本發(fā)明屬于電力系統(tǒng)多目標(biāo)優(yōu)化控制研究領(lǐng)域，具體涉及一種基于復(fù)合儲能功率分配的微電網(wǎng)多目標(biāo)優(yōu)化控制方法。

背景技術(shù)：

1、近年來各國逐步優(yōu)化能源結(jié)構(gòu)向可再生能源方向持續(xù)推進，水電、風(fēng)電、太陽能等清潔能源發(fā)電規(guī)模也不斷增大。然而，由于自然風(fēng)存在隨機波動的特性，風(fēng)力發(fā)電的電能輸出存在嚴(yán)重間歇性波動，導(dǎo)致其出力的可靠性較差。大規(guī)模的風(fēng)電接入將對電網(wǎng)的安全穩(wěn)定運行造成嚴(yán)重威脅。目前，已廣泛采用抽蓄機組與風(fēng)電機組互聯(lián)運行的方法，抽水蓄能機組同時具有發(fā)電、儲能可雙向運行，可實現(xiàn)大功率、大容量的電能儲存在電網(wǎng)中起到調(diào)峰調(diào)頻等作用，以消納風(fēng)光這類間歇性能源給電網(wǎng)造成的沖擊，可提高風(fēng)電機組的可靠性和穩(wěn)定性。但抽蓄機組在承擔(dān)調(diào)峰任務(wù)時，由于功率響應(yīng)需要經(jīng)過引水系統(tǒng)等一系列復(fù)雜物理過程改變機組出力，其響應(yīng)速率遠(yuǎn)不如化學(xué)電池儲能及電磁儲能等設(shè)備。在電網(wǎng)中平抑間歇性能源波動時面對較高頻波動時，其爬坡速率較慢無法維持頻率水平，依然影響電網(wǎng)系統(tǒng)的安全穩(wěn)定運行。而超級電容具有長壽命、循環(huán)次數(shù)多、充放電時間響應(yīng)速度快等優(yōu)點，但超級電容器的電介質(zhì)耐壓很低，儲能水平受到耐壓限制，儲存的能量不大，放電時間較短，要使其大規(guī)模應(yīng)用于微電網(wǎng)中，可與蓄電池類儲能組成復(fù)合儲能系統(tǒng)，以兼具功率型、能量型儲能特點。

2、變分模態(tài)分解(variational?mode?decomposition，vmd)是一種單變量信號分解方法，旨在將一個復(fù)雜信號分解為一組內(nèi)在模態(tài)函數(shù)(intrinsic?mode?functions,imfs)，每個imf都具有清晰的瞬時頻率。vmd通過最小化信號重構(gòu)誤差和模態(tài)頻帶寬度來實現(xiàn)這一目標(biāo)，從而得到一組純凈的、相互正交的模態(tài)信號。vmd設(shè)計用于處理單通道信號，而mvmd(多元變分模態(tài)分解)能夠同時處理多個相關(guān)信號或通道，在微電網(wǎng)系統(tǒng)中其不平穩(wěn)功率可能來自多個可再生能源發(fā)電單元和負(fù)荷變化，這些信號之間很可能存在關(guān)聯(lián)性。mvmd是對vmd的一種擴展，旨在處理多變量或多通道信號的分解。mvmd通過同時考慮所有通道的信息來優(yōu)化模態(tài)的頻率分離，這有助于在復(fù)雜和動態(tài)的微電網(wǎng)系統(tǒng)中更準(zhǔn)確地識別和分離不同頻率的功率波動。

3、競爭與合作群優(yōu)化算法(competition?and?cooperation?swarm?optimization,ccso)是一種競爭與合作群體優(yōu)化方法。ccso算法更新策略允許通過一個粒子的適應(yīng)度下降，以使得另一個粒子適應(yīng)度更好。ccso通過這種特殊協(xié)同學(xué)習(xí)模型可從局部最優(yōu)區(qū)域生成粒子，通過允許一個粒子的適應(yīng)度惡化，即犧牲一個粒子來使另一個粒子位置更優(yōu)，實現(xiàn)了一種新的位置更新策略。但傳統(tǒng)的ccso算法，其競爭群優(yōu)化策略借鑒粒子群算法(pso)，其學(xué)習(xí)率參數(shù)是設(shè)定不變的，這種方式雖然減少了參數(shù)但不利于算法收斂。

技術(shù)實現(xiàn)思路

1、發(fā)明目的：本發(fā)明提供一種基于復(fù)合儲能功率分配的微電網(wǎng)多目標(biāo)優(yōu)化控制方法，使得含可再生能源微電網(wǎng)系統(tǒng)能夠更精準(zhǔn)、迅速地調(diào)節(jié)電網(wǎng)頻率，達到了全頻段針對性平抑波動，進一步保障系統(tǒng)的安全穩(wěn)定運行。

2、技術(shù)方案：本發(fā)明所述的一種基于復(fù)合儲能功率分配的微電網(wǎng)多目標(biāo)優(yōu)化控制方法，包括以下步驟：

3、(1)構(gòu)建水風(fēng)儲互聯(lián)微電網(wǎng)系統(tǒng)，并根據(jù)微電網(wǎng)系統(tǒng)功率分配策略得到所需復(fù)合儲能系統(tǒng)平抑的功率信號；所述復(fù)合儲能系統(tǒng)包括抽水蓄能電站、蓄電池組及超級電容組；

4、(2)通過mvmd分解需要復(fù)合儲能系統(tǒng)平抑的功率信號，得到多元調(diào)制分量信號；

5、(3)對多元調(diào)制分量信號進行重構(gòu)，以得到相對的高中低三個頻段的功率信號；

6、(4)對微電網(wǎng)系統(tǒng)建立基于復(fù)合儲能功率分配的多目標(biāo)優(yōu)化模型，包括優(yōu)化變量、目標(biāo)函數(shù)和約束條件；

7、(5)對ccso算法進行改進獲取iccso算法；所述iccso算法針對ccso算法易陷入局部最優(yōu)缺陷，更新策略引入萊維飛行隨機游走策略及隨當(dāng)前迭代數(shù)動態(tài)自適應(yīng)的學(xué)習(xí)率調(diào)整策略，前期快速擴大搜索空間以充分探尋，后期保證最優(yōu)解附近精細(xì)調(diào)整；并引入chebyshev映射初始化，以提高算法全局收斂效率；

8、(6)利用iccso算法求解所建立的多目標(biāo)優(yōu)化模型，以得到符合期望目標(biāo)函數(shù)的最優(yōu)的信號重構(gòu)求和模態(tài)數(shù)及懲罰因子參數(shù)組，實現(xiàn)全頻段精準(zhǔn)平抑微電網(wǎng)系統(tǒng)風(fēng)電功率波動。

9、進一步地，步驟(1)所述水風(fēng)儲互聯(lián)微電網(wǎng)系統(tǒng)包括水電站、風(fēng)電場、負(fù)荷系統(tǒng)、復(fù)合儲能系統(tǒng)及控制系統(tǒng)。

10、進一步地，步驟(1)所述所需復(fù)合儲能系統(tǒng)平抑的功率信號為：

11、pc(t)＝pw(t)-pgrid(t)

12、其中，pc(t)為互聯(lián)微電網(wǎng)需復(fù)合儲能系統(tǒng)平抑的功率信號，pw(t)為風(fēng)電輸出功率，pgrid(t)為風(fēng)電并網(wǎng)期望功率；且：

13、pc(t)＝pp(t)+pb(t)+psc(t)

14、其中，pp(t)為需抽水蓄能機組平抑功率，pb(t)為需蓄電池組平抑功率，psc(t)為需超級電容組平抑功率。

15、進一步地，所述步驟(2)實現(xiàn)過程如下：

16、待分解功率信號pc(t)的通道數(shù)為c,待分解所得多元調(diào)制分量數(shù)目為k,分解得到k個多元調(diào)制分量uk(t),k＝1,2,…,k，3≤k≤20，據(jù)此構(gòu)造變分問題為：

17、

18、式中，c為算法輸入的原始信號數(shù)；ωk為mvmd分解后每個模態(tài)的中心頻率；pc(t)為輸入多元時序特征信號的集合；uk,c(t)為分解后時序特征信號的集合，為利用hilbert變換所求得多元調(diào)制信號uk,c(t)的解析信號。

19、進一步地，所述步驟(3)實現(xiàn)過程如下：

20、將分解所得k個多元調(diào)制分量uk(t),k＝1,2,...,k，3≤k≤20重構(gòu)為高中低頻三個重構(gòu)信號，根據(jù)每個模態(tài)的中心頻率ωj將模態(tài)分類，其分類原則如下：

21、

22、式中，ωmax、ωmin分別為除分解的最后一個模特分量uk(t)以外的模態(tài)中最高與最低中心頻率，ωc為二者平均值作為信號重構(gòu)的高中頻臨界值，除uk(t)以外所有模態(tài)中，中心頻率ωk≤ωc將其歸類為中頻信號，中心頻率ωk＞ωc將其歸類為高頻信號，經(jīng)mvmd分解出的最后一個模特分量uk(t)為低頻信號；

23、將屬于同一頻帶的模態(tài)信號相加以獲得相應(yīng)高中低三個頻段的重構(gòu)信號：

24、

25、式中，h(t)為重構(gòu)所得高頻分量信號分配給超級電容組進行平抑，m(t)為重構(gòu)所得中頻分量信號分配給蓄電池組進行平抑，l(t)為重構(gòu)所得低頻分量信號分配給抽水蓄能進行平抑，h、m為分解所得多元調(diào)制信號進行高、中頻信號重構(gòu)時分別進行求和的模態(tài)數(shù)，3≤k≤20是mvmd分解所得多元調(diào)制信號模態(tài)總數(shù)。

26、進一步地，所述步驟(4)實現(xiàn)過程如下：

27、選取優(yōu)化變量為mvmd分解中構(gòu)造拉格朗日函數(shù)的懲罰因子ε以及經(jīng)mvmd分解進行高、中頻信號重構(gòu)時所分別求和的模態(tài)數(shù)h、m；

28、目標(biāo)函數(shù)f1為信號分解重構(gòu)過程中所得重構(gòu)信號相較原信號的均方誤差與分解模態(tài)的平均峭度的加權(quán)值，保證分解過程中信號的保真性與減少模態(tài)間的交叉干擾：

29、f1＝α×mse+(1-α)×q

30、其中，α為均方誤差所占權(quán)重，q為分解模態(tài)的平均峭度，mse為均方誤差；

31、目標(biāo)函數(shù)f2為系統(tǒng)電網(wǎng)頻率的時間乘以絕對誤差積分：

32、

33、其中，e(t)表示系統(tǒng)實際輸出與期望輸出的誤差，t表示時間；

34、約束條件為：

35、

36、其中，ht(t)、mt(t)、lt(t)分別為重構(gòu)所得高中低頻功率信號在任意t時刻的值，psc,max、psc,min表示超級電容組出力上下限，psoc,max、psoc,min表示蓄電池組出力上下限，其值正負(fù)號分別表示充放電，pp,max、pp,min表示抽蓄機組出力上下限，其值正負(fù)號表示抽水放水，k是mvmd分解所得多元調(diào)制信號模態(tài)總數(shù)。

37、進一步地，所述步驟(5)實現(xiàn)過程如下：

38、利用chebyshev映射進行種群初始化，確定種群的初始布局：

39、xn+1＝cos(μarccos?xn),xn∈[-1,1]

40、其中，μ為chebyshev多項式的階次,能夠生成不相關(guān)的有遍歷性質(zhì)的混沌序列；

41、引入萊維飛行策略，促使個體在搜索空間內(nèi)廣泛散布，規(guī)避局部最優(yōu)陷阱，顯著提升了全局優(yōu)化效能；萊維飛行的位置更新公式為：

42、

43、其中，xi(t)表示第t代的第i個解；表示點對點乘法；α表示控制步長的權(quán)重，α＝0.01(xi(t)-xb)，xb為當(dāng)前的最優(yōu)解；levy(λ)表示服從萊維分布的路徑，且滿足：levy(λ)～μ＝t-λ，1≤λ≤3；

44、采用指數(shù)衰減法自適應(yīng)學(xué)習(xí)率調(diào)整策略，動態(tài)調(diào)整機制確保學(xué)習(xí)率能夠隨著迭代進程而適當(dāng)?shù)販p小，有利于模型收斂，具體如下：

45、ηt＝η0·υt

46、其中，t為實時迭代輪數(shù)，ηt代表算法迭代至第t輪時的學(xué)習(xí)率值，η0代表初始設(shè)定的學(xué)習(xí)率，γ作為衰減系數(shù)，體現(xiàn)學(xué)習(xí)率隨迭代進程逐步下降的速率。

47、進一步地，所述均方誤差為：

48、

49、其中，pc(t)是原始待分解功率信號，是經(jīng)分解重構(gòu)后的信號，n是信號的長度，即時間序列中的樣本點數(shù)。

50、進一步地，所述分解模態(tài)的平均峭度為：

51、

52、其中，3≤k≤20是分解模態(tài)數(shù)，n是信號長度，uj是模態(tài)信號uj(t)的平均值：

53、

54、進一步地，所述利用chebyshev映射進行種群初始化實現(xiàn)過程如下：

55、設(shè)定種群數(shù)為n,在d維空間中隨機產(chǎn)生一個d維向量作為初始個體,y＝(y1,y2,...,yd),vi∈[-1,1]；

56、對y的每一維進行n-1次迭代,生成其余的n-1個個體；

57、將生成的n個個體依次映射到解搜索空間：

58、xid＝ld+(1+yid)×(ud-ld)/2

59、其中,ud，ld分別為搜索空間第d維的上、下界,yid為第i個個體的第d維,xid為第i個個體在搜索空間中第d維坐標(biāo)值。

60、有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：

61、1、本發(fā)明構(gòu)建了基于抽水蓄能電站、蓄電池組、超級電容組復(fù)合儲能系統(tǒng)的水風(fēng)儲互聯(lián)微電網(wǎng)系統(tǒng)模型，考慮了抽蓄機組在面對微網(wǎng)中受風(fēng)電高頻波動時響應(yīng)速度較慢的缺陷，提出通過將微電網(wǎng)風(fēng)電不平穩(wěn)功率信號進行分解重構(gòu)再以復(fù)合儲能系統(tǒng)進行針對性平抑，重構(gòu)為高中低頻并分別分配于超級電容組、蓄電池組、抽水蓄能電站進行響應(yīng)，進一步實現(xiàn)了對于風(fēng)電并網(wǎng)波動的細(xì)致全頻平抑；

62、2、本發(fā)明將風(fēng)電不平穩(wěn)功率信號進行mvmd分解并重構(gòu)，以分解參數(shù)懲罰因子及重構(gòu)信號的各自求和模態(tài)數(shù)作為優(yōu)化變量，以微電網(wǎng)系統(tǒng)電網(wǎng)頻率的時間乘以絕對誤差積分(itae)為目標(biāo)一，并考慮了信號分解中的保真性并減少模態(tài)間的交叉重疊影響，以信號分解中的均方誤差和平均峭度為目標(biāo)二，建立了微電網(wǎng)多目標(biāo)優(yōu)化模型；

63、3、本發(fā)明為求解所建立的微電網(wǎng)多目標(biāo)優(yōu)化模型，提出了改進求解算法iccso，解決了ccso算法易陷入局部最優(yōu)缺陷，提高了算法全局收斂效率，通過對所建立的多目標(biāo)優(yōu)化模型求解，可得到符合期望目標(biāo)函數(shù)的最優(yōu)信號重構(gòu)求和模態(tài)數(shù)及懲罰因子參數(shù)組，實現(xiàn)全頻段精準(zhǔn)平抑微電網(wǎng)系統(tǒng)風(fēng)電功率波動。