一种基于风光储一体的智能微网容量优化方法

技术领域

本发明属于微网容量优化技术领域，具体涉及一种基于风光储一体的智能微网容量优化方法。

背景技术

智能微网容量优化是指在一定的控制策略下，以微电网运行经济性、环保性或电能质量等最优为优化目标，通过优化分配微电网中的各分布式电源及储能装置的输出功率以满足负荷需求和保证微电网安全稳定运行，微电网是一种新型的网络结构，是实现主动式配电网的一种有效的方式。由一组微电源、负荷、储能系统和控制装置构成的系统单元，可实现对负荷多种能源形式的高可靠供给。微电网中的电源多为容量较小的分布式电源，即含有电力电子接口的小型机组，包括光伏电池、小型风力发电机组以及超级电容、飞轮及蓄电池等储能装置，它们接在用户侧，具有成本低、电压低及污染低等特点。开发和延伸微电网能够促进分布式电源与可再生能源的大规模接入，使传统电网向智能网络的过渡，然而市面上各种的微网仍存在各种各样的问题。

如授权公告号为CN103311940B所公开的一种微电网负荷储能一体化控制方法，其虽然实现了将微电网内可控负荷与储能视为一个整体进行一体化控制，提高负荷控制的精度、拓展可控负荷的用途，减轻微电网对储能功率和容量的依赖，降低储能配备；以“负电源”身份参与微电网稳定运行时分布式电源的对等控制，以“广义储能”身份参与孤岛转并网等故障情况下的微电网紧急控制。从而实现微电网频率稳定，抑制联络线功率波动，从而提高微电网安全稳定运行能力，但是并未解决现有微网存在的不能够有效的实现对微网数据信息进行获取和对数据信息进行模型计算处理，并且不能够有效的实现多种计算处理等的问题，为此我们提出一种基于风光储一体的智能微网容量优化方法。

发明内容

本发明的目的在于提供一种基于风光储一体的智能微网容量优化方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于风光储一体的智能微网容量优化方法，包括有以下步骤：

S1、建立微网系统：通过光伏发电和储能系统建立孤岛的微网系统，并且通过主断路器实现微网系统与大电网系统进行连接，并且设置有主控制器、微网控制器、大量的分段断路器和断路器；

S2、建立微网模型：建立微网模型，并且根据主控制器和微网控制器实现对数据信息进行录入计算处理，实现对微网的风光出力、负荷、储能、大电网电压和异常信息进行计算处理；

S3、对微网模型进行计算处理：通过两阶段鲁棒优化算法实现对微网模型进行计算，有效的计算处理，实现对电源容量优化配置及其容量规划进行处理，即两阶段鲁棒优化算法中的一阶段主要决策储能、风电、光伏的容量，二阶段主要规划风光储的实际出力变量；

S4、通过粒子群算法实现对微电网的最优化进行选择：对于两阶段鲁棒优化算法的结果进行分析处理，并且再通过粒子群算法实现对微网的输出和储能进行最优化计算处理。

优选的，所述S1中的主断路器用于实现对微网和大电网进行通断连接，即在大电网电能质量下降或者大电网故障而影响到微网内负荷正常用电时，在公共连接节点处通过主断路器与大电网断开，采用孤岛运行模式。

优选的，所述S1中的微网控制器、大量的分段断路器和断路器由于实现对微网进行分线路，即通过断路器实现对微网进行分线路设置，实现对每一个分线路进行通断控制，且分段断路器实现对每一个分线路进行再次分段设置，通过分段断路器进行控制通断，且微网控制器用于实现对每一段线路进行控制调节。

优选的，所述S1中的主控制器分别与所述主断路器和所述断路器进行电性连接，所述微网控制器与所述分段断路器电性连接，所述微网控制器通过通讯器实现与所述主控制器通讯连接。

优选的，所述S2中的主控制器和微网控制器在进行数据信息传输的时候，通过数据处理模块实现对数据信息进行转换处理，所述数据处理模块中包括有用于接收数据信息的接收电路、用于模数转换的转换电路、用于放大数据信息的增益电路和用于滤除杂波的滤波电路。

优选的，所述S1中还包括有风力发电，所述光伏发电和所述风力发电上分别电性连接有逆变器，所述逆变器用于将光伏发电和风力发电的直流电压转换成交流电压，所述交流电压用于存储在所述储能系统，或者是供电传输给微网和大电网。

优选的，所述S3中的两阶段鲁棒优化算法如下：

x表示决策变量，w表示不确定变量，表达式的含义就是在最恶劣的情况下，w的取值使目标函数最大，求出满足约束条件，并且能使目标函数最小的决策变量x；f(x)为目标函数，h(x)为约束条件函数。

优选的，所述S4中的粒子群算法的算法如下：

v

x

i＝1,.....N，N是此群中粒子的总数，

v是粒子的速度，

Rand()介于(0，1)之间的随机数，

x粒子的当前位置，

c

v

v

c

c

优选的，通过公式

v

x

得到公式：

v

w叫做惯性因子，其值为非负，

其值较大，全局寻优能力强，局部寻优能力弱；

其值较小，全局寻优能力弱，局部寻优能力强；

动态w能获得比固定值更好的寻优结果，动态w在PS0搜索过程中线性变化，也根据PS0性能的某个测度函数动态改变；

目前采用较多的是线性递减权值策略；

w

G

w

w

优选的，所述粒子群算法的算法的流程如下：

S401、初始化一群微粒(群体规模为N)，包括随机位置和速度；

S402、评价每个微粒的适应度；

S403、对每个微粒，将其适应值与其经过的最好位置pbest作比较，如果较好，则将其作为当前的最好位置pbest；

S404、对每个微粒，将其适应值与其经过的最好位置gbest作比较，如果较好，则将其作为当前的最好位置gbest；

S405、根据公式

v

x

调整微粒速度和位置；

S406、未达到结束条件则转至S402，

迭代终止条件根据具体问题一般选为最大迭代次数Gk或(和)微粒群迄今为止搜索到的最优位置满足预定最小适应阈值。

与现有技术相比，本发明的有益效果是：

本发明在使用的时候通过主控制器和微网控制器实现对各级的数据信息进行采集，并且在进行采集的时候通过主断路器、大量的分段断路器和断路器进行有效的控制调节，然后对数据信息进行模型计算处理，即通过两阶段鲁棒优化算法进行计算处理，一阶段主要决策储能、风电、光伏的容量，二阶段主要规划风光储的实际出力变量；然后通过粒子群算法实现对微网的输出和储能进行最优化计算处理，有效的实现对风光储一体的智能微网容量优化进行精准的计算，即能够有效的对最优化的结果进行计算获得。

附图说明

图1为本发明的方法步骤流程示意图；

图2为本发明的粒子群算法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-图2，本发明提供一种技术方案：一种基于风光储一体的智能微网容量优化方法，包括有以下步骤：

S1、建立微网系统：通过光伏发电和储能系统建立微网系统，并且通过主断路器实现微网系统与大电网系统进行连接，并且设置有主控制器、微网控制器、大量的分段断路器和断路器；

S2、建立微网模型：建立微网模型，并且根据主控制器和微网控制器实现对数据信息进行录入计算处理，实现对微网的光伏出力、负荷、储能、大电网电压和异常信息进行计算处理；

S3、对微网模型进行计算处理：通过两阶段鲁棒优化算法实现对微网模型进行计算，有效的计算处理，实现对电源容量优化配置及其容量规划进行处理，即两阶段鲁棒优化算法中的一阶段主要决策储能、风电、光伏的容量，二阶段主要规划风光储的实际出力变量；

S4、通过粒子群算法实现对微电网的最优化进行选择：对于两阶段鲁棒优化算法的结果进行分析处理，并且再通过粒子群算法实现对微网的输出和储能进行最优化计算处理。

在使用的时候为了实现对大电网和微网之间的连接进行控制，本实施例中，优选的，所述S1中的主断路器用于实现对微网和大电网进行通断连接，即在大电网电能质量下降或者大电网故障而影响到微网内负荷正常用电时，在公共连接节点处通过主断路器与大电网断开，采用孤岛运行模式。

为了实现对微网进行有效的控制调节，并且对微网进行分段控制，本实施例中，优选的，所述S1中的微网控制器、大量的分段断路器和断路器由于实现对微网进行分线路，即通过断路器实现对微网进行分线路设置，实现对每一个分线路进行通断控制，且分段断路器实现对每一个分线路进行再次分段设置，通过分段断路器进行控制通断，且微网控制器用于实现对每一段线路进行控制调节。

为了实现对系统进行有效的电性连接，实现对主断路器、断路器和分段断路器进行有效的控制调节，本实施例中，优选的，所述S1中的主控制器分别与所述主断路器和所述断路器进行电性连接，所述微网控制器与所述分段断路器电性连接，所述微网控制器通过通讯器实现与所述主控制器通讯连接。

为了实现对数据信息进行传输，并且为了保持数据信息的精准，实现对数据信息进行计算处理，本实施例中，优选的，所述S2中的主控制器和微网控制器在进行数据信息传输的时候，通过数据处理模块实现对数据信息进行转换处理，所述数据处理模块中包括有用于接收数据信息的接收电路、用于模数转换的转换电路、用于放大数据信息的增益电路和用于滤除杂波的滤波电路。

为了使得光伏发电和风力发电能够有效的传输电压，并且实现对电压进行转换，本实施例中，优选的，所述S1中还包括有风力发电，所述光伏发电和所述风力发电上分别电性连接有逆变器，所述逆变器用于将光伏发电和风力发电的直流电压转换成交流电压，所述交流电压用于存储在所述储能系统，或者是供电传输给微网和大电网。

为了实现对数据信息进行计算处理，本实施例中，优选的，所述S3中的两阶段鲁棒优化算法如下：

x表示决策变量，w表示不确定变量，表达式的含义就是在最恶劣的情况下，w的取值使目标函数最大，求出满足约束条件，并且能使目标函数最小的决策变量x；f(x)为目标函数，h(x)为约束条件函数。

为了实现对最优的的方法或者解决方案进行计算获取，本实施例中，优选的，所述S4中的粒子群算法的算法如下：

v

x

i＝1,.....N，N是此群中粒子的总数，

v是粒子的速度，

Rand()介于(0，1)之间的随机数，

x粒子的当前位置，

c

v

v

c

c

为了再次实现对公式进行递进获取，实现计算处理，本实施例中，优选的，通过公式

v

x

得到公式：

v

w叫做惯性因子，其值为非负，

其值较大，全局寻优能力强，局部寻优能力弱；

其值较小，全局寻优能力弱，局部寻优能力强；

动态w能获得比固定值更好的寻优结果，动态w在PS0搜索过程中线性变化，也根据PS0性能的某个测度函数动态改变；

目前采用较多的是线性递减权值策略；

w

G

w

w

为了实现对粒子群算法进行流程规定，本实施例中，优选的，所述粒子群算法的算法的流程如下：

S401、初始化一群微粒(群体规模为N)，包括随机位置和速度；

S402、评价每个微粒的适应度；

S403、对每个微粒，将其适应值与其经过的最好位置pbest作比较，如果较好，则将其作为当前的最好位置pbest；

S404、对每个微粒，将其适应值与其经过的最好位置gbest作比较，如果较好，则将其作为当前的最好位置gbest；

S405、根据公式

v

x

调整微粒速度和位置；

S406、未达到结束条件则转至S402，

迭代终止条件根据具体问题一般选为最大迭代次数Gk或(和)微粒群迄今为止搜索到的最优位置满足预定最小适应阈值。

本发明的工作原理及使用流程：

第一步、建立微网系统：通过光伏发电和储能系统建立孤岛的微网系统，并且通过主断路器实现微网系统与大电网系统进行连接，并且设置有主控制器、微网控制器、大量的分段断路器和断路器；

第二步、建立微网模型：建立微网模型，并且根据主控制器和微网控制器实现对数据信息进行录入计算处理，实现对微网的风光出力、负荷、储能、大电网电压和异常信息进行计算处理；

第三步、对微网模型进行计算处理：通过两阶段鲁棒优化算法实现对微网模型进行计算，有效的计算处理，实现对电源容量优化配置及其容量规划进行处理，即两阶段鲁棒优化算法中的一阶段主要决策储能、风电、光伏的容量，二阶段主要规划风光储的实际出力变量；

第四步、通过粒子群算法实现对微电网的最优化进行选择：对于两阶段鲁棒优化算法的结果进行分析处理，并且再通过粒子群算法实现对微网的输出和储能进行最优化计算处理。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。