主权项 |
1.一种考虑三相潮流的微电网多目标能量优化方法,其特征在于,包括下述步骤:S1:获取微电网系统参数以及接入微电网的分布式电源参数;S2:令r=1;S3:根据所述微电网系统参数和分布式电源参数,在第r个粒子X<sub>r</sub>所在的区间上获得第r个粒子X<sub>r</sub>的初始值,并利用网络重构方法将所生成的表示微电网线路开闭状态的初始值进行进一步筛选,获得第r个粒子X<sub>r</sub>的1×D维的初始值;粒子X<sub>r</sub>为1×D维的向量,<maths num="0001"><![CDATA[<math><mrow><msub><mi>X</mi><mi>r</mi></msub><mo>=</mo><mrow><mo>(</mo><msub><mover><mi>a</mi><mo>‾</mo></mover><mrow><mi>r</mi><mn>1</mn></mrow></msub><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msub><mover><mi>a</mi><mo>‾</mo></mover><msub><mi>rd</mi><mn>1</mn></msub></msub><mo>,</mo><msub><mover><mi>b</mi><mo>‾</mo></mover><mrow><mi>r</mi><mn>1</mn></mrow></msub><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><msub><mover><mi>b</mi><mo>‾</mo></mover><msub><mi>rd</mi><mn>2</mn></msub></msub><mo>,</mo><msub><mover><mi>c</mi><mo>‾</mo></mover><mrow><mi>r</mi><mn>1</mn></mrow></msub><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msub><mover><mi>c</mi><mo>‾</mo></mover><msub><mi>rd</mi><mn>3</mn></msub></msub><mo>)</mo></mrow><mo>,</mo></mrow></math>]]></maths><img file="FDA0000484237360000012.GIF" wi="213" he="74" />表示有功功率输出,<img file="FDA0000484237360000013.GIF" wi="189" he="88" />表示所有PV节点的电压幅值,<img file="FDA0000484237360000014.GIF" wi="212" he="75" />表示微电网所有线路开闭状态,d<sub>1</sub>为分布式电源、储能装置与联络线功率等变量的个数,d<sub>2</sub>为PV节点的个数,d<sub>3</sub>为微电网线路的条数,且d<sub>1</sub>+d<sub>2</sub>+d<sub>3</sub>=D;r表示粒子的序号,r=1,2……R,R为种群规模;S4:根据所获得的第r个粒子X<sub>r</sub>的1×D维的初始值、所述微电网系统参数、粒子适应度函数<img file="FDA0000484237360000015.GIF" wi="310" he="60" />和微电网三相潮流约束获得第r个粒子的粒子适应度值;f<sub>e</sub>为微电网的能量总成本,f<sub>ΔU</sub>为微电网的电压偏差,<img file="FDA0000484237360000016.GIF" wi="72" he="60" />为微电网的网络损耗;S5:令r=r+1,判断r是否大于R,若是,则进入S6,若否,则返回至S4;S6:令k=1,其中,k为迭代次数,K为迭代次数最大值;S7:根据改进惯性权重与改进学习因子,更新粒子X<sub>r</sub>的位置和速度,并根据微电网网络重构方法获取粒子X<sub>r</sub>的所有支路开闭状态;S8:根据所述粒子适应度函数、所述微电网系统参数、粒子X<sub>r</sub>的所有支路开闭状态和微电网三相潮流约束获得第k次迭代过程中更新后粒子的粒子适应度值,并选择粒子适应度值的当前最优值和全局最优值;S9:令k=k+1;S10:判断k是否大于K,若是,则输出粒子适应度值的全局最优值以及与之对应的粒子,若否,则返回至S9。 |