一种含微电网的区域配电网分层优化方法.pdf

本发明涉及电力系统自动化领域的一种优化方法，具体涉及一种含微电网的区域配电网分层优化方法。所述方法包括下述步骤：<1>建立微电网与配电网联合调度模型；<2>建立微电网效益最大化二次调度模型；<3>对上述两个调度模型进行优化。该方法将微电网作为可独立调度的可控单元，通过对配网侧可控分布式电源、微电网及配电网的协调调度及微电网内部分布式能源经济调度的双层调度控制，对内实现了分布式能源的最大化利用，对外实现区域配电网电源、负荷的最优化调度，可有效提高配电网对分布式电源接纳能力。

权利要求书
1.  一种含微电网的区域配电网分层优化方法，其特征在于，所述配电网调度中心接收微电网调度中心提供的购售电价格和出力上下限信息以电网公司效益最大化为目标确定发电计划；微电网调度中心接收各分布式电源提供的购售电价格和出力上下限以微电网效益最大化为目标制定网内分布式电源的调度策略；
所述方法包括下述步骤：
<1>建立微电网与配电网联合调度模型；
<2>建立微电网效益最大化二次调度模型；
<3>对上述两个调度模型进行优化。

2.  如权利要求1所述的区域配电网分层优化方法，其特征在于，所述步骤<1>中，建立微电网与配电网联合调度模型包括确定发电计划目标函数及约束条件。

3.  如权利要求2所述的区域配电网分层优化方法，其特征在于，所述发电计划目标函数以发电成本最小为目标，表达式如下：
minC＝CMG+CG+CDG      （1）；
式中：C为总发电成本，CMG为电网调度微电网成本，CG常规发电机组发电成本，CDG为直接并网的分布式能源发电机组或直接并网型的风电及光伏电厂的发电成本，统称为非微电网形式可调度分布式电源；
CG、CDG及CMG分别表示为：
CG=Σt=1TΣj=1NG[αj(Pj,tG)2+βjPj,tG+γj+Kj,tPj,tG]---(2);]]>
CDG=Σt=1T{Σk=1N′DG[αk(Pk,tDG)2+βkPk,tDG+γk]+Σm=1NDGKm,tPm,tDG}---(3);]]>
CMG=Σt=1TΣi=1NMG(λ′i,tPi,tMG)Pi,tMG<0Σt=1TΣi=1NMG(λi,tPi,tMG)Pi,tMG<0---(4);]]>
上式中：T为调度周期，设置1年；NG为常规机组数量；αi、βi、γi为机组i发电成本二次函数的系数；为t时段机组j的有功出力；NDG为非微电网形式可调度分布式电源数量，为t时段非微电网形式可调度分布式电源机组j有功出力，N’DG表示考虑燃料成本的 非微电网形式可调度分布式电源数量；NMG为微电网集合，为t时刻微电网i备调度容量；微电网具备电源与负荷双重特性，定义表示t时段内微电网i向电网输出有功功率，λi,t为t时刻电网购电价格；为t时段电网向微电网i输出有功功率，λ'i,t为t时刻电网售电价格。

4.  如权利要求2所述的区域配电网分层优化方法，其特征在于，所述发电计划约束包括微电网出力约束和电网运行约束；
A、所述微电网出力约束表达式如下：
Pimin,tMG≤Pj,tMG≤Pimax,tMG---(5);]]>
t时段微电网i出力上限定义为：
Pimax,tMG=Σn&Element;NMT∪Nbat∪NDMPin,max,t+Pi,tPV+Pi,tWP-Pi,tLoad---(6);]]>
式中：Pin,max,t表示微电网内可控电源的最大出力；分别表示t时段微电网i内光伏系统及风力系统出力预测；表示t时段负荷预测值；
t时段微电网i出力下限定义为：
Pimin,tMG=Σn&Element;NMT∪Nbat∪NDMPin,min,t+Pi,tPV+Pi,tWP-Pi,tLoad---(7);]]>
式中：Pin,min,t表示微电网内可控电源的最小出力；
B、系统约束，包括：
1）系统功率平衡约束：
Σi&Element;NMGPi,tMG+Σj&Element;NGPj,tG+Σk&Element;NMGPk,tDG=PtLoad---(8);]]>
2）系统备用容量约束：
Σi&Element;NMGPi,tMG+Σj&Element;NGPj,tG+Σk&Element;NMGPk,tDG>PtLoad+RtLoad---(9);]]>
3）常规机组出力约束：
PjminG≤Pj,tG≤PjmaxG---(10);]]>
4）常规机组爬坡速率动态约束：
机组出力增加时：
Pj,tG-Pj,t-1G≤Pup,jG---(11);]]>
机组出力减少时：
Pj,tG-Pj,t-1G≤Pdown,jG---(12);]]>
5）直接并网的小水电出力约束：
机组出力增加时：
Pk,tDG-Pk,t-1DG≤Pup,kDG---(13);]]>
机组出力减少时：
Pk,tDG-Pk,t-1DG≤Pdown,kDG---(14);]]>
上述表达式中：分别表示t时段系统负荷需求及备用容量需求；分别表示机组j的最小、最大出力；分别表示机组j单位时段内上行及下行最大爬坡速率；分别表示机组k的最小、最大出力；分别表示机组k单位时段内上行及下行最大爬坡速率。

5.  如权利要求1所述的区域配电网分层优化方法，其特征在于，所述步骤<2>中，建立微电网效益最大化二次调度模型包括下述步骤：
I、确定以微电网效益最大化的目标函数；
II、确定以微电网效益最大化的约束条件；
III、对微电网内分布式电源出力和负荷进行预测。

6.  如权利要求5所述的区域配电网分层优化方法，其特征在于，所述步骤I中，所述微电网效益最大化即微电网综合成本最小，其目标函数的表达式如下：
minC'MG；
C′MG=CMG+C′DG=CMG+Σt=1T{Σk=1N′′DG[αk(Pk,tDG)2+βkPk,tDG+γk]+Σm=1N′′DGKm,tPm,tDG}---(15)]]>
其中：C'MG为某微电网综合成本，CMG为微电网与配网间的购售电成本，C'DG为微电网发电及运行维护成本。

7.  如权利要求5所述的区域配电网分层优化方法，其特征在于，所述步骤II中，以微电网效益最大化的约束条件包括：
1>系统功率平衡约束：
Σj&Element;NDGPj,tDG′+PtMG′=PtLoad′---(16);]]>
2>微电网内电源出力约束：
PjminDG′≤Pj,tDG′≤PjmaxDG′---(17);]]>
3>微电网内可控电源爬坡速率动态约束：
电源出力增加时：
Pj,tDG′-Pj,t-1DG′≤Pup,jDG′---(18);]]>
电源出力减少时：
Pj,tDG′-Pj,t-1DG′≤Pdown,jDG′---(19);]]>
式中：为t时段微电网负荷需求；为t时段微电网可调度分布式电源机组j有功出力；分别为t时刻微电网内分布式电源备调度容量；分别表示微电网内分布式电源j的最小、最大出力；分别表示微电网内分布式电源j单位时段内上行及下行最大爬坡速率。

8.  如权利要求5所述的区域配电网分层优化方法，其特征在于，所述步骤III中，所述微电网内分布式电源出力预测包括：
①光伏出力预测：
光伏系统的输出功率服从Beta分布，其概率密度函数为：
f(PtPV)=1B(a,b)(PtPVPmaxPVa)a-1(1-PtPVPmaxPV)b-1---(20);]]>
式中，是t时段光伏系统输出功率；是光伏系统最大输出功率，B(a,b)是Beta函数，即：
B(a,b)=Γ(a)Γ(b)Γ(a)+Γ(b)---(21);]]>
a=μPV(μPV(1-μPV)σPV2-1)---(22);]]>
b=(1-μPV)((μPV(1-μPV))σPV2-1)---(23);]]>
其中：a，b是Beta分布的形状参数；μPV，σPV分别为一年的太阳辐射照度平均值及 标准差；
②风电出力预测：
风电出力预测根据风力预测及风机特性出力曲线确定；风速概率分布采用双参数威布尔分布，概率密度函数为：
f(v)=kc(vc)k-1exp[-(vc)k]---(24);]]>
式中：v为风速（m/s），k为形状参数，c为尺度参数；
风电功率特性曲线采用典型分段函数方法，风电功率特性曲线表达式为：
P(V)=0,0≤V≤Vcut_inf(V),Vcut_in<V<VrPr,Vr≤V<Vcut_off0,V&GreaterEqual;Vcut_off---(25);]]>
其中：Vcut_in表示切入风速，Vcut_off表示切出风速，Vr表示额定风速，Pr为风机额定功率，f(V)为风速低于额定风速且超出切入风速时的爬坡功率；
所述微电网内的负荷预测包括：
负荷波动服从正态分布，其概率密度为：
f(PtLoad)=12πσLexp(-(PtLoad-μL)22σL2)---(26);]]>
其中：为某时段负荷值；μL，σL分别为该时段负荷平均值和标准差。

9.  如权利要求1所述的区域配电网分层优化方法，其特征在于，所述步骤<3>中，对微电网与配电网联合调度模型和微电网效益最大化二次调度模型采用NSGA-II算法进行优化，包括下述步骤：
步骤S1：基因编码：选择常规机组、直接并网型可调度分布式发电机组以及微电网内的可调度分布式电源的有功实时出力作为NSGA-II算法中的基因，并对此基因进行二进制编码，当配电网包含n个PQ节点，染色体由表示所有节点信息的3n个基因组成，各节点的编码顺序根据节点编号从小到大排列；
步骤S2：对微电网与配电网联合调度模型和微电网效益最大化二次调度模型进行优化调度；
步骤S3：输出优化调度结果。

10.  如权利要求9所述的区域配电网分层优化方法，其特征在于，所述步骤S2中，对微电网与配电网联合调度模型和微电网效益最大化二次调度模型进行优化包括下述步骤：
步骤S201：群体初始化：
初始化群体中每个个体的候选出力，包括：在各机组对应的有功和无功最大功率范围内，随机选出一个数，得出配置容量；
步骤S202：非支配排序：
在选择运算之前，根据多目标分层优化调度数学模型进行计算，得到每个个体的目标函数值，根据每个个体的非支配水平对种群分层排序；所述多目标分层优化调度数学模型包括微电网与配电网联合调度模型和微电网效益最大化二次调度模型；
步骤S203：拥挤度计算：
基于非支配排序结果，对同一层的Pareto解根据多目标计算数学模型中的目标函数值计算拥挤距离；
步骤S204：选择、交叉和变异运算：
根据排序和拥挤距离的计算结果，采用轮赛制随机选择2个个体，并进行交叉和变异计算；
步骤S205：选择前N个个体产生父代种群；
步骤S206：精英个体校验：
将父代与子代合并，进行非支配排序和拥挤距离计算，开始新一轮的选择、变异和交叉，选取产生新的父代；
步骤S207：重复步骤S202-207，直到最大迭代次数时停止。

说明书一种含微电网的区域配电网分层优化方法
技术领域
本发明涉及电力系统自动化领域的一种优化方法，具体涉及一种含微电网的区域配电网分层优化方法。
背景技术
（一）微电网技术
微电网是指由分布式电源、储能装置、能量转换装置、相关负荷和监控、保护装置汇集而成的小型发配电系统。微电网中的电源多为容量较小的分布式电源，即含有电力电子接口的小型机组，包括微型燃气轮机、燃料电池、光伏电池、小型风力发电机组以及超级电容、飞轮及蓄电池等储能装置。它们接在用户侧，具有成本低、电压低以及污染小等特点。
微电网技术的应用消除了单个分布式电源（DG）并网运行的随机性与不可调度性，宏观上表现出微电网的可控性。电网将对DG的协调控制权移交给微电网，摆脱了多个DG管理上、控制上的难题。微电网根据自身组成和负荷情况，在系统负荷低谷时以较低价格向电网购电，在系统负荷高峰时以较高价格向电网售电。不仅提高了电力系统可靠性，在提升微电网运营水平，实现能源效益、经济效益、环境效益最大化方面具有重要意义。
（二）NSGA-II算法为多目标优化算法，有3个性能评价指标：
1、所求得的解要尽量接近Pareto最优解；
2、所求得的解集要尽量分布均匀；
3、求解过程中要防止获得的Pareto最优解丢失。
与此对应，NSGA-II算法有3种关键技术使其成为一种优秀的多目标优化算法，即快速非支配排序、个体拥挤距离和精英策略。基于NSGA-II的基本原理，为多目标网架重构优化设计了以下3种算子。
（一）快速非支配排序算子设计：
多目标优化问题的设计关键在于求取Pareto最优解集。NSGA-Ⅱ算法中的快速非支配排序是依据个体的非劣解水平对种群分层，其作用是指引搜索向Pareto最优解集方向进行。它是一个循环的适应值分级过程：首先找出群体中非支配解集，记为第一非支配层F1，将其所有个体赋予非支配序irank=1(其中：irank是个体i的非支配序值)，并从整个群体中除去；然后继续找出余下群体中非支配解集，记为第二非支配层F2，个体被赋予非支配序irank=2；照 此进行下去，直到整个种群被分层，同一分层内的个体具有相同的非支配序irank。
（二）个体拥挤距离算子设计：
为了能够在具有相同irank的个体内进行选择性排序，NSGA-II提出了个体拥挤距离的概念。个体i的拥挤距离是目标空间上与i相邻的2个体i+1和i-1之间的距离,其计算步骤为：
（1）对同层的个体初始化距离。令L[i]d=0(其中：L[i]d表示任意个体i的拥挤距离)；
（2）对同层的个体按第m个目标函数值升序排列；
（3）使得排序边缘上的个体具有选择优势，给定一个大数W，令
L[0]d=L[l]d=W      （27）；
（4）对排序中间的个体，求拥挤距离：
L[i]d=L[i]d+(L[i+1]m-L[i-1]m)/(fmmax-fmmin)---(28);]]>
其中：L[i+1]m为第i+1个体的第m目标函数值，分别为集合中第m目标函数的最大和最小值；
（5）对不同的目标函数，重复步骤（2）～（4）操作，得到个体i的拥挤距离L[i]d。通过优先选择拥挤距离较大的个体，可使计算结果在目标空间比较均匀地分布，以维持群体的多样性。
（三）精英策略选择算子设计：
精英策略即保留父代中的优良个体直接进入子代，以防止获得的Pareto最优解丢失。精英策略选择算子按3个指标对由父代Ci和子代Di合成的种群Ri进行优选，以组成新父代种群Ci+1。首先淘汰父代中方案校验标志为不可行的方案；其次按照非支配序irank从低到高顺序，将整层种群依次放入Ci+1，直到放入某一层Fj时出现Ci+1大小超出种群规模限值N的情况；最后依据Fj中的个体拥挤距离由大到小的顺序继续填充Ci+1直到种群数量达到N时终止。
现有微电网优化调度技术主要考虑微网内的资源配置，没有结合配网相关资源，无法实现微电网与配电网，微电网与微电网的灵活互动，系统的全局最优性无法保障；在优化算法方面NSAGII算法在多目标优化问题处理上克服了传统单目标加权合并方式造成的权重选择问题，而该问题将直接影响传统优化算法结论的有效性。
发明内容
针对现有技术的不足，本发明的目的是提供一种含微电网的区域配电网分层优化方法，该方法将微电网作为可独立调度的可控单元，通过对配网侧可控分布式电源、微电网及配电网的协调调度及微电网内部分布式能源经济调度的双层调度控制，对内实现了分布式能源的 最大化利用，对外实现区域配电网电源、负荷的最优化调度，可有效提高配电网对分布式电源接纳能力。
本发明的目的是采用下述技术方案实现的：
本发明提供一种含微电网的区域配电网分层优化方法，其改进之处在于，所述配电网调度中心接收微电网调度中心提供的购售电价格和出力上下限信息以电网公司效益最大化为目标确定发电计划；微电网调度中心接收各分布式电源提供的购售电价格和出力上下限以微电网效益最大化为目标制定网内分布式电源的调度策略；
所述方法包括下述步骤：
<1>建立微电网与配电网联合调度模型；
<2>建立微电网效益最大化二次调度模型；
<3>对上述两个调度模型进行优化。
进一步地，所述步骤<1>中，建立微电网与配电网联合调度模型包括确定发电计划目标函数及约束条件。
进一步地，所述发电计划目标函数以发电成本最小为目标，表达式如下：
minC＝CMG+CG+CDG      （1）；
式中：C为总发电成本，CMG为电网调度微电网成本，CG常规发电机组发电成本（仅考虑火电机组），CDG为直接并网的分布式能源发电机组或直接并网型的风电及光伏电厂的发电成本，统称为非微电网形式可调度分布式电源；
CG、CDG及CMG分别表示为：
CG=Σt=1TΣj=1NG[αj(Pj,tG)2+βjPj,tG+γj+Kj,tPj,tG]---(2);]]>
CDG=Σt=1T{Σk=1N′DG[αk(Pk,tDG)2+βkPk,tDG+γk]+Σm=1NDGKm,tPm,tDG}---(3);]]>
CMG=Σt=1TΣi=1NMG(λ′i,tPi,tMG)Pi,tMG<0Σt=1TΣi=1NMG(λi,tPi,tMG)Pi,tMG<0---(4);]]>
上式中：T为调度周期，设置1年；NG为常规机组数量；αi、βi、γi为机组i发电成本二次函数的系数；为t时段机组j的有功出力；NDG为非微电网形式可调度分布式电源数 量，为t时段非微电网形式可调度分布式电源机组j有功出力，N’DG表示考虑燃料成本的非微电网形式可调度分布式电源数量（如柴油机、燃气轮机）；NMG为微电网集合，为t时刻微电网i备调度容量；微电网具备电源与负荷双重特性，定义表示t时段内微电网i向电网输出有功功率，λi,t为t时刻电网购电价格；为t时段电网向微电网i输出有功功率，λ'i,t为t时刻电网售电价格。
进一步地，所述发电计划约束包括微电网出力约束和电网运行约束；
A、所述微电网出力约束表达式如下：
Pimin,tMG≤Pj,tMG≤Pimax,tMG---(5);]]>
t时段微电网i出力上限定义为：
Pimax,tMG=Σn&Element;NMT∪Nbat∪NDMPin,max,t+Pi,tPV+Pi,tWP-Pi,tLoad---(6);]]>
式中：Pin,max,t表示微电网内可控电源的最大出力；分别表示t时段微电网i内光伏系统及风力系统出力预测；表示t时段负荷预测值；
t时段微电网i出力下限定义为：
Pimin,tMG=Σn&Element;NMT∪Nbat∪NDMPin,min,t+Pi,tPV+Pi,tWP-Pi,tLoad---(7);]]>
式中：Pin,min,t表示微电网内可控电源的最小出力；
B、系统约束，包括：
1）系统功率平衡约束：
Σi&Element;NMGPi,tMG+Σj&Element;NGPj,tG+Σk&Element;NMGPk,tDG=PtLoad---(8);]]>
2）系统备用容量约束：
Σi&Element;NMGPi,tMG+Σj&Element;NGPj,tG+Σk&Element;NMGPk,tDG>PtLoad+RtLoad---(9);]]>
3）常规机组出力约束：
PjminG≤Pj,tG≤PjmaxG---(10);]]>
4）常规机组爬坡速率动态约束：
机组出力增加时：
Pj,tG-Pj,t-1G≤Pup,jG---(11);]]>
机组出力减少时：
Pj,tG-Pj,t-1G≤Pdown,jG---(12);]]>
5）直接并网的小水电出力约束：
机组出力增加时：
Pk,tDG-Pk,t-1DG≤Pup,kDG---(13);]]>
机组出力减少时：
Pk,tDG-Pk,t-1DG≤Pdown,kDG---(14);]]>
上述表达式中：分别表示t时段系统负荷需求及备用容量需求；分别表示机组j的最小、最大出力；分别表示机组j单位时段内上行及下行最大爬坡速率；分别表示机组k的最小、最大出力；分别表示机组k单位时段内上行及下行最大爬坡速率。
进一步地，所述步骤<2>中，建立微电网效益最大化二次调度模型包括下述步骤：
I、确定以微电网效益最大化的目标函数；
II、确定以微电网效益最大化的约束条件；
III、对微电网内分布式电源出力和负荷进行预测。
进一步地，所述步骤I中，所述微电网效益最大化即微电网综合成本最小，其目标函数的表达式如下：
minC'MG；
C′MG=CMG+C′DG=CMG+Σt=1T{Σk=1N′′DG[αk(Pk,tDG)2+βkPk,tDG+γk]+Σm=1N′′DGKm,tPm,tDG}---(15)]]>
其中：C'MG为某微电网综合成本，CMG为微电网与配网间的购售电成本，C'DG为微电网发电及运行维护成本。
进一步地，所述步骤II中，以微电网效益最大化的约束条件包括：
1>系统功率平衡约束：
Σj&Element;NDGPj,tDG′+PtMG′=PtLoad′---(16);]]>
2>微电网内电源出力约束：
PjminDG′≤Pj,tDG′≤PjmaxDG′---(17);]]>
3>微电网内可控电源爬坡速率动态约束：
电源出力增加时：
Pj,tDG′-Pj,t-1DG′≤Pup,jDG′---(18);]]>
电源出力减少时：
Pj,tDG′-Pj,t-1DG′≤Pdown,jDG′---(19);]]>
式中：为t时段微电网负荷需求；为t时段微电网可调度分布式电源机组j有功出力；分别为t时刻微电网内分布式电源备调度容量；分别表示微电网内分布式电源j的最小、最大出力；分别表示微电网内分布式电源j单位时段内上行及下行最大爬坡速率。
进一步地，所述步骤III中，所述微电网内分布式电源出力预测包括：
①光伏出力预测：
光伏系统的输出功率服从Beta分布，其概率密度函数为：
f(PtPV)=1B(a,b)(PtPVPmaxPVa)a-1(1-PtPVPmaxPV)b-1---(20);]]>
式中，是t时段光伏系统输出功率；是光伏系统最大输出功率，B(a,b)是Beta函数，即：
B(a,b)=Γ(a)Γ(b)Γ(a)+Γ(b)---(21);]]>
a=μPV(μPV(1-μPV)σPV2-1)---(22);]]>
b=(1-μPV)((μPV(1-μPV))σPV2-1)---(23);]]>
其中：a，b是Beta分布的形状参数；μPV，σPV分别为一年的太阳辐射照度平均值及标准差；
②风电出力预测：
风电出力预测根据风力预测及风机特性出力曲线确定；风速概率分布采用双参数威布尔分布，概率密度函数为：
f(v)=kc(vc)k-1exp[-(vc)k]---(24);]]>
式中：v为风速（m/s），k为形状参数，c为尺度参数；
风电功率特性曲线采用典型分段函数方法，风电功率特性曲线表达式为：
P(V)=0,0≤V≤Vcut_inf(V),Vcut_in<V<VrPr,Vr≤V<Vcut_off0,V&GreaterEqual;Vcut_off---(25);]]>
其中：Vcut_in表示切入风速，Vcut_off表示切出风速，Vr表示额定风速，Pr为风机额定功率，f(V)为风速低于额定风速且超出切入风速时的爬坡功率；
所述微电网内的负荷预测包括：
负荷波动服从正态分布，其概率密度为：
f(PtLoad)=12πσLexp(-(PtLoad-μL)22σL2)---(26);]]>
其中：为某时段负荷值；μL，σL分别为该时段负荷平均值和标准差。
进一步地，所述步骤<3>中，对微电网与配电网联合调度模型和微电网效益最大化二次调度模型采用NSGA-II算法进行优化，包括下述步骤：
步骤S1：基因编码：选择常规机组、直接并网型可调度分布式发电机组（包括非径流式小水电、柴油机、燃气轮机等）以及微电网内的可调度分布式电源的有功实时出力作为NSGA-II算法中的基因，并对此基因进行二进制编码，当配电网包含n个PQ节点，染色体由表示所有节点信息的3n个基因组成，各节点的编码顺序根据节点编号从小到大排列；
步骤S2：对微电网与配电网联合调度模型和微电网效益最大化二次调度模型进行优化调度；
步骤S3：输出优化调度结果。
进一步地，所述步骤S2中，对微电网与配电网联合调度模型和微电网效益最大化二次调度模型进行优化包括下述步骤：
步骤S201：群体初始化：
初始化群体中每个个体的候选出力，包括：在各机组对应的有功和无功最大功率范围内，随机选出一个数，得出配置容量；
步骤S202：非支配排序：
在选择运算之前，根据多目标分层优化调度数学模型进行计算，得到每个个体的目标函数值，根据每个个体的非支配水平对种群分层排序；所述多目标分层优化调度数学模型包括微电网与配电网联合调度模型和微电网效益最大化二次调度模型；
步骤S203：拥挤度计算：
基于非支配排序结果，对同一层的Pareto解根据多目标计算数学模型中的目标函数值计算拥挤距离；
步骤S204：选择、交叉和变异运算：
根据排序和拥挤距离的计算结果，采用轮赛制随机选择2个个体，并进行交叉和变异计算；
步骤S205：选择前N个个体产生父代种群；
步骤S206：精英个体校验：
将父代与子代合并，进行非支配排序和拥挤距离计算，开始新一轮的选择、变异和交叉，选取产生新的父代；
步骤S207：重复步骤S202-207，直到最大迭代次数时停止。
与现有技术比，本发明达到的有益效果是：
1、本发明将微电网作为可独立调度的可控单元，通过对配网侧可控分布式电源、微电网及配电网的协调调度及微电网内部分布式能源经济调度的双层调度控制，对内实现了分布式能源的最大化利用，对外实现区域配电网电源、负荷的最优化调度，可有效提高配电网对分布式电源接纳能力。
2、本发明将微电网视为可控单元，整体参与配网调度运行，可充分发挥微电网削峰填谷作用，同时对联络线传输功率波动进行了有效的平抑，减少微电网内间歇式能源对配网的冲击。
3、本发明考虑了微电网与配电网、微电网与直接并网可控分布式电源、微电网与微电网之间的全局优化调度问题，充分利用微电网的可调度特性，实现全网经济运行。通过区域微电网间、微电网与配网间、微电网与分布式电源间的实时功率流动平抑风光波动性及负荷波动对系统的调度的影响。
4、本发明通过将微电网参与主网统一调度，可减少微电网内储能的容量需求，可将剩余或缺电信息直接通过配网统一调度实现全局分配电量。
5、本发明采用分层优化调度方法对区域微电网进行优化调度，充分利用微电网灵活可控的优良特性。
附图说明
图1是本发明提供的分层调度框架示意图；
图2是本发明提供的NSGA-II算法流程图；
图3是本发明提供的含微电网的区域配电网分层优化方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
本发明提供的分层调度框架示意图如图1所示，含微电网的区域配电网分层优化调度方法包括：配网调度中心根据各微网提供的购售电价格、出力上下限等信息与电网中其他发电公司进行联合调度，以电网公司效益最大化为目标确定发电计划；电网公司不关心微网内部的能量管理，只需对微网提供的电量进行补偿，并对微网购买的电量收取费用；由于微网中各DG发电特性很难具体体现在微网购售电价中，调度中心确定发电计划后，各微网还需根据发电计划、间歇性DG出力预测数据以及自身负荷预测数据以微网效益最大化为目标进行“二次协调”。微网通过与其他协议微网互动，购买或者出售备用容量，使配电网调度中心可以对出力不确定的微网进行确定性调度。
本发明提供的一种含微电网的区域配电网分层优化方法，其流程图如图3所示，包括下述步骤：
<1>建立微电网与配电网联合调度模型：
所述步骤<1>中，建立微电网与配电网联合调度模型包括确定发电计划目标函数及约束条件。
发电计划目标函数以发电成本最小为目标，建立微网与电网联合调度模型，表达式如下：
minC＝CMG+CG+CDG      （1）；
式中：C为总发电成本，CMG为电网调度微电网成本，CG常规发电机组发电成本（仅考虑火电机组），CDG为直接并网的分布式能源发电机组或直接并网型的风电及光伏电厂的发 电成本，统称为非微电网形式可调度分布式电源。发电成本包括运维成本及燃料成本两部分，对于对非燃料形式的可控发电机组如小水电，其燃料成本为0，微电网仅考虑基本购售电运维成本，微网内部电源其余成本在微网内部协调优化中分析。
CG、CDG及CMG分别表示为：
CG=Σt=1TΣj=1NG[αj(Pj,tG)2+βjPj,tG+γj+Kj,tPj,tG]---(2);]]>
CDG=Σt=1T{Σk=1N′DG[αk(Pk,tDG)2+βkPk,tDG+γk]+Σm=1NDGKm,tPm,tDG}---(3);]]>
CMG=Σt=1TΣi=1NMG(λ′i,tPi,tMG)Pi,tMG<0Σt=1TΣi=1NMG(λi,tPi,tMG)Pi,tMG<0---(4);]]>
上式中：T为调度周期，设置1年；NG为常规机组数量；αi、βi、γi为机组i发电成本二次函数的系数；为t时段机组j的有功出力；NDG为非微电网形式可调度分布式电源数量，为t时段非微电网形式可调度分布式电源机组j有功出力，N’DG表示考虑燃料成本的非微电网形式可调度分布式电源数量（如柴油机、燃气轮机）；NMG为微电网集合，为t时刻微电网i备调度容量；微电网具备电源与负荷双重特性，定义表示t时段内微电网i向电网输出有功功率，λi,t为t时刻电网购电价格；为t时段电网向微电网i输出有功功率，λ'i,t为t时刻电网售电价格。微网出力在负值到正值之间变化，且边界值随运行特性差异而变化。发电计划约束包括微电网出力约束和电网运行约束；
A、所述微电网出力约束表达式如下：
Pimin,tMG≤Pj,tMG≤Pimax,tMG---(5);]]>
t时段微电网i出力上限定义为：
Pimax,tMG=Σn&Element;NMT∪Nbat∪NDMPin,max,t+Pi,tPV+Pi,tWP-Pi,tLoad---(6);]]>
式中：Pin,max,t表示微电网内可控电源的最大出力；分别表示t时段微电网i内光伏系统及风力系统出力预测；表示t时段负荷预测值；
t时段微电网i出力下限定义为：
Pimin,tMG=Σn&Element;NMT∪Nbat∪NDMPin,min,t+Pi,tPV+Pi,tWP-Pi,tLoad---(7);]]>
式中：Pin,min,t表示微电网内可控电源的最小出力；
B、系统约束，包括：
1）系统功率平衡约束：
Σi&Element;NMGPi,tMG+Σj&Element;NGPj,tG+Σk&Element;NMGPk,tDG=PtLoad---(8);]]>
2）系统备用容量约束：
Σi&Element;NMGPi,tMG+Σj&Element;NGPj,tG+Σk&Element;NMGPk,tDG>PtLoad+RtLoad---(9);]]>
3）常规机组出力约束：
PjminG≤Pj,tG≤PjmaxG---(10);]]>
4）常规机组爬坡速率动态约束：
机组出力增加时：
Pj,tG-Pj,t-1G≤Pup,jG---(11);]]>
机组出力减少时：
Pj,tG-Pj,t-1G≤Pdown,jG---(12);]]>
5）直接并网的小水电出力约束：
机组出力增加时：
Pk,tDG-Pk,t-1DG≤Pup,kDG---(13);]]>
机组出力减少时：
Pk,tDG-Pk,t-1DG≤Pdown,kDG---(14);]]>
上述表达式中：分别表示t时段系统负荷需求及备用容量需求；分别表示机组j的最小、最大出力；分别表示机组j单位时段内上行及下行最大爬坡速率；分别表示机组k的最小、最大出力；分别表示机组k单位时段内上行及下行最大爬坡速率。
<2>建立微电网效益最大化二次调度模型，包括下述步骤：
I、确定以微电网效益最大化的目标函数：调度中心制定调度方案时仅考虑微网的购售电 价及处理上下界，为考虑微网内分布式电源的出力波动性问题。因此，需要针对电网发电计划，以微网自身最大化效益为目标制定网内分布式电源的调度策略。
所述微电网效益最大化即微电网综合成本最小，其目标函数的表达式如下：
minC'MG；
C′MG=CMG+C′DG=CMG+Σt=1T{Σk=1N′′DG[αk(Pk,tDG)2+βkPk,tDG+γk]+Σm=1N′′DGKm,tPm,tDG}---(15)]]>
其中：C'MG为某微电网综合成本，CMG为微电网与配网间的购售电成本，C'DG为微电网发电及运行维护成本。
II、确定以微电网效益最大化的约束条件，包括：
1>系统功率平衡约束：
Σj&Element;NDGPj,tDG′+PtMG′=PtLoad′---(16);]]>
2>微电网内电源出力约束：
PjminDG′≤Pj,tDG′≤PjmaxDG′---(17);]]>
3>微电网内可控电源爬坡速率动态约束：
电源出力增加时：
Pj,tDG′-Pj,t-1DG′≤Pup,jDG′---(18);]]>
电源出力减少时：
Pj,tDG′-Pj,t-1DG′≤Pdown,jDG′---(19);]]>
式中：为t时段微电网负荷需求；为t时段微电网可调度分布式电源机组j有功出力；分别为t时刻微电网内分布式电源备调度容量；分别表示微电网内分布式电源j的最小、最大出力；分别表示微电网内分布式电源j单位时段内上行及下行最大爬坡速率。
III、对微电网内分布式电源出力和负荷进行预测：光伏、风力发电受天气因素影响具有波动和间歇特性，可控性差，一般采用最大功率跟踪的控制方式，因此在最优调度问题中将其作为不可调度电源，在优化计算过程中采用出力预测结果参与分析计算，以下具体分析光伏、风力及负荷的预测算法，包括：
①光伏出力预测：
光伏发电系统输出功率与太阳辐照度直接相关，一段时间内的太阳辐照度是一个服从Beta分布的随机变量，光伏系统的输出功率也服从该分布，其概率密度函数为：
f(PtPV)=1B(a,b)(PtPVPmaxPVa)a-1(1-PtPVPmaxPV)b-1---(20);]]>
式中，是t时段光伏系统输出功率；是光伏系统最大输出功率，B(a,b)是Beta函数，即：
B(a,b)=Γ(a)Γ(b)Γ(a)+Γ(b)---(21);]]>
a=μPV(μPV(1-μPV)σPV2-1)---(22);]]>
b=(1-μPV)((μPV(1-μPV))σPV2-1)---(23);]]>
其中：a，b是Beta分布的形状参数；μPV，σPV分别为一年的太阳辐射照度平均值及标准差；
②风电出力预测：
风电出力预测根据风力预测及风机特性出力曲线确定；风速概率分布采用双参数威布尔分布，概率密度函数为：
f(v)=kc(vc)k-1exp[-(vc)k]---(24);]]>
式中：v为风速（m/s），k为形状参数，c为尺度参数；以上参数可通过最小二乘法测算分析计算。
风电功率特性曲线采用典型分段函数方法，风电功率特性曲线表达式为：
P(V)=0,0≤V≤Vcut_inf(V),Vcut_in<V<VrPr,Vr≤V<Vcut_off0,V&GreaterEqual;Vcut_off---(25);]]>
其中：Vcut_in表示切入风速，Vcut_off表示切出风速，Vr表示额定风速，Pr为风机额定功率，f(V)为风速低于额定风速且超出切入风速时的爬坡功率；该段曲线与风机特性直接相关，因 此需要针对具体风机类型进行分析，且一般采用多项式拟合方法。
所述微电网内的负荷预测包括：
负荷波动服从正态分布，其概率密度为：
f(PtLoad)=12πσLexp(-(PtLoad-μL)22σL2)---(26);]]>
其中：为某时段负荷值；μL，σL分别为该时段负荷平均值和标准差。
综上：分层调度目标函数为：
目标1：minC＝CMG+CG+CDG
目标2：minC'MG
约束条件为：
Pimin,tMG≤Pj,tMG≤Pimax,tMGΣi&Element;NMGPi,tMG+Σj&Element;NGPj,tG+Σk&Element;NMGPk,tDG=PtLoadΣi&Element;NMGPi,tMG+Σj&Element;NGPj,tG+Σk&Element;NDGPk,tDG>PtLoad+RtLoadPjminG≤Pj,tG≤PjmaxGPj,tG-Pj,t-1G≤Pup,jGPj,tG-Pj,t-1G≤Pdown,jGPk,tDG-Pk,t-1DG≤Pdown,kDGPk,tDG-Pk,t-1DG≤Pdown,kDGΣi&Element;NDGPj,tDG′+PtMG′=PtLoad′1PjminDG′≤Pj,tDG′≤PjmaxDG′Pj,tDG′-Pj,t-1DG′≤Pup,jDG′Pj,tDG′-Pj,t-1Dg′≤Pdown,jDG′]]>
<3>对上述两个调度模型进行优化，包括下述步骤：
步骤S1：基因编码：选择常规机组、直接并网型可调度分布式发电机组（包括非径流式小水电、柴油机、燃气轮机等）以及微电网内的可调度分布式电源的有功实时出力作为NSGA-II算法中的基因，并对此基因进行二进制编码，当配电网包含n个PQ节点，染色体由表示所有节点信息的3n个基因组成，各节点的编码顺序根据节点编号从小到大排列；
步骤S2：对微电网与配电网联合调度模型和微电网效益最大化二次调度模型进行优化调度，其流程图如图2所示，包括下述步骤：
步骤S201：群体初始化：
初始化群体中每个个体的候选出力，包括：在各机组对应的有功和无功最大功率范围内，随机选出一个数，得出配置容量；
步骤S202：非支配排序：
在选择运算之前，根据多目标分层优化调度数学模型进行计算，得到每个个体的目标函数值，根据每个个体的非支配水平对种群分层排序；所述多目标分层优化调度数学模型包括微电网与配电网联合调度模型和微电网效益最大化二次调度模型；
步骤S203：拥挤度计算：
基于快速非支配排序结果，对同一层的Pareto解根据多目标计算数学模型中的目标函数值计算拥挤距离。为了保持个体的多样性，防止个体在局部堆积，NSGA-Ⅱ算法提出了拥挤距离，这一方法可自动调整小生境，是计算结果在目标空间散布均匀，具有较好的鲁棒性。
步骤S204：选择、交叉和变异运算：
根据排序和拥挤距离的计算结果，采用轮赛制随机选择2个个体，并进行交叉和变异计算；
步骤S205：选择前N个个体产生父代种群；
步骤S206：精英个体校验：
将父代与子代合并，进行非支配排序和拥挤距离计算，开始新一轮的选择、变异和交叉，选取产生新的父代；
步骤S207：重复步骤S202-207，直到最大迭代次数时停止。
步骤S3：输出优化调度结果：根据NSGA-Ⅱ算法得到分层调度下各机组出力的Pareto解集，针对不同地区对于各个目标的不同要求选择适合该地区的出力调度方案。
本发明将微电网作为可独立调度的可控单元，通过对配网侧可控分布式电源、微电网及配电网的协调调度及微电网内部分布式能源经济调度的双层调度控制，对内实现了分布式能源的最大化利用，对外实现区域配电网电源、负荷的最优化调度，可有效提高配电网对分布式电源接纳能力。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。