一种考虑需求侧的微电网的规划设计方法技术领域
本发明涉及微电网规划技术领域，尤其是一种考虑需求侧的微电网的规划设计方
法。
背景技术
微电网规划是微电网建设的基础，其规划水平的高低不仅直接影响到微电网自身
的安全性、可靠性与经济性，而且随着微电网渗透率的不断增加，也会对大电网的运行产生
深远影响。因此，微电网规划设计工作是微电网建设前期十分重要的环节。由于微网是局部
区域供能系统,故其优化设计问题主要归结为容量配置问题。
为了使微电网更加稳定高效的运行，其前期的规划工作是密不可分的。我们通常
是根据当地的分布式电源和负荷情况，以经济性、供电可靠性、环境性等作为目标函数，根
据经验来确定分布式电源(DG)的容量和位置。但是对于负荷侧却并没有过多考虑，仅根据
对负荷预测或测量的结果来对供应侧进行建模优化配置，并没有涉及运行时可能遇到的需
求侧响应(demand response，DR)。此外，在优化方法上，现有涉及软件，如HOMER和HOGA中，
针对该问题均简化处理，其他很多优化算法可能有一个很低的收敛速度。但是，过早的收敛
或者陷入局部最优都会产生负面的影响。因此，选择一个可靠的优化算法往往特别重要。
发明内容
本发明所要解决的技术问题是提供一种改进的动态自适应粒子群算法，综合资源
规划是指把电力供应侧和需求侧的各种形式的资源综合成一个整体进行电力规划，通过高
效、经济、合理地利用供需侧资源潜力，在保持能源服务水平的前提下，使整个规划系统的
社会总成本最小。
为解决上述技术问题，本发明所采用的技术方案是：一种考虑需求侧的微电网的
规划设计方法，其特征在于,依次包括如下步骤：
步骤一、对微电网、每个微电源及其可控负荷进行建模；
步骤二、确定微电网优化配置的目标函数；
步骤三、确定微电网优化配置约束条件；
步骤四、制定控制策略；
步骤五、粒子群寻优。
优选的，所述步骤一包括确定整个微电网的模型及每个微电源和可控负荷的模
型，所述微电源为光伏电池、风机、蓄电池和柴油发电机，其中可控负荷的模型为：
P(t)＝Pload(t)-PC_load(t) (1)
式中：P(t)为在t时刻直接负荷控制后的负荷；Pload(t)为在t时刻负荷预测的负
荷；PC_load(t)为在t时刻由于直接负荷控制而降低的负荷。
优选的，所述步骤二包括计算最低运行成本，具体表示为：
式中：i表示光伏电池、风机、蓄电池和柴油发电机。Ctotal表示总成本；Ci表示每种
微电源的总成本；CDLC表示直接负荷控制的成本；
其中Ci可以表示为下式：
式中：Ni表示第i种微电源的数量；ei表示第i种微电源的单价；Pi表示第i种微电源
的输出功率；m表示其折旧寿命；r表示贴现率；u表示其运行成本。
优选的，所述步骤三包括以下步骤：
1)确定功率平衡条件
PPV(t)+PWT(t)+PDG(t)+PESS(t)+PCload(t)＝Pload(t) (4)
式中：PPV(t)，PWT(t)，PDG(t)，PESS(t)分别表示光伏电池、风机、柴油发电机、蓄电池
在t时刻的功率PCload(t)表示在t时刻切断的负荷；Pload(t)表示在t时刻负荷的功率；
2)确定微电源容量约束条件
Xk≤Xkmax (5)
式中：Xk是第k个微电源的容量；Xkmax是第k个微电源最大允许的容量值；
3)确定蓄电池荷电状态约束
SOCmin≤SOC(t)≤SOCmax (6)
式中：SOC(t)为蓄电池在t时刻的荷电状态，SOCmin、SOCmax分别表示荷电状态的最
大值和最小值。
优选的，所述步骤四以每天24小时为基础，每天0-16时，负荷处于低谷及平稳期；t
处于16-24时刻，负荷处于高峰期；由于蓄电池不能频繁充放电的性能，所以在0-16 时刻，
且光伏电池出力及风机出力大于负荷，即PPV+PWT＞Pload时，及蓄电池的荷电状态SOC＜80％
时，才允许分布式电源给蓄电池充电；由于分布式电源的不稳定性，每一个时刻都在变化，
所以蓄电池的充电功率为：
Pcharge(t)＝min{P1,P2,P3} (7)
P1＝PPV+PWT-Pload
P2＝0.9*Prate
P3＝(SOCmax*Erate-Et-1)/△t (8)
式中Pcharge(t)为蓄电池在t时刻的充电功率；P1，P2，P3为蓄电池在t时刻可能的充
电功率，Prate为蓄电池的额定功率；Erate为蓄电池的额定容量；
当PPV+PWT＜Pload时，蓄电池不充电也不放电，由柴油发电机来满足负荷需求；此时
Pcharge(t)＝0，当蓄电池充满电时，将不再充电；
在16-24时刻时，负荷迎来了高峰期，对可控负荷进行调控，当PPV+PWT+PDG＜Pload-
PC_load，SOC＞20％时，才允许蓄电池放电，其放电功率为：
Pdis(t)＝min{P4,P5,P6} (9)
P4＝Pload-PC_load-(PPV+PWT+PDG)
P5＝Prate
P6＝(Et-1-SOCmin*Erate)/△t (10)
其中Pdis(t)为蓄电池在t时刻的放电功率；P4、P5、P6为t时刻蓄电池可能的放电功
率；Prate为蓄电池的额定功率；Erate为蓄电池的额定容量；
当PPV+PWT+PDG＞Pload-PC_load时，蓄电池不充电也不放电，由柴油发电机来满足负荷
需求，此时Pdis(t)＝0，当蓄电池放完电时，将不再放电。
6、根据权利要求1所述一种考虑需求侧的微电网的规划设计方法，其特征在于，所
述步骤五包括以下步骤：
1)初始化粒子参数，种群密度，迭代次数以及限制最大速度与位置；
2)设置每个粒子的速度和位置；
3)计算适应度fitness值，个体最优pbest值，全局最优gbest值；
4)根据每个粒子设置的参数，更新粒子的速度；
5)更新每个粒子的位置；
6)计算更新后粒子的适应度值，并更新；
7)如果没寻得最优解，返回上述步骤3)，如若寻到最优解，结束循环。
7、根据权利要求6所述一种考虑需求侧的微电网的规划设计方法，其特征在于，所
述设置每个粒子的速度和位置包括如下步骤：
在PSO中，每一个潜在的最优结果被看做是一个运动在寻优空间中的粒子，每个粒
子i与它的速度vi＝[vi1,vi2,vid,viD]T和位置xi＝[xi1,xi2,…,xid,…,xiD]T关联，其中D是寻
优空间的维度；在寻优过程中，其速度和位置的更新公式表示为
vid(t+1)＝wvid(t)+c1r1[pbid-xid(t)]+c2r2[gbd-xid(t)] (11)
xid(t+1)＝xid(t)+vid(t+1) (12)
式中，t是当前迭代次数；w是惯性权重；r1和r2是均匀分布在0-1中的随机数；pb和
gb分别表示个体最优和全局最优。
式(11)和式(12)表明当粒子速度为0时，种群停滞，从而导致优化结果过早的收敛
而且无法从局部最优中跳出，在复杂的多目标优化问题中尤为突出；因此，为了控制其收敛
性，适当提高PSO的多样性是非常重要的环节；加入变异操作就是一种有效的增加种群多样
性的方法，从而从局部最优中跳出，并且提高了PSO的全局搜索能力；虽然变异操作对于提
高种群多样性很有利，而且能够很好的避免过早收敛，但是他的随机性限制了PSO的搜索精
度，甚至导致其退化；
因此，本发明提出一种自适应变异策略。当每个粒子速度相当小的时候，即小于某
个极限值时，根据预订的变异率随机选取部分粒子，然后根据公式(13)使选取的粒子进行
变异操作；把这些变异粒子存储在Pmut，然后对这些变异粒子进行评估来找到最优的变异粒
子gb_mut；如果其适应度值是小于gb_mut的，那么就替换gb，这种特殊的变异操作能够粒子跳出
局部最优且能够很好保持种群的多样性；
xid＝xid+sign(2(r3-0.5))βVmaxd (13)
其中sign是sign函数；r3是均匀分布在0-1中的随机数；β∈[0,1]是变异的程度；
Vmaxd是在第d维度的最大速度；
此外，根据式(11)我们可以看出，惯性权重控制着收敛行为，并使全局搜索和局部
搜索平衡。而不是一个常数或者线性变化的量，一个动态的惯性权重公式(14)能够对其动
态调整。
w(t)＝w0+r4(1-w0) (14)
式中r4是均匀分布在0-1中的随机数，w0∈[0,0.5]是一个常数。公式(14)使惯性权
重在w0到1中变化，而且在全局和局部搜索中保持一个动态平衡。
在寻优过程中，c1从2.5-0.5变化，c2从0.5-2.5变化在大多数基准下能够提供一个
更加优化的结果；因此，为了提高全局搜索能力提出一个由表达式(15)表示的逐渐减小的
c1和一个由表达式(16)表示的逐渐增大的c2。
c1＝2.5-t/Mt (15)
c2＝0.5+t/Mt (16)
式中Mt是指最大迭代次数；
系数c1和c2是控制着PSO的“张力”的量，以引导每个粒子分别朝向pi和pg。如公式
(15)和(16)所示，一开始c1被设定为一个较大的值而c2被设定为一个较小的值，在每次迭代
的过程中，其值也分别减小和增大。该机制不仅提供了一个在早期全局寻优过程就具有多
样性的搜索空间，而且在寻优最后阶段也能保证优化结果的精确性。
本发明提供一种改进的动态自适应粒子群算法，综合资源规划是指把电力供应侧
和需求侧的各种形式的资源综合成一个整体进行电力规划，通过高效、经济、合理地利用供
需侧资源潜力，在保持能源服务水平的前提下，使整个规划系统的社会总成本最小。目前，
对直接负荷控制还很少，除非在高峰期发电量不够的情况下，峰值负荷可能会被降低通过
需求侧响应。为了满足上述的优化目标，本发明使用一种新的优化算法：动态自适应粒子群
算法，该方法收敛速度快，精度高。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明的方法流程图；
图2为本发明的粒子群优化算法流程图；
图3为本发明的控制策略图。
具体实施方式
如图1所示，一种考虑需求侧的微电网的规划设计方法，其特征在于,依次包括如
下步骤：
步骤一、对微电网、每个微电源及其可控负荷进行建模；
步骤二、确定微电网优化配置的目标函数；
步骤三、确定微电网优化配置约束条件；
步骤四、制定控制策略；
步骤五、粒子群寻优。
优选的，所述步骤一包括确定整个微电网的模型及每个微电源和可控负荷的模
型，所述微电源为光伏电池、风机、蓄电池和柴油发电机，其中可控负荷的模型为：
P(t)＝Pload(t)-PC_load(t) (1)
式中：P(t)为在t时刻直接负荷控制后的负荷；Pload(t)为在t时刻负荷预测的负
荷；PC_load(t)为在t时刻由于直接负荷控制而降低的负荷。
优选的，所述步骤二包括计算最低运行成本，具体表示为：
式中：i表示光伏电池、风机、蓄电池和柴油发电机。Ctotal表示总成本；Ci表示每种
微电源的总成本；CDLC表示直接负荷控制的成本；
其中Ci可以表示为下式：
式中：Ni表示第i种微电源的数量；ei表示第i种微电源的单价；Pi表示第i种微电源
的输出功率；m表示其折旧寿命；r表示贴现率；u表示其运行成本。
优选的，所述步骤三包括以下步骤：
1)确定功率平衡条件
PPV(t)+PWT(t)+PDG(t)+PESS(t)+PCload(t)＝Pload(t) (4)
式中：PPV(t)，PWT(t)，PDG(t)，PESS(t)分别表示光伏电池、风机、柴油发电机、蓄电池
在t时刻的功率PCload(t)表示在t时刻切断的负荷；Pload(t)表示在t时刻负荷的功率；
2)确定微电源容量约束条件
Xk≤Xkmax (5)
式中：Xk是第k个微电源的容量；Xkmax是第k个微电源最大允许的容量值；
3)确定蓄电池荷电状态约束
SOCmin≤SOC(t)≤SOCmax (6)
式中：SOC(t)为蓄电池在t时刻的荷电状态，SOCmin、SOCmax分别表示荷电状态的最
大值和最小值。
优选的，所述步骤四以每天24小时为基础，每天0-16时，负荷处于低谷及平稳期；t
处于16-24时刻，负荷处于高峰期；由于蓄电池不能频繁充放电的性能，所以在0-16时刻，且
光伏电池出力及风机出力大于负荷，即PPV+PWT＞Pload时，及蓄电池的荷电状态SOC＜80％时，
才允许分布式电源给蓄电池充电；由于分布式电源的不稳定性，每一个时刻都在变化，所以
蓄电池的充电功率为：
Pcharge(t)＝min{P1,P2,P3} (7)
P1＝PPV+PWT-Pload
P2＝0.9*Prate
P3＝(SOCmax*Erate-Et-1)/△t (8)
式中Pcharge(t)为蓄电池在t时刻的充电功率；P1，P2，P3为蓄电池在t时刻可能的充
电功率，Prate为蓄电池的额定功率；Erate为蓄电池的额定容量；
当PPV+PWT＜Pload时，蓄电池不充电也不放电，由柴油发电机来满足负荷需求；此时
Pcharge(t)＝0，当蓄电池充满电时，将不再充电；
在16-24时刻时，负荷迎来了高峰期，对可控负荷进行调控，当PPV+PWT+PDG＜Pload-
PC_load，SOC＞20％时，才允许蓄电池放电，其放电功率为：
Pdis(t)＝min{P4,P5,P6} (9)
P4＝Pload-PC_load-(PPV+PWT+PDG)
P5＝Prate
P6＝(Et-1-SOCmin*Erate)/△t (10)
其中Pdis(t)为蓄电池在t时刻的放电功率；P4、P5、P6为t时刻蓄电池可能的放电功
率；Prate为蓄电池的额定功率；Erate为蓄电池的额定容量；
当PPV+PWT+PDG＞Pload-PC_load时，蓄电池不充电也不放电，由柴油发电机来满足负荷
需求，此时Pdis(t)＝0，当蓄电池放完电时，将不再放电。
优选的，如图2所示，所述步骤五包括以下步骤：
1)初始化粒子参数，种群密度，迭代次数以及限制最大速度与位置；
2)设置每个粒子的速度和位置；
3)计算适应度fitness值，个体最优pbest值，全局最优gbest值；
4)根据每个粒子设置的参数，更新粒子的速度；
5)更新每个粒子的位置；
6)计算更新后粒子的适应度值，并更新；
7)如果没寻得最优解，返回上述步骤3)，如若寻到最优解，结束循环。
优选的，所述设置每个粒子的速度和位置包括如下步骤：
在PSO中，每一个潜在的最优结果被看做是一个运动在寻优空间中的粒子，每个粒
子i与它的速度vi＝[vi1,vi2,vid,viD]T和位置xi＝[xi1,xi2,…,xid,…,xiD]T关联，其中D是寻
优空间的维度；在寻优过程中，其速度和位置的更新公式表示为
vid(t+1)＝wvid(t)+c1r1[pbid-xid(t)]+c2r2[gbd-xid(t)] (11)
xid(t+1)＝xid(t)+vid(t+1) (12)
式中，t是当前迭代次数；w是惯性权重；r1和r2是均匀分布在0-1中的随机数；pb和
gb分别表示个体最优和全局最优。
式(11)和式(12)表明当粒子速度为0时，种群停滞，从而导致优化结果过早的收敛
而且无法从局部最优中跳出，在复杂的多目标优化问题中尤为突出；因此，为了控制其收敛
性，适当提高PSO的多样性是非常重要的环节；加入变异操作就是一种有效的增加种群多样
性的方法，从而从局部最优中跳出，并且提高了PSO的全局搜索能力；虽然变异操作对于提
高种群多样性很有利，而且能够很好的避免过早收敛，但是他的随机性限制了PSO的搜索精
度，甚至导致其退化；
因此，本发明提出一种自适应变异策略。当每个粒子速度相当小的时候，即小于某
个极限值时，根据预订的变异率随机选取部分粒子，然后根据公式(13)使选取的粒子进行
变异操作；把这些变异粒子存储在Pmut，然后对这些变异粒子进行评估来找到最优的变异粒
子gb_mut；如果其适应度值是小于gb_mut的，那么就替换gb，这种特殊的变异操作能够粒子跳出
局部最优且能够很好保持种群的多样性；
xid＝xid+sign(2(r3-0.5))βVmaxd (13)
其中sign是sign函数；r3是均匀分布在0-1中的随机数；β∈[0,1]是变异的程度；
Vmaxd是在第d维度的最大速度；
此外，根据式(11)我们可以看出，惯性权重控制着收敛行为，并使全局搜索和局部
搜索平衡。而不是一个常数或者线性变化的量，一个动态的惯性权重公式(14)能够对其动
态调整。
w(t)＝w0+r4(1-w0) (14)
式中r4是均匀分布在0-1中的随机数，w0∈[0,0.5]是一个常数。公式(14)使惯性权
重在w0到1中变化，而且在全局和局部搜索中保持一个动态平衡。
在寻优过程中，c1从2.5-0.5变化，c2从0.5-2.5变化在大多数基准下能够提供一个
更加优化的结果；因此，为了提高全局搜索能力提出一个由表达式(15)表示的逐渐减小的
c1和一个由表达式(16)表示的逐渐增大的c2。
c1＝2.5-t/Mt (15)
c2＝0.5+t/Mt (16)
式中Mt是指最大迭代次数；
系数c1和c2是控制着PSO的“张力”的量，以引导每个粒子分别朝向pi和pg。如公式
(15)和(16)所示，一开始c1被设定为一个较大的值而c2被设定为一个较小的值，在每次迭代
的过程中，其值也分别减小和增大。该机制不仅提供了一个在早期全局寻优过程就具有多
样性的搜索空间，而且在寻优最后阶段也能保证优化结果的精确性。
由于参数少，实现简单，收敛速度快等优良的特征，粒子群算法(PSO)已经成为一
种最受欢迎的优化算法，而且已经成功被应用到电力系统的各类问题中，并被证明是一个
很好的优化工具。其中PSO的最显著的一个特征就是其收敛速度快。如果没有过早收敛，从
而导致整个种群陷入了局部最优且无法从中跳出，其收敛速度快将会是一个非常好的特
征。因此，如何避免陷入局部最优来提高全局搜索能力是一个必须解决的重要问题。
如图3所示，为本发明控制策略图，白天时段为用电低谷时段，可再生能源多余发
电量对蓄电池进行充电。若蓄电池已经充满，则此时停止对蓄电池进行充电；到了傍晚，迎
来了用电高峰期，可再生能源发电量不足以满足用户需求，此时蓄电池处于放电状态。若仍
无法满足负荷用电需求，则适当切断已规划好的负荷(一般为三级负荷)，从而达到整体最
优；到了夜间，再次回到了用电低谷时段，此时再次用多余的电能对蓄电池进行充电。
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发
明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的
等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。