[发明专利]基于广义负荷预测的微网经济运行方法

摘要

本发明公开了一种基于广义负荷预测的微网经济运行的方法，将微网中的风机、光伏电池以及传统负荷视作广义负荷进行预测，大大减少了计算复杂度以及机理分析的繁杂度；而在预测之后采用马尔可夫修正预测误差，保证广义负荷的预测精度；在求解微网经济运行模型方面，考虑到目标函数的多变性和约束条件的灵活性，不适于常规方法，而粒子群算法由于其规则简单易于实现、可调参数少，收敛速度快的特点，适宜于求解微网经济运行问题，并且本发明为了加快其迭代速度，对常规的粒子群算法做了一些改进，使其更到结果更为迅速准确。

主权项

1.一种微网基于广义负荷预测的微网经济运行方法，所述微网是一种由分布式电源及其相关负载按照拓扑结构组成的微型电力网络；所述微网中含有风机、光伏电池不可控微源以及用于能量缓冲的储能装置；所述微网具备孤岛和并网两种运行状态；并且制定微网运行计划时，需考虑其对环境的影响；其特征在于：所述基于广义负荷预测的微网经济运行方法，具体步骤如下：步骤一、广义负荷预测；采集微网传统负荷信息数据、风机出力信息数据以及光伏出力数据，将风机、光伏视作消耗功率为负的负荷；可知由微网负荷、风机以及光伏组成的广义负荷为：p^LD＝p^load-p^w-p^pv                 (1)式中：p^LD为广义负荷值，p^load为微网传统负荷值，p^w风机出力值、p^pv光伏出力值；步骤二、广义负荷预测误差修正；采用BP神经网络对广义负荷进行预测，统计历史广义负荷实际值与广义负荷预测值，可得预测相对残差为：式中：为通过BP神经网络预测得到的广义负荷预测值，p^LD为广义负荷实际值；将具有马尔可夫链特点的非平稳随机相对误差序列划分为n个状态，任一状态为S_i∈[s_i′，s_i″]；通过统计可知，状态S_i出现的次数为m_i，由状态S_i经k步转移到状态S_j的次数为m_ij(k)；可知，状态转移为P_ij(k)=m_ij(k)/mi(i=1，2，Ln)则一步状态转移概率矩阵为：P=p11p12Lp1np21p22Lp2nMMOMpn1pn2Lpnn---(3)]]>矩阵P满足：①对n有0≤p_ij(k)≤1②∀i,j=1,2,L,]]>n有Σi=1npij(k)=1]]>式中：p_ij为状态S_i经一步转移到状态S_j的概率；通过状态转移矩阵，确定了系统未来的转移状态[s′_i，s″_i]，则第h次的修正预测值为：步骤三、设定微网经济运行的目标函数，所述微网经济运行的目标函数主要包括：运行成本函数和环境成本函数；所述微网运行成本函数包括：可控微源的运行费用、与电网交互费用以及储能装置出力代价，将运行成本函数描述为：F=Σj=1T[Σi=1Nfi(pij)+ρ(μjbpjb-μjspjs)+(1-ρ)μ|rj|]---(5)]]>式中：N为微网系统中可控微源的数量；T为调度周期p_ij为第i个可控微源在时段j输出功率：为并网模式下j时段从配电网输入功率；为j时段的向配电网买入电价；为孤岛式下j时段向配电网输出功率；为j时段的向配电网售出电价；r_j为j时段的储能装置的出力；μ为储能装置的出力代价；ρ为运行模式决策因子，ρ=0微网系统孤岛运行，为了减少储能装置的损害，约定储能装置只在孤岛下运行；ρ=1微网系统并网运行；f_i(p_ij)为各可控微源的运行成本，包括能耗成本和维护成本；f_i(p_ij)=h_i(p_ij)+w_i(p_ij)                        (6)其中能耗成本为：hipij=aipij2+bipij+ci---(7)]]>式中：a_ib_i，c_i为机组i的燃料费用系数，维护成本为：w_t(p_ij)=d_ip_ij                          (8)将环境成本函数描述为：E=Σj=1TΣi=1nΣh=1keh·Kih·pij---(9)]]>式中：e_h为第h种污染物的排污价格(元/kg)，K_i为第i台可控微源第h种污染物的排放量(kg/kw)；步骤四、设置微网经济运行的约束条件，包括：功率平衡约束、可控微源出力约束、可控微源爬坡率约束；1)功率平衡约束：所述微网中可控微源、电网输入、储能装置的出力之和等于同时刻广义负荷值，即对任意时段j有：Σi=1npij+δ(pjb-pjs)+(1-δ)rj=pjLD---(10)]]>式中：为j时刻的广义负荷的预测值，2)可控微源的出力约束p_ij.min≤p_ij≤p_ij.max                          (11)3)可控微源的爬坡率约束D_igΔt≤p_i(j+1)-p_ij≤U_igΔt                    (12)D_i，U_i分别为爬坡率限制的最大功率上升率与最大功率下降率。Δt为相邻调度间隔时间；4)与配电网交互功率约束输入功率约束：0≤pjb≤pmaxb---(13)]]>输出功率约束：0≤pjs≤pmaxs---(14)]]>5)储能装置运行约束r_min≤|r_j|≤r_max                        (15)步骤五、引入环境偏好因子将多目标规划问题转化为单目标规划；即f=F+ηE                           (16)式中：η为环境偏好因子；采用标准粒子群算法，其速度位置更新公式如下：vit+1=w·vit+c1·r1·(pit-xit)+c2·r2·(pgt-xit)---(17)]]>xit+1=xit+vit+1---(18)]]>式中：v_i=[v_i1，v_i2L，v_in]为粒子i的速度，代表粒子i现在位置与其下一步位置之间的距离；x_i=[x_i1，x_i2L，x_in]为粒子i的当前位置，p_i为当前个体最优值，p_g为当前群体最优值，w为惯性权重，c₁为个体认知常数，c₂为社会认知常数；设计惯性权重按以下方式下降：w=(wmax-wmin)(ttnum)12---(19)]]>式中：w_max为初始惯性权重，w_min为终止惯性权重，tnum为终止迭代次数，t为当前迭代次数；将约束条件以罚函数的形式计入适应度函数：将所有形如：a≤p(X)≤b不等式约束，转化为形如g(X)≤0不等式约束，按如下方式转化：g(X)=|p(X)-a+b2|-b-a2---(20)]]>则，适应度函数为：Fit=f+M·∑(max(0，g_i(X)²))=F+ηE+M·∑(max(0，g_i(X)))²      (21)式中：M是一个比f大很多的正数；将粒子种群平均分成三份，一份在前一日同时刻所求解周围搜索，一份在前一刻所求解周围搜索，剩下一份在约束区间进行全局搜索，即：P(dnum,pnum)=p′+110·(pmax-pmin)·(-1+2·rand(dnum,13·pnum))p′′+15·(pmax-pmin)·(-1+2·rand(dnum,13·pnum))pmin+(pmax-pmin)·rand(dnum,13·pnum)---(22)]]>式中：p′为前一日同时刻的可控微源、电网、储能装置的出力情况，p″为前一时刻可控微源、电网或储能装置的出力情况，dnum为粒子维数，pnum为种群数量。