一種基于量子行為粒子群算法的微電網調度方法
【技術領域】
[0001] 本發明屬于微網技術領域，尤其針對風光儲并網型微電網優化調度，涉及一種基 于量子行為粒子群算法的微電網調度方法。
【背景技術】
[0002] 微電網是由多種DG(distribution generation)、儲能單元、負荷和控制保護系統 組成的，通過協調各DG，為一個小區或者海島提供電力或熱負荷的需求，微電網的技術特點 使其適合為一些邊遠地區供電。并網型風光儲微電網作為一種典型的微電網在未來具有極 大的發展空間，并網運行時，由于大電網實施了峰谷電價，這使得并網型微電網可以在低電 價時從大電網購電，而在高電價時售電給大電網從而賺取差價，降低整個系統運行成本。
[0003] 微電網的調度的目標可以是單目標，也可以是多目標，目前單目標主要針對系統 某一階段運行成本而言，比如日前調度則是考慮全天運行成本，而多目標主要考慮系統運 行成本，環境懲罰成本以及可靠性等。微電網優化調度問題是一個多維非線性優化問題，對 于傳統的通過求解方程得到最優解方法難以應用于解決微網優化調度問題中。而隨著智能 控制和智能算法的發展，智能算法對于解決高維非線性最優問題已經比較成熟，比較典型 的智能優化算法主要有進化遺傳算法、魚群算法、蟻群算法以及粒子群算法。通過對微網優 化調度問題的建模并結合智能算法，可以有效的求解此類高維非線性優化問題。
[0004] 現有微電網調度技術主要針對是經濟性而言，其中包括機組運行維護成本、燃料 成本、折舊成本、啟停機成本以及在并網狀態下運行和大電網的交互成本，對于環境成本， 主要是針對柴油機、微型燃氣輪機等有污染物排放機組而言的。如何降低微電網運行維護 成本和與大電網交互成本成為并網型風光儲微網的關鍵問題，由于各機組出力與負荷以及 各機組的出力上下限均有關系，在隨機類智能搜索算法中經常會出現變量越限或約束不滿 足要求的情況，因此如何處理好約束也成為優化調度中的一個關鍵。此外，隨機類智能算法 的容易早熟以及不收斂問題也給多維非線性問題的求解帶來了一定的困難，且算法的全局 搜索能力和局部搜索能力對非線性問題的尋優也有一定的影響，而如何權衡兩者使得算法 適合實際問題的需要也是目前需要研究的一個問題。
【發明內容】
[0005] 本發明主要針對并網型風光儲微電網優化調度問題，提供了一種基于量子行為粒 子群算法的微電網優化調度方法，且通過對算法的參數控制，使得其適用于風光儲微電網 優化調度問題，且能較好的處理各約束問題。本發明主要通過以下技術方案實現：
[0006] 為解決風光儲并網型微電網優化調度問題，本發明主要采用的技術方案是基于量 子行為粒子群算法的并網型風光儲微電網優化調度方法，所述方法主要步驟有：
[0007] A、基于日前調度計劃安排各微電源出力，選定儲能系統中的蓄電池出力為直接優 化變量，而微電網和大電網交換功率為間接優化變量;設定仿真的調度周期和時間維度，載 入光伏出力、風機出力和負荷功率預測數據以及微電網和大電網交換功率的實時電價，同 時設定算法的粒子個數、迭代次數、運行輪數以及粒子維數；
[0008] B、初始化蓄電池的荷電狀態并計算蓄電池初始剩余電量;對每個粒子的每一維依 次進行循環，若蓄電池荷電狀態滿足所要求的約束范圍，則對其在出力范圍內進行隨機初 始化，計算該時刻蓄電池荷電狀態，然后對蓄電池荷電狀態進行檢測，如果蓄電池荷電狀態 不在所要求的約束范圍內，則對其進行邊界化條件處理;接著計算微電網和大電網的交換 功率，并檢測其是否超出傳輸線最大傳輸功率限制，如超出線路最大傳輸功率限制，則把傳 輸功率置為最大允許傳輸功率，同時由功率平衡再次計算蓄電池出力，由蓄電池出力再計 算其荷電狀態，檢測蓄電池荷電狀態是否滿足要求，如滿足要求，則跳出該粒子循環，進入 下一個粒子的初始化；
[0009] C、當所有粒子初始化完畢，則對其初始適應度值進行計算，也即目標函數值f(x)， f(x)主要包括以下部分；
[0011] R(i)為微電網和大電網交換功率的實時電價，Pgrid(i)為微電網與大電網的交換 功率，i為調度的某個時間維度，T為調度周期，Pn為儲能蓄電池的額定輸出功率，Tn為儲能蓄 電池年運行小時數，Cstart為儲能系統的初始總投資成本，P b(i)為儲能蓄電池在某調度時刻 的實際輸出功率，K。·為儲能系統的資本回收系數，其由下式計算可得：
[0013] s為儲能蓄電池的折舊率，M為儲能蓄電池的使用壽命；
[0014] D、將每個粒子初始適應度值設定為該粒子個體最優適應度值，將粒子初始位置設 定為粒子個體最優位置，比較所有粒子適應度值并找出全局最優粒子，并記錄其位置和適 應度值；
[0015] E、對每個粒子進行更新迭代，迭代完畢后對蓄電池每一時刻荷電狀態進行計算， 同時檢測荷電狀態是否滿足約束條件，如不滿足則對其進行邊界化處理，并再次修正蓄電 池出力。當蓄電池荷電狀態超出下邊界SOC min時，則用(3)式修正蓄電池出力；當蓄電池荷電 狀態超出上邊界SOCmax時，則用(4)式修正蓄電池出力。
[0018] 其中Xt表示蓄電池在t時刻的輸出功率，RL為蓄電池初始剩余容量，NL為蓄電池額 定容量。
[0019] F、由功率平衡計算微網和大電網交換功率，同時檢測其交換功率是否超出約束范 圍，若超出約束范圍則進行邊界化處理，并重新計算蓄電池出力和荷電狀態，最后判斷蓄電 池荷電狀態是否滿足條件，如滿足則跳出該粒子循環，進入下一個粒子的循環；
[0020] G、所有粒子循環完畢后重新計算適應度值，并更新個體最優位置和個體最優適應 度值以及全局最優位置和全局最優適應度值，重新返回E進行循環；
[0021] H、當達到最大迭代次數時，終止迭代，輸出最優出力、適應度值以及對應的蓄電池 荷電狀態。
[0022] 本發明具有的優點及有益效果為：
[0023] 1、目前還未有將量子行為粒子群應用到并網型風光儲微網優化調度中，本方法為 首次采用量子行為粒子群算法應用到此問題。與傳統粒子群算法相比，量子粒子群算法采 用的是量子力學中粒子的波粒二象性的原理而引入的，通過對粒子建立勢阱模型，把傳統 粒子群算法通過速度來改變粒子位置變為通過吸引子來改變粒子位置，使粒子迭代更簡 單，但尋優能力更強。同時在本發明中將粒子迭代過程中的收縮擴張系數以及吸引子模型 中與粒子個體最優位置和全局最優位置的兩個固定參數均設置為跟隨迭代次數動態變化 的，使算法在開始的時候全局搜索能力較強，而迭代結束時局部搜索能力較強，這樣能使算 法較快的收斂到全局最優解，解決傳統算法早熟和不收斂等問題。
[0024] 2、針對并網型風光儲微電網功率平衡約束問題目前應用比較多的是在目標函數 中加入懲罰項，通過對偏離功率平衡的粒子相應目標函數值中加入懲罰項，從而使函數值 增大，這樣通過算法尋優將這部分粒子過濾掉，但這樣會造成粒子數量的減少，影響算法的 搜索性能。本發明通過將蓄電池作為直接優化變量和微網與大電網交換功率作為間接優化 變量的方式降低了粒子維度，并且對不滿足荷電狀態約束的粒子和與大電網交換功率約束 的粒子從新初始化和循環迭代，從而保證了粒子的搜索性能，并能相應提高收斂速度。
【附圖說明】
[0025] 圖1是本發明提供的基于量子行為粒子群算法的并網型風光儲微電網優化調度流 程圖；
[0026] 圖2是本發明的一個具體實例優化調度最終方案圖。
【具體實施方式】
[0027]下面結合附圖對本發明的【具體實施方式】做進一步的詳細介紹：
[0028] 本發明提出的基于量子行為粒子群算法的并網型風光儲微電網優化調度方法流 程圖如圖1所示，主要包括如下步驟：
[0029] A、設置算法的各基本參數，所需設置參數主要有粒子個數、粒子維數、迭代次數， 粒子規模數取H = 20,粒子維數也即需要優化的蓄電池出力的時刻數，此處作為日前調度， 調度周期為24h，每Ih為一個時段，故粒子維數取T = 24,迭代次數取L = 500。
[0030] B、載入光伏、風機的預測出力和負荷的預測功率以及實時電價等數據。
[0031] C、設置所有粒子的初始荷電狀態均一致，根據蓄電池總容量計算蓄電池剩余容量 RL
[0032] D、初始化粒子每一維值，也即在蓄電池出力上下限之間隨機賦值，并計算蓄電池 核荷電狀態荷電狀態和微電網與大電網的交換功率Pgrid，其值由下式功率平衡約束決定：
[0033] Prgid = Pioad-Ppv-Pwt-Pb (5)
[0034] 其中Plciad為負荷的需求功率，Ppv為光伏發電的出力，Pwt為風機的出力，Pb為蓄電池 出力。
[0035] E、根據蓄電池荷電狀態和微電網與大電網交換功率Pgrid約束對蓄電池和Pgrid進行 調整，蓄電池荷電狀態約束用下述表達式表示：
[0036] SOCmin < SOC < SOCmax (6)
[0037] 其中SOCmin和SOCmax分別是蓄電池允許的荷電狀態下限和上限；
[0038] Pgrid約束用下述表達式表示：
[0039] Pgrid min ^ Pgrid ^ Pgrid max (7)
[0040 ]其中Pgr i d_min和Pgr i d_max分別是風光儲微電網和大電網聯絡線傳輸功率的最小值和 最大值；
[0041]蓄電池荷電狀態小于其允許的最小值時，說明蓄電池處于過放狀態，則讓蓄電池 放到允許的最低荷電狀態，并計算蓄電池所能允許的最高放電功率，把這個最高放電功率 作為蓄電池的實際出力；當蓄電池荷電狀態大于其允許的最大值時，說明此時蓄電池處于 過充狀態，則讓蓄電池充到