[發明專利]基于鸚鵡算法的多能源電力系統優化調度的方法

有效

• 申請號: 202011631340.6
• 申請日: 2020-12-31
• 公開（公告）號: CN112580897B
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 劉興華;耿晨;李翔;同向前
• 申請（專利權）人: 西安理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/0631;G06Q50/06;G06N3/006;G06F30/27;G06F30/25;G06F111/04;G06F113/04;G06F119/06;G06F119/08
• 代理公司: 北京國昊天誠知識產權代理有限公司 11315
• 代理人: 楊洲

1.基于鸚鵡算法的多能源電力系統優化調度的方法，其特征在于，包括以下步驟：

步驟1，建立考慮經濟性和環保性的多能源電力系統優化調度的數學模型；

所述的步驟1，建立考慮經濟性和環保性的多能源電力系統優化調度的數學模型，具體步驟為：

步驟1.1，得到包含光伏發電、風力發電機、微型燃氣輪機、燃料電池、儲能單元的多能源電力系統各個發電單元的輸出特性和成本組成：

1)光伏發電單元：

光電的主要特性如下所示：

式中，K_r＝0.0017(A/℃)，T_r＝301.18K，其中P是光伏板發出的功率，V是光伏板發出的電壓，I是光伏板發出的電流，m是并聯板電池數，I_ph是光伏組件經由光照射所產生，I₀是初始電流，q是電池內部電子電量常量，R_s是串聯單向電阻，n是串聯電池數，A是二極管特性擬合系數，K_r是玻爾茲曼常數，T_r是標準溫度，T是測量時刻的溫度；

在實際應用時，由于系統出力受光伏電池環境溫度和太陽輻射下系統強度的多種因素影響，所以會以標準條件下來修正：

式中：G_STC＝1000W/m²，k＝-0.47％/℃，T_r＝25℃，G_STC是標準太陽輻照強度，G_ING是實際太陽輻照強度，k是功率溫度系數，T_c是實際溫度，T_r是標準溫度，

太陽能光伏燃料電池直接從太陽獲取的能量，屬于可再生能源，還應該全方位考量其工作費用和維修費用；

2)風力發電單元：

風電的功率特性如下：

在實際條件下，此處不考慮環保成本與利用率成本，只考慮其修理的成本，其中V是風機輸入的風速，V_r是標準風速，P_r是標準功率，P_WT是風機輸出功率，V_co是風機切出風速，V_ci是風機切入風速；

3)微型燃氣輪機：

微型燃氣輪機功率函數模型如下：

其中，η_MT是型通用燃氣輪機的效率，P_MT是型通用燃氣輪機的輸出功率；

微型通用燃氣輪機的正常維護運行以及日常維護費用成本相關函數：

式中，K_OMMT直接取0.047元/kWh，其中，K_OMMT是微型通用燃氣輪機的正常維護運行以及日常維護費用成本系數，C_OMMT是微型通用燃氣輪機的正常維護運行以及日常維護費用成本；

微型燃汽輪機的外部污染治理排放系數及其治理費用和成本的函數計算如下式所示：

其中，C_EMMT是微型燃汽輪機的外部污染治理排放系數及其治理費用和成本，λ_k是排放因子，α_k是折扣系數；

4)燃料電池：

P為40kW，其功率輸出P_FC與發電效率η_FC的關系可由下式表示：

η_FC＝-0.0023P_FC+0.6735???????????????????(7)

其中，η_FC是燃料電池的效率，

在維持燃料電池發電動力系統正常穩態持續發電的過程中，燃料電池的有效輸入量和燃料電池輸出能耗投入的發電成本的比例關系可用下式進行表示：

式中：LHV_ng是天然氣低熱值取9.7kWh/m³，C_ng是天然氣成本，P_FC(t)是t時刻燃料電池的功率，C_FFC(t)是t時刻燃料電池費用，η_FC(t)是燃料電池效率；

燃料轉化電池的正常工作運行以及維護管理成本可用下式來表示：

其中，C_EMFC是燃料轉化電池的正常工作運行以及維護管理成本，α_k是折扣系數，λ_k是排放因子；

5)儲能單元：

充分考慮了多能源電力蓄電池的兩種重要約束，即蓄電池充放電功率約束和蓄電池最大容量約束，所以便于蓄電池的應用在t時刻荷電狀態可表示為：

式中，I是蓄電池的電流，P_BT是蓄電池的功率，U_BT是蓄電池的電壓，SOC是蓄電池的荷電狀態，s_sdr是蓄電池的自放電率，η_bce是蓄電池的充放電效率，C是蓄電池的電池容量，△t是時間間隔，取△t＝1h,η_bce放電時其值為1，充電時在0.65～0.85范圍內；

步驟1.2，構建多能源電力系統環保經濟運行的目標函數：

1)經濟成本目標函數

這一目標函數是使每個單元都有最小的操作成本，包括微電網與主網交互成本、運行維護成本、制熱收益、孤網負荷補償成本、制冷收益以及微電源的燃料成本，表示公式如下：

式中，C₁是運行成本，C_f是燃料成本，C_OM是檢修維護成本，C_geid是微網主網交互成本，C_sh是制熱成本，C_sc是制冷成本，C_L是補償成本，e、b是費用考慮系數。當這兩個值取e＝1,b＝0時，系統并網工作，主網與系統之間存在交互成本；e＝0,b＝1，即系統孤網工作，要取掉一定比例的負荷，那么這種情況下就有切負荷補償成本，

其中：

C_grid(t)＝C_g(t)P_g(t)-C_s(t)P_s(t)?????????????????(15)

C_sh(t)＝Q_ho×K_ho??????????????????????(16)

C_sc(t)＝Q_co×K_co??????????????????????(17)

C_L(t)＝C_bu×P_CL(t)????????????????????(18)

式中：LHV_ng是天然氣低熱值取9.7kWh/m³，C_ng是天然氣成本，P_FC(t)是t時刻燃料電池的功率，C_FFC(t)是t時刻燃料電池費用，η_FC(t)是燃料電池效率；P_i是第i個發電單元的輸出功率，η_i第i個發電單元的效率，C_OM是檢修維護成本，K_OMi是第i個發電單元正常維護運行以及日常維護費用成本系數，C_grid是微網主網交互成本，C_g是微網向主網購電成本，P_g是微網向主網購電功率，C_s是微網向主網賣電成本，P_s是微網向主網賣電功率，C_sh是制熱成本，Q_ho是熱值量，K_ho是制熱系數，C_sc是制冷成本，Q_co是冷值量，K_co制冷系數，C_L是補償成本，C_bu是微網支付的停電電量損失，P_CL切負荷功率，n是發電單元總數，i是發電單元編號；

2)環保目標函數

這一目標函數是考慮到多能源電力系統的環境效益最大，即能源的污染排放和治理的成本最小，表示公式如下：

式中：C₂是環保成本，C_K處理污染物懲罰系數，r_ik第k類型排放的i個發電單元的輸出功率系數，P_i是第i個發電單元的輸出功率，α是外部折扣系數，r_gridk是第k類型排放的微網主網交互系數，C_g是微網向主網購電成本，P是微網向主網購電功率，t是調度的時間，T是調度的總時間，M是排放類型(NOX、SO2或者CO2)數，k是排放類型，n是發電單元總數，i是發電單元編號；

步驟1.3，構建多能源電力系統環保經濟運行的約束條件：

1)電功率平衡約束

其中，P_i是第i個發電單元發出的功率，P_ball是蓄電池釋放的功率，P_grid是微網主網交互功率，P_L是孤網下切負荷功率，β是運行系數，P_CL是切負荷功率，當系統并網運行時，β＝0；當系統孤網運行時，β＝1；

2)冷熱平衡約束

其中，Q_ho是制熱量，是第k個冷熱電聯供系統制熱量，Q_co是制冷量，是第k個冷熱電聯供系統制冷量，是冷熱電聯供系統制熱量最大值，是冷熱電聯供系統制熱量最小值，是冷熱電聯供系統制冷量最大值，是冷熱電聯供系統制冷量最小值，M是冷熱電聯供系統的總數；

3)微源功率的限定值的約束

P_i^min≤P_i(t)≤P_i^max??????????????????????(23)

其中，P_i^max和P_i^min分別表示發電單元發出功率的最大值和最小值；

4)蓄電池運行約束

其中，S_in為輸入荷電狀態，SOC^min為最小荷電狀態，SOC^max為最大荷電狀態，P_ball為蓄電池的充放電功率，為蓄電池最小的充放電功率，為蓄電池最大的充放電功率；

5)多能源電力系統與主網允許傳輸功率約束

其中，和分別表示電網傳輸功率的最大值和最小值；

步驟2，設計鸚鵡算法；

所述的步驟2，設計鸚鵡算法，具體的步驟為：

步驟2.1，引入自適應權重法：

受到鸚鵡具有自我學習能力與不同環境適應能力的啟發，引入自適應權重法，權重公式描述了鸚鵡個體上一代運動速度對當前一代運動速度的一個線性周期變化率的影響，本文以非線性運動法作為計算物體慣性運動權重w的基本方法和應用策略，其改進的計算公式如下：

式中：w_max、w_min分別表示為最大權重值和最小權重值，取w_min＝4.0，w_max＝9.0；慣性權重和適應系數的最小值會隨著自適應鸚鵡個體的目標適應度函數值的大小改變而發生改變，所以該慣性權重又命名為自適應權重；

步驟2.2，引入學習因子：

在鸚鵡算法中，兩異步速度變化的群算法學習因子c₁、c₂會隨著優化時間的長短發生不同的改變，對鸚鵡個體優化加以下的要求：在鸚鵡個體的群算法開始和結束階段，鸚鵡個體必須具有較大的自我參與學習的能力，應該需要加強其全局學習和搜索的能力；而在群算法尋優的快速開始和結束時，鸚鵡個體必須具有較弱的自我參與社會學習的能力和較強的自我社會學習的能力，因此加快鸚鵡種群算法收斂的速度，有利于快速的群算法收斂得到快速的全局最優解，具體的公式如下：

式中：c₁是第1個學習因子，c_1f是第1個最終學習因子，c_1t是第1個初始學習因子，t_max是最大時間，t是時間，c₂是第2個學習因子，c_2f是第2個最終學習因子，c_2t是第2個初始學習因子，取c_1t＝c_1f＝2.5，c_1t＝c_1f＝0.5；

步驟3，構建三種不同的多能源電力系統優化調度策略，對鸚鵡算法的有效性進行驗證；

所述的步驟3，構建三種不同的多能源電力系統優化調度策略，對鸚鵡算法的有效性進行驗證，具體的步驟為：

步驟3.1，多能源電力系統的多目標函數處理方法：

1)多目標優化算法的通用模型：

式中：f(X)是總目標函數，f₁(X),f₂(X),…,f_m(X)是m個不同的子目標函數，m表示個數的多少，g_i(X)為不等式約束，i表示等式約束的個數，h_j(X)表示等式約束，j表示等式約束的個數，X為n個變量x₁,x₂,…,x_n所組成的n維決策變量。在多目標優化問題中，取不等式約束m≥2；等式約束取s.t.g_i(X)≥0和h_j(X)＝0；

2)多能源電力系統的多目標函數處理辦法：

多目標優化的各個子目標較難同時實現總目標最優化，因此采用一種線性加權函數求和法對多目標進行了最優化，來實現多目標電力系統的優化，具體表示為：

minf(X)＝w₁f₁(X)+w₂f₂(X)?????????????????(31)

式中：f(X)為總的目標函數，f₁(X)為第1個目標函數，f₂(X)為第2個目標函數，w₁，w₂分別表示第1個目標函數和第2個目標函數的權重，w₁≥0,w₂≥0，且滿足w₁+w₂＝1，隨機權重w₁和w₂由下式確定：

式中：r_i是非負隨機數，r₁，r₂是均是非負隨機數；

步驟3.2，多能源電力系統的約束條件處理方法：

利用罰函數法處理約束條件，它將優化問題中含有不等式約束和等式約束的函數經過加權優化處理后，與原優化目標函數相結合，直接得到一個新的目標函數，此時，原約束問題轉化成新的無約束條件的優化問題，對這個無約束的優化問題進行求解即可。

步驟3.3，構建三種不同的多能源電力系統優化調度策略：

根據多能源電力系統是否與主網之間的并網協同運行，確定微電源和主網的優先級，構建了以下管控策略：

策略一：微電源優先級高于主網，若微電源功率不夠，則向主網購電；

策略二：微電源與主網優先級相同，若微電源電量不夠，只能從主網購電；

策略三：微電源與主網優先級相同，若微電源電量不足，不限制從主網購電；

步驟3.4，采用鸚鵡算法求解三種不同的多能源電力系統優化調度策略：

采用鸚鵡算法對提出的三種不同的多能源電力系統優化調度策略進行求解，

首先，生成隨機移動的鸚鵡種群，初始化全部隨機鸚鵡個體的初始值和鸚鵡個體的移動速度v，并且隨機設定鸚鵡個體移動位置以及各種隨機鸚鵡個體移動參數；

其次，評價每個鸚鵡個體的適應度，計算個體極值p_best及全局極值g_best，并根據相關公式對被測鸚鵡個體的移動區域和移動速度v的兩個參數進行更新；

再次，對學習習慣性的權重因子進行調整，并通過比較迭代后鸚鵡個體的適應度值的大小與上一次迭代后鸚鵡個體的適應度值的大小，來決定是否要更新個體極值和全局極值；

最后，根據是否達到迭代的次數或者最大適應參數值沒有發生變化兩個條件來判斷是否終止算法，若滿足條件之一，則算法結束，若不滿足，則重新進行初始化進行相關操作。