基于粒子群优化算法的微电网优化调度方法技术

本发明专利技术揭示了一种基于粒子群优化算法的微电网优化调度方法，包括建立微电网双层优化调度模型、设计粒子群优化算法，并选择一个合适的惯性权重、上层优化调度模型与下层优化调度模型进行仿真优化、根据仿真优化结果，调度微电网中的可调负荷；本发明专利技术以双层粒子群算法对微电网进行优化调度，能够在提高系统供电多样性的同时，大大降低系统的用电成本；另外，本发明专利技术提出了的微电网双层优化调度模型，可以大大增加光伏发电的利用率，并降低化石燃料的使用；同时，本发明专利技术的方法计算量小，存储量小，操作简单，便于理解使用。

【技术实现步骤摘要】
基于粒子群优化算法的微电网优化调度方法
本专利技术涉及一种微电网优化调度方法，尤其涉及一种基于粒子群优化算法的微电网优化调度方法，属于配电网优化调度领域。
技术介绍
面对化石能源日益枯竭和化石燃料利用带来的环境污染等问题，加快风能、太阳能、地热能、潮汐能、生物能等可再生能源和发展智能电网技术，已经成为世界各国的共识。截至目前，世界可再生能源发电的比例都得到极大的提升；同时，有越来越多的新能源需要并网消纳。然而，现有的新能源例如太阳能、风能等，发电存在着不稳定性和间歇性，且在利用上存在太多的不确定性，而且容易造成很大的能源浪费。虽然新能源发电能源近似免费而且储量丰富，但是发电设备造价昂贵，且不可无限制的提高装机容量。为了解决这些问题，就带动了储能技术的发展，即通过蓄电池进行储能可以有效的缓解新能源发电带来的问题，增加新能源发电的稳定性，增加利用率。因为新能源发电和用户用电时间不尽相同，在发电高峰可能负荷需求较低，而在发电低谷时，负荷需求可能较大，因此这就需要通过蓄电池储存多余能量来解决这个问题，将发电高峰时多余能量吸收储存起来，在发电低谷时提供给负荷使用，但这需要储能装置配置容量充足并频繁的充放电，进而导致系统运行成本很高。因此研究微电网优化调度方法，通过源-荷友好互动，降低储能的配置容量和充放电次数，提高储能装置的使用寿命，至关重要。另外，随着可再生能源越来越多的使用，电网的组成也越来越复杂，供电方式也越来越多样化，选择合适的供电方式，能够使系统的成本得到有效的控制。综上所述，如何提供一种基于粒子群优化算法的微电网优化调度方法，就成为本领域技术人员亟待解决的问题。
技术实现思路
本专利技术的目的是为了解决现有技术的上述缺陷，提出的一种双层调度策略：即上层通过调度可调负荷，来使得负荷曲线拟合光伏发电曲线，尽可能减轻储能调度的压力；下层通过蓄电池的作用来平抑光伏发电能量，同时通过柴油机来辅助发电，尽可能减少发电成本；与传统调度光伏发电不同，可以大大增加对光伏发电的利用率，进而大大降低系统的运行成本，获得最大经济效益。本专利技术的技术解决方案是：基于粒子群优化算法的微电网优化调度方法，包括以下步骤：S1：建立微电网双层优化调度模型，微电网双层优化调度模型包括上层优化调度模型与下层优化调度模型；S11：建立上层优化调度模型，并设置第一变量约束；S12：建立下层优化调度模型，并设置第二变量约束；S2：设计粒子群优化算法，并选择一个合适的惯性权重；S3：将步骤S11中的上层优化调度模型与S12中的下层优化调度模型进行仿真优化；S4：根据步骤S3的仿真优化结果，调度微电网中的可调负荷。优选地，所述步骤S11中的上层优化调度模型为：其中，是每个周期的光伏发电；是调度前每个周期负荷；是调度后每个周期的负荷；是每个周期从其他周期调度到本周期的负荷；是每个周期从本周期调度到其他周期的负荷。优选地，所述步骤S11中的第一变量约束为：其中，是每个周期接收其他周期调度的最大负荷数；表示每个周期调度出去的最大负荷数。优选地，所述步骤S12中的下层优化调度模型为：C＝ω0Cg＋(1-ω0)Cb其中，Cg是柴油发电机的成本函数；Pk是柴油发电机的功率；Cb是蓄电池的成本函数；PS，k是蓄电池的充放电功率；ηd是蓄电池的放电效率；ηc是蓄电池的充电效率；uk表示蓄电池的充放电状态；a、b、c和d都是成本系数；ω0是权重系数；f(PS，k)是惩罚成本。优选地，所述步骤S12中的第二变量约束为：Pk+PS，k＝Pr其中，Pr是调度之后本周期剩余的负荷；Bmax和Bmin分别是充放电之后蓄电池剩余能量的上下限；和分别是蓄电池放电功率的上下限；和分别是蓄电池充电功率的上下限；和分别是柴油机功率的上下限。优选地，所述步骤S2中的粒子群优化算法包括以下迭代公式：Vi(k+1)＝ω*Vi(k)+C1r1(pik-XiD)+C2r2(pgk-XiD)Xi(k+1)＝Xi(k)+Vi(k)其中，Vi(k)表示粒子当前的速度；Xi(k)表示粒子当前的位置；pik表示粒子的个体极值；pgk表示粒子的全局极值。优选地，所述步骤S3中的仿真优化是将步骤S11中的上层优化调度模型与S12中的下层优化调度模型均根据所述迭代公式进行迭代信息更新优化，且达到结束条件时结束更新优化。优选地，所述迭代信息包括个体极值、全局极值、位置及速度；所述结束条件为迭代次数达到设定的最大迭代次数或者成本达到设定的成本目标。优选地，所述步骤S3中对上层优化调度模型与下层优化调度模型进行仿真优化的优化步骤包括：S301：初始化上层粒子的数量、种群、初始速度和位置，并随机生成初始速度和初始位置；S302：通过所述上层优化调度模型计算上层粒子自适应度；S303：将步骤S302中计算的自适应度值与上层粒子的个体极值和全局极值进行比较，然后更新上层粒子的个体极值和全局极值；S304：根据迭代公式更新步骤S303中的个体极值与全局极值，并更新上层粒子的速度和位置；S305：当步骤S304中的更新达到结束条件就结束优化，否则返回至步骤S303，直到达到优化结果为止；S306：初始化下层粒子的数量、种群、初始速度和位置，并随机生成初始速度和初始位置；S307：通过所述下层优化调度模型计算下层粒子自适应度；S308：将步骤S307中计算的自适应度值与下层粒子的个体极值和全局极值进行比较，然后更新下层粒子的个体极值和全局极值，并更新下层粒子的个体极值与全局极值；S309：根据迭代公式更新步骤S308中的个体极值与全局极值，并更新下层粒子的速度和位置；S310：当步骤S309中的更新达到结束条件就结束优化，并执行步骤S4，否则返回至步骤S301。优选地，所述步骤S3中的仿真优化包括惩罚成本函数、蓄电池充电时的成本函数及蓄电池放电时的成本函数；惩罚成本函数f(PS，k)：其中，DODk是蓄电池的放电深度；Bmax表示蓄电池的最大能量；Bt-1表示蓄电池前一个状态的能量；Δt是调度周期；蓄电池充电时的成本函数为：Cb＝d(1-uk)(1-ηc)PS，k+v[(1-DODk)Bmax-(Bt-1+(1-uk)ηcPS，kΔt)]蓄电池放电时的成本函数为：本专利技术提供了基于粒子群优化算法的微电网优化调度方法，其优点主要体现在：1.本专利技术以双层粒子群算法对微电网进行优化调度，能够在提高系统供电多样性的同时，大大降低系统的用电成本；2.本专利技术提出了的微电网双层优化调度模型，可以大大增加光伏发电的利用率，并降低化石燃料的使用；3.本专利技术的方法计算量小，存储量小，操作简单，便于理解使用。以下便结合实施例附图，对本专利技术的具体实施方式作进一步的详述，以使本专利技术技术方案更易于理解、掌握。附图说明图1是本专利技术的流程图；图2是本专利技术中实施例的系统结构图；图3是本专利技术中实施例的优化过程图；图4是本专利技术中优化调度前负荷与光伏发电曲线图；图5是本专利技术中实施例的优化调度前微电网的成本；图6是本专利技术中实施例的优化调度后微电网的成本。具体实施方式基于粒子群优化算法的微电网优化调度方法，包括以下步骤：S1：建立微电网双层优化调度模型，微电网双层优化调度模型包括上层优化调度模型与下层优化调度模型；S11：建立上层优化调度模型，并设置第一变量约束；其中，步本文档来自技高网...

【技术保护点】
1.基于粒子群优化算法的微电网优化调度方法，其特征在于，包括以下步骤：S1：建立微电网双层优化调度模型，微电网双层优化调度模型包括上层优化调度模型与下层优化调度模型；S11：建立上层优化调度模型，并设置第一变量约束；S12：建立下层优化调度模型，并设置第二变量约束；S2：设计粒子群优化算法，并选择一个合适的惯性权重；S3：将步骤S11中的上层优化调度模型与S12中的下层优化调度模型进行仿真优化；S4：根据步骤S3的仿真优化结果，调度微电网中的可调负荷。

【技术特征摘要】
1.基于粒子群优化算法的微电网优化调度方法，其特征在于，包括以下步骤：S1：建立微电网双层优化调度模型，微电网双层优化调度模型包括上层优化调度模型与下层优化调度模型；S11：建立上层优化调度模型，并设置第一变量约束；S12：建立下层优化调度模型，并设置第二变量约束；S2：设计粒子群优化算法，并选择一个合适的惯性权重；S3：将步骤S11中的上层优化调度模型与S12中的下层优化调度模型进行仿真优化；S4：根据步骤S3的仿真优化结果，调度微电网中的可调负荷。2.根据权利要求1所述的基于可调负荷的微电网优化调度方法，其特征在于：所述步骤S11中的上层优化调度模型为：其中，是每个周期的光伏发电；是调度前每个周期负荷；是调度后每个周期的负荷；是每个周期从其他周期调度到本周期的负荷；是每个周期从本周期调度到其他周期的负荷。3.根据权利要求1所述的基于可调负荷的微电网优化调度方法，其特征在于：所述步骤S11中的第一变量约束为：其中，是每个周期接收其他周期调度的最大负荷数；表示每个周期调度出去的最大负荷数。4.根据权利要求1所述的基于可调负荷的微电网优化调度方法，其特征在于：所述步骤S12中的下层优化调度模型为：C＝ω0Cg+(1-ω0)Cb其中，Cg是柴油发电机的成本函数；Pk是柴油发电机的功率；Cb是蓄电池的成本函数；PS，k是蓄电池的充放电功率；ηd是蓄电池的放电效率；ηc是蓄电池的充电效率；uk表示蓄电池的充放电状态；a、b、c和d都是成本系数；ω0是权重系数；f(PS，k)是惩罚成本。5.根据权利要求1所述的基于可调负荷的微电网优化调度方法，其特征在于：所述步骤S12中的第二变量约束为：Pk+PS，k＝Pr其中，Pr是调度之后本周期剩余的负荷；Bmax和Bmin分别是充放电之后蓄电池剩余能量的上下限；和分别是蓄电池放电功率的上下限；和分别是蓄电池充电功率的上下限；和分别是柴油机功率的上下限。6.根据权利要求1所述的基于可调负荷的微电网优化调度方法，其特征在于：所述步骤S2中的粒子群优化算法包括以下迭代公式：Vi(k+1)＝ω*Vi(k)+C1r1(pik-XiD)+C2r2(pgk-XiD)Xi(k+1)＝Xi(k)+Vi(k)其中，Vi(k)表示粒子当前的速度；Xi(k)表示粒子当前的位置；pik表示粒子的个体极值；pgk表示粒子的全局极值。...

【专利技术属性】
技术研发人员：窦春霞，姚江松，岳东，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32