基于改进的自适应遗传算法的独立微网配置优化方法技术

本发明专利技术涉及一种基于改进的自适应遗传算法的独立微网配置优化方法，设定微电网系统结构，建立微电网的优化配置模型，建立微电网的优化配置模型，在满足微电网系统供电可靠性的前提下，目标使微网综合投资费用最低，用改进的自适应遗传算法进行配置优化，寻求一组最优的电源配置，使费用目标函数的值最小。用改进的自适应遗传算法（IAGA）来解决配置优化问题，IAGA利用神经元函数sigmoid设计出自适应的交叉率和变异率，将群体中适应度值最大个体的交叉率值和变异率值分别提高到某一正数，避免优良个体处于一种停滞状态，过早收敛，使得IAGA跳出局部最优解，寻求全局最优解。

【技术实现步骤摘要】
基于改进的自适应遗传算法的独立微网配置优化方法
本专利技术涉及一种微网配置优化方法，特别涉及一种基于改进的自适应遗传算法的独立微网配置优化方法。
技术介绍
随着世界能源的短缺和人们对环保问题的重视，以风能、太阳能为代表的清洁可再生分布式发电单元受到了研究人员的关注。微网能够将分布式发电单元、储能装置、负荷及控制装置集成于一体，充分利用分布式发电单元和储能装置的优势，灵活的运行于并网和孤岛模式下，在解决供电可靠性、环保、能源短缺方面具有很大的潜力。独立微网系统的电源包含有风力发电机、光伏电池、柴油发电机和储能蓄电池，负荷的功率需求由微网中的分布式发电单元和储能来提供。独立微网系统的容量配置问题，不仅影响微网系统的供电可靠性，也对微网系统投资效益产生影响。系统容量配置太大，满足了负荷的功率需求，但增加了微网系统的投资成本，经济性差；系统容量配置太小，降低了微网系统的投资成本，经济性好，但由于无法满足负荷的功率需求，降低了系统的供电可靠性。独立微网配置优化问题是一个多变量、非线性的多目标规划问题，遗传算法是一种基于进化论和遗传学原理的随机并行搜索优化方法，广泛应用于对微网配置优化问题的求解。遗传算法中的交叉算子和变异算子对算法收敛性、稳定性和全局性的影响至关重要。传统遗传算法（SGA）的交叉率和变异率是恒定值常数，使得SGA存在收敛速度慢、局部搜索能力差等缺点，并且针对于不同的优化问题，SGA最佳的交叉率值和变异率值需要通过反复实验来确定，很难找打适合每个问题的最佳值。自适应遗传算法（AGA）的交叉率值和变异率值可以随适应度自动变化，但是当AGA中的个体适应度值接近或等于当代群体的最大适应度值时，该个体的交叉率值和变异率值接近或等于零，这不利于早期进化，将会导致早期进化的优良个体陷入停滞不前的状态，进而使算法偏离全局最优解，进入局部最优解的概率增加。以上两种遗传算法在求解微网配置容量问题时存在着算法收敛速度慢、稳定性差和所求解非全局最优解的问题。
技术实现思路
本专利技术是针对SGA和AGA两种遗传算法处理独立微网配置优化存在的问题，提出了一种基于改进的自适应遗传算法的独立微网配置优化方法，用改进的自适应遗传算法（IAGA）来解决配置优化问题，IAGA利用神经元函数sigmoid设计出自适应的交叉率和变异率，将群体中适应度值最大个体的交叉率值和变异率值分别提高到某一正数，避免优良个体处于一种停滞状态，过早收敛，使得IAGA跳出局部最优解，寻求全局最优解。本专利技术的技术方案为：一种基于改进的自适应遗传算法的独立微网配置优化方法，具体包括如下步骤：1）设定微电网系统结构：微网系统由风力发电机组、光伏组件、柴油发电机、蓄电池、电负荷和变换器组成，分别建立风机、光伏阵列、柴油发电机和储能装置模型；2）建立微电网的优化配置模型：A：设定目标函数：目标在满足微电网系统供电可靠性的前提下，使微网综合投资费用最低，目标函数如下：式中：T为运行时间；N为电源的类型数目；x=[x1,x2,…,xN]为决策变量，xi为第i种电源的数目；CCPi（t）、COMi（t）、CFi（t）、CEi（t）、CDi（t）、CSi（t）分别为t时刻第i种电源的初始投资成本、运行和维护成本、燃料费用、惩罚费用、环保折算费用、发电补贴；B：设定约束条件，分别设定微源功率约束、满足负载供电电源个数约束、蓄电池电量约束和供电可靠性约束；3）用改进的自适应遗传算法进行配置优化：Ⅰ：染色体编码和初始种群的生成：染色体x=(x1,x2,x3,x4)T的各分量分别表示风机、光伏、蓄电池、柴油发电机的安装容量，对染色体采用二进制编码方式进行编码，对于染色体的每一个基因位，在满足相应的约束条件下，随机产生一个基因，依次逐次进行，即可生成一个染色体，如此重复操作，直至生成所需规模大小的初始群体；Ⅱ：带有自适应罚函数的适应度函数：带有罚函数的适应度函数为eval(x)=z(x)p(x)，z（x）为目标函数转换后最大化函数，通过适应性罚函数来处理约束gi(x)≤bi，i=1,2,…,m的情况，对当代种群P（t）中给定一个个体x情况下，构造自适应罚函数为，其中，，gi(x)为第i个约束条件关于x的函数；bi为第i个约束条件的上限值；Δbi（x）代表着当前染色体对第i个约束条件的偏离值，Δbimax是当前种群中对第i个约束条件的最大偏离值；a为惩罚因子，可取为（0,1）区间上的值；ε是一个很小正数；Ⅲ：选择参与交叉和变异的个体：采用精英选择和轮盘赌选择相结合的方式，选择参与交叉和变异的个体，在选择算子中，先找到当前群体中适应度最高的个体，允许其不经过交叉和变异，直接进入下一代，并替换下一代中群体中适应度最差的个体，将剩余个体按照轮盘赌选择法进行操作；Ⅳ：采用改进改进的自适应遗传算法IAGA的交叉算子和变异算子：IAGA的交叉率Pc和变异率Pm公式，如下：其中fmax为每一代种群的最大适应度值；favg为每一代种群的平均适应度值；f′为要交叉的两个个体中较大的适应度值；f为要变异个体的适应度值，A=9.903438，Pc1=0.8，Pc2=0.6，Pm1=0.04，Pm2=0.005；Ⅴ：采用最大终止代数的方法确定是否终止迭代过程，寻求一组最优的(x1x2x3x4)，使目标函数的值最小。本专利技术的有益效果在于：本专利技术基于改进的自适应遗传算法的独立微网配置优化方法，显著的提高了遗传算法的收敛速度和稳定性，降低算法陷入局部最优解的概率。克服了SGA和AGA两种遗传算法解决独立微网配置优化存在的缺陷，本专利技术所提方法思路清晰，易于编程实现，独立微网配置优化效果好。附图说明图1为微电网示意图；图2为本专利技术sigmoid函数图；图3为本专利技术改进的自适应遗传算法计算流程图；图4为本专利技术已知机组出力及电负荷图；图5为本专利技术算法收敛性比较图；图6为本专利技术算法稳定性比较图。具体实施方式本专利技术利用神经元函数sigmoid设计出自适应的交叉率和变异率，将群体中适应度值最大个体的交叉率值和变异率值分别提高到某一正数，避免优良个体处于一种停滞状态，过早收敛，使得IAGA跳出局部最优解，寻求全局最优解。本专利技术的技术方案如下：1、微源数学模型1）微电网系统结构如图1所示,该微网系统由风力发电机组、光伏组件、柴油发电机、蓄电池、电负荷和变换器组成。微网孤岛稳定运行时，公共连接点处断路器处于断开状态，微网中各微源通过变换器共同为电负荷供电，满足负荷需求。2）风机模型风电机组各时刻的输出功率PWT主要由塔架实际安装高度处的平均风速v决定，其表达式为：(1)其中：Pr、vci、vr、vco分别表示风机的额定功率、切入风速、额定风速和切出风速，这些参数由风机生产商提供。3）光伏阵列模型为了便于工程的应用，光伏组件的稳态功率输出可采用如下所述简化模型,认为光伏电池的输出功率只与环境温度和太阳能辐射值相关，公式为：（2）式中：PPV为工作点的输出功率；光伏组件厂商通常会给出标准额定条件（standardtestcondition，STC）下的运行参数，STC特指太阳辐照度GSTC为1000W/m2，环境温度TSTC为25℃，相对于大气光学质量为AM1.5的条件；PSTC为标准测试条件下光伏阵列的最大测试功率；GAC工作点的

【技术保护点】
一种基于改进的自适应遗传算法的独立微网配置优化方法，其特征在于，具体包括如下步骤：1）设定微电网系统结构：微网系统由风力发电机组、光伏组件、柴油发电机、蓄电池、电负荷和变换器组成，分别建立风机、光伏阵列、柴油发电机和储能装置模型；2）建立微电网的优化配置模型：A：设定目标函数：目标在满足微电网系统供电可靠性的前提下，使微网综合投资费用最低，目标函数如下：式中：T为运行时间；N为电源的类型数目；x=[x1,x2,…,xN]为决策变量，xi为第i种电源的数目；CCPi（t）、COMi（t）、CFi（t）、CEi（t）、CDi（t）、CSi（t）分别为t时刻第i种电源的初始投资成本、运行和维护成本、燃料费用、惩罚费用、环保折算费用、发电补贴；B：设定约束条件，分别设定微源功率约束、满足负载供电电源个数约束、蓄电池电量约束和供电可靠性约束；3）用改进的自适应遗传算法进行配置优化：Ⅰ：染色体编码和初始种群的生成：染色体x=(x1,x2,x3,x4)T的各分量分别表示风机、光伏、蓄电池、柴油发电机的安装容量，对染色体采用二进制编码方式进行编码，对于染色体的每一个基因位，在满足相应的约束条件下，随机产生一个基因，依次逐次进行，即可生成一个染色体，如此重复操作，直至生成所需规模大小的初始群体；Ⅱ：带有自适应罚函数的适应度函数：带有罚函数的适应度函数为eval(x)=z(x)p(x)，z（x）为目标函数转换后最大化函数，通过适应性罚函数来处理约束gi(x)≤bi，i=1,2,…,m的情况，对当代种群P（t）中给定一个个体x情况下，构造自适应罚函数为，其中，，gi(x)为第i个约束条件关于x的函数；bi为第i个约束条件的上限值；Δbi（x）代表着当前染色体对第i个约束条件的偏离值，Δbimax是当前种群中对第i个约束条件的最大偏离值；a为惩罚因子，可取为（0,1）区间上的值；ε是一个很小正数；Ⅲ：选择参与交叉和变异的个体：采用精英选择和轮盘赌选择相结合的方式，选择参与交叉和变异的个体，在选择算子中，先找到当前群体中适应度最高的个体，允许其不经过交叉和变异，直接进入下一代，并替换下一代中群体中适应度最差的个体，将剩余个体按照轮盘赌选择法进行操作；Ⅳ：采用改进改进的自适应遗传算法IAGA的交叉算子和变异算子：IAGA的交叉率Pc和变异率Pm公式，如下：其中fmax为每一代种群的最大适应度值；favg为每一代种群的平均适应度值；f′为要交叉的两个个体中较大的适应度值；f为要变异个体的适应度值，A=9.903438， Pc1=0.8，Pc2=0.6，Pm1=0.04，Pm2=0.005；Ⅴ：采用最大终止代数的方法确定是否终止迭代过程，寻求一组最优的(x1x2x3x4)，使目标函数的值最小。

【技术特征摘要】
1.一种基于改进的自适应遗传算法的独立微网配置优化方法，其特征在于，具体包括如下步骤：1）设定微电网系统结构：微网系统由风力发电机组、光伏组件、柴油发电机、蓄电池、电负荷和变换器组成，分别建立风机、光伏阵列、柴油发电机和储能装置模型；2）建立微电网的优化配置模型：A：设定目标函数：目标在满足微电网系统供电可靠性的前提下，使微网综合投资费用最低，目标函数如下：式中：T为运行时间；N为电源的类型数目；x=[x1,x2,…,xN]为决策变量，xi为第i种电源的数目；CCPi（t）、COMi（t）、CFi（t）、CEi（t）、CDi（t）、CSi（t）分别为t时刻第i种电源的初始投资成本、运行和维护成本、燃料费用、惩罚费用、环保折算费用、发电补贴；B：设定约束条件，分别设定微源功率约束、满足负载供电电源个数约束、蓄电池电量约束和供电可靠性约束；3）用改进的自适应遗传算法进行配置优化：Ⅰ：染色体编码和初始种群的生成：染色体x=(x1,x2,x3,x4)T的各分量分别表示风机、光伏、蓄电池、柴油发电机的安装容量，对染色体采用二进制编码方式进行编码，对于染色体的每一个基因位，在满足相应的约束条件下，随机产生一个基因，依次逐次进行，即可生成一个染色体，如此重复操作，直至生成所需规模大小的初始群体；Ⅱ：带有自适应罚函数的适应度函数：带有罚函数的适应度函数为eval(x)...

【专利技术属性】
技术研发人员：杨秀，李成，张美霞，王海波，郭鹏超，邓虹，刘方，徐文丽，时珊珊，刘舒，
申请(专利权)人：国网上海市电力公司，上海电力学院，
类型：发明
国别省市：上海;31