一种多目标协同优化的多微网能量管理方法与流程

本发明涉及一种多目标协同优化的多微网能量管理方法，为了降低微网的运行成本以及减少系统损耗、电压降和温室气体排放，引入独立性能指标(independenceperformanceindex，ipi)减少与主电网的能量交换。

背景技术：

多微网能量管理有两种策略：竞争与合作策略。在竞争策略中，每个实体都有一个试图优化其目标的运营商。通常多微网和分布式网络运营商之间的竞争模型以最小化每个参与者的成本为目标。合作博弈注重群体形成、联合行动和集体收益。合作博弈比竞争策略提供了一种更直接的方法，并且在没有任何讨价还价假设的情况下对博弈进行分析。因此，合作策略在多微网能量管理中更受重视。

在现有关于多微网能量管理策略的发明中，存在以下问题：(1)整体策略为单一目标函数，主要以系统总运行成本最小为目标，缺乏对系统损耗、电压降和碳排放等因素的考虑。(2)未对系统内风电和光伏的出力不确定性进行考虑。

技术实现要素：

为了克服已有技术的不足，本发明提供了一种多目标协同优化的多微网能量管理方法，综合考虑系统损耗、电压降和碳排放因素，同时对系统内风电和光伏的出力不确定性进行考虑。

本发明解决其技术问题所采用的技术方案是：

一种多目标协同优化的多微网能量管理方法，包括以下步骤：

1)场景生成和削减，过程如下：

首先，假定每个不确定输入都有一个概率密度函数(probabilitydensityfunction，pdf)，得到每个不确定参数的场景，接着通过减少场景数量来提高优化的计算速度；

根据可再生能源发电特性，利用weibull和beta分布来描述参数风速和光照强度的pdf，weibull分布如下：

式中：v为风速，k为形状参数，c为比例参数，μ和δ分别为风速的平均值和标准差，γ()为gamma函数；

对于光照强度概率密度函数，用bate分布描述：

式中：l为光照强度，a和b为分布参数，θ和γ分别为晴空指数的均值和标准差；

由于pdf中不可能有无限集，因此需要从pdf中选择一组间隔，nx是每个场景的间隔数，每个场景概率计算方法如式(6)和(7)：

式中：x表示不确定随机变量，例如光照强度或风速；为场景nx概率；nx为最大场景数；为场景nx期望值；和分别为场景nx起始值和结束值；

由式(8)和(9)计算出场景总数量n^s和场景向量概率ρs：

采用混合整数线性规划场景削减技术，保留典型场景，如式(10)：

使用该技术找到所需最小场景数，在上述公式中，为二元变量表示n1和n2场景的选择，参数ρs(n1,n2)表示场景n1和n2的发生概率；

2)多目标优化函数建立，过程如下：

2.1)目标1：多微网运行成本如式(1)-(10)：

mincost＝min[cost^pv+cost^wt+cost^dg+cost^fc+cost^mt+cost^cl+cost^grid](11)

式中：cost^pv、cost^wt、cost^dg、cost^fc、cost^mt、cost^cl、cost^grid分别表示光伏、风机、柴油发电机、燃料电池、燃气轮机、减载和向电网购电所需成本，分别为各装置的运维成本，分别为各装置所消耗燃料成本，分别为各装置运维成本系数，km为微网m柴油发电机在最低发电量下运行成本，im,t为微网m柴油发电机机组状态；δt为时间间隔长度，πm,n为微网m中柴油发电机线性发电成本函数，pm,n,t为t时刻微网m中柴油发电机分段线性发电成本函数第n分段的上限功率，cng/lng为燃料价格系数，分别为t时刻微网m各装置发电功率，pt^grid为t时刻整个系统向主网购电功率，为t时刻微网m的负荷削减功率，c^cl为惩罚成本，与分别为t时刻微网m燃料电池和燃汽轮机的发电效率，为t时刻整个系统向主网购电成本系数，nm为微网个数，nt为最大时间，设为24；

式(11)为多微网总运行成本，式(12)和(13)分别为光伏与风机运维成本，式(14)～(15)分别为柴油发电机总成本、消耗的燃料成本与运维成本，式(17)和(18)为燃料电池与燃气轮机所花成本，式(19)为减载所造成的惩罚成本，式(20)为向主网购电成本；

2.2)目标2：独立性能指数

式中：ipi^mmg为多微网独立性能指数，为t时刻微网m的总负荷功率，为t时刻微网m的柔性负荷功率，为t时刻微网m的刚性负荷功率；

2.3)将两个目标函数统一表示：

max(f1(x),f2(x),...,fk(x))(23)

s.t:x∈x(24)

式中：k为目标数量，x为决策变量的可行解集合，fk(x)为第k各子目标函数；

3)cp求解算法，过程如下：

确定一个乌托邦式的解，以该解作为决策的参考点，基于引入的距离概念，找出最接近理想解的解集，利用cp方法能够将原多目标优化问题转化为单目标优化问题，从而求解。

进一步，所述步骤3)中，cp法的公式为：

式中：wi为权重向量，fi和fi^*分别为单目标模型的最优解和理想解，1/p次幂表示了决策者对距离概念的态度，p取1、2或者无穷；

根据不同的1/p取值，定义不同的距离：

3.1)当p＝1时，计算理想解与各最优帕累托解之间的笛卡尔距离。最优解与理想解的距离最小；

3.2)当p＝2时，计算理想解与各最优解之间的欧氏距离，解c的欧氏距离等于ac；

3.3)当p＝∞时，该距离需根据切比雪夫距离计算得出，最优解与理想解的切比雪夫距离最小，这种距离是在向量空间上定义的度量，在向量空间中，两个向量之间的距离是它们在任何坐标维度上的最大差异，令式(25)中p＝∞，则

式(26)变为

利用线性规划将式(27)转换为(28)

式中：ξ为最小-最大(min-max)方法的自由变量；

p的每一个值都提供了一个位于pareto前沿的解，基于最优化理论，这些解决方案并不占主导地位，因此，p值的选择取决于多微网操作员的偏好。

本发明的技术构思为；多目标决策是多准则决策的一个领域，它需要同时优化非齐次目标函数。目前解决多目标规划问题方法有很多，如目标规划、模糊决策、epsilo约束等。将原多目标优化问题转化为一次或多次求解的单目标优化问题。本发明采用妥协规划(compromiseprogramming，cp)的方法，该方法主要优点在于简单并且能够结合非齐次目标函数。本发明针对多微网系统提出了一种多目标协同优化的能量管理方法，该方法由三部分组成，第一部分为针对系统内风电和光伏出力不确定利用场景生成和场景削减技术对其进行建模，获得风电和光伏功率输出函数；本发明目标函数包含微网运行总成本最小和独立性能指标最大，因此在第二部分主要是叙述多目标函数的建立；在第三部分介绍了cp求解算法。

本发明以系统运行成本和独立性能指标最大为目标，提出一种多目标协同优化的多微电网能量管理方法。本发明的有益效果主要表现在：(1)引入独立性能指标，旨在考虑微网与主网的独立性，它可以同时替代多个目标。因为随着微网独立性的增强，能源将由本地供应，因此电力将通过更短线路传输，降低了电压降和系统损耗；另一方面，为了增强微网的独立性，当地资源会产生更多的能量，并且由于当地资源的排放系数降低，因此次总排放量会降低；(2)考虑到风电和光伏出力的不确定性，提出了一个随机模型；(3)采用了适合于非齐次目标组合的随机妥协规划方法。

附图说明

图1是一种多目标协同优化的多微网能量管理方法的流程图。

图2是理想点和cp法的示意图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1和图2，一种多目标协同优化的多微网能量管理方法，包括以下步骤：

1)场景生成和削减，过程如下：

可再生能源发电具有高度的随机性，本发明针对系统内存在的风电和光伏不确定性，提出了一种场景生成与削减技术。

首先，假定每个不确定输入(如风速和光照强度)都有一个概率密度函数(probabilitydensityfunction，pdf)，得到每个不确定参数的场景，接着通过减少场景数量来提高优化的计算速度；

根据可再生能源发电特性，可以利用weibull和beta分布来描述参数风速和光照强度的pdf，weibull分布如下：

式中：v为风速，k为形状参数，c为比例参数，μ和δ分别为风速的平均值和标准差，γ()为gamma函数；

对于光照强度概率密度函数，用bate分布描述：

式中：l为光照强度，a和b为分布参数，θ和γ分别为晴空指数的均值和标准差；

由于pdf中不可能有无限集，因此需要从pdf中选择一组间隔，nx是每个场景的间隔数，每个场景概率计算方法如式(6)和(7)：

式中：x表示不确定随机变量，例如光照强度或风速；为场景nx概率；nx为最大场景数；为场景nx期望值；和分别为场景nx起始值和结束值；

由式(8)和(9)计算出场景总数量n^s和场景向量ρs

若在计算时考虑所有场景，则需要大量的计算时间，因此本发明采用了混合整数线性规划场景削减技术，保留典型场景，该技术如式(10)：

使用该技术找到所需最小场景数，在上述公式中，为二元变量表示n1和n2场景的选择，参数ρs(n1,n2)表示场景n1和n2的发生概率；

2)多目标优化函数建立，过程如下：

2.1)目标1：多微网运行成本如式(1)-(10)：

mincost＝min[cost^pv+cost^wt+cost^dg+cost^fc+cost^mt+cost^cl+cost^grid](11)

式中：cost^pv、cost^wt、cost^dg、cost^fc、cost^mt、cost^cl、cost^grid分别表示光伏、风机、柴油发电机、燃料电池、燃气轮机、减载和向电网购电所需成本，分别为各装置的运维成本，分别为各装置所消耗燃料成本，分别为各装置运维成本系数，km为微网m柴油发电机在最低发电量下运行成本，im,t为微网m柴油发电机机组状态；δt为时间间隔长度，πm,n为微网m中柴油发电机线性发电成本函数，pm,n,t为t时刻微网m中柴油发电机分段线性发电成本函数第n分段的上限功率，cng/lng为燃料价格系数，分别为t时刻微网m各装置发电功率，pt^grid为t时刻整个系统向主网购电功率，为t时刻微网m的负荷削减功率，c^cl为惩罚成本，与分别为t时刻微网m燃料电池和燃汽轮机的发电效率，为t时刻整个系统向主网购电成本系数，nm为微网个数，nt为最大时间，设为24；

式(11)为多微网总运行成本，式(12)和(13)分别为光伏与风机运维成本，式(14)～(15)分别为柴油发电机总成本、消耗的燃料成本与运维成本，式(17)和(18)为燃料电池与燃气轮机所花成本，式(19)为减载所造成的惩罚成本，式(20)为向主网购电成本；

2.2)目标2：独立性能指数

式中：ipi^mmg为多微网独立性能指数，为t时刻微网m的总负荷功率，为t时刻微网m的柔性负荷功率，为t时刻微网m的刚性负荷功率；

2.3)将两个目标函数统一表示：

max(f1(x),f2(x),...,fk(x))(23)

s.t:x∈x(24)

式中：k为目标数量，x为决策变量的可行解集合，fk(x)为第k各子目标函数；

3)cp求解算法，过程如下：

该方法基本思想是确定一个乌托邦式的解，以该解作为决策的参考点，基于引入的距离概念，找出最接近理想解的解集，利用cp方法能够将原多目标优化问题转化为单目标优化问题，从而求解。

cp法的公式为：

式中：wi为权重向量，fi和fi^*分别为单目标模型的最优解和理想解，1/p次幂表示了决策者对距离概念的态度，p可以取1、2或者无穷。

图2展示了最大化f1和f2的多目标优化问题，其中在z中的dce线段为最优帕累托解的集合，点是理想解。

根据不同的1/p取值，定义不同的距离：

3.1)当p＝1时，计算理想解与各最优帕累托解之间的笛卡尔距离。最优解与理想解的距离最小，例如：解c的笛卡尔距离为ab+bc；

3.2)当p＝2时，计算理想解与各最优解之间的欧氏距离。解c的欧氏距离等于ac；

3.3)当p＝∞时，该距离需根据切比雪夫距离计算得出，最优解与理想解的切比雪夫距离最小。这种距离是在向量空间上定义的度量，在向量空间中，两个向量之间的距离是它们在任何坐标维度上的最大差异，令式(25)中p＝∞，则

式(26)变为

利用线性规划将式(27)转换为(28)

式中：ξ为最小-最大(min-max)方法的自由变量；

p的每一个值都提供了一个位于pareto前沿的解，基于最优化理论，这些解决方案并不占主导地位，因此，p值的选择取决于多微网操作员的偏好。