基于改进差分进化算法的微网容量优化配置方法

摘要

本发明涉及一种基于改进差分进化算法的微网容量优化配置方法。以总成本最低为目标，建立基于改进差分进化算法的微网容量优化配置方法。包括以下步骤：1.确定微网对象，对微网的进行数学建模。2.根据负载的特性和风光柴储互补发电系统特点，确定该系统的能量调度策略。3.以成本最低为目标函数，构建系统的目标函数方程。4.利用matlab软件对系统的数学模型进行编程与仿真，在算法部分，采用群智能算法对问题进行优化求解。分别在种群初始化阶段，变异阶段对差分进化算法进行改进。将改进后的差分进化算法应用于微网的容量优化配置中。克服了传统优化算法求解精度不高，速度较慢的问题，改进了微网容量配置的科学性和经济性。

说明书

技术领域

本发明涉及微网容量优化配置技术领域，具体是在多种发电方式参与的情形下，运用群优化算法对微网的容量配置进行经济优化。

技术背景

微网的容量优化配置是整个微网设计建造的先头环节，由于可再生能源的波动性，储能设备充放电的不稳定性以及相关设备投资成本的不确定性使得微网容量配置问题具有多目标，多约束，非线性的特点。

传统的系统容量配置设计往往依靠设计人员的人为经验。这种方法缺乏严格的科学性，常常导致投资成本高，经济性较差，稳定性欠佳等特点。近年来，越来越多的智能优化算法被应用于解决该问题。比如采用遗传和万有引力搜素等算法进行微网容量优化配置。这类传统的寻优算法易陷入局部最优从而找不到真正的全局最优解。因此，跳出局部最优，更快速更准确的找到全局最优解是此类算法改进的目标。

发明内容

本发明要解决的问题是，对于独立型风光柴储微网的容量优化配置问题，建立各个发电方式的数学模型；以总成本最低为目标建立目标函数方程；针对原有算法求解精度不高，速度较慢的问题，构建一种改进差分进化算法，来对微网容量优化配置问题进行最优规划，得到总成本最低的微网容量配置方案。

按照本发明所采用的技术方案，所述基于改进差分进化算法的微网容量优化配置方法包括以下步骤：

步骤1、微网系统的发电侧由多种发电方式组成，包括风力发电、光伏发电、柴油发电机发电以及储能的充放电，对微网中4种发电形式进行数学建模；将风力发电机、光伏电池板、柴油发电机以及储能的数量作为规划的变量，建立风光柴储独立型微网的数学模型；

步骤2、根据负载的特性和风光柴储互补发电系统特点，确定该系统的能量调度策略；

步骤3、系统的总成本由各个发电系统的投资与运维费用、停电惩罚与能量浪费费用以及环保成本组成，以总成本最低为目标函数，构建系统的目标函数方程在满足约束条件的情况下，求取风机数量、光伏数量、储能数量和柴油发电机数量的最佳配置；

步骤4、利用Matlab软件对系统的数学模型进行编程与仿真，将改进差分进化算法应用于微网的容量优化配置中；该应用于微网容量优化配置中的改进差分进化算法的过程主要包括：(1)应用反向学习策略生成初始化种群，其中每一个个体代表一种容量配置方案；(2)差分进化算法中缩放因子通过变异操作实现个体之间的变异，通过对新一代个体的搜索来找到优秀的解；所述缩放因子随着迭代的进行而进行自适应的变化；(3)根据个体的适应度值的大小，利用精英选择机制将当前种群划分为精英种群和非精英种群；将差分进化算法的两种变异策略结合，对于精英种群和非精英种群应用不同的变异策略进行交叉操作，得到新一代种群；(4)反复进行迭代，当迭代次数达到设定的最大值时，结束迭代并输出最优个体，最优个体对应了微网容量配置的最优方案。

具体的，步骤1中，建立一在发电侧由风机、光伏、柴油发电机和储能装置所构成的微电网模型；其中，风机、光伏、柴油发电机和储能装置的数量作为待规划的变量。

具体的，在步骤2中，根据负载的特性和风光柴储互补发电系统特点，确定该系统的能量调度策略如下：

(2.1)计算风、光两种发电方式输出的电能之和与负载功率的差值ΔP＝P

(2.2)检查蓄电池中的剩余电能，判断ΔP是否大于0，如果大于0，则进入步骤(2.3)，反之进入步骤(2.4)；

(2.3)若蓄电池中剩余电量超过上限值，储能装置停止充电，光伏限制功率输出，风机启动卸荷负载，确保微电网系统的运行安全；若蓄电池中剩余电量未达到上限值，则蓄电池进行充电；

(2.4)若蓄电池中剩余电量达到下限值或蓄电池输出功率与风、光输出功率之和小于负载功率，调度并开启柴油发电机，保证负载供电；否则进入步骤(2.5)；

(2.5)若蓄电池剩余电量未达到下限值且风光储输出功率之和大于负载功率，只需要蓄电池放电弥补功率缺值，不用启动柴油发电机。

具体的，在步骤3中，微网系统的总成本

min f(x)＝C

其中，C

具体的，在步骤4中，先进行染色体的编码，将风机、光伏、储能和柴油发电机的配置数量分别作为一个染色体个体，进行染色体编码。

在步骤4的(1)～(3)中，所述改进差分进化算法是对差分进化算法的初始化以及变异环节进行改进，从而改善算法的性能，具体步骤包括：

(4.1)应用反向学习策略的种群初始化：对于种群中的个体X

x

其中，x

(4.2)参数自适应：算法通过变异操作实现个体之间的变异，通过对新一代个体的搜索来找到优秀的解；缩放因子F

其中，G为当前迭代的次数，G

(4.3)采用精英选择机制改进的双变异策略：

将差分进化算法的两种变异策略结合，根据个体的适应度值的大小，利用精英选择机制将当前迭代到第G代的种群划分为精英种群和非精英种群；第G代种群中有NP个个体，分别对每个个体的适应度进行计算并降序排列，将前SEP个个体划分为精英种群EP

改进变异策略1：

V

改进变异策略2：

V

将两种变异策略结合为统一的双变异策略如下：

规模占全部种群规模的比例设置为0.4，即SEP:NP＝0.4；其中，F

本发明的优点是：本发明将上述改进的差分进化算法应用于微网的容量优化配置中，建立了风光柴储独立型微网的数学模型，以总成本最低为目标函数，构建系统的目标函数方程在满足约束条件的情况下，求取风机数量，光伏数量，储能数量和柴油发电机数量的最佳组合。通过对差分进化算法的改进，改善了算法全局寻优能力和后期的收敛速度，克服了传统优化算法求解精度不高，速度较慢的问题，改进了微网容量配置的科学性和经济性。

附图说明

图1是微电网系统结构图。

图2是反向学习生成初始化种群示意图。

图3是精英选择机制示意图。

图4是变异策略1改进后的个体变异过程示意图。

图5是变异策略2改进后的个体变异过程示意图。

图6是本发明中改进的差分进化算法的流程图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细说明。

如图1所示，微网系统由风机、光伏、柴油发电机以及蓄电池构成。本发明将风力发电机，光伏电池板，柴油发电机以及蓄电池的数量作为规划的变量。风力发电机由于其清洁环保性，可再生性的特点，得到了快速发展。风机输出功率随风速的变化而变化。太阳能光伏电池通过光伏组件，发电装置，将光能转化成电能，其发电量主要受环境温度和光照强度的影响。蓄电池主要用来解决新能源发电中供需不平衡的问题。柴油发电机具有操作简单，启动迅速的特点，在实际运行中，当光照资源和风资源均不足的且储能装置中剩余的电能也不能满足负载需求时，柴油发电机被用于保证负载的运行。

本发明的基于改进差分进化算法的微网容量优化配置方法包括4大步骤：

步骤1：确定具体的研究对象，建立起风光柴储独立型微网的数学模型；

步骤2：根据负载的特性和风光柴储互补发电系统特点，确定该系统的能量调度策略；

步骤3：以总成本最低为目标函数，构建系统的目标函数方程。系统的总成本由各个发电系统的投资与运维费用、停电惩罚与能量浪费费用以及环保成本组成，风光柴储各电源在满足约束条件的情况下，求取风机数目、光伏设备数目、储能数目和柴油发电机数目的最优配置方案。

步骤4：利用Matlab软件对系统的数学模型进行编程与仿真，将改进差分进化算法应用于微网的容量优化配置中；将风机、光伏、储能和柴油发电机的配置数量作为一个染色体个体，通过改进差分进化算法计算得到最优个体，对应为微网容量配置的最优方案。

在步骤1中，微网系统的发电侧由多种发电方式组成，包括风力发电、光伏发电、柴油发电机发电以及储能的充放电。对微网中4种发电形式进行数学建模；将风力发电机、光伏电池板、柴油发电机以及蓄电池的数量作为规划的变量，建立风光柴储独立型微网的数学模型。

步骤2中，根据负载的特性和风光柴储互补发电系统特点，确定该系统的能量调度策略如下：

(2.1)计算风、光两种新能源发电方式输出的电能之和与负载功率的差值ΔP＝P

(2.2)检查蓄电池中的剩余电能，判断ΔP是否大于0，如果大于0，则进入步骤(2.3)，反之进入步骤(2.4)；

(2.3)若蓄电池中剩余电量超过上限值，储能装置停止充电，光伏限制功率输出，风机启动卸荷负载，确保微电网系统的运行安全；若蓄电池中剩余电量未达到上限值，则蓄电池进行充电；

(2.4)若蓄电池中剩余电量达到下限值或蓄电池输出功率与风光输出功率之和小于负载功率，调度并开启柴油发电机，保证负载供电。否则进入步骤(2.5)；

(2.5)若蓄电池剩余电量未达到下限值且风光储输出功率之和大于负载功率，只需要蓄电池放电弥补功率缺值，不用启动柴油发电机。

在步骤3中，系统优化的目标是风光柴储各电源在满足约束条件下，以总成本最低为目标，求取风机数目N

min f(x)＝C

其中，C

在步骤4中，利用改进差分进化算法求解微网容量配置的最优方案的方法包括以下过程：

(4.0)先进行染色体的编码，将风机、光伏、储能和柴油发电机的配置数量作为染色体个体，进行染色体编码。

(4.1)应用反向学习策略的种群初始化。在一般的进化算法中，种群的初始化都是采用纯随机机制。对于种群中的个体X

x

其中，x

(4.2)参数自适应。差分进化算法中缩放因子F是确定值，即在整个的计算过程中，对于每一个个体都采用相同的F进行交叉操作。本发明中采用了参数自适应的改进方法，表示为：

其中，G为当前迭代的次数，G

(4.3)采用精英选择机制改进的双变异策略。

差分进化算法通过变异操作来实现个体之间的变异与改进，再通过对新一代个体的搜素来找到优秀解。对于单个个体，差分进化算法有5种变异策略。各种不同的变异策略有着不同的侧重点。在整个迭代过程中，如果选择的突变策略主要关注于全局探索，会导致收敛速度降低，迭代次数上升，相反，如果选择的策略注重于局部探索能力，将获得更高的收敛速度，但是不利于维持种群的多样性。本发明中将两种变异策略结合，来平衡全局探索能力与局部寻优能力。精英选择机制是一种对种群进行划分选择的策略，根据个体的适应度值的大小，利用精英选择机制将当前迭代到第G代的种群划分为精英种群和非精英种群。第G代种群中有NP个个体，分别对每个个体的适应度进行计算并降序排列，将前SEP个个体划分为精英种群EP

精英指导机制的原理是通过精英种群与非精英种群的配合实现算法性能的改进。精英种群EP

改进变异策略1：

V

改进变异策略2：

V

将两种变异策略结合为统一的双变异策略如下：

规模占全部种群规模的比例设置为0.4，即SEP:NP＝0.4，rand(0,1)是区间[0,1]之间的随机数。MP

改进后的个体变异进化如图4，5所示，其中空心圆点为在精英范围中选择的随机点，黑色实心圆点为在整个范围中选择的随机点，图4是变异策略1改进后的个体变异过程示意图，图5是变异策略2改进后的个体变异过程示意图。可以看出，利用精英选择策略改进后，个体的进化方向，相比于之前的随机性分布导致的方向较为分散的缺点，有了更明确的进化方向，每次迭代都向着全局最优点更为接近，个体进化的效果更好，更易搜索到全局最优点。

改进后的差分进化算法的算法流程图如图6所示，其主要过程可以概括为：1、种群初始化，应用反向学习策略生成初始化种群，其中每一个个体代表一种容量配置方案；2、种群更新，利用精英策略对种群进行划分，对于精英群和非精英群应用不同的变异策略进行交叉操作，得到新一代种群；3、反复进行迭代，当迭代次数达到设定的最大值时，结束迭代并输出最优个体，最优个体对应了微网容量配置的最优方案。