CN106339778A - 一种考虑多目标的光蓄微电网运行优化方法 - Google Patents

Abstract

本发明公开了一种考虑多目标的光蓄微电网运行优化方法，其特征在于：以包含电动汽车充电和需求响应的微电网为研究对象，通过建立数学模型的方式建立优化目标函数，通过对目标函数的优化得到优化配置方案，其优化配置方法包括如下步骤：步骤1:确定微电网运行时的目标函数，根据微电网的组成结构，确定优化的目标函数；步骤2:确定目标函数的约束条件，根据目标函数以及微电网的运行环境确定微电网运行的约束条件；步骤3:确定优化算法，并在优化算法下优化目标函数，得出优化配置方案。本发明反应光蓄微电网的实际运行情况，决策者可以根据数据选择光蓄微电网的调度运行优化方案。

Description

一种考虑多目标的光蓄微电网运行优化方法

技术领域

本发明涉及一种考虑多目标的光蓄微电网运行优化方法。

背景技术

近年来，迫于环境和能源的双重压力，利用可再生能源的分布式发电技术正受到越来越多的关注。但是，由于一些分布式电源具有间歇性、随机性的特点，如果直接将其并联到大电网中，会对大电网的安全稳定运行造成冲击。因此，为了解决分布式电源与配电网之间的矛盾，最大限度的提高清洁可再生能源的利用率，将分布式电源、储能装置、监控和保护装置、负荷等以微电网的形式整合起来运行。

目前，国内外已有为数不少微电网示范工程，针对其能量管理及运行控制的研究也取得了较多成果。

随着微电网能量优化调度相关研究的深入，研究者所关注的焦点也从发电侧分布式电源的经济性，逐渐转移到需求侧管理对提高微电网经济运行的作用上来。另外，随着电动汽车的迅速发展，EV也逐渐参与到微电网经济优化调度研究中，成为实现微电网经济运行控制的重要手段。基于多目标的包含电动汽车充电及需求侧响应的光蓄微电网优化运行的调度问题，通常同时具有多个目标函数，各目标涉及相同的一组决策变量，并相互制约。对于一个多目标优化问题，通常关注综合考虑各目标后的折中集合，即Pareto最优解集。20世纪八九十年代以来，界内学者相继提出了不同的多目标优化算法，NSGA-II即为其中之一。

然而，目前针对电动汽车充电和需求侧响应同时加入到微电网的运行调度的研究尚没有公开文献。

发明内容

本发明的目的是针对现有中关于电动汽车充电和需求侧响应同时加入到微电网的运行调度的优化方法的缺失，提供一种优化方法，综合考虑了功率约束平衡、储能的荷电状态(SOC)、负荷的可转移的时间范围、电动汽车的充电时间等约束条件，也考虑了分时电价机制、DSM机制、储能折旧成本，可以更真实的反应光蓄微电网的实际运行情况。

为了达到上述目的，本发明技术方案如下：

本发明以包含电动汽车充电和需求响应的微电网为研究对象，通过建立数学模型的方式建立优化目标函数，通过对目标函数的优化得到优化配置方案，其优化配置方法包括如下步骤：

步骤1:确定微电网运行时的目标函数，根据微电网的组成结构，确定优化的目标函数；

步骤2:确定目标函数的约束条件，根据目标函数以及微电网的运行环境确定微电网运行的约束条件；

步骤3:确定优化算法，并在优化算法下优化目标函数，得出优化配置方案。

所述的目标函数为：以微电网运行总费用最小为目标函数和以微电网与大电网交换电量最小的目标函数。微电网运行总费用包括微电网与大电网的电能交易成本、储能设备的折旧成本和储能设备的放电罚函数，以微电网运行总费用最小的目标函数的表达式如下：

其中，

式中，ΔT为单位时间间隔，T为优化的时段数；P_g(t)为单位时间间隔内与配电网交换的平均功率(购电时为正，售电时为负)，p_r(t)为单位时间间隔内平均交易价格；P_B(t)和P_b(t)分别为t时段储能***的放电功率和充放电交换功率，其中P_b(t)充电时为正，P_b(t)放电时为负；σ为惩罚系数；SOC(t)为t时段储能的荷电状态；SOC_min为储能荷电状态的下限。

所述的目标函数还包括微电网与大电网之间的交换电量，其交换电量最小为目标函数的优化方向，交换电量最小，则微电网对大电网的影响也小，交换电量表达式为：

$\min G=\mathrm{\Δ}T\underset{t=1}{\overset{T}{\Σ}}\left|P_g\left(t\right)\right|$

式中，P_g(t)为单位时间间隔内与配电网交换的平均功率，购电时为正，售电时为负。

所述的步骤2中约束条件包括：

①功率平衡约束

根据微电网内部与配电网间的实时功率平衡，得到：

P_b(t)+P_L(t)＝P_pv(t)+P_g(t)

式中，P_pv(t)为光伏发电功率，P_L(t)为t时段负荷侧的总负荷功率，其包括固定负荷和转移后的可转移负荷以及电动汽车消耗的功率，即

$P_L\left(t\right)=P_{FL}\left(t\right)+\underset{k=1}{\overset{m}{\Σ}}{P}_k^{{\mathrm{TL}}^{\′}}\left(t\right)+P_{ev}\left(t\right)$

式中，P_FL(t)为t时段的固定负荷功率；为转移后t时段的第k类可转移负荷量，P_ev(t)为电动汽车t时段的充电总功率，其中，

$\begin{array}{c}{P}_k^{{\mathrm{TL}}^{\′}}\left(t\right)=P_k^{TL}\left(t\right)+...\\ ...\underset{t_b=\max (t-L_k+1,1)}{\overset{t}{\mathrm{\Σ}}}\underset{t_s=1}{\overset{T}{\mathrm{\Σ}}}(D_k^{TL}(t_s,t_b)-D_k^{TL}(t_b,t_s))\end{array}$

式中，为转移前t时段的可转移负荷量，Lk为第k类可转移负荷的持续工作时间；

$P_{ev}\left(t\right)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{P}_{evn}\left(t\right)$

式中，P_evn为第n辆电动汽车的充电功率；N为电动汽车的数量。又以恒功率充电计算基本能够完成客户的充电需求，如式(10)所示。

$P_{evrg\_n}=\frac{E_{evn}}{t_2-t_1}$

$E_{evn}={\∫}_{t_1}^{t_2}{P}_{ev\_n}\left(t\right)dt$

其中，P_{avrg_n}为第N辆车在充电时段内的平均充电功率；t_evn为第n辆车的起始充电时刻，为决策变量之一；P_{ev_n}(t)为第n辆EV在t时刻的充电功率；E_evn为第n辆车在t₁～t₂时刻的充入电量，由第n辆电动汽车的电量需求量E_{req_n}决定；

②电动汽车充电功率约束和充电时间约束；

P_evn≤|P_{ev_rat}|

$\left\{\begin{array}{cc}{P}_{evn}=0,& t_{evn}\∉S_{ev}\\ P_{evn}>0,& t_{evn}\∈S_{ev}\end{array}\right.$

式中，P_{ev_rat}为电动汽车充电电池的额定充放电功率；S_ev为电动汽车停留在充电站的时间集合；

③储能***的充放电功率和SOC约束；

储能***的充放电功率的约束为：|P_b(t)|≤P_{b_rat}

式中，P_{b_rat}为储能***的额定功率；η_b是储能***的充/放电效率；

储能***的当前荷电量E_b(t)可通过下式递推得到，即

$E_b\left(t\right)=\left\{\begin{array}{cc}{E}_b(t-1)+P_b\left(t\right){\mathrm{\&Delta;T\&eta;}}_b,& P_b\left(t\right)\&GreaterEqual;0\\ E_b(t-1)+\frac{P_b\left(t\right)\mathrm{\&Delta;}T}{{\mathrm{\&eta;}}_b},& P_b\left(t\right)<0\end{array}\right.$

式中，储能荷电量E_b(t)应满足

E_b__ratSOC_min≤E_b(t)≤E_b__ratSOC_max

式中，SOC_max和SOC_min分别是储能***SOC的上限和下限。

由于周期优化具有连续性，应使每个优化周期的储能***初始SOC保持一致，即有

E_b(0)＝E_b(T)

④可转移负荷相关约束；

对于可转移负荷，t时段转入/转出的负荷容量约束可表示为

$\underset{t_b=max(t-L_k+1,1)}{\overset{t}{\&Sigma;}}\underset{t_s=1}{\overset{T}{\&Sigma;}}{D}_k^{TL}(t_s,t_b)<D_{k\_max}^I\left(t\right)$

$\underset{t_b=\max (t-L_k+1,1)}{\overset{t}{\&Sigma;}}\underset{t_s=1}{\overset{T}{\&Sigma;}}{D}_k^{TL}(t_b,t_s)<D_{k\_\max }^O\left(t\right)=P_k^{TL}\left(t\right)$

式中，和分别为t时段第k类可转移负荷允许的最大转入量和转出量。

可转移负荷允许转移时间约束

$\left\{\begin{array}{cc}{D}_k^{TL}(t_b,t_s)=0,& t_s\&NotElement;S_k\\ D_k^{TL}(t_b,t_s)\&GreaterEqual;0,& t_s\&Element;S_k\end{array}\right.$

式中，S_k为第k类可转移负荷允许转移的时间范围。

⑤联络线路功率约束；

微电网与大电网之间的交换功率受到联络线路的约束，即

P_g(t)≤min{P_{line_max},P_T}

式中，P_T为配电变压器的额定功率，P_{line_max}为联络线路允许的最大传输功率。

优化算法采用NSGA-II算法，其算法步骤如下：

步骤一：数据初始化，包括分布式光伏电源发电功率、储能充放电功率、负荷分布、分时电价、及NSGA-II算法参数的初始化；

步骤二：NSGA-II算法初始化，设定产生N个个体的初始种群，设置每个决策变量的范围及种群代数；

步骤三：调用计算所得的种群个体的目标值；

步骤四：按秩小，拥挤距离小原则对初始化种群进行非支配排序；根据每个个体的非支配水平对种群分层排序；基于非支配排序的结果，对同一层的Pareto解集根据微电网的目标函数值计算拥挤距离；

步骤五：选择、交叉和变异运算；根据二元锦标赛制算计选择2个个体，并进行交叉、变异得到新的种群；

步骤六：合并父代种群和新产生的子代种群，进行非支配排序，并给个体值赋予秩；

步骤七：按秩小拥挤度小原则选择最好的N个个体形成新的种群；

步骤八：重复步骤五至步骤七，直到最大迭代次数时停止。

目标值由如下步骤计算得出：

1)：读入预测的光伏发电功率P_pv(t)、固定负荷功率P_FL(t)以及电动汽车的需求电量E_{req_n}，以及决策变量P_b(t)、t_s、和t_evn的值，其中决策变量的初始值是通过在各自取值范围内随机产生；

2)：获得储能充放电功率P_b(t)；

在约束条件下随机产生P_b(t)，并计算当前荷电量E_b(t)，检查是否满足当前荷电状态约束，若不满足，使用罚函数处理；

3)：计算TL的t时段的转移总功率。

在TL转移时间约束下，随机产生t_s，并根据式(8)计算转移后t时段的第k类可转移负荷量，然后求出转移后t时段所有可转移负荷量之和，并检查是否满足可转移负荷的约束条件；

4)：计算电动汽车的充电总功率

根据电动汽车的剩余电量即其停放和离开的时间，在电动汽车充电时间的约束条件下随机产生电动汽车的初始充电时间t_evn，从而计算单辆电动汽车的充电功率，同时检查是否满足电动汽车充电功率的约束条件，最后计算电动汽车t时段的充电总功率；

5)：计算光伏微网与配电网之间的交换功率P_g(t)

首先求得负荷侧的在t时段的总功率需求，再根据功率平衡等式约束P_b(t)+P_L(t)＝P_pv(t)+P_g(t)求取P_g(t)，同时检查是否满足相对应的约束条件；

6)：计算优化目标函数，得出输出结果：微电网的运行总费用F和微电网与大电网的交换电量G，即目标值。

本发明综合考虑了综合考虑了功率约束平衡、储能的荷电状态(SOC)、负荷的可转移的时间范围、电动汽车的充电时间等约束条件；并且考虑了分时电价机制、DSM机制、储能折旧成本和惩罚项，可以更真实的反应光蓄微电网的实际运行情况，决策者可以根据数据选择光蓄微电网的调度运行优化方案。

附图说明

图1为包含电动汽车充电及需求侧响应的光蓄微电网结构框图；

图2是储能寿命损耗系数与荷电状态的关系图

图3是本发明提供的NSGA-II算法流程图

图4是本发明提供的目标函数计算的流程图

图5为本发明提供的基于多目标包含电动汽车及需求侧管理的光蓄微电网优化运行的调度方法的流程图

具体实施方式

下面将结合附图对本发明做进一步描述。

本发明中光伏微电网的组成结构为：光蓄微电网***拓扑结构如图1所示，包含分布式光伏电源、BESS、固定负荷、可转移负荷、电动汽车充电***以及EMS等组件。其中，光伏***通过DC/AC逆变器并入交流母线，并采用最大功率跟踪控制策略；储能***则通过电压源型双向功率变换器并联在交流母线上，实现能量和功率的调节；交流母线则通过快速切换开关接入公用配电网，实现微电网与大电网之间的能量交换。EMS通过与其他组件之间的通讯连接，实现微电网内各个模块之间的协调与控制，是微电网优化运行控制的关键。

优化方法步骤如下：以包含电动汽车充电和需求响应的微电网为研究对象，通过建立数学模型的方式建立优化目标函数，通过对目标函数的优化得到优化配置方案，其优化配置方法包括如下步骤：

步骤1:确定微电网运行时的目标函数，根据微电网的组成结构，确定优化的目标函数；

步骤2:确定目标函数的约束条件，根据目标函数以及微电网的运行环境确定微电网运行的约束条件；

步骤3:确定优化算法，并在优化算法下优化目标函数，得出优化配置方案。

储能装置在其整个寿命周期内，总的循环充放电总量是基本保持不变的。因此，若储能装置的更换成本固定，则可假设储能每千瓦时的充放电量所造成的替换成本也基本固定，即

式中，C_{b_wear}为储能装置累计放电1kWh的折旧成本，RMB/kWh；C_{b_pur}为储能装置的购买成本，RMB；Q_{B_all}为储能装置全寿命输出的总电量，kWh。

储能装置的使用寿命在经济调度中最主要的影响因素是其荷电状态的大。因此，储能装置放电时若处于较高的荷电状态，则可减小其寿命损耗，延长使用寿命。但若是在荷电状态较低时放电，对其寿命的损耗较大，如图2所示。将图2的储能寿命损耗系数与荷电状态关系通过数学表达式表示，如下：

$f\left(SOC\right(t\left)\right)=\left\{\begin{array}{cc}1.3& 0\&le;SOC\left(t\right)\&le;0.5\\ -1.5SOC\left(t\right)+2.05& 0.5<SOC\left(t\right)\&le;1\end{array}\right.$

式中，SOC(t)为储能t时段的荷电状态。

以微电网运行总费用最小为目标函数和以微电网与大电网交换电量最小的目标函数。微电网运行总费用包括微电网与大电网的电能交易成本、储能设备的折旧成本和储能设备的放电罚函数，以微电网运行总费用最小的目标函数的表达式如下：

其中，

$P_B\left(t\right)=\left\{\begin{array}{cc}\left|P_b\left(t\right)\right|& P_b\left(t\right)<0\\ 0& P_b\left(t\right)\&GreaterEqual;0\end{array}\right.,$

式中，ΔT为单位时间间隔，T为优化的时段数；P_g(t)为单位时间间隔内与配电网交换的平均功率(购电时为正，售电时为负)，p_r(t)为单位时间间隔内平均交易价格；P_B(t)和P_b(t)分别为t时段储能***的放电功率和充放电交换功率，其中P_b(t)充电时为正，P_b(t)放电时为负；σ为惩罚系数；SOC(t)为t时段储能的荷电状态；SOC_min为储能荷电状态的下限。

微电网与大电网之间的交换电量越小，则微电网对大电网的影响也小，交换电量最小表达式为：

$\min G=\mathrm{\&Delta;}T\underset{t=1}{\overset{T}{\&Sigma;}}\left|P_g\left(t\right)\right|$

式中，P_g(t)为单位时间间隔内与配电网交换的平均功率，购电时为正，售电时为负。

步骤2中约束条件包括：

①功率平衡约束

根据微电网内部与配电网间的实时功率平衡，得到：

P_b(t)+P_L(t)＝P_pv(t)+P_g(t)

设该式为公式(6)，公式(6)中，P_pv(t)为光伏发电功率，P_L(t)为t时段负荷侧的总负荷功率，其包括固定负荷和转移后的可转移负荷以及电动汽车消耗的功率，即

$P_L\left(t\right)=P_{FL}\left(t\right)+\underset{k=1}{\overset{m}{\&Sigma;}}{P}_k^{{\mathrm{TL}}^{\&prime;}}\left(t\right)+P_{ev}\left(t\right)$

设该式为公式(7)，公式(7)中，P_FL(t)为t时段的固定负荷功率；为转移后t时段的第k类可转移负荷量，P_ev(t)为电动汽车t时段的充电总功率，其中，

$\begin{array}{c}{P}_k^{{\mathrm{TL}}^{\&prime;}}\left(t\right)=P_k^{TL}\left(t\right)+...\\ ...\underset{t_b=\max (t-L_k+1,1)}{\overset{t}{\mathrm{\&Sigma;}}}\underset{t_s=1}{\overset{T}{\mathrm{\&Sigma;}}}(D_k^{TL}(t_s,t_b)-D_k^{TL}(t_b,t_s))\end{array}$

式中，为转移前t时段的可转移负荷量，Lk为第k类可转移负荷的持续工作时间；

$P_{ev}\left(t\right)=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{P}_{evn}\left(t\right)$

式中，P_evn为第n辆电动汽车的充电功率；N为电动汽车的数量。又以恒功率充电计算基本能够完成客户的充电需求，如式所示：

$P_{evrg\_n}=\frac{E_{evn}}{t_2-t_1}$

$E_{evn}={\&Integral;}_{t_1}^{t_2}{P}_{ev\_n}\left(t\right)dt$

其中，P_{avrg_n}为第N辆车在充电时段内的平均充电功率；t_evn为第n辆车的起始充电时刻，为决策变量之一；P_{ev_n}(t)为第n辆EV在t时刻的充电功率；E_evn为第n辆车在t₁～t₂时刻的充入电量，由第n辆电动汽车的电量需求量E_{req_n}决定；

②电动汽车充电功率约束和充电时间约束；

P_evn≤|P_{ev_rat}|

$\left\{\begin{array}{cc}{P}_{evn}=0,& t_{evn}\&NotElement;S_{ev}\\ P_{evn}>0,& t_{evn}\&Element;S_{ev}\end{array}\right.$

式中，P_{ev_rat}为电动汽车充电电池的额定充放电功率；S_ev为电动汽车停留在充电站的时间集合；

③储能***的充放电功率和SOC约束；

储能***的充放电功率的约束为：|P_b(t)|≤P_{b_rat}

式中，P_{b_rat}为储能***的额定功率；η_b是储能***的充/放电效率；

储能***的当前荷电量E_b(t)可通过下式递推得到，即

$E_b\left(t\right)=\left\{\begin{array}{cc}{E}_b(t-1)+P_b\left(t\right){\mathrm{\&Delta;T\&eta;}}_b,& P_b\left(t\right)\&GreaterEqual;0\\ E_b(t-1)+\frac{P_b\left(t\right)\mathrm{\&Delta;}T}{{\mathrm{\&eta;}}_b},& P_b\left(t\right)<0\end{array}\right.$

式中，储能荷电量E_b(t)应满足

E_{b_rat}SOC_min≤E_b(t)≤E_{b_rat}SOC_max

式中，SOC_max和SOC_min分别是储能***SOC的上限和下限。

由于周期优化具有连续性，应使每个优化周期的储能***初始SOC保持一致，即有

E_b(0)＝E_b(T)

④可转移负荷相关约束；

对于可转移负荷，t时段转入/转出的负荷容量约束可表示为

$\underset{t_b=max(t-L_k+1,1)}{\overset{t}{\&Sigma;}}\underset{t_s=1}{\overset{T}{\&Sigma;}}{D}_k^{TL}(t_s,t_b)<D_{k\_max}^I\left(t\right)$

$\underset{t_b=\max (t-L_k+1,1)}{\overset{t}{\&Sigma;}}\underset{t_s=1}{\overset{T}{\&Sigma;}}{D}_k^{TL}(t_b,t_s)<D_{k\_\max }^O\left(t\right)=P_k^{TL}\left(t\right)$

式中，和分别为t时段第k类可转移负荷允许的最大转入量和转出量。

可转移负荷允许转移时间约束

$\left\{\begin{array}{cc}{D}_k^{TL}(t_b,t_s)=0,& t_s\&NotElement;S_k\\ D_k^{TL}(t_b,t_s)\&GreaterEqual;0,& t_s\&Element;S_k\end{array}\right.$

式中，S_k为第k类可转移负荷允许转移的时间范围。

⑤联络线路功率约束；

微电网与大电网之间的交换功率受到联络线路的约束，即

P_g(t)≤min{P_{line_max},PT}

式中，P_T为配电变压器的额定功率，P_{line_max}为联络线路允许的最大传输功率。

对上述数学模型进行求解策略的设计，并对该模型进行优化。将NSGA-II算法应用于多目标优化调度数学模型的求解，如图3所示为该算法的流程图，步骤2中的优化算法采用NSGA-II算法，其算法步骤如下：

步骤一：数据初始化，包括分布式光伏电源发电功率、储能充放电功率、负荷分布、分时电价、及NSGA-II算法参数的初始化；

步骤二：NSGA-II算法初始化，设定产生N个个体的初始种群，设置每个决策变量的范围及种群代数；

步骤三：调用计算所得的种群个体的目标值；

步骤四：按秩小，拥挤距离小原则对初始化种群进行非支配排序；根据每个个体的非支配水平对种群分层排序；基于非支配排序的结果，对同一层的Pareto解集根据微电网的目标函数值计算拥挤距离；

步骤五：选择、交叉和变异运算；根据二元锦标赛制算计选择2个个体，并进行交叉、变异得到新的种群；

步骤六：合并父代种群和新产生的子代种群，进行非支配排序，并给个体值赋予秩；

步骤七：按秩小拥挤度小原则选择最好的N个个体形成新的种群；

步骤八：重复步骤五至步骤七，直到最大迭代次数时停止。

步骤三中的目标值由如下步骤计算得出：

1)：读入预测的光伏发电功率P_pv(t)、固定负荷功率P_FL(t)以及电动汽车的需求电量E_{req_n}，以及决策变量P_b(t)、t_s、和t_evn的值，其中决策变量的初始值是通过在各自取值范围内随机产生；

2)：获得储能充放电功率P_b(t)；

在约束条件下随机产生P_b(t)，并计算当前荷电量E_b(t)，检查是否满足当前荷电状态约束，若不满足，使用罚函数处理；

3)：计算TL的t时段的转移总功率。

在TL转移时间约束下，随机产生t_s，并根据式

计算转移后t时段的第k类可转移负荷量，然后求出转移后t时段所有可转移负荷量之和，并检查是否满足可转移负荷的约束条件；

4)：计算电动汽车的充电总功率

根据电动汽车的剩余电量即其停放和离开的时间，在电动汽车充电时间的约束条件下随机产生电动汽车的初始充电时间t_evn，从而计算单辆电动汽车的充电功率，同时检查是否满足电动汽车充电功率的约束条件，最后计算电动汽车t时段的充电总功率；

5)：计算光伏微网与配电网之间的交换功率P_g(t)

首先求得负荷侧的在t时段的总功率需求，再根据功率平衡等式约束P_b(t)+P_L(t)＝P_pv(t)+P_g(t)求取P_g(t)，同时检查是否满足相对应的约束条件；

6)：计算优化目标函数，得出输出结果：微电网的运行总费用F和微电网与大电网的交换电量G，即目标值。

本发明的总体原则和假设条件，并建立多目标优化调度数学模型确定其约束条件；

①本发明用户侧的负荷主要包括固定负荷、可转移负荷以及电动汽车充电负荷，且假设负荷的分布特性已知；②本发明假设光蓄微电网与负荷侧利益一致，不统计光伏的发③由于目前电动汽车普遍采用的是先恒流后恒压的充电方式，且一般情况下，恒流充电阶段是SOC增长的主要阶段，充电功率基本维持不变，所以本发明以恒功率充电计算其充电功率；④为了减小分布式光伏电源发电对大电网的影响，本文将最小化与电网的交换能量作为其中一个优化目标，实现光伏发电尽可能在微电网内部消纳的目的；⑤由于储能***的放电深度会对其使用寿命产生直接影响，随着放电深度的增加，储能的使用寿命减少，进而间接增加了***运行的总费用。因此，本发明将储能装置的更换成本折算到微电网运行的总费用中，与购电成本一起构建多目标优化问题的另一个目标。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (7)

1.一种考虑多目标的光蓄微电网运行优化方法，其特征在于：以包含电动汽车充电和需求响应的微电网为研究对象，通过建立数学模型的方式建立优化目标函数，通过对目标函数的优化得到优化配置方案，其优化配置方法包括如下步骤：

步骤1:确定微电网运行时的目标函数，根据微电网的组成结构，确定优化的目标函数；

步骤2:确定目标函数的约束条件，根据目标函数以及微电网的运行环境确定微电网运行的约束条件；

步骤3:确定优化算法，并在优化算法下优化目标函数，得出优化配置方案。

2.如权利要求1所述的一种考虑多目标的光蓄微电网运行优化方法，其特征在于：所述的目标函数为：以微电网运行总费用最小为目标函数和以微电网与大电网交换电量最小的目标函数。

3.如权利要求2所述的一种考虑多目标的光蓄微电网运行优化方法，其特征在于：微电网运行总费用包括微电网与大电网的电能交易成本、储能设备的折旧成本和储能设备的放电罚函数，以微电网运行总费用最小的目标函数的表达式如下：

其中，

式中，ΔT为单位时间间隔，T为优化的时段数；P_g(t)为单位时间间隔内与配电网交换的平均功率(购电时为正，售电时为负)，p_r(t)为单位时间间隔内平均交易价格；P_B(t)和P_b(t)分别为t时段储能***的放电功率和充放电交换功率，其中P_b(t)充电时为正，P_b(t)放电时为负；σ为惩罚系数；SOC(t)为t时段储能的荷电状态；SOC_min为储能荷电状态的下限。

4.如权利要求2所述的一种考虑多目标的光蓄微电网运行优化方法，其特征在于：微电网与大电网之间的交换电量越小，则微电网对大电网的影响也小，交换电量最小表达式为：

$\min G=\mathrm{\&Delta;}T\underset{t=1}{\overset{T}{\&Sigma;}}\left|P_g\left(t\right)\right|$

式中，P_g(t)为单位时间间隔内与配电网交换的平均功率，购电时为正，售电时为负。

5.如权利要求1所述的一种考虑多目标的光蓄微电网运行优化方法，其特征在于：所述的步骤2中约束条件包括：

①功率平衡约束

根据微电网内部与配电网间的实时功率平衡，得到：

P_b(t)+P_L(t)＝P_pv(t)+P_g(t)

式中，P_pv(t)为光伏发电功率，P_L(t)为t时段负荷侧的总负荷功率，其包括固定负荷和转移后的可转移负荷以及电动汽车消耗的功率，即

$P_L\left(t\right)=P_{FL}\left(t\right)+\underset{k=1}{\overset{m}{\&Sigma;}}{P}_k^{{\mathrm{TL}}^{\&prime;}}\left(t\right)+P_{ev}\left(t\right)$

式中，P_FL(t)为t时段的固定负荷功率； 为转移后t时段的第k类可转移负荷量，P_ev(t)为电动汽车t时段的充电总功率，其中，

$\begin{array}{c}{P}_k^{{\mathrm{TL}}^{\&prime;}}\left(t\right)=P_k^{TL}\left(t\right)+\mathrm{...}\\ \mathrm{...}\underset{t_b=\max (t-L_k+1,1)}{\overset{t}{\&Sigma;}}\underset{t_s=1}{\overset{T}{\&Sigma;}}\left(D_k^{TL}\right(t_s,t_b)-D_k^{TL}(t_b,t_s\left)\right)\end{array}$

式中，为转移前t时段的可转移负荷量，Lk为第k类可转移负荷的持续工作时间；

$P_{ev}\left(t\right)=\underset{n=1}{\overset{N}{\&Sigma;}}{P}_{evn}\left(t\right)$

式中，P_evn为第n辆电动汽车的充电功率；N为电动汽车的数量，又以恒功率充电计算基本能够完成客户的充电需求，约束式为：

$P_{avrg\_n}=\frac{E_{evn}}{t_2-t_1}$

$E_{evn}={\&Integral;}_{t_1}^{t_2}{P}_{ev\_n}\left(t\right)dt$

其中，P_{avrg_n}为第N辆车在充电时段内的平均充电功率；t_evn为第n辆车的起始充电时刻，为决策变量之一；P_{ev_n}(t)为第n辆EV在t时刻的充电功率；E_evn为第n辆车在t₁～t₂时刻的充入电量，由第n辆电动汽车的电量需求量E_{req_n}决定；

②电动汽车充电功率约束和充电时间约束；

P_evn≤|P_{ev_rat}|

$\left\{\begin{array}{cc}{P}_{evn}=0,& t_{evn}\&NotElement;S_{ev}\\ P_{evn}>0,& t_{evn}\&Element;S_{ev}\end{array}\right.$

式中，P_{ev_rat}为电动汽车充电电池的额定充放电功率；S_ev为电动汽车停留在充电站的时间集合；

③储能***的充放电功率和SOC约束；

储能***的充放电功率的约束为：|P_b(t)|≤P_{b_rat}

式中，P_{b_rat}为储能***的额定功率；η_b是储能***的充/放电效率；

储能***的当前荷电量E_b(t)可通过下式递推得到，即

$E_b\left(t\right)=\left\{\begin{array}{cc}{E}_b(t-1)+P_b\left(t\right){\mathrm{\&Delta;T\&eta;}}_b,& P_b\left(t\right)\&GreaterEqual;0\\ E_b(t-1)+\frac{P_b\left(t\right)\mathrm{\&Delta;}T}{{\mathrm{\&eta;}}_b},& P_b\left(t\right)<0\end{array}\right.$

式中，储能荷电量E_b(t)应满足

E_b__ratSOC_min≤E_b(t)≤E_b__ratSOC_max

式中，SOC_max和SOC_min分别是储能***SOC的上限和下限；

由于周期优化具有连续性，应使每个优化周期的储能***初始SOC保持一致，即有

E_b(0)＝E_b(T)

④可转移负荷相关约束；

对于可转移负荷，t时段转入/转出的负荷容量约束可表示为

$\underset{t_b=\max (t-L_k+1,1)}{\overset{t}{\&Sigma;}}\underset{t_s=1}{\overset{T}{\&Sigma;}}{D}_k^{TL}(t_s,t_b)\&le;D_{k\_max}^I\left(t\right)$

$\underset{t_b=\max (t-L_k+1,1)}{\overset{t}{\&Sigma;}}\underset{t_s=1}{\overset{T}{\&Sigma;}}{D}_k^{TL}(t_b,t_s)\&le;D_{k\_\max }^O\left(t\right)=P_k^{TL}\left(t\right)$

式中，和分别为t时段第k类可转移负荷允许的最大转入量和转出量；

可转移负荷允许转移时间约束

$\left\{\begin{array}{cc}{D}_k^{TL}(t_b,t_s)=0,& t_s\&NotElement;S_k\\ D_k^{TL}(t_b,t_s)\&GreaterEqual;0,& t_s\&Element;S_k\end{array}\right.$

式中，S_k为第k类可转移负荷允许转移的时间范围；

⑤联络线路功率约束；

微电网与大电网之间的交换功率受到联络线路的约束，即

P_g(t)≤min{P_{line_max},P_T}

式中，P_T为配电变压器的额定功率，P_{line_max}为联络线路允许的最大传输功率。

6.如权利要求1所述的一种考虑多目标的光蓄微电网运行优化方法，其特征在于：所述的步骤2中的优化算法采用NSGA-II算法，其算法步骤如下：

步骤一：数据初始化，包括分布式光伏电源发电功率、储能充放电功率、负荷分布、分时电价、及NSGA-II算法参数的初始化；

步骤二：NSGA-II算法初始化，设定产生N个个体的初始种群，设置每个决策变量的范围及种群代数；

步骤三：调用计算所得的种群个体的目标值；

步骤四：按秩小，拥挤距离小原则对初始化种群进行非支配排序；根据每个个体的非支配水平对种群分层排序；基于非支配排序的结果，对同一层的Pareto解集根据微电网的目标函数值计算拥挤距离；

步骤五：选择、交叉和变异运算；根据二元锦标赛制算计选择2个个体，并进行交叉、变异得到新的种群；

步骤六：合并父代种群和新产生的子代种群，进行非支配排序，并给个体值赋予秩；

步骤七：按秩小拥挤度小原则选择最好的N个个体形成新的种群；

步骤八：重复步骤五至步骤七，直到最大迭代次数时停止。

7.如权利要求5所述的一种考虑多目标的光蓄微电网运行优化方法，其特征在于：所述的步骤三中的目标值由如下步骤计算得出：

1)：读入预测的光伏发电功率P_pv(t)、固定负荷功率P_FL(t)以及电动汽车的需求电量E_{req_n}，以及决策变量P_b(t)、t_s、和t_evn的值，其中决策变量的初始值是通过在各自取值范围内随机产生；

2)：获得储能充放电功率P_b(t)；

在约束条件下随机产生P_b(t)，并计算当前荷电量E_b(t)，检查是否满足当前荷电状态约束，若不满足，使用罚函数处理；

3)：计算TL的t时段的转移总功率；

在TL转移时间约束下，随机产生t_s，并根据式

计算转移后t时段的第k类可转移负荷量，然后求出转移后t时段所有可转移负荷量之和，并检查是否满足可转移负荷的约束条件；

4)：计算电动汽车的充电总功率

根据电动汽车的剩余电量即其停放和离开的时间，在电动汽车充电时间的约束条件下随机产生电动汽车的初始充电时间t_evn，从而计算单辆电动汽车的充电功率，同时检查是否满足电动汽车充电功率的约束条件，最后计算电动汽车t时段的充电总功率；

5)：计算光伏微网与配电网之间的交换功率P_g(t)

首先求得负荷侧的在t时段的总功率需求，再根据功率平衡等式约束P_b(t)+P_L(t)＝P_pv(t)+P_g(t)求取P_g(t)，同时检查是否满足相对应的约束条件；

6)：计算优化目标函数，得出输出结果：微电网的运行总费用F和微电网与大电网的交换电量G，即目标值。