基于无中心粒子群算法的分布式储能装置调度方法及装置制造方法及图纸

本发明专利技术公开了基于无中心粒子群算法的分布式储能装置调度方法及装置，所述方法包括：根据分布式储能装置的架构构建包含智能计算节点的拓扑结构，并确定每个节点的邻居节点；构建目标函数优化模型并设定约束条件；粒子群初始化；建立粒子群的适应度函数；每个节点进行适应度函数值计算，每个节点与其邻居节点交互信息并更新各参数，直到当前迭代次数达到预设的迭代次数K，输出优化结果；本发明专利技术的优点在于：邻居节点之间有数据交互，实时协同，数据处理准确全面，避免陷入局部最优。

Distributed energy storage device scheduling method and device based on centreless particle swarm optimization

【技术实现步骤摘要】
基于无中心粒子群算法的分布式储能装置调度方法及装置
本专利技术涉及分布式储能装置调度领域，更具体涉及基于无中心粒子群算法的分布式储能装置调度方法及装置。
技术介绍
随着中国经济的飞速发展，电力负荷谷峰差逐年增大，电力负荷供需不平衡现象日益严重。近年来，储能系统已被广泛应用用电领域，在电力系统中起到关键作用。储能系统不仅能够提高电能质量，而且可以起到“削峰填谷”、调峰和新能源消纳的作用，有助于电能的优化分配与利用。随着科学的发展，储能技术的逐渐成熟，利用储能系统转移峰谷差已经成为电力系统中削峰填谷的重要手段。传统削峰填谷算法中，由于求解目标函数维度过高，利用普通的中心粒子群算法耗时耗力。中国专利公开号CN103259258A，公开了一种微电网及其控制方法和装置。该微电网的控制方法包括：获取微电网的目标函数中预定运行参数的值，其中，目标函数与微电网的运行成本相对应，由多个运行参数的混合运算构成；获取目标函数的约束条件，其中，约束条件包括环境约束条件；根据约束条件和获取到的运行参数值，计算目标函数值最小时，目标函数中未知运行参数的值，以得到微本文档来自技高网...

【技术保护点】
1.基于无中心粒子群算法的分布式储能装置调度方法，其特征在于，所述方法包括：/n步骤一：根据分布式储能装置的架构构建包含智能计算节点的拓扑结构，并确定每个节点的邻居节点；/n步骤二：构建目标函数优化模型并设定约束条件；/n步骤三：粒子群初始化；/n步骤四：根据目标函数优化模型和约束条件，建立粒子群的适应度函数；/n步骤五：每个节点进行适应度函数值计算，每个节点与其邻居节点交互信息并更新各参数，直到当前迭代次数达到预设的迭代次数K，输出优化结果。/n

【技术特征摘要】
1.基于无中心粒子群算法的分布式储能装置调度方法，其特征在于，所述方法包括：
步骤一：根据分布式储能装置的架构构建包含智能计算节点的拓扑结构，并确定每个节点的邻居节点；
步骤二：构建目标函数优化模型并设定约束条件；
步骤三：粒子群初始化；
步骤四：根据目标函数优化模型和约束条件，建立粒子群的适应度函数；
步骤五：每个节点进行适应度函数值计算，每个节点与其邻居节点交互信息并更新各参数，直到当前迭代次数达到预设的迭代次数K，输出优化结果。


2.根据权利要求1所述的基于无中心粒子群算法的分布式储能装置调度方法，其特征在于，所述步骤二中，
所述目标函数优化模型为：其中，m表示储能装置个数，t表示调度周期数，Pbat,m(t)表示t周期内每个储能装置的功率大小，H(t)表示优化函数值，Bm表示第m个储能装置的调度成本系数，Am表示第m个储能装置的损耗系数；
所述约束条件为：其中，P(t)表示t周期内所削峰填谷功率需求量，Pmin表示储能装置的最低功率，Pmax表示储能装置的最大功率，SOCsta表示储能装置的起始荷电系数，SOCfin表示储能装置调度周期结束后的荷电系数，SOCmin表示储能装置最低荷电系数，SOC表示储能装置荷电系数，SOCmax表示储能装置最高荷电系数。


3.根据权利要求2所述的基于无中心粒子群算法的分布式储能装置调度方法，其特征在于，所述步骤三包括：设定最大迭代次数K、粒子群中粒子总数、粒子的维度、粒子的搜寻空间、粒子的最大速度vmax，并随机初始化每个粒子的初始速度vi,j和初始位置xi,j(t)。


4.根据权利要求3所述的基于无中心粒子群算法的分布式储能装置调度方法，其特征在于，所述步骤四包括：根据目标函数优化模型和约束条件，建立粒子群的适应度函数i表示第i个节点，j表示第j个粒子，fiti表示第i个节点的适应度函数值，xi,j(t)表示第i个节点的第j个粒子的初始位置，min为求最小值函数。


5.根据权利要求4所述的基于无中心粒子群算法的分布式储能装置调度方法，其特征在于，所述步骤五包括：
步骤501：根据第i个节点的第j个粒子的初始速度和初始位置，利用粒子群的适应度函数，获取第i个节点的第j个粒子的当前适应度函数值；
步骤502：第i个节点的第j个粒子的当前适应度函数值与其历史适应度函数值比较选取最小值作为第i个节点的第j个粒子的当前最优适应度函数值，根据所有粒子的当前最优适应度函数值，利用公式Gbest,ik＝min{Pbest,ik(1),…Pbest,ik(j)}获取当前全局最优适应度函数值；
步骤503：利用公式
v'i,j＝vi,j+c1×rand()×(Pbest,ik(j)-xi,j(t))+c2×rand()×(Gbest,ik-xi,j(t))
获取一次更新后的速度；利用公式x'i,j(t)＝xi,j(t)+vi,j获取一次更新后的位置，其中，vi,j表示第i个节点的第j个粒子的初始速度，xi,j(t)表示第i个节点的第j个粒子的初始位置，k表示当前迭代次数，Pbest,ik(j)表示节点i迭代到k次时，j粒子的当前最优适应度函数值；Gbest,ik表示节点i迭代到k次时，当前全局最优适应度函数值；x'i,j(t)表示第i个节点的第j个粒子的一次更新后的位置；v'i,j表示第i个节点的第j个粒子的一次更新后的速度，v'i,j的最大值为vmax如果v'i,j大于vmax，则取vmax；rand()为介于0和1之间的随机数；c1和c2均为学习因子且c1＝c2＝2；
步骤504：第i个节点与其邻居节点交互信息，并更新当前最优适应度函数值和当前全局最优适应度函数值获取更新后的最优适应度函数值以及更新后的全局最优适应度函数值；
利用公式
v”i,j＝v'i...

【专利技术属性】
技术研发人员：谢陈磊，方潜生，张红艳，张毅，杨亚龙，盛锦壮，张振亚，李善寿，李杨，蒋婷婷，朱徐来，张睿，王萍，李雪飞，杨先锋，袁翠艳，钟永祥，任守明，王浩杰，朱俊超，
申请(专利权)人：安徽建筑大学，
类型：发明
国别省市：安徽;34