基于奖励优先级Petri网与粒子群优化的随机运行下并网微电网最优调度方法

《Sustainable Computing: Informatics and Systems》:Reward-Prioritized Petri Net assisted Particle Swarm Optimization for Optimal Scheduling of Grid-Tied Microgrid under Stochastic Operations

【字体: 大 中 小 】 时间:2026年02月07日 来源:Sustainable Computing: Informatics and Systems 3.8

编辑推荐:

  德巴希斯·贾纳|尼拉德里·查克拉博蒂 印度加尔各答工程与管理大学工程与管理学院电气工程系,邮编700091 **摘要** 本文提出了一种基于新奖励机制的广义随机佩特里网与粒子群优化相结合的方法,用于控制微电网中的能量交易并实现需求灵活性。传统粒子群优化通过初始化、粒

  德巴希斯·贾纳|尼拉德里·查克拉博蒂
印度加尔各答工程与管理大学工程与管理学院电气工程系,邮编700091

**摘要**
本文提出了一种基于新奖励机制的广义随机佩特里网与粒子群优化相结合的方法,用于控制微电网中的能量交易并实现需求灵活性。传统粒子群优化通过初始化、粒子位置和粒子速度三个方面的改进得以优化。该方法通过奖励优先的网模型实现定时和即时动态令牌转换,从而控制微电网中微型能源源和负载的启停操作。在更新粒子位置时采用的竞争策略有助于解决复杂、非线性及非凸函数问题,从而提升能源管理系统的效率;而基于动态令牌的速度更新机制则提高了搜索精度,避免了过早收敛。通过统计测试表明,与传统算法相比,该方法的平均运营成本降低了1.173%,标准差为0.17欧元。所提出的系统能够支持分布式能源资源的接入,同时将能源成本降低约0.12,供电中断概率也有所下降。

**引言**
随着化石燃料资源的日益减少,许多国家正在努力发展太阳能、风能、水能、潮汐能、地热能等可再生能源。然而,分布式发电机尤其是可再生能源在并网过程中会带来诸多挑战[1][2]。在微电网运行中,如何调度持续变化的可再生能源输出至关重要[3]。若负载也随时间发生不可预测的变化,问题将更加复杂[4]。因此,网格管理需采取战略性措施,在随机框架下设计成本函数[5]。目前已有大量关于微电网运行的研究文献。显然,微电网的运行决定了整个分布式系统的行为,该系统包含多种分布式发电机、储能装置以及负载[6][7]。因此,为了实现智能化的网格运行,需密切关注功率因数、系统平衡、通信、网络配置、可再生能源整合以及网络安全等方面[8][9][10]。此外,由多个相互连接的微电网构成的大规模智能微电网系统也有着重要意义[11]。Vasu等人提出了一种基于多智能体系统的需求侧管理策略,利用二进制灰狼优化算法来规划家庭负载,从而在分时电价下降低能源成本[12]。该方法在不违反用户偏好或设备限制的前提下降低电费,提升了可再生能源在智能电网中的整合效率。一些研究还关注了敏感负载运行的可靠性问题,并相应地加强了控制措施[13]。由于用户需求存在不确定性,中小规模微电网的负载情况往往不稳定,预测误差可能导致安全问题,进而影响经济效益[14][15]。Sahar等人开发了一种基于风险模型的随机能源管理系统,利用信息差距决策理论来应对负载的不确定性[3]。Wen等人则采用混沌理论,为混合微电网设计了多目标需求响应策略[16]。尽管系统中的不确定性会带来技术难题,但仍有许多方法可用于实现最优能源调度。目前的微电网建模实践需要具备处理多种约束条件的高效混合算法[17]。此外,混合可再生能源系统在并网过程中也会面临诸多设计挑战[18]。Wang等人采用了递推规划策略,这是一种遗传算法的智能化版本,可用于小范围微电网的电力协调优化[19]。Faly等人则运用概率方法在动态规划中预测太阳能光伏输出,并进行未来一天的能源存储规划[20][21]。Henao等人则结合整数线性规划与启发式算法,解决了电力调度问题[22]。在不确定性建模中,统计数据对于能源调度而言极为重要。许多文献探讨了利用马尔可夫决策过程处理可再生能源的不确定性,以实现智能家居的能源管理[23]。Gbadega等人提出了智能家居能源管理系统,旨在在向电网提供辅助服务的同时,降低用户的日常能源成本[23]。基于教学-学习的优化算法也被用于解决多目标电力管理问题,其中引入了结合K均值聚类和人工神经网络的居民负载预测系统,以提高预测效率。Marion等人则提出了一种基于概率的随机能源模型,旨在在需求不确定的情况下确保微电网的稳定运行[24]。研究人员还关注了将群体智能融入微电网能源管理的混合优化策略[25][26][27]。本文首先为能源调度问题建立了随机模型,随后将其转化为凸二次结构。Paul等人提出了量子粒子群优化框架,通过最小化运营成本和碳排放来优化并网微电网[28]。研究表明,该算法在多种微电网配置中均优于传统方法,能够显著降低成本和排放量,证明其作为可持续高效微电网能源管理工具的有效性。Sarangi等人则提出了一种改进的粒子群优化算法,通过基于竞争的广义学习与柯西变异机制,提升复杂优化问题的收敛性能[29]。另一篇文章则引入了速度更新机制,对传统粒子群优化进行了改进[30]。EL-Qasery等人比较了粒子群优化和遗传算法在并网微电网经济调度中的应用,发现粒子群优化具有更快的收敛速度和更低的运营成本[31]。仿真结果表明,粒子群优化具有更优的优化性能,可降低约15.30美元的电费,从而实现更高效、更可靠的微电网能源管理。风力涡轮机和太阳能光伏系统的随机特性以及负载需求的不确定性要求进行实时评估。有一篇论文提出了麻雀搜索算法,用于优化并网光伏系统的PI控制器,以提高系统动态性能、电能质量以及最大功率点跟踪效率[32]。与传统的粒子群优化和P&O方法相比,经过麻雀搜索算法优化的控制器具有更快的响应速度、更高的能量提取效率,且谐波失真更低,能够在不同的光照条件下保持稳定运行。在确定性框架下,输出解的准确性取决于输入变量的精确度,即便已知常见的预测误差。实际上,负载预测和市场价格方面的不确定性在开放电力市场中尤为突出。Chamorro等人采用了经过验证的随机佩特里网建模方法,通过开关控制将负载、光伏发电和风电发电视为多智能体微电网系统中的离散事件[33]。在基于群体的优化方法中,始终有机会融入基于智能的搜索策略。佩特里网有助于描述系统中的不确定性[34],而将概率方法应用于粒子群优化中,可以更精准地更新搜索位置,从而降低运营成本。在微电网能源管理中应用广义随机佩特里网的情况较为少见。最近有文章探讨了基于广义随机佩特里网的微电网能源调度问题[35]。该文章主要分析了微电网在系统不确定性下的基本特征,仅使用广义随机佩特里网来描述发电和负载的不可预测变化,而该模型仅能处理系统的随机行为。在本文中,能源管理系统是通过基于奖励的网模型与粒子群优化相结合的方式来处理的。基于奖励的广义随机佩特里网模型实现了定时随机奖励机制,其中与状态和转换相关的奖励率能够产生比传统广义随机佩特里网更好的结果。粒子群优化的实现过程与经典粒子群优化算法类似,但在计算过程中,本文提出的两种更新机制有所不同。在改进后的粒子群优化中,当前粒子及其邻近粒子的簇被共同用于求解最优解。本文的创新之处在于:通过基于奖励的网模型实现定时或即时转换,以展示分布式资源的启停操作;在粒子群优化中引入新的更新机制;以及基于不确定性建立时间序列聚合统计负载模型,该模型可用于灵活的需求侧管理。因此,本文提出了一种新的最优运营策略,结合了强大的随机优化方法,用于智能建模并网微电网系统。所提出的广义随机佩特里网在即时转换方面优于定时转换,且通过引入指数级触发延迟,提升了微电网控制的性能。本文通过使用基于奖励的广义随机佩特里网与粒子群优化组合的算法,对能源管理系统的运营成本进行了模拟估算。

**术语表**
NG, NS:发电机和分布式储能单元的数量
ND:所有负载水平的集合
额定风功率、额定风速:分别为风能的额定功率和风速
Pg, Ug:发电和储能变量
PGi(FC):第i个燃料电池的功率输出
PGi(DE):第i台柴油发动机的功率输出
vcof:风速截止值
BGridt:第t小时的电网出价
CDE:柴油发动机的发电成本
CMT:微型涡轮机的发电成本
πs:场景s的概率函数
SG:启动;SGi:第i台分布式发电机的启动和关闭成本
Ssj:启动;Ssj:第j个分布式储能单元的启动和关闭成本
BGit; Bsjt:第i个分布式发电机和储能单元在时间t的出价
ai; bi; ci:第i台柴油发动机、微型涡轮机及燃料电池的成本系数
tnom:名义工作温度
pGit; psjt:第i个分布式发电机和储能单元在时间tp的实际功率交易量
Gridt:时间t时向电网出售或从电网购买的实际功率
βlc(t):用于计算功率削减的连续变量
βlcmin; βlcmax:功率削减的最小和最大限值
pgrid,min; pgrid,max:时间t时电网实际功率限制的最小和最大值
Pchar,max; Pdis,max:储能单元在Δt时间内的最大和最小充放电速率
ρ:奖励网评估因子
fx:微电网运营成本函数
PLDt:第t时间的负载水平
Tpv:太阳能光伏模块的温度
t:时间索引
Ppv:太阳能光伏发电量
PGi(MT):第i台微型涡轮机的功率输出
Pwt:风能发电量
vcincut:风速削减值
CFC:燃料电池的发电成本
Tabt:环境温度
uit:时间t时第i个单元的当前状态
Pmismatch:微电网中的功率失衡
West:时间t时的电池储能量
Wes,min, Wes,max:电池储能单元的能量最低和最高限值
Pchar,t, Pdis,tr:Δt时间内的储能单元充放电速率

**本文的研究贡献**
本文针对上述研究空白,提出了以下几项研究成果:
• 通过高效的基于时间序列的场景生成方法,实现对发电和负载不确定性条件下的最优能量交易控制。
• 基于系统灵敏度和统计信息,构建了基于奖励网理论的新型不确定性模型,用于整合光伏和风能发电以及负载管理。
• 新型RGSPN-PSO算法通过优先级奖励网更新个体位置信息,有助于规划现有微型能源源和负载的最佳启停操作。
• 奖励网评估因子ρ的特定值有助于平衡对整个解决方案空间的探索与对有潜力的区域的集中开发。

**问题表述**
能源管理系统旨在通过自动且精确地调度现有的发电单元和负载,以低成本高效的方式实现微电网的运营,从而获得经济利益。一个基本的微电网模型包括太阳能电池、风力涡轮机、电池、燃料电池、微型涡轮机、电网以及负载。分布式电网的引入有助于在随机环境中实现实时收益和最佳能源利用。

**基于奖励的广义随机佩特里网与改进的粒子群优化**
本文从两个重要部分介绍了所提出的方案,同时对粒子群优化进行了速度和位置更新方面的改进。第一部分介绍了针对含可再生能源的负载模型所进行的场景生成与简化方法。在此方法中,概率密度函数被用于估算与电力需求、太阳能发电和风能发电相关的各个变量的不确定性。另一部分则侧重于观察与结果分析。在验证所提出的计算方法时,研究了一个连接电网的微电网,该微电网包含太阳能光伏装置、风力涡轮机、燃料电池、储能系统以及微型涡轮机系统。关于这些已安装的分布式单元的详细信息以及市场出价预测已在其他文献中给出[41],新的模型中也纳入了微型涡轮机系统的相关修改。能源管理系统将通过算法1来执行所提出的策略。

**结论**
能源管理系统是微电网运行与控制中最关键的领域。这项研究试图提出一种改进版的PSO算法,用于微电网中的能源调度优化。考虑到系统存在的不确定性,该研究将GSPN与PSO相结合。GSPN通过基于时间且即时更新的情景生成方式,有助于全面理解系统状况,而RGSPN-PSO则证明了在混合框架下所得结果的合理性,其标准差为……作者声明:我们声明本手稿为原创作品,此前未曾发表,也未被其他期刊考虑发表。我们确认所有署名作者均已阅读并同意本手稿的内容,此外没有其他符合作者资格但未列在名单中的人士。我们还确认手稿中作者的顺序已得到所有人的认可。我们知道,通讯作者是与编辑部联系的唯一人选。CRediT作者贡献说明:Niladri Chakraborty负责写作——审阅与编辑、可视化、验证、监督、资源提供、方法设计、研究实施、概念构建;Debashis Jana负责写作——初稿撰写、验证、软件开发、方法设计、研究实施、形式分析、数据整理、概念构建。利益冲突声明:作者们声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。所有作者特此声明:“本手稿此前未曾发表,也未提交给其他期刊审议”,并且本论文的撰写遵循了《可持续计算:信息学与系统》期刊的作者指南。致谢:作者们想要感谢印度西孟加拉邦加尔各答的贾达普尔大学以及加尔各答的工程与管理学院,感谢他们为这项研究提供的机会和技术支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号