本發(fā)明一種基于動態(tài)自適應(yīng)粒子群算法的微電網(wǎng)規(guī)劃設(shè)計方法，涉及微電網(wǎng)規(guī)劃技術(shù)領(lǐng)域。

背景技術(shù)：

微電網(wǎng)規(guī)劃是微電網(wǎng)建設(shè)的基礎(chǔ)，其規(guī)劃水平的高低不僅直接影響到微電網(wǎng)自身的安全性、可靠性與經(jīng)濟性，而且隨著微電網(wǎng)滲透率的不斷增加，也會對大電網(wǎng)的運行產(chǎn)生深遠影響。因此，微電網(wǎng)規(guī)劃設(shè)計工作是微電網(wǎng)建設(shè)前期十分重要的環(huán)節(jié)。由于微網(wǎng)是局部區(qū)域供能系統(tǒng),故其優(yōu)化設(shè)計問題主要歸結(jié)為容量配置問題。

為了使微電網(wǎng)更加穩(wěn)定高效的運行，其前期的規(guī)劃工作是密不可分的。我們通常是根據(jù)當(dāng)?shù)氐姆植际诫娫春拓?fù)荷情況，以經(jīng)濟性、供電可靠性、環(huán)境性等作為目標(biāo)函數(shù)，根據(jù)經(jīng)驗來確定分布式電源(DG)的容量和位置。但是對于負(fù)荷側(cè)卻并沒有過多考慮，僅根據(jù)對負(fù)荷預(yù)測或測量的結(jié)果來對供應(yīng)側(cè)進行建模優(yōu)化配置，并沒有涉及運行時可能遇到的需求側(cè)響應(yīng)(demand response，DR)。此外，在優(yōu)化方法上，現(xiàn)有涉及軟件，如HOMER和HOGA中，針對該問題均簡化處理，其他很多優(yōu)化算法可能有一個很低的收斂速度。但是，過早的收斂或者陷入局部最優(yōu)都會產(chǎn)生負(fù)面的影響。目前，對直接負(fù)荷控制還很少，除非在高峰期發(fā)電量不夠的情況下，峰值負(fù)荷可能會被降低通過需求側(cè)響應(yīng)。因此，選擇一個可靠的優(yōu)化算法往往特別重要。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于動態(tài)自適應(yīng)粒子群算法的微電網(wǎng)規(guī)劃設(shè)計方法，在微電網(wǎng)中結(jié)合激勵型需求側(cè)響應(yīng)措施(直接負(fù)荷控制)來提高綜合資源規(guī)劃(Integrated Resources Planning,IRP)。通過直接負(fù)荷控制對負(fù)荷進行重組從而達到峰值降低的效果。綜合資源規(guī)劃是指把電力供應(yīng)側(cè)和需求側(cè)的各種形式的資源綜合成一個整體進行電力規(guī)劃，通過高效、經(jīng)濟、合理地利用供需側(cè)資源潛力，在保持能源服務(wù)水平的前提下，使整個規(guī)劃系統(tǒng)的社會總成本最小。

本發(fā)明所采用的技術(shù)方案是：

一種基于動態(tài)自適應(yīng)粒子群算法的微電網(wǎng)規(guī)劃設(shè)計方法，包括如下步驟：

步驟1：對微電網(wǎng)、每個微電源及其可控負(fù)荷進行建模，確定整個微電網(wǎng)的模型及每個微電源和可控負(fù)荷的模型，其中可控負(fù)荷的模型為：

P(t)＝P_load(t)-P_{C_load}(t) (7)

式中：P(t)為再t時刻直接負(fù)荷控制后的負(fù)荷，Pload(t)為在t時刻負(fù)荷預(yù)測的負(fù)荷，PC_load(t)為在t時刻由于直接負(fù)荷控制而降低的負(fù)荷；

步驟2：確定微電網(wǎng)優(yōu)化配置的目標(biāo)函數(shù)：

步驟2.1：該目標(biāo)函數(shù)為微電網(wǎng)的投資和運行成本最低，具體表示為：

$C_{total}=\underset{i=1}{\overset{4}{\Σ}}{C}_i+C_{DLC}---\left(8\right)$

式中：i表示光伏電池、風(fēng)機、蓄電池和柴油發(fā)電機，Ctotal表示總成本；Ci表示每種微電源的總成本；CDLC表示直接負(fù)荷控制的成本，

其中Ci可以表示為下式：

$C_i=N_i(e_i{P}_i\frac{r{(1+r)}^m}{{(1+r)}^m-1}+u(P_i\left)\right)---\left(9\right)$

式中：Ni表示第i種微電源的數(shù)量；ei表示第i種微電源的單價；Pi表示第i種微電源的輸出功率；m表示其折舊壽命；r表示貼現(xiàn)率；u表示其運行成本；

步驟3：確定微電網(wǎng)優(yōu)化配置約束條件：

1)、功率平衡條件：

P_PV(t)+P_WT(t)+P_DG(t)+P_ESS(t)+P_Cload(t)＝P_load(t) (10)

式中：PPV(t),PWT(t),PDG(t),PESS(t)分別表示光伏電池、風(fēng)機、柴油發(fā)電機、蓄電池在t時刻的功率；PCload(t)表示在t時刻切斷的負(fù)荷；Pload(t)表示在t時刻負(fù)荷的功率。

2)、微電源容量約束條件，包括可控負(fù)荷容量：

X_k≤X_kmax (11)

式中：Xk是第k個微電源的容量，Xkmax是第k個微電源最大允許的容量值；

3)、蓄電池荷電狀態(tài)約束：

SOC_min≤SOC(t)≤SOC_max (12)

式中：SOC(t)為蓄電池在t時刻的荷電狀態(tài)，SOCmin、SOCmax分別表示荷電狀態(tài)的最大值和最小值；

步驟4：控制策略：

以每天24小時為例，每天0-16時，負(fù)荷處于低谷及平穩(wěn)期；t處于16-24時刻，負(fù)荷處于高峰期，由于蓄電池不能頻繁充放電的性能，所以在0-16時刻，且光伏電池出力及風(fēng)機出力大于負(fù)荷時，即PPV+PWT＞Pload，及蓄電池的荷電狀態(tài)SOC＜80％時，才允許分布式電源給蓄電池充電；由于分布式電源的不穩(wěn)定性，每一個時刻都在變化，所以蓄電池的充電功率為：

P_charge(t)＝min{P₁,P₂,P₃} (13)

P₁＝P_PV+P_WT-P_load

P₂＝0.9*P_rate (14)

P₃＝(SOC_max*E_rate-E_t-1)/Δt

其中Pcharge(t)為蓄電池在t時刻的充電功率；P1，P2，P3為蓄電池在t時刻可能的充電功率，Prate為蓄電池的額定功率；Erate為蓄電池的額定容量；

當(dāng)PPV+PWT＜Pload時，蓄電池不充電也不放電，由柴油發(fā)電機來滿足負(fù)荷需求，此時Pcharge(t)＝0，當(dāng)蓄電池充滿電時，將不再充電；

在16-24時刻時，負(fù)荷迎來了高峰期，對可控負(fù)荷進行調(diào)控，當(dāng)PPV+PWT+PDG＜Pload-PC_load，SOC＞20％時，才允許蓄電池放電，其放電功率為：

P_dis(t)＝min{P₄,P₅,P₆} (15)

P₄＝P_load-P_{C_load}-(P_PV+P_WT+P_DG)

P₅＝P_rate

P₆＝(E_t-1-SOC_min*E_rate)/Δt (16)

其中Pdis(t)為蓄電池在t時刻的放電功率；P4、P5、P6為t時刻蓄電池可能的放電功率；Prate為蓄電池的額定功率；Erate為蓄電池的額定容量；

當(dāng)PPV+PWT+PDG＞Pload-PC_load時，蓄電池不充電也不放電，由柴油發(fā)電機來滿足負(fù)荷需求，此時Pdis(t)＝0，當(dāng)蓄電池放完電時，將不再放電；

步驟5：粒子群尋優(yōu)：

步驟5.1：初始化粒子參數(shù)，種群密度，迭代次數(shù)和限制；

步驟5.2：設(shè)置每個粒子的速度和位置；

步驟5.3：計算適應(yīng)度fitness值，個體最優(yōu)pbest，全局最優(yōu)gbest；

步驟5.4：根據(jù)每個粒子設(shè)置的參數(shù)，更新粒子的速度；

步驟5.5：更新每個粒子的位置；

步驟5.6：計算更新后粒子的適應(yīng)度值，并更新；

步驟5.7：如果沒尋得最優(yōu)解，返回步驟5.3；如若尋到最優(yōu)解，結(jié)束循環(huán)。

本發(fā)明一種基于動態(tài)自適應(yīng)粒子群算法的微電網(wǎng)規(guī)劃設(shè)計方法，有益效果如下：

相對于傳統(tǒng)的微電網(wǎng)規(guī)劃方法，本發(fā)明將需求側(cè)處理成一種可以主動參與微網(wǎng)規(guī)劃與運行的電源(負(fù)荷減少的等效作用)，而不僅僅是被動接受電能的負(fù)荷。把需求側(cè)響應(yīng)措施建模融入微網(wǎng)的綜合資源規(guī)劃模型中，將需求側(cè)資源與供應(yīng)側(cè)資源同等對待，達到削減峰荷實現(xiàn)微網(wǎng)系統(tǒng)社會總成本最優(yōu)的目的。為了實現(xiàn)上述目標(biāo)，運用動態(tài)自適應(yīng)粒子群算法，其收斂速度快，收斂性好，且收斂精度高。

附圖說明

圖1為本發(fā)明的粒子群優(yōu)化算法流程圖。

圖2是本發(fā)明的控制策略圖。

圖3為傳統(tǒng)微電網(wǎng)規(guī)劃優(yōu)化成本曲線圖。

圖4為綜合資源規(guī)劃優(yōu)化成本曲線圖。

具體實施方式

由于參數(shù)少，實現(xiàn)簡單，收斂速度快等優(yōu)良的特征，粒子群算法(PSO)已經(jīng)成為一種最受歡迎的優(yōu)化算法，而且已經(jīng)成功被應(yīng)用到電力系統(tǒng)的各類問題中，并被證明是一個很好的優(yōu)化工具。其中PSO的最顯著的一個特征就是其收斂速度快。如果沒有過早收斂，從而導(dǎo)致整個種群陷入了局部最優(yōu)且無法從中跳出，其收斂速度快將會是一個非常好的特征。因此，如何避免陷入局部最優(yōu)來提高全局搜索能力是一個必須解決的重要問題。

在PSO中，每一個潛在的最優(yōu)結(jié)果被看做是一個運動在尋優(yōu)空間中的粒子，每個粒子i與它的速度vi＝[vi1,vi2,vid,viD]T和位置xi＝[xi1,xi2,…,xid,…,xiD]T關(guān)聯(lián)，其中D是尋優(yōu)空間的維度。在尋優(yōu)過程中，其速度和位置的更新公式表示為

v_id(t+1)＝wv_id(t)+c₁r₁[p_bid-x_id(t)]+c₂r₂[g_bd-x_id(t)] (1)

x_id(t+1)＝x_id(t)+v_id(t+1) (2)

式中，t是當(dāng)前迭代次數(shù)；w是慣性權(quán)重；r1和r2是均勻分布在0-1中的隨機數(shù)；pb和gb分別表示個體最優(yōu)和全局最優(yōu)。

式(1)和式(2)表明當(dāng)粒子速度為0時，種群停滯，從而導(dǎo)致優(yōu)化結(jié)果過早的收斂而且無法從局部最優(yōu)中跳出，在復(fù)雜的多目標(biāo)優(yōu)化問題中尤為突出。因此，為了控制其收斂性，適當(dāng)提高PSO的多樣性是非常重要的環(huán)節(jié)。通常，加入變異操作就是一種有效的增加種群多樣性的方法，從而從局部最優(yōu)中跳出，并且提高了PSO的全局搜索能力。雖然變異操作對于提高種群多樣性很有利，而且能夠很好的避免過早收斂，但是他的隨機性限制了PSO的搜索精度，甚至導(dǎo)致其退化。

因此，本發(fā)明一種基于動態(tài)自適應(yīng)粒子群算法的微電網(wǎng)規(guī)劃設(shè)計方法，提出一種自適應(yīng)變異策略。當(dāng)每個粒子速度相當(dāng)小的時候(小于某個極限值)，根據(jù)預(yù)訂的變異率隨機選取一些粒子，然后根據(jù)公式(3)使選取的粒子進行變異操作。把這些變異粒子存儲在Pmut，然后對這些變異粒子進行評估來找到最優(yōu)的變異粒子gb_mut。如果其適應(yīng)度值是小于gb_mut的，那么就替換gb。這種特殊的變異操作能夠粒子跳出局部最優(yōu)且能夠很好保持種群的多樣性。

x_id＝x_id+sign(2(r₃-0.5))βVmax_d (3)

其中sign是sign函數(shù)；r3是均勻分布在0-1中的隨機數(shù)；β∈[0,1]是變異的程度；Vmaxd是在第d維度的最大速度。

此外，根據(jù)式(1)可以看出，慣性權(quán)重控制著收斂行為，并使全局搜索和局部搜索平衡。而不是一個常數(shù)或者線性變化的量，一個動態(tài)的慣性權(quán)重公式(4)能夠?qū)ζ鋭討B(tài)調(diào)整。

w(t)＝w₀+r₄(1-w₀) (4)

式中r4是均勻分布在0-1中的隨機數(shù)，w0∈[0,0.5]是一個常數(shù)。公式(4)使慣性權(quán)重在w0到1中變化，而且在全局和局部搜索中保持一個動態(tài)平衡。

在尋優(yōu)過程中，c1從2.5-0.5變化，c2從0.5-2.5變化在大多數(shù)基準(zhǔn)下能夠提供一個更加優(yōu)化的結(jié)果。因此，為了提高全局搜索能力一個由表達式(5)表示的逐漸減小的c1和一個由表達式(6)表示的逐漸增大的c2被提出。

c₁＝2.5-t/M_t (5)

c₂＝0.5+t/M_t (6)

式中Mt是指最大迭代次數(shù)。

系數(shù)c1和c2是控制著PSO的“張力”的量，以引導(dǎo)每個粒子分別朝向pi和pg。如公式(5)和(6)所示，一開始c1被設(shè)定為一個較大的值而c2被設(shè)定為一個較小的值，在每次迭代的過程中，其值也分別減小和增大。該機制不僅提供了一個在早期全局尋優(yōu)過程就具有多樣性的搜索空間，而且在尋優(yōu)最后階段也能保證優(yōu)化結(jié)果的精確性。

一種基于動態(tài)自適應(yīng)粒子群算法的微電網(wǎng)規(guī)劃設(shè)計方法，包括如下步驟：

步驟1：對微電網(wǎng)、每個微電源及其可控負(fù)荷進行建模。確定整個微電網(wǎng)的模型及每個微電源(光伏電池、風(fēng)機、蓄電池和柴油發(fā)電機)和可控負(fù)荷的模型。其中可控負(fù)荷的模型為：

P(t)＝P_load(t)-P_{C_load}(t) (7)

式中：P(t)為再t時刻直接負(fù)荷控制后的負(fù)荷；Pload(t)為在t時刻負(fù)荷預(yù)測的負(fù)荷；PC_load(t)為在t時刻由于直接負(fù)荷控制而降低的負(fù)荷。

步驟2：確定微電網(wǎng)優(yōu)化配置的目標(biāo)函數(shù)。

步驟2.1：該目標(biāo)函數(shù)為微電網(wǎng)的投資和運行成本最低。

具體表示為：

$C_{total}=\underset{i=1}{\overset{4}{\Σ}}{C}_i+C_{DLC}---\left(8\right)$

式中：i表示光伏電池、風(fēng)機、蓄電池和柴油發(fā)電機。Ctotal表示總成本；Ci表示每種微電源的總成本；CDLC表示直接負(fù)荷控制的成本。

其中Ci可以表示為下式：

$C_i=N_i(e_i{P}_i\frac{r{(1+r)}^m}{{(1+r)}^m-1}+u(P_i\left)\right)---\left(9\right)$

式中：Ni表示第i種微電源的數(shù)量；ei表示第i種微電源的單價；Pi表示第i種微電源的輸出功率；m表示其折舊壽命；r表示貼現(xiàn)率；u表示其運行成本。

步驟3：確定微電網(wǎng)優(yōu)化配置約束條件。

1)、功率平衡條件。

P_PV(t)+P_WT(t)+P_DG(t)+P_ESS(t)+P_Cload(t)＝P_load(t) (10)

式中：PPV(t),PWT(t),PDG(t),PESS(t)分別表示光伏電池、風(fēng)機、柴油發(fā)電機、蓄電池在t時刻的功率；PCload(t)表示在t時刻切斷的負(fù)荷；Pload(t)表示在t時刻負(fù)荷的功率。

2)、微電源容量約束條件(包括可控負(fù)荷容量)。

X_k≤X_kmax (11)

式中：Xk是第k個微電源的容量；Xkmax是第k個微電源最大允許的容量值。

3)、蓄電池荷電狀態(tài)約束。

SOC_min≤SOC(t)≤SOC_max (12)

式中：SOC(t)為蓄電池在t時刻的荷電狀態(tài)。SOCmin、SOCmax分別表示荷電狀態(tài)的最大值和最小值。

步驟4：控制策略。

以每天24小時為例。每天0-16時，負(fù)荷處于低谷及平穩(wěn)期；t處于16-24時刻，負(fù)荷處于高峰期。由于蓄電池不能頻繁充放電的性能，所以在0-16時刻，且光伏電池出力及風(fēng)機出力大于負(fù)荷時(即PPV+PWT＞Pload)，及蓄電池的荷電狀態(tài)SOC＜80％時，才允許分布式電源給蓄電池充電。由于分布式電源的不穩(wěn)定性，每一個時刻都在變化，所以蓄電池的充電功率為：

P_charge(t)＝min{P₁,P₂,P₃} (13)

P₁＝P_PV+P_WT-P_load

P₂＝0.9*P_rate

P₃＝(SOC_max*E_rate-E_t-1)/Δt (14)

其中Pcharge(t)為蓄電池在t時刻的充電功率；P1，P2，P3為蓄電池在t時刻可能的充電功率。Prate為蓄電池的額定功率；Erate為蓄電池的額定容量。

當(dāng)PPV+PWT＜Pload時，蓄電池不充電也不放電，由柴油發(fā)電機來滿足負(fù)荷需求。此時Pcharge(t)＝0。當(dāng)蓄電池充滿電時，將不再充電。

在16-24時刻時，負(fù)荷迎來了高峰期，對可控負(fù)荷進行調(diào)控，當(dāng)PPV+PWT+PDG＜Pload-PC_load，SOC＞20％時，才允許蓄電池放電。其放電功率為：

P_dis(t)＝min{P₄,P₅,P₆} (15)

P₄＝P_load-P_{C_load}-(P_PV+P_WT+P_DG)

P₅＝P_rate

P₆＝(E_t-1-SOC_min*E_rate)/Δt (16)

其中Pdis(t)為蓄電池在t時刻的放電功率；P4、P5、P6為t時刻蓄電池可能的放電功率；Prate為蓄電池的額定功率；Erate為蓄電池的額定容量。

當(dāng)PPV+PWT+PDG＞Pload-PC_load時，蓄電池不充電也不放電，由柴油發(fā)電機來滿足負(fù)荷需求。此時Pdis(t)＝0。當(dāng)蓄電池放完電時，將不再放電。

步驟5：粒子群尋優(yōu)。

步驟5.1：初始化粒子參數(shù)，種群密度，迭代次數(shù)和限制。

步驟5.2：設(shè)置每個粒子的速度和位置。

步驟5.3：計算適應(yīng)度fitness值，個體最優(yōu)pbest，全局最優(yōu)gbest。

步驟5.4：根據(jù)每個粒子設(shè)置的參數(shù)，更新粒子的速度。

步驟5.5：更新每個粒子的位置。

步驟5.6：計算更新后粒子的適應(yīng)度值，并更新。

步驟5.7：如果沒尋得最優(yōu)解，返回步驟5.3；如若尋到最優(yōu)解，結(jié)束循環(huán)。

應(yīng)用DAPSO來解決最優(yōu)的包含光伏陣列、風(fēng)機、蓄電池、柴油發(fā)電機的分布式電源的安裝容量。本發(fā)明微電網(wǎng)運行方式為孤島模式，除了電動汽車?yán)霉葧r電價夜間充電時連接大電網(wǎng)充電。典型的日負(fù)荷曲線，本地可再生能源數(shù)據(jù)，分布式電源參數(shù)均給出。其中光伏陣列的容量上限為100kW，單機容量2kW；風(fēng)機容量上限為33kW，單機容量3kW；蓄電池容量上限為120kW*h，單塊電池容量為1.2kW*h；柴油發(fā)電機容量上限為210kW，單機容量21kW；可控負(fù)荷容量上限為50kW。該微電網(wǎng)系統(tǒng)為一棟居民樓，負(fù)荷大小約為221kW；規(guī)劃年限為20年；柴油的價格1.1804$/L為；可控負(fù)荷的安裝成本為761.9$/kW；

表1各分布式電源的參數(shù)

表2各方案規(guī)劃結(jié)果：

方案1為傳統(tǒng)微電網(wǎng)規(guī)劃方法，方案2為綜合資源規(guī)劃方法。方案2與方案1相比較比較，增加了50kW的可控負(fù)荷容量。柴油發(fā)電機數(shù)目減少了2臺?？傄?guī)劃成本降低了8.83％。由此可以看出，綜合資源規(guī)劃的直接負(fù)荷控制能夠降低投資和運行成本。