改进灰狼算法求解：考虑需求响应的风-光柴-储容量优化配置

目录

文章摘要：

亮点：

研究背景：

考虑需求相应的容量配置：

风、光、柴、储微电网模型：

储能配置模型：

改进的灰狼算法：

基于余弦规律变化的收敛因子

引入动态权重策略

运行效果：

代码分享：

---

文章摘要：

为了充分发挥需求响应技术在削峰填谷、消纳可再生能源方面的作用，本文针对一个含风、光、柴、储资源的微型电网系统进行储能容量配置，该微电网系统采用风光的互补优势，结合蓄电池及柴油机对负荷进行供电。本文基于Matlab平台建立了以总净现值成本最低为目标函数，并以燃料消耗、蓄电池容量、柴油机功率及其污染物的排放量为约束条件，对其进行容量配置。采用了改进的灰狼算法进行优化，提高了算法的收敛速度，避免陷入局部最优解。仿真结果表明，在对负荷进行容量配置的过程中，本文方法可以有效进行寻优，提高了系统的稳定性和经济性。

亮点：

1. 改进的灰狼优化算法
2. 考虑多种目标的全生命周期储能配置方案
3. 输出具体的运行调度计划

研究背景：

近年来，推广可再生能源的利用、减少能源浪费、降低对化石能源的依赖已成为全球发展的关注点。然而风能和光能等可再生能源的大规模渗透和其本身具有的随机性，不仅带来了本地消纳的困难的问题，还影响了微电网的经济运行。并且单纯的依靠储能平抑可再生能源出力的波动性以及负荷和可再生能源出力之间功率的不平衡不仅无法解决这些问题还会带来容量冗余，使微电网配置成本增加。作为一种可调度的负荷侧资源，柔性负荷在作为调度发电补充同时还可以作为“虚拟储能”，既实现了供需互动还可以协调储能系统对可再生能源供电的平衡作用，可有效提高可再生能源的利用率和降低系统成本。因此，柔性负荷和微电网的结合可使两者实现互补，给微电网面临的问题提供了可行方案。

作为未来智能电网的重要组成部分，合理利用自然资源，对微电网系统容量进行优化配置是微电网规划设计领域中的核心课题。近年来，针对微电网在经济性、可靠性、环境保护、能源利用、节能降损等方面的影响和效益，国内外已有较多研究成果。基于已有是研究，当前微电网（独立型和并网型）容量优化配置方法大致可分为对目标函数和求解方法的研究两大类。

考虑需求相应的容量配置：

一些工业负荷和生活负荷对供电时段的要求不高，可以作为需求侧资源参与到微电网运行当中。需求响应(Demand Response,DR)是在电力市场激励机制或价格信号引导下，用户主动改变其用电习惯，减小或者转移某时段的负荷。在需求响应策略下，负荷可实现由高峰到低谷的转移，从而起到削峰填谷的作用，减小微电网系统的经济总成本，而用户可以赚取峰谷电价差或者得到经济奖励，进而实现供需两侧双赢1。此外，微电网系统虽然可以维持可再生能源发电与负荷需求的功率平衡，但是为此要配备很多的储能装置用来平抑能量波动，而储能装置的频繁充放电将缩短其使用寿命。而可再生能源发电与负荷需求在时序上的差异将增加柴油发电机的使用量，进而增加污染气体的排放。通过需求响应可减少可再生能源发电功率与负荷需求功率在时序上的差异，进而可更充分地利用可再生能源发电，减少对储能装置和柴油发电机的使用，同时降低污染气体的排放，获得更好的经济效益。综上所述，需求响应可以改善微电网的经济性和环保性，研究计及需求响应的微电网容量优化配置具有重要意义。

风、光、柴、储微电网模型：

微电网结构模式的确定是进行微电网规划设计的前提条件，结构模式的构建对微电网具体接入电网的电压等级和容量规划以及具体分布式电源的选择会产生较大影响。本文中，由风力发电、光伏发电、储能系统、逆变器以及负荷（包含固定负荷和柔性负荷）构成了风/光/储微电网系统。其中，本文将可调度的柔性负荷分为工业高载负荷、商业聚合负荷和居民智能家用负荷3类。并且根据风/光/储微电网系统各种组网方式的特点，选择了具有控制简单、扩容方便等优点的直流母线组网方式，其系统结构如图2-1所示。

储能配置模型：

出力模型分析在容量配置中，出力模型由风力发电机、光伏、蓄电池以及柴油机组成。其中，风力发电机的功率由该地区的风速及风力发电机的额定功率决定。光伏的实际输出功率由光照强度和光伏的额定功率决定。蓄电池在容量配置中的作用是进行能量调节和平衡负载，原理是将化学能转换为电能，这个过程就是蓄电池充放电的过程。柴油机作为互补系统中主要的后备发电设备，它的输出功率与耗油量及柴油机的型号有关。

在进行风光柴储的容量配置中，需要在兼顾经济性的同时考虑到系统的稳定性，经济性由系统的投资成本Cin、维护成本Cm、缺电损失成本Ccop、治污成本Con及燃油成本Cf组成［4］。稳定性考虑到负荷缺电率(lossofpowersupplyprobability，LPSP)和能量浪费率(energywasterate，EWＲ)两个指标，为了提高系统的收敛速度，把负荷缺电率和能量浪费率合并成一个指标，以LE表示，用α进行平衡。由此，系统的多目标函数表达式为：

改进的灰狼算法：

2014年，澳大利亚学者Mirjalili等提出了一种新型智能优化算法，称为灰狼优化算法(Grey Wolf Optimizer,. GWO),并对该算法在寻找最优解方面的优良性能进行了验证。算法的优点主要是结构简单、需要设置的参数少和在实验编码中容易实现等。目前，GWO算法在许多领域得到了广泛的应用，如属性简约、特征选择经济负荷分配问题和表面波分析。然而，灰狼优化算法存在求解精度不高和收敛速度较慢等不足。对此，本文在分析灰狼优化算法不足的基础上，提出一种改进的灰狼优化算法（CGWO），该算法采用基于余弦规律变化的收敛因子，平衡算法的全局搜索和局部搜索能力，同时引入基于步长欧氏距离的比例权重更新灰狼位置，从而加快算法的收敛速度。具体改进如下：

基于余弦规律变化的收敛因子

引入动态权重策略

运行效果：

 

代码分享：