申请/专利权人：华东交通大学

申请日：2020-12-10

公开（公告）日：2021-03-16

公开（公告）号：CN112234658B

主分类号：H02J3/46(20060101)

分类号：H02J3/46(20060101);H02J3/48(20060101);H02J3/38(20060101);H02J3/32(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.03.16#授权;2021.02.02#实质审查的生效;2021.01.15#公开

摘要：本发明涉及微网调度技术领域，具体涉及到一种基于DDR‑MPC的微网时域滚动优化调度方法，包括：在日前调度阶段，基于差异化价格型需求响应，建立以日综合运行成本最低为目标的日前优化调度模型；在日内调度阶段，将差异化需求响应与模型预测控制方法相结合，基于DDR‑MPC建立以滚动时域综合运行成本最小为目标的日内时域滚动优化调度模型；采用时域滚动复合微分进化算法对微网时域滚动优化调度模型进行求解。本发明将DDR与MPC方法结合能显著降低微网综合运行成本，提升了微网优化调度的可靠性；本发明提出的时域滚动复合微分进化算法能对上述模型进行高效求解，可显著提升寻优收敛速度，同时具有良好的动态环境适应性。

主权项：1.一种基于DDR-MPC的微网时域滚动优化调度方法，其特征在于，包括以下步骤：步骤1，在日前调度阶段，综合考虑机组和储能蓄电池，并将负荷分为居民用电负荷、工业用电负荷、商业用电负荷，在差异化价格型需求响应的基础上，对分类后的负荷建立以日综合运行成本最低为目标的日前优化调度模型；其中，差异化价格型需求响应记为DPDR；步骤2，在日内调度阶段，在日前优化调度模型基础上，将差异化需求响应与模型预测控制方法相结合，建立以滚动时域综合运行成本最小为目标的基于DDR-MPC的日内时域滚动优化调度模型，结合日前优化调度模型和日内时域滚动优化调度模型，得到微网时域滚动优化调度模型；其中，差异化需求响应记为DDR，模型预测控制记为MPC；步骤3，采用时域滚动复合微分进化算法对微网时域滚动优化调度模型进行求解；其中，时域滚动复合微分进化记为TDRCDE，具体的，将滚动优化策略引入到复合微分进化CDE算法中，构建TDRCDE算法，其中，复合微分进化记为CDE，具体的，TDRCDE算法进行动态寻优的过程如下：步骤3.1、设置种群规模为ε，优化时域时段数为N，最大迭代次数为Gmax，总时段为T，初始化t时段种群其中表示t时段种群中的第ε个个体；中个体基于可控单元总数U和优化时域时段数N采用U×N的矩阵构造，个体元素包括柴油发电机组出力、蓄电池的充放电量、负荷削减量；步骤3.2、在优化阶段的t时段，将当前已知的各可控单元实际出力值作为初始值，基于未来t到t+4时段的最新风光出力预测数据，以日前优化调度所得到的未来4个时段的各可控单元最优计划出力值作为参考值；步骤3.3、以微网滚动时域综合运行成本最低为目标采用CDE算法求取调度时域内各可控单元在未来4个时段出力值的最优滚动优化调整量{Δxut+1|t,Δxut+2|t,…,Δxut+4|t}；在CDE操作中根据综合运行成本越低适应度越高的原则对种群个体进行排序，并按分割比例1:1将种群划分为优势种群和劣势种群，将优劣种群集分别用随机变异和基于最优解变异两种不同策略进行变异以兼顾收敛速度和个体多样性，其中，交叉概率因子和变异尺度因子可分别设为0.85和0.5；步骤3.4、将优劣种群集进行合并重组得到新种群，种群继续进行迭代g＝g+1，若gGmax时，返回步骤3.3，当满足条件g＝Gmax时，寻优得到最优种群输出当前迭代种群最优值fmin；并将通过预测模型调度所得到的未来4个时段各可控单元最优出力值的序列{Put+1|t，Put+2|t，Put+3|t，Put+4|t}用以更新各可控单元最优计划出力值序列中的步骤3.5、调度时域继续向前推进t＝t+1，若满足条件t＝T时，则停止循坏对优化合并后的种群排序得到最优值；若不满足条件则转到步骤3.1，此时依照上一个滚动优化过程的最优种群来构造初始化种群然后通过微分进化的变异交叉操作得到新的一代种群，如此循坏直至满足条件为止，得到微网滚动时域综合运行成本的最优值。

全文数据：

权利要求：

百度查询： 华东交通大学 一种基于DDR-MPC的微网时域滚动优化调度方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD