CN102043905B - 基于自适应算法的小水电群智能优化错峰调度方法 - Google Patents

Abstract

本发明涉及小水电群错峰调度优化技术领域，尤其涉及一种基于自适应粒子群算法的小水电群电压智能优化错峰调度方法。本发明通过加装在小水电侧的智能化监控设备，将小水电的实时水文数据传送给后台程序，使用自适应粒子群算法进行计算后，将控制结果通过智能监控设备传回小水电侧，对小水电群进行错峰调度。本发明算法的惯性权重定义为粒子适应度、粒子个数和搜索空间维度的函数。在粒子适应度计算中，本发明不仅重视基本判别，还增加了一项电压适应度的计算。算法迭代之前，先进行试探判别，然后再进入算法迭代，可以大大提高粒子的优化程度。

Description

基于自适应算法的小水电群智能优化错峰调度方法

技术领域

本发明涉及小水电群错峰调度优化技术领域，尤其涉及一种基于自适应粒子群算法的小水电群电压智能优化错峰调度方法。

背景技术

小水电集中上网地区电压偏高问题，已经成为水力资源丰富地区电压优化的难点。目前已有的众多算法，都关注于小水电群的发电效益最大化，鲜少将目光转投到电压优化的问题上来。小水电在丰水期满发，而负荷改变不大，是造成丰水期电网电压偏高的主要原因。

粒子群优化(Particle Swarm Optimization，PSO)算法是Kennedy和Eberhart受人工生命研究结果的启发、通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法，1995年IEEE国际神经网络学术会议发表了题为“Particle SwarmOptimization”的论文，标志着PSO算法诞生。它与其他进化算法一样，也是基于“种群”和“进化”的概念，通过个体间的协作与竞争，实现复杂空间最优解的搜索；同时，PSO又不像其他进化算法那样对个体进行交叉、变异、选择等进化算子操作，而是将群体(swarm)中的个体看作是在D维搜索空间中没有质量和体积的粒子(particle)，每个粒子以一定的速度在解空间运动，并向自身历史最佳位置pbest和邻域历史最佳位置lbest聚集，实现对候选解的进化。在PSO算法中，首先初始化一群随机粒子的位置及速度，然后通过速度、位置更新方程迭代，引导粒子飞向粒子群中的最优位置，找到最优解。PSO算法具有很好的生物社会背景而易理解、参数少而易实现，对非线性、多峰问题均具有较强的全局搜索能力，在科学研究与工程实践中得到了广泛关注。

在PSO算法中，首先初始化一群随机粒子的位置及速度，然后通过速度、位置更新方程迭代，引导粒子飞向粒子群中的最优位置，找到最优解。对于N维搜索空间，粒子i的位置可表示为X_i＝(x_i1，x_i2，…，x_iN)，速度可表示为V_i＝(v_i1，v_i2，…，v_iN)，更新迭代公式为：

V_i(k+1)＝ωV_i(k)+c₁rand()(X_ip-X_i(k)+c₂rand()(x_g-X_i(k)

X_i(k+1)＝X_i(k)+V_i(k+1)

式中，ω为惯性权重因子；c₁、c₂为学习因子；rand()为(0，1)之间的随机数；k是迭代代数；X_ip是粒子i本身迄今搜索到的最优位置；X_g是整个粒子群迄今搜索到的最优位置。随机粒子的速度更新考虑了三个方面：粒子的惯性速度、粒子当前位置与自己最优位置间的距离、当前位置与群体最优位置间的距离。这分别体现了PSO算法中，粒子的记忆行为、对自己经验的“认知”以及“社会”经验的共享和合作。引入ω，可以调控粒子维持原有速度的程度。ω对算法的性能有很大影响，前期较大的ω有利于提高算法的收敛速度，而后期较小的ω则有利于提高算法的收敛精度。随着迭代次数的增加调整ω，称为自适应粒子群算法(Adapted Particle Swarm Optimization，APSO)。

惯性权重ω如何设置，即何时需要加强全局搜索能力避免局部最优，何时需要加强局部搜索能力实现快速收敛，要同时分析众多因素和当前搜索状态。较大的惯性权重有利于全局探索，但搜索效率较低，算法开销较大；较小的惯性权重能够加速算法的收敛，但是容易陷入局部最优。设置合理的惯性权重，是避免陷入局部最优并高效搜索的关键。

自适应算法适应度函数用来判别粒子的适应性，如何体现电压优化的作用是需要解决的问题。潮流计算占用了自适应算法的绝大部分时间，如何提高算法的速度且同时使粒子群更加优化，也需要进一步的研究。

发明内容

针对上述存在的技术问题，本发明的目的是提供一种基于自适应算法的小水电群智能优化错峰调度方法，以解决丰水期小水电站集中上网造成的电网电压偏高问题。

为达到上述目的，本发明采用如下的技术方案：

步骤1：通过智能化监控设备采集小水电水文数据，包括来水量、水位、库容、出力、发电净水头；

步骤2：为每个粒子定义其位置向量和速度向量[x，v]，产生初始位置和初始速度，x和v均为n维搜索空间中的向量，其中位置向量是各水电站各时段发电引用流量，如下式：

为水库i在t时段的发电引用流量；

速度向量是各水电站各时段发电引用流量的变化速度，如下式：

是水电站i在t时段的发电引用流量变化速度；

步骤3：设置粒子群优化算法中调整全局搜索和局部搜索的惯性权重参数，惯性权重定义为粒子适应度、粒子个数和搜索空间维度的函数：

${\mathrm{\ω}}_i=\frac{1}{{\mathrm{aF}}_{\mathrm{con}\_i}\left(y\right)/(N_h\·\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{F}_{\mathrm{con}\_i}\left(y\right)-e^{-\frac{N_h}{b}}+1)}$

ω_i为第i个粒子惯性权重，F_{con_i}(y)为第i个粒子的适应度，n是搜索空间维度，N_h是粒子数目，a、b为经验参数；

步骤4：以适应度函数检验每个粒子，判断粒子的位置优劣，所述粒子适应度函数为：

f＝A+E-k_1i·Δq_i-k_2i·Δh_i-k_3i·ΔD_i

$\mathrm{\Δ}{q}_i=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\max \{(Q_t^i-Q_{t.\max }^i),\max (0,Q_{t.\min }^i-Q_t^i)\},$ $\mathrm{\Δ}{h}_i=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\max \{(H_t^i-H_{t.\max }^i),\max (0,H_{t.\min }^i-H_t^i)\},$

A为保证f为正的正整数；k_1i、k_2i、k_3i为惩罚系数；Δq_i、Δh_i、ΔD_i分别表示第i水库发电引用流量，水位超过上下限的幅值和电压超过上下限的幅值；

步骤5：依据潮流计算中每个节点的电压和有功必须在各自的界限之内，否则为不可行解，试探调整先判别粒子是否为可行解，若不可行，则对它进行调整，调整后在限制范围内，则退出循环进入迭代运行，若调整后仍为不可行解，则继续循环调整；

步骤6：计算粒子群中各粒子的适应值，求取个体最优和全局最优极值，然后迭代更新，设至第k次迭代止，粒子1搜索到的最优位置向量记为P_l(k)(l＝1、2、…n)，整个粒子群搜索到的最优位置向量记为P_g(k)，则第k+1次迭代，则：

粒子速度： $v_t^{\mathrm{il}}(k+1)={\mathrm{\ω}}_i{v}_t^{\mathrm{il}}\left(k\right)+c_1{r}_1(p_t^{\mathrm{il}}\left(k\right)-Q_t^{\mathrm{il}}\left(k\right))+c_2{r}_2(p_t^{\mathrm{ig}}\left(k\right)-Q_t^{\mathrm{il}}\left(k\right))$

粒子位置： $Q_t^{\mathrm{il}}(k+1)=Q_t^{\mathrm{il}}\left(k\right)+v_t^{\mathrm{il}}(k+1)$

ω为惯性权重因子；c₁、c₂为学习因子；r₁、r₂为(0，1)之间的随机数；l＝1、2、…n，i＝1、2、…N_h，t＝1、2、…T，为有效搜索，粒子速度不能超过最大允许速度v_max，即若粒子的某一维速度超过v_max，则将其速度限制为v_max；

步骤7：循环迭代，转入步骤2，满足终止条件时，停止迭代，输出全局最优向量，所述终止条件为：达到最大迭代次数停止，或取得足够好的位置向量停止；

步骤8：将调度算法的结果在图形界面上进行显示，包括调度中每个水电站需要进行的发电平均流量的调节，以及水库蓄水等情况；

步骤9：通过无源开合式光纤电流传感器，将数据传送回小水电侧装设的智能化监控设备，对小水电进行错峰调度。

所述步骤2中粒子的初始位置为：

$Q_t^i=Q_{t\min }^i+r_1\·(Q_{t\max }^i-Q_{t\min }^i)$

所述步骤2中粒子的初始速度为：

$v_t^i=0.2\·r_2\·(Q_{t\max }^i-Q_{t\min }^i)$

其中，r₁、r₂是[0，1]区间服从均匀分布的随机数。

所述步骤4中，在所述粒子适应度函数的基础上增加三个惩罚项，分别为：

电压下限： $\mathrm{\Δ}{V}_{\mathrm{si}-\min }=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\max \{(V_{\mathrm{si}}^t-V_{\mathrm{si}.\min }^t),\max (V_{\mathrm{si}.\min }^t-V_{\mathrm{si}}^t,0)\}$

电压上限： $\mathrm{\Δ}{V}_{\mathrm{si}-\max }=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\max \{(V_{\mathrm{si}}^t-\frac{1}{2}(V_{\mathrm{si}.\min }^t+V_{\mathrm{si}.\max }^t)),0\}$

有功限制： $\mathrm{\Δ}{P}_{\mathrm{si}}=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\max \{(P_{\mathrm{si}}^t-P_{\mathrm{si}.\max }^t),\max (0,P_{\mathrm{si}.\min }^t-P_{\mathrm{si}}^t)\}$

包含上述三个惩罚项的粒子适应度函数为：

f＝A+E-k_1i·Δq_i-k_2i·Δh_i-k_3i·ΔD_i-k_4i·ΔV_si-min-k_5i·ΔV_si-max-k_6i·ΔP_si

k_4i、k_5i、k_6i为惩罚系数，k_4i、k_5i、k_6i取值较之k_i1、k_2i、k_3i大一个数量级；ΔV_si-min、ΔV_si-max、ΔP_si分别表示第i水电站电压与其上下限的差值，有功与其上下限的差值。

所述步骤5进一步包括以下步骤，

步骤1)根据公式

分别使用最小损耗和最大损耗来确定负荷有功和损耗，如果两个中的任意一个满足公式

则退出试探调整，否则转入下一步骤；

步骤2)使用平均损耗来确定P_D3，如果满足公式

则退出试探调整；如果

则转入步骤3)；否则，转向步骤4)；

步骤3)

步骤3.1)使用平均损耗来确定P_D3，如果则退出试探调整；否则转向步骤3.2)，

步骤3.2)任意选择一个被切除的负荷，通过将关联系数x_dis，1i变成[0.5，1]范围内的随机数来合上负荷，然后转向步骤3.1]；

步骤4)

步骤4.1)使用平均损耗来确定P_D3，如果

则退出试探调整；否则转向步骤4.2)；

步骤4.2)任意选择一个并网的负荷，通过将关联系数x_dis，1i变成[0，0.5]范围内的随机数来切除负荷，然后转向步骤4.1]。

所述步骤5进一步包括以下步骤：

步骤1)根据公式

分别使用最小损耗和最大损耗来确定P_{g，slack，1}和P_{g，slack，2}，如果两个中的任意一个满足公式

则退出试探调整，否则转向步骤2)；

步骤2)使用平均损耗来确定P_{g，slack，3}，如果满足公式

则退出试探调整；如果则转向步骤3)；否则，转向步骤4)；

步骤3)随机选择以下a、b、c三种调整方式中一种调节，

a、根据公式

改变PV母线的有功输出，然后退出；

b、步骤b.1)用平均损耗来确定P_{g，slack，3}，如果

则退出试探调整；否则转向步骤b.2)；

步骤b.2)随机选择一个被切除的负荷，通过将关联系数x_dis，1i变成[0.5，1]范围内的随机数来将负荷并网，然后转向步骤b.1]；

c、步骤c.1)用平均损耗来确定P_{g，slack，3}，如果

或者但是所有的PV母线均已被调整，则退出试探调整；否则转向步骤c.2)；

步骤c.2)随机选择一条还未被调整的PV母线，并通过公式

估计P′_gi，重新设置P_gi＝P′_gi，然后，如果

则退出；否则重新设置P_gi至最小下限，然后转向步骤c.1)

步骤4)随机选择以下d、e、f三种调整方式中一种调节；

d、根据公式

改变PV母线的有功输出，然后退出；

e、步骤e.1)用平均损耗来确定P_{g，slack，3}，如果

则退出试探调整；否则转向步骤e.2)；

步骤e.2)随机选择一个并网的负荷，例如，关联系数x_dis，1i在[0.5，1]范围内，通过将关联系数x_dis，1i变成[0，0.5]范围内的随机数来将负荷切除，然后转向步骤e.1]；

f、步骤f1)用平均损耗来确定P_{g，slack，3}，如果

或者

但是所有的PV母线均已被调整，则退出试探调整；否则转向步骤f.2)；

步骤f.2)随机选择一条还未被调整的PV母线，并通过公式估计P″_gi，重新设置P_gi＝P″_gi，然后，如果

则退出；否则重新设置P_gi至最大上限，然后转向步骤f1)。

本发明具有以下优点和积极效果：

1)本发明将错峰调度与电压质量紧密结合，能极大地优化小水电集中地区的电网电压；

2)本发明对自适应粒子群算法进行了改进，计算速度提高且结果更加优化。

附图说明

图1是本发明提供的错峰调度方案流程图。

图2是本发明提供的自适应粒子群算法试探调整流程图。

图3是本发明提供的自适应粒子群算法流程图。

具体实施方式

本发明提供的基于自适应算法的小水电群智能优化错峰调度方法，通过加装在小水电侧的智能化监控设备，将小水电的实时水文数据传送给后台程序，使用自适应粒子群算法进行计算后，将控制结果通过智能监控设备传回小水电侧，对小水电群进行错峰调度。

如图1所示，装在小水电侧的智能监控设备将水电站的基本数据和水库的水文信息进行收集，通过无源开合式光纤电流传感器传送到QT图形界面，在图形界面上进行显示，并将其传送到后台基于自适应粒子群的错峰调度算法程序，程序进行计算，输出调度结果，QT图形界面将调度结果进行显示，同时再次通过无源开合式光纤电流传感器将调度结果传送至小水电侧的智能监控设备，参与此次调度的各水电站执行调度命令。

下面以具体实施例结合附图对本发明作进一步说明：

本发明提供的基于自适应算法的小水电群智能优化错峰调度方法，包括以下步骤：

第1步：通过智能化监控设备采集小水电水文数据，包括来水量，水位，库容，出力，发电净水头等。

恩平地区共有66座水电站，其中七座是拥有较大型水库的水电站，分别是：锦江水库水电站，西坑水库水电站，良西水库水电站，宝鸭仔水库水电站，青南角水库水电站，凤子山水库水电站，茶山坑水库水电站。所需数据有：发电总量E(MW)，时段编号变量t，调度周期的时段数T＝24，水电站编号变量i，水电站数目N_h＝1，2，...，7，水电站i的综合出力系数A_i，水电站i在t时段的平均发电引用流量为

水电站i在t时段的平均发电净水头为

水电站i在t时段末的水库蓄水量为

水电站i在t时段的区间来水流量为

水电站i在t时段的弃水流量

水电站的死水库容

最大库容

每时段的保证出力

最大出力

分别是水电站i的调度期初始蓄水量(m³)、调度期末蓄水量(m³)。

剩余59座水电站属于小型水电站，水库库容较小或者无蓄水水库，在调度中难以起到错峰作用，仅在潮流计算时评判粒子适应度寻求最优解使用。所需数据为潮流计算的基础数据。

第2步：初始化粒子群，设计粒子编码，即为每个粒子定义其位置向量和速度向量[x，v]，产生初始位置和初始速度。以发电引用流量为决策变量，七座拥有较大型水库的水电站，24个时段，问题的解为七座水电站在24个时段的发电引用流量的组合，

所以，每个粒子的编码(即位置)设计为一个在n＝7×24维搜索空间中的向量，位置向量和速度向量分别如下式所述：

$x={[Q_1^1,Q_2^1,...,Q_T^1,Q_1^2,Q_2^2,...,Q_T^2,...,Q_1^{N_h},Q_2^{N_h},...,Q_T^{N_h}]}^T---\left(1\right)$

$v={[v_1^1,v_2^1,...,v_T^1,v_1^2,v_2^2,...,v_T^2,...,v_T^{N_h},v_1^{N_h},v_2^{N_h},...,v_T^{N_h}]}^T---\left(2\right)$

x和v均为n＝7×24维搜索空间中的向量。公式(1)为粒子的位置向量，位置向量是各水电站各时段发电引用流量，

为水库i在t时段的发电引用流量。公式(2)为粒子的速度向量，速度向量是各水电站各时段发电引用流量的变化速度，是水电站i在t时段的发电引用流量变化速度。在求解模型时，每个粒子的位置向量对应着一个调度方案。粒子的初始化位置和速度如下公式(3)和(4)所示，r₁、r₂是[0，1]区间服从均匀分布的随机数：

$Q_t^i=Q_{t\min }^i+r_1\·(Q_{t\max }^i-Q_{t\min }^i)---\left(3\right)$

$v_t^i=0.2\·r_2\·(Q_{t\max }^i-Q_{t\min }^i)---\left(4\right)$

第3步：惯性权重ω是PSO算法中调整全局搜索与局部搜索的最重要参数。设置合理的惯性权重，是避免陷入局部最优并高效搜索的关键。本发明的惯性权重定义为粒子适应度、粒子个数和搜索空间维度的函数：

ω_i为第i个粒子惯性权重，F_{con_i}(y)为第i个粒子的适应度，n是搜索空间维度，N_h是粒子数目，a、b为经验参数。算法在每次迭代后更新所有粒子的惯性权重，实现了对局部搜索和全局搜索的能力自适应调整。

第4步：由于本发明不仅需要实现发电量的最优化，还要求这七座大型水库水电站对恩平整体电网的电压优化起到积极作用，因此这七座大型水库水电站需要在错峰调度中做出一定的牺牲，大量减少夜间及用电低谷时的发电量，使自身电压大幅度下降，以此来限制周边小水电及电网母线电压。自适应算法中每个粒子需要适应度函数的检验。本发明中的粒子适应度函数在基础函数之上着重了对电压的优化，增加了三个惩罚项。

基础的粒子适应度函数：f＝A+E-k_1i·Δq_i-k_2i·Δh_i-k_3i·ΔD_i判断粒子的位置优劣，其中

A为保证f为正的正整数；k_1i、k_2i、k_3i为惩罚系数；Δq_i、Δh_i、ΔD_i分别表示第i水库发电引用流量，水位超过上下限的幅值和电压超过上下限的幅值。若Δq_i或Δh_i或ΔD_i不为零，说明不满足约束条件，粒子的适应值随之受罚下降，对应解不可能成为最优解。计算粒子适应值的方法：设置调度期初水库水位、根据粒子位置向量各分量利用水库的水量平衡方程、库容水位特性曲线，分别求得各时段发电水头

根据发电机及水轮机的特性确定流量取值范围根据调度要求确定水位取值范围

代入上述公式计算。

本发明的粒子适应度函数在上述基础上做出了改进，增加了三个惩罚项，分别是电压下限、上限及有功限制：f＝A+E-k_1i·Δq_i-k_2i·Δh_i-k_3i·ΔD_i-k_4i·ΔV_si-min-k_5i·ΔV_si-max-k_6i·ΔP_si。判断电压和有功的优劣，

k_4i、k_5i、k_6i为惩罚系数，k_4i、k_5i、k_6i取值较之k_i1、k_2i、k_3i大一个数量级；ΔV_si-min、ΔV_si-max、ΔP_si分别表示第i水电站电压与其上下限的差值，有功与其上下限的差值。以电压接近电压下限为优，但是不能超过电压下限，超过电压平均值则粒子的适应值随之受罚下降，对应解不可能成为最优解。有功值也是如此。

第5步：由于负荷和发电机变量均会对粒子的可行性造成很大的影响，本发明提出包含了两个随机调整的试探调整步骤，以此来提高算法速度和可行粒子的质量。

试探调整的流程图如附图2所示，首先，步骤(1)输入u^G，k＝1，N为种群规模；步骤(2)判断k是否在种群规模之内，如果是，转向步骤(3)，否则退出循环；步骤(3)判断粒子是否为可行解，如果是，转回步骤(2)，如果不是，则转向步骤(4)；步骤(4)对

进行试探调整，调整结束后k＝k+1，转回步骤(2)。

试探调整的基本依据是潮流计算中每个节点的电压和有功必须在各自的界限之内，否则它就是不可行解。根据适应度函数，任何不满足判据的粒子，通过修正有功数值来使其功率越限减小而回到限值内。试探判别步骤分两步。试探调整第一步J1的目标是使前者小于后者，通过任意开合负载。这之后，评估粒子是否满足条件，即负荷加上损耗等于发电机的有功输出。试探调整第二步J2的目标是通过选择下述的三种调整方式使粒子满足设定的条件。

事实上，潮流计算几乎占用了自适应算法的绝大多数时间。粒子的潮流损耗难以计算，为了节省时间，结合前次产生的个体损耗，为试探调整选择三种损耗，即最小损耗(loss1)，最大损耗(loss2)，平均损耗(loss3)。将平均损耗loss3作为试探调整的损耗值，最大值loss2和最小值loss1用来判别个体是否满足条件，这样可以避免对可行粒子的错误评估。

J1的流程如下，其中P_D是负荷有功及损耗之和，P_l是负荷全部有功，P_gi为第i台发电机的有功输出数值，和分别为第i台发电机的有功输出上限和下限，P_g，slack为平衡节点的有功输出数值，

和

分别为平衡节点的有功输出上限和下限：

步骤1)根据公式(1)分别使用loss1和loss2来确定负荷有功和损耗。如果两个中的任意一个满足公式(2)则退出试探调整，否则转向步骤2)；

$P_{\mathrm{Dm}}=(1+{\mathrm{loss}}_m\%)\×\underset{k=1}{\overset{N_l}{\mathrm{\Σ}}}{c}_k{P}_{\mathrm{lk}}(m=\mathrm{1,2,3})---\left(1\right)$

$\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}{P}_{\mathrm{gi}}^{\min }\≤P_D\≤\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}{P}_{\mathrm{gi}}^{\max }---\left(2\right)$

步骤2)使用平均损耗loss3来确定P_D3。如果满足公式(2)则退出试探调整；如果 $P_{D3}<\underset{i=1}{\overset{N_g}{\mathrm{\&Sigma;}}}{P}_{\mathrm{gi}}^{\min },$ 则转向步骤3)；否则，转向步骤4)；

步骤3)

步骤3.1)使用平均损耗loss3来确定P_D3。如果

则退出试探调整；否则转向步骤3.2)。

步骤3.2)任意选择一个被切除的负荷，例如关联系数x_dis，1i在[0，0.5)范围内，通过将关联系数x_dis，1i变成[0.5，1]范围内的随机数来合上负荷，然后转向步骤3.1]。

步骤4)

步骤4.1)使用平均损耗loss3来确定P_D3。如果

则退出试探调整；否则转向步骤4.2)

步骤4.2)任意选择一个并网的负荷，例如关联系数x_dis，1i在[0.5，1]范围内，通过将关联系数x_dis，1i变成[0，0.5)范围内的随机数来切除负荷，然后转向步骤4.1)。

J2的流程如下：

步骤1)根据公式(3)分别使用loss1和loss2来确定P_{g，slack，1}和P_{g，slack，2}。如果两个中的任意一个满足公式(4)则退出试探调整，否则转向步骤2)；

$P_{g,\mathrm{slack},m}=(1+{\mathrm{loss}}_m\%)\&times;\underset{k=1}{\overset{N_l}{\mathrm{\&Sigma;}}}{c}_k{P}_{\mathrm{lk}}-\underset{i=1}{\overset{N_{\mathrm{PV}}}{\mathrm{\&Sigma;}}}{P}_{\mathrm{gi}}(m=\mathrm{1,2,3})---\left(3\right)$

$P_{g,\mathrm{slack}}^{\min }\&le;P_{g,\mathrm{slack}}\&le;P_{g,\mathrm{slack}}^{\max }---\left(4\right)$

步骤2)使用平均损耗loss3来确定P_{g，slack，3}。如果满足公式(4)则退出试探调整；如果

则转向步骤3)；否则，转向步骤4)；

步骤3)随机选择以下a、b、c三种调整方式中一种调节。

a、根据公式(5)改变PV母线的有功输出，然后退出。

$P_{\mathrm{gi}}=\frac{P_{\mathrm{gi}}^{\max }}{\underset{j=1}{\overset{N_g}{\mathrm{\&Sigma;}}}{P}_{\mathrm{gj}}^{\max }}\&times;(1+{\mathrm{loss}}_3\%)\&times;\underset{k=1}{\overset{N_l}{\mathrm{\&Sigma;}}}{c}_k{P}_{\mathrm{lk}}(i=1,...,N_{\mathrm{PV}})---\left(5\right)$

b、

步骤b.1)用平均损耗loss3来确定P_{g，slack，3}，如果

则退出试探调整；否则转向步骤b.2)；

步骤b.2)随机选择一个被切除的负荷，例如，关联系数x_dis，1i在[0，0.5)范围内，通过将关联系数x_dis，1i变成[0.5，1]范围内的随机数来将负荷并网，然后转向步骤b.1]。

c、

步骤c.1)用平均损耗loss3来确定P_{g，slack，3}。如果

或者

但是所有的PV母线均已被调整，则退出试探调整；否则转向步骤c.2)。

步骤c.2)随机选择一条还未被调整的PV母线，并通过公式(6)估计P′_gi。重新设置P_gi＝P′_gi，然后，如果

则退出；否则重新设置P_gi至最小下限，然后转向步骤c.1)

$P_{\mathrm{gi}}^{\&prime;}=(1+{\mathrm{loss}}_3\%)\&times;\underset{k=1}{\overset{N_l}{\mathrm{\&Sigma;}}}{c}_k{P}_{\mathrm{lk}}-\underset{j=1,j\&NotEqual;i}{\overset{N_{\mathrm{PV}}}{\mathrm{\&Sigma;}}}{P}_{\mathrm{gj}}-P_{g,\mathrm{slack}}^{\min }---\left(6\right)$

步骤4)随机选择以下d、e、f三种调整方式中一种调节。d、d与步骤3)的a是一致的；

e、

步骤e.1)用平均损耗loss3来确定P_{g，slack，3}。如果

则退出试探调整；否则转向步骤e.2)；

步骤e.2)随机选择一个并网的负荷，例如，关联系数x_dis，1i在[0.5，1]范围内，通过将关联系数x_dis，1i变成[0，0.5]范围内的随机数来将负荷切除，然后转向步骤e.1]。

f、

步骤f1)用平均损耗loss3来确定P_{g，slack，3}。如果或者但是所有的PV母线均已被调整，则退出试探调整；否则转向步骤f.2)；

步骤f.2)随机选择一条还未被调整的PV母线，并通过公式(7)估计P″_gi。重新设置P_gi＝P″_gi，然后，如果

则退出；否则重新设置P_gi至最大上限，然后转向步骤f1)

$P_{\mathrm{gi}}^{\&prime;\&prime;}=(1+{\mathrm{loss}}_3\%)\&times;\underset{k=1}{\overset{N_l}{\mathrm{\&Sigma;}}}{c}_k{P}_{\mathrm{lk}}-\underset{j=1,j\&NotEqual;i}{\overset{N_{\mathrm{PV}}}{\mathrm{\&Sigma;}}}{P}_{\mathrm{gj}}-P_{g,\mathrm{slack}}^{\max }---\left(7\right)$

第6步：设计粒子的速度、位置以及迭代更新方法。

首先计算粒子群中各粒子的适应值，求取个体最优和全局最优极值，然后迭代更新。设至第k次迭代止，粒子1搜索到的最优位置向量记为P_l(k)(l＝1、2、…n)，整个粒子群搜索到的最优位置向量记为P_g(k)，则第k+1次迭代，则：

粒子速度： $v_t^{\mathrm{il}}(k+1)={\mathrm{\&omega;}}_i{v}_t^{\mathrm{il}}\left(k\right)+c_1{r}_1(p_t^{\mathrm{il}}\left(k\right)-Q_t^{\mathrm{il}}\left(k\right))+c_2{r}_2(p_t^{\mathrm{ig}}\left(k\right)-Q_t^{\mathrm{il}}\left(k\right))$

粒子位置： $Q_t^{\mathrm{il}}(k+1)=Q_t^{\mathrm{il}}\left(k\right)+v_t^{\mathrm{il}}(k+1)$

ω为惯性权重因子；c₁、c₂为学习因子；r₁、r₂为(0，1)之间的随机数；l＝1、2、…n，i＝1、2、…N_h，t＝1、2、…T。为有效搜索，粒子速度不能超过最大允许速度v_max，即

若粒子的某一维速度超过v_max，则将其速度限制为v_max。

第7步：循环迭代，转入第二步，满足终止条件时，停止迭代，输出全局最优向量。终止条件一般设计为：达到最大迭代次数停止，或取得足够好的位置向量停止。如图3所示的流程图。步骤一：设计粒子编码，初始化各参数，初始化粒子群，产生初始位置和初始速度；步骤二：设计粒子适应度函数，计算各粒子的适应值；步骤三：进行试探调整算法对粒子进行优化；步骤四：迭代更新粒子的位置和速度；步骤五：循环迭代，判断是否满足终止条件。满足终止条件时，停止迭代，输出全局最优向量；否则，循环迭代，转入步骤二。

第8步：将调度算法的结果在图形界面上进行显示，包括调度中每个水电站需要进行的发电平均流量的调节，以及水库蓄水等情况；

第9步：通过无源开合式光纤电流传感器，将数据传送回小水电侧装设的智能化监控设备，对小水电进行错峰调度。

以上实施例仅供说明本发明之用，而非对本发明的限制，有关技术领域的技术人员，在不脱离本发明的精神和范围的情况下，还可以作出各种变换或变型，因此所有等同的技术方案，都落入本发明的保护范围。

Claims (5)

1.一种基于自适应算法的小水电群智能优化错峰调度方法，其特征在于，包括以下步骤： 

步骤1：通过智能化监控设备采集小水电水文数据，包括来水量、水位、库容、出力、发电净水头； 

步骤2：为每个粒子定义其位置向量和速度向量[x,v]，产生初始位置和初始速度，x和v均为n维搜索空间中的向量，其中位置向量是各水电站各时段发电引用流量，如下式： 

为水电站i在t时段的发电引用流量； 

速度向量是各水电站各时段发电引用流量的变化速度，如下式： 

是水电站i在t时段的发电引用流量变化速度； 

步骤3：设置粒子群优化算法中调整全局搜索和局部搜索的惯性权重参数，惯性权重定义为粒子适应度、粒子个数和搜索空间维度的函数： 

ω_i为第i个粒子惯性权重，F_{con_i}(y)为第i个粒子的适应度，n是搜索空间维度，N_h是粒子数目，a、b为经验参数； 

步骤4：以适应度函数检验每个粒子，判断粒子的位置优劣，所述粒子适应度函数为： 

f＝A+E-k_1i·Δq_i-k_2i·Δh_i-k_3i·ΔD_i

A为保证f为正的正整数；k_1i、k_2i、k_3i为惩罚系数；Δq_i、Δh_i、ΔD_i分别表示水电站i发电引用流量，水位超过上下限的幅值和电压超过上下限的幅值，

分别为水电站i在t时段的发电引用流量的最大值和最小值，分别为水电站i在t时段的水位、最高水位、最低水位，E表示发电量； 

步骤5：依据潮流计算中每个节点的电压和有功必须在各自的界限之内，否则为不可行解，试探调整先判别粒子是否为可行解，若不可行，则对它进行调整，调整后在限制范围内，则退出循环进入迭代运行，若调整后仍为不可行解，则继续循环调整； 

步骤6：计算粒子群中各粒子的适应值，求取个体最优和全局最优极值，然后迭代更新，设至第k次迭代止，粒子1搜索到的最优位置向量记为P_l(k)(l＝1、2、…n)，整个粒子群搜索到 的最优位置向量记为P_g(k)，则第k+1次迭代，则： 

粒子速度：

粒子位置：

c₁、c₂为学习因子；r₁、r₂为(0,1)之间的随机数；l＝1、2、…n,i＝1、2、…N_h,t＝1、2、…T，为有效搜索,粒子速度不能超过最大允许速度v_max，即

若粒子的某一维速度超过v_max,则将其速度限制为v_max，T表示调度周期的时段数； 

步骤7：循环迭代，转入步骤2，满足终止条件时，停止迭代，输出全局最优向量，所述终止条件为：达到最大迭代次数停止，或取得足够好的位置向量停止； 

步骤8：将调度算法的结果在图形界面上进行显示，包括调度中每个水电站需要进行的发电平均流量的调节，以及水库蓄水情况； 

步骤9：通过无源开合式光纤电流传感器，将数据传送回小水电侧装设的智能化监控设备，对小水电进行错峰调度。 

2.根据权利要求1所述的基于自适应算法的小水电群智能优化错峰调度方法，其特征在于： 

所述步骤2中粒子的初始位置为： 

所述步骤2中粒子的初始速度为： 

其中，r₁、r₂是[0，1]区间服从均匀分布的随机数。 

3.根据权利要求1或2所述的基于自适应算法的小水电群智能优化错峰调度方法，其特征在于： 

所述步骤4中，在所述粒子适应度函数的基础上增加三个惩罚项，分别为： 

第i水电站电压与其上限的差值：

第i水电站电压与其下限的差值：

有功与其上下限的差值：

包含上述三个惩罚项的粒子适应度函数为： 

f＝A+E-k_1i·Δq_i-k_2i·Δh_i-k_3i·ΔD_i-k_4i·ΔV_si-min-k_5i·ΔV_si-max-k_6i·ΔP_si

k_4i、k_5i、k_6i为惩罚系数，k_4i、k_5i、k_6i取值较之k_i1、k_2i、k_3i大一个数量级；ΔV_si-min、ΔV_si-max、ΔP_si分别表示第i水电站电压与其上下限的差值，有功与其上下限的差值，E表示发电量，

为第i水电站t时间有功功率最小值，

为第i水电站t时间有功功率最大值；

为第i水电站t时间电压最小值，

为第i水电站t时间电压最大值。 

4.根据权利要求1所述的基于自适应算法的小水电群智能优化错峰调度方法，其特征在于： 

所述步骤5进一步包括以下步骤， 

步骤1)根据公式

分别使用最小损耗和最大损耗来确定负荷有功和损耗，如果两个中的任意一个满足公式

则退出试探调整，否则转入下一步骤； 

步骤2)使用平均损耗来确定P_D3，如果满足公式则退出试探调整；如果

则转入步骤3)；否则，转向步骤4)； 

步骤3)： 

步骤3.1)使用平均损耗来确定P_D3，如果

则退出试探调整；否则转向步骤3.2)， 

步骤3.2)任意选择一个被切除的负荷，通过将x_dis,li变成[0.5,1]范围内的随机数来合上负荷，然后转向步骤3.1)； 

步骤4)： 

步骤4.1)使用平均损耗来确定P_D3，如果

则退出试探调整；否则转向步骤4.2)； 

步骤4.2)任意选择一个并网的负荷，通过将x_dis,li变成[0,0.5]范围内的随机数来切除负荷，然后转向步骤4.1)； 

式中，P_D是负荷有功及其损耗之和；P_Dm是负荷有功及其损耗的统一表达式，具体含义与m的值相关；P_D1是最小负荷有功及其损耗，P_D2是最大负荷有功及其损耗，P_D3是平均负荷有功及其损耗，loss_m%是指损耗，m=1、2、3分别表示最小损耗、最大损耗、平均损耗， c_k为学习因子的统一表达式，k=1、2；N_l表示所考虑最大负荷数；P_lk表示各个负荷的功率；N_g表示所考虑最大电站数，

分别为第i台发电机的有功输出上限和下限，x_dis,li为关联系数。 

5.根据权利要求1所述的基于自适应算法的小水电群智能优化错峰调度方法，其特征在于： 

所述步骤5进一步包括以下步骤： 

步骤1)根据公式分别使用最小损耗和最大损耗来确定P_g,slack,1和P_g,slack,2，如果两个中的任意一个满足公式

则退出试探调整，否则转向步骤2)； 

步骤2)使用平均损耗来确定P_g,slack,3，如果满足公式则退出试探调整；如果则转向步骤3)；否则，转向步骤4)； 

步骤3)随机选择以下a、b、c三种调整方式中一种调节： 

a、根据公式

改变PV母线的有功输出，然后退出； 

b、步骤b.1)用平均损耗来确定P_g,slack,3，如果则退出试探调整；否则转向步骤b.2)； 

步骤b.2)随机选择一个被切除的负荷，通过将x_dis,li变成[0.5,1]范围内的随机数来将负荷并网，然后转向步骤b.1）； 

c、步骤c.1)用平均损耗来确定P_g,slack,3，如果

或者

但是所有的PV母线均已被调整，则退出试探调整；否则转向步骤c.2)； 

步骤c.2)随机选择一条还未被调整的PV母线，并通过如下公式： 

估计P′_gi，重新设置P_gi=P′_gi，然后，如果 

则退出；否则重新设置P_gi至最小下限，然后转向步骤c.1)； 

步骤4)随机选择以下d、e、f三种调整方式中一种调节； 

d、根据公式

改变PV母线的有功输出，然后退出； 

e、步骤e.1)用平均损耗平均损耗来确定P_g,slack,3，如果

则退出试探调整；否则转向步骤e.2)； 

步骤e.2)随机选择一个并网的负荷，关联系数x_dis,li在[0.5,1]范围内，通过将x_dis,li变成[0,0.5]范围内的随机数来将负荷切除，然后转向步骤e.1）； 

f、步骤f.1)用平均损耗平均损耗来确定P_g,slack,3，如果

或者

但是所有的PV母线均已被调整，则退出试探调整；否则转向步骤f.2)； 

步骤f.2)随机选择一条还未被调整的PV母线，并通过如下公式： 

估计P″_gi，重新设置P_gi=P″_gi，然后，如果 

则退出；否则重新设置P_gi至最大上限，然后转向步骤f.1)；

式中，P_gi为第i台发电机的有功输出数值，

和

分别为平衡节点的有功输出下限和上限，P_g,slack,m是平衡节点电站发出功率的统一表达式，具体含义与m的值相关，P_g,slack,1是最小发出功率，P_g,slack,2是最大发出功率，P_g,slack,3是平均发出功率。 

Images