微电网负荷优化分配

《微电网负荷优化分配》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、微电网负荷优化分配作者：陈达威朱桂萍清华大学电力系统国家重点实验室汇报人：***学号：***班级：***目录页一、摘要二、引言三、微电网负荷优化分配的数学模型四、优化方法五、算例分析六、结语一、摘要微电网因其发电形式多样、供电方式灵活而成为大电网的有益补充，但微电网的很多基础运行问题都与传统大电网有所不同，需要专门加以研究。本论文研究了微电网的负荷优化分配问题，即在满足系统运行约束条件下优化微电网中微电源的出力，使系统总发电成本最小。分析建立了含有太阳能光伏发电、小型燃气轮机和储能装置的微电网负荷优化分配问题的数学模型，介绍了基于粒子群优化算法的数值求解方法，并通过算例验证了文中所提出

2、方法的有效性。二、引言微电网是由分布式发电、负荷、储能装置及控制装置构成的一个单一可控的独立可控的独立发电系统，它既可以与大电网联网运行，也可以在大电网出现故障时与之断开单独运行。微电网因其环境友好、建设成本低等因素已经成为大电网的有益补充，得到越来越多的重视和研究。微电网的经济性是其吸引用户并能在电力系统中得以推广的关键所在。微电网的经济效益是多方面的，最重要的效益是能源的高效利用和环保以及个性化电能的安全、可靠、优质供应。相比于火力发电占主导的传统大电网，微电网中大量应用了可再生资源，其环保效益非常突出。同时，根据用户对电能二、引言供给的不同需求，对负荷进行分类和细化，能够更有效地

3、利用微电网中多样化的电能供给，使微电网系统运行经济最优。微电网中的负荷优化分配问题和大电网经济负荷分配问题不同之处在于：1、与高压输电网相比，微电网的电压等级较低，系统中输电线的线路电阻起主导作用，线路损耗相对较大，不可忽略；2、与大电网中火电等传统发电形式占主导地位不同，微电网中新能源发电所占比例很大，风力发电和光伏发电等可再生能源电源通常工作于最大功率点跟踪模式，其输出功率受自然条件影响，不遵循人工调度；二、引言3、各种微电源的功耗特性与传统火电发电机组有很大区别，不能简单应用等效微增率原则；在联网模式和孤岛模式转换过程中，整个微电网的功率分布可能会发生非常大的变化。如果只考虑各个

4、微电源自身的输出特性对其进行控制，在整个系统的运行状态发生变化时就难以最大限度地利用微电源的发电能力，还可能引起较大的额外线路损耗。因此，为了实现微电网的可靠、经济运行，有必要根据系统运行情况动态地对微电网负荷在各个微电源间进行分配。三、负荷优化分配数学模型1、目标函数微电网负荷优化分配问题的目标是在满足系统运行约束条件下优化微电网中微电源的出力使系统总运行成本达到最小，其数学模型为：通常取值有24小时、1个月、1个季度、1年等。调度周期内总时段的选择原则是：要保证在一个时段内，微电网内的功率分布基本维持不变，即满足微电网输出功率和负荷需求功率变化不大的前提条件。这样分析计算时可以认为

5、微电网处于稳定状态，不考虑其暂态过程。》微电网负荷优化分配问题在数学上可以归纳为，使微电网中N个可调度的微电源和储能装置在T个时间段里的总发电费用为最小三、负荷优化分配数学模型耗量特性也就是指发电设备单位时间内能量输入与输出的关系柴油发电机的耗量特性在电力系统中负荷经济分配中说过其中，微型燃气轮机的工作效率随着输出功率的增大而上升三、负荷优化分配数学模型2、约束条件可以基于MATPOWER工具包实现潮流计算四、优化方法通常我们需要采用一些优化算法，并借助计算机软件编写优化计算程序对所建立的数学模型进行求解。对于连续和线性等较简单的问题，可以选择一些经典算法，例如单纯形法、梯度下降法等；

6、而对于更复杂（非线性和离散）的问题，则可考虑用一些智能优化算法，例如蚁群算法（ACO），模拟退火法（SA）、神经网络算法、粒子群算法（PSO）、遗传算法（GA）等。四、优化方法遗传算法（GA）属于进化算法(EvolutionaryAlgorithms)的一种,它通过模仿自然界的选择与遗传的机理来寻找最优解.遗传算法有三个基本算子:选择、交叉和变异.但是遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码,另外三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验。四、优化方法粒子群算法（P

7、SO）粒子群算法(PSO)是一种进化计算技术(evolutionarycomputation),PSO同遗传算法类似，是一种基于迭代的优化算法。系统初始化为一组随机解，通过迭代搜寻最优值。但是它没有遗传算法用的交叉(crossover)以及变异(mutation)，而是粒子在解空间追随最优的粒子进行搜索。同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。目前已广泛应用于函数优化，神经网络训练，模糊系统控制以及其他遗传算法的应