基于主从博弈模型的交直流混合微电网优化运行方法

摘要

一种基于主从博弈模型的交直流混合微电网优化运行方法：采集微电网所在区域光照强度、温度、云量的气象数据，统计微电网中光伏发电量历史数据，对交直流混合微电网中次日光伏电池出力采用基于典型趋势的预测方法进行预测；对交直流混合微电网中双向换流器、潮流控制器两侧传输功率数据进行采集，并建立交直流混合微电网中各种设备的数学模型；将一天分为多个调度时段，建立光伏运营商和电网公司在每个调度时段利益相互协调的主从博弈模型，主从博弈模型包括光伏运营商利益最大化的光伏利用率模型和代表电网公司损失最小化的交直流混合微电网网损模型；采用异步变化学习因子的二阶振荡粒子群算法，提高算法的全局搜索性能。本发明适用性广，预测精度较高。

说明书

技术领域

本发明涉及一种交直流混合微电网中多目标优化运行方法。特别是涉及一种基于主从博弈模型的交直流混合微电网优化运行方法。

背景技术

传统电力系统中化石能源的大量消耗带来严重的环境破坏，基于这一问题，新能源发电方式得到广泛应用。然而，由于新能源通常受多种天气因素的影响，其出力往往存在很大波动。其不可控性甚至给电网供电可靠与安全运行带来不利影响。微网通过整合多种分布式电源与负荷，成为可控的电力区域，从而提高不可控的新能源发电消纳率。因此微网技术受到国内外研究人员的广泛关注。

电力负荷按照其供电方式可以分为交流负荷和直流负荷。由于传统负荷中交流负荷占比很大，微网技术的研究主要集中于交流微网的研究。由于目前直流输电技术较为成熟、直流负荷的日益增多，将所有直流、电源通过逆变器接入交流微网将带来很大的能量损耗，同时大量的电力电子设备接入还会给电网引入大量谐波，基于此背景，交直流混合微电网具有很大的研究前景与应用价值。

为了推进电力系统市场化改革，我国目前正在逐步将售电侧放开，从而为电力用户提供灵活多样的电能服务。微电网中新能源运营商同样可以成为独立的售电公司。以光伏运营商为例，其通过向微网中用户出售成本较低的光伏发电电能获得收益，为了能最大化收益，其追求的目标是尽量将光伏出力全部消纳，即最大化光伏利用率。研究发现，追求最大化光伏利用率的过程中会影响到微电网的网损，即导致电网公司利益受损。这种情况下，为了追求各自运行目标，光伏运营商与电网公司存在利益博弈，因此有必要针对这一问题进行优化调度研究。

发明内容

本发明所要解决的技术问题是，提供一种可以使微电网可靠稳定运行，同时满足余量上网要求的基于主从博弈模型的交直流混合微电网优化运行方法。

本发明所采用的技术方案是：一种基于主从博弈模型的交直流混合微电网优化运行方法，包括如下步骤：

1)采集微电网所在区域光照强度、温度、云量的气象数据，统计微电网中光伏发电量历史数据，对交直流混合微电网中次日光伏电池出力采用基于典型趋势的预测方法进行预测；分别统计交流区和直流区的历史负荷数据，分别对次日交流负荷和直流负荷进行预测；

2)对交直流混合微电网中双向换流器、潮流控制器两侧传输功率数据进行采集，利用所采集数据建立交直流混合微电网中各种设备的数学模型；

3)将一天分为多个调度时段，建立光伏运营商和电网公司在每个调度时段利益相互协调的主从博弈模型，主从博弈模型包括光伏运营商利益最大化的光伏利用率模型和代表电网公司损失最小化的交直流混合微电网网损模型；

4)采用异步变化学习因子的二阶振荡粒子群算法，提高算法的全局搜索性能，从而避免早熟现象。

步骤1)所述的基于典型趋势的预测方法，是在已知某时段功率的基础上对未来时段的功率进行预测，基于典型趋势的预测方法的数学表达式为：

P^pre(t+i)＝P^pre(t)+ΔP^pre(t+i)＝P^pre(t)(1+P′_typ(t))；

其中，P^pre(t+i)为第t+i个时段的发电功率预测值；P^pre(t)为第t个时段的实际发电功率值；ΔP^pre(t+i)为第t+i个时段相对第t个时段的预测功率变化值；ΔP^pre(t+i)为第t个时段到第t+i个时段的变化率，P'(t)是基于典型趋势所获得，典型趋势是通过具有相似气象特征的日期中的功率计算得到。

所述的具有相似气象特征的日期中的功率是由如下各式得到：

待预测日与历史数据的相似关系公式：

其中，σ_j为第j日与待预测日的关联系数，σ_j值大于设定限值σ₀即认为与待预测日属于同一相似日；ρ是分辨系数，取0.5；x_j为所统计的气象数据组成的表征第j日气象特征的向量，表示为：

x_j＝[x_j(1),x_j(2),…,x_j(m)]

计算待预测日与历史数据的关联系数，筛选出大于关联限值σ₀的样本数据，得到K个相似日之后通过下式来计算相似日的典型趋势P′_typ(t)

步骤2)所述的交直流混合微电网中各种设备的数学模型，包括：

(1)储能电池寿命

其中N_life为储能电池的循环寿命；DOD为放电深度；N_a为放电深度最高次幂；a_i为DOD第i次幂系数，a_i通过对测量数据进行拟合得到；

储能电池在使用中应当满足功率平衡、荷电状态上下限的约束条件：

DOD(t)＝1-SOC(t)

SOC_min≤SOC(t)≤SOC_max

SOC(t)为第t个时段储能电池荷电状态；为储能电池容量；P_SB(t)为第t时段储能电池的充放电功率；Δt为一个时段的时间长度；DOD(t)表示储能电池的放电深度；SOC_max、SOC_min分别为荷电状态的上下限值；

(2)储能电池的成本模型

包括寿命损耗成本C₀和能量损耗成本C₁两部分

其中，C_init为储能电池的安装成本，C_g为外电网电价，η为储能电池的能量效率；

(3)储能电池的综合成本模型：

(4)潮流控制器与双向换流器功率传输模型

其中，表示第t个时段设备的传输效率；r_i为传输功率Pⁱ(t)系数；PCS表示潮流控制器，ILC表示双向换流器；

(5)变压器传输效率模型

式中：S_N为变压器容量；β表示负载率，为功率因数，p₀为变压器额定电压下的空载损耗，p_kN为额定电流时的短路损耗。

步骤3)所述的主从博弈模型为：

其中，P_PV,k(t)为第k个光伏电池的实际出力，为第k个光伏电池的预测出力；S_SB(t)为储能电池在第t时段的荷电量；μ_ch为充电标识，当储能处于充电状态时μ_ch为1，处于其他状态时为0；μ_dis为放电标识，当储能处于放电状态时μ_dis为1，处于其他状态时为0；为储能充电功率，为储能放电功率；η_ch为储能充电效率，η_dis为储能放电效率；P_grid(t)为交直流微电网与大电网交换功率；P_PV(t)为光伏输出功率；η_PV,i为光伏换流器功率传输效率；P_ACL,j(t)表示交流区第j个负荷功率；P_ILC为双向换流器传输功率；Η_ILC为双向换流器功率传输效率；P_ET(t)为电力电子变压器传输功率；Η_ET(t)电力电子变压器功率传输效率；Η_SBC为与储能电池连接的换流器功率传输效率；P_DCL,m为直流区第m个负荷功率；为双向换流器传输容量；为潮流控制器传输容量；γ_PV表示光伏利用率，f为电网网损及储能寿命损耗和能量损耗折现函数，γ_PV通过下式计算：

式中，T为调度周期中的时段数；s为分散安装的光伏电池数量；P_PV,k(t)与分别为第k个光伏电池调度出力与预测出力；

f通过下式计算：

f＝f_l+f_bat

f_bat为储能电池损耗引起的经济损失；C_init为储能电池的安装费用；f_l为交直流混合微电网网损；P_i,k表示第i类潮流控制器或双向换流器k传输的功率；η_i,k表示第i类潮流控制器或双向换流器k传输效率；N为功率转换设备的种类；m_k为混合微电网中第k类功率转换设备的数量。

步骤4)所述的使用异步变化学习因子的二阶振荡粒子群算法包含如下步骤：

(1)初始化，输入粒子群的规模、变量个数、惯性权重、最大飞行速度、最大迭代次数、各个无功调节设备的参数和初始出力向量；

(2)设定当前每个粒子的位置为个体极值点x_pbest，计算每一个粒子的适应值δ_fit＝F^t(x)，取最小适应值作为群体当前的最优解F_best，并记最小适应值对应的粒子的位置为全局极值点x_gbest，设定初始迭代次数n_it为1；采用下式对微粒的速度v进行进化：

v_it+1＝wv_it+c_1,itr₁[x_it-(1+ξ₁)x_it+ξ₁x_it-1]+c_2,itr₂[x_pbest-(1+ξ₂)x_it+ξ₂x_it-1]

同时根据下式对粒子的位置x进行进化：

x_it+1＝x_it+v_it+1

式中，c_1,it和c_2,it为学习因子，在异步变化学习因子的二阶振荡粒子群算法中，每次迭代中c_1,it和c_2,it按照下式计算，

其中c_1,ini为c_1,it的迭代初始值，c_1,fin为c_1,it的迭代终值，c_2,ini为c_2,it的迭代初始值，c_2,fin为c_2,it的迭代终值，it表示当前迭代次数，it_max为最大迭代次数。

ξ₁和ξ₂均为随机数，如果当前迭代次数小于最大迭代次数的1/2，ξ₁和ξ₂满足：

如果当前迭代次数小于最大迭代次数的1/2，ξ₁和ξ₂应当满足：

(3)判断当前的迭代次数是否满足最大迭代次数，若满足则输出计算结果，否则设定迭代次数n_it＝n_it+1；

(4)更新粒子的位置和速度，并更新无功调节设备出力变量；

(5)判断粒子群中全部粒子的状态是否满足主从博弈模型中各不等式约束条件，若满足则保留粒子位置，否则取不等式约束条件对应的粒子位置限值；

(6)计算当前每个粒子的适应值，保存全局最优解F_best，全局最优位置x_gbest和个体最优位置x_pbest，并转到第(3)步。

本发明的基于主从博弈模型的交直流混合微电网优化运行方法，具有如下优点：

1.建立了交直流混合微电网中光伏运营商和电网公司相互协调的主从博弈模型，模型包括代表光伏运营商利益的最大化光伏利用率的主体模型和代表电网公司目标的最小化交直流混合微电网网损率的从体模型，该模型符合客双方实际需要并且以数学形式展现，因此可以给出比传统调度方式更加客观合理的调度方案。

2.提出了一种基于典型趋势的负荷、新能源发电功率预测方法，与已有的负荷预测方法相比，该方法原理较为简单，适用性广，具有较高的可应用行，预测精度较高，适用于为交直流混合微电网优化提供预测数据。

3.针对传统粒子群算法容易陷入早熟的缺点，对粒子群算法采用改变学习因子进行改进，得到了一种具有更优全局搜索性能的异步变化学习因子的二阶振荡粒子群算法。

附图说明

图1是交直流混合微电网示范工程结构图；

图2是本发明方法获得的负荷预测测试曲线；

图3是本发明方法获得的负荷预测误差测试曲线；

图4是本发明方法获得的光伏出力预测曲线；

图5是光伏出力预测误差测试；

图6是现有技术的方法得到的示范工程储能电池放电深度与寿命关系；

图7是现有技术的方法得到的潮流控制器效率测量数据；

图8是现有技术的方法得到的100kWPCS效率函数拟合曲线；

图9是现有技术的方法得到的250kWPCS效率函数拟合曲线；

图10是现有技术的方法得到的直流变压器效率函数拟合曲线；

图11是本发明方法获得的示范工程负荷及光伏出力预测；

图12是本发明方法获得的PCC处传输功率曲线；

图13是本发明方法获得的直流变压器与三台潮流控制器的输出曲线；

图14是本发明方法获得的潮流控制器传输功率曲线；

图15是本发明方法获得的液流电池与储能电池组出力曲线；

图16是本发明方法获得的液流电池与储能电池组剩余电量；

图17是本发明方法获得的不同功率范围换流设备启停情况。

具体实施方式

下面结合实施例和附图对本发明的基于主从博弈模型的交直流混合微电网优化运行方法做出详细说明。

本发明的基于主从博弈模型的交直流混合微电网优化运行方法，其特征在于，包括如下步骤：

1)采集微电网所在区域光照强度、温度、云量的气象数据，统计微电网中光伏发电量历史数据，对交直流混合微电网中次日光伏电池出力采用基于典型趋势的预测方法进行预测；分别统计交流区和直流区的历史负荷数据，分别对次日交流负荷和直流负荷进行预测；

所述的基于典型趋势的预测方法，是在已知某时段功率的基础上对未来时段的功率进行预测，基于典型趋势的预测方法的数学表达式为：

P^pre(t+i)＝P^pre(t)+ΔP^pre(t+i)＝P^pre(t)(1+P′_typ(t))；

其中，P^pre(t+i)为第t+i个时段的发电功率预测值；P^pre(t)为第t个时段的实际发电功率值；ΔP^pre(t+i)为第t+i个时段相对第t个时段的预测功率变化值；ΔP^pre(t+i)为第t个时段到第t+i个时段的变化率，P'(t)是基于典型趋势所获得，典型趋势是通过具有相似气象特征的日期中的功率计算得到。

所述的具有相似气象特征的日期中的功率是由如下各式得到：

待预测日与历史数据的相似关系公式：

其中，σ_j为第j日与待预测日的关联系数，σ_j值大于设定限值σ₀即认为与待预测日属于同一相似日；ρ是分辨系数，取0.5；x_j为所统计的气象数据组成的表征第j日气象特征的向量，表示为：

x_j＝[x_j(1),x_j(2),…,x_j(m)]

计算待预测日与历史数据的关联系数，筛选出大于关联限值σ₀的样本数据，得到K个相似日之后通过下式来计算相似日的典型趋势P′_typ(t)

2)对交直流混合微电网中双向换流器、潮流控制器两侧传输功率数据进行采集，利用所采集数据建立交直流混合微电网中各种设备的数学模型；

所述的交直流混合微电网中各种设备的数学模型，包括：

(1)储能电池寿命

其中N_life为储能电池的循环寿命；DOD为放电深度；N_a为放电深度最高次幂；a_i为DOD第i次幂系数，a_i通过对测量数据进行拟合得到；

储能电池在使用中应当满足功率平衡、荷电状态上下限的约束条件：

DOD(t)＝1-SOC(t)

SOC_min≤SOC(t)≤SOC_max

SOC(t)为第t个时段储能电池荷电状态；为储能电池容量；P_SB(t)为第t时段储能电池的充放电功率；Δt为一个时段的时间长度；DOD(t)表示储能电池的放电深度；SOC_max、SOC_min分别为荷电状态的上下限值；

(2)储能电池的成本模型

包括寿命损耗成本C₀和能量损耗成本C₁两部分

其中，C_init为储能电池的安装成本，C_g为外电网电价，η为储能电池的能量效率；

(3)储能电池的综合成本模型：

(4)潮流控制器与双向换流器功率传输模型

根据对潮流控制器、双向换流器输入输出功率测量分析发现，传输效率与传输功率具有函数关系，可以用多项式函数进行拟合。并且二次函数已经可以满足工程精度需求。

其中，表示第t个时段设备的传输效率；r_i为传输功率Pⁱ(t)系数；PCS表示潮流控制器，ILC表示双向换流器；

(5)变压器传输效率模型

式中：S_N为变压器容量；β表示负载率，为功率因数，p₀为变压器额定电压下的空载损耗，p_kN为额定电流时的短路损耗。

3)将一天分为多个调度时段，建立光伏运营商和电网公司在每个调度时段利益相互协调的主从博弈模型，主从博弈模型包括光伏运营商利益最大化的光伏利用率模型和代表电网公司损失最小化的交直流混合微电网网损模型；

所述的主从博弈模型为：

其中，P_PV,k(t)为第k个光伏电池的实际出力，为第k个光伏电池的预测出力；S_SB(t)为储能电池在第t时段的荷电量；μ_ch为充电标识，当储能处于充电状态时μ_ch为1，处于其他状态时为0；μ_dis为放电标识，当储能处于放电状态时μ_dis为1，处于其他状态时为0；为储能充电功率，为储能放电功率；η_ch为储能充电效率，η_dis为储能放电效率；P_grid(t)为交直流微电网与大电网交换功率；P_PV(t)为光伏输出功率；η_PV,i为光伏换流器功率传输效率；P_ACL,j(t)表示交流区第j个负荷功率；P_ILC为双向换流器传输功率；Η_ILC为双向换流器功率传输效率；P_ET(t)为电力电子变压器传输功率；Η_ET(t)电力电子变压器功率传输效率；Η_SBC为与储能电池连接的换流器功率传输效率；P_DCL,m为直流区第m个负荷功率；为双向换流器传输容量；为潮流控制器传输容量；γ_PV表示光伏利用率，f为电网网损及储能寿命损耗和能量损耗折现函数，γ_PV通过下式计算：

式中，T为调度周期中的时段数；s为分散安装的光伏电池数量；P_PV,k(t)与分别为第k个光伏电池调度出力与预测出力；

f通过下式计算：

f＝f_l+f_bat

f_bat为储能电池损耗引起的经济损失；C_init为储能电池的安装费用；f_l为交直流混合微电网网损；P_i,k表示第i类潮流控制器或双向换流器k传输的功率；η_i,k表示第i类潮流控制器或双向换流器k传输效率；N为功率转换设备的种类；m_k为混合微电网中第k类功率转换设备的数量。

4)采用异步变化学习因子的二阶振荡粒子群算法，提高粒子群算法的全局搜索性能，从而避免早熟现象。包含如下步骤：

(1)初始化，输入粒子群的规模、变量个数、惯性权重、最大飞行速度、最大迭代次数、各个无功调节设备的参数和初始出力向量；

(2)设定当前每个粒子的位置为个体极值点x_pbest，计算每一个粒子的适应值δ_fit＝F^t(x)，取最小适应值作为群体当前的最优解F_best，并记最小适应值对应的粒子的位置为全局极值点x_gbest，设定初始迭代次数n_it为1；采用下式对微粒的速度v进行进化：

v_it+1＝wv_it+c_1,itr₁[x_it-(1+ξ₁)x_it+ξ₁x_it-1]+c_2,itr₂[x_pbest-(1+ξ₂)x_it+ξ₂x_it-1]

同时根据下式对粒子的位置x进行进化：

x_it+1＝x_it+v_it+1

式中，c_1,it和c_2,it为学习因子，在异步变化学习因子的二阶振荡粒子群算法中，每次迭代中c_1,it和c_2,it按照下式计算，

其中c_1,ini为c_1,it的迭代初始值，c_1,fin为c_1,it的迭代终值，c_2,ini为c_2,it的迭代初始值，c_2,fin为c_2,it的迭代终值，it表示当前迭代次数，it_max为最大迭代次数。

ξ₁和ξ₂均为随机数，如果当前迭代次数小于最大迭代次数的1/2，ξ₁和ξ₂满足：

如果当前迭代次数小于最大迭代次数的1/2，ξ₁和ξ₂应当满足：

(3)判断当前的迭代次数是否满足最大迭代次数，若满足则输出计算结果，否则设定迭代次数n_it＝n_it+1；

(4)更新粒子的位置和速度，并更新无功调节设备出力变量；

(5)判断粒子群中全部粒子的状态是否满足主从博弈模型中各不等式约束条件，若满足则保留粒子位置，否则取不等式约束条件对应的粒子位置限值；

(6)计算当前每个粒子的适应值，保存全局最优解F_best，全局最优位置x_gbest和个体最优位置x_pbest，并转到第(3)步。

下面给出具体实例：

以浙江地区某一交直流混合微电网示范工程为例，采用本发明提出的预测及建模方法进行优化调度。该示范工程中包含容量为2MW的光伏电池，总容量为1MWh的储能电池组，其最大输出功率为250kW；交流区和直流区之间通过4台功率为250kW的潮流控制器连接，简化结构如图1所示。

首先对光伏及负荷出力按照如下步骤进行预测。预测结果如图11所示。

a)读取待预测日前20天气象及负荷数据；

b)根据气象数据计算历史数据与预测日的相关系数；

c)选出相关系数最高的5天作为相似日；

d)剔除坏数据并恢复；

e)求取相似日1～96时段负荷中位数作为典型值；

f)计算相邻时段负荷变化率；

g)根据式所得变化率计算待预测时段功率。

通过对双向换流器、潮流控制器和电力电子变压器两侧传输功率进行分析，得到两种设备传输功率和效率的函数曲线，如图7至图10所示。

为验证所建立模型的正确性，在示范工程结构图中进行验证。在异步变化学习因子的二阶振荡粒子群算法实现过程中，经过多次测试，最终粒子数取为50，学习因子c1、c2均取为2，惯性因子取0.6，飞行速度取0.8，最大迭代次数为2000次，混沌步数取10。并采用提出的异步变化学习因子的二阶振荡粒子群算法优化算法进行求解。优化运行结果如图12至图16所示。

在三台潮流控制器及电力电子变压器的功率分配问题上，并没有简单地将功率平均分配，而是提出两种潮流控制器功率分配方法：一种是最小化换流损耗的功率分配，另一种是兼顾功率损耗和均流控制的功率分配方法。

以换流功率损耗最小为目标，同时将其输送功率大小排序，进行局部优化，分配结果如图17。这样运行优势包括：

1)三台潮流控制器功率损耗最小。从图8可以看出，潮流控制器运行效率并非随输送功率增加而单调增加，而是存在一个效率峰点。合理分配潮流控制器功率可以使运行损耗最低。

2)各台潮流控制器变化相对较小，寿命损耗较低。固定三台潮流控制器的输送功率大小顺序后，在不同时段功率输送指令将有序地分配到三台潮流控制器，而不是随机分配。这样就避免了整体输送功率变化较大时，相邻时段同一台潮流控制器输送功率值由最大变为最小或者相反的情况的发生。

以兼顾均流和换流损耗为目标的换流方式，根据换流总功率的不同范围选择潮流控制器和电力电子变压器的启停台数，在开启的换流设备之间进行均流。这样运行运行的优点是控制方便，换流损耗较低。通过对换流设备不同组合进行分析，不同功率范围的设备启停情况如图17所示。具体结果由表1列出。

表1同功率范围换流设备启停情况

功率范围/kW电力电子变压器开启台数潮流控制器开启台数0-11710117-25001250-50002500-75003750-100013

优化调度时间间隔取1h，即将一天分为24个调度时段从图4-11可知，大约在11:00～13:00时段光伏出力大于负荷，其他时间光伏局小于负荷，从图12中看出，交直流混合微电网会向外网输送功率。在光伏出力大于负荷期间，图15可以看出，该时段储能处于充电状态，从图16可以看出，储能电池剩余电量上升。因此，可以看出所提的优化调度方案可以使微电网可靠稳定运行，同时满足余量上网的要求。