[發(fā)明專利]一種含電動汽車微電網容量配置的多種群遺傳粒子群優(yōu)化方法

有效

• 申請?zhí)枺?/td>: 201710176766.9
• 申請日: 2017-03-23
• 公開（公告）號: CN106887841B
• 公開（公告）日: 2020-09-11
• 發(fā)明（設計）人: 張化光;楊東升;劉鑫蕊;種倩倩;王迎春;楊珺;孫秋野;周博文;會國濤
• 申請（專利權）人: 東北大學
• 主分類號: H02J3/00
• 分類號: H02J3/00;H02J3/32
• 代理公司: 沈陽優(yōu)普達知識產權代理事務所(特殊普通合伙) 21234
• 代理人: 俞魯江

1.一種基于多種群遺傳粒子群算法的含電動汽車的微電網容量優(yōu)化配置的計算方法，其特征在于，包括以下步驟：

第一步，構建包含電動汽車和間歇式可再生能源的微電網系統(tǒng)結構：

構建的微電網系統(tǒng)結構主要由以下5部分組成：風力發(fā)電模塊、光伏發(fā)電系統(tǒng)、電動汽車模塊、儲能電池模塊、電網系統(tǒng)；

第二步，建立太陽能光伏發(fā)電系統(tǒng)模型：

基于徑向基函數神經網絡對光伏發(fā)電功率進行預測，徑向基函數神經網絡包括三層：輸入層，隱含層，輸出層，其中輸入層主要包括：日期、日平均風速、日平均相對濕度、日平均太陽輻射、日平均氣溫，輸出層為光伏發(fā)電系統(tǒng)的每小時輸出功率，用絕對百分誤差Δδ來表示預測模型的性能式中n為預測數據的總數量；A_σ為第σ次的實際數據；F_σ為第σ次的預測數據；

第三步，建立風力發(fā)電系統(tǒng)模型：

風力發(fā)電預測主要與切入風速、切出風速，風力發(fā)電機額定風速和額定功率有關，風力發(fā)電系統(tǒng)的輸出特性表達式為：

當v_f＜v_ci or v_r＞v_co時，

當v_ci≤v_f≤v_r時，

當v_r≤v_f≤v_co時，

式中表示風力發(fā)電機輸出功率，P_r表示風力發(fā)電機的額定功率，v_ci表示風機的啟動風速，v_r表示風機的額定風速，v_co表示風機的切斷風速，v_f表示風機轉軸高度處的風速；

第四步，建立電動汽車和電動汽車充電樁模型：

當電動汽車充電站安裝在停車場時，停車場的擴容費用將隨著停車容量的增加而增加；擴容費用為電動汽車基礎設施成本與增加電能購買成本總和，電動汽車基礎設施的成本應該考慮投資成本、運行維護成本；

每天的電動汽車基礎設施成本可以計算如下：

每年的增加電能購買成本或電能銷售利潤可表示為式中R_exchange(t)為t時刻電價，P_exchange(t)為t時刻微電網與電網之間交換的電能，為電動汽車基礎設施的安裝成本，單位為元；為電動汽車基礎設施的年度運行維護成本；K_EV為安裝的電動汽車充電樁數量；r_EV為年利率；n_EV為折舊年限，T表示機組運行總時間；

第五步，建立公共電網模型：

在單向運行模式下，微電網只能從電網中吸收電能；在雙向運行模式下，微電網不僅能從電網中吸收電能，而且還能向電網輸出電能；微電網與電網之間的功率限制應滿足如下約束：式中表示微電網與電網交換的最小功率限制；表示微電網與電網交換的最大功率限制；表示微電網與電網在t時刻的交換功率；從電網購買電能的價格服從概率密度分布函數式中和分別為t時刻預測的電價和其標準差，為第e次蒙特卡洛試驗中t時刻電價的隨機變量，其均值為0，標準差為1；

第六步，建立系統(tǒng)年費用成本目標函數：

建立的用于最小化的系統(tǒng)年費用成本的目標函數表示如下：G＝g₁(X₁)+g₁(X₂)，式中G為考慮固定年投資費用g₁(X₁)和可變的年運行費用g₂(X₂)的目標函數，X₁和X₂為優(yōu)化變量；

固定年投資費用g₁(X₁)表示為優(yōu)化變量X₁可以表示為X₁＝{M₁,M₂,...,M_i,...,M_m}，式中M_i表示微電網系統(tǒng)中第i種微電源的單元數量；g₂(X₂)表示微電網系統(tǒng)的可變的年運行費用，優(yōu)化變量X₂可以表示為式中U_i,j和P_i,j分別表示系統(tǒng)中第i種微電源的第j個單元的運行狀態(tài)和輸出功率，其中i≤m，j≤Mm，m為微電網系統(tǒng)中微電源的種類數量，Mm為第m種微電源的單元數量；

系統(tǒng)的年度投資成本可表示為為第i種微電源的初始投資成本，為第i種微電源的全壽命周期，主要考慮該系統(tǒng)中的光伏陣列、風力發(fā)電機、儲能電池、電動汽車充電樁，r_MG為利率；

系統(tǒng)的年度重新購置成本可表示為式中為第i種微電源的重新購置成本，主要考慮該系統(tǒng)中的儲能電池和電動汽車充電樁，為第i種微電源的重新購置的壽命周期；

系統(tǒng)的年運行和維護成本可表示為式中R_j(t)為t時刻第j個單元的運行成本，R_j(t)＝1表示機組處于運行狀態(tài)，R_j(t)＝0表示機組處于停止狀態(tài)，為第j個單元的維修成本系數；P_j(t)為第j個單元的輸出功率，T表示機組運行總時間；

減排效益可表示為式中P_PV和P_WG分別為光伏陣列和風力發(fā)電機的輸出功率；P_buy為每年從電網購買的電能；為化石燃料生產1kWh電能的第k種污染物的排放量；R_k為第k種污染物的環(huán)境成本；

第七步，建立全年負荷缺電概率目標模型：

將一年劃分為8760h，認為在每個時間段內風速、光照強度、基礎負荷及電動汽車的充電需求均為恒定的，每隔一小時計算一次缺電概率；全年負荷缺電概率可用如下公式表示：

式中：C_ALOR表示全年負荷缺電概率，C_Lack表示缺電量，C_Load表示負荷需求，表示t時刻基礎負荷，表示t時刻接入微電網的電動汽車提供的電能，表示t時刻光伏電池板提供的電能，表示t時刻風力發(fā)電機提供的電能，表示t時刻儲能電池提供的電能，表示t時刻接入微電網的電動汽車需求的電能；

第八步，建立負荷曲線峰谷差目標模型；建立的經分時電價調整后的負荷曲線峰谷差目標函數如下表示：式中Q為負荷曲線峰谷差；為經分時電價調整后的負荷峰值；為經分時電價調整后的負荷谷值；

第九步，建立約束條件：

約束條件包括：P_PV+P_WG+P_exc+P_storage＝P_Load，η≥η_Desired；

式中P_PV是光伏陣列的輸出功率；P_WG是風力發(fā)電機的輸出功率；P_Storage是儲能電池的放電功率；P_load是負荷功率；η為高峰期的自給率，反映了可再生能源能對負荷提供多少電能，η越大，表示在高峰期間移至電網的負荷越多；是儲能電池的最小放電功率；是儲能電池的最大放電功率；η_Desired是高峰期的需求自給率；

第十步，將多目標函數轉化成單目標函數；采用判斷矩陣法將多目標函數處理成單目標函數，其表達式為：F＝min(ω₁G+ω₂C_ALOR+ω₃Q)，式中F為多目標經處理后的單目標函數，ω₁、ω₂、ω₃為各子目標的權重，根據各目標之間的等級關系確定判斷矩陣；

第十一步，采用多種群遺傳粒子群算法對單目標函數進行優(yōu)化：

基于多種群遺傳粒子群算法求解全局最優(yōu)解的具體步驟為：

(1)編碼和產生初始種群，對微電網系統(tǒng)中的各單元的個數進行整數編碼，隨機生成預先確定規(guī)模的個體；

(2)適應度值評估檢測，將目標函數定為適應度函數，計算個體的適應度值，剔除不滿足要求的個體，將個體的適應度值進行排序，為了保證較高適應度值的個體更好的發(fā)揮作用，選擇60％的適應度較好的個體構成主導者群，剩余的個體構成跟隨者群；

(3)更新粒子的速度和位置，采用粒子群算法更新主導者群和跟隨者群的位置和速度，其中粒子速度和位置更新公式分別為：

v_i*,j*(t*+1)＝ωv_i*,j*(t*)+c₁r₁[p_i*,j*-x_i*,j*(t*)]+c₂r₂[p_g,j*-x_i*,j*(t*)]；

x_i*,j*(t*+1)＝x_i*,j*(t*)+v_i*,j*(t*+1)；

式中：v_i*,j*(t*+1)表示粒子i*在t*+1次迭代中第j*維的速度，i*＝1,2,...,N，N表示可行解的數量，j*＝1,2,...,g，g表示求解的問題維度；v_i*,j*(t*)表示粒子i*在第t*次迭代中第j維的速度，粒子的速度v_i*,j*(t*)的區(qū)間設置為[-v_max,v_max]；ω為慣性權重；c₁和c₂為正的學習因子；r₁和r₂為0～1之間均勻分布的隨機數，p_i*,j*為當前粒子的歷史最優(yōu)解，p_g,j*為粒子群的全局歷史最優(yōu)解；x_i*,j*(t*+1)表示粒子i*在t*+1次迭代中第j*維的位置；x_i*,j*(t*)表示粒子i*在第t*次迭代中第j*維的位置，粒子的位置x_i*,j*(t*)的范圍設置為[-x_max,x_max]，則v_max＝k’×x_max，k’的取值范圍為[0.1，1]；

如果跟隨者群產生新粒子的適應度值低于原來粒子時，則按照如下公式更新速度：

v′_i*,j*(t*+1)＝kv_i*,j*(t*)+s{c₁r₁[p_i*,j*-x_i,j(t*)]+c₂r₂[p_g,j*-x_i*,j*(t*)]}；

式中：I表示隨機產生的一個G’維向量；表示[1,G’]之間的隨機數；h表示在當前粒子的基礎上隨機改變粒子的速度更新方向，()^T表示向量的轉置；v′_i*,j*(t*+1)表示在當前粒子改變速度更新方向的基礎上隨機移動一定的步長；

(4)交叉操作，主導者群和跟隨者群分別按照自適應方法進行交叉操作，交叉公式如下表示：

式中：P_c1P_c2P_c3，P_c1、P_c2和P_c3的取值范圍均屬于(0，1)；f_max表示種群中適應度最大的值；f_avg表示每代種群中的適應度的平均值；f_min表示種群中適應度最小的值；f′表示進行交叉操作的兩個個體中適應度較大的值；

(5)變異操作，主導者群和跟隨者群分別按照自適應方法進行變異操作，變異公式如下表示：

式中：P_m1P_m2P_m3，P_m1、P_m2和P_m3的取值范圍均屬于(0，1)；

(6)終止，判斷是否到達設定的最大遺傳代數，如果沒有達到，則返回步驟(2)；如果達到，則停止迭代，輸出最優(yōu)解；

第十二步，輸出微電網系統(tǒng)的最優(yōu)容量組合；通過上述多種群遺傳粒子群算法，在達到設定的最大遺傳代數時結束迭代，此時，可以得出含電動汽車的微電網系統(tǒng)在系統(tǒng)年費用成本最小時的對應的各單元的最佳容量，則此類容量組合能實現經濟效益的最大化。