1.本发明属于电力系统配电网领域，涉及一种具有储能系统的配电网优化运行方法。
背景技术：
2.分布式发电资源的接入和配电网中储能系统的实施可以完全改变系统的运行。配电网中的分布式发电资源会影响电网的电压分布和频率，如果这些设备的运行管理不善，可能会危及系统的稳定性。
3.配电系统的运行最重要的目标之一就是降低运行成本，降低运营成本可以降低电价，从而提高社会福利。可靠性是配电系统的运行的另一个目标，在系统运行中起着重要作用，任何忽略可靠性指标的运行计划在现代电力系统中都是不可接受的。对配电系统运行而言，不同学者提出了不出的方法，例如，考虑插入式电动汽车的直流配电系统能量管理策略；提出分布式发电资源存在时配电网能量管理的动态模型；使用遗传算法用于优化使用超级电容器的串联混合动力客车的能量管理；但是，上述研究均未对配电系统的可靠性进行研究。
技术实现要素：
4.为了克服已有技术的不足，本发明提供了一种具有储能系统的配电网优化运行方法，基于混合群体智能的配电网能量管理多目标算法，将pso和gwo结合使用，以最大限度的解决配电系统中提出的多目标能量管理问题。
5.本发明解决其技术问题所采用的技术方案是：
6.一种具有储能系统的配电网优化运行方法，包括以下步骤：
7.步骤1、设定配电网优化运行目标函数，过程如下：
8.1.1运营成本最小化
9.系统运行成本包括从输电系统购买的能源成本和分布式发电资源成本，建模为(1)所示：
[0010][0011]
式中，和分别为每小时从第k个变电站接收的电量及其相应的价格，和分别是每小时第k个分布式发电资源的接收能量及其相应的价格，n
ss
是网络中的子站数，n
dg
代表分布式电源的数量；
[0012]
1.2可靠性评估
[0013]
在可靠性评估中起重要作用的未供应能量被视为本研究的目标，即(2)：
[0014]
[0015]
其中，v包括从一个馈线馈电的所有总线，u
j,m
和u
′
j,m
是分别与m相关的所有分支机构的年度维修和恢复时间，nb是系统总线的数量和pm是第m总线的有功功率；
[0016]
步骤2，计算收回投资成本
[0017]
投资成本和成本效益分析是一个对业务决策进行分析、汇总，然后减去与采取该行动相关的成本的过程，光伏和储能系统分期付款的成本效益分析如下：
[0018][0019]
式中，oc
new
是存在光伏资源和储能系统时的运营成本，而oc
old
的运营成本不考虑这些资源，npv是指净现值的系数；
[0020][0021]
式中，ic为光伏资源、储能系统和转换器的投资成本，n
pv
、n
conv
和n
bat
分别是光伏资源、转换器和储能系统的数量，n
age
是储能系统中电池的使用寿命，ic
pv,i
、ic
conv,j
光伏资源和第j台变流器的投资成本，类似地，ic
bat,k
是第k个储能系统的投资成本；
[0022]
步骤3、给定约束和限制
[0023]
与能量管理问题对应的所有等式和不等式约束组织为(5)-(14)，其中，(5)与发电和需求平衡有关，(6)-(9)是电池运行的限制，其中电池应在一天内保存，(10)-(12)是功率流方程，(13)与配电线路的容量有关，(14)是母线电压大小的可接受边界；
[0024][0025][0026][0027][0028][0029][0030][0031][0032][0033]
[0034]
式中，是每小时从变电站接收的电力，是光伏资源每小时的功率，是柴油发电机dg每h小时的功率，是储能系统每h小时的功率，和是每h小时的系统需求和有功功率损耗，w
j,h
，w
j,h-1
是每h小时和每h-1小时的第j个蓄电池存储器内的能量，p
ch,j,h
、p
dis,j,h
是第j个蓄电池在第h个小时的特定时间段(δt＝1h)内的允许充电率、放电率，ρ
ch,j
、ρ
dis,j
是第j节电池在充电、放电过程中的效率，是第j节电池在充电、放电过程中的效率，是蓄电池储能中的最大、最小能量，是每个时间间隔δt＝1h内第j个蓄电池的最大充电率、放电率，si是通过第i总线注入的视在功率，pi和qi分别是通过第i总线注入有功功率和无功功率，vi和vj分别为母线i和j的电压幅值，δi和δj分别为母线i和j的电压相角，y
ij
是母线i和j之间的导纳振幅，θ
ij
是母线i和j之间的导纳相位角，b是电池的最大容量，pfk和分别是为分支的功率流和功率流的最大边界，和分别是电压幅值的最小和最大边界；
[0035]
步骤4、pso算法和gwo算法联合处理，过程如下：
[0036]
4.1、gwo算法处理过程为：
[0037]
gwo算法是基于灰狼的活动过程，在狩猎时在gwo中，前三个解决方案包括α、β和δ，此外，ω表示其余解，ω狼的数学模型写成如下：
[0038][0039][0040][0041][0042]
式中，是狼的位置向量，是猎物的位置向量，参数t是迭代次数，运算符是组件式乘法，在迭代过程中，a从2线性减少到0，和是范围[0,1]内的随机数向量；
[0043]
发散或收敛取决于参数的值，为此，当时，搜寻人员分头寻找猎物，当它们会聚在一起攻击猎物，最近的这一过程是gwo勘探行为的基础，此外，另一个有助于探索过程的参数是参数基于(18)的介于0和2之间的，其中影响猎物确定距离，如(15)所示；
[0044]
在gwo中，根据前面提到的三只狼的同时合作，每个ω狼都应该更新其位置，这个过程如下:
[0045][0046]
[0047][0048]
式中，和分别是搜索者和α、β和δ之间的距离，这些距离用于获得灰狼的新位置，基于(22)-(25)；
[0049][0050][0051][0052][0053]
4.2、pso算法处理过程为：
[0054]
在粒子群优化算法中，优化问题搜索空间中的每个粒子通过其位置和速度向最优解前进，每个粒子的位置和速度更新如下：
[0055][0056][0057][0058]
i＝1,2,3,...,sop
ꢀꢀ
(29)
[0059]
式中，和v
i(t)
分别是第i次迭代时粒子的旧位置和速度，和v
i(t+1)
分别是第(t+1)次迭代时粒子的新位置和速度，是目标函数在迭代时的最佳适应度，是最佳位置，展示了所有中与最佳适应性相关的位置，rand(.)是范围为[0,1]的随机数，ω、ω
min
和ω
max
分别为惯性重量及其最小和最大限值，t和t
max
分别是迭代次数和最大迭代次数，sop是总体规模；
[0060]
在pso算法和第(t+1)次迭代中，通过方程(30)、(31)来执行最佳解和全局解的更新过程；
[0061][0062][0063]
为了实现所提出的多目标方法，将初始群体分为两个子群体，两个子群体的个体数量相等；每个子组通过一种gwo或pso算法移动；在每次迭代中，都会得到最佳解，然后总体将再次组合在一起；在混合两个子群体之前，pso算法的最佳解和gwo算法的最佳三个解都会更新，组合种群随机分成两种算法，重复此过程，直到满足其中一个停止标准。
[0064]
进一步，所述步骤4.1中，gwo算法中，根据α、β、δ的位置寻找全局最优解，采取以下五个步骤；
[0065]
4.1.1：随机生成一个初始的灰狼群，即候选解；
[0066]
4.1.2：三个形式，α、β、δ狼被指定；
[0067]
4.1.3：可以将参数a建模为勘探和开发过程，其值从2减少到0；
[0068]
4.1.4:如果候选解从被捕食对象发散，如果候选解向被捕食对象收敛；
[0069]
4.1.5：如果满足在开始时定义和设置的停止标准，则终止程序。
[0070]
本发明中，考虑了配电网中的分布式发电资源会影响电网的电压分布和频率的问题，提出了新的基于混合群体智能的配电网能量管理多目标算法对配电网进行优化配置。
[0071]
基于混合群体智能的配电网能量管理多目标算法，将粒子群算法(particle swarm optimization,pso)和灰狼优化算法(grey wolf optimizer，gwo)结合使用并用于解决配电系统中提出的多目标能量管理问题。将初始群体分为两个子群体，两个子群体的个体数量相等。每个子组通过一种gwo或pso算法移动。在这方面，在每次迭代中，都会得到最佳解，然后总体将再次组合在一起。值得一提的是，在混合两个子群体之前，pso算法的最佳解和gwo算法的最佳三个解都会更新。组合种群随机分成两种算法。重复此过程，直到满足其中一个停止标准。
[0072]
本发明的有益效果主要表现在：除了考虑运营成本外，还考虑了可靠性目标，并将此作为多目标优化问题来解决；以最大限度的解决配电系统中提出的多目标能量管理问题。
具体实施方式
[0073]
下面对本发明作进一步描述。
[0074]
一种具有储能系统的配电网优化运行方法，包括以下步骤：
[0075]
步骤1、设定配电网优化运行目标函数，过程如下：
[0076]
1.1运营成本最小化
[0077]
系统运行成本包括从输电系统购买的能源成本和分布式发电资源成本，建模为(1)所示：
[0078][0079]
式中，和分别为每小时从第k个变电站接收的电量及其相应的价格，和分别是每小时第k个分布式发电资源的接收能量及其相应的价格，n
ss
是网络中的子站数，n
dg
代表分布式电源的数量；
[0080]
1.2可靠性评估
[0081]
可靠性评估是现代电力系统中的一项重要任务，因为它直接影响到电价，更具体地说是社会福利；为此，在可靠性评估中起重要作用的未供应能量(energy not supplied，ens)被视为本研究的目标，即(2)：
[0082][0083]
其中，v包括从一个馈线馈电的所有总线，u
j,m
和u
′
j,m
是分别与m相关的所有分支机构的年度维修和恢复时间，nb是系统总线的数量和pm是第m总线的有功功率；
[0084]
步骤2，计算收回投资成本
[0085]
投资成本和成本效益分析是一个对业务决策进行分析、汇总，然后减去与采取该行动相关的成本的过程，光伏和储能系统分期付款的成本效益分析如下：
[0086][0087]
式中，oc
new
是存在光伏资源和储能系统时的运营成本，而oc
old
的运营成本不考虑这些资源。npv是指净现值的系数；
[0088][0089]
式中，ic为光伏资源、储能系统和转换器的投资成本，n
pv
、n
conv
和n
bat
分别是光伏资源、转换器和储能系统的数量，n
age
是储能系统中电池的使用寿命，ic
pv,i
、ic
conv,j
光伏资源和第j台变流器的投资成本，类似地，ic
bat,k
是第k个储能系统的投资成本；
[0090]
步骤3、给定约束和限制
[0091]
与能量管理问题对应的所有等式和不等式约束组织为(5)-(14)，其中，(5)与发电和需求平衡有关，(6)-(9)是电池运行的限制，其中电池应在一天内保存，(10)-(12)是功率流方程，(13)与配电线路的容量有关，(14)是母线电压大小的可接受边界；
[0092][0093][0094][0095][0096][0097][0098][0099][0100]
[0101][0102]
式中，是每小时从变电站接收的电力，是光伏资源每小时的功率，是柴油发电机(dg)每h小时的功率，是储能系统每h小时的功率，和是每h小时的系统需求和有功功率损耗，w
j,h
，w
j,h-1
是每h小时和每h-1小时的第j个蓄电池存储器内的能量，p
ch,j,h
(p
dis,j,h
)是第j个蓄电池在第h个小时的特定时间段(δt＝1h)内的允许充电(放电)率，ρ
ch,j
(ρ
dis,j
)是第j节电池在充电(放电)过程中的效率，是蓄电池储能中的最大(最小)能量，是每个时间间隔δt＝1h内第j个蓄电池的最大充电(放电)率，si是通过第i总线注入的视在功率，pi和qi分别是通过第i总线注入有功功率和无功功率。vi和vj分别为母线i和j的电压幅值，δi和δj分别为母线i和j的电压相角，y
ij
是母线i和j之间的导纳振幅，θ
ij
是母线i和j之间的导纳相位角，b是电池的最大容量，pfk和分别是为分支的功率流和功率流的最大边界，和分别是电压幅值的最小和最大边界；
[0103]
步骤4、pso算法和gwo算法联合处理，过程如下：
[0104]
4.1、gwo算法处理过程为：
[0105]
gwo算法是基于灰狼的活动过程，更具体地说是在狩猎时，在gwo中，前三个解决方案包括α、β和δ，此外，ω表示其余解，在这方面，ω狼的数学模型可以写成如下：
[0106][0107][0108][0109][0110]
式中，是狼的位置向量，是猎物的位置向量，参数t是迭代次数，
[0111]
运算符是组件式乘法，在迭代过程中，a从2线性减少到0，和是范围[0,1]内的随机数向量；
[0112]
发散或收敛取决于参数的值，为此，当时，搜寻人员分头寻找猎物，当它们会聚在一起攻击猎物。需要注意的是，最近的这一过程是gwo勘探行为的基础，此外，另一个有助于探索过程的参数是参数基于(18)的介于0和2之间的，其中影响猎物确定距离，如(15)所示；
[0113]
在gwo中，根据前面提到的三只狼的同时合作，每个ω狼都应该更新其位置，这个过程如下:
[0114]
[0115][0116][0117]
式中，和分别是搜索者和α、β和δ之间的距离，这些距离用于获得灰狼的新位置。基于(22)-(25)；
[0118][0119][0120][0121][0122]
gwo算法中，根据α、β、δ的位置寻找全局最优解，在这方面，为了寻找猎物，这些提到的狼在攻击猎物时会相互发散，反之亦然；对此，算法的实现应采取以下五个步骤；
[0123]
4.1.1：随机生成一个初始的灰狼群，即候选解；
[0124]
4.1.2：三个形式，α、β、δ狼被指定；
[0125]
4.1.3：可以将参数a建模为勘探和开发过程，其值从2减少到0；
[0126]
4.1.4:如果候选解从被捕食对象发散，如果候选解向被捕食对象收敛；
[0127]
4.1.5：如果满足在开始时定义和设置的停止标准，则终止程序；
[0128]
4.2、pso算法处理过程为：
[0129]
在粒子群优化算法中，优化问题搜索空间中的每个粒子通过其位置和速度向最优解前进，每个粒子的位置和速度更新如下：
[0130][0131][0132][0133]
i＝1,2,3,...,sop
ꢀꢀ
(29)
[0134]
式中，和v
i(t)
分别是第i次迭代时粒子的旧位置和速度，和v
i(t+1)
分别是第(t+1)次迭代时粒子的新位置和速度，是目标函数在迭代时的最佳适应度，是最佳位置，展示了所有中与最佳适应性相关的位置，rand(.)是范围为[0,1]的随机数，ω、ω
min
和ω
max
分别为惯性重量及其最小和最大限值，t和t
max
分别是迭代次数和最大迭代
次数，sop是总体规模；
[0135]
在pso算法和第(t+1)次迭代中，通过方程(30)、(31)来执行最佳解和全局解的更新过程；
[0136][0137][0138]
为了实现所提出的多目标方法，将初始群体分为两个子群体，两个子群体的个体数量相等；每个子组通过一种gwo或pso算法移动；在每次迭代中，都会得到最佳解，然后总体将再次组合在一起；在混合两个子群体之前，pso算法的最佳解和gwo算法的最佳三个解都会更新，组合种群随机分成两种算法，重复此过程，直到满足其中一个停止标准。
[0139]
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。