本发明涉及数字能源管理,具体为一种基于遗传算法的微电网储能调度实现方法。
背景技术:
1、目前,提升清洁能源占比,提高分布式能源使用效率,有效节能减少碳排放,成为企业亟需解决的问题。但新能源发电具有一定的周期性,例如光伏发电量的昼夜偏差、风力发电与水力发电的季节性差异。因此,利用储能装置在用电低谷期蓄电、用电高峰期放电,进行电力资源调度,达到削峰填谷的效果。以微电网运行优化为例,有效解决微电网中储能调度问题,可提升用户的综合能源管理能力,提高用户的资源利用效率。
2、现有技术中,微电网是由分布式电源、储能装置、能源转换装置、负荷、监控和保护装置等组成的小型发配电系统。一般而言,微电网系统包含光伏发电系统、风机发电系统、水力发电系统等新能源发电系统、蓄电池以及常规负载负荷。大型工业园区昼夜的平均电力需求差距巨大,会对发电厂机组的启停及运行效率产生影响,导致工业园区存在停电风险。利用储能蓄电池对于微电网进行储能调度,可以降低停电风险,增强微电网运行的可靠性。针对储能装置的有效调度,可以实现负荷的削峰填谷,降低发电机组的启停次数,减少超高负荷与低负荷的运行时间,提高发电设备的使用效率。因此,针对微电网的储能调度研究,具有丰富的现实研究价值。
3、并且,在储能调度研究方面,学术界主要有随机优化、鲁邦优化及动态规划算法等方法。基于随机优化理论的场景分析法,用于解决综合能源系统能量协调优化调度问题,首先利用0-1规划对调度场景进行分类消减,筛选出若干个典型场景;然后基于每个场景建立容量规划模型,转变成混合整数线性规划问题进行求解;最后利用交叉组合方法得到成本最低的规划方案组合。基于鲁邦优化的方法,用于解决电-热转移负荷不确定性因素影响下的能源系统规划问题,一些学者利用不确定性集刻画出不确定性因素,求取最坏情况下的最优运行方案,但是该种方法通常选取不到合适的不确定性集。基于动态规划的方法,以风光储联合发电系统的总费用最低为目标,建立模型实现储能装置的优化控制。
4、综上所述,微电网范围内的储能调度,发展出一种更为有效的储能调度实现方法,对于微电网的安全运行意义重大。
技术实现思路
1、本发明的目的在于提供一种基于遗传算法的微电网储能调度实现方法,以解决上述背景技术中提出的问题。
2、为实现上述目的,本发明提供如下技术方案:一种基于遗传算法的微电网储能调度实现方法,所述微电网储能调度实现方法包括以下步骤:
3、s1.设定调度环境参数,储能调度周期为t,调度周期内的调度次数为n,调度时段为δt=t/n;一个调度周期内,光伏发电功率的预测值为{p1,p2,…,pn},水力发电功率的预测值为{h1,h2,…,hn},负荷装置的功率预测值为{l1,l2,…,ln};假定蓄电池储能装置的调度功率变量为{b1,b2,…,bn},bi>0表示蓄电池处于充电状态,bi<0表示蓄电池处于放电状态;其中调度周期t为大于0的实数,n为正整数;当1≤i≤n时,pi、hi、li均为大于0的实数,bi为实数;
4、s2.计算光伏发电与水力发电的总费用;设定光伏发电成本为wp元/kwh,wp为大于0的实数,则光伏发电的总费用fp如下:
5、
6、设定水力发电成本为wh元/kwh,wh为大于0的实数,则水力发电的总费用fh如下:
7、
8、s3.利用调度功率变量,将蓄电池储能装置充放电的总成本进行表示;设定蓄电池储能装置的充放电成本为wb元/kwh,wb为大于0的实数,则储能装置的总成本fb如下:
9、
10、s4.计算微电网与电网主网进行电力交换时的总费用ft;微电网运行时,除新能源发电与蓄电池储能装置供电外,其他电量由电网主网进行提供,设定电力交换的成本为we元/kwh,
11、
12、其中为大于0的实数,表示第i个调度时段的分时电价;
13、s5.建立储能调度模型所需的约束条件;根据调度周期内的蓄电池储能装置状态,保证微电网平稳安全运行;
14、s6.计算调度周期内微电网运行总费用,将之作为目标函数,建立储能调度模型;
15、s7.通过建立线性规划问题,生成调度模型的初始解
16、s8.将步骤s7中作为调度模型的初始迭代解,采取遗传算法进行调度模型求解,得到调度功率预测值
17、优选的,所述步骤s4中,具体做法如下:
18、s4.1设定微电网状态变量z={0,1};设定z=1表示微电网向电网主网购买电量,z=0表示微电网向电网主网售卖电量;
19、s4.2计算微电网与电网主网进行电力交换时,所需的交换功率;根据调度周期内的光伏发电功率预测值{p1,p2,…,pn}、水力发电功率预测值{h1,h2,…,hn},负荷装置的功率预测值为{l1,l2,…,ln},以及蓄电池储能装置的调度功率变量为{b1,b2,…,bn},则可得到交换功率如下:
20、ei=li+bi-(pi+hi)
21、其中1≤i≤n,ei表示第i个调度时段内的微电网与电网主网间的交换功率;
22、s4.3计算微电网与电网主网进行电力交换时的总费用,如下所示:
23、
24、如上式所示,微电网向电网售卖电量时,交换总费用为负值,反之为正值。
25、优选的,所述步骤s5中,具体做法如下:
26、s5.1设定微电网与电网主网的交换功率范围限制
27、emin≤ei≤emax
28、其中ei∈{e1,e2,…,en}为第i个调度时段内的微电网与电网主网间的交换功率,emin、emax分别表示交换功率的最小值与最大值,两者皆为正整数;
29、s5.2设定蓄电池储能装置充放电调度功率范围限制
30、bmin≤bi≤bmax
31、其中bi∈{b1,b2,…,bn}为第i个调度时段内的蓄电池储能装置调度功率,bmin、bmax分别表示调度功率的最小值与最大值,两者皆为正整数;
32、s5.3设定蓄电池储能装置的荷电状态(soc)范围限制
33、smin≤soci≤smax
34、其中soci为第i个调度时段内的蓄电池储能装置的荷电状态;smin、smax分别表示荷电状态的最小值与最大值,两者皆为正整数;
35、设定蓄电池储能装置的额定容量为eb,额定容量为正整数;在调度时段内,soci的计算方式如下:
36、
37、其中1≤i≤n,soc0为调度周期开始时刻的荷电状态;
38、s5.4在调度周期内,设定蓄电池储能装置的调度功率整体变化范围限制;
39、
40、在相邻的调度周期,上述约束表示蓄电池可以保持一定连续且平衡的状态;其中ε表示无穷小量。
41、优选的,所述步骤s6中,具体做法如下:
42、s6.1依据步骤s2-s4中所计算新能源发电费用、蓄电池储能装置充放电总成本、微电网与电网主网进行电力交换时的总费用,得到微电网运行总费用f,如下
43、f=ft+fb+fh+fp
44、上述方程是关于调度功率变量{b1,b2,…,bn}的n元一次方程,证明如下
45、
46、等式最后两项对于变量{b1,b2,…,bn}为常量,利用δ表示,由步骤s4.2可知ei=li+bi-(pi+hi),上式可变化为
47、
48、
49、显然,上式为{b1,b2,…,bn}的n元一次方程;
50、s6.2建立储能调度模型如下
51、
52、调度模型以最小化调度总费用为目标函数,需要满足的约束条件如步骤s5所示。
53、优选的,所述步骤s7中,具体做法如下
54、s7.1整理约束条件,步骤s5中emin、emax、bmin、bmax、smin、smax、eb、nmin、nmax、soc0均为已知常数;
55、在第i个调度时段内,由步骤s5.1可知ei=li+bi-(pi+hi)为bi的线性函数;由步骤s5.3可知为{b1,b2,…,bi}与soc0的线性函数;另外,步骤s5.2中bi与步骤s5.4中显然为{b1,b2,…,bn}的相关线性函数,因此步骤s5中叙述的各约束条件,全部为{b1,b2,…,bn}与soc0的线性函数;
56、s7.2建立线性规划方程,求得现有约束条件下的{b1,b2,…,bn}可行解;
57、目标函数如下
58、
59、约束条件如下
60、bmin≤bi≤bmax
61、smin≤soci≤smax
62、
63、上述约束条件中,1≤i≤n,ε可取接近于0值的正实数,例如ε=1e-8;利用现有线性规划方法,例如单纯形法、对偶单纯形法等,可得到线性规划问题的解
64、优选的,所述步骤s8中,具体做法如下
65、s8.1利用随机生成的方式产生初始种群x(0),x(0)={x1(0),x2(0),…,xc(0)},共c个个体,其中c>3;
66、若步骤s7中存在线性规划问题的解,则将解加入到初始种群中,如下式所示
67、
68、上述设定可使得算法在第一轮迭代中,立即进入训练状态,避免寻找初始可行解的若干迭代过程;
69、若步骤s7中不存在线性规划问题的解,则初始种群不做处理;
70、s8.2基于初始种群,开始进行算法迭代。设定最大迭代次数为max_iteration;
71、s8.3在第i次迭代中,
72、x(i)={x1(i),x2(i),…,xc(i)}
73、xj(i)={xj1(i),xj2(i),…,xjn(i)}
74、其中xj(i)表示第i次迭代的第j个个体;对于每个xjk(i)∈xj(i),xjk(i)表示第k个分量,1≤k≤n;
75、顺次执行下述步骤:
76、s8.3.1执行变异策略;从当前迭代种群x(i)中随机选取3个互不相同的个体,例如为x1(i)、x2(i)、x3(i),则变异策略如下
77、s(i+1)=[s1(i+1),s2(i+1),…,sn(i+1)]
78、sj(i+1)={sj1(i+1),sj2(i+1),…,sjn(i+1)}
79、sjk(i+1)=x1k(i)+f*[x2k(i)-x3k(i)]
80、其中1≤j≤c,1≤k≤n,f∈[0,2]为实数;sj(i+1)表示第i+1次迭代的第j个个体的第k个分量,x1j(i)表示所选取的随机个体x1(i)的第k个分量,x2k(i)、x3k(i)的含义类似;
81、s8.3.2执行交叉策略;任意选取小数a1∈[0,1]与整数a2∈[1,n],执行下述操作
82、g(i+1)=[g1(i+1),g2(i+1),…,gn(i+1)]
83、gj(i+1)={gj1(i+1),gj2(i+1),…,gjn(i+1)}
84、对于每一个1≤j≤c、1≤k≤n,当a1≤cr或者a2=j时,有gjk(i+1)=sjk(i+1);反之,gjk(i+1)=xjk(i);
85、s8.3.3执行选择策略;对于每一个gj(i+1)∈g(i+1)与x(i)∈x(i),计算步骤s6.2中目标函数值f[gj(i+1)]与f[x(i)],若f[gj(i+1)]<f[x(i)],则接受x(i+1)=gj(i+1),否则,x(i+1)=x(i);
86、然后计算当前迭代中的最优个体,即对f[x(i+1)]进行从小到大排序,选取最小值对应的个体;
87、
88、s8.3.4迭代次数i=i+1。判断当前迭代次数i是否超过最大迭代次数max_iteration,若是,则结束迭代,输出的储能调度模型的最优解反之,返回步骤s8.3.1。
89、与现有技术相比,本发明的有益效果是:
90、本发明提出的基于遗传算法的微电网储能调度实现方法,建立附带约束条件的储能调度模型。考虑光伏发电、水力发电等新能源发电、负荷装置、蓄电池储能装置的微电网系统,清晰明了的计算出各个部分的所需成本,结合约束条件,建立起以微电网运行总费用最低为目标的调度模型。解决了现有技术方案中,构建模型繁琐、组成部分关系复杂的问题,有利于快速构建储能调度模型与理解微电网运行机制;通过在调度模型约束条件的基础上,构建出线性规划问题,进而求得调度模型的初始解。解决了常规遗传算法寻找初始解时间过长、迭代速度慢的问题,快速的生成调度模型的有效可行解。