一种多主体投资多微网系统的最优配置方法及系统

技术领域

本发明涉及一种多主体投资多微网系统的最优配置方法及系统。

背景技术

“碳达峰、碳中和”战略背景下，微电网的数量在不断增加。一定区域内可能会存在多个微电网(MG)，不同微电网中分布式能源的种类、数量等各有不同，若组成多微网系统，微网间进行能量传输，则不仅能降低多微网系统对配电网的依赖，增强电网供电的可靠性，还能促进分布式能源的就地消纳，提高多微网系统的经济效益。但含分布式电源的多微网系统建设成本高昂，其并网也会对电网稳态潮流和能量流动的稳定性产生影响。

目前针对多微网系统的优化配置的问题，主要还是采用单主体投资微电网进行优化配置，不能满足多主体投资微电网的实际情况。也未考虑到多主体投资多微网系统的优化配置。同时现有研究主要是针对多微网系统中微网间的利益冲突问题构建博弈模型求解，并未考虑到对多微网系统中多投资主体之间，尤其是配电网的利益博弈，因此往往并非是最终的最优化配置，从而不能有效平衡微电网和配电网之间的利益冲突。

发明内容

为解决上述问题，提供一种多主体投资多微网系统的最优配置方法及系统，本发明采用了如下技术方案：

本发明提供了一种多主体投资多微网系统的最优配置方法，包括以下步骤：步骤S1，构建多微网系统年支付函数P和配电网系统收益函数W；步骤S2，构建以多微网系统为博弈主体，配电网系统为博弈从体的主从博弈模型；步骤S3，根据储能数量的历史数据，给定博弈主体多微网系统初始化的分布式电源数量和初始化的储能数量，并输入负荷等基本数据；步骤S4，按照配电网系统约束条件，执行自适应遗传算法求出并修改满足博弈从体的目标的分布式电源数量和储能数量；步骤S5，根据修改后的源储数量，并按照多微网系统约束条件，执行粒子群算法求出满足博弈主体的目标的分布式电源数量和储能数量；步骤S6，迭代步骤S4和步骤S5，直到分布式电源数量和储能数量满足Stackelberg-Nash均衡条件为止；步骤S7，输出最终的分布式电源数量和储能数量。

本发明提供的一种多主体投资多微网系统的最优配置方法，还可以具有这样的技术特征，其中，多微网系统年支付函数P的具体表达式为：P＝(aC

本发明提供的一种多主体投资多微网系统的最优配置方法，还可以具有这样的技术特征，其中，配电网系统收益函数W的具体表达式为：W＝(1-b)I

本发明提供的一种多主体投资多微网系统的最优配置方法，还可以具有这样的技术特征，其中，博弈主体的目标是多微网系统年支付函数P最小，博弈从体的目标是配电网系统收益函数W最大。

本发明提供的一种多主体投资多微网系统的最优配置方法，还可以具有这样的技术特征，其中，Stackelberg-Nash均衡条件的是分布式电源数量和储能数量的配置同时满足博弈主体的目标和博弈从体的目标。

本发明提供的一种多主体投资多微网系统的最优配置方法，还可以具有这样的技术特征，其中，配电网系统约束条件是微网与配电网交互功率约束和源能数量约束，微网与配电网交互功率约束的具体表达式为：P

本发明提供的一种多主体投资多微网系统的最优配置方法，还可以具有这样的技术特征，其中，多微网系统约束条件是微网与配电网交互功率约束、源能数量约束、微网间交互功率约束、功率平衡约束以及储能充放电功率约束，微网间交互功率约束的具体表达式为：

本发明提供的一种多主体投资多微网系统的最优配置系统，其特征在于，包括：函数模块，构建多微网系统年支付函数P和配电网系统收益函数W；主从博弈模块，构建以多微网系统为博弈主体，配电网系统为博弈从体的主从博弈模型；初始输入模块，根据储能数量的历史数据，给定博弈主体多微网系统初始化的分布式电源数量和初始化的储能数量，并输入负荷等基本数据；自适应遗传算法模块，按照配电网系统约束条件，执行自适应遗传算法求出并修改满足博弈从体的目标的分布式电源数量和储能数量；粒子群算法模块，根据修改后的源储数量，并按照多微网系统约束条件，执行粒子群算法求出满足博弈主体的目标的分布式电源数量和储能数量；迭代控制模块，依次控制自适应遗传算法模块进行自适应遗传算法和控制粒子群算法模块进行粒子群算法，迭代直到分布式电源数量和储能数量满足Stackelberg-Nash均衡条件为止；输出模块，输出最终的分布式电源数量和储能数量。

发明作用与效果

根据本发明的一种多主体投资多微网系统的最优配置方法及系统，由于采用主从博弈的方法对多微网系统进行规划，构建以多微网系统为博弈主体，配电网系统为博弈从体的主从博弈模型，考虑到多微电网运营商和配电网运营商之间利益的博弈关系，更加合理的进行多微网系统的优化配置，平衡了微电网和配电网之间的利益冲突。

附图说明

图1是本发明实施例中的一种多主体投资多微网系统的最优配置方法流程图；

图2是本发明实施例中的一种多主体多微网系统结构示意图；

图3是本发明实施例中的主从博弈框架示意图；

图4是本发明实施例中多微网系统中MG1的全年负荷数据；

图5是本发明实施例中多微网系统中MG2的全年负荷数据；

图6是本发明实施例中多微网系统中MG3的全年负荷数据；

图7是本发明实施例中基于主从博弈的多主体投资多微网系统的最优配置迭代结果示意图；

图8是本发明实施例中一种多主体投资多微网系统的最优配置系统结构图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的一种多主体投资多微网系统的最优配置方法及系统作具体阐述。

<实施例>

本实施例中以某地的含有3个微电网的多微网系统，分别为MG1、MG2、MG3，相关设备参数如表1所示。

表1 微电网微源基本参数

微网与配网购(售)电电价及微网间购(售)电电价如表2所示，为保护配电网利益并激励微网间进行电能交互，微电网从配电网处购电电价高于微网向配网售电电价，微电网间购售电电价相同，且介于微电网与配电网售电电价和购电电价之间。天然气的价格为2.67元/m3，资金贴现率为8％。

表2 购(售)电电价

元/(kW·h)

图1是本发明实施例中的一种多主体投资多微网系统的最优配置方法流程图。

图2是本发明实施例中的一种多主体多微网系统结构示意图

如图1，图2所示，步骤S1，构建多微网系统年支付函数P和配电网系统收益函数W。

首先，构建多微网系统年支付函数P，具体表达式为：

P＝(aC

式中，C

其中，分布式电源和储能年投资成本C

式中，n代表微网个数，m代表设备类型，m＝1，代表微型燃气轮机，m＝2，代表光伏发电机，m＝3，代表风力发电机，m＝4，代表燃料电池，N

平均年运行维护成本C

式中，Q

微型燃气轮机的燃料成本C

式中，C

微网间售购电收益I

式中，

多微网系统与配电网电能交互收益I

式中，

其次，构建配电网运营商的收益函数W，具体表达式：

W＝(1-b)I

式中，I

其中，多微电网系统运营收益I

I

多微网系统延缓配电网升级建设收益I

式中，c

图3为本发明实施例中的主从博弈框架示意图。

如图3所示，步骤S2，构建以多微网系统为博弈主体，配电网系统为博弈从体的主从博弈模型。

因为多微网系统投资巨大，所以主从博弈模型的博弈主体为多微网系统，并以多微网系统运营商年支付函数P最小为目标，进行微网源-储规划。该模型的博弈从体为配电网运营商，根据博弈主体做出的决策，以配电网运营商收益函数W最大化为目标，进行相应的微网源-储规划。

首先多微网系统根据基本数据和多微网系统年支付函数P最小求出源-储数量，并将数据反馈给配电网，配电网运营商根据源-储数量以及交互功率约束条件，利用自适应遗传算法求出满足配电网运营商的收益函数W最大的源-储数量并进行更改，再传递给多微网。多微网根据修改后的源储数量，并按照多微网系统约束条件，进行粒子群算法，求出满足多微网系统年支付函数P最小的源储数量。进行多次迭代后，最终当多微网系统年成本和配电网收益达到平衡时，多微网系统的源-储数量即为Stackelberg-Nash均衡解。

步骤S3，根据储能数量的历史数据，给定博弈主体多微网系统初始化的分布式电源数量和初始化的储能数量，并输入负荷等基本数据。

图4是本发明实施例中采集得到的多微网系统中微电网MG1的全年负荷数据，图5是本发明实施例中采集得到的多微网系统中微电网MG2的全年负荷数据，图6是本发明实施例中采集得到的多微网系统中微电网MG3的全年负荷数据。

如图4、图5和图6所示，基本数据包括各微电网MG1、MG2、MG3一年内的负荷数据，光伏发电机、风机发电机出力数据，微网间功率传输和微网与配网功率传输约束条件等数据。将基本数据代入到多微网系统年支付函数P和配电网运营商的收益函数W的表达式中，将微网系统年支付函数P和配电网运营商的收益函数W简化为与储能数量N

根据储能数量的历史数据，给定博弈主体多微网系统的初始化的分布式电源数量和初始化的储能数量。本实施例中，依照多微网系统储能数量的历史数据，给定微网MG1有光伏发电机700个，风力发电机7个，微型燃气轮机10个，燃料电池700个，微网MG2有光伏发电机800个，风力发电机7个，微型燃气轮机10个，燃料电池850个，微网MG3有光伏发电机400个，风力发电机4个，微型燃气轮机10个，燃料电池600个。

步骤S4，结合微网与配电网交互功率约束和源能数量约束的配电网系统约束条件，执行自适应遗传算法求出并修改满足博弈从体的目标的分布式电源数量和储能数量。

首先，对微网与配电网交互功率约束和源能数量约束进行设置。本实施例中，微网与配电网交互功率约束条件为：微网MG1与电网间的功率交互设置为0～400kw，微网MG2与电网的功率交互设置为0～300kw，微网MG3与电网交互功率设置为0～800kw。源能数量约束条件为：光伏发电机设置为0～1000台，储能电池设置为0～1500台，微型燃气轮机设置为0～7台，风力发电机设置为0～10台。

然后，执行自适应遗传算法。将初始化的分布式电源数量和初始化的储能数量作为算子，并设置初值k1＝1.0，k2＝0.5，k3＝1.0，k4＝0.5，对算子进行选择、交叉、变异运算之后，得到一个满足配电网系统收益函数W最大的分布式电源数量和储能数量，同时修改源储数量。

步骤S5，根据修改后的源储数量，并按照多微网系统约束条件，执行粒子群算法，求出满足博弈主体的目标的分布式电源数量和储能数量。

多微网系统约束条件包括微网与配电网交互功率约束、源能数量约束、微网间交互功率约束、功率平衡约束以及储能充放电功率约束。

本实施例中，微网间交互功率设置为0～400kW，

功率平衡约束的表达式为：

式中，

储能充放电功率约束为储能电池最大放电速率为150Ah，最大充电速率为100Ah，储能电池充放电效率为0.86。

粒子群算法分为以下几步：

第一步，设置粒子群的种群规模为50，并结合多微网系统约束条件。

第二步，评价每一个粒子的适应度。

第三步，对每个粒子，将其适应值与其经过的最好位置P

第四步，对每个粒子，将其适应值与全局最好位置P

第五步，根据第二步和第三步调整微粒速度和位置。

第六步，如果未达到结束条件则转到第二步。

步骤S6，本实施例中迭代次数为200次。求解获得参与主从博弈模式的最优源-储数量配置方案，并计算该规划下多微网系统年化总成本和配电网收益情况。

步骤S7，输出最终的分布式电源数量和储能数量。

图7为本发明实施例中的基于主从博弈的多主体投资多微网系统的最优配置迭代结果示意图。

如图7(a)部分所示，经过自适应遗传算法和粒子群算法不断迭代筛选后，多微网的年化总成本在经过算法迭代之后100次趋于平缓，得到最小年化总成本719万元。如图7(b)部分所示，配电网年收益在迭代至120次后趋于平缓，得到配电网收益521万元。

本实施例还通过另外三种场景与多主体投资多微网系统的最优配置方法进行收益比较。

场景一是本实施例中的多主体投资多微网系统的最优配置方法。场景二是不采用主从博弈模型进行优化配置。场景三是不考虑微网之间的电能交互。场景四是单主体投资多微网系统。在4个场景下采用自适应遗传算法与粒子群算法相结合的算法对多微网系统优化配置结果以及多微网系统年化总成本和配电网收益进行比较，如表3、表4所示。

表3 多微网系统优化配置结果

表4 多微网系统年化总成本、配电网收益(万元)

由表3和表4所示，本实施例中的多主体投资多微网系统的最优配置方法相比其他方案，分布式电源的数量有所改进，多微网系统的年化总成本较其他方案降低不少，配电网收益也增长最多，因此本实施例对多微网系统进行更加优化的配置。

图8为本发明实施例中的一种多主体投资多微网系统的最优配置系统结构图。

如图8所示，本实施例中的一种多主体投资多微网系统的最优配置系统10包括：函数模块11、主从博弈模块12、初始输入模块13、自适应遗传算法模块14、粒子群算法模块15、迭代控制模块16、输出模块17，以及控制上述各模块的主控制模块18。

该系统10可以通过相应的各个模块执行如上述步骤S1-S7的流程，并实现多主体投资多微网系统的最优配置。

实施例作用与效果

根据本实施例提供的一种多主体投资多微网系统的最优配置方法及系统，首先由于采用主从博弈的方法对多微网系统进行规划，构建以多微网系统为博弈主体，配电网系统为博弈从体的主从博弈模型，考虑了多微电网运营商和配电网运营商之间利益的博弈关系，更加合理的进行多微网系统的优化配置，平衡了微电网和配电网之间的利益冲突。

其次，本实施例在构建多微网系统年支付函数和配电网系统收益函数时，充分考虑微网间电能交互，从而减少分布式电源的投资数量，增加微网间售购电次数，进而降低了多微网系统投资成本和运行成本。

上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。