本技术公开了基于改进MOJAYA算法的微电网优化调度方法,首先设置微电网目标函数和约束条件,初始化种群:生成初始种群和空archive集。然后合并初始种群和空archive集并计算合并后集合中所有个体的总适应度,总适应度F(i)由原始适应度R(i)和拥挤密度D(i)共同组成,更新archive集;最后通过总适应度F(i)识别最优个体和最差个体,通过MH抽样方法进行种群个体更新;迭代循环,最后输出archive集,archive集中个体代表微电网优化调度后的各个微电源发电出力方案。本发明解决了现有技术中存在的综合微电网全局搜索能力较弱,容易陷入局部最优的问题。
背景技术
微电网优化调度为能量管理需求的重要研究内容,一般以实现运行成本、排放成本以及停电成本最小化为目标,在满足各类约束条件的情况下,最大限度提高可再生能源利用率以及微电网运行经济性。微电网的优化调度不仅仅需要考虑发电成本,还需要考虑分布式电源组合的整体环境收益,因此使用调度优化对于提高用电效率和降低用电成本是十分必要的。在优化调度模型与策略方面,随着微电网技术的不断普及和应用,如何使微电网的经济、技术、环境等效益实现最大化已经成为了一个极其重要的研究课题。目前,在研究微电网的优化调度过程中,主要使用智能优化算法来对模型进行求解。智能优化算法包括进化算法、仿自然优化算法、仿植物生长算法等群体智能优化算法,这些群体智能算法在微电网优化调度过程中表现较好,但在实际对微电网调度模型的求解中,大部分学者使用标准粒子群算法、标准MOJAYA算法和遗传算法及其改进算法。这些算法通常只能解决单目标问题,难以解决多个目标的总和优化问题,尤其是同时考虑微电网经济性、环保性、供电安全性、优化配置等问题时,单目标算法难以求得最优值,并且全局搜索能力较弱,容易陷入局部最优。因此,针对为提高微电网电力系统优化调度的能力和提高用电效率,需要发明一种新的优化调度方法,进而提高微电网优化调度的寻优精度,避免陷入局部最优,提高用电效率,降低用电成本。
实现思路