一種微網(wǎng)經(jīng)濟運行智能優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于主動配電網(wǎng)和微網(wǎng)技術(shù)領(lǐng)域，特別涉及一種微網(wǎng)經(jīng)濟運行智能優(yōu)化方 法。
【背景技術(shù)】
[0002] 由于能源價格的上漲、化石燃料的短缺、日益嚴(yán)重的環(huán)境問題、以及現(xiàn)在供電 對可靠性和供電質(zhì)量、輸電線路網(wǎng)絡(luò)損耗減少的要求，包含風(fēng)力發(fā)電機組（WTs，wind turbines)、光伏發(fā)電機組（PVs,photovoltaics)、微型燃?xì)廨啓C（MTs,micro-turbines)、 燃料電池（FCs,fullcells)、生物質(zhì)能（biomass)等分布式發(fā)電系統(tǒng)（DGs,distributed generations)和蓄電池等儲能裝置的微網(wǎng)得到快速地發(fā)展。微網(wǎng)一般定義為包含分布式電 源、儲能設(shè)備和可控負(fù)荷并以統(tǒng)一接口并網(wǎng)的低壓網(wǎng)絡(luò)，其可以孤島和聯(lián)網(wǎng)運行。
[0003] 國內(nèi)外眾多研宄者對微網(wǎng)經(jīng)濟運行進(jìn)行了大量研宄。眾所周知，微網(wǎng)經(jīng)濟運行屬 于典型的復(fù)雜優(yōu)化問題，現(xiàn)有研宄采取的算法主要是遺傳算法、粒子群優(yōu)化（PS0)、差分進(jìn) 化0E)等智能優(yōu)化算法。特別是PS0和DE算法，屬于比較新型的智能優(yōu)化算法，得到了廣 泛的應(yīng)用。然而，包括PS0和DE在內(nèi)的優(yōu)化算法，都存在陷入局部極值的可能。
[0004] 近年來，通過模擬人的搜索行為，人們提出了人群搜索優(yōu)化算法（HG0)。該算法基 于"經(jīng)驗梯度"確定搜索方向，基于模糊推理確定搜索步長，實現(xiàn)個體位置更新。在利用模 糊推理確定搜索步長時，基于"NearerisBetter"（NisB)假設(shè)，最優(yōu)解可能存在于較優(yōu)解 的附近，較優(yōu)解更有機會接近最優(yōu)解。所以，處于較優(yōu)位置的搜尋者應(yīng)該在較小的范圍內(nèi)執(zhí) 行精搜索（fine-grainedsearch)以提高搜索精度并最終逼近最優(yōu)位置；而處于較差位置 的搜尋者則應(yīng)該在較大的范圍內(nèi)執(zhí)行粗搜索（coarse-grainedsearch)以擴大搜索范圍， 開辟新的搜索空間，提高全局搜索能力。HG0算法基于"NisB"特性，便于算法快速收斂，并 具有較高的搜索精度。但同時對于一部分復(fù)雜問題，"NisB"假設(shè)又導(dǎo)致搜索容易陷入局部 極值，同時由于問題的復(fù)雜性，往往會出現(xiàn)"NearerisWorse"的情況。

【發(fā)明內(nèi)容】

[0005] 為了更好地實現(xiàn)"NearerisBetter"與"NearerisWorse"之間的切換，本發(fā)明 提出基于反向?qū)W習(xí)的人群優(yōu)化算法改進(jìn)，在保持算法收斂速度快、搜索精度高特點的同時， 避免陷入局部極值，進(jìn)一步提高全局搜索能力。進(jìn)而本發(fā)明提供了一種基于反向?qū)W習(xí)的微 網(wǎng)經(jīng)濟運行智能優(yōu)化方法，它能有效提高微網(wǎng)運行經(jīng)濟性水平。
[0006] 本發(fā)明的一種微網(wǎng)經(jīng)濟運行智能優(yōu)化方法，包括以下步驟：
[0007] (1)建立微網(wǎng)經(jīng)濟運行模型的目標(biāo)函數(shù)和約束條件；
[0008] (2)產(chǎn)生搜索種群的隨機初始個體位置，每個個體位置代表一個候選解，并進(jìn)行目 標(biāo)函數(shù)計算；
[0009] (3)根據(jù)人群優(yōu)化算法個體位置更新策略，更新個體位置右= 心…"如]， 并進(jìn)行
[0010] 目標(biāo)函數(shù)計算；
[0011] ⑷每個個體，以一定的概率進(jìn)行反向?qū)W習(xí)，更新個體位置^"a+i) = [4,4,…，4>]， 并進(jìn)行目標(biāo)函數(shù)計算；
[0012] (5)從!祕+l)，^^ +l)n=1,u選擇最優(yōu)的S個位置作為新的種群個體位置；
[0013] (6)重復(fù)步驟⑶和步驟（4)，直到達(dá)到最大目標(biāo)函數(shù)評價次數(shù)或迭代次數(shù)，輸出 優(yōu)化結(jié)果。
[0014] 在步驟⑴確定微網(wǎng)中包括各種分布式電源的總數(shù)及其出力范圍、蓄電池儲能裝 置的總數(shù)及其最大電流電壓限制、不同分布式電源與外網(wǎng)單位功率的排污量、不同時段分 布式電源與外網(wǎng)的單位電價。
[0015] 所述的步驟（3)中個體位置更新策略為：
[0016] (1)在規(guī)模為s的群體內(nèi)隨機選擇其它多個個體構(gòu)成鄰域，選擇概率為：
【主權(quán)項】
1. 一種微網(wǎng)經(jīng)濟運行智能優(yōu)化方法，其特征在于，包括w下步驟： (1) 建立微網(wǎng)經(jīng)濟運行模型的目標(biāo)函數(shù)和約束條件； (2) 產(chǎn)生捜索種群的隨機初始個體位置，每個個體位置代表一個候選解，并進(jìn)行目標(biāo)函 數(shù)計算； (3) 根據(jù)人群優(yōu)化算法個體位置更新策略，更新個體位置刮=[耐，.咕，…，.喃]，并進(jìn) 行目標(biāo)函數(shù)計算； (4) 每個個體，W-定的概率進(jìn)行反向?qū)W習(xí)，更新個體位置苗(f+l) = [4,誠，…，端]，并 進(jìn)行目標(biāo)函數(shù)計算； (5) 從巧(41)，詩(wmi,'=u,..j選擇最優(yōu)的S個位置作為新的種群個體位置； (6) 重復(fù)步驟（3)和步驟（4)，直到達(dá)到最大目標(biāo)函數(shù)評價次數(shù)或迭代次數(shù)，輸出優(yōu)化 結(jié)果。
2. 根據(jù)權(quán)利要求1所述的微網(wǎng)經(jīng)濟運行智能優(yōu)化方法，其特征在于；在步驟（1)確定 微網(wǎng)中包括各種分布式電源的總數(shù)及其出力范圍、蓄電池儲能裝置的總數(shù)及其最大電流電 壓限制、不同分布式電源與外網(wǎng)單位功率的排污量、不同時段分布式電源與外網(wǎng)的單位電 價。
3. 根據(jù)權(quán)利要求1所述的微網(wǎng)經(jīng)濟運行智能優(yōu)化方法，其特征在于所述的步驟（3)中 個體位置更新策略為： (1)在規(guī)模為S的群體內(nèi)隨機選擇其它多個個體構(gòu)成鄰域，選擇概率為：
l2) 其中K為0<K<s的整數(shù)； 似分別計算迭代次數(shù)t時每個個體i在每一維j的捜索方向du(t)和步長a。(t)， 其中曰u(t) >0;du(t)G{-1，0，U;i= 1，2,…，s;j= 1，2,…，D;D為捜索空間維數(shù)。 該里捜索方向求解公式如下：
其中，兩?的=[訓(xùn)，-咕，…，碩坊個體i在迭代次數(shù)t時所處的位置，瓦,bestW為個體i的 自身歷史最佳位置，筑estW和旨best的分別為個體i所在鄰域內(nèi)的當(dāng)前最佳位置和歷史最 佳位置，f( ?)為微網(wǎng)經(jīng)濟運行目標(biāo)函數(shù)，Sign( ?)為對輸入矢量每一維的求符號函數(shù)， ；4+1)、和炒> 分別為集合{如go，而,alt, ^皆油2，斬護(hù)。忡"+ 1 "、"-1 "和"0 "所占的比例， 為[0, 1]范圍內(nèi)的均勻隨機數(shù)； 該里步長求解公式如下；
其中，Um。為1或稍小于1的實數(shù)，ymh= 0. 0111，Ii是對種群目標(biāo)函數(shù)值降序排序 后第i個個體的序列號，abs( ?)返回一個由輸入矢量每一維的絕對值組成的輸出矢量， randU。1)為[y。1]內(nèi)的均勻隨機數(shù)； (3)得到每個個體的捜索方向和步長后，按下式進(jìn)行位置更新： Xu(t+1) =Xu(t) +曰。'(t)du(t),i= 1，2,…，S;j= 1，2,…，D (12)。
4. 根據(jù)權(quán)利要求1所述的微網(wǎng)經(jīng)濟運行智能優(yōu)化方法，其特征在于所述的步驟（4)中 反向?qū)W習(xí)策略為：
其中，3j=min(xu(t))，bj=max(xu(t))(i= 1，2,…，S)，'>*和'乃均為[0, 1]范圍內(nèi) 的均勻隨機數(shù)，Pi為個體i的反向?qū)W習(xí)概率。
5. 根據(jù)權(quán)利要求4所述的微網(wǎng)經(jīng)濟運行智能優(yōu)化方法，其特征在于個體i的反向?qū)W習(xí) 概率為：
(13) 其中l(wèi)i是對種群目標(biāo)函數(shù)值降序排序后第i個個體的序列號。
6. 根據(jù)權(quán)利要求2所述的微網(wǎng)經(jīng)濟運行智能優(yōu)化方法，其特征在于所述目標(biāo)函數(shù)為：
其中，Ng表示為發(fā)電機總數(shù)；Nc,表示為蓄電池設(shè)備的臺數(shù)；Bgi(t)、Bw.(t)分別表示為 第i個分布式電源和第j個蓄電池設(shè)備在第t時刻的標(biāo)價；Pgi(t)、Pw.(t)分別表示為第i 個分布式電源發(fā)電功率和第j臺蓄電池設(shè)備充、放電功率在第t時刻的標(biāo)價；Ui(t)表示為 分布式電源i在第t時刻的啟停狀態(tài)；Sgi(t)表示為分布式電源i在第t時刻的起停、停起 費用；Pwd(t)表示為第t時刻微網(wǎng)與外網(wǎng)交互功率；Bwd(t)表示為第t時刻微網(wǎng)與外網(wǎng)交 互單位電功率標(biāo)價；Cga,表示為天然氣價格；1(。"1、1(。".^分別表示為與第1臺分布式電源和備 用鍋爐運行費用相關(guān)的系數(shù)；Em表示為第i類污染氣體懲罰價格；EFU表示為第j臺發(fā)電 機發(fā)出單位功率排放第i類污染氣體量；Pbi(t)表示為備用鍋爐第t時刻產(chǎn)熱功率；EFbii表 示為備用鍋爐產(chǎn)單位熱功率排放第i類污染氣體量；EFwm表示為微網(wǎng)與外網(wǎng)交互單位功 率排放第i類污染氣體量。
7.根據(jù)權(quán)利要求6所述的微網(wǎng)經(jīng)濟運行智能優(yōu)化方法，其特征在于所述約束條件包 括：
其中，PL_dw(t)表示系統(tǒng)總的有功功率，Pwh(t)表示系統(tǒng)總的熱負(fù)荷，Pgi，mh(t)、Pgi,maxa)分別表示分布式電源1在t時亥IJ允許的最小有功功率和最大有功功率，瑞置表示 微網(wǎng)與外網(wǎng)允許的最大交互功率，P直寬、巧理1;分別表示熱電聯(lián)產(chǎn)設(shè)備的最小、最大放熱功 率，巧3^巧分別表示蓄電池最大的充放電功率，分別表示熱能存儲器最 大的吸、放熱功率，分別表示微型燃?xì)廨啓C爬坡率的上下限值，/班"、氣^\分 別表示備用鍋爐的最小、最大放熱功率。
【專利摘要】本發(fā)明公開了一種基于反向?qū)W習(xí)的微網(wǎng)經(jīng)濟運行智能優(yōu)化方法，屬于主動配電網(wǎng)和微網(wǎng)技術(shù)領(lǐng)域。本發(fā)明將人群優(yōu)化算法用于求解微網(wǎng)經(jīng)濟運行問題。為了避免陷入局部極值、提高全局尋優(yōu)能力，在人群優(yōu)化算法中引入了反向?qū)W習(xí)，而且將現(xiàn)有反向點，改變?yōu)楫?dāng)前位置與傳統(tǒng)反向點之間的隨機數(shù)，提出了一種新的反向?qū)W習(xí)，提高了算法靈活性。同時，提出一種反向?qū)W習(xí)概率的自適應(yīng)選取方法，使得好的個體具有更小的反向?qū)W習(xí)概率、差的個體具有更大的反向?qū)W習(xí)概率。
【IPC分類】G06Q50-06, G06N3-00, G06Q10-04
【公開號】CN104850917
【申請?zhí)枴緾N201510295994
【發(fā)明人】廖國棟, 戴朝華, 謝欣濤
【申請人】國家電網(wǎng)公司, 國網(wǎng)湖南省電力公司, 國網(wǎng)湖南省電力公司經(jīng)濟技術(shù)研究院, 西南交通大學(xué)
【公開日】2015年8月19日
【申請日】2015年6月2日