本發明涉及微電網的優化規劃設計領域，尤其是涉及一種結合序列運算和粒子群算法的獨立微電網優化配置方法。

背景技術：

隨著傳統能源危機，環境問題不斷緊張，發展可再生能源發電(Renewable energy power，REP)技術成為解決傳統能源所帶來問題的必然途經。有效利用分布式可再生能源的微電網技術是目前采用的重要形式，但是其風、光等分布式發電輸出的隨機性和間歇性的主要特點直接給微電網運行安全性和穩定性帶來了一系列影響。

根據所需規劃微網所在地的歷史風速、光照強度和負荷等數據對系統進行仿真計算得到系統全壽命周期內優化目標值，但是考慮到風速和光照強度具有隨機性和間歇性并且負荷也存在波動性，這些不確定性因素會使得已有的優化配置方法不能保證在風速、光照和負荷發生一定程度波動的實際運行狀態下的系統還能在最佳狀態下運行，從而導致系統實際運行的安全性和可靠性的水平受到很大影響。所以在進行微電網優化配置時需要將這些不確定性因素考慮進去才能保證并且提高微電網系統運行的安全性和可靠性。

技術實現要素：

本發明的目的就是為了克服上述現有技術存在的缺陷，針對微電網優化配置中風光的隨機性和間歇性以及負荷的波動性，提供一種結合序列運算和粒子群算法的獨立微電網優化配置方法。

本發明的目的可以通過以下技術方案來實現：

一種結合序列運算和粒子群算法的獨立微電網優化配置方法，包括：

模型建立步驟，建立優化數學模型，該優化數學模型的目標函數為整個微電網 全月總費用最小，約束條件包括能源供需平衡約束、分布式供能設備的可利用性約束和蓄電池設備約束；

模型求解步驟，從待規劃區域歷史氣象數據庫中獲取所述優化數學模型的輸入變量參數值，采用結合序列運算理論的粒子群算法對所述優化數學模型進行求解，獲得優化數學模型決策變量的輸出數據，根據所述決策變量的輸出數據獲得獨立微電網中風機、光伏和蓄電池的最優配置數量。

所述目標函數的表達式為：

式中：T為運行時間，N為電源的類型數目，電源的類型包括風機、光伏和蓄電池，x＝[x₁,x₂,...x_N]為決策變量，x_i為第i種電源的數目，C_CPi(t)、C_OMi(t)、C_Ei(t)、C_Si(t)分別為t時刻第i種電源的初始投資成本、運行維護成本、懲罰費用和發電補貼。

所述能源供需平衡約束為：

P_EL＝P_L-(P_WT+P_PV)

式中：P_WT風機出力，P_PV為光伏出力，P_L為負荷的等效值，P_EL為等效負荷；

所述分布式供能設備的可利用性約束包括風機光伏出力約束、負載供電率機會約束和能量過剩率機會約束，其中，所述風機光伏出力約束為：

式中：N_WT為風機個數，N_PV光伏個數，P_WTN、P_PVN分別為單臺風機、單臺光伏組件的額定功率；

所述負載供電率機會約束為：

式中：P_r{}為事件成立的概率，α為預先給定的置信水平，R(t)為時刻t的蓄電池容量，表示時刻t的等效負荷；

所述能量過剩率機會約束為：

式中，β為預先給定的置信水平；

所述蓄電池設備約束包括荷電狀態約束和蓄電池充放電功率約束，其中，所述荷電狀態約束為：

SOC_min≤SOC≤SOC_max

式中：SOC為蓄電池的荷電狀態，SOC_min、SOC_max分別為允許荷電狀態的上下限；

所述蓄電池充放電功率約束為：

式中：分別為t時刻蓄電池允許的最大充電功率和放電功率， 分別為蓄電池允許的最大可充、放電電流，SOC(t)為t時刻蓄電池的荷電狀態，C_bat為蓄電池容量，Δt為時間間隔，U_bat(t)為t時刻蓄電池的電壓。

所述待規劃區域歷史氣象數據庫存儲有區域內風歷年風速、光照強度和負荷數據，能源設備性能特性和價格信息以及區域新能源相關政策補貼信息。

所述采用結合序列運算理論的粒子群算法對所述優化數學模型進行求解的具體過程為：

1)設置粒子群算法的參數，包括最大迭代次數Nmax和設定時間段Tmax；

2)根據所述輸入變量參數值生成單個風機出力、光伏發電及負荷的概率性序列；

3)隨機生成初始化粒子群，每一個粒子為由風機個數N_WT、光伏個數N_PV和蓄電池個數N_BAT組成的三維向量，初始化迭代次數Ngen＝0；

4)初始化當前時刻t＝0；

5)計算t時刻的等效負荷的概率性序列和各約束條件；

6)判斷t＝Tmax是否成立，若是，則執行步驟7)，若否，則t＝t+1，返回步驟5)；

7)計算當前粒子群的目標函數值，進行適應性評價；

8)判斷Ngen＝Nmax是否成立，若是，則輸出最優結果，若否，則更新粒子群速度和位置后，返回步驟4)。

所述概率性序列表示為：

式中：F(i)為概率性序列，N_F為序列長度，取為[P_max/ΔP]，[x]表示不大于x的整數，P_max為隨機變量最大值，ΔP為離散化步長，f(p)為隨機變量的概率密度函數。

所述t時刻的等效負荷的概率性序列表示為：

式中：f(i_ft)為t時刻的等效負荷的概率性序列，d(i_dt)為t時刻的負荷P_L(t)概率性序列，c(i_ct)為t時刻的風光共同隨機出力概率序列，i_dt、i_ct、i_ft均為序列號，N_ft為等效負荷的概率性序列的序列長度；

t時刻的風光共同隨機出力概率序列定義為：

a(i_at)、b(i_bt)分別為t時段風機出力P_PVt和光伏出力P_PVt的概率性序列，i_at、i_bt均為序列號，N_ct為風光共同隨機出力概率序列的序列長度。

與現有技術相比，本發明具有以下有益效果：

1)本發明通過結合序列運算理論和粒子群算法，將基于機會約束規劃的優化配置模型轉化為定量性計算滿足概率約束的確定性模型，優化求解獨立微電網的優化規劃的風機，光伏和儲能的數量，從而解決了獨立微電網的優化配置時風速，光照強度的隨機性和負荷的波動性的不確定因素的問題，解決了現有方法中未考慮不確定因素從而影響微電網運行的安全性和可靠性問題，提高了配置可靠性，為確定合理的規劃設計方案提供科學依據。

2)通過本發明配置方法可以使太陽能、風能等可再生能源進行合理、高效利用，并且可以保證微電網運行的可靠性和安全性。

附圖說明

圖1為一風-光-儲獨立微電網的結構示意圖；

圖2為本發明模型求解過程的流程示意圖；

圖3為本發明采用結合序列運算理論和粒子群算法的等效負荷的序列概率圖。

具體實施方式

下面結合附圖和具體實施例對本發明進行詳細說明。本實施例以本發明技術方案為前提進行實施，給出了詳細的實施方式和具體的操作過程，但本發明的保護范圍不限于下述的實施例。

本實施例提供一種結合序列運算和粒子群算法的獨立微電網優化配置方法，風-光-儲獨立微電網的結構示意圖如圖1所示，該方法包括：

模型建立步驟，建立優化數學模型，包含目標函數和約束條件，所述目標函數表示決策變量與輸入變量和/或中間變量間的數學等式關系；所述約束條件基于決策變量、輸入變量或中間變量定量呈現源、荷、儲間的能量關系。該優化數學模型的目標函數為整個微電網全月總費用最小。約束條件采用分布式電源、儲能設備特性信息主要包括既有電源和儲能設備的安裝容量﹑技術參數，以及其他有可能配置的分布式電源、儲能設備的性能(額定容量﹑效率等)和價格參數(初期投資﹑運維費用等)。約束條件包括能源供需平衡約束、分布式供能設備的可利用性約束和蓄電池設備約束。

模型求解步驟，從待規劃區域歷史氣象數據庫中獲取優化數學模型的輸入變量參數值，采用結合序列運算理論的粒子群算法對優化數學模型進行求解，獲得優化數學模型決策變量的輸出數據，根據決策變量的輸出數據獲得獨立微電網中風機、光伏和蓄電池的最優配置數量。待規劃區域歷史氣象數據庫存儲有區域內風歷年風速、光照強度和負荷數據，能源設備性能特性和價格信息以及區域新能源相關政策補貼信息等。

在進行設備配置時，本方法建立的優化模型綜合考慮風速，光照強度的隨機性和負荷的波動性的不確定因素，解決了現有方法中設備配置不能保證微電網的安全性和可靠性的問題，為確定合理的規劃方案提供科學依據。

1.發電單元的數學模型

1.1風力發電出力的數學模型

采用威布爾分布描述風速統計概率密度函數，表示為：

式中：c為weibull分布的尺度參數，k分別為weibull分布的形狀參數。

風機的輸出功率如下式所示：

式中：P_N為風機額定輸出功率；v為風機輪轂高度處的風速；v_N為額定風速；v_in為切入風速；v_out為切出風速。

1.2光伏發電出力的數學模型

一定時間段內的太陽輻照度可近似看為Beta分布。概率密度分布表示為：

式中：r_max為該時段內太陽最大光照強度，α、β分別為Beta分布的形狀參數。

光伏組件穩態功率輸出采用下列模型：

P＝rAη₀·CEE·IE

式中：r為該時段內太陽輻照度，CEE為連接效率，IE為逆變器轉換效率，A為光伏陣列的總面積，A_m為單個電池組件的面積，η₀為光伏陣列的光電轉換效率。

1.3負荷的數學模型

微網的負荷波動可認為服從正態分布：U_L為負荷的期望值， 是負荷波動的標準差。本實施例所指負荷默認為有功負荷。

1.4蓄電池的數學模型

在微電網中蓄電池是使用較為廣泛的儲能裝置，不考慮儲能單元的內部電路，從剩余電量，充放電兩個方面對蓄電池儲能系統建模。

①蓄電池充電模型

t時刻蓄電池剩余容量為：

②蓄電池放電模型

t時刻蓄電池剩余容量為：

式中：SOC(t)、SOC(t-1)分別為第t，t-1個時段結束時蓄電池的剩余電量；δ為蓄電池自放電率，％/h；P_t(t)為微網系統t時刻風光的供電量，kW；P_L(t)為t時刻所需電負荷，kW；η_inv、η_c、η_d分別為逆變器的效率、蓄電池的充電效率、蓄電池放電效率,％；E_bat為蓄電池的額定容量，kW·h。

2機會約束規劃的優化配置模型

2.1目標函數

獨立型的微電網系統優化目標是在保證滿足約束條件的前提下盡可能的減少綜合成本。本實施例以風機個數N_WT，光伏個數N_PV和蓄電池個數N_BAT為變量，目標函數主要考慮了設備投資成本、運行和維護成本、懲罰成本及發電補貼這4部分費用，優化配置結果在滿足微電網系統約束條件的同時使得微電網綜合投資費用最低。本實施例假設在同一地點的風機出力和光伏出力都是相同并且相互獨立的。

式中：T為運行時間，N為電源的類型數目，電源的類型包括風機、光伏和蓄電池，x＝[x₁,x₂,...x_N]為決策變量，x_i為第i種電源的數目，C_CPi(t)、C_OMi(t)、C_Ei(t)、C_Si(t)分別為t時刻第i種電源的初始投資成本、運行維護成本、懲罰費用和發電補貼。

①設備投資費用

式中：C_INSi為第i個微電源單位容量的投資成本；k_i為第i個微電源的容量因數，等于第i個微電源的年發電量/(8760*該微源的額定容量)；r為年利率，取6.7％；n_i為第i個微電源的壽命；P_i(t)為第i個電源t時刻的有功功率輸出。

②運行和維護費用

C_OMi正比于微源的實際運行功率：

C_OMi(t)＝K_OMiP_i(t)

式中：K_OMi為第i個微電源單位容量的運行維護成本系數。

③懲罰費用

引入停電懲罰費C_El(t)和能量浪費懲罰費用C_Ew(t)減少微電源總出力高于負荷需求所造成的能量浪費和微電源總出力低于負荷需求所造成的電力不足。

C_El(t)＝k_lP_l(t)

C_Ew(t)＝k_wP_w(t)

式中：k_l、k_w分別為電力不足懲罰系數和能量浪費懲罰系數；P_l(t)、P_w(t)分別為t時刻功率缺額和功率過剩。

④發電補貼

政府對新能源發電也有相應的發電補貼。

C_Si(t)＝p_sP_s(t)

式中：p_s為補貼電價；P_s(t)為t時刻風機和光伏輸出功率。

2.2約束條件

定義風機出力、光伏出力和負荷的等效值為等效負荷(Equivalent Load,EL)，三者的關系見式：

P_EL＝P_L-(P_WT+P_PV)

①風機、光伏出力約束

式中：P_WTN、P_PVN分別為單臺風機、單臺光伏組件的額定功率。

②負載供電率機會約束模型

如果滿足系統所有情況下的可靠性，其中包括實際運行中某些發生概率很小的極端情況，則需要很大的儲能容量和較高的經濟成本才能實現。運用機會約束規劃方法構建負載供電率可靠性概率約束模型，即風光出力與儲能容量滿足負荷需求的概率。合適的置信水平可使得可靠性和經濟性的折中求解最優化配置結果。負載供電率概率約束描述如下式，即t時刻當等效負荷小于0則表示風光出力滿足負荷需求或者等效負荷大于0表示風光出力不滿足負荷但是此時儲能剩余容量滿足剩余負荷：

式中：P_r{}為事件成立的概率；α為預先給定的置信水平；R(t)為時段t內系統儲能容量。

③能量過剩率機會約束模型

能量過剩率概率約束描述如下式，即風光出力滿足負荷需求的同時又超出儲能的剩余儲能容量：

式中：P_r{}為事件成立的概率；β為預先給定的置信水平；R(t)為時段t內系統儲能容量；

④蓄電池充放電約束

a.荷電狀態約束

SOC_min≤SOC≤SOC_max

式中：SOC_min、SOC_max分別為允許荷電狀態的上下限。

b.充放電功率的約束

式中：分別為第t小時蓄電池允許的最大充電功率和放電功率；C_bat為蓄電池容量，A·h；分別為蓄電池允許的最大可充、放電電流，一般取額定容量的20％。

3結合序列運算理論的粒子群算法的優化數學模型求解

3.1風光出力和負荷的序列化建模

在序列運算的理論基礎上，將隨機變量根據其概率密度函數轉換為概率性序列。已知隨機變量的概率密度函數為f(p)，則概率性序列可表示為：

式中：N_F為序列長度，取為[P_max/ΔP]，[x]表示不大于x的整數；P_max為隨機變量最大值；ΔP為離散化步長，一般取多個隨機變量的公約數。

3.2結合粒子群算法與序列理論求解等效負荷的概率性序列

(1)風光共同隨機出力概率序列

如果t時段風機出力P_PVt和光伏出力P_PVt的概率性序列分別為a(i_at)、b(i_bt)，序列長度分別為N_at、N_bt，假設共同隨機出力P_WTPVt概率性序列為c(i_ct)，序列長度為N_ct，那么c(i_ct)由a(i_at)與b(i_bt)卷和運算得到：N_ct＝N_at+N_bt。根據卷 和定義有：

粒子群算法在初始化時會隨機抽取粒子群，在每一次迭代過程中會改變粒子的速度和位置重新尋找最優解。本實施例的求解過程中每一個粒子的維數是風機個數N_WT，光伏個數N_PV和蓄電池個數N_BAT三維，n個粒子則組成粒子群。

t時段風機出力P_PVt和光伏發電P_PVt的概率性序列都是數臺風機的總出力和數個光伏的總出力。將粒子群算法中每一次迭代過程中的粒子取值中風機臺數和光伏模塊個數分別與t時段單臺風機出力和單個光伏出力的概率性序列相結合，則可以分別得到t時段風機總出力和光伏總出力的概率性序列，經過卷和運算可得到風光共同隨機出力的概率性序列。

(2)等效負荷的概率序列

將負荷概率性序列和共同隨機出力概率性序列進行卷差計算可得等效負荷的概率性序列。如果t時刻的負荷P_L(t)概率性序列為d(i_dt)，序列長度為N_dt，等效負荷P_EL(t)的概率性序列為f(i_ft),序列長度為N_ft，則由卷差計算得到f(i_ft)＝d(i_dt)-c(i_ct),N_ft＝N_dt，等效負荷P_EL(t)的概率性序列表示如式：

當i_ft＝0時卷差運算是有實際物理意義的，i_ft＝0的概率是所有負荷小于等于風光共同隨機出力的概率之和，也就是將所有負荷與風光共同隨機出力之差的負值部分合并到此點上。此時等效負荷小于0，可靠性滿足的概率為100％，因此歸并到i_ft＝0符合實際分析需求。如圖3是某時間點等效負荷的概率性序列。

3.3負載供電率概率性約束的確定性計算

為計算負載供電率滿足概率，定義0-1變量如式：

上式表明：在t時刻如果風光的共同出力滿足負荷需求或者在風光的共同出力不滿足負荷需求時儲能剩余容量滿足剩余的負荷，此時對應的h(i_ht)則取1，其他 的情況取0，則此時的負載供電率概率則是對所有滿足情況的序列概率的累積，則t時段負載供電率約束滿足的概率可確定性計算為：

當χ＞α時表示滿足負載供電率機會約束，其中α為滿足負載供電率的置信水平。

3.4能量過剩率概率約束的確定性計算

基于同樣的理論計算能量過剩率滿足概率，定義0-1變量如式：

上式表明：在t時刻風光的共同出力滿足負荷需求并且儲能系統也不能完全消耗掉剩余的風光出力時，變量取1，否則取0。

則能量過剩率約束滿足概率可確定性計算為：

當δ＞β時表示滿足能量過剩率機會約束，其中β為滿足能量過剩率的置信水平。

如圖2所示，本方法中，采用結合序列運算理論的粒子群算法對所述優化數學模型進行求解的具體過程為：

1)設置粒子群算法的參數，包括最大迭代次數Nmax和設定時間段Tmax，本實施例中Tmax＝720；

2)根據輸入變量參數值生成單個風機出力、光伏發電及負荷的概率性序列；

3)隨機生成初始化粒子群，每一個粒子為由風機個數N_WT、光伏個數N_PV和蓄電池個數N_BAT組成的三維向量，初始化迭代次數Ngen＝0；

4)初始化當前時刻t＝0；

5)計算t時刻的等效負荷的概率性序列和各約束條件；

6)判斷t＝Tmax是否成立，若是，則執行步驟7)，若否，則t＝t+1，返回步驟5)；

7)計算當前粒子群的目標函數值，進行適應性評價；

8)判斷Ngen＝Nmax是否成立，若是，則輸出最優結果，若否，則更新粒子群速度和位置后，返回步驟4)。

在獲得輸入變量參數值之后，將約束條件中的機會約束規劃模型轉化為確定性定量性計算，可對上述優化數學模型求解，得到優化配置的風機，光伏和儲能數量的最優化配置結果，具體說明如下：

1)配置結果中的決策變量為機個數N_WT，光伏個數N_PV和蓄電池個數N_BAT。確定了配置數量即可確定相應投資，以及計算相關的約束條件指標等。

2)優化組合配置與設備容量和成本有關。在輸入數據庫中，風機，光伏和儲能設備預先設定了機型，其額定容量和成本以及一些相關參數已定。

3)評價層面主要是根據上述決策變量的優化結果進行的再計算得到的一指標，并不涉及獨立的決策變量。

上面各種方法的步驟劃分，只是為了描述清楚，實現時可以合并為一個步驟或者對某些步驟進行拆分，分解為多個步驟，只要包含相同的邏輯關系，都在本專利的保護范圍內；對算法中或者流程中添加無關緊要的修改或者引入無關緊要的設計，但不改變其算法和流程的核心設計都在該專利的保護范圍內。

本領域的普通技術人員可以理解，上述各實施方式是實現本發明的具體實施例，而在實際應用中，可以在形式上和細節上對其作各種改變，而不偏離本發明的精神和范圍。