摘要： 本發(fā)明涉及一種面向微電網(wǎng)綜合能量管理的分層多目標(biāo)優(yōu)化方法，首先是數(shù)據(jù)采集，而后在模型建立時(shí)明確目標(biāo)函數(shù)和約束條件;初始化過后則通過評價(jià)得到一個(gè)最佳個(gè)體，通過排序?qū)^差個(gè)體進(jìn)行不包含負(fù)荷數(shù)據(jù)的同化，加速收斂;而后進(jìn)行兩次變異，變異采取的是隔離交叉變異，這一過程是負(fù)荷調(diào)度以及儲能、各電源調(diào)度，調(diào)度完成后進(jìn)行種群評價(jià)和排序，選出一個(gè)代表性負(fù)荷調(diào)度最佳個(gè)體;接著通過負(fù)荷調(diào)度最佳個(gè)體對其他個(gè)體僅進(jìn)行負(fù)荷數(shù)據(jù)同化，而后再進(jìn)行一次變異交叉，之后再對種群進(jìn)行評價(jià)和排序，挑選一個(gè)代表性最佳個(gè)體。接著檢查是否完成迭代，若沒有則再循環(huán);若完成，則輸出一個(gè)供參考的調(diào)度方案。本發(fā)明能夠在滿足能量管理各方面需求。技術(shù)領(lǐng)域

本發(fā)明涉及微電網(wǎng)能量管理技術(shù)領(lǐng)域，特別是涉及一種面向微電網(wǎng)綜合能量管理的分層多目標(biāo)優(yōu)化方法。

申請人 東華大學(xué)

發(fā)明人 李征 李利明 陳佳瑜 田星星

背景技術(shù)

分布式能源以微電網(wǎng)的形式運(yùn)行能夠提高其利用率，微電網(wǎng)的建設(shè)能夠用于緩解海島和偏遠(yuǎn)地區(qū)用電問題，并且能夠在電網(wǎng)故障時(shí)保障關(guān)鍵負(fù)荷供電穩(wěn)定。而通常微電網(wǎng)中有多種電源，通過協(xié)調(diào)調(diào)度能夠提升可再生能源利用率，降低微電網(wǎng)對電網(wǎng)的沖擊，甚至參與電網(wǎng)的調(diào)度，緩解電網(wǎng)的壓力。如今微電網(wǎng)的能量管理通常圍繞經(jīng)濟(jì)調(diào)度、環(huán)境成本或者負(fù)荷側(cè)資源進(jìn)行優(yōu)化，沒有體現(xiàn)電網(wǎng)調(diào)度的供需互動思想。針對供需兩側(cè)互動的研究較少，部分對供需兩側(cè)優(yōu)化的研究考慮不夠全面，并且未針對供需兩側(cè)優(yōu)化提供一種能夠應(yīng)對這種復(fù)雜調(diào)度問題的解決方法，一般算法處理時(shí)因搜索空間過大極易陷入局部最優(yōu)解。

微電網(wǎng)能量管理優(yōu)化算法多以加權(quán)形式的單目標(biāo)算法和多目標(biāo)優(yōu)化算法為主，在面對復(fù)雜微電網(wǎng)能量管理優(yōu)化時(shí)因搜索空間過大，收斂速度慢，容易陷入局部最優(yōu)解。而一般分層多目標(biāo)算法特點(diǎn)是在上層目標(biāo)的優(yōu)化解集上進(jìn)行下一層目標(biāo)優(yōu)化，直到各層目標(biāo)優(yōu)化完結(jié)束，能夠壓縮搜索空間。但若各層目標(biāo)存在關(guān)聯(lián)，則有可能因某層目標(biāo)雖然達(dá)到最優(yōu)卻影響其他目標(biāo)，最終無法保證全局尋優(yōu)能力。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是提供一種面向微電網(wǎng)綜合能量管理的分層多目標(biāo)優(yōu)化方法，能夠提升微電網(wǎng)運(yùn)行經(jīng)濟(jì)效益，減小環(huán)境污染，提高負(fù)荷平滑度，降低并網(wǎng)運(yùn)行時(shí)對電網(wǎng)的沖擊。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：提供一種面向微電網(wǎng)綜合能量管理的分層多目標(biāo)優(yōu)化方法，包括以下步驟：

(1)根據(jù)供需兩側(cè)建立微電網(wǎng)能量管理優(yōu)化調(diào)度模型，并選擇算法進(jìn)行求解;

(2)在求解過程中，首先對種群初始化，在初始化過后，對種群先進(jìn)行評價(jià)，通過評價(jià)尋找到一個(gè)最佳個(gè)體;

(3)以最佳個(gè)體對表現(xiàn)較差的個(gè)體進(jìn)行不包含負(fù)荷的其他可變量進(jìn)行同化，種群同化后，就開始進(jìn)行負(fù)荷調(diào)度，在負(fù)荷調(diào)度后進(jìn)行一次種群所有個(gè)體的評價(jià)，尋找一個(gè)代表性的個(gè)體為負(fù)荷調(diào)度最佳個(gè)體;

(4)通過負(fù)荷調(diào)度最佳個(gè)體來對種群中的其他個(gè)體僅進(jìn)行負(fù)荷同化，其他可變量保持不變，而后開始進(jìn)行各電源、儲能調(diào)度管理，在各電源、儲能調(diào)度后，通過負(fù)載和微電網(wǎng)內(nèi)電源輸出總功率差值確定電網(wǎng)與微電網(wǎng)之間的功率交換值;

(5)對種群所有個(gè)體進(jìn)行評價(jià)，得到各子目標(biāo)的優(yōu)化值，對于越界情況則采取懲罰措施降低其評價(jià)適應(yīng)度，得到評價(jià)后對所有個(gè)體進(jìn)行Pareto非支配排序，對統(tǒng)一支配等級的個(gè)體進(jìn)行空間分布均勻度的排序，尋找代表性的最佳個(gè)體;判斷是否完成迭代，若未完成則返回到步驟(3)。

所述步驟(1)中根據(jù)可再生能源的預(yù)測數(shù)據(jù)，負(fù)荷的預(yù)測數(shù)據(jù)，市場收集的燃料價(jià)格，電網(wǎng)購電、售電價(jià)格，微電網(wǎng)組成設(shè)備的成本、運(yùn)行損耗、運(yùn)行維護(hù)信息，各電源容量、運(yùn)行特性以及運(yùn)行過程中造成的環(huán)境治理成本信息，微電網(wǎng)運(yùn)行的各方面需求建立微電網(wǎng)能量管理優(yōu)化調(diào)度模型，在確定模型后就需要根據(jù)設(shè)計(jì)的模型來選擇適應(yīng)的算法。本模型是以分層多目標(biāo)模型為基礎(chǔ)建立的，其基本模型如下：

其中，F(xiàn)為微電網(wǎng)運(yùn)行中經(jīng)濟(jì)效益和環(huán)境成本優(yōu)化目標(biāo)，H為負(fù)荷調(diào)度過程中負(fù)荷平滑度以及負(fù)荷峰值目標(biāo)，fi為第i個(gè)微電網(wǎng)運(yùn)行中經(jīng)濟(jì)效益和環(huán)境成本優(yōu)化子目標(biāo)，hi為第i個(gè)負(fù)荷調(diào)度過程中負(fù)荷平滑度以及負(fù)荷峰值子目標(biāo)，X為變量因素，Ω是可行解空間，G則代表等式約束條件，L則代表不等式約束條件。

步驟(1)所述的模型是具有兩個(gè)分層目標(biāo)的，其中負(fù)荷管理層中有負(fù)荷平滑度指標(biāo)和負(fù)荷曲線峰值指標(biāo);而各電源、儲能和電網(wǎng)調(diào)度這一層則包括經(jīng)濟(jì)效益指標(biāo)和環(huán)境成本指標(biāo)。在各電源、儲能調(diào)度這一層因負(fù)荷調(diào)度已完成則不需考慮負(fù)荷曲線平滑度指標(biāo)和負(fù)荷曲線峰值指標(biāo)，而負(fù)荷調(diào)度層則以負(fù)荷調(diào)度指標(biāo)為主。

步驟(1)中涉及的電費(fèi)成本需要考慮不同的電價(jià)計(jì)費(fèi)策略。

步驟(1)所述的模型求解算法是多種的，應(yīng)對不同的模型選擇相應(yīng)的算法，有如光儲微電網(wǎng)、風(fēng)光儲微電網(wǎng)以及包含各類不同分布式電源的微電網(wǎng)，并且不同的模型的需求可能也不會一樣。

所述步驟(2)在算法流程中，首先是對種群初始化，一般而言通過混沌理論初始化對簡單系統(tǒng)能夠提高算法效率。在初始化過后，應(yīng)該要對種群先進(jìn)行評價(jià)，通過評價(jià)尋找到一個(gè)最佳個(gè)體，最佳個(gè)體的評價(jià)方法直接用簡單相加即可，只需要具有一定的代表性。其中，所提的混沌理論初始化對可變量較少的模型則比較適應(yīng)，而應(yīng)對可變量較多的模型則不太合適。

所述步驟(3)以最佳個(gè)體對表現(xiàn)較差的個(gè)體進(jìn)行不包含負(fù)荷的其他可變量進(jìn)行同化，種群同化后，就開始進(jìn)行負(fù)荷調(diào)度，也就是負(fù)荷側(cè)的管理，這一步主要是希望能夠盡可能的降低負(fù)荷曲線的沖擊性，提高負(fù)荷曲線的平滑度，同時(shí)降低負(fù)荷曲線的峰值，可以提高電網(wǎng)設(shè)備的利用效率。在負(fù)荷調(diào)度后進(jìn)行一次種群所有個(gè)體的評價(jià)，再次通過對負(fù)荷調(diào)度所影響的各子目標(biāo)簡單相加尋找一個(gè)代表性的個(gè)體為負(fù)荷調(diào)度最佳個(gè)體。

所述步驟(3)中的種群同化是通過最佳個(gè)體將Pareto非支配排序后，將最佳的前端保留，而對較差的個(gè)體強(qiáng)行同化。

所述步驟(4)是通過負(fù)荷調(diào)度最佳個(gè)體來對種群中的其他個(gè)體僅進(jìn)行負(fù)荷同化，其他可變量保持不變，而后開始進(jìn)行各電源、儲能調(diào)度管理。到這一步種群中每個(gè)個(gè)體的負(fù)荷曲線一致，因此無需考慮負(fù)荷管理所帶來的子目標(biāo)變化。因電池在運(yùn)行過程中是SOC(State of Charge)是動態(tài)變化的，因此其約束也是動態(tài)的，在各電源、儲能調(diào)度后，通過負(fù)載和微電網(wǎng)內(nèi)電源輸出總功率差值確定電網(wǎng)與微電網(wǎng)之間的功率交換值。

所述步驟(4)中儲能是動態(tài)變化的，其基于微電網(wǎng)動態(tài)運(yùn)行考慮，針對不同的儲能需要針對其不同充放電倍率考慮其約束條件。

所述步驟(3)和步驟(4)所述的負(fù)荷調(diào)度和各電源、儲能調(diào)度屬于算法的變異交叉過程。所述的變異過程是一種混合變異。這種變異過程將種群分割為兩個(gè)獨(dú)立的小種群，在變異過程中為了保證種群的多樣性，總保留固定比例的個(gè)體參加隨機(jī)變異，不受另一個(gè)小種群的干擾;而另一個(gè)小種群則采取一種犧牲種群多樣性但提升算法搜索能力的變異策略，并且變異個(gè)體部分來源于另一個(gè)小種群，是一種交叉性質(zhì)的變異。

所述步驟(5)中的對所有個(gè)體進(jìn)行Pareto非支配排序是以Pareto理論為基礎(chǔ)進(jìn)行的多目標(biāo)非支配排序，而針對在同一支配層的個(gè)體為了保持種群的空間均勻分布，則運(yùn)用空間分布思想來進(jìn)行進(jìn)一步排序。

步驟(2)、步驟(3)和步驟(5)所述的最佳個(gè)體只需要在當(dāng)代種群中具有代表性的個(gè)體即可，因?yàn)樵诙嗄繕?biāo)的情況下基于Pareto的非支配排序有時(shí)難以確定一個(gè)最佳個(gè)體，因此只需要通過各子目標(biāo)相加選擇一個(gè)代表性的即可。

有益效果

由于采用了上述的技術(shù)方案，本發(fā)明與現(xiàn)有技術(shù)相比，具有以下的優(yōu)點(diǎn)和積極效果：由于采用了上述的技術(shù)方案，本發(fā)明與現(xiàn)有技術(shù)相比，具有以下的優(yōu)點(diǎn)和積極效果：本發(fā)明對供需兩側(cè)進(jìn)行互動優(yōu)化，針對供需兩側(cè)優(yōu)化復(fù)雜問題提供了一種有效優(yōu)化算法，能夠在滿足能量管理各方面需求的同時(shí)對算法流程進(jìn)行改進(jìn)。通過對負(fù)荷資源和各電源、儲能資源分層調(diào)度，能夠同時(shí)兼顧負(fù)荷曲線多方指標(biāo)以及微電網(wǎng)運(yùn)行經(jīng)濟(jì)性和環(huán)境指標(biāo)，實(shí)現(xiàn)供需互動。結(jié)合分層調(diào)度思想對算法流程進(jìn)行改進(jìn)，讓優(yōu)化算法解決多層目標(biāo)關(guān)聯(lián)的優(yōu)化問題，能夠適應(yīng)供需兩側(cè)同時(shí)優(yōu)化的需求，滿足微電網(wǎng)能量管理多方面需求。并且引入的同化過程能夠提升算法的收斂速度，而隔離交叉變異能夠提升算法的全局搜索能力。

發(fā)明專利要點(diǎn)簡析：

1 .一種面向微電網(wǎng)綜合能量管理的分層多目標(biāo)優(yōu)化方法，其特征在于，包括以下步驟：

(1)根據(jù)供需兩側(cè)建立微電網(wǎng)能量管理優(yōu)化調(diào)度模型，并選擇算法進(jìn)行求解;

(2)在求解過程中，首先對種群初始化，在初始化過后，對種群先進(jìn)行評價(jià)，通過評價(jià)尋找到一個(gè)最佳個(gè)體;

(3)以最佳個(gè)體對表現(xiàn)較差的個(gè)體進(jìn)行不包含負(fù)荷的其他可變量進(jìn)行同化，種群同化后，就開始進(jìn)行負(fù)荷調(diào)度，在負(fù)荷調(diào)度后進(jìn)行一次種群所有個(gè)體的評價(jià)，尋找一個(gè)代表性的個(gè)體為負(fù)荷調(diào)度最佳個(gè)體;

(4)通過負(fù)荷調(diào)度最佳個(gè)體來對種群中的其他個(gè)體僅進(jìn)行負(fù)荷同化，其他可變量保持不變，而后開始進(jìn)行各電源、儲能調(diào)度管理，在各電源、儲能調(diào)度后，通過負(fù)載和微電網(wǎng)內(nèi)電源輸出總功率差值確定電網(wǎng)與微電網(wǎng)之間的功率交換值;

(5)對種群所有個(gè)體進(jìn)行評價(jià)，得到各子目標(biāo)的優(yōu)化值，對于越界情況則采取懲罰措施降低其評價(jià)適應(yīng)度，得到評價(jià)后對所有個(gè)體進(jìn)行Pareto非支配排序，對統(tǒng)一支配等級的個(gè)體進(jìn)行空間分布均勻度的排序，尋找代表性的最佳個(gè)體;判斷是否完成迭代，若未完成則返回到步驟(3)。

2.根據(jù)權(quán)利要求1所述的面向微電網(wǎng)綜合能量管理的分層多目標(biāo)優(yōu)化方法，其特征在于，所述調(diào)度模型為：

其中，F(xiàn)為微電網(wǎng)運(yùn)行中經(jīng)濟(jì)效益和環(huán)境成本優(yōu)化目標(biāo)，H為負(fù)荷調(diào)度過程中負(fù)荷平滑度以及負(fù)荷峰值目標(biāo)，fi為第i個(gè)微電網(wǎng)運(yùn)行中經(jīng)濟(jì)效益和環(huán)境成本優(yōu)化子目標(biāo)，hi為第i個(gè)負(fù)荷調(diào)度過程中負(fù)荷平滑度以及負(fù)荷峰值子目標(biāo)，X為變量因素，Ω是可行解空間，G則代表等式約束條件，L則代表不等式約束條件。

3.根據(jù)權(quán)利要求1所述的面向微電網(wǎng)綜合能量管理的分層多目標(biāo)優(yōu)化方法，其特征在于，所述步驟(3)中的種群同化是通過最佳個(gè)體將Pareto非支配排序后，將最佳的前端保留，而對較差的個(gè)體強(qiáng)行同化。

4.根據(jù)權(quán)利要求1所述的面向微電網(wǎng)綜合能量管理的分層多目標(biāo)優(yōu)化方法，其特征在于，所述步驟(3)和步驟(4)中的負(fù)荷調(diào)度和各電源、儲能調(diào)度均屬于算法的變異交叉過程。

5.根據(jù)權(quán)利要求4所述的面向微電網(wǎng)綜合能量管理的分層多目標(biāo)優(yōu)化方法，其特征在于，所述的變異過程是一種混合性的變異，將種群分割為兩個(gè)獨(dú)立的小種群，在變異過程中為了保證種群的多樣性，總保留固定比例的個(gè)體參加隨機(jī)變異，不受另一個(gè)小種群的干擾;

而另一個(gè)小種群則采取一種犧牲種群多樣性但提升算法搜索能力的變異策略，并且變異個(gè)體部分來源于另一個(gè)小種群，是一種交叉性質(zhì)的變異。

6.根據(jù)權(quán)利要求1所述的面向微電網(wǎng)綜合能量管理的分層多目標(biāo)優(yōu)化方法，其特征在于，所述步驟(4)中儲能是動態(tài)變化的，其基于微電網(wǎng)動態(tài)運(yùn)行考慮，針對不同的儲能需要針對其不同充放電倍率考慮其約束條件。

7 .根據(jù)權(quán)利要求1所述的面向微電網(wǎng)綜合能量管理的分層多目標(biāo)優(yōu)化方法，其特征在于，所述步驟(5)中的對所有個(gè)體進(jìn)行Pareto非支配排序是以Pareto理論為基礎(chǔ)進(jìn)行的目標(biāo)非支配排序，而針對在同一支配層的個(gè)體為了保持種群的空間均勻分布，則運(yùn)用空間分布思想來進(jìn)行進(jìn)一步排序。