[发明专利]一种基于MCS-PSO的临近海岛多微网动态调度方法

摘要

本发明涉及一种基于MCS-PSO的临近海岛多微网动态调度方法。目前，多微网互联技术的研究逐步深入。然而，关于多微网有功调度方面的研究工作却相对较少，在发电和负荷预测的基础上，基于可靠性与经济性指标建立各微网联络线功率控制的优化模型，并通过基于结合蒙特卡洛模拟的粒子群算法(MCS-PSO)求解。由于微网中发电和负荷的预测信息随着时间推移不断更新，采用在线滚动更新的动态优化调度以提高调度计划的精度。本发明结合多海岛临近互联运行的实际，可合理地对各海岛微网的能量进行调度分配。发明中充分考虑了各种不确定性因素，可将运行的成本和损失降到最低。

主权项

1.一种基于MCS-PSO的临近海岛多微网动态调度方法，其特征在于该方法包括以下步骤：步骤一：结合可靠性和经济性指标，建立优化调度模型，具体是：1、指标的数学描述：1.1、可靠性通过期望缺供电量的指标λ_CP来描述：λCP=∑pcut·Pcut]]>式中：P_cut为电力供应不足时切除的负荷量；p_cut为该状态出现的概率；1.2、经济性指标λ_TP通过因弃风/光而减少的发电功率、柴油发电机的发电成本和SER运行寿命损耗来描述：λTP=∑ptune·Ptune]]>式中：P_tune为因弃风/光而减少的发电功率；p_tune为该状态出现的概率；λOP=∑poil·a·Poil]]>式中：a为柴油发电机的燃料消耗系数；P_oil为其发电功率；p_oil为柴油发电机处于该状态的概率；λDOD=∑pDOD·α·ηDOD]]>λrate=∑prate·β·|PS|]]>式中：η_DOD为SER放电深度；p_DOD为SER处于η_DOD状态的概率；α为放电深度的寿命损耗系数；|P_S|为SER充放电功率大小；p_rate为SER处于|P_S|状态的概率；β为充放电功率大小的寿命损耗系数；2、优化调度目标及约束：在新能源多微网系统中，调度策略需兼顾可靠性与经济性，故动态经济调度的目标是寻求最优的联络线功率P_line，使得各微网在微网内部SER调整下，使运行成本及损失最小化，达到运行效益的最优：min∑m∑n[cCP·λCP+cTP·λTP+cOP·λOP+cLOS·(λDOD+λrate)]]]>式中：m为一个调度周期内所包含的时段数；n为多微网系统中所含的微网数目；c_CP为电力供应不足时切除单位负荷所造成的经济损失；λ_CP为微网中的期望缺供电量；c_TP为发生弃风/光时单位发电量的经济损失；λ_TP为微网中弃风/光的期望值；c_OP为柴油发电燃料的单位成本；λ_OP为柴油发电机的燃料消耗期望值；c_LOS为SER寿命单位成本；λ_DOD和λ_rate分别为放电深度和充放电功率引起的SER寿命损耗期望值；以功率从微网流出方向为正方向，SER充电时功率方向为正方向；下标i表示第i个时段；上标j表示第j个微网；上标l表示第l条线路；忽略网损后，主要约束条件可表示如下：1)功率平衡约束PDG|ij-Ptune|ij+Poil|ij=PL|ij-Pcut|ij+PS|ij+∑kjPline|ij,i=1,2,3,...,m;j=1,2,3,...,n]]>式中：P_DG为DG当前最大可发电功率；P_tune为因弃风/光而减少的发电功率；P_oil为柴油发电机的发电功率；P_L为负荷功率；P_cut为因电力供应不足而切除的负荷；P_S为SER充放电功率；P_line为联络线流出功率；k^j为与第j个微网相连的联络线数目；2)SER荷电量等式约束S|ij=S|i-1j+PS|ij·ΔT,i=1,2,3,...,m;j=1,2,3,...,n]]>式中：S为当前时段末SER的荷电量；ΔT为时段的间隔时长；3)SER充放电功率约束P‾S|j≤PS|ij≤P‾S|j,i=1,2,3,...,m;j=1,2,3,...,n]]>式中：P_S为微网中SER充放电功率；和分别为SER的放电和充电功率极限；4)SER荷电量上下限约束ηlim·S‾|j≤S|ij≤S‾|j,i=1,2,3,...,m;j=1,2,3,...,n]]>式中：η_lim为SER放电深度限制；为SER的额定荷电量；5)联络线传输功率约束P‾line|il≤Pline|il≤P‾line|il,i=1,2,3,...,m;l=1,2,3,...,h]]>式中：h表示联络线总数；和分别表示线路输入和输出的功率限制；6)柴油发电机功率约束P‾oil|j≤Poil|ji≤P‾oil|j]]>式中：和分别表示柴油发电机的最低运行出力和最大出力；步骤二：考虑发电、负荷及设备运行的不确定性，求取目标函数，具体是：1、分析多微网联合运行中考虑运行中的不确定性：1.1发电预测的不确定性采用Beta分布描述DG发电的概率分布时，有f(PDG)=PDGα-1·(1-PDG)β-1B(α,β)]]>式中：P_DG为经过归一化后的发电功率，基准值为其额定发电功率；B(α,β)的值通过B(α,β)=∫01Pα-1·(1-P)β-1dP]]>计算可得；α和β可通过发电预测值及预测误差的统计参数获得；1.2负荷预测的不确定性电力系统的负荷预测误差用正态分布来描述，则负荷的概率密度函数f(PL)=12π·σLe-(PL-PLf)22σL2]]>式中：σ_L为负荷预测误差的标准差；P_Lf为负荷预测值；P_Lf和P_Lf均归一化，基准值与P_DG相同；1.3设备运行的不确定性微网中的分布式发电、柴油发电机、SER和联络线，因相应设备故障、保护动作发生非计划停运的不确定性可用强迫停运率γ来描述；对于设备u在时段i的状态，取[0,1]区间上的随机实数ξ，若ξ小于γ则表示u处于故障状态，否则表示u正常运行；2、蒙特卡洛模拟计算本调度模型的不确定问题，除了含有多个不同概率分布的随机变量，而且各个变量之间有非线性的约束限制，因此采用蒙特卡洛模拟；为缩短算法时间，作如下设定：(1)、弃风/光与切除负荷不同时发生；(2)、仅靠SER不足以保证负荷时才启动柴油发电机；通过采样模拟计算后，对所得结果进行统计得出目标期望值；步骤三：通过PSO算法求取最优的联络线控制功率P_line，PSO优化求解的步骤如下：STEP1.对微网中联络线传输功率设定参考方向,设定循环次数N_cir，粒子个数N_p；STEP2.初始化粒子群中的粒子的位置与速度：在中随机产生联络线传输功率P_line的初值，粒子速度v在[-1,1]中随机产生；STEP3.初始化个体最优值与全体最优值：取采样规模为N_mcs，采用步骤二中蒙特卡洛模拟方法，求取各粒子的适应度；将当前P_line值作为粒子个体最优值p_best，选取其中的最优值作为全体最优值g_best；STEP4.根据下面两式更新v和P_line的值：v=w·v+c1·ru·(pbest-Pline)+c2·ru·(gbest-Pline)Pline=Pline+v]]>式中：w为惯性权重；c₁，c₂为学习因子；r_u为[0,1]区间上的随机实数；STEP5.采用蒙特卡洛模拟方法重新计算粒子适应度更新个体最优值p_best与全体最优值g_best；STEP6.根据下式进行变异操作，并判断是否小于g_best；若则gbest=gbest*;]]>gbest*=gbest·[1+rg]]]>式中：r_g为服从标准正态分布的随机实数；STEP7.计算粒子适应度的方差如果小于收敛定值ε，则收敛并输出结果；否则执行STEP4；步骤四：动态调度的滚动在指定的时间段，根据新的预测值对调度计划进行更新校正。