计采用罚函数法进行处理。

不等式约束：(公式需和上述更改后的对应)

由不等式pmin,i＜pdp,i＜pmax,i推出关于g函数的不等式：

gi,1＝pdp,i-pmax,igi,2＝-pdp,i+pmin,i

以此类推，由下列不等式推出不等式约束函数。

pmin,i＜pdp,i＜pmax,i

不等式约束函数：

等式约束：系统功率时刻保持平衡，当微电网并网运行时，数学表达式可以描述为：

pexc,t+pbatt,t+ppv,t+pwind,t+pdg,t＝pload,t

将等式约束转化为不等式约束；

h(t)＝|pexc,t+pbatt,t+ppv,t+pi,t-pload,t|-δ≤0(3-2)

式中：δ为等式约束条件的容忍值，一般取较小的正数

则个体违反约束度为：

因此转化后的非约束优化问题可以描述成这种类似函数：

式中：μl≥0为惩罚系数，且足够大。

本发明提供的基于交叉变异鲸鱼优化算法的微网经济调度方法，如图1所示，步骤如下：

(1)对于经济目标的优化的目标函数就是在其约束条件下求解最优的经济问题，微网的经济成本主要包括各分布式电源的运行成本以及各微源的维护成本。因为光伏，风电都是清洁能源，基本上无运行成本，因此微电网微源运行成本主要是微型燃气轮机，柴油机消耗的燃料成本，经济的优化问题就是在各个分布式电源的运行成本，以及燃气轮机和柴油机的燃料成本的限制等约束条件。

(2)经济问题模型的求解，先把系统功率时刻保持平衡的等式约束条件：

pexc,t+pbatt,t+ppv,t+pwind,t+pdg,t＝pload,t

转换成不等式约束条件h(t)＝|pexc,t+pbatt,t+ppv,t+pi,t-pload,t|-δ≤0，δ是约束容忍值。这样就可以进行通过在原始经济目标函数中加入惩罚项使得约束优化问题转换成无约束的问题。构造惩罚项一般是基于个体违反约束条件的程度因此转化后的非约束优化问题可以描述成这种类似函数：

(2)将转换后非约束的经济目标函数带入基于交叉变异鲸鱼优化算法中进行计算得出最优值。

基于交叉变异鲸鱼优化算法包括以下步骤：