下载文档原格式
第46卷第12期电力系统保护与控制Vol.46 No.12 2018年6月16日Power System Protection and Control Jun. 16, 2018 DOI: 10.7667/PSPC170847基于贝叶斯-粒子群算法的微电网优化运行康 健，靳 斌，段秀娟，尚小华，栗 玮(西华大学电气与电子信息学院，四川 成都 610039)摘要：针对目前微网调度难于全局最优收敛的问题，从概率网络的角度出发，将贝叶斯网络(Bayesian Network, BN)理论与粒子群算法(Particle Swarm Optimization, PSO)相结合，提出了基于贝叶斯-粒子群算法(BN-PSO)的微电网优化运行新策略。
首先建立了微网数学模型和系统约束条件，考虑风能和光伏系统的概率分布情况，引入可再生因子和单位电力生产成本，以实现微网系统满足节能减排条件下的总费用最低的优化目标。
最后以一个典型的微网系统进行算例仿真分析。
结果表明：BN-PSO算法能有效解决包含随机概率事件的新能源微网优化运行问题，是解决此类问题的一个新思路；与目前的主流算法相比，BN-PSO算法能克服局部最优的缺陷，实现快速收敛。
关键词：微电网；贝叶斯网络；粒子群算法；优化运行；概率分布Optimal operation of microgrid based on Bayesian-PSO algorithmKANG Jian, JIN Bin, DUAN Xiujuan, SHANG Xiaohua, LI Wei(School of Electric Engineering and Electronic Information, Xihua University, Chengdu 610039, China)Abstract: Aiming at the problem that the global optimal of the day-ahead schedule for micro-grid is hard to convergence,a new optimal operation of micro-grid based on Bayesian and PSO algorithm is proposed, which combines the BayesianNetwork (BN) theory with the Particle Swarm Optimization (PSO) algorithm from the perspective of probability network.Initially, the mathematical models of microgrid and the system constraints are established by considering the probability distribution of wind power and PV system, then the renewable factor and unit power production costs are introduced to achieve the optimization goal which contains the lowest total cost under the condition of energy conservation and emissions reduction. Finally, the simulation analysis comes from a typical microgrid system. The result shows that the BN-PSO algorithm can effectively solve the optimal operation problems of microgrid which includes random probability event, it’s a new way to solve such problems; when compared with the current mainstream algorithms, the BN-PSO algorithm can overcome the defect of local optimum and achieve convergence rapidly.This work is supported by the “Chunhui Plan” of Ministry of Education (No. Z2014076).Key words: microgrid; Bayesian network; particle swarm optimization; optimal operation; probability distribution0 引言为应对气候变化、能源危机、环境恶化等全球性问题，能源变革、能源消费转变成为了当今各国发展的重要战略[1-2]。
基于改进多目标粒子群算法的微电网并网优化调度
苗雨阳;卢锦玲;朱国栋
【期刊名称】《电力科学与工程》
【年(卷),期】2012(028)007
【摘要】微电网能够协调分布式电源,从而充分发挥分布式发电技术在经济、能源和环境中的优势.针对微电网并网时的优化调度问题,建立了考虑发电成本、污染物排放的微电网系统的环保优化模型,并利用改进的多目标粒子群算法,在这两个目标之间进行协调权衡和折中处理,使所有目标函数尽量达到最优.选取微电网案例的日负荷数据进行了优化调度计算,仿真结果表明了所提模型和算法的有效性.
【总页数】6页(P15-20)
【作者】苗雨阳;卢锦玲;朱国栋
【作者单位】华北电力大学电气与电子工程学院,河北保定071003;华北电力大学电气与电子工程学院,河北保定071003;华北电力大学电气与电子工程学院,河北保定071003
【正文语种】中文
【中图分类】TM734
【相关文献】
1.基于改进鸟群算法的微电网并网优化调度研究 [J], 杨文荣;马晓燕;徐茂林;边鑫磊
2.基于多目标粒子群算法的微电网优化调度 [J], 王金全;黄丽;杨毅
3.基于改进灰狼算法的并网交流微电网经济优化调度 [J], 高瑜;黄森;陈刘鑫;黄军虎
4.基于NSGA-Ⅱ改进GSO算法的并网型微电网多目标优化调度研究 [J], 黄洪斌;蔡乐才;肖体刚;叶羽泠;高祥
5.基于NSGA-Ⅱ改进GSO算法的并网型微电网多目标优化调度研究 [J], 黄洪斌;蔡乐才;肖体刚;叶羽泠;高祥
因版权原因，仅展示原文概要，查看原文内容请购买。
粒子群优化算法在电力系统调度中的应用教程1. 引言电力系统调度是指对电力系统内发电机组和负荷的调度控制，以实现电力系统的安全、稳定、经济运行。
针对电力系统调度问题，粒子群优化算法（Particle Swarm Optimization, PSO）被广泛应用于寻找最优解。
本文将介绍粒子群优化算法的基本原理，并详细阐述其在电力系统调度中的具体应用。
2. 粒子群优化算法基本原理粒子群优化算法是一种基于群体智能的优化算法，其核心思想来源于生物的群体行为，如鸟群觅食等。
算法通过模拟鸟群觅食行为，利用每个粒子的位置和速度来寻找最优解。
其基本步骤如下：（1）初始化粒子位置和速度；（2）根据位置和速度更新粒子的移动方向；（3）计算粒子的适应度值；（4）根据适应度值更新全局最优解和个体最优解；（5）重复步骤（2）至（4）直至满足终止条件。
3. 粒子群优化算法在电力系统调度中的应用3.1 发电机组调度电力系统发电机组调度是指在满足电力需求和调度约束条件下，合理分配发电机组的出力。
粒子群优化算法可以用于确定发电机组的最优出力分配方案，以实现电力系统的经济运行。
具体步骤如下：（1）初始化粒子群的位置和速度，表示发电机组的出力；（2）根据位置和速度更新粒子的移动方向，即调整发电机组的出力；（3）计算粒子的适应度值，即计算电力系统的运行成本；（4）根据适应度值更新全局最优解和个体最优解；（5）重复步骤（2）至（4），直至满足调度约束条件。
3.2 负荷调度电力系统负荷调度是指合理安排电力系统的负荷分配，以实现负荷平衡和供需平衡。
粒子群优化算法可应用于负荷调度问题，以优化电力系统的能源利用效率。
具体步骤如下：（1）初始化粒子群的位置和速度，表示负荷的分配；（2）根据位置和速度更新粒子的移动方向，即调整负荷的分配；（3）计算粒子的适应度值，即计算电力系统的供需平衡度；（4）根据适应度值更新全局最优解和个体最优解；（5）重复步骤（2）至（4），直至满足供需平衡的要求。
基于改进粒子群算法的微网经济性优化摘要：研究一种含有微型涡轮机-燃料电池-储能电池混合能源的可再生微网系统，针对不同的分布式电源及储能装置的运行特性建立相应的数学模型，考虑系统的负载需求、与主网交互时购买及销售电的价格等约束条件，建立并网运行成本最优的经济性模型。
根据模型特性选用改进的粒子群优化算法对该非线性系统进行优化，采用分段函数作为惯性权重，并加入单纯形调优法调整粒子，算法在求解大状态空间维数的优化问题时，具有更好的稳定性。
典型算例验证表明，所提经济模型合理，求解算法效果良好。
关键词：微网；分布式电源；粒子群算法；单纯形调优法OperationManagementofaRenewableMicrogridBasedonImprovedParti cleSwarmPENGMing-cheng（HeFeiUniversityofTechnology，Hefei230009，China）Keywords：microgrid；energymanagement；PSO （Particleswarmoptimization）；simplexevolutionarymethod 分布式电源是一种靠近用电需求侧配置较小的发电机组，一般在几千瓦至几十兆瓦之间，常见的机组有燃料电池、小型燃气轮机、小型光伏发电、小型风力发电等。
具有提高供电可靠性、减少输电损失、增加能源利用率、解决偏远地区供电困难、低成本等优势。
用电需求的增加、环境问题的突出、技术的发展等因素的共同作用使得分布式发电成为新世纪重要的能源选择[1-2]。
然而，大量分布式电源的投入，在带来好处的同时，也给电网的安全运行、电能质量等方面带来了巨大挑战，因此，人们提出了微网的概念。
微网是相对于传统主电网的一个概念，它由分布式电源、电力负载、储能装置以及控制装置按照一定的拓扑结构组成，并通过静态开关与传统主电网相连，既可以与其并网运行，也可以孤岛模式运行，较好的解决了分布式发电给电网带来的种种不良影响[3-5]。
基于多目标粒子群算法的微电网优化调度
王金全;黄丽;杨毅
【期刊名称】《电网与清洁能源》
【年(卷),期】2014(030)001
【摘要】提出了一种经济与环保相协调的微电网优化调度模型,针对光伏电池、风机、微型燃气轮机、柴油发电机以及蓄电池组成的微电网系统的优化问题进行研究,在满足系统约束条件下,建立了包含运行成本、可中断负荷补偿成本以及污染物处理费用的微电网多目标优化调度模型,并利用多目标粒子群算法(MOPSO)求解微电网优化调度问题,仿真结果表明该模型对微电网优化调度具有一定的指导作用.【总页数】6页(P49-54)
【作者】王金全;黄丽;杨毅
【作者单位】四川阿坝州电力有限责任公司,四川茂县623200;四川阿坝州电力有限责任公司,四川茂县623200;西华大学电气信息学院,四川成都610039
【正文语种】中文
【中图分类】TM73
【相关文献】
1.基于改进多目标粒子群算法的微网双层优化调度策略 [J], 李雪松;滕欢;郭宁;梁梦可;吴泽穹
2.基于改进多目标粒子群算法的微电网并网优化调度 [J], 苗雨阳;卢锦玲;朱国栋
3.基于多目标粒子群算法的微电网优化运行研究 [J], 朱永;李春华
4.基于改进多目标粒子群算法的微电网储能优化配置 [J], 陆立民;褚国伟;张涛;杨
志超
5.基于改进多目标粒子群算法的南水北调东线江苏段工程联合优化调度研究 [J], 闻昕;王志;方国华;郭玉雪;周磊
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进粒子群算法的微电网经济调度杨健1，付蓉1，王海龙11南京邮电大学自动化学院Email：yangjian_njupt@摘 要：本文研究了微电网经济调度问题，即在满足系统运行约束条件下如何让各个微电源出力使微电网经济成本最小。
论文考虑了负荷需求、微电源维护成本、购电、售电价格和网络损耗等微网运行约束条件，建立了微电网经济调度目标函数模型，分别研究了微网处在孤网和并网下多时段经济调度，采用了改进的粒子群算法对微网进行调度，在并网时，提出了一种储能调度策略，使微网体统的运行成本大大减少，最后通过算例验证了所提方法的正确性。
关键词：微电网，经济调度，改进粒子群算法Microgrid economic dispatching based on improved particleswarmYang Jian1,Fu Rong1,Wang Hailong1College of Automation, Nanjing University of Posts and TelecommunicationsEmail：yangjian_njupt@Abstract:t his paper has studies the microgrid economic dispatch problem that is how to get the power output of each micro-economic to make the cost of the micro-grid smallestwhen meeting the system operational constraints.considered the load demand, micro-power maintenance costs, purchase and sale of electricity prices and network outages and other micro-network operation constraints,established the model of economic dispatching objective function of micro-grid,The economic operations of microgrid system at island model and grid-connected model ware respectively studied under the multi-time economic dispatching. used the improved particle swarm algorithm to dispatch the microgrid, proposed a storage scheduling policy, reducing the cost of microgrid.Finally, a numerical example validated the proposed method.Keywords:microgrid,economic dispatch,improved particle swarm algorithm1 引言随着世界各国经济的快速发展和不可再生能源消耗日益增加，使开发可再生能源和构建可持续能源系统成为电力工业必然趋势，微电网因其能源利用率高以及环境友好等优点，受到越来越广泛的关注。
微电网由分布式电源、储能装置和负荷组成，分为两种运行模式：能单独向其附近的区域提供能量的孤网模式和主网相连进行功率交换的并网模式。
若能合理协调各微电源的出力，采取有效的储能调度策略，则可提高微网的能源利用率，降低运行成本等技术要求。
文献[1]对孤网模式下微电网的经济负荷分配问题进行了研究，采用粒子群算法优化求解，对算法的罚函数进行了改进，但是此改进的算法并没有取得很好的优化精度。
文献[2]考虑了微电网的环保成本问题，通过对排放污染物的成本与排放系数进行研究，取得了较好的经济调度效果，但是此论文没有对储能的调度策略进行研究。
本文以一个微电网系统算例进行研究，采用改进粒子群算法与储能调度策略进行求解，并分析各种因素对微网经济调度的影响。
2 数学模型2.1 目标函数文章所提出的微网经济优化目标是在满足微电网安全稳定运行约束的条件下和负荷需求的同时让微电网发电的总成本最小。
其目标函数如式(1)所示。
∑∑=−=++=NkkbattbattkgridgridmhkhhPFPFPFf1..11.)]()()([min (1) 式(1)中：N表示一个周期划分的时段数；m-1表示微网中可控微电源的数量；khP.表示k时段可控微电源h的发电功率；kgridP.表示k时段微网与主网的交换功率，当其为正时表示向主网购买的功率，当其为负时表示向主网售点的功率；kbattP.表示k时段蓄电池的充放电功率，当其为正时表示放电功率，当其为负时表示充电功率；)(.khhPF表示第h个微电源在k时段的发电成本、运行维护成本之和[3-4]；)(.kgridgridPF表示k时段主网的费用；)(.kbattbattPF表示k时段储能单元的费用[5]。
2.2 约束条件根据系统的功率平衡得出k uncntrl k load k batt k grid m h kh P P P P P (1)1.−=++∑−= (2)式(2)中：k load P .为负载功率，k uncntrl P .为不可控源(风，光发电)输出功率。
发电机运行约束条件：minmax,,,h k h k h k P P P ≤≤ （3） t r P P hk h k h Δ≤−+max.1.|| （4）式(3-4)中，min.h k P ，max.h k P 分别表示微电源输出功率的上、下限。
maxhr 表示最大爬坡率。
系统中储能装置的约束条件[6]为：minmax,,,,,,d k i d k i d k i P P P ≤≤ （5） minmax,,,,,,c k j c k j c k j P P P ≤≤ （6） ,,,,,k i d k i c k i P P P =− (7)minmax,,,k i k i k iEE E≤≤ (8)式(5)-(8)中：i=1,2,…，N，N 表示储能装置的数量；,,d k i P ，,,c k j P 分别表示蓄电池第i 台储能置k 时段的放电功率和充电功率；min,,d k i P ，max,,d k i P ，min,,c k j P ，max,,c k j P 分别表示第i 台储能装置的放电功率的上下限与充电功率的上下限；,k i P 表示第i 台储能装置k 时段向微网注入的功率，当电池处于放电状态时，充电功,,d k i P =0，当储能装置处于充电状态时，放电功率,,c k j P =0；,k i E 表示第i 台储能装置在k 时段的容量；min,k i E ，max,k i E 表示第i 储能装置储存能量的上下限，且有min ,i tE ≥0。
3 改进的粒子群算法在基本的粒子群算法中，每个粒子都是根据自己的历史最优值i pbest 和种群历史最优值gbest 来跟新自己的速度和位置，各个粒子由于受到gbest 的影响，很快就会收敛到gbest 的附近，如果gbest 是个局部最优值，那么整个群体就会收敛到局部最优。
现将该算法进行如下改进：生成两个种群，对于第一个种群优化公式为)(()1k id k id k id k id x pbest rand c v w v −××+×=+ (17)11+++=k id k id k idv x x (18)对于第二个种群优化公式为)(()11kid kid k id x pbest rand c v w v −××+×=+)(()2kid x gbest rand c −××+ (19) 11+++=k id k id k idv x x (20)式(17)-(20)中：k 表示迭代次数，w 为惯性因子，rand()是介于0到1间的随机数，1c ，2c 是学习因子，kid x 是粒子i 在第k 次迭代中第d 维的当前位置； 对于(11)式中pbest 是第二个种群第k 次迭代后各个粒子的历史最优值的平均值，即N pbest pbest Ni kid /1∑==，其中N 为第二个种群的粒子数；gbest 为两个种群的群体最优值相比较下的最优值。
将此改进的方法应用到微网调度中的具体步骤如下： Step1 初始化两个种群：确定各个种群的大小，并根据式(21)确定初始功率。
)(min max min i i i i i P P P P −×+=α (21) 式中：i P 表示第i 个可调微电源的初始输出功率且N i ⋅⋅⋅=3,2,1,N 表示可调微电源的总数；min max ,i i P P 分别表示i P 的上、下限；i α是一个位于0-1之间的随机数。
Step2 计算t L P .：根据文献[7]提出的将微电源视为松弛PQ 节点处理的方法对微电网进行潮流计算，并计算出t L P .。
Step3 计算适应度函数值：计算出第一个种群的各个粒子历史最优值，并算出群体最优值1gbest ；计算出第二种群的各个粒子历史最优值，并算出群体最优值2gbest 。
Step4 代入优化公式：将第一种群的粒子代入式(17)、(18)得出优化后的新粒子；对于第二种群，算出各个粒子历史最优值的均值作为pbest ，)2,1min(gbest gbest gbest =，并将相应的粒子代入式(19)、(20)得出优化后的新粒子，将各个种群每个粒子进行范围约束。
Step5 判断是否满足终止条件：如果满足终止条件则结束迭代，如果不满足返回Step2。
4 算例分析论文提出的模型与算法是通过 Matlab 编程实现的，算例是基于图1所示的CIGRE6中压基准系统[6]，系统频率为50Hz，电压为20kV。
调度周期 T 取为 1h，并认为微电网处于稳定的状态。
图1 CIGRE 6 中压基准系统正常运行时MVDC 耦合器断开，只有子系统1处于运行状态。
假设该系统某日的日负荷曲线及风力发电机和光伏发电系统的输出功率预测如图2、3所示。
t/hP /k w图2 风、光输出功率预测t/hP /k w图3 用户负载预测4.1 孤网孤网状态下，用户所需的功率全部由微电源提供。
图4是针对中午第12时段用改进后粒子群算法与改进前的优化结果对比图。
