CN112018822B - 一种需求侧综合柔性负荷调控优化方法及*** - Google Patents

Abstract

本发明涉及一种需求侧综合柔性负荷调控优化方法及***，适用于运算复杂的考虑需求侧综合柔性负荷的协调方法优化。该方法先对收集到的历史数据进行预处理；在粒子群中利用轮盘转法选出粒子领导者，并基于粒子领导者更新粒子速度和最佳位置；将多目标粒子群算法和同步回代消除算法相结合，得到最佳方案。该***包括预处理模块、选择粒子领导者模块、优化模块。本发明首次将MOSPO算法与同步回代消除算法相结合，使得算法更加严谨准确，同时首次将MOSPO算法应用到冷热电气结合问题上，提出了解决多种储能技术相结合会互相冲突的问题，将会对IDR***的进一步发展提供可能性与新思路。

Description

一种需求侧综合柔性负荷调控优化方法及***

技术领域

本发明涉及一种需求侧综合柔性负荷调控优化方法及***，适用于运算复杂的考虑需求侧综合柔性负荷的协调方法优化及***。

背景技术

在全球节能减排的大背景下，需求响应应运而生，需求响应(demand response，DR)是整合用户侧电网响应潜力的有效手段，可有效提高电网运行的安全性与稳定性，作为削峰填谷的有效方式，在减少高峰负荷，减低***成本，提高***可靠性的方面有着很好的效果。

目前，综合能源***中的综合需求响应的研究已引起广泛关注。综合能源***的应用为需求响应带来了新的发展。电力、热能、天然气和其他形式能源的集成使得所有类型的能源用户都能积极参与需求响应项目。利用能源互联***中不同能源间的互补性，非弹性能源负荷也可以在用电高峰期采用各种其他形式的能源替代电能，从而积极参与需求响应计划。从电力***的角度看，所有类型的能源用户在高峰时段都能减少电力需求，从而可以改善需求响应优化调度的效果；从用户的角度看，需求侧的能源消耗量几乎没有改变，从而保持了消费者的舒适性。但研究成果较少考虑用户对不同类型能源需求之间的影响关系。而通过利用冷、热、电等能源在时空上的互补特性，可增强能源子***之间的耦合关系，从而提升工业用户的整体响应潜力。

而随着智能电网逐渐向综合能源***发展，电力需求响应也开始向IDR的转变。IDR应用示意图如图1所示。其本质是实现能源资源最大化利用的运行模式，以相对低廉的成本确保能源***安全、经济运行，提升能源利用效率和用能满意度，推进形成竞争公平、价格合理的能源市场表1从响应对象、主体、目标等多个方面对比了综合能源***前后需求响应的异同点。在综合能源体系下，从单一地增加或减少某一类能源使用成为通过源-储协调转换以及负荷侧用能增减来解决冷、热、电需求问题，极大提升了需求响应的互动内容、能力和效益。其中，“数量调节”方式是指改变终端负荷大小；“时间调节”是指改变终端负荷的用能时间；“载体转换”是指一种能源载体的需求可以由其他能源载体替代供应，如终端的热负荷可以由CHP机组、燃气锅炉或热泵提供。

表1综合需求响应内涵

与传统需求响应相比，IDR所处的多能***更大、多能耦合元件更多、多能互补途径更复杂，参与全时段调度能力更强。但目前的研究多针对单类型储能装置，关于多类型储能的联合调度优化问题涉及较少，随着能源网络耦合程度逐渐提高，多能存储和综合需求响应将成为其运行优化的关键环节。在***运行优化前后，多能存储技术和综合需求响应技术可调整柔性负荷和能量转换装置的出力水平，在增加能源***灵活性、经济性和可再生能源利用率的同时，改变多能源***运行工况，进而影响***可靠性。然而，鲜有研究分析多能存储和综合需求响应对能源***可靠性的影响。

发明内容

发明目的：

本发明在于面对现有状况下，综合响应侧考虑过于单一，鲜有多种技术相互结合的情况，提出将蓄热式电锅炉和蓄冷空调作为冷热电气相结合的一种想法，并基于将二者科学结合调控，提出了一种需求侧综合柔性负荷调控优化方法及***，用于解决多种技术目标函数可能相互冲突的问题，打破传统IDR应用的局限性，为IDR的进一步发展提出新思路，并为存在的多储能技术相互冲突的问题提出解决方法。

技术方案：

一种需求侧综合柔性负荷调控优化方法，该方法包括：

步骤1，对收集到的历史数据进行预处理；

步骤2，在粒子群中利用轮盘转法选出粒子领导者，并基于粒子领导者更新粒子速度和最佳位置；

步骤3，将多目标粒子群算法和同步回代消除算法相结合，得到最佳方案。

进一步的，通过收集历史数据，对所收集数据进行预处理，清理异常数据；针对于冷热电气目标函数，对于约束条件，采取公式(1)进行优化，进而保证等式约束和不等式同时优化的条件：

Min F(X)＝[f₁(X)f₂(X)...f_n(X)]^T

其中F(X)是包含目标函数的向量，X是包含优化变量的向量，f_i(x)是目标函数ith；g_i(x)和h_i(x)是相等和不平等的约束；n是目标函数的数量；对于多目标优化问题，X或Y解决方案是两个可能的解决方案之一；一个将主导另一个，或者没有一个将被其他任何解决方案所主导；在一个优化问题中，如果满足以下两个条件，则一个解决方案X将主导Y：

j、k表示变量编号，f_j、f_k表示变量的目标函数，

通过搜索空间上的非支配解来获得帕累托集解；最后，从档案中存储的非主导解决方案中获得答案。

进一步的，根据预处理后的数据，利用瑞利模型风能***输出功率的概率密度函数获取风能的量；采用风力涡轮机将风能转换为电能；风力涡轮机的输出功率取决于参数，基于可用的历史数据信息开发概率模型，其中信息具体在风能领域指风速；由于风速是随机变量，根据风速行为，瑞利分布用于模拟风；瑞利分布是威布尔分布的特殊形式，其中形状指数等于2；假设α_w作为尺度参数，和β_w＝2作为形状参数，概率密度和累积分布函数如下：

当V_m被认为是一个特定站点的平均风速，尺度参数给出：

Г表示gamma函数，г(x)＝∫e^(-t)×t^(x-1)dt,下限为0，上限为+∞；

在取代的情况下，α_w为尺度参数威布尔分布，在概率密度函数和累积分布函数中，瑞利模型风能***可基于平均风速的函数推导求得，其中，概率密度和累积分布函数的样本可被改写如下；

Vm表示特点站点的平均风速；

对于特定的瑞利模型风能***，输出功率的特性是清晰的：

其中V_ci，V_r，V_co和V_wind分别是风力涡轮机的切入速度，额定转速，截止速度和实际速度，P_R是涡轮机的额定功率；

使用等式获得瑞利模型风能***输出功率的概率密度函数f _Pw(P _w)；获得风能公式为：

其中，Pw表示输出功率，Fv(Vco)、Fv(Vci)、Vm、V_r、P_R表示风力涡轮机的截止速度的概率密度、切入速度的概率密度、特点站点的平均风速、涡轮机的额定转速、涡轮机的额定功率；

产生初始种群为X^T＝[X₁,X₂,...,X_T]；

根据

或

其中，f₁(x)、f₂(x)表示运营成本函数、污染排放函数，其中，X为优化变量x的矢量表示形式；F^Cost、F^Emission(t)表示运营成本、污染排放量，Emi_DG、 Emi_Grid(t)、Pr_s、UOC_s、COC(t)分别表示可再生DG单元造成的平均污染、由电网引起的污染、s场景的概率、不确定的操作成本、确定的操作成本；将电力调度算法应用于所生成的人口与适应度函数的计算。

进一步的，选择领导者的过程：探索的搜索空间被分成相等的部分，并且概率分布被分配到每个部分，使用轮盘赌法选择最佳粒子作为领导者；

当归档的成员数目超过了确定的容量，则删除多余粒子；在删除多余粒子过程中，采用同步回代消除算法；

对于同步回代消除算法，要求S＝S-{d},R＝R+{d}，且p_r＝p_r+p_d得到满足，在获得初始粒子后，对每一个粒子指定一个发生的概率P_s(p_s＞0)，且所有粒子概率之和相加为1，每个粒子发生的概率指定为1/N；集合S表示初始的粒子，d 表示粒子索引，集合R表示需消除的粒子，Pr表示粒子r的概率，Pd表示粒子索引d的概率，

为了更新最佳位置，会将粒子的新位置与其先前位置进行比较

其中，P_best，i(t+1)、P_best，i(t)、X_i(t+1)表示粒子最佳位置、粒子原来的位置、粒子的新位置。

进一步的，同步回代消除算法的首先要计算每对粒子的距离

D_s,s′(r)＝D(ζ_s,ζ_s′) (12)

其中，D_s,s′为粒子s和s′的距离，D(ζ_s,ζ_s′)为粒子s和s′之间的向量范数；

然后找出与每个粒子k距离最短的粒子r，

D_k(r)＝minD_ks′,k∈S,s′∈S,k≠s′ (13)

接着从k中找出粒子索引d，使得

P_d＝minP_k,k∈S (14)

Pd表示粒子索引d的概率，Pk表示粒子k的概率，

最后在运算中必须保证

S＝S-{d},R＝R+{d} (15)

且

p_r＝p_r+p_d (16)

使得算法最终消除的粒子具有公平性，使剩余粒子群与之前相比仍具有相同代表性；

如果确定了最大重复次数，则优化过程将停止；否则，当前填充将替换之前的填充，返回到在粒子群中利用轮盘转法选出粒子领导者。

进一步的，对于多目标粒子群算法，考虑具有隶属度函数的模糊决策函数，在该函数中确定变量的确切数目；选择最佳的交互式解决方案；

利用公式(17)来进行计算，

表示帕累托最优响应k中目标函数i的最优量，其计算公式如下：

其中，f_i ^max和f_i ^min分别是目标函数i的上限和下限；

在0-1的范围内，使得

表示与设计者的目标的不相容性，而

表示完全的兼容性。

一种需求侧综合柔性负荷调控优化***，该***包括预处理模块、选择粒子领导者模块、优化模块；预处理模块，用于对收集到的历史数据进行预处理；选择粒子领导者模块，用于在粒子群中利用轮盘转法选出粒子领导者，并基于粒子领导者更新粒子速度和最佳位置；优化模块，用于将多目标粒子群算法和同步回代消除算法相结合，得到最佳方案。

进一步的，预处理模块，通过收集历史数据，对所收集数据进行预处理，清理异常数据；针对于冷热电气目标函数，对于约束条件，采取公式(1)进行优化，进而保证等式约束和不等式同时优化的条件：

Min F(X)＝[f₁(X)f₂(X)...f_n(X)]^T

其中F(X)是包含目标函数的向量，X是包含优化变量的向量，f_i(x)是目标函数ith；g_i(x)和h_i(x)是相等和不平等的约束；n是目标函数的数量；对于多目标优化问题，X或Y解决方案是两个可能的解决方案之一；一个将主导另一个，或者没有一个将被其他任何解决方案所主导；在一个优化问题中，如果满足以下两个条件，则一个解决方案X将主导Y：

j、k表示变量编号，f_j、f_k表示变量的目标函数，通过搜索空间上的非支配解来获得帕累托集解；最后，从档案中存储的非主导解决方案中获得答案。

进一步的，选择粒子领导者模块，探索的搜索空间被分成相等的部分，并且概率分布被分配到每个部分，使用轮盘赌法选择最佳粒子作为粒子领导者；当归档的成员数目超过了确定的容量，则删除多余粒子；在删除多余粒子过程中，采用同步回代消除算法；

对于同步回代消除算法，要求S＝S-{d},R＝R+{d}，且p_r＝p_r+p_d得到满足，在获得初始粒子后，对每一个粒子指定一个发生的概率P_s(p_s＞0)，且所有粒子概率之和相加为1，每个粒子发生的概率指定为1/N；集合S表示初始的粒子， d表示粒子索引，集合R表示需消除的粒子，Pr表示粒子r的概率，Pd表示粒子索引d的概率；

为了更新最佳位置，会将粒子的新位置与其先前位置进行比较

其中，P_best，i(t+1)、P_best，i(t)、X_i(t+1)表示粒子最佳位置、粒子原来的位置、粒子的新位置；

同步回代消除算法的首先要计算每对粒子的距离

D_s,s′＝D(ζ_s,ζ_s′) (12)

其中，D_s,s′为粒子s和s′的距离，D(ζ_s,ζ_s′)为粒子s和s′之间的向量范数；

然后找出与每个粒子k距离最短的粒子r，

D_k(r)＝minD_ks′,k∈S,s′∈S,k≠s′ (13)

接着从k中找出粒子索引d，使得

P_d＝minP_k,k∈S (14)

P_k表示粒子k的概率，

最后在运算中必须保证

S＝S-{d},R＝R+{d} (15)

且

p_r＝p_r+p_d (16)

使得算法最终消除的粒子具有公平性，使剩余粒子群与之前相比仍具有相同代表性。

进一步的，优化模块，对于多目标粒子群算法，考虑具有隶属度函数的模糊决策函数，在该函数中确定变量的确切数目；利用如下公式来进行计算，

表示帕累托最优响应k中目标函数i的最优量，其计算公式如下：

其中，f_i ^max和f_i ^min分别是目标函数i的上限和下限；

在0-1的范围内，使得

表示与设计者的目标的不相容性，而

表示完全的兼容性。

优点及效果：

本发明具有以下优点和有益效果：

(1)对于多储能装置的结合使用，目前的主要问题在于冷热电气之间常伴有目标函数相互冲突的问题，本发明，将多目标模型采用多目标粒子群优化算法代入冷热电气中，使得冷热电气目标函数相冲突的问题得已解决，如本来举例的蓄热式电锅炉以及蓄冷空调。同时，针对于多粒子群优化方法可能存在的计算粒子多于预期所设粒子数目的情况，对于这种删除多于多余粒子的情况，本发明用同步回代消除算法与MOSPO算法结合，利用同步回代消除算法，保持了删除粒子时，粒子群的原有特性，使计算结果不会发生偏差，保持了算法的严谨性。

(2)对于现有的IDR模式，单一的储能装置研究对于解决现有问题有着不足，本发明使多种储能装置有机结合成为可能，使得IDR进一步发展提供了新鲜思路与方法，对于消纳新能源，削峰填谷有着重要意义，本发明使冷热电气相互结合，进而达到比二者单独消纳作用更有效的消纳作用，这对于单一储能装置的发展也有着促进作用，如对于单一储能装置，我们可思考是否有着可与它相互配合使用的另一种储能装置，进而通过本发明来提高消纳效果，总而言之，本发明对于IDR***的发展有着促进其发展的作用。

综上所述，本发明首次将MOSPO算法与同步回代消除算法相结合，使得算法更加严谨准确，同时首次将MOSPO算法应用到冷热电气结合问题上，提出了解决多种储能技术相结合会互相冲突的问题，将会对IDR***的进一步发展提供可能性与新思路。

附图说明

图1是IDR应用示意图；

图2是MOSPO流程图；

图3是同步回代消除算法流程图。

具体实施方式

本发明针对现有技术，以蓄热式电锅炉和蓄冷空调为例，将“冷热电气”相结合，共同调节柔性负荷。并在此基础上，提出MOSPO和同步回代消除算法相结合的算法用于计算多种储能技术相结合的问题。可解决多种技术目标函数可能冲突的问题，提高调控效率。

下面结合附图对本发明做进一步的说明：

如图1所示，为IDR应用示意图。

该应用示意图阐述了IDR应用的基本原理，IDR是一种将储能技术与电能相互转化，将储能技术耦合后，通过各负荷之间的相互调节，来实现对电网的控制，其本质是实现能源资源最大化利用的运行模式，以相对低廉的成本确保能源***安全、经济运行，提升能源利用效率和用能满意度，推进形成竞争公平、价格合理的能源市场。而目前的研究中大多只利用单一储能装置，在本发明中，利用两种储能技术，其中蓄热式电锅炉来实现电热部分，蓄冷空调来实现电冷部分完成冷热电气结合，通过MOSPO和同步回代消除算法结合来实现热负荷和冷负荷之间的协调行为，进而找出资源最大利用化的运行模式。

本发明考虑以蓄热式电锅炉和蓄冷空调为例，将“冷热电气”相结合，共同调节柔性负荷。并在此基础上，提出MOSPO和同步回代消除算法相结合的算法用于计算多种储能技术相结合的问题。可解决多种技术目标函数可能冲突的问题，提高调控效率。

本发明针对于需求侧综合柔性负荷调控过程中，由于综合侧需求存在多样性，“冷热电气”具有其各自特性，对于负荷消纳调控可能具有冲突，为了解决这种冲突问题，多目标模型采用多目标粒子群优化算法即(multi-objective partical swarm optimization,MOSPO)与同步回代消除算法相结合，并将其冷热电气目标函数带入其中与之联系，进而通过结合算法，得出调控关系的需求侧综合柔性负荷调控的优化方法。本发明提出的多目标模型采用多目标粒子群优化算法与同步回代消除法相结合的算法。

本发明是一种将目标函数代入，同时将等式约束和不等式约束同时优化，这项研究中，帕累托优化的概念被应用于PSO算法的基本原理(开发了多目标粒子群优化算法)，通过MOPSO算法与同步回代消除算法计算出搜索空间上的非支配解(所需答案)来获得帕累托集解。最后，从档案中存储的非主导解决方案中获得答案。

一种需求侧综合柔性负荷调控优化方法，该方法包括：

步骤1，对收集到的历史数据进行预处理。

定义输入数据；通过收集历史数据，对所收集数据进行预处理，清理异常数据；这些数据与智能微电网技术规范相关，包括冷热电气的各自的运营成本，消纳能力的目标函数，风电机组被预测的发电能力，其约束条件等，此外，数据包括风速的平均值和方差，以及每日负荷曲线等。

本方法侧重于分析和提取有关蓄热式电锅炉和蓄冷空调各自的消纳能力以及各种参数数据，因为多目标优化问题包括多个冲突的目标函数，因此等式约束和不等式必须同时优化。针对于冷热电气目标函数中的蓄热式电锅炉和蓄冷空调相互冲突的目标函数，对于约束条件，采取公式(1)进行优化，进而保证等式约束和不等式同时优化的条件：

Min F(X)＝[f₁(X)f₂(X)...f_n(X)]^T

其中F(X)是包含目标函数的向量，X是包含优化变量的向量，f_i(x)是目标函数ith；g_i(x)和h_i(x)是相等和不平等的约束；n是目标函数的数量；对于多目标优化问题，X或Y解决方案是两个可能的解决方案之一；一个将主导另一个，或者没有一个将被其他任何解决方案所主导；在一个优化问题中，如果满足以下两个条件，则一个解决方案X将主导Y：

j、k表示变量编号，f_j、f_k表示变量的目标函数，

通过搜索空间上的非支配解(所需答案)来获得帕累托集解；最后，从档案中存储的非主导解决方案中获得答案。

步骤2，在粒子群中利用轮盘转法选出粒子领导者，并基于领导粒子更新粒子速度和最佳位置。

根据预处理后的数据，从瑞利模型风能***输出功率的概率密度函数即公式(9)中获取风能的量；

采用风力涡轮机将风能转换为电能；风力涡轮机的输出功率取决于参数，例如风力可用性，风速，风力涡轮机的功率曲线以及涡轮机的形状和大小。基于可用的历史数据开发概率模型；由于风速是随机变量，根据风速行为，瑞利分布用于模拟风；瑞利分布是威布尔分布的特殊形式，其中形状指数等于2；假设α_w作为尺度参数，和β_w＝2作为形状参数，概率密度和累积分布函数如下：

若V_m被认为是一个特定站点的平均风速，尺度参数给出：

Г表示gamma函数，г(x)＝∫e^(-t)×t^(x-1)dt,下限为0，上限为+∞；

在取代的情况下，α_w在概率密度函数(PDF)和累积分布函数(CDF)，瑞利模型风能***(WES)将被作为平均风速的函数根据下列式子获得；图2展示了概率密度和累积分布函数的样本：

Vm表示特点站点的平均风速；

对于特定的瑞利模型风能***，输出功率的特性是清晰的：

其中V_ci，V_r，V_co和V_wind分别是风力涡轮机的切入速度，额定转速，截止速度和实际速度，P_R是涡轮机的额定功率；在本实施例中使用的风力涡轮机是 AIR403的类型，在这里，P_R＝15KW，V_ci＝3.5m/s，V_co＝18m/s，V_r＝17.5m/s。

在本发明中，可以使用等式获得瑞利模型风能***输出功率的概率密度函数f_Pw(P_w)；获得风能公式为：

其中，Pw表示输出功率，Fv(Vco)、Fv(Vci)、Vm、V_r、P_R表示风力涡轮机的截止速度的概率密度、切入速度的概率密度、特点站点的平均风速、涡轮机的额定转速、涡轮机的额定功率；

产生初始种群为X^T＝[X₁,X₂,...,X_T]；

根据

或

其中，f₁(x)、f₂(x)表示运营成本函数、污染排放函数，F^Cost、F^Emission(t) 表示运营成本、污染排放量，Emi_DG、Emi_Grid(t)、Pr_s、UOC_s、COC(t)分别表示可再生DG单元造成的平均污染、由电网引起的污染、s场景的概率、不确定的操作成本、确定的操作成本。

将电力调度算法应用于所生成的人口与适应度函数的计算。

确定非主导解决方案。

分离非主导解决方案并将其存储在档案中。

从非主导响应档案中选择最佳粒子作为领导者。

选择领导者的过程：探索的搜索空间被分成相等的部分，并且概率分布被分配到每个部分，使用轮盘赌法选择最佳粒子作为领导者。

为每个粒子更新新的速度和位置。

为每个粒子更新最佳位置。

为了更新最佳位置，会将粒子的新位置与其先前位置进行比较

其中，P_best，i(t+1)、P_best，i(t)、X_i(t+1)表示粒子最佳位置、粒子原来的位置、粒子的新位置。

将当前非主要解决方案添加到存档中；

从档案中删除主导解决方案；

如果归档中的成员数超过了确定的容量，则将删除多余的成员；在删除多余的成员时，本发明采用了同步回代消除算法来实现，即MOSPO与同步回代消除算法的结合。

如图2所示，首先对数据进行预处理，包括清理异常数据，修复错误数据，对数据去噪，最终形成可以用于负荷预测的样本数据集。然后运用公式与风轮机参数，计算出风能发电能力，建立模型。将数据代入，初始化粒子群算法的粒子，产生初始种群。通过计算目标，确定出两种方案中的非主导方案，并将非主导方案分离并保存在存储库中，之后，将一个粒子划分相同概率，利用轮盘赌法确定粒子领导者，为每一个粒子和粒子选择引线，为粒子更新新的速度和位置，并根据方程更新每个粒子的最佳位置。将非主导方案添加到存储库中并删除主导方案，判断此时粒子数目，若粒子数量多于预期数目，则应用同步回代消除算法将多余粒子进行删除，在此过程中计算出每对粒子的距离，对于每个粒子k，找出与粒子k距离最短的粒子r，

从k中找出粒子索引d，使d的概率等于粒子k的最小概率，重复该过程直至剩余的场景数满足要求为止。在获得初始粒子后，对每一个粒子指定一个发生的概率且所有粒子概率之和为一，每个粒子发生的概率指定为1/N。注意要保证剩余的粒子发生的概率之和等于消除前粒子发生概率之和，消除的粒子的概率为0。当粒子数目符合要求时，MOSPO算法继续，选择最佳的交互式解决方案。

如图3所示，该流程图阐述了同步回代消除算法的框架流程，当MOSPO 算法计算出相应粒子群并粒子群数目多于预期要求数目时，同步回代消除算法便开始工作，对于输入算法的初始粒子，首先将每个粒子都赋予其指定的概率，在这里我们需要注意确保每一个粒子的概率都是1/N，如果不是，则需重新赋予指定概率，当赋予概率完成之后，首先需要计算每对粒子之间的距离，然后对于每一个粒子k，我们都需要找到与它距离最近的粒子r，然后对二粒子之间的概率进行计算，从k中找到相对应的粒子索引d，使得粒子索引d的概率与k 概率的最小值相等。接下来重复这个过程，直到剩余的粒子数目满足我们预先设计好的要求为止，在该算法中，我们要注意的是，一定要保证剩余的粒子发生的概率之和等于消除前粒子发生概率的和，即消除的粒子概率为0，这样才能保证在删除多余粒子过程中，我们保持了原有粒子群的特性，才能使MOSPO 与同步回代消除算法的结合有意义，针对这个问题，我们可以通过式子且来进行保证。

对于同步回代消除算法，包括以下步骤：

要求S＝S-{d},R＝R+{d}，且p_r＝p_r+p_d，得到满足，在获得初始粒子后，对每一个粒子指定一个发生的概率P_s(p_s＞0)，且所有粒子概率之和相加为1，每个粒子发生的概率指定为1/N；其中，集合S表示初始的粒子，d表示粒子索引，集合R表示需消除的粒子，Pr表示粒子r的概率，Pd表示粒子索引d的概率。

在本步骤中重点是要保证剩余的粒子发生的概率之和等于消除前粒子发生概率之和，使得消除的粒子的概率为0。

基于此，本发明提出的将MOSPO与同步回代消除算法结合可以保证删除多余粒子时，不会时粒子群们失去代表性，即保证了粒子群的公平性，大大减少了由于随机删除导致粒子群随机性增加，导致运算结果失去偏差的可能。

采用MOSPO算法解决冷热电气相结合时目标函数相互冲突的问题，利用同步回代消除算法来使MOSPO算法更加精确，二者的有机结合将会使IDR的应用带来新的思路，为少有研究的多储能装置结合带来新的想法，传统的IDR 方法只讨论单一的储能装置，而本发明则兼顾了多种储能方式的结合，使IDR 应用打破了原有的局限性。

同步回代消除算法的首先要计算每对粒子的距离

D_s,s′(r)＝D(ζ_s,ζ_s′) (12)

其中，D_s,s′为粒子s和s′的距离，D(ζ_s,ζ_s′)为粒子s和s′之间的向量范数。然后找出与每个粒子k距离最短的粒子r，

D_k(r)＝minD_ks′,k∈S,s′∈S,k≠s′ (13)

接着从k中找出粒子索引d，使得

P_d＝minP_k,k∈S (14)

Pd表示粒子索引d的概率，Pk表示粒子k的概率。

最后在运算中必须保证

S＝S-{d},R＝R+{d} (15)

且

p_r＝p_r+p_d (16)

使得算法最终消除的粒子具有公平性，使剩余粒子群与之前相比仍具有相同代表性。

评估程序终止的标准；

如果确定了最大重复次数，则优化过程将停止；否则，当前填充将替换之前的填充，算法将返回到步骤2。

步骤3，将MOSPO算法和同步回代消除算法相结合，得到最佳方案。

选择最佳的交互式解决方案。

为了从获得的最佳响应中选择一个更好的解决方案，考虑了具有隶属度函数的模糊决策函数，在该函数中可以确定变量的确切数目。其中，m k i表示帕累托最优响应k中目标函数i的最优量，其计算公式如下：

对于MOSPO算法，考虑具有隶属度函数的模糊决策函数，在该函数中确定变量的确切数目；

而对于MOSPO算法，在最终选择交互式解决方案时，有以下几点要求需要注意

为了从获得的最佳响应中选择一个更好的解决方案，需要考虑具有隶属度函数的模糊决策函数，在该函数中可以确定变量的确切数目。因此我们可利用如下式子来进行计算。

为了从获得的最佳响应中选择一个更好的解决方案，考虑了具有隶属度函数的模糊决策函数，在该函数中可以确定变量的确切数目。利用如下公式来进行计算，

表示帕累托最优响应k中目标函数i的最优量，其计算公式如下：

其中，f_i ^max和f_i ^min分别是目标函数i的上限和下限；在提出的方法中，这些值是使用每个目标函数的优化结果来计算的。

在0-1的范围内，使得

表示与设计者的目标的不相容性，而

表示完全的兼容性。

一种需求侧综合柔性负荷调控优化***，该***包括预处理模块、选择粒子领导者模块、优化模块；

预处理模块，用于对收集到的历史数据进行预处理；

选择粒子领导者模块，用于在粒子群中利用轮盘转法选出粒子领导者，并基于粒子领导者更新粒子速度和最佳位置；

优化模块，用于将MOSPO算法和同步回代消除算法相结合，得到最佳方案。

预处理模块，通过收集历史数据，对所收集数据进行预处理，清理异常数据；

针对于冷热电气目标函数中采用蓄热式电锅炉和蓄冷空调相互冲突的目标函数，对于约束条件，采取公式(1)进行优化，进而保证等式约束和不等式同时优化的条件：

Min F(X)＝[f₁(X)f₂(X)...f_n(X)]^T

其中F(X)是包含目标函数的向量，X是包含优化变量的向量，f_i(x)是目标函数ith；g_i(x)和h_i(x)是相等和不平等的约束；n是目标函数的数量；对于多目标优化问题，X或Y解决方案是两个可能的解决方案之一；一个将主导另一个，或者没有一个将被其他任何解决方案所主导；在一个优化问题中，如果满足以下两个条件，则一个解决方案X将主导Y：

j、k表示变量编号，f_j、f_k表示变量的目标函数，通过搜索空间上的非支配解(所需答案)来获得帕累托集解；最后，从档案中存储的非主导解决方案中获得答案。

选择粒子领导者模块，探索的搜索空间被分成相等的部分，并且概率分布被分配到每个部分，使用轮盘赌法选择最佳粒子作为粒子领导者；

当归档的成员数目超过了确定的容量，则删除多余粒子；在删除多余粒子过程中，采用同步回代消除算法；

对于同步回代消除算法，要求S＝S-{d},R＝R+{d}，且p_r＝p_r+p_d，得到满足，在获得初始粒子后，对每一个粒子指定一个发生的概率P_s(p_s＞0)，且所有粒子概率之和相加为1，每个粒子发生的概率指定为1/N；集合S表示初始的粒子，d 表示粒子索引，集合R表示需消除的粒子，Pr表示粒子r的概率，Pd表示粒子索引d的概率。

同步回代消除算法的首先要计算每对粒子的距离

D_s,s′(r)＝D(ζ_s,ζ_s′) (12)

其中，D_s,s′为粒子s和s′的距离，D(ζ_s,ζ_s′)为粒子s和s′之间的向量范数。然后找出与每个粒子k距离最短的粒子r，

D_k(r)＝minD_ks′,k∈S,s′∈S,k≠s′ (13)

接着从k中找出粒子索引d，使得

P_d＝minP_k,k∈S (14)

Pk表示粒子k的概率，

最后在运算中必须保证

S＝S-{d},R＝R+{d} (15)

且

p_r＝p_r+p_d (16)

使得算法最终消除的粒子具有公平性，使剩余粒子群与之前相比仍具有相同代表性。

优化模块，对于MOSPO算法，考虑具有隶属度函数的模糊决策函数，在该函数中确定变量的确切数目；

利用如下公式来进行计算，

表示帕累托最优响应k中目标函数i的最优量，其计算公式如下：

其中，f_i ^max和f_i ^min分别是目标函数i的上限和下限；

在0-1的范围内，使得

表示与设计者的目标的不相容性，而

表示完全的兼容性。

应当理解的是，以上的描述与后文的结合附图描述均是示范性的，而非限制性的。本发明的技术特征并不局限于此，任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。

Claims (5)

1.一种需求侧综合柔性负荷调控优化方法，其特征在于：该方法包括：

步骤1，对收集到的历史数据进行预处理；

步骤2，在粒子群中利用轮盘转法选出粒子领导者，并基于粒子领导者更新粒子速度和最佳位置；

步骤3，将多目标粒子群算法和同步回代消除算法相结合，得到需求侧综合柔性负荷调控最佳方案；

通过收集历史数据，对所收集数据进行预处理，清理异常数据；

针对于冷热电气目标函数，对于约束条件，采取公式(1)进行优化，进而保证等式约束和不等式同时优化的条件：

Min F(X)＝[f₁(X) f₂(X)...f_n(X)]^T

Subject to:

其中F(X)是包含目标函数的向量，X是包含优化变量的向量，f_i(x)是目标函数ith；g_i(x)和h_i(x)是相等和不平等的约束；n是目标函数的数量；对于多目标优化问题，X或Y解决方案是两个可能的解决方案之一；一个将主导另一个，或者没有一个将被其他任何解决方案所主导；在一个优化问题中，如果满足以下两个条件，则一个解决方案X将主导Y：

j、k表示变量编号，f_j、f_k表示变量的目标函数，

通过搜索空间上的非支配解来获得帕累托集解；最后，从档案中存储的非主导解决方案中获得答案；

选择领导者的过程：探索的搜索空间被分成相等的部分，并且概率分布被分配到每个部分，使用轮盘赌法选择最佳粒子作为领导者；

当归档的成员数目超过了确定的容量，则删除多余粒子；在删除多余粒子过程中，采用同步回代消除算法；

对于同步回代消除算法，要求S＝S-{d},R＝R+{d}，且p_r＝p_r+p_d得到满足，在获得初始粒子后，对每一个粒子指定一个发生的概率P_s(p_s＞0)，且所有粒子概率之和相加为1，每个粒子发生的概率指定为1/N；集合S表示初始的粒子，d表示粒子索引，集合R表示需消除的粒子，Pr表示粒子r的概率，Pd表示粒子索引d的概率，为了更新最佳位置，会将粒子的新位置与其先前位置进行比较；

其中，P_best，i(t+1)、P_best，i(t)、X_i(t+1)表示粒子最佳位置、粒子原来的位置、粒子的新位置；

同步回代消除算法的首先要计算每对粒子的距离

D_s,s′(r)＝D(ζ_s,ζ_s′) (12)

其中，D_s,s′为粒子s和s′的距离，D(ζ_s,ζ_s′)为粒子s和s′之间的向量范数；

然后找出与每个粒子k距离最短的粒子r，

D_k(r)＝minD_ks′,k∈S,s′∈S,k≠s′ (13)

接着从k中找出粒子索引d，使得

P_d＝minP_k,k∈S (14)

Pd表示表示粒子索引d的概率，Pk表示粒子k的概率，

最后在运算中必须保证

S＝S-{d},R＝R+{d} (15)

且

p_r＝p_r+p_d (16)

使得算法最终消除的粒子具有公平性，使剩余粒子群与之前相比仍具有相同代表性；

如果确定了最大重复次数，则优化过程将停止；否则，当前填充将替换之前的填充，返回到在粒子群中利用轮盘转法选出粒子领导者。

2.根据权利要求1所述的一种需求侧综合柔性负荷调控优化方法，其特征在于：根据预处理后的数据，利用瑞利模型风能***输出功率的概率密度函数获取风能的量；

采用风力涡轮机将风能转换为电能；风力涡轮机的输出功率取决于参数，基于可用的历史数据信息开发概率模型；由于风速是随机变量，根据风速行为，瑞利分布用于模拟风；瑞利分布是威布尔分布的特殊形式，其中形状指数等于2；假设α_w作为尺度参数，和β_w＝2作为形状参数，概率密度和累积分布函数如下：

当V_m被认为是一个特定站点的平均风速，尺度参数给出：

Г表示gamma函数，г(x)＝∫e^(-t)×t^(x-1)dt,下限为0，上限为+∞；

在概率密度函数和累积分布函数中取代α_w的情况下，瑞利模型风能***将被作为平均风速的函数根据下列式子获得；

概率密度和累积分布函数的样本；

Vm表示特点站点的平均风速；

对于特定的瑞利模型风能***，输出功率的特性是清晰的：

其中V_ci，V_r，V_co和V_wind分别是风力涡轮机的切入速度，额定转速，截止速度和实际速度，P_R是涡轮机的额定功率；

使用等式获得瑞利模型风能***输出功率的概率密度函数f_Pw(P_w)；获得风能公式为：

其中，Pw表示输出功率，Fv(Vco)、Fv(Vci)、Vm、V_r、P_R表示风力涡轮机的截止速度的概率密度、切入速度的概率密度、特点站点的平均风速、涡轮机的额定转速、涡轮机的额定功率；

产生初始种群为X^T＝[X₁,X₂,...,X_T]；

根据

或

其中，f₁(X)、f₂(X)表示运营成本函数、污染排放函数，F^Cost、F^Emission(t)表示运营成本、污染排放量，Emi_DG、Emi_Grid(t)、Pr_s、UOC_s、COC(t)分别表示可再生DG单元造成的平均污染、由电网引起的污染、s场景的概率、不确定的操作成本、确定的操作成本；

将电力调度算法应用于所生成的人口与适应度函数的计算。

3.根据权利要求1所述的一种需求侧综合柔性负荷调控优化方法，其特征在于：对于多目标粒子群算法，考虑具有隶属度函数的模糊决策函数，在该函数中确定变量的确切数目；选择最佳的交互式解决方案；

利用如下公式来进行计算，

表示帕累托最优响应k中目标函数i的最优量，其计算公式如下：

其中，

和

分别是目标函数i的上限和下限；

在0-1的范围内，使得

表示与设计者的目标的不相容性，而

表示完全的兼容性。

4.一种需求侧综合柔性负荷调控优化***，其特征在于：该***包括预处理模块、选择粒子领导者模块、优化模块；

预处理模块，用于对收集到的历史数据进行预处理；

选择粒子领导者模块，用于在粒子群中利用轮盘转法选出粒子领导者，并基于粒子领导者更新粒子速度和最佳位置；

优化模块，用于将多目标粒子群算法和同步回代消除算法相结合，得到需求侧综合柔性负荷调控最佳方案；

预处理模块，通过收集历史数据，对所收集数据进行预处理，清理异常数据；

针对于冷热电气目标函数，对于约束条件，采取公式(1)进行优化，进而保证等式约束和不等式同时优化的条件：

Min F(X)＝[f₁(X) f₂(X)...f_n(X)]^T

Subject to:

其中F(X)是包含目标函数的向量，X是包含优化变量的向量，f_i(x)是目标函数ith；g_i(x)和h_i(x)是相等和不平等的约束；n是目标函数的数量；对于多目标优化问题，X或Y解决方案是两个可能的解决方案之一；一个将主导另一个，或者没有一个将被其他任何解决方案所主导；在一个优化问题中，如果满足以下两个条件，则一个解决方案X将主导Y：

j、k表示变量编号，f_j、f_k表示变量的目标函数，通过搜索空间上的非支配解来获得帕累托集解；最后，从档案中存储的非主导解决方案中获得答案；

选择粒子领导者模块，探索的搜索空间被分成相等的部分，并且概率分布被分配到每个部分，使用轮盘赌法选择最佳粒子作为粒子领导者；

当归档的成员数目超过了确定的容量，则删除多余粒子；在删除多余粒子过程中，采用同步回代消除算法；

对于同步回代消除算法，要求S＝S-{d},R＝R+{d}，且p_r＝p_r+p_d得到满足，在获得初始粒子后，对每一个粒子指定一个发生的概率P_s(p_s＞0)，且所有粒子概率之和相加为1，每个粒子发生的概率指定为1/N；集合S表示初始的粒子，d表示粒子索引，集合R表示需消除的粒子，Pr表示粒子r的概率，Pd表示粒子索引d的概率；

为了更新最佳位置，会将粒子的新位置与其先前位置进行比较

其中，P_best，i(t+1)、P_best，i(t)、X_i(t+1)表示粒子最佳位置、粒子原来的位置、粒子的新位置；

同步回代消除算法的首先要计算每对粒子的距离

D_s,s′＝D(ζ_s,ζ_s′) (12)

其中，D_s,s′为粒子s和s′的距离，D(ζ_s,ζ_s′)为粒子s和s′之间的向量范数；

然后找出与每个粒子k距离最短的粒子r，

D_k(r)＝minD_ks′,k∈S,s′∈S,k≠s′ (13)

接着从k中找出粒子索引d，使得

P_d＝minP_k,k∈S (14)

P_k表示粒子k的概率，

最后在运算中必须保证

S＝S-{d},R＝R+{d} (15)

且

p_r＝p_r+p_d (16)

使得算法最终消除的粒子具有公平性，使剩余粒子群与之前相比仍具有相同代表性。

5.根据权利要求4所述的一种需求侧综合柔性负荷调控优化***，其特征在于：优化模块，

对于多目标粒子群算法，考虑具有隶属度函数的模糊决策函数，在该函数中确定变量的确切数目；

利用如下公式来进行计算，

表示帕累托最优响应k中目标函数i的最优量，其计算公式如下：

其中，

和

分别是目标函数i的上限和下限；

在0-1的范围内，使得

表示与设计者的目标的不相容性，而

表示完全的兼容性。

Images