一種微電網(wǎng)能量控制方法、處理器及微電網(wǎng)能量控制系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種微電網(wǎng)能量控制方法，采用非支配排序遺傳膜算法來得到Pareto最優(yōu)解集；然后根據(jù)需要從Pareto最優(yōu)解集中選擇合適的解來控制分布式電源的發(fā)電功率。本發(fā)明能夠使得到的解集分布均勻且分布廣，同時具有多樣性，并能夠盡可能避免未成熟收斂的情況出現(xiàn)，從而保證了實際應用中微電網(wǎng)內(nèi)分布式電源控制策略的選擇性和準確性。本發(fā)明還公開了一種用于實現(xiàn)上述方法的處理器，以及一種微電網(wǎng)能量控制系統(tǒng)，該系統(tǒng)包括控制裝置，控制裝置內(nèi)包括有上述處理器。該處理器以及微電網(wǎng)能量控制系統(tǒng)也具有上述優(yōu)點，在此不再贅述。
【專利說明】
-種微電網(wǎng)能量控制方法、處理器及微電網(wǎng)能量控制系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及電網(wǎng)控制技術(shù)領(lǐng)域，特別是設(shè)及一種微電網(wǎng)能量控制方法。本發(fā)明還 設(shè)及一種處理器及微電網(wǎng)能量控制系統(tǒng)。
【背景技術(shù)】
[0002] 微電網(wǎng)是由分布式電源、儲能裝置、能量轉(zhuǎn)換裝置、負荷、負荷監(jiān)控及用電保護裝 置等組成的小型發(fā)配電系統(tǒng)。其中，微電網(wǎng)內(nèi)可包含一種或多種分布式電源(例如光伏發(fā)電 裝置、風力發(fā)電裝置、水力發(fā)電裝置、燃料電池及燃氣輪機等)來產(chǎn)生負荷所需的電能。
[0003] 由于分布式電源的類型不同，各自的運行方式也存在差異。例如，光伏、風力等新 能源的發(fā)電功率易受自然環(huán)境影響，但排放的污染物較少，相反，燃料電池、燃氣輪機等化 石能源的發(fā)電功率較為穩(wěn)定，但會對環(huán)境造成較大的污染?？梢?，微電網(wǎng)能量控制中的成本 最優(yōu)和環(huán)境污染最小本身是兩個矛盾的問題，即為微電網(wǎng)能量控制為多目標問題，在實際 解決中，需要考慮兩者之間的利弊做出合理的控制。
[0004] 目前的微電網(wǎng)能量控制中，主要是將上述多目標問題轉(zhuǎn)化為單目標問題進行求 解。但是，運種方法中往往會因為多個目標間缺少偏好難W協(xié)調(diào)使得權(quán)值設(shè)置的合理性不 高，獲得的最優(yōu)結(jié)果較為單一，存在局限性，難W適應較為復雜的實際控制情況。而若直接 使用多目標算法來解決多目標問題的話，由于求解的結(jié)果是一組化reto最優(yōu)解，故可W給 決策者提供更多的選擇。但是，該種直接求解的話可能會出現(xiàn)未成熟收斂的情況，另外，得 到的最優(yōu)解集的分布可能會不夠均勻且分別范圍不夠最廣，同時，獲得的解集中的解的多 樣性不夠?？梢姡壳暗奈㈦娋W(wǎng)能量控制不能提供較為全面的控制策略，影響了微電網(wǎng)中分 布式電源控制策略的選擇性和準確性。
[0005] 因此，如何提供一種能夠保證微電網(wǎng)中分布式電源控制策略的選擇性和準確性的 微電網(wǎng)能量控制方法、處理器及微電網(wǎng)能量控制系統(tǒng)是本領(lǐng)域技術(shù)人員目前需要解決的問 題。
【發(fā)明內(nèi)容】
[0006] 本發(fā)明的目的是提供一種微電網(wǎng)能量控制方法，能夠在微電網(wǎng)能量控制過程中提 供更為全面的控制策略，且能夠在實際應用中解決更為復雜的控制問題，為分布式電源提 供更為多樣的控制方式，保證微電網(wǎng)中分布式電源控制策略的選擇性和準確性。本發(fā)明的 另一目的是提供一種處理器及微電網(wǎng)能量控制系統(tǒng)。
[0007] 為解決上述技術(shù)問題，本發(fā)明提供了一種微電網(wǎng)能量控制方法，包括：
[000引步驟101:設(shè)置所述微電網(wǎng)的能量控制目標函數(shù);其中，所述能量控制目標函數(shù)中 包含控制變量，所述控制變量包括所述微電網(wǎng)中各種分布式電源的發(fā)電功率；
[0009]步驟102:初始化非支配排序遺傳膜算法的執(zhí)行參數(shù);所述非支配排序遺傳膜算法 為在第二代非支配排序遺傳算法的基礎(chǔ)上引入膜計算算法得到的算法;其中，所述非支配 排序遺傳膜算法中包含多層基本膜及一層表層膜，所述執(zhí)行參數(shù)包括所述基本膜的層數(shù)、 所述第二代非支配排序遺傳算法的迭代次數(shù)、交叉概率和變異概率W及每層所述基本膜對 應的種群大小;其中，所述種群大小為每層所述基本膜所包含的粒子數(shù)量，所述粒子為一組 所述控制變量的組合;每層所述基本膜中都至少包含有一個所述粒子；
[0010] 步驟103:根據(jù)預設(shè)取值范圍生成所述非支配排序遺傳膜算法中每個所述粒子的 初始值;并將各個取值為初始值的粒子隨機分配至各層所述基本膜中；由所述取值為初始 值的粒子組成的種群為所述基本膜內(nèi)的父代種群；
[0011] 步驟104:依據(jù)所述迭代次數(shù)、所述交叉概率及所述變異概率，分別對每層所述基 本膜上的粒子執(zhí)行所述第二代非支配排序遺傳算法，每次迭代完成后獲得每層所述基本膜 內(nèi)的新子種群;所述第二代非支配排序遺傳算法包括排序操作W及交叉變異操作；
[0012] 步驟105:將每層所述基本膜內(nèi)的新子種群傳送至下一層所述基本膜中，使其與下 一層所述基本膜內(nèi)的新子種群進行合并更新，得到更新后的新子種群；
[0013] 步驟106:將每層所述基本膜內(nèi)的更新后的新子種群與其父代種群進行合并，并對 合并后的新子種群進行所述排序操作，得到備選優(yōu)秀解集；
[0014] 步驟107:判斷是否滿足所述非支配排序遺傳膜算法的終止執(zhí)行條件;若是，執(zhí)行 步驟108，否則，繼續(xù)執(zhí)行步驟104;
[0015] 步驟108:將所述備選優(yōu)秀解集輸入所述表層膜內(nèi)，經(jīng)過所述排序操作選擇出最優(yōu) 秀解集，所述最優(yōu)秀解集確定為所述能量控制目標函數(shù)的化reto最優(yōu)解集；
[0016] 步驟109:從所述化reto最優(yōu)解集選取所需的最優(yōu)解，根據(jù)所述最優(yōu)解得到各種所 述分布式電源的發(fā)電功率，并依據(jù)所述發(fā)電功率分別對所述微電網(wǎng)中的相應的所述分布式 電源進行控制。
[0017] 優(yōu)選地，所述步驟SlOl的過程具體為：
[0018] 獲取所述微電網(wǎng)的所述預設(shè)取值范圍W及預設(shè)控制定量，并依據(jù)所述預設(shè)控制定 量及所述預設(shè)取值范圍，設(shè)置所述能量控制目標函數(shù)。
[0019] 優(yōu)選地，所述預設(shè)取值范圍的獲取過程為：
[0020] 獲取所述控制變量的約束條件;其中，所述約束條件包括各種所述分布式電源的 發(fā)電功率的功率限值范圍，W及所述微電網(wǎng)與主電網(wǎng)之間的交易電量限值范圍；所述約束 條件即為所述預設(shè)取值范圍。
[0021 ]優(yōu)選地，所述能量控制目標函數(shù)具體為：
[0022] F(X) =min{fi(x) ,f2(x)}
[0023] 其中，fi(x)為微電網(wǎng)運行成本函數(shù);f2 (X)為污染物排放函數(shù);其中，所述微電網(wǎng)運 行成本函數(shù)具體為：
[0027] COStCrid ( t) _Ubuy ( t)Pcrid-buy ( t) Ccrid-buy (t )~Usell ( t)Pcrid-sell ( t) Ccrid-sell ( t);[0028] 其中，所述微電網(wǎng)運行的時間范圍為0《*《1'，1為所述微電網(wǎng)中各種所述分布式
[0024]
[0025]
[0026] 電源的編號，DGi為第i種所述分布式電源，Ndg為所述分布式電源的總個數(shù)，0《NDG《i， COStDG(t)為t時刻各種所述分布式電源發(fā)電運行成本總和，時Gi(t)為第i種所述分布式電源 在t時刻的發(fā)電功率，Cdgi為所述分布式電源在t時刻的發(fā)電運行成本費用，ui(t)為第i種所 述分布式電源在t時刻的啟停狀態(tài)，ui(t-l)為第i種所述分布式電源在t-1時刻的啟停狀 態(tài)，STdgi為第i種所述分布式電源啟停費用，單位為元；
[0029] j為所述微電網(wǎng)中儲能裝置的編號，Sj為第j個儲能裝置，化為所述儲能裝置的總 個數(shù)，0《化《j，C0Sts(t)為t時刻的儲能運行成本總和，Psj(t)為第j個儲能裝置在t時刻的 發(fā)電功率，Csj為所述分布式電源在t時刻的儲能運行成本費，U^t)為第巧巾所述儲能在t時 亥IJ的啟停狀態(tài)，t-1)為第i種所述儲能在t-1時刻的啟停狀態(tài)，STs功第j個所述儲能裝置 的啟停費用，單位為元；
[0030] COStGrid(t)為t時刻所述微電網(wǎng)與電網(wǎng)的交互費用總和，PGrid-buy(t)為所述微電網(wǎng) 在t時刻向所述主電網(wǎng)購買的電能功率，Pcrid-sell(t)為所述微電網(wǎng)在t時刻向所述主電網(wǎng)賣 出的電能功率，CGrid-sell為當前時刻向所述主電網(wǎng)賣電時的電價，CGrid-buy為當前時刻向所述 主電網(wǎng)買電時的電價，單位為元；
[0031 ]其中，所述污染物排放函數(shù)具體為：
[0032]
[0033]
[0034]
[0035] emissionGrid(t)=PGrid(t)EGrid(t)
[0036] 其中，emissionDG(t)為t時刻各種所述分布式電源發(fā)電運行時的污染物排放量； EDCi(t)為t時刻第i種所述分布式電源運行時產(chǎn)生每兆瓦的功率時的污染物排放量，單位為 Kg/MWh;emissions(t)為t時刻各種所述分布式電源儲能運行得到污染物排放量瓜j(t)為t 時刻第j個所述儲能裝置運行時產(chǎn)生每兆瓦的功率時的污染物排放量，單位為Kg/MWh; emissionGrid(t)為t時刻所述微電網(wǎng)與所述主電網(wǎng)交互時的污染物排放量;EGrid(t)為t時刻 所述微電網(wǎng)與所述主電網(wǎng)交互時產(chǎn)生每兆瓦的功率時的的污染物排放量，單位為Kg/MWh。
[0037] 為解決上述技術(shù)問題，本發(fā)明還提供了一種處理器，包括：
[0038] 目標函數(shù)設(shè)置模塊，用于設(shè)置所述微電網(wǎng)的能量控制目標函數(shù);其中，所述能量控 制目標函數(shù)中包含控制變量，所述控制變量包括所述微電網(wǎng)中各種所述分布式電源的發(fā)電 功率；
[0039] 初始化模塊，用于初始化非支配排序遺傳膜算法的執(zhí)行參數(shù);所述非支配排序遺 傳膜算法為在第二代非支配排序遺傳算法的基礎(chǔ)上引入膜計算算法得到的算法;其中，所 述非支配排序遺傳膜算法中包含多層基本膜及一層表層膜，所述執(zhí)行參數(shù)包括所述基本膜 的層數(shù)、所述第二代非支配排序遺傳算法的迭代次數(shù)、交叉概率和變異概率W及每層所述 基本膜對應的種群大小;其中，所述種群大小為每層所述基本膜所包含的粒子數(shù)量，所述粒 子為一組所述控制變量的組合;每層所述基本膜中都至少包含有一個所述粒子；
[0040] 初始值賦予模塊，用于根據(jù)所述預設(shè)取值范圍生成所述非支配排序遺傳膜算法中 每個所述粒子的初始值;并將各個取值為初始值的粒子隨機分配至各層所述基本膜中；由 所述取值為初始值的粒子組成的種群為所述基本膜內(nèi)的父代種群；
[0041] 第二代非支配排序遺傳算法計算模塊，用于依據(jù)所述迭代次數(shù)、所述交叉概率及 所述變異概率，分別對每層所述基本膜上的粒子執(zhí)行所述第二代非支配排序遺傳算法，每 次迭代完成后獲得每層所述基本膜內(nèi)的新子種群;所述第二代非支配排序遺傳算法包括排 序操作W及交叉變異操作；
[0042] 膜間信息交互模塊，用于將每層所述基本膜內(nèi)的新子種群傳送至下一層所述基本 膜中，使其與下一層所述基本膜內(nèi)的新子種群進行合并更新，得到更新后的新子種群；
[0043] 備選優(yōu)秀解集獲取模塊，用于將每層所述基本膜內(nèi)的更新后的新子種群與其父代 種群進行合并，并對合并后的新子種群進行所述排序操作，得到備選優(yōu)秀解集；
[0044] 終止判斷模塊，用于判斷是否滿足所述非支配排序遺傳膜算法的終止執(zhí)行條件； 若是，觸發(fā)化reto最優(yōu)解集確定模塊，否則，觸發(fā)所述第二代非支配排序遺傳算法計算模 塊；
[0045] 所述化reto最優(yōu)解集確定模塊，用于將所述備選優(yōu)秀解集輸入所述表層膜內(nèi)，經(jīng) 過所述排序操作選擇出最優(yōu)秀解集，所述最優(yōu)秀解集確定為所述能量控制目標函數(shù)的 F*areto最優(yōu)解集；
[0046] 分布式電源控制模塊，用于從所述化reto最優(yōu)解集選取所需的最優(yōu)解，根據(jù)所述 最優(yōu)解得到各種所述分布式電源的發(fā)電功率，并依據(jù)所述發(fā)電功率分別對所述微電網(wǎng)中的 相應的所述分布式電源進行控制。
[0047] 優(yōu)選地，所述處理器具體為FPGA處理器。
[0048] 為解決上述技術(shù)問題，本發(fā)明還提供了一種微電網(wǎng)能量控制系統(tǒng)，包括微電網(wǎng)、控 制裝置W及用于獲取所述微電網(wǎng)的預設(shè)取值范圍W及預設(shè)控制定量并發(fā)送至所述目標函 數(shù)設(shè)置模塊的參數(shù)獲取模塊;其中，所述控制裝置內(nèi)包括有如W上所述的處理器。
[0049] 本發(fā)明提供了一種微電網(wǎng)能量控制方法，采用非支配排序遺傳膜算法計算微電網(wǎng) 的化reto最優(yōu)解集，在本發(fā)明中，每個基本膜內(nèi)分配有預設(shè)個數(shù)的粒子，且分別對每層基本 膜內(nèi)的粒子執(zhí)行第二代非支配排序遺傳算法，每次迭代完成后得到該層基本膜內(nèi)的新子種 群，之后進行膜間種群交互，并將交互完成后的新子種群與對應的父代種群合并，若此時并 不滿足非支配排序遺傳膜算法的終止執(zhí)行條件，則依據(jù)合并后的新子種群繼續(xù)執(zhí)行第二代 非支配排序遺傳算法進行迭代操作，非支配排序遺傳膜算法終止后，每層基本膜輸出一個 備選最優(yōu)解集，表層膜根據(jù)各個備選最優(yōu)解集來得到化re to最優(yōu)解集。可見，本發(fā)明中各層 基本膜之間進行了信息交互，從而僅可能避免了化reto最優(yōu)解集中出現(xiàn)多個解相同的情 況，即能夠保證解的多樣性W及分布的均勻性;另外，本發(fā)明中多層基本膜同時執(zhí)行第二代 非支配排序遺傳算法進行計算（即類似由多個裝置同時進行計算），不僅計算時間短，且增 大了化reto最優(yōu)解集中的解的分布范圍。同時，本發(fā)明中每層基本膜在生成新子種群后不 僅會與其他基本膜進行種群交互，并且更新后的新子種群還會與其父代種群進行合并，盡 可能了避免了局部收斂的情況發(fā)生，同時保證了種群的多樣性，也盡可能避免了未成熟收 斂的情況出現(xiàn)?？梢姡景l(fā)明能夠在微電網(wǎng)能量控制過程中提供更為全面的控制策略，且能 夠在實際應用中解決更為復雜的控制問題，為分布式電源提供更為多樣的控制方式，保證 微電網(wǎng)中分布式電源控制策略的選擇性和準確性。本發(fā)明還提供了一種處理器及微電網(wǎng)能 量控制系統(tǒng)，也具有上述優(yōu)點，在此不再寶述。
【附圖說明】
[0050]為了更清楚地說明本發(fā)明實施例中的技術(shù)方案，下面將對現(xiàn)有技術(shù)和實施例中所 需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施 例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可W根據(jù)運些附圖獲 得其他的附圖。
[0051 ]圖1為本發(fā)明提供的一種微電網(wǎng)能量控制方法的過程的流程圖；
[0052] 圖2為微電網(wǎng)中負荷的需求功率、光伏發(fā)電裝置的預測發(fā)電功率和風力發(fā)電裝置 的預測發(fā)電功率的示意圖；
[0053] 圖3為本發(fā)明的一種具體實施例中的能量控制目標函數(shù)的仿真結(jié)果示意圖；
[0054] 圖4為本發(fā)明提供的一種處理器的結(jié)構(gòu)示意圖；
[0055] 圖5為本發(fā)明提供的一種微電網(wǎng)能量控制系統(tǒng)的實施例的結(jié)構(gòu)示意圖；
[0056] 圖6為本發(fā)明提供的一種微電網(wǎng)能量控制系統(tǒng)中的FPGA控制器的電路結(jié)構(gòu)示意 圖。
【具體實施方式】
[0057] 本發(fā)明的核屯、是提供一種微電網(wǎng)能量控制方法，能夠在微電網(wǎng)能量控制過程中提 供更為全面的控制策略，且能夠在實際應用中解決更為復雜的控制問題，為分布式電源提 供更為多樣的控制方式，保證微電網(wǎng)中分布式電源控制策略的選擇性和準確性。本發(fā)明的 另一核屯、是提供一種處理器及微電網(wǎng)能量控制系統(tǒng)。
[0058] 為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例 中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是 本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員 在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
[0059] 本發(fā)明提供了一種微電網(wǎng)能量控制方法，參見圖1所示，圖1為本發(fā)明提供的一種 微電網(wǎng)能量控制方法的過程的流程圖；該方法包括：
[0060] 步驟101:設(shè)置微電網(wǎng)的能量控制目標函數(shù);其中，能量控制目標函數(shù)中包含控制 變量，控制變量包括微電網(wǎng)中各種分布式電源的發(fā)電功率；
[0061] 其中，能量控制目標函數(shù)具體為：
[0062] F(X) =min{fi(x) ,f2(x)}
[0063] 其中，fi(x)為微電網(wǎng)運行成本函數(shù);f2 (X)為污染物排放函數(shù);其中，微電網(wǎng)運行成 本函數(shù)具體為：
[0064]
[00 化]
[0066]
[0067] COStCrid ( t) = Ubuy ( t) Pcrid-buy ( t) Ccrid-buy (t ) ~Usell ( t) Pcrid-sell ( t) Ccrid-sell ( t);
[0068] 其中，微電網(wǎng)運行的時間范圍為0《t《T，i為微電網(wǎng)中各種分布式電源的編號， DGi為第i種分布式電源，Ndg為分布式電源的總個數(shù)，0《NDG《i，costDG(t)為t時刻各種分布 式電源發(fā)電運行成本總和，PoGi(t)為第i種分布式電源在t時刻的發(fā)電功率，CDGi為分布式電 源在t時刻的發(fā)電運行成本費用，Ui(t)為第i種分布式電源在t時刻的啟停狀態(tài)，ui(t-l)為 第i種分布式電源在t-1時刻的啟停狀態(tài)，STdgi為第i種分布式電源啟停費用，單位為元；
[00例 j為微電網(wǎng)中儲能裝置的編號，Sj為第j個儲能裝置，化為儲能裝置的總個數(shù)，0《化 《j，COSts(t)為t時刻的儲能運行成本總和，Psj(t)為第j個儲能裝置在t時刻的發(fā)電功率， Csj為分布式電源在t時刻的儲能運行成本費，11加)為第巧巾儲能在t時刻的啟停狀態(tài)，t- 1)為第i種儲能在t-1時刻的啟停狀態(tài)，STsj為第j個儲能裝置的啟停費用，單位為元；
[0070] cost虹id(t)為t時刻微電網(wǎng)與電網(wǎng)的交互費用總和，PGrid-buy(t)為微電網(wǎng)在t時刻 向主電網(wǎng)購買的電能功率，Pcrid-sell(t)為微電網(wǎng)在t時刻向主電網(wǎng)賣出的電能功率， Ccrid-sell為當前時刻向主電網(wǎng)賣電時的電價，Ccrid-buy為當前時刻向主電網(wǎng)買電時的電價，單 位為元；
[0071 ]其中，污染物排放函數(shù)具體為：
[0072]
[0073]
[0074]
[0075] emissionGrid(t) =Pcrid(t 化 Grid(t)
[0076] 其中，emissionDG(t)為t時刻各種分布式電源發(fā)電運行時的污染物排放量;EDGi(t) 為t時刻第i種分布式電源運行時產(chǎn)生每兆瓦的功率時的污染物排放量，單位為Kg/MWh; emissions(t)為t時刻各種分布式電源儲能運行得到污染物排放量;Es^t)為t時刻第j個儲 能裝置運行時產(chǎn)生每兆瓦的功率時的污染物排放量，單位為Kg/MWh;emissionGrid(t)為t時 刻微電網(wǎng)與主電網(wǎng)交互時的污染物排放量;EGrid(t)為t時刻微電網(wǎng)與主電網(wǎng)交互時產(chǎn)生每 兆瓦的功率時的的污染物排放量，單位為Kg/MWh。
[0077] 作為優(yōu)選地，步驟SlOl的過程具體為：
[0078] 獲取微電網(wǎng)的預設(shè)取值范圍W及預設(shè)控制定量，并依據(jù)預設(shè)控制定量及預設(shè)取值 范圍，設(shè)置能量控制目標函數(shù)。
[0079] 需要說明的是，能量控制目標函數(shù)中的控制變量需要在一定的預設(shè)取值范圍內(nèi)， 該預設(shè)取值范圍即為求解能量控制目標函數(shù)的最優(yōu)解時的約束條件。由于微電網(wǎng)的能量控 制目標函數(shù)中的控制變量為分布式電源的發(fā)電功率，故約束條件可W包括:功率限值條件 及容量傳輸條件;其中，
[0080] 功率限值條件指的是:各種分布式電源的發(fā)電功率需要大于等于各自對應的輸出 功率下限，并且小于等于各自的輸出功率上限。例如，分布式電源分別為光伏發(fā)電裝置 (Photovoltaic，PV)、風力發(fā)電裝置(Wind I'urbine，WT)、儲能（Batteiy，BAT) W及燃氣輪機 (Gas Turbine,GT)時，各種分布式電源的輸出功率下限均為0,各種分布式電源的輸出功率 上限分別對應為為13、15、25及30,單位為kW。
[0081] 容量傳輸條件指的是:微電網(wǎng)與主電網(wǎng)之間交易的電量需要小于等于預設(shè)的交易 限值或者電力傳輸物質(zhì)所能傳輸電量的極值。其中，運里的傳輸電量極值為30KW，當然，本 發(fā)明對此不作限定。
[0082] 另外，運里的預設(shè)控制定量指的是能量控制目標函數(shù)中的固定值(或稱為定量）。 例如，能量控制目標函數(shù)中的發(fā)電運行成本。
[0083 ]具體地，分布式電源分別為PV、WT、BAT及GT時，各自的發(fā)電運行成本分別為2.584、 1.073、0.0359及0.38,單位為元。當然，W上僅為一種可能情況，本發(fā)明不限定發(fā)電運行成 本的具體數(shù)值，應根據(jù)實際情況而定。
[0084] 另外，參見圖2所示，圖2為微電網(wǎng)中負荷的需求功率、光伏發(fā)電裝置的預測發(fā)電功
日貨由化晉的補砸Ii貨由甘態(tài)的^苗勵矣而車1醉^車1擊古由勵的由格車
[0085]
[00化]表1主電網(wǎng)的電價表
[0087]并且，污染物主要由C02，S02，N0x構(gòu)成，能量控制目標函數(shù)中的EDGi(t)、Esj(t)、 Ecrid(t)是根據(jù)各種污染物的排放系數(shù)計算得到。參見表2所示，表2為分布式電源排放各種 污染物的排放系數(shù)。
[008引
[0089]
[0090] 表2分布式電源排放各種污染物的排放系數(shù)
[0091] 當然，圖2、表1和表2僅為示意圖，并不代表實際情況中的微電網(wǎng)中負荷的需求功 率、光伏發(fā)電裝置的預測發(fā)電功率、風力發(fā)電裝置的預測發(fā)電功率、主電網(wǎng)電價W及分布式 電源排放污染物的排放系數(shù)。本發(fā)明不限定預設(shè)控制定量中的各項的具體數(shù)值。
[0092] 進一步可知，預設(shè)取值范圍的獲取過程為：
[0093] 獲取控制變量的約束條件;其中，約束條件包括各種分布式電源的發(fā)電功率的功 率限值范圍，W及微電網(wǎng)與主電網(wǎng)之間的交易電量限值范圍；約束條件即為預設(shè)取值范圍。
[0094] 步驟102:初始化非支配排序遺傳膜算法的執(zhí)行參數(shù);非支配排序遺傳膜算法為在 第二代非支配排序遺傳算法的基礎(chǔ)上引入膜計算算法得到的算法;其中，非支配排序遺傳 膜算法中包含多層基本膜及一層表層膜，執(zhí)行參數(shù)包括基本膜的層數(shù)、第二代非支配排序 遺傳算法的迭代次數(shù)、交叉概率和變異概率W及每層基本膜對應的種群大小;其中，種群大 小為每層基本膜所包含的粒子數(shù)量，粒子為一組控制變量的組合;每層基本膜中都至少包 含有一個粒子；
[00M]其中，基本膜的層數(shù)可根據(jù)經(jīng)驗或?qū)嶒灥贸?，本發(fā)明對此不作限定。
[0096] 需要說明的是，初始化過程中僅限定了每層基本膜內(nèi)的種群大小，即每層基本膜 中需要放入的粒子數(shù)量，但此時并未將粒子放入基本膜中。
[0097] 作為優(yōu)選地，上述初始化過程可W通過W下方式實現(xiàn)：
[009引預設(shè)膜結(jié)構(gòu)為[0[1]1，[2]2，[3]3，...，["]"]0;其中，該膜結(jié)構(gòu)包含有111層基本膜及表 層膜0。預設(shè)非支配排序遺傳膜算法中的粒子個數(shù)為n，將n個粒子隨機分配值所述m層基本 膜中，如下所示：
[0099] WO = A;
[0100]
[0101]
[0102]
[0103]
[0104] 其中，Wi表示膜內(nèi)的對象的集合，A表示空，61(1 = 1，2，...，11)為各層基本膜中第1 個粒子。
[0105] 步驟103:根據(jù)預設(shè)取值范圍生成非支配排序遺傳膜算法中每個粒子的初始值;并 將各個取值為初始值的粒子隨機分配至各層基本膜中；由取值為初始值的粒子組成的種群 為基本膜內(nèi)的父代種群；
[0106] 可W理解的是，在非支配排序遺傳膜算法中每個粒子需要有初始值，且由于每個 粒子均為一組控制變量的組合，故粒子的初始值也需要滿足控制變量的約束條件，故應在 預設(shè)取值范圍內(nèi)生成每個粒子的初始值。
[0107] 步驟104:依據(jù)迭代次數(shù)、交叉概率及變異概率，分別對每層基本膜上的粒子執(zhí)行 第二代非支配排序遺傳算法，每次迭代完成后獲得每層基本膜內(nèi)的新子種群;第二代非支 配排序遺傳算法包括排序操作W及交叉變異操作；
[0108] 其中，非支配排序遺傳膜算法每迭代一次的過程中，需要首先進行排序操作生成 一個備選解集，然后經(jīng)過交叉變異操作得到新子種群，運里的新子種群為下一次迭代時的 基礎(chǔ)。運里的排序操作具體包括非支配排序和/或擁擠度排序。另外，該步驟中，各層基本膜 中同時執(zhí)行第二代非支配排序遺傳算法，即同時進行求取Pareto最優(yōu)解集的操作(類似于 多臺計算機同時計算），可見，能夠大大提高得到Pareto最優(yōu)解集的速度，效率高，且得到的 化reto最優(yōu)解集中的解要優(yōu)于目前的計算方式，即本發(fā)明到的化reto最優(yōu)解集中的解的分 布更加均勻且廣泛。
[0109] 步驟105:將每層基本膜內(nèi)的新子種群傳送至下一層基本膜中，使其與下一層基本 膜內(nèi)的新子種群進行合并更新，得到更新后的新子種群；
[0110] 需要注意的是，運里是首先進行膜間傳送操作，傳送完成后，才進行合并更新，即 第一層基本膜將新子種群傳送至第二層基本膜內(nèi)，第二層基本膜將新子種群傳送至第=層 基本膜內(nèi)，依次類推，傳送完成后，各層基本膜分別將自身的新子種群與傳送過來的新子種 群合并。
[0111] 可W理解的是，通過膜間信息交互，保證了最終得到化reto最優(yōu)解集中解的多樣 性，并且能夠僅可能避免出現(xiàn)重復解的情況。
[0112] 步驟106:將每層基本膜內(nèi)的更新后的新子種群與其父代種群進行合并，并對合并 后的新子種群進行排序操作，得到備選優(yōu)秀解集；
[0113] 可W理解的是，通過將更新后的新子種群與其父代種群進行合并，能夠充分保證 各層基本膜中的種群多樣性，盡可能避免局部收斂的情況出現(xiàn)，進而盡可能避免了非成熟 收斂的情況發(fā)生。
[0114] 步驟107:判斷是否滿足非支配排序遺傳膜算法的終止執(zhí)行條件;若是，執(zhí)行步驟 108,否則，繼續(xù)執(zhí)行步驟104;
[0115] 作為優(yōu)選地，運里的終止執(zhí)行條件為：
[0116] 該層基本膜執(zhí)行第二代非支配排序遺傳算法的迭代次數(shù)達到預先設(shè)定的迭代次 數(shù)(可W理解為，該層基本膜內(nèi)的粒子的優(yōu)化次數(shù)已達到預設(shè)優(yōu)化次數(shù)）。
[0117] 步驟108:將備選優(yōu)秀解集輸入表層膜內(nèi)，經(jīng)過排序操作選擇出最優(yōu)秀解集，最優(yōu) 秀解集確定為能量控制目標函數(shù)的化reto最優(yōu)解集；
[0118] 步驟109:從化reto最優(yōu)解集選取所需的最優(yōu)解，根據(jù)最優(yōu)解得到各種分布式電源 的發(fā)電功率，并依據(jù)發(fā)電功率分別對微電網(wǎng)中的相應的分布式電源進行控制。
[0119] 由于控制變量包括各種分布式電源的發(fā)電功率，故得到的化reto最優(yōu)解集中的每 個解均可對應一組各種分布式電源的發(fā)電功率。另外，由于不同的解的控制效果不同，故需 要根據(jù)自身需求選擇合適的最優(yōu)解，進而對各種分布式電源進行控制。
[0120] 可W理解的是，本發(fā)明得到的化reto最優(yōu)解集中的解的分布相比目前的計算方法 來說，更為均勻且廣泛，且具有足夠的多樣性，可見，根據(jù)本發(fā)明的化reto最優(yōu)解集中的解， 能夠?qū)ξ㈦娋W(wǎng)進行各種類型的能量控制，即能夠盡可能的滿足用戶的各種需求。
[0121] 可W理解的是，本發(fā)明中的能量控制目標函數(shù)具體為使微電網(wǎng)運行成本W(wǎng)及污染 物量均處于最小值的函數(shù)，能量控制目標函數(shù)表明的是，各種分布式電源的發(fā)電功率需要 滿足怎樣的條件，才能獲得能量控制目標函數(shù)的最優(yōu)值。通過上述一系列操作計算得到的 化reto最優(yōu)解集理論上為使微電網(wǎng)運行成本W(wǎng)及排放的污染物量均處于最小值的解的集 合，但實際上，Pareto最優(yōu)解集中，不同的解帶來的效果不同，即有的解使微電網(wǎng)運行成本 較小，但排放的污染物量較少，有的解則相反，故當?shù)玫絇areto最優(yōu)解集后，需要工作人員 根據(jù)實際需要選擇合適的解，進而控制各種分布式電源。
[0122] 另外，本發(fā)明采用的是非支配排序遺傳膜算法，即一種在第二代非支配排序遺傳 算法的基礎(chǔ)上引入膜計算算法得到的算法。相比僅采用第二代非支配排序遺傳算法，得到 的化reto最優(yōu)解集的結(jié)果更優(yōu)。
[0123] 參見圖3所示，圖3為本發(fā)明的一種具體實施例中的能量控制目標函數(shù)的仿真結(jié)果 示意圖；該實施例中，微電網(wǎng)中包含的分布式電源包括光伏發(fā)電裝置、電力發(fā)電裝置、燃料 電池、燃氣輪機、柴油發(fā)電機及主電網(wǎng)中的發(fā)電裝置。設(shè)置非支配排序遺傳膜算法中的種群 中的粒子個數(shù)為500，交叉概率為0.9及變異概率為0.05。取圖2、表1和表2中的微電網(wǎng)的發(fā) 電功率、負荷需求功率及主電網(wǎng)電價參數(shù)。
[0124] 從圖3中可知，采用NSGAn (Non-dominated So;rting Genetic Algorithm-n，第 二代非支配排序遺傳算法）和NSGMIA(Non-dominated So;rting Genetic Membrane- inspired Algorithm，非支配排序遺傳膜算法)相比，使用NSGMIA得到的化reto最優(yōu)解曲線 分布更廣更均勻，解集的多樣性更優(yōu)，結(jié)果明顯優(yōu)于NSGA n。
[0125] 本發(fā)明提供了一種微電網(wǎng)能量控制方法，采用非支配排序遺傳膜算法計算微電網(wǎng) 的化reto最優(yōu)解集，在本發(fā)明中，每個基本膜內(nèi)分配有預設(shè)個數(shù)的粒子，且分別對每層基本 膜內(nèi)的粒子執(zhí)行第二代非支配排序遺傳算法，每次迭代完成后得到該層基本膜內(nèi)的新子種 群，之后進行膜間種群交互，并將交互完成后的新子種群與對應的父代種群合并，若此時并 不滿足非支配排序遺傳膜算法的終止執(zhí)行條件，則依據(jù)合并后的新子種群繼續(xù)執(zhí)行第二代 非支配排序遺傳算法進行迭代操作，非支配排序遺傳膜算法終止后，每層基本膜輸出一個 備選最優(yōu)解集，表層膜根據(jù)各個備選最優(yōu)解集來得到化re to最優(yōu)解集?？梢?，本發(fā)明中各層 基本膜之間進行了信息交互，從而僅可能避免了化reto最優(yōu)解集中出現(xiàn)多個解相同的情 況，即能夠保證解的多樣性W及分布的均勻性;另外，本發(fā)明中多層基本膜同時執(zhí)行第二代 非支配排序遺傳算法進行計算（即類似由多個裝置同時進行計算），不僅計算時間短，且增 大了化reto最優(yōu)解集中的解的分布范圍。同時，本發(fā)明中每層基本膜在生成新子種群后不 僅會與其他基本膜進行種群交互，并且更新后的新子種群還會與其父代種群進行合并，盡 可能了避免了局部收斂的情況發(fā)生，同時保證了種群的多樣性，也盡可能避免了未成熟收 斂的情況出現(xiàn)?？梢?，本發(fā)明能夠在微電網(wǎng)能量控制過程中提供更為全面的控制策略，且能 夠在實際應用中解決更為復雜的控制問題，為分布式電源提供更為多樣的控制方式，保證 微電網(wǎng)中分布式電源控制策略的選擇性和準確性。
[01%]本發(fā)明還提供了一種處理器，參見圖4所示，圖4為本發(fā)明提供的一種處理器的結(jié) 構(gòu)示意圖；
[0127] 該處理器包括：
[0128] 目標函數(shù)設(shè)置模塊11，用于設(shè)置微電網(wǎng)的能量控制目標函數(shù);其中，能量控制目標 函數(shù)中包含控制變量，控制變量包括微電網(wǎng)中各種分布式電源的發(fā)電功率；
[0129] 初始化模塊12,初始化非支配排序遺傳膜算法的執(zhí)行參數(shù);非支配排序遺傳膜算 法為在第二代非支配排序遺傳算法的基礎(chǔ)上引入膜計算算法得到的算法;其中，非支配排 序遺傳膜算法中包含多層基本膜及一層表層膜，執(zhí)行參數(shù)包括基本膜的層數(shù)、第二代非支 配排序遺傳算法的迭代次數(shù)、交叉概率和變異概率W及每層基本膜對應的種群大小;其中， 種群大小為每層基本膜所包含的粒子數(shù)量，粒子為一組控制變量的組合;每層基本膜中都 至少包含有一個粒子；
[0130] 初始值賦予模塊13,用于根據(jù)預設(shè)取值范圍生成非支配排序遺傳膜算法中每個粒 子的初始值;并將各個取值為初始值的粒子隨機分配至各層基本膜中；由取值為初始值的 粒子組成的種群為基本膜內(nèi)的父代種群；
[0131] 第二代非支配排序遺傳算法計算模塊14,用于依據(jù)迭代次數(shù)、交叉概率及變異概 率，分別對每層基本膜上的粒子執(zhí)行第二代非支配排序遺傳算法，每次迭代完成后獲得每 層基本膜內(nèi)的新子種群;第二代非支配排序遺傳算法包括排序操作W及交叉變異操作；
[0132] 膜間信息交互模塊15,用于將每層基本膜內(nèi)的新子種群傳送至下一層基本膜中， 使其與下一層基本膜內(nèi)的新子種群進行合并更新，得到更新后的新子種群；
[0133] 備選優(yōu)秀解集獲取模塊16,用于將每層基本膜內(nèi)的更新后的新子種群與其父代種 群進行合并，并對合并后的新子種群進行排序操作，得到備選優(yōu)秀解集；
[0134] 終止判斷模塊17,用于判斷是否滿足非支配排序遺傳膜算法的終止執(zhí)行條件;若 是，觸發(fā)化reto最優(yōu)解集確定模塊18，否則，觸發(fā)第二代非支配排序遺傳算法計算模塊14;
[0135] 化reto最優(yōu)解集確定模塊18,用于將備選優(yōu)秀解集輸入表層膜內(nèi)，經(jīng)過排序操作 選擇出最優(yōu)秀解集，最優(yōu)秀解集確定為能量控制目標函數(shù)的化reto最優(yōu)解集；
[0136] 分布式電源控制模塊19,用于從化reto最優(yōu)解集選取所需的最優(yōu)解，根據(jù)最優(yōu)解 得到各種分布式電源的發(fā)電功率，并依據(jù)發(fā)電功率分別對微電網(wǎng)中的相應的分布式電源進 行控制。
[0137] 作為優(yōu)選地，運里的處理器具體為FPGA處理器。當然，本發(fā)明對此不作限定。
[0138] 本發(fā)明提供了一種處理器，采用非支配排序遺傳膜算法計算微電網(wǎng)的化reto最優(yōu) 解集，在本發(fā)明中，每個基本膜內(nèi)分配有預設(shè)個數(shù)的粒子，且分別對每層基本膜內(nèi)的粒子執(zhí) 行第二代非支配排序遺傳算法，每次迭代完成后得到該層基本膜內(nèi)的新子種群，之后進行 膜間種群交互，并將交互完成后的新子種群與對應的父代種群合并，若此時并不滿足非支 配排序遺傳膜算法的終止執(zhí)行條件，則依據(jù)合并后的新子種群繼續(xù)執(zhí)行第二代非支配排序 遺傳算法進行迭代操作，非支配排序遺傳膜算法終止后，每層基本膜輸出一個備選最優(yōu)解 集，表層膜根據(jù)各個備選最優(yōu)解集來得到化reto最優(yōu)解集?？梢姡景l(fā)明中各層基本膜之間 進行了信息交互，從而僅可能避免了化reto最優(yōu)解集中出現(xiàn)多個解相同的情況，即能夠保 證解的多樣性W及分布的均勻性；另外，本發(fā)明中多層基本膜同時執(zhí)行第二代非支配排序 遺傳算法進行計算（即類似由多個裝置同時進行計算），不僅計算時間短，且增大了 Pareto 最優(yōu)解集中的解的分布范圍。同時，本發(fā)明中每層基本膜在生成新子種群后不僅會與其他 基本膜進行種群交互，并且更新后的新子種群還會與其父代種群進行合并，盡可能了避免 了局部收斂的情況發(fā)生，同時保證了種群的多樣性，也盡可能避免了未成熟收斂的情況出 現(xiàn)。可見，本發(fā)明能夠在微電網(wǎng)能量控制過程中提供更為全面的控制策略，且能夠在實際應 用中解決更為復雜的控制問題，為分布式電源提供更為多樣的控制方式，保證微電網(wǎng)中分 布式電源控制策略的選擇性和準確性。
[0139] 本發(fā)明還提供了一種微電網(wǎng)能量控制系統(tǒng)，該系統(tǒng)包括微電網(wǎng)、控制裝置W及用 于獲取微電網(wǎng)的預設(shè)取值范圍W及預設(shè)控制定量并發(fā)送至目標函數(shù)設(shè)置模塊11的參數(shù)獲 取模塊2;其中，控制裝置內(nèi)包括有如W上的處理器。
[0140] 其中，運里的參數(shù)獲取模塊2可W為A/D模塊，當然，本發(fā)明對此不作限定。
[0141] 作為優(yōu)選地，當處理器為FPGA處理器1時，運里的控制裝置優(yōu)選為FPGA控制器。
[0142] 參見圖5所示，圖5為本發(fā)明提供的一種微電網(wǎng)能量控制系統(tǒng)的實施例的結(jié)構(gòu)示意 圖。
[0143] 可W理解的是，當處理器為FPGA處理器1時，控制裝置內(nèi)必然設(shè)置有：
[0144] 供電模塊3,用于為FPGA處理器1供電；
[0145] 時鐘模塊4,用于為FPGA處理器1提供時鐘信號；
[0146] 復位模塊5,用于為FPGA處理器1提供復位操作。
[0147] 其中，運里的時鐘模塊4的有源晶體振蕩器可W為30MHz，當然，本發(fā)明對此不作限 定。
[0148] 參見圖6所示，圖6為本發(fā)明提供的一種微電網(wǎng)能量控制系統(tǒng)中的FPGA控制器的電 路結(jié)構(gòu)示意圖。圖6中Ul為FPGA處理器1，運里的FPGA處理器1為忍片CyClone- EP1C12Q240I8,除圖中所示管腳夕hFPGA處理器1的1-8、12-18為輸入管腳，61-68、74-79^ 及 82 為輸出管腳，10、30、31、40、52、69、71、80、89、91、96、102、109、111、142、150、151、171、 190、192、199、205、210、212、221、230、232為接地管腳。另外標有VCC3.3的引線與標有 VCC3.3_A和標有VCC3.3_8的引線分別相連，且標有VCC3.3_4的引線之間為連接關(guān)系，標有 V(X5的引線之間為連接關(guān)系。
[0149] 其中，F(xiàn)PGA處理器1的供電電源包括兩類，分別為I/O端口電源和內(nèi)核電源。I/O端 口電源的電源轉(zhuǎn)換忍片采用AMS1117-3.3,內(nèi)核供電電源包括化L部分采用電源轉(zhuǎn)換忍片 AMSl 117-1.5 搭建。
[0150] 另外，忍片CY2304SI-1為時鐘控制忍片。
[0151] 復位模塊5中，手動復位信號由開關(guān)產(chǎn)生經(jīng)過電源管理忍片TPS3305-33SD產(chǎn)生5V 電壓信號，經(jīng)電壓轉(zhuǎn)換忍片SN74CBTD3384DBQ時尋5V信號轉(zhuǎn)為3.3V信號送入FPGA處理器1，自 動復位信號則直接經(jīng)過模數(shù)轉(zhuǎn)換忍片發(fā)送FPGA處理器1，由FPGA處理器1產(chǎn)生相應的響應。
[0152] 當然，圖6僅為優(yōu)選電路方案，具體采用何種連接方式W及各個部分采用的忍片類 型本發(fā)明均不限定。
[0153] 需要說明的是，在本說明書中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一 個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示運些實體或操作之 間存在任何運種實際的關(guān)系或者順序。而且，術(shù)語"包括"、"包含"或者其任何其他變體意在 涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些 要素，而且還包括沒有明確列出的其他要素，或者是還包括為運種過程、方法、物品或者設(shè) 備所固有的要素。在沒有更多限制的情況下，由語句"包括一個……"限定的要素，并不排除 在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。
[0154] 對所公開的實施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。 對運些實施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的 一般原理可W在不脫離本發(fā)明的精神或范圍的情況下，在其他實施例中實現(xiàn)。因此，本發(fā)明 將不會被限制于本文所示的運些實施例，而是要符合與本文所公開的原理和新穎特點相一 致的最寬的范圍。
【主權(quán)項】
1. 一種微電網(wǎng)能量控制方法，其特征在于，包括： 步驟101:設(shè)置所述微電網(wǎng)的能量控制目標函數(shù);其中，所述能量控制目標函數(shù)中包含 控制變量，所述控制變量包括所述微電網(wǎng)中各種分布式電源的發(fā)電功率； 步驟102:初始化非支配排序遺傳膜算法的執(zhí)行參數(shù);所述非支配排序遺傳膜算法為在 第二代非支配排序遺傳算法的基礎(chǔ)上引入膜計算算法得到的算法;其中，所述非支配排序 遺傳膜算法中包含多層基本膜及一層表層膜，所述執(zhí)行參數(shù)包括所述基本膜的層數(shù)、所述 第二代非支配排序遺傳算法的迭代次數(shù)、交叉概率和變異概率W及每層所述基本膜對應的 種群大小;其中，所述種群大小為每層所述基本膜所包含的粒子數(shù)量，所述粒子為一組所述 控制變量的組合;每層所述基本膜中都至少包含有一個所述粒子； 步驟103:根據(jù)預設(shè)取值范圍生成所述非支配排序遺傳膜算法中每個所述粒子的初始 值;并將各個取值為初始值的粒子隨機分配至各層所述基本膜中；由所述取值為初始值的 粒子組成的種群為所述基本膜內(nèi)的父代種群； 步驟104:依據(jù)所述迭代次數(shù)、所述交叉概率及所述變異概率，分別對每層所述基本膜 上的粒子執(zhí)行所述第二代非支配排序遺傳算法，每次迭代完成后獲得每層所述基本膜內(nèi)的 新子種群;所述第二代非支配排序遺傳算法包括排序操作W及交叉變異操作； 步驟105:將每層所述基本膜內(nèi)的新子種群傳送至下一層所述基本膜中，使其與下一層 所述基本膜內(nèi)的新子種群進行合并更新，得到更新后的新子種群； 步驟106:將每層所述基本膜內(nèi)的更新后的新子種群與其父代種群進行合并，并對合并 后的新子種群進行所述排序操作，得到備選優(yōu)秀解集； 步驟107:判斷是否滿足所述非支配排序遺傳膜算法的終止執(zhí)行條件;若是，執(zhí)行步驟 108，否則，繼續(xù)執(zhí)行步驟104; 步驟108:將所述備選優(yōu)秀解集輸入所述表層膜內(nèi)，經(jīng)過所述排序操作選擇出最優(yōu)秀解 集，所述最優(yōu)秀解集確定為所述能量控制目標函數(shù)的化reto最優(yōu)解集； 步驟109:從所述化reto最優(yōu)解集選取所需的最優(yōu)解，根據(jù)所述最優(yōu)解得到各種所述分 布式電源的發(fā)電功率，并依據(jù)所述發(fā)電功率分別對所述微電網(wǎng)中的相應的所述分布式電源 進行控制。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S101的過程具體為： 獲取所述微電網(wǎng)的所述預設(shè)取值范圍W及預設(shè)控制定量，并依據(jù)所述預設(shè)控制定量及 所述預設(shè)取值范圍，設(shè)置所述能量控制目標函數(shù)。3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述預設(shè)取值范圍的獲取過程為： 獲取所述控制變量的約束條件;其中，所述約束條件包括各種所述分布式電源的發(fā)電 功率的功率限值范圍，W及所述微電網(wǎng)與主電網(wǎng)之間的交易電量限值范圍；所述約束條件 即為所述預設(shè)取值范圍。4. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述能量控制目標函數(shù)具體為： F(x) =min{fi(x) ,f2(x)} 其中，fi(x)為微電網(wǎng)運行成本函數(shù);f2(x)為污染物排放函數(shù);其中，所述微電網(wǎng)運行成 本函數(shù)具體為：其中，所述微電網(wǎng)運行的時間范圍為〇《t《T，i為所述微電網(wǎng)中各種所述分布式電源 的編號，DGi為第i種所述分布式電源，Ndg為所述分布式電源的總個數(shù)，0《NDG《i，COStDG(t) 為t時刻各種所述分布式電源發(fā)電運行成本總和，PDGi(t)為第i種所述分布式電源在t時刻 的發(fā)電功率，Cdgi為所述分布式電源在t時刻的發(fā)電運行成本費用，Ui(t)為第i種所述分布 式電源在t時刻的啟停狀態(tài)，Ui(t-l)為第i種所述分布式電源在t-1時刻的啟停狀態(tài)，STdgi 為第i種所述分布式電源啟停費用，單位為元； j為所述微電網(wǎng)中儲能裝置的編號，Sj為第j個儲能裝置，化為所述儲能裝置的總個數(shù)，0 《化《j，COSts(t)為t時刻的儲能運行成本總和，Ps^t)為第j個儲能裝置在t時刻的發(fā)電功 率，Csj為所述分布式電源在t時刻的儲能運行成本費，u^t)為第巧巾所述儲能在t時刻的啟 停狀態(tài)，U^ t-1)為第i種所述儲能在t-1時刻的啟停狀態(tài)，STs功第j個所述儲能裝置的啟停 費用，單位為元； COStGrid(t)為t時刻所述微電網(wǎng)與電網(wǎng)的交互費用總和，PGrid-buy(t)為所述微電網(wǎng)在t 時刻向所述主電網(wǎng)購買的電能功率，Pcrid-sell ( t )為所述微電網(wǎng)在t時刻向所述主電網(wǎng)賣出 的電能功率，CGrid-sell為當前時刻向所述主電網(wǎng)賣電時的電價，CGrid-buy為當前時刻向所述主 電網(wǎng)買電時的電價，單位為元； 其中，所述污染物排放函數(shù)具體為：emi S S i oncrid (t) = Pcrid (t 化吐 id (t) 其中，emissionDG(t)為t時刻各種所述分布式電源發(fā)電運行時的污染物排放量;EDGi(t) 為t時刻第i種所述分布式電源運行時產(chǎn)生每兆瓦的功率時的污染物排放量，單位為Kg/ MWh; emissions (t)為t時刻各種所述分布式電源儲能運行得到污染物排放量;Esj(t)為t時 刻第j個所述儲能裝置運行時產(chǎn)生每兆瓦的功率時的污染物排放量，單位為Kg/MWh; emissionGrid(t)為t時刻所述微電網(wǎng)與所述主電網(wǎng)交互時的污染物排放量;EGrid(t)為t時刻 所述微電網(wǎng)與所述主電網(wǎng)交互時產(chǎn)生每兆瓦的功率時的的污染物排放量，單位為Kg/MWh。5. -種處理器，其特征在于，包括： 目標函數(shù)設(shè)置模塊，用于設(shè)置所述微電網(wǎng)的能量控制目標函數(shù);其中，所述能量控制目 標函數(shù)中包含控制變量，所述控制變量包括所述微電網(wǎng)中各種所述分布式電源的發(fā)電功 率. 初始化模塊，用于初始化非支配排序遺傳膜算法的執(zhí)行參數(shù);所述非支配排序遺傳膜 算法為在第二代非支配排序遺傳算法的基礎(chǔ)上引入膜計算算法得到的算法;其中，所述非 支配排序遺傳膜算法中包含多層基本膜及一層表層膜，所述執(zhí)行參數(shù)包括所述基本膜的層 數(shù)、所述第二代非支配排序遺傳算法的迭代次數(shù)、交叉概率和變異概率W及每層所述基本 膜對應的種群大小;其中，所述種群大小為每層所述基本膜所包含的粒子數(shù)量，所述粒子為 一組所述控制變量的組合;每層所述基本膜中都至少包含有一個所述粒子； 初始值賦予模塊，用于根據(jù)所述預設(shè)取值范圍生成所述非支配排序遺傳膜算法中每個 所述粒子的初始值;并將各個取值為初始值的粒子隨機分配至各層所述基本膜中；由所述 取值為初始值的粒子組成的種群為所述基本膜內(nèi)的父代種群； 第二代非支配排序遺傳算法計算模塊，用于依據(jù)所述迭代次數(shù)、所述交叉概率及所述 變異概率，分別對每層所述基本膜上的粒子執(zhí)行所述第二代非支配排序遺傳算法，每次迭 代完成后獲得每層所述基本膜內(nèi)的新子種群;所述第二代非支配排序遺傳算法包括排序操 作W及交叉變異操作； 膜間信息交互模塊，用于將每層所述基本膜內(nèi)的新子種群傳送至下一層所述基本膜 中，使其與下一層所述基本膜內(nèi)的新子種群進行合并更新，得到更新后的新子種群； 備選優(yōu)秀解集獲取模塊，用于將每層所述基本膜內(nèi)的更新后的新子種群與其父代種群 進行合并，并對合并后的新子種群進行所述排序操作，得到備選優(yōu)秀解集； 終止判斷模塊，用于判斷是否滿足所述非支配排序遺傳膜算法的終止執(zhí)行條件;若是， 觸發(fā)化reto最優(yōu)解集確定模塊，否則，觸發(fā)所述第二代非支配排序遺傳算法計算模塊； 所述化reto最優(yōu)解集確定模塊，用于將所述備選優(yōu)秀解集輸入所述表層膜內(nèi)，經(jīng)過所 述排序操作選擇出最優(yōu)秀解集，所述最優(yōu)秀解集確定為所述能量控制目標函數(shù)的化reto最 優(yōu)解集； 分布式電源控制模塊，用于從所述化reto最優(yōu)解集選取所需的最優(yōu)解，根據(jù)所述最優(yōu) 解得到各種所述分布式電源的發(fā)電功率，并依據(jù)所述發(fā)電功率分別對所述微電網(wǎng)中的相應 的所述分布式電源進行控制。6. 根據(jù)權(quán)利要求5所述的處理器，其特征在于，所述處理器具體為FPGA處理器。7. -種微電網(wǎng)能量控制系統(tǒng)，其特征在于，包括微電網(wǎng)、控制裝置W及用于獲取所述微 電網(wǎng)的預設(shè)取值范圍W及預設(shè)控制定量并發(fā)送至所述目標函數(shù)設(shè)置模塊的參數(shù)獲取模塊； 其中，所述控制裝置內(nèi)包括有如權(quán)利要求5或6所述的處理器。
【文檔編號】G06N3/12GK106099999SQ201610619165
【公開日】2016年11月9日
【申請日】2016年7月29日 公開號201610619165.6, CN 106099999 A, CN 106099999A, CN 201610619165, CN-A-106099999, CN106099999 A, CN106099999A, CN201610619165, CN201610619165.6
【發(fā)明人】王軍, 陳科, 孫章, 彭宏, 楊波勇, 明俊, 于文萍, 馮朝潤
【申請人】西華大學, 東方日立(成都)電控設(shè)備有限公司