基于高斯-柯西变异帝国竞争算法的微电网优化调度方法

本发明涉及一种基于高斯-柯西变异帝国竞争算法的微电网优化调度方法。

背景技术：

1、近年来，以可再生能源为主的微电网系统得到了快速发展，但微电网技术尚不成熟，微电网供电可靠性、能源利用率和运行成本等都是目前亟待解决的问题[1-2]。因此，对微电网优化调度进行研究，提出合理可行的微电网调度策略具有重要意义。文献[3]为了麻雀搜索算法的优化性能，利用反向学习和自适应分布策略对麻雀搜索算法改进，以微电网运行成本为目标函数，提出了一种基于改进麻雀搜索算法的微电网优化调度模型。文献[4]为了平衡微电网的环保性和经济性，在微电网优化调度模型中引入了具有碳捕获能力和弃光弃风消纳的电转气系统，采用新型生物地理学优化算法对模型进行了求解，验证了模型的可行性和算法的优越性。文献[5]采用差分进化策略对黑洞算法进行改进，以燃料电池和蓄电池充放电功率为优化向量，以微电网运行成本最低为目标函数，建立了基于改进黑洞算法的微电网优化调度模型，采用实际算例验证了模型的正确性和实用性。微电网结构复杂，系统内分布式电源种类和求解方法均会对其优化调度结果产生一定影响，因此微电网优化调度模型和求解方法还有待进一步研究。

技术实现思路

1、本发明的目的在于提高微电网运行经济性，提供一种基于高斯-柯西变异帝国竞争算法的微电网优化调度方法，该方法以微电网综合运行成本最小为目标函数的优化调度模型；利用高斯变异和柯西变异对帝国竞争算法进行改进，采用高斯-柯西帝国竞争算法对微电网优化调度模型进行求解，本发明调度方案能够优化微电网系统内各分布式电源出力，合理与上级配电网交换电能，使微电网综合运行成本最小。

2、为实现上述目的，本发明的技术方案是：一种基于高斯-柯西变异帝国竞争算法的微电网优化调度方法，首先以微电网综合运行成本为目标函数，构建包含风/光/燃/储/负荷的微电网功率调度模型；而后利用高斯变异和柯西变异对帝国竞争算法进行改进，建立基于高斯-柯西变异帝国竞争算法的微电网优化调度模型，并对基于高斯-柯西变异帝国竞争算法的微电网优化调度模型进行求解。

3、在本发明一实施例中，所述以微电网综合运行成本为目标函数，构建包含风/光/燃/储/负荷的微电网功率调度模型，具体如下：

4、(1)目标函数：

5、以微电网综合运行成本为目标函数，具体如下：

6、f＝cf+cm+ce+cb-cs (1)

7、式中：cf为燃料成本，cm为分布式电源的设备维护成本，ce为污染物排放引起的环境惩罚成本，cb为购电成本，cs为售电收益；

8、1)燃料成本

9、

10、式中：t为调度周期，t为调度周期内的一个时段，cfc(t)为t时段内燃料电池的燃料成本，cde(t)为t时段内柴油机的燃料成本，cmt(t)为t时段内微型燃气轮机的燃料成本。

11、cfc(t)、cde(t)和cmt(t)的计算公式如下：

12、

13、

14、

15、式中：qm为燃料电池所用燃料的价格；lfc为燃料电池所用燃料的低位热值；pfc(t)为燃料电池的输出功率；ηfc为燃料电池的电能转换效率；a、b、c为柴油机的燃料成本系数；pde(t)为柴油机的输出功率；qg为天然气价格；pmt(t)为微型燃气轮机的输出功率；ηmt为微型燃气轮机的电能转换效率；lmt为天然气的低位热值；

16、2)设备维护成本

17、

18、式中：n为微电网系统内分布式能源的种类数，kn为第n种分布式电源单位输出功率的维护成本系数，pn(t)为t时段内第n种分布式电源的输出功率；

19、3)环境惩罚成本

20、

21、式中：m为产生的污染物种类数，y为产生污染物的电源数，hn.y为第n种电源输出单位功率时生成第i类污染物的质量，dn.y为惩罚成本系数；

22、4)购电成本

23、

24、式中：cbuy(t)为购电成本系数，pbuy(t)为购电功率；

25、5)售电收益

26、

27、式中：csell(t)为购电成本系数，psell(t)为购电功率；

28、(2)约束条件

29、1)功率平衡约束

30、

31、式中：pload(t)为微电网系统负荷；

32、2)分布式电源出力约束

33、pn.min≤pn(t)≤pn.max (11)

34、式中：pn.min为第n种分布式电源的最小输出功率，pn.max为第n种分布式电源的最大输出功率；

35、3)可控分布式电源爬坡约束

36、

37、式中：pfc(t+δt)、pmt(t+δt)和pde(t+δt)分别为第t+δt时段燃料电池、微型燃气轮机和柴油机的输出功率，pfc(t)、pmt(t)、和pde(t)分别为第t时段燃料电池、微型燃气轮机和柴油机的输出功率，pfc.down、pmt.down和pde.down分别为燃料电池、微型燃气轮机和柴油机的最小爬坡率，pfc.down、pmt.down和pde.down分别为燃料电池、微型燃气轮机和柴油机的最小爬坡率；

38、4)蓄电池储能约束

39、esoc.min≤esoc(t)≤esoc.max (13)

40、式中：esoc(t)表示蓄电池t时刻的荷电状态，esoc.min、esoc.max为蓄电池荷电状态的最小值和最大值；

41、5)购、售电功率约束

42、

43、式中：pbuy.max、psell.max分别为购电功率最大值和售电功率最大值。

44、在本发明一实施例中，所述高斯-柯西变异帝国竞争算法具体如下：

45、(1)高斯变异

46、帝国竞争算法中殖民地被占领时收敛速度慢，因此对殖民地进行高斯变异，使算法在重点区域进行局部搜索；

47、高斯概率分布函数如下：

48、

49、式中：μ、σ、σ2分别为分布的平均值、标准差和方差。

50、将帝国竞争算法中殖民地执行式(16)中的高斯变异，其表达式为：

51、xc'ol＝xcol-η*g(0,1) (16)

52、式中：xcol、xc'ol分别为殖民地当前位置和变异后的位置，g(0,1)是指服从高斯分布的殖民地，η为常数；

53、(2)柯西变异

54、在帝国竞争过程中，当帝国数量减少到初始状态的一半时，帝国在附近区域交换殖民地，帝国竞争算法容易陷入局部极值；为避免帝国竞争算法陷入局部最优，当帝国数量减少到初始状态的一半时，将剩余帝国以预定概率执行柯西变异；柯西密度函数步长更长，其变异产生的后代与父本差异性较大，变异范围更广，能够使算法跳出局部最优；

55、柯西概率密度函数如下：

56、

57、式中t是柯西概率密度函数的形状参数。

58、将剩余帝国执行式(18)中的高斯变异，其表达式为：

59、xi'mp＝ximp-η*c(0,1) (18)

60、式中：ximp、xi'mp为帝国当前位置和变异后的位置，c(0,1)是指服从柯西变异的帝国，η为常数。

61、在本发明一实施例中，对基于高斯-柯西变异帝国竞争算法的微电网优化调度模型进行求解的步骤如下：

62、1)设置调度周期及微电网运行参数；

63、2)将式(1)作为适应度值，并对初始适应度值进行计算；

64、3)随机生成初始国家种群，形成帝国和殖民地，并设置gcica算法的相关参数，包括主要种群规模、帝国数量、殖民地影响率、改革率；

65、4)殖民地向帝国移动，如果殖民地代价小于帝国，则交换殖民地与帝国的位置；

66、5)挑选出最弱殖民地，对其进行高斯变异，计算最弱殖民地被帝国占领后的代价；

67、6)如果某帝国殖民地全部被占领，则该帝国灭亡，当帝国减少至初始帝国数量的一半时，则对殖民地进行柯西变异；

68、7)判断是否满足迭代终止条件，若是则输出最优解，否则返回步骤4)。

69、相较于现有技术，本发明具有以下有益效果：本发明方法建立了以综合运行成本最小为目标函数的微电网优化调度模型，采用高斯-柯西变异帝国竞争算法对模型进行了求解，获得微电网最佳调度方案，在此方案下，微电网最小综合运行成本为4485.62元，各分布式电源出力合理，优先使用风光电能，降低污染物排放量，并能合理与上级配电网交换电能，可见该模型在微电网优化调度领域具有较大的工程应用价值和推广前景。