CN111178642A - 一种基于模拟退火粒子群算法的微电网优化方法 - Google Patents

一种基于模拟退火粒子群算法的微电网优化方法 Download PDF

Info

Publication number
CN111178642A
CN111178642A CN202010009714.4A CN202010009714A CN111178642A CN 111178642 A CN111178642 A CN 111178642A CN 202010009714 A CN202010009714 A CN 202010009714A CN 111178642 A CN111178642 A CN 111178642A
Authority
CN
China
Prior art keywords
particle
grid
annealing
micro
microgrid
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202010009714.4A
Other languages
English (en)
Inventor
周西峰
李书益
郭前岗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010009714.4A priority Critical patent/CN111178642A/zh
Publication of CN111178642A publication Critical patent/CN111178642A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于模拟退火粒子群算法的微电网优化方法,基于微网运行时追求目标不同,成本最低和污染最小不能同时满足,从经济性、环保性考虑,建立相应目标函数。本发明为避免传统粒子群算法易陷入局部最优解的缺陷,通过采用模拟退火算法和粒子群算法相结合的算法,与传统粒子群算法对比,不易陷入局部最优解,从而得到更适用于微电网的运行方式,减少了成本。

Description

一种基于模拟退火粒子群算法的微电网优化方法
技术领域
本发明属于微电网优化运行领域,特别是涉及一种模拟退火算法和粒子群算法相结合的微电网优化方法,得到更适用于微电网的运行方式。
背景技术
分布式发电***作为集中供电***的有力补充,在供电的经济性以及对环境的污染程度方面较大电网有一定的优势。然而,分布式电源的发电成本以及对环境的污染仍不容忽视。将分布式电源以微电网形式接入到电网,是发挥分布式电源能效的最有效方式。多种多样分布式电源的组合及出力方式可以解决不同的用电需求,而在保证用电可靠性稳定性的前提下,科学的配比使其达到经济效益最大化、环境污染最小化则是目前探讨的重点。
到目前为止,人们已将多种算法应用到微电网的优化算法研究中,如遗传算法、粒子群优化算法等。优化问题主要有两个方面:一是要求寻找全局最小点,二是要求有较高的收敛速度。遗传算法有三个基本算子:选择、交叉和变异。这些算子的实现需要许多参数,且这些参数的选择严重影响解的品质,而这些参数的选择大部分是依靠经验。粒子群优化算法没有遗传算法用的交叉以及变异,其***初始化为一组随机解,通过迭代搜寻最优值。其充分利用自身经验和群体经验调整粒子自身的状态,可以有效的对***参数进行优化。而不足之处在于粒子群易早熟、易陷入局部最优解,从而常常不能寻出最优解。
发明内容
基于上述现有技术中的缺陷情况,本发明为避免传统粒子群算法易陷入局部最优解的缺陷,提供一种模拟退火算法和粒子群算法相结合的微电网优化方法,容易实现、收敛快以及更精确等优势,在电力***约束条件下,得到更适用于微电网的运行方式。
由于模拟退火算法比普通的Greedy算法在搜索的过程中引入了随机因素。也就是说它有一定的概率先接受一个比当前解要差一些的解,所以可以跳出这个极值,也就是摆脱局部最优解,从而找出全局最优解,解决粒子群算法易陷入局部最优解的缺陷。
实现本发明目的的技术解决方案为:
一种基于模拟退火粒子群算法的微电网优化方法,其特征在于,包括如下步骤:
步骤1:建立综合考虑微电网运行性能的目标函数C3
步骤2:设置约束条件;
步骤3:初始化参数惯性权重ω、学习因子c1、c2和退火速度δ;
步骤4:随机生成一个种群,包含m个粒子,随机初始化粒子的速度和位置;
步骤5:计算每个粒子i的适应度fitness(x(i)),简称f(x),记录第i个粒子的最优位置Pid、全局最优位置Ppd、适应度f(Pid)和全局最优适应度f(Ppd);
步骤6:根据全局最优适应度f(Ppd)计算得到退火算法初始温度T0
步骤7:记fSA(x)函数为计算退火算法适应度的函数,在当前温度T下各Pid的退火算法适应度
Figure BDA0002356680520000021
步骤8:应用轮盘赌选择遗传算法,从个体最优位置Pid中选取一个代替全局最优位置Ppd,记为Prd
步骤9:将Ppd替换成Prd,带入粒子群公式,更新各粒子的速度;
步骤10:再计算各个粒子的适应度,更新各粒子的最优位置Pid和种群全局最优位置Ppd
步骤11:进行退火操作;
步骤12:判断是否满足终止条件,若满足则停止搜索,输出计算结果,得到目标函数的全局最优解,若不满足则转至步骤7。
进一步地,步骤1中定义的目标函数中只考虑微电网经济性运行时的运行成本为C1,只考虑微电网环保性运行时的运行成本为C2
进一步地,
Figure BDA0002356680520000022
其中,C1是只考虑微电网经济性运行时的运行成本;
Figure BDA0002356680520000023
指计算平均每天的运行成本,T=24小时,即1-24小时的运行成本;Cf(t)为t时刻折算到每千瓦时的燃料耗费成本;Cma(t)为t时刻各个电能单元折算到每千瓦时的维护管理成本;Cdep(t)为t时刻各个电力单元的折旧损耗;Cgov(t)为t时刻清洁能源政府补贴金额;kCgrid(t)指t时刻与大电网的交互成本,当从大电网购电时,k>0;当向大电网售电时,k<0。
进一步地,
Figure BDA0002356680520000024
其中,C2是只考虑微电网环保性运行时的运行成本(元),主要考虑污染气体的治理费用;j表示第j类污染气体;αj指第j类污染气体的处理费用;βij和βmj指第j类污染气体的排放量分别在微电网发电单元和大电网中折合到单位功率的排放系数;Pit和Pmt指t时刻微电网发电单元和大电网当前的实际工作功率;J为污染气体总类数;L为微电网发电单元总类数
进一步地,步骤2中设置的约束条件包括电网功率平衡约束、微电网中各发电单元出力约束、微电网中可控发电单元爬坡率约束、微电网联络线传输功率约束、储能装置充放电容量约束和与大电网交换电量约束。
进一步地,惯性权重的设置公式如下:
Figure BDA0002356680520000031
其中,ωmax和ωmin分别是惯性权重的起始值和终值,k为当前迭代次数,Kmax为最大迭代次数。
进一步地,步骤8中轮盘赌选择遗传算法步骤如下:
步骤1:pBet=rand(),pBet为一个0到1的随机数;
步骤2:根据退火算法适应度fsA(Pid)计算累积概率
Figure BDA0002356680520000032
步骤3:根据累积概率,选用满足条件的第r个粒子的个体最优位置Prd代替全局最优位置Ppd,条件为:comfit(r-1)<pBet<comfit(r)。
进一步地,步骤9中设置各粒子的更新速度为:
Figure BDA0002356680520000033
其中:
Figure BDA0002356680520000034
-第k+1次迭代粒子i飞行速度矢量的第d维分量;
Figure BDA0002356680520000035
-第k次迭代粒子i飞行速度矢量的第d维分量;
c1,c2-加速度常数,调节学习最大步长;
r1,r2-两个随机函数,取值范围[0,1],以增加搜索随机性;
ω-惯性权重,非负数,调节对解空间的搜索范围;
Figure BDA0002356680520000036
—第k次迭代粒子i位置矢量的第d维分量;
Figure BDA0002356680520000037
-第k次迭代粒子i的个体最优位置;
Figure BDA0002356680520000038
—第k次迭代粒子i的全局最优位置。
进一步地,步骤10中各粒子的更新位置为:
Figure BDA0002356680520000039
Figure BDA00023566805200000310
-第k次迭代粒子i位置矢量的第d维分量;
Figure BDA00023566805200000311
—第k-1次迭代粒子i位置矢量的第d维分量;
Figure BDA00023566805200000312
-第k-1次迭代粒子i飞行速度矢量的第d维分量
进一步地,步骤11中各粒子的退火操作为:
Tnew=δTold
Told-前一时刻的退火温度;
Tnew-迭代后的退火温度;
δ-退火速度。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明建立考虑经济性及环保性的综合目标函数,考虑发电成本、维护成本、折旧成本、污染气体治理费用等多种现实因素,优化结果更具有现实意义。
(2)本发明在考虑多种微电网约束条件下,综合考虑经济性和环保性因素,得到更适用于微电网的运行方式,是总运行成本最低,环保性效果最优。
(3)本发明中提出的模拟退火粒子群算法可以有效避免传统粒子群算法易陷入局部最优解的缺陷,在粒子运动过程中,当粒子下一代位置比当前位置好时,粒子移动到下一代位置;反之,若下一代位置比当前位置差,则粒子并不直接移动到下一代位置,而是以某一概率进行移动,且通过温度来控制这一概率。因此,当温度下降的足够慢时,粒子不会轻易的跳出有“希望”的搜索区域,从而增强了粒子的局部搜索能力。
附图说明
图1是本发明的并网型微电网结构模型图。
图2是传统粒子群算法下各微电源运行情况图。
图3是本发明的模拟退火粒子群算法下各微电源运行情况图。
图4是本发明的算法流程图。
具体实施方式
下面将结合附图、具体数据和附体仿真实例对本发明进一步详细说明。
如图4所示,本发明的基于模拟退火粒子群算法的微电网优化方法,通过采用模拟退火算法和粒子群算法相结合的算法,得到更适用于微电网的运行方式。该方法包括如下步骤:
步骤1:建立综合考虑微电网经济性和环保性运行时的运行成本目标函数C3
Figure BDA0002356680520000041
式中:C3是综合考虑微电网经济性和环保性运行时的运行成本(元)。λ1、λ2为权重系数。其中C1是只考虑微电网经济性运行时的运行成本,C2是只考虑微电网环保性运行时的运行成本。
步骤2:设置约束条件。
步骤3:初始化参数惯性权重ω、学习因子c1、c2和退火速度δ。
步骤4:随机生成一个种群,包含m个粒子,随机初始化粒子的速度和位置。
步骤5:计算每个粒子i的适应度fitness(x(i)),fitness(x(i))为适应度函数也就是目标函数,简称f(x),记录每个(第i个)粒子的最优位置Pid、全局最优位置Ppd、适应度f(Pid)和全局最优适应度f(Ppd)。
步骤6:根据全局最优适应度f(Ppd)计算得到退火算法初始温度T0
步骤7:记fSA(x)函数为计算退火算法适应度的函数,在当前温度T下各Pid的退火算法适应度
Figure BDA0002356680520000051
步骤8:应用轮盘赌选择遗传算法的思想,从个体最优位置Pid中选取一个代替全局最优位置Ppd,记为Prd
步骤9:将Ppd替换成Prd,带入粒子群公式,更新各粒子的速度如下:
Figure BDA0002356680520000052
其中:
Figure BDA0002356680520000053
-第k+1次迭代粒子i飞行速度矢量的第d维分量;
Figure BDA0002356680520000054
-第k次迭代粒子i飞行速度矢量的第d维分量;
c1,c2-加速度常数,调节学习最大步长;
r1,r2-两个随机函数,取值范围[0,1],以增加搜索随机性;
ω-惯性权重,非负数,调节对解空间的搜索范围;
Figure BDA0002356680520000055
-第k次迭代粒子i位置矢量的第d维分量;
Figure BDA0002356680520000056
-第k次迭代粒子i的个体最优位置;
Figure BDA00023566805200000512
—第k次迭代粒子i的全局最优位置。
步骤10:再计算各个粒子的适应度,更新各粒子的最优位置Pid和种群最优位置Ppd
Figure BDA0002356680520000058
Figure BDA0002356680520000059
-第k次迭代粒子i位置矢量的第d维分量;
Figure BDA00023566805200000510
-第k-1次迭代粒子i位置矢量的第d维分量;
Figure BDA00023566805200000511
—第k-1次迭代粒子i飞行速度矢量的第d维分量;
步骤11:进行退火操作:
Tnew=δTold
Told-前一时刻的退火温度;
Tnew-迭代后的退火温度;
δ-退火速度。
步骤12:判断是否满足终止条件,若满足则停止搜索,输出计算结果,若不满足则转至步骤7。
步骤1中定义的目标函数中只考虑微电网经济性运行时的运行成本C1和只考虑微电网环保性运行时的运行成本C2为:
Figure BDA0002356680520000061
其中,C1是只考虑微电网经济性运行时的运行成本;
Figure BDA0002356680520000062
指本文计算平均每天的运行成本,T=24,即1-24小时的运行成本;Cf(t)为t时刻折算到每千瓦时的燃料耗费成本;Cma(t)为t时刻各个电能单元折算到每千瓦时的维护管理成本;Cdep(t)为t时刻各个电力单元的折旧损耗;Cgov(t)为t时刻清洁能源政府补贴金额;kCgrid(t)指t时刻与大电网的交互成本,当从大电网购电时,k>0;当向大电网售电时,k<0。
Figure BDA0002356680520000063
其中,C2是只考虑微电网环保性运行时的运行成本(元),主要考虑污染气体的治理费用;j表示第j类污染气体(包括微电网和大电网中产生的CO、CO2、SO2以及NOx衍生物);αj指第j类污染气体的处理费用(元/kw);βij和βmj指第j类污染气体的排放量分别在微电网发电单元和大电网中折合到单位功率的排放系数;Pit和Pmt指t时刻微电网发电单元和大电网当前的实际工作功率(kw);J为污染气体总类数;L为微电网发电单元总类数
步骤2中设置约束条件有:
电网功率平衡约束:
Figure BDA0002356680520000064
式中:Pl(t)表示当前工作的第l个发电单元在t时刻发电功率(kw);Pbat(t)表示储能装置发出的功率(kw),若是负数,则是微电网向储能装置充电;Pgrid(t)表示向大电网购电的功率(kw),若是负数,则是微电网向大电网售电;Pe(t)表示当前时刻用户需要的负荷功率(kw)。
微电网中各发电单元出力约束:
Plmin(t)≤Pil(t)≤Plmax(t)
式中:Plmin(t)、Plmax(t)为当前工作的第l个发电单元在t时刻发电功率最小值和最大值。
微电网中可控发电单元爬坡率约束:
Figure BDA0002356680520000065
式中:Pl,up(t)表示当前工作的第l个发电单元在t时刻增加的有功功率(kw);Pl,up(t-1)表示当前工作的第l个发电单元在t-1时刻增加的有功功率(kw);Pl,down(t)表示当前工作的第l个发电单元在t时刻减少的有功功率(kw);Pl,down(t-1)表示当前工作的第l个发电单元在t-1时刻减少的有功功率(kw);Rl,up表示当前工作的第l个发电单元增加的有功功率限制(kw);Rl,down表示当前工作的第l个发电单元减少的有功功率限制(kw)。***的爬坡率可以体现各可控发电单元的性能,结合实际保证***的可行性。
微电网联络线传输功率约束:
Pline,min≤Pline≤Pline,max
式中:Pline表示微电网与配电网之间的线路传输容量(kw),需根据实际情况满足一定范围的上限Pline,max和下限Pline,min内。
储能装置充放电容量约束:
SSOCmin≤SSOC(t)≤SSOCmax
Figure BDA0002356680520000071
式中:SSOC(t)表示储能装置在t时刻的荷电状态,需满足一定的上、下限SSOCmax、SSOCmin;PBESSin(t)和PBESSout(t)分别表示储能装置在t时刻的充放电功率,需分别满足一定的上限PBESSin,max、PBESSout,max
与大电网交换电量约束:
考虑微电网的黑启动能力,所以设置约束微电网与大电网年交换量不超过年用电量的40%。
Figure BDA0002356680520000072
步骤3中惯性权重的设置为:
Figure BDA0002356680520000073
其中,ωmax和ωmin分别是惯性权重的起始值和终值,k为当前迭代次数,Kmax为最大迭代次数。
步骤8中轮盘赌选择遗传算法思想如下:
步骤1:pBet=rand()(pBet为一个0到1的随机数)
步骤2:根据退火算法适应度fSA(Pid)计算累积概率
Figure BDA0002356680520000074
步骤3:根据累积概率,选用满足条件的第r个粒子的个体最优位置Prd代替全局最优位置Ppd。条件为:comfit(r-1)<pBet<comfit(r)
步骤9中设置各粒子的更新速度为:
Figure BDA0002356680520000081
步骤10中各粒子的更新位置为:
Figure BDA0002356680520000082
步骤11中各粒子的退火操作为:
Tnew=δTold
实施例1
本实施例以偏远地区较高海拔区域为例,对实际的微电网***进行分析,平均到一天为计算周期。
1)设置***参数:参考当地区域光照强度以及风速,预测光伏发电及风力发电功率。图1表示一般并网型微电网结构模型,包含的微电源装置有:光伏发电***(Photovoltaics,简称PV)、风力发电***(Wind turbine,简称WT)、微型燃气轮机(Micro gasturbine,简称MT)、燃料电池(Fuel cell,简称FC)和柴油发电机(Diesel generators,简称DEG)。本文模型中储能装置考虑的是较常见的铅酸蓄电池(Lead-acid batteries,简称BAT),负荷指生活中的日常负荷需求。
污染物排放类型相应排放系数及处理成本如表2所示,当地不同时区电价表如表3所示。
表1微电网***中各处理单元相关参数
Figure BDA0002356680520000083
表2污染物排放系数及处理成本
Figure BDA0002356680520000084
Figure BDA0002356680520000091
表3当地不同时区电价表
Figure BDA0002356680520000092
注:负荷高峰时段为:10:00-13:00,17:00-20:00;
负荷低谷时段为:0:00-7:00,23:00-0:00;
其余为负荷平时段。
基于以上参数建立综合考虑微电网经济性和环保性运行时的运行成本目标函数C3
Figure BDA0002356680520000093
Figure BDA0002356680520000094
Figure BDA0002356680520000095
2)设置约束条件。预测当天的光伏和风力发电量以及小区用户负荷量,PV、WT都是最大功率运行。储能装置的最大充放电功率为10kw,从大电网购电的电量不超过当天用电负荷的40%。前提是大电网电量充足,暂不考虑停电损失。
3)初始化参数惯性权重ω、学习因子c1、c2和退火速度δ。经过实验,参数ωmax和ωmin的值设置分别为0.9和0.4时,粒子的搜索能力更好,c1、c2是学习因子,分别表示的是粒子在自身最好状态和种群最好状态下的学习能力,经实验本发明c1、c2取2.05。在模拟退火粒子群算法中,要想提高找到全局最优解的概率,可以使模拟退火的过程尽可能地慢,所以本发明模拟退火速度δ取0.95。
Figure BDA0002356680520000096
4)随机生成一个种群,包含600个粒子,随机初始化粒子的速度和位置。
5)计算每个粒子i的适应度fitness(x(i)),fitness(x(i))为适应度函数也就是目标函数,简称f(x),记录每个(第i个)粒子的最优位置Pid、全局最优位置Ppd、适应度f(Pid)和全局最优适应度f(Ppd)。
6)根据全局最优适应度f(Ppd)计算得到退火算法初始温度T0。
Figure BDA0002356680520000101
7)记fSA(x)函数为计算退火算法适应度的函数,在当前温度T下各Pid的退火算法适应度
Figure BDA0002356680520000102
8)应用轮盘赌选择遗传算法的思想,从个体最优位置Pid中选取一个代替全局最优位置Ppd,记为Prd
9)将Ppd替换成Prd,带入粒子群公式,更新各粒子的速度如下:
Figure BDA0002356680520000103
10)再计算各个粒子的适应度,更新各粒子的最优位置Pid和种群全局最优位置Ppd
11)进行退火操作:
Tnew=δTold
12)本发明设置的搜索空间维数为48;最大迭代次数为300。满足终止条件后,输出计算结果为37453.7元,比原算法节省了约3000元。
图2表示在粒子群算法分配方式下,各微电源运行方式。图3表示在模拟退火粒子群算法分配方式下,各微电源运行方式。与原方法相比,不仅做到了成本更低,且更不依赖公共电网的供电,增加了微电网的独立性。表明本发明的有效性。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人,在不脱离本发明原理的前提下,可以做出若干改进,因此,本发明的保护范围应该以权利要求书的保护范围为准。

Claims (10)

1.一种基于模拟退火粒子群算法的微电网优化方法,其特征在于,包括如下步骤:
步骤1:建立综合考虑微电网运行性能的目标函数C3
步骤2:设置约束条件;
步骤3:初始化参数惯性权重ω、学习因子c1、c2和退火速度δ;
步骤4:随机生成一个种群,包含m个粒子,随机初始化粒子的速度和位置;
步骤5:计算每个粒子i的适应度fitness(x(i)),简称f(x),记录第i个粒子的最优位置Pid、全局最优位置Ppd、适应度f(Pid)和全局最优适应度f(Ppd);
步骤6:根据全局最优适应度f(Ppd)计算得到退火算法初始温度T0
步骤7:记fSA(x)函数为计算退火算法适应度的函数,在当前温度T下各Pid的退火算法适应度
Figure FDA0002356680510000011
式中n为粒子总数量;
步骤8:应用轮盘赌选择遗传算法,从个体最优位置Pid中选取一个代替全局最优位置Ppd,记为Prd
步骤9:将Ppd替换成Prd,带入粒子群公式,更新各粒子的速度;
步骤10:再计算各个粒子的适应度,更新各粒子的最优位置Pid和种群全局最优位置Ppd
步骤11:进行退火操作;
步骤12:判断是否满足终止条件,若满足则停止搜索,输出计算结果,得到目标函数的全局最优解,若不满足则转至步骤7。
2.根据利要求1所述的基于模拟退火粒子群算法的微电网优化方法,其特征在于,步骤1中定义的目标函数中只考虑微电网经济性运行时的运行成本为C1,只考虑微电网环保性运行时的运行成本为C2
3.根据利要求2所述的基于模拟退火粒子群算法的微电网优化方法,其特征在于,
Figure FDA0002356680510000012
其中,C1是只考虑微电网经济性运行时的运行成本;
Figure FDA0002356680510000013
指计算平均每天的运行成本,T=24小时,即1-24小时的运行成本;Cf(t)为t时刻折算到每千瓦时的燃料耗费成本;Cma(t)为时刻各个电能单元折算到每千瓦时的维护管理成本;Cdep(t)为t时刻各个电力单元的折旧损耗;Cgov(t)为t时刻清洁能源政府补贴金额;kCgrid(t)指t时刻与大电网的交互成本,当从大电网购电时,k>0;当向大电网售电时,k<0。
4.根据利要求2所述的基于模拟退火粒子群算法的微电网优化方法,其特征在于,
Figure FDA0002356680510000021
其中,C2是只考虑微电网环保性运行时的运行成本(元),主要考虑污染气体的治理费用;j表示第j类污染气体;αj指第j类污染气体的处理费用;βij和βmj指第j类污染气体的排放量分别在微电网发电单元和大电网中折合到单位功率的排放系数;Pit和Pmt指t时刻微电网发电单元和大电网当前的实际工作功率;J为污染气体总类数;L为微电网发电单元总类数。
5.根据权利要求1所述的基于模拟退火粒子群算法的微电网优化方法,其特征在于,步骤2中设置的约束条件包括电网功率平衡约束、微电网中各发电单元出力约束、微电网中可控发电单元爬坡率约束、微电网联络线传输功率约束、储能装置充放电容量约束和与大电网交换电量约束。
6.根据权利要求1所述的基于模拟退火粒子群算法的微电网优化方法,其特征在于,惯性权重ω的设置公式如下:
Figure FDA0002356680510000022
其中,ωmax和ωmin分别是惯性权重的起始值和终值,k为当前迭代次数,Kmax为最大迭代次数。
7.根据权利要求1所述的基于模拟退火粒子群算法的微电网优化方法,其特征在于,步骤8中轮盘赌选择遗传算法步骤如下:
步骤1:pBet=rand(),pBet为一个0到1的随机数;
步骤2:根据退火算法适应度fSA(Pid)计算累积概率
Figure FDA0002356680510000023
步骤3:根据累积概率,选用满足条件的第r个粒子的个体最优位置Prd代替全局最优位置Ppd,条件为:comfit(r-1)<pBet<comfit(r)。
8.根据权利要求1所述的基于模拟退火粒子群算法的微电网优化方法,其特征在于,步骤9中设置各粒子的更新速度为:
Figure FDA0002356680510000024
其中:
Figure FDA0002356680510000025
—第k+1次迭代粒子i飞行速度矢量的第d维分量;
Figure FDA0002356680510000026
—第k次迭代粒子i飞行速度矢量的第d维分量;
c1,c2—加速度常数,用于调节学习最大步长;
r1,r2—两个随机函数,取值范围[0,1],用于增加搜索随机性;
ω—惯性权重,非负数,用于调节对解空间的搜索范围;
Figure FDA0002356680510000031
—第k次迭代粒子i位置矢量的第d维分量;
Figure FDA0002356680510000032
—第k次迭代粒子i的个体最优位置;
Figure FDA0002356680510000033
—第k次迭代粒子i的全局最优位置。
9.根据权利要求1所述的基于模拟退火粒子群算法的微电网优化方法,其特征在于,步骤10中各粒子的更新位置为:
Figure FDA0002356680510000034
Figure FDA0002356680510000035
—第k次迭代粒子i位置矢量的第d维分量;
Figure FDA0002356680510000036
—第k-1次迭代粒子i位置矢量的第d维分量;
Figure FDA0002356680510000037
—第k-1次迭代粒子i飞行速度矢量的第d维分量。
10.根据权利要求1所述的基于模拟退火粒子群算法的微电网优化方法,其特征在于,步骤11中各粒子的退火操作为:
Tnew=δTold
Told—前一时刻的退火温度;
Tnew—迭代后的退火温度;
δ—退火速度。
CN202010009714.4A 2020-01-06 2020-01-06 一种基于模拟退火粒子群算法的微电网优化方法 Withdrawn CN111178642A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010009714.4A CN111178642A (zh) 2020-01-06 2020-01-06 一种基于模拟退火粒子群算法的微电网优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010009714.4A CN111178642A (zh) 2020-01-06 2020-01-06 一种基于模拟退火粒子群算法的微电网优化方法

Publications (1)

Publication Number Publication Date
CN111178642A true CN111178642A (zh) 2020-05-19

Family

ID=70652481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010009714.4A Withdrawn CN111178642A (zh) 2020-01-06 2020-01-06 一种基于模拟退火粒子群算法的微电网优化方法

Country Status (1)

Country Link
CN (1) CN111178642A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183841A (zh) * 2020-09-23 2021-01-05 上海电机学院 基于模拟退火算法的含电动汽车微电网的优化调度方法
CN113361146A (zh) * 2021-07-21 2021-09-07 国网江西省电力有限公司供电服务管理中心 一种基于改进粒子群算法的锰铜分流器结构参数优化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183841A (zh) * 2020-09-23 2021-01-05 上海电机学院 基于模拟退火算法的含电动汽车微电网的优化调度方法
CN113361146A (zh) * 2021-07-21 2021-09-07 国网江西省电力有限公司供电服务管理中心 一种基于改进粒子群算法的锰铜分流器结构参数优化方法

Similar Documents

Publication Publication Date Title
CN109325608B (zh) 考虑储能并计及光伏随机性的分布式电源优化配置方法
CN109859071B (zh) 虚拟电厂多能互补的源荷储优化配置方法
Qi et al. Low-carbon community adaptive energy management optimization toward smart services
CN110705776A (zh) 能源优化调度方法
CN116667325B (zh) 一种基于改进布谷鸟算法的微电网并网运行优化调度方法
CN115147245B (zh) 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法
Rouhani et al. A comprehensive method for optimum sizing of hybrid energy systems using intelligence evolutionary algorithms
CN111178642A (zh) 一种基于模拟退火粒子群算法的微电网优化方法
CN115995822A (zh) 一种分布式能源接入微电网的优化方法
CN107834574B (zh) 一种分布式能源***与电网交换功率的控制方法
CN112580897A (zh) 基于鹦鹉算法的多能源电力***优化调度的方法
Xiao et al. A multi‐energy complementary coordinated dispatch method for integrated system of wind‐photovoltaic‐hydro‐thermal‐energy storage
Aiswariya et al. Optimal microgrid battery scheduling using simulated annealing
CN115241923A (zh) 一种基于蛇优化算法的微电网多目标优化配置方法
Zheng et al. Multi-objective optimization of hybrid energy management system for expressway chargers
CN112883630A (zh) 用于风电消纳的多微网***日前优化经济调度方法
CN113807566A (zh) 基于可再生能源和内部负荷不确定的社区能源的调度方法
CN116611575A (zh) 基于双层决策博弈的多vpp共享储能容量优化配置方法
Li et al. Research on microgrid optimization based on simulated annealing particle swarm optimization
CN116191508A (zh) 一种计及风光出力的含储能有源配电网经济运行优化方法
CN111319505A (zh) 一种光储式电动汽车充电站能量优化方法和装置
CN114841448A (zh) 一种基于多代理***的分层分区负荷优化调控方法
CN112561120B (zh) 一种基于微电网参考日前市场出清***优化运行方法
CN114914943A (zh) 面向绿色港口岸电***的氢储能优化配置方法
Wenyue et al. Optimal scheduling strategy for virtual power plant considering voltage control

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20200519

WW01 Invention patent application withdrawn after publication