一种考虑电-碳耦合的网荷互动协调优化方法方法与流程

本发明涉及配电网调控，尤其涉及一种考虑电-碳耦合的网荷互动协调优化方法。

背景技术：

1、据统计，电力行业在能源领域中所占碳排放比例较高，电力生产过程的碳排放占全国总碳排放达到了50％。随着我国工业化和城镇化的进程不断推进、经济发展的快速增长，高碳排放和高耗能越来越成为不同环节高效运行的障碍，逐渐成为国家实现碳排放、碳中和目标的巨大阻力。作为节能降耗的主力军，电力系统中高碳排放和高耗能环节较多的配电网与负荷互动协调优化技术成为一种发展趋势。

2、网荷互动协调交互控制是一种分层优化，包括上层优化和下层优化。配电网运营商(distribution system operator，dso)作为上层优化对象。下层优化服务对象为电动汽车(electric vehicle，ev)聚合商与多个电动汽车组。配电网运营商(distributionsystem operator，dso)通常根据分时电价指导用户改变负荷来减少配电网功率损耗。然而，在碳排放交易市场中，电力用户除了关注电费外，还将关注自己的碳排放量，这同样会影响配电网网损。因此，上下层是相互影响的关系。其中下层优化问题可以定义为一个多约束的线性优化问题，且可使用传统的数学优化方法求解得到，但上下层交互控制整体优化过程较为复杂，特别是如何对上层进行有效优化获取最低碳排和分时电价以及减少交互优化的时间成为至关重要的环节，现有的优化算法，比如遗传算法(genetic algorithm,ga)、粒子群优化(particle swarm optimization,pso)、模拟退火(simulated annealingalgorithm,sa)为代表的智能优化算法可用来搜索最优解，然而，由于不能很好的平衡全局探索和局部搜索，上述算法在复杂的系统优化中常出现收敛速度慢、精度低和稳定性差等问题。因此，亟需开发寻优性能更好的智能优化算法用于考虑电-碳耦合的网荷互动协调交互控制中上层优化以实现整体最优控制。

技术实现思路

1、本发明要解决的技术问题，在于提供一种考虑电-碳耦合的网荷互动协调优化方法，以更快的速度和更高的精度获得最佳分布式发电机功率输出分配策略以及电动汽车的最优充电方案，提高模型整体性能。

2、本发明的问题是这样实现的：一种考虑电-碳耦合的网荷互动协调优化方法，包括：

3、搭建配电网与负荷上下层交互控制模型；

4、设置上层模型的目标函数及其约束条件，并设置下层模型的目标函数及其约束条件；

5、利用美洲狮优化算法求解上层最优的分布式发电机功率输出分配策略；

6、根据得到的分布式发电机功率输出分配策略计算配电网节点动态碳排放因子；

7、基于动态碳排放因子和分时电价，求解下层电动汽车的最优充电方案；

8、将最新的最优充电方案返回上层，持续交互，直到迭代次数达到预设的最大迭代次数，即得到最优协调优化方案。

9、进一步的，为了满足配电网运营商(distribution system operator，dso)和电动汽车(electric vehicle，ev)聚合商的独立利润最大化，使用stackelberg博弈来描述它们之间的相互作用。在该博弈中，dso在上层优化中被视为领导者，ev聚合商在下层优化中被视为跟随者。

10、所述配电网与负荷上下层交互控制模型采用stackelberg博弈搭建，具体表示如下：

11、

12、式中，上层配电网运营商扮演领导者角色，下层电动汽车扮演跟随者角色，p和分别表示领导者的备选解和当前最优解；xleader表示领导者的优化空间；uleader表示领导者的效用函数；q和分别表示跟随者的备选解和当前最优解；xfollower表示跟随者的优化空间；ufollower表示领导者的效用函数；表示跟随者当前的动态碳排放因子(carbonemission factor，cef)向量，即所有ev组的动态碳排放因子(carbon emission factor，cef)向量；fcef表示动态碳排放因子cef的计算函数，由配电网运营商执行。

13、进一步的，所述上层模型的目标函数具体为：

14、

15、式中，t为控制时段数；t表示控制时段的变量；ploss表示配电网网损；nl表示支路的总数；gk(i,j)表示i-j支路电导；ui和uj分别表示第i个节点的电压和第j个节点的电压；θi和θj分别表示第i个节点的相角和第j个节点的相角；

16、上述i和j表示发电机集、pq节点集和分支集中的任一节点；

17、本发明交互控制中的上层优化目标为最小化配电网有功网损，通过系统中各支路功率损耗之和来表征；

18、为确保优化决策的科学性和实用性，考虑上层配电网的功率平衡、电压幅值以及潮流平衡为本实施例的约束条件，所述上层模型的约束条件具体表示为：

19、

20、式中，pgi和qgi分别为第i个发电机节点输出的有功功率和无功功率；pdi和qdi分别为第i个节点的有功功率需求和无功功率需求；vi表示第i个节点的电压幅值，vj表示第j个节点的电压幅值；gij和bij分别为线路i-j的电导和感抗；θij表示第i个节点和第j个节点之间的电压相位角差；和分别表示pgi的下限和上限；和分别表示qgi的下限和上限；vimin和vimax分别表示vi的下限和上限；si表示第i条线路的视在功率流；表示第i条线路允许的最大功率流；ng、nb和nl分别表示发电机集、pq节点集和分支集，ni表示ng、nb和nl的总和。

21、进一步的，根据下层当前的最优充电方案，利用美洲狮优化算法求解上层模型最优的分布式发电机功率输出分配策略，具体过程如下：

22、步骤1、初始化算法参数，设置当前迭代次数为1，种群数目为50，生成美洲狮的初始空间位置即个体决策，所述个体决策通过解向量表示为：

23、

24、式中，表示第i只美洲狮的初始决策；δp1、δp2、δp3分别表示燃气轮机、风电机组、光伏机组的功率分配指令；

25、步骤2、计算个体适应度并选择最佳个体，计算美洲狮当前的适应度值，并将适应度值最小的美洲狮确定为最佳美洲狮，所述适应度值的计算公式如下：

26、

27、式中，uleader表示上层优化目标函数；fmh表示元启发式算法的适应度函数；表示第u个约束的惩罚函数；nc是约束的数量；γ表示惩罚系数，γ>0；zu表示第u个约束的违规边界；表示第u个约束的限制边界；

28、步骤3、探索阶段，优化迭代的前三次将同时执行探索阶段和开发阶段；在探索阶段，美洲狮随机地跳进搜索空间或在美洲狮之间的空间中搜索食物，表示为：

29、if rand1＞0.5,zi,g＝rdim*(ub-lb)+lb

30、otherwise,zi,g＝xa,g+g·(xa,g-xb,g)+g·(((xa,g-xb,g)-(xc,g-xd,g)))

31、+g·(((xc,g-xd,g)-(xe,g-xf,g)))

32、g＝2·rand2-1

33、式中，zi,g表示搜索产生的备选解；ub和lb表示优化问题种群的上界和下界；rdim是位于问题维度中0和1的范围内随机生成的数字；rand1也是0和1之间的随机生成的数；xa,g、xb,g、xc,g、xd,g、xe,g和xf,g是随机选择面的整个总体中的解；g通过公式中的在0和1之间均匀分布的随机生成的数rand2计算得到，根据上述探索阶段公式选择其中一个产生新的解，然后将产生的新的解应用于改进当前解；

34、改进当前解的过程如下：

35、

36、nc＝1-u

37、

38、ifcostxnew≥costxi,u＝u+p

39、ifcostxnew＜costxi,xi＝xnew

40、式中，zi,g表示搜索产生的备选解；xi表示当前解；xnew表示改进当前解产生的新解；j表示一个在问题的维数范围内的整数，需要提前设置；jrand是在问题的维数范围内随机生成的整数；rand3也是在0和1均匀分布中的随机产生的数；costxnew和costxi分别表示产生的新解的成本函数值和当前解的成本函数值，即适应度值；u是在优化过程之前设置的参数，其值是0和1之间的数字，用来表示改进当前解的需要程度，p和nc表示u值的更新速率，当u值增大，更新速率减慢，npop是种群的总数，当新解的成本大于等于当前解的成本，则需要改进当前解以获得更优的解，u值会通过计算式来增大，这一过程能够避免优化过程陷入局部最优；如果改进当前解产生的新解成本比当前解低，则当前解的所有维度分量都将被新解替换；

41、步骤4、开发阶段，优化迭代的前三次将同时执行探索阶段和开发阶段；在开发阶段，美洲狮优化算法利用两种不同的算子对解进行改进，这两种机制是基于美洲狮的两种行为：伏击狩猎和冲刺，其过程如下：

42、

43、式中，mean表示平均值函数，soltotal表示所有解的总和，npop是种群的总数；是在整个总体中随机选择的解；β是随机产生的0或1；xi是当前迭代中的解；α和l是在优化之前必须调整的静态参数；pumamale是整个种群的最优解；rand4、rand5、rand6、rand7、rand8和rand9都是在0和1均匀分布中随机产生的数，此外，exp表示指数函数；randn1和randn2是正态分布中随机生成的数字，范围与问题的维度范围相同；

44、其中，通过以下公式获得：

45、round(1+(npop-1)·rand10)

46、式中，round表示将每个元素四舍五入到最接近的整数；rand10是0和1之间的随机数；npop是种群的总数；

47、其中，r、f1和f2分别由以下公式获得：

48、r＝2·rand11-1

49、

50、f2＝w×(v)2·cos((2×rand12)·w)

51、w＝randn4

52、v＝randn5

53、式中，randn3、randn4和randn5都表示处于标准正态分布下的随机数，范围与问题的维度范围相同；rand11和rand12是0和1之间的随机数；iter表示当前迭代次数；maxiter表示执行优化操作的迭代总数；exp表示指数函数；cos表示余弦函数；w和v的值都等于服从正态分布的随机数，w和v的生成代表了算法在解空间中的改进探索行为，f1和f2共同表示模拟美洲狮狩猎最优美洲狮猎物的过程，即寻找最优解，最后，在此阶段结束时，如果新生产的解的成本低于当前解，则将其替换；

54、步骤5、无经验阶段，在优化迭代的前三次过程执行探索阶段和开发阶段完成后，执行一次无经验阶段，评估无经验时探索和开发阶段更新的解的分数，过程如下：

55、

56、式中，分别表示初始三次迭代过程中两个不同的阶段所产生最优解的成本与上一次迭代最优解成本的差值绝对值，即适应度差值，用于计算分数衡量函数f1和f2；是在初始化阶段中产生的最优解的成本；六个变量和分别是初始三次迭代中开发和探索阶段获得的最优解的成本，即适应度值；

57、之后使用上一步得到的结果计算分数衡量函数f1和f2，具体如下：

58、

59、

60、式中，seqtime是一个具有常量值的参数，需要提前进行设置；pf1和pf2都是具有固定值的参数，其必须在优化过程之前设置，用于对f1和f2函数进行优先级排序，在第三次迭代结束时计算函数f1和f2之后，从现在开始仅选择探索和开发阶段之一，使用以下公式计算探索和开发阶段的评估分数：

61、scoreexplore＝(pf1·f1explor)+(pf2·f2explor)

62、scoreexploit＝(pf1·f1exploit)+(pf2·f2exploit)

63、计算scoreexplore和scoreexploit之后，根据两者大小选择进入开发和探索阶段之一，如果scoreexploit≥scoreexplore，即进入开发阶段，否则进入探索阶段；

64、步骤6、继续优化迭代过程从第四次至最大迭代次数，在这一迭代过程中，美洲狮种群有了可以接受的经验来进行解的分数评估，因此不断执行有经验阶段对探索和开发阶段更新的当前最优解进行升级评分，若满足以下条件：

65、scoreexplore≥scoreexploit

66、则进一步执行探索阶段；否则执行开发阶段，得到新的最优解，之后通过更新美洲狮群体的适应度值并与当前最优解的适应度值进行比较决定选择最佳美洲狮解；

67、步骤7、判断是否需要继续迭代，若当前迭代次数iter≥最大迭代次数maxiter，则输出当前最佳美洲狮的决策和适应度值；否则返回步骤6继续寻优。

68、进一步的，所述整个配电网的cef向量计算公式为：

69、δ＝a-1eg

70、其中，δ表示整个配电网的cef向量；a表示cef的系数矩阵；eg表示所有分布式发电机的碳排放向量。

71、进一步的，所述下层模型的目标函数具体为：

72、

73、式中，表示第j组电动汽车的总充电功率；me表示电动汽车组的数量；表示第j组电动汽车的动态碳排放因子(carbon emission factor，cef)；λe(t)和λc(t)分别表示电价和碳排放价格；

74、可以看出发明交互控制中的下层优化目标是最小化电力和碳排放成本，通过电动汽车的总充电功率电价和碳排放价格及动态碳排放因子分别的乘积之和表征；

75、对于下层电动汽车群组，考虑充放电状态以及荷电状态(stateofcharge，soc)为本实施例的约束条件；

76、所述下层模型的约束条件为：

77、

78、式中，和分别表示第j组电动汽车的接入时间和退出时间；mj为第j组电动汽车的数量；δtc表示控制时间周期；表示第j组中第m辆电动汽车在退出时间的荷电状态；表示初始荷电状态；ejm和分别表示第j组中第m辆电动汽车的最大容量和最大充电功率；ηjm是第j组中第m辆电动汽车的充电效率系数。

79、进一步的，根据计算得到的最优动态碳排放因子及给定的最优电价，下层模型采用内点法求解更新最优充电方案。

80、本发明的优点在于：

81、(1)本发明与已有的电力系统低碳交互控制技术不同，针对配电网运营商(distribution system operator，dso)和电动汽车(electric vehicle，ev)聚合商的多个ev群组，构建了基于动态碳排放因子(carbon emission factor，cef)的交互控制。交互式控制分别由dso和ev聚合商的上层优化和下层优化组成。此外，dso试图最小化配电网网损，而不是操作成本，ev聚合商则试图最小化电力和碳排放成本。在围绕“双碳目标”提出的一系列政策趋势下，具备良好的可行性和广阔的应用前景。

82、(2)本发明采用的美洲狮优化算法通过安全搜索、险境搜索和随机搜索进行协调寻优，很好地权衡了全局搜索和局部搜索，相比传统的数学优化算法和常规的启发式算法，能以更快的速度、更高的精度和更强的稳定性获得最佳决策方案。