本發(fā)明提供一種基于改進(jìn)次梯度粒子群的微電網(wǎng)并網(wǎng)優(yōu)化調(diào)度方法，涉及微電網(wǎng)并網(wǎng)優(yōu)化調(diào)度領(lǐng)域。

背景技術(shù)：

隨著智能電網(wǎng)概念的引入和推廣應(yīng)用，微電網(wǎng)將成為智能電網(wǎng)的重要組成部分，然而構(gòu)成微電網(wǎng)中的分布式電源——風(fēng)電和光伏發(fā)電單元，其出力特性具有較強(qiáng)的波動性和隨機(jī)性，對微電網(wǎng)的實(shí)時(shí)調(diào)度會帶來較強(qiáng)的負(fù)面影響。微電網(wǎng)并網(wǎng)優(yōu)化調(diào)度問題實(shí)際上是一個(gè)高維、非線性、非凸、不可導(dǎo)的數(shù)學(xué)優(yōu)化問題。由于存在配電網(wǎng)輸送能力限制和系統(tǒng)功率平衡條件的約束，其對應(yīng)的優(yōu)化問題常常具有非連續(xù)、不可微等特點(diǎn)?，F(xiàn)有智能優(yōu)化算法中的標(biāo)準(zhǔn)PSO算法在解決這類高維度、非光滑的復(fù)雜問題時(shí)，時(shí)常會遇到早熟和收斂的問題，也就是說種群在沒有找到全局最優(yōu)時(shí)，已經(jīng)聚集到某局部最優(yōu)點(diǎn)而停滯不動。另一方面，標(biāo)準(zhǔn)PSO算法在接近或進(jìn)入最優(yōu)點(diǎn)區(qū)域時(shí)的收斂速度也比較緩慢，特別是后期的尋優(yōu)結(jié)果不夠理想，這主要是由于粒子收斂到局部極小，缺乏有效的方法使粒子遠(yuǎn)離局部極小點(diǎn)。

技術(shù)實(shí)現(xiàn)要素：

為了克服現(xiàn)有技術(shù)存在的不足，本發(fā)明提供一種基于改進(jìn)次梯度粒子群的微電網(wǎng)并網(wǎng)優(yōu)化調(diào)度方法，在解決含儲能裝置的微電網(wǎng)并網(wǎng)優(yōu)化時(shí)，具有尋優(yōu)效果好、收斂速度快的優(yōu)點(diǎn)。

本發(fā)明所采用的技術(shù)方案是：

一種基于改進(jìn)次梯度粒子群的微電網(wǎng)并網(wǎng)優(yōu)化調(diào)度方法，包括以下步驟：

步驟1：含儲能裝置的微電網(wǎng)并網(wǎng)模型的建立：根據(jù)實(shí)際情況，以微電網(wǎng)總的發(fā)電成本和環(huán)境污染治理成本最小，建立優(yōu)化調(diào)度目標(biāo)函數(shù)；

步驟2：確立微電網(wǎng)系統(tǒng)中的運(yùn)行約束條件：分別確立系統(tǒng)功率平衡約束、蓄電池充放電功率約束條件、微電源的輸出功率限制、微電網(wǎng)與大電網(wǎng)交互的購售電約束；

步驟3：對標(biāo)準(zhǔn)粒子群算法進(jìn)行改進(jìn)：分別對慣性權(quán)重、加速因子進(jìn)行改進(jìn)，提出利用次梯度優(yōu)化方法來更新粒子群算法中粒子的速度。

一種基于改進(jìn)次梯度粒子群的微電網(wǎng)并網(wǎng)優(yōu)化調(diào)度方法，包括以下步驟：

步驟1：含儲能裝置的微電網(wǎng)并網(wǎng)模型建立：根據(jù)實(shí)際情況，以微電網(wǎng)總的發(fā)電成本和環(huán)境污染治理成本最小，建立優(yōu)化調(diào)度目標(biāo)函數(shù)：

上式中，微電源的燃料成本為微電源運(yùn)行維護(hù)費(fèi)用為與電網(wǎng)交互成本為N為微電源個(gè)數(shù)；c_i為第i個(gè)微電源的燃料費(fèi)用單價(jià)；m_i為第i個(gè)微電源的運(yùn)維費(fèi)用；p_i為第i個(gè)微電源的發(fā)電量；n為調(diào)度周期；c_b,i為i時(shí)段向大電網(wǎng)購電價(jià)格；c_p,i為i時(shí)段向大電網(wǎng)售電價(jià)格；p_b,i為i時(shí)段向大電網(wǎng)的購電電能(kW·h)；p_p,i為i時(shí)段向大電網(wǎng)的售電電能(kW·h)；；M為排放氣體種類數(shù)(NO_X,SO₂,CO₂)；ω_i,j為第i個(gè)微電源產(chǎn)生的第j種排放氣體污染物系數(shù)；α_j為第j種污染氣體單位排放量的治理費(fèi)用。

步驟2：確立微電網(wǎng)系統(tǒng)中的運(yùn)行約束條件，如下：

(1)系統(tǒng)功率平衡約束：

P_load＝P_pv+P_wind+P_MT+P_grid+P_BA

式中：P_load為微電網(wǎng)中負(fù)荷所需的總功率；P_pv、P_wind分別為微電網(wǎng)中光伏和風(fēng)力的輸出功率；P_MT、P_grid、P_BA分別為系統(tǒng)對微型燃?xì)廨啓C(jī)、電網(wǎng)和蓄電池的優(yōu)化功率。

(2)蓄電池充放電功率約束條件：

式中：P_c,i為蓄電池在第i時(shí)段的充電功率；P_c,max、P_c,min為蓄電池充電功率的最大、最小值；P_f,i為蓄電池在第i時(shí)段的放電功率；P_f，max、P_f，min為蓄電池放電功率的最大、最小值。

(3)微電源的輸出功率限制：

式中：P_MT為微型燃?xì)廨啓C(jī)的實(shí)際輸出功率；分別為微型燃?xì)廨啓C(jī)輸出功率的上、下限。

(4)微電網(wǎng)與大電網(wǎng)交互的購售電約束：

式中：P_b、P_s分別為微電網(wǎng)向大電網(wǎng)購、售電量；P_b,max、P_b,min分別為購電的上下限；P_s,max、P_s,min分別為售電的上下限。

步驟3：對標(biāo)準(zhǔn)粒子群算法進(jìn)行改進(jìn)：

步驟3.1：標(biāo)準(zhǔn)粒子群算法：

速度更新公式如下：

v_i,j(k+1)＝ωv_i,j(k)+c₁r₁[p_i,j-x_i,j(k)]+c₂r₂[p_g,j-x_i,j(k)]

位置更新公式如下：

x_i,j(k+1)＝x_i,j(k)+v_i,j(k+1)

式中：j＝1,2,…,n；ω為慣性權(quán)重；r₁,r₂為[0，1]范圍內(nèi)的均勻隨機(jī)數(shù)；c₁,c₂為非負(fù)常數(shù)，稱為學(xué)習(xí)因子。

步驟3.2：對標(biāo)準(zhǔn)粒子群算法的改進(jìn)：

(1)慣性權(quán)重的改進(jìn)：

慣性權(quán)重ω體現(xiàn)的是粒子當(dāng)前速度繼承先前速度的主要程度。一個(gè)較大的慣性權(quán)重有利于全局搜索，而一個(gè)較小的慣性權(quán)重則更利于局部的搜索。為了更好的平衡全局搜索與局部搜索，本發(fā)明采用線性遞減慣性權(quán)重：

ω(k)＝ω_star-(ω_star-ω_end)×k/T_max

式中：ω_star為初始慣性權(quán)重；ω_end為最大迭代次數(shù)時(shí)的慣性權(quán)重；k為當(dāng)前迭代次數(shù)；T_max為最大迭代次數(shù)。

(2)加速因子的改進(jìn)：

參數(shù)c₁決定粒子個(gè)體歷史對運(yùn)動軌跡的影響，c₂決定種群的全局經(jīng)驗(yàn)對運(yùn)動軌跡的影響。在標(biāo)準(zhǔn)PSO中，c₁、c₂的取值一般為固定值。本發(fā)明采用時(shí)變加速因子：

c₁＝(c_1f-c_1e)×cos(kπ/T_max)+c_1e

c₂＝(c_2f-c_2e)×cos(kπ/T_max)+c_2e

式中：c_1e,c_1f,c_2e,c_2f分別表示c₁,c₂在優(yōu)化過程開始和結(jié)束的取值。其中k為當(dāng)前迭代次數(shù)，T_max為最大迭代次數(shù)。由c₁＝c₂，可得因此，當(dāng)時(shí)，c₁>c₂，此時(shí)是讓粒子盡量多的向最優(yōu)pbest學(xué)習(xí)，使粒子的全局搜索能力增強(qiáng)；當(dāng)時(shí)，c₁<c₂，此時(shí)使粒子向社會最優(yōu)位置gbest的局部靠攏，使得局部搜索得到增強(qiáng)。

(3)基于次梯度的PSO算法：

基于次梯度的粒子群算法其主要思想是通過沿次梯度的反方向(負(fù)次梯度方向)搜索以找到目標(biāo)函數(shù)的極小值。

x_k+1＝x_k-η_k·g_k

上式中，g_k是x_k上的一個(gè)次梯度，η_k為步長函數(shù)。由于負(fù)梯度的方向不一定是函數(shù)的下降方向。因此，通過如下的最小化函數(shù)加以保證：

其中是第k步迭代時(shí)的最佳函數(shù)值。

通過對傳統(tǒng)粒子群算法的的速度更新公式進(jìn)行修正，可以得到如下基于次梯度粒子群的更新方案：

基于次梯度粒子群的更新方案中對速度v進(jìn)行了兩次更新，第一次按照標(biāo)準(zhǔn)PSO算法中的速度公式更新速度為v'_i,j(k+1)；第二次更新按照次梯度公式更新速度為v_i,j(k+1)。最后，根據(jù)v_i,j(k+1)給出的方向，使得x_i,j(k)的位置移動至x_i,j(k+1)。

通過以上步驟，完成含儲能裝置的微電網(wǎng)并網(wǎng)優(yōu)化調(diào)度過程。

本發(fā)明一種基于改進(jìn)次梯度粒子群的微電網(wǎng)并網(wǎng)優(yōu)化調(diào)度方法，通過對標(biāo)準(zhǔn)粒子群算法中的慣性權(quán)重、加速因子的改進(jìn)，引入了次梯度優(yōu)化機(jī)理，使得粒子群的位置和速度往好的方向變化，具有全局收斂性；使粒子不易陷入局部最優(yōu)；具有收斂速度快與尋優(yōu)效果好的特點(diǎn)；能對微電網(wǎng)的優(yōu)化調(diào)度進(jìn)行較好的優(yōu)化，能有效提升微電網(wǎng)系統(tǒng)的運(yùn)行效果。

附圖說明

圖1為本發(fā)明算法流程圖。

圖2為兩種算法的收斂性比較圖。

圖3為負(fù)荷、風(fēng)力、光伏的預(yù)測曲線圖；

其中：1—負(fù)荷；2—風(fēng)力；3—光伏。

圖4為微型燃?xì)廨啓C(jī)出力曲線圖。

圖5為儲能裝置的出力柱狀圖。

圖6為與大電網(wǎng)交互的購售電功率柱狀圖。

具體實(shí)施方式

如圖1所示，一種基于改進(jìn)次梯度粒子群的微電網(wǎng)并網(wǎng)優(yōu)化調(diào)度方法，包括以下步驟：

步驟1：含儲能裝置的微電網(wǎng)并網(wǎng)模型建立：根據(jù)實(shí)際情況，以微電網(wǎng)總的發(fā)電成本和環(huán)境污染治理成本最小，建立優(yōu)化調(diào)度目標(biāo)函數(shù)：

上式中，微電源的燃料成本為微電源運(yùn)行維護(hù)費(fèi)用為與電網(wǎng)交互成本為N為微電源個(gè)數(shù)；c_i為第i個(gè)微電源的燃料費(fèi)用單價(jià)；m_i為第i個(gè)微電源的運(yùn)維費(fèi)用；p_i為第i個(gè)微電源的發(fā)電量；n為調(diào)度周期；c_b,i為i時(shí)段向大電網(wǎng)購電價(jià)格；c_p,i為i時(shí)段向大電網(wǎng)售電價(jià)格；p_b,i為i時(shí)段向大電網(wǎng)的購電電能(kW·h)；p_p,i為i時(shí)段向大電網(wǎng)的售電電能(kW·h)；；M為排放氣體種類數(shù)(NO_X,SO₂,CO₂)；ω_i,j為第i個(gè)微電源產(chǎn)生的第j種排放氣體污染物系數(shù)；α_j為第j種污染氣體單位排放量的治理費(fèi)用。

步驟2：確立微電網(wǎng)系統(tǒng)中的運(yùn)行約束條件，如下：

(1)系統(tǒng)功率平衡約束：

P_load＝P_pv+P_wind+P_MT+P_grid+P_BA

式中：P_load為微電網(wǎng)中負(fù)荷所需的總功率；P_pv、P_wind分別為微電網(wǎng)中光伏和風(fēng)力的輸出功率；P_MT、P_grid、P_BA分別為系統(tǒng)對微型燃?xì)廨啓C(jī)、電網(wǎng)和蓄電池的優(yōu)化功率。

(2)蓄電池充放電功率約束條件：

式中：P_c,i為蓄電池在第i時(shí)段的充電功率；P_c,max、P_c,min為蓄電池充電功率的最大、最小值；P_f,i為蓄電池在第i時(shí)段的放電功率；P_f，max、P_f，min為蓄電池放電功率的最大、最小值。

(3)微電源的輸出功率限制：

式中：P_MT為微型燃?xì)廨啓C(jī)的實(shí)際輸出功率；分別為微型燃?xì)廨啓C(jī)輸出功率的上、下限。

(4)微電網(wǎng)與大電網(wǎng)交互的購售電約束：

式中：P_b、P_s分別為微電網(wǎng)向大電網(wǎng)購、售電量；P_b,max、P_b,min分別為購電的上下限；P_s,max、P_s,min分別為售電的上下限。

步驟3：對標(biāo)準(zhǔn)粒子群算法進(jìn)行改進(jìn)：

步驟3.1：標(biāo)準(zhǔn)粒子群算法：

速度更新公式如下：

v_i,j(k+1)＝ωv_i,j(k)+c₁r₁[p_i,j-x_i,j(k)]+c₂r₂[p_g,j-x_i,j(k)]

位置更新公式如下：

x_i,j(k+1)＝x_i,j(k)+v_i,j(k+1)

式中：j＝1,2,…,n；ω為慣性權(quán)重；r₁,r₂為[0，1]范圍內(nèi)的均勻隨機(jī)數(shù)；c₁,c₂為非負(fù)常數(shù)，稱為學(xué)習(xí)因子。

步驟3.2：對標(biāo)準(zhǔn)粒子群算法的改進(jìn)：

(1)慣性權(quán)重的改進(jìn)：

慣性權(quán)重ω體現(xiàn)的是粒子當(dāng)前速度繼承先前速度的重要要程度。一個(gè)較大的慣性權(quán)重有利于全局搜索，而一個(gè)較小的慣性權(quán)重則更利于局部的搜索。為了更好的平衡全局搜索與局部搜索，本發(fā)明采用線性遞減慣性權(quán)重：

ω(k)＝ω_star-(ω_star-ω_end)×k/T_max

式中：ω_star為初始慣性權(quán)重；ω_end為最大迭代次數(shù)時(shí)的慣性權(quán)重；k為當(dāng)前迭代次數(shù)；T_max為最大迭代次數(shù)。

(2)加速因子的改進(jìn)：

參數(shù)c₁決定粒子個(gè)體歷史對運(yùn)動軌跡的影響，c₂決定種群的全局經(jīng)驗(yàn)對運(yùn)動軌跡的影響。在標(biāo)準(zhǔn)粒子群算法中，c₁、c₂的取值一般為固定值。本發(fā)明采用時(shí)變加速因子：

c₁＝(c_1f-c_1e)×cos(kπ/T_max)+c_1e

c₂＝(c_2f-c_2e)×cos(kπ/T_max)+c_2e

式中：c_1e,c_1f,c_2e,c_2f分別表示c₁,c₂在優(yōu)化過程開始和結(jié)束的取值。其中k為當(dāng)前迭代次數(shù)，T_max為最大迭代次數(shù)。由c₁＝c₂，可得因此，當(dāng)時(shí)，c₁>c₂，此時(shí)是讓粒子盡量多的向最優(yōu)pbest學(xué)習(xí)，使粒子的全局搜索能力增強(qiáng)；當(dāng)時(shí)，c₁<c₂，此時(shí)使粒子向社會最優(yōu)位置gbest的局部靠攏，使得局部搜索得到增強(qiáng)。

(3)基于次梯度的PSO算法：

基于次梯度的粒子群算法其主要思想是通過沿次梯度的反方向(負(fù)次梯度方向)搜索以找到目標(biāo)函數(shù)的極小值。

x_k+1＝x_k-η_k·g_k

上式中，g_k是x_k上的一個(gè)次梯度，η_k為步長函數(shù)。由于負(fù)梯度的方向不一定是函數(shù)的下降方向。因此，通過如下的最小化函數(shù)加以保證：

其中是第k步迭代時(shí)的最佳函數(shù)值。

通過對傳統(tǒng)粒子群算法的的速度更新公式進(jìn)行修正，可以得到如下基于次梯度粒子群的更新方案：

基于次梯度粒子群的更新方案中對速度v進(jìn)行了兩次更新，第一次按照標(biāo)準(zhǔn)PSO算法中的速度公式更新速度為v'_i,j(k+1)；第二次更新按照次梯度公式更新速度為v_i,j(k+1)。最后，根據(jù)v_i,j(k+1)給出的方向，使得x_i,j(k)的位置移動至x_i,j(k+1)。

通過以上步驟，完成含儲能裝置的微電網(wǎng)并網(wǎng)優(yōu)化調(diào)度過程。

實(shí)施例：

在本仿真算例中的微電網(wǎng)包括20kW光伏、100kW風(fēng)力、100kW微型燃?xì)廨啓C(jī)、20kW磷酸鐵鋰蓄電池儲能系統(tǒng)，負(fù)荷常規(guī)運(yùn)行在并網(wǎng)模式下，微電網(wǎng)與上級大電網(wǎng)有能量交互。所提算法使用了Matlab進(jìn)行編程實(shí)現(xiàn)，仿真實(shí)驗(yàn)在硬件配置為i7-4790@3.6GHZ的計(jì)算機(jī)中進(jìn)行。

本系統(tǒng)算例中微型燃?xì)廨啓C(jī)、大電網(wǎng)交互、蓄電池每小時(shí)的功率均為可調(diào)度的決策變量，粒子維度為D＝24×3＝72。標(biāo)準(zhǔn)PSO算法與基于次梯度的改進(jìn)PSO算法中的種群規(guī)模都為N＝100，最大迭代次數(shù)都設(shè)置為T_max＝500。標(biāo)準(zhǔn)PSO算法中的兩個(gè)學(xué)習(xí)因子c₁＝c₂＝2，慣性權(quán)重ω＝0.8?；诖翁荻鹊母倪M(jìn)PSO算法中，c_1e＝2.5，c_1f＝0.5，c_2e＝0.5，c_2f＝2.5，初始慣性權(quán)重ω_star＝0.9，結(jié)束慣性權(quán)重ω_end＝0.4。

表1.改進(jìn)算法前后優(yōu)化結(jié)果對比

通過表1和比較圖2中的兩條曲線可以看出：基于次梯度的改進(jìn)PSO算法相較于標(biāo)準(zhǔn)PSO算法具有較快的收斂速度和更優(yōu)的求解質(zhì)量。標(biāo)準(zhǔn)PSO算法在系統(tǒng)迭代到180次左右才得到局部最優(yōu)成本(5547.57元)，而基于次梯度的改進(jìn)PSO算法在迭代到110次左右就可得到最優(yōu)成本(4664.53元)。由此可知：基于次梯度的改進(jìn)PSO算法不僅提高了收斂速度，而且提高了改進(jìn)算法的全局收斂能力。

圖4給出了微型燃?xì)廨啓C(jī)的出力曲線，由于微型燃?xì)廨啓C(jī)的發(fā)電成本相對較高，因此應(yīng)當(dāng)在風(fēng)機(jī)和光伏發(fā)電不能滿足負(fù)荷需求時(shí)才予以使用，并且由于負(fù)荷及風(fēng)機(jī)、光伏的出力不確定性，導(dǎo)致了微型燃?xì)廨啓C(jī)有較大的功率波動情況。

圖5、圖6分別給出了儲能裝置的出力情況及微電網(wǎng)與大電網(wǎng)交互時(shí)的購售電功率情況。圖5中功率正值表示儲能單元充電，功率負(fù)值表示儲能單元放電，可以看出在負(fù)荷高峰期，儲能裝置放電，在負(fù)荷低谷期，儲能裝置充電，起到了良好的削峰填谷作用。同時(shí)，在分布式電源如風(fēng)力發(fā)電機(jī)、光伏電池組有較大波動的時(shí)候，儲能裝置也可以很好地起到平抑波動的作用，有效保證微電網(wǎng)內(nèi)部的穩(wěn)定性。圖6中正值為微電網(wǎng)向大電網(wǎng)售電，負(fù)值為微電網(wǎng)向大電網(wǎng)購電。這表明通過微電網(wǎng)與大電網(wǎng)的交互，利用峰、谷時(shí)段的電價(jià)差獲得一部分收益來降低微電網(wǎng)的運(yùn)行成本。