为确定各子目标函数的权重λi,本文采用适应度函数变差系数排序法。具体步骤如下。
1)设有n个子目标函数,分别计算出各子目标函数的最优解min Fi(x),记为Xi (i=1,2,…,n)。
2)对各子目标函数的最优解进行交互迭代,分别计算出对应的目标函数值Fj(xi)。
3)计算各子目标函数的不同解下的变差系数。
5)对上述权系数进行大小排序,变差系数大的目标函数乘以较小的权值,变差系数小的目标函数乘以较大的权值,以更好地均衡有效解的范围。
2.3.2 约束条件
本文所提出的控制策略主要考虑了电网功率平衡约束、储能系统自身约束(包括荷电状态、充放电功率、容量)、对Sup、Sdown、k1、k2、k3、k4等6个控制参数的约束以及光伏功率倒送约束。
1)电网功率平衡约束。
为保证园区内用电设备的正常工作,需满足电网的功率平衡,即
Pgrid+PPV=Pload−Pess (21)
其中：PgridPgrid为城市电网对园区的输出功率;PPVPPV为园区分布式光伏阵列输出功率;PloadPload为园区负荷功率;PessPess为储能系统出力。
2)储能系统自身约束。
储能系统自身约束见式[15]
Smin≤S(t)≤Smax (22)
0≤Pc≤Pe (23)
0≤Pd≤Pe (24)
其中：Smin一般取20%~30%;Smax一般取80%~100%;Pc、Pd分别为储能系统充放电功率;Pe为储能系统额定功率。本控制策略考虑了SOC在两种极端区间的控制策略,这是由于储能系统初始SOC可能存在越限情况。
储能系统SOC、容量与充放电功率之间还应满足如下关系[16]。
2.3.3 动态自适应粒子群算法
基于以上目标函数和约束条件,本文采用动态自适应粒子群算法对所引入Sup、Sdown、k1、k2、k3、k4等6个参数进行滚动寻优。
粒子群算法(PSO)是一种随机搜索、并行的优化算法,具有收敛速度快、简单易行等优点[17]。粒子群优化算法通过群体中个体之间的协作和信息共享来寻找最优解。PSO中,粒子按下式进行位置与速度更新。
然而,由于快速的收敛算法,使得粒子群算法易早熟,从而陷入局部最优中。粒子群算法中较大的惯性权因子有利于全局探索,但会使算法收敛速度降低;而较小的惯性权因子有利于算法的局部开发,加速算法的收敛,但会使算法的全局性变差。动态自适应粒子群算法考虑了惯性权因子w对算法的影响,对惯性权因子进行动态自适应调整,令
