本發(fā)明涉及風(fēng)電并網(wǎng)，特別指一種基于自適應(yīng)粒子群算法的風(fēng)電平抑方法。

背景技術(shù)：

1、隨著傳統(tǒng)能源的枯竭，向清潔能源的過(guò)渡需求日益增加，風(fēng)電作為一種突出的可再生能源選項(xiàng)逐漸受到重視。然而，風(fēng)力發(fā)電的間歇性和不可預(yù)測(cè)性導(dǎo)致了與風(fēng)速相關(guān)的顯著波動(dòng)，這些波動(dòng)對(duì)電網(wǎng)運(yùn)行的穩(wěn)定性構(gòu)成了挑戰(zhàn)，并造成了諧波污染。為了確保電網(wǎng)運(yùn)行的安全性和可靠性，需要對(duì)風(fēng)電的功率輸出進(jìn)行平抑，以平滑功率輸出。

2、平滑功率輸出方案可以根據(jù)是否配備儲(chǔ)能設(shè)備進(jìn)行分類(lèi)，不含儲(chǔ)能設(shè)備的方案依賴(lài)電力設(shè)備自身的能力來(lái)調(diào)整功率輸出并實(shí)現(xiàn)功率平滑，但平滑效果有限；含儲(chǔ)能設(shè)備的方案能顯著提升功率平滑能力，電池儲(chǔ)能系統(tǒng)(bess)由于具有高效率、快速響應(yīng)、成本較低并且易于安裝等特點(diǎn)，被作為平滑風(fēng)電輸出常用的儲(chǔ)能系統(tǒng)。在配置儲(chǔ)能系統(tǒng)時(shí)，需要考慮單一或多重應(yīng)用場(chǎng)景下的技術(shù)指標(biāo)和經(jīng)濟(jì)指標(biāo)，有些場(chǎng)景還需考慮預(yù)測(cè)誤差和調(diào)度計(jì)劃變更等因素的影響。目前，主流的儲(chǔ)能系統(tǒng)配置存在如下方法：

3、1、基于順序運(yùn)行仿真的配置法：以技術(shù)目標(biāo)為方向，并以單一目標(biāo)函數(shù)作為配置的依據(jù)；首先獲取可再生能源電站的歷史數(shù)據(jù)，并根據(jù)不同的實(shí)際應(yīng)用場(chǎng)景，預(yù)測(cè)未來(lái)時(shí)期的電力，并制定相應(yīng)的儲(chǔ)能系統(tǒng)充放電操作策略，在權(quán)衡投資回報(bào)和應(yīng)用價(jià)值等因素后，根據(jù)時(shí)間序列電力需求獲得最佳儲(chǔ)能額定功率和額定容量。

4、2、確定性配置法：以?xún)?chǔ)能系統(tǒng)的額定功率和額定容量作為模型的決策變量，基于數(shù)據(jù)樣本的確定性假設(shè)并結(jié)合歷史運(yùn)行數(shù)據(jù)，建立優(yōu)化儲(chǔ)能配置的可再生能源儲(chǔ)能系統(tǒng)模型，并考慮經(jīng)濟(jì)性或技術(shù)性，然后采用求解算法得到儲(chǔ)能系統(tǒng)的最優(yōu)配置結(jié)果。

5、3、不確定性配置法：由于可再生能源輸出的不確定性，對(duì)應(yīng)的電力預(yù)測(cè)和電網(wǎng)吸收能力也具有不確定性，這使得儲(chǔ)能需求也存在不確定性，針對(duì)這種不確定性，提出不確定性配置方法來(lái)解決這一問(wèn)題；不確定性配置方法(不確定性規(guī)劃)包括隨機(jī)規(guī)劃、模糊規(guī)劃、魯棒優(yōu)化等，應(yīng)用場(chǎng)景主要包括提高可再生能源機(jī)組的故障穿越能力、并網(wǎng)能力、可靠容量以及主動(dòng)支撐電網(wǎng)的能力。

6、pso(粒子群優(yōu)化)算法是一種受自然啟發(fā)的進(jìn)化算法，將每個(gè)優(yōu)化問(wèn)題的候選解概念化為一個(gè)粒子，這些粒子的集合也被稱(chēng)為群體，導(dǎo)航于問(wèn)題固有的d維搜索空間，粒子的位置受其自身經(jīng)驗(yàn)和鄰近粒子的經(jīng)驗(yàn)的影響，對(duì)以?xún)?chǔ)能系統(tǒng)配置為決策變量的優(yōu)化模型有很好的效果。

7、然而，傳統(tǒng)pso算法由于固定參數(shù)和慣性權(quán)重?zé)o法隨著群體的更新進(jìn)行調(diào)整，導(dǎo)致對(duì)群體信息利用不足，使得優(yōu)化效果不佳，進(jìn)而影響風(fēng)電平抑效果。傳統(tǒng)上還存在pso的變種算法：1、clpso(綜合學(xué)習(xí)粒子群優(yōu)化器)算法采用一種創(chuàng)新的學(xué)習(xí)策略，利用所有其他粒子的歷史最佳信息來(lái)更新給定粒子的速度；2、nasir等人進(jìn)一步擴(kuò)展clpso算法，通過(guò)將示范粒子限制在動(dòng)態(tài)鄰域中；3、基于動(dòng)態(tài)鄰域的切換pso(dnspso)算法，設(shè)計(jì)一種新的速度更新機(jī)制，基于距離相關(guān)的動(dòng)態(tài)鄰域，調(diào)整個(gè)人最佳位置和全局最佳位置，以充分利用整個(gè)群體中的進(jìn)化信息；4、采用包含慣性權(quán)重的迭代方程的pso算法；5、每個(gè)粒子每個(gè)維度的慣性權(quán)重，由粒子的性能和歷史最佳位置距離決定的pso算法；6、基于混沌的非線(xiàn)性慣性權(quán)重的pso算法，稱(chēng)為mpso；7、名為pso-sono的單目標(biāo)優(yōu)化pso變種，其中在迭代過(guò)程中引入一種新的范式比率和收縮系數(shù)的自適應(yīng)方案。

8、由于傳統(tǒng)的pso以及pso變體存在著搜索模式固定、搜索過(guò)程中無(wú)法自行調(diào)整搜索模式、常常陷入局部最優(yōu)等的缺點(diǎn)，使得優(yōu)化效果不佳，進(jìn)而影響風(fēng)電功率輸出的平滑性，即風(fēng)電平抑效果不佳。

9、因此，如何提供一種基于自適應(yīng)粒子群算法的風(fēng)電平抑方法，實(shí)現(xiàn)提升風(fēng)電功率輸出的平滑性，成為一個(gè)亟待解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問(wèn)題，在于提供一種基于自適應(yīng)粒子群算法的風(fēng)電平抑方法，實(shí)現(xiàn)提升風(fēng)電功率輸出的平滑性。

2、本發(fā)明是這樣實(shí)現(xiàn)的：一種基于自適應(yīng)粒子群算法的風(fēng)電平抑方法，包括如下步驟：

3、步驟s1、設(shè)定風(fēng)電儲(chǔ)能系統(tǒng)的粒子群的種群參數(shù)，基于所述種群參數(shù)對(duì)粒子群進(jìn)行初始化得到初始種群；

4、步驟s2、獲取風(fēng)電儲(chǔ)能系統(tǒng)的儲(chǔ)能參數(shù)，設(shè)定風(fēng)電儲(chǔ)能系統(tǒng)的目標(biāo)函數(shù)；

5、步驟s3、將所述初始種群以及儲(chǔ)能參數(shù)中的初始風(fēng)電功率輸入目標(biāo)函數(shù)，得到初始適應(yīng)度；

6、步驟s4、將所述初始種群劃分為兩個(gè)子種群，基于所述初始適應(yīng)度計(jì)算初始種群的全局最優(yōu)粒子、子種群的局部最優(yōu)粒子；

7、步驟s5、設(shè)定慣性權(quán)重更新規(guī)則以及種群更新范式，基于所述慣性權(quán)重更新規(guī)則以及種群更新范式對(duì)初始種群以及子種群進(jìn)行更新，保存每一代更新的所述全局最優(yōu)粒子以及局部最優(yōu)粒子；

8、步驟s6、從各所述全局最優(yōu)粒子以及局部最優(yōu)粒子中選取全局最優(yōu)個(gè)體，計(jì)算所述全局最優(yōu)個(gè)體的最優(yōu)適應(yīng)度；

9、步驟s7、基于所述全局最優(yōu)個(gè)體確定風(fēng)電儲(chǔ)能系統(tǒng)的最優(yōu)額定容量以及最優(yōu)額定功率，基于所述最優(yōu)適應(yīng)度確定電儲(chǔ)能系統(tǒng)的最小成本，風(fēng)電儲(chǔ)能系統(tǒng)基于所述最優(yōu)額定容量、最優(yōu)額定功率以及最小成本調(diào)整系統(tǒng)配置，以平抑風(fēng)電功率輸出。

10、進(jìn)一步的，所述步驟s1中，所述種群參數(shù)至少包括解空間上界lb、解空間下界ub、解的維度dim、初始化種群數(shù)n以及迭代次數(shù)t；所述維度dim的取值為2，包括額定容量以及額定功率這兩個(gè)維度；

11、所述初始種群的公式為：

12、x＝lb+rand*(ub-lb)；

13、其中，x表示初始種群；rand表示維度為dim、大小為n的隨機(jī)矩陣。

14、進(jìn)一步的，所述步驟s2中，所述儲(chǔ)能參數(shù)至少包括單位功率、容量成本、充放電效率、儲(chǔ)能狀態(tài)、資本回收率、初始風(fēng)電功率、額定容量以及額定功率。

15、進(jìn)一步的，所述步驟s2中，所述目標(biāo)函數(shù)的公式為：

16、minf＝c+αepenalty+βecurtail+ccycle；

17、cpenalty+ccurtail＝αepenalty+βecurtail；

18、其中，minf表示最小成本，即適應(yīng)度；c表示年等效成本；epenalty表示風(fēng)電平抑不足的年數(shù)量；ecurtail表示風(fēng)電棄風(fēng)的年數(shù)量；α表示epenalty的單位懲罰成本；β表示ecurtail的單位懲罰成本；ccycle表示風(fēng)電儲(chǔ)能系統(tǒng)的生命周期成本；cpenalty表示風(fēng)電平抑不足的懲罰；ccurtail表示風(fēng)電棄風(fēng)的懲罰。

19、進(jìn)一步的，所述步驟s5中，所述慣性權(quán)重更新規(guī)則的公式為：

20、

21、ω2＝1-ω1；

22、其中，ω2表示更新后的慣性權(quán)重；ω1表示更新前的慣性權(quán)重；sin()表示正弦函數(shù)；gen表示迭代次數(shù)；genmax表示最大迭代次數(shù)。

23、進(jìn)一步的，所述步驟s5中，所述種群更新范式具體為：

24、設(shè)定一慣性權(quán)重閾值a1、一慣性權(quán)重閾值a2、一取值范圍為[0,1]的隨機(jī)值r；

25、當(dāng)ω2＜a1時(shí)，種群更新的公式為：

26、

27、當(dāng)ω1＞a2時(shí)，種群更新的公式為：

28、

29、當(dāng)r＜0.6且ω1＜a2時(shí)，種群更新的公式為：

30、

31、當(dāng)r＞0.6且ω1＜a2時(shí)，種群更新的公式為；

32、

33、其中，vi,g+1表示種群x在第(g+1)代的第i個(gè)粒子的搜索速度；xi,g表示種群x在第g代的第i個(gè)粒子；xi,g+1表示種群x在第(g+1)代的第i個(gè)粒子；step表示搜索步長(zhǎng)；xmax表示搜索空間的上限；xmin表示搜索空間的下限；d1表示在第二個(gè)搜索階段的種群搜索速度控制參數(shù)，且d1∈{-1,1}；d2表示在第三個(gè)搜索階段的種群搜索速度控制參數(shù)；d3表示在第四個(gè)搜索階段的種群搜索速度控制參數(shù)；c表示在每一個(gè)搜索階段中用于加快搜索速度的控制參數(shù)，且c＝2；xgbest,g表示種群x在第g代的全局最優(yōu)粒子；r用于與d1、d2、d3以及c配合控制種群搜索速度。

34、進(jìn)一步的，所述步驟s5中，所述種群更新范式還包括：

35、使用遷移算子促進(jìn)子種群的信息交換：

36、xmworse,g＝xfbest,g；

37、xfworse,g＝xmbest,g；

38、其中，xmworse,g表示子種群m在第g代的全局最差粒子；xfbest,g表示子種群f在第g代的全局最優(yōu)粒子；xfworse,g表示子種群f在第g代的全局最差粒子；xmbest,g表示子種群m在第g代的全局最優(yōu)粒子。

39、本發(fā)明的優(yōu)點(diǎn)在于：

40、通過(guò)設(shè)定風(fēng)電儲(chǔ)能系統(tǒng)的粒子群的種群參數(shù)，基于種群參數(shù)對(duì)粒子群進(jìn)行初始化得到初始種群；接著獲取風(fēng)電儲(chǔ)能系統(tǒng)的儲(chǔ)能參數(shù)，設(shè)定風(fēng)電儲(chǔ)能系統(tǒng)的目標(biāo)函數(shù)，將初始種群以及儲(chǔ)能參數(shù)中的初始風(fēng)電功率輸入目標(biāo)函數(shù)，得到初始適應(yīng)度，接著將初始種群劃分為兩個(gè)子種群，基于初始適應(yīng)度計(jì)算初始種群的全局最優(yōu)粒子、子種群的局部最優(yōu)粒子；接著設(shè)定慣性權(quán)重更新規(guī)則以及種群更新范式以對(duì)初始種群和子種群進(jìn)行更新，保存每一代更新的全局最優(yōu)粒子以及局部最優(yōu)粒子，從各全局最優(yōu)粒子以及局部最優(yōu)粒子中選取全局最優(yōu)個(gè)體，計(jì)算全局最優(yōu)個(gè)體的最優(yōu)適應(yīng)度，最后基于全局最優(yōu)個(gè)體確定風(fēng)電儲(chǔ)能系統(tǒng)的最優(yōu)額定容量以及最優(yōu)額定功率，基于最優(yōu)適應(yīng)度確定電儲(chǔ)能系統(tǒng)的最小成本，基于最優(yōu)額定容量、最優(yōu)額定功率以及最小成本調(diào)整系統(tǒng)配置，以平抑風(fēng)電功率輸出；即通過(guò)慣性權(quán)重更新規(guī)則以及種群更新范式對(duì)粒子群進(jìn)行更新，慣性權(quán)重更新規(guī)則在迭代更新過(guò)程中動(dòng)態(tài)調(diào)整粒子的搜索步長(zhǎng)和搜索速度，與傳統(tǒng)pso或者pso變體的權(quán)重更新方案相比，減少算法在搜索過(guò)程中過(guò)早的收斂，增大算法搜索到全局最優(yōu)粒子的概率，確保探索和開(kāi)發(fā)階段之間的平衡；種群更新范式混合了levy搜索、準(zhǔn)反向?qū)W習(xí)策略以及遷移算子，在不同搜索階段使用不同的更新策略，使得不同搜索階段有不同的搜索側(cè)重，避免出現(xiàn)算法往固定方向搜索導(dǎo)致搜索方向大概率偏離正確方向，而無(wú)法在搜索中途調(diào)整的問(wèn)題，提高了種群更新的優(yōu)化性能，最終極大的提升了風(fēng)電儲(chǔ)能系統(tǒng)的系統(tǒng)配置優(yōu)化效果，進(jìn)而極大的提升了風(fēng)電功率輸出的平滑性。