[发明专利]基于改进量子遗传算法的微网储能选址定容优化方法

摘要

一种基于改进量子遗传算法的微网储能选址定容优化方法，包括：建立储能选址定容优化模型，包括储能选址定容优化模型的目标函数公式和约束公式；对量子遗传算法进行改进；使用改进后的量子遗传算法对储能选址定容优化模型求解。本发明建立了储能选址定容模型，以储能全寿命周期成本、削峰填谷收益以及网损收益为目标，约束考虑了潮流、储能充放电以及储能充放电能量平衡；修正了量子遗传算法，使用量子旋转门旋转角度的动态调整策略提高了搜索效率，使用模拟退火法进行选择操作和佳点集进行交叉操作避免陷入局部最优；采用34节点微网进行验证，表明本发明所提出的算法可行，且有效提高了量子遗传算法的收敛效率和跳出局部最优的能力。

主权项

一种基于改进量子遗传算法的微网储能选址定容优化方法，其特征在于，包括如下步骤：1)建立储能选址定容优化模型，包括储能选址定容优化模型的目标函数公式和约束公式，所述的储能选址定容优化模型的目标函数公式包括：(1)建立储能全寿命周期成本净现值公式：$f_1=\underset{j=1}{\overset{n}{\Σ}}\frac{C_j}{{(1+F_D)}^j}---\left(1\right)$C_j＝C_j,Cap+C_j,Rep+C_j,OM+C_j,Sal       (2)式中，f₁为储能规划期n年的净现值；F_D为贴现率；C_,j为储能在第j年的现金流，包括第j年的初建成本C_,j,Cap、更新成本C_,j,Rep、运行维护成本C_,j,OM和残值C_,j,Sal；所述的初建成本：$C_{j,Cap}=\left\{\begin{array}{cc}{C}_{ESS}*E_{ESS}^R& j=0\\ 0& j=1,2,\mathrm{...},n\end{array}\right.---\left(3\right)$式中，C_ESS为储能初建成本单价，单位为元/kWh；为储能系统容量；所述的更新成本：$C_{j,\mathrm{Re}p}=\left\{\begin{array}{cc}{R}_{ESS}*E_{ESS}^R& j=(1,2,\mathrm{...},k)*L_{ESS}\\ 0& j\≠(1,2,\mathrm{...},k)*L_{ESS}\end{array}\right.---\left(4\right)$式中，R_ESS为储能更新成本单价，单位为元/kWh，k为规划期n年内，寿命为L_ESS年的储能设备共经历更新的次，表示为：k＝n/L_ESS       (5)所述的运行维护成本：$C_{j,OM}=\{\begin{array}{cc}{\mathrm{OM}}_{ESS}*E_{ESS}^R& j=1,2,...,n\\ 0& j=0\end{array}---\left(6\right)$式中，OM_ESS为运行维护成本单价，单位为元/kWh；所述的残值：$C_{j,Sal}=\{\begin{array}{cc}-R_{ESS}*E_{ESS}^R*\frac{{\mathrm{kL}}_{ESS}-n}{L_{ESS}}& j=n\\ 0& j\≠n\end{array}---\left(7\right)$(2)建立储能削峰填谷收益公式：$f_2=\underset{j}{\overset{n}{\Σ}}\underset{i}{\overset{365}{\Σ}}\underset{m}{\overset{24}{\Σ}}\[E_{ESS}\[j,i,m\]*C\left(m\right)\]---\left(8\right)$式中，E_ESS[j,i,m]为第j年第i天第m个小时的储能能量值，C(m)为第m个小时的电能单价；(3)建立网损减小收益公式$f_3=\underset{i}{\overset{n}{\Σ}}\underset{i}{\overset{365}{\Σ}}\underset{m}{\overset{24}{\Σ}}\[{\mathrm{\ΔE}}_{LOSS}\[j,i,m\]*C\left(m\right)\]---\left(9\right)$式中，ΔE_LOSS[j,i,m]为第j年第i天第m个小时的网损值。考虑储能全寿命周期成本、削峰填谷收益和网损减小值情况后，储能选址定容优化模型的目标函数为：minF＝min(f₁‑f₂‑f₃)                      (10)所述的储能选址定容优化模型的约束公式包含潮流平衡约束、支路潮流约束、电压约束、储能充放电约束、以及储能荷电状态约束；2)对量子遗传算法进行改进，包括：(1)量子比特编码量子比特表示如下：式中，为量子比特，α、β为复数，满足：|α|²+|β|²＝1                           (17)式中，|α|²表示量子比特状态为0的概率，|β|²表示量子比特状态为1的概率；量子态向量形式：(2)动态旋转门：${\mathrm{\θ}}_i=\left\{\begin{array}{cc}\frac{k_1(f_{max}-f)}{f_{max}-f_{average}}& f\≥f_{average}\\ k_2& f\<f_{average}\end{array}\right.---\left(19\right)$式中，k₁和k₂∈(0.001π,0.05π)，f_max为种群中最大适应度值，f_average为当代种群的平均适应度值，f为进行量子更新的个体的适应度值。该式表示，在进行量子更新个体的适应度值低于平均适应度值，表示该个体不是优良个体，对其旋转角要采用较大的值，反之，要根据适应度值取相应的旋转角。(3)使用模拟退火进行选择操作；(4)坍塌测量：通过编码染色体进行测量得到长度为m的二进制字符串p＝[x₁ x₂ … x_m]，其中，x₁ x₂ … x_m为0～1之间的实数，测量过程如下：随机产生一个0～1之间的实数r，若i＝1,2…,m，则x₁＝1；若则x₁＝0；3)使用改进后的量子遗传算法对储能选址定容优化模型求解，包括：(1)设定原始数据：包括分布式电源和负荷的原始功率数据，储能容量单价、贴现率和寿命值，以及遗传算法遗传代数、变异概率、种群数目和模拟退火的初始温度、终止温度以及每个温度下迭代次数；(2)种群初始化：将储能的位置和容量以及充放电功率进行量子编码，得到初始种群，将种群各个体的量子比特编码都初始化为(3)量子坍塌：对种群进行坍塌测量，得到一组确定的二进制染色体；(4)目标值计算：将所有个体带入储能选址定容优化模型的潮流平衡约束公式，得到电压和网损值，将储能容量、单价、充放电功率和网损值带入储能选址定容优化模型的目标函数公式，计算得到目标值；(5)评价每个种群的适应度。(6)动态旋转门更新：对种群根据更新每个个体的量子位；(7)进行模拟退火选择操作；(8)进行佳点集交叉变异操作：(9)判断是否达到最大代数，如果达到，则计算结束，否则将第(8)步的结果代入第(3)步，重复第(3)～第(9)步。