本發(fā)明涉及微電網(wǎng)容量配置，尤其涉及一種微電網(wǎng)容量配置優(yōu)化方法及系統(tǒng)。

背景技術(shù)：

1、微電網(wǎng)作為一種能夠集成多種分布式能源并靈活實現(xiàn)孤島和并網(wǎng)運行的小型能源系統(tǒng)，在能源結(jié)構(gòu)轉(zhuǎn)型中起到了至關(guān)重要的作用。隨著可再生能源（如風(fēng)能和光伏）的普及，如何將這類能源高效地接入微電網(wǎng)并保持穩(wěn)定運行是目前的研究重點。然而，由于風(fēng)能和光伏發(fā)電的隨機性和間歇性，微電網(wǎng)的運行存在很大挑戰(zhàn)。當(dāng)前，容量配置主要通過兩類優(yōu)化算法實現(xiàn)：傳統(tǒng)優(yōu)化方法和智能優(yōu)化算法。

2、傳統(tǒng)優(yōu)化算法如線性規(guī)劃和動態(tài)規(guī)劃是最早被廣泛應(yīng)用的方法。這些算法在處理規(guī)模較小的微電網(wǎng)系統(tǒng)時表現(xiàn)良好，能夠提供較為精確的解，然而，當(dāng)面臨規(guī)模較大、結(jié)構(gòu)復(fù)雜的微電網(wǎng)時，傳統(tǒng)優(yōu)化算法的計算效率和求解精度往往無法滿足要求。而在微電網(wǎng)容量配置的技術(shù)方案中，通常將微電網(wǎng)系統(tǒng)的經(jīng)濟性、可靠性和可再生能源利用率通過加權(quán)轉(zhuǎn)為單一目標(biāo)函數(shù)，智能優(yōu)化算法在求解單一目標(biāo)函數(shù)時，智能優(yōu)化算法能夠利用全局搜索機制，通過個體之間的信息共享，能夠快速定位到最優(yōu)解的區(qū)域。而粒子群算法相比于其他智能優(yōu)化算法，粒子群算法通過群體中粒子的合作與競爭，能夠有效地探索解空間，避免局部最優(yōu)，提升全局搜索能力，并且粒子群算法的并行計算能力使其在處理如配電網(wǎng)容量配置優(yōu)化這種大規(guī)模問題時表現(xiàn)優(yōu)越，能夠顯著縮短求解時間。因此，粒子群算法在微電網(wǎng)容量配置中的應(yīng)用能夠提供高效、可靠的解決方案，為優(yōu)化微電網(wǎng)的運行和管理提供了強有力的支持。

3、然而，集成單一目標(biāo)函數(shù)的配電網(wǎng)容量配置優(yōu)化模型往往忽略了不同模塊的特性和需求，導(dǎo)致在系統(tǒng)整體優(yōu)化時缺乏靈活性，當(dāng)某一模塊的需求變化時，調(diào)整整體目標(biāo)函數(shù)可能會導(dǎo)致其他模塊的性能下降，難以適應(yīng)快速變化的環(huán)境。然而當(dāng)轉(zhuǎn)換為多個目標(biāo)函數(shù)時，粒子群算法需要有效地平衡不同目標(biāo)之間的關(guān)系，多個目標(biāo)函數(shù)的引入使得優(yōu)化問題的復(fù)雜性顯著增加，使得探索（發(fā)現(xiàn)新解）與利用（優(yōu)化已有解）之間的平衡更難以實現(xiàn)，而粒子群算法在處理多目標(biāo)優(yōu)化時，粒子間的信息共享可能導(dǎo)致在目標(biāo)空間中的搜索不夠全面，從而更容易陷入局部最優(yōu)解，使得微電網(wǎng)容量配置策略不夠理想。這是因為在尋找不同目標(biāo)的最佳平衡時，粒子可能會過度依賴已有的較好解，從而忽視潛在的更優(yōu)解。此外，多個目標(biāo)之間的權(quán)衡需要更多的計算資源和時間，這也增加了算法的復(fù)雜性。此外，現(xiàn)有的微電網(wǎng)容量配置優(yōu)化模型忽略了風(fēng)光電調(diào)頻收益，而是更傾向于追求發(fā)電功率的穩(wěn)定輸出。無法靈活調(diào)整風(fēng)光發(fā)電的調(diào)頻能力來應(yīng)對電網(wǎng)的頻率波動，會導(dǎo)致系統(tǒng)的穩(wěn)定性和靈活性不足，并且會導(dǎo)致對可再生能源的利用不夠高效，從而增加棄風(fēng)棄光現(xiàn)象，造成能源浪費，進(jìn)而導(dǎo)致容量配置方案無法實現(xiàn)收益最大化，從而降低系統(tǒng)的整體經(jīng)濟性。

技術(shù)實現(xiàn)思路

1、為此，本發(fā)明所要解決的技術(shù)問題在于克服現(xiàn)有的智能優(yōu)化算法在面對多個目標(biāo)函數(shù)時，容易陷入局部最優(yōu)解、導(dǎo)致容量配置最優(yōu)解的精度不足，且現(xiàn)有的容量配置優(yōu)化方法忽視了風(fēng)光電調(diào)頻收益，進(jìn)而造成容量配置方案無法實現(xiàn)收益最大化的缺陷。

2、為解決上述技術(shù)問題，本發(fā)明提供了一種微電網(wǎng)容量配置優(yōu)化方法，包括以下步驟：

3、獲取待優(yōu)化區(qū)域的風(fēng)光儲微電網(wǎng)中各個主體的功率模型、風(fēng)能發(fā)電單元與光伏發(fā)電單元的agc調(diào)頻收益模型，以風(fēng)光儲微電網(wǎng)中所有主體的總成本最小化為目標(biāo)構(gòu)建總成本目標(biāo)函數(shù)，以棄風(fēng)棄光的懲罰費用最小化為目標(biāo)構(gòu)建棄風(fēng)棄光目標(biāo)函數(shù)，以acg風(fēng)光調(diào)頻收益最大化為目標(biāo)構(gòu)建acg風(fēng)光調(diào)頻目標(biāo)函數(shù)，設(shè)置功率平衡約束、棄風(fēng)棄光約束為約束條件，建立微電網(wǎng)容量非合作博弈模型；其中，風(fēng)光儲微電網(wǎng)的主體包括風(fēng)能發(fā)電單元、光伏發(fā)電單元和儲能系統(tǒng)；

4、獲取待優(yōu)化時段各參數(shù)數(shù)據(jù)，并將其輸入微電網(wǎng)容量非合作博弈模型，采用改進(jìn)的粒子群算法對微電網(wǎng)容量非合作博弈模型進(jìn)行求解，解得容量目標(biāo)配置結(jié)果。

5、優(yōu)選地，所述獲取待優(yōu)化區(qū)域的風(fēng)光儲微電網(wǎng)中各個主體的功率模型、風(fēng)能發(fā)電單元與光伏發(fā)電單元的agc調(diào)頻收益模型，包括：

6、風(fēng)能發(fā)電單元的風(fēng)力發(fā)電功率模型為：

7、，

8、其中，為時段的風(fēng)力發(fā)電功率，為風(fēng)能發(fā)電單元的額定功率，為風(fēng)能發(fā)電單元的切入風(fēng)速，為風(fēng)能發(fā)電單元的額定風(fēng)速，為風(fēng)能發(fā)電單元的切出風(fēng)速，為風(fēng)能發(fā)電單元在時段的風(fēng)速；

9、光伏發(fā)電單元的光伏發(fā)電功率模型為：

10、，

11、其中，為時段的光伏發(fā)電功率，為光伏組件的額定功率，為溫度系數(shù)，為時段的溫度，為光伏組件的額定溫度；

12、儲能系統(tǒng)的儲能系統(tǒng)功率模型為：

13、，

14、，

15、其中，為時段的儲能系統(tǒng)輸出功率，為儲能系統(tǒng)的充電功率，表示儲能系統(tǒng)的放電功率，為時段中微電網(wǎng)的凈功率，為時段的風(fēng)力發(fā)電功率，為時段的光伏發(fā)電功率，為時段微電網(wǎng)的負(fù)荷；

16、風(fēng)能發(fā)電單元的agc調(diào)頻收益模型為：

17、，

18、其中，為時段的風(fēng)電調(diào)頻收益，為單位時間的風(fēng)電調(diào)頻收益，為風(fēng)電調(diào)頻的調(diào)節(jié)系數(shù)，為時段風(fēng)電調(diào)頻的總次數(shù)，為時段內(nèi)第次風(fēng)電調(diào)頻的調(diào)節(jié)深度；

19、光伏發(fā)電單元的agc調(diào)頻收益模型為：

20、，

21、其中，為時段的光電調(diào)頻收益，為單位時間的光電調(diào)頻收益，為光電調(diào)頻的調(diào)節(jié)系數(shù)，為時段光電調(diào)頻的總次數(shù)，為時段內(nèi)第次光電調(diào)頻的調(diào)節(jié)深度。

22、優(yōu)選地，微電網(wǎng)容量非合作博弈模型為：

23、，

24、，

25、，

26、功率平衡約束：

27、，

28、棄風(fēng)棄光約束：

29、，

30、其中，為總成本目標(biāo)函數(shù)，為棄風(fēng)棄光目標(biāo)函數(shù)，為acg風(fēng)光調(diào)頻目標(biāo)函數(shù)，為時段第個主體的購電成本，為時段第個主體的運維成本，為時段第個主體的儲能系統(tǒng)成本，為時段的棄風(fēng)棄光受到的懲罰費用，為時段所有主體因棄風(fēng)棄光產(chǎn)生的懲罰費用，表示時間間隔，為總時長，為棄風(fēng)棄光的懲罰因子，為時段的光電調(diào)頻收益，為時段的風(fēng)電調(diào)頻收益，為時段的電網(wǎng)購電功率，為時段的風(fēng)力發(fā)電功率，為時段的光伏發(fā)電功率，為時段的儲能系統(tǒng)輸出功率，為時段微電網(wǎng)的負(fù)荷，為時段風(fēng)能棄用的功率，為時段光伏棄用的功率，為風(fēng)力發(fā)電的最大功率，為光伏發(fā)電的最大功率。

31、優(yōu)選地，所述采用改進(jìn)的粒子群算法對微電網(wǎng)容量非合作博弈模型進(jìn)行求解，解得容量目標(biāo)配置結(jié)果，包括：

32、步驟s21：設(shè)定粒子群規(guī)模、粒子維度、最大迭代次數(shù)、初始權(quán)重、結(jié)束權(quán)重、個體學(xué)習(xí)因子、群體學(xué)習(xí)因子、外部存檔規(guī)模；初始化，采用sobol序列生成每個粒子的初始位置，將每個粒子的初始位置通過均值偏移聚類算法進(jìn)行更新，得到每個粒子更新后的初始位置；隨機生成每個粒子的初始速度，其中，表示當(dāng)前迭代次數(shù)，每個粒子的更新后的初始位置代表一個容量目標(biāo)配置結(jié)果；

33、步驟s22：將各個粒子每次迭代后的位置進(jìn)行外部存檔，若外部存檔中存儲的粒子位置超過外部存檔規(guī)模，則基于各個粒子位置對應(yīng)的目標(biāo)函數(shù)值，對外部存檔中粒子位置進(jìn)行刪減；

34、步驟s23：利用快速分層策略在外部存檔中選擇一個粒子位置作為當(dāng)前迭代的全局最佳位置；

35、步驟s24：基于每個粒子的各個歷史迭代位置對應(yīng)的目標(biāo)函數(shù)值，獲取每個粒子的各個歷史迭代位置中的帕累托最優(yōu)解，作為每個粒子當(dāng)前迭代的個體學(xué)習(xí)位置；

36、步驟s25：基于初始權(quán)重、結(jié)束權(quán)重、當(dāng)前迭代次數(shù)及最大迭代次數(shù)，計算當(dāng)前迭代的速度慣性權(quán)重；基于個體學(xué)習(xí)因子、群體學(xué)習(xí)因子、當(dāng)前迭代次數(shù)、當(dāng)前迭代的速度慣性權(quán)重、當(dāng)前迭代的全局最佳位置與每個粒子當(dāng)前迭代的個體學(xué)習(xí)位置，對每個粒子的速度進(jìn)行更新；

37、步驟s26：基于每個粒子當(dāng)前迭代位置對應(yīng)的目標(biāo)函數(shù)值、當(dāng)前迭代的全局最佳位置，計算每個粒子當(dāng)前迭代的位置慣性權(quán)重；基于個體學(xué)習(xí)因子、群體學(xué)習(xí)因子、每個粒子當(dāng)前迭代的位置慣性權(quán)重、當(dāng)前迭代次數(shù)、當(dāng)前迭代的全局最佳位置與每個粒子當(dāng)前迭代的個體學(xué)習(xí)位置，對每個粒子的位置進(jìn)行更新，更新；

38、步驟s27：判斷當(dāng)前迭代次數(shù)是否達(dá)到最大迭代次數(shù)，若是，則輸出當(dāng)前迭代的全局最佳位置，作為容量目標(biāo)配置結(jié)果，否則重復(fù)步驟s22-s27。

39、優(yōu)選地，所述采用sobol序列生成每個粒子的初始位置，將每個粒子的初始位置通過均值偏移聚類算法進(jìn)行更新，得到每個粒子更新后的初始位置，包括：

40、采用sobol序列生成q個sobol序列樣本點，每個sobol序列樣本點代表一個粒子的初始位置，其中，q為粒子群規(guī)模；

41、將每個sobol序列樣本點通過均值偏移聚類算法計算其均值偏移值；

42、基于每個sobol序列樣本點的均值偏移值，對每個sobol序列樣本點進(jìn)行更新，得到每個粒子更新后的初始位置。

43、優(yōu)選地，所述基于初始權(quán)重、結(jié)束權(quán)重、當(dāng)前迭代次數(shù)及最大迭代次數(shù)，計算當(dāng)前迭代的速度慣性權(quán)重，計算公式為：

44、，

45、其中，為第次迭代的速度慣性權(quán)重，為結(jié)束權(quán)重，為初始權(quán)重，為最大迭代次數(shù)。

46、優(yōu)選地，所述基于個體學(xué)習(xí)因子、群體學(xué)習(xí)因子、當(dāng)前迭代次數(shù)、當(dāng)前迭代的速度慣性權(quán)重、當(dāng)前迭代的全局最佳位置與每個粒子當(dāng)前迭代的個體學(xué)習(xí)位置，對每個粒子的速度進(jìn)行更新，公式為：

47、，

48、其中，為第次迭代的第個粒子的速度，為第次迭代的第個粒子的速度，為第次迭代的第個粒子的位置，為第次迭代的速度慣性權(quán)重，為個體學(xué)習(xí)因子，為群體學(xué)習(xí)因子，為當(dāng)前迭代次數(shù)，為最大迭代次數(shù)，為第次迭代的第個粒子的個體學(xué)習(xí)位置，為第次迭代的全局最佳位置，為區(qū)間[0，1]上的隨機數(shù)。

49、優(yōu)選地，所述基于每個粒子當(dāng)前迭代位置對應(yīng)的目標(biāo)函數(shù)值、當(dāng)前迭代的全局最佳位置，計算每個粒子當(dāng)前迭代的位置慣性權(quán)重，計算公式為：

50、，

51、其中，為第次迭代的第個粒子的位置慣性權(quán)重，為范圍到[0，1]以內(nèi)的權(quán)重分配因子，為第次迭代中第個粒子的目標(biāo)適應(yīng)度，，為第個粒子第次迭代位置對應(yīng)的總成本目標(biāo)函數(shù)值，為第個粒子第次迭代位置對應(yīng)的棄風(fēng)棄光目標(biāo)函數(shù)值，為第個粒子第次迭代位置對應(yīng)的acg風(fēng)光調(diào)頻目標(biāo)函數(shù)值，為設(shè)定正數(shù)，為所有粒子在第次迭代中的最高目標(biāo)適應(yīng)度，為第次迭代的全局最佳位置對應(yīng)的目標(biāo)適應(yīng)度。

52、優(yōu)選地，所述基于個體學(xué)習(xí)因子、群體學(xué)習(xí)因子、每個粒子當(dāng)前迭代的位置慣性權(quán)重、當(dāng)前迭代次數(shù)、當(dāng)前迭代的全局最佳位置與每個粒子當(dāng)前迭代的個體學(xué)習(xí)位置，對每個粒子的位置進(jìn)行更新，公式為：

53、 ，

54、其中，為第次迭代的第個粒子的位置，為第次迭代的第個粒子的位置，為第次迭代的第個粒子的速度，為第次迭代的第個粒子的位置慣性權(quán)重。

55、本發(fā)明還提供了一種微電網(wǎng)容量配置優(yōu)化系統(tǒng)，包括：

56、模型構(gòu)建模塊，用于獲取待優(yōu)化區(qū)域的風(fēng)光儲微電網(wǎng)中各個主體的功率模型、風(fēng)能發(fā)電單元與光伏發(fā)電單元的agc調(diào)頻收益模型，以風(fēng)光儲微電網(wǎng)中所有主體的總成本最小化為目標(biāo)構(gòu)建總成本目標(biāo)函數(shù)，以棄風(fēng)棄光的懲罰費用最小化為目標(biāo)構(gòu)建棄風(fēng)棄光目標(biāo)函數(shù)，以acg風(fēng)光調(diào)頻收益最大化為目標(biāo)構(gòu)建acg風(fēng)光調(diào)頻目標(biāo)函數(shù)，設(shè)置功率平衡約束、棄風(fēng)棄光約束為約束條件，建立微電網(wǎng)容量非合作博弈模型；其中，風(fēng)光儲微電網(wǎng)的主體包括風(fēng)能發(fā)電單元、光伏發(fā)電單元和儲能系統(tǒng)；

57、求解模塊，用于獲取待優(yōu)化時段各參數(shù)數(shù)據(jù)，并將其輸入微電網(wǎng)容量非合作博弈模型，采用改進(jìn)的粒子群算法對微電網(wǎng)容量非合作博弈模型進(jìn)行求解，解得容量目標(biāo)配置結(jié)果。

58、本發(fā)明所述的一種微電網(wǎng)容量配置優(yōu)化方法，通過獲取風(fēng)光儲微電網(wǎng)中各個主體的功率模型、風(fēng)能發(fā)電單元與光伏發(fā)電單元的agc調(diào)頻收益模型，以風(fēng)光儲微電網(wǎng)中所有主體的總成本最小化為目標(biāo)構(gòu)建總成本目標(biāo)函數(shù)，以棄風(fēng)棄光的懲罰費用最小化為目標(biāo)構(gòu)建棄風(fēng)棄光目標(biāo)函數(shù)，以acg風(fēng)光調(diào)頻收益最大化為目標(biāo)構(gòu)建acg風(fēng)光調(diào)頻目標(biāo)函數(shù)，建立微電網(wǎng)容量非合作博弈模型；能夠使微電網(wǎng)中的多個獨立主體（如風(fēng)電、光伏和儲能單元）各自追求自身利益最大化，棄風(fēng)棄光的懲罰費用最小化，acg風(fēng)光調(diào)頻收益最大化，構(gòu)成了非合作博弈環(huán)境，在系統(tǒng)達(dá)到納什均衡的過程中，不同發(fā)電單元能夠協(xié)調(diào)工作，從而實現(xiàn)全局最優(yōu)的功率輸出和容量配置，提高了整個系統(tǒng)的經(jīng)濟效益和運行穩(wěn)定性；設(shè)置功率平衡約束、棄風(fēng)棄光約束，作為微電網(wǎng)容量非合作博弈模型的約束條件，功率平衡約束能夠確保微電網(wǎng)的供需平衡，避免電力過?；虿蛔?，保證系統(tǒng)的安全和穩(wěn)定運行，棄風(fēng)棄光約束可以促進(jìn)可再生能源的有效利用，減少因資源浪費而帶來的經(jīng)濟損失，提升整體系統(tǒng)的經(jīng)濟性和環(huán)保效益，保證了配電網(wǎng)的運行效率。

59、此外，基于微電網(wǎng)容量非合作博弈模型及其約束條件，采用改進(jìn)的粒子群算法對微電網(wǎng)容量非合作博弈模型進(jìn)行求解，解得容量目標(biāo)配置結(jié)果；現(xiàn)有的粒子群算法的位置初始化方法常采用隨機初始化或sobol序列生成初始粒子位置，雖然sobol序列相比隨機方法具有更好的均勻分布性，然而sobol序列生成的點雖均勻覆蓋空間，但并未考慮數(shù)據(jù)空間的高密度區(qū)域，導(dǎo)致粒子初始位置無法有效集中在問題解空間的最優(yōu)區(qū)域附近，因此，僅使用sobol序列初始化可能會導(dǎo)致算法在復(fù)雜、多峰的優(yōu)化問題中收斂緩慢，并可能陷入局部最優(yōu)，最終得到的微電網(wǎng)容量配置方案在經(jīng)濟性和穩(wěn)定性方面難以達(dá)到最優(yōu)。因此本發(fā)明提出改進(jìn)的粒子群算法使用sobol序列生成初始粒子位置，以確保在高維空間中均勻分布，避免初始點集中在有限區(qū)域；通過均值偏移聚類進(jìn)一步處理這些點，使粒子集中在高密度區(qū)域，提升初始位置的有效性。這樣，均值偏移聚類能將粒子引導(dǎo)至更優(yōu)的解空間附近，從而加快收斂速度，提升配置方案的整體優(yōu)化效果。并且現(xiàn)有的粒子群算法中權(quán)重選取方法通常采用固定或簡單的線性遞減方式，這種方法在初始階段使用較大的權(quán)重，以增強全局搜索能力，而在迭代后期逐漸減小權(quán)重，增加局部搜索的精細(xì)度，然而在復(fù)雜的多目標(biāo)優(yōu)化問題中，僅使用這種方法，難以精確掌控全局與局部搜索的平衡，容易導(dǎo)致算法陷入局部最優(yōu)或收斂速度不佳，使得最終得到的微電網(wǎng)容量配置方案無法達(dá)到全局最優(yōu)，因此本發(fā)明在每次迭代時通過全局最佳位置對應(yīng)的目標(biāo)適應(yīng)度及所有粒子的最高目標(biāo)適應(yīng)度，動態(tài)調(diào)整位置慣性權(quán)重與速度慣性權(quán)重，通過每次迭代對應(yīng)的位置慣性權(quán)重、速度慣性權(quán)重，對每個粒子當(dāng)前迭代的位置與速度進(jìn)行更新，這種自適應(yīng)調(diào)整方法可以在不同迭代階段靈活分配全局與局部搜索能力，避免過早陷入局部最優(yōu)，并提高收斂速度，從而提升微電網(wǎng)容量配置方案的解的精度。