一种基于动态电价的微电网运行优化方法

摘要

本发明公开了一种基于动态电价的微电网运行优化方法，其特点是将配电网对微电网下达的参考计划交换功率曲线与微电网的计划交换功率曲线进行模糊化，计算二者的欧几里得贴近度来实现电价的动态化，建立考虑动态电价、运行维护成本和排污处理成本目标函数，采用粒子群算法求取微电网经济优化运行方案。使得微电网在运行优化过程中能够协调配电网运行，减轻微电网接入对配电网带来的影响。

主权项

一种基于动态电价的微电网运行优化方法，其特征在于：1)考虑微电网参与配电网协调运行优化模型将微电网当作一个可正可负的负荷接入配电网中，配电网根据运行优化目标确定出一条24h的微电网参考计划交换功率控制曲线，将参考计划交换功率和计划交换功率模糊化，分别求出隶属度函数值，通过计算二者的欧几里得贴近度来实现电价的动态化，曲线贴近度越高，售电价越高，购电价越低；2)计及动态电价的微电网运行优化目标函数本发明建立了含有风力发电机、光伏电池、微型燃气轮机、蓄电池多种微电源的微电网运行优化模型；考虑了包括动态电价、运行维护成本、排污处理成本在内的目标函数，考虑了微电网系统中的功率平衡、各个微电源容量限制、微型燃气轮机爬坡率、联络线传输功率、蓄电池容量和蓄电池充放电各类约束；同时模型通过计算参考计划交换功率曲线和计划交换功率曲线的欧几里得贴近度来确定动态电价，来计及配电网对微电网的运行；$\min C=\underset{t=1}{\overset{24}{\Sigma }}[C_f\left(t\right)+C_{\mathrm{DP}}\left(t\right)+C_{\mathrm{OM}}\left(t\right)+C_e\left(t\right)]+C_{\mathrm{grid}}-C_{\mathrm{sc}}---\left(1\right)$其中$C_f\left(t\right)=\underset{i=1}{\overset{n}{\Sigma }}{F}_i\left(P_i\left(t\right)\right)---\left(2\right)$$C_{\mathrm{DP}}\left(t\right)=\underset{i=1}{\overset{n}{\Sigma }}[\frac{C_{\mathrm{az},i}}{8760k_i}\times \frac{r{(1+r)}^{n_i}}{{(1+r)}^{n_i}-1}\times P_i\left(t\right)]---\left(3\right)$$C_{\mathrm{OM}}\left(t\right)=\underset{i=1}{\overset{n}{\Sigma }}[K_{\mathrm{OM},i}\times P_i\left(t\right)]---\left(4\right)$$C_e\left(t\right)=\underset{i=1}{\overset{n}{\Sigma }}\underset{j=1}{\overset{m}{\Sigma }}\left[V_{\mathrm{ej}}{Q}_{\mathrm{ij}}{P}_i\left(t\right)\right]---\left(5\right)$$N(A,B)=1-\frac{1}{\sqrt{24}}{\left(\underset{i=1}{\overset{24}{\Sigma }}{(A\left(i\right)-B\left(i\right))}^2\right)}^{1/2}---\left(6\right)$C'_P(t)＝C_P(t)×(0.5+N(A,B))                     (7)C'_S(t)＝C_S(t)×(1.5+N(A,B))                     (8)C_grid(t)＝C'_P(t)C_GP(t)‑C'_S(t)C_SP(t)               (9)C_sc(t)＝Q_ce(i)K_pc                                (10)式中，C_f(t)、C_DP(t)、C_OM(t)、C_e(t)分别为t时刻各微电源的燃料成本、投资折旧成本、运行维护成本、排污处理成本；C_grid、C_sc分别为微电网与配电网的交互成本和微型燃气轮机制冷收益，C_az,i、k_i、r、n_i、K_OM,i、V_ej、Q_ij分别为单位容量的微电源的安装成本、容量因素、年利率、投资偿还期、单位电量运行维护成本系数、污染物的环境价值和污染物的排放量；A(i)、B(i)分别为参考计划交换功率曲线和计划交换功率曲线模糊化后的隶属度函数值；C_P(t)、C_P(t)为t时刻的实时购售电价，C'_P(t)、C_s'(t)为引入欧几里得贴近度后的动态实时购售电价；Q_ce(i)为微型燃气轮机各时刻制冷量；K_pc为单位制冷的售价；其约束条件为：A、功率平衡约束$P_{\mathrm{load}}=P_{\mathrm{grid}}+\underset{i=1}{\overset{n}{\Sigma }}{P}_{\mathrm{DG},i}---\left(11\right)$式中，P_load为系统总的负荷，P_grid为微网与配网的交换功率，P_DG,i为各微源的出力；B、微源有功出力约束P_i,min≤P_i≤P_i,max                         (12)C、微型燃气轮机爬坡率约束增加出力时为：P_MT(t)‑P_MT(t‑1)≤R_up                       (13)减少出力时为：P_MT(t‑1)‑P_MT(t)≤R_down                     (14)D、微网与配电网交换功率约束P_grid,min≤P≤P_grid,max                     (15)E、蓄电池运行约束P_SB,min≤P≤P_SB,max                         (16)SOC_min≤SOC≤SOC_max                        (17)对微电网中的风、光等出力按照分布式电源模型进行求解，将求得的风、光出力以及负荷作为已知量代入粒子群算法中；将其它微电源作为未知量，进行编码操作，生成初始种群，可以求取出一条计划交换功率曲线；3)计及动态电价的粒子群优化算法A、对微电网优化调度模型中的各微电源、负荷参数、目标函数参数以及约束条件参数进行设置，电价通过计算参考计划交换功率曲线和计划交换功率曲线的欧几里得贴近度来实现动态化，即曲线贴近度越高，售电价越高，购电价越低；B、对粒子群算法中的控制参数进行设置，其中包括仿真代数、粒子规模、学习因子和惯性权重等；C、对微电网中的燃气轮机、燃料电池和交换功率进行编码，随机生成初始种群；D、通过解码，将个体代入适应度函数中，对个体进行适应度值评价，选出种群中的最优个体；E、对种群进行位置和速度行进更新，同时在操作过程中采用最优保留政策，生成新的子代种群；F、新生成种群重新计算群体中各个体的适应度值，进入判别条件，满足条件的个体作为最优解输出，不满足条件则返回步骤4)；G、最终输出的最优解即为一天24小时各微电源出力以及交换功率。