[发明专利]一种光伏微网微源动态切换方法

权利要求书

1.一种光伏微网微源动态切换方法，包括如下步骤：

步骤1、建立基于多微源节点的光伏微网系统，此系统内部各个微源通过协作，以光伏发电微源为主，使微网系统在不影响输出的情况下，发电的功率消耗比最大；

微网这种组织方式为增加系统的足够灵活性，在各个微源节点到主干线采用功率开关切换方式，采用微网架构拓扑动态延展、微网结点自主路由的配置策略，满足微网架构的动态优化配置；微网架构动态优化配置是指相邻的微网间其网络结点是可以自主路由到邻近的微网内的；这种动态配置方式可以大大提高微网的运行可靠性，在动态配置过程中可以排除故障结点；微源结点i和储能结点i可以加入到微网1、微网2或微网n中，加入到那个微网是基于多目标优化算法决策的；当微网内的微源结点出现故障或微网内的负荷出现大的变化，这种动态配置方式就会进行；邻近微网的动态配置还有一个显著的优点就是减少了微网的并网结点，进而削弱了对电网的冲击和污染；

步骤2、建立光伏微网微源的动态数学模型；

针对光伏微网系统本质上是一个含有未知参数、系统干扰、量测噪声及状态不可得的高维、非线性、强耦合的复杂动态系统，根据若干特性的常微分系统(ODE)或者向量场(Vectorfield)方程描述并结合现代信号量测与处理技术，建立微网系统的状态空间方程：

x·=g(x,t)+e(t)---(1)]]>

其中为n维系统状态向量，包括：微网电压、电流、频率和主网的电压、电流、频率、温度、微网负荷、微网谐波含量、并网时间、穿越时间、电磁冲击、结点数量等微网特征参数；e(t)为n维系统干扰向量(控制矩阵)；g(x,t)为n维的关于状态变量和时间的非线性函数，即微网的特征状态矩阵；

微网电压、电流、频率、工作温度、微网负荷、微网谐波含量及结点数量作为微网系统内部运行状态向量组，用于表征微网运行时状态；主网的电压、电流、频率作为微网监控的大电网运行状态向量组；并网时间、穿越时间、电磁冲击构成离/并网过程状态向量组；上述三个向量组构成系统的n维状态向量，建立微网-主网耦合的二次型状态空间方程，运用李亚普诺夫第二法分析微网-主网稳定性判定，得到微网运行状态稳定性泛函积分方程；基于变分法求解微网-主网耦合二次型状态空间方程特征解，作为微网离/并网实施时机裁定的依据，并实现离/并网切换过程状态参数的实时监控；

步骤3、自适应多种群遗传算法的多目标优化；

对于微网架构动态配置是一个复杂、多目标、多约束的综合优化过程，采用传统的方法存在严重的“维数灾”问题，针对光伏微网的稳定性、最大工作效率、最大功率输出及电能质量作为目标，应用自适应多种群遗传算法搜寻Pareto可行解；自适应多种群遗传算法中多个种群使用同一目标函数，各种群的交叉率和变异率在线自适应改变，以搜索不同解空间中的最优解，种群间定期进行信息交换；种群的划分与自适应参数调整相结合，将种群划分为几个各具特色的子种群；多种群遗传算法中的精华种群和其它种群有很大不同；在进化过程中将各个种群的优秀个体放入精华种群加以保存；精华种群不进行选择、交叉、变异等遗传操作，保证进化过程中各种群产生的最优个体不被破坏和丢失；

31.Pareto最优法；

采用Pareto最优概念来解决微网架构动态配置过程中的多目标问题；对于两个决策变量p和q，且p,q∈S，S为决策变量空间，对任意的i∈{1,2,...k}，fi(p)≤fi(q)，并且存在i∈{1,2,...k}，使得fi(p)<fi(q)成立，则称决策变量p支配q，记为p>q；

对于多目标优化问题的一个可行解x∈S，当且仅当S中不存在y，使y>x，即x是S中的非支配个体，称x为多目标优化问题的Pareto最优解；通常多目标优化问题的Pareto最优解是一个集；而自适应遗传算法就是要尽可能多的搜索出Pareto的可行解，然后再选择其中的一个或部分解作为多目标优化问题的最优解；

32.自适应参数调整；

参数的调整主要是对交叉概率Pc、变异概率Pm进行的；交叉操作是遗传算法产生新个体的主要方法，Pc一般应取较大值，但若取值过大，易破坏群体中的优良个体；若取值过小，产生新个体的速度又太慢，Pc的范围一般为0.4～0.99；变异操作是产生新个体必不可少的辅助方法，若Pm取值较大，有可能破坏掉很多较好的个体，使得算法的性能近似于随机搜索的性能；若Pm取值太小，则变异操作产生新个体的能力和抑制早熟现象的能力较差，一般Pm范围为0.001～0.1；由上可知，Pc和Pm越大，算法产生新个体的能力就越强，个体之间的适应度波动比较大；Pc和Pm越小，算法使个体趋于收敛的能力越强，个体的平均适应度比较平稳，有可能产生早熟现象；

采用自适应思想，在算法的运行过程中对Pc和Pm进行调整，其计算公式为：

Pc(gens)＝Pc(1)-(gens-1)×c/gensmax.(2)

Pm(gens)＝Pm(1)-(gens-1)×m/gensmax.(3)

式中：gens是遗传操作的代数，gensmax是最大遗传代数，Pc(1)，Pm(1)分别是初始交叉率和变异率，c和m分别为交叉率与变异率的比例系数，Pc(gens)，Pm(gens)分别是第gens代的交叉率和变异率；

33.种群的划分方法；

在遗传算法过程中，为了尽可能保持一些关键的信息不被丢失，采用自适应多种群并行进化，种群的划分与自适应参数调整相结合，其划分的主要依据是Pc和Pm值的变化情况；把随机产生的初始种群P0分成两组：P1和P2，种群的规模都是一样的；另外再设置一个精华种群用于存放各个种群的优秀个体；对于种群P1，让其具有较小的Pc和Pm(即可让系数c，m具有较小的值)，可称之为优类子种群；较小的Pc和Pm易于保持个体的稳定性，将优良的个体尽量保存下来，其作用在于尽可能保护优秀个体加快收敛速度；对于种群P2，让其具有较大的Pc和Pm(即可让系数c，m具有较大的值)，可称之为劣类子种群；较大的Pc和Pm易于产生新的个体模式，增大探测到最优个体的可能性；其作用在于克服过早收敛；在进行遗传操作过程中，3个物种进行各自独立的遗传进化，通过优秀个体的转移实现协同进化作用；在进行优秀个体转移过程中，主要是通过用一个种群中的最优个体来替换与它进行交互作用的另一个或几个种群中的最劣个体实现的；物种3的作用是进行整体协调，而物种1和2是引进了不同于物种3的搜索思路，这样通过多物种的引进和协同作用可很好地解决遗传算法陷入局部最优的问题，并能有效提高搜索效率；物种1和2的引进在一定程度上扩大了搜索空间，如果陷入局部最优解，由于物种1和2中优秀个体的转移将引入新的搜索思路，这给出了更多的选择，从而能够跳出局部最优解。