CN113258561A - 一种基于多属性决策的多种分布式电源的微电网多目标优化调度方法 - Google Patents

Abstract

本发明是一种基于多属性决策的多种分布式电源的微电网多目标优化调度方法，针对包含多种分布式电源的微电网***，建立了运行成本最低、污染排放最少、亏电率最低的多目标微电网优化调度模型，采用基于罚函数的粒子群算法以不同的目标进行分别寻优，多次优化后获取候选解集，采用多属性决策方法对候选解集进行综合评估分析，使用层次分析法分析各目标权重，对各目标函数在其对应的评价等级上进行置信度分析，使用证据融合和效用值分析获取效用值最大的方案即最优解，所得方案兼顾客观性和合理性，提高可再生能源的利用率降低***运行成本。

Description

一种基于多属性决策的多种分布式电源的微电网多目标优化 调度方法

技术领域

本发明属于微电网优化技术领域，尤其涉及微电网分布式多目标优化调度控制方法。

背景技术

随着环境问题和能源危机的日益加剧，当前社会迫切需要改变能源结构，使用可再生清洁能源代替不可再生能源。微电网技术在这样的背景下应运而生。微电网技术不仅可以发挥以风、光为代表的新能源清洁发电的优势，还可以有效减少新能源间歇性、波动性给大电网带来的不利影响。采用合理的调度可以有效提高分布式电源利用率，在保证***稳定性的同时减少微电网运行的经济成本和环境成本。由于分布式电源的设备种类繁多且设备的特性不相同，微电网优化调度逐渐由从前的单一化目标转变为多目标多约束的非线性规划问题。

目前针对微电网的多目标优化调度通常由改进的智能算法进行分析，然而微电网调度各子目标之间往往相互约束，改善一个子目标可能会影响另一个甚至另几个子目标的性能，微电网多目标优化调度最终只能选择一种方案进行决策。针对上述问题对智能算法分析后的获取的各方案进行合理的评估，在候选方案中挑选唯一且合适的调度决策方案就成调度方法中重要的部分。

发明内容

本发明的主要目的是解决目前技术背景的存在的问题，提出一种基于多属性决策的微电网多目标优化调度方法，通过本发明的方法考虑不同目标存在差异的客观事实兼顾看评价的客观性，所得方案更加合理有效，有效提升微电网对可再生能源的消纳水平，提高微电网***的安全稳定性能。

基于上述目的，本发明主要采取以下技术方案：一种基于多属性决策的微电网多目标优化调度方法，主要包括以下步骤：

步骤1：根据微电网的结构和各分布式电源的特性进行微电网优化建模，确立以微电网经济成本最低、污染气体排放最少、亏电率最低的各目标函数，构建***目标的约束条件，研究对象为并网运行状态的微电网，采用动态优化，分为24个时段，每个时段为1小时；

步骤2：根据决策者指令采用基于罚函数的粒子群算法分别对目标函数进行多次优化，取每次优化结果的最优解作为候选解集，获取多个候选方案；

步骤3：采用多属性决策理论对获取的候选目标方案中各目标函数值进行评估，运用证据推理法进行证据融合，再采用效用评估选出效用值最大的候选方案作为最终解。

进一步，所述步骤1中微电网***主要由光伏发电***、风力发电***、蓄电池、燃料电池、和控制中心组成，获取当地日典型光伏出力、风电出力和负荷数据作为***预测数据，***运行参数参考当地电价、排污治理费用以及各分布式电源的***参数；

***的微电网经济成本最低的目标函数为

mine₁＝F₁+F₂+F₃

主要考虑F₁从电网购电费用、F₂燃料电池燃料成本和F₃分布式电源的运行维护成本；

污染气体排放最少的目标函数为：

mine₂＝g_FcW_FC+g_GW_G

g_Fc和g_G分别为燃料电池FC和电网污染气体排放系数,W_FC和W_G分别是燃料电池FC的污染气体排放量与电网污染气体排放量；

亏电率最低的目标函数为：

LPSP为微电网仅靠内部电源供电时的电能亏欠量与负荷需求量的比值，反映了微电网在电网故障时保障供电的能力，E_LPS为电能亏欠量，P_L为负荷总需求电量；

分布式电源包括光伏阵列、风力发电机、蓄电池和燃料电池等设备。***的约束条件包括：

1)功率平衡约束：

2)联络线约束：

3)发电机组容量限制约束：

4)储能单元存储容量约束：SOC_min≤SOC(t)≤SOC_max

5)充放平衡约束：T_out＝T_in≤T_max

式中，N为发电机组的类型；P_DG,i是发电机组类型i的输出功率；P_DN是与电网之间的能量交换，规定售电时为负值，购电时为正值；P_L为负载需求量；P_G是联络线的输出功率；

和

分别是联络线的最小安全功率输出与最大安全功率输出；P_DG.i是发电机组i的输出功率；

和

分别是发电机组i的最小安全功率输出与最大安全功率输出；T_out是储能装置在一天中放电的时间；T_in是储能装置在一天中充电的时间；T_max是储能装置的最大充放电时间。

进一步，所述步骤2中采用基于罚函数的粒子群算法分别以经济成本、污染排放、亏电率的目标函数进行优化，多次优化后选取优化结果最优解作为候选解集；对基于罚函数的粒子群算法的罚函数以及控制参数进行设置，主要包括粒子群算法的粒子数、迭代数和罚函数因子；根据不同目标函数优化的条件，将约束条件通过组合而成“惩罚”项，加载在原来的目标函数上迫使迭代点逼近可行域，可有效处理带有约束的优化问题；罚函数的构成公式为：

式中，F(x,M)为罚函数；f(x)为目标函数；M为惩罚因子；Mp(x)为罚项；g_i(x)为约束条件；

对微电网优化调度***中蓄电池、燃料电池、配电网出力进行编码，生成随机初始种群，通过粒子群算法优化获取满足约束条件和罚函数条件的个体及全局最优方案。

进一步，所述步骤3中是对多目标优化智能算法获取的候选方案解集采取多属性决策理论对获取的候选目标方案中各目标函数值进行优劣的排序、效用值的评估，挑选最合理有效的方案；确定评价指标集合为E＝{e₁,e₂,e₃…,e_L}，评价等级集合为H＝{H₁,H₂,H_3,…,H_D}，候选方案解集为A＝{a₁,a₂,a_3,…,a_M}；L为评价指标集，D为评价等级个数，M位候选方案个数；

将每个候选解集中的不同目标函数在其对应不同评价等级上进行置信度评估，得到置信度表达式如下：

S(e_i(a_j))＝{(H_n,β_n,i(a_j)),n＝1,2,…,N,i＝1,2,…,M}

式中，a_j为第j个候选解集；β_n,i(a_j)为a_j在第i个评价指标以及第n个评价等级上的置信度；

采用证据融合推理最后可得候选方案在各个评价等级的置信度集合

S(a_j)＝{(H_n,β_n(a_j)),(n＝1,2,…,N)}

证据融合推理的结果只能得到每个候选方案在各评价等级上的信任度，不能直观判断候选解集优劣，再运用效用评估将置信度分布映射为效用值：

式中，u(a_j)表示方案a_j的效用值；

选取所有方案中效用值最大的方案为微电网多目标优化调度的最终方案，用于未来一天微电网优化调度运行的指导决策。

本发明的有益效果是：本发明以微电网的运行的经济成本最少、污染气体排放最少、亏电率最低为目标建立微电网多目标数学模型，采用多属性决策理论结合罚函数粒子群算法求解模型得到微电网多目标优化调度最优方案，有效解决一个目标变化引起多个目标性能变化导致***无法达到全局最优的问题，为多种分布式电源的微电网优化调度提供科学决策理论依据和技术支撑，有利于提高微电网对可再生能源的消纳能力和微电网运行的经济性。

附图说明

图1本发明总体方案流程图；

图2罚函数粒子群算法流程图；

图3本发明证据融合示意图。

具体实施方式

本发明采用了多属性决策法结合罚函数的粒子群算法来对模型进行求解获取最优运行方案，主要包括以下步骤：。

步骤1：确立多种分布式电源的微电网优化调度目标函数及约束条件：

1、目标函数

1)***运行成本最小的目标函数为：

mine₁＝F₁+F₂+F₃

式中F₁从电网购电费用、F₂燃料电池燃料消耗成本、F₃分布式电源的运行维护成本；P_G(t)为第t个调度时段微电网与主网联络线上的平均功率；微电网向主网购电时为正值，售电时为负值；Δt表示调度时段时长；G_Pr(t)表示第t个时段电网购、售电价；C_NG为燃气价格；Q_LHV为天然气低热值；P_FC(t)为第t个时段燃料电池FC的平均输出功率；η_Fc(t)为第t个时段燃料电池FC的效率；为N_DG为微电网内DG数；K_OM,i为第i个DG单位运行维护成本系数；P_i(t)为第i个DG在第t个调度时段输出功率；

2)***污染排放最少目标函数为：

mine₂＝g_FcW_FC+g_GW_G

式中e₂为污染气体排放量；g_Fc和g_G分别为燃料电池FC和电网污染气体排放系数；W_FC和W_G分别是燃料电池FC的污染气体排放量与电网污染气体排放量；P_FC(t)为第t个时段燃料电池FC的平均输出功率；η_Fc(t)为第t个时段燃料电池FC的效率；P_G(t)为第t个调度时段微电网与主网联络线上的平均功率。

3)***亏电率最低目标函数为：

式中，LPSP为***采用功率的亏欠率可用来表示微电网***供电的可靠性，LPSP越小供电可靠性越高；E_LPS为电能亏欠量。

2、约束条件包括：

1)功率平衡约束：

2)联络线约束：

3)发电机组容量限制约束：

4)储能单元存储容量约束：SOC_min≤SOC(t)≤SOC_max

5)充放平衡约束：T_out＝T_in≤T_max

式中，N为发电机组的类型；P_DG,i是发电机组类型i的输出功率；P_DN是与电网之间的能量交换，规定售电时为负值，购电时为正值；P_L为负载需求量；P_G是联络线的输出功率；

和

分别是联络线的最小安全功率输出与最大安全功率输出；P_DG.i是发电机组i的输出功率；

和

分别是发电机组i的最小安全功率输出与最大安全功率输出；T_out是储能装置在一天中放电的时间；T_in是储能装置在一天中充电的时间；T_max是储能装置的最大充放电时间。

步骤2：采用基于罚函数的粒子群算法对微电网多目标优化调度模型进行仿真优化，分别以三个不同的目标为主进行多次优化仿真并选取每次优化得到的最优解作为候选方案；

设计罚函数粒子群优化算法，构造罚函数，根据选取的目标函数及约束条件，将约束函数将约束条件通过组合而成“惩罚”项，加载在原来的目标函数上迫使迭代点逼近可行域，可有效处理带有约束的优化问题。可有效提高粒子群算法的收敛精度与收敛速度。罚函数的构成公式为：

式中，F(x,M)为罚函数；f(x)为目标函数；M为惩罚因子；Mp(x)为罚项；g_i(x)为约束条件。

粒子群优化算法的迭代公式：

v_i(k+1)＝ων_i(k)+C₁r₁(p_ik-x_iD)+C₂r₂(p_gk-x_iD)

x_i(k+1)＝x_i(k)+V_i(k)

式中，ν_i(k)表示粒子当前速度；x_i(k)表示粒子当前位置；p_ik表示粒子个体极值；p_gk表示粒子全局极值；ω为粒子群速度位置更新公式的权重；C₁,C₂为学习因子；k为迭代次数，r₁和r₂是彼此之前相互独立的随机数列取值为(0,1)之间均匀分布。

图2为罚函数粒子群算法流程图，算法具体流程如下：

1、设置种群参数，主要包括粒子数目、罚函数因子、迭代数。另外确定初始的目标函数、约束条件及罚函数。

2、获取满足约束条件的初始种群位置，如果满足约束条件则将该个体作为初始位置，初始速度不变，如果不满足条件按照迭代公式进行该个体的速度位置更新，直到满足其约束条件。

3、满足约束条件的个体经过种群迭代更新每个个体的速度位置，判断新种群位置是否满足罚函数约束，如果不满足继续按照迭代公式更新个体的速度位置，直到满足罚函数约束。

4、对收敛条件进行判断，当满足最终最优值或达到最大迭代次数停止迭代，输出优化结果，否则继续迭代，转至步骤2。

对各个目标函数进行此步骤反复优化后可获得微电网多目标优化调度的候选解集。

步骤3：获取候选解集后，运用多属性决策对各候选解集分析评估。

首先根据层次分析法，兼顾客观事实与决策者意愿分析各多属性集{e₁,e₂,e₃…,e_L}相应的权重{ω₁,ω₂,ω₃…,ω_L}，并且

用来表明属性之间的相对重要性。然后对候选解集进行多属性分析，确定评价指标集合、候选集合、评价等级。评价指标集合为E＝{e₁,e₂,e₃…,e_L}，评价等级集合为H＝{H₁,H₂,H_3,…,H_D}，候选方案解集为A＝{a₁,a₂,a_3,…,a_M}。L为评价指标集，D为评价等级个数，M位候选方案个数。评价指标集合指本发明中的多目标优化函数：经济运行成本、污染气体排放、亏电率。

将每个候选解集中的不同目标函数在其对应不同评价等级上进行置信度评估，得到置信度表达式如下：

S(e_i(a_j))＝{(H_n,β_n,i(a_j)),n＝1,2,…,N,i＝1,2,…,M}

式中，a_j为第j个候选解集；β_n,i(a_j)为a_j在第i个评价指标以及第n个评价等级上的置信度。

图3为本发明证据融合示意图，将微电网多目标函数评价指标集合{e₁,e₂,e₃…,e_L}置于证据融合的底层，使用其对应权重表示各指标重要性{ω₁,ω₂,ω₃…,ω_L}，{H₁,H₂,H_3,…,H_D}作为证据融合的中层，决策者根据各候选方案的目标函数值利用置信度评估方法评估其所在的等级，置信度评估结果(H_n,β_n,i(a_j))构成证据矩阵，然而决策者很难从证据矩阵中直接判断最优解，需要对证据进行融合，过程如下：

根据置信度计算得到基本可信度m_n,i＝ω_iβ_n,i(a_j),由于决策者对微电网多目标优化调度认知存在不确定性，不确定的基本可信度表达式如下：

将前i个属性在评价等级上进行融合，可以得到总的基本信任度m_n,i

{H_n}:m_n,I(i+1)(a_j)＝K_I(i+1)(a_j)[m_n,I(i)(a_j)m_n,i+1(a_j)+m_H,I(i)(a_j)m_n,i+1(a_j)+m_n,I(i)(a_j)m_H,i+1(a_j)]

{H}:m_H,I(i+1)(a_j)＝K_I(i+1)(a_j)[m_H,I(i)(a_j)m_H,i+1(a_j)]

式中K_I(i+1)(a_j)为规模化因子用以表示各证据间的冲突程度；m_n,I(i)表示将前i个评估指标在第n个评价等级上置信度融合得到的总置信度；m_H,I(i)表示未被分配给前i个评估指标的基本可信度。

可得候选方案在评价等级集合上的集成置信度：

式中，β_n(a_j)融合后的第j个候选方案在第n个评价等级上的置信度；m_n,I(L)(a_j)表示第j个候选方案将L个评估指标在第n个评价等级上置信度融合得到的总置信度；m_H,I(L)(a_j)表示第j个候选方案未被分配给前L个评估指标的基本可信度。

最后可得候选方案在各个评价等级的置信度集合

S(a_j)＝{(H_n,β_n(a_j)),(n＝1,2,…,N)}

证据融合推理的结果只能得到每个候选方案在各评价等级上的信任度，此时还不能直观判断候选解集优劣，再运用效用评估将置信度分布映射为效用值。

式中，u(a_j)表示方案a_j的效用值。

选取所有方案中效用值最大的方案为微电网多目标优化调度的最终方案，用于未来一天微电网优化调度运行的指导决策。

本案讲使用一种基于多属性决策结合罚函数粒子群算法的方法获取多种分布式电源的微电网多目标优化调度的决策方案，通过多属性决策对有限个候选方案进行择优，层次分析法确定目标权重，在不同目标中进行多评价等级的置信度分析，再进行证据融合和效用评估，有效解决了多目标优化中目标相互影响性能的问题，使得***在稳定运行的同时达到全局目标最优。可为未来微电网多目标优化调度方案的选择提供一种科学有效的方法。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于多属性决策的微电网多目标优化调度方法，其特征在于，主要包括以下步骤：

步骤1：根据微电网的结构和各分布式电源的特性进行微电网优化建模，确立以微电网经济成本最低、污染气体排放最少、亏电率最低的各目标函数，构建***目标的约束条件，研究对象为并网运行状态的微电网，采用动态优化，分为24个时段，每个时段为1小时；

步骤2：根据决策者指令采用基于罚函数的粒子群算法分别对目标函数进行多次优化，取每次优化结果的最优解作为候选解集，获取多个候选方案；

步骤3：采用多属性决策理论对获取的候选目标方案中各目标函数值进行评估，运用证据推理法进行证据融合，再采用效用评估选出效用值最大的候选方案作为最终解。

2.根据权利要求1所述的一种基于多属性决策的微电网多目标优化调度方法，其特征在于，所述步骤1中微电网***主要由光伏发电***、风力发电***、蓄电池、燃料电池、和控制中心组成，获取当地日典型光伏出力、风电出力和负荷数据作为***预测数据，***运行参数参考当地电价、排污治理费用以及各分布式电源的***参数；

***的微电网经济成本最低的目标函数为

mine₁＝F₁+F₂+F₃

主要考虑F₁从电网购电费用、F₂燃料电池燃料成本和F₃分布式电源的运行维护成本；

污染气体排放最少的目标函数为：

mine₂＝g_FcW_FC+g_GW_G

g_Fc和g_G分别为燃料电池FC和电网污染气体排放系数,W_FC和W_G分别是燃料电池FC的污染气体排放量与电网污染气体排放量；

亏电率最低的目标函数为：

LPSP为微电网仅靠内部电源供电时的电能亏欠量与负荷需求量的比值，反映了微电网在电网故障时保障供电的能力，E_LPS为电能亏欠量，P_L为负荷总需求电量；

***的约束条件包括功率平衡约束、联络线约束、发电机组容量限制约束、储能单元存储容量约束、充放平衡约束；分布式电源包括光伏阵列、风力发电机、蓄电池、燃料电池、燃气轮机和柴油发电机设备。

3.根据权利要求1所述的一种基于多属性决策的微电网多目标优化调度方法，其特征在于，***的约束条件包括：

1)功率平衡约束：

2)联络线约束：

3)发电机组容量限制约束：

4)储能单元存储容量约束：SOC_min≤SOC(t)≤SOC_max

5)充放平衡约束：T_out＝T_in≤T_max

式中，N为发电机组的类型；P_DG,i是发电机组类型i的输出功率；P_DN是与电网之间的能量交换，规定售电时为负值，购电时为正值；P_L为负载需求量；P_G是联络线的输出功率；

和

分别是联络线的最小安全功率输出与最大安全功率输出；P_DG.i是发电机组i的输出功率；

和

分别是发电机组i的最小安全功率输出与最大安全功率输出；T_out是储能装置在一天中放电的时间；T_in是储能装置在一天中充电的时间；T_max是储能装置的最大充放电时间。

4.根据权利要求1所述的一种基于多属性决策的微电网多目标优化调度方法，其特征在于，所述步骤2中采用基于罚函数的粒子群算法分别以经济成本、污染排放、亏电率的目标函数进行优化，多次优化后选取优化结果最优解作为候选解集；对基于罚函数的粒子群算法的罚函数以及控制参数进行设置，主要包括粒子群算法的粒子数、迭代数和罚函数因子；根据不同目标函数优化的条件，将约束条件通过组合而成“惩罚”项，加载在原来的目标函数上迫使迭代点逼近可行域，可有效处理带有约束的优化问题；罚函数的构成公式为：

式中，F(x,M)为罚函数；f(x)为目标函数；M为惩罚因子；Mp(x)为罚项；g_i(x)为约束条件；

对微电网优化调度***中蓄电池、燃料电池、配电网出力进行编码，生成随机初始种群，通过粒子群算法优化获取满足约束条件和罚函数条件的个体及全局最优方案。

5.根据权利要求1所述的一种基于多属性决策的微电网多目标优化调度方法，其特征在于，所述步骤3中是对多目标优化智能算法获取的候选方案解集采取多属性决策理论对获取的候选目标方案中各目标函数值进行优劣的排序、效用值的评估，挑选最合理有效的方案；确定评价指标集合为E＝{e₁,e₂,e₃…,e_L}，评价等级集合为H＝{H₁,H₂,H₃,…,H_D}，候选方案解集为A＝{a₁,a₂,a_3,…,a_M}；L为评价指标集，D为评价等级个数，M位候选方案个数；

将每个候选解集中的不同目标函数在其对应不同评价等级上进行置信度评估，得到置信度表达式如下：

S(e_i(a_j))＝{(H_n,β_n,i(a_j)),n＝1,2,…,N,i＝1,2,…,M}

式中，a_j为第j个候选解集；β_n,i(a_j)为a_j在第i个评价指标以及第n个评价等级上的置信度；

采用证据融合推理最后可得候选方案在各个评价等级的置信度集合

S(a_j)＝{(H_n,β_n(a_j)),(n＝1,2,…,N)}

β_n(a_j)为a_j在第n个评价等级上的置信度；证据融合推理的结果只能得到每个候选方案在各评价等级上的信任度，不能直观判断候选解集优劣，再运用效用评估将置信度分布映射为效用值：

式中，u(a_j)表示方案a_j的效用值；β_n为第n个评价等级上的置信度；

选取所有方案中效用值最大的方案为微电网多目标优化调度的最终方案，用于未来一天微电网优化调度运行的指导决策。

Images