基于改进跳蛛算法的微电网优化运行的方法

技术领域

本发明涉及电网调度技术领域，特别是涉及一种基于改进跳蛛算法的微电网优化运行的方法。

背景技术

微电网中分布式电源占比越来越大，新能源汽车接入量越来越多；为提升分布式能源的综合有效利用，需要寻求一种良好的电力网络架构，如不能合理安排微电网中各微电源的运行计划表，将会引起微电网的经济性大幅度降低，为此促进微电网的优化运行，对微电网内各出力电源进行优化和控制显得格外重要。

现有技术中建立了风电与电动汽车协同运行的多目标优化模型，现有技术中通过分时电价机制引导电动汽车入网，但未考虑充电桩数量对优化效果的影响，协调优化运行模型，通过协调系统内各设备的调度运行计划，对系统的能流进行优化，可有效降低系统运行成本，减少了微网内能源重复转换，但未引入电价套餐及电动汽车的对微网系统的影响；此外，采用传统算法对微电网的最终目标函数进行求解时的寻优速度慢，寻优能力弱。

公开号为CN116707021A的发明创造公开了一种基于遗传算法的微网功率分配优化控制方法，包括下列步骤：步骤S1，建立微网内各个分布式电源模型；步骤S2，以微网内功率平衡作为约束条件，根据微网经济运行目标要求，形成微网经济运行的目标函数；步骤S3，通过遗传算法对目标函数求解，求解出使目标函数达到最优值的情况下，各分布式电源的输出功率值；此方法未考虑充电桩数量对优化效果的影响，协调优化运行模型，通过协调系统内各设备的调度运行计划，对系统的能流进行优化，可有效降低系统运行成本，但未引入电价套餐及电动汽车的对微网系统的影响；此外，采用传统遗传算法对微电网的最终目标函数进行求解时的寻优速度慢，寻优能力弱。

发明内容

针对上述存在的技术问题，本发明提供了一种基于改进跳蛛算法的微电网优化运行的方法。

本发明采用以下具体的技术方案：

基于改进跳蛛算法的微电网优化运行的方法，所述方法的步骤如下：

步骤A：输入微电网优化系统的各项参数，所述微电网优化系统中的微电网包括光伏电池发电装置(PV)、分布式电源、负荷、抽水储能(PHSP)；所述分布式电源包括风力发电机(WT)、燃料电池(FC)、微型燃气轮机(MT)、柴油发电机(MT)和电动汽车(EV)；所述输入微电网优化系统的各项参数包括分布式电源的成本或电功率、光伏发电功率、微电网负荷和原始电价；

步骤B：对微电网优化系统储能装置做有序的充放电安排，建立基于运行成本和污染治理成本的微电网优化运行目标函数，确定微电网优化运行目标函数的运行约束条件，根据微电网优化运行目标函数和运行约束条件搭建微电网优化调度模型，其中，最终目标函数为：

F＝min[F

其中，F

采用模糊决策法将目标函数的多目标问题结合隶属度函数转化成单目标问题，其公式表达式为：

Y＝min{ζ(F

其中，ζ(F

本发明考虑了PHSP和EV的储能，同样也考虑了EV负荷；进行有序的充放电安排的总优化策略为：在综合考虑微电网发电运行维护成本和环境经济效益最优的前提下，在用电低峰期微电网电能充足时优先考虑将电能向PHSP存储不向大电网卖电，微电网电能不足时，优先向大电网购电；在用电平时段微电网供电不足时优先大电网供电后PHSP，微电网电能充足时，则将多余的电能向PHSP存储后卖给大电网来博取经济性；在用电高峰期微电网电能不足时，优先由PHSP向微电网供电，如果PHSP电能不足则再向大电网购电，微电网电能充足时，则将多余的电能卖给大电网来博取经济性。

步骤C：采用改进跳蛛算法，对微电网的最终目标函数进行求解；

其中，改进跳蛛算法步骤为：

S1：初始化跳蛛种群即DE、MT、FC及第一类EV输出功率，输入上述步骤中的各微电源参数和模型约束条件；

S2：计算各跳蛛适应度值，选取出该代中最优个体gbest；

S3：对该代跳蛛位置进行更新，分别加入动态惯性权重和自适应因子来优化跳蛛的搜索策略和攻击策略，用于优化跳蛛的搜索策略的动态惯性权重公式为：

其中，υ

用于优化跳蛛的攻击策略的自适应因子公式为：

其中，Fitness(i)为个体i的适应度值；Fitness

S4：根据信息素公式更新信息素低的个体，使较差个体进行优化更新；

S5：更新跳蛛适应度值，并选取出该代中最优个体更新gbest；

S6：判断当前迭代次数是否大于迭代次数，若大于则停止迭代，输出最优值及最优个体；反之，则返回S3步骤。

进一步地，所述所述步骤B中的目标函数中微电网的总发电费用F

其中，T为总发电时间；M

进一步地，所述步骤B中的目标函数中环境和污染治理费用F

其中，ψ(t)为污染物的排放量，

进一步地，所述污染物的排放量ψ(t)的公式表达式为：

其中，N表示污染气体的种类(N＝4)；μ

进一步地，所述步骤B中的运行约束条件包括微电源出力约束、抽水储能电站容量约束、微电网与大电网的交换功率约束、功率平衡约束以及微电源的爬坡功率约束。

进一步地，微电源出力约束为：

P

其中，P

抽水储能电站容量约束为：

P

其中，P

微电网与大电网的交换功率约束：

P

其中，P

所述运行约束条件中微电网与电动汽车交换功率约束为：

P

其中，P

功率平衡约束为：

其中，P

微电源的爬坡功率约束包括燃料微电源增加出力时的约束和燃料微电源减少出力时的约束，燃料微电源增加出力时：

[P

燃料微电源减少出力时：

[P

P

进一步地，所述步骤B中目标函数的隶属度函数的公式表达式为：

c

进一步地，所述各单目标可接受的最大偏差范围δ

δ

其中，c'

进一步地，所述步骤S4中的信息素公式的表达式为：

其中，将区间(0，1)的适应度值归一化，其中0是最差的信息素，1是最好的信息素；pheromone(i)为个体i的信息素；Fitness(i)为个体i的适应度值。

进一步地发，所述方法采用实验进行验证。

本发明提出基于改进跳蛛算法的微电网优化运行的方法，对微电网进行研究，考虑充电桩数量对优化效果的影响，并引入电价套餐及电动汽车的对微网系统的影响，合理安排大电网和抽水储能的充放电顺序，并针对运行与维护费用，环境保护和污染治理费用对微电网进行数学建模，以使微电网中的电能被更充分的利用、微电网的经济效益达到最高；除此之外，在求解算法中，为解决算法前后期全局搜索和局部搜索的分配及个体更精确的选择逼迫攻击、搜索和跳向猎物三个阶段，为此引入自适应因子和动态因子对跳蛛优化算法(JSOA)进行改进。

综上所述，本发明在对储能装置的充放电做合理的安排的基础上，搭建了以微电网的总发电运行费用、环境和污染治理费用为目标函数的优化模型，通过模糊决策法对多目标函数进行转换，运用IJSOA算法对目标函数进行求解，最终较好的平衡了二者之间的关系，本发明方法有效提高微电网的经济性，此外，本发明采用改进的跳蛛算法对微电网的最终目标函数进行求解时的寻优速度快，寻优能力强。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为改良的跳蛛算法即(IJSOA算法)的流程图；

图2为采用现有的JSOA算法与本发明的IJSOA算法的函数1迭代曲线对比；

图3为采用现有的JSOA算法与本发明的IJSOA算法的函数2迭代曲线对比；

图4为24时刻负荷预测示意图；

图5为24时刻功率预测示意图；

图6为单独考虑总发电运行费用时各微电源出力的示意图；

图7为单独考虑环境和污染治理费用时各微电源出力的示意图；

图8为单目标化后各微电源出力的示意图；

图9为总发电运行费用最优值分布图；

图10为环境和污染治理费用最优值分布图。

下面结合实施例进一步解释和阐明，但具体实施例并不对本发明有任何形式的限定。

实施例1

如图1所示，本发明实施例公开了一种基于改进跳蛛算法的微电网优化运行的方法，包括以下步骤：

基于改进跳蛛算法的微电网优化运行的方法，所述方法采用SDAC算法模型并进行迭代训练，其方法的步骤如下：

步骤A：输入微电网优化系统的各项参数，所述微电网优化系统中的微电网包括光伏电池发电装置(PV)、分布式电源、负荷、抽水储能(PHSP)；所述分布式电源包括风力发电机(WT)、燃料电池(FC)、微型燃气轮机(MT)、柴油发电机(MT)和电动汽车(EV)；所述输入微电网优化系统的各项参数包括分布式电源的成本或电功率、光伏发电功率、微电网负荷和原始电价；

步骤B：对微电网优化系统储能装置做有序的充放电安排，建立基于运行成本和污染治理成本的微电网优化运行目标函数，确定微电网优化运行目标函数的运行约束条件，根据微电网优化运行目标函数和运行约束条件搭建微电网优化调度模型，其中，最终目标函数为：

F＝min[F

其公式(1)中，F

采用模糊决策法将目标函数的多目标问题结合隶属度函数转化成单目标问题，其公式表达式为：

Y＝min{ζ(F

其公式(2)中ζ(F

本发明考虑了PHSP和EV的储能，同样也考虑了EV负荷；进行有序的充放电安排的总优化策略为：在综合考虑微电网发电运行维护成本和环境经济效益最优的前提下，在用电低峰期微电网电能充足时优先考虑将电能向PHSP存储不向大电网卖电，微电网电能不足时，优先向大电网购电；在用电平时段微电网供电不足时优先大电网供电后PHSP，微电网电能充足时，则将多余的电能向PHSP存储后卖给大电网来博取经济性；在用电高峰期微电网电能不足时，优先由PHSP向微电网供电，如果PHSP电能不足则再向大电网购电，微电网电能充足时，则将多余的电能卖给大电网来博取经济性；

步骤C：采用改进跳蛛算法，对微电网的最终目标函数进行求解；

其中，改进跳蛛算法步骤为：

S1：初始化跳蛛种群即DE、MT、FC及第一类EV输出功率，输入上述步骤中的各微电源参数和模型约束条件；

S2：计算各跳蛛适应度值，选取出该代中最优个体gbest；

S3：对该代跳蛛位置进行更新，分别加入动态惯性权重和自适应因子来优化跳蛛的搜索策略和攻击策略，用于优化跳蛛的搜索策略的动态惯性权重公式为：

其υ

用于优化跳蛛的攻击策略的自适应因子公式为：

其Fitness(i)为个体i的适应度值；Fitness

S4：根据信息素公式更新信息素低的个体，使较差个体进行优化更新；

S5：更新跳蛛适应度值，并选取出该代中最优个体更新gbest；

S6：判断当前迭代次数是否大于迭代次数，若大于则停止迭代，输出最优值及最优个体；反之，则返回S3步骤。

进一步地，所述所述步骤B中的目标函数中微电网的总发电费用F

其公式(5)中，T为总发电时间；M

微电网的燃料费用M

M

其M

微电网的运行维护费用M

其k为微电源的个数；β

微电网与外界能量交换费用M

M

进一步地，所述步骤B中的目标函数中环境和污染治理费用F

其公式(7)中，ψ(t)为污染物的排放量，

其污染物的排放量ψ(t)的公式表达式为：

其中，N表示污染气体的种类(N＝4)；μ

进一步地，所述步骤B中的运行约束条件包括微电源出力约束、抽水储能电站容量约束、微电网与大电网的交换功率约束、功率平衡约束以及微电源的爬坡功率约束；

其微电源出力约束为：

P

其P

抽水储能电站容量约束为：

P

其P

微电网与大电网的交换功率约束：

P

其P

所述运行约束条件中微电网与电动汽车交换功率约束为：

P

其P

功率平衡约束为：

其P

微电源的爬坡功率约束包括燃料微电源增加出力时的约束和燃料微电源减少出力时的约束，燃料微电源增加出力时：

[P

燃料微电源减少出力时：

[P

其公式(13)和公式(14)中，P

进一步地，所述步骤B中目标函数的隶属度函数的公式表达式为：

其公式(15)中，c

进一步地，所述各单目标可接受的最大偏差范围δ

δ

其c'

进一步地，所述步骤S4中的信息素公式的表达式为：

其将区间(0，1)的适应度值归一化，其中0是最差的信息素，1是最好的信息素；pheromone(i)为个体i的信息素；Fitness(i)为个体i的适应度值。

进一步地发，所述方法采用实验进行验证。

综上所述，本发明在对储能装置的充放电做合理的安排的基础上，搭建了以微电网的总发电运行费用、环境和污染治理费用为目标函数的优化模型，通过模糊决策法对多目标函数进行转换，运用改进的跳蛛算法对目标函数进行求解，最终较好的平衡了二者之间的关系，本发明方法有效提高微电网的经济性，此外，本发明采用改进的跳蛛算法对微电网的最终目标函数进行求解时的寻优速度快，寻优能力强。

实施例2

在实施例1的基础上，为了测试改良的跳蛛算法的可行性，本发明采用以下两组函数来检验该改进算法的运算能力，该函数具有较小的最小值，在检验算法时能有效分析算法的寻优能力，具体函数表达式为：

其中，x

依据测试的函数，采用现有的JSOA算法与本发明改良的算法求解并分析结果，由于算法具有随机性，故以运行50次为例说明，仿真测试结果如图2和图3所示。从图2和图3中可以看出在迭代相同的次数时本发明的IJSOA算法的收敛速度与寻优能力都要大于JSOA算法；所以本发明所提的IJSOA算法相比于JSOA算法，其收敛速度于寻优能力都得到了提升。

实施例3

在实施例1的基础上，为了验证新型微电网采用IJSOA算法的优化运行的可行性，本实验将对本发明中新型微电网采用IJSOA算法的优化运行结果进行仿真验证分析，具体内容如下：

本实验的参数设置如表1、表2以及表3所示：

表1

表2

表3

其表1和表2分别表示污染气体排放系数及治理费用，表3为分时电价参照现行电价进行设置。负荷需求和风电光伏出力预测参数设置，如图5与图6所示。

制定仿真方案，由于光伏发电与风力发电属于绿色能源可再生能源，且不会排放污染物，所以在运行过程中优先考虑光伏和风电等绿色能源的使用。在运维及污染治理的经济性方面FC＞DE＞MT，所以在微电源出力方面优先选择FC和DE其次是MT，微电网发电装置中，PV和WT发电都存在随机性和波动性，因此对微电网储能装置合理利用，进行“削峰填谷”可以大大提高微电网的稳定性，PHSP与大电网采用有序充放电策略，其有序充放电的总优化策略为：在综合考虑微电网发电运行维护成本和环境经济效益最优的前提下，在用电低峰期微电网电能充足时优先考虑将电能向PHSP存储不向大电网卖电，微电网电能不足时，优先向大电网购电；在用电平时段微电网供电不足时优先大电网供电后PHSP，微电网电能充足时，则将多余的电能向PHSP存储后卖给大电网来博取经济性；在用电高峰期微电网电能不足时，优先由PHSP向微电网供电，如果PHSP电能不足则再向大电网购电，微电网电能充足时，则将多余的电能卖给大电网来博取经济性。如图4所示，用电谷时段为1:00—7:00、24:00；用电平时段为8:00—11:00、16:00—18:00；用电峰时段为12:00—15:00、19:00—23:00。

仿真结果与分析，下面为采用本发明中IJSOA算法时的结果分析。单独考虑微电网的总发电运行费用时的各微电源出力情况如图6所示，其中PHSP曲线是容量变化曲线。从图6可以看出，由于微电源发电成本DE＜FC＜MT，在谷时段与平时段基本不考虑MT发电，考虑到即将到来的峰时段且向大电网售电经济性不高，故在满足负荷需求后将PHSP容量存满；在峰时段，运行维护费用低于向大电网购电的电价，故三大微电源满载，如能满足负荷需求(如12h至15h)则向大电网售电博取经济性，如不能(如19h至23h)，则由PHSP开始供电，当PHSP电能不足后再考虑向电价昂贵的大电网购电。体现了所搭建微电网发电运行费用模型的准确性和有效性。

单独考虑环境和污染治理费用时的各微电源出力情况如图7所示。从图7可以看出，在单独考虑环境和污染治理费用时，由于DE、MT、FC会产生污染气体，所以将它们的出力排到最后，优先考虑大电网、PHSP、EV供电；在污染治理费用方面，经济性由高到低分别微FC、MT、DE，在供电后缺额的功率先由FC出力，后MT和DE。体现了所搭建微电网环境和污染治理费用模型的准确性和有效性。

利用模糊决策法对多目标函数进行单目标化后，综合考虑总发电运行费用、环境和污染治理费用时的各微电源出力情况如图8所示。

从图8可以看出，在利用模糊决策法对多目标函数进行单目标化后，在谷时段(如1h至7h)，由于微电源综合费用FC＞DE＞MT，所以微电源方面基本不安排MT发电，且优先向大电网购电将PHSP容量存满为后续即将到来的峰时段进行削峰；在平时段(如8h至11h、16h至18h)，运行维护费用及污染治理费用略低于向大电网购电的电价，且考虑到即将到来的峰时段，所以三大微电源开始满载将满足负荷后多余的电能存储于PHSP，当PHSP达最大容量后开始向大电网售电以获取经济性；在峰时段，运行维护费用及治理费用远低于向大电网购电的电价，三大微电源仍然满载，如能满足负荷需求(如12h至15h)则将盈余电能向大电网售电博取经济性，如无法满足负荷(如19h至23h)，此时由PHSP开始供电，当PHSP电能不足后再考虑向电价昂贵的大电网购电。体现了所搭建微电网综合考虑总发电运行费用、环境和污染治理费用模型的准确性和有效性。

由于算法运算具有随机性，一次运行结果不足以说明准确性，故以运行50次为例，如图9和图10为采用JSOA算法与单目标化后，采用IJSOA算法求解时，目标函数与的最优值分布图；

根据图9和图10所得的最优值，做出如表4和表5所示分析。由表5与表4的结果对比可知，本发明改进的跳蛛算法即(IJSOA算法)相较于现有JSOA算法目标函数F1最大值降低了107.393元，降幅为3.86％，最小值下降了100.749元，降幅为3.88％，平均值下降了70.35元，降幅为2.63％；F2最大值降低了89.758元，降幅为5.81％，最小值下降了76.249元，降幅为5.45％，平均值下降了61.425元，降幅为4.19％。综上，改进后最大值与最小值大幅下降，即调度偏差(系统给出的较大调度成本)与最优调度都得到了有效改进，平均值即算法调度稳定性也得到了小幅改进，体现了本发明所提算法的有效性。

表4

表5

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。