本發(fā)明涉及電力系統(tǒng)并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度技術(shù)領(lǐng)域，尤其涉及一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法。

背景技術(shù)：

在電力市場(chǎng)和霧霾天氣常態(tài)化的大背景下，發(fā)電行業(yè)向經(jīng)濟(jì)化、清潔化轉(zhuǎn)型已經(jīng)迫在眉睫。近年來(lái)，以風(fēng)電、光伏為主要形式的大量分布式電源接入使得原來(lái)的配電網(wǎng)由單電源、輻射狀拓?fù)浣Y(jié)構(gòu)轉(zhuǎn)變?yōu)槎嚯娫磸?fù)雜網(wǎng)絡(luò)結(jié)構(gòu)。各種分布式電源的靈活并網(wǎng)不僅可以有效地降低網(wǎng)絡(luò)損耗，提高電網(wǎng)電壓的調(diào)整能力，而且還可以減少輸電線路的投資。

風(fēng)能、太陽(yáng)能發(fā)電作為分布式發(fā)電的主要能源形式，具有分布廣、儲(chǔ)量大、環(huán)境友好等優(yōu)點(diǎn)。目前，對(duì)此已有不少國(guó)內(nèi)外學(xué)者從多個(gè)角度進(jìn)行了大量的研究分析，并取得一定的成果。

然而，由于風(fēng)電、光伏等分布式電源的出力具有較強(qiáng)的間歇性、波動(dòng)性等特點(diǎn)，使其難以靈活控制，因此隨著家庭并網(wǎng)分布式發(fā)電滲透率的不斷提高，給電力系統(tǒng)調(diào)度方式的智能性和靈活性帶來(lái)極大的挑戰(zhàn)。

其中，在處理電力系統(tǒng)經(jīng)濟(jì)調(diào)度的時(shí)候，通常采用一些優(yōu)化算法來(lái)實(shí)現(xiàn)經(jīng)濟(jì)調(diào)度。但是計(jì)算效率低、容易陷入局部最優(yōu)、收斂速度慢是現(xiàn)有的優(yōu)化算法中需要解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供了一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法，用于解決現(xiàn)有優(yōu)化算法中的計(jì)算效率低、容易陷入局部最優(yōu)、收斂速度慢的技術(shù)問(wèn)題。

本發(fā)明實(shí)施例提供的一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法，包括：

s1：建立家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型；

s2：建立與家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型對(duì)應(yīng)的風(fēng)電、光伏、負(fù)荷概率模型；

s3：通過(guò)拉丁超立方采樣法對(duì)風(fēng)電、光伏、負(fù)荷概率模型進(jìn)行抽樣，獲得樣本；

s4：通過(guò)場(chǎng)景縮減算法對(duì)樣本進(jìn)行縮減和概率統(tǒng)計(jì)，獲得預(yù)設(shè)數(shù)目的場(chǎng)景集合；

s5：通過(guò)自適應(yīng)改進(jìn)差分進(jìn)化算法求解場(chǎng)景集合，獲得與場(chǎng)景對(duì)應(yīng)的最優(yōu)解。

優(yōu)選地，所述步驟s1具體包括：

a1：建立如第一公式和第二公式所示的風(fēng)力發(fā)電系統(tǒng)模型，

所述第一公式為：

其中，v為風(fēng)速；c為尺度參數(shù)；k為形狀參數(shù)；

所述第二公式為：

其中，pwn為風(fēng)電機(jī)組的額定輸出功率；vin、vr、vout分別為切入、額定和切出風(fēng)速；

a2：建立如第三公式和第四公式所示的光伏發(fā)電系統(tǒng)模型，

所述第三公式為：

其中，pstc為stc標(biāo)準(zhǔn)測(cè)試條件下的最大測(cè)試功率；tc為電池工作溫度；gc為太陽(yáng)光照強(qiáng)度；k為功率溫度系數(shù)，取值為-0.0047/℃；

所述第四公式為：

其中，ta為環(huán)境溫度，單位為℃；

a3：建立如第五公式所示的儲(chǔ)能系統(tǒng)模型，

所述第五公式為：

其中，soct為t時(shí)段蓄電池的荷電量；pbat,t為蓄電池的充/放電功率；ηd、ηc分別為蓄電池的充放電效率。

優(yōu)選地，其特征在于，所述步驟s1還包括：

a4：建立如第六公式所示的優(yōu)化目標(biāo)函數(shù)，

所述第六公式為：

其中，

csell,t＝ps,t·cs,t

cbuy,t＝pg,t·cg,t

csub,t＝(pw,t+pv,t)·f

其中，t為調(diào)度周期；ctotal為調(diào)度周期內(nèi)的總收益；csell,t、cbuy,t、csub,t分別為用戶在調(diào)度時(shí)段t內(nèi)的售電收益、購(gòu)電成本以及政府對(duì)分布式發(fā)電的補(bǔ)貼收益；crw,t、crv,t、crs,t、cset,t分別為風(fēng)電機(jī)組、光伏陣列、蓄電池的運(yùn)行維護(hù)成本和折算為單位時(shí)間的分布式發(fā)電投資建設(shè)成本；pw,t、pv,t、ps,t、pg,t、pd,t分別為調(diào)度時(shí)段t內(nèi)的風(fēng)電出力、光伏出力、蓄電池出力、上網(wǎng)電量、用戶購(gòu)電電量及家庭負(fù)荷需求；cs,t、cg,t分別為用戶實(shí)時(shí)售電價(jià)格和購(gòu)電電價(jià)；f為政府對(duì)分布式發(fā)電的補(bǔ)貼電價(jià)0.42元/(kw·h)；kwu、kwd分別為風(fēng)電機(jī)組運(yùn)行時(shí)單位電量的維護(hù)成本和停運(yùn)單位時(shí)間的維護(hù)成本；kvu、kvd分別為光伏陣列運(yùn)行時(shí)單位電量的維護(hù)成本和停運(yùn)單位時(shí)間的維護(hù)成本；ksu為蓄電池運(yùn)行時(shí)單位電量的維護(hù)成本；kb為考慮資金時(shí)間價(jià)值的系統(tǒng)投資建設(shè)成本系數(shù)；r、n分別為系統(tǒng)折現(xiàn)率和投資償還期。

優(yōu)選地，所述步驟s1還包括：

a5：建立如第十四公式、第十五公式、第十六公式、第十七公式、第十八公式、第十九公式、第二十公式、第二十一公式、第二十二公式所示的約束條件，

所述第十四公式為：

|pn,t|≤pnr；

所述第十五公式為：

其中，pnr為聯(lián)絡(luò)線傳輸容量；soc^max、soc^min分別為蓄電池的最大、最小荷電量；分別為蓄電池的最大充、放電功率；

所述第十六公式為：

所述第十七公式為：

所述第十八公式為：

pd,t＝pw,t+pv,t-pn,t-pbat,t；

所述第十九公式為：

soc^min≤soct≤soc^max；

所述第二十公式為：

-0.2socn≤pbat,t≤0.2socn；

所述第二十一公式為：

soc0＝0.2socn；

所述第二十二公式為：

soct＝0.2socn；

其中，socn、soc0、soct分別為蓄電池的額定容量、初始狀態(tài)、末端狀態(tài)。

優(yōu)選地，所述步驟s2具體包括：

b1：建立有邊界的正態(tài)分布概率模型，如第二十三公式所示，所述第二十三公式為：

其中，μ0和σ0分別為正態(tài)分布的期望和標(biāo)準(zhǔn)差；

b2：將家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型中的參數(shù)與正態(tài)分布概率模型進(jìn)行匹配，建立包含匹配關(guān)系和相應(yīng)參數(shù)的風(fēng)電、光伏、負(fù)荷概率模型。

優(yōu)選地，所述步驟s3具體包括：

c1：根據(jù)風(fēng)電、光伏、負(fù)荷概率模型設(shè)定抽樣規(guī)模設(shè)為n,隨機(jī)變量個(gè)數(shù)設(shè)為z，則第n個(gè)樣本表示為xn＝[xn1,xn2,...,xnz]，其中n∈(1,n)，并設(shè)定[xwd,xwu]區(qū)間內(nèi)xw的概率分布函數(shù)為fw(xw)，其中w＝1,2,...,z；

c2：將概率分布函數(shù)fw(xw)的取值范圍[fw(xwd),fw(xwd)]分成n個(gè)等概率子區(qū)間；

c3：在所有概率子區(qū)間[(i-1)/n,i/n]內(nèi)，隨機(jī)選取一個(gè)滿足公式qi＝(i-1+r)/n的隨機(jī)因子qi,則令yiw＝qi·(fw(xwu)-f(xwd))+fw(xwd)，其中r為0到1的隨機(jī)數(shù)；

c4：通過(guò)概率分布的逆變換得到相應(yīng)的樣本，該計(jì)算過(guò)程通過(guò)公式實(shí)現(xiàn)。

優(yōu)選地，所述步驟s4具體包括：

d1：初始化樣本，設(shè)定第i個(gè)樣本為第i個(gè)場(chǎng)景，設(shè)定樣本集合為場(chǎng)景集合，設(shè)定n^*為計(jì)算過(guò)程中的場(chǎng)景數(shù)，任一場(chǎng)景的概率用公式表示為：式中n^*＝n；

d2：在n^*個(gè)場(chǎng)景中，對(duì)任意兩個(gè)場(chǎng)景xi和xj，其中1≤i≤j≤n^*，根據(jù)第二十五公式計(jì)算兩個(gè)場(chǎng)景xi和xj之間的場(chǎng)景距離，所述第二十五公式為：

d3：在n^*個(gè)場(chǎng)景中，根據(jù)第二十五公式計(jì)算得到的場(chǎng)景距離，搜索與任意場(chǎng)景xi的場(chǎng)景距離最小的場(chǎng)景xj，即min{dk(xi,xj)i≠j}，并通過(guò)第二十六公式計(jì)算乘積：

pkdi＝min{dk(xi,xj)i≠j}×pi；

d4：在n^*個(gè)場(chǎng)景中，在第二十六公式得出的結(jié)果中搜索最小的pkd，通過(guò)第二十七公式將最小的pkd記為pkds，并將在計(jì)算最小pkd的公式中與場(chǎng)景xi對(duì)應(yīng)的場(chǎng)景xj的場(chǎng)景概率更新為pj＝pj+pi，將與pkds對(duì)應(yīng)的場(chǎng)景xi從場(chǎng)景集合中除去，

所述第二十七公式為：

pkds＝min{pkdi|1≤i≤n^*}；

d5：更新場(chǎng)景數(shù)為n^*＝n^*-ni，其中ni為最小pkds的個(gè)數(shù)，判斷是否場(chǎng)景數(shù)n^*達(dá)到目標(biāo)場(chǎng)景數(shù)n^*,若是，則結(jié)束場(chǎng)景削減并輸出預(yù)設(shè)數(shù)目為目標(biāo)場(chǎng)景數(shù)n^*的場(chǎng)景集合，若否，則返回執(zhí)行步驟d2。

優(yōu)選地，所述步驟s5具體包括：

e1：從場(chǎng)景集合中選擇一個(gè)未優(yōu)化的場(chǎng)景，提取場(chǎng)景中的數(shù)據(jù)，并在可行解空間中初始化種群，設(shè)定迭代次數(shù)為0；

e2：通過(guò)第三十二公式計(jì)算種群的方差e，所述第三十二公式為：

e3：判斷種群的方差e是否大于預(yù)設(shè)的極小值，若是，則執(zhí)行步驟x，若否，則執(zhí)行步驟e7；

x：對(duì)種群執(zhí)行標(biāo)準(zhǔn)差分進(jìn)化算法以優(yōu)化更新種群；

e7：對(duì)種群中的每一個(gè)個(gè)體執(zhí)行歸一化操作；

e8：對(duì)種群中的每一配對(duì)維通過(guò)第三十三公式執(zhí)行縱向交叉操作獲得中庸解標(biāo)量，所述第三十三公式為：

其中，r為介于0到1的隨機(jī)數(shù)；為個(gè)體x^m的d1和d2維通過(guò)縱向交叉產(chǎn)生的中庸解ms^m的第d1維；

e9：對(duì)中庸解標(biāo)量執(zhí)行反歸一化操作獲得中庸解；

e10：計(jì)算中庸解中每一個(gè)個(gè)體和執(zhí)行步驟e7歸一化操作前的種群中每一個(gè)個(gè)體的適應(yīng)度值，并對(duì)中庸解中每一個(gè)個(gè)體和執(zhí)行步驟e7歸一化操作前的種群中每一個(gè)個(gè)體執(zhí)行標(biāo)準(zhǔn)差分進(jìn)化算法中的選擇操作，更新種群，記錄迭代次數(shù)加一；

e11：判斷迭代次數(shù)是否達(dá)到預(yù)設(shè)的最大迭代次數(shù)，若是，則輸出場(chǎng)景對(duì)應(yīng)的場(chǎng)景最優(yōu)解且記錄場(chǎng)景輸出次數(shù)加一，若否，則返回執(zhí)行步驟e2，所述場(chǎng)景輸出次數(shù)的初始值為0；

e12：判斷場(chǎng)景輸出次數(shù)是否達(dá)到預(yù)設(shè)的最大場(chǎng)景數(shù)，若是，則結(jié)束，若否，則返回執(zhí)行步驟e1。

優(yōu)選地，所述步驟x具體包括：

e4：對(duì)種群執(zhí)行標(biāo)準(zhǔn)差分進(jìn)化算法中的突變操作，產(chǎn)生突變個(gè)體；

e5：對(duì)種群和突變個(gè)體執(zhí)行標(biāo)準(zhǔn)差分進(jìn)化算法中的交叉操作，產(chǎn)生試驗(yàn)個(gè)體；

e6：計(jì)算種群和試驗(yàn)個(gè)體的適應(yīng)度值并對(duì)種群和試驗(yàn)個(gè)體執(zhí)行標(biāo)準(zhǔn)差分進(jìn)化算法中的選擇操作，更新種群。

優(yōu)選地，所述步驟e1中在可行解空間中初始化種群具體為：

設(shè)m為種群大小，d為個(gè)體的維數(shù)，在問(wèn)題的決策空間內(nèi)隨機(jī)產(chǎn)生初始種群x＝{x¹,x²,...,x^m}，其中表征種群中的第m個(gè)粒子，個(gè)體的每一維可以由第二十八公式產(chǎn)生，所述第二十八公式為：

其中：li為第i維變量的下限，ui為第i維變量的上限，rand()為0到1的隨機(jī)數(shù)。

從以上技術(shù)方案可以看出，本發(fā)明實(shí)施例具有以下優(yōu)點(diǎn)：

本發(fā)明實(shí)施例提供的一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法，包括：建立家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型；建立與家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型對(duì)應(yīng)的風(fēng)電、光伏、負(fù)荷概率模型；通過(guò)拉丁超立方采樣法對(duì)風(fēng)電、光伏、負(fù)荷概率模型進(jìn)行抽樣，獲得樣本；通過(guò)場(chǎng)景縮減算法對(duì)樣本進(jìn)行縮減和概率統(tǒng)計(jì)，獲得預(yù)設(shè)數(shù)目的場(chǎng)景集合；通過(guò)自適應(yīng)改進(jìn)差分進(jìn)化算法求解場(chǎng)景集合，獲得與場(chǎng)景對(duì)應(yīng)的最優(yōu)解。本發(fā)明實(shí)施例通過(guò)拉丁超立方采樣、場(chǎng)景縮減以及自適應(yīng)改進(jìn)差分進(jìn)化算法求解家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型，解決了現(xiàn)有優(yōu)化算法中計(jì)算效率低、容易陷入局部最優(yōu)、收斂速度慢的技術(shù)問(wèn)題。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其它的附圖。

圖1為本發(fā)明實(shí)施例提供的一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法的一個(gè)實(shí)施例的示意圖；

圖2為本發(fā)明實(shí)施例提供的一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法的另一個(gè)實(shí)施例的示意圖；

圖3為本發(fā)明實(shí)施例提供的一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法的另一個(gè)實(shí)施例中，不同優(yōu)化變量下，向電網(wǎng)購(gòu)電電流的流向圖；

圖4為本發(fā)明實(shí)施例提供的一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法的應(yīng)用中的各時(shí)段大電網(wǎng)的實(shí)時(shí)購(gòu)電和售電價(jià)格的示意圖；

圖5為本發(fā)明實(shí)施例提供的一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法的應(yīng)用中的不同場(chǎng)景下各調(diào)度時(shí)段蓄電池荷電狀態(tài)的示意圖。

具體實(shí)施方式

本發(fā)明實(shí)施例提供了一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法，用于解決現(xiàn)有優(yōu)化算法中的計(jì)算效率低、容易陷入局部最優(yōu)、收斂速度慢的技術(shù)問(wèn)題。

為使得本發(fā)明的發(fā)明目的、特征、優(yōu)點(diǎn)能夠更加的明顯和易懂，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，下面所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而非全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其它實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

請(qǐng)參閱圖1，本發(fā)明實(shí)施例提供的一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法的一個(gè)實(shí)施例，包括：

101：建立家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型；

家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型具體通過(guò)一些公式建立，求解該模型可優(yōu)化各調(diào)度時(shí)段聯(lián)絡(luò)線傳輸功率，以實(shí)現(xiàn)最大化的系統(tǒng)運(yùn)行經(jīng)濟(jì)效益。

102：建立與家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型對(duì)應(yīng)的風(fēng)電、光伏、負(fù)荷概率模型；

通過(guò)設(shè)定家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型的各參數(shù)及各參數(shù)對(duì)應(yīng)服從的分布模型(概率模型)，可建立與家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型對(duì)應(yīng)的風(fēng)電、光伏、負(fù)荷概率模型。

103：通過(guò)拉丁超立方采樣法對(duì)風(fēng)電、光伏、負(fù)荷概率模型進(jìn)行抽樣，獲得樣本；

拉丁超立方采樣法(lhs)對(duì)風(fēng)電、光伏、負(fù)荷概率模型進(jìn)行抽樣，可以更加準(zhǔn)確地反映風(fēng)電、光伏及負(fù)荷的概率分布，計(jì)及風(fēng)電、光伏出力及家庭負(fù)荷所存在的不確定性和波動(dòng)性。

104：通過(guò)場(chǎng)景縮減算法對(duì)樣本進(jìn)行縮減和概率統(tǒng)計(jì)，獲得預(yù)設(shè)數(shù)目的場(chǎng)景集合；

通過(guò)場(chǎng)景縮減算法對(duì)樣本進(jìn)行縮減，可以獲得預(yù)設(shè)數(shù)目的場(chǎng)景集合，且在此過(guò)程中對(duì)場(chǎng)景集合中的場(chǎng)景的場(chǎng)景概率進(jìn)行統(tǒng)計(jì)。

105：通過(guò)自適應(yīng)改進(jìn)差分進(jìn)化算法求解場(chǎng)景集合，獲得與場(chǎng)景對(duì)應(yīng)的最優(yōu)解。

獲得場(chǎng)景集合后，通過(guò)自適應(yīng)改進(jìn)差分進(jìn)化算法求解場(chǎng)景集合(具體為對(duì)場(chǎng)景集合中的一個(gè)或一個(gè)以上場(chǎng)景進(jìn)行求解)，獲得與場(chǎng)景對(duì)應(yīng)的最優(yōu)解。

本發(fā)明實(shí)施例提供的一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法，包括：建立家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型；建立與家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型對(duì)應(yīng)的風(fēng)電、光伏、負(fù)荷概率模型；通過(guò)拉丁超立方采樣法對(duì)風(fēng)電、光伏、負(fù)荷概率模型進(jìn)行抽樣，獲得樣本；通過(guò)場(chǎng)景縮減算法對(duì)樣本進(jìn)行縮減和概率統(tǒng)計(jì)，獲得預(yù)設(shè)數(shù)目的場(chǎng)景集合；通過(guò)自適應(yīng)改進(jìn)差分進(jìn)化算法求解場(chǎng)景集合，獲得與場(chǎng)景對(duì)應(yīng)的最優(yōu)解。本發(fā)明實(shí)施例通過(guò)拉丁超立方采樣、場(chǎng)景縮減以及自適應(yīng)改進(jìn)差分進(jìn)化算法求解家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型，解決了現(xiàn)有優(yōu)化算法中計(jì)算效率低、容易陷入局部最優(yōu)、收斂速度慢的技術(shù)問(wèn)題。

以上是對(duì)本發(fā)明實(shí)施例提供的一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法的一個(gè)實(shí)施例進(jìn)行詳細(xì)的描述，以下將對(duì)本發(fā)明實(shí)施例提供的一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法的另一個(gè)實(shí)施例進(jìn)行詳細(xì)的描述。

請(qǐng)參閱圖2，本發(fā)明實(shí)施例提供的一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法的另一個(gè)實(shí)施例，包括：

201：建立家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型；

202：建立與家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型對(duì)應(yīng)的風(fēng)電、光伏、負(fù)荷概率模型；

203：通過(guò)拉丁超立方采樣法對(duì)風(fēng)電、光伏、負(fù)荷概率模型進(jìn)行抽樣，獲得樣本；

204：通過(guò)場(chǎng)景縮減算法對(duì)樣本進(jìn)行縮減和概率統(tǒng)計(jì)，獲得預(yù)設(shè)數(shù)目的場(chǎng)景集合；

然后，通過(guò)自適應(yīng)改進(jìn)差分進(jìn)化算法求解場(chǎng)景集合，獲得與場(chǎng)景對(duì)應(yīng)的最優(yōu)解，具體包括步驟205至步驟219：

205：從場(chǎng)景集合中選擇一個(gè)未優(yōu)化的場(chǎng)景，提取場(chǎng)景中的數(shù)據(jù)，并在可行解空間中初始化種群，設(shè)定迭代次數(shù)為0；

其中，從場(chǎng)景集合中選擇一個(gè)未優(yōu)化的場(chǎng)景是指選擇一個(gè)沒(méi)有被執(zhí)行過(guò)步驟206至步驟215的場(chǎng)景，提取場(chǎng)景中的數(shù)據(jù)后，根據(jù)場(chǎng)景中的數(shù)據(jù)在可行解空間中初始化種群，每個(gè)場(chǎng)景都是一個(gè)可求解的模型，即存在對(duì)應(yīng)的可行解空間(或稱解空間)，初始化種群即為在場(chǎng)景對(duì)應(yīng)的可行解空間中產(chǎn)生種群；

其中，在可行解空間中初始化種群的具體步驟為：

設(shè)m為種群大小，d為個(gè)體的維數(shù)，在問(wèn)題的決策空間(可行解空間)內(nèi)隨機(jī)產(chǎn)生初始種群x＝{x¹,x²,...,x^m}，其中表征種群中的第m個(gè)粒子，個(gè)體的每一維可以由第二十八公式產(chǎn)生，所述第二十八公式為：

其中：li為第i維變量的下限，ui為第i維變量的上限，rand()為0到1的隨機(jī)數(shù)。

206：通過(guò)第三十二公式計(jì)算種群的方差e，所述第三十二公式為：

需要說(shuō)明的是，差分算法是利用個(gè)體之間的差異來(lái)突變產(chǎn)生新的個(gè)體，因此，當(dāng)?shù)_(dá)到一定次數(shù)時(shí)，由于出現(xiàn)前面所述“聚集”現(xiàn)象，整個(gè)種群中的每一個(gè)體差異幾乎為0，此時(shí)，由于個(gè)體之間無(wú)差異導(dǎo)致無(wú)法產(chǎn)生新的突變個(gè)體，造成整個(gè)種群陷入局部最優(yōu)值，故此本文提出在執(zhí)行差分算法之前進(jìn)行種群方差計(jì)算，當(dāng)種群方差e小于某一極小值min(通常取10^-20，即步驟207中預(yù)設(shè)的極小值)時(shí)則暫時(shí)不執(zhí)行差分進(jìn)化算子，僅保留引進(jìn)的縱向交叉操作，直至種群方差大于預(yù)設(shè)極小值，重新啟用標(biāo)準(zhǔn)差分算法；

207：判斷種群的方差e是否大于預(yù)設(shè)的極小值，若是，則執(zhí)行步驟208，若否，則執(zhí)行步驟211；

步驟208至步驟210具體可描述為：對(duì)種群執(zhí)行標(biāo)準(zhǔn)差分進(jìn)化算法以優(yōu)化更新種群；

標(biāo)準(zhǔn)差分進(jìn)化算法(differentialevolution，de)其基本思想是利用種群中個(gè)體之間的差分向量對(duì)個(gè)體進(jìn)行擾動(dòng)以實(shí)現(xiàn)個(gè)體突變，通過(guò)目標(biāo)個(gè)體與變異個(gè)體的交叉突變策略產(chǎn)生新個(gè)體，種群進(jìn)而優(yōu)勝劣汰，并經(jīng)過(guò)多次迭代搜索最終獲得全局最優(yōu)解。de算法具備結(jié)構(gòu)簡(jiǎn)單，控制參數(shù)少，易于實(shí)現(xiàn)，有較強(qiáng)的魯棒性等優(yōu)點(diǎn)。其主要操作包含初始化種群、突變、交叉和選擇操作。由于初始化種群已在步驟205執(zhí)行完畢，因此本過(guò)程涉及突變、交叉和選擇操作。

208：對(duì)種群執(zhí)行標(biāo)準(zhǔn)差分進(jìn)化算法中的突變操作，產(chǎn)生突變個(gè)體；

在父代種群中，通過(guò)第二十九公式，對(duì)種群中的每一個(gè)個(gè)體x^m執(zhí)行突變操作，獲得與其對(duì)應(yīng)的突變個(gè)體v^m，所述第二十九公式為：

v^m＝x^r1+mf·(x^r2-x^r3)

式中:r1,r2,r3∈{1,2,...m}且互不相同，同時(shí)與m不同；x^r1為父代基向量；(x^r2-x^r3)稱為父代差分向量；mf為0～2隨機(jī)數(shù)，并稱為縮放比例因子。

209：對(duì)種群和突變個(gè)體執(zhí)行標(biāo)準(zhǔn)差分進(jìn)化算法中的交叉操作，產(chǎn)生試驗(yàn)個(gè)體；

利用第三十公式對(duì)x^m和由第二十九公式生成的突變個(gè)體v^m實(shí)施交叉操作，生成試驗(yàn)個(gè)體u^m,即第三十公式為：

式中:rand(i)為0～1之間的均勻分布隨機(jī)數(shù)；pde為范圍在0～1之間的交叉概率；為試驗(yàn)個(gè)體u^m的第i維決策變量；為突變個(gè)體v^m的第i維決策變量；為父代個(gè)體的第i維決策變量；

210：計(jì)算種群和試驗(yàn)個(gè)體的適應(yīng)度值并對(duì)種群和試驗(yàn)個(gè)體執(zhí)行標(biāo)準(zhǔn)差分進(jìn)化算法中的選擇操作，更新種群。

對(duì)試驗(yàn)個(gè)體u^m和父代個(gè)體x^m執(zhí)行如下選擇操作：

式中：f為目標(biāo)函數(shù)。

需要說(shuō)明的是，標(biāo)準(zhǔn)de算法的性能主要取決于其全局搜索和局部探測(cè)能力，從一定程度上講，這取決于該算法的交叉概率的設(shè)置，相比于其他的啟發(fā)式算法，差分算法具有調(diào)節(jié)參數(shù)少，可操作性強(qiáng)、群體搜索，具有記憶個(gè)體最優(yōu)和全局最優(yōu)的保優(yōu)功能等優(yōu)點(diǎn)。然而，與其它諸如遺傳算法、蟻群算法、粒子群算法等絕大多數(shù)啟發(fā)式算法相似，de算法由于自身固有利用差分向量進(jìn)行突變產(chǎn)生新個(gè)體的搜索方式導(dǎo)致該算法在當(dāng)?shù)螖?shù)達(dá)進(jìn)行到一定次數(shù)時(shí)，種群多樣性的急劇下降，形成“聚集”現(xiàn)象導(dǎo)致過(guò)早收斂的問(wèn)題。因此需要本發(fā)明實(shí)施例解決此類問(wèn)題。

211：對(duì)種群中的每一個(gè)個(gè)體執(zhí)行歸一化操作；

212：對(duì)種群中的每一配對(duì)維通過(guò)第三十三公式執(zhí)行縱向交叉操作獲得中庸解標(biāo)量，所述第三十三公式為：

其中，r為介于0到1的隨機(jī)數(shù)；為個(gè)體x^m的d1和d2維通過(guò)縱向交叉產(chǎn)生的中庸解ms^m的第d1維，即中庸解標(biāo)量；

需要說(shuō)明的是，自學(xué)習(xí)差分算法區(qū)別于大多數(shù)啟發(fā)式算法的顯著特點(diǎn)在于，縱向交叉操作是將種群中可能為不同量綱或不同上下限的不同維變量進(jìn)行算術(shù)交叉。假定父代種群中個(gè)體m的d1和d2維分別為和則它們進(jìn)行縱向交叉操作產(chǎn)生中庸解標(biāo)量。

213：對(duì)中庸解標(biāo)量執(zhí)行反歸一化操作獲得中庸解；

214：計(jì)算中庸解中每一個(gè)個(gè)體和執(zhí)行步驟211歸一化操作前的種群中每一個(gè)個(gè)體的適應(yīng)度值，并對(duì)中庸解中每一個(gè)個(gè)體和執(zhí)行步驟211歸一化操作前的種群中每一個(gè)個(gè)體執(zhí)行標(biāo)準(zhǔn)差分進(jìn)化算法中的選擇操作，更新種群，記錄迭代次數(shù)加一；

需要說(shuō)明的是，針對(duì)不同維所表示的可能為不同量綱或不同上下限等無(wú)法直接進(jìn)行算術(shù)交叉的問(wèn)題，因此在執(zhí)行縱向交叉前統(tǒng)一對(duì)個(gè)體的每一維進(jìn)行歸一化處理。相應(yīng)地，執(zhí)行完縱向交叉操作后統(tǒng)一對(duì)執(zhí)行后所產(chǎn)生的解進(jìn)行反歸一化處理得到中庸解。此外，對(duì)于種群中可能出現(xiàn)的部分維陷入局部最優(yōu)的現(xiàn)象，縱向交叉操作采用一個(gè)交叉概率pv來(lái)控制當(dāng)前種群中參與交叉維的規(guī)模，并且每次交叉僅產(chǎn)生一維子代，這有利于幫助部分維擺脫局部最優(yōu)的同時(shí)避免破壞正常維。與標(biāo)準(zhǔn)差分算法相同的是，反歸一化后所得的中庸解需通過(guò)競(jìng)爭(zhēng)操作與其父代個(gè)體比較，擇優(yōu)保留進(jìn)入下一次迭代。

縱觀各式各樣的啟發(fā)式算法及實(shí)驗(yàn)經(jīng)驗(yàn)所得，不難發(fā)現(xiàn)，絕大部分算法存在的收斂過(guò)早問(wèn)題通常是由于種群中的局部維停滯不前，稱為維局部最優(yōu)。因此，對(duì)差分算法引入縱向交叉操作，利用其所獨(dú)有的擺脫維局部最優(yōu)能力，有效解決差分算法的收斂過(guò)早問(wèn)題，改善差分算法隨著迭代進(jìn)行到一定程度后出現(xiàn)的種群多樣性不足缺陷，進(jìn)一步提高差分算法的全局搜索能力。其次，引入自學(xué)習(xí)選擇操作，能有效的避免迭代后期種群多樣性嚴(yán)重不足時(shí)，差分算法不能有效突變產(chǎn)生新個(gè)體導(dǎo)致計(jì)算過(guò)于冗長(zhǎng)問(wèn)題，進(jìn)一步提高算法的收斂速度。

215：判斷迭代次數(shù)是否達(dá)到預(yù)設(shè)的最大迭代次數(shù)，若是，則輸出場(chǎng)景對(duì)應(yīng)的場(chǎng)景最優(yōu)解且記錄場(chǎng)景輸出次數(shù)加一，若否，則返回執(zhí)行步驟206，所述場(chǎng)景輸出次數(shù)的初始值為0；

需要說(shuō)明的是，場(chǎng)景最優(yōu)解指的是種群經(jīng)過(guò)不斷進(jìn)化優(yōu)化之后，最終的可以輸出的種群中的最優(yōu)解，可以是種群中一些參數(shù)的集合等。

216：判斷場(chǎng)景輸出次數(shù)是否達(dá)到預(yù)設(shè)的最大場(chǎng)景數(shù)，若是，則結(jié)束，若否，則返回執(zhí)行步驟205。

以上是對(duì)本發(fā)明實(shí)施例提供的一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法的另一個(gè)實(shí)施例進(jìn)行詳細(xì)的描述，以下將對(duì)本發(fā)明實(shí)施例提供的一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法的另一個(gè)實(shí)施例進(jìn)行詳細(xì)的描述。

本發(fā)明實(shí)施例提供的一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法的另一個(gè)實(shí)施例，包括：

301：建立家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型；

家庭分布式風(fēng)—光—蓄系統(tǒng)由風(fēng)力、光伏發(fā)電和儲(chǔ)能系統(tǒng)組成。其中，風(fēng)電機(jī)組將風(fēng)能轉(zhuǎn)化為電能，光伏陣列將太陽(yáng)能轉(zhuǎn)化為電能，儲(chǔ)能系統(tǒng)由蓄電池構(gòu)成。風(fēng)—光—蓄協(xié)同經(jīng)濟(jì)優(yōu)化調(diào)度模型的主要目標(biāo)為在滿足各種復(fù)雜的安全運(yùn)行約束前提下，通過(guò)優(yōu)化各調(diào)度時(shí)段并網(wǎng)聯(lián)絡(luò)線傳輸功率，以實(shí)現(xiàn)最大化的系統(tǒng)運(yùn)行經(jīng)濟(jì)效益。

家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型可通過(guò)以下步驟建立：

3011：建立如第一公式和第二公式所示的風(fēng)力發(fā)電系統(tǒng)模型，

風(fēng)速的隨機(jī)性和波動(dòng)性很大，常用其概率分布來(lái)反映風(fēng)速的統(tǒng)計(jì)特性?，F(xiàn)有研究表明，風(fēng)速近似服從威布爾分布，其概率密度函數(shù)即所述第一公式為：

其中，v為風(fēng)速；c為尺度參數(shù)；k為形狀參數(shù)；通常取k＝1.8～2.8。

實(shí)際風(fēng)速v與風(fēng)電出力pw之間存在如第二公式的關(guān)系：

所述第二公式為：

其中，pwn為風(fēng)電機(jī)組的額定輸出功率；vin、vr、vout分別為切入、額定和切出風(fēng)速；

3012：建立如第三公式和第四公式所示的光伏發(fā)電系統(tǒng)模型，

光伏發(fā)電系統(tǒng)的實(shí)際輸出功率可由標(biāo)準(zhǔn)條件下的輸出功率、電池工作溫度、光照強(qiáng)度計(jì)算，其具體數(shù)學(xué)模型如所述第三公式，所述第三公式為：

其中，pstc為stc標(biāo)準(zhǔn)測(cè)試條件下(太陽(yáng)光照強(qiáng)度gstc＝1kw/m²，參考溫度tstc＝25℃)的最大測(cè)試功率；tc為電池工作溫度；gc為太陽(yáng)光照強(qiáng)度；k為功率溫度系數(shù)，取值為-0.0047/℃；

在實(shí)際工程中，對(duì)于玻璃封裝的光伏陣列，可根據(jù)實(shí)驗(yàn)的環(huán)境溫度近似估算出光伏陣列的工作溫度，所述第四公式為：

其中，ta為環(huán)境溫度，單位為℃；

3013：建立如第五公式所示的儲(chǔ)能系統(tǒng)模型，

作為風(fēng)光蓄發(fā)電系統(tǒng)中的儲(chǔ)能元件，蓄電池在t時(shí)刻的荷電量soct與前一時(shí)段的荷電量和此刻的充放電功率有關(guān)，其運(yùn)行狀態(tài)包含充電和放電。t時(shí)刻蓄電池的荷電量可表示如第五公式，所述第五公式為：

其中，soct為t時(shí)段蓄電池的荷電量；pbat,t為蓄電池的充/放電功率；ηd、ηc分別為蓄電池的充放電效率。

3014：建立如第六公式所示的優(yōu)化目標(biāo)函數(shù)，

以家庭用戶1天內(nèi)24時(shí)段為調(diào)度周期，通過(guò)優(yōu)化各時(shí)段聯(lián)絡(luò)線傳輸功率pn,t，使得用戶的售電收益、購(gòu)電成本、政府補(bǔ)貼、運(yùn)行維護(hù)成本、分布式發(fā)電投資建設(shè)成本等綜合收益最大。在實(shí)時(shí)電價(jià)政策下，優(yōu)化調(diào)度的目標(biāo)函數(shù)如第六公式，所述第六公式為：

其中，

csell,t＝ps,t·cs,t

cbuy,t＝pg,t·cg,t

csub,t＝(pw,t+pv,t)·f

其中，t為調(diào)度周期；ctotal為調(diào)度周期內(nèi)的總收益；csell,t、cbuy,t、csub,t分別為用戶在調(diào)度時(shí)段t內(nèi)的售電收益、購(gòu)電成本以及政府對(duì)分布式發(fā)電的補(bǔ)貼收益；crw,t、crv,t、crs,t、cset,t分別為風(fēng)電機(jī)組、光伏陣列、蓄電池的運(yùn)行維護(hù)成本和折算為單位時(shí)間的分布式發(fā)電投資建設(shè)成本；pw,t、pv,t、ps,t、pg,t、pd,t分別為調(diào)度時(shí)段t內(nèi)的風(fēng)電出力、光伏出力、蓄電池出力、上網(wǎng)電量、用戶購(gòu)電電量及家庭負(fù)荷需求；cs,t、cg,t分別為用戶實(shí)時(shí)售電價(jià)格和購(gòu)電電價(jià)；f為政府對(duì)分布式發(fā)電的補(bǔ)貼電價(jià)0.42元/(kw·h)；kwu、kwd分別為風(fēng)電機(jī)組運(yùn)行時(shí)單位電量的維護(hù)成本和停運(yùn)單位時(shí)間的維護(hù)成本；kvu、kvd分別為光伏陣列運(yùn)行時(shí)單位電量的維護(hù)成本和停運(yùn)單位時(shí)間的維護(hù)成本；ksu為蓄電池運(yùn)行時(shí)單位電量的維護(hù)成本；kb為考慮資金時(shí)間價(jià)值的系統(tǒng)投資建設(shè)成本系數(shù)；r、n分別為系統(tǒng)折現(xiàn)率和投資償還期。

3015：建立如第十四公式、第十五公式、第十六公式、第十七公式、第十八公式、第十九公式、第二十公式、第二十一公式、第二十二公式所示的約束條件，

采用聯(lián)絡(luò)線傳輸功率pn,t為優(yōu)化變量，其目的在于采用該變量不僅能夠?qū)L(fēng)—光發(fā)電系統(tǒng)剩余電量供給電網(wǎng)賣電，而且可以在電價(jià)低谷和發(fā)電系統(tǒng)有剩余電量時(shí)，擇機(jī)選擇向電網(wǎng)購(gòu)電，存入蓄電池以供下一用電高峰使用或電價(jià)高位時(shí)向電網(wǎng)售電，通過(guò)這種時(shí)空轉(zhuǎn)移方式獲取更大的經(jīng)濟(jì)效益。有效避免采用余電按比例分配上網(wǎng)和存入蓄電池所可能出現(xiàn)的電價(jià)低谷和有少量余電情況下無(wú)法敏銳捕獲電價(jià)信息，向電網(wǎng)大幅度購(gòu)電的缺陷。不同優(yōu)化變量下，向電網(wǎng)購(gòu)電電流的流向如圖3所示。

所述第十四公式為：

|pn,t|≤pnr；

所述第十五公式為：

其中，pnr為聯(lián)絡(luò)線傳輸容量；soc^max、soc^min分別為蓄電池的最大、最小荷電量；分別為蓄電池的最大充、放電功率；

所述第十六公式為：

所述第十七公式為：

電力不易大規(guī)模儲(chǔ)存要求電力生產(chǎn)與消費(fèi)應(yīng)具備同時(shí)性，因此要保證家庭風(fēng)—光出力與家庭負(fù)荷實(shí)時(shí)平衡，即在調(diào)度期間內(nèi)，系統(tǒng)中風(fēng)電、光伏的出力及傳輸功率必須與家庭負(fù)荷需求平衡，該約束可表示為第十八公式，所述第十八公式為：

pd,t＝pw,t+pv,t-pn,t-pbat,t；

考慮蓄電池使用期間的維護(hù)和減小不必要的折損，須在蓄電池使用過(guò)程中的充放電容量和單位時(shí)間充放電功率加以約束，如第十九公式到第二十二公式所示。

所述第十九公式為：

soc^min≤soct≤soc^max；

所述第二十公式為：

-0.2socn≤pbat,t≤0.2socn；

所述第二十一公式為：

soc0＝0.2socn；

所述第二十二公式為：

soct＝0.2socn；

其中，socn、soc0、soct分別為蓄電池的額定容量、初始狀態(tài)、末端狀態(tài)。在日常使用中，若蓄電池常處于深度放電狀態(tài)，即荷電量soct(stateofcharge,soc)低于20％額定容量，則會(huì)大幅縮減其使用壽命；反之，則會(huì)進(jìn)一步延長(zhǎng)其使用壽命。為更好的保證蓄電池的使用壽命，本文取20％～80％的荷電范圍，即soc^min＝0.2socn,soc^max＝0.8socn；并且為保證蓄電池的工作質(zhì)量，蓄電池單位時(shí)間內(nèi)的瞬時(shí)充放電功率不大于0.2socn。

302：建立與家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型對(duì)應(yīng)的風(fēng)電、光伏、負(fù)荷概率模型；

現(xiàn)有的研究表明，由于正態(tài)分布具有優(yōu)良的性質(zhì)，大量概率分布均可采用正態(tài)分布近似分析，對(duì)于預(yù)測(cè)誤差服從正態(tài)分布也取得廣泛應(yīng)用。

具體包括以下步驟：

3021：建立有邊界的正態(tài)分布概率模型，如第二十三公式所示，所述第二十三公式為：

其中，μ0和σ0分別為正態(tài)分布的期望和標(biāo)準(zhǔn)差；

針對(duì)實(shí)際預(yù)測(cè)中預(yù)測(cè)值所具有邊界的問(wèn)題，須對(duì)邊界范圍內(nèi)的概率進(jìn)行歸一化處理，則μ∈[a,b]的概率密度函數(shù)f(μ)如第二十三公式所示。

3022：將家庭風(fēng)光蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型中的參數(shù)與正態(tài)分布概率模型進(jìn)行匹配，建立包含匹配關(guān)系和相應(yīng)參數(shù)的風(fēng)電、光伏、負(fù)荷概率模型。

當(dāng)前國(guó)內(nèi)外對(duì)于光伏、風(fēng)電及負(fù)荷預(yù)測(cè)的研究較多，也取得一定的成果，然而，光照、風(fēng)速及用戶用電特性等不確定性使得對(duì)其預(yù)測(cè)存在誤差。目前普遍認(rèn)為光伏、風(fēng)電的最大出力及負(fù)荷預(yù)測(cè)誤差滿足正態(tài)分布，則t時(shí)段光伏和風(fēng)電的最大出力及負(fù)荷的概率密度函數(shù)及f3(pd,t)均可由第二十三公式表示，其相應(yīng)參數(shù)如表1所示

表1：滿足正態(tài)分布模型的參數(shù)

表1中，ppv,t和ppvn分別為t時(shí)段光伏實(shí)際最大出力、預(yù)測(cè)出力及其額定裝機(jī)容量；σpv為光伏出力預(yù)測(cè)的標(biāo)準(zhǔn)差；pw,t和pwn分別為t時(shí)段風(fēng)電的實(shí)際最大出力、預(yù)測(cè)最大出力及其額定裝機(jī)容量；σw為風(fēng)電出力的預(yù)測(cè)標(biāo)準(zhǔn)差；prd,t、pd,t和pdn分別為負(fù)荷的實(shí)際值、預(yù)測(cè)值及負(fù)荷總量；σd為負(fù)荷的預(yù)測(cè)標(biāo)準(zhǔn)差。

本發(fā)明實(shí)施例的求解方法主要由lhssr進(jìn)行場(chǎng)景構(gòu)建和縮減，并結(jié)合sde算法進(jìn)行智能尋優(yōu)兩部分組成。該方法首先采用拉丁超立方采樣對(duì)風(fēng)電、光伏及負(fù)荷的概率分布進(jìn)行抽樣，得到大量能覆蓋隨機(jī)變量空間的樣本。其次，結(jié)合場(chǎng)景縮減法對(duì)所生成的樣本進(jìn)行縮減和概率統(tǒng)計(jì)，避免全場(chǎng)景集規(guī)模巨大所存在的維爆炸問(wèn)題，且能在滿足準(zhǔn)確度前提下，大幅度減小計(jì)算量。最后，由sde算法進(jìn)行全局尋優(yōu)得到最優(yōu)決策方案。

303：通過(guò)拉丁超立方采樣法對(duì)風(fēng)電、光伏、負(fù)荷概率模型進(jìn)行抽樣，獲得樣本；

具體包括以下步驟：

3031：根據(jù)風(fēng)電、光伏、負(fù)荷概率模型設(shè)定抽樣規(guī)模設(shè)為n,隨機(jī)變量個(gè)數(shù)設(shè)為z，則第n個(gè)樣本表示為xn＝[xn1,xn2,...,xnz]，其中n∈(1,n)，并設(shè)定[xwd,xwu]區(qū)間內(nèi)xw的概率分布函數(shù)為fw(xw)，其中w＝1,2,...,z；

針對(duì)風(fēng)電、光伏出力及家庭負(fù)荷所存在的不確定性和波動(dòng)性，可通過(guò)隨機(jī)抽樣產(chǎn)生相應(yīng)樣本，相對(duì)于montecarlo抽樣技術(shù)，采用分層抽樣的lhs技術(shù)能夠確保樣本覆蓋隨機(jī)變量的整個(gè)樣本空間，因此可以更加準(zhǔn)確地反映風(fēng)電、光伏及負(fù)荷的概率分布。假定抽樣規(guī)模設(shè)為n,隨機(jī)變量個(gè)數(shù)設(shè)為z，則第n個(gè)樣本可表示為xn＝[xn1,xn2,...,xnz]，n∈(1,n)。采用拉丁超立方抽樣技術(shù)對(duì)服從正態(tài)分布變量進(jìn)行抽樣。假定[xwd,xwu]區(qū)間內(nèi)xw的概率分布函數(shù)為fw(xw)，其中w＝1,2,...,z；

3032：將概率分布函數(shù)fw(xw)的取值范圍[fw(xwd),fw(xwd)]分成n個(gè)等概率子區(qū)間；

3033：在所有概率子區(qū)間[(i-1)/n,i/n]內(nèi)，隨機(jī)選取一個(gè)滿足公式qi＝(i-1+r)/n的隨機(jī)因子qi,則令yiw＝qi·(fw(xwu)-f(xwd))+fw(xwd)，其中r為0到1的隨機(jī)數(shù)；

3034：通過(guò)概率分布的逆變換得到相應(yīng)的樣本(或稱樣本值)，該計(jì)算過(guò)程通過(guò)公式實(shí)現(xiàn)。

304：通過(guò)場(chǎng)景縮減算法對(duì)樣本進(jìn)行縮減和概率統(tǒng)計(jì)，獲得預(yù)設(shè)數(shù)目的場(chǎng)景集合；

為保證場(chǎng)景模擬的多樣性，通常采用lhs法生成的場(chǎng)景規(guī)模十分龐大，若是每個(gè)場(chǎng)景進(jìn)行計(jì)算將相當(dāng)耗時(shí)，并且也沒(méi)有必要。因此，在保證一定的計(jì)算速度和樣本擬合精度的前提下，須對(duì)所有產(chǎn)生的樣本進(jìn)行場(chǎng)景縮減。

具體包括以下步驟：

3041：初始化樣本，設(shè)定第i個(gè)樣本為第i個(gè)場(chǎng)景，設(shè)定樣本集合為場(chǎng)景集合，設(shè)定n^*為計(jì)算過(guò)程中的場(chǎng)景數(shù)，任一場(chǎng)景的概率用第二十四公式表示為：式中n^*＝n；

3042：在n^*個(gè)場(chǎng)景中，對(duì)任意兩個(gè)場(chǎng)景xi和xj，其中1≤i≤j≤n^*，根據(jù)第二十五公式計(jì)算兩個(gè)場(chǎng)景xi和xj之間的場(chǎng)景距離，所述第二十五公式為：

3043：在n^*個(gè)場(chǎng)景中，根據(jù)第二十五公式計(jì)算得到的場(chǎng)景距離，搜索與任意場(chǎng)景xi的場(chǎng)景距離最小的場(chǎng)景xj，即min{dk(xi,xj)i≠j}，并通過(guò)第二十六公式計(jì)算乘積：

pkdi＝min{dk(xi,xj)i≠j}×pi；

3044：在n^*個(gè)場(chǎng)景中，在第二十六公式得出的結(jié)果中搜索最小的pkd，通過(guò)第二十七公式將最小的pkd記為pkds，并將在計(jì)算最小pkd的公式中與場(chǎng)景xi對(duì)應(yīng)的場(chǎng)景xj的場(chǎng)景概率更新為pj＝pj+pi，將與pkds對(duì)應(yīng)的場(chǎng)景xi從場(chǎng)景集合中除去，

所述第二十七公式為：

pkds＝min{pkdi|1≤i≤n^*}；

3045：更新場(chǎng)景數(shù)為n^*＝n^*-ni，其中ni為最小pkds的個(gè)數(shù)，判斷是否場(chǎng)景數(shù)n^*達(dá)到目標(biāo)場(chǎng)景數(shù)n^*,若是，則結(jié)束場(chǎng)景削減并輸出預(yù)設(shè)數(shù)目為目標(biāo)場(chǎng)景數(shù)n^*的場(chǎng)景集合，若否，則返回執(zhí)行步驟3042。

然后，通過(guò)自適應(yīng)改進(jìn)差分進(jìn)化算法求解場(chǎng)景集合，獲得與場(chǎng)景對(duì)應(yīng)的最優(yōu)解，具體包括步驟305至步驟319：

305：從場(chǎng)景集合中選擇一個(gè)未優(yōu)化的場(chǎng)景，提取場(chǎng)景中的數(shù)據(jù)，并在可行解空間中初始化種群，設(shè)定迭代次數(shù)為0；

其中，在可行解空間中初始化種群的具體步驟為：

設(shè)m為種群大小，d為個(gè)體的維數(shù)，在問(wèn)題的決策空間內(nèi)隨機(jī)產(chǎn)生初始種群x＝{x¹,x²,...,x^m}，其中表征種群中的第m個(gè)粒子，個(gè)體的每一維可以由第二十八公式產(chǎn)生，所述第二十八公式為：

其中：li為第i維變量的下限，ui為第i維變量的上限，rand()為0到1的隨機(jī)數(shù)。

306：通過(guò)第三十二公式計(jì)算種群的方差e，所述第三十二公式為：

307：判斷種群的方差e是否大于預(yù)設(shè)的極小值，若是，則執(zhí)行步驟308，若否，則執(zhí)行步驟311；

步驟308至步驟310具體可描述為：對(duì)種群執(zhí)行標(biāo)準(zhǔn)差分進(jìn)化算法以優(yōu)化更新種群；

308：對(duì)種群執(zhí)行標(biāo)準(zhǔn)差分進(jìn)化算法中的突變操作，產(chǎn)生突變個(gè)體；

309：對(duì)種群和突變個(gè)體執(zhí)行標(biāo)準(zhǔn)差分進(jìn)化算法中的交叉操作，產(chǎn)生試驗(yàn)個(gè)體；

310：計(jì)算種群和試驗(yàn)個(gè)體的適應(yīng)度值并對(duì)種群和試驗(yàn)個(gè)體執(zhí)行標(biāo)準(zhǔn)差分進(jìn)化算法中的選擇操作，更新種群。

311：對(duì)種群中的每一個(gè)個(gè)體執(zhí)行歸一化操作；

312：對(duì)種群中的每一配對(duì)維通過(guò)第三十三公式執(zhí)行縱向交叉操作獲得中庸解標(biāo)量，所述第三十三公式為：

其中，r為介于0到1的隨機(jī)數(shù)；為個(gè)體x^m的d1和d2維通過(guò)縱向交叉產(chǎn)生的中庸解ms^m的第d1維；

313：對(duì)中庸解標(biāo)量執(zhí)行反歸一化操作獲得中庸解；

314：計(jì)算中庸解中每一個(gè)個(gè)體和執(zhí)行步驟311歸一化操作前的種群中每一個(gè)個(gè)體的適應(yīng)度值，并對(duì)中庸解中每一個(gè)個(gè)體和執(zhí)行步驟311歸一化操作前的種群中每一個(gè)個(gè)體執(zhí)行標(biāo)準(zhǔn)差分進(jìn)化算法中的選擇操作，更新種群，記錄迭代次數(shù)加一；

315：判斷迭代次數(shù)是否達(dá)到預(yù)設(shè)的最大迭代次數(shù)，若是，則輸出場(chǎng)景對(duì)應(yīng)的場(chǎng)景最優(yōu)解且記錄場(chǎng)景輸出次數(shù)加一，若否，則返回執(zhí)行步驟306，所述場(chǎng)景輸出次數(shù)的初始值為0；

316：判斷場(chǎng)景輸出次數(shù)是否達(dá)到預(yù)設(shè)的最大場(chǎng)景數(shù)，若是，則結(jié)束，若否，則返回執(zhí)行步驟305。

本發(fā)明實(shí)施例基于家庭并網(wǎng)風(fēng)—光—蓄發(fā)電系統(tǒng)，考慮了風(fēng)電、光伏出力及負(fù)荷的不確定性，并計(jì)及用戶售電收益、購(gòu)電成本、政府補(bǔ)貼、運(yùn)行維護(hù)費(fèi)用和分布式電源投資建設(shè)成本等因素，建立了實(shí)時(shí)電價(jià)下，通過(guò)優(yōu)化并網(wǎng)聯(lián)絡(luò)線傳輸功率，以實(shí)現(xiàn)用戶收益最大化的家庭并網(wǎng)風(fēng)-光-蓄發(fā)電系統(tǒng)優(yōu)化調(diào)度模型。為處理該復(fù)雜優(yōu)化問(wèn)題，提出一種拉丁超立方采樣場(chǎng)景縮減嵌入自適應(yīng)改進(jìn)差分算法的方法(adaptiveimproveddifferencealgorithmwithlatinhypercubesamplingandscenereduction,aide-lhssr)。該方法是在拉丁超立方采樣法(latinhypercubesampling,lhs)處理風(fēng)電、光伏出力及負(fù)荷的不確定性的基礎(chǔ)上，結(jié)合場(chǎng)景縮減法，對(duì)所生成的樣本進(jìn)行場(chǎng)景削減和概率統(tǒng)計(jì)，有效提高計(jì)算效率。其次，針對(duì)標(biāo)準(zhǔn)差分算法在處理多約束、高維、多峰優(yōu)化問(wèn)題時(shí)容易陷入局部最優(yōu)的缺陷，本發(fā)明提出一種自適應(yīng)改進(jìn)差分算法，(adaptiveimproveddifferencealgorithm，aide)，該算法在標(biāo)準(zhǔn)de算法的基礎(chǔ)上，引入縱向交叉操作以協(xié)助部分維擺脫維局部最優(yōu)困境，修正算法的進(jìn)化方向，改善收斂后期種群多樣性不足導(dǎo)致算法出現(xiàn)早熟收斂的問(wèn)題。其次，通過(guò)引入自適應(yīng)操作，以處理種群多樣性不足導(dǎo)致差分算法無(wú)法通過(guò)差分向量突變產(chǎn)生新解的問(wèn)題，避免過(guò)多無(wú)效計(jì)算，提高算法的收斂速度。通過(guò)自適應(yīng)改進(jìn)差分算法提高家庭并網(wǎng)風(fēng)—光—蓄協(xié)同經(jīng)濟(jì)調(diào)度的優(yōu)化效果。

以上是對(duì)本發(fā)明實(shí)施例提供的一種計(jì)及不確定性因素的家庭并網(wǎng)協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化方法的另一個(gè)實(shí)施例進(jìn)行詳細(xì)的描述，以下將根據(jù)本發(fā)明實(shí)施例在具體場(chǎng)景中的應(yīng)用進(jìn)行說(shuō)明。

需要說(shuō)明的是，運(yùn)用本發(fā)明實(shí)施例求解家庭并網(wǎng)風(fēng)—光—蓄協(xié)同經(jīng)濟(jì)調(diào)度優(yōu)化問(wèn)題時(shí)，其關(guān)鍵為：

1)預(yù)設(shè)種群大小m、最大迭代次數(shù)maxgen、采樣規(guī)模n等參數(shù)；

2)采用lhs方法對(duì)風(fēng)電、光伏及負(fù)荷進(jìn)行抽樣，得到能表征風(fēng)電、光伏及負(fù)荷不確定性的大量樣本；

3)通過(guò)場(chǎng)景縮減法對(duì)lhs所產(chǎn)生的樣本進(jìn)行縮減，生成n^*個(gè)風(fēng)電、光伏出力及負(fù)荷場(chǎng)景；

4)利用sde算法進(jìn)行智能尋優(yōu)，得到優(yōu)化后每一場(chǎng)景的最佳決策方案和目標(biāo)函數(shù)值。

為驗(yàn)證所提模型和優(yōu)化方法的合理性和有效性，本文以某典型家庭風(fēng)—光—蓄發(fā)電系統(tǒng)為例，調(diào)度周期為24h，分為24個(gè)調(diào)度時(shí)段，每一調(diào)度時(shí)段為1h。裝置使用年限為20年，風(fēng)電機(jī)組的額定出力pwn＝15kw，其切入、額定及切出風(fēng)速分別取3m/s、10m/s及20m/s。光伏組件額定出力ppvn＝8kw。蓄電池額定容量為socn＝30kwh,風(fēng)速、光照強(qiáng)度及負(fù)荷預(yù)測(cè)誤差分別取25％、25％及10％，包含空調(diào)、熱水器、電飯煲和洗衣機(jī)等家庭負(fù)荷額定總量為30kw。聯(lián)絡(luò)線傳輸容量pnr＝40kw。圖4分別給出了大電網(wǎng)在各時(shí)段的實(shí)時(shí)購(gòu)電和售電價(jià)格，列出力風(fēng)電機(jī)組、光伏組件、蓄電池的維護(hù)成本系數(shù)根據(jù)實(shí)際情況確定。家庭風(fēng)—光—蓄系統(tǒng)投資建設(shè)成本系數(shù)kb＝161000，折現(xiàn)率參考國(guó)家發(fā)展與改革委員會(huì)和建設(shè)部于2006年發(fā)布的《建設(shè)項(xiàng)目經(jīng)濟(jì)評(píng)價(jià)方法與參數(shù)(第3版)》中規(guī)定中國(guó)的折現(xiàn)率為8％，故本文去折現(xiàn)率為r＝8％，投資償還期n與規(guī)劃年限保持一致取n＝20年。

算例種群規(guī)模設(shè)置為30，迭代次數(shù)設(shè)為300。同時(shí)，為保證仿真結(jié)果的公正與合理，在該算例仿真過(guò)程中，各算法均采用相同的初始種群及其對(duì)應(yīng)的最優(yōu)參數(shù)設(shè)置，其中pso算法的慣性權(quán)重及學(xué)習(xí)因子分別取為1和2，de算法和sde算法最優(yōu)參數(shù)設(shè)置即交叉概率pde設(shè)為0.3，縱向交叉概率pc設(shè)為0.5，此外最終優(yōu)化結(jié)果分別取30次獨(dú)立運(yùn)行的最優(yōu)結(jié)果，且求解時(shí)均采用matlabr2010b進(jìn)行程序語(yǔ)言編寫；計(jì)算機(jī)運(yùn)行環(huán)境為inter(r)cpug5400、2.49ghz、內(nèi)存為3.40gb，操作系統(tǒng)為windowsxpprofessional。

根據(jù)算例模型和調(diào)度策略，在matlab環(huán)境下，采用所提aide-lhssr方法進(jìn)行優(yōu)化求解。經(jīng)過(guò)lhs采樣，可得到20000個(gè)具有相同概率的風(fēng)電、光伏出力及負(fù)荷場(chǎng)景，由于lhs抽樣所得的樣本具有一定的波動(dòng)性，因此，對(duì)lhs所產(chǎn)生的場(chǎng)景實(shí)施場(chǎng)景縮減計(jì)算，得到不同場(chǎng)景下風(fēng)電、光伏在各調(diào)度時(shí)段的出力及負(fù)荷在各調(diào)度時(shí)段的需求，且各場(chǎng)景在該狀態(tài)下發(fā)生的概率分別為0.3779、0.4281、0.194；其次，由aide算法優(yōu)化可得不同場(chǎng)景下各調(diào)度時(shí)段的傳輸功率及其上下限、不同場(chǎng)景在各時(shí)段系統(tǒng)調(diào)度運(yùn)行狀態(tài)、圖5所給出的不同場(chǎng)景下各調(diào)度時(shí)段蓄電池荷電狀態(tài)。

不同場(chǎng)景下各調(diào)度時(shí)段的傳輸功率、蓄電池充/放電功率、蓄電池荷電狀態(tài)嚴(yán)格運(yùn)行在安全運(yùn)行約束范圍內(nèi)，這一系列表明所提aide算法能夠合理有效地處理家庭并網(wǎng)風(fēng)—光—蓄各種錯(cuò)綜復(fù)雜的約束。其次，不難發(fā)現(xiàn)，在調(diào)度時(shí)段0:00～10:00,實(shí)時(shí)電價(jià)處于平波小幅上升階段，此時(shí)系統(tǒng)風(fēng)光出力充足，剩余電量以存入蓄電池為主，并考慮蓄電池荷電容量限制，適時(shí)選擇余電上網(wǎng)，在大電網(wǎng)用電高峰時(shí)段之前使蓄電池維持在一個(gè)較高的荷電狀態(tài)，為后續(xù)家庭用電高峰和電價(jià)高峰蓄足電量。在調(diào)度時(shí)段11:00～15:00大電網(wǎng)處于用電高峰，上網(wǎng)電價(jià)和購(gòu)電價(jià)格均位于調(diào)度周期的高峰階段，這一階段以蓄電池放電和系統(tǒng)余電上網(wǎng)為主要形式，避免用戶在電價(jià)較高時(shí)的用電高峰向大電網(wǎng)購(gòu)電，同時(shí)擇機(jī)蓄電池放電參與補(bǔ)充家庭用電高峰和上網(wǎng)售電，提高用戶的經(jīng)濟(jì)效益，減少了大電網(wǎng)在用電高峰時(shí)的供電壓力，起到削峰填谷的作用。在調(diào)度時(shí)段18:00～21:00，這一階段購(gòu)電價(jià)格小于售電價(jià)格，因此，系統(tǒng)選擇在18:00～19:00大幅度向電網(wǎng)購(gòu)電供給家庭負(fù)荷和存入蓄電池，同時(shí)在20:00～21:00以蓄電池放電為主要形式優(yōu)化系統(tǒng)余電上網(wǎng)，通過(guò)時(shí)空轉(zhuǎn)移賺取售電和購(gòu)電差價(jià)，進(jìn)一步提高系統(tǒng)的綜合收益。

不同場(chǎng)景下，通過(guò)de算法優(yōu)化后的結(jié)果相比于“自發(fā)自用，余電上網(wǎng)”的運(yùn)行方式分別提高14.75％、13.86％、16.22％，而采用aide算法優(yōu)化后的結(jié)果則分別提高21.78％、19.97％、20.35％，由此可見(jiàn)，“自發(fā)自用，余電上網(wǎng)”的供電方式雖然獲得一定程度上的用電收益，然而，該方案并沒(méi)有優(yōu)化用戶的用電結(jié)構(gòu)，不能緩解大電網(wǎng)峰值供電壓力。通過(guò)算法對(duì)發(fā)電系統(tǒng)進(jìn)行優(yōu)化后的結(jié)果，不僅可以利用蓄電池的靈活可調(diào)度性空間平移間歇性能源的出力，而且能敏銳捕捉電價(jià)信息，通過(guò)時(shí)空轉(zhuǎn)移賺取差額電價(jià)，以獲得明顯的效益提升。其次，在相同初始種群、最大迭代次數(shù)等條件下，不同場(chǎng)景下采用aide算法的優(yōu)化結(jié)果相比于標(biāo)準(zhǔn)de算法分別提高6.13％、5.37％和3.56％。此外，我們不難發(fā)現(xiàn)aide算法能有效地避免出現(xiàn)過(guò)早收斂現(xiàn)象，可見(jiàn)自適應(yīng)改進(jìn)差分算法具有較強(qiáng)的全局收斂性。

以上所述，以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。