《细菌算法资料.doc》由会员分享,可在线阅读,更多相关《细菌算法资料.doc(54页珍藏版)》请在金锄头文库上搜索。
1、 资料 采用改进细菌觅食算法的风/光/储混合微电网电源优化配置微电网在提高终端用户多样化的供电可靠性、电能质量等方面具有重要作用。随着微电网控制技术的持续发展和可再生能源发电成本的不断降低,微电网可以表现为一个孤岛独立运行的有源自治电力系统实现节能减排。微电网也是解决现代新农村电气化的经济供电方式,避免了远距离输电带来的电能损耗和建设费用,也可以应用于边远军事哨所、岛屿供电、高海拔独立电网等特殊场合,是对传统供电形式的有利补充。在微电网规划中,合理的电源选型和定容是一个重要和复杂的问题:(1)经济性 (2)环保性 (3)响应特性(4)系统性 1.风电机组的输出功率与风速之间的近似关系可用如下分
2、段函数表示: 2.光伏列阵实际输出功率可由标准额定条件下的输出功率、光照强度、环境温度得: 3. 储能装置模型,蓄电池实际可用容量Ebat 是电池温度的函数: 4微电网电源优化配置模型目标函数: 5.其他公式: 6. 改进的细菌觅食算法求得最优解的流程 传统多目标优化方法和多目标遗传算法的比较综述 多目标最优化是一门迅速发展起来的学科,是最优化的一个重要分支,它主要研究在某种意义下多个数值目标的同时最优化问题,吸引了不少学者的关注。在现实生活中,人类改造自然的方案规划与设计过程在总体上都反映了“最大化效益,最小化成本”这一基本优化原则,在合作对策问题中如何求解最优策略以获得共赢目标,在非合作对
3、策问题中如何使自己的利益实现最大化,使对方的受益最小化,以及控制工程中的稳、准、快等时域指标与稳定域度、系统带宽等频域特性的综合问题等,实际上都是多目标的优化问题,因此多目标优化问题在现实世界中随处可见。 1. 多目标优化模型: 2传统的优化算法: (1) 加权求和法 (2) 约束法 (3)最小-最大法3.多目标遗传算法: 遗传算法 GA(Genetic Algorithm)是受生物学进化学说和遗传学理论的启发而发展起来的,是一类模拟自然生物进化过程与机制求解问题的自组织与自适应的人工智能技术,是一种借鉴生物界自然选择和自然遗传机制的随机的搜索算法,由Holland教授于 1975 年提出。G
4、oldberg总结了一种统一的最基本的遗传算法,称为基本遗传算法(Simple Genetic Algorithms,SGA)。只使用基本的遗传算子:选择算子、交叉算子和变异算子。其遗传进化过程简单,容易理解,是其他遗传算法的雏形和基础。 常用的几种多目标遗传算法:(1)并列选择法 (2)非劣分层遗传算法(NSGA)(3)基于目标加权法的遗传算法 (4)多目标粒子群算法(MOPSO) (5)微遗传算法(Micro-Genetic Algorithm,Micro-GA)4. 多目标粒子群算法(MOPSO) 粒子群优化算法(Particle Swarm Optimization,PSO) 是一种进
5、化计算技术,由美国学者 Eberhart和 kennedy 于 1995 年提出,但直到 2002 年它才被逐渐用到多目标优化问题中。PSO 初始化为一随机粒子种群,然后随着迭代演化逐步找到最优解。在每次迭代中,粒子通过跟踪两个“极值”来更新自己,一个是粒子本身所找到的个体极值 pBest,另一个是该粒子所属邻居范围内所有粒子找出的全局极值 qBest。MOPSO 与求解单目标的 PSO 相比,唯一的区别就是不能直接确定全局极值 qBest,按照 pareto 支配关系从该粒子的当前位置和历史最优位置中选取较优者作为当前个体极值,若无支配关系,则从两者中随机选取一个。 含分布式电源的配电系统规
6、划分布式发电( distr ibuted g eneratio n, DG ) 指的是为了满足一些特殊用户的需求, 支持已有的配电网的经济运行而设计和安装的在用户处或其附近的小型发电机( 一般小于 30 M W) , 或坐落在用户附近使得负荷的供电可靠性及电能质量都得到增强, 或者由于就地应用热电联产使得效率得到提高的发电形式 1 。目前开发的分布式电源在减轻环境的污染, 降低终端用户的费用等方面具有一定的优势, 同时又具有高效性和灵活性的特点以及满足能源可持续发展的要求。因此随着 DG 的技术性能不断改善, 成本进一步降低, 其在电力系统中所占的比重逐步增长。D G 与常规电力系统并网运行的
7、趋势越来越明显, DG 并网后对电力系统运行、控制、保护等各方面会产生一定影响。为了使 DG 可以在避免降低公共电网系统的电能质量、可靠性以及可控性的方式下运行, 必须对 DG 在电网中的存在进行规划。当 DG 与大电网并联时, 大规模的 DG( 通常为几十 M W) 一般与较高 电 压 等 级 的 电 网 ( 一 级 配 电 电 压) 相 联, 如35 kV 、110 kV 甚至更高。非常分散的居民、商业和工业用 DG 一般与当地配电电压 级电网相联, 如35 kV 、10 kV 和 380/ 220V 。可以看出大部分的D G 直接运行在配电网中, 因此就有必要重点研究一下目前配网规划以及
8、 DG 对配网规划所产生的影响。DG 的存在使得配网规划不再只是单纯的、传统的电力系统规划, 它使得电力系统规划与国家能源政策、可持续发展之间的联系更加紧密。本文分析了 DG 对配电系统规划的影响, 重点讨论了包含 DG 的配电网规划的两个方面, 即 DG 的布点规划和配电网扩展规划问题, 它们都必须在考虑各种政策、技术、经济约束后, 确定安装 DG 的最优方案并使方案的总成本最小。基于改进粒子群算法对混合微网电源容量的优化1. 混合微电网模型: 2. 风机功率模型: 3.太阳能电池组功率模型: 基于粒子群算法的微电网分布式电源优化规划3. 模型优化示意图 基于自适应变异粒子群算法的分布式电源
9、选址与容量确定1分布式电源选址与容量确定摘要: 在不考虑负荷新增节点的情况下进行分布式发电的布点规划,建立了以配电网年运行费用最小为目标的经济模型。 模型中针对分布式电源运行费用引入固定安装费用权重因子,更准确地刻画了分布式电源接入后配电网费用的变化。同时,为克服粒子群算法存在的早熟问题,采用自适应变异的粒子群算法 (adaptive mutation particle swarmoptimization algorithm, AMPSO)对配电网中的DG选址和定容进行了优化。 通过对IEEE 33节点配电网测试系统进行分析,验证了上述模型的准确性和求解算法的有效性。关键词:分布式发电;选址和
10、定容;配电网规划;粒子群算法分布式发电(distributed generation,DG)是为了满足一些特殊用户的需求,支持已有配电网经济运行而设计和安装的在用户处或其附近的小型发电机组(容量一般小于 30MW),或坐落在用户附近使负荷供电可靠性及电能质量都得到增强的发电形式1。当大量 DG 接入配电网时,配电网由一个辐射状网络结构变为一个遍布电源与用户互联的系统,这会影响电力系统的正常运行2-7,其影响程度与 DG位置和容量密切相关,因此有必要对接入配电网的 DG进行规划。DG 规划一般包括 2 个方面,即确定安装位置和安装容量。文献7-8均采用遗传算法对配电网中分布式电源规划进行优化,但
11、遗传算法在求解过程易出现收敛速度较慢、易早熟等现象。其中,文献7建立的数学模型中DG的安装费用仅与安装容量相关,未考虑综合环境因素。文献9应用机会约束规划建立了以独立发电商收益最大为目标函数的分布式风电源接入现有配电网的选址定容模型,但文中未考虑分布式风电源接入配电网后对网损影响造成的成本变化。文献10提出了采用混合模拟退火算法的改进粒子群优化算法进行DG的选址与定容计算,使配电网网损进一步减少。文献8仅考虑了 DG 注入后使网络损耗值最小为目标函数的DG 规划问题,对于综合考虑接入 DG 后的发电成本优化问题未体现。基于以上不足,本文在不考虑负荷新增节点的情况下,建立了以配电网网损费用、分布
12、式电源运行费用及购电总费用最小为目标的含DG的配电网规划经济模型。针对分布式电源运行费用子目标函数,引入权重因子,对系统不同负荷节点的固定安装费用赋以不同的权值。为了克服粒子群算法易早156 叶德意等:基于自适应变异粒子群算法的分布式电源选址与容量确定熟的问题,本文利用自适应变异的粒子群优化算法(adaptive mutation particle swarm optimization algorithm,AMPSO)对 DG的位置和容量进行优化。 1 含分布式电源的配电网规划模型 配电网规划的目的是在满足用户供电和保证网络运行约束的前提下,寻求一组最优的决策变量,使投资、网损和用户停电损失之
13、和最小。本文在现有配电网中对 DG的布点和容量进行优化,使配电网年运行费用最小。其目标函7式中: L C 为电网网损费用; DG C 为分布式电源的运行总费用; en C 为购电费用。 电网网损费用的表达式为 式中: e C 为单位电价,元/kWh; max j 为支路 j的年最大负荷损耗小时数; jR 为支路 j的电阻; jP 为流过支路 j的有功功率; N U 为线路 j的额定电压;j 为线路流过的负荷功率因数。 分布式电源的运行总费用 DG C 包括安装费用、运行维护费用和燃料费用。本文均假设接入的分布式电源所需的燃料为可再生能源,因此燃料费用为零11。分布式电源运行总费用的表达式为 式
14、中: max T 为分布式电源的最大发电小时数;m 为接入配电网的 DG 总个数; i 为分布式电源i的功率因数; DGiS 为第i个分布式电源的容量; eDGiC 为第i个分布式电的单位电量成本,元/kWh;r为固定年利率; DG n 为投资回收期; DGiC 为第i 个分布电源的安装成本,元/kW; OMiC 为第i 个分布式电源的固定安装成本; 123 (, , ) iafxxx = 为固定安装成本权重系数,其中 1 x 为 DG接入位置的环境许可程度, 2 x 为安装位置地价,3 x 为 DG的运输及人力耗费等综合因素。 通常情况下,人们都选择从常规电源购电,而当 DG出现后,既可选择从常规电源处购电,也可选择从 DG 处购电。基于此,可将由 DG供电的费用和配电网规划后网损降低的部分作为减少的购电费用加