一种基于改进遗传算法的微电网优化调度方法

1.本发明涉及电力系统优化调度领域，特别涉及一种基于改进遗传算法的微电网优化调度方法。


背景技术：

2.目前，我国正处于现代化建设关键阶段，对能源的需求量越来越大，但发展同时也面临着巨大的环境的治理压力，在这种大环境下，迫切需要发展微电网技术，而微电网优化调度技术是微电网经济、稳定运行的重要组成部分。
3.传统的遗传算法虽然能够求解微电网的多目标优化的问题，但是在实际工程运用中，面对多目标函数时，存在算法不收敛、错误收敛或者陷入局部最优解的情况，从而造成结果与全局最优解存在较大的差距。


技术实现要素：

4.为了解决上述技术问题，本发明提供一种算法简单、成本低的基于改进遗传算法的微电网优化调度方法。
5.本发明解决上述技术问题的技术方案是：一种基于改进遗传算法的微电网优化调度方法，包括以下步骤：
6.1)引入一天内每个时刻机组的燃气轮机出力、风电出力、储能元件出力、光伏出力、电网交互出力以及负荷需求，进一步构建微电网中的电源与负荷平衡模型；
7.2)建立微电网优化调度模型，包括微电网中电网交互模型、上网电价收益模型、环境污染惩罚模型，进而构建综合发电运行成本模型；
8.3)利用微电网中可用电量无法满足负荷需求，得出失负荷电量，采用失负荷率作为风险系数直观体现出微电网的可靠性；
9.4)以最小综合发电运行成本和最低风险系数为目标函数优化目标模型，通过功率平衡约束、储能电池出力上下限、储能电池荷电量约束、火电机组出力上下限约束、水电机组出力上下限约束、光伏出力上下限约束、风电出力上下限约束等构建系统约束条件模型；
10.5)满足约束条件的情况下，随机生成n个父代种群；
11.6)交叉、变异生成n个子代种群，并结合产生2n个父子代种群；
12.7)对新的父子代种群非支配排序，个体之间没有互相支配，则将其放在一个非支配层，并从第一非支配层开始构建n1个子代个体，若子代个体大小等于n1时停止，令该子代个体的数目为n
t
；若n
t
超过n1，则保留该非支配层，从而使得该部分子代数目等于n1；
13.8)对步骤7)中被淘汰的2n-n1个种群采用tent混沌映射，从新个体中筛选得到n2个优胜子代个体；
14.9)把n1个子代个体和n2个优胜子代个体合并成真正子代种群，将合并的n个个体的子代种群作为下一次迭代的父代种群，再进行非支配排序，得到本次迭代得最优解集即为第一非支配层的个体集；
15.10)重复步骤5)到9)，直至算法收敛，得出各类型电源出力最优策略。
16.上述基于改进遗传算法的微电网优化调度方法，步骤1)中：
17.光伏出力中光伏转换效率η
t
为：
[0018][0019]
其中，η为太阳能光伏的效率，t为时间步长，θ0为25℃，am为空气质量值，θ
t
为太阳能光伏的温度，为1000wm-2
，am0为1.5，p、q、γ、s、u、t为光伏机组特征参数，由机组生产厂家出示；
[0020]
由此计算出光伏出力为：
[0021][0022]
其中，为光伏发电机t时刻的预测发电量，a为光伏面板的面积，为全球倾斜太阳辐照，n为光伏面板数量；
[0023]
风力机的能量预测模型为:风力机产生的功率取决于风速和装机容量，其他影响参数与特定风力机的形状、类型和功率曲线有关；
[0024][0025]
其中，为风力发电机t时刻的预测发电量，c
p
风电发电机组的功率曲线，n
wt
为风力发电机组数量，v
t
为t时刻的风速；
[0026]
风力发电机组的功率曲线c
p
取决于风力发电机组的规格和设计，推广为：
[0027][0028]
其中，v
t
为t时刻风力机风速，v
co
为截止风速，vr风力机额定转速，v
cl
为切入风速；
[0029]
上述解释了不同风速下的风机功率，风机的额定功率记为c
p(rated)
，风速v1,v2,v3,
…
vn是大于切入速度且小于切断速度的连续速度，a1,b1,c1,d1,
…an
,bn,cn,dn为设计相关系数；
[0030]
燃气轮机发出相应功率对应成本为：
[0031][0032]
其中，为燃料成本，η
t
′
为t时刻燃气轮机发电效率，为燃气轮机t时刻产生功率，c
gas
为天然气单价；
[0033]
微电网分为孤岛型微电网和并网型微电网，孤岛型微电网中微电网和主电网不存在电气联系，并网型微电网则是微电网与主电网相结合，当负荷电量过多时向主电网购电，当发电量过多时则向主电网售电；采用时间函数tou区分电价，电价有三个区间：低价区、正常区、高价区，0-8：00为低价时段，9：00-11:00、17：00-19：00为正常时段，12：00-16：00、20：00-24：00为高价时段。
[0034]
上述基于改进遗传算法的微电网优化调度方法，所述步骤2)中，综合发电运行成本模型具体为：
[0035]
光伏运营成本为：
[0036][0037]
其中，α
pv
为光伏发电机维护系数，β
pv
为光伏发电机折旧系数值，γ
pv
为光伏发电机污染治理惩罚成本系数，其中太阳能光伏不能产生污染，γ
pv
等于零；
[0038]
运行中的风力发电机组运营成本c
wt
为：
[0039][0040]
其中，γw为风力发电机污染治理成本系数，βw为风力发电机折旧系数值，αw为风力发电机维护系数，其中风力发电机组运行过程中无污染排放，因此γw为零；
[0041]
燃气轮机运行成本为：
[0042][0043]
其中，γ
fc
为燃料电池污染治理成本系数，β
fc
为燃料电池折旧系数，α
fc
为燃料电池维护系数，其中燃料电池运行过程中无污染排放，因此γ
fc
为零；
[0044]
除燃料成本外，燃气轮机还有维护成本它与发电量p
mt
成正比，具体为：
[0045][0046]
其中，km为运行维护成本系数；
[0047]
燃气轮机在运行过程中会污染环境，环境惩罚成本如下：
[0048][0049]
其中，α
mt
，β
mt
，γ
mt
，λ和ζ为燃气轮机特征系数，σ为单位污染成本；
[0050]
燃气轮总成本包括燃料成本，维护成本，污染惩罚成本：
[0051][0052]
采用电池作为储能元件，储能元件运行成本为：
[0053][0054]
其中，为储能元件t时刻储能或者放电功率，γ
bat
为储能元件污染治理系数，β
bat
为储能元件折旧系数，α
bat
为储能元件维护系数，由于储能元件运行过程中不存在环境污染，则γ
bat
为零；
[0055]
与电网交互成本中，售电函数如下所示：
[0056][0057]
其中，为t时刻电网售电价，tou()为时间函数、为某一时刻对应的售电价格；
[0058]
同理，向电网购电成本函数为：
[0059][0060]
其中，为t时刻电网购电价，为某一时刻对应的购电价格；
[0061]
微电网总成本表示为：
[0062][0063]
分别为燃气轮机总成本和电网交互成本。
[0064]
上述基于改进遗传算法的微电网优化调度方法，所述步骤3)中，风险系数(失负率)模型具体为：
[0065][0066]
其中，lolp为风险系数，即失负荷率；δe
lolp
为失负荷电量，e
all
为系统负荷总需求量，ti为时间取样点。
[0067]
上述基于改进遗传算法的微电网优化调度方法，所述步骤4)中，所述系统约束条件模型具体为：
[0068]
功率平衡约束：
[0069]
p
load
+p
exceed
＝p
mt
+p
pv
+p
wt
+p
bat
+p
unmet
[0070]
其中，p
load
为负荷功率；p
exceed
为多余功率；p
mt
为燃气轮机功率；p
pv
为光伏电池产生功率；p
wt
为风力发电机产生功率；储能电池存在充放电，p
bat
为正时放电，为负时表示充电；p
unmet
表示未满足的符合需求的功率；
[0071]
分布式电源输出功率约束：
[0072][0073]
其中，p
wt-max
为风力发电系统最大的输出功率，p
pv-max
为光伏电池最大的输出功率，p
mt-rate
为燃气轮机的额定功率，k
mt-min
为燃气轮机最小功率运行系数；
[0074]
储能元件约束：
[0075][0076]
其中，soc
min
为储能元件soc最小电量限制值，soc
max
为最大电量限制值，p
bess
是储
能元件的充放电效率，-p
dh-max
、p
ch-max
为储能元件的最大充放电功率，soc0、soc
end
为储能元件初始与最终的荷电状态。
[0077]
上述基于改进遗传算法的微电网优化调度方法，所述步骤5)中，随机生成n个父代种群，该个体中成本矩阵、风险系数矩阵之中的变量取值，也就是个体染色体上面的基因，再计算个体适应度的值，即把个体变量放进目标函数中，计算总成本和风险系数的值。
[0078]
上述基于改进遗传算法的微电网优化调度方法，所述步骤6)中，从父代里面选择作为交叉变异的父代、母代个体，交叉即为父代个体，母代个体采用多点交叉直接进行两两配对，完成交叉后，设置10％的概率进行变异操作，具体为随机指定染色体上面的基因座的值进行替换，或者在一定范围内均匀选择并替换基因座的值。
[0079]
上述基于改进遗传算法的微电网优化调度方法，所述步骤7)中，令种群中个体为为xq和xw，若xq和xw适应度分别是和为xq的第m列适应度，若同时满足下列公式，则xq支配于xw；
[0080][0081][0082]
若个体之间没有互相支配，则将其放在一个非支配层，照此排序方法，将有的个体分层，并把处于第一非支配层称为帕累托前沿。
[0083]
上述基于改进遗传算法的微电网优化调度方法，所述步骤8)中，采用tent混沌映射来描述种群变化，数学公式如下：
[0084][0085]
xk是第k个混沌数，k为迭代次数，x
k+1
是第k+1个混沌数，α为tent混沌映射参数因子。
[0086]
上述基于改进遗传算法的微电网优化调度方法，所述步骤10)中，判断是否达到了种群的最大迭代次数，作为判断的终止条件，若t
die
＜gen max,那么,t
die
＝t
die
+1,否则跳出循环，从而获得此次优化的全局最优解；其中t
die
为第t次迭代，gen max为最大迭代次数。本发明的有益效果在于：本发明首先引入每时刻负荷以及各机组不同类型的电源出力，建立微电网中光伏机组模型、风力发电机组模型、燃气轮机模型、储能元件模型、电网交互模型、上网电价收益模型、环境污染惩罚模型以及综合发电运行成本和风险系数模型，以最小综合发电运行成本和最低风险系数为目标函数为优化目标，以电源功率、蓄电池约束以及功率平衡作为约束条件，并利用混沌非支配遗传算法进行求解，能够有效地避免算法陷入局部最优解以及陷入等幅振荡不收敛的情况，能够更加有效地指导微电网的调度工作，减少微电网综合运营成本，提高电力系统的稳定性。
附图说明
[0087]
图1为本发明的流程图。
[0088]
图2为本发明多点交叉示意图。
[0089]
图3为本发明均匀变异示意图。
[0090]
图4为本发明tent混沌映射示意图。
[0091]
图5为本发明改进算法的流程图。
[0092]
图6为本发明改进算法示意图。
[0093]
图7为实施例中储能优化策略流程图。
[0094]
图8为实施例中孤岛型微电网的帕累托前沿示意图。
[0095]
图9为实施例中孤岛型微电网目标函数1收敛情况示意图。
[0096]
图10为实施例中孤岛型微电网目标函数2收敛情况示意图。
[0097]
图11为实施例中孤岛型微电网负荷、光伏和风电出力示意图。
[0098]
图12为实施例中孤岛型微电网燃气轮机、柴油发电机和储能电池运行示意图。
[0099]
图13为实施例中孤岛型微电网储能优化策略示意图。
[0100]
图14为实施例中并网型微电网的帕累托前沿示意图。
[0101]
图15为实施例中并网型微电网目标函数1收敛情况示意图。
[0102]
图16为实施例中并网型微电网目标函数2收敛情况示意图。
[0103]
图17为实施例中并网型微电网负荷、光伏和风电出力示意图。
[0104]
图18为实施例中并网型微与主网交互、电网燃气轮机、柴油发电机和储能电池运行示意图。
[0105]
图19为实施例中并网型微电网储能优化策略示意图。
具体实施方式
[0106]
下面结合附图和实施例对本发明做进一步的说明。
[0107]
如图1所示，一种基于改进遗传算法的微电网优化调度方法，包括以下步骤：
[0108]
步骤1)引入一天内每个时刻机组的燃气轮机出力、风电出力、储能元件出力、光伏出力、电网交互出力以及负荷需求，进一步构建微电网中的电源与负荷平衡模型。
[0109]
各模型具体为：
[0110]
光伏出力中光伏转换效率η
t
为：
[0111][0112]
其中，η为太阳能光伏的效率，t为时间步长，θ0为25℃，am为空气质量值，θ
t
为太阳能光伏的温度，为1000wm-2
，am0为1.5，p、q、γ、s、u、t为光伏机组特征参数，由机组生产厂家出示。
[0113]
由此计算出光伏出力为：
[0114][0115]
其中，为光伏发电机t时刻的预测发电量，a为光伏面板的面积，为全球倾斜太阳辐照，n为光伏面板数量。
[0116]
风力机的能量预测模型为:风力机产生的功率取决于风速和装机容量。其他影响参数与特定风力机的形状、类型和功率曲线有关。
[0117][0118]
其中，为风力发电机t时刻的预测发电量，c
p
风电发电机组的功率曲线，n
wt
为风力发电机组数量，v
t
为t时刻的风速。
[0119]
风力发电机组的功率曲线c
p
取决于风力发电机组的规格和设计，可以推广为：
[0120][0121]
其中，v
t
为t时刻风力机风速，v
co
为截止风速，vr风力机额定转速，v
cl
为切入风速。
[0122]
上述解释了不同风速下的风机功率，风机的额定功率(功率曲线)记为c
p(rated)
，风速v1,v2,v3,
…
vn是大于切入速度且小于切断速度的连续速度，a1,b1,c1,d1,
…an
,bn,cn,dn为设计相关系数，由风力涡轮机生产商提供。
[0123]
燃气轮机发出相应功率对应成本为：
[0124][0125]
其中，为燃料成本，η
t
′
为t时刻燃气轮机发电效率，为燃气轮机t时刻产生功率，c
gas
为天然气单价。
[0126]
微电网分为孤岛型微电网和并网型微电网，孤岛型微电网中微电网和主电网不存在电气联系，并网型微电网则是微电网与主电网相结合，当负荷电量过多时向主电网购电，当发电量过多时则向主电网售电。采用时间函数tou区分电价，电价有三个区间：低价区、正常区、高价区。0-8：00为低价时段，9：00-11:00、17：00-19：00为正常时段，12：00-16：00、20：00-24：00为高价时段与主网交互购售电价如图18所示。
[0127]
步骤2)建立微电网优化调度模型，包括微电网中电网交互模型，上网电价收益模型、环境污染惩罚模型、进而构建综合发电运行成本模型。
[0128]
综合发电运行成本模型具体为：
[0129]
光伏运营成本为：
[0130][0131]
其中，α
pv
为光伏发电机维护系数，β
pv
为光伏发电机折旧系数值，γ
pv
为光伏发电机污染治理惩罚成本系数。其中太阳能光伏不能产生污染，γ
pv
等于零。
[0132]
运行中的风力发电机组还有一定的折旧费和维护费，可以用下面的公式计算：
[0133][0134]
其中，γw为风力发电机污染治理成本系数，βw为风力发电机折旧系数值，αw为风力
发电机维护系数，其中风力发电机组运行过程中无污染排放，因此γw为零。
[0135]
燃气轮机运行成本为：
[0136][0137]
其中，γ
fc
为燃料电池污染治理成本系数，β
fc
为燃料电池折旧系数，α
fc
为燃料电池维护系数，其中燃料电池运行过程中无污染排放，因此γ
fc
为零。
[0138]
除燃料成本外，燃气轮机还有一定的维护成本它与发电量p
mt
成正比，具体为：
[0139][0140]
其中，km为运行维护成本系数。
[0141]
燃气轮机在运行过程中会污染环境，环境惩罚成本如下：
[0142][0143]
其中，α
mt
，β
mt
，γ
mt
，λ和ζ为燃气轮机特征系数，σ为单位污染成本。
[0144]
燃气轮总成本包括燃料成本，维护成本，污染惩罚成本：
[0145][0146]
采用电池作为储能元件，储能优化策略如图7所示，储能元件运行成本为：
[0147][0148]
其中，为储能元件t时刻储能或者放电功率，γ
bat
为污染治理系数，β
bat
为折旧系数，α
bat
为维护系数。由于储能元件运行过程中不存在环境污染，则γ
bat
为零。
[0149]
与电网交互成本中，售电函数如下所示：
[0150][0151]
其中，为t时刻电网售电价，tou()为时间函数、为某一时刻对应的售电价格；
[0152]
同理，向电网购电成本函数为：
[0153][0154]
其中，为t时刻电网购电价，为某一时刻对应的购电价格；
[0155]
微电网总成本表示为：
[0156][0157]
分别为燃气轮机总成本和电网交互成本。
[0158]
步骤3)利用微电网中可用电量无法满足负荷需求，得出失负荷电量。采用失负荷率作为风险系数直观体现出微电网的可靠性。
[0159]
风险系数(失负率)模型具体为：
[0160][0161]
其中，lolp为风险系数，即失负荷率；δe
lolp
为失负荷电量，e
all
为系统负荷总需求量，ti为时间取样点。
[0162]
步骤4)以最小综合发电运行成本和最低风险系数为目标函数为优化目标模型，通过功率平衡约束、储能电池出力上下限，储能电池荷电量约束、火电机组出力上下限约束、水电机组出力上下限约束、光伏出力上下限约束、风电出力上下限约束等构建系统约束条件模型。
[0163]
约束条件具体为：
[0164]
功率平衡约束：
[0165]
p
load
+p
exceed
＝p
mt
+p
pv
+p
wt
+p
bat
+p
unmet
[0166]
其中，p
load
为负荷功率，p
exceed
为多余功率，p
mt
为燃气轮机功率，p
pv
为光伏电池产生功率，p
wt
为风力发电机产生功率，储能电池存在充放电，p
bat
为正时放电，为负时表示充电，p
unmet
表示未满足的符合需求的功率。
[0167]
分布式电源输出功率约束：
[0168][0169]
其中，p
wt-max
为风力发电系统最大的输出功率，p
pv-max
为光伏电池最大的输出功率，p
mt-rate
为燃气轮机的额定功率，k
mt-min
为燃气轮机最小功率运行系数，一般取0.3。
[0170]
储能元件约束：
[0171][0172]
其中，soc
min
为储能元件soc最小电量限制值，soc
max
为最大电量限制值，p
bess
是储能元件的充放电效率，-p
dh-max
、p
ch-max
为储能元件的最大充放电功率，soc0、soc
end
为储能元件初始与最终的荷电状态。
[0173]
步骤5)满足约束条件的情况下，随机生成n个父代种群。
[0174]
随机生成n个父代种群，该个体中成本矩阵、风险系数矩阵之中的变量取值，也就是个体染色体上面的基因，再计算个体适应度的值(即把个体变量放进目标函数中，计算总成本和风险系数的值)。
[0175]
步骤6)交叉、变异生成n个子代种群，并结合产生2n个父子代种群。
[0176]
从父代里面选择作为交叉变异的父代、母代个体，交叉即为父代个体，母代个体采用多点交叉直接进行两两配对，多点交叉如图2所示，完成交叉后，通常设置10％的概率进行变异操作，具体为随机指定染色体上面的基因座的值(可以是一位，也可以是几位)进行替换，或者在一定范围内，均匀选择并替换基因座的值，均匀变异如图3所示。
[0177]
步骤7)对新的父子代种群非支配排序，个体之间没有互相支配，则将其放在一个非支配层，并从第一非支配层开始构建n1个子代个体，若子代个体大小等于n1时停止，令该子代个体的数目为n
t
；若n
t
超过n1，则保留该非支配层，从而使得该部分子代数目等于n1。
[0178]
令种群中个体为为xq和xw，若xq和xw适应度分别是和为xq的第m列适应度，若同时满足下列公式，则xq支配于xw；
[0179][0180][0181]
若个体之间没有互相支配，则将其放在一个非支配层，照此排序方法，将有的个体分层，并把处于第一非支配层称为帕累托前沿。
[0182]
步骤8)对步骤7)中被淘汰的2n-n1个种群采用tent混沌映射，从新个体中筛选得到n2个优胜子代个体；
[0183]
采用tent混沌映射来描述种群变化，混沌映射如图4所示，数学公式如下
[0184][0185]
xk是第k个混沌数，k为迭代次数，x
k+1
是第k+1个混沌数，α为tent混沌映射参数因子。
[0186]
步骤九：把n1个子代个体和n2个优胜子代个体合并成真正子代种群，将合并的n个个体的子代种群作为下一次迭代的父代种群，再进行非支配排序，得到本次迭代得最优解集即为第一非支配层的个体集。
[0187]
依次将被淘汰的2n-n1个个体进行tent混沌映射，从而产生2n-n1个个体，同样对该个体集进行非支配排序，建立非支配层，再基于参考点选择n2个优胜的子代个体，并将n2个优胜的子代个体和交叉、变异产生的n1个优胜子代个体结合，得出本次迭代的真正子代个体。
[0188]
步骤十：重复步骤六到十，直至算法收敛，得出各类型电源出力最优策略。
[0189]
所述步骤十中，判断是否达到了种群的最大迭代次数，作为判断的终止条件，若t
die
＜gen max,那么,t
die
＝t
die
+1,否则跳出循环，从而获得此次优化的全局最优解，其中t
die
为第t次迭代，gen max为最大迭代次数，算法流程图和示意图如图5-6所示。
[0190]
最后求解出微电网各电源出力，孤岛型微电网求解结果如图8-13所示，并网型微电网如图14-19所示。其中图8为实施例中孤岛型微电网的帕累托前沿示意图。图9为实施例中孤岛型微电网目标函数1(总体运行成本)收敛情况示意图。图10为实施例中孤岛型微电网目标函数2(风险系数)收敛情况示意图。
[0191]
图11为实施例中孤岛型微电网负荷、光伏和风电出力示意图。由图可知，在满足负荷正常需求的同时，该算法提高了孤岛型微电网中新能源(风电、光伏)的利用效率。图12为实施例中孤岛型微电网燃气轮机、柴油发电机和储能电池运行示意图。图13为实施例中孤岛型微电网储能优化策略示意图，在满足基本负荷的供给的前提下，该算法尽可能的减少了储能元件的消耗。图14为实施例中并网型微电网的帕累托前沿示意图。图15为实施例中
并网型微电网目标函数1(总体运行成本)收敛情况示意图。图16为实施例中并网型微电网目标函数2(风险系数)收敛情况示意图。图17为实施例中并网型微电网负荷、光伏和风电出力示意图由图可知，在满足负荷正常需求的同时，该算法提高了孤岛型微电网中新能源(风电、光伏)的利用效率。图18为实施例中并网型微与主网交互、电网燃气轮机、柴油发电机和储能电池运行示意图。