一种基于量子行为粒子群算法的微电网调度方法

摘要

本发明公开了一种基于量子行为粒子群算法的微电网调度方法，本发明针对并网型风光储微电网功率平衡约束问题目前应用比较多的是在目标函数中加入惩罚项，通过对偏离功率平衡的粒子相应目标函数值中加入惩罚项，从而使函数值增大，这样通过算法寻优将这部分粒子过滤掉，但这样会造成粒子数量的减少，影响算法的搜索性能。本发明通过将蓄电池作为直接优化变量和微网与大电网交换功率作为间接优化变量的方式降低了粒子维度，并且对不满足荷电状态约束的粒子和与大电网交换功率约束的粒子从新初始化和循环迭代，从而保证了粒子的搜索性能，并能相应提高收敛速度。

说明书

技术领域

本发明属于微网技术领域，尤其针对风光储并网型微电网优化调度，涉及一种基于量子行为粒子群算法的微电网调度方法。

背景技术

微电网是由多种DG(distributiongeneration)、储能单元、负荷和控制保护系统组成的，通过协调各DG，为一个小区或者海岛提供电力或热负荷的需求，微电网的技术特点使其适合为一些边远地区供电。并网型风光储微电网作为一种典型的微电网在未来具有极大的发展空间，并网运行时，由于大电网实施了峰谷电价，这使得并网型微电网可以在低电价时从大电网购电，而在高电价时售电给大电网从而赚取差价，降低整个系统运行成本。

微电网的调度的目标可以是单目标，也可以是多目标，目前单目标主要针对系统某一阶段运行成本而言，比如日前调度则是考虑全天运行成本，而多目标主要考虑系统运行成本，环境惩罚成本以及可靠性等。微电网优化调度问题是一个多维非线性优化问题，对于传统的通过求解方程得到最优解方法难以应用于解决微网优化调度问题中。而随着智能控制和智能算法的发展，智能算法对于解决高维非线性最优问题已经比较成熟，比较典型的智能优化算法主要有进化遗传算法、鱼群算法、蚁群算法以及粒子群算法。通过对微网优化调度问题的建模并结合智能算法，可以有效的求解此类高维非线性优化问题。

现有微电网调度技术主要针对是经济性而言，其中包括机组运行维护成本、燃料成本、折旧成本、启停机成本以及在并网状态下运行和大电网的交互成本，对于环境成本，主要是针对柴油机、微型燃气轮机等有污染物排放机组而言的。如何降低微电网运行维护成本和与大电网交互成本成为并网型风光储微网的关键问题，由于各机组出力与负荷以及各机组的出力上下限均有关系，在随机类智能搜索算法中经常会出现变量越限或约束不满足要求的情况，因此如何处理好约束也成为优化调度中的一个关键。此外，随机类智能算法的容易早熟以及不收敛问题也给多维非线性问题的求解带来了一定的困难，且算法的全局搜索能力和局部搜索能力对非线性问题的寻优也有一定的影响，而如何权衡两者使得算法适合实际问题的需要也是目前需要研究的一个问题。

发明内容

本发明主要针对并网型风光储微电网优化调度问题，提供了一种基于量子行为粒子群算法的微电网优化调度方法，且通过对算法的参数控制，使得其适用于风光储微电网优化调度问题，且能较好的处理各约束问题。本发明主要通过以下技术方案实现：

为解决风光储并网型微电网优化调度问题，本发明主要采用的技术方案是基于量子行为粒子群算法的并网型风光储微电网优化调度方法，所述方法主要步骤有：

A、基于日前调度计划安排各微电源出力，选定储能系统中的蓄电池出力为直接优化变量，而微电网和大电网交换功率为间接优化变量；设定仿真的调度周期和时间维度，载入光伏出力、风机出力和负荷功率预测数据以及微电网和大电网交换功率的实时电价，同时设定算法的粒子个数、迭代次数、运行轮数以及粒子维数；

B、初始化蓄电池的荷电状态并计算蓄电池初始剩余电量；对每个粒子的每一维依次进行循环，若蓄电池荷电状态满足所要求的约束范围，则对其在出力范围内进行随机初始化，计算该时刻蓄电池荷电状态，然后对蓄电池荷电状态进行检测，如果蓄电池荷电状态不在所要求的约束范围内，则对其进行边界化条件处理；接着计算微电网和大电网的交换功率，并检测其是否超出传输线最大传输功率限制，如超出线路最大传输功率限制，则把传输功率置为最大允许传输功率，同时由功率平衡再次计算蓄电池出力，由蓄电池出力再计算其荷电状态，检测蓄电池荷电状态是否满足要求，如满足要求，则跳出该粒子循环，进入下一个粒子的初始化；

C、当所有粒子初始化完毕，则对其初始适应度值进行计算，也即目标函数值f(x)，f(x)主要包括以下部分；

$>f\left(x\right)=\underset{i=1}{\overset{T}{\Sigma }}R\left(i\right)P_{grid}\left(i\right)+\frac{1}{P_N{T}_N}{C}_{start}·K_C.·\left|\underset{i=1}{\overset{T}{\Sigma }}{P}_b\left(i\right)\right|---\left(1\right)$>

R(i)为微电网和大电网交换功率的实时电价，P_grid(i)为微电网与大电网的交换功率，i为调度的某个时间维度，T为调度周期，P_N为储能蓄电池的额定输出功率，T_N为储能蓄电池年运行小时数，C_start为储能系统的初始总投资成本，P_b(i)为储能蓄电池在某调度时刻的实际输出功率，K_c·为储能系统的资本回收系数，其由下式计算可得：

$>K_C.=\frac{s{(1+s)}^M}{{(1+s)}^M-1}---\left(2\right)$>

s为储能蓄电池的折旧率，M为储能蓄电池的使用寿命；

D、将每个粒子初始适应度值设定为该粒子个体最优适应度值，将粒子初始位置设定为粒子个体最优位置，比较所有粒子适应度值并找出全局最优粒子，并记录其位置和适应度值；

E、对每个粒子进行更新迭代，迭代完毕后对蓄电池每一时刻荷电状态进行计算，同时检测荷电状态是否满足约束条件，如不满足则对其进行边界化处理，并再次修正蓄电池出力。当蓄电池荷电状态超出下边界SOC_min时，则用(3)式修正蓄电池出力；当蓄电池荷电状态超出上边界SOC_max时，则用(4)式修正蓄电池出力。

$>X_t=RL-{\mathrm{SOC}}_{min}*NL-{\Sigma }_1^{t-1}X---\left(3\right)$>

$>X_t=RL-{\mathrm{SOC}}_{max}*NL-{\Sigma }_1^{t-1}X---\left(4\right)$>

其中X_t表示蓄电池在t时刻的输出功率，RL为蓄电池初始剩余容量，NL为蓄电池额定容量。

F、由功率平衡计算微网和大电网交换功率，同时检测其交换功率是否超出约束范围，若超出约束范围则进行边界化处理，并重新计算蓄电池出力和荷电状态，最后判断蓄电池荷电状态是否满足条件，如满足则跳出该粒子循环，进入下一个粒子的循环；

G、所有粒子循环完毕后重新计算适应度值，并更新个体最优位置和个体最优适应度值以及全局最优位置和全局最优适应度值，重新返回E进行循环；

H、当达到最大迭代次数时，终止迭代，输出最优出力、适应度值以及对应的蓄电池荷电状态。

本发明具有的优点及有益效果为：

1、目前还未有将量子行为粒子群应用到并网型风光储微网优化调度中，本方法为首次采用量子行为粒子群算法应用到此问题。与传统粒子群算法相比，量子粒子群算法采用的是量子力学中粒子的波粒二象性的原理而引入的，通过对粒子建立势阱模型，把传统粒子群算法通过速度来改变粒子位置变为通过吸引子来改变粒子位置，使粒子迭代更简单，但寻优能力更强。同时在本发明中将粒子迭代过程中的收缩扩张系数以及吸引子模型中与粒子个体最优位置和全局最优位置的两个固定参数均设置为跟随迭代次数动态变化的，使算法在开始的时候全局搜索能力较强，而迭代结束时局部搜索能力较强，这样能使算法较快的收敛到全局最优解，解决传统算法早熟和不收敛等问题。

2、针对并网型风光储微电网功率平衡约束问题目前应用比较多的是在目标函数中加入惩罚项，通过对偏离功率平衡的粒子相应目标函数值中加入惩罚项，从而使函数值增大，这样通过算法寻优将这部分粒子过滤掉，但这样会造成粒子数量的减少，影响算法的搜索性能。本发明通过将蓄电池作为直接优化变量和微网与大电网交换功率作为间接优化变量的方式降低了粒子维度，并且对不满足荷电状态约束的粒子和与大电网交换功率约束的粒子从新初始化和循环迭代，从而保证了粒子的搜索性能，并能相应提高收敛速度。

附图说明

图1是本发明提供的基于量子行为粒子群算法的并网型风光储微电网优化调度流程图；

图2是本发明的一个具体实例优化调度最终方案图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步的详细介绍：

本发明提出的基于量子行为粒子群算法的并网型风光储微电网优化调度方法流程图如图1所示，主要包括如下步骤：

A、设置算法的各基本参数，所需设置参数主要有粒子个数、粒子维数、迭代次数，粒子规模数取H＝20，粒子维数也即需要优化的蓄电池出力的时刻数，此处作为日前调度，调度周期为24h，每1h为一个时段，故粒子维数取T＝24，迭代次数取L＝500。

B、载入光伏、风机的预测出力和负荷的预测功率以及实时电价等数据。

C、设置所有粒子的初始荷电状态均一致，根据蓄电池总容量计算蓄电池剩余容量RL

D、初始化粒子每一维值，也即在蓄电池出力上下限之间随机赋值，并计算蓄电池核荷电状态荷电状态和微电网与大电网的交换功率P_grid，其值由下式功率平衡约束决定：

P_rgid＝P_load-P_PV-P_wt-P_b(5)

其中P_load为负荷的需求功率，P_PV为光伏发电的出力，P_wt为风机的出力，P_b为蓄电池出力。

E、根据蓄电池荷电状态和微电网与大电网交换功率P_grid约束对蓄电池和P_grid进行调整，蓄电池荷电状态约束用下述表达式表示：

SOC_min≤SOC≤SOC_max(6)

其中SOC_min和SOC_max分别是蓄电池允许的荷电状态下限和上限；

P_grid约束用下述表达式表示：

P_{grid_min}≤P_grid≤P_{grid_max}(7)

其中P_{grid_min}和P_{grid_max}分别是风光储微电网和大电网联络线传输功率的最小值和最大值；

蓄电池荷电状态小于其允许的最小值时，说明蓄电池处于过放状态，则让蓄电池放到允许的最低荷电状态，并计算蓄电池所能允许的最高放电功率，把这个最高放电功率作为蓄电池的实际出力；当蓄电池荷电状态大于其允许的最大值时，说明此时蓄电池处于过充状态，则让蓄电池充到允许的最高荷电状态，并计算蓄电池所能允许的最高充电功率，再把这个最高充电功率作为蓄电池的实际出力；当蓄电池荷电状态处于其允许的最大和最小值之间时，则检测蓄电池出力是否在其允许的上下限之间，其出力需满足的约束如下式所述：

$>P_{b\_min}\le P_b\le P_{b_{max}}---\left(8\right)$>

其中P_{b_min}和P_{b_max}分别为蓄电池所允许的出力下限和上限。

F、当所有粒子均初始化完毕后，则其进行适应度值计算，适应度值即目标函数计算由下式决定：

$>f\left(x\right)=\underset{i=1}{\overset{T}{\Sigma }}R\left(i\right)P_{grid}\left(i\right)+\frac{1}{P_N{T}_N}{C}_{start}·K_c.·\left|\underset{i=1}{\overset{T}{\Sigma }}{P}_b\left(i\right)\right|---\left(9\right)$>

其中R(i)为微电网和大电网交换功率的实时电价，i为调度的某个时间维度，T为调度周期，P_N为储能蓄电池的额定输出功率，T_N为储能蓄电池年运行小时数，C_start为储能系统的初始总投资成本，P_b(i)为储能蓄电池在某调度时刻的实际输出功率，K_c·为储能系统的资本回收系数，其由下式计算可得：

$>K_C.=\frac{s{(1+s)}^M}{{(1+s)}^M-1}---\left(10\right)$>

s为储能蓄电池的折旧率，M为储能蓄电池的使用寿命；

把所有粒子的初始适应度值作为每个粒子个体最优适应度值f_pbest，同时把位置作为个体最优位置pbest，根据初始化的适应度值找出最小值也即全局最优值赋值给全局最优粒子的适应度值f_gbest，同时把所对应的全局最优位置赋给全局最优粒子gebst。

G、通过引用量子行为粒子群算法基本进化公式：

其中P_b,j(t+1)表示第j个粒子第t+1次迭代值，这里也即蓄电池的出力，u和ψ均为[0,1]之间服从均匀分布的随机数，α称为收缩扩张系数，是除群体规模和迭代次数以外唯以可以控制的参数，一般对于α可以采用固定取值和线性减小的方式。为第j个粒子的吸引子，粒子通过吸引子的作用不断修正位置，使其朝着最优粒子的方向进化，吸引子的计算公式为：

其中pbest和gbest分别是粒子个体最优位置和全局最优位置，c₁和c₂均为服从高斯分布的随机函数，

mbest(j)为第t次迭代所有粒子的平均位置，平均位置定义如下：

$>mbest\left(t\right)=\frac{1}{H}\underset{j=1}{\overset{H}{\Sigma }}{P}_{b,j}\left(t\right)---\left(13\right)$>

通过以上进化公式对所有粒子进行更新迭代。

H、根据蓄电池荷电状态和微电网与大电网交换功率P_grid约束对蓄电池和P_grid进行调整，荷电状态和蓄电池出力以及P_grid同样需要检测是否满足上下限，如不满足，利用步骤E中同样的方法进行处理。

I、当迭代完毕且粒子均满足H中需要检测的条件时，则利用步骤F中的方法计算粒子当前位置的适应度值，根据下式进行粒子个体最好位置pbest更新：

即将P_b,j(t)粒子的适应度值和前一次迭代值pbest_j(t-1)进行比较，如果P_b,j(t)的适应度值小于pbest_j(t-1)的适应度值，则置pbest_j(t)＝P_b,j(t)；否则pbest_j(t)＝P_b,j(t-1)；

对于粒子j，将pbest_j(t)的适应度值与全局最优粒子位置gbest(t-1)的适应度值进行比较，若优于gbest(t-1)的适应度值，即f(pbest_j(t))<f(gbest(t-1))，则更新全局最优粒子位置gbest(t)＝pbest_j(t)，否则gbest(t)＝gbest(t-1)。

J、判断所有粒子是否达到设定的迭代次数，如未达到，则返回步骤G继续进行计算；如达到最大迭代次数，则终止循环，输出最终计算的结果，即得到全局最优粒子的位置，该粒子所在的位置即为蓄电池各时段的出力，从而计算与大电网的交换功率和蓄电池的荷电状态，另外还可输出最终整个调度周期内优化运行后的总经济费用。

实施例

本实施例以一个典型的并网型风光储微电网为例，整个系统包含光伏电池，风力发电机、蓄电池储能系统，光伏系统容量为80kWp，风力发电机190kW，蓄电池储能系统容量为150kWh，其系统投资成本为130万元，年运行小时数8760小时，规划使用寿命为15年，年折旧率6.3％，蓄电池充放电功率限制为不超过30kW，蓄电池荷电状态约束20％≤SOC≤75％，系统负荷为24小时实时负荷，其峰值为100kW，整个系统和大电网传输线功率限制为不超过15kW。

1、载入整个系统预测数据，如表1所示。

表1微网预测数据

2、在实施本例计算中，量子行为粒子群的收缩扩展系数采用线性减小的方式，取1.2到0.4随着迭代次数线性减小，如下式：

$>\alpha =\frac{-0.8*(t-1)}{L-1}+1.2---\left(15\right)$>

3、对上述风光储系统采用并网形式运行，应用粒子群算法优化运行费用为92.1元，而应用本文提出的方法得到的总运行费用为41.9119元，降低了54.49％，有较大的幅度的降低。从图2和图3可以分析得出，在电价较高的时刻，如12、14和15时刻微电网均向大电网输出电能售电，此时蓄电池放电，荷电状态降低；而在早间和晚间电价较低时刻微电网向大电网购电，蓄电池进行充电以恢复荷电状态。蓄电池出力、微网与大电网交换功率和蓄电池荷电状态均满足所要求的约束条件，充分体现了本方法的优越性，系统中蓄电池出力和微网与大电网的交换功率如图2所示，蓄电池荷电状态荷电状态变化如图3所示。