技术领域
[0001] 本
发明涉及电网控制技术领域，特别是涉及一种微电网能量控制方法。本发明还涉及一种处理器及微电网能量控制系统。
背景技术
[0002] 微电网是由分布式电源、储能装置、能量转换装置、负荷、负荷监控及用电保护装置等组成的小型发配电系统。其中，微电网内可包含一种或多种分布式电源(例如
光伏发电装置、
风力发电装置、
水力发电装置、
燃料电池及
燃气轮机等)来产生负荷所需的
电能。
[0003] 由于分布式电源的类型不同，各自的运行方式也存在差异。例如，光伏、
风力等新
能源的发电功率易受自然环境影响，但排放的污染物较少，相反，
燃料电池、燃气轮机等化石能源的发电功率较为稳定，但会对环境造成较大的污染。可见，微电网能量控制中的成本最优和环境污染最小本身是两个矛盾的问题，即为微电网能量控制为多目标问题，在实际解决中，需要考虑两者之间的利弊做出合理的控制。
[0004] 目前的微电网能量控制中，主要是将上述多目标问题转化为单目标问题进行求解。但是，这种方法中往往会因为多个目标间缺少偏好难以协调使得权值设置的合理性不高，获得的最优结果较为单一，存在局限性，难以适应较为复杂的实际控制情况。而若直接使用多目标
算法来解决多目标问题的话，由于求解的结果是一组Pareto最优解，故可以给决策者提供更多的选择。但是，该种直接求解的话可能会出现未成熟收敛的情况，另外，得到的最优解集的分布可能会不够均匀且分别范围不够最广，同时，获得的解集中的解的多样性不够。可见，目前的微电网能量控制不能提供较为全面的控制策略，影响了微电网中分布式电源控制策略的选择性和准确性。
[0005] 因此，如何提供一种能够保证微电网中分布式电源控制策略的选择性和准确性的微电网能量控制方法、处理器及微电网能量控制系统是本领域技术人员目前需要解决的问题。
发明内容
[0006] 本发明的目的是提供一种微电网能量控制方法，能够在微电网能量控制过程中提供更为全面的控制策略，且能够在实际应用中解决更为复杂的控制问题，为分布式电源提供更为多样的控制方式，保证微电网中分布式电源控制策略的选择性和准确性。本发明的另一目的是提供一种处理器及微电网能量控制系统。
[0007] 为解决上述技术问题，本发明提供了一种微电网能量控制方法，包括：
[0008] 步骤101：设置所述微电网的能量控制目标函数；其中，所述能量控制目标函数中包含控制变量，所述控制变量包括所述微电网中各种分布式电源的发电功率；
[0009] 步骤102：初始化非支配排序遗传膜算法的执行参数；所述非支配排序遗传膜算法为在第二代非支配排序
遗传算法的
基础上引入膜计算算法得到的算法；其中，所述非支配排序遗传膜算法中包含多层基本膜及一层表层膜，所述执行参数包括所述基本膜的层数、所述第二代非支配排序遗传算法的
迭代次数、交叉概率和变异概率以及每层所述基本膜对应的种群大小；其中，所述种群大小为每层所述基本膜所包含的粒子数量，所述粒子为一组所述控制变量的组合；每层所述基本膜中都至少包含有一个所述粒子；
[0010] 步骤103：根据预设取值范围生成所述非支配排序遗传膜算法中每个所述粒子的初始值；并将各个取值为初始值的粒子随机分配至各层所述基本膜中；由所述取值为初始值的粒子组成的种群为所述基本膜内的父代种群；
[0011] 步骤104：依据所述迭代次数、所述交叉概率及所述变异概率，分别对每层所述基本膜上的粒子执行所述第二代非支配排序遗传算法，每次迭代完成后获得每层所述基本膜内的新子种群；所述第二代非支配排序遗传算法包括排序操作以及交叉变异操作；
[0012] 步骤105：将每层所述基本膜内的新子种群传送至下一层所述基本膜中，使其与下一层所述基本膜内的新子种群进行合并更新，得到更新后的新子种群；
[0013] 步骤106：将每层所述基本膜内的更新后的新子种群与其父代种群进行合并，并对合并后的新子种群进行所述排序操作，得到备选优秀解集；
[0014] 步骤107：判断是否满足所述非支配排序遗传膜算法的终止执行条件；若是，执行步骤108，否则，继续执行步骤104；
[0015] 步骤108：将所述备选优秀解集输入所述表层膜内，经过所述排序操作选择出最优秀解集，所述最优秀解集确定为所述能量控制目标函数的Pareto最优解集；
[0016] 步骤109：从所述Pareto最优解集选取所需的最优解，根据所述最优解得到各种所述分布式电源的发电功率，并依据所述发电功率分别对所述微电网中的相应的所述分布式电源进行控制。
[0017] 优选地，所述步骤s101的过程具体为：
[0018] 获取所述微电网的所述预设取值范围以及预设控制定量，并依据所述预设控制定量及所述预设取值范围，设置所述能量控制目标函数。
[0019] 优选地，所述预设取值范围的获取过程为：
[0020] 获取所述控制变量的约束条件；其中，所述约束条件包括各种所述分布式电源的发电功率的功率限值范围，以及所述微电网与主电网之间的交易电量限值范围；所述约束条件即为所述预设取值范围。
[0021] 优选地，所述能量控制目标函数具体为：
[0022] F(x)＝min{f1(x),f2(x)}
[0023] 其中，f1(x)为微电网运行成本函数；f2(x)为污染物排放函数；其中，所述微电网运行成本函数具体为：
[0024]
[0025] 其中，
[0026]
[0027] costGrid(t)＝ubuy(t)PGrid-buy(t)CGrid-buy(t)-usell(t)PGrid-sell(t)CGrid-sell(t)；
[0028] 其中，所述微电网运行的时间范围为0≤t≤T，i为所述微电网中各种所述分布式电源的编号，DGi为第i种所述分布式电源，NDG为所述分布式电源的总个数，0≤i≤NDG，costDG(t)为t时刻各种所述分布式电源发电运行成本总和，PDGi(t)为第i种所述分布式电源在t时刻的发电功率，CDGi(t)为所述分布式电源在t时刻的发电运行成本
费用，ui(t)为第i种所述分布式电源在t时刻的启停状态，ui(t-1)为第i种所述分布式电源在t-1时刻的启停状态，STDGi为第i种所述分布式电源启停费用，单位为元；
[0029] j为所述微电网中储能装置的编号，sj为第j个储能装置，Ns为所述储能装置的总个数，0≤j≤Ns，costs(t)为t时刻的储能运行成本总和，Psj(t)为第j个储能装置在t时刻的发电功率，Csj(t)为所述分布式电源在t时刻的储能运行成本费，uj(t)为第j种所述储能装置在t时刻的启停状态，uj(t-1)为第j种所述储能装置在t-1时刻的启停状态，STsj为第j个所述储能装置的启停费用，单位为元；
[0030] costGrid(t)为t时刻所述微电网与主电网的交互费用总和，PGrid-buy(t)为所述微电网在t时刻向所述主电网购买的电能功率，PGrid-sell(t)为所述微电网在t时刻向所述主电网卖出的电能功率，CGrid-sell(t)为当前时刻向所述主电网卖电时的电价，CGrid-buy(t)为当前时刻向所述主电网买电时的电价，单位为元；
[0031] 其中，所述污染物排放函数具体为：
[0032]
[0033]
[0034]
[0035] emissionGrid(t)＝PGrid(t)EGrid(t)
[0036] 其中，emissionDG(t)为t时刻各种所述分布式电源发电运行时的污染物
排放量；EDGi(t)为t时刻第i种所述分布式电源运行时产生每兆瓦的功率时的污染物排放量，单位为Kg/MWh；emissions(t)为t时刻各种所述分布式电源储能运行得到污染物排放量；Esj(t)为t时刻第j个所述储能装置运行时产生每兆瓦的功率时的污染物排放量，单位为Kg/MWh；
emissionGrid(t)为t时刻所述微电网与所述主电网交互时的污染物排放量；EGrid(t)为t时刻所述微电网与所述主电网交互时产生每兆瓦的功率时的污染物排放量，单位为Kg/MWh。
[0037] 为解决上述技术问题，本发明还提供了一种处理器，包括：
[0038] 目标函数设置模
块，用于设置微电网的能量控制目标函数；其中，所述能量控制目标函数中包含控制变量，所述控制变量包括所述微电网中各种分布式电源的发电功率；
[0039] 初始化模块，用于初始化非支配排序遗传膜算法的执行参数；所述非支配排序遗传膜算法为在第二代非支配排序遗传算法的基础上引入膜计算算法得到的算法；其中，所述非支配排序遗传膜算法中包含多层基本膜及一层表层膜，所述执行参数包括所述基本膜的层数、所述第二代非支配排序遗传算法的迭代次数、交叉概率和变异概率以及每层所述基本膜对应的种群大小；其中，所述种群大小为每层所述基本膜所包含的粒子数量，所述粒子为一组所述控制变量的组合；每层所述基本膜中都至少包含有一个所述粒子；
[0040] 初始值赋予模块，用于根据预设取值范围生成所述非支配排序遗传膜算法中每个所述粒子的初始值；并将各个取值为初始值的粒子随机分配至各层所述基本膜中；由所述取值为初始值的粒子组成的种群为所述基本膜内的父代种群；
[0041] 第二代非支配排序遗传算法计算模块，用于依据所述迭代次数、所述交叉概率及所述变异概率，分别对每层所述基本膜上的粒子执行所述第二代非支配排序遗传算法，每次迭代完成后获得每层所述基本膜内的新子种群；所述第二代非支配排序遗传算法包括排序操作以及交叉变异操作；
[0042] 膜间信息交互模块，用于将每层所述基本膜内的新子种群传送至下一层所述基本膜中，使其与下一层所述基本膜内的新子种群进行合并更新，得到更新后的新子种群；
[0043] 备选优秀解集获取模块，用于将每层所述基本膜内的更新后的新子种群与其父代种群进行合并，并对合并后的新子种群进行所述排序操作，得到备选优秀解集；
[0044] 终止判断模块，用于判断是否满足所述非支配排序遗传膜算法的终止执行条件；若是，触发Pareto最优解集确定模块，否则，触发所述第二代非支配排序遗传算法计算模块；
[0045] 所述Pareto最优解集确定模块，用于将所述备选优秀解集输入所述表层膜内，经过所述排序操作选择出最优秀解集，所述最优秀解集确定为所述能量控制目标函数的Pareto最优解集；
[0046] 分布式电源控
制模块，用于从所述Pareto最优解集选取所需的最优解，根据所述最优解得到各种所述分布式电源的发电功率，并依据所述发电功率分别对所述微电网中的相应的所述分布式电源进行控制。
[0047] 优选地，所述处理器具体为FPGA处理器。
[0048] 为解决上述技术问题，本发明还提供了一种微电网能量控制系统，包括微电网、控制装置以及用于获取所述微电网的预设取值范围以及预设控制定量并发送至所述目标函数设置模块的参数获取模块；其中，所述控制装置内包括有如以上所述的处理器。
[0049] 本发明提供了一种微电网能量控制方法，采用非支配排序遗传膜算法计算微电网的Pareto最优解集，在本发明中，每个基本膜内分配有预设个数的粒子，且分别对每层基本膜内的粒子执行第二代非支配排序遗传算法，每次迭代完成后得到该层基本膜内的新子种群，之后进行膜间种群交互，并将交互完成后的新子种群与对应的父代种群合并，若此时并不满足非支配排序遗传膜算法的终止执行条件，则依据合并后的新子种群继续执行第二代非支配排序遗传算法进行迭代操作，非支配排序遗传膜算法终止后，每层基本膜输出一个备选最优解集，表层膜根据各个备选最优解集来得到Pareto最优解集。可见，本发明中各层基本膜之间进行了信息交互，从而仅可能避免了Pareto最优解集中出现多个解相同的情况，即能够保证解的多样性以及分布的均匀性；另外，本发明中多层基本膜同时执行第二代非支配排序遗传算法进行计算(即类似由多个装置同时进行计算)，不仅计算时间短，且增大了Pareto最优解集中的解的分布范围。同时，本发明中每层基本膜在生成新子种群后不仅会与其他基本膜进行种群交互，并且更新后的新子种群还会与其父代种群进行合并，尽可能了避免了局部收敛的情况发生，同时保证了种群的多样性，也尽可能避免了未成熟收敛的情况出现。可见，本发明能够在微电网能量控制过程中提供更为全面的控制策略，且能够在实际应用中解决更为复杂的控制问题，为分布式电源提供更为多样的控制方式，保证微电网中分布式电源控制策略的选择性和准确性。本发明还提供了一种处理器及微电网能量控制系统，也具有上述优点，在此不再赘述。
附图说明
[0050] 为了更清楚地说明本发明
实施例中的技术方案，下面将对
现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0051] 图1为本发明提供的一种微电网能量控制方法的过程的
流程图；
[0052] 图2为微电网中负荷的需求功率、光伏发电装置的预测发电功率和风力发电装置的预测发电功率的示意图；
[0053] 图3为本发明的一种具体实施例中的能量控制目标函数的仿真结果示意图；
[0054] 图4为本发明提供的一种处理器的结构示意图；
[0055] 图5为本发明提供的一种微电网能量控制系统的实施例的结构示意图；
[0056] 图6为本发明提供的一种微电网能量控制系统中的FPGA
控制器的
电路结构示意图。
具体实施方式
[0057] 本发明的核心是提供一种微电网能量控制方法，能够在微电网能量控制过程中提供更为全面的控制策略，且能够在实际应用中解决更为复杂的控制问题，为分布式电源提供更为多样的控制方式，保证微电网中分布式电源控制策略的选择性和准确性。本发明的另一核心是提供一种处理器及微电网能量控制系统。
[0058] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0059] 本发明提供了一种微电网能量控制方法，参见图1所示，图1为本发明提供的一种微电网能量控制方法的过程的流程图；该方法包括：
[0060] 步骤101：设置微电网的能量控制目标函数；其中，能量控制目标函数中包含控制变量，控制变量包括微电网中各种分布式电源的发电功率；
[0061] 其中，能量控制目标函数具体为：
[0062] F(x)＝min{f1(x),f2(x)}
[0063] 其中，f1(x)为微电网运行成本函数；f2(x)为污染物排放函数；其中，微电网运行成本函数具体为：
[0064]
[0065] 其中，
[0066]
[0067] costGrid(t)＝ubuy(t)PGrid-buy(t)CGrid-buy(t)-usell(t)PGrid-sell(t)CGrid-sell(t)；
[0068] 其中，微电网运行的时间范围为0≤t≤T，i为微电网中各种分布式电源的编号，DGi为第i种分布式电源，NDG为分布式电源的总个数，0≤i≤NDG，costDG(t)为t时刻各种分布式电源发电运行成本总和，PDGi(t)为第i种分布式电源在t时刻的发电功率，CDGi(t)为分布式电源在t时刻的发电运行成本费用，ui(t)为第i种分布式电源在t时刻的启停状态，ui(t-1)为第i种分布式电源在t-1时刻的启停状态，STDGi为第i种分布式电源启停费用，单位为元；
[0069] j为微电网中储能装置的编号，sj为第j个储能装置，Ns为储能装置的总个数，0≤j≤Ns，costs(t)为t时刻的储能运行成本总和，Psj(t)为第j个储能装置在t时刻的发电功率，Csj(t)为分布式电源在t时刻的储能运行成本费，uj(t)为第j种储能装置在t时刻的启停状态，uj(t-1)为第j种储能装置在t-1时刻的启停状态，STsj为第j个储能装置的启停费用，单位为元；
[0070] costGrid(t)为t时刻微电网与主电网的交互费用总和，PGrid-buy(t)为微电网在t时刻向主电网购买的电能功率，PGrid-sell(t)为微电网在t时刻向主电网卖出的电能功率，CGrid-sell(t)为当前时刻向主电网卖电时的电价，CGrid-buy(t)为当前时刻向主电网买电时的电价，单位为元；
[0071] 其中，污染物排放函数具体为：
[0072]
[0073]
[0074]
[0075] emissionGrid(t)＝PGrid(t)EGrid(t)
[0076] 其中，emissionDG(t)为t时刻各种分布式电源发电运行时的污染物排放量；EDGi(t)为t时刻第i种分布式电源运行时产生每兆瓦的功率时的污染物排放量，单位为Kg/MWh；emissions(t)为t时刻各种分布式电源储能运行得到污染物排放量；Esj(t)为t时刻第j个储能装置运行时产生每兆瓦的功率时的污染物排放量，单位为Kg/MWh；emissionGrid(t)为t时刻微电网与主电网交互时的污染物排放量；EGrid(t)为t时刻微电网与主电网交互时产生每兆瓦的功率时的污染物排放量，单位为Kg/MWh。
[0077] 作为优选地，步骤s101的过程具体为：
[0078] 获取微电网的预设取值范围以及预设控制定量，并依据预设控制定量及预设取值范围，设置能量控制目标函数。
[0079] 需要说明的是，能量控制目标函数中的控制变量需要在一定的预设取值范围内，该预设取值范围即为求解能量控制目标函数的最优解时的约束条件。由于微电网的能量控制目标函数中的控制变量为分布式电源的发电功率，故约束条件可以包括：功率限值条件及容量传输条件；其中，
[0080] 功率限值条件指的是：各种分布式电源的发电功率需要大于等于各自对应的输出功率下限，并且小于等于各自的输出功率上限。例如，分布式电源分别为光伏发电装置(Photovoltaic，PV)、风力发电装置(Wind Turbine，WT)、储能(Battery，BAT)以及燃气轮机(Gas Turbine，GT)时，各种分布式电源的输出功率下限均为0，各种分布式电源的输出功率上限分别对应为为13、15、25及30，单位为kW。
[0081] 容量传输条件指的是：微电网与主电网之间交易的电量需要小于等于预设的交易限值或者电力传输物质所能传输电量的极值。其中，这里的传输电量极值为30KW，当然，本发明对此不作限定。
[0082] 另外，这里的预设控制定量指的是能量控制目标函数中的固定值(或称为定量)。例如，能量控制目标函数中的发电运行成本。
[0083] 具体地，分布式电源分别为PV、WT、BAT及GT时，各自的发电运行成本分别为2.584、1.073、0.0359及0.38，单位为元。当然，以上仅为一种可能情况，本发明不限定发电运行成本的具体数值，应根据实际情况而定。
[0084] 另外，参见图2所示，图2为微电网中负荷的需求功率、光伏发电装置的预测发电功率和风力发电装置的预测发电功率的大小示意图。参见表1所示，表1为主电网的电价表。
[0085]
[0086] 表1主电网的电价表
[0087] 并且，污染物主要由CO2，SO2，NOx构成，能量控制目标函数中的EDGi(t)、Esj(t)、EGrid(t)是根据各种污染物的排放系数计算得到。参见表2所示，表2为分布式电源排放各种污染物的排放系数。
[0088]
[0089]
[0090] 表2分布式电源排放各种污染物的排放系数
[0091] 当然，图2、表1和表2仅为示意图，并不代表实际情况中的微电网中负荷的需求功率、光伏发电装置的预测发电功率、风力发电装置的预测发电功率、主电网电价以及分布式电源排放污染物的排放系数。本发明不限定预设控制定量中的各项的具体数值。
[0092] 进一步可知，预设取值范围的获取过程为：
[0093] 获取控制变量的约束条件；其中，约束条件包括各种分布式电源的发电功率的功率限值范围，以及微电网与主电网之间的交易电量限值范围；约束条件即为预设取值范围。
[0094] 步骤102：初始化非支配排序遗传膜算法的执行参数；非支配排序遗传膜算法为在第二代非支配排序遗传算法的基础上引入膜计算算法得到的算法；其中，非支配排序遗传膜算法中包含多层基本膜及一层表层膜，执行参数包括基本膜的层数、第二代非支配排序遗传算法的迭代次数、交叉概率和变异概率以及每层基本膜对应的种群大小；其中，种群大小为每层基本膜所包含的粒子数量，粒子为一组控制变量的组合；每层基本膜中都至少包含有一个粒子；
[0095] 其中，基本膜的层数可根据经验或实验得出，本发明对此不作限定。
[0096] 需要说明的是，初始化过程中仅限定了每层基本膜内的种群大小，即每层基本膜中需要放入的粒子数量，但此时并未将粒子放入基本膜中。
[0097] 作为优选地，上述初始化过程可以通过以下方式实现：
[0098] 预设膜结构为[0[1]1,[2]2,[3]3,...,[m]m]0；其中，该膜结构包含有m层基本膜及表层膜0。预设非支配排序遗传膜算法中的粒子个数为n，将n个粒子随机分配值所述m层基本膜中，如下所示：
[0099] w0＝λ；
[0100]
[0101]
[0102] ……
[0103]
[0104] 其中，wi表示膜内的对象的集合，λ表示空，bi(i＝1,2,…,n)为各层基本膜中第i个粒子。
[0105] 步骤103：根据预设取值范围生成非支配排序遗传膜算法中每个粒子的初始值；并将各个取值为初始值的粒子随机分配至各层基本膜中；由取值为初始值的粒子组成的种群为基本膜内的父代种群；
[0106] 可以理解的是，在非支配排序遗传膜算法中每个粒子需要有初始值，且由于每个粒子均为一组控制变量的组合，故粒子的初始值也需要满足控制变量的约束条件，故应在预设取值范围内生成每个粒子的初始值。
[0107] 步骤104：依据迭代次数、交叉概率及变异概率，分别对每层基本膜上的粒子执行第二代非支配排序遗传算法，每次迭代完成后获得每层基本膜内的新子种群；第二代非支配排序遗传算法包括排序操作以及交叉变异操作；
[0108] 其中，非支配排序遗传膜算法每迭代一次的过程中，需要首先进行排序操作生成一个备选解集，然后经过交叉变异操作得到新子种群，这里的新子种群为下一次迭代时的基础。这里的排序操作具体包括非支配排序和/或拥挤度排序。另外，该步骤中，各层基本膜中同时执行第二代非支配排序遗传算法，即同时进行求取Pareto最优解集的操作(类似于多台计算机同时计算)，可见，能够大大提高得到Pareto最优解集的速度，效率高，且得到的Pareto最优解集中的解要优于目前的计算方式，即本发明到的Pareto最优解集中的解的分布更加均匀且广泛。
[0109] 步骤105：将每层基本膜内的新子种群传送至下一层基本膜中，使其与下一层基本膜内的新子种群进行合并更新，得到更新后的新子种群；
[0110] 需要注意的是，这里是首先进行膜间传送操作，传送完成后，才进行合并更新，即第一层基本膜将新子种群传送至第二层基本膜内，第二层基本膜将新子种群传送至第三层基本膜内，依次类推，传送完成后，各层基本膜分别将自身的新子种群与传送过来的新子种群合并。
[0111] 可以理解的是，通过膜间信息交互，保证了最终得到Pareto最优解集中解的多样性，并且能够仅可能避免出现重复解的情况。
[0112] 步骤106：将每层基本膜内的更新后的新子种群与其父代种群进行合并，并对合并后的新子种群进行排序操作，得到备选优秀解集；
[0113] 可以理解的是，通过将更新后的新子种群与其父代种群进行合并，能够充分保证各层基本膜中的种群多样性，尽可能避免局部收敛的情况出现，进而尽可能避免了非成熟收敛的情况发生。
[0114] 步骤107：判断是否满足非支配排序遗传膜算法的终止执行条件；若是，执行步骤108，否则，继续执行步骤104；
[0115] 作为优选地，这里的终止执行条件为：
[0116] 该层基本膜执行第二代非支配排序遗传算法的迭代次数达到预先设定的迭代次数(可以理解为，该层基本膜内的粒子的优化次数已达到预设优化次数)。
[0117] 步骤108：将备选优秀解集输入表层膜内，经过排序操作选择出最优秀解集，最优秀解集确定为能量控制目标函数的Pareto最优解集；
[0118] 步骤109：从Pareto最优解集选取所需的最优解，根据最优解得到各种分布式电源的发电功率，并依据发电功率分别对微电网中的相应的分布式电源进行控制。
[0119] 由于控制变量包括各种分布式电源的发电功率，故得到的Pareto最优解集中的每个解均可对应一组各种分布式电源的发电功率。另外，由于不同的解的控制效果不同，故需要根据自身需求选择合适的最优解，进而对各种分布式电源进行控制。
[0120] 可以理解的是，本发明得到的Pareto最优解集中的解的分布相比目前的计算方法来说，更为均匀且广泛，且具有足够的多样性，可见，根据本发明的Pareto最优解集中的解，能够对微电网进行各种类型的能量控制，即能够尽可能的满足用户的各种需求。
[0121] 可以理解的是，本发明中的能量控制目标函数具体为使微电网运行成本以及污染物量均处于最小值的函数，能量控制目标函数表明的是，各种分布式电源的发电功率需要满足怎样的条件，才能获得能量控制目标函数的最优值。通过上述一系列操作计算得到的Pareto最优解集理论上为使微电网运行成本以及排放的污染物量均处于最小值的解的集合，但实际上，Pareto最优解集中，不同的解带来的效果不同，即有的解使微电网运行成本较小，但排放的污染物量较少，有的解则相反，故当得到Pareto最优解集后，需要工作人员根据实际需要选择合适的解，进而控制各种分布式电源。
[0122] 另外，本发明采用的是非支配排序遗传膜算法，即一种在第二代非支配排序遗传算法的基础上引入膜计算算法得到的算法。相比仅采用第二代非支配排序遗传算法，得到的Pareto最优解集的结果更优。
[0123] 参见图3所示，图3为本发明的一种具体实施例中的能量控制目标函数的仿真结果示意图；该实施例中，微电网中包含的分布式电源包括光伏发电装置、电力发电装置、燃料电池、燃气轮机、柴油发
电机及主电网中的发电装置。设置非支配排序遗传膜算法中的种群中的粒子个数为500，交叉概率为0.9及变异概率为0.05。取图2、表1和表2中的微电网的发电功率、负荷需求功率及主电网电价参数。
[0124] 从图3中可知，采用NSGAⅡ(Non-dominated Sorting Genetic Algorithm-Ⅱ，第二代非支配排序遗传算法)和NSGMIA(Non-dominated Sorting Genetic Membrane-inspired Algorithm，非支配排序遗传膜算法)相比，使用NSGMIA得到的Pareto最优解曲线分布更广更均匀，解集的多样性更优，结果明显优于NSGAⅡ。
[0125] 本发明提供了一种微电网能量控制方法，采用非支配排序遗传膜算法计算微电网的Pareto最优解集，在本发明中，每个基本膜内分配有预设个数的粒子，且分别对每层基本膜内的粒子执行第二代非支配排序遗传算法，每次迭代完成后得到该层基本膜内的新子种群，之后进行膜间种群交互，并将交互完成后的新子种群与对应的父代种群合并，若此时并不满足非支配排序遗传膜算法的终止执行条件，则依据合并后的新子种群继续执行第二代非支配排序遗传算法进行迭代操作，非支配排序遗传膜算法终止后，每层基本膜输出一个备选最优解集，表层膜根据各个备选最优解集来得到Pareto最优解集。可见，本发明中各层基本膜之间进行了信息交互，从而仅可能避免了Pareto最优解集中出现多个解相同的情况，即能够保证解的多样性以及分布的均匀性；另外，本发明中多层基本膜同时执行第二代非支配排序遗传算法进行计算(即类似由多个装置同时进行计算)，不仅计算时间短，且增大了Pareto最优解集中的解的分布范围。同时，本发明中每层基本膜在生成新子种群后不仅会与其他基本膜进行种群交互，并且更新后的新子种群还会与其父代种群进行合并，尽可能了避免了局部收敛的情况发生，同时保证了种群的多样性，也尽可能避免了未成熟收敛的情况出现。可见，本发明能够在微电网能量控制过程中提供更为全面的控制策略，且能够在实际应用中解决更为复杂的控制问题，为分布式电源提供更为多样的控制方式，保证微电网中分布式电源控制策略的选择性和准确性。
[0126] 本发明还提供了一种处理器，参见图4所示，图4为本发明提供的一种处理器的结构示意图；
[0127] 该处理器包括：
[0128] 目标函数设置模块11，用于设置微电网的能量控制目标函数；其中，能量控制目标函数中包含控制变量，控制变量包括微电网中各种分布式电源的发电功率；
[0129] 初始化模块12，初始化非支配排序遗传膜算法的执行参数；非支配排序遗传膜算法为在第二代非支配排序遗传算法的基础上引入膜计算算法得到的算法；其中，非支配排序遗传膜算法中包含多层基本膜及一层表层膜，执行参数包括基本膜的层数、第二代非支配排序遗传算法的迭代次数、交叉概率和变异概率以及每层基本膜对应的种群大小；其中，种群大小为每层基本膜所包含的粒子数量，粒子为一组控制变量的组合；每层基本膜中都至少包含有一个粒子；
[0130] 初始值赋予模块13，用于根据预设取值范围生成非支配排序遗传膜算法中每个粒子的初始值；并将各个取值为初始值的粒子随机分配至各层基本膜中；由取值为初始值的粒子组成的种群为基本膜内的父代种群；
[0131] 第二代非支配排序遗传算法计算模块14，用于依据迭代次数、交叉概率及变异概率，分别对每层基本膜上的粒子执行第二代非支配排序遗传算法，每次迭代完成后获得每层基本膜内的新子种群；第二代非支配排序遗传算法包括排序操作以及交叉变异操作；
[0132] 膜间信息交互模块15，用于将每层基本膜内的新子种群传送至下一层基本膜中，使其与下一层基本膜内的新子种群进行合并更新，得到更新后的新子种群；
[0133] 备选优秀解集获取模块16，用于将每层基本膜内的更新后的新子种群与其父代种群进行合并，并对合并后的新子种群进行排序操作，得到备选优秀解集；
[0134] 终止判断模块17，用于判断是否满足非支配排序遗传膜算法的终止执行条件；若是，触发Pareto最优解集确定模块18，否则，触发第二代非支配排序遗传算法计算模块14；
[0135] Pareto最优解集确定模块18，用于将备选优秀解集输入表层膜内，经过排序操作选择出最优秀解集，最优秀解集确定为能量控制目标函数的Pareto最优解集；
[0136] 分布式电源
控制模块19，用于从Pareto最优解集选取所需的最优解，根据最优解得到各种分布式电源的发电功率，并依据发电功率分别对微电网中的相应的分布式电源进行控制。
[0137] 作为优选地，这里的处理器具体为FPGA处理器。当然，本发明对此不作限定。
[0138] 本发明提供了一种处理器，采用非支配排序遗传膜算法计算微电网的Pareto最优解集，在本发明中，每个基本膜内分配有预设个数的粒子，且分别对每层基本膜内的粒子执行第二代非支配排序遗传算法，每次迭代完成后得到该层基本膜内的新子种群，之后进行膜间种群交互，并将交互完成后的新子种群与对应的父代种群合并，若此时并不满足非支配排序遗传膜算法的终止执行条件，则依据合并后的新子种群继续执行第二代非支配排序遗传算法进行迭代操作，非支配排序遗传膜算法终止后，每层基本膜输出一个备选最优解集，表层膜根据各个备选最优解集来得到Pareto最优解集。可见，本发明中各层基本膜之间进行了信息交互，从而仅可能避免了Pareto最优解集中出现多个解相同的情况，即能够保证解的多样性以及分布的均匀性；另外，本发明中多层基本膜同时执行第二代非支配排序遗传算法进行计算(即类似由多个装置同时进行计算)，不仅计算时间短，且增大了Pareto最优解集中的解的分布范围。同时，本发明中每层基本膜在生成新子种群后不仅会与其他基本膜进行种群交互，并且更新后的新子种群还会与其父代种群进行合并，尽可能了避免了局部收敛的情况发生，同时保证了种群的多样性，也尽可能避免了未成熟收敛的情况出现。可见，本发明能够在微电网能量控制过程中提供更为全面的控制策略，且能够在实际应用中解决更为复杂的控制问题，为分布式电源提供更为多样的控制方式，保证微电网中分布式电源控制策略的选择性和准确性。
[0139] 本发明还提供了一种微电网能量控制系统，该系统包括微电网、控制装置以及用于获取微电网的预设取值范围以及预设控制定量并发送至目标函数设置模块11的参数获取模块2；其中，控制装置内包括有如以上的处理器。
[0140] 其中，这里的参数获取模块2可以为A/D模块，当然，本发明对此不作限定。
[0141] 作为优选地，当处理器为FPGA处理器1时，这里的控制装置优选为FPGA控制器。
[0142] 参见图5所示，图5为本发明提供的一种微电网能量控制系统的实施例的结构示意图。
[0143] 可以理解的是，当处理器为FPGA处理器1时，控制装置内必然设置有：
[0144] 供电模块3，用于为FPGA处理器1供电；
[0145] 时钟模块4，用于为FPGA处理器1提供时钟
信号；
[0146] 复位模块5，用于为FPGA处理器1提供复位操作。
[0147] 其中，这里的时钟模块4的有源
晶体振荡器可以为30MHz，当然，本发明对此不作限定。
[0148] 参见图6所示，图6为本发明提供的一种微电网能量控制系统中的FPGA控制器的电路结构示意图。图6中U1为FPGA处理器1，这里的FPGA处理器1为芯片Cyclone-EP1C12Q240I8，除图中所示管脚外，FPGA处理器1的1-8、12-18为输入管脚，61-68、74-79以及82为输出管脚，10、30、31、40、52、69、71、80、89、91、96、102、109、111、142、150、151、171、
190、192、199、205、210、212、221、230、232为接地管脚。另外标有VCC3.3的引线与标有VCC3.3_A和标有VCC3.3_B的引线分别相连，且标有VCC3.3_A的引线之间为连接关系，标有VCC5的引线之间为连接关系。
[0149] 其中，FPGA处理器1的供电电源包括两类，分别为I/O端口电源和
内核电源。I/O端口电源的电源转换芯片采用AMS1117-3.3，内核供电电源包括PLL部分采用电源转换芯片AMS1117-1.5搭建。
[0150] 另外，芯片CY2304SI-1为时钟控
制芯片。
[0151] 复位模块5中，手动复位信号由
开关产生经过电源管理芯片TPS3305-33SD产生5V
电压信号，经电压转换芯片SN74CBTD3384DBQR将5V信号转为3.3V信号送入FPGA处理器1，自动复位信号则直接经过
模数转换芯片发送FPGA处理器1，由FPGA处理器1产生相应的响应。
[0152] 当然，图6仅为优选电路方案，具体采用何种连接方式以及各个部分采用的芯片类型本发明均不限定。
[0153] 需要说明的是，在本
说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0154] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种
修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
