一种基于改进粒子群算法的微电网优化调度方法与流程

本发明涉及微电网技术领域，尤其是一种基于改进粒子群算法的微电网优化调度方法。

背景技术：

近年来，由于环境保护和能源需求压力以及分布式发电技术的发展，微电网越来越受到重视。但是，微电网具有复杂、多样的能源结构、电源类型和控制方式，如何妥善地管理微电网中分布式电源的运行以实现微电网灵活、高效、经济、环保的运行，仍存在诸多问题。因此，微电网的优化调度研究受到了不少学者的关注。

微电网的优化调度研究主要涉及优化调度模型和优化算法两个方面。其中，优化调度模型应充分考虑微电网的经济性、环保性以及可靠性等；优化算法主要涉及收敛速度和收敛精度两个方面。到目前为止，国内外学者已将多种智能优化算法应用到微电网的优化调度研究中，如生物地理学算法、遗传算法、粒子群算法等；并且结合微电网的优化调度特点，对智能优化算法的收敛性、准确性和快速性等进行了一定的探索。随着智能优化算法的不断发展，其在微电网优化调度领域中得到了应用，目前，相关学者仍致力于研究性能表现良好的优化算法，以便能更加准确、快速地求得最优解。

粒子群算法其系统初始化为一组随机解，通过迭代搜寻最优值；其充分利用自身经验和群体经验调整粒子自身的状态，可以有效的对系统参数进行寻优。粒子群算法参数少，编程简单，寻优能力优良，收敛速度也较快；因此，将粒子群算法应用于微电网的优化调度中效果表现优良。但是，传统粒子群算法极易陷入局部最优解，因此需要对传统粒子群算法进行改进，使其能够很好的适应于微电网的优化调度问题，提高微电网的经济性、环保性和可靠性。

技术实现要素：

本发明所要解决的技术问题在于，提供一种基于改进粒子群算法的微电网优化调度方法，提高了算法的时效性，达到快速、精确优化的目的，实现微电网运行的经济性与环保性。

为解决上述技术问题，本发明提供一种基于改进粒子群算法的微电网优化调度方法，包括如下步骤：

(1)数据初始化；输入微电网的系统组成、模型参数、负荷与风光资源、改进粒子群算法参数，同时，初始化粒子种群，种群中每一个粒子都对应调度周期内的一个调度方案；

(2)计算粒子的初始适应度值，把其当前值作为其个体最优值，并计算出群体最优值；

(3)对个体极值进行改进；

(4)利用改进后的速度更新公式更新粒子的速度和位置，并进行越限处理；

(5)计算粒子更新后的适应度值，并更新粒子的个体最优值和群体最优值；其中，前半个迭代周期适应度更新采用动态罚函数法，后半个周期采用双比较法；

(6)对群体最优值进行混沌搜索迭代；设置最大混沌迭代次数，利用混沌运动的遍历性以当前群体最优位置为基础进行混沌迭代搜索，若搜索到一个更优的解，则把搜索到的最优解随机取代当前种群中的一个粒子；

(7)判断是否达到最大迭代次数，若是则转向步骤(8)，否则转向步骤(3)；

(8)输出优化结果。

优选的，步骤(1)中，选用线性递减的动态惯性因子ω来提高算法的寻优能力，具体公式如下：

ω＝ωstart-(ωstart-ωend)t/t

式中：ωstart和ωend分别表示迭代开始时与迭代结束时的惯性权重；t和t分别表示当前迭代次数和最大迭代次数。

优选的，步骤(1)中，根据迭代次数的变化动态改变学习因子c1和c2的值以提高算法的寻优能力，具体公式如下：

c1＝c1e+(c1f-c1e)t/t

c2＝c2e+(c2f-c2e)t/t

式中：c1e、c1f和c2e、c2f分别表示c1和c2迭代开始时与迭代结束时的取值。

优选的，步骤(3)中，对个体极值进行改进具体为：基于在群体搜索食物的过程中，群体中的每个个体可以从群体的新发现和群体中的所有其他个体的经验中受益的思想，对个体极值进行如下改进：

pbestr＝(pbest1+pbest2+…+pbestn)/n

改进后的速度更新公式为：

式中：pbestr为改进个体极值，pbesti为粒子i的个体极值，n为总的粒子数，vi表示粒子i的速度，r1和r2为0到1的随机数，xi表示粒子i的位置，pgbest表示群体目前为止的最好位置。

优选的，步骤(5)中，改进粒子群算法中的适应度值包括：各分布式电源的燃料成本、运行维护成本、污染物处理成本、计及分时电价时与主网的双向交互成本。

优选的，步骤(5)中，计算粒子更新后的适应度值，并更新粒子的个体最优值和群体最优值具体为：动态罚函数法实施为惩罚因子随着迭代次数线性递减；

双比较法实施如下：

fitness(i)＝f(x)

式中：fitness(i)指第i个粒子的目标函数值，voilation(i)指第i个粒子的功率平衡约束的违约度；

鉴于在最优解附近的不可行解的适应值很可能优于位于可行域内部的一个可行解的适应值，于是在群体中保留一定比例的不可行解个体对找到最优解是很有帮助的；因此采用下列比较准则：

首先，给定一个最小违约限定值ε>0；

(a)当两个粒子的违约度值都小于等于ε时，则比较它们之间的适应度值，适应度小的个体为优；

(b)当两个粒子的违约度值都大于ε时，则违约度小者为优

(c)当两个粒子的违约度值，一个大于ε，一个小于等于ε时，则违约度小者为优。

优选的，微电网系统的约束条件包括：微电源出力约束、微电网功率平衡约束、微电与主网的电能交互约束、蓄电池运行约束。

优选的，步骤(6)中，对群体最优值进行混沌搜索迭代具体包括如下步骤：

(61)算法初始化：设定最大混沌迭代次数k，以当前群体最优值为初值，即令p⁰＝pgbest，f*＝f(pgbest)，并把p⁰归一化到混沌变量t的取值范围[0,1]；

(62)以logistic映射的混沌方程为例，进行混沌迭代t^j+1＝4t^j(1-t^j)，j表示混沌迭代次数；

(63)依据采用的归一化方法，将混沌变量t^j反向映射到p^j；

(64)计算优化目标函数值f(p^j)；若f(p^j)<f*，则令p^j随机取代当前种群中的一个粒子，混沌搜索结束；若f(p^j)≥f*，则判断是否达到最大混沌迭代次数，若是则混沌搜索结束，否则转向步骤(62)。

优选的，微电网系统包括：风力发电、光伏发电、燃料电池、微型燃气轮机、柴油发电机和储能装置。

优选的，微电网系统的约束条件包括：微电源出力约束、微电网功率平衡约束、微电与主网的电能交互约束、蓄电池运行约束。

本发明的有益效果为：本发明分析了各种分布式电源的发电原理以及调度特性，建立了风力发电、光伏发电、燃料电池、微型燃气轮机、柴油发电机和储能装置的微电网数学模型；考虑微电网内各分布式电源的燃料成本、运行维护成本、污染物处理成本、计及分时电价时与主网的双向交互成本，以及系统中的各种约束条件，比较全面的搭建了微电网优化调度的数学模型；针对传统粒子群算法容易陷入局部最优解的不足，提出一种引入个体极值改进、混沌搜索思想和双比较思想的改进粒子群算法，提高了算法的时效性，达到快速、精确优化的目的，实现微电网运行的经济性与环保性。

附图说明

图1为本发明的方法流程示意图。

具体实施方式

如图1所示，一种基于改进粒子群算法的微电网优化调度方法，包括如下步骤：

步骤一：数据初始化。输入微电网的系统组成、模型参数、负荷与风光资源、改进粒子群算法参数等，同时，初始化粒子种群，种群中每一个粒子都对应调度周期内的一个调度方案。

其中，针对惯性因子：

惯性权重ω反映粒子上一代速度对当前速度的影响。在优化前期，为了提高粒子的全局搜索能力，ω应取较大值；在优化后期，为了提高粒子的局部搜索能力，ω应取较小值。针对此特点，本发明运用线性递减的动态惯性权重来提高算法的寻优能，具体公式如下：

ω＝ωstart-(ωstart-ωend)t/t(1)

式中：ωstart和ωend分别表示迭代开始时与迭代结束时的惯性权重；t和t分别表示当前迭代次数和最大迭代次数。

针对学习因子：

c1和c2表示粒子向个体极值和全局极值推进的随机加速度。在优化前期要尽可能使粒子在整个搜索空间移动，在优化后期要提高趋于最优解的收敛率。针对此特点，本发明根据迭代次数的变化动态改变为c1和c2的值，具体公式如下：

式中：c1e、c1f和c2e、c2f分别表示c1和c2迭代开始时与迭代结束时的取值。

步骤二：计算粒子的初始适应度值，把其当前值作为其个体最优值，并计算出群体最优值。根据建立的微电网优化调度数学模型的目标函数计算每个个体对应的适应度值。由于微电网优化调度的目标函数是求微电网的运行成本的最小值，因此目标函数值越小的个体，即适应度值越小，对应个体越优。其中，微电网系统的优化目标包括：各分布式电源的燃料成本、运行维护成本、污染物处理成本、计及分时电价时与主网的双向交互成本。

步骤三：对个体极值进行改进。基于在群体搜索食物的过程中，群体中的每个个体可以从群体的新发现和群体中的所有其他个体的经验中受益的思想，对个体极值进行如下改进：

pbestr＝(pbest1+pbest2+…+pbestn)/n(3)

改进后的速度更新公式为：

式中：pbestr为改进个体极值，pbesti为粒子i的个体极值，n为总的粒子数，vi表示粒子i的速度，r1和r2为0到1的随机数，xi表示粒子i的位置，pgbest表示群体目前为止的最好位置。引入pbestr后，每个粒子借鉴了其它粒子的经验，粒子可以利用更多信息来决策自己的行为，同时，也增加了粒子的搜索范围。

步骤四：利用改进后的速度更新公式更新粒子的速度和位置，并进行越限处理。

步骤五：计算粒子更新后的适应度值，并更新粒子的个体最优值和群体最优值。其中，前半个迭代周期采用动态罚函数法，后半个迭代周期采用双比较法。其中，动态罚函数法实施为：惩罚因子随着迭代次数线性递减。双比较法实施如下：

鉴于在最优解附近的不可行解的适应值很可能优于位于可行域内部的一个可行解的适应值，于是在群体中保留一定比例的不可行解个体对找到最优解是很有帮助的；因此采用下列比较准则：

首先，给定一个最小违约限定值ε>0；

(1)当两个粒子的违约度值都小于等于ε时，则比较它们之间的适应度值，适应度小的个体为优；

(2)当两个粒子的违约度值都大于ε时，则违约度小者为优；

(3)当两个粒子的违约度值，一个大于ε，一个小于等于ε时，则违约度小者为优。其中，违约度值为粒子的功率平衡约束的违约度值。

步骤六：对群体最优值进行混沌搜索迭代。

为了克服传统粒子群算法易陷入局部收敛、收敛速度慢的缺点，引入混沌搜索算法。设置最大混沌迭代次数，利用混沌运动的遍历性以当前群体最优位置为基础进行混沌迭代搜索，若搜索到一个更优的解，则把搜索到的最优解随机取代当前种群中的一个粒子。具体步骤如下：

(1)算法初始化：设定最大混沌迭代次数k，以当前群体最优值为初值，即令p⁰＝pgbest，f*＝f(pgbest)，并把p⁰归一化到混沌变量t的取值范围[0,1]。

(2)以logistic映射的混沌方程为例，进行混沌迭代t^j+1＝4t^j(1-t^j)，j表示混沌迭代次数。

(3)依据采用的归一化方法，将混沌变量t^j反向映射到p^j。

(4)计算优化目标函数值f(p^j)；若f(p^j)<f*，则令p^j随机取代当前种群中的一个粒子，混沌搜索结束；若f(p^j)≥f*，则判断是否达到最大混沌迭代次数，若是则混沌搜索结束，否则转向步骤(2)。

步骤七：判断是否达到最大迭代次数，若是则转向步骤八，否则转向步骤三。

步骤八：输出优化结果。

综上，本发明所提出的基于改进粒子群算法的微电网优化调度方法能有效分配各分布式电源的输出功率，实现微电网的经济环保运行。