[发明专利]计及随机模糊双重不确定的交直流混合微网优化运行方法

权利要求书

1.一种计及随机模糊双重不确定的交直流混合微网优化运行方法，其特征在于，包括如下步骤：

1)基于交直流混合微网的特点，考虑到风光出力的不确定性，将光照强度定义为随机变量，将风速定义为随机模糊变量，对间歇性能源的出力进行不确定性建模；

2)基于微网的网架结构，将随机模糊理论引入到交直流混合微网中，建立日前调度经济性最优的随机模糊机会约束优化模型，并进一步调整不平衡功率以实现机组的最优出力组合；

3)用随机模糊模拟、神经网络和混沌粒子群算法相结合的混合智能算法对所述的日前调度经济性最优的随机模糊机会约束优化模型进行求解，获得最终的交直流混合微网优化运行方案；所述的随机模糊模拟、神经网络和混沌粒子群算法相结合的混合智能算法，包括：

(1)获取交直流混合微网的运行数据和设定混合智能算法的参数；

(2)基于威布尔分布的概率密度函数进行随机模糊模拟，在形状参数k和尺度参数c的各自的置信区间内均匀抽取M个满足Pos{·}≥ε，的形状参数k和尺度参数c的数值，ε是个足够小的正数，基于风电出力的随机模糊建模，为不确定函数U₁、U₂产生输入输出数据集：

U₁:x→Ch{g_j(x,ζ)≤0,j＝1,2,…,p}(α)

U₂:

其中，为(γ,δ)的悲观值；x为决策变量；ζ为随机模糊变量；f(x，ζ)为目标函数；g_j(x，ζ)为第j个约束条件，j＝1，2，…，p；γ、δ、α分别为给定的置信度；Ch{·}为机会测度；

(3)采用多层前向神经元网络，对于输入数据x_τ，通过不断调整网络的权重向量w，对神经网络进行训练，使得神经网络的输出F(x_τ,w)尽可能接近训练数据y_τ：

其中，F(x_τ,w)是相应于输入数据x_τ的神经网络输出，训练数据y_τ是对应于决策变量x的不确定函数的值；

(4)采用混沌运动初始化粒子群，混沌运动特性采用Logistic映射表示：

其中，χ_u+1和χ_u为混沌变量的第u+1次和第u次迭代值，χ₀为混沌变量初值；

(5)用训练好的神经网络检验粒子的可行性；

(6)利用神经网络计算日前调度成本F，并评价每个粒子的适应度；

(7)保存粒子全局最优值和每个粒子的个体最优值；

(8)判断粒子是否达到迭代次数或收敛精度，若是，则输出日前调度成本F的优化结果；若否，则更新粒子的速度和位置；

(9)判断是否存在粒子重叠，若是，则赋予混沌运动以替换重叠的粒子，返回第(5)步；若否，则直接返回第(5)步。

2.根据权利要求1所述的计及随机模糊双重不确定的交直流混合微网优化运行方法，其特征在于，步骤1)所述的对间歇性能源的出力进行不确定性建模，是将光照强度视为服从贝塔分布的随机变量，根据光伏出力和光照强度的关系对光伏出力进行随机建模；将风速定义为随机模糊变量，基于风速服从的威布尔分布形状参数k和尺度参数c的模糊性，在一定置信水平下采用极大似然法估计形状参数k和尺度参数c的置信区间上下限，并计算相应的隶属度函数，进一步根据风电机组的输出功率与风速的关系对风电出力进行随机模糊建模。

3.根据权利要求2所述的计及随机模糊双重不确定的交直流混合微网优化运行方法，其特征在于，所述的根据光伏出力和光照强度的关系对光伏出力进行随机建模，得到：

其中，P_PV、P_PV,N分别为光伏机组的输出功率和额定功率；r、r_N分别为该时间段的实际光照强度和额定光照强度。