[发明专利]一种基于改进粒子群算法的风光储联合调峰优化方法

摘要

本发明公开了一种基于改进粒子群算法的风光储联合调峰优化方法，基于安阳地区PSASP数据包，获取了安阳地区发电厂、变电站以及负荷数据。之后对安阳地区建立调峰优化模型，同时考虑储能技术的作用，建立了储能的模型，加上调峰模型得到风光储联合调峰模型。并以安阳地区典型日的负荷数据、风电出力数据、光伏出力数据为例进行了MATLAB仿真，采用一种改进的粒子群算法进行求解。该仿真可以得到比较好的优化结果，说明了本发明改进粒子群算法用于求解风光储联合调峰模型的有效性，对工程实践具有一定的指导意义。本专利具有良好的推广价值和应用前景。

主权项

1.一种基于改进粒子群算法的风光储联合调峰优化方法，包括以下步骤：步骤1、建立风光储联合调峰系统的数学模型，基于以下目标函数和约束条件；目标函数：其中C_gi(t)为火电机组燃料费用，C_pi(t)为弃光费用，C_wi(t)为弃风费用，T为调度周期，T为一个调度周期，N_g为火电机组数量，N_p为光伏电站数量，N_w为风电场数量，P_BZ为储能装置的总功率，K_B为储能装置的功率成本系数；其中火电机组发电燃料成本弃光调峰惩罚函数如下：C_pi(t)＝α_i[P_pi.fore(t)‑P_pi(t)]·Δt    (3)弃风调峰惩罚函数如下：C_wi(t)＝β_i[P_wi.fore(t)‑P_wi(t)]·Δt    (4)其中P_gi(t)为t时刻火电机组功率，P_pi.fore(t)为t时刻光伏的预测出力值，P_pi(t)为t时刻光伏实际出力值，P_wi.fore(t)为t时刻风电预测出力值，P_wi(t)为t时刻风电实际出力值，Δt为时间间隔；其中，P_B(t)为t时刻储能的功率，大于0表示放电，小于0表示充电，X(t)取值为1时放电，0为不放电，Y(t)取值为1时充电，0时不充电，且满足X(t)+Y(t)≤1；约束条件包括火电机组约束条件和其它约束条件，其中，火电机组约束条件包括功率上下限约束条件：P_gi.min≤P_gi(t)≤P_gi,max    (6)火电机组爬坡约束条件：弃风弃光约束条件：P_pi(t)≤P_pi.fore(t)    (8)P_wi(t)≤P_wi.fore(t)    (9)其中P_gi(t)为第i台火电机组t时刻功率，P_gi.min为第i台火电机组最小功率，P_gi,max为第i台火电机组最大功率，为火电机组爬坡下限，为火电机组爬坡上限；其它约束条件包括功率平衡约束条件：外送电力极限约束条件：P_in.min≤P_in(t)≤P_in.max    (11)其中P_gi(t)为第i台火电机组t时刻功率，P_pi(t)为第i个光伏电站t时刻功率，P_wi(t)为第i台风电机组t时刻功率，P_d(t)为t时刻负荷的功率，P_in(t)为t时刻联络线功率，P_in.min为联络线最小功率，P_in.max为联络线最大功率；步骤2、基于改进的粒子群算法进行风光储联合调峰优化，具体包括步骤2.1、为了使粒子能更好地跳出局部最优解，在迭代后期能够保持粒子的多样性，将粒子不均匀分成了三组；步骤2.2、对每一组粒子采用了三种不同的全新惯性权重变化方式和学习因子变化方式，在每一次迭代完成后将整个粒子群按照适应度值按从小到大的顺序排列，按照粒子适应度值重新对整个粒子群进行分组，第一组包括适应度值前25的粒子，第二组包括适应度值后25的粒子，第三组包括剩下的50个粒子；步骤2.3、对重新分组后的第一组粒子加入扰动，第二组随机初始化；由细菌觅食算法(BFA)得到启发，根据BFA算法的“优胜劣汰，适者生存”规则，将第三组适应度最差的粒子淘汰，然后将第一组和第二组粒子进行复制，形成全新的第三组粒子，粒子总数保持不变，这样第三组也是较优的粒子；对形成的全新三组粒子计算全局适应值，然后反复迭代；步骤3、基于安阳地区典型日风电出力、光伏出力、负荷数据，采用改进粒子群算法进行仿真分析。