一种考虑移动储能车接入的微电网多目标优化调度方法

技术领域

本发明涉及微电网运行调度领域，具体涉及一种考虑移动储能车接入的微电网多目标优化调度方法。

背景技术

面对全球化石能源短缺和能源需求不断增长之间的矛盾以及生态环境污染问题的日益严峻，低碳、环保和可持续发展的生态理念逐渐深入人心。相较于传统化石能源发电，以风能、太阳能等为代表的可再生能源在提高供电效率、降低环境污染等方面凸显其自身优势。考虑大规模分布式电源并网和移动储能车无序接入对微电网系统运行可靠性和经济性等方面的影响，研究如何将移动储能车和微电网运行优化调度相结合，对实现可再生能源利用最大化和推进能源供应体系转型具有重要意义。

采用传统人工智能算法虽然能够求解此类优化问题，但其求解效率较低，随着变量个数和目标函数的增加，求解计算的时间大大延长，求得的结果也容易陷入局部最优解的问题。现有研究未充分考虑网络重构和柔性负荷参与需求响应对微电网运行调度的影响，如何在满足微电网系统设备运行约束条件要求的前提下，进一步提高微电网的运行状态，是考虑移动储能车接入微电网情况下迫切需要解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种考虑移动储能车接入的微电网多目标优化调度方法，同时兼顾问题求解的速度与精度，为移动储能车接入微电网的实际工程应用提供了一种新的优化调度思路。

为实现上述目的，本发明采用如下技术方案：

一种考虑移动储能车接入的微电网多目标优化调度方法，包括以下步骤：

将不同路况和行驶速度下的路网模型进行归一化处理，将其转变为标准路况和行驶速度下的路网模型，并基于Floyd算法对考虑约束条件的移动储能车最优调度路线进行求解并给出相应的调度方案；

为减小分布式电源随机出力对微电网系统运行稳定的影响，基于小波神经网络对分布式电源出力曲线进行预测，降低其直接并入微电网造成的系统波动；综合考虑微电网系统的网络有功功率损耗和各节点电压偏差最小化为求解目标，计及微电网系统设备运行的约束条件，基于二阶锥松弛对原始模型进行转化，并采用Cplex求解器对考虑移动储能车接入的微电网多目标优化调度问题进行求解，得到微电网最佳优化调度方案。

进一步的，所述将不同路况和行驶速度下的路网模型进行归一化处理，将其转变为标准路况和行驶速度下的路网模型，具体如下：

假设路网中路口节点有n个，则根据图论可建立归一化路网矩阵D：

式中：d

式中：l

式中：c

进一步的，所述基于Floyd算法对考虑约束条件的移动储能车最优调度路线进行求解并给出相应的调度方案，具体为：

Floyd算法的基本思想为：

(1)考虑路况差异性求解得到初始归一化路网矩阵D

(2)构造初始归一化路网矩阵D

(3)当D

基于Floyd算法的移动储能车最优调度路线以所有移动储能车移动路径长度总和最小为目标进行移动储能车的路线调度：

式中：N

移动储能车在进行调度路线规划时需要考虑的约束条件包括：

(1)移动储能车充放电站容纳限制

每个移动储能车充放电站能够容纳移动储能车的数量有限，则：

式中：x

(2)移动储能车剩余电量约束

每辆移动储能车能够行驶的路径长度与其电池剩余的电量相关，调度移动储能车需要考虑剩余电量能否支撑移动储能车前往对应的移动储能车充放电站：

N

式中：SOC

(3)移动储能车分配约束

每辆移动储能车都需要得到分配，调度到对应的移动储能车充放电站：

进一步的，所述基于小波神经网络对分布式电源出力曲线进行预测，具体为：

小波神经网络以BP神经网络作为基础，其隐含层节点的传递函数为小波基函数，同时兼顾信号的正向传播和误差的反向传播，模型的隐含层输出h(j)和预测输出y(k)分别为：

式中：x

通过梯度修正法对小波神经网络的连接权重和网络参数进行修正，使得分布式电源的预测输出逐渐趋近理想目标值。

进一步的，所述综合考虑微电网系统的网络有功功率损耗和各节点电压偏差最小化为求解目标，具体为：

考虑微电网系统运行的等式约束和不等式约束来构造单目标随机优化模型，并分别以网络有功功率损耗f

ξ＝min{μ

式中：ξ表示单目标随机优化模型求解结果的最小值，ξ越大意味着各目标的优化效果越好，反之，ξ越小意味着各目标的优化效果越差。由此，原本量纲不同的多目标随机优化问题则可以转变为求解ξ最大值的单目标优化问题，具体形式如下所示：

进一步的，所述微电网优化调度需要计及微电网系统设备运行的约束条件，具体为：

(1)微电网功率平衡约束

P

式中：P

(2)支路潮流约束

微电网的稳态运行模式要求为辐射状运行，此时支路潮流需要满足的约束条件为：

式中：r

(3)移动储能车充放电约束

移动储能车在充放电过程中需要考虑的约束条件主要包括充放电状态限制、充放电功率限制以及移动储能车电池容量限制。

①充放电状态限制

②充放电功率限制

③移动储能车电池容量限制

式中：B

(4)上级电网与微电网交流功率约束

-P

式中：P

(5)参与需求响应的柔性负荷约束

模型将微电网中的用户负荷P

P

参与需求响应的柔性负荷用户的相关约束条件为：

P

P

P

式中：λ

(6)节点电压与支路电流约束

式中：U

(7)网络重构约束

微电网网络重构需要考虑以下约束条件：

①微电网辐射状运行

式中：z

②网络重构后不存在零注入孤立节点

式中：δ是人为引入一个很小的正数，用于设置所有节点的注入量必须大于等于δ(若原节点注入量为0，则被强制为δ)。通过这样的人为设定，可以将存在零注入孤立节点的重构方案排除在外。由于δ的值很小，对求解计算的影响可以忽略不计。

③支路断开对优化调度求解结果的影响

若支路ij断开，则P

式中：M是人为引入的一个很大的正数。

(8)连续无功补偿装置约束

以静止无功补偿装置(static VAR compensation，SVC)为例，充分考虑静止补偿装置对微电网运行的影响：

式中：

进一步的，所述基于二阶锥松弛对原始模型进行转化，具体如下：

二阶锥规划本质上是一种凸规划，其求取的解具有全局最优性和计算高效性的优良特性，当目标函数为凸函数和严格递增函数时，对大部分微电网架构来说，二阶锥松弛是准确可行的。

令

/>

支路潮流约束可改写为：

对上述经过变形的式子进行松弛，可得：

进一步等价变形为标准二阶锥形式：

本发明与现有技术相比具有以下有益效果：

1、本发明在传统微电网调度的基础上，考虑移动储能车接入建立模型，基于Floyd算法对进行归一化处理的路网模型制定移动储能车调度计划，采用小波神经网络对分布式电源出力进行预测，在计及微电网系统设备运行约束的情况下，通过对二阶锥松弛处理后的模型进行求解，实现微电网多目标优化调度方案的制定；

2、本发明采用Cplex(数学优化技术)求解器对进行二阶锥松弛后的微电网模型进行求解，使得优化调度问题的求解速度与求解精度均强于传统人工智能算法。

附图说明

图1为本发明实施例的考虑移动储能车接入的微电网系统结构图；

图2为本发明实施例的微电网日前优化调度模型结构图；

图3为本发明实施例的小波神经网络算法程序流程图；

图4为本发明实施例的归一化路网道路权重模型；

图5为本发明实施例的基于小波神经网络分布式电源预测出力图；

图6为本发明实施例的拓展IEEE-33节点测试系统；

图7为本发明实施例的移动储能车充放电站充放电功率；

图8为本发明实施例的微电网各时段节点电压幅值图；

图9为本发明实施例的各时段各支路的误差散点图。

图10为表1路网道路参数。

图11为表2各个场景算例结果对比(24h)。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

本发明提供一种考虑移动储能车接入的微电网多目标优化调度方法，包括以下步骤：

将不同路况和行驶速度下的路网模型进行归一化处理，将其转变为标准路况和行驶速度下的路网模型，并基于Floyd算法对考虑约束条件的移动储能车最优调度路线进行求解并给出相应的调度方案；

为减小分布式电源随机出力对微电网系统运行稳定的影响，基于小波神经网络对分布式电源出力曲线进行预测，降低其直接并入微电网造成的系统波动；

综合考虑微电网系统的网络有功功率损耗和各节点电压偏差最小化为求解目标，计及微电网系统设备运行的约束条件，基于二阶锥松弛对原始模型进行转化，并采用Cplex求解器对考虑移动储能车接入的微电网多目标优化调度问题进行求解，得到微电网最佳优化调度方案。

在本实施例中，将不同路况和行驶速度下的路网模型进行归一化处理，将其转变为标准路况和行驶速度下的路网模型，具体如下：

假设路网中路口节点有n个，则根据图论可建立归一化路网矩阵D：

式中：d

式中：l

式中：c

在本实施例中，基于Floyd算法对考虑约束条件的移动储能车最优调度路线进行求解并给出相应的调度方案，具体为：

Floyd算法的基本思想为：

(1)考虑路况差异性求解得到初始归一化路网矩阵D

(2)构造初始归一化路网矩阵D

/>

(3)当D

基于Floyd算法的移动储能车最优调度路线以所有移动储能车移动路径长度总和最小为目标进行移动储能车的路线调度：

式中：N

移动储能车在进行调度路线规划时需要考虑的约束条件包括：

(1)移动储能车充放电站容纳限制

每个移动储能车充放电站能够容纳移动储能车的数量有限，则：

式中：x

(2)移动储能车剩余电量约束

每辆移动储能车能够行驶的路径长度与其电池剩余的电量相关，调度移动储能车需要考虑剩余电量能否支撑移动储能车前往对应的移动储能车充放电站：

N

式中：SOC

(3)移动储能车分配约束

每辆移动储能车都需要得到分配，调度到对应的移动储能车充放电站：

在本实施例中，基于小波神经网络对分布式电源出力曲线进行预测，具体为：

小波神经网络以BP神经网络作为基础，其隐含层节点的传递函数为小波基函数，同时兼顾信号的正向传播和误差的反向传播，模型的隐含层输出h(j)和预测输出y(k)分别为：

式中：x

/>

通过梯度修正法对小波神经网络的连接权重和网络参数进行修正，使得分布式电源的预测输出逐渐趋近理想目标值。

在本实施例中，综合考虑微电网系统的网络有功功率损耗和各节点电压偏差最小化为求解目标，具体为：

考虑微电网系统运行的等式约束和不等式约束来构造单目标随机优化模型，并分别以网络有功功率损耗f

ξ＝min{μ

式中：ξ表示单目标随机优化模型求解结果的最小值，ξ越大意味着各目标的优化效果越好，反之，ξ越小意味着各目标的优化效果越差。由此，原本量纲不同的多目标随机优化问题则可以转变为求解ξ最大值的单目标优化问题，具体形式如下所示：

在本实施例中，微电网优化调度需要计及微电网系统设备运行的约束条件，具体为：

(1)微电网功率平衡约束

P

式中：P

(2)支路潮流约束

微电网的稳态运行模式要求为辐射状运行，此时支路潮流需要满足的约束条件为：

/>

式中：r

(3)移动储能车充放电约束

移动储能车在充放电过程中需要考虑的约束条件主要包括充放电状态限制、充放电功率限制以及移动储能车电池容量限制。

①充放电状态限制

②充放电功率限制

③移动储能车电池容量限制

式中：B

(4)上级电网与微电网交流功率约束

-P

式中：P

(5)参与需求响应的柔性负荷约束

模型将微电网中的用户负荷P

P

参与需求响应的柔性负荷用户的相关约束条件为：

P

P

P

式中：λ

(6)节点电压与支路电流约束

式中：U

(7)网络重构约束

微电网网络重构需要考虑以下约束条件：

①微电网辐射状运行

式中：z

②网络重构后不存在零注入孤立节点

式中：δ是人为引入一个很小的正数，用于设置所有节点的注入量必须大于等于δ(若原节点注入量为0，则被强制为δ)。通过这样的人为设定，可以将存在零注入孤立节点的重构方案排除在外。由于δ的值很小，对求解计算的影响可以忽略不计。

③支路断开对优化调度求解结果的影响

若支路ij断开，则P

式中：M是人为引入的一个很大的正数。

(8)连续无功补偿装置约束

以静止无功补偿装置(static VAR compensation，SVC)为例，充分考虑静止补偿装置对微电网运行的影响：

式中：

在本实施例中，基于二阶锥松弛对原始模型进行转化，具体为：

二阶锥规划本质上是一种凸规划，其求取的解具有全局最优性和计算高效性的优良特性，当目标函数为凸函数和严格递增函数时，对大部分微电网架构来说，二阶锥松弛是准确可行的。

令

支路潮流约束可改写为：

对上述经过变形的式子进行松弛，可得：

进一步等价变形为标准二阶锥形式：

实施例1：

在本实施例中，基于拓展IEEE33节点测试系统进行验证。考虑移动储能车接入建立微电网多目标优化调度模型，基于Floyd算法对进行归一化处理的路网模型制定移动储能车调度计划，采用小波神经网络对分布式电源出力进行预测，在计及微电网系统设备运行约束的情况下，实现微电网多目标优化调度方案的制定。采用Cplex求解器对进行二阶锥松弛后的微电网模型进行求解，使得优化调度问题的求解速度和求解精度均强于传统人工智能算法。

步骤一：以某地区路网道路状况为例进行归一化路网处理，路网道路参数如表1所示。微电网路网中有40辆移动储能车用于优化调度，移动储能车为同一类型，每辆移动储能车的电池容量为240kWh，充放电功率范围为-3～3kW，电池充放电效率为95％。进行归一化处理后的路网道路权重模型如图4所示；

步骤二：以光伏机组出力为例采用小波神经网络对其进行预测，小波神经网络的隐含层节点个数设置为6，学习概率Ir1＝0.01和Ir2＝0.001，迭代次数设置为5000。小波神经网络的算法程序流程图如图3所示，出力预测结果如图5所示。

步骤三：选取拓展IEEE33-节点测试系统对考虑移动储能车接入的微电网进行优化调度，其结构示意图如图6所示，微电网调度周期为24h。该系统包含37条支路，32个分段开关，5个联络开关，节点16和20接有2个光伏，节点8、24和31接有3个风机，节点6、24和32接有3个移动储能车充放电站，节点5、15和31接有三台SVC。上级电网与微电网联络线交互功率上限为750kW，SVC无功出力范围为-500～500kvar。微电网系统的基准电压为12.66kV，支路允许的最大电流为500A，各节点允许的电压波动范围为基准电压的0.95～1.05倍。

步骤四：设置4个场景进行对比分析：Case1(不考虑移动储能车接入微电网、网络重构和需求响应对微电网优化调度的影响)、Case2(考虑移动储能车接入微电网，但不考虑网络重构和需求响应对微电网优化调度的影响)、Case3(考虑移动储能车接入微电网，仅考虑网络重构对微电网优化调度的影响)和Case4(考虑移动储能车接入微电网，同时考虑网络重构和需求响应对微电网优化调度的影响)。图7为移动储能车充放电站充放电功率示意图，图8为上述4个场景微电网各个时段节点电压幅值图，图9为各时段各支路的误差散点图。各个场景的具体优化结果如表2所示。从求解得到的结果可以看出，综合考虑网络重构和需求响应进行移动储能车接入的微电网优化调度可以显著降低微电网网络损耗和节点电压偏差，提高微电网的运行经济效益，所采用的求解方法也具有优良的求解速度和求解精度。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。