[发明专利]一种基于高维多目标的综合能源站能源优化调度方法

说明书

本发明涉及一种基于高维多目标的综合能源站能源优化调度方法，首先采集综合能源站系统数据；然后将综合能源站系统数据输入至综合能源站能源优化模型中，采用改进的NSGA‑Ⅲ算法对其进行求解后输出优化控制参数。采用本发明增强了算法的全局搜索能力，提高了结算结果在可行域内的分布性，此外改进后的算法在确保计算精度上，计算速度上明显加快。

技术领域

本发明属于能源调度领域，用于综合能源站的能源调度，在满足电动汽车充电需求的同时，追求站内收益最大化、站内购电量最小、储能系统损耗最小，尤其涉及一种基于高维多目标的综合能源站能源优化调度方法。

背景技术

随着电动汽车产业的迅速崛起，传统的加油站正面临着向电动汽车充电站的转型，以满足电动汽车的需求。现有的电动汽车充电站优化调度模型多为单目标或双目标优化模型。这些模型一般采用线性规划、智能优化算法或深度学习算法求解。关于高维多目标调度模型的研究较少。而且电动的能源优化调度是一个多目标、多阶段、多约束、非线性复杂优化问题，传统的单目标、两目标或规划类建模方式在计算出结果，在精度上不能满足调度需求。为此，本发明建立了带有光伏系统和储能系统的综合能源站优化调度模型。在满足电动汽车电量需求的同时，还可将多余的能源反馈到电网，实现收益最大化。此外，在收益最大化的同时，要确保储能系统损耗最小以及日购电量最小。

NSGA-Ⅲ是近年广泛求解三个及以上目标的算法，它将参考点机制引入到个体的选择中，使得在求解多问题上有着重大突破。首先输入种群Np的数量、最大迭代次数等初始数据；根据种群Np的数量，生成参考点的位置。迭代开始时，将种群Np分成两个个体数量相等的种群NP1、NP2；将种群NP1、NP2中两两个体之间进行交叉、变异操作，生成种群Ns；合并种群Np、Ns，并将种群Np、Ns代入目标函数中，求出目标函数值；随后种群Np∪Ns进行非支配排序；根据参考点机制选出优秀个体并加入到种群Ng中，直到种群Ng中的个体数等于种群Np中的个体数。重复上述迭代过程，直到满足退出条件，并输出结果。使用此种方法可以计算出工程问题中接近Pareto前沿的解集，最后根据不同的需求，在解集中选择不同的解。

在制定能源调度方案过程中，关键是能考虑到各种系统间能量交互关系，建立多目标调度模型。并将调度模型转化为只含有多个目标函数和约束条件的数学模型。一般的单目标或两目标数学模型，在各系统间相互的影响方面考虑不足，难以满足站内调度需求；传统的规划类方法需结合问题的不同性质进行处理，无统一方法进行求解，当决策变量维数增加时，数据计算量与存储量会呈指数上升，求解时将出现“维数灾”。

发明内容

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于高维多目标的综合能源站能源优化调度方法，其特征在于，

采集综合能源站系统数据；

将综合能源站系统数据输入至综合能源站能源优化模型中，采用改进的NSGA-Ⅲ算法对其进行求解后输出优化控制参数。

在上述的方法，综合能源站包括光伏系统模型、储能系统模型以及储能系统损耗模型，其中，

光伏系统模型中太阳能光伏板的输出功率采用如下公式表示：

P_pv(t)表示t时刻光伏功率；G(t)表示t时刻太阳辐射量；G_sr是额定太阳辐射量；P_pvr表示光伏板的额定功率；η_pv是发电效率；β_T是温度系数；T(t)表示t时刻环境的温度；T_CT表示光伏板正常情况下的温度；T_crT表示光伏板参考温度。

储能系统模型的能量状态采用如下公式表示：