摘要： 本發明涉及一種面向微電網綜合能量管理的分層多目標優化方法，首先是數據采集，而后在模型建立時明確目標函數和約束條件;初始化過后則通過評價得到一個最佳個體，通過排序對較差個體進行不包含負荷數據的同化，加速收斂;而后進行兩次變異，變異采取的是隔離交叉變異，這一過程是負荷調度以及儲能、各電源調度，調度完成后進行種群評價和排序，選出一個代表性負荷調度最佳個體;接著通過負荷調度最佳個體對其他個體僅進行負荷數據同化，而后再進行一次變異交叉，之后再對種群進行評價和排序，挑選一個代表性最佳個體。接著檢查是否完成迭代，若沒有則再循環;若完成，則輸出一個供參考的調度方案。本發明能夠在滿足能量管理各方面需求。技術領域

本發明涉及微電網能量管理技術領域，特別是涉及一種面向微電網綜合能量管理的分層多目標優化方法。

申請人 東華大學

發明人 李征 李利明 陳佳瑜 田星星

背景技術

分布式能源以微電網的形式運行能夠提高其利用率，微電網的建設能夠用于緩解海島和偏遠地區用電問題，并且能夠在電網故障時保障關鍵負荷供電穩定。而通常微電網中有多種電源，通過協調調度能夠提升可再生能源利用率，降低微電網對電網的沖擊，甚至參與電網的調度，緩解電網的壓力。如今微電網的能量管理通常圍繞經濟調度、環境成本或者負荷側資源進行優化，沒有體現電網調度的供需互動思想。針對供需兩側互動的研究較少，部分對供需兩側優化的研究考慮不夠全面，并且未針對供需兩側優化提供一種能夠應對這種復雜調度問題的解決方法，一般算法處理時因搜索空間過大極易陷入局部最優解。

微電網能量管理優化算法多以加權形式的單目標算法和多目標優化算法為主，在面對復雜微電網能量管理優化時因搜索空間過大，收斂速度慢，容易陷入局部最優解。而一般分層多目標算法特點是在上層目標的優化解集上進行下一層目標優化，直到各層目標優化完結束，能夠壓縮搜索空間。但若各層目標存在關聯，則有可能因某層目標雖然達到最優卻影響其他目標，最終無法保證全局尋優能力。

發明內容

本發明所要解決的技術問題是提供一種面向微電網綜合能量管理的分層多目標優化方法，能夠提升微電網運行經濟效益，減小環境污染，提高負荷平滑度，降低并網運行時對電網的沖擊。

本發明解決其技術問題所采用的技術方案是：提供一種面向微電網綜合能量管理的分層多目標優化方法，包括以下步驟：

(1)根據供需兩側建立微電網能量管理優化調度模型，并選擇算法進行求解;

(2)在求解過程中，首先對種群初始化，在初始化過后，對種群先進行評價，通過評價尋找到一個最佳個體;

(3)以最佳個體對表現較差的個體進行不包含負荷的其他可變量進行同化，種群同化后，就開始進行負荷調度，在負荷調度后進行一次種群所有個體的評價，尋找一個代表性的個體為負荷調度最佳個體;

(4)通過負荷調度最佳個體來對種群中的其他個體僅進行負荷同化，其他可變量保持不變，而后開始進行各電源、儲能調度管理，在各電源、儲能調度后，通過負載和微電網內電源輸出總功率差值確定電網與微電網之間的功率交換值;

(5)對種群所有個體進行評價，得到各子目標的優化值，對于越界情況則采取懲罰措施降低其評價適應度，得到評價后對所有個體進行Pareto非支配排序，對統一支配等級的個體進行空間分布均勻度的排序，尋找代表性的最佳個體;判斷是否完成迭代，若未完成則返回到步驟(3)。

所述步驟(1)中根據可再生能源的預測數據，負荷的預測數據，市場收集的燃料價格，電網購電、售電價格，微電網組成設備的成本、運行損耗、運行維護信息，各電源容量、運行特性以及運行過程中造成的環境治理成本信息，微電網運行的各方面需求建立微電網能量管理優化調度模型，在確定模型后就需要根據設計的模型來選擇適應的算法。本模型是以分層多目標模型為基礎建立的，其基本模型如下：

其中，F為微電網運行中經濟效益和環境成本優化目標，H為負荷調度過程中負荷平滑度以及負荷峰值目標，fi為第i個微電網運行中經濟效益和環境成本優化子目標，hi為第i個負荷調度過程中負荷平滑度以及負荷峰值子目標，X為變量因素，Ω是可行解空間，G則代表等式約束條件，L則代表不等式約束條件。

步驟(1)所述的模型是具有兩個分層目標的，其中負荷管理層中有負荷平滑度指標和負荷曲線峰值指標;而各電源、儲能和電網調度這一層則包括經濟效益指標和環境成本指標。在各電源、儲能調度這一層因負荷調度已完成則不需考慮負荷曲線平滑度指標和負荷曲線峰值指標，而負荷調度層則以負荷調度指標為主。

步驟(1)中涉及的電費成本需要考慮不同的電價計費策略。

步驟(1)所述的模型求解算法是多種的，應對不同的模型選擇相應的算法，有如光儲微電網、風光儲微電網以及包含各類不同分布式電源的微電網，并且不同的模型的需求可能也不會一樣。

所述步驟(2)在算法流程中，首先是對種群初始化，一般而言通過混沌理論初始化對簡單系統能夠提高算法效率。在初始化過后，應該要對種群先進行評價，通過評價尋找到一個最佳個體，最佳個體的評價方法直接用簡單相加即可，只需要具有一定的代表性。其中，所提的混沌理論初始化對可變量較少的模型則比較適應，而應對可變量較多的模型則不太合適。

所述步驟(3)以最佳個體對表現較差的個體進行不包含負荷的其他可變量進行同化，種群同化后，就開始進行負荷調度，也就是負荷側的管理，這一步主要是希望能夠盡可能的降低負荷曲線的沖擊性，提高負荷曲線的平滑度，同時降低負荷曲線的峰值，可以提高電網設備的利用效率。在負荷調度后進行一次種群所有個體的評價，再次通過對負荷調度所影響的各子目標簡單相加尋找一個代表性的個體為負荷調度最佳個體。

所述步驟(3)中的種群同化是通過最佳個體將Pareto非支配排序后，將最佳的前端保留，而對較差的個體強行同化。

所述步驟(4)是通過負荷調度最佳個體來對種群中的其他個體僅進行負荷同化，其他可變量保持不變，而后開始進行各電源、儲能調度管理。到這一步種群中每個個體的負荷曲線一致，因此無需考慮負荷管理所帶來的子目標變化。因電池在運行過程中是SOC(State of Charge)是動態變化的，因此其約束也是動態的，在各電源、儲能調度后，通過負載和微電網內電源輸出總功率差值確定電網與微電網之間的功率交換值。

所述步驟(4)中儲能是動態變化的，其基于微電網動態運行考慮，針對不同的儲能需要針對其不同充放電倍率考慮其約束條件。

所述步驟(3)和步驟(4)所述的負荷調度和各電源、儲能調度屬于算法的變異交叉過程。所述的變異過程是一種混合變異。這種變異過程將種群分割為兩個獨立的小種群，在變異過程中為了保證種群的多樣性，總保留固定比例的個體參加隨機變異，不受另一個小種群的干擾;而另一個小種群則采取一種犧牲種群多樣性但提升算法搜索能力的變異策略，并且變異個體部分來源于另一個小種群，是一種交叉性質的變異。

所述步驟(5)中的對所有個體進行Pareto非支配排序是以Pareto理論為基礎進行的多目標非支配排序，而針對在同一支配層的個體為了保持種群的空間均勻分布，則運用空間分布思想來進行進一步排序。

步驟(2)、步驟(3)和步驟(5)所述的最佳個體只需要在當代種群中具有代表性的個體即可，因為在多目標的情況下基于Pareto的非支配排序有時難以確定一個最佳個體，因此只需要通過各子目標相加選擇一個代表性的即可。

有益效果

由于采用了上述的技術方案，本發明與現有技術相比，具有以下的優點和積極效果：由于采用了上述的技術方案，本發明與現有技術相比，具有以下的優點和積極效果：本發明對供需兩側進行互動優化，針對供需兩側優化復雜問題提供了一種有效優化算法，能夠在滿足能量管理各方面需求的同時對算法流程進行改進。通過對負荷資源和各電源、儲能資源分層調度，能夠同時兼顧負荷曲線多方指標以及微電網運行經濟性和環境指標，實現供需互動。結合分層調度思想對算法流程進行改進，讓優化算法解決多層目標關聯的優化問題，能夠適應供需兩側同時優化的需求，滿足微電網能量管理多方面需求。并且引入的同化過程能夠提升算法的收斂速度，而隔離交叉變異能夠提升算法的全局搜索能力。

發明專利要點簡析：

1 .一種面向微電網綜合能量管理的分層多目標優化方法，其特征在于，包括以下步驟：

(1)根據供需兩側建立微電網能量管理優化調度模型，并選擇算法進行求解;

(2)在求解過程中，首先對種群初始化，在初始化過后，對種群先進行評價，通過評價尋找到一個最佳個體;

(3)以最佳個體對表現較差的個體進行不包含負荷的其他可變量進行同化，種群同化后，就開始進行負荷調度，在負荷調度后進行一次種群所有個體的評價，尋找一個代表性的個體為負荷調度最佳個體;

(4)通過負荷調度最佳個體來對種群中的其他個體僅進行負荷同化，其他可變量保持不變，而后開始進行各電源、儲能調度管理，在各電源、儲能調度后，通過負載和微電網內電源輸出總功率差值確定電網與微電網之間的功率交換值;

(5)對種群所有個體進行評價，得到各子目標的優化值，對于越界情況則采取懲罰措施降低其評價適應度，得到評價后對所有個體進行Pareto非支配排序，對統一支配等級的個體進行空間分布均勻度的排序，尋找代表性的最佳個體;判斷是否完成迭代，若未完成則返回到步驟(3)。

2.根據權利要求1所述的面向微電網綜合能量管理的分層多目標優化方法，其特征在于，所述調度模型為：

其中，F為微電網運行中經濟效益和環境成本優化目標，H為負荷調度過程中負荷平滑度以及負荷峰值目標，fi為第i個微電網運行中經濟效益和環境成本優化子目標，hi為第i個負荷調度過程中負荷平滑度以及負荷峰值子目標，X為變量因素，Ω是可行解空間，G則代表等式約束條件，L則代表不等式約束條件。

3.根據權利要求1所述的面向微電網綜合能量管理的分層多目標優化方法，其特征在于，所述步驟(3)中的種群同化是通過最佳個體將Pareto非支配排序后，將最佳的前端保留，而對較差的個體強行同化。

4.根據權利要求1所述的面向微電網綜合能量管理的分層多目標優化方法，其特征在于，所述步驟(3)和步驟(4)中的負荷調度和各電源、儲能調度均屬于算法的變異交叉過程。

5.根據權利要求4所述的面向微電網綜合能量管理的分層多目標優化方法，其特征在于，所述的變異過程是一種混合性的變異，將種群分割為兩個獨立的小種群，在變異過程中為了保證種群的多樣性，總保留固定比例的個體參加隨機變異，不受另一個小種群的干擾;

而另一個小種群則采取一種犧牲種群多樣性但提升算法搜索能力的變異策略，并且變異個體部分來源于另一個小種群，是一種交叉性質的變異。

6.根據權利要求1所述的面向微電網綜合能量管理的分層多目標優化方法，其特征在于，所述步驟(4)中儲能是動態變化的，其基于微電網動態運行考慮，針對不同的儲能需要針對其不同充放電倍率考慮其約束條件。

7 .根據權利要求1所述的面向微電網綜合能量管理的分層多目標優化方法，其特征在于，所述步驟(5)中的對所有個體進行Pareto非支配排序是以Pareto理論為基礎進行的目標非支配排序，而針對在同一支配層的個體為了保持種群的空間均勻分布，則運用空間分布思想來進行進一步排序。