[發(fā)明專利]基于改進(jìn)差分進(jìn)化算法的微網(wǎng)容量優(yōu)化配置方法

在審

• 申請?zhí)枺?/td>: 202110008891.5
• 申請日: 2021-01-05
• 公開（公告）號: CN112836423A
• 公開（公告）日: 2021-05-25
• 發(fā)明（設(shè)計(jì)）人: 吳定會(huì);張子恒;歐陽洪才;祝志超;張娟;馬睿潔
• 申請（專利權(quán)）人: 江南大學(xué)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/23;H02J3/38;H02J3/32;G06F111/04;G06F113/04
• 代理公司: 無錫華源專利商標(biāo)事務(wù)所(普通合伙) 32228
• 代理人: 聶啟新

1.基于改進(jìn)差分進(jìn)化算法的微網(wǎng)容量優(yōu)化配置方法，其特征是，包括以下步驟：

步驟1、微網(wǎng)系統(tǒng)的發(fā)電側(cè)由多種發(fā)電方式組成，包括風(fēng)力發(fā)電、光伏發(fā)電、柴油發(fā)電機(jī)發(fā)電以及儲(chǔ)能的充放電，對微網(wǎng)中4種發(fā)電形式進(jìn)行數(shù)學(xué)建模；將風(fēng)力發(fā)電機(jī)、光伏電池板、柴油發(fā)電機(jī)以及儲(chǔ)能的數(shù)量作為規(guī)劃的變量，建立風(fēng)光柴儲(chǔ)獨(dú)立型微網(wǎng)的數(shù)學(xué)模型；

步驟2、根據(jù)負(fù)載的特性和風(fēng)光柴儲(chǔ)互補(bǔ)發(fā)電系統(tǒng)特點(diǎn)，確定該系統(tǒng)的能量調(diào)度策略；

步驟3、系統(tǒng)的總成本由各個(gè)發(fā)電系統(tǒng)的投資與運(yùn)維費(fèi)用、停電懲罰與能量浪費(fèi)費(fèi)用以及環(huán)保成本組成，以總成本最低為目標(biāo)函數(shù)，構(gòu)建系統(tǒng)的目標(biāo)函數(shù)方程在滿足約束條件的情況下，求取風(fēng)機(jī)數(shù)量、光伏數(shù)量、儲(chǔ)能數(shù)量和柴油發(fā)電機(jī)數(shù)量的最佳配置；

步驟4、利用Matlab軟件對系統(tǒng)的數(shù)學(xué)模型進(jìn)行編程與仿真，將改進(jìn)差分進(jìn)化算法應(yīng)用于微網(wǎng)的容量優(yōu)化配置中；該應(yīng)用于微網(wǎng)容量優(yōu)化配置中的改進(jìn)差分進(jìn)化算法的過程主要包括：(1)應(yīng)用反向?qū)W習(xí)策略生成初始化種群，其中每一個(gè)個(gè)體代表一種容量配置方案；(2)差分進(jìn)化算法中縮放因子通過變異操作實(shí)現(xiàn)個(gè)體之間的變異，通過對新一代個(gè)體的搜索來找到優(yōu)秀的解；所述縮放因子隨著迭代的進(jìn)行而進(jìn)行自適應(yīng)的變化；(3)根據(jù)個(gè)體的適應(yīng)度值的大小，利用精英選擇機(jī)制將當(dāng)前種群劃分為精英種群和非精英種群；將差分進(jìn)化算法的兩種變異策略結(jié)合，對于精英種群和非精英種群應(yīng)用不同的變異策略進(jìn)行交叉操作，得到新一代種群；(4)反復(fù)進(jìn)行迭代，當(dāng)?shù)螖?shù)達(dá)到設(shè)定的最大值時(shí)，結(jié)束迭代并輸出最優(yōu)個(gè)體，最優(yōu)個(gè)體對應(yīng)了微網(wǎng)容量配置的最優(yōu)方案。

2.如權(quán)利要求1所述的基于改進(jìn)差分進(jìn)化算法的微網(wǎng)容量優(yōu)化配置方法，其特征是，步驟1中，建立一在發(fā)電側(cè)由風(fēng)機(jī)、光伏、柴油發(fā)電機(jī)和儲(chǔ)能裝置所構(gòu)成的微電網(wǎng)模型；其中，風(fēng)機(jī)、光伏、柴油發(fā)電機(jī)和儲(chǔ)能裝置的數(shù)量作為待規(guī)劃的變量。

3.如權(quán)利要求1所述的基于改進(jìn)差分進(jìn)化算法的微網(wǎng)容量優(yōu)化配置方法，其特征是，在步驟2中，根據(jù)負(fù)載的特性和風(fēng)光柴儲(chǔ)互補(bǔ)發(fā)電系統(tǒng)特點(diǎn)，確定該系統(tǒng)的能量調(diào)度策略如下：

(2.1)計(jì)算風(fēng)、光兩種發(fā)電方式輸出的電能之和與負(fù)載功率的差值ΔP＝P_re-P_load；

(2.2)檢查蓄電池中的剩余電能，判斷ΔP是否大于0，如果大于0，則進(jìn)入步驟(2.3)，反之進(jìn)入步驟(2.4)；

(2.3)若蓄電池中剩余電量超過上限值，儲(chǔ)能裝置停止充電，光伏限制功率輸出，風(fēng)機(jī)啟動(dòng)卸荷負(fù)載，確保微電網(wǎng)系統(tǒng)的運(yùn)行安全；若蓄電池中剩余電量未達(dá)到上限值，則蓄電池進(jìn)行充電；

(2.4)若蓄電池中剩余電量達(dá)到下限值或蓄電池輸出功率與風(fēng)、光輸出功率之和小于負(fù)載功率，調(diào)度并開啟柴油發(fā)電機(jī)，保證負(fù)載供電；否則進(jìn)入步驟(2.5)；

(2.5)若蓄電池剩余電量未達(dá)到下限值且風(fēng)光儲(chǔ)輸出功率之和大于負(fù)載功率，只需要蓄電池放電彌補(bǔ)功率缺值，不用啟動(dòng)柴油發(fā)電機(jī)。

4.如權(quán)利要求1所述的基于改進(jìn)差分進(jìn)化算法的微網(wǎng)容量優(yōu)化配置方法，其特征是，在步驟3中，微網(wǎng)系統(tǒng)的總成本

min f(x)＝C_short+C_waste+C_investment+C_pollution (1)

其中，C_short為系統(tǒng)的年停電懲罰費(fèi)用，C_waste為能量浪費(fèi)費(fèi)用，C_investment為微網(wǎng)投資與運(yùn)維費(fèi)用，C_pollution為系統(tǒng)的環(huán)保治污費(fèi)用。

5.如權(quán)利要求1所述的基于改進(jìn)差分進(jìn)化算法的微網(wǎng)容量優(yōu)化配置方法，其特征是，在步驟4中，先進(jìn)行染色體的編碼，將風(fēng)機(jī)、光伏、儲(chǔ)能和柴油發(fā)電機(jī)的配置數(shù)量分別作為一個(gè)染色體個(gè)體，進(jìn)行染色體編碼。

6.如權(quán)利要求5所述的基于改進(jìn)差分進(jìn)化算法的微網(wǎng)容量優(yōu)化配置方法，其特征是，在步驟4的(1)～(3)中，所述改進(jìn)差分進(jìn)化算法是對差分進(jìn)化算法的初始化以及變異環(huán)節(jié)進(jìn)行改進(jìn)，從而改善算法的性能，具體步驟包括：

(4.1)應(yīng)用反向?qū)W習(xí)策略的種群初始化：對于種群中的個(gè)體X_i＝{x₁,x₂,…,x_D}，i＝1,2,…,NP，其中，D表示個(gè)體的維度，在此為4，NP為種群中個(gè)體的數(shù)量；在取值范圍的上下限之間，對于解x_i，存在其反向解x_i'，反向解的集合構(gòu)成了反向個(gè)體X_i'＝{x₁'，x₂'，...，x_D'},計(jì)算公式表達(dá)為：

x_i'＝x_max+x_min-x_i (2)

其中，x_max和x_min分別是取值范圍的上下限；在取值的上下限之間生成由當(dāng)前個(gè)體的反向個(gè)體所對應(yīng)的個(gè)體，并將這兩個(gè)種群中的個(gè)體混合后進(jìn)行比較，選出較優(yōu)的個(gè)體最終組成初始化種群；

(4.2)參數(shù)自適應(yīng)：算法通過變異操作實(shí)現(xiàn)個(gè)體之間的變異，通過對新一代個(gè)體的搜索來找到優(yōu)秀的解；縮放因子F_G隨著迭代的進(jìn)行而進(jìn)行自適應(yīng)的變化，表示為：

其中，G為當(dāng)前迭代的次數(shù)，G_max為最大迭代次數(shù)，F(xiàn)_max和F_min分別為變異算子F的上下限，F(xiàn)_max＝1,F_min＝0，隨著迭代次數(shù)的增大，F(xiàn)_G從F_max遞減到F_min；

(4.3)采用精英選擇機(jī)制改進(jìn)的雙變異策略：

將差分進(jìn)化算法的兩種變異策略結(jié)合，根據(jù)個(gè)體的適應(yīng)度值的大小，利用精英選擇機(jī)制將當(dāng)前迭代到第G代的種群劃分為精英種群和非精英種群；第G代種群中有NP個(gè)個(gè)體，分別對每個(gè)個(gè)體的適應(yīng)度進(jìn)行計(jì)算并降序排列，將前SEP個(gè)個(gè)體劃分為精英種群EP_G，SEP的值為人工設(shè)定，其余的個(gè)體歸于非精英種群NEP_G；精英種群EP_G旨在提供最具希望的進(jìn)化方向，非精英種群NEP_G用于調(diào)整搜索方向從而增加種群的多樣性；X_r1,G,X_r2,G,X_r4,G從精英種群EP_G中隨機(jī)選擇，X_r3,G和X_r5,G從非精英種群NEP_G中隨機(jī)選擇；雙變異策略如下所示：

改進(jìn)變異策略1：

V_i,G+1＝X_r1,G+F_G·(X_r2,G-X_r3,G)+F_G·(X_r4,G-X_r5,G) (4)

改進(jìn)變異策略2：

V_i,G+1＝X_best,G+F_G·(X_r2,G-X_r3,G)+F_G·(X_r4,G-X_r5,G) (5)

將兩種變異策略結(jié)合為統(tǒng)一的雙變異策略如下：

規(guī)模占全部種群規(guī)模的比例設(shè)置為0.4，即SEP:NP＝0.4；其中，F(xiàn)_G為變異算子，X_best,G是迭代到第G代的種群中的最優(yōu)個(gè)體，rand(0,1)是區(qū)間[0,1]之間的隨機(jī)數(shù)，MP_G是在上式兩種變異策略中的被選擇的概率；X_r1,G,X_r2,G,X_r3,G,X_r4,G,X_r5,G是分別在區(qū)間[1,NP]范圍內(nèi)隨機(jī)選出互不相同的數(shù)，V_i,G+1表示每次迭代經(jīng)過變異操作后的個(gè)體。