一种基于风光储一体的智能微网容量优化方法技术

本发明专利技术公开了一种基于风光储一体的智能微网容量优化方法；包括有以下步骤：S1、建立微网系统；S2、建立微网模型；S3、对微网模型进行计算处理；S4、通过粒子群算法实现对微电网的最优化进行选择；然后对数据信息进行模型计算处理，即通过两阶段鲁棒优化算法进行计算处理，一阶段主要决策光伏、风电、储能的容量，二阶段主要规划风光储的实际出力变量；通过粒子群算法对风光储一体的智能微网容量优化进行精准的计算，对最优化的结果进行计算获得。对最优化的结果进行计算获得。对最优化的结果进行计算获得。

【技术实现步骤摘要】
一种基于风光储一体的智能微网容量优化方法


[0001]本专利技术属于微网容量优化
，具体涉及一种基于风光储一体的智能微网容量优化方法。

技术介绍

[0002]智能微网容量优化是指在一定的控制策略下，以微电网运行经济性、环保性或电能质量等最优为优化目标，通过优化分配微电网中的各分布式电源及储能装置的输出功率以满足负荷需求和保证微电网安全稳定运行，微电网是一种新型的网络结构，是实现主动式配电网的一种有效的方式。由一组微电源、负荷、储能系统和控制装置构成的系统单元，可实现对负荷多种能源形式的高可靠供给。微电网中的电源多为容量较小的分布式电源，即含有电力电子接口的小型机组，包括光伏电池、小型风力发电机组以及超级电容、飞轮及蓄电池等储能装置，它们接在用户侧，具有成本低、电压低及污染低等特点。开发和延伸微电网能够促进分布式电源与可再生能源的大规模接入，使传统电网向智能网络的过渡，然而市面上各种的微网仍存在各种各样的问题。
[0003]如授权公告号为CN103311940B所公开的一种微电网负荷储能一体化控制方法，其虽然实现了将微电网内可控负荷与储能视为一个整体进行一体化控制，提高负荷控制的精度、拓展可控负荷的用途，减轻微电网对储能功率和容量的依赖，降低储能配备；以“负电源”身份参与微电网稳定运行时分布式电源的对等控制，以“广义储能”身份参与孤岛转并网等故障情况下的微电网紧急控制。从而实现微电网频率稳定，抑制联络线功率波动，从而提高微电网安全稳定运行能力，但是并未解决现有微网存在的不能够有效的实现对微网数据信息进行获取和对数据信息进行模型计算处理，并且不能够有效的实现多种计算处理等的问题，为此我们提出一种基于风光储一体的智能微网容量优化方法。

技术实现思路

[0004]本专利技术的目的在于提供一种基于风光储一体的智能微网容量优化方法，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于风光储一体的智能微网容量优化方法，包括有以下步骤：
[0006]S1、建立微网系统：通过光伏发电和储能系统建立孤岛的微网系统，并且通过主断路器实现微网系统与大电网系统进行连接，并且设置有主控制器、微网控制器、大量的分段断路器和断路器；
[0007]S2、建立微网模型：建立微网模型，并且根据主控制器和微网控制器实现对数据信息进行录入计算处理，实现对微网的风光出力、负荷、储能、大电网电压和异常信息进行计算处理；
[0008]S3、对微网模型进行计算处理：通过两阶段鲁棒优化算法实现对微网模型进行计算，有效的计算处理，实现对电源容量优化配置及其容量规划进行处理，即两阶段鲁棒优化
算法中的一阶段主要决策储能、风电、光伏的容量，二阶段主要规划风光储的实际出力变量；
[0009]S4、通过粒子群算法实现对微电网的最优化进行选择：对于两阶段鲁棒优化算法的结果进行分析处理，并且再通过粒子群算法实现对微网的输出和储能进行最优化计算处理。
[0010]优选的，所述S1中的主断路器用于实现对微网和大电网进行通断连接，即在大电网电能质量下降或者大电网故障而影响到微网内负荷正常用电时，在公共连接节点处通过主断路器与大电网断开，采用孤岛运行模式。
[0011]优选的，所述S1中的微网控制器、大量的分段断路器和断路器由于实现对微网进行分线路，即通过断路器实现对微网进行分线路设置，实现对每一个分线路进行通断控制，且分段断路器实现对每一个分线路进行再次分段设置，通过分段断路器进行控制通断，且微网控制器用于实现对每一段线路进行控制调节。
[0012]优选的，所述S1中的主控制器分别与所述主断路器和所述断路器进行电性连接，所述微网控制器与所述分段断路器电性连接，所述微网控制器通过通讯器实现与所述主控制器通讯连接。
[0013]优选的，所述S2中的主控制器和微网控制器在进行数据信息传输的时候，通过数据处理模块实现对数据信息进行转换处理，所述数据处理模块中包括有用于接收数据信息的接收电路、用于模数转换的转换电路、用于放大数据信息的增益电路和用于滤除杂波的滤波电路。
[0014]优选的，所述S1中还包括有风力发电，所述光伏发电和所述风力发电上分别电性连接有逆变器，所述逆变器用于将光伏发电和风力发电的直流电压转换成交流电压，所述交流电压用于存储在所述储能系统，或者是供电传输给微网和大电网。
[0015]优选的，所述S3中的两阶段鲁棒优化算法如下：
[0016][0017]x表示决策变量，w表示不确定变量，表达式的含义就是在最恶劣的情况下，w的取值使目标函数最大，求出满足约束条件，并且能使目标函数最小的决策变量x；f(x)为目标函数，h(x)为约束条件函数。
[0018]优选的，所述S4中的粒子群算法的算法如下：
[0019]v
i
＝v
i
+c1×
rand()
×
(pbest
i
‑
x
i
)+c2×
rand()
×
(gbest
i
‑
x
i
)，
[0020]x
i
＝x
i
+v
i
；
[0021]i＝1,.....N，N是此群中粒子的总数，
[0022]v是粒子的速度，
[0023]Rand()介于(0，1)之间的随机数，
[0024]x粒子的当前位置，
[0025]c1和c2是学习因子，通常c1＝c2＝2，
[0026]v
i
的最大值为V
max
(大于0)，如果v
i
大于V
max
，则v
i
＝V
max
；
[0027]v
i
称为记忆项，表示上次速度大小和方向的影响；
[0028]c1×
rand()
×
(pbest
i
‑
x
i
)称为自身认知项，是从当前点指向粒子自身最好点的一
个矢量，表示粒子的动作来源于自己经验的部分；
[0029]c2×
rand()
×
(gbest
i
‑
x
i
)称为群体认知项，是一个从当前点指向种群最好点的矢量，反映了粒子间的协同合作和知识共享，粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动。
[0030]优选的，通过公式
[0031]v
i
＝v
i
+c1×
rand()
×
(pbest
i
‑
x
i
)+c2×
rand()
×
(gbest
i
‑
x
i...

【技术保护点】

【技术特征摘要】
1.一种基于风光储一体的智能微网容量优化方法，其特征在于：包括有以下步骤：S1、建立微网系统：通过光伏发电和储能系统建立孤岛的微网系统，并且通过主断路器实现微网系统与大电网系统进行连接；S2、建立微网模型：建立微网模型，对数据信息进行录入计算处理，实现对微网的风光出力、负荷、储能、大电网电压和异常信息进行计算处理；S3、对微网模型进行计算处理：通过两阶段鲁棒优化算法实现对微网模型进行计算，有效的计算处理，实现对电源容量优化配置及其容量规划进行处理，即两阶段鲁棒优化算法中的一阶段主要决策储能、风电、光伏的容量，二阶段主要规划风光储的实际出力变量；S4、通过粒子群算法实现对微电网的最优化进行选择：对于两阶段鲁棒优化算法的结果进行分析处理，并且再通过粒子群算法实现对微网的输出和储能进行最优化计算处理。2.根据权利要求1所述的一种基于风光储一体的智能微网容量优化方法，其特征在于：所述S1中的断路器用于实现对微网和大电网进行通断连接，即在大电网电能质量下降或者大电网故障而影响到微网内负荷正常用电时，在公共连接节点处通过断路器与大电网断开，采用孤岛运行模式。3.根据权利要求1所述的一种基于风光储一体的智能微网容量优化方法，其特征在于：所述S1中的微网控制器、大量的断路器由于实现对微网进行分线路，即通过断路器实现对微网进行分线路设置，实现对每一个分线路进行通断控制，且分段断路器实现对每一个分线路进行再次分段设置，通过分段断路器进行控制通断，且微网控制器用于实现对每一段线路进行控制调节。4.根据权利要求1所述的一种基于风光储一体的智能微网容量优化方法，其特征在于：所述S1中的主控制器分别与所述主断路器和所述断路器进行电性连接，所述微网控制器与所述分段断路器电性连接。5.根据权利要求1所述的一种基于风光储一体的智能微网容量优化方法，其特征在于：所述S2中的主控制器和微网控制器在进行数据信息传输的时候，通过数据处理模块实现对数据信息进行转换处理，所述数据处理模块中包括有用于接收数据信息的接收电路、用于模数转换的转换电路、用于放大数据信息的增益电路和用于滤除杂波的滤波电路。6.根据权利要求1所述的一种基于风光储一体的智能微网容量优化方法，其特征在于：所述S1中还包括有风力发电，所述光伏发电和所述风力发电上分别电性连接有逆变器，所述逆变器用于将光伏发电和风力发电的直流电压转换成交流电压，所述交流电压用于存储在所述储能系统，或者是供电传输给微网和大电网。7.根据权利要求1所述的一种基于风光储一体的智能微网容量优化方法，其特征在于：所述S3中的两阶段鲁棒优化算法如下：x表示决策变量，w表示不确定变量，表达式的含义就是在最恶劣的情况下，w的取值使目标函数最大，求出满足约束条件，并且能使目标函数最小的决策变量x；f(x)为目标函数，h(x)为约束条件函数。8.根据权利要求1所述的一种基于风光储一体的智能微网容量优化方法，其特征在于：
所述S4中的粒子群算法的算法如下：v
i
＝v
i
+c1×
rand()
×
(pbest
i
‑
x
i
)+c2×
rand()
×
(gbest
i
‑
x
i
)，x
i
＝x
i
+v
i
；i＝1,.....N，N是此群中粒子的总数，v是粒子的速度，Rand()介于(0，1)之间的随机数，x粒子的当前位置，c1和c2是学习因子，通常c1＝c2＝2，v
i
的最大值为V
max
(大于0)，如果v
i
大于V
max
，则v
i
＝V
max
；v
i<...

【专利技术属性】
技术研发人员：李付林，陈飞，何明锋，叶国庆，李毓，黄红辉，季克勤，侯健生，黄健，张波，王珂，沃建栋，叶宏，贺燕，吴峰，杨艳天，王赢聪，金坚锋，
申请(专利权)人：国网浙江省电力有限公司金华供电公司，
类型：发明
国别省市：