发明专利｜一种面向微电网综合能量管理的分层多目标优化方法

摘要： 本发明涉及一种面向微电网综合能量管理的分层多目标优化方法，首先是数据采集，而后在模型建立时明确目标函数和约束条件;初始化过后则通过评价得到一个最佳个体，通过排序对较差个体进行不包含负荷数据的同化，加速收敛;而后进行两次变异，变异采取的是隔离交叉变异，这一过程是负荷调度以及储能、各电源调度，调度完成后进行种群评价和排序，选出一个代表性负荷调度最佳个体;接着通过负荷调度最佳个体对其他个体仅进行负荷数据同化，而后再进行一次变异交叉，之后再对种群进行评价和排序，挑选一个代表性最佳个体。接着检查是否完成迭代，若没有则再循环;若完成，则输出一个供参考的调度方案。本发明能够在满足能量管理各方面需求。技术领域

本发明涉及微电网能量管理技术领域，特别是涉及一种面向微电网综合能量管理的分层多目标优化方法。

申请人 东华大学

发明人 李征 李利明 陈佳瑜 田星星

背景技术

分布式能源以微电网的形式运行能够提高其利用率，微电网的建设能够用于缓解海岛和偏远地区用电问题，并且能够在电网故障时保障关键负荷供电稳定。而通常微电网中有多种电源，通过协调调度能够提升可再生能源利用率，降低微电网对电网的冲击，甚至参与电网的调度，缓解电网的压力。如今微电网的能量管理通常围绕经济调度、环境成本或者负荷侧资源进行优化，没有体现电网调度的供需互动思想。针对供需两侧互动的研究较少，部分对供需两侧优化的研究考虑不够全面，并且未针对供需两侧优化提供一种能够应对这种复杂调度问题的解决方法，一般算法处理时因搜索空间过大极易陷入局部最优解。

微电网能量管理优化算法多以加权形式的单目标算法和多目标优化算法为主，在面对复杂微电网能量管理优化时因搜索空间过大，收敛速度慢，容易陷入局部最优解。而一般分层多目标算法特点是在上层目标的优化解集上进行下一层目标优化，直到各层目标优化完结束，能够压缩搜索空间。但若各层目标存在关联，则有可能因某层目标虽然达到最优却影响其他目标，最终无法保证全局寻优能力。

发明内容

本发明所要解决的技术问题是提供一种面向微电网综合能量管理的分层多目标优化方法，能够提升微电网运行经济效益，减小环境污染，提高负荷平滑度，降低并网运行时对电网的冲击。

本发明解决其技术问题所采用的技术方案是：提供一种面向微电网综合能量管理的分层多目标优化方法，包括以下步骤：

(1)根据供需两侧建立微电网能量管理优化调度模型，并选择算法进行求解;

(2)在求解过程中，首先对种群初始化，在初始化过后，对种群先进行评价，通过评价寻找到一个最佳个体;

(3)以最佳个体对表现较差的个体进行不包含负荷的其他可变量进行同化，种群同化后，就开始进行负荷调度，在负荷调度后进行一次种群所有个体的评价，寻找一个代表性的个体为负荷调度最佳个体;

(4)通过负荷调度最佳个体来对种群中的其他个体仅进行负荷同化，其他可变量保持不变，而后开始进行各电源、储能调度管理，在各电源、储能调度后，通过负载和微电网内电源输出总功率差值确定电网与微电网之间的功率交换值;

(5)对种群所有个体进行评价，得到各子目标的优化值，对于越界情况则采取惩罚措施降低其评价适应度，得到评价后对所有个体进行Pareto非支配排序，对统一支配等级的个体进行空间分布均匀度的排序，寻找代表性的最佳个体;判断是否完成迭代，若未完成则返回到步骤(3)。

所述步骤(1)中根据可再生能源的预测数据，负荷的预测数据，市场收集的燃料价格，电网购电、售电价格，微电网组成设备的成本、运行损耗、运行维护信息，各电源容量、运行特性以及运行过程中造成的环境治理成本信息，微电网运行的各方面需求建立微电网能量管理优化调度模型，在确定模型后就需要根据设计的模型来选择适应的算法。本模型是以分层多目标模型为基础建立的，其基本模型如下：

其中，F为微电网运行中经济效益和环境成本优化目标，H为负荷调度过程中负荷平滑度以及负荷峰值目标，fi为第i个微电网运行中经济效益和环境成本优化子目标，hi为第i个负荷调度过程中负荷平滑度以及负荷峰值子目标，X为变量因素，Ω是可行解空间，G则代表等式约束条件，L则代表不等式约束条件。

步骤(1)所述的模型是具有两个分层目标的，其中负荷管理层中有负荷平滑度指标和负荷曲线峰值指标;而各电源、储能和电网调度这一层则包括经济效益指标和环境成本指标。在各电源、储能调度这一层因负荷调度已完成则不需考虑负荷曲线平滑度指标和负荷曲线峰值指标，而负荷调度层则以负荷调度指标为主。

步骤(1)中涉及的电费成本需要考虑不同的电价计费策略。

步骤(1)所述的模型求解算法是多种的，应对不同的模型选择相应的算法，有如光储微电网、风光储微电网以及包含各类不同分布式电源的微电网，并且不同的模型的需求可能也不会一样。

所述步骤(2)在算法流程中，首先是对种群初始化，一般而言通过混沌理论初始化对简单系统能够提高算法效率。在初始化过后，应该要对种群先进行评价，通过评价寻找到一个最佳个体，最佳个体的评价方法直接用简单相加即可，只需要具有一定的代表性。其中，所提的混沌理论初始化对可变量较少的模型则比较适应，而应对可变量较多的模型则不太合适。

所述步骤(3)以最佳个体对表现较差的个体进行不包含负荷的其他可变量进行同化，种群同化后，就开始进行负荷调度，也就是负荷侧的管理，这一步主要是希望能够尽可能的降低负荷曲线的冲击性，提高负荷曲线的平滑度，同时降低负荷曲线的峰值，可以提高电网设备的利用效率。在负荷调度后进行一次种群所有个体的评价，再次通过对负荷调度所影响的各子目标简单相加寻找一个代表性的个体为负荷调度最佳个体。

所述步骤(3)中的种群同化是通过最佳个体将Pareto非支配排序后，将最佳的前端保留，而对较差的个体强行同化。

所述步骤(4)是通过负荷调度最佳个体来对种群中的其他个体仅进行负荷同化，其他可变量保持不变，而后开始进行各电源、储能调度管理。到这一步种群中每个个体的负荷曲线一致，因此无需考虑负荷管理所带来的子目标变化。因电池在运行过程中是SOC(State of Charge)是动态变化的，因此其约束也是动态的，在各电源、储能调度后，通过负载和微电网内电源输出总功率差值确定电网与微电网之间的功率交换值。

所述步骤(4)中储能是动态变化的，其基于微电网动态运行考虑，针对不同的储能需要针对其不同充放电倍率考虑其约束条件。

所述步骤(3)和步骤(4)所述的负荷调度和各电源、储能调度属于算法的变异交叉过程。所述的变异过程是一种混合变异。这种变异过程将种群分割为两个独立的小种群，在变异过程中为了保证种群的多样性，总保留固定比例的个体参加随机变异，不受另一个小种群的干扰;而另一个小种群则采取一种牺牲种群多样性但提升算法搜索能力的变异策略，并且变异个体部分来源于另一个小种群，是一种交叉性质的变异。

所述步骤(5)中的对所有个体进行Pareto非支配排序是以Pareto理论为基础进行的多目标非支配排序，而针对在同一支配层的个体为了保持种群的空间均匀分布，则运用空间分布思想来进行进一步排序。

步骤(2)、步骤(3)和步骤(5)所述的最佳个体只需要在当代种群中具有代表性的个体即可，因为在多目标的情况下基于Pareto的非支配排序有时难以确定一个最佳个体，因此只需要通过各子目标相加选择一个代表性的即可。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明对供需两侧进行互动优化，针对供需两侧优化复杂问题提供了一种有效优化算法，能够在满足能量管理各方面需求的同时对算法流程进行改进。通过对负荷资源和各电源、储能资源分层调度，能够同时兼顾负荷曲线多方指标以及微电网运行经济性和环境指标，实现供需互动。结合分层调度思想对算法流程进行改进，让优化算法解决多层目标关联的优化问题，能够适应供需两侧同时优化的需求，满足微电网能量管理多方面需求。并且引入的同化过程能够提升算法的收敛速度，而隔离交叉变异能够提升算法的全局搜索能力。

发明专利要点简析：

1 .一种面向微电网综合能量管理的分层多目标优化方法，其特征在于，包括以下步骤：

(1)根据供需两侧建立微电网能量管理优化调度模型，并选择算法进行求解;

(2)在求解过程中，首先对种群初始化，在初始化过后，对种群先进行评价，通过评价寻找到一个最佳个体;

(3)以最佳个体对表现较差的个体进行不包含负荷的其他可变量进行同化，种群同化后，就开始进行负荷调度，在负荷调度后进行一次种群所有个体的评价，寻找一个代表性的个体为负荷调度最佳个体;

(4)通过负荷调度最佳个体来对种群中的其他个体仅进行负荷同化，其他可变量保持不变，而后开始进行各电源、储能调度管理，在各电源、储能调度后，通过负载和微电网内电源输出总功率差值确定电网与微电网之间的功率交换值;

(5)对种群所有个体进行评价，得到各子目标的优化值，对于越界情况则采取惩罚措施降低其评价适应度，得到评价后对所有个体进行Pareto非支配排序，对统一支配等级的个体进行空间分布均匀度的排序，寻找代表性的最佳个体;判断是否完成迭代，若未完成则返回到步骤(3)。

2.根据权利要求1所述的面向微电网综合能量管理的分层多目标优化方法，其特征在于，所述调度模型为：

其中，F为微电网运行中经济效益和环境成本优化目标，H为负荷调度过程中负荷平滑度以及负荷峰值目标，fi为第i个微电网运行中经济效益和环境成本优化子目标，hi为第i个负荷调度过程中负荷平滑度以及负荷峰值子目标，X为变量因素，Ω是可行解空间，G则代表等式约束条件，L则代表不等式约束条件。

3.根据权利要求1所述的面向微电网综合能量管理的分层多目标优化方法，其特征在于，所述步骤(3)中的种群同化是通过最佳个体将Pareto非支配排序后，将最佳的前端保留，而对较差的个体强行同化。

4.根据权利要求1所述的面向微电网综合能量管理的分层多目标优化方法，其特征在于，所述步骤(3)和步骤(4)中的负荷调度和各电源、储能调度均属于算法的变异交叉过程。

5.根据权利要求4所述的面向微电网综合能量管理的分层多目标优化方法，其特征在于，所述的变异过程是一种混合性的变异，将种群分割为两个独立的小种群，在变异过程中为了保证种群的多样性，总保留固定比例的个体参加随机变异，不受另一个小种群的干扰;

而另一个小种群则采取一种牺牲种群多样性但提升算法搜索能力的变异策略，并且变异个体部分来源于另一个小种群，是一种交叉性质的变异。

6.根据权利要求1所述的面向微电网综合能量管理的分层多目标优化方法，其特征在于，所述步骤(4)中储能是动态变化的，其基于微电网动态运行考虑，针对不同的储能需要针对其不同充放电倍率考虑其约束条件。

7 .根据权利要求1所述的面向微电网综合能量管理的分层多目标优化方法，其特征在于，所述步骤(5)中的对所有个体进行Pareto非支配排序是以Pareto理论为基础进行的目标非支配排序，而针对在同一支配层的个体为了保持种群的空间均匀分布，则运用空间分布思想来进行进一步排序。