CN115034549B - 一种基于改进共生生物搜索的微电网能源调度优化方法 - Google Patents
一种基于改进共生生物搜索的微电网能源调度优化方法 Download PDFInfo
- Publication number
- CN115034549B CN115034549B CN202210430022.6A CN202210430022A CN115034549B CN 115034549 B CN115034549 B CN 115034549B CN 202210430022 A CN202210430022 A CN 202210430022A CN 115034549 B CN115034549 B CN 115034549B
- Authority
- CN
- China
- Prior art keywords
- grid
- micro
- island
- distribution network
- power distribution
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013178 mathematical model Methods 0.000 claims abstract description 27
- 230000035772 mutation Effects 0.000 claims abstract description 24
- 230000006798 recombination Effects 0.000 claims abstract description 24
- 238000005215 recombination Methods 0.000 claims abstract description 23
- 230000008901 benefit Effects 0.000 claims abstract description 15
- 238000010845 search algorithm Methods 0.000 claims abstract description 10
- 239000003795 chemical substances by application Substances 0.000 claims description 77
- 238000009826 distribution Methods 0.000 claims description 66
- 238000003860 storage Methods 0.000 claims description 34
- 230000005611 electricity Effects 0.000 claims description 26
- 230000003071 parasitic effect Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 13
- 108090000623 proteins and genes Proteins 0.000 claims description 7
- 230000009286 beneficial effect Effects 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 230000024241 parasitism Effects 0.000 claims description 5
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 206010064571 Gene mutation Diseases 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000009395 breeding Methods 0.000 claims description 3
- 230000001488 breeding effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000007614 genetic variation Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000008521 reorganization Effects 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 3
- 241000135164 Timea Species 0.000 claims description 2
- 230000036039 immunity Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000002068 genetic effect Effects 0.000 description 3
- 230000013370 mutualism Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 206010033888 Paraphilia Diseases 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/388—Islanding, i.e. disconnection of local power supply from the network
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/48—Controlling the sharing of the in-phase component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/10—The dispersed energy generation being of fossil origin, e.g. diesel generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种适用于微电网中基于改进共生生物搜索的能源调度优化方法,包括:设计基于多智能体***的孤岛/并网微电网的结构、建立改进共生生物搜索算法的数学模型、建立孤岛/并网微电网能源调度优化的数学模型、设计基于改进共生生物搜索算法的孤岛/并网微电网能源调度优化流程。采用改进共生生物搜索算法通过引入重组和变异阶段来提高生物体的多样性;建立含公共连接点状态信息0/1的经济性目标函数、优化变量以及功率平衡约束条件;多智能体通过收集数据信息和利用改进共生生物搜索对孤岛/并网微电网能源调度优化的数学模型进行求解。本发明能有效提高MG能源调度优化中的经济效益和优化结果的稳定性。
Description
技术领域
本发明属于智能电网和智能优化算法技术领域,涉及一种基于改进共生生物搜索(Improved symbiotic organisms search,ISOS)的微电网(Microgrid,MG)能源调度优化方法。
背景技术
通过智能优化算法对MG进行能源调度优化是使得MG运行在最经济、环保状态的重要保证。然而,不同的智能优化算法应用在MG能源调度上会得到不同的结果。在MG能源调度优化中运用较多的智能优化算法包括有遗传算法(Genetic algorithm,GA)、粒子群算法(Particle swarm optimization,PSO)、人工蜂群算法(Artificial bee colony,ABC)等。然而,GA、PSO和ABC需要控制的参数较多,并且会因优化问题的复杂度上升导致优化的速度快速下降和陷入局部最优值的概率快速上升。MG的24小时能源调度优化通常包含了上百个优化变量。因此,MG每次使用GA、PSO或ABC执行能源调度优化后得到的结果均不稳定。相比于GA、PSO和ABC,共生生物搜索算法(Symbiotic organisms search,SOS)具有操作简单、控制参数较少、稳定性高、优化能力强以及能得到更好的优化结果的特点。然而,虽然SOS应用于MG能源调度优化中能获得相比于GA、PSO和ABC更好的优化结果,但是SOS也存在陷入局部最优值的情况从而导致优化结果的不稳定。
发明内容
本发明的目的在于克服现有技术的缺陷,提供一种基于改进共生生物搜索的微电网能源调度优化方法,能够改善SOS的全局搜索能力和稳定性,提高其应用于MG能源调度优化中的经济效益和优化结果的稳定性。
为了解决上述技术问题,本发明采用以下技术方案。
本发明的一种基于改进共生生物搜索的微电网能源调度优化方法,其特征在于,包括以下步骤:
步骤1、设计基于多智能体***的孤岛/并网微电网的结构:其结构包括可再生能源、蓄电池柴油机、负荷、公共连接点、配电网;设计微电网、可再生能源、蓄电池、柴油机、负荷、公共连接点、配电网与智能体之间的连接关系;并具体说明智能体之间的工作关系;
步骤2、建立改进共生生物搜索算法的数学模型:包括互利共生、偏利共生、寄生、重组和变异五个阶段;
步骤3、建立孤岛/并网微电网能源调度优化的数学模型:包括孤岛/并网微电网能源调度优化的目标函数、优化变量和功率平衡约束条件;
步骤4、设计基于改进共生生物搜索算法的孤岛/并网微电网能源调度优化流程:包括输入数据、改进共生生物搜索算法的生态***初始化、初始化种群、迭代次数设置、计算适应度值、确定最优个体、执行互利共生阶段、偏利共生阶段、寄生阶段、重组阶段、变异阶段、迭代次数判断、输出最优个体的优化步骤;
所述的孤岛/并网微电网,是指:微电网能够工作在孤岛模式或并网模式,微电网通过使用公共连接点智能体控制公共连接点的开关状态使微电网实现孤岛模式和并网模式下的动态切换。
进一步地,所述步骤1设计基于多智能体***的孤岛/并网微电网的结构的具体过程为:
所述的基于多智能体***的孤岛/并网微电网结构,包括可再生能源、蓄电池、柴油机、负荷、微电网与配电网之间的公共连接点和配电网,其中可再生能源、蓄电池、柴油机和负荷通过电力传输线相互连接,配电网通过微电网与配电网之间的公共连接点与可再生能源、蓄电池、柴油机和负荷相连;可再生能源、蓄电池、柴油机、负荷、微电网与配电网之间的公共连接点和配电网分别与相应的智能体相连,其中可再生能源、蓄电池、柴油机、负荷、微电网与配电网之间的公共连接点和配电网的智能体与微电网智能体相连;与可再生能源相连的智能体用于收集可再生能源的功率输出信息以及向可再生能源发送是否需要放弃可再生能源的指令;与蓄电池相连的智能体用于收集蓄电池的荷电状态信息,以及向蓄电池发送充/放电功率指令;与柴油机相连的智能体用于收集柴油机的输出功率上下限信息,以及向柴油机发送输出功率指令;与负荷相连的智能体用于收集每个时刻的负荷数值以及向负荷发送是否需要卸荷的指令;与微电网与配电网之间的公共连接点相连的智能体用于收集微电网与配电网之间的公共连接点的开关状态信息以及向微电网与配电网之间的公共连接点发送闭合或断开的指令;与配电网相连的智能体用于收集配电网电价信息,以及向配电网发送是否需要购售电;微电网智能体用于能源调度优化;与可再生能源、蓄电池、柴油机、负荷、微电网与配电网之间的公共连接点和配电网相连的智能体将收集到的所有数据信息发送至微电网智能体;微电网智能体优化得到的能源调度指令发送至可再生能源、蓄电池、柴油机、负荷、微电网与配电网之间的公共连接点和配电网相连的智能体;所述的基于多智能体***的孤岛/并网微电网结构考虑了通过智能体对微电网与配电网之间的公共连接点的控制来使得微电网在孤岛模式与并网模式之间进行动态切换运行,有利于提高微电网的经济效益。
进一步地,所述的步骤2建立改进共生生物搜索算法的数学模型,包括建立互利阶段、偏利共生阶段、寄生阶段、重组阶段和变异阶段的数学模型,其具体过程为:
2.1互利共生阶段
互利共生阶段的目的是增加两种生物体在生态***中的相互生存优势;新的候选解和是基于生物体Xn和Xm的互惠互利产生,用式(1)和式(2)表示;根据此规则,生物体Xn和Xm只有当它们新的适应度优于前一次迭代的适应度时才执行更新:
B1,B2∈{1,2} (4)
式中,n,m∈{1,2,…,N}(N是种群大小),n≠m,rand(0,1)是0和1之间的随机值;Xbest是当前迭代的最优个体,Mv是两个生物体间关系特征的“互利向量”,B1和B2是分别是集合{1,2}中的随机一个数,表示互利共生的生物相互间的收益因子;
2.2偏利共生
新的候选解根据生物体Xn和Xm的偏利共生产生,用式(5)表示;根据此规则,生物体Xn只有当它新的适应度优于前一次迭代的适应度时才执行更新:
式中,rand(-1,1)是-1和1之间的随机数;
2.3寄生
在改进共生生物搜索算法中,随机选择Xn中的部分维度上的参数进行随机修改,得到一个变异个体,称其为寄生向量,记作Xpv;然后从生态***中随机选择一个生物体Xm(n≠m)作为Xpv的宿主;计算寄生向量和宿主的适应度值并进行比较,若“寄生向量”的适应度值更好,那么生物体Xm将会被取代,否则Xm将具有免疫性,继续存活并保留在种群中;
2.4重组阶段
在生态***中,考虑生物体繁殖产生的新生物体存在基因重组情况;随机选择Xm中的部分纬度的参数用于替换Xn中同样纬度的参数,得到一个新的候选解视其为新的生物体且发生了基因重组;根据此规则,生物体Xn只有当它新的适应度优于前一次迭代的适应度时才执行更新;
2.5变异阶段
在生态***中,考虑生物体繁殖产生的新生物体存在基因变异情况;原生物体Xn由于受到生物体Xm和Xk(k≠m)的长期影响后导致繁殖产生的新生物体发生了基因突变,用式(6)表示;根据此规则,生物体Xn只有当它新的适应度优于前一次迭代的适应度时才执行更新:
F∈[0,1] (7)
式中,n,m,k∈{1,2,…,N}且n≠m≠k,F是变异因子且通常取值为0.3~0.7之间,变异因子的大小控制了新生物体变异的幅度,其值越大,新生物体变异的幅度越大;反之,其变异幅度越小。
进一步地,所述的步骤3建立孤岛/并网微电网能源调度优化的数学模型,包括孤岛/并网微电网能源调度优化的目标函数、优化变量以及孤岛/并网微电网在能源调度优化中的功率平衡约束,其具体过程包括:
所述的孤岛/并网微电网能源调度优化的数学模型,需考虑微电网在孤岛和并网模式之间的动态切换模型;孤岛/并网微电网能源调度优化的目标是使得总运行成本最低,即经济效益最高;因此,孤岛/并网微电网能源调度优化的目标函数定义如下
τt∈{0,1} (9)
式中,CMG是孤岛/并网微电网能源调度优化的总运行成本,T是总的能源调度时间,和分别是柴油机和蓄电池的运行成本;表示放弃可再生能源成本,是指由于孤岛微电网功率过剩时需要放弃部分可再生能源而造成的经济损失;表示卸荷成本,是指由于孤岛微电网功率不足时需要卸掉部分负荷而造成的经济损失;和分别是并网微电网向配电网的购电和售电成本,τt是微电网与配电网之间的公共连接点的状态信息;当τt=1时,微电网与配电网之间的公共连接点处于闭合状态,此时微电网与配电网相连,微电网处于并网模式,总运行成本中不计及放弃可再生能源成本和卸荷成本;当τt=0时,微电网与配电网之间的公共连接点处于断开状态,此时微电网与配电网断开,微电网处于孤岛模式,总运行成本不计及购电和售电成本;
孤岛/并网微电网在改进共生生物搜索算法中的优化变量包括柴油机的输出功率、蓄电池的充电和放电功率、放弃可再生能源的数量、卸荷数量、微电网向配电网的购电和售电数量以及微电网与配电网之间的公共连接点的状态变化,因此,孤岛/并网微电网的优化变量定义如下
式中,Xn是孤岛/并网微电网在改进共生生物搜索算法中的优化变量,Pt CDG是柴油机的输出功率,Pt B+和Pt B-分别是蓄电池的充电和放电功率,Pt abRES和Pt unLoad分别是孤岛微电网的放弃可再生能源数量和卸荷数量,Pt Buy和Pt Sell分别是并网微电网向配电网的购电和售电数量;
柴油机、蓄电池、可再生能源、负荷、放弃可再生能源数量、卸荷数量、购电和售电数量在能源调度优化中需要满足本身的约束条件;此外,孤岛/并网微电网在能源调度优化中还需要满足功率平衡约束,如式(11)所示:
Pt Load=Pt RES+Pt CDG+(Pt B--Pt B+)+τt·(Pt Buy-Pt Sell)-(1-τt)·(Pt abRES-Pt unLoad) (11)
式中,Pt Load和Pt RES分别是孤岛/并网微电网的用户负荷和可再生能源。
进一步地,所述的步骤4设计基于改进共生生物搜索算法的孤岛/并网微电网能源调度优化流程的具体过程为:
包括改进共生生物搜索算法在孤岛/并网微电网能源调度中执行优化时的求解步骤,其算法流程如下:
步骤4.1:输入孤岛/并网微电网在t=1,2,…,T时刻的可再生能源、负荷和分时电价的数据;
步骤4.2:改进共生生物搜索算法的生态***初始化:设置种群大小N、变量个数D、最大迭代次数G、变异因子F和总的能源调度时间T;
步骤4.3:初始化满足相应约束条件的种群:POP=(X1,X2,…,XN);
步骤4.4:令迭代次数为gen=1;
步骤4.5:根据式(8)计算孤岛/并网微电网能源调度优化的目标函数,即适应度值;
步骤4.6:对N个适应度值进行从大到小进行排序,并确定适应度值最小时对应的最优个体Xbest;
步骤4.7:令n=1;
步骤4.8:执行互利共生阶段:随机选择两个个体Xn和Xm,根据公式(1)和公式(2),产生新个体和若新个体的适应度值优于原个体的适应度值,则原个体更新为新个体;
步骤4.9:执行偏利共生阶段:根据式(5)产生新个体若新个体的适应度值优于原个体的适应度值,则原个体更新为新个体;
步骤4.10:执行寄生阶段:随机选择Xn中的部分维度上的参数进行随机修改,得到“寄生向量”Xpv;然后随机个体Xm(n≠m)作为Xpv的宿主;若寄生向量的适应度值更好,那么个体Xm将会被Xpv取代;
步骤4.11:执行重组阶段:随机选择Xm中的部分纬度的参数替换Xn中同样纬度的参数,得到一个新个体若新个体的适应度值优于原个体Xn的适应度值,则原个体更新为新个体;
步骤4.12:执行变异阶段:根据式(6)产生新个体若新个体的适应度值优于原个体的适应度值,则原个体更新为新个体;
步骤4.13:令n=n+1;
步骤4.14:判断n是否大于N?若否,则跳转至步骤4.8;若是,则执行步骤4.15;
步骤4.15:令迭代次数gen=gen+1;
步骤4.16:判断迭代次数gen是否大于最大迭代次数G?若否,则跳转至步骤4.6;若是,则执行步骤4.17;
步骤4.17:输出最优个体Xbest,算法结束。
与现有技术相比,本发明具有以下优点和有益效果:
1.本发明所设计基于多智能体***(Multi-agent system,MAS)的孤岛/并网MG的结构图,通过将MG和配电网之间的公共连接点(PCC)与智能体相连,并利用智能体控制PCC的开或关使MG处于孤岛或并网模式,有利于PCC的开关状态信息参与至孤岛/并网MG能源调度优化的数学模型建立中,以及有利于MG在能源调度中实现孤岛和并网模式之间的动态切换。
2.本发明所建立的ISOS模型,考虑了生态***中的生物体繁殖产生的新生物体存在基因重组和变异情况。相比于SOS,ISOS更有利于提高生物体的多样性和全局搜索能力。
3.本发明所建立的孤岛/并网MG能源调度优化的数学模型,包含了利用0/1表示PCC的开/关状态信息,使得所建立的数学模型实现了孤岛MG能源调度优化的数学模型与并网MG能源调度优化的数学模型的统一结合,有利于能源调度优化过程中实现孤岛MG和并网MG之间的动态切换。
附图说明
图1为本发明的一种实施例的基于MAS的孤岛/并网MG的结构图。
图2为本发明的一种实施例的基于ISOS的孤岛/并网MG能源调度优化流程图。
图3为本发明的一种实施例的基于ISOS和SOS的孤岛/并网MG能源调度优化案例仿真结果图。
图4为本发明的一种实施例的基于ISOS的MG能源调度优化方法的流程图。
具体实施方式
本发明的一种基于改进共生生物搜索的微电网能源调度优化方法,包括基于多智能体***的孤岛/并网微电网结构设计、改进共生生物搜索的数学模型建立、孤岛/并网微电网能源调度优化的数学模型建立、基于改进共生生物搜索的孤岛/并网微电网能源调度优化流程图设计。改进共生生物搜索算法通过引入重组和变异阶段来提高生物体的多样性;考虑到微电网能在孤岛和并网模式之间动态切换,建立了含公共连接点状态信息0/1的经济性目标函数、优化变量以及功率平衡约束条件;多智能体通过收集数据信息和利用改进共生生物搜索对孤岛/并网微电网能源调度优化的数学模型进行求解。本发明能进一步提高MG能源调度优化中的经济效益和优化结果的稳定性。
本发明技术方案的说明涉及以下英文缩写:
ISOS:改进共生生物搜索算法。SOS:共生生物搜索算法。MG:微电网。GA:遗传算法。PSO:粒子群算法。ABC:人工蜂群算法。MAS:多智能体***。PCC:微电网与配电网之间的公共连接点。RES:可再生能源。BESS:蓄电池。CDG:柴油机。Load:负荷。DN:配电网。Agent:智能体。MGA:微电网智能体。DNA:配电网智能体。PCA:公共连接点智能体。RA:可再生能源智能体。BA:蓄电池智能体。DA:柴油机智能体。LA:负荷智能体。
下面结合附图对本发明做进一步详细说明。
图4为本发明的一种实施例的基于ISOS的MG能源调度优化方法的流程图。如图4所示,本发明的一种基于ISOS的MG能源调度优化方法,包括以下步骤:
步骤1、基于MAS(多智能体***)的孤岛/并网MG(微电网)的结构设计:包括可再生能源(Renewable energy resources,RES)、蓄电池(Battery energy storage systems,BESS)、柴油机(Controllable distributed generators,CDG)、负荷(Load)、公共连接点(PCC)和配电网(Distribution network,DN),以及包括MG(微电网)、RES(可再生能源)、BESS(蓄电池)、CDG(柴油机)、Load(负荷)、PCC(微电网与配电网之间的公共连接点)、DN(配电网)与智能体(Agent)之间的连接关系,并详细阐述了Agent(智能体)之间的工作原理。
步骤2、ISOS(改进共生生物搜索算法)的数学模型建立:包括互利共生、偏利共生、寄生、重组和变异五个阶段。
步骤3、孤岛/并网MG(微电网)能源调度优化的数学模型建立:包括孤岛/并网MG(微电网)能源调度优化的目标函数、优化变量和功率平衡约束条件。
步骤4、基于ISOS(改进共生生物搜索算法)的孤岛/并网MG(微电网)能源调度优化流程图设计:包括输入数据、ISOS(改进共生生物搜索算法)的生态***初始化、初始化种群、迭代次数设置、计算适应度值、确定最优个体、执行互利共生阶段、偏利共生阶段、寄生阶段、重组阶段、变异阶段、迭代次数判断、输出最优个体等优化步骤。
上述所述“孤岛/并网MG”是指MG能够工作在孤岛模式或并网模式,MG通过使用PCA控制PCC的开关状态使MG实现孤岛模式和并网模式下的动态切换。
所述的步骤1的具体过程为:孤岛/并网MG结构包括RES、BESS、CDG、Load、PCC和DN,其中RES、BESS、CDG和Load通过电力传输线相互连接,DN通过PCC与RES、BESS、CDG和Load相连;RES、BESS、CDG、Load、PCC和DN分别与相应的Agent相连,其中RES、BESS、CDG、Load、PCC和DN的Agent与MG Agent(MGA)相连;与RES相连的Agent用于收集RES的功率输出信息以及向RES发送是否需要放弃RES的指令;与BESS相连的Agent用于收集BESS的荷电状态等信息,以及向BESS发送充/放电功率指令;与CDG相连的Agent用于收集CDG的输出功率上下限等信息,以及向CDG发送输出功率指令;与Load相连的Agent用于收集每个时刻的Load数值以及向Load发送是否需要卸荷的指令;与PCC相连的Agent用于收集PCC的开关状态信息以及向PCC发送闭合或断开的指令;与DN相连的Agent用于收集DN电价等信息,以及向DN发送是否需要购售电;MGA主要负责能源调度优化。与RES、BESS、CDG、Load、PCC和DN相连的Agent需要将收集到的所有数据信息发送至MGA;MGA优化得到的能源调度指令需要发送至RES、BESS、CDG、Load、PCC和DN相连的Agent。该孤岛/并网MG结构考虑了通过Agent对PCC的控制来使得MG在孤岛模式与并网模式之间进行动态切换运行,有利于提高MG的经济效益。
图1为基于MAS的孤岛/并网MG的结构设计图。孤岛/并网MG结构包括DN、PCC、CDG、BESS、RES和Load。PCC是MG与DN互动的公共连接点,当PCC闭合时,MG切换为并网模式;当PCC断开时,MG切换为孤岛模式。MAS包括当地Agent和MGA。当地Agent包括Load Agent(LA)、BESS Agent(BA)、CDG Agent(DA)、RES Agent(RA)、PCC Agent(PCA)和DN Agent(DNA)。当地Agent负责收集和分类来自负荷、蓄电池、柴油机、可再生能源、公共连接点和配电网的数据信息并发送至MGA中。其中PCA收集的是公共连接点的开关状态信息;DNA收集的是配电网的购售电价等信息。MGA接收到来自当地Agent的数据信息后使用ISOS执行MG层优化并将优化结果发送回当地Agent。当地Agent将会根据优化结果对每个单元制定能源调度计划和发送功率指令。
所述的步骤2的具体过程为:ISOS包括互利阶段、偏利阶段、寄生阶段、重组阶段和变异阶段的数学模型。考虑到生态***中的生物体繁殖产生的新生物体存在基因重组和变异情况,ISOS在SOS的基础上引入了重组阶段和变异阶段以提高生物体的多样性。ISOS模拟共生生物在生态***中生存和繁殖所采用的相互作用策略。ISOS由五个阶段组成:互利共生、偏利共生、寄生、重组和变异。其相应的数学模型如下:
2.1互利共生阶段
互利共生阶段的目的是增加两种生物体在生态***中的相互生存优势。新的候选解和是基于生物体Xn和Xm的互惠互利产生,用式(1)和式(2)表示。根据此规则,生物体Xn和Xm只有当它们新的适应度优于前一次迭代的适应度时才执行更新。
B1,B2∈{1,2} (4)
式中,n,m∈{1,2,…,N}(N是种群大小),n≠m。rand(0,1)是0和1之间的随机值。Xbest是当前迭代的最优个体。Mv是两个生物体间关系特征的“互利向量”。B1和B2是分别是集合{1,2}中的随机一个数,表示互利共生的生物相互间的收益因子。
2.2偏利共生
与互利共生阶段类似,新的候选解根据生物体Xn和Xm的偏利共生产生,用式(5)表示。根据此规则,生物体Xn只有当它新的适应度优于前一次迭代的适应度时才执行更新。
式中,rand(-1,1)是-1和1之间的随机数。
2.3寄生
在ISOS中,随机选择Xn中的部分维度上的参数进行随机修改,得到一个变异个体,称其为“寄生向量”,记作Xpv。然后从生态***中随机选择一个生物体Xm(n≠m)作为Xpv的“宿主”。计算“寄生向量”和“宿主”的适应度值并进行比较。若“寄生向量”的适应度值更好,那么生物体Xm将会被取代,否则Xm将具有免疫性,继续存活并保留在种群中。
2.4重组阶段
在生态***中,考虑生物体繁殖产生的新生物体存在基因重组情况。随机选择Xm中的部分纬度的参数用于替换Xn中同样纬度的参数,得到一个新的候选解视其为新的生物体且发生了基因重组。根据此规则,生物体Xn只有当它新的适应度优于前一次迭代的适应度时才执行更新。
2.5变异阶段
在生态***中,考虑生物体繁殖产生的新生物体存在基因变异情况。原生物体Xn由于受到生物体Xm和Xk(k≠m)的长期影响后导致繁殖产生的新生物体发生了基因突变,用式(6)表示。根据此规则,生物体Xn只有当它新的适应度优于前一次迭代的适应度时才执行更新。
F∈[0,1] (7)
式中,n,m,k∈{1,2,…,N}且n≠m≠k。F是变异因子且通常取值为0.3~0.7之间。变异因子的大小控制了新生物体变异的幅度。其值越大,新生物体变异的幅度越大;反之,其变异幅度越小。
所述的步骤3的具体过程为:包括孤岛/并网MG能源调度优化的目标函数、优化变量以及孤岛/并网MG在能源调度优化中的功率平衡约束。孤岛/并网MG能源调度优化模型考虑了MG在孤岛和并网模式之间的动态切换模型。孤岛/并网MG能源调度优化的目标是使得总运行成本最低,即经济效益最高。因此,孤岛/并网MG能源调度优化的目标函数定义如下
τt∈{0,1} (9)
式中,CMG是孤岛/并网MG能源调度优化的总运行成本。T是总的能源调度时间。和分别是CDG和BESS的运行成本。表示放弃RES成本,是指由于孤岛MG功率过剩时需要放弃部分RES而造成的经济损失。表示卸荷成本,是指由于孤岛MG功率不足时需要卸掉部分Load而造成的经济损失。和分别是并网MG向DN的购电和售电成本。τt是PCC的状态信息。当τt=1时,PCC处于闭合状态,此时MG与DN相连,MG处于并网模式,总运行成本中不计及放弃RES成本和卸荷成本;当τt=0时,PCC处于断开状态,此时MG与DN断开,MG处于孤岛模式,总运行成本不计及购电和售电成本。
孤岛/并网MG在ISOS中的优化变量包括CDG的输出功率、BESS的充电和放电功率、放弃RES的数量、卸荷数量、MG向DN的购电和售电数量以及PCC的状态变化。因此,孤岛/并网MG的优化变量定义如下
式中,Xn是孤岛/并网MG在ISOS中的优化变量。Pt CDG是CDG的输出功率。Pt B+和Pt B-分别是BESS的充电和放电功率。Pt abRES和Pt unLoad分别是孤岛MG的放弃RES数量和卸荷数量。Pt Buy和Pt Sell分别是并网MG向DN的购电和售电数量。
CDG、BESS、RES、Load、放弃RES数量、卸荷数量、购电和售电数量在能源调度优化中需要满足本身的约束条件。此外,孤岛/并网MG在能源调度优化中还需要满足功率平衡约束,如式(11)所示。
Pt Load=Pt RES+Pt CDG+(Pt B--Pt B+)+τt·(Pt Buy-Pt Sell)-(1-τt)·(Pt abRES-Pt unLoad) (11)
式中,Pt Load和Pt RES分别是孤岛/并网MG的用户负荷和可再生能源。
所述的步骤4的具体过程为:描述了ISOS在孤岛/并网MG能源调度中执行优化时的求解步骤。图2为基于ISOS的孤岛/并网MG能源调度优化流程图。算法的具体流程如下:
步骤4.1:输入孤岛/并网MG在t=1,2,…,T时刻的RES、Load和分时电价的数据;
步骤4.2:ISOS的生态***初始化:设置种群大小N、变量个数D、最大迭代次数G、变异因子F和总的能源调度时间T;
步骤4.3:初始化满足相应约束条件的种群:POP=(X1,X2,…,XN);
步骤4.4:令迭代次数为gen=1;
步骤4.5:根据式(8)计算孤岛/并网MG能源调度优化的目标函数,即适应度值;
步骤4.6:对N个适应度值进行从大到小进行排序,并确定适应度值最小时对应的最优个体Xbest;
步骤4.7:令n=1;
步骤4.8:执行互利共生阶段。随机选择两个个体Xn和Xm,根据式(1)和(2)产生新个体和若新个体的适应度值优于原个体的适应度值,则原个体更新为新个体;
步骤4.9:执行偏利共生阶段。根据式(5)产生新个体若新个体的适应度值优于原个体的适应度值,则原个体更新为新个体;
步骤4.10:执行寄生阶段。随机选择Xn中的部分维度上的参数进行随机修改,得到“寄生向量”Xpv。然后随机个体Xm(n≠m)作为Xpv的“宿主”。若“寄生向量”的适应度值更好,那么个体Xm将会被Xpv取代。
步骤4.11:执行重组阶段。随机选择Xm中的部分纬度的参数替换Xn中同样纬度的参数,得到一个新个体若新个体的适应度值优于原个体Xn的适应度值,则原个体更新为新个体;
步骤4.12:执行变异阶段。根据式(6)产生新个体若新个体的适应度值优于原个体的适应度值,则原个体更新为新个体;
步骤4.13:令n=n+1;
步骤4.14:判断n是否大于N?若否,则跳转至步骤4.8;若是,则执行步骤4.15;
步骤4.15:令迭代次数gen=gen+1;
步骤4.16:判断迭代次数gen是否大于最大迭代次数G?若否,则跳转至步骤4.6;若是,则执行步骤4.17;
步骤4.17:输出最优个体Xbest,算法结束。
图3为本发明基于ISOS和SOS的孤岛/并网MG能源调度优化案例仿真结果图。其对某个案例分别使用ISOS和SOS在MATLAB上进行了50次的仿真。从图3可以看出,基于ISOS的孤岛/并网MG能源调度优化的50次结果中,绝大部分要优于基于SOS的孤岛/并网MG能源调度优化的结果;并且基于ISOS的孤岛/并网MG能源调度的结果更加稳定。因此,相比于SOS,基于ISOS的孤岛/并网MG能源调度优化结果的稳定性和经济效益更高。
Claims (1)
1.一种基于改进共生生物搜索的微电网能源调度优化方法,其特征在于,包括以下步骤:
步骤1、设计基于多智能体***的孤岛/并网微电网的结构:其结构包括可再生能源、蓄电池柴油机、负荷、公共连接点、配电网;设计微电网、可再生能源、蓄电池、柴油机、负荷、公共连接点、配电网与智能体之间的连接关系;并具体说明智能体之间的工作关系;
步骤2、建立改进共生生物搜索算法的数学模型:包括互利共生、偏利共生、寄生、重组和变异五个阶段;
步骤3、建立孤岛/并网微电网能源调度优化的数学模型:包括孤岛/并网微电网能源调度优化的目标函数、优化变量和功率平衡约束条件;
步骤4、设计基于改进共生生物搜索算法的孤岛/并网微电网能源调度优化流程:包括输入数据、改进共生生物搜索算法的生态***初始化、初始化种群、迭代次数设置、计算适应度值、确定最优个体、执行互利共生阶段、偏利共生阶段、寄生阶段、重组阶段、变异阶段、迭代次数判断、输出最优个体的优化步骤;
所述的孤岛/并网微电网,是指:微电网能够工作在孤岛模式或并网模式,微电网通过使用公共连接点智能体控制公共连接点的开关状态使微电网实现孤岛模式和并网模式下的动态切换;
所述步骤1设计基于多智能体***的孤岛/并网微电网的结构的具体过程为:
所述的基于多智能体***的孤岛/并网微电网结构,包括可再生能源、蓄电池、柴油机、负荷、微电网与配电网之间的公共连接点和配电网,其中可再生能源、蓄电池、柴油机和负荷通过电力传输线相互连接,配电网通过微电网与配电网之间的公共连接点与可再生能源、蓄电池、柴油机和负荷相连;可再生能源、蓄电池、柴油机、负荷、微电网与配电网之间的公共连接点和配电网分别与相应的智能体相连,其中可再生能源、蓄电池、柴油机、负荷、微电网与配电网之间的公共连接点和配电网的智能体与微电网智能体相连;与可再生能源相连的智能体用于收集可再生能源的功率输出信息以及向可再生能源发送是否需要放弃可再生能源的指令;与蓄电池相连的智能体用于收集蓄电池的荷电状态信息,以及向蓄电池发送充/放电功率指令;与柴油机相连的智能体用于收集柴油机的输出功率上下限信息,以及向柴油机发送输出功率指令;与负荷相连的智能体用于收集每个时刻的负荷数值以及向负荷发送是否需要卸荷的指令;与微电网与配电网之间的公共连接点相连的智能体用于收集微电网与配电网之间的公共连接点的开关状态信息以及向微电网与配电网之间的公共连接点发送闭合或断开的指令;与配电网相连的智能体用于收集配电网电价信息,以及向配电网发送是否需要购售电;微电网智能体用于能源调度优化;与可再生能源、蓄电池、柴油机、负荷、微电网与配电网之间的公共连接点和配电网相连的智能体将收集到的所有数据信息发送至微电网智能体;微电网智能体优化得到的能源调度指令发送至可再生能源、蓄电池、柴油机、负荷、微电网与配电网之间的公共连接点和配电网相连的智能体;所述的基于多智能体***的孤岛/并网微电网结构考虑了通过智能体对微电网与配电网之间的公共连接点的控制来使得微电网在孤岛模式与并网模式之间进行动态切换运行,有利于提高微电网的经济效益;
所述的步骤2建立改进共生生物搜索算法的数学模型,包括建立互利阶段、偏利共生阶段、寄生阶段、重组阶段和变异阶段的数学模型,其具体过程为:
2.1互利共生阶段
互利共生阶段的目的是增加两种生物体在生态***中的相互生存优势;新的候选解和是基于生物体Xn和Xm的互惠互利产生,用式(1)和式(2)表示;根据此规则,生物体Xn和Xm只有当它们新的适应度优于前一次迭代的适应度时才执行更新:
B1,B2∈{1,2} (4)
式中,n,m∈{1,2,…,N},N是种群大小,n≠m,rand(0,1)是0和1之间的随机值;Xbest是当前迭代的最优个体,Mv是两个生物体间关系特征的“互利向量”,B1和B2是分别是集合{1,2}中的随机一个数,表示互利共生的生物相互间的收益因子;
2.2偏利共生
新的候选解根据生物体Xn和Xm的偏利共生产生,用式(5)表示;根据此规则,生物体Xn只有当它新的适应度优于前一次迭代的适应度时才执行更新:
式中,rand(-1,1)是-1和1之间的随机数;
2.3寄生
在改进共生生物搜索算法中,随机选择Xn中的部分维度上的参数进行随机修改,得到一个变异个体,称其为寄生向量,记作Xpv;然后从生态***中随机选择一个生物体Xm(n≠m)作为Xpv的宿主;计算寄生向量和宿主的适应度值并进行比较,若“寄生向量”的适应度值更好,那么生物体Xm将会被取代,否则Xm将具有免疫性,继续存活并保留在种群中;
2.4重组阶段
在生态***中,考虑生物体繁殖产生的新生物体存在基因重组情况;随机选择Xm中的部分纬度的参数用于替换Xn中同样纬度的参数,得到一个新的候选解视其为新的生物体且发生了基因重组;根据此规则,生物体Xn只有当它新的适应度优于前一次迭代的适应度时才执行更新;
2.5变异阶段
在生态***中,考虑生物体繁殖产生的新生物体存在基因变异情况;原生物体Xn由于受到生物体Xm和Xk(k≠m)的长期影响后导致繁殖产生的新生物体发生了基因突变,用式(6)表示;根据此规则,生物体Xn只有当它新的适应度优于前一次迭代的适应度时才执行更新:
F∈[0,1] (7)
式中,n,m,k∈{1,2,…,N}且n≠m≠k,F是变异因子且取值为0.3~0.7之间,变异因子的大小控制了新生物体变异的幅度,其值越大,新生物体变异的幅度越大;反之,其变异幅度越小;
所述的步骤3建立孤岛/并网微电网能源调度优化的数学模型,包括孤岛/并网微电网能源调度优化的目标函数、优化变量以及孤岛/并网微电网在能源调度优化中的功率平衡约束,其具体过程包括:
所述的孤岛/并网微电网能源调度优化的数学模型,需考虑微电网在孤岛和并网模式之间的动态切换模型;孤岛/并网微电网能源调度优化的目标是使得总运行成本最低,即经济效益最高;因此,孤岛/并网微电网能源调度优化的目标函数定义如下
τt∈{0,1} (9)
式中,CMG是孤岛/并网微电网能源调度优化的总运行成本,T是总的能源调度时间,和分别是柴油机和蓄电池的运行成本;表示放弃可再生能源成本,是指由于孤岛微电网功率过剩时需要放弃部分可再生能源而造成的经济损失;表示卸荷成本,是指由于孤岛微电网功率不足时需要卸掉部分负荷而造成的经济损失;和分别是并网微电网向配电网的购电和售电成本,τt是微电网与配电网之间的公共连接点的状态信息;当τt=1时,微电网与配电网之间的公共连接点处于闭合状态,此时微电网与配电网相连,微电网处于并网模式,总运行成本中不计及放弃可再生能源成本和卸荷成本;当τt=0时,微电网与配电网之间的公共连接点处于断开状态,此时微电网与配电网断开,微电网处于孤岛模式,总运行成本不计及购电和售电成本;
孤岛/并网微电网在改进共生生物搜索算法中的优化变量包括柴油机的输出功率、蓄电池的充电和放电功率、放弃可再生能源的数量、卸荷数量、微电网向配电网的购电和售电数量以及微电网与配电网之间的公共连接点的状态变化,因此,孤岛/并网微电网的优化变量定义如下
式中,Xn是孤岛/并网微电网在改进共生生物搜索算法中的优化变量,Pt CDG是柴油机的输出功率,Pt B+和Pt B-分别是蓄电池的充电和放电功率,Pt abRES和Pt unLoad分别是孤岛微电网的放弃可再生能源数量和卸荷数量,Pt Buy和Pt Sell分别是并网微电网向配电网的购电和售电数量;
柴油机、蓄电池、可再生能源、负荷、放弃可再生能源数量、卸荷数量、购电和售电数量在能源调度优化中需要满足本身的约束条件;此外,孤岛/并网微电网在能源调度优化中还需要满足功率平衡约束,如式(11)所示:
Pt Load=Pt RES+Pt CDG+(Pt B--Pt B+)+τt·(Pt Buy-Pt Sell)-(1-τt)·(Pt abRES-Pt unLoad) (11)
式中,Pt Load和Pt RES分别是孤岛/并网微电网的用户负荷和可再生能源;
所述的步骤4设计基于改进共生生物搜索算法的孤岛/并网微电网能源调度优化流程的具体过程为:
包括改进共生生物搜索算法在孤岛/并网微电网能源调度中执行优化时的求解步骤,其算法流程如下:
步骤4.1:输入孤岛/并网微电网在t=1,2,…,T时刻的可再生能源、负荷和分时电价的数据;
步骤4.2:改进共生生物搜索算法的生态***初始化:设置种群大小N、变量个数D、最大迭代次数G、变异因子F和总的能源调度时间T;
步骤4.3:初始化满足相应约束条件的种群:POP=(X1,X2,…,XN);
步骤4.4:令迭代次数为gen=1;
步骤4.5:根据式(8)计算孤岛/并网微电网能源调度优化的目标函数,即适应度值;
步骤4.6:对N个适应度值进行从大到小进行排序,并确定适应度值最小时对应的最优个体Xbest;
步骤4.7:令n=1;
步骤4.8:执行互利共生阶段:随机选择两个个体Xn和Xm,根据公式(1)和公式(2),产生新个体和若新个体的适应度值优于原个体的适应度值,则原个体更新为新个体;
步骤4.9:执行偏利共生阶段:根据式(5)产生新个体若新个体的适应度值优于原个体的适应度值,则原个体更新为新个体;
步骤4.10:执行寄生阶段:随机选择Xn中的部分维度上的参数进行随机修改,得到“寄生向量”Xpv;然后随机个体Xm(n≠m)作为Xpv的宿主;若寄生向量的适应度值更好,那么个体Xm将会被Xpv取代;
步骤4.11:执行重组阶段:随机选择Xm中的部分纬度的参数替换Xn中同样纬度的参数,得到一个新个体若新个体的适应度值优于原个体Xn的适应度值,则原个体更新为新个体;
步骤4.12:执行变异阶段:根据式(6)产生新个体若新个体的适应度值优于原个体的适应度值,则原个体更新为新个体;
步骤4.13:令n=n+1;
步骤4.14:判断n是否大于N?若否,则跳转至步骤4.8;若是,则执行步骤4.15;
步骤4.15:令迭代次数gen=gen+1;
步骤4.16:判断迭代次数gen是否大于最大迭代次数G?若否,则跳转至步骤4.6;若是,则执行步骤4.17;
步骤4.17:输出最优个体Xbest,算法结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210430022.6A CN115034549B (zh) | 2022-04-22 | 2022-04-22 | 一种基于改进共生生物搜索的微电网能源调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210430022.6A CN115034549B (zh) | 2022-04-22 | 2022-04-22 | 一种基于改进共生生物搜索的微电网能源调度优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115034549A CN115034549A (zh) | 2022-09-09 |
CN115034549B true CN115034549B (zh) | 2024-07-02 |
Family
ID=83120025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210430022.6A Active CN115034549B (zh) | 2022-04-22 | 2022-04-22 | 一种基于改进共生生物搜索的微电网能源调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034549B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289566A (zh) * | 2011-07-08 | 2011-12-21 | 浙江大学 | 独立运行模式下的微电网多时间尺度能量优化调度方法 |
CN110190615A (zh) * | 2019-05-22 | 2019-08-30 | 国网浙江省电力有限公司经济技术研究院 | 一种微网储能***控制策略优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11128137B2 (en) * | 2018-12-18 | 2021-09-21 | The Regents Of The University Of California | Battery energy storage system and microgrid controller |
-
2022
- 2022-04-22 CN CN202210430022.6A patent/CN115034549B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289566A (zh) * | 2011-07-08 | 2011-12-21 | 浙江大学 | 独立运行模式下的微电网多时间尺度能量优化调度方法 |
CN110190615A (zh) * | 2019-05-22 | 2019-08-30 | 国网浙江省电力有限公司经济技术研究院 | 一种微网储能***控制策略优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115034549A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghiasi | Detailed study, multi-objective optimization, and design of an AC-DC smart microgrid with hybrid renewable energy resources | |
CN112713618B (zh) | 基于多场景技术的主动配电网源网荷储协同优化运行方法 | |
Motevasel et al. | Multi-objective energy management of CHP (combined heat and power)-based micro-grid | |
CN106602557B (zh) | 一种含电动汽车的主动配电网多时段优化重构方法 | |
Khezri et al. | A demand side management approach for optimal sizing of standalone renewable-battery systems | |
CN110070292B (zh) | 基于交叉变异鲸鱼优化算法的微网经济调度方法 | |
Niknam et al. | Impact of thermal recovery and hydrogen production of fuel cell power plants on distribution feeder reconfiguration | |
CN112651634B (zh) | 基于序列运算的有源配电***源网荷储日前有功调度方法 | |
De Santis et al. | Genetic optimization of a fuzzy control system for energy flow management in micro-grids | |
CN108347062A (zh) | 基于势博弈的微电网能量管理分布式多目标协同优化算法 | |
Wang et al. | Multi-objective energy management system for DC microgrids based on the maximum membership degree principle | |
Nemati et al. | Optimization of microgrids short term operation based on an enhanced genetic algorithm | |
CN109167347A (zh) | 基于云自适应粒子群多目标电动汽车充放电优化调度方法 | |
Prajwal et al. | Smart home energy management system using fuzzy logic for continuous power supply with economic utilisation of electrical energy | |
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 | |
CN111817349A (zh) | 基于深度q学习的多微网被动并离网切换控制方法 | |
Musilek et al. | Optimal energy management of residential PV/HESS using evolutionary fuzzy control | |
Shobana et al. | Optimised coordinated control of hybrid AC/DC microgrids along PV-wind-battery: A hybrid based model | |
Salkuti | Multi-objective based optimal network reconfiguration using crow search algorithm | |
CN114977152A (zh) | 能源管理***的控制方法、装置、存储介质及设备 | |
CN115034549B (zh) | 一种基于改进共生生物搜索的微电网能源调度优化方法 | |
CN116995644A (zh) | 一种基于ibpao-sa算法的高比例新能源配电网故障恢复的方法 | |
CN110766285A (zh) | 一种基于虚拟电厂的日前能源调度方法 | |
Xianchao et al. | Service restoration of distribution system with distributed generation | |
Bai et al. | Optimal scheduling of distributed energy resources by modern heuristic optimization technique |
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 | ||
GR01 | Patent grant |