基于PSO改进算法的微电网多目标运行优化方法

摘要

本发明公开了一种基于PSO改进算法的微电网多目标运行优化方法，建立了基于微电网运行成本最低、污染排放治理费用最小、平抑可再生能源输出功率波动效果最佳的多目标运行优化模型，并采用改进的杂交PSO算法对模型进行求解，该算法首先将粒子群平均分为多个子群，分别对应多个优化目标，然后从各子群中选择指定数量的父代粒子进行杂交，最后得到一个Pareto解集，对此解集进行规范化排序后即可求得一组精确的最优解，此外，在上述算法中加入对环境变化的判断阀值，以进一步提高算法的时效性，达到快速、精确优化的目的，进而使微电网系统实时跟进环境变化而做出相应的调整，最终实现微电网的稳定性、经济性以及环保性运行。

说明书

技术领域

本发明涉及微电网技术领域，尤其涉及一种基于PSO改进算法的微电网多目标运行优化方法。

背景技术

微电网是智能电网中管理分布式电源的一种有效技术手段，其优化运行一直是国内外研究的热点问题。在进行优化的过程中，首先需建立微电网系统模型，然后设定相应的约束条件，并根据微电网的优化需求选取一个或多个指标作为优化目标，最后通过一定的求解方法对优化配置问题进行求解，得到的最优解即为最优配置方案。在优化目标的选取上，因人们对微电网系统供电可靠性、安全性、环保性等方面要求的提高，故会选取多个相关指标作为优化目标，多目标优化已经成为了当今的热点研究问题。

求解多目标优化模型的方法大致包括枚举法、智能优化算法和混合算法，由于微电网优化问题是一个包含连续变量和离散变量的混合优化问题，采用新兴的智能优化算法可更好的对该问题进行求解，尤其是在多目标优化问题的求解上，因多个目标之间往往存在冲突，一般很难同时达到最优，进而造成某些目标的优化结果不理想甚至不满足优化要求，采用智能算法可以方便的寻求到一组均衡解，故智能优化算法是求解多目标优化问题的有效手段，得到了越来越多的关注和应用。国内外学者围绕智能优化算法，如遗传算法、粒子群(PSO)算法、蚁群算法及模拟退火算法等，结合微电网的优化配置特点，对智能优化算法的收敛性、准确性和快速性等进行了一定探索，并提出一些性能优良的改进型优化算法。随着智能优化算法的不断发展，其在微电网优化配置领域中得到了应用，目前，相关学者仍致力于研究性能表现良好的多目标优化算法，以便能更加准确、快速地求得最优解。

分布式电源具有较强的波动性，恶劣环境下甚至会产生突变，这些特性会增加微电网多目标优化问题的求解难度，对优化求解算法的实时性和快速性要求较高，采用通常的优化算法和改进优化算法难以同时保证模型求解的速度和精度。

发明内容

本发明提供了一种基于PSO改进算法的微电网多目标运行优化方法，通过采用改进的杂交PSO模型，能有效提高多目标优化模型求解的速度和精度。

为解决上述技术问题，本发明采用以下技术方案：

基于PSO改进算法的微电网多目标运行优化方法，其特征在于，包括以下步骤：

步骤1：获取相关的预测数据及运行参数，所述预测数据包括根据历史数据预测获得的当地典型日24小时内的光照数据、风力数据和负荷数据，所述运行参数为当地电价参数、污染排放治理参数以及微电网相关参数，所述微电网相关参数包括系统条件、光伏发电系统参数、风力发电系统参数、柴油发电系统参数和储能系统参数；

步骤2：根据优化目标和约束条件建立多目标优化模型，优化变量为分布式电源和配网的出力；

步骤3：将步骤1中的预测数据和运行参数代入多目标优化模型中，并通过自适应重启杂交PSO算法求解优化模型，得出当地微电网的实时分布式电源和配网最优出力方案。

进一步的，所述优化目标包括：微电网运行成本最低，污染排放治理费用最小，平抑可再生能源输出功率波动最小，实现微电网运行成本、污染排放治理费用、平抑可再生能源输出功率波动三个优化目标的综合效果最佳。

所述系统约束条件包括功率平衡约束、分布式电源出力约束、微电网与大电网之间的交换功率约束。

所述分布式电源包括光伏阵列、风力发电机、柴油发电机和蓄电池。

进一步的，所述步骤3具体包括以下步骤：

步骤3.1：将粒子群平均分为N个子群，分别对应N个优化子目标；

步骤3.2：设置粒子群的种群大小、最大迭代次数、最大杂交次数以及杂交概率，并初始化各子群中粒子的速度和位置；

步骤3.3：根据优化目标函数计算各子群的适应度函数值，并记录粒子全局最优值和个体最优值；

步骤3.4：判断外部环境的变化量是否大于某一阀值常量，所述外部环境的变化量包括光伏发电系统或风力发电系统功率输出变化量，若是则重新初始化各子群中粒子的位置和速度，并将杂交次数和迭代次数归零，返回步骤3.3；否则转入步骤3.5；判断依据见下式：

或

式中，P_PV^k、P_WT^k分别为光伏发电系统和风力发电系统在第k次迭代时的输出功率值；△P是环境判断阀值常量△P是环境判断阀值常量；当分布式电源输出变化频繁时，为使程序不至于频繁的重复计算，△P值不应取得太小；但为保持算法对环境的灵敏度，△P值也不应取得过大，应根据实际情况适当取值；

步骤3.5：更新各粒子的速度和位置，更新公式为：

式中，k为当前迭代次数，分别为第n个子群中第i个粒子的当前代速度和位置，是第n个子群中第i个粒子的个体最优位置，是第n个子群的全局最优值，c₁、c₂是学习因子，也称加速因子，r₁、r₂是分布在[0,1]内的随机数。

步骤3.6：根据杂交概率从各子群中选择指定数量的粒子放入杂交池内；池中的父代粒子两两随机杂交，产生相同数量的子代粒子并替代父代粒子，根据下式产生子代的速度和位置：

式中，V_child,j、X_child,j分别为第j个子群中子代的速度和位置，V_parent,j为第j个子群中父代的速度，V_parent,n、X_parent,n分别为第n个子群中父代的速度和位置，λ_n是[0,1]之间的随机数，并且

步骤3.7：杂交次数增加1次，并判断杂交次数是否达到最大杂交次数，如果是则停止杂交，转入步骤3.8；否则返回到步骤3.6；

步骤3.8：迭代次数增加1次，并判断迭代次数是否到达最大迭代次数，如果是则停止迭代，转入步骤3.9；否则返回步骤3.3；

步骤3.9：经过以上计算可得到一个pareto解集，对此pareto解集进行规范化排序，获得规范值；

步骤3.10：选择规范值最小的解为最优解。

优选的，所述步骤3.9中，规范化排序的方法如下：

式中，f_i是pareto解集中第i个解的规范值，f_i(n)为第i个解在第n个子目标下求得的目标函数值，f_min(n)、f_max(n)分别是在第n个子目标下求得的所有解中的最小目标函数值和最大目标函数值，ω_n是各子目标的偏好因子，且

本发明的有益效果在于：本发明基于PSO改进算法的微电网多目标运行优化方法，针对微电网中分布式电源独有的特性，建立了基于微电网运行成本、污染排放治理费用、平抑可再生能源输出功率波动综合效果最佳的多目标运行优化模型，并采用改进的杂交PSO算法对模型进行求解，该算法加入了对环境变化的判断阀值，以进一步提高算法的时效性，达到快速、精确优化的目的，进而使微电网系统实时跟进环境变化而做出相应的调整，最终实现微电网的稳定性、经济性以及环保性运行。

附图说明

图1为基于PSO改进算法的微电网多目标运行优化方法步骤流程图。

具体实施方式

下面结合附图和具体实例对本发明作进一步说明，但不构成对本发明保护范围的限制。

本发明基于PSO改进算法的微电网多目标运行优化方法，如图1所示，包括以下步骤：

步骤1：获取相关的预测数据及运行参数，其中，预测数据包括根据历史数据预测获得的当地典型日24小时内的光照数据、风力数据和负荷数据，运行参数为当地电价参数、环境污染惩罚参数以及微电网相关参数，所述微电网相关参数包括系统条件、光伏发电系统参数、风力发电系统参数、柴油发电机系统参数、储能系统参数及其它参数；

步骤2：根据优化目标和约束条件建立多目标优化模型，优化变量为分布式电源和配网的出力；

步骤3：将步骤1中的预测数据和运行参数代入多目标优化模型中，并通过自适应重启杂交PSO算法求解优化模型，得出当地微电网的实时分布式电源和配网最优出力方案。

为实现上述步骤，需要明确以下几项内容：微电网相关参数、优化目标、约束条件、多目标优化模型以及自适应重启杂交PSO优化算法，下面做具体说明：

一、微电网相关参数。

较典型的微电网系统结构组成有风力发电机、光伏阵列、蓄电池、柴油发电机以及主控制控系统和变流器等，在给定的系统运行条件下运行，微电网有两种运行模式，即并网运行模式和离网运行模式，特殊情况下可进行两种模式的平滑切换。以下给出其主要能源出力部分的模型：

1-1风力发电机模型；

风力发电机的实际输出功率P_WT通过下式求得：

其中，

式中，P_WT、P_r分别为风力发电机的实际输出功率和额定输出功率；v为实际风速，v_r、v_ci、v_co分别为额定风速、切入风速和切出风速。

1-2光伏阵列模型；

光伏阵列的实际输出功率P_PV用下式表示：

式中，G为光照强度；G_STC为标准环境下的光照强度，值为1000W/m²；P_STC为标准环境条件下光伏阵列的输出功率；ω是温度系数；T_C为光伏阵列的实际工作温度；T_r是参考温度，值为298.15K。根据预测的光照数据可预测出光伏阵列的实际输出功率。

1-3蓄电池模型；

蓄电池的充放电功率均与其荷电状态SOC有关，如下式：

式中，Soc(T_d)为蓄电池在T_d时段的荷电状态，P_cd(T_d)是蓄电池在T_d时段的充电功率或放电功率，恒为正；η_c、η_d分别为充电效率和放电效率；δ是蓄电池的自放电效率，取值0.01％/h；ΔT_d是蓄电池的充放电时间；E_c是蓄电池的额定容量。

蓄电池的实际输出功率如下：

P_battery＝uP_cd(4)

式中，u为充放电标志，取值为0表示浮充，1表示充电，-1表示放电。

1-4柴油发电机模型；

柴油发电机输出功率P_DE如下式：

P_DE＝C₁D_dsl+C₂P_DE-rated(5)

式中，D_ds1为柴油发电机的耗油量；P_DE-rated为柴油发电机的额定功率；C₁、C₂为系数。

二、优化目标。

为使微电网的经济效益和环境效益达到最优，同时兼顾其稳定性，本发明以微电网运行成本最低、污染排放治理费用最小、平抑可再生能源输出功率波动效果最佳为优化目标，建立微电网多目标优化模型。

2-1微电网运行成本；

微电网运行成本包括各分布式电源的发电成本和微电网与主网之间的能量交换成本两部分，其中分布式电源的发电成本包括启动成本、运行维护成本以及燃料成本。

式中，C_total为系统运行总成本；L、N_T分别是分布式电源种类总数和微电网调度周期总时段数；为第l种分布式电源在t时段的输出功率；是微电网与大电网之间在t时段的交换功率(即购售电功率)，购电时为正，售电时为负；为第l种分布式电源在t时段的报价；为大电网在t时段的报价；△t为单位时段的时间间隔。

2-2污染排放治理费用；

微电网和大电网排放的污染物有CO₂、SO₂、NO_x等，其排放治理费用表达式如下：

式中，C_m为污染物排放治理总费用；Q是污染物总数；为第q类污染物的处理费；β_lq为第l种分布式电源排出第q类污染物的排放系数；β_gridq为大电网排出第q类污染物的排放系数；为第l种分布式电源在时段t内的输出功率；为大电网在时段t内的输出功率。

2-3平抑可再生能源输出功率波动

风能和太阳能具有较强波动性和间歇性，需要采取一定的措施加以抑制，而蓄电池能跟踪风力发电和光伏发电输出变化进行充放电，故可通过控制蓄电池充放电配合可再生能源出力，提高供电连续性和可靠性，保证系统的安全稳定运行。

蓄电池平抑可再生能源输出功率波动的效果可以通过可在生能源输出功率的变化率p来评价，表达式为：

P_out(t)＝P_WT(t)+P_PV(t)-P_battery(t)(9)

式中，N_T为微电网调度周期总时段数，P_out(t)为加入蓄电池调节后t时段可再生能源输出功率；P_WT(t)、P_PV(t)和P_battery(t)分别是风力发电机、光伏阵列和蓄电池在t时段的实际输出功率。

三、约束条件。

3-1功率平衡约束；

式中，为t时段系统负荷；为t时段的输电损耗功率；为第l种分布式电源在t时段的输出功率；为微电网与大电网之间在t时段的交换功率。

3-2分布式电源出力约束；

式中，为第l种分布式电源在t时段的输出功率，分别是第l种分布式电源的输出功率下限值和上限值。

3-3微电网与大电网之间的交换功率约束；

式中，分别为微电网与大电网之间允许交互的最小、最大传输功率值。

3-4蓄电池运行约束；

式中，为蓄电池在t时段的输出功率，分别为蓄电池充放电功率的下限值和上限值；△t为单位时段的时间间隔，式(14)表示蓄电池在一个周期T内的最终储能容量和初始储能容量相等；Soc_init、Soc_max、Soc_min分别为蓄电池的初始容量、最大剩余容量和最小剩余容量。

四、多目标优化模型

结合上述优化目标和约束条件的分析，本发明微电网多目标优化模型可表示为：

五、自适应重启杂交PSO优化算法

基本PSO算法易于陷入局部最优，为解决这一问题，Angeline提出杂交PSO模型，即将选择机制与基本PSO算法相结合。随后，Lobvjeg等人又提出将交叉操作引入杂交PSO模型，交叉操作即首先选定粒子中一定数量的待交叉粒子放入杂交池内，然后让池中的父代粒子两两随机杂交产生相同数量的子代粒子，这样，PSO算法在提高收敛速度的同时保证了一定的全局搜索能力。本发明将以上杂交PSO模型进行改进，即加入对环境变化的判断阀值，使算法实时跟进环境变化进行优化，进一步提高了算法的收敛速度与精确度。本发明自适应重启杂交算法更适合用于带分布式电源的微电网运行优化中，其算法步骤如图1所示，具体如下：

步骤3.1：将粒子群平均分为N个子群，分别对应N个优化子目标。

步骤3.2：设置粒子群的种群大小、最大迭代次数、最大杂交次数以及杂交概率，并初始化各子群中粒子的速度和位置。

步骤3.3：根据优化目标函数计算各子群的适应度函数值，并记录粒子全局最优值和个体最优值。

步骤3.4：判断光伏发电系统或风力发电系统输出功率的改变量是否大于某一阀值常量，若是则重新初始化各子群中粒子的位置和速度，并将杂交次数和迭代次数归零，返回步骤3.3；否则转入步骤3.5；判断依据见下式：

或

式中，P_PV^k、P_WT^k分别为光伏发电系统和风力发电系统在第k次迭代时的输出功率值；△P是环境判断阀值常量；当分布式电源输出变化频繁时，为使程序不至于频繁的重复计算，△P值不应取得太小；但为保持算法对环境的灵敏度，△P值也不应取得过大，应根据实际情况适当取值；

步骤3.5：更新各粒子的速度和位置，更新公式为：

式中，k为当前迭代次数，分别为第n个子群中第i个粒子的当前代速度和位置，是第n个子群中第i个粒子的个体最优位置，是第n个子群的全局最优值，c₁、c₂是学习因子，也称加速因子，r₁、r₂是分布在[0,1]内的随机数。

步骤3.6：根据杂交概率从各子群中选择指定数量的粒子放入杂交池内。池中的父代粒子两两随机杂交，产生相同数量的子代粒子并替代父代粒子，根据下式产生子代的速度和位置：

式中，V_child,j、X_child,j分别为第j个子群中子代的速度和位置，V_parent,j为第j个子群中父代的速度，V_parent,n、X_parent,n分别为第n个子群中父代的速度和位置，λ_n是[0,1]之间的随机数，并且

步骤3.7：杂交次数增加1次，并判断杂交次数是否达到最大杂交次数，如果是则停止杂交，转入步骤3.8；否则返回到步骤3.6。

步骤3.8：迭代次数增加1次，并判断迭代次数是否到达最大迭代次数，如果是则停止迭代，转入步骤3.9；否则返回步骤3.3。

步骤3.9：经过以上计算可得到一个pareto解集。对此pareto解集进行规范化排序，规范化方法如下：

式中，f_i是pareto解集中第i个解的规范值，f_i(n)为第i个解在第n个子目标下求得的目标函数值，f_min(n)、f_max(n)分别是在第n个子目标下求得的所有解中的最小目标函数值和最大目标函数值，ω_n是各子目标的偏好因子，且

步骤3.10：选择规范值最小的解为最优解。

综上所述，本发明一种基于自适应重启杂交粒子群模型的多目标运行优化方法，首先将粒子群平均分为多个子群，分别对应多个优化目标，然后从各子群中选择指定数量的父代粒子进行杂交，杂交的目的是增大搜索域以防止陷入局部最优，最后得到一个Pareto解集，对此解集进行规范化排序后即可求得一组精确的最优解，此外，在上述算法中加入对环境变化的判断阀值，若环境变化量大于这一判断阀值，则重启算法重新进行优化，提高算法对环境变化的灵敏度，达到快速、精确优化的目的。可见，在易受环境影响的可再生能源发电应用中，本发明具有更大的优势。