孤立电力系统中脉冲负载能量调控方法及系统转让专利

申请号 : CN201810164623.0

文献号 : CN108270218B

文献日 :

基本信息:

PDF:

法律信息:

相似专利:

发明人 : 陈颖李凡黄少伟沈沉梅生伟谢睿

申请人 : 清华大学

摘要 :

本发明实施例提供了一种孤立电力系统中脉冲负载能量控制方法及系统,包括:S1,通过求解预设优化模型,获取所述多个超级电容中每个超级电容的充电接入时刻及充电时长;其中,所述预设优化模型的目标为所述多个脉冲负载的供电收益之和最大,且在预设优化时间段内,所述目标对应的目标函数中对每个脉冲负载的充电次数向下取整,所述预设优化模型的约束条件包括脉冲负载充电次数约束条件和非常数脉冲负载可用功率约束条件;S2,根据每个超级电容的充电接入时刻和充电时长,对每个超级电容的充放电进行控制,以实现对所述多个脉冲负载的能量调控。本发明实施例提供的方法更适应于实际操作,能够更好的对孤立电力系统中脉冲负载的能量进行调控。

权利要求 :

1.一种孤立电力系统中脉冲负载能量调控方法,所述孤立电力系统包括多个脉冲负载以及多个超级电容,所述多个脉冲负载与所述多个超级电容一一对应,其特征在于,所述方法包括:S1,通过求解预设优化模型,获取所述多个超级电容中每个超级电容的充电接入时刻及充电时长;

其中,所述预设优化模型的目标为所述多个脉冲负载的供电收益之和最大,且在预设优化时间段内,所述目标对应的目标函数中对每个脉冲负载的充电次数向下取整,所述预设优化模型的约束条件包括脉冲负载充电次数约束条件和非常数脉冲负载可用功率约束条件;

其中,所述预设优化模型的表达式如下:

Fi表示第i种脉冲负载的单次供电收益,为非负常数,Ni是第i种脉冲负载在预设优化时间段T内的供电次数,其中,wi表示第i种脉冲负载的超级电容接入系统的时刻, 表示第i种脉冲负载对应的超级电容单次充电过程的功率上升阶段时长, 表示第i种脉冲负载对应的超级电容单次充电过程的功率恒定阶段时长, 表示第i种脉冲负载对应的超级电容单次充电过程的功率下降阶段时长,Ri表示第i种脉冲负载对应的超级电容的放电时间,Ri为常数;

S2,根据每个超级电容的充电接入时刻和充电时长,对每个超级电容的充放电进行控制,以实现对所述多个脉冲负载的能量调控。

2.根据权利要求1所述方法,其特征在于,所述脉冲负载充电次数约束条件为:在所述预设优化时间段内,每个脉冲负载的充电次数大于其充电次数下限且小于其充电次数上限。

3.根据权利要求1所述方法,其特征在于,所述非常数脉冲负载可用功率约束条件为:在所述预设优化时间段内,所述多个超级电容的总充电功率不大于所述多个脉冲负载的可用功率。

4.根据权利要求1所述方法,其特征在于,所述预设优化模型的约束条件还包括总充电功率变化率约束条件,所述总充电功率变化率约束条件为:在所述预设优化时间段内,所述多个超级电容的总充电功率的变化率处于预设范围内。

5.根据权利要求1-4任一项所述方法,其特征在于,在步骤S1中,所述通过求解预设优化模型,获取所述多个超级电容中每个超级电容的充电接入时刻及充电时长,具体包括:S11,在所述预设优化时间段开始时,简化所述预设优化模型,求解简化后的预设优化模型得到第一可行解,并采用所述第一可行解对所述多个脉冲负载进行第一次充电;

S12,在对所述多个脉冲负载进行第一次充电过程中,利用基于可行解保留策略的粒子群优化PSO算法对所述预设优化模型进行求解,得到第二可行解,所述第二可行解包括每个超级电容的充电接入时刻及充电时长。

6.根据权利要求5所述方法,其特征在于,在步骤S12之后,所述方法还包括:采用所述第二可行解对所述多个脉冲负载进行第二次充电;

在对所述多个脉冲负载进行第二次充电过程中,利用基于可行解保留策略的PSO算法对所述预设优化模型进行求解,得到第三可行解,并在每个脉冲负载的第二次充电结束后,采用所述第三可行解对每个脉冲负载进行第三次充电,重复上述步骤直至所述预设优化时间段结束。

7.根据权利要求6所述方法,其特征在于,所述基于可行解保留策略的PSO算法包括:在初始化各点时,随机初始化各点后检查初始化后的各点是否满足约束条件,如果不满足,那么重新随机初始化,直至满足约束;

在迭代中更新点的位置时,如果计算得出的新位置不满足约束,则不更新。

8.一种孤立电力系统中脉冲负载能量调控系统,所述孤立电力系统包括多个脉冲负载以及多个超级电容,所述多个脉冲负载与所述多个超级电容一一对应,其特征在于,所述系统包括:计算模块,用于通过求解预设优化模型,获取所述多个超级电容中每个超级电容的充电接入时刻及充电时长;

其中,所述预设优化模型的目标为所述多个脉冲负载的供电收益之和最大,且在预设优化时间段内,所述目标对应的目标函数中对每个脉冲负载的充电次数向下取整,所述预设优化模型的约束条件包括脉冲负载充电次数约束条件和非常数脉冲负载可用功率约束条件;

其中,所述预设优化模型的表达式如下:

Fi表示第i种脉冲负载的单次供电收益,为非负常数,Ni是第i种脉冲负载在预设优化时间段T内的供电次数,其中,wi表示第i种脉冲负载的超级电容接入系统的时刻, 表示第i种脉冲负载对应的超级电容单次充电过程的功率上升阶段时长, 表示第i种脉冲负载对应的超级电容单次充电过程的功率恒定阶段时长, 表示第i种脉冲负载对应的超级电容单次充电过程的功率下降阶段时长,Ri表示第i种脉冲负载对应的超级电容的放电时间,Ri为常数;

调控模块,用于根据每个超级电容的充电接入时刻和充电时长,对每个超级电容的充放电进行控制,以实现对所述多个脉冲负载的能量调控。

9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一项所述的方法。

说明书 :

孤立电力系统中脉冲负载能量调控方法及系统

技术领域

[0001] 本发明实施例涉及能源技术领域,更具体地,涉及一种孤立电力系统中脉冲负载能量调控方法及系统。

背景技术

[0002] 孤立电力系统可能需要给脉冲负载供电,一旦被触发,脉冲负载将在短时间内消耗大量能量,功率常在兆瓦(MW)量级以上。孤立电力系统中能量由发电机提供,储能设备作为辅助,为了保证电力系统安全运行,必须保持功率瞬时平衡。在没有合理安排脉冲负载的情况下,电力系统可能失去稳定性至崩溃。另一方面,希望在给定的时间段内,供电收益最大,即为脉冲负载供电的次数尽可能多。有多个脉冲负载时,在稳定性分析中需要考虑它们的共同作用,并且最大化供电总收益。
[0003] 如图1所示,因为脉冲负载功率非常大,孤立电力系统不是直接对脉冲负载供电,而是通过超级电容作为能量的中间介质。在S1闭合S2断开时,超级电容与孤立电力系统相连,孤立电力系统为超级电容充电,充电功率为PC。超级电容充电完毕后,S1断开S2闭合,超级电容与孤立电力系统断开,对脉冲负载放电。超级电容充电的时间比放电时间长,就可以使充电功率PC比脉冲负载所需功率小,从而让孤立电力系统可以承担。
[0004] 在给脉冲负载供电时,为了保证孤立电力系统的稳定并且最大化供电收益,现有技术中提出的优化模型,利用孤立电力系统暂态稳定性判据,给出一种能保证孤立电力系统不失稳的脉冲负载约束,在此基础上设计了基于粒子群优化算法(Particle Swarm Optimization,PSO算法)的脉冲负载能量调控方法,最大化给定时间段内为多个脉冲负载供电的总收益。
[0005] 但是,上述调控方法中优化模型比较简单,并未考虑实际操作中的运行约束,使得上述调控方法在孤立电力系统实际调控中适应性较差。

发明内容

[0006] 本发明实施例提供了一种克服上述问题或者至少部分地解决上述问题的孤立电力系统中脉冲负载能量调控方法及系统。
[0007] 一方面本发明实施例提供了一种孤立电力系统中脉冲负载能量调控方法,所述孤立电力系统包括多个脉冲负载以及多个超级电容,所述多个脉冲负载与所述多个超级电容一一对应,所述方法包括:
[0008] S1,通过求解预设优化模型,获取所述多个超级电容中每个超级电容的充电接入时刻及充电时长;
[0009] 其中,所述预设优化模型的目标为所述多个脉冲负载的供电收益之和最大,且在预设优化时间段内,所述目标对应的目标函数中对每个脉冲负载的充电次数向下取整,所述预设优化模型的约束条件包括脉冲负载充电次数约束条件和非常数脉冲负载可用功率约束条件;
[0010] S2,根据每个超级电容的充电接入时刻和充电时长,对每个超级电容的充放电进行控制,以实现对所述多个脉冲负载的能量调控。
[0011] 进一步地,所述脉冲负载充电次数约束条件为:
[0012] 在所述预设优化时间段内,每个脉冲负载的充电次数大于其充电次数下限且小于其充电次数上限。
[0013] 进一步地,所述非常数脉冲负载可用功率约束条件为:
[0014] 在所述预设优化时间段内,所述多个超级电容的总充电功率不大于所述多个脉冲负载的可用功率。
[0015] 进一步地,所述预设优化模型的约束条件还包括总充电功率变化率约束条件,所述总充电功率变化率约束条件为:在所述预设优化时间段内,所述多个超级电容的总充电功率的变化率处于预设范围内。
[0016] 进一步地,在步骤S1中,所述通过求解预设优化模型,获取所述多个超级电容中每个超级电容的充电接入时刻及充电时长,具体包括:
[0017] S11,在所述预设优化时间段开始时,简化所述预设优化模型,求解简化后的预设优化模型得到第一可行解,并采用所述第一可行解对所述多个脉冲负载进行第一次充电;
[0018] S12,在对所述多个脉冲负载进行第一次充电过程中,利用基于可行解保留策略的PSO算法对所述预设优化模型进行求解,得到第二可行解,所述第二可行解包括每个超级电容的充电接入时刻及充电时长。
[0019] 进一步地,在步骤S12之后,所述方法还包括:
[0020] 采用所述第二可行解对所述多个脉冲负载进行第二次充电;
[0021] 在对所述多个脉冲负载进行第二次充电过程中,利用基于可行解保留策略的PSO算法对所述预设优化模型进行求解,得到第三可行解,并在每个脉冲负载的第二次充电结束后,采用所述第三可行解对每个脉冲负载进行第三次充电,重复上述步骤直至所述预设优化时间段结束。
[0022] 进一步地,所述基于可行解保留策略的PSO算法包括:
[0023] 在初始化各点时,随机初始化各点后检查初始化后的各点是否满足约束条件,如果不满足,那么重新随机初始化,直至满足约束;
[0024] 在迭代中更新点的位置时,如果计算得出的新位置不满足约束,则不更新。
[0025] 另一方面本发明实施例提供了一种孤立电力系统中脉冲负载能量调控系统,所述孤立电力系统包括多个脉冲负载以及多个超级电容,所述多个脉冲负载与所述多个超级电容一一对应,所述系统包括:
[0026] 计算模块,用于通过求解预设优化模型,获取所述多个超级电容中每个超级电容的充电接入时刻及充电时长;
[0027] 其中,所述预设优化模型的目标为所述多个脉冲负载的供电收益之和最大,且在预设优化时间段内,所述目标对应的目标函数中对每个脉冲负载的充电次数向下取整,所述预设优化模型的约束条件包括脉冲负载充电次数约束条件和非常数脉冲负载可用功率约束条件;
[0028] 调控模块,用于根据每个超级电容的充电接入时刻和充电时长,对每个超级电容的充放电进行控制,以实现对所述多个脉冲负载的能量调控。
[0029] 第三方面发明实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述方法。
[0030] 第四方面发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述方法。
[0031] 本发明实施例提供的一种孤立电力系统中脉冲负载能量调控方法及系统,通过将目标函数中每个脉冲负载的充电次数向下取整,并引入脉冲负载充电次数约束条件和非常数脉冲负载可用功率约束条件,避免了优化时间段的局限性,限制了脉冲负载的充电次数和超级电容的充电总功率,相比于现有技术,本发明实施例提供的方法更适应于实际操作,能够更好的对孤立电力系统中脉冲负载的能量进行调控。

附图说明

[0032] 图1为现有技术中只包含一个脉冲负载的孤立电力系统的电路示意图;
[0033] 图2为本发明实施例提供的一种孤立电力系统中脉冲负载能量调控方法的流程图;
[0034] 图3为本发明实施例中第i种脉冲负载对应的超级电容的充电功率曲线;
[0035] 图4为本发明实施例中PSO算法的流程图;
[0036] 图5为本发明实施例中基于可行解保留策略的PSO算法的流程图;
[0037] 图6为本发明实施例中快速寻找可行解的两种情况示意图;
[0038] 图7为本发明实施例中滚动优化流程示意图;
[0039] 图8为本发明实施例的实例中情形1对应的总功率波线图;
[0040] 图9为本发明实施例的实例中情形2对应的总功率波线图;
[0041] 图10为本发明实施例的实例中情形3对应的总功率波线图;
[0042] 图11为本发明实施例的实例中情形4对应的总功率波线图;
[0043] 图12为本发明实施例提供的一种孤立电力系统中脉冲负载能量调控系统的结构框图。

具体实施方式

[0044] 为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
[0045] 在含有多个脉冲负载的孤立电力系统中,配备了与多个脉冲负载一一对应的多个超级电容,为了能够合理分配电力系统中的能量并对多个脉冲负载进行调控,就需要多个超级电容在一定约束条件下具有最优的充电过程。
[0046] 在提出预设优化模型之前,先进行如下假设:
[0047] 1)考虑不同种类的脉冲负载,超级电容的放电过程均与系统隔离开来,且超级电容充满后,认为能量恒定为Econst;
[0048] 2)对于同一种类的脉冲负载,不同充电曲线的形态反映不同的充电时长,但曲线的总体面积均相等;
[0049] 3)每种脉冲负载的超级电容在充电完毕后,立即与系统断开并给脉冲负载供电(即超级电容对脉冲负载放电),供电时间是给定的参数。这个过程结束后,超级电容储存的能量变为0;
[0050] 4)在给定时间段内优化,可优化的决策变量是每种脉冲负载的超级电容的初始接入时间、超级电容充电过程的时间;
[0051] 5)超级电容接入系统后,持续充放电过程直至时间段结束或达到最大充电次数。
[0052] 图2为本发明实施例提供的一种孤立电力系统中脉冲负载能量调控方法的流程图,如图2所示,所述方法包括:S1,通过求解预设优化模型,获取所述多个超级电容中每个超级电容的充电接入时刻及充电时长;其中,所述预设优化模型的目标为所述多个脉冲负载的供电收益之和最大,且在预设优化时间段内,所述目标对应的目标函数中对每个脉冲负载的充电次数向下取整,所述预设优化模型的约束条件包括脉冲负载充电次数约束条件和非常数脉冲负载可用功率约束条件;S2,根据每个超级电容的充电接入时刻和充电时长,对每个超级电容的充放电进行控制,以实现对所述多个脉冲负载的能量调控。
[0053] 其中,所述预设优化模型的表达式如下:
[0054]
[0055] Fi表示第i种脉冲负载的单次供电收益,为非负常数。Ni是第i种脉冲负载在预设优化时间段T内的供电次数。其中,
[0056]
[0057] 如图3所示,wi表示第i种脉冲负载的超级电容接入系统的时刻, 表示第i种脉冲负载对应的超级电容单次充电过程的功率上升阶段时长, 表示第i种脉冲负载对应的超级电容单次充电过程的功率恒定阶段时长, 表示第i种脉冲负载对应的超级电容单次充电过程的功率下降阶段时长。ci表示第i种脉冲负载对应的超级电容的单次充电时长,Ri表示第i种脉冲负载对应的超级电容的放电时间,Ri为常数。
[0058] 具体地,现有优化模型比较简单,无法适应实际操作中的一些需要,本发明实施例针对几个方面的问题改进模型:优化时间段的局限性、脉冲负载供电次数限制、非常数的脉冲负载可用功率。
[0059] (1)优化时间段的局限性
[0060] 现有技术的优化模型中优化时间段长度是给定的参数,因此会带来一些局限性。第一,一般而言,最优解的功率波形不会在优化时间段结束时回到零,也就是说时间段结束时有一些充电过程没有完成。这些充电过程吸收了电力系统的能量却没有实际效益。第二,优化时间段长度不仅是求解时间的决定因素之一,它对最优解的影响也是显著的。例如,在脉冲负载可用功率恒定时,较长优化时间段对应的最优解是较短优化时间段对应的可行解,反之,较短优化时间段对应的最优解可能不是较长优化时间段对应的可行解。如果起初将所需优化时间段估计得较短,那么按照该最优解实行充放电时,在优化时间段之外可能会超过功率限制。
[0061] 为了解决这一问题,本发明实施例将每个脉冲负载的不完整充电过程去除。同时,当需要将较短优化时间段对应的最优解用于较长的时间段时,可以先去除不完整充电过程,然后将优化时间段作为总功率波形的周期,应用于该较长的时间段。
[0062] (2)脉冲负载供电次数限制
[0063] 现有技术的优化模型没有考虑脉冲负载供电次数限制,但是存在这样的实际需求。例如,如果脉冲负载不仅消耗电能,还需要其他资源,那么这些资源的限制会导致供电次数的上限;如果某些脉冲负载比较重要,需要保证最低供电次数,那么就产生了供电次数的下限。
[0064] 本发明实施例在所述预设优化模型的约束条件中引入脉冲负载充电次数约束条件,以考虑脉冲负载充电次数的上下界。
[0065] (3)非常数的脉冲负载可用功率
[0066] 现有技术的优化模型考虑的是脉冲负载可用功率恒为常数的情况,但是实际中可能不是这样。第一,由于能量由发电机和储能装置共同提供,因此可用功率可能会随时间下降。第二,孤立电力系统中其他负载的变化会影响脉冲负载的可用功率。第三,某些脉冲负载不可优化,如果在求解优化问题前先分配这些脉冲负载的功率,则其他脉冲负载的可用功率波形不恒为常数。
[0067] 本发明实施例在所述预设优化模型的约束条件中引入非常数脉冲负载可用功率约束条件,使得可以处理脉冲负载可用功率不是常数的情况。
[0068] 如图3所示,在wi时刻超级电容接入独立电力系统并开始充电,单次充电时长Ri是超级电容给脉冲负载放电的时间。每个超级电容的单次充电功率曲线与横坐标轴围成梯形,梯形面积Si表示超级电容单次充电能量。wi、 是变
量,Ri和Si是常数。当开始充电后,充电功率开始周期变化,周期是 在本
发明实施例中,就是对预设优化模型求解出每个超级电容的wi、 使得系统中
脉冲负载供电总效益最大。
[0069] 本发明实施例提供的一种孤立电力系统中脉冲负载能量调控方法,通过将目标函数中每个脉冲负载的充电次数向下取整,并引入脉冲负载充电次数约束条件和非常数脉冲负载可用功率约束条件,避免了优化时间段的局限性,限制了脉冲负载的充电次数和超级电容的充电总功率,相比于现有技术,本发明实施例提供的方法更适应于实际操作,能够更好的对孤立电力系统中脉冲负载的能量进行调控。
[0070] 基于上述实施例,所述脉冲负载充电次数约束条件为:
[0071] 在所述预设优化时间段内,每个脉冲负载的充电次数大于其充电次数下限且小于其充电次数上限,具体表达式如下:
[0072]
[0073] 其中, 为第i种脉冲负载在预设优化时间段T内充电次数的上限, 为第i种脉冲负载在预设优化时间段T内充电次数的下限。
[0074] 具体地,每种脉冲负载在预设优化时间段内充电次数的上下限可由孤立电力系统中的实际情况来确定。
[0075] 基于上述实施例,所述非常数脉冲负载可用功率约束条件为:
[0076] 在所述预设优化时间段内,所述多个超级电容的总充电功率不大于所述多个脉冲负载的可用功率,具体表达式如下:
[0077]
[0078] 其中,Pi(t)为第i种脉冲负载的充电功率,PA(t)为脉冲负载的可用功率,本发明实施例中处理PA(t)是分段线性函数的情况。
[0079] 具体地,在满足上述条件时,本发明实施例所提供的方法可以处理脉冲负载可用功率不是常数的情况。
[0080] 基于上述实施例,所述预设优化模型的约束条件还包括总充电功率变化率约束条件,所述总充电功率变化率约束条件为:在所述预设优化时间段内,所述多个超级电容的总充电功率的变化率处于预设范围内,具体表达式如下:
[0081]
[0082] 其中,λl为总充电功率的变化率的下界,λu为总充电功率的变化率的上界。
[0083] 基于上述实施例,在步骤S1中,所述通过求解预设优化模型,获取所述多个超级电容中每个超级电容的充电接入时刻及充电时长,具体包括:
[0084] S11,在所述预设时间段开始时,简化所述预设优化模型,求解简化后的所述预设优化模型得到第一可行解,并采用所述第一可行解对所述多个脉冲负载进行第一次充电;
[0085] S12,在对所述多个脉冲负载进行第一次充电过程中,利用基于可行解保留策略的PSO算法对所述预设优化模型进行求解,得到第二可行解,所述第二可行解包括每个超级电容的充电接入时刻及充电时长。
[0086] 进一步地,在步骤S12之后,所述方法还包括:
[0087] 采用所述第二可行解对所述多个脉冲负载进行第二次充电;
[0088] 在对所述多个脉冲负载进行第二次充电过程中,利用基于可行解保留策略的PSO算法对所述预设优化模型进行求解,得到第三可行解,并在每个脉冲负载的第二次充电结束后,采用所述第三可行解对每个脉冲负载进行第三次充电,重复上述步骤直至所述预设优化时间段结束。
[0089] 进一步地,所述基于可行解保留策略的PSO算法包括:
[0090] 在初始化各点时,随机初始化各点后检查初始化后的各点是否满足约束条件,如果不满足,那么重新随机初始化,直至满足约束;
[0091] 在迭代中更新点的位置时,如果计算得出的新位置不满足约束,则不更新。
[0092] 具体地,本发明实施例使用基于可行解保留策略的PSO算法求解优化模型,采用可行解保留策略处理约束。因为含有关于函数的无穷维约束,所以首先说明处理这些约束的方法,然后阐述改进PSO算法的计算流程,最后提出滚动优化的方法。
[0093] (1)处理关于函数的无穷维约束
[0094] 因为单个超级电容的充电功率曲线Pi(t)和可用功率曲线PA(t)是分段线性函数(即函数的图像由一些线段首尾相接组成),所以 也是分段线性函数,因此最大值存在,而且一定在左导数不等于右导数的点。
[0095] 注意到所述非常数脉冲负载可用功率约束相当于 的最大值小于等于0,所以只需检查所有左导数不等于右导数的点,如果值都小于0,就说明所述非常数脉冲负载可用功率约束成立。
[0096] 同上可得总充电功率曲线 是分段线性函数。所述总充电功率变化率约束等价于要求该分段线性函数每一段的斜率都在[λl,λu]范围内。因此只要通过每一段两个端点计算。比如,如果有一段的两个端点分别是(t1,p1)和(t2,p2),则要求 因为只有有限段,所以按照这种方法检查有限次就可以判断所述总充电功率变化率约束是否成立。
[0097] (2)基于可行解保留策略的PSO算法求解优化模型
[0098] 所述基于可行解保留策略的PSO算法包括:
[0099] 在初始化各点时,随机初始化各点后检查初始化后的各点是否满足约束条件,如果不满足,那么重新随机初始化,直至满足约束;
[0100] 在迭代中更新点的位置时,如果计算得出的新位置不满足约束,则不更新。
[0101] 其中,粒子群优化算法(Particle Swarm Optimization,PSO算法)由J.Kennedy和R.C.Eberhart等人提出,是进化算法的一种。PSO算法用于求解优化问题,算法原理模仿动物的集群活动,利用自然界的遗传和选择机理进行迭代,在解空间中搜索全局最优解。该算法实现容易、精度高、收敛快,在解决实际问题过程中显示出优越性。
[0102] 如图4所示,在算法开始前,随机初始化一组解,即解空间中的一群点。每轮迭代时,每一个点的位置将进行带有随机性的更新。更新时利用了群体已搜索到的最优位置和该点已搜索到的最优位置。
[0103] 更新各点速度和位置的公式分别为
[0104]
[0105]
[0106] 其中上标表示迭代次数,下标表示点, 是第k次迭代时点j的速度, 是第k(k-1)次迭代时点j的位置, 是前k-1次迭代中点j的最优位置,g 是前k-1次迭代中全体点的最优位置。式中W、C1和C2是事先设置的迭代参数, 和 是在[0,1]区间中均匀分布产生的随机数。
[0107] 以上粒子群优化算法适用于无约束条件的优化问题。对于有约束的优化问题,一般而言,采用罚函数的方法将约束条件以惩罚项的形式加在目标函数中。也可采用可行解保留策略处理约束,即每次迭代中更新点时只更新满足约束的点。
[0108] 具体地,如图5所示,为了处理约束,在PSO算法的基础上加入可行解保留策略:在初始化各点时,随机初始化后检查是否满足约束,如果不满足,那么重新随机初始化,直至满足约束。在迭代中更新点的位置时,如果计算得出的新位置不满足约束,就不更新。
[0109] (3)滚动优化
[0110] 现有技术中的优化模型的求解时间与优化时间段相比不可忽略,倘若增加PSO算法的预设迭代次数,求解时间还会增加。如果在优化时间段开始时求解优化模型,并在求出最优解后才启动充电过程,那么求解优化问题的时间就被浪费了。
[0111] 解决这个问题的思路是,先应用快速找出可行解的方法,使系统按该可行解运行。之后求解优化问题,在取得较优解后,修改系统的运行方式。这个过程可以持续进行,每次求解都在上一次解的基础之上,在模型参数没有变化的情况下,能保证效果越来越好。需要解决的难点问题在于,如何快速找出可行解,如何将两个解的波形衔接起来。
[0112] (3-1)快速寻找可行解
[0113] 原优化模型在不考虑功率变化率的限制时,可以保守化为
[0114]
[0115]
[0116] 观察到
[0117]
[0118] 又由波形的形状
[0119]
[0120] 所以可以用更保守的
[0121]
[0122] 代替以上约束,得到一个更保守的问题。设Hi=2Si/ci,考虑
[0123]
[0124]
[0125] 该问题可以用拉格朗日乘子法求解,得到
[0126]
[0127]
[0128] 按照实际意义,应该有Hi>0,但是以上公式不能保证这一点。在快速寻找可行解时,首先用公式求出Hi。如果其中有非正数,则对所有i,令Hi=minPA/n。Hi的意义是第i种脉冲负载充电功率曲线中梯形的高度。
[0129] 求Hi的过程实际上是将可用功率PA分配给每一个脉冲负载,没有计及不同脉冲负载之间波形错开的关系。要求:
[0130]
[0131] 可以保证总功率不超过PA(t)。
[0132] 在得到Hi后,以充分利用可用功率为原则,在满足功率变化率限制的情况下尽可能多地安排脉冲负载充电。具体做法是:令wi=0, 的取法如下。
[0133] 如图6a所示,当Hi较大时, 波形退化成三角形,由功率变化率限制:
[0134]
[0135]
[0136] 其中, 以保证总充电功率波形满足功率变化率限制。
[0137] 如图6b所示,当Hi较小时,波形仍然是梯形:
[0138]
[0139]
[0140] 两种情况的面积是相同的,功率上升和下降时的变化率也对应相同。
[0141] (3-2)滚动优化
[0142] 如图7所示,假设优化时间段和模型求解过程在t=0同时开始,t=t1时得到了一个可行解x1=(wi,1,ci,1,1≤i≤n),其中wi,1是解x1中第i种脉冲负载的接入时间,ci,1是解x1中第i种脉冲负载的充电时长。此时立刻按照x1开始为脉冲负载充电。在设置参数之后,用PSO算法迭代寻找更好的解。假设预计在t=t2时PSO算法已经结束。为了保持充电周期的完整性,对每一个脉冲负载,t=t2时未结束的充电周期仍然按照x1安排。在用PSO算法计算x2时,要考虑x1的作用范围:对每一个脉冲负载,x1的充电周期完成后才可以开始x2的充电周期;x1和x2共同作用时,它们的总功率不能超过可用功率。在t=t1时,考虑以上要求,设置PSO算法的参数。在t=t2时,选择PSO找到的最佳解作为x2,并在x1的充电周期结束之后用x2安排充电过程。如果有需要,可以用PSO算法寻找更好的解,并重复以上过程。
[0143] 假设当前起作用的解是xk=(wi,k,ci,k,1≤i≤n),其中wi,k是解xk中第i种脉冲负载的接入时间,ci,k是解xk中第i种脉冲负载的充电时长。在t=tk+1时,解将被更新为xk+1。为了保持充电周期的完整性,t=tk+1处的周期将延续至结束,即放电过程完成。令[a]+表示不小于a的最大整数,则对于脉冲负载i,xk作用的充电周期数为
[0144]
[0145] 令
[0146]
[0147] 则xk对脉冲负载i在 内作用,这包括Ni,k个完整周期。如果xk后不再更新,则它一直作用到优化时间段结束。
[0148] 设置PSO算法参数时,需要重新考虑两个因素:新解的最早接入时间和等效可用功率。
[0149] 假设已有解xk-1,希望在t=tk时用新解xk更新。计算xk-1的作用范围,得到脉冲负载i的xk-1完整周期结束于 因此新解的接入时间应该满足 这个约束可以类似功率变化率约束而在PSO算法中考虑。设xk-1,…,x1作用的各脉冲负载充电总功率曲线分别是Pk-1(t),…,P1(t)。实际充电总功率应该不超过可用功率,即
[0150] P1(t)+P2(t)+L+Pn(t)≤PA(t)
[0151] 特别地,要求
[0152] Pk(t)≤PA(t)-[P1(t)+L+Pk-1(t)]
[0153] 在计算解xk时,因为PA(t),Pk-1(t),…,P1(t)都是分段线性函数而且已知,所以以上不等式的右端也是已知的分段线性函数,可以看作等效的可用功率约束,从而使用之前介绍的方法处理。
[0154] 为了在每次寻找更好的解时都充分利用已经搜索得到的信息,每一次PSO算法的初始化使用上一次计算的结果。
[0155] 按照本发明实施例的时间顺序,x1是由快速找可行解的算法得到的。计算解x2是第一次使用PSO算法。采用随机初始化,然后选取其中一个点赋值为根据x1修改得到的可行解。修改的方法是将接入时间wi推后 对于k>2,计算xk时使用上一次PSO算法结束时的所有点位置、各点已经搜索到的最优解以及群体搜索到的最优解。所有这些解都经过修改,修改方式是将接入时间wi推后
[0156] 以上设置修改解的方法的目的是,保证第k-2次PSO算法的最优解一定是第k-1次PSO算法的可行解,因此第k-1次PSO算法得到的最优解至少像继续用第k-2次PSO算法的最优解一样好。这是因为,修改得到的解可以看作原最优解在作用时间结束后的延续,它和原最优解的共同作用相当于不再更新。
[0157] 下面通过一个实例对本发明实施例进行进一步说明,可以理解的,以下仅为本发明实施例的一个实例,本发明实施例并不以此为限。
[0158] (1)参数设定
[0159] 假设某个孤立电力系统中有8种脉冲负载,参数如下设置:T是300s(秒),λu=1.6MW/s,λl=-3.2MW/s,各个脉冲负载的参数如表1所示。
[0160] 改进PSO算法参数为:点的数量是N=500,迭代次数是M=4000,其他参数W=0.6,C1=C2=2。
[0161] 表1
[0162]脉冲负载编号 S(MJ,兆焦) R(s) F
1 10 5 10
2 20 7 25
3 15 10 18
4 13 6 13
5 18 8 16
6 16 9 20
7 11 6.5 8
8 14 11 19
[0163] (2)求解结果
[0164] 情形1如图8所示,情形1采用原有的优化模型,用于作为对照。令PA恒为4MW。不要求充电周期的完整性,充电次数没有上下限。在56.2秒后得到目标函数值是1031的解。在300秒时脉冲负载1和2的充电周期没有完成。如果继续按照这个解给脉冲负载供电,则总充电功率很快会超过可用功率。因此300秒时间段的优化结果不可以直接应用于更长的时间段,如图中的600秒。
[0165] 在300秒以内,为脉冲负载1供电7次,为脉冲负载2供电9次。
[0166] 情形2如图9所示,情形2检验充电次数上下限的作用。在情形1的基础上,增加充电次数的约束,使脉冲负载1的供电次数不超过10次,脉冲负载2的供电次数至少为10次。注意到情形1的解是不符合这个条件的。情形2的解在21.8秒后得到,目标函数值是978,与情形1相比有所下降,因为增加了约束。
[0167] 此时脉冲负载1的供电次数是6,脉冲负载2的供电次数是11,满足情形2新增的充电次数约束,说明本发明处理充电次数的方法是有效的。
[0168] 情形3如图10所示,情形3在情形2的基础上,增加充电周期要保持完整性的要求,而且将可用功率换成分段线性函数。计算20.3秒后得到最优值为836的结果。
[0169] 由此可知,本发明实施例优化算法可以同时处理充电次数约束、充电周期完整性约束、非常数的可用功率。
[0170] 情形4应用滚动优化的方法。设从t=0开始,优化时间段为300s,其中每100s更新解,每个解由PSO算法迭代2000次产生。解计算的时间和目标函数值(不再更新解的情况下全时间段的充电收益)如表2所示。
[0171] 表2
[0172]
[0173]
[0174] 第一个解是用快速算法找到的可行解,只用了0.22s的时间。其他解用PSO算法得出,虽然PSO算法的随机性使得它们之间计算时间有较大差别,但是它们的计算时间都不超过更新解的时间间隔100s,说明设置PSO算法迭代2000次是可行的。从目标函数可以看出,后算出的解总是比之前的解更好。
[0175] 如图11所示,总功率始终不超过可用功率。各解的作用均在对应的更新时间点之后开始,例如解2的开始时间大于100s。相邻解的作用有一些重合,使更新解的过程不会造成可用功率资源的严重浪费。图中可以看出随着解的更新,总功率平均值有增大的趋势,这也反映了解越来越好。曲线P1(t)表明不同解中该脉冲负载的充电周期是不同的,但是在优化时间段结束之前这些充电周期都是完整的,包括放电时间。这也是由本文方法保证的。
[0176] (3)算法效果分析
[0177] 图12为本发明实施例提供的一种孤立电力系统中脉冲负载能量调控系统,如图12所示,所述孤立电力系统包括多个脉冲负载以及多个超级电容,所述多个脉冲负载与所述多个超级电容一一对应,所述系统包括:计算模块1和调控模块2。其中:
[0178] 计算模块1用于通过求解预设优化模型,获取所述多个超级电容中每个超级电容的充电接入时刻及充电时长;其中,所述预设优化模型的目标为所述多个脉冲负载的供电收益之和最大,且在预设优化时间段内,所述目标对应的目标函数中每个脉冲负载的充电次数为非整数时向下取整,所述预设优化模型的约束条件包括脉冲负载充电次数约束条件和非常数脉冲负载可用功率约束条件。调控模块2用于根据每个超级电容的充电接入时刻和充电时长,对每个超级电容的充放电进行控制,以实现对所述多个脉冲负载的能量调控。
[0179] 本发明实施例提供的一种孤立电力系统中脉冲负载能量调控系统,通过将目标函数中每个脉冲负载的充电次数向下取整,并引入脉冲负载充电次数约束条件和非常数脉冲负载可用功率约束条件,避免了优化时间段的局限性,限制了脉冲负载的充电次数和超级电容的充电总功率,相比于现有技术,本发明实施例提供的方法更适应于实际操作,能够更好的对孤立电力系统中脉冲负载的能量进行调控。
[0180] 本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:通过求解预设优化模型,获取所述多个超级电容中每个超级电容的充电接入时刻及充电时长;其中,所述预设优化模型的目标为所述多个脉冲负载的供电收益之和最大,且在预设优化时间段内,所述目标对应的目标函数中对每个脉冲负载的充电次数向下取整,所述预设优化模型的约束条件包括脉冲负载充电次数约束条件和非常数脉冲负载可用功率约束条件;根据每个超级电容的充电接入时刻和充电时长,对每个超级电容的充放电进行控制,以实现对所述多个脉冲负载的能量调控。
[0181] 本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:通过求解预设优化模型,获取所述多个超级电容中每个超级电容的充电接入时刻及充电时长;其中,所述预设优化模型的目标为所述多个脉冲负载的供电收益之和最大,且在预设优化时间段内,所述目标对应的目标函数中对每个脉冲负载的充电次数向下取整,所述预设优化模型的约束条件包括脉冲负载充电次数约束条件和非常数脉冲负载可用功率约束条件;根据每个超级电容的充电接入时刻和充电时长,对每个超级电容的充放电进行控制,以实现对所述多个脉冲负载的能量调控。
[0182] 本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
[0183] 通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0184] 最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。