专利摘要
一种基于需求侧响应的交直流混合微网双层优化方法，包括：基于激励的需求侧响应，通过可平移负荷的调整，使负荷曲线贴近可再生能源出力变化曲线，以可再生能源消纳率最大为目标建立交直流混合微网上层目标函数；既考虑基于价格的需求侧响应，又考虑基于激励的需求侧响应，建立以交直流混合微网运行成本最小为目标的下层目标函数；服从运行约束，建立交直流混合微网双层优化数学模型；改进文化基因算法，并求解交直流混合微网双层优化数学模型。本发明以可再生能源消纳率最大为上层目标函数，以交直流混合微网运行成本最小为下层目标函数，交直流混合微网双层优化数学模型能够实现可再生能源的高效利用，有利于交直流混合微网经济运行。
权利要求
1.一种基于需求侧响应的交直流混合微网双层优化方法，其特征在于，包括如下步骤：
1)基于激励的需求侧响应，通过可平移负荷的调整，使负荷曲线贴近可再生能源出力变化曲线，以可再生能源消纳率最大为目标建立交直流混合微网上层目标函数；所述的可平移负荷的调整是采用如下公式：
L
式中：L'(t)表示第t个时段负荷转移后的总负荷；L(t)表示第t个时段的初始总负荷；L
2)既考虑基于价格的需求侧响应，又考虑基于激励的需求侧响应，建立以交直流混合微网运行成本最小为目标的下层目标函数；
3)服从运行约束，建立交直流混合微网双层优化数学模型；
4)改进文化基因算法，并求解交直流混合微网双层优化数学模型。
2.根据权利要求1所述的一种基于需求侧响应的交直流混合微网双层优化方法，其特征在于，步骤1)中经过负荷平移后，得到交直流混合微网上层目标函数为：
式中：K
3.根据权利要求2所述的一种基于需求侧响应的交直流混合微网双层优化方法，其特征在于，步骤2)中所述的以交直流混合微网运行成本最小为目标的下层目标函数是以下成本的总和：
(1)基于价格的需求侧响应
采用基于分时电价的需求侧响应，根据求解交直流混合微网上层目标函数的结果确定各时段内剩余的可平移负荷电量，在保证可再生能源消纳率不变的前提下，根据电价进行平移负荷来调整负荷曲线，微网需要对用户负荷平移进行补贴，补贴成本为：
式中：C
(2)基于激励的需求侧响应
基于激励的需求侧响应中，考虑可中断项目的总负荷计算公式如下：
L
式中：L”'(t)表示中断负荷后的负荷大小；L
针对平时和峰时时段中断的负荷，给予中断补贴的补贴成本为：
式中：C
(3)初期建设成本C
式中：N为微网内部微源个数；C
(4)运行维护成本C
式中：k
(5)电网购电成本C
式中：g(t)为第t个时段的购电电价；P
(6)燃料成本C
式中：C
(7)环保折算成本C
式中：N1为排出污染物的微源个数；M为污染物排放类型；γ
(8)可再生能源发电补贴C
式中：μ为可再生能源的单位发电补贴价格；
构成以交直流混合微网运行成本最小为目标的下层目标函数为：
C
式中：C
4.根据权利要求1所述的一种基于需求侧响应的交直流混合微网双层优化方法，其特征在于，步骤3)中所述的运行约束包括：
(1)微网内部功率平衡约束
式中：P
(2)可平移负荷约束
L
式中：L
(3)可中断负荷约束
L
式中：L
(4)公共传输点容量约束
式中：
(5)储能装置荷电状态约束
式中：|P
5.根据权利要求3所述的一种基于需求侧响应的交直流混合微网双层优化方法，其特征在于，步骤3)中所述的交直流混合微网双层优化数学模型表示为：
式中：K
6.根据权利要求1所述的一种基于需求侧响应的交直流混合微网双层优化方法，其特征在于，步骤4)中所述的改进后的文化基因算法包括：
(1)算法初始化
设算法全部个体为A个，则按照如下公式随机生成A个初始个体：
x
式中：x
得到初始个体后，计算每一个个体的适应度值，并从小到大进行排序，前B个为智能体，后C个为普通个体，其中C＝A-B，普通个体将会在之后的迭代过程中分配给各智能体，分到第a个智能体的普通个体数目为：
F
式中：F
第a个智能体的实力值P
分给第a个智能体的普通个体数目B
B
(2)局部搜索
局部搜索过程中，普通个体会逐渐向自己的智能体移动，移动距离Move为：
Move～U(0,τ×d)(26)
式中：τ为聚合系数；d为同一区域内智能体和普通个体之间的距离；U表示Move服从均匀分布；
个体以一定比例重新初始化，需要进行重新初始化的个体数量C
C
式中：q为重新初始化系数；
全部个体重新排序，排序后列表中前B个为新的智能体；
(3)全局搜索
重新排序后，适应度值最差的个体被各智能体竞争，具体被哪个智能体得到，由竞争概率决定，具体如下：
第a个智能体的总实力用变量T.f
式中：ξ为普通个体权重；w
第a个智能体的总相对实力用变量F.T.f
F.T.f
第a个智能体竞争概率TP
由此得到改进后的文化基因算法的竞争概率矩阵：
TP＝[TP
式中：TP
则智能体的竞争实力矩阵表示为：
P＝TP-V(32)
式中：V为一个和TP同维的矩阵，其元素为[0,1]上的随机数；
P中最大的元素对应的智能体将得到被竞争的个体；
为增加智能体的竞争力，当两个智能体x
D＝norm(x
u＝sin(π/2×De/Des)(34)
式中：u表示协作系数；De为当前迭代次数；Des为总迭代次数；
(4)重复进行第(2)至第(3)步，在进行第(2)至第(3)步中，当某个智能体不再拥有普通个体时，该智能体被淘汰，最终迭代剩下的一个智能体即为交直流混合微网双层优化数学模型的解。
说明书
技术领域
本发明涉及一种交直流混合微网优化方法。特别是涉及一种基于需求侧响应的交直流混合微网双层优化方法。
背景技术
随着能源危机日益凸显，可再生能源的开发利用迫在眉睫。风力发电、光伏发电等分布式电源能够实现对新能源的高效利用，是目前研究的热点。但由于其出力受到大自然的限制，具有显著的随机性和波动性，故考虑风光不确定性也是当前的研究难点。微网集成了分布式电源、负荷、储能及电力电子装置等设备，能够通过协调控制技术实现对分布式电源的高效管理和利用。随着负荷种类的多样化，交流微网在供电灵活性及电能质量方面受到限制，交直流混合微网应运而生。
交直流混合微网能够同时满足交流负荷和直流负荷的用电需求，通过交流区和直流区的互联，实现能源的互补供电，提高能源利用率，保证负荷供电可靠性。考虑需求侧响应能够提高可再生能源的消纳率，降低交直流混合微网运行成本。现有的考虑需求侧响应的研究大多以微网运行成本最低为目标，且一般考虑基于价格的需求侧响应或基于激励的需求侧响应。本发明同时考虑两种需求侧响应，建立交直流混合微网双层优化数学模型。首先根据负荷特性将负荷分为重要负荷、可平移负荷和可中断负荷，其次以可再生能源消纳率最大为上层目标建立上层优化目标函数，最后建立以交直流混合微网成本最小为下层目标建立下层目标函数。将改进文化基因算法应用到求解交直流混合微网双层优化数学模型中，通过实际算例验证了所建模型及改进算法的正确性和可行性。
发明内容
本发明所要解决的技术问题是，提供一种能够实现可再生能源的高效利用的基于需求侧响应的交直流混合微网双层优化方法。
本发明所采用的技术方案是：一种基于需求侧响应的交直流混合微网双层优化方法，包括如下步骤：
1)基于激励的需求侧响应，通过可平移负荷的调整，使负荷曲线贴近可再生能源出力变化曲线，以可再生能源消纳率最大为目标建立交直流混合微网上层目标函数；
2)既考虑基于价格的需求侧响应，又考虑基于激励的需求侧响应，建立以交直流混合微网运行成本最小为目标的下层目标函数；
3)服从运行约束，建立交直流混合微网双层优化数学模型；
4)改进文化基因算法，并求解交直流混合微网双层优化数学模型。
步骤1)中所述的可平移负荷的调整是采用如下公式：
Lpy′(t)＝min(Lpy(t),L(t)-Pr(t)) (2)
式中：L′(t)表示第t个时段负荷转移后的总负荷；L(t)表示第t个时段的初始总负荷；Lpy′(t)表示第t个时段的负荷移出量； 表示第t个时段的负荷移入量；Lpy(t)表示第t个时段的可平移负荷；Pr(t)表示第t个时段的可再生能源发电量；T为优化时间段；T1为可再生能源发电量小于总负荷大小的时间段。
步骤1)中经过负荷平移后，得到交直流混合微网上层目标函数为：
式中：Kr表示可再生能源消纳率；Pr(t)表示第t个时段的可再生能源发电量；L′(t)表示第t个时段负荷转移后的总负荷；T为优化时间段。
步骤2)中所述的以交直流混合微网运行成本最小为目标的下层目标函数是以下成本的总和：
(1)基于价格的需求侧响应
采用基于分时电价的需求侧响应，根据求解交直流混合微网上层目标函数的结果确定各时段内剩余的可平移负荷电量，在保证可再生能源消纳率不变的前提下，根据电价进行平移负荷来调整负荷曲线，微网需要对用户负荷平移进行补贴，补贴成本为：
式中：Cpy为平移负荷补贴成本；α为平移补贴单价；T为优化时间段；L″(t)为二次负荷平移之后的各时刻负荷量；L(t)表示第t个时段的初始总负荷；
(2)基于激励的需求侧响应
基于激励的需求侧响应中，考虑可中断项目的总负荷计算公式如下：
Lzd′(t)＜min(L″(t)-Pr(t),Lzd(t)) (7)
式中：L″′(t)表示中断负荷后的负荷大小；Lzd′(t)为保证可再生能源消纳率的可中断负荷量；Pr(t)表示第t个时段的可再生能源发电量；Lzd(t)为初始可中断负荷量；
针对平时和峰时时段中断的负荷，给予中断补贴的补贴成本为：
式中：Czd为中断补贴成本；β为中断补贴单价；
(3)初期建设成本Ce
式中：N为微网内部微源个数；Cei为第i个微源的固定投资成本；CRi为第i个微源的投资回收系数；
(4)运行维护成本Com
式中：kOMi为各微源对应的运行维护成本系数；Pi(t)为第i个微源的输出功率；
(5)电网购电成本Cgrid
式中：g(t)为第t个时段的购电电价；Pg(t)为第t个时段的电网购电电量；
(6)燃料成本Cfuel
式中：CMTfuel为微燃机的燃料成本；CFCfuel为燃料电池的燃料成本；CDEGfuel表示柴油发电机的燃料成本；cc为燃料单价；LHV为燃料气体的低热值；PMT为微燃机的出力；PFC为燃料电池的出力；PDEG为柴油发电机的出力；ηMT和ηFC为微燃机和燃料电池的效率；a、b、c为柴油发电机的发电系数；
(7)环保折算成本Cen
式中：N1为排出污染物的微源个数；M为污染物排放类型；γj为第j个污染物的折算成本；Ei,j为第i个电源产生的第j种污染物的单位排放量；Pi(t)为第i个微源的输出功率；
(8)可再生能源发电补贴Cfd
式中：μ为可再生能源的单位发电补贴价格；
构成以交直流混合微网运行成本最小为目标的下层目标函数为：
Cm＝Cpy+Czd+Ce+Com+Cgrid+Cfuel+Cen-Cfd (15)
式中：Cm表示交直流混合微网运行成本。
步骤3)中所述的运行约束包括：
(1)微网内部功率平衡约束
式中：Pi(t)为第i个微源的输出功率；Pg(t)为第t个时段的电网购电电量；PES(t)表示储能装置的放电电量，放电为正，充电为负；L″(t)为二次负荷平移之后的各时刻负荷量；N为微网内部微源个数；
(2)可平移负荷约束
Lpy′(t)≤Lpy(t) (17)
式中：L′(t)表示第t个时段负荷转移后的总负荷；Lpy(t)表示第t个时段的可平移负荷；
(3)可中断负荷约束
Lzd′(t)≤Lzd(t) (18)
式中：Lzd′(t)为保证可再生能源消纳率的可中断负荷量；Lzd(t)为初始可中断负荷量；
(4)公共传输点容量约束
式中： 为公共连接点流动功率；PG.max为公共连接点传输容量限值；
(5)储能装置荷电状态约束
式中：|PES(t)|表示第t个时段内蓄电池的功率变化量；PES,max表示各时段内储能充放电量限值；SOC(t)为第t个时段的荷电状态；SOCmax和SOCmin为荷电状态变化上下限；SOCinitial和SOCend表示荷电状态始末值。
步骤3)中所述的交直流混合微网双层优化数学模型表示为：
式中：Kr表示可再生能源消纳率；Cm表示交直流混合微网的运行成本。
步骤4)中所述的改进后的文化基因算法包括：
(1)算法初始化
设算法全部个体为A个，则按照如下公式随机生成A个初始个体：
xk＝xmin+(xmax-xmin)×rand,k＝1,2,L,A (22)
式中：xk为生成的第k个初始个体；xmin和xmax为个体取值范围；rand为取值为0到1的随机数，
得到初始个体后，计算每一个个体的适应度值，并从小到大进行排序，前B个为智能体，后C个为普通个体，其中C＝A-B，普通个体将会在之后的迭代过程中分配给各智能体，分到第a个智能体的普通个体数目为：
Fa＝1.3×max{fb}-fa,b＝1,2,L,B (23)
式中：Fa为第a个智能体的相对实力；fb表示第b个智能体的适应度值；fa为第a个智能体的适应度值；
第a个智能体的实力值Pa为：
分给第a个智能体的普通个体数目Bap为：
Bap＝round(Pa×C) (25)；
(2)局部搜索
局部搜索过程中，普通个体会逐渐向自己的智能体移动，移动距离Move为：
Move～U(0,τ×d) (26)
式中：τ为聚合系数；d为同一区域内智能体和普通个体之间的距离；
个体以一定比例重新初始化，需要进行重新初始化的个体数量Cr为：
Cr＝round(q×C) (27)
式中：q为重新初始化系数；
全部个体重新排序，排序后列表中前B个为新的智能体；
(3)全局搜索
重新排序后，适应度值最差的个体被各智能体竞争，具体被哪个智能体得到，由竞争概率决定，具体如下：
第a个智能体的总实力T.fa为：
式中：ξ为普通个体权重；wap为第a个智能体的第ap个普通个体的实力值；
第a个智能体的总相对实力F.T.fa为：
F.T.fa＝max{T.fb}-T.fa,b＝1,2,L,B (29)
第a个智能体竞争概率TPa为：
由此得到改进后的文化基因算法的竞争概率矩阵：
TP＝[TP1 TP2 L TPB] (31)
则智能体的竞争实力矩阵表示为：
P＝TP-V (32)
式中：V为一个和TP同维的矩阵，其元素为[0,1]上的随机数；
P中最大的元素对应的智能体将得到被竞争的个体；
为增加智能体的竞争力，当两个智能体xr和xs之间的距离小于协作距离D时，这两个智能体合并，两个智能体xr和xs之间适应度值大的智能体得到智能体xr和xs中所拥有的普通个体，其中协作距离D由下式得到：
D＝norm(xr-xs)×u (33)
u＝sin(π/2×De/Des) (34)
式中：u表示协作系数；De为当前迭代次数；Des为总迭代次数；
(4)重复进行第(2)至第(3)步，在进行第(2)至第(3)步中，当某个智能体不再拥有普通个体时，该智能体被淘汰，最终迭代剩下的一个智能体即为交直流混合微网双层优化数学模型的解。
本发明的一种基于需求侧响应的交直流混合微网双层优化方法，具有如下优点：
1、以可再生能源消纳率最大为上层目标函数，以交直流混合微网运行成本最小为下层目标函数，交直流混合微网双层优化数学模型能够实现可再生能源的高效利用，有利于交直流混合微网经济运行。
2、既考虑基于价格的需求侧响应，又考虑基于激励的需求侧响应能够促进负荷曲线最大程度贴近可再生能源出力曲线，提高可再生能源的消纳率。
3、通过改进策略将基本文化基因算法改进得到的改进文化基因算法具有良好的收敛性能，能够有效求解交直流混合微网双层优化数学模型。
附图说明
图1是本发明交直流混合微网网架结构图；
图2是本发明风、光、负荷预测曲线图；
图3a是本发明交流区负荷分类情况图；
图3b是本发明直流区负荷分类情况图；
图4a是本发明交流区负荷平移情况图；
图4b是本发明直流区负荷平移情况图；
图5a是本发明交流区负荷中断情况图；
图5b是本发明直流区负荷中断情况图；
图6是本发明考虑需求侧响应前后负荷对比曲线图；
图7是本发明各微源出力情况曲线图；
图8是本发明储能装置荷电状态变化曲线图；
图9是本发明成本分布情况图。
图10是本发明交直流混合微网成本曲线图。
具体实施方式
下面结合实施例和附图对本发明的一种基于需求侧响应的交直流混合微网双层优化方法做出详细说明。
本发明的一种基于需求侧响应的交直流混合微网双层优化方法，包括如下步骤：
1)基于激励的需求侧响应，通过可平移负荷的调整，使负荷曲线贴近可再生能源出力变化曲线，以可再生能源消纳率最大为目标建立交直流混合微网上层目标函数；
所述的可平移负荷的调整是采用如下公式：
Lpy′(t)＝min(Lpy(t),L(t)-Pr(t))(2)
式中：L′(t)表示第t个时段负荷转移后的总负荷；L(t)表示第t个时段的初始总负荷；Lpy′(t)表示第t个时段的负荷移出量； 表示第t个时段的负荷移入量；Lpy(t)表示第t个时段的可平移负荷；Pr(t)表示第t个时段的可再生能源发电量；T为优化时间段；T1为可再生能源发电量小于总负荷大小的时间段。
经过负荷平移后，得到交直流混合微网上层目标函数为：
式中：Kr表示可再生能源消纳率；Pr(t)表示第t个时段的可再生能源发电量；L′(t)表示第t个时段负荷转移后的总负荷；T为优化时间段。
2)既考虑基于价格的需求侧响应，又考虑基于激励的需求侧响应，建立以交直流混合微网运行成本最小为目标的下层目标函数；其中，
所述的以交直流混合微网运行成本最小为目标的下层目标函数是以下成本的总和：
(1)基于价格的需求侧响应
本发明采用基于分时电价的需求侧响应，根据交直流混合微网上层目标函数求解结果确定各时段内剩余的可转移负荷电量，在保证可再生能源消纳率不变的前提下，根据电价调整负荷曲线。首先确定峰时电价时段可平移负荷量，并将其平移到谷时时段，判断此时电源是否能满足负荷需求，如果不能则将多余电量平移至平时时段，再次判断供需是否平衡，如果不能则将保持峰时时段的多余电量不变。对平时时段的可平移负荷采用同样的方法进行负荷平移，此处不再赘述。微网需要对用户负荷平移进行补贴，补贴成本为：
式中：Cpy为平移负荷补贴成本；α为平移补贴单价；T为优化时间段；L″(t)为二次负荷平移之后的各时刻负荷量；L(t)表示第t个时段的初始总负荷；
(2)基于激励的需求侧响应
基于激励的需求侧响应中可中断项目能够缓解微网在用电高峰期的供电压力，同时延缓发电机组的建设，减少微网建设成本。基于激励的需求侧响应中，考虑可中断项目的总负荷计算公式如下：
Lzd′(t)＜min(L″(t)-Pr(t),Lzd(t)) (7)
式中：L″′(t)表示中断负荷后的负荷大小；Lzd′(t)为保证可再生能源消纳率的可中断负荷量；Pr(t)表示第t个时段的可再生能源发电量；Lzd(t)为初始可中断负荷量；
针对平时和峰时时段中断的负荷，给予中断补贴的补贴成本为：
式中：Czd为中断补贴成本；β为中断补贴单价；
(3)初期建设成本Ce
式中：N为微网内部微源个数；Cei为第i个微源的固定投资成本；CRi为第i个微源的投资回收系数；
(4)运行维护成本Com
式中：kOMi为各微源对应的运行维护成本系数；Pi(t)为第i个微源的输出功率；
(5)电网购电成本Cgrid
式中：g(t)为第t个时段的购电电价；Pg(t)为第t个时段的电网购电电量；
(6)燃料成本Cfuel
式中：CMTfuel为微燃机(micro turbine,MT)的燃料成本；CFCfuel为燃料电池(fuelcell,FC)的燃料成本；CDEGfuel表示柴油发电机(diesel generator,DEG)的燃料成本；cc为燃料单价；LHV为燃料气体的低热值；PMT为微燃机的出力；PFC为燃料电池的出力；PDEG为柴油发电机的出力；ηMT和ηFC为微燃机和燃料电池的效率；a、b、c为柴油发电机的发电系数；
(7)环保折算成本Cen
式中：N1为排出污染物的微源个数；M为污染物排放类型；γj为第j个污染物的折算成本；Ei,j为第i个电源产生的第j种污染物的单位排放量；Pi(t)为第i个微源的输出功率；
(8)可再生能源发电补贴Cfd
式中：μ为可再生能源的单位发电补贴价格。
构成以交直流混合微网运行成本最小为目标的下层目标函数为：
Cm＝Cpy+Czd+Ce+Com+Cgrid+Cfuel+Cen-Cfd (15)
式中：Cm表示交直流混合微网运行成本。
3)服从运行约束，建立交直流混合微网双层优化数学模型；其中，
所述的运行约束包括：
(1)微网内部功率平衡约束
式中：Pi(t)为第i个微源的输出功率；Pg(t)为第t个时段的电网购电电量；PES(t)表示储能装置的放电电量，放电为正，充电为负；L″(t)为二次负荷平移之后的各时刻负荷量；N为微网内部微源个数；
(2)可平移负荷约束
Lpy′(t)≤Lpy(t) (17)
式中：L′(t)表示第t个时段负荷转移后的总负荷；Lpy(t)表示第t个时段的可平移负荷；
(3)可中断负荷约束
Lzd′(t)≤Lzd(t) (18)
式中：Lzd′(t)为保证可再生能源消纳率的可中断负荷量；Lzd(t)为初始可中断负荷量；
(4)公共传输点容量约束
式中： 为公共连接点流动功率；PG.max为公共连接点传输容量限值；
(5)储能装置荷电状态约束
式中：|PES(t)|表示第t个时段内蓄电池的功率变化量；PES,max表示各时段内储能充放电量限值；SOC(t)为第t个时段的荷电状态；SOCmax和SOCmin为荷电状态变化上下限；SOCinitial和SOCend表示荷电状态始末值。
所述的交直流混合微网双层优化数学模型表示为：
式中：Kr表示可再生能源消纳率；Cm表示交直流混合微网的运行成本。
4)针对基本文化基因算法中存在的收敛精度低、收敛速度慢的问题，通过改进策略对基本文化基因算法进行改进得到改进文化基因算法，并求解交直流混合微网双层优化数学模型。
所述的改进后的文化基因算法包括：
(1)算法初始化
设算法全部个体为A个，则按照如下公式随机生成A个初始个体：
xk＝xmin+(xmax-xmin)×rand,k＝1,2,L,A (22)
式中：xk为生成的第k个初始个体；xmin和xmax为个体取值范围；rand为取值为0到1的随机数，
得到初始个体后，计算每一个个体的适应度值，并从小到大进行排序，前B个为智能体，后C个为普通个体，其中C＝A-B，普通个体将会在之后的迭代过程中分配给各智能体，分到第a个智能体的普通个体数目为：
Fa＝1.3×max{fb}-fa,b＝1,2,L,B (23)
式中：Fa为第a个智能体的相对实力；fb表示第b个智能体的适应度值；fa为第a个智能体的适应度值；
第a个智能体的实力值Pa为：
分给第a个智能体的普通个体数目Bap为：
Bap＝round(Pa×C) (25)(2)局部搜索
局部搜索过程中，普通个体会逐渐向自己的智能体移动，移动距离Move为：
Move～U(0,τ×d) (26)
式中：τ为聚合系数；d为同一区域内智能体和普通个体之间的距离；
个体以一定比例重新初始化，需要进行重新初始化的个体数量Cr为：
Cr＝round(q×C) (27)
式中：q为重新初始化系数；
全部个体重新排序，排序后列表中前B个为新的智能体；
(3)全局搜索
重新排序后，适应度值最差的个体被各智能体竞争，具体被哪个智能体得到，由竞争概率决定，具体如下：
第a个智能体的总实力T.fa为：
式中：ξ为普通个体权重，是一个小于1的正数；wap为第a个智能体的第ap个普通个体的实力值；
第a个智能体的总相对实力F.T.fa为：
F.T.fa＝max{T.fb}-T.fa,b＝1,2,L,B (29)
第a个智能体竞争概率TPa为：
由此得到改进后的文化基因算法的竞争概率矩阵：
TP＝[TP1 TP2 L TPB] (31)
则智能体的竞争实力矩阵表示为：
P＝TP-V (32)
式中：V为一个和TP同维的矩阵，其元素为[0,1]上的随机数；
P中最大的元素对应的智能体将得到被竞争的个体；
为增加智能体的竞争力，当两个智能体xr和xs之间的距离小于协作距离D时，这两个智能体合并，两个智能体xr和xs之间适应度值大的智能体得到智能体xr和xs中所拥有的普通个体，其中协作距离D由下式得到：
D＝norm(xr-xs)×u (33)
u＝sin(π/2×De/Des) (34)
式中：u表示协作系数；De为当前迭代次数；Des为总迭代次数；
(4)重复进行第(2)至第(3)步，在进行第(2)至第(3)步中，当某个智能体不再拥有普通个体时，该智能体被淘汰，最终迭代剩下的一个智能体即为交直流混合微网双层优化数学模型的解。
下面根据实际算例对本发明进行说明。
交直流混合微网典型网架结构如图1所示，其中交流区包含1台750kW的柴油发电机(DEG)和2台1MW的风力发电机(wind turbine,WT)，直流区包含2台1MW的光伏发电装置(photovoltaics,PV)和容量为250kW/1MWh的储能(energy storage,ES)1台。图2为负荷及风光出力预测数据，其中PLA表示交流区预测负荷，PLD表示直流区预测负荷。根据负荷特性将负荷分为重要负荷、可平移负荷和可中断负荷，如图3a和图3b所示，其中图3a为交流区负荷分类情况，图3b为直流区负荷负荷分类情况。表1为电网售电电价。
表1电网分时电价
为满足上层可再生能源消纳率最大的目标以及基于分时电价的需求侧响应，负荷平移情况如图4a和图4b所示，其中图4a为交流区负荷平移情况，图4b为直流区负荷平移情况。通过前节的介绍，由公式(4)可计算得可再生能源总消纳率可达到82％，证明了上层优化模型的正确性和可行性。
图5a和图5b为负荷中断情况，其中图5a为交流区负荷中断情况，图5b为直流区负荷中断情况。可以看出负荷中断主要出现在用电高峰期，缓解了微网供电压力，避免微网在峰时电价从电网购买大量的电而造成的成本攀升。图6为初始负荷曲线和考虑需求侧响应之后的负荷对比曲线，其中PLA′和PLD′分别表示考虑需求侧响应之后的交流负荷和直流负荷曲线。根据图6中考虑需求侧响应之后的负荷曲线，优化各微源出力，得到如图7所示的各微源出力情况，其中GRID表示电网购电成本。比较图6和图7，可以看出风光出力实现了可再生能源消纳率最大的目标。同时图7中谷时电网购电量较多，有利于微网实现经济运行。
图8为蓄电池荷电状态变化曲线，可以看出蓄电池在光伏发电量大于负荷时以及在电价谷时充电，在负荷需求不能满足时
一种基于需求侧响应的交直流混合微网双层优化方法专利购买费用说明
Q：办理专利转让的流程及所需资料
A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。
1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。
2：按规定缴纳著录项目变更手续费。
3：同时提交相关证明文件原件。
4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。
Q:专利著录项目变更费用如何缴交
A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式
Q：专利转让变更，多久能出结果
A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。
动态评分
0.0