CN108512237A - 基于智能模糊决策的光储联合***实时调度方法 - Google Patents

Abstract

模糊逻辑控制(FLC,Fuzzy Logic Control)是一种应用广泛的工程控制方法，本发明涉及基于智能模糊决策的光储联合***实时调度方法，将该方法应用于研究光储实时调度，通过在模型求解中引入模糊控制器，来控制光储联合***的经济运行。考虑到传统的模糊控制器不具备学习能力，本发明通过改变隶属函数变比来对控制器进行优化。由于控制器的输入与预测无关，因此光储联合优化调度不完全依赖于预测信息的准确性。该方法既克服了早先研究在处理不确定性因素上的不足，同时具有实时调度要求的毫秒级响应速度。

Description

基于智能模糊决策的光储联合***实时调度方法

技术领域

本发明为光储联合***用电提供了一种经济的实时调度方法。

背景技术

随着化石燃料的消耗，人类社会的高速发展对能源的需求日益紧张，而人类发展与自然环境之间的矛盾引发一系列绿色新能源探索热潮。21世纪初，光伏、风电、水电、核电等成为许多国家能源革命战略的重点产业，预计在2050年全球非化石能源占比将超过50％。由于政府的政策性扶持，光伏产业发展迅速，光伏电池板的数量也逐年上升，伴随着储能技术的成熟，电动汽车等新名词概念早已深入人心，其中光储联合***是由光伏电池板和储能装置组成的联合***，广泛用于居民小院、农村等场所，已在欧美国家大量推广。国内外学者针对光储联合***实时调度方面的研究成果较少。电网终端智能用电技术从消费者角度出发，考虑储能和负荷特性，提出基于智能模糊决策的光储联合***实时调度技术，以满足微电网用户用电需求，降低微电网用户的用电成本，使电力资源利用效率最大化。本方法从配电网角度出发，在电网负荷高峰释放高电价信号时选择减少微电网负荷用电或改用储能***供电，缓解了电网的供电压力，在电网负荷低谷释放低电价信号时选择增加用电或给储能***充电，不至于造成资源浪费。

实时电价(RTP，real time of price)是在完全市场化的电力***中诞生的，以电厂竞价、出清电价等为基本要素，主要反映各线路以及节点的供需平衡关系，当某一线路电力供应紧张，形成线路阻塞，该线路节点上的电价会随之上升。RTP更新时间最短，每小时进行一次更新，能够更准确地反映各个时段供电成本与需求之间的关系。目前南美洲以及欧洲一些国家采用实时电价，如美国的PJM电力市场。本发明针对微电网光储联合***，以光伏发电为主电源给负荷供电，借助储能***提高***响应电价信号的能力，最大程度降低***的运行成本。

发明内容

控制器以实时电价、荷电状态作为输入，以蓄电池充电功率作为输出。实时电价作为一种智能电网需求侧响应的激励制度，有效地引导用户参与电力市场的运行。模糊逻辑控制器以荷电状态作为输入既可以实时监测蓄电池储能状态又能针对不同供电情况控制充放电动作平衡负荷动态波动。

本发明采用如下技术方案：

基于智能模糊决策的光储联合***实时调度方法，其特征在于，包括：

步骤1，采用智能蜂群算法进行参数优化得到最优控制向量；

步骤2，将步骤1中得到的最优控制向量作为控制器恒参量在决策点对家庭光储联合微电网的经济运行进行决策；

步骤3，将步骤2中得到的改进的蓄储能放电策略对调度决策进行更新，形成最终的实时调度指令。

在上述的基于智能模糊决策的光储联合***实时调度方法，所述步骤1具体包括：

步骤2.1、初始化算法参数：模糊决策周期TF，控制参数更新周期T，采蜜蜂数目Ne、观察蜂Ns，侦查蜂数目由淘汰的采蜜蜂数目确定，循环次数NC；

步骤2.2、设置参数K₁K₂的领域区间，确定蜜源的搜索范围；

步骤2.3、随机初始化采蜜蜂及蜜源的位置，采蜜蜂前往蜜源所在地，并更新花蜜量；

步骤2.4、观察蜂根据式16选择蜜源(花蜜量大的蜜源能分配到更多的观测蜂)，并搜索蜜源邻域，更新蜜源信息；

式中，fit_i为第i个蜜源的花蜜量；

步骤2.5、观察蜂完成搜索后，未获得更优解的采蜜蜂退化成侦查蜂；

步骤2.6、侦查蜂根据式(17)随机搜索二维解空间，寻找潜在最优解，为下一次迭代预备蜜源；

式中，r_id是0-1之间的随机数；

步骤2.7、记录迄今的最好蜜源即参数K₁K₂；

步骤2.8、设置模糊控制器控制参数为蜂群迭代算法获得的最优解K₁K₂。

在上述的基于智能模糊决策的光储联合***实时调度方法，所述步骤2具体基于：

模糊控制器输入参数矩阵：

参数矩阵中，n是模糊量数目，k是隶属函数变比；

蓄电池主要特征参数：荷电状态、充放电功率，两者代数关系如下：

式中，SOC是蓄电池荷电状态；p_b是充电功率，蓄电池放电时充电功率为负值；E_initial是初始荷电量，E_max是额定容量；

蓄电池的荷电量与充放电功率的关系如下：

总的新能源发电流向三个方向：电网、负荷、储能；

优化模型的目标函数：

式中，-用户的购电成本，-用户的售电收益；

用户负荷的供电方式：蓄电池放电、DG发电、电网买电；用户购电成本表达式如下：

式中，p_d.h是电价，是从电网流向微电网的电量，p_load是负荷功率，p_b是蓄电池充电功率，p_pv是光伏发电功率；

当微电网光伏发电足够大，多余DG发电按上网电价卖给电网，表达式如下：

式中，p是电网对微电网光伏发电的统一收购价，是微电网的上网电量；

***由电网和DG供给负荷及储能，供需平衡关系如下：

p_grid+p_pv＝p_load+p_b 式10

荷电状态约束

SOC_min＜SOC＜SOC_max 式11

充放电功率约束

p_min＜p_b＜p_max 式12

储能最大允许充电约束

SOC≤SOC_m.c 式13

储能最小允许放电约束

SOC_m.d≤SOC 式14

具体包括：

步骤3.1、更新实时电价以及蓄电池荷电状态作为控制器输入，控制器输出调度决策方案；

步骤3.2、选择群最优粒子以及个体历史最优的位置，更新粒子群的解空间位置及移动速度，构成新的粒子群

步骤3.3、判断是否满足终止条件，若是则结束二阶段优化进程，按最优解安排调度控制计划；否则重复储能优化步骤3.1，继续下一次迭代；

步骤3.4、根据改进的充放电策略更新调度决策方案，控制光储联合***运行；

步骤3.5、判断是否为下一个决策点，若是，则转到步骤3.2；若不是，则继续下一步

步骤3.6、判断是否满足模糊决策参数更新条件，该更新条件为设定的控制参数更新周期，若满足，则跳转到步骤2.3；若不满足，则终止决策，进入休眠状态，当时间t大于更新周期T或***到达下一个决策点，激活模糊控制器，重复步骤2.2。

本发明通过改变隶属函数变比来对控制器进行优化。由于控制器的输入与预测无关，因此光储联合优化调度不完全依赖于预测信息的准确性。该方法既克服了早先研究在处理不确定性因素上的不足，同时具有实时调度要求的毫秒级响应速度。

附图说明

图1为算法流程图。

图2为控制器模糊规则表。

具体实施步骤

下面结合附图对本方法的实施例作进一步的说明，本方法的控制结构包括一个调度中心与多个数据采集器以及储能***控制器，控制器与各数据采集器进行双向信号传递，各数据采集器之间不能相互通信，调度中心处理数采信号优化储能计划。

模糊控制器按如下策略选取模糊规则：

1)电价水平高时，储能放电；

2)电价水平低时，储能充电；

3)荷电状态较高时，储能***大功率放电或小功率充电；

4)荷电状态较低时，储能***大功率充电或小功率放电；

传统的模糊控制***不具备学习能力。本发明通过调节变比改变隶属函数，从而影响模糊控制器输出，提高储能调度在不同供电状况下的自适应能力。智能蜂群算法是一种基于群智能的全局优化算法，主要用于求解多变量函数的优化问题。本发明中智能蜂群算法主要用于模糊控制器的参数优化，在提高求解速度的同时最大化用户的经济效益。

隶属函数变比，用来改变相邻隶属函数的重叠长度，为避免两条以上隶属函数曲线出现公共区域，确定可控变比的取值区间是[1/2,1)。

模糊控制器输入参数矩阵：

参数矩阵中，n是模糊量数目，k是隶属函数变比。

蓄电池主要特征参数：荷电状态、充放电功率，两者代数关系如下：

式中，SOC是蓄电池荷电状态；p_b是充电功率，蓄电池放电时充电功率为负值；E_initial是初始荷电量，E_max是额定容量。

蓄电池的荷电量与充放电功率的关系如下：

总的新能源发电流向三个方向：电网、负荷、储能。

优化模型的目标函数：

式中，-用户的购电成本，-用户的售电收益。

用户负荷的供电方式：蓄电池放电、DG发电、电网买电。用户购电成本表达式如下：

式中，p_dh是电价，是从电网流向微电网的电量，p_load是负荷功率，p_b是蓄电池充电功率，p_pv是光伏发电功率。

当微电网光伏发电足够大，多余DG发电按上网电价卖给电网，表达式如下：

式中，p是电网对微电网光伏发电的统一收购价，是微电网的上网电量。

***由电网和DG供给负荷及储能，供需平衡关系如下：

p_grid+p_pv＝p_load+p_b (10)

荷电状态约束

SOC_min＜SOC＜SOC_max (11)

充放电功率约束

p_min＜p_b＜p_max (12)

储能最大允许充电约束

SOC≤SOC_m.c (13)

储能最小允许放电约束

SOC_m.d≤SOC (14)

采蜜蜂根据如下公式更新蜜源：

式中，x_i'_d是第i个采蜜蜂的新蜜源，是0-1之间的随机数，Ne是采蜜蜂数量。

观察蜂前往某蜜源的概率公式如下：

式中，fit_i为第i个蜜源的花蜜量。

在采蜜蜂与观察蜂完成搜索后，未获得区域更优解的采蜜蜂变成侦查蜂，侦查蜂的任务是寻找潜在的蜜源，搜索公式如下：

式中，r_id是0-1之间的随机数。

算法流程图如图1所示，具体实现步骤如下：

实时智能优化调度算法流程如下，

1)初始化算法参数：模糊决策周期TF，控制参数更新周期T，采蜜蜂数目Ne、观察蜂Ns，侦查蜂数目由淘汰的采蜜蜂数目确定，循环次数NC。

2)设置参数K₁K₂的领域区间，确定蜜源的搜索范围。

3)随机初始化采蜜蜂及蜜源的位置，采蜜蜂前往蜜源所在地，并更新花蜜量。

4)观察蜂根据式(16)选择蜜源(花蜜量大的蜜源能分配到更多的观测蜂)，并搜索蜜源邻域，更新蜜源信息。

5)观察蜂完成搜索后，未获得更优解的采蜜蜂退化成侦查蜂。

6)侦查蜂根据式(17)随机搜索二维解空间，寻找潜在最优解，为下一次迭代预备蜜源。

7)记录迄今的最好蜜源即参数K₁K₂。

8)设置模糊控制器控制参数为蜂群迭代算法获得的最优解K₁K₂。

9)更新实时电价以及蓄电池荷电状态作为控制器输入，控制器输出调度决策方案。

10)选择群最优粒子以及个体历史最优的位置，更新粒子群的解空间位置及移动速度，构成新的粒子群

11)判断是否满足终止条件，若是则结束二阶段优化进程，按最优解安排调度控制计划；否则重复储能优化步骤，继续下一次迭代。

12)根据改进的充放电策略更新调度决策方案，控制光储联合***运行。

13)判断是否为下一个决策点，若是，则转到步骤10)；若不是，则继续下一步

14)判断是否满足模糊决策参数更新条件，若满足，则跳转到步骤3)；若不满足，则终止决策，进入休眠状态，当时间t大于更新周期T或***到达下一个决策点，激活模糊控制器，重复上述步骤。

参数确定：

1)考虑锂电池的寿命影响，设置储能装置的初始荷电状态以及结尾荷电状态均为40％。

2)光伏装机10KW，储能容量1200Ah。

本发明所属的实施例是说明性的，而不是限定性的，因此发明并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (3)

1.基于智能模糊决策的光储联合***实时调度方法，其特征在于，包括：

步骤1，采用智能蜂群算法进行参数优化得到最优控制向量；

步骤2，将步骤1中得到的最优控制向量作为控制器恒参量在决策点对家庭光储联合微电网的经济运行进行决策；

步骤3，将步骤2中得到的改进的蓄储能放电策略对调度决策进行更新，形成最终的实时调度指令。

2.如权利要求1所述的基于智能模糊决策的光储联合***实时调度方法，其特征在于，所述步骤1具体包括：

步骤2.1、初始化算法参数：模糊决策周期TF，控制参数更新周期T，采蜜蜂数目Ne、观察蜂Ns，侦查蜂数目由淘汰的采蜜蜂数目确定，循环次数NC；

步骤2.2、设置参数K₁K₂的领域区间，确定蜜源的搜索范围；

步骤2.3、随机初始化采蜜蜂及蜜源的位置，采蜜蜂前往蜜源所在地，并更新花蜜量；

步骤2.4、观察蜂根据式16选择蜜源，并搜索蜜源邻域，更新蜜源信息；

式中，fit_i为第i个蜜源的花蜜量；

步骤2.5、观察蜂完成搜索后，未获得更优解的采蜜蜂退化成侦查蜂；

步骤2.6、侦查蜂根据式(17)随机搜索二维解空间，寻找潜在最优解，为下一次迭代预备蜜源；

式中，r_id是0-1之间的随机数；

步骤2.7、记录迄今的最好蜜源即参数K₁K₂；

步骤2.8、设置模糊控制器控制参数为蜂群迭代算法获得的最优解K₁K₂。

3.如权利要求1所述的基于智能模糊决策的光储联合***实时调度方法，其特征在于，所述步骤2具体基于：

模糊控制器输入参数矩阵：

参数矩阵中，n是模糊量数目，k是隶属函数变比；

蓄电池主要特征参数：荷电状态、充放电功率，两者代数关系如下：

式中，SOC是蓄电池荷电状态；p_b是充电功率，蓄电池放电时充电功率为负值；E_initial是初始荷电量，E_max是额定容量；

蓄电池的荷电量与充放电功率的关系如下：

总的新能源发电流向三个方向：电网、负荷、储能；

优化模型的目标函数：

式中，-用户的购电成本，-用户的售电收益；

用户负荷的供电方式：蓄电池放电、DG发电、电网买电；用户购电成本表达式如下：

式中，p_d.h是电价，是从电网流向微电网的电量，p_load是负荷功率，p_b是蓄电池充电功率，p_pv是光伏发电功率；

当微电网光伏发电足够大，多余DG发电按上网电价卖给电网，表达式如下：

式中，p是电网对微电网光伏发电的统一收购价，是微电网的上网电量；

***由电网和DG供给负荷及储能，供需平衡关系如下：

p_grid+p_pv＝p_load+p_b 式10

荷电状态约束

SOC_min＜SOC＜SOC_max 式11

充放电功率约束

p_min＜p_b＜p_max 式12

储能最大允许充电约束

SOC≤SOC_m.c 式13

储能最小允许放电约束

SOC_m.d≤SOC 式14

具体包括：

步骤3.1、更新实时电价以及蓄电池荷电状态作为控制器输入，控制器输出调度决策方案；

步骤3.2、选择群最优粒子以及个体历史最优的位置，更新粒子群的解空间位置及移动速度，构成新的粒子群

步骤3.3、判断是否满足终止条件，若是则结束二阶段优化进程，按最优解安排调度控制计划；否则重复储能优化步骤3.1，继续下一次迭代；

步骤3.4、根据改进的充放电策略更新调度决策方案，控制光储联合***运行；

步骤3.5、判断是否为下一个决策点，若是，则转到步骤3.2；若不是，则继续下一步

步骤3.6、判断是否满足模糊决策参数更新条件，该更新条件为设定的控制参数更新周期，若满足，则跳转到步骤2.3；若不满足，则终止决策，进入休眠状态，当时间t大于更新周期T或***到达下一个决策点，激活模糊控制器，重复步骤2.2。