【《基于改进天牛群算法的微电网优化调度分析》6500字（论文）】

基于改进天牛群算法的微电网优化调度分析目录TOC\o"1-3"\h\u653基于改进天牛群算法的微电网优化调度分析 1325531.1基本算法 1283071.1.1天牛群算法 153861.1.2禁忌搜索算法 256861.1.3Kent混沌优化机制 3319821.2基于分组混合思想的禁忌天牛群算法 3292481.3算例分析 674981.3.1算例模型建立 694391.3.2并网运行结果 9140681.3.3离网运行结果 15微电网优化调度问题的求解方法是得到精确调度结果的基础。本章对天牛群算法进行改进，提出了基于分组混合思想的禁忌天牛群算法，在第二章建立的微电网模型和第三章进行的源荷出力预测的基础上，对该微电网系统在不同运行策略下进行了仿真实验研究，并对仿真实验结果进行了对比分析。1.1基本算法1.1.1天牛群算法到目前为止，天牛须搜索算法已经在路径规划、图像处理、PID参数整定、组合优化、任务分配等方面开始被使用。但是，BAS算法也存在一些缺点，如收敛速度慢、在处理多维复杂问题时，不具备良好的优化能力等。BAS的主要优势在于其设计的复杂度较低，但是由于其个体数只有一个，不适用于群体优化。在此基础上，受到了粒子群算法的启发，开始把个体扩展为群体[62]，由此天牛群算法[63]产生。在该算法中，天牛之间会共享信息，但是天牛的距离和方向是由它们的速度和它们的长触角探测到的信息强度决定的。天牛群算法(BeetleSwarmOptimization，BSO)在数学形式上借鉴了粒子群算法的思想。在维搜索空间中有天牛个数为，用表示，其中将第只天牛表示为一个维向量，表示第只天牛在维搜索空间中的位置，也就是解决该问题的其中一种方法。根据目标函数，可以计算出每个天牛个体的适应度值。第只天牛的速度为，天牛的个体极值为，群体极值为。模拟其行为的数学模型如下：位置更新公式为 (1.1)速度更新公式为 (1.2)增量因子更新公式为 (1.3)步长更新公式为 (1.4)天牛左、右天线搜索行为表示如下 (1.5)其中，表示当前迭代次数；表示天牛的速度；表示天牛的位置增量因子；为一个正常数；表示惯性权重；表示学习因子；表示[0，1]范围内的两个随机数；表示步长；表示搜索距离。1.1.2禁忌搜索算法禁忌搜索算法[64](TabuSearch，TS)是一种以局部搜索能力较好而闻名的典型算法，其过程主要包括当前解的确定、候选集的生成、禁忌表中对象与长度的禁忌和释放等。禁忌搜索算法的主要过程如下：①初始化参数，并置空禁忌表；②给定一个初始当前解，以此为中心，在其邻域内生成一组候选集，其中为移动的步长；③判断生成的候选集中的解是否满足特赦准则，若满足，则将该解作为当前解，若不满足，则将非禁忌对象对应的最佳解作为当前解；④对禁忌表中的对象进行替换，更新禁忌表；⑤判断是否满足停止条件，若满足则输出，若不满足则转向步骤②。1.1.3Kent混沌优化机制迭代次数的逐渐增加将会导致天牛个体的差异性逐渐减少，当天牛非常接近于全局最优解的位置时，群体逐渐趋于相同，将会导致天牛个体陷入局部最优。要想天牛个体在迭代后期跳出局部最优，主要在于控制天牛个体在迭代后期保持多样性，因此采用混沌优化算法，以其遍历全局的优点对种群进行混沌优化，帮助天牛跳出局部最优。混沌是一种任意随时间变化的非线性运动过程，这个过程具有遍历性、确定性、类似随机性、非周期性、非收敛性，利用混沌可以使天牛在一个无目标、无序的随机搜索中遍历所有位置，可以快速摆脱局部最优，找到全局最优。本文采用Kent混沌映射[65]，它是一种遍历性优于Logistic混沌映射的典型离散混沌映射，其迭代公式为 (1.6)式中为混沌域，为控制参数，当时，其概率密度函数在内服从均匀分布。1.2基于分组混合思想的禁忌天牛群算法通过上述对于算法基本理论的研究，提出了基于分组混合思想的禁忌天牛群算法。下面首先对这两种算法的优缺点进行分析。天牛群算法是通过天牛种群之间的合作和竞争关系来进行全局寻优的，当一只天牛找到了一个当前最优位置，其他天牛受到吸引也会迅速向这个位置聚集，由此可以看出天牛群算法具有良好的收敛性，可以快速找到一个最优解。但是，天牛群的快速收敛性会导致种群多样性的丧失，天牛之间因相似性较高而无法进行信息交流，若天牛的当前最优解是一个局部最优解，整个天牛群就会陷入局部最优，出现早熟现象。禁忌搜索算法通过设置禁忌表及设立禁忌准则的方法进行寻优，该算法在搜索的过程中可以将已经搜索到的局部最优解放入禁忌表中，这种做法可以有效避免进入局部最优循环，从而保证了算法的搜索途径的多样化，实现全局寻优的最终目的。但是，禁忌搜索算法对初值的要求高，在算法初期，因初值不好等因素使得全局最优值的质量不高。通过以上对两种算法的综合对比发现，天牛群算法和禁忌搜索算法在彼此的优缺点上具有很好的互补性，将这两种算法结合，可以有效克制双方的缺点，使得寻优性能得到进一步提升，具体表现为在算法初期利用天牛群算法快速收敛得到一个较好的初始值，然后通过禁忌搜索算法进行局部搜索，有效避免了算法会陷入局部最优的缺点。图4-1算法流程图本文混合算法的基本流程图如图4-1所示。改进算法的基本内容是一群天牛通过左、右天线去感知周围环境的气味，来决定天牛前进的方向。把一整个天牛种群降序排列后平均分为多个子群，每个子群分别进行局部搜索，子群中的每个个体之间互相影响，向着更好的方向前进。得到更好的个体位置之后，子群合并进行全局搜索，实现混合运算，然后再次排序分类，直到达到最大迭代次数或满足最优解条件后停止搜索。①随机产生e个在0~1内的天牛个体分别为，按式(1.6)进行混沌初始化，将迭代产生的矢量分别映射到需优化变量的可行域内，按照目标函数计算每个矢量的适应度值，取适应度值前个天牛个体作为天牛群初始个体。②进行天牛种群寻优后对个天牛个体进行适应度值降序排列，全局最优天牛个体记为，依次平均分配到个子群中，每个子群中的天牛个体数为，则有。③对每个天牛种群分别进行禁忌搜索来调整其中最优天牛个体的位置，如果此局部搜索能够得到一个更好的天牛位置，则用其取代原来的天牛个体，否则，就按式(1.6)混沌生成一个新个体取代原来的天牛个体。④每个天牛子群都执行了一定的局部搜索进化后，将各个子群合并到整体，保留此时适应度值前20%的天牛个体，整体根据式(1.1)~(1.5)进行天牛群迭代后替代其中较差的20%，并更新新的全局极值。⑤天牛种群进行重新汇合、排序、再分类，重复步骤③、④。如果迭代终止条件满足，则停止；否则，继续迭代。考虑到惯性权重和学习因子对天牛群搜索空间和收敛速度的影响，对这两个参数进行调整。①正弦化学习因子：当较大、较小时，天牛偏向个体最优，适应于全局搜索；当较小、较大时，天牛偏向群体最优，适应于局部搜索。本章采用一种按正弦函数变化的学习因子，使得算法一开始就可以以较快速度对全部区域进行搜索，避免陷入局部最优，公式如下： (1.7)其中，分别为当前迭代次数和最大迭代次数。②混沌化惯性权重：惯性权重较大时，天牛群算法适应于全局搜索，但同时会削弱其局部搜索，不易于收敛得到精确解，因此适用于算法初期搜索，可以快速锁定最优解区域；较小时，适应于局部搜索，但同时容易陷入局部最优，因此适用于算法后期搜索。综上，本文采用使用式(1.6)根据迭代次数混沌化的策略，以使可以随算法迭代自我调整，达到遍历全局、快速收敛的目的。1.3算例分析1.3.1算例模型建立微电网调度主要是对微电网24h日化数据进行优化，确定各微电源出力数据以得到微电网最佳综合效益。根据第三章提出的组合预测模型微电网风机、光伏出力进行预测。本文规定光伏发电机组的额定功率为1000kW。机组的相关参数选取如下，标准光照强度为1kW/m2，标准参考温度为25℃，温度校正系数为-0.0047/℃。根据3.3节预测得到的光照强度，并结合式(2.1)，可以得到图4-2所示的光伏出力曲线图。图4-2光伏出力本文规定风电机组的额定功率为1600kW。机组风速的相关参数选取如下，切入风速取3m/s，切出风速取25m/s，额定风速取12m/s。根据3.3节预测得到的风速，并结合式(2.3)，可以得到图4-3所示的风机出力曲线图。图4-3风机出力在时段8:00-10:00以及13:00-17:00内，在满足负荷需求后，可再生能源出力仍有富余，而在19:00-21:00地连续高峰时段，负荷需求又远超可再生能源出力，在此情况下，加入负荷需求响应对可转移负荷进行平移调度，在不影响系统运行的情况下，对可再生能源进行充分使用，能有效降低一次能源的损耗。本文采用天牛群算法对负荷需求响应模型进行求解，输出优化后的负荷需求曲线，求解可得引入负荷需求响应机制后的负荷曲线如图4-4所示，可以较为直观地看出负荷需求响应前后负荷出力的对比。图4-4负荷需求响应前后对比图将预测得到的可再生能源出力曲线结合进行负荷需求响应前后的负荷曲线，结果如图4-5所示。图4-5微电网光伏、风机、负荷出力在第二章所建立的微电网调度模型的基础上，建立算例模型，其中，微型燃气轮机的效率取60%；燃料电池的效率取50%；蓄电池的容量取200kWh，充电效率取85%，放电效率取100%，自放电率取0.15%；天然气的价格取3.5元/m3，天然气的低热值取9.7kWh/m3。污染物排放参数见表4-1，各微电源参数见表4-2。表4-1污染物排放参数类型排放系数/(kg/kWh)排放成本(元/kg)微燃机(MT)燃料电池(FC)大电网(GRID)CO21.6×10-31.08×10-31.92×10-30.0917SO28×10-66×10-68.1×10-26.6409NOx1.4×10-43×10-53.5×10-327.9328表4-2各微电源参数微电源额定功率/kW出力上/下限/kW爬坡率/(kW/min)维护系数/(元/kWh)微燃机300300/10100.04228燃料电池300300/10100.02849蓄电池100——0.02898风机1600——0.03122光伏1000——0.01015本文采用分时电价，峰谷时段划分及购售电电价参考如表4-3所示。表4-3购售电价格峰谷时段分时购电价格(元/kWh)售电价格(元/kWh)低谷时段0:00-6:00、23:00-24:000.330.27平峰时段6:00-8:00、12:00-14:00、21:00-23:000.620.49高峰时段8:00-12:00、14:00-21:000.920.711.3.2并网运行结果微电网在并网运行中的运行策略和微电网与大电网之间电能的交互方式以及分时电价机制有关，下面在负荷需求响应前后根据三种调度策略分别进行调度分析。(1)调度策略一：微电网和大电网之间电量进行单向传递，实行分时电价机制，微电网可以随时向大电网进行购电。在该策略下的调度结果如图4-6所示，由于0:00-8:00向大电网购电的价格远低于其他微电源的发电成本，所以优先向大电网购电来满足负荷需求，而在电价峰值的9:00-12:00，应由微电网进行内部出力来满足负荷需求。(a)微电源出力情况(b)蓄电池储量变化图4-6需求响应前并网策略1调度结果如图4-6(b)所示，在此调度策略中，蓄电池除了在MT、FC必须输出最小功率时可以进行充电外，在大电网电价处于低谷时，如1:00-6:00，应尽可能多的购电，对蓄电池进行充电备用，然后在18:00开始的大电网电价高峰时进行放电来满足夜间用电高峰时的负荷需求。蓄电池在18:00放电结束后由于无法进行充电，且其自身存在自放电率，容量会从蓄电池允许的最低储量即20kWh的状态开始缓慢降低。对该调度策略进行负荷需求响应后得到的调度结果如图4-7所示。对比图4-6(b)和图4-7(b)可以看出该调度策略下负荷需求响应前后蓄电池储量的走势在10:00之前存在较大不同，主要是因为未进行负荷需求响应时在该时段内的负荷需求较大，大电网在满足符合需求后，只能提供少量电能给蓄电池进行充电，这就导致了蓄电池在这个时段内充电较为缓慢。(a)微电源出力情况(b)蓄电池储量变化图4-7需求响应后并网策略1调度结果(2)调度策略二：微电网和大电网之间电量进行双向交互，实行固定电价机制，微电网可以随时向大电网进行购电和售电。在该策略下的调度结果如图4-8所示，微电网可以通过与大电网之间灵活的电能交互来达到降低成本的目的，但是固定电价机制使得大电网参与调度的形式较为单一，仅体现为在微电网无法满足负荷需求时向大电网进行购电和在微电网存在剩余电能时向大电网售电。(a)微电源出力情况(b)蓄电池储量变化图4-8需求响应前并网策略2调度结果对该调度策略进行负荷需求响应后得到的调度结果如图4-9所示。对比图4-8(b)和图4-9(b)可以看出该调度策略下负荷需求响应前后蓄电池储量的走势基本相同，仅对储量的多少造成轻微影响，说明在该调度策略下需求响应对蓄电池储能的影响不大。(a)微电源出力情况(b)蓄电池储量变化图4-9需求响应后并网策略2调度结果(3)调度策略三：微电网和大电网之间电量进行双向交互，实行分时电价机制，微电网可以随时向大电网进行购电和售电。在该策略下的调度结果如图4-10所示，微电网在分时电价机制下，与大电网之间的电能交互方式更为灵活。在0:00-8:00之间，从大电网购电价格处于低谷期，此时购电价格低于微电源发电价格，微电网应尽量多的从大电网中购电，也可适当向蓄电池进行充电。在9:00-12:00之间，向大电网售电价格处于高峰期，此时售电价格高于微电源发电价格，微电网应在满足负荷需求和微电源出力约束的情况下，额外增加微电源的出力来售卖给大电网，从中获利。需要注意的是，在19:00-21:00之间，虽然处于向大电网购电和售电的高峰期，但是在微电源极限出力以及蓄电池完全放电的状态下无法满足负荷需求，此时只能选择向大电网购电以满足微电网系统的安全稳定运行。(a)微电源出力情况(b)蓄电池储量变化图4-10需求响应前并网策略3调度结果对该调度策略进行负荷需求响应后得到的调度结果如图4-11所示。对比图4-10(b)和图4-11(b)可以看出该调度策略下负荷需求响应前后蓄电池储量的走势在8：00之前存在较大不同，这除了是因为负荷需求较大时大电网在满足符合需求后，只能提供少量电能给蓄电池进行充电，还因为需求响应前会存在大量弃风、弃光现象。(a)微电源出力情况(b)蓄电池储量变化图4-11需求响应后并网策略3调度结果将三种调度策略分别进行对比，可以得到以下结论：（1）采用策略二、三与策略一对比可知，大电网与微电网之间的交互方式发生改变后，微电网中蓄电池的充放电次数会有较为明显的增加，可能会是的蓄电池的使用寿命缩短；（2）采用策略一、三与策略二对比可知，将电价进行分时划分后，微电网中的微电源可以根据电价的峰谷来对其出力的大小进行调整，采用策略二时，与市场之间建立的联系较为微弱。并网运行模式在不同调度策略下的运行总成本如表4-4所示。表4-4并网运行模式运行成本并网调度策略是否进行负荷需求响应微电网运行总成本/元差值/%策略一否7066.8919.42%是6401.455策略二否7241.1212.09%是7089.571策略三否6495.4892.45%是6336.509三种并网调度策略下负荷需求响应前后的微电网运行成本分别如上表所示。从调度策略的角度出发，第三种调度策略的运行结果相对于第一、二种来说更具有优势，主要是因为微电网与大电网的电能交互方式发生了积极的变化且考虑了分时电价机制。从负荷需求响应的角度出发，三种调度策略下负荷需求响应后的总成本均低于负荷需求响应前，分别降低了9.42%、2.09%和2.45%，第二、三种调度策略响应前后总成本差值较小，主要是因为策略允许向大电网售出剩余电能，大量被浪费的可再生能源成本得到了降低，总体来说，负荷需求响应给微电网优化调度结果带来了积极的影响，节约了运行成本，使微电网的经济效益和环境效益都得到了很大的提升。1.3.3离网运行结果微电网多源互补在离网运行中的运行策略为将可再生能源出力满发，若不能满足负荷需求，则调度其它微电源进行出力，直到微电源全部满发及蓄电池完全放电，则考虑切除剩余负荷。下面将在微电网离网运行环境下，按照该策略分别在负荷需求响应前后进行调度。(a)微电源出力情况