基于改進量子遺傳算法的微網(wǎng)儲能選址定容優(yōu)化方法
【專利摘要】一種基于改進量子遺傳算法的微網(wǎng)儲能選址定容優(yōu)化方法，包括：建立儲能選址定容優(yōu)化模型，包括儲能選址定容優(yōu)化模型的目標(biāo)函數(shù)公式和約束公式；對量子遺傳算法進行改進；使用改進后的量子遺傳算法對儲能選址定容優(yōu)化模型求解。本發(fā)明建立了儲能選址定容模型，以儲能全壽命周期成本、削峰填谷收益以及網(wǎng)損收益為目標(biāo)，約束考慮了潮流、儲能充放電以及儲能充放電能量平衡；修正了量子遺傳算法，使用量子旋轉(zhuǎn)門旋轉(zhuǎn)角度的動態(tài)調(diào)整策略提高了搜索效率，使用模擬退火法進行選擇操作和佳點集進行交叉操作避免陷入局部最優(yōu)；采用34節(jié)點微網(wǎng)進行驗證，表明本發(fā)明所提出的算法可行，且有效提高了量子遺傳算法的收斂效率和跳出局部最優(yōu)的能力。
【專利說明】
基于改進量子遺傳算法的微網(wǎng)儲能選址定容優(yōu)化方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種微網(wǎng)儲能選址定容優(yōu)化方法。特別是涉及一種能夠在微網(wǎng)中尋找 到經(jīng)濟性最佳的儲能位置和容量的基于改進量子遺傳算法的微網(wǎng)儲能選址定容優(yōu)化方法。
【背景技術(shù)】
[0002] 分布式電源以微網(wǎng)的形式接入大電網(wǎng)運行是發(fā)揮分布式供能系統(tǒng)效能的最有效 方式，也是未來電力系統(tǒng)發(fā)展的趨勢之一。但由于分布式電源具有間歇性、波動性等特點， 微網(wǎng)也存在電壓、電能質(zhì)量、對主網(wǎng)沖擊等問題 [2]。儲能能夠很好的解決分布式電源帶來的 不利影響。儲能接入位置與容量的不同對微網(wǎng)優(yōu)化效果的影響很大，因此本發(fā)明對其接入 位置與容量的選擇展開研究。
[0003] 由于儲能價格昂貴、規(guī)劃期較長，從長遠(yuǎn)的觀點看，規(guī)劃期內(nèi)的更新成本、運維成 本有時會大于它的初建成本，而且初建成本的高低對未來更新和運維成本的高低會產(chǎn)生很 大的影響，因此有必要從儲能的全壽命周期成本（life cycle cost，LCC)角度對其進行規(guī) 劃。目前全壽命周期理論在電力系統(tǒng)中主要應(yīng)用于電網(wǎng)規(guī)劃[3]和變電站設(shè)備改造 [4]等。
[0004] 儲能選址定容優(yōu)化是非線性規(guī)劃問題。目前常用的人工智能現(xiàn)代化優(yōu)化方法有粒 子群算法、差分算法、遺傳算法等，但以上算法都存在收斂速度較慢、容易陷入局部最優(yōu)等 問題。量子遺傳算法(Quantum Genetic algorithm)是一種新興的概率進化算法，它結(jié)合量 子計算的一些概念和理論，利用量子位編碼染色體，量子門更新染色體執(zhí)行進化操作，很好 的解決了遺傳算法存在的多樣性差異和選擇壓力大的問題，具有收斂快、搜索范圍廣等優(yōu) 點，因此本發(fā)明選用改進量子遺傳算法對微網(wǎng)中儲能位置與容量優(yōu)化模型進行求解。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題是，提供一種可以更好的收斂速度和全局尋優(yōu)能力尋 找到最優(yōu)的儲能位置和容量，降低儲能全壽命周期成本的基于改進量子遺傳算法的微網(wǎng)儲 能選址定容優(yōu)化方法。
[0006] 本發(fā)明所采用的技術(shù)方案是:一種基于改進量子遺傳算法的微網(wǎng)儲能選址定容優(yōu) 化方法，包括如下步驟：
[0007] 1)建立儲能選址定容優(yōu)化模型，包括儲能選址定容優(yōu)化模型的目標(biāo)函數(shù)公式和約 束公式，所述的儲能選址定容優(yōu)化模型的目標(biāo)函數(shù)公式包括：
[0008] (1)建立儲能全壽命周期成本凈現(xiàn)值公式：
[0010] Cj = Cj , Cap+Cj, Rep+Cj , 〇M+Cj, Sal (2)
[0011] 式中，fl·為儲能規(guī)劃期n年的凈現(xiàn)值;FD為貼現(xiàn)率;C,j為儲能在第j年的現(xiàn)金流，包 括第j年的初建成本C,j,e ap、更新成本C,j,R(3p、運行維護成本C,j,QM和殘值C,j, Sai;
[0012] 所述的初建成本：
[0014] 式中，CESS為儲能初建成本單價，單位為元/kWh; 為儲能系統(tǒng)容量；
[0015] 所述的更新成本：
[0017]式中，Ress為儲能更新成本單價，單位為元/kWh，k為規(guī)劃期η年內(nèi)，壽命為Less年的 儲能設(shè)備共經(jīng)歷更新的次，表示為：
[0018] k = π/Less (5)
[0019] 所述的運行維護成本：
[0021 ] 式中，OMess為運行維護成本單價，單位為元/kWh;
[0022]所述的殘值：
[0026]式中，EESS[j，i，m]為第j年第i天第m個小時的儲能能量值，C(m)為第m個小時的電 能單價；
[0027] (3)建立網(wǎng)損減小收益公式
[0029]式中，AEL〇ss[j，i，m]為第j年第i天第m個小時的網(wǎng)損值。
[0030] 考慮儲能全壽命周期成本、削峰填谷收益和網(wǎng)損減小值情況后，儲能選址定容優(yōu) 化模型的目標(biāo)函數(shù)為：
[0031] minF=min(fi-f2-f3) (10)
[0032] 所述的儲能選址定容優(yōu)化模型的約束公式包含潮流平衡約束、支路潮流約束、電 壓約束、儲能充放電約束、以及儲能荷電狀態(tài)約束；
[0033] 2)對量子遺傳算法進行改進，包括：
[0034] (1)量子比特編碼 [0035] 量子比特表示如下：
[0036] |# = a|D) + ^jl> (16)
[0037] 式中，??為量子比特，α、β為復(fù)數(shù)，滿足：
[0038] α|2+|β|2 = 1 (17)
[0039] 式中，|α|2表示量子比特狀態(tài)為0的概率，|β|2表示量子比特狀態(tài)為1的概率；
[0040] 量子態(tài)向量形式：
[0044] 式中，k#Pk2 e(0.00lJT，0.05JT)，f max為種群中最大適應(yīng)度值，f average為當(dāng)代種群的 平均適應(yīng)度值，f為進行量子更新的個體的適應(yīng)度值。該式表示，在進行量子更新個體的適 應(yīng)度值低于平均適應(yīng)度值，表示該個體不是優(yōu)良個體，對其旋轉(zhuǎn)角要采用較大的值，反之， 要根據(jù)適應(yīng)度值取相應(yīng)的旋轉(zhuǎn)角。
[0045] (3)使用模擬退火進行選擇操作；
[0046] (4)對塌測量：
[0047] 通過編碼染色體進行測量得到長度為m的二進制字符串p=[X1 X2…Xm]，其中， XI X2…Xm為0~1之間的實數(shù)，測量過程如下：
[0048] 隨機產(chǎn)生一個0~1之間的實數(shù)r，若r> .τ,2，?= 1,2…，則X1 = 1;若.r<彳，則X1 = 〇;
[0049] 3)使用改進后的量子遺傳算法對儲能選址定容優(yōu)化模型求解，包括：
[0050] (1)設(shè)定原始數(shù)據(jù):包括分布式電源和負(fù)荷的原始功率數(shù)據(jù)，儲能容量單價、貼現(xiàn) 率和壽命值，以及遺傳算法遺傳代數(shù)、變異概率、種群數(shù)目和模擬退火的初始溫度、終止溫 度以及每個溫度下迭代次數(shù)；
[0051 ] (2)種群初始化:將儲能的位置和容量以及充放電功率進行量子編碼，得到初始種 群，將種群各個體的量子比特編碼都初始化為1
[0052] (3)量子坍塌:對種群進行坍塌測量，得到一組確定的二進制染色體；
[0053] (4)目標(biāo)值計算:將所有個體帶入儲能選址定容優(yōu)化模型的潮流平衡約束公式，得 到電壓和網(wǎng)損值，將儲能容量、單價、充放電功率和網(wǎng)損值帶入儲能選址定容優(yōu)化模型的目 標(biāo)函數(shù)公式，計算得到目標(biāo)值；
[0054] (5)評價每個種群的適應(yīng)度。
[0055] (6)動態(tài)旋轉(zhuǎn)門更新:對種群根據(jù)更新每個個體的量子位；
[0056] (7)進行模擬退火選擇操作；
[0057] (8)進行佳點集交叉變異操作：
[0058] (9)判斷是否達到最大代數(shù)，如果達到，則計算結(jié)束，否則將第(8)步的結(jié)果代入第 (3)步，重復(fù)第(3)~第(9)步。
[0059]本發(fā)明的基于改進量子遺傳算法的微網(wǎng)儲能選址定容優(yōu)化方法，建立了儲能選址 定容模型，以儲能全壽命周期成本、削峰填谷收益以及網(wǎng)損收益為目標(biāo)，約束考慮了潮流、 儲能充放電以及儲能充放電能量平衡;修正了量子遺傳算法，使用量子旋轉(zhuǎn)門旋轉(zhuǎn)角度的 動態(tài)調(diào)整策略提高了搜索效率，使用模擬退火法進行選擇操作和佳點集進行交叉操作避免 陷入局部最優(yōu);采用34節(jié)點微網(wǎng)進行驗證，表明本發(fā)明所提出的算法可行，且有效提高了量 子遺傳算法的收斂效率和跳出局部最優(yōu)的能力。本發(fā)明可以更好的收斂速度和全局尋優(yōu)能 力尋找到最優(yōu)的儲能位置和容量，降低儲能全壽命周期成本。
【附圖說明】
[0060] 圖1是本發(fā)明最佳實施方式的微網(wǎng)結(jié)構(gòu)示意圖；
[0061] 圖2是DG功率波動曲線圖；
[0062] 圖3是兩種算法目標(biāo)值迭代過程對比圖。
【具體實施方式】
[0063] 下面結(jié)合實施例和附圖對本發(fā)明的基于改進量子遺傳算法的微網(wǎng)儲能選址定容 優(yōu)化方法做出詳細(xì)說明。
[0064] 本發(fā)明的基于改進量子遺傳算法的微網(wǎng)儲能選址定容優(yōu)化方法，包括如下步驟：
[0065] 1)建立儲能選址定容優(yōu)化模型，一般儲能系統(tǒng)規(guī)劃期較長，必須考慮其時間價值， 因此本發(fā)明使用儲能全壽命周期成本(LCC)凈現(xiàn)值作為目標(biāo)函數(shù)。凈現(xiàn)值計算首先要得到 儲能每年總成本，之后使用貼現(xiàn)率進行折算，進而得到儲能規(guī)劃期內(nèi)總凈現(xiàn)值。
[0066] 所述儲能選址定容優(yōu)化模型，包括儲能選址定容優(yōu)化模型的目標(biāo)函數(shù)公式和約束 公式，所述的儲能選址定容優(yōu)化模型的目標(biāo)函數(shù)公式包括：
[0067] (1)津立儲能全壽命周期成本凈現(xiàn)倌公式：
[0069] Cj = Cj)CaP+Cj)Rep+Cj)OM+Cj )Sal (2)
[0070] 式中，fi為儲能規(guī)劃期η年的凈現(xiàn)值;Fd為貼現(xiàn)率;C,j為儲能在第j年的現(xiàn)金流，包 括第j年的初建成本C,j,eap、更新成本C,j, R(3p、運行維護成本C,j,〇M和殘值C,j,Sai;
[0071] 所述的初建成本：
[0073]式中，CESS為儲能初建成本單價，單位為元/kWh#;為儲能系統(tǒng)容量；
[0074]所述的更新成本：
[0076] 式中，Ress為儲能更新成本單價，單位為元/kWh，k為規(guī)劃期η年內(nèi)，壽命為Less年的 儲能設(shè)備共經(jīng)歷更新的次，表示為：
[0077] k = π/Less (5)
[0078] 本發(fā)明壽命使用雨流計數(shù)法計算。所有設(shè)備更新所需費用，由于輔助設(shè)施已經(jīng)建 好，更新費用一般小于初次建設(shè)費用。
[0079]所述的運行維護成本：
[0080]對某一種具體設(shè)備來說，每年的運行維護費用為一定值。
[0082] 式中，OMess為運行維護成本單價，單位為元/kWh;
[0083] 所述的殘值：
[0084]在系統(tǒng)經(jīng)濟評估壽命周期結(jié)束時，某些設(shè)備可能仍有殘余壽命，相應(yīng)的也會有殘 余價值，此即殘值。殘值必定產(chǎn)生于經(jīng)濟評估壽命的最后一年，可以等效為"負(fù)成本"。
[0086] (2)建立儲能削峰填谷收益公式：
[0087]電網(wǎng)存在峰谷電價，當(dāng)儲能充放電功率起到削峰填谷效益時，獲得收益：
[0089] 式中，EESS[j，i，m]為第j年第i天第m個小時的儲能能量值，C(m)為第m個小時的電 能單價；
[0090] (3)建立網(wǎng)損減小收益公式
[0091] 微網(wǎng)中加入儲能后，由于起到削峰填谷的作用，會降低微網(wǎng)中的網(wǎng)損值，獲得收 益：
[0093]式中，AEL〇ss[j，i，m]為第j年第i天第m個小時的網(wǎng)損值。
[0094] 考慮儲能全壽命周期成本(LCC)、削峰填谷收益和網(wǎng)損減小值情況后，儲能選址定 容優(yōu)化模型的目標(biāo)函數(shù)為：
[0095] minF=min(fi-f2-f3) (10)
[0096] 所述的儲能選址定容優(yōu)化模型的約束公式包含潮流平衡約束公式、支路潮流約束 公式、電壓約束公式以及儲能荷電狀態(tài)約束公式，具體如下：
[0097]潮流平衡約束公式：
[0098] Pdg+Phg+Pbess = Pl (11)
[0099] Qdg+Qhg+Qbess = Ql (12)
[0100] Pdg、Phg、Pbess、Pl分別為分布式電源、尚壓電網(wǎng)、儲能、負(fù)荷有功功率，Qdg、Qhg、Qbess、 Ql分別為分布式電源、高壓電網(wǎng)、儲能、負(fù)荷無功功率。
[0101] 支路潮流約束公式：
[0102] Sijmin^iSi j ^ Si jmax (13)
[0103] Sljmax、SlMn分別為線路ij視在功率上下限，為注入支路ij的實際視在功率
[0104] 電壓約束公式： V < V. < V
[0105] 麗丨-"_川'丨、 14) j=m
[0106] Vmax、Vmin分別為節(jié)點電壓的上下限，Vjr為節(jié)點j的實際電壓，N n〇d(3為微網(wǎng)節(jié)點總數(shù)。 [0107]儲能荷電狀態(tài)約束公式：
[0108] S0Cmin^S0Cr(i)^S0Cmax (15)
[0109] S0Cmax、S0Cmin分別為節(jié)點電壓的上下限，S0Cr為實際儲能荷電狀態(tài)。。
[0110] 2)對量子遺傳算法進行改進；
[0111] (1)量子比特編碼
[0112] 量子比特表示如下：
[0113] \φ) = α\?) + β\?) (16)
[0114] 式中，切為量子比特，α、β為復(fù)數(shù)，滿足：
[0115] α|2+|β|2 = 1 (17)
[0116]式中，I α 12表不量子比特狀態(tài)為〇的概率，I β 12表不量子比特狀態(tài)為1的概率。
[0117] 量子態(tài)向量形式：
[0121] 式中，匕，1?￡(〇.〇〇131，〇.〇531)，匕狀為種群中最大適應(yīng)度值，^ (^(3為當(dāng)代種群的 平均適應(yīng)度值，f為進行量子更新的個體的適應(yīng)度值。該式表示，在進行量子更新個體的適 應(yīng)度值低于平均適應(yīng)度值，表示該個體不是優(yōu)良個體，對其旋轉(zhuǎn)角要采用較大的值，反之， 要根據(jù)適應(yīng)度值取相應(yīng)的旋轉(zhuǎn)角。
[0122] (3)使用模擬退火進行選擇操作
[0123] 第1步:種群初始化，根據(jù)目標(biāo)函數(shù)設(shè)定初始溫度，并設(shè)置每個溫度下的迭代次數(shù) L；
[0124] 第2步:設(shè)定溫度控制參數(shù)初值tL = 1，tLe 1，2，3···，L;
[0125] 第3步：設(shè)當(dāng)前解為f(i)，根據(jù)鄰域函數(shù)產(chǎn)生新解為f(j)，計算f(j)增量AE = f (j)-f(i);
[0126] 第4步:若Δ E〈0，則接受新解，Δ E彡0，在0~1之間隨機產(chǎn)生一個值p，e- Δ E/ktL> P，其中，e為自然數(shù)，k為玻爾茲曼常數(shù)，則接受新解，e- △ E/kU<p，保留當(dāng)前解；
[0127] 第5步：tL = tL+l，若tL未達到溫度控制參數(shù)L，則返回第3步，若達到溫度控制參數(shù) L，則進入第6步；
[0128] 第6步:若未達到冷卻狀態(tài)，則對當(dāng)前溫度實施降溫，返回第2步，若己達到冷卻狀 態(tài)，則輸出當(dāng)前最優(yōu)解，算法結(jié)束。
[0129] (4)坍塌測量：
[0130]通過編碼染色體進行測量得到長度為m的二進制字符串p=[X1 X2…Xm]，其中， XI X2…Xm為0~1之間的實數(shù)，測量過程如下：
[0131] 隨機產(chǎn)生一個0~1之間的實數(shù)r，若.f> xf _，/= 1,2…,m，則xi = 1;若r彡.τ,2，貝ljxi = 〇。
[0132] 3)使用改進后的量子遺傳算法對儲能選址定容優(yōu)化模型求解。
[0133] 量子遺傳算法是在遺傳算法的基礎(chǔ)上引入量子計算的概念和理論。由于應(yīng)用了量 子位編碼表示染色體信息，這就使得一條染色體能夠表達多個疊加的態(tài)。這種概率優(yōu)化方 法可以縮小種群規(guī)模，增加種群多樣性，應(yīng)用量子的糾纏設(shè)計的使得種群中更加容易產(chǎn)生 和發(fā)展出優(yōu)秀的個體。然而量子遺傳算法由于種群中的所有個體都是朝著父代最優(yōu)個體的 方向進化，很容易陷入局部最優(yōu)，全局搜索能力較差。本發(fā)明提出的改進量子遺傳算法 (Improved Quantum Genetic Algorithm, IQGA)引入量子旋轉(zhuǎn)門旋轉(zhuǎn)角度的動態(tài)調(diào)整策略 提高搜索效率，使用佳點集進行交叉操作和模擬退火法進行選擇操作避免陷入局部最優(yōu)。
[0134] 使用改進后的量子遺傳算法對儲能選址定容優(yōu)化模型求解，包括：
[0135] (1)設(shè)定原始數(shù)據(jù):包括分布式電源和負(fù)荷的原始功率數(shù)據(jù)，儲能容量單價、貼現(xiàn) 率和壽命值，以及遺傳算法遺傳代數(shù)、變異概率、種群數(shù)目和模擬退火的初始溫度、終止溫 度以及每個溫度下迭代次數(shù)；
[0136] (2)種群初始化:將儲能的位置和容量以及充放電功率進行量子編碼，得到初始種 群，為使一個染色體取得所有可能值相等，將種群各個體的量子比特編碼都初始化為
[0137] (3)量子坍塌:對種群進行坍塌測量，得到一組確定的二進制染色體；
[0138] (4)目標(biāo)值計算:將所有個體帶入儲能選址定容優(yōu)化模型的潮流平衡約束公式，得 到電壓和網(wǎng)損值，將儲能容量、單價、充放電功率和網(wǎng)損值帶入儲能選址定容優(yōu)化模型的目 標(biāo)函數(shù)公式，計算得到目標(biāo)值；
[0139] (5)評價每個種群的適應(yīng)度。
[0140] (6)動態(tài)旋轉(zhuǎn)門更新:對種群根據(jù)更新每個個體的量子位；
[0141] (7)進行模擬退火選擇操作，
[0142] (8)進行佳點集交叉變異操作，
[0143] (9)判斷是否達到最大代數(shù)，如果達到，則計算結(jié)束，否則將第(8)步的結(jié)果代入第 (3)步，重復(fù)第(3)~第(9)步。
[0144] 下面給出最佳實施方式
[0145] 本實施例是采用如圖1所示微網(wǎng)結(jié)構(gòu)進行的。
[0146] 1、給出基礎(chǔ)數(shù)據(jù)
[0147] 該區(qū)域的峰谷分時電價:高峰1.1648元/kWh，時間：9~21點；低谷0.3778元/kWh， 時間：0~7點，23~24點；平時0 · 7603元/kWh，時間：7~9點，21~23點。在節(jié)點5、12、33接入 200kW光伏，節(jié)點15、25接入200kW風(fēng)電。
[0148] 儲能S0C上限設(shè)為100%，下限為40%。規(guī)劃期為20年。本發(fā)明儲能類型使用鋰電 池，其單位容量初建成本和更新成本均為3000元，每年單位容量運維成本為50元。貼現(xiàn)率設(shè) 為3 %。分布式電源的功率波動曲線如圖2所示。
[0149] 算法種群設(shè)為100,最大遺傳代數(shù)為100,模擬退火算法初始溫度設(shè)為200,結(jié)束溫 度為0.01，降溫速率為0.9，交叉概率為0.5，變異概率為0.1。
[0150] 線路數(shù)據(jù)如表1。
[0151]表1線路數(shù)據(jù)
[0153] 2、為證明本發(fā)明方法的有效性，提出三種方案，并分別進行對比：
[0154] 方案1:以儲能LCC、削峰填谷和網(wǎng)損收益為目標(biāo)，使用改進量子遺傳算法，對微網(wǎng) 儲能選址定容模型進行求解。
[0155] 方案2:方案1中的目標(biāo)值改為儲能初始投資成本、削峰填谷和網(wǎng)損收益。
[0156] 方案3:方案1中的算法改為量子遺傳算法。
[0157] 將所述基礎(chǔ)數(shù)據(jù)代入到本發(fā)明基于改進量子遺傳算法的微網(wǎng)儲能選址定容優(yōu)化 方法的步驟3)，使用改進后的量子遺傳算法對儲能選址定容優(yōu)化模型進行求解，得到3種方 案優(yōu)化結(jié)果及對比如表2所示：
[0158]表2各方案優(yōu)化結(jié)果
[0160] 由表2可知，方案1和方案2相比較，儲能接入的位置和容量均不同。方案2兩個節(jié)點 的容量均明顯小于方案1的容量，但其目標(biāo)儲能LCC值心大于方案1，削峰填谷和網(wǎng)損減少收 益略少于方案1。儲能LCC值具體對比值見表3:
[0161] 表3方案1和2的儲能LCC值
[0163] 以初始投資成本最低為目標(biāo)的方案1，雖然初始投資要小于以儲能LCC最小為目標(biāo) 的方案2，儲能初建成本較低，但由于壽命小，增加了其更新成本，從而使得LCC總值較高。
[0164] 方案1的儲能初建成本為158和216.3萬元，初建成本占總成本的36%，方案2的儲 能初建成本為146.5和192.3萬元，初建成本只占總成本的29%，得出結(jié)論如下：
[0165] 1)以初建成本為目標(biāo)的方案2,更新和運維成本占到了很大的比重，不是全壽命周 期費用最優(yōu)的方案。
[0166] 2)前期投資成本的高低會對后期的運營階段的成本產(chǎn)生很大的影響，方案1高的 初建成本可能會降低未來更新和運維成本，從而使得規(guī)劃方案的整個壽命周期內(nèi)的費用降 低
[0167] 總結(jié)可知僅依靠初建成本進行決策的方案選擇方法具有明顯的局限性，僅考慮初 建成本，不考慮其規(guī)劃期內(nèi)的更新和運維成本，導(dǎo)致其雖初建成本較低，優(yōu)化的儲能總LCC 值偏大。
[0168]由表2可知，方案1和3相比較，儲能接入位置接近，但其容量較高。原因是量子粒子 群算法本身容易陷入局部最優(yōu)的缺陷，圖3為兩種算法目標(biāo)值遺傳迭代過程：
[0169]由圖3可以看出，相比較與量子遺傳算法(QGA)，改進量子遺傳算法（IQGA)初始收 斂速度更快，到39代已取得最優(yōu)解，而QGA于53代時即陷入局部最優(yōu)，這是因為QGA的自我認(rèn) 知過程單一，一旦與社會認(rèn)知相匹配，便不再迭代；而IQGA由于利用動態(tài)旋轉(zhuǎn)門，加快了收 斂速度，并且基于模擬退火選擇和佳點集交叉選點的方式讓其能逐步趨近更可靠的全局最 優(yōu)解。
[0170] 通過以上分析，IQGA與QGA相比有以下幾個優(yōu)點：
[0171] 1)具有更好的擺脫局部最優(yōu)，實現(xiàn)全局尋優(yōu)的能力，優(yōu)化得到更好的結(jié)果。
[0172] 2)在相同的算法設(shè)置條件下，具有更好的收斂能力和更快的收斂速度，以更少的 代數(shù)尋找到了更優(yōu)的解。
【主權(quán)項】
1. 一種基于改進量子遺傳算法的微網(wǎng)儲能選址定容優(yōu)化方法，其特征在于，包括如下 步驟： 1)建立儲能選址定容優(yōu)化模型，包括儲能選址定容優(yōu)化模型的目標(biāo)函數(shù)公式和約束公 式，所述的儲能選址定容優(yōu)化模型的目標(biāo)函數(shù)公式包括： (1)建立儲能全壽命周期成本凈現(xiàn)值公式：0) Cj = Cj , Cap+Cj , Rep+Cj, OM+Cj , Sal ( 2 ) 式中，fi為儲能規(guī)劃期n年的凈現(xiàn)值;時為貼現(xiàn)率;C,j為儲能在第j年的現(xiàn)金流，包括第j 年的初建成本C,j,Gap、更新成本C,j,Rep、運行維護成本C,j,日Μ和殘值C,j,Sal; 所述的初建成本：以） 式中，Cess為儲能初建成本單價，單位為元/kWh;跑為儲能系統(tǒng)容量； 所述的更新成本：(4) 式中，Ress為儲能更新成本單價，單位為元/kWh, k為規(guī)劃期η年內(nèi)，壽命為Less年的儲能 設(shè)備共經(jīng)歷更新的次，表示為： k = n/LEss (5) 航冰的K打維拍成水.倘 式中，OMess為運行維護成本單價，單位為元/kWh; 所述的殘值：式中，EEss[j，i，m]為第j年第i天第m個小時的儲能能量值，C(m)為第m個小時的電能單 價； (3)建立網(wǎng)損減小收益公式式中，Δ化〇ss[ j，i，m]為第j年第i天第m個小時的網(wǎng)損值。 考慮儲能全壽命周期成本、削峰填谷收益和網(wǎng)損減小值情況后，儲能選址定容優(yōu)化模 型的目標(biāo)函數(shù)為： minF=min(f 廣 f2-f3) (10) 所述的儲能選址定容優(yōu)化模型的約束公式包含潮流平衡約束、支路潮流約束、電壓約 束、儲能充放電約束、W及儲能荷電狀態(tài)約束； 2) 對量子遺傳算法進行改進，包括： (1)量子比特編碼 量子比特表示如下： 城=保悼+川1〉 （1巧 式中，9為量子比特，α、0為復(fù)數(shù)，滿足： α|2+|β|2=ι (17) 式中，I α 12表示量子比特狀態(tài)為0的概率，I β 12表示量子比特狀態(tài)為1的概率； 量子態(tài)向量形式：式中，kl和k2e(〇.00131,0.0531)，fmax為種群中最大適應(yīng)度值，faverage為當(dāng)代種群的平均 適應(yīng)度值，f為進行量子更新的個體的適應(yīng)度值。該式表示，在進行量子更新個體的適應(yīng)度 值低于平均適應(yīng)度值，表示該個體不是優(yōu)良個體，對其旋轉(zhuǎn)角要采用較大的值，反之，要根 據(jù)適應(yīng)度值取相應(yīng)的旋轉(zhuǎn)角。 (3 )使用模擬退火進行選擇操作； (4)巧塌測量： 通過編碼染色體進行測量得到長度為m的二進制字符串p= [XI X2…Xm]，其中，XI X2 …~1之間的實數(shù)，現(xiàn)慢過程如下： 隨機產(chǎn)生一個0~1之間的實數(shù)r，若r、皆，i = 1，2· · ·，m，則XI = 1;若f《:磚，.側(cè)XI = 0; 3) 使用改進后的量子遺傳算法對儲能選址定容優(yōu)化模型求解，包括： (1) 設(shè)定原始數(shù)據(jù):包括分布式電源和負(fù)荷的原始功率數(shù)據(jù)，儲能容量單價、貼現(xiàn)率和 壽命值，W及遺傳算法遺傳代數(shù)、變異概率、種群數(shù)目和模擬退火的初始溫度、終止溫度W 及每個溫度下迭代次數(shù)； (2) 種群初始化:將儲能的位置和容量W及充放電功率進行量子編碼，得到初始種群， 將種群各個體的量子比特編碼都初始化為 (3) 量子巧塌:對種群進行巧塌測量，得到一組確定的二進制染色體； (4) 目標(biāo)值計算:將所有個體帶入儲能選址定容優(yōu)化模型的潮流平衡約束公式，得到電 壓和網(wǎng)損值，將儲能容量、單價、充放電功率和網(wǎng)損值帶入儲能選址定容優(yōu)化模型的目標(biāo)函 數(shù)公式，計算得到目標(biāo)值； (5) 評價每個種群的適應(yīng)度。 (6) 動態(tài)旋轉(zhuǎn)口更新:對種群根據(jù)更新每個個體的量子位； (7) 進行模擬退火選擇操作； (8) 進行佳點集交叉變異操作： (9) 判斷是否達到最大代數(shù)，如果達到，則計算結(jié)束，否則將第(8)步的結(jié)果代入第(3) 步，重復(fù)第(3)~第(9)步。2. 根據(jù)權(quán)利要求1所述的基于改進量子遺傳算法的微網(wǎng)儲能選址定容優(yōu)化方法，其特 征在于，步驟1)所述的儲能選址定容優(yōu)化模型的約束公式如下： 潮流平衡約束公式： 時 g+Phg+Pbess = Pl (11) Qdg+Qhg+Qbess = Ql (12) 時日、？肪、？6￡55、？1分別對應(yīng)為分布式電源、高壓電網(wǎng)、儲能、負(fù)荷有功功率，9〇日、9冊、96￡55、 化分別對應(yīng)為分布式電源、高壓電網(wǎng)、儲能、負(fù)荷無功功率。 支路潮流約束公式： Sijmin《Sij《Sijmax ( 13 ) Sijmax、SiMn分別為線路ij視在功率上下限，SU為注入支路ij的實際視在功率 電壓約束公式： V < V < V mm _ _ max /1/1、 Vmax、Vmin分別為節(jié)點電壓的上下限，V為節(jié)點j的實際電壓，NncKle為微網(wǎng)節(jié)點總數(shù)。 儲能荷電狀態(tài)約束公式： SOCmin《SOCr(i)《SOCmax (15) SOCmax、SOCmin分別為節(jié)點電壓的上下限，SOCr為實際儲能荷電狀態(tài)。3. 根據(jù)權(quán)利要求1所述的基于改進量子遺傳算法的微網(wǎng)儲能選址定容優(yōu)化方法，其特 征在于，步驟2)中第(2)步所述的使用模擬退火進行選擇操作包括： 第1步:種群初始化，根據(jù)目標(biāo)函數(shù)設(shè)定初始溫度，并設(shè)置每個溫度下的迭代次數(shù)L 第2步:設(shè)定溫度控制參數(shù)初值tL = 1，tL e 1，2，3 ··?山 第3步：設(shè)當(dāng)前解為f(i)，根據(jù)鄰域函數(shù)產(chǎn)生新解為f(j)，計算f(j)增量AE = f(j)-f (i); 第4步:若Δ E<0，則接受新解，Δ E>0，在0~1之間隨機產(chǎn)生一個值p，e- Δ E/ktL〉p，其 中，e為自然數(shù)，k為玻爾茲曼常數(shù)，則接受新解，e-Δ E/ktL《p，保留當(dāng)前解； 第5步：tL = tL+l，若tL未達到溫度控制參數(shù)L，則返回第3步，若達到溫度控制參數(shù)L，則 進入第6步； 第6步:若未達到冷卻狀態(tài)，則對當(dāng)前溫度實施降溫，返回第2步，若己達到冷卻狀態(tài)，貝U 輸出當(dāng)前最優(yōu)解，算法結(jié)束。
【文檔編號】G06N3/12GK106096757SQ201610378940
【公開日】2016年11月9日
【申請日】2016年5月31日
【發(fā)明人】申剛, 張巖, 尚德華, 楊毅, 張源超, 莊劍, 于建成, 項添春, 王旭東, 丁, 丁一, 戚艷
【申請人】天津天大求實電力新技術(shù)股份有限公司, 國網(wǎng)天津市電力公司, 國家電網(wǎng)公司