本发明属于智能电网领域，特别涉及一种考虑可控负荷的风光储微电网储能容量优化配置方法。
背景技术
近年来，为应对日益严峻的能源和环境问题，分布式发电技术得到的迅速发展。目前，分布式发电技术的研究主要集中在风力发电和光伏发电上，与传统的集中式大规模发配电方式相比，分布式发电技术具有发电系统分散独立、投资少、建设周期短、安装地点灵活以及环境污染小等优点。但是，随着大量分布式发电的接入，给传统的配电系统带来了巨大的挑战和冲击。
微电网作为一种分布式发电接入电网的组织形式，一经提出，就得到了广泛的重视。分布式发电通过微电网的接入电网，能有效提高配电网对分布式发电的消纳能力、降低分布式发电的波动性、减少配电网络损耗以及提高供电可靠性，而这其中，储能装置扮演着重要角色。所以，对微电网中储能容量进行的优化配置，是微电网投资建设中需要考虑的重要因数。将微电网中的可控负荷进行重新规划，使负荷能够与为微电网中的发电单元的发电情况相协调，则能够进一步优化储能配置，提高微电网投资建设的经济性。但现有技术中尚无相关描述。
技术实现要素：
本发明所解决的技术问题是提供一种考虑可控负荷的风光储微电网储能容量优化配置方法，先对微电网中的可控负荷进行重新规划，在此基础上进行储能装置容量的优化配置，在考虑微电网与电网交互功率波动和微电网内用户满意度的情况下，实现储能容量的最小化配置。
实现本发明目的的技术解决方案为：一种考虑可控负荷的风光储微电网储能优化配置方法，包括以下步骤：
步骤一、将微电网中负荷分为可控负荷和重要负荷，用户设定调度周期内的可控负荷量以及初始控制负荷时间；假设可控负荷在优化周期的每个时间段内的可控方式不发生改变，通过用户设定负荷可调量和初始运行时间后，由微电网控制中心统一调度并下达负荷控制指令，当收到调度指令，按调度指令控制负荷，没有收到指令，按设定初始控制时间自动运行。
步骤二、微电网控制中心对调度周期内光伏发电和风力发电数据进行预测，结合用户设定的可控负荷信息，对调度周期内的负荷进行重新安排；微电网调度中心得到光伏发电和风力发电预测值后，按负荷与风光发电在时间上贴近为原则进行负荷重新分配。具体方法为，比较调度周期中各时间段内负荷和风光发电量的大小，确定负荷转入和转出时间段，如果一时间段内，负荷大于风光发电量，则将该时间段记为负荷转出时间段，相反，如果负荷小于风光发电量，则将该时间段记为负荷转入时间段。
在得到优化周期各负荷转入、转出时间段后，计算负荷转入时间段风光发电量与负荷的差值总和得到总的转入电量，计算负荷转出时间段负荷与风光发电量的差值总和得到总的转出电量，以两者的较小值为优化周期的总负荷可调量，然后然按比例分配各转入、转出时间段内负荷调整量，得到调整后的负荷曲线。
步骤三、在得到新负荷安排结果的基础上，对微电网中的储能装置进行优化配置。
在新负荷曲线的基础上，微电网控制中心以储能配置容量最小、微电网与电网交互功率波动最小和微电网内用户满意度最高为目标建立多目标优化模型，并提出一种多目标骨干粒子群优化算法进行求解，最终得到微电网的储能配置容量。
本发明与现有技术相比，其显著优点为：(1)本发明的方法通过对微电网中的可控负荷进行重新调度，使负荷与风光发电量相协调减少微电网储能配置容量；(2)本发明的方法在负荷重新分配的基础上，考虑微电网与电网交互功率波动和微电网内用户满意度，对储能容量进行优化配置，同时保证了微电网的供电质量、可靠性和经济效益，一举多得，有效降低了微电网的投资成本。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为考虑可控负荷的风光储微电网储能优化配置方法实现流程图。
图2为微电网中风力发电和光伏发电预测出力示意图。
图3为微电网中负荷转移前后对比示意图。
图4为多目标空间上一组pareto前端示意图。
图5为多目标骨干粒子群优化算法流程图。
图中编号所代表的含义为：1为设定调度周期内的可控负荷量以及初始控制负荷时间，2为负荷重新调度，3为微电网中储能容量的优化配置。
具体实施方式
结合附图，本发明的一种考虑可控负荷的风光储微电网储能容量优化配置方法，包括以下步骤：
步骤1、将微电网中负荷分为可控负荷和重要负荷，设定调度周期内的可控负荷量以及初始控制负荷时间；
将微电网中负荷分为可控负荷和重要负荷，设定调度周期内的可控负荷量以及初始控制负荷时间时，假设可控负荷在优化周期的每个时间段内的可控方式不发生改变，通过用户设定负荷可调量和初始运行时间后，由微电网控制中心统一调度并下达负荷控制指令，当收到调度指令，按调度指令控制负荷，没有收到指令，按设定初始控制时间自动运行。
步骤2、对调度周期内光伏发电和风力发电数据进行预测，结合用户设定的可控负荷信息，对调度周期内的负荷进行重新安排；
对调度周期内的负荷进行重新安排，其具体方法为：比较调度周期中各时间段内负荷和风光发电量的大小，确定负荷转入和转出时间段，如果一时间段内，负荷大于风光发电量，则将该时间段记为负荷转出时间段；相反，如果负荷小于风光发电量，则将该时间段记为负荷转入时间段；
在得到优化周期各负荷转入、转出时间段后，确定负荷转入时间段风光发电量与负荷的差值总和得到总的转入电量，确定负荷转出时间段负荷与风光发电量的差值总和得到总的转出电量，以两者的较小值为优化周期的总负荷可调量，然后然按比例分配各转入、转出时间段内负荷调整量，得到调整后的负荷曲线。
步骤3、在步骤2的新负荷安排结果的基础上，对微电网中的储能容量进行优化配置。微电网与电网交互功率的波动性由以下公式表达：
式中，t为优化调度周期；pgrid(t)为调度周期内第t时间段微电网与外部电网的交互功率；
微电网内用户满意度由购电满意度和供电满意度构成，具体表达式为：
f2＝-(μ1f购电+μ2f供电)
式中，“负号”表示f2取值越小，用户满意度越高；μ1和μ2分别为购电满意度和供电满意度对用户满意度的影响因子；f购电、f供电为购电满意度和供电满意度，表达式如下：
式中，ltransfor,t、ltotal分别为第t时间段负荷转移量和微电网本地负荷总量；spw为微电网内风光发电总量，pgrid(t)为第t时间段微电网与外部电网交互功率。
本发明的方法通过对微电网中的可控负荷进行重新调度，使负荷与风光发电量相协调减少微电网储能配置容量。
下面进行更详细的描述。
本发明提出一种考虑可控负荷的风光储微电网储能优化配置方法，包括以下步骤：
步骤一、将微电网中负荷分为可控负荷和重要负荷，用户设定调度周期内的可控负荷量以及初始控制负荷时间；
步骤二、微电网控制中心对调度周期内光伏发电和风力发电数据进行预测，结合用户设定的可控负荷信息，对调度周期内的负荷进行重新安排；
步骤三、在得到新负荷安排结果的基础上，对微电网中的储能装置进行优化配置。
进一步，步骤一中，假设可控负荷在优化周期的每个时间段内的可控方式不发生改变，通过用户设定负荷可调量和初始运行时间后，由微电网控制中心统一调度，当收到调度指令，按调度指令控制负荷，没有收到指令，按设定初始运行时间自动运行。
进一步，步骤二中，首先，微电网调度中心对微电网中的光伏发电单元、风力发电单元和负荷进行预测，如图2为微电网中风力发电和光伏发电预测出力示意图。然后，将可控负荷与风光发电以在时间上贴近为原则进行重新分配。具体方法为，比较调度周期中各时间段内负荷和风光发电量的大小确定负荷转入和转出时间段，如果一时间段内，负荷大于风光发电量，则将该时间段记为负荷转出时间段，相反，如果负荷小于风光发电量，则将该时间段记为负荷转入时间段。
进一步，步骤二中，在得到优化周期各负荷转入、转出时间段后，计算负荷转入时间段风光发电量与负荷的差值总和得到总的转入电量，计算负荷转出时间段负荷与风光发电量的差值总和得到总的转出电量，以两者的较小值为优化周期的总负荷可调量，然后然按比例分配各转入、转出时间段内负荷调整量，得到调整后的负荷曲线，如图3所示，为微电网中负荷转移前后的负荷曲线。
进一步，步骤三中，在新负荷曲线的基础上，微电网控制中心以储能配置容量最小、微电网与电网交互功率波动最小和微电网内用户满意度最高为目标建立多目标优化模型，并提出一种多目标骨干粒子群优化算法进行求解，最终得到微电网的储能配置容量。
其中，微电网与电网交互功率的波动性由以下公式表达：
公式(1)中，t为优化调度周期；pgrid(t)为调度周期内第t时间段微电网与外部电网的交互功率；
微电网内用户满意度由购电满意度和供电满意度构成，购电满意度指用户的用电能够得到及时满足，即用户负荷转移量越少，满意度越高；供电满意度基于“自发自用、余量上网”的分布式电源并网政策，鼓励分布式发电就地消纳，减少向外电网中输送，即微电网中分布式发电量全部供本地负荷使用时，供电满意度最高。
具体表达式为：
f2＝-(μ1f购电+μ2f供电)(2)
公式(2)中，“负号”表示f2取值越小，用户满意度越高；μ1和μ2分别为购电满意度和供电满意度对用户满意度的影响因子，其取值视具体情况而定；f购电、f供电为购电满意度和供电满意度，表达式如下：
公式(3)、(4)中，ltransfor,t、ltotal分别为第t时间段负荷转移量和微电网本地负荷总量；spw为微电网内风光发电总量，pgrid(t)为第t时间段微电网与外部电网交互功率。
微电网储能装置容量的选取，应同时考察调度时间段内最大充放电电量和累积充放电电量，选取其中的较大值。
储能装置最大充放电电量计算。假设在调度周期中，各时间段内储能装置的充放电状态不变，第t时间段内储能系统的充放电电量为e'sb,t，则整个调度周期内储能装置的充放电容量为：
e'sb＝max{e'sb,1,e'sb,2,···,e'sb,t,···,e'sb,t}(5)
累积充放电电量e″sb计算表达式为：
e″sb＝max{e″sb,1,e″sb,1,···,e″sb,i,···,e″sb,t}(6)
其中：
公式(7)中，psb(t)为第t时间段储能的充放电功率。
则，单个储能装置的额定容量为：
esb＝max{e'sb,e″sb}(8)
微电网储能配置容量为：
公式(9)中，nsb为微电网储能配置数目，esb,i为第i个储能装置的额定容量。
微电网控制中心以储能配置容量最小、微电网与电网交互功率波动最小和微电网内用户满意度最高为目标函数表达式为：
minf＝[f1,f2,f3](10)
优化模型约束函数包括等式约束和不等式约束，其中等式约束有：
调度周期各时间段功率平衡约束
公式(11)中，nld、npv、nwt、nsb分别为负荷、光伏发电、风力发电、储能装置对应集合；pld,i(t)、ppv,j(t)、pwt,k(t)、psb,r(t)分别为负荷i、光伏发电j、风力发电k、储能装置r的对应出力。
储能电量平衡约束
不等式约束包括
公式(13)中，
对于所建立的优化模型，采用一种多目标骨干粒子群优化算法进行求解，骨干粒子群优化算法相对与传统粒子群优化算法具有无序设置惯性权重和学习因子等控制参数的优点，简化了多目标优化求解过程。在应用多目标优化算法前，明确两个概念：pareto支配和pareto前端。
pareto支配指对于向量x＝(x1,x2,···,xm)∈rm，它支配向量y＝(y1,y2,···,ym)∈rm，当且仅当
对于pareto前端，对于给定多目标优化问题minf＝[f1,f2,···,fm]，定义pareto前端为：
pf*＝{f(x*)＝[f1(x*),f2(x*),···,fm(x*)]|x*∈f*}(14)
公式(14)中，x*为优化问题一个pareto最优解，f*为优化问题一个pareto最优解集。如图4为多目标空间上一组pareto前端示意图。
多目标优化问题相对与单目标优化问题而言，算法在每次迭代后所得到的最优解可能不止一个而为一组，由于最优解不止一个，所以在更新全局引导者时，会有不止一个候选点，且这些候选点互不支配，将这些候选点存入外部储备集，当粒子需要更新位置时，从外部储备集中选取全局引导者。而且，外部储备集中的元素还可以作为算法的最终结果输出。多目标骨干粒子群优化算法具体步骤如下：
1)粒子初始化。在满足约束条件的情况下，随机初始化种群规模为n的粒子群，并初始化粒子个体引导者为粒子本身；初始化外部储备集，用来储存搜索过程中的非劣解。
2)更新粒子个体引导者。粒子个体引导者取为当前粒子搜索到的最好位置，假设第t代粒子位置为xi(t)，个体引导者为pi(t)，如果下一代xi(t+1)不被pi(t)支配，pi(t+1)取为xi(t+1)，否则，个体引导者不变，仍为pi(t)。
3)更新全局引导者。粒子全局引导者选取为当前粒子领域内所有粒子搜索过程中得到的最优位置。对于多目标优化问题，直接确定领域全局最优位置比较困难，所以利用外部储备集保存粒子在搜索过程中得到的非劣解，然后根据外部储备集中元素的分布密度来确定全局引导者。
对于前面所建立的优化模型minf＝[f1,f2,f3]，分布密度用粒子密度距离来表征，对于粒子xi(t)，其密度距离为：
公式(15)中，xj(t)和xk(t)为离粒子xi(t)最近的两个粒子；
在计算得到外部储备集中元素的分布密度后，采用二规模锦标赛选择法为每个粒子选择全局引导者。
4)更新粒子位置。骨干多目标粒子群优化算法粒子位置更新不需要考虑惯性权重和学习因子的参数设置，其更新公式为：
公式(16)中，xi,j表示第i个粒子向量中的第j个元素，pi,j、gi,j为相同表达方法；r和rand为满足u(0,1)分布的随机数。
5)交叉变异操作。为避免算法过早的收敛到问题的局部pareto前端，这里引入一种交叉变异算子，选取粒子群中相对于领域中全局最优粒子相差为x的粒子进行交叉变异操作，具体步骤如下：
(1)设定差值x的阀值xmin、交叉率pc、变异率pm。
(2)判断粒子i的xi值的大小，如过xi<xmin，则对粒子i进行交叉变异操作。
(3)通过随机数rid判断粒子i中的第d维分量是否进行变异操作，如果rid<pm，则xid＝xmin+(xmax-xmin)·r。
(4)变异完成后，对粒子位置向量进行交叉操作，如果rid<pc，则对其位置向量第d维与全局引导者进行交叉操作。
7)更新外部储备集。基于前面计算出外部储备集中元素的分布密度后，对分布密度按大小进行排序，选取分布密度较大的前n个解更新外部储备集。
8)判断终止条件。如果满足算法终止条件，输出pareto解集，如果不满足算法终止条件，返回步骤4)。
算法主体部分由上面8步组成，流程图如图5所示。在搜索结束后，得到的最终优化结果为一组pareto解，而从pareto解集中选取最终优化解需视具体情况而定，取决于决策者对各目标的偏好。
本发明的方法通过对微电网中的可控负荷进行重新调度，使负荷与风光发电量相协调减少微电网储能配置容量。