本發(fā)明涉及配電網(wǎng)調(diào)控，尤其涉及一種考慮電-碳耦合的網(wǎng)荷互動(dòng)協(xié)調(diào)優(yōu)化方法。

背景技術(shù)：

1、據(jù)統(tǒng)計(jì)，電力行業(yè)在能源領(lǐng)域中所占碳排放比例較高，電力生產(chǎn)過(guò)程的碳排放占全國(guó)總碳排放達(dá)到了50％。隨著我國(guó)工業(yè)化和城鎮(zhèn)化的進(jìn)程不斷推進(jìn)、經(jīng)濟(jì)發(fā)展的快速增長(zhǎng)，高碳排放和高耗能越來(lái)越成為不同環(huán)節(jié)高效運(yùn)行的障礙，逐漸成為國(guó)家實(shí)現(xiàn)碳排放、碳中和目標(biāo)的巨大阻力。作為節(jié)能降耗的主力軍，電力系統(tǒng)中高碳排放和高耗能環(huán)節(jié)較多的配電網(wǎng)與負(fù)荷互動(dòng)協(xié)調(diào)優(yōu)化技術(shù)成為一種發(fā)展趨勢(shì)。

2、網(wǎng)荷互動(dòng)協(xié)調(diào)交互控制是一種分層優(yōu)化，包括上層優(yōu)化和下層優(yōu)化。配電網(wǎng)運(yùn)營(yíng)商(distribution?system?operator，dso)作為上層優(yōu)化對(duì)象。下層優(yōu)化服務(wù)對(duì)象為電動(dòng)汽車(chē)(electric?vehicle，ev)聚合商與多個(gè)電動(dòng)汽車(chē)組。配電網(wǎng)運(yùn)營(yíng)商(distributionsystem?operator，dso)通常根據(jù)分時(shí)電價(jià)指導(dǎo)用戶(hù)改變負(fù)荷來(lái)減少配電網(wǎng)功率損耗。然而，在碳排放交易市場(chǎng)中，電力用戶(hù)除了關(guān)注電費(fèi)外，還將關(guān)注自己的碳排放量，這同樣會(huì)影響配電網(wǎng)網(wǎng)損。因此，上下層是相互影響的關(guān)系。其中下層優(yōu)化問(wèn)題可以定義為一個(gè)多約束的線性?xún)?yōu)化問(wèn)題，且可使用傳統(tǒng)的數(shù)學(xué)優(yōu)化方法求解得到，但上下層交互控制整體優(yōu)化過(guò)程較為復(fù)雜，特別是如何對(duì)上層進(jìn)行有效優(yōu)化獲取最低碳排和分時(shí)電價(jià)以及減少交互優(yōu)化的時(shí)間成為至關(guān)重要的環(huán)節(jié)，現(xiàn)有的優(yōu)化算法，比如遺傳算法(genetic?algorithm,ga)、粒子群優(yōu)化(particle?swarm?optimization,pso)、模擬退火(simulated?annealingalgorithm,sa)為代表的智能優(yōu)化算法可用來(lái)搜索最優(yōu)解，然而，由于不能很好的平衡全局探索和局部搜索，上述算法在復(fù)雜的系統(tǒng)優(yōu)化中常出現(xiàn)收斂速度慢、精度低和穩(wěn)定性差等問(wèn)題。因此，亟需開(kāi)發(fā)尋優(yōu)性能更好的智能優(yōu)化算法用于考慮電-碳耦合的網(wǎng)荷互動(dòng)協(xié)調(diào)交互控制中上層優(yōu)化以實(shí)現(xiàn)整體最優(yōu)控制。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問(wèn)題，在于提供一種考慮電-碳耦合的網(wǎng)荷互動(dòng)協(xié)調(diào)優(yōu)化方法，以更快的速度和更高的精度獲得最佳分布式發(fā)電機(jī)功率輸出分配策略以及電動(dòng)汽車(chē)的最優(yōu)充電方案，提高模型整體性能。

2、本發(fā)明的問(wèn)題是這樣實(shí)現(xiàn)的：一種考慮電-碳耦合的網(wǎng)荷互動(dòng)協(xié)調(diào)優(yōu)化方法，包括：

3、搭建配電網(wǎng)與負(fù)荷上下層交互控制模型；

4、設(shè)置上層模型的目標(biāo)函數(shù)及其約束條件，并設(shè)置下層模型的目標(biāo)函數(shù)及其約束條件；

5、利用美洲獅優(yōu)化算法求解上層最優(yōu)的分布式發(fā)電機(jī)功率輸出分配策略；

6、根據(jù)得到的分布式發(fā)電機(jī)功率輸出分配策略計(jì)算配電網(wǎng)節(jié)點(diǎn)動(dòng)態(tài)碳排放因子；

7、基于動(dòng)態(tài)碳排放因子和分時(shí)電價(jià)，求解下層電動(dòng)汽車(chē)的最優(yōu)充電方案；

8、將最新的最優(yōu)充電方案返回上層，持續(xù)交互，直到迭代次數(shù)達(dá)到預(yù)設(shè)的最大迭代次數(shù)，即得到最優(yōu)協(xié)調(diào)優(yōu)化方案。

9、進(jìn)一步的，為了滿(mǎn)足配電網(wǎng)運(yùn)營(yíng)商(distribution?system?operator，dso)和電動(dòng)汽車(chē)(electric?vehicle，ev)聚合商的獨(dú)立利潤(rùn)最大化，使用stackelberg博弈來(lái)描述它們之間的相互作用。在該博弈中，dso在上層優(yōu)化中被視為領(lǐng)導(dǎo)者，ev聚合商在下層優(yōu)化中被視為跟隨者。

10、所述配電網(wǎng)與負(fù)荷上下層交互控制模型采用stackelberg博弈搭建，具體表示如下：

11、

12、式中，上層配電網(wǎng)運(yùn)營(yíng)商扮演領(lǐng)導(dǎo)者角色，下層電動(dòng)汽車(chē)扮演跟隨者角色，p和分別表示領(lǐng)導(dǎo)者的備選解和當(dāng)前最優(yōu)解；xleader表示領(lǐng)導(dǎo)者的優(yōu)化空間；uleader表示領(lǐng)導(dǎo)者的效用函數(shù)；q和分別表示跟隨者的備選解和當(dāng)前最優(yōu)解；xfollower表示跟隨者的優(yōu)化空間；ufollower表示領(lǐng)導(dǎo)者的效用函數(shù)；表示跟隨者當(dāng)前的動(dòng)態(tài)碳排放因子(carbonemission?factor，cef)向量，即所有ev組的動(dòng)態(tài)碳排放因子(carbon?emission?factor，cef)向量；fcef表示動(dòng)態(tài)碳排放因子cef的計(jì)算函數(shù)，由配電網(wǎng)運(yùn)營(yíng)商執(zhí)行。

13、進(jìn)一步的，所述上層模型的目標(biāo)函數(shù)具體為：

14、

15、式中，t為控制時(shí)段數(shù)；t表示控制時(shí)段的變量；ploss表示配電網(wǎng)網(wǎng)損；nl表示支路的總數(shù)；gk(i,j)表示i-j支路電導(dǎo)；ui和uj分別表示第i個(gè)節(jié)點(diǎn)的電壓和第j個(gè)節(jié)點(diǎn)的電壓；θi和θj分別表示第i個(gè)節(jié)點(diǎn)的相角和第j個(gè)節(jié)點(diǎn)的相角；

16、上述i和j表示發(fā)電機(jī)集、pq節(jié)點(diǎn)集和分支集中的任一節(jié)點(diǎn)；

17、本發(fā)明交互控制中的上層優(yōu)化目標(biāo)為最小化配電網(wǎng)有功網(wǎng)損，通過(guò)系統(tǒng)中各支路功率損耗之和來(lái)表征；

18、為確保優(yōu)化決策的科學(xué)性和實(shí)用性，考慮上層配電網(wǎng)的功率平衡、電壓幅值以及潮流平衡為本實(shí)施例的約束條件，所述上層模型的約束條件具體表示為：

19、

20、式中，pgi和qgi分別為第i個(gè)發(fā)電機(jī)節(jié)點(diǎn)輸出的有功功率和無(wú)功功率；pdi和qdi分別為第i個(gè)節(jié)點(diǎn)的有功功率需求和無(wú)功功率需求；vi表示第i個(gè)節(jié)點(diǎn)的電壓幅值，vj表示第j個(gè)節(jié)點(diǎn)的電壓幅值；gij和bij分別為線路i-j的電導(dǎo)和感抗；θij表示第i個(gè)節(jié)點(diǎn)和第j個(gè)節(jié)點(diǎn)之間的電壓相位角差；和分別表示pgi的下限和上限；和分別表示qgi的下限和上限；vimin和vimax分別表示vi的下限和上限；si表示第i條線路的視在功率流；表示第i條線路允許的最大功率流；ng、nb和nl分別表示發(fā)電機(jī)集、pq節(jié)點(diǎn)集和分支集，ni表示ng、nb和nl的總和。

21、進(jìn)一步的，根據(jù)下層當(dāng)前的最優(yōu)充電方案，利用美洲獅優(yōu)化算法求解上層模型最優(yōu)的分布式發(fā)電機(jī)功率輸出分配策略，具體過(guò)程如下：

22、步驟1、初始化算法參數(shù)，設(shè)置當(dāng)前迭代次數(shù)為1，種群數(shù)目為50，生成美洲獅的初始空間位置即個(gè)體決策，所述個(gè)體決策通過(guò)解向量表示為：

23、

24、式中，表示第i只美洲獅的初始決策；δp1、δp2、δp3分別表示燃?xì)廨啓C(jī)、風(fēng)電機(jī)組、光伏機(jī)組的功率分配指令；

25、步驟2、計(jì)算個(gè)體適應(yīng)度并選擇最佳個(gè)體，計(jì)算美洲獅當(dāng)前的適應(yīng)度值，并將適應(yīng)度值最小的美洲獅確定為最佳美洲獅，所述適應(yīng)度值的計(jì)算公式如下：

26、

27、式中，uleader表示上層優(yōu)化目標(biāo)函數(shù)；fmh表示元啟發(fā)式算法的適應(yīng)度函數(shù)；表示第u個(gè)約束的懲罰函數(shù)；nc是約束的數(shù)量；γ表示懲罰系數(shù)，γ>0；zu表示第u個(gè)約束的違規(guī)邊界；表示第u個(gè)約束的限制邊界；

28、步驟3、探索階段，優(yōu)化迭代的前三次將同時(shí)執(zhí)行探索階段和開(kāi)發(fā)階段；在探索階段，美洲獅隨機(jī)地跳進(jìn)搜索空間或在美洲獅之間的空間中搜索食物，表示為：

29、if?rand1＞0.5,zi,g＝rdim*(ub-lb)+lb

30、otherwise,zi,g＝xa,g+g·(xa,g-xb,g)+g·(((xa,g-xb,g)-(xc,g-xd,g)))

31、+g·(((xc,g-xd,g)-(xe,g-xf,g)))

32、g＝2·rand2-1

33、式中，zi,g表示搜索產(chǎn)生的備選解；ub和lb表示優(yōu)化問(wèn)題種群的上界和下界；rdim是位于問(wèn)題維度中0和1的范圍內(nèi)隨機(jī)生成的數(shù)字；rand1也是0和1之間的隨機(jī)生成的數(shù)；xa,g、xb,g、xc,g、xd,g、xe,g和xf,g是隨機(jī)選擇面的整個(gè)總體中的解；g通過(guò)公式中的在0和1之間均勻分布的隨機(jī)生成的數(shù)rand2計(jì)算得到，根據(jù)上述探索階段公式選擇其中一個(gè)產(chǎn)生新的解，然后將產(chǎn)生的新的解應(yīng)用于改進(jìn)當(dāng)前解；

34、改進(jìn)當(dāng)前解的過(guò)程如下：

35、

36、nc＝1-u

37、

38、ifcostxnew≥costxi,u＝u+p

39、ifcostxnew＜costxi,xi＝xnew

40、式中，zi,g表示搜索產(chǎn)生的備選解；xi表示當(dāng)前解；xnew表示改進(jìn)當(dāng)前解產(chǎn)生的新解；j表示一個(gè)在問(wèn)題的維數(shù)范圍內(nèi)的整數(shù)，需要提前設(shè)置；jrand是在問(wèn)題的維數(shù)范圍內(nèi)隨機(jī)生成的整數(shù)；rand3也是在0和1均勻分布中的隨機(jī)產(chǎn)生的數(shù)；costxnew和costxi分別表示產(chǎn)生的新解的成本函數(shù)值和當(dāng)前解的成本函數(shù)值，即適應(yīng)度值；u是在優(yōu)化過(guò)程之前設(shè)置的參數(shù)，其值是0和1之間的數(shù)字，用來(lái)表示改進(jìn)當(dāng)前解的需要程度，p和nc表示u值的更新速率，當(dāng)u值增大，更新速率減慢，npop是種群的總數(shù)，當(dāng)新解的成本大于等于當(dāng)前解的成本，則需要改進(jìn)當(dāng)前解以獲得更優(yōu)的解，u值會(huì)通過(guò)計(jì)算式來(lái)增大，這一過(guò)程能夠避免優(yōu)化過(guò)程陷入局部最優(yōu)；如果改進(jìn)當(dāng)前解產(chǎn)生的新解成本比當(dāng)前解低，則當(dāng)前解的所有維度分量都將被新解替換；

41、步驟4、開(kāi)發(fā)階段，優(yōu)化迭代的前三次將同時(shí)執(zhí)行探索階段和開(kāi)發(fā)階段；在開(kāi)發(fā)階段，美洲獅優(yōu)化算法利用兩種不同的算子對(duì)解進(jìn)行改進(jìn)，這兩種機(jī)制是基于美洲獅的兩種行為：伏擊狩獵和沖刺，其過(guò)程如下：

42、

43、式中，mean表示平均值函數(shù)，soltotal表示所有解的總和，npop是種群的總數(shù)；是在整個(gè)總體中隨機(jī)選擇的解；β是隨機(jī)產(chǎn)生的0或1；xi是當(dāng)前迭代中的解；α和l是在優(yōu)化之前必須調(diào)整的靜態(tài)參數(shù)；pumamale是整個(gè)種群的最優(yōu)解；rand4、rand5、rand6、rand7、rand8和rand9都是在0和1均勻分布中隨機(jī)產(chǎn)生的數(shù)，此外，exp表示指數(shù)函數(shù)；randn1和randn2是正態(tài)分布中隨機(jī)生成的數(shù)字，范圍與問(wèn)題的維度范圍相同；

44、其中，通過(guò)以下公式獲得：

45、round(1+(npop-1)·rand10)

46、式中，round表示將每個(gè)元素四舍五入到最接近的整數(shù)；rand10是0和1之間的隨機(jī)數(shù)；npop是種群的總數(shù)；

47、其中，r、f1和f2分別由以下公式獲得：

48、r＝2·rand11-1

49、

50、f2＝w×(v)2·cos((2×rand12)·w)

51、w＝randn4

52、v＝randn5

53、式中，randn3、randn4和randn5都表示處于標(biāo)準(zhǔn)正態(tài)分布下的隨機(jī)數(shù)，范圍與問(wèn)題的維度范圍相同；rand11和rand12是0和1之間的隨機(jī)數(shù)；iter表示當(dāng)前迭代次數(shù)；maxiter表示執(zhí)行優(yōu)化操作的迭代總數(shù)；exp表示指數(shù)函數(shù)；cos表示余弦函數(shù)；w和v的值都等于服從正態(tài)分布的隨機(jī)數(shù)，w和v的生成代表了算法在解空間中的改進(jìn)探索行為，f1和f2共同表示模擬美洲獅狩獵最優(yōu)美洲獅獵物的過(guò)程，即尋找最優(yōu)解，最后，在此階段結(jié)束時(shí)，如果新生產(chǎn)的解的成本低于當(dāng)前解，則將其替換；

54、步驟5、無(wú)經(jīng)驗(yàn)階段，在優(yōu)化迭代的前三次過(guò)程執(zhí)行探索階段和開(kāi)發(fā)階段完成后，執(zhí)行一次無(wú)經(jīng)驗(yàn)階段，評(píng)估無(wú)經(jīng)驗(yàn)時(shí)探索和開(kāi)發(fā)階段更新的解的分?jǐn)?shù)，過(guò)程如下：

55、

56、式中，分別表示初始三次迭代過(guò)程中兩個(gè)不同的階段所產(chǎn)生最優(yōu)解的成本與上一次迭代最優(yōu)解成本的差值絕對(duì)值，即適應(yīng)度差值，用于計(jì)算分?jǐn)?shù)衡量函數(shù)f1和f2；是在初始化階段中產(chǎn)生的最優(yōu)解的成本；六個(gè)變量和分別是初始三次迭代中開(kāi)發(fā)和探索階段獲得的最優(yōu)解的成本，即適應(yīng)度值；

57、之后使用上一步得到的結(jié)果計(jì)算分?jǐn)?shù)衡量函數(shù)f1和f2，具體如下：

58、

59、

60、式中，seqtime是一個(gè)具有常量值的參數(shù)，需要提前進(jìn)行設(shè)置；pf1和pf2都是具有固定值的參數(shù)，其必須在優(yōu)化過(guò)程之前設(shè)置，用于對(duì)f1和f2函數(shù)進(jìn)行優(yōu)先級(jí)排序，在第三次迭代結(jié)束時(shí)計(jì)算函數(shù)f1和f2之后，從現(xiàn)在開(kāi)始僅選擇探索和開(kāi)發(fā)階段之一，使用以下公式計(jì)算探索和開(kāi)發(fā)階段的評(píng)估分?jǐn)?shù)：

61、scoreexplore＝(pf1·f1explor)+(pf2·f2explor)

62、scoreexploit＝(pf1·f1exploit)+(pf2·f2exploit)

63、計(jì)算scoreexplore和scoreexploit之后，根據(jù)兩者大小選擇進(jìn)入開(kāi)發(fā)和探索階段之一，如果scoreexploit≥scoreexplore，即進(jìn)入開(kāi)發(fā)階段，否則進(jìn)入探索階段；

64、步驟6、繼續(xù)優(yōu)化迭代過(guò)程從第四次至最大迭代次數(shù)，在這一迭代過(guò)程中，美洲獅種群有了可以接受的經(jīng)驗(yàn)來(lái)進(jìn)行解的分?jǐn)?shù)評(píng)估，因此不斷執(zhí)行有經(jīng)驗(yàn)階段對(duì)探索和開(kāi)發(fā)階段更新的當(dāng)前最優(yōu)解進(jìn)行升級(jí)評(píng)分，若滿(mǎn)足以下條件：

65、scoreexplore≥scoreexploit

66、則進(jìn)一步執(zhí)行探索階段；否則執(zhí)行開(kāi)發(fā)階段，得到新的最優(yōu)解，之后通過(guò)更新美洲獅群體的適應(yīng)度值并與當(dāng)前最優(yōu)解的適應(yīng)度值進(jìn)行比較決定選擇最佳美洲獅解；

67、步驟7、判斷是否需要繼續(xù)迭代，若當(dāng)前迭代次數(shù)iter≥最大迭代次數(shù)maxiter，則輸出當(dāng)前最佳美洲獅的決策和適應(yīng)度值；否則返回步驟6繼續(xù)尋優(yōu)。

68、進(jìn)一步的，所述整個(gè)配電網(wǎng)的cef向量計(jì)算公式為：

69、δ＝a-1eg

70、其中，δ表示整個(gè)配電網(wǎng)的cef向量；a表示cef的系數(shù)矩陣；eg表示所有分布式發(fā)電機(jī)的碳排放向量。

71、進(jìn)一步的，所述下層模型的目標(biāo)函數(shù)具體為：

72、

73、式中，表示第j組電動(dòng)汽車(chē)的總充電功率；me表示電動(dòng)汽車(chē)組的數(shù)量；表示第j組電動(dòng)汽車(chē)的動(dòng)態(tài)碳排放因子(carbon?emission?factor，cef)；λe(t)和λc(t)分別表示電價(jià)和碳排放價(jià)格；

74、可以看出發(fā)明交互控制中的下層優(yōu)化目標(biāo)是最小化電力和碳排放成本，通過(guò)電動(dòng)汽車(chē)的總充電功率電價(jià)和碳排放價(jià)格及動(dòng)態(tài)碳排放因子分別的乘積之和表征；

75、對(duì)于下層電動(dòng)汽車(chē)群組，考慮充放電狀態(tài)以及荷電狀態(tài)(stateofcharge，soc)為本實(shí)施例的約束條件；

76、所述下層模型的約束條件為：

77、

78、式中，和分別表示第j組電動(dòng)汽車(chē)的接入時(shí)間和退出時(shí)間；mj為第j組電動(dòng)汽車(chē)的數(shù)量；δtc表示控制時(shí)間周期；表示第j組中第m輛電動(dòng)汽車(chē)在退出時(shí)間的荷電狀態(tài)；表示初始荷電狀態(tài)；ejm和分別表示第j組中第m輛電動(dòng)汽車(chē)的最大容量和最大充電功率；ηjm是第j組中第m輛電動(dòng)汽車(chē)的充電效率系數(shù)。

79、進(jìn)一步的，根據(jù)計(jì)算得到的最優(yōu)動(dòng)態(tài)碳排放因子及給定的最優(yōu)電價(jià)，下層模型采用內(nèi)點(diǎn)法求解更新最優(yōu)充電方案。

80、本發(fā)明的優(yōu)點(diǎn)在于：

81、(1)本發(fā)明與已有的電力系統(tǒng)低碳交互控制技術(shù)不同，針對(duì)配電網(wǎng)運(yùn)營(yíng)商(distribution?system?operator，dso)和電動(dòng)汽車(chē)(electric?vehicle，ev)聚合商的多個(gè)ev群組，構(gòu)建了基于動(dòng)態(tài)碳排放因子(carbon?emission?factor，cef)的交互控制。交互式控制分別由dso和ev聚合商的上層優(yōu)化和下層優(yōu)化組成。此外，dso試圖最小化配電網(wǎng)網(wǎng)損，而不是操作成本，ev聚合商則試圖最小化電力和碳排放成本。在圍繞“雙碳目標(biāo)”提出的一系列政策趨勢(shì)下，具備良好的可行性和廣闊的應(yīng)用前景。

82、(2)本發(fā)明采用的美洲獅優(yōu)化算法通過(guò)安全搜索、險(xiǎn)境搜索和隨機(jī)搜索進(jìn)行協(xié)調(diào)尋優(yōu)，很好地權(quán)衡了全局搜索和局部搜索，相比傳統(tǒng)的數(shù)學(xué)優(yōu)化算法和常規(guī)的啟發(fā)式算法，能以更快的速度、更高的精度和更強(qiáng)的穩(wěn)定性獲得最佳決策方案。