一种含多微能流网的智慧配电网双层调度优化方法

技术领域

本发明涉及智慧配电网优化的技术领域，特别是涉及一种含多微能流网的智慧配电网双层调度优化方法。

背景技术

随着能源消费增多与能源供给短缺矛盾问题的日益突出，尽量使用风电、光伏等可再生能源，将电、热、气等多种能源组成微能流网(Micro-energy flow network，MEFN)，逐渐成为重要的解决方案。MEFN可以让电、热、气能量形式相互转化、传输，使MEFN内的能源协调、统一规划，提高能源的利用率，因而成为当前研究热点。另外，配电网逐渐向智慧配电网过渡，自动化和大数据技术等新技术的快速发展和应用为配电网实现源-网-荷各侧资源的综合调度优化运行提供了条件。智慧配电网是现代电网发展的重要方向以及对能源可持续利用的重要手段，是推动节能减排的重要措施之一，目前已经成为世界新能源发展的重要驱动力，因此做好含多MEFN的智慧配电网调度优化具有重要意义。

MEFN接入智慧配电网后，既能从电网中吸收功率，外部呈负荷特性；又能向电网发出功率，外部呈电源特性。如何使配电网和MEFN既相对独立又互为支撑，实现双赢，是研究人员最为关心的方面。含MEFN的智慧配电网与传统的配电网有着较大的差别，它不再是一个无源网络，在潮流分布上相对于传统的配电网有着很多的不确定性。因此，传统的配电网调度优化方法对于含MEFN的智慧配电网不再适用。

然而，目前对于含MEFN的配电网优化的方法较多，但对于含MEFN的智慧配电网调度优化方法的研究还并未出现。由于双方之间是竞争和合作的关系，解决配电网和MEFN之间优化调度的难题宜采用分层优化的结构。因此，十分需要一种能够有效提高能源利用率的含MEFN的智慧配电网的分层调度优化方法。

发明内容

为解决上述技术问题，本发明提供一种含多微能流网的智慧配电网双层调度优化方法，以解决含MEFN的智慧配电网调度优化技术存在的空缺。

本发明的一种含多微能流网的智慧配电网双层调度优化方法，包括以下步骤：

1)获取待分析智慧配电网的网络参数及典型日的系统数据；

2)将MEFN层即MEFN间的协调优化作为下层调度优化，将智慧配电网与各MEFN间的协调优化作为上层调度优化，构建下层优化数学模型，确定以系统收益最高、能源利用效率最高的目标函数，确定约束条件，包括配-微电能交互功率约束、MEFN间电能交互功率约束、BS储能运行约束、HS储能运行约束；

3)根据下层调度结果，进行上层智慧配电网的调度优化，构建上层优化数学模型，确定以总运行成本最小、节点总电压偏移最小、支路总电能损失最小的目标函数，确定约束条件，包括功率平衡约束、MEFN与配网传输功率约束、机组出力约束、储能荷电状态约束、节点电压偏移约束；

4)采用最大-最小规范化方法将分别将上层优化模型和下层优化模型的多目标函数转换为单目标函数，并通过模糊综合评价法分别确定上层、下层优化的各目标权系数；

5)利用考虑精英保留策略的自适应遗传算法(Elitism strategy-adaptivegenetic algorithm，ES-AGA)对上层模型根据初始值求解，得到各目标函数结果及配-微电能交互功率结果，并将此结果作为下层优化模型的初始值；

6)利用改进的粒子群算法(Improved particle swarm optimization，IPSO)对下层模型进行求解，得到各目标函数结果及各MEFN内机组的调度结果，将效益函数中的成本结果反馈给上层并更新上层模型适应度函数，实现算法闭环，后重新计算上层模型个体适应度函数，依据计算结果对种群完成换代操作，实现算法嵌套，更新种群，反复交替迭代。

进一步地，所述的步骤1)中系统数据包括：线路参数、网络拓扑、光伏数据、风电数据、负荷数据等。

进一步地，所述的步骤2)具体为：

21)各MEFN内包含光伏(Photovoltaic unit，PV)、风机(Wind turbine，WT)、电力电子变压器、微型燃气轮机(Micro Turbine，MT)、电锅炉(Electric Boiler，EB)、燃气锅炉(Gas Boiler，GB)，以及能源存储装置，能源存储装置包括蓄电池(Battery storage，BS)、储热罐(Heat Storage，HS)和储气罐(Gas Storage，GS)；建立下层调度优化的目标函数：

max F

式中：F

22)计算C

C

式中：C

23)计算C

式中：p

24)计算C

式中：p

p

式中：λ(t)为各微能网t时段的供需比；

25)计算C

式中：p

26)计算C

式中：P

27)计算C

式中：c

29)计算C

式中：c

29)计算C

式中：

210)计算η

式中：P

211)建立下层调度优化的约束条件，包括配-微电能交互功率约束、MEFN间电能交互功率约束、BS储能运行约束、HS储能运行约束；

212)对配-微电能交互功率约束：

式中：P

213)对MEFN间电能交互功率约束：

式中：P

214)对BS储能运行约束：

式中：ξ

215)对HS储能运行约束：

式中：ξ

进一步地，所述的步骤3)具体步骤为：

31)建立上层调度优化模型中的目标函数F

min F

式中：F

32)计算C

C

式中：C

C

式中：p

33)计算U

式中：N为配电网独立节点个数，U

34)计算W

式中：B为配电网支路个数；P

35)建立下层优化约束条件，包括节点电压安全约束、储能荷电状态约束、电压偏移约束；

36)对节点电压安全约束：

P{U

式中：U

37)对配电网与上级电网电能交互功率约束：

式中：P

39)对电压偏移约束：

U

式中：U

进一步地，所述的步骤4)具体步骤为：

41)采用最大-最小规范化方法对上层模型的多目标进行归一化处理，将其转换为单目标函数，计算式如下：

式中：F′

42)各目标函数有各被分配的权重，采用模糊综合评价法确定各目标权重；计算上层优化第i个目标函数的超标加权值f′

式中：C

43)计算上层优化第i个目标函数的权重f

44)同样按照41)至43)的步骤将下层模型的多目标函数转换为单目标函数。

进一步地，所述的步骤5)具体步骤为：

51)初始化ES-AGA算法参数，并初始化种群，随机生成初代种群及个体，以配-微的电能交互功率作为决策变量，并选取实数编码方式对其进行编码操作；

52)计算适应度值：将上层配网模型中的成本、电压偏移及电能损失最小作为适应度函数，计算个体适应度值。

53)更新种群：根据精英个体保留策略进行选择操作，后对种群进行自适应交叉、变异操作；其中，对交叉概率P

式中：f

54)输出根据初始参数计算的结果，包括配-微的电能交互功率，将此结果作为下层优化模型的初始值。

进一步地，所述的步骤6)具体步骤为：

61)初始化IPSO的算法参数，将上层初代产生的配-微电能交互功率同样作为初始值；

62)以下层模型的目标函数即效益最大和能源利用率最高为适应度函数，计算适应度函数值；

63)确定粒子个体最优位置和全局最优位置，随迭代代数动态更新惯性权重ω(计算式见式(29))，对粒子位置进行迭代更新；判断是否到达收敛条件；若是则输出计算结果，否则返回步骤62)继续进行优化求解；

式中：ω

64)得到下层优化模型各目标函数结果及各MEFN内机组的调度结果，将效益函数中的成本结果反馈给上层并更新上层模型适应度函数，再次对上层模型进行求解，实现算法闭环，得到子代种群，即新的配-微电能交互功率结果，后重新计算上层模型个体适应度函数，依据计算结果对种群完成换代操作，实现算法嵌套，更新种群，反复交替迭代。

与现有技术相比本发明的有益效果为：本发明提出了一种含多微能流网的智慧配电网双层调度优化方法，特别适合多种类型能源的电网使用，考虑了多种能源，以MEFN间的调度优化作为下层优化，以MEFN与智慧配电网间的优化作为上层优化，分别建立其调度优化模型，考虑了配-微电能交互功率约束、MEFN间电能交互功率约束、BS储能运行约束、节点电压安全约束、储能荷电状态约束等多个约束条件，并采用ES-AGA、IPSO算法分别对上层模型和下层模型进行交替迭代求解，能够有效降低运行成本、减小电压偏移、减少电能损失，提高能源利用率，从而提高了智慧配电网运行的经济性与安全性。

附图说明

图1为本发明实施例所公开的一种含多微能流网的智慧配电网双层调度优化方法整体流程示意图；

图2为MEFN结构示意图；

图3为含MEFN的智慧配电网调度优化框架示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，构建一种含多微能流网的智慧配电网双层调度优化方法。以此来实现MEFN内能源的高效以及配-微网间的协调运行。所述的智慧配电网内含有多个MEFN，各MEFN内包含光伏(Photovoltaic unit，PV)、风机(Wind turbine，WT)、电力电子变压器、微型燃气轮机(Micro Turbine，MT)、电锅炉(Electric Boiler，EB)、燃气锅炉(Gas Boiler，GB)等，以及能源存储装置，能源存储装置包括储能电池(Battery storage，BS)、储热罐(HeatStorage，HS)和储气罐(Gas Storage，GS)。具体包括如下步骤：

1)：获取待分析智慧配电网的网络参数及典型日的系统数据，包括：线路参数、网络拓扑、光伏数据、风电数据、负荷数据等；

2)：如图2所示，将MEFN层即MEFN间的协调优化作为下层调度优化，将智慧配电网与各MEFN间的协调优化作为上层调度优化。构建下层优化数学模型，确定以系统收益最高、能源利用效率最高的目标函数，确定约束条件，包括配-微电能交互功率约束、MEFN间电能交互功率约束、BS储能运行约束、HS储能运行约束，具体为：

21)本发明中各MEFN内包含光伏(Photovoltaic unit，PV)、风机(Wind turbine，WT)、电力电子变压器、微型燃气轮机(Micro Turbine，MT)、电锅炉(Electric Boiler，EB)、燃气锅炉(Gas Boiler，GB)，以及能源存储装置，能源存储装置包括蓄电池(Batterystorage，BS)、储热罐(Heat Storage，HS)和储气罐(Gas Storage，GS),如图3所示。建立下层调度优化的目标函数：

max F

式中：F

22)计算C

C

式中：C

23)计算C

式中：p

24)计算C

式中：p

p

式中：λ(t)为各MEFN在t时段的供需比。

25)计算C

式中：p

26)计算C

式中：P

27)计算C

式中：c

28)计算C

式中：c

29)计算C

式中：

210)计算η

式中：P

211)建立下层调度优化的约束条件，包括配-微电能交互功率约束、MEFN间电能交互功率约束、BS储能运行约束、HS储能运行约束；

212)对配-微电能交互功率约束：

式中：P

213)对MEFN间电能交互功率约束：

式中：P

214)对BS储能运行约束：

式中：ξ

215)对HS储能运行约束：

/>

式中：ξ

3)：根据下层调度结果，进行上层智慧配电网的调度优化。构建上层优化数学模型，确定以总运行成本最小、节点总电压偏移最小、支路总电能损失最小的目标函数，确定约束条件，包括功率平衡约束、MEFN与配网传输功率约束、机组出力约束、储能荷电状态约束、节点电压偏移约束，具体为：

31)建立上层调度优化模型中的目标函数F

min F

式中：F

32)计算C

C

式中：C

C

式中：p

33)计算U

式中：N为配电网独立节点个数，U

34)计算W

式中：B为配电网支路个数；P

35)建立下层优化约束条件，包括节点电压安全约束、储能荷电状态约束、电压偏移约束；

36)对节点电压安全约束：

P{U

式中：U

37)对配电网与上级电网电能交互功率约束：

式中：P

38)对电压偏移约束：

U

式中：U

4)：采用最大-最小规范化方法将分别将上层优化模型和下层优化模型的多目标函数转换为单目标函数，并通过模糊综合评价法分别确定上层、下层优化的各目标权系数，具体为：

41)采用最大-最小规范化方法对上层模型的多目标进行归一化处理，将其转换为单目标函数，计算式如下：

式中：F′

42)各目标函数有各被分配的权重，采用模糊综合评价法确定各目标权重。计算上层优化第i个目标函数的超标加权值f′

式中：C

43)计算上层优化第i个目标函数的权重f

44)同样按照41)至43)的步骤将下层模型的多目标函数转换为单目标函数。

5)：利用考虑精英保留策略的自适应遗传算法(Elitism strategy-adaptivegenetic algorithm，ES-AGA)对上层模型根据初始值求解，得到各目标函数结果及配-微电能交互功率结果，并将此结果作为下层优化模型的初始值，具体为：

51)初始化ES-AGA算法参数，并初始化种群，随机生成初代种群及个体，以配-微的电能交互功率作为决策变量，并选取实数编码方式对其进行编码操作；

52)计算适应度值。将上层配网模型中的成本、电压偏移及电能损失最小作为适应度函数，计算个体适应度值。

53)更新种群。根据精英个体保留策略进行选择操作，后对种群进行自适应交叉、变异操作。其中，对交叉概率P

式中：f

54)输出根据初始参数计算的结果，包括配-微的电能交互功率，将此结果作为下层优化模型的初始值。

6)：利用改进的粒子群算法(Improved particle swarm optimization，IPSO)算法对下层模型进行求解，得到各目标函数结果及各MEFN内机组的调度结果，将效益函数中的成本结果反馈给上层并更新上层模型适应度函数，实现算法闭环，后重新计算上层模型个体适应度函数，依据计算结果对种群完成换代操作，实现算法嵌套，更新种群，反复交替迭代，具体为：

61)初始化IPSO的算法参数，将上层初代产生的配-微电能交互功率同样作为初始值；

62)以下层模型的目标函数即效益最大和能源利用率最高为适应度函数，计算适应度函数值；

63)确定粒子个体最优位置和全局最优位置，随迭代代数动态更新惯性权重ω(计算式见式(29))，对粒子位置进行迭代更新；判断是否到达收敛条件。若是则输出计算结果，否则返回步骤62)继续进行优化求解；

式中：ω

64)得到下层优化模型各目标函数结果及各MEFN内机组的调度结果，将效益函数中的成本结果反馈给上层并更新上层模型适应度函数，再次对上层模型进行求解，实现算法闭环，得到子代种群，即新的配-微电能交互功率结果，后重新计算上层模型个体适应度函数，依据计算结果对种群完成换代操作，实现算法嵌套，更新种群，反复交替迭代。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。